数字图像中结合区域与边缘特征的目标提取方法
数字图像中结合区域与边缘特征的目标提取方法[20191215142230]
摘 要
在复杂背景下对指定图像目标的提取是数字图像处理、目标识别等研究领域的一项非常关键的技术。因为目标物体所具有的复杂性，以及自然条件下的复杂背景、光照强弱以及成像条件好坏等的影响下，对指定的目标的提取是很难进行的。因此本论文主要讨论的就是如何对复杂自然背景的图像中指定目标进行有效的分割和提取。
本论文的正文部分主要分成三个部分。第一部分主要介绍常用的边缘检测算子，并通过这些常见算子对图像进行简单的边缘处理。第二部分主要介绍了基于区域的图像阈值分割技术，以及讨论研究了Canny算子和Log算子在不同阈值下，对图像分割的效果。同时着重研究实验了当下很流行的最佳阈值分割技术。第三部分给出了一种结合区域和边缘的新思想。主要是通过区域阈值的方法对目标图像进行粗分割，再利用边缘检测算子进行精细检测，从而达到提取完整目标和降低背景噪声的目的。本文利用MATLAB工具，对上述内容进行试验验证，经过实验的测试，这种结合区域和边缘的方案计算量小，并在复杂背景下，获得了比较满意的效果。
查看完整论文请+Q: 351916072
关键字:数字图像处理；目标提取；边缘检测算子；最佳阈值分割；
目 录
摘要 I
ABSTRACT II
目 录 III
第1章 绪论 1
1.1 问题的提出及研究意义 1
1.1.1 课题背景由来 1
1.1.2 课题研究的意义 2
1.2 图像边缘检测提取的方法 2
1.2.1 边缘检测法 3
1.2.2 区域提取法 3
1.2.3 阈值分割法 4
1.3 MATLAB工具介绍 4
第2章 边缘检测 8
2.1 边缘及边缘检测算子的介绍 8
2.1.1 边缘的概念 8
2.1.2 常见的边缘检测算子 9
2.2常见边缘检测算子的图像处理应用对比 12
2.3Prewitt算子的细化实验 15
2.4本章小结 15
第3章 图像阈值检测和分割 15
3.1图像阈值分割原理 16
3.2图像阈值分割常见方法 16
3.2.1 图像二值法 16
3.2.2 双峰法 17
3.2.3边缘算子的阈值 17
3.2.4图像最佳阈值法 17
3.3实验分析 18
3.4本章小结 19
第4章在自然背景下的目标提取.............................................................20
4.1基于子图像块特征目标提取算法的原理和实现...........................................20
4.1.1目标区域粗分割思想的提出..................................................................20
4.1.2建立子图像特征图..................................................................................20
4.1.3利用特征图阈值分割粗略提取目标区域..............................................21
4.2目标区域内图像的轮廓检测与精确提取.......................................................23
4.3本章小结...........................................................................................................25
第5章 总结与展望 26
5.1毕设总结 28
5.2工作展望 28
参考文献 29
致谢.............................................................................................................31
附录 32
第1章 绪论
1.1 问题的提出及研究意义
1.1.1 课题背景由来
数字图像和图形一直以来是人们之间相互交流与认识客观世界的最重要也最常见的媒体。根据现代的科学研究和统计，人们的视觉系统是人们获取外界信息的主要工具，大概占了所有的3/4以上的信息都是通过我们的视觉系统来获取的，而现实生活中的图象带给我们的正是这其中的信息。随着计算机科学技术的完善和发展，对数字图像的采集和应用得到了很大的重视和发展，而在这其中复杂背景图片下，对指定目标的提取是数字图像处理、目标识别与分析等图像处理研究领域的非常重要的关键技术。那是因为目标物体一般具有天生的复杂性，另外还有自然景物复杂难易的、光照强弱及成像条件好坏等的影响，一般很难轻易的对物体进行很有效的提取。在大多数的情况下，我们所拍摄的目标对象大都处于复杂的自然背景图像中，图像中指定区域和默认的背景区域没有非常明显的分界线，二者对比度也非常的低，同时还存在着采样噪声、光照的不均匀等干扰，因此在对目标图像的的边缘提取与分割中，只是采用单一的算法很难取得令人满意的分割效果。一般常规的都方法主要分为二种。一是基于区域的分割算法。二是基于边缘特征的分割算法方法。