图像分割技术及其在模拟指针式仪表自动检定
系统中的应用
罗 钧1 卢 艳1 蒋均祝2 廖宏华1
1(重庆大学光电技术及系统国家教育部重点实验室 重庆 400044)
2(长安公司四五六区域计量站 重庆 400023)
摘要 图像分割技术是智能模拟指针式仪表检定系统中的关键技术之一,直接影响到后续的图像处理和图像分析。系统中采用的图像分割方法是根据系统自身的实际特点,将多种图像分割方法如基于阈值的分割和基于区域的分割综合使用,并根据具体的要求,对基于边缘的分割方法做了适当的改进,最终得到了适合系统自身要求和特点的图像分割方法。在实际应用系统中,该算法的分割的效果好于其他的单一的图像分割算法,分割出的图像清晰,噪声小,为后续的处理程序提供了良好的基础。
关键词 图像分割 二值化 图像处理 仪 表
I mage Segm en ta tion Technology and Its Appl ica tion i n Ana log Signa l M eter Auto-check-system
L uo Jun1 L u Yan1 J iang Junzhu2 L iao Honghua1 1(K ey L abora tory of Op toelectron ic T echnology and S y ste m of M O E,Chong qing U n iv.,Chong qing400044,Ch ina)
2(456D istrict M easu re S ta tion,Chang’an Co.,Chong qing400023,Ch ina)
Abstract T he i m age segm entati on techno logy is one of the key techno logies in analog signals m eter auto2check2 system.T h is techno logy directly wo rk s on fo llow i m age p rocess and i m age analysis step s.In th is system,the i m age segm entati on basing on actual characteristic of system com bines w ith segm entati on based on th resho ld and segm entati on based on components,and i m p roves on segm entati on based on edges.In th is system,the segm en2 tati on techno logy is better than segm entati on m ethod,w h ich is si m p lex.T he result i m age is very clear w ith the heavy reducing of no ise.T h is techno logy p rovides steady groundwo rk fo r next step s.
Key words I m age segm entati on T h resho lding I m age p rocess M eter
1 引 言
数字图像分割技术是将数字图像按照图像分析的需要分割成互不相交的区域的过程。当人眼看一幅灰度图像的时候,人并不是采用惟一一个条件去分辨物体,而是根据人的需要动态地选定分辨识别物体的多个条件,这样就使得人可以在不同外界条件下都能准确的分辨和识别出被识物体。在计算机视觉系统中,机器的智能程度还远远不及人的智能程度;计算机系统只能依靠设计者的设计来实现对数字图像的分割。这样的分割通常所依据的条件是有限或者不全面的。在实际的机器视觉系统之中,所有的图像分析都是建立在能对原始采集的图像进行正确的分割的基础之上的,分割后得到的图像的效果和质量是决定机器视觉系统的性能指标的重要的条件之一。
2 图像分割技术
近年来随着各种数学理论方法和工具的提出,一些新的图像分割技术如数学形态学方法、统计模式识别理论、人工神经网络技术、信息论理论、模糊集合和
第25卷第4期增刊仪 器 仪 表 学 报2004年8月
逻辑概念、小波变换技术[1]和遗传算法[2]等图像分割的一些基本思路和典型算法大量涌现。文献[3]就是通过利用边缘检测的动态二值化技术进行图像分割,文献[2]讲述的是利用最大模糊和遗传算法的3级二值化的图像分割技术。
