基于數(shù)碼相片的車載木材運(yùn)輸量自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)-畢業(yè)論文

-PAGEiii-摘要本文對(duì)數(shù)碼相片車載木材自動(dòng)識(shí)別進(jìn)行研究，分析了車載木材運(yùn)輸量圖像的預(yù)處理、特征提取等過(guò)程。車載木材自動(dòng)識(shí)別可以對(duì)車載木材運(yùn)輸量進(jìn)行自動(dòng)識(shí)別，該技術(shù)運(yùn)用于木材加工廠、交通運(yùn)輸管理等領(lǐng)域，能起到節(jié)省人力成本、提高效率、改進(jìn)管理體系等作用。目前車載木材運(yùn)輸量識(shí)別系統(tǒng)好像已有產(chǎn)品投放市場(chǎng)，但這些產(chǎn)品大多依賴硬件設(shè)施的輔助才能達(dá)到較高的識(shí)別率。本論文主要是依靠軟件來(lái)實(shí)現(xiàn)車載木材運(yùn)輸量的自動(dòng)識(shí)別，使得識(shí)別系統(tǒng)具備更強(qiáng)的環(huán)境適應(yīng)性。通過(guò)對(duì)收集的車載木材圖像樣本進(jìn)行處理和分析，證明了本系統(tǒng)具有較好的實(shí)際應(yīng)用性能。本論文對(duì)車載木材運(yùn)輸量自動(dòng)識(shí)別系統(tǒng)的圖像預(yù)處理，特征提取，邊緣檢測(cè)的實(shí)現(xiàn)三個(gè)部分進(jìn)行了總結(jié)與分析。論文首先總結(jié)了圖像預(yù)處理技術(shù)和方法。圖像預(yù)處理主要包括圖像增強(qiáng)、圖像分割、圖像濾波等，圖像增強(qiáng)主要是改善圖像整體的視覺(jué)效果，圖像分割是將圖像中有意義或者需要的特征提取出來(lái)，濾波是在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)像的噪聲進(jìn)行抑制，其處理效果的好壞將直接響到后續(xù)圖像處理和分析的有效性和可靠性。特征提取是圖象處理的重要組成部分，論文主要介紹了主成分分析法、區(qū)域生長(zhǎng)算法和邊緣檢測(cè)的方法，主成分分析法是用較少的變量去解釋原來(lái)數(shù)據(jù)中的大部分變異，將許多相關(guān)性很高的變量轉(zhuǎn)化成彼此相互獨(dú)立或不相關(guān)的變量；區(qū)域生長(zhǎng)算法的基本思想是將具有相似性質(zhì)的像素點(diǎn)集合起來(lái)構(gòu)成區(qū)域；邊緣檢測(cè)法在一定程度上大幅度地減少了數(shù)據(jù)量，剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。由于預(yù)處理后的木材圖像整體顏色比較接近，主成分分析法和區(qū)域生長(zhǎng)算法不適合作為其特征提取的方法，因此本文選取的特征提取的方法是邊緣檢測(cè)法。邊緣檢測(cè)的目的是在一幅圖像中提取不同區(qū)域的輪廓，將圖像分割成不同的區(qū)域，使每個(gè)區(qū)域都由大致相同的像素組成。前面預(yù)處理對(duì)木材圖像進(jìn)行濾波和銳化目的是為了提取更清楚的木材圖像輪廓特征，在后面運(yùn)用邊緣檢測(cè)法來(lái)提取木材圖像輪廓特征，分別進(jìn)行了Prewitt算子、Log算子Sobel算子的邊緣檢測(cè)，接著對(duì)木材圖像進(jìn)行了開閉運(yùn)算，消除了邊緣檢測(cè)之后的邊緣出現(xiàn)斷點(diǎn)的現(xiàn)象，使得木材圖像輪廓特征更加明顯，便于自動(dòng)識(shí)別的識(shí)別。關(guān)鍵詞：圖像；木材識(shí)別；特征提??；邊緣檢測(cè)；模式識(shí)別ABSTRACTInthispaper,timberboardautomaticidentificationofdigitalphotoresearch,analysisoftimbertrafficvehicleimagepreprocessing,featureextractionprocess.AutomaticVehicleIdentificationwoodboardtimbertrafficcanbeautomaticallyidentified,thetechnologyusedinwoodprocessingplants,transportationmanagementandotherfields,canplayasaveonlaborcosts,increaseefficiency,improvemanagementsystemandfunction.

Thecurrentvolumeoftimbertransportationvehicleidentificationsystemasexistingproductsonthemarket,buttheyaremostlydependentonthesupportinghardwaretoachieveahigherrecognitionrate.Thispaperreliesmainlyonsoftwaretoachievetheautomaticvehicleidentificationtimbertraffic,makingidentificationsystemhasmoretotheenvironment.Bycollectingsamplesofvehicletimberimageprocessingandanalysis,provedthesystemhasgoodpracticalapplicationperformance.

Thepapertimbertrafficontheboardautomaticidentificationsystem,imagepreprocessing,featureextraction,edgedetectiontoachievethethreepartsofasummaryandanalysis.Paperfirstsummarizestheimagepreprocessingtechniquesandmethods.Imagepreprocessingincludesimageenhancement,imagesegmentation,imagefiltering,imageenhancementismainlytoimprovetheoverallvisualimage,imagesegmentationistheimagefeatureextractionofmeaningfulorneedoutoffilteringistopreserveimagedetailfeaturesundertheconditionsofthetargetimagenoisesuppression,thetreatmenteffectisgoodorbadwillhaveadirectbearingonthefollow-upimageprocessingandanalysisofthevalidityandreliability.Featureextractionisanimportantpartofimageprocessing,thepaperintroducestheprincipalcomponentanalysis,regiongrowingalgorithmandtheedgedetectionmethod,principalcomponentanalysismethodislessvariabletoexplainmostofthevariationoftheoriginaldatawillbeManyarehighlyrelevantindependentvariablesintoeachotherorirrelevantvariables;regiongrowingalgorithmisthebasicideaistopixelswithsimilarpropertiestogetherconstitutetheregional;edgedetectionmethodtoacertainextent,significantlyreducedatavolumeinthedeletionofrelevantinformationcanbedeemednottoretaintheimportantstructuralpropertiesoftheimage.Asthepretreatmentofwoodclosetothecolorimageasawhole,theprincipalcomponentanalysisandregiongrowingalgorithmisnotsuitableforfeatureextractionmethod,thispaperselectedfeatureextractionmethodistheedgedetectionmethod.Thepurposeofedgedetectionisextractedindifferentregionsofanimagecontour,imagesegmentationintodifferentregions,sothateachregionformedbyroughlythesamepixel.Pretreatmentofthewoodinfrontofimagefilteringandsharpeningthepurposeofextractingmoreclearlyoutlinetheimagecharacteristicsofwood,behindtheuseofedgedetectiontoextractthetimberimagecontourfeatures,respectivelythePrewittoperator,LogOperatorSobeloperatoredgedetection,thentheimageofthetimberwasopenandcloseoperation,eliminatingtheedgeafteredgedetectionbreakpointphenomenonoccurred,makingmoreobviousfeaturesofimagecontourtimber,easyidentificationofautomaticidentification.KeyWords：Image;woodidentification;featureextraction;edgedetection;patternrecognition湖南科技大學(xué)本科生畢業(yè)設(shè)計(jì)（論文）目錄第一章緒論 