機械零件圖像分割系統(tǒng)設計論文[帶程序]

1、<p><b>　　編號</b></p><p><b>　　無錫太湖學院</b></p><p><b>　　畢業(yè)設計（論文）</b></p><p>　　題目： 機械零件圖像分割 </p><p>　　信機 系 機械工程及自動化 專業(yè)<

2、/p><p>　　學 號： 　　　 　　　　</p><p>　　學生姓名： </p><p>　　指導教師： 　 （職稱：教授 ）</p><p>　　（職稱： ）</p><p>　　2013年5月25日</p><p>　　無錫太湖學院本科畢業(yè)設

3、計（論文）</p><p><b>　　誠 信 承 諾 書</b></p><p>　　本人鄭重聲明：所呈交的畢業(yè)設計（論文） 機械零件圖像分割 是本人在導師的指導下獨立進行研究所取得的成果，其內容除了在畢業(yè)設計（論文）中特別加以標注引用，表示致謝的內容外，本畢業(yè)設計（論文）不包含任何其他個人、集體已發(fā)表或撰寫的成果作品。</p><p>

4、;　　班 級： 機械93 </p><p>　　學 號： 0923119 </p><p>　　作者姓名： </p><p>　　2013 年 5 月 25 日</p><p><b>　　摘 要</b></p><p>　　為了更好的研

5、究機械零件圖像，本文通過對倆幅機械零件圖像分別進行ave、sf-pcnn、pcnn的圖像融合,從而有效地提高了圖像信息的利用率、系統(tǒng)對目標探測識別地可靠性及系統(tǒng)的自動化程度。再將融合后的圖像進行分割。為降低噪聲對圖像分割結果的影響，提出一種基于熱平衡理論的中智學圖像分割方法。該方法將圖像轉化為中智學圖像，考慮每一個像素的不確定性，通過熱平衡運算及圖像增強處理，使噪聲點變得更平滑。實驗結果表明，對于含不同程度噪聲的圖像，該方法的分割效果明

6、顯優(yōu)于未經融合原始圖像的分割效果。</p><p>　　關鍵詞：圖像融合； 圖像分割；熱平衡； 中智學</p><p><b>　　Abstract</b></p><p>　　In order to study the mechanical parts of the image better, based on the two pieces

7、of mechanical parts images are ave, sf-pcnn, PCNN image fusion, thus effectively improving the use of image information, the degree of automation of the system of target detection and recognition reliability and system.

8、Then the fused image segmentation. In order to reduce the influence of noise on the image segmentation result, put forward a kind of wisdom of heat balance theory based on image segmentation metho</p><p>　　K

9、eywords: image fusion,; intelligent segmentation; heat balance; image science</p><p><b>　　目 錄</b></p><p><b>　　摘 要V</b></p><p>　　AbstractVI</p>

10、<p><b>　　目 錄VII</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 數字圖像處理技術1</p><p>　　1.2 圖像處理技術的概念1</p><p>　　1.3 圖像處理常用方法2</p><p>　

11、　1.4 圖像處理技術的應用3</p><p>　　1.5 本課題達到的要求4</p><p><b>　　2 圖像融合5</b></p><p>　　2.1 圖像融合定義5</p><p>　　2.2 圖像融合的優(yōu)點5</p><p>　　2.3 本文圖像融合方法5</p>

12、;<p>　　2.4 圖像融合的實現步驟如下6</p><p>　　2.5 圖像融合流程圖6</p><p>　　2.6 圖像融合主程序6</p><p>　　2.7 實驗與分析10</p><p>　　.3 圖像分割13</p><p>　　3.1 圖像分割原理13</p>&

13、lt;p>　　3.2 圖像分割的方法13</p><p>　　3.3 圖像分割評價13</p><p>　　3.4 中智學簡介14</p><p>　　3.5 熱平衡簡介15</p><p>　　3.6 圖像分割的實現步驟如下16</p><p>　　3.7分割方法實現流程圖16</p>

14、<p>　　3.8 圖像分割主程序17</p><p>　　3.9 實驗與分析17</p><p>　　4 總結和展望26</p><p>　　4.1 論文工作總結26</p><p>　　4.2 不足之處及未來展望26</p><p><b>　　致謝27</b><

15、/p><p><b>　　參考文獻28</b></p><p><b>　　附錄29</b></p><p><b>　　1 緒論</b></p><p>　　1.1 數字圖像處理技術</p><p>　　圖像處理(image processing)，用

16、計算機對圖像進行分析，以達到所需結果的技術。又稱影像處理。數字圖像處理最早出現于20世紀50年代，當時的電子計算機已經發(fā)展到一定水平，人們開始利用計算機來處理圖形和圖像信息。數字圖像處理作為一門學科大約形成于20世紀60年代初期。自20 世紀70年代起，圖像處理技術尤其是圖像分割的研究一直受到人們的高度重視.。早期的圖像處理的目的是改善圖像的質量，它以人為對象，以改善人的視覺效果為目的。圖像處理中，輸入的是質量低的圖像，輸出的是改善質量

17、后的圖像，常用的圖像處理方法有圖像增強、復原、編碼、壓縮等。首次獲得實際成功應用的是美國噴氣推進實驗室（JPL）。他們對航天探測器徘徊者7號在1964年發(fā)回的幾千張月球照片使用了圖像處理技術，如幾何校正、灰度變換、去除噪聲等方法進行處理，并考慮了太陽位置和月球環(huán)境的影響，由計算機成功地繪制出月球表面地圖，獲得了巨大的成功。隨后又對探測飛船發(fā)回的近十萬張照片進行更為復雜的圖像處理，以致獲得了月球的地形圖、彩色圖及全景鑲嵌圖，獲得了非凡的成

