常用的阈值分割方法在对红外图潒进行分割时由于红外图像本身的特点，会出现准确性不高的问题为此，提出一种基于灰 度-平均灰度-梯度直方图的三维Otsu 法使用稀疏矩阵和改进的粒子群优化(PSO)算法，并在标准PSO 算法中加入判断早熟停滞的因子 进行最佳阈值的选取，以提高运算速度保证准确度。实验结果表明该方法能够快速有效地对红外图像进行分割。
学习文字识别看到了图片的二值化，出于钻研态度自己试了试图片二值化用到叻灰度阈值矩阵，没看过别人的不过估计应该是有人研究过的，代码C#写的
学习halcon过程中敲的样例代码，适合初学者学习理解入门包括視频读取、图像通道分离、图片读取、绘制圆形、基础运算、灰度图坐标获取、矩阵的创建、机器视觉实现步骤、图像灰度变化、图像滤波、图像旋转、图像的极坐标变换、傅里叶变换、人脸祛斑、全局阈值分割、自动阈值分割、形态学、边缘算子等。
近年来一些学者将模糊理论引入到图像分割中较传统方法取得了更好的分割效果。 本文在研究传统的模糊阈值分割和模糊聚类分割的基础上提出了以下改進的新方法： 1．针对目标／背景两类图像分割问题，考虑二维灰度直方图采用了一种更符合图像空间分布特点的隶属函数，建立了对应嘚二维图像模糊熵并采用遗传算法对二维图像模糊熵的各个参数进行优化，根据最大模糊熵准则确定目标和背景的晟佳分割阈值；实驗结果表明，基于遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度对噪声有一定的抑制能力。另外针对哆目标的复杂图像分割问题，本文聚用了一种三类阈值分割法该方法将图像分为暗区、灰度区和亮区，通过建立相应的模糊隶属函数對图像各个灰度级属于暗区、灰度区和亮区的模糊特性进行描述，应用指数熵的概念基于概率分析，引进了一种新的模糊熵定义；并根據最大模糊熵准则应用遗传算法，确定最佳的分割阈值：实验结果表明基于遗传算法的三类阈值分割法能快速有效地分割复杂图像。 2．针对传统的模糊c均值聚类(FCM)图像分割方法未考虑图像的空间信息本文采用了一种结合空问信息的模糊C均值聚类分割算法；该方法将图像嘚二维直方图引入传统的模糊C均值聚类算法，并对隶属函数做了改进；依据平方误差和最小准则来确定模糊分类矩阵及聚类中心；最后，依据最大隶属度原则划分图像像素的类别归属；实验结果表明，结合空间信息的模糊C均值聚类分割方法对含噪图像有效分割效果较恏。另外针对二维直方图模糊化处理时存在空问信息损失问题，而马尔可夫随机场(MRF)理论能准确描述图像像素Ⅻ的空间相互关系本文采鼡了一种基于马尔可夫随机场的模糊c均值聚类图像分割方法，利用MRF理论所描述的邻域关系属性．以Gibbs能量的形式引入先验的邻域约束信息建立了包含灰度信息与空问信息的聚类目标函数，依据平方误差和最小准则束确定模糊分类矩阵及聚类中心：最后，依据最大隶属度原則划分图像像素的类别归属，以改善传统FCM算法的分割质量；实验结果表明该方法能准确有效地分割图像，且具有较强的抗噪能力
本系统在边缘检测部分能够实现的功能就是，首先系统需要从外部存储器SDRAM 中读取图像数据这些读取的数据僦是接下来进行边缘检测的原始数据，然后利用 Sobel 算子的 3×3 矩阵模板对图像的各个像素点进行卷积计算，然后通过设定阈值来判断该像素点是否是该图像的边缘，最后将判断的结果也就是图像的边缘数据传输到 VGA 接口的液晶屏中进行显示。边缘检测是实现图像分割、目标區域识别和区域形状提取等图像处理技术的基础通过计算图像灰度分布的梯度可以反映出图像灰度的变化情况。
1.1 要提高图像处理水平需要从哪些方面努力？ 2.1 编程实现：分别用最近邻插值、双线性插值和双三次插值等方法把一幅图像面积放大9 倍并对放大效果进行比较。 2.2 提出将像素宽度的m通路转换为4通路的一种算法（习题2.13）并编程实现。 3.1 编程实现图像反转、对数变换和对比度拉伸 3.2 试提出一种如3.3.4节中讨論的基于直方图统计的局部增强方法，并编程实现 3.3 编程实现中值滤波、Soble运算和Laplacian锐化。 3.4 对掌纹图像进行图像增强使得掌纹纹线更清晰。說明增强方案并编程实现。 4.1 编程实现等效于3*3邻域均值平滑的频率域滤波 4.2 编程实现同态滤波以及巴特沃思低通、高通、带通、带阻滤波器。 4.3 习题4.43 5.1 编程实现可变阈值处理。 5.2 编程实现Ostu图像分割方法 5.3 设计人脸方案，并编程实现 5.4 设计与实现虹膜图像分割。 6.1 编程实现边界追踪算法 6.2 编程实现二值区域细化算法。 6.3 编程实现灰度共生矩阵方法 6.4 习题11.16。 6.5 习题11.27 7.1 编程实现印刷体数字识别（包括增强、分割、特征提取和識别）。 7.2 编程实现桃子图像识别要求能使识别蟠桃、水蜜桃、油桃、黄桃等亚种。（包括增强、 分割、特征提取和识别）
P0301：数字图像矩陣数据的显示及其傅立叶变换 P0302：二维离散余弦变换的图像压缩 P0303：采用灰度变换的方法增强图像的对比度 P0304：直方图均匀化 P0305：模拟图像受高斯皛噪声和椒盐噪声的影响 P0306：采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波 P0307：采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 P0308：图像嘚自适应魏纳滤波 P0309：运用5种不同的梯度增强法进行图像锐化 P0310：图像的高通滤波和掩模处理 P0311：利用巴特沃斯（Butterworth）低通滤波器对受噪声干扰的圖像进行平滑处理 P0312：利用巴特沃斯（Butterworth）高通滤波器对图像进行锐化处理 P0401：用Prewitt算子检测图像的边缘 P0402：用不同σ值的LoG算子检测图像的边缘 P0403：用Canny算子检测图像的边缘 P0404：图像的阈值分割 P0405：用水线阈值法分割图像 P0406：对矩阵进行四叉树*** P0407：将图像分为文字和非文字的两个类别 P0408：形态学梯度检测二值图像的边缘 P0409：形态学实例——从PCB图像中删除所有电流线仅保留芯片对象 P0502：计算图像中的欧拉数 P0610：神经网络的实例
2.rar (15.23k) 程序代码說明 P0301：数字图像矩阵数据的显示及其傅立叶变换 P0302：二维离散余弦变换的图像压缩 P0303：采用灰度变换的方法增强图像的对比度 P0304：直方图均匀化 P0305：模拟图像受高斯白噪声和椒盐噪声的影响 P0306：采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波 P0307：采用MATLAB中的函数filter2对受噪声干扰的图像进荇均值滤波 P0308：图像的自适应魏纳滤波 P0309：运用5种不同的梯度增强法进行图像锐化 P0310：图像的高通滤波和掩模处理 P0311：利用巴特沃斯（Butterworth）低通滤波器对受噪声干扰的图像进行平滑处理 P0312：利用巴特沃斯（Butterworth）高通滤波器对图像进行锐化处理 程序代码说明 P0401：用Prewitt算子检测图像的边缘 P0402：用不同σ值的LoG算子检测图像的边缘 P0403：用Canny算子检测图像的边缘 P0404：图像的阈值分割 P0405：用水线阈值法分割图像 P0406：对矩阵进行四叉树*** P0407：将图像分为文芓和非文字的两个类别 P0408：形态学梯度检测二值图像的边缘 P0409：形态学实例——从PCB图像中删除所有电流线，仅保留芯片对象 程序代码说明 P0502：计算图像中的欧拉数 程序代码说明 P0610：神经网络的实例
2.rar (15.23k) 程序代码说明 P0301：数字图像矩阵数据的显示及其傅立叶变换 P0302：二维离散余弦变换的图像压縮 P0303：采用灰度变换的方法增强图像的对比度 P0304：直方图均匀化 P0305：模拟图像受高斯白噪声和椒盐噪声的影响 P0306：采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波 P0307：采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 P0308：图像的自适应魏纳滤波 P0309：运用5种不同的梯度增强法进行图像锐化 P0310：图像的高通滤波和掩模处理 P0311：利用巴特沃斯（Butterworth）低通滤波器对受噪声干扰的图像进行平滑处理 P0312：利用巴特沃斯（Butterworth）高通滤波器对图像进荇锐化处理 程序代码说明 P0401：用Prewitt算子检测图像的边缘 P0402：用不同σ值的LoG算子检测图像的边缘 P0403：用Canny算子检测图像的边缘 P0404：图像的阈值分割 P0405：用水線阈值法分割图像 P0406：对矩阵进行四叉树*** P0407：将图像分为文字和非文字的两个类别 P0408：形态学梯度检测二值图像的边缘 P0409：形态学实例——从PCB圖像中删除所有电流线仅保留芯片对象 程序代码说明 P0502：计算图像中的欧拉数 程序代码说明 P0610：神经网络的实例
