《人工智能控制技術(shù)》 課件 chap10-圖像處理案例

《人工智能控制技術(shù)》圖像優(yōu)化處理實例圖像處理概述圖像處理技術(shù)屬于模式識別和優(yōu)化控制的交叉，許多圖像處理算法都用到優(yōu)化算法，特別是處理對象特征對比不明顯圖像，對優(yōu)化控制的要求更加提高。本章以圖像分割為例，采用遺傳算法和粒子群算法對圖像進行優(yōu)化處理，給出了完成的處理過程，說明進化算法在優(yōu)化控制中的應(yīng)用。依托計算機技術(shù)的發(fā)展，自20世紀60年代開始，人們不斷利用計算機對圖像的質(zhì)量進行改善，逐漸形成了圖像處理這一學(xué)科。數(shù)字圖像處理（DigitalImageProcessing）又被稱作計算機圖像處理，是一種將圖像信號進行數(shù)字化后，利用計算機處理的過程。隨著計算機科學(xué)、電子學(xué)和光學(xué)研究的逐漸深入，該技術(shù)在諸多領(lǐng)域之中的應(yīng)用越來越廣泛，比如人臉識別技術(shù)的廣泛應(yīng)用。另外，在工業(yè)現(xiàn)場中，作為大型控制系統(tǒng)的一部分，許多其他傳感器不能處理的情況也廣泛應(yīng)用圖像處理技術(shù)，比如港口或碼頭的裝卸、礦山的礦石識別、大型設(shè)備的焊接等都用到圖像識別技術(shù)。圖像處理概述在對圖像的研究過程中，人們往往會對其中的某些部分產(chǎn)生興趣，我們一般稱之為目標或前景，而圖像當中的其他部分則被稱為背景，例如人臉識別中的人臉、礦石分揀中礦石等都是目標或前景。目標通常對應(yīng)于圖像中特定的、具有獨特性質(zhì)的區(qū)域。為了更好識別和分析目標，我們就需要將與目標有關(guān)的區(qū)域分離出來，排除背景區(qū)域的干擾，以便在此基礎(chǔ)上對目標進行特征提取或測量等。圖像邊緣能夠反映圖像的結(jié)構(gòu)特征信息，并將圖像分成不同區(qū)域，因此圖像邊緣檢測是所有基于邊界的圖像分割方法的基礎(chǔ)；由于圖像中的目標與背景往往在灰度上有較大的差異，因此可利用它們在不同區(qū)域上灰度值的不同提取閾值來分離出目標。圖像分割依據(jù)其中各區(qū)域的不同性質(zhì)，如顏色、灰度等，將圖像劃分成若干具有相同或相似性質(zhì)的子區(qū)域，以便提取對整幅圖像的描述信息。本章介紹了有關(guān)數(shù)字圖像處理的基本知識，對多種圖像分割方法進行了舉例說明，并結(jié)合進化算法與圖像分割技術(shù)進行了實例分析。數(shù)字圖像處理技術(shù)簡介圖像處理基本概念圖像是三維世界在二維平面內(nèi)的可視化表示，其包含了它所表達事物的大部分信息?！皥D”是物體反射或透射電磁波的分布，而“像”是視覺系統(tǒng)在接收到“圖”信息后，在大腦中形成的認識。根據(jù)屬性不同，可以對圖像進行分類。從顏色上看，圖像分為彩色圖像、灰度圖像和黑白圖像等；從獲取途徑上看，圖像分為拍攝類圖像和繪制類圖像；從內(nèi)容上看，圖像分為人物圖像、風景圖像等；從功能上看，圖像又分為流程圖、結(jié)構(gòu)圖、電路圖和設(shè)計圖等。對景物的圖像作處理，主要有三步：首先需要用相應(yīng)的設(shè)備或技術(shù)將景物轉(zhuǎn)換成數(shù)字圖像﹐常用的兩種獲取方式為利用數(shù)字攝像機直接把景物轉(zhuǎn)換成計算機可以接收的數(shù)字圖像，或是通過數(shù)字掃描儀的掃描，把紙質(zhì)相片或其他材質(zhì)上的圖像轉(zhuǎn)換成計算機可以接收的數(shù)字圖像。然后，利用計算機對數(shù)字圖像進行處理，將景物轉(zhuǎn)換成計算機可以接收的數(shù)字圖像的這一過程稱為圖像的感知與獲取。在這一步驟中，根據(jù)應(yīng)用目的的不同，可以選擇高性能的超級計算機，也可以使用普通的PC。最后選用相應(yīng)的設(shè)備輸出處理結(jié)果，目前常用的輸出設(shè)備是彩色顯示器，根據(jù)應(yīng)用目的的不同，也可以將處理結(jié)果進行打印輸出或存儲在記錄設(shè)備上。圖像處理研究內(nèi)容1.圖像運算：圖像基本運算的思路是通過對圖像中的所有像素實施相同的運算，包括點運算、代數(shù)運算以及邏輯運算，或?qū)煞鶊D像進行點對點的灰度值運算，來實現(xiàn)對圖像的某種處理和分析。例如對圖像灰度值的變換、對圖像進行消噪處理、對圖像整體形狀的改變等。2.圖像變換：圖像變換的基本思路是通過對圖像實施某種變換，來改變像素的空間關(guān)系，以此來改變圖像的空間結(jié)構(gòu)，為提高圖像處理的效果奠定基礎(chǔ)。3.圖像增強：圖像增強的基本思路是簡單地突出圖像中我們所感興趣的特征，或?qū)ふ彝緩絹盹@現(xiàn)圖像中模糊的細節(jié)，使圖像更清晰地被顯示出來，最終達到適宜處理與分析的效果。4.圖像恢復(fù)：圖像恢復(fù)的基本思路是從退化圖像的數(shù)學(xué)模型出發(fā)，對圖像的外觀進行改進，從而使恢復(fù)后的圖像盡可能地反映出圖像的原貌，其目的是獲得與目標真實面貌相像的圖像5.圖像分割：圖像分割的基本思路是根據(jù)圖像的某種特征或某種相似性測度，把一幅圖像劃分成若干個互不交迭且具有相同或相近特征的區(qū)域，以便于進一步提取出感興趣的目標，以便于對圖像進行進一步分析和描述。圖像處理研究內(nèi)容6.