当前位置：文档之家 › 基于MATLAB的靶纸图像识别研究

基于MATLAB的靶纸图像识别研究

  • 格式：doc
  • 大小：27.00 KB
  • 文档页数：8

龙源期刊网

基于MATLAB的靶纸图像识别研究

作者：王蔚扬 丁嘉月 汪鹏洪 卢正勇

来源：《计算机时代》2016年第11期

摘 要： 针对射击比赛中需要实时并且准确地对射击结果进行检测输出，提出了一种基于MATLAB函数工具箱的靶环数识别方案。采用数码相机拍摄靶纸图像，利用基于MATLAB的图像处理算法对其进行处理从而得出弹着点环数。对靶纸图像进行灰度转换、中值滤波、二值化等预处理，并采用Sobel算子进行边缘提取，减少后续图像处理的数据量。通过靶纸圆环的对称特征，先提取出圆心，将Hough变换降维来求内圆环参数，再结合图像差影法以及形态学处理对弹孔识别定位。实验发现，上述图像处理算法有较快的速度和较好的准确度。

关键词： MATLAB； 预处理； Hough变换； 降维； 形态学

中图分类号：TP391.41 文献标志码：A 文章编号：1006-8228（2016）11-17-04

Research on the image recognition of target sheet with MATLAB

Wang Weiyang， Ding Jiayue， Wang Penghong， Lu Zhengyong

（School of Imformation & Electronic Engineering， Zhejiang Gongshang University，

Hangzhou， Zhejiang 310018， China）

Abstract： According to the shooting competition when a real-time and accurate detection of the

shooting results is required， a research on image recognition of target sheet with MATLAB is

presented in this paper. An image processing algorithm based on MATLAB is used in order to analyse

the ring number of impact point on the target sheet captured by digital camera. Grayscale

conversion， median filtering， and binariztion of the target sheet image are used in the image

pretreatment. Sobel operator is used to extract image edge， so the amount of computation is

dramatically reduced. And the bullet hole is recognized and located by using improved Hough

transform， image subtraction method and morphological algorithm. The experimental results show

that the image processing algorithm has fast speed and good accuracy.

Key words： MATLAB； pretreatment； Hough transform； mension reduction； morphology

0 引言

随着科技的发展，射击比赛时采用自动报靶系统，将会越来越普遍。这种方式不仅能减少人力物力支出、提高报靶效率，还能减小由于人为带来的不确定因素。目前已有不少单位研究出多种自动报靶系统[1-4]。基于机器视觉的自动报靶系统，应用环境要求特殊，还未得到普及龙源期刊网

[1-4]。本文基于MATLAB函数工具箱实现靶纸弹孔检测的数字化方法，在射击时对靶纸图像进行采集，通过基于MATLAB的图像处理技术对靶纸图像进行处理分析，并模拟图像进行成绩输出。

1 靶纸图像采集读取

靶纸图像采集可以有多种方式，本实验采用最高像素值为300万的数码相机拍摄，图像采集简便，便于推广应用。MATLAB中提供的imread（）函数用于实现图像的读取操作，可读取JPG、TIF、GIF、HDF、XWD和CUR等多种图像格式。调用该函数后将得到一个存储图像数据的矩阵，后期对图像的各种处理正是基于该数据矩阵来完成。

2 靶纸图像预处理[1]

2.1 图像灰度化

数码相机拍摄的图像为彩色图像，图像中每个像素都包含有R（红色）、G（绿色）、B（蓝色）三种基色分量信息，每种基色分量均需要占用八位来表示基色强度，数据量较大。为减轻计算机工作量，去除掉部分无用信息，将图像进行灰度化处理，减少后续处理分析耗时。

在MATLAB中采用rgb2gray（）函数对图像进行灰度化处理，该函数中三基色的权重系数取值为（0.299，0.587，0.114）[5]。

2.2 图像增强

对靶纸图像增强是为了突出图像中的有用信息，同时对噪声等无用信息进行一定的消除，类似信号处理中的滤波器。图像噪声常常表现为孤立像素点，如果不去除噪声，会对边缘检测、图像变换以及后续的弹孔定位带来影响。MATLAB中提供了平滑滤波器、中值滤波器以及锐化滤波器这三种图像增强滤波器[6]。平滑滤波器本质上类似低通滤波器，只对信号的低频部分有很好地选通性。靶纸图像中对属于高频部分的圆环边缘提取十分重要，采用平滑滤波器将对其造成破坏。锐化滤波器有时会导致输出图像灰度值出现负值，还需要进行相应灰度转换，增加处理工作量。本文采用中值滤波器对靶纸图像进行滤波处理，能有效去除类似斑点噪声及椒盐噪声的孤立像素点，同时较好地保留了图像的边缘信息[2]。这是一种非线性的去噪方法，其基本原理是在图像中一个像素周围确定一个邻域，以该邻域中各像素点灰度值的中值来代换该像素点自身的灰度值[4]。

