閾值分割的基本原理精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的閾值分割的基本原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：閾值分割的基本原理范文

圖像分割是計算機視覺中的一個關鍵問題，它是一種重要的圖像分析技術。其目的是將圖像中有意義的特征或者需要應用的特征提取出來。圖像分割所遵循的基本原則是，使區域內部所考慮的特征或屬性是相同或相似的。而這些特征或屬性在不同的區域中則不同、存在差異[1]。人們通常將圖像分割的方法歸納為基于灰度直方圖的閾值化方法和基于區域增長法兩大類。其中閾值化方法因其簡單、計算量小、性能較穩定而成為圖像分割中應用最廣泛的分割技術。近年來，隨著各學科新理論和方法的提出，人們也提出了許多結合特定理論、方法和工具的分割技術，例如基于數學形態學的分割技術、借助統計模式識別方法的分割技術、利用神經網絡的分割技術等[2]。

圖像閾值分割是根據一定的閾值將目標從視場背景分離出來的過程。在實際系統中，圖像目標和背景之間并不具備截然不同的灰度，隨著可見光照射角度的不同，目標的亮度和背景的亮度均要變化。因此閾值的正確選擇是很重要的，直接影響著分割的精度及圖像描述分析的正確性。通常采用自適應閾值選取，下面介紹基于梯度調整的矩不變自動閾值法，它克服了矩不變自動閾值法的缺陷，達到較好的分割效果。

1 矩不變閾值分割法介紹

矩是隨機變量的數學特征。矩法是由 Karl pearson在1894年引入的參數點估計算法，其基本思想是：樣本抽自總體，樣本的矩在一定程度上反映了總體的矩。因此可以用樣本矩函數的估計作為相應的總體矩函數的估計量。矩法是一種效率較高的正態性檢驗方法。具體作法是：樣本矩作為相應總體矩的估計量；以樣本矩的函數作為相應的總體矩同樣函數的估計量。這種方法最常見的應用是用樣本平均數估計總體數學期望。

從統計學觀點來看，圖像可以看作是二維隨機過程(隨機場)中的一個樣本，這個樣本可以看作是理想圖像的模糊視覺，其特性反映了總體的特性。從統計的角度來看，分割就是由樣本估計總體的特征，由樣本的分布估計總體的分布，分割本身也是對整體的一種描述和估計，是一個參數估計的問題，可以用參數估計的方法進行目標圖像的分割。矩不變閾值分割法就是把矩法用于圖像的分割，其基本思想是：使閾值分割前后，圖像的矩保持不變[3]。矩不變閾值法可以看作是一種圖像變換，它將原始模糊圖像變換成理想圖像。

二維圖像的第k階矩mk定義為：

其中i為灰度值，pi為圖像中灰度為i的像素比例。對于圖像分割來說，如果進行二值分割，則分割后只有Zo和Z1兩個灰度級，且Zo<Z1。低于閾值的像素比例和高于閾值的像素比例分別使用p0和p1表示，則分割后圖像的前三階矩：

對于劃分目標和背景的最佳閾值，應當保持分割前后的圖像的前三階矩相等。即有：

mi'=mi    (3)

則可以得到如下方程組：

為了找到希望的閾值t，需要先從上述方程組中解出po：

其中，

求出Po后再在原圖像直方圖上選擇合適的t使之滿足：

則t就是所求的分割閾值。當找不到精確的灰度值做門限滿足P0時，選擇最為接近的灰度值作為分割閾值。

矩不變法的運算速度較快，可以滿足實時性的要求，但其受目標影響較大，目標大小的變化會影響分割的準確性。

2 矩不變法的梯度調整

矩不變法是根據樣本估計總體的特性推導而出，是根據圖像的整體信息進行圖像分割。這種分割方法在實際應用中，發現分割后的目標邊緣細節信息有很大的丟失。通過對算法原理及不足點的分析，本文利用圖像中目標邊界和相鄰背景的灰度差別較大、而目標區域或背景區域內部像素間的灰度差別較小的特性，提出了一種基于梯度調整的改進的矩不變自動閾值法。改進后的算法的基本原理如下：

首先由矩不變法得到初始分割閾值t，然后利用梯度算子對圖像進行處理，計算出圖像的梯度分布。設現行掃描點、后一行掃描點和下一行中相鄰點的灰度為f(i,j),f(i+1,j)和f(i,j+1)，在x、y方向上的一階差分定義為：

梯度定義為：

G=Δxf(i,j)i+Δyf(i,j)j    (8)

其模為：

為了簡便計算，梯度模G[f(i,j)]選用如下的近似公式：

G[f(i,j)]=max[|Δxf(i,j)|,|Δyf(i,j)|]    (10)

根據計算出的梯度模，找出邊緣像素。設邊緣像素的梯度為Gef(i,j)，則有：

其中Te為邊界梯度閾值，可適當選取為（Gmax-Gmin）/2左右。

再求出邊緣像素的梯度均值：

MG=E[Ge[f(i,j]]    (12)

這樣，基于梯度調整的矩不變自動閾值分割法的閾值T為：

T=t-α·MG    (13)

其中，α（0≤α≤0.3)為調整系數，根據經驗在0.1左右選擇。

3 算法仿真

第2篇：閾值分割的基本原理范文

[關鍵詞] 邊緣檢測 差分背景 Canny算子 Otsu算法 自適應閾值

一、引言

車輛的檢測和跟蹤是當今機器視覺的熱點和焦點，車輛的跟蹤是建立在正確、可靠的檢測基礎上。我們一般觀察到的車輛都是有著復雜的背景，在做差分背景的運算可以較好的將背景的信息去掉，有利于車輛邊緣的檢測。但如何有效提取出差分圖像的車輛邊緣，一直是個難點，常用的邊緣檢測算法有Robert算子、Prewitt算子、Sobel算子和LOG算子等。但這些算子都對噪聲比較敏感，對于信噪比相對低的圖像，處理的效果不會很好，Canny算子能有效的去噪和保留圖像的邊緣，因此Canny算子在圖像的邊緣檢測中被廣泛的運用。

傳統的Canny算子利用固定的高、低閾值來進行邊緣提取，對不同圖像缺乏自適應性。另一方面無法消除局部噪聲干擾，在檢測出假邊緣的同時還會丟失一些灰度變化值變化緩慢的局部邊緣。本文在分析了傳統Canny算子的基本原理的基礎上提出了一種基于Otsu算法的Canny算子，該改進算子能有效對動態圖像序列的車輛自適應地生成動態閾值，自動提取邊緣，解決了閾值的選擇問題，提高了算子的魯棒性。

二、車輛檢測概述

圖像的分割與檢測(識別)是一項非常困難的工作。圖像很難說清楚為什么應該分割成這樣而不是那樣。人類的視覺系統是非常優越的，它不僅包含了雙眼，還包括了大腦，可以從很復雜的景物中分開并識別每個物體。

由于人類在觀察圖像中應用了大量的知識，所以沒有任何一臺計算機在分割和檢測真實圖像時，能達到人類視覺系統的水平。正因為如此，對于大部分圖像應用來說，實用化的自動分割與檢測還是一個將來時，目前只有少數的幾個領域(如印刷體識別OCR)自動識別達到了實用的水平。因此，這方面的研究很活躍，車輛檢測就是其中之一。

車輛的檢測就是對包含車輛信息的圖像序列運用數字信號處理技術進行適當的處理，從而去除靜止的背景，檢測出目標車輛及攜帶的運動信息，并對運動信息進行整合，得到關鍵參數。車輛目標檢測原則就是要盡可能保留那些對視覺檢測有重要意義的特征信息，同時最大限度地擯棄那些對運動目標無用的冗余信息。

三、差分圖像

背景差分是利用當前幀圖像和背景圖像的差分來檢測運動區域，即將當前幀圖像與背景圖像相減。它一般能提供教完整的特征數據，得到較精確的目標圖像。背景差分又可以分為動態背景差分和固定背景差分，動態背景差分要隨時間的推移更新背景圖像，實現比較困難，差分固定背景的優點在于只要獲得一幀背景圖像，從而速度快，實現簡單，但所采集得到的背景圖像隨著時間的推移，會對光照等外部條件比較敏感，影響到目標的檢測效果。本實驗中采用固定背景差分的方式。一般的情況下檢測目標是在差分圖里根據閾值來二值化圖像，區分目標與背景，而本文則是在差分圖像的基礎上用改進的Canny算子直接來提取車輛的輪廓來判斷目標。

四、邊緣檢測

邊緣是指圖像中那些領域灰度有強烈反差的像素的集合，它是圖像分割最重要的依據，也是紋理特征的重要信息源和形狀分析的基礎，邊緣信息適合于檢測和定位圖像中的物理位置。

邊緣檢測的3個最優準則:檢漏真實存在的邊緣點，不把非邊緣點作邊緣點檢出;檢測出的邊緣點的位置與真實邊緣點的位置接近，提高圖像的定位精度;每個真實存在的點與檢測出來的邊緣點――對應，也就是單邊緣響應準則。所以在檢測圖像的邊緣時，我們要盡量的滿足這3個準則。

對一幅圖像進行邊緣檢測，一般可以分三步:濾波、增強和檢測，Canny算法也是一個具有類似步驟的多階段的優化算法。

1.Canny算子的邊緣提取

(1)圖像平滑

Canny算子用高斯平滑濾波器對圖像進行去噪處理，用的是高斯平滑濾波器與圖像作卷積，因為要分割的圖像可能帶有部分噪聲，未對這部分噪聲進行處理將直接影響圖像邊緣提取的效果。設用I[i,j]表示圖像，那么卷積的過程可表示為:

S[i,j]=G[i,j,σ]*I[i,j](1)

其中G[i,j,σ]是高斯平滑濾波函數,σ是高斯函數的散布參數，用它來控制平滑程度。

(2)梯度的幅值和方向的計算

圖像不I[i,j]經過高斯平滑后的矩陣為S[i,j]，然后計算圖像的梯度矩陣，首先計算平滑后矩陣S[i,j]的x方向和y方向的偏導數，分別為Px[i,j]和Py[i,j]。

