基于Linux系統(tǒng)的嵌入式設(shè)計

1、 基于Matlab數(shù)字圖像處理與仿真實驗摘要隨著現(xiàn)代工業(yè)水平的發(fā)展，基于視頻圖像的檢測、識別和控制技術(shù)也得到了發(fā)展。數(shù)字圖像處理技術(shù)的發(fā)展水平對于其發(fā)展就會顯得十分的重要。數(shù)字圖像處理技術(shù)就是利用計算機系統(tǒng)對數(shù)字圖像進行各種目的地處理，常用的圖像處理方法有圖像增強、復(fù)原、編碼、壓縮等。Matlab是目前國內(nèi)比較流行的一款功能強大的數(shù)學(xué)計算軟件。其在圖像處理方面也表現(xiàn)出了強大的功能，其提供了20類圖像處理函數(shù)，涵蓋了圖像處理包括近期研究成果在內(nèi)的幾乎所有的技術(shù)方法，其界面簡單友好，編程語言通俗易懂，是學(xué)習(xí)和研究圖像處理工作人員難得的寶貴資料和加工工具箱。本文主要介紹了圖像處理相關(guān)的知識，闡述了圖

2、像處理一些基本原理和方法同時也介紹了數(shù)字圖像處理中幾種常見的算法。然后利用matlab中圖像處理工具對所給定的圖像進行了處理和仿真，得出了仿真結(jié)果，并對仿真結(jié)果進行了較為詳細的分析和總結(jié)。關(guān)鍵詞：數(shù)字圖像處理，Matlab,算法，仿真實驗；TOC o 1-5 h z HYPERLINK l bookmark2 o Current Document 摘要1 HYPERLINK l bookmark4 o Current Document 第一章綜述3 HYPERLINK l bookmark6 o Current Document 第二章數(shù)字圖像處理技術(shù)簡介4 HYPERLINK l bookm

3、ark8 o Current Document 2.1數(shù)字圖像處理技術(shù)發(fā)展4 HYPERLINK l bookmark10 o Current Document 2.2數(shù)字圖像處理的特點4 HYPERLINK l bookmark12 o Current Document 2.2.1數(shù)字圖像處理的主要特點4 HYPERLINK l bookmark14 o Current Document 2.2.2數(shù)字圖像處理技術(shù)的優(yōu)點5 HYPERLINK l bookmark16 o Current Document 2.3數(shù)字圖像的處理過程5 HYPERLINK l bookmark18 o Curr

4、ent Document 2.4數(shù)字圖像處理研究的內(nèi)容7 HYPERLINK l bookmark20 o Current Document 2.5數(shù)字圖像的發(fā)展方向8 HYPERLINK l bookmark22 o Current Document 第三章圖像處理中常用算法9 HYPERLINK l bookmark24 o Current Document 圖像邊緣檢測9 HYPERLINK l bookmark26 o Current Document 3.1.1邊緣檢測算法的步驟9 HYPERLINK l bookmark28 o Current Document 3.1.2邊緣檢測

5、與提取的主要算法10 HYPERLINK l bookmark40 o Current Document 3.2圖像分割12 HYPERLINK l bookmark47 o Current Document 閾值分割思想和原理13 HYPERLINK l bookmark49 o Current Document 直方圖閾值分割法133.2.3最大類間方差法（OTSU）14 HYPERLINK l bookmark59 o Current Document 數(shù)字濾波算法15 HYPERLINK l bookmark61 o Current Document 平均濾波15 HYPERLINK

6、l bookmark63 o Current Document 中值濾波16 HYPERLINK l bookmark65 o Current Document 第四章圖像仿真實驗17 HYPERLINK l bookmark67 o Current Document 裝甲車形心位置仿真實驗17 HYPERLINK l bookmark69 o Current Document 仿真實驗步驟17仿真實驗圖18 HYPERLINK l bookmark71 o Current Document 仿真結(jié)果分析22 HYPERLINK l bookmark73 o Current Document

7、豆形膠質(zhì)軟糖個數(shù)仿真實驗22 HYPERLINK l bookmark75 o Current Document 仿真實驗步驟22 HYPERLINK l bookmark77 o Current Document 實驗仿真圖23 HYPERLINK l bookmark81 o Current Document 仿真結(jié)果分析26 HYPERLINK l bookmark87 o Current Document 參考文獻27第一章綜述數(shù)字圖像處理（DigitalImageProcessing）是通過計算機對圖像進行去除噪聲、增強、復(fù)原、分割、提取特征等處理的方法和技術(shù)1。最早出現(xiàn)于20世紀5

