数字图像处理外文翻译.doc

《数字图像处理外文翻译.doc》由会员分享，可在线阅读，更多相关《数字图像处理外文翻译.doc（13页珍藏版）》请在三一办公上搜索。

1、 数字图像处理Digital Image Processing作者：李白萍起止页码：42页-46页，127页-132页出版日期（期刊号）：2008.4( 2009.10重印)出版单位：西安电子科技大学出版社数字图像处理1 引言 许多研究者已提议提出了在数字图像里的连接组件是由一个减少的数据量或简化的形状。一般我们不得不陈诉在实际应用中的运算法则的发展，选择和更改，它是依赖于邻域和任务的，除此之外没有更好的办法了。不过，有趣的是，请注意， 有几个等价之间出版的方法和观念，和表征这种等价应该是有用的分类的广泛和多样性，讨论等价是这份报告一个主要的意图，。 1.1分类方法 一类形状减少算子是基于距离

2、变换的。一个距离骨架是一个子集点，某一特定的组成部分，例如，每点子，这代表了该中心的一个最大光盘（标记半径这片光碟）载于特定的组成部分。作为一个例子，在这类算子，本报告讨论了一个计算方法距离骨架使用的D4距离函数，这是适当的数字化图片。 第二类算子产生的中位数或中心线数字对象在一个非迭代的方式。通常这样的算子找到临界点，并计算出特殊路径通过对象连接这些点。 第三类是算子的特点是迭代细化。从历史上看， 用已经在1862年任期线性骨架为结果连续变形的前一个连接子一欧氏空间没有改变的连通原来的设置，直到只有一套线和点仍然存在。许多算法在图像分析是在此基础上的一般概念的细化。目标是计算特性的数字对象，

3、其中不相关的大小或数量。方法应是独立的立场从一组，在平面或空间，网格的决议（数字化这套）或形状复杂该给定。在文献中的任期间是没有用在一个独特的解释，此外，它始终是指连接维护减少运作，适用于数字图像，所涉及的迭代变革的特殊轮廓点到背景点。一个字集 Q_I的对象点是减少了设置，在一迭代和Q0的结果= Q N D成为Q报表下次迭代。拓扑维护骨架是一个特殊的案件细化，导致连接的一套数码化的圆弧或曲线。数字曲线的道路是一条在P=p0 ;P1 ; P2的 ;qn= q等,pi是pi 1的近邻， ， 1 _ i _N和P =q,数字曲线是所谓的简单元素，如果每点pi有准确的两个邻域在这曲线。数码弧是一个子集

4、数字曲线，如p6 =q.一点的数码弧其中，正是一邻居是所谓的一归宿，这电弧。在这第三类算子（细化算法） ，我们可能分类方面的算法策略：个别像素要么拆除在一个顺序或平行进行。举例来说，经常提到的算法hilditch 是一个迭代的过程中的测试和删去的轮廓像素，按顺序在标准光栅扫描秩序。另一种序贯算法pavlidis 使用的多点和收益由轮廓下列的的例子，并行算法在这第三类是减少算子，其中变换轮廓点到背景点。这些并行算法通常是测试实施连通性，以确保在目标连接和内部数据没有改变。概念一简单点是基本的重要性细化且它将会显示在这报告说，简单点，其实是相等的。 若干出版物的特点性能是一套署点（可从对象点到背景

5、点转变）去确定目标和背景的连贯性仍然没变.报告讨论了一些性质是为了证明平行细算法的正确性.1.2基础所用符号如下 17 。数字图像I是一个功能离散集C ，即所谓的载体的形象。要素的C 是网格点或网格细胞和分子性（ P ;I（ p ） 一个图像像素（ 2维）或体素（三维案件）。范围的形象是f0 ; gmaxg 与gmax _ 1 。范围二进制的形象是f0 ，我们只使用在此报告的二进制图像。让它成为一套所有像素的位置与价值1 。 形象载体是对一正交网格在二维或三维空间。 有两种选择：使用网格细胞模型的二维像素位置， P是一个封闭的广场（ 2细胞）在欧氏平面和三维像素的位置是封闭立方体（ 3细胞）

