图像处理毕业论文.docx
《图像处理毕业论文.docx》由会员分享，可在线阅读，更多相关《图像处理毕业论文.docx（25页珍藏版）》请在冰点文库上搜索。
图像处理毕业论文
摘要：
本文介绍了数字图像处理与模式识别在交通的应用领域及其重要意义，详细阐述了利用数字图像处理及模式识别技术的原理和方法，并在此基础上研究了交通检测系统的算法和模型，通过本文的研究，初步探索了数字图像处理与模式识别在交通检测系统中的应用途径和方法，为以后进一步的实现基于数字图像的交通检测系统的打下了基础
前言1
1交通检测系统概述错误！
未定义书签。
1.1交通检测系统常用方法错误！
未定义书签。
1.2视频车辆检测系统错误！
未定义书签。
2WINDOWS位图和调色板错误！
未定义书签。
2.1位图和调色板的概念错误！
未定义书签。
2.2BMP文件格式错误！
未定义书签。
3图象的平滑（去噪声）、锐化错误！
未定义书签。
3.1平滑错误！
未定义书签。
3.1.1中值滤波错误！
未定义书签。
3.2锐化错误！
未定义书签。
4图象的检测及模板匹配错误！
未定义书签。
4.1投影法错误！
未定义书签。
4.2差影法1错误！
未定义书签。
4.3模板匹配..12
5程序设计..错
误！
未定义书签。
3
结论与展望17
参考文献18
致谢18
数字图像处理和模式识别在交通检测中的应用
.、八、一
前言
数字图像处理（DigitalImageProcessing又称为计算机图像处理，它是指
将图像信号转换成数字信号并利用计算机对其进行处理的过程。
数字图像处理最
早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。
数字图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
首次获得实际成功应用的是美国喷气推进实验室（JPL）。
他们对航天探测器徘徊者7
号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。
随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。
在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理技术都发挥了巨大的作用。
数字图像处理取得的另一个巨大成就是在医学上获得的成果。
1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT
（ComputerTopography）。
CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。
1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。
1979年，这项无损伤诊
断技术获得了诺贝尔奖，说明它对人类做出了划时代的贡献。
与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成
为一门引人注目、前景远大的新型学科。
随着图像处理技术的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。
人们已开始研究如何用计算机系统解释图像，实现类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。
很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。
其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。
图像理解虽然在理论方法研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，因人类本身对自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新领域
1高速公路常用的车流检测方法主要有以下几种
1空气管道检测
空气管道检测是接触式的检测方法，在高速公路主线的被检测点拉一条空心的塑料管道并作固定，一端为封闭，另一端联接计数器，当车辆经过塑料管道时，车轮压到空气管道，管内空气被挤压而触动计数进行计算车流量的方法。
该方法的优点是：