8、0年代，當時的電子計算機已經(jīng)發(fā)展到一定水平，人們開始利用計算機來處理圖形和圖像信息。一般來講，對圖像進行處理（或加工、分析）的主要目的有三個方面：（1）提高圖像的視感質(zhì)量，如進行圖像的亮度、彩色變換，增強、抑制某些成分，對圖像進行幾何變換等，以改善圖像的質(zhì)量。（2）提取圖像中所包含的某些特征或特殊信息，這些被提取的特征或信息往往為計算機分析圖像提供便利。提取特征或信息的過程是模式識別或計算機視覺的預(yù)處理。提取的特征可以包括很多方面，如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特征、紋理特征、形狀特征、拓撲特征和關(guān)系結(jié)構(gòu)等。（3）圖像數(shù)據(jù)的變換、編碼和壓縮，以便于圖像的存儲和傳輸。圖像的邊緣是圖像

9、最基本也是最重要的特征之一。邊緣檢測一直是計算機視覺和圖像處理領(lǐng)域的經(jīng)典研究課題之一。圖像分析和理解的第一步常常是邊緣檢測，邊緣檢測的目的是去發(fā)現(xiàn)圖像中關(guān)于形狀和反射或透射比的信息，是圖像處理圖像分析模式識別計算機視覺以及人類視覺的基本步驟之一。其結(jié)果的正確性和可靠性將直接影響到機器視覺系統(tǒng)對客觀世界的理解。圖像分割是圖像處理與計算機視覺領(lǐng)域低層次視覺中最為基礎(chǔ)和重要的領(lǐng)域之一，它是對圖像進行視覺分析和模式識別的基本前提2閾值法是一種傳統(tǒng)的圖像分割方法，因其實現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)已被應(yīng)用于很多的領(lǐng)域。本次試驗著重于對圖像的邊緣提取和分割。具體

10、的研究現(xiàn)狀以及相關(guān)算法將在下面章節(jié)具體描述。第二章數(shù)字圖像處理技術(shù)簡介2.1數(shù)字圖像處理技術(shù)發(fā)展圖像處理技術(shù)基本可以分成兩大類：模擬圖像處理和數(shù)字圖像處理。數(shù)字圖像處理是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計算機進行處理的過程。其優(yōu)點是處理精度高，處理內(nèi)容豐富，可進行復(fù)雜的非線性處理，有靈活的變通能力，一般來說只要改變軟件就可以改變處理內(nèi)容。困難主要在處理速度上，特別是進行復(fù)雜的處理。數(shù)字圖像處理技術(shù)主要包括如下內(nèi)容：幾何處理、算術(shù)處理、圖像增強、圖像復(fù)原、圖像重建、圖像編碼、圖像識別、圖像理解3。數(shù)字圖像處理技術(shù)的發(fā)展涉及信息科學(xué)、計算機科學(xué)、數(shù)學(xué)、物理學(xué)以及生物學(xué)等學(xué)科，因此數(shù)理及相關(guān)的邊緣學(xué)

11、科對圖像處理科學(xué)的發(fā)展有越來越大的影響數(shù)字圖像處理的早期應(yīng)用是對宇宙飛船發(fā)回的圖像所進行的各種處理4。到了70年代，圖像處理技術(shù)的應(yīng)用迅速從宇航領(lǐng)域擴展到生物醫(yī)學(xué)、信息科學(xué)、資源環(huán)境科學(xué)、天文學(xué)、物理學(xué)、工業(yè)、農(nóng)業(yè)、國防、教育、藝術(shù)等各個領(lǐng)域與行業(yè)，對經(jīng)濟、軍事、文化及人們的日常生活產(chǎn)生重大的影響。2.2數(shù)字圖像處理的特點2.2.1數(shù)字圖像處理的主要特點（1）目前數(shù)字圖像處理的信息大多是二維信息，處理信息量很大，因此對計算機的計算速度、存儲容量等要求較高。（2）數(shù)字圖像處理占用的頻帶較寬，與語言信息相比，占用的頻帶要大幾個數(shù)量級。所以在成像、傳輸、存儲、處理、顯示等各個環(huán)節(jié)的實現(xiàn)上，技術(shù)難度較

