数字图像处理毕业论文.doc

数字图像处理毕业论文.doc

《数字图像处理毕业论文.doc》由会员分享，可在线阅读，更多相关《数字图像处理毕业论文.doc（48页珍藏版）》请在冰豆网上搜索。

目录

摘要 3

Abstract 4

第1章绪论 5

1.1自动识别课题背景 5

1.2机器视觉 5

1.2.1机器视觉的发展概况 5

1.2.2机器视觉与图像处理 7

1.3图像处理与识别技术 9

1.4图像处理与识别系统 10

1.4.1关于计算机图像处理系统 10

1.4.2图像处理与识别系统的构成 11

1.5斑马线自动识别系统课题研究内容 12

第2章图像处理与识别及图像理解 14

2.1二值图像分析 14

2.1.1阈值运算 15

2.2图像区域分析 17

2.2.1　区域与边缘 17

2.3图像处理与识别及图像理解所研究的内容 19

2.3.1图像处理技术 19

2.3.2图像识别技术 20

2.3.3图像理解 21

2.4图像处理与识别及图像理解的关系 24

2.4.1图像处理 24

2.4.2图像理解 25

2.5图像处理工具MATLAB 26

第三章　斑马线自动识别系统主要算法 28

3.1边缘检测 28

3.2坎尼（Canny）算子 29

3.3模板匹配算法 32

第4章　基于matlab的斑马线自动识别系统 35

4.1系统结构流图 35

4.2系统功能模块分析与实现 36

4.2.1图像分割模块 36

4.2.2模板读取模块 40

4.2.3图像识别模块 40

4.3GUI界面设计及系统测试 42

结论 45

致谢 47

参考文献 48

摘要

机器视觉也称图像分析与理解。

机器视觉的发展推动智能系统的发展，也拓宽计算机与各种智能机器的研究范围和应用领域。

图像处理与识别技术是机器视觉的一个重要组成部分。

图像处理与识别技术的发展经历了初创期，发展期，普及期，和实用期4个阶段。

20世纪90年代是图像技术的实用化时期，特点就是图像处理的信息量巨大，对处理速度的要求极高。

人行道路的斑马线自动识别系统的课题设计，以一幅交通道路识别为例，具体介绍了斑马线自动识别的原理。

整个处理过程分为图像预处理、图像边缘提取、图像定位、图像分割、图像识别五大模块，用MATLAB软件编程来实现每一个部分,最后识别出人行道路图像。

在研究的同时对其中出现的问题进行了具体分析。

关键词：

机器视觉图像处理自动识别预处理边缘提取图像定位图像分割图像识别

Abstract

MachinevisionisalsoImageanalysisandunderstanding.ThedevelopmentofmachinevisionpromotetheprogressofIntelligentsystem,andalsowidentheresearchandapplicationfieldofcomputerandeveryintelligentmachine.

Technologyofimageprocessingandrecognitionistheimportantcomponentofmachinevision.Theprogressofimageprocessingandrecognitionhavefourphasesthatisinitialperioddevelopmentperioduniversalperiodandpracticalperiod.Thepracticalperiodofimagetechnologyis1990s20thcentury.Thefeaturesisthattheinformationofimageprocessingtoobig,andsothat,itsprocessingspeedmustbefast.

Thecourseoftrafficsignautomatismrecognitionsystem，withonetrafficsignrecognition,theprincipleofthetrafficsignrecognitionisintroduced　concretely.Thisprocesswasdividedintoimage　pre-process,imageedgeextraction,imagelocation,imagedivisionandimagerecognition,whichisimplementedseparatedbyusingMATLAB.Thetrafficsignimageisrecognizedatlast.Atthesametime,theproblemsarealsoanalyzed.Andsolvedintheprocess.

Keywords:

Machinevisionimageprocessingautomatismrecognitionpre-processedgeextractionimagelocationimagedivisionimagerecognition

第1章绪论

1.1自动识别课题背景

人类在征服自然、改造自然和推动社会进步的过程中，面临着自身能力、能量的局限性，因而发明和创造了许多机器来辅助或代替人类完成任务．智能机器，包括智能机器人，是这种机器最理想的形式，也是人类科学研究中所面临的最大挑战之一．智能机器是指这样一种系统，它能模拟人类的功能，能感知外部世界并有效地解决人所能解决问题．人类感知外部世界主要是通过视觉、触觉、听觉和嗅觉等感觉器官，其中约80%的信息是由视觉获取的．因此,对于智能机器来说，赋予机器以人类视觉功能对发展智能机器是及其重要的，也由此形成了一门新的学科—机器视觉（也称机器视觉或图像分析与理解等）．机器视觉的发展不仅将大大推动智能系统的发展，也将拓宽计算机与各种智能机器的研究范围和应用领域。

