数字处理算法程序实现毕业论文(编辑修改稿)

数字处理算法程序实现毕业论文(编辑修改稿)内容摘要：

关性把具有相同特性的像素点归为一类，而具有不同像素点特征的划为异类，这里的像素点特征我们可以指像素点的灰度值。 而具有相同特征的像素点我们可以认为是灰度值大小相差不大图像的像素点。 在此，我们可以使用 K 均值算法来聚类分析。 [6] K 均值算法的具体步骤如下： 已知有 20 个样本，每个样本有 2 个特征，数据分布如 图 ： 样本序列号 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 特征 X1 0 1 0 1 2 1 2 3 6 7 特征 X2 0 0 1 1 1 2 2 2 6 6 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 特征 X1 8 6 7 8 9 7 8 9 8 9 特征 X2 6 7 7 7 7 8 8 8 9 9 图 聚类样本 第一步：令 C=2， 选初始聚类中心为 （ ） （ ） （ ） （ ） （ ） （ ） （ ） TT xZxZ )0,1()1(。 )0,0()1( 2211 10001)1()1()1()1(10100)1(00000)1(121121112111＝））－（（＝所以因为＝））－（（＝＝））－（（＝第二步：ZxZxZxZxZxZx)1(,1)1(2)1()1(,2)1(1)1()1(,)1()1(0)01()01()1(24241413231322221222ZxZxZxZxZxZxZxZxZxZx＝＝同理所以因为四川大学本科毕业论文 数字处理算法程序实现 14 （ ） 18,2),...,()1(),()1()1(......21205421311220652065NNxxxxGxxGZxxxxxx二、一、因此分为两类：都属于、离计算出来，判断与第二个聚类模版、同样把所有 （ ） 第三步：根据新分成的两类建立新的聚类中心 （ ） （ ） 第四步 ： 转第二步。 第二步：重新计算 到 z1(2) , z2(2) 的距离，把它们归为最近聚类中心，重新分为两类， （ ） （ ） 第三步，更新聚类中心 （ ） （ ） 第四步， 因为 Zj(3) ≠ Zj(2), j = 1,2 转第二步 第二步， TGxxxXNZ),0()10(21)10()00(21)(211)2( 31)1(111  TGxxxxxXNZ),()...(1811)2( 20542)1(222 )(2,1),1()2( 新旧聚类中心不等 JZZ JJ2021 ,..., xxx8),...,()2( 18211  NxxxG12),...,()2( 2202092  NxxxGTGxxxxxXNZ),()...(811)3( 8321)2(111 TGxxxxXNZ),()...(1211)3( 20209)2(222 12,8),...,()4(),...,()4(,...,)3(),3(,...,2120209282112021212021NNxxxGxxxGxxxZZxxx重新分为二类心，归于最近的那个聚类中分别把的距离，到重新计算四川大学本科毕业论文 数字处理算法程序实现 15 （ ） 第三步，更新聚类中心 （ ） （ ） 很明显，图像数据无非也是每个像素点组成的一个二维函数，而和上例不一样的则是特征由两点距离变为每个像素点的灰度值。 在上面程序的基础上，继续添加子菜单 Kmeans，并添加事件处理函数，具体程序如附录Ⅰ。 图像的边缘检测 边缘检测 和轮廓跟踪 是计算机识别中一中非常重要的图像处理技术。 利用边缘检测，在计算机上操作可以将图像转化为利于识别的边缘灰度图，而借助轮廓跟踪技术，可以进一步得到图像的轮廓信息。 作为非常重要的基础技术计算机的自动识别这项技术已经被推广到各个领域。 本节主要介绍的是图像的边缘检测的原理，和其编程实现。 边缘可以解释为一组相连的像素集合，它们实际位于不同的两个区域之间。 本质上说，边缘是由某种算法所得到的并且具有特定特征的点的集合。 可以看出，边缘是以具体的像素灰度跃变为基础，与具体的算法相关的。 在边缘检测算法中所说的灰度值的微分通常都是利用领域差分得到的，所以把领域灰度微分 运算也称灰度差分。 算法通常通过对领域内像素的灰度求一阶导数、二阶导数或者梯度来实现，这些计算可以化简为算子，直接通过算子计算源图像中 领域像素点的灰度差分。 