圖像方向識別與目標(biāo)分割

1、題 目 基于質(zhì)心追蹤算法的低分辨率視野運(yùn)動研究 關(guān) 鍵 詞 二值化 膨脹和腐蝕 8鄰域搜索 質(zhì)心追蹤 鏈碼標(biāo)記 摘 要本文針對低分辨率下視野運(yùn)動方向識別的問題進(jìn)行了研究。在合理假設(shè)條件下，對圖像進(jìn)行預(yù)處理，將圖像像素點坐標(biāo)化，采用膨脹和腐蝕算法、質(zhì)心追蹤算法，建立了物體形態(tài)提取、參考形態(tài)區(qū)域質(zhì)心追蹤等模型，解決了題目中的問題。首先，利用讀取視頻，將其以某一時間間隔進(jìn)行單幀處理；任意讀取相鄰時刻的2幀圖像，將其灰度化；然后對灰度圖像進(jìn)行增強(qiáng)和二值化處理，得出二值化圖像，然后利用8鄰域搜索法，去除圖像孔洞；再采用膨脹和腐蝕算法，建立物體形態(tài)提取模型，提出去圖像中所有的物體形態(tài)區(qū)域,同時標(biāo)記所有形態(tài)

2、區(qū)域；接著將像素點坐標(biāo)化，計算所有形態(tài)區(qū)域的灰度質(zhì)心位置、面積和周長；設(shè)定閥值，篩選出參考形態(tài)區(qū)域集合，建立圖像形態(tài)區(qū)域匹配模型，將前后兩幀圖像特征進(jìn)行對比，求出最佳參考形態(tài)區(qū)域；最后計算運(yùn)動前后形態(tài)區(qū)域的質(zhì)心坐標(biāo)差，進(jìn)而判斷質(zhì)心運(yùn)動方向，反推出了視野區(qū)的運(yùn)動方向。隨機(jī)拍攝一段短視頻驗證模型，以0.02s為時間間隔提取圖像，在圖像序列中隨機(jī)選取兩張圖像，代入模型，程序在0.5s內(nèi)判斷出視野運(yùn)動方向，結(jié)果與實際拍攝方向相符，從而驗證了模型的準(zhǔn)確性、魯棒性。為進(jìn)一步提高運(yùn)算速度、減少計算量，利用鏈碼標(biāo)記算法對模型中形態(tài)邊界搜尋過程進(jìn)行優(yōu)化，計算得到更精確的形態(tài)邊界，再采用Marius區(qū)域填充算法計

3、算得到形態(tài)區(qū)域面積。最后，對模型進(jìn)行評價與推廣。 缺點：該文沒有進(jìn)行算法的復(fù)雜度分析一、問題重述數(shù)碼攝像技術(shù)被廣泛應(yīng)用于多個場合中。有時由于客觀條件的限制，拍攝設(shè)備只能在較低的分辨率下成像。為了簡單起見，我們只考慮單色成像。假設(shè)成像的分辨率為32x64，成像方式為整個矩形視野劃分為32x64個相同大小的矩形格子，圖像中每個像素的取值為對應(yīng)格子的亮度平均值。每隔一定時間拍攝一幀圖像，運(yùn)動的畫面體現(xiàn)為圖像的序列。第一階段問題提出：現(xiàn)在整個視野區(qū)域向某個方向緩慢運(yùn)動，拍攝到的系列圖像實時地傳輸?shù)接嬎銠C(jī)中。請你建立合理的數(shù)學(xué)模型和算法，通過分析實時拍攝的圖像，使用盡量少的時間，以判斷出運(yùn)動的方向。二、

4、基本假設(shè)1、假設(shè)視野區(qū)內(nèi)背景物體均是靜止的；2、假設(shè)攝影機(jī)是拍攝時不抖動；3、假設(shè)只考慮單色成像；4、假設(shè)攝影機(jī)的分辨率為；5、假設(shè)運(yùn)動方向所在的平面為參考平面，簡化為二維平面下運(yùn)動；6、假設(shè)物體邊界為單個像素點。三、符號說明 具體符號文中相應(yīng)處均有說明。四、問題分析 攝影機(jī)沿著某個方向緩慢運(yùn)動拍攝物景時，并且背景是靜止的。對于視頻資料，將其分離成單幀圖像，并隨機(jī)選出兩幀時序圖像進(jìn)行單獨處理。在低分辨率下識別視野運(yùn)動方向，選取和識別參考目標(biāo)是重點，對此，本文選取物體的灰度質(zhì)心、面積、周長作為判斷匹配參考目標(biāo)的參數(shù)。對于參考目標(biāo)的選取，本文在待選物體中去除掉灰度面積過大和過小的物體，選取一個最靠