11.1研究背景 11.1.1模式識(shí)別的含義 11.1.2模式識(shí)別的發(fā)展史 21.1.3模式識(shí)別方法 21.1.4模式識(shí)別的應(yīng)用 31.2研究現(xiàn)狀 31.3論文主要結(jié)構(gòu)及內(nèi)容 4第二章圖像預(yù)處理 62.1圖像增強(qiáng) 62.2圖像分割 62.2.1全局閾值化 72.2.2自適應(yīng)閾值 72.3圖像濾波 82.4圖像銳化 82.5本章小結(jié) 8第三章圖像特征提取方法 93.1特征的含義 93.2常見的幾種基本特征 93.2.1紋理特征 93.2.2形狀特征 113.2.3空間關(guān)系特征 113.3圖像特征提取的基本思路 123.4樣本特征庫(kù)初步分析 133.5圖像特征提取的方法 133.5.1主成分分析法 133.5.2區(qū)域生長(zhǎng)算法 143.5.3邊緣檢測(cè)法 143.6本章小結(jié) 16第四章木材圖像特征提取研究 174.1線性高斯濾波 174.1.1高斯濾波的基本概念 174.1.2木材圖像高斯濾波的實(shí)驗(yàn)結(jié)果和分析 174.2非線性平滑濾波 194.2.1中值濾波基本原理 194.2.2中值濾波的重要特性 194.2.3中值濾波模板窗口的選擇 194.2.4木材圖像中值濾波的實(shí)驗(yàn)結(jié)果和分析 204.3非線性銳化濾波 204.3.1高斯濾波后的銳化處理 214.3.2中值濾波后的銳化處理 224.4特征提取方法—邊緣檢測(cè)法 244.5開閉運(yùn)算 254.5.1開運(yùn)算 264.5.2閉運(yùn)算 264.5.3二值化圖像開閉運(yùn)算 264.6本章小結(jié) 27第五章結(jié)論和展望 285.1結(jié)論 285.2展望 28參考文獻(xiàn) 29致謝 31-第一章緒論本章簡(jiǎn)單介紹了本論文的研究背景、國(guó)內(nèi)外研究模式識(shí)別系統(tǒng)的現(xiàn)狀，以及進(jìn)一步研究的必要性，并且闡述了本論文所需要做的主要工作。1.1研究背景伴隨著社會(huì)的迅速發(fā)展，促使道路交通以及車輛的不斷增加，車輛中有很大一部分是用來(lái)運(yùn)輸人們生活的必需品的，本論文研究的是車載木材運(yùn)輸量的識(shí)別系統(tǒng)，為了解決地面交通快速發(fā)展所引發(fā)的各種問(wèn)題，智能交通系統(tǒng)（IntelligenceTrafficSystem，簡(jiǎn)稱ITS）[1]的研究被提到了重要位置。ITS是為了從根本上解決日益膨脹的地面交通的諸多困難而出現(xiàn)的一個(gè)新的技術(shù)領(lǐng)域，它是以信息技術(shù)為代表的高新技術(shù)在道路交通運(yùn)輸中的集成應(yīng)用，受到世界各國(guó)高度重視，發(fā)展極為迅速。車載運(yùn)輸量是很多機(jī)動(dòng)車的重要作用，車載運(yùn)輸量自動(dòng)識(shí)別一直是ITS領(lǐng)域研究的熱點(diǎn)，也是其關(guān)鍵技術(shù)之一。車載運(yùn)輸量識(shí)別技術(shù)作為交通管理自動(dòng)化的重要手段，其任務(wù)是處理、分析車載運(yùn)輸圖像，自動(dòng)識(shí)別車載運(yùn)輸量的多少。計(jì)算機(jī)視覺(jué)的自動(dòng)識(shí)別在交通道路上模式識(shí)別中的作用越來(lái)越大。計(jì)算機(jī)視覺(jué)識(shí)別技術(shù)主要完成圖像信息的采集、低層處理、特征提取、模式識(shí)別等任務(wù)。模式識(shí)別的主要方法有：（1）根據(jù)顏色或光譜反射信息，對(duì)目標(biāo)進(jìn)行區(qū)分；（2）根據(jù)二值凸顯的形狀特征或根據(jù)灰度圖像的紋理特征，進(jìn)行目標(biāo)的特征識(shí)別；（3）根據(jù)三角測(cè)距原理等對(duì)目標(biāo)進(jìn)行深度距離測(cè)量。在模式的形狀分析和識(shí)別中，邊緣的檢測(cè)和提取一直是形狀特征提取的重要手段，景點(diǎn)的邊緣檢測(cè)算法一般是根據(jù)圖像像素某鄰域內(nèi)圖像灰度值的梯度變化構(gòu)成邊緣檢測(cè)算子，如梯度算子、Laplacian算子、Sobel等算子。它們的共同特點(diǎn)是對(duì)圖像信號(hào)的隨機(jī)起伏十分敏感，而原始圖像中，不可避免的要有噪聲。從空間域上看，圖像的邊緣和噪聲在灰度上都表現(xiàn)為有較大的變化，而在頻域上表現(xiàn)為高頻分量，使得邊緣檢測(cè)比較困難。論文研究的主要是車載木材運(yùn)輸量自動(dòng)識(shí)別系統(tǒng)，此系統(tǒng)主要用于木材公司、道路、港口等有木材運(yùn)輸車輛經(jīng)過(guò)的地方，能自動(dòng)識(shí)別出車載木材的運(yùn)輸量大概是多少，有沒(méi)有超載等情況。本論文所設(shè)計(jì)的系統(tǒng)主要用到的是模式識(shí)別，下面對(duì)模式識(shí)別進(jìn)行簡(jiǎn)單的介紹。1.1.1模式識(shí)別的含義模式識(shí)別是人類的一項(xiàng)基本智能，在人們的日常生活中，經(jīng)常在進(jìn)行著“模式識(shí)別”。隨著20世紀(jì)40年代計(jì)算機(jī)的出現(xiàn)以及50年代人工智能的興起，人們當(dāng)然也希望能用計(jì)算機(jī)來(lái)代替或擴(kuò)展人類的部分腦力勞動(dòng)。模式識(shí)別在20世紀(jì)60年代初迅速發(fā)展并成為一門新學(xué)科。模式還可分成抽象的和具體的兩種形式。抽象的如意識(shí)、思想、議論等,屬于概念識(shí)別研究的范疇,是人工智能的另一研究分支。我們所指的模式識(shí)別主要是對(duì)語(yǔ)音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號(hào)、生物傳感器等對(duì)象的具體模式進(jìn)行辨識(shí)和分類。1.1.2模式識(shí)別的發(fā)展史30年代Fisher提出統(tǒng)計(jì)分類理論[2],奠定了統(tǒng)計(jì)模式識(shí)別的基礎(chǔ)。因此，在60～70年代，統(tǒng)計(jì)模式識(shí)別發(fā)展很快，但由于被識(shí)別的模式愈來(lái)愈復(fù)雜，特征也愈多，就出現(xiàn)“維數(shù)災(zāi)難”。但由于計(jì)算機(jī)運(yùn)算速度的迅猛發(fā)展，這個(gè)問(wèn)題得到一定克服。統(tǒng)計(jì)模式識(shí)別仍是模式識(shí)別的主要理論。1929年G.Tauschek發(fā)明閱讀機(jī)，能夠閱讀0-9的數(shù)字。50年代NoamChemsky提出形式語(yǔ)言理論（美籍華人付京蓀提出句法結(jié)構(gòu)模式識(shí)別）。60年代L.A.Zadeh提出了模糊集理論，模糊模式識(shí)別理論得到了較廣泛的應(yīng)用。80年代Hopfield提出神經(jīng)元網(wǎng)絡(luò)模型理論。近些年人工神經(jīng)元網(wǎng)絡(luò)在模式識(shí)別和人工智能上得到較廣泛的應(yīng)用。90年代小樣本學(xué)習(xí)理論，支持向量機(jī)也受到了很大的重視。1.1.3模式識(shí)別方法（1）決策理論方法決策理論也稱統(tǒng)計(jì)方法，是發(fā)展較早也比較成熟的一種方法。被識(shí)別對(duì)象首先數(shù)字化，變換為適于計(jì)算機(jī)處理的數(shù)字信息。一個(gè)模式常常要用很大的信息量來(lái)表示。許多模式識(shí)別系統(tǒng)在數(shù)字化環(huán)節(jié)之后還進(jìn)行預(yù)處理，用于除去混入的干擾信息并減少某些變形和失真。隨后是進(jìn)行特征抽取，即從數(shù)字化后或預(yù)處理后的輸入模式中抽取一組特征。所謂特征是選定的一種度量，它對(duì)于一般的變形和失真保持不變或幾乎不變，并且只含盡可能少的冗余信息。特征抽取過(guò)程將輸入模式從對(duì)象空間映射到特征空間中。這時(shí)，模式可用特征空間中的一個(gè)點(diǎn)或一個(gè)特征矢量表示。這種映射不僅壓縮了信息量，而且易于分類。在決策理論方法中，特征抽取占有重要的地位，但尚無(wú)通用的理論指導(dǎo)，只能通過(guò)分析具體識(shí)別對(duì)象決定選取何種特征。特征抽取后可進(jìn)行分類，即從特征空間再映射到?jīng)Q策空間。為此而引入鑒別函數(shù)，由特征矢量計(jì)算出相應(yīng)于各類別的鑒別函數(shù)值，通過(guò)鑒別函數(shù)值的比較實(shí)行分類。（2）句法方法句法方法也稱結(jié)構(gòu)方法或語(yǔ)言學(xué)方法。