軟件工程畢業設計-基于imagej的圖像形狀與紋理處理-資料下載頁

【導讀】環境、工作目的等。將圖像信號轉換成數字信號并利用計算機對其進行處理的過程。數字圖像處理作為一門學科大約形成于20世紀60. 早期的圖像處理的目的是改善圖像的質量，它以人為對象以改善人的。視覺效果為目的。開源的公眾Java項目。它既可以以網頁Applet的形式運行也可以作為應用軟件工。適合多種平臺，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屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內容的。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。狀特征有兩類表示方法，一類是輪廓特征，另一類是區域特征。主要針對物體的外邊界，而圖像的區域特征則關系到整個形狀區域。用于ImageJ的圖像處理插件。實現及研究現狀。狀的表示和描述是一項艱巨的任務。統計用戶定義的選項。

　　

【正文】 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。 形狀復雜性用離散指數 e 表示，計算公式為： SLe /2? 。 e 值越大，區域越離散，即圖像是復雜形狀。 3) 凹凸性 凹凸性是區域的基本幾何特征。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。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 的實現中 ，我簡化了凹凸性的計算，修改了算法。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。 b）計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 域的矩特征描述 矩特征是利用力學中矩的概念，將區域內部的像素作為質點，像素的坐標作為力臂 ，從而以各階矩的形式來表示區域的形狀特征。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算： ? ?? qppq jijifM ),(。 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。代碼實現為 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 可以分別利用公式計算。 1) 質心： )/,/(),( 00010010 MMMMji ??? （ 39） 零階矩 00M 是區域密度的總和，可以理解為厚度為 1 的物體的質量，所以一階矩 10M 和 01M 分別除以零階矩 00M 所得到的坐標就是物體質量中心的坐標，也就天津大學 2021屆本科生畢業設計（論文） 19 是區域灰度的重心。 2) 中心矩： ? ? ?? ??? qppq jjiijifm )())(,( （ 310） 中心距 pqM 反映了區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 個矩的函數。 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。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 7M 滿足鏡像對稱不變性。 4) 扁 度：2110220202202120211022020220212044)(44)(MMMMMMMMMMMMMMe??????????? （ 311） 扁度是區域的長短軸之比。 根據帕普利斯定理，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。形狀特征提取的結果如圖 36 所示， 其中各個參數結果以 int 和 double 類型保存，并可以通過 get()方法被其他接口調用 。 圖 36 二值圖像和形狀分析結果 天津大學 2021屆本科生畢業設計（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、圖像內容的空間關系等 ） 和高層語義特征 （ 是人們對圖像內容概念級的反映 ,一般是對圖像內容的文字性描述 ） 。圖像特征提取的一個主要應用是為后期的圖像匹配和識別準備特征數據，而在識別和檢索階段，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。 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 ：側重于圖像表現的行為或動作，如動物捕食等。 （ 3） 情感語義：從人的情感角度出發的語義，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。 基于知識的語義提取，需要預先給系統提供必要的知識，如對象模板、圖像場景分類器等等。依據提取的語義內容和采取的方法，又可以分為基于對象識別的處理方法和全局處理方法。 人工交互的語義提取，主要體現在圖像庫預處理和反饋學習兩方面。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。反饋學習的交互主要在兩個層面上進行：根據低層視覺特征的反饋和對高層概念與圖像關聯的修正。在一次檢索過程中，用戶的反饋可以建立系統中特定語義與視覺特征之間的對應，或者是修正與圖像關聯的高層概念，同時對于同一類對象圖像的不斷反饋，可以讓系統學習該類對象對應的視覺模式。文本標注是最原始的建立高層概念與圖像聯系基于紋理和形狀特征的圖像檢索的方式，一幅圖像可以關聯的文本標注可能很多，并且不同標注與圖像之間的關聯度并不完全一致。 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。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聯往往比較模糊、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，依據圖像語義生成的要求，把底層信息 （ 顏色、輪廓和形狀等 ） 進行映射 [15]，并輔助給定各項特征值一并保存，這樣在多維特征空間匹配識別時，其系統的效率會更高。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。在語義空間，簇區代表著最高頻率關鍵字的項目，通過映射，簇區代表了從底層特征空間到相應語義的過程。這個過程很容易用 IF－ THEN 的規則來表達，描述語義和相應的語義操作。圖像底層物理特征和高層語 義特征結合的過程如圖 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。圖像分割算法是基于亮度值的兩個基本特性：不連續性和相似性。利用不連續性分割圖像主要應用于圖像的邊緣；利用相似性分割圖像主要應用于根據一定的準則將圖像分割為相似的區域。 基于區域的分割，本文采用區域生長算法。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。區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域的每個種子上。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，然后將它們進行聚合并拆分。具體的做法是，令 R 表示整幅圖像區域并選擇一個謂詞 P。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 ?)( 。接著對滿足T R UERRP kj ?)( ? 的任意兩個相鄰區域 jR 和 kR 進行聚合。當聚合和拆分都無法進行時操作結束。 圖 41 顯示了分割結果： 圖 41 利用區域生長算法分割圖像 圖 42 是算法流程框圖： 天津大學 2021屆本科生畢業設計（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現，綜合利用了 Java 語言的面向對象編程的優勢和ImageJ 本身完善的圖像處理機制。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。 ii. 在 run()方法中，利用參數 ImageProcessor，得到圖像的灰度直方圖，計算共生矩陣和梯度算子。 iii. 利用公式計算各個參數。 實驗結果分析 實驗是基于分割好的圖像進行的。限于分割算法的局限性，我們的圖片來源于手工分割。下面的實驗測試了各個特征參數的有效性。 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。 圖 43 原圖像和經過灰度化后的圖像 經過灰度化后，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，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。 圖 44 加噪后和平滑后的圖像 天津大學 2021屆本科生畢業設計（論文） 25 經過對紋理特征參數的實驗，可以看到這樣的結果：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，說明了方差參數劣于均值參數。而二階矩值說明了紋理的粗細。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。三幅圖像的對比度變化范圍很小（變化在小數點后 10 位左右），在數據經過處理后，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。相關值是對灰度共生矩陣的一個描述，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值很相近，同時在數據處理后可以認為噪聲沒有改變計算機去識別圖像的水平紋理。熵值代表了圖像中包含的信息量。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。 邊緣紋理特征實驗結果 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。對于加入梯度算子的圖像。圖像處理的結果如圖 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 件實現邊緣特征提取，對比它們的各項參數數據如表 42 至 44： 表 42 邊緣紋理實驗數據對比（ 1） 大梯度優勢 小梯度優勢 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 2021屆本科生畢業設計（論文） 26 表 43 邊緣紋理實驗數據對比（ 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 邊緣紋理實驗數 據對比（ 3） 能量 相關 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。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。