目標(biāo)檢測(cè)開題報(bào)告模板

　　篇一：開題報(bào)告

　　玉溪師范學(xué)院

　　畢業(yè)設(shè)計(jì)（論文）開題報(bào)告

　　論文題目：基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究——基于幀間差分的目標(biāo)檢測(cè)

　　學(xué) 院： 信息技術(shù)工程學(xué)院

　　專業(yè)班級(jí)：09通信工程一班

　　學(xué)生姓名：謝君芳

　　學(xué)生學(xué)號(hào)：2009093108

　　指導(dǎo)教師：樂應(yīng)英

　　2013年1月12日

　　基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究

　　——基于幀間差分的目標(biāo)檢測(cè)

　　開題報(bào)告

　　一、 研究的背景和意義

　　在人們感知到的環(huán)境信息中，視覺信息占了很大的比重，其中動(dòng)態(tài)視覺信息更是其主要組成部分。感知環(huán)境中的這些動(dòng)態(tài)視覺信息己成為計(jì)算機(jī)視覺的一個(gè)重要的研究方向。在現(xiàn)實(shí)生活中，大量有意義的視覺信息都包含于運(yùn)動(dòng)之中。盡管人類視覺既能看見運(yùn)動(dòng)又能看見靜止的物體，但是在許多場(chǎng)合，比如航空和軍用飛機(jī)的制導(dǎo)、交通流量的監(jiān)測(cè)、重要場(chǎng)所的保安以及汽車的自動(dòng)駕駛和輔助駕駛等等，人們往往對(duì)運(yùn)動(dòng)的物體更感興趣。

　　運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是近些年來圖像處理和計(jì)算機(jī)視覺領(lǐng)域的一個(gè)非�；钴S的分支，是動(dòng)態(tài)圖像分析的基礎(chǔ)。目標(biāo)的運(yùn)動(dòng)圖像序列提供了比目標(biāo)靜止時(shí)更多的有用信息，使得我們可以利用運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)獲得比靜止圖像更有實(shí)用價(jià)值的信息。

　　運(yùn)動(dòng)目標(biāo)檢測(cè)和運(yùn)動(dòng)目標(biāo)跟蹤兩方面具有非常緊密的關(guān)系。作為運(yùn)動(dòng)目標(biāo)跟蹤的基礎(chǔ)，運(yùn)動(dòng)目標(biāo)檢測(cè)是實(shí)時(shí)的在被監(jiān)視的場(chǎng)景中檢測(cè)運(yùn)動(dòng)目標(biāo)，并將其提取出來。而運(yùn)動(dòng)目標(biāo)跟蹤是做為銜接運(yùn)動(dòng)目標(biāo)檢測(cè)和上層的目標(biāo)行為分析和理解的一個(gè)重要環(huán)節(jié)。所謂運(yùn)動(dòng)目標(biāo)跟蹤，就是在運(yùn)動(dòng)目標(biāo)檢測(cè)的基礎(chǔ)上，利用目標(biāo)有效特征，使用適當(dāng)?shù)钠ヅ渌惴�，在序列圖像中尋找與目標(biāo)模板最相似的圖像的位置，簡單的說就是給目標(biāo)定位。在實(shí)際應(yīng)用中，運(yùn)動(dòng)目標(biāo)跟蹤不僅可以提供目標(biāo)的運(yùn)動(dòng)軌跡和準(zhǔn)確定位目標(biāo)，為下一步的目標(biāo)行為分析與理解提供了可靠的數(shù)據(jù)來源，而且也可以為運(yùn)動(dòng)目標(biāo)檢測(cè)提供幫助。

　　綜上，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤有關(guān)算法的研究具有重大的理論價(jià)值和意義。

　　二、 研究內(nèi)容和擬解決的關(guān)鍵問題

　　研究內(nèi)容：基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法，即智能視頻監(jiān)控（IVS, Intelligent Visual Surveillance）借助計(jì)算機(jī)強(qiáng)大的計(jì)算能力和與視頻圖像處理、模式識(shí)別、人工智能等多項(xiàng)技術(shù)的結(jié)合，在不需要人為干預(yù)的情況下，實(shí)現(xiàn)對(duì)視頻場(chǎng)景中目標(biāo)進(jìn)行自動(dòng)檢測(cè)、識(shí)別和跟蹤，并在此基礎(chǔ)上分析和判斷目標(biāo)的行為，給出對(duì)它們行為和動(dòng)作的描述，自動(dòng)發(fā)現(xiàn)可疑情況，實(shí)現(xiàn)系統(tǒng)對(duì)場(chǎng)景中的異常鑒別及自動(dòng)報(bào)警功能。