根据图像的特点,分割图像所依据的主要特征通常有三种:第一种是基于图像全局知识的分割,如图像的直方图等[4],图像中灰度的期望值[5]等;第二种是基于边缘的分割;第三种是基于区域的分割。基于边缘和基于区域的分割通常可以用到亮度、纹理、速度场等特征。
211 图像分割技术的分类
基于图像全局知识的分割常常需要用到图像的直方图等全局信息。设图像由具有单峰灰度分布的目标和背景组成。处于目标或背景内部相邻像素间的灰度值是高度相关的,但处于目标和背景交界处两边的像素在灰度值上有很大的差别,如果一幅图像满足这些条件它的灰度直方图基本上可看做是由分别对应目标和背景的两个单峰直方图混合构成的[4]。当需要分割的图像内容比较简单或者是图像中照明视场噪声可以忽略不考虑,此时图像的物体和背景图像可以由直方图中双峰之间的谷底灰度值为门限来分辨。
基于边缘的图像分割方法通常依赖于边缘检测得到的图像边缘。边缘在灰度图像中常表现为灰度值的跃变,与边缘附近像素的灰度值的具体大小是没有关系的,因此照明视场噪声所造成的图像的部分区域亮度较低部分区域亮度较高的现象将不会影响图像通过边缘检测得到的边缘图像。边缘检测实际上是对图像实施了一次高通滤波,必须在边缘检测后采用后续的处理将边缘合并为边缘链,然后再聚合到图像中,使其中只出现对应于存在的物体或图像的部分边缘。
由彼此相邻接的像素组成的重要集合称为区域,也可以说区域是彼此连通的像素的集合。通常在图像中,不同的区域对应着不同的物体。基于区域的分割技术就是将这些对应着物体的区域分离出来。当区域被识别得到后,区域的一些特征如面积、长、宽等信息都可以作为判断的标准对图像进行分割。
212 图像分割时的主要噪声因素
照明视场噪声是影响数字图像分割的主要噪声之一。它通常造成整个画面的灰度分布不均,出现阴影等。这些都是不利于图像分割的。照明视场噪声可分为两类:一类是随时间而变化的随机噪声,它由供电电源波动以及光源本身发光的不稳定而产生;另一类则是随空间的起伏而变化,这种变化主要因为照明系统光源本身不是真正点光源而是一个具有不同发光强度的线或面光源,以及照明光学系统的不完善(像差或调整不好)而引起的。
解决这个问题通常从两个方面入手。首先在硬件上采用稳定性好的光源,模拟自然光的照明状态,这样的光源比较稳定、亮度适宜、照明均匀不闪烁、光线柔和、成像清晰、无阴影和立体感强;其次从软件上对图像进行修正,如可以采用最小二乘拟合来消除这种线性系统误差。
213 二值化技术
灰度二值化技术是一种比较常用的图像处理和分割的技术之一。二值化技术简单地用一种颜色(通常是黑或白,文中用黑色表示物体,白色表示背景)代表物体信息,其余的背景信息则用相对应的另一种颜色来代表。但实际上,真实世界的颜色、亮度等信息是十分丰富的,灰度图像灰度等级可以达到256级或者更高,因此利用二值化技术进行图像分割的难点在于阈值的选取:过高的阈值有可能使物体细节信息丧失,背景区域混入物体区域所以对于在不均匀光场中产生的图像不能得到很好的效果;分区阈值比较好的解决了图像上的亮度不均匀的影响,但是算法的效果与所分区域的大小直接相关,处理的质量是以牺牲处理的速度得到的,同时算法必须考虑到在不同分区的相临处像素之中,如图1(a)所示;过低的阈值又有可能弱化物体信息的强度,将本属于物体的区域归入到背景中去,如图1(b)所示。图像二值化的方法有很多,比如单一阈值法,分区阈值,由直方图求取阈值,动态阈值等。在这些方法中单一阈值法由于在全局图像中只有一个阈值的选取的问题;动态二值化技术通过对图像整体背景的分析,为每个像素都指定各自的阈值,这种方法适应性好,效果也不错,
但是算法实现的难度也比较大。
图1 不同全局阈值对二值化图像的影响
3 系统介绍和问题的提出
智能模拟式指针仪表检定系统主要由以下几部分构成:照明机构、运动机构、计算机、程控电源、CCD图像采
924
第4期增刊 图像分割技术及其在模拟指针式仪表自动检定系统中的应用
集设备、机器视觉分析软件、数据库。系统结构如图2
。图2 系统结构图
系统中采用了运动机构,可以移动摄像头对指针实现运动追踪,同时利用机器视觉技术实现对指针指示数据的分析和读取,然后通过判定指针与需要检测的刻度之间的位置关系来得到程控电源应当的输出量,从而逐步逼近被检定的刻度。对被测的指针式仪表采集的图片如图3所示。指针下方有平面反光镜用于调整到正确的读数的位置(读数时,指针与其在平面镜中的像可以基本重合),表盘面上是遮挡灰尘的玻璃。当CCD 摄像头在对表盘面成像时,外界的物体就有可能在表盘上的反光镜中和表盘上的玻璃上成像,外界的干扰光源也有可能在表盘上造成旋光,给后续的图
像处理带来不便。
图3 采集的原始图像
从图上可以看出仪表表盘面图像有如下的特点:表盘面的图像背景比较简单;刻度和指针之间可以清楚的区别比较明显,刻度值成像也比较清晰;指针可以认为是刻度之下最长的具有直线特征的物体,刻度值和刻度是以弧形均匀分布在表盘面上,且他们的圆心
