前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的直方圖均衡化的基本原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：直方圖均衡化的基本原理范文

（平頂山學院計算機科學與技術學院，河南平頂山467000）

摘要：靜脈識別是一種新興的生物特征識別技術，為了滿足靜脈識別中的特征提取需求，對手背靜脈提取方法進行了研究。首先采用CLAHE算法對手背靜脈圖像進行增強處理，然后針對傳統NIBALCK二值化算法的不足，提出一種局部靜態閾值與NIBLACK相結合的改進算法。實驗證明，該方法能有效消除傳統方法中噪聲過多、紋絡斷裂的現象，克服光強因素對圖像提取的影響，保持完整清晰的靜脈紋絡結構，從而滿足后續識別工作的需要。

關鍵詞 ：靜脈識別；NIBLACK改進算法；特征提取；噪聲消除

中圖分類號：TN911.73-34；TP391.14 文獻標識碼：A 文章編號：1004-373X（2015）12-0074-03

收稿日期：2014-12-21

基金項目：河南省科技攻關基金資助項目（132002210443）

生物特征識別技術作為物聯網架構中感知層的重要組成部分，隨著物聯網概念的提出和快速發展，也得到了更廣泛的應用。指紋識別、聲音識別、虹膜識別等生物特征技術都已發展的比較成熟，而靜脈識別作為一種新興的生物特征識別技術，逐步凸顯出新的優勢。本文提出一種基于局部直方圖均衡和NIBLACK分割的方法對靜脈圖像進行提取，實驗證明可以得到輪廓清晰的靜脈結構圖。

1 靜脈識別

靜脈識別的基本原理是，普通人的手背靜脈具有不隨年齡變化的惟一性，當近紅外光線入射光波長在0.72~1.10 μm 時，可以較好地穿透骨骼和肌肉，凸顯手背血管的結構[1]，從而進行有效的特征識別。手背靜脈識別系統是通過對靜脈的圖像采集，然后提取出整個靜脈的結構，再由一系列識別算法，達到對人的身份識別。在對圖像的采集過程中，由于采用的是紅外CCD攝像機，光強對圖像影響較大，光照過強會使靜脈偏亮而模糊，光照偏弱又會導致靜脈和背景混淆，整體偏暗。同時每個人手背靜脈的粗細，表面皮膚厚度不同，以及手背本身具有的弧度會使圖像光照不均勻，都會對采集的靜脈輪廓清晰度產生影響，因此需要對圖像進行處理，提取比較清晰完整的手背靜脈結構圖，為下一步的準確識別創造條件。

2 基于CLAHE 的靜脈圖像增強

由于靜脈隱藏在皮膚表層以下，靜脈圖像的對比度往往不高，直接提取靜脈紋路進行二值化，將會導致丟失部分可用靜脈信息或者誤將背景作為靜脈結構，對后續識別影響很大[2]，因此需要對圖像進行增強處理。圖像增強的方法，一般分為空間域增強和頻域增強，其中空間域增強法中的直方圖均衡（HE）一直是簡單實用的工具。直方圖均衡簡單有效，包括全局法和自適應法（AdaptiveHE，自適應直方圖均衡化）。在實際的應用中，有些圖像對比度比較低，全局法效果不佳。為了解決這一實際問題，Pizer等提出了局部直方圖均衡化的方法（Local AdaptiveHE，LAHE）對圖像的灰度增強[3-4]。但是該方法只考慮每一個局部窗口內像素，而窗口外的像素往往被忽略，為了進一步解決這種現象，Crom artie等又提出了對比度受限的局部直方圖均衡法[5]（Contrast-limited Adaptive Histogram Equalization，CLAHE） 。CLAHE結合了自適應直方圖均衡和對比度受限2種方法，從整幅圖像的視覺效果出發，既考慮了窗口內像素直方圖又考慮了窗口外的像素，使圖像增強效果適應性更好，效果也更突出。該方法表達式為：

hij (r) = αhW (r) + (1-α)hB (r) （1）

式中：hW (r) 是窗口的歸一化直方圖；hB (r) 是窗口外的歸一化直方圖；0 ≤α≤1 。設SW 和SB 分別代表區域W和區域B 的面積，如果α = SW (SW + SB ) ，則hW (r) = h(r) ，表示局部直方圖與全局直方圖相等；如果α > SW (SW + SB ) ，則局部直方圖單獨進行均衡化，從而強調局部信息。因此可以通過調節α 大小調節局部直方圖來模擬周圍環境對相關區域的影響。