方便，简单，流动性强，成本较低。
缺点：
塑料管道使用寿命短，更换周期频繁，当更换塑料管道时需封闭车道，增加了人员不安全的因素和塞车的可能性。
当长车经过时由于车轴的距离大，有可能被计算成两辆车，造成数据的误差率大。
此方法在早期的车流量检测较多见，现在的高速公路车流检测已不用这种方法。
2检测环检测
检测环检测车流量也属接触式检测方法，在高速公路建设期间应确定主线被检测的站点，铺筑路面和安装线圈检测棒同时进行。
当车辆经过路面的检测棒时，车轮压到环形线圈使电感发生变化而产生检测信号，从而进行计算数据的检测方法。
该方法的优点：
线圈检测技术的发展已很成熟，国内外生产厂家也较多，价格相对合理，被高速公路广泛采用，特别是城市道路公安交警用于抓拍违章车辆也常用这种方法。
误差率相对空气管道检测减少。
缺点：
更换检测棒时必须封闭车道，开挖路面，造成维护成本高和容易塞车，也给维护人员带来不安全的因素，维护作业在路上进行，受天气因素影响较大，在路面大中修时往往会挖断
检测棒，给路面的重铺和大中修增加了困难，公路是用这种检测方法。
道路的扩建和改道也受牵制。
目前大多数高速
3视频检测
视频检测车流量属非接触式的检测方法，
也称为图片处理或人工视觉，
是一种结合视频
图像和电脑化模式识别的技术，在路上安装摄像机，通过视频摄像机和计算机模仿人眼的功能为实际应用提供工作平台，是目前高速公路车流检测较先进的技术，它通过软件在显示器视频图像的车道上设置虚拟车道检测器，每个虚拟车辆检测器代表一个区域，当车辆通过任何一个虚拟检测器时，就会产生一个检测信号，再经过软件数字化处理和计算得到所需的交通数据，如车型、车流量、车速、车头距离、占有率、车辆排队长度等。
该系统的优点：
由于是在显示器视频图像的车道设置虚拟检测器，因而在维护时无须封闭车道，无须开挖路面，也不会因道路重铺或拓宽车道而影响车流量的检测。
检测点的变化只在监视器的图像上设定虚拟检测器的位置就可完成，不因道路的维修而中断交通检测。
缺点：
当大雾天气摄像机无法完全捕捉车辆信号时会影响数据的精确率，但这种天气很少见。
2视频车辆检测系统：
1
1984年，美国明尼苏达大学运输研究中心的帕诺斯•麦克鲁波洛斯博士发明
AUTOSCOPE—视频车辆检测系统，是用一台普通工业电视摄像机对多达6~8个车道的交通流量进行同时监视和检测。
从摄像机上人为设置的特定检测区域内得到的图像信号，经过一台286（或386）微机的数字化和格式化处理，可以得到以下的交通数据：
车辆存在、车辆通过、车速、车种、排队长度、流量、占有率、车间时距、拥挤程度、密度、交通录像带的脱机分析。
数据收集之齐全，可包括现在的各种环形线圈检测器的所有检测功能。
1991年9月5日，在美国某市第26街的350英尺距离内的4个车道上，进行了两种系统的对比试验，测验结果表明，在不同时间和不同气候条件下，视频检测系统与环形线圈检测器的检测效果
1992年，明尼苏达的图像传感系统公司和Econo1ite控制产品公司联合推出AUTOSCOPETM—2003型视频车辆检测系统,用于多车道、多方向的大范围交通车辆检测。
带RGB监视器的AUTOSCOPE—2003,其大小为19in宽、5.5in高、10.25in深（0.48mX0.14mX0.26m）,可安装在交通柜中或控制器里，符合美国电气制造者协会（NEMA）的标准，可在-35C~74C的环境温度下正常工作，CPU为Intel486sx微机，具有170型控制器接口。
就AUTOSCOPE一2003视频车辆检测系统的典型配置而言，它由1~4个电视摄像机，AUTOSCOPE—2003单元,管理计算机和RGB视频监视器组成。
摄像机为普通工业用黑白或彩色CCD芯片型，具有300线以上的清晰度，安装在室外防护罩内。
该系统能够同时接收并处理4台摄像机送来的图像信息，可以检测至少48个区域。
可用于高速公路、桥梁、隧道等不同道路的检测。
具有如下功能：
可进行事故检测；可通过内部非易失的快速擦写存储器（F1ash）或管理机的硬盘收集大量的交通参数以便进行实时的和脱机的交通分析；用一台摄像机对6—8个车道同时监视；匝道的测量控制和网络的自适应控制；不同检测方案的选择和比较等。
欧、美、日己广泛推广和使用AUTOSCOPE一2003视频车辆检测系统，密执安州奥克兰公路委员会实施的FAST—TRACATMS/ATIS规划］2,3］是AUTOSCOPE
规模最大和最复杂的应用实例。