然而采用边缘检测算子的缺点在于，会产生大不连续的边缘，因此在实际的操作中想要从杂乱的背景图像中区分指定目标的边缘是非常困难，也是难易计算的；最近，基于区域阈值的图像分割技术逐渐被人们重视起来。这种目标分割算法以图像的阈值为出发点，因此，无论是图像的全局阈值还是图像的局部阈值，都是通过将图像一一分成很多具有相同性质的区域，从而达到实现分割的目的。经过实验检测，这种方法对灰度均匀目标图像，具有非常好的分割效果，但是对于本身灰度分布不均匀的目标图像却极易形成不同区域，很难有效的分割出完整目标图像，而且阈值大小的选择对于图像的分割效果的有着很大的影响。除此之外，利用区域均匀性的图像分割方法对成像条件要求非常高，因此当目标图像的表面灰度不均匀时，利用全局阈值的分割方法将无法有效的提取出完整的目标。为了解决这一问题，改进的阈值分割算法也逐渐变多，这其中最佳阈值分割的算法就是一种很好，也很有效的方法。这种算法能够有效的区分制动目标和背景图像，在提取边缘，和区分背景这俩个方面，和传统的单一边缘检测或是区域的分割相对比，它结合了二者方法的优点，具有很大的应用前景。
1.1.2 课题研究的意义
如何让指定目标图像的边缘进行有效的分割和提取是数字图像处理中的一项很重要的技术，也是一个经典的难题，发展到现在也仍然没有一个非常通用的方法，更没有制定出一套判断图像分割算法好坏的标准。因为通过对图像的分割、特征的提取，可初步将图像处理中的信息特征提取出来，将原本的数字图像信息转化成为一种更有利于表达的，更直接的表现形式，从而使图像分析、图像理解以及模式识别技术等都成为可能。近几年数字图像处理的技术发展非常迅猛，每年都会有很多的新算法被研研究出来，其中就包括本论文介绍的，相当影响的最佳阈值分割算法（即迭代法），这些算法在设计过程中运用了很多的数学推导、数字信号处理、以及色度学的相关知识，而且不少新算法还充分吸取了神经网络、遗传算法、人工智能以及模糊逻辑等相关理论的一些思想，更加开阔数字图像处理的设计思路，同时与其他领域的共同合作也更加的密切。
1.2 图像边缘检测提取的方法
对图像的分割是现代数字像处理中的一项非常关键的技术。自上世纪70年代以来，受到人们的高度重视，至今已开发出了成千种类型的研究算法。目前所提出的分割算法大都应对的问题比较单一化，只能针对出现的具体问题，还没有一种通用的分割算法，来解决统一的问题。正是因为没有制定出合适的图像分割算法标准，在实际的应用中，这些分割算法也产生了很多的问题。因此，对图像分割和提取的研究还在不断深入研究，这也是当前图像处理技术研究的热点。
数字图像的提取和分割在图像工程应用中，起到承上启下的作用，可以简单的认为是介于低层处理和高层处理的中间阶段。在最近，又出现了很多新思路、新方法或是改进的算法。首先，本论文将对一些经典方法作简要的概述。
人们对图像图形的分割长久以来，提出了很多不同的解释和表达。下面我将用集合概念对图形的分割做出如下定义：如果集合Q代表了图像全部的区域，对Q的图像分割可以认为是将Q分成W个满足一定条件的非空子集Q1，Q2，Q3，，Qw，而必须满足的条件为以下4条：
（1）在分割结果中，每个区域的像素有着相同的特性；
（2）在分割结果中，不同子区域具有不同的特性，并且它们没有公共特性；
（3）分割的所有子区域的并集就是原来的图像；
（4）各个子集是连通的区域；
图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，这些特性可以是像素的灰度、颜色、纹理等提取的目标可以是对应的单个区域，也可以是对应的多个区域。图像分割方法有许多种分类方式，在这里将分割方法概括为四类：(1)边缘检测方法(2)区域提取方法(3)阈值分割方法(4)结合特定理论工具的分割方法。下面就这些方法展开介绍。
1.2.1 边缘检测法
图像分析和理解的第一步常常是边缘检测。边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的。
1.2.2 区域提取法
区域提取法有两种基本形式：一种是从单个像素出发，逐渐合并以形成所需的分割区域；另一种是从全图出发，逐渐分裂切割至所需的分割区域。在实际中使用的通常是这两种基本形式的结合。根据以上两种基本形式，区域提取法可以分为区域生长法和分裂合并法。区域生长法的基本思想是将具有相似性质的像素合起来构成区域，具体做法是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域的基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的。该方法的关键是要选择合适的生长或相似准则。生长准则一般可分为三种：基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。分裂合并法是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。区域提取法的缺点是往往会造成过度分割，即将图像分割成过多的区域，因此近年来针对这种方法的研究较少。
1.2.3 阈值分割法
对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。阈值分割算法主要有两个步骤：
