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指的是数字图像处理,我。e消除噪音和任何形式的违规使用数字计算机在一个图像。噪音或不规则可能会潜入图像在其形成或在变换等数学分析,将二维函数图像可以定义为f (x, y) x和y是空间(平面)坐标,和f的振幅在任何一对坐标(x, y)的强度或灰度图像。当x, y,和f的强度值都是有限的,离散的数量,我们所说的图像的数字图像。是非常重要的,数字图像是由有限数量的元素,每一种都有一个特定的位置和价值。这些元素被称为图像元素,图像元素,象素,像素。像素是使用最广泛的术语来表示数字图像的元素。 |
| 在图像处理各种技术已经发展在过去的4到5年。大部分的开发技术增强图像从无人飞船,太空探测器和军事侦察飞行。图像处理系统越来越受欢迎由于容易获得强大的人员电脑、大型存储设备、图形软件等[1]。图像处理是用于各种应用程序,如: |
| •遥感 |
| •医学成像 |
| •无损评价 |
| •法医研究 |
| •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 |
| 数字图像处理一般是指处理二维图像的数字计算机[2]。在更广泛的背景下,这意味着任何二维数据的数字处理。一个数字图像是一个实数数组由有限个比特。数字图像处理方法的原理的优势是它的多功能性,重复性和保存原始数据的精度。各种图像处理技术是: |
| •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,图像数据通过卫星传感器记录抑制错误相关的几何形状和亮度值像素。这些错误是纠正使用适当的数学模型明确的或统计模型。图像增强是图像的修改通过改变像素亮度值来改善其视觉冲击。图像增强是一组技术,用于改善图像的视觉外观,或将图像转换成一种更适合人或机器解释。 |
| 有时从卫星图像和传统和数码相机的对比度和亮度,因为缺乏成像子系统和照明条件的限制而捕获图像。图像可能有不同类型的噪声。图像增强的目的是为后续分析或强调某些图像特征的图像显示[3]。例子包括对比度和边缘增强、假色噪音滤波、锐化和放大。图像增强是有用的在特征提取、图像分析和图像显示。固有的增强过程本身不会增加信息内容的数据。它只强调某些指定的图像特征。增强算法通常交互和应用程序相关的。增强技术有: |
| 一个对比拉伸。 |
| b。噪声过滤 |
| c。直方图修改 |
一个对比拉伸。 |
| 一些图片(如。在水体、沙漠、茂密的森林、雪、云和模糊条件下均匀即异构地区)。,他们没有太多的变化水平。用柱状图表示,他们具有非常狭窄的发生高峰。同质性也可以是由于不正确的照明场景的[1]。最终获得的图像因此并不容易解释由于人类理解力差。这是因为存在只有一条狭窄的图像中灰度值在规定范围广泛的灰度级。对比拉伸方法是专为经常遇到的情况。不同的拉伸技术开发了狭窄的范围延伸到整个可用的动态范围。 |
b。噪声过滤 |
| 噪声滤波用于过滤不必要的信息从一个图像。它还可以用于去除各种噪声的图像。这个特性是互动的。各种过滤器像低通,高通,意思是,中位数等[1]。 |
c。直方图修改 |
| 直方图的图像增强的重要性。它反映了图像的特征。通过修改直方图、图像特征可以修改。其中一个例子是直方图均衡化。直方图均衡化是一个非线性拉伸,重新分配像素值,以便每个有大约相同数量的像素值范围内。结果近似平坦的直方图。因此,对比是增加在高峰和减少反面[1]。 |
图像分割 |
| 分割是图像处理中的关键问题之一。图像分割是将一个图像的过程或对象为它的组成部分。这个细分的水平取决于问题进行解决,即。,the segmentation should stop when the objects of interest in an application have been isolated e.g., in autonomous air-to-ground target acquisition, suppose our interest lies in identifying vehicles on a road, the first step is to segment the road from the image and then to segment the contents of the road down to potential vehicles. Image thresholding techniques are used for image segmentation. |
| 阈值一个二进制图像形成后,所有对象像素有一个灰度和背景像素——一般对象像素是一种“黑色”,背景是白色的。最佳阈值的选择所有的对象像素和地图“黑人”。各种方法的自动选择阈值。阈值可以被定义为的灰度映射到二进制集合{0,1}: |
 |
