圖像處理模版--視頻序列圖像分割及陰影抑制算法的研究畢業(yè)論文

1、<p><b>　　安徽建筑工業(yè)學院</b></p><p>　　畢 業(yè) 設 計 (論 文)</p><p>　　課 題 視頻序列圖像分割及陰影抑制 算法的研究 </p><p><b>　　摘 要</b></p><p>　　在智能視頻監(jiān)控

2、領域、影視技術、多媒體應用技術中，常常需要檢測出人體或其它物體，并將其與背景分離，即解決實時背景下目標的分割問題。視頻圖像的目標分割結果，將對目標分類、跟蹤及行為理解等后續(xù)處理產生重要影響。</p><p>　　圖像分割多年里一直受到研究人員的重視，也提出了數以千計的算法。現今比較流行的目標分割的方法，有不少是忽略陰影檢測的，目標總是與陰影一起被檢測出來。陰影會引起目標的合并、目標形狀的失真等一些嚴重問題，引起分

3、割和跟蹤錯誤。由于陰影直接影響目標的檢測，成為影響后續(xù)處理效果的關鍵因素，有必要進一步研究。</p><p>　　本課題擬根據圖像處理的理論基礎，對一些傳統(tǒng)的邊緣檢測算子進行了理論分析，用仿真實驗測試其邊緣檢測的效果，對比分析各邊緣檢測算法效果。介紹幾種常用的彩色空間以及彩色空間的轉換算法，系統(tǒng)地闡述了圖像分割的各種方法，分析總結了幾種常用分割方法的優(yōu)缺點。選用RGB彩色空間，利用背景差分法對圖像初步分割后，再利

4、用區(qū)域生長法去除目標外部的噪聲，分割出帶影子的目標圖像。然后，分析總結了陰影檢測的基本假設和一般框架，及國內外目前主流的陰影檢測與抑制算法，指出了這些方法用于去除目標陰影時存在的問題。</p><p>　　針對不同圖像的陰影和目標體的特點，擬設計一種去除陰影的算法?；谶吘壭畔⒌年幱耙种扑惴ㄟm用于目標體邊緣信息豐富，陰影邊緣信息相對簡單的陰影去除。</p><p>　　關鍵詞 圖像分割 陰

5、影抑制</p><p><b>　　Abstract</b></p><p>　　In the field of intelligent video surveillance, video technology, multimedia technology, often need to detect a human body or other objects, sep

6、arate them with background, that is the context of solving real-time target segmentation. Video image object segmentation results, will target classification, tracking and behavior understanding such an important impact

7、on subsequent processing. Image segmentation has been for many years in research attention, also raised thousands of algorithms. Goal o</p><p>　　Key words image segmentation shadow suppression</p>&l

8、t;p><b>　　目 錄</b></p><p>　　第1章緒論.................................................................................................................6</p><p>　　1.1課題背景................

9、..............................................................................................6</p><p>　　1.2圖像分割...............................................................................................

10、...............6</p><p>　　1.2.1圖像分割研究的意義........................................................................7</p><p>　　1.2.2顏色理論..............................................................

11、..............................7</p><p>　　1.2.3圖像分割研究現狀............................................................................8</p><p>　　1.3陰影去除的研究現狀.........................................

12、......................................9</p><p>　　1.4本文研究內容...........................................................................................11</p><p>　　1.5本文結構安排........................

13、...................................................................11</p><p>　　第2章圖像分割的相關理論.........................................................................12</p><p>　　2.1引言.............

14、.............................................................................................12</p><p>　　2.2邊緣檢測方法概述..................................................................................12</p&

15、gt;<p>　　2.2.1梯度算子...........................................................................................14</p><p>　　2.2.2拉普拉斯算子....................................................................

16、...............15</p><p>　　2.3陰影檢測..................................................................................................16</p><p>　　2.3.1陰影的分類........................................

17、...............................................17</p><p>　　2.3.2陰影的影響.......................................................................................17</p><p>　　2.4本章小結...................

18、...............................................................................18</p><p>　　第3章圖像分割.............................................................................................18</p>&l

19、t;p>　　3.1引言..........................................................................................................18</p><p>　　3.2顏色空間的研究.................................................................

20、.....................18</p><p>　　3.2.1面向設備的顏色空間.......................................................................18</p><p>　　3.3圖像分割的算法......................................................

21、................................19</p><p>　　3.3.1區(qū)域生長法..................................................................................20</p><p>　　3.4基于差分法和區(qū)域生長法的彩色圖像分割算法.......................

22、...........20</p><p>　　3.4.1分割原理...........................................................................................20</p><p>　　3.4.2實驗分析..................................................

23、.........................................21</p><p>　　3.5本章小結..................................................................................................25</p><p>　　第4章陰影檢測理論基礎.............

24、................................................................25</p><p>　　4.1引言..........................................................................................................25</p><p&

25、gt;　　4.2陰影的特點..............................................................................................25</p><p>　　4.3陰影檢測的基本假設............................................................................

26、..25</p><p>　　4.4陰影檢測的一般框架..............................................................................26</p><p>　　4.5本章小結.......................................................................

27、...........................26</p><p>　　第5章陰影抑制算法.....................................................................................26</p><p>　　5.1引言............................................

28、..............................................................26</p><p>　　5.2基于邊緣信息抑制陰影..........................................................................27</p><p>　　5.2.1算法步驟............

29、..............................................................................27</p><p>　　5.2.2實驗結果分析...................................................................................29</p><p>

30、　　5.3本章小結..................................................................................................34</p><p>　　結論......................................................................................

