前言：中文期刊網精心挑選了閾值分割的基本原理范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
閾值分割的基本原理范文1
關鍵詞：刀具工藝；MATLAB數控處理；圖像；閾值規格；分割方法
數字圖像處理技術在全力適應現代化信息整改規?；顒又刃虻墓澴嘀?，運用強度適應基準較高的刀具機械化制定標準方案進行研討和資料補充，維持閾值在遙感實時定位監督環節中的有機拓展效應。圖像分割在視覺層次領域的延展水準，主要結合自動化工業產品的質量檢驗，生產流程監督控制等前提條件框架，聯合性能比較穩定的閾值擴展機理能效，進行簡單數據的計算，保證實質性運算效率的拓展潛力開發工藝，規范圖像分割處理質量的完整性改善。經過長期的實踐經驗總結，聯系MATLAB語言編程算法的創新式滲透幅度，配合數控式刀具大附件的施展結構維持原理內容，實現先進生產行業機構的整編。
1.數字圖像引用閾值分割方法研究工作的基本原理內容探討
根據一定灰度格局圖像的取閾值分割現狀機理條件，引用保準化像素的灰度值實體模型實行分析對象的有利對比，透過與閾值對比大小行列中的有序編排組織框架描述，達到區域式分割的目的。整個環節程序主要體現為：確定需要引用的分割法數據模型，并聯合適當結構的必要參考像素值實施對比劃分，和差值提取，并依據分割隊列的組織編排特征實施融合累積校驗方案的制定。在圖像閾值確定過后，利用劃分像素并行結構延續的路徑指向規則，實現分割圖像區域段的準確定位。整個方圖呈現的明顯多峰規律，就應該適當運用閾值的取用效率實施良性分割[1]。整體統一的閾值分割處理的圖像定義為：
延伸到迭代法閾值選取手段，在滿足一定自動化流程的設置基礎活動中，利用初始階段的閾值極限灰度值實施代表數據的篩選。連接后續的分割處理工序，實施圖像區域灰度值的分類，并聯合像素灰度均值的閾值延伸定義進行新計算步驟的延展。根據上述對比延伸閾值提取的循環運用手段實現差值滿足設定范圍的計劃原則，并引用標準式程序語言的配備，實現自動化的結果提取。
2.聯合MATLAB數控閾值分割處理程序應用的刀具圖像分析方案研究
邊緣結構分析是刀具圖像自身存在的必要特性要素，內部應用延展信息的儲量十分豐富。在貫徹數字圖像處理環節中，依靠區域交接位置強度函數的取樣點陣列格局樣式，實施函數度量變化規律的探索，其間引申的具體梯度是二維等效格式對向量定義內容的具體闡述形式，主要定義公式表現為：
在銑刀機械器具的制作流程中，依據參數測量工作內容的自適應規格，結合目標像素的相鄰領域內部要素實施編碼排序整合，連接銑刀結構邊界輪廓結構的逐步檢測篩選控制程序。主要流程內容包括：依據分割圖像實施左上方初始位段的逐步搜索，維持目標要素的自行把控基礎，根據像素跟蹤向導的起始規劃準則規定初始值方向；聯合逆時針搜索目標的連同區域設定原理，檢測目標位置的精確定位。采用菱形測試圖像和必要灰度規范的銑刀圖像實施MATLAB程序的補充，鄰域位置通過算法改變像素某一類別的隸屬效應，在整體環境內的局部收斂特性會發揮必要的優勢標準[2]。在此基礎上，實際聯合刀具分割聚類中心值比較，憑借鄰域結構的編碼程序跟蹤，得到連續的輪廓點陣分析基礎資料，保證后期閾值處理圖像分割技術的數據依據支持效應。利用MATLAB提供完整的查詢中心，幫助系統進行用戶要求的提取，在相對簡單的編程環境基礎狀態下調試語言搭配形式，這種具有一套程序擴展系統的工具被稱為應用子程序。以下是三刃立銑刀的經過閾值分割處理過的對比圖片：
具體輪廓記錄結果的點集數據分布結構形式如下表所示：
通過MATLAB中的矩陣運算快速應對解釋程序，依靠交互式結構在用戶接收信息的指令語言輸入形式，實施結果的良性匹配。這種相對開放式的環境集成規范體系，可以確保銑刀制作流程細節圖像的全面顯示，實現預期計劃指導的實際工序操作目標[3]。整個系列的圖像界面，自帶智能式路徑搜索窗口，滿足分割處理的預留空間結構形態，并且在不斷商業化的技術改革過程中，使用人機交互式的編程指導系統，省去了編譯的繁瑣效應；對待細致部件的螺紋要求等，能做到即時的報告，并適度整改銑刀的自適應結構模式。
總結：這種MATLAB科學計算能力，主要是聯系圖像閾值分割，適當提取輪廓點陣的形式存儲規模，保證特征前期準備內容的有效編排，這是引申后期深入式機械應用部件整改的必要方向。
參考文獻：
[1]陳銀清.宏程序編程在數控加工中的應用研究[J].機床與液壓，2009，21（05）.
