《图像处理方法总结》由会员分享，可在线阅读，更多相关《图像处理方法总结（32页珍藏版）》请在金锄头文库上搜索。
1、图像处理算法归纳图像处理算法归纳11 颜色空间22 图像的增强53 阈值化84 边缘检测的算法135 形态学166 连通区域法207 灰度级插值248 角度检测261 颜色空间 车牌定位与分割算法的研究及实现7HSV空间HSV(hue,saturation,value)颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1. 它包含RGB模型中的R=1，G=1，B=1 三个面，所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于 角度0 ，绿色对应于角度120，蓝色对应于角度240。在HSV颜色模型中，每一种颜色和它的补色相差180 。 饱和度S取值从0到1，所以圆锥顶面
2、的半径为。HSV颜色模型所代表的颜色域是CIE色度图的一个子集，这个 模型中饱和度为百分之百的颜色，其纯度一般小于百分之百。在圆锥的顶点(即原点)处，V=0,H和S无定义， 代表黑色。圆锥的顶面中心处S=0，V=1,H无定义，代表白色。从该点到原点代表亮度渐暗的灰色，即具有不同 灰度的灰色。对于这些点，S=0,H的值无定义。可以说，HSV模型中的V轴对应于RGB颜色空间中的主对角线。 在圆锥顶面的圆周上的颜色，V=1，S=1,这种颜色是纯色。HSV模型对应于画家配色的方法。画家用改变色浓和 色深的方法从某种纯色获得不同色调的颜色，在一种纯色中加入白色以改变色浓，加入黑色以改变色深，同时 加入不
3、同比例的白色，黑色即可获得各种不同的色调。HSI空间HSI色彩空间是从人的视觉系统出发，用色调(Hue)、色饱和度(Saturation或Chroma)和亮度 (Intensity或Brightness)来描述色彩。HSI色彩空间可以用一个圆锥空间模型来描述。用这种 描述HIS色彩空间的圆锥模型相当复杂，但确能把色调、亮度和色饱和度的变化情形表现得很清楚。 通常把色调和饱和度通称为色度，用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感 程度远强于对颜色浓淡的敏感程度，为了便于色彩处理和识别，人的视觉系统经常采用HSI色彩空间， 它比RGB色彩空间更符合人的视觉特性。在图像处理和计算机视觉
4、中大量算法都可在HSI色彩空间中 方便地使用，它们可以分开处理而且是相互独立的。因此，在HSI色彩空间可以大大简化图像分析 和处理的工作量。HSI色彩空间和RGB色彩空间只是同一物理量的不同表示法，因而它们之间存在着 转换关系。 在颜色立体图中垂直轴表示光的亮度变化，顶部最亮表示白色，底部最暗表示黑色，中间是由浅至深的灰色。在与黑白轴垂直的平面圆周上各点代表光谱上各种不同的色调，如图中箭头所指红橙黄紫构成闭合的环，其值在0度360度之间。处于圆周上的点式饱和度，颜色从圆周到圆心过渡，表示颜色饱和度逐渐降低，其值用百分比表示。当颜色在立体图同一平面上变化时，只改变色调和饱和度，而亮度不变。YIQ
5、/YUV空间RGB空间RGB(red,green,blue)颜色空间最常用的用途就是显示器系统，彩色阴极射线管,彩色光栅图形的显示器 都使用R、G、B数值来驱动R、G、B 电子枪发射电子，并分别激发荧光屏上的R、G、B三种颜色的荧光粉 发出不同亮度的光线，并通过相加混合产生各种颜色；扫描仪也是通过吸收原稿经反射或透射而发送来 的光线中的R、G、B成分，并用它来表示原稿的颜色。RGB色彩空间称为与设备相关的色彩空间,因为不同 的扫描仪扫描同一幅图像，会得到不同色彩的图像数据；不同型号的显示器显示同一幅图像，也会有不同 的色彩显示结果。 通常把RGB空间转换到HSV空间进行处理的原因：H和S两个分
