文章目錄

• 說明
• Figure 1
• • imread函數
  • imshow函數
• Figure 2
• • rgb2gray函數
  • graythresh函數
  • im2bw函數
  • figure函數
• Figure 3
• • bwareaopen函數
• Figure 4
• • strel函數
  • imclose函數
  • imfill函數
• Figure 5
• • bwboundaries函數
  • label2rgb函數
  • 檢測算法
  • • regionprops函數
    • diff函數
    • sprintf函數
    • text函數
  • 最后我們來換個圖試試
  • • 第一幅圖
    • 第二幅圖
    • 第三幅圖

說明

資料來自《詳解MATLAB圖像函數及其應用》
作者：張倩，占君，陳珊
出版社：電子工業出版社
出版時間：2011-04
這是我對MTALAB圖像處理整理出來的學習筆記，望與君共勉
采用部分只有代碼，其他的我自己收集來的資料，萌新一枚，侵權即刪
內容來自書的第十九章1457頁的圖像特征提取實戰2
——————————————————————
本次會出現5個圖像窗口，所以我會根據每一次出現的圖像窗口來進行分段解釋

Figure 1

首先讀取圖像

RGB=imread('1234.png'); imshow(RGB);

imread函數

• A=imread(filename)
  從指定的圖像中讀取灰度圖像或真彩色圖像
  filename是表示文件名全名的字符串（包括擴展名）
  也就是***.jpg啊，***.png啊這些圖像文件名字

imshow函數

• imshow(I)
  顯示真彩色圖像RGB，
  RGB為三維數組，第三維的維數為3

其他用語說明

三維數組
這一個三維數組在本次案例中是指imread函數操作來的三維數組，如RGB，顯示如下

再打開

這個圖是

Figure 2

然后對圖像進行閾值分割
將圖像轉換為灰度圖像，設置閾值，對圖像進行閾值分割，生成二值圖像

I=rgb2gray(RGB); threshold=graythresh(I); bw=im2bw(I,threshold); figure; imshow(bw);

rgb2gray函數

• I=rgb2gray(RGB)
  將真彩色RGB圖像或索引圖像轉換為灰度圖像
  參量RGB是一個維數為MxNx3的數組，表示RGB圖像，上方已經展示出來

graythresh函數

• level=graythresh(I)
  計算全局圖像閾值
  level為標準化灰度值，范圍是[0 1]

其他用語解釋

閾值
即臨界值，是為轉化二值圖像做準備來的
而這一次把上圖進行計算全局閾值后得到的level值為

而這個計算全局圖像閾值的方式是大津法——Otsu方法，又稱最大類間方差法

Otsu算法

• 對于圖像I(x,y)
  前景(即目標)和背景的分割閾值記作T
  前景像素點數占整幅圖像的比例記為ω0，其平均灰度μ0；
  背景像素點數占整幅圖像的比例記為ω1，其平均灰度為μ1。
  圖像的總平均灰度記為μ，類間方差記為g。
• 假設圖像的背景較暗，并且圖像的大小為M×N
  圖像中像素的灰度值小于閾值T的像素個數記作N0
  像素灰度大于閾值T的像素個數記作N1
  則有：
  　　　　　　ω0=N0/ M×N (1)
  　　　　　　ω1=N1/ M×N (2)
  　　　　　　N0+N1=M×N (3)
  　　　　　　ω0+ω1=1 (4)
  　　　　　　μ=ω0μ0+ω1μ1 (5)
  　　　　　　g=ω0(μ0-μ)^{2+ω1(μ1-μ)}2 (6)
  將式(5)代入式(6),得到等價公式:
  　　　　　　g=ω0ω1(μ0-μ1)^2 (7)　
  這就是類間方差
  采用遍歷的方法得到使類間方差g最大的閾值T,即為所求。
  內容學習來源
  作為一個熱愛學習的人，我當然得去看看這個函數在干些啥
  于是我去畫了個圖
  
  于是
  
  那如果我用三色呢
  
  于是
  
  我們再次引用這里的的概念來解釋平均灰度

平均灰度，反映整體的亮、暗，越高越亮

平均對比度，一幅圖亮暗的差異

平滑度，一幅圖灰度的均勻性，0-1：平滑-不平滑

三階矩，直方圖偏斜度的度量。對稱為0，右偏斜為正，左偏斜為負

一致性，度量一致性

熵，反映像素的隨機性，越大越粗糙

im2bw函數

• BW=im2bw(I,level)
  閾值法轉換圖像為二值圖像
  將灰度圖像I轉換成二值圖像BW
  level為閾值，即標準化灰度值，范圍為[0 1]
  I中大于level的像素設為1（白色），小于的像素為0（黑色）