閾值分割的基本原理范文2
關鍵詞
圖像分割；分割方法；發展趨勢
1圖像分割簡介
圖像分割是指將一幅完整的圖像分解成若干個互不交疊的、有意義的、具有獨特性質的區域然后根據需求提出自己感興趣目標的技術和過程。它是圖像識別和圖像理解的最基本步驟，其分割效果的好壞關系到后面圖像處理的結果，甚至最終決定其成敗。而圖像分割的好壞最重要的是取決于所用到的算法。圖像分割算法的質量和效率對圖像系統的性能起著關鍵作用。
2常見的幾種分割方法
從20世紀60年代以來，好多國內外學者提出了許多關于圖像分割的算法，主要是基于閾值、基于區域、基于邊緣和基于特定理論的分割方法。而閾值分割方法是圖像分割中很古老但又簡單方便的常用方法?；趨^域的分割方法基本思想是將具有相似性質的像素點集合起來構成區域?；谶吘墮z測的分割方法是圖像分割最重要的一種，是實現基于邊界的圖像分割的重要基礎。邊緣的檢測是利用物體和目標背景在一種圖像特性上的差異以此實現的，它實際上就是檢測圖像特性一些發生變化的位置。圖像分割到現在為止尚無通用的自身理論。隨著各學科各種新理論和新方法的提出，出現了好多與一些特定理論、方法結合的圖像分割方法。在這幾種分割方法中，閾值法是使用最普遍的，故本文著重介紹。
3幾種基于閾值分割方法的簡介和對比
3.1一維Ot su閾值分割法
Otsu算法是由日本學者天津于1979年提出的一維最大類間方差法，它以分割效果較好、適用范圍較廣、簡單而有效的特點而廣受關注。該算法在圖像灰度的一維直方圖基礎，以圖像的主體目標背景和背景的類間最大方差為圖像分割閾值選取準則，完成圖像目標部分與背景部分的分離，其類間方差越大，則說明構成圖像的主體目標與圖像背景兩部分的差距就越大。圖像分割效果越好，意味著在分割時，圖像內容錯分的機率和比例就越小。該方法通常只是針對目標和圖像背景灰度特性區分比較明顯的圖像有較好的效果，但是由于圖像來源多種多樣，圖像在拍攝時也很容易受到噪聲干擾，最終導致直方圖分布形式多樣化，因此采用簡單的一維Otsu算法無法得到令人們滿意的結果。
3.2二維Otsu閾值分割法
針對一維Otsu分割法的缺點，劉建莊等提出了二維Otsu法。其基本原理為關聯原始圖像像素點信息與其鄰域像素點信息，建立圖像像素信息聯合直方圖。將一維OTsu算法推廣到二維OTsu算法，并建立閾值的自適應判別算法。該方法不但很好地利用了圖像像素點的信息，而且也充分考慮到了圖像像素點與其鄰域空間的相關信息，所以它具有較好的抗噪性。但該算法計算二維最佳閾值時采用窮舉方法，其運算量超大，很難應用于實時處理。并且它還有一個重要缺陷就是，在計算最佳閾值時，將靠近對角線的概率非零數據忽略，這樣勢必會影響分割結果，造成分割誤差。
3.3二維Otsu斜分閾值分割法
為克服二維Otsu直分的缺陷，吳一全等人提出了斜分。其原理為由于像素點都比較集中在主對角線的附近，這樣就可以首先通過4條斜線，這4條斜線位于主對角線兩側并且與主對角線平行，它們其直方圖的區域劃分為內點區、邊界點區和兩個噪聲點區，然后將上述的每個內點區、邊界點區和噪聲點區更進一步劃分為一一對應于目標和背景的兩個子區。然后利用快速實現算法進行最佳閾值的選取。該算法在一定條件之下，可以將概率不為零的點都包括進來，避免了誤分割。而且運算時僅包括窄帶內的數據，而將其余部分忽略，縮小了運算范圍。在一定條件下，也大幅降低了運算量。
3.4二維直方圖叉分閾值分割法
斜分法雖然用起來較為精確，但是它又忽了邊緣點的存在，這就很有可能導致邊緣點區被劃分到噪聲點區，影響圖像邊緣的形狀的描述。因此李淼等人提出了叉分法。叉分法把目標圖像細節保留的更清晰，它的抗噪聲能力更堅定。對于噪聲很少或無噪聲的圖像，相比于其他方法而言，叉分法更優，尤其對一些目標邊緣輪廓很難處理的圖像。叉分法雖然有良好的分割效果，但怎么選取能把區域劃分更為精確的匹配參數，就不同的二維直方圖來說，還將進一步深入研究。
閾值分割的基本原理范文3
Abstract: Due to the application of visual navigation technology is becoming more and more popular, and therefore, it is necessary to study visual navigation key technologies and applications. In this paper, digital image processing techniques and location and tracking technologies are studied in details, and correspondingly, the relevant application is introduced.