(2)

(3)

則圖像梯度的幅值和方向分別為

(4)

(5)

(3)梯度幅值的非極大值抑制

幅值圖像陣列M[i,j]的值越大，其對應的圖像梯度值也越大,但這還不足以確定邊緣。它僅僅體現了圖像的快速變化，為了確定邊緣，我們要的是保留局部變化最大的點。具體的做法是將像素[i,j]的梯度方向角的變化范圍縮減到圖1所示的4個區之一(編號相同的代表一個方向)，然后將同一方向上像素[i,j]與其相鄰像素的梯度幅值進行比較:若M[i,j]非局部極大值，就將其設為0。

(4)檢測和連接邊緣

對非極大值抑制圖像作雙閾值h1和h2，且h2≈2h1，得到兩個閾值邊緣圖像T1[i,j]和T2[i,j]，T2[i,j]是用高閾值得到，含有很少的假邊緣，但有間斷。雙閾值法要在T2[i,j]中把邊緣連接成輪廓，當到達輪廓的端點時，該算法就在T1[i,j]的8個鄰點位置尋找可以連接到輪廓上的邊緣，這樣,算法不斷的在T1[i,j]中收集邊緣，直到將T2[i,j]連接起來為止。

普通的Canny算子雙門限設置中，閾值h1和h2選擇是固定的，一般的做法是:設圖像的非邊緣數與總的像素點數的比值是q,從得到的梯度直方圖里里從低梯度開始逐步累加圖像點的數，當累加的數目與總像素的比值達到q時，對應的梯度值即為h2,而一般的q的取值為0.7。

分析了Canny算子的原理，可以看出，影響Canny算子性能的兩個因數是σ和h2的選取，對于灰度平坦的圖像，用較小的σ可以取的很好的平滑效果，但如果圖像的灰度復雜度增加，也要有相應的增加。高斯平滑模板隨著σ的增大而增大，平滑的速度會大幅度的變慢，針對σ的選取或估計也有很多人提出了改進的算法，但就結果來看，或者計算量大，或者改進的效果不理想，所以到目前為止也沒有一種好的方法能比較準確的確定不同圖像中σ的選取，我們按照圖像具體的情況選擇σ的數值。在本文實驗中，σ的取值為1。

h2的最佳選取也取決于像素間的灰度差異及它的空間分布，所以用固定的閾值去提取差分圖像中車輛的邊緣的話，很難有效提取出邊緣。我們在對差分背景的車輛圖像作梯度化處理以后，其直方圖呈雙峰的特性。這樣就可以用到Otsu算法的閾值的設定方法，用類間方差最大準則來確定。

2.Otsu算法定閾值

Otsu的基本原理為用最佳閾值將圖像的灰度直方圖分割成兩部分，使兩部分的類間方差取最大值，即分離性最大。設閾值為T，把圖像整個灰度級分為目標區域灰度級[1,2…，T]與背景灰度級[T+1,T+2,……,M] 。

目標區域灰度均值與背景區域的灰度均值分別為

(6)

(7)

其中pi和pj分別為灰度為i和j的像素的概率，α(t)為目標區域的灰度總和,β(t)為背景區域的灰度總和。

目標區域和背景的類間偏差σ2B是：

(8)

其中μ為目標圖像的灰度均值，最優閾值T＊使類間偏差取得最大,即

(9)

最大的T*將差分圖像分割為目標區域和背景區域兩大部分。

通過Otsu算法去處理經過梯度運算后得到的梯度幅值圖像，得到的最優閾值T*為該圖用于Canny算子的高閾值h2。

五、實驗與分析

圖2和圖5是車輛的差分背景圖，可以明顯的看出，除了運動要檢測的車輛，復雜的背景已經被去除。圖3和圖6是用普通的Canny算子(q=0.7)提取車輛邊緣的結果，從結果圖里看出，除了車輛的輪廓外，還出現了大量的假邊緣，出現這種情況的主要原因是背景在室外條件下會受光照的影響，雖然通過差分背景已經去掉了背景的信息，但由于光照而使圖像背景發生改變的部分還是會在差分背景圖中保留。而普通的Canny算子是用固定的閾值，且一般這個值很低的情況下去將會提取出很多假邊緣。

而我們用基于Otsu算法的Canny算子基本上不存在這個問題，因為它是用類間方差最大原則來分析圖像的幅值，背景的變化部分的幅值在與車輛邊緣的幅值與背景幅值的比較中更傾向與背景，用Otsu算法在分析幅值時能進行有效的區分背景和車輛，這樣在提取邊緣時就能把車輛的邊緣提取出來，而不會有由于背景發生變化而產生的假邊緣，結果如圖4和圖7所示。由于改進的Canny算子是在分析圖像信息的情況下劃定閾值，對動態的圖像序列中車輛能進行有效的邊緣提取。

六、結論

本文的方法是對傳統的Canny算子進行了改進，彌補了單一的閾值所不能解決的細節丟失和噪聲增多兩者間的平衡問題，改善了對差分背景的車輛圖像邊檢測的效果，而且在檢測過程中自適應的生成高、低閾值，檢測圖像的邊緣，自動化程度高。雖然本算法的運算復雜度和運算時間要稍大與普通的Canny算子，但不影響它的實時性。

參考文獻:

[1]賈云得:機器視覺[M].北京:科學出版社，2000，97～100

[2]季鍵昂海松:航空序列圖像的特征模型提取及追蹤[J].中國圖象圖形學報，2004,9(6)

[3]梅約松楊樹興莫波:基于Canny算子的改進的圖像邊緣檢測方法[J].激光與紅外，2006，36(6)

[4]馬力易昂傅明:一種基于Canny算法的邊緣提取改善方法[J].計算技術與自動化,2003,22(1)

[5]楊振亞白治江王成道自適應Canny邊緣檢測算法[J].上海海運學院學報，2003，24(4)

第3篇：閾值分割的基本原理范文

關鍵字： OpenCV； 自適應閾值； 圖像分割； 固定閾值

中圖分類號： TN919?34； TP32 文獻標識碼： A 文章編號： 1004?373X（2013）24?0073?04

Research and implementation of image threshold segmentation based on OpenCV

LEI Jian?feng， WANG Wei

（Capital Medical University， Beijing 100069， China）

Abstract：The image threshold plays a very important role in image segmentation. In the OpenCV algorithm environment， the fixed threshold algorithm and adaptive threshold algorithm are emploied respectively to process the same image by calling the corresponding function in OpenCV. The noise in the image is eliminated in combination with the filtering function of Gauss fuzzy algorithm. The image segmentation algorithm was analyzed by means of Gauss fuzzy and thresholding algorithm. The results show that the adaptive threshold algorithm can perform image segmentation more efficiently.

Keyword： OpenCV； adaptive threshold； image segmentation； fixed threshold

1 OpenCV簡介

OpenCV是一種開源的軟件，采用基于C/C++語言編寫，OpenCV可以在多種操作系統上運行同時為其他軟件提供了多種接口。在數據類型上OpenCV提供了多種基本數據類型。雖然這些數據類型在C語言中不是基本類型，但結構都很簡單，可將它們作為原子類型。OpenCV 主體分為5個模塊，其中4個模塊如圖1所示。

圖1 OpenCV基本結構圖

OpenCV的目標是為計算機視覺提供基本工具，在處理計算機視覺中一些很復雜的問題時，可以利用OpenCV提供的高層函數有效地解決這些問題。OpenCV有一個強大的函數庫，它可以提供基本函數為大多數計算機視覺問題創建一個完整解決方案。

2 圖像分割

圖像分割[1]是圖像分析中很重要的基礎環節，只有準確地將對象從圖像中提取出來，才能進一步對該對象做定量的描繪。圖像分割又是比較困難的環節，因為在許多情況下，對象與背景之間很難區分。所以圖像分割算法已經成為圖像處理[2]和分析領域中研究的熱點，并且到目前為止沒有一種通用的分割算法對各種圖像均能得到滿意的分割結果。圖像分割的準則實質是將一幅圖像分成幾幅子圖像，并且滿足3個條件：

（1）圖像中的每一個像素必須被歸入某一子圖像，并只能屬于一個子圖像；

（2）屬于同一子圖像的像素在某種性質上是相近的；

（3）屬于不同子圖像的像素在該性質上相差很大。所謂性質指的是如灰度、灰度梯度、紋理以及空間位置等。因此，圖像分割的過程也就是按性質對像素進行分類和識別。

圖像分割[3]方法一般有2類：

（1）基于邊界分割方法，這種方法通過子圖像之間一般都有明顯的邊界。假設圖像中只有2個子圖像，子圖像不存在多個互不連通的區域；

（2）基于閾值方法，這種方法首先根據像素的某個特征確定分割閾值，然后將像素的這個特征值與此分割閾值相比較，并以此決定將該像素歸入哪一類子圖像。通常將像素的灰度作為特征來選擇閾值。

2.1 VC6.0下OpenCV的安裝及環境搭配

（1）下載OpenCV安裝程序（1.0版本）。假如要將OpenCV安裝到C：＼Program Files＼OpenCV。在安裝時選擇“將＼OpenCV＼bin加入系統變量”。或安裝完成后手動添加環境變量“C：＼Program Files＼OpenCV＼bin”。

（2）啟動VC++ 6.0，菜單Tools?>Options?>Directories：先設置lib路徑，選擇Library files，在下方填入路徑： C：＼Program Files＼OpenCV＼lib然后選擇include files，在下方填入路徑：

C：＼Program Files＼OpenCV＼cxcore＼include

C：＼Program Files＼OpenCV＼cv＼include

C：＼Program Files＼OpenCV＼cvaux＼include

C：＼Program Files＼OpenCV＼ml＼include

C：＼Program Files＼OpenCV＼otherlibs＼highgui

C：＼Program Files＼OpenCV＼otherlibs＼cvcam＼include

（3）每創建一個將要使用OpenCV的VC Project，都需要給它指定需要的lib。菜單：Project?>Settings，然后將Setting for選為All Configurations，然后選擇右邊的link標簽，在Object/library modules附加上：cxcore.lib cv.lib ml.lib cvaux.lib highgui.lib cvcam.lib如果不需要這么多lib，你可以只添加你需要的lib。