CLAHE算法具體步驟如下：

（1）將圖像分塊。將目標圖像分為不重疊的子區域，每個區域大小相等，都含有L 個像素，根據實際確定L 大小，L 越大增強效果越好，但同時丟失細節也相應增多。

（2）直方圖的計算和均衡。根據式（1）計算窗口區域的直方圖，hij (r) 表示子區域的直方圖，k 代表灰度級。然后對子區域進行均衡化處理，處理后的子圖用Cij (k) 表示。

（3）像素灰度值重構。將Cij (k) 中心像素點的灰度值作為參考點，采用雙線性插值技術計算輸出圖像中各點的灰度值

（4）遍歷目標圖像。移動窗口至下一個子區域，重復上述步驟。

3 NIBLACK 改進算法的靜脈圖像分割

圖像增強后，靜脈圖像的紋理和特征就比較清晰，這時還要對圖像進行分割才能提取出整個靜脈的結構紋理圖。圖像的分割提取主要利用閾值進行二值化分割，找到合適的閾值是圖像分割的關鍵。而NIBLACK法由于其動態局部閾值的處理方法[6]，對圖像分割有較好的效果，本文根據手背靜脈特殊的圖像采集原理以及靜脈圖像的特點，采用改進的分塊靜態閾值和NIBLACK相結合的方法。

3.1 常規NIBLACK算法

在實際應用中，由于目標和背景對比度在同一圖像中變化比較大，同時因為光照、噪聲以及背景灰度梯度值突變等，為了更好地分割圖像，必須在不同的圖像區域自適應的確定閾值，NIBLACK法[7]就是一種常用的局部動態閾值法。算法確定中心坐標(x,y) 以及周圍鄰域r × r 范圍，設g(x,y) 為中心坐標的灰度值，其二值化后的結果為b(x,y) ，具體可描述為：

（1）計算中心坐標r × r 范圍均值灰度m(x,y) 和標準方差d(x,y) ，如式（2）和式（3）所示：

（2） 根據均值和方差計算出中心點的閾值，如式（4）所示：

t(x,y) = α × d(x,y) + m(x,y) （4）

（3） 根據步驟（2）計算出的閾值對中心點進行二值化：

（4）移動到下一個坐標，作為中心點，重復上述步驟，對圖像逐點二值化。

3.2 改進的NIBLACK算法

常規的NIBLACK算法雖然可以動態地確定每個區域的閾值，但是也有其自身的不足：由于要利用r × r 模板遍歷圖像，導致邊界區域(r - 1) 2 的像素范圍內無法求取閾值；同時當進行圖像遍歷時，如果r × r 范圍內都是背景，經NIBLACK計算后必有一部分被確定為目標，產生偽噪聲[8]。針對此缺點，本文提出一種局部靜態閾值與NIBLACK相結合的方法對圖像二值化。其算法思想是對圖像的邊緣區域和純背景區域采用靜態閾值進行分割，對于其他區域采用NIBLACK 算法進行二值化。具體實現如下：

（1）對靜脈圖像進行分塊，根據采集圖像的像素大小以及模板r 的值，本文將圖像分為6塊，每塊均包含了一部分邊緣圖像，利用Ostu 算法計算每塊圖像的靜態閾值Tn（n=1，2，…，6）。

（2）判別像素范圍，凡邊緣范圍即小于(r - 1) 2 范圍的像素根據所在區域的靜態子閾值Tn 進行二值化。

（3）對于非邊緣區域的分塊圖像，按NIBLACK 法計算閾值t(x,y) ，將子靜態閾值Tn 與t(x,y) 進行加權得到新閾值D(x,y) ：

D(x,y) = (1 - β)t(x,y) + β × Tn （6）

式中β 為加權系數，根據實驗測試，本文取β 為0.5 可以達到最好的效果。

（4）利用得到的閾值D(x,y) 對子圖像進行二值化，移動到下一子圖像，重復上述步驟直到完成對整幅圖像的二值化。

經過改進算法處理的二值圖像可以得到比較清晰的靜脈紋絡，但是仍然存在少量的噪聲，利用形態學的黑top-hat運算[9]，即經過閉運算的圖像減去源圖像，可以有效清除噪聲，也可提取圖像的暗特征，使靜脈邊緣紋絡更加清晰。