結果當然會得到二值圖像

繼續打開

figure函數

• figure
  創建新的圖形對象，在屏幕上單獨顯示的窗口，且窗口中可以輸出圖形

可以看到想要提高效率（偷懶），可以只打一個figure代碼，就可以按順序新建一個圖像窗口，如下圖（本次代碼產生的）

本次產生的圖是

Figure 3

然后去除圖像中的噪聲，開運算去除小于30個像素的目標

bw=bwareaopen(bw,30); figure; imshow(bw);

bwareaopen函數

• BW2=bwareaopen(BW,P)
• 移除二值圖像BW中所有少于P個像素的連通元素，生成另一個二值圖像BW2
• 對二值圖像進行形態學開運算，用于移除小目標
• 對于二維圖像默認采用8連通鄰域
  三維采用26連通鄰域

本次bwareaopen會對bw進行操作，故之前我展示出來的bw的邏輯矩陣已經是經過變化了的矩陣，有一些地方的1可能變成了0，但是我們只是為了看看這個圖片在電腦里是怎么解釋的（我就是沒看過，我就是想看）

第一次的實戰案例里我們了解到，開運算就是可以去除孤立的小點、毛刺這些東西，P就是結構元素，用于作為濾波的標準，BW就是濾波對象，接下來我們看看濾波的結果如何

然后我們再來看看兩副圖像的區別

開運算后的圖片：

之前的圖片：

很明顯，一些很小的點被填補上了，這里被移除的是白點，故可以說是去掉了黑點周圍的毛刺，使邏輯矩陣里的1（白）變成了0（黑），在圖片的其他地方也是有變化的，我們就說一處

Figure 4

填充圖像縫隙（洞孔）

se=strel('disk',2); bw=imclose(bw,se); bw=imfill(bw,'holes'); figure; imshow(bw);

strel函數

• SE=strel(shape,parameters)
  創建形態學結構元素對象
  shape可是square方形，line線形，disk圓盤形，ball球形和rectangle長方形等
  parameters是對shape的大小描述

結果得到的se是什么呢，我們來看看

我們繼續打開

可以看到還有兩個按鈕可以繼續點開
再開！

另外一個也不會放過的

查閱資料知道，se為strel函數創造的形態學結構元素對象——strel對象，代表一個扁平的形態結構元素，那么這個strel函數就牽涉到strel的對象功能，如下表

函數作用

imdilate	膨脹圖像
imerode	腐蝕圖像
imclose	形態接近圖像
imopen	形態上開放的圖像
imbothat	底帽過濾
imtophat	高帽過濾
bwhitmiss	二進制未命中操作
decompose	分解后的結構元素的返回順序
reflrct	反映結構元素
translate	翻譯結構元素
imfill(BW,‘holes’)	空洞填充

圖表內容來源

另外我們還看到，繼續打開的兩個圖中，一個是0,1矩陣，1組合起來的形狀我們就當做圓盤狀吧，然后另一個圖里只有一個數字2，這個2就來自代碼中后邊我們輸入的2。實際上如果把disk變成square，就會使整個矩陣變成1，變成line，就還需要一個角度，若角度設定為45度，則會讓1從左下角連續到右上角去，也就是一條線的形狀（矩陣畫圖太難了）
接下來我們看本次用到的strel的對象

imclose函數

• IM2=imclose(IM,SE)
  對圖像進行形態學閉運算
  對灰度圖像或二值圖像IM進行形態學閉運算，返回閉運算結果圖像IM2
  SE為由strel函數生成的結構元素對象

imfill函數

• BW2=imfill(BW,‘holes’)
  顯示二值圖像BW，對二值圖像BW中的目標點孔進行填充點

來看看這一次的圖像的變化

我們可以看到一些很明顯的變化，人物耳朵的輪廓沒了，用這幅圖感覺看不出是怎么填的洞
那我們把imfiil函數劃掉看看

可以看到耳朵的輪廓還在
那我們來看看那個imclose閉運算的結果
閉運算之后：

閉運算之前：

可以看到經過閉運算，黑色（0）的線條作為白色（1）的裂縫，被彌補了，也就是補1了
所以我們可以知道，這個過程中，開運算使1變0，閉運算使0變1，正好是兩個基本算子，多少理解了一點吧

Figure 5

接下來提取圖像中的各種目標的幾何特征，利用幾何特征及圓形檢測算法判斷每個目標是否是圓形目標。當目標的面積和周長滿足公式ε=4piS/L^2，ε接近于1時，則認為該目標為圓形目標

[B,L]=bwboundaries(bw,'noholes'); figure; imshow(label2rgb(L,@jet,[.5 .5 .5]));%5

bwboundaries函數

• B=bwboundaries(BW)
  搜索二值圖像BW的外邊界和內邊界
  BW為矩陣，其元素為0或1（即二值圖像）
  該函數將0視為背景像素點，1視為待提取邊界的目標
  B為Px1細胞矩陣，P為目標和洞的個數
  B中的每個細胞元素均為Qx2矩陣，Q為邊界所含像素點的個數
  故該矩陣中每一行包含邊界像素點的行坐標和列坐標

我們來看看B里有什么

一個元胞數組，然后打開

套娃游戲，然后我們繼續打開可以看到的是，這就是邊界像素點的坐標

• 而本次代碼中使用的方式是
  [B,L]=bwboundaries(BW,conn,options)
  返回標識矩陣L，用于標識二值圖像中被邊界所劃分的區域，包括目標和洞
  conn指定搜索算法中所使用的連通方法，可選4連通和8連通，其中8為默認值
  字符串參量options指定算法的搜索方式，可選holes和noholes
  默認使用holes，算法搜索目標的內邊界和外邊界，noholes只搜索目標的外邊界