2.2 利用OpenCV進行圖像閾值分割

閾值分割是傳統的圖像分割方法，因其實現簡單，性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術[4]。它適用于目標和背景有不同灰度級范圍的圖像，而且總可以得到封閉且連通區域的邊界。

2.2.1 閾值分割的概念

閾值分割法是一種基于區域的圖像分割技術，其基本原理是：通過設定不同的特征閾值，把圖像象素點分為若干類[5]。通常將像素的灰度作為特征來選擇閾值。首先設原始圖像為f（x，y），然后按照一定的準則f（x，y）中找到特征值T，將圖像分割為2個部分，分割后的圖像為： 若取b0=0（黑），b1=1（白），即為圖像二值化。該方法的特點是可以減少數據量，而且簡化了分析和處理步驟，因此該方法是進行圖像分析、特征提取與模式識別之前的必要的圖像預處理過程。圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，使每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致的屬性，而相鄰區域具有不同的屬性。這樣的劃分可以通過從灰度級出發選取一個或多個閾值來實現。

2.2.2 OpenCV實現閾值分割方法

OpenCV實現閾值分割方法[6]：

（1）固定閾值分割，在OpenCV中實現固定閾值分割的函數是cvThreshold（），函數 cvThreshold（）對單通道數組應用固定閾值操作。其基本的思想是，給定一個數組和一個閾值，然后根據數組中的每個元素的是低于還是高于閾值而進行一些處理。

（2）自適應閾值分割，在OpenCV中實現自適應閾值分割的函數AdaptiveThreshold（），此函數有2種不同的自適應閾值方法。

2.2.3 基于MFC的OpenCV閾值分割的實現

OpenCV 庫是使用“IplImage”結構體來創建和處理圖像，在其庫函數中，最重要的結構體就是IplImage 結構，使用這種格式的特點是：可以比DIB 格式表示更多的圖像性質，而且可以更方便地存取圖像中的像素值[7]。定義該結構體變量時，需要用到函數cvCreateImage，定義方法如下：

IplImage *src=cvCreateImage（cvSize（800，600），IPL_DEPTH_16U，3）；

在VC6.0 中新建MFC AppWizard（exe），添加支持OpenCV 的庫文件，如cxcore.lib cv.libml.lib cvaux.lib highgui.lib cvcam.lib 等，使得VC能夠調用OpenCV 的庫函數。

（1）固定閾值算法

OpenCV 中使用固定閾值對圖像進行二值化的函數是cvThreshold（），函數具體定義為：

Double cvThreshold（

CvArr* src，

CvArr* dst，

double threshold，

double max_value，

int threshold_type）；

該函數的特點是只能處理8位或浮點灰度圖像。目標圖像必須與源圖像的類型一致。每個閾值類型threshold_type對應于一個特定的比較操作如表1所示，該比較操作在源圖像第i個像素（srci）和閾值（T）之間進行。根據源圖像的像素和閾值之間的關系，目標圖像的像素dsti 會被設置為0， srci 或者max_value。當threshold_type 被設置為CV_THRESH_BINARY 時，如果源圖像第i 個像素（srci）大于閾值T，則目標像素dsti 被設置為最大值max_value。否則目標像素dsti 被設置為0[8]。

表1 cvThreshold（）中閾值類型選項和對應的操作

以下是本文測試基于MFC的OpenCV高斯模糊算法部分核心代碼：

//定義IplImage 結構體存放高斯模糊后的目標圖片

IplImage* pImg8uSmooth= NULL；

IplImage* pImg8u= NULL；

//建立3 通道圖像，圖像大小與輸入圖像的大小相同的IplImage 結構體

pImg8uSmooth = cvCreateImage（cvGetSize（img），IPL_DEPTH_8U， 3）；

//使用高斯模糊方法對輸入圖像進行濾波

cvSmooth（ img， pImg8uSmooth，CV_GAUSSIAN，3，0，0）；

//創建窗口，顯示高斯模糊后的圖像

cvvNamedWindow（ "Smooth Image"， 1 ）；

cvvShowImage（ "Smooth Image"， pImg8uSmooth）；

以下是基于MFC 的OpenCV 固定閾值化算法部分核心代碼：

//建立IplImage 結構體存放圖片

IplImage* Thresholdimg=NULL；

//設定固定閾值為15（該值為參考值，實際測試程序時，可以根據具體程序設置為其他測試值）

double threshold = 15；

//設定閾值類型為CV_THRESH_BINARY

int threshold_type = CV_THRESH_BINARY；

//對上一步中進行過高斯模糊的圖像進行固定閾值化處理

cvCvtColor（pImg8uSmooth， Thresholdimg， CV_BGR2GRAY）；

//固定閾值化處理

cvThreshold（Thresholdimg，It，threshold，255，threshold_type）；

（2）自適應閾值算法

針對有很強照明和反射梯度的圖像，圖像中像素分布很不均勻，要想對圖像處理得到效果較好的二值化效果，很難通過某一個或者某幾個固定的閾值來實現。在這種情況下，需要根據梯度進行閾值化，于是便有了自適應閾值算法[9]。

自適應閾值算法是OpenCV 中的一種改進了的閾值化處理技術，使用的閾值本身就是一個變量，這種方法由函數cvAdaptiveThreshold（）實現，其具體函數為：

Void cvAdaptiveThreshold（

CvArr* src，

CvArr* dst，

double max_val，

Int adaptive_method=CV_ADAPTIVE_THRESH_MEAN_C，

Int threshold_type=CV_THRESH_BINARY，

Int block_size=3，

Double param1=5）；

cvAdaptiveThreshold（）有兩種不同的自適應閾值方法，可以用參數adaptive_method進行設置。在這兩種方法下，自適應閾值T（x，y）在每個像素點都不同。通過計算像素點周圍b×b區域加權平均，然后減去常數得到自適應閾值，b由參數block_size 指定，常參數由param1 指定。當adaptive_method = CV_ADAPTIVE_THRESH_MEAN_C 時，對區域所有像素平均加權；當adaptive_method=CV_ADAPTIVE_THRESH_GAUSSIAN_C時，區域中的（x，y）周圍像素根據高斯函數按照它們離中心的距離進行加權計算。最后參數threshold_type和表1中的一樣。

本方法對于有很強照明或反射梯度的圖像，需要根據梯度進行閾值化時，自適應閾值技術與其他技術相比就有很好的效果。本文是在adaptive_method=CV_ADAPTIVE_THRESH_GAUSSIAN_C時使用高斯模糊算法對輸入圖像進行去噪濾波，之后用cvAdaptiveThreshold （）函數對高斯濾波之后的圖像進行自適應閾值化處理。具體核心代碼如下：

//定義IplImage 結構體存放自適應閾值化后的目標圖片

IplImage* AdpThresholdimg=NULL；

//設定閾值類型為CV_THRESH_BINARY

int threshold_type = CV_THRESH_BINARY；

//設定自適應閾值方法為CV_ADAPTIVE_THRESH_MEAN_C 方法

int adaptive_method = CV_ADAPTIVE_THRESH_MEAN_C；

int block_size = 71；

//設置減去的常數值，以得到自適應閾值

double offset = 15；

//建立Iat 指針存放自適應閾值化處理后的圖像結構體，作為輸出圖像

Iat = cvCreateImage（cvSize（Igray?>width，Igray?>height），IPL_DEPTH_8U， 1）；

// AdpThresholdimg 存放經過高斯模糊處理的圖像結構體，作為輸入圖像

AdpThresholdimg=cvCreateImage（cvGetSize（img），IPL_

DEPTH_8U， 1）；

//進行自適應閾值化處理，

cvAdaptiveThreshold（AdpThresholdimg， Iat， 255， adaptive_method，

threshold_type， block_size， offset）；

//創建窗口，顯示自適應閾值處理后的圖像

cvNamedWindow（"Adaptive Threshold"，1）；

cvShowImage（"Adaptive Threshold"，Iat）；

經過上述兩種算法處理的圖像如圖2～圖4所示。

圖2 原始圖

圖3 固定閾值分割

圖4 自適應閾值分割

3 結 語

本文介紹了基于OpenCV 的圖像處理并給出了實例，利用OpenCV 中的函數使圖像處理[10]問題變得很簡單，具有很強的實用價值，通過圖2和圖3的圖像處理后的效果，發現自適應閾值相較于固定閾值有著較好的特征提取效果。當使用固定閾值時，無法分割出圖像中需要的信息，而使用自適應閾值，可以有效地分割出圖像中的有用信息。

注：本文通訊作者為汪偉。

參考文獻

[1] 韓思奇，王蕾.圖像分割的閾值法綜述[J].系統工程與電子技術，24（6）：91?94.

[2] 陳勝勇，劉盛.基于OpenCV 的計算機視覺技術實現[M].北京：科學出版社，2008.

[3] 黃春艷.圖像分割若干算法研究[D].開封：河南大學，2011.

[4] 趙春燕，閏長青，時秀芳.圖像分割綜述[J].中國科技信息，2009（7）：41?43.

[5] 劉爽.圖象分割中閾值選取方法的研究及其算法實現[J].電腦知識與技術，2010（11）：68?70.

[6] .圖像分割算法研究[J].福建電腦，2009（3）：27?35.

[7] 高秀娟.圖像分割的理論、方法及應用[D].長春：吉林大學，2012.

[8] 劉瑞禎，于仕琪.OpenCV 教程基礎篇[M].北京：北京航空航天大學出版社，2009.

