導(dǎo)語(yǔ)：如何才能寫好一篇閾值分割的基本原理，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵字：小波變換； 閾值； 圖像分割

圖像分割是根據(jù)圖像的某些局部特征（如灰度級(jí)、紋理、彩色或統(tǒng)計(jì)特征、頻譜特征等）的相似性和互斥性，將圖像分割成若干子區(qū)域，在每個(gè)子區(qū)域內(nèi)部具有相似（相同或相近）特征，而相鄰子區(qū)域不相同（互斥性）。因此，圖像局部特征的相似性和互斥性是圖像分割的依據(jù)[1]。

一、閾值圖像分割的基本原理

閾值化圖像分割是一種最基本的圖像分割方法，其基本原理就是選取一個(gè)或多個(gè)處于灰度圖像范圍之中的灰度閾值，然后將圖像中各個(gè)像素的灰度值與閾值比較，并根據(jù)比較的結(jié)果將圖像中的對(duì)應(yīng)像素分成兩類或多類，從而把圖像劃分成互不重疊的區(qū)域集合，達(dá)成圖像分割的目的[2]。

無(wú)論是單閾值分割還是多閾值分割，都是選取一個(gè)比較合理的閾值，以確定圖像中每個(gè)像素點(diǎn)應(yīng)該屬于目標(biāo)區(qū)域還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。

二、傳統(tǒng)分割方法

雙峰法和最大類方差法區(qū)域分割技術(shù)， 是圖像分割中最重要而且有效的技術(shù)之一， 在實(shí)際的圖像處理系統(tǒng)中得到了廣泛應(yīng)用。這些都只是傳統(tǒng)的分割方法，是全局閾值分割中較好的方法。下面我對(duì)這兩種方法進(jìn)行簡(jiǎn)要的介紹。

2.1 雙峰法

雙峰法是一種典型的全局單閾值分割方法。當(dāng)圖像的灰度級(jí)具有較為典型的雙峰特性時(shí)，選取雙峰間的谷底對(duì)應(yīng)的灰度級(jí)作為閾值。假如北景的灰度值在整個(gè)圖像中可以合理看作是恒定，而且所有的物體與背景具有幾乎相同的對(duì)比度，那么選取一個(gè)固定的較好的全局閾值會(huì)有一個(gè)較好的效果[3]。

2.2最大類間方差法（Otsu）

最大類間方差法又名大津閾值分割法，其基本思路是：選取的最佳的閾值t，該值應(yīng)當(dāng)使得不同類間的分離性最好。首先要計(jì)算出基于直方圖得到分割特征值的發(fā)生概率，并以閾值變量t將分割特征值分割為兩類；然后求出每一類的類內(nèi)方差和類間方差；最后選取使得類間方差最大、類內(nèi)方差最小的t為最佳閾值T，[4]。

三、小波圖像閾值分割法

基于小波變換的閾值分割法的基本原理是：先由二進(jìn)制小波變換把圖像的直方圖分解為各層次的小波系數(shù)，然后按照一定的分割準(zhǔn)則和小波系數(shù)選取閾值門限，最終利用閾值標(biāo)出圖像分割的區(qū)域。整個(gè)分割過(guò)程是由粗到細(xì)，通過(guò)尺度變化來(lái)控制，起始分割由 子空間上投影的直方圖來(lái)實(shí)現(xiàn)。若分割不理想，則用直方圖在子空間的小波系數(shù)逐步細(xì)化圖像分割。分割算法的計(jì)算量和圖像尺寸的大小是線性關(guān)系。

基于小波變換的閾值法圖像分割技術(shù)能夠有效彌補(bǔ)傳統(tǒng)的圖像閾值法分割方法的不足，具有較強(qiáng)的抗噪聲性能，對(duì)于直方圖為多峰值時(shí)，可利用小波的多分辨率特性，合理選擇灰度閾值，對(duì)圖像進(jìn)行分割處理[5]。

分割算法的計(jì)算量與圖像尺寸大小呈線性變化，本論文介紹直方圖的多分辨率分析。對(duì)于每個(gè)整數(shù)j∈Z（Z整數(shù)集合），表示在j分辨率下的二進(jìn)制有理數(shù)。因此，對(duì)于任何j∈Z，是一組在實(shí)數(shù)軸上的等間隔采樣點(diǎn)集合，如果ij，則表示高分辨率（較細(xì)）的采樣點(diǎn)。假定f表示為一幅圖像，g是圖像f中最大灰度，則直方圖表示為

（11）

步驟如下：

步驟1：預(yù)設(shè)分割區(qū)域?yàn)镸，分解級(jí)數(shù)，L為圖像最大灰度值；

步驟2：小波分解曲線，得到，令j=0，；

步驟3：，將大于j分解層次的系數(shù)設(shè)置為0，用式（14）重建，在重建直方圖中，找出滿足和 條件的標(biāo)號(hào)l（灰度），并且統(tǒng)計(jì)標(biāo)號(hào)l的個(gè)數(shù)n；

步驟4：如果n

步驟5：從重建直方圖 中，找到閾值；

步驟6：像素值與閾值比較，標(biāo)出所在區(qū)域。

四、實(shí)驗(yàn)結(jié)果分析

4.1實(shí)驗(yàn)結(jié)果分析

信噪比是信號(hào)與噪聲的功率譜之比，但通常功率譜難以計(jì)算，有一種方法可以近似估計(jì)圖象信噪比，即信號(hào)與噪聲的方差之比。首先計(jì)算圖象所有象素的局部方差，然后將局部方差的最大值認(rèn)為是信號(hào)方差，最小值是噪聲方差，最后求出它們的比值。信噪比越大，說(shuō)明混在信號(hào)里的噪聲越小，信號(hào)質(zhì)量越好。

峰值信噪比一般是用于最大值信號(hào)和背景噪音之間的一個(gè)工程項(xiàng)目。通常在經(jīng)過(guò)影像壓縮之后，輸出的影像通常都會(huì)有某種程度與原始影像不一樣。為了衡量經(jīng)過(guò)處理后的影像品質(zhì)，我們通常會(huì)參考PSNR值來(lái)認(rèn)定某個(gè)處理程序夠不夠令人滿意。PSNR值越大，就代表失真越少。

通過(guò)以上的實(shí)驗(yàn)結(jié)果和我們對(duì)傳統(tǒng)閾值分割與小波閾值分割方法的比較我們可以得到以下結(jié)論：

全局二值化的方法由于采用的是用一個(gè)固定門限值來(lái)分割，門限的選取十分重要。這種在對(duì)象物和背景灰度值的差較大的時(shí)候效果明顯，而在光照不均勻和需要提取多個(gè)復(fù)雜特征的物體的時(shí)候難以得到較為理想的效果。自適應(yīng)二值化方法由于采用了自動(dòng)取閾值的方法，避免了采用固定閾值的弊病，但是圖像分割后局限性太大，效果不佳。

就分割的速度而言，二值化方法一般速度較快，但是二值化后圖像信息丟失嚴(yán)重，由此得到的邊緣輪廓可能會(huì)不精確。因此，可以用速度較快的二值化方法來(lái)獲得一個(gè)關(guān)于圖像分割結(jié)果的較粗略的描述。

篇2

【關(guān)鍵詞】數(shù)字圖像處理 圖像分割技術(shù) 應(yīng)用研究

在數(shù)字圖像處理中，涉及到的技術(shù)較多，其中的圖像分割技術(shù)引起了人們的高度關(guān)注，圖像分割的方法有千余種。本文接下來(lái)對(duì)圖像分割技術(shù)方法分類進(jìn)行闡述，并對(duì)其實(shí)際應(yīng)用進(jìn)行分析。

1 圖像分割技術(shù)及其分類

1.1 圖像分割技術(shù)

人們把自己對(duì)圖像中感興趣部分對(duì)應(yīng)的特定區(qū)域叫作圖像的背景。為實(shí)現(xiàn)更好地辨識(shí)該目標(biāo)，需要將目標(biāo)從圖像中分離出去，這是圖像分割技術(shù)研究的問(wèn)題。所謂圖像分割就是把數(shù)字圖像劃分成為不重疊區(qū)域的過(guò)程，這些區(qū)域具有不相互交叉的特點(diǎn)。圖像分割技術(shù)將在實(shí)踐中得到大范圍應(yīng)用。

1.2 圖像分割技術(shù)方法分類

對(duì)于圖像分割而言，至今沒(méi)有一個(gè)確定且唯一的標(biāo)準(zhǔn)，分割成功的準(zhǔn)則也沒(méi)有作出明確規(guī)定。常見的分割、描述方法包括下面幾種。

1.2.1 灰度閾值法實(shí)現(xiàn)圖像分割

灰度閾值法使用的關(guān)鍵是直方圖是否使用合理。該方法的本質(zhì)是使用合理的閥值去辨別物體和背景。換句話說(shuō)，也就是圖像的灰度值超過(guò)一定閥值，那么可確定為物體，否則就是背景。該方法在物體和背景之間的區(qū)域分界比較明顯的情況下比較適用，也就是說(shuō)在物體和背景的灰度值差異非常明顯的前提之下，這樣才好分割。

1.2.2 區(qū)域法實(shí)現(xiàn)圖像分割

區(qū)域法實(shí)現(xiàn)圖像分割的原理是選取區(qū)域的方式現(xiàn)分割，該分割法的約束為子區(qū)域全部像素灰度相同、子區(qū)域不重合且相連接等。

1.2.3 邊界法實(shí)現(xiàn)圖像分割

通過(guò)計(jì)算一幅圖像的梯度大小從而找到邊界的圖像分割方法。求梯度大小最終是為了要找到圖像中灰度變化最大的位置，也就是物體的邊界。

1.2.4 邊緣法實(shí)現(xiàn)圖像分割

利用一階導(dǎo)數(shù)的大小檢測(cè)邊緣所在并用一階導(dǎo)數(shù)的方向?qū)⑿〉倪吘夁B結(jié)成邊界的方法。

2 圖像分割技術(shù)應(yīng)用

2.1 在汽車車牌自動(dòng)識(shí)別系統(tǒng)中的應(yīng)用

車票自動(dòng)識(shí)別系統(tǒng)的實(shí)質(zhì)就是監(jiān)控大門過(guò)往車輛的識(shí)別系統(tǒng)，它可自動(dòng)識(shí)別哪些車輛是屬于本單位，哪些車輛不屬于本單位，從而判斷是否需要打開鐵門。該系統(tǒng)可提醒工作人員，還可以將新增車輛添加到車輛自動(dòng)識(shí)別系統(tǒng)。該系統(tǒng)具有識(shí)別速度迅速、準(zhǔn)確率高、耗費(fèi)成本較低的特征。

2.2 在遙感工程方面中的應(yīng)用

2.2.1 油庫(kù)目標(biāo)的遙感光學(xué)圖像分割

圖像分割技術(shù)在遙感工程方面中的應(yīng)用可大量應(yīng)用于城市規(guī)劃和軍事上。通過(guò)分析光學(xué)遙感圖像，可對(duì)油罐的特征進(jìn)行識(shí)別，這是因?yàn)橛凸薜念伾珕我换?，而且其形狀一般是橢圓狀。在對(duì)油庫(kù)檢測(cè)定位的時(shí)候，可使用對(duì)橢圓的基于區(qū)域生長(zhǎng)原理聚類的方法，這是因?yàn)橛凸弈繕?biāo)相對(duì)集中而虛假目標(biāo)相對(duì)較離散的分布特征。其基本原理是將橢圓視為像素，將聚集在一起的橢圓通過(guò)區(qū)域生長(zhǎng)聚成一類。使用該聚類方法之后，可以更準(zhǔn)確地定位油庫(kù)區(qū)域，計(jì)算速度很快。