12、大，成本也高，這就對頻帶壓縮技術(shù)提出了更高的要求。（3）數(shù)字圖像中各個像素是不獨立的，其相關(guān)性大。因此，圖像處理中信息壓縮的潛力很大。（4）由于圖像是三維景物的二維投影，一幅圖像本身不具備復(fù)現(xiàn)三維景物的全部幾何信息的能力，很顯然三維景物背后部分信息在二維圖像畫面上是反映不出來的。因此，要分析和理解三維景物必須作合適的假定或附加新的測量5。在理解三維景物時需要知識導(dǎo)引，這也是人工智能中正在致力解決的知識工程問題。（5）數(shù)字圖像處理后的圖像一般是給人觀察和評價的，因此受人的因素影響較大。由于人的視覺系統(tǒng)很復(fù)雜，受環(huán)境條件、視覺性能、人的情緒愛好以及知識狀況影響很大，作為圖像質(zhì)量的評價還有待進一步深

13、入的研究。另一方面，計算機視覺是模仿人的視覺，人的感知機理必然影響著計算機視覺的研究，這些都是心理學(xué)和神經(jīng)心理學(xué)正在著力研究的課題。2.2.2數(shù)字圖像處理技術(shù)的優(yōu)點（1）再現(xiàn)性好數(shù)字圖像處理與模擬圖像處理的根本不同在于，它不會因圖像的存儲、傳輸或復(fù)制等一系列變換操作而導(dǎo)致圖像質(zhì)量的退化，只要圖像在數(shù)字化時準確地表現(xiàn)了原稿，則數(shù)字圖像處理過程始終能保持圖像的再現(xiàn)。（2）處理精度高按目前的技術(shù)，幾乎可將一幅模擬圖像數(shù)字化為任意大小的二維數(shù)組，現(xiàn)代掃描儀可以把每個像素的灰度等級量化為16位甚至更高，這意味著圖像的數(shù)字化精度可以達到滿足任一應(yīng)用需求。（3）適用面寬圖像可以來自多種信息源，從圖像反映的客

14、觀實體尺度看，可以小到電子顯微鏡圖像，大到航空照片、遙感圖像甚至天文望遠鏡圖像。這些來自不同信息源的圖像只要被變換為數(shù)字編碼形式后，均是用二維數(shù)組表示的灰度圖像組合而成，因而均可用計算機來處理。（3）靈活性高數(shù)字圖像處理不僅能完成線性運算，而且能實現(xiàn)非線性處理，即凡是可以用數(shù)學(xué)公式或邏輯關(guān)系來表達的一切運算均可用數(shù)字圖像處理實現(xiàn)。2.3數(shù)字圖像的處理過程由于數(shù)字圖像處理的靈活性和方便性，所以數(shù)字圖像處理已成為圖像處理的主流7。常見的數(shù)字圖像處理有：圖像的采集、數(shù)字化、編碼、增強、恢復(fù)、變換、壓縮、存儲、傳輸、分析、識別、分割等，其處理流程如圖1所示。圖11）圖像數(shù)字化通過取樣和量化將一個以自然

15、形式存在的圖像變換為適合計算機處理的數(shù)字形式，圖像在計算機內(nèi)部被表示為一個數(shù)字矩陣，矩陣中每一元素稱為像素。（2）圖像的編碼編碼的目的是壓縮圖像的信息量（但圖像質(zhì)量幾乎不變）以滿足傳輸和存儲的要求，為此，可以采用模擬處理技術(shù)，再通過模-數(shù)轉(zhuǎn)換得到編碼，不過多數(shù)是采用數(shù)字編碼技術(shù)，其編碼方法可以對圖像逐點進行加工，也可以對圖像施加某種變換或基于區(qū)域、特征進行編碼。（3）圖像增強圖像增強的目的是使圖像清晰或?qū)⑵滢D(zhuǎn)換為更適合人或機器分析的形式，常用的圖像增強方法有：灰度等級直方圖處理、干擾抵制、邊緣銳化、偽彩色處理。（4）圖像恢復(fù)其目的是除去或減少在獲得圖像過程中因各種原因產(chǎn)生的退化，可能是光學(xué)系統(tǒng)

16、的像差或離焦、攝像系統(tǒng)與被攝物之間的相對運動、電子或光學(xué)系統(tǒng)的噪聲和介于攝像系統(tǒng)與被攝像物間的大氣湍流。圖像輸入設(shè)備A/D鍵盤顯示器主計算機D/A監(jiān)視器（5）圖像分割將圖像劃分為一些互不重疊的區(qū)域，每一區(qū)域是像素的一個連續(xù)集，通常采用把像素分入特定區(qū)域的區(qū)域法和尋求區(qū)域之間邊界的境界法這2種方法都可以利用圖像的紋理特性實現(xiàn)圖像分割。（6）圖像分析從圖像中抽取某些有用的度量、數(shù)據(jù)或信息，其目的是得到某種數(shù)值結(jié)果。圖像分析的內(nèi)容和模式識別、人工智能的研究領(lǐng)域有交叉，但圖像分析與典型的模式識別有區(qū)別。圖像分析需要用圖像分割方法抽取出圖像的特征，然后對圖像進行符號化的描述，這種描述不僅能對圖像中是否存