6、，在欧氏空间，那里边的长度为1和平行于坐标轴，中心有整数坐标。作为一个第二个选项，使用网格点模型一二维或三维像素的位置是一个网格点。 两个像素的位置P和Q在网格中的细胞模型是所谓的0 -毗邻i_ p 6 = Q和他们分享至少有一个顶点（这是一个零细胞） 。 两个三维像素的位置P和Q在网格中的细胞模型是所谓的毗邻i_ p 6 = Q和他们分享至少有一个优势（这是一细胞） 。注意：如果格点模型是用这邻接在二维或邻接在三维。最后，两个像素的三维位置P和Q在网格中的细胞模型被称为2 -毗邻i_ p 6 = Q和他们分享至少有一个面对的（这是一个2细胞） 。请注意，如果格点模型是用这邻接的。 任何这些邻

7、接关系; 1 ; 2 ; 4 ; 6 ; 18; 26是和对称对一的形象， n_ （ p ）条像素位置p包括P和其_ -相邻像素的位置。 坐标的二维网格点是指由（i; j ）中，与1_i n和1_j_m; j是整数和N ;M 是多少行和列正在3维中使用整数坐标（i; j ; k ）段。 基于邻域的关系，我们连通如常： 2 点p; q 2 C是有关n_ i_有一个序列点，p = p0; p1; p2; pn = q 近邻，在此序列无论是在M或全部在补M的一个子集M_ C的形象承运人是所谓的_连接i_M，是不是空洞和所有点，在M都成对设置M 组成的一个子集S的C是一个极大值,连接子S的研究连通性数

8、码影像已在 15 介绍了。 因此，任何一套集合组成了若干组件。在案件该网格的细胞模型，一个组成部分，是联接的封闭空间（二维情况下） 或关闭的立方体（三维案件） 。边界2细胞是联接在其4 细胞和5细胞的。3细胞是连接在其6接口。 为实际目的是易于对数字图像中使用的临近操作的（所谓的本地操作）。价值在P 2架C ，在转化的形象是基于像素值在I在P 2 C和其立即邻域在N_(p)。 2 非迭代算法 非迭代算法提供子组件在特殊扫描命令测试连接保存在一个迭代次数。 在本节中，我们只用网格点模型。 2.1 距离算法 Blum 3 提出了骨骼的代表是一组对称点。 在一个封闭的子欧氏平面一点P是被称为对称i_

9、 。至少有2点存在于边界与平等的距离页每对称点，相关的最大光盘是在这一套世界上最大的光盘。 一套对称点，每一个标记半径相关最大的光碟，构成了骨架的一套。 这个想法提交的一个组成部分，数字图像作为一个距离骨架的基础上，计算一个距离各点在一个连通子米_ C至补子。本地最高的子代表一距离骨架。在 15 D4类-距离是如下特殊的距离， D4（p; q ）的从点P点q ，p6 =q是最小的积极整数n ，如存在着一种序列具有鲜明的网格点， P值p0 ，P2;pn= q是4 -近邻，pi 1 ， 1_i_n. 如果P值q之间的距离是趋向于为零，则D4 （p; q ）的距离为所有性能的一个指标。由于二进制数字

10、形象。我们这个图像变换到一个新的代表在每届点P 2 hii D4类-距离像素具有的价值为零。转型包括两个步骤。我们申请的职能，以F1的形象，我在标准扫描秩序，产生i_ （i; j ）的F1 = （i; j ;i（i; j ） ，和F2在反向标准扫描秩序，产生（i; j ）= F2的（i; j ; i_ （i; j ） ，详情如下： F1的（i; j ;i（i; j ） = 8 ：if I（i; j ）= 0 ,minfi_ （i􀀀 1 ; j ）+ 1 ; i_ （i; j 􀀀 1 ） + 1,if I（i; j ）= 1 ，i6 = 1或j 6 = 1 M

