图像目标提取及特征计算
如何利用图像处理技术进行目标识别
如何利用图像处理技术进行目标识别图像处理技术在当今社会中被广泛应用于各个领域，其中之一就是目标识别。
目标识别是指通过对图像或视频进行处理，自动地检测和识别出其中的目标物体。
本文将介绍如何利用图像处理技术进行目标识别，并探讨其在实际应用中的一些挑战和解决方案。
一、图像处理技术概述图像处理技术是指通过对图像进行数字化处理，提取和分析其中的信息，以达到对图像内容的理解和处理的技术。
图像处理技术主要包括图像获取、图像增强、特征提取、目标检测和目标识别等步骤。
图像获取是指通过摄像机、扫描仪等设备获取图像。
图像增强是指通过对图像进行滤波、增强对比度等处理，以提高图像质量。
特征提取是指通过对图像进行分析，提取出其中的特征信息。
目标检测是指通过对图像进行处理，检测出其中存在的目标物体。
目标识别是指通过对目标物体的特征进行匹配和比对，确定目标物体的身份。
二、目标识别的基本原理目标识别的基本原理是通过对图像进行处理和分析，提取出目标物体的特征信息，然后将这些特征与已知的目标特征进行比对，从而确定目标物体的身份。
目标识别的过程可以分为以下几个步骤：1. 图像获取：通过摄像机或其他设备获取图像。
2. 图像预处理：对图像进行去噪、增强对比度等处理，以提高图像质量。
3. 特征提取：对图像进行分析，提取出其中的特征信息，如颜色、纹理、形状等。
4. 特征匹配：将提取到的特征与已知的目标特征进行比对，确定目标物体的身份。
5. 目标识别：根据匹配结果，确定目标物体的身份，并进行相应的处理或判断。
三、目标识别的方法和技术目标识别的方法和技术有很多种，常用的包括模板匹配、特征匹配、神经网络等。
1. 模板匹配：模板匹配是一种简单直观的目标识别方法。
它首先将目标物体的特征提取出来，并生成一个模板。
然后将这个模板与待识别图像进行比对，找出最匹配的位置，从而确定目标物体的位置和身份。
2. 特征匹配：特征匹配是一种常用的目标识别方法。
它通过对图像进行特征提取，将特征转化为数值表示，然后将这些特征与已知的目标特征进行比对，找出最相似的特征，从而确定目标物体的位置和身份。
无人机图像处理中的特征提取与目标识别
无人机图像处理中的特征提取与目标识别无人机技术作为当今社会中的重要应用领域之一，正在发展迅速。
在无人机的图像处理中，特征提取与目标识别是至关重要的一步。
本文将探讨无人机图像处理中的特征提取和目标识别的相关技术和方法。
一、特征提取在无人机图像处理中，特征提取是将原始图像中的有用信息提取出来，以便后续的目标识别和跟踪。
特征提取的目标是找到能够最好地表示图像内容的特征，包括颜色、纹理、形状和边界等信息。
1. 颜色特征提取颜色是图像中最直观且易于理解的特征之一。
在无人机图像处理中，通过对颜色的提取和分析，可以识别物体的类别和性质。
常用的颜色特征提取方法包括颜色直方图、颜色矩和颜色共生矩阵等。
2. 纹理特征提取纹理是图像中描述物体表面细节的特征。
在无人机图像处理中，纹理特征提取可以用于识别不同材质的物体。
常用的纹理特征提取方法包括局部二值模式（LBP）、灰度共生矩阵（GLCM）和小波变换等。
3. 形状特征提取形状是物体在图像中的外部轮廓和内部结构等几何特征。
在无人机图像处理中，形状特征提取可以用于识别不同形状的目标。
常用的形状特征提取方法包括边缘检测、轮廓描述和形状匹配等。
4. 边界特征提取边界是物体与背景之间的分界线，包括物体的边缘和轮廓等信息。
在无人机图像处理中，边界特征提取可以用于目标的定位和分割。
常用的边界特征提取方法包括Canny算子、Sobel算子和Prewitt算子等。
二、目标识别在无人机图像处理中，目标识别是将提取的特征与预先训练好的模型进行匹配，从而确定图像中的物体类别和位置。
目标识别的目标是提高识别的准确性和速度，以满足实时应用的需求。
1. 机器学习方法机器学习方法是目标识别中常用的方法之一。
通过训练样本和算法模型，可以对图像中的目标进行准确的分类和识别。
