數(shù)字圖像處理復(fù)習(xí)

第一章概論數(shù)字圖像與數(shù)字圖像處理1.數(shù)字圖像以數(shù)字格式存放,便于計(jì)算機(jī)處理的圖像稱之為數(shù)字圖像。借助于數(shù)字化設(shè)備(掃描儀、數(shù)碼相機(jī)等),可以實(shí)現(xiàn)模擬圖像(照片、海報(bào)等)的數(shù)字化。數(shù)字圖像可以方便地進(jìn)行各種數(shù)字圖像處理。像素

數(shù)字圖像是由一個(gè)個(gè)的像素（Pixel）構(gòu)成的，各像素的灰度值(明暗程度)一般用整數(shù)表示。一幅M×N個(gè)像素的數(shù)字圖像，可以理解為M行、N列的矩陣G：圖像工程的三層次內(nèi)涵圖像工程按照抽象程度和研究方法的不同，分為圖像處理、圖像分析和圖像理解三個(gè)層次，如圖1-2所示。圖像處理硬件系統(tǒng)組成從硬件組成來講，數(shù)字圖像處理系統(tǒng)一般由圖像輸入設(shè)備（采集與數(shù)字化設(shè)備，如數(shù)碼相機(jī)），圖像處理設(shè)備（如PC機(jī)）和圖像輸出設(shè)備（如顯示器，打印機(jī)）組成，如下圖所示。第2章數(shù)字圖像處理基礎(chǔ)圖像的數(shù)字化過程--采樣與量化模擬圖像的數(shù)字化包括采樣和量化兩個(gè)過程。連續(xù)圖像f(x,y)經(jīng)數(shù)字化后，可以用一個(gè)離散量組成的矩陣g(i,j)（即二維數(shù)組）來表示。圖像在空間上的離散化稱為采樣。模擬圖像經(jīng)采樣后，在空間上離散化為像素。但所得像素值仍是連續(xù)量。把采樣后得到的各像素的灰度值進(jìn)一步轉(zhuǎn)換為離散量的過程就是量化。采樣量化與圖像質(zhì)量的關(guān)系采樣點(diǎn)數(shù)越多，圖像質(zhì)量越好；當(dāng)采樣點(diǎn)數(shù)減少時(shí)，圖上的塊狀效應(yīng)就逐漸明顯。量化級數(shù)越多，圖像質(zhì)量越好，當(dāng)量化級數(shù)越少時(shí)，圖像質(zhì)量越差，量化級數(shù)最小的極端情況就是二值圖像。圖像尺寸，數(shù)據(jù)量，顏色數(shù)量的計(jì)算采樣點(diǎn)數(shù)與量化級數(shù)，既影響數(shù)字圖像的質(zhì)量，也影響到到圖像數(shù)據(jù)量的大小。假定一幅圖像取M×N個(gè)樣點(diǎn)(像素)，每個(gè)像素量化后的二進(jìn)制位數(shù)為Q,則存儲(chǔ)該圖像所需的二進(jìn)制位數(shù)為數(shù)字圖像類型靜態(tài)圖像可分為矢量(Vector)圖和位圖（Bitmap）。矢量圖是用一系列繪圖指令來表示一幅圖，其本質(zhì)是用數(shù)學(xué)公式描述一幅圖像。圖像中每一個(gè)形狀都對應(yīng)一個(gè)完整的公式，稱為一個(gè)對象。矢量圖文件數(shù)據(jù)量很?。黄鋱D像質(zhì)量也與分辨率無關(guān)，無論放大或縮小多少倍，圖像總是以顯示設(shè)備允許的最大清晰度顯示。在計(jì)算機(jī)上顯示圖像時(shí)，也往往能看到畫圖的過程。位圖是通過許多像素點(diǎn)表示一幅圖像，每個(gè)像素具有顏色屬性和位置屬性。位圖可以通過模擬圖片數(shù)字化(如使用數(shù)碼相機(jī))得到，也可以利用Windows的畫筆(Painbrush)用顏色點(diǎn)填充網(wǎng)格單元來創(chuàng)建位圖。位圖又可以分成如下四種：二值圖像(LineArt)、灰度圖像(GrayScale)、索引顏色圖像(IndexColor)和真彩色圖像（TrueColor）。圖像文件內(nèi)容的三要素一般來講，圖像文件包括三部分內(nèi)容：文件頭，顏色表，圖像數(shù)據(jù)。第3章MATLAB圖像編程基礎(chǔ)MATLAB圖像數(shù)據(jù)類型有三種：double：實(shí)型(默認(rèn)類型)，64位浮點(diǎn),占8個(gè)字節(jié)。uint8：8位無符號整型,占1個(gè)字節(jié)。