基于圖像處理的森林火災(zāi)檢測系統(tǒng)的技術(shù)研究畢業(yè)論文

1、華東交通大學(xué)畢業(yè)設(shè)計圖像預(yù)處理的主要方法有：灰度化、二值化、均值濾波、中值濾波、高斯濾波。本研究還將各向異性擴散方法應(yīng)用于醫(yī)學(xué)圖像的去噪處理。采用基于各向異性擴散的偏微分方程，其初始值為輸入圖像，轉(zhuǎn)化為差分格式迭代求解濾波結(jié)果。以在去除噪聲的同時，保持重要的邊緣、局部細(xì)節(jié)。在此基礎(chǔ)上提出八向各向異性擴散和邊緣增強各向異性擴散，取得了滿意的結(jié)果。 均值聚類是一個快速收斂的算法。經(jīng)典的 C-均值聚類算法是將圖像分割成 C 再標(biāo)定的過程，適合灰度圖像中存在著模糊和不確定性的特點。但是這種算法存在不足，如聚類數(shù)無法自動確定，運算的開銷太大。醫(yī)學(xué)器官虛擬三維重構(gòu)技術(shù)是現(xiàn)代外科計算機化，信息化發(fā)展的重要方

2、向，是計算機科學(xué)、數(shù)學(xué)、機械學(xué)、外科及生物醫(yī)學(xué)工程學(xué)等多學(xué)科高技術(shù)的結(jié)晶。本文把各種圖像預(yù)處理運用到三維醫(yī)學(xué)重構(gòu)上，使重構(gòu)效果更好。關(guān)鍵詞：森林火災(zāi)檢測系統(tǒng)；圖像處理；圖像分割；華東交通大學(xué)畢業(yè)設(shè)計3D-ReconstructionAbstractIn this paper,firstly introduce image pre-processing,for example,gray-value,two-value,gaussian filters, anisotropic diffusion.To remove the speckle noise in medical images by u

3、sing anisotropic diffusion method.Basedon anisotropic diffusion,a partial differential equation,of which the initial data was the inputimages,was transformed into differential forms and solved with iterations.Anisotropic diffusioncan remove the speckle noise effedtively and has great potential in fi

4、ltering medical images. Itcan preserve edges and local detail.K-means is a fast segmentation process. Extensive experiments show it is fast and generic.The classical C-means clustering algorithm is a well-knowm clustering method to partitionan image into homogeneous regions.It is a procedure of the

5、label following an un supervisedfuzzy clustering that fuzzy c-means(FCM) algorithm is applied for intensity imagesegmentation,and it suits for the uncertain and ambiguous characteristic in intensityimage.However,there are some deficiencies in the algorithm,for example,the number ofclustering can not

6、 be determined automatically and the operational const,for large data sets ,istoo high;Medicinal organs dummy 3D-reconstruction is an important direction of the developmentin modern surgerys computerization and informationize field. Its a combination of the latesttechniques in computer science , mat

7、hematics , mechanics , surgery and biological engineering.3D-reconstruction,that make the result more better.Keywords: forest fire detection system; image processing; Partial Differential Equation;華東交通大學(xué)畢業(yè)設(shè)計摘要 Abstract 目錄 第一章 課題的來源、目的和意義.錯誤！未定義書簽。第二章 基于圖像處理的森林火災(zāi)監(jiān)測系統(tǒng)設(shè)計 錯誤！未定義書簽。3l2122 華東交通大學(xué)畢業(yè)設(shè)計一、課題的

8、來源、目的和意義森林火災(zāi)是對社會、環(huán)境及經(jīng)濟發(fā)展影響范圍最廣、破壞性最大的災(zāi)害之一。森林經(jīng)常遭到火災(zāi)的破壞，在危害森林的諸因子中火災(zāi)是一種最具破壞性的災(zāi)害，每次大火都直接地危及林木、上壤甚至于微生物和野生動物。為減少森林火災(zāi)的損失，世界各國都非常重視林火監(jiān)測。及時監(jiān)測到火災(zāi)可以使得滅火工作在火災(zāi)初期完成，這將極大的減少損失和滅火成本。最早的火災(zāi)監(jiān)測主要是靠管理人員野外巡邏和建立監(jiān)測站，后來配以飛機的定期巡航。但是對于大面積的森林，依靠地面人力和飛機監(jiān)測，不但費用高，而且工作十分繁雜，特別是對于盲區(qū)的監(jiān)測精度很低，所以現(xiàn)在森林火災(zāi)監(jiān)測主要依靠電子設(shè)備配合人工操作實現(xiàn)。傳統(tǒng)的火災(zāi)監(jiān)測方法是感煙、感

9、溫、感光探測器以及紅外對射探測，還有現(xiàn)在比較流行的衛(wèi)星監(jiān)測。而對于森林這樣的大空間火災(zāi)監(jiān)測，傳統(tǒng)的火災(zāi)監(jiān)測方法都不適用，針對這一問題，經(jīng)過多方面文獻資料的查閱，結(jié)合自己的研究方向，由導(dǎo)師推薦，最終確定了本課題的研究。大空間的火災(zāi)監(jiān)控技術(shù)是世界各國火災(zāi)科學(xué)及消防科技工作者關(guān)注的課題之一。最早的火災(zāi)監(jiān)測主要是靠管理人員野外巡邏和建立監(jiān)測站，后來配以飛機的定期巡航。但是對于大面積的森林，依靠地面人力和飛機監(jiān)測，不但費用高，而且工作十分繁雜，特別是對于盲區(qū)的監(jiān)測精度很低，因此大空間的火災(zāi)監(jiān)測技術(shù)一直受到人們的普遍重視。鑒于大空間的環(huán)境的復(fù)雜性，傳統(tǒng)的火災(zāi)報警系統(tǒng)誤報率高，所以基于圖像處理的森林火災(zāi)監(jiān)測

