数字图像处理综述范文

引言：寻求写作上的突破？我们特意为您精选了12篇数字图像处理综述范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

中图分类号：TP391 文献标识码：A 文章编号：1672-3791（2016）03（b）-0022-02

数字图像处理技术发展是十分迅速的，从早期的电报打印机打印的粗糙图片，到图像信号可以远距离传输并清晰显示出来，到现在数字图像处理技术可以观看到人体内部组织结构等等，在技术发展的同时，在人们生活中的作用也越来越显著。

1 数字图像处理技术的主要分类

数字图像处理的技术基本可以分为两大类：分别是模拟图像处理和数字图像处理.模拟图像处理内容主要包括光学图像处理和电子图像处理。如人们平常拍照、摄像头监控和电视信号处理等都属于模拟图像处理。模拟图像处理的优点是处理速度快，系统占用运行内存小，图像实时性强， 能够在处理的同时进行其他图像的处理，其缺点是处理精度较差，处理功能比较单一，没什么智能判断能力和非线性处理的能力。

数字图像处理技术是目前主流的处理技术，其功能的实现一般需要计算机软件的支持，所以一般也称之为计算机图像处理。数字图像处理有很多优势，如处理内容方面，处理精度方面，处理灵活性等等都是模拟图像处理所比不上的，而且可以进行复杂的非线性处理，改变处理功能只需要进行不同功能模块的重新编码和参数变换，但其处理速度慢，尤其是在进行复杂的图像处理时更要占用更高的内存。

2 数字图像处理技术的主要内容

2.1 图像的显示

图像显示是数字图像处理技术中最基本也是最重要的一门技术，对于计算机来说，获取信息的最直观的方式就是图像的观看，任何其他图像处理技术都需要先显示图像，然后在图像做后续操作，如对图像进行特效显示，包括图像的扫描，图像的移动，分条栅栏，马赛克效果，百叶窗效果等，所以图像显示的原理和基本方法是数字图像处理技术中所必须掌握的[1]。

计算机显示图像并不是直接打开图像并显示在电脑荧幕上，当大家想要打开一幅图像时，计算机首先得调用电脑自带的调色板，一幅位图里面包含了图像颜色信息表，当载入位图，并且准备打开位图的时候，系统会先将位图自身的颜色信息表即调色板载入系统调色板，然后显示硬件调用系统调色板就可以显示位图原来的颜色了。

2.2 图像的几何处理

为了满足视觉的不同需要，人们需要对图像的显示进行不同的处理，以求给人带来最适合的视觉效果，其方法包括坐标变换，图像的放大，缩小，旋转、移动等。

2.3 图像的变换域处理

数字图像处理经常要用到线性系统，在图像处理中使用空间作为参数来描述，通常用二维系统进行表示，输入函数f（x，y）表示原始图像，输出函数g（x，y）表示经处理后的图像，线性系统可以看作是输入函数和输出函数之间的一种映射w，反映了各种线性图像的处理方法，关系公式如下：

当将图像有空间域变换到频域时，一般要用到线性正交变换，线性正交变换算法主要包括傅立叶变换离散小波变换，离散余弦变换等。

2.4 图像的锐化处理

许多图像里面的有用信息比较不显眼，这时需要对图像进行增强显示，抑制其中不重要的信息，突出显示其中重要的信息，让两个部分有鲜明的对比，能让用户有更加直观的视觉信息，可以提高有用信息的接收率。

而图像复原的目的也是为了增强图像的显示效果，它跟图像增强的区别在于：图像增强是采用各种技术来增强图像的视觉效果，不去考虑之前的图像是因为什么原因需要增强。因此，图像增强是以图像符合人们的视觉观为主，不用管增强之后和原图是不是有比较大的区别。图像复原处理跟图像增强处理完全不同，它需要知道图像复原前的算法，并且根据已经退化的图像得到逆算法将图像复原，然后才能对图像进行增强处理。

2.5 JPEG图像的压缩编码

其核心思想就是在满足一定质量的情况下减少图像占用的内存，因为图像中有许多与大家想要信息无关的区域或冗余信息，这些信息不仅占用内存，而且传输过程中需要更多的带宽，所以，对图像进行编码压缩能尽可能节约带宽资源，提高传输速度，给图像显示带来更好的体验。图像压缩编码方法很多，从信息论方面看主要可以分为两大类：冗余度压缩方法和信息度压缩方法。

2.6 图像的灰度变换

图像的灰度变换处理是图像增强处理技术中单个一种非常基础、直接的空间域处理方法，灰度处理是指根据某种目标条件按一定变换关系逐点改变原图中每个像素灰度值的方法，目的是为了改变图像质量，让图像显示效果更加清晰，如摄像头在室内光照不强时会导致图像显示不清晰，灰度过于集中。灰度变换处理方法主要包括线性变换和非线性变换。

