关键字 |
| 图像处理，图像增强，图像分割，特征提取，图像分类。 |
介绍 |
| 图像处理的基本定义是指对数字图像的处理，即使用数字计算机去除图像中的噪声和任何种类的不规则现象。在图像形成或变换等过程中，噪声或不规则性可能渗入图像。在数学分析中，图像可以定义为一个二维函数f(x,y)，其中x和y是空间(平面)坐标，f在任意一对坐标(x,y)上的振幅称为图像在该点的强度或灰度。当x、y和f的强度值都是有限的离散量时，我们称图像为数字图像。重要的是，数字图像是由有限数量的元素组成的，每个元素都有特定的位置和值。这些元素被称为图片元素、图像元素、pels和像素。像素是最广泛使用的术语来表示数字图像的元素。 |
| 在过去的四到五十年中，图像处理领域发展了各种各样的技术。大多数技术是为增强从无人航天器、空间探测器和军事侦察飞行中获得的图像而开发的。由于功能强大的个人电脑、大容量存储设备、图形软件等的容易获得，图像处理系统正变得流行。图像处理用于各种应用，如: |
| •遥感 |
| •医学影像 |
| •无损评估 |
| •法医学研究 |
| •纺织品 |
| •材料科学。 |
| •军事 |
| •电影行业 |
| •文档处理 |
| •平面艺术 |
| •印刷行业 |
数字图像处理 |
| 数字图像处理一词一般是指数字计算机[2]对二维图像的处理。在更广泛的背景下，它意味着任何二维数据的数字处理。数字图像是由有限位数表示的实数数组。数字图像处理方法的主要优点是其通用性、可重复性和对原始数据的保存精度。各种图像处理技术有: |
| •图像预处理 |
| •图像增强 |
| •图像分割 |
| •特征提取 |
| •图像分类 |
图像预处理 |
| 在图像预处理中，由卫星上的传感器记录的图像数据抑制与像素的几何和亮度值相关的误差。这些错误可以用适当的数学模型来纠正，这些数学模型可以是确定的，也可以是统计模型。图像增强是通过改变像素亮度值对图像进行修改，以提高图像的视觉冲击力。图像增强涉及一系列技术，这些技术用于改善图像的视觉外观，或将图像转换为更适合人类或机器解释的形式。 |
| 有时，由于成像子系统和照明条件的限制，从卫星、传统相机和数码相机获得的图像缺乏对比度和亮度。图像可能有不同类型的噪声。在图像增强中，目标是突出某些图像特征，以便后续分析或图像显示[3]。例子包括对比度和边缘增强、伪着色、噪声滤波、锐化和放大。图像增强在特征提取、图像分析和图像显示中都很有用。增强过程本身并不会增加数据中固有的信息内容。它只是强调某些特定的图像特征。增强算法通常是交互式的，并且依赖于应用程序。一些增强技术是: |
| a.对比拉伸 |
| b.噪声滤波 |
| c.直方图修改 |
a.对比拉伸 |
| 一些图像(例如;在水体上、沙漠上、密林上、雪上、云中以及在不均匀地区的朦胧条件下)是均匀的，即它们的高度没有太大变化。在直方图表示方面，它们的特征是出现非常窄的峰值。同质性也可能是由于场景的不正确的照明[1]。最终，由于人类感知能力差，因此获得的图像不容易解释。这是因为在图像中只存在一个狭窄的灰度范围，而提供了更广泛的灰度范围。对比拉伸方法是专门为经常遇到的情况设计的。人们开发了不同的拉伸技术，以将狭窄的范围拉伸到整个可用动态范围。 |
b.噪声滤波 |
| 噪声滤波用于过滤图像中不必要的信息。它还用于从图像中去除各种类型的噪声。这个功能主要是互动性的。各种滤波器，如低通，高通，平均值，中值等，是可用的[1]。 |
c.直方图修改 |
| 直方图在图像增强中具有非常重要的意义。它反映了图像的特征。通过修改直方图，可以对图像特征进行修改。直方图均衡化就是这样一个例子。直方图均衡化是一种非线性拉伸，它重新分配像素值，以便在一个范围内每个值的像素数大致相同。结果近似于平面直方图。因此，对比度在峰值处增强，在尾部[1]处减弱。 |
图像分割 |
| 分割是图像处理中的关键问题之一。图像分割是将图像细分为其组成部分或对象的过程。进行细分的级别取决于要解决的问题，即，当应用程序中感兴趣的对象已经被隔离时，分割应该停止。例如，在自主空对地目标采集中，假设我们的兴趣在于识别道路上的车辆，第一步是从图像中分割道路，然后将道路的内容分割到潜在的车辆。图像阈值分割技术用于图像分割。 |
| 阈值化后形成一个二值图像，其中所有对象像素都有一个灰度级，所有背景像素都有另一个灰度级——通常情况下，对象像素是“黑色”，背景是“白色”。最佳阈值是选择所有对象像素并将其映射为“黑色”。人们提出了各种自动选择阈值的方法。阈值可以定义为将灰度映射到二进制集{0,1}: |
 |
| 其中S(x, y)是分割图像的值，g(x, y)是像素(x, y)的灰度，T(x, y)是坐标(x, y)处的阈值。在最简单的情况下，T(x, y)与坐标无关，是整个图像的常数。例如，可以根据灰度直方图进行选择。当直方图有两个明显的最大值(反映对象和背景的灰度级别)时，可以为整个图像选择单个阈值。下面将介绍一种基于这种思想并使用相关准则来选择最佳阈值的方法。有时灰度直方图只有一个最大值。这可能是由于，例如，不均匀的照明的图像的各个区域。在这种情况下，不可能为整个图像选择一个单一的阈值，必须应用局部二值化技术。然而，目前还没有解决均匀光照图像二值化问题的通用方法。 |