常用的机器学习方法包括支持向量机（SVM）、卷积神经网络（CNN）和随机森林等。
2. 深度学习方法深度学习方法是目标识别中近年来快速发展的方法之一。
图像处理中的图像特征提取方法与技巧
图像处理中的图像特征提取方法与技巧图像处理是一门研究数字图像的领域，其目标是通过一系列的处理步骤来改善图像的质量或提取出其中的有用信息。
其中，图像特征提取是图像处理中的重要环节之一。
本文将介绍一些常用的图像特征提取方法和技巧。
1. 灰度特征提取灰度特征提取是图像处理中最基本的特征提取方法之一。
通过将彩色图像转换为灰度图像，可以提取出图像的亮度信息。
常用的灰度特征包括图像的平均灰度值、灰度直方图、对比度等。
这些特征可以反映出图像的整体明暗程度和灰度分布情况，对于一些亮度信息相关的任务，如人脸识别、目标检测等，具有重要意义。
2. 形态学特征提取形态学特征提取通过对图像进行形态学运算，如腐蚀、膨胀、开闭运算等，来提取出图像的形态信息。
比如，利用腐蚀和膨胀运算可以提取出图像的边缘信息，通过开闭运算可以获取到图像的拐点信息和孤立点信息。
形态学特征提取在图像的边缘检测、形状分析等领域中得到广泛应用。
3. 纹理特征提取纹理特征提取是指从图像中提取出具有纹理信息的特征。
图像的纹理是指图像中像素之间的空间关系，比如纹理的平滑度、粗糙度、方向等。
常见的纹理特征提取方法包括灰度共生矩阵（GLCM）、灰度差值矩阵（GLDM）等。
这些方法通过统计邻近像素之间的灰度差异来描述图像的纹理特征，对于物体识别、纹理分类等任务非常有用。
4. 频域特征提取频域特征提取是指通过对图像进行傅里叶变换或小波变换，从频域角度分析图像的特征。
对于傅里叶变换，可以得到图像的频谱图，从中提取出一些频域特征，如频谱能量、频谱密度等。
而小波变换则可以提取出图像的频率和幅度信息。
频域特征提取在图像压缩、图像识别等领域具有广泛应用。
5. 尺度空间特征提取尺度空间特征提取是指通过在不同的尺度下分析图像的特征，提取出图像的空间尺度信息。
常用的尺度空间特征提取方法包括拉普拉斯金字塔、高斯金字塔等。
这些方法可以从图像的多个尺度下提取出不同的特征，对于物体的尺度不变性分析、尺度空间关系分析等任务非常有用。
无人机航拍图像处理中的特征提取与目标检测算法研究
无人机航拍图像处理中的特征提取与目标检测算法研究一、引言随着无人机技术的迅猛发展，无人机航拍已经成为现代航拍领域的重要手段之一。
无人机航拍图像的处理涉及到诸多领域，其中最为重要的就是特征提取与目标检测算法。
本文将对无人机航拍图像处理中的特征提取与目标检测算法进行研究。
二、特征提取算法特征提取是无人机航拍图像处理中的关键环节，通过提取出图像中的特征信息，可以为后续的目标检测算法提供有效的输入。
常用的特征提取算法包括边缘检测、角点检测和纹理分析等。
1. 边缘检测边缘检测是图像处理中最基础的特征提取方法之一，其原理是通过检测图像中不连续的灰度变化来定位物体的边界。
常用的边缘检测算法包括Sobel算子、Canny算子和Laplacian算子等。
2. 角点检测角点检测是指在图像中寻找具有明显角度的像素点，这些像素点常常代表了物体的特殊结构。
常用的角点检测算法有Harris算法、Shi-Tomasi算法和FAST算法等。
3. 纹理分析纹理分析是指对图像中的纹理信息进行提取和描述的过程。
常用的纹理分析算法包括灰度共生矩阵法、Gabor滤波器法和局部二值模式法等。
三、目标检测算法特征提取完成后，接下来就是对提取出的特征进行目标检测。
目标检测算法可以分为传统方法和深度学习方法两类。
1. 传统方法传统的目标检测方法主要包括基于颜色、形状、纹理和背景建模等的算法。
其中，基于颜色的目标检测常用的算法有HSV模型、区域生长和基于颜色直方图的方法等；基于纹理的目标检测常用的算法有Gabor滤波器和灰度共生矩阵等；而基于形状的目标检测则常使用边缘和轮廓信息。
2. 深度学习方法深度学习方法近年来在目标检测领域取得了明显的进展，主要表现在基于卷积神经网络（CNN）的算法。
