【導(dǎo)讀】環(huán)境、工作目的等。將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)對其進(jìn)行處理的過程。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)60. 早期的圖像處理的目的是改善圖像的質(zhì)量，它以人為對象以改善人的。視覺效果為目的。開源的公眾Java項(xiàng)目。它既可以以網(wǎng)頁Applet的形式運(yùn)行也可以作為應(yīng)用軟件工。適合多種平臺(tái)，包括Windows,MacOS,MacOSX以及Linux。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內(nèi)容的。像的分辨率變化的時(shí)候，所計(jì)算出來的紋理可能會(huì)有較大偏差。狀特征有兩類表示方法，一類是輪廓特征，另一類是區(qū)域特征。主要針對物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個(gè)形狀區(qū)域。用于ImageJ的圖像處理插件。實(shí)現(xiàn)及研究現(xiàn)狀。狀的表示和描述是一項(xiàng)艱巨的任務(wù)。統(tǒng)計(jì)用戶定義的選項(xiàng)。

　　

【正文】 e 圖像的圓形度用來描述實(shí)物形狀接近圓形的程度，計(jì)算公式為： 20 /4 LSR ?? 是 否 開始 否 是 遍歷結(jié)束 計(jì)算過程 2 結(jié)束 計(jì)算條件 計(jì)算過程 1 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（論文） 18 0R 的范圍是 10 0 ??R ， 0R 值越大，則區(qū)域越接近圓形。 形狀復(fù)雜性用離散指數(shù) e 表示，計(jì)算公式為： SLe /2? 。 e 值越大，區(qū)域越離散，即圖像是復(fù)雜形狀。 3) 凹凸性 凹凸性是區(qū)域的基本幾何特征。區(qū)域的凹凸性可以通過以下方法進(jìn)行判別：區(qū)域內(nèi)任意兩像素間的連線穿過 區(qū)域外的像素，則此區(qū)域?yàn)榘夹?。包含任一凹形的最小的凸形閉包可以表示凹凸性。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 /? 。 在 ImageJ 的實(shí)現(xiàn)中 ，我簡化了凹凸性的計(jì)算，修改了算法。我的算法實(shí)現(xiàn)過程如下： a）分別從上到下，從下到上，從左到右，從右到左掃描圖像，記錄第一次出現(xiàn)非 0 像素的行和列。 b）計(jì)算第一步得到的行列值組成的矩形的面積 Se。 c）比較 Se 和圖像面積 S，記錄凹形率 。 （ 2）區(qū) 域的矩特征描述 矩特征是利用力學(xué)中矩的概念，將區(qū)域內(nèi)部的像素作為質(zhì)點(diǎn)，像素的坐標(biāo)作為力臂 ，從而以各階矩的形式來表示區(qū)域的形狀特征。矩特征的引入基于了帕普利斯（ Papoulis）唯一 性定理：如果 ),( yxf 是分段連續(xù)的，只在 xy 平面的有限部分中有非零值，則所有各階矩皆存在，并且矩序列 }{ pqM 唯一地被 ),( yxf 所確定；反之， }{ pqM 也唯一地確定 ),( yxf 。由于二值化圖像滿足這一定理，因此其 pq 階矩就可以用于特征提取的計(jì)算： ? ?? qppq jijifM ),(。 在 ImageJ 插件中，通過掃描矩陣，計(jì)算出了從 p=0， q=0 到 p=3， q=3 的 10個(gè)矩值作為矩序列。代碼實(shí)現(xiàn)為 for(ii=0。iih。ii++) for(jj=0。jjw。jj++) m00 += pij[ii][jj]。 在得到矩序列后，其他特征參數(shù) 可以分別利用公式計(jì)算。 1) 質(zhì)心： )/,/(),( 00010010 MMMMji ??? （ 39） 零階矩 00M 是區(qū)域密度的總和，可以理解為厚度為 1 的物體的質(zhì)量，所以一階矩 10M 和 01M 分別除以零階矩 00M 所得到的坐標(biāo)就是物體質(zhì)量中心的坐標(biāo)，也就天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（論文） 19 是區(qū)域灰度的重心。 