關鍵詞: 視覺導航;圖像分割;定位跟蹤
Key words: visual navigation;image segmentation;position tracking
中圖分類號:TP39 文獻標識碼:A文章編號:1006-4311(2010)25-0171-01
0引言
伴隨著電子技術、計算機技術工業控制技術等的發展,機器智能移動技術也得到了很大的發展。機器智能移動技術的關鍵部分就是視覺導航技術。視覺導航技術是在機器視覺的基礎上 發展起來的。但是與機器視覺又有區別,主要表現為在機器視覺的基礎上增加了定位跟蹤技術,于是就產生了視覺導航技術。通常一個視覺導航系統由視覺信息采集部分、視覺信息處理部分及導航跟蹤部分三大部分構成[1-2]。三部分有機結合,完成視覺導航,具體的工作原理如圖1所示。其中視覺信息采集部分主要是完成對機器將要經過路線上的圖像的采集,這個過程主要由攝像機(CCD)完成;視覺信息處理主要是對采集到的圖像進行增強、邊緣提取和分割等;利用一定的跟蹤算法,實現機器的智能跟蹤,即完成機器的導航。
1視覺導航的主要關鍵技術
構成視覺導航系統的四個部分中,其中的視覺信息處理部分和智能定位與跟蹤部分是系統的核心,這兩個部分用到的技術是視覺導航系統的關鍵技術。這些關鍵技術主要包括兩大方面,即圖像處理技術和智能定位與跟蹤技術。
1.1 像處理技術在圖像采集時,圖像噪聲的大小,攝像角度上的光線,非理想話圖像處理等都會使圖像質量變差[3]。再加上道路兩旁及道路本省背景的復雜性,要把有用的圖像信息提取出來難度很大。因此,為了更好的提取出對導航有用的圖像信息,需要對圖像進行處理。圖像處理主要是對圖像進行分割,把機器能經過的道路與路障分開來。圖像分割主要包括邊緣提取和閾值分割。
邊緣提取。邊緣主要是指圖像局部變化最明顯的部分,邊緣是劃分目標與目標、目標與背景、區域與區域的標志。圖像邊緣的檢測主要就是利用圖像像素點灰度值的不連續性,將目標和背景等不同的區域分開來。常用的邊緣提取方法是模板法。模板也稱為邊緣檢測算子,模板的數學基礎的圖像像素點的梯度變化。
閾值分割。閾值分割的基本原理圖像中不同像素點的值不同,通過選取合適的閾值,就可以將圖像劃分為不同的部分。閾值分割中最典型的就是圖像的二值化。圖像二值化的方法很多,主要有整體閾值法、局部閾值法和動態閾值法。
不論是圖像邊緣的提取,還是圖像的二值化。其對圖像處理的效果,關系到后續的機器智能定位與跟蹤。視覺導航能否實現,圖像處理是關鍵因素之一。因此,在圖像處理時一定要選擇合適的圖像處理算法,為后續視覺導航的實現服務。
1.2 智能定位與跟蹤視覺導航技術中的另一關鍵技術――智能定位與跟蹤。智能定位與跟蹤主要是完成對安裝了視覺導航系統的機器移動路徑及路徑上的障礙物的識別,使機器能夠實現智能移動。常用的路徑與障礙物識別方法有基于道路模型的路徑識別方法、基于Hough變換的路徑識別、基于LVQ神經網絡的路徑識別方法。
2視覺導航技術的應用
由于視覺導航技術的發展越來越成熟,其使用也越來越廣泛。在工農業生產等各個不同的領域都有所應用。視覺導航技術的應用,給這些領域的生產工作帶來了極大的便利,大大提高了機器的工作效率。
2.1 視覺導航技術在農業生產中的應用。視覺導航技術在農業生產中的應用,主要表現為農業機械的導航。視覺導航技術用于農業機械的導航,主要是幫助農業機械把目標物與周圍的背景區分開來。07年,倫冠德[11]利用圖像增強技術與Hough變換相結合,對傳統的導航模型存在的不足進行了改進研究,研究結果表明,新方法對導航路徑的識別由于傳統的模型導航;09年,楊為民等將動態窗口處理技術與Hough變換相結合,對農業機械中的視覺導航系統進行了改進,并取得了較好的導航效果等。
2.2 視覺導航技術在機器人領域的應用目前世界上許多危險環境下的作業,都是由機器人完成的。比如機器人用于深海探測。機器人要自動到達既定的探測,而不因為碰到障礙物損壞,這就要求機器人必須要有視覺導航功能。05年,周慶瑞等對視覺導航技術在機器人中的應用進行的研究。利用圖像的深度信心,再結合相應的校正算法與跟蹤技術,實現了機器人的智能移動。
2.3 視覺導航在移動車輛中的應用。具有智能導航功能的移動車輛是當今車輛研究領域的前沿。智能車輛的導航主要是完成環境感知、規劃決策和輔助駕駛等功能,這些功能的實現需要計算機視覺技術、控制技術和電子技術等的支撐。其中最重要的還是視覺導航技術。如09年,錢云等研制的基于視覺導航的智能車貨物搬運系統,充分利用的圖像的邊緣提取技術,對智能車要經過的路徑進行識別,并且取得了較好的效果。
從上面三個方面的分析研究表明,視覺導航技術在各個領域中的具體應用不同,但所使用的關鍵技術基本是相同的。主要都是對圖像信息的處理和對運動路徑的定位于跟蹤。
3小結
隨著機器視覺產品與我們的生產和生活越來越近,很有必要對視覺導航技術進行必要的研究及應用分析,以便人們能夠更好的理解視覺導航產片的工作原理與功能。
參考文獻:
[1]吳琳.計算機視覺導航綜述[J].人工智能及識別技術.
