（通信与信息系统专业论文）水声图像处理与模式识别.pdf

哈尔滨t 程大学硕士学位论文 摘要 本论文主要进行水声图像处理和模式识别领域的算法研究和开发。包括 图像处理的基本算法、基于脉冲耦合神经网络( p c n n ) 的图像处理算法、 形态学图像处理算法及目标识别算法。 本文所研究了图像处理的基本算法中图像的旋转和非整数倍缩放算法并 将其用于实现目标识别的旋转不变性和尺度不变性。灰度直方图均衡用于解 决水声图像通常较暗这一问题。本文提出了一种新的二值化算法叫做直方图 平滑二值化算法，并将其推广实现了图像的快速多阈值分割。此外，还对一 种自适应确定二值分割阈值的o t s u 算法进行深入研究，并广泛用于本文的其 它部分。 p c n n 算法是目前图像处理领域中一种较新的算法，是图像处理算法中 的热门课题。本文对基于p c n n 二值图像边缘提取、细化和去噪算法进行了 重点研究，其中二值图像去噪算法是对同行提出的基于p c n n 的灰度图像去 噪算法中的关键参数进行改进而实现的，达到了很好的去噪效果。 对于形态学图像处理进行了广泛深入的研究，利用二值形态学的开启、 闭合操作为后续的目标识别提供了高质量的中间结果。将形态学平滑算法、 形态学梯度算法与对应功能的常规算法进行比较分析，阐明了它们各自优缺 点和特性。将高帽变换用于侧扫声纳图像目标的预处理，将阴影区作为目标 特征以用于目标识别。 最后在上述各种算法基础之上计算区域的特征向量，开发出了侧扫声纳 目标自动探测算法，高度对称目标自动识别算法和矩形与( 椭) 圆形区域自 动分类识别算法。在矩形与( 椭) 圆形区域自动分类识别算法部分提出了一 种新的无孔区域周长算法，解决了周长计算中的陷阱点难题。 综上所述，本论文对水声图像的预处理、特征提取和模式识别进行了广 泛深入的研究，解决了一些热点问题，并取得了若干独创性成果。 关键词：水声图像处理；多阈值分割；周长计算；目标探测；模式识别 a b s t r a c t a l g o r i t h m si nt h ef i e l do fu n d e r w a t e ra c o u s t i ci m a g ep r o c e s s i n ga n dp a t t e r n r e c o g n i t i o na r es t u d i e da n dd e v e l o p e d i nt h et h e s i s 。b a s i ci m a g ep r o c e s s m g a l g o r i t h m s ，i m a g ep r o c e s s i n ga l g o r i t h m sb a s e d o np u l s ec h a r g e dn e u r a ln e t w o r k ( p c n n ) ，m o r p h o l o g i ci m a g ep r o c e s s i n ga l g o r i t h m s a n dt a r g e tr e c o g n i t i o n a l g o r i t h m sa r ei n v o l v e d t h ei m a g er o t a t i o na l g o r i t h ma n dn o n i n t e g e rt i m e ss c a l ea l g o r i t h mw h i c h a r ei n c l u d e di nt h eb a s i ci m a g ep r o c e s s i n g a r eu s et oi m p l e m e n tr o t a t i o n i n v a r i a b i l i t ya n ds c a l ei n v a r i a b i l i t y g r a y - l e v e lh i s t o g r a me q u i l i b r i u m i sa l w a y s u s e dt or e s o l v et h ep r o b l e mo nt h el o wi n t e n s i t yp i x e l si nt h eu n d e r w a t e ra c o u s t i c i m a g e s an o v e lb i o v a l u es e g m e n t a t i o na l g o r i t h m i sp r o p o s e da n dan o v e l m u l t i - t h r e s h o l ds e g m e n t a t i o na l g o r i t h mi s f o r m e db yd e d u c t i o n b e s i d e s ，a s e l f - a d a p tb i o v a l u es e g m e n t a t i o na l g o r i t h mc a l l e do t s ua l g o r i t