10、技術(shù)成為當(dāng)前的一大研究熱點。基于圖像處理的森林火災(zāi)監(jiān)測技術(shù)利用攝像頭對現(xiàn)場進行監(jiān)視，同時對獲得的圖像進行圖像處理和分析，通過早期的火災(zāi)火焰的特征來探測火災(zāi)，將大火扼殺在萌芽狀態(tài)，同時火災(zāi)預(yù)測系統(tǒng)和森林 GIS(1) 圖像型火災(zāi)監(jiān)測系統(tǒng)國內(nèi)外研究進展圖像是一種包含對象強度、形體、位置等信息的信號。因此，利用圖像進行火災(zāi)探測有自己獨特的優(yōu)勢。在科學(xué)迅猛發(fā)展的今天，國外各大公司和科研機構(gòu)的火災(zāi)探測技術(shù)也相應(yīng)的快速發(fā)展，基于各種火災(zāi)識別模式的火災(zāi)探測器相繼問世并在不斷改進，在眾多的 ECP 華東交通大學(xué)畢業(yè)設(shè)計用計算機視覺和模式識別的理論，采用模式識別算法，可以對4 千米以外的林火在短時間內(nèi)進行識別并

11、發(fā)出警報；Bosque公司的 BSDS 系統(tǒng)采用紅外和普通攝像機的雙波段監(jiān)控，在準(zhǔn)確識別森林火災(zāi)的同時還可以區(qū)別其他現(xiàn)象的干擾，誤報率較低。在大空間火災(zāi)監(jiān)控方面有 ISL 公司和 Magnox Electric 公司聯(lián)合開發(fā)的用于電站火災(zāi)監(jiān)控的 VSD-8 系統(tǒng)。該系統(tǒng)以視頻運動檢測軟件為主體，使用了各種濾波器技術(shù)，并與人工智能相結(jié)合，該系統(tǒng)可以用來對電站內(nèi)的火災(zāi)進行監(jiān)控。國內(nèi)對于圖像型火災(zāi)探測技術(shù)也進行了深入研究，其中上海交通大學(xué)、西安交通大學(xué)都在這方面進行了積極的研究，并在工程實踐中提出了一些算法。其中西安交通大學(xué)圖像處理與識別研究所研制的自動火災(zāi)監(jiān)控系統(tǒng)采用了 950nm2000nm 波

12、段的紅外 CCD 傳感器，僅有該波段的紅外輻射形成視頻信號，火焰燃燒時的紅外輻射主要集中于上述波段范圍，其它波長的干擾信號被極大地衰減。當(dāng)有火焰燃燒時，在經(jīng)CCD 形成的視頻信號中，除強烈的火焰輻射造成的高亮度信號外，僅有很少量的紅外干擾信號，而這些信號往往表現(xiàn)為固定的圖像模式，可以采用簡單的算法加以分類，從而使火焰的識別率大大提高，并且減少了處理的數(shù)據(jù)量，提高了檢測識別的速度，但其探測手段主要集中于使用紅外型攝像機，并且，探測系統(tǒng)的算法抗干擾性還有待提高。中國科技大學(xué)的火災(zāi)科學(xué)國家重點實驗室研制出的 LA-100 型雙波段大空間早期火災(zāi)智能探測系統(tǒng)通過了有關(guān)方面的驗收，已經(jīng)在國內(nèi)的一些單位使

13、用。該系統(tǒng)一部分的探測任務(wù)由紅外攝像機來完成，采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對火災(zāi)進行識別，對于已經(jīng)擁有閉路電視監(jiān)控網(wǎng)絡(luò)的單位，需要加裝一定數(shù)量的紅外攝像機或特制的感煙紅外陣列器材，來實現(xiàn)圖像型的火災(zāi)火焰和煙霧的探測。綜上所述，當(dāng)前圖像型火災(zāi)探測還存在一些問題，尚待深入研究解決。例如一些己經(jīng)具有完備視頻監(jiān)視系統(tǒng)的場合，這就對識別火災(zāi)的算法提出了較高要求?？紤]用數(shù)字圖像處理技術(shù)提取火災(zāi)圖像深層次信息的特征，再對這些特征進行識別以判斷火災(zāi)是否發(fā)生，將常規(guī)方法與人工智能結(jié)合以降低成本、實現(xiàn)火災(zāi)的早期報警。1）分割技術(shù)在國內(nèi)外的發(fā)展目前，基于視頻的火災(zāi)圖像分割算法有幀差法、背景差分法等。幀差法的基本思想是通過前

14、后兩幀圖像相減來提取運動區(qū)域，但在火災(zāi)發(fā)生初期，火燃燒緩慢，使得前后相鄰;背景差分法的基本思想是用當(dāng)前幀圖像與背景圖像相減來實現(xiàn)運動區(qū)域的分割，但在光照變化、人的走動或車燈晃動等干擾存在的情況下會形成假的運動區(qū)域，從而導(dǎo)致火災(zāi)誤報警。以上方法需要兩幀或多幀圖像，若背景圖像選取的不合適，很難準(zhǔn)確提取出火焰區(qū)域，而單幀圖像分割法可以克服以上方法的不足。傳統(tǒng)的單幀圖像分割法主要有閾值分割法、邊緣檢測法、區(qū)域生長法和基于特征空間聚類分割法等。但是，這些方法在分割火災(zāi)圖像時多數(shù)是在灰度化的基礎(chǔ)上進行的，過早地丟棄了火焰的彩色信息，從而導(dǎo)致無法準(zhǔn)確區(qū)分火與自然光等高亮物體。另有學(xué)者提出了基于彩色信息的火災(zāi)

15、圖像分割算法，但這些算法大多數(shù)過分依賴經(jīng)驗閾值，如 W. B. Horng等人采用 HSI 彩色模型分割火焰圖像，華東交通大學(xué)畢業(yè)設(shè)計對 H, S, I分量分別采用經(jīng)驗閾值來提取火焰區(qū)域。Tai-Fang Lu利用 HSI 空間的 I分量來區(qū)分火與非火區(qū)域，當(dāng)背景亮度較低時才能取得較好的效果。Dengyi Zhang 等人采用 HSV顏色空間分割火焰區(qū)域，同樣對 H, S, V 分量分別采用經(jīng)驗閾值分割。然而，經(jīng)驗閾值需閾值需要不斷調(diào)整。若選取的閾值不合適，就很難準(zhǔn)確地提取出火焰區(qū)域，給后續(xù)的火災(zāi)特征提取和識別增加難度。圖像型火災(zāi)探測技術(shù)要求分割算法有較高的準(zhǔn)確率和較好的實時性，如何利用火災(zāi)圖

