图像处理方法总结[1]

《图像处理方法总结[1]》由会员分享，可在线阅读，更多相关《图像处理方法总结[1]（39页珍藏版）》请在金锄头文库上搜索。

1、图像解决算法归纳图像解决算法归纳11 颜色空间2 图像的增强3 阈值化边沿检测的算法13 形态学16连通区域法20灰度级插值248角度检测21颜色空间 车牌定位与分割算法的研究及实现7V空间HSV(hu，saturaon,value)颜色空间的模型相应于圆柱坐标系中的一种圆锥形子集,圆锥的顶面相应于V=1它涉及RGB模型中的R=1，G1，B=三个面，所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色相应于 角度0 ,绿色相应于角度10，蓝色相应于角度24。在HSV颜色模型中,每一种颜色和它的补色相差180。饱和度取值从到,因此圆锥顶面的半径为。HSV颜色模型所代表的颜色域是CIE色度图的一种子

2、集,这个 模型中饱和度为百分之百的颜色，其纯度一般不不小于百分之百。在圆锥的顶点(即原点）处，V0，H和S无定义,代表黑色。圆锥的顶面中心处S=0，V,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，HV模型中的V轴相应于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,=1,这种颜色是纯色。模型相应于画家配色的措施。画家用变化色浓和 色深的措施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变化色浓,加入黑色以变化色深,同步 加入不同比例的白色，黑色即可获得多种不同的色调。H空间HSI色彩空间是从人的视觉

3、系统出发，用色调(ue)、色饱和度(auration或Chroma)和亮度(Intensity或Brightn)来描述色彩。HSI色彩空间可以用一种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称复杂,但确能把色调、亮度和色饱和度的变化情形体现得很清晰。 一般把色调和饱和度通称为色度,用来表达颜色的类别与深浅限度。由于人的视觉对亮度的敏感 限度远强于对颜色浓淡的敏感限度，为了便于色彩解决和辨认,人的视觉系统常常采用S色彩空间， 它比GB色彩空间更符合人的视觉特性。在图像解决和计算机视觉中大量算法都可在I色彩空间中 以便地使用，它们可以分开解决并且是互相独立的。因此，在HS色彩空间可

4、以大大简化图像分析 和解决的工作量。SI色彩空间和RGB色彩空间只是同一物理量的不同表达法，因而它们之间存在着 转换关系。 在颜色立体图中垂直轴表达光的亮度变化,顶部最亮表达白色,底部最暗表达黑色,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多种不同的色调,如图中箭头所指红橙黄紫构成闭合的环,其值在度30度之间。处在圆周上的点式饱和度,颜色从圆周到圆心过渡，表达颜色饱和度逐渐减少，其值用比例表达。当颜色在立体图同一平面上变化时，只变化色调和饱和度，而亮度不变。YIUV空间RG空间B（e,green，blue）颜色空间最常用的用途就是显示屏系统,彩色阴极射线管,彩色光栅图形的显

5、示屏 都使用R、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、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多种颜色;扫描仪也是通过吸取原稿经反射或透射而发送来 的光线中的、G、B成分，并用它来表达原稿的颜色。RB色彩空间称为与设备有关的色彩空间,由于不同 的扫描仪扫描同一幅图像,会得到不同色彩的图像数据；不同型号的显示屏显示同一幅图像，也会有不同 的色彩显示成果。 一般把RG空间转换到HSV空间进行解决的因素：H和两个分量涉及了图像的彩色信息,阐明了颜色的深浅、合成色度,与人感受颜色的方式紧密相连；而分量V表达亮度，涉及了光照条件方面的信息,与图像的彩色信息无关

6、。如果舍弃V分量，只考虑H和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，为理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分量而是将其作为辅助条件)。因此在HSV模型下，用和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，同步发现只用分量就能将白色和黑色两种颜色辨认出来,因此H模型特别适合于运用车牌的颜色特性来辨认车牌。2 图像的增强边沿检测算法在车牌定位系统中的应用研究12.1灰度级的修整 直方图均衡 直方图用来体现一幅图像灰度级别分布状况。(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,

7、改善偏亮和偏暗的图像。 为了变化图像整体偏暗或整体偏亮,或灰度层次不丰富的状况，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,也不再偏于高品位,而是变成比较均匀的分布。其计算环节如下(车牌定位与字符分割的研究与实现2） 记录原始图像的各灰度级的像素数目ni 2记录原始图像各灰度级的频数:Pfn/n；n为总的像素数目 3根据P计算合计分布函数,此分布函数值为0之间；用其乘2可得映射后的灰度值。 灰度拉伸 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，她们将0-25之间的灰度划提

