基于类圆的粘连体分割方法和基于统计模式识别的类圆识别方法研究_研究生学位论文

基于类圆的粘连体分割方法和基于统计模式识别的类圆识别方法研究 基于类圆的粘连体分割方法和基于统计模式识别的类圆识别方法研究 摘要 目前，国内大多数钢材生产厂家都采用人工方法来计量捆扎线材的根数，效率低下，劳动强度高，计数误差大，而引进全自动生产线，成本较高，因此，他们迫切需要低廉的自动计数仪。从上世纪90年代初，国内开始从事应用计算机视觉的方法进行线材的在线自动计数研究，取得了一定的成果，但还处于理论研究阶段，没有出现成熟的产品。本课题是北方工业大学承担的北京市教育委员会科学基金的捆扎线材图像测量计数仪的子课题。该计数仪的研制不仅具有一定的理论意义，同时还有良好的市场前景。 课题仍然采用计算机视觉的方法来尝试线材的在线计数，主要研究内容是系统的软件部分，包括图像的采集、预处理、物体的分割和识别并且计数。根据所处理图像的实际特点，文中提出了一种新的基于类圆的粘连体分割方法和基于统计模式识别的类圆识别方法，由于该算法主要的运算为加法、减法和逻辑运算，从而保证了算法的实时性。对一幅大小为640*480的图像，整个处理耗时小于1秒，完全能满足实际生产要求。该算法对图像的二值化效果要求较高，当物体间的缝隙在二值化后能部分或全部判定为背景，即粘连的物体在二值化后能有明显的凹陷时，识别率很高，误差几乎可以为零。反之，则误差会上升，一种可行的改进方案是利用物体的边缘信息，文中也进行了这方面的尝试，受时间限制，只进行了简单的试验。虽然引入边缘信息能减少可能的误差，但是如果物体内部灰度不均匀，则要考虑由此而造成的伪边缘信息对分割的影响，同时，结合边缘信息后，处理速度也将会有所降低。 文中的研究大部分时间是针对用数码相机在施工现场采集的图像的，仅在末期用了较少的几根钢筋进行在线测试，因此，仅就算法而言，还有许多具体的研究、工作去调试、完善和改进，如果再进一步结合嵌入式硬件和生产管理的需要，形成一个较成型的产品，则需要做更多、更深入的研究。 文中除对算法进行了描述外，也给出了算法的应用效果，并且简要地讨论了引起误差的几个因素。 本文在查阅大量的文献基础上（限于作者查找的资料范围，没有见到国外有关这方面的文献），提出了一种适合线材计数的分割和识别方法，并就进一步的改进进行了一些有益的探索，为日后的计数仪研制打下了坚实的基础。 关键词：图像分割； 统计模式识别； 凹点； 扫描； 线材 Abstract At present, almost all steel factories count bundled bar one by one by workers, it is laborious, low effective, and may cause high error. If these factories would import foreign automatic product lines, they will pay much and improve the cost of steel bar dramatically. So, these manufactories desire a cheap, applied counter. From the first of 1990s, by using computer vision, studies of this area had been begun. Although a bit progress had been got since then, there is much to do if it is used at spot in factory. This study is sub study of counter of bundle bar by image processing, taken on by North China University of Technology, sponsored by education committee of Peking city. This study may do some research on theory and the product will be a good future. In this paper, the author tries to count steel bars of each bundle by making use of computer vision. The main research includes the following area: image acquisition, image pre-processing, image segmentation, object recognition. An new segmentation method based on quasi-circular assumption and an new object recognition method based on scanning are present. Owing to the simple addition, subtraction and logic operation, these two methods have real time property. The total CPU time is less than 1 second for an 640*480 pixels image, this can meet on line counting. Both two methods require a good binary image, if there exist concave, the aggregated objects will be segmented and recognized correctly and the error is lower, otherwise, it may give err result. Considering the edge information will give robust segmentation, but the information may contain noise when the object is strongly non-uniformity and the speed decreases. The author pay much time to test the arithmetic on the image photographed by digital camera, so there are much works to do to apply this software in practice. In this paper, not only do we explain our new algorithm, but also we test them by real digital photo, man-made image, video image. Furthermore, we compute and discuss the error and its factors. After consulting many references, this paper presents a fast method to count the steel bar of one bundle. Key words: image segmentation； static pattern recognition； concave point ； scan ； steel bar 目录 I摘要 IIAbstract 1第一章 引言 11.1 图像及数字图像处理 21.2 图像工程 31.3 课题背景 51.4 论文的框架与主要工作 6第二章 计数系统的组成 72.1图像采集与显示系统 72.1.1 图像感知 72.1.2 图像获取 72.1.3 图像显示 82.2存贮系统与图像文件格式 82.2.1 BMP格式 92.2.2 JPEG格式 92.3计数处理系统 102.3.1硬件组成 102.3.2 软件系统 12第三章 图像预处理 123.1图像文件格式转换 123.1.1 JPEG 与BMP相互转换 123.1.2 颜色转换 133.1.2.1 灰度化与伪彩色处理 143.1.2.2 彩色量化 143.2图像平滑与增强 143.2.1 中值滤波 153.2.2 局部线性滤波 153.2.3 Canny边缘检测 173.2.4 图像的外围背景处理 173.3图像二值化 183.3.1 迭代式阈值算法 193.3.2 双阈值算法 20第四章 粘连分割及识别 204.1图像分割理论 204.1.1 概述 204.1.2 分割方法 224.1.3 分割评价 224.2类圆体分割算法 224.2.1 前提及概念 234.2.2 相关算法 244.2.3 类圆分割算法原理 264.3统计模式识别概述 274.4基于扫描中点的类圆识别与计数 274.4.1 类圆识别的两个相关算法 274.4.1.1 基于模板覆盖的算法 294.4.1.2 基于边缘的二值图像识别算法21 294.4.2 本文的识别算法——基于扫描中点的类圆识别 304.4.2.1 原理 304.4.2.2 算法 33第五章 实验结果及 335.1实验条件及假定 335.2实验结果 335.2.1 数码图像的实验结果 415.2.2 模拟摄像头采集的实验结果 415.2.3 合成图像的实验结果 435.3结果分析 445.3.1 误差分析 455.3.2 结合边缘信息的类圆识别 50第六章 软件实现 506.1 面向对象程序设计 506.2软件平台 516.3软件总体描述与使用说明 516.3.1 系统使用指南 516.3.1.1 初始化操作 516.3.1.2 图像处理与计数 516.3.2 软件总体描述 526.4核心模块说明 536.4.1 DIB底层API和类CDib 536.4.2 主要模块说明 58第七章 结论及展望 587.1 587.2进一步的工作 60参考文献 65致谢 66申请学位期间的研究成果及发表的学术论文 66一 研究成果 66二 公开发表的论文 第一章 引言 伴随着计算机处理速度的显著提高、大规模存储器的出现，这些设备的价格也不断下降，图像的采集和显示设备的发展共同为数字图像处理奠定了坚实的硬件基础；计算机视觉理论的发展与完善及其他相关领域的进步为数字图像处理应用于工业生产和其他领域提供了理论指导。近年来，由于图像技术的迅猛发展，有学者提出了图像工程的概念，以整合图像研究和集成应用。本论文是基于这样的一个大的理论背景，运用数字图像处理技术，结合一个应用课题，进行图像处理的理论和应用方法研究。 线材（如钢筋）经剪切后，先捆扎（一百根左右为一捆），然后出厂销售。计数的目的是衡量生产、利润计算的重要环节。国内厂家一般都采用人工计数的方法，虽有一定的优点，但长时间的目测计数，会引起人眼疲劳，带来较大的计数误差；称重法也会受到线材不均匀和场地的限制。国外开发了线材全自动生产线，但引进成本较高。因此生产厂家迫切需要一个廉价的线材计数自动化系统。自动计数不仅能减轻工人的劳动强度，而且所采集的数据易于上传到管理层，有利于实施精细管理和动态管理。本课题就是针对钢材的捆扎计数，通过采集线材横截面图像进行自动化计数的研究。方法的研究是为后续的计数仪开发提供理论指导、软件系统并奠定技术基础。 限于所搜索资料的范围，作者未见到国外有关捆扎线材图像计数的研究， 国内也只见到几篇这方面的论文14,15,16,17,46,47。但相关方面的研究成果较多21,23,24,25,26,29,3032,4243,5659,62,67,68,78,79，可以借鉴和参考。 1.1 图像及数字图像处理 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得到的，可直接或间接作用于人眼进而产生视知觉的实体5,6,7,8,9。人类从外界获得的信息有75%以上来源于视觉系统。图像以二维的形式反映三维的客观世界，其数学模型为一个二维数组 ：f(x,y)，其中x，y是空间坐标，f为代表图像在该点某种性质F的强度或灰度阶。常见的图像一般是连续的，为了用计算机对图像进行存贮、处理、管理，需要将空间坐标和性质空间F都离散化，得到的既是一幅数字图像。因此，一般可定义数字图像为：一个被采样和量化后的二维函数（该函数由光学方法产生），采用等距离矩形网格产生，等幅度进行等间隔量化。 人眼只能感受到整个电磁波谱中可见光部分，借助于机器视觉几乎能对整个电磁光谱进行图像采集、处理和分析，在拓展其应用领域的同时，也推动处理技术的迅猛发展，并由此产生了一个新的应用学科——图像工程。 狭义的数字图像处理可定义为对一个物体的数字表示施加一序列的操作，以得到所期望的结果。一般是将一幅图像变为另外一幅经过修改（改进的）图像，既是一个由图像到图像的过程。 数字图像处理最早的应用可能是报纸业，始于20世纪20年代，当时就采用将图像编码通过海底电缆来进行图像传输，并在接收端用特殊的打印设备重构该图片。不过，真正意义上的数字图像处理一般认为起始于20世纪60年代的空间应用。随后开始应用于医学图像、地球遥感探测和天文学等。推动数字图像处理的动力是硬件设备在功能强大的同时，不断的降价和普及，另外一个因素是稳定涌现出的新应用6,7。 广义的数字图像处理（兼指数字图像处理及分析）的基本包括：图像获取、图像显示、图像预处理、图像分析、图像识别。 1.2 图像工程 随着计算机的发展和相关学科、技术的进步，图像技术近年来得到极大的重视和发展，出现了许多新理论、新方法、新算法、新手段、新设备，有学者认为需要对上述这些成果进行综合研究和集成应用，并因此提出图像工程10,11,39。它的研究内容分三个层次：图像处理、图像分析、图像理解以及它们的应用。见图1-1： 高 高层 符号 小 中层 目标 低 低层 像素 大 图1-1 图像工程三层次示意图 图像处理着重强调在图像之间的变换（狭义），它对图像进行各种加工以改善图像的视觉效果并为自动识别打下基础，或对图像进行压缩编码以减少存储空间或传输时间。图像分析则主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息从而建立对它们的客观描述。前者是图像到图像的过程，后者 则是图像到数据的过程。图像理解则是在图像分析的基础上，进一步研究图像中各目标之间的性质和它们间的关系，并得出对图像内容含义的以及对原来客观场景的解释，从而指导和规划行动，很显然图像分析主要以观察者为中心研究可观察到的事物，而理解以客观世界为中心，借助知识、经验等来把握整个客观世界（包括没有直接观察到的事物）。图1-2给出了图像工程的整体框架。总之图像工程是一门系统研究各种图像理论、技术和应用的新的交叉学科，同时又是一门实用性较强的工程方法，推广图像技术的应用并总结应用中的经验也是该学科的主要内容。 图1-2 图像工程整体框架图 当前图像工程研究的热点主要集中在：图像数字水印和图像信息隐藏，人脸和器官的检测、定位与识别，多传感器图像信息融合以及基于内容的图像和视频检索。 1.3 课题背景 本课题来源于北方工业大学承担的北京市教育委员会的捆扎线材图像测量计数仪。 钢筋生产的传统工艺都是依据重量论吨包装的。而设计者在建筑物设计时，钢筋数量是以根数设计的，特别是在国际市场上，希望得到定支数包装的钢筋。同时，由于生产厂家可进行负公差生产，也希望得到钢筋的根数。然而，目前国内钢筋计数主要采用人工计数，既繁琐又易出错。为了克服引进全自动化生产线成本过高，在现有流水线上最后一道工艺——集捆打包时，实现钢筋的自动计数，采用计算机图像处理的方法，技术上不仅可行，而且有着较好的市场和应用前景；同时在理论上，提出了针对粘连严重的图像分割和基于扫描中心点的统计模式识别类圆识别新方法，为日后研制钢筋在线计数装置提供了理论指导和算法基础。