7.2 視覺底層處理

1、7.2基于視覺的基底處理、2010-5-5、基于視覺的基底處理、本節(jié)的主要內(nèi)容是，基于7.2.1局部邊緣檢測的分割算法7.2.2.3特征的提取和匹配、基于視覺的基底處理、視覺系統(tǒng)的低級別的處理通過通常分割算法來實現(xiàn)基于局部邊緣的檢測分割算法2 )基于區(qū)域的分割算法、基于7.2.1局部邊緣檢測的分割算法、物體的邊界總是以圖像灰度的急劇變化的形式出現(xiàn)。 視覺系統(tǒng)的實驗表明，圖像中的邊界是識別一個物體的最敏感元件。 由此，人們啟示是否能夠利用邊界輪廓來表現(xiàn)物體，并且設定各種算法，從圖像的灰度值直接找到物體的邊界。 在物體的信噪比低的情況或邊界具有復雜的形狀的情況下，難以實現(xiàn)。 7.2.1基于局部邊緣

2、檢測的分割算法將圖像改變?yōu)榫哂芯植炕叶韧蛔兊男螤?，并將它們的邊緣復合到更細的邊界中?一般的邊緣檢測算子是梯度算子(例如Laplace Sobel算子)，并如圖7.2所示用于使用梯度算子來檢測理想邊緣輪廓的實驗結(jié)果。 根據(jù)圖7.2的理想邊緣輪廓，即7.2.1局部邊緣檢測器的分割算法，梯度運算符可將每個像素上的梯度表示為E(x，y)=(Ex2(x，y)ey2的梯度運算符簡并公式如果使用|Ey|，則如圖7.3所示，Ex，Ey是x，y方向的偏微分，表示如下。 離散Laplace算子的形式是基于圖7.3圖像的3*3區(qū)域和7.2.1局部邊緣檢測的分割算法，其通過實驗證明該算法對線段噪聲更加敏感。 自然界

3、中包含不同大小的物體，需要選擇不同的濾波器，使邊緣檢測能夠提取多尺度的物體邊緣。 因此提出了一種多分辨率邊緣檢測算法。 Marr等人首先采用高斯函數(shù)來平滑圖像，然后通過采用Laplace函數(shù)從二次導數(shù)過零點檢測圖像的邊緣并連續(xù)變化的方法從一系列粗邊緣得到細邊緣。 具體算法是首先對圖像應用高斯函數(shù)的卷積濾波，濾波結(jié)果是去除原圖像噪聲點和最小尺寸的細節(jié)，以更確保檢測邊緣。 邊點是二次導數(shù)的零交叉點。 7.2.1基于局部邊緣檢測的分割算法。 其中，高斯濾波器函數(shù)2表示Laplace運算，*表示卷積運算。 將上述兩個運算變換為一個運算，通常是通過用Log函數(shù)與原圖像進行卷積而完成的。 上式的對數(shù)形式是

4、基于7.2.1局部邊緣檢測的分割算法，二維坐標系中的圖形如圖7.4所示。 在該圖中，水平軸x、垂直軸明顯變大時，檢測出的邊緣減少，能夠以某分辨率檢測一定比例的邊緣。 小時，圖中包含許多“細”節(jié)；相反，大時，圖中的細節(jié)“粗”多。 如何把“粗”“細”的故事整理成單一的形式，仍然是個有趣的問題。 基于7.4高斯濾波器、圖7.5多尺度的邊緣檢測、7.2.2區(qū)域的分割，上一節(jié)討論了線特征的邊界分割法，本節(jié)介紹了閾值區(qū)域分割法和分割與綜合兩種區(qū)域分割方法。 1 .閾值區(qū)域分割方法對于包括物體和背景的圖像，通常選擇閾值來從背景中區(qū)分物體。若圖像中存在多個不同的目標區(qū)域，則每個區(qū)域具有獨自的灰度特性，在此情況

5、下，灰度圖像的直方圖中存在多個峰，每個峰對應于一個或者多個區(qū)域，使用單閾值分割法能夠從灰度圖像正確地分割不同的區(qū)域目標為了克服上述缺點，可以對圖像進行高通濾波以去除低頻背景變化，然后使用原始閾值方法和空間可變閾值方法。 基于7.2.2區(qū)域的劃分，當使用2、劃分和合并灰度特征來劃分圖像時，噪聲可形成偽邊緣以形成假目標。 另一方面，在分裂和整合的方法中，可以分離屬于不同物體的對象，整合同一物體的對象。 在分裂和整合過程中，可以采用整合具有相鄰同種屬性的領域的啟發(fā)信息。 排除疑義邊界利用區(qū)域間的拓撲特征關(guān)系利用場景中的形狀信息和利用場景中的意義信息，進行7.2.2區(qū)域的分割、分裂整合算法過程：分裂過