閾值分割的基本原理范文4
關鍵詞:識別;圖象處理;去噪;增強;復原;分割
A Survey of the Basic Principles in Digital Image Processing Technology
PAN Zhen-gan1,2, GONG Sheng-rong1
(1.School of Computer Scinence & Technology, Soochow University, Suzhou 215006, China; 2.Certer of Network, Suzhou University of Scinence & Technology, Suzhou 215009, China)
Abstract: If the corresponding contents of blurry source materials are difficult for naked eye to identify, it is feasible to preserve the materials and carry out history research by inputting the digital images of source materials into a computer, disposing the images with the technology of noise removal, enhancement, restoration, segmentation and reverting them to the effect of visibility.
Key words: identify; image processing; noise removal; enhancement; restoration; segmentation
一些歷史檔案和資料具有很高的研究價值,對于研究該地區當時的經濟和文化背景有很大的作用,但是因為年代久遠,其紙質或布質的材質因為時間原因,使得寫在上面的圖案和文字資料都模糊不清,有些肉眼已經很難分辨出具體內容,對于歷史和研究都是很大的損失,用數碼相機將這些紙質或布質材質的資料拍攝下來輸入計算機,將原始的資料變為數字圖象,再用數字圖象處理的方法將其處理還原,以達到人眼可以看清內容,進行研究的效果。
用計算機進行圖像處理的前提是圖像必須以數字格式存儲到計算機中,以數字格式存放的圖像稱為數字圖像(digital image)。數字圖像處理(digital image processing),就是利用計算機對數字圖像進行去除噪聲、增強、復原、分割、特征提取等理論、方法和技術,將原始資料清晰化,改善圖象的質量,使人的肉眼可以看清這些圖象,從而得以保存和研究的目的。由于圖像處理是利用計算機硬件和軟件實現的,因此也被稱為計算機圖像處理(computer image processing)。
數字圖象處理一般有兩種基本的方法:一種方法是在圖象的空間域中處理,即在圖象空間中對圖象本身直接進行各種處理優化,達到改善圖象質量的目的;另一種方法是把空間圖象進行某些轉化,從空間域轉到頻率域中,再在頻率域中進行各種處理,然后再變回到圖象的空間域,形成處理后的圖象,從而達到改善圖象質量的目的。
1 去除噪聲
原始實體資料變為數字圖象在計算機中進行處理的時候,可能會產生各種各樣的噪聲,這些噪聲可能是在進行數字轉換過程中,因為輸入設備的原因產生,也可能在對數字圖象的處理中產生,噪聲不一定是真實的聲音,可以理解為影響人的視覺器官或系統傳感器對所接收圖象源信息進行理解或分析的各種因素。不同原因產生的噪聲,其分布特性也不完全相同,根據噪聲和信號的關系可將其分為兩種形式:1)加性噪聲,此類噪聲與輸入圖象信號無關,含噪圖象表示為f(x,y)=g(x,y)+n(x,y);2)乘性噪聲,此類噪聲與圖象信號有關,含噪圖象表示為f(x,y)=g(x,y)+n(x,y)g(x,y)。噪聲對圖象處理十分重要,如果圖象伴有較大噪聲,它會直接影響到圖象處理的輸入、采集、處理的各個環節以及輸出的全過程甚至輸出結果,因此,在進行數字圖象處理的時候,首先需要對目標圖象進行去除噪聲的工作。
1.1 均值濾波器
采用鄰域平均法的均值濾波器適用于去除通過掃描得到的圖象中的顆粒噪聲。鄰域平均法是空間域平滑技術。對于給定的圖象f(x,y)中的每個像點(x,y),取其鄰域Sxy,設Sxy含有M個像素,取其平均值作為處理后所得圖像像點(x,y)處的灰度。
1.2 自適應維納濾波器
它能根據圖象的局部方差來調整濾波器的輸出,局部方差越大,濾波器的平滑作用越強。它的最終目標是使恢復圖像f^(x,y)與原始圖像f(x,y)的均方誤差e2=E[(f(x,y)- f^(x,y))2]最小。
1.3 中值濾波器
基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代換。其主要功能是讓周圍象素灰度值的差比較大的像素改取與周圍的像素值接近的值,從而可以消除孤立的噪聲點,對于濾除圖像的椒鹽噪聲非常有效。
1.4 小波去噪
小波變化具有高斯分布的特性,根據信號小波分界的特點,對信號的小波系數設置一個閾值,大于這個閾值的小波系數由信號變換得來,同時含有信號和噪聲的變換結果,而小于這個閾值的小波系數則完全由噪聲變換而來,應該去掉這些系數。這樣就可以達到降低噪聲的目的。同時由于這種方法保留了大部分包含信號的小波系數,因此可以較好地保持圖象細節。利用小波分析的理論可以構造一種既能夠降低圖象噪聲,又能保持圖象細節信息的方法。
2 圖象增強