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。 3) Hu 矩組： }{ pqM 的前 7 個(gè)矩的函數(shù)。 滿足平移、旋轉(zhuǎn)不變性，因而可被廣泛的應(yīng)用于區(qū)域形狀識(shí)別中。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(gè)矩函數(shù) 7M 滿足鏡像對稱不變性。 4) 扁 度：2110220202202120211022020220212044)(44)(MMMMMMMMMMMMMMe??????????? （ 311） 扁度是區(qū)域的長短軸之比。 根據(jù)帕普利斯定理，理論上是需要無窮多組的 pqM 序列才能確定 ),( yxf 。但在實(shí)際中，通常選取前幾階矩計(jì)算，這樣方便快捷但容易產(chǎn)生一些誤差和近似。形狀特征提取的結(jié)果如圖 36 所示， 其中各個(gè)參數(shù)結(jié)果以 int 和 double 類型保存，并可以通過 get()方法被其他接口調(diào)用 。 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(jì)（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(jí)的反映 ,一般是對圖像內(nèi)容的文字性描述 ） 。圖像特征提取的一個(gè)主要應(yīng)用是為后期的圖像匹配和識(shí)別準(zhǔn)備特征數(shù)據(jù)，而在識(shí)別和檢索階段，圖像語義特征起到了真正描述圖像的作用。圖像的語義是人對圖像內(nèi)容的理解，涉及到人在認(rèn)識(shí)事物過程中的熟悉、推理、猜測、結(jié)論各個(gè)階段，是一個(gè)從模糊到理解的過程。 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。 （ 2） 行為語義 ：側(cè)重于圖像表現(xiàn)的行為或動(dòng)作，如動(dòng)物捕食等。 （ 3） 情感語義：從人的情感角度出發(fā)的語義，例如人的表情悲喜等。 目前圖像語義的獲取方式主要有三種 :基于知識(shí)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。 基于知識(shí)的語義提取，需要預(yù)先給系統(tǒng)提供必要的知識(shí)，如對象模板、圖像場景分類器等等。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(shí)別的處理方法和全局處理方法。 人工交互的語義提取，主要體現(xiàn)在圖像庫預(yù)處理和反饋學(xué)習(xí)兩方面。最簡單的預(yù)處理就是人工標(biāo)注，更加合理的方法是結(jié)合領(lǐng)域知識(shí)，在特定領(lǐng)域中，先讓系統(tǒng)自動(dòng)學(xué)習(xí)對象和場景的描述，再由人工進(jìn)行修正。反饋學(xué)習(xí)的交互主要在兩個(gè)層面上進(jìn)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。在一次檢索過程中，用戶的反饋可以建立系統(tǒng)中特定語義與視覺特征之間的對應(yīng)，或者是修正與圖像關(guān)聯(lián)的高層概念，同時(shí)對于同一類對象圖像的不斷反饋，可以讓系統(tǒng)學(xué)習(xí)該類對象對應(yīng)的視覺模式。文本標(biāo)注是最原始的建立高層概念與圖像聯(lián)系基于紋理和形狀特征的圖像檢索的方式，一幅圖像可以關(guān)聯(lián)的文本標(biāo)注可能很多，并且不同標(biāo)注與圖像之間的關(guān)聯(lián)度并不完全一致。 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。外部信息有圖像的文件名、 URL 地址、圖像前后的文本等。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。 