8、成0,x1,x1,2和x,255三个灰度区间;采用一种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别。(车牌定位与字符分割的研究与实现2）。通过调节和Y2的大小变化灰度拉伸方程在0,X1和2,255之间的斜率,突出X,X间的车牌区域。2.2图像平滑 图像在生成或传播过程中页常受到多种噪声源的干扰和影响而使图像解决变差。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持续变化的灰度忽然变大或变小，形成某些虚假的边沿或轮廓。克制或消除此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 空域解决22.1.1领域平均法 领域平均法中,

9、我们假定图像时由去多灰度恒定的小块构成，相邻像素间有很高的空间有关性。而噪声是记录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本来的灰度值，实现图像的平滑。 简朴平均值： 设图像中某像素的灰度值为f（x,y)，它的领域s为M*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(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: 近邻平均法 在一种N窗口中，属于同一种物体的像素，它们的灰度值将高度有关。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替代。一般来讲,值越小则噪声方差减少越小，但能保

10、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。22.1.2 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此类信号。一种很自然的想法就是使图像通过一种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事实上就是对图像和滤波器的冲击响应函数卷积。.1.3 记录排序滤波器 记录滤波器是一种非线性而的空间滤波器，它的响应基于图像滤波器包围的图像区域的像素排序,然后由记录排序成果的值替代中心像素的值。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替代该灰度的值。.2 频率域解决 边沿和其她锋利变化在图像

11、的灰度级中重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畴来实现。抱负低通滤波器具有陡峭的截止特性,但是高频分量完全为0,使图像的边沿变得模糊，并且在截止的边沿处由于不持续会产生振铃效应。巴特沃兹滤波器由于转移特性曲线较平滑，故无振铃效应，图像边沿的模糊比抱负低通滤波器的小。2.图像锐化 在图像判断和辨认中，需要有边沿鲜明的图像。图像锐化技术常用来对图像的边沿进行增强,反映在频谱的修改上，就是保存高频段而使低频段受到很大的克制。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图像恢复 在获取图像时，由于

12、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,这重要是由水平方向的运动所导致的,为了使算法简朴些，我们假定是由水平方向的匀速运动导致的。.5 反锯齿车牌定位与字符分割技术研究在拍摄动态状况下的汽车图片时，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浮现错位的状况，由此产生锯齿。在运用黑白跳变来定位车牌时锯齿会严重影响算法的精确限度。可以采用使用原始图像的偶数行来替代奇数行构成一幅新图像替代原始图像的措施来消除锯齿,或者是只抽取偶数行构成一幅新的图像来消除锯齿3 阈值化(基于计算机视

13、觉的车牌定位研究1)二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌解决系统中，进行图像二值变换的核心是要拟定合适的阈值,使得车牌信息与背景可以分割开来，二值变换的成果图像必须要具有良好的保形性，不丢掉有用的形状信息，不产生额外的空缺等等。二值化的阈值选用重要分为类：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，对每一块分别选一阈值进行分割,这种与坐标有关的阈值称为动态阈值法，页称为自适应阈值法。此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。自适应阈值选用比较简朴的措施则是对每个像素拟定以它为中心的一种领域窗口,计算窗口内像素的最大值和

14、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用可见智能交通系统中车牌定位措施的研究)3.2全局阈值法是根据图像的直方图或灰度空间分布拟定一种阈值,并根据该阈值实现灰度图像得到二值化图像的转化。全局阈值措施的长处在于算法简朴，对于目的和背景明显分离、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状况抵御能力低，应用受到极大限制。典型的全局阈值法涉及类间方差阈值分割法、最大熵措施等。类间方差阈值分割法（车牌定位措施研究）.3局部阈值法则是由像素灰度值和像素周边点局部灰度特性来拟定像素的阈值的。sen算法是典型的局部阈值措施,局部阈值法也存在缺陷

15、和问题，如实现速度慢、不能保证比划的连通性，以及容易浮现伪影等现象。Bernsen算法以局部窗口内灰度最大、最小值作为参照来拟定考察点的阈值。考虑以(x,y）为中心的（W+1）*（2+1）为模板，rsen算法可描述为:计算每点阈值如果f（x,y)T(x,)则b(x,y)为原图在考察点(x,y)坐标的灰度,T（x,）为局部动态阈值。Max为(2W+1）(2W+1)模板灰度的最大值,m为最小值。分块聚类二值化措施:基于分块聚类的车牌图像二值化及车牌定位措施研究10将整幅图像等提成多种小块,在每个小块中根据像素点的灰度值对像素进行聚类,根据聚类成果二值化，从而得到各个小块的二值化成果,将各个小块的二值