第4篇：閾值分割的基本原理范文

[關鍵詞]建筑物提取，顯著性檢測，隨機森林

中圖分類號：TM512 文獻標識碼：A 文章編號：1009-914X（2017）12-0297-01

1 引言

隨著遙感技術的快速發展，遙感影像的空間分辨率越來越高。相比于中低分辨率的遙感影像，高分辨率遙感影像中幾何結構、空間特征、形狀以及紋理特征等信息更加清晰，能夠精細地描述地表目標，有助于地物目標更精確的判讀解譯。在高分辨率影像上進行地物識別與檢測是遙感科學領域研究中的一大熱點，建筑物作為城市區域地物類別中的主要內容和地形圖中重要的成圖要素，準確地獲取其空間位置、形狀等信息具有極其重要的意義。精確地提取建筑物在城市規劃、城市動態檢測、城市三維建模以及地形圖更新等方面有著重要的實際應用。

2 原理與方法

2.1 算法基本原理

算法首先用基于圖論的方法，對遙感影像進行多尺度的分割，得到在不同尺度上的超像素塊區域；然后計算各個區域的特征向量，用隨機森林學習區域的多類特征，構建隨機森林回歸器，采用監督學習的方法為每個區域進行顯著性的賦值；在得到各個尺度的顯著圖后，利用最小二乘法將多個尺度顯著圖進行融合；最后，對最終的顯著圖使用自適應閾值的方法進行分割，得到最終分割掩膜圖。

2.2 多尺度分割

本文所采用的過分割算法是由Felzenszwalb等提出的一種基于圖論的影像分割方法。該方法基于RGB顏色空間，每個像素用5個分量表示，包括兩個位置分量個三個顏色分量。在構造帶權無向圖時，圖的節點為圖像的像素，邊的權值用RGB分量的歐氏距離來計算。算法中定義了區域內差異與區域間差異，若兩個不同區域間的差異度小于任何一個區域內的差異度，則將它們進行區域合并；否則，保持這兩個區域為單獨的區域。

多尺度的分割圖用S={S1，S2，...，Sm}表示。每個尺度的分割圖Sm都是通過原圖分割得到，包含Km個超像素塊。S1是原圖進行分割得到的結果，包含最多的超像素塊。其余尺度上的分割結果都是通過S1中的超像素塊合并得到的。超像素合并的規則參考了文[13]中的過程。首先合并S1中的超像素塊得到S2。按照此規則依次進行，最后合并Sm-1中的超像素塊得到Sm。

2.3 區域特征提取

在利用過分割方法得到影像超像區域后，提取每個超像素區域的特征。顏色與紋理是遙感影像最常用的低層視覺特征，可較直觀的反映影像不同地物的屬性。但是，對于顯著性檢測而言，對比特征又是其中非常重要的特征。下文將分別介紹超像素區域特征提取的方法。

2.4 顯著性學習

2.4.1 區域顯著性回歸器學習

在每個尺度上，首先對分割訓練圖像獲得的每一個區域Ri，在人工標記結果圖上對應區域Gi。若Gi中所含像素的標記有 80%屬于前景（或背景），則Ri標記為前景（或背景），且 Ri的標記值ai被設為 1（或0）。對每個區域作特征向量x∈Rd描述，訓練樣本中包含已標記的區域集合R={R（1），R（2），...，R（Q）}，和對應的標記值A = {a（1），a（2），...，a（Q）}。

本文利用訓練數據X = {x（1），x（2），...，x（Q）}和顯著性得分 A = {a（1），a（2），...，a（Q）}，學習到一個隨機森林回歸器，將每個區域的特征向量映射到顯著性得分。隨機森林顯著性回歸是t個決策樹的集成，其中每個樹由分枝和葉節點組成。每個葉節點存儲一個特征索引f和閾值τ。給定特征向量x，樹中的每個葉節點是基于特征索引和閾值（f，τ）作出決定。如果x（f）

3 實驗結果及分析

3.1 實驗數據

實驗所采用的數據為ISPRS提供的高分辨遙感影像數據集。數據為德國Vaihingen地區的正射投影影像，空間分辨率為0.8cm。實驗將Vaihingen地區原始影像切割成一組100張大小為512*512的子塊影像。每幅子塊影像均注釋像素級別的真實標記，真實標記為包含建筑物和非建筑物二類的二值掩膜圖。

3.2 實驗參數設置

實驗中涉及主要參數是隨機森林回歸過程中決策樹的數目T，隨機森林顯著性回歸過程中，樹越多，決策樹之間的差異越小，可以實現更好的性能。然而，性能隨著更多樹木的采用而不斷增加，但效率卻大大降低。因此，選擇設置T=200棵樹來訓練回歸器以平衡效率和效果。

3.3 結果與分析

利用Vaihingen地區60張訓練影像訓練出顯著性模型，另外40張通過顯著性模型來檢測出顯著性區域，并通過自適應閾值將將建筑物提取出來。本文方法對多種類型的建筑物提取效果都很好，區域完整，雜質少。

為了定量評價算法性能，將算法自動提取建筑物的結果和Ground Truth進行基于像素的比較。設TP為算法自動提取結果中被正確分為建筑物的像素數；TN為建筑物被誤分其他地物的像素數；FP為被誤分為建筑物的其他地物的像素數；FN為未被正確分為建筑物的像素數。建筑物提取的定量評價指標：（1）準確率，Accuracy=（TP+TN）/（TP+FP+FN+TN）；（2）精確率，Precision=TP/（TP+FP）；（3）召回率，Recall=TP/（TP+FN）。利用30幅影像提取結果與真實標記數據，所計算出的平均準確率為93.42%，平均精確率為91.28%，平均召回率為88.75%。從三種評價指標來看，本文方法在對Vaihingen地區的影像進行建筑物提取時，效果較好。

4 Y論

本文提出了一種基于視覺顯著性的高分辨率遙感影像建筑物提取方法。該方法考慮到遙感影像中建筑物的特點，將建筑物檢測問題視為視覺顯著性檢測問題。所提方法采用隨機森林回歸機器學習算法檢測影像中的建筑物顯著性，并通過自適應閾值對顯著性結果進行分割，實現了高分辨率遙感影像中提取建筑物的目的。對Vaihingen地區影像數據的測試結果表明，本文方法能得到較高的建筑物提取精度。

今后將考慮遙感影像之間的協同顯著性，以期為后面的分割提供更好的先驗知識，進一步提高提取效果。

參考文獻

[1] 孫顯，王宏琦，張正.基于對象的Boosting方法自動提取高分辨率遙感圖像中建筑物目標[J].電子與信息學報，2009，31（1）：177-181.

第5篇：閾值分割的基本原理范文

現今,生物醫學圖像在醫療診斷中起著不可低估的重作用。核磁共振(MagneticResonance,簡稱MR)、計算機X射斷層掃描(ComputedTomography,簡稱CT)、超聲波(Ultrasound)以及其他的成像技術等,都是無侵害性的器官體外成像的力手段。這些技術豐富了正常的以及病狀的解剖知識,同它也成為了診斷和治療體系重要的組成部分。隨著醫學圖像在數量和大小上的增加,越來越有必要用計算機處理并分析這些圖像。有一種算法用于找出解剖構和其它感興趣的區域,這種算法叫做圖像分割算法(imagsegmentationalgorithms)。圖像分割是由圖像處理到圖像分的關鍵步驟[1],它在大量的生物醫學圖像的應用起著至關重要的作用,比如:解剖結構的研究、診斷等。在承擔自然科學基金項目的過程中,為研究分割算法在醫學圖像中的應用,我們對過去國內外二十多年里醫學圖像分割算法的發展和現今廣泛使用的分割法進行了較詳細的調研,感到國內在這方面的文獻和研究還比較少。為進一步推動圖像分割在生物醫學工程中的應用,本文結合我們目前的研究結果,對醫學分割算法、特別是其應用做了介紹。

2現今廣泛使用的生物醫學圖像分割方法

利用“區域間不連續性”和“區域內相似性”兩個準則,分割算法可分為的“基于邊界的算法”和“基于區域的算法”。另外,根據分割過程中“判斷和決定是否可獨立地和同時地做出”的處理策略,分割算法又可分為“并行算法”和“串行算法”。所以分割算法可根據這兩個分成四類[1]。那么對于生物醫學圖像,也有相應的四類分割法。圖像、成像方式以及其它因素。比如:對腦組織分割的要求就不同于對肝臟的要求,MR圖像有異于超聲圖像。更進一步的情況,成像中的人為和不可抗拒的天然因素(例如噪聲和物體的運動等)也會在很大程度上影響后繼的分割。所以,至今沒有一種適用于任何醫學圖像的通用的分割技術。我們總結了現今國內外廣泛使用的生物醫學圖像分割方法。重點放在對方法的介紹上,和使用時會面臨的具體問題上。方法的詳細數學推導超出了本文的范圍,讀者可以查閱參考文獻。雖然這些方法是分開描述的,但在實際應用中,很多復合法也用于解決各種不同的實際分割問題。我們將這些方法分為四類6種:1)并行區域法:閾值法。2)串行區域法:區域生長法。3)結合特定理論工具的方法:①模式識別法(分類器法,聚類法);②人工神經網絡法;③可變模型法。4)其他方法。

2.1閾值法

閾值分割法是將灰度圖像變為二值圖像以達到分割目的的方法[4],它是一種PR(并行區域)法。閾值法的過程是決定一個灰度值,用以區分不同的類,這個灰度值就叫做“閾值”。把灰度值大于閾值的所有像素歸為一類,小于閾值的所有像素歸為另一類。閾值法是一種簡單但是非常有效的方法,特別是不同物體或結構之間的有很大的強度對比時,能夠得到很好的效果。此分割法通常是交互式的。因為閾值法能夠實現實時操作,所以它更能夠建立在用戶視覺估計的基礎上。閾值法一般可以作為一系列圖像處理過程的第一步。它的主要局限是,最簡單形式的閾值法只能產生二值圖像來區分兩個不同的類。另外,它只考慮像素本身的值[1],一般都不考慮圖像的空間特性,這樣就對噪聲很敏感。針對它的不足,有許多經典閾值法的更新算法被提了出來[5]。