(近似)与指针的旋转中心比较接近。
与很多的模式识别系统不同的是,系统最后需要得到指针和刻度之间的确定的位置关系,而不仅仅是分辨出物体就可以。该系统需要定性的得到指针究竟指向何处,定量的得到被检表现在的读数究竟是多少,因此指针和刻度之间的关系必须能够得到精确的区别——可以用像素来表征指针与刻度之间的距离关系。由于人眼对灰度跃变的敏感程度要高于对灰度级别和亮度级别的敏感程度,因此当外界光场不均衡时,人是很容易就可以分辨出待测物体。试验发现,不论在什么样的光场条件下,只要图像的灰度信息不发生饱和而且图像细节清晰可辨,人都可以很清楚的得到指针的读数信息。根据人眼的这个特点和表盘图像的成像特点,系统主要需要得到指针和刻度、刻度值的信息就可以了,由于这些信息中包含了大量的高频信息,所以需要对图像中的低频成分作适当的滤除。
4 系统中的图像分割技术
智能模拟式指针仪表检定系统中二值化算法的原
理图如下。
图4 算法概述
F (x ,y )原始图像,F ’
(x ,y )一次平滑后的图像,F ”
(x ,y )二次平滑后的图像G ’
(x ,y )一次平滑与二次平滑像素灰度值对应相减后的图像(有灰度溢出的现象)
G (x ,y )二值化后的图像,W (x ,y )最后得到的分割图
像,x 行像素坐标,y 列像素坐标
算法首先是采用3×3的均值模板对采集的原始图像F (x ,y )做简单的平滑降噪处理,目的是过滤掉在采集
图像时混入的随机噪声。平滑处理过后,很多随机产生的
034仪 器 仪 表 学 报 第25卷
高频噪点被滤掉,图像变柔和,得到图像F ’
(x ,y )。算法接着是对已经平滑过的图像F ’
(x ,y )再作一次3×3模板的均值平滑。这次平滑的目的是进一步减
少高频信息,得到了图像F ”
(x ,y )。F ”(x ,y )中所含的信息是图像中的频率比较低的信息,从人的视觉来说,图像进一步柔和了。在本算法中,用这幅图像来作为图像中背景信息的近似表达。
算法第三步是将两次平滑处理后的图像F ’(x ,y )和F ”
(x ,y )的像素的灰度值对应相减。这可以认为是从图像中去除掉背景信息的干扰,而保留下来的就是被测物体的信息。相减过后有可能出现灰度的溢出,所以需要将溢出的灰度值规范在标准的范围之内,这样
得到了图像G ’
(x ,y )。两次模糊采用的模板不同会使最后得到的结果也会有所不同。在具体的系统中需要综合运算速度和模板效果两个方面来进行取舍。在本系统中,采用2个3×3的均值的平滑的模板就已经可以实现将物体从背景中分离开的目的,速度也比其他的阶数的模板要快。值得注意的是,两张图片对应相减后所得的像素的灰度值有可能会溢出,因此必须保证灰度值都在规定的范围之内。
算法第四步是用一个单一的阈值实现对G ’(x ,y )作二值化处理得到G (x ,y )。图像G ’
(x ,y )中背景和物体之间的灰度已经有了较大的不同,用直方图阈值分割就可以达到很满意的效果。在智能模拟式指针仪表检定系统中,如果采用经验值,则灰度在100(灰度等级有256级)左右也取得比较满意的效果。如图5所示,二值化后,图像中需要的指针,刻度,数字等信息都得到了很好的保留,而背景图像已经基本上被滤掉了,
图像中还有很多小的具有较高频率的噪声存在。
图5 二值化后的图像
算法第五步是通过对图像中的连通区域分析识别后,依靠连通区域的面积特征对图像实现噪声的过滤,过滤过后图像已经把需要的物体的信息基本保留了。面积阈值的选取依靠对图像中有用物体信息的分析来得到。通常随机噪声的面积都在50以下。如图6所示,当采用面积这个特征对图像中的物体进行过滤的时
候,大部分的噪声信息都被过滤掉了,画面显的非常干净。不过仍有一些噪声信息有着与指针、刻度、数字相似的面积特征,所以在后续的处理步骤中需要依靠其他的特征,
如位置等信息加以分割。
图6 区域分割后的图像
从上面的分析可以看出,本算法是结合系统实际情况,对多种图像分割算法的综合运用的过程。算法采用了很多经典算法,也对一些经典算法做了适当的调整。如算法第三步与基于边缘的图像分割有相似之处,但是也有不同的地方:
首先,算法没有去刻意地求取边缘。文献[6]就是采用的先提取边缘再将图像二值化的方法。基于边缘的图像分割常需要利用边缘检测算子在图像内部搜索边缘。然后依靠求得的边缘来在原有图像上分割出物体。在本系统中,图像中刻度、指针、数字的宽度(这里指同一高度的两条边缘线之间所夹的长度)都比较小,如果是利用边缘信息来分析指针与刻度的关系,那么当指针与刻度相邻的足够近的时候,边缘检测是没有办法区分指针与刻度,他们拥有一样的边缘,这就给图像的分析带来了很大的难度;如果是利用边缘信息回到原图像来分割图像,则算法设计的难度要远高于本算法。