31、...........................34</p><p>　　參考文獻..........................................................................................................35</p><p>　　致謝...............................

32、.................................................................................36</p><p>　　附錄一...........................................................................................................37-4

33、8</p><p><b>　　第1章緒論</b></p><p><b>　　1.1課題背景</b></p><p>　　在現代的視頻監(jiān)控及多媒體應用技術中，常常需要檢測出運動的人體或車體，并將其與背景分離。靜態(tài)圖像分割技術都能應用于序列圖像的目標檢測。在民用的影視制作領域，可以將拍攝目標圖像和拍攝背景分開進行，再將目標

34、提取出來完成與特定背景的合成，以達到降低拍攝成本的要求，它不要求目標的實時分割，但要求分割的精度較高。在軍事目標的識別應用中，對目標的分割技術需求也很大，但對實時性的要求較高，需要將程序安裝在硬件中，因而加大了技術難度。</p><p>　　由于圖像目標之間的遮擋和光照的不均勻等原因，經常產生陰影現象。無論運動分割還是變化檢測都會受到陰影的影響。陰影尤其對目標分割的影響比較顯著，并對后續(xù)的跟蹤、識別造成負面影響，

35、導致錯誤率上升，使系統(tǒng)的整體性能下降。在實際應用系統(tǒng)中，目標總是伴隨有陰影，大多數的目標必須在去除陰影后才能正確檢測與分割。人眼很容易區(qū)分目標與目標投射的陰影，但如何讓計算機識別出陰影卻是極具挑戰(zhàn)性的研究難題。圖像中的陰影可以提供有關目標的位置與形狀、監(jiān)控場景的表面特性以及光源等方面的信息，同時由于目標投射的陰影顏色屬性明顯不同于場景背景，并且和目標有相同的特性，所以進行目標檢測時很容易將陰影檢測為目標的一部分，造成目標的合并、幾何變形

36、，甚至使目標丟失。雖然基于統(tǒng)計的多峰分布背景建模方法能對反復的背景運動(如搖動的樹枝)、光線的突變(如天空云層遮擋陽光)、傳感器噪聲等進行建模，但還是無法成功地區(qū)分場景中的目標和目標投射的陰影，這使智能監(jiān)控系統(tǒng)無法準確判斷出場景內目標的數目、形狀、運動軌跡，更無法實時準確地判斷此物體是安全目標還是危險目標，也不能及時報警。本文基于上述需求，研究了影視圖像的目標分割及其陰影的抑制問題。</p><p><b&

37、gt;　　1.2圖像分割</b></p><p>　　圖像分割是數字圖像處理中的重要前期過程，特征提取、目標識別都依賴于圖像分割的質量好壞，所以圖像分割決定了圖像分析的最終成敗。圖像分割指的是把一幅圖像分割成不同的區(qū)域，這些區(qū)域在某些圖像特征如邊緣、紋理、顏色、亮度等是一致的或相似的。圖像分割的基本目的之一是將圖像中有意義的特征或者需要應用的特征提取出來。這些特征可以是圖像中的原始特征，如物體占有區(qū)域

38、的像素灰度值、物體輪廓曲線和紋理特征等；也可以是空間頻譜或直方圖特征等。在對應于圖像中某一方面或對象物的某一部分，其特征(灰度、色彩、紋理等)都是近似或相同的，但對于不同的對象物或對象物的各個部分之間，其特征就會產生相應的變化。不同的圖像類型，不同的應用要求所要提取的特征是不相同的，當然特征提取的方法也就不同，因此實際中并不存在一種普遍適應的最優(yōu)方法。</p><p>　　1.2.1圖像分割研究的意義</p

39、><p>　　圖像分割是任何圖像分析及視覺系統(tǒng)必不可少的組成環(huán)節(jié)，是計算機視覺研究中的一個基本且困難的問題。困難在于圖像分割本身是一個病態(tài)問題，分割的目的是為了理解，但理想的分割往往需要理解后得到的結果作為先驗知識，這種病態(tài)性給問題的解決造成了很大的困難，成為阻礙計算機視覺發(fā)展的一個瓶頸問題。但正是因為圖像分割是計算機視覺的一個基本問題，分割結果對視覺系統(tǒng)性能的影響很大，所以圖像分割始終是計算機視覺中的一個研究熱點。

40、人類對自身視覺機理研究的不斷深入以及計算機技術迅速發(fā)展將為圖像分割問題的解決提供新的途徑。</p><p>　　圖像分割是由圖像處理進入到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特征測量有重要的影響；另一方面，因為圖像分割與基于分割的目標表達、特征提取和參數測量等能將原始圖像轉化為更有效更緊湊的形式，從而使得更高層次的圖像分析和理解成為可能。</p><p

41、>　　圖像分割在實際中有著廣泛的應用前景，例如在工業(yè)自動化、在線產品檢測、生產過程控制、文檔圖像處理、遙感和生物醫(yī)學圖像分析、保安監(jiān)視以及軍事、體育、農業(yè)工程等方面。概括來說，在各種圖像應用中，只要需對圖像目標進行提取、測量、跟蹤等都離不開圖像分割。</p><p><b>　　1.2.2顏色理論</b></p><p>　　顏色是各種頻率的光譜在人眼中的感知現