16、像的特點，研究出滿足圖像型火災(zāi)探測需求的分割算法將是今后的發(fā)展方向。 l 圖1華東交通大學(xué)畢業(yè)設(shè)計在系統(tǒng)獲取森林火災(zāi)圖像后，為了將火災(zāi)圖像中的敏感區(qū)域提取出來以便對后續(xù)的特征定義與識別過程做準(zhǔn)備，在此把識別的前期工作都統(tǒng)稱為圖像的預(yù)處理過程，其中包括圖像的分割等。由于多種因素的影響，圖像的質(zhì)量都會有所下降，為了消除對火災(zāi)圖像正確識別的影響，需要對圖像進行一些預(yù)處理。預(yù)處理的目的就是對其進行濾波（Filtering）或平滑（Smoothing做準(zhǔn)備。圖像平滑的目的是消除或盡量減少噪聲的影響，改善圖像的質(zhì)量。在假定加性噪聲是隨機獨立分布的條件下，利用鄰域的平均或加權(quán)平均可以有效的抑制噪聲干擾。從信

17、號分析的觀點看，圖像平滑本質(zhì)上是低通濾波。將信號的低頻部分通過，而阻截高頻的噪聲信號。但是往往圖像邊緣也處于高頻部分。 均值濾波均值濾波是一種在空間域上對圖像進行平滑處理的最常用方法。圖像中某一像素，求出以它為中心的一個鄰域范圍內(nèi)的像素的平均值，用這個平均值來代替該中心點的灰度值。若一幅有M M 個像素的圖像g(x,y)，經(jīng)均值濾波后得到一幅圖像h(x,y)，則：1N(m,ns其中，x,y 0 ,N 1，S 是(x,y)點鄰域中心的點的集合，但是其中不包括(x,y)點，N是集合內(nèi)點的總數(shù)。在選取鄰域時，取上下左右時為四鄰域，取周圍八個點時為八鄰域。八鄰域效果比四鄰域好。常用的模板有：1 1 1

18、1 1 1圖 3.10 是用第三個模板對圖 3.5 均值濾波的結(jié)果。華東交通大學(xué)畢業(yè)設(shè)計圖 中值濾波所以，通過中值濾波，可以有效的消除高頻和低頻的噪聲。圖像中某一像素，把以它為中心的一個鄰域范圍內(nèi)的像素的灰度值看成一列數(shù)列，求出這個數(shù)列的中間值，并用這個中間值值來代替該中心點的灰度值。一個點，和它周圍的點形成N N 的窗口，把在窗口中的所有點的像素組成一個數(shù)列：12i9101112設(shè)x 是噪聲，選取33的窗口，計算x 中值濾波的值，先把x ，x ，x ，x ，x ，x ，76123567x ，x ，x 九個點的灰度值看成一個數(shù)列3，2，4，4，3，10，3，4，3，排序2，3，910113，3

19、，3，4，4，4，10，取中值 3，x 的值為 3 。計算x 中值濾波的值，先把x ，x ，6723x ， x ，x ，x ， x ，x ，x 九個點的灰度值看成一個數(shù)列2453103，467810111234，排序2333444510，取中值4，x 的值為 4 。這樣就把噪聲x 平77滑掉了，但是不是噪聲的x 的灰度值基本不變。6華東交通大學(xué)畢業(yè)設(shè)計圖 采用高斯函數(shù)作為加權(quán)函數(shù)，有五個原因：1) 在二維空間中,果是均衡的。它不會對任一個邊緣的方向進行弱化。2) 高斯函數(shù)只有一個波峰，這樣對于像邊緣這樣的屬性反而會有加強而不會有弱。3) 達到同樣的效果。4) 平滑的程序是由高斯函數(shù)的方差決定的

20、。這樣方差值與平滑的結(jié)果有直接的關(guān)系。5) 時間。x2y2G(,y)e 22設(shè)定 和 n，確定高斯模板權(quán)值。如 2和 n=5經(jīng)計算可得：2i,j-2-1012-2-1012整數(shù)化和歸一化后得：華東交通大學(xué)畢業(yè)設(shè)計i,j-2-10-21-122436124212圖片 3.12 是圖片 3.5 高斯濾波的結(jié)果。圖像由彩色轉(zhuǎn)化為灰度的過程叫做灰度化，由于位圖為點陣圖像，它的每一個像素點由 RB三個分量組成。根據(jù)YUVY分量的物理含義就是亮度，它含了灰度圖的所有信息，只用YYUV和 RGB之間有著如下的對應(yīng)關(guān)系：YR 0.100VB利用上式，可以求出：Y 0.299R0.587G 0.114B根據(jù) R

21、、B的值求出 Y值后，將 R、B值都賦值成 ，就能表示出灰度圖來，就能將 24 位真彩色圖轉(zhuǎn)灰度圖。如圖 2.1 經(jīng)灰度化后變?yōu)閳D 2.2。華東交通大學(xué)畢業(yè)設(shè)計圖 圖 以二值圖像處理實現(xiàn)構(gòu)成的系統(tǒng)是很多的，要進行二值圖像的處理與分析，首先需要把灰度圖像二值化，得到二值圖像，這樣做的好處是：再對圖像做進一步處理時，圖像的幾何性質(zhì)只與 0 和 1 的位置有關(guān)，不再涉及到像素的灰度值，使處理變得簡單，而且數(shù)據(jù)量的壓縮量很大。圖像的二值化的具體辦法是：通過設(shè)定閾值，把灰度圖像變換成僅用兩個值來分別表示的圖像目標(biāo)和圖像背景的二值圖像，其中目標(biāo)取值為 1，背景取值為 0。實際的位圖中，0 對應(yīng)于 RGB值

22、均為 0，1 對應(yīng)于 RGB值均為 255，二值化圖像的方法很多，閾值的選擇是二值化圖像的關(guān)鍵。閾值的選擇主要可以分為兩類，全局閾值和局部閾值。全局閾值是對整個圖像采用一個閾值進行劃分，例如固定閾值法二值化、判斷分析法二值化、基于灰度差直方圖的閾值法等。不同的灰度圖像，其灰度深度是存在差異的。同一幅灰度圖像，不同部位其明暗分可能是不同的。因此，在對灰度圖像進行二值化的過程中，如果選用全局閾值法顯然是不合適的。局部閾值是將圖像分成一些子塊，對于每一子塊選定一下閾值。動態(tài)閾值法，僅是一個變換方法，即在一個 的子塊中，所有具有灰度級n n超過平均灰度值到 255 的數(shù)據(jù)點變換 1，而另一些低于平均灰

