軟件工程畢業設計-基于imagej的圖像形狀與紋理處理(文件)

　

【正文】 對圖像實體特征的研究目前已經有了廣泛的應用。 在農業領域圖像特征也有著同樣重要的作用。通過計算機提取圖像的特征并做出初步的合理的分析，再將這些分析結果 交由有經驗的醫生去處理，不僅節約時間，也保證了正確性。而圖像特征在軍事安全領域的作用更是顯而易見，人臉識別和指紋識別技術已經是比較成熟且應用廣泛的技術。受關于紋理的人類視覺的心理學研究的啟法， Tamura 等人另外提出了一種新的紋理表示 [2]。這使得 Tamura 紋理表示在圖象檢索中非常具有吸引力，而且可提供一個更有友好的界面。 對于形狀特征，形狀特征是描述高層視覺特征 (如目標、對象等 )的重要手段，而目標、對象對獲取圖像語義尤為重要。幾何特征的研究更多的在數學領域，包括周長、面積等。傅立葉描述符的主要思想是將經過傅立葉變換后的邊界作為形狀特征。 另外，近年來對于圖像語義的描述開始進入人們的研究領域。圖像經過人視覺系統傳送到大腦，經過心理響應過程最后輸出的必然是某些很不相同的東西。人們通常認為彩色對人的情感有著重要的影響。 本文的研究重點和內容結構 本文主要在以下兩個方面做了研究工作： 1. 特征的選擇和描述。 本文的章節安排如下： 第一章 緒論：介紹圖像特征處理 的背景知識并分析研究領域的現狀。 第四章 基于 ImageJ 的紋理形狀特征提取：介紹了特征提取前的分割工作，并通過特征提取的實驗結果比對各個特征參數。適合多種平臺，包括 Windows, Mac OS, Mac OS X 以及 Linux。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 。它支持標準的圖像處理功能，如 比較 ，銳化，平滑，邊緣檢測和中值濾波。 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。用戶 編寫的 插件使人們有可能解決幾乎任何圖像處理或分析的問題。同時各大高校（包括 MIT， UC 等）都有專門的部門為 ImageJ 提供插件。這里圖 21 是 ImageJ 的用戶界面。下面就對 ImageJ 各個包的類庫做一個簡單介紹： ij 包：作為軟件的宏觀管理結構，包含了 IJ， WindowManager， ImagePlus，ImageStack 和 ImageJ 等主要的類，為圖像窗口的管理，圖像格式的定義以及整個軟件搭好架構。 包：對 ImageJ 的宏函數的定義，包含了 Functions, Interpreter, MacroRunner, Program, Symbol 和 Variable 等類，架構了 ImageJ 的宏結構。其中的 Plugin 是每個插件編寫必須要實現的接口； Coverter 類繼承了 ImagePlus 類，可以將一種類型的圖像轉化為其他類型。 包：通過 ImageProcessor 抽象類定義了獲取圖像像素信息及簡單的處理和存儲這些像素的方法。 和 包：作為輔助包，簡單規定了文本格式和排序方法。本文就是基于其在形狀和紋理特征分析功能方面的缺陷而開發了特征提取的插件。執行―Plugin/Edit...‖命令將允許用戶編輯已有的 java 文件。在第一個方法中用戶可以書寫該插件想要實現的功能，在第二個方法中，用戶要返回一個整形的關鍵字，說明插件可以處理的圖像類型。 import .*。 } 其中 DOES_8G, DOES_STACKS, SUPPORTS_MASKING 均為程序定義的關鍵字，表示本插件只能處理 8 位棧內圖像，支持掩模操作。 int offset, I。 for (int x=。 } } } 該方法首先獲取了圖像的像素值并用 byte數組存儲，接著獲取圖像的寬和高，然后遍歷整個數組，將每一個像素都與 255 做差，即實現了圖像的反色。 天津大學 2021屆本科生畢業設計（論文） 10 第三章 基于實體的圖像特征提取及描述 特征提取的基本原理 圖像特征是指圖像的原始特性或屬性，是由于景物的物理與幾何特性使圖像局部區域的灰度產生明顯變化而 形成的，在圖像中存在著一些特殊的信息，這些信息使該圖像有別于其它圖像，這些特殊信息就是圖像的特征。 ：提取出的特征應滿足對特征的一般要求和特殊要求，并使分類錯 誤率達到給定的指標。 特征提取的基本方法 本文主要從紋理和形狀兩方面研究圖像的特征提取技術。通過 觀察不同物體的圖像，可以抽取出構成紋理特征的兩個要素： 1. 紋理基元，一種或多種圖像基元組合而成，有一定的形狀和大小。 （ 1） 直方圖統計 直方圖是多種不同灰度的像素分布的概率統計，與紋理基元存在著一定的對應關系。在計算過程中，首先通過 ImageJ 的接口獲得直方圖數組 int []hist = ()。均值的計算過程如圖 31 所示。 程序流程 如圖 31 所示。 h += hist[j]。 方差的計算過程類似均值，只是最后以 histDelta 一個 double 數據來存儲。 （ 2）灰度共生矩陣 由于紋理是由灰度分布在空間位置上反復出現而形成的，因而在圖像空間中相隔某距離的兩像素間會存在一定的灰度關系，這種關系被稱為是圖像中灰度的空間相關特性。、 45176。灰度共生矩陣的行和列分別是兩個像素的灰度級。對于灰 度共生矩陣的獲取，ImageJ 沒有相關的工作完成。 b） 接著遍歷二維數組 pd，對每對橫縱座標值，比較水平方向（或者 45 度、90 度、 135 度方向）相鄰像素值是否滿足位置關系。 第 2 步核心代碼如 下： for(ii=0。jj++) for (int y=。 x++) if(pij[][]==iiamp。 圖 32 共生矩陣計算流程圖 在得到灰度共生矩陣值后，在 ImageJ 中為了可以使其被其他用戶調用，接口設計為一個二維數組，通過 getCoreMatrix()調用數據值。二階矩是灰度共生矩陣像素值平方的和，所以它也稱為能量。 3) 相關 22211021103),(???? ?????? ??LiLjuujipijf （ 35） 否 是 否 是 開始 初始化數組 歸一化 遍歷結束 結束 矩陣元素加 1 像素對滿足 0度共生條件 天津大學 2021屆本科生畢業設計（論文） 14 其 中 各 變 量 分 別 定 義 ： ? ??????? 10101 ),(LiLj jipiu ?， ? ??????? 10102 ),(LjLi jipju ?，? ??? ?? ??? 10 102121 ),()(Li Lj jipui ?? ， ? ??? ?? ??? 10 102222 ),()(Lj Li jipuj ?? 。若圖像沒有任何紋理，則灰度共生矩陣幾乎為零陣，熵值接 近為零。 b）存儲數據。這是在 Haralick 等為了給航空照 片的地勢和砂巖的顯微鏡照片分類，計算過的特征量。圖像的梯度信息的獲得是通過各種微分算子，它檢測了圖像中的跳變部分，如圖像中實體景物的邊緣和紋溝等尖銳部分。 對 圖 像 采 用 梯 度 算 子 進 行 邊 緣 檢 測 ， 得 到 梯 度 圖 像}1,2,1,0,)。首先，我們定義梯度矩陣： 天津大學 2021屆本科生畢業設計（論文） 16 int[][] resultArray2D = new int[][]。定義灰度 梯度共生矩陣 double[][] H = new double[Lf][Lg]。圖像經過邊緣提取和圖像分割等操作，就會得到實物的邊緣和區域，也就獲取了實物的形狀。通常，它們只能用來識別較大的形狀，大多用于初步過濾或者和其它的形狀結合起來使用。對于區域內部或邊界來說，由于我們只關心它們的形狀，其灰度信息往往可以忽略，只要能將它與其 他目標或背 景區分開即可。 （ 1）區域的幾何特征描述 在 ImageJ 中，對幾何形狀特征參數的提 取，主要方法就是遍歷二值圖像，對每個像素值計數，各個參數的基本計算流程如圖 35： 圖 35 幾何特征的計算流程 1) 面積 S 和周長 L 面積與周長是最常用的描述區域大小的基本特征。 2) 圓形度 0R 和形狀復雜性 e 圖像的圓形度用來描述實物形狀接近圓形的程度，計算公式為： 20 /4 LSR ?? 是 否 開始 否 是 遍歷結束 計算過程 2 結束 計算條件 計算過程 1 天津大學 2021屆本科生畢業設計（論文） 18 0R 的范圍是 10 0 ??R ， 0R 值越大，則區域越接近圓形。