图像参数

关键词：图像

图像参数（精选八篇）

图像参数篇1

图像是人类视觉的基础,是人类认识世界和人类本身的最重要、最直观的途径。在一般情况下,经过图像的摄取、传送和转换,因为涉及到光照或仪器的干扰等经常会造成图像质量的下降。比如在摄影时,由于光照条件不足或者过度,会使图像过亮或者过暗;由于光照条件不均,会使图像的亮暗呈现区域分布;光学仪器的失真、相对运动产生的光路变化、大气流动、云层干扰、水的光学特性等都会使图像变得很模糊,进而影响到从图像中获取正确的信息。因此,改善图像质量,提高图像视觉效果成为图像预处理的共同的目标。图像增强就是其中的重要环节。

常见的图像增强方法包括以直方图均衡化法[1]为代表的灰度变换法、频域低通[2]、高通滤波法[3]、同态滤波法[4]等。以直方图均衡化法为代表的灰度变换法并不区分有用信息和噪声[5],因此在增大了对比度的同时也增强了噪声;传统的频域低通滤波法可以消除图像中的随机噪声,平滑图像,但减弱了图像的边缘效应;与低通滤波相反,高通滤波在削弱低频分量的同时消除了图像中包含的有价值的部分图像信息;同态滤波法基于图像形成模型[6],将图像分为高、低频两部分再进行滤波,达到了增强图像对比度,同时压缩图像动态范围的目的。但传统的同态滤波基于傅里叶变换或小波变换,没有充分考虑图像的几何特性,在局部对比度增强效果上不能令人满意[7]。

考虑到上述问题,本文在采用改进的同态滤波进行图像增强的基础上,应用差分进化算法对参数进行优化,增强效果有了进一步的提高。

1 改进的同态滤波

同态滤波是一种在频域中同时进行图像对比度增强和压缩图像亮度范围的特殊滤波方法,传统同态滤波如图1所示。

首先对图像 $f (x, y)$ 取对数,使图像形成模型中的乘法运算组合变成简单的对数加法运算组合,然后对对数图像作傅里叶变换,再选择合适的传递函数H(u,v)进行滤波,最后对滤波结果进行傅里叶反变换和指数运算,得到同态滤波后的输出结果 $g (x, y)$ 。FT和WT从图像的整体角度对光照不均匀进行修正,可以很好地保持图像的原始面貌。但它没有很好地反映图像的几何特性,得不到理想的视觉效果。因此,本文采用了基于数学形态学的同态滤波,算法框图如图2所示。

首先对图像f(x,y)取对数,即 $\underset{L}{\overset{0}{f}} (x, y) = \ln [f (x, y)]$ ,再使用形态学开运算算子作为低通滤波器,相应的高通滤波为原图像的对数减去低通滤波后的图像,如

$\underset{L}{\overset{i}{f}} (x, y) = (\underset{L}{\overset{i - 1}{f}} \cdot B_{i}) (x, y) (1)$

$\underset{Η}{\overset{i}{f}} (x, y) = \underset{L}{\overset{i}{f}} (x, y) - \underset{L}{\overset{i - 1}{f}} (x, y) (2)$

式中:i表示第i层子图分解;Bi表示进行第i层分解时使用的结构元素。对于如图2所示的3层分解,原图像被分解为3个高通子图( $\underset{Η}{\overset{1}{f}} (x, y)$ , $\underset{Η}{\overset{2}{f}} (x, y)$ , $\underset{Η}{\overset{3}{f}} (x, y)$ )和一个低通子图( $\underset{L}{\overset{3}{f}} (x, y)$ ),然后通过乘以增强求和( $k_{1} \underset{Η}{\overset{1}{f}} (x, y)$ , $k_{2} \underset{Η}{\overset{2}{f}} (x, y)$ , $k_{3} \underset{Η}{\overset{3}{f}} (x, y)$ , $k_{4} \underset{L}{\overset{4}{f}} (x, y)$ ),最后取指数得到增强图像。在水中,如果照射物体比背景色偏暗,可以用上述闭运算来提取低频成分,如果照射物体比背景色偏亮,则用开运算来提取低频成分,类似的有

$\underset{L}{\overset{i}{f}} (x, y) = (\underset{L}{\overset{i - 1}{f}} \cdot B_{i}) (x, y) (3)$

$\underset{Η}{\overset{i}{f}} (x, y) = \underset{L}{\overset{i}{f}} (x, y) - \underset{L}{\overset{i - 1}{f}} (x, y) (4)$

所以对具体图像应该选择相应的形态学滤波算子。

由算法框图可知,为了得到不同层次的子图需要选取3个结构元素Bi,(i=1,2,3)。Bi的大小应该随着i的增加而增加,即Bi≤Bi+1。此外,各层子图的增益ki的大小也是影响图像增强效果的关键。为了选择上述7个最优的参数,本文引入了差分进化算法。

2 差分进化算法

差分进化是一种基于信号编码理论的全局参数优化算法[8],可以优化非线性不可微连续空间函数。其算法流程如图3所示。

在使用差分进化算法前必须要对其参数进行设定[9]:

1) 群体大小Np,即群体中所含个体数量,一般取20～50,Np越大,种群多样性越强,获得最优解概率越大,但是计算时间越长。

2) 最大迭代代数Gm,迭代次数越大,最优解更精确,同时计算时间更长。

3) 变异因子F,0～2之间,一般取0.5,F越大,种群多样性越强。

4) 交叉概率CR,0～1之间,一般取0.3,CR越小,保留上代种群个体越多。

目标函数是差分进化算法通向最优解的标准,传统的评价标准基于一个思想:与标准图像的灰度差异越小则图像增强效果越好[10]。如均方误差(MSE)、平均绝对误差(MAE)、峰值信噪比(PSNR)等传统的评价标准计算简单,运算速度快,但不能反映少数像素点有较大灰度差别和较多像素点有较小灰度差别等情况,对图像的各个像素点同样对待,不符合人眼的视觉特性。此外,上述3种标准只适用于实验室仿真,即在知道原始清晰图像先验信息的前提下,对算法进行测试。而实际中原始清晰图像未知,因此无法使用该方法实现图像增强。为了更好地逼近人的主观视觉感受和解决实际问题,本文依据心理物理学的Weber定律[11]提出一个简单的比率值如式(5),采用Agaian改进的基于对比度熵的图像质量评价标准[12]如式(6)

$\frac{Ι_{\max; k, l}^{w} (φ, p a r a m e t e r s)}{Ι_{\min; k, l}^{w} (φ, p a r a m e t e r s)} (5)$

$E Μ E = \max (\frac{1}{k_{1} \times k_{2}} \sum_{l = 1}^{k_{1}} \sum_{k = 1}^{k_{2}} 2 0 \ln \frac{Ι_{\max; k, l}^{w} - Ι_{\min; k, l}^{w}}{Ι_{\max; k, l}^{w} + Ι_{\min; k, l}^{w} + c}) (6)$

Weber定律将图像分割成k1×k2个窗口Wi,j,(i=1,2,…,k1,j=1,2,…,k2),(k,l)表示各个中心像素点坐标,φ表示增强算法中用到的变换,parameters表示算法中使用的参数。I $_{\max; k, l}^{w}$ (φ,parameters)和I $_{\min; k, l}^{w}$ (φ,parameters)表示特定变换φ和特定参数parameters下窗口W(k,l)的最大亮度值和最小亮度值。EME值越大,图像增强的视觉效果越好。为了使标准值更具收敛性,本文选择EME的倒数作为差分进化的目标函数,记为REME,如

$\begin{array}{l} R E Μ E = \min (α \times k_{1} \times k_{2} / \\ \sum_{l = 1}^{k_{1}} \sum_{k = 1}^{k_{2}} 2 0 \ln \frac{Ι_{\max; k, l}^{w} - Ι_{\min; k, l}^{w}}{Ι_{\max; k, l}^{w} + Ι_{\min; k, l}^{w} + c}) (7) \end{array}$

这样,水下图像的增强过程就转化为最小化REME的过程。

3 实验仿真

实验选择标准Lenna图像,首先利用点扩散函数(PSF)模拟水下环境对其进行模糊处理。其次加上均值为0、标准偏差为0.01的高斯噪音生成一幅退化图像,如图4所示。

实验选择圆盘型结构元素,差分进化算法的参数设置为:种群大小Np=30,最大迭代代数Gm=10,交叉概率CR=0.3,变异因子F=0.5。分别使用4种标准作为目标函数进行仿真,结果如图5所示。

