【正文】 便快捷但容易產(chǎn)生一些誤差和近似。 目前圖像語義的獲取方式主要有三種 :基于知識的語義提取、人工交互語義提取、利用外部信息源的語義生成。 基于外部信息源的語義提取是指根據(jù)圖像來源處 的其他信息獲得與圖像相關(guān)的相對高層的描述信息。 圖 37 圖像特征描述過程 圖像 特征提取 底層物理特征 高層語義 入庫匹配識別 描述結(jié)果集合 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 22 第四章 基于 ImageJ 的紋理形狀特征提取 提取前的圖像分割 圖像的特征提取是基于分割后的圖像進行的，將圖像依據(jù)特定的 分割算法進行分割產(chǎn)生多個區(qū)域，對不同的區(qū)域做特征提取。對 R 反復(fù)將分割結(jié)果重新分割為四個區(qū)域，直到對任何區(qū)域 iR ，有 TRUERP i ?)( 。限于分割算法的局限性，我們的圖片來源于手工分割。由于在噪聲圖像中，灰度更加平均，因此矩值最小即紋理最細；而平滑后的圖像紋理相對模糊，因此矩值較大即紋理較粗。對于加入梯度算子的圖像。 圖 46 加噪和平滑后的圖像邊緣 對于三種處理方式，在噪聲的加入后，圖像 邊緣的各個特征參數(shù)值變化劇烈，眾多的參數(shù)數(shù)據(jù)已沒有相似性，這說明了噪聲可以影響圖像的邊緣紋理信息。這也很好的說明了針對這樣的實物圖像，噪聲的引入并沒有影響到計算機和人去識別圖像的紋理。 區(qū)域紋理特征實驗結(jié)果 圖 43 顯示了原彩色圖像和經(jīng)過灰度化后的圖像。當聚合和拆分都無法進行時操作結(jié)束。利用不連續(xù)性分割圖像主要應(yīng)用于圖像的邊緣；利用相似性分割圖像主要應(yīng)用于根據(jù)一定的準則將圖像分割為相似的區(qū)域。這些信息一開始與圖像間的關(guān)聯(lián)往往比較模糊、不完整。依據(jù)提取的語義內(nèi)容和采取的方法，又可以分為基于對象識別的處理方法和全局處理方法。 圖 36 二值圖像和形狀分析結(jié)果 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 20 圖像特征語義描述 通常把 圖像的特征分為兩大類 ,即底層物理特征 （ 如 :顏色、紋理、形狀、輪廓、圖像內(nèi)容的空間關(guān)系等 ） 和高層語義特征 （ 是人們對圖像內(nèi)容概念級的反映 ,一般是對圖像內(nèi)容的文字性描述 ） 。 2) 中心矩： ? ? ?? ??? qppq jjiijifm )())(,( （ 310） 中心距 pqM 反映了區(qū)域中的灰度相對于灰度重心是如何分布的度量。 在 ImageJ 插件中，通過掃描矩陣，計算出了從 p=0， q=0 到 p=3， q=3 的 10個矩值作為矩序列。凹形率可用凸形閉包的面積減去凹形的面積再與凹形面積做比得到，即凹形率 E 為： SSE e /? 。區(qū)域周長用區(qū)域中相鄰邊緣點間距離之和來表示。如邊緣曲線、曲率、傅立葉描述子等，其中傅立葉形狀描述符 （ Fourier ShapeDescriptors） 是最典型的方法。 從灰度 梯度共生矩陣中可以得到的圖像特征參數(shù)的程序執(zhí)行結(jié)果 如圖 34，其中各個 參數(shù)分別以 double 型存儲，并可以通過 get()方法被其他接口調(diào)用。),(),(|),{( ???? NjiyjiGxjiFji ?且。 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 15 圖 33 源圖像和紋理分析結(jié)果 （ 3）灰度 梯度共生矩陣 灰度 梯度共生矩陣是灰度直方圖和邊緣梯度直方圖的結(jié)合。 這四個統(tǒng)計參數(shù)為應(yīng)用灰度共生矩陣進行紋理分析的主要參數(shù)，可以組合起來，成為紋理分析的特征參數(shù)使用。 2) 對比度 }),({ 10 1010 22 ? ?? ?? ?? ???? Li LjLn jipnf ? （ 34） 圖像的對比度即圖像的清晰度。pij[][x+]==jj) {pd[ii][jj] +=1。ii++) for(jj=0。 double [][]pd = new double[histSize][histSize]。、 135176。 否 是 遍歷結(jié)束 求和 開始 結(jié)束 計算乘積 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 12 基于灰度級的直方圖特征并不能建立特征和紋理基元的一一對應(yīng)關(guān)系。jhistSize。 其 中的 hist 和 histsize 分別是直方 圖 數(shù)組和灰度級大小。 紋理特征的提取主要的工作就是檢測出紋理基元和獲得有關(guān)紋理基元的排列分布方式的信息。圖像特征提取涉及的面很廣。 } } 以上的代碼綜合起來就是一個完整的 ImageJ 插件，將其在 ImageJ 中編譯運行即可看到效果。 y(+)。 return DONE。 PluginFrame 將會生成自己的窗口用來顯示相關(guān)信息。 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 7 圖 23 ImageJ 的核心處理包的設(shè)計類圖 ImageJ 插件開發(fā) ImageJ 完成了圖像處理的基本功能，而更高階的處理則由其提供插件接口以便用戶開發(fā)使用。包括 Binary, Filters, Rotator, Projector 等類。 包：作為軟件的圖形用戶界面，包含了 GUI, ROI, Toolbar, StackWindow和 PlotWindow 等類，主要定義了圖像的選取格式和一些用戶界面的裝飾等。隨著圖像處理技術(shù)的不斷深化和進步，圖形處理計算機的不斷開發(fā)，操作系統(tǒng)的不斷升級， ImageJ 在 Windows 和Linux 操作系統(tǒng)上的應(yīng)用也更加廣泛。 ImageJ 設(shè)計了一個開放式體系結(jié)構(gòu)， 通過 Java 插件 提供可擴展性。它可以測量距離和角度。 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 4 第二章 ImageJ 簡介和開發(fā) ImageJ 的背景及發(fā)展 ImageJ 是一個由 NIH（美國衛(wèi)生研究所）開發(fā)的為 Macintosh 提供圖像處理的開源 Java 項目。 2. 紋理和形狀特征的插件實現(xiàn)和結(jié)果分析。在圖像高層理解中，人的情感 [10]研究更為復(fù)雜，目前為止也沒有視覺－大腦－心理的數(shù)學(xué)模型。形狀無關(guān)矩是基于區(qū)域的物體形狀表示方法，將一些歸一化的二階和三階中心矩進行組合可得到 7 個對平移、旋轉(zhuǎn)和縮放變換均無關(guān)的矩。形狀特征的有效表達必須以對圖像中物體或區(qū)域的分割為基礎(chǔ)。目前使用較多的是前三個。衛(wèi)星從地外傳回的衛(wèi)星圖像大都模糊而且特征不明顯。而這就免不了要通過計算機告訴機器目標圖像是 什么，有些什么特征。圖像的大量紋理及形狀特征以參數(shù)形式保存，可以廣泛用于后期圖像的語義描述和匹配識別。圖像形狀的提取及紋理映射的數(shù)學(xué)機理都已成熟，為實驗原理提供基礎(chǔ)為算法的編寫提供可行性證明。 三、本課題的研究目標及研究內(nèi)容 本 課題是基于 ImageJ的圖 像形狀與紋理的處理。 具有 空間校準 功能 ，以提供真實世界的三維測量單位，例如毫米。它是多線程，因此 耗時的操作 如圖像文件的 打開 可以 并行處理 。因此， 來自圖 像的 形狀只是部分代表投影 對象。 8. 測試軟件的功能可行性及可用性。 2. 深入了解 Java 中的圖像處理類及相關(guān)包的性能與特性。一個很明顯的缺點是當圖像的分辨率變化的時候，所計算出 來的紋理可能會有較大偏差。數(shù)字圖像處理最早出現(xiàn)于 20世紀 50年代 ，當時的電子計算機已經(jīng)發(fā)展到一定水平，人們開始利用計算機來處理圖形和圖像信息。 ImageJ是一個由 NIH（美國衛(wèi)生研究所）開發(fā)的為 Macintosh提供圖像處理的開源的公眾 Java項目。 本課題的目的就是做一個能提取并處理圖像的紋理與形狀信息的并可以應(yīng)用于 ImageJ的圖像處理插件。熟悉 ImageJ 的插件的用法。 隨著 信息對象數(shù)字化，越來越多的數(shù)字化 圖像 已產(chǎn)生 ，對圖像處理的數(shù)字化軟件工具的需求也越來越迫切。它既可以以網(wǎng)頁 Applet 的形式運行也可以作為應(yīng)用軟件工具下載使用。它可以創(chuàng)造密度直方圖和 譜線 輪廓 圖 。定制采集，分析和處理插件可利用 ImageJ 的內(nèi)置編輯器和 Java 編譯器 進行開發(fā) 。 研究內(nèi)容重點在圖像形狀和紋理處理，完成的軟件工具要具備形狀和紋理處理的基本功能實現(xiàn)。通過計算機分析和識別物體及背景的視覺圖像，從而得出結(jié)論性質(zhì)的推斷。對數(shù)字圖像的特征提取和表達描述成了當前重要的研究領(lǐng)域。現(xiàn)代化的農(nóng)業(yè)已經(jīng)不再需要人類大量的手工操作，而是通過大量的監(jiān)控和跟蹤拍攝來了解植株或牲畜的行為和生理特征。 國內(nèi)外發(fā)展現(xiàn)狀 圖像特征提取是圖像處理領(lǐng)域的一個重要內(nèi)容。上世紀 90 年代初期，在引入小波變換并建立它的理論框架后，許多研究者開始研究在紋理表示中使用小波變換。矩特征的研究則引入了更多的圖像性質(zhì)和物理特性，包括質(zhì)心、中心距等。自從上世紀 90年代出現(xiàn)了關(guān)于圖像語義的研究報導(dǎo)，圖像語義尚未有明確的定義。