區域的凹凸性可以通過以下方法進行判別：區域內任意兩像素間的連線穿過 區域外的像素，則此區域為凹形。我的算法實現過程如下： a）分別從上到下，從下到上，從左到右，從右到左掃描圖像，記錄第一次出現非 0 像素的行和列。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 。iih。 在得到矩序列后，其他特征參數 可以分別利用公式計算。 滿足平移、旋轉不變性，因而可被廣泛的應用于區域形狀識別中。但在實際中，通常選取前幾階矩計算，這樣方便快捷但容易產生一些誤差和近似。圖像的語義是人對圖像內容的理解，涉及到人在認識事物過程中的熟悉、推理、猜測、結論各個階段，是一個從模糊到理解的過程。 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。最簡單的預處理就是人工標注，更加合理的方法是結合領域知識，在特定領域中，先讓系統自動學習對象和場景的描述，再由人工進行修正。 基于外部信息源的語義提取是指根據圖像來源處 的其他信息獲得與圖像相關的相對高層的描述信息。在這個映射過程中，使用簇類作為基本的工具，簇類原型設計成一種易為人理解構件的概括，還可以從底層特征空間中發現簇的相似區域，每一個簇區代表著一個項目簇的原型，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 2021屆本科生畢業設計（論文） 21 層特征來降低特征空間的維數。 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 描述結果集合 天津大學 2021屆本科生畢業設計（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，將圖像依據特定的 分割算法進行分割產生多個區域，對不同的區域做特征提取。區域生長是一種根據事前定義的準則將像素或子區域聚合成更大的區域的過程。對 R 反復將分割結果重新分割為四個區域，直到對任何區域 iR ，有 TRUERP i ?)( 。對于圖像特征提取，利用第二章第三節介紹的基本 ImageJ 包，結合第三章介紹的實現方法，具體的實現步驟如下： i. 由于圖像的紋理和色彩關系不大，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 深度優先遍歷 像素訪問過 生長一個區域 是小區域 進小區域棧 進種子區域棧 遍歷結束 是 遍歷結束 遍歷小區域棧 分配棧元素到某個種子區域 區域合并 結束 天津大學 2021屆本科生畢業設計（論文） 24 為 8bit 灰度圖像。限于分割算法的局限性，我們的圖片來源于手工分割。這里使用ImageJ 的插件提取特征 參數，接著為圖像添加噪聲并平滑，對比各個參數的實驗結果如表 41 所示： 表 41 區域紋理實驗數據對比 直方圖均值 直方圖方差 二階矩 對比度 相關 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。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。熵值代表了圖像中包含的信息量。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值變化劇烈，眾多的參數數據已沒有相似性，這說明了噪聲可以影響圖像的邊緣紋理信息。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。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。而方差的變化范圍很大，說明了方差參數劣于均值參數。 區域紋理特征實驗結果 圖 43 顯示了原彩色圖像和經過灰度化后的圖像。 iii. 利用公式計算各個參數。當聚合和拆分都無法進行時操作結束。本文實現了另一種方法，就是在開始時將圖像分割 為一系列任意不相交的區域，然后