uint16：16位無符號整型,占2個(gè)字節(jié)。矩陣拆分--利用冒號表達(dá)式獲得子矩陣A(:,j)表示A矩陣的第j列全部元素；A(i,:)表示A矩陣第i行的全部元素；A(i:i+m,:)表示第i～i+m行的全部元素；A(:,k:k+m)表示第k～k+m列的全部元素；A(i:i+m,k:k+m)第i～i+m行，k～k+m列的全部元素。例如:A(:,3)=0;%將A矩陣的第3列元素清0;A(5,:)=1;%將A矩陣的第5行元素置1;A(3:5,2:4)=10;%讓第3-5行,2-4列元素都等于10;單分支if語句：if條件語句組;end(2)雙分支if語句：if條件語句組1;else語句組2;end(3)多分支if語句：if條件1語句組1;elseif條件2語句組2;……else語句組n;Endfor語句,格式為：for循環(huán)變量=表達(dá)式1:表達(dá)式2:表達(dá)式3循環(huán)體語句;EndA=imread(‘filename.fmt’);%讀取圖像[A,map]=imread(‘filename.fmt’);%讀取索引圖像顯示圖像命令imshow(A);%顯示非索引圖像imshow(B,map);%顯示索引圖像imshowfilename;%顯示圖像文件內(nèi)容寫入圖像命令（圖像存盤）imwrite(A,‘filename.fmt’);imwrite(X,map,‘filename.fmt’);imwrite(...,‘filename’);看懂并理解四次實(shí)驗(yàn)程序第四章圖像增強(qiáng)與平滑直方圖的定義和性質(zhì)直方圖的基本概念像素亮度（灰度）的分布情況反映了圖像的統(tǒng)計(jì)特性，這可用ProbabilityDensityFunction(PDF)來描述，其表現(xiàn)為灰度直方圖（Histogram）。直方圖是灰度級的函數(shù)，它表示圖像中具有某種灰度級的像素的個(gè)數(shù)(或出現(xiàn)頻率)，N如圖4-1所示。直方圖只反映出圖像中不同灰度值的像素出現(xiàn)的次數(shù)(頻率或概率信息),而未反映出某一灰度值的像素所在的位置信息。直方圖的橫坐標(biāo)是灰度級，縱坐標(biāo)是該灰度級出現(xiàn)的次數(shù)，它是圖像最基本的統(tǒng)計(jì)特征。對隨機(jī)變量，用概率密度函數(shù)pr(r)來表示其分布。用橫軸代表灰度級r，用縱軸代表概率密度函數(shù)pr(r)，這樣針對一幅圖像可以作出一條概率密度曲線，如圖4-2所示直方圖繪制與直方圖均衡化函數(shù)的用法通過變換函數(shù)s=T(r)可以控制和改變圖像灰度級的概率分布(概率密度函數(shù))，從而改變圖像的灰度層次。由上例可見，利用累積分布函數(shù)作為灰度變換函數(shù)，經(jīng)變換后得到的新直方圖比原始圖像的直方圖平坦的多，而且其動(dòng)態(tài)范圍也擴(kuò)展了。因此，這種方法對于對比度較弱的圖像進(jìn)行處理是很有效的。圖4-11是經(jīng)直方圖均衡化后的Lena圖像和其直方圖。同時(shí)也可以看出，變換后的灰度級減少了，這種現(xiàn)象叫做“簡并”(灰度級合并)。均值濾波的原理與matlab實(shí)現(xiàn)鄰域平均法的思想是通過鄰域內(nèi)像素點(diǎn)求平均來去除突變的像素值，從而濾掉一定的噪聲，其主要優(yōu)點(diǎn)是算法簡單，但其代價(jià)是會(huì)造成圖像一定程度上的模糊。h=fspecial(‘a(chǎn)verage’,hsize)；%鄰域平均濾波，hsize決定鄰域平均的模板大??；默認(rèn)值為[33]，其它常用值為[55]；averaged=imfilter(I,h);%鄰域平均濾波subplot(2,2,2);imshow(averaged);title(‘AveragedImage');經(jīng)過鄰域平均法處理后，雖然圖像的噪聲得到了抑制，但圖像變得相對模糊了。1.中值濾波原理中值濾波的過程就是用一個(gè)奇數(shù)點(diǎn)的移動(dòng)窗口來過濾數(shù)據(jù)，每次輸出的是窗口內(nèi)各點(diǎn)的中值。