关于图像二值化研究论文

基于数学形态学的织物经纬密度的研究论文编号:TX027 论文字数:27422,页数:63摘 要织物的经纬密度是衡量织物质量的其中的一项指标之一。目前多采用人工的方法，不可避免的会存在一些主观性，所以本文提出利用数字图像技术（主要是数学形态学理论）来对织物的经纬密度进行研究，实现测量指标的量化和自动化。本文提出了一种利用数学形态学进行织物经纬密度分析的新方法。首先阐述了数学形态学的基本运算，接着提出了基于数学形态学的图像滤波、图像增强、经纬纱图像的提取、二值化和细化的方法。最后通过对提取的经、纬纱细化图像进行进一步的分析和测量，得到织物的经纬密度。通过对结果进行分析后可以得出使用数学形态学算法得到的织物经纬密度和手工识别结果基本相符。且算法分析过程较简单，执行效率较高，具有一定的实用价值。 关键词：数学形态学；图像处理；织物；经纬密度ABSTRACTWarp and weft density of fabric is one of the index to measure the quality of fabric. At present, because of the using of artificial ways, there will be some subjectivity inevitably. Therefore, this paper proposes to research the warp and weft density of fabric and achieve the quantitative measurement of indicators and automation by using digital image technology (mainly the theory of mathematical morphology) .This paper presents a new method for fabric density analysis by using the mathematical morphology. It firstly describes the basic operations of mathematical morphology, and then presents the methods of image filtering based on mathematical morphology, image enhancing, image extracting of warp and weft, binary and thinning. Finally, we could get the warp and weft density of fabric density through further analysis and measurements to warp and weft images. It can be seen from the analysis of the results that the warp and weft density by using the mathematical morphology is basically same as the artificial recognition. And the algorithm analysis process is simple and higher efficient, and it has some application value. Key words：Mathematical morphology; Image Processing ; Fabric ;Warp and weft- density目 录前 言 1第一章 绪 论 经纬纱密度及其测定方法简介 国内外研究现状 本论文的研究目的和意义 课题完成的主要工作 5第二章 数学形态学 数学形态学的定义和分类 数学形态学的基本运算 腐蚀运算和膨胀运算 开运算和闭运算 结构（体）元素 结构体元素的影响 结构元素的选取方法 13第三章算法的设计 图像的滤波 邻域平均法滤波 中值滤波 Wiener滤波 全方位自适应加权组合形态滤波器 图像增强 经、纬纱排列图像的提取 图像的二值化 基于数学形态学的细化算法 细化算法的定义 结构元素 形态学的细化算法 经纬密度的测量 30第四章基于MATLAB在图像中的处理及应用 概述 MATLAB 图像处理工具箱简介 MATLAB中常用的图像处理函数 32第五章实验结果及分析 测试图像 实验结果及分析 35结 论 37参考文献 38附 录 39谢 辞 53以上回答来自:

问题： 我在提取图像边缘的时候，首先对图像进行灰度变换，之后进行二值处理，最后进行边缘检测得到边缘图像。 但是在查阅资料的过程中我经常发现很多人忽略二值化的步骤，直接进行边缘检测；还有很多人在实现某些功能的时候先进行边缘检测之后再阈值分割，让我感到非常迷惑，这篇文章旨在探求二者的关系。

首先要知道图像二值化和边缘检测的目的。

图像的阈值处理一般使得图像的像素值更单一、图像更简单。阈值可以分为全局阈值和局部阈值，可以是单阈值也可以是多阈值。 图像二值化是设置单阈值，为了将图像中感兴趣的像素分离出来作为前景像素，不感兴趣的部分作为背景像素。

最简单的二值化操作是使用以下函数：（这是全局化的阈值）

上述的二值化处理是设置一个全局阈值，让所有像素值与该阈值比较，下面还可以通过自适应阈值实现图像的二值化处理。 自适应阈值不需要确定一个固定的阈值，根据其对应的自适应方法，通过图像的局部特征自适应的设定阈值，做出二值化处理。 自适应阈值是一种局部阈值，要在图像中确定一个区域，求出该区域内的像素平均值，再与阈值比较

adaptiveMethod - 指定计算阈值的方法。   ：阈值取相邻区域的平均值   ：阈值取相邻区域的加权和，权重为一个高斯窗口。

thresholdType - 和上面一样 blockSize - 邻域大小（用来计算阈值的区域大小），计算图像的像素区域一般取3×3、5×5、7×7..... C - 常数，阈值等于平均值或者加权平均值减去这个常数。该参数用于微调阈值，可以为负数

还有一种非常多人提及的方法——Otsu’s 二值化，这种方法下次再记录。

要对图像进行边缘检测，首先对图像进行灰度变换，使图像只包含一个通道的信息，然后比较各相邻像素间的亮度差别，亮度产生突变的地方就是边缘像素，将这些边缘像素点连接到一起就形成了边缘图像。 那么首先要知道如何检测出边缘： 边缘有方向和幅值两个要素，通常对图像相邻域像素求取梯度来描述和检测边缘。 为何要求梯度？ 图像梯度是对多个方向分别求偏导得到的导数组。比如下图是亮度在x方向上变化，在y方向上没有变化，所以此时只需对x求偏导，该处关于y的偏导为0。

同样图像的亮度在y轴变化时，x方向的偏导为0。

我们知道，当一个函数在某处变化大的时候，它的导数在该处得到极值。

可以看到，图像由亮变暗时函数陡然下降，导数得到极小值，由暗变亮时函数又陡然上升，导数得到极大值，接下来只要找到导数的峰值就行。

这里主要了解Canny边缘检测算法。 Canny算子首先对图像进行平滑滤波，滤除图像的噪声以减少噪声对图像边缘检测的干扰。 下面这两篇文章对Canny算子的介绍非常清晰，在此附上链接以供学习。 在进行边缘检测之前至少要将图像灰度化，因为梯度运算并不能反映色彩的变化差异，所以转换成只有一种颜色通道的灰度图像能够更好地进行边缘检测。

深入了解过图像二值化和边缘检测之后，我认为既可以直接使用灰度图像进行边缘检测，也可以二值化之后再进行边缘检测，二值化的目的是进一步简化灰度图像，使图像中的信息更加纯粹，边缘亮度变化更加明显。如果阈值选的较好还可以滤除不需要的弱边缘，使边缘处理后的图像轮廓更加清晰。

还有一种方法是先进行边缘检测，再二值化，这种情况一般适用于： 想得到二值化图像，但由于原图出现光照不均、前景和背景灰度差别很小等情况，我们不能直接得到完整的目标，这时就可以利用边缘检测对光线变化的不敏感性，先对图像作边缘检测，检测出我们想要进一步研究的目标轮廓，然后再根据只有边缘的图像，求出原图像所有边缘点的像素平均值，将该值作为阈值对原图像进行二值处理，就能很好得获得目标区域，并且目标区域的连通性也很好。

笔者刚刚开始学习图像处理与计算机视觉，可能会出现许多错误，欢迎各位提出改进意见！