（模式识别与智能系统专业论文）免疫遗传算法在图像处理中的应用.pdf

摘要 近年来，生物信息系统的计算能力受到了国内外专家学者的普遍关注。以神 经计算、进化计算、d n a 计算及免疫计算等仿生计算为代表的计算智能技术得 到了空前的发展，掀起了仿生计算的高潮。 特别值得一提的是免疫计算。科学家已证实，人体的免疫系统是一个与人脑 一样复杂的巨系统，拥有1 0 他个免疫细胞，遍布全身各个角落。当外部病原体 或细菌侵入机体时，免疫细胞能够识别“自体”和“非自体”，迅速清除和消灭 异物，确保机体的安全性。生物免疫系统的这种能力，具有多样性、耐受性、 大规模并行分布处理、自组织、自学习、自适应、免疫记忆和鲁棒性等特点， 近年来受到国内外众多学者的高度重视。 本课题研究的目的是对溺水报警系统所传送的连续多帧的图像进行背景提 取，由于传统的背景提取方法大都是针对静态图像或者是单一图像的，因此背 景分割的速度较慢，无法满足溺水报警系统的要求。同时，由于溺水报警系统 所传送的图像是在很短的时间间隔内拍摄的，因此每一帧图像之间的相似程度 比较高。根据这一特性，本文提出了一种基于免疫系统的免疫记忆特性所改进 的遗传算法。该算法利用这种相似性，在传统的遗传算法的初始种群中，加入 了根据先验知识制成的疫苗，从而大大提高了算法的收敛速度；另一方面，对 遗传算子中的选择算子也进行了改进，吸取了免疫系统中的克隆选择的优点， 并且根据细胞的亲和力进行高频变异，进而提高了背景分割的速度，以达到溺 水报警系统的要求。 如今的自然科学，呈现出多学科交叉、相互借鉴的特性。免疫遗传算法就是 其中的一例。虽然免疫算法的研究开始较晚，但是它在理论方面与遗传算法的 相似程度正在迅速地被研究人员所发现。因此免疫遗传算法定会在更多领域得 到应用。 【关键词】遗传算法，免疫算法，图像分割 北京工业大学工学硕士学位论文 a b s t r a c t i nr e c e n ty e a r s ，t h ec o m p u t a t i o n a la b i l i t yo fb i o l o g i c a li n f o r m a t i o ns y s t e m a t t r a c t sm o r ea n dm o r ea t t e n t i o no f d o m e s t i ca n df o r e i g ne x p e r t s t h ec o m p u t a t i o n a l i n t e l l i g e n tt e c h n o l o g i e s ，s u c h a sn e u r a lc o m p u t a t i o n ，e v o l u t i o n a r yc o m p u t a t i o n ， d n ac o m p u t a t i o na n di m m u n ec o m p u t a t i o n ，h a v eb e e nd e v e l o p e dr a p i d l ya n d t r i g g e r e da c l i m a xo f b i o l o g i c a lc o m p u t a t i o n i m m u n ec o m p u t a t i o ni so n eo ft h em o s tr e m a r k a b l er e a c h e s i th a sb e e np r o v e d t h a tt h ei l m t l u n es y s t e mo fah u m a nb e i n gi sa j u m b os y s t e ma n dv e r yc o m p l e xl i k e t h eh u m a nb r a i n t h e r ea r e1 0t r i l l i o ni m m u n ec e i l sa l lo v e rt h eb o d y w h e na n y p a t h o g e n so rb a c i l l ii n t r u d et h eb o d y , t h ei m m u n ec e l l c a nr e c o g n i z e “s e l l a n d n o n - s e l f ，i m m e d i a t e l yd e l e t ea n dd e s t r o yt h ea g g r e s s o r st oe n s u r et h eb o d y ss a f e t y t h eb i o l o g i c a li m m u n es y s t e mh a sm a n yc h a r a c t e r i s t i c s ，s u c ha sd i v e r s i f i c a t i o n , t o l e r a n c e ，l a r g e - s c a l e d i s t r i b u t e dp r o c e e d i n g ，s