圖像壓縮編碼：圖像壓縮編碼的基本思路是在不損失圖像質(zhì)量或少損失圖像質(zhì)量的前提下，通過對圖像的重新編碼，盡可能地減少表示該圖像的字節(jié)數(shù)量，以滿足圖像存儲和實時傳輸?shù)膽?yīng)用需求。7.圖像特征提取：圖像特征提取的基本思路是通過檢測和提取出圖像的自然特征，如圖像的邊緣、紋理和形狀等，或通過計算出圖像的人為特征，比如方差、均值和熵等，為進一步的圖像目標識別、圖像特征分析和機器視覺應(yīng)用奠定基礎(chǔ)。8.小波圖像處理：小波圖像處理以具有變化的頻率和有限的持續(xù)時間為特征的小波變換為基礎(chǔ)，利用小波變換的多分辨率表示與分析優(yōu)勢進行圖像處理的方法。9.形態(tài)學(xué)圖像處理：以集合論為數(shù)學(xué)工具的數(shù)學(xué)形態(tài)學(xué)圖像處理方法的基本思路是用具有一定形態(tài)的結(jié)構(gòu)元素探測圖像，通過檢驗結(jié)構(gòu)元素在圖像中的可放性和填充方法的有效性，來獲取有關(guān)圖像形態(tài)結(jié)構(gòu)的相關(guān)信息，從而實現(xiàn)對圖像的處理和分析。圖像處理應(yīng)用領(lǐng)域數(shù)字圖像處理早期應(yīng)用于傳送數(shù)字化的新聞圖片，隨著技術(shù)的演化，逐步運用到多個方面，如空間探測、醫(yī)學(xué)圖像、地球遙感監(jiān)測和天文領(lǐng)域等，都取得了一定成果。時至今日，數(shù)字圖像處理已經(jīng)滲透到了各行各業(yè)當中。以下是圖像處理應(yīng)用的熱門領(lǐng)域：1媒體通信。圖像傳輸、電視電話、衛(wèi)星通信、數(shù)字電視等。2遙感技術(shù)。自然災(zāi)害監(jiān)視、環(huán)境污染監(jiān)測、礦產(chǎn)勘探、水文觀測、城市規(guī)劃、地貌及地質(zhì)構(gòu)造測繪等。3工業(yè)生產(chǎn)。生產(chǎn)過程自動化、零件缺陷檢測、彈性力學(xué)照片的應(yīng)力分析、郵政信件的自動分揀、石油勘探、工業(yè)機器人視覺的應(yīng)用與研究。4生物醫(yī)學(xué)。X光、超聲波圖像處理、心電圖分析、立體定向放射治療、顯微鏡圖像分析、內(nèi)窺鏡圖、CT及核磁共振圖分析等。5軍事技術(shù)。航空及衛(wèi)星照片的判讀、導(dǎo)彈制導(dǎo)、偵察照片的判讀、聲納圖像處理、軍事系統(tǒng)仿真等。6生活與偵緝破案。人臉識別的門禁系統(tǒng)，人臉識別的支付系統(tǒng)等等、不完整圖片的復(fù)原、指紋識別、人臉鑒別、偽鈔識別等。7宇宙探索。衛(wèi)星遙感技術(shù)、其他星系圖像的處理。數(shù)字分割技術(shù)圖像分割技術(shù)介紹圖像分割，就是將一幅數(shù)字圖像分割成不同的區(qū)城，在同一區(qū)域內(nèi)的部分具有在一定的準則下可認為是相同的性質(zhì)，例如灰度、顏色、紋理等，而任何相鄰區(qū)城之間的性質(zhì)具有明顯的區(qū)別。圖像分割在很多領(lǐng)城都有著非常廣泛的應(yīng)用，是識別圖像特征的基礎(chǔ)。圖像分割的研究最早可以追溯到20世紀60年代，目前國內(nèi)外學(xué)者己經(jīng)提出了上千種圖像分割算法，但仍缺少一種適合于所有圖像的通用分割算法。在已提出的算法中，較為經(jīng)典的算法有邊緣檢測方法、閾值分割法和區(qū)域分割技術(shù)。隨著近十年來諸如數(shù)學(xué)形態(tài)學(xué)、小波分析和模糊數(shù)學(xué)等理論的成熟，大量學(xué)者致力將新的理論和方法用于圖像分割，有效地改善了分割效果。圖像分割是圖像處理、模式識別和人工智能等多個領(lǐng)域中一個十分重要且又十分困難的問題，是計算機視覺技術(shù)中首要的、重要的關(guān)鍵步驟。圖像分割結(jié)果的好壞直接影響對計算機視覺中的圖像理解。圖像分割技術(shù)介紹閾值分割技術(shù)是最經(jīng)典和流行的圖像分割方法之一，也是最簡單的一種圖像分割方法。此方法的關(guān)鍵在于尋找適當?shù)幕叶乳撝担ǔＪ歉鶕?jù)圖像的灰度直方圖來選取。其思路是用一個或幾個閾值將圖像的灰度級進行劃分，認為屬于同一部分的像素是同一物體，不僅可以極大的壓縮數(shù)據(jù)量，而且也簡化了圖像信息的分析和處理步驟。閾值分割技術(shù)特別適用于子目標和背景處于不同灰度級范圍的圖像，該方法的最大特點是計算簡單，在重視運算效率的應(yīng)用場合中，得到了廣泛的應(yīng)用。原始圖分割結(jié)果圖像分割技術(shù)介紹邊緣檢測技術(shù)在于檢測圖像特性發(fā)生變化的位置。不同的圖像灰度不同，邊界處會存在明顯的邊緣，利用此特征可以對圖像進行分割。邊緣檢測分割法就是通過檢測出不同區(qū)城邊界來進行分割的，圖像邊緣意味著圖像當中一個區(qū)域的結(jié)束和另一個區(qū)域的開始，由于邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變和紋理結(jié)構(gòu)的突變等。圖像的邊緣包含了物體形狀的重要信息，在保留形狀重要信息的同時降低了計算的復(fù)雜程度。邊緣提取和分割是圖像分割的經(jīng)典研究課題之一，直到現(xiàn)在仍然在不斷發(fā)展。原始圖邊緣檢測結(jié)果圖形分割的定義