2.2.2 機(jī)場(chǎng)的遙感圖像分割

機(jī)場(chǎng)附屬區(qū)域的圖像分割可通過(guò)機(jī)場(chǎng)跑道各波段的灰度特征和直線特征來(lái)下手。其操作的基本原理是使用跑道的灰度特征首先針對(duì)整個(gè)圖像二值化，接著做Hough變換。然后針對(duì)該變換做統(tǒng)計(jì)，從而使機(jī)場(chǎng)主干跑道得以呈現(xiàn)。然后，基于此，可繼續(xù)分割得到機(jī)場(chǎng)附屬設(shè)施區(qū)域。實(shí)踐證明，該算法具有可行性和可實(shí)現(xiàn)性。如圖1所示。

2.3 在火災(zāi)的預(yù)防和探測(cè)中的應(yīng)用

從人類誕生以來(lái)，人類一直在跟火災(zāi)進(jìn)行斗爭(zhēng)。在一些公共場(chǎng)所，火災(zāi)的預(yù)防和治理一直是一個(gè)難題。當(dāng)前，很多場(chǎng)所使用的是感煙、感溫、感光探測(cè)器來(lái)對(duì)火災(zāi)進(jìn)行探測(cè)，但是該方法的缺陷是如果場(chǎng)所的面積較大的情況下，這些設(shè)備很難發(fā)揮其應(yīng)有的作用。數(shù)字圖像處理中的分割技術(shù)則可以發(fā)揮其效用。通過(guò)使用該技術(shù)，可模擬人眼功能實(shí)現(xiàn)人眼功能。該技術(shù)可廣泛應(yīng)用于衛(wèi)星遙感、醫(yī)療診斷等領(lǐng)域，經(jīng)過(guò)廣泛實(shí)踐證明，該方法非常有效。圖像型火災(zāi)探測(cè)報(bào)警系統(tǒng)通過(guò)相關(guān)技術(shù)對(duì)火災(zāi)火焰的圖像特性進(jìn)行識(shí)別和探測(cè)，這樣就可以達(dá)到自動(dòng)火災(zāi)報(bào)警的功能了。

3 結(jié)束語(yǔ)

從20世紀(jì)八十年代到二十一世紀(jì)，圖像分割理論進(jìn)展很緩慢，這是因?yàn)樵搯?wèn)題的研究比較困難的原因?，F(xiàn)在，在數(shù)字多媒體時(shí)代，圖像數(shù)字處理成為了一項(xiàng)基本的技術(shù)。其中的圖像分割技術(shù)的新理論和新算法不斷出現(xiàn)，其實(shí)踐應(yīng)用的發(fā)展前景是一片光明的。今后，數(shù)字圖像處理中的圖像分割技術(shù)以后的發(fā)展趨勢(shì)可能有三個(gè)方向：多方法結(jié)合起來(lái)使用、加入人工智能技術(shù)應(yīng)用、人機(jī)交互。本文對(duì)數(shù)字圖像處理中的圖像分割技術(shù)在汽車車牌自動(dòng)識(shí)別系統(tǒng)、遙感工程方面、火災(zāi)的預(yù)防和探測(cè)中的應(yīng)用這些方面的研究可以為該技術(shù)的更多應(yīng)用拓展提供一定的思路參考。

參考文獻(xiàn)

[1]劉中合，王瑞雪，王鋒德等.數(shù)字圖像處理技術(shù)現(xiàn)狀與展望[J].計(jì)算機(jī)時(shí)代，2005 （09）.

[2]紹綱.數(shù)字圖像處理[M].成都：西南交通大學(xué)出版社，2001.

[3]高建平，張小東，蔣銳.基于圖像處理的交通信息采集[J].重慶交通學(xué)院學(xué)報(bào)，2006.

[4]譚優(yōu)，王澤勇.圖像閾值分割算法實(shí)用技術(shù)研究與比較[J].微計(jì)算機(jī)信息，2007，23（08）：298-299.

[5]蔡紅蘋，蔣詠梅，粟毅.一種基于區(qū)域生長(zhǎng)原理的油庫(kù)目標(biāo)聚類定位方法[J].遙感學(xué)報(bào)2006，10（03）：416-420.

[6]李紅俊，韓冀皖.數(shù)字圖像處理技術(shù)及其應(yīng)用.計(jì)算機(jī)測(cè)量與控制，2002，10（09）.

作者簡(jiǎn)介

宋美萍（1988-），女，黑龍江省大慶市人。碩士學(xué)位?，F(xiàn)為東北石油大學(xué)講師。研究方向?yàn)閳D像信息處理。

篇3

關(guān)鍵詞：計(jì)算機(jī)視覺分析；微小尺寸；精密校正；閾值；圖像分割

中圖分類號(hào)：TP274.4

計(jì)算機(jī)視覺分析理論是基于精密模式識(shí)別和人工智能程序化校驗(yàn)技能進(jìn)行綜合整編的方法，利用光學(xué)信息對(duì)真實(shí)物理結(jié)構(gòu)的實(shí)時(shí)反映，配合人機(jī)協(xié)調(diào)手段進(jìn)行二維圖像的呈現(xiàn)。在工件表面進(jìn)行質(zhì)量檢測(cè)和圖片制備要素分析的系統(tǒng)環(huán)節(jié)中，闡述物體在空間環(huán)境之間的關(guān)系樣式，爭(zhēng)取三維場(chǎng)景的科學(xué)搭建。集合要素內(nèi)容包括邊緣、線條和曲面的配備，建立以工業(yè)部件為中心的坐標(biāo)體系，并適當(dāng)運(yùn)用不同符號(hào)表現(xiàn)模式實(shí)現(xiàn)必要三維結(jié)構(gòu)和空間關(guān)系的調(diào)整，促進(jìn)精密儀器細(xì)節(jié)檢驗(yàn)工作質(zhì)量的不斷提高。

1 計(jì)算機(jī)視覺檢測(cè)技術(shù)的相關(guān)理論研究

1.1 技術(shù)原理分析

滲透性計(jì)算機(jī)輔助支持結(jié)構(gòu)的視覺鑒定技術(shù)在被測(cè)實(shí)體中的圖像顯示支持功能基礎(chǔ)形勢(shì)上進(jìn)行質(zhì)量狀況的把控，這其實(shí)就是根據(jù)既定的偏差標(biāo)準(zhǔn)實(shí)現(xiàn)規(guī)模物件的逐個(gè)排查。細(xì)致的檢測(cè)工作在深度零件的誘導(dǎo)性特征和完整性配件的支持下，對(duì)整體完好效果的幾何制備模型進(jìn)行測(cè)量[1]。近階段的視覺規(guī)范系統(tǒng)利用電耦合器件和攝像機(jī)進(jìn)行主題元素的捕捉，并利用計(jì)算機(jī)內(nèi)部程序的數(shù)字信號(hào)轉(zhuǎn)化工具實(shí)現(xiàn)圖像的并行處理。采用目標(biāo)圖像的特殊坐標(biāo)記錄，利用灰度分布圖內(nèi)的多種綜合功能處理系統(tǒng)改善的要?jiǎng)?wù)。常規(guī)視覺下的檢測(cè)過(guò)程相對(duì)比較繁瑣，主要是將被檢測(cè)物體放置于照明效果相對(duì)均勻的可控制背景環(huán)境中，聯(lián)結(jié)CCD技術(shù)和圖像卡實(shí)現(xiàn)被測(cè)部件和數(shù)字圖像的共性要素融合，保證計(jì)算機(jī)自動(dòng)化處理程序的錄入。當(dāng)然，這類研究系統(tǒng)是需要利用相關(guān)軟體進(jìn)行放大的，其主要必備功能就是進(jìn)行圖像的預(yù)處理、識(shí)別和有效分析，將整個(gè)過(guò)程內(nèi)部的實(shí)際結(jié)果數(shù)值，包括被測(cè)部件的自身缺陷、尺寸等進(jìn)行整理。

1.2 計(jì)算機(jī)視覺微小尺寸精密檢測(cè)工業(yè)應(yīng)用技術(shù)的現(xiàn)狀

在科學(xué)設(shè)計(jì)信息內(nèi)容和工業(yè)加工制備要領(lǐng)集成化對(duì)待的環(huán)節(jié)中，通常不會(huì)直接進(jìn)行部件表面的接觸，一般運(yùn)用計(jì)算機(jī)程序下的掃描認(rèn)知和圖像即時(shí)呈現(xiàn)功能進(jìn)行快速的比對(duì)檢測(cè)，整體信號(hào)抗干擾能力較強(qiáng)，因此在現(xiàn)代工業(yè)生產(chǎn)技術(shù)領(lǐng)域內(nèi)部廣受好評(píng)。電子工業(yè)是在建立計(jì)算機(jī)視覺分析工藝之后表現(xiàn)最為活躍的行業(yè)類型，在此基礎(chǔ)上衍生的印刷電板路和集成電路芯片就是利用標(biāo)準(zhǔn)模型的整改，實(shí)現(xiàn)規(guī)模工序的緊密排列。目前，時(shí)下流行的汽車生產(chǎn)、紡織、商品包裝等也逐漸向這類手段靠攏，全面改善了現(xiàn)代化工業(yè)制備的應(yīng)用效果。

2 應(yīng)用視覺微小尺寸分析技術(shù)內(nèi)部拓展機(jī)能的補(bǔ)充

灰度圖像的主要分割方法包括灰度閾值校正、邊緣檢測(cè)制備等手段。

2.1 灰度閾值校正

這是區(qū)域分割方法中一種常見的手段，主要配合多個(gè)或單個(gè)閾值將圖像自身的灰度級(jí)別劃分為幾個(gè)項(xiàng)目組，對(duì)相同像素的單位數(shù)據(jù)進(jìn)行整編。根據(jù)實(shí)效范圍進(jìn)行分類，包括局部和全局閾值探究?jī)煞N手段，全局規(guī)模下的閾值分析方法就是利用整幅圖的灰度直方分布圖進(jìn)行內(nèi)部最優(yōu)閾值分割，包括單閾值和多閾值兩種形式；同時(shí)還可以將初始分析的圖像進(jìn)行子元素的拆解，之后利用單個(gè)子圖像的既定閾值范圍進(jìn)行最優(yōu)化分割[2]。分割的基本原理公式為：

其中，合理閾值的選取是非常重要的，目前閾值確定的手段主要包括直方圖雙峰對(duì)照法和最大類間方差累積法等。這種利用灰度閾值實(shí)現(xiàn)精準(zhǔn)質(zhì)量的劃分手段，計(jì)算執(zhí)行工作相對(duì)比較簡(jiǎn)單，并且實(shí)際工作效率水平較高，即便是實(shí)際需要分割的物體與圖像背景對(duì)比深度較強(qiáng)也可以收放自如，但唯一的缺點(diǎn)就是缺少對(duì)空間信息的掌控，涉及亮度不足的圖像問(wèn)題，這種閾值分割技術(shù)的施工質(zhì)量往往不會(huì)太高。