很多歷史資料由于材質和時間的原因,整幅圖片色澤偏暗,亮度范圍不足或非線性等因素造成對比度不足,影響觀看效果,結合人眼對灰度的感覺,如果相鄰兩個物體目標灰度相差比較小,超過人眼對灰度差的感知能力,人眼就無法區分這不同的兩個物體,從而導致無法看清楚圖片,這就需要對圖片做出一些處理,使圖片的灰度差和整體色澤有所改善,以達到人眼觀看的效果。圖象處理的原始目的就是改善圖象,使看不清的目標能夠看得清楚,因此,對數字圖象識別分析的全過程,都要求圖象得到改善以適應人的肉眼,為了達到這個目的,除了首先需要去除噪聲之外,還需要分辨灰度細節,解決灰度的擴展和圖象鮮明化問題。
圖象改善最常用的方法是圖象增強,圖象增強要改善圖象的視覺效果,把圖象處理成為適用于計算機分析或控制的某種形式,圖像增強按特定的需要突出一幅圖像的某些信息,同時,削弱或除去某些不需要的信息的處理方法,以達到改善圖象的目的。圖象增強并不能完全滿足原始圖象的一些視覺特性,為了達到圖象增強的效果,圖象往往會發生變化,產生畸變,但是對人的肉眼的感覺而言,畸變后的圖象反而比原始圖象更加清晰,觀感也更舒服,因此,圖象增強不顧及原始圖象是否發生了畸變,只以符合肉眼觀感和找出特征為條件,圖象增強內容包括:去除圖象噪聲,抽取圖象中某些目標輪廓,圖象的勾邊處理,提取圖象中的特征等技術,通過直方圖均衡化技術來實現圖像增強,首先就是對原圖像通過離散函數進行直方圖處理。得到原圖像的直方圖后,根據均衡化的變換函數通過計算得到所需要的增強效果的圖像的直方圖,分析圖像增強的點處理、空間域濾波、頻域濾波、代數運算。用直方圖均衡化的算法增強灰度圖像,達到了圖象增強的目的。
3 圖象復原
有些圖象因為質量變壞,導致圖象模糊不清,或圖象有干擾等現象,這種情況叫做圖象退化,根據圖象退化的原因建立一個退化模型,以該模型為基礎依據,運動各種反退化處理方法,使復原后的圖象符合某些要求和條件,圖象的質量得到改善,這樣的方法叫做圖象復原。圖象復原和圖象增強的目的相似,都是為了改善圖象的視覺效果,令其符合人肉眼的視覺要求,但二者并不等同,圖象增強不用考慮圖象畸變或退化的原因,更多的依據主觀判斷利用各種技術進行處理,達到增強圖象的視覺效果,滿足人視覺系統的要求,不用考慮增強后的圖象是否失真,只要滿足肉眼觀感就可以,而圖象復原是根據圖象產生畸變或退化的原因,建立相應的數學模型,從畸變或退化的圖像信號中提取所需的相關信息,并找出一種相應的逆過程處理方法,從而恢復圖象的本來面貌。圖像復員的過程實際是設計一個濾波器,從已經退化的圖像中計算得到真實圖像的估計值,并國際預先規定的誤差準則,使其最大程度的接近物體的原始真實圖像
圖象復原是根據退化原因,建立相應的數學模型,從被污染或畸變的圖象信號中提取所需要的信息,沿著使圖象降質的逆過程恢復圖象本來面貌。實際的復原過程是設計一個濾波器,使其能從降質圖象g(x,y)中計算得到真實圖象的估值f(x,y),使其根據預先規定的誤差準則,最大程度地接近真實圖象f(x,y)。
象平面所得圖像為H[f(x,y)],加性噪聲n(x,y),實際所得的退化圖象g(x,y)模型函數是g(x,y)=H[f(x,y)]+n(x,y),其中H[?]是綜合所有退化因素的函數。
4 圖象分割
圖像作為一個整體,有豐富的內容和色彩,我們所需要的目標和背景與整幅圖像融為一體,不利于進行圖像處理,因此,先將圖象劃分成若干個與物體目標相對應的區域,根據目標和背景的先驗知識,對圖象中的目標與背景進行標識、定位,將目標從背景或其他偽目標中分離出來,這種方法稱為圖象分割。
圖象分割而成的區域所包含的信息包括了分區分割和對各分區的描述,利用這些區域中所包含的部分特征,例如灰度差別、局部紋理差別、彩色差別、局部統計特征或局部區域的頻譜特征的差別等,可以用來區分整幅圖象中不同的目標物體,這些區域稱為感興趣區。因為我們是利用現有圖象信息中的部分特征去進行區域分割,所以這樣的分割方法并不具有通用性。
理論上來說,圖象分割有兩個原理,一是在圖象中,找出有代表性的物體的邊緣,利用邊緣信息把整幅圖象分割為各個感興趣區;二是從圖象中找出具有相似特征的物體區,將這些物體區的外輪廓作為邊緣,根據特征相似度的準則進行劃分。
三種分割方法:
基于閾值的分割,這是一種最常用的區域分割技術,閾值是用于區分不同目標的灰度值。在圖象只有目標和背景的情況下,只需選取單閾值分割,將圖象中每個象素的灰度值和閾值比較,灰度值大于閾值的象素和灰度值小于閾值的象素分別歸類。如果圖象中有多個目標,就需要選取多個閾值將各個目標分開,這種方法稱為多閾值分割。閾值分割的結果依賴于閾值的選取,確定閾值是閾值分割的關鍵。
基于區域的分割,有兩種基本形式:區域生長和分裂合并。前者是從單象素出發,逐漸合并以形成所需的分割結果。后者是從整個圖象出發,逐漸分裂或合并以形成所需要的分割結果。與閾值方法不同,這類方法不但考慮了象素的相似性,還考慮了空間上的鄰接性,因此可以有效地消除孤立噪聲的干擾,具有很強的魯棒性。而且,無論是分裂還是合并,都能將分割深入達到象素級,因此可以保證較高的分割精度
基于邊緣的分割,是利用不同區域間象素灰度不連續的特點檢測出區域間的邊緣,從而實現圖象分割。邊界的象素灰度值變化往往比較劇烈。首先檢測圖象中的邊緣點,在按一定策略連接成輪廓,從而構成分割區域。
5 結束語
很多文獻和資料因為年代久遠導致字跡模糊,內容無法識別而失去其歷史和研究價值,用數字圖象處理的方法將其處理還原,以達到人眼可以看清內容,進行研究的效果。因此可以看出,數字圖像處理技術更加普適、可靠和準確。比起其它簡單的模擬操作的方法,也更容易實現。
參考文獻:
[1] 容觀澳.計算機圖像處理[M].北京:清華大學出版社,2000.