4 實驗分析

本文采用Mohamed Shahin博士提供的手背靜脈圖像數據庫進行實驗分析。為了消除靜脈庫原圖像靜脈周圍背景對圖像增強的影響，首先對靜脈圖像進行ROI（Regionof Interest）處理，提取出靜脈區域圖像，如圖1（b）所示。

圖1（c）采用全局靜態直方圖均衡法，可以看出因局部光強不同，靜脈圖像增強效果不均勻，這會使后期的二值化處理丟失大量信息。圖1（d）采用CLAHE算法增強后，靜脈圖像灰度對比均勻，紋理和特征清晰，有利于在圖像分割時保留大量的細節特征。如圖2 對比發現，直接對靜脈圖像進行傳統的NIBLACK 二值化會出現大量的噪聲點和脈絡斷紋，同時丟失很多細節特征，如圖2（b）所示。直接對圖像進行直方圖均衡增強，也會因光強不均丟失靜脈部分結構特征，如圖2（c）所示，圖像右下方因局部光照過強使得增強后的圖像在二值化后丟失一部分靜脈紋絡結構。本文采用基于CLAHE 的圖像增強算法和改進的NIBLACK 二值化的方法，如圖2（d）所示，得到的靜脈結構紋理清晰，細節特征完整，脈絡連續。改變傳統的增強算法二值化后引起的偽噪聲、斷紋以及靜脈圖像特征丟失現象，消除傳統方法的缺陷，有利于后續對于靜脈的識別工作，提高整個靜脈識別系統的準確率。

5 結語

在手背靜脈提取過程中全局直方圖均衡是比較常用的圖像增強算法，但對于手背靜脈圖像光照不均勻的情況處理效果不好，傳統的NIBLACK 二值化算法也存在著容易產生噪聲塊，結構斷紋和無法確定圖像邊緣二值化閾值的缺陷。針對這種情況，本文提出利用CLAHE增強圖像，并采用局部靜態閾值與NIBLACK 相結合的改進算法對圖像進行二值化。實驗證明，本文算法提取的靜脈圖像脈絡清晰，保留了因光照不均而易丟失的特征細節，消除了噪聲塊和脈絡斷紋的現象，因此本文算法是一套有效的靜脈提取算法，對提高系統的識別率和正確率提供了可靠保證。

參考文獻

[1] 林喜榮，莊波，蘇曉生，等.人體手背血管圖像的特征提取及匹配[J].清華大學學報：自然科學版，2003，43（2）：164-167.

[2] 楊有，李波.CLAHE 和細節放大相結合的檔案圖像增強方法[J].中國圖象圖形學報，2011，16（4）：522-527.

[3] 朱其剛，朱自強.基于自適應領域灰度直方圖均衡的超聲窺鏡圖像增強[J].山東科技大學學報，2004，23（3）：120-123．

[4] 王龍，汪天富，鄭昌瓊.基于灰度直方圖均衡的超聲醫學圖像增強方法[J].四川大學學報，2012，34（1）：105-108．

[5] CROM A R，PIZER S M. Structure sensitive adaptive contrastenhancement methods and their evaluation [J]. Image and Vi-sion Computer，1993（11）：385-391.

[6] 鄭偉，康朝紅.基于梯度的低對比度X 線圖像分割方法[J].通信技術，2009，42（1）：292-294.

[7] NIBLACK W. An introduction to image processing [J]. AppliedComputing，1986，15（4）：219-229.

[8] 王科俊，丁宇航，莊大燕，等.手背靜脈圖像閾值分割[J].自動化技術與應用，2011，24（8）：19-21.

[9] 趙建軍，熊馨，張磊，等.基于CLAHE 和TOPHAT 變換的手背靜脈圖像增強算法[J].激光與紅外，2009，39（2）：220-222.

