文档介绍：-
. z.
摘要
对图像进展研究和应用时，人们往往对图像中的*些局部感兴趣，这些局部常被称为目标或对象
目标或对象特征提取是计算机视觉和图像处理中的一个概念。它指的是使
end
figure
imshow(BW1)
这里设定了一个常数60，通过比拟灰度值与60的大小关系来重新给图像赋值。
自适应阈值
在许多情况下，背景的灰度值并不是常数，物体和背景的比照度在图像中也有变化，这时就要引入自适应阈值，一个在图像中*一区域效果良好的阈值在其他区域却可能效果很差。在这种情况下，需要把灰度阈值取成一个随图像中位置缓慢变化的函数值，即为自适应阈值。
这类算法的时间复杂度和空间复杂度比拟大，但是抗噪声的能力比拟强，对采用全局阈值不容易分割的图像有较好的效果。这种方法的关键问题是如何将图像进展细分和如何为得到子图像估计门限值。由于用于每个像素的门限取决于像素在子图像中的位置，这类门限处理是自适应的。
边缘检测原理
边缘检测是图像处理和计算机视觉中的根本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括〔i〕深度上的不连续、〔ii〕外表方向不连续、〔iii〕物质属性变化和〔iv〕场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保存了图像重要的构造属性。有许多方法用于边缘检测，它们的绝大局部可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。
-
. z.
有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零穿插。
基于搜索的边缘检测方法首先计算边缘强度， 通常用一阶导数表示， 例如梯度模，然后，用计算估计边缘的局部方向， 通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。
基于零穿插的方法找到由图像得到的二阶导数的零穿插点来定位边缘。 通常用拉普拉斯算子或非线性微分方程的零穿插点。
滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。
已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。 正如许多边缘检测方法依赖于图像梯度的计算，他们用不同种类的滤波器来估计*-方向和y-方向的梯度。
一旦我们计算出导数之后，下一步要做的就是给出一个阈值来确定哪里是边缘位置。阈值越低，能够检测出的边线越多，结果也就越容易受到图片噪声的影响，并且越容易从图像中挑出不相关的特性。与此相反，一个高的阈值将会遗失细的或者短的线段。一个常用的这种方法是带有滞后作用的阈值选择。这个方法使用不同的阈值去寻找边缘。首先使用一个阈值上限去寻找边线开场的地方。一旦找到了一个开场点，我们在图像上逐点跟踪边缘路径，当大于门槛下限时一直纪录边缘位置，直到数值小于下限之后才停顿纪录。这种方法假设边缘是连续的界限，并且我们能够跟踪前面所看到的边缘的模糊局部，而不会将图像中的噪声点标记为边缘
图像物体中心位置确实定
物体的中心即物体到四周距离相等的位置。根据此定义，很容易就能找到，求取物体部所有像素点的*,Y坐标的平均值即可确定物体的中心坐标，然后将这个坐标所表示的像素点用一个特定符号进展标记，就能明显地找到该物体的中心。至于如何用特定符号标记这个中心点，可以使用matlab中已经定义的一个用于画函数图形的plot函数即可，我们在这里只需要利用其进展标记即可，根本函数形式可以表示为：plot〔*,y,'*'〕,意思即为用*号标定〔*，Y〕。
如何标定出中心点的任务解决了，剩下的工作就是对相应的图形坐标的处理，进而准确地找到中心点位置了。
-
. z.
此时，可以编写一段循环语句，由于第一个物体由1组成，第二个物体由2组成，第n个物体由n组成。可以定义一个k，从1到n连续变化，然后与物体所包含的数值进展比拟，假设与此时的k值相等，则可以确定是一个物体，然后再将物体部像素点的横纵坐标分别求平均值，这样就可以求出物体中心点的坐标，将此坐标储存。同样的原理对第二个物体进展操作，如此往复直至第n个物体，，循环完毕所有物体标定完成，最后通过plot函数对这些坐标对应的点进展标记，即可找出个物体的中心，本课设只有一个物体，故只