通信工程毕业设计二值图像特征提取算法研究设计毕业论文

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 姓 名 学 号 指导教师 完成日期 i 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 ii Abstract This 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 image feature extraction algorithm research by the example of the binary images Firstly the article introduces the binary image s geometry characteristic then narrator s the binary image operations that the binary shape fundamental operation such as the inflation the corrosion opening and the closed operation Secondly the paper studies the inflation and the corrosion s 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 extraction binary image the inflation corrodes iii 目录 摘要 I ABSTRACT II 1 引言 1 1 1 背景 数字图像及数字图像处理 1 2 二值图像的几何特征 3 3 图像特征提取操作 3 3 1 图像面积 3 3 2 欧拉数 4 4 二值图像操作 4 4 1 二值形态学基本运算 5 4 1 1 膨 胀 6 1 膨胀运算的概念 6 2 结构元素形状对膨胀运算结果的影响 9 3 膨胀运算的应用 9 4 1 2 腐 蚀 9 1 腐蚀运算的概念 9 2 结构元素形状对腐蚀运算结果的影响 11 3 腐蚀运算在物体识别中的应用 11 4 1 3 膨胀与腐蚀的对偶性 11 1 概述 11 2 膨胀与腐蚀实现方法 实例 13 4 1 4 开启和闭合运算 15 1 开启和闭合运算的概念 15 2 噪声滤除 17 5 对钢纹的区域标识 17 6 结束语 21 参考文献 22 1 1 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 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 1 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 12 A 图像是一个二元连续函 函数的定义域设为D fxy 表示二维空间中某个点的坐标 表示 点的灰度值 值域为 xy xy V B 数字图像是对函数 的离散表示 在空间域D上进行抽 fxy 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 2 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 mij ij 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 3 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 2 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 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 9 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 bwarea BW 不着 返回二值图像 BW 的面积 4 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 6 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 3 I imread E image LENA BMP figure imshow I J im2bw I figure imshow J 原始图像如图 4 1 所示 5 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 6 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 4 二值形态学中的运算对象是集合 也就是二值矩阵 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 12 floor size SE 1 2 其中 SE 是结构要素矩阵 例如 01SE 代码及结果如下 floor size SE 1 2 ans 2 2 4 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 A B 这里先将 A 和 B 看作是所有取值 为 1 的像素的集合 其定义为 4 1 x 其中 是一个表示集合平移的位移量 表示 B 的映像 定义为 x 4 2 BxbB 表示对 B 的映像进行位移 定义为 x 4 3 xMyaxM 7 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 x 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B 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 B 10 Axx 上式可帮助我们借助卷积的概念来理解膨胀操作 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 3 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 8 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B 扩大了 例 对图 4 1 进行膨胀操作 采用以下结构要素矩阵 1SE 读入 LENA BMP 并将其二值化后进行膨胀操作 I imread E image LENA 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 9 图 4 4 膨胀前后的结果对比 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 7 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 定义为 4 4 Ax 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 5 10 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 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 1SE 读入 LENA BMP 并将其二值化后进行腐蚀操作 I imread E image LENA BMP figure imshow I J im2bw I figure imshow J SE ones 4 4 11 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 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 8 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 膨胀与腐蚀的对偶性可表示为 3 12 4 5 BAc 4 6 13 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cB 果 也就是图 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c 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 14 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 image hanzi 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 147 bw4 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 15 图 4 10 b 骨架化后的 hanzi 图 4 1 4 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 A B 定义为 闭合的运算符为 A 用 B 来闭合写做 A B 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 4 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 ABxAtxBAt 对 某 些 16 ttABxBA 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 5 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 imread E image FLOWR BMP 17 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 image FLOWR 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 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 1 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 18 图 5 1 钢的原始图像 1 对钢的图像取两个不同的阈值 70 和 210 代码如下 load imdemos steel figure imshow steel bw 70 steel 70 bw 210 steel 210 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 clean 19 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 boundaries 处理结果如图 5 7 所示 20 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 21 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 22 参考文献 1 何斌等 Visual C 数字图像处理 人民邮电出版社 2002 3 2 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 1 4 李俊山 李旭辉编著 数字图像处理 清华大学出版社 2007 4 5 章霄等编著 数字图像处理技术 北京 冶金工业出版社 2005 7 6 贾永红编著 数字图像处理 武汉大学出版社 2003 9 7 夏良正 数字图像处理 M 南京 东南大学出版社 2005 8 8 吴健康 数字图像分析 M 北京 人民邮电出版社 1989 7 9 陈传波等编著 数字图像处 M 北京 机械工业出版社 2004 7 10 M Kunt Recent result in higher compression image Coding J IEEE Trans on IT Vol 35 No 5 1989 11 Murthy C A Pal S K Bounds for membership function Correlation based approach J IEEE Trans Syst Man 1998 12 傅明 万励 刘国英 一种新的图像特征提取算法 DCDSH J 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