5、近圖像中心的物體作為參考目標(biāo)，以避免視野移動造成參考目標(biāo)信息損失。對于參考目標(biāo)的識別，本文采用灰度面積、周長作為識別條件，由于攝影時候的干擾，比如抖動、亮度、拍攝角度變化等因素的影響，都可能造成物體提取出的輪廓有輕微變化，所以，本文將灰度面積和周長最相近的物體判定為運(yùn)動后的參考物體。對于視野運(yùn)動方向的判斷，可以用運(yùn)動前后參考目標(biāo)質(zhì)心位置坐標(biāo)的變化情況反映視野運(yùn)動方向。五、模型建立鑒于上述分析過程，本文首先在視頻中提取前后兩個單幀圖像，將圖像進(jìn)行灰度化處理，并對其進(jìn)行二值化，消除孔洞對計算造成的誤差，提取出圖像中的物體輪廓，并將不同的物體進(jìn)行分區(qū)編號，計算出不同物體的灰度質(zhì)心位置、面積和周長；同

6、理，對運(yùn)動后的圖像進(jìn)行如上處理。將前一幀圖像提出的灰度面積過大和過小的物體去掉，選取最靠近圖像中心位置的物體作為參考目標(biāo)，將參考目標(biāo)的灰度面積、周長和后一幀圖像中提取出的物體的灰度面積、周長分別進(jìn)行比較，設(shè)置一定的誤差閾值，在滿足誤差閾值之內(nèi)的物體之中，和參考目標(biāo)最相近的物體即為運(yùn)動后的參考物體。5.1數(shù)字圖像灰度處理由于計算機(jī)只接受處理后的數(shù)字圖像，因此需要將攝影機(jī)拍攝的慢運(yùn)動畫面進(jìn)行單幀圖像處理，然后對每個單幀圖像進(jìn)行離散化處理，把這一連續(xù)的模擬信息轉(zhuǎn)換為離散的數(shù)字圖像的過程稱為圖像的數(shù)字化1。（1）圖像采樣空間上連續(xù)的圖像變換成離散的點的過程稱為采樣。實質(zhì)就是將圖像用許多點來描述，采樣的

7、結(jié)果一般用圖像分辨率來衡量質(zhì)量的高低。每一個像素點為一個小格。（2）灰度化任何一幅完整的圖像都是由紅色、綠色、藍(lán)色三種顏色通道組成。紅色、綠色、藍(lán)色通道都是以灰度顯示，采用不同的灰度值來表示紅、綠、藍(lán)在圖像中的比重稱為圖像的灰度化。把有黑灰白的連變化續(xù)的灰度值量化為共256級灰度值（圖1 灰度值變化示意圖），而在模式中，假如，則顏色表示為灰度值?；叶然^程就是取圖像的分量相等的值，圖像由原來的三維特征峰降到灰度化的一維特征必然會丟失部門信息，因此本文選取最合理灰度圖像權(quán)值對圖像進(jìn)行灰度化2，公式如下： ， （1）式中：Gray表示圖像的像素灰度值，R表示圖像紅色分量，G表示綠色分量，B表示藍(lán)色

8、分量。0255圖1 灰度值變化示意圖灰度圖像是指每一個像素只有一個采樣顏色的圖像。通過采樣將圖像像素化，然后對每一個像素進(jìn)行灰度化處理，得到灰度圖像。圖2 為處理后的灰度圖像原始圖像灰度處理處理后圖像圖2 原始圖像與處理后的灰度圖像對比（3）直方圖均衡化處理 .直方圖均衡化處理是為了增強(qiáng)灰度圖像的信息，使得灰度圖像更加清晰。實質(zhì)上是將一幅已知灰度概率分布的圖像，經(jīng)過某種變換算法，得出一幅灰度概率分布均勻的新圖像3。下面是直方圖均衡化算法 4的運(yùn)算過程：:列出原始圖像與變換為灰度圖像的灰度級，其中為灰度級個數(shù)；：統(tǒng)計灰度圖像各灰度級的像素個數(shù)；：計算原始圖像直方圖：，為原始圖像的像素總個數(shù)；：原

