机器视觉第2章-图像处理技术.ppt

第2章 图像处理技术 3.2 轮廓提取方法 边缘提取 如果原图一点为黑，且它的8个（或4个）相邻点都是黑色时，判断该点为内部点，将该点删除。 思想：淘空内部点 第2章 图像处理技术 3.2 轮廓提取方法 差影法 用原图像减去腐蚀后的收缩图像。 为得到单像素边缘，腐蚀操作采用3?3大小的结构算子 第2章 图像处理技术 3.2 轮廓提取方法 轮廓跟踪： 找到第一个边界点像素A：按从左到右，从下到上的顺序搜索，找到的第一个黑点一定是最左下方的边界点。 点A的右、右上、上、左上4个邻点中至少有一个边界点B。 从点B开始，定义搜索的方向为左上方；如果左上方的点位黑点，则为边界点，否则搜索方向顺时针旋转45?，直到找到一个黑点C为止。 把点C作为新的边界点，在当前搜索方向上逆时针旋转90?，用同样方法搜索下一个边界点，直到返回点A为止。 第2章 图像处理技术 4、数学形态学分析 基本运算 腐蚀与膨胀 开运算与闭运算 应用 边界提取 区域填充 图像细化与图像骨架 (见“形态学review.ppt”) 第2章 图像处理技术 5、图像投影 针对二值图像的操作，是图像分割的一种基本操作。 当物体有水平或垂直边界时，通过投影可以确定物体的大概位置。 水平投影 对图像的每一行进行遍历，计算每一行中目标像素的个数。 垂直投影 对图像的每一列进行遍历，计算每一行中目标像素的个数。 第2章 图像处理技术 6、图像特征提取 图像特征的定义：图像的原始特性或属性。 自然特征：能被视觉直接感受的，如亮度、边缘轮廓、纹理、色彩等。 人为特征：需要通过变换或测量得到，如直方图、变换频谱、矩等。 第2章 图像处理技术 6、图像特征提取 不同的图像特征分类方法： 提取区域大小：局部特征、全局特征。 在图像上的表现形式：点特征、线特征和面特征。 用于目标图像识别： 视觉特征—边缘、轮廓、形状、纹理、区域等，物理意义明确，提取比较容易。 统计特征—直方图、矩(包括均值、方差、峰度、熵)等。 变换系数特征—小波变换系数、傅立叶变换系数等。 代数特征—不变矩、奇异值等。 第2章 图像处理技术 6、图像特征提取 兴趣点提取 Harris角点 SIFT特征点 直线提取* (第5章讲解) 圆弧提取* (第5章讲解) 第2章 图像处理技术 特征点检测的作用 在图像处理研究领域中，往往要从两幅或更多的相关图像中提取有用的信息。 比如，从一张红外图像中找到与之对应的可见光图像中相同的特征部分。 由于两张图像分别通过红外摄像仪与可见光摄像机得到，图像本身之间有质的差别，无法通过一般的比较两幅图像中每一个像素点的原始方法进行信息提取。 那些具有特殊性质、有代表性的兴趣点成为考虑的重点，即特征点。 特征点检测的一个例子 第2章 图像处理技术 第2章 图像处理技术 什么是角点？ 角点是特征点最重要的一种表现形式。 角点提取越准确，对图像的理解和分析越有利。 角点对于确定场景中的物体乃至于立体视觉图像配准都有很重要的作用。 第2章 图像处理技术 角点的定义 目前，对于角点的定义并未得到统一。根据不同的提取方法，角点往往也有不同的表述。 基于灰度的角点检测：将角点描述为图像中具有周围灰度变化剧烈特征的点。 基于边缘的角点检测：将角点描述为图像边界上具有曲率足够高的点。 因此，角点的检测方法决定了角点的定义。相应地，角点的定义也决定了角点检测所采用的方法以及所检测出的角点特性。 第2章 图像处理技术 角点检测方法分类 根据角点的不同定义，现有的角点检测方法大致可以分为两类： 基于图像边缘特征的角点检测 基于图像灰度信息的角点检测 第2章 图像处理技术 基于边缘的角点检测方法基本原理 基于边缘的角点检测 一般通过图像预分割和轮廓链码提取后，再进行角点检测。 常见的检测方法有：基于边界小波变换的角点检测、基于边界链码的角点检测、基于边界曲率的角点检测。 第2章 图像处理技术 基于灰度信息的角点检测方法的基本原理 基于灰度信息的角点检测 主要通过计算曲率和梯度来进行角点提取，它不需要对图像进行预分割和边缘提取等前期工作，因此能广泛地应用到各个领域。 典型的基于灰度信息的角点检测算法有：Moravec算法、Harris算法、SUSAN算法、SIFT算法等。 第2章 图像处理技术 图像中角点的特点 给定一个小的滑动窗口，有三种情况： 平滑区域：无论窗口如何移动，图像强度无显著变化。 边缘区域：沿边缘方向灰度值无明显变化。 兴趣点区域：无论朝哪个方向移动，均会产生灰度值的巨大变化 第2章 图像处理技术 Harris角点检测算法步骤（1） 兴趣点标定步骤： 1. 采用Sobel算子计算梯度图像：Ix , Iy 2. 逐点计算乘积