《二值图像特征提取算法研究毕业论文.doc》由会员分享，可在线阅读，更多相关《二值图像特征提取算法研究毕业论文.doc（26页珍藏版）》请在三一办公上搜索。
1、 本科生毕业设计二值图像特征提取算法研究Binary Image Feature Extraction Algorithm of Study学院名称： 物理与通信电子学院专业名称： 通信工程姓 名： 学 号： 指导教师： 完成日期： 摘要本文先简单描述了数字图像及数字图像处理与我们日常生活的联系，接着介绍了二值图像的几何特征和图像特征提取的几种方法，重点以二值图像为例，讲述图像特征提取算法的研究。首先，文章简单介绍了二值图像的几何特征，详细讲述了二值图像操作中二值形态基本运算的膨胀、腐蚀、开启和闭合运算,并以实例实现了膨胀、腐蚀、开启、闭合等二值操作。其次，本文研究了膨胀与腐蚀的对偶性。归纳总
2、结了膨胀和腐蚀算法的原理。最后，通过示例:“对钢纹的区域标识”，进一步研究二值图像特征提取算法。关键词：特征提取,二值图像，膨胀，腐蚀。AbstractThis article described the digital image and digital image processing which connect with our daily life, then introduced binary image geometry characteristic and several methods of image feature extraction and the narrations
3、 image feature extraction algorithm research, by the example of the binary images. Firstly, the article introduces the binary images geometry characteristic then narrators the binary image operations that the binary shape fundamental operation such as the inflation, the corrosion, opening and the cl
4、osed operation. Secondly, the paper studies the inflation and the corrosions duality. Finally, summarizing the inflation and the corrosion algorithm principle and going a demonstration:” to corrugate steel region marking”, I study the binary image feature extraction algorithm.Key words: The feature
5、extraction, binary image, the inflation, corrodes. 目录 摘要IABSTRACTII1.引言11.1背景：数字图像及数字图像处理12.二值图像的几何特征33.图像特征提取操作33.1 图像面积33.2 欧拉数44.二值图像操作44.1二值形态学基本运算54.1.1.膨 胀61.膨胀运算的概念62.结构元素形状对膨胀运算结果的影响93.膨胀运算的应用94.1.2腐 蚀91.腐蚀运算的概念92.结构元素形状对腐蚀运算结果的影响113.腐蚀运算在物体识别中的应用114.1.3膨胀与腐蚀的对偶性111.概述112.膨胀与腐蚀实现方法（实例）134.1.