11、+n 否则,F2的（i; j ; i_ （i; j ） = minf_i_ （i; j ）;（i+ 1 ; j ）+ 1 ;（i; j + 1 ） + 1 由此产生的图像，是距离变换的形象，一，注意T是一个集F至 （ i ; j ）;T（i; j ） ： 1 _ i _ n 1_ j _，让t_ _T, （i; j ）;T（一; j ） 2 t_ i_没有四点为A4 （ （i; j ）有一个价值在T等于T（i; j ）+1 。对所有其余各点（i; j ），让t_ （i; j ）= 0 。这个形象t_是所谓的距离骨架。 我们现在申请的职能的G1到距离骨架t_在标准扫描秩序，产生t_（i; j ）

12、条的G1 = （i; j ; t_ （i; j ），和G2到的结果，在G1期逆向扫描的标准秩序，产生t_（i; j ）G2（i; j ; t_ （i; j ） ，详情如下： g1(i; j; T_(i; j) = maxfT_(i; j); T_(i 􀀀 1; j)􀀀 1; T_(i; j 􀀀 1) 1gg2(i; j; T_(i; j) = maxfT_(i; j); T_(i + 1; j)􀀀 1; T_(i; j + 1) 􀀀 1结果t_是平等的向距离变换的图像，两种职能G1和G2 ，与G（ t_

13、） = g2(g1(T_) = T_,我们有 15 ： 定理1G（ t_ ） =T，如果t0是任何子的形象T（延长至一个形象有值为0 ，在所有剩余的持仓量）等认为，G（ t0 ） =T， 然后t0 （i; j ）= t_ （i; j ）在各个岗位上的t_与非零值。 非正式的，定理指出，距离变换的图像是可重构从距离骨骼，它是迄今发现的最小的数据集需要这样的重建工作。用过的距离， D4从欧几里德度量。举例来说，这个D4的远程骨架，是不是不变根据轮换。为一近似欧氏距离，一些作者建议使用 的权数，格点街道 4 。 11 介绍了准欧氏距离。 在一般， D4的远程骨架是一个子像素（p;T（ p ）项）的转

14、变形象，这是不一定的连接。 2.2 临界点算法 最简单的一类，这些算法决定的中点子连接组件在标准扫描，以便每一行。让升被1指数为若干组件连接在一列原形象。我们的下列职能为1 _ i _ n ： ei(l) = _ j if this is the lth case I(i; j) = 1 I(i; j 􀀀 1) = 0in row i, counting from the left, with I(i;􀀀1) = 0oi(l) = _ j if this is the lth case I(i; j) = 1 I(i; j+ 1) = 0in row i,

15、counting from the left, with I(i;m+ 1) = 0mi(l) = int(oi(l) 􀀀 ei(l)=2)+ oi(l)所连接的元件在连续中点所有行构成了一个临界点骨架的形象，这种方法的计算是精确的。 结果子像素的原始物体，而这些子像素不一定是连接的。他们可以形成噪音分枝，当对象组件接近平行的形象行，他们可能的特殊应用是有用的，而扫描方向大约是垂直方向的主要对象组。3 图像边缘3.1 图像边缘检测概论 图像边缘是图像最基本的特征之一, 往往携带着一幅图像的大部分信息. 而边缘存在于图像的 不规则结构和不平稳现象中,也即存在于信号的突变点处,这

16、些点给出了图像轮廓的位置,这些轮 廓常常是我们在图像处理时所需要的非常重要的一些特征条件, 这就需要我们对一幅图像检测并提 取出它的边缘. 而边缘检测算法则是图像处理问题中经典技术难题之一, 它的解决对于我们进行高 层次的特征描述, 识别和理解等有着重大的影响; 又由于边缘检测在许多方面都有着非常重要的使 用价值, 所以人们一直在致力于研究和解决如何构造出具有良好性质及好的效果的边缘检测算子的 问题.在通常情况下,我们可以将信号中 的奇异点和突变点认为是图像中的边缘点,其附近灰度的 变化情况可从它相邻像素灰度分布的梯度来反映.根据这一特点,我们提出了多种边缘检测算子:如 Robert 算子,S

