真彩色图像范文（精选8篇）
真彩色图像 第1篇
关键词：真彩色图像,锐化,平滑,马赛克
0 引言
数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理中,输入的是质量低的图像,输出的是改善质量后的图像。从70年代开始,人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界,这被称为图像理解或计算机视觉。近年来,图像理解虽然在理论方法研究上已取得不小的进展,但它本身是一个比较难的研究领域,因为人类本身对自己的视觉过程还了解甚少,所以计算机视觉是一个有待人们进一步探索的新领域。
1 真彩色图像处理
真彩色图像,即24位彩色数字图像。本文中把真彩色数字图像处理技术分为四个部分来实现,分为图像的锐化、平滑、马赛克、浮雕。
1.1 真彩色图像的锐化程序及效果
1.1.1 锐化
在图像获取、传输及处理过程中有许多因素会使图像变得模糊。图像模糊是常见的图像降质问题。研究表明,图像模糊的实质是图像受到了求和、平均或积分运算。因此,可以不必深究图像模糊的物理过程及其数学模型,而根据各种图像模糊过程中都有相加或积分运算这一共同点,运用相反的运算来减弱和消除模糊。这种消减图像模糊的图像增强方法称为图像锐化。图像锐化的主要目的是加强图像中的目标边界和图像细节。进行锐化处理的图像必须要有较高的信噪比,否则,图像进行锐化以后,信噪比更低,图像质量将急剧下降。
1.1.2 锐化程序处理
锐化图形就是要突出形体的边缘。边缘也就是颜色值发生显著变化的地方,在程序中采取了下列算法:
newcolor=originalcolor+0.5difference
difference表示相邻像素之间的差值。0.5为锐化系数。
1.1.3 锐化效果
初始图像如图1所示,锐化后的图像如图2-4所示。
可以通过改变锐化系数来调节锐化效果。以上图示为取不同的锐化系数时,有不同的锐化效果。由图2-4可以看出,锐化系数越大,锐化效果就越突出。
1.2 彩色图像的平滑程序及效果
1.2.1 平滑
图像平滑的目的之一是消除噪声;其二是模糊图像,在提取大目标之前去除小的细节或弥合目标间的缝隙。从信号频谱角度来看,信号缓慢变化的部分在频率域表现为低频,而迅速变化的部分表现为高频。对图像而言,它的边缘、跳跃以及噪声等灰度变化剧烈的部分代表图像的高频分量,而大面积背景区和灰度变化缓慢的区域代表图像的低频分量。因此,可以通过低通滤波器即减弱或消除高频分量而不影响低频分量来实现图像平滑。在RGB模型中,每个像素有三个颜色分量,可以用一个在RGB坐标系中的向量来描述。记c为RGB坐标系中任意向量,由数字图像的定义可知,向量c是像素位置(x,y)的函数,则
undefined
式中:x=0,1,2,,M-1;y=0,1,2,,N-1。对于一个MN的图像而言,有MN个这样的向量。利用Box模板对彩色图像进行平滑可用下式表示:
undefined
即
undefined
式中:S是以(x,y)为中心的邻域的集合;M为S内的像素点数。
1.2.2 平滑程序处理
图像的边缘,即第一行或最后一行,第一列或最后一列,如果取平均值或计算差值时需要特殊处理,否则会有明显的轮廓,由于图像文件很大,处理时要把图像文件分成n个等份,每次只处理其中一份,因此,应保留上次处理的几行,同下一次一起处理,这样就使得图像的边缘同中间算法一致,不会产生轮廓。所以程序中,先处理前面几行:
再处理中间几行:
最后处理后面几行:
1.2.3 平滑效果
初始图像如图1所示,平滑后的图像如图5-6所示。
影响平滑程度的一个因素是选取像素块的大小,上图表示为取不同的平滑系数时,有不同的平滑效果。由图5-6可以看出,加强平滑效果,即是通过改变像素块的大小来调节平滑强度。平滑系数越大即所选取的像素块越大,产生的平滑效果越强烈。
1.3 马赛克的程序及效果
1.3.1 马赛克
马赛克效果,其原理是将图像从形式上划分为很多小块,在每块内的各个像素都取到相同的红、绿、蓝颜色值,从而对某些细节进行模糊化处理,使图像粗糙化。马赛克处理后,图像每一小块矩阵内的所有像素值都取该矩阵内各像素值之和的平均值。马赛克显示是指图像被分成许多的小块,它们以随机的次序显示出来,直到图像显示完毕。将欲生成马赛克效果的图像分成nn个像素块,每个像素块的像素取平均值作为这nn个像素点的值。
1.3.2 马赛克效果
初始图像如图1所示,马赛克后的图像如图7-8所示。
马赛克处理过程中,分成的像素块大小不同,处理效果也不同。以上图示为取不同马赛克因子,即取不同的像素块大小,有不同的处理效果。由图7-8可以看出,马赛克因子越大,图像越模糊。
1.4 彩色图像的浮雕程序及效果
1.4.1 浮雕
浮雕效果是只将图像的变化部分突出出来,而相同颜色部分则被淡化,使图像出现纵深感,从而达到浮雕效果,采用的算法是将要处理的像素取值为与处于前一个相邻像素间的差值,这样只有颜色变化区才会出现色彩,而颜色平淡区因差值几乎为零则变成黑色,可以通过加上一个常量来增加一些亮度。
G(i,j)=f(i,j)-f(i-1,j)+常量 (3)
其中,G(i,j)为处理后图像的像素值,f(i,j)为原图像的像素值,f(i-1,j)为前一个相邻像素的值,常量通常取值为128,即
Red=R-r+128 (4)
Blue=B-b+128 (5)
Green=G-g+128 (6)
上式中,R,G,B为当前原像素f(i,j)的红绿蓝3个分量值,r,g,b为前一个相邻像素f(i-1,j)的红、绿、蓝3个分量值,Red,Blue,Green分别为处理后的图像G(i,j)的像素值。
1.4.2 浮雕效果
初始图像如图9所示,浮雕后的图像如图10所示。
2 结束语
本文通过C++算法和程序的设计,实现了对真彩色图像进行的处理,包括图像的锐化、平滑、马赛克、浮雕,取得了较好的多媒体效果。
参考文献
[1]陈天华.数字图像处理[M].清华大学出版社,2007,6:36-38.
[2]章毓晋.图像工程上册图像处理和分析[M].北京:清华大学出版社,1999:53-55.
彩色世界真奇妙小班教案 第2篇
1、喜欢与同伴一起唱歌，体会与同伴一起唱歌的乐趣。
2、学唱歌曲，能用自然、欢快的声音演唱。
3、尝试用不同的动作表达对歌曲的理解。
活动重点
学唱歌曲，能用自然、欢快的声音演唱。
活动难点
尝试用不同的动作表达对歌曲的理解。
活动准备
自制歌曲图谱、《彩色世界真奇妙》音乐CD、幻灯片(PPT)。
活动过程
一、欣赏歌词，激发幼儿兴趣
师：蓝蓝的天，绿绿的草，红红的小花随风飘，弯弯彩虹像座桥，彩色的世界真奇妙。
师：小朋友们，刚刚都听到了哪些颜色?
二、出示PPT图片，找一找歌词中的颜色
师：看一看这幅图中有没有刚刚我们说到的颜色?
师：我们身边还有那些东西是这些颜色的?
三、游戏――歌词接龙
师：咱们来玩一个歌词接龙的游戏，当老师说“蓝蓝的”，小朋友们就说“天”等蓝色的东西;当老师说“绿绿的”，小朋友们就说“草”等绿色的东西。(在玩这个游戏时，自然介入伴奏，帮助幼儿熟悉歌曲的旋律)
四、出示图谱，完整欣赏歌曲
1、出示图谱，便于幼儿记忆歌词
师：咱们一起来看着图谱说一说歌词吧。
2、教师范唱。
3、幼儿随音乐跟唱。
师：小朋友们可以随这音乐一起跟唱，忘了歌词的小朋友要记得看图谱哟!
师：小朋友们唱得真好听，那么小朋友们可以为歌曲加上漂亮的动作吗?老师播放音乐咱们大家一起加上漂亮的动作来表演表演吧!
