《人工智能控制技术》 课件 chap10-图像处理案例

《人工智能控制技术》图像优化处理实例图像处理概述图像处理技术属于模式识别和优化控制的交叉，许多图像处理算法都用到优化算法，特别是处理对象特征对比不明显图像，对优化控制的要求更加提高。本章以图像分割为例，采用遗传算法和粒子群算法对图像进行优化处理，给出了完成的处理过程，说明进化算法在优化控制中的应用。依托计算机技术的发展，自20世纪60年代开始，人们不断利用计算机对图像的质量进行改善，逐渐形成了图像处理这一学科。数字图像处理（DigitalImageProcessing）又被称作计算机图像处理，是一种将图像信号进行数字化后，利用计算机处理的过程。随着计算机科学、电子学和光学研究的逐渐深入，该技术在诸多领域之中的应用越来越广泛，比如人脸识别技术的广泛应用。另外，在工业现场中，作为大型控制系统的一部分，许多其他传感器不能处理的情况也广泛应用图像处理技术，比如港口或码头的装卸、矿山的矿石识别、大型设备的焊接等都用到图像识别技术。图像处理概述在对图像的研究过程中，人们往往会对其中的某些部分产生兴趣，我们一般称之为目标或前景，而图像当中的其他部分则被称为背景，例如人脸识别中的人脸、矿石分拣中矿石等都是目标或前景。目标通常对应于图像中特定的、具有独特性质的区域。为了更好识别和分析目标，我们就需要将与目标有关的区域分离出来，排除背景区域的干扰，以便在此基础上对目标进行特征提取或测量等。图像边缘能够反映图像的结构特征信息，并将图像分成不同区域，因此图像边缘检测是所有基于边界的图像分割方法的基础；由于图像中的目标与背景往往在灰度上有较大的差异，因此可利用它们在不同区域上灰度值的不同提取阈值来分离出目标。图像分割依据其中各区域的不同性质，如颜色、灰度等，将图像划分成若干具有相同或相似性质的子区域，以便提取对整幅图像的描述信息。本章介绍了有关数字图像处理的基本知识，对多种图像分割方法进行了举例说明，并结合进化算法与图像分割技术进行了实例分析。数字图像处理技术简介图像处理基本概念图像是三维世界在二维平面内的可视化表示，其包含了它所表达事物的大部分信息。“图”是物体反射或透射电磁波的分布，而“像”是视觉系统在接收到“图”信息后，在大脑中形成的认识。根据属性不同，可以对图像进行分类。从颜色上看，图像分为彩色图像、灰度图像和黑白图像等；从获取途径上看，图像分为拍摄类图像和绘制类图像；从内容上看，图像分为人物图像、风景图像等；从功能上看，图像又分为流程图、结构图、电路图和设计图等。对景物的图像作处理，主要有三步：首先需要用相应的设备或技术将景物转换成数字图像﹐常用的两种获取方式为利用数字摄像机直接把景物转换成计算机可以接收的数字图像，或是通过数字扫描仪的扫描，把纸质相片或其他材质上的图像转换成计算机可以接收的数字图像。然后，利用计算机对数字图像进行处理，将景物转换成计算机可以接收的数字图像的这一过程称为图像的感知与获取。在这一步骤中，根据应用目的的不同，可以选择高性能的超级计算机，也可以使用普通的PC。最后选用相应的设备输出处理结果，目前常用的输出设备是彩色显示器，根据应用目的的不同，也可以将处理结果进行打印输出或存储在记录设备上。图像处理研究内容1.图像运算：图像基本运算的思路是通过对图像中的所有像素实施相同的运算，包括点运算、代数运算以及逻辑运算，或对两幅图像进行点对点的灰度值运算，来实现对图像的某种处理和分析。例如对图像灰度值的变换、对图像进行消噪处理、对图像整体形状的改变等。2.图像变换：图像变换的基本思路是通过对图像实施某种变换，来改变像素的空间关系，以此来改变图像的空间结构，为提高图像处理的效果奠定基础。3.图像增强：图像增强的基本思路是简单地突出图像中我们所感兴趣的特征，或寻找途径来显现图像中模糊的细节，使图像更清晰地被显示出来，最终达到适宜处理与分析的效果。4.图像恢复：图像恢复的基本思路是从退化图像的数学模型出发，对图像的外观进行改进，从而使恢复后的图像尽可能地反映出图像的原貌，其目的是获得与目标真实面貌相像的图像5.