[2] 邊肇祺.模式識別[M].2版.北京:清華大學出版社,2000.
閾值分割的基本原理范文5
關鍵詞：點特征 Moravec算子 Forstner算子 Harris角點提取
1 引言
圖像特征的研究是圖像領域中一個重要的研究方向，圖像特征的提取被廣泛地應用于圖像匹配、圖像識別、圖像分割等諸多方面。作為圖像的基本特征，點特征一般認為是指灰度信號在二維方向上有明顯變化的點，如角點、圓點、交叉點等[1]。點特征提取是最常采用的一種圖像特征提取，也是數字攝影測量的關鍵技術之一，其定位精度在很大程度上影響了數字攝影測量過程中相對定向與絕對定向的定向結果。因此點特征提取算法的研究在數字攝影測量學中有重要的意義。
近年來，學者們已經提出了多種點特征提取算法。HanSP.Moravec（1977）提出利用灰度方差提取特征點，即利用“興趣算子”來提取特征點，這是較早的基于圖像灰度信息進行特征點檢測的方法。C.Harris和M.J.Stephens（1988）在H.Moravec算法的基礎上發展出一種通過自相關矩陣的角點提取算法——Harris角點提取算法。Forstner （1987，1994）算子通過計算各像素的Robert梯度和像素（c，r）為中心的一個窗口的灰度協方差矩陣，在影像中尋找具有盡可能小的接近圓的誤差橢圓的點作為特征點[2]。SUSAN算子（1997）和MIC算子 （1998）則是利用像素鄰域內一個圓形模板的灰度計算出每個像素的角點響應函數CRF （Corner Response Funtion），通過與閾值進行比較來確定是否為特征點，該類方法具有較強的抗噪能力[3]。除了以上幾種，還有Kitchen-Rosenfeld、IPAN、CSS等多種常見的點特征提取算法。
本文將以較為常用的Moravec算子、Forstner算子和Harris角點提取算法為例，對點特征提取算法的原理和效果進行研究與分析，為點特征提取算法的選擇和改進打下基礎。
2 算法原理
2.1 Moravec算子
Moravec算子是一種利用灰度方差提取點特征的算子，主要是在四個方向上，選擇具有最大、最小灰度方差的點作為特征點。步驟為[2]：
（1）計算各像元的興趣值IV （Interest value）。
在以像素（c，r）為中心的w×w的影像窗口中（如5×5的窗口），計算四個方向相鄰像素灰度差的平方和，取其中最小者作為該像素（c，r）的興趣值。
（2）給定一個經驗閾值，將興趣值大于該值的點（即興趣值計算窗口的中心點）作為候選點。閾值的選擇應以候選點中包括所需要的特征點，而又不含過多的非特征點為原則。
（3）選擇候選點中的極值點作為特征點。在一定窗口內（可以不同于興趣值計算窗口，如5×5，7×7或9×9像元），將候選點中興趣值不是最大者全部去掉，僅留下最大者，該像素即為一個特征點。這一步驟可稱為“抑制局部非最大”。
2.2 Forstner算子
Forstner算子是一種攝影測量常用的點特征定位算子。該算子通過計算各像素的Robert梯度和像素（c，r）為中心的一個窗口（如5×5）的灰度協方差矩陣，在影像中尋找具有盡可能小的接近圓的誤差橢圓的點作為特征點。
其步驟[2]為：
（1）計算各像素的Robert梯度。
（2）計算l×l（如5×5或更大）窗口中灰度的協方差矩陣：
（3）計算興趣值q與w。
其中DetN代表矩陣N的行列式，trN為矩陣N的跡?？梢宰C明，q是像素（c，r）對應的誤差橢圓的圓度。q =0，表明該點可能位于邊緣上；如果q =1，表明為一圓。w為該像元的權。
（4）確定待選點。
如果興趣值大于給定的閾值，則該像元為待選點。閾值為經驗值，可參考下列值：
其中w為權平均值，wc為權的中值。當q >Tq且w >Tw時，該像元為待選點。
（5）選取極值點。
以權值w為依據，選擇極值點，即在一個適當窗口中選擇w最大的待選點，而去掉其余的點。
2.3 Harris角點提取
應用 Harris 方法提取圖像中角點的過程可以分為以下幾步[4]：
（1）計算圖像像素點在水平和垂直方向上的梯度，以及兩者的乘積，得到M中4個元素的值。
（2）對圖像進行高斯濾波，得到新的 M。
（3）計算原圖像上對應的每個像素點的興趣值，即 R 值。
（4）選取局部極值點。Harris 方法認為，特征點是局部范圍內的極大興趣值對應的像素點。
（5）設定閾值，選取一定量的角點。