圖形分割的定義灰度圖像分割是圖像分割研究中最主要的內(nèi)容。其分割的依據(jù)是基于相鄰像素灰度值的不連續(xù)性和相似性，即同一區(qū)域內(nèi)部的像素一般具有灰度相似性，而在不同區(qū)域之間的邊界上一般具有灰度不連續(xù)性，所以灰度圖像的各種分割算法據(jù)此分為利用區(qū)域間灰度不連續(xù)基本邊界的圖像分割算法，和利用區(qū)域內(nèi)灰度相似性基于區(qū)域的圖像分割算法?；陂撝档姆指罘椒ɑ陂撝档膱D像分割方法，其思路在于提取物體與背景在灰度上的差異，把圖像分為具有不同灰度級的目標區(qū)域和背景區(qū)域?；陂撝档姆指罘椒?.基于單一閾值的分割方法如果一幅圖像由較亮的物體和較暗的背景組成，且物體與背景的灰度有較大差異，該圖像的灰度直方圖會呈現(xiàn)出類似于右圖所示的兩個峰值的情況，可以考慮通過圖像的全局信息進行分割。假如圖像中的背景具有同一灰度值或在整個圖像中幾乎可看作接近于某一恒定值，而圖像中的目標物體為另一確定的灰度值或接近于另一恒定值，二者的灰度級存在明顯區(qū)別，則可使用一個固定的全局閾值，將圖像分割成兩個區(qū)域，即目標對象和背景對象?；趩我婚撝档姆指畹幕叶戎狈綀D基于閾值的分割方法