23、度值的數(shù)據(jù)點則變換到 0。具體做法如下：圖像分為 的方塊，對于每一個子塊計算其平均灰度值，然后將方塊中n n每個像素點的灰度值與平均灰度值進行比較，若大于平均值，則將該像素點的灰度值置為255，反之則置為 0。采用固定閾值的方法進行二值化也可以取得較好效果，但當(dāng)灰度圖像灰度不均勻時，判斷分析法二值化效果與固定閾值法相差較小。相比之下，動態(tài)閾值能根據(jù)圖像的局部自將灰度圖像分成若干個1616的子區(qū)。先計算各子區(qū)的灰度平均值，以此平均值作為該子區(qū)的閾值。另外為了防止背景子區(qū)由于這種方法求出的閾值過低而引入噪聲，還加入一個判定條件，即某塊的閾值保證了背景塊能夠從前景中分離出來。這種以區(qū)域灰度幅度為函數(shù)

24、的自適應(yīng)閾值法，完全適合用于對銳化后的灰度圖像進行二值化處理，另外，可使用小波分析知識來選擇自適應(yīng)的閾值進行二值化，可用浮動閾值法進行二值化處理。圖 2.2 經(jīng)過二值化后變?yōu)閳D 2.3。華東交通大學(xué)畢業(yè)設(shè)計3.1 二值化圖像的腐蝕、膨脹、開運算、閉運算a設(shè)有圖像 。若存在這樣一個點，它既是A的元素，又是X的元素，則稱A擊中X.設(shè)有圖像 。若不存在任何一個點，它既是A的元素，又是X的元素，即A和 X的交集是空，則稱 A不擊中 。c設(shè)有圖像 ，將 A 中所有元素的坐標(biāo)取反，即令(x,y)變成(x,y)，所有這些點構(gòu)成的新的集合稱為 A 的對稱集。設(shè)有圖像 ，有一個點a(x ,y )，將A平移后的結(jié)

25、果是，把A中所有元素的橫坐標(biāo)加00 x ，縱坐標(biāo)加y ，即令(x,y)變成(x x ,y y )，所有這些點構(gòu)成的新的集合稱為A的平0000把結(jié)構(gòu)元素 A 平移 后得到Aa，若Aa 包含于 ，我們記下這個 點，所有滿足上述aa條件的 點組成的集合稱為被 A腐蝕的結(jié)果。用公式表示為：E(X) a| A。a膨脹可以看作是腐蝕的對偶運算，其定義是：把結(jié)構(gòu)元素 A平移后得到Aa，若Aa擊中 ，我們記下這個 點，所有滿足上述條件的 點組成的集合稱為 X被 A膨脹的結(jié)果，aa華東交通大學(xué)畢業(yè)設(shè)計開運算是先腐蝕后膨脹，即(X) ( ( 。作用：能夠去除孤立的小點、毛刺D E X閉運算是先膨脹后腐蝕，即(X)

26、 ( ( 。作用：能夠填平小孔，彌合小縫，E D X而總的位置和形狀不變。對于圖片 2.3，圖 3.1 是它的腐蝕結(jié)果，圖 3.2 是它的膨脹結(jié)果，圖片 3.3 是它的開運算結(jié)果，圖 3.4 是它的閉運算結(jié)果。圖 圖 數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)是集合論。通過集合論的術(shù)語以及圖形描述就可以表示形態(tài)學(xué)的各種處理過程?；镜男螒B(tài)學(xué)圖像處理主要包括圖像的膨脹、腐蝕、開運算、閉運算。形態(tài)學(xué)處理表現(xiàn)為一種鄰域運算的形式。我們把一種特殊定義的鄰域稱之為 “結(jié)構(gòu)元素（Structure 的結(jié)果為相應(yīng)像素的輸出圖像。形態(tài)學(xué)運算的效果取決于結(jié)構(gòu)單元的大小、內(nèi)容以及邏輯運算的性質(zhì)。結(jié)構(gòu)單元在形態(tài)學(xué)處理中的作用相當(dāng)于信號處理中

27、的“濾波窗口。一般的形態(tài)學(xué)圖像處理的對象是二值圖像，而將這個概念擴展到灰度圖像，即用灰度形態(tài)學(xué)處理技術(shù)，將達到更佳的圖像預(yù)處理效果。假設(shè)在此處理的是可以表示成 f(x, 和 b(x, 的數(shù)字圖像函數(shù)，f(x, y)是輸入圖像，b(x, y)是結(jié)構(gòu)元素。b(x, y)在某種意義上可以看成是一個子圖像函數(shù)，而 f和 b 代表圖像中每一個(x, 坐標(biāo)的灰度值。(1) 膨脹(Dilation)(f b)(s,t)maxf(sx,t y)b(x,y)|(sx),(ty)D ;(x,y)D fb其中D 和D 分別是 f和 b 的定義域。fb從上式中可以看出，如果結(jié)構(gòu)元素 b(x, y)為正值，圖像的灰度值

28、趨向于變大。所以輸出圖像會比輸入圖像看上去更加明亮，并且能減弱或者消除一些比結(jié)構(gòu)元素面積小的、暗的細(xì)節(jié)部分。圖像明亮的程度與結(jié)構(gòu)元素的大小以及形狀有很大關(guān)系。(2) 腐蝕(Erosion)華東交通大學(xué)畢業(yè)設(shè)計(fb)(s,t)minf(sx,t y)b(x,y)|(sx),(t y)D ;(x,y)D fbf從上式中同樣可看出，如果結(jié)構(gòu)元素 b(x, y)為正值，圖像的灰度值趨向于減小。所以輸出圖像會比輸入圖像看上去更加陰暗，并且能減弱或者消除一些比結(jié)構(gòu)元素面積小的、亮的細(xì)節(jié)部分。圖像陰暗的程度同樣取決于結(jié)構(gòu)元素的大小及形狀。圖 圖 開運算操作就是對圖像先進行腐蝕后膨脹。先進行的腐蝕可以去除一

