基于数字图像处理的路面缺陷识别正文(3)

大学毕业论文

和。

我们所采集到的图像中的噪声主要是产生于图像的获取以及传输过程中，其中绝大部分噪声是加性噪声。

2.4 图像的强

图像噪声可以按其性质分类。图像处理技术中常见的噪声有：盐和胡椒噪声、 量化噪声、乘性噪声、加性噪声。盐和胡椒噪声在图像上一般是切割引起的即白 图像上的黑点，黑图像上的白点噪声；量化噪声是数字图像的主要噪声来源，其 大小体现着原始图像和采集到的数字图像的差异，这种噪声最好的消除方法就是 最优量化措施，即采用按灰度级概率密度函数选择量化级；乘性噪声与图像信号 强度是相关的，一般是随图像信号强度的变化而变化；相对的，加性噪声与图像 信号强度不相关，带有此类噪声的图像，可看成为噪声与无噪图像简单的相加的和。我们所采集到的图像中的噪声主要是产生于图像的获取以及传输过程中，其 中绝大部分噪声是加性噪声

因为只是图像的预处理，我们应该挑选算法简单容易在计算机上实现且滤波消噪效果比较好的滤波器，算数均值滤波和中值滤波都满足这个要求，下面针对两种滤波器做详细对比，并选择其一作为图像消噪预处理的手段方法。

算数均值滤波器又称为平滑线性空间滤波器，它用滤波窗口确定的邻域内像素的平均灰度值作为图像每个像素点的处理后的新值，由于典型的随机噪声特点是灰度级的尖锐变化，所以常见的平滑处理应用就是去噪。但是，由于图像边缘也是图像中的尖锐变化，所以，均值滤波处理还是存在模糊边缘的负面效应。式(2.1)和式(2.2)显示了两个3×3的平滑滤波器。

（2，1）

（2，2）

第一个滤波器计算得到窗口下标准的像素平均值，相比而言，第二种窗口更

大学毕业论文

为重要些。这个窗口也称为加权平均，使用这一术语是因为和第一种窗口相比它使用了不同的系数对像素操作，这样通过权值的不同就可以反映一些像素的相对重要性。对式2.2的加权方式来说，处于窗口中心位置的像素加权值比其他像素的权值都大，因此在都被16除的情况下，其灰度值占到了十六分之四即四分之一，从而突出了此像素灰度的重要地位，而距离窗口中心较远的其他像素按比例来说就显得不太重要。加权的选择一般是视具体情况而定的。此处把中心点的权值设为最高而且随着距中心点距离的增加减小权值是为了减小平滑处理中对边缘的模糊。经算数均值滤波器滤波的效果如图2-3

：

裂纹原始图像 均值滤波后图像

图 2-3

从图中我们可以看出，算数均值滤波器处理过的图像与原始图像相比噪声减少比较明显。同时也滤去了一些我们所不希望被消除的图像细节部分，比原始图像模糊。

中值滤波器是基于图像滤波器窗口包围的像素的统计排序，它将像素邻域内（包括原像素灰度值）像素集的灰度值的中值代替该像素的值。将滤波窗口内欲求的像素及窗口内其他的像素灰度值进行排序后才能确定出中间值，并将此中值赋予该像素点从而对图像上的某个点做中值滤波处理。对于一个3×3窗口共9个像素，将9个像素灰度值按从小到大或者从达到小依次排序则第五个值即为中间值。而一个5×5的窗口第十三个值就是中间值，以此类推。当窗口中处在中间位置像素值和其他的一些像素灰度值相同时，他们中的任何一个都可以作为中值。例如，在一个3×3窗口内9个像素对应的灰度值分别为（10，20，20，20，13，20，20，24，80），对灰度值排序后为（10，13，20，20，20，20，20，24，

大学毕业论文

80），则其中值即为20。由此我们可以看出对图像进行中值滤波处理的主要效果。主要效果就是使拥有不同灰度值的像素点看起来更接近于它邻近像素的值，其目的就是用n×n的中值滤波器去去除窗口中相对于其邻域像素更亮或者更暗并且其尺寸小于n/2（滤波器区域的一半）的孤立像素集。在这种情况下，“去除”的意思是强制将目标像素置为邻域的中间亮度。可以想象，对于较大的像素集合其大部分的像素的灰度值是基本相等的，所以中值滤波器对其影响很小。经中值滤波器滤波的效果如图2-4：

2

中值滤波后图像 算数均值滤波后图像

图 2-4

从图2-4中我们可以看出，经过中值滤波之后噪声得到了抑制，并且路面裂纹图像的主要细节显现出来了。与算数均值相比保持了更多的裂纹边界的细节信息。

通过对比我们可以得出，中值滤波器在不增加处理计算量的情况下达到了较好的滤波效果并且保持了更多的图像裂纹细节，为后续的边缘检测提供了良好的前提条件，所以我们选用中值滤波作为图像预处理的图像增强方法。

2.5 图像分割与边缘检测[17]

所谓的图像分割就是把构成图像的各个要素即像素进行分类。其目的就是将图像细分为它的子区域或者对象[18]。分割的方法取决于所要解决的问题。在应用中，当目标对象已经被分离出来就停止分割。精确的分割决定着计算分析过程的成败。图像的分割是是图象处理中的一项关键技术，一直受到人们的高度重视。图像分割是图像处理中最困难的任务之一，至今尚无通用的图象分割的理论。现

大学毕业论文

在已提出上千种分割算法，提出的分割算法大都是针对具体问题的，并没有一种通用的适合所有图像的分割算法。最近几年对图象分割技术的研究又出现了许多新的思路方法或改进算法。

图像分割的算法[19]一般是根据亮度值的不连续性和相似性这两个基本的特征进行研究的。亮度值的不连续性的应用是基于亮度的不连续变化分割图像，比如图像的边缘；亮度值的相似性主要应用途径是依据事先制订的准则将图像分割为相似区域[20]。

本设计中应用图像分割主要是把采集到的路面数字图像中路面裂纹的特征从整幅图像的背景中提取出来，以供后来图像处理模块识别之用，而路面裂纹的主要特征就表现为裂纹的边缘，所以我们要先对图像进行比较精确的边缘检测才可以进行正确的图像分割提取边缘特征以供识别。首先我们先简单介绍下点检测和线检测来为我们所要进行的边缘检测做铺垫提供理论基础。使用如图2-5所示模板：

图 2-5

对图像进行处理，包括计算模板系数与模板所包围区域内像素灰度级的乘积之和，其计算公式如式（2，3）：

（2，3）

检测一幅图像中的孤立点在理论上是简单的。使用如图2-6所示的模板：

图 2-6

如果R≥T，我们就认为在模板中心位置的像素点就是所要提取分割的像素点。这里T是一个非负门限也即阀值。这个公式的思想是测量中心点与它的邻域像素

大学毕业论文

点之间加权的差值：如果一个孤立的点（此点所在的位置是一个均匀的或者近似均匀的区域且它的灰度级与其背景的差异比较大）与它周围的点差异较大，就很容易被这类模板检测出来。我们可以看到，模板系数之和是为零的，这就意味着在灰度级为常数时模板响应为零或者灰度级缓慢变化的区域模板响应近似为零。

线检测是复杂程度更高一级的检测。图2-7给出四个模板。

水 平 +45o 垂 直 -45 o 图 2-7

如果水平模板在图像中移动，这个模板将对水平方向的线条（一个像素宽度）产生更强的响应。在一个灰度值不变的背景上，当线条经过模板的 …… 此处隐藏：3058字，全部文档内容请下载后查看。喜欢就下载吧 ……