结构光图像（精选5篇）
结构光图像 篇1
摘要：结构光视觉三维重建中,结构光条纹分割与提取是关键。提出一种结构光条纹分割方法,该方法首先采用多尺度Retinex算法对条纹图像暗部细节进行增强,然后使用K均值聚类算法对图像的高光区域进行检测,并在图像高光区域约束下提出基于最小偏态分布指标的图像分割技术,计算出高光区域和非高光区域两个分割阈值;最后对处理后的图像进行双阈值分割,获得最终的条纹图像分割结果。实验结果表明该方法能够有效处理结构光条纹图像的分割。
关键词：条纹图像,多尺度Retinex,K均值聚类,条纹分割
0 引言
基于结构光投射的三维重建技术广泛应用于计算机视觉等领域,通过结构光投射可以重构出被测物体的三维几何信息。结构光根据投射的光束模式不同可分为点结构光模式[1]、线结构光模式[2]、多线结构光模式[3]及网格结构光模式等。由于该方法有着高精度、强实时性且易于提取光条图像信息等特点,因此经常被用于三维视觉检测领域。结构光视觉三维测量技术是基于光学三角原理是用与被测物体匹配的相应模式的结构光,在摄像机的拍摄下获得变形光条图像,这样可以解决物体表面形貌测量、空问位置测量、三维运动信息获取等许多在线测量的问题[4]。
在结构光几何重建及三维测量应用中,结构光条纹分割及中心的提取对重建或测量精度有着重要的影响。胡坤等利用高斯卷积递归确定光条纹各点的法线方向,再用泰勒级数获得光条纹中心的亚像素位置[5]。熊会元等采用阈值分割确定条纹中心初始点和法线方向,计算条纹法向,最后在法线方向精确获取光条纹中心[6]。近年来,对如何精确提取条纹中心线提出了一些新方法,如郑鹭斌等提出一种基于轮廓关键点和能量中心优化的条纹中心线精确提取方法[7]。贾卫平等提出一种基于Hessian的多结构光条纹亚像素中心提取方法[8],提高了结构光亚像素中心提取速度。
在基于多线结构光模式下,由于拍摄条件的限制、被测物体表面颜色丰富以及光滑表面等情况下获取的条纹图像亮度往往不均匀,为后续的条纹提取带来不便。通常的方法是对获得的结构光图像进行条纹增强处理,如秦绪佳等提出的HSV颜色空间下的结构光条纹增强算法[9],可实现结构光图像细节增强。还有采用方向场和频率场约束进行结构光条纹进行增强[10]。柴玉亭等采用频域滤波法对图像高光影响进行了有效消除[11],使条纹中心提取更精确。针对存在欠曝光、高光双重影响的结构光图像,我们提出了一种先进行MSRCR图像增强,然后基于K-means的高光检测方法和带高光区域的结构光条纹双阈值分割方法。
1 多尺度Retinex暗部细节增强
1.1 多尺度Retinex算法
Retinex[12]理论是Land在1963年提出的一种具有颜色恒常知觉的计算理论,它是基于人类视觉的亮度和对颜色的感知。Retinex理论指出物体的颜色是物体对长、中和短波的光线的反射能力决定,并不由反射光的强度值决定。因此Retinex算法将物体的颜色和亮度定义为由周围环境颜色和亮度和物体的反射光两部分构成,从而通过对亮度间的比较获得入射光分量且降低其质量,最终分解出反射光分量,消除光照不均和其他影响,获得良好的视觉效果,达到图像增强的目的。
根据Retinex[12]理论,图像I(x,y)可以表示成入射光分量和反射分量的乘积,公式如下:
其中,E(x,y)表示像素点(x,y)处的入射光分量,由于其具有动态压缩性,所以E(x,y)决定了动态范围的广度。由于对数可以使乘除变为加减,大大减少了计算复杂性且更直观的可以表示,所以对式(1)两求对数,得到式(2)如下:
单尺度Retinex算法(SSR)是在Land提出的中心/环绕Retinex的基础上发展起来的[13]。表示成如下公式:
F(x,y)为用高斯函数实现的中心/环绕函数,c为尺度常量,输出图像的色彩保真度随c的增大而增大,动态范围压缩结果则相反,通常尺度常量选择30至80间。*表示卷积运算符,而Ii(x,y)表示图像I(x,y)处的第i个颜色通道上的值,Ri(x,y)表示反射光分量。
由于单尺度Retinex算法(SSR)并不能很好地解决在动态范围压缩和色感一致性上取得平衡问题,Jobson等人提出了多尺度Retinex算法MSR(multi-scale Retinex)[14],该算法在单尺度Retinex算法的输出结果上再进行加权求和,如式(5)所示,是对式(4)进行加权平均。其中,ωn为尺度n对应的权值,b表示偏移量。N为尺度个数,且;G表示增益系数,目的是增加图像全局对比度。
1.2 暗部条纹增强实验结果
图1(a)由于曝光不足,黑色条纹与被测物体颜色对比度不高,条纹难以分辨,增加了后续处理的难度。图1(b)为使用MSRCR算法处理后的结果,处理之后的图像亮度较(a)明显提高,背景和目标物清晰可辨,原来融入背景的光栅条纹信息也得到明显增强,所以MSRCR算法能够显著提升结构光图像暗部区域细节。