2.2區域生長法

區域生長法是根據預先定義的標準,提取圖像中相連接的區域的方法[4]。這個標準可以是灰度信息,也可以是圖像的邊界,或者是兩者的聯合。在此法的最簡單形式中,先人工給出一個種子點,然后提取出和種子具有相同灰度值的所有像素。和閾值法一樣,區域生長法一般不單獨使用,而是放在一系列處理過程中,特別用它來描繪諸如腫瘤和傷口等小而且簡單的結構。它主要的缺陷是,每一個需要提取的區域都必須人工給出一個種子點,這樣有多個區域就必須給出相應的種子個數。此法對噪聲也很敏感,會造成孔狀甚至是根本不連續的區域。相反的,局部且大量的影響還會使本來分開的區域連接起來。為減輕這些缺點,產生了諸如模糊分類的區域增長法[6]和其他方法。

2.3模式識別法

2.3.1分類器法

分類器法是一種統計模式識別的方法[7],用以區分從已知標記的圖像數據衍生而來的特征空間。灰度直方圖,就是最常見最典型的一維特征空間的例子。因為分類器法需要用已知的人工分割結果作為訓練樣本、對分類器進行訓練后才能自動分割新的數據,所以它是有監督的模式識別方法。它的訓練方法有很多種,其中,最簡單的一種是“非參數最近鄰”分類器。它將像素或者體素劃分在與其灰度值最接近的那一類中。而參數分類器中,使用得最多的是貝葉斯分類器(Bayesclassifier)[5]。標準的分類器要求被分割的結構具有明顯的定量特征。因為如果訓練樣本數據能夠被標記,分類器就能夠將這些可以明顯區分的標記轉化為新的數據而不需要反復迭代。所以相對于閾值法,在區分多區域圖像時它有較高的計算效率。它的缺點是是,需要人工交互方式獲得訓練數據。另一方面,對于大量的生物圖像使用相同的訓練樣本,會因為沒有考慮不同物體的解剖特性和物理特性而導致不準確的結果。

2.3.2聚類法

聚類法的基本原理和分類器法大體是相同的,不同點在于它不需要訓練樣本數據。所以它是無監督的模式識別方法。為了彌補沒有訓練數據這一點,聚類方法反復做兩件工作:分割圖像和刻畫每個類的特征,從而使用已有的數據訓練自身以達到分割的目的。最常用的聚類方法是模糊C-均值算法[1],它通過對目標函數的迭代優化實現集合劃分,并且可以表示出各個像素屬于不同類別的程度。雖然聚類算法不需要訓練樣本數據,但是它需要一個初始的分割。和分類器方法一樣,聚類法同樣不考慮空間建模,所以對噪聲和非同質的灰度很敏感。然而,這一缺陷卻加快了計算速度。

2.4人工神經網絡法

人工神經網絡法是使用大量的平行的神經網絡達到對圖像分割的目的[8]。這些網絡由模擬生物學習機理的節點或者元素組成,網絡中的每個節點能夠執行最基本的運算。通過調整節點之間的權值可以達到網絡對生物機理的學習。比如,用它實現圖像的邊緣檢測[8]。文獻[9]局部興奮全局抑制振蕩網絡(LEGION,LocallyExcitatoryGloballyInhibitoryOscillatorNetwork)就是一種基于人類視覺特性的人工神經網絡方法。LEGION是一個由張弛振子構成的網絡,每個振子皆由一個興奮單元x和一個抑制單元y組成(圖2)。分割結果見圖3。可以看出,與LEGION分割所得圖像相比,單閾值法所得圖像區域單一,細節較差,一些細小結構未能表現出來。將LEGION這種算法完善,自適應設置神經網絡中的參數,并且將它應用在彩色圖像上。使用神經網絡法的時候,因為網絡中有許多相互連接,所以空間信息就能很容易包涵在分類過程中。雖然神經網絡法具有平行繼承性,但是它的處理過程和標準的串行計算機很類似,這樣就降低了它計算方面的潛在優勢。

2.5可變模型法

可變模型法是基于模型的、使用閉合參數曲線或曲面描繪邊界的分割方法[3]。它的最初思想來源于物理概念:為了描繪出物體的邊界,首先設置一個離真實曲線或曲面不遠的初始曲面或曲線,在外力和內力的作用下,推動這個曲面或曲線移動,最后在圖像能量最低處停下來。因為曲線或曲面的移動類似于蛇,所以這個模型又叫做Snake模型,曲線或曲面叫做Snake。在圖像輪廓處灰度變化率(即梯度)最大,定義此處能量最小,那么Snake停下的地方就是真實邊界。由于1988年Kass首次提出的經典Snake的外力場捕獲區很小[3],這就使得初始化和進入凹陷區很困難。為此,科學家們多次改進這一算法。其中,1998年Hopkins大學的ChenyangXu和JerryL.Prince[12]用梯度矢量流代替經典外力場,這就是有名的GVF理論(GradientVectorFlow)。它很好地解決了經典Snake中的初始化問題和凹陷區問題。[12]是采用GVFSnake對左心室核磁共振圖像的腔體分割。

2.6其它方法

還有一些生物圖像的分割方法,比如:微分算子的邊緣檢測[1],Hough變換[4],它們均屬PB法(并行邊界)的范疇;用樣條進行曲線擬合,它是一種SB法(串行邊界)。因為生物醫學圖像中軟組織的物理和解剖特性,以上的方法一般不單獨使用,而是融入其它的方法里。此外,基于信息論[9]和基于小波分析[1]的分割技術也逐漸被應用在生物圖像中。

第6篇：閾值分割的基本原理范文

關鍵詞：手指靜脈；像素點

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2014）16-3876-03

信息安全一直以來都是人們研究的重點，如何能夠最大限度的保證個人信息是當前急需解決的問題，生物特征識別技術是最近幾年在發展起來的安全技術之一，它主要是利用生物特征采集裝置與計算機技術，對于人體特有的生理特征進行個人身份鑒別，主要基于生理特征生物方面主要包含了指紋，人臉，虹膜，手指靜脈等特征，在目前生物特征識別中，指紋識別體表特征識別，容易存在損害，容易偽造的缺點；人臉識別具有一定的優點，但容易受到年齡，易容，易損失等不足，識別精度收到限制，虹膜識別雖然具有的一定優越性，但是由于采集設備造價高，無法適應進行面向基層推廣。經過醫學研究證明，人具有唯一的手指靜脈紋路，因此，手指靜脈識別技術作為一種新的生物特征識別技術受到越來越多人的重視[1]。

手指靜脈識別是一種新穎的識別技術，主要是通過隱藏在人體手指腹部的靜脈血管進行身份識別。文獻[2]提出了手指靜脈圖像質量評價方法.在分析人類視覺系統（HVS）性能的基礎上，將圖像有效區域、對比度、位置偏移度、模糊度、信息熵作為評價手指靜脈圖像質量的參數.并綜合分析這些參數，加權獲得靜脈圖像總質量評價函數.實驗表明，得到了與主觀評價結果相一致的客觀評價值。文獻[3]提出一種基于Fisher準則的手指靜脈融合算法.首先對手指靜脈圖像進行特征點提取，分別計算待匹配圖像特征點與注冊圖像特征點的正向平均豪斯道夫距離（FMHD）和反向平均豪斯道夫距離（RMHD），然后基于Fisher準則確定FMHD和RMHD的融合參數，將融合得到的豪斯道夫距離作為新的匹配分數；在上述算法的基礎上，將得到的食指、中指和無名指3根手指靜脈的匹配分數進行融合，以進一步提高手指靜脈的識別率.實驗結果表明，與通常采用的FMHD相比，采用融合后的豪斯道夫距離的誤識率有明顯降低；而采用三指靜脈融合后，誤識率由單個手指的1.95%降低到0.27%。文獻[4]提出了基于手指指尖點的旋轉定位方法，改進了基于方向模板和局部動態閾值分割提取靜脈特征的方法并用改進Hausdorff距離（MHD）距離進行匹配驗證。實驗結果表明，同一根手指的圖片可以達到0.75%的等誤率，正確識別率達97.25%，對實際手指靜脈身份識別產品的開發具有一定的現實意義。文獻[5]提出一種直接基于子圖像向量的線性鑒別分析方法，即模塊PCA手指靜脈特征提取算法。上述算法通過對圖像進行分塊，利用PCA對分塊得到的子圖進行鑒別分析。由于使用子圖像矩陣，能有效地抽取圖像的局部特征，避免使用奇異值分解理論，過程簡便。實驗結果表明，所提出的方法在識別性能上明顯優于傳統PCA算法和小波矩融合PCA方法，識別率得到了有效的提高。文獻[6]提出通過計算手指輪廓線的主方向和末節關節腔位置對手指擺放位置的隨機變化進行校正，并初步定位分割出手指靜脈感興趣區域。運用迭代優化方法實現手指靜脈感興趣區域分割結果的精確提取。在小型數據集上進行實驗的結果表明：該方法得到的感興趣區域具有較好的聚類特性。說明該方法能夠有效地從同一手指姿態變化的多幅靜脈圖像中定位并分割出相似度較高的感興趣區域。

從實際出發由于受到了諸多條件的限制。采集到的手指靜脈圖像存在質量比較差，特特征無法提取的情況，在一定程度上影響了識別率。該文針對這些問題，該文在分析了靜脈特征分析方法的基礎上，對圖像中屬于靜脈的區域進行橫截面的深度和曲率的分析，然后通過設定的將這些區域進行區分，最后通過動態閾值法分割出手指靜脈特征。仿真實驗證明，該文的算法有效提取手指靜脈特征，與其他算法相比具有較低的誤碼率和較高識別率。