主观视觉上来看,上述4种图像评价标准都可以指导差分进化向最优解逼近,而选择REME这一评价标准作为目标函数时,图像增强的视觉效果更好。表1列出了4种评价标准下的各代目标函数值。可以看出,多次试验中,差分进化算法的目标函数值变化很小。变化越小,说明算法在进化过程中越稳定。另外,MAE,MSE和PSNR这3项图像评价标准基于与原始图像的对比,MAE和MSE值越小、PSNR值越大说明增强图像与原图像差距越小,即增强效果越好。由于这3项标准的意义为图像间的差异,因此它们还可用于图像恢复。而REME基于人眼的视觉特性,不依赖于图像的先验信息,不参与与原始图像的对比,增强后很可能与原始图像差异很大,但在满足人类视觉效果方面更具有优势。在程序运行时间上,由于MAE,MSE和PSNR运算简单,要比REME快很多。在程序运行时间上,由于MAE,MSE和PSNR运算简单,要比REME快很多。

在实验过程中发现,对于不同的目标函数,各层的增益大小不同,即出现评价结果不一致的现象,这种现象是由各层图像信息的混叠而形成的。因此,即使以同一幅原始图像为对比图像,由差分进化算法得到的各层增益也会不同。

图6是选择REME标准的差分进化得到的最优增益,得到的对称圆盘形结构元素大小分别为2,3,6。图像增强就是要增强包涵图像边缘信息较多的高频分量,抑制包涵图像背景信息较多的低频分量,因此,高频增益ki>1,(i=1,2,3),低频增益k4<1,可以看出,所得实验结果与理论相符。

4 小结

本文在同态滤波的基础上,提出了一种优化参数的图像增强算法,重点介绍了差分进化在此算法中的应用。通过引入差分进化算法,不但选择了最优大小的形态学结构元素,而且获得了各层次子图的最优增益。仿真结果表明该算法可以有效地改善图像在成像、复制、扫描、传输和显示等过程中出现的图像模糊问题。不足之处是由于引入进化算法,程序运行时间较长,虽然能够更好地提高图形的视觉效果,但在对图像的实时处理要求很高的条件下,得不到很好的应用。

参考文献

[1]姚敏.数字图像处理[M].北京:机械工业出版社,2008.

[2]王耀南,李树涛,毛建旭.计算机图像处理与识别技术[M].北京:高等教育出版社,2001.

[3]TAMAR P,JEE S L.Adaptive filtering for image enhancement[J].Opti-cal Engineering,1982,2l(1):108-112.

[4]肖俊,宋寿鹏,丁丽娟.空域同态滤波算法研究[J].中国图象图形学报,2008,13(12):2302-2305.

[5]梁琳,何卫平,雷蕾,等.光照不均图像增强方法综述[J].计算机应用研究,2010,27(5):1625-1628.

[6]闫敬文.数字图像处理[M].北京:国防工业出版社,2007.

[7]张新明,沈兰荪.基于小波的同态滤波器用于图像对比度增强[J].电子学报,2001,29(4):531-533.

[8]STOCKHAM T.Image processing in the context of a visual model[J].Proc.IEEE,1972,60(7):828-842.

[9]马小华,李济民.融合对数交叉概率因子和随机迁移的差分进化算法[J].太原理工大学学报,2011,18(3):132-136.

[10]PRICE K V.Differential evolution vs.the functions of the 2nd ICEO[C]//Proc.IEEE International Conference on Evolutionary Computa-tion.[S.l.]:IEEE Press,1997,153-157.

[11]COREN S,WARD L M,ENNS J T.Sensation and perception[M].FortWorth,TX:Cold Spring Harcourt Brace College Publishers,1994.

图像参数篇2

【摘要】本文详细介绍了运用Matlab程序软件，对风洞实验中获得的沙粒运动连续高速摄影图像进行程序自动叠加的处理方法，以及对所得图像中运动粒子特征参数的提取和数据的导出途径。这种方法大大提高了风沙两相流高速摄影图像的处理速度，同时最大程度上保持颗粒特征参数提取的完整性和精确性，为风沙起动的研究提供了一种新的途径。

【关键词】Matlab；高速摄影图像；图像叠加；颗粒信息提取和导出

0.引言

沙粒起动形式、起动机制是风沙物理学中风沙运动的关键问题，在学术界中还存在着众多的争议[1]。关于沙粒起动形式和启动机制的研究主要是通过对两相流图像的处理分析来实现。当今两相流图像处理有很多方法[2-4]，通过不同的手段和原理来达到颗粒信息的恢复提取。本文基于Matlab图像处理知识和Matlab函数编译功能[5,6]，总结整理出一种风沙两相流高速摄影图像处理的可行性方法。该方法即提高了图像处理的效率又保证了信息结果的准确性和可靠性，是一种适用性广的风沙图像处理手段。

1.图像的自动叠加处理

1.1分析目标文件夹文件结构并赋予代号

使用dir函数获得指定文件夹下的所有文件,并存放在文件结构体数组中，然后循环处理文件夹里的文件。获取目标文件夹里的文件结构，利用循环语句给每个子文件分别赋予一个号，方便接下来对每个文件的调取处理。

2.轨迹信息提取和数据的导出

2.1颗粒信息提取

2.2数据导出到Excel表

3.结语

本文依靠Matlab工具强大的图像和数据处理功能，完成了风沙两相流高速摄影图像的自动叠加处理和颗粒信息参数的人工恢复提取及数据的导出工作。这种图像处理方法在保证信息提取可靠性的基础上，又提高了图像处理的工作效率，同时这种方法具有很广的适用性，为图像处理类工作提供参考作用。[科]

【参考文献】

［１］董治宝，郑晓静.中国风沙物理研究五十年(Ⅱ)[J].中国沙漠，2005,25(6):795-812.

［２］王大伟,王元,杨斌.风沙两相流PIV测量算法研究[J].力学学报,2006,38,(3):305－308.

［３］DELNOIJ E,WESTERWEEL J,DEER N G, et al.Ensemble correlation PIV applied to bubble plumes rising a bubble column[J].Chemical Engineering Science,1999,54:159-171.

［４］蔡毅等.模糊逻辑方法用于气固两相流动PTV 测量中的颗粒识别过程[J].Ex

periments and Measurements in Fluid Mechanics,2002,16(2):78-83.

［５］龚纯，王正林.Matlab语言常用算法程序集[M].电子工业出版社，2008.

裂缝图像识别与特征参数算法的研究篇3

裂缝区别于背景的特征有两个, 一是亮度要暗一些, 二是成现出线性的形状。

裂缝图像一般分为三部分:裂缝信息、背景信息和干扰 (噪声) 信息。其特征分别如如下。

(1) 裂缝图像的特征:裂缝相比背景亮度较暗;裂缝具有一定线性特征。

(2) 背景图像的特征:背景图像较裂缝呈亮色;背景一般占图像的比例高;背景的亮度通常较复杂。

(3) 噪声图像的特征:随机产生, 分布较孤立;亮度值突变, 且与其相邻像素点具有无关性。

根据对裂缝的理解, 可以从裂缝区域的灰度特征以及区域几何特征的角度来研究裂缝图像的识别和提取。

要获取图像的参数信息, 需要进行如图1所示的步骤。

对图像进行预处理操作, 为的是去除噪声干扰, 得到优质的图像, 针对裂缝图像特征, 本论文改进了中值滤波的图像增强算法。其次, 进行图像分割, 本文对区域分割方法进行了研究, 在此基础上, 为了减少图像可能仍然存在的不确定因素照成的影响, 进一步利用裂缝的形状特征去除非裂缝图像信息。最后利用干净的裂缝图像对裂缝进行统计和分析, 计算出裂缝的面积, 长度和每一段的宽度。

1 中值滤波的改进方法

在图像的采集过程中, 图像中不可避免的会存在大量的噪声。所以, 首先要对数字图像进行去噪处理。目前图像噪声一般指的是在成像和传输过程中产生的随机噪声中的高斯噪声和脉冲噪声, 高斯噪声的特点是在平坦的区域出现幅值较小的噪声。而脉冲噪声点分布比较孤立, 灰度值突变, 且与相邻像素点无相关性。

对于均值滤波和中值滤波这些经典方法确实不同程度的减少了噪声干扰, 但是这些方法也存在一些问题, 可以看到这些噪声的特点和裂缝边缘的特点近似, 在进行去噪的操作中, 同时也模糊了裂缝的边缘。这不利于对裂缝的识别。因此要克服这个问题, 对这两种经典方法进行了改进, 把这种干扰降到最低。

