收藏 分销(赏)

数字图象处理-第八、九章(1).ppt

上传人:仙人****88 文档编号:14774188 上传时间:2026-11-19 格式:PPT 页数:38 大小:771KB 下载积分:10 金币
下载 相关
数字图象处理-第八、九章(1).ppt_第1页
第1页 / 共38页
数字图象处理-第八、九章(1).ppt_第2页
第2页 / 共38页


点击查看更多>>
资源描述
Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,第八章 二值图像处理与形状分析,二值图像处理流程如图所示。关于灰度图像的二值化在第七章区域分割中已作介绍,本章将介绍二值图像处理中的各种方法。,首先介绍二值图像的几何概念;,其次是讲解二值图像连接成分的各种变形算法;,最后是二值图像特征提取与描述的各种方法。,8.1,二值图像的连接性和距离,1.,邻域和邻接,对于任意像素(,i,j),,把像素的集合(,i+p,j+q)(p,q,是一对适当的整数)叫做像素(,i,j),的邻域。直观上看,这是像素(,i,j),附近的像素形成的区域。最经常采用的是4-邻域和8-邻域。互为,4,邻域的两像素叫,4,邻接;互为,8,邻域的两像素叫,8,邻接。,4-,邻域与,4-,邻接,8-,邻域与,8-,邻接,2,.,像素的连接,对于二值图像中具有相同值的两个像素,a,和,b,,,所有和,a,、,b,具有相同值的像素系列,p,0,(=a),p,1,p,2,p,n-1,p,n,(=b),存在,并且,p,i-1,和,p,i,互为,4-/8-,邻接,那么像素,a,和,b,叫做,4-/8-,连接,以上的像素序列叫,4-/8-,路径。如图所示。,3.连接成分,在二值图像中,把互相连接的像素的集合汇集为一组,于是具有若干个,0,值的像素,(0,像素,),和具有若干个,1,值的像素,(1,像素,),的组就产生了。把这些组叫做连接成分。,如果把,1-,像素看成,8-,连接,那么,0-,像素就必须用,4-,连接。,图8.1.4 连接性矛盾示意图,图8.1.5 连接成分,单重连接成分,多重连接成分,孔,4,欧拉数,在二值图像中,1像素连接成分数,C,减去孔数,H,的值叫做这幅图像的欧拉数或示性数。若用,E,表示图像的欧拉数,则,E=C-H (8.1-1),对于一个1像素连接成分,1减去这个连接成分中所包含的孔数的差值叫做这个1像素连接成分的欧拉数。显然,二值图像的欧拉数是所有1像素连接成分的欧拉数之和。,5像素的可删除性和连接数,二值图像上改变一个像素的值后,整个图像的连接性并不改变(各连接成分既不分离、不结合,孔也不产生、不消失),则这个像素是可删除的。像素的可删除性可用像素的连接数来检测。,像素,p,的值用,B,(,p,),表示。,二值图像中,B,(,p,)=1,时,像素,p,的连接数,N,c,(,p,),就是与,p,连接的连接成分数。,计算像素,p,的4-/8-邻接的连接数公式分别为,p,p,0,p,1,p,2,p,3,p,4,p,5,p,6,p,7,式中:,S=0,2,4,6,当,k+2=8,时,,P,8,=,P,0,同一图像的像素,在4-或8-邻接的情况下,该像素的连接数是不同的。像素的连接数作为二值图像局部的特征量是很有用的。按连接数,N,c,(,p,),大小可将像素分为以下几种:,孤立点:,B,(,p,)=1,的像素,p,,,在4-/8-邻接的情况下,当其4-/8-邻接的像素全是0时,像素,p,叫做孤立点。其连接数,N,c,(,p,)=0。,内部点:,B,(,p,)=1,的像素,p,,,在4-/8-邻接的情况下,当其4-/8-邻接的像素全是1时,叫做内部点。内部点的连接数,N,c,(,p,)=0,。,边界点:在,B,(,p,)=1,的像素中,把除了孤立点和内部点以外的点叫做边界点。在边界点上,1,N,c,(,p,)4。,N,c,(,p,),的像素为,可删除点或端点;,N,c,(,p,),的像素为,连接点;,N,c,(,p,),的像素为,分支点;,N,c,(,p,),的像素为,交叉点。