1 手指靜脈算法基本簡介

1.1 Niblack算法

Niblack算法是一種經典分割算法，其算法過程如下：

1） 對于圖像[f]中的一個坐標為[（x，y）]的像素點。利用式（1）和（2）計算出該像素點在向來區域內的均值和方差。

[m（x，y）=1r2i=x-r/2x+r/2j=y-r/2y+r/2f（i，j）] （1）

[s（x，y）=1r2i=x-r/2x+r/2j=y-r/2y+r/2f2（i，j）] （2）

2） 通過公式（3）來計算出像素點中的坐標閾值。

[T（x，y）=m（x，y）+k×s（x，y）] （3）

該算法優點是算法結構簡單，容易實現并且運行速度快。缺點是難以處理質量相對低的圖像。

1.2 重復線性追蹤法

該算法主要是采用手指靜脈的形狀以及手指靜脈橫截面呈谷形分布的特點來進行追蹤，該算法的思想是：

1）在靜脈圖像中隨機選取一個追蹤點，記為[Pc]。

2） 以[Pc]為圓心，[r]為半徑畫圓。設定[P]點是該圓上的一個像素點，計算[P]點的谷形深度[R=f（S）+f（T）-2f（P）]，其中[f（S）]，[f（T）]和[f（P）]分別表示點[S]、[T]和[P]的灰度值。

3） 檢測該圓上的灰度分布曲線。存在呈谷形的分布曲線，則[Pc]屬于靜脈區域。并選擇橫截面谷形深度值最大的像素點為下一個跟蹤點并回到，然后不檢測[Pc]處的灰度分布曲線。

該算法可以很好的彌補1.1節中無法從低質量的手指靜脈中提取圖像的現象，但缺點如下，所提取的靜脈紋路不夠光滑，算法的運行速度較慢。

2 基于像素點檢測的靜脈特征提取算法

2.1 算法的基本原理

在手指靜脈圖像中，像素點與手指靜脈的位置關系非常只能更要。當手掌的橫截面的半徑取適當大小時，就會出現來自多個方向的橫截面分布曲線。因此對于圖像中像素點來說，選擇三個方向以上的橫截面灰度分布曲線呈現出谷型，就認定為靜脈像素點，并做下一步的處理。

參考文獻：

[1] 王科俊.手指靜脈圖像質量評價[J].系統智能學報，2011，6（4）：324-327.

[2] 金懷國.基于Fisher準則的多指靜脈融合[J].計算機輔助設計與圖形學學，2013.25（2）：183-187.

[3] 湯露.對抗圖像旋轉的手指靜脈身份識別新算法的設計[J].計算機應用，2012，32（11）：3193-3197.

第7篇：閾值分割的基本原理范文

>> 基于煤礦輸送帶橫向斷裂預報系統的構建與實現 基于空間自適應Bayesian縮減的NSCT域圖像去噪方法 淺議輸送帶清掃器的形式與特點 遙感圖像的NSCT自適應閾值去噪方法 煤礦用織物整芯阻燃輸送帶檢測技術與工藝研究 基于NSCT和PCNN的改進梯度圖像融合算法 礦用鋼絲繩芯輸送帶橫斷檢測裝置的安裝調試 有關礦用輸送帶縱向撕裂綜合檢測技術的研究 試論煤礦阻燃輸送帶及其檢測 帶式輸送機輸送帶跑偏的原因探討與解決方案 淺談耐油橡膠輸送帶的研制與開發 新型材料輕型輸送帶的發展 淺談芳綸輸送帶貼膠的研制 對延長輸送帶使用壽命的探討 橡膠輸送帶覆蓋膠的配方優化設計 淺談輸送帶冷溫粘接的檢修 輸送帶耐磨性能的優化 模塊輸送帶的熱脹冷縮系數計算 KGT―1型強力輸送帶安全無損檢測裝置在古礦選煤廠的應用 淺談煤礦帶式輸送機類型及輸送帶與托輥設計選型 常見問題解答 當前所在位置：

關鍵詞：輸送帶；裂紋檢測；非下采樣Contourlet變換；脈沖神經網絡

DOI：10.3969/j.issn.1005-5517.2015.10.018

亢伉（1987-），男，碩士，研究方向：圖像處理。

輸送帶是用于皮帶輸送帶中起承載和運送物料作用的復合制品。輸送帶廣泛應用于煤礦、水泥、焦化、冶金、化工、鋼鐵等行業中輸送距離較短、輸送量較小的場合。在長期使用中，由于磨損等原因會造成輸送帶表面產生形狀不一的裂紋，若不及時發現處理，極有可能造成輸送帶撕裂，造成重大的經濟損失甚至安全事故。目前輸送帶表面裂紋檢測主要由人工完成，這種方法不但精度差、效率低，容易造成漏檢或誤檢而且由于每次檢測需要停機完成，影響正常的生產活動。

近年來隨著圖像采集技術以及計算機圖像處理技術的提高，基于機器視覺的自動缺陷檢測系統開始廣泛使用。目前輸送帶表面裂紋缺陷檢測方法很少。太原理工大學的衛霞等人[1]提出二維熵裂紋目標提取算法；唐艷同等人[2]提出預設灰度門限閾值法，馮廣生等人[3]提出了灰度直方圖閾值法，中北大學的魏濤等人[4]提出腐蝕膨脹的數學形態學算法。上述算法都取得了一定的成果，但是由于輸送帶工作環境惡劣，表面裂紋與輸送帶灰度較為相近，基于機器視覺的輸送帶表面裂紋檢測算法還有很大的研究空間。

為了適應低對比度情況下輸送帶裂紋的準確分割，結合NSCT與PCNN的優點，提出一種針對輸送帶裂紋目標的自適應提取算法，實驗結果表明，本文提出的算法能夠準確的提取裂紋目標，對基于機器視覺的輸送帶裂紋檢測提供一條新的思路。

經典NSCT變換

非下采樣Contourlet域（non-subsampled contourlet，NSCT）是在CT（contourlet）的基礎上提出的一種多尺度、多方向的離散的圖像分解方法，它由非下采樣塔式分解濾波器（nonsubsampled pyramid，NSP）和非下采樣方向濾波器組（non-subsampleddirectional filter bank，NSDFB）來實現的[5]。如圖1（a）所示，以圖像的三個尺度分解為例，其過程為：

（1）圖像在頻率域通過NSP分解成一個低頻子帶和一個高頻子帶，其中，低頻子帶包含的是圖像的輪廓信息，可以定位輸送帶裂紋的位置，高頻子帶包含的是圖像的細節信息，可以用來精確描述輸送帶裂紋的大小；

（2）對高頻子帶使用NSDFB分解成多個方向子帶，每一個方向子帶描述圖像在此方向的細節信息，如圖1（b）所示，由于NSDBF是一個雙通道濾波器，所以方向子帶的數目可以是2的任意次冪，低頻子帶繼續使用NSP分解，實現對圖像的多尺度、多方向的分解[6]。

經典PCNN模型

脈沖耦合神經網絡（pulse-coupledneural network，PCNN）是第三代人工神經網絡的代表，受生物視覺皮層神經的啟發，提出基于大量神經元的反饋網絡模型。一個基本的PCNN神經元由以下三部分組成：接收域、調制域和脈沖產生域[7]，如圖2所示。

其數學模型為：

PCNN網絡在圖像分割方面的基本原理可以描述為：二維灰度圖像矩陣M×N，每一個像素可以理解為PCNN模型中相對應一個神經元，當其鄰域有相近灰度值的像素存在時，它就會被點火反饋，此像素得到加強，反之則減弱。通過這種方法突出圖像中邊緣、紋理等特征信息，它所構成的二值圖像就是PCNN的輸出分割圖像[8]。

NSCT與PCNN的自適應圖像分割算法

輸送帶圖像顏色灰暗，對比度較低，經典的缺陷檢測算法不能很好地檢測出輸送帶表面裂紋缺陷。NSCT變換具有多分辨率、多方向的特點，在解決小波變換多分辨率分析方法容易在采樣過程中信息丟失弊端同時準確獲得圖像的多角度信息，PCNN模型無需經過訓練就能從復雜的背景下提取到有用的信息，因此在圖像分割方面有很好的優勢，但是PCNN有大量參數，每一個參數的設置都往往根據經驗，自適應能力很差[9]。綜合分析NSCT特點和PCNN模型優勢，提出一種針對輸送帶裂紋圖像的自適應分割算法。

3.1

NSCT低頻域圖像分割

在低頻子帶體現的是目標的大致輪廓，即裂紋在輸送帶圖像中位置等基本信息，因此提出一種鄰域連接PCNN分割算法，對于每一個像素，只要它被點火，則它的N（i，j）鄰域內相似灰度值的像素也會被直接點火，連接輸入Lij為1，否則為0。簡化后的公式為

簡化后的神經網絡模型如圖3所示。

3.2

NSCT高頻域圖像分割

在多層高頻子帶含有大量的裂紋目標輪廓、邊緣的能量，并且在同方向不同尺度上具有相關性[10]。因此，提出一種快速連接PCNN分割算法，一個區域內所有的神經元同時點火，減少時延，提高效率。一個信號輸入之后，計算所有的輸出，并且更新連接域，直到輸出不變停止計算。輸入神經元僅需一次點火就可以將信息傳給連接域中所有的神經元。所以連接系數β越大，一次點火的波傳播的越遠。

在反饋模型公式（1）中，簡化反饋輸入Fij為待處理圖像的歸一化亮度輸入，只與自身輸入有關，簡化掉其他輸入的影響；

在公式（8）中，連接系數β反映的是此像素的特征與其鄰域像素的相關性，其相關性越大，人眼就會更容易得注意到[11]。因此，連接系數β應該與圖像中像素的相關程度與關，提出一種自適應的確定連接系數β的方法。

像素的清晰度是判定此像素是否為圖像邊緣的一個顯著特征，因此，像素清晰度與像素的連接系數正相關，像素清晰度越大，連接系數β的值就越大，其相關性就越大，這些相關的像素就比其他輸入像素更容易被捕獲點火，反之亦然。連接系數β的確定公式為其中，m為NSCT將輸送帶裂紋圖像進行分解得到的高頻子帶系數，下標I，j表示數字圖像中的某個像素，f為圖像的灰度值。

