（信号与信息处理专业论文）静态图象感兴趣区域提取方法研究.pdf

摘要 l _ _ l - - - - _ _ _ _ _ _ _ _ - - _ - - - _ _ _ _ e 日自 摘要 感兴趣区域编码是新一代静止图象压缩标准j p e g 2 0 0 0 的重要功 能之一。r o i 的自动提取是实现该功能的首要问题。传统的图象分割 的技术可以用来作为提取r o i 的基本手段。另外由于图象的最终信 宿是人，因此研究人眼的视觉特性，寻找一种模拟人眼视觉特性的 r o i 提取无疑是一条重要的途径。目前常用的图象分割的技术有( 1 ) 基于直方图的图象分割，( 2 ) 基于区域面积统计的图象分割，( 3 ) 基 于最大方差的图象分割，( 4 ) 基于边缘算子的图象分割，( 5 ) 基于区 域生长的图象分割。这些图象分割的技术针对不同的图象，各有不同 的特性。没有一种通用的最优的技术。将这些技术综合使用可以找到 较好的r o i 提取的方法。 本论文做了如下工作： i 对常用的图像分割方法用于r o i 提取进行仿真研究，包括： ( 1 ) 基于直方图的r o i 提取 ( 2 ) 基于区域面积统计的r o i 提取 ( 3 ) 基于最大方差的r o i 提取 ( 4 ) 基于边缘算子的r o i 提取 ( 5 ) 基于区域生长的r o i 提取 针对( 1 ) ( 2 ) ( 3 ) 仿真的结果提出了两种补偿算法，即基于邻 域灰度均值和基于邻域灰度方差的补偿算法。 针对( 4 ) ，采用了两类算法：基于形态学的分水岭变换算法和基 于边缘算子的算法，提出了基于边缘分布图上的独立区域面积的自动 r o i 提取和实现了基于视觉判断的交互式r o i 提取。 2 在模拟人眼视觉特性的r o i 提取方法中，本文尝试利用局部 m i c h a e s o n 对比度矩阵最大值、局部方差矩阵最大值、局部均值矩阵 最大值等三种算法实现了视觉敏感点的提取，在此基础上获得了原图 象符合视觉特性的按重要性排序的7 个或近似7 个r o i 区域。 本文对所提到的各种r o i 提取算法进行了计算机仿真，对实验结 m 华南理工大学工学硕士学位论文 果进行了分析。 本文对r o i 的提取算法进行了初步的研究，取得了一些有益的结 果。 关键词：图像分割r o i i v a b s t r a c t a b s t r a c t w i t ht h ef o r m a ld e t r u s i o no fj p e g 2 0 0 0s t a n d a r d ，t h ef o r m a l c o d ep r o t o c 0 1t h a ti n t e r e s t si ni m a g ec o m e so u ti nt h ee n d t h e t r a d i t i o n a l t e c h n i q u eo fi m a g i n gs e g m e n t a t i o nm a y b ea st h e b a s i cw a yu s e dt oa c q u i r er o i a n db e c a u s et h ef i n a l l yi m a g i n g a i mi sp e o p l e i tisa ni m p o r t a n tw a yt or e s e a r c ht h eh u m a n e y e v is i o ne h a r a c t e r i s t i ca n df i n dak i n do fr o ia c q u i s i t i o nt h a t c a ni m i t a t e st h eh u m a n e y ev is i o nc h a r a c t e r i s t i c n o w a d a y st h e c o m m o n i m a g i n gs e g m e n t a t i o nt e c h n i q u e h a s ：( 1 )i m a g i n g s e g m e n t a t i o nb a s e do ng r a yh i s t o g r a m ，( 2 ) i m a g i n gs e g m e n t a t i o n b a s e do nr e g i o na c r e a g es t a t ，( 3 ) i m a g i n gs e g m e n t a t i o nb a s e do n m o s tv a r i a n t e ，( 4 )i m a g i n gs e g m e n t a t i o n b a s e do n e d g e o