2.2 邊緣檢測(cè)制備工序

圖像內(nèi)部元素的分割其實(shí)就是進(jìn)行部件邊界效益的提取，而邊緣檢測(cè)制備工序則是利用像元及鄰域的整體狀態(tài)進(jìn)行物體邊界相關(guān)結(jié)構(gòu)的搭建。邊緣檢測(cè)分割制備技術(shù)具體包括并行和串行兩種模式，并行手法是運(yùn)用梯度信息的提取實(shí)現(xiàn)不同類別算子的整理；串行邊界分割原理則是根據(jù)適當(dāng)強(qiáng)度標(biāo)準(zhǔn)和相似走向的兩個(gè)邊緣端點(diǎn)位置實(shí)現(xiàn)連接，主要代表算法包括啟發(fā)式智能搜索手段等。這種串行算法較并行邊界積累統(tǒng)計(jì)原則來(lái)說(shuō)具有更強(qiáng)的抗干擾能力，但實(shí)際的邊緣檢測(cè)同樣不能完好地維持連續(xù)效果，需要利用其余技術(shù)內(nèi)容進(jìn)行邊緣制備技巧的修復(fù)。

（1）原始圖像 （2）Robert算子邊緣檢測(cè) （3）Sobel算子邊緣檢測(cè)

（4）Prewitt算子邊緣檢測(cè) （5）Kirsch算子邊緣檢測(cè) （6）Gauss-Laplace算子檢測(cè)

圖1 微小雙聯(lián)齒輪邊緣檢測(cè)

3 視覺檢測(cè)系統(tǒng)的創(chuàng)新性改進(jìn)

根據(jù)以上現(xiàn)狀問(wèn)題，創(chuàng)新式視覺整改校驗(yàn)系統(tǒng)利用照明光源、攝像機(jī)和圖像采集卡等結(jié)構(gòu)實(shí)現(xiàn)計(jì)算機(jī)輸出結(jié)果質(zhì)量的補(bǔ)充。其主要運(yùn)行過(guò)程如下：利用被測(cè)部件在均勻照明背景的全面優(yōu)化控制基礎(chǔ)，實(shí)現(xiàn)物體結(jié)構(gòu)的全面清晰呈現(xiàn)，使用攝像機(jī)對(duì)相關(guān)圖像信號(hào)進(jìn)行梳理并轉(zhuǎn)化為電荷信號(hào)，配合相關(guān)的圖像資源采集卡進(jìn)行部件數(shù)字化圖像的格式轉(zhuǎn)化；計(jì)算機(jī)內(nèi)部軟體操作程序?qū)⒌玫降臄?shù)字圖像進(jìn)行處理和識(shí)別，并將最終結(jié)果數(shù)據(jù)輸出，實(shí)現(xiàn)現(xiàn)代工業(yè)技術(shù)整體質(zhì)量規(guī)模控制的既定要求。

系統(tǒng)硬件在實(shí)現(xiàn)部件轉(zhuǎn)化圖像信息的環(huán)節(jié)中，連接檢測(cè)機(jī)理下的連續(xù)軟件規(guī)劃和照明光源等相關(guān)設(shè)備進(jìn)行圖像適當(dāng)分辨率的調(diào)整，維持圖像較為清晰的對(duì)比效果。全面控制獲取數(shù)字圖像的時(shí)間，抵抗不良因素的干擾影響，維持內(nèi)部成本經(jīng)濟(jì)規(guī)模的合理控制，促進(jìn)科技應(yīng)用和可持續(xù)發(fā)展經(jīng)濟(jì)戰(zhàn)略雙重價(jià)值標(biāo)準(zhǔn)的同步進(jìn)展。其中，光源設(shè)備的選擇必須落實(shí)到部件既定的幾何形狀條件下，利用相關(guān)性能參數(shù)進(jìn)行實(shí)際工作要求的提供，包括光源位置、亮度、壽命特性等因素的堆積，常用的可見光源包括水銀燈、熒光燈等，但這類光源使用壽命有限，因此現(xiàn)下多配用LED光源進(jìn)行快捷反應(yīng)、小功耗標(biāo)準(zhǔn)的補(bǔ)充，并且長(zhǎng)期使用后的照明效果比較穩(wěn)定[3]。而攝像機(jī)等結(jié)構(gòu)主要還是校正參數(shù)的表達(dá)方式，進(jìn)行圖像合理分辨率的整改，促進(jìn)圖像采集數(shù)字化協(xié)調(diào)功能的發(fā)展，提高系統(tǒng)工作速度等。

4 結(jié)束語(yǔ)

計(jì)算機(jī)視覺檢測(cè)系統(tǒng)在進(jìn)行一定部件性能評(píng)比的活動(dòng)中有著很高的貢獻(xiàn)，不僅配合硬件的照明、參數(shù)制備要領(lǐng)制備功能，同時(shí)促進(jìn)數(shù)字化圖像對(duì)比的速度，使得工業(yè)生產(chǎn)環(huán)節(jié)中的部件檢查工序得到大范圍整改，滿足可持續(xù)發(fā)展戰(zhàn)略規(guī)模的視覺意義，促進(jìn)現(xiàn)代智能化分析處理技術(shù)的全面覆蓋。

參考文獻(xiàn)：

[1]陸春梅.基于數(shù)字圖像處理技術(shù)的接桿激光環(huán)焊焊縫視覺檢測(cè)系統(tǒng)研究[D].上海交通大學(xué)，2008.

[2]羅敏.基于機(jī)器視覺的黑片缺陷檢測(cè)圖像邊緣提取算法研究[D].沈陽(yáng)理工大學(xué)，2010.

篇4

關(guān)鍵詞：遙感影像；車輛提??；交通檢測(cè)

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）36-0173-02

1 前言

當(dāng)前，遙感技術(shù)迅速發(fā)展，高分辨率遙感影像的研究工作更加廣泛且有效，由于其清晰度高、信息存儲(chǔ)豐富以及現(xiàn)實(shí)性強(qiáng)等特點(diǎn)，使得遙感影像已成為人類獲取地球空間信息的重要數(shù)據(jù)源。同時(shí)基于高分影像對(duì)小尺寸的目標(biāo)提取逐漸成為研究熱點(diǎn)，如對(duì)車輛目標(biāo)的識(shí)別，依據(jù)目標(biāo)的光譜特征、空間幾何特性等獲取道路車輛的點(diǎn)信息，從而利用一定范圍內(nèi)點(diǎn)密度信息的分析對(duì)城市地區(qū)擁堵問(wèn)題具有實(shí)際應(yīng)用價(jià)值。但由于影像存在復(fù)雜的結(jié)構(gòu)使本身所包含自然特征和人工地物的關(guān)系繁瑣，提取信息會(huì)受到各類噪聲的影響，例如在本文針對(duì)北京城區(qū)交通道路上車輛提取的研究中，諸如路面上的交通線、建筑物、綠化樹木的陰影、行人等路面噪聲變得不可忽視，因?yàn)檫@些噪聲所帶來(lái)的誤差使所提取的車輛信息不完整且存在個(gè)別錯(cuò)誤。

2 技術(shù)原理

車輛信息的提取工作主要是利用了遙感影像中車輛所具有的光譜特征和塊狀特征。塊狀特征即遙感影像中的車輛所表現(xiàn)出來(lái)的規(guī)則的大小方塊，車輛的形狀近似矩形，而且面積偏小且范圍集中，車頂?shù)募y理材質(zhì)也與周圍地物有所區(qū)別，故利用其矩形方塊特征能很好與道路分界護(hù)欄、交通車站站頂?shù)葏^(qū)分開。然而，在遙感影像的獲取和傳輸過(guò)程中，噪聲及光照等不可避免地會(huì)使影像丟失一些細(xì)節(jié)，從而造成了圖質(zhì)退化，對(duì)于后期圖像信息的提取和處理影響較大，故而對(duì)影像的增強(qiáng)處理必不可少。該操作可以有效改善影像質(zhì)量，對(duì)影像中某些特性的視覺增強(qiáng)效果顯著。然后，經(jīng)過(guò)低通濾波處理，可以去掉影像中一些高頻的噪聲點(diǎn)，再恰當(dāng)?shù)厥褂娩J化高通濾波突出邊緣特征，更加方便后續(xù)車輛信息的提取工作。

接著，對(duì)試驗(yàn)區(qū)域的車輛信息采用影像分割技術(shù)進(jìn)行提取，目前所知的圖像分割方法有基于區(qū)域分割方法、閾值的分割方法、邊緣檢測(cè)方法等，而本文基于envi的車輛提取研究主要采用基于邊緣的分割算法，這種算法計(jì)算效率高，而且要產(chǎn)生多尺度分割結(jié)果僅需一個(gè)輸入?yún)?shù)。在進(jìn)行分割操作時(shí)，首先要_定分割閾值，由于分割后的圖斑多少與尺度的選擇緊密相關(guān)，為了能盡量分出很少的圖斑通常選擇高尺度影像分割。分割效果的好壞一定程度決定了分類效果的精確度，通過(guò)不斷的試驗(yàn)選擇一個(gè)理想的分割閥值，通過(guò)選取合適的閾值可以去除很多零散的噪聲點(diǎn)，盡量分割出較好、較完整的邊緣特征，其基本原理是通過(guò)不同閾值的設(shè)定，將影像的像素點(diǎn)拆分若干類。在整個(gè)過(guò)程中，較難處理的就是圖像平滑過(guò)程中會(huì)隱去一些邊緣信息，而銳化過(guò)程又會(huì)增加很多不必要的噪聲，在多次實(shí)驗(yàn)中發(fā)現(xiàn)依經(jīng)驗(yàn)手動(dòng)選取閾值的效果往往比較好。

最后，要提取出感興趣的車輛信息，使用邊緣提取算法效果不錯(cuò)。在基于envi的實(shí)驗(yàn)中采用了基于邊緣檢測(cè)分割，較完整的提取出道路中的車輛信息，包括其中較暗的一些車輛，可以達(dá)到最佳效果；而如果采用基于亮度的檢測(cè)算法則會(huì)漏掉許多光譜信息不滿足的車輛，造成實(shí)驗(yàn)效果的不準(zhǔn)確、不理想。

3 技術(shù)流程

對(duì)影像通過(guò)rpc矯正、配準(zhǔn)和融合后，即可通過(guò)特征提取方法對(duì)高分遙感影像中較擁堵路段的車輛進(jìn)行提取。此部分選用2015年2月17日上午11時(shí)22分影像中崇文門內(nèi)大街路段作為試驗(yàn)對(duì)象，展開本文的研究。