17、obel 算子,Prewitt 算子, Laplace 算子等.这些方法多是以待处理像素为中心的邻域作为进行灰度分析的基础,实现对图像 边缘的提取并已经取得了较好的处理效果. 但这类方法同时也存在有边缘像素宽, 噪声干扰较严重 等缺点,即使采用一些辅助的方法加以去噪,也相应的会带来边缘模糊等难以克服的缺陷.随着小 波分析的出现, 其良好的时频局部特性被广泛的应用在图像处理和模式识别领域中, 成为信号处理 中常用的手段和有力的工具. 通过小波分析, 可以将交织在一起的各种混合信号分解成不同频率的 块信号,而通过小波变换进行边缘检测,可以充分利用其多尺度和多分辨率的性质,真实有效的表 达图像的边缘

18、特征.当小波变换的尺度减小时,对图像的细节更加敏感;而当尺度增大时,图像的 细节将被滤掉,检测的边缘只是粗轮廓.该特性在模式识别中非常有用,我们可以将此粗轮廓称为 图像的主要边缘.如果能将一个图像的主要边缘清晰完整的提取出来,这将对目标分割,识别等后 续处理带来极大的便利.总的说来,以上方法都是基于图像的亮度信息来作的工作. 在众多科研工作者的努力下,取得了很好的效果.但是,由于图像边缘受到光照等物理条件的 影响比较大, 往往使得以上诸多基于亮度的边缘提取方法有着一个共同的缺点, 那就是边缘不连续, 不封闭. 考虑到相位信息在图像中的重要性以及其稳定的特点, 使得利用相位信息进行图像处理成 为

19、新的研究课题. 在本文中即将介绍一种基于相位的图像特征检测方法相位一致性方法. 它并不是利用图像 的亮度信息,而是其相位特点,即假设图像的傅立叶分量相位最一致的点作为特征点.它不但能检 测到阶跃特征, 线特征等亮度特征, 而且能够检测到由于人类视觉感知特性而产生的的马赫带现象. 由于相位一致性不需要对图像的特征类型进行任何假设,所以它具有很强的通用性.3.2 图像边缘的定义 图像的大部分主要信息都存在于图像的边缘中, 主要表现为图像局部特征的不连续性, 是图像 中灰度变化比较剧烈的地方, 也即我们通常所说的信号发生奇异变化的地方. 奇异信号沿边缘走向 的灰度变化剧烈,通常我们将边缘划分为阶跃状

20、和屋顶状两种类型(如图 1-1 所示).阶跃边缘中 两边的灰度值有明显的变化; 而屋顶状边缘位于灰度增加与减少的交界处. 在数学上可利用灰度的 导数来刻画边缘点的变化,对阶跃边缘,屋顶状边缘分别求其一阶,二阶导数. 对一个边缘来说,有可能同时具有阶跃和线条边缘特性.例如在一个表面上,由一个平面变化 到法线方向不同的另一个平面就会产生阶跃边缘; 如果这一表面具有镜面反射特性且两平面形成的 棱角比较圆滑,则当棱角圆滑表面的法线经过镜面反射角时,由于镜面反射分量,在棱角圆滑表面 上会产生明亮光条, 这样的边缘看起来象在阶跃边缘上叠加了一个线条边缘. 由于边缘可能与场景中物体的重要特征对应,所以它是很