17、在某一特定對象作出回答，還能對圖像內(nèi)容作出詳細描述。圖像處理的各個內(nèi)容是互相有聯(lián)系的，一個實用的圖像處理系統(tǒng)往往結(jié)合幾種圖像處理技術(shù)才能得到所需要的結(jié)果，圖像數(shù)字化是將一個圖像變換為適合計算機處理的形式的第1步，圖像編碼可用以傳輸和存儲圖像。圖像增強和復(fù)原可以是圖像處理的最后目的，也可以是為進一步的處理作好準備8。通過圖像分割得出的圖像特征可以作為最后結(jié)果，也可以作為下一步圖像分析的基礎(chǔ)。2.4數(shù)字圖像處理研究的內(nèi)容數(shù)字圖像處理主要研究的內(nèi)容有以下幾個方面：（1）圖像變換由于圖像陣列很大,直接在空間域中進行處理,涉及計算量很大.因此,往往采用各種圖像變換的方法,如傅立葉變換、沃爾什變換、離散余

18、弦變換等間接處理技術(shù),將空間域的處理轉(zhuǎn)換為變換域處理,不僅可減少計算量,而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數(shù)字濾波處理）.目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性,它在圖像處理中也有著廣泛而有效的應(yīng)用。（2）圖像編碼壓縮圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量（即比特數(shù)）,以便節(jié)省圖像傳輸、處理時間和減少所占用的存儲器容量.壓縮可以在不失真的前提下獲得,也可以在允許的失真條件下進行.編碼是壓縮技術(shù)中最重要的方法,它在圖像處理技術(shù)中是發(fā)展最早且比較成熟的技術(shù)。（3）圖像增強和復(fù)原圖像增強和復(fù)原的目的是為了提高圖像的質(zhì)量,如去除噪聲,提高圖像的清晰度等。圖像增強不考

19、慮圖像降質(zhì)的原因,突出圖像中所感興趣的部分。如強化圖像高頻分量,可使圖像中物體輪廓清晰,細節(jié)明顯；如強化低頻分量可減少圖像中噪聲影響。圖像復(fù)原要求對圖像降質(zhì)的原因有一定的了解,一般講應(yīng)根據(jù)降質(zhì)過程建立“降質(zhì)模型”,再采用某種濾波方法,恢復(fù)或重建原來的圖像。（4）圖像分割圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一.圖像分割是將圖像中有意義的特征部分提取出來,其有意義的特征有圖像中的邊緣、區(qū)域等,這是進一步進行圖像識別、分析和理解的基礎(chǔ).雖然目前已研究出不少邊緣提取、區(qū)域分割的方法,但還沒有一種普遍適用于各種圖像的有效方法.因此,對圖像分割的研究還在不斷深入之中,是目前圖像處理中研究的熱點之一。（5）

20、圖像描述是圖像識別和理解的必要前提.作為最簡單的二值圖像可采用其幾何特性描述物體的特性,一般圖像的描述方法采用二維形狀描述,它有邊界描述和區(qū)域描述兩類方法。對于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深入發(fā)展,已經(jīng)開始進行三維物體描述的研究,提出了體積描述、表面描述、廣義圓柱體描述等方法。（6）圖像分類（識別）圖像分類（識別）屬于模式識別的范疇,其主要內(nèi)容是圖像經(jīng)過某些預(yù)處理（增強、復(fù)原、壓縮）后,進行圖像分割和特征提取,從而進行判決分類.圖像分類常采用經(jīng)典的模式識別方法,有統(tǒng)計模式分類和句法（結(jié)構(gòu)）模式分類,近年來新發(fā)展起來的模糊模式識別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識別中也越