1）對(duì)影像中崇文門內(nèi)大街區(qū)域的車輛信息進(jìn)行增強(qiáng)操作。為減少錯(cuò)誤提取及漏檢率，提高車輛提取操作的準(zhǔn)確性，我們需要采用影像增強(qiáng)的辦法突出影像中一些較暗的車輛信息，并加強(qiáng)車輛與其他地物的差別。根據(jù)試驗(yàn)要求，我們采用了直方圖均衡化、線性濾波及同態(tài)濾波三種增強(qiáng)方法進(jìn)行試驗(yàn)比較，以選擇效果較好的一種作為試驗(yàn)依據(jù)。通過(guò)試驗(yàn)發(fā)現(xiàn)，利用直方圖均衡化方法處理影像后，影像的整體亮度增加，原本較暗的車輛信息變得明顯，但是由于直方圖處理是整體拉伸凸顯的灰度，所以在原本較亮的車輛周圍的地物也變得比較亮；而同態(tài)濾波對(duì)影像的增強(qiáng)操作效果也不錯(cuò)，與直方圖處理相比，僅僅是車輛的信息更明顯，這主要是因?yàn)榉瓷淞吭诓煌匚锏慕唤缣幨羌眲∽兓模窃谲囕v周圍產(chǎn)生了許多細(xì)小的噪聲點(diǎn)，這些噪聲點(diǎn)對(duì)車輛的提取也會(huì)有一定程度的阻礙；線性濾波增強(qiáng)較之前兩種方法產(chǎn)生的噪聲點(diǎn)相對(duì)較少，并較好反映了車輛與地物的光譜差別，而車輛信息的顯示效果也有明顯的增強(qiáng)，故通過(guò)比較認(rèn)為，選用線性增強(qiáng)的方法更為適合。如下圖1、圖2所示，未經(jīng)線性增強(qiáng)和經(jīng)線性增強(qiáng)后的影像中的車輛信息明顯度差別較大：

2）對(duì)所選影像區(qū)域進(jìn)行圖像分割。該實(shí)驗(yàn)根據(jù)臨近像素亮度、顏色、紋理等對(duì)影像進(jìn)行分割，通過(guò)基于邊緣檢測(cè)的算法較好完成了圖像分割的操作，如圖3所示。

3）在完成對(duì)影像的分割操作后，接著提取該影像的總車輛特征。在試驗(yàn)中，為提取得到車輛信息，主要利用了與幾何形狀、面積等相關(guān)的特征以及光譜、紋理特征。 在多次試驗(yàn)中，首先使用矩形度和面積等特征找出影像中與車輛面積和形狀相近的對(duì)象，再利用光譜特征進(jìn)一步優(yōu)化提取要素，發(fā)現(xiàn)一些前兩步?jīng)]有找出的對(duì)象，最終得到試驗(yàn)區(qū)域（崇文門內(nèi)大街）整體的車輛提取shp文件，如圖4所示。

在特征規(guī)則的選取過(guò)程中，要達(dá)到較好的效果，一定需要反復(fù)多次細(xì)致地調(diào)節(jié)參數(shù)，得到信息提取效果圖如圖5所示。

通過(guò)基于規(guī)則的特征提取方法得到如上圖的提取結(jié)果后，接下來(lái)便是對(duì)車輛信息進(jìn)行量化分析，以判斷該條道路上的交通擁堵級(jí)別。該部分試驗(yàn)主要基于arcgis的空間分析功能，載入對(duì)崇文門內(nèi)大街試驗(yàn)影像進(jìn)行提取操作后所得到的車輛信息shp文件，利用feature to point工具將車輛的面狀信息轉(zhuǎn)化為點(diǎn)信息，如圖6所示：

4 結(jié)論

本論文以高分二號(hào)遙感衛(wèi)星影像作為研究來(lái)源，采用邊緣檢測(cè)算法和規(guī)則分類辦法對(duì)道路車輛信息進(jìn)行提取，并利用該提取信息進(jìn)行空間分析得到道路交通擁堵狀況。從實(shí)驗(yàn)結(jié)果看，高分辨率遙感影像通過(guò)線性增強(qiáng)后排除了噪聲影響并強(qiáng)化了車輛與其他地物的灰度差別，后采用邊緣檢測(cè)算法分割影像能更有效地提取車輛信息，結(jié)果的正確率和識(shí)別率都保持在80%以上。但是，現(xiàn)階段在高分辨率遙感影像上提取車輛信息依舊面臨較多問(wèn)題，試驗(yàn)中發(fā)現(xiàn)，在對(duì)一定范圍內(nèi)、特定時(shí)刻的車輛信息的提取過(guò)程中，在樹蔭、樓房陰影、立交橋上車量信息在影像上是看不見的，在某些對(duì)比度很高的影像上，如果車輛正好處于房屋的陰影區(qū)，也是很難被檢測(cè)到的。所以在這些方面，還需要某些特定的算法對(duì)影像對(duì)象的特征進(jìn)一步的試驗(yàn)和總結(jié)。

參考文獻(xiàn)：

[1] 張素蘭.基于衛(wèi)星遙感影像的交通狀態(tài)判別研究[D].北京交通大學(xué)，2010.

篇5

關(guān)鍵詞：機(jī)器視覺；四軸飛行器；位姿估計(jì)

DOIDOI：10.11907/rjdk.171358

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）006-0120-04

0 引言

視覺導(dǎo)航技術(shù)具有設(shè)備簡(jiǎn)單、信息量大、抗電子對(duì)抗和無(wú)源性強(qiáng)等特點(diǎn)，其作為自主飛行器的輔助導(dǎo)航技術(shù)已經(jīng)受到業(yè)界人士的高度重視，是目前無(wú)人飛行器導(dǎo)航技術(shù)領(lǐng)域中的研究熱點(diǎn)。機(jī)載攝像機(jī)是飛行器的“眼睛”，通過(guò)它，飛行器可以實(shí)現(xiàn)避障、位姿估計(jì)以及目標(biāo)識(shí)別等。因此，將計(jì)算機(jī)視覺運(yùn)用行器輔助導(dǎo)航具有明顯優(yōu)勢(shì)[1-2]。

基于特征點(diǎn)的視覺導(dǎo)航方法，是近年來(lái)視覺導(dǎo)航領(lǐng)域研究較為活躍的內(nèi)容之一。其基本原理為：將攝像機(jī)裝載在飛行器上，并在參考目標(biāo)上預(yù)先設(shè)置已知的特征點(diǎn)，通過(guò)提取已知特征點(diǎn)對(duì)應(yīng)的圖像坐標(biāo)，根據(jù)攝像機(jī)透視投影模型，實(shí)時(shí)估計(jì)出攝像機(jī)相對(duì)于參考目標(biāo)的位置姿態(tài)。

本文設(shè)計(jì)了由3個(gè)黑色正方形和1個(gè)黑色三角形組成的平面著陸目標(biāo)圖案，以正方形和三角形頂點(diǎn)為圖像特征點(diǎn)，提出了一種基于平面單應(yīng)性變換的圖形特征點(diǎn)實(shí)時(shí)提取標(biāo)記方法，利用提取的特征點(diǎn)圖像坐標(biāo)及對(duì)應(yīng)的世界坐標(biāo)，實(shí)時(shí)估計(jì)攝像機(jī)的位置參數(shù)，將其作為飛行器視覺導(dǎo)航信號(hào)。

1 著陸標(biāo)志物及特征點(diǎn)標(biāo)記

本文設(shè)計(jì)的著陸圖案如圖1（a）所示。著陸圖案的邊長(zhǎng)為60mm，其中小正方形的邊長(zhǎng)為20mm，等腰直角三角形的直角邊長(zhǎng)為20mm。在著陸圖案中，黑白相間的角點(diǎn)即為設(shè)計(jì)的特征標(biāo)記點(diǎn)集。著陸圖案可以分成4個(gè)部分，形狀包括兩種類型：I型和II型。如圖1（b）所示，定義著陸目標(biāo)圖案的中心為世界坐標(biāo)系原點(diǎn)，類型I的區(qū)域中心處于世界坐標(biāo)系的X軸正半軸，類型II的區(qū)域中心依次分布在其余軸線上，采用右手法則來(lái)確定Z軸，可以看到各特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)是明確的。

針對(duì)所設(shè)計(jì)的著陸目標(biāo)圖案，圖像處理的目的是確定標(biāo)志點(diǎn)的位置，然后提取和標(biāo)識(shí)出這些特征點(diǎn)。本文中的圖像處理算法流程如圖2所示，這里首先使用攝像機(jī)獲取圖像，然后對(duì)圖像進(jìn)行預(yù)處理，主要包括圖像濾波、閾值分割等，最后檢測(cè)與提取特征點(diǎn)，使用標(biāo)記算法對(duì)其進(jìn)行標(biāo)記。

主要算法如下：

（1）閾值分割。閾值分割是指根據(jù)像素的灰度、顏色、紋理等特性按照一定的原則將一副圖像或景物分割成若干個(gè)特定的、具有獨(dú)特性質(zhì)的部分或者子集，并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。閾值分割后圖像如圖3（b）所示。

（2）邊緣檢測(cè)。邊緣是不同區(qū)域的分界線，是圖像局部強(qiáng)度變化最顯著的那些像素的集合。本文邊緣檢測(cè)的目的是提取圖像中3個(gè)四邊形的邊緣和1個(gè)三角形的邊緣。邊緣提取后圖像如圖3（c）所示。

（3）角點(diǎn)檢測(cè)。圖像中的角點(diǎn)是指圖像中具有高曲率的點(diǎn)，本文使用的是Harris角點(diǎn)檢測(cè)算法[3]。角點(diǎn)檢測(cè)后圖像如圖3（d）所示。

（4）分割標(biāo)志圖案上的三角形。首先篩選出連通區(qū)域輪廓，對(duì)提取的輪廓進(jìn)行直線簡(jiǎn)化，然后計(jì)算4個(gè)區(qū)域輪廓的周長(zhǎng)為：Ci（i=1～4）。搜索4個(gè)周長(zhǎng)中的最小值min（Ci），則min（Ci）所對(duì)應(yīng)的區(qū)域I即為三角形區(qū)域。

3 實(shí)驗(yàn)

得到特征點(diǎn)的像素坐標(biāo)系的坐標(biāo)（u，v）及世界坐標(biāo)系的坐標(biāo)（xw，yw，zw）后，根據(jù)兩步法標(biāo)定原理，利用Matlab/GUI工具 [9]，得到位姿估計(jì)模型GUI界面如圖6所示。

本文采用如下方案來(lái)驗(yàn)證所建立的位姿估計(jì)模型的正確性[10]，在著陸目標(biāo)平板上繪制兩個(gè)相同的特征圖案，如圖7所示，設(shè)定它們的距離分別為100mm、150mm、200mm、250cm和300mm。

將攝像機(jī)（攝像機(jī)為Prosilica GT2750 CCD工業(yè)相機(jī)、16mm鏡頭，圖像大小為像素）固定在著陸目標(biāo)圖案的上方對(duì)該著陸目標(biāo)圖案進(jìn)行拍照，然后利用上述位姿估計(jì)模型解算出相對(duì)位置估計(jì)測(cè)量值，得到表1的測(cè)量結(jié)果。由表1可知，位置估計(jì)誤差在11mm以內(nèi)，本文建立的位姿估計(jì)模型基本滿足位置估計(jì)要求。

4 結(jié)語(yǔ)

本文以飛行器自主著陸階段為研究對(duì)象，根據(jù)攝像機(jī)透視投影成像關(guān)系，建立了飛行器視覺位姿估計(jì)模型，設(shè)計(jì)了一種著陸目標(biāo)圖案，并對(duì)其進(jìn)行圖像處理、角點(diǎn)提取和特征點(diǎn)標(biāo)記，利用兩步法攝像機(jī)標(biāo)定原理對(duì)攝像機(jī)位姿進(jìn)行了解算，使用Matlab/GUI工具對(duì)該算法加以實(shí)現(xiàn)，最后利用實(shí)驗(yàn)室現(xiàn)有的條件對(duì)其進(jìn)行了驗(yàn)證。結(jié)果證明，本文提出的圖像處理及相關(guān)位姿估計(jì)算法具有一定的導(dǎo)航精度。但是由于需要進(jìn)行大量的圖像處理，耗時(shí)較多，還很難滿足飛行器自主著陸階段實(shí)時(shí)性的要求，因此縮短圖像處理時(shí)間將是后續(xù)研究的重點(diǎn)。

參考文獻(xiàn)：

[1]SRIKANTH SARIPALLI，JAMES F MONTGOMERY，et al.Vision-based autonomous landing of an unmanned aerial vehicle[C].Proceedings of the 2002 IEEE International Conference on Robotics & Automation，2002： 2799-2804.