其次,本算法在最后得到的图像中指针,刻度和数字均基本保留原有的图像特征,这为以后的直线提取和数字提取提供了有力的保证。
5 结 论
通过试验表明,这种综合多种分割技术的图像分割方法可以实现对智能模拟式指针仪表检定系统中采集图像作较好的分割。分割后的指针图像、刻度图像和数字图像均可以得到比较好的保留,而原来大量的背
景信息得到了削弱,只有边缘等信息被保留下来,而这些噪声信息可以在利用区域的分割算法中被成功的分离出来从而得到比较理想的分割图像。 参考文献
1 Silvia Bacchelli ,Serena Pap i .F iltered w avelet th resh 2
(下转第435页)
1
34 第4期增刊 图像分割技术及其在模拟指针式仪表自动检定系统中的应用
图4为256×256(8位灰度)的标准L ena图像。用笔者的方法对其进行压缩,并与文献[2]的方法进行了比较,结果见表2。从表中可以看出,笔者方法的压缩比高于文献[2]方法的。这说明虽然笔者方法每一段需存储四个参数,较文献[2]方法的三个参数多一个。但从整个图像来看,由于笔者方法逼近误差小,在相同的最大设定误差下,整个图像的分段数少,因而总的压缩比还是提高了。
表2
最大误差压缩比:位 像素PSN R 文献[2]2511644311249
方法3011443301577
3511286291757本文2511592321031
方法3011371301635
3511028301012
6 结 论
用Bernstein多项式逼近连续函数是一种整体意义上的逼近,所用多项式的次数随着逼近精度的提高而增加,而高次多项式由于计算上的不稳定性,因此不能直接将其用于数字图像压缩。文献[2]提出了一种改进方法,用二次Bernstein多项式逼近进行图像压缩。笔者指出二次Bernstein
多项式逼近的实质是抛物线
图4
逼近,由于其没有拐
点,不能表达复杂的
形状,因而降低了图
像的压缩率。笔者对
此进行了改进,采用
三次Bernstein多项
式作为逼近的工具,
实验结果表明,笔者
的方法要优于文献
[2]的方法。
参考文献
1 Castlem an K.R..D igital i m age p rocessing.P ren tice
H all,Inc.,1996.
2 B is w as S.O ne2di m en si onal B2B po lynom ial and H ilbert scan fo r graylevel i m age coding.Pattern R ecogn iti on, 2004,37:789～800.
3 王仁宏.数值逼近.北京:高等教育出版社,1999.
(上接第427页)
参考文献
1 严义,包健.一种实用视觉识别的仪表自动检定系统[J].
仪表技术与传感器,2002,1:28～30.
2 R.F rieden.I m age enhancem en t and resto rati on.in:T.
S.H uang,ed..P ictu re P rocessing and D igital F ilter2 ing,N ew Yo rk:Sp ringer2V erlag,1975.
3 Kenneth RC著.朱志刚,林学阎译.数字图像处理[M].
北京:电子工业出版社,2002.
4 Castlem an K R.D igital i m age p rocessing[M].北京:清华大学出版社,1998.
5 J2S.L EE.D igital i m age enhancem en t and no ise filtering by u se of local statistics.IEEE T ran s.Pattern A nalysis
and M ach ine In telligence,1980,PAM I22(2):165～168. 6 王延杰,宋建中.一种实时自适应图像二值化方法[J].光学精密工程,1994,2(5):17～21.
7 R.O.D uda,P.E.H art.U se of the hough tran sfo rm a2 ti on to detect lines and cu rves in p ictu https://www.doczj.com/doc/4914064789.html,m.A C M, 1972,15(1):11～15.
8 严超华,刘高航,黎明,等.灰度图像的直接Hough变换方法[J].南昌航空工业学院学报,2000,14(3):36～39.
9 吕凤军编著.数字图像处理编程入门[M].北京:清华大学出版社,1999.