6、程：一個區(qū)域?qū)傩圆灰恢戮捅仨毞至言搮^(qū)域。 有兩個問題。 一種是判斷一個區(qū)域?qū)傩允欠癫灰恢碌姆椒ǘ?、如何分裂這兩個區(qū)域？ 對于前者，對于可以利用灰度方差和最佳函數(shù)誤差技術(shù)判斷同一區(qū)域的屬性是否一致的后者，采用規(guī)則分類算法(四叉樹算法)。 現(xiàn)在許多綜合算法都判斷兩個區(qū)域具有相同的屬性。 這些區(qū)域基于區(qū)域的灰度特性和區(qū)域的邊界特性進行了整合。 (1)比較他們的灰度平均值，如果兩個區(qū)域的灰度平均值低于閾值，則可以考慮合并兩個區(qū)域。 (2)若灰度值服從概率分布，則根據(jù)相鄰的兩個區(qū)域的灰度是否具有相同的概率分布，來判斷相鄰的兩個區(qū)域是否合并。 例如，假定鄰接的區(qū)域R1和R2有2個，各自的像素數(shù)是m1、m

7、2，2個區(qū)域?qū)儆谕晃矬w，它們的灰度分布屬于高斯分布。 兩個區(qū)域?qū)儆诓煌奈矬w，各區(qū)域的灰度分布為高斯分布，各自。 如果綜合因子l=2個目標區(qū)域概率/相同目標區(qū)域概率=P1*P2/P=低于特定閾值，那么可將這2個區(qū)域綜合為一個目標區(qū)域，以便基于對7.2.2區(qū)域的劃分確定是否合并兩種類型的鄰近區(qū)域。 7.2.3特征提取和匹配，特征提取和匹配是視覺基礎處理中極其基本和重要的技術(shù)。 1 .特征提取特征提取是基于形狀的邊界或區(qū)域的表示和描述。 顯示方式是鏈碼，用鏈碼顯示的方式簡單。 最常用的是如圖7.6所示的Freeman代碼，其次是多邊形的段近似表現(xiàn)，采用將原來的輪廓分割成幾個線段來表現(xiàn)的算法。 片

8、段近似算法可以基于片段聚合與片段劃分的組合。 段合并首先將輪廓分割為足夠小的段，然后遞歸地對這些段應用合并策略，構(gòu)建大的段，進一步合并，直到發(fā)生合并度差的段為止。 7.2.3與特征提取匹配，(a )四向連通(b )八一方向連通(c)(d )分別是邊界輪廓圖(e )四單鏈代碼圖(f )八一鏈代碼圖，7.2.3段分裂開始時，首先將一條曲線擬合到整個輪廓上，該擬合程度足夠邊界描述也是物體特征提取的基礎，F(xiàn)ourier描述方法經(jīng)常使用，用Fourier級數(shù)表現(xiàn)區(qū)域邊界。 對于這樣的基于頻域的描述方法，其包括的系數(shù)越多，形狀特征量的精度越高。7.2.3特征提取和匹配、Fourier描述方法對于一般形狀的物體，只需取邊界曲線Fourier展開式中的一些低次系數(shù)，即可獲得好的描述。形狀和邊界的描述對物體識別起著特別重要的作用。 通常，特征被分類為形狀特征，如拐角；參照特征，如力矩特征。 角點、曲線拐點等特征點是非常重要的特征，The和Chin分析比較了一些特征檢測算法，基于高曲率的關(guān)鍵點檢測算法對緩慢過渡的拐點檢測不到(如圓弧和直線的切點)。 因此，本文介紹一種自適應檢測關(guān)鍵特征點的方法。 如圖7.7所示。 與7.2.3特征提取相匹配；圖7.7關(guān)鍵特征點提取過程(a )邊界輪廓圖(b )曲率信號圖(c )曲率信號濾波結(jié)果(d )特征點提取曲率信號的濾波處理假設為對I0(s )進