29、些小的亮的細(xì)節(jié)同時會讓圖像更加陰暗；其后的膨脹操作又去除一些小的暗的細(xì)節(jié)，并且會增加圖像的亮度，但不會引入前一腐蝕操作所去除的部分。其方法經(jīng)常用于去除較小的明亮細(xì)節(jié)，而且能夠相對地保持整體的灰度級和較大的明亮區(qū)域不變。可以用來消除細(xì)小物體、平滑較大物體的邊界的同時并不明顯改變其面積。閉運算操作就是對圖像先進行膨脹后腐蝕。先進行的膨脹可以去除一些小的暗的細(xì)節(jié)同時會讓圖像更加明亮；其后的腐蝕操作又去除一些小的亮的細(xì)節(jié)，并且會減小圖像的亮而相對地保持明亮部分不受影響?？梢杂脕硖畛湮矬w內(nèi)細(xì)小空洞、平滑其邊界的同時并不明顯改變其面積?；叶葓D像的開運算和閉運算在幾何上可以理解為把由結(jié)構(gòu)元素 b(x, 表示

30、的曲面沿著由 f(x, f(x, f(x, y)曲面的上側(cè)面滾動。經(jīng)過開運算，f(x, 曲面中所有比結(jié)構(gòu)元素范圍小的波峰和尖銳程度都減小了，從而能夠刪除圖像中在尺度上小于結(jié)構(gòu)元素的幾何結(jié)構(gòu)，起到了平滑圖像的外凸邊緣的作用；經(jīng)過閉運算，f(x, 曲面中所有比結(jié)構(gòu)元素范圍小的波谷都被平滑，從而具有填充圖像中那些比結(jié)構(gòu)元素小的斷裂或凹入部分的功能，起到了平滑圖像的內(nèi)凸部分華東交通大學(xué)畢業(yè)設(shè)計的作用。所以從直觀上看，灰度圖像的開運算和閉運算具有聚類的功能，即能夠把圖像中某個范圍內(nèi)灰度相近、數(shù)量占優(yōu)勢的圖像信息聚到一起，從而使得圖像信息不易丟失。在灰度級形態(tài)學(xué)中實現(xiàn)圖像平滑處理的一種途徑是先使用形態(tài)學(xué)開

31、運算操作，而后進行閉運算操作。進行這兩種操作后的最終結(jié)果是除去或減少了局部亮的和暗的影響因素或噪聲。相應(yīng)的各種圖像處理方式的實現(xiàn)效果如上圖所示。我們在此采用的結(jié)構(gòu)元素 b(x, y)是一個具有單位高度的 3*3 像素的平行六面體，使用上述方法對一個灰度圖像進行處理。從形態(tài)學(xué)操作的效果圖中可以看出，腐蝕操作縮小了圖像中物體的輪廓且圖像變得更暗，圖像中較暗的空洞也變大了；膨脹操作擴大了物體的輪廓且圖像變得更亮，圖像中的許多空洞已經(jīng)沒有了；經(jīng)過開運算操作，圖像中那些小的、明亮細(xì)節(jié)尺寸變小了而暗的、灰度的效果沒有明顯變化，因此圖像略有變暗且輪廓基本沒變；經(jīng)過閉操作，小的、暗的細(xì)節(jié)尺寸變小了而明亮的部分

32、的效果沒有明顯變化，因此圖像略有變亮但輪廓基本沒變。華東交通大學(xué)畢業(yè)設(shè)計n k t 0.16k t n圖灰度化開運算去除了較小的明亮細(xì)節(jié)，而且相對地保持整體的灰度級和較大的明亮區(qū)域不變，消除了細(xì)小物體、平滑較大物體的邊界的同時并不明顯改變其面積；灰度化閉運平滑其邊界的同時并不明顯改變其面積；中值濾波和均值濾波對噪聲和邊緣信息不加區(qū)分，去除了一定的噪聲，同時使邊緣變模糊了；高斯濾波是各向同性的擴散，使用模板對原始圖像卷積運算，去除了噪聲，邊緣也模糊了，圖像整體變白了；各向異性擴散有效的平滑了噪聲，保持了邊緣信息，可以控制各向異性擴散強度，八向各向異性擴散比四向各向異性擴散效果好；邊緣增強改進各向

33、異性擴散不僅在同質(zhì)區(qū)域內(nèi)濾除了噪聲，同時使邊可以調(diào)節(jié)邊緣增強系數(shù)，使邊緣增加得很強，當(dāng)邊緣增強系數(shù)為絕對值很小的負(fù)數(shù)時，圖像邊緣被模糊了。(1) 基于彩色傳遞的掩摸分割法鑒于云臺監(jiān)測采集圖像時俯角和轉(zhuǎn)角不斷的變化，目前國內(nèi)外的一些分割技術(shù)無法適用，比如幀差法。還有一些分割技術(shù)比如閾值分割法、邊緣檢測法、區(qū)域生長法和基于特征空間聚類分割法等，這些方法在分割火災(zāi)圖像時多數(shù)是在灰度化的基礎(chǔ)上進行的，過早地丟棄了火焰的彩色信息，從而導(dǎo)致無法準(zhǔn)確區(qū)分火與自然光等高亮物體。所以在 RGB空間中，考慮將疑似火的彩色區(qū)域通過 R經(jīng)驗閾值分割出來，再進一步進行特征提取。RTTg(x,y) 、 12120(2)

34、基于YCrCb區(qū)域顏色分量加強分割法文獻1中對人臉的識別檢測，通過分析人眼與嘴的顏色在 YCrCb 空間的分布情況，根據(jù)人眼具有很強的 Cr 分量，嘴含有更高的 Cb 分量較低的 Cr 分量而構(gòu)造區(qū)域顏色分量華東交通大學(xué)畢業(yè)設(shè)計調(diào)整函數(shù)如下：EyeImageCb (255Cr) CbCr) )/3222222(x,y)2 其中Cr, 。 Cr造相應(yīng)的顏色分量調(diào)整函數(shù)放大 Cr，Cb 之間的對比度突出疑似火焰區(qū)域，從而達到敏感區(qū)域分割定位的目的。(3) 基于 空間的顏色遷移分割法l空間相對其它顏色空間來說，更適合人類視覺感知系統(tǒng)， 空間與設(shè)備無關(guān)的ll顏色空間。它本身還是一個抗相關(guān)的顏色空間，將

