java数字图像处理常用算法

Posted 2023-04-10

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了java数字图像处理常用算法相关的知识，希望对你有一定的参考价值。

参考技术A

前些时候做毕业设计用java做的数字图像处理方面的东西这方面的资料ms比较少发点东西上来大家共享一下主要就是些算法有自己写的有人家的还有改人家的有的算法写的不好大家不要见笑

　　 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 = ; byte bf[] = new byte[bfLen]; fs read(bf bfLen); // 读取字节BMP文件头 int biLen = ; byte bi[] = new byte[biLen]; fs read(bi biLen); // 读取字节BMP信息头

　　// 源图宽度 nWidth = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;

　　// 源图高度 nHeight = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;

　　// 位数 nBitCount = (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;

　　// 源图大小 int nSizeImage = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;

　　// 对位BMP进行解析 if (nBitCount == ) int nPad = (nSizeImage / nHeight) nWidth * ; 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) * * nHeight]; fs read(bRGB (nWidth + nPad) * * nHeight); int nIndex = ; for (int j = ; j < nHeight; j++) for (int i = ; i < nWidth; i++) nData[nWidth * (nHeight j ) + i] = ( & xff) << | (((int) bRGB[nIndex + ] & xff) << ) | (((int) bRGB[nIndex + ] & xff) << ) | (int) bRGB[nIndex] & xff; nB[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex]& xff; nG[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]& xff; nR[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]& xff; nIndex += ; nIndex += nPad; // Toolkit kit = Toolkit getDefaultToolkit(); // image = kit createImage(new MemoryImageSource(nWidth nHeight // nData 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= ;j<nHeight;j++) for(int i= ;i<nWidth;i++) out print(( * +nData[nWidth * (nHeight j ) + i])+ _ +nR[nWidth * (nHeight j ) + i]+ _ +nG[nWidth * (nHeight j ) + i]+ _ +nB[nWidth * (nHeight j ) + 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= ;i<bData length;i++) double temp= *rData[i]+ *gData[i]+ *bData[i]; brightnessData[i]=(int)(temp)+((temp (int)(temp))> ? : ); 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[ ]; int ImageDestination[]=new int[length]; for(int i = ; i <length ;i++) gray=PixelsGray[i]; FrequenceGray[gray]++; // 灰度均衡化 SumGray[ ]=FrequenceGray[ ]; for(int i= ;i< ;i++) SumGray[i]=SumGray[i ]+FrequenceGray[i]; for(int i= ;i< ;i++) SumGray[i]=(int)(SumGray[i]* /length); for(int i= ;i<height;i++) for(int j= ;j<width;j++) int k=i*width+j; ImageDestination[k]= xFF | ((SumGray[PixelsGray[k]]<< ) | (SumGray[PixelsGray[k]]<< ) | SumGray[PixelsGray[k]]); return ImageDestination;

　　 四 laplace 阶滤波增强边缘图像锐化

　　 public int[] laplace DFileter(int []data int width int height) int filterData[]=new int[data length]; int min= ; int max= ; for(int i= ;i<height;i++) for(int j= ;j<width;j++) if(i== || i==height || j== || j==width ) filterData[i*width+j]=data[i*width+j]; else filterData[i*width+j]= *data[i*width+j] data[i*width+j ] data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]; 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= ;i<width*height;i++) filterData[i]=(filterData[i] min)* /(max min); return filterData;

　　 五 laplace 阶增强滤波增强边缘增强系数delt

　　 public int[] laplaceHigh DFileter(int []data int width int height double delt) int filterData[]=new int[data length]; int min= ; int max= ; for(int i= ;i<height;i++) for(int j= ;j<width;j++) if(i== || i==height || j== || j==width ) filterData[i*width+j]=(int)(( +delt)*data[i*width+j]); else filterData[i*width+j]=(int)(( +delt)*data[i*width+j] data[i*width+j ]) data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]; 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= ;i<width*height;i++) filterData[i]=(filterData[i] min)* /(max min); return filterData; 六局部阈值处理值化