為了更好地把圖像的底層信息反映到語義的概念層上，依據(jù)圖像語義生成的要求，把底層信息 （ 顏色、輪廓和形狀等 ） 進(jìn)行映射 [15]，并輔助給定各項(xiàng)特征值一并保存，這樣在多維特征空間匹配識(shí)別時(shí)，其系統(tǒng)的效率會(huì)更高。在這個(gè)映射過程中，使用簇類作為基本的工具，簇類原型設(shè)計(jì)成一種易為人理解構(gòu)件的概括，還可以從底層特征空間中發(fā)現(xiàn)簇的相似區(qū)域，每一個(gè)簇區(qū)代表著一個(gè)項(xiàng)目簇的原型，也 可以從中找到減維簇特征空間的差異，通過增加變化的順序和重新排序底天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（論文） 21 層特征來降低特征空間的維數(shù)。在語義空間，簇區(qū)代表著最高頻率關(guān)鍵字的項(xiàng)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。這個(gè)過程很容易用 IF－ THEN 的規(guī)則來表達(dá)，描述語義和相應(yīng)的語義操作。圖像底層物理特征和高層語 義特征結(jié)合的過程如圖 37。 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(shí)別 描述結(jié)果集合 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（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(jìn)行的，將圖像依據(jù)特定的 分割算法進(jìn)行分割產(chǎn)生多個(gè)區(qū)域，對不同的區(qū)域做特征提取。圖像分割算法是基于亮度值的兩個(gè)基本特性：不連續(xù)性和相似性。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(zhǔn)則將圖像分割為相似的區(qū)域。 基于區(qū)域的分割，本文采用區(qū)域生長算法。區(qū)域生長是一種根據(jù)事前定義的準(zhǔn)則將像素或子區(qū)域聚合成更大的區(qū)域的過程。區(qū)域生長一般有兩種方法，基本的方法是以一組 ―種子 ‖點(diǎn)開始將與種子性質(zhì)相似（如灰度級(jí)或顏色的特定范圍）的相鄰像素附加到生長區(qū)域的每個(gè)種子上。本文實(shí)現(xiàn)了另一種方法，就是在開始時(shí)將圖像分割 為一系列任意不相交的區(qū)域，然后將它們進(jìn)行聚合并拆分。具體的做法是，令 R 表示整幅圖像區(qū)域并選擇一個(gè)謂詞 P。對 R 反復(fù)將分割結(jié)果重新分割為四個(gè)區(qū)域，直到對任何區(qū)域 iR ，有 TRUERP i ?)( 。接著對滿足T R UERRP kj ?)( ? 的任意兩個(gè)相鄰區(qū)域 jR 和 kR 進(jìn)行聚合。當(dāng)聚合和拆分都無法進(jìn)行時(shí)操作結(jié)束。 圖 41 顯示了分割結(jié)果： 圖 41 利用區(qū)域生長算法分割圖像 圖 42 是算法流程框圖： 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（論文） 23 圖 42 分割算法流程圖 圖像特征提取 圖像特征提取的插件實(shí)現(xiàn)，綜合利用了 Java 語言的面向?qū)ο缶幊痰膬?yōu)勢和ImageJ 本身完善的圖像處理機(jī)制。對于圖像特征提取，利用第二章第三節(jié)介紹的基本 ImageJ 包，結(jié)合第三章介紹的實(shí)現(xiàn)方法，具體的實(shí)現(xiàn)步驟如下： i. 由于圖像的紋理和色彩關(guān)系不大，所以在 setup()方法中定義處理圖 像否 否 是 否 是 是 否 開始 顏色量化 深度優(yōu)先遍歷 像素訪問過 生長一個(gè)區(qū)域 是小區(qū)域 進(jìn)小區(qū)域棧 進(jìn)種子區(qū)域棧 遍歷結(jié)束 是 遍歷結(jié)束 遍歷小區(qū)域棧 分配棧元素到某個(gè)種子區(qū)域 區(qū)域合并 結(jié)束 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（論文） 24 為 8bit 灰度圖像。 