传统的中值滤波是一种非线性平滑滤波方法。其算法步骤是将滑动窗口中各像素点的按大小进行排序, 去中值来替代指定点 (一般为窗口中心点) , 但这种方法不能全面适用于图像中每条裂缝的形状和走向。

为了适应裂缝具有线性特征的特点, 在二维滑动窗口中, 过中心点分别在0°, 45°, 90°和135°方向形成4个一维子窗口, 分别对4个子窗口求中值, 然后取其最小值作为中心点的值。

具体算法如下:M为大小为 (2n+1) × (2n+1) 的窗口, 中心点为 (i, j) , 窗口内的像素点为X (e, f) , 则4个一维子窗口依次表示为

对于每个子窗口分别进行一维中值滤波即对子窗口所有元素进行排序取中值, 设分别为p1, p2, p3和p4, 则最后输出:

min函数是取最小值运算, 则Y (i, j) 即为中心点像素的灰度值。

图3~图5针对同一幅图像 (图1) 进行均值滤波、中值滤波和改进后的中值滤波处理结果。从处理效果可以看出中值滤波和均值滤波都在一定程度上滤除了噪声, 但也使图像变得模糊且裂缝信息也受到影响。而改进后的中值滤波大大克服的这个弱点, 效果较好。

2 图像的分割

图像分割是从图像处理到图像分析的关键步骤, 只有在图像分割的基础上才能实现对目标对象的信息提取、分析和应用。分割的精确程度甚至决定着图像分析的精确程度。可以说, 图像分割结果的好坏直接影响对图像的理解。

图像分割的方法和种类很多, 但到目前为止, 还没有一种或几种完善的分割方法, 按人们意愿准确分割出目标图像。针对裂缝图像的特点, 介绍最大类间方差阈值分割。

最大类间方差阈值分割算法是由日本学者大津于1979年提出的, 是一种自适应阈值确定方法, 简称OTSU法。其算法如下:

设:图像像素灰度范围为整数集H=[0, 1, 2···L-1], 对应灰度为i的像素个数为ni, 则图像的像素总数为:

灰度为i的像素的对应的概率为:

则整幅图像灰度的平均值和方差分别为µ, 表示为:

假设选定的阈值为T, 可以把整幅图像的像素分成两部分, 用D1和D2表示。其中D1中像素的灰度值集中在[, 0 T]之间, 而D2中像素的灰度值在[T+1, L-1]。则D1和D2发生的概率分别用ω1和ω2表示。

D1和D2的灰度平均值分别用µ1和µ2表示。

类间方差定义为:

令T在[, 0 L-1]中依次取值, 使σ2最大的T值即为最佳分割阈值。

OTSU阈值分割算法简单、处理速度快, 是一种较好的图像分割算法, 分割效果如图4所示。但由于裂缝图像中裂缝相对于背景像素所占的比例非常小时, 可以增添人工选出裂缝区域的功能, 使得算法应用在这个区域中, 这样可以避免裂缝比例小的问题。

但由于裂缝图像通常比较复杂, 如果OTSU阈值分割算法不能得到有效的分割图像, 对于这种情况可以采用人工选择阈值进行分割, 来弥补其不足, 参见图6所示。可以编程绘制灰度直方图, 来描述图像中灰度值所对应的像素的个数, 其横坐标表示像素的灰度级别, 纵坐标表示该灰度出现的像素个数。通过人工输入阈值的方法, 来实现阈值分割图像的目的。人工固定阈值图像分割界面如图7所示。

3 进一步区分图像中裂缝和干扰信息

经过图像分割后裂缝图像基本上从背景中分离出来, 整个图像也变为了二值图像。由于分割时采用了裂缝亮度比背景暗的特征进行的, 在这种情况下, 如果有和裂缝同样亮度的干扰物存在, 就会把干扰图像也同样保留下来。因此, 我要通过裂缝的线性特征把这样干扰图像清除掉, 为下一步的裂缝的分析打下良好基础。

为了实现这个目的, 利用数学形态学的知识来处理经过图像分割处理后的二值图像。

首先, 将图像进行图像细化操作, 所谓细化, 就是从原图中去掉部分点, 但要保持原来的形状, 即保持原图的骨架。如正方形的骨架为它的中心点;圆形的骨架为它的圆心, 长方形的骨架为长方向上的中轴线。根据这个特性, 裂缝经过细化将留下和裂缝走向一致的曲线。

然后, 对细化的图像用文章前面讲过的“中值滤波的改进方法”进行滤波处理, 这样非线性的细化点将会被清除。

最后, 还原裂缝图像信息。运用数学形态学里的图像膨胀的算法对细化的图像进行处理, 然后和细化前的图像的每个像素分别进行与操作, 注意由于是二值图像, 是令裂缝的阈值为1, 而背景的阈值为0。重复膨胀操作和与操作直到细化图像不再发生阈值的改变。此时, 便得到裂缝图像。

4 裂缝的特征参数分析和提取

裂缝特征的提取主要包括裂缝面积、长度和宽度的计算等。裂缝面积的计算是通过对裂缝像素的统计实现的, 而长度和宽度的计算则需先对裂缝进行细化, 得到裂缝的骨架, 求得各段骨架的斜率, 通过计算得到长度和宽度值。

4.1 裂缝的长度

基于裂缝的线性特征, 首先对裂缝做细化操作, 得到单像素宽的裂缝骨架曲线。裂缝的长度实际上就是骨架图像骨干点之间的长度之和。骨化后的图像是一个单像素宽度的连通性好的骨干图像。可以分别求取相邻像素之间长度, 然后把所有的相邻像素之间的距离求和即为所得, 如下式:

H是水平方向的比例因子, 即水平方向上的像素个数与实际情况水平长度的比值;

V是垂直方向的比例因子, 即水平方向上的像素个数与实际情况垂直长度的比值;

l是两个相邻像素之间的长度。

总长度即为所有相邻元素的长度之和。

4.2 裂缝的宽度

骨架各点所在裂缝的位置的宽度反应出裂缝各段的宽度, 由于骨架曲线是单像素曲线, 则一个骨架点与相邻的其他两个骨架点相接, 分别求出与相邻点的斜率。则每个斜率的垂线与裂缝边缘相交两点, 两点的连线的大小即为宽度值。比较这两个宽度值其中较小的为裂缝此段的宽度。

设骨架曲线的其中一个骨架点用B (x1, y1) 表示, 其相邻骨架点分别为A (x2, y2) 和C (x3, y3) 。

骨架线在B点的斜率近似用直线AB的斜率表示, 则斜率k1表示为:

K1=y1-y2x1-x2 (4)

过骨架点斜率为1/k1的直线与裂缝图像边缘交于两点, 记为E (x4, y4) , F (x5, y5) 。

则裂缝此段的裂缝的宽度D1表达式为:

同理, 骨架线在B点的斜率近似用直线BC表示, 同样的原理求出D2, 然后比较与D1的大小, 取较小值作为裂缝此段的宽度的最后结果D=MIN (D1, D2) 。

5 实例

源图像取自在破旧房屋拆迁现场, 实地拍下的房屋侧壁裂缝照片。采集的数据是24位彩色图片。通过各种图像处理得图像裂缝的长度和宽度信息。

其步骤如下。

第一步对灰度图使用改进的均值滤波和中值滤波进行去噪处理。经过滤波后图像中的干扰的得到控制。中值滤波、均值滤波和改进的中值滤波处理图像的结果如下图3~图5。

第三步使用OTSU阈值分割算法进行图像分割, 效果如图6, 采用人工固定阈值分割方法。

第四步进一步去除非线性干扰信息。首先进行细化效果, 然后滤除非线性信息, 还原裂缝图像。

第五步对裂缝特征参数进行提取和分析。首先求得裂缝图像的面积, 然后细化求得裂缝的长度, 得到裂缝的平均宽度, 最后计算出裂缝每一段的宽度信息并显示。

6 结语

本文讲述了裂缝图像采集结束后如何通过利用计算机图像处理技术对数字裂缝图像进行处理, 提取出感兴趣的裂缝信息, 并对裂缝的特征参数进行计算的一套处理方法。根据裂缝特有的特征, 改进了均值滤波和中值滤波等经典算法。在运用OTSU阈值分割算法进行图像分割的同时, 根据裂缝线性特征, 提出一些新的方法去除非线性图像, 进一步更好的分割图像, 随后利用几何算法和统计方法计算出长度、宽度等信息。实现了裂缝图像的自动识别和分析。

摘要：裂缝图像的计算机自动识别和参数统计在工程质量调查方面具有较好的应用前途, 与目前人工判读相比, 不但提高了工作效率, 页提高了解释精度。要实现对裂缝图像解释, 首先改进了中值滤波技术, 通过改进算法, 裂缝边缘得到较好的保护;其次利用最大类间方差阈值法进行图像分割, 并根据裂缝的线性特征, 进一步去除非裂缝图像;最后提出一种合理地有效地计算裂缝平均宽度、长度及每一段的裂缝宽度算法。该算法应用于裂缝识别和检测过程中, 获得良好的应用效果, 证明了算法的有效性。

关键词：裂缝,数字图像处理,图像分割,特征提取

参考文献

[1]联骏.图像编程精髓:从开发自己的Photoshop开始[M].北京:电子工业出版社, 2006.

