【文章內(nèi)容簡介】 函數(shù)，如果，則濾波函數(shù)將壓縮低頻段，而增強高頻段，最后的結(jié)果是壓縮了圖像的動態(tài)范圍，同時又增強了圖像的對比度。從而，相對低通濾波和高通濾波而言，同態(tài)濾波更容易突出圖像目標區(qū)域的邊緣特征信息。 圖像分析 圖像分析可以看作是一種描述的過程，主要是從圖像中提取有用的數(shù)據(jù)和信息，生成非圖的描述和表示。圖像分析的主要內(nèi)容分為二值化圖像處理、圖像的分割和圖像的邊緣檢測等。圖像分割是一種重要的圖像分析技術(shù)。在對圖像的研究和應(yīng)用中，我們往往僅對圖像中的某些部分感興趣，這些部分稱為目標或背景。其一般對應(yīng)著圖像中特定的、具有特殊性質(zhì)的區(qū)域，這些特殊性質(zhì)包括像素的灰度值、物體輪廓曲線、顏色等。為了計算機進一步識別和分析圖像中的目標。需要將這些帶有特殊性質(zhì)的區(qū)域分離提取出來，在此基礎(chǔ)上才能進一步對目標進行測量和對圖像進行利用。簡而言之，圖像分割就是指將圖像分成各具特征區(qū)域并提取出其中感興趣目標的技術(shù)和過程。 數(shù)字圖像的邊緣檢測是圖像分割、目標區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域的基礎(chǔ)部分，也是圖像識別中提取圖像特征的一個重要屬性，在對圖像進行圖像理解和分析時，第一步操作即是邊緣提取，目前邊緣提取技術(shù)已成為機器視覺研究領(lǐng)域最活躍的課題之一，在工程上的應(yīng)用也占有十分重要的地位。 灰度閾值法分割 對于只有黑和白的圖像，由于其像素值只取0和1兩個數(shù)值，因而稱為二值圖像。二值化圖像處理在計算機圖像處理中占有很重要的地位。為了分析圖像的相關(guān)特性，常常從圖像中分離出對象物，提取出圖形和背景而進行二值化處理。圖像的二值化可根據(jù)式218的閾值處理來進行。 （218） 其中T是輸入圖像中灰度級范圍內(nèi)的一個值。是二值化后的輸出圖像。通過對圖像進行二值化操作后可以從圖中提取所需處理圖形的邊緣。 常用的閾值法處理就是圖像的二值化處理，設(shè)定不同的閾值T對圖像進行二值化處理效果有明顯的差異。常用的閾值確定方法有最小誤差閾值法、最大方差閾值法、最佳閾值法等等。下面介紹其中最大方差閾值法的原理。 最大方差閾值也叫大津閾值，是1980年由日本學(xué)者大津展之提出來的，它是在差別與最小二乘法原理的基礎(chǔ)上推導(dǎo)出來的，可得到較好的閾值結(jié)果。 把直方圖在某一閾值處分割成兩組，當(dāng)被分割的兩組間方差為最大時，確定閾值。設(shè)一幅圖像的灰度級為1~m級，灰度值i的像素數(shù)為，則有：像素總數(shù)為： （219）各灰度級的概率為： （220） 通過閾值T將圖像的灰度級劃分為兩組即和則各組產(chǎn)生的概率為：第一組產(chǎn)生的概率： （221）第二組產(chǎn)生的概率： （222）第一組的灰度平均值為： （223）第二組的灰度平均值為： （224）其中是整體圖像的灰度平均值，是閾值為T時的灰度平均值。則有兩組間的方差為： （225）從灰度級范圍中改變T即可求得D（T）的最大值，此時對應(yīng)的T值便是閾值。 邊緣檢測 物體邊緣是以圖像的局部特征不連續(xù)的形式出現(xiàn)的，即指圖像局部亮度變化最顯著的部分，如灰度值的突變、顏色的突變等同時物體的邊緣也是不同區(qū)域的分界處。圖像邊緣具有方向和幅度兩個特性，通常沿邊緣的走向灰度變化平滑，垂直于邊緣走向的像素灰度變化劇烈。 利用邊緣檢測來分割圖像，其基本思想就是先檢測出圖像中的邊緣點，再按照某種策略方式將邊沿點連接成輪廓，從而構(gòu)成分割區(qū)域。由于邊緣是所要提取目標和背景的分界線，提取出邊緣才能將目標和背景分開，因而邊緣檢測技術(shù)對于數(shù)字圖像十分重要。圖像中某物體邊界上的像素點，其領(lǐng)域?qū)⑹且粋€灰度級變化帶。衡量這種變化最有效的兩個特征值就是灰度的變化率和變化方向，它們分別以梯度向量的幅值和方向來表示?？傊?，邊緣檢測就是使用數(shù)學(xué)方法提取圖像像元中具有亮度值（灰度）空間方向梯度大的邊、線特征的過程。對于圖像中的邊緣檢測可借助空域微分算子通過卷積完成。 