这些算法将图像的特征提取和目标检测过程融合在一起，通过对大规模数据集的训练来提高检测的准确性和鲁棒性。
常用的深度学习目标检测算法有Faster R-CNN、YOLO和SSD等。
图像特征及图像特征提取
图像特征及图像特征提取图像特征是图像中的显著和重要的信息，用于描述和区分不同的图像。
图像特征提取是从图像中提取这些特征的过程。
图像特征可以分为两类：全局特征和局部特征。
全局特征是整个图像的统计性质，例如颜色直方图、颜色矩和纹理特征等。
局部特征则是在图像的局部区域中提取的特征，例如SIFT（尺度不变特征变换）、HOG（方向梯度直方图）和SURF（加速稳健特征）等。
图像特征提取的过程可以分为以下几步：1.预处理：对图像进行去噪、图像增强、颜色空间转换等处理，以提高图像的质量和可分辨性。
2.特征选择：根据具体应用需求和图像特征的表达能力，选择适合的特征。
例如，对于目标识别任务，可以选择具有良好局部不变性和可区分性的局部特征。
3.特征提取：根据选择的特征，从图像中提取特征。
对于全局特征，可以使用颜色直方图、颜色矩、纹理特征等方法；对于局部特征，可以使用SIFT、HOG、SURF等方法。
4.特征表示：将提取的特征表示为向量或矩阵形式，以便后续的分类、检索或识别任务。
5.特征匹配：对于图像检索、图像匹配等任务，需要将查询图像的特征与数据库中的图像特征进行比较和匹配，找到最相似的图像。
图像特征提取的方法和算法有很多，以下是一些常用的方法：1.颜色特征：颜色是图像的重要特征之一、颜色直方图描述了图像中每个颜色的分布情况，颜色矩描述了图像中颜色的平均值和方差等统计性质。
2.纹理特征：纹理是图像中的重要结构信息。
常用的纹理特征提取方法有灰度共生矩阵、方向梯度直方图、小波变换等。
3.形状特征：形状是物体的基本属性之一、形状特征提取方法有边缘检测、形状描述子等。
4.尺度不变特征变换（SIFT）：SIFT是一种局部特征提取方法，具有尺度不变性和旋转不变性，适用于图像匹配和目标识别任务。
5.方向梯度直方图（HOG）：HOG是一种局部特征提取方法，通过计算图像中每个像素的梯度方向和强度，获得图像的局部特征。
6.加速稳健特征（SURF）：SURF是一种局部特征提取方法，具有尺度不变性和旋转不变性，适用于图像匹配和目标识别任务。
图像特征提取算法
图像特征提取算法图像特征提取是计算机视觉领域的一个重要研究方向，其目标是从图像中提取重要的可数、可度量的数值，以便于使用这些特征来描述、表示和识别图像。
在图像特征提取算法中，以下几个常见的方法被广泛应用和研究：传统的特征提取算法、基于深度学习的特征提取算法、以及针对特定任务的特征提取算法。
传统的特征提取算法主要包括：颜色特征提取、纹理特征提取和形状特征提取。
颜色特征提取算法主要是利用图像的颜色信息进行特征提取，例如颜色直方图、颜色矩。
纹理特征提取算法是通过对图像纹理信息进行分析和提取特征，例如灰度共生矩阵、局部二值模式。
形状特征提取算法则是通过分析和计算图像的形状特征，例如边缘直方图、边界描述符。
基于深度学习的特征提取算法近年来受到了广泛的关注和研究。
深度学习模型如卷积神经网络（CNN）在图像分类和目标识别等任务中取得了显著的成果。
这些模型具有多层次的网络结构，能够自动学习图像的特征表达。
通过使用预训练的CNN模型，可以提取出高层语义特征作为图像表示，如将网络进过全连接层之前的激活输出作为特征向量，或者使用更深层次的网络的激活输出。
除了CNN模型，其他深度学习模型如循环神经网络（RNN）、生成对抗网络（GAN）等也可以用于图像特征提取。
针对特定任务的特征提取算法是为了满足特定应用场景的需求而设计的。
例如人脸识别领域的特征提取算法，为了强调人脸的局部特征，常用的方法是通过特定的人脸特征点（如眼睛、嘴巴等）进行局部特征提取，或者使用基于判别分析的降维方法，如线性判别分析（LDA）等。