h mi st h o r o u g h l y s t u d i e da n dw i d e l yu s e di no t h e rp a r t so ft h et h e s i s p c n na l g o r i t h mi san o v e lo n ea n dap o pp r o b l e mi nt h ef i e l do fi m a g e p r o c e s s i n ga tp r e s e n t e d g ee x t r a c t i o n ，t h i n n i n ga n dn o i s er e d u c t i o n b a s e do n p c n ni nb i o v a l u ei m a g ea r eg i v e ne m p h a s i si nt h et h e s i s a n dt h eb i o 。v a l u e i m a g en o i s er e d u c t i o na l g o r i t h mo r i g i n sf r o m t h eg r a y l e v e li m a g en o i s er e d u c t i o n a l g o r i t h mp r o p o s e db y c r a f tb r o t h e rb ym o d i f i e dt h ee s s e n t i a lp a r a m e t e r , a n dg o o d r e s u r sa r ep r o d u c e d m o r p h o l o g i c a li m a g ep r o c e s s i n ga l g o r i t h mi sw i d e l y a n dd e e p l ys t u d i e d m i d d l er e s u l t sw i t hl l i 曲q u a l i t ya r ep r o d u c e df o rt h ef o l l o w i n gt a r g e tr e c o g n i t i o n t a s kb yb i o v a l u em o r p h o l o g i c a lo p e n i n ga n dc l o s i n g m o r p h o l o g i c a ls m o o t h a l g o r i t h ma n dm o r p h o l o g i c a lg r a d i e n ta l g o r i t h ma r ec o m p a r e dw i t ht h er o u t i n e a l g o r i t h m sw h i c hh a v et h es a m ef u n c t i o n s ，a n da l lt h e i ra d v a n t a g e s ，s h o r t a g e sa n d o t h e r c h a r a c t e r sa r ec l a r i f l e d t o p h a ti su s e d i nt h es i d e s c a ns o n a ri m a g e p r o c e s s i n gt o o b t a i nt h es h a d ea n di t sd e t a i lw h i c hc a nb e u s e d i n t a r g e t r e c o g n i t i o n f i n a l l o nt h eb a s i so ft h ea l lt h ea b o v ea l g o r i t h m s ，s i d e s c a n s o n a rt a r g e t s a u t od e t e c t i o na l g o r i 衄n ，h i g h l ys y m m e t r i c a r e aa n do t h e ra r e a sa l l t or e c o g n i t l o n a l g o r i 也ma n dr e c t a n g u l a r a r e aa n de l l i p s o i d c i r c u l a r a r e aa u t oc l a s s l n c a t i o n a l g o r i 血ma r ef i r s t l yp r o p o s e db yc a l c u l a t i n gt h ea r e a s e i g e n v e c t o lm e a n t l m e ，a n o v e la l g o r i m mi sp r o p o s e dw h i c hc a nw o r k o u tt h ep e r i m e t e rl e n g t ho fa na r e a w i t h o u tah o l e ，t h i sa l g o r i t h mc o n q u e r t h et r a pp o i n tw h i c hi sa d i f f i c u l tp r o b l e m t os 啪u p 。