chp值图像解析总结计划.docxVIP

精品文档 精品文档 PAGE PAGE20 精品文档 PAGE 第三章 二值图像剖析 一幅数字图像是一个二维阵列，阵列元素值称为灰度值或强度值．实际上，图像在量化成数字图像前是一个连续强度函数的会合，场景信息就包含在这些强度值中．图像强度往常被量 化成256个不同灰度级，对某些应用来说，也常有32、64、128或512个灰度级的情况，在医疗领域里甚至使用高达4096(12bits）个灰度级．很明显，灰度级越高，图像质量越好，但所需 的内存也越大． 在机器视觉研究的早期，由于内存和计算能力特别有限，而且十分昂贵，因此视觉研究人 员把精力主要集合在研究输入图像仅包含两个灰度值的二值视觉系统上．人们注意到，人类视 觉在理解仅由两个灰度级组成的线条、轮廓影像或其余图像时没有任何困难，而且应用场合很 多，这一点对研究二值视觉系统的研究人员是一个极大的激励． 随着计算机计算能力的不断增强和计算成本的不断下降， 人们普遍开始研究鉴于灰度图像、 彩色图像和深度图像的视觉系统． 只管如此，二值视觉系统仍是十分有用的， 其原因如下：⑴计 算二值图像特性的算法特别简单， 容易理解和实现，并且计算速度很快．⑵ 二值视觉所需的内 存小，对计算设施要求低．工作在 256个灰度级的视觉系统所需内存是工作在相同大小二值图 像视觉系统所需内存的八倍．如若利用游程长度编码等技术（见 3．4节）还可使所需内存进一 步减少．由于二值图像中的很多运算是逻辑运算而不是算术运算，所以所需的办理时间很 短．（3）很多二值视觉系统技术也能够用于灰度图像视觉系统上．在灰度或彩色图像中，表示 一个目标或物体的一种简略方法就是使用物体模板 (mask)，物体模板就是一幅二值图像， 其中1 表示目标上的点，0表示其余点．在物体从背景中分别出来后，为了进行决议，还需要求取物 体的几何和拓扑特性，这些特性能够从它的二值图像计算出来．因此，只管我们是在二值图像 上议论这些方法，但它们的应用并不限于二值图像． 一般来说，当物体轮廓足以用来辨别物体且周围环境能够适合地控制时，二值视觉系统是 特别有用的．当使用特殊的照明技术和背景并且场景中只有少数物体时，物体能够很容易地从 背景中分别出来，并可得到较好的轮廓，比方，很多工业场合都属于这种情况．二值视觉系统 的输入一般是灰度图像，往常使用阈值法首先将图像变成二值图像，以便把物体从背景中分别 出来，其中的阈值取决于照明条件和物体的反射特性．二值图像可用来计算特定任务中物体的 几何和拓扑特性，在很多应用中，这种特性对辨别物体来说是足够的．二值视觉系统已经在光 学字符辨别、染色体剖析和工业零件的辨别中得到了宽泛应用． 在下面的议论中，假定二值图像大小为m n，其中物体像素值为1，背景像素值为 0． 3．1阈值 视觉系统中的一个重要问题是从图像中辨别代表物体的地区 （或子图像），这种对人来说是 件特别容易的事，对计算机来说却是令人惊讶的困难．为了将物体地区同图像其余地区分别出 来，需要首先对图像进行切割．把图像区分红地区的过程称为切割，即把图像 F[i,j]区分红区 域p1,p2, ,pk，使得每一个地区对应一个候选的物体．下面给出切割的严格定义． 定义切割是把像素聚合成地区的过程 ，使得： k Pi 整幅图像 ({Pi}是一个完备切割)． i1 1/20 [T1,T2]内，经过阈值运算后的图像为二值 Pi Pj ,i j，({Pi}是一个完备切割 )． 每个地区 Pi知足一个谓词，即地区内的所有点有某种共同的性质． 不同地区的图像，不知足这一谓词． 正如上面所表示的，切割知足一个谓词，这一谓词可能是简单的，如切割灰度图像时用的 均匀灰度散布、相同纹理等谓词，但在大部分应用场合，谓词十分复杂． 在图像理解过程中， 切割是一个特别重要的步骤 ． 二值图像能够经过适合地切割灰度图像得到．如果物体的灰度值落在某一区间内，并且背景的灰度值在这一区间之外，则能够经过阈值运算得到物体的二值图像，即把区间内的点置成 1，区间外的点置成0．对于二值视觉，切割和阈值化是同义的．阈值化能够经过软件来实现，也能够经过硬件直接达成． 经过阈值运算是否能够有效地进行图像切割，取决于物体和背景之间是否有足够的对照度．设一幅灰度图像F[i,j]中物体的灰度散布在区间 图像FT[i,j]，即： 1 如果T1F[i,j]T2 (3 ．1) FT[i,j] 其余 0 如果物体灰度值散布在几个不相邻区间内时，阈值化方案可表示为： FT[i,j] 1 如果F[i,j]Z (3．2) 0 其余 其中Z是组成物体各部分灰度值的会合． 图3．1是对一幅灰度图像使用不同阈值得到的二值图 像输出结果． 阈值算法与应用领域亲密有关．事实上，某一阈值运算经常是为某一应用特意设计的，在 其余应用领域可能无法工