　　而運(yùn)動(dòng)目標(biāo)的檢測(cè)是視頻監(jiān)控應(yīng)用中最為廣泛也是最為基礎(chǔ)的一部分，即是從圖像中檢測(cè)出各種可能的運(yùn)動(dòng)區(qū)域。目標(biāo)的跟蹤等后期分析依賴于目標(biāo)檢測(cè)的結(jié)果。主要是在給定的序列圖像中找到我們感興趣的運(yùn)動(dòng)目標(biāo)，也就是“定位”問題。近幾十年來，人們對(duì)序列圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)做了大量的研究工作。歸納起來主要有以下幾種方法：幀間差分方法、背景減法、光流法。在這里我主要采用的方法是幀間差分方法。

　　運(yùn)動(dòng)目標(biāo)檢測(cè)就是從視頻序列圖像中利用圖像的時(shí)間和空間相關(guān)性檢測(cè)出兩幀圖像之間特征分量的變化，如灰度、紋理、邊緣等特征分量，從圖像中檢測(cè)出各種可能的運(yùn)動(dòng)區(qū)域。通過檢測(cè)出的可能運(yùn)動(dòng)區(qū)域，進(jìn)一步排除誤判區(qū)域即虛警消除，確定出準(zhǔn)確運(yùn)動(dòng)目標(biāo)。如陰影的消除主要為了防止投射在背景上的運(yùn)動(dòng)陰影所造成的目標(biāo)形狀扭曲、目標(biāo)連接和目標(biāo)數(shù)估計(jì)錯(cuò)誤等影響，以便于更精確地提取運(yùn)動(dòng)目標(biāo)�；�于檢測(cè)出的運(yùn)動(dòng)目標(biāo)，提取目標(biāo)的灰度分布、紋理、形狀等特征，利用這些運(yùn)動(dòng)區(qū)域的特征對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤。目標(biāo)檢測(cè)的結(jié)果必須要求可靠有效，具體表現(xiàn)在如下方面：適應(yīng)于不同的場(chǎng)景和光照條件；檢測(cè)可達(dá)到實(shí)時(shí)性的要求；運(yùn)動(dòng)目標(biāo)的信息檢測(cè)準(zhǔn)確完整。

　　近年來，國內(nèi)外研究人員致力于視頻運(yùn)動(dòng)目標(biāo)檢測(cè)方面的研究，提出了多種方法，在這里我主要研究的方法是基于時(shí)間差分法中的幀間差分方法。其原理主要是通過對(duì)序列圖像中相鄰幀做差分或“相減”運(yùn)算，利用序列圖像中相鄰幀的強(qiáng)相關(guān)性進(jìn)行變化檢測(cè)，從而檢測(cè)出運(yùn)動(dòng)目標(biāo)。它通過直接比較相鄰幀對(duì)應(yīng)象素點(diǎn)的灰度值的不同，然后通過選取閾值來提取序列圖像中的運(yùn)動(dòng)區(qū)域。在序列圖像中，第k幀圖像fx(x，y)和第k+l幀圖像fk+1(x,y)之間的變化可用二值差分圖像D(x，y)表示，

　　當(dāng) |fk(x,y)-fk+1(x,y)|>T時(shí)， D(x，y)=1；否則等于0。式中T為差分圖像二值化的閾值。二值圖像中為“1"的部分

　　由前后兩幀對(duì)應(yīng)象素灰度值發(fā)生變化的部分組成，通常包括運(yùn)動(dòng)目標(biāo)和噪聲；為“0"的部分由前后兩幀對(duì)應(yīng)象素灰度值不發(fā)生變化的部分組成。

