视频与图像处理-物体分类

《视频与图像处理-物体分类》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、《视频与图像处理技术》作业一摘要:本作业借助VS2010和OpenCV编程，对4种（每种7张，共28张）叶子图像进行分类。主要通过Hu矩对二值化的叶子图像进行形状描述，并通过图像不变矩阈值判断进行分类。从实验结果来看，Hu矩对图像分类具有较高的分辨率，对图像处理意义重大。关键词:不变矩图像分类处理结果0本作业完成内容与总结本作业利用图像Hu矩的不变性，借助VS2010和OpenCV编程，主要完成：对4种叶子图像进行二值化并计算图像的不变矩，计算验证同类图像（经过旋转、平移、尺度伸缩等）的不变Hu矩；

2、针对Hu矩的不变性，通过设定阀值，对给定图像进行分类。从对程序调试的过程分析，每类叶子图像使用Hu矩算法都能得到相近的Hu矩值，并且对于不同类的图像，设定不变矩的阈值能够较好的对四类叶子分类，分辨率效果为92.9%。1图像的Hu矩对图像目标的识别首先需要抽取目标的特征，然后用适当的数学表示对目标。不变矩理论是模式识别和计算机视觉中的一个重要内容。常用的基于区域的矩不变理论最早由Hu提出来，并获得不断发展和广泛的应用。Hu矩不变量提出以后，已经被应用于图像、字符识别以及工业质量检测等许多领域。1.1H

3、u矩的描述对于连续的灰度函数f(x,y)它的(i+j)阶二维原点矩Mij定义为由单值性定理（Uniqueness）可知：若f(x,y)为分段连续的有界函数，并且在x，y平面上有限区域内为非零值。则所有的各阶矩均存在，且矩序列{Mij}唯一地被f(x,y)所确定；反之，{Mij}也唯一地确定了f(x,y)。图像函数为满足上述条件的函数，因此存在各阶矩。定义离散形式的图像(i+j)阶矩为：定义图像的中心距为：定义归一化中心距为：文献[6]中证明下面定义的7个不变矩具有平移、尺度、旋转不变性，称为Hu矩。

4、1.2Hu矩的意义低阶矩主要描述图像的整体特性，如面积、主轴、方向角等；而高阶矩主要描述图像的细节，如扭曲度、峰态等。在七个矩不变量中，前六个具有镜像不变性，而第7个存在镜像变换。它们适合描述目标的整体形状，因此在边缘提取、图像匹配及目标识别中具有广泛的应用。同时，这七个几何矩计算量各不相同，信息的含量也各不相同。图像中比较有用的信息多集中于计算量相对较小的低阶矩中，而高阶矩计算量大，且含有一些易受噪声干扰的细节信息，目标的高阶矩之间的差异不易区分开来。1软件实现软件实现采用VS2010和OpenC

5、V库函数完成。为了方便理解，使用Visio画了程序流程图。2.1总体流程图图1主流程图程序主程序流程图如图1所示，用户通过输入字符来选择不同的功能。主程序在while循环中执行，输入按键并进行判断。当输入是a字符时，程序执行的功能输入要二值化的图像，对图像进行二值化并显示；当输入是b字符时，程序执行对27幅叶子图像二值化、计算不变矩、分类；当输入的是其他按键时，通过“return”语句终止程序。2.2单幅图像二值化并显示流程图如图2所示，为图像二值化实现的程序流程图。本程序通过调用opencv内的库

6、函数来实现24位真彩色图像到8位灰度图像的转化。然后对图像的每个像素点进行而二值化。最后调用cvNamedWindow(char,int)创建窗口，调用cvShowImage(char,IplImage*)显示图片。图2图像二值化并显示流程图2.3图像分类图3图像分类流程图如上图3所示，首先，对图像二值化，计算不变矩保存在数组中并显示（如图5所示），这步在一个for循环中执行，可以依次对27幅图像二值化。其次，对图像进行分类，本分类方法用到第二、第三个不变矩。本方法通过判断每类不变矩的值是否属于某个

7、阈值范围进行四类叶子的分类。1处理结果与分析3.1图像二值化显示测试显示如图4，为图像二值化测试显示。启动程序，选择输入a，回车后提示输入需要二值化的图像名，例如输入“2-1.jpg”，调试结果如下图4所示：图4图像二值化测试图3.2图像分类测试显示如图5所示，选择输入b,回车后自动计算并显示27片叶子图像的不变矩，并对27片叶子图像进行分类。其中每片叶子有7个不变矩，图中只显示前3个不变矩。本程序把计算的不变矩保存在二维数组InvaHu[28][7]中，供后面程序的调用。由于计算图像的不变矩算法计

8、算比较复杂，计算机处理过程较慢，每计算一片叶子图像的不变矩都要等待片刻时间才能显示出来。分类结果如图5所示，A类和B类叶子能够准确的识别出来，B类和D类叶子中都有一个分辨错误。因此可以计算得图像分辨正确率为92.9%。图像分类结束之后，程序并没有终止退出，用户可以选择按键让程序终止运行。图5程序测试图2结论本次实验是使用Hu矩方法对二值化后的叶子图像进行形状描述，然后进行分类。图像分辨正确率比较高有92.9%。但是本实验的分类方法具有一定的局限性，对于不是本实验的叶子