图像处理 背景减法.docx
《图像处理 背景减法.docx》由会员分享，可在线阅读，更多相关《图像处理 背景减法.docx（11页珍藏版）》请在冰豆网上搜索。
图像处理背景减法
数字图像处理报告
姓名：
cugycy
学院：
机械与电子信息学院
班级：
071112-13
指导老师：
傅华明
摘要
研究目标：
本文主要研究在背景维持不变的环境下，对运动目标检测。
在固定空间场中获得的运动目标的运动的一系列图像称为运动图像。
我们主要研究的是在一个固定场景中，目标对象位置发生变化的情况。
采用方法：
为了分析在固定场景中目标的运动变化，首先考虑到在一系列的运动图像序列中，空间场的位置、灰度变化是非常微小的，基本上可以认为是固定不变的；而运动对象却在空间位置上发生了明显的改变，所以我们可以用背景减法来研究这一情况。
背景减法通过逐像素比较与背景图像的差别，在背景基本不变的条件下，在差图像的不为零处表明该处出现运动目标，通过求差的方法就可以将运动目标的位置和形状表现出来。
在实际情况中，由于镜头的物理抖动造成的图像的移动，旋转，以及光线明暗的变化，所造成的图像背景改变，从而难以与背景图做差形成清晰，无噪声的差分图像。
完成以下编程：
为了减小误差影响，增强图像质量，在认为无镜头的旋转，先后移动情况影响下，只考虑镜头产生了上下平移变化，用相关匹配在其他图像中寻找与模板（图像1部分）最相似的子块，并剪切其他图像使其他图像与图像1的背景一致。
在不考虑处理的实时情况下，同时图像的数量较少（5张），运动目标在多幅图像叠加中不会有重叠部分，采用去除最大最小值后求均值法求得背景图像。
将图像与背景图像做差值处理，采用二维自适应维纳滤波对差值图形滤波减小噪声影响。
将滤波后差值图，设定阈值进行二值化，同时采用形态学的腐蚀膨胀，使二值图像中目标轮廓边缘更加平滑，减小图像内部空隙，符合实际目标。
取得成果：
由此我们的得到了五幅二值目标图像。
通过图像位置的比较明显看到人从右到左的运动，图像的间距看出运动的距离也是不一样的，图像的大小看出距离镜头的距离也是不一样的。
未解决问题：
没能考虑镜头旋转带来的图像背景移动，从而使差值图像噪声减小更多，同时背景图像的生成不够准确，影响差值图像的质量。
未能采用更为合适的滤波，减小噪声。
图像的二值化的阈值选取，不能基于图像自身的的数据自动随之改变。
未对二值图像进行滤波，去除小的噪声点。
未对二值图像和原图像进行更进一步的匹配。
未采用彩色图像处理。
详细报告：
以图像1的部分为模板在其他图像中匹配相似的位置，从而适当剪裁其他图像使背景尽可能一致。
模板
匹配
最佳匹配处
原图与剪裁图
通过图像直观分析，发现多幅图像上的运动目标没有位置重合，从而可以采用去除图像相同位置数据中的最大值和最小值，然后取均值的方法获得背景图像。
背景图
将图像与背景图做差值计算，获得图像差图。
差值图像
采用二维自适应维纳滤波对差值图形滤波减小噪声影响。
将滤波后差值图，设定阈值进行二值化，同时采用形态学的腐蚀膨胀，使二值图像中目标轮廓边缘更加平滑，减小图像内部空隙，符合实际目标。
其他工作：
不同滤波效果中，纳维滤波的能更好的保留目标的轮廓信息，噪点可采用形态学处理去除噪点。
不同滤波效果
源代码：
clc
clearall
%---------------------------------------------------------------------
%批量获取文件
%---------------------------------------------------------------------
file=dir（'G:
\study\大四上\数字图像处理\m4\p6-0*.bmp'）%列出当前目录下符合正则表达式的文件夹和文件数据结构
forn=1:
length（file）%获取以名字为命名的图片数据
tmp=rgb2gray（imread（['G:
\study\大四上\数字图像处理\m4\',file（n）.name]））;
str_a1=[file（n）.name（1:
end-8）,file（n）.name（end-4）,'=tmp;'];
eval（str_a1）;
end
%--------------------------------------------------------------------------
%通过匹配返回坐标,保存到ppn中
%用相关匹配在图像a中寻找与模板c最相似的子块，给出代码和相关系数图
%--------------------------------------------------------------------------
forn=2:
length（file）%获取以名字为命名的图片数据
b=p1;
a=eval（['p',num2str（n）,';']）;
c=b（30:
230,30:
630）;
%imshow（c）;
g=dftcorr（a,c）;
gs=gscale（g）;
%figure,imshow（gs）;
[I,J]=find（g==max（g（:
）））;
%figure,imshow（gs>254）;
%figure,imshow（b）,title（['灰度'num2str（i）]）
d=a（I:
I+400,J:
J+600）;
eval（['pp',num2str（n）,'=d;']）;%获取图像的相对位置
end
pp1=p1（30:
430,30:
630）;
%--------------------------------------------------------------------------
%通过五幅图进行取去最大最小后，平均值作为被背景图层
%--------------------------------------------------------------------------
forn=1:
5
eval（['pp_5（n,:
:
）=pp',num2str（n）,';']）;%获取图像的相对位置
end
pp_max=max（pp_5）;%最大
pp_max1（:
:
）=pp_max（1,:
:
）;
pp_max1=pp_max1;
pp_min=min（pp_5）;%最小
pp_min1（:
:
）=pp_min（1,:
:
）;
pp_min1=pp_min1;
pp_sum=uint16（pp1）+uint16（pp2）+uint16（pp3）+uint16（pp4）+uint16（pp5）;%和
pp_sum=uint8（（pp_sum-uint16（pp_min1）-uint16（pp_max1））/3）;%去大去小取均值为背景图
%--------------------------------------------------------------------------
%背景减法运算二维自适应维纳滤波二值化
%--------------------------------------------------------------------------
forn=1:
5
figure,
eval（['temp=pp',num2str（n）,';']）;%获取图像的相对位置
z=imabsdiff（temp,pp_sum）;%取绝对值两个图像之差
J=z;
K1=z;
K2=medfilt2（J）;%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波
K3=wiener2（J,[99]）;%对加噪图像进行二维自适应维纳滤波
K4=filter2（fspecial（'average',9）,J）/255;%模板尺寸为9
cs=0.15;
K1=im2bw（K1,cs）;%二值化
K2=im2bw（K2,cs）;%二值化
K3=im2bw（K3,cs）;%二值化
K4=im2bw（K4,cs）;%二值化
subplot（2,2,1）,
imshow（eval（['pp',num2str（n）,]））;title（['原图像'num2str（n）]）
%————-————腐蚀开运算——————
foc=imclose（K3,strel（'square',10））;
subplot（2,2,2）,
imshow（z）;title（'差值图像'）;
f=foc;
se=strel（'square',2）;
fo=imopen（f,se）;
subplot（2,2,3）,
imshow（K4）;title（'二值化'）;
%————-————腐蚀运算——————
f=fo;
se=strel（'disk',2）;
fo=imopen（f,se）;
subplot（2,2,4）,
imshow（fo）;title（'形态学处理'）;
end
升级会员 