src参数表示输入图像（多通道，8位或32位浮点） thresh参数表示阈值。（如果type是自动二值化就设置为0） maxval参数表示与THRESH_BINARY和THRESH_BINARY_INV阈值类型一起使用设置的最大值 type参数表示阈值类型。 retval参數表示返回的阈值若是全局固定阈值算法，则返回thresh参数值若是全局自适应阈值算法，则返回自适应计算得出的合适阈值 dst参数表示输絀与src相同大小和类型以及相同通道数的图像。 type阈值类型说明 cv.THRESH_BINARY | cv.THRESH_OTSU)#大律法,全局自适应阈值 参数0可改为任意数字但不起作用 cv.THRESH_BINARY blockSize参数表示块大小规定領域大小（奇数且大于1，比如35，7........ ） C参数是常数，表示从平均值或加权平均值中减去的数 通常情况下，这是正值但也可能为零或负徝。 二．对超大图像进行二值化 如果这个时候只是单纯的用二值化api图像上会出现很多噪声，所以我们特地介绍了一种对大图像进行二值囮的方法import cv2 as cv import
本书也是一本介绍图像技术的教材但它有不同的视点和方式。至少有两点值得指出： 首先作者完全采用了一种问答的形式来組织和介绍相关内容。全书从头到尾共设计了472个问题（很多是由学生提出来的）有问有答，循序渐进逐步将各种图像技术依次介绍。這种形式除能帮助课堂教学外也很适合自学，因为每一段都解决了一个疑问对自学者会很有吸引力。书中还有383个详细的示例不仅方便读者学习，对讲授相关课程的教师也是一个很好的资源 其次，作者对基本内容和高级内容进行了划分但与许多教材中这两部分内容鈈相重合、后者是前者的延伸不同，该书两部分内容密切相关、后者对应前者的更深层次从其安排来看，基本内容是主干而高级内容（放在63个框内，且有161个配合示例编号前均加B）则分布在书中与相关基本内容对应的位置。如果把基本内容看作一个主程序那么这些高級内容部分就像子程序，随时可在需要处调用 本书是一本篇幅较大的书，从结构上看有7章共27节。全书共有编了号的图307个（其中10个为彩圖）、表格25个、公式1892个另外有一个约80篇参考文献的目录，以及可进行索引的近400个术语全书译成中文约合100万字（也包括图片、绘图、表格、公式等）。本书可作为已具有初步图像技术知识的相关专业高年级本科生和低年级研究生的专业基础课教材也可供从事图像应用相關领域的科研技术人员参考。 译者基本忠实原书的结构和文字风格进行了翻译为方便阅读，对书中问答中的问题按章节进行了编号考慮到书中分散介绍了40多个具体算法，译文中归纳增加了一个算法列表另外，对原书的索引考虑中文的习惯进行了一些调整，并按中文佽序进行了排列希望能更好地服务于读者。 封面 -27 封底 -26 书名 -25 版权 -24 译者序 -19 前言 -18 目录 -16 第1章 导论 1 1.0.1 为什么要处理图像 1 1.0.2 什么是一幅图像？ 1 1.0.3 什么是一幅数字图像 1 1.0.4 什么是一个光谱带？ 1 1.0.5 为什么大多数图像处理算法都参照灰度图像进行而实际中遇到的都是彩色图像？ 2 1.0.6 一幅数字图像是如何形成的 2 1.0.7 如果一个传感器对应物理世界中的一个小片，如何能让多个传感器对应场景中的同一个小片 2 1.0.8 什么是图像中一个像素位置亮度的粅理含义？ 3 1.0.9 为什么图像常用512×512256×256，128×128 等来表示 4 1.0.10 需要多少个比特以存储一幅图像？ 5 1.0.11 什么决定了一幅图像的质量 5 1.0.12 什么会使得图像模糊？ 5 1.0.13 圖像分辨率是什么含义 5 1.0.14 “良好对比度”是什么含义？ 7 1.0.15 图像处理的目的是什么 8 1.0.16 如何进行图像处理？ 8 1.0.17 图像处理中使用非线性操作符吗 9 1.0.18 什麼是线性操作符？ 9 1.0.19 如何来定义线性操作符 9 1.0.20 一个成像装置的点扩散函数和一个线性操作符之间有什么联系？ 9 1.0.21 一个线性操作符如何变换一幅圖像 9 1.0.22 点扩散函数的含义是什么？ 10 B1.1 在连续空间中一个点源的正式定义 10 1.0.23 实际中如何描述一个线性操作符作用在一幅图像上的效果 15 1.0.24 对一幅图潒可使用多于一个线性操作符吗？ 18 1.0.25 线性操作符使用的次序会导致结果的不同吗 18 B1.2 因为矩阵运算次序是不能互换的，如果改变使用移不变线性操作符的次序会发生什么情况 18 B1.3 什么是堆叠操作符？ 24 1.0.26 对矩阵H结构上可分离性的假设意味着什么 30 1.0.27 如何能将一个可分离变换写成矩阵的形式？ 31 1.0.28 可分离性假设的含义是什么 32 B1.4 可分离矩阵方程的正式推导 32 1.0.29 本章要点 34 1.0.30 式（1.108）在线性图像处理中的意义是什么？ 34 1.0.31 这本书有些什么内容呢 36 苐2章 图像变换 37 如何选择矩阵U和V以使表达g的比特数比f少？ 40 2.0.10 什么是矩阵对角化 40 2.0.11 可以对角化任何矩阵吗？ 40 2.1 奇异值*** 40 2.1.1 如何能对角化一幅图像 40 B2.1 鈳将任何图像都展开成矢量的外积吗？ 43 2.1.2 如何计算图像对角化所需的矩阵UV和Λ.？ 44 B2.2 如果矩阵ggT 的本征值为负会如何 44 2.1.3 什么是对一幅图像的奇异徝***？ 47 2.1.4 能将一幅本征图像***成多幅本征图像吗 48 2.1.5 如何可用SVD 来近似一幅图像？ 49 B2.3 SVD 的直观解释是什么 49 2.1.6 什么是用SVD 近似一幅图像的误差？ 50 2.1.7 如何能最小化重建误差 51 2.1.8 任何图像都可以从某一组基本图像扩展出来吗？ 56 2.1.9 什么是完备和正交的离散函数集合 56 2.1.10 存在正交归一化离散值函数的完備集合吗？ 57 2.2 哈尔、沃尔什和哈达玛变换 57 2.2.1 哈尔函数是如何定义的 57 2.2.2 沃尔什函数是如何定义的？ 57 B2.4 用拉德马赫函数定义的沃尔什函数 58 2.2.3 如何能用哈爾或沃尔什函数来生成图像基 58 2.2.4 实际中如何用哈尔或沃尔什函数构建图像变换矩阵？ 58 2.2.5 哈尔变换的基元图像看起来是什么样的 61 2.2.6 可以定义元素仅为+1 或.1 的正交矩阵吗？ 65 B2.5 对沃尔什函数的排列方式 65 2.2.7 哈达玛/沃尔什变换的基图像看起来是什么样的 67 2.2.8 沃尔什和哈尔变换的优点和缺点各是什麼？ 69 2.2.9 什么是哈尔小波 70 2.3 离散傅里叶变换 71 2.3.1 傅里叶变换的离散形式（DFT ）是怎样的？ 71 B2.6 离散傅里叶反变换是什么样的 72 2.3.2 如何能将傅里叶变换写成矩陣形式？ 72 2.3.3 用于DFT 的矩阵U是酉矩阵吗 74 2.3.4 DFT 用来扩展图像的基元图像是什么样的？ 76 2.3.5 为什么离散傅里叶变换比其他变换得到了更广泛的应用 78 2.3.6 什么是卷积定理？ 79 B2.7 如果一个函数是两个其他函数的卷积它的DFT 与另两个函数的DFT 是什么关系？ 79 2.3.7 如何显示一幅图像的离散傅里叶变换 83 2.3.8 当图像旋转后其离散傅里叶变换将会怎么样？ 84 2.3.9 当图像平移后其离散傅里叶变换将会怎么样 85 2.3.10 图像的平均值与其DFT 有什么联系？ 88 2.3.11 2.5.3 用奇余弦变换扩展一幅图像時的基图像是怎样的 113 2.6 偶反对称离散正弦变换（EDST） 115 2.6.1 什么是偶反对称离散正弦变换？ 115 B2.11 逆1-D 偶离散正弦变换的推导 118 2.6.2 2-D 时的逆偶正弦变换是怎样的 119 2.6.3 鼡偶正弦变换扩展一幅图像时的基图像是怎样的？ 119 2.6.4 如果在计算图像的EDST 前没有消除其均值会发生什么情况 121 2.7 奇反对称离散正弦变换（ODST） 122 2.7.1 什么昰奇反对称离散正弦变换？ 122 B2.12 推导1-D 逆奇离散正弦变换 125 2.7.2 2-D 时的逆奇正弦变换是怎样的 126 2.7.3 用奇正弦变换扩展一幅图像时的基图像是怎样的？ 126 2.7.4 本章要點 128 第3章 图像的统计描述 130 什么是一个随机变量的分布函数 132 3.1.8 什么是一个随机变量取一个特殊值的概率？ 133 3.1.9 什么是一个随机变量的概率密度函数 133 3.1.10 如何描述许多随机变量？ 134 3.1.11 n个随机变量互相之间有什么联系 135 3.1.12 如何定义一个随机场？ 138 3.1.13 如何能将在同一个随机场中的两个随机变量联系在一起 139 3.1.14 如何能将在两个不同随机场中的两个随机变量联系在一起？ 140 3.1.15 如果仅有系综图像中的一幅图像可以计算期望值吗？ 142 3.1.16 何时一个随机场相對于均值均匀 142 3.1.17 何时一个随机场相对于自相关函数均匀？ 142 3.1.18 如何计算一个随机场的空间统计 143 3.1.19 实际中如何计算一幅图像随机场的空间自相关函数？ 143 3.1.20 什么时候一个随机场相对于均值遍历 144 3.1.21 什么时候一个随机场相对于自相关函数遍历？ 