,背景点:把,B,(,p,)=0,的像素叫做背景点。,p,7,p,5,p,3,p,2,p,6,p,1,图中:,p,1,表示孤立点;,p,2,表示内部点;,p,3,p,6,表示边界点,N,c,(8),(,p,3,)=1,N,c,(8),(,p,4,)=2,N,c,(8),(,p,5,)=3,N,c,(8),(,p,6,)=4),;,p,7,表示背景点。,p,4,6.距离,对于集合,S,中的两个元素,p,和,q,,,当函数,D,(,p,q,),满足下式的条件时,把,D,(,p,q,),叫做,p,和,q,的距离,也称为距离函数。,计算点(,i,j,),和(,h,k,),间距离常用的方法有:,欧几里德距离,d,e,(,i,j,),(,h,k,)=(,i,-,h,),2,+(,j,-,k,),2,),1/2,4-,邻点距离,d,4,(,i,j,),(,h,k,)=|,i,-,h,|+|,j,-,k,|,8-,邻点距离,d,8,(,i,j,),(,h,k,)=,max,(|,i,-,h,|,|,j,-,k,|),8,角形距离,d,0,(,i,j,),(,h,k,)=,max,|,i,-,h,|,|,j,-,k,|,2(|,i,-,h,|+|,j,-,k,|+1)/3,8.2,二值图像连接成分的变形操作,对二值图像进行增强处理,称为二值图像连接成分的变形操作。以便从二值图像中准确提取有关特征。,8.2.1,连接成分的标记,为区分二值图像中的连接成分,求得连接成分个数,对属于同一个像素连接成分的所有像素分配相同的编号,对不同的连接成分分配不同的编号的操作,叫做连接成分的标记。,8.2.2,膨胀和收缩,膨胀,就是把连接成分的边界扩大一层的处理。,收缩,则是把连接成分的边界点去掉从而缩小一层的处理。若输出图像为,g(i,j),则它们的定义式为,膨胀和腐蚀的反复使用就可检测或清除二值图像中的小成分或孔。,8.2.3,线图形化,1.,距离变换和骨架,距离变换,是求二值图像中各1像素到0像素的最短距离的处理。,在经过距离变换得到的图像中,最大值点的集合就形成,骨架,,即位于图像中心部分的线像素的集合,也可以看作是图形各内接圆中心的集合。,它反映了原图形的形状。给定距离和骨架就能恢复该图形,但恢复的图形不能保证原始图形的连接性。常用于图形压缩、提取图形幅宽和形状特征等。,2.,细化,细化是从二值图像中提取线宽为1像素的中心线的操作。,3.,边界跟踪,为了求得区域间的连接关系,必须沿区域的边界点跟踪像素,称之为边界(或边缘)跟踪。,边界跟踪是在图像边缘连接明确的假设下进行的。但实际上很多图像的边缘连接并不是明显的,这时可以采用灰度图像直接跟踪边缘的方法。,8.3 形状特征提取与分析,形状分析是在提取图像中的各目标形状特征基础上,对图像进行识别和理解。,区域形状特征的提取有三类方法:,区域内部(包括空间域和变换)形状特征提取;,区域外部(包括空间域和变换)形状特征提取;,利用图像层次型数据结构,提取形状特征。,8.3.1,区域内部,形状特征提取与分析,1,区域内部空间域分析,1)拓扑描绘子,区域的拓扑性质对区域的全局描述是很有用的,欧拉数是拓扑特性之一。,图,8.3.1,欧拉数为,0,和,-1,的图形,2,),凹凸性,连接图形内任意两个像素的线段,如果不通过这个图形以外的像素,则这个图形称为凸的。,任何一个图形,把包含它的最小的凸图形叫这个图形的凸闭包。,凸图形的凸闭包就是它本身。,3,),区域的测量,面积:区域内像素的总和。,周长:,常用的有两种:一种计算方法是在区域的 边界像素中,设某像素与其上下左右像素间的距离为,1,,与斜方向像素间的距离为 。周长就是这些像素间距离的总和。另一种计算方法将边界的像素总和作为周长。,圆形度:,此外,常用的特征量还有区域的幅宽、占有率和直径等。,2.,区域内部变换分析法,区域内部变换是形状分析的经典方法,它包括求区域的各阶统计矩、投影和截口等。