e l f - o r g a n i z i n g ，s e l f - l e a m i n g ，s e l f - a d a p t a t i o n ，i m n u n em e m o r y , r o b u s t n e s sa n ds oo n , w h i c ha t t r a c tm o r ea n dm o r e a t t e n t i o no f t h ee x p e r t s t h ea i mo ft h er e s e a r c hi st os e g m e n tt h es w i m m e r sf r o mt h ei m a g e st r a n s m i t t e d f r o mt h ed r o w n i n ge a r l yw a r n i n gs y s t e mo fas w i m m i n gp 0 0 1 i nt h et r a d i t i o n a lw a y o fs e g m e n t a t i o n ，t h es p e e di st o os l o wt oc o n f o r mt ot h er e q u i r e m e n to ft h es y s t e m ， b e c a u s et h ei m a g ei ss i n g l eo rs t a t i o n a r y i nt h i sp a p e r , a ni m a g es e g m e n t a t i o n m e t h o db a s e do ni m p r o v e dg e n e t i ca l g o r i t h m s ( g a s ) i sp r e s e n t e d t h i sa l g o r i t h mi s i m p r o v e db yi m m u n em e m o r y i nt h ei m l n l l n es y s t e m t h ev a c c i n e sw h i c ha r em a d e t h r o u g ht h ec o m p a r a b i l i t yb e t w e e ni m a g e sa r ei n j e c t e di n t ot h ei n i t i a lp o p u l a t i o no f g a i nt h eo t h e rh a n d ，t h es e l e c t i o no p e r a t o ro fg a i si m p r o v e db yc l o n es e l e c t i o ni n i m m u n es y s t e m t h eo p e r a t o rc a nh y p e r m u t ea c c o r d i n gt ot h ec e l l u l a ra f f i n i t y , w h i c h n u a k et h ea p p r o a c hm e e tt h er e q u i r e m e n t n o w a d a yn a t i o n a ls c i e n c ep r e s e n t s ac h a r a c t e r i s t i co fc r o s s c o u r s e sb e t w e e n a c a d e m i cs u b j e c t s t h ei n n - n u n eg e n e t i ca l g o r i t h mi sag o o de x a m p l e a l t h o u g ht h e s t u d yo fl r n i n t l n ea l g o r i t h ms t a r t e dl a t e rt h a ng e n e t i ca l g o r i t h m ，t h ec o m p a r a b i l i t y b e t w e e nh 2 q m u n ea l g o r i t h ma n dg e n e t i ca l g o r i t h mi sd i s c o v e r e dr a p i d l y t h e r e f o r e t h ei m m u n eg e n e t i ca l g o r i t h mw i l lb ea p p l i e di nm o r ea n dn l o r ef i e l d s k e y w o r d s g e n e t i ca l g o r i t h m ，i m m u n ea l g o t i t h m ，i m a g es e g m e n t a t i o n 1 i - 独创性声明 小人声i ! j j p j i t i 变的沦文址我个a ( 1 i 吁州”昂导卜进行的埘f 究】：作及墩f j f j 0 研 究成粜。