軟件工程畢業(yè)設(shè)計-基于imagej的圖像形狀與紋理處理-wenkub.com

　 　

【正文】 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。 邊緣紋理特征實驗結(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)。相關(guān)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(guān)值很相近，同時在數(shù)據(jù)處理后可以認(rèn)為噪聲沒有改變計算機(jī)去識別圖像的水平紋理。而二階矩值說明了紋理的粗細(xì)。 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。 實驗結(jié)果分析 實驗是基于分割好的圖像進(jìn)行的。 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（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(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。具體的做法是，令 R 表示整幅圖像區(qū)域并選擇一個謂詞 P。 基于區(qū)域的分割，本文采用區(qū)域生長算法。圖像底層物理特征和高層語 義特征結(jié)合的過程如圖 37。 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]，并輔助給定各項特征值一并保存，這樣在多維特征空間匹配識別時，其系統(tǒng)的效率會更高。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。 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。 （ 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。圖像特征提取的一個主要應(yīng)用是為后期的圖像匹配和識別準(zhǔn)備特征數(shù)據(jù)，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。 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 。 3) Hu 矩組： }{ pqM 的前 7 個矩的函數(shù)。jj++) m00 += pij[ii][jj]。代碼實現(xiàn)為 for(ii=0。 （ 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，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。 在 ImageJ 的實現(xiàn)中 ，我簡化了凹凸性的計算，修改了算法。 3) 凹凸性 凹凸性是區(qū)域的基本幾何特征。采用不同的距離公式，周長值也可能不同。本文所研究的對圖像形狀的處理均是基于二值化圖像的并且對圖像形狀的分析是基于區(qū)域的。基于區(qū)域特征的方法將區(qū)域形狀當(dāng)作一個整體來看待，有效地利用了區(qū)域內(nèi)的所有像素，因而受噪聲和形狀的影響相對較小，描述了區(qū)域像素的統(tǒng)計分布特征，如不變矩，區(qū)域面積、形狀參數(shù) （ Form Factor）等，其中不變矩是最常用的一種方法。基于邊界的形狀描述方法是在邊緣檢測的基礎(chǔ)上，用形狀數(shù)、周長、圓形性天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 17 和緊密度、角點、鏈碼、興趣點等等來描述物體的形狀。 圖 34 邊緣紋理分析結(jié)果 基于實物的形狀特征提取 人們的視覺系統(tǒng)對于實 物認(rèn)識的初級階段就是形狀。然后分別遍歷兩遍數(shù)組，對 ),( jiF 和 ),( jiG 分別正規(guī)化。在 ImageJ 中已經(jīng)定義了可以獲得邊緣值的方法接口，其中的梯度算子選用了 Sobel 算子。,({ ?? Njijif ?的灰度正規(guī)化處理： 1]/),([),( m a x ?? fLjifjiF f （ 37） 其中， fL 是規(guī)定的灰度級數(shù)目； maxf 為圖像的灰度級數(shù)目。圖像的灰度直方圖是圖像灰度在圖像中分布的最基本的統(tǒng)計信息。 本文另外還實現(xiàn)了 8 種其他特征參數(shù)，包括方差、逆差矩、和平均、和方差、和熵、差平均、差方差、差熵。它們在 ImageJ 中的計算實現(xiàn)過程基本類似 ，可以概括為： a）遍歷共生矩陣，按照公式計算數(shù)據(jù)。 4) 熵 ? ??? ?? ???? 