[2]张宏林.Visual C++数字图像处理典型算法及实现[M].北京:人民邮电出版社, 2008.

图像参数篇4

1)大多数研究重叠细胞分离的方法都是直接对重叠细胞图像进行分离,若细胞不规则,可能造成单细胞被误分割现象。

2)对一幅细胞图像进行整体分割时,由于图像中含有单个细胞,因此增加了分割的时间,降低分割的效率。

针对以上存在的问题,该文先对一幅重叠细胞图像进行预处理,即通过引入形状参数的算法先将单个细胞从重叠细胞图像中提取出来,获得一幅只剩重叠细胞的图像,以便于后期主要针对重叠细胞进行分离。

1 基于形状参数的重叠细胞图像判别的研究

目前对重叠细胞图像的判读,一般都是借助图像分析仪,基于肉眼的基础上,用鼠标勾画出细胞重叠的部分,具有主观性。该文通过对多种类型的重叠细胞图像进行分析研究,得到以下结论:

1)由于采集细胞图像受到实验设备、染色不均匀等因素的干扰,得到的细胞图像中某些单个细胞不规则现象。

2)由于细胞可能处在不同的发育期,造成细胞的结构复杂,形状不规则。

因此,某些形状不规则的单个细胞被误分割的现象时有发生,如图1所示:

1.1 引入形状参数

形状参数是描述一个目标区域面积与周长比例关系的参数,公式如下:

其中,S是一个连通目标区域的面积,L是这个连通区域的周长。

从式中可以看出,当细胞发生重叠时,由于重叠细胞的边界出现凹陷,L会比未发生重叠时的大,因此F就会变小。理论上,形状因子的取值范围是:0F0时,细胞不存在重叠;反之,则存在重叠现象。要想求出F,必须先要求出细胞的面积S和L。下面先对这两个量设计合适的算法,进行求解。

1.2 计算面积和周长

目标区域的面积计算可通过扫描区域像素点个数求得。假设现在有两个目标区域,分别为A和B,如图2所示:

计算面积时,逐步扫描图像的像素点个数,遇到连同区域,开始标记第一个像素点Ai,然后依次累加这一连同区域像素点个数,最终得到他们的面积。上图A和B的面积依次是SA=25和SB=21。

周长可通过扫描一个目标区域外边界像素点两两间的距离得到。如上图(左)分别给出四个像素点x,y,p,q,p和q是垂直方向,因此他们的距离为1,同样水平方向上的两点距离也为1。x和y是斜对角线方向,他们的距离为:

以上是计算周长的原理,在实际中计算目标区域的周长要用到链码的概念。链码的定义如图3左所示:

图3左表示八邻点的链码,即一个点与他相邻点的矢量。如右图对目标区域的一段边界进行跟踪,AB之间的链码值分别为2,2,1,2,2,AC之间的链码值分别为1,1,2,1,1。由上图可知,垂直方向和水平方向上点的链码值都是偶数,而斜对角方向上点的链码值都为奇数。由此就很容易计算一个目标区域的周长了。即分别对这个目标区域边界点计算他们各自的链码值,并分别统计这段边界的偶数链码和奇数链码的个数。用下面公式计算周长:

其中,n为链码的个数,ne为偶数号链码个数,n0为奇数号链码个数。

1.3 算法实现

通过上述分析,就能很容易得到目标区域的形状参数。具体实现步骤如下:

步骤1:扫描一幅二值图像,记下图像连通区域个数。

步骤2:对于每一个连通区域,首先扫描其垂直方向和水平方向的像素点个数,然后用总的边界像素点减去这两个方向的像素点数,获得奇数码的链码数,计算此连通区域的周长。

步骤3:再逐次扫描这个连通区域的像素点总数,求出其面积。

步骤4:计算此连通区域的形状参数。

为验证此方法的有效性,该文选用了一组形状结构较复杂的重叠细胞进行试验,并最终确定F0,从而有效的将单个细胞删除掉。表1分别给出了10组单细胞和重叠细胞形状参数。

有表1分析得到,F0=0.4是判断牛乳体细胞是否重叠的一个临界值,即阈值。因此,当F>F0时,认为牛乳体细胞不存在重叠;当F<=F0时,认为存在细胞重叠。图4给出了经过细胞重叠判别前后的对比图。

2 结论

通过上述分析,基于形状参数的重叠细胞判别在理论和实践上都得到了验证,这对于分离重叠细胞在效率上有了很大的提高,并且能有有效避免单细胞被误分割的情况出现。但是,由于细胞形状比较复杂,因此需要进一步较精确地识别细胞是否重叠,并对形状参数阈值选取需进一步实现自动化。

摘要：利用计算机技术分割重叠细胞图像是目前图像处理中重要一部分,对诊断一些疑难杂症具有重要意义。而目前存在的分割重叠细胞图像大部分都直接对图像进行分割,容易造成单细胞被分割现象,同时降低效率。该文在对重叠细胞图像进行分割之前,首先利用形状参数对其进行判别,从而得到一幅只剩重叠细胞的图像,有效避免误分割现象。

关键词：重叠细胞,形状参数,链码

参考文献

[1]陆宗骐.C/C++图像处理编程[M].北京:清华大学出版社,2005.

[2]丁宁,陆宗骐.基于平均链码的曲率分割法[J].山东生物医学工程,2000(1).

[3]薛河儒.牛乳体细胞图像的分割方法的研究[D].内蒙古农业大学,2007.

[4]刘相滨,邹北骥,胡峰松.基于边界剥离的细胞图象分离算法[J].中国图像图形学报,2002(3).

[5]潘晨,闫相国,郑崇勋.一种分割重叠粘连细胞图像的改进算法[J].中国生物医学工程学报,2006(4).

[6]刘秉瀚,王伟智,郑智勇,等.病理图像中重叠细胞自动分离的研究[J].中国体视学与图像分析,2002(1).

[7]陆振哗,范影乐,庞全.基于数学形态学的重叠细胞分离方法及比较研究[J].计算机工程与应用,,2004,40(6):57-59.

图像参数篇5

据联合国粮农组织报道, 我国农田杂草约1 500多种, 其中恶性杂草有38种, 区域性杂草有94种, 常见杂草有364种[1]。农田杂草对农作物的生长有极大的危害性, 其主要表现在:同农作物激烈竞争水分和养分;侵占土壤空间, 影响作物光合作用, 干扰作物生长;寄生病害和虫害;增加管理用工和生产成本;降低作物的产量和质量等。

在精细除草过程中, 必须对杂草进行识别, 从植物分类的角度来看, 识别一种植物最直接有效和最简单的方法就是从它的叶片着手, 而且叶片也比较容易采集到。正因为如此, 在植物学里叶片的形状、颜色和脉络被作为分类依据。本研究就是应用图像处理的相关技术, 针对杂草叶片的形态、纹理以及颜色特征对杂草识别进行研究。

1 图像识别概述

根据有关图像识别方面的知识, 图像识别一般可按照图1所示的处理程序进行。

由图1可知, 通过杂草叶片信息识别杂草的关键, 是提取叶片特征信息, 包括叶片的颜色特征、纹理特征和形态特征。

2 杂草叶片形态测量

2.1 形态特征分析

不同种类杂草叶片的形状存在着较大的差异, 即使是同一种其叶片大小比例也可能有所不同。周长、面积、长、宽等常用的绝对值特征就不太适合作为分类依据, 应考虑使用一些相对值特征。