目前已推出AUTOSCOPE—2004
2
由于AUTOSCOPE视频车辆检测系统的使用，取代了传统的在道路埋设线圈检测器的复杂施工，减少了工程费用，提高了检测精度和系统的可靠性，使原有的交通监视系统除仍能完成现场监视外，赋予了新的功能，国外已经推广应用。
随着我国经济的发展和交通事业的进步，该系统在我国的交通控制和管理领域必将得到推广应用。
视频检测技术在高速公路的应用
2002-08-05中国公路•交通信息产业广深珠高速公路有限公司田育涛
车流量检测系统是高速公路交通监控系统的组成部分，用于检测高速公路主线车流辆、车型、车速、占有率等交通数据，是控制高速公路的车流出入，确保道路安全畅通的重要手段，也为统计有关资料，为管理者决策提供有效的数字依据。
近年来，随着计算机技术的不断进步，车流量检测系统也飞速发展，用于车辆检测的方式也多种多样，但作为高速公路管理者或业主，在选择车辆的检测方式时应从其性能、成本、使用寿命、日常维护、发展方向和系统兼容等方面进行综合考虑，特别是新建的高速公路对以上指标更应认真对比，慎重选择。
在选择产品性能可靠、成本合理的前提下，应让高科技含量的产品能充分发挥其作用。
车流量检测系统一般由车辆检测部分、传输部分和数据处理部分组成。
1、辆检测部分：
安装于高速公路主线的被检测点，用于实时记录各种交通数据，并转换成适合传输用的信号。
2、传输部分：
由于高速公路的线路长，数据大，一般采用光纤传输。
3、数据处理部分：
对检测部分记录的数据进行必要的处理，计算出有用的交通数据，
用曲线、表格和图形等形式提供给管理者。
同时对数据进行备份和归档。
根据多年来高速公路的实际情况，在系统的运行中损坏最多的是车辆检测部分，维修也占最大的工作量，而且
以下对车辆检测
在路上作业需要封道开挖路面，增加了人员不安全的因素和塞车的可能性。
部分常用的几种方法进行比较。
Windows位图和调色板
2.1位图和调色板的概念
我们知道，普通的显示器屏幕是由许许多多点构成的，我们称之为象素。
显示时采用扫描的
方法：
电子枪每次从左到右扫描一行，为每个象素着色，然后从上到下这样扫描若干行，就
扫过了一屏。
为了防止闪烁，每秒要重复上述过程几十次。
例如我们常说的屏幕分辨率为
640>480,刷新频率为70Hz，意思是说每行要扫描640个象素，一共有480行，每秒重复扫
描屏幕70次。
我们称这种显示器为位映象设备。
所谓位映象，就是指一个二维的象素矩阵，而位图就是采
用位映象方法显示和存储的图象。
自然界中的所有颜色都可以由红、绿、蓝（R,G,B）组合而成。
有的颜色含有红色成分多一
些，如深红；有的含有红色成分少一些，如浅红。
针对含有红色成分的多少，可以分成0
到255共256个等级，0级表示不含红色成分；255级表示含有100%的红色成分。
同样，绿色和蓝色也被分成256级。
这种分级概念称为量化。
256X256X256，约1600万种颜色。
这样，根据红、绿、蓝各种不同的组合我们就能表示出
这么多颜色对于我们人眼来说已经足够丰富了。
表1.1常见颜色的RGB组合值
颜色
R
G
B
红
255
0
0
蓝
0
255
0
绿
0
0
255
黄
255
255
0
紫
255
0
255
青
0
255
255
白
255
255
255
里
八、、
0
0
0
灰
128
128
128
让我们来看看下面的例子。
有一个长宽各为200个象素，颜色数为16色的彩色图，每一个象素都用R、G、B三个分
量表示。
因为每个分量有256个级别，要用8位（bit），即一个字节（byte）来表示，所以每个
象素需要用3个字节。
整个图象要用200X200X3，约120k字节，可不是一个小数目呀！
如
果我们用下面的方法，就能省的多。
因为是一个16色图，也就是说这幅图中最多只有16种颜色，我们可以用一个表：
表中的每
一行记录一种颜色的R、G、B值。
这样当我们表示一个象素的颜色时，只需要指出该颜色是在第几行，即该颜色在表中的索引值。
举个例子，如果表的第0行为255,0,0（红色）,
那么当某个象素为红色时，只需要标明0即可。
让我们再来计算一下：
16种状态可以用4位（bit）表示，所以一个象素要用半个字节。
整个图象要用200X200X0.5,约20k字节，再加上表占用的字节为3X16=48字节.整个占用的字节数约为前面的1/6，省很多吧？