活动延伸
真彩色图像 第3篇
彩色合成是遥感数字图像处理方法中, 最常用、最基本、也是最便捷有效的彩色增强处理方法, 是关于遥感图像处理研究最早的内容之一, 到目前为止一直在延续使用, 而且必不可少, 然而在教学中本人发现, 学生对于光学原理完成的彩色合成从理论上并不能很好的理解, 学生可以看到彩色图像, 可以按照排列组合的方式, 把所有能做的彩色合成全部完成, 观察到色彩的变化, 但是很难将色度学、地物波谱特性、图像灰度值、图像透光性等知识融合到一起进行综合分析, 从原理上明白色彩变化的原因。本人从事遥感地质学教学工作多年, 将彩色合成的教学经验进行了总结, 希望对从事这方面教学工作的教师具有一定的帮助。
1 授课内容
假彩色合成, 从标准假彩色入手, 以植被为例。
1.1 MSS数据的光学标准假彩色合成
图1为从波段选择, 植被反射率, 图像色调、透明正片密度, 滤色片颜色、色光混合, 植被颜色7大方面对于标准假彩色图像上植被颜色为品红色原理的列表解释。
1.2 ETM+数据的数字标准假彩色合成、真彩色合成。
图2和图3为以ETM+、TM数据为例, 用数字图像处理的方法解释标准假彩色和真彩色合成的原理, 因为该原理的实现是在计算机的遥感软件下完成, 数据类型有一定的变化, 所以透明正片密度用图像密度来代替, 滤色片三原色, 由计算机的RGB三原色代替, 实现标准假彩色、真彩色合成。工作波段、名称、植物反射率、图像色调、DN值、图像密度、三原色、色光混合原理应该在本次课之前完成, 在课上介绍到哪一部分就要做相应的复习。
1.3 授课需特别讲明的问题
1.3.1 光学和数字假彩色合成原理区别
遥感图像彩色合成处理的对象或基础是多波段遥感图像, 单波段图像是地物在此波长范围内的反射波谱特性的直观显示, 关键是如何理解对模拟图像的光学图像处理时和对数字图像的计算机处理时不同显示方式的表象和实质。
光学图像处理:处理对象是模拟图像, 每一单波段图像可视为一张像片或一张透明正片。
反射率高的地物在银盐感光材料的相纸上 (正像) 、 (像片) , 银粒密度低, 色调浅;在银盐感光材料的片基上 (正像) 、 (透明正片) , 银粒密度低, 透光率高;合成时混入所配的某一原色光的量多。
反射率低的地物在银盐感光材料的相纸上 (正像) 、 (像片) , 银粒密度高, 色调深;在银盐感光材料的片基上 (正像) 、 (透明正片) , 银粒密度高, 透光率低;合成时混入所配的某一原色光的量少。
数字图像处理:处理对象是数字图像, 每一单波段图像可视为一个图层, 如同透明正片。
反射率高的地物DN值高 (透明正片透光率高) , 在显示器上亮度高, 混入所赋的某一原色光量多。
反射率低的地物DN值低 (透明正片透光率低) , 在显示器上亮度低, 混入所赋的某一原色光量少。
光学处理直观形象易于理解, 数字处理方便易行, 但容易忽视原理和为什么, 造成图像处理的盲目性、随意性, 对处理结果无法做出科学解释。授课过程中要注意讲明影像色调深浅与透明正片密度大小与透光率大小与单波段影像的DN值高低的相关性。
1.3.2 标准假彩色合成波段选择原理。
标准假彩色合成选择的波段为近红外、红光、绿光, 如本文中的MSS数据和TM数据, 选择的波段为MSS 7 (R) 、MSS5 (G) 、MSS4 (B) 和TM4 (R) 、TM3 (G) 、TM2 (B) , 都是由植被的波谱特征来决定的。植被在摄影红外波段如MSS7、TM4反射率奇高, DN值高, 在相应波段的图像上色调浅, 混入所赋的某一原色光多, 所以, 在多波段遥感图像彩色合成时, 为此波段图像所赋的原色光的颜色将成为合成图像的主导色。MSS5和TM3都是红光波段植被的反射率低, 处在红谷的位置, 透光性不好。MSS4和TM2都是绿光波段植被具有绿峰, 反射率较高, 图像密度较小, 透光性较好。大量的红光和少量的蓝光合成为非常偏红的品红色。
1.3.3 真彩色的原理
TM3、TM2、TM1分别为红光、绿光、蓝光波段 (图3) , 在彩色合成过程中恰好给予红、绿、蓝三原色, 则原来是红色的地物还是红色, 原来是绿色的地物还是绿色, 原来是蓝色的地物还是蓝色, 其合成色与地物原有颜色一致。例如, 原来是红色的物体, 是因为其反射了红光看起来是红色, 那么它在TM3红光波段的图像上反射率就会很高, 图像色调很浅, 透光性很好, 给一束红光恰好能透过, 地物看起来则为红色, 恢复了地物原有的颜色, 因此称TM3 (R) 、TM2 (G) 、TM1 (B) 为真彩色, 就是进行了色彩还原的真彩色图像, 这也是数字彩色摄影的基本原理。
1.3.4 模拟真彩色和真彩色之间的区别
如:MSS5 (R) 、7 (G) 、4 (B) 彩色合成的植被绿色为模拟真彩色, 而非真彩色, TM3 (R) 、TM2 (G) 、TM1 (B) 则为真彩色。原因在于, MSS没有蓝光波段的像, 缺少地物三原色的蓝光信息, 因此无论怎样彩色合成都不会与地物真实颜色相一致。
1.4 举一反三讲解的内容
前边已经把彩色合成的基本原理解释清楚, 可以用提问的方式, 由学生先观察、思考, 然后再讲解, 讨论完成本部分的几个问题。
1.4.1 植被的颜色为什么会不同
实际生长的植被, 由于一种植被处在不同的生长期, 遭受的病虫害不同, 其反射率也不同, 所以图像的密度, 透光性也不同, 所以植被在标准假彩色合成图像上虽然都是非常偏红的品红色, 但深浅也会相差很大, 如健康茂盛———亮红, 幼年———粉红, 病害———暗红, 成熟农作物—鲜红等。基本的规律是植被生长的越好, 反射率越高, 就会越偏红。
不同的植被, 如小麦、树木、灌木丛颜色会不同在讲解的遥感图像数据上找到相应的地物进行观察。
1.4.2 标准假彩色合成不同水质水体颜色变化特点
彩色合成中, 水体颜色的变化主要由水中所含物质来决定, 课上以TM432洞庭湖为例讲解, 水体当清而深时是黑色, 因为水体在三个波段上的反射率都较低, 红、绿、蓝三原色都不容易透出故为黑色;当水体中含泥沙时在TM3橙红光波段, TM2绿黄光波段, 泥沙具有一定的反射率, 增加绿、蓝光的透光率, 合成为淡青色;有水藻时TM4摄影红外波段反射率大大增强, 具有了植被的光谱特征, 呈现出带红点、红晕的图像特征。并可进一步为同学讲解水体污染监测, 如赤潮。
1.4.3 云、雪、冰在TM432标准假彩色合成时是什么颜色
云、雪、冰, 因其在TM432三个波段反射率均较高, 红、绿、蓝三原色光均能很好的透过来, 加色法合成为白色。
1.4.4 当遇到我们没有讲过的地物时, 如何分析其颜色
注意为学生梳理思路, 从地物的波谱曲线入手, 结合遥感图像波段特征, 按照图1、图2、图3的思路方法进行分析, 即可得到答案。
1.5 相关作业
草绘植被的反射波谱曲线。结合多波段假彩色合成实验, 综合分析植被在TM标准假彩色 (模拟真彩色) 图像上的色彩特征, 并说明为什么? (提示:植被的反射波谱特性、ETM+各波段的工作波长、植被在不同波段图像上的色调、透明正片的影像密度或DN值、波段与三原色光组合、色光加法混合原理)
2 授课方式
在课上首先把一幅图像由灰度变为彩色的, 勾起学生的好奇心, 然后按照“理论+实验”、“提问+讨论”方式完成教学。分别用光学图像处理方法和数字图像处理方法来实现。