其基本思想是把一個(gè)模式描述為較簡(jiǎn)單的子模式的組合，子模式又可描述為更簡(jiǎn)單的子模式的組合，最終得到一個(gè)樹形的結(jié)構(gòu)描述，在底層的最簡(jiǎn)單的子模式稱為模式基元。在句法方法中選取基元的問(wèn)題相當(dāng)于在決策理論方法中選取特征的問(wèn)題。通常要求所選的基元能對(duì)模式提供一個(gè)緊湊的反映其結(jié)構(gòu)關(guān)系的描述，又要易于用非句法方法加以抽取。顯然，基元本身不應(yīng)該含有重要的結(jié)構(gòu)信息。模式以一組基元和它們的組合關(guān)系來(lái)描述，稱為模式描述語(yǔ)句，這相當(dāng)于在語(yǔ)言中，句子和短語(yǔ)用詞組合，詞用字符組合一樣?；M合成模式的規(guī)則，由所謂語(yǔ)法來(lái)指定。一旦基元被鑒別，識(shí)別過(guò)程可通過(guò)句法分析進(jìn)行，即分析給定的模式語(yǔ)句是否符合指定的語(yǔ)法，滿足某類語(yǔ)法的即被分入該類。模式識(shí)別方法的選擇取決于問(wèn)題的性質(zhì)。如果被識(shí)別的對(duì)象極為復(fù)雜，而且包含豐富的結(jié)構(gòu)信息，一般采用句法方法；被識(shí)別對(duì)象不很復(fù)雜或不含明顯的結(jié)構(gòu)信息，一般采用決策理論方法。這兩種方法不能截然分開，在句法方法中，基元本身就是用決策理論方法抽取的。在應(yīng)用中，將這兩種方法結(jié)合起來(lái)分別施加于不同的層次，常能收到較好的效果。1.1.4模式識(shí)別的應(yīng)用（1).字符識(shí)別：包括印刷體字符的識(shí)別；手寫體字符的識(shí)別（脫機(jī)），各種OCR設(shè)備例如信函分揀、文件處理、卡片輸入、支票查對(duì)、自動(dòng)排板、期刊閱讀、稿件輸入；在線手寫字符的識(shí)別，各種書寫輸入板。（2).醫(yī)療診斷：心電圖，腦電圖，染色體，癌細(xì)胞識(shí)別，疾病診斷，例如關(guān)幼波肝炎專家系統(tǒng)。（3).遙感應(yīng)用：資源衛(wèi)星照片，氣象衛(wèi)星照片處理，數(shù)字化地球，圖像分辨率可以達(dá)到1米（4).指紋識(shí)別，臉形識(shí)別（5).檢測(cè)污染分析，大氣，水源，環(huán)境監(jiān)測(cè)（6).自動(dòng)檢測(cè)：產(chǎn)品質(zhì)量自動(dòng)檢測(cè)（7).語(yǔ)聲識(shí)別，機(jī)器翻譯，電話號(hào)碼自動(dòng)查詢，偵聽，機(jī)器故障判斷1.2研究現(xiàn)狀模式識(shí)別是指用計(jì)算機(jī)的方法來(lái)實(shí)現(xiàn)人的模式識(shí)別能力，更具體地說(shuō)，就是想人對(duì)各種事物或現(xiàn)象的分析、描述、判斷和識(shí)別。模式識(shí)別已經(jīng)成為當(dāng)代高科技研究的重要領(lǐng)域之一，發(fā)展成為一門獨(dú)立的新學(xué)科。模式識(shí)別技術(shù)迅速擴(kuò)展，已經(jīng)應(yīng)用在人工智能、機(jī)器人、系統(tǒng)控制、遙感數(shù)據(jù)分析、生物醫(yī)學(xué)工程、軍事目標(biāo)識(shí)別等領(lǐng)域，幾乎遍及各個(gè)學(xué)科領(lǐng)域，在國(guó)民經(jīng)濟(jì)。國(guó)防建設(shè)、社會(huì)發(fā)展的各個(gè)方面得到廣發(fā)應(yīng)用，產(chǎn)生深遠(yuǎn)的影響。模式識(shí)別從20世紀(jì)20年代發(fā)展至今，人們的一種普遍看法是不存在對(duì)所有模式識(shí)別問(wèn)題都適用的單一模型和解決識(shí)別問(wèn)題的單一技術(shù)，現(xiàn)在擁有的只是一個(gè)工具袋，所要做的是結(jié)合具體問(wèn)題把統(tǒng)計(jì)的和句法的識(shí)別結(jié)合起來(lái)，把統(tǒng)計(jì)模式識(shí)別或句法模式識(shí)別與人工智能中的啟發(fā)式搜索結(jié)合起來(lái)，把統(tǒng)計(jì)模式識(shí)別或句法模式識(shí)別與支持向量機(jī)的機(jī)器學(xué)習(xí)結(jié)合起來(lái)，把人工神經(jīng)元網(wǎng)絡(luò)與各種已有技術(shù)以及人工智能中的專家系統(tǒng)、不確定推理方法結(jié)合起來(lái)，深入掌握各種工具的效能和應(yīng)有的可能性，互相取長(zhǎng)補(bǔ)短，開創(chuàng)模式識(shí)別應(yīng)用的新局面。在模式識(shí)別系統(tǒng)中，對(duì)于識(shí)別二維模式的能力，存在著各種理論解釋。模板說(shuō)認(rèn)為，我們所知道的每一個(gè)模式，在長(zhǎng)時(shí)記憶中都有一個(gè)相應(yīng)的模板或微縮副本。模式識(shí)別就是與視覺(jué)刺激最合適的模板進(jìn)行匹配。特征說(shuō)認(rèn)為，視覺(jué)刺激由各種特征組成，模式識(shí)別是比較呈現(xiàn)刺激的特征和儲(chǔ)存在長(zhǎng)時(shí)記憶中的模式特征。特征說(shuō)解釋了模式識(shí)別中的一些自下而上過(guò)程，但它不強(qiáng)調(diào)基于環(huán)境的信息和期待的自上而下加工?；诮Y(jié)構(gòu)描述的理論可能比模板說(shuō)或特征說(shuō)更為合適。模式識(shí)別技術(shù)有著近乎無(wú)限的發(fā)展?jié)摿?。模式識(shí)別技術(shù)是人工智能的基礎(chǔ)技術(shù)，21世紀(jì)是智能化、信息化、計(jì)算化、網(wǎng)絡(luò)化的時(shí)代，在這個(gè)以數(shù)字計(jì)算為特征的世紀(jì)里，作為人工智能技術(shù)基礎(chǔ)學(xué)科的模式識(shí)別技術(shù)，必將獲得巨大的發(fā)展空間。在國(guó)際上，各大權(quán)威研究機(jī)構(gòu)，各大公司都紛紛開始將模式識(shí)別技術(shù)作為公司的戰(zhàn)略研發(fā)重點(diǎn)加以重視。（1）語(yǔ)音識(shí)別技術(shù)語(yǔ)音識(shí)別技術(shù)正逐步成為信息技術(shù)中人與機(jī)接口的關(guān)鍵技術(shù)，語(yǔ)音技術(shù)的應(yīng)用已經(jīng)成為一個(gè)具有競(jìng)爭(zhēng)性的新興高技術(shù)產(chǎn)業(yè)。中國(guó)互聯(lián)網(wǎng)中心的市場(chǎng)預(yù)測(cè)：未來(lái)5年，中文語(yǔ)音識(shí)別技術(shù)領(lǐng)域?qū)?huì)有超過(guò)400億人民幣的市場(chǎng)容量,然后每年以超過(guò)30%的速度增長(zhǎng)。（2）生物認(rèn)證技術(shù)生物認(rèn)證技術(shù)是本世紀(jì)最受關(guān)注的安全認(rèn)證技術(shù)，它的發(fā)展是大勢(shì)所趨。人們?cè)敢馔羲械拿艽a、扔掉所有的磁卡，憑借自身的唯一性來(lái)標(biāo)識(shí)身份與保密。國(guó)際數(shù)據(jù)集團(tuán)預(yù)測(cè)：作為未來(lái)的必然發(fā)展方向的移動(dòng)電子商務(wù)基礎(chǔ)核心技術(shù)的生物識(shí)別技術(shù)在未來(lái)10年的時(shí)間里將達(dá)到100億美元的市場(chǎng)規(guī)模。（3）數(shù)字水印技術(shù)數(shù)字水印技術(shù)是從20世紀(jì)90年代以后才在國(guó)際上開始發(fā)展起來(lái)的，同時(shí)它也是是最具發(fā)展?jié)摿εc優(yōu)勢(shì)的數(shù)字媒體版權(quán)保護(hù)技術(shù)。國(guó)際數(shù)據(jù)集團(tuán)預(yù)測(cè)，數(shù)字水印技術(shù)在未來(lái)的5年內(nèi)全球市場(chǎng)容量超過(guò)80億美元。1.3論文主要結(jié)構(gòu)及內(nèi)容本文主要圍繞智能交通系統(tǒng)中的圖像處理和模式識(shí)別技術(shù)，在對(duì)傳統(tǒng)的模式識(shí)別系統(tǒng)及方法進(jìn)行充分分析基礎(chǔ)上，對(duì)圖像預(yù)處理、特征選取、特征提取的實(shí)現(xiàn)研究和分析。下面的結(jié)構(gòu)框圖主要的介紹了本論文的主題內(nèi)容：圖像預(yù)處理圖像預(yù)處理特征提取特征提取的實(shí)現(xiàn)銳化處理圖像濾波圖像增強(qiáng)圖像的基本特征特征提取的方法特征提取的思路濾波處理邊緣檢測(cè)開閉運(yùn)算本論文主要內(nèi)容共分為五章。第一章緒論，主要介紹了模式識(shí)別的學(xué)術(shù)背景、研究現(xiàn)狀、以及本文的主要內(nèi)容概述。第二章介紹了圖像預(yù)處理，包括圖像增強(qiáng)、圖像分割和圖像濾波等幾個(gè)圖像預(yù)處理的方法。第三章是針對(duì)圖像特征的提取做出了詳細(xì)的介紹，列出了圖像的一些基本特征和特征提取的方法。第四章主要介紹了本文選取的特征提取的方法以及實(shí)驗(yàn)結(jié)果和分析。第五章是最后一章，是本文的結(jié)論和展望，對(duì)本文的實(shí)驗(yàn)結(jié)果做出了結(jié)論，并對(duì)車載木材識(shí)別的方法進(jìn)行了展望。第二章圖像預(yù)處理本章介紹的主要內(nèi)容是圖像預(yù)處理，是在進(jìn)行特征提取之前的準(zhǔn)備步驟。圖像的預(yù)處理有多種方法，如圖像增強(qiáng)、圖像分割、圖像濾波等。