matlab图像处理技术.doc

24 MATLAB图像处理 数字图像基础及其主要技术的MATLAB实现方法 MATLAB中图像对象分布的实现方法 MATLAB中图像纹理特征计算的实现方法 MATLAB中试样表面图像变形特征计算的实现方法24.1 数字图像基础图像是对人类感知外界信息能力的一种增强形式，是自然界景物的客观反映，是各种观测系统以不同形式和手段观测客观世界而获得的、可以直接或间接作用于人眼的实体。人的视觉系统实际上就是一个观测系统，可通过它得到客观景物在人眼中形成的影像。人类从外界获得的信息大多来自视觉系统。图像信息不仅包含光通量分布，而且还包含人类视觉的主观感受。随着计算机技术的迅速发展，人们还可以人为地造出色彩斑斓、千姿百态的各种图像。随着图像处理技术的成熟，图像作为更直接更丰富的信息载体，正在成为越来越重要的研究对象。图像处理技术中，图像分析是一个主要分支，它的重点是对图像中感兴趣目标的检测和测量，以获得它们的客观信息从而建立对图像的描述。数字图像特征分析在模式识别、信号处理、遥感图片解译、医学图像分析等方面得到了广泛应用。图像种类很多，针对不同的分类标准，有不同的分类方法。按颜色类型，图像可以分为灰度图像和彩色图像(黑白照片和彩色照片)。灰度图像仅仅使用了颜色空间中比较特殊的一类颜色、但包含了丰富的亮度层次；彩色图像则使用了颜色空间中的大量颜色信息，包含了亮度、颜色饱和度、颜色对比度等。按运动类型，图像被分为动态图像和静态图像。静态图像就是照片，动态图像就是电影；动态图像是一种特殊的图像(又称视频图像、活动图像或运动图像), 它是一组静态图像在时间轴上的有序排列。数字图像就是一组有序的离散数据，MATLAB可以对这些离散数据形成的矩阵进行一次性处理。本节在简略介绍图象处理基础上，介绍MATLAB中的图象处理函数。24.1.1 理论基础图像处理的基本内容包括：(1) 图像进行增强或修改 以增强有用信息、抑制无用信息、改善图像的视觉质量；图像增强的目标是改善图像视觉质量、符合人们的主观要求，图像视觉质量的高低和好坏受观看者的心理、爱好和文化素质等因素的影响；图像恢复则致力于探索图像质量降低的原因，尽可能消除图像质量的降低、恢复图像的本来面目。(2) 图像分割和描述 描述图像特征并进行特征抽取(例如图像的纹理特征、频谱特征、边界特征和颜色特征等)和分析(对像素用某个标准衡量并进行分类比较)，将抽取的特征归结为一定模式。计算机按照一定的客观测度(例如灰度、颜色和几何性质等)将图像中包含的物体和区域从图像中区分出来，称为图像分割; 用适当数学语言来表示被分割出来的物体或区域的结构和统计特性、或用数学语言表示区域间的关系，称为图像描述。图像经分割和描述后，可较为容易地分类和识别。(3) 图像重建 对图像某些部分合并或进行重新组织。在医学和工程应用中，利用超声波、X射线等技术取得多幅自不同角度的投影图，通过计算可得到物体内部的图像，这种技术称为投影重建，例如CT就是图像重建的一个应用。(4) 压缩编码 彩色数字图像通常是由三个二维数组组成、信息量相当大，给图像的传输、处理、存储和显示等带来很大负担。图像中往往存在冗余信息，在传输和存储时可以对数字图像进行一定方式的编码、删除图像中的冗余信息、以提高图像传输和存储效率。一幅连续黑白灰度的图像经过等间隔抽样以后，可以用一个离散量组成的矩阵来表示：其中，矩阵中的每一个元素称作象元、象素或图像元素，f(x,y)代表该点图像的光强度、也称为f(x,y)点的灰度值(即亮度值)。它是能量的一种形式，f(x,y)必须大于零且为有限值，即0 f(x,y) 80);BW2 = ismember(L,idx)。例9-13 找出二值图像中标签为Labeled的目标物的最大大小和平均大小。GrainData=regionprops(Labeled,basic)AllGrain=GrainData.Area;max(AllGrain);mean(AllGrain)24.1.2.3 图像增强图像增强包括灰度调整、直方均等化、空域变换增强、空域滤波增强与频域增强等几种方法。其中，灰度调整、直方均等化为图像增强基本方法。(1) 灰度调整 imjust基本功能 将灰度调整到指定范围常用格式 符号意义 stretchlim基本功能 指定imjust函数中的灰度限制常用格式 符号意义 gamma基本功能 校正可以在imjust函数中设置常用格式 符号意义 如gamma=0.5则imjust(I,0.5)(2) 直方均等化 histeq基本功能 转换图像的灰度值，使得输出图像的直方图近似匹配常用格式 符号意义 24.1.1.4 图像变换(1) 颜色空间转换为了正确使用颜色，需要建立颜色空间。