第2篇：直方圖均衡化的基本原理范文

關鍵詞：煤礦安全生產；混沌信號；視頻監控系統；圖像增強

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）03-0187-02

1 概述

1）煤礦視頻監控系統

在煤礦的安全生產中，國家安全生產管理部門已經明為規定，要求每一個煤礦生產企業必須安裝好一套完整的視頻監控系統，這是作為安全生產檢測中的一項必備的指標。到目前為止，煤礦的視頻監控系統已經得到了廣泛的應用。但是，由于煤礦井下的環境和室外有很大的不同，煤礦井下比較黑暗，光線沒有井上的條件好，而且還有厚厚的煤塵，井下比較潮濕等等一系列非常不利于獲取清晰圖像的條件，所以，一般情況下，直接從視頻監控系統中獲取的圖像比較黑暗、模糊、不清晰，就不能給井上的監控工作人員提供非常清晰的畫面，給安全檢測部門的工作帶來了很多的麻煩[1]。所以，如果能夠找到使煤礦井下的視頻監控圖像更加清晰的方法，將是一件非常有價值和意義的研究項目 [2]。

2）混沌的定義和性質

混沌現象是自然界非常普遍的一種現象，可以認為是無處不在的。但是，到目前為止，科學界也沒有誰給出一個嚴格而準確的定義。混沌理論的研究在很多領域都有所應用，其中，應用最為廣泛的就是，應用混沌理論進行圖像加密的研究[3]。近些年來，很多的研究者都在不斷地探索著混沌的奧秘和用途。其中，混沌最大的特點就是就是對于初始條件的敏感性[4]，即如果一個混沌系統當初始條件發生很小的變化時，其混沌系統的特性就會發生很大的變化。其次，混沌系統的運動軌跡具有非周期的特性，這一個特點讓很多的研究者們在很多領域得到了廣泛的應用和研究。

眾所周知，混沌具有類隨機性。但是，混沌的隨機性和一般系統的隨機性是有所不同的。因為，我們一般對于混沌產生的過程是可以用相應的算法和公式來表示的，但是，一般的隨機過程則是不可能用公式和算法來表示的，是無法準確預算和估計的。這就是混沌的隨機性和一般系統的隨機性的最重要的差別[5]。所以，通過大量的研究者們的共同努力，研究發現，混沌是一種自發混沌，具有確定性的隨機性等，它重點強調的就是混沌系統產生的根源在系統本身，并不關注外在的作用。所以，就是依據這個差別，把混沌的隨機性定義為一種類隨機性是非常合適的[6]。

正是基于混沌的偽隨機特性，所以，在圖像增強的直方圖處理中技術中得到了廣泛的應用。本文應用Chen系統混沌對煤礦視頻圖像的直方圖進行均衡化處理，取得了良好的清晰化效果。

2 基于混沌的空間域圖像增強方法

基于混沌的空間域圖像增強方法的基本思想是：以煤礦視頻圖像中的像素為基礎，然后直接處理它的圖像像素，再修改原始圖像中像素點的灰度值，基本原理可以表示為：

[h（x，y）=F（f（x，y））]

其中[f（x，y）]是輸入圖像（即原始圖像），[h（x，y）]是輸出圖像，即增強處理后圖像，[F（?）]是一種特定算法算子，在不同的情況下，這個算法算子是不同的，一般是要根據具體的系統特性來確定的。其中，比較常見的算法是灰度變換和直方圖處理以及空間濾波 [7，8]。應用仿真軟件的分析，特別是概率統計特性的分析，一般情況，普通圖像的灰度級分布都是呈正態分布規律，而且，都灰度級都集中分布在比較窄的范圍內，這樣我們觀察到的圖像就是比較模糊，尤其是細節就不清晰了，這對于圖像分析來講就帶來了很大的麻煩，不能做出科學和正確的分析和判斷了。但是，如果，我們引入混沌序列，引進一定的合適算法，讓煤礦視頻圖像的灰度級分布非常的均勻，這樣處理以后，圖像的直方圖當然就非常平坦了，圖像的細節也就看得更清楚了。在此，我們主要是結合混沌對直方圖的均衡化處理進行深度研究。本文采用混沌S-box對煤礦視頻圖像的直方圖進行處理。Chen系統的動力學方程一般用以下的三個不同的方程來表示：