光学图像处理方法, 采用多光谱彩色合成仪 (图4) , 在当今的数字化时代, 各种传统的光学图像处理方法几乎都得以在计算机上实现, 该仪器已少人问津, 但对直观地理解彩色合成图像处理的原理还起着难以取代的作用, 在这里仅作简要介绍, 该实验选用的是MSS数据。
实验选择MSS7, MSS5, MSS4三个透明正片, 图5 (左) 单波段图像, 对应多光谱彩色合成仪的三个通道, 以MSS7 (R) , MSS5 (G) , MSS4 (B) 的方式给三个透明正片配以红、绿、蓝三原色光, 即出现图5 (右) 的彩色合成以后的图像。当图像彩色合成实现后, 以洞庭湖下方代表芦苇分布的品红色区域为例, 按照图1的原理再强调一次原理, 学生才会有眼见为实的感触。
多光谱彩色合成仪可以将三原色顺序以C32种组合调整顺序, 除MSS7、5、4对应R、G、B为标准假彩色之外, 其它组合———统称非标准假彩色合成, 或直接称为彩色合成。其中MSS5 (R) 、7 (G) 、4 (B) 被称为模拟真彩色。
数字图像处理, 在计算机上, 用ERDAS等遥感图像处理软件完成, 选用TM、ETM+等数据均可。彩色合成处理过程较简单, 出现的效果需要依照图2和图3以及授课内容作出详细认真的讲解, 并注意单独观察TM4 (R) , TM3 (G) , TM2 (B) 具有植被部位的透光性, 分析透光性是否由其反射率来决定, 透过的光根据加色法彩色合成原理, 即得植被的颜色———品红色 (图5) 。
TM有7个波段, 6波段为热红外图像不参与反射波谱特性图像的彩色合成, 所以彩色合成选择TM1、TM2、TM3、TM4、TM5、TM7, 6个波段完成, 共有C63种合成方案, 老师再为学生演示TM3 (R) 、TM2 (G) 、TM1 (B) 彩色合成方案, 并按照授课内容讲解, 其余方案由学生自己操作, 体会其中的原理, 并总结颜色变化的原因, 完成1.3的作业。
3 课程内容重难点分析
本课程设计100分钟, 70分钟讲解加演示, 30分钟学生用ERDAS软件自己操作完成。学生在操作的过程中需观察不同的彩色合成下地物颜色的变化, 考虑为什么, 并完成作业。 (下转第68页) (上接第55页) 4结论
本设计将地物的波谱特性, 图像的灰度, 透明正片的透光率, 多波段图像波段效应、三原色光原理, 加色法色光混合原理全部融会贯通起来, 使学生真正理解彩色合成的原理, 并在实际工作中能灵活运用, 如比值图像、主成份分析处理后的图像, 也可以用本设计彩色合成原理来理解, 只是失去了地物的波谱意义, 体现的是其数学特征, 由DN值来决定。在实际教学中本设计教学效果非常好, 所以将其总结成文。S
摘要：多波段遥感图像彩色合成是一种应用广泛的遥感图像应用处理, 本文对其授课目标、授课方式、授课内容、授课顺序、授课重点等进行了设计, 并将彩色合成原理从色度学、地物波谱特性、图像灰度值 (图像密度、透光性) 等几个方面进行关联, 使学生真正学懂彩色合成的基本原理, 并能灵活地应用到遥感图像专题信息提取的实践之中。
关键词：标准假彩色合成,真彩色合成,加色法
参考文献
[1]母国光, 站元龄.光学[M].人民教育出版社, 1978.
[2]荆其诚, 等.色度学[M].科学出版社, 1979.
[3]汤顺青.色度学[M].北京理工大学出版社, 1990.
[4]吕斯骅.遥感物理基础[M].商务印书馆, 1981.
[5]陈述彭.遥感大词典[M].科学出版社, 1990.
[6]朱亮璞.遥感地质学[M].地质出版社, 1994.
[7]霍宏涛.数字图像处理[M].机械工业出版社, 2003.
彩色图像分割算法综述 第4篇
图像分割是模式识别和图像分析的核心技术,图像分割是将具备特定属性的目标区域从一定的背景中进行提取。可作如下定义:对一幅图像p(x,y)(0≤x≤xmax,0≤y≤ymax进行分割就是将图像划分为满足条件的N个子区域pi(x,y),i=1,2,...,N。经典的图像分割是基于灰度的,一般单元区域内的灰度级别最多几十个。与灰度图像相比,彩色图像更符合人的视觉特性,更加切合人类对外在世界的认识。由于彩色图像具有颜色空间的信息,如何将颜色空间信息表达为特征,研究颜色空间信息的表达方式以及颜色空间信息在图像分割中所起到的作用,已成为彩色图像分割技术的核心课题。
2 彩色图像分割方法的研究和特点分析
2.1 彩色图像分割方法的研究
彩色图像分割算法的研究最近一些年取得了很大的进展,呈现百花齐放之势。图像分割很大程度上依赖于特定领域需求、特定的目标对象、以及分割背景……这些因素很大程度上影响着分割效果。目前具有广泛应用基础的主要有基于直方图阈值分割、基于特征聚类和区域生长的、基于分水岭算法、基于人工神经网络等。
2.1.1 直方图阈值法
利用灰度阈值变换分割图像就称为阈值分割。它的特点是算法简单、计算量小、性能稳定,因而成为最基本和应用最为广泛的分割技术。阈值分割的基本思想:设置特征阈值,把每个像素点的灰度值和阈值相比较,根据比较的结果把该像素划分为两类—目标区域和背景区域。
阈值分割一般分为三步骤:(1) 确定阈值;(2) 将阈值和像素比较;(3)把像素归类。其中第(1)步阈值最重要,阈值的选择将直接影响分割的准确性以及由此产生的图像描述、分析的正确性。
常用的直方图阈值法有根据直方图谷底确定阈值、迭代选择阈值、最小均方误差法、最大类间方差法。国外学者Hollander等提出了一种基于多维的直方图阈值化方案, 该方法的基本思想是直方图阈值从不同的颜色空间(RGB、YIQ、HSI)中得到,并且把该阈值用于即将进行的区域分裂。然而,对于每个待分裂的区域,首先计算出各颜色空间中各分量的特征量的直方图, 然后再确定各个直方图的峰值, 从得到的峰值中选出具有最佳峰值的直方图,即用该峰值作为阈值,将待分裂的区域再分为两个子区域,采用递归算法,对于新分裂出的子区域重复相同的过程,直至每个区域都是相似的,不能再进行分裂为止。汤凌等人甚至提出一种基于人工免疫的图像分割算法,该算法在生物免疫的思想上加入了人工免疫算子,不仅能够确定最优阈值,而且还能大大缩短分割时间。
基于直方图阈值法的优点是计算量较小,而且不需要先验信息。缺点主要体现在四点:(1)基于单独的某个颜色分量的峰值分割图像区域是不完整的;(2)可能待分割的图像各个颜色分量的直方图并不具备明显的波峰或波谷;(3)彩色图像的像素映射到灰度图像的时候伴随发生的颜色信息发散;(4) 直方图阈值法是个全局的方法,并没有考虑到局部空间信息。
总之虽然很多研究对阈值分割的算法进行了改进,图像分割的效果有所提高。但在阈值的设置上还是没有很一个很好的解决方法。若将智能遗传算法引用到阈值筛选上, 或许对于最优分割图像的阈值的确定大大有利,这或许是基于阈值分割的图像分割法的发展趋势。
2.1.2 特征空间聚类以及区域生长
特征空间聚类算法在提取各类的特征值迭代的分类算法,因此不需要预先训练样本,特征空间聚类算法是一种无监督的统计学方法,比较常用的分类方法有模糊C- 均值、K- 均值等。对于彩色图像,在颜色空间上聚类必须先确定聚类数目,进行聚类的有效性分析,这种方法的优点, 充分利用了各个颜色分量上的颜色信息,而且直观易于实现。
基于特征空间聚类算法没有考虑到空间信息,对噪声比较敏感,但是它不需要预先训练样本,只需要确定聚类的数目。
