一、投影

水平投影有什么作用呢？

可以起到一個(gè)定位的作用，比如說，我們想要定位車牌號。我們把圖像處理之后，用垂直投影，可以很快的對其進(jìn)行定位以即分割

水平投影的實(shí)現(xiàn)步驟

圖像二值化，物體為黑，背景為白。

循環(huán)各行，依次判斷每一列的像素是否為黑，統(tǒng)計(jì)所有黑像素的個(gè)數(shù)。設(shè)該行共有M個(gè)黑像素，則把該行從第一列到第M列設(shè)置為黑

垂直投影的實(shí)現(xiàn)步驟

圖像二值化，物體為黑，背景為白。

循環(huán)各列，依次判斷每一行的像素是否為黑，統(tǒng)計(jì)所有黑像素的個(gè)數(shù)。設(shè)該列共有M個(gè)黑像素，則把該列從第一行到第M行設(shè)置為黑

效果圖如下

水平投影效果如下

二、紋理分析

什么是紋理呢？

紋理就是指在圖像中反復(fù)出現(xiàn)的局部模式和他們的排列規(guī)則

紋理特征反應(yīng)了物體本身的屬性，有助于將兩種不同的物理分開來

通過對圖像的紋理分析獲得關(guān)于景物紋理特征和結(jié)構(gòu)的定景分析描述和解釋。這就是圖像紋理分析的任務(wù)。

紋理是圖像的像素灰度級或者顏色的某種變化，反復(fù)出現(xiàn)紋理基元和它的排列規(guī)則。而且這種變化是空間排列的

紋理是由紋理級元組測而成的

那什么是紋理分析呢？

紋理分析是指通過圖像處理技術(shù)抽取出紋理特征，獲得紋理的定量或者定性描述的處理過程，獲得紋理的定量或者定性描述的處理過程，它首先從像素觸發(fā)，檢測出紋理基元，找出紋理基元排列的信息，建立紋理基元的模型，通過紋理分析獲取紋理基元的排列信息及分布信息

紋理分析的基礎(chǔ)方法

統(tǒng)計(jì)方法

1. 空間域：基于統(tǒng)計(jì)圖像像素灰度級的分布狀況，利用直方圖

2. 頻域：通過傅里葉變換將圖像變換到頻率域然后抽取相應(yīng)的象征量

結(jié)構(gòu)方法：用于印刷或者版畫樣等一類紋理基元及其排列比較規(guī)則的圖像

直方圖統(tǒng)計(jì)特征分析法

大體步驟如下

1. 對于一副圖像，選擇合適的領(lǐng)域大小

2. 對每個(gè)像素，計(jì)算出其領(lǐng)域中的灰度直方圖

3. 比較求出的直方圖與已知的各種紋理基元的直方圖之間的相似性。

4. 若相似，說明存在已知的紋理基元

如何判斷直方圖的相似性呢？

均值方差法

求出兩個(gè)圖像直方圖的均值和方差，如果兩幅圖像的均值和方差相差均在閾值之內(nèi)，則說明兩個(gè)直方圖是相似的。

直方圖的均值：所有像素值相加除以像素個(gè)數(shù)