3 實驗分析與結論
下面將主要從定位的準確性和提取速度兩方面對三種算法的角點提取性能進行分析比較。
3.1 Moravec算子
Moravec算子計算簡單，運行速度快，易實現，但是容易提取出錯誤點或出現定位錯誤，且對斜邊十分敏感。
Moravec算子中有3個可變的參數，分別是灰度差平方和的計算窗口的大小、候選點篩選所用的閾值和求極值點的候選窗口的大小。實驗可知，閾值越小，提取點的數量越多，相應地，閾值越大提取點數量越少。閾值選取過小，則會出現錯誤檢測；閾值選取過大，則會出現漏檢。閾值的確定與圖像的屬性和檢測時的計算窗口都有關系，需要根據實際的檢測情況進行調節。候選窗口的大小也與提取點的數量有關，候選窗口越小，提取點數量越多。候選窗口的過大或過小會導致漏檢或錯誤檢測。候選窗口的大小的確定與影像角點的分布狀態有關，需要根據影像的具體情況確定。相較于閾值和候選窗口，計算窗口的大小對提取點的數量影響不大。圖1、2、3分別顯示了當計算窗口為3X3、5X5、7X7時，Moravec算子在人造測試圖像上的檢測結果。
觀察可知，單就這幅影像的檢測效果而言，所有的檢測結果中都出現了斜邊上點的誤提取。這主要是因為Moravec算子在計算灰度差平方和時只計算了以窗口中心為中心向4個方向延伸的相鄰像素的灰度差平方和，并且僅僅通過比較選取最小值的方式來排除非角點，計算的方向較為離散，部分斜邊的方向不在4個方向范圍內，導致斜邊上點的興趣值偏大，出現提取錯誤。
除此之外，比較三幅影像可以發現，計算窗口越小，矩形、三角形等規則圖形的角點的定位就越為準確。導致這一情況的因素有很多，其中一個原因是計算過程中部分受周圍角點和邊緣性質影響的角點鄰近點的興趣值比角點大，導致定位錯誤。當計算窗口較小時，每次計算考慮的中心點的周圍像素數較少范圍較小，相應地，受角點和邊緣性質影響的像素范圍變小，當出現定位錯誤時誤判位置與真實位置也更為接近，定位也就更為準確。但需要注意的是，對于真實地物的影像而言，由于地物的形狀復雜、拍攝角度各異，計算窗口的改變可能不會帶來明顯的提取效果改變（如圖4、5、6所示）。
3.2 Forstner算子
Forstner算子的運行速度略遜于Moravec算子，但定位較Moravec更為準確，總體的提取效果也更好。
Forstner算子中有四個可變參數，分別是計算窗口大小、閾值Tq、閾值Tw和候選窗口大小。Forstner算子中閾值和候選窗口大小的作用和確定方式與Moravec算子類似，而計算窗口也同樣存在不宜過大的問題，如圖7、8、9所示。Forstner算子實際上只是確定了點特征的最佳窗口，在確定了最佳窗口后還可以用最佳窗口內加權重心化的方法進一步提高定位精度。
3.3 Harris角點提取
Harris角點提取算法計算簡單，易于程序實現，提取效果優于Moravec算子，點特征定位較準確，誤判錯檢情況較少。但由于在計算過程中反復進行高斯濾波，計算量較大，與Moravec算子和Forstner算子相比運行速度較慢。Harris角點提取算法中只有一個可變參數，即候選窗口大小。其候選窗口的大小的作用和確定方式與Moravec算子類似。為了避免提取出在局部為極大值但相較于整幅影像興趣值過小的點可額外設定閾值，如0.01倍的興趣值最大值，其實驗結果如圖10所示。
4 Moravec算子改進建議
實驗結果分析可知，Moravec算子雖然具有計算簡單易實現等優點，但仍存在一些待改善的問題。為了提高Moravec算子點特征提取的效率、獲得更好的角點檢測效果，對以下問題提出了改進的建議。
（1）閾值的選取問題
Moravec算子的所計算出的窗口興趣值受影像的性質影響較大，因而對不同的影像用Moravec算子進行點特征提取時需要設定不同閾值，否則會出現錯誤檢測或點特征遺漏的情況。人工設定閾值需要進行反復的實驗，增加了特征提取操作的復雜程度。針對該問題，可以對Moravec算子作如下改進：將閾值設置為由待檢測影像各計算窗口興趣值計算得到的數值，數值隨影像變化而變化，省去復雜的人工實驗過程。例如，可以將閾值設定為整張影像各計算窗口興趣值的最大值的0.01倍，或是設置成整張影像各計算窗口興趣值的平均值的0.2-0.3倍。
（2）定位錯誤問題