21、來越受到重視。2.5數(shù)字圖像的發(fā)展方向經(jīng)過近90年的發(fā)展，特別是第3代數(shù)字計算機問世后,數(shù)字圖像處理技術(shù)出現(xiàn)了空前的發(fā)展，但存在一定的問題9，具體體現(xiàn)在以下5個方面：（1）在提高精度的同時著重解決處理速度的問題,巨大的信息量和數(shù)據(jù)量和處理速度仍然是一對主要矛盾；（2）加強軟件的研究和開發(fā)新的處理方法,重點是移植其他學(xué)科的技術(shù)和研究成果；（3）邊緣學(xué)科的研究（如人的視覺特性、心理學(xué)特性的研究的突破）促進圖像處理技術(shù)的發(fā)展；（4）理論研究已逐步形成圖像處理科學(xué)自身的理論體系；（5）建立圖像信息庫和標準子程序,統(tǒng)一存放格式和檢索。數(shù)字圖像處理技術(shù)的未來發(fā)展大致可歸納為：圖像處理隨著高清電視的出現(xiàn)，將

22、開展實時圖像處理的理論及技術(shù)的研究，向高速、高分辨率、立體化、多媒體化、智能化和標準化發(fā)展；圖像與圖形相結(jié)合，將朝著三維成像或多維成像的方向發(fā)展；硬件芯片方面，會將圖像處理的眾多功能固化在一個芯片上；在新理論與新算法方面的研究也會有進一步的進展。在圖像處理領(lǐng)域，近幾年來引入了一些新的理論并提出了一些新的算法如小波分析、分析幾何、形態(tài)學(xué)、遺傳算法和人工神經(jīng)網(wǎng)絡(luò)等。第三章圖像處理中常用算法3.1圖像邊緣檢測數(shù)字圖像邊緣檢測處理技術(shù)在最近的10年發(fā)展尤為迅速，每年均有數(shù)以百計的新算法誕生。這些算法在設(shè)計時大量運用數(shù)學(xué)、數(shù)字信號處理、信息論以及色度學(xué)的有關(guān)知識，而且不少新算法還充分吸取了神經(jīng)網(wǎng)絡(luò)、遺傳

23、算法、人工智能以及模糊邏輯等相關(guān)理論的一些思想，開闊了進行數(shù)字圖像邊緣檢測處理的設(shè)計思路10。3.1.1邊緣檢測算法的步驟邊緣檢測主要包括以下四個步驟：（1）圖像濾波邊緣檢測算法主要是基于圖像亮度的一階和二階導(dǎo)數(shù)但是導(dǎo)數(shù)的計算對噪聲很敏感因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。（2）圖形增強增強邊緣的基礎(chǔ)是確定圖像各點鄰域強度的變化值增強算法可以將鄰域強度值有顯著變化的點突出顯示。（3）圖像檢測在圖像中有許多點的梯度幅值比較大而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣應(yīng)該用某些方法來確定那些是邊緣點最簡單的邊緣檢測判據(jù)是梯度幅值閾值判據(jù)11。（4）圖像定位如果某一應(yīng)用場合要求確定邊緣

24、位置則邊緣的位置可以在子像素分辨率上來估計邊緣的方位也可以被估計出來。邊緣檢測的具體流程圖3.1所示：圖3.1邊緣檢測算子的流程圖3.1.2邊緣檢測與提取的主要算法邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對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反映12，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊界提取技術(shù)大都基于微分運算。首先通過平滑來濾除圖像中的噪聲，然后進行一階微分或二階微分運算，求得梯度最大值或二階導(dǎo)數(shù)的過零點，最后選取適當?shù)拈撝祦硖崛∵吔?。不妨記：Vf(x,y)=f+f&內(nèi)(3-1)為圖像的梯

25、度，Vf(x，y)是包含局部灰度的變化信息。記：e(x,y)=f2(x,y)+f2(x,y)(3-2)為梯度Vf(x,y)的幅度，e(x，y)可以用作邊緣檢測算子。為了簡化計算，也可以將e(x,y)定義為偏導(dǎo)數(shù)fx，fy的絕對值之和：e(x,y)二|/(x,y)|+1/(x,y)(3-3)(1)Sobel邊緣檢測算子Sobel邊緣算子的卷積和如圖2.2所示,圖像中的每個像素都用這兩個核做卷積。這兩個核分別對垂直邊緣和水平邊緣響應(yīng)最大，兩個卷積的最大值作為該點的輸出位。運算結(jié)果是一幅邊緣幅度圖像。匚工MHMsF日三MEF圖3.2Sobel邊緣檢測算子據(jù)此，定義Sobel算子如下：s(i,j)Ta