摘 要
在复杂背景下对指定图像目标的提取是数字图像处理、目标识别等研究领域的一项非常关键的技术。因为目标物体所具有的复杂性，以及自然条件下的复杂背景、光照强弱以及成像条件好坏等的影响下，对指定的目标的提取是很难进行的。因此本论文主要讨论的就是如何对复杂自然背景的图像中指定目标进行有效的分割和提取。
本论文的正文部分主要分成三个部分。第一部分主要介绍常用的边缘检测算子，并通过这些常见算子对图像进行简单的边缘处理。第二部分主要介绍了基于区域的图像阈值分割技术，以及讨论研究了Canny算子和Log算子在不同阈值下，对图像分割的效果。同时着重研究实验了当下很流行的最佳阈值分割技术。第三部分给出了一种结合区域和边缘的新思想。主要是通过区域阈值的方法对目标图像进行粗分割，再利用边缘检测算子进行精细检测，从而达到提取完整目标和降低背景噪声的目的。本文利用MATLAB工具，对上述内容进行试验验证，经过实验的测试，这种结合区域和边缘的方案计算量小，并在复杂背景下，获得了比较满意的效果。
查看完整论文请+Q: 351916072
关键字:数字图像处理；目标提取；边缘检测算子；最佳阈值分割；
目 录
摘要 I
ABSTRACT II
目 录 III
第1章 绪论 1
1.1 问题的提出及研究意义 1
1.1.1 课题背景由来 1
1.1.2 课题研究的意义 2
1.2 图像边缘检测提取的方法 2
1.2.1 边缘检测法 3
1.2.2 区域提取法 3
1.2.3 阈值分割法 4
1.3 MATLAB工具介绍 4
第2章 边缘检测 8
2.1 边缘及边缘检测算子的介绍 8
2.1.1 边缘的概念 8
2.1.2 常见的边缘检测算子 9
2.2常见边缘检测算子的图像处理应用对比 12
2.3Prewitt算子的细化实验 15
2.4本章小结 15
第3章 图像阈值检测和分割 15
3.1图像阈值分割原理 16
3.2图像阈值分割常见方法 16
3.2.1 图像二值法 16
3.2.2 双峰法 17
3.2.3边缘算子的阈值 17
3.2.4图像最佳阈值法 17
3.3实验分析 18
3.4本章小结 19
第4章在自然背景下的目标提取.............................................................20
4.1基于子图像块特征目标提取算法的原理和实现...........................................20
4.1.1目标区域粗分割思想的提出..................................................................20
4.1.2建立子图像特征图..................................................................................20
4.1.3利用特征图阈值分割粗略提取目标区域..............................................21
4.2目标区域内图像的轮廓检测与精确提取.......................................................23
4.3本章小结...........................................................................................................25
第5章 总结与展望 26
5.1毕设总结 28
5.2工作展望 28
参考文献 29
致谢.............................................................................................................31
附录 32
第1章 绪论
1.1 问题的提出及研究意义
1.1.1 课题背景由来
数字图像和图形一直以来是人们之间相互交流与认识客观世界的最重要也最常见的媒体。根据现代的科学研究和统计，人们的视觉系统是人们获取外界信息的主要工具，大概占了所有的3/4以上的信息都是通过我们的视觉系统来获取的，而现实生活中的图象带给我们的正是这其中的信息。随着计算机科学技术的完善和发展，对数字图像的采集和应用得到了很大的重视和发展，而在这其中复杂背景图片下，对指定目标的提取是数字图像处理、目标识别与分析等图像处理研究领域的非常重要的关键技术。那是因为目标物体一般具有天生的复杂性，另外还有自然景物复杂难易的、光照强弱及成像条件好坏等的影响，一般很难轻易的对物体进行很有效的提取。在大多数的情况下，我们所拍摄的目标对象大都处于复杂的自然背景图像中，图像中指定区域和默认的背景区域没有非常明显的分界线，二者对比度也非常的低，同时还存在着采样噪声、光照的不均匀等干扰，因此在对目标图像的的边缘提取与分割中，只是采用单一的算法很难取得令人满意的分割效果。一般常规的都方法主要分为二种。一是基于区域的分割算法。二是基于边缘特征的分割算法方法。然而采用边缘检测算子的缺点在于，会产生大不连续的边缘，因此在实际的操作中想要从杂乱的背景图像中区分指定目标的边缘是非常困难，也是难易计算的；最近，基于区域阈值的图像分割技术逐渐被人们重视起来。