圖像處理與識別-12復(fù)習(xí)課件

1、 Email：fengjun7171:8821/User: Student.feng2010. 12 圖像處理與識別Digital Image Processing & Recognition 主講人： 封筠 石家莊鐵道大學(xué)信息學(xué)院1實驗四：邊緣檢測與圖像識別實驗?zāi)康?（1）了解圖像分割的常用方法，熟悉掌握經(jīng)典的邊緣檢測技術(shù) ；（2）理解圖像識別的實現(xiàn)流程，針對手寫數(shù)字圖像，實現(xiàn)一種簡單特征提取方法；（3）驗證實現(xiàn)兩種經(jīng)典分類方法（即貝葉斯分類、近鄰分類），并針對所給出的手寫數(shù)字樣本，比較分析識別性能 ； （4）進一步熟悉Matlab語言及圖像處理工具箱IPT。實驗類型：設(shè)計性2實驗四：邊緣檢

2、測與圖像識別實驗內(nèi)容 （1）圖像邊緣檢測 a. Roberts算子 b. Sobel算子 c. Prewitt算子 d. LOG算子 e. Canny算子3實驗四：邊緣檢測與圖像識別實驗內(nèi)容 （2）手寫數(shù)字識別 a.簡單手寫數(shù)字特征提取 b.基于最小錯誤率的貝葉斯分類 c. 近鄰分類4實驗四：邊緣檢測與圖像識別實驗步驟 圖像邊緣檢測對man.bmp(或cell.bmp)圖像利用常用的梯度算子與二階微分算子檢測邊緣，比較不同算子優(yōu)缺點。edge函數(shù)的一般語法：g,t=edge(image,method,threshold,direction)其中image為輸入圖像，method為采用的方法類型

3、；threshold為閾值，如果給定閾值，則t= threshold，否則由edge函數(shù)自動計算出來并把其值返回給t，direction為所尋找邊緣的方向，其值為horizontal，vertical，both，默認為both ，g為返回的二值圖像。5實驗四：邊緣檢測與圖像識別Matlab程序：f=imread(man.bmp);subplot(2,3,1);imshow(f);title(原始圖像);g,t=edge(f,roberts,both)subplot(2,3,2);imshow(g);title(Roberts算子分割結(jié)果);g,t=edge(f,sobel,both)subpl

4、ot(2,3,3);imshow(g);title(Sobel算子分割結(jié)果);g,t=edge(f,prewitt,both)subplot(2,3,4);imshow(g);title(Prewitt算子分割結(jié)果);g,t=edge(f,log)subplot(2,3,5);imshow(g);title(LOG算子分割結(jié)果);g,t=edge(f,canny)subplot(2,3,6);imshow(g);title(Canny算子分割結(jié)果);實驗步驟 7實驗四：邊緣檢測與圖像識別實驗步驟 簡單手寫數(shù)字特征提取 在每個數(shù)字圖形上定義一個NN模板，將每個樣本的長度和寬度N等分，平均有NN個

5、等分，對每一份內(nèi)的像素個數(shù)進行統(tǒng)計，除以每一份的面積總數(shù)，即得特征初值?？梢愿鶕?jù)需要進行修改，N值越大，模板也越大，特征越多，區(qū)分不同的物體能力越強，但計算量增加，運行等候的時間增長，所需要的樣本庫也成倍增加，一般樣本庫的個數(shù)為特征數(shù)的510倍，這里特征總數(shù)為55=25，每一種數(shù)字就需要至少125個標準樣本，10個數(shù)字需要1250個標準樣本。如果值過小，不利于不同物體間的區(qū)別。8實驗四：邊緣檢測與圖像識別實驗步驟 基于最小錯誤率的貝葉斯分類實現(xiàn)10實驗四：邊緣檢測與圖像識別實驗步驟 11實驗四：邊緣檢測與圖像識別實驗步驟 編程代碼：調(diào)用函數(shù)為：bayesleasterror.m命令行 clas

6、s=bayesleasterror (pattern(1).feature(:,1); fprintf(手寫數(shù)字被識別為 : %dn,class); 說明：函數(shù)調(diào)用時，可對由繪圖工具采集的手寫數(shù)字測試樣本進行識別，統(tǒng)計其識別率。12實驗四：邊緣檢測與圖像識別實驗步驟 最近鄰分類編程代碼：調(diào)用函數(shù)為：neartemplet.m命令行 class=neartemplet(pattern(5).feature(:,1); fprintf(手寫數(shù)字被識別為 : %dn,class); 說明：函數(shù)調(diào)用時，可對由繪圖工具采集的手寫數(shù)字測試樣本進行識別，統(tǒng)計其識別率。（2） K近鄰分類設(shè)計 根據(jù)K近鄰思想，