9、始圖像的累計直方圖：；：取整計算；：確定映像關(guān)系，將原始圖像的灰度值修正為計算的灰度值；：統(tǒng)計新直方圖各個灰度級的像素個數(shù)；：計算新的直方圖。（4）灰度圖像二值化處理二值化是圖像分割的一種方法。通過設(shè)定閥值，把它變?yōu)閮H用兩個灰度值表示圖像的前景和背景顏色的二值圖像，即用灰度值為0（黑色）和1（白色）表示。設(shè) 為數(shù)字圖像的空間坐標(biāo)，為灰度值的正整數(shù)值，的閥值，為一對灰度級，,。用灰度級作為閥值對圖放大司法非凡非凡非凡非凡非凡非凡非凡非凡非凡非凡非凡凡非凡非凡非凡非凡非凡非凡非凡 像進(jìn)行二值化，則產(chǎn)生的圖像函數(shù)為5： （2）其中，可為固定閥值，也可為動態(tài)的閥值，根據(jù)情況而定。5.2形態(tài)提取后圖像的

10、去孔洞觀察形態(tài)提取后的圖像，發(fā)現(xiàn)區(qū)域中并不是所有的像素點均為1，出現(xiàn)了孔洞的情況，這是由于在二值化的過程中，程序?qū)D像中的灰度值較低的像素點標(biāo)記為0，將這種被灰度值為0包圍的高灰度像素點稱之為孔洞點，考慮存在孔洞點的兩種情況，如下圖：圖3 孔洞點存在的情況從上圖可以看出，孔洞點存在的兩種情況為：在區(qū)域小塊中心處的像素點的灰度值為0，在四個頂點里有且僅有一個頂點的像素值為0，則記該中心點為孔洞點；在的區(qū)域小塊中心處的像素點灰度值為0，同時在小塊的其他8個像素點的灰度值均為1，則將該中心點處的像素點記為孔洞點。本文中只考慮上述兩種情況下的孔洞，得到去除孔洞后的圖像，如圖4：圖4 去孔洞后圖像對比

11、將去除孔洞前后的二值化灰度圖進(jìn)行放大后觀察，發(fā)現(xiàn)在原圖中出現(xiàn)的孔洞經(jīng)過處理后得到了填補(bǔ)，證明對孔洞的處理是合+理的。5.3對二值化圖像中待選目標(biāo)形態(tài)提取數(shù)學(xué)形態(tài)是用一定形態(tài)的結(jié)構(gòu)元素來度量和提取圖像中對應(yīng)的形狀，以達(dá)到對圖像分析和識別的目的。設(shè)為輸入圖像，是結(jié)構(gòu)元素，則對進(jìn)行灰度膨脹定義6： （3）對進(jìn)行灰度腐蝕定義6： （4）對灰度圖像的膨脹（或腐蝕）操作效果：如果結(jié)構(gòu)元素的值均為正，則輸出圖像比輸入圖像更亮（或更暗）。定義：灰度圖像膨脹后，圖像像素為1；灰度圖像腐蝕后，圖像像素為0。5.4待選形態(tài)區(qū)域形態(tài)標(biāo)記從圖像中提出目標(biāo)物體形態(tài)后，可得到其連通域的邊界，使得計算機(jī)能夠快速識別目標(biāo)物體形

12、態(tài)。通過目標(biāo)物體形態(tài)的識別，隨機(jī)給目標(biāo)物體形態(tài)區(qū)域賦予不同的顏色，從而得到不同顏色的區(qū)域，以便后續(xù)能夠快速跟蹤識別形態(tài)區(qū)域。圖5 像素賦值示意圖通過上圖看，標(biāo)記過后的形態(tài)區(qū)域，使得形態(tài)區(qū)域更加清晰。5.5形態(tài)區(qū)域的質(zhì)心計算根據(jù)對圖像的邊界提取與跟蹤，得到每個目標(biāo)的邊界和邊界上每個像素點坐標(biāo)值，即和，且相應(yīng)的灰度值為1。設(shè)定圖像的左下角為坐標(biāo)原點，向右為x軸，向上為y軸，其像素點值1為單位長度。示意圖見圖6：132個像素方格64個像素點方格圖6 圖像坐標(biāo)示意圖質(zhì)心的計算是統(tǒng)計平均的過程，是形態(tài)區(qū)域中各像素點灰度加權(quán)平均的位置。當(dāng)形態(tài)區(qū)域移動時，其質(zhì)心該區(qū)域內(nèi)的位置是固定的；同一坐標(biāo)系中，不同的圖