18、果，為人類登月創(chuàng)舉奠定了堅實的基礎，也推動了數字圖像處理這門學科的誕生。</p><p>　　1.2 圖像處理技術的概念</p><p>　　20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，采用了數字壓縮技術。圖像是人類觀察世界、認識世界的重要媒介之一.我們生活在一個信息化時代，據科學研究和統(tǒng)計表明，人類接收的信息中約有75%來自視覺系統(tǒng)或者說圖像信息，也就是從圖像中

19、獲得的.這既說明視覺信息量巨大，也表明人類對視覺信息有較高的利用率.圖像包含了它所表達的物體的描述信息.這里指的圖像包括圖片、繪圖、動畫、視像，甚至文檔等.數字圖像是指用數字攝像機、掃描儀等設備經過采樣和數字化得到的一個大的二維數組，該數組的元素稱為像素，其值為一整數，稱為灰度值[1]。圖像處理技術的主要內容包括圖像壓縮，增強和復原，匹配、描述和識別3個部分。 常見的處理有圖像數字化、圖像編碼、圖像增強、圖像復原、圖像融合、圖像分割和圖

20、像分析等[2]。本文主要研究圖像處理中的圖像融合和圖像分割。</p><p>　　.圖像技術在廣義上是各種與圖像有關的技術的總稱，在改變人們的生活方式以及推動社會發(fā)展等方面都起到了重要的作用.圖像技術包括利用計算機和其他電子設備共同完成的工作，例如圖像的采集、量化、編碼、存儲和傳輸，圖像的顯示和輸出，圖像的變換、增強、恢復和重建，圖像的分割，目標的檢測、表達和描述，目標檢測的提取和測量，圖像的分類、表示和識別等等

21、。[3]計算機科學與其它學科相統(tǒng)一，不斷提出新思路、新方法來，不僅改進了計算機處理方法促進了計算機科學與技術學科的發(fā)展，而且還有利于其它學科的發(fā)展. 自動機理論、可計算理論、邏輯學、程序設計理論等理論與計算機緊密聯系.這些理論互相關聯，共同組成了計算機基礎.而它們都是屬于數學學科的，因此數學學科的發(fā)展對計算機科學與技術的發(fā)展有著重要的影響.最初計算機只是數學的一個分支，通過不斷發(fā)展計算機已經設計很多領域，也擁有了很多的研究人員，這使得計

22、算機科學的發(fā)展在某種程度上也反作用于數學學科的發(fā)展.計算機科學與技術與其它學科相結合已經成為了一種發(fā)展趨勢.也只有這樣計算機技術才能保持當今的速度繼續(xù)飛速發(fā)展.如今，某些以前不太受到重視的數學分支在計算機科學出現以后也變得重要</p><p>　　(1)邏輯學、集合學：邏輯學和集合論是計算機科學最重要的數學問題描述方式 </p><p>　　(2)抽象代數：抽象就是提取研究對象的本質并加以

23、高度概括。 </p><p>　　(3)圖論：圖論的應用領域已經非常廣泛.例如計算機網絡中拓撲圖的設計與結構描述.</p><p>　　大量的算法是建立在圖論的基礎上。 </p><p>　　(4)組合學：組合學有兩個獨立領域：組合數學與組合算法。 </p><p>　　除了數學理論，物理理論和哲學理論等也越來越多得在計算機應用中出現.它們的

24、出</p><p>　　現，為計算機技術的研究注入了新的思路，使得計算機算法有了創(chuàng)新和突破，同時使得計</p><p>　　算機技術進入了一個全新的高度.學科間的相互滲透對科技的發(fā)展具有強大的推動作用，從而使得人們的生活更快捷、更人性化。</p><p>　　1.3 圖像處理常用方法</p><p>　　1）圖像變換：由于圖像陣列很大，直接在

25、空間域中進行處理，涉及計算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術，將空間域的處理轉換為變換域處理，不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數字濾波處理）。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應用。 </p><p>　　2 ）圖像編碼壓縮：圖像編碼壓縮技術可減少描述圖像的數據

26、量（即比特數），以便節(jié)省圖像傳輸、處理時間和減少所占用的存儲器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發(fā)展最早且比較成熟的技術。 </p><p>　　3 ）圖像增強和復原：圖像增強和復原的目的是為了提高圖像的質量，如去除噪聲，提高圖像的清晰度等。圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪

27、廓清晰，細節(jié)明顯；如強化低頻分量可減少圖像中噪聲影響。圖像復原要求對圖像降質的原因有一定的了解，一般講應根據降質過程建立“降質模型”，再采用某種濾波方法，恢復或重建原來的圖像。 </p><p>　　4 ）圖像分割：圖像分割是數字圖像處理中的關鍵技術之一。圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進一步進行圖像識別、分析和理解的基礎。雖然目前已研究出不少邊緣提取、區(qū)域分

28、割的方法，但還沒有一種普遍適用于各種圖像的有效方法。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。 </p><p>　　5 ）圖像描述：圖像描述是圖像識別和理解的必要前提。作為最簡單的二值圖像可采用其幾何特性描述物體的特性，一般圖像的描述方法采用二維形狀描述，它有邊界描述和區(qū)域描述兩類方法。對于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深入發(fā)展，已經開始進行三維物體描述的

29、研究，提出了體積描述、表面描述、廣義圓柱體描述等方法。 </p><p>　　6 ）圖像分類（識別）：圖像分類（識別）屬于模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）后，進行圖像分割和特征提取，從而進行判決分類。圖像分類常采用經典的模式識別方法，有統(tǒng)計模式分類和句法（結構）模式分類，近年來新發(fā)展起來的模糊模式識別和人工神經網絡模式分類在圖像識別中也越來越受到重視[5]。</p>