区域生长分割方法对噪声不敏感, 所以对目标区域进行模糊聚类分割以后, 对分割出来的区域进一步进行区域生长,以达到更精确的分割目的。区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长中心开始(生长中心可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。生长点和相邻区域的相似性判断依据可以是灰度值、纹理、颜色等多种图像信息。
一般来说,区域生长算法有三个步骤:(1)选择合适的生长点;(2)确定相似性准则即生长准则;(3)确定生长停止条件。
具体过程有三步骤。
第一步: 经聚类算法后的聚类区域有k个, 以这k个区域的聚类中心作为区域生长点。可将区域生长点表示为:{C1(0),C2(0),...,Ck(0)}。
第二步:以区域生长点为基础进行区域增长:设经过i次迭代后的区域为{S1(i),S2(i),...,Sk(i)},每次迭代以后判断该区域是否已增长结束,采用8- 邻接区域来判断其中任意像素是否已经到达区域的边界,以下给出判断条件:
第三步: 当某个区域所有边缘像素的8- 邻接区域都不满足(公式1),即表该区域已增加结束,在下一轮迭代时跳过该区域,然后再返回到第二步,计算其他的区域,直到所有的区域停止增长为止。
一般来说, 在无像素或者满足加入生长区域条件时,区域生长就会停止。
区域的合并是将图像中任意两个具有相似特征的相邻区域合并,合并的两个区域可以大小不同,当无法再进行聚合时操作停止。区域的生长和合并对分割复杂场景图像比较有效,如果引入应用领域知识,则可以更好地提高分割效果。
2.1.3 分水岭分割方法
用来描述物体形状的非线性算子的代数称之为数学形态,在很多方面的应用都要优于线性算子。和其他的一些分割算法相比,在很多领域中:如预处理、物体形状的分割、物体量化……数学形态学方法都够在理结果和速度展现出优势。分水岭算法是数学形态学图像处理理论中比较有代表性的算法。
在彩色图像分割过程中,由于噪声的影响,分水岭算法分割图像非常容易过分分割。当然文献[11]中提到了几种解决方法:中值滤波、彩色形态学、低通滤波和高斯滤波等。这些滤波技术的依据是图像中信息出现的频率,但是频率并不是图像中唯一重要的信息。比如说,有些信息频率并不高,但是属于边缘信息,很重要,因为导致对边缘信息的保持效果较差。如果通过改进的基于边缘信赖度的各向异性扩散算法来对图像进行预处理,能够相对比较好地解决噪声影响。改进的基于边缘信赖度的各向异性扩散算法主要手段是通对P-M扩散算法中K和□的值进行改进:
K是控制传导系统函数形状的参数 ,□是用来控制扩散程度的参数。边缘信赖度是用来衡量局部窗口内的图像像素与边缘相似程度的参数。
改进的基于边缘信赖度的各向异性扩散方程为:
其中,参数P是梯度hNIx,y的函数,下标P的下标值代表四个计算维度的方向。参数Kx,y和λx,y的取值在目标空间域是逐点变化的。分水岭分割方法的关键是标记的选取,适当的选取不会导致过分割。马丽红等提出开闭滤波技术,对输出图像做二值标记预处理后的图像作为初始的分割步骤,然后把所得的分割结果作为分水岭算法的种子(标记),取得较好的效果。
2.1.4 人工神经网络
神经网络是对生物神经网络若干基本特性的抽象和模拟,它可以训练样本,为的函数提供解决方案。在汽车智能驾驶、光学字符识别和人脸识别等领域取得了很大的成功。对于分类问题,目的是学习决策函数h(x),该函数的输出为离散值或者向量,这是人工神经网络的强项;另外,由于可学习实值函数,神经网络也是拟合的利器。
神经网络的研究在受到了生物大脑仿生学启发,由一系列人工神经元相互密集连接构成。每个神经元由三部分组成:输入、人工神经细胞体和输出。每个神经元具有一定数量的实数值输入, 并产生一个的实数值的输出,如图1所示。
一个人工神经元的输入信号来自另一些神经元的输出,其输出又可以作为另一些神经元的输入。一个人工神经元可以看成感知器,具有两种状态:1和 -1。人工神经细胞对这些输入信号进行整合并进行阈值处理,若刺激值超过某一阈值, 则神经元被激活而进入1状态否则神经元就处于 -1状态。
在神经网络的训练过程中,训练样本特征向量是神经网络的输入,训练样本的目标输出是网络的输出。初始情况下,网络权值被初始化为一种随机状态,当把某个训练样本输入网络时,由此产生的网络输出与训练样本目标输出之间的差异称为训练误差。接下来,神经网络将根据某种机制调节权值w, 使得训练误差逐步减小;随着这种训练和调整过程的进行,网络对于训练样本的实际输出将越来越接近于目标输出。
人工神经网络技术的引入,使得图像分割技术具备了学习功能,为图像分割技术的智能化和启发式发展提供了理论基础。
2.2 颜色模型的研究
从物理的角度,颜色的感知源于刺激视网膜的电磁辐射的谱能量。谱能量分布E(λ),λ取值在350~780 nm它们的关系可以表示成:
彩色模型也称为彩色空间或彩色系统,是用来精确标定和生成各种颜色的一套规则和定义。它的用途是在某种标准下用通常可接受的方式简化彩色规范。如针对数码硬件的RGB模型,以及符合人类视觉特性的HSI模型。
2.2.1 RGB 模型
RGB模型是工业界的一种颜色标准 , 是通过对红(Red)、绿 (Green)、蓝 (Blue) 三种颜色的变化以及相互之间的叠加来得到各种的颜色的总称。该标准几乎包括人类视觉所能感知的所有颜色,是目前运用最广的颜色模型之一。
RGB颜色空间对应的坐标系统可以用如下一个三维向量来表示,如图2所示。
在RGB模型中, 三个图像分量组成了所要表示的图像。每一个颜色分量用8比特图像表示的话, 一个RGB彩色像素就有24比特深度。故这24比特RGB图像中颜色总数就是(28)3=16777216。
色觉的产生是需要发光光源的光通过反射或透射方式传递到眼睛,刺激视网膜细胞引起神经信号传输到大脑,然后人脑对此加以解释产生色觉。设为组成某种颜色C所需的3个刺激量分别用X、Y、Z表示,3刺激值与R、G、B有如下关系:
对白光,有X=1,Y=1,Z=1。设每种刺激量的比例系数为x,y,z,则有C=x X+y Y+z Z。比例系数x,y,z为色系数,其定义为:
此时,x+y+z=1。
2.2.2 HSI 颜色模型
HSI模型是从色调、饱和度和亮度来描述颜色 ,符合人类的视觉认知。HSI彩色空间可以用一个圆锥空间模型来描述,如图3所示。
通常用饱和度和色调表示颜色的类别与深浅程度。在模型中体现为横截面圆,模型纵坐标表示亮度。
一般来说,人的视觉对颜色浓淡的敏感程度要远弱于亮度的敏感程度,为了便于颜色处理和识别,人的视觉系统经常采用HSI彩色空间, 它比RGB彩色空间更符合人的视觉特性。此外,由于HSI空间中亮度和色度具有可分离特性,使得图像处理和机器视觉中大量灰度处理算法都可方便地应用在HSI彩色空间中。
综上对RGB和HIS两种颜色空间模型的分析和研究,HSI彩色空间和RGB彩色空间只是对物理量的表示方法不同,它们之间存在着一定的转换关系。
从RGB到HSI的彩色转换 及其实现。 给定一幅RGB格式的图像 ,每一个RGB像素的I、S、H分量可用下面的公式得到:
HSI模型有两个重要的特点 :第一个特点是亮度分量与色度分量是分开的,I分量与图像的彩色信息无关第二个特点是H及S分量与人感受彩色的方式紧密相连(这里强调了颜色的重要性,因为人对光的感知还与分量有关)。这些特点使得HSI模型非常适合基于人的视觉系统对彩色感知特性而进行处理分析的图像算法。
3 结束语
3.1 图像分割算法的评估
图像分割领域的分割算法的研究和改进越来越多算法的评估会适当度量算法的适用条件以及目标区域的优化分割,对分割算法的优化和改进具有一定的理论指导意义。