ii. 在 run()方法中，利用參數(shù) ImageProcessor，得到圖像的灰度直方圖，計(jì)算共生矩陣和梯度算子。 iii. 利用公式計(jì)算各個(gè)參數(shù)。 實(shí)驗(yàn)結(jié)果分析 實(shí)驗(yàn)是基于分割好的圖像進(jìn)行的。限于分割算法的局限性，我們的圖片來源于手工分割。下面的實(shí)驗(yàn)測試了各個(gè)特征參數(shù)的有效性。 區(qū)域紋理特征實(shí)驗(yàn)結(jié)果 圖 43 顯示了原彩色圖像和經(jīng)過灰度化后的圖像。 圖 43 原圖像和經(jīng)過灰度化后的圖像 經(jīng)過灰度化后，圖像的紋理可用灰度直方圖和灰度共生矩陣描述。這里使用ImageJ 的插件提取特征 參數(shù)，接著為圖像添加噪聲并平滑，對比各個(gè)參數(shù)的實(shí)驗(yàn)結(jié)果如表 41 所示： 表 41 區(qū)域紋理實(shí)驗(yàn)數(shù)據(jù)對比 直方圖均值 直方圖方差 二階矩 對比度 相關(guān) 熵 灰度圖像 ? 加噪圖像 ? 平滑圖像 ? 圖 44 是加噪和平滑后的圖像。 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(jì)（論文） 25 經(jīng)過對紋理特征參數(shù)的實(shí)驗(yàn)，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。而方差的變化范圍很大，說明了方差參數(shù)劣于均值參數(shù)。而二階矩值說明了紋理的粗細(xì)。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(xì)；而平滑后的圖像紋理相對模糊，因此矩值較大即紋理較粗。三幅圖像的對比度變化范圍很小（變化在小數(shù)點(diǎn)后 10 位左右），在數(shù)據(jù)經(jīng)過處理后，基本相等，即說明了 圖像的紋理清晰程度基本一致。這也很好的說明了針對這樣的實(shí)物圖像，噪聲的引入并沒有影響到計(jì)算機(jī)和人去識(shí)別圖像的紋理。相關(guān)值是對灰度共生矩陣的一個(gè)描述，在圖像中顯示的就是水平紋理的相似程度，可以看到三幅圖像的相關(guān)值很相近，同時(shí)在數(shù)據(jù)處理后可以認(rèn)為噪聲沒有改變計(jì)算機(jī)去識(shí)別圖像的水平紋理。熵值代表了圖像中包含的信息量。因?yàn)樵肼晥D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，所以熵值較小。其他的特征量如和平均、和方差等基本的物理意義與上述討論的平均和方差的物理意義近似，這里不再贅 述。 邊緣紋理特征實(shí)驗(yàn)結(jié)果 對圖像邊緣紋理的提取，引入了灰度 梯度共生矩陣以及不同的參數(shù)。對于加入梯度算子的圖像。圖像處理的結(jié)果如圖 45 圖 45 原圖像和加 入 Sobel 算子后的圖像 對同樣的圖像，在邊緣提取后，對三種處理的圖像 分別用 ImageJ 插 件實(shí)現(xiàn)邊緣特征提取，對比它們的各項(xiàng)參數(shù)數(shù)據(jù)如表 42 至 44： 表 42 邊緣紋理實(shí)驗(yàn)數(shù)據(jù)對比（ 1） 大梯度優(yōu)勢 小梯度優(yōu)勢 灰度分布不均勻性 梯度分布不均勻性 灰度圖像 加噪圖像 平滑圖像 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計(jì)（論文） 26 表 43 邊緣紋理實(shí)驗(yàn)數(shù)據(jù)對比（ 2） 灰度平均 梯度平均 梯度均方差 灰度均方差 灰度圖像 加噪圖像 平滑圖像 表 44 邊緣紋理實(shí)驗(yàn)數(shù) 據(jù)對比（ 3） 能量 相關(guān) 灰度熵 梯度熵 混合熵 慣性 灰度圖像 加噪圖像 平滑圖像 圖 46 是加噪和平滑后的邊緣特征圖像。 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(gè)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。而在平滑后的圖像中這一變化微乎其微，基本不影響圖像的邊緣紋理。