计算机视觉3.pptx

,#,1,二值图象分析,Binary Image Analysis,第,3,章,2,二值图像例,3.1,二值图象,3,二值图象的特点,a.,二值图像只有两个灰度级，其中物体像素值为,1,，背景像素值为,0,；,b.,图象中许多的特征如边缘、轮廓可以用二值图像表示；,c.,二值图像处理的算法简单，所需的内存小，计算速度快；,d.,二值视觉系统技术可用于灰度图像视觉系统。,4,(3),二值图象的获取,a.,硬件实现,敏感元二值输出或逻辑输出。敏感元模拟值 输出，通过硬件电路二值化。,b.,软件实现,灰度图象可以通过,阈值（thre,s,hold）,分割,进行二值化处理。,5,图象二值化,设一幅灰度图像中物体的灰度分布在某一区间内，经过阈值运算后的图像为二值图像。,其中,Z,是组成物体各部分灰度值的集合,(4),灰度图象的二值化,6,一幅灰度图像和使用不同阈值得到的二值图像结果,1,：原始灰度图像，,2,：阈值,T=100,；,3,：,T=128,4,：,T1=100|T2=128,7,通过阈值化方法检测出物体后，下一步就要对物体进行识别和定位,在大多数工业应用中，摄像机的位置和环境是已知的，因此通过简单的几何知识就可以从物体的二维图像确定出物体的三维位置,利用尺度和形状特征来识别：如大小、位置和方向,.,3.2,几何特性,8,(1),尺寸和位置,一幅二值图像区域的面积（或零阶矩）由下式给出：,9,物体的中心位置：,其中,x,和,y,是相对于图像左上角的中心坐标 物体的位置为：,注意：因约定,y,轴,向上,故,有负号,10,方向,一般假定物体是长形的，其长轴方向被定义为物体的方向通常，二维平面上与最小惯量轴同方向的最小二阶矩轴被定为长轴,设惯性轴：，满足：,是点,i,j,到该轴的距离。,11,有,：,令,：,，有：,其中：,12,注意：求得的惯性轴有两个，即最大、最小惯性轴。,Maximum axis,Minimum axis,13,(3),密集度,区域的密集度,:,其中，,p,和,A,分别为图形的周长和面积,根据此定义，圆是最密集的图形,密集度的另一意义：周长在给定后，密集度越高，所围面积越大,14,(4),体态比,区域的最小外接矩形的长与宽之比特性：,1,）正方形和圆的体态比等于,1,2,）细长形物体的体态比大于,1,下图是几种形状的外接矩形：,15,投影能表现图像的某种特征信息,给定一条直线，用垂直该直线的一簇等间距直线将一幅二值图像分割成若干条，每一条内像素值为,1,的像素个数为该条二值图像在,给定直线上的投影,定义给定直线为水平或垂直直线时，二值图像列或行上像素值为,1,的像素数量之和为该图像的,水平或垂直投影,3.3,投影,16,对角线投影,设行和列的标号分别用,i,和,j,表示若图像矩阵为,n,行,m,列，则,i,和,j,的范围分别为,0,到,n-1,和,0,到,m-1,假设对角线的标号,d,用行和列的仿射变换（线性组合加上常数）计算，即：,d=ai+bj+c,对角线投影共对应,n+m-1,个条，其中仿射变换把右上角像素映射成对角线投影的第一个位置，把左下角像素映射成最后一个位置，如图所示，则当前行列对应的标号,d,的公式为：,d=i-j+m-1,17,二值图像及其对,角线上的投影图,18,用图像像素值连续为,1,的个数来描述图像,有,两种方法,:,（,1,）用,1,的起始位置和,1,的游程长度；,（,2,）仅仅使用游程长度，,0,：表示从,0,象素开始,；,例：,1,的游程：（,2,2,）（,6,3,）（,13,6,）（,20,1,）,（,4,6,）（,11,10,）,（,1,5,）（,11,，,1,）（,17,，,4,）,1,和,0,的游程长度：,0,，,1,2,，,2,，,3,，,4,，,6,，,1,，,1,；,0,，,3,，,6,，,1,，,10,；,5,，,5,，,1,，,5,，,4,3.4,游程长度编码,(run-length