u n d e r w a t e ra c o u s t i ci m a g ep r e p r o c e s s i n g ，f e a t u r ee x t r a c t l o n a 1 1 d p a t t e mr e c o g n i t i o n a r ew i d e l ya n dd e e p l ys t u d i e d ，s o m ep o pp r o b l e m s a r e r e s 0 1 v e da n ds o m eo r i g i n a lp r o d u c t i o n sa r ea c h i e v e d k e yw o r d s ：u i l d e 刑a t e ra c 。u s t i ci m a g ep r o c e s s i n g ，m u l t i _ t h r e s h o l ds e 肿e n t a t i 。n ， p e r i m e t e rl e n g t hc a l c u l a t i o n ，t a r g e td e t e c t i o n , p a t t e r n r e c o 鲥i 伽 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导 下，由作者本人独立完成的。有关观点、方法、数据和文 献的引用已在文中指出，并与参考文献相对应。除文中已 注明引用的内容外，本论文不包含任何其他个人或集体已 经公开发表的作品成果。对本文的研究做出重要贡献的个 人和集体，均已在文中以明确方式标明。本人完全意识到 本声明的法律结果由本人承担。 作者( 签字) ：苤退垫 日期：卯g 年3 月，夕日 哈尔滨丁程大学硕士学位论文 第1 章绪论 1 1 论文背景 随着人类的发展和社会的进步，人们越来越关注海洋。在占地球表面积 7 1 拥有1 4 亿立方公里体积的海洋中，蕴藏着极为丰富的生物资源及矿产资 源。海洋不仅为人类提供丰富的物质资源，而且在现代战争中具有重要的战 略地位。我国是一个海洋大国，拥有着1 8 万公里长的海岸线和3 0 0 万平方 公里的海洋国土，对海洋的开发和海洋规律的探索对我国的国民经济和军事 都具有重要的意义和价值。 近年来，世界海洋技术发达的国家相继开展了智能水下机器人( a u v ) 的 研究。水下机器人上所用的声纳设备属于小平台声纳技术。对这些声纳的基 本要求是尺寸小、重量轻、低功耗。安装在机器人主体上的成像探测声纳主 要有：对机器人前方物体和景物声成像的前视声纳和对机器人下方和两侧进 行运动扫描成像的侧扫声纳。由于多种水下机器人的探测属近程和极近程的 细微探测，因而要求有较高的分辨力。a u v 上所用的声纳设备还应具有自制 能力，即不依赖于人的自主识别和分辨能力。由于对a u v 所携带的声纳设 备的智能化要求越来越高，各类研究机构也针对不同的成像声纳进行了声视 觉系统和声图像处理技术的研究。其中，提高水下目标搜索和识别的速度和 准确度的要求变得日益迫切。我国根据“8 6 3 计划”在8 0 年代后期开始进行智 能水下机器人的研究，与此同时也开展了相应的声视觉系统的研究，并取得 了相应成果。 本论文主要工作就是对智能水下机器人的水声探测及引导系统和目标识 别系统进行进一步的研究，工作的重点是高分辨率声纳图像的水下目标识别 算法的研究与实现，全部算法的实现平台是本论文作者在v c 环境下开发的 数字图像处理算法开发和实验系统_ b 啪i n g b i r d ，程序界面见附录。 1 2 水声图像处理与模式识别发展概况 1 2 1 国内发展概况 哈尔滨工程大学的刘晨晨、桑恩方利用数学形态学”1 进行水声图像处理， 1 哈尔滨丁程大学硕士学位论文 该算法抗噪能力强，更好地保证了“声视觉”系统的准确性和实时性。此外， 他们将r a d o n 变换用于水声图像矩特征的提取与分类口1 ，并应用于3 类水下物 体的分类当中，具有很好的性能和较高的实用价值。 中科院声学所的田杰等人p 1 将分形理论应用于水声图像目标探测，实现 了人造目标和自然物体的分类。该算法具有一定的抗噪声性，适宜对水声图像 中的目标进行探测和识别。 1 2 2 国外发展概况 意大利的v m u r i n o 等人p 1 提出了一种基于置信水平水声图像增强算法， 该算法与匹配滤波器结合使用使得全局性能显著提高。m p a l m e s e 和a t r u c c o 口1 利用体积增长法对水声图像进行分割，该算法在水池缩比实验中的被 证明很有效果。v m u r i n o 等人【q 还提出了一种水声图像的增强、重建和理解 算法，该算法代价虽较高，但相对其它分类算法仍获得更加良好的结果。 