根据相关几何学知识, 可以利用杂草叶片轮廓得到一些形状描述, 如凸包、外接圆、内切圆等, 并通过它们计算得到以下6项相对值几何特征:长宽比、面积凹凸比、周长凹凸比、球状性、圆形度、形状参数, 各特征参数的含义及计算方法如表1所示。

以上6项几何特征都为无量纲参数, 具有旋转、平移和尺寸不变性, 这些特征对于杂草叶片识别来说是非常重要的。

2.2 纹理特征分析

纹理特征分析既可以用灰度本身的信息, 又可以用灰度变化的梯度信息, 因为梯度参量是构成图像轮廓边缘的要素。灰度-梯度共生矩阵纹理分析方法是用灰度和梯度的综合信息提取纹理特征, 它既解决了图像旋转问题, 又加入了图像的梯度信息, 使得共生矩阵能够包含图像的纹理基元及其排列信息。同时它综合考虑像素灰度与边缘梯度的联合统计分布, 是灰度级直方图和边缘梯度直方图的结合。

设原图像为

f (x, y) , x=1, 2, …, N;y=1, 2, …, N。其灰度级为L, 用梯度算子提取原始图像的梯度图像g (x, y) ;把梯度图像进行灰度级离散化, 设灰度级数目为Lg, 新的灰度为

undefined

其中, undefined。

变换后, 梯度图像为G (x, y) , x=1, 2, …, M;y=1, 2, …, N。其灰度级为Lg。

灰度—梯度共生矩阵为

undefined

其中, Hij定义为集合中元素的数目。将其作为归一化处理, 得到|pij|L×Lg, 其中, undefined。

从灰度—梯度共生矩阵中可以提取出二次统计特征参量, 如灰度均方差、梯度均方差、灰度熵、梯度熵、惯性、逆差距等15种二次统计特征参数。Gotlieb和Kreyszig (1990) 对这15个特征参数进行了研究, 在实验中得出能量、相关性、惯量和熵是最有效的特征。设图像的灰度级为L, 梯度级为Lg, 则各种特征参数如下表所示。

1) 能量。即

undefined

能量是图像纹理变化均匀性的度量, 反映了图像灰度-梯度分布均匀性程度和纹理粗细度。当共生矩阵中的元素分布较集中于主对角线时, 说明从局部区域观察图像的灰度分布是较均匀的。如果共生矩阵的所有值均相等, 则能量值最小;相反若其中一些值大其它值小, 则能量值大, 因此粗纹理含有较多的能量。

2) 灰度平均。即

undefined

3) 梯度平均。即

undefined

4) 相关。即

undefined

相关性能够用来衡量共生矩阵的元素在行或列方向上的相似程度。因此, 相关值大小反映了图像中局部灰度的相关性。当矩阵元素值均匀相等时, 相关值就大;相反, 如果矩阵元素值相差很大则相关值小。

5) 惯性。即

undefined

惯性度量矩阵元素的分布情况以及图像局部变化的多少, 反映了图像的清晰度和纹理的沟纹深浅。纹理的沟纹深, 对比值大, 效果清晰;反之, 对比值小, 则沟纹浅, 效果模糊。

6) 逆差距 (局部均匀性) , 即

undefined

逆差矩度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化, 局部非常均匀;反之, 则说明不同局部区域间差异较大。

7) 混合熵。即

undefined

熵值是图像具有信息量的度量。若图像没有任何纹理, 则灰度共生矩阵几乎为零阵, 熵值接近为零;若图像充满细纹理, 则熵值较大。灰度-梯度共生矩阵解决了单一的由灰度产生的灰度共生矩阵所遇到的图像旋转问题。对图像旋转后相同的纹理区域的特征量保持一致, 正确识别这些数字量就可以达到识别相同纹理的目的。

2.3 颜色特征分析

将包含在图像中的颜色信息以一定的形式表示并加以量化, 即完成了图像颜色特征值的提取。根据有关颜色模型理论, 本文选择HIS颜色空间, 即以色度H, 饱和度S和亮度I来描述杂草叶片颜色信息。由三基色RGB向HIS转换的公式为

undefined

经研究法分析, 以上共16个特征参数可对杂草叶片信息进行精确描述, 在后续工作中, 可对此16个参数设定权重, 实现对杂草种类快速、准确的判断。

3 结论

本研究采用图像识别技术, 以杂草叶片为研究对象, 提出以形态、纹理和颜色特征结合的方法的对杂草叶片信息进行精确描述, 达到了对杂草种类识别的目的, 可以为农药的精确投放和现代施药装备的开发奠定基础。

摘要：杂草种类繁多、危害严重, 对杂草种类进行精确识别, 可以提高除草效率, 减少除草剂使用量, 降低其对环境的污染。为此, 应用图像处理的有关技术, 以杂草叶片为研究对象, 以形态、纹理和颜色特征相结合的方法来描述杂草叶片信息, 提出了共16个特征参数可对杂草叶片信息进行精确描述, 该特征参数可区别不同种类的杂草, 为农药的精确投放和现代施药装备的开发奠定基础。

关键词：杂草,图像处理,杂草识别,特征参数

参考文献

[1]中国信息数据库.杂草[EB/OL].2008-07-06.http://www.infobase-china.com/ibchina-25444.htm.

[2]王晓峰.叶片图像特征提取与识别技术的研究[J].计算机工程与应用, 2006 (3) :190-193.

[3]田村秀行.计算机图像处理[M].北京:科学出版社, 2004.

[4]陈兵旗, 孙明.Visual C++实用图像处理[M].北京:清华大学出版社, 2004.

[5]Calvin C.Gotlieb, Herbert E.Kreyszing.Texture Descriptors Based on Co-occurrence Matrices[J].Computer Vision, Graphics, and Image Processing, 1990, 51:70-86.

[6]曹晶晶, 王一鸣, 毛文华, 等.基于纹理和位置特征的麦田杂草识别方法[J].农业机械学报, 2007 (4) :107-110.

图像参数篇6

玉米是目前种植面积最大的农作物之一。种子质量直接关系到玉米产量高低及玉米品质的优劣,玉米种子质量的好坏关键是进行玉米种子品种纯度的鉴定。传统的玉米种子鉴定方法主要包括籽粒形态鉴定法、幼苗形态鉴定法、田间种植鉴定法及生化指标的电泳分析法等多种方法[1],这些方法易受各种因素的影响,有着很大的局限性。

随着计算机技术的发展,利用玉米种子的图像特征进行玉米品种识别的研究十分活跃[2,3,4,5,6,7,8],在检测中最关键的一步就是对包含大量数据信息的图像进行有效特征的提取。特征参数的有效性或者精度直接关系到种子品种识别的成败。本文针对玉米种子品种识别与检测的特点,采用VC++6.0开发了基于多对象轮廓提取算法的玉米种子特征参数提取系统,并对本文定义的25种玉米特征参数进行提取,结果表明,该系统对所定义的特征参数的提取具有高效性和准确性。

1 玉米种子图像获取与特征提取系统设计

1.1 玉米种子特征提取系统

基于图像处理的玉米种子特征提取系统主要功能为:实现图片的导入和格式转化;对图像进行预处理及获得玉米种子轮廓;对所定义的特征参数进行提取并导出特征数据。系统设计路线如图1所示,文件菜单的主要功能是实现图像的导入,并将图像格式由JPG转化为BMP格式,24bit转化为8bit。图像预处理与特征提取模块的功能将在下文中详细介绍。

1.2 玉米种子图像的获取

获取玉米种子图像的硬件系统(如图2所示)由相机、光源、遮光罩和载物台等组成。其中,图像采集相机选用Sony H5,照片分辨率为1 632×1 224 像素,焦距 6㎜,光圈为F4.0,ISO为100;光源采用三基色22W荧光环形管,光源外径190 ㎜,色温4 500 K;遮光罩内侧涂有无闪烁白漆;载物台表面为黑色,提高对比度。图3为采集到的玉米种子图像。

2 图像预处理

2.1图像灰度化

由于采集到的玉米种子图像是24位真彩色图像,即图中每一像素都包含了红绿蓝3个色值。将彩色图像转化为灰度图像,玉米种子图像没有了彩色成分,图像的数据量减少,给后续处理带来很大的方便。本系统采用加权平均值法将彩色图像转化为灰度图像,按照适合人眼的视觉特点,选用了常用的一组权值进行抖动,即红 (Red) 取 0.299,绿(Green)取0.587, 蓝(Blue)取0.144, 其转化方程为

Grey=0.299R+0.587G+0.144B (1)