　　 // 局部阈值处理值化 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 )计算出t再对(x y)进行切割 / 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= ;i<data length;i++) processData[i]= ; 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= ;j<hNum;j++) for(int i= ;i<wNum;i++) //for(int j= ;j< ;j++) // for(int i= ;i< ;i++) for(int n= ;n<h;n++) for(int k= ;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= ;n<h;n++) for(int k= ;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= ;n<h;n++) for(int k= ;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= ;n<h;n++) for(int k= ;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= ; double average= ; double variance= ; double threshold; if( gate!= ) threshold=gate; else for(int i= ;i<width*height;i++) sum+=data[i]; average=sum/(width*height); for(int i= ;i<width*height;i++) variance+=(data[i] average)*(data[i] average); variance=Math sqrt(variance); threshold=average coefficients*variance; for(int i= ;i<width*height;i++) if(data[i]>threshold) processData[i]= ; else processData[i]= ; 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= ; int max= ; if(data length!=width*height) return filterData; try for(int i= ;i<height;i++) for(int j= ;j<width;j++) if(i== || i== || i==height || i==height ||j== || j== || j==width || j==width ) 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( )*data[i*width+j ]+Math sqrt( )*data[i*width+j+ ] average=data[i*width+j] sobelCoefficients*data[i*width+j ]+sobelCoefficients*data[i*width+j+ ] data[(i )*width+j ]+data[(i )*width+j+ ] data[(i+ )*width+j ]+data[(i+ )*width+j+ ]; 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= ;i<width*height;i++) filterData[i]=(filterData[i] min)* /(max min); catch (Exception e) e printStackTrace(); throw new Exception(e); return filterData;

　　 九图像平滑 * 掩模处理（平均处理）降低噪声

lishixinzhi/Article/program/Java/hx/201311/26286

数字图像处理图像细化处理

图像细化

细化技术：把一个平面区域简化成图的结构形状表示法
骨架：一种细化结构，它是目标的重要拓扑描述，具有非常广泛的应用。在图像识别或数据压缩时，经常用细化结构。
例如：在识别字符之前，往往要先对字符作细化处理，求出字符的细化结构。
细化的作用：目的将图像的骨架提取出来的同时，保持图像细小部分的连通性，对被处理的图像进行细化有助于突出形状特点和减少冗余信息量。

细化算法

细化算法：采取逐次去除边界的方法进行的，不能破化图像的连通性。
通常选择一组结构元素对，不断在这些结构对中循环，如果所得结果不再变化，则终止迭代过程，随着迭代的进行，集合也不断细化。
结构对的选择：仅受结构元素不相交的限制（不同的结构对），事实上，我们可以使用同一个结构对，即在不断重复的迭代细化过程使用同一个结构对。
细化满足的条件：
1.在细化的过程中，图像应该有规律地缩小；
2.在图像逐步缩小的过程中，应当使图像的连通性质保持不变。

细化算法过程详解

我们对一副二值图像进行骨架提取，就是删除不需要的轮廓点，只保留其骨架点。假设一个像素点，我们定义该点为p1，则它的八邻域点p2->p9位置如下图所示，该算法考虑p1点邻域的实际情况，以便决定是否删除p1点。假设我们处理的为二值图像，背景为黑色，值为0，要细化的前景物体像素值为1。

算法的描述如下。

首先复制源图像到目地图像，然后建立一个临时图像，接着执行下面操作：

1. 把目地图像复制给临时图像，对临时图像进行一次扫描，对于不为0的点，如果满足以下四个条件，则在目地图像中删除该点(就是设置该像素为0)，这里p2，…，p9是对应位置的像素灰度值(其为1或者0)。

a. 2<= p2+p3+p4+p5+p6+p7+p8+p9<=6

大于等于2会保证p1点不是端点或孤立点，因为删除端点和孤立点是不合理的，小于等于6保证p1点是一个边界点，而不是一个内部点。等于0时候，周围没有等于1的像素，所以p1为孤立点，等于1的时候，周围只有1个灰度等于1的像素，所以是端点（注：端点是周围有且只能有1个值为1的像素)。