預(yù)處理的目的是為了去除噪聲，加強(qiáng)有用的信息，并對(duì)輸入測(cè)量?jī)x器或其他因素造成的退化現(xiàn)象進(jìn)行復(fù)原。2.1圖像增強(qiáng)圖像增強(qiáng)[3]技術(shù)是增強(qiáng)圖像中的有用信息，它可以是一個(gè)失真的過(guò)程，其目的是要改善圖像的視覺(jué)效果，針對(duì)給定圖像的應(yīng)用場(chǎng)合，有目的地強(qiáng)調(diào)圖像的整體或局部特性，將原來(lái)不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果，滿足某些特殊分析的需要。圖像增強(qiáng)按所用方法可分成頻率域法和空間域法。前者把圖像看成一種二維信號(hào)，對(duì)其進(jìn)行基于二維傅里葉變換的信號(hào)增強(qiáng)。采用低通濾波法，可去掉圖中的噪聲；采用高通濾波法，則可增強(qiáng)邊緣等高頻信號(hào)，使模糊的圖片變得清晰。具有代表性的空間域算法有局部求平均值法和中值濾波法等，它們可用于去除或減弱噪聲。圖像增強(qiáng)的方法是通過(guò)一定手段對(duì)原圖像附加一些信息或變換數(shù)據(jù)，有選擇地突出圖像中感興趣的特征或者抑制圖像中某些不需要的特征，使圖像與視覺(jué)響應(yīng)特性相匹配。在圖像增強(qiáng)過(guò)程中，不分析圖像降質(zhì)的原因，處理后的圖像不一定逼近原始圖像。圖像增強(qiáng)技術(shù)根據(jù)增強(qiáng)處理過(guò)程所在的空間不同，可分為基于空域的算法和基于頻域的算法兩大類?；诳沼虻乃惴ㄌ幚頃r(shí)直接對(duì)圖像灰度級(jí)做運(yùn)算基于頻域的算法是在圖像的某種變換域內(nèi)對(duì)圖像的變換系數(shù)值進(jìn)行某種修正，是一種間接增強(qiáng)的算法?；诳沼虻乃惴ǚ譃辄c(diǎn)運(yùn)算算法和鄰域去噪算法。點(diǎn)運(yùn)算算法即灰度級(jí)校正、灰度變換和直方圖修正等，目的或使圖像成像均勻，或擴(kuò)大圖像動(dòng)態(tài)范圍，擴(kuò)展對(duì)比度。鄰域增強(qiáng)算法分為圖像平滑和銳化兩種。平滑一般用于消除圖像噪聲，但是也容易引起邊緣的模糊。常用算法有均值濾波、中值濾波。銳化的目的在于突出物體的邊緣輪廓，便于目標(biāo)識(shí)別。常用算法有梯度法、算子、高通濾波、掩模匹配法、統(tǒng)計(jì)差值法等。2.2圖像分割圖像分割[4]是圖像信息處理預(yù)處理的一種方法，它的基本原理是將圖像中有意義的特征或者需要應(yīng)用的特征提取出來(lái)。這些特征可以是圖像場(chǎng)的原始特征，如物體占有區(qū)的像素灰度值，物體輪廓曲線或紋理特征等，還可以是空間頻譜或直方圖特征。分割的目的是將二維數(shù)字圖像在空間和灰度兩方面都做簡(jiǎn)化處理。經(jīng)圖像分割處理后，原始圖像中灰度連續(xù)變化的場(chǎng)景變成一些相對(duì)獨(dú)立的目標(biāo)幾何體，目標(biāo)中我們關(guān)心的重要特性得到增強(qiáng)，而冗余信息被去除，整個(gè)圖像的信息量大大減小，有利于目標(biāo)特性的分析。圖像分割方法[5~7]很多，從分割依據(jù)角度出發(fā)，可以分為相似性分割和非連續(xù)性分割。所謂相似性是指圖像中同一區(qū)域的像素的某種特性應(yīng)是類似的，如灰度級(jí)相同;所謂非連續(xù)性是指圖像中一個(gè)區(qū)域到另一個(gè)區(qū)域像素的某種特性突變，如灰度級(jí)突變。依照工作對(duì)象來(lái)分類，一般可分為：以逐個(gè)像素為基礎(chǔ)的點(diǎn)相關(guān)分割和以區(qū)域相關(guān)為基礎(chǔ)的區(qū)域相關(guān)分割。還可以按分割算法本身來(lái)分為:閾值法、界限檢測(cè)法、匹配法、跟蹤法等。盡管圖像分割的方法很多，理論上也比較成熟，但在具體應(yīng)用中，既要考慮目標(biāo)的特性，又要兼顧處理速度和硬件的可實(shí)現(xiàn)性。實(shí)際應(yīng)用往往以處理效果為依據(jù)，幾種方法同時(shí)使用，或?qū)⒛撤N方法稍做修改后使用。在我們的設(shè)計(jì)中，采用了一種邊緣提取的分割方法，這種方法大大減少了信息量，并且為圖像分割后系統(tǒng)的自動(dòng)識(shí)別做了充分的準(zhǔn)備。閾值處理時(shí)一種區(qū)域分割技術(shù)，它是對(duì)物體與北京在較強(qiáng)對(duì)比景物的分割特別有用。它計(jì)算簡(jiǎn)單，而且總能用封閉二年且連通的邊界定義不交疊的區(qū)域。當(dāng)使用閾值規(guī)則進(jìn)行圖像分割時(shí)，所有灰度值大于或等于某閾值的像素都被判別屬于物體。所有灰度值小于該閾值的像素被排除在物體之外。于是，邊界就成為這樣一些內(nèi)部點(diǎn)的集合，這些點(diǎn)都至少有一個(gè)鄰點(diǎn)不屬于該物體。如果感興趣的物體在其內(nèi)部具有均與一直的灰度值并分布在一個(gè)具有另一個(gè)灰度值的均勻背景上，使用閾值方法效果就很好。如果物體同北京的差別在于某些性質(zhì)而不是灰度值，那么，可以首相把那個(gè)性質(zhì)轉(zhuǎn)化為灰度，然后，利用灰度閾值化技術(shù)分割待處理的圖像。2.2.1全局閾值化采用閾值確定邊界的最簡(jiǎn)單做法是在整個(gè)圖像中將灰度閾值的值設(shè)置為常數(shù)。如果背景的灰度值在整個(gè)圖像中可合理地看作為恒定，而且所有物體與背景都具有幾乎相同的對(duì)比度，那么，只要選擇了正確的閾值，使用一個(gè)固定的全局閾值一般會(huì)有較好的分割效果。2.2.2自適應(yīng)閾值在許多的情況下，背景的灰度值并不是常數(shù)，物體和背景的對(duì)比度在圖像中也有變化，這時(shí)，一個(gè)在圖像中某一區(qū)域效果良好的閾值在其他區(qū)域卻可能效果很差。在這種情況下把灰度閾值取成一個(gè)隨圖像中位置緩慢變化的函數(shù)值是適宜的。2.3圖像濾波圖像濾波[8~9]即在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)像的噪聲進(jìn)行抑制，是圖像預(yù)處理中不可缺少的操作，其處理效果的好壞將直接響到后續(xù)圖像處理和分析的有效性和可靠性。由于成像系統(tǒng)、傳輸介質(zhì)和記錄設(shè)備等的不完善，數(shù)字圖像在其形成、傳輸記錄過(guò)程中往往會(huì)受到多種噪聲的污染。另外，在圖像處理的某些環(huán)節(jié)當(dāng)輸入的像對(duì)象并不如預(yù)想時(shí)也會(huì)在結(jié)果圖像中引入噪聲。這些噪聲在圖像上常表現(xiàn)為一引起較強(qiáng)視覺(jué)效果的孤立象素點(diǎn)或象素塊。一般噪聲信號(hào)與要研究的對(duì)象不相關(guān)它以無(wú)用的信息形式出現(xiàn)，擾亂圖像的可觀測(cè)信息。對(duì)于數(shù)字圖像信號(hào)，噪聲表為或大或小的極值，這些極值通過(guò)加減作用于圖像象素的真實(shí)灰度值上，在圖像造成亮、暗點(diǎn)干擾，極大降低了圖像質(zhì)量，影響圖像復(fù)原、分割、特征提取、圖識(shí)別等后繼工作的進(jìn)行。要構(gòu)造一種有效抑制噪聲的濾波機(jī)必須考慮兩個(gè)基本問(wèn)題能有效地去除目標(biāo)和背景中的噪聲；同時(shí)，能很好地護(hù)圖像目標(biāo)的形狀、大小及特定的幾何和拓?fù)浣Y(jié)構(gòu)特征。2.4圖像銳化圖像銳化就是補(bǔ)償圖像的輪廓,增強(qiáng)圖像的邊緣及灰度跳變的部分,使圖像變得清晰.亦分空域處理和頻域處理兩類。圖像銳化處理的目的是為了使圖像的邊緣、輪廓線以及圖像的細(xì)節(jié)變的清晰，經(jīng)過(guò)平滑的圖像變得模糊的根本原因是因?yàn)閳D像受到了平均或積分運(yùn)算，因此可以對(duì)其進(jìn)行逆運(yùn)算就可以使圖像變的清晰。從頻率域來(lái)考慮，圖像模糊的實(shí)質(zhì)是因?yàn)槠涓哳l分量被衰減，因此可以用高通濾波器來(lái)使圖像清晰。2.5本章小結(jié)圖像預(yù)處理是模式識(shí)別的一個(gè)前提步驟，圖像預(yù)處理主要包括圖像增強(qiáng)、圖像分割和圖像濾波等方法，并且對(duì)各種方法進(jìn)行了詳細(xì)的介紹。圖像預(yù)處理是對(duì)木材圖像進(jìn)行的第一步處理，通過(guò)圖像增強(qiáng)和分割可使得圖像中的有用信息更加明顯，對(duì)圖像進(jìn)行濾波后可以消除一些噪聲干擾等。第三章圖像特征提取方法本章主要介紹的是模式識(shí)別過(guò)程中的特征抽取，特征被檢測(cè)后它可以從圖像中被抽取出來(lái)，這個(gè)過(guò)程可能需要許多圖像處理的計(jì)算機(jī)，其結(jié)果被稱為特征描述或者特征向量。3.1特征的含義至今為止特征沒(méi)有萬(wàn)能和精確的定義。特征的精確定義往往由問(wèn)題或者應(yīng)用類型決定。特征是一個(gè)數(shù)字圖像中“有趣”的部分，它是許多計(jì)算機(jī)圖像分析算法的起點(diǎn)。因此一個(gè)算法是否成功往往由它使用和定義的特征決定。因此特征提取最重要的一個(gè)特性是“可重復(fù)性”：同一場(chǎng)景的不同圖像所提取的特征應(yīng)該是相同的。圖像特征大致分為：顏色和灰度統(tǒng)計(jì)特征、紋理和邊緣特征、代數(shù)特征、變換系數(shù)特征或?yàn)V波器系數(shù)特征。