知识大全 java数字图像处理常用算法

Posted 2022-07-19 阈值

篇首语：会当凌绝顶，一览众山小。本文由小常识网(cha138.com)小编为大家整理，主要介绍了知识大全 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。

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

cha138/Article/program/Java/hx/201311/26286