13、像相同形態(tài)區(qū)域的質(zhì)心坐標(biāo)不同,因而以形態(tài)區(qū)域的質(zhì)心作為跟蹤點，得到的跟蹤效果具有誤差小、抗干擾強(qiáng)、精確度高等特點。二維圖像中，設(shè)定其圖像大小為,灰度質(zhì)心的坐標(biāo)位置由下面數(shù)學(xué)表達(dá)式計算得到 （5） （6）其中，為第個區(qū)域的在點的像素值。提示，如果形態(tài)區(qū)域與攝影機(jī)發(fā)生相對運(yùn)動時，可重復(fù)公式（1），每一幀圖像均進(jìn)行質(zhì)心移動記錄，從而實現(xiàn)目標(biāo)質(zhì)心的搜索與跟蹤。5.6形態(tài)區(qū)域的面積計算在5.3節(jié)中，只是對形態(tài)區(qū)域進(jìn)行不同顏色標(biāo)記，而其真實的灰度值未變，因此在計算形態(tài)區(qū)域面積時，可以將第個形態(tài)區(qū)域內(nèi)每個像素點像素值之和作為其面積值，公式如下： （7）5.7形態(tài)區(qū)域的周長計算形態(tài)區(qū)域均是由若干個小像素點構(gòu)成

14、，因此形態(tài)區(qū)域的周長統(tǒng)一規(guī)定為所有邊界像素點之和，即： （8）其中，為第個區(qū)域邊界二值化灰度矩陣(即區(qū)域邊界上灰度值為1，其他地方灰度值為0)。5.8圖像的目標(biāo)選取和識別模型對于參考目標(biāo)的選取，本文在待選目標(biāo)區(qū)域中去除掉灰度面積過大和過小的區(qū)域，選取一個最靠近圖像中心的區(qū)域作為參考目標(biāo)，以避免視野移動造成參考目標(biāo)的信息損失。查閱資料發(fā)現(xiàn)，通過對參考目標(biāo)的識別采用區(qū)域灰度面積、區(qū)域灰度周長兩個參數(shù)同時進(jìn)行判斷，可以大大縮短計算時間，同時能夠提高比對精確度?？紤]到圖像在成像過程中參考目標(biāo)有可能輕微失真，在進(jìn)行邊緣提取后，待識別圖像中形態(tài)區(qū)域和原圖像中形態(tài)區(qū)域可能有輕微差距，故本文選取和參考形態(tài)區(qū)域

15、灰度面積、周長誤差小于5%的區(qū)域，作為待識別圖像中的形態(tài)區(qū)域。規(guī)定:在待識別形態(tài)區(qū)域集合內(nèi)（有個參考形態(tài)區(qū)域），取同時滿足面積和周長誤差值最小的形態(tài)區(qū)域視為與參考形態(tài)區(qū)域相同，即滿足下列公式： （9）其中，為識別后的滿足條件的形態(tài)區(qū)域；，分別為運(yùn)動后圖像中第個待識別形態(tài)區(qū)域中滿足條件的形態(tài)區(qū)域灰度面積與周長；分別為參考形態(tài)區(qū)域的面積和周長；表示參考形態(tài)區(qū)域集合中第個參考形態(tài)區(qū)域灰度面積與周長。尋找到滿足公式(9)的形態(tài)區(qū)域后，用5.4節(jié)算法得出其運(yùn)動后的質(zhì)心坐標(biāo)。5.9基于坐標(biāo)相對變化的形態(tài)區(qū)域質(zhì)心追蹤模型通過前面的解析，得到形態(tài)區(qū)域位置可由其質(zhì)心的位置表示，所以判斷視野區(qū)的運(yùn)動方向，可直接通