b. p2->p9的排列顺序中，01模式的数量为1，比如下面的图中，有p2p3 => 01, p6p7=>01,所以该像素01模式的数量为2。

之所以要01模式数量为1，是要保证删除当前像素点后的连通性。比如下面的图中，01模式数量大于1，如果删除当前点p1，则连通性不能保证。

c. P2*p4*p6 = 0

d. p4*p6*p8 = 0

在第一次子迭代中，只是移去东南的边界点，而不考虑西北的边界点，注意p4,p6出现了2次，就是说它们有一个为0，则c，d就满足。

2. 接下来，把目地图像再次复制到临时图像，接着对临时图像进行一次扫描，如果不为0的点它的八邻域满足以下4个条件，则在目地图像中删除该点(就是设置该像素为0)

a. 2<= p2+p3+p4+p5+p6+p7+p8+p9<=6

b. p2->p9的排列顺序中，01模式的数量(这里假设二值图非零值为1)为1。

c. p2*p4*p8 = 0

d. p2*p6*p8 = 0

第二次迭代则相反，会移去西北的边界点，注意p2,p8出现了2次，就是说它们有一个为0，则c，d就满足。

执行完上面两个步骤后，就完成了一次细化算法，我们可以多次迭代执行上述过程，得到最终的骨架图。

细化实例编程

1.首先对图像进行二值化，白色为255，黑色为0。
2.设置一个3*3的领域S模板。
3.S模板中各个位置上的取值取决于模板所对应图像中不同位置的像素，如果S模板某一个位置上所对应的像素值为白，模板上该位置赋为0，否则赋为1。
4.循环所有的前景像素点，对符合如下条件的像素点标记为删除：

2 ≤ N(p1) ≤ 6——N(p1)表示跟P1相邻的8个像素点中，为前景像素点的个数
S(P1) = 1——S(P1)表示将p2-p9-p2之间按序前后分别成对值为0、1的个数
P2 * P4 * P6 = 0
P4 * P6 * P8 = 0

5.循环所有的前景像素点，对符合如下条件的像素点标记为删除：

2 ≤ N(p1) ≤ 6——N(p1)表示跟P1相邻的8个像素点中，为前景像素点的个数
S(P1) = 1——S(P1)表示将p2-p9-p2之间按序前后分别成对值为0、1的个数
P2 * P4 * P8 = 0
P2 * P6 * P8 = 0

6.如果没有满足的点，则结束细化过程。

下面：

Image_Use为目标图像：高120，长180，处理时不考虑边界（四边）

                   
//背景为黑色，值为0，要细化的前景物体像素值为1。
int temp[3][3];
int count = 0,flinsh_flag = 0;
while(1){
  flinsh_flag = 0;
  for(int i = 1;i<120-1;i++)
  {
          for(int j = 1;j<180-1;j++)    
          {
                  if(Image_Use[i][j] == 255) continue;
                  //第一步初始化模板
                  memset(temp, 0, sizeof(temp));
                  count = 0;
                  //第二步根据模板所对应的像素点，对模板进行赋值
                  //如果S模板某一个位置上所对应的像素值为白，模板上该位置赋为0，否则赋为1
                  if(Image_Use[i][j-1] == 0) temp[1][0] = 1;
                  if(Image_Use[i][j+1] == 0) temp[1][2] = 1;
                  if(Image_Use[i-1][j-1] == 0) temp[0][0] = 1;
                  if(Image_Use[i-1][j+1] == 0) temp[0][2] = 1;
                  if(Image_Use[i-1][j] == 0) temp[0][1] = 1;
                  if(Image_Use[i+1][j-1] == 0) temp[2][0] = 1;
                  if(Image_Use[i+1][j+1] == 0) temp[2][2] = 1;
                  if(Image_Use[i+1][j] == 0) temp[2][1] = 1;    
                  //
                  for(int x = 0;x<3;x++)
                          for(int y = 0;y<3;y++)
                          {      
                                  if(x == 1 && y == 1) continue;
                                  if(temp[x][y] == 1)
                                  count ++;
                          }
                  