MATLAB中提供medfilt2（）函数用于对图像信息进行中值滤波，二维滤波窗口可以为方形、圆形、菱形等，由图像像素点构成，可在函数中设置窗口形状，默认为像素点的方形窗口[5]。 龙源期刊网

2.3 靶纸图像二值化

由于对靶纸图像的处理主要是对圆环和弹孔的识别提取，对于图像灰度值并没有特定的要求，所以进一步对图像二值化以去除无用信息。所选取的阈值需要能够有效保留图像特征，保证后续处理的可靠性。对灰度化后的靶纸图像绘制灰度直方图，如图1所示。

从直方图看出灰度值集中在Y220范围内，其中Y220对应白色背景以及白色圆环部分，所以阈值TG取值应在30/255

3 基于Hough变换的靶心定位

3.1 Hough变换圆检测原理[2，7]

Hough变换将二维图像平面转换为三维参数空间，采用类似“投票”模式的判断方法。三个参数值分别为圆心的行坐标a，圆心列坐标b，以及半径r。对于图像平面中的任何一个像素点（x，y）都要在三维参数空间内进行遍历运算，若运算结果满足关系式，则对应三维空间中的参数点票数加一。完成运算后，三维空间中“票数”最多（或满足一定数量）的参数点，其参数即为检测到的圆所对应圆心坐标以及半径值。Hough变换检测圆三个参数间的一般关系如下式：

3.2 用于靶纸圆环提取的Hough变换降维算法

从Hough变换原理可知，其运算过程中将会有大量的时空消耗，减少运算维度和参与运算的像素点数可以提高Hough变换效率。前期已对靶纸图像进行预处理得到图像的二值图，减少了参与Hough变换的像素点数。接着，采用Sobel算子对靶纸圆环进行边缘提取。图像边缘是图像局部特征不连续的表现，出现在两个不同图像区域的交界，常常是灰度突变的结果，在灰度突变处进行微分运算将产生高值[8]。MATLAB中通过调用edge（）函数进行边缘提取，函数计算结果为和输入图像一样大小的二值图。边缘提取对图像的特征信息进行提取，进一步减少Hough变换算法的工作量，减少运算时间。

由于靶纸圆环均为同心圆环，只存在一个位置固定的圆心。经边缘提取后的图像是由像素点组成的多个同心圆环，圆环特征较为明显，考虑降低Hough变换的计算维度来提高计算速度[9]，先进行靶纸圆心的提取，将圆心横纵坐标分别提取。首先是横坐标的提取，以平行于X轴的扫描线，自图像顶部向下纵向扫描。此时靶纸上圆环边缘点值为“1”，背景为“0”，因此每向下扫描一行，记录该行i中间距最大的两个“1”值像素点的横坐标分别为、，直至扫描完图像。接着，以平行于Y轴的扫描线，自图像左边向右横向扫描，记录像素点纵坐标分别为ali、a2i，直至扫描完图像。若某行只存在一个“1”值点，则跳过该行。距离最远的两“1”值点为最外圈圆环上的点，坐标中值（ami，bmi）即为对应圆心坐标，计算公式如下： 龙源期刊网

由于边缘提取后的圆环边缘不完全连续，且可能存在弹孔边缘信息以及噪声点，若以文献[10]中尽量多弦交点的简单统计平均来计算坐标，将引入上述影响因素，导致圆心定位出现误差。因此，采用类似Hough变换证据积累的判断方法，对每行/列扫描得出的中值坐标采取投票的积累方式，出现相同的中值点坐标时则对该坐标对应“票数”Na[ami]加1，当遍历完整幅图像时，找出“票数”最多的中值点坐标ammax。此处，可设置一个阈值Ta，考虑到图像像素点的离散化以及边缘提取带来的影响，将中值坐标满足

内的对应点ami求和，接着求取平均值，此平均值记为圆心坐标a。同理得b。通过这种方法可以有效减少非最外圈圆环上弦交点即错误点或者噪声点的干扰的影响。MATLAB中调用sum（）函数用于求和，调用max（）函数用于求取最大值。坐标关系式如下：