35、一個通道的改變對另一個通道的影響減到最小，這使得我們可以對它的各個通道進行獨立的計算，而不會引起人為的痕跡。文獻2灰度的分割方法而得到的灰度疑似火區(qū)域圖進行上色，這樣就可以解決基于灰度分割方法過早丟失火焰彩色信息的缺點。下面給出顏色遷移算法的基本實現(xiàn)：假設(shè)源彩色圖像為 src,尺寸為i j ，分割后目標(biāo)灰度圖為 尺寸也為i j ,算法的具體過程如下：1) 用 Reinhard的方法將源圖像和目標(biāo)圖像從 RGB空間轉(zhuǎn)換到空間，并使用以下公式對源圖像的每個像素進行亮度重映射：DsrcDsrcsrcsrc其中M 、Msrc分別為源圖像和目標(biāo)圖像所有像素亮度的平均值，D 、D 分別src為源圖像和目標(biāo)

36、圖像中所有像素亮度值的標(biāo)準(zhǔn)偏差， L 為源圖像被處理像素的亮度值，srcL 為重映射后該像素的亮度值。src2) 對于源圖像和目標(biāo)圖像上的每一個像素，計算以該像素為中心的一個矩形 (一般為55像素鄰域上各像素亮度值的標(biāo)準(zhǔn)差，分別存入矩陣D 和3) 使用矩陣M 為源圖像上隨機的有效位置。4) 用掃描線掃描目標(biāo)圖像，目標(biāo)圖像中任意一點與源圖像中每次隨機生成有效位置的300華東交通大學(xué)畢業(yè)設(shè)計個點 p 進行下面式子計算：i12iii其中Err為各候選像素與目標(biāo)圖像像素的匹配誤差， p 為源圖像上的候選像素，targ 為etii目標(biāo)灰度圖 ( ) L target)分別為 pL p 、 的亮度值 D

37、(p ) D t)分、t；、srcitargetisrcitarget 點的鄰域所有像素亮度值的標(biāo)準(zhǔn)偏差。、ti5) 選出候選像素集合P 中各像素匹配誤差Err 中的最小值Err min，則將Err min對應(yīng)的i像素點 p 存入M 中。iij6) 根據(jù)目標(biāo)圖得到輸出圖像上各點的l分量、根據(jù)M 得到源彩色圖像上與它匹配ij華東交通大學(xué)畢業(yè)設(shè)計23目前用于圖像識別的特征主要有形狀特征、顏色特征、紋理特征等。形狀特征主要描述目標(biāo)區(qū)域的幾何性質(zhì)，物理意義明確，計算簡單。紋理特征反映了一個區(qū)域中像素灰度級的空間分布屬性。華東交通大學(xué)畢業(yè)設(shè)計、 (1) 顏色空間1) 目前森林火災(zāi)的監(jiān)視圖像大多是彩色的,

38、它們存儲的相應(yīng)圖片都是 R 、G 、B 色彩空間描述的 24 位真彩色圖片.經(jīng)查閱文獻發(fā)現(xiàn),這些圖片的火焰色彩在 、 、 空間上Y 分布比較均勻, R、G 、B空間轉(zhuǎn)換到Y(jié) 、 、 空間的公式是：Y 0.1140R G 2) RGB與空間的相互轉(zhuǎn)換的轉(zhuǎn)換過程如下：第一步：RGBXYZZB SZ第三步：RGBLMSM GS13 1 1 11 02M 6S 10 02 RGB空間的轉(zhuǎn)換如下：l 第一步：LMS華東交通大學(xué)畢業(yè)設(shè)計3366S22LG MBS 表達和分析顏色分布特征的另一種方法是顏色矩的計算。這種方法的數(shù)學(xué)基礎(chǔ)在于圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中

39、在低階矩中，因此僅采用顏色的一階矩、二階矩和三階矩就足以表達圖像的顏色分布。與顏色直方圖相比，該方法的簡便之處在于無需對顏色特征進行向量化。顏色的三個低次矩在數(shù)學(xué)上表達為：1NpNjA）1 12N2Njj1A1 1N(s3Njj1ANjA結(jié)合火災(zāi)圖像的特點，我們定義幾種反映物體形狀特征的形狀參數(shù)，然后再根據(jù)具體問題考慮度量方法和采用什么樣的特征向量。定義1 未校準(zhǔn)面積計算方法是統(tǒng)計邊界內(nèi)部也包括邊界上)的像素的數(shù)目。與這個定義相對應(yīng)，周長就是圍繞所有這些像素的外邊界的長度。通常，測量這個距離時包含了許多 90的轉(zhuǎn)彎，從而夸大了周長值。定義 2 各邊界像素中心為頂點的多邊形，相應(yīng)的周長就是一系列

40、橫豎向 (p和對角線方向華東交通大學(xué)畢業(yè)設(shè)計p N 1/2NeOeo另一種表達形式為P l 2/2i1ii定義 3 C P2/ A的平方與面積的比，這個特征對圓形形狀取最小值4 ，物體形狀越復(fù)雜其值越大。3 彩色分割的目的是把圖像分成互不相干的幾個區(qū)域，每個區(qū)域有著均勻一致的性質(zhì)。56機模型的方法 。彩色圖像的分割主要有兩個方面，一是選擇合適的彩色空間；二是采用784.1.1 引言圖像分割是圖像處理和視覺研究中的基本技術(shù) ,是大多數(shù)圖像分析及視覺系統(tǒng)的重要組成部分。通常的彩色圖像分割或者利用顏色信息進行分割或者利用亮度信息進行分割 ,這兩者都未充分考慮彩色圖像的整體信息,從而影響了分割效果。4

41、.1.2K-均值聚類算法(1)選取 K 個聚類中心:v ,v , ,v (上角標(biāo)記為聚類中的迭代次數(shù))。1k(2)對于樣本X(設(shè)進行到第K次迭代)如果| X v | X v | X S S 是以vkkjkji為集類中心的樣本集。華東交通大學(xué)畢業(yè)設(shè)計(3) 計算各聚類中心的新向量值:1v kk1njj Xjjj(4) 如果v v ,( j ,k)(2)步,將全部樣品重新分類,重新迭代計算；k1j如果v v ,( j ,k)，則結(jié)束。k1kjj對醫(yī)學(xué)圖像進行分析，發(fā)現(xiàn)分成骨頭、肌肉、皮下組織、背景四類比較好，灰度值分別約為 230、130、50、0。 n k t 0.16n k t 0.16k t