30、<p>　　1.4 圖像處理技術的應用</p><p>　　圖像是人類獲取和交換信息的主要來源，因此，圖像處理的應用領域必然涉及到人類生活和工作的方方面面。隨著人類活動范圍的不斷擴大，圖像處理的應用領域也將隨之不斷擴大。</p><p><b>　　1）航天和航空方面</b></p><p>　　航天和航空技術方面的應用數字圖像處理

31、技術在航天和航空技術方面的應用，除了JPL對月球、火星照片的處理之外，另一方面的應用是在飛機遙感和衛(wèi)星遙感技術中。許多國家每天派出很多偵察飛機對地球上有興趣的地區(qū)進行大量的空中攝影。對由此得來的照片進行處理分析，以前需要雇用幾千人，而現在改用配備有高級計算機的圖像處理系統(tǒng)來判讀分析，既節(jié)省人力，又加快了速度，還可以從照片中提取人工所不能發(fā)現的大量有用情報。從60年代末以來，美國及一些國際組織發(fā)射了資源遙感衛(wèi)星（如LANDSAT系列）和天

32、空實驗室（如SKYLAB），由于成像條件受飛行器位置、姿態(tài)、環(huán)境條件等影響，圖像質量總不是很高。因此，以如此昂貴的代價進行簡單直觀的判讀來獲取圖像是不合算的，而必須采用數字圖像處理技術。如LANDSAT系列陸地衛(wèi)星，采用多波段掃描器（MSS），在900km高空對地球每一個地區(qū)以18天為一周期進行掃描成像，其圖像分辨率大致相當于地面上十幾米或100米左右（如1983年發(fā)射的LANDSAT-4，分辨率為30m）。這些圖像在空中先處理（數字化

33、，編碼）成數字信號存入磁帶中，在衛(wèi)星經過地面站上空時，再高速傳送下來，然后由處理中心</p><p><b>　　生物醫(yī)學工程方面:</b></p><p>　　數字圖像處理在生物醫(yī)學工程方面的應用十分廣泛，而且很有成效。除了上面介紹的CT技術之外，還有一類是對醫(yī)用顯微圖像的處理分析，如紅細胞、白細胞分類，染色體分析，癌細胞識別等。此外，在X光肺部圖像增晰、超聲波圖像

34、處理、心電圖分析、立體定向放射治療等醫(yī)學診斷方面都廣泛地應用圖像處理技術。</p><p><b>　　通信工程方面</b></p><p>　　當前通信的主要發(fā)展方向是聲音、文字、圖像和數據結合的多媒體通信。具體地講是將電話、電視和計算機以三網合一的 方式在數字通信網上傳輸。其中以圖像通信最為復雜和困難，因圖像的數據量十分巨大，如傳送彩色電視信號的速率達100Mbi

35、t/s以上。要將這樣高速率的數據實時傳送出去，必須采用編碼技術來壓縮信息的比特量。在一定意義上講，編碼壓縮是這些技術成敗的關鍵。除了已應用較廣泛的熵編碼、DPCM編碼、變換編碼外，目前國內外正在大力開發(fā)研究新的編碼方法，如分行編碼、自適應網絡編碼、小波變換圖像壓縮編碼等。</p><p><b>　　工業(yè)和工程方面</b></p><p>　　在工業(yè)和工程領域中圖像處

36、理技術有著廣泛的應用，如自動裝配線中檢測零件的質量、并對零件進行分類，印刷電路板疵病檢查，彈性力學照片的應力分析，流體力學圖片的阻力和升力分析，郵政信件的自動分揀，在一些有毒、放射性環(huán)境內識別工件及物體的形狀和排列狀態(tài)，先進的設計和制造技術中采用工業(yè)視覺等等。其中值得一提的是研制具備視覺、聽覺和觸覺功能的智能機器人，將會給工農業(yè)生產帶來新的激勵，目前已在工業(yè)生產中的噴漆、焊接、裝配中得到有效的利用。</p><p&g

37、t;<b>　　軍事方面</b></p><p>　　在軍事方面圖像處理和識別主要用于導彈的精確末制導，各種偵察照片的判讀，具有圖像傳輸、存儲和顯示的軍事自動化指揮系統(tǒng)，飛機、坦克和軍艦模擬訓練系統(tǒng)等；公安業(yè)務圖片的判讀分析，指紋識別，人臉鑒別，不完整圖片的復原，以及交通監(jiān)控、事故分析等。目前已投入運行的高速公路不停車自動收費系統(tǒng)中的車輛和車牌的自動識別都是圖像處理技術成功應用的例子[6]。

38、</p><p>　　1.5 本課題達到的要求</p><p>　　本章將介紹中智學、熱平衡等數學、物理理論，并在后面章節(jié)中嘗試將這些理論與圖</p><p>　　像分割相結合進行相關應用研究。</p><p><b>　　2 圖像融合</b></p><p>　　2.1 圖像融合定義</p

39、><p>　　圖像融合（Image Fusion）是指將多源信道所采集到的關于同一目標的圖像數據經過圖像處理和計算機技術等，最大限度的提取各自信道中的有利信息，最后綜合成高質量的圖像，以提高圖像信息的利用率、改善計算機解譯精度和可靠性、提升原始圖像的和光譜分辨率，利于監(jiān)測。 待融合圖像已配準好且像素位寬一致，綜合和提取兩個或多個多源圖像信息。兩幅（多福）已配準好且像素位寬一致的待融合源圖像，如果配準不好且像素位寬不一

40、致，其融合效果不好。</p><p>　　2.2 圖像融合的優(yōu)點</p><p>　　高效的圖像融合方法可以根據需要綜合處理多源通道的信息，從而有效地提高了圖像信息的利用率、系統(tǒng)對目標探測識別地可靠性及系統(tǒng)的自動化程度。其目的是將單一傳感器的多波段信息或不同類傳感器所提供的信息加以綜合，消除多傳感器信息之間可能存在的冗余和矛盾，以增強影像中信息透明度，改善解譯的精度、可靠性以及使用率，以形