美国的k s t h y a g a r a j a n p l 利用最大似然分类器对纹理特征进行分类，对 时变谱的模式分类正确率达到了1 0 0 。 法国的d a v i d ，b o u l i n g u e z 笔l h 降1 利用f o 嘶e r 描述子对水声目标识别，该算 法不但能够区分海底目标还能区分海水中的悬浮目标。 印度的n c p r a m o d 等人p 1 利用非线性小波降噪方法来提高对非高斯噪 声环境的抵抗，增大了数据的空间分辨率。 1 3 论文的研究内容 本论文研究、开发了数字图像处理和目标识别的各种算法并研究了其在 水声图像处理当中的应用。按图像工程的步骤分为：各种预处理算法、特征 提取算法和模式识别算法；按算法模型机制分为：图像处理的基本算法、基 于p c n n 神经网络的图像处理算法、形态学图像处理算法和目标识别算法。 1 图像处理的基本算法，其中图像的旋转算法和图像的任意倍缩放算法 用于实现目标识别的旋转不变性和尺度不变性；灰度直方图均衡算法用于解 决水声图像较暗不利于肉眼观察这一问题；o t s u 法二值化算法用于灰度图像 二值分割中阈值的动态确定；由峰峰法二值化算法推广得到的图像的多阈值 分割算法用于实现图像的快速多阈值分割。 哈尔滨丁程大学硕士学位论文 2 基于p c n n 神经网络的图像处理算法，包括基于p c n n 的二值图像 边缘提取算法、基于p c n n 的二值图像细化算法和基于p c n n 的二值图像去 噪算法等图像预处理算法。 3 形态学图像处理算法，分为二值形态学基本运算算法和灰度数学形态 学基本运算算法。其中二值形态学基本运算算法主要包括：膨胀( d i l a t i o n ) 和 腐蚀( e r o s i o n ) 算法及它们的组合运算开n ( o p e n i n g ) $ 【l 闭合( c l o s i n g ) 算法； 灰度数学形态学基本运算算法主要包括：灰度膨胀和灰度腐蚀算法、开启和 闭合算法及形态学平滑算法、形态学梯度算法、高帽( t o p h a t ) 变换算法等灰度 形态学的组合运算算法。 4 目标识别算法，包括侧扫声纳目标自动探测算法、高度对称目标自动 识别算法和矩形与( 椭) 圆形区域自动分类识别算法。这些算法用于目标的 自动探测、识别和分类。 哈尔滨工程大学硕士学位论文 第2 章图像处理的基本算法 图像处理算法有上千种之多，并且不断的提出许多新算法。针对某目 的( 如细化) ，没有一种算法能够适应所有图片达到一种最佳效果，更不存在 种算法能够独立完成多种目的的图像处理。通常的图像处理中，是各种算 法的互相级联从而较好的完成预定目标，图像预处理有蓿不可或缺的作用。 比较常用并且有效的预处理算法包括图像的点处理、图像的二值化、图像的 邻域处理等。下面将分别介绍上文提到的各种算法。 2 1 图像的点处理 2 。1 1 图像的旋转 根据输入图像坐标系与输出图像坐标系之间的对应关系改变图像上各个 像素的位置的变换称隽几何变换。图像的几何交换经常爝于校正由于成像系 统的误差或摄像位值不正造成的几何失真，也常用于某种预定的效果。 1 图像旋转的计算公式 设原图像为f ( x ，力，旋转后的新图像为g ( u ，力。为了避免结果图像中像 素的遗漏，通常采用逆向算法n q 。这时，u 、v 应遍历结果图像中的每一个像 素。设平面上一点缸，力绕坐标原点顺时针旋转掰焦后至0 ，v ) 处，如图2 。l ( 窿) 所示。前者的极坐标为( ，万) ，后者的极坐标为( ，| ，口) ，则两者之间的转换关 系为： 掰= r c o s 6 ( 2 1 ) v ：r s i n 0 ( 2 2 ) x 篇r c o s 6 = r c o s ( t 9 一掰) = r c o s o c o s o t + r s i n o s i n c z = u c o s a + v s i n a ( 2 - 3 ) y = r s i n 6 = r s i n ( o - a ) = r s i n o c o s t z + r c o s o s i n c t = - u s i n a + v o o s o ：( 2 4 ) 4 哈尔滨丁程大学硕士学位论文 ( a ) 图像旋转的坐标转换关系 ( b ) 旋转后图像外接矩形的计算 图2 1 图像的任意角度旋转 2 夕 接矩形的计算 本来逆向算法的取值范围只需要在旋转后结果图像之内即可。但是，由 于结果图像为倾斜的矩形。外接矩形的四个角点与旋转角度口及矩形对角线 问的夹角之半有关，2 1 ( 6 ) 所示。外接矩形的对角线与x 轴的夹角分别为 口一和口+ 。由此可以计算出各个角点的坐标，从而得到它的大小。设图 像的宽度与高度分别为d x 、d y , 它们之半分别为d x 、d y ，r 为对角线之半， ( x 1 ，y 1 ) 、( x 2 ，y 2 ) 分别为旋转后矩形两个角点的坐标。