42、 powern華東交通大學(xué)畢業(yè)設(shè)計 k t 0.8n圖從圖 4.1 可得：原圖皮下組織中有很多孔，骨頭中有骨髓；灰度化開運算的孔減少了，骨頭中全部歸為骨頭一類；灰度化閉運算圖像整體較暗，部分皮膚邊界不存在；中值濾波孔也多，但沒有一個點的孔；中值濾波在一定程度上減少了孔，但邊緣被模糊了；高斯整個圖像變亮了，邊緣保持得不好；各向異性擴散所減少很多，邊緣保持得相當(dāng)完整；改進各向異性擴散效果更佳；邊緣增強改進各向異性擴散中有噪聲；改進邊緣增強改進各向異性擴散的邊緣增加得太強，以至把皮膚歸為骨頭一類。4.1.4K-均值聚類算法分析預(yù)處理方法高斯濾波均值聚類運行時間15151616151615151516

43、(ms)K-均值聚類算法的優(yōu)點是:它能夠動態(tài)聚類,具有一定的自適應(yīng)性。但是,K-均值聚類的結(jié)果易受聚類中心的個數(shù) k 及初始聚類中心的影響,同時也受樣本的幾何形狀及排列次序的影響。因此,算法能否收斂取決于樣本的特性和其能夠形成不同區(qū)域的個數(shù)。華東交通大學(xué)畢業(yè)設(shè)計4.2C-均值模糊聚類4.2.1C-均值模糊聚類原理根據(jù)某種相似性準(zhǔn)則把一幅圖像的點分類叫圖像分割。模糊聚類圖像分割的優(yōu)點是直觀、實現(xiàn)容易。模糊 C 均值聚類(FCM)算法是聚類方法中最為著名的,它是 Dunn 在推廣硬C 均值(HCM)算法的基礎(chǔ)上提出的 ,Bezdek 把這一工作進一步推廣到一個模糊目標(biāo)函數(shù)1011XR12nikk的

44、隸屬度，用一個模糊隸屬度矩陣 U uiku 0i c,0 k nu k nik通過最小化關(guān)于隸屬度矩陣U 和聚類中心V 的目函數(shù)J U,V)來實現(xiàn)：mnc ( )udm2Mikki其中，U u 為滿足條件(1)的隸屬度矩陣，V v ,v , ,v R 為 個聚類中心點集，cpc12cikm)為加權(quán)指數(shù)，當(dāng)m 1時，模糊聚類就退化為硬 C 均值聚類。第 k 個樣本到第 i 類中心的距離定義為：TkikikikiA其中，A為 的正定矩陣，當(dāng)A I 時，即為歐氏距離。p p4.2.2C-均值聚類算法12c華東交通大學(xué)畢業(yè)設(shè)計1cj1jkknmk，ik1nikk1重復(fù)步驟(3)、直至式收斂。當(dāng) ( ,

45、 )0時，會出現(xiàn)奇異值，隸屬度不能用(3)式計算。對非奇異值的類，其對d2ki4.2.3C-均值聚類實驗華東交通大學(xué)畢業(yè)設(shè)計n k t 0.16n k t 0.16n圖C-均值聚類分類后，圖的顏色會變，圖 4.2 中的背景變白了，即灰度增加了。分類準(zhǔn)確率高，其中改進各向異性擴散的效果最好。4.2.4C-均值聚類算法分析各種圖像預(yù)處理再用 C-均值聚類的運行時間如下：3875 1687 1688 1953 3250 5610 16724641193827344.3K-均值聚類與均值聚類效果比較華東交通大學(xué)畢業(yè)設(shè)計從表中可以看出，均值聚類比 C-均值聚類快 100 均值聚類需要給出分類數(shù)，而且初始

46、化每個類的中心；C-均值聚類只需給出分類數(shù)，可自動確定分類中心。華東交通大學(xué)畢業(yè)設(shè)計所謂圖像分割是指將圖像中具有特殊意義的不同區(qū)域區(qū)分開來，這些區(qū)域是互相不交叉的，每一個區(qū)域都滿足特定區(qū)域的一致性。從處理對象角度來講，分割是在圖像矩陣中對所關(guān)心的目標(biāo)的定位。顯然，只有用這種方法把“感興趣的目標(biāo)物體”從復(fù)雜的影像中提取出來，才有可能進一步對各個子區(qū)域進行定量分析或者識別，進而對圖像進行理解。圖像分割可用的特征包括圖像灰度、著色、紋理、局部統(tǒng)計特征或頻譜特征等，利用這些特征的差別可以區(qū)分圖像中不同目標(biāo)物體，由于我們不能利用圖像信息中某些部分特征分割區(qū)域，那么，各種方法必然帶有局限性和針對性，只能針

47、對各種實際應(yīng)用領(lǐng)域的需求來選擇合適的分割方法。圖像分割在不同領(lǐng)域中有不同的叫法，如目標(biāo)輪廓技術(shù)、閩值化技術(shù)、圖像區(qū)分、求差技術(shù)、目標(biāo)檢測技術(shù)、目標(biāo)識別技術(shù)、目標(biāo)跟蹤技術(shù)等，這些技術(shù)本身或核心實際上也是圖像分割技術(shù)。圖像分割是圖像工程框架中的組成部分，具體地屬于圖像分析層次。圖像工程是一個對整個圖像領(lǐng)域進行研究應(yīng)用的新學(xué)科，它的內(nèi)容非常豐富，根據(jù)抽象程度和研究方法等的不同可分為三個各有特點的層次：圖像處理、圖像分析和圖像理解。圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，在圖像工程中占據(jù)重要的位置。這是因為一方面，它是目標(biāo)表達的基礎(chǔ)，對特征測量、特征提取及度量有重要的影響；另一方面，因為圖像分割及其

