分割 反比 权重图 梯度 灰度_基于灰度―梯度二维最大熵阈值法的赤足迹轮廓提取...

摘 要

本文采用基于灰度-梯度二维阈值的方法来提取足迹轮廓。首先，建立灰度-梯度共生矩阵模型，利用最大熵原理求出灰度、梯度的二维阈值；然后以该二维阈值向量对足迹图像进行二值化，精确分割出图像的模糊边缘像素点，并提取出边缘。该方法提取的足迹边缘定位准确、精度高。

【关键词】灰度-梯度共生矩阵 最大熵原理 高斯拟合 足迹边缘提取

足迹可以反映许多和人特征相关的信息。通过分析这些信息可以正确判断出人的身高、体重、年龄等生理特征，甚至可以判断出是他的职业。足迹分析在刑事案件侦破中发挥重要作用。人们采用计算机智能的提取足迹特征时发现测量各种特征、识别足迹形状和分析其特性都基于足迹轮廓的提取。提取的足迹边缘精确度直接影响检验结果。

现在分割足迹图像的方法各式各样，但阈值法是其中使用率最高和适用面最广的。目前已经有许多阈值法如类间方差最大法、直方图阈值法等。灰度-梯度共生矩阵可以集中反映图像中每个像素灰度和梯度之间的关系，可以清楚地给出图形中灰度和梯度分布规律，选取的阈值精度高，所以采用基于灰度-梯度共生矩阵为模型的二维最大熵阈值法进行足迹边缘的提取十分成功。

根据足迹图像特征及提取的精度要求，本文采用灰度-梯度二维阈值来提取足迹的轮廓。这种方法，首先建立图像的灰度-梯度共生矩阵模型，之后采用最大熵原理求灰度、梯度的二维阈值向量；最后用此二维阈值向量进行足迹图像的区域分割，分割出模糊的边缘像素点，提取出边缘。

1 灰度-梯度共生矩阵

灰度-梯度共生矩阵模型描述了图像中两种最基本的要素，其中各像素点的灰度构成图像的基础，反映图像的内部信息；而梯度构成了图像边缘轮廓的要素，给出了图像外部信息。

1.1 梯度阵的计算

设有一幅m×n的灰度图像f(x，y)，