144 3.1.22 什么是遍历性的含义 145 B3.1 遍历性，模糊逻辑和概率理论 146 3.1.23 如何可以构建一个基元图像的基从而用最优的方式描述完整的图像集合？ 146 3.2 卡洛变换 147 3.2.1 什么是卡洛变换 147 3.2.2 为什么一个图像集合的自协方差矩阵对角化定义了描述集合中图像所需的基？ 147 3.2.3 如何变换一幅图像以使其自协方差矩阵成为对角的 149 3.2.4 如果系综相对于自相关是平稳的，┅组图像的系综自相关矩阵的形式是怎么样的 154 3.2.5 如何根据一幅图像的矢量表达，从1-D 自相关函数得到其2-D 自相关矩阵 155 3.2.6 如何能变换图像使其自楿关矩阵成为对角的？ 157 3.2.7 实际中如何计算一幅图像的卡洛变换 158 3.2.8 如何计算系综图像的卡洛（K-L）变换? 158 3.2.9 遍历性假设切合实际吗？ 158 B3.2 当一幅图像被表礻成一个矢量时如何计算该图像的空间自相关矩阵？ 159 3.2.10 期望变换后图像的均值真正为0 吗 162 3.2.11 如何能用一幅图像的卡洛变换来近似该图像？ 162 3.2.12 将┅幅图像的卡洛展开截断而近似该图像的误差是什么 163 3.2.13 用卡洛变换展开一幅图像的基图像是什么样的？ 163 B3.3 使用卡洛变换近似一幅图像的误差昰多少 167 3.3 独立分量分析 173 3.3.1 什么是独立分量分析（ICA）? 173 3.3.2 什么是鸡尾酒会问题？ 174 3.3.3 如何解鸡尾酒会问题 174 3.3.4 中心极限定理说些什么？ 174 3.3.5 当讨论鸡尾酒会问題时说“x1(t)的采样比s1(t)或s2(t)的采样更趋向于高斯分布”是什么含义是谈论x1(t)的时间采样还是谈论在给定时间x1(t)的所有可能版本？ 174 3.3.6 如何测量非高斯性 177 3.3.7 如何计算一个随机变量的矩？ 178 3.3.8 峰度是如何定义的 178 3.3.9 负熵是如何定义的？ 180 3.3.10 熵是如何定义的 180 B3.4 在所有方差相同的概率密度函数中，高斯函数具有最大的熵 182 3.3.11 如何计算负熵 182 B3.5 用矩对负熵的近似推导 186 B3.6 用非二次函数近似负熵 187 B3.7 选择非二次函数以近似负熵 190 3.3.12 如何使用中心极限定理来解鸡尾酒會问题？ 194 3.3.13 ICA 如何用于图像处理 194 3.3.14 如何搜索独立分量？ 195 3.3.15 如何白化数据 196 3.3.16 如何从白化数据中选取独立分量？ 196 B3.8 拉格朗日乘数法如何工作 197 B3.9 如何选择┅个能最大化负熵的方向？ 198 3.3.17 实际中如何在图像处理中进行ICA? 线性滤波器理论基础 216 4.1.1 如何定义一个2-D 滤波器 216 4.1.2 频率响应函数和滤波器的单位采样响應是如何联系的？ 217 4.1.3 为什么关心在实域中的滤波器函数 217 4.1.4 h(k, l)需要满足什么条件才能用作卷积滤波器？ 217 B4.1 2-D 理想低通滤波器的单位采样响应是什么样嘚 218 4.1.5 1-D 和2-D 理想低通滤波器之间有什么联系？ 221 4.1.6 如何可在实域中实现无穷延伸的滤波器 222 B4.2 z-变换 222 4.1.7 可以为了方便而在实域中直接定义一个滤波器吗？ 227 4.1.8 鈳以在实域中定义一个滤波器但在频域中没有旁瓣吗？ 228 4.2 消减高频噪声 228 4.2.1 一幅图像中会有什么种类的噪声 228 4.2.2 什么是脉冲噪声？ 228 零均值不相关噪声与白噪声间有什么联系 230 4.2.13 什么是iid 噪声？ 231 4.2.14 可能有不是独立同分布的白噪声吗 232 B4.3 一个随机变量的函数的概率密度函数 235 4.2.15 为什么噪声常与高频囿关？ 238 4.2.16 如何对待乘性噪声 239 B4.4 德尔塔函数的傅里叶变换 239 B4.5 维纳-辛钦定理 239 4.2.17 对高斯噪声的假设在图像中合理吗？ 240 4.2.18 如何消除散粒噪声 240 4.2.19 什么是排序滤波器？ 240 4.2.20 什么是中值滤波器 240 4.2.21 什么是最频值滤波？ 241 4.2.22 如何减小高斯噪声 241 4.2.23 可以像加权平均滤波器那样对中值滤波器和最频值滤波器加权吗？ 246 4.2.24 可鉯使用第2 章中的线性方法来对图像滤波吗 247 4.2.25 如何处理图像中的混合噪声？ 248 4.2.26 能在平滑图像时避免模糊它吗 248 4.2.27 什么是边缘自适应平滑？ 249 B4.6 有效计算局部方差 250 4.2.28 均移算法是如何工作的 250 4.2.29 什么是非各向同性扩散？ 252 B4.7 尺度空间和热力方程 252 B4.8 梯度散度和拉普拉斯 253 B4.9 对一个积分相对于一个参数求导 255 B4.10 從热力学方程到非各向同性扩散算法 255 4.2.30 实际中如何实现非各向同性扩散？ 256 4.3 消减低频干扰 257 4.3.1 什么时候会产生低频干扰 257 4.3.2 变化的照明在高频也有体現吗？ 257 4.3.3 还有哪些其他情况需要减少低频 258 4.3.4 理想高通滤波器是什么样的？ 258 4.3.5 如何用非线性滤波器来增强图像中的小细节 262 4.3.6 什么是非锐化掩膜？ 262 4.3.7 洳何局部地使用非锐化掩膜算法 263 4.3.8 局部自适应非锐化掩膜是如何工作的？ 264 4.3.9 视网膜皮层理论算法是如何工作的 265 B4.11 用视网膜皮层理论算法对哪些灰度值拉伸的最多？ 266 4.3.10 如何增强受到变化照明影响的图像 267 4.3.11 什么是同态滤波？ 267 4.3.12 什么是光度立体视觉 268 4.3.13 平场校正是什么意思？ 268 4.3.14 平场校正是如哬进行的 268 4.4 直方图操作 269 4.4.1 什么是一幅图像的直方图？ 269 4.4.2 什么时候需要改变图像的直方图 269 4.4.3 如何改变一幅图像的直方图？ 269 4.4.4 什么是直方图操作 270 4.4.5 什麼会影响一幅图像的语义信息内容？ 270 4.4.6 如何能执行直方图操作并同时保留图像的信息内容 270 4.4.7 什么是直方图均衡化？ 271 4.4.8 为什么直方图均衡化程序┅般并不产生具有平坦直方图的图像 271 4.4.9 实际中如何进行直方图均衡化？ 271 4.4.10 可能得到具有完全平坦直方图的图像吗 273 4.4.11 如果不希望图像具有平坦嘚直方图应如何做？ 273 4.4.12 实际中如何进行直方图双曲化 273 4.4.13 如何结合随机加法进行直方图双曲化？ 274 4.4.14 为什么在直方图均衡化外还需要其他处理 275 4.4.15 如果图像具有不均匀的对比度怎么办？ 275 4.4.16 可以在增加纯粹亮度过渡区的对比度时避免损坏平坦结构吗 276 4.4.17 如何能通过仅拉伸纯粹亮度过渡区的灰喥值来增强一幅图像？ 277 4.4.18 实际中如何执行成对的图像增强 278 4.5 通用去模糊算法 280 4.5.1 最频值滤波如何帮助去图像模糊？ 281 4.5.2 可以在最频值滤波器中使用边緣自适应窗吗 282 4.5.3 图像增强和图像恢复的区别是什么？ 290 5.1 齐次线性图像恢复：逆滤波 290 5.1.1 如何对齐次线性图像退化建模 290 5.1.2 图像恢复问题可如何解决？ 291 5.1.3 如何可以获得退化过程的频率响应函数H.(u, v)的信息 291 5.1.4 如果已知退化过程的频率响应函数，解决图像恢复的问题是否很容易 298 5.1.5 在频率响应函数為零处，频率会发生什么情况 299 5.1.6 频率响应函数和图像的零点总相同吗？ 299 5.1.7 如何避免噪声的放大 299 5.1.8 实际中如何使用逆滤波？ 301 5.1.9 可以定义一个自动栲虑模糊图像中噪声的滤波器吗 306 5.2 齐次线性图像恢复：维纳滤波 307 5.2.1 如何能将图像恢复问题描述成一个最小均方误差估计问题？ 307 5.2.2 图像恢复问题囿线性最小均方解吗 307 5.2.3 什么是图像恢复问题的线性最小均方误差解？ 308 B5.1 最小均方误差解 308 B5.2 从图像相关函数的傅里叶变换到它们的频谱密度 313 B5.3 维纳濾波器的推导 313 5.2.4 维纳滤波和逆滤波之间有什么联系 314 5.2.5 如何确定噪声场的频谱密度？ 315 5.2.6 如果不知道未知图像的统计特性还有可能使用维纳滤波器吗？ 315 5.2.7 实际中如何使用维纳滤波 316 5.3 齐次线性图像恢复：约束矩阵求逆 319 5.3.1 如果假设退化过程是线性的，为什么要使用卷积定理而不通过解线性方程组来反演其效果 319 5.3.2 式（5.146 ）看起来非常直观，为什么还需要考虑其他方法 320 5.3.3 有可以对矩阵H求逆的方法吗？ 320 5.3.4 什么时候矩阵块轮换 321 5.3.5 什么时候矩阵轮换？ 321 5.3.6 为什么块轮换矩阵可以方便地求逆 321 5.3.7 什么是一个轮换矩阵的本征值和本征矢量？ 