图像处理-背景减法

数字图像处理报告姓名：cugycy学院：机械与电子信息学院班级：071112-13指导老师：傅华明摘要研究目标：本文主要研究在背景维持不变的环境下，对运动目标检测。在固定空间场中获得的运动目标的运动的一系列图像称为运动图像。我们主要研究的是在一个固定场景中，目标对象位置发生变化的情况。采用方法：为了分析在固定场景中目标的运动变化，首先考虑到在一系列的运动图像序列中，空间场的位置、灰度变化是非常微小的，根本上可以认为是固定不变的；而运动对象却在空间位置上发生了明显的改变，所以我们可以用背景减法来研究这一情况。背景减法通过逐像素比拟与背景图像的差异，在背景根本不变的条件下，在差图像的不为零处说明该处出现运动目标，通过求差的方法就可以将运动目标的位置和形状表现出来。在实际情况中，由于镜头的物理抖动造成的图像的移动，旋转，以及光线明暗的变化，所造成的图像背景改变，从而难以与背景图做差形成清晰，无噪声的差分图像。完成以下编程：为了减小误差影响，增强图像质量，在认为无镜头的旋转，先后移动情况影响下，只考虑镜头产生了上下平移变化，用相关匹配在其他图像中寻找与模板〔图像1局部〕最相似的子块，并剪切其他图像使其他图像与图像1的背景一致。在不考虑处理的实时情况下，同时图像的数量较少〔5张〕，运动目标在多幅图像叠加中不会有重叠局部，采用去除最大最小值后求均值法求得背景图像。将图像与背景图像做差值处理，采用二维自适应维纳滤波对差值图形滤波减小噪声影响。将滤波后差值图，设定阈值进行二值化，同时采用形态学的腐蚀膨胀，使二值图像中目标轮廓边缘更加平滑，减小图像内部空隙，符合实际目标。取得成果：由此我们的得到了五幅二值目标图像。通过图像位置的比拟明显看到人从右到左的运动，图像的间距看出运动的距离也是不一样的，图像的大小看出距离镜头的距离也是不一样的。未解决问题：没能考虑镜头旋转带来的图像背景移动，从而使差值图像噪声减小更多，同时背景图像的生成不够准确，影响差值图像的质量。未能采用更为适宜的滤波，减小噪声。图像的二值化的阈值选取，不能基于图像自身的的数据自动随之改变。未对二值图像进行滤波，去除小的噪声点。未对二值图像和原图像进行更进一步的匹配。未采用彩色图像处理。详细报告：以图像1的局部为模板在其他图像中匹配相似的位置，从而适当剪裁其他图像使背景尽可能一致。模板匹配最正确匹配处原图与剪裁图通过图像直观分析，发现多幅图像上的运动目标没有位置重合，从而可以采用去除图像相同位置数据中的最大值和最小值，然后取均值的方法获得背景图像。背景图将图像与背景图做差值计算，获得图像差图。差值图像采用二维自适应维纳滤波对差值图形滤波减小噪声影响。将滤波后差值图，设定阈值进行二值化，同时采用形态学的腐蚀膨胀，使二值图像中目标轮廓边缘更加平滑，减小图像内部空隙，符合实际目标。其他工作：不同滤波效果中，纳维滤波的能更好的保存目标的轮廓信息，噪点可采用形态学处理去除噪点。不同滤波效果源代码：clcclearall%---------------------------------------------------------------------%批量获取文件%---------------------------------------------------------------------file=dir('G:\study\大四上\数字图像处理\m4\p6-0*.bmp')%列出当前目录下符合正那么表达式的文件夹和文件数据结构forn=1:length(file)%获取以名字为命名的图片数据tmp=rgb2gray(imread(['G:\study\大四上\数字图像处理\m4\',file(n).name]));str_a1=[file(n).name(1:end-8),file(n).name(end-4),'=tmp;'];eval(str_a1);end%--------------------------------------------------------------------------%通过匹配返回坐标,保存到ppn中%用相关匹配在图像a中寻找与模板c最相似的子块，给出代码和相关系数图%--------------------------------------------------------------------------forn=2:length(file)%获取以名字为命名的图片数据b=p1;a=eval(['p',num2str(n),';']);c=b(30:230,30:630);%imshow(c);g=dftcorr(a,c);gs=gscale(g);%figure,imshow(gs);[I,J]=find(g==max(g(:)));%figure,imshow(gs>254);%figure,imshow(b),title(['灰度'num2str(i)])d=a(I:I+400,J:J+600);eval(['pp',num2str(n),'=d;']);%获取图像的相对位置endpp1=p1(30:430,30:630);%--------------------------------------------------------------------------%通过五幅图进行取去最大最小后，平均值作为被背景图层%--------------------------------------------------------------------------forn=1:5eval(['pp_5(n,:,:)=pp',num2str(n),';']);%获取图像的相对位置endpp_max=max(pp_5);%最大pp_max1(:,:)=pp_max(1,:,:);pp_max1=pp_max1;pp_min=min(pp_5);%最小pp_min1(:,:)=pp_min(1,:,:);pp_min1=pp_min1;pp_sum=uint16(pp1)+uint16(pp2)+uint16(pp3)+uint16(pp4)+uint16(pp5);%和pp_sum=uint8((pp_sum-uint16(pp_min1)-uint16(pp_max1))/3);%去大去小取均值为背景图%--------------------------------------------------------------------------%背景减法运算二维自适应维纳滤波二值化%--------------------------------------------------------------------------forn=1:5figure,eval(['temp=pp',num2str(n),';']);%获取图像的相对位置z=imabsdiff(temp,pp_sum);%取绝对值两个图像之差J=z;K1=z;K2=medfilt2(J);%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波K3=wiener2(J,[99]);%对加噪图像进行二维自适应维纳滤波K4=filter2(fspecial('average',9),J)/255;%模板尺寸为9cs=0.15;K1=im2bw(K1,cs);%二值化K2=im2bw(K2,cs);%二值化K3=im2bw(K3,cs);%二值化K4=im2bw(K4,cs);%二值化subplot(2,2,1),imshow(eval(['pp',num2str(n),]));title(['原图像'num2str(n)])%————-————腐蚀开运算——————foc=imclose(K3,strel('square',10));subplot(2,2,2),imshow(z);title('差值图像');f=f