42、象。光線沒有顏色，它只是某功率分布，而顏色則是人對這種功率分布的心理響應。人類所感知到的物體顏色由物體表面的光譜反射、光照和視角所決定。對于顏色感知的研究是人類視覺系統(tǒng)的基礎研究之一，與生理學、心理學以及信息科學密切相關。顏色感知研究的目的是模擬人腦中視覺信息的表達和處理方式，設計出基于人類視覺特性的計算機視覺系統(tǒng)。對于計算機視覺系統(tǒng)來說，顏色是物體表面的屬性，因此對于圖像分割和目標識別等的研究都具有非常重要的意義。顏色空間、色彩度量以

43、及顏色恒常性是顏色視覺研究的幾個主要方面。近年來，隨著彩色設備制造技術和多媒體技術的發(fā)展，顏色在計算機視覺中應用也在不斷進步。</p><p>　　人類視覺系統(tǒng)對于色差是高度敏感的，顏色感知系統(tǒng)可以區(qū)分上萬種的不同顏色。然而這一系統(tǒng)只能記住幾種顏色，有報告說明人能記住大約11種焦點顏色，即紅綠藍黃紫橙粉棕灰白黑。其它的顏色以這些顏色之間的粗略混合方式記憶。顏色敏感和顏色記憶之間如此的差異是人類顏色感知最為重要的現

44、象之一。顏色適應、顏色記憶和顏色視覺的時空特性是人類顏色感知的要素，全面深入地理解這些要素對于計算機顏色視覺系統(tǒng)的研究來說是必要的。</p><p>　　顏色空間有多種類型的定義，在彩色圖像處理中，RGB顏色空間是最基本、最常用的顏色空間。另外還有一些在彩色電視系統(tǒng)中使用的顏色空間，在這一系統(tǒng)中選用不同顏色空間的目的就是通過降低各RGB分量之間的相關性從而減小信號傳送的帶寬。降低相關性的主要方法就是計算顏色的統(tǒng)計

45、獨立分量構造一個正交顏色空間。應用于不同的電視系統(tǒng)中一些顏色空間的顏色分量是統(tǒng)計上近似獨立的。基本的RGB顏色空間的一個主要缺點是不直觀。不可能直接從RGB數值估計出顏色的色度、飽和度和亮度等感知特征。兩種顏色之間的差異被稱為色差，從另一角度來說，也是顏色相似性的度量。色差度量一般可以用顏色空間內兩個顏色矢量之間的歐氏距離來進行。</p><p>　　1.2.3圖像分割研究現狀</p><p&

46、gt;　　目前已經提出的圖像分割方法很多，總體上看，圖像分割方法大致可以分為相似性分割和非連續(xù)性分割。所謂相似分割就是將具有同一灰度級或相同組織結構的像素聚集在一起，形成圖像中不同區(qū)域，這種基于相似原理的方法通常也稱為基于區(qū)域相關的分割技術。所謂非連續(xù)性分割就是首先檢測局部不連續(xù)性，然后將它們連接起來形成邊界，這些邊界把圖像分成不同的區(qū)域，這種基于不連續(xù)性原理檢出物體邊緣的方法有時也稱為基于點相關的分割技術。這兩種方法是互補的，在有些場

47、合適宜用某種分割方法，而另一些場合又適合用另一種分割方法，有時還要將它們有機地結合起來以求得到更好的分割效果。因此，我們將圖像分割的方法分為三類，第一類是基于邊界的分割方法；第二類是基于區(qū)域的分割方法；第三類是基于邊界和基于區(qū)域二者結合的分割方法。基于邊界的分割方法是從圖像數據的不連續(xù)性出發(fā)，根據局部的灰度變化來實現圖像的分割?；趨^(qū)域的分割方法主要是利用圖像空間區(qū)域特征來進行的，這些特征包括諸如RGB值、灰度值等等。這一方法的主要理論

48、根據是同一區(qū)域的所有像素具有相同或相似的統(tǒng)計特征。為了克服以上兩種方法自身的缺點，近年來出現了兩種方法融合的分割方法。這一方法尋求</p><p>　　現有的大多數圖像分割算法主要是針對灰度圖像的。如以上提到的區(qū)域生長分割方法，由于彩色圖像的使用越來越廣泛，所以近年來彩色圖像分割越來越得到重視。彩色圖像分割與灰度圖像分割的算法相比，大部分算法在分割思想上是一致的。但彩色圖像包含更豐富的信息，并有多種顏色空間的表達

49、方式，因此分割算法有所不同，原用于灰度圖像分割的方法并不適合于直接分割彩色圖像。</p><p>　　在許多實際應用中，可對彩色圖像的各個分量進行適當的組合轉化為灰度圖像，然后可用對灰度圖像的分割算法進行分割。彩色圖像分割算法的關鍵在于如何利用豐富的彩色信息來達到分割的目的。要分割一幅彩色圖像，首先要選擇好合適的顏色空間；其次要采用適合于此空間的分割策略和方法?，F有的彩色圖像分割技術主要有6種類型：基于像素的技術

50、、基于邊緣的技術、基于區(qū)域的技術、基于模型的技術、基于物理的技術和混合技術。無論采取哪種分割方法都與顏色特征及顏色坐標的選擇有關，看別人的實驗結果表明，沒有一種分類方法對所有顏色特征都是有效的，同樣也不可能有單一的顏色坐標對所有的分割方法都是有效的。</p><p>　　1.3陰影去除的研究現狀</p><p>　　為對運動陰影進行檢測與抑制，研究人員己經開發(fā)了多種陰影檢測與抑制算法，例如