6、4开启和闭合运算151.开启和闭合运算的概念152.噪声滤除175.对钢纹的区域标识176.结束语21参考文献221.引言随着多媒体和Internet技术的快速发展，图像成为多媒体处理的重要内容。在图象处理与计算机视觉领域，图象识别是一项困难而又关键的技术，而其中关键的问题又在于特征提取。在某种意义上，对于目标任务而言，图像特征提取结果的好坏对识别结果将起至关重要的作用，对于后面检测和识别算法的运算量也有很大的影响。所以对图像特征提取方法的研究很有必要。1.1背景：数字图像及数字图像处理每天我们都是在报纸、杂志、书籍、电视、各种小册子等大量的图像信息包围中度过的。这些图像包括文字、照片、图表、
7、插图等，它使我们感到安适和生活情趣。视觉是人类从大自然获取信息的最主要的来源。据统计在人类获取的信息当中，视觉信息约占60，听觉信息约占20，其它的如味觉信息，触觉信息等加起来约占20。由此可见视觉信息对人们的重要性。而图像正是人类获取视觉信息的主要途径。图像是用各种观测系统以不同形式和手段观测客观世界而获得的,可以直接或者间接作用于人眼并进而产生视知觉的实体 .为了能严格地用数学来研究图像的边缘检测（我们只研究灰度图像的边缘检测），我们有必要对数字图像做理论假设： A. 图像是一个二元连续函。 函数的定义域设为D, 表示二维空间中某个点的坐标，表示点的灰度值，值域为V；B. 数字图像是对函数
8、的离散表示。在空间域D上进行抽样:用有限个像素(Pixel)来表示定义域D,每一个像素表示对应区域的平均灰度值)；在值域空间V进行量化：用有限个值代表V；C.由于机器设备等的原因这些像素值都是有误差的或者是带有随机噪声的；图1.1 数字图像及其矩阵表示D.显然我们得到的是一个矩阵,矩阵中每一个元代表一个像素,像素的取值代表这个像素的灰度值。因此在图像的离散模型中我们也常用M表示图像,使用代表图像的第元。所谓数字图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。利用计算机进行图像处理有两目的：一是产生更适合人观察和识别的图像，二是希望计算机能自动识别和处理图像。无论为
9、了那一种目的，图像处理中关键的一步就是对含有大量各式各样景物信息的图像进行分解，分解的最终结果是图像被分解成一些具有某种特征的最小成分：称为图像的基元。相对于整幅图像来说，这种基元更容易被快速处理。图像的特征指图像场中可用做标志的属性，他可以分为图像的统计特征和图像的视觉特征，图像的统计特征指的是一些人为定义的特征,通过变换才能得到，如图像的直方图、距、频谱等等；图像的视觉特征指的是人的视觉可以直接感受到的自然特征，如区域的亮度、纹理或轮廓等。利用这两类特征把图像分解为一系列有意义的目标或区域的过程称为图像的分割。2.二值图像的几何特征对灰度图像而言，若一幅图像所有的像素只含有两个灰度值，则为
10、二值图像。二值图像的优点不仅体现在它比灰度图像存储容量小，计算速度快，便于进行图像的布尔逻辑运算来组合图像等，而且更主要的是通过二值图像可计算出图像中目标物的几何特性，如目标物的大小、位置等。如果不止一个目标物，则可以对应于这些不同目标物进行标记，以及定出对象物间的差别，从而可以进一步进行图像分析和识别。A.简单的几何特性：面积、周长、位置、方向、投影和距离。B.拓扑特性：邻接与连通、背景与孔包围与边界和目标物体的标记。3.图像特征提取操作在与图像技术领域有关的许多应用中，图像处理和分析的最终目的并不是简单地把图像分割成不同的区域，而是希望进一步分辨出分割成的各个区域的地物类别，例如分辨农田、
11、森林、湖泊和沙滩等；或是希望进一步从分割成的区域中识别出某种物体（目标），例如在河流中识别舰船等。而进行地物分类和物体识别的第一步就是物体特征的提取和检测，然后才能根据检测和提取的图像特征对图像中可能的物体进行识别。而良好的特征应该具有以下四个特点： A可区别性：所选特征对属于不同类别的对象具有明显的差异。B可靠性：所选特征对同一类对象应尽可能一致。C独立性：所选的各特征之间应彼此无关。D数量少：所选特征数目应尽量少，也就是“最佳特征集”。3.1 图像面积 bwarea函数可以获得二值图像的面积，这里的面积简单地可以理解为图像前景中为1的像素的个数。bwarea函数的语法格式为：total=b