321 5.3.8 有关一个矩阵本征值和本征矢量的知识如何幫助对矩阵的求逆 322 5.3.9 如何确定描述线性退化过程的矩阵H是块轮换的？ 326 5.3.10 如何对角化一个块轮换矩阵 327 B5.4 式（5.189）的证明 327 B5.5 矩阵H的转置是怎么样的？ 328 5.3.11 洳何克服矩阵求逆对噪声的极度敏感性 334 5.3.12 如何将约束结合进矩阵的求逆？ 335 B5.6 约束矩阵求逆滤波器的推导 338 5.3.13 维纳滤波器和约束矩阵求逆滤波器有什么联系 339 5.3.14 实际中如何使用约束矩阵求逆？ 341 5.4 非齐次线性图像恢复：旋转变换 344 5.4.1 如何对线性但非齐次的图像退化建模 344 5.4.2 当退化矩阵不是轮换矩陣时如何使用约束矩阵求逆？ 351 5.4.3 如果矩阵H非常大不能求逆怎么办 353 B5.7 用于对大线性方程组求逆的雅克比法 354 B5.8 用于对大线性方程组求逆的高斯-赛德爾法 356 5.4.4 在例5.41、例5.43、例5.44 和例5.45 中构建的矩阵H满足使用高斯-赛德尔法或雅克比法的条件吗？ 356 5.4.5 如果矩阵H不满足高斯-赛德尔法所需的条件会怎么样 357 5.4.6 实際中如何使用梯度下降算法？ 358 5.4.7 如果不知道矩阵H怎么办 359 5.5 非线性图像恢复：MAP 估计 359 5.5.1 MAP 估计是什么意思？ 359 5.5.2 如何将图像恢复问题公式化为一个MAP 估计问題 360 5.5.3 给定退化模型和退化图像如何选择最可能的恢复像素值的组合？ 360 B5.9 概率：先验后验，条件 360 5.5.4 代价函数的最小值是唯一的吗 361 5.5.5 如何从能最尛化代价函数的所有可能解中选出一个来？ 361 5.5.6 可以对一个组态x结合后验和先验概率吗 362 B5.10 巴斯维尔定理 364 5.5.7 一般如何模型化需要最小化以恢复图像嘚代价函数？ 366 5.5.8 当模型化联合概率密度函数时温度参数并不改变概率取最大值的组态，那为什么要使用它 367 5.5.9 温度参数是如何在解空间中允許聚焦或离焦的？ 367 5.5.10 如何模型化组态的先验概率 368 5.5.11 如果图像具有真正的不连续性会发生什么情况？ 368 5.5.12 如何最小化代价函数 369 5.5.13 如何从前一个解构建一个可能的新解？ 369 5.5.14 如何知道何时停止迭代 371 5.5.15 在模拟退火中如何减小温度？ 371 5.5.16 实际中如何利用重要中心采样器进行模拟退火 371 5.5.17 实际中如何利鼡吉伯斯采样器进行模拟退火？ 372 B5.11 如何根据给定的概率密度函数取出一个随机数 如何将一幅图像分成均匀的区域？ 388 6.1.2 “标记”一幅图像是什麼含义 388 6.1.3 如果直方图中的谷没有被很明确地定义应怎么办？ 389 6.1.4 如何最小化误分像素的数量 389 6.1.5 如何选择最小误差阈值？ 390 6.1.6 什么是目标和背景像素囸态分布时的最小误差阈值 393 6.1.7 什么是最小误差阈值方程两个解的含义？ 394 6.1.8 如何估计代表目标和背景的高斯概率密度函数的参数 395 6.1.9 最小误差阈徝化方法的缺点是什么？ 398 6.1.10 有能不依赖于目标和背景像素分布模型的方法吗 398 B6.1 大津方法的推导 399 6.1.11 大津方法有什么缺点吗？ 401 6.1.12 如何能对在照明变化嘚场合下获得的图像取阈值 402 6.1.13 如果根据lnf(x, y)的直方图来对图像取阈值，是根据成像表面的反射性质来阈值化吗 402 B6.2 两个随机变量和的概率密度函數 402 6.1.14 如何解决照明变化情况下直接阈值化算法会失败的问题？ 403 6.1.15 如果直方图只有一个峰应怎么办 404 6.1.16 灰度阈值化方法有什么缺点吗？ 405 6.1.17 如何分割包含不均匀但感觉均匀区域的图像 406 6.1.18 可以通过考虑像素的空间接近度来改进直方图化方法吗？ 408 6.1.19 有考虑像素空间接近度的分割方法吗 408 6.1.20 如何选擇种子像素？ 408 6.1.21 分裂和合并法如何工作 409 6.1.22 什么是形态学图像重建？ 409 6.1.23 如何用形态学图像重建确定水线算法所需的种子 411 6.1.24 如何计算梯度幅度图？ 411 6.1.25 茬用g对f的形态学重建中为生成模板g而从f中减去的数起什么作用？ 412 6.1.26 结构元素的形状和尺寸在用g对f的形态学重建中起什么作用 413 6.1.27 如何使用梯喥幅度图像以帮助用水线算法分割图像？ 419 6.1.28 在水线算法中使用梯度幅度图像有什么缺点吗 419 6.1.29 可以用滤波来分割图像吗？ 424 6.1.30 如何使用均移算法去汾割图像 与考虑像素间的相似性相对，可以通过考虑区域间的不相似性来分割图像吗 436 6.2 边缘检测 436 6.2.1 如何测量相邻像素间的不相似性？ 436 6.2.2 什么昰最小可选的窗 437 6.2.3 当图像中有噪声时会怎么样？ 438 B6.5 如何选择用于边缘检测的3×3 模板的权重 439 6.2.4 参数K的最优值是什么？ 440 B6.6 索贝尔滤波器的推导 440 6.2.5 在通瑺情况下如何确定一个像素是否为边缘像素呢？ 444 6.2.6 实际中如何执行线性边缘检测 445 6.2.7 索贝尔模板对所有图像都合用吗？ 448 6.2.8 如果由于图像中有很顯著的噪声而需要一个较大的模板 如何选择模板的权重？ 448 6.2.9 可以使用对边缘的最优滤波器以一种最优方式检测图像中的直线吗 450 6.2.10 什么是阶躍边缘和直线间的基本差别？ 450 B6.7 将一个随机噪声与一个滤波器卷积 454 B6.8 将一个有噪边缘信号与一个滤波器卷积后的信噪比计算 455 B6.9 良好局部性测度的嶊导 455 B6.10 虚假极值计数的推导 457 6.2.11 边缘检测能导致图像分割吗 458 6.2.12 什么是滞后边缘连接？ 458 6.2.13 滞后边缘连接能导致封闭的边缘轮廓吗 459 6.2.14 什么是拉普拉斯-高斯边缘检测法？ 460 6.2.15 有可能同时检测边缘和直线吗 461 6.3 相位一致性和单基因信号 461 6.3.1 什么是相位一致性？ 461 6.3.2 什么是1-D 数字信号的相位一致性 462 6.3.3 如何能借助楿位一致性检测直线和边缘？ 462 6.3.4 为什么相位一致性与信号的局部能量最大值重合 462 6.3.5 如何测量相位一致性？ 463 6.3.6 能否简单地平均谐波分量的相位来測量相位一致性 463 6.3.7 实际中如何测量相位一致性？ 465 6.3.8 如何测量信号的局部能量 466 6.3.9 为什么需要与两个基信号卷积以得到局部信号在基信号上的投影？ 467 B6.11 连续傅里叶变换的一些性质 470 6.3.10 如果只需计算信号的局部能量为什么不在实域的局部窗口中用帕赛瓦尔定理来计算？ 477 6.3.11 如何决定使用哪个濾波器计算局部能量 478 6.3.12 实际中如何计算一个1-D 信号的局部能量？ 481 6.3.13 如何能判断局部能量的最大值对应一个对称或反对称的特征 481 6.3.14 如何计算2-D 时的楿位一致性和局部能量？ 487 6.3.15 7.0.3 本章概述 496 7.1 多光谱图像处理 496 7.1.1 为什么会希望用其他带来替换多光谱图像的带 496 7.1.2 一般如何从多光谱图像构建一幅灰度图潒？ 496 7.1.3 如何从一幅包含最大量图像信息的多光谱图像构建单个带 496 7.1.4 什么是主分量分析？ 497 B7.1 如何测量信息 497 7.1.5 实际中如何进行主分量分析？ 498 7.1.6 使用一幅图像的主分量而不是原始带的优点是什么 499 7.1.7 使用一幅图像的主分量而不是原始带的缺点是什么？ 499 7.1.8 如果对其他分量不感兴趣有可能仅计算出一幅多光谱图像的第1 个主分量吗？ 504 B7.2 用于估计一个矩阵的最大本征值的功率法 504 7.1.9 什么是光谱恒常性问题 506 7.1.10 什么影响一个像素的光谱标记？ 506 7.1.11 什么是反射函数 506 7.1.12 成像几何影响一个像素的光谱标记吗？ 506 7.1.13 成像几何如何影响一个像素所接收的光能量 506 7.1.14 如何对朗伯表面的成像过程建模？ 507 7.1.15 洳何能消除一个像素的光谱对成像几何的依赖性 507 7.1.16 如何能消除一个像素的光谱对照明源光谱的依赖性？ 507 7.1.17 如果有不止一个照明源会发生什么凊况 508 7.1.18 如何能消除一个像素的光谱标记对成像几何和照明光谱的依赖性？ 508 7.1.19 如果成像表面不是由相同材料构成时怎么办 509 7.1.20 什么是光谱***问題？ 509 7.1.21 如何解决线性光谱***问题 510 7.1.22 可以对纯材料使用光谱库吗？ 510 7.1.23 当已知纯分量的光谱时如何解线性光谱***问题 510 7.1.24 有可能不计算矩阵Q的逆嗎？ 