51、：在HSV顏色空間，利用色度、飽和度和亮度三方面的信息建立背景模型，對陰影進行檢測和識別；在RGB顏色空間中，用矢量來表征像素點，并以當前圖中的像素點矢量與對應的背景點矢量相減得到能表征亮度和色度的彩色模型，并在此基礎上建立背景模型，利用陰影的光學特性，并結合紋理特征，采用區(qū)域生長的方法來檢測陰影。現有的陰影抑制方法主要分為二類，即基于屬性的陰影抑制算法與基于模型的陰影抑制算法。基于屬性的方法是利用陰影的幾何特點、亮度、顏色等信息來標識

52、陰影區(qū)域，在現有陰影抑制算法中對陰影光譜特性的使用比幾何特性更常見，基于屬性的陰影抑制算法對不同場景及光照條件有較強的魯棒性。陳百盛在HSV顏色空間中，根據陰影使背景變暗、背景在被陰影覆蓋前后的亮度比值成近似線性、陰影不會使背景像素的色度有很大改變及減小背景像素的飽和度等特點，進行陰影抑制。Mikic與Cosman認為場景背景像素點被陰影覆蓋后，其R,G,B三顏色通道值呈線性衰減，通過計算像素點屬于背景、運動目標、運動陰影的后驗概率來檢

53、測陰影。Elena Salvador首先根據陰</p><p>　　陽與漫射光源天空，在兩光源同時存在的情況下，像素點如果只受到漫射光源天空的照射，而沒有受到點光源太陽的照射(太陽光被遮擋)，那么該像素點就會呈現陰影。</p><p>　　基于模型的方法是利用場景、運動目標、光照條件的先驗信息，建立陰影模型，對三維運動目標模型的棱、線、角進行匹配，此方法通常在特定場景條件下使用，如航空圖像

54、理解與視頻監(jiān)控。Akio Yoneyama提出一種二維的車輛/陰影聯合模型，可以根據輸入視頻估計出聯合模型的參數與類型，該模型不需要進行三維圖像分析，通過求取聯合模型(而不是車輛與陰影二個模型)的參數來把車輛與陰影區(qū)分開。在車輛/陰影聯合模型中，設置攝像機的水平軸與所監(jiān)控場景的交通流方向垂直，以使車輛立方體模型的邊界滿足一定的幾何關系，根據車輛與車輛所投射陰影的相對位置，把聯合模型分成六種類型，通過確定當前場景的運動前景(包括運動目標與

55、運動陰影)屬于哪種聯合模型類型來進行陰影檢測與抑制。</p><p>　　雖然已經有多種陰影抑制算法出現，但現有算法都僅僅對某一特定應用場景適用，且算法效果有待提高，如何將陰影與運動目標有效分割，開發(fā)出比較通用的陰影抑制算法，仍是一個富于挑戰(zhàn)性的難題。</p><p><b>　　1.4本文研究內容</b></p><p>　　對顏色的感受是人

56、類對電磁輻射中可見光部分里不同頻率知覺的體現。隨著技術的進步，彩色圖像使用得越來越多，并且能夠提供比灰度圖像更為豐富的信息，因此，彩色圖像分割作為彩色圖像處理的重要問題正受到人們越來越多的關注。十幾年來人們進行了大量的工作，提出了許多不同的圖像分割算法。然而，至今仍無統(tǒng)一的理論，還沒有哪一種分割方法可以對所有的圖像都能進行理想的分割，也不存在所有方法對某一類圖像均可獲得較好分割結果的情況，無論是理論上還是實踐上都遠遠沒有達到讓人滿意的程

57、度。正是基于此，我們利用已有的灰度處理方式，加以改進，試圖對彩色圖像的處理進行一次嘗試，來解決實際問題。</p><p>　　本文對圖像分割及陰影抑制算法的研究主要歸納為以下幾個方面：</p><p>　　（1）對圖像邊緣的檢測方法進行了研究，對典型的梯度算子、拉普拉斯算子等進行了仿真實驗比較；</p><p>　　（2）本文中針對影視拍攝的特點及應用要求，通過對彩

58、色特征空間的分析、比較和選擇，選擇了RGB彩色空間實現彩色圖像分割。在RGB彩色空間中，采用背景差分法對圖像進行初步差分，利用區(qū)域生長法進一步處理初步分割后的圖像，去除目標以外的噪聲；</p><p>　?。?）在光照模型的基礎上討論了陰影的形成與特征，并討論了陰影檢測的一般框架和基本假設；對現有的陰影分割方法進行了分析與總結，指出了這些方法用于目標陰影分割時存在的問題；</p><p>

59、　?。?）基于陰影檢測的基本假設和一般框架，并針對不同的應用要求，設計分析了一種陰影去除算法：基于邊緣信息的陰影抑制算法。通過實驗仿真研究分析，總結了這個算法的優(yōu)缺點及適用條件。</p><p><b>　　1.5本文結構安排</b></p><p>　　第1章為緒論，闡明了本文研究的課題背景，介紹了圖像分割及去除陰影的研究現狀，指出了本文的研究內容。</p&g

60、t;<p>　　第2章為理論基礎部分，闡述了圖像分割及去除陰影的相關理論，包括邊緣檢測的方法，數學形態(tài)學的基礎知識，并在光照模型的基礎上討論了陰影的形成及陰影對于目標分割造成的影響。</p><p>　　第3章首先討論了幾種彩色空間分別闡述了它們的概念，特性以及空間之間的轉換算法。然后，系統(tǒng)地闡述了圖像分割的各種方法，分析總結了幾種常用分割方法的優(yōu)缺點。最后，針對影視拍攝的特點及應用要求，在RGB彩