这种目标分割算法以图像的阈值为出发点，因此，无论是图像的全局阈值还是图像的局部阈值，都是通过将图像一一分成很多具有相同性质的区域，从而达到实现分割的目的。经过实验检测，这种方法对灰度均匀目标图像，具有非常好的分割效果，但是对于本身灰度分布不均匀的目标图像却极易形成不同区域，很难有效的分割出完整目标图像，而且阈值大小的选择对于图像的分割效果的有着很大的影响。除此之外，利用区域均匀性的图像分割方法对成像条件要求非常高，因此当目标图像的表面灰度不均匀时，利用全局阈值的分割方法将无法有效的提取出完整的目标。为了解决这一问题，改进的阈值分割算法也逐渐变多，这其中最佳阈值分割的算法就是一种很好，也很有效的方法。这种算法能够有效的区分制动目标和背景图像，在提取边缘，和区分背景这俩个方面，和传统的单一边缘检测或是区域的分割相对比，它结合了二者方法的优点，具有很大的应用前景。
1.1.2 课题研究的意义
如何让指定目标图像的边缘进行有效的分割和提取是数字图像处理中的一项很重要的技术，也是一个经典的难题，发展到现在也仍然没有一个非常通用的方法，更没有制定出一套判断图像分割算法好坏的标准。因为通过对图像的分割、特征的提取，可初步将图像处理中的信息特征提取出来，将原本的数字图像信息转化成为一种更有利于表达的，更直接的表现形式，从而使图像分析、图像理解以及模式识别技术等都成为可能。近几年数字图像处理的技术发展非常迅猛，每年都会有很多的新算法被研研究出来，其中就包括本论文介绍的，相当影响的最佳阈值分割算法（即迭代法），这些算法在设计过程中运用了很多的数学推导、数字信号处理、以及色度学的相关知识，而且不少新算法还充分吸取了神经网络、遗传算法、人工智能以及模糊逻辑等相关理论的一些思想，更加开阔数字图像处理的设计思路，同时与其他领域的共同合作也更加的密切。
1.2 图像边缘检测提取的方法
对图像的分割是现代数字像处理中的一项非常关键的技术。自上世纪70年代以来，受到人们的高度重视，至今已开发出了成千种类型的研究算法。目前所提出的分割算法大都应对的问题比较单一化，只能针对出现的具体问题，还没有一种通用的分割算法，来解决统一的问题。正是因为没有制定出合适的图像分割算法标准，在实际的应用中，这些分割算法也产生了很多的问题。因此，对图像分割和提取的研究还在不断深入研究，这也是当前图像处理技术研究的热点。
数字图像的提取和分割在图像工程应用中，起到承上启下的作用，可以简单的认为是介于低层处理和高层处理的中间阶段。在最近，又出现了很多新思路、新方法或是改进的算法。首先，本论文将对一些经典方法作简要的概述。
人们对图像图形的分割长久以来，提出了很多不同的解释和表达。下面我将用集合概念对图形的分割做出如下定义：如果集合Q代表了图像全部的区域，对Q的图像分割可以认为是将Q分成W个满足一定条件的非空子集Q1，Q2，Q3，，Qw，而必须满足的条件为以下4条：
（1）在分割结果中，每个区域的像素有着相同的特性；
（2）在分割结果中，不同子区域具有不同的特性，并且它们没有公共特性；
（3）分割的所有子区域的并集就是原来的图像；
（4）各个子集是连通的区域；
图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，这些特性可以是像素的灰度、颜色、纹理等提取的目标可以是对应的单个区域，也可以是对应的多个区域。图像分割方法有许多种分类方式，在这里将分割方法概括为四类：(1)边缘检测方法(2)区域提取方法(3)阈值分割方法(4)结合特定理论工具的分割方法。下面就这些方法展开介绍。
1.2.1 边缘检测法
图像分析和理解的第一步常常是边缘检测。边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的。
1.2.2 区域提取法
区域提取法有两种基本形式：一种是从单个像素出发，逐渐合并以形成所需的分割区域；另一种是从全图出发，逐渐分裂切割至所需的分割区域。在实际中使用的通常是这两种基本形式的结合。根据以上两种基本形式，区域提取法可以分为区域生长法和分裂合并法。区域生长法的基本思想是将具有相似性质的像素合起来构成区域，具体做法是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域的基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的。该方法的关键是要选择合适的生长或相似准则。生长准则一般可分为三种：基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。分裂合并法是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。区域提取法的缺点是往往会造成过度分割，即将图像分割成过多的区域，因此近年来针对这种方法的研究较少。
1.2.3 阈值分割法
对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。阈值分割算法主要有两个步骤：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2173.html