| 图像分割有时不仅涉及物体与背景的区分，还涉及不同区域之间的分离。这种分离的一种方法被称为分水岭分割。 |
特征提取 |
| 为了对合成孔径雷达图像进行特征提取，提出了特征提取技术。该技术提取目标分类所需的高级特征。特征是那些唯一描述目标的项目，如大小、形状、组成、位置等。分割技术用于从场景中分离所需的对象，以便随后对其进行测量。对物体特征的定量测量可以对图像进行分类和描述。 |
| 当预处理和期望的分割水平达到时，对片段应用一些特征提取技术来获得特征，然后应用分类和后处理技术。重点关注特征提取阶段是至关重要的，因为它对识别系统的效率有明显的影响。特征提取方法的特征选择是实现高识别性能的最重要因素。特征提取被定义为“从原始数据中提取最适合分类目的的信息，同时最小化类内模式的可变性，增强类间模式的可变性”。因此，根据要应用的输入选择合适的特征提取技术需要极其谨慎地进行。考虑到所有这些因素，在给定的领域中研究各种可用的特征提取技术变得至关重要，涵盖了情况[4]的巨大可能性。各种类型的特征提取方法如表1所示。 |
图像分类 |
| 仿真结果表明，基于总传输能量度量的算法比基于最大跳数度量的算法性能更好。该算法为数据传输提供了节能的路径，最大限度地提高了整个网络的生命周期。由于本文算法的性能将在两个指标之间进行分析，并在设计上进行了一些修改，因此本文算法的性能可以与其他节能算法进行比较。我们使用了5个节点的非常小的网络，随着节点数量的增加，复杂性也会增加。我们可以增加节点数量并分析性能。 |
| 图像分类是根据一个像素或一组像素的灰度值[5]对其进行标记。分类是最常用的信息提取方法之一。在分类中，通常对一组像素使用多个特征，即需要多个特定对象的图像。在遥感领域，本程序假设特定地理区域的图像是在电磁波谱的多个区域中收集的，并且是良好配准的。大多数信息提取技术依赖于对这些图像的光谱反射率特性的分析，并采用专门设计的算法来执行各种类型的“光谱分析”。多光谱分类过程可以使用监督或无监督[1]两种方法进行。 |
| 在监督分类中，一些土地覆盖类型(如城市、湿地、森林等)的身份和位置是通过实地工作和拓形图相结合的先验。分析人员试图在代表这些土地覆盖类型同类例子的遥感数据中确定具体地点。这些区域通常被称为训练地点，因为这些已知区域的光谱特征被用于“训练”分类算法，以最终绘制提醒图像的土地覆盖地图。为每个训练点计算多元统计参数。然后，对这些训练地点内外的每个像素进行评估，并将其分配到最有可能成为[6]成员的一类。 |
| 在无监督分类中，必须指定土地覆盖类型的身份，因为场景中的类通常不被称为先验的，因为缺乏地面真相或场景中的表面特征没有很好地定义。计算机需要根据一些统计确定的标准[1]将像素数据分组到不同的光谱类别。 |
| 医学领域的比较是根据细胞的形状、大小、颜色和纹理对细胞进行标记，这些标记作为特征。这种方法也适用于MRI图像。 |
文献综述 |
| M. Mansourpour, M. a . Rajabi, J.A.R. Blais提出了用于图像预处理的Frost Filter技术。该滤波器假设乘法噪声和平稳噪声统计量[7]。提出了一种基于梯度的自适应中值滤波器来去除SAR图像中的散斑噪声。该方法是由S.Manikandan，， Chhabi Nigam, J P Vardhani和A.Vengadarajan[8]提出的，用于降低/去除散斑噪声，保持信息、边缘和空间分辨率。小波系数收缩(WCS)滤波器是基于对称Daubechies (SD)小波[9]的使用。1997年由L. Gagnon和A. Jouan开发的WCS过滤器。为了保持图像[10]的高频分量，采用离散小波变换(DWT)。为了获得更清晰的图像，P. Karunakar, V. Praveen和O. Ravi Kumar提出了估计高频子带的中间阶段。 |
| 最大稳定极值区域(MSER)算法和谱聚类(SC)方法是由杨桂、张啸虎和尚杨提出的，为分割[11]提供了有效的鲁棒性。改良SRG (MSRG)程序由Young Gi Byun, You Kyung Han和Tae Byeong Chae[12]开发。以Holder指数为工具，利用空间和光谱信息一起计算高分辨率全色图像中每个像素周围的纹理程度。这种方法是由Debasish Chakraborty, Gautam Kumar Sen和Sugata Hazra在2009年提出的。Ousseini Lankoande, Majeed M. Hayat和Balu Santhanam使用了一种新的基于马尔可夫随机场(MRF)的分割算法。这是由散斑噪声[14]的统计特性推导出来的。 |