| S (x, y)的值是图像分割,g (x, y)是灰度的像素(x, y)和T (x, y)坐标的阈值(x, y)。在最简单的情况下T (x, y)坐标独立和一个常数为整个图像。例如,它可以选择灰度直方图的基础上。当直方图有两个明显的最大值,这反映了对象(s)和背景的灰度值,可以选择一个阈值对整个图像。方法是基于这一观点,并使用相关标准来选择最佳的阈值,描述如下。有时灰度直方图只有一个最大值。这可以造成的,例如,通过非均匀照明的不同地区的形象。在这种情况下是不可能选择一个阈值值为整个图像和局部二值化技术必须应用。二值化的一般方法来解决这一问题的均匀照明图像,然而,目前无货。 |
| 分割的图像有时不仅涉及对象和背景之间的歧视,而且不同地区之间的分离。一种方法被称为分水岭分割等分离。 |
特征提取 |
| 特征提取技术开发的合成孔径雷达图像中提取特征。这种技术提取高级功能需要为了执行分类的目标。特性是那些独特的物品描述目标,如大小、形状、组成、位置等细分技术用于分离所需的对象从现场,以便测量可以随后。定量的测量对象特性允许图像的分类和描述。 |
| 当预处理和分割已经达到期望的水平,一些特征提取技术应用于段获取功能,其次是应用程序的分类和处理技术。必须集中在特征提取阶段,因为它有一个可观测对识别系统的效率的影响。特征选择的特征提取方法是实现高识别性能的最重要因素。特征提取已为“从原始数据中提取信息,最适合分类的目的,同时最小化类内模式之间的可变性和增强类模式变化”。因此,选择合适的特征提取技术根据输入应用需要尽最大的努力完成。考虑到所有这些因素,就必须看看可用的各种特征提取技术在给定的领域,覆盖广阔的可能性情况下[4]。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,该算法性能更好的总传输能量比的最大跳数度量指标。该算法为数据传输提供节能路径和最大化整个网络的生命周期。作为该算法的性能进行了分析两个指标与一些修改在未来设计考虑算法的性能可以与其他能源相比,高效的算法。我们使用非常小的5网络节点,随着节点数量增加的复杂性会增加。我们可以增加节点的数量和分析性能。 |
| 图像分类是一个像素的标记或一组像素根据其灰度值[5]。分类是一种最常用的信息提取方法。在分类中,通常使用多个特性即为一组像素。,许多的图像需要一个特定的对象。在遥感领域,这个过程假定一个特定的地理区域的图像是在电磁波谱的多个区域,收集好登记。大部分的信息提取技术依赖分析的光谱反射特性的图像设计和采用特殊的算法来执行各种类型的光谱分析。多光谱分类的过程可以使用两种方法:执行监督或无监督[1]。 |
| 在监督分类、标识和位置的土地覆盖类型等城市,湿地,森林等,被称为先天通过野外工作和toposheets的组合。分析师试图定位遥感数据中的特定网站代表同质这些土地覆盖类型的例子。这些领域通常称为培训网站,因为这些已知区域的光谱特征用于‘火车’为最终的土地覆盖分类算法的映射图像的提醒。多元统计参数计算为每个培训网站。每个像素内外这些培训网站然后评估和分配给一个类的可能性最高的成员[6]。 |
| 在一个无监督分类、土地覆盖类型的身份必须指定为类内场景通常不称为先天因为缺乏地面实况或在现场不定义良好的表面特征。电脑需要像素数据分组到不同的光谱类根据一些统计上确定标准[1]。 |
| 在医疗领域的比较是根据标记细胞的形状、大小、颜色和纹理,充当特性。这个方法也很有用对MRI图像。 |
回顾文献 |
| m . Mansourpour硕士Rajabi J.A.R. Blais提议弗罗斯特滤波器用于图像预处理的技术。这个过滤器是乘法噪声和固定噪声统计[7]。一个基于梯度的自适应中值滤波器用于去除SAR图像的斑点噪声。这个方法是用来减少/消除散斑噪声,保留信息,边缘和空间分辨率,提出的年代。Manikandan, Chhabi尼噶,P Vardhani和J。Vengadarajan [8]。小波系数收缩(WCS)滤波器是基于使用对称Daubechies (SD)小波[9]。WCS过滤器开发人员通过l . Gagnon和a . Jouan在1997年。离散小波变换(DWT)已经被使用为了保持图像的高频成分[10]。为了实现一个更清晰的图像,一个中间阶段估算高频子带提出了p . Karunakar诉Praveen和o·拉维·库马尔。 |
| 最大限度地稳定极值区域(女士)算法和谱聚类(SC)方法提出的杨Gui,小虎张、杨商提供有效和鲁棒分割[11]。修改分析(MSRG)过程是由年轻的Gi Byun Kyung汉,Tae Byeong崔[12]。持票人指数作为一个工具来利用空间和光谱信息来计算结构的程度高分辨率全色图像中的每个像素左右。该方法提出了Debasish Chakraborty Gautam Kumar森,2009年Sugata Hazra [13]。Ousseini Lankoande,马吉德·m·是Balu桑用新颖的马尔可夫随机场(MRF)基于分割算法。这是来自散斑噪声的统计特性[14]。 |