经过试验,利用上述方程能够得到合理的灰度图像,肉眼无法发现明显差异,各对应像点的灰度一致性较好。灰度化的图像如图4所示。

1.相机 2.光源圈架 3.环形光源 4.遮光罩 5.样品 6.载物台

(a) 农大108 (b) 郑单958

2.2 中值滤波

在处理玉米种子图像过程中,实际采集到的图像会因某种干扰而含有噪声,这些噪声会降低图像质量,并影响玉米种子图像的特征提取精度。中值滤波可以克服图像细节模糊,能够较好地保存图像边缘,对滤除脉冲干扰及颗粒噪声效果最好。所以,本系统采用模板为3×3的中值滤波方法对玉米种子图像进行增强处理。

2.3 图像分割

对玉米种子图像进行特征提取时用到的只是玉米种子图像部分,因此需要将这部分从整幅图像中提取出来,并在此基础上进行玉米种子特征提取。本系统采用最小错误概率法的阈值分割法对图像进行分割,可以较好地把玉米种子和背景分割开。分割后图像为二值图像,如图5所示。对灰度图像进行阈值化处理的公式为

undefined

(2)

式中 g(i,j)—输出图像该点的灰度值;

f(i,j)—输入图像该点的灰度值;

T—所选阈值。

2.4 形态学处理

经过阈值分割后的玉米种子二值图像还存在一些噪声的干扰,进行形态学处理可以优化玉米种子轮廓,而且还能进一步消除图像中的噪声。形态学的闭运算能够使图像的区域缩小,并能够消除颗粒噪音,开运算能够使图像的轮廓变的更光滑。本系统采用了5×5结构元素的闭运算和5×5结构元素的开运算对图像进行形态学处理。图6是对图5反色后进行形态学处理的结果。由图6可以看出,该操作可以得到符合特征提取需要的玉米种子目标图像。

3 玉米种子特征提取

3.1 玉米种子轮廓提取

传统的图像轮廓提取一般采用单对象轮廓提取,只是对单个对象的轮廓进行标记和提取。而在本玉米特征提取系统中,必须解决同时对多粒玉米种子进行轮廓提取和标记问题,即多对象轮廓提取。

多对象轮廓提取的关键是目标轮廓区域的判定问题,即准确判断边界以及边界内区域。多对象轮廓提取的基本思想是:

1)遍历图像,如果找到目标点,进入轮廓跟踪(如图7所示);轮廓跟踪完成后,转入步骤2);如果图像遍历完成且没有找到目标点,则转入步骤3)。

2)对已跟踪完成的轮廓进行矢量标记,然后转入步骤1)。

3)结束。

为了便于轮廓标记,定义了如图8所示的8连通链码,根据连通链码建立了轮廓内中心点与8个邻点的xy偏差,表1所示。

对于复杂的轮廓,如果单纯使用链码值,那么要想准确无误地判定其边界内的区域是很困难的。研究中采用矢量标记算法很好地解决了这个问题。采用的矢量方向为水平自左向右,根据这个方向,对边界点的链码值进行转换。转换方法是:如果边界点为矢量的中间点,其值则为0;如果边界点为矢量的左端点,其值则为1;如果边界点为矢量的右端点,其值则为2;如果边界点为奇异点,其值则为3。

轮廓区域表示如图9所示。9(a)中,如用链码从最低端顺时针开始表示为000 112 234 455 566,仅仅能将目标区域的轮廓表示出来,而不能将边界内的区域标记出来。而采用自左向右的矢量标记算法,从最低端开始表示为311 111 112 222 222,如此就将目标区域用7条矢量线段的形式表示出来,如图9(b)所示。

(a) 锤码从最低端顺时表 (b) 锤码从自左向右的矢量表示

为了进一步提高算法的执行率,采用2个线程分别从图像的左上角和右下角同时开始对图像进行遍历,提取玉米种子轮廓。经实验得知,该方法可较好地实现多对象轮廓提取,提高了程序的执行效率,为多对象特征提取算法做了准备。轮廓提取图如图10所示。

3.2 特征提取

玉米种子特征参数主要分为几何特征参数和颜色特征参数,反映了玉米种子发育和品种信息的主要指标。根据玉米种子图像的特征,系统选取了25个特征参数。其中,几何特征包括轮廓点数、面积、周长、最大内切圆半径、最小外接圆半径、长轴长度、短轴长度、当量直径、最大跨度、形状参数、伸长度、紧凑度和圆度,颜色特征包括R均值、G均值、B均值、R标准差、G标准差、B标准差、H均值、S均值、I均值、H标准差、S标准差和I标准差。

本文以农大108、郑单958为例,在多对象轮廓提取算法的基础上,先定位玉米种子的尖端,然后对玉米种子的几何特征和颜色特征参数进行了多对象特征提取。

3.2.1 几何特征提取

本系统应用了13种几何特征参数。其中,当量直径为4倍面积与π比值的平方根;形状参数为周长的平方与4π倍面积的比值;伸长度为长轴长度与短轴长度的比值;紧凑度为当量直径与长轴长度的比值;圆度为种子轮廓的最小外接圆半径与最大内切圆半径的比值。通过本系统所提取的几何特征数据如表2所示。

3.2.2 颜色特征提取

本系统采用RGB和HSI等模型来描述玉米种子的颜色信息,采用了12种颜色特征参数,并提取了种子上颜色最稳定部分(即过形心和大端以形心和大端之间的距离为直径且圆心在长轴上的圆形区域)的颜色特征。提取到的颜色特征数据如表3所示。

经过大量实验证明,本系统可准确、快速实现对玉米种子特征参数的提取,提取完特征参数的程序截图如图11所示。

(a) 提取几何特征后的程序截图 (b) 提取颜色特征后的程序截图

4 结论

通过对图像预处理策略的优化及多对象轮廓提取算法的提出,本系统可准确、快速地提取玉米种子特征参数,为玉米种子品种识别和质量检测做好前期准备工作,提高了工作效率。应用计算机图像处理技术代替人的视觉进行玉米等谷物种子品种及质量检验,具有实时、高效、客观、准确和无损伤等优点,是实现农产品检测自动化和智能化的必然趋势。该系统可以应用到其他粒状农产品特提取与检测领域。

摘要：随着计算机技术的发展,利用机器视觉代替人的视觉对玉米种子进行品种识别和质量检测是必然趋势。在检测中最关键的一步是对玉米种子图像进行有效特征提取,特征参数的有效性或者精度直接关系到种子品种识别的成败。为此,优化了基于机器视觉的玉米种子图像处理策略,提出了比较全面有效的玉米种子特征参数和一种适应玉米种子识别的多对象轮廓提取算法,采用VC++编制了玉米种子特征参数提取系统。经实验验证,本系统能够准确快速地提取玉米种子特征参数,为玉米种子品种识别和质量检测的后期工作奠定了基础。

关键词：玉米种子,图像处理,特征提取

参考文献

[1]张超良,王斌.玉米种子纯度检验的方法及其评价[J].作物杂志,1999(1):12-16.

[2]成芳,应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[J].农业工程学报,2001,17(6):175-179.

[3][美]Rafacel C Gonzalez,Richard E Woods.数字图像处理(2版)[M].阮秋琦,阮宇智,译.北京:电子工业出版社,2005:51-53.

[4]王玉亮.多对象特征提取和优化神经网络的玉米种子品种识别[J].农业工程学报,2010,26(6):199-20.

[5]史智兴,程洪,李江涛,等.图像处理识别玉米品种的特征参数研究[J].农业工程学报,2008,24(6):193-195.

[6]杨锦忠,郝建平,杜天庆,等.基于种子图像处理的大数目玉米品种形态识别[J].作物学报,2008,34(6):1069-1073.

[7]司秀丽,吴巍,赵新子,等.玉米种子纯度的计算机图像识别[J].吉林农业大学学报,2005,27(6):694-697.

[8]宁纪峰.玉米品种的计算机视觉识别研究[D].咸阳:西北农林科技大学,2002.