p e r a t o r ，( 5 ) i m a gi n gs e g m e n t a t i o nb a s e do na r e ae x t e n d t h e i m a g i n gs e g m e n t a t i o nt e c h n i q u eh a sd i f f e r e n tc h a r a c t e r i s t i ct o d i f f e r e n ti m a g e t h e r ei sn o to n eb e s tu n i v e r s a lt e c h n i q u e b u t i f i n t e g r a t et h e m ，w e c a nf i n db e t t e rr o ia c q u i s i t i o nw a y t h ep a p e rm a i n l yi n c l u d e ： 1 s t i m u l a t i o nr e s e a r c hi sd o n eo na c q u i s i t i o nr o ib yt h e m e t h o do fi m a g es e g m e n t a t i o n ( 1 ) r o ia c q u i s i t i o n b a s e do n g r a yh i s t o g r a m ，( 2 ) r o i a c a u i s i t i o nb a s e do nr e g i o na c r e a g es t a t ，( 3 ) r o ia c q u i s i t i o n b a s e do nm o s tv a r i a n c e ，( 4 ) r o ia c q u i s i t i o n b a s e do ne d g e o d e r a t o r ，( 5 ) r o ia c q u i s i t i o n b a s e do na r e ae x t e n d t ot h er e s u l to f ( 1 ) ( 2 ) ( 3 ) ，i tr e f e r st ot w oc o m p e n s a t i n g a r i t h m e t i cb a s e do na d j a c e n tr e g i o nm e a ng r a ya n dg r a yv a r i a n c e t o ( 4 ) ，i t a l s or e f e r s t ot w oa r i t h m e t i c b a s e do n m o r p h o l o g i c a l w a t e r s h e da n de d g eo p e r a t o r a n dt h e y r e a l iz e i n d e d e n d e n tr e g i o nr o ia c q u i s i t i o na u t o m a t i c a l l yb a s e do ne d g e v 华南理工大学工学硕士学位论文 d i s t r i b u t ea n dm u t u a lr o ia c q u is i t i o nb a s e do i lv i s i o nj u d g m e n t s e p a r a t e l y 2 i nt h es i m u l a t i n gh u m a n e y ev is i o nr o ia c q u is i t i o nm e t h o d s ， t h ep a p e rt r i e st 0u s e7 x 71 0 c a lc o n t r a s tm a t t i x ，7 x 7m a xm e a n m a t r i xa n dm a xv a r i a n c em a t r i x3a r i t h m e t i ct 0r e a l i z et h e v i s i o ns e n s i t i v i t ya c q u s i t i o n a n db a s e do nt h a t ，i tg e t s7o r a b o u t7r e g i o ns u i t a b l ef o rv is i o nc h t r a c t e r i s t i ca n ds o r t e d b yi m p o r t a n c e i nt h i sp a p e ra 1 1m e t h o d st oa c q u i r er o ia r es t i