假設(shè)窗口內(nèi)有五點(diǎn)，其值為80、90、200、110和120，那么此窗口內(nèi)各點(diǎn)的中值即為110。對一維序列f1,f2,…,fn，進(jìn)行窗口長度為m點(diǎn)(m為奇數(shù)）的中值濾波，就是從輸入序列中相繼抽出m個(gè)點(diǎn)，再將這m個(gè)點(diǎn)按其數(shù)值大小重新排序，取大小位于中心點(diǎn)的那個(gè)數(shù)作為濾波輸出。用數(shù)學(xué)公式表示為均值濾波對含有高斯噪聲的圖像相對有效；而中值濾波對含有椒鹽噪聲圖像的去噪聲效果較好。中值濾波的MATLAB實(shí)現(xiàn)1)圖像加入噪聲--imnoise函數(shù),命令格式為:J=imnoise(I,type,parameter);%圖像I中加入類型為type,參數(shù)為parameter的噪聲;type取值為:‘gaussian’(高斯白噪聲)、‘salt&pepper’（椒鹽噪聲）等；見下例：J=imnoise(I,‘gaussian’,m,v)；%加入均值為m方差為v的白噪聲到圖象I,%默認(rèn)值為m=0,v=0.01;J=imnoise(I,'salt&pepper',d);%加入噪聲密度為d的椒鹽噪聲到圖象I，%d的取值范圍為0.0--1.0，默認(rèn)值為0.05；2）中值濾波函數(shù)—medfilt2,命令格式為：B=medfilt2(A，[mn])；%對圖像A進(jìn)行窗口為mxn的中值濾波；[mn]一般取默認(rèn)值[33]；例如：I=imread('eight.tif');J=imnoise(I,‘salt&pepper’,0.02);%加入椒鹽噪聲K=medfilt2(J);%中值濾波imshow(J)%顯示帶噪圖像figure,imshow(K)%顯示濾波后圖像均值濾波，中值濾波與圖像噪聲的關(guān)系均值濾波對含有高斯噪聲的圖像相對有效；而中值濾波對含有椒鹽噪聲圖像的去噪聲效果較好。第5章圖像分割與邊緣檢測圖像分割圖像分割是將圖像劃分成互不相交的小區(qū)域的過程，小區(qū)域是具有共同屬性的像素的連通集合。如不同目標(biāo)物體所占的區(qū)域、背景所占的區(qū)域等。圖像分割基于像素灰度值的兩個(gè)性質(zhì):邊界處灰度的不連續(xù)性和區(qū)域內(nèi)灰度的相似性。因此分割算法也分為兩類：基于邊界的分割和基于區(qū)域的分割。邊緣檢測與微分運(yùn)算邊緣點(diǎn)是信號“變化劇烈”的地方，是灰度不連續(xù)的結(jié)果。圖像中不同類型的邊緣與灰度變化的關(guān)系如圖5-10所示。對信號的突變（不連續(xù)性）我們可以用一階和二階導(dǎo)數(shù)來反映和描述。換句話說，我們可以利用微分算子來進(jìn)行邊緣檢測。實(shí)際上常見的邊緣檢測（如prewitt,sobel）算子都是微分算子。高斯-拉普拉斯(LOG)算子噪聲對邊緣檢測有較大影響，效果更好的邊緣檢測器是高斯-拉普拉斯(LOG)算子。它把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平滑噪聲，再進(jìn)行邊緣檢測。邊緣檢測函數(shù)edge的用法BW=edge(I,operator);%對灰度圖像I進(jìn)行operator類型的邊緣檢測,結(jié)果為BW.其中算子operator可取值為:'sobel','prewitt','roberts','log','canny'等.例如對帶噪圖像進(jìn)行LOG邊緣檢測:A=imread(‘rice.tif’);%讀入灰度圖像B=imnoise(A,’gaussian’);%加入高斯噪聲C=edge(B,‘log’);%進(jìn)行l(wèi)og邊緣檢測subplot(1,2,1);imshow(B);%顯示帶噪圖像subplot(1,2,2);imshow(C);%顯示log邊緣檢測結(jié)果輪廓提取的MATLAB實(shí)現(xiàn)imcontour(I);%繪制灰度圖像I的輪廓圖;例:A=imread(‘d:\testpictures\lena_gray.bmp’);subplot(1,2,1);imshow(A);%顯示圖像pause;subplot(1,2,2);imcontour(A);%繪制圖像的輪廓;投影法投影法是把圖像在某一方向（水平和垂直方向）上進(jìn)行投影。