                  if(count>=2&&count<=6)
                  { 
                    int ap = 0;
                    if (temp[0][1] == 0 && temp[0][2] == 1) ++ap;
                    if (temp[0][2] == 0 && temp[1][2] == 1) ++ap;
                    if (temp[1][2] == 0 && temp[2][2] == 1) ++ap;
                    if (temp[2][2] == 0 && temp[2][1] == 1) ++ap;
                    if (temp[2][1] == 0 && temp[2][0] == 1) ++ap;
                    if (temp[2][0] == 0 && temp[1][0] == 1) ++ap;
                    if (temp[1][0] == 0 && temp[0][0] == 1) ++ap;
                    if (temp[0][0] == 0 && temp[0][1] == 1) ++ap;
                    if(ap == 1&&((temp[0][1]*temp[1][2]*temp[2][1])== 0)&&((temp[1][2]*temp[2][1]*temp[1][0])== 0))
                    {
                      Image_Use[i][j] = 255;
                      flinsh_flag ++;
                    }
                  }
                  
          }
}
  if(flinsh_flag == 0) 
  {
    break;
  }
  
  flinsh_flag = 0;
  for(int i = 1;i<120-1;i++)
  {
          for(int j = 1;j<180-1;j++)    
          {
                  if(Image_Use[i][j] == 255) continue;
                  //第一步初始化模板
                   memset(temp, 0, sizeof(temp));
                  count = 0;
                  //第二步根据模板所对应的像素点，对模板进行赋值
                  //如果S模板某一个位置上所对应的像素值为白，模板上该位置赋为0，否则赋为1
                  if(Image_Use[i][j-1] == 0) temp[1][0] = 1;
                  if(Image_Use[i][j+1] == 0) temp[1][2] = 1;
                  if(Image_Use[i-1][j-1] == 0) temp[0][0] = 1;
                  if(Image_Use[i-1][j+1] == 0) temp[0][2] = 1;
                  if(Image_Use[i-1][j] == 0) temp[0][1] = 1;
                  if(Image_Use[i+1][j-1] == 0) temp[2][0] = 1;
                  if(Image_Use[i+1][j+1] == 0) temp[2][2] = 1;
                  if(Image_Use[i+1][j] == 0) temp[2][1] = 1;    
                  //
                  for(int x = 0;x<3;x++)
                          for(int y = 0;y<3;y++)
                          {       
                                  if(x == 1 && y == 1) continue;
                                  if(temp[x][y] == 1)
                                  count ++;
                          }
                   if(count>=2&&count<=6)
                  {    
                    int ap = 0;
                    if (temp[0][1] == 0 && temp[0][2] == 1) ++ap;
                    if (temp[0][2] == 0 && temp[1][2] == 1) ++ap;
                    if (temp[1][2] == 0 && temp[2][2] == 1) ++ap;
                    if (temp[2][2] == 0 && temp[2][1] == 1) ++ap;
                    if (temp[2][1] == 0 && temp[2][0] == 1) ++ap;
                    if (temp[2][0] == 0 && temp[1][0] == 1) ++ap;
                    if (temp[1][0] == 0 && temp[0][0] == 1) ++ap;
                    if (temp[0][0] == 0 && temp[0][1] == 1) ++ap;
                    if(ap == 1&&((temp[0][1]*temp[1][2]*temp[1][0])== 0)&&((temp[0][1]*temp[2][1]*temp[1][0]) == 0))
                    {
                      Image_Use[i][j] = 255;
                      flinsh_flag++;
                    }
                  }
          }
  }
  if(flinsh_flag == 0)
  { 
    break;
  }
}

测试结果:

技术图片

refer：

图像处理细化算法

C/C++ 图像处理（19）------细化算法

以上是关于java数字图像处理常用算法的主要内容，如果未能解决你的问题，请参考以下文章

学习Java绝对要懂的，Java编程中最常用的几种排序算法！

Java常用排序算法