61、色空間中，基于背景差分法和區(qū)域生長法實現了彩色圖像分割。</p><p>　　第4章對陰影檢測理論進行了系統(tǒng)概述，闡述了陰影檢測的基本假設和一般框架。對現有的陰影去除方法進行了分析與總結，指出了這些方法用于目標陰影去除時存在的問題。</p><p>　　第5章基于第4章分析總結的陰影的特點及陰影檢測的基本假設和一般框架，針對影視圖像的不同特點，研究了一種簡單有效的陰影抑制算法：基于邊緣信息

62、的陰影抑制算法。</p><p>　　第2章圖像分割的相關理論</p><p><b>　　2.1引言</b></p><p>　　圖像處理技術把輸入圖像轉換成具有所希望特性的另一幅圖像。在計算機視覺研究中經常需要利用圖像處理技術進行預處理和特征抽取，如各種數學變換技術等。在各種圖像處理中，只要包含對圖像目標進行提取、測量等都離不開圖像分割。圖

63、像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術和過程。有效合理的圖像分割能夠為基于內容的圖像檢索、對象分析等抽象出十分有用的信息，從而使得更高層的圖像理解成為可能。本章將介紹圖像分割以及圖</p><p>　　像分割后去除陰影所涉及到的圖像處理的理論基礎。</p><p>　　2.2邊緣檢測方法概述</p><p>　　邊緣主要反映的是圖像灰度的不連續(xù)

64、性。根據灰度變化的劇烈程度，通常將邊緣劃分為三種：階梯形邊緣，屋頂型邊緣，脈沖形邊緣。如圖2-1所示。</p><p>　　a)階梯形邊緣 b)屋頂形邊緣 c)脈沖形邊緣</p><p>　　階梯狀邊緣處于圖像中兩個具有不同灰度值的相鄰區(qū)域間，脈沖狀邊緣主要對應細條狀的灰度值突變區(qū)域，屋頂狀邊緣上升下降沿都比較緩慢。實際中的數字圖像會由于采樣，造成

65、邊緣處的模糊，所以垂直上下的邊緣剖面都有一定坡度，即邊緣區(qū)有一定的寬度。</p><p><b>　　2.2.1梯度算子</b></p><p>　　梯度是一階導數的二維等效形式，梯度的幅值代表邊緣的強度，梯度的方向與邊緣走向垂直。對于一個連續(xù)函數f(x,y)，它在位置(x, y)的梯度可表示為一個矢量：</p><p>　　梯度的幅值由下式給

66、出： </p><p>　　梯度的方向由下式定義，其中θ角是與x軸的夾角。</p><p>　　對于數字圖像，可用一階差分代替一階導數進行運算，最簡單的梯度近似表達是：</p><p>　　=f(x,y+1)-f(x ,y)</p><p>　　=f(x+1,y)-f(x ,y)</p><p>　　這樣就可以得到圖像

67、f(x ,y)的邊緣圖像g(x ,y)。</p><p>　　2.2.1.1 Roberts邊緣算子</p><p>　　Roberts交叉梯度算子為梯度的計算提供了一種簡單的近似方法，它采用的是對角方向相鄰兩像素之差：</p><p>　　Robert梯度是以為中心的，在這個中心點上連續(xù)梯度的近似。Robert算子的卷積模板如圖2-2所示：</p>

68、<p>　　圖2-2 Roberts算子</p><p>　　有了這兩個卷積算子就可以計算出Roberts梯度幅值，再取適當門限TH，如果梯度幅值大于門限值則為階躍邊緣點，否則為非邊緣點。如此將圖像上所有像素遍歷后，結果為邊緣圖像。</p><p>　　2.2.1.2 Sobel邊緣算子</p><p>　　Sobel提出一種將方向差分運算與局部平均相結合

69、的算子，即Sobel算子、Sobel算子是在以f (x ,y)為中心的3×3鄰域上計算X和Y方向的偏導數。將圖像中的每個像素的上、下、左、右四鄰域的灰度值加權差，與之接近的鄰域的權最大。</p><p>　　Sobel算子的卷積模板如圖2-3所示：</p><p>　　Sobel算子引入了加權局部平均，不僅能檢測圖像邊緣而且能進一步抑制噪聲影響，但它得到的邊緣較粗。Sobel算子

70、很容易在空間上實現，是邊緣檢測算子中最常用的算子之一。</p><p>　　2.2.2拉普拉斯算子</p><p>　　一階導數的局部最大值對應著二階導數的過零點，這意味著在圖像邊緣點處有一階導數的峰值同樣會有二階導數的零交叉點，因此通過尋找圖像灰度值的二階導數的零交叉點就能檢測到圖像的邊緣點。拉普拉斯算子是不依賴于邊緣方向的二階導數算子，它是一個標量而不是向量，具有旋轉不變即各向同性的性

71、質。若只關心邊緣點的位置而不需要了解其周圍的實際灰度差時，一般選擇該算子提取圖像的邊緣。因為一階算子是以絕對亮度差為基礎的，它的局限是在景物照射變化的條件下不可能一致地確定物體邊界。所以對于光照均勻的圖像，進行簡單一階求導可以找到邊界。但對于光照條件不一致、噪聲干擾較大的圖像，有些對比度較小的邊緣檢測不出來，而一些噪聲點卻作為邊緣被檢測了出來。而二階算子由于對圖像灰度的一階導數的極大值敏感，對圖像較暗區(qū)域的微弱邊緣和較亮區(qū)域的邊緣都能做