在投影圖上便可反映出目標(biāo)對象的位置、尺寸等信息。圖5-17是一幅圖像分別在水平方向和垂直方向上的投影?？梢钥闯鐾队胺ㄓ悬c(diǎn)像灰度直方圖。為了效果更好，投影法經(jīng)常和閾值化一起使用。處理前最好先做一次平滑，去除噪聲影響，再對閾值化后的二值圖像在某個(gè)方向上進(jìn)行投影運(yùn)算。差影法差影法，實(shí)際上就是圖像的相減運(yùn)算(又稱減影技術(shù))，是指把同一景物在不同時(shí)間拍攝的圖像或同一景物在不同波段的圖像相減。差值圖像提供了圖像間的差異信息，能用來指導(dǎo)動(dòng)態(tài)監(jiān)測、運(yùn)動(dòng)目標(biāo)檢測和跟蹤、圖像背景消除及目標(biāo)識(shí)別等。其算法流程圖如圖5-21所示。第六章圖像的幾何變換比例縮放的MATLAB實(shí)現(xiàn)圖像縮放函數(shù)imresize的用法:B=imresize(A,zoom);%將圖像A縮放zoom倍B=imresize(A,[mn]);%將圖像縮放到mxn大小A=imread(‘d:\testpictures\tibetboy.jpg’);%讀入圖像imshow(A);%顯示圖像(大小為728x612);B=imresize(A,0.6);%縮放到0.6倍figure;imshow(B);%顯示縮放0.6倍的圖像C=imresize(A,[182153]);%縮放到182x153像素figure;imshow(C);%顯示182x153的圖像圖像平移的MATLAB實(shí)現(xiàn)例將灰度圖像實(shí)現(xiàn)50:50的平移:A=imread('d:\testpictures\lena_gray.bmp');%讀入圖像figure;subplot(1,2,1);imshow(A);%顯示圖像(256x256)fori=1:256forj=1:256i1=i+50;ifi1>256i1=256;endj1=j+50;ifj1>256j1=256;endB(i,j)=A(i1,j1);endend%用兩重for循環(huán)實(shí)現(xiàn)平移imwrite(B,‘d:\testpictures\moved.bmp’);%平移結(jié)果存盤subplot(1,2,2);imshow(B);%顯示平移結(jié)果用MATLAB編程實(shí)現(xiàn)圖像鏡像A=imread('d:\testpictures\lena_gray.bmp');%讀入灰度圖像subplot(1,3,1);imshow(A);title(‘Originalimage’);%顯示原圖像(大小為256x256);fori=1:256forj=1:256i1=257-i;j1=j;H(i,j)=A(i1,j1);%水平鏡像運(yùn)算i2=i;j2=257-j;V(i,j)=A(i2,j2);%垂直鏡像運(yùn)算endEndimwrite(H,'d:\testpictures\H_mirrored.bmp');imwrite(V,‘d:\testpictures\V_mirrored.bmp’);%寫入文件pause;subplot(1,3,2);imshow(H);title(‘Horizontalmirroredimage’);%顯示水平鏡像pause;subplot(1,3,3);imshow(V);title(‘Verticalmirroredimage’);%顯示垂直鏡像圖像旋轉(zhuǎn)的MATLAB實(shí)現(xiàn)---imrotate函數(shù)B=imrotate(A,degree);將圖像A旋轉(zhuǎn)degree度.pic=imread(‘d:\testpictures\gewala.jpg’);imshow(pic);%顯示原圖像pic1=imrotate(pic,45);%旋轉(zhuǎn)45度pause(3);figure;imshow(pic1);%顯示旋轉(zhuǎn)后圖像圖像復(fù)合變換復(fù)合變換是指對圖像連續(xù)施行多次的平移、鏡像、比例、旋轉(zhuǎn)等基本變換后所完成的變換。