特征提取是圖象處理中的一個(gè)初級(jí)運(yùn)算，也就是說(shuō)它是對(duì)一個(gè)圖像進(jìn)行的第一個(gè)運(yùn)算處理。它檢查每個(gè)像素來(lái)確定該像素是否代表一個(gè)特征。假如它是一個(gè)更大的算法的一部分，那么這個(gè)算法一般只檢查圖像的特征區(qū)域。作為特征提取的一個(gè)前提運(yùn)算，輸入圖像一般通過(guò)高斯模糊核在尺度空間中被平滑。此后通過(guò)局部導(dǎo)數(shù)運(yùn)算來(lái)計(jì)算圖像的一個(gè)或多個(gè)特征。3.2常見的幾種基本特征常見的圖像特征有紋理特征、形狀特征、空間關(guān)系特征。3.2.1紋理特征紋理分析[10~11]是遙感圖像分析的重要組成部分。人們習(xí)慣把圖像中局部不規(guī)則的、而宏觀有規(guī)律的特性稱之為紋理。無(wú)論從理論還是常識(shí)出發(fā),紋理信息都顯然應(yīng)該成為描述與識(shí)別圖像的一項(xiàng)重要依據(jù)。與其他圖像特征或描述相比,紋理性質(zhì)似乎能更好的兼顧圖像宏觀性質(zhì)與細(xì)部結(jié)構(gòu)兩個(gè)方面。為了定量的描述紋理,需要研究紋理本身可能具有的特征。多年來(lái),人們建立了許多紋理算法以測(cè)量紋理特征。這些方法大體可以分為兩大類:統(tǒng)計(jì)分析方法和結(jié)構(gòu)分析方法。無(wú)論從歷史發(fā)展還是從當(dāng)前進(jìn)展來(lái)看,統(tǒng)計(jì)分析方法仍然占主導(dǎo)地位?；诩y理譜的紋理分析方法是紋理分析統(tǒng)計(jì)方法中的重要分支。然而其它的基于統(tǒng)計(jì)的紋理分析方法與其相比,由于提出時(shí)間更早,其理論和算法更為完善,固應(yīng)用范圍更為廣泛,應(yīng)用模式也更加成熟。而基于紋理譜的圖像紋理分析方法則由于理論提出較晚等一些因素,目前應(yīng)用面的還是非常有限的,尤其在遙感圖像地物識(shí)別領(lǐng)域,目前還基本沒(méi)有實(shí)例的應(yīng)用。然而基于紋理譜的紋理分析方法在通過(guò)計(jì)算機(jī)語(yǔ)言實(shí)現(xiàn)并最終由計(jì)算機(jī)顯示終端顯示出紋理譜特征圖后,可以更加直觀的對(duì)圖譜進(jìn)行分析比對(duì),輕松辨認(rèn)識(shí)別出不同類別的物體,實(shí)在不乏為一種行之有效的遙感圖像分析手段。紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)。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(wú)法獲得高層次圖像內(nèi)容的。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無(wú)法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗能力。但是，紋理特征也有其缺點(diǎn)，一個(gè)很明顯的缺點(diǎn)是當(dāng)圖像的分辨率變化的時(shí)候，所計(jì)算出來(lái)的紋理可能會(huì)有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來(lái)的紋理不一定是3-D物體表面真實(shí)的紋理。在檢索具有粗細(xì)、疏密等方面較大差別的紋理圖像時(shí)，利用紋理特征是一種有效的方法。但當(dāng)紋理之間的粗細(xì)、疏密等易于分辨的信息之間相差不大的時(shí)候，通常的紋理特征很難準(zhǔn)確地反映出人的視覺(jué)感覺(jué)不同的紋理之間的差別。紋理常用的特征提取與匹配方法[12~13]：（1）統(tǒng)計(jì)方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法Gotlieb和Kreyszig等人在研究共生矩陣中各種統(tǒng)計(jì)特征基礎(chǔ)上，通過(guò)實(shí)驗(yàn)，得出灰度共生矩陣的四個(gè)關(guān)鍵特征：能量、慣量、熵和相關(guān)性。統(tǒng)計(jì)方法中另一種典型方法，則是從圖像的自相關(guān)函數(shù)（即圖像的能量譜函數(shù)）提取紋理特征，即通過(guò)對(duì)圖像的能量譜函數(shù)的計(jì)算，提取紋理的粗細(xì)度及方向性等特征參數(shù)（2）幾何法所謂幾何法，是建立在紋理基元理論基礎(chǔ)上的一種紋理特征分析方法。紋理基元理論認(rèn)為，復(fù)雜的紋理可以由若干簡(jiǎn)單的紋理基元以一定的有規(guī)律的形式重復(fù)排列構(gòu)成。（3）模型法模型法以圖像的構(gòu)造模型為基礎(chǔ)，采用模型的參數(shù)作為紋理特征。典型的方法是隨機(jī)場(chǎng)模型法，如馬爾可夫隨機(jī)場(chǎng)模型法和Gibbs隨機(jī)場(chǎng)模型法（4）信號(hào)處理法紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura紋理特征、自回歸紋理模型、小波變換等?；叶裙采仃囂卣魈崛∨c匹配主要依賴于能量、慣量、熵和相關(guān)性四個(gè)參數(shù)。Tamura紋理特征基于人類對(duì)紋理的視覺(jué)感知心理學(xué)研究，提出6種屬性，即：粗糙度、對(duì)比度、方向度、線像度、規(guī)整度和粗略度。自回歸紋理模型是馬爾可夫隨機(jī)場(chǎng)模型的一種應(yīng)用實(shí)例。3.2.2形狀特征各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標(biāo)來(lái)進(jìn)行檢索，但它們也有一些共同的問(wèn)題，包括：①目前基于形狀的檢索方法還缺乏比較完善的數(shù)學(xué)模型；②如果目標(biāo)有變形時(shí)檢索結(jié)果往往不太可靠；③許多形狀特征僅描述了目標(biāo)局部的性質(zhì)，要全面描述目標(biāo)常對(duì)計(jì)算時(shí)間和存儲(chǔ)量有較高的要求；④許多形狀特征所反映的目標(biāo)形狀信息與人的直觀感覺(jué)不完全一致，或者說(shuō)，特征空間的相似性與人視覺(jué)系統(tǒng)感受到的相似性有差別。另外，從2-D圖像中表現(xiàn)的3-D物體實(shí)際上只是物體在空間某一平面的投影，從2-D圖像中反映出來(lái)的形狀常不是3-D物體真實(shí)的形狀，由于視點(diǎn)的變化，可能會(huì)產(chǎn)生各種失真。下面介紹幾種典型的形狀特征描述方法：（1）邊界特征法該方法通過(guò)對(duì)邊界特征的描述來(lái)獲取圖像的形狀參數(shù)。其中Hough變換檢測(cè)平行直線方法和邊界方向直方圖方法是經(jīng)典方法。Hough變換是利用圖像全局特性而將邊緣像素連接起來(lái)組成區(qū)域封閉邊界的一種方法，其基本思想是點(diǎn)—線的對(duì)偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然后，做出關(guān)于邊緣大小和方向的直方圖，通常的方法是構(gòu)造圖像灰度梯度方向矩陣。（2）幾何參數(shù)法形狀的表達(dá)和匹配采用更為簡(jiǎn)單的區(qū)域特征描述方法，例如采用有關(guān)形狀定量測(cè)度的形狀參數(shù)法。在QBIC系統(tǒng)中，便是利用圓度、偏心率、主軸方向和代數(shù)不變矩等幾何參數(shù)，進(jìn)行基于形狀特征的圖像檢索。需要說(shuō)明的是，形狀參數(shù)的提取，必須以圖像處理及圖像分割為前提，參數(shù)的準(zhǔn)確性必然受到分割效果的影響，對(duì)分割效果很差的圖像，形狀參數(shù)甚至無(wú)法提取。3.2.3空間關(guān)系特征所謂空間關(guān)系，是指圖像中分割出來(lái)的多個(gè)目標(biāo)之間的相互的空間位置或相對(duì)方向關(guān)系，這些關(guān)系也可分為連接/鄰接關(guān)系、交疊/重疊關(guān)系和包含/包容關(guān)系等。通?？臻g位置信息可以分為兩類：相對(duì)空間位置信息和絕對(duì)空間位置信息。前一種關(guān)系強(qiáng)調(diào)的是目標(biāo)之間的相對(duì)情況，如上下左右關(guān)系等，后一種關(guān)系強(qiáng)調(diào)的是目標(biāo)之間的距離大小以及方位。顯而易見，由絕對(duì)空間位置可推出相對(duì)空間位置，但表達(dá)相對(duì)空間位置信息常比較簡(jiǎn)單?？臻g關(guān)系特征的使用可加強(qiáng)對(duì)圖像內(nèi)容的描述區(qū)分能力，但空間關(guān)系特征常對(duì)圖像或目標(biāo)的旋轉(zhuǎn)、反轉(zhuǎn)、尺度變化等比較敏感。另外，實(shí)際應(yīng)用中，僅僅利用空間信息往往是不夠的，不能有效準(zhǔn)確地表達(dá)場(chǎng)景信息。為了檢索，除使用空間關(guān)系特征外，還需要其它特征來(lái)配合。提取圖像空間關(guān)系特征可以有兩種方法：一種方法是首先對(duì)圖像進(jìn)行自動(dòng)分割，劃分出圖像中所包含的對(duì)象或顏色區(qū)域，然后根據(jù)這些區(qū)域提取圖像特征，并建立索引；另一種方法則簡(jiǎn)單地將圖像均勻地劃分為若干規(guī)則子塊，然后對(duì)每個(gè)圖像子塊提取特征，并建立索引。3.3圖像特征提取的基本思路數(shù)碼相片特征是由于景物的物理與幾何特性使相片中局部區(qū)域的灰度產(chǎn)生明顯變化而形成的。