6、量包含了图像的彩色信息，说明了颜色的深浅、合成色度，与人感受颜色的方式紧密相连；而分量V表示亮度，包含了光照条件方面的信息，与图像的彩色信息无关。如果舍弃V分量，只考虑H和S分量则减少了光照条件的影响，这对于光照条件不均匀的彩色汽车图像分割具有重要意义（但是在实验中，为了解决复杂光照背景下存在阴影的状况，我们并没有完全舍弃V分量而是将其作为辅助条件）。因此在HSV模型下，用H和S两个分量辅助以V分量就可以将蓝色和黄色两种颜色区域找出来，同时发现只用V分量就能将白色和黑色两种颜色识别出来，因此HSV模型特别适合于利用车牌的颜色特征来识别车牌。2 图像的增强边缘检测算法在车牌定位系统中的应用研究1
7、2.1灰度级的修整 直方图均衡 直方图用来表达一幅图像灰度等级分布情况。（横轴灰度值，纵轴像素数）直方图均衡化通过灰度映射使图像的灰度值在直方图上均匀分布，改善偏亮和偏暗的图像。 为了改变图像整体偏暗或整体偏亮，或灰度层次不丰富的情况，可以将原图像的直方图通过变换函数修正为均匀的直方图，使直方图不再偏于低端，也不再偏于高端，而是变成比较均匀的分布。其计算步骤如下（车牌定位与字符分割的研究与实现2） 1统计原始图像的各灰度级的像素数目ni 2统计原始图像各灰度级的频数：Pf=ni/n;n为总的像素数目 3根据Pf计算累计分布函数,此分布函数值为01之间；用其乘255可得映射后的灰度值。 灰度拉伸
8、 灰度拉伸是根据灰度直方图的分布拉伸某段灰度区间以改善输出图像。灰度拉伸功能用于加强选择区域的对比度；它在0到255之间按顺序取两点X1和X2，他们将0-255之间的灰度划分成0,x1,x1,x2和x2,255三个灰度区间；采取一个分段式的灰度拉伸方程来强化车牌前景和背景间的灰度差异。（车牌定位与字符分割的研究与实现2）。通过调整Y1和Y2的大小改变灰度拉伸方程在0,X1和X2,255之间的斜率，突出X1,X2间的车牌区域。2.2图像平滑 图像在生成或传输过程中页常受到各种噪声源的干扰和影响而使图像处理变差。有时抽样效果差的系统同样给图像带来噪声，在图像上的反映就是使原本均匀和连续变化的灰度突
9、然变大或变小，形成一些虚假的边缘或轮廓。抑制或消除这类噪声而改善图像质量的过程称为图像的平滑过程。平滑分空域上和频域上的平滑算法。2.2.1 空域处理2.2.1.1领域平均法 领域平均法中，我们假定图像时由去多灰度恒定的小块组成，相邻像素间有很高的空间相关性。而噪声是统计独立地叠加在图像上的，其均值为0。因此，可以用领域内各像素灰度值的平均值代表原来的灰度值，实现图像的平滑。 简单平均值： 设图像中某像素的灰度值为f(x,y)，它的领域s为M*N大小的窗口，则平滑后的灰度值为： 阈值平均法 设图像中某像素的灰度值为f(x,y)，取以该像素为中心点的M*N大小的窗口，则平滑后的灰度值为： K近邻
10、平均法 在一个M*N窗口中，属于同一个物体的像素，它们的灰度值将高度相关。因此，窗口内的中心像素的灰度值可用窗口内与中心点灰度相近的K各领域的平均灰度来代替。一般来讲，K值越小则噪声方差降低越小，但能保持细节较好；而较大的K值平滑噪声效果好，但也使图像模糊。2.2.1.2 低通滤波法 从频谱上看，噪声特别是随机噪声是一种具有较高频率分量的信号。平滑的目的就是通过一定的手段滤去这类信号。一个很自然的想法就是使图像经过一个二维的低通数字滤波器，让高频信号得到较大的衰减。在空间域上进行的这种滤波实际上就是对图像和滤波器的冲击响应函数卷积。2.2.1.3 统计排序滤波器 统计滤波器是一种非线性而的空间