21、重要的图像特征.比如,一个物体的轮廓通常产生阶跃边缘, 因为物体的图像强度不同于背景的图像强度.3.3 论文选题的理论意义 论文选题来源于在图像工程中 占有重要的地位和作用的实际应用课题.所谓图像工程学科是 指将数学,光学等基础学科的原理,结合在图像应用中积累的技术经验而发展起来的学科.图像工 程的内容非常丰富,根据抽象程度和研究方法等的不同分为三个层次:图像处理,图像分析和图像 理解.如图 1-2 所示,在图中,图像分割处于图像分析与图像处理之间,其含义是,图像分割是 从图像处理进到图像分析的关键步骤,也是进一步理解图像的基础.图像分割对特征有重要影响. 图像分割及基于分割的目标表达, 特征

22、提取和参数测量等将原始 图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能. 而边缘检测是图像分割 的核心内容, 所以边缘检测在图像工程中占有重要的地位和作用. 因此边缘检测的研究一直是图像 技术研究中热点和焦点,而且人们对其的关注和投入不断提高.Digital Image Processing1 IntroductionMany operators have been proposed for presenting a connected component n a digital image by a reduced amount of data or simplied s

23、hape. In general we have to state that the development, choice and modi_cation of such algorithms in practical applications are domain and task dependent, and there is no best method. However, it is interesting to note that there are several equivalences between published methods and notions, and ch

24、aracterizing such equivalences or di_erences should be useful to categorize the broad diversity of published methods for skeletonization. Discussing equivalences is a main intention of this report.1.1 Categories of MethodsOne class of shape reduction operators is based on distance transforms. A dist

25、ance skeleton is a subset of points of a given component such that every point of this subset represents the center of a maximal disc (labeled with the radius of this disc) contained in the given component. As an example in this _rst class of operators, this report discusses one method for calculati

26、ng a distance skeleton using the d4 distance function which is appropriate to digitized pictures. A second class of operators produces median or center lines of the digital object in a non-iterative way. Normally such operators locate critical points _rst, and calculate a speci_ed path through the o

27、bject by connecting these points.The third class of operators is characterized by iterative thinning. Historically, Listing 10 used already in 1862 the term linear skeleton for the result of a continuous deformation of the frontier of a connected subset of a Euclidean space without changing the conn

28、ectivity of the original set, until only a set of lines and points remains. Many algorithms in image analysis are based on this general concept of thinning. The goal is a calculation of characteristic properties of digital objects which are not related to size or quantity. Methods should be independ

29、ent from the position of a set in the plane or space, grid resolution (for digitizing this set) or the shape complexity of the given set. In the literature the term thinning is not usedin a unique interpretation besides that it always denotes a connectivity preserving reduction operation applied to

30、digital images, involving iterations of transformations of speci_ed contour points into background points. A subset Q _ I of object points is reduced by a de_ned set D in one iteration, and the result Q0 = Q n D becomes Q for the next iteration. Topology-preserving skeletonization is a special case

31、of thinning resulting in a connected set of digital arcs or curves. A digital curve is a path p =p0; p1; p2; :; pn = q such that pi is a neighbor of pi􀀀1, 1 _ i _ n, and p = q. A digital curve is called simple if each point pi has exactly two neighbors in this curve. A digital arc is a subs

32、et of a digital curve such that p 6= q. A point of a digital arc which has exactly one neighbor is called an end point of this arc. Within this third class of operators (thinning algorithms) we may classify with respect to algorithmic strategies: individual pixels are either removed in a sequential

33、order or in parallel. For example, the often cited algorithm by Hilditch 5 is an iterative process of testing and deleting contour pixels sequentially in standard raster scan order. Another sequential algorithm by Pavlidis 12 uses the de_nition of multiple points and proceeds by contour following. E

34、xamples of parallel algorithms in this third class are reduction operators which transform contour points into background points. Di_erences between these parallel algorithms are typically de_ned by tests implemented to ensure connectedness in a local neighborhood. The notion of a simple point is of

35、 basic importance for thinning and it will be shown in this report that di_erent de_nitions of simple points are actually equivalent. Several publications characterize properties of a set D of points (to be turned from object points to background points) to ensure that connectivity of object and bac