基于閾值的分割方法獲取圖像的灰度直方圖，利用MATLAB軟件，具體的實現(xiàn)代碼為:closeall;clearall;clc;I=imread('rice.png');%讀入圖像figure;subplot(121);imshow(I);subplot(122);imhist(I,200);%顯示灰度直方圖原始圖灰度直方圖基于閾值的分割方法[width,height]=size(I);fori=1:widthforj=1:heightif(I(i,j)>140)K(i,j)=1;elseK(i,j)=0;endendendfigure;subplot(121);imshow(T);subplot(122);imshow(K);讀入圖像后，利用全局閾值法對圖像進行分割，分割結(jié)果如圖8-5所示。其中，左圖采用的全局閾值為120，右圖采用的全局閾值為140。利用灰度直方圖當中谷點的灰度值作為全局閾值，對圖像進行分割，就可以實現(xiàn)分離目標和背景的目的，全局閾值法的MATLAB實現(xiàn)代碼如下：closeall;clearall;clc;I=imread('rice.png');T=I>120;閾值為120閾值為140基于閾值的分割方法

基于閾值的分割方法

其它分割方法

其它分割方法

原圖分割結(jié)果其它分割方法

原圖分割結(jié)果基于進化算法圖像分割基于遺傳算法圖像分割遺傳算法（GeneticAlgorithm，GA）是模擬自然選擇的生物進化過程一種模型，能夠為許多實際應(yīng)用提供近似最優(yōu)解，因此可以將其用于解決圖像分割問題。利用基于遺傳算法的圖像分割方法，將尋找閾值問題轉(zhuǎn)化為一個優(yōu)化問題，所要達成的目標是最大化類間方差與最小化類內(nèi)方差。我們知道閾值分割后閾值兩側(cè)像素的差異越大越好，而Otsu算法定義了類內(nèi)方差和類間方差兩個指標，其中類內(nèi)方差是指閾值兩側(cè)區(qū)域內(nèi)各自方差的加權(quán)之和，表征的是區(qū)域內(nèi)部數(shù)據(jù)的離散程度，顯然屬于同一區(qū)域內(nèi)部的數(shù)據(jù)越相近越好，即類內(nèi)方差越小越好；而類間方差是指閾值兩側(cè)數(shù)據(jù)各自均值距離總均值的加權(quán)方差，其表征的是閾值兩側(cè)數(shù)據(jù)的離散程度，顯然目標和背景差異越大，類間方差越大