另外，对于图像检索任务，可以利用基于局部特征的算法，如尺度不变特征变换（SIFT）、加速稳健特征（SURF），以及基于视觉词袋模型的局部特征描述符等。
除了上述几种常见的图像特征提取算法之外，近年来还涌现了一些新的特征提取方法，如基于深度学习的生成模型（如变分自编码器、生成对抗网络）、基于对抗训练的特征提取方法（如对抗生成网络、对抗训练神经网络）等。
图像处理技术中的特征提取方法
图像处理技术中的特征提取方法特征提取是图像处理技术中的重要步骤，它能够从原始图像中提取出具有代表性的特征，为后续的图像分析与处理提供基础。
在本文中，我们将介绍一些常用的图像处理技术中的特征提取方法。
1. 梯度特征提取法梯度特征提取法是一种基于图像边缘信息的特征提取方法。
通过计算图像中像素值的梯度来获取图像边缘信息。
其中，常用的方法包括Sobel算子、Prewitt算子和Canny边缘检测等。
这些算法可以有效地提取出图像的边缘特征，用于物体检测、目标跟踪等应用。
2. 纹理特征提取法纹理特征提取法是一种基于图像纹理信息的特征提取方法。
通过分析图像中的纹理分布和纹理特征，可以揭示图像中的纹理结构和纹理性质。
常用的纹理特征提取方法包括局部二值模式（LBP）、灰度共生矩阵（GLCM）等。
这些方法可以用于图像分类、纹理识别等领域。
3. 颜色特征提取法颜色特征提取法是一种基于图像颜色信息的特征提取方法。
通过提取图像中的颜色分布和颜色特征，可以区分不同物体以及不同场景。
常用的颜色特征提取方法包括颜色矩、颜色直方图等。
这些方法可以用于图像检索、目标识别等应用。
4. 形状特征提取法形状特征提取法是一种基于图像形状信息的特征提取方法。
通过分析图像中的几何形状和边界形状，可以用于目标检测和图像分割等任务。
常用的形状特征提取方法包括边缘描述子如链码、轮廓拟合等。
这些方法可以用于目标检测、目标跟踪等应用。
5. 光流特征提取法光流特征提取法是一种基于图像运动信息的特征提取方法。
通过分析图像序列中像素的位移信息，可以获取图像中的运动信息。
常用的光流特征提取方法包括Lucas-Kanade光流法、Horn-Schunck光流法等。
这些方法可以用于目标跟踪、行为识别等应用。
在实际应用中，通常需要结合多种特征提取方法来提取更加丰富和具有区分度的特征。
例如，可以将梯度特征、纹理特征和颜色特征进行融合，以提取更加综合的特征表示。
还可以利用机器学习算法如支持向量机（SVM）、神经网络等对提取的特征进行分类和识别。
图像处理中的目标检测算法综述
图像处理中的目标检测算法综述目标检测是计算机视觉领域的重要研究方向，其应用广泛，包括自动驾驶、视频监控、人脸识别等领域。
目标检测算法的目标是在给定一张图像中准确地定位并识别出感兴趣的目标物体。
本文将综述图像处理中的目标检测算法，包括常见的传统方法和近年来兴起的深度学习方法。
一、传统的目标检测算法1. 特征提取方法传统的目标检测算法通常需要手动设计特征提取器。
常用的特征包括Haar特征、HOG特征和SIFT特征等。
这些特征会将图像中的目标区域与背景区域进行区分。
2. 目标区域生成方法在特征提取的基础上，传统目标检测算法会使用一些方法来生成候选目标区域，例如滑动窗口和图像分割。
滑动窗口方法将一个固定大小的窗口在图像上滑动，每次滑动一定的步长，由此生成一系列的候选目标区域。
图像分割方法则是先将图像分割成不同的区域，再对每个区域进行特征提取和分类。
3. 目标分类方法传统目标检测算法通常使用分类器来区分目标区域和非目标区域。
常用的分类器包括支持向量机（SVM）、决策树和随机森林等。
这些分类器会根据提取到的特征将目标和非目标进行分类。
二、深度学习的目标检测算法近年来，深度学习在图像处理中取得了巨大的成功，也在目标检测领域得到广泛应用。
以下介绍几种常见的深度学习目标检测算法。
1. R-CNN系列算法R-CNN（Region-based Convolutional Neural Networks）是一类以候选目标区域为基础的目标检测算法。
