论文-计算机数字图像处理技术

论文-计算机数字图像处理技术内容摘要：

数字化 一幅原始照片的灰度值是空间变量（位置的连续值）的连续函数。 在 MN 点阵上对照片灰度采样并加以量化（归为 2b 个灰度等级之一），可以得到计算机能够处理的数字图像。 为了使数字图像能重建原来的图像 ,对 M、 N 和 b 值的大小就有一定的要求。 在接收装置的空间和灰度分辨能力范围内 ,M、 N 和 b的数值越大 ，重建图像的质量就越好。 当取样周期等于或小于原始图像中最小细节周期的一半时，重建图像的频谱等于原始图像的频谱，因此重建图像与原始图像可以完全相同。 由于 M、 N 和 b三者的乘积决定一幅图像在计算机中的存储量，因此在存储量一定的条件下需要根据图像的不同性质选择合适的 M、 N 和 b值，以获取最好的处理 效果。 用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。 对于卫星图像的系统误差，如地球自转、扫描镜速度和地图投影等因素所造成的畸变 ，可以用模型表示 ， 并通过几何变换来消除。 随机误差如飞行器姿态和高度变化引起的误差，难以用模型表示出来，所以一般是在系统误差被纠正后，通过把被观测的图和已知正确几何位置的图相比较，用图中一定数量的地面控制点解双变量多项式函数组而达到变换的目的。 使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。 图像的某些性质，例如物体 的面积和周长，本来对于坐标旋转来说就具有不变的性质。 在一般情况下，某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱，从而可以被选作测量图像的依据。 例如对于光照不可控的遥感图片，灰度直方图的归一化对于图像分析是十分必要的。 灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。 消除图像中随机噪声的技术。 对平滑技术的基本要求是在消去噪声的同时不使图像轮廓或线条变得模糊不清。 常用的平滑方法有中值法、局部求平均法和 k 近邻平均法。 局部区域大小可以是固定的，也可以是逐点 随灰度值大小变化的。 此北京印刷学院本科生毕业设计（论文） 12 外，有时应用空间频率域带通滤波方法。 校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能逼近于理想无退化的像场。 在实际应用中常常发生图像退化现象。 例如大气流的扰动，光学系统的像差，相机和物体的相对运动都会使遥感图像发生退化。 基本的复原技术是把获取的退化图像 g(x， y)看成是退化函数 h(x， y)和理想图像 f(x， y)的卷积。 它们的傅里叶变换存在关系 G(u， v＝ H(u， v)F(u， v)。 根据退化机理确定退化函数后，就可从此关系式求出 F(u， v)，再用傅里叶反变换求 出 f(x， y)。 通常把 称为反向滤波器。 实际应用时，由于 H(u， v)随离开 uv 平面原点的距离增加而迅速下降，为了避免高频范围内噪声的强化，当 u2+v2 大于某一界限值 W时，使 M(u，v)等于 1。 W0 的选择应使 H(u， v)在 u2+v2≤W 范围内不会出现零点。 图像复原的代数方法是以最小二乘法最佳准则为基础。 寻求一估值弮 ， 使优度准则函数值最小。 这种方法比较简单，可推导出最小二乘法维纳滤波器。 当不存在噪声时，维纳滤波器成为理想的反向滤波器。 对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，或 将图像转变为更适合于机器处理的形式，以便于数据抽取或识别。 例如一个图像增强系统可以通过高通滤波器来突出图像的轮廓线，从而使机器能够测量轮廓线的形状和周长。 图像增强技术有多种方法，反差展宽、对数变换、密度分层和直方图均衡等都可用于改变图像灰调和突出细节。 图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。 一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解， 彼此是紧北京印刷学院本科生毕业设计（论文） 13 密关联的。 图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 图像分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。 阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。 这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。 实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。 为了有效地分割物体与背 景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。 这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。 为了获得图像的边缘人们提出了多种边缘检测方法，如 Sobel, Canny edge, LoG。 