论文部分内容阅读
本文围绕底层图像处理:图像平滑,边缘和角点检测技术展开深入的研究。经典图像分析方法将图像视为二维信号,基于信号处理理论,利用线性滤波器实现图像平滑和边缘等特征的检测。这种基于二维线性滤波器的图像分析方法在灰度图像处理中获得了成功,但是在处理彩色图像时会将不同的颜色信息混合而输出错误颜色结果。为了解决这个问题,本文采用了一种基于颜色像素的密度信息进行图像分析的方法。该方法将图像视作像素点在图像平面和颜色空间的混合空间中的分布,并利用高维线性滤波器对图像进行分析,即进行像素点的概率密度估计。与经典分析方法的不同之处在于,新方法对每一种颜色信息进行单独分析处理,因此该方法能够更准确地实现对彩色图像进行分析处理。本文在分析了当前的相关技术基础上,利用新的图像分析方法对图像进行分析,获得了以下几方面的研究成果:(1)基于密度的图像平滑算法(Mode filter)图像平滑是滤除图像中的噪声的重要手段。经过图像对邻域密度场的分析,得出当前两类主流的图像平滑算法均值平滑和中值平滑都是对像素点在颜色空间中分布中心描述。根据平滑的这一特点,本文提出了一种利用像素点在颜色空间中分布的众数(Mode)作为平滑结果的算法,称之为Mode filter。与均值滤波和中值滤波相比,mode filter选用邻域内具有像素数最多的颜色值作为邻域中心点的平滑结果,即不会将邻域内不同的颜色混合,也不需要对颜色值进行排序,因此Mode filter可以在保持图像中原始颜色的基础上滤除掉各种图像中的噪声。并通过分析指出,当前流行的Bilateral Filter,mean shift平滑算法和非对称扩散算法(anisotropic diffusion filter),是以颜色空间中局部mode值作为平滑结果的特殊mode filter。因此mode filter也具有增强边缘和非对称扩散平滑的优点。通过对比实验证明Mode filter兼具有当前滤波器的各种优点是一种适用于各种图像的通用平滑滤波器。(2)基于密度梯度的边缘检测在对通过概率密度梯度估计得到的图像概率密度梯度场中,图像中边缘线两侧的像素点的概率密度方向相反,且都垂直背离边缘线。根据这一性质,本文提出了一种基于像素概率密度梯度的边缘检测算法。新算法在图像平面的概率密度梯度场中通过比较相邻像素点的概率密度梯度方向实现边缘检测。相对传统的基于亮度(或颜色)梯度的算法只能输出邻域内各种颜色的混合后的边缘信息,新算法能够准确的输出邻域内每一种颜色区域的边缘信息。并且因为像素点的梯度方向具有相对于检测尺度不变性,故新算法在任何检测尺度下都可以很好的保持每个颜色区域轮廓形状,并可实现根据区域的面积将图像中各区域的边缘分离开,这是当前边缘检测算法所不具备的。(3)基于概率密度梯度的角点检测算法传统的基于亮度兴趣点检测算法存在对纹理敏感和兴趣点分布不均匀(集中于高对比度区域)问题。本文提出了一种新颖的基于概率密度的兴趣点检测算法。在图像中的概率密度梯度场中,角点周围的概率密度梯度方向各异,因此在经典的Harris角点检测算法基础上,新算法利用亮度的概率密度梯度代替亮度的梯度构建二阶矩矩阵,进行兴趣点检测。与基于亮度的Harris检测算法相比,新算法不仅具有同样的几何不变性,还有效的抑制了纹理中的“噪声”兴趣点,并且兴趣点分布的均匀性明显优于基于亮度算法的检测结果。本文将新算法应用于《短道速滑运动分析系统》中,将比赛视频中的图像进行匹配对齐,实现了旋转摄像机拍摄视频中运动员的跟踪和位置测量。利用基于密度梯度的边缘检测算法获得的大尺度下比赛图像的边缘图中,一方面有效地除去了图像中运动员等非静止的干扰区域边缘信息,利益方面又完好了保持了图像中各静止大区域的轮廓形状,从而保证了在利用边缘图像进行图像匹配和图像分类时的稳定性和精确性。基于密度梯度的角点检测算法,有效地解决了图像中光照不均匀的问题,使检测的角点更均匀的分布于图像个区域中,实现了比赛图像的稳定对齐。