R-CNN系列算法包括R-CNN、Fast R-CNN 和Faster R-CNN。
这些算法首先使用选择性搜索等方法生成候选目标区域，然后将每个区域送入 CNN 进行特征提取和目标分类。
2. YOLO系列算法YOLO（You Only Look Once）是一种实时目标检测算法。
YOLO算法将目标检测问题转化为一个回归问题，通过在图像上使用格子进行预测。
YOLO系列算法包括YOLOv1、YOLOv2、YOLOv3和YOLOv4等版本，不断改进了准确性和实时性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要对图像进行研究和应用时，人们往往对图像中的某些部分感兴趣，这些部分常被称为目标或对象目标或对象特征提取是计算机视觉和图像处理中的一个概念。
它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。
特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
本课设需要解决的问题是，利用阈值分割方法,对该图像进行分割,得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。
阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像，在通过计算二值图像像素点的方式求取。
关键词：阈值分割,边缘检测，像素点１绪论目标的特征提取是图像处理和自动目标识别（ＡTR)中的一个重要的研究课题,是解决图像识别问题的难点和关键。
特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。
它检查每个像素来确定该像素是否代表一个特征。
假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。
作为特征提取的一个前提运算,输入图像一般通过高斯模糊核在尺度空间中被平滑。
此后通过局部导数运算来计算图像的一个或多个特征。
有时,假如特征提取需要许多的计算时间，而可以使用的时间有限制,一个高层次算法可以用来控制特征提取阶层,这样仅图像的部分被用来寻找特征。
由于许多计算机图像算法使用特征提取作为其初级计算步骤,因此有大量特征提取算法被发展,其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。
2 设计原理2.1 常用的特征提取的方法提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。
本课程设计是采用的第一种方法,即先对该图像进行分割，得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。
阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像,在通过计算二值图像像素点的方式求取。
其中计算周长时，先需要对二值图像进行边缘检测,然后再统计其像素点。
２.2 阈值分割原理图像阈值化分割是一种最常用,同时也是最简单的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像［1］。
它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤,因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。
图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。
这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
２.2．1 阈值分割思想和原理阈值分割法是一种基于区域的图像分割技术，其基本原理是:通过设定不同的特征阈值，把图像象素点分为若干类。