2 结构光条纹图像分割算法
对于欠曝光、高光双重影响的结构光图像条纹分割,本文算法处理流程如图2所示。
流程图中三个关键步骤的具体处理过程如下:
(1)采用第1节的MSRCR方法对结构光条纹图像进行暗部细节增强;
(2)采用K均值聚类算法对图像的高光区域进行检测,获得高光区域图;
(3)对暗部细节增强的图像转化成灰度图像,在高光区域的约束下采用基于最小偏态指标的图像分割技对灰度图像进行阈值分割,得到最终的结构光条纹图像。
下面我们对图像的高光区域检测及基于最小偏态指标的图像分割方法进行描述。
2.1 K均值聚类的图像高光区域检测
大部分图像总是存在高光部分,它是整个图片中最亮的部分,不仅影响图像细节处的观察,更是对图像处理的精度产生影响,如何去除高光已成为现实之需。
早期高光去除方式多以色度分析或光线极化分析方法为主,Wolff使用反射光的偏振性质分离出反射光的高光部分和漫反射部分[15];Nayar等人在Wolff的工作基础上又考虑了图像的颜色信息[16];Sato引入时间-颜色空间,通过分析相同光源不同角度的图像序列分离高光[17]。当前的高光检测方法主要以Shafer的双色反射模型[18]为理论基础。
以上这些方法都存在算法复杂、计算时间长等不足。本文提出一种较为简单的高光去除方法,首先使用K均值聚类算法提取高光区域,然后采用最小偏态指标的图像分割技术来实现高光区域的分割。
K均值聚类算法是将给定的数据点通过某个距离函数将数据放入聚类数目K(由用户定义)中,而在比较分析图像信息的过程中,发现无论是漫反射分量的像素还是高光分量的像素都较为集中,而且前者的灰度值相之于后者较为小。因此,可以将漫反射分量和高光分量通过K均值聚类算法区分来或者归到同一类来。K均值聚类算法进行图像高光区域检测处理过程如下:
(1)将颜色从RGB转换为YUV格式,转换公式为:
(2)将Cdifu和Cspec分别设定为漫反射初始聚类中心和高光反射初始聚类中心。
(3)f(x,y)表示像素x,y对应的亮度分量,分别计算到两类聚类中心的值。DDiffuse表示各像素与漫反射聚类中心的距离,DSpecular表示各像素与高光聚类中心的距离。计算各像素灰度与聚类中心的距离。公式如下:
(4)利用式(7)求出的到两类的距离,将到漫反射聚类中心的距离大于高光反射聚类中心的像素对应亮度分量求平均值,设定为下一次迭代的漫反射聚类中心;高光反射同理,得到式(8)。
(5)如果当前的迭代次数大于设定的最大迭代次数,或者聚类差值大于阈值,则分类结束。否则进行下一次迭代,重复步骤(2)-(5)。
图3给出了具有高光影响的图像采用上述算法进行高光区域检测的结果。(b)、(d)分别是(a)、(c)使用K均值聚类算法提取高光区域的结果图像,结果图像中的黑色部分为漫反射区域,白色部分为高光反射区域。(a)是一个含有高光信息的球,其高光区域在(b)中已经被识别出来,且(a)中高光区域中的原型突起物没有产生高光反射,在(b)中也被很好的划分在非高光区域。(c)是光栅条纹的花瓶瓶口部分存在高光反射的区域,其高光区域在(d)也被分割出来。因此,此算法可用于结构光条纹图像的高光检测。
2.2 高光区域约束的最小偏态指标条纹分割
为了区分图像中目标与背景,提出基于最小偏态指标的图像分割技术,它是基于数理统计中的偏态指标,通常样本的偏态指标为样本的三阶矩,样本均值可以用样本的二阶矩来表示,均值用一阶矩来表示,而偏态指标也可以作为判别函数用于图像分割。计算过程如下:灰度级的范围从0~K,假设目标和背景的灰度值概率密度分别为p1(t)和p2(t)。通过概率密度可以求出灰度均值分别为μ1(t)和μ2(t),方差分别为σ12(t)和σ22(t),并且使用k1和k2分别表示目标和背景的偏态指标。在结构光图像条纹分割中,我们通常认定目标物较暗,背景较亮。通过设定阈值t,将背景与目标分离,与此同时他们归一化后的直方图为h(i),i∈(0,k)。自然而然,θ(t)就代表目标占整个图片像素比例。
偏态指标为:
阈值计算公式为:
表面光滑物体的图片通常存在高光区域,而高光区域会对目标与背景的分离产生影响,直接采用并不能取得很好的效果。本文我们采用将高光部分和非高光部分分离且分别计算阈值的方法,来实现有效的目标与背景分离。
首先采用2.2节的方法将图像分离为高光Ωh与非高光区域Ωd;然后分别对高光区域和非高光区域利用最小偏态法计算阈值,得到高光区域的阈值TredΩh和非高光区域的阈值TredΩd。双分割阈值计算公式如下:
获得图像高光区域和非高光区域的分割阈值后,分别对图像高光区域和非高光区域采用不同的分割阈值进行图像二值化处理,得到最终的条纹分割结果。图4(a)是花瓶瓶口部分存在高光反射的区域的光栅条纹图像,图4(b)为经上述双阈值处理后的条纹分割结果。从图4可以看出,结构光条纹得到有效的分割和提取。
3 实验结果与分析