辟我所知，除了义- ”牛别加以标汴干l 】敛i 且 r r j 蚴外，沦义小小他禽j c 他 人l 经发表或撰j 过的研究成果，巴f i 包禽为扶衔北京l 。、i p 人。或j i 它教靠机构 的学位或“| 5 j 竹他川过的材料。j 我 川i ：作的川芯刈小”究所做的仃似贞献均 l 和：沦义f 作了f w 确的泌叫井表琦了附惑。 签私：剑! 立丝，：呈：盟 关于论文使用授权的说明 小人究个了斛北0 1 | ：、i k 人学t i 灭保m 、使j i j 学位沦史的规定【 j j ：。段仃仪 保汀f 送交沦义n 0 复l = j 件，允1 7 ：沦义被 阅干f m 列：。学校j 以公们，论文| 勺个m ：或冲 分内棒i t j _ 以采川影印、新泪 或j e 他堑：丁段f 采7 r 沦义。 ( 保密的沦义亿斛衔k ij 越巡 ：此规定) 舭型立整签私型：盟 第1 章绪论 第1 章绪论 1 1 课题背景 随着社会经济的快速发展和人民生活水平的提高，游泳这种适合大众进行的 全身性体育运动越来越受到人们的喜爱。但由于游泳是在水中进行的，初学者常 常因为在水中不能随意呼吸、行动而导致呛水和失去平衡，进而造成溺水事故。 有些会游泳者也可能由于抽筋、相互碰撞、疾病或精神紧张等原因而发生溺水现 象。 总结起来，我国溺水死亡事故主要是由于泳池光照亮度低、水质混浊和人数 过分拥挤造成。但监管困难也是主要原因之一。溺水死亡事放多发生于深水区， 而单单依靠视觉鉴定在一定深度下不动的身体是很困难的。况监控工作要忍受 相当程度的神经紧张和疲劳，因为它需要救生员保持持久的高度注意力。鉴于人 自身生理条件的限制，光在被搅动水面上的反射作用很容易使监控人员感觉疲劳 而导致暂时精力不集中，进而发生意外。因此，急需开发一种具有人工智能的游 泳池溺水报警系统作为救生员的辅助装置。 1 2 溺水报警系统的发展 1 2 1 利用声纳等监测手段实现 这种方法主要是在水下、泳池底部安装一套声纳发射、接收装覆，利用探测 器去确定可能障碍物的存在，进而利用一定的溺水判据( 如身体不动超过一定时 间) 去判定是否溺水1 2 。j 。但这种装置有一个相当大的缺点，基本上声纳鉴定溺 水个人身体的方法是依赖于他身体里面含有的空气，如果受害人的肺内充满水， 则得到的信号就不能肯定，甚至可能不进行信号处理。另外，声纳必须和其他处 理设备相连接，从返回的回声中提取信息，需要安排环绕泳池底部的同轴电缆， 而安全规定限制，禁止泳池水域附近的应用电压超过1 2 或2 4 伏( 依各国家标准而 略有不同) ，声纳设备则需要用几百伏的电压去产生声纳脉冲。最后，如果人体 位于声纳装置和墙之间，此方法是可行的；但如果人体离墙非常近就会遇到很大 问题，因为声纳信号中包含回声，泳池墙壁使得噪声信号非常难于消除，进而无 法得到监测溺水者身体动作所必需的信号。因而，这样的一套系统不能满足要求。 对于应用无线电波检测i 丑有类似的水中多重反射问题。另外，如果泳池人数过多 北京工业大学工学硕士学位论文 时，也无法对每个人进行跟踪鉴别。 1 2 2 利用游泳者身上携带的监测装置实现 这种方法”。”是让游泳者游泳时携带一定的监控装置，如手表或裤带等。如 果游泳者所处位置低于特定深度超过一定时间，监测装置就发出警告或产生漂浮 作用。或者监测装置用麦克风系统去监测心跳和呼吸的声音，并进一步测量这些 声音消失和出现的时间间隔，从而决定是否溺水( 如呼吸停止2 0 秒) 。这种系统 由于安装、使用和维护耗资巨大，误报率高，对于游泳者也多有不便，因而并未 广泛采用。 1 2 3 利用视频监测实现 早期的视频溺水报警系统“。”1 是把摄像机置于泳池底部，通过鉴定游泳者是 否待在泳池底部超过一定时间而判断是否溺水。但首先这种系统是发生溺水事件 以后才报警，这就延误一定的施救时间：另外，当人数过多时，无可避免的产生 游泳者间相互遮挡问题，因而也不是很实用的方法。目前国阿；上流行的溺水报警 系统都是把摄像机置于泳池上( 可能辅以少数水下摄影机) ，其中以d e w s ( d r o w n i n ge a r l yw a r n i n gs y s t e m ) 小组提出的预警系统为代表1 1 4 1 。与早期的报 警系统不同，该预警系统对每个游泳者的动作行为提取特征并加以识别处理，判 断是否具有早期溺水特征( 如在水中挣扎等) ，进而触发警报。 1 3 免疫算法的发展概况 为了加快对连续多帧图像的背景提取问题。本文提出了一种根据免疫系统中 的免疫记忆的思想改进的遗传算法来加快算法的运算速度。下面主要介绍下免 疫算法的发展过程。 1 3 1 生物免疫学发展 传统免疫学起源于抗感染的研究，是在1 9 世纪末2 0 世纪初逐渐形成和 发展起来的。医学家借用拉丁语i m m u n i s 表示免疫( i m m u n i t y ) ，其原意为免除 税役，转意为免除瘟疫。再以后长达半个世纪的历史时期内，免疫一直被理解 为机体的抗感染能力，被描述为宿主对病原生物的不同程度的不感受性。 第1 章绪论 2 0 世纪中期以后，免疫学的发展逐渐突破了抗感染研究的局限。