12、warea(BW)不着 %返回二值图像BW的面积。bwarea函数并不简单地计算非0像素的数目，它对不同的像素赋予不同的权值，以补偿用离散图像代表连续图像的误差。3.2 欧拉数在结合理论中，闭区域的宏观形态可以用他的拓扑性质来度量。除撕裂或扭接外，在任何变形下都不改变的图像性质称为拓扑性质。显然两点间的距离不是拓扑性质，因为图像拉伸或压缩时它都改变。图像的连通性拓扑性质，当评移、旋转、拉伸、压缩、扭变之后，连通性是不变的。因此，区域的空洞数H和连通区域数C是拓扑性质。可用欧拉数来度量。欧拉数是图像的一种拓扑度量。欧拉数等于图像中所有对象的总数减去这些对象中的空洞的数目，即：E=C-H当然，这里
13、的连接也取决于所定义的邻接类型，即4邻接或8邻接。MATLAB图像处理工具箱中的bweuler函数用来计算二值图像的欧拉数，它的语法格式为：eul= =bweuler(BW,n)eul= =bweuler(BW,n)：计算二值图像BW的欧拉数,n为连通数，n=4表示采用4邻域定义，n=8代表采用4邻域定义，n的默认值为8。4.二值图像操作二值图像中所有的像素只能从0和1这两个值中取，因此在MATLAB中，二值图像用一个由0和1组成的二维矩阵表示。这两个可取的值分别对应于关闭和打开，关闭表征该像素处于背景，而打开表征该像素处于前景。以这种方式来操作图像可以更容易识别出图像的结构特征。二值图像操作
14、只返回与二值图像的形式或结构有关的信息，如果希望对其他类型的图像进行同样的操作，则首先要将其转换为二进制的图像格式，可以通过调用MATLAB提供的函数im2bw来实现，方法如下： I=imread(E:imageLENA.BMP);figure,imshow(I)J=im2bw(I);figure,imshow(J)原始图像如图4.1所示。图4.1 LENA.BMP原始图像二值化处理后的图像如图4.2所示。图4.2 LENA.BMP图二值化的结果4.1二值形态学基本运算二值形态学运算是数学形态学的基础，是一种针对图像集合的处理过程。在二值形态学中，被考察或被处理的二值图像称为目标图像，在本文中
15、用集合A来表示；用于收集信息的“探针”称为结构元素，一般用集合B来表示。为了清晰地表示出图像中物体与背景的区别，本文并约定用“1”和灰色表示二值图像中的前景（物体）像素，用“0”和白色表示背景像素；且为了表述上的方便，一般将不影响理解的“0”标识略去。二值形态学运算中结构元素的尺寸通常明显小与图像的尺寸，是比较小的图像像素的集合。二值形态学运算的过程就是在图像中移动结构元素，将结构元素与其下面重叠部分的图像进行交、并等集合运算。为了确定运算中的参照位置，一般把进行形态学运算的结构元素的参考点称为原点，且原点可以选择在结构元素之中，也可以选择在结构元素之外。二值形态学中的运算对象是集合，也就是二
16、值矩阵，但实际上当涉及两个二值矩阵时不把它们看作是对等的，通常设A为图像矩阵，B为结构元素矩阵。数学形态学运算是用B对A进行操作。实际上，结构元素本身也是一个图像矩阵。我们对每个结构元素矩阵通常表示用户期望的像素，在MATLAB中，中心像素的定义如下：floor(size(SE)+1)/2)其中，SE是结构要素矩阵。例如：代码及结果如下：floor(size(SE)+1)/2)ans=2 24.1.1.膨 胀1.膨胀运算的概念膨胀：输出图像是输入图像相应领域内所有像素的最大值。设A为目标图像，B为结构元素，则目标图像A被结构元素B膨胀（dilation），膨胀的算符为，A用B来膨胀写做AB，这
