基于概率密度的圖像處理算法的研究與應用.pdf

1、本文圍繞底層圖像處理：圖像平滑，邊緣和角點檢測技術(shù)展開深入的研究。經(jīng)典圖像分析方法將圖像視為二維信號，基于信號處理理論，利用線性濾波器實現(xiàn)圖像平滑和邊緣等特征的檢測。這種基于二維線性濾波器的圖像分析方法在灰度圖像處理中獲得了成功，但是在處理彩色圖像時會將不同的顏色信息混合而輸出錯誤顏色結(jié)果。為了解決這個問題，本文采用了一種基于顏色像素的密度信息進行圖像分析的方法。該方法將圖像視作像素點在圖像平面和顏色空間的混合空間中的分布，并利用高維線

2、性濾波器對圖像進行分析，即進行像素點的概率密度估計。與經(jīng)典分析方法的不同之處在于，新方法對每一種顏色信息進行單獨分析處理，因此該方法能夠更準確地實現(xiàn)對彩色圖像進行分析處理。本文在分析了當前的相關(guān)技術(shù)基礎(chǔ)上，利用新的圖像分析方法對圖像進行分析，獲得了以下幾方面的研究成果：
　?。?）基于密度的圖像平滑算法（Mode filter）
　　圖像平滑是濾除圖像中的噪聲的重要手段。經(jīng)過圖像對鄰域密度場的分析，得出當前兩類主流的圖像平滑

3、算法均值平滑和中值平滑都是對像素點在顏色空間中分布中心描述。根據(jù)平滑的這一特點，本文提出了一種利用像素點在顏色空間中分布的眾數(shù)（Mode）作為平滑結(jié)果的算法，稱之為Mode filter。與均值濾波和中值濾波相比，mode filter選用鄰域內(nèi)具有像素數(shù)最多的顏色值作為鄰域中心點的平滑結(jié)果，即不會將鄰域內(nèi)不同的顏色混合，也不需要對顏色值進行排序，因此Mode filter可以在保持圖像中原始顏色的基礎(chǔ)上濾除掉各種圖像中的噪聲。并通過分

4、析指出，當前流行的Bilateral Filter，mean shift平滑算法和非對稱擴散算法（anisotropic diffusion filter），是以顏色空間中局部mode值作為平滑結(jié)果的特殊mode filter。因此mode filter也具有增強邊緣和非對稱擴散平滑的優(yōu)點。通過對比實驗證明Mode filter兼具有當前濾波器的各種優(yōu)點是一種適用于各種圖像的通用平滑濾波器。
　　（2）基于密度梯度的邊緣檢測

5、>　　在對通過概率密度梯度估計得到的圖像概率密度梯度場中，圖像中邊緣線兩側(cè)的像素點的概率密度方向相反，且都垂直背離邊緣線。根據(jù)這一性質(zhì)，本文提出了一種基于像素概率密度梯度的邊緣檢測算法。新算法在圖像平面的概率密度梯度場中通過比較相鄰像素點的概率密度梯度方向?qū)崿F(xiàn)邊緣檢測。相對傳統(tǒng)的基于亮度（或顏色）梯度的算法只能輸出鄰域內(nèi)各種顏色的混合后的邊緣信息，新算法能夠準確的輸出鄰域內(nèi)每一種顏色區(qū)域的邊緣信息。并且因為像素點的梯度方向具有相對于檢測

6、尺度不變性，故新算法在任何檢測尺度下都可以很好的保持每個顏色區(qū)域輪廓形狀，并可實現(xiàn)根據(jù)區(qū)域的面積將圖像中各區(qū)域的邊緣分離開，這是當前邊緣檢測算法所不具備的。
　?。?）基于概率密度梯度的角點檢測算法
　　傳統(tǒng)的基于亮度興趣點檢測算法存在對紋理敏感和興趣點分布不均勻（集中于高對比度區(qū)域）問題。本文提出了一種新穎的基于概率密度的興趣點檢測算法。在圖像中的概率密度梯度場中，角點周圍的概率密度梯度方向各異，因此在經(jīng)典的Harris角

7、點檢測算法基礎(chǔ)上，新算法利用亮度的概率密度梯度代替亮度的梯度構(gòu)建二階矩矩陣，進行興趣點檢測。與基于亮度的Harris檢測算法相比，新算法不僅具有同樣的幾何不變性，還有效的抑制了紋理中的“噪聲”興趣點，并且興趣點分布的均勻性明顯優(yōu)于基于亮度算法的檢測結(jié)果。
　　本文將新算法應用于《短道速滑運動分析系統(tǒng)》中，將比賽視頻中的圖像進行匹配對齊，實現(xiàn)了旋轉(zhuǎn)攝像機拍攝視頻中運動員的跟蹤和位置測量。利用基于密度梯度的邊緣檢測算法獲得的大尺度下比