评估方法应具备两个条件。(1)较高的执行效率和鲁棒性好。如果运算量太大且对环境要求太过于苛刻的话,分割算法的应用意义不大,不能够很好地工业应用(2)应该具备完整、客观和科学的评估体系。能够评估众多不同的分割算法且能够根据分割算法的不同适用领域进行分类。
3.2 图像分割算法的研究方向
随着专家和学者的大量科研工作和实验,图像分割算法的应用型也越来越强。分割算法的智能化,分割效果的准确性和精确性,以及分割算法的鲁棒性都将成为广大学者所追捧的准则和目标。
由于图像分割算法众多, 且各自有各自的适用领域,各种分割算法的协作和融合,也将成为图像分割领域的研究热点。比如分水岭算法与区域生长的结合,遗传算法[17]与聚类分析的结合,寻找最有阈值与最大类间差结合[18]等,并且引入训练样本库技术,在提高图像分割算法性能的同时提高了分割算法的智能性。
摘要：图像分割是计算机视觉和图像分析的核心技术,作者首先对当前各种图像分割算法进行全面的分析和研究,指出色彩在图像分割技术中的作用。然后对直方图阈值法、特征空间聚类及区域生长、分水岭分割算法、神经元网络等主要的彩色图像分割技术进行综述,并分析比较这几种方法的特点,并且引入了颜色模型的概念,进行了研究。最后结论部分,提出图像分割算法的评估体系,展望了彩色图像分割技术的发展趋势和将来的研究方向。
彩色图像分割算法的仿真实验 第5篇
图像分割领域对灰度图像研究比较早, 灰度图像分割算法以总体日趋成熟。随着计算机图像学技术的不断发展, 彩色图像研究得到了越来越多重视, 彩色图像与灰度图像相比较有很多突出的优点, 彩色图像包括有针对性的亮度信息, 而且还有更多的有效信息, 如色调, 饱和度, 同样景物的彩色图像所包含的信息量与灰度图像相比丰富得多, 人的视觉系统对彩色图像的感知更加敏感, 一幅质量不好的彩色图像比一幅质量非常好的灰度图像更具有吸引力和辨别力。因此, 对彩色图像分割方法的研究能有效的克服传统的灰度图像分割方式的许多缺点, 有非常重要的理论和现实意义。最简单的彩色图像分割方法是直接将彩色图像转化为灰度图像, 将彩色图像按灰度图像进行分割, 忽略了亮度信息和颜色信息之间的关联, 导致分割效果不理想。
1 颜色空间模型
颜色是人眼对于不同波长的光线的一种映象, 而在其他领域需要对颜色进行描述时候, 颜色通常用三个相对独立的属性分量来表示。三个独立变量所构成的三维立体结构就构成了一个颜色空间。说明颜色用不同描述方法来得到不同的描述信息结果, 但被描述的颜色对象信息本身是客观不变的, 不同颜色空间只是从不同的角度去衡量同一个对象。说明颜色用不同描述方法来得到不同的描述信息结果, 但被描述的颜色对象信息本身是客观不变的, 不同颜色空间只是从不同的角度去衡量同一个对象。但在不同的颜色空间里对制定的图像进行彩色图像分割会产生不同的结果, 例如一些颜色空间:RGB、CIE、Munsell虽然都可以被用于彩色图像分割。
但在不同的颜色空间里对制定的图像进行彩色图像分割会产生不同的结果, 例如一些颜色空间:RGB、CIE、Munsell虽然都可以被用于彩色图像分割。
RGB颜色空间。RGB颜色空间是与计算机硬件设备最吻合的颜色空间, RGB颜色空间与人类的视觉系统结构联系十分紧密。根据人眼结构, 自然界中的所有颜色都可看作是3个基本颜色:红 (R) , 绿 (G) 和蓝 (B) 的不同组合。基本色的波长各自差异明显。由于光源的光谱是连续渐变的, 定义3种基本波长并不表明仅由3个固定的R、G、B分量就可组成所有颜色。RGB构成了空间的三组基, 可以用图1表示, RGB颜色空间与其它颜色空间有显著的优点, 用于硬件显示相当准确。
2 基于RGB空间模型图像分割算法的实现
实验目的:对绿色区域运用欧几里得距离进行相似性度量, 利用图像分割理论提取得到整幅RGB图像中的绿色范围区域, 计算出绿色在RGB图像中占据的百分率, 可以估算出城市绿色植被覆盖率。
实验过程与相关原理介绍:分割的目的是对图像中的每一个RGB像素进行分类, 使其在指定的范围内判断有这种颜色或没有这种颜色。为执行这一比较, 我们需要一个相似性度量。
欧几里得距离 (euclidean) :令z表示RGB空间的任意点。若z和m之间的距离小于指定的阈值T, 可以认为z相似于m, z和m之间的欧几里得距离由下式给出:
||.||是参量的范数, 下标R、G和B表示向量m和z的RGB分量。D (z, m) <=T的点的轨迹是一个半径为T的实心球体。由定义可知, 包含在球体内部和表面的点满足特定的彩色准则, 而球体外面的点则不满足。
实验步骤:第一步:给定一组感兴趣的颜色范围 (绿色) 描述的彩色样本点, 获得一个“平均”的颜色估计, 试验中感兴趣目标颜色为绿色, 如图2所示。第二步:在MATLAB中对图像进行数学函数计算出阈值T=9, 也可取阈值的整数倍作为相似性度量比较的数据, 所以T=18或T=27等同样符合实验要求。第三步:目标区域 (绿色) 平均色用RGB列向量m来定义, 采用欧几里得距离与绿色进行相似性度量, 筛选出符合要求的目标颜色, 区域分别取阈值T=9, T=18, T=27进行仿真实验, 对比试验结果, 发现T=9与原图像绿色分布不符, 数据计算采用T=18, T=27两组较为准确。第四步:分别将两组数据的目标颜色 (绿色) 区域的像素值转化为1.0, 显示为白色, 其它区域像素值转化为0.0, 显示为黑色如图3所示分割结果。第五步:原RGB图像为512*512, 根据绿色区域像素的个数的实验结果分别对T=18, T=27进行计算绿色区域像素的个数所占的百分率, 求准确平均值。
3 实验结果及分析
如图2左为原图像f, 右图为利用mask=roipoly (f) ;在原图像中选取绿色区域。如图3 为选区method为euclidean (欧几里得距离) 时T=9, 18, 27时对应的分割效果图。
当T=18和=27时植被覆盖率分别为8.4%和15.7%, 最后求总的平均值的:d= (8.4%+15.7%) /2=12.05%, 即原RGB图像绿色区域像素所占图像总像素的百分率为12.05%, 图片城市绿色植被覆盖率为12.05%
4 实验结论
实验达到了预期的目的, 对选定区域进行计算, 得出平均颜色的估计, 再用欧几里得距离与对应的阈值进行判断, 得到要分割出来的像素点, 这个方法比较简单, 运算速度快, 方法对比度较好, 可以快速准确的计算出某城市绿色植被覆盖率。
摘要：随着计算机硬件设备的不断更新和科学技术的不断进步, 彩色图像的应用范围越来越广。分析了当今彩色图像分割的研究现状, 并使用RGB彩色空间模式进行彩色区域分割, 分割的目的是在RGB图像中得到一个特定彩色范围, 给定一组感兴趣的彩色描述的样本点, 获取一个“平均”的颜色估计, 再用欧几里得距离计算出与平均色同一颜色特征的区域, 最后计算出处理图像中的目标颜色区域占用的百分率。文中对某城市彩色图片进行分割, 提取出绿色区域, 可计算出城市绿色植被的覆盖范围。
关键词：彩色图像分割,RGB模型,颜色空间
参考文献
[1]贺兴华, 周媛媛.MATLAB7.x图像处理[M].北京:人民邮电出版社2, 006.
[2]王彤.基于形态学的彩色图像分割算法研究[D].长春:吉林大学2, 006.
[3]张爱华.基于模糊聚类分析的图像分割技术研究[J].软件学报2, 0041, 5 (4) .