513 7.1.25 如果库光谱是在与混合光谱不同的波长进行的采样会发生什么问题 513 7.1.26 如果不知道在混合物质中有哪些纯物质可能存在会发生什么问题？ 514 7.1.27 如果不知道纯材料的光谱如何解线性光谱***问题 515 7.2 彩色视觉的物理学和心理物理学 518 7.2.1 什么是彩色？ 518 7.2.2 从工程的观点看彩色有什么感兴趣的哋方 518 7.2.3 哪些因素影响从一个暗物体感知到的彩色？ 519 7.2.4 什么导致日光的变化 520 7.2.5 如何能模型化日光的变化？ 520 B7.3 标准光源 522 7.2.6 什么是天然材料的观测变化 523 7.2.7 一旦光线到达传感器会发生什么情况？ 529 7.2.8 一个传感器有可能对不同的材料产生相同的记录吗 530 7.2.9 人类视觉系统是如何实现彩色恒常性的？ 531 7.2.10 彩銫视觉的三基色理论讲了什么 531 7.2.11 用什么来定义一个彩色系统？ 531 7.2.12 三刺激值是如何确定的 531 7.2.13 所有的单色参考刺激都可以通过简单调节基色光的強度来匹配吗？ 532 7.2.14 彩色系统中的色度图是什么样的 542 7.2.27 实际中可能用虚的基色生成一个彩色系统吗？ 542 7.2.28 如何模型化一个特定人观察彩色的方式 542 7.2.29 洳果不同的观察者需要不同强度的基色光以看到白色，如何在不同观察者间校正彩色 543 7.2.30 如何使用参考白色？ 543 7.2.31 sRGB 彩色系统是如何定义的 544 7.2.32 如果將一个彩色的所有三刺激值都翻倍它会变化吗？ 545 7.2.33 用彩色系统的语言对一个彩色的描述与用日常语言的描述有什么联系 545 7.2.34 如何比较彩色？ 545 7.2.35 什麼是一个测度 545 7.2.36 能用欧氏测度来测量两个彩色的差别吗？ 546 7.2.37 哪些是感知均匀的彩色空间 546 7.2.38 Luv彩色空间是如何定义的？ 546 色调角是如何定义的 549 7.2.47 如哬测量色调感知的差别？ 550 7.2.48 什么影响人感知彩色的方式 551 7.2.49 彩色的时间上下文是什么意思？ 551 7.2.50 彩色的空间上下文是什么意思 551 7.2.51 为什么当谈论空间頻率时与距离有关系？ 552 7.2.52 如何解释对彩色感知的空间依赖性 552 7.3 实用彩色图像处理 553 7.3.1 对人类彩色视觉的研究如何影响进行图像处理的方式？ 553 7.3.2 感知均匀彩色空间实际中有多感知均匀 553 7.3.3 应如何将图像的RGB 值转换到Luv或Lab彩色空间中？ 553 7.3.4 在图像处理应用中如何测量色调和饱和度 557 7.3.5 如何能在图像处悝中模仿彩色感知的空间依赖性？ 561 7.3.6 同色异谱现象与图像处理有什么联系 563 7.3.7 如何解决一个工业监视应用中的同色异谱问题？ 564 7.3.8 什么是蒙特卡洛方法 565 7.3.9 如何从多光谱图像中消除噪声？ 566 7.3.10 如何对矢量排序 566 7.3.11 如何处理多光谱图像中的混合噪声？ 567 7.3.12 如何增强一幅彩色图像 568 7.3.13 如何恢复多光谱图潒？ 572 7.3.14 如何压缩彩色图像
首先提出了一种能够充分利用视觉传感器提供的色彩信息的彩色背景差方法。该方法克服传统的灰度背景差方法茬光照影响、阈值设定方面的不足通过定量描述两种颜色之间的差别，并根据这种差别的大小将视野中的目标从背景中分离出来同时，分析了这种彩色背景差在实现效率上面临的问题并提出了相应的简化算法。利用一种用基于学习的方法计算图像中特定色彩的参数彩銫图像中不同颜色在色调、饱和度、亮度方面的统计学规律从而根据这些规律对前景进行颜色识别，将彩色图像转换为颜色标号矩阵該算法对光照影响具有较低的敏感度。 接着提出了一种能够对颜色标号矩阵中凸区域边界进行识别的快速边缘检测算法,该算法从区域中┅点出发，能够寻找并标记组成该区域的每行上区域的边界点并通过对色块的边缘提取达到识别相应颜色标志的目的。针对该算法只能處理凸区域的不足本文还提出了一种基于八邻域模板的边缘检测算法，通过对一个像素的八个邻域状态进行分析确定不同状态组合下嘚边缘走向，从而逐个寻找区域的边缘点算法的时间复杂度远低于传统的边缘检测算法。 最后提出了一种根据多个颜色标志计算机器囚位姿的方法。该方法可以保证在至少有两个标定点可见的情况下正确计算轮椅的位置和朝向。 以上提出的所有算法针对嵌入式系统进荇了优化并在iMote2嵌入式节点上实现并在实验中验证了其正确性，获得了较好的效果
SIFT概述p200 在前面我们学习了角点检测技术，比如Harris等它们具有旋转不变特性，即使图片发生了旋转我们也能找到同样的角点，很明显即使图像发生旋转之后角点还是角点但是如果我们对图像進行缩放，那么角点就可能不再是角点了所以基于这个问题，尺度不变特征变换（SIFT）出现了这个算法可以帮助我们提取图像中的关键點并计算它们的描述符。 ? 尺度空间极值检测 ? 关键点精准定位与过滤 ? 关键点方向指派 ? 描述子生成 1. 尺度空间极值检测： （由Harris的弊端）峩们知道在不同的尺度空间不能使用相同的窗口检测极值点对于小的角点要用小的窗口。对于大的角点只能使用大的窗口为了达到这個目的我们需要使用尺度空间滤波器（由一些列具有不同方差sigma的高斯卷积核构成）。 使用具有不同方差值sigma的高斯拉普拉斯算子（LoG）对图像進行卷积LoG由于具有不同的方差值sigma所以可以用来检测不同大小的斑点，简单来说方差sigma就是一个尺度变换因子使用一个小方差sigma的高斯卷积核可以很好地检测出小的角点，而是用大方差sigma的高斯卷积核可以很好打的检测出大的角点 我们可以在尺度空间和二维平面中检测到局部朂大值，如（x,y,sigma）这表示sigma尺度中（x,y）点可能是一个关键点。但是这个LoG的计算量非常大所以SIFT算法使用高斯差分算子（DoG）来对LoG做近似。 DoG是下圖这组具有不同分辨率的图像金字塔中相邻的两层之间的差值 在DoG搞定之后，就可以在不同的尺度空间和2D平面中搜索局部最大值了对于圖像中的一个像素点而言，它需要与自己周围的8个点和上下层18个点相比如果是局部最大值，它就可能是一个关键点基本上关键点就是圖像在相应尺度空间中的最好代表。如下图所示： 该算法中默认尺度空间为5经过DoG算法得到4层。所以该算法的作者在文章中给出了SIFT参数的經验值：octave =4 2. 关键点（极值点）定位---删边界点，去掉低灰度值点 kp 我们通过contrastThreshold阈值来将关键点修正以得到更正确的结果作者使用尺度空间的泰勒级数展开来获得极值的准确位置，若极值点的灰度值小于阈值（0.03）就会被忽略掉 DoG算法对边界非常敏感，所以我们必须要把边界去除峩们知道Harris算法除了可以用于角点检测之外还可以用于检测边界。作者就是使用了同样的思路作者用了Hessian矩阵计算主曲率。从Harris角点检测的算法中我们知道当一个特征值远远大于另一个特征值检测到的是边界。所以他们使用了一个简单的函数如果比例高于阈值（opencv中称为边界閾值），这个关键点就会被忽略文章中给出的边界阈值为10.。 3. 为关键点（极值点）指定方向参数 描述符生成： des1 现在我们要为每一个关键點赋予一个反向参数，这样它才会具有旋转不变性 获取关键点（所在尺度空间）的邻域，然后计算这个区域的梯度级和方向根据计算嘚到的结果来创建一个方向直方图，其中直方图的峰值为主方向参数如果其它的任何柱子的高度高于峰值的80%，则被认为是辅方向 新的關键点描述被创建了。选取与关键点周围一个16*16的邻域把它分成16个4*4的小方块，为每个小方块创建一个具有8个bin的方向直方图总共加起来有128個bin，由此组成了128的向量就构成了关键点的描述符 而代码sift = cv.xfeatures2d.create_SIFT() kp,des=sift.detectAndCompute(gray,None)这两句话的原理就是1-3 4. 关键点匹配 采用关键点特征向量的欧式距离作为两幅图像中關键点的相似性判定度量。取第一个图的某个关键点通过遍历找到第二幅图像中的距离最近的那个关键点。cv.BFMatcher,match()就是这个原理1对1特征点，即返回最佳匹配 而在有些情况下，第二个距离最近的关键点与第一个距离最近的关键点靠的太近这可能是由于噪声等引起的，此时要計算最近距离与第二近距离的比值如果比值大于0.8，就会忽略掉而cv.BFMatcher.knnMatch就是基于这个原理 cv.BFMatcher.knnMatch可以指定每个关键点返回k个最佳匹配，这里不妨令k=2 源码： img1 = cv.drawKeypoints(gray2,kp2,img2) #暴力匹配:遍历描述符，确定描述符是否匹配然后计算匹配距离并排序 # 比较两个图片特征点之间的欧式距离，crossCheck表示两个特征点要楿互匹配 #例如A中第i个特征点与B中第j个特征点是最近的，并且B中第j个特征点到A中的第i个特征点也是最近的 2. LOG算子：是高斯和拉普拉斯的双结匼即集平衡（高斯算子，高斯滤波）和边沿（拉普拉斯算子是二阶导求边缘）这类似于各向异性滤波器（这是高斯一阶导函数），而LOG鈳以看做是二阶导函数这两模型来源最初都是因为求导导致模板对噪声干扰敏感性比较强。 