上述算法的部分MATLAB代码如下：

%BW为边缘提取后靶纸图

[rows，cols]=find（BW）； %搜索1值像素点

mount=size（rows）； number=mount（1）；

i=1； j=1；

while（i

xjd（j，1）=rows（a）；

while（i

if（cols（i）==cols（i+1））

xjd（j，2）=rows（i+1）；i=i+1；

else

合集下载

使用Matlab进行图像识别的基本方法

使用Matlab进行图像识别的基本方法

使用Matlab进行图像识别的基本方法

引言

随着计算机视觉的快速发展，图像识别技术正在不断成熟和应用于各个领域。作为一种强大的科学计算工具，Matlab在图像处理和识别方面发挥着重要作用。本文将介绍使用Matlab进行图像识别的基本方法，包括图像预处理、特征提取和分类器训练等方面。

一、图像预处理

图像预处理是图像识别的首要步骤，可以提升图像质量和减少噪声的影响。在Matlab中，我们可以使用一系列的函数和工具箱来进行图像预处理。常见的图像预处理方法包括灰度化、平滑滤波、边缘检测等。

1. 灰度化

灰度化是将彩色图像转换为灰度图像的过程。在Matlab中，我们可以使用rgb2gray函数将RGB图像转化为灰度图像。该函数将RGB图像的红、绿、蓝三个分量按一定的权重进行加权平均，得到一个表示灰度的单通道图像。

2. 平滑滤波

平滑滤波可以去除图像中的噪声，提升图像的质量。Matlab中提供了多种平滑滤波函数，如均值滤波、中值滤波和高斯滤波。用户可以根据实际需求选择合适的滤波方法。

3. 边缘检测

边缘检测是图像预处理中常用的技术之一。Matlab中有多种边缘检测算法可供选择，如Sobel算子、Canny算子和Laplacian算子等。用户可以根据具体情况选择适合的边缘检测方法。 二、特征提取

特征提取是图像识别的关键步骤，是将图像中的信息转化为可供分类器识别的特征向量。在Matlab中，我们可以使用各种特征提取算法和工具箱来提取特征。常用的特征包括颜色直方图、纹理特征和形状特征。

1. 颜色直方图

颜色直方图是一种常用的图像特征，可以反映图像中不同颜色的分布情况。在Matlab中，我们可以使用imhist函数计算图像的颜色直方图。通过统计图像中每个颜色值的像素个数，我们可以得到一个表示颜色分布的特征向量。

2. 纹理特征

纹理特征是用来描述图像中的纹理信息的特征。在Matlab中，我们可以使用局部二值模式（Local Binary Patterns, LBP）和灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）等方法来提取纹理特征。这些方法可以计算图像中不同位置或不同方向上的纹理变化程度，从而得到一个表示纹理特征的向量。

在Matlab中如何进行图像识别与分类

在Matlab中如何进行图像识别与分类

在Matlab中如何进行图像识别与分类

在Matlab中进行图像识别与分类

随着计算机技术的快速发展，图像识别与分类在各个领域得到了广泛应用。Matlab作为一种强大的计算工具，提供了丰富的图像处理和机器学习函数，使得图像识别与分类变得更加便捷和高效。本文将介绍在Matlab中进行图像识别与分类的基本方法和步骤。

一、图像预处理

图像预处理是图像识别与分类的第一步，其目的是将原始图像进行降噪、增强和标准化，以便后续的特征提取和分类算法的应用。在Matlab中，可以使用imread函数读取图像，然后使用imnoise函数添加噪声，使用imadjust函数进行图像增强，使用imresize函数进行图像尺寸调整等操作。此外，还可以使用图像滤波器进行模糊处理或者边缘增强，以便更好地突出图像的特征。

二、特征提取

特征提取是图像识别与分类的核心步骤，其目的是从图像中提取出具有代表性的特征，用于后续的分类算法。在Matlab中，可以使用各种特征描述子进行特征提取，常用的有颜色直方图、纹理特征、形状特征等。例如，可以使用RGB颜色直方图函数imhist来提取图像的颜色特征，使用纹理特征提取函数graycomatrix来提取图像的纹理特征，使用边缘检测函数edge来提取图像的形状特征等。特征提取的关键在于选择合适的特征描述子，以及合理的特征维度和尺度的选择，以充分表达图像的特征。

三、分类算法

分类算法是图像识别与分类的关键步骤，其目的是将提取到的特征进行分类，以实现对图像的自动识别和分类。在Matlab中，可以使用各种经典的分类算法来进行图像分类，常用的有支持向量机（SVM）、最近邻算法（KNN）、神经网络等。例如，可以使用Matlab中的fitcsvm函数实现SVM分类器的训练和测试，使用fitcknn函数实现KNN分类器的训练和测试，使用Patternnet函数实现神经网络分类器的训练和测试等。分类算法的关键在于选择合适的模型和算法参数，以及合理的特征选择和特征权重的设计，以提高分类器的准确性和鲁棒性。