,1)矩法,函数,f(x,y),的,(,p+q),阶矩定义式为,那么大小为,n,m,的数字图像,f,(,i,j,),的矩为,0,阶矩,m,00,是图像灰度,f(i,j),的总和;二值图像的,m,00,表示对象物的面积;如果用,m,00,来规格化,1,阶矩,m,10,及,m,01,,,则得到中心坐标(,i,G,j,G,)。,中心矩定义式为,利用中心矩可以提取区域的一些基本形状特征。例如,M,20,和,M,02,分别表示围绕通过灰度中心的垂直和水平轴线的惯性矩。假如,M,20,M,02,,,则区域可能为一个水平方向延伸的区域。当,M,30,=0,时,区域关于,i,轴对称。同样,当,M,03,=0,时,区域关于,j,对称。,另外,,Hu.M.K,提出了对于平移、旋转和大小尺度变化均为不变的矩组,对于区域形状识别是很有用的,后称为,Hu,矩组。,在飞行器目标跟踪、制导中,目标形心是一个关键性的位置参数,它的精确与否直接影响到目标定位。可用矩方法来确定形心。,矩方法是一种经典的区域形状分析方法,由于它的计算量较大而缺少实用价值。四叉树近似表示以及近年来发展的平行算法、平行处理和超大规模集成电路的实现,为矩方法向实用化发展提供了基础。,8.3.2.,区域外部形状特征提取与分析,1.区域边界、骨架的空间域分析,1)方向链码描述,边界的方向链码表示既便于有关形状,特征的提取,又节省存储空间。从链码可,以提取一系列的几何形状特征。如周长、,面积、矩、形心、两点之间的距离等。,2)结构分析法,利用二值图像的四叉树表示边界,可以提取,如欧拉数、区域面积、矩、形心、周长等区域的形状特征。,2.,区域外形变换法,区域外形变换是指对区域的边界作各种变换,包括区域边界的傅立叶描述算子、,Hough,变换和广义,Hough,变换、区域边界和骨架的多项式逼近等。这样将区域的边界或骨架转换成向量或数量,并把它们作为区域的形状特征。,第九章 纹理分析,提到纹理,人们自然会立刻想到木制家俱上的木纹、花布上的花纹等。木纹为天然纹理,花纹为人工纹理,它们反映了物体表面颜色和灰度的某种变化。这些变化与物体本身的属性相关。,第九章 纹理分析,有些图像在局部区域内呈现不规则性,而在整体上表现出某种规律性。习惯上,把这种局部不规则而宏观有规律的特性称之为纹理;以纹理特性为主导的图像,常称为纹理图像;以纹理特性为主导特性的区域,常称为纹理区域。纹理作为一种区域特性,在图像的一定区域上才能反映或测量出来。,为了定量描述纹理,,多年来人们建立了许多纹理算法以测量纹理特性。这些方法大体可以分为两大类:统计分析法和结构分析法。前者从图像有关属性的统计分析出发;后者则着力找出纹理基元,然后从结构组成上探索纹理的规律。也有直接去探求纹理构成的结构规律的。,本章将主要论述纹理特征提取与分析的几种方法。,9.2,影像纹理的直方图分析法,纹理区域的灰度直方图作为纹理特征,为了研究灰度直方图的相似性,可以比较累积灰度直方图分布,计算灰度级的最大偏差或总偏差。如果限定对象,则采用这样简单的方法也能够识别纹理。但是灰度直方图不能得到纹理的二维灰度变化,即使作为一般性的纹理识别法,其能力是很低的。例如图9.2.1两种纹理具有相同的直方图,只靠直方图就不能区别这两种纹理。,9.3 Laws,纹理能量测量法,Laws,的纹理能量测量法是一种典型的一阶分析方法,在纹理分析领域中有一定影响。,Laws,纹理测量的基本思想是设置两个窗口:,一个是微窗口,可为3,3、5,5或7,7,常取5,5用来测量以像元为中心的小区域的灰度的不规则性,以形成属性,称为微窗口滤波;,另一个为宏窗口,为15,15或32,32,用来在更大的窗口上求属性的一阶统计量(常为均值和标准偏差),称之为能量变换。,整个纹理分析过程为,f,(,x,y,),微窗口滤波,F,(,x,y,),能量转换,E,(,x,y,),分量旋转,C,(,x,y,),分类,M,(,x,y,),Laws,深入研究了滤波模板的选定。首先定义了一维滤波模板,然后通过卷积形成系列一维、二维滤波模板,用于检测和度量纹理的结构信息。