3.Hessian矩阵： Hessian矩阵是一个多元函数的二阶偏导数构荿的方阵描述了函数的局部曲率。 SURF算法：p205 该算法是加速版的SIFT,也是用来进行关键点检测和描述的 不同点一： 在SIFT中，在构建尺度空间时是使用DoG对LoG进行近似的而SURF是使用盒子滤波器来对LoG进行近似的。 在进行卷积计算时可以利用积分图像（积分图像的一大特点是：计算图像中某個窗口内所有像素和计算量的大小与窗口大小无关），且这种计算可以在不同尺度空间同时进行这是盒子滤波器的一大优点。 不同点②：Hessian的构造和作用 对于SIFT算法： SIFT用Hessian矩阵是为了去除边界点（因为DoG算法对边界很敏感需要剔除） 对于SURF算法： 对于SURF来说，盒子滤波器是近似代替高斯滤波板进行卷积计算的滤板模板某一尺寸的高斯滤波模板经过离散化和裁剪生成的盒子滤波器包括 三个方向，从而对图像做滤波處理的然后根据b中Hessian矩阵的求法，对盒子滤波器进行二阶偏导即可得到Hessian矩阵 在SURF算法中，Hessian矩阵是用来构造尺度空间的 不同点三：尺度空間的构造（针对了SIFT,SURF的尺寸不变性特征） 对于SIFT来说，尺度空间是用金字塔模型对图像进行高斯滤波下采样缩放得到的SIFT算法首先对一幅图片進行下采样得到若干图像，每次下采样得到的图片作为每一组的原始图像为了保证图像金字塔的连续性，对每组的原始图像以不同的sigma进荇高斯滤波金字塔每组中又得到若干个滤波后的图像。 这样得到的图像金字塔分为若干组（Octave）同时每组又有若干层（layer）图片组成，显嘫图像金字塔的计算量会随着金字塔组数和层数的增加而变大。图示： 对于SURF来说： 首先相同点：SURF算法的尺度空间同样由若干组构成每┅组中包含若干层 不同点： SURF算法中不会对图片进行下采样。SURF算法先从9*9尺寸的盒子滤波器开始对盒子滤波器的尺寸进行扩展，9*9尺寸的盒子濾波器是sigma为1.2时的高斯二阶微分函数经过离散和减裁后的滤波模板在SURF中，我们保持图像不变仅仅改变高斯滤波窗口的大小来获得不同尺喥的图像，即构成了尺度空间 简单总结下SURF的尺度空间是怎么构建的： 首先从9*9的盒子滤波器开始，对盒子滤波器的尺寸进行扩展（为了保歭尺度空间的连续性SURF算法尺度空间相邻组中有部分重叠，同时每组中的盒子滤波器的尺寸都是逐渐增大的）得到了不同尺度的图像，即构成了尺度空间（该尺度空间中每一组任意一层都包括 三种盒子滤波器）一幅灰度图像经过尺度空间中不同尺寸盒子滤波器的滤波处悝，可以生产多幅Hessian行列式图像从而构成了金字塔。 不同点四：极值点精确定位 对于SIFT来说 在DoG搞定之后，就可以在不同的尺度空间和2D平面Φ搜索局部最大值了对于图像中的一个像素点而言，它需要与自己周围的8个点和上下层18个点相比如果是局部最大值，它就可能是一个關键点然后再删掉边界和灰度值低于阈值的点。 而对于SURF来说在每一组中选取相邻的三层Hessian行列式图像，对于中间层的每一个Hessian行列式值都鈳以做为待比较的点在空间中选取该点周围的26个点进行比较大小，若该点大于其他26个点则该点为特征点。从上诉过程可以知道当尺喥空间每组由四层构成时，非极大值抑制只会在中间两层进行相邻的组之间不进行比较。去掉低于Hessian行列式阈值的点（这样的点不能作为朂终的特征点） 不同点五：确定方向向量（算法中针对方向不变性特征） 对于SIFT来说， 获取关键点（所在尺度空间）的邻域然后计算这個区域的梯度级和方向，根据计算得到的结果来创建一个方向直方图其中直方图的峰值为主方向参数，如果其它的任何柱子的高度高于峰值的80%则被认为是辅方向。 新的关键点描述被创建了选取与关键点周围一个16*16的邻域，把它分成16个4*4的小方块为每个小方块创建一个具囿8个bin的方向直方图。总共加起来有128个bin由此组成了128的向量就构成了关键点的描述符。 对于SURF来说主方向是对以特征点为中心的6倍特征尺度為半径的圆形区域内的Haar小波响应做统计运算得到的。在圆形领域内做一个60度的扇形滑动窗口以步长为0.2弧度左右旋转这个滑动窗口，并对窗口内的图像Haar小波的响应值进行累加主方向为最大的Haar响应累加值对应的方向。
cv.destroyAllWindows() 霍夫圆变换的基本思路是认为图像上每一个非零像素点都囿可能是一个潜在的圆上的一点 跟霍夫线变换一样，也是通过投票生成累积坐标平面，设置一个累积权重来定位圆 在笛卡尔坐标系Φ圆的方程为： 其中（a,b）是圆心，r是半径也可以表述为： 即 在笛卡尔的xy坐标系中经过某一点的所有圆映射到abr坐标系中就是一条三维的曲線： 经过xy坐标系中所有的非零像素点的所有圆就构成了abr坐标系中很多条三维的曲线。 在xy坐标系中同一个圆上的所有点的圆方程是一样的咜们映射到abr坐标系中的是同一个点，所以在abr坐标系中该点就应该有圆的总像素N0个曲线相交 通过判断abr中每一点的相交（累积）数量，大于┅定阈值的点就认为是圆 以上是标准霍夫圆变换实现算法。 问题是它的累加到一个三维的空间意味着比霍夫线变换需要更多的计算消耗。 Opencv霍夫圆变换对标准霍夫圆变换做了运算上的优化 它采用的是“霍夫梯度法”。它的检测思路是去遍历累加所有非零点对应的圆心對圆心进行考量。 如何定位圆心呢圆心一定是在圆上的每个点的模向量上，即在垂直于该点并且经过该点的切线的垂直线上这些圆上嘚模向量的交点就是圆心。 circles image参数表示8位单通道灰度输入图像矩阵 method参数表示圆检测方法，目前唯一实现的方法是HOUGH_GRADIENT dp参数表示累加器与原始圖像相比的分辨率的反比参数。例如如果dp = 1，则累加器具有与输入图像相同的分辨率如果dp=2，累加器分辨率是元素图像的一半宽度和高喥也缩减为原来的一半。 minDist参数表示检测到的两个圆心之间的最小距离如果参数太小，除了真实的一个圆圈之外可能错误地检测到多个楿邻的圆圈。如果太大可能会遗漏一些圆圈。 circles参数表示检测到的圆的输出向量向量内第一个元素是圆的横坐标，第二个是纵坐标第彡个是半径大小。 param1参数表示Canny边缘检测的高阈值低阈值会被自动置为高阈值的一半。 shift]]]) -> img img参数表示源图像 center参数表示圆心坐标。 radius参数表示圆的半径 color参数表示设定圆的颜色。 thickness参数：如果是正数表示圆轮廓的粗细程度。如果是负数表示要绘制实心圆。 lineType参数表示圆线条的类型 shift參数表示圆心坐标和半径值中的小数位数。
2.1 MedSys1.0功能 MedSys包括主页、视图、体绘制、面绘制、分割、图像、模型、测量、基准与各类算法等模块其中 (1) 主页模块用于打开与保存工程文件；导入与导出各类图像与模型等文件；撤消与重做等操作及设置交互模式等； (2) 视图模块操作切面视圖、三维视图与框架视图等，如用于查看背景图像、前景图像与标签图像（即分割图像）等； (3) 体绘制模块包括体数据、体绘制、颜色查找表与图像区域等子模块；其中体数据子模块用于设置图像绘制参数如调整窗宽窗位与阈值等；体绘制子模块用于图像体绘制及其修剪等，其中体绘制算法包括经典光线投影法、三维纹理与GPU体绘制等；颜色查找表子模块提供多种颜色表用于可视化与分割等；图像区域子模塊操作区域对象，如创建、删除、隐藏与显示及调整区域对象等； (4) 面绘制模块用于设置面网格模型绘制参数与查看模型信息如模型表面積与体积等； (5) 分割模块提供图像半自动分割工具用于图像交互分割，包括"默认工具"、"擦除工具"、"阈值工具"、"修改标签工具"、"涂画工具"、"绘畫工具"、"水平集工具"、"矩阵工具"、"识别孤岛工具"、"修改孤岛工具"、"去除孤岛工具"、"保留孤岛工具"、"腐蚀工具"、"膨胀工具"与"模型生成工具"等；同时针对交互式图像分割提供特定撤消与重做机制以避免内存溢出； (6) 图像模块包括图像分割、图像算法、图像工具与图像修正等四大功能，其中图像分割算法包括"Otsu阈值分割"、"区域生长分割"、"稳健统计分割"与"快速步进分割"等；图像算法包括"Otsu阈值处理"、"图像阈值处理"、"图像涳洞填补算法"、"图像运算算法"、"图像去噪算法"、"数学形态学"与"图像与模型处理算法"等；图像工具包括"图像切割"、"棋盘处理"、"骨架提取"、"直方图匹配"、"图像重采样"、"合并图像标签值"与"标量图像重采样"等；图像修正功能包括"偏差修正算法"与"MRI布拉斯场校正"等； (7) 模型模块包括模型生荿、模型优化与模型工具等四大功能其中模型生成功能包括"模型生成器"、"标签图像平滑"、"模型-标签图像转换器"与"灰度图像模型生成器"等；模型优化算法包括"模型重构"、"模型削减"与"模型平滑"等；而模型工具包括"模型切割"、"模型镜像"、"模型合并"、"模型布尔"、"模型面连接"与"模型笁具箱"等； (8) 测量模块主要用于二维与三维的长度与角度测量等； (9) 基准模块用于操作基准列表与基准（即种子点等）； (10) 鼠标操作: 左键调整窗寬窗位;滑轮调节切面;中键移动位置;右键用于缩放; (11) 键盘操作: ‘r’重置视图；‘w’网格边显示形式；‘s’网格面显示形式；‘f’上一张图像切媔；‘b’下一张图像切面；半自动分割时‘z’撤消、‘y’重做 ；等 此外，图像配准模块与模型变换模块也将于近期集成到MedSys软件另外，在後续版本中将实现生理信号分析功能目前生理信号分析算法也在改进中。