以矩形中间为坐标原 点，有下列计算公式： d x = d x 2( 2 5 ) 砂= 缈2 ( 2 6 ) ，= 出2 + 砂2 ( 2 7 ) = a r e u n ( a y a x ) ( 2 8 ) x 1 = iy c o s ( o ! + ) i ( 2 9 ) y 1 = ir s i n ( a + ) i x 2 爿y c o s ( 口一) ( 2 1 0 ) ( 2 1 1 ) y 2 = ir s i n ( a - f 1 ) j ( 2 1 2 ) 对外接矩形内的像素逐行进行逆向计算。计算结果若在原始图像范围内， 则将对应像素的值取出，作为它在新位置上的值；计算结果若在原始图像范 哈尔滨t 程大学硕士学位论文 围之外，则予以舍弃。图2 2 是图像任意角度旋转的示例( 截取自b u r n i n g b i r d 旋转功能结果图像) 。图像的任意角度旋转很有用处，利用它可以实现判决的 旋转不变性。5 3 节正是利用了旋转算法实现了对不同角度的矩形和( 椭) 圆 区域的自动分类识别。 ( a ) 原图 ( b ) 顺时针旋转3 5 4 9 度 ( c ) 顺时针旋转1 3 2 3 9 度( d ) 顺时针旋转1 8 0 0 0 度 图2 2 任意角度旋转( 本图片来自网络) 2 1 2 图像的非整数倍缩放 在进行图像的比例缩放，图像的旋转及其复合变换时，原始图像的像素 坐标( x ，y ) 为整数，而变换后目标图像的位置坐标并非整数，反过来也是如 此。因此，在进行图像的几何变换运算之外，还需要进行灰度级插值处理。 最近临近法是一种简单的插值方法，但当相邻点像素间灰度值差异很大时， 这种灰度估值方法会产生较大的误差，甚至可能影响图像质量。接下来将介 绍双线性插值法( b i l i n e a ri n t e r p o l a t i o n ) 和三次内插法( c u b i ci n t e r p o l a t i o n ) 1 1 。 1 双线性内插法 双线性插值法是对最近邻法的一种改进，即用线性内插方法，根据点 6 哈尔滨丁程大学硕士学位论文 e ( x o , y o ) 的四个相邻点的灰度值，通过两次插值计算出灰度值f ( x o , y o ) ，如图2 3 所示。 灰度值i l 具体计算过程如下： 1 计算口和。 图2 3 双线性插值 j a = x o x 【p = 一y 2 先根据f ( x ，y ) ，f ( x + l ，少) 插值求f ( x o ，y ) 。 f ( x o ，y ) = f ( x ，y ) + 口 厂( x + 1 ，y ) 一f ( x ，少) 】 3 再根据f ( x ，y + 1 ) ，f ( x + l ，y + 1 ) 插值求( ，y + 1 ) 。 f ( x o ，y + 1 ) = f ( x ，j ，+ 1 ) + 口 厂( x + 1 ，y + 1 ) 一f ( x ，y + 1 ) 4 最后根据f ( x o ，少) 和f ( x o ，y + 1 ) 求f ( x o ，y o ) 。 ( 2 1 3 ) ( 2 1 4 ) ( 2 1 5 ) f ( x o ，y o ) = f ( x o ，少) + f l f ( x o ，y + 1 ) 一f ( x o ，y ) 】 ( 2 - 1 6 ) 双线性灰度插值计算方法由于已经考虑到了点p ( x o ，y o ) 的直接邻点对它 的影响，因此一般可以得到令人满意的插值效果。但这种方法具有低通性质， 使高频分量受到损失，使图像细节退化而变得轮廓模糊。在某些应用中，双 线性灰度插值的斜率不连续还可能会产生一些不期望的效果。图2 4 是双线 性插值法缩放图像示例。 藓腻鼎 图2 4 双线性插值法图像 2 三次内插法 为得到更精确的，( ，) 点的灰度值，在更高程度上保证几何变换后的 图像质量，实现更精确的扶度插值效果，可采用三次内插法等更高阶插值法， 如三次样条函数、l e g e n d r e 中心函数和s i n ( n x ) 函数等，这时既要考虑 口z p ( x o ，虬) 点的直接邻点对它的影响，还要考虑到该点周围1 6 个问接邻点的扶 度值对它的影响。根据连续信号采样定理”“可知，若对采样值用插值函数 ，( 。) ：竺! 堕型进行插值，当采样频率不低于信号谱最高频率的两倍时可以准 确地恢复原信号，并可准确地得到采样点间任意点的值。捕值函数 j ( x ) ：s m ( n x ) 4 性如图2 5 所示。 哈尔滨丁程大学硕士学位论文 s i n a i ：。x ) p i 。x 矿n 。 、 !1 5 。 0 500 5 。 1 6： 图2 5 插值函数堕堑盟特性 冗x s ( 石) ：些堑型可以采用以下三次多项式近似。 冗x s ( x ) = 1 2 1 x 1 2 + 盯h 1 x 1 1 ( 2 1 7 ) 0 h 2 采用竺坐型插值函数，可按下述步骤插值算出厂( 而，) ： 刀z 1 计算s ( 1 + a ) 、s ( a ) 、s o - - a ) 、s ( 2 - o r ) 以及s ( 1 + ) 、s ( f 1 ) 、s o 一) 、 s ( 2 一) 。 2 根据f ( x - 1 ，y ) ，( x ，少) ，f ( x + l ，y ) ， + 2 ，夕) 计算f ( x o ，y o ) 。 