7、參考neartemplet.m程序，設(shè)計實現(xiàn)K近鄰分類器，并用所采集的手寫數(shù)字測試樣本進行識別，統(tǒng)計其識別率。14實驗四：邊緣檢測與圖像識別實驗步驟 IPT演示練習(xí) （1）利用圖像分割檢測目標（2）邊緣檢測（3）圖像特征提取15實驗四：邊緣檢測與圖像識別實驗步驟 17實驗四：邊緣檢測與圖像識別實驗步驟 18實驗四：邊緣檢測與圖像識別實驗步驟 19實驗四：邊緣檢測與圖像識別實驗步驟 20實驗四：邊緣檢測與圖像識別實驗步驟 21復(fù)習(xí)與習(xí)題講解(2)22第二章圖像和視覺基礎(chǔ)2 考慮下圖所示圖像子集： 3 1 2 1(q) 2 2 0 2 1 2 1 1 (p)1 0 1 2 （1）令V=0,1，計算

8、p和q之間的D4， D8和Dm距離；（2）令V=1,2 ，仍計算上述3個距離。解：（1）在V=0,1時， p和q之間通路的D4距離為， D8距離為4，Dm距離為5。（2）在V=1,2時， p和q之間通路的D4距離為6， D8距離為4，Dm距離為6 。24第三章圖像變換 3 已知為計算N點的FFT需要 次加法和 次乘法。問如計算1幅NN圖的2-D FFT需要多少次加法和乘法？解：1幅NN圖的2-D FFT可以分解成2個NN點的1-D FFT。所以計算1幅NN圖的2-D FFT需要 次加法和 次乘法。25直方圖規(guī)定化計算列表序號運算步驟和結(jié)果1列出原始圖灰度級rk，k=0,1,7012345672

9、統(tǒng)計原始直方圖各灰度級像素數(shù)nk3計算原始直方圖0.1740.0880.0860.080.0680.0580.0620.3844計算原始累計直方圖0.1740.2620.3480.4280.4960.5540.6161.005規(guī)定直方圖00.4000.2000.46計算規(guī)定累計直方圖00.4000.6001.07SSML映射111114478S確定映射對應(yīng)關(guān)系0，1 ，2，3，415，64779S變換后直方圖00.496000.12000.3847GGML映射111144478G查找映射對應(yīng)關(guān)系0 ，1，2，314，5，64779G變換后直方圖00.428000.188000.38427第四章

10、圖像增強5 下圖為某幅圖像中一小部分（包括25個像素點），試對其作33的中值濾波處理（邊緣像素不作處理），寫出濾波思路及處理結(jié)果。271811155361241111522718128第四章圖像增強答：中值濾波的思路如下：首先確定模板尺寸，然后從圖像的左上角依次平移模板，完成對圖像的卷積操作。以33模板為例說明每次的模板運算：對33模板中的9個像素值由小到大排列，最終待處理像素的灰度取這個模板中的灰度的中值（即為第5個像素的值），即為中值濾波，屬于非線性濾波。應(yīng)用中值濾波對濾除脈沖干擾及圖像掃描噪聲最為有效，并能較好地保護邊緣輪廓信息，但對細節(jié)多的圖像不宜采用中值濾波。對邊界像素不進行處理的中

11、值濾波結(jié)果如下： 271811243361231112222718129第五章圖像恢復(fù)6 成像時由于長時間曝光受到大氣干擾而產(chǎn)生的圖像模糊可以用轉(zhuǎn)移函數(shù)表示。設(shè)噪聲可忽略，求恢復(fù)這類模糊的維納濾波器的方程。解：噪聲可忽略時，維納濾波器退化成理想的逆濾波器，所以30第六章圖像壓縮編碼 7 一幅3030的圖像共有4個灰度級：s1,s2,s3和s4，它們的概率依次為0.4,0.45,0.05和 0.1。請利用Huffman算法對其進行編碼，并計算該圖像的熵，指出對于該圖像來說，無失真壓縮的平均碼長下界。（注： ） 31第六章圖像壓縮編碼 解：Huffman編碼過程示意圖如下：在上圖中先逐步完成兩個小

12、概率的相加合并，然后反過來逐步向前進行編碼，每一步有兩個分支，各賦予一個二進制碼，這里對概率大的賦碼字1，概率小的賦碼字0。 32第六章圖像壓縮編碼信源符號出現(xiàn)概率碼字碼長S10.4112S20.4501S30.051003S40.11013編碼后平均碼長為： 圖像熵為： 對于該圖像來說，無失真壓縮的平均碼長下界為1.595445。 33第七章圖像分割8 設(shè)1幅55二值圖像中心有1個33正方形區(qū)域，該處的像素值均為0，其它位置處為1。請利用Prewitt算子計算這幅圖像的梯度與，并根據(jù) ，畫出梯度幅度圖。算子模板大小選為33。 （給出梯度幅度圖中所有像素的值）。34第七章圖像分割解：55二值圖像為： Prewitt算子為平均差分算子。33大小的Prewitt算子模板為： 35第七章圖像分割圖像模板鄰域計算公式為： 則這幅圖像的水平方向的梯度（邊緣像素不作處理）為： 36第七章圖像分割垂直方向的梯度（邊緣像素不作處理）為： 梯度幅度圖為： 37第九章貝葉斯決策理論9 設(shè)在一維特征空間中兩類樣本服從正態(tài)分布， ，兩類先驗概率