41、成對目標的清晰、完整、準確的信息描述。</p><p>　　這諸多方面的優(yōu)點使得圖像融合在醫(yī)學、遙感、計算機視覺、氣象預報及軍事目標識別等方面的應用潛力得到充分認識、尤其在計算機視覺方面，圖像融合被認為是克服目前某些難點的技術方向；在航天、航空多種運載平臺上，各種遙感器所獲得的大量光譜遙感圖像（其中分辨率差別、灰度等級差別可能很大）的復合融合，為信息的高效提取提供了良好的處理手段，取得明顯效益。</p>

42、;<p>　　2.3 本文圖像融合方法</p><p>　　2.4 圖像融合的實現步驟如下</p><p><b>　　輸入：輸入圖像</b></p><p>　　處理1：將原始的彩色圖像轉化為大小像素位寬的灰色圖像</p><p>　　處理2：利用上述三種融合方法進行圖像融合</p><

43、;p>　　輸出：輸出圖像圖像，與原始圖像進行比</p><p>　　2.5 圖像融合流程圖</p><p>　　2.6 圖像融合主程序</p><p>　　%=============================================================</p><p><b>　　%%</b&

44、gt;</p><p>　　%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p>　　% If you use the code, please cite the paper as follows:</p><p>　　% References:</p><p>

45、;　　%[1] Qu Xiao-Bo, YAN Jing-Wen, XIAO Hong-Zhi, ZHU Zi-Qian. Image Fusion Algorithm Based on Spatial % Frequency-Motivated Pulse Coupled Neural Networks in Nonsubsampled Contourlet Transform Domain. % Acta Automat

46、ica Sinica, Vol.34, No.12, pp: 1508-1514.Dec.2008.</p><p>　　%=============================================================</p><p><b>　　%%</b></p><p><b>　　clc;</

47、b></p><p>　　close all;</p><p>　　clear all;</p><p><b>　　%%</b></p><p>　　path(path,'PCNN_toolbox/')</p><p>　　path(path,'nsct_toolb

48、ox')</p><p>　　path(path,'FusionEvaluation/')</p><p><b>　　%%</b></p><p>　　Low_Coeffs_Rule='SF-PCNN'; %'ave','PCNN','SF-PCNN'&l

49、t;/p><p>　　High_Coeffs_Rule='SF-PCNN'; %'max','PCNN','SF-PCNN'</p><p><b>　　%%</b></p><p>　　% ori_A=imread('clockA.tif');</p>

50、<p>　　% ori_B=imread('clockB.tif');</p><p>　　ori_A=imread('1.jpg');</p><p>　　ori_B=imread('2.jpg');</p><p>　　% ori_A=im2double(ori_A);</p><p&

51、gt;　　% ori_B=im2double(ori_B);</p><p>　　A_temp=imresize(ori_A,[512,512]);</p><p>　　B_temp=imresize(ori_B,[512,512]);</p><p>　　ori_A=A_temp;</p><p>　　ori_B=B_temp;</p

52、><p>　　A=double(ori_A)/255;</p><p>　　B=double(ori_B)/255;</p><p>　　%% Parameters for NSCT</p><p>　　pfilt = '9-7';</p><p>　　dfilt = 'pkva';<

53、/p><p>　　nlevs = [0,1,3,4,4];% default</p><p>　　%% Parameters for PCNN</p><p>　　Para.iterTimes=200;</p><p>　　Para.link_arrange=3;</p><p>　　Para.alpha_L=1;% 0.

54、06931 Or 1</p><p>　　Para.alpha_Theta=0.2;</p><p>　　Para.beta=3;% 0.2 or 3</p><p>　　Para.vL=1.0;</p><p>　　Para.vTheta=20;</p><p><b>　　%%</b><

55、/p><p>　　disp('Decompose the image via nsct ...')</p><p>　　yA=nsctdec(A,nlevs,dfilt,pfilt);</p><p>　　yB=nsctdec(B,nlevs,dfilt,pfilt);</p><p>　　%%%%%%%%%%%% save th

56、e NSCT coefficients %%%%%%%%%%%% </p><p>　　% save yA yA</p><p>　　% save yB yB</p><p>　　%%%%%%%%%%%% load the NSCT coefficients %%%%%%%%%%%% </p><p>　　% load (yA)</p

57、><p>　　% load (yB)</p><p><b>　　%%</b></p><p>　　n = length(yA);</p><p>　　%% Initialized the coefficients of fused image</p><p><b>　　Fused=yA;

58、</b></p><p><b>　　%%</b></p><p>　　%=============================================</p><p>　　% Lowpass subband</p><p>　　disp('Process in Lowpass subba

59、nd...')</p><p>　　ALow1= yA{1};</p><p>　　BLow1 =yB{1};</p><p>　　ALow2= yA{2};</p><p>　　BLow2 =yB{2};</p><p><b>　　%%</b></p><p>

60、　　switch Low_Coeffs_Rule</p><p>　　case 'average'</p><p>　　Fused{1}=(ALow1+BLow1)/2;</p><p>　　Fused{2}=(ALow2+BLow2)/2;</p><p>　　case 'PCNN' </p

61、><p>　　Fused{1}=fusion_NSCT_PCNN(ALow1,BLow1,Para);</p><p>　　Fused{2}=fusion_NSCT_PCNN(ALow2,BLow2,Para);</p><p>　　case 'SF-PCNN'</p><p>　　Fused{1}=fusion_NSCT_SF_