总之，课题是开展钢筋在线计数仪算法和软件系统研究，主要是进行图像工程的前两个层次的研究。其总体框图见图1-3： 图1-3 研究课题的简化系统图 课题的研究不仅适用于冶金工业的钢筋及其他同类条形钢材集捆自动计数，同时还可运用于其他行业各种同类条形及颗粒的在线计数，具有一定的经济效益和杜会效益。 由于剪切后的钢筋端面颜色不均，集捆后挤在一起，它们之间的界线比较模糊，甚至二值后有部分重叠；再由于剪切过程中引起钢筋头的弯曲及断面的参差不齐、面积大小、形状不很规则等，使得预处理得到的二值图像严重粘连。采用提取骨架或图像腐蚀的方法，对于粘连严重的图像的在线处理均难以达到目的；而计算面积或测量周长势必造成很大的误差。对于这种不很规则且粘连严重的图像计数问题，需要既考虑其本身形状，又结合面积加以判别计数的方法，即基于统计的特征模式识别方法。 国内从事钢筋在线计数研究开始于上世纪80年代末期，1994年上海钢铁三厂研制了钢筋在线计数仪14。该仪器采用模板覆盖技术进行对所采集的图像进行计算机识别、计数46。其后，山东莱芜钢厂与安徽工业大学合作也进行了此类研究，发表了采用数学形态学方法进行精确计数的论文15。上海第二工业大学与合肥工业大学也都发表了这方面的论文，前者采用极限腐蚀方法，后者采用信息融合和边缘检测的方法16,17。总之，从80年代末期开始，国内就开始了用数字图像处理进行钢筋在线计数研究，在一定的限制条件下，试验了一些算法，但距离大规模的工业应用尚有差距，还需要进一步提高系统的处理精度和速度。 与本研究最接近的应用领域是木材材积的测量。在这方面栾新在其博士论文中进行了系统的研究并发表了几篇论文77,21。但两者侧重点略有差异，在线计数要求计数精度和速度，对边缘不要求准确定位；材积检测对单根木材的面积要求（间接的对边缘的定位要求较高）一定的精度，但对速度要求相对不高。从成像质量上讲，木材较钢材要好。二者所要解决问题的侧重点和面临的困难还是存在差距。 1.4 论文的框架与主要工作 论文首先简要介绍了目前图像处理的一些基本概念，重点是最新提出的图像工程一般理论，因为它是本文研究的大的理论背景。随后基本上按照图像处理的一般流程来组织论文的主体内容。首先是系统的构成，主要是采集系统；然后依次是预处理，目标分割与识别，软件系统的简要描述。其次给出了作者所做的试验结果和分析，最后一部分是工作总结和对本项研究的一些新设想和展望。论文的重点是目标分割与识别。 这种安排既体现了图像处理的工作流程，也在理论上和实践上体现了论文所做的主要工作： 1. 针对钢筋棒材端面图像特点，根据快速计数的要求，实现了该类图像的预处理方法； 2. 实现了Canny边缘分割，并提出、初步试验基于Canny边缘的辅助分割方法； 3. 提出并完成粘连物体分割的新算法——基于类圆分割的棒材计数识别方法； 4. 提出并完成类圆识别的新算法——基于扫描中心点的统计模式识别方法； 5. 构建一个简单的图像处理系统； 6. 对实验图像处理的结果分析与总结； 第二章 计数系统的组成 图像处理的硬件系统一般是指计算机主机及与主机相配合的外设装置构成6,7。按其功能可分为主机、采集系统、存贮系统、显示系统。20世纪80年代末90年代初，图像处理的硬件设计一般与工业标准总线兼容并能配合工作站机箱和个人计算机的单板形式。目前，虽然仍然有针对大规模应用（如处理卫星图像）的大规模专用图像处理系统在生产、销售，但趋势是朝着小型化和通用化方向发展。图2-1简示了一个通用的图像处理系统组成。 网络 图2-1 通用图像处理系统组成 采集数字图像是数字图像处理的第一步，它需要用到两个部件：传感器和数字化器。 特殊的图像处理硬件一般也称为前端子系统，其特点是执行速度快，由对数据进行快速处理的专用硬件组成如数字化器件和一些执行特殊功能的专用硬件，通常，这些功能典型的主机不能胜任。 在图像处理系统中，主机是通用的计算机，其范围包括PC机到超级计算机。有时在特殊应用中，也采用特殊设计的计算机以达到所要求的性能，但通常，一台配置较好的PC机能胜任离线的图像处理任务。 大规模的存储能力在图像处理中是必需的，这是由于图像文件的尺寸一般比较大，而且通常，在应用中，所要处理的图像也非常多。 图像显示设备一般指显示器。而硬拷贝装置主要包括打印机、胶片照相机和数字单元（如CD-ROM）。为了共享图像和对图像进行远程访问和处理，可能会用到网络，此时，考虑的主要因素是网络传输的带宽。 2.1图像采集与显示系统 2.1.1 图像感知 所要处理的图像都是由“照射”源和形成图像的“场景”对光能的反射和吸收相结合而产生的。这里的照射可能由电磁波引起，也可能是由非传统光源如超声波引起。场景可以是熟悉的物体，也可以是分子或人体的器官。因此，感知系统一般由光源、传感器、和扫描系统组成。它是获取数字图像的物理基础和源泉。 2.1.2 图像获取 由传感器感知的模拟图像信号要经过采样和量化后才能成为计算机可以处理的数字图像。通常这是由图像采集卡完成，最新的数码成像设备则内嵌这种功能的硬件，从而可直接通过串口或并口向计算机输出数字影像。 连续图像信号取样是其在空间的离散化，量化是将离散化后图像信号在幅度上离散化。取样和量化的要求是取样和量化后的数字信号应尽可能地代表原始的连续图像信号，且能够使取样后的离散图像信号无失真地恢复原始信号。采样和量化的间隔也确定了图像的空间和色彩的分辨率。 2.1.3 图像显示 显示一幅数字图像实际上是将一组离散的采样值重构为连续的图像的插值过程。影响显示质量的最重要的特性有：所能显示的图像大小、光度分辨率和空间分辨率、低频响应和噪声特性。 显示图像的大小能力包括：显示设备的物理尺寸和所能显示的最大数字图像的大小。图像的显示分为永久显示和暂时显示。最常见的暂时显示设备为阴极射线管和液晶显示器。由这种设备需要不断地刷新，可用一幅存储在专用随机存储器的数字图像数据进行刷新。永久显示是将图像永久记录在纸或胶片上。常用的设备为打印机和胶片记录器。 2.2存贮系统与图像文件格式 为了进行离线处理和重复使用，对采集的图像有必要保存到存储体中。由于图像本身的大数据量以及通常的应用（如在线采集）中要处理的图像数目非常多，因此，图像的存储系统也是应用图像处理中需要考虑的方面。除了直接增加存储系统的容量外，对图像进行压缩也间接地提高了系统的存储容量。由此也产生了不同的图像文件格式。为了处理的方便，一般处理时，都是采用BMP格式，即位图格式，该格式不仅直观地反映了数字图像的矩阵结构，而且是Windows的内部格式。与其他格式相比，JPEG格式具有较高的压缩比，存储时一般采用JPEG格式。本文在存储时采用JPEG模式，处理时转换到BMP模式。 2.2.1 BMP格式 该格式文件的结构如图2-2所示3,4，包括位图文件头结构BITMAPFILEHEADER、位图信息头结构BITMAPINFOHEADER、位图颜色表RGBQUAD和位图像素数据4部分。 文件头结构BITMAPFILEHEADER 信息头结构BITMAPINFOHEADER 位图颜色表RGBQUAD 位图像素数据 图2-2 BMP位图文件结构 该文件第一部分为文件头结构BITMAPFILEHEADER ,长度固定,共14字节。第二部分为信息头结构BITMAPINFOHEADER，长度固定,共40字节。第三部分为调色板，实际上是一个结构数组，元素个数为biClrUsed，若该值为0，则个数为2的biBitCount次幂。 第四部分为位图数据，其以行为单位存储，每行填充到4字节边界，即每行数据总是4字节的倍数。数据可以是压缩的，也可以是不压缩的。由于256色图像每个像素占用1字节，处理比较方便，因此，设计算法时一般选择256色彩色或灰度图像。 2.2.2 JPEG格式 JPEG是联合图像专家小组(Joint Photographic Experts Group)的英文缩写，是国际上彩色、灰度、静止图像的第一个国际标准2。JPEG委员会在制定JPEG标准时，定义了许多标记用来区分和识别图像数据及其相关信息，目前，使用比较广泛的是JPEG文件交换格式JFIF(JPEG File Interchange Format)1.02版本。 JPEG文件大体上可以分成以下两个部分：标记码(Tag)和加压缩数据。标记码由两个字节构成，其前一个字节是固定值0xFF，每个标记之前还可以添加数目不限的0xFF填充字节(fill byte)。标记码部分给出了JPEG图像的所有信息(有点类似于BMP中的头信息，但要复杂得多)，如图像的宽、高、Huffman表、量化表等。JPEG文件由下面的8个部分组成：图像开始SOI(Start Of Image)标记； APP0标记(Marker)；APPn标记(Markers)，其中n＝1~15(任选)；一个或者多个量化表DQT(Difine Quantization Table)；帧图像开始SOF(Start of Frame)； 一个或者多个哈夫曼表DHT(Difine Huffman Table)；扫描开始SOS(Start of Scan)；图像结束EOI(End of Image)。 有关这些字段的详细描述，限于篇幅，不详细说明。 2.3计数处理系统 本计数系统由硬件系统和软件系统组成，其硬件部分是上述硬件系统的一个具体实现。具体组成见图2-3。 ④ 图2-3 计数系统组成示意图 ① 钢材 ②摄像机 ③ 采集卡 ④PC机 2.3.1硬件组成 计算机主机为工控一体机EVOC，CPU为Intel PIII886，内存128M，本机内嵌7＂显示器，显示分辨率640*480，可再外接一台显示器。CCD摄像机为256级灰度摄像机，手动调焦。图像采集卡为CG-300，在PAL制下，最大分辨率为768*576，在NTSC制下，最大分辨率为640*480，可选择工作在采集到屏幕或内存方式。进一步，可将采集部分与处理部分分隔成前端采集和后端处理并且通过网络把它们连接起来。处理的结果也可通过网络传输到管理部门或数据中心。 2.3.2 软件系统 软件系统由研制者自行开发。图像采集软件在采集卡提供的函数库上进行二次开发而得。图像处理软件部分算法参考相关文献编制，而关键算法则是根据所处理图像的实际特点或由其他算法改进或自行设计而得。软件运行时的外观见图2-4。 图2-4 系统操作界面 从图2-4基本可看出系统的功能模块——按对图像进行不同的操作集合可主要分为： 点运算：对单个像素进行操作，包括反色、阈值操作、窗口变换、线性变换、灰度拉伸、灰度均衡。 几何变换：对整个图像施加的操作，包括图像的平移、旋转、镜象变换以及缩放。 图像增强：图像的外围背景处理、图像的圆滑处理（去棱角）、图像的线性平滑和中值滤波、伪彩色编码、锐化。 形态学变换：图像处理的数学形态学方法，包括开运算、闭运算、膨胀操作、腐蚀操作、细化。 边缘与轮廓：有关图像边缘与轮廓的操作，包括边缘检测、轮廓跟踪、轮廓提取、类圆分割。 图像分析：图像的迭代求阈值、类圆识别、模板匹配、基于Canny的分割、图像的差运算。 第三章 图像预处理 采集的图像一般以JPEG格式保存，因为它有较高的压缩比，为了方便处理，需要转换到BMP256色或256灰度格式，因为它们每个像素占用一个字节，便于内存操作。同时图像采集时引入的噪声也需要进行平滑。要正确地计数，必须将目标从背景中整体地分离出来，剔除背景的影响，可以采用差分的方法滤除背景，理想的采集条件是背景稳定且与目标有较大的差异。背景剔除后图像进行二值处理可得到物体与阴影（物体间的缝隙）两类像素。物体的边界信息对分割也有重要的意义，虽然已经提出了各种不同的边缘分割算法，但实验证明Canny边缘分割相对的性能较好，检测到的Canny边缘可用于基于边缘的分割中。由于聚焦不准、照明等因素会使边缘模糊、局部或整体对比度不足，轮廓退化，此时需要对图像进行对比度增强，来突出边缘信息，增强图像的特征。 3.1图像文件格式转换 对图像处理前，把存储器中的JPEG文件解压缩成BMP文件，原始的图像可能是真彩色的，需要转换为256级灰度，然后进一步采用特定的变换转换为二值图像。对处理过的图像可能仍希望存储成JPEG图像。因此，实现JPEG与BMP之间的转换和BMP颜色位数的转换是必要的。 3.1.1 JPEG 与BMP相互转换 利用jpeglib2库函数直接实现压缩、解压缩JPEG文件,并实现与BMP的转换。注意的是在JPEG文件中，颜色的存放顺序并不总是按RGB的排列，同时在BMP中每行都都是双字节对齐，因此在二者间转换时，需要调整，详细信息可参考源程序。 3.1.2 颜色转换 自然界物体的颜色可分为黑白色(包括灰度级)和彩色。就颜色的本质来说，黑白色可以看成是彩色的一种特例，而且人眼对于彩色的视觉感受要比黑白色敏感和丰富。但在图像处理中灰度色更易于处理。为了用计算机来表示和处理颜色，必须采用定量的方法来描述颜色，即建立颜色模型。目前广泛采用的颜色模型有3类，即计算颜色模型、工业颜色模型和视觉颜色模型。计算颜色模型又称为色度学颜色模型，主要应用于纯理论研究和计算推导；工业颜色模型侧重于实际应用的实现技术；视觉颜色模型用于与人直接接口的颜色描述和控制。所有彩色模型的基础都建立在色度学理论之上。图像处理和计算机图形中采用工业颜色模型如：RGB、CMYK；视觉颜色模型以人眼的视觉特征为基础，用颜色的色调、饱和度和亮度来表示颜色，常用的是HIS和HLS两种。 3.1.2.1 灰度化与伪彩色处理 颜色可分为黑白色和彩色。黑白颜色指颜色中不包含任何的彩色成分，仅由黑色和白色组成。在RGB颜色模型中，如果R=G=B，则颜色(R，G，B)表示一种黑白颜色。其中R=G=B的值叫做灰度值，所以黑白颜色又叫做灰度颜色。彩色和灰度之间可以互相转化，由彩色转化为灰度的过程叫做灰度化处理；由灰度转化为彩色的过程称为伪彩色处理。256色图像和256灰度图像虽然都有256种像素，但是，它们的处理效果略有不同。由于有些摄像机采集的图像只能为灰度的，所以在自动计数操作中，研制者将待处理的图像先转换到灰度图像，然后在进行其他处理和计数。 1. 灰度化处理 灰度化就是使彩色的R、G、B分量位相等的过程。由于R、G、B的取值范围是0—255，所以灰度的级别只有256级，即灰度图像仅能表现256种颜色(灰度)。 灰度化处理的方法主要有如下3种3,4。 1)最大值法：使R、G、B的值等于3值中最大的 一个，即 R=G＝B=max(R，G，B) 2)平均值：使R、G、B的值等于它们的平均值，即 R=G=B=(R+G+B)/3 平均值法会形成较柔和的灰度图像。 3)加权平均值法：R=G=B=R*WR + G* WG +B* WB。 实验和理论推导证明,当WR=0.30,WG=0.59，WB=0.11时，能得到最合理的灰度图像。 2. 伪彩色处理3,4 伪彩色处理是指将黑白色(灰度级)图像转化为彩色图像。由于人眼对彩色的分辨能力远远高于对黑白灰度的分辨能力，所以将黑白图像转化成彩色表示，便可以提高对图像细节的辨别力。因此，伪彩色处理的主要目的是为了提高人眼对图像的细节分辨能力，以达到图增强的目的。其主要方法是通过对R、G、B赋予一个颜色映射公式（表）来实现。 3.1.2.2 彩色量化 从m种颜色中选取最具代表性的n种颜色(m＞＞n)的操作叫做颜色量化(color quantization)。常用的算法3,4有： 1.流行色算法 对彩色图像中所有彩色出现的次数进行统计分析，取出现次数最多(频率最大)的m种颜色。图像中其他的颜色采用在RGB颜色空间中的最小距离原则映射到与其邻近的一种颜色。 2.中位切分法 中位切分算法的基本思路是：在RGB彩色空间中，R、G、B三基色对应于空间的3个坐标轴，将每一坐标轴都量化为0~255，则所有可能的颜色都对应于立方体内的一个点，将其分为m个小立方体，使每个立方体内点数相同，则每个小立方体的中心点即为最佳颜色。