第三章目标检测方法_1_-6.ppt

* * * * * * 第二节 * * 式中p(x)是随机变量x的概率密度函数。 * * * * * 第五节 最大熵阈值分割 熵是平均信息量的表征，在数字图像处理和模式识别上有很多应用。 对于数字图像来说，随机变量可以是灰度级值、区域灰度、梯度等特征。灰度的最大熵，就是选择一个阈值，使图像用这个阈值分割出的两部分的一阶统计的信息量最大。 设 为图像中灰度级 的像素点数， 为灰度级 出现的概 率，则： 假设图像中灰度级小于 的像素点构成目标区域A，灰度级大于 的像素点构成目标区域B，那么各概率在基本区域的分布分别 为： A区： B区： 目标区域和背景区域的熵分别定义为： 则熵函数定义为： 当熵函数取得最大值时对应的灰度值就是所求的最佳阈值： ⑶、基于阈值分割的目标位置计算 利用合适的阈值选取方法计算出整场图像的分割阈值，通过对图像二值化实现目标与背景分离，分割出的全体目标像元位置数据和目标像元的总点数，计算出目标的重心位置或形心位置，也就是目标在摄像机靶面的位置。重心或形心数据则作为下一场的跟踪数据；目标的重心或形心相对于视场中心的位置数据，则作为目标的偏差数据，也就是脱靶量。 基于图像边缘信息的分割方法是最容易,也是最常用的一类图像分割方法，边缘标示出图像的灰度、纹理、颜色等不连续的地方。下图是基于边缘的图像分割方法的检测结果： 边缘检测的结果常常不能当作图像分割的结果，必须进一步处理，将边缘点沿着边界(轮廓)连起来。 噪声 断线 3.3.2 基于边缘的图像分割 ⑴、几种常用的边缘检测方法 Robert边缘检测算子 Prewitt边缘检测算子 Sobel边缘检测算子 Laplacian边缘检测算子 LoG边缘检测算子（ 也叫做Gauss-Laplacian算子 ） Canny边缘检测算子 改进Sobel边缘检测算子 改进后的Sobel算子 3.3.3 基于区域的图像分割 前面的方法是寻找区域的边界；本节的方法是直接构成区域。 同质性(灰度、颜色、纹理、形状、模式)是区域的重要特性。 区域增长的基本思想是：把图像分成若干具有同质性的最大的区域。 选择什么特性来描述区域，对图像分割的结果、复杂程度、所用的先验知识的数量都有影响。 区域增长的方法：合并；分裂 ；分裂加合并 具体的算法实现： 确定一个初始的分割区域，定义同质性准则和分层的数据结构； 如果任何区域R不均匀，就分裂成四个子区域； 如果任何四个区域具有同质的父节点，就合并成一个区域； 任何两个相邻的区域灰度相似，合并它们； 00 01 02 03 30 32 33 1 2 区域合并是一个迭代过程，每一步都重新计算被扩大区域的物体成员隶属关系并消除弱边界。当没有可以消除的弱边界时，区域合并过程结束。这时图像分割也就完成了。检查这个过程会使人感觉是一个物体内部不断增长，直到其边界对应于物体的真正边界的过程。 区域增长算法比一些简单算法的开销大，但区域增长能够直接利用图像的若干性质来决定最终边界的位置。一般来说在得不到足够的先验知识情况下，它在自然景物的分割方面能够显示出最佳性能。 3.4 基于图像匹配技术的目标检测算法 基于图像灰度的匹配算法 绝对平衡搜索法 归一化互相关匹配 图像匹配的加速算法 基于图像特征的匹配算法 目标像素数：符合目标灰度分布的像素点总数; 目标均值：目标像素点的灰度均值; 复杂度：边界像素点数与总目标像素点数的比值; 长宽比:目标像素数最多一行与最多一列的比值; 紧凑度:目标像素数与目标长、宽之比值。 点、线等几何形状特征 不变矩特征 边缘特征 幅度、直方图、频率系数 基于相似性判据最优化的方法 基于核密度估计的mean shift方法 基于不变特征的匹配方法（SIFT、SURF等） 基于神经网络的方法 配准过程中要注意的关键点： 特征空间的选择 对于配准图像有许多特征可供选择，例如：图像本身的灰度、边缘、曲线、角点、直线交点、高曲率点，也可以是不变矩、重心等。 相似性测度的选择 相似性测度的选择是图像配准中最重要的步骤之一，它决定如何确定匹配位置，其配准的程度最后转化为匹配或不匹配。 搜索空间与策略的选择 搜索空间通常是要找到配准的最佳位置的位置集，很多情况下，减少测量的数量很重要，误匹配位置越多，计算量就越大，问题越严重。可以利用一些可得到的信息去掉不可能匹配的搜索子空间，从而减少计算量。 配准的方法： 图像配准的一般做法是，首先在参考图上选取以某一目标点为中心的图像子块，并称它为图像配准的目标窗口，然后让目标窗口在待配准图上有秩序地移动，每移到一个位置，就把目标窗口与待配准图的对应部