　　擬解決的關(guān)鍵問題：運(yùn)動(dòng)目標(biāo)檢測(cè)由于所處的實(shí)際處理環(huán)境不同，將會(huì)受到來自不同因素的影響，它們會(huì)不同程度地影響運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性和穩(wěn)定性，系統(tǒng)對(duì)不同環(huán)境的適應(yīng)性也存在很大的挑戰(zhàn)，這些影響系統(tǒng)性能的因素包括：

　　(1)光線高密度的變化 由于現(xiàn)場(chǎng)光線高密度的變化將使得背景圖像也隨之發(fā)生變化，從而很難將這些變化與圖像中由于前景目標(biāo)盼引入導(dǎo)致的變化加以區(qū)分。

　　(2)陰影和物體間的重疊遮蓋運(yùn)動(dòng)的前景目標(biāo)的陰影部分可能會(huì)造成背景中局部畫面亮度變化，另外運(yùn)動(dòng)的目標(biāo)之間，以及運(yùn)動(dòng)的目標(biāo)與背景之間的重疊遮蓋，都可能會(huì)改變檢測(cè)出來的運(yùn)動(dòng)目標(biāo)的形狀和其他特征。

　　(3)前景目標(biāo)與背景中物體相似 當(dāng)運(yùn)動(dòng)的前景目標(biāo)與背景中景物在顏色和形狀等外觀特征相似時(shí)，將增大從背景中分辨出前景目標(biāo)的難度。

　　(4)非靜態(tài)背景當(dāng)背景并不是靜態(tài)時(shí)，比如天空中運(yùn)動(dòng)的云塊，公路邊的建筑、樹，這些運(yùn)動(dòng)的背景有可能被當(dāng)成前景目標(biāo)進(jìn)行處理，這樣將增加運(yùn)動(dòng)目標(biāo)的檢測(cè)難度。

　　(5)運(yùn)動(dòng)目標(biāo)的高速運(yùn)動(dòng) 前景目標(biāo)的高速運(yùn)動(dòng)可能會(huì)導(dǎo)致許多不同的目標(biāo)頻繁在背景中出入，從而難以分辨哪些是真正的背景，哪些是前景目標(biāo)，從而給運(yùn)動(dòng)目標(biāo)檢測(cè)增加難度。

　　對(duì)于上述在運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)中存在的一些問題，我們小組的兩名成員通過比較各種不同的算法或技術(shù)，對(duì)比其優(yōu)缺點(diǎn)，從而找到一種比較合適的算法或技術(shù)來較好的把他們的影響降到最低是我們的工作目標(biāo)，在這里我主要研究的方法是基于幀間差分法的目標(biāo)檢測(cè)。

　　三、 研究方案及措施

　　針對(duì)此次畢業(yè)設(shè)計(jì)，我所實(shí)施的研究方案為:

　　1、首先在大量閱讀有關(guān)文獻(xiàn)與資料的同時(shí)加強(qiáng)自己C++編程能力的提高與OpenCV軟件的應(yīng)用；

　　篇二：開題報(bào)告

　　畢業(yè)設(shè)計(jì)(論文)開題報(bào)告

　　學(xué)生姓名：

　　學(xué) 號(hào)：

　　所在學(xué)院：

　　專 業(yè)：

　　設(shè)計(jì)(論文)題目： 運(yùn)動(dòng)目標(biāo)檢測(cè)算法的實(shí)現(xiàn)

　　指導(dǎo)教師：

　　2014年 1月6日

　　畢 業(yè) 設(shè) 計(jì)（論 文）開 題 報(bào) 告

　　畢 業(yè) 設(shè) 計(jì)（論 文）開 題 報(bào) 告

　　篇三：基于幀間差分法的目標(biāo)運(yùn)動(dòng)檢測(cè)算法開題報(bào)告

　　本科畢業(yè)設(shè)計(jì)(論文)開題報(bào)告

　　Frame difference method based on target motion detection

　　algorithm 題目：基于幀間差分法的目標(biāo)運(yùn)動(dòng)檢測(cè)算法

　　課 題 類 型： 設(shè)計(jì)□ 實(shí)驗(yàn)研究□ 論文□

　　學(xué) 生 姓 名： 郭凱

　　學(xué) 號(hào)： 3100701135

　　專 業(yè) 班 級(jí)：計(jì)算機(jī)101

　　學(xué) 院：計(jì)算機(jī)科學(xué)與技術(shù)