如在不同天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 3 場合顏色表示了某些特定的意義。 第二章 ImageJ 簡介和開發(fā)：介紹了國外流行的 ImageJ 圖像處理軟件的架構(gòu)和相關(guān)的插件開發(fā)方法。 ImageJ可以顯示，編輯，分析，處理，保存和打印 8 位， 16 位和 32 位圖像。 其它還有 幾何變換，如縮放，旋轉(zhuǎn)和跳躍 等 。 ImageJ 是在 Mac OS X 操作系統(tǒng)中用其內(nèi)置的編輯器和 Java 編譯器開發(fā)的，額外用到了 BBEdit 和 Ant 構(gòu)建工具。 圖 21 ImageJ 的用戶界面 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 5 ImageJ 的程序結(jié)構(gòu) ImageJ 是用 Java 語言開發(fā)的圖像處理工具，代碼支持任意的 Java 版本。 包：對圖像分析的方法和對象的封裝，包括 Measurements, ResultTable 等類。包含 ImageProcessor, FloodFiller, LUT 等類。這里先介紹ImageJ 插件開發(fā)的方法。 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 8 舉例說明，這是一個圖像反色的插件實例，在文件開始，要寫清本程序需要的類庫即引入包名： import ij.*。 接著 是 run()方法 的實現(xiàn)： public void run(ImageProcessor ip) { byte[] pixels = (byte[])()。 x(+)。其中有些是視覺直接感受到的自然特征，如區(qū)域的亮度、邊緣的輪廓、紋理或色彩等；有些是需要通過變換或測量才能得到的人為特征，如變換頻譜、直方圖、矩等。 基于實物的紋理特征提取 談到紋理，人們很自然的想到水面的波紋，家俱的木紋，石板上的花紋。如果兩幅圖像的直方圖相同或相似，則說明兩幅圖像有相同或相似的紋理基元 。 a）程序開始，遍歷所有的灰度級（ 256 個），計算每個灰度級與直方圖數(shù)組值的乘積。 } histMean = zh/h。而在灰度直方圖中，因為各個像素的灰度是獨立進行處理的，所以不能很好地反映紋理中灰度級空間相關(guān)性的規(guī)律。為了計算方便，可以先將矩陣歸一化。如果滿足則 pd[i][j]值加 1。 y(+)。從灰度共生矩陣抽取出的紋理特征參數(shù)有以下幾種： 1) 角二階矩 ???? ?? ?? 10 10 21 ),(Li Lj jipf ? （ 33） 角二階矩是圖像灰度分布均勻性的度量。相關(guān)是用來衡量灰度共生矩陣的元素在行的方向或列的方向的相似程度。 所有的統(tǒng)計參數(shù)都以 double 類型存儲。加入微分算子的圖像共生矩陣，對描述圖像邊緣的紋理有極大的幫助。 接著調(diào)用 ImageJ 的邊緣提取方法 ()。任何一個實物形狀特征均可有其幾何屬性（如長短、面積、距離等），統(tǒng)計屬性（如投影）和拓撲屬性（如連通、歐拉數(shù)）來進行描述。由此產(chǎn)生的最常用的技術(shù)就是二值化圖像，將感興趣的部分和背景分離。 形狀復(fù)雜性用離散指數(shù) e 表示，計算公式為： SLe /2? 。 b）計算第一步得到的行列值組成的矩形的面積 Se。ii++) for(jj=0。如果再將pqM 替換為 ),3,2(2/00???? qpmm qp pq ，則得到的矩組還滿足尺度不變性，其中第七個矩函數(shù) 7M 滿足鏡像對稱不變性。 圖像的語義特征可以分為三類： （ 1） 場景語義：圖像所處的場景，例如草地、水面、天空等。反饋學(xué)習(xí)的交互主要在兩個層面上進行：根據(jù)低層視覺特征的反饋和對高層概念與圖像關(guān)聯(lián)的修正。在語義空間，簇區(qū)代表著最高頻率關(guān)鍵字的項目，通過映射，簇區(qū)代表了從底層特征空間到相應(yīng)語義的過程。區(qū)域生長一般有兩種方法，基本的方法是以一組 ―種子 ‖點開始將與種子性質(zhì)相似（如灰度級或顏色的特定范圍）的相鄰像素附加到生長區(qū)域的每個種子上。 ii. 在 run()方法中，利用參數(shù) ImageProcessor，得到圖像的灰度直方圖，計算共生矩陣和梯度算子。 圖 44 加噪后和平滑后的圖像 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 25 經(jīng)過對紋理特征參數(shù)的實驗，可以看到這樣的結(jié)果：噪聲影響了灰度分布，使直方圖均值有了比較大的變化，而平滑則基本沒有影響即平滑后的圖像相似于原圖像，這也是符合常理的。因為噪聲圖像加入了噪聲，所以信息量變大，從而熵值較大；平滑圖像連接了部分紋理，因此信息量變小，所以