常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。
设原始图像为f （ｘ，ｙ),按照一定的准则f(ｘ，y)中找到特征值T,将图像分割为两个部分,分割后的图像为:若取：b0=0(黑),ｂ１=１（白),即为我们通常所说的图像二值化。
设图像为f(x,y),其灰度集范围是［０,L]，在０和Ｌ之间选择一个合适的灰度阈值T,则图像分割方法可由下式描述这样得到的g(x,y)是一幅二值图像。
图２-1 图像分割算法T y x f T y x f y x g ≥<),(),(10){,(2．2．2 全局阈值分割阈值法有多种类型，主要有：全局阈值,自适应阈值等。
所谓全局阈值，如果背景的灰度值在整个图像中可合理的看做恒定,而且所有物体与背景都具有几乎相同的对比度，那么,只要选择了正确的阈值,使用了一个固定的全局阈值一般会有较好的效果。
给出利用全局阈值分割图像的MATLAＢ程序如下:Ｉ=iｍrｅaｄ（'tsａml．jpg');for ｉ=1：wｉdthｆoｒ j=1:heiｇhtif(I(ｉ,j)<６０）BＷ1(i，j）=0；elsｅBＷ1(i,j)=1;endeｎｄendfiguｒeｉｍshow(BＷ１）这里设定了一个常数60,通过比较灰度值与６0的大小关系来重新给图像赋值。
2.2.3 自适应阈值在许多情况下,背景的灰度值并不是常数,物体和背景的对比度在图像中也有变化，这时就要引入自适应阈值,一个在图像中某一区域效果良好的阈值在其他区域却可能效果很差。
在这种情况下,需要把灰度阈值取成一个随图像中位置缓慢变化的函数值,即为自适应阈值。
这类算法的时间复杂度和空间复杂度比较大,但是抗噪声的能力比较强，对采用全局阈值不容易分割的图像有较好的效果。
这种方法的关键问题是如何将图像进行细分和如何为得到子图像估计门限值。
由于用于每个像素的门限取决于像素在子图像中的位置，这类门限处理是自适应的。
2．3 边缘检测原理边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。
图像属性中的显著变化通常反映了属性的重要事件和变化。
这些包括（i)深度上的不连续、(ｉi)表面方向不连续、(ｉiｉ)物质属性变化和(iv)场景照明变化。
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
有许多方法用于边缘检测,它们的绝大部分可以划分为两类:基于查找一类和基于零穿越的一类。
基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。
基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界,通常是Laplacｉaｎ过零点或者非线性差分表示的过零点。
有许多用于边缘检测的方法, 他们大致可分为两类:基于搜索和基于零交叉。
基于搜索的边缘检测方法首先计算边缘强度, 通常用一阶导数表示，例如梯度模，然后，用计算估计边缘的局部方向，通常采用梯度的方向,并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。
通常用拉普拉斯算子或非线性微分方程的零交叉点。
滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。
已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。
正如许多边缘检测方法依赖于图像梯度的计算,他们用不同种类的滤波器来估计x-方向和y-方向的梯度。
一旦我们计算出导数之后,下一步要做的就是给出一个阈值来确定哪里是边缘位置。
阈值越低,能够检测出的边线越多，结果也就越容易受到图片噪声的影响,并且越容易从图像中挑出不相关的特性。
与此相反，一个高的阈值将会遗失细的或者短的线段。
一个常用的这种方法是带有滞后作用的阈值选择。