17、里先将A和B看作是所有取值为1的像素的集合。其定义为： （4.1）其中是一个表示集合平移的位移量，表示B的映像，定义为： （4.2）表示对B的映像进行位移，定义为： （4.3）式（4.1）表示的目标图像A被结构元素B膨胀的含义是：先对结构元素B做关于其原点的反射得到反射集合，然后在目标图像A上将平移，则那些平移后与目标图像A至少有1个非零公共元素相交时对应的B的原点位置所组成的集合就是膨胀运算的结果。换句话说，用B来膨胀A得到的集合是的位移与A至少有一个非零元素相交时B的中心像素的位置的集合。显然，A与平移后的的交集不为空，可以理解为膨胀运算有另一种定义： 上式可帮助我们借助卷积的概念来理解膨
18、胀操作。如果将B看作是一个卷积模板，膨胀就是先对B做关于中心像素的映射，再将映射连续地在A上移动而实现的。膨胀运算的基本过程是：（1）求结构元素B关于其原点的反射集合；（2）每当结构元素在目标图像A上平移后，结构元素与覆盖的子图像中至少有一个元素相交时，就将目标图像中与结构元素的原点对应的那个位置的像素值置为“1”，否则置为0。在膨胀运算中，当结构元素中原点位置的值不是为1而是为0时，应该把它看作是0，而不是看作1。图4.3说明了膨胀运算的过程。 图4.3 膨胀运算过程示例在图4.3中，图（a）中填入“1”的部分为集合A。图(b)中填入“2”的部分为集合B，标有“（2）”的位置表示中心像素，这
19、并不代表其所在位置的像素的灰度值为2，而只是为了与集合A相区分。图（c）是图(b)的映像。图(d)中标有“1”的像素为A中原来的位置，标有“2”的像素表示膨胀出来的部分，合起来就是膨胀的结果，也就是。从图中可以看到膨胀运算将原图像区域扩大了。例：对图4.1进行膨胀操作。%采用以下结构要素矩阵%读入LENA.BMP并将其二值化后进行膨胀操作I=imread(E:imageLENA.BMP);figure,imshow(I)J=im2bw(I);figure,imshow(J)SE=ones(4,4)BW1=IMDILATE(J,SE); 如图4.4所示，为膨胀前后的结果对比。 图4.4膨胀前后的
20、结果对比2.结构元素形状对膨胀运算结果的影响当目标图像不变，但所给的结构元素的形状改变时；或结构元素的形状不变，而其原点位置改变时，膨胀运算的结果会发生改变。3.膨胀运算的应用由于膨胀运算具有扩大图像和填充图像中比结构元素小的作用，因此，在实际应用中可以利用膨胀运算连接相邻的物体或目标区域以及填充图像中的小孔和狭窄的缝隙。4.1.2腐 蚀1.腐蚀运算的概念腐蚀：输出图像是输入图像相应领域内所有像素的最小值。腐蚀是膨胀的对偶运算，具有收缩图像的作用，它通过把邻接背景的目标像素设置为背景像素来达到减小目标面积的作用。设A为目标图像，B为结构元素，则目标图像A被结构元素B腐蚀写做。（腐蚀的算符为）定
21、义为： （4.4）上式表示的腐蚀运算的含义是：每当在目标图像A中找到一个与结构元素B相同的子图像时，就把该子图像中与B的原点位置对应的那个像素位置标注为1，图像A上标注出的所有这样的像素组成的集合，即为腐蚀运算的结果。但是结构元素中原点位置的值不为1（也即原点不属于结构元素时），也要把它看作是1（也即把不属于结构元素的原点看作是结构元素的成分）；也就是说，当在目标图像中找与结构元素B相同的子图像时，也要求子图像中与结构元素B的原点对应的那个位置的像素的值是1。所以简而言之，腐蚀运算的实质就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素。腐蚀运算要求结构元素必须完全包括在被腐蚀图像
22、内部；换句话说，结构元素在目标图像上平移时，结构元素中的任何元素不能超出目标图像范围。腐蚀运算的基本过程是，把结构元素B看作为一个卷积模板，每当结构元素平移到其原点位置与目标图像A中那些像素值为“1”的位置重合时，就判断被结构元素覆盖的子图像的其他像素的值是否都与结构元素相应位置的值相同；只有当其都相同时，就将结果图像中的那个与原点位置对应的像素位置的值置为“1”，否则置为0。图4.6说明了腐蚀运算的过程。图4.6腐蚀运算过程示例图（a）中填入“1”的部分为集合A。图（b）中填入“2”的部分为集合B，标有“（2）”的位置表示中心像素，这并不代表其所在位置出的像素的灰度值为2，而只是为了与集合A