10 S.D.Yankow itz,A.M.B ruck stein.A new m ethod fo r
i m age segm en tati https://www.doczj.com/doc/4914064789.html,pu ter V isi on,Graph ics,and
I m age P rocessing,1989,46(1):82～95.
(上接第431页)
o lding m ethods[J].Jou rnal of Compu tati onal and A p2 p lied M athem atics,2004,164～165,39～52.
2 W en2B ing T ao,J in2W en T ian,J ian L iu.I m age segm en2 tati on by th ree2level th resho lding based on m ax i m um fuzzy en tropy and genetic algo rithm[J].Pattern R ecog2 n iti on L etters,2003,24:3069～3078.
3 M o D ai,P ierre Baylou,L ou is H um bert,M ohanm ed N a2 ji m.I m age segm en tati on by a dynam ic th resho lding u s2
ing edge detecti on based on cascaded un ifo rm filters[J].
Signal P rocessing,1996,52:49～63.
4 梁华为.直接从双峰直方图确定二值化阈值.模式识别与人工智能(PR&A I),2002,15(2):746～750.
5 高永英,张利,吴国威.一种基于灰度期望值的图像二值化算法.中国图像图形学报.1999,4A(6):524～528.
6 马利庄.图像二值化时图像特征的保留.计算机辅助设计与图形学学报,2000,12(10):746～750.
534
第4期增刊 基于三次Bern stein多项式逼近的数字图像压缩算法
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
图像处理和分析技术课程设计报告 ——图像分割系统 学院：计算机科学与技术 专业班级： 小组成员学号联系方式日期：
一、课题目的与要求 目的：1.学习并掌握边缘检测算子及其MA TLAB实现； 2.学习并掌握图像的阈值分割方法及其MA TLAB实现； 3.学习并掌握图像的区域分割及其MA TLAB实现； 要求： 1.能对图像文件（bmp、jpg、tiff、gif）进行打开、保存、退出等功能操作； 2.包含功能模块： 1）图像的边缘检测(使用不同梯度算子和拉普拉斯算子)； 2）封闭轮廓边界：hough变换； 3）区域分割算法：阈值分割、区域生长等； 二、课题设计内容描述 主要功能： 1.对图像文件（bmp、jpg、tiff、gif等）进行打开、保存、退出等； 2.使用不同梯度算子和拉普拉斯算子对图像的边缘进行检测； 3.封闭轮廓边界：hough变换； 4.区域分割算法：阈值分割、区域生长等； 原理方法： 边缘检测是所有基于边界分割的图像分析的方法的第一步。确定图像中的物 体边界的一种方法是先检测每个像素和其直接领域的状态，以决定该像素是 否处于一个物体的边界上，具有这种特性的像素被标为边缘点。当图像中各 个像素的灰度级用来反映像素复合边缘像素要求的程度时，该图被称为边缘 图像，它也可以用表示边缘点的位置而没有强弱程度的二值图像来表示。 边缘检测有多种方法，主要用一阶微分算子，所选取算子模板不同对图像处 理的效果也不同，常用的有Roberts算子、Sobel算子、Prewitt算子等。应 用二阶微分算子（如Laplacian算子）检测时，可能会把噪声当边缘点检测 出来，而真正的边缘点会被噪声淹没而未检测出。这是可以采用LoG算子 和Canny算子，这两个算子都是对图像先采用Gaussian算子进行平滑去噪， 再施以Laplacian算子，由于Canny算子采用了非最大值抑制处理，从而可 以检测到弱边缘。 Hough变换是一种检测、定位直线和解析曲线的有效方法，它是把二值图像 变换到Hough参数空间，在参数空间用极值点的检测来完成目标的检测。 其实质就是利用坐标变换使图像变换到另一坐标系后在其特定的位置上出 现峰值，则检测出曲线后直线就会变成找峰值位置的问题。 阈值分割是一种区域分割技术，它使用与物体与背景有较强对比的景物分 割。阈值的选取有目视检测直方图法、最大类间方法等。目视检测直方图是 通过观察图像中物体与背景的灰度区间及图像直方图，选取一个合适的阈 值，进行图像分割。最大类间方法是在灰度值方图的基础上用最小二乘法原 理推导出来的，具有统计意义上的最佳阈值分割，其基本原理是以最佳阈值 将图像的灰度直方图分为两部分，使两部分之间的方差取最大值，即分离性 最大。 区域分割方法利用图像的空间性质，认为分割出来的属于同一区域的像素应 该具有相似的性质，传统的区域分割法有区域生长法和分裂合并法。区域生