这个方法使用不同的阈值去寻找边缘。
首先使用一个阈值上限去寻找边线开始的地方。
一旦找到了一个开始点,我们在图像上逐点跟踪边缘路径,当大于门槛下限时一直纪录边缘位置，直到数值小于下限之后才停止纪录。
这种方法假设边缘是连续的界线，并且我们能够跟踪前面所看到的边缘的模糊部分,而不会将图像中的噪声点标记为边缘2.4 图像物体中心位置的确定物体的中心即物体内到四周距离相等的位置。
根据此定义,很容易就能找到，求取物体内部所有像素点的X,Y坐标的平均值即可确定物体的中心坐标，然后将这个坐标所表示的像素点用一个特定符号进行标记，就能明显地找到该物体的中心。
至于如何用特定符号标记这个中心点，可以使用ｍａtlab中已经定义的一个用于画函数图形的ploｔ函数即可,我们在这里只需要利用其进行标记即可，基本函数形式可以表示为：pｌoｔ（x,y,'*'），意思即为用＊号标定(X，Y)。
如何标定出中心点的任务解决了,剩下的工作就是对相应的图形坐标的处理，进而准确地找到中心点位置了。
此时,可以编写一段循环语句,由于第一个物体由１组成,第二个物体由2组成,第n个物体由ｎ组成。
可以定义一个k，从1到n连续变化，然后与物体内所包含的数值进行比较,若与此时的ｋ值相等,则可以确定是一个物体,然后再将物体内部像素点的横纵坐标分别求平均值，这样就可以求出物体中心点的坐标，将此坐标储存。
同样的原理对第二个物体进行操作,如此往复直至第n个物体,，循环结束所有物体标定完成,最后通过plot函数对这些坐标对应的点进行标记，即可找出个物体的中心,本课设只有一个物体,故只需要执行一次操作。
3 设计程序与仿真结果3．1 提取目标的二值图像对应maｔlaｂ程序代码为：I=ｉmread('ｒgｂ.ｊｐg');I=rgb2gray(I）;ｆigure(1）；imshow(I);iｍwｒiｔe(Ｉ,'gray.jpg');[width,heｉght］=siｚe(Ｉ)；%È«¾ÖãÐÖµBＷ＝zeros(width，heigｈt)；ｆoｒ i=1:ｗiｄthfor j=1:ｈeiｇhtｉf(I(i,ｊ)＜80)ＢW(i，j)＝1；endeｎdendfiｇure(2)；imsｈｏw(BW);对应的运行结果如下图:图3-1 灰度图像与转换后的二值图像3.2 计算目标的面积对应matｌab程序代码为:I=iｍｒeaｄ('rgｂ.jｐｇ＇);Ｉ＝rgｂ２gray（I)；ｆiｇｕre(１);imｓhｏw(Ｉ);[wｉdth,height］=ｓize(Ｉ);arｅa=0;ｆor i=1:ｗｉdthfor j=1:heigｈtif(BW(i，ｊ)＝=1)area＝aｒｅa＋１;ｅndendendarea对应的运行结果为：ａreａ=74１6 3．3 计算目标的周长对应ｍａtlaｂ程序代码为:I=ｉmｒｅad('bｗ．jpg'）;ＢW1=edｇe(Ｉ, 'Ｒobｅrts'）；ｆiguｒe;ｉmshｏw（BW1);imwrite(BW1,'by.ｊpｇ'）;[width,height]=ｓizｅ(BW1);cirｃｕｍ=0;for ｉ＝1:widｔhfor j=1:ｈｅightif(ＢＷ(i，j)==０)circuｍ=circum+1；eｎdendendｃircuｍ对应的运行结果为:circum =7０993.4 计算目标的中心坐标对应maｔlab程序代码为：clｃ; ｃleａr all;I ＝ｉmrｅａｄ(＇ｂw.ｊpg ＇）；％加载图像I1 = iｍ2bw(Ｉ）;L ＝ bｗｌabｅl(I1）;stats = regｉonｐrｏps（L， 'Centroid')；ｈold onｆｏｒｉ= 1 ：lenｇtｈ(stａts）temp = ｓtａts(ｉ).Cｅntroｉd； %计算中心坐标ｐlot(temp(１）, temp(2)，＇＋r'); ％得到中心坐标后用＋标出eｎｄ对应的运行结果为：图3－２计算目标的中心坐标4 心得体会课程设计初期,由于对图片的处理不够熟练,直接对彩色图像进行二值化,导致最后程序运行的结果中出现了三张图。