23、相区分。图（c）中标有“1”的像素表示腐蚀后的A中保留下来的像素，标有“2”的像素表示A中被腐蚀掉的像素。从图中可以看到腐蚀运算将原图像区域缩小了。例：对图4.1进行腐蚀操作%采用以下结构要素矩阵%读入LENA.BMP并将其二值化后进行腐蚀操作I=imread(E:imageLENA.BMP);figure,imshow(I)J=im2bw(I);figure,imshow(J)SE=ones(4,4)BW1=IMERODE(J,SE);如图4.7所示，为腐蚀前后的结果对比。 图4.7腐蚀前后的结果对比2.结构元素形状对腐蚀运算结果的影响在腐蚀运算中，结构元素可以是矩形、圆形和菱形等各种形状，
24、结构元素的形状不同，腐蚀的结果也就不同。所以应根据图像中目标的形状结构和腐蚀运算要达到的目的来选取结构元素。此外，腐蚀运算的结果还与其原点位置的选取有关，随着原点位置选取不同时，腐蚀的结果往往也不相同。3.腐蚀运算在物体识别中的应用如前所述，腐蚀运算的实质就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素，因此，将待选物体设置为结构元素，腐蚀运算还可用于物体识别。但是腐蚀运算只适合于简单的物体识别，对于较复杂的物体识别的问题，需要用到击中击不中变换。4.1.3膨胀与腐蚀的对偶性1.概述膨胀与腐蚀这两种运算是紧密联系在一起的。一种运算对目标的操作相当于另一种运算对图像背景的操作。膨胀
25、与腐蚀的对偶性可表示为： （4.5） （4.6） 图4.8说明了膨胀与腐蚀的对偶性。图4.8（a）中填入“1”的部分为集合A。图4.8（b）中填入“2”的部分为集合B，标有“（2）”的位置表示中心像素，这并不代表其所在位置处的像素的灰度值为2，而只是为了与集合A相区分。图4.8（c）是腐蚀的结果，标有“1”的像素表示腐蚀后A中保留下来的像素，标有“2”的像素表示A中被腐蚀掉的像素。图4.8（d）中标有“1”的像素为A中原来的位置，标有“2”的像素表示膨胀出来的部分，合起来就是膨胀的结果。图4.8（e）中值为“1”的所有像素构成了A的补集。图4.8（f）是B的映像。图4.8（g）是的结果，也就是
26、图4.8（f）腐蚀图4.8（e）的结果，其中值为“1”的所有像素是原来图4.8（e）中未被腐蚀掉的像素，而值为“2”的像素是原来图4.8（e）中被腐蚀掉的像素。图4.8（h）是的结果，也就是图4.8（f）膨胀图4.8（e）的结果，其中值为“1”的所有像素正是原来图4.8（e）中的像素，而值为“2”的像素是膨胀出来的。比较图4.8（d）和图4.8（g）可以验证式（4.5），比较图4.8（c）和图4.8（h）可以验证式（4.6）。可见，二值形态膨胀与腐蚀可转化为集合的逻辑运算，算法简单，适于并行处理，且易于硬件实现，适于对二值图像进行图像分割、细化、抽取骨架、边缘提取、形状分析。但是，在不同的应用
27、场合，结构元素的选择及其相应的处理算法是不一样的，对不同的目标图像需设计不同的结构元素和不同的处理算法。结构元素的大小、形状选择合适与否，将直接影响图像的形态运算结果。2.膨胀与腐蚀实现方法（实例）骨架化：用于图像的形状分析，把输入的具有一定宽度的图像轮廓逐次去掉边缘最终变为宽度仅为一个像素的骨架。例1：利用已有的图库进行骨架化。代码如下：bw1=imread(circbw.tif);bw2=bwmorph(bw1,skel,Inf);imshow(bw1);figure,imshow(bw2);处理结果如图4.9（a）和图4.9（b）所示。 图4.9（a）circbw原图 图4.9（b）骨架