[dxdt=a（y-x）dydt=x（c-a）-xz+cydzdt=xy-bz] [] [] （1）

其中，[a，b，c]這三個是參數，且都是正數。對于此系統，當參數取值為[a]=35，[b]=3，[c]=28時，系統有一個混沌吸引子。

Chen方程之所以可以應用于圖像增強的領域中，是因為它有很多的優點：

Chen方程具有一般的微分方程所具有的如下的對稱性：

[（x，y，z）（-x，-y，z）][] （2）

這種對稱性對Chen方程所有的參數都是適用的。

其次Chen方程具有恒定性。

同時，它還具有平衡性。為了求出其平衡點，我們令

[x=f（x）=a（y-x）x（c-a）-xz+cyxy-bz] （3）

并且求解[f（x）=0]，顯而易見，其中一個平衡點就是[x0=（0，0，0）]，通過計算，求得：

[xc1=（-b（2c-a），-b（2c-a），2c-a）] （4）

[xc2=（b（2c-a），b（2c-a），2c-a）] （5）

這是一些其他的平衡點，其中[c>a/2]。從產生的混沌序列來分析，此類混沌信號具有類噪聲的特性，同時具有寬帶連續頻譜的性質，而且還具有高度的偽隨機特性。再將此混沌信號經過某種非線性數字化處理后，就可以滿足圖像灰度值的要求，就可以對原始輸入圖像進行非線性處理。通過均衡化處理，可以大大改變原始圖像的直方圖的分布情況，使圖像灰度級趨于均勻分布，大大提高了圖像的對比度，整幅圖像就會更清晰。

下面是混沌S-box對煤礦視頻圖像的直方圖進行處理的結果。

在圖1中，主要是對某一個煤礦井下的某一個巷道的源圖像進行了處理。主要是應用用MATLAB 仿真軟件對某一個煤礦巷道的源圖進行直方圖均衡化處理后。從下圖中可以看出，煤礦巷道的源圖中的圖像像素點的灰度值的分布是非常集中的，圖像比較模糊，不太清晰；但是，經過直方圖均衡化處理后的圖像的像素點的灰度值分布比較均勻，圖像明顯變得清晰了，所以，從視覺角度來觀察，煤礦井下圖像的清晰度大大提高了。

3 結束語

在煤礦井下，水、火、瓦斯、煤塵、頂板等一系列惡劣的環境時刻威脅著礦工的生命安全。隨著科學技術的飛速發展，很多高科技的技術和手段已經應用到煤礦井下，其中，煤礦井下的視頻監控系統就是一個非常重要的安全監測和安全防范手段。但是由于煤V井下，非常惡劣的環境狀況使得視頻圖像的質量大大下降，視頻圖像中的很多細節特征都被覆蓋或模糊。本文采用了Chen系統混沌對煤礦視頻圖像的直方圖進行均衡化處理，可以有效地提高了視頻圖像的細節部分，提升圖像的清晰度。從仿真分析的直方圖分布效果圖來看，煤礦井下獲取的實物圖像的對比度明顯增強。

參考文獻：

[1]譚得健.淺談自動化、信息化與數字礦山[J].煤炭科學技術，2006，43（1）：23-27.

[2]張謝華.煤礦智能視頻監控系統關鍵技術的研究[D].徐州：中國礦業大學，2013.

[3]馬紅光，韓崇昭.電路中的混沌與故障診斷[M].北京：國防工業出版社，2007：5-16.

[4]黃潤生.混沌及其應用[M]，武漢：武漢大學出版社，2000.

[5]顧勤龍.混沌理論及其在信息安全和優化中的應用研究[D].杭州：浙江工業大學，2003.

[6]李輝.混沌數字通信[M].北京：清華大學出版社，2006：45-48.

第3篇：直方圖均衡化的基本原理范文

(深圳信息職業技術學院電子與通信學院，廣東 深圳 518172)

【摘　要】綜述了獨立分量分析(Independent Component Analysis, ICA)算法的基本原理，并詳細闡述了ICA算法在人臉識別中的基本應用和擴展應用。擴展應用主要包括：分塊ICA、ICA和PCA組合、ICA和LDA組合，ICA和GA組合、低通濾波降維、采用四階統計信息的ICA算法進行人臉識別。最后，提出未來的研究可以從選擇最優組合算法和尋找最佳分塊方式兩個方向著手。

關鍵詞 獨立分量分析；人臉識別；分塊ICA；算法組合

基金項目：國家自然科學基金青年基金(81401539)；廣東省高等學校優秀青年教師培養計劃資助(Yq2013193)；深圳市戰略新興產業發展專項資金(JCYJ20130401100512995)。