那么我們打開L

我好氣啊全是0，純屬來占內存的？
然后我發現它列有點多…

這就是標識矩陣，用于下邊循環繪制每個邊界

label2rgb函數

• RGB=label2rgb(L,map,zerocolor)
  定義輸入標注矩陣L中標注為0的元素的RGB顏色
  zerocolor為字符串或三元向量
  本題內為三元向量，分表代表R、G、B的顏色，默認為[1 1 1]，即白色
• 聯合imshow函數使用
  即imshow（RGB），顯示真彩色圖像RGB，RGB為三維數組，第三維的維數為3

這里的@jet是colormap，解釋是說默認大值為紅，小為藍，還可以用colormap（flipud（jet））進行顛倒，但是…

那問題出在哪呢，我認為是后邊的zerocolor的問題，于是我去修改參數
改成.1 .5 .9之后的樣子，其他顏色有待挖掘呀，然后接下來是圖中耳朵位置的metric值，本圖只有一個地方可以計算，我們待會換個圖

檢測算法

hold on; for k=1:length(B)boundary=B{k};plot(boundary(:,2),boundary(:,1),'w','LineWidth',2); end stats=regionprops(L,'Area','Centroid'); threshold=0.94; for k=1:length(B)boundary=B{k};delta_sq=diff(boundary).^2;perimeter=sum(sqrt(sum(delta_sq,2)));area=stats(k).Area;metric=4*pi*area/perimeter^2;metric_string=sprintf('%2.2f',metric);if metric>thresholdcentroid=stats(k).Centroid;plot(centroid(1),centroid(2),'ko');endtext(boundary(1,2)-35,boundary(1,1)+13,metric_string,'Color','y','FontSize',14,'FontWeight','bold'); end title(['Metrics closer to 1 indicate that','the object is approximately round']);

先給出流程圖

具體的區別我用第三幅圖來觀察了，有需要可以從目錄跳到最后的那個第三幅圖去觀察

regionprops函數

• STATS=regionprops(L,properties)
  測量每個標簽區域L的屬性
  L為標識矩陣，L中的正整數元素對應不同的區域
  properties可以是逗號分隔的字符串、包含字符串的細胞矩陣、字符串all或字符串basic
  此處計算測量值Area（區域像素點個數）、Centroid（區域的質心）

代碼說明：
獲取標識區域的面積和質心屬性
我們打開stats來看

再打開

area即面積，centroid即質心

threshold=0.94是在手動設置圓的閾值，可以觀察下方對比metric和threshold
然后是用循環檢測每一個標識目標
利用邊界坐標計算目標周長
area=states(k).Area即獲取目標面積屬性
打開area

然后計算metric值，保存計算結果，將檢測出的圓形目標用黑圈標識出其質心，判斷其是否為圓

diff函數

• Y=diff（X）
  計算沿大小不等于1的第一個數組維度的X相鄰元素之間的差分

這個函數在這次算法里比較玄學吧，算著算著周長就出來了，我也是看了半天，我們先來看看diff函數是在干些啥
它的用途有這些
那結果呢
我們可以看到，

對于一維向量，diff函數會用右減左，即相鄰數的增量

對于二維的矩陣

• 對于diff（A，1，1），就相當于diff(A)，并且是用矩陣的下行作被減數，上行作減數
• 對于diff（A，2，1），就相當于diff(diff(A))，并且是用矩陣的下行作被減數，上行作減數
• 對于diff(A,1,2),就相當于diff(A)，并且是用矩陣的右列-左列
• 對于diff(A,2,2),就相當于diff(diff(A)，并且是用矩陣的右列-左列

所以本次算法中就是把boundary作為邊緣坐標，然后下減上，得到的幾乎都是（0,1）（1,0）（-1,0）和（0，-1），因為是連續的離散點，然后平方變為正，再求和，第一個sum計算得到數行一列的1，sqrt之后還是1，行數甚至不變，然后最后一個sum得到周長

sprintf函數

• str=sprintf(formatSpec,A1,…,An)
  使用formatSpec指定的格式化操作符格式化數組A1,…,An中的數據，并在str中返回結果文本

text函數

• text（___,Name,Value）

最后我們來換個圖試試

第一幅圖

我去用ps畫了圖，如下

于是我們開始吧
按順序來

第二幅圖

被暗算了一波，我們換個顏色再來

第三幅圖

只到最后一個imshow操作，連邊都沒有描
描完邊之后就沒了，明明figure里是有描邊的，我也不知道為什么保存后就沒了白邊

分別把threshold修改為0.5和0.1

可以看到計算metric大于threshold的就會在質心出現黑圓圈
那我們再繼續，這次把string_metric去掉
可以看到每個標記都相同了
我們來看最終結果

總結

以上是生活随笔為你收集整理的matlab——识别图像中的圆形目标的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。