因而特征的存在意味著在該局部區(qū)域中有較大的信息量,而在相片中沒(méi)有特征的區(qū)域,應(yīng)當(dāng)只有較小的信息量。數(shù)碼相片特征的提取,即從相片中提取有用的信息和視覺(jué)特征。按照Marr視覺(jué)理論,視覺(jué)從最初的原始數(shù)據(jù)到最終對(duì)3維環(huán)境的表達(dá)經(jīng)歷了3個(gè)層次:（1）要素圖。它包含圖像邊緣點(diǎn)、線段、頂點(diǎn)、紋理等基本幾何特征組成,這個(gè)層次稱為低層次處理。（2）2.5維圖。它是要素圖與3維圖像模型之間中間表示層次,包含物體表面的局部?jī)?nèi)在特征,這個(gè)層次稱為中層次處理。（3）3維圖。以物體為中心的3維描述,它是由要素圖與2.5維圖得到的。它包含對(duì)物體的理解、識(shí)別等,這個(gè)層次稱為高層次處理。數(shù)碼相片特征提取一般方法主要分以下階段,如下流程圖所示。對(duì)數(shù)碼相片從不同角度進(jìn)行分析,在各個(gè)層次采取適當(dāng)?shù)乃惴?即可得到不同的特征提取方法。數(shù)碼相片特征提取與眾多學(xué)科如計(jì)算機(jī)圖形學(xué)、模式識(shí)別、人工智能、數(shù)學(xué)等密切相關(guān),相關(guān)學(xué)科新的方法的應(yīng)用,推動(dòng)著數(shù)碼相片特征提取方法的發(fā)展。預(yù)處理預(yù)處理（增強(qiáng)、分割等）低層次處理（二值化、灰度、邊緣、紋理、頂點(diǎn)、方向等）中層次處理（特征分析、選擇、綜合等）高層次處理（智能、規(guī)則、學(xué)習(xí)、識(shí)別等）從目前的研究進(jìn)展來(lái)看,自動(dòng)特征提取存在很大困難因?yàn)槔糜?jì)算機(jī)提取數(shù)碼相片特征包括“識(shí)別”和“量測(cè)”兩部分。其中“識(shí)別”對(duì)于計(jì)算機(jī)來(lái)說(shuō)是十分困難的,而對(duì)于人來(lái)說(shuō)則相對(duì)簡(jiǎn)單。而“量測(cè)”即精確的定位,對(duì)于計(jì)算機(jī)來(lái)說(shuō),則要相對(duì)簡(jiǎn)單。3.4樣本特征庫(kù)初步分析在模式識(shí)別處理之前，需要先評(píng)估一下特征庫(kù)是否包含足夠信息，用它做模式識(shí)別是否可行或值得。（1）對(duì)樣本數(shù)量與特征數(shù)目要求通常要求樣本數(shù)量N要足夠大，符合下列關(guān)系。a．對(duì)兩類分類問(wèn)題：,此處n為特征數(shù)目，N為樣本的數(shù)目。b．對(duì)線性或非線性回歸問(wèn)題：N>>n。（2）對(duì)樣本特征庫(kù)做初步分析對(duì)樣本特征庫(kù)做初步分析的主要工作是衡量各類別之間的可分性，最常用的方法是應(yīng)用“KNN留一法”判別作近鄰分析。KNN留一法是以每個(gè)樣品點(diǎn)與其多數(shù)最近鄰屬于同類與否作為判據(jù)。根據(jù)樣品在多維空間中的位置，計(jì)算各樣品之間的距離，找出樣品的三個(gè)、五個(gè)或多個(gè)最近鄰，列表顯示該樣品的類別及鄰近的類別，判斷該最近鄰是否屬于同類，將多個(gè)同類的樣品所屬的類別作為預(yù)報(bào)該樣品的類別及近鄰的類別，并與實(shí)際類別比較，仔細(xì)考查近鄰分析結(jié)果，可對(duì)數(shù)據(jù)結(jié)構(gòu)有一個(gè)大致的了解。如果樣本在特征空間中分散，則需要選擇具有泛化能力強(qiáng)的分類器，如神經(jīng)網(wǎng)絡(luò)分類器、支持向量機(jī)分類器等。3.5圖像特征提取的方法3.5.1主成分分析法主成分分析法[14~16]是指多光譜圖像數(shù)據(jù)包含多個(gè)波段，數(shù)據(jù)量較大，當(dāng)復(fù)合使用時(shí)數(shù)據(jù)量更大，往往難于直接使用。實(shí)際上各波段圖像之間雖有差別，但也存在一定的相關(guān)關(guān)系。例如，明亮的物體反射的電磁波強(qiáng)度在各波段上雖有差別，但都比陰暗的物體反射的電磁波強(qiáng)度大。主成分分析法是用各波段圖像數(shù)據(jù)的協(xié)方差矩陣的特征矩陣進(jìn)行多波段圖像數(shù)據(jù)的變換，以消除它們之間的相關(guān)關(guān)系。把大部分信息集中在第一主成分，部分信息集中在第二主成分，少量信息保留在第三主成分和以后各成分的圖像上。因此，前面幾個(gè)主成分就包含了絕大部分信息。主成分分析法有時(shí)稱為K－L變換。信息過(guò)分集中的主成分圖像往往并不一定有利于分析應(yīng)用。用計(jì)算機(jī)分類時(shí)，多光譜圖像數(shù)據(jù)的波段數(shù)目越多，計(jì)算量就越大。對(duì)指定類別的分類常用各類別樣區(qū)間的分離度作為指標(biāo)，從已有波段中選取最佳的幾個(gè)波段組合來(lái)進(jìn)行分類。以盡可能少的波段來(lái)獲得盡可能好的分類效果，這是另一種特征提取方法。在農(nóng)、林等遙感應(yīng)用中，還可通過(guò)各波段圖像間的算術(shù)運(yùn)算或矩陣變換來(lái)得到能反映植物長(zhǎng)勢(shì)和變異的信息。多光譜圖像數(shù)據(jù)的計(jì)算機(jī)分類，通常是建立在不同地物在各波段反射的電磁波強(qiáng)度差別的基礎(chǔ)上的。若以各波段接收到的電磁波強(qiáng)度為坐標(biāo)，則n個(gè)波段可形成n維波譜空間。各波段上同一像元對(duì)應(yīng)于n維空間的一個(gè)點(diǎn),而同類地物可形成一個(gè)點(diǎn)集。3.5.2區(qū)域生長(zhǎng)算法區(qū)域生長(zhǎng)算法的基本思想是將具有相似性質(zhì)的像素點(diǎn)集合起來(lái)構(gòu)成區(qū)域，具體先對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素周圍領(lǐng)域中與種子像素有相同或相似性質(zhì)的像素根據(jù)某種事先確定的生長(zhǎng)或相似準(zhǔn)則來(lái)判定合并到種子像素所在的區(qū)域中，直到在沒(méi)有滿足條件的像素可被包括進(jìn)來(lái)，這樣一個(gè)區(qū)域就長(zhǎng)成了。其中生長(zhǎng)準(zhǔn)則常用的是圖像的灰度、紋理、彩色燈信息。通過(guò)上述分析可知，在用區(qū)域生長(zhǎng)法處理道路圖像時(shí)，有以下兩個(gè)問(wèn)題是非常關(guān)鍵的：（1）區(qū)域生長(zhǎng)算法的一個(gè)關(guān)鍵是選擇合適的生長(zhǎng)或相似的準(zhǔn)則，使用不同的生長(zhǎng)準(zhǔn)則會(huì)影響區(qū)域生長(zhǎng)的過(guò)程，目前，區(qū)域生長(zhǎng)在處理道路圖像中大多采用灰度差準(zhǔn)則。（2）區(qū)域生長(zhǎng)過(guò)程中對(duì)如何選取種子點(diǎn)也是關(guān)鍵，一般可以根據(jù)圖像的特點(diǎn)來(lái)確定，對(duì)于有先驗(yàn)知識(shí)的圖像可以利用先驗(yàn)知識(shí)，如果沒(méi)有則可以借助生長(zhǎng)準(zhǔn)則對(duì)像素進(jìn)行相應(yīng)的計(jì)算。3.5.3邊緣檢測(cè)法邊緣檢測(cè)[17~18]是圖像處理和計(jì)算機(jī)視覺(jué)中的基本問(wèn)題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括深度上的不連續(xù)、表面方向不連續(xù)、物質(zhì)屬性變化和場(chǎng)景照明變化。邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺(jué)中，尤其是特征提取中的一個(gè)研究領(lǐng)域。圖像邊緣檢測(cè)大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。有許多方法用于邊緣檢測(cè)，它們的絕大部分可以劃分為兩類：基于查找一類和基于零穿越的一類?；诓檎业姆椒ㄍㄟ^(guò)尋找圖像一階導(dǎo)數(shù)中的最大和最小值來(lái)檢測(cè)邊界，通常是將邊界定位在梯度最大的方向?；诹愦┰降姆椒ㄍㄟ^(guò)尋找圖像二階導(dǎo)數(shù)零穿越來(lái)尋找邊界，通常是Laplacian過(guò)零點(diǎn)或者非線性差分表示的過(guò)零點(diǎn)，還有就是Prewitt算子、Sobel算子和Log算子三種算子的運(yùn)算與實(shí)現(xiàn)。邊緣檢測(cè)的目的是在一幅圖像中提取不同區(qū)域的輪廓，將圖像分割成不同的區(qū)域，使每個(gè)區(qū)域都由大致相同的像素組成。這些區(qū)域可能有相同亮度或相同的顏色，或者屬于同一個(gè)物體或一個(gè)物體的同一個(gè)部分。經(jīng)典的邊緣檢測(cè)方法是考察圖像中每個(gè)像素點(diǎn)在某個(gè)區(qū)域內(nèi)灰度的變化情況，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律檢測(cè)邊緣。這種方法為邊緣檢測(cè)局部算子法。邊緣的種類分成兩種：一是階躍邊緣，兩邊像素的灰度值有著很明顯的不同；另一是屋頂邊緣，位于灰度值從增加到減少（或從減少到增加）的變化的轉(zhuǎn)折點(diǎn)。下面介紹幾種常用的邊緣檢測(cè)方法：（1）Prewitt算子Prewitt算子對(duì)噪聲有抑止作用，抑止噪聲的原理是通過(guò)像素平均。但是像素平均相當(dāng)于對(duì)圖像的低通濾波。