事实上， 机体不仅是对微生物，而且是对各种抗原都能够进行识别和排斥，以维持正常 的生命内环境。所以，免疫是机体识别和排斥抗原性异物的一种生理功能。 现代的观点认为，免疫学是研究机体免疫系统的组织结构和生理功能的科 学。免疫系统的重要生理功能就是对“自己”和“非己”抗原的识别及应答。 这个系统有着自身的运行机制，并可与其他系统相互配合、相互制约，共同维 持机体在生命过程中总的生理平衡，具体表现为免疫防御( i m m u n o l o g i c a l d e f e n s e ) 、免疫自稳( i m m u n o l o g i c a lh o m e o s t a s i s ) 、免疫监视( i m m u n o l o g j 【c a l s u r v e i l l a n c e ) 等生理功能。 免疫学起源于中国。中国古代医师在医治天花的长期临床实践中，发现康 复后的天花患者及护理者，或穿过沾染患者痘痂的衣服的人不再患天花，于是 大胆创用了将天花痂粉吹入正常人鼻孔的方法来预防天花，这是世界上最早的 原始疫苗。据考证，这种人痘苗在唐代开元年问( 公元7 1 3 7 4 1 年) 就已出现， 至1 0 世纪时已在民间广为流传，并逐渐传播到国外。 在最近1 0 年里，免疫学的主要工作表现为：抗原提呈( a n t i g e np r e s e n t a t i o n ) ， 细胞凋亡( a p o p t o s i s ) ，细胞裂解( c y t o k i n e s ) ，免疫调节( i m m u n er e g u l a t i o n ) ， 免疫记忆( i n l l t l u n em e m o r y ) ，自身免疫性疾病( a u t o i m m u n ed i s e a s e ) ，d n a 疫 苗( d n av a c c i n e ) ，细胞间发生信号( i n t e r c e l l u l a rs i g n a l i n g ) ，免疫应答成熟 ( m a t u r a t i o no f t h ei 。a m u n er e s p o n s e ) 等。 生物免疫系统是一种具有高度分布性的自适应学习系统，具有完善的机制 来抵御外来病原体的入侵。由于自然免疫系统具有强大的信息处理能力，尤其 是在完全并行和分布的方式下实现复杂的计算，因而成为一个很有研究价值的 课题。近年来人们对生物免疫系统的兴趣与日俱增。计算机科学家、工程师、 数学家、哲学家和其他一些研究学者对这种和人脑一样复杂的系统特别感兴趣。 他们一直在试图寻找一种能够很好的模拟这种系统的方法来解决现实中的诸多 问题。由此，一个崭新的领域一计算机免疫学诞生了，并迅速成为国际上最 新的研究热点之一。 1 3 2 计算机免疫学研究概况 生物免疫系统( b i o l o g i c a li m m u n es y s t e m ，b i s ) 具有良好的多样性、耐受 性、免疫记忆、分布式并行处理、自组织、自学习、自适应和鲁棒性等特点。 b i s 的这些诱人特性，引起研究人员的普遍关注，近年来在国际权威杂志及重 要的国际学术会议上展开了热烈的讨论。 北京工业大学工学硕士学位论文 2 0 0 2 年6 月，i e e et r a n s a c t i o no ne v o l u t i o n a r yc o m p u t a t i o n 出专刊报道了有 关人工免疫系统( a r t i f i c i a li m m u n es y s t e m ，a i s ) 的研究进展，2 0 0 2 2 0 0 3 年， 国际上举办有关人工免疫的学术会议近2 0 次。 计算机的安全问题与生物免疫系统所遇到的问题具有惊人的相似性，两者 都要在不断变化的环境中维持系统的稳定性。计算机免疫系统( c o m p u t e r i m m u n es y s t e m ，c i s ) 是人工免疫、计算机科学的一个分支，是继神经网络、模 糊系统、进化计算、人工免疫等研究之后的又一个研究热点。在众多的研究领 域中，引入免疫概念后取得了满意的成果，特别在计算机病毒防治、网络入侵 检测上，基于免疫的网络安全技术克服了传统网络的入侵检测系统( i n t r u s i o n d e t e c t i o ns y s t e m ，i d s ) 的缺陷，被认为是一条非常重要且具有巨大实际应用前 景的研究方向。 1 9 5 8 年，澳大4 亚学者b u r n e t 率先提出了克隆选择原理，1 9 6 0 年因此获得 了诺贝尔奖。1 9 7 8 年他本人又对该原理予以了完整阐述。克隆选择原理是免疫 系统用来说明对抗原刺激所产生的免疫应答基本特征的算法研究，只有识别抗 原的细胞能进行克隆扩增。1 9 9 9 年，h u n t 进一步发展了克隆选择理论i l “，并且 提出了高频变异学既，这是克隆选择扩增期间产生的重要变异形式。 1 9 7 4 年，丹麦学者j e m e 提出了免疫系统的第一个数学模型l l ”，奠定了免 疫计算的基础。1 9 8 4 年，由于在免疫学上的杰出贡献，j e m e 因此获得诺贝尔奖。 