本文算法在Visual Studio 2008集成开发环境上采用C++编程实现,实验运行环境:CPU 2.4 GHz,内存4 GB。
我们分别对金属零件和陶瓷器件两种不同材质的物体的结构光图像进行条纹分割,并与常用的分割方法进行比较。由于金属及陶瓷件表面光滑,会有高光区域,直接分割往往不能提取出高光区域的条纹结构。本文方法不仅对图像暗区域进行了增强,而且对高光区域进行了处理,从而获得很好的分割结果。
图5(a)和图6(a)结构光条纹图像,原图大小均为5412×7216,为便于中显示清晰,本文中只截取了原图的局部。图5(b)和图6(b)为本文经MSRCR增强图像。MSRCR增强图像时,式(5)中参数G取1.0,b取0值,为尺度个数N取3。G值取过大暗区域明显增强但高光区域会增强过度,从而影响第2步高光区域检测。图5(c)和图6(c)分别为图5(a)和图6(a)的局部放大图,图5(d)和图6(d)分别为图5(b)和图6(b)的局部放大图。图5(e)和图6(e)为本文方法分割结果。图5(f)和图6(f)为直接阈值分割结果,图5(g)和图6(g)图采用自适应阈值法(OTSU)的分割结果。
由实验结果可以看出,无论采用固定阈值还是采用自适应阈值对原图像进行分割,均无法得到好的条纹分割结果。而本文方法由于分别考虑了图像的暗区域和高光区域,并分别进行了增强处理,可获得较好的分割结果。
图7为我们采用结构光进行三维重建的金属管接头结构光条纹分割实例。图7(a)为结构光原图像,图像大小为5412×7216,图7(b)、(d)、(f)为图7(a)中3个区域的局部放大图。经采用本文对图像先进行Retinex暗部增强,然后检测高光区域并采用双阈值分割,得到相应的分割结果。MSRCR增强图像时,式(5)中参数G取1.0,b取0值,为尺度个数N取3。由于本文为增强结构光图像中的条纹,尺度常量取中间值50可得到好的效果。K均值聚类为区分前景与背景,K取2。为减少聚类迭代时间,最大迭代次数取20。
4 结语
针对基于结构光三维重建中条纹图像的条纹分割与提取问题,对条纹图像存在欠曝光的暗区域和高光反射的过亮区域时,传统的分割方法难以获得完整清晰的条纹,本文提出了一种新的结构光条纹分割方法。该方法首先利用MSRCR算法使得暗部细节得到有效增强,使条纹清晰可见,为图像的欠曝部分的条纹提取提供了很好的解决方法。对因物体表面光滑存在高光反射时,采用K均值聚类应用于高光区域的检测,且提出采用最小偏态法分别对高光区域和非高光区域计算阈值,高光与非高光区域分别用不同的阈值进行分割,获得较好的条纹分割结果。
结构光图像 篇2
无衍射光技术可以实现成像系统景深的延拓[1,2,3],所成的像虽对离焦不敏感,但需要进行图像复原。普通图像复原的方法,例如,RLW算法[4],维纳滤波法,盲复原法,Lucy-Richardson法,约束最小二乘方滤波法等,在一定程度上能改善图像的效果,但是这些算法得到的图像边缘轮廓不清晰,因而还不能将其应用于在线检测。多幅图像叠加算法是将多幅图像线性叠加一起后达到降低噪声的效果[5,6],从而提高图像的对比度,增强图像的细节。Retinex算法[7,8,9,10,11,12,13]对于输入图像的处理过程是一种模仿人类视觉系统的非线性处理,它可以改善图像的光照条件,锐化图像的细节,并且使输出图像的色彩或灰度分布自然地接近实际场景。然而将以上的复原方法单一的应用于无衍射光大景深成像系统,复原的图像效果并不理想。
本文利用Retinex算法具有锐化图像细节特性和多幅图像叠加算法具有提高对比度特性将两者组合使用,提出多幅图像叠加与多尺度Retinex算法(MCIMSR),可以达到提高图像的对比度,增强图像的细节,锐化图像边缘轮廓目的。
1 无衍射光大景深成像系统
无衍射光大景深成像系统主要由透镜、轴锥镜、CCD摄像头、计算机组成。成像系统主要利用轴锥镜产生无衍射光束的中心光斑的大小在一定范围内保持不变的特性来设计,从而来拓展成像系统的景深,其景深为图1中的D,文献[2]给出了其计算过程。
尽管无衍射光大景深成像系统能拓展系统的景深,但所成的像很模糊,需要借助数字图像处理技术进行图像复原。导致系统成像模糊的原因是,无衍射光大景深成像系统所成的像可以看成是由物体发出的无数个点光源叠加后形成的,而每个点光源经过成像系统后的衍射光斑的中心光斑强度很大,中心光斑以外的部分近似为均匀的背景。因此,当物体上的很多点物产生的均匀背景叠加后,使得整个图像的背景增强,结果使得图像的对比度下降了,故无衍射光大景深成像系统在景深范围内所成的像都是不清晰的,如图2给出了物体在不同景深处的实验图像。实验中用白光照射物体,轴锥镜的参数取值分别为锥角θ=0.01弧度,折射率n=1.5,D=20 mm, 采用面积为4.8 mm×3.6 mm,CCD像素尺寸为6.5 μm×6.25 μm。