颜色空间是对彩色的一种描述方法，它有很多种类型，如： RGB、CMY、YIQ、YUV、CIEXYZ、CIE YUV、CIE YUV、CIE Lab、HSL等。其中，RGB是使用较普遍的颜色空间，算法执行速度较快，显示器采用此模型；HSL是由色调(H)、饱和度(S)和亮度(L)三个颜色分量组成的一类颜色空间，包括LHS、HIS、HLS、HSV、HVC等，它是面向用户的一种复合主观感觉的颜色空间，更接近人对颜色的感知，通常用于选择颜色。各种颜色空间之间存在相应转换关系，从RGB 到 HSV的转换可表示为： V=max(R,G,B) (2) 其它变换其它变换主要包括傅里叶变换、离散余弦变换、Randon变换、小波变换等。24.1.2.5 图像分割图像分割主要包括灰度分割和四叉树分解。四叉树分解，将图像分解为比图像本身更均一的块（4个大小相同的块），然后测试每一块、看是否符合某些均一性准则，如果符合、则不进一步分解，如果不符合、则进一步分解，直到每个块都符合准则。 qtdecomp基本功能 四叉树分解常用格式 qtdecomp(I,real)符号意义 real满足准则max(block(:)-min(block(:)膨胀-填充)se90=strel(line,3,90); % 结构se90se0=strel(line,3,0); % 结构se0BWsdil=imdilate(BWs,se90 se0); % 膨胀BWdfill=imfill(BWsdil,holes); % 填充% 5. 清除与边界连通的对象BWnobord=imclearborder(BWdfill,4); % 清除与边界连通的对象% 6. 对不光滑边缘进行平滑处理(菱形结构元素-平滑)seD=strel(diamond,1); % 菱形结构元素BWfinal=imerode(BWnobord,seD); % 平滑BWfinal=imerode(BWfinal,seD); % 再平滑% 7. 删除杂质(结构-闭合-开启)SeE=strel(disk,1); % 结构BWc=imclose(BWfinal,SeE); % 闭合BWco=imopen(BWc,SeE); % 开启% 8. 对连通区域进行标识X=bwlabel(BWco,4); % 对连通区域进行标识imshow(BWco); % 对连通区域求反(为显示清楚)% 9. 求标识区域特征stats1=regionprops(X,all); % 求标识区域特征w=stats1.Area; % 求标识区域具体对象特征L=size(w); % 求标识区域对象个数24.2.1.3 结果分析原始图像转换成的灰度图像见图24-1，图像增强后的结果图像见图24-2，Canny算法的处理结果见图24-3，数学形态学处理结果见图24-4。我们发现，Canny算法的边缘检测结果比其他方法更为精细一些。 图24-1原始图像变换为灰度图像 图24-2灰度增强后的图像 图24-3常规边缘检测后的图像 图24-4 数学形态学分析后的图像24.3 图像纹理特征的实现24.3.1 理论基础原始图像为现场勘察条件下拍摄得到的JPEG格式粉质黏土彩色图像，其大小为像素（M和N为整数，本次研究中M和N分别为1 944和2 592）。为了后续处理方便，首先将彩色图像转化为灰度级为0255的灰度图像，相应的灰度函数为 (24-1)式中：、为图像中像素点的直角坐标值； 为位置处的灰度值； 。图像纹理是指图像中的局部模式和排列规则，体现在图像灰度级或颜色的变化，这种变化与空间统计特征密切相关。目前常用的纹理特征分析包括：使用灰度（亮度）直方图统计图像像素灰度级的分布情况、使用灰度共生矩阵统计图像像素灰度级的空间关系、将图像进行Fourier变换在其频率域抽取特征量以及结构分析等方法。本次研究采用前两种方法。由于粉质黏土通常为絮状结构, 难以用肉眼直接判别出颗粒的形状和大小，岩土工程勘察时通常借助小刀划痕、手感情况对粉质黏土进行分类和命名。粉质黏土的工程性质诸如物理性质、水理性质、力学性质等指标，要在室内土工试验结束后根据试验成果及地区经验进行统计分析和综合确定，而室内土工试验都需要大量的时间和费用，若能在现场勘察时尽快估计这些指标大小（范围），对工程建设将具有重要意义。本文根据勘察现场拍摄得到的粉质黏土照片，使用数字图像处理中的纹理特征分析方法，对粉质黏土工程性质指标进行初步估计。设L为图像的总灰度级数，为对应直方图上灰度级的分布密度，则图像纹理特征参数（均值m、标准差s、平滑度r、3阶矩l、一致性u和熵e）分别说明了图像灰度分布的平均亮度、平均对比度、平滑程度、直方图倾斜程度、度量一致程度、信息量多少，计算公式分别为 (24-2)由于灰度直方图并不能完整描述图像像素的相对位置信息，下面使用灰度共生矩阵来求取粉质黏土图像的纹理特征参数。