m u l a t e db y c o m p u t e r ，a n da 1 1 r e s u l t sa r ea n a l y z e d g e n e r a l l y i nt h i s p a p e r t h ef i r s ts t u d i e sa b o u tr o i s a c q u i s i t i o na r ed o n ea n ds o m er e s u l t sa r ey i e l d e d k e yw or d s ：i m a g es e g m e n t a t i o n ，r o i v i 华南理工大学 学位论文原创性声明 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。对本文的研究做出重要贡献的个人和集体，均已在文中以明 确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 金想元令乞动 日期：2 0 0 3 年6 月2 0 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规 定，同意学校保留并向国家有关部门或机构送交论文的复印件和 电子版，允许论文被查阅和借阅。本人授权华南理工大学可以将 本学位论文的全部或部分内容编入有关数据库进行检索，可以采 用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密口，在年解密后适用本授权书。 本学位论文属于 不保密囱。 ( 请在以上相应方框内打“4 ”) 作者签名：金想元各澎砧日期：2 0 0 3 年6 月2 0 日 导师签名： 蔡汉添弓汴v 钽期：2 0 0 3 年6 月2 0 日 第一章绪论 1 1 引言 第一章绪论 人类传递信息的方式主要有三个，它们是语言、文字和图象。 从信息论的角度来看，图象所包含的信息量最大，不仅有灰度，还有 色彩；不仅有平面，还有立体等，其内容极其广泛。人类所得到的外 界信息有7 成以上是来自眼睛摄取的图象。在大部分场合里，只有图 象所传递的信息最为丰富和真切。 随着互联网技术的迅猛发展，信息的交换速度越来越快，包含图 象在内的信息交换量同样已是越来越大。如何用最少的符号来传递最 大的图象信息一直是图象处理技术中的一个重要的课题。针对静态图 象，专家们分别提出了j p e g 和j p e g 2 0 0 0 的压缩标准“1 ，在基本保证 图象不失真的前提下，j p e g 标准可以达到1 0 到4 0 倍的压缩效果， 而j p e g 2 0 0 0 则可以达到上百倍的压缩效果。在j p e g 2 0 0 0 的标准中特 别定义了图象感兴趣区域( r o i ) 块，对r o i 区域可以实现单独的编码。 这个功能可以用来灵活地根据实际的需求实现对图象不同区域的不 同压缩比。般来说对r o i 区域压缩比低，对非r o i 区域，压缩比 高。针对动态视频，专家们分别提出了m p e g 一1 和m p e g 一2 及m p e g 一4 和m p e g 一7 的视频压缩标准b “”，在保证视频图象质量的前提下， m p e g 一2 标准可以达到千倍以上的压缩效果，而m p e g 一4 则可以在 m p e g 一2 基础上再提高接近两倍的压缩效果。 无论静态图象的编码还是动态视频的编码，它们都只是从纯粹的 数学算法上实现对图象的压缩。实际上在以人为最终信宿的图象处理 技术领域，图象质量总是与人类的视觉相匹配。如何结合人眼的视觉 特点对图象进行处理是很多专业的学者都在进行探索的事情。 s d a l y 详细介绍了人眼视觉系统的模型，这是一种比较通用的 模型。该模型指出人眼视觉系统模型包括幅度非线性衰减，完成从客 华南理工大学工学硕士学位论文 观亮度到主管上感知到的亮度的映射，满足w e b e r - f e c h e r 定律，即 刺激信号的可察觉阀值与背景强度成正比；视觉敏感度函数具有频率 选择性，人眼是一个二维带通函数，只在一定频率范围内具有较高的 敏感度；视觉检测性，人眼具有方向性和多尺度的特点等三个部分h 1 。 除此以外，i a r y b a k 提出了引入注意机制的视觉模型，在这种模型 中，选择性注意机制体现在：( 1 ) 在确定的视野范围，通过非均匀采 样模拟生物视网膜的非均匀信息的表示和对数压缩特性，将视野范围 划分成中央区和周边区，通过非均匀采样中心坐标的改变来模拟眼 动；( 2 ) 在中央区进一步对感兴趣的区域做精细的模式匹配与识别， 模拟瞳孔的聚焦作用。垆1 在此基础上，c l a u d i o m 正是对比人眼的这 种模拟运动提出了对图象的r o i 提取算法”1 。 