48、基于分割的目標(biāo)表達、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使更高層次的圖像分析和理解成為可能。這里用集合概念給出圖像分割的定義:令集合RR的分割可以看作是將R 分成N 個滿足以下條件的非空子集子區(qū)域) R,R ,.R 。12NN R Rii1iji對i j P(R R )有iji條件指出在對一幅圖像的分割結(jié)果中全部子區(qū)域的總和并集應(yīng)能包括圖像中所有的像素?；蛘哒f分割應(yīng)將圖像中的每個像素都分進某個區(qū)域中。條件指出在分割結(jié)果中各個子區(qū)域是互不重疊的，或者說在分割結(jié)果中一個像素不能同時屬于兩個區(qū)域。條件指出在分割結(jié)果中每個小區(qū)域都有獨特的特性，或者說屬于同一個區(qū)域的像素應(yīng)是有某些華

49、東交通大學(xué)畢業(yè)設(shè)計相同特性。條件指出在分割結(jié)果中，不同的子區(qū)域有不同的特性，沒有公共元素，或者說屬于不同區(qū)域的像素應(yīng)該具有一些不同的特性。條件要求分割結(jié)果中同一個子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的，即同一個子區(qū)域內(nèi)的任兩個像素在該子區(qū)域內(nèi)互相連通。、識別方法預(yù)處理B-P(Back-Propagation) 華東交通大學(xué)畢業(yè)設(shè)計） ） jij pji jw i jpij y n f s njjj f n jj1y n jj y n jexp(s (n)j2jjje (n) e(n)d (n) y (n)為 djjijj1q22jNn1w ij ( ) ( )n x nwijjiij jjjjjn d n

50、 y n f s njjjjj j( ( )w n njjjjkk j wkij）nn1 AV華東交通大學(xué)畢業(yè)設(shè)計華東交通大學(xué)畢業(yè)設(shè)計第二章是介紹數(shù)字圖像處理的基本運算，為后面幾章的知識做輔墊。第三章詳細(xì)介紹二值化開運算、二值化閉運算、灰度化開運算、灰度化閉運算、均值濾波、中值濾波、高斯濾波、各向異性擴散濾波等圖像預(yù)處理，各向異性擴散還有很多值得改進的地方，如本論文使用的是前向差分迭代格式來代替連續(xù)的微分，若把它改成后向的或者兩者結(jié)合，可能效果更好。第四章論述 均值聚類和 C-均值聚類模糊聚類分類算法。預(yù)先給定分類數(shù)和每一個類的初始中心；C-均值聚類只需給定分類數(shù)就可以了，但是速度很慢，可以再

51、在算法上加以改進。先對圖像進行預(yù)處理再分類，可以使分類更準(zhǔn)確。但試想一下，原始圖像上把各種圖像預(yù)處理排列組合都用上，將會得到很多不同結(jié)果，這方面還有待于研究。第五章是把各種圖像預(yù)處理和分類用到三維重構(gòu)的技術(shù)上，改進三維重構(gòu)的效果。在對重構(gòu)的切片進行 C- 288 之久，讓人難以忍受，這說明 C-均值聚類算法需要改進。 deng8bing.華東交通大學(xué)畢業(yè)設(shè)計首先，要感謝蔣先剛教授，作為我的指導(dǎo)老師，為我選擇了一個相當(dāng)有工程應(yīng)用意義的課題，提供了大量有關(guān)資料，在我設(shè)計中遇到困難時，他悉心指導(dǎo)，提出了很多意見，使我的設(shè)計逐漸完善。其次要感謝大學(xué)四年里教過我的老師，值得一提的是盛梅波、鄧志國、廖維川

52、等老師，是他們釋解了我在數(shù)學(xué)、數(shù)字圖像處理、編程上的不少疑問。此外要感謝咼長偉同學(xué)，是他那臺奔四的電腦幫我順利完成了畢業(yè)設(shè)計。同時感謝在我設(shè)計的過程中給予了不少方便的同學(xué)。最后要感謝我深愛的親人，是他們無私的幫助使我完成了大學(xué)學(xué)業(yè)。華東交通大學(xué)畢業(yè)設(shè)計5. J , . : , , . : , 華東交通大學(xué)畢業(yè)設(shè)計 : . : , , , , , . , . , , . , . . . . , , 陳秀新, 蘇維均. , 王海濤, 黃文杰, 朱永凱, 田貴云, 姬建崗. , , . A 華東交通大學(xué)畢業(yè)設(shè)計 , . , , . , , , . , . a . , 楊家輝, 土建英. 基于色彩分割

53、與體態(tài)紋理分析的車牌定位方法 計算機與現(xiàn)代化, , . , . . 華東交通大學(xué)畢業(yè)設(shè)計附錄AA to General purposed color image segmentation is a challenging and important issue in imageprocessing related applications.However, few systems successfully handle this issue within abroad diversity of images.In this paper, we are seeking for a practic

54、al and generic solution toimage segmentation. As a fast segmentation process, K-means based clustering is employed infeature space first.Then, in image plane, the spatial constrains are adopted into the hierarchicalK-means clusters on each level. The two processes are carried out alternatively and i

55、teratively.Also, an effective region merging method is proposed to handle the over segmentation.Extensiveexperiments show the proposed approach is fast and generic, thus practical in applications.1. IntroductionColor image segmentation plays a key role in many visual applications. For example, inCBI

56、R (content-based image retrieval)system, region-based image retrieval attempts to overcomethe deficiencies of low-level feature based approaches, such as color histogram,color layout,andtexture1.The MPEG-4 standard also advocates object-based video compression for highcompression efficiency 2. In fa

57、ct, image segmentation is a key step for image understanding,which is a natural manner to obtain high-level semantic3.However,due to lacking of effectiveand practical approach to image segmentation,these important applications undergo a slowprogress.In this paper,we attempt to provide a generic inte

58、rmediate segmentation of images,instead of aiming at pixel-based precision, or object-based segmentation. Such intermediateresults can be reused by all kinds of high-level applications according to their own requirements.There existed a number of image segmentation methods in literatures. However, t

59、heyare suffering from their own problems respectively. JSEG approach 4proposes a notion of “Jimage” to measure the confidence of pixels to be boundaries orinteriors of color-texture regions, and uses a region growing method to segment theimage based on the J-images. One major problem in JSEG is caus

60、ed by the varying shades due tothe illumination. Some stochastic model based approaches 5 have strong assumptions onfeature distribution. But it is hard to prove the correctness of those assumptions, whendealing with thousands of diverse natural images. The approach proposed in 6 takesadvantage of r