图像参数篇7

在成像过程中,由于拍摄的目标与相机之间存在相对运动而使得到的图像存在模糊,这种模糊就叫运动模糊[1]。在实际应用中,为了获得符合应用要求的高品质图像,需要对成像模糊图像进行复原处理。

经典的图像复原方法都是以图像退化的点扩散函数(Point Spread Function,简称PSF)为基础。但是在大多实际情况中,PSF是未知的,必须从获取的模糊图像中估计退化信息的PSF用于图像复原。针对运动模糊图像,PSF有两个重要的未知参数:运动模糊方向和运动模糊尺度。本文重点研究运动模糊尺度的准确识别。近年来,已经有一些相关的方法[2,3,4,5,6,7,8,9,10]用于识别运动模糊尺度和图像复原。但识别精度以及抗噪能力的提高一直是一个备受关注和致力解决的问题。

本文提出用一阶差分自相关的方法来识别运动模糊尺度。文献[11]通过分析运动模糊的机理,用单个像素点作为实验论证了该方法的可行性。本文从理论上进行了严格的推证,初次对该方法的抗噪性能进行研究并提出改进。最后进行了仿真以及实际运动模糊图像实验,实验结果表明,本文改进方法具有识别参数准确及强抗噪能力。

1 运动模糊图像退化模型

经典的图像退化模型[12]如图1所示。其中f(x,y)、h(x,y)、g(x,y)、n(x,y)分别是原始图像、运动模糊PSF、运动模糊图像以及加性高斯白噪声。当模糊系统是空间线性移不变系统时,则可以将退化模型用如下的数学式表达:

其中“*”为线性卷积运算符。

如果运动模糊方向已知,对运动模糊图像进行坐标旋转变换,使模糊方向成水平方向,此时式(1)可以简化为

假设图像退化过程除受相对运动之外,不存在散焦等其他因素的影响。图像f(x,y)沿x方向做匀速直线运动,运动模糊尺度为d,则点扩展函数h(x,y)可近似表示为一个窗函数,表达式如下:

而针对其他方向的运动模糊算子,可将水平方向运动模糊算子旋转θ(-90≤θ≤90)角(逆时针为正,顺时针的负)即可得到。

2 差分自相关方法对运动模糊尺度的识别

2.1 理论分析推导

当已知运动模糊方向后,对模糊图像进行旋转使运动模糊方向为水平方向,二维PSF问题就转化为一维PSF问题,将式(2)展开:

其中:为模糊尺度。

1)对g(x)求差分,有:

根据h(x)具有窗函数性质,令n′(x)=n(x)-n(x-)1,式(5)化解后可得:

2)对g′(x)求自相关,空间相关是空间差的函数,∆x表示空间差,“”为相关运算符,则:

3)当噪声不存在即n′(x)=0,由相关运算分配律得:

由自相关的定义可知,式(8)在∆x=0处有一正尖峰,在∆x=±d处有一对共轭负尖峰。画出Rg′g′(∆x)曲线,通过检测中央正尖峰点与共轭负尖峰点间的距离来识别运动模糊尺度d。针对3像素点运动模糊图像,实验过程及结果如图2。

其中图2(a)是目标为3个像素点的二值图像;图2(b)是(a)的模糊图像(方向为x,尺度为8像素);图2(c)对模糊图像沿着运动模糊方向(即水平方向)求差分的结果,很明显差分结果在模糊的起点为正值,在模糊的终点为负值;图2(d)是对行自相关运算结果,可以看出中央零点与共轭负峰点间的距离为8个像素,正是运动模糊的尺度参数。

2.2 噪声影响分析

在噪声存在的情况下,设n(x)是均值为零,方差为σ2w的高斯白噪声,由噪声的自相关性有:

结合(7)、(9)、(10)可得:

从式(11)可以看出,针对差分自相关结果,噪声在零点有一个正尖峰,在±1像素处形成一对共轭的负尖峰。当噪声强度较大时(即信噪比SNR较低时),噪声在±1像素处形成干扰负尖峰幅值会远超过±d处的检测负尖峰幅值,从而使尺度识别结果产生误判,如图3(c)所示。

通过理论分析以及实验验证,有如下两点需要注意:1)由噪声引起的干扰负尖峰出现在±1像素处,是由差分的差元(本文所用的差元是1)决定,而与模糊图像以及运动模糊尺度没有任何关系;2)从理论推导上观察,式(11)的3项噪声干扰都是δ函数。δ函数定义为

所以只要运动模糊尺度d>1,就可以通过剔出干扰负尖峰的方法来去除噪声干扰。然而实际中这种理想的高斯白噪声是不存在的,所以也不会有理想δ函数的噪声相关项存在,噪声的自相关除了有主峰外,还会有旁瓣干扰的存在。当噪声强度较大时,即使踢出了噪声的主尖峰干扰(±1像素处),旁瓣干扰也会对检测负尖峰点造成误差,甚至无法正常检测。

2.3 抗噪方法的改进

从如图3(c)的结果可以看出,当SNR较低时,运动模糊尺度的正确识别受到干扰。通过对噪声的影响分析后,作者提出用空域平滑滤波算子在运动模糊方向上对模糊图像进行预处理。

假设平滑滤波算子为l(x),则预处理如下:

其中:fl(x)=f(x)*l(x),nl(x)=n(x)*l(x)。

将式(12)代换成式(4)后重新进行推导,同样可以得到类似式(11)结果,但此时噪声的强度大大降低。平滑滤波算子的选择应该不破坏运动模糊算子h(x)的结构,即不影响方法识别尺度的可靠性。

针对如何选择l(x)有如下的分析讨论,对式(12)两端进行傅立叶变换可得式(13):

其中:Gl(v)、F(v)、H(v)、N(v)、L(v)分别是gl(x)、f(x)、h(x)、n(x)、l(x)的傅里叶变换。F(v)性质由真实图像决定。H(v)为h(x)窗函数的性质决定其FT是一条sinc函数曲线,具有低通滤波性质。N(v)为噪声的能量较多分布在高频成分。L(v)为空域平滑滤波算子也具有低通滤波的性质。

所以,用空域平滑滤波算子在运动模糊方向对模糊图像进行卷积可以降低噪声的强度。L(v)与H(v)都具有低通滤波的性质,如果L(v)的3 d B截止频率低于H(v)的3 d B截止频率,即通过H(v)⋅L(v)后,在去除噪声的同时会滤掉部分运动模糊算子信息,这时识别出的运动模糊尺度将与真实的值差距很大,所以低通滤波器截止频率并不是越低越好。L(v)的选择标准是其截止频率应大于H(v)的截止频率,有必要对h(x)进行大致估计。图3(d)就是先利用了平滑算子滤波后得到的识别模糊尺度结果。

图3(a)是原始图像;图3(b)为带噪声运动模糊图像,模糊尺度为20 pixels,信噪比为14 d B;图3(c)、图3(d)分别是方法改进前后归一化识别结果;图3(e)、图3(f)的显示的是图3(c)、图3(d)的局部放大结果。采用改进方案后,±1像素处的干扰负尖峰消失,且其周围的旁瓣干扰大大降低,待检测共轭负尖峰较明显,且距离中央正尖峰为20像素,正是运动模糊尺度。

针对空域滤波算子最好选择在运动模糊方向进行预处理有如下分析。如果在垂直于运动模糊方向对模糊图像进行滤波预处理,由于平滑算子与PSF的垂直性可知,l(x)在去除噪声的同时,不会破坏运动模糊算子PSF的结构。但是,在实验中发现这种处理后的效果并不明显,因为在运动模糊方向对模糊图像每一行差分自相关后都要“按列叠加”,这个“按列叠加”的过程已经等效于在垂直运动方向用滤波算子处理。而针对其他方向的平滑算子,可以分解到运动模糊方向和垂直方向,所以用空域平滑滤波算子在运动模糊方向上对模糊图像进行预处理将取得最好效果。

3 实验结果及分析

3.1 实验方法步骤及优化措施

本文方法的前提是已知运动模糊方向后旋转模糊图像使运动模糊方向为水平方向,其识别步骤如下:

1)用自定义的空域平滑算子对模糊图像预处理;

2)对模糊图像的每一行求一阶差分;

3)对模糊图像差分后的每一行求自相关;

4)对每一行自相关的结果按列叠加;

5)检测最后结果,求出自相关结果中最大值与最小值之间的间隔为运动模糊尺度。

为了进一步提高运算速度,对算法优化如下:

1)因为共轭负尖峰对称的分布在中央正尖峰两端,所以计算一端的自相关值即可,这样计算量可以减少50%。

2)由于整幅图像都是一致运动模糊的情况,所以可以考虑抽取一部分行求差分自相关,减少计算量。

3)对模糊图像预先估计模糊尺度,设定搜索区间,进一步缩小搜索范围,减小搜索时间。

3.2 仿真实验结果及分析

为了验证本文方法对运动模糊尺度识别的有效性,在无噪声情况下以模糊尺度为5∼60 pixels PSF模糊MATLAB图像库里若干图像。实验结果与文献[9]、[10]方法的实验结果作对比,如表1所示。

