一种有效的干涉图像二值化方法外文翻译资料

毕业设计(论文)

外文资料翻译

一种有效的干涉图像二值化方法

Ⅰ. 简介

光学干涉是光电检测和信息处理技术的结合。与传统的测量方法相比，实时测量的精准度和自动化程度大大提高。干涉图像是一种承载物体物理信息的图像媒介。为了从干扰图像中得到物理信息，我们需要分析收集到的图像[1]。对干扰图像的数字处理过程主要包括滤波去噪，二值化，图像细化，骨架复原，干扰相位分配，数据采集，波前重建[2]。二值化的结果影响后续处理，因此具有重要意义。图像二值化是图像分割的关键[3]。图像像素的亮度和颜色因素将在电脑自动分割处理时导致各种麻烦。例如，光照不均的影响，噪声，图像不清楚，阴影通常导致错误分割。因此，图像分割是需要进一步研究的技术。目前，干涉图像二值化的主要方法是根据图像阈值和图像特性。阈值二值化的关键在于阈值的确定，目前主要有全局阈值二值化算法和局部阈值二值化算法两种。全局阈值包括集群间方差和迭代方法。全局阈值使用单个阈值，当干涉图像光照不均时，难以使用单个阈值准确地分割图像。局部阈值对噪声敏感，在噪声较大的干涉图中效果不太好。通过使用两次平均滤波图像减法可以有效地将光照不均的干涉图像二值化，但是固定大小的平均滤波窗口无法正确地将厚度差异大的干涉条纹图形二值化[4]。实验发现，厚干涉条纹需要较大的滤波窗口，薄干涉条纹需要较小的窗口。因此，本文提出了干涉条纹厚度权重因子的概念来衡量干涉条纹的厚度。选择自适应模板，其中厚干涉条纹使用较大的滤波窗口，薄干涉条纹使用较小的滤波窗口，该算法可以将正确地将厚度差异大的干涉条纹图形二值化。

Ⅱ. 均值滤波[5]

收集到的干涉图像不可避免地存在各种各样的噪声，噪声不仅会降低图像质量，并且会给后续处理提高难度，因此很有必要先对干涉图像进行滤波。滤波是指向图像中的目标像素给出一个模板，该模板包括其周围的相邻像素（基于以八个像素为中心的目标像素的3*3个模板构成一个过滤模板，不包括目标像素本身），然后使用模板中的所有像素的平均值来替代目标像素值。

Ⅲ. 干涉图像二值化的差异

均值滤波的效果在图像域窗口上进行加权平均，在当前场中设置适当的滤波窗口，用窗口中所有像素的平均值代替当前点的灰度值。这会使得图像中明亮的像素变暗，暗的像素变亮。因为干涉条纹的光强是余弦分布，所以平均滤波后波峰低于原始，波谷高于原始。也就是说，随着滤波次数的增加，明、暗干涉条纹在灰度上分别减小和增大。不同时间的滤波曲线的交集是明暗条纹的分离。两个过滤曲线之间的灰度级差的绝对值在每个曲线的波峰和波谷位置处达到最大值，并且波峰或波谷两侧的值逐渐减小，直到节点位置该值为零。峰谷区域的灰色差异只是相反的符号。通过上面的分析我们可以知道，使用一次平均滤波后的图像减去两次平均滤波后的图像，并使用零点的灰度差作为明暗条纹的边界。如果差异是正的，则将此点设置为1。如果差异为负，则将该点设置为0。此方法可以很好地解决全局阈值的二值化方法在光照分布不均匀的干涉图像中不能很好地工作的问题。

图1显示了实际收集的干涉图像。可以看出存在亮度不均匀的问题，图像中间的干涉条纹比图像的边缘要亮。图2是使用了OSTU方法。从图中可以看出，较暗的条纹无法被准确分割。图3是使用10*10的均值滤波窗口对过滤图像之间的差异进行二值化，可以看到二值化图像中有许多孔洞，结果很差。图4是使用15 * 15的均值滤波窗口，可以看出二值化图像的边缘处很顺滑，没有孔洞和裂缝，结果要好一些。因此均值滤波窗口的尺寸大小尤为重要。

Figure 2. Threshold

segmentation based on Otsu.