28、化后的circbw图例2：用“画图”作图，然后进行骨架化。代码如下：bw1=imread(E:imagehanzi.gif);%uint8型数bw2=double(bw1);%转成可运算的浮点数bw3=bw2/147;%最大为255，最小为40，中间取值147bw4=im2bw(bw3,0.5);%转成黑白图像bw5=bwmorph(bw4,remove);bw6=bwmorph(bw5,skel,Inf);imshow(bw4);figure,imshow(bw6);处理结果如图4.10（a）图4.10（b）所示。图4.10（a）hanzi原图图4.10（b）骨架化后的hanzi图4.1.4
29、开启和闭合运算1.开启和闭合运算的概念如前所述，膨胀使图像扩大而腐蚀使图像缩小，由于膨胀和腐蚀并不是互为逆运算，所以可以将它们级联结合使用。开启就是先对图像进行腐蚀，然后膨胀其结果。它具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用。闭合就是先对图像进行膨胀，然后腐蚀其结果。它具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。开启的运算符为，A用B来开启写做AB，定义为： 闭合的运算符为，A用B来闭合写做AB，其定义为： 开启和闭合这两种运算都可以除去比结构元素小的特定图像细节，同时保证不产生全局几何失真。开启运算可以比结构元素小的突刺滤掉，切断细长搭接而起到分离作用。闭合运算可
30、以把比结果元素小的缺口或孔填充上，搭接短的简断而起到接通作用.开启和闭合可以从图像种提取与其结构元素相匹配的形状，由以下开启特性定理和闭合特性定理可以得到： 上一式表明，用B开启A就是选出了A中的某些与B相匹配的点，这些点可由完全包含在A中的结构元素B的平移得到。上二式表明，用B对闭合A的结果包括所有满足如下条件的点，即该点可被映射和位移的结构元素覆盖时，A与经过映射和位移的结构元素的交集不为零。例：分别对FLOWR.BMP图进行开启和闭合操作，结果如图4.11（a）和图4.11（b）所示。 图4.11（a）开取操作 图4.11（b）闭合操作相关代码如下：开启操作%读入并将其进行开启操作I=i
31、mread(E:imageFLOWR.BMP);figure,imshow(I);BW1=bwmorph(I,open);figure,imshow(BW1);闭合操作%读入并将其进行闭合操作I=imread(E:imageFLOWR.BMP);figure,imshow(I);BW1=bwmorph(I,close);figure,imshow(BW1); 2.噪声滤除对图像中的噪声进行滤除是图像预处理中不可缺少的操作。将开启和闭合运算结合起来可构成形态学噪声滤除器。对于二值图像，噪声表现为目标周围的噪声块和目标内部的噪声孔。用结构元素B对集合A进行开启操作，就可以将目标周围的噪声块消除掉；
32、用B对A进行闭合操作，则可以将目标内部的噪声孔消除掉。该方法中，对结构元素的选取相当重要，它应当比所有的噪声孔和噪声块都要大。对于灰度图像，滤除噪声就是进行形态学平滑。实际中常用开启运算消除与结构元素相比尺寸较小的亮细节，而保持图像整体灰度值和大的亮区域基本不变；用闭合运算消除与结构元素相比尺寸较小的暗细节，而保持图像整体灰度值和大的暗区域基本不变。将这两种操作综合起来可达到滤除亮区和暗区中各类噪声的效果。 5.对钢纹的区域标识 本例应用了两次阈值、基于特征的逻辑、二值形态学和相连成分的标识，确定了钢纹的显微图像（图5.1）中颗粒的边界，标识了不同的颗粒。图5.1钢的原始图像（1） 对钢的图像
33、取两个不同的阈值70和210，代码如下：load imdemos steel;figure,imshow(steel)bw_70=steel70;bw_210=steel210;figure,imshow(bw_70)figure,imshow(bw_210)处理的结果如图5.2和图5.3所示。 图5.2取阈值70的图像 图5.3阈值210的图像（2）用图5.2中的黑色点来选取图5.3的求反图像中的白色对象，这样可以有效地去除图5.3中的较小区域。代码如下：r,c=find(bw_70=0);bw_clean=bwselect(bw_210,c,r,8);figure,imshow(bw_cl