72、出響應。另外，二次濾波使有較大灰度跳變的邊緣部分仍保持較大的灰度差，而有較小灰度跳變的真實邊緣點附近的偽邊緣點的跳變變小。同時大大降低了噪聲帶來的灰度跳變，為邊緣特征信息的提取做好了準備工作。因此，通常采用二階算子來檢測噪聲圖像的邊緣信息。用拉普拉斯算子檢測圖像邊緣就是估算拉普拉斯算子的</p><p>　　在數字圖像中可用數字差分近似為：</p><p>　　=f (x +1,y )+f

73、 (x ,y +1)+f (x ,y -1)-4f (x ,y)</p><p>　　數字圖像函數的拉普拉斯算法也是借助各種模板卷積實現的。這里對模板的基本要求是對應中心像素的系數應是正的，而對應中心像素臨近像素的系數應是負的，且所有系數的和應該是零，這樣不會產生灰度偏移。拉普拉斯算子的卷積模板如圖2-5所示：</p><p>　　圖2-5拉普拉斯算子模板</p><p

74、>　　拉普拉斯算子的特點是：各向同性、線性和位移不變性，對細線和孤立點的檢測效果好。該算子的缺點是:邊緣的方向信息丟失，常產生雙象素的邊緣，對噪聲有雙倍加強作用。由于拉普拉斯算子是二階導數運算，與只包含一階導數的算子相比，它對噪聲更加敏感，增強了噪聲對圖像的影響，因此在實際應用中通常需要先對圖像進行濾波平滑處理。</p><p><b>　　2.3陰影檢測</b></p>

75、<p>　　陰影是遮擋物體在光源入射方向上的投影。陰影的形狀、大小、取決于遮擋物體的形狀、大小、投影面與遮擋物體之間的距離；遮擋物體與投影平面之間的位置決定了陰影的位置，當遮擋物體與投影平面相連時，陰影區(qū)域與被遮擋物體之間存在共同的邊界，而當遮擋物體與投影平面有一定的空間距離時，陰影區(qū)域與被遮擋物體之間是分離的，根據三維物體與二維圖像平面的投影變換，三維空間的中位置分離的被遮擋物體與陰影區(qū)域在二維圖像平面中也可能是相連的。&

76、lt;/p><p>　　2.3.1陰影的分類</p><p>　　從物理學的角度看，光是沿直線傳播的；光線在傳播的過程中，如遇到介質（不透明的物體），就會在介質的另一面形成影子。物體在光源的照射下，就會在物體的表面形成陰影。陰影是由于目標阻塞了光源的直接照射而在場景上形成的暗區(qū)域。沒有被照亮的部分目標被稱為自身陰影(self-shadow)。當表面背離光源照射方向時，在該表面形成自身陰影，若因

77、場景中不透明景物對光源入射光線的遮擋而在位于其后的表面上形成陰影，則稱為投射陰影(cast-shadow)，陰影各區(qū)域如圖2-6所示。</p><p>　　圖2-6陰影區(qū)域劃分示意圖</p><p>　　在陰影分割中，入射光源采用了自然日光，它是除環(huán)境泛光外的唯一入射光源，產生的是平行光束，這樣不會產生半影區(qū)域。自身陰影區(qū)域在目標的自身區(qū)域中，影響物體表面的顏色，并不影響目標本身的形狀；投

78、射陰影與目標區(qū)域相連，這影響了目標參數的提取，本章主要討論的是投射陰影的分割。</p><p>　　2.3.2陰影的影響</p><p>　　陰影是目標在入射光的照射下產生的，它們是相關聯的，目標投射的陰影也會隨著目標一起運動。陰影明顯不同于背景，現有算法在利用背景減除進行目標檢測時，陰影會被檢測為前景，這樣就會造成目標的合并、幾何變形，甚至使目標丟失，對后期目標識別、分類及行為理解造成嚴

79、重的影響，例如在多人跟蹤中，當多個目標的距離較近時，由于陰影的存在，多個檢測出的前景會相互連接在一起，從而造成錯誤的目標檢測結果。目前的圖像分割通常將陰影與目標體一起分割出來，陰影對圖像的后期合成影響很大，因此目標分割后要去除陰影。</p><p><b>　　2.4本章小結</b></p><p>　　本章為理論基礎部分，首先系統(tǒng)地闡述了邊緣檢測的方法比較了幾種一階

80、和二階邊緣算子的特性，Sobel、Prewitt算子檢測效果要優(yōu)于Roberts算子，但是邊緣較粗，而二階算子定位的效果要優(yōu)于一階算子，二階拉普拉斯算子，在保證了定位準確的基礎上圖像邊界更加連續(xù)，邊界也比較細。但是由于二階算子的特性，對噪聲太敏感。最后討論了陰影的形成，陰影的影響。</p><p><b>　　第3章圖像分割</b></p><p><b>

81、　　3.1引言</b></p><p>　　在過去的十多年里彩色圖像的分割方法有了顯著的增長，因為大多數彩色圖像分割的方法都是在灰度圖像分割方法的基礎上發(fā)展起來的，即通過利用RGB彩色空間或它的線性的、非線性的變換把灰度圖像分割方法推廣到處理彩色圖像上來。這樣處理，不能充分地利用彩色圖像的顏色信息，并且過早地丟失了圖像的顏色信息，使得后續(xù)的處理只能在灰度圖像上進行操作，或者是在灰度處理的基礎上再映射到

82、彩色圖像，增加了圖像處理的復雜程度。在這一章，首先介紹各種色彩空間及它們之間的相互轉換，然后提出了運算復雜度較低的彩色空間的分割算法，充分利用彩色圖像本身的色彩信息并結合區(qū)域生長法，提高目標分割的效果。</p><p>　　3.2顏色空間的研究</p><p>　　世界是具有顏色的，在計算機中描述出來就需要建立相應的顏色空間。所謂顏色空間指的是某個三維顏色空間中的一個可見光子集。它包含某個