人眼视觉模型( h v s ) 的研究表明，观察者在观察感知一幅图象 时，首先将感兴趣的对象从背景中分出来，在一段时间内人眼将更多 的集中在对象中的重要特征区域，即感兴趣区域，这些区域对图象的 理解影响较大。因此如果能实现自动提取图象的r o i 区域，则在此基 础上结合编码技术实现的图象压缩编码无疑既是高效率的，同时也符 合入眼视觉特性。更符合实际的视觉需要。 1 2 现有的r o i 提取算法 对图像r o i 的提取，一般从两个方面着手解决。一是利用图象分 割的技术提取r o i ，另外一个就是从人眼的视觉特性出发，通过模拟 人眼的视觉特点，寻找特定的视觉敏感区域，并将这些视觉敏感区域 排序作为r o i 。 在图象分割的技术上主要从三个方面来考虑实现技术：一是基于 边缘分割的方法实现r o i 的提取；二是基于区域生成的方法实现r o i 的提取；三是将边缘分割与区域生成的方法综合运用，以求达到更佳 的生成效果。 另外图像r o i 的提取与人的视觉行为密切相关，所以大部分的 2 第一苹绪论 a r o i ( r o i 的机器自动算法) 提取算法都会结合人眼的视觉特性来实 现。这些算法与h r o i ( 人眼的r o i 自动算法) 密切相关。c 1 a u d i o m 根据人眼的视觉特性提出为获取r o i 区域而采取的提取局部极大值 的六种图像处理算法。第一种算法是s y m m e t r yt r a n s f o r m对称 转换：第二种算法是d i f f e r e n c ei nt h e g r a y l e v e l o r i e n t a t i o n 沿灰度级方向的差；第三种算法是e d g e sp e ru n i t a r e a 每单位区域的边缘数；第四种算法是c e n t e r s u r r o u n d ，a s i nt e e e p t i v ef i e l d so fa n i m a l v is i o n 作为可以接受的视觉的中心 一环绕；第五种算法是e n t r o y 熵值；第六种算法是m i c h a e s o n c o n t r a s tm i c h a e s o n 对比度计算。哺1 后来他又在文献 9 中补充了 四种算法，即基于小波变换的算法、基于离散d c t 变换的算法、基于 先g a s s i o n 滤波再l a p l a cj a n 变换的算法和统计7 x 7 区域模板匹配的 结果的算法。其核心思路就是通过以上的算法先模拟人眼的视觉特 性寻找人眼最敏感的视觉停留点( 即所谓的局部最大值点) ，再采用 簇群和排序的算法确定感兴趣区域的最后7 个视觉停留点集区域，最 后再综合运用其它方法最终实现r o i 区域提取。 以上的区域提取算法大部分都是基于空间域的处理算法，之所以 如此，原因在于r o i 区域与图象的空间位置密切相关，如果从频域的 角度实现的话，则会忽略空间的效果。 1 3 本文所做的工作及章节安排 1 3 1 作者所做的工作 图象r o i 的提取有很多种方法，它们各自基于不同的图象模型， 利用不同的特性，有各自一定的适用范围和优缺点。图象r o i 的提取 又受主观因素影响很多，没有一种普遍适用的最优的方法。有签于此， 本文对一些常用的方法用多幅图象进行了计算机仿真，并提出一些些 可以改进的方法并对这些方法进行综合处理，具体如下： 华南理工大学工学硕士学位论文 l 基于区域生成的r o i 方法 ( 1 ) 基于灰度图象直方图基础上的灰度阀值提取 ( 2 ) 基于灰度图象面积特点的p 参数灰度阀值提取 ( 3 ) 基于灰度图象最大方差自动取阀的提取 ( 4 ) 基于邻域的灰度差判别准则的区域生成提取 ( 5 )其它地区域生成方法。 2 基于边缘分割的r o i 方法 ( 1 )基于形态学的边缘分割的r o i 的提取 ( 2 )基于各种梯度算子的边缘分割的r o i 的提取 3 基于模拟人眼视觉特性的局部最大值矩阵算法 作者所做的改进有： ( 1 )针对区域的r o i 方法，提出了基于邻域灰度均值的补 偿算法和基于邻域灰度方差的补偿算法及将邻域灰度 均值和邻域灰度方差相结合的补偿算法 ( 2 )针对边缘分割的r o i 方法，提出了统计独立边缘区域 面积的实现方法和交互式的r o i 提取 ( 3 )结合以上两种思路，尝试了先边缘分割再区域生成的 交互式r o i 提取 ( 4 )最后作者采用基于局部灰度均值矩阵和局部灰度方差 矩阵的算法作为文献 9 的一种补充算法实现了图象 的多个r 0 1 分区提取和按r o i 区域的视觉特征进行排 序，为下一步对图象按不同的r o i 区域进行不同的d c t 或者3 p e g 2 0 0 0 编码打下了很好基础。 