圖像目標識別中若干關鍵技術研究.pdf

1、圖像是一種重要的信息載體,目標識別技術中就存在圖像處理方面的問題. 盡管圖像目標識別技術已經存在了很多年,但它仍然是一個很活躍的領域.本文以圖像處理為研究領域,對圖像目標識別技術中所涉及到的幾個關鍵問題:如邊緣特征提取,骨架特征提取,大、小目標匹配識別方法,及其它們的抗干擾性等等作了詳細的研究.圖像目標識別就是一個從特征提取到識別分類的過程,因此依據(jù)這條主線,把本文分為兩個部分,一是特征提取,二是目標識別分類. 用于目標

2、識別中的特征主要有邊緣和骨架.在邊緣檢測上,提出了三種新的方法.一是提出了一種獲取梯度值的新方法,從而實現(xiàn)四方向梯度擬合的邊緣檢測.在3×3的窗內,分別計算出水平方向,垂直方向,和正、負45度方向的梯度強度變化,然后把梯度最大的那個方向作為最終的邊緣像素點.移動窗體.計算整幅圖像,從而完成邊緣檢測的任務.根據(jù)該方法的特性,當只計算三個方向,甚至兩個方向的梯度時,也能夠得到最終的邊緣圖像.這種簡化的方法減少了計算量,縮短了計算時間.雖然該

3、方法簡單易行,但它還不能檢測出梯度很小的邊緣.為了進一步提高該方法的性能,又引進了一個增強系數(shù),改變了該方法對小灰度梯度的靈敏程度.通過與Sobel算子法、Prewitt算子法等傳統(tǒng)的基于梯度的邊緣榆測方法的比較,用該方法得到的邊緣圖像效果好.二是基于JF-THEN的推理規(guī)則,提出了一種用較少模糊邏輯推理的邊緣檢測方法,實現(xiàn)了對灰度圖像的邊緣檢測.通過用模糊邏輯語言分析圖像中是否有灰度突變,從而判斷出邊緣的存在.而且如果再加上幾條可以判

4、斷出脈沖噪聲的模糊邏輯規(guī)則,那么在進行邊緣檢測的同時,還可以抑制脈沖噪聲的干擾.實驗結果表明:皋于模糊推理的邊緣檢測方法在使用少量推理規(guī)則的條件下,也可以對圖像邊緣進行很好的檢測,而且魯棒性好.三是基于遺傳算法優(yōu)化的多尺度形態(tài)學結構元素的邊緣檢測方法.數(shù)學形態(tài)學作為一種非線性圖像處理方法,越來越受到人們的重視.應用多尺度形態(tài)學對圖像進行邊緣檢測,可以得到很好的效果.但結構元素的選取一直是形態(tài)學的難點.利用遺傳算法在全局范圍內可以搜索到全

5、局最優(yōu)解的特點,通過對結構元素進行編碼、交叉、變異等遺傳操作,就可以得到最優(yōu)的結構元素.在應用到邊緣檢測上時,需要先對與被檢測圖像相似的樣本圖像進行學習.用學習后得到的最優(yōu)結構元素進行邊緣檢測,就可得到滿意的邊緣圖像.實驗結果表明:用遺傳算法對結構元素進行優(yōu)化選取,無需人為干預,完全可以實現(xiàn)多尺度形態(tài)學對邊緣檢測的自適應性.另一種用于目標識別的特征是骨架.基于中軸變換,提出了一種具有抗干擾能力的二值圖像骨架提取算法.不同于傳統(tǒng)的中軸變換

6、提取骨架的方法,以前的方法只是根據(jù)最大正方形的邊長來判斷骨架像素,而該方法是通過計算目標像素內的最大鄰域的所有像素的個數(shù)來進行中軸變換,然后判斷骨架點,最后提取骨架.在被噪盧干擾的圖像內提取骨架一直足骨架提取的難點.在該方法中,只需通過設定一個閾值,就可以完成對噪聲圖像的骨架提取,抗干擾能力強.實驗結果表明:該方法能夠準確地對各類二值圖像進行骨架提取,方法簡單,骨架的連通性也較好,更重要的是該方法具有魯棒性,在保證骨架完整性的同時,濾除

7、了背景噪聲,表現(xiàn)出比傳統(tǒng)的基于最大正方形中軸變換的骨架提取方法更好的特性. 第二方面的內容是目標識別,包括大目標識別和小目標識別. 在大目標識別上,主要應用的技術是匹配技術.在判斷空間點集的相似度上,Hausdorff距離被認為是一種合理有效的方法.首先介紹了幾種常用的Hausdorff距離,如經典Hausdorff距離,部分Hausdorff距離,MHD,WHD,cHD,M-HD和LTS-HD.這些方法都不能很好地解決

8、受到噪聲干擾的圖像匹配問題.所以在這些方法的基礎上,提出了一種多值Hausdorff距離法.并不像其他Hausdorff距離匹配方法那樣只是對二值圖像進行匹配識別,該方法首先是把二值圖像轉換為多值灰度圖像,然后對于不同的像素值分別進行距離計算.并且在進行距離計算時,不足僅僅計算同值像素之間的距離,還要計算與其相鄰像素值之間的距離.通過實驗和與其他方法進行比較得到:該方法對帶有隨機噪聲的圖像匹配識別問題十分有效,而且方法簡單.由于小目標所