在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。 4. Hough 变换 对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。 区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同 样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。 区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 北京印刷学院本科生毕业设计（论文） 14 区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。 但是，区域增长方法是一种迭代的方法 ，空间和时间开销都比较大。 模板匹配是最早出现，也是最简单的模式识别方法之一，匹配是模式识别的一种分类操作，主要是判断同一类的两个实体（如点、曲线、形状等）之间的相似性。 要进行模板匹配，首先需要存储一些已知模板，然后考虑所有可能的变化，将待识别模板与已知模板相比较，从而得出二者之间的相似性度量。 为保证模板的通用性，已知模板一般是通过训练得到的。 依照此系统的要求所实现模板匹配的算法如下：先要确定模板的形式，如 33或 4 4的模板如图（ 21）所示。 然后将目标图形放到确定的模板中去，通过以图形包括的模板中点的不同，找出图形之间的差异，从而实现分辨图形的目的，典型图形（三角形，矩形，圆形）模板匹配示意图，见图（ 22）。 通过图（ 22）可以看出模板越大、点数月多，判别的信息就越多，准确性越高。 图 21 3 3， 4 4的模板 图 22 典型图形（三角形，矩形，圆形）模板匹配示意图 具体算法描述为：先找图形的中心点坐标，方法有： （ 1）找到图像的各顶点，使其坐标 做差，算出顶点到图形中心的距离，从而得到北京印刷学院本科生毕业设计（论文） 15 图形的中心坐标； （ 2）通过对分割后的图像的所用坐标求和，在用图形总共像素数取平均。 然后根据图形的中心点与模板其它点之间的距离，得到这些点在图像上的实际坐标，然后判断这些点是否被图形包含，从而判断是否实现模板匹配。 对于一个图形的辨别还要考虑到其图形的大小的问题，模板匹配算法可以简单的实现对于大小变化图形的识别。 方法是：建立图形中心点到某一端点的距离同模板相对应的点与中心点间距离的比例系数关系，从而实现训练模板使之能适应图形大小的变化。 轮廓跟踪 跟踪介绍 轮廓跟踪是现今一种发展成熟的边缘提取算法，它是根据提取图像中有序边缘点的边缘序列实现轮廓特征的提取。 所谓轮廓 (contour)就是把边缘连接起来。 轮廓可以是断开的，也可以是封闭的。 封闭轮廓对应于区域的边界，而区域内的像素可以通过填充算法来填满。 断开的轮廓可能是区域边界的一部分，也可能是图像线条特征，如手写体笔画、图画中的线条等。 区域之间的对比度太弱或边缘检测阈值设置太高都有可能产生间断的轮廓。 而根据轮廓跟踪算法描述，此系统处理的是封闭的轮廓。 2．轮廓编码与存储 对于轮廓的表示此系统采用链码方式。 链码一种边界的编码表示法，它规定了边缘表中每一个边缘点所对应的轮廓方向，其中的轮廓方向被量化为 4－邻接链码或 8－邻接链码中的一个，如图（ 23）所示。 图（ 23）（ b）是 8－邻接链码的表示法， 8－邻接链码从边缘表中第一个边缘开始，沿着轮廓按逆时针方向行走，行走方向用八链码中的一个表示。 本次统采用的就是这种 8－邻接链码的表示法。 链码是一种非常重要的曲线描述方法，主要是因为它节省存储空间。 北京印刷学院本科生毕业设计（论文） 16 （ a） （ b） 图 23 连接边缘点方向的链码示意图，（ a）４－ 邻接链码， (b) 8－邻接链码 轮廓跟踪与模板匹配比较 对比模板匹配与基于轮廓跟踪的角度判别算法，本系统采用的是基于轮廓跟踪的角度判别算法。 原因轮廓跟踪对于图形的旋转很敏感，如图（ 27）所示。 解决此问题的方法有： （ 1）使模板也旋转同图形旋转一样的角度，但此法难以实现，因为在判别图像前根本不知道图像是否有旋转，若提供算法对任何图形都采用统一的模板旋转算法是非常难以实现的。 如考虑图形定点分布情况，则圆形和矩形就很难分辨，因为对于图像查找来说，理论上都会找出四个定点，就还得根据图像边的走向进一步判 断。 （ 2）加大模板的大小，增加更多的模板信息来区分图形，此种方法虽然实现上不存在什么问题，但是此法会使判断的算法复杂，加大处理负担。 图 27 旋转图形的模板匹配问题 相比下基于轮廓跟踪的角度判别算法，它只跟图形的轮廓信息判断，对图像的大小与旋转都不敏感。 虽然基于轮廓跟踪的角度判别算法对于图像轮廓噪声敏感，但对于此系统来说采集的图像比较标准，且采集的精确度在允许范围内，对于噪声的影响不是非常严重，可以用算法减少噪声的干扰。 北京印刷学院本科生毕业设计（论文） 17 第三章 实现过程及算法 一个图形辨别算法的实现一般分为：图像采集，图 像预处理，图像分割，轮廓跟踪，图像辨别五个部分。 总系统实现框图，图（ 31）所示。 图 像 采 集 图 像 预 处 理 图 像 分 割 轮 廓 跟 踪 角 度 判 别图 3。