1 3 2 章节安排 本文的基本章节安排如下： 第一章绪论 第二章基于区域生成的r o t 提取的基本方法 第三章基于灰度阀值补偿算法的r o i 提取 4 第一章绪论 第四章基于边缘分割技术的r o i 提取 第五章模拟人眼视觉特性的r o i 提取 最后是总结、读书期间发表的论文及文献索弓 华南理工大学工学硕士学位论文 第二章基于区域生成的r 0i 提取的基本方法 图象分割是把图象分成若干个有意义区域处理技术。本文所讨论 的图象r o i 提取的基本方法都是灰度图象的分割，而且一般假设每个 区域的图象的灰度相近，相邻区域的图象特性不同，在同一区域内特 性的变化平坦，在区域的边界上变化剧烈。基本的方法分为三类：第 一是基于边缘检测的方法，第二是基于区域生成的方法，第三是综合 两种方法的应用。在图象分割把图象按特点标记成不同区域的基础 上，图象r o i 提取就是一件水到渠成的事情。本章讨论基于区域生成 的r o i 提取的基本方法 2 1 直方图法 图象分割从本质上讲是将各象素进行分类的过程。分类所依据的 特性可以是象素的灰度值颜色或多谱特性和纹理特性。在一些简单的 图象中，对象物体的灰度分布比较有规律，背景和各个对象物体在图 象的灰度直方图上各自形成一个波峰，区域和波峰形成一一对应的关 系。在两个波峰之闯形成的是波谷。如果选择处于双峰之间的低谷处 所对应的灰度值为阀值t ，可以将两个相邻的区域分割开来，进一步 就可以提取r o i 区域。算法如下：f ( m ，n ) 代表原图象的象素，g ( m ，n ) 代表所提取后的图象 g c ，雄，行，= 善m 咒：；( 。m ，。，n n ，) = t ，说明两者不相 似，f ( i ，j ) 保持不变，仍为不属于任何区域的基本单元。以上的过 程是个迭代的过程，每一次迭代结束，则区域生长的过程随即结束。 迭代的技巧在于标记等于搜索变量，这样可以保证搜索的效率。 同时t 值的选取随图象面积的不同而不同，面积越大，t 值越大。搜 索的第一个点的选择也很重要，不同的点，搜索的结果不一样a 图2 6 ( a ) ，图2 6 ( b ) ，图2 - 6 ( c ) ，图2 6 ( d ) 便是采用邻域灰 度差别判别准则生长的结果。 华南理工大学工学硕士学位论文 图2 - 6 ( a ) c a m e r a m a n 提取结果图2 - 6 ( b ) f i s h 提取结果 图2 - 6 ( c ) c a m e r a m a n 提取结果图2 - 6 ( d ) t w o w e m a n 提取结果 图2 - 6 邻域灰度差别判别准则生长的r o i 提取 f i g u r e2 - 6 t h ea c q u i s i t i o no fr o ib a s e do n a r e ae x t e n d c r i t e r i o no f t h eg r a yd i f f e r e n c eo fa d j l e n ta r e a 从四幅图象可以看出对于面积较大图象灰度变化剧烈的如图 2 6 ( b ) 图象，直接采用区域生长的算法所提取的区域效果不是很理 想。 2 5 其它的区域生长方法 在文献 2 1 里提到了基于邻域灰度分布相似性差异性的判别准 则一k s ( k o l m o g o r o v s m i r n o v 判别准则) 以及邻域灰度分布相似性 差异最大值的判别准则。 以微区域与相邻微区域间的灰度分布差异作为相似性的判别值。 设图象由大小q = k x k 个象素的微区域组成。微区域的灰度分布特性由 1 4 釜三耋董三竖堡兰璧墼墼! 堡垒 灰度直方图的累加直方图函数来表示c ( f j ) ： c ( f j ) = 芝譬 ( 2 _ 5 - 1 ) m = 0q 公式( 2 - 5 一i ) 中q 为微区域象素数，q 。为某个微区域中某灰度的 象素数。分别计算两个相邻区域的c l ( f j ) 与c 2 ( f j ) ，当差异很小， 在阀值范围内时，说明它们的灰度分布很相似，属于同一区域。 具体的差别灰度分布相似性差判别准则一 k s ( k o l , o g o r o v s m i r n o v 判别准则) 判别过程如下： 合并同一标记 不变 当c = t ，说明两者不相 似，f ( i ，j ) 保持不变，仍为不属于任何区域的基本单元。以上的过 程是一个迭代的过程，每一次迭代结束，则区域生长的过程随即结束。 2 6 小结 本章所讲述的r o i 提取的算法都是基于阀值判断的思想。对于简 单的图象而言( 指图象的灰度区域分布明显) ，这些算法都可以迅速有 效的提取出r o i 区域来，所提取的r o i 区域不仅可以是单个目标物体， 而且可以是多个目标物体。相对而言，从实验中知道直接区域生成的 算法所取得的效果不仅与初始点的选择及初始阀值相关，而且与最后 生成的r o i 图象面积大小相关，所以比较难以迅速取得最有效的效 果。