|
文献综述： |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
文 献 综 述 1.1选题背景 1.1.1项目背景 数字图像处理将图像信号转换成数字信号并利用计算机对其进行处理，起源于20世纪20年代，目前已经广泛地应用于很多领域，成为一门前景远大、引人注目的新型科学，发挥着越来越大的作用。同样随着计算机视觉应用的越来越广泛，图像轮廓提取作为计算机视觉处理中的重要环节，为后续目标特征提取、识别与分类、理解等研究奠定了基础，其在生物医学图像处理、虚拟现实、自控车辆、工业在线自动检测等方面都用广阔的应用前景。 1.1.2开发目的 本课题将只研究二值化处理后的图像，因此算法上会稍微简单一些。希望可以通过简单的编程实现彩色图像到二值图像的转化，并完成图像的轮廓提取和曲线拟合。 1.1.3软件定义 此软件为中小型的办公软件。 1.1.4开发环境 ·操作系统：Window ·开发工具：Matlab 7.0 1.2图像轮廓提取 Image Contour Extraction .图像轮廓提取是随着计算机视觉发展而出现的一门新的热门的技术。在计算机视觉研究中，边缘与线段包含丰富的图像信息，代表了图像的特征，边缘与线段的组合构成了一幅图像区别于其他图像的特征集合。物体的轮廓不同于边缘，图像的边缘信息包含了图像所有的轮廓信息，轮廓包含着比位置更多的信息，从图像的轮廓，人们即可识别大量的物体。轮廓提取在许多只能视觉识别系统中，特别是模糊识别中是很重要的过程。传统的轮廓提取方法主要是利用边缘检测算子进行图像边缘的提取，然后根据目标物体的轮廓特点去除杂散的冗余边缘并进行边缘的修补，因此，轮廓提取实际上就是边缘的提取。随着研究的深入和技术的发展，也出现了各种新的提取方法。 1.3边缘检测技术的应用 利用计算机进行图像处理有两个目的：一是产生更适合人观看的图像，二是希望能由计算机自动识别和理解图像。无论为了哪种目的，图像处理中的关键一步就是对图像中包含的大量景物和事物进行特征分析，提取一些具有某种特征的图像信息。图像的边缘是图像的基本特征之一。 所谓边缘是指图像中周围像素灰度有阶跃变化或屋顶状变化的那些像素的集合。它存在于目标与背景、目标与目标、区域与区域、基元与基元之间。边缘具有幅度和方向两个基本特征，沿边缘走向像素值变化比较平缓，垂直与边缘的走向，像素值变化比较明显，可能呈现阶跃状，也可能呈现屋顶状。因此，边缘可以分两种：一种为阶跃型边缘，它两边的像素灰度值有着明显的不同；另一种为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。对于阶跃边缘，二阶方向导数在边缘处呈现零交叉；对于屋顶状边缘，二阶方向导数在边缘取极值。 边缘检测技术是数字图像处理和计算机视觉应用技术里面一个最基本的技术。如何快速地、精确地提取图像边缘信息，一直是国内外的研究重点，然而边缘检测又是关于数字图像处理的一个难题。早期经典算法包括边缘算子法、曲面拟合法、模版匹配法、门限化方法等等。近年来随着研究深入和计算机技术的发展，又涌现出许多边缘检测的方法，如小波变换和小波包的边缘检测法、基于数学形态学、模糊理论和神经网络的边缘检测法。 1.4 经典算法 1.4.1 Roberts 算子 Roberts 算子是一种利用局部差分算子寻找边缘的算子，Roberts 算子处理图像后结果边缘不是很平滑。 其f(x,y)是具有整数像素坐标的输入图像,平方根使该处理类似于在人类视觉系统中发生的过程。 1.4.2 Canny 算子 Canny边缘检测算子是由John F.Canny于1986年开发的一种多级边缘检测方法。更为重要的是创立了边缘检测计算理论解释这项技术如何工作。 1.4.3 Prewitt算子 Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。
1.4.4 Laplace 算子 Laplace 算子为四领域算子，它对于突出孤立点、线段及边界的效果比较明显，可以检测出灰度变化更平缓的边缘，但是它表示的边缘不够连续。而且Laplace 算子边缘与噪声难以区分开来，所以效果较差。
1.4.5 Sobel 算子 Roberts 算子是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。
1.5几种经典算子的比较 Roberts算子和Laplace 算子定位精度较高，但对噪声较为敏感；Sobel 算子和Prewitt算子对噪声具有较好的平滑作用. 通过以上对经典边缘检测算子的分析和实际结果的验证，得出以下结论：