通訊作者：王健(1985—)，女，漢族，博士，深圳信息職業技術學院，講師，主要研究方向為信號處理。

0　引言

ICA是人臉識別的經典方法之一。它對高階統計信息進行分析，目的是為了找出人臉圖像中相互獨立的成分。本文將簡要介紹ICA在人臉識別中的原理和應用。

1　ICA的基本原理

1.1　原理概述[1]

設有N個相互獨立的非高斯分布的聲音信號源si，經過M個麥克風后，得到M個觀察信號xi（N<=M）。每個觀察信號xi都是N個獨立信號源的線性組合。這一過程如式（1）所示。

2　ICA在人臉識別中的應用

2.1　ICA在人臉識別中的基本應用

ICA用于人臉識別的一個根本假設是：人臉是由多個統計獨立的非高斯分布的成分構成。當確定這些獨立基后，即使引入新的人臉成員，這些獨立基構成的投影矩陣仍然可以滿足重構要求，不再需要重新計算新的獨立基。

人臉圖像進行ICA變換的步驟主要如下：

（1）圖像預處理

圖像預處理包括旋轉、拉伸、縮放、裁剪、插值、直方圖均衡化、白化等操作。

（2）圖像向量化

圖像向量化是將二維圖像矩陣按列依次連接成一個向量。

（3）用聯合熵極大值法或者快速固定點法求ICA變換的最優投影矩陣。

（4）訓練樣本和測試樣本按照Y＝（）X進行投影。

（5）對投影結果進行分類。

2.2　ICA在人臉識別中的擴展應用

2.2.1　分塊ICA

當人臉圖像作為一個整體進行ICA變換時，不同器官的細微變化不一定能清晰地表現出來。為了有效抽取圖像的局部特征，有必要采用分塊ICA[4]。

分塊ICA的思想是：將人臉分成2n個小塊；對每個小塊分別求取最優變換矩陣，并進行ICA變換；根據人臉不同器官的重要性確定各子塊圖像的重要性，并對不同子塊的ICA特征賦以不同的權重，然后進行加權求和；最后采用最近鄰分類器或余弦分類器分類。

研究表明：基于分塊ICA的人臉識別性能要優于普通ICA。

2.2.2　PCA+ICA

由于PCA提取的特征是最小均方誤差意義上的二階統計信息，各分量之間互不相關；而ICA提取的是高階統計信息，各分量之間相互獨立。因此PCA的主分量特征與ICA的獨立分量特征是對原數據的兩類不同描述。如果將二者結合起來，那么必定使抽取到的信息更加全面，人臉識別的性能也將得到改善。PCA和ICA組合進行人臉識別的方法有三種。

（1）先對人臉圖像進行PCA變換，在變換后的特征空間進行ICA變換[1,5-6]。

（2）分別對人臉圖像進行PCA和ICA變換，得到的特征分別求余弦相似度和距離相似度，然后將相似度結果求和，用余弦分類器和最近鄰分類器對兩類特征聯合進行分類[7]。研究表明：基于分類器組合的方法優于單獨使用PCA或ICA的單分類器方法。

（3）分別對人臉進行PCA和ICA變換，對得到的PCA特征和ICA特征加權求和，并采用最近鄰法或余弦法對加權特征值進行分類[8]。研究表明：PCA和ICA特征加權識別率高于單獨的PCA或單獨的ICA。

2.2.3　ICA+LDA

在人臉識別過程中，需要考慮很多因素，如光照、背景、角度、表情等。在這些復雜因素的制約下，單一的識別方法很難達到較理想的識別效果。因此，為了提高識別率和魯棒性，有必要將不同的人臉識別方法結合起來。ICA側重于分離獨立信號源，但是沒有考慮分類信息；而LDA的分類效果很好。因此將ICA和LDA結合起來[9]進行人臉識別的效果一般會優于單獨的ICA或LDA。ICA和LDA聯合進行人臉識別的步驟如下：

1）對訓練樣本進行ICA變換，得到ICA轉換矩陣以及獨立基向量；

2）對獨立基向量張成的空間進行LDA變換，得到LDA變換矩陣。

3）訓練樣本和測試樣本均通過式Y＝TTX進行變換。

4）對變換后的特征向量進行分類。

研究表明：ICA和LDA組合進行人臉識別的效果優于單獨的LDA和ICA。

2.2.4　ICA算法的改進

當ICA采用聯合熵極大值法或者快速固定點迭代法計算投影矩陣時，計算量非常大。這兩種方法對求得的獨立基也沒有較好的特征選取方法。因此，ICA人臉識別需要降低計算復雜度、選取優良特征。可以采用以下三種方法改進ICA。