Figure 1. Interferogram.

Figure 4. 15*15 window size.

Figure 3. 10*10 window size.

经过分析发现，厚干涉条纹的光强度沿条纹法线方向变化相对较小，而薄干涉条纹的光强度沿条纹法线方向变化相对较大。条纹法向主要是通过对条纹变化梯度的灰度值的分析来判断。根据条纹的灰度值分布特征，将条纹灰度值的变化最大的方向定义为条纹的法线方向[6]，如图5编号为2的箭头所示。定义条纹灰度值变化最小的方向为灰度值的切线方向，如图5编号为1的箭头所示。

Figure 5. Gray distribution of fringe patterns

在7 * 7邻域窗口内的当前像素中，以相等的角度间隔给出了八个方向，如图6所示。图(a)中的箭头表示八个方向，图(b)-(e)分别显示了数字图像窗口中像素的1-4的方向

Figure 6. (a)Schematic diagram of 8 directions; (b)Direction 1; (c)Direction 2; (d)Direction 3; (e)Direction 4

对于离散数据,选择公式(1)(2)来呈现数据变化的程度。首先通过公式(1)来计算各方向像素灰度E的平均值。然后用公式(2)计算得到每个像素之间的差值的累加和每个方向上所有像素的平均值的累加。

考虑到干涉图像中不均匀光照的影响，下面这个公式可以用来测量各个方向上灰度值的相对变化。

其中，k表示八个方向，xy为当前像素位置的索引值，H为像素在k方向上的灰度值。

再次比较所有方向，找到最大值作为干涉条纹厚度权重因子。条纹越厚，灰度值变化越慢，T越小。相反，条纹越细，T越大。

Ⅳ. 自适应滤波窗口

对于传统的均值滤波器，图像上每个点的滤波窗口是相同的。根据前面的条纹权重因子，我们可以根据获得的因子T来设定每个点的均值滤波器。具体步骤如下。

1.设置n个区间[0,T1]，[T1,T2] ,[T2,T3] ,[T3,T4]... [Tn-1,Tn]。相应的窗口大小为W1,W2,W3,W4...Wn。

2.扫描整个图像，对每个像素，如果因子T在第i个范围，则将滤镜窗口的大小设置为Wi。

3.在对整幅图像设置滤波窗口后，通过对滤波后的图像进行差分二值化，对图像进行二值化处理。

图7显示了原始干涉图样。图8显示了使用5 * 5滤波窗口的二值化结果。我们可以看到较小的条纹可以​​更好地分割，但是在右侧较厚的条纹二值化结果并不理想，有许多裂缝和孔洞。

Figure 8. 5*5 window size

Figure 7. Primary

interference pattern

Figure 9. 15*15 window size

Figure 10. Adaptive window

图9显示了使用15 * 15窗口的结果，它可以更好地分割较厚的条纹，但是，左侧的小条纹的不能被精确地二值化，二值化发生了骨折、粘连。

从上面的讨论可以看出，单一窗口二值化结果不理想。图10是自适应窗口二值化图。与单一窗口相比，二值化结果更好，分割更准确。

Ⅴ. 算法优化

从图10可以看出，二值化后的条纹边界仍然存在一个严重的问题，这会在后续的优化中会产生大量毛刺，并会增加后续的工作量。边界粗糙度主要由两个方面引起：一方面是边缘边界处的灰度变化很大，因此，干涉条纹厚度权重因子T太大，导致在粗条纹边缘选择了较小的滤波窗口。

另一方面，在噪声的影响下，计算出的干涉条纹厚度权重因子T太小，导致在细条纹的边缘选择了较大的滤波窗口。因此，我们使用大滤波窗口代替小窗口用于粗条纹边缘，使用小滤波窗口代替大窗口用于细条纹边缘。具体算法如下：