该算法的缺点是涉及复杂的排序工作，而且内存开销较大。 3.八叉树颜色量化算法 八叉树颜色量化算法的基本思路是：将图像中使用的RGB颜色值分布到层状的八叉树中，八叉树的深度可达9层，即根节点层加上分别表示8位的R、G、B值的每一位的8层节点。较低的节点层对应于较不重要的RGB值的位(右边的位)，因此，为了提高效率和节省内存，可以去掉最低部的2—3层，这样不会对结果有太大的影响。叶节点编码存储像素的个数和R、G、B颜色分量的值；而中间的节点组成了从最顶层到叶节点的路径。具体算法可参考程序。本文采用八叉树颜色量化算法把真彩色图像转换到256色图像，该算法具有极好的性能和较少的内存开销。 3.2图像平滑与增强 在实际应用中，信号和噪声总是共存，保护信号和抑制噪声，提高信噪比，一直是图像预处理的重点。常用的图像去噪方法有中值滤波和均值滤波。它们分别是非线性和线性滤波器的代表，在算法上它们不仅迥然不同，在去噪效果上也是对不同的噪声源有效：中值滤波主要针对脉冲噪声，均值滤波主要针对高斯噪声。通过对同一场景在相同的条件下得到的图像进行平均可以抑制随机噪声。由于数码图像，高斯滤波就能比较好地平滑和滤波，但对于模拟视频采集的图像，则要综合运用中值滤波、均值滤波和高斯滤波。 3.2.1 中值滤波 中值滤波对干扰脉冲和点状噪声(如椒盐噪声)有良好的抑制作用，同时又能较好的保持图像的边缘，其主要缺点是去噪效果依赖于滤波窗口的大小，窗口太小，滤波效果差，太大，又会损失图像的细节，造成图像的模糊。其具体算法： 1 对该点邻域内的像素按其亮度值大小排序 2 令该点的值为排序数组的中间元素的值，一般窗口都取奇数点，如果是偶数点，则取中间两元素的平均值。 3.2.2 局部线性滤波 共有两种方法：一种是均值运算，一种是加权求和运算。一般采用高斯平滑滤波器。可以证明，对高斯滤波器，如果连续采用N*N和M*M两个离散滤波器进行平滑，则其结果等效于（N+M-1）*（N+M-1）的高斯离散滤波器的作用。程序给出了3*3的离散高斯滤波器，具体的模板为： 3.2.3 Canny边缘检测 John Canny提出并利用关于边缘提取的3个最优准则44,54： ①不漏检真实存在的边缘点，也不把非边缘点作为边缘点检出，使得输出的信噪比最大；信噪比的数学公式为： 其中，f（x）是边界为[-ω，+ω]的滤波器的脉冲响应，G（x）代表边缘，σ为高斯噪声的均方根。 ②检测到的边缘点的位置距实际边缘点的位置最近，使得输出的图像定位精度高； 其中，G‘（x）和f‘（x）分别为G（x）和f（x）的一阶导数。Loc值越大，定位精度越高。 ③每一个实际存在的边缘点和检测到的边缘点是一一对应关系，也就是单边缘响应准则。 结合这三条准则可推导出最优边缘检测算子的一个近似实现是：边界点位于图像被高斯函数平滑后的梯度幅度的极大值点。该算法的实现过程如下： （l）用式（l）所示的一维高斯函数分别按行和列对原始图像f（x，y）进行平滑除噪，得到平滑图像I（x，y）。 （l） I（x，y）=[G（x）G（y）] ＊f（x，y） （2） 其中＊是卷积运算符。这一步实际是一个低通滤波过程，用于消除空间尺度小于高斯空间系数σ的图像灰度变化。 （2）对I（x，y）的每个像素I（i，j），使用如图3-1所示的2×2大小模板作为对x和y方向偏微分的一阶近似来计算其梯度的大小M（i，j）和方向O（i，j）。 M(i,j)=sqrt(gx(i,j)*gx(i,j)+gy(i,j)*gy(i,j)) O(i,j)=arctan(gy(i,j),gx(i,j)) 1/2 1/2 -1/2 -1/2 -/2 1/2 -1/2 1/2 gx gy 图3-1 梯度微分模板 （3）对梯度图像进行非极大值抑制。像素I（i，j）的梯度方向O（i，j）可被定义为属于如图3-2所示的4个区之一，各区有其相应的比较方向，用不同的邻近像素进行比较以决定梯度局部极大值。例如如果中心像素I（i，j）的梯度方向属于第 2区，则把其梯度值 M（ i，j）与它左上和右下相邻像素的梯度 值比较，若非局部极大值．就把像素I（i，j）的梯度值 图3-2 梯度方向区M（ i，j）设为0。 （4）对梯度图像取两次阈值th1和th2。首先将梯度值小于 th1的像素的梯度设为0，得到图像1；然后将梯度值小于th2的像素的梯度设为0，得到图像2。图像2阈值较高，噪声较少，但造成了边缘信息损失；而图像1阈值较低，保留了较多信息。最后以图像2为基础，以图像1为补充进行边缘连接获得图像边缘。 在5.3节，将简要地讨论利用Canny边缘检测得到的边缘应用在计数中。 3.2.4 图像的外围背景处理 由于目标不可能完全占据图像的区域，而且在计量的过程中完全可以控制背景的变化，因此，为了消除外围复杂背景的影响，在每幅图像采集前，采集3帧背景图像，用它们的均值作为背景图像。处理时用含目标的图像减背景图像，如果两幅图像差的绝对值小于设定的阈值，则可将目标图像中该位置的像素判定为背景。为了减少误判，要适当调节背景。当目标较暗时，可选用较亮的背景；反之，则选用较暗的背景。 3.3图像二值化 图像的阈值分割8,9,22,35,36,37,4045,49,50,60,63,70本质上是图像分割方法的一种，考虑到图像二值化后，其效果是使图像的对比度增强，而且，二值图像是随后的目标分割和识别的基础，因此，将其放到预处理中。 阈值法分为全局阈值法和局部阈值法两种。全局阈值法指利用全局信息（例如整幅图像的灰度直方图）对整幅图像求出最优分割阈值，可以是单阈值，也可以是多阈值；局部阈值法是把原始的整幅图像分为几个小的子图像，再对每个子图像应用全局阈值法分别求出最优分割阈值。其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于对阈值的选择，因此该方法的关键是如何选择合适的阈值。 设（x，y）是二维数字图像的平面坐标，图像灰度级的取值范围是G＝｛0，l，2，...，L-1｝（习惯上0代表最暗的像素点，L－l代表最亮的像素点），位于坐标点（x，y）上的像素点的灰度级表示为f（x，y）。设t ∈G为分割阈值，B＝｛b0，b1｝代表一个二值灰度级。于是图像函数f(x，y)在阈值t上的分割结果可以表示为 b0 f（ x， y）＜t f（ x， y）＝ b1 f（ x， y）＞t 阈值分割法实际就是按某个准则函数求最优阈值t*的过程。设灰度级为j的像素点个数为m，则图像的像素点的总数目M为 M＝ 灰度级i的出现概率pi为 pi＝mi／M 阈值分割法有很多算法，每类都有其自身的适用范围和局限，并且有很多研究者针对阈值分割的评价进行了讨论。在这里只介绍本文所用的算法和作者认为可能更好地适用本问题的双阈值方法。 3.3.1 迭代式阈值算法 1最佳阈值理论 该方法也称最小错误概率理论,设物体和背景的概率密度均为正态分布P1（x）和P2（x）,他们的均值和方差分别为：μ1、、σ1和μ2、σ2。并设目标的像素点数占总像素的百分比为Q，背景点占（1-Q）。则混合概率密度为： P（x）= Q P1（x）+（1-Q）P2（x）） 则当选定阈值为T时，目标点错划为背景点的概率为： 而把背景点错划为目标点的概率为： 总的错分概率为： 要使错误率最小，两边求导得： 方程为一元二次型，一般有两个解，当σ12=σ22=σ2时，方程有惟一解： 若先验概率已知，可计算出T，特别是当Q=1/2时有： 2. 迭代求阈值 首先选择一个初始阈值作为估计的初始值，然后连续不断地改进这一估计值，算法的关键是阈值的改进策略。系统中采用的方法是： 取灰度范围的中值作为初始阈值T0（设共有L个灰度级），迭代公式为： 其中hk是灰度为k值的像素个数，迭代一直到Ti+1= Ti 或达到最大迭代次数结束，取结束时的Ti为分割阈值。从直方图上看，由该方法得到的阈值处在两个灰度区域的重心成反比的位置，因而从路径规划的角度看也是一种最优阈值。 本文采用该法对图像二值化，当图像没有进行外围背景处理时，所求的阈值比较合适，背景处理后，由于引入了大量的背景像素，使得求取的阈值偏小，因此，摄像时应尽量时目标占满图像的区域。由于空洞对后续的分割和识别算法有较大的影响，在能够保留物体间的缝隙情况下，尽量选取较小的阈值。同时，因为可以控制摄像条件，不必要采用复杂的阈值算法。但是，对已经腐蚀的钢材，由于灰度变化剧烈，可以采用下面的双阈值法。 3.3.2 双阈值算法 在许多应用中，属于物体的某些灰度值是已知的，但也可能有些灰度值或属于物体，或属于背景。此时，采用一个保守的阈值T1来分离物体图像，称为图像的核，然后使用有关的算法来增长物体图像。增长的方法取决于研究的目的，通常使用另一个阈值吸收那些核像素的邻近像素，一种简单的方法是吸收低于第二阈值T2值并且与原先物体图像点相连接的所有点。具体的策略为： 1 选择两个阈值T1和T2； 2 把图像分成三个区域：R1，包含所有灰度值低于阈值T1的像素；R2，包含所有灰度值位于阈值T1和T2之间的像素；R3，包含所有灰度值高于阈值T2的像素； 3 查看分配给区域中R2的每一个像素，如果它邻近区域R1，则把它重新分配给R1； 4 重复步骤③直到没有像素被重新分配； 5 把区域R2剩下的像素分配给R3。 第四章 粘连分割及识别 4.1图像分割理论 4.1.1 概述 图像分割11,12,18,41,48,51,52,53,74,75,76是一个经典难题，从七十年代起图像分割问题就吸引了很多研究人员的兴趣，他们也为之付出了巨大努力，但到目前为止还不存在一个通用的方法，也不存在—个判断分割是否成功的客观标准。图像分割是指将图像中具有特殊涵义的不同区域区分开来；这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。借助集合的概念可将图像分割定义为： 令集合R代表整个图像区域，对R的分割操作是将R分成满足以下五个条件的非空子集（子区域）R1，R2，…，RN： ㈠ ㈡ 对所有的i和j，如果i≠j，有Ri∩Rj=Φ； ㈢ 对i=1，2，…，N，有P（Ri）=TRUE； ㈣ 对，有P（Ri∪Rj）=FALSE； ㈤ 对i=1，2，…，N，R是连通的区域。 它们的含义分别为：所有的像素分到某个子区域中、各个子区域是互相不重叠的、同一个子区域具有相同的特性、不同的区域应具有不同的特性、同一子区域的像素应当是连通的。按照这样的分割定义，分割出的区域需同时满足均匀性和连通性的条件。其中均匀性是指该区域中的所有像素点都满足基于灰度、纹理、彩色等特征的某种相似性准则；连通性是指在该区域内存在连接任意两点的路径。 符合上述定义的分割计算十分复杂和困难，图像处理和机器视觉界的研究者们为此付出了长期的努力。迄今为止，大部分研究成果都是针对某一类型图像、某一具体应用的分割，通用方法和策略仍面临着巨大的困难。 图像分割研究可以分三个层次。第一个层次，主要集中在图像分割算法的改善与创新上；第二个层次是图像分割的评价，主要是研究图像分割的性能刻划和比较；第三个层次系统地研究分割评价方法和评价准则，从而形成恰当的评价方法和准则来研究分割技术，即对分割评价的评价。 4.1.2 分割方法 图像分割方法多达上千种，不同的研究者根据不同的标准对它们进行了不同的分类。比较多的是4类分类法：串行边界分割、串行区域分割、并行边界分割、并行区域分割。按所用知识特点和层次可分为基于数据驱动和模型驱动两大类。 图像分割最基本的也是传统的方法是阈值分割法。有大量的文献和研究报道论述了自动阈值分割。主要的方法有：最佳阈值法，流域分割法，最大熵法，自适应法，模糊法，小波分析法。 边缘检测的方法，它是基于图像灰度幅值不连续的一种分割方法。它通过检测不同均匀区域之间的边界来实现对图像的分割。大多是基于局部信息的，一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。 基于区域分割的图像分割方法，基本思想是根据图像数据的特征将图像空间划分为不同的区域。常用的特征包括：直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征，包括区域增长分割法、区域分裂合并方法、聚类法、松弛法。 基于数学形态学的方法，它的基本思想是对图像用一定的结构元素进行膨胀和腐蚀操作，再和原图相减，是利用集合论对图像进行非线形变换。经典的算法是水线法，该算法的基本思想是将图像像素点的灰度看作高度，图像中不同灰度值的区域就对应于山峰和山谷盆地，盆地的边缘就是所谓的水线，水线这个名称的来历是将图像逐渐沉人一个湖中时：图像的最低点先进水，然后水逐渐漫过整个山谷盆地，当水位达到该盆地的边缘高度时就将溢出该盆地，这时在水溢出处建坝拦截，如此直到整个图像沉入水中，所建的坝就成为分开各个山谷盆地的水线。在水线算法基础上还发展了松弛标号法。 基于模糊集理论的图像分割方法，主要有广义模糊算子与模糊阈值法。前者能使真正的边缘处于较低的灰度级，但也易将一些不是边缘的象素点的处理为较低的灰度级中，算法计算简明，得到的边缘也细腻，但边缘易出现断线。后者通过计算图像的模糊率或模糊熵来选取图像的分割阈值，最后用阈值处理得到边界，它对较大的场景的图像处理效果较好，对小场景效果不明显，算法受窗宽的影响较大，因此该方法的应用受到一定的局限。 基于小波变换和多分辩率的方法，方法的实质是将原信号分割成具有不同时域和频域特征的子带信号，进而在不同的分辨率层次上对图像进行分割：在低分辨率上进行粗分割以得到目标的大致轮廓，而在高分辨率上对图像进行细分割，且前一步粗分的结果对精细分割有指导作用，故可大大减少计算量和提高目标的定位精度，但如果直接将该方法应用到边缘提取则易出现孤立象素点和伪边缘点，同时还由于频率的截断误差影响，造成部分边缘的丢失。为更好的发挥该算法的优良性能，一般将它和其它方法结合起来应用。 4.1.3 分割评价 对分割算法的比较和评价是图像分割中另一个重要的问题。这一问题的难度在于目前边没有一个大家都能接受的对分割结果好坏的客观评判标准，Y．J zhang53等人对图像分割算法的评价方法作了一个综述。对算法的评价一般做法是将计算机的分割结果与实际结果(ground truth)相比较。对人工生成的图像等实际结果已知的情况，当然是没有问题的，但对一般的图像实际结果往往是未知的，这时候只好将人工分割的结果作为实际结果来与计算机的分割结果比较，这种做法的问题是不同的操作人员对同一幅图像的分割结果往往是有差异的。一种比较较好的做法是如V.Chalana等人在文献76介绍的那样，获得几个操作人员的手工分割结果，再比较计算机的分割结果是否与这些手工分割结果一致。 4.2类圆体分割算法 在边界不完整或有重叠时物体的目标识别重点集中在圆或类圆目标检测，核心是对HOUGH变换进行改进58,66,69，也有少量文献对不规则体的识别进行了研究，方法主要有：模板法38,68，聚类分析法21，广义HOUGH变换，数学形态学方法67。 4.2.1 前提及概念 EMBED PBrush 4-1-a 4-1-b 图4-1 算法的示意图 a齐的算法 b新算法 假定钢材断面图像二值化后，有凸的边缘，两根钢材接触处形成的凹陷不会被第三根钢材所覆盖，单根钢材内部没有空洞，而且其形状接近圆形或类圆形。在这种假设下，可以得到两根钢材在粘连时，如果简单地以直线段切割，则这条线段的端点必为凹陷点，而且线段长度是每个端点与其它对应凹陷点连线长度最短的，线段除在边缘处外，中间像素在目标内部，即其内部像素全部属于二值化后物体的区域。 定义如下几个概念： 左、右凹点和上、下凹点：在一个局部的物体粘连图像中，设扫描线方向为垂直，即检测物体在垂直方向上的厚度，当从左向右移动扫描线时，物体的厚度就发生变化，如果在某点处厚度较其右侧邻点厚度异常减少，则该点为左凹点（图4-1-b中的c点），反之，如果在某点处厚度较其左侧邻点厚度异常增加，则为右凹点（图4-1-b中的d点）；上、下凹点是水平厚度发生异常变化的点，其性质类似，不再重复，图4-1-b中的a点为上凹点，图4-1-b中的b点为下凹点。