16、過對兩相鄰單幀圖像中參考形態(tài)區(qū)域的質(zhì)心運(yùn)動方向來做判定。在二維圖中，物體運(yùn)動方向的判斷最簡單的方法是：確定一個固定參考點，在同一坐標(biāo)系中，計算運(yùn)動前后參考點的坐標(biāo)相對變化情況，從而確定運(yùn)動后的參考點相對于運(yùn)動前參考點的運(yùn)動方向。在這里，將參考形態(tài)區(qū)域的質(zhì)心看作參考點，在同一標(biāo)準(zhǔn)坐標(biāo)系下，計算得到其與運(yùn)動后圖像參考形態(tài)區(qū)域的質(zhì)心坐標(biāo)相對位置變化，從而判斷出視野的運(yùn)動方向。根據(jù)坐標(biāo)相對變化與運(yùn)動方向規(guī)律，當(dāng)?shù)玫絻少|(zhì)心的坐標(biāo)差橫縱坐標(biāo)滿足如下9種情況時，可做運(yùn)動方向判斷：（1）當(dāng)運(yùn)動后形態(tài)區(qū)域的質(zhì)心橫坐標(biāo)比參考形態(tài)區(qū)域的質(zhì)心橫坐標(biāo)大時，對質(zhì)心運(yùn)動方向有如下判斷：（2）當(dāng)運(yùn)動后形態(tài)區(qū)域的質(zhì)心橫坐標(biāo)比參

17、考形態(tài)區(qū)域的質(zhì)心橫坐標(biāo)相等時，對質(zhì)心運(yùn)動方向有如下判斷：（3）當(dāng)運(yùn)動后形態(tài)區(qū)域的質(zhì)心橫坐標(biāo)比參考形態(tài)區(qū)域的質(zhì)心橫坐標(biāo)小時，對質(zhì)心運(yùn)動方向有如下判斷：根據(jù)相對運(yùn)動知識，視野區(qū)域運(yùn)動方向與質(zhì)心的運(yùn)動方向相反。所以最終視野區(qū)域的運(yùn)動情況為：（1）若質(zhì)心向右上方運(yùn)動，則視野區(qū)向左下方運(yùn)動；（2）若質(zhì)心向正右方運(yùn)動，則視野區(qū)向正左方運(yùn)動；（3）若質(zhì)心向右下方運(yùn)動，則視野區(qū)向左上方運(yùn)動；（4）若質(zhì)心向正上方運(yùn)動，則視野區(qū)向正下方運(yùn)動；（5）若質(zhì)心向正下方運(yùn)動，則視野區(qū)向正上方運(yùn)動；（6）若質(zhì)心向左上方運(yùn)動，則視野區(qū)向右下方運(yùn)動；（7）若質(zhì)心向正左方運(yùn)動，則視野區(qū)向正右方運(yùn)動；（8）若質(zhì)心向左下方運(yùn)動，則視

18、野區(qū)向右上方運(yùn)動；（9）若質(zhì)心靜止，則視野區(qū)靜止。六、模型求解與結(jié)果分析任意選取一段現(xiàn)場拍攝短視頻，對其用軟件進(jìn)行讀取，并以0.02s為時間分度，單幀為150張圖像。任意選取其中相鄰兩張單幀圖像（像素為），通過軟件編程實現(xiàn)模型中的算法，具體步驟見如下算法流程圖：圖7 算法流程圖將前后2張單幀圖像在中將其轉(zhuǎn)化為灰度圖，其原始圖與灰度圖像對比如下： （1）前一張單幀原圖 （2）前一張單幀灰度圖 （3）后一張單幀原圖 （4）后一張單幀灰度圖圖8 原始圖與灰度圖的對比圖像灰度化后，形成了單色圖像，這與題目中只考慮單色成像相符合。接著，對灰度圖進(jìn)行二值化處理，使圖像效果增強(qiáng)；然后，二值化后的灰度圖進(jìn)行去