从实验结果还知道，本章基于阀值的r o i 提取存在的共同问题就 是在目标区域与背景灰度值接近的象素被腐蚀，在背景区域与目标区 域灰度值接近的象素被多余保留。 华南理工大学工学硕士学位论文 第三章基于灰度阀值补偿算法的r o i 提取 图象分割是把图象分成若干个有意义区域的处理技术。上一章所 讨论的图象r o i 提取的基本方法都是灰度图象的分割，而且一般假设 每个区域的图象的灰度相近，相邻区域的图象特性不同，在同一区域 内特性的变化平坦，在区域的边界上变化剧烈。但实际的图象很难满 足这种要求。从三种方法：直方图法，p 参数法和基于最大方差自动 取阀值的r o i 提取的四幅图象来看，由于三种方法的本质都是灰度阀 值的分割方法，都存在实际的问题：对c a m e r a m a n和t w o w e m a n 图 象而言，由于背景灰度均值大于目标区域灰度均值，在目标区域灰度 t 的高灰度的象素被腐蚀，在背景区域灰度 t 的高灰度的象素被保 留。对s a t u r n和f i s h 图象而言，因为背景灰度均值小于目标区 域灰度均值，在目标区域灰度 t 的高灰度的象素被保留。因此如何补偿被腐蚀的象素和过 滤被意外保留的象素就是作者试图想解决的问题。本章在前一章基于 最大方差取阀值的基础上提出了基于灰度均值和灰度方差以及均值 和方差联相合的三种补偿方法来尝试，起到了一定的效果。 3 1基于局部均值的补偿算法 对于常见的简单的整幅图象而言，目标和背景有几个明显的不 同：背景灰度均值和目标区域均值不同，背景灰度方差和目标区域方 差不同。 对c a m e r a m a n 和t w o w e m a n 图象而言，从计算结果可知背景灰度 均值m l 大于目标区域灰度均值m 2 ，因此在基于最大方差决定的阀值 t 的基础上，选择以下算法作为r o i 区域的整体判断。假定象素的区 域均值为m o ，图象的整体均值为m 3 ，、f ，( 佩mu ( ，噶功 d & ( 枷 d ( ，加 丁& ( 枷 ) b ( 咒) 硒) ) g ( m ，剀= 1 0( ，( m ，n ) t ) & ( m 0 m 3 ) ( 3 一l 一2 ) 公式( 3 一卜2 ) 中m 0 的取值取决于区域的大小选择。实际操作中分 别用3 x 3 和7 x 7 的邻域均值也进行了尝试。图3 2 ( a ) 图3 2 ( b ) 是 3 x 3 邻域的结果，图3 2 ( c ) ，图3 2 ( d ) 是7 x 7 邻域的结果。 图3 - 2 ( a ) f i s h 3 x 3 提取结果 图3 - 2 ( b ) s a t u r n 3 x 3 提取结果 图3 - 2 ( c ) f i s h 7 x 7 提取结果 图3 - 2 ( d ) s a t u r n 7 x 7 提取结果 图3 - 2 背景为低灰度的基于邻域均值的补偿 f i g u r e3 - 2t h ec o m p e n s a t i v er e s u l tb a s e d o na d j i e n tm 8 a “ g r a yw h o s e l o wg r a yc o n t e x t 第三章基于灰度阀值补偿算法的r o i 提取 对比第二章所采用的算法，本文所采用的补偿算法对一些图象具 有明显的灰度补偿作用。 3 2 基于局部灰度方差的补偿算法 对于常见的简单的整幅图象而言，目标和背景除了背景灰度均值 和目标区域灰度均值不同，背景灰度方差和目标区域灰度方差也不 同。 对c a m e r a m a n 和t w o 霄e m a n 图象而言，背景灰度方差s t d l 大于 目标区域灰度方差s t d 2 ，因此在基本的阀值选择的基础上，选择以 下算法作为r o i 区域的整体判断。假定象素的区域方差为s t d o ，图象 的整体灰度方差为s t d ： ，、p 帆哟( 帆而 d & o f 国 z ) & o t 田 j 脚( 3 2 1 ) 积功2 1 2 5 5u 积磅 哟 公式( 3 2 1 ) 中s t d o 的取值取决于区域的大小选择。实际操作 中分别用3 x 3 和7 x 7 的邻域方差进行了尝试。图3 3 ( a ) ，图3 - 3 ( b ) 是3 x 3 邻域运算的结果，图3 - 3 ( c ) ，图3 - 3 ( d ) 是7 x 7 邻域运算的结果。 