在对图像具体实现中，可以将算子模版依次对源图像的每个像素进行运算，所得到是每个像素点领域灰度的差分，将结果保存为灰度图像中的像素即可。 因为在计算时，灰度差分的结果通常比较小，直接将转换后的灰度图显示会使结果模糊，可以在计算完成后对差分结果乘以一个比例系数 scale 对差分结果进行缩放，从而可以得到一个比较清晰的边缘图像。 [7] 这里介绍用于领域灰度差分的三个算子，分别是梯度算子， Roberts 算子和 Sobel 算子。 其中 Roberts 算子和梯度算子是针对图像 2 2 领域的处理，梯度算子通过对像素点水平和竖直方向求差分得到， Roberts 算子则是通过对角线求差分法得到领域像素的灰度差分。 计算公式如下 [8]： G(A0) = scale (|A0 – A1| + |A0 – A2|) （ ） R(A0) = scale (|A0 – A3| + |A1 – A2|)（ ） （ ） 下图给出了两种算子在领域内计算差分的方向： 计算结束。 TTZZZZ),()3()4(),()3()4(2211四川大学本科毕业论文 数字处理算法程序实现 16 A0 A1 A0 A1 A2 A3 A2 A3 图 Robert 算子 图 Sobel 算子 Sobel 算子针对的是 3 3 领域差分处理，具体操作是先后在水平和竖直方向上对领域的灰度值求差分，然后取得两个差分的最大值或者平均值，在这里我们取其的最大值，并用 S(C)表示 Sobel 算子的计算结果，具体的公式如下： S(C) = max{ | ( N0 + N1 2 + N2 ) – ( N4 + N5 2 + N6 )|, | ( N0 + N7 2 + N6 ) – ( N2 + N3 2 + N4 )|} S(C) = [ | ( N0 + N1 2 + N2 ) – ( N4 + N5 2 + N6 )| + | ( N0 + N7 2 + N6 ) – ( N2 + N3 2 + N4 )|] / 2 N0 N1 N2 N7 C N3 N6 N5 N4 图 领域模版 具体源程序见附录Ⅱ。 四川大学本科毕业论文 数字处理算法程序实现 17 第三 章 图像增强 图像增强技术是将图像进行处理以便其更用于特定的场应用。 由此可以看出，图像增强技术与实际应用是息息相关的，并非孤立存在，离开了特定的应用特想增强技术是完全无任何意义的。 不同的应用场合所做的图像增强处理往往是不同的。 例如为了方便人眼观察和为了实现及机器自动识别所做的图像增强处理是不同的，一种方便人眼观察的图像增强算法在其他的领域一般是不适用的。 [3] 图像增强所使用的算法大多都由复杂的数学公式推导而来，本章主要介绍时域平滑滤波的具体步骤方法，对算法思路进行的阐述，并不做具体原理性的推导，因为时域分析的所使用的算 法都是由频域中推导而来，在第六章中会具体介绍图像的频域处理。 关于像素点的领域处理在前面一章有很详细的阐述，在图像的时域平滑滤波中还有两个比较重要的概念，卷积和模版。 卷积的过程是利用模版在图像像素点上做加权求和，在图像处理中非常的常用。 卷积的思想和并行运算相似，将原始数据与结果数据分开保存，对原始数据分块处理，在处理中保持原始数据不变，得到最终数据。 其中模版是卷积计算中的核心部分，在图像处理中模版充当的是一组系数集合，图像的卷积过程实际上是通过模版在图像上移动完成的，在处理过程中，不断移动模版在图像上的位 置，每当模版中心移动到图像中的某一个像素点就将其领域内的各像素点的灰度乘以模版上相对应的系数加权求和，得到运算的结果。 然而通常情况下，加权求和之后的结果会远远大于原像素的灰度值，这时候往往需要把结果除以一个常数因子，可以称为衰减因子。 最后将所得的结果限制在 0 ~ 255 之间作为中心像素点灰度值保存在结果数组中。 这样的过程会遍历每一个像素点的领域，直到结束。 图像的简单平滑 和高斯平滑 图像增强处理中图像的简单平滑是最基本的方法之一，它 利用对图像每个像素领域灰度的卷积运算，进行对图像像素灰度的平均化，从而减少图像中的杂点，降低图像的对比度。 图像的简单平滑就是对图像中每个像素点一定领域范围内的像素灰度进行平均值运算，将运算结果作为中心像素的灰度保存在结果图灰度值的数组中，这样的操作一定程度上可以把 杂点的影响分担到其领域的各像素中， 减少了杂点对图像的影响。 我们可以利用右图所示的卷积模版，并用 9 作为衰减因子，可以简单地实现简单平滑。 图像的高斯平滑也是利用了图像像素点领域 灰度平均法，但是与简单平滑所不同的是其模版 产生了变化，以至于领域不同位置的。