骨架类图文资料图像信息提取的实现.docVIP

骨架类图文资料图像信息提取的实现 摘要：本文主要针对油田测井曲线骨架类图文资料图像难于存储、提取数据困难等问题，提出二值化的图像压缩与恢复技术对骨架类图文资料进行压缩，用大津阈值的方法确定最佳灰度阈值，LAG数据结构存储黑游程，分段进行曲线骨架跟踪，提取曲线骨架所代表的实际信息，使测井曲线图得到进一步应用。 关键字：二值化；LAG；黑游程；测井曲线 1引言 测井曲线是油田在开采过程中起指导作用。测井曲线均绘在蓝图上，数量众多，不利于保存和利用。而目前图纸的计算机处理研究主要针对工程图纸，而骨架类图文资料图像的压缩、“趋于零误差”数字化的研究有限。在处理骨架类图文资料图像时，用FREEMAN链码表示矢量数据，效率低、占用存储空间大、对图像的无损压缩存储不能实现。针对该图像的无损压缩，采用游程长度编码（RLC）、行相邻图（LAG）及块相邻图（BAG）数据结构, 使得抽取曲线的骨架变得容易和高效，即从二值图像出发，根据图像的相关性对图像数据进行压缩，去掉冗余量。本文在处理骨架类图文资料图像压缩与恢复技术时，主要是针对灰度图像进行图像二值化和细化处理。 2 图像压缩与跟踪过程 骨架类图文资料图像压缩过程主要分为几个阶段： 扫描图像取得每个像素点灰度，用大津阈值的方法确定图像的最佳灰度阈值。 根据最佳灰度阈值，对图像进行二值化处理，提取黑游程。 按着一定的规则将行相邻的黑游程进行连接，实现图像中骨架类曲线的跟踪、提取。 下面就每个阶段做下具体的介绍。 2.1 确定最佳阈值 选择阈值有几种方法，一种方法是检查图像的直方图，选择一个合适的阈值。适合这种分割法的图像的直方图应是双极模式，可以在两个峰值之间的低谷处找到一个合适的阈值。但是要注意的是图像直方图是双极模式并不一定意味着图像包含感兴趣对象和背景两部分，其中还包含噪声信息等。为了解决这个问题在确定最佳阈值时，采用大津阈值的方法。下面给出大津阈值的计算公式： 设一幅图灰度值为1~m级，灰度值i的像素个数为ni。总的像素数N=，各灰度级的概率pi = ，用k将其分成两组，C0={1~k}，C1={k+1~m}， 则 C0产生的概率：ω0 = = ω(k)， C1产生的概率：ω1 = = 1-ω(k)， C0的平均值：μ0 = =， C1的平均值：μ1== 其中μ= 是整体图像的灰度平均值； μ(k)= 是阈值为k的灰度平均值； 全部采样的灰度平均值为μ=ω0μ0+ω1μ1。两组间的方差用下式求出： σ2(k)= ω0(μ0 –μ)2+ω1(μ1 –μ)2 =ω0ω1(μ0 –μ1)2 = 从1~m之间改变k，求上式为最大值的k，即求maxσ2(k)时的k*值，此时，k*值便是阈值。我们把σ2(k)叫做阈值选择函数。 在处理测井曲线图时，对于单线的情况采用“大津阈值”方法自动得到最佳阈值。但有对比线的情况，由于是三类事物的分离，此方法难以解决其阈值问题。而对比线三者的分布是——“背景——浅曲线——深曲线”，浅曲线与背景的类间距离要大于浅曲线与深曲线的类间距离；故采用改进的方法：首先把两类曲线作为一个物体，采用“大津阈值”方法得到它们与背景间的最佳阈值，之后把浅曲线看作“背景”，再采用“大津阈值”方法求得浅曲线和深曲线间的最佳阈值。 2.2 图像二值化处理 图像二值化处理过程中，采用行相邻图LAG（Line Adjacency Graph）数据结构，该结构是Pavlidis提出的一种二值图像处理的数据结构。他将同一光栅扫描行的连续的黑像素编成一个黑游程，记录每个黑游程的起点和终点，而LAG结构就是以二值图像中的黑游程为结点，相邻光栅扫描行上邻接的黑游程为边的图结构，邻接的定义如下图所示： 通过多层阈值“二值化”后，有用的黑游程信息存储在LAG数据结构中，并记录每个黑游程平均灰度值，以备后面跟踪操作使用。这可以认为是一种改进的二值化方法。 程序实现过程中LAG数据结构定义如下： Typedef struct { short startx; //节点起始x坐标 short endx; //节点终止x坐标 short linked_node_relative_offset; //节点的下一个邻接节点的相对偏移量 unsigned char gray; //节点平均灰度 unsigned char up_edges; //节点上边度个数 unsigned char dw_edges; //节点下边度个数 uns