图像分割：图像分割的基本思路是根据图像的某种特征或某种相似性测度，把一幅图像划分成若干个互不交迭且具有相同或相近特征的区域，以便于进一步提取出感兴趣的目标，以便于对图像进行进一步分析和描述。图像处理研究内容6.图像压缩编码：图像压缩编码的基本思路是在不损失图像质量或少损失图像质量的前提下，通过对图像的重新编码，尽可能地减少表示该图像的字节数量，以满足图像存储和实时传输的应用需求。7.图像特征提取：图像特征提取的基本思路是通过检测和提取出图像的自然特征，如图像的边缘、纹理和形状等，或通过计算出图像的人为特征，比如方差、均值和熵等，为进一步的图像目标识别、图像特征分析和机器视觉应用奠定基础。8.小波图像处理：小波图像处理以具有变化的频率和有限的持续时间为特征的小波变换为基础，利用小波变换的多分辨率表示与分析优势进行图像处理的方法。9.形态学图像处理：以集合论为数学工具的数学形态学图像处理方法的基本思路是用具有一定形态的结构元素探测图像，通过检验结构元素在图像中的可放性和填充方法的有效性，来获取有关图像形态结构的相关信息，从而实现对图像的处理和分析。图像处理应用领域数字图像处理早期应用于传送数字化的新闻图片，随着技术的演化，逐步运用到多个方面，如空间探测、医学图像、地球遥感监测和天文领域等，都取得了一定成果。时至今日，数字图像处理已经渗透到了各行各业当中。以下是图像处理应用的热门领域：1媒体通信。图像传输、电视电话、卫星通信、数字电视等。2遥感技术。自然灾害监视、环境污染监测、矿产勘探、水文观测、城市规划、地貌及地质构造测绘等。3工业生产。生产过程自动化、零件缺陷检测、弹性力学照片的应力分析、邮政信件的自动分拣、石油勘探、工业机器人视觉的应用与研究。4生物医学。X光、超声波图像处理、心电图分析、立体定向放射治疗、显微镜图像分析、内窥镜图、CT及核磁共振图分析等。5军事技术。航空及卫星照片的判读、导弹制导、侦察照片的判读、声纳图像处理、军事系统仿真等。6生活与侦缉破案。人脸识别的门禁系统，人脸识别的支付系统等等、不完整图片的复原、指纹识别、人脸鉴别、伪钞识别等。7宇宙探索。卫星遥感技术、其他星系图像的处理。数字分割技术图像分割技术介绍图像分割，就是将一幅数字图像分割成不同的区城，在同一区域内的部分具有在一定的准则下可认为是相同的性质，例如灰度、颜色、纹理等，而任何相邻区城之间的性质具有明显的区别。图像分割在很多领城都有着非常广泛的应用，是识别图像特征的基础。图像分割的研究最早可以追溯到20世纪60年代，目前国内外学者己经提出了上千种图像分割算法，但仍缺少一种适合于所有图像的通用分割算法。在已提出的算法中，较为经典的算法有边缘检测方法、阈值分割法和区域分割技术。随着近十年来诸如数学形态学、小波分析和模糊数学等理论的成熟，大量学者致力将新的理论和方法用于图像分割，有效地改善了分割效果。图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割结果的好坏直接影响对计算机视觉中的图像理解。图像分割技术介绍阈值分割技术是最经典和流行的图像分割方法之一，也是最简单的一种图像分割方法。此方法的关键在于寻找适当的灰度阈值，通常是根据图像的灰度直方图来选取。其思路是用一个或几个阈值将图像的灰度级进行划分，认为属于同一部分的像素是同一物体，不仅可以极大的压缩数据量，而且也简化了图像信息的分析和处理步骤。阈值分割技术特别适用于子目标和背景处于不同灰度级范围的图像，该方法的最大特点是计算简单，在重视运算效率的应用场合中，得到了广泛的应用。原始图分割结果图像分割技术介绍边缘检测技术在于检测图像特性发生变化的位置。不同的图像灰度不同，边界处会存在明显的边缘，利用此特征可以对图像进行分割。边缘检测分割法就是通过检测出不同区城边界来进行分割的，图像边缘意味着图像当中一个区域的结束和另一个区域的开始，由于边缘总是以强度突变的形式出现，可以定义为图像局部特性的不连续性，如灰度的突变和纹理结构的突变等。图像的边缘包含了物体形状的重要信息，在保留形状重要信息的同时降低了计算的复杂程度。边缘提取和分割是图像分割的经典研究课题之一，直到现在仍然在不断发展。原始图边缘检测结果图形分割的定义