[2]COURTNEY S SHARP，OMID SHAKENIA，S SHANKAR SASTRY.A vision system for landing an unmanned aerial vehicle[C].Proceedings of the 2001 IEEE International Conference on Robotics & Automation，2001：1720-1727.

[3]趙文斌，張艷寧.角點(diǎn)檢測(cè)技術(shù)綜述[J].計(jì)算機(jī)應(yīng)用研究，2006，10（1）：17-20.

[4]邱力為，宋子善，沈?yàn)槿?用于無(wú)人直升機(jī)著艦控制的計(jì)算機(jī)視覺技術(shù)研究[J].航空學(xué)報(bào)，2003，24（4）：351-354.

[5]TSAI R Y.An efficient and accurate camera calibration technique for 3D machine vision[C].In Proc.CVPR，1986：364-374.

[6]w明.基于圖像的物體尺寸測(cè)量算法研究[J].軟件導(dǎo)刊，2016，15（11）：48-52.

[7]樊冬雪.四軸飛行器視覺導(dǎo)航系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)技術(shù)與用，2014，40（8）：140.

[8]阮利鋒.小型無(wú)人直升機(jī)自主著陸視覺導(dǎo)航系統(tǒng)設(shè)計(jì)及仿真[D].上海：上海交通大學(xué)，2009.

篇6

【關(guān)鍵詞】四幀差分 邊緣檢測(cè) 閾值分割

1 引言

運(yùn)動(dòng)目標(biāo)檢測(cè)處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測(cè)結(jié)果的好壞將直接影響后續(xù)的處理效果，故其技術(shù)發(fā)展和應(yīng)用前景受到廣泛關(guān)注。目前常用的運(yùn)功目標(biāo)檢測(cè)算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運(yùn)動(dòng)目標(biāo)，但對(duì)光照及外部條件引起的動(dòng)態(tài)場(chǎng)景變化過(guò)于敏感；光流法是基于對(duì)光流場(chǎng)的估算進(jìn)行檢測(cè)分割的方法，計(jì)算復(fù)雜，須有特殊硬件設(shè)備支持，實(shí)時(shí)性差；幀差法是根據(jù)圖像中像素點(diǎn)的灰度差計(jì)算出運(yùn)動(dòng)物體的位置和形狀等信息，這種方法對(duì)于動(dòng)態(tài)環(huán)境有很好的適應(yīng)性，算法簡(jiǎn)單，易于實(shí)現(xiàn)，但不能提取出較完整的運(yùn)動(dòng)目標(biāo)。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，計(jì)算簡(jiǎn)單，實(shí)驗(yàn)結(jié)果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

2 融合邊緣檢測(cè)的四幀差分運(yùn)動(dòng)目標(biāo)檢測(cè)

2.1 預(yù)處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對(duì)圖像進(jìn)行灰度化。另外，圖像獲取過(guò)程中不可避免的存在諸如斑點(diǎn)噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對(duì)原始圖像進(jìn)行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強(qiáng)抗干擾能力。

2.2 Canny 邊緣檢測(cè)算法

邊緣作為圖像的最基本特征廣泛存在于目標(biāo)物與背景之間、目標(biāo)物與目標(biāo)物之間，在圖像處理中有著重要的作用和廣泛的應(yīng)用。目前常用的邊緣檢測(cè)算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡(jiǎn)單，易于實(shí)現(xiàn)且具有很好的實(shí)時(shí)性，但抗干擾性能差，對(duì)噪聲較敏感且邊緣的精度有待提高?；谧顑?yōu)化算法的 Canny 邊緣檢測(cè)算子，是先采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，再進(jìn)行邊緣檢測(cè)，提取的邊緣線形連接較為完整，定位準(zhǔn)確性較高，效果較好。本文采用此方法對(duì)序列幀圖像進(jìn)行邊緣提取。.

Canny算子的基本原理是通過(guò)查找圖像梯度強(qiáng)度局部的最大值的方法來(lái)得到邊緣信息，圖像梯度的計(jì)算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測(cè)的精度，Canny采用雙閾值來(lái)提取邊緣像素點(diǎn)。如果梯度強(qiáng)度不滿足高閾值的檢測(cè)條件，但是與己檢測(cè)出的較強(qiáng)邊緣點(diǎn)相連接，并且滿足低閾值條件，則確定為弱邊緣點(diǎn)。雙閾值法使得采用Canny算子提取邊緣點(diǎn)更具有魯棒性。

Canny算法的實(shí)現(xiàn)步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對(duì)需要處理的圖像進(jìn)行平滑濾波，得到平滑圖像；

（2）梯度計(jì)算：用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度的幅值和方向；

（3）量化梯度方向：對(duì)梯度方向進(jìn)行量化，使其只有8個(gè)方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對(duì)于每一個(gè)梯度強(qiáng)度非零的像素點(diǎn)，查找沿其量化后的梯度方向的兩個(gè)相鄰像素點(diǎn)，然后通過(guò)閾值判斷為非邊緣點(diǎn)還是候選邊緣點(diǎn)；

（5）雙閾值判決：設(shè)定雙閡值，進(jìn)一步判斷候選邊緣點(diǎn)為強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)還是非邊緣點(diǎn)；

（6）邊緣連接：對(duì)于弱邊緣點(diǎn)，如果它與強(qiáng)邊緣點(diǎn)在8連通區(qū)域相連，則該點(diǎn)記為弱邊緣點(diǎn)，同時(shí)將其邊緣提取置為1，所有標(biāo)記為1的點(diǎn)就成了最后的邊緣。

2.3 連續(xù)四幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測(cè)出運(yùn)動(dòng)目標(biāo)的輪廓，但其所檢測(cè)出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時(shí)傳統(tǒng)三幀差分算法不能完整提取目標(biāo)信息。本文采用如下改進(jìn)幀間差分法，即連續(xù)四幀差分算法，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設(shè)預(yù)處理后的連續(xù)四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運(yùn)算，得到差分結(jié)果：

（1）

（2）

然后將差分后的結(jié)果D1與D2二值化處理后進(jìn)行“與”運(yùn)算，得到結(jié)果DA=D1D2，“與”運(yùn)算能夠有效的克制目標(biāo)重疊現(xiàn)象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，首先采用Canny邊緣檢測(cè)算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運(yùn)動(dòng)目標(biāo)輪廓，最后通過(guò)后期一系列處理提取出準(zhǔn)確完整的運(yùn)動(dòng)目標(biāo)區(qū)域。本文算法整體流程如圖1所示。

2.5 形態(tài)學(xué)處理

由于干擾因素的存在，導(dǎo)致我們得到的二值化圖像中往往會(huì)出現(xiàn)噪聲及空洞，可以通過(guò)數(shù)學(xué)形態(tài)學(xué)對(duì)其進(jìn)行后處理。首先采用腐蝕運(yùn)算消除二值圖像中的孤立噪聲點(diǎn)，再采用膨脹運(yùn)算來(lái)填充運(yùn)動(dòng)目標(biāo)的邊緣空洞。

3 實(shí)驗(yàn)對(duì)比

本文采用 Matlab 進(jìn)行仿真實(shí)驗(yàn)，為驗(yàn)證算法的有效性，分別利用傳統(tǒng)三幀差分法、四幀差分法以及本文算法對(duì)同一組 AVI 視頻序列圖像進(jìn)行測(cè)試。檢測(cè)結(jié)果如圖2所示。

分別采用傳統(tǒng)三幀差分算法、四幀差分算法及本文算法對(duì)原始圖像進(jìn)行處理，原始圖像中右邊白色衣服人物是靜止不動(dòng)的，處理結(jié)果如圖2所示。由圖可知，采用傳統(tǒng)三幀差分算法檢測(cè)到的目標(biāo)輪廓不連續(xù)，四幀差分法得到的圖像目標(biāo)輪廓更清晰，內(nèi)容更為豐富，但輪廓依然不完整，而采用本文算法檢測(cè)得到的目標(biāo)輪廓更加完整清晰，結(jié)果準(zhǔn)確。

4 結(jié)論

本文融合圖像邊緣信息與四幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，首先采用Canny邊緣檢測(cè)算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運(yùn)動(dòng)目標(biāo)輪廓，最后通過(guò)后期一系列處理提取出準(zhǔn)確完整的運(yùn)動(dòng)目標(biāo)區(qū)域。實(shí)驗(yàn)結(jié)果表明本文算法能夠快速準(zhǔn)確檢測(cè)出運(yùn)動(dòng)目標(biāo)，進(jìn)一步改進(jìn)了傳統(tǒng)三幀差分目標(biāo)輪廓不連續(xù)現(xiàn)象，計(jì)算簡(jiǎn)單，可滿足實(shí)時(shí)性檢測(cè)需求。

參考文獻(xiàn)

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法分析[J].現(xiàn)代電子技術(shù)，2009.

[2]蔣.人體運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤關(guān)系問(wèn)題研究[D].中南林業(yè)科技大學(xué)，2013.

[3]劉辰飛.智能視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤[D].濟(jì)南大學(xué)，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測(cè)的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（1）.

[5]許錄平.數(shù)字圖像處理[M].北京：科學(xué)出版社，2007.

[6]張德豐.MATLAB 數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2009.