復(fù)合變換矩陣等于基本變換矩陣按順序依次相乘得到的組合矩陣：如下不同的復(fù)合變換，其變換過程不同，但是無論它的變換過程多么復(fù)雜，都可以分解成一系列基本變換。相應(yīng)地，使用齊次坐標(biāo)后，圖像復(fù)合變換的矩陣可以由一系列圖像基本變換矩陣依次相乘而得到。第七章頻域處理離散傅利葉變換的性質(zhì)離散序列的傅立葉變換仍是一離散序列，每個(gè)u對應(yīng)的變換結(jié)果是輸入序列f(x)的加權(quán)和（乘以不同頻率的正弦和余弦值），u為變換結(jié)果的頻率。1.可分離性:二維傅立葉變換可分解為兩步進(jìn)行，其中每一步都是一個(gè)一維變換。先對f(x,y)按行進(jìn)行傅立葉變換得到F(x,v)，再對F(x,v)按列進(jìn)行傅立葉變換，便可得到F(u,v)，如下圖所示。2.平移性質(zhì):只要將f(x,y)乘以因子(－1)x+y，再進(jìn)行離散傅立葉變換，即可將圖像的頻譜原點(diǎn)由（0，0）移動(dòng)到（M／2,N／2）處。圖7-5是簡單方塊圖像平移的結(jié)果。3.旋轉(zhuǎn)不變性:如果時(shí)域中離散函數(shù)旋轉(zhuǎn)θ0角度，則在變換域中的變換函數(shù)也將旋轉(zhuǎn)同樣的角度。離散傅立葉變換的旋轉(zhuǎn)不變性如圖7-6所示。圖像變換的矩陣表示數(shù)字圖像都是實(shí)數(shù)矩陣，設(shè)f(x,y)為M×N的圖像灰度矩陣，為了分析方便，可將可分離變換寫成矩陣的形式：二維離散余弦變換（DCT）的頻譜特性灰度圖像DCT變換matlab實(shí)現(xiàn)：I=imread('d:\testpictures\lena_gray.bmp');%讀入灰度圖像imshow(I);%顯示圖像J=dct2(I);%進(jìn)行DCT變換imshow(log(abs(J)),[]);%顯示DCT對數(shù)譜K=uint8(idct2(J));%DCT逆變換figure;Imshow(K);%顯示逆變換結(jié)果小波縮放因子與信號頻率之間的關(guān)系小波縮放因子與信號頻率之間的關(guān)系是：縮放因子scale越小，表示小波越窄，度量的是信號的細(xì)節(jié)變化，也就是信號的高頻部分；縮放因子scale越大，表示小波越寬，度量的是信號的粗糙程度，也就是信號的低頻部分.小波分解的基本概念信號分析是為了獲得時(shí)間和頻率之間的相互關(guān)系。傅立葉變換提供了頻率域信息，但時(shí)間域信息卻基本丟失。與傅立葉變換不同，小波變換是通過縮放母小波（Motherwavelet）的寬度來獲得信號的頻率特征，通過平移母小波來獲得信號的時(shí)間信息。第八章數(shù)學(xué)形態(tài)學(xué)及其應(yīng)用腐蝕的概念用S來腐蝕X得到的集合是S完全包含在X中時(shí)S的原點(diǎn)的集合。腐蝕可以把小于結(jié)構(gòu)元素的物體(毛刺、小凸起)去除，這樣選取不同大小的結(jié)構(gòu)元素，就可以在原圖像中去掉不同大小的物體。膨脹的概念腐蝕是將圖像X中每一與結(jié)構(gòu)元素S全等的子集S+x收縮為點(diǎn)x。反之，可將X中每一點(diǎn)x擴(kuò)大為S+x，這就是膨脹運(yùn)算，開、閉運(yùn)算基本概念如果結(jié)構(gòu)元素為圓盤，那么，膨脹可填充圖像中的小孔及圖像邊緣處的小凹陷部分，而腐蝕可以消除圖像邊緣處小的突起，并將圖像縮小。膨脹和腐蝕并不互為逆運(yùn)算，但它們可以級連使用。在腐蝕和膨脹的基礎(chǔ)上，可以構(gòu)造出形態(tài)學(xué)運(yùn)算的另外兩個(gè)基本算子:可先對圖像進(jìn)行腐蝕然后膨脹,稱為開運(yùn)算;或先對圖像進(jìn)行膨脹然后腐蝕,稱為閉運(yùn)算。開、閉運(yùn)算對圖像的影響開運(yùn)算通過消除圖像的凸角來平滑圖像。閉運(yùn)算通過填充圖像的凹角來平滑圖像?