[4]高丽, 杨树元, 李海强.一种基于标记的分水岭图像分割新算法[J].中国图象图形学2, 0071, 2 (6) :1025-1032.
真彩色图像 第6篇
关键词：圆,位姿测量,二义性,距离图像,彩色图像,融合
0 引言
随着计算机技术的飞速发展,基于计算机视觉的位姿测量在航天、军事、智能交通、医疗、多媒体等领域有着广泛的应用[1,2]。在航天领域,多数在轨服务航天器为非合作目标,即没有预先安装合作标志器(如发光标志器、角反射镜等装置)。因此,对于非合作目标位姿测量,只能利用目标航天器本身的特征(如对接环和发动机喷嘴)来实现目标的识别和定位[3]。航天器的对接环和发动机喷嘴具有圆形结构,使利用圆特征求解非合作目标的位姿成为可能。
相对于其他点线特征,圆代表的是个对称矩阵,在数学上比较容易计算,对于抗遮挡和图像定位精度来说,圆也有很大的优势。然而,在没有任何约束条件下,基于单个圆的单目视觉位姿估计的解具有二义性[4,5],难以应用于实际中。因此,如何剔除位姿估计中的虚假解引起众多学者研究。
Velasquez等[6]给定目标一个初始化位姿,利用扩展卡尔曼滤波器EKF(Extended Kalman filter)估计下一时刻的位姿信息,将接近预测值的解作为圆目标真实位姿信息。但是若目标的初始位姿不确定,该方法就不能获得圆目标的位姿信息。Xu等[7]利用双目相机分别计算获得圆目标在两个相机下的位姿解,将两相机获得的位姿解转换到世界坐标系下,对于同一圆,在世界坐标系下,根据左右两相机获取的法向量的正确解间的夹角小于某一阈值,从而获得圆的正确位姿信息。但是实际中,若是阈值选择得不合适的话,该方法就不再适用。Du等[8]将目标航天器上的对接环和矩形底座边缘作为识别对象,采用矩形底座边缘的消隐点求解正确圆的法向量,从而剔除虚假解。但是当矩形底座的其中一条边被遮挡时,该方法将不再适用。苗锡奎等[9]根据圆平面外一参考点到圆心距离的欧氏不变性,剔除虚假解。但是该方法需要已知在目标本体坐标系下参考点到圆心的距离信息,且必须保证参考点在图像平面上成像。魏振忠等[10]根据圆所在平面上的一对相交直线角度在欧式空间中保持不变,对圆目标正确定位。若圆所在的平面找不到角度约束的辅助信息,该方法就不再适用。
上述解决二义性的圆位姿测量方法皆存在着不同的约束条件。鉴于此,本文采用一种新型的、小型化的基于飞行时间原理的三维立体成像设备飞行时间TOF相机[11]。它无需扫描便可同时获取目标的幅度图像、距离图像和灰度图像。我们利用距离图像恢复空间圆在TOF相机下的三维信息,从而对圆进行准确定位。然而,TOF相机获取图像分辨率较低[12],因此直接利用空间圆在TOF相机下的投影图像计算空间圆位姿的精度不高。针对该问题,本文利用RGB相机和TOF相机组成的2D/3D系统求解圆位姿。首先利用RGB相机获取的高分辨率彩色图像计算圆位姿;然后将彩色图像和TOF相机获取的距离图像融合,形成一个高分辨率的距离图像;最后根据距离图像恢复圆在RGB相机下的三维信息,唯一确定圆的位置和姿态角参数。实验验证了本文提出的圆位姿测量算法有效地解决了解的二义性问题,且能够获得较高的圆位姿测量精度。
1 位姿测量系统结构
为了便于分析,本文建立如图1所示的目标本体坐标系os-x1y1z1,RGB相机和TOF相机坐标系oc1-xc1yc1zc1、oc2-xc2yc2zc2。
RGB相机和TOF相机像平面坐标系分别定义如下:
(1)目标本体坐标系os-x1y1z1
以目标上圆特征的圆心为坐标原点os,以圆面法向量为z1轴方向,利用右手法则依次建立x1轴和y1轴,从而建立目标物体的本体坐标系os-x1y1z1。
(2)像平面坐标系
①对于RGB像平面像素坐标系o1-u1v1,以像平面的左上角第一个像素点为原点o1,u1轴和v1轴方向分别对应于像平面的行方向和列方向;同理,建立TOF像平面像素坐标系o2-u2v2;②对于RGB像平面物理坐标系of1-xf1yf1,以RGB相机的光轴与像平面的交点为原点of1,xf1、yf1分别与u1轴和v1轴平行;同理,建立TOF像平面物理坐标系of2-xf2yf2。这里,单位为毫米。
(3)相机坐标系
对于RGB相机坐标系oc1-xc1yc1zc1,以相机透镜中心作为原点oc1,主光轴方向为zc1轴,xc1轴、yc1轴分别与像平面坐标系u1、v1平行。同理,建立TOF相机坐标系oc2-xc2yc2zc2。
为了解决单个圆姿态识别中的二义性问题,本文采用如图2所示算法框架。首先对RGB相机和TOF相机获得图像进行预处理,主要包括对TOF相机获取的距离图像进行滤波降噪;对RGB相机获取的彩色图像进行边缘检测,对于边缘检测后的图像进行椭圆检测,从而获得圆在像平面上的投影椭圆。然后对彩色图像上获得的椭圆采用基于圆的单目视觉位姿估计算法[6],获得圆的位姿解。针对圆位姿计算获得的解具有二义性,将RGB相机获取的彩色图像和TOF获取的距离图像融合形成高分辨率的距离图像DH,根据距离图像DH恢复圆在RGB相机坐标系下的三维点云,求出圆的正确位姿解。
2 圆位姿估计
2.1 预处理
由于TOF相机图像含有噪声,因此首先对图像进行滤波降噪,从而得到精确的图像数据用于计算位姿。Kahlmann等[13]理论推导出TOF相机获取的距离数据的误差与接收信号幅值之间的关系满足,即接收信号的幅值平方越大,获取的距离数据就越准确,信噪比越大。鉴于此,本文采用自适应双边滤波[14,15]算法,以幅度平方作为置信度,结合空间和距离核函数对距离图像进行滤波降噪。该方法不仅可以有效地滤除噪声,而且可以有效地保留图像边缘信息。对RGB输出的彩色图像采用Canny算子进行边缘检测,对于边缘检测后的图像采用基于边缘曲率和凸性的椭圆检测算法[16],获得像平面上投影椭圆几何参数(椭圆的圆心坐标(u0,v0),长、短轴长度a、b以及长轴与像平面上u1轴的夹角θ)。
2.2 基于单目视觉的圆位姿估计法
一般情况下,根据相机小孔成像模型,三维空间圆在相机二维像平面上的投影为椭圆,像平面上的投影椭圆和相机透镜光心形成一个椭圆锥。圆三维位置和方向的求解就是在空间中寻找一个平面,且此平面与椭圆锥相交形成一个圆。
对于2.1节中椭圆检测获得椭圆几何参数,利用圆姿态重建的闭式解法[5]在椭圆锥空间中找到两个平面,且这两个平面分别与椭圆锥相交的圆在像平面上的投影为同一个椭圆,如图3所示。其中,RGB相机坐标系oc1-xc1yc1zc1下的圆心坐标和圆所在平面法向量的一组歧义解如式(1)所示:
2.3 基于距离图像和彩色图像融合消除位姿二义性
2.3.1 距离图像和彩色图像的融合
为了将距离图像和彩色图像进行融合获得一个高分辨率的距离图像消除虚假解,本文首先采用张正友标定法[17]分别对RGB相机和TOF相机标定。获取的外部参数分别是R1、T1和R2、T2,从而获得RGB相机坐标系oc1-xc1yc1zc1与TOF相机坐标系oc2-xc2yc2zc2间的旋转矩阵R=R2×R1-1,平移矩阵T=T2-R×T-11。
利用立体配准算法[18]将低分辨率距离图像映射到高分辨率彩色图像空间中,获得一个初始高分辨率距离图像DS。再利用Ferstl等[19]提出的距离图像和彩色图像的融合方法对距离图像上采样,将上采样问题转化成二阶广义总变分(TGV)的全局能量函数优化问题。其中二阶广义总变分(TGV)的全局能量目标函数如式(2)所示:
其中,∫w|(u-DS)|2dx为数据项,衡量u与DS之间的数据保真项。为二阶TGV正则项。DH为最终获得的RGB相机下的高分辨距离图像,u为待求解的高分辨率距离图像,v为辅助约束变量,w为权重因子(w=[0,1]),α0、α1为非负加权系数。为同场景高分辨率彩色约束信息,g为彩色图像CH梯度,为梯度的法向量,β、γ为调节彩色约束项大小和光滑度的因子。目标函数的优化问题则采用原对偶能量最小化[20,21]。
2.3.2 三维点云获取
由于TOF相机获得的距离数据为TOF相机光心到目标物体的径向距离,所以融合获得的高分辨率距离图像上每个像素点的距离数据为RGB相机光心到目标物体的径向距离。利用RGB相机的小孔成像模型,结合式(3)-式(5)计算圆上各点在RGB相机坐标系oc1-xc1yc1zc1下的三维坐标X(xi,yi,zi),即RGB相机下的三维点云。对于RGB相机获取的3维点云存在着部分离散点和孤立点,采用KNN邻域滤波[22]对获取的点云进行平滑处理(本文实验K=10)。
式中,定义,frgb为RGB相机的焦距,(xn,yn)为椭圆上点在RGB像平面物理坐标系of1-xf1yf1中的坐标,d(xn,yn)为椭圆上点的径向距离值。
2.3.3 二义性消除
由空间几何可知,若空间圆心坐标为O0(O0x,O0y,O0z),圆上任一点坐标为Xo(xo i,yo i,zoi),那么圆所在的平面方程可用式(6)表示:
式中,n为圆所在平面的法向量。
对于计算获得的圆的三维点云数据,由于相机自身存在的系统误差和非系统误差,圆上各点并不能准确满足式(6),因此建立如式(7)的目标函数:
将RGB相机坐标系下圆心坐标、圆所在平面法向量的一组歧义解以及空间圆各点三维坐标分别代入式(7),按式(8)获得正确的圆心坐标Ot和法向量nt:
其中,圆心坐标为位置信息,从平面法向量求出绕x轴和y轴的旋转角度。
3 实验结果与分析
为了验证算法的可行性和准确性,本文自行搭建位姿测量平台。如图4所示,包括自制的目标模型(塑料)、TOF相机和RGB相机组成的2D/3D相机系统、旋转平移平台。
其中,TOF相机为PMDCamcube 2.0,分辨率为204×204;RGB相机为大恒公司的DH-SV1421FC,分辨率为1392×1040,两相机坐标系间的旋转矩阵R、平移矩阵T参数如表1所示。本实验中采用的圆特征为目标模型中圆环的外圆,外圆直径为150 mm。
首先固定2D/3D相机系统,控制旋转平台使其回到初始零位,校准目标模型,使模型中的圆平面与实验中的旋转平台的x轴、y轴平行,与z轴垂直。利用2D/3D相机系统采集目标图像,对采集的图像利用本文算法计算圆的位姿。如图5给出了不同步骤获得的结果。(a)是RGB相机输出的彩色图像,(b)是TOF相机输出的距离图像。对RGB相机获取的图像进行预处理,获得圆的投影椭圆,(c)是彩色图像中检测到的椭圆,将检测到的椭圆利用单目视觉圆位姿测量方法获得圆位姿的一组歧义解;对TOF相机获取的距离图像进行滤波降噪,得到如(d)所示的距离图像;利用距离图像和彩色图像的融合方法获取如图5(e)所示的高分辨率的距离图像;然后将高分辨率的距离图像计算获得三维点云,结果如(f)所示,最后消除位姿歧义解中的虚假解。
为了验证算法的可行性与准确性,本实验分别设计了如下的相对位置测量实验和旋转角度测量实验。
(1)相对位置测量实验
以z向距离500 mm处为测量基准点,分别在z向距离500、750、1000、1250、1500、1750、2000 mm这个7个距离点采集数据。在每个距离点上,依次在x轴、y轴方向上平移目标,每次平移50 mm,总共平移200 mm。
分别利用TOF相机系统以及TOF相机和RGB相机组成的2D/3D相机系统采集图像,求解位移变化量,得到z轴、x轴、y轴依次单轴平移结果如表2、表3、表5所示。其中,表3表示在z向距离1000 mm时,x轴、y轴方向上的依次单轴平移测量结果。表5表示在不同距离点上,x轴、y轴上的平均平移误差。实验结果表明,融合距离图像和彩色图像能够准确地获取圆位姿。随着单轴平移量的增加,各次平移的误差也在增加。
(2)旋转角度测量实验
无论空间圆绕其轴旋转多大角度,其在像平面成像都不会改变。因此本实验中,对于每个距离点上,只依次转动旋转平台x轴、y轴,每次转动10度,共转动50度。
利用TOF相机系统以及2D/3D相机系统分别采集各个姿态角下的目标图像,利用本文的圆定位方法,确定各情况下旋转角度变量,获得x轴、y轴依次单轴旋转时的测量结果如表4、表6所示。其中,表4表示在z向距离1000 mm时,x轴、y轴依次单轴旋转时的旋转角度误差。表6表示在不同距离点上,x轴、y轴依次单轴旋转时旋转角度平均误差。随着单轴旋转角度的增加,各轴的旋转角度误差也在增加。
上述实验结果表明,与仅采用TOF相机系统输出的低分辨率图像求解圆位姿相比,利用2D/3D相机系统采集图像,对获取的距离图像和彩色图像进行融合求解圆位姿的测量误差明显减小,能够有效地获取高精度的圆位姿。表3、表4表明随着单轴平移量和旋转角度的增加,各次平移和旋转的误差也在增加,单轴平移误差小于1.7 mm,单轴旋转角度低于0.5度。实验验证了本文位姿测量方法的正确性和实验方案设计的合理性。表2、表5、表6表明,随着z轴平移量的增加,x轴、y轴的平均平移测量误差、z轴的平移误差增大,且x轴、y轴旋转平均角度误差也增大。其中,平移平均测量误差小于3.9 mm,旋转平均测量误差小于0.5度。这主要是由于随着距离的增加,非合作目标上圆特征的成像椭圆大小逐渐减小,椭圆的拟合误差增加,从而大大影响圆位姿的精度。
4 结语
纳米粒子有了彩色三维图像 第7篇
研究人员使用了美国劳伦斯伯克利国家实验室的专用电子显微镜来拍摄纳米粒子图像。该显微镜的分辨率比单个原子的直径还要高, 可清晰地放大观测纳米粒子的原子结构。他们将铝基银纳米粒子倾斜放置于电子束下来捕捉图像;然后基于这些图像建立模型, 再通过算法重建银纳米粒子的三维图像, 详细地绘制出银纳米粒子中所有784个原子的排列组成。
参与此项研究的瑞士苏黎世联邦理工学院的玛尔塔罗塞尔表示, 到目前为止, 他们还只能利用从不同角度拍摄的多张照片来显示纳米粒子的大致轮廓。但这一成果可以帮助确定哪些原子构造最适合于各种不同应用, 比如用作医疗设备、药物输送系统等。
所获得的三维图像还能为研究如何使用纳米粒子来模仿病毒或输送疫苗提供方法。巧合的是, 有两个独立的研究小组分别在2月23日宣布了他们在这两个方面所取得的突破。来自美国埃默里大学的科学家利用生物可降解高分子材料, 成功制造出可在尺寸和构成上模仿多种不同的细菌或病毒的纳米粒子, 并在实验中激活了实验鼠免疫系统的两个不同部分, 使其具有终身免疫力;而麻省理工学院的科学家开发出的新型纳米粒子可以输送治疗艾滋病和疟疾的安全疫苗, 这些纳米粒子其实是脂肪球, 能够携带病毒蛋白质的人造版本, 从而在肌体内激起强烈的免疫反应。
工业彩色图像的局部自适应滤波 第8篇
工业现场采集的监视目标最普遍的弱点是物体与背景的灰度差小、图像污染及图像模糊, 使得对实测目标检测的鲁棒性和定位的准确性变得更为困难。故此滤波环节是首要的, 滤波效果直接影响后续处理和最终结果。同时工业图像的边界点往往具有重要的意义, 例如标定点和状态指示, 希望边界清楚、对比度大且连续。