f ( x o ，少) = s o + a ) f ( x - 1 ，y ) + s ( 口) 厂( x ，y ) + s o - o t ) f ( x + 1 ，y ) + s ( 2 - a ) f ( x + 2 ，少) 3 按步骤2 求厂( ，y - 1 ) ，厂( ，y + 1 ) ，f ( x o ，j ，+ 2 ) 。 4 根据f ( x o ，少一1 ) ，厂( ，少) ，f ( x o ，y + 1 ) ，f ( x o ，少+ 2 ) 计算f ( x o ，) 。 9 哈尔滨 一程大学硕士学位论文 f ( x o ，k ) = ( 1 + , e ) f ( x o ，y 一1 ) + s ( f 1 ) f ( x o ，y ) + j ( 1 一卢) ，( ，y + 】) + s ( 2 一f 1 ) f ( x o ，y + 2 ) ：述计算过程可用矩阵表示为： f ( x o ，y 。) = a b c ( 2 - 1 8 ) 其中， 爿= s ( 1 + 口) ，s ( d ) ，s o 一口) ，5 ( 2 口) 】 f ( x 一1 ，y 一1 ) ( x ，y 1 ) f ( x 十1 ，y 一1 ) ，扛+ 2 ，y 一1 ) f ( x 一1 ，y ) f ( x ，y ) f ( x + l ，y ) f ( x + 2 ，y ) f ( x i ，y + 1 ) ，o ，y + 1 ) ，扛+ l ，y + 1 ) f ( x + 2 ，y + 1 ) f ( x 一1 ，y + 2 ) f ( x ，y + 2 ) f ( x + 1 y + 2 1 ，0 + 2 ，y + 2 ) c = 【s ( i + p ) s ( 口) s ( 1 一p ) s ( 2 一) r 图27 足利用三次内插法获得的缩放图。 + 4 7o 。一一 一j 。o o 图27 三次内插法缩放图像 如前文所述，取线性插值法具有低通性质，而三次内插法能够更多的保 留原图像细节。 21 3 灰度直方图和均衡 用直方图变换方法进行陶像增强”是以概率论为基础的，直方图均衡是 哈尔滨工程大学硕士学位论文 其中一种主要方法。直方图是图像的一种统计表达。对幅灰度图像，其灰 度统计直方图反应了该图中不同灰度级出现的情况。如图2 8 所示，左图为 一幅图像，右图是其直方图，直方图横坐标表示图像中不同的灰度级，纵坐 标表示图像中各个灰度级像素的个数。严格地说，图像的灰度统计直方图是 一个一维离散函数，可写成： h ( k ) = kk = o ，1 ，l - 1 ( 2 - 1 9 ) 式中仇是图像f ( x ，y ) 中具有灰度值k 的像素的个数。直方图中的每- - y t j ( b i n ) 的高度对应体。直方图提供了图像中各种灰度分布的实际情况，或者说给出 了一幅图像所有灰度值的整体描述。图像与直方图是多对一的关系，即不同 的图像可能具有相同的灰度直方图。 h ( z 0l234z 图2 8 图像和直方图 图像的视觉效果和其直方图有对应关系，直方图形状的改变对图像有很 大的影响。直方图均衡主要用于增强动态范围偏小的图像的反差。这个方法 的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素 灰度值的动态范围，从而达到增强图像整体对比度的效果。将( 2 1 9 ) 写成更一 般的( 归一化的) 概率表达形式： 风( & ) = n k n o1(2-20) k = 0 ，1 ，l - 1 其中，瓯为图像f ( x ，y ) 的第k 级灰度值，门是图像像素总个数。 直方图均衡增强函数需要满足两个条件t 1 该增强函数( j ) 在o & 1 范围内是一个单值单增函数； 2 对0 s k 1 有0 五0 ( j ) 1 。 上面第1 个条件保证原始图像各灰度级在变换后仍保持从黑到白( 或从 哈尔滨工 ￥人学硕士学位论文 白到黑) 的排列次序。第2 个条件保证变换前后图像的扶度值动态范围保持 一致。 累积分布丽数( c u m u l a t i v ed i s t r i b u t i o nf u n c t i o n ，c d f ) 满足上述两个条件并 能将s 的分布转换为r 的均匀分布。事实上s 的c d f 就是原始图的累积直方 罔，在这种情况下有： = 讹) = 舞 n ( ) o 臼 幽e p ( u ，一g ) 5 1 夏p 乏 。也 一般来说，当一神经元的邻近神经元点火时，会对该神经元的信号厶作出贡 献。将图3 1 所示的神经元相互连接，就构成了p c n n 网络。 3 2 基于p c n n 的二值图像边缘提取 边缘检测是图像处理的重要内容。图像边缘往往反映了图像的重要特征， 边缘检测可使图像后续处理的数据量大大减少，有利于后续的特征提取与识 别。故对图像边缘检测算法的研究得到持久的关注。根据p c n n 的脉冲传播 特性，提出了基于p c n n 的二值图像边缘检测算澍刎，该算法可有效地提取二 值图像的边缘。 3 2 1 边缘提取原理 当p c n n 用于图像边缘检测时，它为一单层二维的局部连接的网络，神 经元的个数等于输入图像中像素点的个数，神经元与像素点一一对应。每一 个神经元与对应的像素点相连，同时与邻近的神经元相连。