局部自适应阈值法 在南通蓝印花布图像分割上应用研究.docVIP

局部自适应阈值法 在南通蓝印花布图像分割上应用研究.doc

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
局部自适应阈值法 在南通蓝印花布图像分割上应用研究

局部自适应阈值法 在南通蓝印花布图像分割上应用研究   摘要:针对国家非物质文化遗产--南通蓝印花布在信息化方面的空白,综合分析南通蓝印花布数字图像的特点,提出局部自适应阈值法进行图像分割与边缘检测,并对其结果与其它与其它边缘检测方法的结果进行比对、分析与研究,明确局部自适应阈值法在南通蓝印花布的图像分割与边缘检测方面的优势;随后在JAVA EE环境中利用OpenCV函数库函数实现蓝印花布的局部自适应阈值的边缘检测与图像分割。   关键词:局部自适应阈值;边缘检测;OpenCV;JAVA;EE;形状特征图像特征的提取是基于内容图像检索的基础,如何构建反映适当图像内容的特征是进行图像检索的关键技术之一。[1]图像特征包括颜色、纹理、形状等;颜色特征具有提取方便、相似度衡量简单等优点而常被CBIR系统采用;但是,颜色特征因丢失颜色的空间分布与纹理的结果信息等缺点,使其在图像检索中极易误检;而形状特征作为另一种重要的图像特征,因其包含部分语义信息、不变等特点,可有效弥补颜色特征的不足[2]。本文正通过对南通蓝印花布图像的形状特征进行分析研究,提出针对南通蓝印花布图案纹样的局部自适应阈值图像分割方法,并与其它分割方法在其上的应用结果进行对比与分析,确定其优缺点后在JAVA EE环境下成功利用OpenCV开发实现,为设计开发基于内容的南通蓝印花布图像检索系统打下坚实的基础。   1研究背景   南通蓝印花布于2006年5月经国务院批准列入第一批国家级非物质文化遗产名录,工艺美术大师吴元新先生整理收藏明清以来实物及图片资料上万件,为其理论性夯实了理论基础。然而利用CBIR的先进技术、理念及手段对南通蓝印花布展开数字化研究还属空白。本文对南通蓝印花布大量实物数字化采集后进行系统地分析、研究,并在JAVA EE环境下利用机器视觉库OpenCV对其数字化图像开展多种形状特征提取的实验,为开发实现一个基于内容的南通蓝印花布图像检索原型系统及“南通蓝印花布”信息化工作打好基础。   2图像的形状特征的提取及其相关技术   人对形状的感知不仅仅是一个视网膜的生理反应结果,而是视网膜的感受与人关于现实世界的知识这二者之间综合的结果。因此,图像的形状特征不仅是图像的重要特征之一,更是包含语义信息在内的重要特征。图像的形状特征主要有两种表示方法:轮廓特征和区域特征。   2.1 图像的形状特征   物体和区域的形状是图像内容表达和图像检索中的另一重要的特征。提取形状特征对物体形状易于识别的图像较为适合。[4]形状特征的表示包括轮廓特征表示法和区域特征表示法两种方法;前者只利用形状的外围边界,而后者则用的是整个形状区域。[2]轮廓特征表示法适用于图像的边缘清楚、轮廓清晰、容易提取的图像。区域特征表示法则是通过利用图像区域内的灰度分布信息来提取图像中感兴趣区域的特征。[6]   2.2 图像的分割   本质上,图像只是图像内容的载体。图像的内容远比图像重要,但没有图像就看不到图像所承载的内容。正如我们对照片里的内容感兴趣,而不是对照片本身感兴趣一样。因此,形状特征的表达是以对图像中物体或区域的分割为基础的。[1]当前的技术无法做到准确而鲁棒的自动图像分割。根据使用知识的特点与层次,可将图像分割分为数据驱动与模型驱动两大类。其中数据驱动分割直接对当前图像数据进行操作,虽然也可使用有关先验知识,但不依赖于知识;模型驱动分割则直接建立在先验知识的基础上。[2]   2.2.1 基于模型驱动的图像分割法   常见的模型驱动分割包括基于可变形模板的图像分割、基于统计形状模型的图像分割等,其中基于可变形模板的图像分割是基于弹性力学的方法。而基于统计形状模型的图像分割是一种以目标物体的轮廓为训练样本构造模型的方法。本文主要以基于数据驱动的图像分割法为主。   2.2.2 基于数据驱动的图像分割法   常见的数据驱动分割包括基于边缘检测的分割、基于区域的分割、边缘与区域相结合的分割等。其中基于边缘检测的图像分割其基本思想是先检测图像中的边缘点,再按一定策略连接成轮廓,从而构成分割区域,其难点在于边缘检测时抗噪性和检测精度之间矛盾的处理。基于区域的分割是根据图像数据的特征将图像空间划分为不同的区域,常用的方法有阈值法、区域生长法、聚类法、松弛法等。其中阈值法通过设定不同的特征阈值,将像素点分为若干类从而达到分割的目的,其难点在于阈值的设定。对传统阈值法的改进包括局部阈值、模糊阈值、随机阈值等方法。针对南通蓝印花布的特点,本文采用改进的局部自适应阈值法对其进行图像分割,并与采用基于边缘检测法分割图像所产生不同结果进行比对研究,讨论分析局部自适应阈值法对蓝印花布图像的分割的优缺点。   3局部自适应阈值在南通蓝印花布图像分割上的应用   分析研究表

文档评论(0)

3471161553 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档