梯度對應(yīng)為一階導(dǎo)數(shù)，梯度算子是一階導(dǎo)數(shù)算子，對一個連續(xù)函數(shù)。它在位置（x,y）的梯度可表示成一個矢量。 （226）這個矢量的幅度和方向角分別為： （227） （228）在實際中常用小區(qū)域模板卷積來近似計算上式中的偏導(dǎo)數(shù)，對、各用一個模板，則需要兩個模板構(gòu)成一個梯度算子。根據(jù)模板的大小、其中元素值的不同，人們已提出了許多不同的算子。最簡單的梯度算子是羅伯特交叉算子（Roberts cross）、普瑞維特算子（Prewitt）和索貝爾算子（Sobel）。其常用的2個模板如下：Roberts cross： H1=, H2=； Prewitt：H1= ，H2= ； Sobel：H1= ，H2= ； 將模板與原始圖像的像素矩陣進行卷積，即可得到梯度： （229）求出梯度后，設(shè)定一個閾值T，當(dāng)，標出該點為邊界點，其像素值設(shè)為0，否則設(shè)為255，通過適當(dāng)?shù)恼{(diào)整T的大小達到最佳效果。 Canny算子是一類最優(yōu)邊緣算子，它在許多圖像處理領(lǐng)域得到了廣泛運用。Canny考核邊緣檢測算子的指標從低誤判率，高定位精度即準確的把邊緣點定位在灰度變化最大的像素上，以及抑制虛假邊緣的考慮出發(fā)推導(dǎo)出了最佳邊緣檢測算子Canny邊緣檢測算子。Canny算子與其他邊緣檢測方法的不同之處在于它使用了兩種不同的閾值分別檢測強邊緣和弱邊緣，并且僅當(dāng)強弱邊緣相連時才將弱邊緣包含在輸出圖像中，因而這種方法容易檢查出真正的弱邊緣。 基于彩色圖像的K均值聚類分割 對于給定一幅由多種顏色組成的彩色圖像，我們有時候是對彩色圖像中某個顏色所包含的區(qū)域感興趣，如果是按照先把彩色圖像轉(zhuǎn)化為灰度圖像然后提取相應(yīng)的特征邊緣相對來說提取過程比較復(fù)雜，而如果是對這幅彩色圖像直接實行K均值聚類分割來提取圖像中某個顏色所包含的區(qū)域則能夠得到很好的解決。實際上，K均值聚類分割是通過將抽象對象的集合分成由多個相似的對象組成的多個子類的過程，從而可以根據(jù)不同的顏色塊進行聚類，最終可以將具有同種顏色的圖像區(qū)域從整個彩色圖像中劃分出來，以利于后續(xù)的計算機圖像處理。 K均值聚類分割算法的基本原理就是：首先從數(shù)據(jù)集中選取K個點作為初始聚類中心，然后計算各個樣本到聚類中心的距離，把樣本點歸并入到離它最近的那個聚類中心所在的類內(nèi)，通過計算新形成的每一個聚類的數(shù)據(jù)對象的平均值來得到新的聚類中心，如果相鄰兩次的聚類中心沒有發(fā)生變化，則調(diào)整結(jié)束，聚類完成，否則再修改聚類中心進入下一次迭代。 圖像的特征描述圖像描述是圖像處理的核心內(nèi)容。為了便于有效地研究和應(yīng)用，往往需要用一些簡單明確的數(shù)值、符號或圖來表征所給定的圖像及已分割的圖像區(qū)域。這些數(shù)值、符號或圖是按照一定的概念和公式產(chǎn)生，反映了圖像或圖像區(qū)域的基本信息和主要特征。通常稱這些數(shù)值、符號或圖為圖像的特征，而用這些特征來表示圖像稱為圖像描述。 形狀描述1. 鏈碼鏈碼是圖像處理和模式識別中最常用的一種表示方法，最初是由Freemam于1961年提出來的，用來表示線條模式。根據(jù)鏈的斜率不同常用的有4方向和8方向的鏈碼，其方向定義如圖25所示： 圖25 4方向碼和8方向碼在4方向碼中，4方向碼的長度都是一個像素單位；在8方向碼中，水平和垂直方向的方向碼的長度都是一個像素單位；在對角線方向的4個方向碼為像素單位的倍。因此，它們的共同點在于直線度的長度固定，方向數(shù)有限，所以可以用一系列具有這些特點的相連的直線來表示目標的邊界。這樣只有邊界的起點需要用絕對坐標來表示，其余點可用接續(xù)方向來表偏移量。從在物體邊界上任意選取的某個起始點坐標開始，跟蹤邊界并賦給每兩個相鄰像素的連續(xù)一個方向值，最后按照逆時針方向沿著邊界將這些方向碼連接起來，就可以得到物體邊界的鏈碼，因此鏈碼的其實位置和鏈碼完整的包含了目標的形狀和位置信息。2. 鏈碼的歸一化 使用鏈碼時，起點的選擇是很關(guān)鍵的。對同一個邊界，如果采用不同的邊界點作為鏈碼的起點，所得到的鏈碼是不同的，從而提出了一種鏈碼歸一化的思想。