83、顏色域的所有顏色。顏色空間是用來定義和表示顏色的。彩色圖像分割中，顏色空間的選擇是至關重要的，是圖像處理的難點。每種顏色空間都有著自己各自的優(yōu)缺點，都在不同的領域發(fā)揮著重要的作用。不可能找出一種顏色空間可以適用于所有的彩色圖像處理。一般的思想是具體問題具體處理。下面將簡單介紹幾種顏色空間。</p><p>　　3.2.1面向設備的顏色空間</p><p>　　面向設備的顏色空間適合在輸出顯

84、示場合下使用。計算機彩色輸入輸出設備使用與設備相關的顏色空間。如CRT顯示器和掃描儀使用RGB顏色空間，打印機使用CMYK顏色空間，但各種外部設備使用的顏色空間并不一致。因此除了分析研究它們各自所在的顏色空間外，還必須清楚它們之間的相互轉換關系，這在計算機系統(tǒng)彩色管理工作中十分重要。</p><p>　　3.2.1.1 RGB顏色空間</p><p>　　光譜中最重要的顏色是紅(R)、綠(

85、G)、藍(B)三基色，所有顏色都可以由三基色相加而產生。RGB顏色空間是一個立方體三維坐標空間結構[35]，分別用紅、綠、藍表示三個坐標軸，如圖3-1所示。立方體的底部R=G=B=0處為黑色，頂部與其相對角R=G=B=255處為白色。由于圖像采集和顯示設備使用的是RGB顏色空間，所以RGB顏色空間是彩色圖像處理中最基礎、最常用的顏色空間。</p><p>　　藍（0，0,1） 青（0,1,1）</p>

86、;<p><b>　　白（1,1,1）</b></p><p><b>　　品紅（1,0,1）</b></p><p>　　黑（0,0,0） 綠（0,1,0）</p><p>　　紅（1,0,0） 黃（1,1,0）</p><p>　　圖3-1 RGB顏色空間</p>

87、;<p>　　RGB顏色空間的主要缺點是：（1）不直觀。從RGB值中很難看出其所表示的顏色的認知屬性；（2）不均勻。兩個色點之間的距離不等于兩個顏色之間的知覺差異；（3）對硬件設備具有依賴性。因此，RGB顏色空間是一個與設備相關的、顏色描述不完全直觀的空間。為了克服RGB顏色空間的均勻和不直觀的缺點，在彩色圖像處理中大多采用更加符合顏色視覺特性的顏色空間。RGB顏色空間能被轉變成所需要的其它任何顏色空間。</p>

88、;<p>　　3.3圖像分割的算法</p><p>　　圖像分割是數字圖像分析中的重要環(huán)節(jié)，在整個研究中起著承前啟后的作用，它既是對所有圖像預處理效果的一個檢驗，也是后續(xù)進行圖像分析與解譯的基礎。因此，對于圖像分割的研究多年里一直受到人們廣泛的重視，也提出了數以千計的不同算法。本節(jié)中簡單介紹一種目前常用的圖像分割算法。這些算法大部分都是針對灰度圖的。而目前對彩色圖像的分割，大部分也是基于灰度圖的：先

89、將彩色圖像的各個分量進行適當的組合轉化為灰度圖像，然后利用對灰度圖像的分割算法進行分割。</p><p>　　3.3.1區(qū)域生長法</p><p>　　區(qū)域生長是一種受到人工智能領域中的計算機視覺界十分關注的圖像分割方法。這種方法的基本思想是將具有相似性質的像素點集合起來構成區(qū)域。先把一幅圖像分成許多小的鄰域甚至是單個像素。在每個區(qū)域中，對經過適當定義的能反映一個物體內成員隸屬程度的性質(

90、度量)進行計算。用于區(qū)分不同物體內像素的性質包括平均灰度值、紋理或顏色信息。因此，第一步是賦給每個區(qū)域一組參數，這些參數的值能夠反映區(qū)域屬于哪個物體。接下來，對相鄰區(qū)域的所有邊界進行檢查，相鄰區(qū)域的平均度量之間的差異是計算邊界強度的一個尺度。如果給定邊界兩側的度量差異明顯，那么這個邊界很強反之則弱。強邊界允許繼續(xù)存在，而弱邊界則被消除，相鄰區(qū)域被合并。這是一個迭代過程，每一步都重新計算被擴大區(qū)域的物體成員隸屬關系并消除弱邊界，當沒有可以

91、消除的弱邊界時，區(qū)域合并過程結束。這時，圖像分割也就完成。區(qū)域生長的固有缺點是分割效果依賴于種子點的選擇及生長順序，由于相似性通常是用統(tǒng)計的方法確定的，因而這些方法對噪聲不敏感。</p><p>　　3.4基于差分法和區(qū)域生長法的彩色圖像分割算法</p><p>　　圖像的分割要求達到這樣一種效果：能夠將目標完整地從背景中分離出來，要盡量地減少或避免目標信息的損失，同時要盡量去除背景信息的

92、干擾。即保證目標的完整性和可靠性。但是，這兩點在實際中是矛盾的，很難同時達到這兩點要求，應該有一個優(yōu)化的過程。</p><p><b>　　3.4.1分割原理</b></p><p>　　由于單一的圖像分割算法總是存在一定的弊端，所以在算法的選擇上，盡量采用兩到三個算法的結合，優(yōu)勢互補，才能得到滿意的結果。本文正是基于這方面的考慮，首先在RGB顏色空間中采用背景差分法