,他选定的三组一维滤波模板是:,L3=1 2 1,灰度(,Level),E3=-1 0 1,边缘(,Edge),S3=-1 2-1,点(,Spot),L5=1 4 6 4 1,E5=-1,2 0 2 1,S5=-1 0 2 0,1,W5=-1 2 0,2 1,波(,Wave),R5=1,4 6,4 1,涟漪(,Ripple),L7=1 6 15 20 15 6 1,E7=-1,4,5 0 5 4 1,S7=-1-2 1 4 1,2,1,W7=-1 0 3 0,3 0 1,R7=1-2,1 4,1,2 1,O7=-1 6,15 20,15 6,1,振荡(,Oscillation),13,的矢量集是构成更大矢量的基础,每一个,15,的矢量可以由两个,13,矢量的卷积产生。,17,的矢量可以由,13,与,15,矢量卷积产生。垂直矢量和水平矢量可生成二维滤波模板。由滤波模板与图像卷积可以检测不同的纹理能量信息。所以,,Laws,一般选用,12,15,个,55,的模板。,以,1,5,矢量为基础,卷积同样维数的矢量,可获得,25,个,5,5,模板。其中最有用的是,5,5,的零和模板,即,(9.3-1),其中,a,ij,是模板中的元素(,i,j,=1,2,3,4,5,)。,其中四个有最强性能的模板是:,E5S5 L5S5,E5L5 R5R5,它们分别可以滤出水平边缘、高频点、,V,形状和垂直边缘。,Laws,将,Brodatz,的,8,种纹理图像拼在一起,对该图像作纹理能量测量,将每个像元指定为八个可能类中的一个,正确率达,87,。,可见这种纹理分析方法简单、有效。但所提供的模板较少,尚未更多地给出其变化性质,因此,应用受到一定的限制。,9.4,纹理分析的自相关函数法,若有一幅图像,f,(i,j),i,j=0,1,N-1,,则该图像的自相关函数定义为,自相关函数,(,x,,,y,),随,x,,,y,大小而变化,其变化与图像中纹理粗细的变化有着对应的关系,因而可描述图像纹理特征。,定义,d,=,(,x,2,+,y,2,),1/2,,,d,为位移矢量,,r,(,x,y,),可记为,r,(,d,),。,在,x,0,,,y,0,时,从自相关函数定义可以得出,,(,d,),1,为最大值。,不同的纹理图像,,(,x,y,),随,d,变化的规律是不同的。,当纹理较粗时,,(,d,),随,d,的增加下降速度较慢;,当,纹理较细时,,(,d,),随着,d,的增加下降速度较快。,随着,d,的继续增加,,(,d,),则会呈现某种周期性的变化,其周期大小可描述纹理基元分布的疏密程度。,若对应,r,(,d,),变化最慢的方向为,d,max,,,那么纹理局部模式形状向,d,max,方向延伸。,Kaizer,从北极航空照片中取出七类不同地面覆盖物的图像,采用自相关函数进行分析。对每一类地面覆盖物作出它们的自相关函数随,d,的变化曲线。当,r,(,d,)=1/,e,时,七条曲线对应的,d,值分别为,d,1,,,d,2,,,d,7,,,如图所示。根据,d,i,的大小,把7类地物从细到粗进行了排序。,将七类地物对应的七张图像请二十位观测者按纹理粗细目视判别,也按由细到粗的次序将图片排队。,将目视判别结果与自相关函数分析的排列结果作比较,发现用自相关函数自动分析可达99%的正确率。,9.5,灰度共生矩阵分析法,9.5.1,灰度共生矩阵的定义,任何图像灰度表面都可以看作成三维空间中的一个曲面,直方图是研究单个像素灰度级在这个三维空间中的统计分布规律,但不能很好地反映像素之间的灰度级空间相关的规律。在三维空间中,相隔某一距离的两个像素,它们具有相同的灰度级,或者具有不同的灰度级,若能找出这样两个像素的联合分布的统计形式,对于图像的纹理分析将是很有意义的。灰度共生矩阵就是从图像(,x,y,),灰度为,i,的像素出发,统计与距离为,=(,x,2,+,y,2,),1/2,、,灰度为,j,的像素同时出现的概率,P,(,i,j,)。,如图9.5.1。用数学式表示则为,P,(,i,j,),(,x,y,),(,x,+,x,,,y,+,y,)|,f,(,x,y,)=,i,f,(,x,+,x,y,+,y,)=,j,;,x,y,=0,1,N-1,根据上述定义,所构成的灰度共生矩阵的第,i,行、第,j,列元素,表示图像上所有在,方向、相隔为,,,一个为灰度,i,值,另一个为灰度,j,值的像素点对出现的频率。