26、f|+|Af|xyT(f(i-1j-1)+2f(i-1j)+f(i-1j+1)-(f(i+1j-1)+2f(i+1j)+f(i+1j+1)|+|(f(i-1j-1)+2f(i+1j-1)-(f(i-1j-1)+2f(i,j+1)+f(i+1j+1)|(3-4)卷積算子為：-10-1-2-Af:-202,Af:000 x-101y121適當去門限TH,作如下判斷：s(i,j)TH，(i,j)為階躍狀邊緣點，s(I,J)為邊緣圖像。Sobel算子很容易在空間上實現(xiàn),Sobel邊緣檢測器不但產(chǎn)生較好的邊緣檢測效果,而且受噪聲的影響也比較小,當使用于大的領(lǐng)域時,抗噪聲特性會更好,但這樣做會增加計算量,

27、并且得出的邊緣也較粗。Sobel算子利用像素點上下、左右鄰點的灰度加權(quán)算法,根據(jù)在邊緣點處達到極值這一現(xiàn)象進行邊緣的檢測，Sobel算子對噪聲具有平滑作用，提供較為精準的邊緣方向信息,但它同時也會檢測出許多的為邊遠,邊緣定位精度不夠高。當對精度要求不是很高時，是一種較為常用的邊緣檢測方法。(2)Robert邊緣檢測算子Roberts邊緣檢測算子根據(jù)任意一對互相垂直方向上的差分可用來計算梯度的原理，采用對角線方向相鄰兩像素之差，即：AfTf(i,j)-f(i+1,j+1)AfTf(i,j+1)-f(i+1,j)xyR(i,j)tJa2F+A2F或R(i,j)t|Af+|Af1xyxy它們的卷積算

28、子為：fAf：0有了Af,Af之后，很容易計算出Robert的梯度幅值R(i,j)，適當取門限xyTH作如下判斷：r(i,j)TH，(i,j)為階躍邊緣點，R(i,j)為邊緣圖像。(3)Prewitt邊緣檢測算子Prewitt算子是一種邊緣樣板算子。這些算子樣板由理想的邊緣子圖像構(gòu)成。依次用邊緣樣板去檢測圖像，與被檢測區(qū)域為相似的樣板給出最大值。用這個最大值作為算子的輸出值P(i,j)，這樣可將邊緣像素檢測出來。定義Prewitt邊緣檢測算子模板如下：11111111-11-1-11-211-2-11-2-11-2-1-1-1-11-1-111-1111(a)l方向(b)2方向(c)3方向(d

29、)4方向-1-1-1-1-11-1111111-21-1-21-1-21-1-21111111-111-1-11(e)5方向(f)6方向(g)7方向(h)8方向8個算子樣板對應(yīng)的邊緣方向如下圖3-3所示：1834567圖3-3Prewitt邊緣方向圖適當取TH,作如下判斷：p(i,j)TH，(i,j)為階躍邊緣點，P(i,j)為邊緣圖像。3.2圖像分割圖像分割是將數(shù)字圖像分成互不重疊的區(qū)域并提取出感興趣目標的技術(shù)?？梢娫趫D像特征提取之前重要的一部分工作就是圖像分割，圖像分割是圖像識別和圖像理解的基本前提步驟。圖像分割算法一般是基于灰度的兩個性質(zhì)之一：不連續(xù)性和相似性。第一個性質(zhì)的應(yīng)用是基于灰度

30、的不連續(xù)變化來分割圖像13。第二個性質(zhì)的主要應(yīng)用是根據(jù)事先制定的準則將圖像分割為相似的區(qū)域。這兩種方法都有各自的優(yōu)點和缺點。常見的分割方法有閾值分割、邊緣檢測、邊緣跟蹤、區(qū)域分裂與合并等。如下圖3-4所示：圖3-4圖像分割法3.2.1閾值分割思想和原理若圖像中目標和背景具有不同的灰度集合：目標灰度集合與背景灰度集合，且兩個灰度集合可用一個灰度級閾值T進行分割。這樣就可以用閾值分割灰度級的方法在圖像中分割出目標區(qū)域與背景區(qū)域，這種方法稱為灰度閾值分割方法。在物體與背景有較強的對比度的圖像中，此種方法應(yīng)用特別有效。比如說物體內(nèi)部灰度分布均勻一致，背景在另一個灰度級上也分布均勻，這時利用閾值可以將目