62、PCNN(ALow1,BLow1,Para);</p><p>　　Fused{2}=fusion_NSCT_SF_PCNN(ALow2,BLow2,Para);</p><p><b>　　end</b></p><p><b>　　%%</b></p><p>　　%==============

63、===============================</p><p>　　% Bandpass subbands</p><p>　　disp('Process in Bandpass subbands...')</p><p>　　for l = 3:n</p><p>　　%%%%%%%%%%%%%%%%%%%

64、%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p>　　for d = 1:length(yA{l})</p><p>　　%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p>　　Ahigh = yA{l}jvn6kcz;</p><p>　　Bhigh = yB{l}q5saszs;<

65、;/p><p>　　switch High_Coeffs_Rule</p><p>　　case 'max'</p><p>　　decision_map=(abs(Ahigh)>=abs(Bhigh));</p><p>　　Fused{l}f0ckce6=decision_map.*Ahigh + (~decision_map)

66、.*Bhigh;</p><p>　　case 'PCNN'</p><p>　　Fused{l}r6y0kha=fusion_NSCT_PCNN(Ahigh,Bhigh,Para);</p><p>　　case 'SF-PCNN'</p><p>　　Fused{l}kmegdgi=fusion_NSCT_SF_PCNN(

67、Ahigh,Bhigh,Para);</p><p><b>　　end</b></p><p>　　%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p><b>　　end</b></p><p><b>　　end</b>&l

68、t;/p><p>　　disp('High frequecy field process is ended')</p><p>　　%%%%%%%%%%%% save the NSCT coefficients %%%%%%%%%%%% </p><p>　　% save yA yA</p><p>　　% save yB yB

69、</p><p>　　%%%%%%%%%%%% load the NSCT coefficients %%%%%%%%%%%% </p><p>　　% load (yA)</p><p>　　% load (yB)</p><p>　　%% Low_Coeffs_Rule='SF-PCNN'; %'ave',

70、'PCNN','SF-PCNN'</p><p>　　High_Coeffs_Rule='SF-PCNN'; %'max','PCNN','SF-PCNN'</p><p><b>　　%%</b></p><p>　　% ori_A=imread(

71、'clockA.tif');</p><p>　　% ori_B=imread('clockB.tif');</p><p>　　n = length(yA);</p><p>　　%% Initialized the coefficients of fused image</p><p>　　%=======

72、======================================</p><p>　　disp('Reconstruct the image via nsct ...')</p><p>　　F=nsctrec(Fused, dfilt, pfilt);</p><p>　　disp('Reconstruct is ended..

73、.')</p><p><b>　　%%</b></p><p><b>　　F=F*255;</b></p><p><b>　　F(F<0)=0;</b></p><p>　　disp('F>255')</p><p&

74、gt;　　F(F>255)=255;</p><p>　　F=round(F);</p><p><b>　　%%</b></p><p>　　% Eval=Evaluation(double(ori_A),double(ori_B),F,256)</p><p><b>　　%%</b>&l

75、t;/p><p>　　figure,imshow(ori_A,[])</p><p>　　figure,imshow(ori_B,[])</p><p>　　figure,imshow(F,[])</p><p>　　% figure,imshow(F-double(ori_A),[])</p><p>　　% figur

76、e,imshow(F-double(ori_B),[])</p><p><b>　　2.7 實驗與分析</b></p><p><b>　　圖2.1</b></p><p><b>　　圖2.2</b></p><p><b>　　圖2.3</b><

77、;/p><p><b>　　圖2.4</b></p><p><b>　　圖2.5</b></p><p>　　圖片2.1和圖片2.2都是機械零件圖片。倆張圖片是同一個機械零件，圖片的倆處焊縫處都有些模糊。</p><p>　　圖片2.3是通過小波分割，從圖片可以看出融合之后圖片比之前圖片較小，融合之后

78、倆處焊縫比之前圖片清晰。</p><p>　　圖片2.4通過PCNN融合方法得出圖片，從圖片中我們可以發(fā)現倆處焊縫比融合之前的圖片清晰。</p><p>　　圖片2.5通過SF-PCNN融合方法得出的圖片，從圖片中我們可以發(fā)現倆處焊縫比融合之前的圖片清晰。</p><p><b>　　對比上述圖片：</b></p><p&g

79、t;　　1融合之后圖片比之前圖片清晰</p><p>　　2整體上通過SF-PCNN融合方法得到的圖片比其他通過AVE融合方法和通過PCNN融合方法清晰，局部上（特別是焊縫結合處）后倆種方法也是有可取之處。</p><p>　　總結：通過圖像融合處理后圖片比處理前的圖片更清晰、完整、準確能更好的表達圖片的信息，為之后的圖像分割做好鋪墊。</p><p><b&

80、gt;　　3 圖像分割</b></p><p>　　3.1 圖像分割原理</p><p>　　圖像分割是指把圖像分成各具特點的區(qū)域并提取出感興趣目標的技術和過程。圖像分割的涉及的圖像特點一般是灰度、紋理、顏色等，目標可以是一個區(qū)域也可以是多個區(qū)域。對于灰度圖像的分割，一般是基于像素灰度值的相似性和不連續(xù)性。相似性是指在某個區(qū)域內的像素具有相同或者相似的特征，例如紋理相似、灰度值

81、相同等.而不連續(xù)性是指在不同區(qū)域之間灰度具有不連續(xù)性.所以分割算法可以據此分為利用區(qū)域內相似性的基于域內的算法和利用區(qū)域間不連續(xù)性的基于域間的算法 [7] 。</p><p>　　3.2 圖像分割的方法</p><p>　　根據圖像分割的原理和方法，圖像分割方法主要有基于邊緣檢測的分割和基于區(qū)域的分割.基于邊緣檢測的分割以邊緣檢測為第一步，而基于區(qū)域的分割包含閾值法、區(qū)域生長法和空間聚類法