每个像素点的亮 度输入到对应的神经元的f 通道，同时每个神经元与其3 x 3 邻域中的其他神经 元相连，其l 通道接受邻域中其它神经元的输出。每个神经元的输出只有两 种状态，点火或不点火。同时规定，任一神经元只要其3 x 3 邻域中有一神经 元点火，它也就点火，这样就使得神经元的输出脉冲能自由地传播。p c n n 用于二值图像边缘检测时，首先，可根据实际图像进行去噪处理，接着，若 3 2 2 边缘提取步骤及实验结果 k 州 一 ：! 垒鎏i ；堡奎耋筌耋茎堡丝苎 1 对原图像进行去噪( 可选) ，获得去噪后的二值图像f 。注意，f 中 的元素不可为0 ： 2 l ；c ，_ 0 。令每个神经元均熄火y - 0 同时，”= ： 3 = s t e p ( r o 丘1 ， u = f + ( 1 + 口) ， y = s t e p ( u 一0 ) ； 4 如果h = n ，a = y ；否则，a ，= y ： 5 = n 一1 ，如果 = 0 ，到下一步；否则回到( 3 ) ： 6 得到边缘检测结果，e = 九0 丘。 对于2 5 6 级的灰度图像，可崩222 中提到的0 i s u 算法将原始的灰度图像分 割为二值图像，接着再用该算法进行边缘检测。图32 ( a ) 是对图21 3 陋) 使用 o t s u 法二值化并二值翻转所得到的结果( 图中黑色边框为本文所加，而非处 理结果) ，图32 ( b ) 是图32 ( a ) 的p c n n 边缘检测结果。虽然还存在一定的噪声， 但是利用幽32 ( b ) ，已经完全能够识别出目标。 ( a ) 二值化并黑白翻转 ( b ) 对图( a ) 边缘检测结果 图3 2 p c n n 边缘榆测 3 23 对比分析 圉33 ( a ) 、图33 ( b ) 、图33 ( c ) 和图33 ( d ) 分别是用23 节中提到的p r e w i t t 边缘检测( 方向微分算子) 、s o b e l 边缘检测、r o b e r t ( 交叉差分) 和 哈尔滨工 g 大学硕士学位论文 l a p l a c i a n 边缘增强等常规边缘检测算法对图21 3 ( a ) 进行边缘检测所得到的结 果。将33 中各图与图32 ( b 1 进行对比，我们很清楚的看至r l o t s u 法二值化+ p c n n 法边缘检测的效果要远远优于23 节所提到的些边缘检测手段，因为它除了 大大的抑制了噪声以外，还得到了清晰的边缘，并且边缘宽度只有一个像素。 c ) r o b e r t 边缘检测 ( d ) l a p l a c i a n 边缘增强 图33 各常规边缘检测算法 哈尔滨丁程大学硕士学何论文 3 3 基于p q 州的二值图像细化 3 3 1 细化原理 p c n n 用于二值图像细化时，规定任一神经元只要其3 x 3 邻域中有一神 经元点火，它也就点火，这样就使得神经元的输出脉冲能沿着各个方向自由 地传播。同时规定，每个神经元只点火一次，在算法中这要通过调整阈值来 实现。 p c n n 用于二值图像细化时，如3 2 节所述，将背景置为亮区，亮区对应 的全部神经元首先点火，而暗区对应的全部神经元先不点火。这样背景亮区 就发出脉冲，这些脉冲沿着各个方向并行地由近及远地传播开。又由于规定 每个神经元只点火一次，即已点过火的神经元不再点火。所以此时脉冲的传 播就直观地表现为，目标的边界发出脉冲，而这些脉冲在目标区域( 暗区) 内传播，当这些脉冲相遇时，就自然得到了细化的结果。 。那么如何判断脉冲相遇呢? 即脉冲相遇判为细化结果的条件是什么呢? 通过分析与实验可知，该条件为：若上次点火的神经元，其邻域内的神经元 没有一个在该次点火，则上次点火的神经元对应的像素点为细化结果上的一 点。 那么如何判断细化过程结束呢? 很明显，当所有的神经元都点过一次火 后，细化过程就完成了。 在上述两个条件下，利用p c n n 的脉冲传播特性，就可迅速而有效地得 到各种形状二值图像的细化结果。 3 3 2 细化步骤及实验结果 下面给出基于p c n n i 拘- - 值图像细化算法口1 1 。该算法用到了上面给出的脉 冲相遇条件与细化完成条件。首先，介绍算法中将用到的符号。 f ：输入矩阵，用来存放原始图像或经去噪后的二值图像； r e s ：二值输出矩阵，用于存放最终的细化结果； 】，：神经元输出矩阵，记录神经元点火状况，该矩阵为二值矩阵； z 。：记录神经元上一次点火状况的矩阵，脉冲相遇条件判断时将用到； k ：3 x 3 核矩阵， 2 5 哈尔滨下程大学硕士学位论文 k 州 ； 4 根据y ，匕。进行脉冲相遇条件判断，将满足脉冲相遇条件的像素点作为细 5 = y ，进行脉冲相遇条件判断时用到矩阵； 图像细化方法处理之，得到细化的海底油气管道图像图3 4 ( d ) 。观察图3 4 ( c ) a ) 原始灰度图 b ) 二值化图像，闽值- 5 4 一 - ( c ) 幽( b ) 的黑闩翻转凹像( d ) p c n n 细化结果 图3 4 p c n n 法细化图像 34 基于p c n n 的二值图像去噪 3 4 1 去噪原理 大多数情况下，被噪声污染的像素点的亮度值与周围的像素点的亮度值 1 竿在着不同。