10 104 ),(log),(Li Lj jipjipf ?? （ 36） 熵值是圖像所具有的信息量的度量，紋理信息也屬于圖像信息。在圖像中，紋理的溝紋越深，則其對比度值越大，圖像的視覺效果越清晰。從圖像整體觀察，紋理較粗，此時二階矩 值較大，反過來二階矩值則較小。} 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 13 算法流程如圖 32 所示。 x(+)1。jjhistSize。 d）最后遍歷數(shù)組 pd，并對每個值做歸一化處理。 并初始化各值為 0。 這里灰度共生矩陣是所有特征參數(shù)計算的基礎(chǔ)。四種）。 灰度共生矩陣用 ?P 表示，矩陣元素則用以下的符號表示： ),( jiP? )1,2,1,0,( ?? Lji ? （ 31） 式中： i,j 分別為兩個像素的灰度； L 為圖像的灰度級數(shù)；為兩個像素間的位置關(guān)系（共有 0176。相同的直方圖可能會有不同的紋理基元，因此運用直方 圖進(jìn)行紋理基元分析時，還需要其他的特征。其他的 ImageJ 用戶可以通過調(diào)用插件的 getHistMean()方法得到灰度直方圖均值的數(shù)據(jù)。j++){ zh += j * hist[j]。 c）乘積值比和值得到結(jié)果，程序結(jié)束。在得到直方圖數(shù)據(jù)后，就可以計算它的均值和方差了。 ImageJ 軟件完成了 圖像灰度直方圖的獲取，并計算了均值和方差： 首 先 ， 均 值 的 計 算 公 式 為 ???)( )(111 zh zzhm， 方 差 的 計 算 公 式 為?? ?? )( )()( 1 12121 zh zhmz? 。這里介紹幾種常見的方法 并詳述了在 ImageJ 中的實現(xiàn) 過程。紋理在圖像處理中起著重要的作用，尤其是實物的紋理更是區(qū)別物體的基本特征。從一幅圖像中提取出什么樣的特征，需要根據(jù)用戶所關(guān)心的問題來決定。特征提取所要滿足的約束條件 [12]有： ：為了有效的分類，希望同類樣本之間的距離越小越好，而不同類樣本之間的距離越大越好。而編譯好的 .class 文件或者可以制作成 jar 包，直接發(fā)布成一個功能插件，使用在其他安裝有 ImageJ 的機(jī)器中。 pixels[i] = (byte)(255pixels[i])。 y++) { offset = y*width。 Rectangle r = ()。 } return DOES_8G+DOES_STACKS+SUPPORTS_MASKING。 import .*。 開發(fā) PluginFilter 插件（ PluginFrame 插 件 方 法 類 似 ）， 要 實 現(xiàn) 接口，其中提供了兩個方法： void run (ImageProcessor ip)和 int setup(String arg, ImagePlus imp)。執(zhí)行 ―Plugin/New...‖命令將會彈出對話框，讓用戶選擇開發(fā)什么類型的插件（ PluginFilter 或者 PluginFrame ）。 ImageJ 在圖像分析方面缺乏現(xiàn)有的可行的插件。 ImageCoverter 類實現(xiàn)了圖像間的類型轉(zhuǎn)換； ImageProcessor 作為所有圖像處理類型的超類完成了圖像的底層處理工作； StackCoverter 實現(xiàn)了棧內(nèi)圖像的類型轉(zhuǎn)換； StackProcessor 是處理圖像棧的類。 包：為用戶開發(fā)插件提供統(tǒng)一的窗口框架接口，包含了 Editor, Fonts, PlugInFrame, ThresholdAdjuster 等類。包含了 Clipboard, Colors, Histogram, Compiler 等類。其中，ProgressBar 類是位于主窗口內(nèi)的一個進(jìn)度條，用來顯示當(dāng)前操作所完成的進(jìn)度百ImageJ ij 天津大學(xué) 2021屆本科生畢業(yè)設(shè)計（論文） 6 分比； GenericDialog 類是程序獲得用戶輸入的對話框原型，可以用于插件開發(fā)中獲得用戶輸入； HTMLDialog 類是顯示 HTML 文本的對話框 ； MessageDialog 類是顯示提示信息對話框； YesNoCancelDialog 類是定義了有 ―yes‖， ―no‖和 ―cancel‖按鈕的對話框； SaveChangesDialog 類是定義了有 ―Don‘t save‖， ―save‖和 ―cancel‖按鈕的對話框； NewImage 類可以為抓取的圖片部分創(chuàng)建一個新窗口； ROI 類支持用戶感興趣的區(qū)域選擇，用戶在插件中可以只對感興趣的區(qū)域操作； 包：提供讀寫和存儲圖像的功能，包含了 FileInfo, FileSaver, FileOpener, ImageReader 和 ImageWriter 等類，可以讀各種圖像格式并以不同形式保存，還可以編碼解碼用戶感興趣的區(qū)域。 