其水平方向模板為：，垂直方向?yàn)椋?。?）Sobel算子下面兩個(gè)模板所示的卷積形成了Sobel檢測(cè)算子。圖像中每個(gè)點(diǎn)都用這兩個(gè)模板做卷積。其中一個(gè)模板對(duì)垂直邊緣響應(yīng)最大，另一個(gè)對(duì)水平邊緣響應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出值。Sobel算子和Prewitt算子都是加權(quán)平均，但是Sobel算子認(rèn)為，鄰域像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離圖像的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生的結(jié)果也不同。一般來(lái)說(shuō)，距離越大，產(chǎn)生的影響越小。兩個(gè)Sobel模板：和。（3）Log算子Log算子也稱高斯—拉普拉斯算子，把高斯平滑和拉普拉斯銳化濾波器結(jié)合起來(lái)，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)。常用的Log算子模板如下：。3.6本章小結(jié)圖像的基本特征包括紋理特征、形狀特征、空間關(guān)系特征等。圖像的特征提取有多種方法，在這里主要介紹了主成分分析法、區(qū)域生長(zhǎng)算法和邊緣檢測(cè)法。這三種方法各有優(yōu)缺點(diǎn)，由于灰色木材圖像顏色比較接近，所以本文采取邊緣檢測(cè)的方法。邊緣檢測(cè)法可以很好的突出木材的輪廓，有助于提取木材的輪廓特征。常用的邊緣檢測(cè)的方法有Prewitt算子、Sobel算子和Log算子，三種算子采用不同的模板分別對(duì)圖像的輪廓進(jìn)行邊緣檢測(cè)。第四章木材圖像特征提取研究本章主要介紹的是如何來(lái)實(shí)現(xiàn)木材圖像特征的提取，實(shí)現(xiàn)特征提取的方法有很多。在前面已經(jīng)介紹了多種方法，在這里會(huì)具體的介紹一種方法來(lái)實(shí)現(xiàn)特征提取。本文所選取特征提取方法是邊緣檢測(cè)法，在邊緣檢測(cè)之前要做的是濾波，讓木材的特征更加明顯以便于提取。圖像濾波主要分為兩大類：線性濾波和非線性濾波。下面介紹線性濾波和非線性濾波的主要內(nèi)容及其實(shí)現(xiàn)的方法。4.1線性高斯濾波4.1.1高斯濾波的基本概念高斯濾波實(shí)質(zhì)上是一種信號(hào)的濾波器，其用途是信號(hào)的平滑處理，我們知道數(shù)字圖像用于后期應(yīng)用，其噪聲是最大的問(wèn)題，由于誤差會(huì)累計(jì)傳遞等原因，很多圖像處理教材會(huì)在很早的時(shí)候介紹高斯濾波器，用于得到信噪比SNR較高的圖像。高斯濾波器[19-20]是根據(jù)高斯函數(shù)的形狀來(lái)選擇權(quán)值的線性平滑濾波器。高斯平滑濾波器對(duì)去除服從正態(tài)分布的噪聲是很有效果的。由于高斯函數(shù)的傅立葉變換仍是高斯函數(shù),因此高斯函數(shù)能構(gòu)成一個(gè)在頻域具有平滑性能的低通濾波器?？梢酝ㄟ^(guò)在頻域做乘積來(lái)實(shí)現(xiàn)高斯濾波。矩形濾波器對(duì)這個(gè)二維矢量的每一個(gè)分量進(jìn)行獨(dú)立的平滑處理。通過(guò)計(jì)算和轉(zhuǎn)化,得到一幅單位矢量圖。這個(gè)512×512的矢量圖被劃分成一個(gè)8×8的小區(qū)域,再在每一個(gè)小區(qū)域中,統(tǒng)計(jì)這個(gè)區(qū)域內(nèi)的主要方向,亦即將對(duì)該區(qū)域內(nèi)點(diǎn)方向數(shù)進(jìn)行統(tǒng)計(jì),最多的方向作為區(qū)域的主方向。于是就得到了一個(gè)新的64×64的矢量圖。這個(gè)新的矢量圖還可以采用一個(gè)3×3模板進(jìn)行進(jìn)一步的平滑。高斯函數(shù)具有五個(gè)重要的性質(zhì)，它們分別是：（1）二維高斯函數(shù)具有旋轉(zhuǎn)對(duì)稱性；（2）高斯函數(shù)是單值函數(shù)；（3）高斯函數(shù)的付立葉變換頻譜是單瓣的；（4）高斯濾波器寬度是由參數(shù)表征的；（5）由于高斯函數(shù)的可分離性，較大尺寸的高斯濾波器可以得以有效地實(shí)現(xiàn)。這些性質(zhì)使得它在早期圖像處理中特別有用,性質(zhì)還表明，高斯平滑濾波器在空間域和頻率域都是十分有效的低通濾波器。4.1.2木材圖像高斯濾波的實(shí)驗(yàn)結(jié)果和分析在實(shí)際生活中選取了一張比較清晰的車載運(yùn)輸木材的相片（圖4.1左），在木材的數(shù)碼相片中取出其中一根相對(duì)比較圓滑，便于提取特征的木材（圖4.1右）：圖4.1車載木材和提取的木材樣本對(duì)圖4.1（右）用rgb2gray函數(shù)進(jìn)行灰度化處理，然后進(jìn)行高斯濾波，結(jié)果如下圖：圖4.2實(shí)現(xiàn)高斯濾波的程序如下：[i]=imread('D:\mutou1.tif');I=rgb2gray(i);Img=double(I);alf=5;n=10;%定義模板大小n1=floor((n+1)/2);%計(jì)算中心fori=1:nforj=1:nb(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf);endendImg1=imfilter(I,b,'conv');subplot(1,2,1),imshow(I);title('灰度化圖像')subplot(1,2,2),imshow(Img1),title('高斯濾波')對(duì)車載木材圖像進(jìn)行了分析，取出木材圖像的樣本，然后進(jìn)行高斯濾波。高斯濾波使圖像變得模糊，但是圖像整體變得平滑，圖像中的很多雜點(diǎn)也消失了，對(duì)后面的銳化和邊緣檢測(cè)有很大幫助。4.2非線性平滑濾波線性平滑濾波在降噪的同時(shí)會(huì)使圖像中一些有用的細(xì)節(jié)模糊，而非線性平滑濾波則可在降噪的同時(shí)保持圖像細(xì)節(jié)。非線性平滑的常用方法是中值濾波[21~24]。中值濾波法是一種非線性平滑技術(shù)，它將每一象素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有象素點(diǎn)灰度值的中值。中值濾波的實(shí)現(xiàn)方法：（1）通過(guò)從圖像中的某個(gè)采樣窗口取出奇數(shù)的數(shù)據(jù)進(jìn)行排序；（2）用排序后的中值取代要處理的數(shù)據(jù)即可。中值濾波法對(duì)消除椒鹽噪音非常有效，在光學(xué)測(cè)量條紋圖像的相位分析處理方法中有特殊作用，但在條紋中心分析方法中作用不大。中值濾波在圖像處理中,常用于用來(lái)保護(hù)邊緣信息,是經(jīng)典的平滑噪聲的方法。4.2.1中值濾波基本原理中值濾波是對(duì)一個(gè)滑動(dòng)模板窗口內(nèi)的所有像素的灰度值進(jìn)行排序，用位置處于中間的像素的灰度值替換原模板窗口中心像素的灰度值。主要功能是用與相鄰像素灰度值接近的值取代與相鄰像素灰度值之差較大的值，從而消除這些孤立的噪聲。與線性平滑濾波相比由于不是簡(jiǎn)單地取平均，因此在抑制孤立噪聲的同時(shí)能有效減少邊緣的模糊。4.2.2中值濾波的重要特性（1）對(duì)于離散階躍信號(hào)、斜升信號(hào)不產(chǎn)生影響，連續(xù)個(gè)數(shù)小于窗口長(zhǎng)度一半的離散脈沖將被平滑，三角函數(shù)頂部被平坦化。（2）C為常數(shù)。（3)中值濾波后，圖像頻譜基本不變。4.2.3中值濾波模板窗口的選擇二維中值濾波器的模板窗口形狀可以有多種，如線狀、方形、十字形、圓形、菱形等。不同形狀的窗口產(chǎn)生不同的濾波效果。通常情況下，方形或圓形窗口適用于外輪廓線較長(zhǎng)的圖像，十字窗口適用于有尖銳頂角的圖像。線狀窗口具有一定的方向性，而空間上具有對(duì)稱性的窗口無(wú)方向性。此外，根據(jù)中值濾波特性，離散的階躍信號(hào)、斜升信號(hào)無(wú)影響，三角信號(hào)頂部被削平，離散脈沖信號(hào)當(dāng)出現(xiàn)的次數(shù)小于窗口尺寸的一半時(shí)被抑制，否則不受影響。因此正確選擇窗口的大小是適用中值濾波的重要環(huán)節(jié)，一般很難事先確定模板大小，從小窗口到大窗口依次嘗試從中選取最好的結(jié)果。4.2.4木材圖像中值濾波的實(shí)驗(yàn)結(jié)果和分析對(duì)原始圖像先要進(jìn)行灰度化，用rgb2gray函數(shù)對(duì)樣本圖像進(jìn)行處理，然后利用中值濾波函數(shù)medfilt2對(duì)灰度圖像進(jìn)行處理，這樣圖像表面會(huì)變得平滑，但是會(huì)出現(xiàn)模糊的效果。處理結(jié)果如下圖所示圖4.3實(shí)現(xiàn)中值濾波的程序：I=imread('D:\mutou1.tif');I2=rgb2gray(I);%轉(zhuǎn)為256灰度圖subplot(1,2,1),imshow(I2);title('灰度圖像')I_Filter1=medfilt2(I2,[33]);%中值濾波，窗口大小為3×3subplot(1,2,2),imshow(I_Filter1);title('中值濾波')中值濾波是對(duì)圖像做了進(jìn)一步的處理，更容易識(shí)別出木材的形狀特征，對(duì)后面進(jìn)行銳化、邊緣檢測(cè)等打下了良好的基礎(chǔ)，對(duì)特征提取有了很大的幫助。