图像分割技术的GUI设计 一、概述（意义及背景） 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 二、设计方案 利用MATLAB中的GUI（图形用户界面），实现图像的读取，边缘检测，四叉树分解，直方图阈值分割，二值化差值的实现，并设计了退出按钮。 三、实现步骤 1、打开MATLAB; 2、打开Command Window 窗口中输入guide或点击快捷键 ; 3、在GUIDE Quick Start 窗口中选择Blank GUI(Default)中选择Blank GUI(Default),再单击OK; 4、在新出现的窗口中选择需要的GUI控件； 5、在控件上右击选择View Callbacks—callback; 6、输入各控件对应的回调函数； 四、系统调试及验证 完成后系统是这样的
1、单击系统前置图的运行按钮进入系统调试 2、点击第一个模块相应按钮完成相应实验 点击读取图片按钮的效果点击图像边缘检测按钮的效果 点击四叉树分解按钮的效果点击直方图阈值分割按钮的效果3、点击第二个模块相应按钮完成相应的实验
点击读取原图按钮的效果点击读取背景图按钮的效果 点击二值化差值图按钮的效果 4、点击退出按钮结束实验 点击退出按钮结束实验 五、参考文献 [1] 杨帆.数字信号处理与分析[M]. 北京:北京航空航天大学出版社，2010. [2] 徐飞，施晓红.MATLAB应用图像处理[M].西安.西安电子科技大学出版社，
巡检机器人中的指针式仪表读数识别系统 发表时间：2019-07-16T14:11:31.203Z 来源：《电力设备》2019年第6期作者：彭鹤 [导读] 摘要：巡检机器人能自动识别仪表设备的状态，先准确定位图像中的仪表设备，在此基础上，实现了仪表读数的自动识别。 (大唐河北发电有限公司马头热电分公司河北省邯郸市 056044) 摘要：巡检机器人能自动识别仪表设备的状态，先准确定位图像中的仪表设备，在此基础上，实现了仪表读数的自动识别。 关键词：巡检机器人；仪表读数识别；指针提取 巡检机器人主要在户外工作，仪器识别算法需适用于各种不同的光照和天气情况，基于此，本文提出了一种迭代最大类间方法，解决了由光照或镜面反射引起的仪器图像过亮或过暗时指针提取问题；提出基于Hough变换的指针角度计算方法，推导了指针角度与仪表读数间的函数关系，实现了指针仪表读数的自动识别。 一、仪表识别算法概述 变电站的仪表多数安置在室外，巡检机器人采集的仪表图像通常受到环境的影响。现有的识别算法为，利用仪表表盘的形状特征，通过模板匹配或椭圆拟合确定仪表表盘在图像中的基本位置及区域范围。其算法虽具备一定实时性和鲁棒性，但并不适用于巡检机器人采集到的变电站仪表图像。这是因变电站设备结构复杂，在机器人采集到的图像中，背景紊乱，并不仅包含仪表区域，还同时囊括了其它设备。在指针识别方面，通常在获取仪表表盘的子图像后，再使用多种的图像处理方法提取仪表指针的位置及指向方向。另外，智能机器人能自动实现对仪表设备的状态识别，必须进行仪表设备在图像中的准确定位，在这基础上，实现仪表读数的自动识别。 二、指针式仪表读数识别 1、指针区域提取。在仪器图像采集过程中，由于受仪器玻璃的光照条件或镜面反射的影响，很难提取仪器指针等特征信息，从而影响仪器的读数识别。因此，在提取指针区域前，需要去除噪声，增强高通图像。为后续指针中心线的精确提取提供清晰的图像，从而提高仪器识别的精度。 1)表盘图像去噪。由于仪器图像在采集过程中会受到噪声的干扰，可采用图像平滑的方法来降低噪声对仪器图像质量的影响。如果平滑窗口太大或太小，仪器图像的细节将变得模糊或边界轮廓将被破坏。本文采用5*5方形窗口的中值滤波去除图像噪声，不仅达到了去噪的目的，而且保持了图像的细节信息。 2)高通增强。为了提高背景与目标区域的灰度差，准确提取指针区域，采用Butterworth高通滤波器对仪器图像进行增强，抑制低频信息。 3)目标分割。最大类间方差是一种常用的自适应目标阈值分割算法，对背景清晰的普通图像具有良好的分割效果，但在对前后景灰度变化不大的情况下，很难实现目标提取。 在实际变电所采集的指针式仪表灰度图像二值化阈值分割过程中发现，当仪表图像在过亮或过暗的光照条件下采集时，目标区域和背景区域的灰度变化很小。采用传统的最大类间方差法进行二值阈值分割后，二值图像中存在较大的黑白区域，无法从仪表表盘区域正确分割，严重影响了后续的指针提取。 鉴于这种现象，在指针区域无法分割的过亮或过暗仪器图像中，背景和目标间的最大类间方差值较小。当最大类间方差在区间范围内时，可正确地实现分割，否则分割失败。最大类间方差可作为衡量指针目标提取是否准确的标准。基于此准则，本文提出了一种迭代的最大类方差方法。采用最大类间方差法对仪器灰度图像进行第一阈值分割时，最大类间方差在其范围内，相应的阈值为最优阈值，否则将第一阈值分割中划分的目标类作为第二最大类间方差阈值分割的对象，判断最大类间方差是否在其范围内。以此类推直到最大类间方差在其范围内，相应的阈值是最佳分割阈值。 2、指针定位。如图1所示，仪表图像中指针具有顶端细，底端粗，灰度关于中心线对称的特性，指针的中心线必须穿过旋转轴。因此，可通过过表盘转动轴心提取指针的中心线来实现指针的定位，并使用直线提取方法来提取指针的中心线。 图1 仪表图像中指针特征 Hough变换是一种检测特定边界形状的方法，常用于直线和圆的检测。它将图像坐标空间转换为参数空间，得到一些峰值，然后通过检测参数空间的峰值给出图像中几何曲线的数学方程。Hough变换能有效地避免图像中某些特征点的干扰，具有良好的容错性和鲁棒性。