1 9 8 6 年，f a r m e rj d ，p a c k a r dn h 和p e r e l s o na s 在t h ei m m u n es y s t e m ， a d a p t i o na n d m a c h i n el e a m i n g 中首次提出了免疫网络的数学描述i l “，认为人 工智能可以从免疫系统中得到启发。同年，g w h o f f i n a n n 为! 立一个新颖的神 经网络模型【1 9 1 ，分析了神经网络和免疫系统的相似性与不同点，将免疫网络和 神经网络进行比较，启发了更多的人来研究和提出新的免疫网络模型。 1 9 9 4 年，美国学者f o r r e s t ，p e r e l s o n 等人提出了否定选择算法【2 0 j ，用来生成 检测器，完成了检测器的耐受过程，并提出了计算机免疫系统的概念。同时， 美国著名公司i b m 也较早的开始了对计算机免疫系统的研究，已经成功的开发 了用于病毒防止的计算机免疫系统。1 9 9 7 年，d e a t o n 等人提出了一种基于分子 的人工免疫系统 2 ”，用来模仿自然免疫系统的这种能力，目的是保护计算机免 受计算机病毒和其他因素的破坏。经过长时问的研究，d a s g u p t a 于1 9 9 9 年建立 了一套计算机免疫系统【2 副。用来抵御外来入侵，保障计算机系统的安全。同时， d a s g u p t a 及其学生一直致力于否定选择算法的研究，并应用到计算机安全和异 常检测及工业应用中。2 0 0 2 年，c a s t r o 和t i m m i s 对否定选择算法作了一定的 修改【捌，把变异引用到其中。同年，k i m 和b e n t l e y 提出了动态克隆选择算法 ( d y n a m i c s ) 2 4 1 ，主要用于网络入侵检测( n i d s ) 。至此计算机免疫在理论上 第1 章绪论 日趋完善。 计算及免疫学lc o m p u t e ri m m u n o l o g y ) 一词最早在国外由f o r r e s t 等人i z 5 j 提出。这是- - f - j 基于生物免疫学、人工免疫，以及计算机科学等的交叉学科， 主要利用最新的计算机科学技术，研究有关人工免疫的理论、规则、算法、模 型等，并将这些理论应用与具体的应用系统中，解决实际的应用课题。 1 4 本文主要研究内容 本课题研究的是游泳池中的溺水报警系统。首要任务就是将目标游泳 者快速地从游泳池背景中分离出来。由于图像受到光线照射的影响，存在诸如 噪声污染，图像模糊，光照不均等现象，因此首先要对图像进行去噪、增强、 去除光照不均等操作，为后面的背景分割作准备。在进行图像分割时，由于传 统方法的运算时间较长，无法满足报警系统的要求，因此需要对传统的算法进 行必要的改进。我们注意到该报警系统所提取的图像是连续多帧的，因此每帧 图像之间都具有一定的相关性。根据这种相关性，本文提出了一种利用免疫思 想的改进型遗传算法进行快速背景提取的方法。该算法利用灰度图像的直方图 熵作为评价标准对图像进行背景分割，仿真结果证明，相对于传统方法，该算 法可以大幅度提高连续多帧图像的背景提取速度。 1 5 本文结构 本课题主要分为两个阶段，第一阶段是对图像的预处理，第二阶段是利用 免疫遗传算法对图像进行分割。本文分为四章，主要内容如下： 第一章绪论，主要介绍国外在溺水报警系统上的研究和发展，以及计算机 免疫学的发展概况。 第二章图像预处理，分为图像变换，图像去噪，图像增强、图像分割四个 部分。 第三章免疫遗传算法，主要介绍了免疫算法的构成，免疫算法和遗传算法 的结合，以及免疫遗传算法在图像分割中的应用。该算法利用灰度图像的直方 图熵作为评价标准对图像进行背景分割，相对于传统方法，该算法可以大幅度 提高连续多帧图像的背景提取速度。 最后对论文的工作进行了简要总结，同时指出了今后进一步研究的方向。 第2 章图像预处理 第2 章图像预处理 由于图像受到光线照射的影响，存在诸如噪声污染，图像模糊，光照不均 等现象，为了更好地进行图像分割，首先要对图像进行预处理。预处理主要 分为以下几个部分：去除噪声，图像增强以及去除光照不均，在此基础上， 再对图像进行分割。 2 1 去除噪声 噪声的本意是对外界干扰的总称。本课题所研究的对象是在游泳池中拍摄 的图像，由于摄像机在昏暗出拍摄图像时，画面总是有些粗糙感。如图2 1 所示，这种图像的主要噪声来源是随机噪声，这种噪声具有以下的性质： 画面k 的噪声出现呈现不规则分布； 噪声的大小也是不规则的。 图2 - 1 带有随机噪声的图像 f i g 2 1t h ei m a g ew i t h r a n d o mn o i s e 2 1 1 利用平滑化去除噪声的方法 因为随机噪声把像素的真值隐藏起来了，不被知晓。表现为图像变暗而不 清楚，我们的目的是要把干扰的噪声除去，得到视觉清晰的图像。 把含有噪声的图像放大后，如图2 2 所示，噪声的浓度与其四周像素的浓 度间，存在着很大的浓度差。正是这种急剧变化的浓度差，使人觉得很刺眼。 利用噪声的这种性质除去噪声的方法，一般称为平滑化( s m o o t h i n g ) 。