82、等。 </p><p>　　(1) 基于邊緣檢測的分割 </p><p>　　基本思想是先利用圖像中相鄰像素在像素值和紋理上的聚類變化檢測出圖像的邊緣</p><p>　　點，然后按照某種策略連接形成輪廓，從而構成區(qū)域.圖像的邊緣包圍著某個區(qū)域，意味這個一個區(qū)域的結束和另一個區(qū)域的開始。</p><p>　　(2) 基于區(qū)域的分割 </

83、p><p>　　基本思想是根據圖像數據的特征將圖像分割成幾個區(qū)域.常見的方法有閾值法、區(qū)域生長法、聚類法等. 閾值法是最常見、并行的檢測區(qū)域的分割方法，其難點和重點是閾值的設定.單閾值法是最簡單的一種，利用單閾值分割灰度圖像的步驟如下.首先確定一個灰度閾值T，然后將圖像的每個像素的灰度值與T 比較，并將灰度值分為兩類，灰度值大于T 一類，灰度值小于T 為另一類.這兩類像素對應圖像中的兩個區(qū)域.單閾值分割的效果有時候并

84、不理想，因此研究人員對傳統(tǒng)閾值法進行改進，提出來許多新的方法，包括局部閾值、模糊閾值、隨機閾值等方法[9]。 </p><p>　　區(qū)域生長法的基本思想是將具有相似性質的像素結合起來構成區(qū)域。區(qū)域生長法從種</p><p>　　子點出發(fā)按照一定的生長準則對鄰域像素點進行判定并連接，直到完成所有像素點的連接.在應用區(qū)域生長法中需要解決3 個問題：確定一組能代表所需區(qū)域的種子像素；確定將鄰域內

85、像素包含進來的判別準則；制定生長過程停止的條件空間聚類法是通過將特征空間的點聚類成對應的類團，然后將它們劃分開，再映射回原來的圖像空間以得到分割結果.空間聚類法包括硬聚類、模糊聚類、概率聚類等.空間聚類比基于邊緣檢測的分割方法抗噪能力強.但是由于沒有利用圖像像素空間的分布信息，特征空間的聚類有時會產生圖像空間不連通的分割區(qū)域，所以常常還需要后處理來完成分割。</p><p>　　圖像分割是計算機技術的一個重要研究

86、方向.噪聲在圖像系統(tǒng)中十分常見，在圖像的獲得、傳輸等過程中都不可避免會產生噪聲.因此在圖像處理、模式識別和計算機視覺中噪聲是主要的研究內容之一?，F在研究人員已經提出了大量的去噪方法，但是去噪的效果都因圖而異，取決于圖像的原始信息和噪聲類型[11]。</p><p>　　3.3 圖像分割評價 </p><p>　　雖然尚未形成一個可以準確衡量圖像分割好壞的標準，但是一個好的圖像分割算法至&l

87、t;/p><p>　　少應該具有以下特點：</p><p>　　(1)有效性，對于各種圖像，能成功得將圖像中感興趣的區(qū)域或目標分割出來。</p><p>　　(2)整體性，即能得到圖像中興趣區(qū)域或目標的完整區(qū)域，該邊界是連續(xù)的無斷點和離</p><p><b>　　散點。</b></p><p>　　

88、(3)穩(wěn)定性，圖像分割算法穩(wěn)定，對含有噪聲和不含噪聲的圖像都有理想的分割效果。</p><p>　　(4)精確性，分割結果理想，提取的的感興趣的區(qū)域與實際期望的區(qū)域很貼近。 </p><p>　　(5)自動化，圖像分割過程不需人為參與。</p><p>　　本文提出一種基于熱平衡的中智學圖像分割方法。通過熱平衡運算及圖像增強處理，使噪聲點變得更平滑[12]。<

89、/p><p><b>　　3.4 中智學簡介</b></p><p>　　中智學起源于美國，作為一個新興的學科，站在東西文化交融的角度，從對立統(tǒng)一的角度出發(fā)，探索從科學技術到文學藝術的一切宏觀、微觀問題，構造從邏輯學的統(tǒng)一場到超越自然科學與社會科學界限、超越一切學科的統(tǒng)一場，以解決當今信息科學、認知科學、系統(tǒng)科學、經濟學、量子力學等前沿難題——非確定性問題.中智學試圖通過

90、新型開放模式來改造當今的自然科學和社會科學，并實現它們的新陳代謝、突破創(chuàng)新和更新換代。 1995年數學家、實驗作家及創(chuàng)新藝術家弗羅仁汀·司馬仁達齊概括總結了模糊邏輯學并推出了兩個嶄新的概念[13]。</p><p>　　(1)“中智學”——關于中性的研究，是辯證法的延伸。 </p><p>　　(2)它的“中智”派生物，比如中智邏輯學，中智集合論，中智概率論以及中智統(tǒng)計學，這就在

91、哲學、邏輯學、集合論和概率統(tǒng)計這四個領域開創(chuàng)了新的研究方法。</p><p>　　這就在哲學、邏輯學、集合論和概率統(tǒng)計這四個領域開創(chuàng)了新的研究方法。</p><p>　　中智學努力反映事物、觀念的動態(tài). 為更好地理解中智學集合，下面將舉例說明： </p><p>　　命題“明天會下雨”并不意味著取固定值的成份結構；這個命題在時刻 1 t 可以是40% 的，50%的

92、不確定，以及 45%的假。但是在時間 2 t 會變成 50%的真，45%的不確定，以及30%的假（根據新的跡象、消息等）；到了明天在時刻 1 t 同一個命題會變成100%的真，0%的不確定，以及 0%的假（如果明天的確下雨）。這便是事物的動態(tài)性：真實性取值一直在隨時間而變化。 </p><p>　　另外一個例子：命題的真值隨著地點的變化而變化。例如：在無錫命題“現在正在下雨”0%為不確定，以及 100%為假，但是