本文提出了一种基于Hough变换的指针定位算法，用于检测过表盘转动轴心的指针位置。此外，指针的旋转角度限制在仪器量程范围内，在搜索图像的Hough变换值时，可搜索特定角度范围内的直线，从而减少搜索量，提高搜索效率。 三、系统评价与验证 智能巡检机器人系统用于电力系统大型室外变电所仪表的自动识别。而仪器读取识别系统读取采集到的图像，识别结果存储在数据库中，用于后台数据库和专家系统的监控和数据分析。 仪器识别系统以MATLAB R2014A为软件开发环境进行仿真实验，以实际测试现场采集的指针式仪表为测试对象。仪表自动识别系统的指针仪表自动识别模块包括读人图像、指针仪表区域定位和仪表识别。本文提出的指针识别算法主要解决两个关键问题：1)适应各种光照条件下的指针区域自适应提取；2)基于Hough变换的指针定位和读数识别。 1、自适应指针区域提取算法的验证与分析。实验分析表明，采用传统的最大类间方差法对仪器图像进行二值化处理，可在正常光照条件下实现对仪器图像的精确分割，而对光线暗淡或摄像机过度曝光时太暗或太亮的仪器图像，由于仪器图像中背景区域和指针表盘区域的灰度差小，传统的最大类间方差法无法提取表盘区域，从而导致后续仪表读数无法识别。基于此，本文提出的迭代最大类间方差法实现了
图像分割技术 图像分割就是将一副数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间器性质具有明显的区别。 主要包括：边缘分割技术、阈值分割技术和区域分割技术。 1.边缘分割技术 边缘检测是检测图像特性发生变化的位置，是利用物体和背景在某种图像特性上的差异来实现的。不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。边缘检测分割法是通过检测出不同区域边界来进行分割的。 常见的边缘检测方法：微分算子、Canny算子和LOG算子等，常用的微分算子有Sobel算子、Roberts算子和Prewit算子等。 （1）图像中的线段 对于图像的间断点，常用检测模板： -1 -1 -1 -1 8 -1 -1 -1 -1?????????? 对于图像中的线段，常用的检测模板： 检测图像中的线段： close all;clear all;clc; I=imread('gantrycrane.png'); I=rgb2gray(I); h1=[-1,-1,-1;2 2 2;-1 -1 -1];%模板 h2=[-1 -1 2;-1 2 -1;2 -1 -1]; h3=[-1 2 -1;-1 2 -1;-1 2 -1]; h4=[2 -1 -1;-1 2 -1;-1 -1 2]; J1=imfilter(I,h1);%线段检测 J2=imfilter(I,h2); J3=imfilter(I,h3); J4=imfilter(I,h4); J=J1+J2+J3+J4;%4种线段相加 figure, subplot(121),imshow(I); subplot(122),imshow(J); （2）微分算子 ○1Roberts算子的计算公式： 采用edge()函数进行图像的边缘检测。 Roberts算子进行图像的边缘检测： close all; clear all;clc; I=imread('rice.png'); I=im2double(I); %Roberts算法进行边缘检测
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
指针式仪表自动读数系统设计 摘要 随着模式识别技术、计算机技术等多种技术的不断完善和发展，机器视觉获得了巨大的进步与发展。目前在许多企业中，存在着大量的仪表，仪表的读数都要靠人来完成，工作量很大而且误差率相对来说比较高，基于这个原因，设计了一个工业生产线在线检测数据数字化处理系统。首先通过摄像头采集仪表图像，通过传输装置以无线的方式把图像传输到电脑上，然后在电脑上通过matlab程序设计，处理图像，读取仪表的数据，然后用labview调用matlab程序，并设计一个显示界面，通过界面可以看到实时的数据与仪表图像以及在一段时间内数据的变化情况。最后通过labview访问access数据库，将读取的数据传入数据库中，便于被调用，最终实现检测数据的数字化处理。 关键词：机器视觉图像处理 Matlab Labview
Online testing data of industrial production line digital processing system design Abstract With the development of computer technology and pattern recognition technology,machine vision technology makes a great progress and develop- ment.At present,there are a lot of instrument in many enterprises.in- strument reading work need people to complete.So there are a lot of work to do and efficiency is very low,as the same time,error rate is