但是 因为图像的边界部分也存在着急剧变化的浓度差，所以如何将这类边界部分 北京工业大学工学硕士学位论文 与噪声部分恰当的分离开，只把噪声去处，正是执行平滑化方法时需要认真 对待的问题。 图2 - 2 含有噪声图像的放大图 f i g 2 2t h ee n l a r g ei m a g ew i t hr a n d o mn o i s e 移动平均法是最简单的噪声去除法。如图2 - 3 所示，它采取把某像素的值 置换为该像索周围3 3 个像素的浓度的平均值的方法。主要是冲淡了图像的 浓度，从而使人看不见细小的噪声。但是这样一来，因而把图像边界和噪声 一起冲淡了，尽管噪声可以除去，但是图像也会变得模糊。 p 0p 1 p 2 岛 p 4 p 5 p 6p 7p 8 ( a ) 输入图像的像素数组 p 口+ p 1 + p 2 4 0 3 4 0 4 + p 5 + p 6 4 0 7 十p 8 q 2 可一 ( b ) 输出图像的像素值 圈2 - 3 移动平均法 f i g 2 - 3t h ew a yo fm o v i n ga v e r a g e l y 因此，要研究新方法，使目标圈像的边缘尽量不被淡化，只将噪声除去， 其中典型的方法是中值滤波。 第2 童图像预处理 2 1 2 中值滤波方法 首先看一下圈2 4 所示浓度的图像。为了求出用0 圈住的像素值，要了解 3 3 区域内( 实线所围区域) 的所有9 个像素的浓度值，将其按从小到大的 顺序排列如下： 2233 4451 0 将此时中间的值，即全部9 个值中，从左起第5 个浓度为4 的值当作所求 像素的浓度。而其中标为1 0 的像素是窜入图像的噪声，应当除去。这是因为 与周围的像素相比，它的浓度值差别太大。当从大到小依次顺序排列时，从 左到右，中央值又选不上。 因此，所谓中值滤波，就是求得某个像素周围区域内像素浓度的中央值或 中间值，并将其作为目的像素浓度值的处理过程。 4 ；4 35 中选择出中间值 2 - _ 一 i = 叶4 4 3 4 i 1 = 一 斗 5 2 4 4 ( a ) 输入图像的像素数组 圈2 - 4 中值滤波 f i g 2 - 4m e d i a nf i l t e r ( b ) 输出图像的像素组 接着处理其右邻的像素，研究图2 4 中用虚线围起来的区域中的像素，即 2 334 4451 0 中间值为4 ，由于只是把3 变成4 ，视觉上几乎感觉不出来变化。 问题在于如何使图像的边缘部分保留下来，对于图2 - 5 ( a ) 中那样的图 像边缘，顺序求出剐。圈住的像素值，就变成了图2 - 5 ( b ) 那样。这是就已 经把图像边缘完全保存下来了。 北京工业大学工学硕上学位论文 22 21 51 51 5 2 1 5 2 22 1 5 1 51 5 ( a ) 右边缘的输入图像 221 5 1 5 ( b ) 中值滤波保存图像边缘 图2 - 5 对有边缘的图像进行中值滤波处理 f i g 2 - 5t h ep r o c e s s i n go fi m a g eb ym e d i a n f i l t e r 在移动平均法中，把噪声成分也放到了平均计算中，因此其输出也受到了 噪声的影响。而在中值滤波法中，噪声成分很难被选到，对输出图像不会有 什么影响。因此，对同一块3 3 图像比较，显然中值滤波法在去除噪声的能 力上要略胜一筹。 下面再看一看对实际图像的处理效果。图2 - 6 时采用中值滤波与移动平均 。躞各自的处理结果。可见中值滤波法是既可除去噪声又能保存图像边缘的十 分优秀的方法。 ( a ) 原图 ) 平均移动法 ( c ) 中值滤波法 图2 - 6 经中值滤波和移动平均法处理的例子 f i g 2 - 6t h ee x a m p l e so fm e d i a nf i l t e ra n dm o v i n ga y p r a g e ly 第2 章图像预处理 2 2 图像增强 由于用摄像机拍摄出来的图像，有时因为色彩相近或者亮度不够以至于融 入背景之中。这对后面的图像分割造成了很大的影响。对于这种图像，如果 能把游泳者的色彩或者亮度作适当的处理，使其与背景产生微妙的差别，就 可以使游泳者从背景中凸现出来，从而变得清晰。像这样通过增强亮度或色 彩等各种包含于图像中的信息，或者转换成其他信息，就可以使得图像清晰， 这种处理过程称为图像增强。 2 2 1 直方图增强 图像的直方图是图像的重要统计特征，它可以认为是图像灰度密度函数的 近似。按照随机过程理论，图像可以看作是一个随机场，因此具有相应的统 计特征，其中最重要的特征是灰度密度函数。通常图像的灰度密度函数与像 素所在的位置有关，例如设图像在点( x ，y ) 处的灰度分布密度函数为 p ( z ：x 。y ) ，那么图像的灰度密度函数为： 1 _ ， p ( z ) = i i p ( z ；x ，y ) d x d y ( 2 1 ) 6 分 其中d 是图像的定义域，s 是区域d 的面积。一般地讲，要精确的得到图 像的灰度密度函数是比较困难的，在实际中可以用数字图像灰度直方图来代 替。灰度直方图是一个离散函数，他表示数字图像每灰度级与该灰度级出 现频率的对应关系。