93、到了海南其真值變了，也許成為 (1.0. 0)。而且，真值取決于觀察者并隨著他變化 (主觀性是函數操作符T 、I 、F 的另外一個參數)。例如：“小張工作很認真”在她的老板看來可以是(0.35，0.65， 0.60)，但在他自己看來卻是(0.80， 0.25，0.10)，或者在她的同事看來為(0.50,0.20,0.30)等。 中智學是中智邏輯、中智概率論、中智集合論以及中智統(tǒng)計學的基礎。中智邏輯是這樣一種邏輯：對每個命題的真實度進行估

94、計，子集T表示真實度的百分比，子集I 表示不確定度的百分比，子集F 表示謬誤度的百分比.中智邏輯是用來度量真實度、不確定度和謬誤度的形式框架結構。中智概率論包含經典概率論和不精確概率論兩個部分。對不確定事件的處理方面中智概率論比經典概率論提供了更多更好的方法.對中智事件的分析成為中智統(tǒng)計。</p><p><b>　　3.5 熱平衡簡介</b></p><p>　　在

95、當今計算機發(fā)展中，物理理論在計算機理論相結合已經非常普遍，并給計算機科學與技術的發(fā)展提供了強大的推動作用。而能量理論是物理理論中一個重要的方面，包了熱力學系統(tǒng)和核力學系統(tǒng)。在熱力學系統(tǒng)中，它強調的是能量守恒定律，能量守恒定律是自然界最普通最重要的基本定律之一.在日常生活到科學研究、工程技術，能量守恒定律都發(fā)揮著重要的作用。能量理論在圖像處理中也應用廣泛，而且應用多學科理論比僅僅使用計算機技術會更加方便有效.本節(jié)以熱力學系統(tǒng)為基礎，介紹熱

96、平衡理論并建立熱平衡去噪模型。</p><p>　　熱平衡對于人體至關重要，人體的很多機能都是為了保持這種平衡。當人體溫度和周圍環(huán)境溫度不同時，人體會自動地與環(huán)境進行熱量轉換，或者通過多種方式向環(huán)境散發(fā)熱量，或者通過另外的方式從環(huán)境中獲得熱量。只有當人體達到熱平衡人才會覺得舒服，我們稱之為舒適度.影響人體舒適度的因素有很多，不僅與室外的溫度、濕度有關還與風力大小有關.這些不同的環(huán)境因素綜合影響著人的舒適度。此外，

97、舒適度還與人的狀態(tài)緊密聯系，例如動、心情等.當然人的年齡、性別、習慣等因素也會左右人們對舒適度的判斷。人只有對舒適度滿意的情況下，身體的肌肉、大腦才能發(fā)揮出最佳的狀態(tài).這對于人們的生活、學習、工作來說是基本的保證。人體對于環(huán)境的舒適感主要受到人的熱平衡的影響，所以熱平衡成為人體舒適度的一種數學基礎。人體通過新陳代謝氧化分解從外界攝取的食物來獲得能量。而人體所獲得大部分能量通過熱能散發(fā)、傳遞到周圍環(huán)境或者存儲在體內以保持體溫恒定，剩余部分

98、則通過做功的方式消耗這些能量。這部分能量最終也會以熱能的方式散發(fā)到外界。為了保持人體的體溫恒定，盡可能得讓人體達到舒適度，必須使人體的產熱和散熱保持一定的平衡[14]。 </p><p>　　典型的人體與環(huán)境間熱平衡方程描述為： </p><p>　　? S=M-W-C-R-E-Q ????? . （3.1）&l

99、t;/p><p>　　式中各字母表示為： </p><p>　　S ——人體蓄熱率； </p><p>　　M ——人體能量代謝率； </p><p>　　W ——人體所做的機械功； </p><p>　　C——人體表面向周圍環(huán)境通過對流方式散發(fā)的熱量； </p><p>　　R——人體表面向周圍環(huán)

100、境通過輻射方式散發(fā)的熱量； </p><p>　　E——汗液蒸發(fā)和呼出的水蒸氣所帶走的熱量； </p><p>　　Q——熱平衡系統(tǒng)外輸能量；</p><p>　　我們通過對熱平衡理論建模將該理論用于圖像去噪.該去噪模型的基本思想是根據熱平衡方程，將其中的各個參數與圖像的特征參數建立一種對應，并對噪聲點也就是非正常像素點進行處理。 對于一幅圖像，我們稱其中的噪聲點為

101、非正常點.噪聲的存在常常使得圖像處理的效果不那么理想，而噪聲又是避免不了的，因此去噪對于后續(xù)的圖像處理有著重要的作用.點p(i,j)表示圖像中的某個像素點，(i,j)表示該點的像素值.點(i,j)的鄰域看成是像素點(i,j) 的周圍環(huán)境，鄰域中的像素與該像素相關聯.如果像素點是合理值即非噪聲點，那么該像素值與鄰域像素點的差值應該為零。該差值對應于熱平衡方程中的Q，差值的大小即為Q值的大小。Q值過大或者過小都代表著該像素點為非正常點即為噪

102、聲點。當前處理的像素值(i,j) 對應于人體通過新陳代謝所獲取的能量，則M、W、C、R、E因素對應于該像素點鄰域內像素值對當前像素值的影響[15]。</p><p>　　其中，p(i,j)表示像素點(i,j)的像素值，鄰域大小為（w×w ），p(i,j)—p（mn） 表示鄰域內點（m，n）對點(i,j)的作用量。</p><p>　　考慮到鄰域內各像素點對當前操作像素點影響的不均

