复杂背景下的目标辨识技术研究(2)
本课题的主要目的是研究目标与背景存在混淆难以简单识别的问题，在分析难点的基础上，探讨解决这个问题的方法。着重点在解决复杂程度的定义，给出能准确辨识出目标的条件，通过讨论相邻像素间RGB值的关系来量化图像复杂度。
1.2 研究现状
1.3 本文内容安排
本课题要研究和讨论如何辨识目标，并且归纳基本方法；讨论如何描述一个图像的复杂程度，并且给出图像复杂度的定义：探讨要准确辨识目标需要哪些条件，以及影响辨识准确度的因素：编制出仿真程序，能实现辨识目标。
第二章介绍目标辨识理论基础，包括图像预处理、图像分割以及特征提取三小节内容。
第三章讨论图像复杂度，包括复杂度的定义、图像复杂度的描述和分析这几方面内容。
第四章主要介绍仿真程序，包括程序结构、主要函数、测试过程及结果三小节内容。
第五章对本次毕业设计做出总结和展望。
2 目标辨别理论基础
2.1 图像预处理
2.1.1 利用直方图实现灰度均衡化
我们通常采用灰度直方图来表述图像灰度级水平的总体信息，通常情况下应用于图像灰度变换以及图像分割等一些处理过程当中[5]。如果站在数学角度上来看，直方图是图像灰度值的函数，所表述的是图像的每一个灰度级的统计特征，记录图中每一个灰度级出现的次数或者概率。其中有一种比较特殊的直方图，我们称之为归一化直方图，它能够直接表现不相同的灰度级出现的比率。如果站在图形层面上来看，直方图是二文图，它的横坐标是每一个像素点的灰度级，纵坐标可以表示是每一个灰度级水平上的像素所出现的概率或者次数。
灰度直方图的计算是根据其统计定义进行的。直方图表示图像各个灰度级与此灰度级出现频率的某种对应的关系，实际是一个离散函数。
灰度均衡化，是指输入图像通过灰度映射被转化成在各个灰度级水平上总有比较相同的像素点数量的输入图像（换句话来讲，其输出的直方图一般来讲都是均匀的）。为了方便进行分析的，一般都会先研究灰度范围是0~1并且是连续的情形。这时对于这种所具有的归一化直方图，我们称它是概率密度函数（PDF）。
图像经均衡化处理之后，像素可能会占有比较多的灰度级而且其分布是比较均匀的。所以，经过处理之后的图像就具有相对很好的对比度以及相对很大的动态范围。
由概率密度函数的性质，有以下关系。
设转换前图像的概率密度函数为 ，转换后图像的概率密度函数为 ，转换函数（就是灰度映射关系）为s=f(r)。那么由概率论可以获得
如果要改变之后图像的概率密度函数符合: （这可以说明直方图是均匀的），那么就应该满足：
等式两边对r积分，可得
上式就是图像的累积分布函数（CDF）。如果是在灰度取值的区间是在[0,1]之内的话，这个式子才能被推导出来的[6]，如果区间是[0,255]的话，乘以图像的最大灰度值 就可以了 （一般而言，对灰度图，最大的灰度值就是255）。此时灰度均衡的转换公式如下。
其中， 为转换后的灰度值， 为转换前的灰度值。
而对于离散灰度级，相应的转换公式应如下。
式中 为第l级灰度的像素个数， 为图像的面积，即像素总数。
式中的f是一个单调增函数，这样的话就可以保证在图像输出时，就不太可能有灰度反转的情况出现，这样一来可以防止在变换过程中会对图像实质造成变化，以导致图像识别不能正常地进行。从离散变换的角度讨论，一般情况下没有办法再像连续变换时能够得到较为严格的均匀概率密度函数（ ）。不过不管怎样，上式一般可以有展开输入直方图的趋势，能够使得经过均衡化处理过的图像灰度级可以有更大的范围，这样一来就能获得比较均匀的直方图了。