31、標與背景分割得很好。如果目標和背景的差別是某些其他特征而不是灰度特征時，那么先將這些特征差別轉(zhuǎn)化為灰度差別，然后再應(yīng)用閾值分割方法進行處理，這樣使用閾值分割技術(shù)也可能是有效的設(shè)圖像為f(x,y)，其灰度集范圍是0,L，在0和L之間選擇一個合適的灰度閾值T,則圖像分割方法可由式(3-4)描述g(x,y)二f(x,y)0f(x,y)gTelse(3-5)3.2.2直方圖閾值分割法該閾值化方法的依據(jù)是圖像的直方圖，通過對直方圖進行各種分析來實現(xiàn)對圖像的分割。圖像的直方圖可以看作是像素灰度值概率分布密度函數(shù)的一個近似，設(shè)一幅圖像僅包含目標和背景，那么它的直方圖所代表的像素灰度值概率密度分布函數(shù)實際上就

32、是對應(yīng)目標和背景的兩個單峰分布密度函數(shù)的和。圖像二值化過程就是在直方圖上尋找兩個峰、一個谷來對一個圖像進行分割，也可以通過用兩級函數(shù)來近似直方圖。Rosenfeld等提出了僅由邊緣值較低的像素點構(gòu)成灰度直方圖的方法，使所得直方圖與原始直方圖相比，雙峰基本保持不變，而谷底變得更深。有人提出了用直方圖的凸凹度來尋找最佳閾值，具體實現(xiàn)是通過函數(shù)計算，設(shè)凸函數(shù)為f,而概率密度函數(shù)為p，找出理論上兩者的差別p-fl，當計算p凹度時，最深的凹1111點可視為閾值的候選值。設(shè)物體的光滑度為S,凹點的選擇是通過一些目標屬性的反饋，最終得出最佳閾值由公式給出：T*二argmax|pif1|,s(3-6)在這里，

33、考慮了物體的光滑情況，而其他一些類似的方法沒有考慮物體分布的均勻情況，只把最深的凹點作為最佳閡值。323最大類間方差法(OTSU)最大類間方差法又稱為OTSU算法3，該算法是在灰度直方圖的基礎(chǔ)上用最小二乘法原理推導(dǎo)出來的，具有統(tǒng)計意義上的最佳分割閾值。它的基本原理是以最佳閾值將圖像的灰度直方圖分割成兩部分，使兩部分的方差取最大值，即分離性最大。設(shè)X是一幅具有L級灰度級的圖像，其中第i級像素為N個，i的值在i0L1之間，圖像的總像素點個數(shù)為：(3-7)N=1Nii二0第i出現(xiàn)的概率為：(3-8)在0TSU算法中，以閾值k將所有的像素分為目標C和背景c兩類。其中，C010類的像素灰度級為0k-1,

34、C類的像素灰度級為kL-1。1圖像的總平均灰度級為：卩=因iP(3-9)ii二0C類像素所占面積的比例為：3=藝P00ii二0C類像素所占面積的比例為：二1-3110C類像素平均灰度為：卩(k)二卩(k)/30000C類像素平均灰度為：卩伙)二卩(k)/31111其中，卩(k)=藝iP,卩(k)=因iP=1-卩(k)0i1i0i二0i二0則類間方差公式為：52(k)=3(卩一卩)2+3(卩一卩)2(3-10)0010令k從0L-1變化，計算在不同k值下的類間方差52(k)，使得52(k)最大時的那個k值，就是所要求的最優(yōu)閾值。3.2數(shù)字濾波算法3.2.1平均濾波均值濾波是一種典型的線性濾波算法

35、，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素(以目標像素為中心的周圍8個像素，構(gòu)成一個濾波模板，即去掉目標像素本身)。在模板中的全體像素的平均值來代替原來像素值。(1)均值濾波原理均值濾波原理是基于領(lǐng)域平均法，它是將原圖像中一個像素的灰度值。它采用模板計算的思想，模板操作實現(xiàn)一種領(lǐng)域運算，即某個像素點的結(jié)果不僅與本像素灰度有關(guān)，而且與其領(lǐng)域點的像素值有關(guān)。模板運算在數(shù)學(xué)中的描述就是卷積運算，領(lǐng)域平均法的數(shù)學(xué)公式表達式為：g(x,y)=+Yf(x,y)(3-11)f,s其中，(x,y)為待處理的當前像素點，g(x,y)為處理后圖像在該點上的灰度值，S為模板，M為該模板中包含