直观地上讲，上下左右凹点基本上代表了凹陷的朝向。 同相凹点与异相凹点：在水平或垂直扫描时，与某个凹点方向相同的凹点为同相凹点（如所有的上凹点），与其方向对立的凹点（如上凹点与下凹点）为异相凹点。 局部近似圆形：图像的外轮廓线距离最圆两点e、f为直径的包围圆。线段ef也称为图像的最长轴。 配对凹点：在局部图像中，一个与其异相凹点是两个物体分割线的潜在端点,简称为配对凹点。 分割线的长度：潜在的配对凹点的线段长度。如c、d的长度记为Len（c，d）=||cd|| 分割线处理论弦长：延长配对凹点与近似圆形相交的线段长度。图4-1-b中的细线长度。记为：Chord（c＇,ｄ＇）=|| c＇ｄ＇|| 分割面积：局部图像被分割线切割后每个子区域的面积。 4.2.2 相关算法 图4-1-a为基于圆形和多边形假设分割算法的示意图43,55,56。图像的外轮廓线被图像的最长轴ab，分割为A、B两部分。在两段分别可找到凹陷点s、e，当Len(s,e)＜Chord(s,e)×FSS，其中，前者为两凹点之间的长度，后者为过这两点的弦长，FSS是依据图像近似圆程度和边缘的粗糙程度取的相似度参数。由于合理的物体的大小是有一定的范围的，所以分割出来的面积过小的部分要舍弃；同时不允许分割的两部分面积都过小，即 AX＞AT ∨ Ay＞AT；其中AT为最小的合理面积。最后在所有的可能的分割线中优先选择最短的分割线。该算法在多细胞粘连的情形下能较成功的进行分割，但它强烈地依赖于最长轴的选取，而且其假定在最长轴的两侧有成队的凹点在复杂的粘连情况下并不成立。在图4-2-b中，轮廓上的最长轴并未完全穿过图像内部，因而也不能找到成对面关系的一对凹点来对粘连图像进行分割。本文的算法则可有效地克服该算法的缺陷，因为它是基于局部的，它能保证最长轴一定在图像的内部。 4.2.3 类圆分割算法原理 算法基于螺纹钢的断面图像近似为圆形，分割线的两端点一定位于某条垂直或水平的直线两侧，而且沿分割线移动这条直线到分割点时，其被图像轮廓截取的长度会有一个突变，这种突变在两个端点处方向相反。图4-2的水平厚度或垂直厚度谱曲线图示了这个原理。注意到图中一个孤立的噪声点能产生一对凹点,它会对分割造成影响，甚至会出现误分割。通过一定的处理可消除这种影响，本文则不考虑，既假定目标图像内部不含空洞。 (a) (b) (c) (d) (e) (f) 图4-2一个简单图像分割扫描时的示意图 a为原图像， d为分割点 b为水平扫描得到的物体厚度谱线，c为点终扫描轨迹图 e为垂直扫描得到的物体厚度谱线，f为终点扫描轨迹图 凹点的确定与分类 对沿水平或垂直方向对二值图像进行扫描，记lastL、 newL分别为相邻两条扫描线（起点相邻，扫描方向相同）在图像内部的长度，当： lastL-newL＞LT 或newL-lastL＞LT 其中，LT为设定的跳变阈值。并记按前者找到的凹点为同相凹点，后者为异相凹点。当找到局部第一个凹点时，得扫描线的起点和该点的垂直平分线，沿垂直平分线向两侧扫描，可得到一个局部的同相凹点集合和一个局部的异相凹点集合。 图4-1-b为扫描的示意图（只画出了扫描线段长度突变的扫描线）。在水平扫描时扫描线自下而上穿过图像，在点b、a处长度异常变化，且变化方向相反，分别得到一个下、上凹点。但在点c、d处没有突变。当扫描方向改变为垂直方向时，则分别找到左、右凹点c、d。 分割线的确定 局部同相凹点s与异相凹点e两凹点组成潜在的分割线。首先判断距离最短的两点是否满足分割线的接受准则，然后依次递推。用连接s、e的中点向各个方向扫描，最长的扫描线段可作为图像的局部最长轴，然后按相关算法中的准则进行分割线的设定。本文的算法为了提高速度，不进行最长轴的搜索。同相凹点或异相凹点内部间的两点不允许连线。当两凹点间连线满足下列准则可作为实际的分割线对图像进行分割： 准则1： Len(s,e)〈max(Chord(s,s), Chord(e,e))×FSS 其中，Chord(s,s)为过凹点s在扫描方向的长度，Len(s,e)， FSS与相关算法含义相同；该准则也可增加分割线中垂线的长度既在分割线的长度必须明显小于三条线段中最长的一段。 准则2： AX〉AT OR Ay〉AT； 其中AT为最小的合理面积，AX，Ay 为分割后两部分的面积。该准则避免过度分割。 准则3： RX〉RT AND Ry〉RT； 其中RT为最小的圆形度，RX，Ry 为分割后两部分图像的圆形度。由于目标图像介于类圆与类方形之间，一些凹点可能从属于两类凹点，从而造成误分割，该准则避免这种误分割。RX 的定义可根据实际情况而定，本次实验中采用如下方法计算： ㈠ 确定各区域的类圆心（具体方法见下面的识别算法）。 以类圆心为中心计算按米字形到轮廓的距离（对明显过大的值可舍去或以其对角长度记）。 ㈡　计算所得到的距离的离散度作为圆形度。该准则也可修改为： 准则3’：RX〉RC 或 Ry〉RC； 即分割应该使得原来的圆形度增加（RC为分割前的圆形度）。修改后的准则有利于剔除粘附在目标中的非目标部分，但在复杂粘连时计算未分割区域的圆形度误差较大。 准则4： |k|≥1（上下凹点间的分割线）； |k|≤1（左右凹点间的分割线）。 其中，|k|为分割线斜率的绝对值 在图4-1-b中，对凹点b，由于它是下凹点，所以向上水平扫描，当到达点a时，得到一上凹点，而且是唯一的，而且ab满足所有的分割线接受准则，因此连接a、b对图像进行一次分割。同样可得分割线cd,分割的结果见图4-2-a。 算法的具体实现见6.4节主要模块流程图说明。 4.3统计模式识别概述 模式12,21,81是图像中的目标或其他感兴趣的区域的定量或结构化的描述。通常，一个模式可视为由一个或多个模式符，也称为特征组成（或排列成的）。一个模式经某种数学变换后，映射为一个特征向量，该特征向量可理解为特征空间的一个点，而在特征空间中，属于一个类ωi的点集总是在某种程度上与属于另一个类ωj的点集相分离。所以在进行模式判别之前，必须先确定被识别物的特征向量，然后根据特征向量的值依据一定原则进行识别分类。特征向量的确定与图像的特点和识别任务的要求密切相关。 统计模式识别的设计一般可分为5个步骤，见表4-1。 表4-1 模式识别系统设计步骤 序号 步骤 功能 1 设计目标检测器 将目标检测出来 2 特征选取 确定哪个目标属性可区分不同的目标 3 分类器设计 确定分类原理和机理 4 分类器训练 确定分类参数 5 性能评估 估计可能的误差率 统计模式识别的工作流程主要包括：①特征提取②学习/训练③分类。简要流程图示于图4-3。 图4-3 统计模式分类工作流程 分类方法共分为两大类：监督分类（有教师分类）和非监督分类（无教师分类）。钢材端面图像形状各异，无法用样本进行训练，所以不适宜采用有教师分类法。而无教师分类法是指在没有训练集情况下的样品分类方法，即在设计分类器时，所采用的样品并不知其所属类别，而是根据样品间的相似程度未自动地进行分类，这种方法又叫聚类分析，适用于识别不规则形状目标。另外，模糊模式识别将模糊概念引入模式类的判别中，较好地解决了难以定量化的类别的识别问题。所以，本文提出将聚类分析和模糊识别的方法相结合，设计钢材端面图像的分类决策，采用多层分类器，由粗到细，逐层分类，运用模糊概念，解决各类圆形的圆的程度不确定性问题，隶属函数的设计依据圆的数学特性，从圆的几何关系出发，确定各类圆对圆的隶属度，既符合数学原理，又与人的思维判断过程相一致。下面将详细介绍对不规则类圆形钢材端面图像的识别方法。 4.4基于扫描中点的类圆识别与计数 4.4.1 类圆识别的两个相关算法 4.4.1.1 基于模板覆盖的算法 ㈠模板选择 根据钢筋端面形状，同时为了便于处理，选择圆的内切八边形作为模板，对于每个品种的钢筋分别进行实验，确定其模板大小通过软件识别使得模板覆盖在最佳位置。模板覆盖法的原理图46见图4-4。 钢筋端面图像 模板 识别计数结果 图4-4 模板覆盖法原理图 ㈡模板覆盖调整与定位 算法的关键是当覆盖位置不准确时，需要调整模板的位置。以水平调整为例，其调整方法见图4-5。在图中，n为模板的高度。图4-5-a、图4-5-b为需要微调的情形，图4-5-c所示为钢筋小于模板时，不需要移动。图4-5-d、图4-5-e、图4-5-f所示的是粘连严重的情况，比较模板距两端的距离，向偏小的一方移动，如果距两端都比较远，则不移动。 图4-5模板移动图解 ㈢识别准则 模板的像素数作为标准面积S0，根据技术指标规定及实际情况，可允许钢筋端面图像面积S范围为 因此，模板下面积S应大于 S0。如果面积条件满足，可将模板下像素标为己计数，钢筋数加1，继续搜索下一根钢筋，最后将计数结果送显示器，完成分割、识别、计数。 该算法只考虑了面积信息，并没有充分利用钢材的形状信息，当多根钢材粘连时，模板的调整与定位很困难。 4.4.1.2 基于边缘的二值图像识别算法21 ㈠特征向量的选取 C（ i， j）={E（ i，j），B（ i，j）} 其中E（ i，j）、B（i，j）分别为原图像的边缘图像和二值化图像中点（i，j）位置处的取值。 ㈡圆心点集与非圆心点集 如果点满足C（i，j）=（0,1），且该点到图像边界的横、纵长度均大于设定的最小半径值，则判定该点属于圆心点类。 ㈢候选圆确定 首先判别圆心类中的各点能否以其为圆心构成圆。该层的隶属函数设计为： 其中 r为所构成圆的半径， T为以点（i， j）为中心在一定范围搜索到的边界点的个数。边缘点搜索范围是两个正方形之间的边缘点数目，正方形的中心设为圆心，边长分别为1.4r和2r。搜索方法是从中心点向四周搜索，每个方向最多取一个（遇到边界点停止该方向的搜索）。r值的确定，是根据实际可能出现类圆径级最小值和最大值，由小到大变动去搜索各个类圆形。然后搜索邻域内最大隶属度的类圆作为正式的侯选园。 ㈣圆识别 边缘信息所确定的类圆不能完全确定为要识别的钢筋端面图像，边缘信息不是识别的充分信息。需要将灰度信息作为补充，实现正确识别。所用隶属函数设计如下： 式中S为二值化图像中以点（i，j）为圆心，以r为半径圆范围内的目标象素点总个数。 该算法具有一定的鲁棒性，但是其圆心采用搜索算法，算法的实时性较差。 4.4.2 本文的识别算法——基于扫描中点的类圆识别 4.4.2.1 原理 沿水平和垂直两个方向对图像进行扫描，记录每个扫描线段的中点。由于分割的不完全，需要对扫描线进一步截断处理。因为线材的最大半径是一定的，对扫描线段长度大于一定值（设为直径的1.5倍）时，采用其邻近中点的值，若邻近也超过，则强行分割，同时按新中点计算终点并增加边界点。当扫描长度发生突变且扫描线的端点（只可能是一个端点）不连续时，既一个端点的坐标和上一条扫描线的端点坐标在X，Y轴上都不相邻时，采用上一扫描线的中点的邻点作为本次的中点。当两个方向都完成扫描后，检查每个中点的3×3的邻域，如果能找到大于2个的其它中点（最大值为4），则该点可能为线材的中心点。计算该点作为圆心的圆形度，如果大于给定的阈值，计算它们的平均值或中值作为等效半径。以该点为中心以等效直径的长度为边长的矩形将该区域涂成背景色，计数器加1。考虑到物体的不规则性，背景填充时遇到边界点或背景时终止。图4-6为图4-1-b的分割及类圆心的位置（用一个白色小矩形标示）和识别的目标填充效果。 (a) (b) 图4-6 图4-1-b的处理结果 a为分割图，b为识别图 在识别扫描过程中，由于分割的不完全，需要对扫描线进一步截断处理。因为线材的最大半径是一定的，对扫描线段长度大于一定值（设为直径的1.5倍）时，采用其邻近中点的值，若邻近也超过，则强行分割，同时按新中点计算终点并增加边界点。 4.4.2.2 算法 ㈠圆心确定 对分割后的图像，先水平扫描，确定扫描线被目标图像（图中由边界围绕的白色区域）中的线段中点。然后在垂直方向进行类似扫描，得到每个目标两个垂直方向的中轴线。圆心即为这两条中轴的交点。考虑到边缘的凹凸不平，取一个点，如果它的四邻域内有3个或3个以上的中点，则可以将该点判断为圆心。一个改进的方案，如果不对没有完全分割的图像 进行强制分割，可以对线段长度大于设定半径1.5倍的线段不求中点，按与其相邻的中点坐标作上特定标记（标以不同的像素颜色），直到扫描线段长度发生突变而且长度也小于1.5倍半径时，连接这个中点和第一个标记特定标记的点，作为没有分割区域的中轴线。另一个替代的方案时不处理这些线段，用已有的同一扫描方向中点的平均值代替。图4-7为圆心确定示意图。 图4 -7 圆心确定示意图 ㈡半径的确定 对可能的中心点，求其到边界每隔450的8个距离，每个方向的距离最大值为1.5倍半径。取这8个值的平均值为半径。 ㈢圆的判定和计数 计算步骤㈡中8个距离的标准差，公式如下： 如果标准差小于给定的阈值，接着计算，用㈠中的圆心和㈡中的半径的圆所覆盖的目标面积，采用下式计算隶属度： 如果该隶属度大于设定的阈值，接受该圆，认为找到一根钢筋，计数器加1，并将其覆盖的目标区域作特定标记。 ㈣识别结果图与原图对比 当全部计数完成后，令识别的目标区域像素值等于32。并在每个圆心处标记它被识别出的序号。这样，利用系统中的蒙板菜单操作可以将识别成果图和原图进行叠加，观察处理的效果。叠加的方法有点类似蒙板操作，令成果图中像素值为32处的像素在对应的叠加图中相同位置的像素值为32。其余像素值不变。这样便于观察处理的效果和误差，也有利于人工修正计数误差。实际的效果图见第五章。 第五章 实验结果及分析 5.1实验条件及假定 由于时间关系，目前重点对采集野外施工现场的实物图像进行了处理，最后简单地在实验室进行了视频测试。由于在野外拍摄时，不能对现场的环境施加控制。造成采集的图像与室内采集的图像有下列差异： Ⅰ 天光背景的影响，在图像的外围有强烈的亮光背景。 Ⅱ 其他物体的影响，在现场不可避免的会存在其他物体，甚至会存在与线材相似颜色的物体。 Ⅲ 边缘线材不完整性。 Ⅳ 线材腐蚀程度不同。 这些因素使图像的分割和识别受到极大影响，因此，在处理数码相机采集的图像时舍弃这些因素的影响，因为在实际应用时可以人工的控制、消除这些因素的影响。具体的处理方法是手工设置外围背景中非线材部分的亮度为0。同时，对那些位于边缘的不完整线材的误计数不记入计数误差。 数码相机所采集的图像原始大小为1280*960，系统对原始图像和其水平、垂直方向均缩小1/2的图像进行了对比处理，个别图像进行了缩小1/4的处理。 采集卡采集的图像指定为640*480。对此类图像的处理假定能采集到所要处理的图像的前一时刻的背景图像，并且目标图像与其对应的背景图像所采集的条件基本相同。 5.2实验结果 下面首先给出用研制的自动计数系统对采集到的9幅数码图像和一张模拟摄像机采集的图像的处理结果，然后给出了合成图像的处理结果。有关这些结果的讨论见5.3节。因为实验室只有6根钢筋，所以对摄像机采集图像的处理只给出了一个实例。 5.2.1 数码图像的实验结果 （a） （b） （c） （d） （e） （f） 图5-1 图像文件dcp-0009没经过外围背景处理的处理结果 a 原图像 b 二值图像 c 圆滑图像 d 分割图像 e 识别图像反色图像 f 处理结果对比图像 所用参数：直径设定为160 圆滑用长度为40 计量结果18根 所用阈值88 从图中的显示结果看，由于外围强背景在二值化后与边缘的目标图像融合在一起，掩盖了周边目标，造成7根漏计。 （a） （b） （c） （d） （e） （f） 图5-2 图像文件dcp-0009经过外围背景处理的处理结果 a 原图像 b 二值图像 c 圆滑图像 d 分割图像 e 识别图像的反色图像 f 处理结果对比图像 所用参数：直径设定为160 圆滑用长度为40 计量结果24根 所用阈值64 经过外围背景预处理后，图5-1中周边被漏计的钢筋全部被正确识别并且计数。 （a） （b） 图5-3 图像文件dcp-0009经过外围背景处理的自动处理结果 a 结果对比图像 b 计数结果图像的反色图 与图5-1、图5-2手工分步操作比较，本图是采用集成的自动计数菜单计数的，二者在处理结果上基本完全相同。 （a） （b） 图5-4 图像文件dcp-0009经过外围背景处理缩小的自动处理结果 a 1/2图像计数结果反色图像 b 1/4图像计数结果图像的反色图 本图的钢筋直径较粗，钢筋之间的过渡区明显，缩小到1/4后，虽然部分目标的位置有所偏差，但计数结果仍然正确。 (a) (b) 图5-5 图像文件dcp-0010经过外围背景处理的自动处理结果 a 计数结果图像 b 结果对比图像 与图5-1~图5-4比较，本图显示了较细钢筋的计数结果。注意图中目标的亮度差异较大。特别下中部有一根钢筋基本上处在其他钢筋的阴影中，被漏计。 (a) (b) (c) (d) （e） (f) （g） (h) 图5-6 dcp-0011~dcp0018经过外围背景处理的自动处理结果 a dcp0011结果 b dcp0012结果 c dcp0013结果 d dcp0014结果 e dcp0015结果 f dcp0016结果 g dcp0017结果 h dcp0018结果 总体来看,这组图像的误差较图5-2、图5-5要大。尤其是图c捆扎不好的，图e、f|、g锈蚀严重的图像误差较大。图c不仅捆扎不好，而且钢筋端面的亮度差异也较大，造成异常高的误差。 (a) (b) 图5-7 图像文件dcp-0019经过外围背景处理的自动处理结果 a 计数结果蒙板图像 b 计数图像 本捆钢筋虽然锈蚀比较严重，但目标的亮度基本相同，二值化的效果比较好，所以误差并不高。从图5-2~图5-7，还可以看出，图像中部的目标不仅都能正确识别，而且中心位置识别的也很准确。从侧面也说明整齐的捆扎端面有利于正确的识别。 5.2.2 模拟摄像头采集的实验结果 (a) (b) (c) (d) (e) (f) 图5-8 视频图像经过外围背景处理的处理结果 a 目标图像 b 背景图像 c 背景处理后的图像 d 二值图像 e 分割图像 f 计数效果图像 由于目标较少，识别率100%。注意图像进行外围差分处理不能直接取差分图像，否则，目标外围的阴影在差分后也会形成亮的伪目标区。同时，也不要将外围区直接设置为像素“0”的暗区，这样会极大破坏原有的直方图分布，而使求得的阈值过小。 5.2.3 合成图像的实验结果 下面的图像是手工绘制图像的处理结果。目的是测试图像在不同情形下的处理误差。分析影响系统处理的因素。 (a) (b) (c) (d) (e) (f) (g) (h) 图5-9 合成规则图像的处理结果 a 规则原图像 b 图像a 变形的原图像 c 图像a的计数结果 d 图像b的计数结果 e 图像a缩小1/2的计数结果 f 图像b缩小1/2的计数结果 g 图像a缩小1/4的计数结果 h 图像b缩小1/4的计数结果 图右侧的图像是左侧图像的边缘粗糙处理的图像。可以看出，圆滑的边缘受缩放的影响要远低于右侧凹凸不平的图像。总体看，本图图像中目标大小和目标间的排列比较规则。 (a) (b) (c) (d) (e) (f) 图5-10 合成复杂粘连图像的处理结果 a 原图像(大小基本相等) b 图像a的计数结果 c 原图像(大小差异较大) d 图像c的计数结果 e 原图像(大小差异较大) f 图像e的计数结果 粘连的复杂性对系统的性能有一定的影响，但关键的是目标相互重叠的程度。图c中，中上部两个物体重叠的程度太高，再加上目标间差异较大，误分割和误识别率就会非常高。总体上看，目标间差异过大后，处理的结果误差很难预测，此时，识别的结果不仅与目标的排列关系、重叠程度、目标的位置有关外，而且对系统的参数也比较敏感。此时，需要手工操作。这也说明系统最好处理同种型号的钢筋，同时，注意捆扎的质量。 5.3结果分析 5.3.1 误差分析 在统计误差时不考虑位于边缘的不完整目标的计数结果,即只统计非边缘的完整目标的计数误差。总误差是指应该计数的总根数与实际计数结果的误差。多计误差是该位置没有目标而多检测计数误差，漏计误差是该位置有目标但处理是没能检测到的误差。总误差是多计误差和漏计误差的代数和。 表5.1 数码图像处理结果误差统计 图像文件 实际值 计数值 多计误差 漏计误差 总误差 相对总误差 dcp-0009 24 24 0 0 0 0 dcp-0010 49 49 +1 -1 0 0 dcp-0011 39 39 0 0 0 0 dcp-0012 47 49 +2 0 2 4.2% dcp-0013 93 86 0 -7 -7 7.5% dcp-0014 31 30 0 -1 -1 3.2% dcp-0015 87 89 +2 0 2 2.2% dcp-0016 84 82 0 -2 -2 2.4% dcp-0017 60 58 +5 -7 -2 3.3% dcp-0018 45 46 +1 0 1 2.2% dcp-0019 51 52 +2 -1 1 1.9% 累计结果 610 604 11 -17 -6 1.0% 说明：相对总误差的累计结果，等于计数值与实际值的差与实际值的商。 从相对总误差看，误差的值比较小，分析其原因，主要有：采集图像时，比较好的调整了照相角度，图像的质量比较好；没有考虑边缘目标的影响，即如果检测到不完整目标，则从总计数中剔除，如果没有检测到，也不记入漏计误差中；图像的采集分辨率较高，为1280*960，并且图像是在大尺寸下进行处理的，所以处理的精度较高，同时大部分图像中只有50根左右的钢筋，从表中可看出，总的误差基本上是根数较多的图像大于较少的图像，因此用640*480的图像采集实际100根左右一捆的钢筋时，误差要大一些。另一方面，如果从误差绝对值的和来看也比较高：28/604=4.6%。 从已处理的图像看，影响图像处理结果的因素有（可图像处理结果下部的说明）： ㈠捆扎的质量：当端面比较整齐时，误差较小，反之，则较大。这是由于捆扎不好时，侧面图像可能造成多计，而处在其他目标阴影中的目标可能被漏计。 ㈡图像的均匀性：当图像亮度比较均匀时，误差较小；反之，一些较暗的目标在二值化的过程中，容易被漏计。图像中目标大小比较均匀时，误差较小，特别是在缩放时，图像大小差异较大误差会显著增加。 ㈢目标以像素表示的尺寸：尺寸基本与误差成反比，当单根的尺寸加大时，图像的总尺寸就会增加，处理的时间就会显著增加。建议50根左右一捆，这样就可以在误差和速度间有个比较好的均衡。 ㈣图像与背景的差异：差异越大，差值检测后目标就越完整，误差就相对小。 ㈤目标接近圆的程度：接近程度高，则误差小。 5.3.2 结合边缘信息的类圆识别 对误差较大的图像dcp-0017比较了应用Canny边缘信息和不应用边缘信息的类圆识别的处理效果（见图5-11）。从简单的比较可以看出，结合边缘信息的处理方法能提高识别的精度。下面给出作者认为将来要重点研究的问题： ㈠多尺度Canny边缘检测：如果在图像的原始尺寸上进行Canny边缘检测，速度比较慢，而且检测到过多的内部边缘信息，这既不利于实时检测，对识别精度的提高作用不大。图5-11将给出在不同比例因子下，同一图像的Canny边缘信息。因此，针对实际采集图像的特点，应实验合适的比例因子。 ㈡利用边缘信息的方法：一种方法是不进行图像的类圆分割，直接利用边缘信息作为分割的边界（一般这种分割只会是过分割），直接利用基于扫描线中点的类圆识别方法，搜索可能的圆心，只要目标二值化后在图像有足够的像素显示，则一定能找到所有的圆心。然后利用其他的判定方法确认真实的圆心。另一种方法是采用差方法或其它方法将边缘信息嵌入到图像中，然后采用本文的类圆分割和识别的方法，但是在对图像圆滑后，接着对图像应用几次膨胀操作，对图像中由于内边缘信息造成的空洞进行填充。当结合使用边缘信息的处理方法时，可对所求得的阈值乘以适当的缩小因子，尽可能将比较暗的目标或目标的比较暗的区域都提取出来。 (a) (b) (c) (d) (e) 图5-11 dcp-0017图像应用Canny边缘的处理结果 a　１：１图像Canny边缘 ｂ １：2图像Canny边缘 ｃ １：4图像Canny边缘 d 二值图像与图像ｂ的差图像 ｅ　-图像ｄ的中心点在原图像的显示 图a中，边缘信息过于丰富。而且耗时也较长。图c边缘信息漏失较多。因此，以下的处理均采用图b检测的边缘。图d的右上部和左下有两块完全连成片的目标群区域。如果合理的利用边缘信息则能有效的区分各个目标，而且还能比较合理的定位目标的中心。图e只是简单地将所有检测到的边缘作为物体间的边界得到的中心点。可以看出，除两个陷进太多的物体，每根钢筋至少能有一个中心显示。如果能有效地剔除多余的中心，并合理地调整有些中心点的位置，则检测的结果将会有明显的改进。 (f) (g) 图5-11 dcp-0017图像应用Canny边缘的处理结果（续１） 　　　　ｆ　中心点在二值图像的位置显示（有边缘信息） 　ｇ　中心点在二值图像的位置显示（无边缘信息） 比较图f，g的分割效果看，一方面可以看到，采用本文的分割方法，分割的效果还是比较合理。但从中心点的分布来看，f图较g图还是要更合理些。同时，前者有一个能提供合理剔除多余中心和调整位置偏差中心的边缘信息。因此，从根本上讲，前者能提供更强的鲁棒性和更高的识别率。比较本文应用边缘信息与文献21，本文克服了后者在目标区试探性的搜索圆中心，从而能保证在结合边缘信息后，仍能保持算法的实时性。 (h) (i) 图5-11 dcp-0017图像应用Canny边缘的处理结果（续２） ｈ　确认的目标在原图像上的位置显示（有边缘信息） ｉ确认的目标在原图像上的位置显示（无边缘信息） 从图h和图I的识别结果看，但就本图而言，带边缘信息的识别的正确率较无边缘的信息要高。 　　　　　　　　　　　　　　　（ｊ） 　　　　　　　　　　　　　　　　（ｋ） 图5-11 dcp-0017图像应用Canny边缘的处理结果（续２） ｈ　确认的目标在二值图像上的位置显示（有边缘信息） ｉ　确认的目标在二值图像上的位置显示（无边缘信息） 从二值图像的蒙板效果图像看（图h），中间的伪边缘信息使用本文的圆识别算法会使圆心的位置和确定的圆的大小有偏差。还应注意，在目标间缝隙较大、端面整齐、重叠较少的中部区域，二者的识别效果相差不大，但后者比前者就目前使用的圆识别算法看，要比前者好。因此，在条件理想时，本文的算法的性能还是令人满意的，略加改进，完全能满足现场生产的要求。 第六章 软件实现 6.1 面向对象程序设计 面向对象程序设计(Object-Oriented Programming，简称OOP)方法已出现近30年，在20世纪90年代己成为程序设计的主流方向。面向对象程序设计语言是现代程序开发的主要工具，如C++，Java编程语言。 面向对象程序设计方法主要以数据为中心，代码是围绕着需要处理的数据而设计的。面向对象的程序设计语言主要特征有： 1对象的类描述：类(c1ass)就是具有相同的属性的所有对象的逻辑原型，是对象的规则和设汁。同一类的对象具有相同的性质和方法，每—个具体的对象都是类的一个实体，创建对象就是把类实例化。 2封装性：封装件是OOP的核心技术，是面向对象程序设计语言将数据和处理数据的方法组合在类中，并具有模块化和信息隐藏的特征。封装性能防止类与外部的非法交互和访问，避免外界对对象内部状态的错误改变，确保类这一模块的真正独立，以保证程序的安全运行。同时，由于程序的其他部分只能访问类的接口，因此只要保持类的接口不变，改变类的内部结构、工作方式和实现就不会对整个程序产生非预期的影响。所以，对类的内部做任何的修改、优化和升级都是安全的。 3 多态性：不同的类或对象对外界传入的相同信息能根据自身的性质作出不同的反应，这就是多态性。 4继承性：继承性指—个类可以派生出新的类。新类能继承父类定义的性质和方法，还能在原类定义的性质和方法之外加入自身定义的性质和方法。通过继承性，能形成类之间的层次结构。 在面向对象的软件开发过程中，要首先进行面向对象的分析(OOA)，其次进行面向对象的设计(OOD)，然后进行面向对象的编程(OOP)和测试(OOT)。 本软件系统采用面向对象的技术，构建了一个CDib类。 6.2软件平台 处理系统是在Windows2000下，采用Microsoft Visualc++6.0开发的。 C++是运用最广泛的面向对象的程序设计语音；VisualC++是一个具有集成、交互和可视化编程的C++实现，具备6.1节所有OOP特征。 编写VisualC++程序实际上就是—个构造类和把类实例化的过程。由于Windows95/98/NT/2000是PC平台中应用最广泛的操作系统，而VisualC++也主要用于针对Win32的应用程序开发。 6.3软件总体描述与使用说明 6.3.1 系统使用指南 6.3.1.1 初始化操作 启动图像处理计数系统，打开摄像机电源，根据采集图像的效果进行设备调整，直到能够采集到满意的钢筋端面图像。根据采集图像的大小和实际的线材直径，通过左侧的标尺，估计出在当前采集环境下线材的直径（单位为像素）。在文件菜单中选择设置，对要计数的钢筋直径初始化。一旦初始化，系统将自动保留这一设置，直到用户根据需要认为有必要进行修改并重新设置。当累积计数不为零时，同样的在文件菜单中选择设置，在弹出的对话框中进行设置计数器初始值，在没有实际采集图像前执行一次自动计数操作。 根据精度和实际生产线的速度，调整图像采集卡的分辨率。同等条件下，采集分辨率越高，计数越精确，但速度也会降低。然后设置将要把图像存放的路径。完成这些必要的初始化后，就可以进行实际自动计数。现阶段，由用户根据采集图像来启动自动计数。系统未来的目标可以向全自动方向发展——自动识别捆扎线材的移出和移入，并在合适的时机将采集的图像传到图像处理层。 6.3.1.2 图像处理与计数 选择系统菜单的自动计数就可以得到最终的计数结果和处理的对比图。当图像与理想的情形差别较大或其他因素使自动处理的结果误差较大时，可以手工处理或在自动处理的基础上，进一步处理。 6.3.2 软件总体描述 系统软件基本上可按照图像处理的流程来进行描述。系统的流程图为： 图6-1系统流程图 6.4核心模块说明 系统中对已经成熟的算法和图像处理需要频繁的底层函数封装在类CDib中，而对图像的特定处理函数和自己编写的处理算法按照功能分别归在不同的文件中，从而简化类的设计，也有利于代码的修改，当然，在程序定型后，也可以将它们封装在类中。 6.4.1 DIB底层API和类CDib ㈠DIB底层API PaintDIB() - 绘制DIB对象 CreateDIBPalette() - 创建DIB对象调色板 FindDIBBits() - 返回DIB图像象素起始位置 DIBWidth() - 返回DIB宽度 DIBHeight() - 返回DIB高度 PaletteSize() - 返回DIB调色板大小 DIBNumColors() - 计算DIB调色板颜色数目 CopyHandle() - 拷贝内存块 SaveDIB() - 将DIB保存到指定文件中 ReadDIBFile() - 重指定文件中读取DIB对象 ㈡类CDib的主要属性函数 BOOL IsEmpty(); // 判断DIB是否为空 DWORD GetCompression();//获取压缩方式 WORD GetBitCount();//获取每像素的位数 LONG GetWidth();// 获取以象素表示的DIB的宽度 LONG GetHeight(); // 获取以象素表示的DIB的高度 LONG GetWidthBytes();//获取每行的字节数 WORD GetColorNumber();//获取颜色数 WORD GetPaletteSize();// 获取调色板的表项数 CBitmap* GetBitmap();//返回数据成员m_pBitmap CPalette* GetPalette();//返回数据成员m_pPalette HANDLE GetHandle();//返回数据成员m_hDib LPBYTE GetBitsPtr();//获取位图数据的首地址 COLORREF GetPixel(LONG x, LONG y);// 获取象素真实的颜色值 LONG GetPixelOffset(LONG x, LONG y);// 获取象素在图象数据块中的位置 6.4.2 主要模块说明 本节给出几个核心模块的流程图，详细的设计请看源代码注释和函数调用。 ㈠迭代求阈值 图6-2 迭代求阈值流程图 ㈡Canny边缘分割 图6-3 Canny边缘检测流程图 ㈢类圆分割 ㈣类圆识别 第七章 结论及展望 7.1工作总结 在充分调研和导师精心指导的基础上，结合本课题的特点，提出并实现了钢筋端面图像计数处理系统的软件部分，包括：图像的预处理、图像的迭代二值化、Canny边缘检测、基于Canny边缘的预分割、类圆分割、类圆识别、自动标定与结果的蒙板对比。基本上完成了开题报告中所预期的目标。当线材捆扎较好并且外围背景能够得到控制或便于处理，成像条件较好时，系统的处理精度和速度能够满足现场应用。当然，由于研究对象的特殊性以及课题初期资料的缺乏，尤其是没有合适的先导实验算法、程序可供试验，在有限的时间内，所能做的工作毕竟有限，系统中还有一些不完善和需要改进的地方。特别地，研究进行的过程中，一些与本课题直接相关的科研论文陆续发表，开拓了研制的思路，同时，随着处理资料的增多和对课题研究的深入、经验的积累，相信，假以时日，系统会不断完善，计数的精度和速度也能相应改善。目前，受时间限制，系统还不是很理想，尤其是对成像条件比较差的情况下，计数误差比较高。同时，受实验条件和时间的限制，算法主要是基于数码相机在野外成像的图像开发的，与采用CCD摄像机加数据采集卡在工厂生产的环境下获取图像有些不同，因此，系统后续研制应在这方面多实验调试。 7.2进一步的工作 通过实验发现，图像的处理速度随图像的尺寸缩小明显加快，但计数误差相应的也增加，因此，一方面要改善图像分割、识别算法，另一方面，可以探索改善成像条件，提高成像质量，从而，使系统在小尺寸下的计数误差不超过设计要求。如果，图像中的物体间有明显的过渡区域，特别地，在二值化时，如果物体间接触处的凹陷不被掩盖（不误化分为目标），则系统的计数精度可以达到100%，此时受尺寸的影响也较小。因此，提高捆扎的质量对计数精度的提高有明显的作用，否则，在处理前，用手工处理图像，使物体间的过渡区能被系统正确识别。 借助边缘信息可以提高分割的质量，本文目前只是初步的应用了边缘信息，由于实际物体内部非均质性，图像在边缘分割算子的作用下，出现了许多伪边缘点，在缩小的尺寸下，得到的边缘点基本上都是真实的边缘，但又容易遗漏一些真实的边缘，如何提高这方面的应用，值得进一步的研究，这也是进一步提高系统精度比较可行的方向。 目前的系统距实际产品应用还有一定的距离，从软件上讲，目前还没有加入计数数据的管理功能，同时也没有在生产现场进行大规模的测试；从硬件上看，还可以进一步研制小型便携、集成的嵌入式产品。 参考文献 [1]杨枝灵,王开，等. Visual C++数字图像获取处理及实践应用. 北京：人民邮电出版社, 2003. 73~82 504~573 [2]张益贞,刘滔. Visual C++实现MPEG/JPEG编解码技术. 北京：人民邮电出版社,2002. 10~168 [3]周长发.精通Visual C++.net图像处理编程.北京:电子工业出版社,2002.1~153 [4]何斌,马天予,王运坚,等. Visual C++数字图像处理. 北京：人民邮电出版社,2001 [5]夏良正.数字图像处理.南京:东南大学出版社,1999.1~37 [6]Kenneth R.Castleman. 数字图像处理.朱志刚等译.北京: 电子工业出版社,2002.1~28 [7]Rafael C.Gonzalez,Richard E.Woods.Digital Image Processing(Second Edition). 北京: 电子工业出版社,2003 [8]马颂德,张正友. 计算机视觉——计算理论与算法基础.北京:科学出版社,1997.1~9 [9]贾云得.机器视觉. 北京:科学出版社,2000 [10]章毓晋. 图象理解与计算机视觉. 北京：清华大学出版社,2000 [11]章毓晋. 图象处理与分析. 北京：清华大学出版社,1999 [12]章毓晋. 图象分割. 北京：科学出版社,2001 [13]崔屹. 图象处理与分析－－数学形态学方法及应用. 北京：科学出版社,2000 [14]沈福元. 计算机图像处理在线钢筋计数新技术通过鉴定. 上海金属 24卷 :24 [15]朱常青,冯筱林,杨建国. 螺纹钢筋（棒材类）的精确计数方法. 上海大学学报（自然科学版）1998, Vol4，No 5 [16]王培珍,杨维翰,沈玉梁. 基于融合技术的棒材定支数图像识别. 合肥工业大学学报（自然科学版）, 2003,Vol26 ,No 2 [17]张 琳 ,芩豫皖 ,杜培明. 基于VC的棒材自动计数方法的研究与应用. 工业控制计算机,2003,16卷,第3期 [18]王爱民,沈兰荪. 图像分割研究综述. 测控技术 2000,19卷第 5期 :p1-6 [19]应勤. Photoshop7.0入门与提高.北京：清华大学出版社,2002 [20]谷口庆治. 数字图象处理（应用篇）. 北京：科学出版社,2002 [21]栾新，朱铁一. 不规则类圆形目标图象识别新策略.中国图象图形学报,1999, 4（3），A: 202~206 [22]赵立初，施鹏飞. 基于动态阈值选择和细化算法的角膜细胞轮廓抽取.上海交通大学学报 ,1998, 32（9）67~69 [23]王浩军，郑崇勋. 彩色血液细胞图像的自动分割方法研究. 生物医学工程学杂志 2002,I9（2）： 251－255 [24]王金涛，刘文耀. 流域分割算法在细胞图像分割中的应用. 西南交通大学学报,2002, 37 （3）：290~294 [25]王浩军，郑崇勋. 基干自适应多尺度的血液细胞图像阈值分割方法研究. 西安交通大学学报,2001, 35（4）：390~397 [26]苑纬琦, 等 血细胞计算机自动计数仪. 医疗装备,1997, 10（2）： 8~10 [27]苑纬琦, 等 血细胞数的图象检测方法研究, 仪器仪表学报, 1999, 20（3）：305~307 [28]易东，李辉智. 细胞图像的斑点缝隙噪声消除方法研究. ACTA ACADEMIAE MEDICINAE MILITARIS TERTIAE ,1999:285~287 [29]陆建峰，杨静宇. 重叠细胞图像分离算法的设计. 计算机研究与发展,2000, 37（2）：228~232 [30]刘相滨，邹北骥.一个微生物细胞图像自动判读系统的实现. 计算机工程与应用,2002, （7）：125~127 [31]王昕，曲波. 一种不规则封闭形状的轮廓跟踪算法. 南京航空航天大学学报 ,1996 , 28（4）：580~583 [32]苑纬琦，张田文. 一种新的堆积颗粒图像边缘检测方法. 哈尔滨工业大学学报,2001, 33（4）：454~458 [33]赵雪春，戚飞虎. 基于可变形模型及像素相似性统计的自动图像分割. 红外与毫米波学报,2000, 19（1）：33~37 [34]黄敬雄，谢维信. 基于模糊神经网络的目标识别. 西安电于科技大学学报,1997, 24（1）：72~77 [35]张新明，沈兰荪. 基于特征距离的阈值法及其在眼科图象分割中的应用. 中国图象图形学报,2001, 6（2A）：159~163 [36]金立左，夏良正. 图象分割的自适应模糊阈值法,中国图象图形学报 ,2000,5（5A）：390~395 [37]刘宏兵，杨万海. 图像小波边缘提取中阈值选取的一种自适应方法. 西安电了科技大学学报（自然科学版）,2000 , 27（3）：294~296 [38]许东,袁晓辉.一种基于可变形模型的图像分割算法. 红外与毫米波学报,2002, 21（1）：49～53 [39]章毓晋. 中国图像工程及当前的几个研究热点. 计算机辅助设计与图形学学报,2002, 14（6）：489～500 [40]韩思奇,王蕾.图像分割的阈值法综述.系统工程与电子技术,2002, 24（6）：91-94 [41]赵荣椿, 等.图象分割技术进展. 中国体视学与图象分析,1998, 3（2）：121-127 [42]唐慧明. 二值图像颗粒分割及其应用. 计算机工程与科学,1994,3:1~3 [43]齐国生,叶丹,洪强宁,等. 基于圆形假设和多边形近似的细胞图像分解. 计算机工程与应用,2003.16:75~85 [44]王磊,莫玉龙,戚飞虎. 基于Canny理论的边缘提取改善方法.中国图象图形学报,1996, Vol 1, No3:191!~193 [45]刘文萍，吴立德.图象分割中阈值选取方法比较研究.模式识别与人工智能. 1997,9：271~277 [46]周群,胡光锐. 基于模板覆盖法的钢筋在线计数方法. 上海交通大学学报,1999,Vol 33, No 11:1462~1464 [47]王培珍,杜培明,周雷. 基于融合技术的螺纹钢打捆端面图像分割方案探讨.安徽工业大学学报,2003,Vol 20, No 1:62~65 [48]章毓晋.图象分割评价技术分类和评价.中国图象图形学报,1996,Vol 1, No 2:151~158 [49]吴一全,朱兆达.图像处理中阈值选取方法30年(1969~1992)的进展(一).数据采集与处理,1993,8(3):193~201 [50]吴一全,朱兆达.图像处理中阈值选取方法30年(1969~1992)的进展(二).数据采集与处理,1993,8(4):261~281 [51]侯格贤,毕笃彦,吴成柯. 图象分割质量评价方法研究. 中国图象图形学报,2000,Vol 5(A), No 1:39~43 [52]罗希平,田捷,诸葛婴,等. 图像分割方法综述. 模式识别与人工智能,1999, Vol 12, No 3:300~312 [53]Zhang Y J.A survey on evaluation methods for image segmentation. Pattern Recognition,1996，29（8）：1335~1346 [54]J.Canny. A Computational Approach to Edge Detection. IEEE Trans.PAMI-8,1996,Vol PAMI-8,No 6,679~698 [55]Wang W X.. Binary Image Segmentation and Classification of Aggregates Based on Polygonal Approximation and Classification of Concavities[J].Pattern Recognition ,1998:31(10)1503~1524 [56]Guimaraes L V, Suizm A A, Maeda J. A New Automatic Circular Decomposition Algorithm Applied to Blood Cell Images[C].In: Proceedings of IEEE International Symposium on Bio-Informatics and Biomedical Engineering, Arlington, VA, USA, New York: IEEE 2000:277~280 [57]RACHID.D. Regularization, Scale-Space, and Edge Detection Filters. Journal of Mathematical Imaging and Vision ,1997,7:291~307 [58] A. Amin. A Document Skew Detection Method Using the Hough Transform. Pattern Analysis & Applications (2000)3:243–253 [59]H. Utku1, H. Koksel. Classification of wheat grains by digital image analysis using statistical filters. Euphytica ,1998(100): 171~178. [60]Kittler J, Illingworth J． Mininum error thresholding ［J］Pattern Recognition 1986，19: 41~47 [61]GUANG DENG . Differentiation-Based Edge Detection Using the Logarithmic Image Processing Model. Journal of Mathematical Imaging and Vision ,1998(8):161~180 [62]Theera-Umpon, Nipon, Gader, Paul D.Automated white blood cell counting via classification-free granulometric methods . Proceedings of SPIE - The International Society for Optical Engineering.,1999,3646.-260-269 [63]Zikuan Chen, Yang Tao, Xin Chen, and Carl Griffis. Wavelet-based adaptive thresholding method for image segmentation Optical engineering.,2001,40(5):-868~874 [64]Wu, H.-S.; Gil, J.; Barba, J .Optimal segmentation of cell images .IEE Proceedings: Vision, Image and Signal Processing.,1998,145(1).-50~56 [65]Tabb, Mark; Ahuja, Narendra .Multiscale image segmentation by integrated edge and region detection. IEEE Transactions on Image Processing.,1997,6(5).-642~654 [66]TehChuan Chen, KuoLiang Chung. An Efficient Randomized Algorithm for Detecting Circles Computer Vision and Image Understanding,2001,83(2).-172~191 [67] Nipon T，Counting white blood cells using morphological granulometries Journal of Electronic Imaging,2001,9(2).-170~177 [68]P J.H. Bronkorsta M.J.T. Reinders , E.A. Hendriks . On-line detection of red blood cell shape using deformable templates. Pattern recognition letters ,2001,21(5).