• 具有高密度分辨率，比普通X线照片高10～20倍。 • 能准确测出某一平面各种不同组织之间的放射衰减特性的 微小差异，以图像或数字将其显示，极其精细地分辨出各 种软组织的不同密度，从而形成对比。 • 如头颅X线平片不能区分脑组织及脑脊液，而CT不仅 能显示出脑室系统、还能分辨出脑实质的灰质与白质； • 如再引入造影剂以增强对比度，其分辨率更高，故而 加宽了疾病的诊断范畴，还提高了诊断正确率。 • 但CT也有其限制，如对血管病变，消化道腔内病变以及某 些病变的定性等
28
4.2.2颜色特征
• 由于颜色特征具有旋转不 变性和尺度不变性，因而， 在图象识别技术，颜色是 使用最广泛的特征之一。 • 而颜色特征的提取是利用 颜色特征进行图象识别的 关键之一。 • 目前，大部分系统都采用 颜色比例分布作为颜色基 本特征， 这就是图象领域 中的直方图法。
(a)
（b）
(c)
5
CT
• A胶质细胞瘤.右额、顶叶有一较大不规则肿块， 强化不均，周围有低密度水肿区 • B星形细胞瘤，左额顶叶有一不均匀强化肿块， 不规则，内有未有强化的低密度区，周围有低密 度水肿区，中线结构右移 • C胸腺增生，胸腺区有一分叶状密度均一病灶， 仍呈胸腺状，主动脉受压右移 • D肝脓肿，肝右叶有一低密度灶类圆形，中心部 密度更低为脓腔，周边为脓肿壁呈双边征 • E腰椎骨折，椎弓多处中断，椎管变形，其内可 见碎骨片 • F肝转移癌，肝左、右叶多个大小不一、不规则 低密度灶，周边有细的强化环围绕 • G肺脓肿，右上叶有一空洞性病灶，内壁光滑， 并见气液平面，胸部X线片曾疑肺癌 • H前裂腺癌，前列腺分叶状增大，并向膀胱内突 入
分别显示出只含有一个对象的二值图像
26
4.2 特征提取
• 4.2.1形状特征 • 4.2.2 颜色特征
27
4.2.1形状特征
• 图像经过边缘提取和图像分割等操作，就会得到边缘和区 域，也就是获得了目标的形状。 • 任何物体的形状特征均可由其几何属性（如长度、面积、 距离、凹凸等），统计属性（如投影）和拓扑属性（如连 通、欧拉数）来进行描述。 • 可以用来表示形状的特征包括几何特征和矩特征。 • 可供选择的几何特征有：周长、面积、偏心率、欧拉数、 角点、横轴长度和纵轴长度。 • 矩特征有质心、方向、主轴关于方向的矩、不变矩和特 征矩等。 • 本例识别目标物较少，因此不必选择过多特征，我们只 选择了面积，横轴长两个特征，并用图像分析得到的特 征值建立了一个小型的特征库
30
6 识别结果
• 经过彩色边缘检测，图像分割和特征提取，对 分割后的图像进行模式匹配，并制作出用户界 面，最终实现图像的分类和识别。 • 当按下界面上的控制按钮时，计算机会自动识 别出相应的水果。 • 例如：按下按钮“梨”时，界面上就会显示 出梨。按下按钮“关闭”，界面关闭。
31
最终效果图
•
（a） 原始图像
20
•
%轮廓变模糊
21
形态学处理步骤
• 第一步：构造结构元素 （%即形状等） • 第二步：利用构造的结构元素对图像进行膨胀 操作 • 第三步：区域填充 • 第四步：连通区域标记 • 第五步：选择对象
• 与原始图像相比，我们看到在边缘图像中存在一些细小的 间隙，根据数学形态学原理，如果构造结构元素对图像进 行膨胀操作，这些小间隙就会消失。因此，我们在水平和 竖直两个方向分别构造结构元素：
12
彩色边缘和彩色边缘检测
• 边缘是图像的一个基本特征，携带了图像中的大 量信息，边缘检测不仅能得到关于边界的有用的 结构信息，而且还能极大地减少要处理的数据， 很多图像处理和识别算法都以边缘检测为重要基 础。
13
• 边缘按其颜色特征可分为灰度边缘和彩色边缘。 • 灰度图像可由图像亮度函数来描述，灰度边 缘可以定义为图像亮度函数的具有边缘特征 的不连续点的集合，它描述了灰度函数的局 部突变。 • 彩色图像可由图像色彩函数来描述，彩色边 缘可以定义为图像色彩函数的具有边缘特征 的不连续点的集合，它描述了色彩函数的局 部突变。
14
• 长期以来人们主要致力于灰度边缘的研究并取 得了很好的效果。但彩色边缘能比灰度图像提 供更多的信息。有研究表明，彩色图像中，大 约有90％的边缘与灰度图像中的边缘相同，也 就是说，有 10％的边缘在灰度图像中是检测不 到的。因此，彩色边缘的检测受到越来越多的 重视。
15
彩色边缘检测的方法
• 输出融合法 • 分别对红，绿，蓝三个颜色通道（或其他颜色 空间分量）执行边缘检测， • 最后的输出是这三幅边缘图像的合成
4、交通图像处理与识别技术
掌握图像处理的基本原理及其图像识别技术
引言 水果的识别 指纹识别技术
引言