2 基于多幅图像叠加与Retinex的无衍射光图像复原
一般情况下,图像的退化模型可以采用矩阵形式,即
undefined
式中g、f和n分别表示由观察到的退化图像、原始图像和退化过程中所引入的加性噪声。H为由退化系统点扩散函数h(x,y)所构成的矩阵。当点扩散函数h(x,y)为空间线性不变时,此时图像的退化模型可以采用下述的卷积形式来表示
undefined
式中“*”表示空间的二维卷积运算,g(x,y)和f(x,y)则为图像大小的二维矩阵。因此图像复原就是如何从已知的退化图像g(x,y),h(x,y)和n(x,y)的有关知识估计出f(x,y)的估计值undefined(x,y)。
2.1 多幅图像叠加算法
通过分析无衍射光大景深成像系统所成图像的特点,发现图像的细节相对背景分布在很窄的强度范围内,这样使得图像的对比度较低。同时成像系统的噪声主要是高斯白噪声,而多幅图像叠加方法对降低高斯白噪声有很好的效果,因而,先采用这种方法来降低无衍射光成像系统所成图像的噪声。
设共有M幅图像进行叠加,得到如下关系
undefined
式中,gi(x,y)和ni(x,y)分别为第i幅图的退化图像和噪声。
通过分析无衍射大景深成像系统的点扩散函数的特性知,无衍射光大景深成像系统的点扩散函数主要由强度很大的中心光斑和近似均匀分布的背景所构成,这两部分可以看成为脉冲分量δ和低强度部分h2,即
undefined
将式(4)代入式(3),可得到下式:
undefined
式(5)中的h2(x,y)*f(x,y)是未退化图像与点扩散函数中低强度部分的卷积。由于点扩散函数低强度部分能量分布较广且起伏很小,卷积的结果导致图像模糊。通过实验发现,可用任意一幅退化图像gm(x,y)进行高斯低通去噪后得gm′(x,y)去替换h2(x,y)*f(x,y)。这样,可得到原始图像的估计值undefined为:
undefined
式中,P为照度调节值,∑undefinedni(x,y)为常量,m∈[1,M]。
无衍射光成像系统的噪声主要是高斯噪声,将M幅图像的噪声叠加起来,则有:
undefined
可见随着图数量M的增加,式(6)右边的噪声项的值趋向于它的数学期望值E[ni(x,y)]。一般情况下,白色高斯噪声的数学期望都等于零,即∑undefinedni(x,y)=0。
即式(6)可以简化为:
undefined
虽然多幅图像叠加方法,提高了图像的对比度,在很大程度上改善了图像的视觉效果,但图像的失真比较严重,同时边缘轮廓不清晰,因而需要进一步处理。多尺度Retinex算法具有锐化图像细节的特性,本文将采取这种方法进行进一步图像复原。
2.2 多尺度Retinex
Edwin H.Land首先提出了Retinex作为人眼感知亮度和色度的视觉模型,该理论论述了人眼视觉系统是如何获取景物的图像,并具有色感一致性。所谓色感一致性,是指在人眼能够在不同亮度情况下仍可辨认物体本来颜色的能力。对于灰度图像而言,色感一致性体现了在不同亮度情况下分辨物体灰度级(亮度)的能力。
基于这种方法处理的图像可以使图像在边缘锐化、动态范围压缩和颜色的恒定性方面都有很好的效果。Retinex理论的基本思想是将原始图像I(x,y)看成是由照射光图像L(x,y)和物体反射属性R(x,y)组成[7],可以用以下公式表示
undefined
一般来说,反射图像R(x,y)对应于输入图像中的高频信息,主要是边界、纹理等来自物体的信息,而光照图像L(x,y)则是对应于图像中来自场景环境的低频信息。因此在原始图像中去除或降低照射图像的影响从而保留本质的反射属性是Retinex理论的基本思想。
对输入图像做平滑滤波,得到光照分量L(x,y)如下式所示:
undefined
式中I(x,y)表示输入图像,*表示卷积运算,G(x,y)为环境函数,通常采用高斯函数的形式:
undefined
式中ε为标准差。对式(8)两边取对数后化简得对数域的反射分量:
undefined
此时标准差ε又可看为尺度参数,ε较小时,算法的动态压缩能力强;ε较大时,图像的色感一致性较好。为了在动态范围压缩和色感一致性之间取得较好的平衡,采用多尺度Retinex算法。
多尺度Retinex算法是一种既可以很好完成图像的动态范围压缩,又可保证图像的色感一致性好的图像增强算法。该算法可用下式描述:
undefined
其中下标i表示第i个光谱带,N表示光谱带个数,N=1时代表灰度图像,N=3代表彩色图像(RGB)。Wk可以根据侧重动态范围压缩或是侧重色感一致性的需要来选取。Gi选取不同的标准偏差εk,用来控制环境函数范围的尺度。
2.3多幅图像叠加与多尺度Retinex的组合算法(MCIMSR)
为了复原无衍射光大景深成像系统的原始图像,本文在分析多幅图像叠加算法与多尺度Retinex算法的基础上,提出基于多幅图像叠加与多尺度Retinex组合算法,具体实现过程如图3所示。