19、孔洞操作，其目的是消除孔洞對參考形態(tài)區(qū)域的選擇與識別造成的干擾。其結(jié)果如下圖9、圖10（以前一張單幀圖為例）： 圖9 二值化后圖像 圖10 去孔洞后的圖像從圖9、圖10中可以看出，去孔后的圖像中形態(tài)區(qū)域更明確，減少了雜點對形態(tài)的干擾。將二值化后的圖像進(jìn)行邊緣提取，提取出物體的輪廓，并對圖像中不同的物體形態(tài)區(qū)域進(jìn)行標(biāo)記，如圖11、圖12所示： 圖11前一張圖像的邊緣提取 圖12后一張圖像的邊緣提取標(biāo)記后的圖像中物體形態(tài)區(qū)域更容易辨別，可直觀數(shù)出其個數(shù)：前一張單幀圖像有9個形態(tài)區(qū)域，后一張有6個形態(tài)區(qū)域。在對圖形中的物體形態(tài)區(qū)域標(biāo)記后，將圖像統(tǒng)一標(biāo)準(zhǔn)坐標(biāo)化，然后根據(jù)模型中公式（5）、（6）求解得出

20、前一幀和后一幀圖像中不同物體形態(tài)的灰度質(zhì)心位置、面積和周長（具體結(jié)果見表1 ）。再根據(jù)目標(biāo)匹配模型中的算法，去掉前一幀圖像中灰度面積過大和過小的形態(tài)區(qū)域，選取最靠近中心位置的物體作為參考目標(biāo)，由于整個視野區(qū)域運(yùn)動是緩慢的，所以圖像中心位置的物體形態(tài)區(qū)域不會在下一單幀圖像中產(chǎn)生信息損失。表1 運(yùn)動前后各形態(tài)區(qū)域的灰度面積、周長與坐標(biāo)前一單幀圖像后一單幀圖像NumberAreaCentroidNumberAreaCentroid125355.39,22.18127954.62,21.5929230.98,10.4129929.10,9.6937352.47,5.1438251.23,4.33412

21、31.17,1.424728,15239.50,135343,146242.50,146340,137135,158139,179146,23由計算出前一幀圖像目標(biāo)形態(tài)區(qū)域質(zhì)心坐標(biāo)為（30.98，10.41）。在后一幀圖像中，各形態(tài)區(qū)域的灰度面積、周長與參考目標(biāo)進(jìn)行比較，滿足公式（9）時，取得最佳形態(tài)區(qū)域，同時得到最佳形態(tài)區(qū)域的質(zhì)心坐標(biāo)（29.10，9.69）。求得后一單幀圖片中最佳形態(tài)區(qū)域的質(zhì)心位置坐標(biāo)值后，將其與參考目標(biāo)（前一張單子圖像的參考形態(tài)區(qū)域）質(zhì)心坐標(biāo)值作差，其結(jié)果如下：求得坐標(biāo)差值與坐標(biāo)相對變化的形態(tài)區(qū)域質(zhì)心追蹤模型中的判斷規(guī)律，得出圖像中的參考形態(tài)區(qū)域質(zhì)心運(yùn)動方向為左上方，反之

22、視野區(qū)域運(yùn)動方向為右下方。整個模型運(yùn)算過程中，經(jīng)過多次反復(fù)使用軟件的運(yùn)算，發(fā)現(xiàn)其最短運(yùn)行時間為0.5s，平均運(yùn)行時間為0.7s，同時發(fā)現(xiàn)在圖像處理板塊軟件所消耗的時間最多（附件）。七、模型優(yōu)化7.1基于鏈碼搜索算法的物體形態(tài)邊界優(yōu)化模型鏈碼方法最先由Freeman于1961年提出，用于表示由順次連接的具有指定長度和方向的直線段組成的邊界線；常用的鏈碼方法有4向鏈碼和8向鏈碼兩種，分別如圖1(a）和圖(b)所示。鏈碼的方向編號可用一個數(shù)字集表示： ，方向編號表示與軸正方向成 度角；其中，n和的值與具體采用的-+5+鏈碼有關(guān)。如：4向鏈碼，則n=4，；8向鏈碼，則n=8，。鏈碼尋找目標(biāo)輪廓的過程為