1.我们设置一个阈值Wa（大于Wa代表大窗口，它适合较厚的条纹）并构建一个与原始图像大小相同的标记矩阵I1，矩阵的初始值是全零。

2.然后，我们将整个图片的行和列逐一扫描。如果当前设置点滤波窗口Wgt; Wa，则标记矩阵的该区域为1。

3.将标记矩阵中的中小型区域的连通区域（即1到0）去掉，然后对二值矩阵进行形态学展开，生成一个新的标记矩阵[7]。

4.我们扫描整幅图像，如果当前位置在标记矩阵中为1，并且滤波窗口Wlt; Wa，则将滤波窗口W重置为Wa。

5. 我们设置一个阈值Wb（小于Wb代表小窗口，它适合较细的条纹）并构建一个与原始图像大小相同的标记矩阵I2，矩阵的初始值是全零。

6. 然后，我们将整个图片的行和列逐一扫描。如果当前设置点滤波窗口Wlt; Wb，则标记矩阵的该区域为1。

7. 将标记矩阵中的中小型区域的连通区域（即1到0）去掉，然后对二值矩阵进行形态学展开，生成一个新的标记矩阵。

8. 我们扫描整幅图像，如果当前位置在标记矩阵中为1，并且滤波窗口Wgt; Wb，则将滤波窗口W重置为Wb。

使用优化算法得到的二值干涉图的效果如图11所示。优化后的算法使干涉条纹的条纹更加平滑，为后续的条纹细化处理提供了便利。图12是使用形态学稀疏算法细化图11并去除毛刺的结果[8]。我们得到了一条令人满意的条纹中心。

Figure 12.

Figure 11.

Ⅵ. 总结

为了实现干涉图像的自动化处理，本文提高了二值化算法的适应性。与传统的阈值分割相比，在光强分布不均匀的情况下，本文与自适应窗口滤波相结合的二值化方法可以很好的实现对光强分布不均匀的干扰图像的二值化。二值化的差分滤波方法具有一定的优点。它解决了固定大小窗口滤波的二值化会导致不同厚度的干涉条纹无法精确划分的问题。该算法简单有效，应用性强，适用于干涉图像。

文献来源：

Q. Zhou, M. Wang and X. Shao, 'A Kind of Effective Method for Interference Image Binarization,' 2017 International Conference on Vision, Image and Signal Processing (ICVISP), Osaka, Japan, 2017, pp. 51-54, doi: 10.1109/ICVISP.2017.12.

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=amp;arnumber=8123588

基于改进主曲线的指纹骨架提取

Ⅰ. 简介

在指纹识别系统中，通常使用细化算法来获取指纹骨架。指纹细节点的提取主要基于细化后的图像。近来涌现了很多细化算法，例如Pavlidis算法，Deutsh算法，Hilsirh算法等[1]-[3]。通过细化算法获得的骨架具有几个缺点：(1)细化的图像是原始指纹图像的有损压缩图像。它是不可优化的，不合适的，不能很好地描述原始图像。(2)细化图像以位图格式存储，需要极大存储空间。(3)细化图像是一个像素集，因此缺乏直观的信息显示。但是，在查看指纹时，我们可以将其看作是一组曲线而不是一个像素集。为了完成指纹识别和匹配任务，我们需要找到一种可以获取包括一组曲线的指纹骨架提取方法。经过一系列的研究和学习，我们了解到Kegl提出的主图算法是针对数据集进行设计的，该数据集集中于沿着高度弯曲或自相交的曲线，因此我们选择主图算法来获取指纹框架[6][7]。

Hastie和Stuetzle将主曲线定义为一组通过多维概率分布或数据云“中间”的自洽光滑曲线。因此，把指纹当作数据云，我们可以使用一组主曲线来表示此指纹的骨架。基于这个结果，我们可以使用一组主曲线来更好地呈现这个指纹的骨架。

由于指纹数据集非常大，并且分布比较分散，因此原始主图算法无法有效提取指纹骨架。由于较大的指纹数据集，主图算法似乎很耗时。分散的数据导致骨骼偏离。根据指纹数据集的一些特征，我们改进了原始主图算法的罚函数，平滑步骤，投影步骤等。实验结果表明，改进后的主曲线算法效率更高，所获得的指纹骨架比原始指纹算法更准确。

本文的第2节介绍了原主图主曲线算法和改进的主曲线算法。此外，我们将改进算法与原始算法进行了比较。第3节中，我们与原

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[258891]，资料为PDF文档或Word文档，PDF文档可免费转换为Word