图像的复原步骤如下:
(1)首先对输入的图像gi(x,y)进行灰度化,进而得到的M幅灰度图g′i(x,y)进行图像叠加∑undefinedg′i(x,y);
(2)取输入图像中的一幅进行高斯低通滤波处理g′m(x,y);
(3)将叠加后的图像∑undefinedg′i(x,y)与g′m(x,y)做减法,并对整体进行系数调节,输出的图像为undefined(x,y);
(4)因多幅图叠加法得到的undefined(x,y)像素有正有负,而多尺度Retinex增强算法处理的是灰度图像或彩色图像。因此,必须将得到的像素值undefined(x,y)映射到[0,255]范围内,即采用以下线性映射
undefined
式中fmax,fmin分别为undefined(x,y)中像素的最大值和最小值,L′(x,y)为正规化结果。
(5)将输出的图像进行多尺度Retinex处理,最终得到目标图像R(x,y)。
undefined
3 实验结果分析
为了验证以上理论分析,利用MCIMSR算法对图2进行图像复原。本文选取高斯低通滤波器的模板大小为[30 30],标准差为10,其频率响应如图4所示。多幅图像数目为M=98。采用的多尺度Retinex算法选取大、中、小3个尺度分别为25、100、220,并且每个尺度的权重通过多次试验发现各分量(即R、G、B)的最佳权重为1.13,0.54,0.13。
图5～图8分别给出了维纳滤波、多幅图像叠加方法、多尺度Retinex算法和MCIMSR算法的复原结果。
从以上四种方法的复原结果可看出,都明显提高了图像的对比度和清晰度,但本文提出的方法更占优势,复原的效果要好于其它三种方法。从色彩饱和性与亮度方面更符合人的视觉系统,因而,可适用于成像系统的图像复原。
4 结 论
结构光图像 篇3
1 医学X光图像的特点
医用X光图像是临床放射学检查中应用最早和最普遍的检测方式之一, 是进行科学研究和临床诊断、治疗的基本手段。传统的X光图像是各个物体对X射线吸收程度叠加的结果, 不同方向上物体的不同或物体个数的多少都会影响X射线的吸收程度。但由于受到投影、混合和噪声等因素的影响, 得到的图像与实际图像相比会变得模糊和失真, 不利于对图像细节的观察和病灶诊断。为此, 要获得清晰的X光图像轮廓, 先要进行数字化, 然后对数字化后的X光图像进行综合滤波和降噪, 以便得到清晰和完整的图像轮廓和边缘, 进一步提高并改善图像质量。
2 LOG算子的算法原理
2.1 理论基础
LOG算子又称Marr算子, 是在拉普拉斯算子的基础上实现的, 是基于 Marr提出了第一个较为完善的视觉系统框架, 即计算视觉理论框架。他认为视觉是一个复杂的信息处理过程, 有不同的信息表达方式和不同层次的处理过程, 而最终的目的是实现计算机对外部世界的描述。由于噪声的影响, 对噪声敏感的边缘点检测算法可能会把边缘点检测出来, 而真正的边缘点会被噪声淹没而未检测出。由于拉普拉斯算子对噪声比较敏感, Marr提出了用著名的Marr算子用来检测和提取边缘, 即先用高斯函数对图像滤波, 然后对图像进行拉普拉斯运算, 克服了拉普拉斯算子对噪声敏感的缺点, 减少了噪声的影响。
2.2 算法实现
在从景物到图像的形成过程中, 每一像素点所对应的真实景物点的周围对该像素点灰度的影响呈正态分布。所以平滑函数应反映不同远近的周围点对给定像素具有的不同平滑作用。实际上, 高斯函数满足上述要求, 因此LOG算子中采用了高斯函数。
设f (x, y) 为原图像, h (x, y) 为高斯平滑函数, g (x, y) 为平滑滤波后的图像, 则有:
g (x, y) =f (x, y) ×h (x, y)
其中, h (x, y) =e-
然后对采用拉普拉斯进行边缘检测, 可得
∇2g (x, y) =∇2[f (x, y) ×h (x, y) ]
由卷积的性质, 有
其中,
令r2=x2+y2, 则有:
而∇2h (x, y) 就称为LOG算子。
2.3 LOG算子特性分析
根据二阶导数算子过零点的性质, 就可以确定图像中阶跃状边缘的位置。运用LOG算子检测边缘, 实际上就是寻找满足:
∇2g (x, y) =0, 即∇2[f (x, y) ×h (x, y) ]=0的点
由于LOG算子是一个轴对称函数, 各向同性。该函数在r=±σ处有过零点, 在|r|<σ时为正, 在|r|>σ时为负。另外, 可以证明这个算子定义域内的平均值为零, 因此, 将它与图像卷积并不会改变图像的整体动态范围。但由于它相当平滑, 因此将它与图像卷积会模糊图像, 并且模糊程度正比于σ。在该算子中, σ的选择很重要, σ选小时, 位置精度高但边缘细节变化多;σ较大时, 趋于平滑图像。可根据图像特点选择合适的σ。常用的模板 (5×5) 形式如图1所示。
需要说明的是, 在实际图像中, 高斯滤波的零交叉点不一定全部是边缘点, 还需要进一步对其进行真伪检验。