1.6 图像轮廓提取后曲线拟合 曲线拟合是推求一个解析函数y=f(x)使其通过或近似通过有限序列的资料点(xi，yi)，通常用多项式函数通过最小二乘法求得此拟合函数。 实际工作中，变量间未必都有线性关系，如服药后血药浓度与时间的关系；疾病疗效与疗程长短的关系；毒物剂量与致死率的关系等常呈现曲线关系。曲线拟合是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。 曲线直线化是曲线拟合的重要手段之一。对于某些非线性的资料可以通过简单的变量变换使之直线化，这样就可以按最小二乘法原理求出变换后变量的直线方程，在实际工作中常利用此直线方程绘制资料的标准工作曲线，同时根据需要可将此直线方程还原为曲线方程，实现对资料的曲线拟合。 线拟合与合并在图形矢量化中有着重要的作用。图像中各个节点之间的边并不总是直线，出现各种曲线的情况非常普遍，这些曲线的识别和快速显示是矢量化系统实用性的重要标志之一。提取曲线上的关键点，用短直线拟合进行拟合，可以用尽量少的数据表示曲线，有助于曲线的识别和快速显示。在生成节点的过程中，由于节点通常定义为线与线的交点，因此一些长的直线经常被打断成若干段短直线，需要他们合并起来，正确地反映原图意义。
参 考 文 献 [1] 吕同富，刘宝军，毕秀芝.图像边缘提取的简单方法及应用.计算机仿真，2003， [2] 张旗，卢朝阳.图形矢量化中直线拟合与合并算法.现代电子技术，2002 ［3］王润生. 图像理解.长沙： 国防科技大学出版社， 1994 ［4］徐建华. 图像处理与分析. 北京： 科学出版社， 1992 ［4］徐建华. 图像处理与分析. 北京： 科学出版社， 1992 ［5］郭桂容. 模糊模式识别. 长沙： 国防科技大学出版社， 1993 [6] YANG J, LI X.Directional morphology and its application in boundary detection[J]. Image Processing and Application, 1995( 2):410 [7] 姚庆梅，牛君. 一种基于方向形态学的图像轮廓提取方法[J]. 山东大学学报: 工学版, 2005, 35( 4):47-50 [8] 吴凤和. 基于计算机视觉测量技术的图像轮廓提取方法研究[J]. 计量学报, 2007, 28( 1):18-22 [9] Kass M,Witkin A, Terzopoulos K.Snakes: active contour models[C]//Proc First Int Conf Comput Visison, London, 1987:259-268 [10] 牛君,李贻斌,宋锐. 活动轮廓模型综述[J]. 杭州电子科技大学学报, 2005,25( 3):67-70 [11] Cohen L K.On active contour models and balloons[J].CVGIP: Image Understanding, 1991, 53( 2):211-218 [12] Xu C, Prince J L.Snakes, shapes and gradient vector flow[J].IEEE Transaction on Image Processing, 1998, 7( 3):359-369 [13] Caselles V, Kimmel R, Sapiro G.Geodesic active contours[C]//Fifth International Conference on Computer Vision,1995,3:694-699 [14] Chan T F, Vese L A.Active contours without edges [J].IEEE Transa- ctions on Image Processing, 2001, 10( 2):266-277 [15] Image processing using pulse- coupled neural networks[M].2nd ed.2005 [16] Von der Malsburg C.The correlation theory of brain function.MPI biphysical chemistry, Internal Report 81-2[R]. New York: Springer- Verlag, 1994:95-120 。 |
