交通标志识别

基于MATLAB环境的交通标志识别LHCY小组图像的处理1训练图与样本图的对比22019/8/13实验用图356357图像处理1图像增强颜色识别阙值分割八连通域消除*边缘检测在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降，即图像失真。在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、相对运动、大气流动等都会使图像模糊，传输过程中会引入各种类型的噪声。这些都会在处理图像时产生巨大影响，因此在校验前需要对图像进行增强处理现在常用的图像增强方法分为两种：空域法，频域法图像增强6方法分类1、空域法频域处理法的基础是卷积定理，它采用修改图像傅立叶变换的方法实现对图像的增强处理。2、频域法直方图均衡化增强现在常用的图像增强方法分为两种：空域法是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。原图像改造为均匀直方图分布，时输出像素灰度概率分布均匀，能增强整个图像的对比度。imadjustJ=imadjust(I,[low_in;high_in],[low_out;high_out])将图像I中的亮度值映射到J中的新值，即将low_in至high_in之间的值映射到low_out至high_out之间的值。low_in以下与high_in以上的值被剪切掉了，也就是说，low_in以下的值映射到low_out，high_in以上的值映射到high_out。它们都可以使用空的矩阵[]，默认值是[01]。本次实验中，将图片的三色轨道r，g，b提取后，分别对其进行如下变换J=imadjust(I,[0.30.7],[01])2019/8/13J=imadjust(I,[0.10.9],[01])2019/8/13J=imadjust(I,[0.20.8],[01])2019/8/13J=imadjust(I,[0.30.7],[01])2019/8/13J=imadjust(I,[0.30.7],[01])将图像的三色轨道分化后，根据不同轨道上的数值，判别每个点的的颜色。经过测验对于红色和黑色的判别条件如下黑色：R20，G20，B20红色：R180，G20，B20颜色识别2019/8/132019/8/132019/8/13图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。为初步消除图片中的噪音点，我们使用了阙值分割处理在实验中我们选择的是（I(i,j)150），即九宫格中五点为空阀值分割2019/8/132019/8/13从多边形区域内部任意一个种子像素点出发，通过访问其左、左上、上、右上、右、右下、下、左下这8个邻接点可以遍历区域内的所有像素点，该多边形区域称为八连通域。八连通域消除的算法就是基于此区域八连通域消除2019/8/13八连通域消除的算法有很多，现仅提供一种算法算法要求：本算法只针对左，左上，上，右上四点规则：1）当左，上同时有值时选择其中较小的赋值2）当左上，右上同时有值时选择其中较小的赋值3）当不属于前两种情况时，按左，左上，上，右上顺序赋值（否则赋空值）在matlab中提供了连通域消除函数IG=bwareaopen(G,10,8);在八连通域下，消除面积在十以内的噪音2019/8/132019/8/13边缘检测有很多种算子可以使用，Sobel算子，拉普拉斯高斯（loG）算法等，本次试验中选定了Roberts算子Roberts算子是一种最简单的算子，是一种利用局部差分算子寻找边缘的算子，他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感,无法抑制噪声的影响。Roberts边缘算子是一个2x2的模板，采用的是对角方向相邻的两个像素之差。从图像处理的实际效果来看，边缘定位较准，对噪声敏感。*边缘检测2019/8/13在MATLAB中提供了Sobel算子，拉普拉斯高斯（loG）算法等多种算法，我们可以直接调用edge函数BW1=edge(IG,'roberts');BW1=edge(IG,‘log’）;BW1=edge(IG,‘sobel');2019/8/132019/8/132019/8/13PS：当图像素过大时，roberts算子将会出现极大的偏差此图中用来边缘检测的图像像素为800*800训练图与样本图的对比2欧氏距离欧氏距离二维的公式ρ=sqrt((x1-x2)^2+(y1-y2)^2)三维的公式ρ=sqrt((x1-x2)^2+(y1-y2)^2+(z1-z2)^2)n维空间的公式n维欧氏空间是一个点集,它的每个点X可以表示为(x[1]，x[2]，…，x[n])，其中x[i](i=1，2，…，n)是实数，称为X的第i个坐标，两个点A=(a[1]，a[2]，…，a[n])和B=(b[1]，b[2]，…，b[n])之间的距离ρ(A，B)定义为下面的公式。ρ(A，B)=sqrt[∑(a[i]-b[i])^2](i=1，2，…，n)所谓欧氏距离变换，是指对于一张二值图像（再次我们假定白色为前景色，黑色为背景色），将前景中的像素的值转化为该点到达最近的背景点的距离。欧氏距离变换在数字图像处理中的应用范围很广泛，尤其对于图像的骨架提取，是一个很好的参照欧氏距离变换步骤提取图像强化特征比较选取图像裁剪（想象之中）图像增强三色轨道阙值分割八连通域消除边缘检测欧氏距离2019/8/132019/8/13谢谢ppt中部分文字取自百度百科LHCY（老虎吃羊）小组边缘检测前的*在处理357这样，与样本图有极高相似度，但由于识别机制建立在像素层面而无法识别的图像，可以利用边缘检测的方式勾勒出图像的边缘，进行比较，在使用边缘检测后确实根据357找到了最近似的样本图。有关“*”的解释但是，在使用边缘检测前必须要有两个前提：1）一个有效的图像裁剪机制2）更加丰富的样本库否则在样本库中添加一张空白图后。。。。。。2019/8/132019/8/132019/8/132019/8/132019/8/13欢迎收看——这里才是结尾~^o^~LHCY（老虎吃羊）小组