23、：1、將在檢測過程中遇到的第一個點作為鏈碼的起點； 2、順序掃描該點周圍的 8 個點，判斷是否有邊緣點； 3、每遇到一個邊緣點，鏈碼的長度加 1，同時為了避免被重復(fù)檢測需要將該點設(shè)置為非邊緣點；4、繼續(xù)掃描該點周圍的8 個點，如此循環(huán)，形成鏈碼，直到某個點周圍沒有邊緣點為止。4向鏈碼的方向編號只能表示一個象素與其4鄰域象素的連線，所以在編號過程中，要表示一個對角線移動時，4向鏈碼需要兩個碼；即必須先沿水平（或垂直）方向移動，然后再往垂直（或水平）方向移動。 因此4向鏈碼表示的圖象邊界與實際邊界可能存在差異,差異程度視圖象邊界形狀不同而變化。而一個象素最多只有8個鄰近象素，因此8向鏈碼能準(zhǔn)確地表

24、示圖象邊界。故本文采取8向鏈碼對邊界進(jìn)行標(biāo)記。 圖13 4向鏈碼方向編號 圖14 8向鏈碼方向編號比較發(fā)現(xiàn)8向鏈碼表示的邊界與原圖象邊界一致,而4向鏈碼表示的邊界只是原圖象邊界的大致反映。另外,由于4向鏈碼存在額外取象素的可能,所以4向鏈碼的鏈碼長度一般比8向鏈碼長。基于上述原因,本文可以采用8向鏈碼對圖像中邊界提取進(jìn)行優(yōu)化，通過查閱文獻(xiàn)可知，該算法能夠節(jié)省存儲空間，有效縮短鏈碼從而減少運(yùn)行時間，使得軟件對能夠進(jìn)一步快速判斷視野區(qū)運(yùn)動方向【】。7.2基于Marius區(qū)域填充算法的物體形態(tài)區(qū)域面積計算模型Marius區(qū)域填充算法的關(guān)鍵是進(jìn)行區(qū)域邊界的搜索，通過新邊界點與前一邊界點的位置關(guān)系來確定

25、新邊界點的狀態(tài)。邊界上的點如果用T、B、L、R進(jìn)行標(biāo)記，則一共有15種不同的狀態(tài)。例如，用0=0000：表示非邊界點或未標(biāo)記點，用T=2=00102，B=8=10002，L=4=01002，R=1=0001：分別表示上下左右邊界點。如圖所示： 圖15 像素邊界標(biāo)記整個區(qū)域邊界搜索從左上方開始，設(shè)定初始點位，搜尋方向定義為，并滿足如下公式：當(dāng)為奇數(shù)時，新的搜索方向為（+6）；當(dāng) 為偶數(shù)時，新的搜索方向為（+7）。在搜尋邊界標(biāo)定時，假定圖像第i行左邊界像素（標(biāo)記）的橫坐標(biāo)為；圖像第i行右邊界像素(標(biāo)記R)的橫坐標(biāo)為，則表示第i行出在區(qū)域內(nèi)部的像素格式，按行累加可得到區(qū)域內(nèi)像素個數(shù)，可得到面積計算公

26、式：這樣計算區(qū)域面積方式可不用編碼，從而使得具有速度快、計算量小、結(jié)果準(zhǔn)確度高等優(yōu)點。八、模型評價與推廣8.1模型優(yōu)點本文所建立的模型和算法的優(yōu)點在于，通過對區(qū)域內(nèi)像素點檢索，消除了孔洞對模型產(chǎn)生的影響，大大提高了物體輪廓提取的精確性。在對運(yùn)動方向的判斷過程中，用盡可能簡便的方法，對參考目標(biāo)特征進(jìn)行提取，提高了目標(biāo)識別的精度。在對圖像進(jìn)行二值化處理時，緩慢移動的視野區(qū)域，圖像中心像素變化不大，因此采取區(qū)域劃分方法，比較不同時刻相同區(qū)域的質(zhì)心坐標(biāo)變化，能夠簡單迅速的推斷出視野移動方向。為避免質(zhì)心追蹤過程丟失幀的問題，用鏈碼對輪廓進(jìn)行提取并對其進(jìn)行標(biāo)記，再求取出質(zhì)心位置坐標(biāo)，很好的解決了這一問題。