[7]邵廣安.視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法的研究[D].南昌大學(xué)，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進(jìn) Canny 算子與圖像形態(tài)學(xué)融合的邊緣檢測(cè)方法[J].微型機(jī)與應(yīng)用，2011，30（10）

作者簡(jiǎn)介

張鵬（1988-），男，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士研究生。主要研究方向?yàn)樾盘?hào)與信息處理、圖像處理。

李思岑（1989-），女，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士研究生。主要研究方向?yàn)榍度胧郊夹g(shù)及應(yīng)用、圖像處理。

楊燕翔（1963-），男，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士生導(dǎo)師。主要研究方向?yàn)楝F(xiàn)代信號(hào)處理、嵌入式技術(shù)及應(yīng)用。

篇7

關(guān)鍵字：計(jì)算機(jī)視覺； 公路標(biāo)識(shí)線； 圖像分割； 數(shù)學(xué)形態(tài)學(xué)； 識(shí)別

1.引言

20世紀(jì)80年代，伴隨著與機(jī)器人技術(shù)密切相關(guān)的計(jì)算機(jī)、電子、通信技術(shù)的飛速發(fā)展，智能車輛進(jìn)入了深入、系統(tǒng)、大規(guī)模研究階段并且取得了突破性的發(fā)展[1，2]，如國(guó)外的有德國(guó)的VaMP車輛系統(tǒng)[3]、美國(guó)的NavLab系統(tǒng)[4，5]等，國(guó)內(nèi)的有清華大學(xué)的THMR-V[6]、吉林大學(xué)最新研制的JLUIV-IV等。在智能車輛導(dǎo)航技術(shù)方面，計(jì)算機(jī)視覺系統(tǒng)與初期的地下埋電纜的方式以及道路中間鋪設(shè)磁塊導(dǎo)航的方式等相比有著價(jià)格低廉，用途多樣，結(jié)構(gòu)簡(jiǎn)單，能方便與其他傳感器進(jìn)行數(shù)據(jù)融合等特點(diǎn)，所以有著廣泛的應(yīng)用前景。智能車輛導(dǎo)航的第一步是道路的檢測(cè)與識(shí)別。高速公路運(yùn)輸?shù)母咝?、大運(yùn)量、低成本等優(yōu)勢(shì)使研究智能車輛面向高速公路的道路的檢測(cè)與識(shí)別算法很有必要。道路識(shí)別就是分析智能車輛的預(yù)瞄圖像，檢測(cè)出車輛相對(duì)于車道的偏差，并將偏差信息送給車輛系統(tǒng)，從而實(shí)現(xiàn)汽車“防偏安全行駛”。本文描述的一種對(duì)預(yù)瞄圖像進(jìn)行圖像分割、數(shù)學(xué)形態(tài)學(xué)濾波、輪廓提取，改進(jìn)的區(qū)域填充等識(shí)別出道路標(biāo)識(shí)線的算法，實(shí)驗(yàn)表明具有良好的實(shí)時(shí)性、可靠性。

本文所用的圖像處理方法并不需要考慮圖像降質(zhì)的原因，只將圖像中感興趣的特征能有選擇地突出，衰減其不需要的特征。為了減少運(yùn)算時(shí)間我們首先將圖像由24位的RGB格式轉(zhuǎn)為256色的灰度圖像，整個(gè)實(shí)驗(yàn)的處理流程如圖1所示，下面分別闡述各部分的原理。

2.1 圖像分割f （x，y）

圖像分割是對(duì)圖像進(jìn)一步分析、識(shí)別的前提，分割的準(zhǔn)確性將直接影響后續(xù)處理技術(shù)的有效性。圖像分割的方法有多種，比如閾值分割，區(qū)域分裂與合并以及區(qū)域生長(zhǎng)等。本文選用的是閾值分割，閾值分割時(shí)最常用的一種圖像分割技術(shù)，其特點(diǎn)是操作簡(jiǎn)單，基本原理是通過(guò)設(shè)定不同的特征閾值，把圖像像素點(diǎn)分為若干類。設(shè)初始圖像為f （x，y），按照一定的準(zhǔn)則在f （x，y）中找到特征值T，將圖像分割為兩個(gè)部分――前景或者背景，分割后的圖像為：若取b0=0（黑），b1=1（白）即為我們通常所說(shuō)的圖像二值化。然而T的選擇將直接影響分割的準(zhǔn)確性以及由此產(chǎn)生的圖像描述、分析的正確性。確定T的方法有多種，比如直方圖變化法，Otsu法，迭代閾值算法等。本文主要研究并實(shí)現(xiàn)了迭代閾值法[7]，算法步驟為：

2.2 數(shù)學(xué)形態(tài)學(xué)

腐蝕是一種最基本的數(shù)學(xué)形態(tài)運(yùn)算，其作用是消除物體邊界點(diǎn)，使邊界向內(nèi)部收縮過(guò)程，可以把小于結(jié)構(gòu)元素的物體去除。這樣選取不同大小的結(jié)構(gòu)元素，就可以去除不同大小的物體。每當(dāng)在目標(biāo)圖像中找到一個(gè)與結(jié)構(gòu)元素相同的子圖像時(shí)，就把該子圖像中結(jié)構(gòu)元素的原點(diǎn)位置對(duì)應(yīng)的那個(gè)像素位置標(biāo)注出來(lái)，目標(biāo)圖像上被標(biāo)注出來(lái)的所有像素組成的集合，即為腐蝕運(yùn)算的結(jié)果。其實(shí)質(zhì)就是在目標(biāo)圖像中標(biāo)出那些與結(jié)構(gòu)元素相同的自圖像的原點(diǎn)位置的像素。設(shè)a為目標(biāo)圖像，b為結(jié)構(gòu)元素，則目標(biāo)圖像a被結(jié)構(gòu)元素b腐蝕的數(shù)學(xué)表達(dá)式為：

其中，x表示集合平移的位移量， 是腐蝕運(yùn)算的運(yùn)算符。

膨脹是數(shù)學(xué)形態(tài)學(xué)的另一種基本運(yùn)算。膨脹的作用與腐蝕剛好相反，其作用是是對(duì)二值化物體邊界點(diǎn)進(jìn)行擴(kuò)充，將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過(guò)程。如果兩個(gè)物體之間的距離比較近，則膨脹運(yùn)算可能會(huì)把兩個(gè)物體連通到一起，膨脹對(duì)填補(bǔ)圖像分割后物體中的空洞很有用。其實(shí)質(zhì)就是先對(duì)結(jié)構(gòu)元素b做關(guān)于其原點(diǎn)的反射得到反射集合bv，然后在目標(biāo)圖像a上將bv平移x，則那些bv平移后與目標(biāo)圖像a至少有一個(gè)非零公共元素相交時(shí)，對(duì)應(yīng)的原點(diǎn)位置所組成的集合就是膨脹運(yùn)算的結(jié)果。

設(shè)a為目標(biāo)圖像，b為結(jié)構(gòu)元素，則目標(biāo)圖像a被結(jié)構(gòu)元素b膨脹的數(shù)學(xué)表達(dá)式為：

其中，x表示集合平移的位移量， 是膨脹運(yùn)算的運(yùn)算符。

開運(yùn)算也是數(shù)學(xué)形態(tài)學(xué)中的一種基本運(yùn)算，使用同一個(gè)結(jié)構(gòu)元素對(duì)目標(biāo)圖像先進(jìn)行腐蝕運(yùn)算，再進(jìn)行膨脹運(yùn)算的過(guò)程。原圖經(jīng)過(guò)開運(yùn)算后，能夠去除孤立的小點(diǎn)、毛刺和小的連通區(qū)域，去除小物體，平滑大物體的邊界，同時(shí)并不明顯改變面積。設(shè)a為目標(biāo)圖像，b為結(jié)構(gòu)元素，則結(jié)構(gòu)元素b對(duì)目標(biāo)圖像a的開運(yùn)算數(shù)學(xué)表達(dá)式為：

2.3 輪廓提取與邊界跟蹤

輪廓提取的目的是獲取目標(biāo)區(qū)域的外部輪廓特征，為形狀分析和目標(biāo)識(shí)別做準(zhǔn)備。二值圖像的輪廓提取算法很簡(jiǎn)單，就是掏空目標(biāo)區(qū)域的內(nèi)部點(diǎn)。假設(shè)圖像的目標(biāo)像素是白色，背景像素是黑色，則如果圖像中的某個(gè)像素為黑色，且它的8個(gè)鄰點(diǎn)都是黑色時(shí)，表明該點(diǎn)是內(nèi)部點(diǎn)，否則是邊界點(diǎn)。將判斷出的內(nèi)部像素置為背景色，對(duì)所有內(nèi)部像素執(zhí)行操作便可完成圖像輪廓的提取。所謂的邊界跟蹤就是依次記錄下邊界上的各個(gè)像素，是按照某種順序依次找出物體上的其余像素，直到又回到起始點(diǎn)，完成整條邊界的跟蹤。本文按照從左到右，從上到下的順序掃描圖像，找到目標(biāo)物體最左邊的邊界點(diǎn)P0，顯然，這個(gè)點(diǎn)的左側(cè)及上側(cè)都不可能存在邊界點(diǎn)，因此不妨從左下方向逆時(shí)針開始探查，如左下方的點(diǎn)是黑點(diǎn)，直接跟蹤至此邊界點(diǎn)，否則探查方向逆時(shí)針45度，直至找到第一個(gè)黑點(diǎn)為止，跟蹤至此邊界點(diǎn)。找到邊界點(diǎn)后，在當(dāng)前探查方向的基礎(chǔ)上順時(shí)針回轉(zhuǎn)90度，繼續(xù)用上述方法搜索下一個(gè)邊界點(diǎn)，直到探查又回到初始過(guò)程的邊界點(diǎn)P0，則可完成整條邊界的跟蹤[8]。

2.4 種子區(qū)域填充

種子區(qū)域填充就是在已有的邊界內(nèi)取一點(diǎn)，從改點(diǎn)開始填充整個(gè)邊界包圍的區(qū)域，取得該點(diǎn)就是“種子”。對(duì)于4連通的邊界，其圍成的內(nèi)部區(qū)域是8連通的，而8連通的邊界圍成的內(nèi)部區(qū)域卻是4連通的。其算法概要如下：

種子的選取時(shí)種子區(qū)域填充的關(guān)鍵所在，一般的情況下是將種子點(diǎn)選在圖像的中間或通過(guò)人工選擇種子點(diǎn)，這些都不能滿足智能車輛的要求。由于本文研究的是高速公路的道路識(shí)別，因其道路平坦，障礙物少等原因，我們可以通過(guò)先驗(yàn)知識(shí)將車載攝像頭的角度調(diào)制到一定角度以減少我們不感興趣的區(qū)域。本文通過(guò)研究與實(shí)驗(yàn)發(fā)現(xiàn)將種子點(diǎn)設(shè)置為高度的1/2，寬度的1/5能達(dá)到本文的要求。具體效果在實(shí)驗(yàn)分析可見。

3.實(shí)驗(yàn)結(jié)果與分析

在進(jìn)行圖像分割后可以獲得道路的二值圖。圖2針對(duì)此二值圖依次進(jìn)行數(shù)學(xué)形態(tài)學(xué)濾波，輪廓提取與邊界跟蹤，種子區(qū)域填充，開運(yùn)算去除噪聲。下面是每步運(yùn)行完的效果圖以及最終的道路標(biāo)志線識(shí)別圖。

4.結(jié)論

本文對(duì)車載攝像系統(tǒng)采集的圖像進(jìn)行圖像分割、數(shù)學(xué)形態(tài)學(xué)濾波、輪廓提取，改進(jìn)的區(qū)域填充等算法識(shí)別出道路標(biāo)識(shí)線，通過(guò)調(diào)節(jié)車載攝像機(jī)的角度獲取感興趣區(qū)域，減少圖像處理時(shí)間和提高道路識(shí)別的可靠性。實(shí)驗(yàn)表明，該算法在彎道和直道的道路標(biāo)志線的識(shí)別具有良好的實(shí)時(shí)性、可靠性。

參考文獻(xiàn)

[1] Figueiredo L， Jesus I，Machado， J A T_ Towards the development of intelligent transportation systems [C].Intelligent Transportation Systems， Proceedings IEEE， 2001：1206-1211.

[2] 楊東凱，吳令培，張其善. 智能交通系統(tǒng)（工TS）的發(fā)展及其模型化研究[J]. 北京航空航天大學(xué)學(xué)報(bào)，2000，26（1）： 22-25.