这里,取值一般为,0,0,、,45,0,、,90,0,和,135,0,。很明显,若,x,1,,,y,0,,,则,0,0,;,x,1,,,y,-1,,,则,45,0,;,x,0,,,y,-1,,,则,=90,0,;,x,=-1,,,y,=-1,,,则,=135,0,。,的取值与图像有关,一般根据试验确定。,例如,图,9.5.2(,a,),所示的图像,取相邻间隔,=1,,,各方向的灰度共生矩阵如图,9.5.1(,b),所示。,9.5.2,灰度共生矩阵特征的提取,灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息,它可作为分析图像基元和排列结构的信息。作为纹理分析的特征量,往往不是直接应用计算的灰度共生矩阵,而是在灰度共生矩阵的基础上再提取纹理特征量,称为二次统计量。一幅图像的灰度级数一般是256,这样计算的灰度共生矩阵太大。为了解决这一问题,在求灰度共生矩阵之前,常压缩为16级。,用灰度共生矩阵提取特征之前,要作正规化处理。令,(,i,j,)=,p,(,i,j,)/,R,(9.5-2),这里,R,是正规化常数。,当取,=1,,q,=0,时,每一行有,2(,N,x,1),个水平相邻像素对,因此总共有2,N,y,(,N,x,1),水平相邻像素对,这时,R,=2,N,y,(,N,x,1)。,当取,=1,q=,45,时,共有,2(,N,y,1)(,N,x,1),相邻像素对,,R,=2(N,y,1)(N,x,1)。,由对称性可知,当,q=,90,和,135,时,其相邻像素对数是显然的。,Haralick,等人由灰度共生矩阵提取了14种特征。最常用的5个特征是:,1)角二阶矩(能量),2)对比度(惯性矩),3)相关,4)熵,5),逆差矩,若希望提取具有旋转不变性的特征,简单的方法是对,取0,0,、45,0,、90,0,和135,0,的同一特征求平均值和均方差就可得到。,Haralick,利用,ERTS,1002,18134,卫星多光谱图像对美国加利福尼亚海岸带的土地利用问题,用灰度共生矩阵的方法作纹理分析。,海岸带主要有沿岸森林、树林、草地、城区、小片灌溉区、大片灌溉区和水域七类。对,ERTS,1002,18134,四波段卫片,将其中的某波段图像,取大小为,64,64,象素的非重迭窗口,间隔,=1,,,N,g,=16(,将,0,255,压缩成,16,级,),。,取特征,f,1,f,2,f,3,f,4,关于,的四个方向的平均和均方差,得到8个旋转不变的纹理特征。,为了充分利用多光谱信息,将各波段图像,取纹理分析同一位置的64,64象素窗口灰度平均和均方差。,将纹理特征和多光谱灰度特征组合成16,1特征向量,对七类地域分别取训练样本314个,检验样本310个,提取特征,,,用分段线性分类器分类,获得了平均83.5%的分类精度。,若仅仅用多光谱信息,用8个光谱特征向量,对七类地域分类,分类精度只有,7477%,,由此可见,纹理分类改善了典型模式识别的结果,这是因为图像的纹理分析充分利用了图像灰度分布的结构信息。,
展开阅读全文

开通  VIP、SVIP  下载更划算
下载10份以上建议开通 VIP 会员
下载20份以上建议开通SVIP会员


开通VIP      成为共赢上传

当前位置:首页 > 包罗万象 > 大杂烩

移动网页_全站_页脚广告1

关于我们      便捷服务       自信AI       AI导航        关注我们

©2010-2026 宁波自信网络信息技术有限公司  版权所有

客服电话:0574-28810668  投诉电话:18658249818

gongan.png浙公网安备33021202000488号   

icp.png浙ICP备2021020529号-1  |  浙B2-20240490  

关注我们 :微信公众号    抖音    微博    LOFTER 

客服