3 实验结果与分析
实验选择一幅数字化的X光图像 (手指) 影像 (256×256×8 bit) , 见图2。直接对图像运用拉普拉斯算子进行处理, 结果噪声未能很好的消除, 说明该算子对噪声敏感, 见图3;当先用高斯函数对X光图像进行处理, 然后再利用拉普拉斯算子进行处理, 去噪效果很好, 可以清晰的用肉眼看到受伤部位的边缘, 即经过LOG算子处理后的X光图像 (5×5窗口进行X光图像检测, 通过Matlab软件进行仿真研究, σ=3) , 很好地滤除了噪声, 有效地提取了图像的边缘信息, 从而有利于做出正确的诊断和治疗, 见图4。
4 小结
结构光图像 篇4
近年来随处可见数字图像, 不管是在多媒体显示屏、电视还是网络视频上, 图像画面左下角都会出现二维码或是水印, 其中包含该图像的版权信息或是跟图像内容有关信息。这种方法虽然达到了信息量增大的效果, 但却影响了图像的美观性和完整性以及信息内容的局限性。另外, 之前人们对信息在图像中的隐藏, 都是采用数字水印或二维码的形式来进行的, 并且基本都是采用变换域算法。因此, 不管是基于离散余弦变换[1]、二层或三层离散小波变换[2], 还是基于两种离散变换组合或位平面分解[3]等算法进行信息隐藏, 水印[4]或二维码的最佳隐藏效果和提取后的低误码都无法同时兼得, 而且对隐藏和提取后的图像数据分析, 更多的是从可行性和信噪比方面来证明该方法的优势和适用范围。此外, 数字图像的美观性和完整性也是必须要考虑在内的。所以, 鉴于以上两种情况的优缺点, 本文提出一种基于静态图像的信息隐藏技术在光无线通信环境中实现信息传输的系统实现方法, 此方法可以实现静态图像进行信息隐藏后的最佳隐藏效果和隐藏信息提取后的低误码率, 同时也有较好的鲁棒性和抗干扰能力, 保证了图像信息隐藏前后的完整和美观。
1 算法相关概念
1.1 DWT及其影响
由S.Mallat塔式算法[5]可知, 图像经过离散小波变换[6]后分解为4个占原图1/4大小的子图:水平方向、垂直方向和对角方向的高频子图以及低频逼近子图, 然后进行同样的方式对低频子图后继分解, 分解得到在下一级频率下更小的子图。
载体图像进行小波分解后, 选择在低频子带进行信息隐藏, 因为原载体图像的全局信息对应于低频部分, 隐藏低频部分是对原图像最小分辨率和鲁棒性的最佳逼近。再者信息隐藏在低频部分可有效防止外界对隐藏有信息的图像的各种攻击;而人们的视觉系统对高频部分变换较为敏感, 因此一般不作为信息隐藏位置考虑。所以, 在鲁棒性和低误码率的综合考虑下, 在小波分解后的低频子带隐藏信息较好。图1分别为图像进行一层、二层和三层小波分解后低频子带隐藏信息后的结果。
从图1所示的三幅隐藏有信息的图像可以看出, 在一层小波分解后的低频子带进行信息隐藏后, 隐藏点较多且很明显, 图像隐藏效果不好;二层小波分解后的低频子带进行信息隐藏后, 隐藏点虽不多但却明显, 隐藏效果也不是很好;在三层小波分解后的低频子带进行信息隐藏后, 隐藏点几乎没有而且不易察觉。所以, 本文讨论图像在三层小波分解后的低频带进行隐藏信息, 实现信息隐藏的可靠性和实用性。图像三层小波变换的分解图[7]如图2所示。
1.2 块尺寸分解法及其影响因素
选定了载体图像的隐藏区域后接着分析基于块尺寸分解算法进行信息隐藏传输技术[8], 并确定隐藏系数和块尺寸。块尺寸分解是根据图像是由像素构成的矩阵特性而对指定子图进行n*n分块, 然后得到若干子块, 块与块之间依次排列, 而每个分块的左上顶点为信息嵌入点 (阴影区域深色部分) , 如图3所示。
但是, 在块分解尺寸算法[9]中, 参数设定非常重要, 它直接影响信息隐藏后的图像质量和图像传输后信息提取的误码率。
图像是由像素组成的, 也是一个矩阵, 选取一个或几个像素组合成一个块, 把指定的图像区域按这种方式分解成一个个块, 而确定这些块的尺寸大小既要考虑信息隐藏量, 还要注意信息隐藏后图像的变化和信息提取后的误码率大小, 所以块尺寸bs的设定尤为重要。
2 信息的隐藏与提取方法
根据上述结论和技术总结, 结合小波变换技术[7]、块尺寸分解法以及一些图像处理技术, 提出一种基于静态图像的信息隐藏技术在光无线通信环境中实现信息传输的系统实现框图, 如图4所示。
隐藏信息的图像既要保证信息的最佳隐藏效果, 还要保持图像隐藏信息前后的美观完整, 所以分析隐藏和提取过程就显得尤为重要。
2.1 信息隐藏过程
选择适量有用信息W在原图像中进行信息隐藏, 具体步骤如下:
(1) 对原图像A进行三层小波变换, 得到10幅子图, 选取低频子带进行信息隐藏;
(2) 对低频子带系数图进行n*n块尺寸分解[8], 分解后的每块子图的左上小分块为信息嵌入点;
(3) 进行图像重构, 即就是修改后的小波系数进行三层逆小波变换得到隐藏有信息的图像B。