-413~424 [69]Illingworth J,Kittler.A Survey of the Hough Transform. Computer Vision,Graphics,and Image Processing,1988,44:87~116 [70]Sahoo P K,et al. A Survey of thresholding techniques.CVGIP,1998,41:233~260 [71]Pal N R,Pal S k.. A Review on image segmentation techniques. Pattern Recognition,1993,26:1277~1294 [72]Weszka J S. A survey of threshold selection techniques. CGIP,1978,7:259~265 [73]Davis L S. A survey of edge detection techniques.CGIP,1975,4:248~270 [74]Fu K S,Mui J K. A survey on image segmentation. Pattern Recognition,1981,13:3~16 [75]Zhang Y J.Segmentation evaluation and comparsion:a study of various algorithms.SPIE, 1993,2094:801~812 [76]Chalana V,Kim Y. A Methodology for Evaluation of Boundary Detection on Medical Images. IEEE Trans on Medical Imaging,1997,16(5):642~652 [77]栾 新.原木材积计算机视觉检测系统的研究:[博士学位论文].哈尔滨：哈尔滨工业大学，1997 [78]陆志敏.玻璃瓶罐外形尺寸的计算机视觉检测:[硕士学位论文].广西:广西师范大学,2000 [79]魏晓燕.基于数字图像处理的椭圆型孔径自动检测系统:[硕士学位论文].南京:南京师范大学,2002 [80]刘立波.数学形态学在二值图象处理与分析中的研究及应用:[硕士学位论文].西安:西北大学,2002 [81]边肇祺,张学工,等. 模式识别(第二版). 北京:清华大学出版社,2000 致谢 这篇论文是为课题捆扎图像计数仪所做研究的一个总结。由于学识水平所限制，以及问题的复杂和采集到图像的局限，研究可能是不全面的，论证中也难免存在错误和不足之处，恭请老师和专家不吝赐教。 回首近三年的学习经历，百感交集，谨此向我的授业恩师、亲人、同学表示由衷的感谢： 首先，要感谢我的导师王景中教授。三年中，他为我的学习和研究，给予了精心的指导，倾注了大量的心血。在课题研制最困难的起步阶段，他渊博的知识，严谨的治学作风，随和的处世风格，坚定了我的信心；与他的睿智的探讨，将使我终身受益。在此，我要向王景中教授致以深深的谢意！ 感谢所有的任课老师：马润津教授，李也白教授，赵会群教授，李晋宏教授，黄心渊教授，吴洁明副教授，余生晨副教授，曾凡锋副教授，付小铃副教授。您们无私的教诲和耐心的辅导，让我得以完成学业。特别感谢余生晨副教授，几次富有建设性的讨论，开拓了研制的思路。同时也要感谢通信学科全体教师的支持和帮助。 感谢与我朝夕相处的所有同学，是你们让我又回到了大学时代，感受到当代大学生的激情。同时，也要感谢实验室的全体同学，和你们愉快的合作和激烈的争论，拓宽了思考的视野。特别要感谢杨光华师弟编制、调试了图像采集的程序！也要感谢赵志英师妹认真通读、润色了全文！ 最后，要特别对我的家人致以深深的感谢和真挚的歉意！感谢你——我的爱人！由于你的无私的奉献和热忱的鼓励，我才得以再次外出求学！同时，对我没能尽到做人夫、做人父的责任向你们表示深深的歉意！再次感谢你们的宽容并愿意把我的论文献给你们：勇敢、贤惠的妻子！可爱、活泼的儿子！ 申请学位期间的研究成果及发表的学术论文 一 研究成果 承担北京市教育委员会科技基金项目——捆扎线材图像测量计数仪，该项目目前正在现场测试中。 二 公开发表的论文 《捆扎物体快速识别计数方法》即将发表在核心期刊《计算机应用研究》上。 《基于凹点的粘连分割及应用》被第13届计算机辅助设计与图形学大会录用，并被作为优秀论文收入大会论文集。 《基于类圆分割的棒材计数图像识别》被核心期刊《工程图学报》录用，年内发表。 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作 者 签 名：　　 　 　　日　 期：　　 　 　　 ​​​​​​​​​​​​ 指导教师签名：　　 　 　　 日　　期：　　 　 　　 使用授权说明 本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：　　 　 　　 日　 期：　　 　 　　 ​​​​​​​​​​​​ 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权　　 　 　大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 指导教师评阅书 指导教师评价： 一、撰写（设计）过程 1、学生在论文（设计）过程中的治学态度、工作精神 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、学生掌握专业知识、技能的扎实程度 □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、学生综合运用所学知识和专业技能分析和解决问题的能力 □ 优 □ 良 □ 中 □ 及格 □ 不及格 4、研究方法的科学性；技术线路的可行性；设计方案的合理性 □ 优 □ 良 □ 中 □ 及格 □ 不及格 5、完成毕业论文（设计）期间的出勤情况 □ 优 □ 良 □ 中 □ 及格 □ 不及格 二、论文（设计）质量 1、论文（设计）的整体结构是否符合撰写规范？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、是否完成指定的论文（设计）任务（包括装订及附件）？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 三、论文（设计）水平 1、论文（设计）的理论意义或对解决实际问题的指导意义 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、论文的观念是否有新意？设计是否有创意？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、论文（设计说明书）所体现的整体水平 □ 优 □ 良 □ 中 □ 及格 □ 不及格 建议成绩：□ 优 □ 良 □ 中 □ 及格 □ 不及格 （在所选等级前的□内画“√”） 指导教师： （签名） 单位： （盖章） 年 月 日 评阅教师评阅书 评阅教师评价： 一、论文（设计）质量 1、论文（设计）的整体结构是否符合撰写规范？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、是否完成指定的论文（设计）任务（包括装订及附件）？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 二、论文（设计）水平 1、论文（设计）的理论意义或对解决实际问题的指导意义 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、论文的观念是否有新意？设计是否有创意？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、论文（设计说明书）所体现的整体水平 □ 优 □ 良 □ 中 □ 及格 □ 不及格 建议成绩：□ 优 □ 良 □ 中 □ 及格 □ 不及格 （在所选等级前的□内画“√”） 评阅教师： （签名） 单位： （盖章） 年 月 日 教研室（或答辩小组）及教学系意见 教研室（或答辩小组）评价： 一、答辩过程 1、毕业论文（设计）的基本要点和见解的叙述情况 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、对答辩问题的反应、理解、表达情况 □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、学生答辩过程中的精神状态 □ 优 □ 良 □ 中 □ 及格 □ 不及格 二、论文（设计）质量 1、论文（设计）的整体结构是否符合撰写规范？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、是否完成指定的论文（设计）任务（包括装订及附件）？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 三、论文（设计）水平 1、论文（设计）的理论意义或对解决实际问题的指导意义 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、论文的观念是否有新意？设计是否有创意？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、论文（设计说明书）所体现的整体水平 □ 优 □ 良 □ 中 □ 及格 □ 不及格 评定成绩：□ 优 □ 良 □ 中 □ 及格 □ 不及格 （在所选等级前的□内画“√”） 教研室主任（或答辩小组组长）： （签名） 年 月 日 教学系意见： 系主任： （签名） 年 月 日 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下进行的研究工作所取得的成果。尽我所知，除文中已经特别注明引用的内容和致谢的地方外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式注明并表示感谢。本人完全意识到本声明的法律结果由本人承担。 学位论文作者（本人签名）： 年 月 日 学位论文出版授权书 本人及导师完全同意《中国博士学位论文全文数据库出版章程》、《中国优秀硕士学位论文全文数据库出版章程》(以下简称“章程”)，愿意将本人的学位论文提交“中国学术期刊（光盘版）电子杂志社”在《中国博士学位论文全文数据库》、《中国优秀硕士学位论文全文数据库》中全文发表和以电子、网络形式公开出版，并同意编入CNKI《中国知识资源总库》，在《中国博硕士学位论文评价数据库》中使用和在互联网上传播，同意按“章程”规定享受相关权益。 论文密级： □公开 □保密（___年__月至__年__月）(保密的学位论文在解密后应遵守此协议) 作者签名：_______ 导师签名：_______ _______年_____月_____日 _______年_____月_____日 独 创 声 明 本人郑重声明：所呈交的毕业设计(论文)，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我所知，除文中已经注明引用的内容外，本设计（论文）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。 本声明的法律后果由本人承担。   作者签名: 二〇一〇年九月二十日   毕业设计（论文）使用授权声明 本人完全了解滨州学院关于收集、保存、使用毕业设计（论文）的规定。 本人愿意按照学校要求提交学位论文的印刷本和电子版，同意学校保存学位论文的印刷本和电子版，或采用影印、数字化或其它复制手段保存设计（论文）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布设计（论文）的部分或全部内容，允许他人依法合理使用。 （保密论文在解密后遵守此规定）   作者签名: 二〇一〇年九月二十日 致 谢 时间飞逝，大学的学习生活很快就要过去，在这四年的学习生活中，收获了很多，而这些成绩的取得是和一直关心帮助我的人分不开的。 首先非常感谢学校开设这个课题，为本人日后从事计算机方面的工作提供了经验，奠定了基础。本次毕业设计大概持续了半年，现在终于到结尾了。本次毕业设计是对我大学四年学习下来最好的检验。经过这次毕业设计，我的能力有了很大的提高，比如操作能力、分析问题的能力、合作精神、严谨的工作作风等方方面面都有很大的进步。这期间凝聚了很多人的心血，在此我表示由衷的感谢。没有他们的帮助，我将无法顺利完成这次设计。 首先，我要特别感谢我的知道郭谦功老师对我的悉心指导，在我的论文书写及设计过程中给了我大量的帮助和指导，为我理清了设计思路和操作方法，并对我所做的课题提出了有效的改进方案。郭谦功老师渊博的知识、严谨的作风和诲人不倦的态度给我留下了深刻的印象。从他身上，我学到了许多能受益终生的东西。再次对周巍老师表示衷心的感谢。 其次，我要感谢大学四年中所有的任课老师和辅导员在学习期间对我的严格要求，感谢他们对我学习上和生活上的帮助，使我了解了许多专业知识和为人的道理，能够在今后的生活道路上有继续奋斗的力量。 另外，我还要感谢大学四年和我一起走过的同学朋友对我的关心与支持，与他们一起学习、生活，让我在大学期间生活的很充实，给我留下了很多难忘的回忆。 最后，我要感谢我的父母对我的关系和理解，如果没有他们在我的学习生涯中的无私奉献和默默支持，我将无法顺利完成今天的学业。 四年的大学生活就快走入尾声，我们的校园生活就要划上句号，心中是无尽的难舍与眷恋。从这里走出，对我的人生来说，将是踏上一个新的征程，要把所学的知识应用到实际工作中去。 回首四年，取得了些许成绩，生活中有快乐也有艰辛。感谢老师四年来对我孜孜不倦的教诲，对我成长的关心和爱护。 学友情深，情同兄妹。四年的风风雨雨，我们一同走过，充满着关爱，给我留下了值得珍藏的最美好的记忆。 在我的十几年求学历程里，离不开父母的鼓励和支持，是他们辛勤的劳作，无私的付出，为我创造良好的学习条件，我才能顺利完成完成学业，感激他们一直以来对我的抚养与培育。 最后，我要特别感谢我的导师***老师、和研究生助教***老师。是他们在我毕业的最后关头给了我们巨大的帮助与鼓励，给了我很多解决问题的思路，在此表示衷心的感激。老师们认真负责的工作态度，严谨的治学精神和深厚的理论水平都使我收益匪浅。他无论在理论上还是在实践中，都给与我很大的帮助，使我得到不少的提高这对于我以后的工作和学习都有一种巨大的帮助，感谢他耐心的辅导。在论文的撰写过程中老师们给予我很大的帮助，帮助解决了不少的难点，使得论文能够及时完成，这里一并表示真诚的感谢。 致 谢 这次论文的完成，不止是我自己的努力，同时也有老师的指导，同学的帮助，以及那些无私奉献的前辈，正所谓你知道的越多的时候你才发现你知道的越少，通过这次论文，我想我成长了很多，不只是磨练了我的知识厚度，也使我更加确定了我今后的目标：为今后的计算机事业奋斗。在此我要感谢我的指导老师——***老师，感谢您的指导，才让我有了今天这篇论文，您不仅是我的论文导师，也是我人生的导师，谢谢您！我还要感谢我的同学，四年的相处，虽然我未必记得住每分每秒，但是我记得每一个有你们的精彩瞬间，我相信通过大学的历练，我们都已经长大，变成一个有担当，有能力的新时代青年，感谢你们的陪伴，感谢有你们，这篇论文也有你们的功劳，我想毕业不是我们的相处的结束，它是我们更好相处的开头，祝福你们！我也要感谢父母，这是他们给我的，所有的一切；感谢母校，尽管您不以我为荣，但我一直会以我是一名农大人为荣。 通过这次毕业设计，我学习了很多新知识，也对很多以前的东西有了更深的记忆与理解。漫漫求学路，过程很快乐。我要感谢信息与管理科学学院的老师，我从他们那里学到了许多珍贵的知识和做人处事的道理，以及科学严谨的学术态度，令我受益良多。同时还要感谢学院给了我一个可以认真学习，天天向上的学习环境和机会。 即将结束*大学习生活，我感谢****大学提供了一次在农大接受教育的机会，感谢院校老师的无私教导。感谢各位老师审阅我的论文。 