和高斯濾波相比，中值濾波后的圖像的平滑性和高斯濾波的效果差不多，但是高斯濾波后的圖像要比中值濾波的圖像模糊些。4.3非線性銳化濾波在車載木材圖像的識(shí)別過(guò)程中需要突顯邊緣和目標(biāo)輪廓信息，銳化濾波就是增強(qiáng)圖像邊緣與輪廓。銳化濾波有兩種方法可以選擇：一階導(dǎo)數(shù)算子和二階導(dǎo)數(shù)算子。拉普拉斯算子是一種常用的二階導(dǎo)數(shù)算子，但由于其對(duì)圖像的噪聲很敏感且不能提供邊緣方向的信息，因此通常使用一階導(dǎo)數(shù)算子來(lái)檢測(cè)圖像邊緣。梯度對(duì)應(yīng)一階導(dǎo)數(shù)，梯度算子是一階導(dǎo)數(shù)算子對(duì)于圖像f（x，y）在(x,y)處的梯度定義：（4.1）實(shí)際中常采用小區(qū)域模板卷積來(lái)近似計(jì)算公式（1）的偏導(dǎo)數(shù)。常用的算子有Prewitt算子、Log算子和Sobel算子。下面利用幾種算子對(duì)高斯濾波和中值濾波后的圖像分別進(jìn)行了銳化處理，并做出了分析。4.3.1高斯濾波后的銳化處理下圖是對(duì)高斯濾波之后的圖像進(jìn)行了Prewitt算子、Log算子和Sobel算子的運(yùn)算，并對(duì)實(shí)驗(yàn)結(jié)果做出了分析。圖4.4實(shí)驗(yàn)程序如下：[i]=imread('D:\mutou1.tif');I=rgb2gray(i);Img=double(I);alf=5;n=10;%定義模板大小n1=floor((n+1)/2);%計(jì)算中心fori=1:nforj=1:nb(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf);endendImg1=imfilter(I,b,'conv');subplot(3,2,1),imshow(I);title('灰度化圖像')subplot(3,2,2),imshow(Img1),title('高斯濾波')H=fspecial('prewitt');%應(yīng)用prewitt算子銳化圖像I3=filter2(H,Img1);%prewitt算子濾波銳化subplot(3,2,3);imshow(I3);title('prewitt算子銳化圖像')H=fspecial('log');%應(yīng)用log算子銳化圖像I4=filter2(H,Img1);%log算子濾波銳化subplot(3,2,4);imshow(I4);title('log算子銳化圖像')H=especial('sobel');%應(yīng)用log算子銳化圖像I5=filter2(H,Img1);%log算子濾波銳化subplot(3,2,5);imshow(I5);title('sobel算子銳化圖像')采用三種算子分別對(duì)高斯濾波后的圖像進(jìn)行了銳化處理，從整體上來(lái)看效果都不是很好。Prewitt算子和Sobel算子的失真比較大，出現(xiàn)了很多不相關(guān)的干擾信息，使得圖像不清楚。Log算子效果與前面兩種算子相比，其效果要好些，使得木材圖像的輪廓特征更加明顯。4.3.2中值濾波后的銳化處理對(duì)中值濾波后的圖像分別進(jìn)行Prewitt算子、Log算子和Sobel算子三種算子的運(yùn)算，結(jié)果如下：圖4.5I=imread('D:\mutou1.tif');I2=rgb2gray(I);%轉(zhuǎn)為256灰度圖subplot(3,2,1),imshow(I2);title('灰度圖像')I_Filter1=medfilt2(I2,[33]);%中值濾波，窗口大小為3×3subplot(3,2,2),imshow(I_Filter1);title('中值濾波')H=fspecial('prewitt');%應(yīng)用prewitt算子銳化圖像I3=filter2(H,I_Filter1);%prewitt算子濾波銳化subplot(3,2,3);imshow(I3);title('prewitt算子銳化圖像')H=fspecial('log');%應(yīng)用log算子銳化圖像I4=filter2(H,I_Filter1);%log算子濾波銳化subplot(3,2,4);imshow(I4);title('log算子銳化圖像')H=fspecial('sobel');%應(yīng)用sobel算子銳化圖像I5=filter2(H,I_Filter1);%sobel算子濾波銳化subplot(3,2,5);imshow(I5);title('sobel算子銳化圖像')中值濾波采取了3×3的窗口對(duì)其灰度圖像進(jìn)行濾波，但視覺(jué)效果沒(méi)有高斯濾波好。中值濾波后的銳化處理中可以看出，三種算子的銳化處理都能很好的突出銳化的效果。但是仔細(xì)分析Log算子的銳化要比Prewitt算子和Sobel算子的效果要好一些。和高斯濾波后的銳化相比，中值濾波后Log算子的處理沒(méi)有高斯濾波后Log算子銳化處理的效果好，另外兩種算子的銳化處理卻稍好些。4.4特征提取方法—邊緣檢測(cè)法本文用到的特征提取的方法是邊緣檢測(cè)法[25-26]，邊緣檢測(cè)的目的就是讓圖像的輪廓特征更加明顯，這樣有便于自動(dòng)識(shí)別系統(tǒng)的識(shí)別。上面通過(guò)高斯濾波和中值濾波后的銳化處理可以比較出來(lái)，高斯濾波的Log算子的輪廓比較明顯，如下圖所示：圖4.6然后在對(duì)這個(gè)圖像進(jìn)行邊緣檢測(cè)，分別采用了Prewitt算子、Sobel算子和Log算子進(jìn)行了邊緣檢測(cè)。圖4.7實(shí)驗(yàn)程序如下：I=imread('D:\huisemutou11.tif');BW1=edge(I,'prewitt');BW2=edge(I,'sobel');BW3=edge(I,'log');subplot(2,2,1);imshow(BW1);title('prewitt算子邊緣檢測(cè)')subplot(2,2,2);imshow(BW2);title('sobel算子邊緣檢測(cè)')subplot(2,2,3);imshow(BW3);title('log算子邊緣檢測(cè)')對(duì)圖（6）進(jìn)行三種算子的邊緣檢測(cè)，發(fā)現(xiàn)Prewitt算子和Sobel算子的邊緣檢測(cè)效果比較好，但是仍然存在很多不連續(xù)的點(diǎn)，Log算子斷點(diǎn)更多。要想消除這些斷點(diǎn)，可以采用開閉運(yùn)算的方法，去除斷點(diǎn)。4.5開閉運(yùn)算在形態(tài)學(xué)圖像處理中，除了腐蝕和膨脹這兩種基本運(yùn)算之外，還有兩種起著非常重要作用的二次運(yùn)算：開運(yùn)算和閉運(yùn)算[27-28]。開、閉運(yùn)算是以腐蝕和膨脹為定義的，但是，從結(jié)構(gòu)元素填充的角度看，它們具有更為直觀的幾何形式，這也是其應(yīng)用的基礎(chǔ)。4.5.1開運(yùn)算先腐蝕后膨脹的運(yùn)算稱為開運(yùn)算，利用圖像S對(duì)圖像X做開運(yùn)算，用符號(hào)XS表示，其定義為：(4.2)開運(yùn)算的幾點(diǎn)結(jié)論：（1）開運(yùn)算能夠除去孤立的小點(diǎn)、毛刺和小橋，而總的位置和形狀不變。（2）開運(yùn)算是一個(gè)基于幾何運(yùn)算的濾波器。（3）結(jié)構(gòu)元素的大小的不同將導(dǎo)致濾波效果的不同。（4）不同結(jié)構(gòu)元素的選擇導(dǎo)致了不同的分割，即提取出不同的特征。4.5.2閉運(yùn)算 閉運(yùn)算是開運(yùn)算的對(duì)偶運(yùn)算，定義為先膨脹后再做腐蝕。利用S對(duì)X做閉運(yùn)算表示為，其定義為：（4.3）閉運(yùn)算的幾點(diǎn)結(jié)論：（1）閉運(yùn)算能夠填平小湖，彌合小裂縫，而總的位置和形狀不變。（2）閉運(yùn)算是通過(guò)填充圖像的凹角來(lái)濾波圖像的。（3）結(jié)構(gòu)元素大小的不同將導(dǎo)致濾波效果的不同。（4）不同結(jié)構(gòu)元素的選擇導(dǎo)致了不同的分割。4.5.3二值化圖像開閉運(yùn)算對(duì)二值化圖像進(jìn)行開閉運(yùn)算，下圖（左）為開運(yùn)算結(jié)果，圖（右）為閉運(yùn)算結(jié)果開運(yùn)算閉運(yùn)算圖4.8開閉運(yùn)算程序如下：I1=imread('D:\huise13.tif')I3=im2bw(I1);%把灰度圖像二值化figure,imshow(I3)%顯示二值化后的圖像I4=bwmorph(I3,'open');%對(duì)二值噪聲圖像進(jìn)行二值形態(tài)學(xué)開運(yùn)算figure,imshow(I4);title('開運(yùn)算')%顯示開運(yùn)算后的圖像I5=bwmorph(I4,'close');%對(duì)上述圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算figure,imshow(I5);title('閉運(yùn)算')4.6本章小結(jié)對(duì)選取的木材樣本做了特征提取的過(guò)程，對(duì)灰度木材圖像進(jìn)行了濾波和銳化處理，在特征提取時(shí)采用了邊緣檢測(cè)的方法，最后運(yùn)用開閉運(yùn)算得到實(shí)驗(yàn)結(jié)果。在邊緣檢測(cè)過(guò)程中，采用了Prewitt算子、Log算子和Sobel算子三種算子對(duì)銳化后的圖像進(jìn)行了邊緣檢測(cè)，檢測(cè)后的結(jié)果仍是存在很多雜點(diǎn)、斷點(diǎn)，因此采用開閉運(yùn)算的方法去除孤立的點(diǎn)、彌補(bǔ)