这张R、G、B的表，就是我们常说的调色板（Palette），另一种叫法是颜色查找表LUT（Look
UpTable），似乎更确切一些。
Windows位图中便用到了调色板技术。
其实不光是Windows
位图，许多图象文件格式如pcx、tif、gif等都用到了。
所以很好地掌握调色板的概念是十分
有用的。
有一种图，它的颜色数高达256X256X256种，也就是说包含我们上述提到的R、G、B颜色
表示方法中所有的颜色，这种图叫做真彩色图（truecolor）。
真彩色图并不是说一幅图包含了
所有的颜色，而是说它具有显示所有颜色的能力，即最多可以包含所有的颜色。
表示真彩色
图时，每个象素直接用R、G、B三个分量字节表示，而不采用调色板技术。
原因很明显：
如果用调色板，表示一个象素也要用24位，这是因为每种颜色的索引要用24位（因为总共
有224种颜色，即调色板有224行），和直接用R,G,B三个分量表示用的字节数一样，不但没有任何便宜，还要加上一个256X256X256X3个字节的大调色板。
所以真彩色图直接用R、G、B三个分量表示，它又叫做24位色图。
2.2bmp文件格式
bmp文件大体上分成四个部分，如图1.3所示。
位图文件头BITMAPFILEHEADER位图信息头BITMAPINFOHEADER调色板Palette
实际的位图数据ImageDate
第一部分为位图文件头BITMAPFILEHEADER，是一个结构,这个结构的长度是固定的，
为14个字节（WORD为无符号16位整数，DWORD为无符号32位整数）。
第二部分为位图信息头BITMAPINFOHEADER，也是一个结构,这个结构的长度是固定的，为40个字节
（LONG为32位整数）。
第三部分为调色板Palette，当然，这里是对那些需要调色板的位图文件而言的。
有些位图，如真彩色图，前面已经讲过，是不需要调色板的，
BITMAPINFOHEADER后直接是位图数据。
调色板实际上是一个数组，共有biCIrUsed个元素（如果该值为零，则有2biBitCount个元素）。
数组中每个元素的类型是一个RGBQUAD结构，占4个字节。
第四部分就是实际的图象数据了。
对于用到调色板的位图，图象数据就是该象
素颜在调色板中的索引值。
对于真彩色图，图象数据就是实际的R、G、B值。
图象的平滑锐化
3.1图象的平滑
在灰度连续变化的图象中，如果出现了与相邻象素的灰度相差很大的点，比如说一片暗区中
突然出现了一个亮点，人眼能很容易觉察到。
就象看老电影时，由于胶片太旧，屏幕上经常
会出现一些亮斑。
这种情况被认为是一种噪声。
灰度突变在频域中代表了一种高频分量，低
通滤波器的作用就是滤掉高频分量，从而达到减少图象噪声的目的。
为了方便地叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加，然后除
以9,作为新图中对应点的灰度”这一操作，我们采用如下的表示方法：
［11f
lx111
9
111
■1・
（3.1）
这种表示方法有点象矩阵，我们称其为模板（template）。
中间的黑点表示中心元素，即，用
哪个元素做为处理后的元素。
例如［2.1］表示将自身的2倍加上右边的元素作为新值，而［21.］
表示将自身加上左边元素的2倍作为新值。
，原图是
通常，模板不允许移出边界，所以结果图象会比原图小，例如模板是
■-
3
表示边界上无法进行模板操作的点，通常的做法是复制原图的灰度，不进行任何处理。
3.2中值滤波
经过3X1窗口（即水平3个象素取中间值）的中值滤波，得到右边那幅图，可以看出，噪声点被去除了。
下面将中值滤波和上面介绍的两种平滑模板作个比较，看看中值滤波有什么特点。
我们以一
1.1]
维模板为例，只考虑水平方向，大小为3X1（宽X咼）。
Box模板为，咼斯模
[]21]
。
1-X
板为■■
先考察第一幅图:
从原图中不难看出左边区域灰度值低，右边区域灰度值高，中间有一条明显的边界，这一类
图象称之为“step就（灰度上了个台阶）。
应用平滑模板后，图象平滑了，但是也使边界模糊了。
应用中值滤波，就能很好地保持原来的边界。
所以说，中值滤波的特点是保护图象边
缘的同时去除噪声。
再看第二幅图:
不难看出，原图中有很多噪声点（灰度为正代表灰度值高的点，灰度为负代表灰度值低的点）,而且是杂乱无章，随机分布的。
这也是一类很典型的图，称之为高斯噪声。
经过Box平滑,
噪声的程度有所下降。
