图像中直线的提取方法.docxVIP

图像中直线提取以及方法研究第一节 引言在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分常称为目标或前景（其它部分称为背景），它们一般对应图像中特定的具有独特性质的区域。为了辨识和分析目标，需要将这些有关区域分离出来，在此基础上才有可能对目标进一步处理，如进行特征提取和测量。随着数字信号处理技术和计算机技术的发展，机器视觉正得到广泛而深入的研究。如何正确、快速地识别目标的特征信息，已成为机器视觉领域的研究热点。直线是图像中物体的基本特征之一，一些人造目标如房屋、道路、桥梁具有明显的直线特征，而一般物体平面图像的轮廓也可以表示为直线及弧线的组合，进而对物体轮廓也可以表示为直线及弧线的组合，进而对物体轮廓的检测可以转化为对这些基本元素的识别和提取。因此，研究图像中直线的检测算法对图像处理和模式识别具有重要意义。本文就图像中直线提取方法为核心主要介绍了图像分割技术、边缘检测以及直线提取的几种常用算法。第二节 图像分割技术图像分割（image segmentation）就是按照一定的原则将一幅图像或景物分为若干个特定的、具有独特性质的部分或子集，并提取出感兴趣的目标的技术和过程。在对各种图像的研究应用中，人们往往仅对图像中的某些部分感兴趣，这些部分常称为目标或前景（其它部分称为背景），它们往往一般对应图像中某些特定的、具有独特性质的区域。这里的独特性质可以是像素的灰度值、物体的轮廓曲线、颜色、纹理等，也可以是空间频谱或直方图特征等。在图像中用来表示某一物体的区域，其特征都是相近或相同的，但是不同物体的区域之间，特征就会急剧变化。目标可以对应单过区域，也可以对应多个区域。为了辨识和分析目标，需要将它们分离提取出来，在此基础上才有可能进一步进行图像识别与理解。图像分割的目的是把图像空间分成一些有意义的区域，例如，一幅航空照片，可以分割成工业区、住宅区、湖泊、森林等；可以以逐个像素为基础去研究图像分割，也可以利用在规定领域中的某些图像信息去分割。图像分割的依据可建立在图像上像素间的“相似性”和“非连续性”两个基本概念之上。所谓像素的“相似性”是指图像中在某个区域内像素具有某种相似的特性，图像素灰度相等或相近，像素排列所形成的纹理相同或相近。所谓的“不连续性”是指像素灰度的不连续，或是指像素排列形成的纹理结构的突变。图像分割是图像处理领域的一个基本问题，也是自动目标识别技术（ATR）中的一项关键技术，是目标特征提取、识别与跟踪的基础。目前已经提出的图像分割方法和种类很多，以不同的分类标准进行划分，图像分割的方法可以划分为不同的种类。从分割依据的角度来看，图像的分割方法可以分为相似性分割和非连续性分割。相似性分割就是将具有同一灰度级或相同组织结构的像素聚集在一起，形成图像的不同区域；非连续性分割就是首先检测局部不连续性，然后将它们连接在一起形成边界，如基于彩色分量分割、纹理图像分割等。所使用的数学工具和分析手段也不断扩展，从视域信号到频域信号处理，进来小波变换也应用在图像分割中。图像分割方法又可分为结构分割法和非结构分割法两大类。结构分割方法是根据图像的局部区域像素的特征来实现图像分割，如阈值分割、区域生长、边缘检测、纹理分析等，这些方法是假定事先知道这些区域的特性，或者在处理过程中能够求的这些特性，从而能够寻找各种形态或研究各种像素群；非结构分割法包括统计模式识别、神经网络方法或其他利用景物的先验知识实现的方法等。第三节 边缘检测边缘检测是所有基于边界分割方法最基本的处理，图像的边缘是图像的最基本特征。图像的边缘部分集中了图像大部分的信息，图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的。边缘广泛存在于物体与背景之间、物体与物体之间，因此它是图像分割所依赖的重要特征。由于图像物体中的边缘表现为灰度变化，因此，可通过计算灰度的不连续性来增强和检测边缘。边缘检测方法很多，主要有空域微分算子、拟合曲面、小波多尺度边缘检测、基于数学形态学的边缘检测等。一、空域微分算子。是传统的边缘检测方法，由于边缘是图像上灰度变化最剧烈的地方，对应连续情形就是函数梯度较大的地方，所以研究比较好的求导算子就成为一种边缘检测的思路。传统的边缘检测就是利用了这个特点，对图像各个像素点进行一阶或二阶微分来确定边缘像素点。一阶微分图像的峰处对应着图像的边缘点；二阶微分图像的过零点对应着图像的边缘点。边缘检测算子检查每个像素的领域并对灰度变化率进行量化，通常也包括方向的确定。目前已经提出了许多种算子，例如Prewitt算子和Sobel算子等就是比较简单而且常用的边缘检测算子。这些边缘检测算子的区别主要在于所采用的模版和元素系数不同，并且大多数是基于方向导数掩模求卷积的访求。根据数字图像的特点，处理图像中常采用差分来代替导数运算。对于图像的简单一阶导