《图像分割技术在煤矿生产中应用.doc》由会员分享，可在线阅读，更多相关《图像分割技术在煤矿生产中应用.doc（6页珍藏版）》请在三一文库上搜索。
1、图像分割技术在煤矿生产中的应用摘要：由于煤矿领域特殊的应用环境，常用的图像分割技术直接对煤矿井下视频监控图像的分割往往得不到理想的效果。本文针对煤矿应用领域的环境要求，对常用的几种图像分割算法进行深入比较分析。abstract: as the special application environment of coal fields, the image segmentation technique is commonly used to directly cut the surveillance image of the underground coal mines video, but
2、it often does not get the desired effect. this paper provides comparisons and analysis of several commonly used image segmentation algorithms in the applications for coal mine environmental requirements.关键词： 图像分割；图像去噪；煤矿生产key words: image segmentation；image remove noise；coal production中图分类号：tp391 文献
3、标识码：a 文章编号：1006-4311（2012）11-0151-020 引言近年来，视频图像处理技术的应用越来越广泛，图像处理算法的改进或创新成为了热门研究领域之一。视频图像分割是视频处理领域中的重要组成部分，对于图像理解、图像分析、模式识别、计算机视觉等具有重要的意义。目前，在图像分割理论与技术方面已经取得了丰硕的研究成果，运动目标分割技术根据算法采用特征主要分为四类1：基于变化检测的方法、基于光流估计的方法、基于模型的方法和时空分割算法。然而，针对煤矿领域特殊环境的应用的算法却比较少，本文从煤矿领域环境出发，对常用的几种图像分割算法进行深入比较分析。1 常用的噪声去除算法由于工作环境的
4、限制，图像中往往含有大量的噪声，因此需要对采集的原始图像进行去噪处理，常用的处理技术是基于空间滤波。空间滤波是借助模板在图像空间内完成的领域操作，空间滤波器的工作原理是抑制图像在傅里叶空间某个范围内的分量，而其他分量不受影响，以改变输出图像的频率分布来达到增强的目的。滤波处理过程中既要保存图像的轮廓及边缘信息，又要使图像具有清晰的视觉效果。图像的滤波方法可以被分为频率域法和空间域法2。滤波方法中将输入和输出像素邻域像素是线性关系的称为线性滤波，如均值滤波和高斯滤波；否则为非线性滤波，如中值滤波。高斯滤波根据高斯函数的形状来选择权值，对服从正态分布噪声的去除很有效。为了克服边界效应的影响，高斯滤
5、波的加权平均值的中间权重比邻近像素的权重更大。采用3×3掩模的高斯滤波公式如下：g（x，y）=f（x-1，y-1）+f（x-1，y+1）+f（x+1，y-1）+f（x+1，y+1）+f（x-1，y）+f（x，y-1）+f（x+1，y）+f（x，y+1）*2+f（x，y）*4/16（1）其中f（x，y）为（x，y）像素点的灰度值，g（x，y）为经过高斯滤处理后的值。中值滤波在某些条件下既可以去除噪声又能够保护图像的边缘信息，它的基本原理是将像素邻域内各点值的中值代替该像素点的值。中值的定义如下：一组数x1，x2，x3，xn，把n个数按值的大小顺序排列如下：xi1xi2xi3xin（2）
6、则序列x1，x2，x3，xn的中值表示为：y=med（x1，x2，x3，xn=x ， n为奇数x+x，n为偶数（3）二维中值滤波表达式为：g（x，y）=medf（x-k，y-l），（k，lw）（4）其中，f（x，y）为原始图像，g（x，y）表示处理后的二维图像。w为二维模板，模板通常为2×2、3×3区域，也可以是不同的形状，如方形、十字形、线形、圆形、菱形等。虽然中值滤波器对脉冲信号很有效，但仅采用简单的中值滤波将会丢失图像的细节，造成视觉效果的模糊。于是又有研究者提出了一些改进的方法，如基于个数判断的脉冲噪声的中值滤波器、自适应门限的中值滤波器、多窗口下的自适应中值滤波器
7、等等。均值滤波是指在图像上给定目标像素的模板，此模板包括当前像素点及其周围的八邻域像素点，以模板像素点的平均值来代替原当前像素点。均值滤波属于线性滤波的一种，其基本原理是用当前像素的领域均值代替原图像中当前像素值，即对图像的当前像素点（x，y），选择一个模板，该模板由其八个近邻的像素组成，求模板中所有像素的均值，再以该均值代替当前像素点（x，y），作为处理后图像在该点上的灰度值g（x，y），方程表示如下：g（x，y）=f（x，y）（5）m为该模板中包含当前像素在内的像素总个数。均值滤波能够平滑图像且速度快，算法简单。但只能减弱噪声，无法予以去除。2 图像分割算法介绍经过多年的研究，图像分割方法
8、已经有很多种，根据算法采用特征主要分为四类：基于变化检测的方法3、基于光流估计的方法2、基于模型的方法和时空分割算法。2.1 基于变化检测的图像分割研究 基于变化检测的方法通过对视频帧间差图像的检测实现运动目标的分割。常用变化检测的方法有帧差法和高阶统计量检测法，帧差法利用图像帧间的变化进行运动目标的检测，该算法简单易实现，实时性强，但容易出现空洞现象，通常结合其它方法应用。高阶统计量的检测法是由neri3提出的，高阶统计（hos）量主要利用图像信息的四阶累积或者四阶矩对运动区域进行提取。运动区域的提取过程中，首先要计算局部估计信息的帧差零延迟四阶矩；其次，进行自适应地设定阈值，该阈值要能够随
9、背景相适应的变化；再次，将得到的阈值与计算出的四阶矩相比较，以区分运动区域和背景；最后，提取出不同于背景波动和噪声的运动区域。提取过程需要注意两个方面：一方面是阈值的设定，如果阈值设定不当，将会导致部分噪声不能被消除；另一方面，由于物体内部纹理信息的一致性，检测过程中会出现信息内部的空洞现象，为此还要进行边缘提取和区域填充等。下面将分别给出随机变量的高阶矩和高阶累积量。随机变量x的k阶矩通常可用x的特征函数（s）在原点的k阶导数来表示：（s）=f（x）edx=ee（6）（0）=ex=m（7）这里也把（s）称为x的矩生成函数，将函数（s）=ln（s）称为x的累积量生成函数，随机变量x的k阶累积量ck定义为它的累积量生成函数（s）的k阶导数在原点的值，表示为：c= （8）高阶统计量最初应用于信息处理领域，然而由于具有抑制加性高斯噪声的能力，可以避免高斯噪声对图像的影响的特点，已经被很多研究者引入到图像滤波、图像分割等图像处理的不同研究领域。该方法能够较完整地分割出运动目标，但只适用于静止背景环境下。6 / 6