基于OpenCV的數(shù)據(jù)挖掘圖像預(yù)處理

1、數(shù)據(jù)挖掘中的數(shù)據(jù)挖掘中的 圖圖 像像 預(yù)預(yù) 處處 理理Image Processing & Data Image Processing & Data MiningMining在大型圖像數(shù)據(jù)庫(kù)中存在許多臟數(shù)據(jù)和已破壞了的數(shù)據(jù), 如極不清晰的圖片、已遭破壞的圖像等, 這些數(shù)據(jù)能使挖掘過(guò)程陷入混亂, 導(dǎo)致不可靠的輸出, 因此有必要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理, 去掉臟數(shù)據(jù)和已破壞了的數(shù)據(jù)以及去掉數(shù)據(jù)中的噪音。為什么要對(duì)圖像進(jìn)行預(yù)處理？為什么要對(duì)圖像進(jìn)行預(yù)處理？圖像預(yù)處理的概念圖像預(yù)處理的概念將數(shù)據(jù)挖掘技術(shù)引入圖像處理可以在一定程度上解決圖像內(nèi)容的表示、存儲(chǔ)和檢索。圖像也是數(shù)據(jù)的一部分，所以對(duì)圖像進(jìn)行處理相當(dāng)于是

2、對(duì)數(shù)據(jù)進(jìn)行處理。為什么引入數(shù)據(jù)挖掘技術(shù)？為什么引入數(shù)據(jù)挖掘技術(shù)？圖像處理過(guò)程中的數(shù)據(jù)挖掘圖像處理過(guò)程中的數(shù)據(jù)挖掘圖像處理的相關(guān)工具OpenCVVC+6.0或者是VS 2010 結(jié)合MFC單文檔程序圖像處理直方圖均衡化使原直方圖變換為具有均勻密度分布的直方圖，然后按該直方圖調(diào)整原圖像的一種圖像處理技術(shù)。直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法。直方圖均衡化實(shí)現(xiàn) 直方圖均衡化的基本思想是把原始圖的直方圖變換為均勻分布的形式，這樣就增加了象素灰度值的動(dòng)態(tài)范圍從而可達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。設(shè)原始圖像在(x，y)處的灰度為f，而改變后的圖像為g，則對(duì)圖像增強(qiáng)的方法可表述為將

3、在(x，y)處的灰度f(wàn)映射為g。 OpenCV中實(shí)現(xiàn)圖像直方圖均衡化的函數(shù)為cvEqualizeHist其定義為： void cvEqualizeHist( const CvArr* src, CvArr* dst ); 函數(shù) cvEqualizeHist 歸一化圖像亮度和增強(qiáng)對(duì)比度。在View類中調(diào)用這個(gè)函數(shù)后實(shí)現(xiàn)的效果為如下圖。運(yùn)行結(jié)果運(yùn)行結(jié)果圖像處理圖像濾波圖像濾波，即在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)像的噪聲進(jìn)行抑制。是圖像預(yù)處理中不可缺少的操作，其處理效果的好壞將直接響到后續(xù)圖像處理和分析的有效性和可靠性。關(guān)于所用到濾波器：濾波器就是建立的一個(gè)數(shù)學(xué)模型，通過(guò)這個(gè)模型來(lái)將圖像數(shù)據(jù)進(jìn)行

4、能量轉(zhuǎn)化，能量低的就排除掉，噪聲就是屬于低能量部分中值濾波基本原理：基本原理是把圖像或序列中心點(diǎn)位置的值用該域的中值替代優(yōu)點(diǎn)：運(yùn)算簡(jiǎn)單、速度快、除噪效果好，曾被認(rèn)為是非線性濾波的代表。高斯濾波基本原理：高斯濾波實(shí)質(zhì)上是一種信號(hào)的濾波器，其用途是信號(hào)的平滑處理，得到信噪比SNR較高的圖像（反應(yīng)真實(shí)信號(hào)）。優(yōu)點(diǎn)：既能實(shí)現(xiàn)有效濾除噪聲，又能完整保留圖像細(xì)節(jié)。圖像濾波的方法1.中值濾波2.高斯濾波 高斯濾波的實(shí)現(xiàn)OpenCV中實(shí)現(xiàn)圖像平滑濾波的函數(shù)為cvSmooth其定義為： void cvSmooth( const CvArr* src, CvArr* dst,int smoothtype=CV_G