2.2 信息提取过程
对经过光无线信道传输且隐藏有信息的图像进行信息提取, 步骤如下:
(1) 对拍摄到的图像B进行处理, 由于拍摄到的图像会出现畸变等变化, 所以必须对图像进行镜头校正等处理, 得到跟拍摄之前较为相似的图像, 以便对隐藏信息进行提取;
(2) 对处理后的图像进行信息提取, 方法与隐藏方法相逆, 最终恢复出原图像A和所隐藏的数字信息W。
3 仿真/实验结果及分析
由以上分析可知此算法更可靠和有效, 接下来就对这一理论结果进行实验验证。
3.1 仿真分析
根据系统实现框图进行信息隐藏仿真过程, 分析其系数变化对误码率的影响。此处设定在椒盐噪声密度 (噪声密度即包括噪声值的图像区域的百分比) 0.05的攻击下进行仿真过程。
3.1.1 隐藏系数与误码率关系
在块尺寸bs给定不变的情况下, 隐藏系数α与误码率BER的关系见表1。
从表1可看出, 随着隐藏系数的增大, 一层和二层小波分解时的误码率变化没有规律, 即便存在出现误码为0的情况, 但是隐藏效果却很差;而使用三层小波分解时, 随着隐藏系数增大, 误码率逐渐减小至0, 尤其隐藏系数为0.08和0.1时, 分别使用一层、二层和三层小波分解后其误码率都为0。同样, 考虑到信息隐藏效果须达到最佳, 此处隐藏系数取值为0.08。
3.1.2 块尺寸与误码率关系
在隐藏系数α给定不变的情况下, 块尺寸bs与误码率BER的关系见表2。
由表2可以看出, 小波分解层数为一层或二层小波分解且固定不变时, 随着块尺寸增大, 误码率变化无规律;但当为三层小波分解时, 块尺寸越大, 误码率越小, 尤其当块尺寸为8和16时, 误码率为0, 但是考虑到信息隐藏后的图像效果, 此处取块尺寸为16。
3.2 算法实验及结果分析
本算法根据图4流程实现在低频域LL3进行信息隐藏, 在测试中使用512×512×24 b lena图像作为载体, 隐藏的信息为16×16的随即矩阵, 经过可见光无线信道传输等实验过程如图5所示。
实验结果分析:
隐藏有信息的图像不论出现在清晰的显示屏上, 还是显示于表面粗糙的墙面上, 用手机或数码相机等拍摄到图像再进行处理, 然后对其进行信息提取。实验结果表明, 当使用有效像素110万左右且拍摄距离在2.5 m之内时, 隐藏效果都较好, 并且误码率可低至0。
3.3 实验分析与总结
图像进行三层小波分解后, 对其低频子带使用块尺寸法进行信息隐藏, 这种方法隐藏效果好, 也能获得很低的误码率, 实验证明此种方法也是可行有效的, 缺点是隐藏的信息量较少, 运行速度较慢。原因有以下几点:
(1) 随着小波分解的级数增大, 运行速度会减慢;
(2) 块尺寸增大, 虽然有助于提高信息隐藏效果, 但却降低了信息隐藏量;
(3) 信息提取前对图像所进行的系列操作处理, 可能也会影响信息在图像里的分布情况;
(4) 隐藏信息算法还有待改进。
4 结论
本文用理论和实验证明了一种基于静态图像的信息隐藏技术在光无线通信环境中实现信息传输的可行性, 在保证图像完整性和美观性的同时实现信息的隐藏和传输以及较低的误码率。缺点是隐藏信息量不大, 运行速度较慢, 并且对拍摄图像的处理不够完美, 接下来尝试在信息隐藏和提取前进行信息编解码, 或是在提取前进行滤波等处理[11], 以便达到图像隐藏信息实现传输的最好效果, 这样就能够更方便有效地进行信息传播, 使之更为方便可靠地应用于数字广告或海报等领域中, 具有潜在实际服务大众的应用前景。
参考文献
[1]陈睿.基于DCT和DWT的数字水印研究[D].南宁:广西大学, 2011.
[2]蔡艳红.基于DWT的图像数字水印技术研究[D].济南:山东师范大学, 2007.
[3]王成.基于位图的数字水印技术及其应用研究[D].西安:西安建筑科技大学, 2001.
[4]纪震, 张基宏, 蒋一峰.小波域的扩频数字图像水印算法[J].电子与信息学报, 2001, 23 (8) :809-813.
[5]周小勇, 叶银忠.基于Mallat塔式算法小波变换的多故障诊断方法[J].控制与决策, 2004, 19 (5) :592-594.
[6]葛耀琳.图像处理中的小波变换算法原理及应用[J].企业技术开发, 2011, 30 (18) :70-71.
[7]黄达人, 刘九芬, 黄继武.小波变换域图像水印嵌入对策和算法[J].软件学报, 2002, 13 (7) :1290-1297.
[8]何颖, 王玲.基于特征块与小波变换的图像拼接算法[J].计算机工程与设计, 2010, 31 (9) :1958-1975.
[9]周元建, 彭晗.一种考虑图像尺寸的DCT域图像处理检索方法[J].佳木斯大学学报:自然科学版, 2009 (6) :797-800.
[10]毛秉毅.基于纠错编码和小波变换的数字图像水印算法[J].计算机工程与应用, 2003 (3) :90-92.