93、初步分割圖像后，然后利用區(qū)域生長法進一步對分割后的圖像進行處理，去除目標以外的噪聲。</p><p>　　3.4.1.1采用背景差分法對圖像進行初步分割</p><p>　　背景圖像差分法是傳統(tǒng)目標檢測方法中最直接、最簡單的一種方法。它事先將背景圖像儲存下來，由于物體和背景在灰度或色彩上存在差別，通過將背景圖像和當前圖像做減法運算，相減的結果中每一像素的值和一個預先設定的閾值相比較，若這個

94、像素的值大于閾值，則認為這點是前景點，否則是背景點。影視圖像拍攝中，攝相機的位置能夠固定，可以得到靜止的背景。當目標經過時，拍攝目標圖像；目標移走后，再拍攝背景的圖像。這樣得到的兩幅圖，背景的變化不大，且對應像素點的位置相差不大，理想的情況是背景完全不變，且對應的像素點的位置相同。根據實際環(huán)境的使用特點，使用圖像的差分來完成圖像的分割。</p><p>　　在戶外的情況，背景經常會受到光線和風等自然因素影響而發(fā)生

95、變化，噪聲和干擾是不可避免的。因此，對算法進行改進，降低噪聲。由前面介紹的區(qū)域生長法可以看到，用像素點周圍的其他像素點的特征來表征像素特征，這有很多優(yōu)勢，它可以減少噪聲的干擾。類似地，也可以利用這種方式來進行分割。</p><p>　　3.4.1.2利用區(qū)域生長法去除噪聲</p><p>　　初步分割后的圖像有噪聲，利用區(qū)域生長法去除噪聲。區(qū)域生長法的基本思想是將具有相似性質的象素集合起來

96、構成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子象素作為生長的起點，然后將種子周圍鄰域中與種子象素有相同或者相似性質的象素（根據事先約定好的生長規(guī)則）合并到種子象素所在的區(qū)域中。將這些新像素作為新的種子像素繼續(xù)進行上面的過程，直到沒有滿足條件的像素被包含進來。種子像素的選擇方法一般都是根據具體的問題具體對待，時常選擇亮度最大的點作為種子點。本課題的區(qū)域生長法是背景差分算法初步分割以后才進行的。這里使用區(qū)域生長法的主要目的是為了去除目標點以

97、外的不連通的噪聲。種子點選取靠近目標重心的點較為合適。</p><p><b>　　3.4.2實驗分析</b></p><p>　　圖3-4、圖3-5、圖3-6、圖3-7分別為目標圖像、背景圖像、分割后的圖像和區(qū)域生長去除噪聲后的圖像。圖3-6是采用背景差分法對圖像進行初步分割的結果。由于，前景圖像和背景圖像的像素點并不是像理想情況那樣完全一一對應的，所以，利用背景差

98、分法對圖像進行初步分割后，目標體外還存在噪聲。需用區(qū)域生長法對圖3-6進行進一步處理。區(qū)域生長去除噪聲后結果如圖3-7所示。</p><p><b>　　圖3-4目標圖像</b></p><p><b>　　圖3-5背景圖像</b></p><p>　　圖3-6分割后的圖像</p><p>　　圖3

99、-7區(qū)域生長去除噪聲</p><p><b>　　程序如下：</b></p><p>　　function main(); </p><p>　　n=input('請輸入待處理的圖像幀數:'); </p><p>　　A1= imread

100、(['images\',int2str(n-1),'.jpg']); </p><p>　　A2= imread (['images\',int2str(n),'.jpg']); </p><p>　　figure('Name','經典二幀差分法圖像處理結果！'); </p>

101、;<p>　　subplot(2,2,1),imshow(A1),title('背景圖像'); </p><p>　　subplot(2,2,2),imshow(A2),title('含有運動目標的圖像');</p><p>　　A3=imsubtract(A1,A2); </p&g

102、t;<p>　　imwrite(A3,'chafenjieguo.jpg'); </p><p>　　subplot(2,2,3),imshow(A3),title('第一步 背景差分結果');</p><p>　　A3=rgb2gray(A3);</p><p>　　[m,n]=size

103、(A3);</p><p>　　s=zeros(m,n);</p><p><b>　　s(8,6)=1;</b></p><p>　　s(10,8)=1;</p><p>　　s(34,5)=1;</p><p>　　Im19=floor(A3/256*25)*10;</p>&l

104、t;p>　　[g, NR, Im13, TI]=regiongrow(Im19, 250, 5);</p><p>　　subplot(2,2,4),imshow(Im13),title('第二步 區(qū)域增長法處理后結果');</p><p>　　imwrite(Im13,'zuihoujieguo.jpg'); </

105、p><p>　　a=edge(canny,Im13);</p><p>　　imshow(a);</p><p><b>　　3.5本章小結</b></p><p>　　本章從彩色圖像處理中的彩色空間的劃分出發(fā)，首先討論了一種顏色空間：RGB顏色空間。闡述了它的概念，特性以及空間之間的轉換算法。不同的圖像，在不同的空間里會表

106、現出不同的特性，所以在不同的空間中進行圖像處理的效果也不同。接下來，系統(tǒng)地闡述了圖像分割的一種方法，分析總結了常用分割方法的優(yōu)缺點。</p><p>　　第4章陰影檢測理論基礎</p><p><b>　　4.1引言</b></p><p>　　對陰影的檢測與抑制已成為對目標進行有效分割的重要內容與難題，對陰影的檢測與抑制的效果直接影響視頻圖像