[3] Dickmanns E D， etc. The Seeing Passenger Car‘VaMoRs-P’[C]. Proceedings 1994 IEEE Symposia on Intelligent Vehicle. IEEE Press Piscataway， N J， 1994：68-73.

[4] Jochem T M， Balu}a S. A Massively Parallel Road Follower[C] .Computer Architectures for Machine Perception， 1993：2-12.

[5] Thorpe C， Hebert M H， etc. Vision and Navigation for the Carnegie- Mellon Navlab [J]. IEEE Transaction on Pattern and Machine Intelligence. 1988， PAMI-10（3）：362-373.

[6] ，徐光. 視覺導(dǎo)航的多尺度全方位時(shí)空?qǐng)D像綜合理解[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版），1997.37（3）： 12-15.

篇8

關(guān)鍵字：片劑；表面缺陷；邊緣檢測(cè)；算法比較

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-9599 (2011) 11-0000-02

Edge Detection Algorithm Comparison and Implementation in Tablet Surface Defect Detection Method

Li Guopei Xiao Lijing Zeng Jiexian

(Jiangxi Nanchang Hangkong University,Nanchang330063,China)

Abstract:This paper analyzes several edge detection algorithm and the basic principles,

comparing the advantages and disadvantages of each operator by VC + + programming tools for the operator above the tablet surface defect image edge extraction,and the experimental results concluded,Sobel operator in this project better than the other operators.Thus,in a different edge detection programs should be based on the actual situation,choose the most suitable edge detection for image processing in order to obtain the best experimental results.

Keywords:Tablets;Surface defects;Edge detection;Algorithm comparison

一、引言

邊緣檢測(cè)在圖像處理與計(jì)算機(jī)視覺中占有特殊的位置，它是底層視覺處理中重要的環(huán)節(jié)之一，也是實(shí)現(xiàn)基于邊界的圖像分割的基礎(chǔ) [1]。一直以來(lái)，學(xué)者對(duì)這一問(wèn)題做了很多的的研究，除了常用的局部算子及以后在此基礎(chǔ)上發(fā)展起來(lái)的種種改進(jìn)方法外，又提出了許多新的技術(shù)，其中突出的有LOG、用Facet模型檢測(cè)邊緣、Canny的最佳邊緣檢測(cè)、統(tǒng)計(jì)濾波檢測(cè)以及隨斷層技術(shù)興起的三維邊緣檢測(cè)[2，3]。在片劑的缺陷檢測(cè)與識(shí)別中，提取片劑圖像邊緣和缺陷邊緣是研究的重點(diǎn)，也是缺陷識(shí)別的基礎(chǔ)，因此，做好對(duì)片劑圖像邊緣的檢測(cè)和提取非常有必要。

二、邊緣檢測(cè)算法原理

邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來(lái)提取出圖像中對(duì)象與背景間的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來(lái)反映，因此我們可以用局部圖像微分技術(shù)來(lái)獲得邊緣檢測(cè)算子。經(jīng)典的邊界提取技術(shù)大都基于微分運(yùn)算。首先通過(guò)平滑來(lái)濾除圖像中的噪聲，然后進(jìn)行一階微分或二階微分運(yùn)算，求得梯度最大值或二階導(dǎo)數(shù)的過(guò)零點(diǎn)，最后選取適當(dāng)?shù)拈撝祦?lái)提取邊界。經(jīng)典的邊緣檢測(cè)算子包括：Roberts算子，Prewitt算子，Sobel算子，Log （Laplacian of Gaussian）算子等，下面將這些算子進(jìn)行介紹：

（一）Roberts邊緣算子。Roberts算子是一種利用局部差分算子尋找邊緣的算子，由下式給出：

（2-1）

其中 是具有整數(shù)像素坐標(biāo)的輸入圖像，平方根運(yùn)算使該處理類似于在人類視覺系統(tǒng)中發(fā)生的過(guò)程。

（二）Sobel邊緣算子。Sobel邊緣算子的卷積和如圖2.1所示，圖像中的每個(gè)像素都用這兩個(gè)核做卷積。這兩個(gè)核分別對(duì)垂直邊緣和水平邊緣響應(yīng)最大，兩個(gè)卷積的最大值作為該點(diǎn)的輸出位。運(yùn)算結(jié)果是一幅邊緣幅度圖像。

Sobel算子認(rèn)為鄰域的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生的影響也不同。一般來(lái)說(shuō)，距離越大，產(chǎn)生的影響越小。

（三）Prewitt邊緣算子。Prewitt邊緣算子的卷積和如圖2.2所示，圖像中的每個(gè)像素都用這兩個(gè)核做卷積，取最大值作為輸出，也產(chǎn)生一幅邊緣幅度圖像。

Prewitt算子在一個(gè)方向求微分，而在另一個(gè)方向求平均，因而對(duì)噪聲相對(duì)不敏感，有抑制噪聲作用。

（四）Laplacian邊緣算子。拉普拉斯算子一種二階邊緣檢測(cè)算子，它是一個(gè)線性的、移不變算子。是對(duì)二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子，對(duì)一個(gè)連續(xù)函數(shù) 它在圖像中的位置 ，拉普拉斯值定義為：

（2-2）

Laplacian算子利用二階導(dǎo)數(shù)信息，具有各向同性，即與坐標(biāo)軸方向無(wú)關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。使得圖像經(jīng)過(guò)二階微分后，在邊緣處產(chǎn)生一個(gè)陡峭的零交叉點(diǎn)，根據(jù)這個(gè)對(duì)零交叉點(diǎn)判斷邊緣。其4鄰域系統(tǒng)和8鄰域系統(tǒng)的Laplacian算子的模板分別如圖2.3和圖2.4所示。

通常使用的拉普拉斯算子3×3模板如圖2.5所示：

（五）Log邊緣算子。馬爾（Marr）和希爾得勒斯（Hildreth）根據(jù)人類視覺特性提出了一種邊緣檢測(cè)的方法，該方法將高斯濾波和拉普拉斯檢測(cè)算子結(jié)合在一起進(jìn)行邊緣檢測(cè)的方法，故稱為L(zhǎng)og（Laplacian of Gassian ）算法。也稱之為拉普拉斯高斯算法。該算法的主要思路是：先用高斯函數(shù)對(duì)圖像濾波，然后對(duì)濾波后的圖像進(jìn)行拉普拉斯運(yùn)算，算得的值等于零的點(diǎn)認(rèn)為是邊界點(diǎn)。用數(shù)學(xué)公式表示為：

（2-3）

在實(shí)際使用中，常常對(duì)LOG算子進(jìn)行簡(jiǎn)化，使用差分高斯函數(shù)（DOG）代替LOG算子。

（2-4）

拉普拉斯算子對(duì)圖像中的噪聲相當(dāng)敏感，而且它常產(chǎn)生雙像素寬的邊緣，也不能提供邊緣方向的信息。高斯-拉普拉斯算子是效果較好的邊沿檢測(cè)器，常用的5×5模板的高斯－拉普拉斯算子如圖2.6所示：

（六）Canny邊緣算子。Canny邊緣檢測(cè)基本原理：具有既能濾去噪聲又保持邊緣特性的邊緣檢測(cè)最優(yōu)濾波器，其采用一階微分濾波器。采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器，通過(guò)與圖像卷積進(jìn)行濾波；然后對(duì)濾波后的圖像尋找圖像梯度的局部最大值，以此來(lái)確定圖像邊緣。根據(jù)對(duì)信噪比與定位乘積進(jìn)行測(cè)度，得到最優(yōu)化逼近算子。Canny類似于LOG邊緣檢測(cè)方法，也屬于先平滑后求導(dǎo)數(shù)的方法。

Canny邊緣檢測(cè)算法：首先，用高斯濾波器平滑圖象；其次，用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度的幅值和方向；再其次，對(duì)梯度幅值進(jìn)行非極大值抑制；最后，用雙閾值算法檢測(cè)和連接邊緣。

三、對(duì)片劑表面圖像實(shí)驗(yàn)及結(jié)果分析

本次實(shí)驗(yàn)的邊緣檢測(cè)程序由Visual C++語(yǔ)言編寫[4]，本項(xiàng)目通過(guò)使用以上各算子對(duì)片劑進(jìn)行邊緣檢測(cè)，并挑選出經(jīng)典的幾種檢測(cè)出的結(jié)果進(jìn)行比較。

通過(guò)對(duì)以上實(shí)驗(yàn)圖的比較，可以看出，Laplacian of Gassian算子檢測(cè)出的邊緣存在很多噪聲，輪廓不清晰，產(chǎn)生了很多虛假邊緣；prewitt算子能較全面地檢測(cè)出邊緣，但邊緣不夠細(xì)銳，而且模糊；sobel算子檢測(cè)出的邊緣輪廓清晰，虛假邊緣少，更易于后期的缺陷提取和識(shí)別。

四、結(jié)論

通過(guò)邊緣檢測(cè)算子理論和實(shí)驗(yàn)的各種分析比較，各種不同的算子對(duì)同一片劑圖像會(huì)產(chǎn)生不同的邊緣提取效果，且邊緣檢測(cè)算子各有優(yōu)缺點(diǎn)，但是針對(duì)于不同的實(shí)驗(yàn)應(yīng)該選取不同的邊緣檢測(cè)算子，比如Canny算子雖然是基于最優(yōu)化思想推導(dǎo)出的邊緣檢測(cè)算子，但實(shí)際效果并不一定最優(yōu)。Laplacian of Gassian算子對(duì)噪聲很敏感，產(chǎn)生了很多虛假的邊緣。Sobel算子檢測(cè)的效果明顯優(yōu)于其它算子，適合本項(xiàng)目的邊緣檢測(cè)。

參考文獻(xiàn)：

[1]張德豐.數(shù)字圖像處理.北京:人民郵電出版社,2009,10

[2]Sharifi M,Fathy M,Mahmoudi M T.A Classified and Com-parative Study of Edge Detection Algorithms[A].Information Technology：Coding and Computing,2002,International Conference[C].[s.l.]:[s.n.],2002:117-120

[3]劉晨,張東.邊緣檢測(cè)算子研究及其在醫(yī)學(xué)圖像中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2006,8

[4]張宏林.精通Visual C++數(shù)字圖像處理典型算法及實(shí)現(xiàn)（第二版）[M].北京:人民郵電出版社,2008:325-348

篇9

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)，幀差法，中值濾波法，混合高斯分布法

目前背景提取的算法很多，有基于時(shí)間軸的濾波方法，如中值濾波；有基于統(tǒng)計(jì)模型的方法，如混合高斯分布模型。雖然方法很多，但是很難找到一種在各種情況下都表現(xiàn)最好的算法。本文主要比較幀差法，中值濾波，混合高斯濾波在不同情況下的性能優(yōu)劣。

1 幀差法

幀差法是最為常用的運(yùn)動(dòng)目標(biāo)檢測(cè)和分割方法之一，基本原理就是利用基于時(shí)間序列圖像中相鄰兩幀或者幾幀圖像逐個(gè)像素進(jìn)行對(duì)比得到一副差值圖像，然后通過(guò)事先確定的閾值對(duì)差值圖像進(jìn)行二值化處理。在環(huán)境亮度變化不大的情況下，如果對(duì)應(yīng)像素值變化小于事先確定的閾值時(shí)，可以認(rèn)為此處為背景像素如果圖像區(qū)域的像素值變化很大，可以認(rèn)為這是由于圖像中運(yùn)動(dòng)物體引起的，將這些區(qū)域標(biāo)記為前景像素，利用標(biāo)記的像素區(qū)域可以確定運(yùn)動(dòng)目標(biāo)在圖像中的位置。