圖 22 ImageJ 包結(jié)構(gòu) ImageJ 總共包含 11 個包，每個包相應(yīng)完成不同的功能，提供相應(yīng)的類庫。 ImageJ 社區(qū)在不斷的擴(kuò)大， ImageJ 的插件技術(shù)也相應(yīng)的流行。 ImageJ 在國外是一個流行的圖像處理工具，作者開放了一個社區(qū)可供所有使用者交流心得。定制采集，分析和處 理插件可利用 ImageJ 的內(nèi)置編輯器和 Java 編譯器 進(jìn)行開發(fā) 。該計劃將支持任意數(shù)量的 窗口 ， 但受到內(nèi)存的限制 。它可以創(chuàng)造密度直方圖和 譜線 輪廓 圖 。它支持 “ 棧 ” ，一系列的 圖像 ，共享一個單獨的窗口。它既可以以網(wǎng)頁 Applet 的形式運行也可以作為應(yīng)用軟件工具下載使用。并介紹了特征用于語義描述的簡單流程。 本文通過為 ImageJ 圖 像處理軟件開發(fā)插件，完成了圖像形狀和紋理特征的提取工作，并分析提取結(jié)果，以及結(jié)果在后續(xù)的匹配識別和語義描述過程中的應(yīng)用。由此可看出這 些正是圖像語義研究的困難所在。鄭崇勛 [11]對顏色的視覺信息處理機(jī)制進(jìn)行了研究，建立了視網(wǎng)膜顏色信息理論處理的神經(jīng)網(wǎng)絡(luò)模型，但未作定量分析。圖像的語義信息是個很復(fù)雜的問題。近年來在形狀表示和匹配方面的工作還有有限元法（ Finite Element Method） [7]、旋轉(zhuǎn)函數(shù)（ Turning Function） [8]和小波描述符（ Wavelet Descriptor） [9]等方法。在這方面，最典型方法分別是傅立葉描述符（ Fourier Descriptor） [5]和形狀無關(guān)矩（ Moment Invariants） [6]。實物目標(biāo)的形狀包括幾何的特征和矩特征。 Ma 和 Manjunath 評價了各種小波變換，包括正交和雙正交小波變換，樹結(jié)構(gòu)小波變換和 Gabor 小波變換 [4]。它們和共生矩陣的一個主要的差別在于：在 Tamura 表示中的所有紋理性質(zhì)都是有現(xiàn)實意義的，與人的主觀 感受比較吻合，而從共生矩陣提取的紋理性質(zhì)則可能沒有意義，更趨于理性化。 對于紋理特征的研究，上世紀(jì) 70 年代初期， Haralick 等人提出了紋 理特征的共生矩陣表示 [1]，具體做法是從共生矩陣中抽取有意義的統(tǒng)計量作為紋理表示。通過計算機(jī)提取出關(guān)鍵的特征，專家可以比對和分析，從而易于得出結(jié)論。 在醫(yī)學(xué)領(lǐng)域，圖像特征提取及描述更是具有重要的意義， CT 或者 MRI 圖像包含著大量的信息，人工的去觀察和分析這些信息不免會發(fā)生錯誤而且耗費精力。從而使機(jī)器知道該如何處理目標(biāo)。當(dāng)前的圖像信息，大多是包含著目標(biāo)物的實體圖像信息，提取這些實體圖像特征，并將其描述出來對圖像的理解有著重要的意義。 關(guān)鍵詞 ： 圖像處理 ； 紋理和形狀 ； Eclipse； ImageJ；插件 ABSTRACT The processing of the texture and shape of an image which is the core technology of image analysis has entered the advanced stage of image processing. Through puter analysis and recognition of a visual image which contains both object and background, we can conclude the inference. The result of the image feature extraction gives the difference between two images by recognizable features. This is the basis of late work of image recognition. This paper reviewed the basic concepts and principles of image feature extraction, introduced image feature extraction both at home and abroad and deeply introduced the progress in field of image segme