图形分割的定义灰度图像分割是图像分割研究中最主要的内容。其分割的依据是基于相邻像素灰度值的不连续性和相似性，即同一区域内部的像素一般具有灰度相似性，而在不同区域之间的边界上一般具有灰度不连续性，所以灰度图像的各种分割算法据此分为利用区域间灰度不连续基本边界的图像分割算法，和利用区域内灰度相似性基于区域的图像分割算法。基于阈值的分割方法基于阈值的图像分割方法，其思路在于提取物体与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域。基于阈值的分割方法1.基于单一阈值的分割方法如果一幅图像由较亮的物体和较暗的背景组成，且物体与背景的灰度有较大差异，该图像的灰度直方图会呈现出类似于右图所示的两个峰值的情况，可以考虑通过图像的全局信息进行分割。假如图像中的背景具有同一灰度值或在整个图像中几乎可看作接近于某一恒定值，而图像中的目标物体为另一确定的灰度值或接近于另一恒定值，二者的灰度级存在明显区别，则可使用一个固定的全局阈值，将图像分割成两个区域，即目标对象和背景对象。基于单一阈值的分割的灰度直方图基于阈值的分割方法

基于阈值的分割方法获取图像的灰度直方图，利用MATLAB软件，具体的实现代码为:closeall;clearall;clc;I=imread('rice.png');%读入图像figure;subplot(121);imshow(I);subplot(122);imhist(I,200);%显示灰度直方图原始图灰度直方图基于阈值的分割方法[width,height]=size(I);fori=1:widthforj=1:heightif(I(i,j)>140)K(i,j)=1;elseK(i,j)=0;endendendfigure;subplot(121);imshow(T);subplot(122);imshow(K);读入图像后，利用全局阈值法对图像进行分割，分割结果如图8-5所示。其中，左图采用的全局阈值为120，右图采用的全局阈值为140。利用灰度直方图当中谷点的灰度值作为全局阈值，对图像进行分割，就可以实现分离目标和背景的目的，全局阈值法的MATLAB实现代码如下：closeall;clearall;clc;I=imread('rice.png');T=I>120;阈值为120阈值为140基于阈值的分割方法

基于阈值的分割方法

其它分割方法

其它分割方法

原图分割结果其它分割方法

原图分割结果基于进化算法图像分割基于遗传算法图像分割遗传算法（GeneticAlgorithm，GA）是模拟自然选择的生物进化过程一种模型，能够为许多实际应用提供近似最优解，因此可以将其用于解决图像分割问题。利用基于遗传算法的图像分割方法，将寻找阈值问题转化为一个优化问题，所要达成的目标是最大化类间方差与最小化类内方差。我们知道阈值分割后阈值两侧像素的差异越大越好，而Otsu算法定义了类内方差和类间方差两个指标，其中类内方差是指阈值两侧区域内各自方差的加权之和，表征的是区域内部数据的离散程度，显然属于同一区域内部的数据越相近越好，即类内方差越小越好；而类间方差是指阈值两侧数据各自均值距离总均值的加权方差，其表征的是阈值两侧数据的离散程度，显然目标和背景差异越大，类间方差越大