5、AUSSIAN,int param1=3, int param2=0, double param3=0, double param4=0 );對(duì)圖像進(jìn)行核大小為 param1param2 的高斯卷積 CV_MEDIAN (median blur)在View類中調(diào)用這個(gè)函數(shù)后實(shí)現(xiàn)的效果為如下圖。運(yùn)行結(jié)果運(yùn)行結(jié)果圖像處理圖像邊緣提取邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺(jué)中的基本問(wèn)題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺(jué)中，尤其是特征提取中的一個(gè)研究領(lǐng)域。 圖像邊緣檢測(cè)大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)

6、的信息，保留了圖像重要的結(jié)構(gòu)屬性。邊緣檢測(cè)的方法邊緣檢測(cè)算子1.邊緣檢測(cè)Sobel算子2.邊緣檢測(cè)Canny算子3.邊緣檢測(cè)Laplace算子 邊緣檢測(cè)Canny算子在OpenCV中實(shí)現(xiàn)Canny算子的函數(shù)是cvCanny，其定義為： void cvCanny( const CvArr* image, CvArr* edges, double threshold1,double threshold2, int aperture_size=3 ); 函數(shù) cvCanny 采用 CANNY 算法發(fā)現(xiàn)輸入圖像的邊緣而且在輸出圖像中標(biāo)識(shí)這些邊緣。threshold1和threshold2 當(dāng)中的小閾值

7、用來(lái)控制邊緣連接，大的閾值用來(lái)控制強(qiáng)邊緣的初始分割。 在View類中調(diào)用這個(gè)函數(shù)后實(shí)現(xiàn)的效果為下圖。運(yùn)行結(jié)果運(yùn)行結(jié)果基于內(nèi)容的圖像檢索( CBIR) 是基于圖像的可視特征如顏色、紋理、形狀等對(duì)圖像進(jìn)行檢索, 主要特點(diǎn): 通過(guò)反映圖像內(nèi)容并與圖像存儲(chǔ)在一起的量化特征進(jìn)行檢索, 而不是通過(guò)獨(dú)立于圖像的注解文本; 使用基于相似性度量的查詢技術(shù); 檢索通常通過(guò)示例查詢的方法進(jìn)行。它的檢索流程如圖2 所示。應(yīng)用實(shí)例：應(yīng)用實(shí)例：基于內(nèi)容的圖像信息檢索基于內(nèi)容的圖像信息檢索圖像數(shù)據(jù)挖掘的一個(gè)應(yīng)用實(shí)例基于內(nèi)容的圖像信息檢索1.數(shù)據(jù)聚類方法數(shù)據(jù)聚類方法2.關(guān)聯(lián)規(guī)則挖掘關(guān)聯(lián)規(guī)則挖掘圖像數(shù)據(jù)的挖掘方法圖像數(shù)據(jù)的挖掘方法圖像數(shù)據(jù)聚類就是運(yùn)用某種算法, 使得圖像對(duì)象集中具有相似特征的對(duì)象聚成組的過(guò)程。經(jīng)過(guò)聚類, 同一類的對(duì)象之間的相似性盡可能大, 而不同類別的數(shù)據(jù)之間的相似性盡可能小。對(duì)象之間的相似性是根據(jù)對(duì)象特征向量之間的距離來(lái)計(jì)算的, 常用的方法有加權(quán)歐氏距離、相異度矩陣等。數(shù)據(jù)聚類方法數(shù)據(jù)聚類方法關(guān)聯(lián)規(guī)則挖掘關(guān)聯(lián)規(guī)則挖掘圖像的關(guān)聯(lián)規(guī)則挖掘是在相關(guān)的