encoding),19,3.5.1,定义,（,1,）近邻：,4,邻点,(4-neighbors):,有公共边关系的两个像素,8,邻点,(8-neighbors):,两个像素至少共享一个顶角,4,连通,(4-connected):,一个像素与其,4,邻点的关系,8,连通,(4-connected):,一个像素与其,8,邻点的关系,3.5,二值图像算法,20,(2),路径,路径,:,从像素 到像素 的一个像素序列：，和 互为邻点,4,路径,:,像素与其近邻像素是,4,连通关系,8,路径,:,像素与其近邻像素是,8,连通关系,(3),前景,图像中值为,1,的全部像素的集合，用,S,表示,(4),连通性,已知像素,p,和,q,，如果存在一条从,p,到,q,的路径，且路径上的全部像素都包含在,S,中，则称,p,与,q,是连通的,21,(5),连通成份：,一个像素集合，如果集合内的每一个像素与集合内其它像素连通，则称该集合为一个连通成份。,(6),背景：,S,（,S,的补集）中包含图像边界点的所有连通成份的集合。,洞,:,S,中所有非背景其它元。,对物体和背景应使用不同的连通,.,如果对,S,使用,8,连通,则对,S,应使用,4,连通,。,S,洞,洞,22,(7),边界,S,的边界是,S,中与,S,中有,4,连通关系的像素集合,S,（,8),内部,S,中不属于它的边界的像素集合,.,S,的内部等于,S,-,S,（,9),包围,如果从,S,中任意一点到图像边界的,4,路径必须与区域,T,相交，则区域,T,包围区域,S,（或,S,在,T,内）,例：一幅二值图像,内部,包围,边界,S,S,图像边界,23,视觉中常见的运算是找连通成分。,连通标记算法可以找到图像中的所有连通成份，并对同一连通成份中的所有点分配同一标记下图表示的是一幅图像和已标记的连通成份下面介绍两种连通成份标记算法：,递归算法,和,序贯算法,3.5.2,连通成分标记算法,24,算法,3.1,：,连通成份递归算法,1.,扫描图像，找到无标记的值为,1,的象素,点，给它分配,一个标记,L,；,2.,递归分配标记,L,给,1,点的邻点；,3.,如果不存在没标记的点，则停止；,4.,返回第,1,步。,25,算法,3.2,：,4-,连通成份序贯,算法,1,从左至右、从上到下扫描图像,2,如果像素点为,1,，则：,(a),如果上面点和左面点有一个标记，则复制这一标记,(b),如果两点有相同的标记，复制这一标记,(c),如果两点有不同的标记，则复制上点的标记且将两个,标记输入等价表中作为等价标记,(d),否则给这一个像素点分配一新的标记并将这一标记输,入等价表,3,回到第,2,步只到扫描完所有点,4,在等价表的每一等价集中找到最低的标记,5,扫描图像，用等价表中的最低标记取代每一标记,26,在,视觉,应用中，欧拉数或亏格数可作为识别物体的特征。,1.,定义：连通成份数减去空洞数,E=C-H,其中,:E,为欧拉数、,C,为连通成份数、,H,为空洞数,2.,举例,E=0E=-1E=2,3.,特性 具有平移、旋转和比例不变特性的拓扑特征,前景,：,8,连通,背景,：,4,连通,3.5.3,欧拉数,27,3.5.4,区域边界,通过简单的局部运算找边界点是视觉应用中的基本任务，常见的算法是按逆时针方向跟踪区域的所有点。,28,算法,3.3,：,边界跟踪算法,从左到右、从上到下扫描图像，求区域,S,的起始点，,用,c,表示当前边界上被跟踪的像素点置 ，,记,c,左,4,邻点为,b,，；,按逆时针方向从,b,开始将,c,的,8,个,8,邻点分别记为：,从,b,开始，沿逆时针方向找到第一个 ；,置 ，；,重复步骤、，直到 。