1）低通濾波降維。原始人臉圖像輸入后，首先采用低通濾波器進行降維，這樣不但減少了計算量，而且還能消除高頻噪聲。

2）采用四階統計信息的ICA算法。研究表明：四階ICA算法的計算復雜度低，基空間識別率高。

3）采用遺傳算法GA對求得的獨立基集合進行搜索，挑選優良特征。然后再對選擇的特征進行分類。研究表明： ICA和GA聯合進行人臉識別的方法比單獨的ICA算法好[10]。

3　總結及展望

本文總結了ICA算法的基本原理，并詳細闡述了PCA算法在人臉識別中的應用，包括：分塊ICA、PCA和ICA進行組合、ICA和LDA進行組合，ICA和GA進行組合、低通濾波降維、采用四階統計信息的ICA算法等。

未來的研究可以從如何選擇最優組合算法和尋找最佳分塊方式兩個方向著手。

參考文獻

［1］安高云,阮秋琦.基于獨立分量分析的普適人臉識別系統[J].北京交通大學學報:自然科學版,2006,30(5):6-9.

［2］Liu C. Enhanced Independent Component Analysis and Its Application to Content Based Face Image Retrieval [J]. IEEE Trans on Systems, Man and Cybernetics, PartB, 2004,34(2):1117-1127.

［3］楊竹青,李勇,胡德文.獨立成分分析方法綜述[J].自動化學報,2002,28(5):762-770.

［4］姚雪梅,古麗拉.阿東別克.基于ICA和 SVM的局部人臉識別方法[J].現代計算機:專業版,2005(12):15-16.

［5］王宏漫,歐宗瑛.采用PCA/ICA特征和SVM分類的人臉識別[J].計算機輔助設計與圖形學學報,2003,15(4):416:420.

［6］劉直芳,游志勝,王運瓊.基于PCA和ICA的人臉識別[J].激光技術,2004,28 (1):78-81.

［7］徐勇,張重陽,楊靜宇.基于主分量特征與獨立分量特征的人臉識別實驗[J].計算機工程與設計,2005,26(5):1155-1157.

［8］王展青,劉小雙,張桂林,王仲君.基于PCA與ICA的人臉識別算法研究[J].華中師范大學學報:自然科學版,2007,41(3):373-376.

［9］趙明華,游志勝,呂學斌,穆萬軍.基于ICA和FLD相結合的人臉識別[J].計算機應用研究,2005,8:255-257.

第4篇：直方圖均衡化的基本原理范文

【關鍵詞】四幀差分 邊緣檢測 閾值分割

1 引言

運動目標檢測處于智能視頻監控系統的最底層，其檢測結果的好壞將直接影響后續的處理效果，故其技術發展和應用前景受到廣泛關注。目前常用的運功目標檢測算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運動目標，但對光照及外部條件引起的動態場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復雜，須有特殊硬件設備支持，實時性差；幀差法是根據圖像中像素點的灰度差計算出運動物體的位置和形狀等信息，這種方法對于動態環境有很好的適應性，算法簡單，易于實現，但不能提取出較完整的運動目標。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，計算簡單，實驗結果表明該算法可以有效改善傳統幀間差分算法出現的空洞現象。

2 融合邊緣檢測的四幀差分運動目標檢測

2.1 預處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對圖像進行灰度化。另外，圖像獲取過程中不可避免的存在諸如斑點噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對原始圖像進行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強抗干擾能力。

2.2 Canny 邊緣檢測算法

邊緣作為圖像的最基本特征廣泛存在于目標物與背景之間、目標物與目標物之間，在圖像處理中有著重要的作用和廣泛的應用。目前常用的邊緣檢測算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡單，易于實現且具有很好的實時性，但抗干擾性能差，對噪聲較敏感且邊緣的精度有待提高。基于最優化算法的 Canny 邊緣檢測算子，是先采用高斯函數對圖像進行平滑處理，再進行邊緣檢測，提取的邊緣線形連接較為完整，定位準確性較高，效果較好。本文采用此方法對序列幀圖像進行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強度局部的最大值的方法來得到邊緣信息，圖像梯度的計算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測的精度，Canny采用雙閾值來提取邊緣像素點。如果梯度強度不滿足高閾值的檢測條件，但是與己檢測出的較強邊緣點相連接，并且滿足低閾值條件，則確定為弱邊緣點。雙閾值法使得采用Canny算子提取邊緣點更具有魯棒性。