36、當前像素在內(nèi)的像素總個數(shù)。(2)均值濾波算法的步驟1選擇一個(2n+1)*(2n+1)的窗口(通常為3*3或5*5)，并用該窗口沿圖像數(shù)據(jù)進行行或列的滑動。讀取窗口下各對應(yīng)像素的灰度值。求取這些像素的灰度平均值代替窗口中心位置的原始像素灰度值。3.2.2中值濾波中值濾波是對某一被測參數(shù)連續(xù)采樣N次(一般N取奇數(shù))，然后把N次采樣值從小到大，或從大到小排序，再取其中間價值作為為本次采樣值。設(shè)有x,x，,x,共N個數(shù)，其計算算法如下：11n利用排序算法將x重新排序，生成以排好序的新的數(shù)列yy，y。i12n計算N/2，如果能整除說明是偶數(shù)，不能整除說明是奇數(shù)，取N/2的整數(shù)部分，設(shè)為k。(3)計算所

37、求數(shù)值當N是偶數(shù)時，z=(y+J)/2(3-12)kk+1當N是奇數(shù)時，z=y(3-13)k中值濾波對于去掉偶然因素引起的波動或采樣器不穩(wěn)定而造成的誤差所引起的脈沖干擾比較有效，對溫度、液位等變化緩慢的被測參數(shù)采用此法能收到良好的濾波效果。第四章圖像仿真實驗4.1裝甲車形心位置仿真實驗4.1.1仿真實驗步驟因為原始圖像是RGB彩色圖像，首先將其轉(zhuǎn)換成灰度圖像，然后利用上述閾值分割算法中最大類間方差法（Qtsu）來計算得到灰度圖像轉(zhuǎn)換為二值化圖像的最佳閾值，通過這個閾值將灰度圖像分割成二值化圖像，這樣就使得背景和目標分離開來，由于背景中存在著許多有目標灰度值相接近的圖像，因此二值化后其就會保留下

38、來，在背景中形成許多的雜點干擾。為了使得雜點得到修補，就必須使用第三章中提到的中值濾波算法進行濾波，這樣就會使得圖像中的一些斑點顯得更加圓潤；在使用上面提到的邊緣檢測算法，對濾波后的圖像進行邊緣檢測，以此來提取出坦克的邊緣。然后對邊緣檢測圖像進行空洞填充，使得目標區(qū)域圖像值為1，非目標區(qū)域圖像為值為0。此時的圖像仍然存在著一些不需要的空洞。然后用matlab中的計算各聯(lián)通域的面積的函數(shù)，來計算出每一塊連通區(qū)域的面積，然后取一個合適的閾值，去掉那些面積小于該閾值的空洞部分，以此來坦克的外形輪廓。然后利用matlab中的求形心函數(shù)來求得坦克的形心。此方法的關(guān)鍵在于通過閾值分割來將背景與目標區(qū)域分割

39、開，并使得目標區(qū)域不會丟失，然后就是通過設(shè)置恰當?shù)拿娣e閾值，來將一些連通域面積小于該閾值的部分去除掉，來獲得整個坦克的外形輪廓，最后通過外形輪廓來尋找形心位置。通過此方法獲取形心的matlab流程圖如下圖所示：圖4-2為經(jīng)過rgb2gray（）灰度化以后的灰度圖片 圖4-2為經(jīng)過rgb2gray（）灰度化以后的灰度圖片 #圖4-1坦克形心程序流程圖4.1.2仿真實驗圖 灰慣吃團片圖4-2灰度化圖片圖4-3為經(jīng)Qtsu算法進行分割后的二值化圖片圖4-3二值化圖片 圖4-8為獲得坦克形心的圖片如下所示： 圖4-4為經(jīng)過中值濾波后得到的圖像如下所示:圖4-4濾波二值化圖像圖4-5為通過Sobel算子

40、來獲得的邊緣檢測圖像如下所示OOO邊維檢測圈片圖4-5邊緣檢測圖片圖4-6為經(jīng)過孔洞填充后的二值化圖片如下所示：圖4-6孔洞填充圖片圖4-7為通過設(shè)定一個面積閾值來消除非必要的孔洞部分得到的圖片如下圖4-7坦克輪廓外形圖片咀克輪廓團煤圖4-8坦克形心圖4.1.3仿真結(jié)果分析從圖4-8中可以看出，進過一系列閾值分割、濾波、邊緣檢測、去除孔洞等算法，很好的提取到了坦克的外形輪廓，并獲得坦克外形的形心，但唯一的遺憾是，由于坦克的陰影部分與坦克的灰度值比較接近，因此并沒有將其與坦克分開，造成獲取到的形心存在在一定的誤差。獲得形心的位置如下所示：centroida=234.9259273.30144.2豆形膠質(zhì)軟糖個數(shù)仿真實驗4.2.1仿真