一致性校正方法2

长短帧方法，本人借鉴于某些摄像头厂家，类似于区域检测，以及警戒区域安保识别等范例。具体是通过建立短帧（一般为连续相邻帧），长帧（间隔一定时间的帧）进行识别过程。

具体在一致性校正处理过程中，当设备成像过程不稳定，导致成像图像出现局部灰度拉伸，全局对比度失真等情况时，一般进行样张多拍，在多样张中首先将两两相邻的图像设立为短帧，间隔5张图像设立为长帧。通过长短帧的均值差异建立权重，最终进行带权重的均值过程，实现单张图像的校准过程。

长短帧校准基础原理如下：

clear;clc;close all
    infiles='V2mean\combine\';
    files12='V2mean\combineV1\';
    n=360;
    long=zeros();%设定长帧变量
    short=zeros();%设定短帧变量
for k=1:n
    img1 = double(imread([infiles,num2str(k),'.jpg']));%文件所在路径
     short(k)=mean(mean(img1));
     i=ceil(k/5);
     long(i)=mean(mean(img1));
end

在解决这个问题时，我首先也是采集多幅样张，然后直接求均值，导致的结果就是单张极值出现问题的时候，整体求解将会在灰度上有偏移。

所以本人在求解时，首先对每张图像进行中位数和灰度平均值进行获取，采用线性关系，按照0.7中位数+0.3灰度平均值，再除以所求图像张数n作为权重，进行灰度值求取。该方法，求取完成后会出现解得图像与原有图像灰度值上有差异，但所求图像成像均值细节效果好。这个差异本人目前采用按照灰度平均值差异进行加减。

上述方法即可解决大部分成像设备差异性带来的图像特征影响。

进而下一步即是如何在图像中找去最适合一致性校正的特征内容。

识别特征的方法本人所学过的，大致如下：

1.形状类型的定位，通过角点，圆周等几何形状特征进行特征几何属性的定位。（下图来源于网络，如侵权，请联系作者）

如上图（图像源于网络），图中共计11种常规几何形状。识别不同几何形状，本人采用了基于质心到边缘的 距离拟合方法。任举其中几种几何形状，运行结果如下：

 

 

如上图，通过边缘范围到质心的距离，在上述距离中，通过斜率关系可以直接测试出所求取特征几何图形边的数量，即使上图标序号2的圆形，放大发现也是边数较多的几何图形。

在完成距离曲线的求取后，进一步，如何对曲线中的边数进行自动识别：由于

 

上图所示箭头点，类似于这种点，在距离曲线上也呈现出斜率为零的情况，亦或是下图：

在到达箭头所指点时，斜率的变化可能为零，可能为增，可能为减，斜率受到两侧边长比的影响，可能出现各类情况。所以直接使用斜率对多边形边数计算难以实现。

本人采用一种质心到边长的动态变化方法，即先对几何图形求取质心，然后依次计算边缘集合到质心的距离。如下图结果：

 上图为识别几何图形，其边缘各点到质心的距离如下图蓝线：下图红线则是对蓝线所述距离的求导过程，通过红线经过0的次数，并处以2，即可得到上述几何图形的边长。

综合测试结果如下图：

该方法在大多几何图形内容中，均可以正确识别，例如对上图中，圆形的识别为12条边，本人设定阈值大于10即可认为是圆形。

上述方法的源码如下：

clear;clc;close all
%% 
%% 几何形状识别
img1=imread('1.jpg');%输入想要识别的图像
threshhold =graythresh(img1);
bw=im2bw(img1,threshhold);
bw=1-bw;
%圆形
% se = strel('rectangle',[8,8]);
% bw = imclose(bw,se);
bw = imfill(bw,'holes');
[B,L] = bwboundaries(bw,'noholes');
figure(2);imshow(label2rgb(L,@jet,[.5 .5 .5]));
hold on;
% border=length(B);
border=length(B);
for k = 1:border
boundary = B{k};
plot(boundary(:,2),boundary(:,1),'w','LineWidth',2)
end
hold on;
% 确定目标及质心
stats = regionprops(L,'Area','Centroid');
% 设置求面积
for k =1:border
    boundary = B{k};
    mm(k,:)=stats(k).Centroid;
    mn=B{k};
    mn(:,[1 2])=mn(:,[2 1]);
    [long(k),wide]=size(mn);
for j=1:long(k)
    dism(k,j)=norm(mm(k,:)-mn(j,:));
end
    hold on
    plot(mm(k,1),mm(k,2),'k.'),text(mm(k,1),mm(k,2),[num2str(k),'质心']);
end
figure()
for i=1:border
    aa=1;
    plot(smooth(dism(i,:),0.01,'loess'));
    hold on
%     plot(diff(dism(i,:)));
    fdism(i,:)=diff(dism(i,:));
    fdism(i,:)=smooth(fdism(i,:),0.1,'loess');
    plot(fdism(i,:));
    for j=1:long(i)-2
        if (fdism(i,j)<0&&fdism(i,j+1)>=0)||(fdism(i,j)>0&&fdism(i,j+1)<=0)
            aa=aa+1;
        end
    end  
   if     floor(aa/2)>1
    disp(['序号',num2str(i),'的几何图形共有',num2str(floor(aa/2)),'条边'])
   end
end

但上图结果中的图形11识别明显错误。这是由于质心到边缘的距离在经过钝角边角时，距离的倒数可能为单向倒数，所以仅经过了1次0，故而除以二后，11图形将下面两边与上面右边或左边的某一边识别为一边，出现问题。要想解决这个问题，主要方法分为角点及角度识别，几何斜率判定及图像面积与边长关系细分实现。

角点角度识别，首先需要对图像中的角点进行提取并识别，识别完成焦点后，对角点侧边进行斜率判断，并通过斜率解算角度求解，这个过程有亿点点麻烦，并且基于这个过程，基本可以直接识别几何图形的边数。这个过程的难点在于对角点的识别，通过二值化可以直接得到边缘和区域，但角点的识别，往往需要图像本身有较高的素质，对于模糊的图像，或者分辨率低的图像，角点难以有效识别。

几何斜率判定和图像面积与边长的关系，这个具体的过程，就是通过目前的参数，可以得到图像的面积，同时可以得到整体图像周长，那么无论是任何图形，在识别过程中一定可以得到一条已知边。其次，通过浅显易懂的数学过程可知，相同面积条件下，边长越多，周长越小。所以在边长与周长及面积存在一定的相关关系。

具体分析，可列举出以下特殊情况作为临界点。

确定边数和周长，将周长平均分配，即可得到能够封闭构成几何面积的最大值。

确定面积和边数，可得到理想最小周长。

确定面积和周长，可得到理想最小边数。

根据三者间的关系进行判断，确定类别后进一步进行特征求解。

2.二值化分布，提取按照灰度属性的特征内容。

3.本人在实际处理时，难免遇到上述两种提取方法难以有效提取的内容，一般是形状杂乱，灰度边缘模糊的内容，本人一般进行生长-腐蚀-生长-腐蚀....，和对比度拉伸，边缘提取。完成步骤后，重新按照提取的边缘依照灰度值在原有图像上进行校准。