5、、li均窄问模板
    图3—5综合正交算子边缘检测算子模板
    以上几种边缘检测算子对苹果图像处理的结果如图3．6所示。由于检测出的
边缘较粗，必须对检测出的边缘进行细化处理，可以看出，Sobel算子效果较好，
而且运算较快。因此本人在对苹果分级时使用的是Sobel算子进行边缘检测。
a．原始图像    b．Sobel算子    c．Prewitt算子
d．Laplacian算子
3．2．3图像二值化
图3—6边缘检测结果
  把图像分割成具有某种意义的部分图像的方法称为图像的区域分割。区域分
割的目的是为了将图像分割成有意义的区域，这个“意义”的含义根据解决的问
题不同而不同。例如航空识别应用中的三维物景图像，通过分割识别出某些目标
区域，如山脉、河流、公路、住宅区、工业区等。也就是将图像分割成具有一致
特性像元区域。所谓一致特性是指：(1)图像本身的特性；(2)图象所反映的景物特
性；(3)图像结构语意方面的特性。
    图像分割的依据一般建立在相似性及连续性两个概念上。相似性是指同一个
区域的像点应是类似的，类似于一个集合。根据类似性原理可以把许多点分成若
干相似区域。用这种方法就可确定边界。非连续性是指从一个区域进入另一个区
域时，一定出现的某些变量发生突变。由此图像中常常像素值发生变化，从而把
区域中的边界找到。
    由于同一个区域中像素是以不同的灰度等级区别的，因而以相似性为基础的
区域分割是对灰度取阈值。例如对物体和背景来说，若物体较黑而背景较淡，则
可用图像的双峰直方图来进行区分。在直方图的谷底取阈值，就可以把背景和物
体区分开来了。图像中的实际分界线就是图像中的由物体和背景的灰度差所组成。
可以看出。相似性方法进行图像区域分割的关键是利用直方图找到阈值。
  但是有时利用相似性分割并不能解决问题，我们就不得不考虑非连续性方法
了。非连续性分割方法实现起来比相似性方法要麻烦一些，但是这种方法比较灵
活。首先它必须找到不连续的特征变化量，其次它的边界可能不连续，有一个边
缘连接的过程。
3．2．3．1图像二值化
    图像二值化是应用最为广泛的图像分割技术，在自动识别、图像分析、文本
增强以及．OCR等图像处理中得到广泛应用。图像二值化的关键技术是阈值的选
取。在过去的近三十年里，许多的学者在如何确定图像的阈值这个问题上做了大
量的研究。根据其对像素的处理方式可以分为两大类：基于局部的阈值选取方法
和基于全局的阈值选取方法。基于全局的阈值选取方法比较多经典的阈值选取方
法以灰度直方图为处理对象，后来引入了熵的概念于图像处理技术中，提出了许
多基于熵酌二值化方法。随着神经网络技术在信号处理方面的广泛应用，利用神
经网络进行图像分割及边缘检测取得了很大的成就，在图像进行二值化中也有应
用。遗传算法应用于阈值分割的实例有基于模糊度量的遗传算法。
  现有的二值化的方法很多，灰度直方图法、微分直方图法、非等同熵法、最
因此，只要选择合适的阈值，二值化的效果就不错。但是实际上有很多苹果
b．a的直方图
c．b平滑后的直方图
    d．原始图像二    e．d的直方图    ￡d平滑后的直方图
    ’    图3．8苹果图像几种类型直方图
图像不是那么理想，出现的灰度图像有如图3．8情形。从苹果的灰度直方图可以
看到都有峰值出现，但是有的有多个峰值，有的还有一些小的干扰峰值，而且整
个灰度图毛刺(噪声)较多。如果在寻找阈值时首先对灰度图进行平滑处理，然后
在进行二值化效果会很好。进行平滑处理后，还会出现多个峰值，本算法采用求
多个峰点的中间点作为阈值点。具体的处理过程如下：
  (1)灰度图平滑：在灰度直方图中，设横坐标用x表示，纵坐标用g(x)表示。
对直方图进行平滑时，x的g(x)值为与戈相邻的的几个横坐标的纵坐标的平均值。
用数学表示为：
    1工+七
    g’(x)=圭∑g(i)    (3．7)
    n#J
其中尼为所取相邻的坐标的个数；z所要计算的横坐标，g’(x)是z的新值。g(x)
是原x处的函数值。如图3．8的c，f图是k=3时，平滑前后的图像。显然直方图
平滑后的图像特征明显多了，峰值和谷点都相对于处理前容易找到。
    (2)阈值计算：直方图经过平滑以后，还有很多的峰值和谷点，而并不象假设
的那样容易的只有一个谷点。为此计算阈值本文采用求多个峰点的中间点，计算
■一●
    图3-9改进算法流程
步骤为：首先在平滑后的直方图上找出所有的极大点尸，对g。(x)求一阶导数和二
阶导数可得；然后对所有的求得极大点求平均，平均值就是所要求的阈值。  数
学表示为：
  ’    丁=专和，    p8，
  在阈值计算时还应该考虑到除去小的噪声干扰，比如图像中小的峰值和谷点
应该剔除。图3．9是该种算法计算流程图。利用改进的灰度直方图二值化效果较
好，可参见图3．10。
i
酝女
a．原始图像    b．直接二值化T=127    c．改进二值化T=147
d．边缘检测图
e．直接二值化T=128    f改进二值化T=138
  图3—10二值化效果图

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]  ... 下一页  >>