| John F. Vesecky, Martha P. Smith和Ramin Samadani报告了在海冰SAR图像中提取压力脊特征的图像处理技术。明亮的丝状特征被识别，并被分割成由线性特征之间的连接或特征的端点所包围的片段。脊统计数据是使用丝状段属性[15]计算的。Karvonen, J.和Kaarna。研究了基于非负因式分解方法的海冰SAR图像特征提取。方法是稀疏约束非负矩阵分解(SC-NMF)和非负张量分解(NTF)[16]。神经网络算法同时使用了图像[17]的后向散射数据和纹理特征。灰度协同矩阵(GLCM)方法是由Natalia Yu提出的。Zakhvatkina, Vitaly Yu。亚历山德罗夫，Ola M. Johannessen, Stein Sandven和Ivan Ye。 Frolov. |
| Wang, Tan, Yang和Xuezhi提出了一种多级SAR海冰图像分类方法欧式距离判别方法[17]。k近邻(KNN)算法是一种基于特征空间[18]中最接近或最相似的训练样本对对象进行分类的方法。该算法由Kanika Kalra, Anil Kumar Goswami和Rhythm Gupta提出。Karvonen, J.和Simila, M.使用独立分量分析(ICA)来计算图像数据的基向量集，即随机选择的小图像窗口[19]。Lars Kaleschke和Stefan Kern使用监督神经网络学习架构进行分类，即Kohonen的学习向量量化(LVQ)。通过对例子[20]的学习，发现LVQ神经网络分类非常灵活。 |
结论 |
| 本报告研究了图像处理技术的各个阶段。本文概述了所有相关的图像处理方法，如预处理、分割、特征提取和分类技术。本文还介绍了近年来在图像处理技术方面的研究。 |
表格一览 |
 |
| 表1 |
|
数字一览 |
|
|
|
参考文献 |
- k.m.m Rao“图像处理概述”阅读图像处理基础数字图像处理- Anil K.Jain, Prentice-Hall, 1989。
- 数字图像处理- Kenneth R. Castleman, Prentice-Hall, 1996。
- Gaurav Kumar, Pradeep Kumar Bhatia“图像处理系统中特征提取的详细综述”2014第四届先进计算与通信技术国际会议。
- 计算机图像处理与识别，欧内斯特·l·哈尔，学术出版社，1979。
- 数字图像处理- Chellappa，第二版，IEEE计算机协会出版社，1992年。
- 刘国强，刘国强，“散斑降噪滤波器在有源雷达和SAR图像中的作用与性能”，红外工程学报，38(1):1- 6。
- S.Manikandan，， Chhabi Nigam, J P Vardhani和A.Vengadarajan，“基于梯度的自适应中值滤波器在机载合成孔径雷达图像中的斑点噪声去除”，电子工程学报，2011。
- L. Gagnon和A. Jouan“SAR图像的散斑滤波-基于复小波和标准滤波器的比较研究”，1997。
- 杨晓明，陈晓明，陈晓明，“基于离散小波变换的卫星图像分辨率增强”，电子工程学报，vol . 3, no . 4, pp. 405-412, 2013。
- Young GiByun, You Kyung Han, Tae ByeongChae“一种基于物体的高分辨率卫星图像分类的多光谱图像分割方法”KSCE,2012。
- DebasishChakraborty, Gautam Kumar Sen和SugataHazra“使用Holder指数的高分辨率卫星图像分割”第118期，2009年10月，第609-617页。
- OusseiniLankoande, Majeed M. Hayat, BaluSanthanam“基于马尔可夫随机场模型的SAR图像分割”。
- Leen-KiatSoh和Tsatsoulis“合成孔径雷达(SAR)海冰图像的特征提取技术”，IEEE, 1993。
- John F. Vesecky, Martha P. Smith和RaminSamadani“从海冰Sar图像中提取山脊特征特征”IEEE, 1989。
- Karvonen, j, Kaarna, A。“基于非负矩阵和张量分解的海冰SAR特征提取”，IEEE, 2008。
- 纳塔莉亚。Zakhvatkina, Vitaly Yu。亚历山德罗夫，Ola M. Johannessen, Stein Sandven和Ivan Ye。Frolov“envisat合成孔径雷达图像中海冰类型的分类”IEEE, 2012。
- 杨学智，王涛，谭涛，“基于专家知识的多尺度SAR海冰图像分类方法”，电子工程学报，2012。
- KanikaKalra, Anil Kumar Goswami和Rhythm Gupta“卫星图像监督图像分类算法的比较研究”IJEEDC, 2013。
- Karvonen。J和Simila。M .“海冰SAR图像分类的独立分量分析”，电子工程学报，2001。
|
菜单