[11]周熠.图像数字水印中的小波变换技术研究[J].计算机与数字工程, 2004 (32) :72-75.
结构光图像 篇5
电视的发展经历了从传统的CRT电视到现在市场上主流的液晶电视。而液晶电视的功耗主要集中在背光上。一般的液晶电视,背光基本上是全开的,而且随着液晶电视的尺寸越来越大,功耗也会越来越大。动态背光技术可以动态调节背光亮度,让液晶电视的功耗降低20%~40%。这样,可以满足节能的要求。
另外,由于背光全开,长时间观看电视,容易让眼睛产生疲劳,采用动态背光技术,可以在一定程度上起到保护视觉的作用。
2 动态背光方法介绍
基于图像场景的动态背光方法,一般分为全局的动态背光控制、一维分区的动态背光控制、二维分区的动态背光控制等,其方法是通过计算图像的实时亮度,进而动态控制背光大小。
基于外界环境光的动态背光方法,其原理是在电视主板上连接一个感光片,将外界环境光的亮度,计算成电压值,传输给芯片,芯片通过得到的电压值实时控制背光大小。外界环境光越亮,背光值也就越高。反之,外界环境光越暗,背光值也就越低。
但是在实际应用过程中,上述两种动态背光方法,由于控制背光调节的速度不适宜,经常会出现图像背光变化不自然,长时间观看容易让用户产生视觉疲劳。并且,在动态背光功能起作用的情况下,用户会感觉背光仍然偏高或者偏低。针对上述情况,经过大量的模拟实验,以及不同人员反馈结果,本文选取了大多数人认可的动态背光调节速度,并将动态背光控制过程中,最大背光值开放出来让用户调节,用户可以选择适宜自己的最大背光值。
3 基于图像场景以及环境光的动态背光方法
3.1 基于图像场景的动态背光方法
此种方法是通过计算APL(Average Picture Level,图像的平均亮度),来动态控制PWM占空比,进而控制背光亮度。
图像的平均亮度通过计算图像中所有像素的平均亮度来获得:
其中f为图像的平均亮度,fi为每个像素的亮度,N为图像的总像素。
此时,背光在OSD(on-screen display)上的显示范围为[0,100],PWM占空比对应[20%,MAX],MAX为用户自行设定的最大背光占空比。此时步进为0.05s,即占空比每步进1%,时间为0.05s。实时检测图像场景的亮度,进而实时动态控制背光。
基于图像场景的动态背光方法流程图如下:
以最大背光MAX为100%占空比为例,实际测试结果如下:
3.2 基于外界环境光的动态背光方法
基于外界环境观的亮度来动态控制背光,是通过增加传感器感知外界环境光,转化成电压,进而根据电压大小来动态控制背光。
如图3,PIN7为感光片位置,通过0欧的电阻,直接串联到MSD3463GU芯片PIN106上,读取该脚的电压,最小为0V,最大为3.3V,对应PWM的占空比分别为20%和100%。在外界环境光变化的情况下,MSD3463GU芯片PIN106会检测到不同的电压值,对应数据范围为[0,255],从而线性映射在PWM占空比范围[20%,100%],进而动态控制背光亮度。
在基于外界环境光动态背光方法的过程中,由于正常情况下,环境光不会有非常剧烈的变化,步进一般会比基于图像的要小,这里设置PWM步进1%,时间为0.2s。此时背光的最大亮度,也可以由用户自行设定。
3.3 基于图像场景与外界环境光共同作用的动态背光方法
如上3.1,3.2所述基于图像场景以及环境光的两种动态背光方法,两种动态背光方法都会设置开关,可以独立使用,也可以联合使用。当两种动态背光方法共同起作用时,计算出来的实时背光值如下:
其中,f1为基于图像场景的动态背光方法得到的背光占空比,范围取值[20%,MAX];f2为基于外界环境光方法得到的背光占空比,范围取值[50%,MAX]。
4 总结
本文介绍了基于图像场景动态背光方法以及基于外界环境光的动态背光方法,经过多次的模拟实验,选取了适用于绝大多数用户的动态背光调节速度,同时,将最大背光的占空比开放给用户自行设置,此类设计方法在MSD3463GU芯片上得以应用,解决了用户在实际过程中,动态背光不自然,以及动态背光亮度偏高或者偏低的问题。客户对此类设计方法效果反馈非常好。
参考文献
[1]鲍友南,潘奕凯,姚柏宏.TV用液晶显示器之背光模组技术[J].机械工业,2003(245):158-169.
[2]杨明林,张晓飞.FPGA控制实现图像系统的视频图像采集[J].计算机测量与控制,2003,11(6):451-454.
[3]汪敏,夏咸军.新型LED背光源技术及应用[J].光电子技术,2005,25(4):267-270.
[4]Seyno Sluyterman.动态扫描背光使LCD电视呈现活力[J].现代显示,2006(63):18-21.
[5]梁萌,王国宏,范曼宁.LCD-TV用直下式LED背光源的光学设计[J].液晶与显示,2007,22(1):42-46.
[6]张成功,刘卫东.动态控制的LED背光源设计[J].现代显示,2008,15(7):51-54.
[7]张普雷,史永胜,史耀华,等.大功率背光源用LED驱动电路的研究现状与进展[J].液晶与显示,2010,25(1):68-74.
[8]黄子强.液晶显示原理[M].北京:国防工业出版社,2006.