所有像素的動態門限均相同，其為原圖像的灰度迭代門限值θ。

當像神經元的內部狀態大于門限值時，神經元點火，輸出Yij=1，否則輸出Yij=0。

將所有神經元的迭代點火次數之和由矩陣T進行記錄，最終得到圖像各個高頻子帶PCNN點火頻率圖，由于PCNN點火迭代就是根據鄰域神經元灰度值的相近與否來判斷，所以PCNN點火頻率圖能夠很好的反映所需要提取目標的邊緣信息。

快速連接PCNN分割算法模型如圖4所示。

NSCT與PCNN輸送帶裂紋圖像自適應分割算法流程如圖5所示，具體步驟如下：

（1）用NSCT將輸送帶裂紋圖像進行m尺度分解，得到一個低頻子帶系數和m個高頻子帶系數；

（2）對低頻子帶，使用鄰域連接PCNN算法進行計算，分割出裂紋目標所在區域；

（3）對高頻子帶，使用快速連接PCNN算法進行計算，并且結合點火頻率圖分割出裂紋目標；

（4）低頻圖分割結果能夠較好的覆蓋目標所在區域，受噪聲和背景干擾較小，但目標的邊緣、輪廓等細節特征比較模糊；高頻特征圖的分割結果能夠比較精確的獲取目標的細節信息，但存在明顯的噪聲和背景干擾。為充分利用其各自優勢，將高、低頻分割結果進行“與”操作，再進行必要的膨脹和腐蝕等形態學處理算法。

實驗結果與分析

為了驗證本文算法的有效性，通過線陣CCD相機獲取正在運行中的輸送帶裂紋圖像，與OTSU算法、文獻[12-13]算法進行比較，結果如圖6所示。從圖中可以看出，OTSU算法根本無法提取裂紋目標，文獻[12-13]方法雖然可以提取裂紋目標，但是有些裂紋目標含有大量噪聲，魯棒性較差。本文算法克服上述算法缺點，準確的提取出裂紋目標。

為進一步檢驗本文算法的有效性和優越性，選擇100張輸送帶圖片包括60張裂紋缺陷圖片及40張正常圖片，分別進行橫向對比檢測，實驗環境為：4核CPU、主頻2.50GHz、4GB內存、Windows 7系統的臺式機、應用軟件環境是Matlab 2010a，實驗圖像大小你為256×256，4種算法結果如表1所示。

可以看出，對于裂紋缺陷圖像，本文算法有6.7%的誤檢率，主要是因為這幾張裂紋較輕微，與背景差距較小；對于正常輸送帶圖像有7.5%的誤檢率，主要是因為部分輸送帶圖像上粘有粉塵等雜質，被誤判為裂紋缺陷本文法達到了較好的效果。OTSU算法和文獻[13]算法運算速度較快但正確率較低，文獻[12]算法能夠保證一定的正確率但還有很大提升空間，本文算法雖然計算速度較慢，但正確率高。若用高級編程語言編寫本文算法，檢測時間將會有較大提升。

結論

由于輸送帶裂紋圖像整體對比度低，傳統檢測手段難以提取裂紋目標，為此本文提出了一種基于NSCT和PCNN的自適應裂紋缺陷檢測算法，該算法通過NSCT將圖像分解成低頻子帶和高頻子帶，對低頻子帶采用鄰域連接PCNN算法分割，對高頻子帶結合快速連接PCNN算法和點火頻率圖進行分割，最后將二者分割后的圖像用形態學方法融合，最終提取裂紋目標。

實驗結果表明，本文方法能有效地提取出不同輸送帶圖像的裂紋缺陷，對于本文算法處理時間較長的缺點，是下一步需要改進的方向。

參考文獻：

[1]衛霞，基于圖像處理的傳送皮帶裂紋檢測[D]，太原：太原理工大學，2011

[2]唐艷同，喬鐵柱，牛模輸送帶縱向撕裂在線監測預警系統的設計[J]，煤礦機械，2012，33（5）：242-245

[3]馮廣生，李文英圖像處理技術在膠帶撕裂檢測中的應用[J]，機械工程與自動化，2007，（3）：104-106

[4]魏濤，煤炭輸送帶裂紋檢測技術研究[D]，太原：中北大學，2010

[5]金星，李暉暉，時不麗非下采樣Contourlet變換與脈沖耦臺神經網絡相結合的SAR與多光譜圖像融合[J]，中國圖象圖形學報，2012，17（9）：1188-1195

[6]李雪琴，蔣紅海，劉培勇，等非下采樣Contourlet域自適應聞值面的磁瓦表面缺陷檢測[J]，計算機輔助設計與圖形學學報，2014，26（4）：553-558

[7]廖傳柱，張旦，江銘炎，基于ABC-PCNN模型的圖像分割[J]，南京理工大學學報，2014，38（4）：558-565

[8]KONG W W， LEI Y J，LEI Y， Image fusion technique based on non-susampled contourlet transform and daptive unit-fast-linking pluse-coupled neural network[J]. IET Image Processing， 2011， 5（2）：113-121

[9]郝愛枝，鄭晟，基于NSCT-PCNN變換的多傳感器圖像融臺[J]，科學技術與工程，2014，14（1）：45-48

[10]YANG Shuyuan， WANG Min， LU Yanxiong， et aI.Fusion of multiparametric SAR images based on SW-nonsusampled contourlet and PCNN[J]. Signal Processing， 2009， 89（12）2596-2608

[11]SHI J， CHI Y， ZhANG N Multichannel sampling and reconstruction of bandlmited Signals in fractional Fourier domain[J]. IEEE Signal ProcessIng LetIers，2010，17（11）：，909-912

第8篇：閾值分割的基本原理范文

關鍵詞：運動目標檢測；機器視覺；圖像處理OpenCV

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）07-0171-02

運動目標的檢測及跟蹤技術在機器人導航、安全監控、航天行業等領域都有著廣泛的應用，并成為當前機器視覺領域研究重點之一。但是當前的技術對于移動速度快、體積小的小型生物的跟蹤很難達到準確度高，實時性強。

1運動目標檢測的基本方法

近些年來，國內外的學者們在運動目標檢測的問題上，已經提供了許多有效的方法，但是很多算法不能同時滿足實時性，精確性的要求，特別是對于移動速度快的小型生物。目前，常用的運動目標檢測算法有以下幾種：光流法，基于卡爾曼濾波的運動目標跟蹤，背景差分法等。

1.1光流法

光流法基本原理為檢測序列圖像中出現的瞬時位移場，從連續的圖像序列中計算光流場，把計算得到的光流，作為檢測運動目標的重要特征。光流法不受背景變化的影響，但對于噪聲多的場景，光流法容易出現誤判的情況。

1.2基于卡爾曼濾波的運動目標跟蹤

基于卡爾曼濾波的運動目標跟蹤是將目標的運動軌跡作為模型，預測目標下一時刻的位置。能減少運算量，縮小檢測區域，但是當運動目標長時間被遮擋時會存在目標跟蹤丟失的情況。

1.3背景差分法

背景差分法是事先將圖像儲存起來作為背景參考模型，再用當前圖像與背景作差，找出在灰度上與背景有較大差異的點，檢測運動區域。背景差分法對于運動速度快的運動目標，檢測準確，但對于動態變化的場景，檢測精度低。

綜上所述，現有技術存在著對于快速移動的小型生物檢測精度不高的問題。作者試圖基于幀差法，利用Open CV函數庫，尋求一種針對移動速度快、體積小的運動物體的檢測。

研究主要實現的目標是對移動速度快的小型生物的檢測，主要是利用視頻圖像序列中連續兩到三幀的差異來檢測運動區域。首先，獲取相鄰兩幀圖像，將前一幀作為背景，用后一幀減去背景，獲取圖像亮度差絕對值較大的區域，一般亮度差異較大的區域可認為由運動物體引起的。幀差法算法實現簡單，受光線影響小，適應于動態場景，穩定性強。但是該算法對于兩幀獲取時間間隔要求高，時間間隔選取不適當，容易出現“重影”和“空洞”的現象。研究對該算法進行改進，以提高檢測的精度。

2系統組成

運動目標檢測系統主要由視頻獲取，讀取相鄰兩幀，圖像灰度化處理，相鄰幀的圖像對應像素值相減，差分圖像二值化。

系統首先獲取實時采集的序列圖像。其次，讀取序列圖像中相鄰兩幀圖像，對該兩幀圖像進行灰度化處理。將前一幀作為背景，將后一幀圖像的像素值減去背景對應的像素值，獲取變化大的區域，確定運動目標的位置。最后對運動目標進行二值化突顯運動區域。

3算法原理

3.1圖像灰度化

研究使用cvtC～lor函數實現圖像的灰度化。函數聲明為src和dst分別是源圖像和輸出圖像；code是一個掩碼，表示源圖像和輸出圖像之間的轉化模式。最后的&tCn表示dst圖像的波段數，默認值為0，可從參數code中推斷。

code的模式包括：

3.2幀差算法

研究采用幀差算法實現運動目標提取，使用函數subtract（）。

函數聲明為

void subtract（InputArray src1，InputArray src2，OutputArray dst，InputArray mask―noArray（），int dtype=-1）

其中，src1為第一幀圖像，src2為第二幀圖像，dst為輸出圖像，mask為自定義掩碼。]）type為兩幀相減的方式。

本函數實現了幀差算法，讀取一段序列圖像，獲取相鄰兩幀的圖像，將前一幀圖像作為背景src1（I），后一幀作為當前圖像src2（I），用當前圖像的像素值減去背景相應的像素值，獲取變化較大的區域，該區域可認為由運動物體造成，具體公式可參考公式（1）。

dst（1）=saturate（srcl（D-src2（I））if mask（I）≠0 （1）

3.3差分圖像二值化

差分圖像二值化是在上一步獲取的差分圖像的基礎上，進一步凸顯運動物體的區域。具體實現為先設定一個閾值T，當圖像的像素值大于該閾值時設定為1，否則設定為0。接著將所有設定為1的點的灰度值設置為255，所有設定為0的點的灰度值設置設置為0，具體公式可參考公式（2）。

