java数字图像处理常用算法(转)

一 读取bmp图片数据

// 获取待检测图像 ，数据保存在数组 nData[]，nB[] ，nG[] ，nR[]中 public void getBMPImage(String source) throws Exception { clearNData(); //清除数据保存区 FileInputStream fs = null; try { fs = new FileInputStream(source); int bfLen = 14; byte bf[] = new byte[bfLen]; fs.read(bf, 0, bfLen); // 读取14字节BMP文件头 int biLen = 40; byte bi[] = new byte[biLen]; fs.read(bi, 0, biLen); // 读取40字节BMP信息头 // 源图宽度 nWidth = (((int) bi[7] & 0xff) << 24) | (((int) bi[6] & 0xff) << 16) | (((int) bi[5] & 0xff) << 8) | (int) bi[4] & 0xff; // 源图高度 nHeight = (((int) bi[11] & 0xff) << 24) | (((int) bi[10] & 0xff) << 16) | (((int) bi[9] & 0xff) << 8) | (int) bi[8] & 0xff; // 位数 nBitCount = (((int) bi[15] & 0xff) << 8) | (int) bi[14] & 0xff; // 源图大小 int nSizeImage = (((int) bi[23] & 0xff) << 24) | (((int) bi[22] & 0xff) << 16) | (((int) bi[21] & 0xff) << 8) | (int) bi[20] & 0xff; // 对24位BMP进行解析 if (nBitCount == 24){ int nPad = (nSizeImage / nHeight) - nWidth * 3; nData = new int[nHeight * nWidth]; nB=new int[nHeight * nWidth]; nR=new int[nHeight * nWidth]; nG=new int[nHeight * nWidth]; byte bRGB[] = new byte[(nWidth + nPad) * 3 * nHeight]; fs.read(bRGB, 0, (nWidth + nPad) * 3 * nHeight); int nIndex = 0; for (int j = 0; j < nHeight; j++){ for (int i = 0; i < nWidth; i++) { nData[nWidth * (nHeight - j - 1) + i] = (255 & 0xff) << 24 | (((int) bRGB[nIndex + 2] & 0xff) << 16) | (((int) bRGB[nIndex + 1] & 0xff) << 8) | (int) bRGB[nIndex] & 0xff; nB[nWidth * (nHeight - j - 1) + i]=(int) bRGB[nIndex]& 0xff; nG[nWidth * (nHeight - j - 1) + i]=(int) bRGB[nIndex+1]& 0xff; nR[nWidth * (nHeight - j - 1) + i]=(int) bRGB[nIndex+2]& 0xff; nIndex += 3; } nIndex += nPad; } // Toolkit kit = Toolkit.getDefaultToolkit(); // image = kit.createImage(new MemoryImageSource(nWidth, nHeight, // nData, 0, nWidth)); /* //调试数据的读取 FileWriter fw = new FileWriter("C://Documents and Settings//Administrator//My Documents//nDataRaw.txt");//创建新文件 PrintWriter out = new PrintWriter(fw); for(int j=0;j<nHeight;j++){ for(int i=0;i<nWidth;i++){ out.print((65536*256+nData[nWidth * (nHeight - j - 1) + i])+"_" +nR[nWidth * (nHeight - j - 1) + i]+"_" +nG[nWidth * (nHeight - j - 1) + i]+"_" +nB[nWidth * (nHeight - j - 1) + i]+" "); } out.println(""); } out.close(); */ } } catch (Exception e) { e.printStackTrace(); throw new Exception(e); } finally { if (fs != null) { fs.close(); } } // return image; }

二 由r g b 获取灰度数组

public int[] getBrightnessData(int rData[],int gData[],int bData[]){ int brightnessData[]=new int[rData.length]; if(rData.length!=gData.length || rData.length!=bData.length || bData.length!=gData.length){ return brightnessData; } else { for(int i=0;i<bData.length;i++){ double temp=0.3*rData[i]+0.59*gData[i]+0.11*bData[i]; brightnessData[i]=(int)(temp)+((temp-(int)(temp))>0.5?1:0); } return brightnessData; } }

