图像处理基础第三章

1、2020年7月10日，数字图像处理基金会，苗东瑶，主要内容1。介绍图像处理系统的结构和常用软件。2.图像处理方法：阈值分割和图像测量。图像处理方法：罗伯茨梯度法和边缘检测。一种简单的图像识别方法：模板匹配，2020年7月10日，数字图像处理及其特点1。计算机处理数字图像的前提是图像必须以数字格式存储，我们称之为以数字格式存储的图像。普通照片、图片、海报、广告图片等。都是模拟图像。要将模拟图像数字化以生成数字图像，必须使用数字设备。数字图像处理的定义，图像处理：对图像进行各种处理，以改善图像效果，为图像分析做准备。这是从图像到图像的过程。点操作：灰度变换、阈值变换等几何变换：运动、旋转、畸变校正

2、等。图像分析：检测和测量图像中的感兴趣目标(特征提取)，以获得客观信息。这是从图像到数据的过程。字符识别(OCR)、产品质量检测(视觉检测)、人脸识别、边缘检测和提取、图像分割、模板匹配等。图像理解：研究图像中每个物体的性质及其相互关系，理解图像的含义。自动驾驶、自动解读和理解医学图像和景观图像等。图像处理、图像分析和图像理解的关系：2020年7月10日，数字图像处理系统和数字图像处理系统的硬件早期，数字图像处理系统使用主机来提高处理速度和处理能力。随着计算机性价比的迅速提高，基于小型计算机的显微图像处理系统得到了发展。上位机为PC机，配有图像采集卡和显示设备，构成最基本的显微图像处理系统。本

3、发明具有成本低、应用灵活、便于推广的优点。尤其是微型计算机的性能逐年提高，使得显微图像处理系统的性能不断升级。此外，软件配置丰富，使其更加实用。2020年7月10日，图像处理系统示意图，2020年7月10日，图像处理系统软件微图像处理系统包括硬件设备和软件环境支持。目前，图像处理系统的平台大多是微软视窗或X-Windows，开发的主流工具是微软公司的VC。这是因为VC是一个综合性能很高的软件开发工具，用VC开发的程序具有运行速度快、可移植性强的优点。2020年7月10日，美国MathWorks公司推出了强大的数值计算工具MATLAB。它具有相当强大的矩阵运算和运算功能，而MATLAB的图像处理

4、工具箱提供了丰富的图像处理功能，可以灵活地完成几乎所有的图像处理工作，从而大大节省了编写低级算法代码的时间，避免了程序设计中的重复劳动，达到了事半功倍的效果。然而，MATLAB强大的功能只能通过使用图像处理工具箱中的功能或自带MATLAB系统的机器上自制的M文件来实现，这在实际应用中极为不便。而且，MATLAB使用行解释来执行代码，执行速度非常慢。MATLAB的图像处理工具箱，图像处理系统一般采用256级灰度图像，即8位黑白图像，其中一个像素用一个字节来描述。0表示黑色，255表示白色；其他中间灰度见图2。一个立方体物体的照片如图1所示。通过图像采集卡后，其像素矩阵如表1所示。在2020年7月

5、10日，应该强调的是，在计算机中，图像被分成像素，每个像素的灰度值被表示为一个整数。具有MN像素的数字图像的灰度值可以由具有M行和N列的矩阵G来表示：(1-1)，2020年7月10日，图像和像素之间的关系，例如，通过阈值分割来计算圆形对象的质心和半径。下图是一个圆形物体的照片。下面描述了从背景中分离对象的方法灰度直方图：它表示图像中每个灰度级的像素数，反映图像中每个灰度级的频率。如图所示，灰度直方图的横坐标是灰度，纵坐标是灰度的频率，这是图像最基本的统计特征。最简单、最有效的方法是以两个峰值之间的谷值的灰度值作为阈值，根据阈值对图像进行分割，将目标与背景分离，然后进行其他处理。根据阈值，图像被

6、二值化，并且对象和背景被设置为黑色和白色。扫描图像一次，灰度大于阈值的点设置为255，即白色；小于或等于阈值的点被设置为0，这意味着黑色。由于物体上有亮点，二值化后黑色物体上会有小白点，如图所示。为了使质心计算结果准确，我们必须用黑色填充这些小白点。平面图形质心的计算公式如下：(1)如果一个像素被视为阿达，且为1个单位，则图像的面积为像素数；分子上的积分成为像素坐标的总和。得到面积，然后计算半径r是非常容易的。在352度和231度时，最大正负误差分别为0.4和1.5像素。半径的最大误差为0.8%，包括物体本身的不圆度和测量误差。结果表明，上述方法在阈值分割和质心计算方面是有效的。图像处理示例2

7、:边缘检测：在边缘检测之前，对图像进行阈值化和二值化。图像的灰度直方图，并找到边缘：在两个具有不同灰度值的相邻区域之间总是有一个边缘。边缘是灰度值不连续的结果，通过计算导数可以很容易地检测到。图像灰度在X方向上的变化和导数，我们知道梯度F可以用来计算函数F的每个点的最大变化率，梯度的模是，Roberts边缘检测算法是根据上述公式改变的，如果g(x，y) 255，那么g(x，y)=255，例如，Roberts边缘检测算法是用来处理表格中的数据并得到，灰度图像数据， 罗伯茨边缘检测结果，二值化结果，边缘检测结果，用这种方法处理以前的图像：一种简单的图像识别方法：模板匹配，概念：模板是一个已知的图像

8、。 模板匹配是将已知的模板图像与其他图像进行比较。如果模板图像具有与其他图像相同的图像特征，则比较图像和模板图像之间的关系可以通过某种算法来确定。问题：确定小图像是否是大图像的一部分？模板匹配是在大图像中搜索目标。众所周知，目标具有与模板相同的大小、方向和图像。目标可以在图像中找到，其坐标位置可以通过某种算法来确定。模板匹配过程：以256级灰度图像为例，将模板T(MN像素)叠加在搜索图像S(WH像素)上并平移，模板覆盖搜索图像的区域称为子图像Sij。I和j是被搜索的图s上的子图的左下角的坐标。搜索范围是：并且模板匹配过程通过比较t和Sij之间的相似性来完成。模板匹配的过程可以用D(i，j)来描述。上述公式的第一项是子图的能量，第三项是模板的能量，与模板匹配无关。第二项是模板与子图之间的互相关，它随(I，j)而变化。当模板和子图匹配时，该项有一个最大值。归一化得到模板匹配的相关系数，或匹配率：当模板与子图像完全相同时，相关系数R(i，j)=1。模板匹配可以用相关系数R(i，j