假设一幅数字图像的像素总数为n ，有l 个灰度级，具有 第k 个灰度级的灰度吒的像素共有仇个。则第k 个灰度级即r k 出现的频率为： h k = n _ l = o ，1 一，e ( 2 2 ) 这个关系也可以用图形表示。这个图形是由灰度轴及一系列垂直与灰度轴 的线段组成。垂足厂= r k ，各线段长度与魄成正比。例如图2 7 所示： 北京工业大学工学硕士学位论文 ( a ) 原图 ( b ) 直方图 图2 7 直方圈 f i g 2 - 7h i s t o g r a m 密度函数或者直方图虽然不能直接反映出图像内容，但对它进行分析可以 得出图像的一些有用特征，这些特征能反映出图像的特点。例如，当图像对 比度较小时，它的灰度直方图只是在灰度轴上较小的一段区间上非零，较暗 的图像由于较多的像素灰度值低，因此它的直方图的主体出现在低值灰度区 间上，其在高值灰度区间上的幅度较小或为零，而较亮的图像情况正好相反。 看起来清晰柔和的图像，它的直方图灰度分布比较均匀。通常一幅均匀量化 的自然图像的灰度直方图在低值灰度区间上频率较大，这样的图像在较暗区 域中的细节常常看不清楚。为了使得图像变清晰，通常可以通过变换使图像 的灰度动态范围变大，并且让灰度频率较小的灰度级经变换后，其频率变得 大一些，使变换后的图像灰度直方图在较大的动态范围内区域均化。 直方图均衡化是一种是输出图像直方图近似为均匀分布的变换算法，其计 算步骤如下： 1 ) 列出原始图像的灰度级 ，j = o ，1 2 ，七，上一l ，其中l 是灰度级的个 数。 2 ) 统计各灰度级的像素数目聍，_ ，= 0 ，l ，2 ，k ，l l 。 3 ) 计算原始图像直方图各灰度级的频数p ，( 厂) = ! ，= o , i ，2 ， ，l 一1 ， 疗 其中n 为原始崮像总的像素数目。 4 ) 计算累计分布函数c ( ，) = p ，( 厶) ， ，= o ，l ，2 ，尼，一l 。 第2 章图像预处理 5 ) 应用公式2 3 计算映射后的输出图像的灰度级g ， i = o , 1 ，2 ，女，p 一1 ，p 为输出图像灰度级的个数： g ，= m 【( g 一一g m 缸) c ( f ) + g m 血+ o 5 】 ( 2 3 ) 6 ) 统计映射后的各灰度级的像素数目kf - 0 12 k ，p i 。 7 ) 计算输出图像直方图名( g ，) = 生， i = o , 1 ，2 ，七，p 一1 。 以 8 ) 用和g ，的映射关系修改原始图像的灰度级，从而获得直方图近似为均 匀分布的输出图像。 图2 8 ( b ) 是利用直方图均衡化方法对图像( a ) 处理后的结果。从途中 可以看出游泳者与水面背景之间的差距拉大了。这将有利于之后的图像分割。 ( a ) 输九图像 ( b ) 输出图像 ( c ) 输入图像直方困 ( d ) 输出图像直方图 图2 - 8 直方图均衡 f i g 2 - 8e q u i l i b r i aw i t hh l s t o g r a m 2 2 2 空间滤波增强 空间滤波一般可分为线性滤波和非线性滤波两类。线性滤波器的设计常常 基于对傅立叶变换的分析，非线性空间滤波器则一般直接对邻域进行操作。 另外，各种空间滤波器根据功能由主要分成平滑滤波器和锐化滤波器。平滑 可用低通来实现。平滑的目的可分为两类：一类是模糊，目的是在提取较大 北京工业大学工学硕士学位论文 的目标前去除太小的细节或将目标内的小间断连接起来：另一类是消除噪声。 锐化可用高通滤波来实现，锐化的目的是为了增强被模糊的细节。结合这两 种分类法，可将空间滤波增强方法分成以下四类： 线性平滑滤波器( 低通) 非线性平滑滤波器( 低通) 线性锐化滤波器( 高通) 4 1 z 线性锐化滤波器( 高通) 空间滤波器的工作原理都可借助频域进行分析。它们的基本特点都是让图 像在傅立叶空间的某个范围的分量受到抑制，而让其它分量不受影响，从而 改变输出图像的势率分布，达到增强的目的。在增强中用到的空间滤波器主 要有以下两类t _ 平化( 低通) 滤波器。它能减弱或消除傅立叶空间的高频分量，但不 影响低频分量。因为高频分量对应图像中的区域边缘的灰度值具有较 大较快变化的部分，滤波器将这些分量滤去，可使图像平滑。 锐化( 高通) 滤波器。它能减弱或消除傅立叶空间的低频分量，但不 影响高频分量。因为低频分量对应图像中的灰度值缓慢变化的区域， 所以与图像的整体特性，如整体对比度和平均灰度值等有关，滤去这 些低频分量可使图像锐化。 空间滤波器都是基于模板卷积，其主要工作步骤是： 1 ) 将模板在图中漫游，并将模板中心与图中某个像素位置重合； 2 ) 将模板上的系数与模板下对应的像素相乘； 3 ) 将所有乘积相加； 4 ) 将和( 模板的输出响应) 赋予图中对应模板中心位置的像素。 图2 - 9 中( b ) 和( c ) 分别是对图( a ) 进行平滑滤波和锐化滤波后的结 果。从图中可以看出，平滑后的图像( b ) 相对模糊，但是去噪的效果较好。 而锐化后的图像( c ) 中，游泳者的轮廓变得相对清晰。但是背景中的水纹也 更加明显了，这也不利于后面的背景分割。 