36、kground remain unchanged. The report discusses some of these properties in order to justify parallel thinning algorithms.1.2 BasicsThe used notation follows 17. A digital image I is a function de_ned on a discrete set C , which is called the carrier of the image. The elements of C are grid points or

37、 grid cells, and the elements (p; I(p) of an image are pixels (2D case) or voxels (3D case). The range of a (scalar) image is f0; :Gmaxg with Gmax _ 1. The range of a binary image is f0; 1g. We only use binary images I in this report. Let hIi be the set of all pixel locations with value 1, i.e. hIi

38、= I􀀀1(1). The image carrier is de_ned on an orthogonal grid in 2D or 3D space. There are two options: using the grid cell model a 2D pixel location p is a closed square (2-cell) in the Euclidean plane and a 3D pixel location is a closed cube (3-cell) in the Euclidean space, where edges are

39、of length 1 and parallel to the coordinate axes, and centers have integer coordinates. As a second option, using the grid point model a 2D or 3D pixel location is a grid point.Two pixel locations p and q in the grid cell model are called 0-adjacent i_ p 6= q and they share at least one vertex (which

40、 is a 0-cell). Note that this speci_es 8-adjacency in 2D or 26-adjacency in 3D if the grid point model is used. Two pixel locations p and q in the grid cell model are called 1- adjacent i_ p 6= q and they share at least one edge (which is a 1-cell). Note that this speci_es 4-adjacency in 2D or 18-ad

41、jacency in 3D if the grid point model is used. Finally, two 3D pixel locations p and q in the grid cell model are called 2-adjacent i_ p 6= q and they share at least one face (which is a 2-cell). Note that this speci_es 6-adjacency if the grid point model is used. Any of these adjacency relations A_

42、, _ 2 f0; 1; 2; 4; 6; 18; 26g, is irreexive and symmetric on an image carrier C. The _-neighborhood N_(p) of a pixel location p includes p and its _-adjacent pixel locations. Coordinates of 2D grid points are denoted by (i; j), with 1 _ i _ n and 1 _ j _ m; i; j are integers and n;m are the numbers

43、of rows and columns of C. In 3Dwe use integer coordinates (i; j; k). Based on neighborhood relations we de_ne connectedness as usual: two points p; q 2 C are _-connected with respect to M _ C and neighborhood relation N_ i_ there is a sequence of points p = p0; p1; p2; :; pn = q such that pi is an _

44、-neighbor of pi􀀀1, for 1 _ i _ n, and all points on this sequence are either in M or all in the complement of M. A subset M _ C of an image carrier is called _-connected i_ M is not empty and all points in M are pairwise _-connected with respect to set M. An _-component of a subset S of C i

45、s a maximal _-connected subset of S. The study of connectivity in digital images has been introduced in 15. It follows that any set hIi consists of a number of _-components. In case of the grid cell model, a component is the union of closed squares (2D case) or closed cubes (3D case). The boundary o

46、f a 2-cell is the union of its four edges and the boundary of a 3-cell is the union of its six faces. For practical purposes it is easy to use neighborhood operations (called local operations) on a digital image I which de_ne a value at p 2 C in the transformed image based on pixel values in I at p

47、2 C and its immediate neighbors in N_(p).2 Non-iterative AlgorithmsNon-iterative algorithms deliver subsets of components in specied scan orders without testing connectivity preservation in a number of iterations. In this section we only use the grid point model.2.1 Distance Skeleton AlgorithmsBlum

48、3 suggested a skeleton representation by a set of symmetric points.In a closed subset of the Euclidean plane a point p is called symmetric i_ at least 2 points exist on the boundary with equal distances to p. For every symmetric point, the associated maximal disc is the largest disc in this set. The

49、 set of symmetric points, each labeled with the radius of the associated maximal disc, constitutes the skeleton of the set. This idea of presenting a component of a digital image as a distance skeleton is based on the calculation of a speci_ed distance from each point in a connected subset M _ C to the complement of the subset. The local maxima of the subset represent a distance skeleton. In 15 the d4-distance is s