,29,3.5.5,距离,欧几里德距离：,街区距离：,棋盘距离：,30,3.5.6,中轴,中轴可作为物体的一种简洁表示,图,3.13a 4,邻点 中轴变换举例,31,图,3,13b,表明少量噪声会使中轴变换结果产生显著的差异,图,3.13b,中轴变换举例,32,细化是把区域缩成线条、逼近中心线（骨架或核线）的一种图像处理。,细化的目的是减少图像成份，直到只留下区域的最基本信息，以便进一步分析和识别虽然细化可以用在包含任何区域形状的二值图像，但它主要对细长形,(,而不是凸圆形或水滴状,),区域有效细化一般用于文本分析预处理阶段，以便将文本图像中线条图画或字符笔画表示成单像素线条,要求：,1,),连通图像区域必须细化成连通线结构；,2),细化结果最少应该是,8,连通；,3),保留近似终止线的位置；,4),细化结果应该近似于中轴线；,5,由细化引起的附加突刺,(,短分支,),应该是最小的。,3.5.7,细化,33,算法,.,:,邻点细化迭代算法,1,、对于每一个像素，如果,）没有上近邻（或下近邻或左近邻或右近邻）,）不是孤立点或终止线,）去除该像素点不会断开区域,则去除该像素点,2,、重复步骤,1,直到没有像素点可以去除为止。,34,图,3,14,细化手写体“华”的迭代过程,(a),原图像，,(b)(f),为,五次迭代过程，每次迭代削去一层边界,3.5.7,细化,35,如果某一连通成份可以变化，使得背景像素点变成,1,的,运算称为扩展如果物体像素点全方位地消减或变为,0,时，则称为收缩,扩展：如果背景和洞的像素点邻点是,1,，则将该点从,0,变为,1,收缩：如果,物体像素点,邻点是,0,，则将该点从,1,变为,0,3.5.8,扩展与收缩,原始噪声图像 扩展运算 收缩运算,对字母,h,收缩与扩展算法实验结果：,36,对字母,h,收缩与扩展算法实验结果：,原始噪声图像,扩展运算 收缩运算 扩展,-,收缩 收缩,-,扩展,先扩展后收缩算法能补上不希望存在的洞，先收缩后扩展算法则能去除孤立的噪声点。,37,对字母,h,收缩与扩展算法实验结果：,原始噪声图像,扩展运算 收缩运算 扩展,-,收缩 收缩,-,扩展,：,S,扩展,k,倍,：,S,收缩,k,倍,38,3.6,形态学算子,理论基础：集合论,作用：保持形状特征，同时简化图像,工具：结构元,数学形态学（,mathematical mophology,）,39,3.6.1,形态学集合论基础,图像,=,前景像素的集合,交运算,并运算,平移运算,二值图像,A,被一个像素点,p,平移是指将,A,的原点移到,p,。,40,3.6.2,形态学算子,-1,用结构元进行膨胀运算也可以描述为：结构元的原点像素经过待膨胀的二值图像中所有,1,像素点时，对应结构元所有像素的二值图像像素置为像素；,膨胀（,dilation,）：扩张图像区域,结构元原点是指定的，不一定是图像左上角,多种解释：图像位移、结构元位移,41,用结构元位移计算,42,3.6.2,形态学算子,-2,用结构元进行腐蚀运算也可以描述为：结构元的原点像素经过待腐蚀的二值图像中所有,1,像素点时，如果结构元中有一个像素没有对应待腐蚀二值图像的像素，则对应结构元原点的待腐蚀二值图像像素置为,腐蚀（,erosion,）：,获得表示结构元所有出现位置的图像,43,用结构元位移计算,44,图,3,16,原始测试图像,A(,左,),与结构元,B,(,右,),注意结构元的原点比中的其它像素点要黑一些,45,A,被,B,膨胀,46,A,被,B,腐蚀,47,3.6.2,形态学算子,-3,开运算（,opening,）：,去除比结构元小的区域像素,用同一结构元腐蚀后再膨胀,闭运算（,closing,）：,填充比结构元小的孔洞,用同一结构元膨胀后再腐蚀,48,图,3,18“,开”运算,左：腐蚀；右：膨胀图中的粗黑线表示原始图像边界,49,图,3.19 “,闭”运算,左：膨胀；右：腐蚀图中的粗黑线表示原始图像边界,