1.2机器视觉

1.2.1机器视觉的发展概况

70年代中期，麻省理工学院（MIT）人工智能（AI）实验室正式开设“机器视觉”（ MachineVision）课程，由国际著名学者B．K．P．Horn教授讲授．同时，MITAI实验室吸引了国际上许多知名学者参与机器视觉的理论、算法、系统设计的研究，DavidMarr教授就是其中的一位．他于1973年应邀在MITAI实验室领导一个以博士生为主体的研究小组，1977年提出了不同于＂积木世界＂分析方法的计算视觉理论（computationalvision），该理论在80年代成为机器视觉研究领域中的一个十分重要的理论框架．

可以说，对机器视觉的全球性研究热潮是从20世纪80年代开始的，到了80年代中期，机器视觉获得了蓬勃发展，新概念、新方法、新理论不断涌现，比如，基于感知特征群的物体识别理论框架，主动视觉理论框架，视觉集成理论框架等．

到目前为止，机器视觉仍然是一个非常活跃的研究领域．许多会议论文集都反应了该领域的最新进展，比如，InternationalConferenceonComputerVisionandPatternRecognition（CVPR）;InternationalConferenceonComputerVision（ICCV）;InternationalConferenceonPatternRecognition（ICPR）;InternationalConferenceonRoboticsandAutomation（ICRA）;WorkshoponComputerVision,andnumerousconferencesofSPIE．还有许多学术期刊也包含了这一领域的最新研究成果,如，IEEETransactiononPatternAnalysisandMachineIntelligence（PAMI）;ComputerVision,Graphics,andImageProcessing（CVGIP）;IEEETransactiononImageProcessing;IEEETransactiononSystems,Man,andCybernetics（SMC）;MachineVisionandApplications;InternationalJournalonComputerVision（IJCV）;ImageandVisionComputing;andPatternRecognition．每年还出版许多研究专集、学术著作、技术报告，举行专题讨论会等．所有这些都是研究机器视觉及其应用的很好信息来源．

Marr的视觉计算理论[Marr1982]立足于计算机科学，系统地概括了心理生理学、神经生理学等方面业已取得的所有重要成果，是视觉研究中迄今为止最为完善的视觉理论．Marr建立的视觉计算理论，使机器视觉研究有了一个比较明确的体系，并大大推动了机器视觉研究的发展．人们普遍认为，机器视觉这门学科的形成与Marr的视觉理论有着密切的关系．事实上，尽管20世纪70年代初期就有人使用机器视觉这个名词[Binford，1971]，但正是Marr70年代末建立的视觉理论促使机器视觉这一名词的流行．

1.2.2机器视觉与图像处理

机器视觉相关的学科有许多．与机器视觉密切相关的领域及机器视觉与其它学科的关系如下．

图像处理是一个发展比较成熟的领域．图像处理技术通常是把一幅图像变换成另外一幅图像，也就是说，图像处理系统的输入是图像，输出仍然是图像，信息恢复任务则留给人来完成．图像处理包括图像增强、图像压缩和模糊校正与非聚焦图像等课题．机器视觉系统把图像作为输入，产生的输出为另一种形式，比如图像中物体轮廓的表示．因此，机器视觉的重点是在人的最小干预下，由计算机自动恢复场景信息．图像处理算法在机器视觉系统的早期阶段起着很大的作用，它们通常被用来增强特定信息并抑制噪声．

计算机图形学是通过几何基元，如线、圆和自由曲面，来生成图像，它在可视化（Visualization）和虚拟现实（VirtualReality）中起着很重要的作用．机器视觉正好是解决相反的问题，即从图像中估计几何基元和其它特征．因此，计算机图形学属于图像综合，机器视觉属于图像分析．这两个领域在其发展的早期阶段是没有什么联系的，但是近十几年来发展的越来越相近了．机器视觉使用了计算机图形学中的曲线和曲面表示方法以及其它的一些技术，而计算机图形学也使用机器视觉技术，以便在计算机中建立逼真的图像模型．可视化和虚拟现实把这两个领域紧密地联系在一起．

模式识别主要用于识别各种符号、图画等平面图形．模式一般指一类事物区别于其它事物所具有的共同特征。

模式识别方法主要有统计方法和句法方法两种，统计方法是指从模式抽取一组特征值，并以划分特征空间的方法来识别每一个模式。

句法方法是指利用一组简单的子模式（模式基元）通过文法规则来描述复杂的模式。

模式识别方法是机器视觉识别物体的重要基础之一．机器视觉识别物体还经常需要其它的技术．我们将在物体识别部分简要地讨论统计模式识别的主要内容．

人工智能（artificialintelligent,AI）涉及到智能系统的设计和智能计算的研究．在经过图像处理和图像特征提取