Canny算法的實現步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數和尺度，用Gauss濾波器對需要處理的圖像進行平滑濾波，得到平滑圖像；

（2）梯度計算：用一階偏導的有限差分來計算梯度的幅值和方向；

（3）量化梯度方向：對梯度方向進行量化，使其只有8個方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對于每一個梯度強度非零的像素點，查找沿其量化后的梯度方向的兩個相鄰像素點，然后通過閾值判斷為非邊緣點還是候選邊緣點；

（5）雙閾值判決：設定雙閡值，進一步判斷候選邊緣點為強邊緣點、弱邊緣點還是非邊緣點；

（6）邊緣連接：對于弱邊緣點，如果它與強邊緣點在8連通區域相連，則該點記為弱邊緣點，同時將其邊緣提取置為1，所有標記為1的點就成了最后的邊緣。

2.3 連續四幀差分算法基本原理

傳統的三幀差分算法雖然能夠快速檢測出運動目標的輪廓，但其所檢測出的輪廓往往不連續且存在較大的空洞現象，同時傳統三幀差分算法不能完整提取目標信息。本文采用如下改進幀間差分法，即連續四幀差分算法，可以在一定程度上克服傳統三幀差分算法的不足。設預處理后的連續四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運算，得到差分結果：

（1）

（2）

然后將差分后的結果D1與D2二值化處理后進行“與”運算，得到結果DA=D1D2，“與”運算能夠有效的克制目標重疊現象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區域。本文算法整體流程如圖1所示。

2.5 形態學處理

由于干擾因素的存在，導致我們得到的二值化圖像中往往會出現噪聲及空洞，可以通過數學形態學對其進行后處理。首先采用腐蝕運算消除二值圖像中的孤立噪聲點，再采用膨脹運算來填充運動目標的邊緣空洞。

3 實驗對比

本文采用 Matlab 進行仿真實驗，為驗證算法的有效性，分別利用傳統三幀差分法、四幀差分法以及本文算法對同一組 AVI 視頻序列圖像進行測試。檢測結果如圖2所示。

分別采用傳統三幀差分算法、四幀差分算法及本文算法對原始圖像進行處理，原始圖像中右邊白色衣服人物是靜止不動的，處理結果如圖2所示。由圖可知，采用傳統三幀差分算法檢測到的目標輪廓不連續，四幀差分法得到的圖像目標輪廓更清晰，內容更為豐富，但輪廓依然不完整，而采用本文算法檢測得到的目標輪廓更加完整清晰，結果準確。

4 結論

本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區域。實驗結果表明本文算法能夠快速準確檢測出運動目標，進一步改進了傳統三幀差分目標輪廓不連續現象，計算簡單，可滿足實時性檢測需求。

參考文獻

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運動目標檢測與跟蹤方法分析[J].現代電子技術，2009.

[2]蔣.人體運動目標檢測與跟蹤關系問題研究[D].中南林業科技大學，2013.

[3]劉辰飛.智能視頻監控系統中運動目標的檢測與跟蹤[D].濟南大學，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測的運動目標檢測[J].計算機系統應用，2014，23（1）.

[5]許錄平.數字圖像處理[M].北京：科學出版社，2007.

[6]張德豐.MATLAB 數字圖像處理[M].北京：機械工業出版社，2009.

[7]邵廣安.視頻監控中運動目標檢測與跟蹤方法的研究[D].南昌大學，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進 Canny 算子與圖像形態學融合的邊緣檢測方法[J].微型機與應用，2011，30（10）

作者簡介

張鵬（1988-），男，現為西華大學電氣信息學院碩士研究生。主要研究方向為信號與信息處理、圖像處理。

李思岑（1989-），女，現為西華大學電氣信息學院碩士研究生。主要研究方向為嵌入式技術及應用、圖像處理。

楊燕翔（1963-），男，現為西華大學電氣信息學院碩士生導師。主要研究方向為現代信號處理、嵌入式技術及應用。