【正文】 n in equation (4) and (5)). Using the algorithm above, we can pute each value of discriminant criterion (k*) puted, in that image I 39。f that is most proper to be segmented is obtained. Here, we take images of cracked container for example. and show the experimental process, in which the first rows show the filtered pictures, the second rows show the corresponding histograms and the third rows show curves of corresponding discriminant criterion. The last columns are the optimal results of image enhancement, from which we can observe all the noise such as rust, shadow, smear, etc is almost removed, leaving the cracked parts intact. and present the varying course of n(k*) along with Para respectively in terms of and . When Para increases to 5/9 for both examples, n(k*) will reach their maximum and the most proper filtered image are obtained. When Para continue to increase, n(k*) will decrease and the integrity of the crack part will be destroyed seriously as last two columns in . 4 Conclusion This paper is to overe the disadvantage of Otsu method in dealing with the condition: when the grayvalue differences among classes are not so distinct, and the object is small relative to backgroud, the separabilities among classes are not sufficient. This paper proposes an effective image enhancement method in spatial domain. We define all the nonobjects as noise, which urges us to design an effective filter to remove noise at one time. We propose an improved mask, according to the characteristic of gray level of cracked container, to make gray value of nonobjects above a threshold and leave the object below it. The filtered image, most proper to be segmented, is puted automaticly by using the improved discriminant criterion in terms of the principle of maximize the separability between object interesting and background uninteresting. After the proposed image enhancement, subsequent operations can be carried on easily. Experiments illustrate the proposed method is valid and effective. 譯文： 一種有效地自動(dòng)圖像增強(qiáng)方法 基于集裝箱裂紋的自動(dòng)視覺檢測 (AVICC)是一個(gè)應(yīng)用機(jī)器視覺技術(shù)。圖像增強(qiáng)是為了提供一個(gè)比原始圖像中的具體應(yīng)用更合適的結(jié)果。岡薩雷斯所論述圖像增強(qiáng)方法分為兩大類：空間域和頻率域的方法。 Centeno 提出了一種自適應(yīng)圖像增強(qiáng)算法 ,該算法改變了分割圖像增強(qiáng)和銳化的缺點(diǎn) ,避免了噪音和模糊邊界。除了空間域方法、頻域處理的相似度也可以用來做定量比較圖像分割算法。最優(yōu)參數(shù)濾波的判別準(zhǔn)則確定見參考書 [9]。其余的組織提出如下 : 提出了如何提高一個(gè)輸入 圖像在理論的基礎(chǔ)的算法。最后 ,在 提出了相關(guān)結(jié)論。因此 ,應(yīng)該給出輸入圖片的相關(guān)特性。從圖像中 ,我們看到破裂的部分只占一個(gè)小區(qū)域。然而 ,在粗糙的反光下我們發(fā)現(xiàn)灰度洞口比其他部分模糊。 a)是有裂紋容器的標(biāo)準(zhǔn)灰度圖像。傳統(tǒng)的空間過濾器使用一個(gè) 3 3的模板與輸入圖像進(jìn)行卷積。通過得到 G 我們可以消除 N .但我們的目的不僅是消除白噪聲 ,而且要 消除其他不相關(guān)的背景噪聲。( , ) 39。( , )G x y I x y N x y?? （ 2） ),( yxF 在這方程式里面 I’是我們想要得到的 ,N 39。圖 2(c)顯示一個(gè)改進(jìn)的模板參數(shù)。光滑函數(shù)可以用方程 (3)來表示 : 1111( , ) 39。現(xiàn)在 ,我們只考慮灰度圖像 ,并定義Mg 為一個(gè)最大灰度級。 , ,f f gfg f gI if I MIM if I M????? ????? （ 4） 本質(zhì)上 ,卷積算子是一個(gè)低 通濾波過程 ,通過一個(gè)模板與圖像卷積使圖像模糊。原因是它不考慮相鄰像素間的關(guān)系。實(shí)驗(yàn)說明后者的方法將不能刪除許噪聲點(diǎn) ,但前者方法可以。并用用 L 灰度水平描繪一個(gè)圖像。確定最優(yōu)閾值最大的使得物體和背景分離，使用下列判別準(zhǔn)則，詳見 [9]: * 1( ) max ( )kLkk??? ? ? （ 16） 方程 (16)是選取灰度判別準(zhǔn)則使一張圖片目標(biāo)體和背景之間最大的分離。所以方程 (13)可以改寫為 : 22( , ) / ( , )BTp a ra k p a ra k???? （ 17） 其中 2T? 不再是一個(gè)常數(shù)，但不能忽視，一些計(jì)算可以通過 2( , )B parak? 和2( , )T parak? 簡化。討論以上圖像至少要分為兩種情況。以上兩種情況可如下描述： ? ? ? ? ? ? ? ? ? ?A { Pa r a , k | Pa r a , k Pa r a , k 0 , 1 / 2 n 1 * 2 n 1 Pa r a , 0 k L 1}? ? ? ? ? ? ? ? ? ?????這里主要是討論 A，所以必須有一個(gè)確定的參數(shù) K 使得標(biāo)準(zhǔn)最大化。其他有些值需設(shè)定：Para=1/9,Mg=L=256,使用上述算法我們可以計(jì)算 K*的每個(gè)值和與之對應(yīng)參數(shù)para 的值，通過對比計(jì)算得到最優(yōu) K*值，在這幅圖像中 ,I‘ f 最佳的分割。圖 圖 4 顯示實(shí)驗(yàn)過程中 ,第一的照片顯示經(jīng)過濾波后的圖片第二行顯示和相應(yīng)的直方圖第三行顯示曲線相應(yīng)的判別標(biāo)準(zhǔn)。 了不同的 K * 和 Para 值，得到的不同結(jié)果如圖 3 和圖 4。當(dāng) P 不斷增加 ,K *會(huì)降低，并且裂紋部分將被嚴(yán)重破壞，如圖 5 所示。本文提出了一種有效的空間域圖像增強(qiáng)方法。我們提出了一種改進(jìn)的模板，根據(jù)破裂容器的灰度值特點(diǎn)，需使非目標(biāo)體灰度值高于閾值并且使目標(biāo)體的灰度值低于閾值。在進(jìn)行特定的增強(qiáng)后，隨后的操作就非常輕松了。