　　指 導(dǎo) 教 師： 盧桂馥

　　開 題 時(shí) 間：

　　20xx年 月 日

　　開題報(bào)告內(nèi)容與要求

　　一、 本課題的研究意義、研究現(xiàn)狀和發(fā)展趨勢(shì)（文獻(xiàn)綜述）

　　1.1研究意義

　　在人們感知到的環(huán)境信息中，視覺信息占了很大的比重，其中動(dòng)態(tài)視覺信息更是其主要組成部分。感知環(huán)境中的這些動(dòng)態(tài)視覺信息己成為計(jì)算機(jī)視覺的一個(gè)重要的研究方向。在現(xiàn)實(shí)生活中，大量有意義的視覺信息都包含于運(yùn)動(dòng)之中。盡管人類視覺既能看見運(yùn)動(dòng)又能看見靜止的物體，但是在許多場(chǎng)合，比如航空和軍用飛機(jī)的制導(dǎo)、交通流量的監(jiān)測(cè)、重要場(chǎng)所的保安以及汽車的自動(dòng)駕駛和輔助駕駛等等，人們往往對(duì)運(yùn)動(dòng)的物體更感興趣。

　　運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是近些年來圖像處理和計(jì)算機(jī)視覺領(lǐng)域的一個(gè)非常活躍的分支，是動(dòng)態(tài)圖像分析的基礎(chǔ)。目標(biāo)的運(yùn)動(dòng)圖像序列提供了比目標(biāo)靜止時(shí)更多的有用信息，使得我們可以利用運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)獲得比靜止圖像更有實(shí)用價(jià)值的信息。 運(yùn)動(dòng)目標(biāo)檢測(cè)和運(yùn)動(dòng)目標(biāo)跟蹤兩方面具有非常緊密的關(guān)系。做為運(yùn)動(dòng)目標(biāo)跟蹤的基礎(chǔ)，運(yùn)動(dòng)目標(biāo)檢測(cè)是實(shí)時(shí)的在被監(jiān)視的場(chǎng)景中檢測(cè)運(yùn)動(dòng)目標(biāo)，并將其提取出來。而運(yùn)動(dòng)目標(biāo)跟蹤是做為銜接運(yùn)動(dòng)目標(biāo)檢測(cè)和上層的目標(biāo)行為分析和理解的一個(gè)重要環(huán)節(jié)。所謂運(yùn)動(dòng)目標(biāo)跟蹤，就是在運(yùn)動(dòng)目標(biāo)檢測(cè)的基礎(chǔ)上，利用目標(biāo)有效特征，使用適當(dāng)?shù)钠ヅ渌惴ǎ�在序列圖像中尋找與目標(biāo)模板最相似的圖像的位置，簡單的說就是給目標(biāo)定位。在實(shí)際應(yīng)用中，運(yùn)動(dòng)目標(biāo)跟蹤不僅可以提供目標(biāo)的運(yùn)動(dòng)軌跡和準(zhǔn)確定位目標(biāo)，為下一步的目標(biāo)行為分析與理解提供了可靠的數(shù)據(jù)來源，而且也可以為運(yùn)動(dòng)目標(biāo)檢測(cè)提供幫助。

　　綜上，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤有關(guān)算法的研究具有重大的理論價(jià)值和現(xiàn)實(shí)意義。

　　1.2研究現(xiàn)狀和發(fā)展趨勢(shì)

　　1.2.1研究現(xiàn)狀

　　近些年來，世界各地的學(xué)者們針對(duì)視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤問題做了大量而深入的研究，提出了許多行之有效的方法，也取得了一定的進(jìn)展，但到目前為止，還沒有出現(xiàn)能夠適用于各種場(chǎng)合、各種情況的通用算法。現(xiàn)今的各種算法在穩(wěn)健性、準(zhǔn)確性、可靠性等方面還有著這樣、那樣的不足。困難主要在于視頻中存在著各種干擾因素，這些因素包括：運(yùn)動(dòng)目標(biāo)的位移或者自身的形變、成像傳感器本身的固有噪聲、照明情況的變化、背景中的雜波、運(yùn)動(dòng)目標(biāo)的自遮擋或者互遮擋等。這些問題有待我們進(jìn)一步研究。