；叶葓D像的腐蝕運(yùn)算---函數(shù)imerode，膨脹函數(shù)imdilateI2=imerode(I1,S);%I2為I1經(jīng)結(jié)構(gòu)元素S腐蝕的結(jié)果I1=imread(‘text.tif’);%讀入灰度圖像S=ones(4,2);%定義結(jié)構(gòu)元素S(為4X2的全1矩陣)I2=imerode(I1,S);%用S對I1進(jìn)行腐蝕運(yùn)算subplot(1,2,1);imshow(I1);%顯示原圖像subplot(1,2,2);imshow(I2);%顯示腐蝕后圖像第九章彩色圖像處理常見顏色模型的定義RGB模型RGB模型用三維空間中的一個(gè)點(diǎn)來表示一種顏色，如圖2-8所示。每個(gè)點(diǎn)有三個(gè)分量，分別代表該點(diǎn)紅、綠、藍(lán)亮度值，亮度值限定在［0,1］。HSI模型HSI模型比較符合人的視覺系統(tǒng)感受彩色的方式。H表示色調(diào)(Hue)，S表示飽和度(Saturation)，I表示亮度(Intensity)。CMYK模型不同于RGB表色系統(tǒng)通過三基色相加來產(chǎn)生其他顏色(通常稱為加色合成法)。在印刷工業(yè)上則通常用CMYK表色系統(tǒng)，它是通過顏色相減來產(chǎn)生其他顏色(減色合成法)。一般只在印刷時(shí)使用。YUV模型YUV表色系統(tǒng)用于彩色電視信號傳輸。它是將R、G、B三色信號改組成亮度信號和色差信號。其中Y是亮度信號，U、V是色差信號。常見顏色模型特點(diǎn)及其應(yīng)用場合面向硬件設(shè)備的最常用彩色模型是RGB模型。面向彩色處理的最常用模型是HSI模型。面向印刷工業(yè)最常用模型是CMYK模型。面向電視信號傳輸最常用模型是YUV模型。彩色圖像分通道進(jìn)行直方圖均衡化處理的MATLAB實(shí)現(xiàn)A=imread('d:\testpictures\sunflower.jpg');subplot(2,2,1);imshow(A),title('原圖像');R=A(:,:,1);G=A(:,:,2);B=A(:,:,3);subplot(2,2,2);imshow(R),title('紅色通道圖像');R1=histeq(R);G1=histeq(G);B1=histeq(B);subplot(2,2,3);imshow(R1),title('紅色通道直方圖均衡后圖像');A(:,:,1)=R1;A(:,:,2)=G1;A(:,:,3)=B1;subplot(2,2,4);imshow(A),title('各通道均衡后合成圖像');彩色圖像分通道進(jìn)行中值濾波的MATLAB實(shí)現(xiàn)R1=medfilt2(R);G1=medfilt2(G);B1=medfilt2(B);圖像的特征與理解鏈碼是邊界的表示方法，它用一系列特定長度和方向的相連的直線段來表示目標(biāo)的邊界。因?yàn)榫€段的長度固定，所以只有邊界的起點(diǎn)需要用絕對坐標(biāo)表示，其余點(diǎn)都可用接續(xù)方向來代表偏移量。表示方向數(shù)比表示坐標(biāo)值所需比特?cái)?shù)少，因此鏈碼可大大減少邊界表示的數(shù)據(jù)量。圖像邊界的四方向與八方向鏈碼表示例子：4方向鏈碼：（5，5）11123232300；8方向鏈碼：（5，5）222455600。使用鏈碼時(shí)，起始點(diǎn)的選擇很關(guān)鍵。對同一個(gè)邊界，如用不同的邊界點(diǎn)作為起始點(diǎn)，得到的鏈碼是不同的。紋理的基本概念有時(shí)，物體在紋理上與其周圍背景和其他物體有區(qū)別，這時(shí)，圖像分割必須以紋理為基礎(chǔ)。紋理是圖像分析中常用的概念，紋理(Tuxture)一詞最初指纖維物的外觀，一般來說，可以認(rèn)為紋理是由許多相互接近的、互相編織的元素構(gòu)成，它們富有周期性。在圖像分析中可將紋理定義為“一種反映一個(gè)區(qū)域中像素灰度級的空間分布的屬性”。紋理的分類人工紋理是某種符號的有序排列，這些符號可以是線條、點(diǎn)、字母等，是有規(guī)則的。自然紋理是具有重復(fù)排列現(xiàn)象的自然景象，如磚墻、森林、草地等照片，往往是無規(guī)則的。歐拉數(shù)的定義