（2）

4算法在編程環境下的具體實現

研究算法的具體實現如下：首先建立一個VideoCapture結構體，導入一段序列圖像。然后讀取該序列圖像中的一幀圖像，保存在類型為Mat的結構體中，等待5毫秒后，讀取下一幀圖像，同樣保存在類型Mat的結構體中。接著調用灰度化函數cvtColor（）對兩幀圖像進行預處理。調用矩陣相減函數subtract（），設定一個閾值，對相減的差分圖像進行二值化。最后調用namedWindow（）函數建立窗口并調用imshow（）函數顯示圖像。

5實驗結果及分析

研究對幀差算法進行改進，調用OpenCV函數庫中的函數，在Visual Studio 2015平臺編程實現了對于小型生物的運動檢測，實驗結果見下圖。

圖2所示為實時圖像第一幀，圖3所示為相鄰幀，將圖2，圖3分別灰度化后再相減后得到圖4所示圖像，圖5為二值化后的圖像。其中在獲取相鄰兩幀的時間間隔以及二值化的閾值，需根據實際處理的圖片來不斷調整數值，經過多次實驗不斷嘗試后，時間間隔在10-30毫秒之間為最好，二值化的閾值在10-13時，運動物體的真實目標區域較完整，“重影”、“空洞”現象較少。

研究算法檢測效果比較好，對于移動速度快的小型生物也能很好的檢測出來，真實目標區域較完整，背景噪音較少，而它錯誤可以通過形態學去噪、陰影抑制、空洞修補加以完善。

第9篇：閾值分割的基本原理范文

關鍵詞：圖像傳感器；智能循跡小車；研究與實現

DOI：10.16640/ki.37-1222/t.2016.24.111

0 前言

循跡即小車在白色地板上形式的過程中，可以通過紅外探測方法，在感知黑色和白色地板對光線反射系數差異的基礎上，自動、智能的在黑色線路中行駛的技術，但由于在現實環境中，白色地板和黑色線路的反射光線會受到多方面因素的影響，紅外探測的難度大幅提升，所以要將對環境判斷更加準確的圖像傳感器應用于智能循跡小車中。

1 基于圖像傳感器的智能循跡小車實現的基本原理分析

由于圖像傳感器的分辨率相比傳統紅外探測方法更加理想，所以以圖像傳感器為基礎進行智能循跡小車設計，可以更理想的保證循跡運行效果。在圖像傳感器應用的過程中，智能小車一方面通過紅外光電管和攝像頭對前方的道路顏色進行采樣，結合采樣數據識別具體的路徑，在此過程中為使檢測精度達到預期效果，光電管的安裝位置與地面之間的距離應得到較嚴格的控制，但兩者間的距離縮減或使高速運行的智能小車過彎能力下降，此時利用攝像頭在前瞻距離方面的優勢可以彌補光電管的缺陷，完成過彎、抄近道等智能操作[1]。另外，面陣式布局的攝像頭在圖像采集的過程中所獲取的數據點多達上千，使智能小車判斷車道的依據更加豐富，進一步提升了小車運行的安全性。但由于攝像頭數據處理難度大，而且圖像采集效果受道路環境的影響非常大，所以在光電管和攝像頭結合應用的過程中，仍存在圖像處理等問題。

為解決上述問題，在基于圖像傳感器的智能循跡小車設計的過程中，另一方面要對圖像處理功能進行優化，考慮到大量數據在存儲過程中出現的冗余會浪費一定的存儲空間，提升微處理器的處理任務，所以在處理的過程中應先對采集的數據進行壓縮，在減少存儲資源利用量的同時防止非有效信息對采集信息的干擾[2]。另外，考慮到循跡的本質是按照目標引導線運行，所以在圖像處理的過程中，重點工作是在濾除雜點的基礎上，識別黑色軌道，并在圖像中標注除具體軌道的位置，為智能小車運行提供依據。

通過以上圖像采集和處理技術，可以實現智能小車按軌跡安全、快速、靈活的運行，這也是以圖像傳感器為基礎的智能軌跡小車實現的基本原理。

2 基于圖像傳感器的智能循跡小車研究

2.1 基于圖像傳感器的智能循跡小車硬件

基于圖像傳感器的智能循跡小車硬件主要包括以下部分：首先承擔接收賽道信息、校車運行速度等信息，并對信息進行處理，確定小車控制具體方案，并通過舵機和直流電機對小車進行轉向、轉臺調整控制的核心控制模塊。其次，由轉向舵機、電機驅動和圖像采集電路等子模塊構成的電源管理模塊，此模塊的硬件設備性能直接關系到智能小車運行的持久性。再次，實現對智能小車運行狀態進行直接調整的電機驅動模塊，在智能小車運行的過程中，微控制器是控制信號發出的主要結構，但實際中大部分微控制器的工作電壓并不能對大功率負載實現驅動，所以通常在電機和控制器之間設計驅動電路，保證單片機功能的實現[3]。然后，對智能小車行車速度進行調節，保證小車在直道和彎道中均處于最佳大運行狀態的車速檢測模塊，目前，主要應用霍爾傳感器、光電傳感器和光電編碼器實現，在具體選擇的過程中，結合具體傳感器的特點進行靈活的選擇。另外，直接實現舵機轉向的舵機轉向模塊，筆者認為將MC9S12XS128中的PWM2和PWM3級聯基礎上利用PWM2進行脈沖調控信號的輸出，可以進一步提升智能小車舵機的反應速度。除此之外，由數字圖像傳感器對小車前路徑信息進行采集并利用單片機對采集數據進行信息挖掘，引導小車進行狀態調整和路徑識別的圖像采集模塊，現階段主要應用的數字圖像傳感器和單片機型號分別是OV7620和S12，在具體應用中可結合實際情況進行更換。

2.2 基于圖像傳感器的智能循跡小車軟件

現階段應用的軟件設計方案主要是兩種，一種是通過中斷處理函數采集道路圖像數據，并在小車起跑線檢測過程中，通過軟件延時，判斷行中斷是否到來，在確定到來后采集現場該行圖像數據，在判斷本場數據采集完畢后進行圖像處理，并結合處理結果進行舵機轉向控制和電極驅動控制。另一種軟件方案是在開始運行后，系統變量和各功能模塊進入初始化狀態，然后判斷定時時間是否來到，在獲得肯定信息后，開始采集該廠圖像，進行舵機轉向控制和電極驅動控制，并結合是否檢測到起跑線的信息反饋，在檢測到后判斷是否第二次檢測到，在肯定后結束，在否定后重新進行初始化后的判定。現階段第一種軟件設計方案應用相對更為廣泛，在采用CMOS數字圖像傳感器進行智能小車循跡設計時，通常將第一種軟件設計方案的系統軟件設計整體構架表現為，開始后，先進行系統初始化、工作模式識別，如果判斷為測試模式，則啟動傳感器、電機、舵機等結構，如果判斷為比賽模式，則在對方向信號和速度信號采集的基礎上進行穩態判斷，此時要分別進行方向和速度的控制，前者主要通過控制和改進算法后舵機控制實現，后者是在速度調節后電機控制實現，具體的設計需要結合具體采用的圖像傳感器類型進行調整。

2.3 賽道圖像的處理系統

考慮到USB2.0視頻采集盒可以直接完成對音頻和視頻的高質量采集，而且安裝過程簡單，對使用環境的依賴性較低，所以在基于圖像傳感器的智能循跡小車中應用較為廣泛，通常將其采集到的圖像信息通過視頻采集卡向上位機傳輸，為操作者調節采集棒的具體參數提供參考，在調試的過程中，人們現階段主要應用以VB為基礎的上位機串口調試軟件進行。在圖像采集的過程中，如果應用OV7620數字攝像頭，可應用的視頻信號達到288行，但中所周知，并不是所有的視頻信號在智能小車軌跡運行的過程中均需要，特別是每場前22行消隱信號，如果盲目的采集只會造成存儲空間的浪費和計算效率的降低，使單片機的負擔加大，所以在圖像采集的過程中應盡可能的對其余的266行視頻信號進行采集，保證核心控制模塊的處理效率。在圖像采集后，利用S12系列單片機將采集到的圖像

數據完整準確的傳輸至pc機，利用準備的基于VB的上位機串口調試軟件，對圖像數據二維數組進行處理，使其通過灰度圖的形式直接展現。

在以上圖像處理操作后，智能小車可以對所處賽場內的軌道信息準確的掌握和判別，操作人員也可以對小車進行精準的控制，但需要注意的是智能小車在不同的運動狀態下，所需要的圖像信息存在差異，所以在智能小車循跡運行的過程中，操作人員應有意識的對攝像頭的安裝位置和調節趨勢進行改變，盡可能達到“看的最遠、看的最清晰”。

另外，在賽道圖像采集和傳輸的基礎上，賽道圖像數據的分析也至關重要，通常情況下，基于圖像傳感器的智能小車所應用的攝像頭圖像采集系統由圖像采集系統和圖像數據處理系統共同構成，在數據處理系統運行的過程中，目前以圖像分割方法應用最為廣泛。在設計的過程中，由于智能小車的賽道是在白色板面上按照黑色軌跡運行，而且比賽環境的噪音較低，所以通常應用全局閾值法實現閾值分割，在確定具體閾值時，通常選取幾個較常用的閾值，然后對其進行對比，確定最合適的實現對賽道圖像的處理分析。

3 結論

通過上述分析可以發現，現階段人們已經認識到車輛具有智能循跡性能，對減少交通事故發生概率的有效性，并在實踐中有意識的結合循跡技術的要求和圖像傳感器的原理，進行以圖像傳感器為基礎的智能循跡小車的設計，這是我國車輛智能化設計水平提升的具體體現，對智能交通系統建設具有積極作用。

參考文獻：

[1]余熾業，宋躍，雷瑞庭.基于STC12C5A60S2的智能循跡小車[J].實驗室研究與探索，2014（11）：46-49+121.