基于MATLAB的图片处理及特征提取优化研究

基于MATLAB的图片处理及特征提取优化研究

基于MATLAB的图片处理及特征提取优化研究

图片处理和特征提取一直是计算机视觉领域的热门话题，而MATLAB作为一种常用的数学软件，也被广泛应用于该领域中。本文将从MATLAB的应用出发，探讨图片处理和特征提取的优化研究。

一、图片处理

图片处理是指对数字化的图片进行各种操作的过程，涉及到多种技术，如平滑滤波、边缘检测、形态学处理等。在MATLAB中，有许多内置函数可以方便地进行图片处理，例如imfilter、edge、imerode等。

在进行图片处理时，除了技术的熟练应用外，还需要注意一些优化策略，以提高处理速度和效果。

首先是图片的存储方式。在MATLAB中，可以将图片保存为多种文件格式，如bmp、jpg、png等，但不同格式的图片对MATLAB的处理速度和内存占用有很大的差异。在一些需要大量处理的情况下，可以考虑使用较小的图片格式，如jpeg等。

其次是代码的优化。在MATLAB中，使用for循环进行图片处理是一种常见的写法，但在处理大量数据时，这种写法会极大地降低程序的运行速度。可以使用MATLAB提供的向量化操作，将循环语句转化为矩阵运算，极大地提高程序的处理速度。例如，在进行滤波时，可以使用imfilter函数代替for循环来进行处理。

最后是硬件的优化。在进行大量图片处理时，硬件的性能也会对程序的运行速度产生影响。可以考虑使用GPU等加速卡进行计算，以提高程序的效率。

二、特征提取

特征提取是将图片中的各种信息提取出来，用于分类、目标检测、图像识别等应用。在MATLAB中，特征提取的方法多种多样，如HOG特征、SIFT特征、LBP特征等。

相比于图片处理，特征提取需要考虑的问题更多，因为特征提取直接关系到后续的任务效果。在进行特征提取时，需要注意以下几个方面。

首先是特征选择。不同的特征在不同的应用场景下可能会产生不同的效果。因此，需要根据具体的应用需求选择合适的特征进行提取。例如，在人脸识别中，可以使用LBP特征或Haar特征。

如何在MATLAB中进行图像识别与分类

如何在MATLAB中进行图像识别与分类

如何在MATLAB中进行图像识别与分类

在当今信息爆炸的时代，图像识别与分类技术的发展日新月异。作为一种重要的人工智能技术，图像识别与分类在许多领域都有广泛的应用，例如人脸识别、车辆识别、医学影像分析等。而在图像识别与分类的研究和应用中，MATLAB作为一种功能强大的编程语言和数据分析环境，被广泛应用于图像的处理和分析。下面将介绍如何在MATLAB中进行图像识别与分类。

首先，需要明确的是，在MATLAB中进行图像识别与分类，需要掌握一些基础的图像处理技术和机器学习算法。比如，要对图像进行特征提取和预处理，可以使用MATLAB中的图像处理工具箱，包括图像增强、滤波、边缘检测等功能。这些功能可以帮助我们将原始的图像数据转化为能够更好地描述和表达图像特征的数据。

其次，对于图像识别与分类任务，我们需要选择合适的机器学习算法来建模和训练。在图像识别与分类任务中，常用的机器学习算法包括支持向量机、神经网络、决策树等。在MATLAB中，有专门的工具箱可以帮助我们实现这些算法，如机器学习工具箱和深度学习工具箱。这些工具箱提供了各种各样的算法和函数，可以方便地进行模型的建立、训练和评估。

另外，为了提高分类模型的性能，我们还可以采用特征选择和特征降维的方法。特征选择是指从原始的特征集合中选择出最重要的特征子集，以提高分类模型的准确性和泛化能力。而特征降维是指将高维的特征向量映射到低维的特征空间，以减少特征向量的维数和模型的复杂度。在MATLAB中，我们可以使用特征选择和特征降维工具箱来实现这些功能，例如主成分分析（PCA）和线性判别分析（LDA）等。

此外，在进行图像识别与分类任务时，还需要考虑数据集的选择和数据预处理的方法。对于数据集的选择，我们需要根据具体的应用场景来确定需要识别和分类的图像类别。对于数据预处理的方法，我们可以采用图像增强的技术来改善图像的质量和清晰度，提高分类模型的性能。

最后，图像识别与分类不仅仅局限于单个图像的识别，还可以应用于图像集合或视频序列的分析。在多图像的情况下，我们可以采用一些聚类和分类算法来将图像分组或进行类别识别。在视频序列的分析中，我们可以利用时序信息，结合图像识别与分类的技术，对视频序列进行动作识别、目标跟踪等任务。