27、整個算法過程中運(yùn)行時間少，最快為0.5s。8.2模型缺點在將灰度圖進(jìn)行二值化處理時，由于選取的闕值不同，二值化后的圖像會有很大差別，本文所建立的模型沒有對闕值進(jìn)行優(yōu)化，只是選取了標(biāo)準(zhǔn)闕值，因此針對灰度變化比較大的像素時，對二值圖進(jìn)行區(qū)域劃分是可能會造成很大誤差。8.3模型推廣本文中的圖像處理算法可應(yīng)用于指紋識別、人臉識別、目標(biāo)追蹤、視頻圖像分析等方向應(yīng)用，還可以應(yīng)用于資源探測中的圖像形貌提取。參考文獻(xiàn)1劉曉樂,王素華. 灰度圖像基本處理及實現(xiàn)J. 吉林化工學(xué)院學(xué)報. 22(2)：50-51 .2005.042白瑞,姜明新.基于Opencv的運(yùn)動目標(biāo)的檢測和跟蹤J.2012.20(12).126

28、-1283林壽光. 基于圖像增強(qiáng)的直方圖均衡化處理J. 科技廣場.2010.10.4徐輝. 基于matlab的圖像增強(qiáng)技術(shù)的分析與研究J. 湖北第二師范學(xué)院學(xué)報.25(8)：77-78.2008.08.5張明志. 基于微特征的指紋識別算法研究D. 廈門大學(xué)碩士論文. 2009.6P.Soille著. 形體學(xué)圖像分析原理與應(yīng)用M. 北京：清華大學(xué)出版社. 48-52 . 2008.067白曉方.復(fù)雜背景下目標(biāo)檢測與跟蹤技術(shù)研究D.中北大學(xué).2014.51-54.8陸宗騏,童韜. 鏈碼和在邊界形狀分析中的應(yīng)用J. 中國圖像圖形學(xué)報.2002.12(7). 1321-1328.9唐振華,張顯全.圖形

29、邊界的鏈碼表示研究J.微計算機(jī)信息.2005.23.10葛偉華,陳優(yōu)廣.基于邊界跟蹤的區(qū)域面積計算.J.2008. 26(6).239-240.11孫殿臣.基于MATLAB的低分辨率圖像增強(qiáng)處理J. 中國刑警學(xué)院學(xué)報.2012.3. 42-46.12崗薩雷斯, 伍茲.數(shù)字圖像處理M.北京：電子工業(yè)出版社.2011.252-318.附 錄附件1Matlab2014afileName = '視頻.mp4'obj = VideoReader(fileName);numFrames = obj.NumberOfFrames;%

30、 幀的總數(shù) for k = 1 : numFrames% 讀取數(shù)據(jù)     frame = read(obj,k);     imshow(frame);%顯示幀     imwrite(frame,strcat(num2str(k),'.jpg'),'jpg');% 保存幀end附件2Matlab2014

31、atic;i1=imread('tp.jpg');i2=rgb2gray(i1);%i2灰度圖像n,m=size(i2);for i=1:1:n for j=i:1:m if i2(i,j)>80 i3(i,j)=0; else i3(i,j)=1; end endendu=i3;m,n=size(u);%去除孔洞和毛刺i11=imread('tp2.jpg');i22=rgb2gray(i11);%i2灰度圖像n,m=size(i22);for i=1:1:n for j=i:1:m if i22(i,j)>80 i33(i,j)=0; else

32、i33(i,j)=1; end endendm,n=size(u);for x=2:m-1 for y=2:n-1 if u(x,y)=1 if u(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)+u(x-1,y-1)+u(x+1,y+1)+u(x+1,y-1)+u(x-1,y+1)=0 u(x,y)=0; end end endendfigure;title('去孔洞');imshow(u);%尋找不包括孔連通域的邊緣，并且把每個連通域的邊界描出來B,L=bwboundaries(u,4); figure;imshow(label2rgb(L, jet,

33、.5 .5 .5)hold onfor k = 1:length(B) boundary = Bk; plot(boundary(:,2),boundary(:,1),'w','LineWidth',2);end% 找到每個連通域的質(zhì)心stats=regionprops(L,'Area','Centroid','Perimeter');S=stats.Area;C=stats.Perimeter;S=sort(S);S(1,1:3)=0;S(1,length(S):length(S)-2)=0;Z=stats.Centroid;for i=1:2:length(stats.Centroid) x1(1,ceil(i/2)=Z(1,i); y1(1,ceil(i/2)=Z(1,i+1);endfor i=1:length(x1) if (x1(1,i)<45)&(x1(1,i)>15) n1=i