文献[1]提出了自适应彩色图像滤波器 (ACIF) , 在滤除脉冲噪声、高斯噪声、混合噪声以及细节保持方面表现优异, 缺点是以固定窗分析噪声和计算量较大。李翠华等提出的以最小二乘 (LS) 为准则的自适应迭代滤波方法, 对Gauss噪声和均匀分布噪声效果很好, 但对污染严重的图像效果不佳。小波滤噪也是目前研究比较活跃的领域, 与数学形态学、传统滤波方法、模糊数学等结合, 取得了很好的成果, 但它的缺点也是计算量较大, 不适合实时图像处理。
本文提出了一种自适应彩色图像滤波的改进方法。首先利用自适应邻域法选择局部最大的灰度平稳区, 而不是大小固定的区域;然后, 利用中心像素与邻域点的差值判断中心像素的类型背景点、脉冲噪声、边界点;最后, 根据像素类型和邻域大小选择不同的滤波模板。方法的自适应性主要集中在邻域大小选择和噪声类型判断两方面。该方法计算量小, 对边界和细节保持较好, 对脉冲噪声作用明显。
1彩色补偿
受外界光照环境 (尤其是光源的颜色) 的影响, 采集来的彩色图像经常会发生彩色偏移, 需要对其作彩色补偿, 还原图像的真实颜色。彩色补偿的常用方法是矩阵法、多元回归法、查找表法、神经网络等方法。但它们具有各自的缺点:
(1) 矩阵法仅适用于线性设备, 矩阵参数难以选择, 常出现原图没有的颜色;
(2) 查找表法和神经网络法计算量很大;
(3) 多元回归法需要大量的标准图像, 这恰恰是工业图像不具备的。
文献[4]提出了一种新的补偿方法, 但计算量大且须根据经验设定参数值, 不满足实时性要求。这里引入Gray World彩色均衡方法[3,5]来消除彩色偏移。Gray World彩色均衡方法基于“灰度世界假设”, 该假设认为:对于一幅有着大量色彩变化的图像, R、G、B 三个分量各自的平均值趋于同一个灰度值。在客观世界中, 一般来说物体及其周围环境的色彩变化是随机且独立无关的, 因此这一假设是合理的。该方法的基本思想是:首先通过图像R、G、B三个分量各自的平均值 avgR、avgG、avgB确定出图像的平均灰度值avgGray;然后调整每个像素的R、G、B 值, 使得调整后图像的R、G、B三个分量各自的平均值都趋于平均灰度值avgGray。其具体计算步骤如下:
(1) 计算图像的R、G、B三分量各自的平均值aR、aG、aB, 并令图像的灰度值:
aGray= (aR+aG+aB) /3 (1)
(2) 令α1=aGray/aR, α2=aGray/aG, α3=aGray/aB, 对于图像中的每个像素V (i, j) , 调整其R、G、B分量VR (i, j) , VG (i, j) , VB (i, j) , 使得:
(3) 将图像各个像素R、G、B值调整到可显示范围之内。
以电厂汽包双色水位计监视图像为例, 图1、图2分别为补偿前和补偿后的图像, 可以直观地看出图2更接近真实色、更清晰。
2邻域选择
传统的选择区域为在以 (i, j) 为中心的一个局部平稳、大小固定的邻域。显然用固定尺寸和形状的窗口对图像信号作邻域统计是不精确的, 因为大部分的彩色图像具有非规则对相, 当有曲线像素通过窗口时, 窗内信号不能保证是局部平稳的, 故会产生较大的统计误差。我们用一种自适应邻域统计法, 使包含 (i, j) 点参与统计的邻域大小和形状能随图像的特征作自适应变化, 以保证邻域统计是在包含 (i, j) 点的最大平稳区内进行。令
(3)
其中C=R, G, B。
u (N) =uR (N) +uG (N) +uB (N) (4)
T为设定的阈值, 可以根据改进的平均方差法选择, 具体过程见文献[2]。如果u (N) 1表示在R, G, B三分量中有两个局部平稳区不再明显增加, 无需再增大窗口尺寸, 迭代运算停止。此时选定邻域大小为 (2N+1) (2N+1) 。
3彩色图像噪声分析
设V (i, j) = (VR (i, j) , VG (i, j) , VB (i, j) ) 为RGB彩色空间的像素点, VR、VG和VB分别表示R、G、B分量。以红色分量R为例, 具体步骤如下:
(1) 用中心像素和周围 (2N+1) ^2-1作差, 并取绝对值|VfC|;
(2) 判断|VfC|>M的个数H;
(3) 根据H的大小判断像素点类型:IFH>N (2N+1) , 为边界点;IFH>N (3N+2) , 为噪声点;否则为背景点。
参数M的自适应确定方法:
(1) 计算中心像素与其邻域像素差的绝对值|VfC (x, y) |;
(2) 求出:
(3) 令
上述方法较为准确地区分出背景、脉冲噪声和边界点, 但对于高斯噪声不敏感, 有可能出现漏判。故此在滤波环节作相应的处理, 以减少高斯噪声的影响。
4滤波方法设计
上述方法未区分高斯噪声, 背景点和边界点可能受到高斯噪声的干扰。为减少高斯噪声的幅值, 采用加权均值矢量替换原来的像素自适应加权滤波器 (AWF) 。AWF既具有良好的滤除脉冲噪声的能力, 又保持了抑制高斯噪声的能力。具体设计方法参见文献[1]。
(1) 背景像素
考虑到高斯噪声的影响, 较好的做法是用加权均值矢量替代原有的像素。
(2) 脉冲噪声
采用线性插值法, 丢弃原有的噪声点, 对周围点作加权线性插值得到滤波后的像素值。
(3) 边界点
窗口尺寸越小, 边界点相应的权值越大, 越有利于保持图像边缘与细节。
因此, 设计图3所示的局部自适应滤波器。
5实验结果
邻域迭代选择大小步骤中, 在用式 (3) 进行第一次迭代时, 取
对比上述几种结果, 自适应滤波方法更符合人类视觉特性。对上述四种滤波结果, 求横向差分。并将第四种与前三种一一相减, 得到横向差分图像。由差分图像可以看出, 在横向边界点有明显的灰度值, 说明自适应滤波方法的边界保持效果优于其它三种方法。
6结束语
本文介绍的自适应滤波方法, 算法简单, 适合于实时处理;滤波效果也优于中值滤波和线性插值滤波。然而, 本方法基于对RGB彩色分量单独处理, 没有考虑到三分量之间的相互联系, 对颜色特征区分不明显, 这有待于进一步深入研究。
摘要：针对工业彩色图像的特点和实时性较高的要求, 提出了简单的局部自适应滤波方法。该方法可以按照设定参数自动选择局部灰度平稳区, 根据选定领域范围内像素的统计特性来判断中心像素的类型, 可以较为准确地区分背景点、脉冲噪声点和边界点。结合邻域大小和类型, 设计了不同的滤波模板。该方法不需人为选定待滤波区域, 效果较好, 且运算时间短, 满足实时要求。
关键词：自适应滤波,工业彩色图像,局域自适应,彩色补偿
参考文献
[1]蒋刚毅, 郁梅, 郁伯康.自适应彩色图像滤波新方法[J].科学通报, 1999, 44 (18) :1937-1942.
[2]付忠良.图像阈值选方法[J].计算机应用, 2000, 20 (5) :37-39.
[3]雷鸣, 张军英, 董济扬.一种可变光照条件下的肤色检验算法[J].计算机工程与应用, 2002, 24:123-125.
[4]Cheng-Chin Chiang, Chi-Jang Huang.Arobust method for detecting ar-bitrarily tilted human faces in color images[J].Pattern RecognitionLetters, 2005, 26:2518-2536.