图3 - 3 ( a ) c a m e r a m a n 3 x 3 提取结果图3 3 ( b ) t w o w e m a n 3 x 3 提取结果 1 9 华南理工大学工学硕士学位论文 图3 - 3 ( c ) c a m e r a m a n 7 x 7 提取结果图3 3 ( d ) t w o w e m a n 7 x 7 提取结果 图3 - 3 高灰度的背景基于邻域方差补偿的r o i 提取 f i g u r e 3 - 3 t h e c o m p e n s a t i v e r e s u l tb a s e do na d j i e n t v a r i a n c ew h o s eh i g h g r a yc o n t e x t 对s a t u r n 和f i s h 图象而言，从计算结果可知背景灰度方差 s t d l 小于目标区域灰度方差s t d 2 ，因此在基本的阀值选择的基础上， 选择以下算法作为r o i 区域的整体判断。假定象素的区域方差为s t d o ， 图象的整体灰度方差为s t d ： 第三章基于灰度阀值补偿算法的r o i 提取 图3 4c a ) f is h 3 x 3 提取结果 图3 4 ( b ) s a t u r n 3 x 3 提取结果 图3 - 4 ( c ) f i s h7 x 7 提取结果 图3 - 4 ( d ) s a t u r n t x 7 提取结果 图3 4 低灰度背景的基于灰度方差补偿的r o i 提取 f i g u r e3 - 4t h ec o m p e n s a t i v er e s u l tb a s e do na d j l e n tv a r i a n c e w h o s e1 0 wg r a yc o n t e x t 对比第二章最大方差的r o i 提取，本方法在图像的边缘进行了加 强。 3 3 基于局部灰度均值和灰度方差的联合补偿算法 从3 1 ，3 2 章节所提取的r o i 图象中观察可以发现，两种参数 的运算效果不完全理想，关键的原因在于局部邻域灰度均值和局部邻 域灰度方差有一定的局限性，特别是方差的补偿算法，效果不理想。 为此，很自然的把两个算法结合起来，即补偿时既考虑符合均值条件， 华南理工大学工学硕士学位论文 也考虑同时符合方差条件。具体算法如下： 对c a m e r a m a n和t w o w e m a n 图象而言，背景灰度均值m 1 大于目 标区域灰度均值m 2 ，背景灰度的方差大于目标区域的灰度方差。因 此在基本的阀值选择的基础上，选择以下算法作为r o i 区域的整体判 断。假定象素的区域均值为m o ，图象的整体均值为m 3 ，象素的区域方 差为s t d 0 ，图象的整体方差为s t d ，t 是基于最大方差的阀值提取所确 定的阀值： f( f ( m ，n ) t ) ( m o m 3 ) ) & ( s t d0 t ) & ( t o o ，1 3 ) ) & ( s 埘o s 埘) l ( 3 - 3 - 1 ) 公式( 3 - 3 1 ) 中m 0 ，s t d 0 的取值取决于区域的大小选择。实验中 分别用3 x 3 和7 x 7 的邻域灰度均值和方差进行了尝试。图3 3 ( a ) ， 图3 4 ( b ) 是3 x 3 邻域的结果，图3 4 ( c ) ，图3 - 4 ( d ) 是7 x 7 邻域的结 果。 对s a t u r n 和f i s h 图象而言，背景灰度均值m l 小于目标区域 灰度均值m 2 ，背景灰度的方差小于目标区域的灰度方差。因此在基 本的阀值选择的基础上，选择以下算法作为r o i 区域的整体判断。假 定象素的区域均值为m 0 ，图象的整体灰度均值为m 3 ，象素的区域方差 为s t d 0 ，图象的整体灰度方差为s t d ： g ( m ，n ) = ( f ( m ，n ) t ) ( m 0 m3 ) ) ( s 矗d0 j 埘) ，( m ，n ) “，( m ，n ) m3 ) ) ( 删。 j 耐) 2 5 5 ( ，( m 疗) t ，& ( m 0 w 。7 f 就说f 和第i 个模板最相近。例如若w i7 f 大于w c 7 f ，c = 2 ，3 ， 。一兰要翌三查兰三兰堡圭兰垡鎏苎4 就可判定f 有水平方向的性质。 边缘模板 边缘与区域间变化相对应。提取边缘经常采用的就是s o b e l 梯 度模板，如图4 - 7 所示。 一l 01 202 101 ( a ) j 方向模板( h l i ，j ) 图4 7s o b e l l21 o0o l一21 ( b ) k 方向模板( h2 i ，j ) 梯度模板 f i g u r es o b e lg r a n t i e n tm o d e l fj g j = f ( 雕+ f ，玎+ j ) h 扯一j - 一 i g 卢f ( m + i ，聆+ j ) h f - 一，- 一j 像点f ( m ，n ) 处的边缘提取输出为： g ( ，( m ，n ) ：、：；i i ：i j ；：_ ( 4 2 1 6 ) g ( m ，n ) = lg i i + lg k ( 4 - 2 1 7 ) 或 g ( m ，n )