三 直方图均衡化
public int [] equilibrateGray(int[] PixelsGray,int width,int height) { int gray; int length=PixelsGray.length; int FrequenceGray[]=new int[length]; int SumGray[]=new int[256]; int ImageDestination[]=new int[length]; for(int i = 0; i <length ;i++) { gray=PixelsGray[i]; FrequenceGray[gray]++; } // 灰度均衡化 SumGray[0]=FrequenceGray[0]; for(int i=1;i<256;i++){ SumGray[i]=SumGray[i-1]+FrequenceGray[i]; } for(int i=0;i<256;i++) { SumGray[i]=(int)(SumGray[i]*255/length); } for(int i=0;i<height;i++) { for(int j=0;j<width;j++) { int k=i*width+j; ImageDestination[k]=0xFF000000 | ((SumGray[PixelsGray[k]]<< 16 ) | (SumGray[PixelsGray[k]]<< 8 ) | SumGray[PixelsGray[k]]); } } return ImageDestination; }

四 laplace2阶滤波，增强边缘,图像锐化
public int[] laplace2DFileter(int []data,int width,int height){ int filterData[]=new int[data.length]; int min=10000; int max=-10000; for(int i=0;i<height;i++){ for(int j=0;j<width;j++){ if(i==0 || i==height-1 || j==0 || j==width-1) filterData[i*width+j]=data[i*width+j]; else filterData[i*width+j]=9*data[i*width+j]-data[i*width+j-1]-data[i*width+j+1] -data[(i-1)*width+j]-data[(i-1)*width+j-1]-data[(i-1)*width+j+1] -data[(i+1)*width+j]-data[(i+1)*width+j-1]-data[(i+1)*width+j+1]; if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } // System.out.println("max: "+max); // System.out.println("min: "+min); for(int i=0;i<width*height;i++){ filterData[i]=(filterData[i]-min)*255/(max-min); } return filterData; }

五 laplace2阶增强滤波，增强边缘，增强系数delt
public int[] laplaceHigh2DFileter(int []data,int width,int height,double delt){ int filterData[]=new int[data.length]; int min=10000; int max=-10000; for(int i=0;i<height;i++){ for(int j=0;j<width;j++){ if(i==0 || i==height-1 || j==0 || j==width-1) filterData[i*width+j]=(int)((1+delt)*data[i*width+j]); else filterData[i*width+j]=(int)((9+delt)*data[i*width+j]-data[i*width+j-1])-data[i*width+j+1] -data[(i-1)*width+j]-data[(i-1)*width+j-1]-data[(i-1)*width+j+1] -data[(i+1)*width+j]-data[(i+1)*width+j-1]-data[(i+1)*width+j+1]; if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i=0;i<width*height;i++){ filterData[i]=(filterData[i]-min)*255/(max-min); } return filterData; }
六 局部阈值处理2值化

// 局部阈值处理2值化，niblack's method /*原理： T(x,y)=m(x,y) + k*s(x,y) 取一个宽度为w的矩形框，(x,y)为这个框的中心。 统计框内数据，T(x,y)为阈值,m(x,y)为均值，s(x,y)为均方差，k为参数(推荐-2)计算出t再对(x,y)进行切割255/0。 这个算法的优点是 速度快，效果好。 缺点是 niblack's method会产生一定的噪声。 */ public int[] localThresholdProcess(int []data,int width,int height,int w,int h,double coefficients,double gate){ int[] processData=new int[data.length]; for(int i=0;i<data.length;i++){ processData[i]=255; } if(data.length!=width*height) return processData; int wNum=width/w; int hNum=height/h; int delt[]=new int[w*h]; //System.out.println("w; "+w+" h:"+h+" wNum:"+wNum+" hNum:"+hNum); for(int j=0;j<hNum;j++){ for(int i=0;i<wNum;i++){ //for(int j=0;j<1;j++){ // for(int i=0;i<1;i++){ for(int n=0;n<h;n++) for(int k=0;k<w;k++){ delt[n*w+k]=data[(j*h+n)*width+i*w+k]; //System.out.print("delt["+(n*w+k)+"]: "+delt[n*w+k]+" "); } //System.out.println(); /* for(int n=0;n<h;n++) for(int k=0;k<w;k++){ System.out.print("data["+((j*h+n)*width+i*w+k)+"]: "+data[(j*h+n)*width+i*w+k]+" "); } System.out.println(); */ delt=thresholdProcess(delt,w,h,coefficients,gate); for(int n=0;n<h;n++) for(int k=0;k<w;k++){ processData[(j*h+n)*width+i*w+k]=delt[n*w+k]; // System.out.print("delt["+(n*w+k)+"]: "+delt[n*w+k]+" "); } //System.out.println(); /* for(int n=0;n<h;n++) for(int k=0;k<w;k++){ System.out.print("processData["+((j*h+n)*width+i*w+k)+"]: "+processData[(j*h+n)*width+i*w+k]+" "); } System.out.println(); */ } } return processData; }