　　1.2.2發(fā)展趨勢(shì)

　　運(yùn)動(dòng)目標(biāo)檢測(cè)在平安城市、智能交通、人機(jī)交互、戰(zhàn)場(chǎng)偵察等領(lǐng)域有著越來越廣泛的應(yīng)用，具有重要的研究意義。運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)一般分為三大類

　　1）光流法，雖善于在運(yùn)動(dòng)場(chǎng)景中進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，但大多數(shù)光流方法計(jì)算復(fù)雜，

　　只能得到稀疏的光流場(chǎng)，不適于實(shí)時(shí)處理;

　　2）背景差分法，一般能夠提供較安全的特征數(shù)據(jù)，不受運(yùn)動(dòng)目標(biāo)速度的限制，能夠較完整地提取出運(yùn)動(dòng)目標(biāo)，但檢測(cè)性能與提取的背景圖像的好壞息息相關(guān)，且對(duì)光照和外部條件造成的場(chǎng)景變化過于敏感，在非受控環(huán)境下需要加入背景圖像更新機(jī)制，且不適用于背景灰度變化很大的情況

　　3）幀間差分法，雖然對(duì)環(huán)境有很好的適應(yīng)性，差分圖像受光線變化影響小，檢測(cè)有效而穩(wěn)定，但它只能檢測(cè)相對(duì)運(yùn)動(dòng)的目標(biāo)，檢測(cè)出的目標(biāo)位置不精確，不能提取出較完整的運(yùn)動(dòng)目標(biāo)，并且在較大程度上依賴差分幀的選擇時(shí)機(jī)和目

　　標(biāo)的運(yùn)動(dòng)速度

　　二、 主要設(shè)計(jì)（研究）內(nèi)容和擬解決的關(guān)鍵問題

　　研究內(nèi)容：1)在windows操作系統(tǒng)平臺(tái)上，以vc++6．0為集成開發(fā)環(huán)境，基于Directshow框架對(duì)視頻圖像進(jìn)行處理；

　　2)對(duì)有關(guān)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的常用算法進(jìn)行了研究并編程實(shí)現(xiàn)；

　　3)提出了一種將差分法和背景減法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。通過分析差分法和背景減法各自的優(yōu)缺點(diǎn)，采用三幀差分和背景減法相結(jié)合的檢測(cè)方法，取得了較好的效果：

　　4)在運(yùn)動(dòng)目標(biāo)檢測(cè)基礎(chǔ)上，提出一種在簡單背景下基于自適應(yīng)窗口調(diào)整的跟蹤門將檢測(cè)到的目標(biāo)“框住"，最大限度的減少了噪聲對(duì)跟蹤精度的干擾，使得跟蹤精度大大提高。

　　擬解決的關(guān)鍵問題：運(yùn)動(dòng)目標(biāo)檢測(cè)由于所處的實(shí)際處理環(huán)境不同，將會(huì)受到來自不同因素的影響，它們會(huì)不同程度地影響運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性和穩(wěn)定性，系統(tǒng)對(duì)不同環(huán)境的適應(yīng)性也存在很大的挑戰(zhàn)，這些影響系統(tǒng)性能的因素包括：

　　(1)光線高密度的變化 由于現(xiàn)場(chǎng)光線高密度的變化將使得背景圖像也隨之發(fā)生變化，從而很難將這些變化與圖像中由于前景目標(biāo)盼引入導(dǎo)致的變化加以區(qū)分。

　　(2)陰影和物體間的重疊遮蓋運(yùn)動(dòng)的前景目標(biāo)的陰影部分可能會(huì)造成背景中局部畫面亮度變化，另外運(yùn)動(dòng)的目標(biāo)之間，以及運(yùn)動(dòng)的目標(biāo)與背景之間的重疊遮蓋，都可能會(huì)改變檢測(cè)出來的運(yùn)動(dòng)

　　目標(biāo)的形狀和其他特征。

　　(3)前景目標(biāo)與背景中物體相似 當(dāng)運(yùn)動(dòng)的前景目標(biāo)與背景中景物在顏色和形狀等外觀特征相似時(shí)，將增大從背景中分辨出前景目標(biāo)的難度。