Gauss模板对付高斯噪声非常有效。
而中值滤波对于高斯噪声则无能为力。
最后看第三幅图:
从原图中不难看出，中间的灰度要比两边高许多。
这也是一类很典型的图，称之为脉冲
（impulse）。
可见，中值滤波对脉冲噪声非常有效。
综合以上三类图，不难得出下面的结论：
中值滤波容易去除孤立点，线的噪声同时保持图象的边缘；它能很好的去除二值噪声，但对高斯噪声无能为力。
要注意的是，当窗口内噪声点
的个数大于窗口宽度的一半时，中值滤波的效果不好。
这是很显然的。
3.3锐化
锐化（sharpening）和平滑恰恰相反，它是通过增强高频分量来减少图象中的模糊，因此又称
为高通滤波（highpassfilter）。
锐化处理在增强图象边缘的同时增加了图象的噪声。
常用的锐化模板是拉普拉斯（Laplacian）模板（见（3.4）式），又是个数学家的名字，可见学好数
学，走遍天下都不怕。
-1-1-1'
-19,-1
-1-1-1
■■
（3.4）
容易看出拉普拉斯模板的作法：
先将自身与周围的8个象素相减，表示自身与周围象素的差
别；再将这个差别加上自身作为新象素的灰度。
可见，如果一片暗区出现了一个亮点，那么
锐化处理的结果是这个亮点变得更亮，增加了图象的噪声。
因为图象中的边缘就是那些灰度发生跳变的区域，所以锐化模板在边缘检测中很有用。
图象检测与模板匹配
图象的分割与检测（识别）实际上是一项非常困难的工作。
很难说清楚为什么图象应该分割成这样而不是那样。
人类的视觉系统是非常优越的，它不仅包含了双眼，还包括了大脑，可以
从很复杂的景物中分开并识别每个物体，甚至可以毫不费力地跟上每秒好几十帧变化的图象。
举两个例子来说明一下人类视觉系统的优越性。
图4.1单词THE图4.2看不见的三角
图4.1是单词THE，这一点很容易看出来，但仔细观察一下，就会发现，图中少了很多线条。
在我们人类看来很简单的一件事，让计算机来做就很困难了。
图4.2中尽管没有任何线条，但我们还是可以很容易的看出中间存在着一个白色三角形。
计算机却很难发现。
由于人类在观察图象时适用了大量的知识，所以没有任何一台计算机在分割和检测真实图象
时，能达到人类视觉系统的水平。
正因为如此，对于大部分图象应用来说，自动分割与检测
还是一个将来时。
目前只有少数的几个领域（如印刷体识别OCR）自动识别达到了实用的水
平。
也许算是题外话，我们可以憧憬这样一种应用：
基于内容的搜索。
在一场足球比赛的录象中，
用户可以输入命令，由计算机自动搜索出所有射门的镜头并显示在屏幕上。
目前，我们能从
一幅图象中获得的信息只是每个象素的颜色或灰度值，除此以外别无其它，完成上述功能实
（成象）时就给予考虑。
这
在是太困难了。
所以说解决图象分割和检测最根本的方法是在编码
也正是MPEG4及未来的视频压缩编码标准的主要工作。
正因为有上述的困难，所以我们今天要介绍的只是一些最基本，最简单的算法和思想，针对也只能是一些具体（而不是通用）的应用。
算法共有三个：
投影法、差影法和模板匹配。
4.1投影法
在介绍投影法之前，我先出一道题目，下面的这幅照片是著名的华盛顿纪念碑（我记得在“阿
甘正传”中曾经看到过它），怎样从图中自动检测到水平方向上纪念碑的位置。
仔细观察，不难发现，纪念碑上象素的灰度都差不多而且与众不同，如果我们选取合适的阈
值，做削波处理（这里选175到220），将该图二值化，如图8.3所示：
由于纪念碑所在的那几列的白色点比起其他列多很多，如果把该图在垂直方向做投影，如图
4.5所示。
图4.5图4.4做垂直方向投影
图中间的高峰部分就是我们要找的水平
其中，黑色线条的高度代表了该列上白色点的个数。
方向上纪念碑所在的位置，这就是投影法。
可以看出投影法是一种很自然的想法，有点象灰度直方图。
为了得到更好的效果，投影法经常和阈值化一起使用。
由于噪声点对投影有一定的影响，所以处理前最好先做一次平滑，去除噪声。
以下是投影法的源程序，第二个参数是个BOOL变量，为真时表示在水平方向
上做投影，否则在垂直方向上做投影。
要注意的是，我们针对的虽然是二值图，但为了处理的方便，用的是256级灰度图，不过只用到了0和255两种灰度级。
4.2差影法
差影法的原理非常简单：
将前后两幅图象相减，得到的差作为结果结果图象。
图4.6、图4.7、图4.8能够说明差影法的原理。
相减的结果
图4.6是前景图（猫）加背景图休星）。
图4.7是背
升级会员 