刻此，大多数被噪声污染的像素点的输出不同于周围的像素点 的输出。图像恢复时，根据每个神经元与其邻近神经元的输出，即点火或不 点火，调整其对应的像素点的亮度值，从而达到减少噪声、恢复图像的日的。 哈尔滨 二程大学硕+ 学位论文 如果一个神经元点火而大多数邻近的神经元不点火，则其对应像素点的 亮度应降低；如果个神经元不点火而大多数邻近的神经元点火，则其对应 像素点的亮度应增加；其他情况下，像素点的亮度不改变。 3 4 2 去噪步骤及实验结果 二值图像的去噪方法嵋到如下： 1 给出阈值9 ，连接强度，。调整次数，步长。同时令每个像素点处于熄 火状态。 2 在每个神经元的3 x 3 邻域内，计算其信号，调整阈值。 3 计算每个神经元的内部调制信号：u ，= f ( 1 + ，l ，) 。 4 ( a ) 若一个神经元点火且在其3 x 3 邻域内，有4 个以上的邻近神经元不点火， 则这个神经元对应的像素点的亮度减少一个步长，是预先设置的。 ( b ) 若一个神经元不点火且在其3 3 邻域内，有4 个以上的邻近神经元点火， 则这个神经元对应的像素点的亮度增加一个步长。 ( c ) 否则，对应像素点的亮度不改变。 注意，图像边缘的像素点需单独处理。 5 将u ，与阈值臼，相比，记录神经元的输出，即点火或不点火。 6 n = n 一1 。如果n 0 ，回到( 2 ) ；否则，结束。 通过算法分析可知，当取= 2 5 5 时，能够使目标边缘变得平滑。随迭代 次数的不同，能够消除区域大小不同的噪声。迭代次数少，占区域小的噪声 将被消除，大区域的噪声将被抑制( 即区域面积变小) ；迭代次数多，大区 域的噪声及小区域噪声同时被消除，同时目标区域的细节将受到更多损失。 图3 5 ( a ) 是o t s u 法二值化所得图像，图3 5 ( b ) 、图3 5 ( c ) 、图3 5 ( d ) 分别是不同迭 代次数所得结果。实验结果与理论分析是一致的。目标区域内的噪声在迭代 次数为1 4 时全部被抑制掉了，并且目标大小不变，轮廓变的平滑了。由于二 值分割时导致目标区域并不是连通的，较小的一部分被当作噪声抑制掉了。 p c n n 用于二值图像去噪时，其优势在于可以通过设定不同的迭代次数来确 定去噪的程度( 即噪声区域的大小) ，迭代次数越大，能够去除的噪声区域 越大，并且目标区域并没有损失而只是变得平滑。第4 章所述的利用开启、闭 合去噪的方法要通过改变结构元素来确定去噪的程度，并且可以通过特定的 堕至鎏三垒查兰堡圭茎堡垒耋 结构元素去除特定结构的噪声。可以根据实际情况的不同选择使用这两种去 噪方法。 ( c ) 选代次数= 5 ，步l l = 2 5 5( d ) 逃代次数= 1 4 ，步k = 2 5 5 图35p c n n 去噪 3 5 本章小结 本章介绍了p c n n 的原理及其在二值图像处理方面的应用。基于p c n n 的二值图像边缘检测和细化方法直观，易于理解，并且能够取得良好的效果。 哈尔滨丁程大学硕士学位论文 p c n n 用于二值图像边缘检测时得到个像素宽度的边缘。p c n n 用于二值 图像细化对噪声和其它存在的目标较敏感，当消除噪声的影响和没有其它目 标干扰时，会得到理想的细化图形。在文献 1 4 中提到的基于p c n n 的图像 去噪方法本是针对灰度图像的，本文将其中的步长参数改为2 5 5 ，将其用于 二值图像去噪中产生了良好效果，在去噪的同时还起到了平滑边缘的作用。 本章所涉及的各种算法均在本文作者开发的图像处理算法开发和实验系 统实现，并针对每种算法做了大量实验。 3 0 哈尔滨下程大学硕士学位论文 第4 章形态学图像处理 形态学( m o r p h o l o g y ) 般指生物学中研究动物和植物结构的一个分支。 近年来，人们采用数学形态学( 也称图像代数) 表示以形态为基础对图像进 行分析的数学工具渊。它的基本思想是用具有一定形态的结构元素，去量度 和提取图像中的对应形状，以达到图像分析和识别的目的。本章介绍了二值 数学形态学、灰度形态学理论及其在承声图像处理方面的研究应用。 4 1 二值形态学基本运算 二值形态学中的运算对象是集合。一般设a 为图像集合，b 为结构元素， 数学形态学运算是用b 对a 进行操作。 4 1 1 基本集合定义 首先给懑一些基本集合定义湖： 1 集合：把具有一定性质或满足定条件的对象的全体叫做集合，或简 称为集。 2 元素：集中的每个对象叫做该集合的元或元素。元素a 属于集合a ， 记为a 么。 3 子集：如果集合a 的每个元素都属于集合b ，则说a 为b 的子集，记 为4cb 或b ) a 。 4 。并集：由集a 及集b 的全体元素构成酌级瑟越徽a 与b 的并集，记为 爿u 刀，即： 么a 艿= 戈：x 毫么蜀蠢君 ( 4 - 1 ) 5 交集：所有同时属于a 与b 的元素组成的集合叫做a 与b 的交集， 记为么一召，群： a n b = x ：a g 彳血雪 ( 4 2 ) 6 差：豳集a 中不属于集b 的那些元素组成的集，叫做a 与b 的差， 记为a 雪。 哈尔滨二广程大学硕+ 学位论文 7 补集：当bca 时，常称彳b 为b 关于a 的补集或余集，记为彳