规定某一方向和距离（像素），图像矩阵f中灰度为i和j的两个像素沿该方向、距离同时出现的次数为，总像素对为N，则组成的矩阵叫做图像矩阵f的共生矩阵G，G的大小为，。基于灰度共生矩阵的纹理特征描述参数主要有角2阶矩、对比度、相关度、逆差矩、熵，它们反映了不同方向、不同像素距离之间的灰度级关系，计算公式分别为 (24-3)式中：为归一化的灰度共生矩阵元素； (24-4)构造灰度共生矩阵时必须预先知道相配对的像素距离和计算方向。这一距离和方向具体选什么数值比较好，数字图像处理技术中还没有统一。对于第i幅图像，设图像纹理特征参数为，对应土样的工程性质参数为，现采用多元线性回归分析来确定和之间的关系。假设和构成的回归方程为 (24-5)式中：为常系数；为回归系数；为参与回归分析的工程性质参数个数；为随机误差； ，n为参与回归分析的图像总数。回归系数可以通过最小二乘法求解方程(24-7)得到。下面以某工程第5层粉质黏土图像为例，将粉质黏土彩色图像转化为灰度图像后得到相应灰度直方图和灰度共生矩阵的11个纹理特征参数， 选取6个参数与传统工程性质指标进行多元线性回归分析。24.3.2 算例24.3.2.1 问题描述考虑到印刷质量与篇幅所限，这里不列出全部原始彩色图像，只绘出原始彩色图像转化后的一幅典型灰度图像见图24-5。图24-5 典型粉质黏土的灰度图像24.3.2.2 程序代码% 1. 输入原始图像clear all; % 清除工作区变量% 输入图像W01-W09，获得图像数据W01-W09并转化为灰度图像W01-W09clear all;W01=imread(E:TU01.jpg); % 输入图像W01W02=imread(E:TU02.jpg); % 输入图像W02W03=imread(E:TU03.jpg); % 输入图像W03W04=imread(E:TU04.jpg); % 输入图像W04W05=imread(E:TU05.jpg); % 输入图像W05W06=imread(E:TU06.jpg); % 输入图像W06W07=imread(E:TU07.jpg); % 输入图像W07W08=imread(E:TU08.jpg); % 输入图像W08W1=rgb2gray(W01); % 将原始彩色图像转化为灰度图像W1W2=rgb2gray(W02); % 将原始彩色图像转化为灰度图像W2W3=rgb2gray(W03); % 将原始彩色图像转化为灰度图像W3W4=rgb2gray(W04); % 将原始彩色图像转化为灰度图像W4W5=rgb2gray(W05); % 将原始彩色图像转化为灰度图像W5W6=rgb2gray(W06); % 将原始彩色图像转化为灰度图像W6W7=rgb2gray(W07); % 将原始彩色图像转化为灰度图像W7W8=rgb2gray(W08); % 将原始彩色图像转化为灰度图像W8% 输入原始图像W1-W5对应的试验数据T1-T5, 构成试验数据矩阵YT1=0.77, 12.6, 0.47, 13, 17.5, 0.3243;T2=0.94, 11.4, 0.93, 10, 17.5, 0.3875;% 第2个图像土工试验数据T3=1.05, 15.5, 0.94, 12, 13.0, 0.5762;% 第3个图像土工试验数据T4=0.86, 14.4, 0.74, 15, 10.0, 0.4483;% 第4个图像土工试验数据T5=0.74, 11.2, 0.36, 15, 18.5, 0.3227;% 第5个图像土工试验数据T6=0.73, 13.4, 0.43, 19, 13.5, 0.3086;% 第6个图像土工试验数据T7=0.91, 13.9, 1.02, 13, 12.5, 0.4569;% 第7个图像土工试验数据T8=0.96, 12.5, 1.11, 12, 17.0, 0.4456;% 第8个图像土工试验数据Y=T1;T2;T3;T4;T5;T6;T7;T8; % 构成土工试验数据矩阵Y% 2 计算图像W1-W5的7个不变矩% 2.1对图像1进行不变距验证% (1) 计算原图像1的不变矩W11=W1; U11=invmoments(W11); U11=abs(log(U11);% 计算原始图像1的不变矩% (2) 计算原图像1对应半大图像W12(原图像缩放)的不变矩W12=W1(1:2:end,1:2:end); %W12=padarray(W12, size(W12),both);U12=invmoments(W12); U12=abs(log(U12);% 计算缩放图像W12的不变矩%