| 玛莎·p·史密斯和约翰·f·Vesecky白木Samadani报告图像处理技术提取冰脊的特点特性SAR海冰的图像。明亮的细丝的功能是识别和分解成段有界之间通过连接特性的线性特性或结束。岭统计计算使用细丝的部分属性[15]。Karvonen, j .和Kaarna。从海冰研究了特征提取SAR图像基于非负分解方法。方法是sparsenessconstrained非负矩阵分解(SC-NMF)和非负张量分解(NTF) [16]。神经网络算法使用后向散射数据和图像的结构特征[17]。应用灰度共生矩阵建立灰度同现矩阵()方法提出了娜塔莉亚。Zakhvatkina,维塔利。Alexandrov, Ola m . Johannessen斯坦Sandven和伊万。 Frolov. |
| 王,棕褐色,杨和第3类提出了一个多层次的SAR海冰图像分类方法欧氏距离判别方法[17]。再(资讯)算法分类对象的一个方法是基于最近的或最相似的训练样本在特征空间[18]。该算法提出了Kanika卡尔拉Anil Kumar Gupta他和节奏:。Karvonen使用独立分量分析(ICA), j . Simila, m为图像数据计算的基向量集,即为小随机选择图像窗口[19]。监督神经网络学习体系结构被Lars Kaleschke和Stefan Kern分类,即Kohonen的学习矢量量化(LVQ)。LVQ神经网络分类被发现非常灵活的学习例子[20]。 |
结论 |
| 这份报告研究了图像处理技术的不同阶段。概述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已经被提出了。最近的研究在图像处理技术也提出了文献综述。 |
表乍一看 |
 |
| 表1 |
|
数据乍一看 |
|
|
|
引用 |
- K.M.M.饶“图像处理概述”读数图像处理数字图像处理基础- Anil K。耆那教徒,普伦蒂斯·霍尔出版社,1989年。
- 数字图像处理——肯尼斯·r·Castleman普伦蒂斯·霍尔出版社,1996年。
- Gaurav Kumar Pradeep Kumar Bhatia”特征提取在图像处理系统的详细审查”2014年第四InternationalConference先进的计算和通信技术。
- 计算机图像处理和识别——欧内斯特·L。哈尔、学术出版社,1979年。
- 数字图像处理- Chellappa,第二版,IEEE计算机协会出版社,1992年。
- m . Mansourpour硕士Rajabi, J.A.R. Blais”效应和性能的散斑噪声降低过滤器ONACTIVE雷达和SAR图像”isprs, 38 / 1-W41。
- 年代。Manikandan, Chhabi尼噶,P Vardhani和J。Vengadarajan”基于梯度的自适应中值滤波去除散斑噪声inAirborne合成孔径雷达图像“ICEEA, 2011。
- l . Gagnon和A . Jouan”斑纹的SAR图像滤波- Complex-Wavelet-Based之间的比较研究和标准过滤器”有1997人。
- p . Karunakar诉Praveen和o·拉维Kumar“离散小波Transform-Based卫星图像分辨率增强”推进inElectronic和电气工程,ISSN 2231 - 1297卷3、4号,第412 - 405页,2013年。
- 年轻GiByun Kyung汉,Tae ByeongChae”的多光谱图像分割方法基于对象ImageClassification高分辨率卫星图像”KSCE, 2012。
- 森DebasishChakraborty Gautam Kumar和SugataHazra”高分辨率卫星图像分割使用霍尔德指数”j . EarthSyst。5号科学。118年,2009年10月,页609 - 617。
- OusseiniLankoande,马吉德·m·是,BaluSanthanam“基于马尔可夫随机场模型的SAR图像分割”。
- Leen-KiatSoh和Tsatsoulis“特征提取技术,合成孔径雷达(SAR)海冰图像“IEEE, 1993。
- 玛莎·p·史密斯和约翰·f·Vesecky RaminSamadani“提取山脊功能特点从Sar海冰的图像”,IEEE 1989。
- Karvonen, j .和Kaarna。“SAR海冰特征提取的非负矩阵和张量分解”IEEE, 2008。
- 纳塔莉亚。Zakhvatkina,维塔利。Alexandrov, Ola m . Johannessen斯坦Sandven,伊万。Frolov“分类海冰类型inENVISAT合成孔径雷达图像“IEEE, 2012。
- 王,棕褐色,杨和第3类“多层次SAR海冰图像分类方法通过合并egg-code-based专家知识”,IEEE 2012。
- KanikaKalra Anil Kumar Gupta他和节奏:“受监视的影像分类算法的比较研究SatelliteImages”IJEEDC, 2013。
- Karvonen。J和Simila。M”独立分量分析海冰SAR图像分类”,IEEE 2001。
|
菜单