11、滤波器，它的响应基于图像滤波器包围的图像区域的像素排序，然后由统计排序结果的值代替中心像素的值。比较常用的就是中值滤波器，它将像素领域内灰度的排序中值来代替该灰度的值。2.2.2 频率域处理 边缘和其他尖锐变化在图像的灰度级中主要出于傅里叶变换的高频部分。因此，平滑可以通过衰减指定的图像傅里叶变换中高频成分的范围来实现。理想低通滤波器具有陡峭的截止特征，但是高频分量完全为0，使图像的边缘变得模糊，而且在截止的边缘处由于不连续会产生振铃效应。巴特沃兹滤波器由于转移特性曲线较平滑，故无振铃效应，图像边缘的模糊比理想低通滤波器的小。2.3图像锐化 在图像判断和识别中，需要有边缘鲜明的图像。图像锐化技
12、术常用来对图像的边缘进行增强，反映在频谱的修改上，就是保留高频段而使低频段受到很大的抑制。常使用的手段是高通滤波器。若需要某一频段的图像明显，可以使用带通或带阻滤波器。 巴特沃兹高通滤波器 2.4 图像恢复 在获取图像时，由于汽车与摄像机之间的相对运动，反映在底片上的图像有明显的移动，形成了模糊的运动图像，这主要是由水平方向的运动所造成的，为了使算法简单些，我们假定是由水平方向的匀速运动造成的。2.5 反锯齿车牌定位与字符分割技术研究2在拍摄动态情况下的汽车图片时，由于数码摄像机的工作原理是按行拍摄视频信息的，这样数码摄像机每扫描完一行，汽车发生移动，在扫描下一行时图像的行与行之间就会出现错位
13、的情况，由此产生锯齿。在利用黑白跳变来定位车牌时锯齿会严重影响算法的准确程度。可以采取使用原始图像的偶数行来代替奇数行组成一幅新图像替代原始图像的办法来消除锯齿，或者是只抽取偶数行组成一幅新的图像来消除锯齿3 阈值化(基于计算机视觉的车牌定位研究11)二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阈值，使得车牌信息与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不产生额外的空缺等等。二值化的阈值选取主要分为3类：全局阈值法、局部阈值法和动态阈值法。3.1自适应阈值分割法对图像按照坐标分块，对每一块分
14、别选一阈值进行分割，这种与坐标相关的阈值称为动态阈值法，页称为自适应阈值法。这类算法的时间复杂度和空间复杂度比较大，但是抗噪声能力比较强。自适应阈值选取比较简单的方法则是对每个像素确定以它为中心的一个领域窗口，计算窗口内像素的最大值和最小值，然后取它们的均值作为阈值。(见后文分块聚类) （小波变换的二值化阈值选取可见智能交通系统中车牌定位方法的研究）3.2全局阈值法是根据图像的直方图或灰度空间分布确定一个阈值，并根据该阈值实现灰度图像得到二值化图像的转化。全局阈值方法的优点在于算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗能力低，应
15、用受到极大限制。典型的全局阈值法包括类间方差阈值分割法、最大熵方法等。1类间方差阈值分割法（车牌定位方法研究4）3.3局部阈值法则是由像素灰度值和像素周围点局部灰度特性来确定像素的阈值的。Bernsen算法是典型的局部阈值方法，局部阈值法也存在缺点和问题，如实现速度慢、不能保证比划的连通性，以及容易出现伪影等现象。Bernsen算法以局部窗口内灰度最大、最小值作为参考来确定考察点的阈值。考虑以（x,y）为中心的（2W+1）*（2W+1）为模板，Bernsen算法可描述为：1计算每点阈值如果f(x,y)T(x,y)则b(x,y)为原图在考察点（x,y）坐标的灰度，T（x,y）为局部动态阈值。Max为（2W+1）*（2W+1）模板灰度的最大值，min为最小值。分块聚类二值化方法：基于分块聚类的车牌图像二值化及车牌定位方法研究10将整幅图像等分成多个小块，在每个小块中根据像素点的灰度值对像素进行聚类，根据聚类结果二值化，从而得到各个小块的二值化结果，将各个小块的二值化结