结果分析:从表1可以看出,在无噪声情况下,本文方法识别运动模糊尺度的精度较高,在测试的尺度范围内,最大绝对误差为1像素。

本文通过添加零均值的高斯白噪声来分析噪声对本文方法的影响,其信噪比的计算公式[11]如下:

其中:σ2g和σ2n分别表示模糊图像方差和噪声方差。

用不同运动模糊尺度d的PSF模糊图3(a),且添加不同强度的噪声使模糊图像SNR为0 d B到50 d B,利用改进前、改进后的方法对运动模糊尺度进行识别。实验结果如图4所示。

结果分析:图中横坐标为信噪比SNR,纵坐标为识别的运动模糊尺度(像素),图4(a)、图4(b)、图4(c)、图4(d)分别代表对运动模糊尺度为20、30、40、50的含噪声运动模糊图像识别结果,虚线为改进前的识别结果,实线为改进后的识别结果。通过观察,可以得到如下结论:1)在可适应信噪比范围内,差分自相关方法对运动模糊尺度能够较准确的识别;2)对于实验运动模糊尺度,改进后的差分自相关方法比原方法更具有抗噪声的能力。

为了更进一步说明本文改进方法的抗噪声的能力,本文在有噪声情况下以模糊尺度为10∼50 pixels(每隔5 pixels测试一次)的PSF模糊MATLAB图像库里若干图像,其中添加的噪声是均值为0、方差为σ2的高斯白噪声,噪声的添加强度使信噪比SNR为12∼16 d B,实验结果如表2所示。

结果分析:从表2可以看出,在噪声强度较大的情况下,本文方法识别运动模糊尺度在最差的情况下绝对误差也只有2 pixels,且绝对误差的均值和方差都较小。

3.3 实际实验结果及复原

本文先采用文献[13]方法识别运动模糊方向,然后用本文方法识别运动模糊尺度,最后用维纳滤波复原。其具体情况如图5所示。

图5(a)是实际的运动模糊图像;图5(b)是运用本文方法识别出的运动模糊尺度后维纳滤波复原图像,其中识别尺度为20 pixels。从图中可以看到复原图像比原始图像细节更加明显,清晰度更高,从而间接说明本文方法识别尺度参数的有效性。

4 总结

图像参数篇8

关键词：参数调节,随机共振,双稳系统,图像去噪

0引言

数字图像处理是将图像转化成数字信号并利用计算机对其进行处理的一门学科,起源于20世纪20年代,目前已广泛应用于科学研究、生物医学工程、航空航天等[1]。在图像传输过程中,图像往往会受到污染,这是因为在传输通道中存在着各种类型的噪声使图像信号减弱。针对这一问题,人们提出了许多方法来解决,例如,基于Chebyshev理论与Radon变换的噪声降质图像复原方法[2]、基于Bregman迭代双正则化的图像复原方法[3]、探究运动模糊图像复原的逆滤波和维纳滤波法等[4]。以上方法大都是通过削弱噪声让图像复原。

近年来,随机共振在信号处理领域取得了显著成就,自从1981年Benzi[5]在对地球冰川期变化的研究中首次提出随机共振(stochasticresonance,SR)概念以来,随机共振就受到了广泛关注。SR的机理主要是利用噪声的激励作用,使淹没在噪声中的微弱信号得到共振加强,打破了人们传统上认为噪声是有害的观念[6]。随着SR研究的深入,研究范围延伸到图像处理领域,例如含噪图像的二维SR处理方法[7]、有效降低图像噪声污染的级联SR复原法[8],以及Marks[9]等人提出的通过向图片添加适当强度的噪声使图片更加符合人的视觉特征等理论。图像的SR机理通常是将图像输入双稳系统中进行随机共振处理,通过调节噪声或系统参数达到最优信噪比。

本文提出一种基于参数调节随机共振的图像去噪方法,通过向同一源图像的来自同一噪声源的多张图像进行处理,将图片相同位置按列排序处理成周期信号输入双稳系统中。对比噪声调节与参数调节的差异,采用更加具有灵活性的参数调节随机共振,提高了图像信噪比,从而提高了图像质量。

1双稳SR原理

在动力学系统中常用非线性朗之万方程描述过阻尼的布朗运动,可以表述为如下方程式:

当信号幅值A和噪声强度ξ(t)为零时,系统的势垒高为ΔV =a2/4b,两个相同的势阱分别位于设a=b=1,则双稳态势函数曲线如图1所示。

由图1可知,在没有信号和噪声的情况下,系统的最终输出状态将停留在两个势阱中的任意一个。当A不为零时,整个系统的平衡将被打破,势阱在信号驱动下,按频率发生周期的倾斜变化,若质点只能在相应的势阱内进行局部的周期性运动。然而当引入噪声后,即使在A≤Ac时,由于非线性系统在噪声与信号的协同作用下,势阱的倾斜程度越来越大,质点可以从原来的势阱跃迁到另一个势阱。这种现象被称为双稳态随机共振。

2参数调节随机共振

传统理论认为,随机共振的发生需要3个要素:非线性系统、周期力和噪声。设双稳态系统为方程(1),随机变量ξ(t)满足 [ξ(t)]=0,[ξ(t)ξ(t+τ)]=2Dδ(τ),其中D为噪声强度。

通常采用信噪比(SNR)[10]测量输出系统,定义为:

这里rK是逃逸速率,并且ΔV =a2/(4b)。输出信噪比则变为:

其中ΔV = a2/(4b),当D是可调节的并且D≤ΔV/2,CSR(传统随机共振)能在DCSR= ΔV/2处通过增加噪声实现,相应的SNR为:

重新调节系统参数:

因为t=at,所以rK=rK/a,将新的参数代入(3)式得到SNR为:

由式(5)可知通过固定系统参数增加噪声强度实现随机共振,可以等效视为固定噪声强度,调节系统参数a、b,通过对系统噪声强度的归一化得到参数调节随机共振的系统参数应满足:

即在固定系统参数a、b的条件下调节噪声强度,可以被视为在固定噪声强度D的条件下改变系统参数。由式(6)、(7)可知:

将aPSR、bPSR带入等式(2),得到输出的信噪比SNR :

很明显SNRPSR和最初的参数没有关系,它仅依赖于给出的噪声强度D。

3实验结论

由于参数调节随机共振比传统的随机共振具有更大的灵活性,适合于处理噪声强度固定不变的情形。本文的处理方法是将若干张受同一噪声污染的相同图像叠加在一起,然后将相同位置的像素提取出来,获得一个向量x(i),设向量的长度为2nT ,则按下述函数对向量进行周期化:

周期化的向量以T为周期,奇数周期内,向量不变,偶数周期内向量值为其相反数,以此将原信号变为具有周期性的方波信号再输入双稳系统中,通过参数调节随机共振,从而实现图像降噪。

在图片处理过程中,图片张数取多少、受污染的噪声强度大小、系统参数都会影响随机共振的输出效果。本文通过控制变量法分别讨论上述因素对图像随机共振输出的影响。在采用固定噪声强度和系统参数的情况下,确定图片的张数,发现开始时随着图片数量的增加,效果越来越明显,但当达到220左右,变化趋势不再明显。所以出于程序运算方面的考虑,本文确定图片张数为220张。

由于图像的受污染程度不同,本文针对图像受污染情况做特殊处理。如图2所示,模拟图像受污染时的情况,向图像添加均匀分布的随机噪声。当噪声强度D =35时,通过调节系统参数得到u =2.5时图像复原效果最好;D =95时,最佳u=0.5;D =115,最佳u=0.4。

观察图2(b)与图2(d)可发现,当加入噪声强度较小时,经双稳态系统随机共振处理后的图像有较好的输出效果,系统将噪声转化为能量信号,大大提高了图像的信噪比。而当噪声强度D=115时,由图2(e)、图2(f)可知,双稳系统处理结果依然比较理想,但处理后的图像质量比噪声强度较小时差。说明要达到最佳图像输出质量,对噪声强度是有限制的,当图像受污染程度很大时,图像降噪效果不是很理想。

4结语

本文来自古文书网(www.gwbook.cn)，转载请保留网址和出处

图像旋转01-07

化学图像01-07

图像融合01-07

图像量化01-07

手绘线条图像立体图像的表达说课稿01-07

骨折图像01-07