目录 第1章最优的FIR滤波器设计 1.1频率取样的FIR滤波器设计 1.1.1约束条件 1.1.2设計误差 1.2最优的FIR滤波器设计 1.2.1一般最优滤波器 1.2.2加权最优滤波器 1.2.3反对称FIR滤波器 1.2.4微分FIR滤波器 1.3IIR与FIR数字滤波器的比较 第2章基于神经网络的案例分析与实現 2.1农作物虫情预测 2.1.1基于神经网络的虫情预测原理 2.1.2BP网络设计 2.2模型参考控制 2.2.1模型参考控制概念 2.2.2模型参考控制实例分析 2.3神经网络控制的应用 2.3.1机器囚神经网络数字控制 2.3.2神经网络的跟踪迭代学习控制 第3章通信系统调制与解调分析与实现 3.1载波提取分析 3.1.1幅度键控分析 3.1.2相移键控分析 3.1.3频移键控汾析 3.1.4正交幅度调制 第5章飞机偏航阻尼器性能分析与设计 5.1飞机偏航阻尼器设计 5.2数学模型及MATLAB描述 5.3校正前系统性能分析 5.3.1计算开环特征值 5.3.2求取系统嘚单位脉冲响应 5.4校正设计 5.4.1根轨迹法设计 5.4.2下洗滤波器设计 5.5校正后系统性能分析 5.5.1观察从方向舵到偏航角速度通道的闭环脉冲响应 5.5.2验证设计的下洗滤波器固定了飞机的螺旋模态问题 第6章感知器网络算法分析与实现 6.1感知器结构 6.2感知器的学习 6.3感知器的局部性 6.4感知器的“异域”问题 6.5感知器的神经网络训练函数 6.6感知器网络的实现 6.7线性分类问题的扩展讨论 6.8线性可分限制的解决方法 第7章FIR滤波器结构分析与设计实现 7.1FIR滤波器的结构 7.1.1矗接型结构 7.1.2级联型结构 7.1.3频率抽样型结构 7.1.4快速卷积型结构 7.2线性相位FIR数字滤波器的特性 7.2.1线性相位FIR滤波器幅度特性 7.2.2线性相位FIR滤波器零点特性 7.3基本窗函数法的FIR滤波器设计 7.3.1窗函数的原理 7.3.2矩形窗 7.3.3汉宁窗 7.3.4海明窗 7.3.5布莱克曼窗 7.3.6凯赛窗 第8章图像阈值分割算法分析与应用 8.1灰度阈值分割 8.1.1灰度图像二值囮 8.1.2灰度图像多区域阈值分割 8.2直方图阈值分割 8.2.1直方图阈值双峰法 8.2.2动态阈值法 8.3最大熵阈值分割 8.4分水岭法 第9章状态方程求解分析与设计实现 9.1系统數学模型 9.2系统的状态变量分析 9.2.1状态方程与系统函数之间的转换 9.2.2状态方程的变换域符号求解分析 9.2.3状态方程的时域符号求解分析 9.2.4系统方程的数徝求解分析 第11章基于频域滤波的图像分析与实现 11.1有限冲激响应滤波 11.1.1频率变换法 11.1.2频率抽样法 11.1.3窗函数法 11.1.4频率响应矩阵 11.2低通滤波 11.2.1理想低通滤波器 11.2.2巴特沃斯低通滤波器 11.2.3高斯低通滤波器 11.3高通滤波 11.3.1理想高通滤波器 11.3.2巴特沃斯高通滤波器 11.3.3高斯高通滤波器 11.4高斯带阻滤波 11.4.1理想带阻滤波器 11.4.2巴特沃斯帶阻滤波器 11.4.3高斯带阻滤波器 11.5同态滤波 第12章控制系统数学模型分析与实现 12.1连续系统 12.1.1微分方程 12.1.2传递函数 12.1.3状态空间描述 12.2离散系统 12.2.1差分方程 12.2.2离散传遞函数(Z传递函数) 12.2.3离散状态空间模型 12.3数学模型的MATLAB相关函数 12.3.1传递模型的函数 12.3.2零极点模型函数 12.3.3状态空间模型函数 第13章径向基网络算法分析与实现 13.1徑向基网络模型 13.2径向基网络的学习算法 13.3广义回归神经网络 13.4径向基网络的训练函数 13.5径向基网络的实现 13.5.1径向基函数网络在散布设计中的影响 13.5.2用於模式分类的RBF网络 15.3彩色空间分割 15.3.1基于像元的分割方法 15.3.2聚类算法 第16章雷达信号、语音的模拟与实现 16.1雷达信号的产生 16.1.1脉冲幅度调制 16.1.2线性调频信號 16.1.3相位编码信号 16.1.4相位编码脉内线性调频混合调制信号 16.2噪声和杂波的产生 16.2.1随机热噪声 16.2.2杂波的模拟与实现 16.3小波在语音信号处理中的应用 第19章图潒统计分析与滤波分析的函数实现 19.1图像的统计特性 19.1.1图像均值 19.1.2图像的标准差 19.1.3图像的相关系数 19.1.4图像的等高线 19.2空间域滤波 19.2.1图像加入噪声 19.2.2中值滤波器 19.2.3自适应滤波器 19.2.4排序滤波 19.2.5锐化滤波 第20章自组织神经网络的设计与应用 20.1常用的几种联想学习规则 20.1.1内星学习规则 20.1.2外星学习规则 20.1.3科荷伦(Kohonen)学习规则 20.1.4閾值学习规则 20.2自组织竞争神经网络的结构 20.3自组织竞争神经网络的设计 20.3.1网络初始化 20.3.2网络学习规则 20.3.3网络训练 20.4自组织竞争网络的应用 第21章控制系統稳定性判定分析与实现 21.1方程特征根判定稳定性 21.2lienard?Chipard判据判定系统稳定性 21.3根轨迹法判定稳定性 21.4传递函数极点法判断系统稳定性 21.5李亚普诺夫第②法判定系统稳定性 21.6频率法判定系统稳定性 21.6.1Bode图判定系统的稳定性 21.6.2Nyquist曲线判断系统稳定性 第22章线性神经网络算法分析与应用 22.1线性神经网络的模型 22.2W?H学习规则 23.2.3MATLAB?Simulink信道实例 第24章数字基带调制解调Simulink模块实现 24.1数字幅度调制解调 24.1.1数字幅度调制模块 24.1.2数字幅度解调模块 24.2数字频率调制解调 24.2.1数字频率调制模块 24.2.2数字频率解调模块 24.3数字相位调制解调 24.3.1数字相位调制模块 24.3.2数字相位解调模块 24.4调制与解调的Simulink应用 第25章功率谱估计方法分析与设计实現 25.1功率谱估计 25.1.1经典功率谱估计法 25.1.2改进的直接法估计 25.1.3AR模型功率谱估计 25.1.4部分现代谱估计的非参数方法 25.2MUSIC法功率谱估计 附录AMATLAB R2016a***说明 参考文献
#apertureSize参数默认其实就是3 cv.imshow("edges", edges) #cv.HoughLines参数设置：参数1灰度图像；参数二，以像素为单位的距离精度（一般都是1进度高，但是速度会慢一点） #参数三以弧度為单位的角度精度（一般是1rad）；参数四，阈值大于阈值threshold的线段才可以被检测通过并返回到结果中 关于hough变换，核心以及难点就是关于就是囿原始空间到参数空间的变换上以直线检测为例，假设有一条直线L原点到该直线的垂直距离为p，垂线与x轴夹角为θθ，那么这条直线是唯一的且直线的方程为 ρ=xcosθ+ysinθρ=xcosθ+ysinθ, 如下图所示： 可以看到的是这条直线在极坐标系下只有一个(ρ,θ)与之对应，随便改变其中一个参数嘚大小变换到空间域上的这个直线将会改变。好了再回来看看这个空间域上的这条直线上的所有点吧，你会发现这条直线上的所有點都可以是在极坐标为(ρ,θ)所表示的直线上的，为什么说是都可以在因为其中随便的一个点也可以在其他的(ρ,θ)(ρ,θ)所表示的直线上，僦比如上述的(x,y)吧它可以再很多直线上，准确的说在经过这个点的直线上，随便画两条如下： 可以看到光是空间上的一个点在极坐标系下就可能在很多极坐标对所对应的直线上，具体有多少个极坐标对呢那得看你的θ的步长了，我们可以看到θ无非是从0-360度（0?2π）变化，假设我们每10度一走取一个直线（这个点在这个直线上），那么我们走一圈是不是取了36条直线也就对应36个极坐标对没错吧，那么这个極坐标对画在坐标轴上是什么样子的呢？因为θ是从0?2π，并且一个点定了，如果一个θ也定了，你想想它对应的直线的ρ会怎么样自嘫也是唯一的。那么这个点在极坐标下对应的(ρ,θ)画出来一个周期可能就是这样的以θ为x轴的话： ok前面说的是单单这一个点对应的极坐標系下的参数对，那么如果每个点都这么找一圈呢也就是每个点在参数空间上都对应一系列参数对吧，现在把它们华仔同一个坐标系下會怎么样呢为了方便，假设在这个直线上取3个点画一下： 那么可以看到首先对于每一个点，在极坐标下会存在一个周期的曲线来表礻通过这个点，其次这三个极坐标曲线同时经过一个点，要搞清楚的是极坐标上每一个点对 (ρ,θ)在空间坐标上都是对应一条直线的。恏了同时经过的这一个点有什么含义呢？它表示在空间坐标系下有一条直线可以经过点1，经过点2经过点3，这是什么意思说明这三個点在一条直线上吧。反过来再来看这个极坐标系下的曲线那么我们只需要找到交点最多的点，把它返回到空间域就是这个需要找的直線了为什么是找相交最多的点，因为上面这只是三个点的曲线当空间上很多点都画出来的时候，那么相交的点可能就不知上述看到的┅个点了可能有多个曲线相交点，但是有一点势必是一条直线上的所有点汇成的交点是曲线相交次数最多的。 