第2 章图像预处理 ( b ) 平滑滤波 ( a ) 原图 ( e ) 锐化滤波 闰2 - 9 空间滤波结果 f i g 2 - 9t h er e s u l to fs p a c ef i l t e r 2 3 去除光照不均 假设图像是由光的反射形成的，如果光源照射到景物上的照度不均，那么 照度较强的部分将较暗，并且由此引起较暗部分的图像细节不易看清。 通常，对光照不均的矫正要采用同态滤波的方法。我们知道，由光的反射 形成的图像的数学模型为： f ( x ，y ) = r ( x ，y ) i ( x ，y ) ( 2 4 ) 其中，r ( x ，y ) 为反射分量，f ( x ，y ) 为照度分量。 一般照度分量是均匀的或者缓变的，其中频谱分量落在低频区域，反射分 量r ( x ，y ) 反映图像的细节内容，它的频谱有较大的部分落在高频区域。同态滤 波就是对图像取对数运算，将乘积模型转化为加性模型。经过分析，取对数 运算后，照度分量和反射分量所处区域不变，从而存对数域将照度分量和反 射分量区分开来。这时就可以根据需要对照度分量和反射分量进行调整，通 常为了消除照度不均的影响，应衰减照度分量的频率成分，另一方面，为了 更清楚的现实景物暗区的细节，应该对反射分量进行增强。图2 一l o 为去除光 照不均后的结果。 北京工业大：# 工学硕士学位论文 ( a ) 原图 ( b ) 去除光照不均后的结果 图2 1 0 去除光照不均 f i g 2 - 1 0t h er e s u l to fw i p i n go f f t h ea s y m m e t r i cl i g h t 2 4 图像分割 图像分割使计算机视觉研究中的一个重要而困难的任务。图像的特征提取 和目标识别等都依赖于图像分割后的结果。现在大多数的图像分割都采用灰 度直方图统计的分割方法，例如o t s u 法、p - t e 法和直方图熵法。本文提出 的算法就是基于直方图熵法的算法。 闽值分割方法是把图像的灰度分成不同的等级，然后用设置灰度门限的方 法确定有意义的区域。阂值分割法实际就是按某个准则函数求最优阈值的过 程，传统的闽值分割法有o t s u 法、p - t il e 法、直方图熵法等。 2 4 1o t s u 法 在o t s u 法中，闷值t 把图像的像素点分成目标与背景两类暖为类间方差， 最优闽值f 可以通过求类问方差的最大值得到 r a r g m f 。a u x o ； 传统o t s u 法采用穷尽法求得最优阈值，这使得这种方法的计算时间很长， 因此在工程中不能广泛地运用。对闽值分割法的研究结果表明8 “，当目标变 小时，包括o t s u 法在内的传统闽值分割法的性能迅速下降。p t i l e 法正是 利用了目标在整幅图像中所占比例这一信息，使得其对于小目标图像的分割 效果优于o t s u 法。 第2 章 图像j 融理 2 4 2p t ii e 法 p - t i l e 法是由d o y l e 提出的基于灰度直方图的自动闽值选择方法。”， 设在亮( 灰度级高) 背景中存在一个暗( 灰度级低) 目标，并且已知目标在整 幅图像中所占面积比为p 。该方法选择阈值的原则是，依次累计灰度直方图， 直到该累计值大于或等于目标物所占面积，此时的灰度级即为所求的阈值。 该方法计算简单，抗噪声性能较好，不足之处是要预先知道给定目标与整 幅图像的面积比p ，因此在p 未知或p 随不同图像改变时，该方法不适用。 2 4 3 直方图熵法 直方图熵法把信息论中“炳”的概念用于图像分割，最早是由p u nt 提出 来的口”，k a p u rj 又对p u nt 提出的熵法进行了改进2 ”，重新定义了与分别 物体和背景的概率分布相关的熵本文提出的方法就是基于这种改进了的直 方图熵法。 令_ ，厂2 ， 是灰度级为i 的像素数。n 是总的像素数，a ，p ：，n 为各灰 度级的概率分布，则有 p ，2 ；n ( 2 5 ) 令 只2 善只 ( 2 6 ) 单阈值分割：若以灰度值s 为分割阈值，物体与背景的两个概率分布是： 4 ，旦堕旦旦b 卫生卫生上l p ，p ，p ，7p ，l 一只7 1 一只1 一只 ( 2 7 ) 与这两个概率分布相关的熵为 黔毗专胛) _ l n ( 1 圳+ 等 ( 2 8 ) 其中，h 。：一窆b 1 n 只以：一窆p j l n p 仁lf _ l 北京工业大学工学硕士学位论文 令甲( s ) 为1 t ( a ) 、h ( b ) 之和，则 一，一驴等+ 等。， 为了获得图片中物体和背景的最大信息量，希望甲( s ) 越大越好，而使掣( s ) 最大时的灰度值s 将是所求的闽值。 多阈值分割：如在同一背景上有多物体，直方图将是多峰的，则有 掣( s ，s ：，s 。) = i n ( p ，) + i n ( p ，) + + l n ( p ，) ( 2 1 0 ) 在这里s 1 ，s z ，是分割阈值，且有s s z p ，选取使 甲( s ，岛，鼠) 最大时的s ，即是希望的闽值。对于简单的双阈值分割，即 墨 s 2 ，使 s ls” w ( s 。，芦：) = t ( z p ，) 地( p ，) 拙( p ，) i = i 悼s