34、ean)处理的结果如图5.4所示。图5.4去除了图5.3中的较小区域的结果（3）将去除了较小区域的结果骨架化，然后从骨架化的图像中剪去尖刺像素。代码如下：bw_skel=bwmorph(bw_clean,skel,6);figure,imshow(bw_skel)bw_pruned=bwmorph(bw_skel,spur,8);figure,imshow(bw_pruned)处理结果如图5.5和图5.6所示。 图5.5骨架化的结果 图5.6剪枝后的结果（4）颗粒的边界图就是剪枝图像的逻辑非。代码如下：grain_boundaries=bw_pruned;figure,imshow(grain
35、_boundaries)处理结果如图5.7所示。图5.7剪枝图像的逻辑非（5）将对象映射成不同的颜色显示出来。Bwlabel命令可以将二值结果中的不同对象标识出来。代码如下：labeled,N=bwlabel(grain_boundaries,4);colored=ind2rgb(labeled+1,0 0 0;jet(N);figure,imshow(colored)处理结果如图5.8所示。图5.8伪彩色图像6.结束语这次毕业论文是上按老师的题目要求做的, 使我能够很好的运用专业知识来对二值图像特征提取算法做进一步的理解,感谢薛琴老师的指导和同学们的讨论,正是有了她们的悉心帮助和支持，才使我
36、的毕业论文工作顺利完成，写论文的过程让我受益颇深,使我懂得了实践的重要性和知识的全面需要。虽然我的论文作品不是很成熟，还有很多不足之处，但是这里面的每一段代码，都经过我的思考和验证。不积跬步何以至千里，当看着自己的程序，自己成天相伴的系统能够健康的运行，真是莫大的幸福和欣慰，我相信其中的酸甜苦辣最终都会化为甜美的甘泉。 我的论文作品是关于二值图像的特征提取,所以我首先了解图像特征提取的基本步骤。这得借助电脑查阅和课外书浏览.通过这些不仅让我对图像的提取有更多的了解,而且让我们在查阅中使知识得到更广泛的扩充.这次毕业设计充分体现了实践和理论的结合的重要性,想想在我们平日所上的课程里,多半是老师对
37、我们理论的指导,而实践的机会相对比较少,这次毕设因此给我们带来了一次更重要和别具意义的实践机会.虽然这次还是第一次实质意义的实践,但是经过老师的指导和跟同学的极力配合和交流,使得这次课设有一定的效果。感谢导师和学院给我们这样一次锻炼的机会,我想这次毕业设计也将为我以后进入社会工作做了很好的铺垫。参考文献1 何斌等.Visual C+数字图像处理.人民邮电出版社.2002.32孙兆林.MATLAB 6.x图像处理. 清华大学出版社.2002年5月3飞思科技产品研发中心.Matlab6.5辅助图像处理M.北京电子工业出版社2003.14李俊山，李旭辉编著.数字图像处理.清华大学出版社.2007.4
38、5章霄等编著.数字图像处理技术.北京：冶金工业出版社，2005.76贾永红编著.数字图像处理.武汉大学出版社,2003.97夏良正.数字图像处理M.南京：东南大学出版社.2005.88吴健康.数字图像分析M.北京:人民邮电出版社,1989.79陈传波等编著.数字图像处M.北京：机械工业出版社，2004.710M.Kunt. Recent result in higher compression image CodingJ. IEEE Trans, on IT ,Vol 35 ,No 5, 1989 11Murthy C.A.,Pal S.K.Bounds for membership function: Correlation based approachJ.IEEE Trans Syst Man,199812傅明,万励,刘国英.一种新的图像特征提取算法DCDSHJ：长沙，仪器仪表学报，on Aug,2004 13史文革.微机图像格式大全M.北京:海洋出版社,1992