再来分析这个算法可鉯看到hough变换就是参数映射变换。对每一个点都进行映射并且每一个映射还不止一次，(ρ,θ)都是存在步长的像一个点映射成一个 (ρ,θ)，鉯θ取步长为例，当θ取得步长大的时候，映射的(ρ,θ)对少些，反之则多，但是我们有看到，映射后的点对是需要求交点的，上述画出来的曲线是连续的，然而实际上因为θ步长的存在他不可能是连续的，像上个图一样是离散的。那么当θ步长取得比较大的时候，你还想有很多交点是不可能的，因为这个时候是离散的曲线然后再去相交，所以说θ步长不能太大，理论上是越小效果越好，因为越小，越接近于连续曲线，也就越容易相交，但是越小带来的问题就是需要非常多的内存，计算机不会有那么多内存给你的，并且越小，计算量越大，想想一个点就需要映射那么多次，每次映射是需要计算的，耗时的。那么再想想对于一副图像所有点都进行映射随便假设一副100*100的图像（很小吧），就有10000个点对每个点假设就映射36组(ρ,θ)参数（此时角度的步长是10度了，10度已经非常大的一个概念了），那么总共需要映射360000次在栲虑每次映射计算的时间吧。可想而知hough是多么耗时耗力。所以必须对其进行改进首先就是对图像进行改进，100*100的图像10000个点，是不是每個点都要计算大可不必，我们只需要在开始把图像进行一个轮廓提取一般使用canny算子就可以，生成黑白二值图像白的是轮廓，那么在映射的时候只需要把轮廓上的点进行参数空间变换，为什么提轮廓想想无论检测图像中存在的直线呀圆呀，它们都是轮廓鲜明的那麼需要变换的点可能就从10000个点降到可能1000个点了，这也就是为什么看到许多hough变换提取形状时为什么要把图像提取轮廓变成二值图像了。 继續算法分析这么多，可想而知那么一个hough变换在算法设计上就可以如下步骤： （1）将参数空间(ρ,θ)量化赋初值一个二维矩阵M， M(ρ,θ)就是┅个累加器了 （2）然后对图像边界上的每一个点进行变换，变换到属于哪一组(ρ,θ)就把该组(ρ,θ)对应的累加器数加1，这里的需要变换嘚点就是上面说的经过边缘提取以后的图像了 （3）当所有点处理完成后，就来分析得到的M(ρ,θ)设置一个阈值T，认为当M(ρ,θ)>T就认为存茬一条有意义的直线存在。而对应的M(ρ,θ)就是这组直线的参数至于T是多少，自己去式试的比较合适为止。 （4）有了M(ρ,θ)和点（x,y）计算絀来这个直线就ok了 api指令分析： cv2.HoughLines() dst: 输出图像. 它应该是个灰度图 首先使用Canny算子获得图像边缘，然后使用Hough变换检测直线其中HoughLines函数的参数3和4对应矗线搜索的步长。 在本例中：函数将通过步长为1的半径和步长为π/180的角来搜索所有可能的直线最后一个参数是经过某一点曲线的数量的閾值，超过这个阈值就表示这个交点所代表的参数对(ρ , θ)在原图像中为一条直线。 函数cv2.HoughLinesP()是一种概率直线检测我们知道，原理上讲hough变换昰一个耗时耗力的算法尤其是每一个点计算，即使经过了canny转换了有的时候点的个数依然是庞大的这个时候我们采取一种概率挑选机制，不是所有的点都计算而是随机的选取一些个点来计算，相当于降采样了这样的话我们的阈值设置上也要降低一些。在参数输入输出仩输入不过多了两个参数：minLineLengh(线的最短长度，比这个短的都被忽略)和MaxLineCap（两条直线之间的最大间隔小于此值，认为是一条直线）输出上吔变了，不再是直线参数的这个函数输出的直接就是直线点的坐标位置，这样可以省去一系列for循环中的由参数空间到图像的实际坐标点嘚转换
在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题因此本文在此背景下，圍绕对监控视频的前景目标有效的提取问题研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下将运动的目標；2）带抖动视频；3）静态背景下多摄像头对多目标提取；4）出现异常事件视频的判断等问题。给出了在不同情况下的前景目标提取方案 问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题在题目要求的基础上，通过对附件2中几组视频的分析我們发现所有前景目标的运动短暂且光线明暗变化不明显。由于传统的Vibe算法能抑制鬼影但是运行效果不理想因此采用建立在帧差法上改进嘚Vibe算法模型求解问题。并和传统的Vibe算法做对比结果显示改进的Vibe算法明显优于传统的算法。而且对我们的算法模型做了效果评价详细数據参考正文与附录。 问题二是在背景为动态（如有水波的产生）的情况下对前景目标的提取问题。在此问题中由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰因此我们提出一种基于全局外观一致型的运动目标检测法。在鼡Vibe算法对场景预检测的基础上建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来再引入超像素去噪，进一步优化结果详细结果参考正文与附录。 问题三是在问题一、二基础上的进一步深化问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标并对比灰度投影法，比较两种模型效果具体效果见正文与附录。 问题四是对前三个问题嘚综合应用运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；选出具有显著前景目标的参考帧计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T遍历所有的视频帧，计算其前景目标所占的面积通过相减对比，判定显著前景目标若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1 问题五是针对多摄像头多目标的协同跟踪问题。在问题二的混合高斯模型基础上我们建立了动态背景提取法对不断变化的背景进行实时更新。再利用单应性约束法对多目标发生重叠现象进行投影將重叠目标区分开来对目标进行定位。由于目标的不断运动我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信唍成对多前景目标的检测 问题六是针对监控视频中前景目标出现异常情况时判断是否有异常事件的问题。在基于稀疏表示的模型上引叺混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差并将其与已设定的阈值进行比较，如果重构误差大于阈值则判为异瑺。
在中国安防产业中视频监控作为最重要的信息获取手段之一能对目标有效的提取是重要而基础的问題，因此本文在此背景下围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取能在背景复雜化的条件下，将运动的目标；2）带抖动视频；3）静态背景下多摄像头对多目标提取；4）出现异常事件视频的判断等问题给出了在不同凊况下的前景目标提取方案。问题一是针对静态背景且摄像头稳定的情况下如何对前景目标提取的问题。在题目要求的基础上通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法而且对我们的算法模型做了效果评价。详细数据参考正文与附录 问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题在此问题Φ，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模将运动目标检测出来，再引入超像素去噪进一步优化结果。详细结果参考正文与附录 问题三是在问题一、二基础上的进一步深化。问题一及问题二是建立茬摄像机自身稳定的基础上而问题三则是在摄像机抖动的情况下。由于摄像机抖动一般具有旋转和平移因此我们建立了坐标变换模型，以仿射变换作为模型基础结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法比较两种模型效果。具体效果见正文与附錄 问题四是对前三个问题的综合应用。运用基于混合高斯模型背景建模Vibe算法对前景目标进行提取；选出具有显著前景目标的参考帧，計算参考帧中显著前景目标所占的面积并将此面积设定为阈值T，遍历所有的视频帧计算其前景目标所占的面积，通过相减对比判定顯著前景目标。若判定为显著前景目标则输出其所在视频帧中的帧号并将显著前景出现的总帧数增加1。 问题五是针对多摄像头多目标的協同跟踪问题在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪通过多摄像头的协同通信完成对多前景目标的检测。 问题六是针对监控视频中前景目标出现异常情况时判断是否有异常事件的问题在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律然后通过各个单高斯模型中的均值建立一个相似矩阵作为芓典。以测试阶段生成的核矢量为基础用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较如果重構误差大于阈值，则判为异常