簡(jiǎn)單的兩幀差對(duì)噪聲有一定的敏感性，而且對(duì)象運(yùn)動(dòng)的速度不能太快，否則由于背景被運(yùn)動(dòng)物體的遮擋和重現(xiàn)使得計(jì)算出的運(yùn)動(dòng)區(qū)域的掩模要大于運(yùn)動(dòng)物體的尺寸。兩幀間運(yùn)動(dòng)物體的位移越大，這種差距就越大。由于相鄰兩幀間的時(shí)間間隔非常短，用前一幀圖像作為當(dāng)前幀的背景模型具有較好的實(shí)時(shí)性，其背景不積累，且更新速度快、算法簡(jiǎn)單、計(jì)算量小。

2中值濾波

選擇像素灰度，通過(guò)包含運(yùn)動(dòng)目標(biāo)的序列幀提取初始背景。對(duì)視頻中的任意一個(gè)像素點(diǎn)，只有在前景運(yùn)動(dòng)目標(biāo)通過(guò)該點(diǎn)時(shí)，它的灰度值才會(huì)發(fā)生明顯變化，其余大部分時(shí)間處，該點(diǎn)的灰度值是基本保持不變的，總是在一個(gè)區(qū)域內(nèi)波動(dòng)，因此可以用這個(gè)區(qū)域內(nèi)的中值作為該點(diǎn)的背景值。

若有L幀視頻圖像，只有當(dāng)L幀圖像內(nèi)有一半以上是背景的灰度值，目標(biāo)灰度和噪聲很少的情況下，該算法才具有可行性。在該算法中，L的選擇很關(guān)鍵，如果取值過(guò)大，算法的運(yùn)算時(shí)間較長(zhǎng)，若小，檢測(cè)運(yùn)動(dòng)緩慢的目標(biāo)時(shí)將會(huì)產(chǎn)生漏檢，甚至出現(xiàn)空洞現(xiàn)象。

3混合高斯

建立背景模型，假定初始背景中不含運(yùn)動(dòng)目標(biāo)。其基本思想是：對(duì)于每個(gè)像素，定義K（基本為3～5個(gè)，K值越大處理波動(dòng)的能力越強(qiáng)）個(gè)高斯模型來(lái)表征圖像中各個(gè)像素點(diǎn)的特征，在新一幀圖像獲得后更新混合高斯模型。用當(dāng)前圖像中的每個(gè)像素點(diǎn)與混合高斯模型匹配，如果成功則判定該點(diǎn)為背景點(diǎn).否則為前景點(diǎn)。若每個(gè)像素點(diǎn)顏色取值用變量 表示，其概率密度函數(shù)為：

4 實(shí)驗(yàn)結(jié)果與分析

本文所用仿真軟件是MATLAB2012b，圖4.1研究了將彩色圖像轉(zhuǎn)換成灰度圖像，然后通過(guò)幀差法進(jìn)行背景建模。算法的不足在于對(duì)環(huán)境噪聲較為敏感，對(duì)于比較大的、顏色一致的運(yùn)動(dòng)目標(biāo)，有可能在目標(biāo)內(nèi)部產(chǎn)生空洞，無(wú)法完整地提取運(yùn)動(dòng)目標(biāo)。幀間差分法只能應(yīng)用在攝像機(jī)靜止情況下的動(dòng)態(tài)目標(biāo)檢測(cè)。

圖4.1 視頻traffic1中的第九幀 （幀差法）

圖4.2研究了將彩色圖像轉(zhuǎn)換成灰度圖像，然后通過(guò)灰度值的中值來(lái)進(jìn)行背景建模。總體來(lái)說(shuō)中值法的效果比幀差法的效果理想。該算法存在的問(wèn)題在于：圖像幀的像素點(diǎn)大多以數(shù)萬(wàn)，數(shù)十萬(wàn)的數(shù)量級(jí)出現(xiàn)，而用于取中值的圖像幀數(shù)量L也應(yīng)該比較大。對(duì)如此大的數(shù)組進(jìn)行排序取出中值，實(shí)現(xiàn)時(shí)計(jì)算量較大，處理較慢。同時(shí)需要占用大量的內(nèi)存單元用于存儲(chǔ)數(shù)據(jù)。

圖4.2 視頻traffic1中的第九幀（中值法）

圖4.3利用混合高斯法進(jìn)行背景建模。混合高斯適應(yīng)背景隨時(shí)間的緩慢變化，能描述背景中的一些較大的周期性擾動(dòng)，能適應(yīng)背景內(nèi)容的變化。但是無(wú)法精確提取緩慢運(yùn)動(dòng)的目標(biāo)，不能適應(yīng)背景的突然變化，存在噪聲，陰影時(shí)容易導(dǎo)致誤檢或者漏檢的現(xiàn)象。混合高斯更適應(yīng)于外部環(huán)境比較復(fù)雜的情況。

圖4.3 視頻traffic1中的第九幀（混合高斯法）

5 結(jié)束語(yǔ)

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，幀差法和中值濾波法適合特定的場(chǎng)合，即外部擾動(dòng)比較小的情況，混合高斯法在外部環(huán)境變化較大的情況下效果更好。

參考文獻(xiàn)：

[1] R. Cucchiara， M. Piccardi， and A. Prati， "Detecting moving objects， ghosts， and shadows in video streams，" IEEE Transactions on Pattern Analysis and Machine Intelligence 25， pp. 1337-1342， Oct 2003.

[2] B. Lo and S. Velastin， "Automatic congestion detection system for underground platforms，" in Proceedings of 2001 International symposium on intelligent multimedia， video， and speech processing， pp. 158-161， （Hong Kong）， May2001.

[3] Q. Zhou and J. Aggarwal， "Tracking and classifying moving objects from videos，" in Proceedings of IEEE Workshop on Performance Evaluation of Tracking and Surveillance， 2001.

篇10

掃描志愿者的人體尺寸基于中國(guó)標(biāo)準(zhǔn)化研究院2009年進(jìn)行的中國(guó)成年人人體尺寸測(cè)量結(jié)果，該測(cè)量的樣本容量為3,000人，年齡跨度為18~70歲，測(cè)量項(xiàng)目共計(jì)161項(xiàng)。該志愿者的尺寸選擇參照與測(cè)量結(jié)果中的中國(guó)成年人男性50百分位的尺寸，由于志愿者很難達(dá)到每一項(xiàng)都完全符合50百分位，因此著重考慮其中6項(xiàng)，即身高、體重、胸圍、腰圍、臀圍及肩峰寬，該6項(xiàng)較為重要的人體尺寸的2009年中國(guó)標(biāo)準(zhǔn)化研究院最新測(cè)量結(jié)果以及目前最新的所公布的1988年中國(guó)成年人人體尺寸數(shù)據(jù)見表1。

2志愿者掃描

CT的全稱為computedtomography，即電子計(jì)算機(jī)斷層掃描，最早起源于1967年，由Hounsfield設(shè)計(jì)研發(fā)。CT掃描的基本原理是人體內(nèi)各組織器官對(duì)X射線具有不同的透過(guò)與吸收比，基于該透過(guò)與吸收比通過(guò)高靈敏度的相關(guān)儀器進(jìn)行測(cè)量，然后通過(guò)電子計(jì)算機(jī)保存所測(cè)量的數(shù)據(jù)并進(jìn)行相關(guān)處理，即可得到所測(cè)量的組織或器官的斷面圖像。CT掃描對(duì)生物醫(yī)學(xué)中復(fù)雜結(jié)構(gòu)重建可以提供良好的斷面成像。以中國(guó)標(biāo)準(zhǔn)化研究院2009年的人體尺寸測(cè)量結(jié)果為目標(biāo)，選擇了一名身體各器官、骨骼等組織均無(wú)病變及相關(guān)病史且符合中國(guó)成年人男性50百分位尺寸的健康男性志愿者作為CT掃描對(duì)象。志愿者各項(xiàng)人體尺寸的測(cè)量方法與標(biāo)準(zhǔn)化研究院的尺寸測(cè)量方法一致，具體參考GB5703-2010《人體測(cè)量方法》[2]與GJB4856《中國(guó)男性飛行員人體尺寸測(cè)量》[3]，但由于缺乏專業(yè)的測(cè)量設(shè)備，因此只能按照相關(guān)的測(cè)量方法（如圖1所示）大致進(jìn)行尺寸測(cè)量。經(jīng)過(guò)實(shí)地測(cè)量，該志愿者的主要6項(xiàng)人體尺寸與2009年中國(guó)標(biāo)準(zhǔn)化研究院所測(cè)量的中國(guó)成年人男性50百分位、45百分位及55百分位的尺寸對(duì)比如圖2所示，可知該志愿者的主要6項(xiàng)尺寸與中國(guó)成年人男性50百分位尺寸均較為符合。CT掃描如圖3所示，所使用的機(jī)器為美國(guó)通用多螺旋CT機(jī)，型號(hào)為L(zhǎng)ightSpeedVCT，掃描的具體參數(shù)為：管電壓120kV，管電流10mA，層厚0.625mm，層間距0.625mm，床速78.74mm/sec。全身CT掃描共計(jì)1,529張斷層圖像，以DICOM格式存儲(chǔ)，DICOM是美國(guó)國(guó)家電氣制造商協(xié)會(huì)制定的醫(yī)學(xué)圖像儲(chǔ)存與交換的標(biāo)準(zhǔn)格式，相比于CT掃描的膠片，DICOM格式的圖像更加清晰、儲(chǔ)存更加便捷，且所有像素點(diǎn)的坐標(biāo)均可保證準(zhǔn)確無(wú)誤[4]。圖4為具有代表性的志愿者CT掃描斷層圖像。通過(guò)CT掃描的斷層圖像對(duì)于胸腹部?jī)?nèi)臟等器官組織的建模較難實(shí)現(xiàn)，還需借助于MRI磁共振成像掃描。MRI磁共振成像是用于檢查身體解剖學(xué)及生理學(xué)的醫(yī)用圖像技術(shù)，利用磁場(chǎng)及無(wú)線電波來(lái)對(duì)身體進(jìn)行成像，可以更清晰地重現(xiàn)內(nèi)臟及韌帶等組織器官。對(duì)該志愿者進(jìn)行d胸腹部?jī)?nèi)臟的MRI掃描如圖5所示，掃描儀器型號(hào)為SIEMENSMAGNETOMAera1.5T，層厚為1.5mm。

3提取掃描點(diǎn)云數(shù)據(jù)

將CT及MRI掃描的DICOM數(shù)據(jù)導(dǎo)入醫(yī)學(xué)影響處理軟件Mimics中，通過(guò)閾值分割，基于骨骼、內(nèi)臟等在掃描圖像中的不同灰度值可分別進(jìn)行提取，提取的點(diǎn)云數(shù)據(jù)可用于三維CAD幾何建模。圖6為基于該CT掃描的胸腹部骨骼的三維重建點(diǎn)云模型示例。

4結(jié)語(yǔ)