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作 者 签 名：　　 　 　　日　 期：　　 　 　　 ​​​​​​​​​​​​ 指导教师签名：　　 　 　　 日　　期：　　 　 　　 使用授权说明 本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：　　 　 　　 日　 期：　　 　 　　 ​​​​​​​​​​​​ 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权　　 　 　大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 独 创 声 明 本人郑重声明：所呈交的毕业设计(论文)，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我所知，除文中已经注明引用的内容外，本设计（论文）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。 本声明的法律后果由本人承担。   作者签名: 年 月 日   毕业设计（论文）使用授权声明 本人完全了解**学院关于收集、保存、使用毕业设计（论文）的规定。 本人愿意按照学校要求提交学位论文的印刷本和电子版，同意学校保存学位论文的印刷本和电子版，或采用影印、数字化或其它复制手段保存设计（论文）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布设计（论文）的部分或全部内容，允许他人依法合理使用。 （保密论文在解密后遵守此规定）   作者签名: 年 月 日 基本要求：写毕业论文主要目的是培养学生综合运用所学知识和技能，理论联系实际，独立分析，解决实际问题的能力，使学生得到从事本专业工作和进行相关的基本训练。毕业论文应反映出作者能够准确地掌握所学的专业基础知识，基本学会综合运用所学知识进行科学研究的方法，对所研究的题目有一定的心得体会，论文题目的范围不宜过宽，一般选择本学科某一重要问题的一个侧面。 毕业论文的基本教学要求是： 1、培养学生综合运用、巩固与扩展所学的基础理论和专业知识，培养学生独立分析、解决实际问题能力、培养学生处理数据和信息的能力。2、培养学生正确的理论联系实际的工作作风，严肃认真的科学态度。3、培养学生进行社会调查研究；文献资料收集、阅读和整理、使用；提出论点、综合论证、总结写作等基本技能。 毕业论文是毕业生总结性的独立作业，是学生运用在校学习的基本知识和基础理论，去分析、解决一两个实际问题的实践锻炼过程，也是学生在校学习期间学习成果的综合性总结，是整个教学活动中不可缺少的重要环节。撰写毕业论文对于培养学生初步的科学研究能力，提高其综合运用所学知识分析问题、解决问题能力有着重要意义。 毕业论文在进行编写的过程中，需要经过开题报告、论文编写、论文上交评定、论文答辩以及论文评分五个过程，其中开题报告是论文进行的最重要的一个过程，也是论文能否进行的一个重要指标。 撰写意义：1.撰写毕业论文是检验学生在校学习成果的重要措施，也是提高教学质量的重要环节。大学生在毕业前都必须完成毕业论文的撰写任务。申请学位必须提交相应的学位论文，经答辩通过后，方可取得学位。可以这么说，毕业论文是结束大学学习生活走向社会的一个中介和桥梁。毕业论文是大学生才华的第一次显露，是向祖国和人民所交的一份有份量的答卷，是投身社会主义现代化建设事业的报到书。一篇毕业论文虽然不能全面地反映出一个人的才华，也不一定能对社会直接带来巨大的效益，对专业产生开拓性的影响。但是，实践证明，撰写毕业论文是提高教学质量的重要环节，是保证出好人才的重要措施。 2.通过撰写毕业论文，提高写作水平是干部队伍“四化”建设的需要。党中央要求，为了适应现代化建设的需要，领导班子成员应当逐步实现“革命化、年轻化、知识化、专业化”。这个“四化”的要求，也包含了对干部写作能力和写作水平的要求。 3.提高大学生的写作水平是社会主义物质文明和精神文明建设的需要。在新的历史时期，无论是提高全族的科学文化水平，掌握现代科技知识和科学管理方法，还是培养社会主义新人，都要求我们的干部具有较高的写作能力。在经济建设中，作为领导人员和机关的办事人员，要写指示、通知、总结、调查报告等应用文；要写说明书、广告、解说词等说明文；还要写科学论文、经济评论等议论文。在当今信息社会中，信息对于加快经济发展速度，取得良好的经济效益发挥着愈来愈大的作用。写作是以语言文字为信号，是传达信息的方式。信息的来源、信息的收集、信息的储存、整理、传播等等都离不开写作。 论文种类：毕业论文是学术论文的一种形式，为了进一步探讨和掌握毕业论文的写作规律和特点，需要对毕业论文进行分类。由于毕业论文本身的内容和性质不同，研究领域、对象、方法、表现方式不同，因此，毕业论文就有不同的分类方法。 按内容性质和研究方法的不同可以把毕业论文分为理论性论文、实验性论文、描述性论文和设计性论文。后三种论文主要是理工科大学生可以选择的论文形式，这里不作介绍。文科大学生一般写的是理论性论文。理论性论文具体又可分成两种：一种是以纯粹的抽象理论为研究对象，研究方法是严密的理论推导和数学运算，有的也涉及实验与观测，用以验证论点的正确性。另一种是以对客观事物和现象的调查、考察所得观测资料以及有关文献资料数据为研究对象，研究方法是对有关资料进行分析、综合、概括、抽象，通过归纳、演绎、类比，提出某种新的理论和新的见解。 按议论的性质不同可以把毕业论文分为立论文和驳论文。立论性的毕业论文是指从正面阐述论证自己的观点和主张。一篇论文侧重于以立论为主，就属于立论性论文。立论文要求论点鲜明，论据充分，论证严密，以理和事实服人。驳论性毕业论文是指通过反驳别人的论点来树立自己的论点和主张。如果毕业论文侧重于以驳论为主，批驳某些错误的观点、见解、理论，就属于驳论性毕业论文。驳论文除按立论文对论点、论据、论证的要求以外，还要求针锋相对，据理力争。 按研究问题的大小不同可以把毕业论文分为宏观论文和微观论文。凡届国家全局性、带有普遍性并对局部工作有一定指导意义的论文，称为宏观论文。它研究的面比较宽广，具有较大范围的影响。反之，研究局部性、具体问题的论文，是微观论文。它对具体工作有指导意义，影响的面窄一些。 另外还有一种综合型的分类方法，即把毕业论文分为专题型、论辩型、综述型和综合型四大类： 1．专题型论文。这是分析前人研究成果的基础上，以直接论述的形式发表见解，从正面提出某学科中某一学术问题的一种论文。如本书第十二章例文中的《浅析领导者突出工作重点的方法与艺术》一文，从正面论述了突出重点的工作方法的意义、方法和原则，它表明了作者对突出工作重点方法的肯定和理解。2．论辩型论文。这是针对他人在某学科中某一学术问题的见解，凭借充分的论据，着重揭露其不足或错误之处，通过论辩形式来发表见解的一种论文。3．综述型论文。这是在归纳、总结前人或今人对某学科中某一学术问题已有研究成果的基础上，加以介绍或评论，从而发表自己见解的一种论文。4．综合型论文。这是一种将综述型和论辩型两种形式有机结合起来写成的一种论文。如《关于中国民族关系史上的几个问题》一文既介绍了研究民族关系史的现状，又提出了几个值得研究的问题。因此，它是一篇综合型的论文。 写作步骤：毕业论文是高等教育自学考试本科专业应考者完成本科阶段学业的最后一个环节，它是应考者的 总结 性独立作业，目的在于总结学习专业的成果，培养综合运用所学知识解决实际 问题 的能力。从文体而言，它也是对某一专业领域的现实问题或 理论 问题进行 科学 研究 探索的具有一定意义的论说文。完成毕业论文的撰写可以分两个步骤，即选择课题和研究课题。 首先是选择课题。选题是论文撰写成败的关键。因为，选题是毕业论文撰写的第一步，它实际上就是确定“写什么”的问题，亦即确定科学研究的方向。如果“写什么”不明确，“怎么写”就无从谈起。 教育部自学考试办公室有关对毕业论文选题的途径和要求是“为鼓励理论与工作实践结合，应考者可结合本单位或本人从事的工作提出论文题目，报主考学校审查同意后确立。也可由主考学校公布论文题目，由应考者选择。毕业论文的总体要求应与普通全日制高等学校相一致，做到通过论文写作和答辩考核，检验应考者综合运用专业知识的能力”。但不管考生是自己任意选择课题，还是在主考院校公布的指定课题中选择课题，都要坚持选择有科学价值和现实意义的、切实可行的课题。选好课题是毕业论文成功的一半。 第一、要坚持选择有科学价值和现实意义的课题。科学研究的目的是为了更好地认识世界、改造世界，以推动社会的不断进步和发展 。因此，毕业论文的选题，必须紧密结合社会主义物质文明和精神文明建设的需要，以促进科学事业发展和解决现实存在问题作为出发点和落脚点。选题要符合科学研究的正确方向，要具有新颖性，有创新、有理论价值和现实的指导意义或推动作用，一项毫无意义的研究，即使花很大的精力，表达再完善，也将没有丝毫价值。具体地说，考生可从以下三个方面来选题。首先，要从现实的弊端中选题，学习了专业知识，不能仅停留在书本上和理论上，还要下一番功夫，理论联系实际，用已掌握的专业知识，去寻找和解决工作实践中急待解决的问题。其次，要从寻找科学研究的空白处和边缘领域中选题，科学研究。还有许多没有被开垦的处女地，还有许多缺陷和空白，这些都需要填补。应考者应有独特的眼光和超前的意识去思索，去发现，去研究。最后，要从寻找前人研究的不足处和错误处选题，在前人已提出来的研究课题中，许多虽已有初步的研究成果，但随着社会的不断发展，还有待于丰富、完整和发展，这种补充性或纠正性的研究课题，也是有科学价值和现实指导意义的。 第二、要根据自己的能力选择切实可行的课题。毕业论文的写作是一种创造性劳动，不但要有考生个人的见解和主张，同时还需要具备一定的客观条件。由于考生个人的主观、客观条件都是各不相同的，因此在选题时，还应结合自己的特长、兴趣及所具备的客观条件来选题。具体地说，考生可从以下三个方面来综合考虑。首先，要有充足的资料来源。“巧妇难为无米之炊”，在缺少资料的情况下，是很难写出高质量的论文的。选择一个具有丰富资料来源的课题，对课题深入研究与开展很有帮助。其次，要有浓厚的研究兴趣，选择自己感兴趣的课题，可以激发自己研究的热情，调动自己的主动性和积极性，能够以专心、细心、恒心和耐心的积极心态去完成。最后，要能结合发挥自己的业务专长，每个考生无论能力水平高低，工作岗位如何，都有自己的业务专长，选择那些能结合自己工作、发挥自己业务专长的课题，对顺利完成课题的研究大有益处。 致 谢 这次论文的完成，不止是我自己的努力，同时也有老师的指导，同学的帮助，以及那些无私奉献的前辈，正所谓你知道的越多的时候你才发现你知道的越少，通过这次论文，我想我成长了很多，不只是磨练了我的知识厚度，也使我更加确定了我今后的目标：为今后的计算机事业奋斗。在此我要感谢我的指导老师——***老师，感谢您的指导，才让我有了今天这篇论文，您不仅是我的论文导师，也是我人生的导师，谢谢您！我还要感谢我的同学，四年的相处，虽然我未必记得住每分每秒，但是我记得每一个有你们的精彩瞬间，我相信通过大学的历练，我们都已经长大，变成一个有担当，有能力的新时代青年，感谢你们的陪伴，感谢有你们，这篇论文也有你们的功劳，我想毕业不是我们的相处的结束，它是我们更好相处的开头，祝福你们！我也要感谢父母，这是他们给我的，所有的一切；感谢母校，尽管您不以我为荣，但我一直会以我是一名农大人为荣。 通过这次毕业设计，我学习了很多新知识，也对很多以前的东西有了更深的记忆与理解。漫漫求学路，过程很快乐。我要感谢信息与管理科学学院的老师，我从他们那里学到了许多珍贵的知识和做人处事的道理，以及科学严谨的学术态度，令我受益良多。同时还要感谢学院给了我一个可以认真学习，天天向上的学习环境和机会。 即将结束*大学习生活，我感谢****大学提供了一次在**大接受教育的机会，感谢院校老师的无私教导。感谢各位老师审阅我的论文。 抽象程度 语义 数据量 图像理解 图像分析 图像处理 操作对象 观察用户/执行系统 视觉 知识 理解 解释 采集 处理 分析 场景 图像 数据 人工智能、神经网络、遗传算法、模糊理论、图像代数 控制及策略 采集 处理和分析 显示 存储 图像显示 大规模存贮 计算机 特殊图像处理硬件 图像处理软件 硬拷贝 图像传感器 � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED PBrush ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� � EMBED Equation.3 ��� 学习/训练� 特征提取 样本模式� � 分类 实际模式 � EMBED PBrush ��� � EMBED PBrush ��� � EMBED PBrush ��� � EMBED Equation.3 ��� 采集图像或打开已保存的图像 格式转换生成256色灰度位图图像 Canny边缘检测并保存到内存（临时文件）中 高斯平滑 迭代求阈值并二值化图像 圆滑图像的边缘 图像分割 图像识别并更新计数器 原始图像与计数图像对比显示 求图像的频率直方图并记录灰度的最小值和最大值 赋初值：最大迭代次数1000和初始阈值为最小、最大值的一半 计算由阈值分割的两个区域的灰度平均值 用新阈值替换旧阈值迭代次数加1 判断迭代次数是否小于最大值和新旧阈值是否相等 输出阈值并对图像二值化 不成立 是 计算两个灰度平均值的均值 用指定参数生成一维高斯滤波器 对图像进行水平和垂直方向滤波 计算水平和垂直方向的方向导数 用方向导数的二阶范数计算梯度 计算插值的梯度幅度 比较插值幅度和实际幅度 标记该点为可能的边界点 统计标记边界点的梯度幅度直方图 统计标记边界点的梯度幅度直方图 确定梯度幅度最大值及总标记点数 确定高低梯度阈值 高阈值确定边界起点 低阈值迭代跟踪边界点 清除剩下标记边界点 非边界点 确定插值时用的四个邻近像素点 小于 大于 寻找从属于两点集间的最短距离 由左下角向上扫描 是分割线吗 记录各扫描线段长度 右移扫描线，向上扫描 比较相邻的两次扫描线段长度 用两点间3倍像素宽的直线分割图像 从点集中删除两点 长度减少量大于本次值的1/3 长度增加量大于前次值的1/3 还有凹点吗 水平右/左移5像素探测该点到边界的距离 局部图像分割完毕 最小值和二者的和大于指定阈值 下个扫描方向 到达最右端吗 找到左/右凹点 更新扫描数组 寻找该点对应局部的左右凹点 复制原始图像 交点到边界8个方向的距离 右移扫描线到最右 扫描到顶部？ 更新计数器和累积计数器 交点处理完毕？ 背景填充、计数器加1 满足设定的条件？ 平均距离及离差 中点的交点 扫描图像1 扫描图像2 直接计算中点 取该点的邻点作为本次的中点 有前次扫描的中点？ 搜索前次扫描中点标记 线段长度大于阈值？ 得到一个线段 由下向上垂直扫描图像 � EMBED Equation.3 ��� PAGE IV _1083480217.unknown _1110952617.unknown _1111045841.unknown _1111060297.unknown _1111048413.unknown _1111045578.unknown _1110890938.unknown _1110893115.unknown _1083931000.unknown _1110875759.unknown _1083919424.unknown _1083482214.unknown _1083152980.unknown _1083153106.unknown _1083226904.unknown _1083153007.unknown _1083077421.unknown _1083078632.unknown _1083077485.unknown _1083077298.unknown _1083077345.unknown