具體做法是：給定一個從任意點開始的產(chǎn)生的鏈碼，把它看作一個由各方向數(shù)構(gòu)成的自然數(shù)，首先，將這些方向數(shù)按一個方向循環(huán)，以使它們所構(gòu)成的自然數(shù)的值最??；然后，將這樣轉(zhuǎn)換后所對應(yīng)的鏈碼起點作為這個邊界的歸一化鏈碼的起點。3. 形狀特征的描述（1）、長軸和短軸 當(dāng)物體的邊界已知時，用其外接矩形的尺寸來刻畫它的基本形狀。如對圖26邊界進行外接矩形描述： 圖 26 MER法求物體的長軸和短軸求物體在坐標軸上方向上的外接矩形，只需計算物體邊界點的最大坐標值和最小坐標值，即可得到物體的水平跨度和垂直跨度。對任意朝向的物體，需確定物體的主軸，然后計算反映物體形狀特征的主軸方向上的長度和與其垂直方向上的寬度，而此時的外接矩形即為物體的最小外接矩形（MER）。（2）、矩形度 圖像區(qū)域的面積與其最小外接矩形面積的比值即為矩形度： （230） 矩形度反映區(qū)域?qū)ζ渥钚⊥饨泳匦蔚某錆M程度，當(dāng)區(qū)域為矩形時，矩形度R=1，當(dāng)區(qū)域為圓形時，對于邊界彎曲、呈不規(guī)則分布的區(qū)域。（3）、長寬比長寬比是將目標與近似矩形或圓形目標進行區(qū)分時，采用的形狀度量。長寬比為最小外接矩形的寬與長之比，其定義式為： （231）（4）、致密度致密度也稱復(fù)雜度，有時也稱分散度，其定義為區(qū)域周長（P）的平方與面積（A）的比值。即： （232）致密度越大表明單位面積的周長大，即區(qū)域離散為復(fù)雜形狀，反之，為簡單形狀。第3章 數(shù)字圖像處理技術(shù)應(yīng)用于X射線檢測 X射線無損檢測技術(shù)簡介 X射線是1985年由德國物理學(xué)家倫琴發(fā)現(xiàn)的；1912年，美國物理學(xué)家?guī)炖┦垦兄瞥隽艘环N新型的X射線管，從而為X射線的工業(yè)應(yīng)用奠定了基礎(chǔ)。其在無損檢測應(yīng)用過程中，X射線檢測常用于檢測檢測對象的缺陷情況，其中最主要的是用于焊縫缺陷檢測，利用X射線對被檢測對象表面進行拍照，在不損傷被檢測對象的情況下就可以檢測出對象內(nèi)部有無缺陷，從而判別對象使用的安全性。 X射線檢測原理 X射線是在X射線管中，在電場的作用下在陰極處的電子在電場力的作用下電子高速飛向陽極靶，電子與陽極靶的撞擊過程中產(chǎn)生。當(dāng)X射線通過被檢測物體時，物體中有缺陷的部位（如氣孔、非金屬夾雜等）與無缺陷部位對射線的吸收能力不同，一般情況下是透過有缺陷部位的射線強度高于無缺陷部位的射線強度，從而可通過檢測透過被檢測物體后的射線強度的差異，來判斷被檢測物體是否存在缺陷。圖31 X射線的產(chǎn)生過程（1陰極，2外殼，3陽極靶） X射線檢測被測物體的見圖32。 X射線源 被檢測物體 X射線底片 圖 32 X射線檢測物體 圖像預(yù)處理由于通過X射線無損檢測得到的焊縫缺陷圖但X射線得到的焊縫圖像普遍具有灰度區(qū)間比較窄、缺陷邊緣模糊、圖像噪聲多、缺陷特征有時被隱藏等特點，為了更加準確的檢測出內(nèi)部缺陷，對焊縫圖像進行預(yù)處理是必要的。圖33是一幅經(jīng)過X射線無損檢測得到的焊縫缺陷圖樣。 圖 33 原X射線檢測圖樣。流程圖見圖34。原圖像輸入灰度均衡化處理中值濾波巴特沃斯低通濾波巴特沃斯高通濾波同態(tài)濾波線性濾波輸出預(yù)處理圖像圖 34 圖像預(yù)處理流程 焊縫圖像灰度處理f=imread(39。F:39。)。%輸入圖像f1=floor(double(f))。%變?yōu)殡p精度浮點數(shù)后再取整s=size(f1)。%求出圖像的行數(shù)和列數(shù)N=zeros(256)。%生成一個256行和256列的元素全為0的矩陣for i=1:s(1) %嵌套循環(huán)for j=1:s(2)k=f1(i,j)。 %取出灰度圖像的（i,j）位置的灰度值N(k+1)=N(k+1)+1。%把灰度值為k的像素點數(shù)加1，存在數(shù)組N的第k+1個元素中endendbar(N) %繪制統(tǒng)計用柱狀圖title(39。灰度直方圖39。)現(xiàn)在通過Matlab的圖像處理工具箱中的imadjust、stretchlim函數(shù)對上圖進行灰度調(diào)整，使圖像的灰度值遍布整個灰度值范圍，是圖像的顯示效果更加的清晰。 相關(guān)程序如下：f=imread (39。