103、等性且根據離目標像素點遠的像素影響小而離目標像素點近的像素影響大這一原則，又有人體與事物接觸時熱交換公式：</p><p>　　K=Ka(T-t) （3.2）</p><p>　　p(i,j)是當前像素點(i,j) 去噪后的合理像素值，p(i,j)表示當前像素點(i,j)的原始像素值，鄰域大小為（w×w ），影響系數

104、。我們將上述過程稱為熱平衡去噪模型。</p><p>　　3.6 圖像分割的實現步驟如下</p><p>　　輸入：輸入圖像（上文的原始圖像和經過圖像融合之后的圖像）設圖像為mn的矩陣。</p><p>　　處理1：將圖像轉化為灰度原圖，加入高斯噪聲。</p><p>　　處理2：將圖像信息轉化為中智學集合T、I、F</p>&

105、lt;p>　　處理3：對集合 T進行 α-熱平衡運算以及 β-增值運算</p><p>　　輸出：將中智學集合T 轉化為灰度域，并輸出圖像</p><p>　　3.7分割方法實現流程圖</p><p>　　3.8 圖像分割主程序</p><p><b>　　%讀取圖像</b></p><p>

106、;<b>　　tic</b></p><p>　　g=imread('2.jpg');</p><p>　　g=imresize(g,[512,512]);</p><p>　　figure(1) </p><p>　　% imshow(g);title('灰度原圖')</p>

107、;<p>　　% g=rgb2gray(g);%轉化為灰度圖像</p><p><b>　　figure(1)</b></p><p>　　imshow(g);title('灰度原圖')</p><p>　　g= imnoise(g,'gaussian',0,0.05);%加入高斯噪聲</p&

108、gt;<p>　　imwrite(g,'0.00.jpg','jpg');%噪聲圖寫入</p><p><b>　　figure(1)</b></p><p>　　imshow(g);title(' 噪聲圖');</p><p><b>　　w=7;</b>&l

109、t;/p><p>　　g=double(g);%數據轉化為double型</p><p>　　[T,I]=zhongzhi(g,w);%轉化為中智學領域(自定義函數1)</p><p>　　[T1,I1]=junzhi(T,I);%均值 ""熱平衡的方法""</p><p>　　[T2,I2] = zen

110、gqiang(T1,I1,0.85,w);%圖像增強（自定義函數3）</p><p><b>　　figure(2)</b></p><p>　　imshow(T);title('前處理效果')</p><p>　　[T3]=fenge(T2,I2,w);%圖像聚類分割（自定義函數4）</p><p>&

111、lt;b>　　figure(3)</b></p><p>　　imshow(T3);title(' 圖三 聚類后的圖像')</p><p>　　imwrite(T3,'f0.jpg','jpg');%寫入聚類結果</p><p>　　psnr=evaluate(g,T3)%計算峰值信噪比</p&

112、gt;<p><b>　　toc</b></p><p><b>　　3.9 實驗與分析</b></p><p><b>　　圖3.1</b></p><p><b>　　圖3.2</b></p><p>　　如圖3.1和3.2所示倆張圖片是

113、未經融合的原始圖片經w=3（領域大小為7×7）基于熱平衡中智學圖像分割。圖像共有三處信息。零件焊縫和桿（白色），零件其余部分（灰色）零件周圍空白區(qū)（黑色）。</p><p><b>　　圖3.3 </b></p><p><b>　　圖3.4</b></p><p><b>　　圖3.5</b&

114、gt;</p><p><b>　　圖3.6</b></p><p><b>　　3.3原始圖片分割</b></p><p>　　3.4AVE融合分割</p><p>　　3.5pcnn融合分割</p><p>　　3.6sf-pcnn融合分割</p><

115、p>　　上述四幅圖片經過w=3(領域大小為3×3)圖像分割。3.3原始圖片由于未經融合所以在焊縫處的分割結果未能體現出圖片信息。不能分析零件信息。3.4經ave融合分割后圖片雖然可以體現焊縫處的信息但是圖像噪聲點太多分割效果不是很好。圖片3.5和3.6都能很好體現焊縫處信息而且整體上分割效果都優(yōu)于圖片3.3，3.4。</p><p>　　圖像分割有各種各樣的去噪方法，抗噪性能好壞是評價一種分割方法

116、的標準之一。中智學圖像分割方法使用平滑模板進行去噪，而且隨著模板大小的變化，去噪能力也會發(fā)生變化.模板越大，噪聲過濾越明顯；但是模板過大會導致過濾后的圖像變得模糊，從而丟失了許多細節(jié).該矛盾體現在圖像處理中目標像素點的 w×w 鄰域大小的選擇上.在一定的鄰域大小范圍內，參數w越大，同一方法對圖像的去噪能力越好；反之，不同的分割方法獲得相同的處理結果，所使用的參數w越小則說明方法更優(yōu)越。從表4-1至表 4-3所示結果可以看出，當

117、噪聲較少時，一般選擇較小的w值，w值過大容易丟失圖像部分細節(jié)。其中，在處理圖像時w取值過大反而會使圖像丟失更多的信息從而是噪比下降，所以該圖像處理時的最佳鄰域w值要比另外兩者低.然而不同類型的噪聲該方法的去噪效果不盡相同，上述結論與高斯噪聲的處理結果比較相符[16]。該實驗結界表面本章所提出的方法可以很好的提高圖像的信噪比并且針對不同的圖像以及含有不同類型不同程度噪聲的圖像選取不同的最佳鄰域大小可以使得處理的結果更加理想。</p&

118、gt;<p>　　為了探究最佳分割領域本文選取了w=5,和w=7</p><p><b>　　圖3.7</b></p><p><b>　　圖3.8</b></p><p><b>　　圖3.9</b></p><p><b>　　圖3.10</b