• 模式识别就是分析图像内容,找出图像中有哪 些东西。 • 步骤： • 图像分割（物体分离）：检测出各个物体， 并把它们的图像和其余景物分离 • 特征抽取：对物体进行度量。通过计算对物 体的一些重要特性进行量化表示 • 分 类：确定每个物体应该归属的类别
6
识别与解释:图像分析系统组的成
• 图像分析技术分类的三种基本范畴
分割 预处理
问题
表示与描述
中级处理
知识库
图像获取
低级处理
识别 与 解释
高级处理 7
结果
识别与解释:图像分析系统
• 图像分析技术分类的三种基本范畴 • 图像处理（低级处理）：图像获取、预处理，不需要智能 • 图像分析（中级处理）：图像分割、表示与描述，需要智 能 • 图像理解（高级处理）：图像识别、解释，缺少理论，为 降低难度，设计得更专用。
(b) 梨
32
指纹识别技术
生物识别技术正越来越多地影响着人们 的日常生活。 通过取代个人识别码和口令，生物识别 技术不仅可阻止非授权访问，还能防止盗用 ＡＴＭ、蜂窝电话、智能卡、桌面ＰＣ、工 作站以及计算机网络。 生物识别技术也可在电话、网络进行金 融交易时进行身份认证，或在办公场所取代 现有的钥匙、证件、图章等。
水果原始图像
9
颜色空间的转换
• 为了正确使用颜色，需要建立颜色空间。颜色空间是对彩 色的一种描述方法，它有很多种类型， • 如： RGB，CMY，YIQ， YUV，HSL等。 • RGB是使用较普遍的颜色空间，由于显示器采用此模型， 因此，算法的执行速度较快。 • HSL • 是由色调（H）,饱和度（S）和亮度（ L）三个颜色分量 组成的一类颜色空间， • 是面向用户的一种复合主观感觉的颜色空间，通常用于 选择颜色，更接近人对颜色的感知。
35
全球首款带有指纹识别的手机
•
36
• 指纹是指手指末端正面皮肤上凸凹不平产生的纹路。 • 这些纹路的存在增加了皮肤表面的摩擦力，使得我们能够 用手来抓起重物。 • 尽管指纹只是人体皮肤的一小部分，但是，它蕴涵大量的信息。 • 这些皮肤的纹路在图案、断点和交叉点上是各不相同的， 在信息处理中将它们称作“特征”， • 医学上已经证明这些特征对于每个手指都是不同的，而且 这些特征具有唯一性和永久性， • 因此我们就可以把一个人同他的指纹对应起来，通过比较他的 指纹特征和预先保存的指纹特征，就可以验证他的真实身份。
图(a)~(d)分别为香蕉，青椒，梨和西红柿的直方图 横轴为色调Hue，纵轴为H（p）。
（d）
29
相似度量
• 颜色特征提取后，如何用数值来有效的表示图 像在颜色上的相似程度，这便是相似度量问题 • 相似度量也是直接影响识别效果的重要环节， 在模式识别技术中，特征的相似度量均采用距 离法 ，即特征的相似程度用特征向量的空间 距离来表示
10
图（a）
图（b）
图（c）
• 图（a）,图（b），图（c）分别表示彩色水果图 像的R,G,B分量， • 将三图组合起来都可得到原始图像。
11
图（d）
图（e）
图（f）
• 图（d）,图（e）,图（f）分别为其H,S,V分量。 将三图组合起来都可得到原始图像。 • 图中H和S分量图看起来与V分量图很不相同，这 说明H,S,V三分量间的差别比R,G,B间的大。
• 该系统的核心是ＯＣＲ（光学字符识别）技术。 • 通过ＣＭＯＳ摄像头提取指纹，然后输入计算机，再通 过一系列复杂的指纹识别算法，现代技术就能在极短的 时间内完成任何人的身份识别认证。 • 可以说，指纹识别实现了身份鉴定领域的世纪革命。
38
指纹识别
• 指纹其实是比较复杂的。与人工处理不同，许 多生物识别技术公司并不直接存储指纹的图像。 • 多年来在各个公司及其研究机构产生了许多数 字化的算法（美国有关法律认为，指纹图像属 于个人隐私，因此不能直接处理指纹图像）。 • 但指纹识别算法最终都归结为在指纹图像上找 到并比对指纹的特征。
37
指纹识别
• 公元前７０００～６０００年，古代的亚述人和中国人就意识到了指纹 的特点，并使用指纹作为个人身份的象征。 • １９世纪中叶对指纹的研究产生了两个重要的结论：
• 没有任何两个手指指纹的纹线形态一致； 指纹纹线的形 态终生不变。 • 这些研究使得一些政府开始使用指纹进行罪犯鉴别。
• 在现代的科学研究领域，指纹的识别属于“模式识别”。
• •
se0=(1 1 1 1 1 1 1 1 1 1 ) （%垂直方向）se90=(1 1 1 1 1 1 1 1 1 1 1 )
（%水平方向）
22
膨胀处理
• 膨胀处理后
23
区域填充
• 膨胀运算后，图像的边缘得 到了很好的描述 • 然而，在目标物的内部，仍 然存在一些空洞，可通过区 域填充消除空洞
R G 边缘__R 边缘__G 边缘__B
16
阈值
边缘图像
B
彩色边缘检测的方法
• 多维梯度法 • 将三个梯度结合成一个，只需检测一次边缘， 从而缩短了整个彩色边缘检测的过程
R G
多维梯度 计算
阈值测的方法