Moravec算子點特征提取過程中出現的定位錯誤有多種類型，其中有一類定位錯誤是將角點周圍的鄰近點誤提取。針對這種錯誤類型，可以對Moravec算子作如下改進：通過分析這類鄰近點的性質，提取出這類鄰近點，并將以該類鄰近點為中心的計算窗口的興趣值設置為0，從而避免這類定位錯誤。例如，該類鄰近點中的很多點與周圍像素的灰度值相同，可以計算出影像中每個像素x方向與y方向的梯度值，選取其中較大的值作為該像素的梯度值。設置一個閾值，將梯度值小于該閾值的像素標記為該類鄰近點并剔除掉，從而減少該類定位錯誤。
5 結束語
Moravec算子、Forstner算子、Harris角點提取算法是數字攝影測量學中常用的點特征提取算法。本文探討了這三種算法的基本原理，對其角點提取效果進行了比較和分析。實驗證明，Moravec算子運行速度較快，但定位準確度不高；Forstner算子運行速度稍慢于Moravec算子，但定位準確度比Moravec算子高；Harris算子的運行速度慢于其他兩種算法，但與Moravec算子相較定位更為準確、漏檢錯檢情況也更少。最后，根據實驗的分析結果給出了Moravec算子改進的建議，為之后點特征提取算法進一步的研究提供了依據。
參考文獻
[1] 官云蘭， 張， 劉向美. 點特征提取算法探討[J]. 東華理工學院學報， 2007， 30（1）： 42-46.
[2] 張劍清， 潘勵， 王樹根. 攝影測量學[M]. 武漢大學出版社， 2003.
閾值分割的基本原理范文6
關鍵詞：車牌定位；字符分割；BP神經網絡；車牌識別；VC++
目錄
第1章緒論1
1.1課題研究背景1
1.2車輛牌照識別系統原理1
1.3車輛牌照識別在國內外研究現狀2
1.4本文主要工作及內容安排3
第2章車輛牌照的定位方法4
2.1車輛牌照圖像的預處理4
2.1.1256色位圖灰度化4
2.1.2灰度圖像二值化5
2.1.3消除背景干擾去除噪聲6
2.2車輛牌照的定位方法簡介6
2.3系統采用的定位方法7
2.3.1車輛牌照的水平定位7
2.3.2車輛牌照的垂直定位7
2.3.3定位的算法實現10
2.4實驗結果分析12
第3章車輛牌照的字符分割13
3.1車牌預處理13
3.1.1去邊框處理13
3.1.2去噪聲處理13
3.1.3梯度銳化15
3.1.4傾斜調整16
3.2字符分割方法簡介17
3.3系統采用的分割方法19
3.3.1算法介紹19
3.3.2算法的實現20
3.4字符分割實驗結果21
第4章特征提取與字符識別22
4.1字符的特征提取22
4.2字符的識別方法簡介23
4.3系統采用的識別方法24
4.3.1人工神經網絡簡介24
4.3.2BP神經網絡識別車牌25
4.3.3BP神經網絡識別算法實現28
4.4實驗結果分析29
總結32
致謝33
參考文獻34
第1章緒論
1.1課題研究背景
現代社會已經進入信息時代，計算機技術、通信技術和計算機網絡技術的不斷發展，自動化信息處理能力的不斷提高，在人們社會活動和生活的各個領域得到了廣泛的應用，在這種情況下，作為信息來源的自動檢測、圖像識別技術越來越受到人們的重視。
隨著汽車數量的急劇增加，車牌自動識別(licenseplaterecognition,LPR)技術日益成為交通管理自動化的重要手段[1]。車牌自動識別技術是計算機視覺、圖像處理技術與模式識別等技術的融合，是智能交通系統中一項非常重要的技術。通過車輛牌照自動識別，就可以對運動車輛查詢相關的數據庫，根據提取的車輛信息，實現有針對性的車輛檢查，極大的提高工作人員的效率，降低工作強度，同時也減少了國家財政收入的流失，減少交通事故的發生以及加強社會治安。因此對車牌識別技術研究有巨大的經濟價值和現實意義。
由于車牌自動識別技術在智能化交通控制管理中發揮的重要作用，吸引了各國的科研工作者對其進行廣泛的研究，目前已有眾多的算法，有些已應用于交叉路口、車庫管理、路口收費、高速公路等場合。由于需適應各種復雜背景，加之要識別的車輛種類繁多，顏色變化多端，以及檢測時要適應不同天氣變化導致的不同光照條件，因此，目前的系統都或多或少地存在一些問題。但隨著計算機性能的提高和計算機視覺理論及技術的發展，這種技術必將日趨成熟。
車牌的定位與識別技術，總體來說是圖像處理技術與車牌本身特點的有機結合，當然也包括小波分析、神經網絡、數學形態學、模糊理論等數學知識的有效運用[2]。
本課題是對汽車圖像進行分析，從算法角度來研究車牌的定位與識別。
1.2車輛牌照識別系統原理