quite high.For this reason,there design a online testing data of industrial production line digital processing system.First of all,there need to take Picture by camera.next,t hrough transmission device in wireless way to transmit the image to a computer.Then by matlab programming on the compu- ter,d ata processing images, read the meter.And then call matlab by labview and design a display interface.Through the interface can see the real-time data.At last,through labview access access database,and take the data into database.Finally,realize the testing data of the digital processing. Keywords：Machine vision image processing Matlab Labview
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
图像分割技术与M A T L A B仿真
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 0 Abstract 0 引言 (2) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (6) 2.3 区域分割法 (8) 2.4 基于水平集的分割方法 (9) 2.5 分割算法对比表格 (9) 3基于水平集的图像分割 (11) 3.1 水平集方法简介 (11) 3.2 水平集方法在图像分割上的应用 (12) 3.3 仿真算法介绍 (13) 3.4 实验仿真及其结果 (14) 结论 (22) 致谢 (23) 参考文献 (23)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MATLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the
第六章医学图像分割 医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。 第一节医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。 所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-
模拟指针式仪表读数
————————————————————————————————作者：————————————————————————————————日期： 1
摘要 目前，在大型工矿企业、电力部门中，模拟指针式仪表因其简单可靠、价格低廉等仍在大量使用数量巨大的各种指针式仪表的定期维护、检测等一直都是靠人力来完成的，长时间的人工读表不仅容易造成视觉疲劳、视觉受损，工作人员与仪表表盘的距离和角度等都容易造成读数误差，而且不利于大量信息的及时采集和统一管理。自20世纪80年代以来，随着数字图像处理技术的迅猛发展，发展了自动识别指针式模拟表盘的显示值的方法，应用于工业与生活中，大大提高了效率与准确率真。数字图像处理技术在工业生产的应用中就显得尤为重要，越来越受到人们的重视。 本次报告主要内容安排： 第一、简单介绍了数字图像处理的一些基本概念，包括它的发展、特点、应用领域、今后的发展方向。 第二、介绍了在课题设计的准备阶段，了解到的关于数字图像处理在缺陷检测中的一般步骤及算法。按照一般检测流程，讲述了图像采集系统，包括硬件设备和图像数字化的基本原理；在图像的预处理中，介绍了灰度变换、二值化及图像细化等基本方法。 第三、针对本次专业综合训练课题，着重讨论了直线的提取方法—Hough变换的基本原理。 第四、简述了图形用户界面(Graphical User Interface)GUI，在Matlab程序开发中的作用，并设计了一个简单的GUI界面，输出处理后的图像。 关键字：指针式模拟表盘识别数字图像处理matlab 1
目录 摘要 (1) 第一章绪论 (3) 1.1图像处理概述 (3) 1.1.1 图像处理技术的分类 (3) 1.1.3 数字图像处理的主要内容 (4) 1.1.2 图像处理的主要方法 (4) 1.1.4 数字图像处理的特点 (4) 第二章指针式模拟表盘自动读数算法 (5) 2.1基本原理——H OUGH变换原理 (5) 2.2识别步骤 (6) 2.2.1 图像获取 (6) 2.2.2 数字图像预处理 (7) 2.2.3 特征提取 (9) 第三章指针式模拟表盘自动读数实现 (10) 3.1设计要求 (10) 3.2具体实现步骤 (10) 3.3 简单GUI界面输出 (13) 第四章心得体会 (17) 附录 (18) 参考文献 (21) 1