七 全局阈值处理2值化
public int[] thresholdProcess(int []data,int width,int height,double coefficients,double gate){ int [] processData=new int[data.length]; if(data.length!=width*height) return processData; else{ double sum=0; double average=0; double variance=0; double threshold; if( gate!=0){ threshold=gate; } else{ for(int i=0;i<width*height;i++){ sum+=data[i]; } average=sum/(width*height); for(int i=0;i<width*height;i++){ variance+=(data[i]-average)*(data[i]-average); } variance=Math.sqrt(variance); threshold=average-coefficients*variance; } for(int i=0;i<width*height;i++){ if(data[i]>threshold) processData[i]=255; else processData[i]=0; } return processData; } }

八 垂直边缘检测，sobel算子
public int[] verticleEdgeCheck(int []data,int width,int height,int sobelCoefficients) throws Exception{ int filterData[]=new int[data.length]; int min=10000; int max=-10000; if(data.length!=width*height) return filterData; try{ for(int i=0;i<height;i++){ for(int j=0;j<width;j++){ if(i==0 || i==1 || i==height-1 || i==height-2 ||j==0 || j==1 || j==width-1 || j==width-2){ filterData[i*width+j]=data[i*width+j]; } else{ double average; //中心的九个像素点 //average=data[i*width+j]-Math.sqrt(2)*data[i*width+j-1]+Math.sqrt(2)*data[i*width+j+1] average=data[i*width+j]-sobelCoefficients*data[i*width+j-1]+sobelCoefficients*data[i*width+j+1] -data[(i-1)*width+j-1]+data[(i-1)*width+j+1] -data[(i+1)*width+j-1]+data[(i+1)*width+j+1]; filterData[i*width+j]=(int)(average); } if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i=0;i<width*height;i++){ filterData[i]=(filterData[i]-min)*255/(max-min); } } catch (Exception e) { e.printStackTrace(); throw new Exception(e); } return filterData; }


九 图像平滑：3*3掩模处理（平均处理），降低噪声
public int[] filter(int []data,int width,int height) throws Exception{ int filterData[]=new int[data.length]; int min=10000; int max=-10000; if(data.length!=width*height) return filterData; try{ for(int i=0;i<height;i++){ for(int j=0;j<width;j++){ if(i==0 || i==1 || i==height-1 || i==height-2 ||j==0 || j==1 || j==width-1 || j==width-2){ filterData[i*width+j]=data[i*width+j]; } else{ double average; //中心的九个像素点 average=(data[i*width+j]+data[i*width+j-1]+data[i*width+j+1] +data[(i-1)*width+j]+data[(i-1)*width+j-1]+data[(i-1)*width+j+1] +data[(i+1)*width+j]+data[(i+1)*width+j-1]+data[(i+1)*width+j+1])/9; filterData[i*width+j]=(int)(average); } if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i=0;i<width*height;i++){ filterData[i]=(filterData[i]-min)*255/(max-min); } } catch (Exception e) { e.printStackTrace(); throw new Exception(e); } return filterData; }