直方圖的方差：每一個(gè)顏色減去均值的平方，再乘以顏色的個(gè)數(shù)再除以總個(gè)數(shù)。

該算法實(shí)現(xiàn)起來非常簡單

Python

def Texture_1（img1，img2）：

def getStatic（img）：

static=np.zeros（shape=256，dtype=int）

for y in range（0，len（img））：

for x in range（0，len（img［y］））：

c=img［y，x，0］

static［c］=static［c］+1

return static

# 先統(tǒng)計(jì)直方圖

static1=getStatic（img1）

static2=getStatic（img2）

s1=0

s2=0

#再計(jì)算直方圖的平均灰度

for i in range（0，256）：

s1=s1+static1［i］*i

s2=s2=static2［i］*i

avg1=s1/（len（img1）*len（img1［0］））

avg2 = s2 / （len（img2） * len（img2［0］））

#再計(jì)算方差

for c in range（0，256）：

t1=（c-avg1）*static1［c］

t2=（c-avg2）*static2［c］

t1=t1/（len（img1）*len（img1［0］））

t2=t2/（len（img2）*len（img2［0］））

return np.abs（t1-t2）

Kolmogorov-Smirnov檢測法

對于兩幅圖像，分別求出其累計(jì)直方圖，然后取其累計(jì)直方圖差值的最大值

H（z）=int_{0}^{Z}h（x）dxH（z）=∫0Zh（x）dx

KS=max|H_1（z）-H_2（Z）|KS=max∣H1（z）?H2（Z）∣

然后再求出直方圖之間差值的的和值，為SD

SD=sum h_1（z）-h_2（z）SD=∑h1（z）?h2（z）

如果|KS-SD|∣KS?SD∣在閾值之內(nèi)，則相似

Python

def Texture_2（img1，img2）：

#下面是用來求一副圖像的直方圖

def getStatic（img）：

static=np.zeros（shape=256，dtype=int）

for y in range（0，len（img））：

for x in range（0，len（img［y］））：

c=img［y，x，0］

static［c］=static［c］+1

return static

#下面的函數(shù)是用來求一副圖像的累計(jì)直方圖

def getStatic1（img）：

static=np.zeros（shape=256，dtype=int）

for y in range（0，len（img））：

for x in range（0，len（img［y］））：

c=img［y，x，0］

static［c］=static［c］+1

if c》0：

static［c］=static［c］+static［c-1］

return static

static1=getStatic（img1）

static2=getStatic（img2）

# 用來參數(shù)KS

KS=np.max（static1-static2）

# 用來求參數(shù)SD

SD=np.sum（（getStatic（img1）-getStatic（img2）），axis=0）

return np.abs（KS-SD）

邊緣方向直方圖分析法

灰度級直方圖不能反應(yīng)圖像的二維灰度變化，圖像邊緣包含有大量的二維信息，取沿著邊緣走向的像素的領(lǐng)域，分析其直方圖，若在直方圖上的某一個(gè)灰度范圍內(nèi)有尖峰，可以說明在這個(gè)范圍內(nèi)，紋理具有方向性。因此，單純的分析邊緣方向的直方圖可以得到一些紋理信息

圖像自相關(guān)函數(shù)分析法

P（x，y）=frac{sum_{i=0}sum_{j=0}f（i，j）f（i+x，j+y）}{sum_{i=0}sum_{j=0} f（i，j）} d=（x^2+y^2）^{frac{1}{2}}P（x，y）=∑i=0∑j=0f（i，j）∑i=0∑j=0f（i，j）f（i+x，j+y）d=（x2+y2）21利用p（x，y）隨著x，y大小而變化的規(guī)律可以找到描述圖像的紋理特征。

自相關(guān)函數(shù)隨著x、y大小而變化，與圖像紋理粗細(xì)的變化有者對應(yīng)的關(guān)系，如果紋理比較粗，則P（x，y）隨著d增加而下降速度較慢，如果紋理比較細(xì)，則隨著d增加而下降速度較快

灰度共生矩陣特征分析法

因?yàn)榛叶燃壷狈綀D分析法無法反應(yīng)出像素之間灰度級空間相關(guān)性的規(guī)律。所以是有一定缺陷的，而灰度共生矩陣特征分析法，很好點(diǎn)的解決了這個(gè)問題。

相鄰某一間隔的兩個(gè)像素，他們之間要么具有相同的灰度級，要么具有不相同的灰度級，如果能找到這樣兩個(gè)像素的聯(lián)合分布的統(tǒng)計(jì)形式，對于圖像的紋理分析很有意義

灰度-梯度共生矩陣分析法

將其灰度進(jìn)行正規(guī)化處理

利用梯度算子，可以得到梯度圖像

經(jīng)過正規(guī)化處理，可以得到兩個(gè)正規(guī)化矩陣：灰度矩陣、梯度矩陣

正規(guī)化處理

每個(gè)像素乘以它的灰度值的個(gè)數(shù)，然后除以最大值
編輯：lyn