　　(4)非靜態(tài)背景當(dāng)背景并不是靜態(tài)時(shí)，比如天空中運(yùn)動(dòng)的云塊，公路邊的建筑、樹，這些運(yùn)動(dòng)的背景有可能被當(dāng)成前景目標(biāo)進(jìn)行處理，這樣將增加運(yùn)動(dòng)目標(biāo)的檢測(cè)難度。

　　(5)運(yùn)動(dòng)目標(biāo)的高速運(yùn)動(dòng) 前景目標(biāo)的高速運(yùn)動(dòng)可能會(huì)導(dǎo)致許多不同的目標(biāo)頻繁在背景中出入，從而難以分辨哪些是真正的背景，哪些是前景目標(biāo)，從而給運(yùn)動(dòng)目標(biāo)檢測(cè)增加難度。

　　三、研究方案及工作計(jì)劃（含工作重點(diǎn)與難點(diǎn)及擬采用的途徑）

　　3.1研究方案

　　3.1.1算法思想

　　該算法包括四大部分: a) 提取背景圖像( 建立背景模型) ;

　　b) 幀間差分得到變化區(qū)域;

　　c) 變化區(qū)域與背景圖像差分獲取初始運(yùn)

　　動(dòng)目標(biāo);

　　d) 對(duì)初始運(yùn)動(dòng)目標(biāo)進(jìn)行濾波和形態(tài)學(xué)處

　　理消除目標(biāo)碎塊提取出完整目標(biāo)。如圖3.1.1所示

　　a ）背景提取

　　目前的視頻序列圖像大都是RGB 彩色圖像，由于這種彩色圖像有三個(gè)色彩分量，進(jìn)行背景提取時(shí)計(jì)算比較復(fù)雜。本文算法將獲得的RGB 彩色圖像序列灰度化得到對(duì)應(yīng)的灰度圖像序列，再統(tǒng)計(jì)灰度圖像序列每個(gè)像素點(diǎn)處以最高頻率出現(xiàn)的灰度值，并將這個(gè)最大頻率灰度值作為當(dāng)前背景中對(duì)應(yīng)像素點(diǎn)的灰度值，獲得背景圖像。

　　b) 目標(biāo)提取

　　對(duì)視頻序列中相鄰兩幀圖像進(jìn)行幀間差分得到運(yùn)動(dòng)區(qū)域圖像，運(yùn)動(dòng)區(qū)域圖形與背景圖像進(jìn)行差分提取出運(yùn)動(dòng)目標(biāo)圖像，運(yùn)動(dòng)目標(biāo)圖像與閾值比較得到二值化圖像。

　　c) 閾值Th 的取法

　　如果閾值Th 選擇過高，會(huì)將運(yùn)動(dòng)目標(biāo)區(qū)域嚴(yán)重碎化，如果選擇得過低，會(huì)引入大量的噪聲。因此，提出一個(gè)運(yùn)用當(dāng)前圖像灰度值來確定動(dòng)態(tài)閾值的方法:

　　1) 求出圖像中的最小和最大灰度值，取其平均值為初始 閾值，記為T。

　　2) 根據(jù)初始閾值將圖像分割成目標(biāo)和背景兩部分，求出 兩部分的平均灰度值μ1、μ2 和兩部分的灰度概率

　　d) 噪聲去除和形態(tài)學(xué)處理

　　由于閾值分割后的二值化圖像中會(huì)存在噪聲點(diǎn)和一些目標(biāo)孔

【目標(biāo)檢測(cè)開題報(bào)告】相關(guān)文章：

課題開題報(bào)告格式及開題報(bào)告的寫法05-28

課題開題報(bào)告格式及開題報(bào)告的寫法內(nèi)容03-22

關(guān)于課題開題報(bào)告的格式及開題報(bào)告的寫法03-21

課題開題報(bào)告格式及開題報(bào)告的寫法優(yōu)秀04-12

本科開題報(bào)告11-09

開題報(bào)告的寫法03-26

MBA開題報(bào)告03-07

地理開題報(bào)告09-21

游戲開題報(bào)告05-23

護(hù)理開題報(bào)告10-18