图像处理内容包括很多方面，以上所举只是一部分，专业的数字图像处理技术是远远不止这些方面的，随着计算机技术发展越来越快，数字图像处理技术的复杂程度只会越来越深，所以，在数字图像处理技术这一门博大精深的课程中，择一而精也是一个很好学习态度[2]。

3 数字图像处理的应用

数字图像处理技术在各行各业应用都不可或缺，它已经从刚开始的高科技领域逐步渗透到人们的日常生活中，例如天气预报信息收集、医院身体各方面检测、银行自助提款机、全国各地的大小超市商品编码、道路交通监控、重要部门的监控报警系统、可视电话视频传输技术、互联网媒体信息传输等等。

3.1 遥感航天中的应用

天文、太空星体的探测及分析，数字图像处理可以根据拍摄到的星体轮廓等进行智能分析。军事侦察、定位、指挥等，如现在的卫星地图，手机定位系统；地质、地形、地图的普查及绘制，如网上和手机上和司机普遍使用的电子地图和导航仪；地下矿藏的侦察，地质勘查仪等通过超声波检测地质层，然后用数字图像处理的方法把地质层构成显示出来；环境污染的监控，有物理监控和自动化智能监控等；气象、天气预报的合成分析。

3.2 生物医学中的应用

显示图像处理，平常我们所使用的CT照，B超等技术；DNA显示分析；生物进化的图像分析；专家系统如手术规划；内脏大小、形状、活动及异常检出分析；癌细胞的识别。

3.3 工业应用

产品无损检测、焊缝及内部缺陷检测；流水线零件自动检测识别；生产过程的监控；交通管理、机场监控；支票、签名辨伪及识别；机器人视觉系统的应用。

3.4 军事公安领域中的应用

罪犯脸型的合成；指纹自动识别；巡航导弹主动识别；手迹、印章的鉴定识别；遥控飞行器的引导；雷达的目标侦察。

数字图像处理短短几十年得到了飞跃式的发展，技术的精进带来的是我们生活中、科技中。教育中、医学中的各种技术的发展，人们的生活质量在一天天提高，工厂和生产等的工作效率也是突飞猛进，这些都离不开智能化，自动化的数字图像处理技术，在未来的不久，数字技术将给我们带来更为巨大的改变。

篇2

软件工程专业工程硕士研究生与传统的学术型研究生有所不同，前者主要面向企业人才需求和应用软件开发需求进行培养，因此在课程内容选取、授课方法设计和实验环节设计上都需要进行思考和调整，这也是北京林业大学在申请到软件工程专业的工程硕士学科后重点研究的問题。

数字图像处理课程属于图形图像应用领域的重要基础理论课，长久以来课程内容主要介绍基本的图像处理算法以及少部分图像分割和图像识别，对于图像处理在实际生活中所涉及的很多前沿科研领域介绍较少，因此很多研究生无法将课堂讲授的理论知识与其后续从事的研究课题有效地关联起来，感到课堂中讲授的很多内容看起来毫无用处，从而丧失了学习的积极性。

很多教师认为把图像处理中的算法研究透彻、把基础打好对研究生非常重要，但是这忽视了研究生是有着极强的科研探索精神和丰富想象力的年轻一代。如果将一些在生活中涉及图像处理的問题交给他们进行探索，将会激起他们浓厚的学习精神和创造力，这种没有标准答案的应用题目可以进一步锻炼他们的思考能力。

为此，在课程的教学方法和实验内容设计上，我们重点培养学生以下两方面能力。

（1）应用型研究能力，包括发现問题、分析問题和解决問题的能力；

（2）应用型技术能力，包括编程设计能力和项目合作能力。

下面笔者分别从教学大纲、教学方法设计和实验内容设计3个方面进行介绍。

1.数字图像处理课程教学大纲

我们在设定教学大纲时，重点参考了多本数字图像处理方面的经典教材，如杨枝灵和冈萨雷斯编写的教材。结合之前的教学经验，同时注意与本科生课程相区别，制订了两个原则：加强中高级图像处理算法的介绍；增加利用图像处理算法的应用案例的介绍。中高级图像处理算法主要指图像分割算法、图像特征提取方法和运动检测方法。同时我们还在课堂上给出一些应用案例，进一步帮助学生将理论知识与实践相结合。

数字图像处理课程目前作为北京林业大学研究生的专业必修课，总学时为32，其中课堂讲授24学时，实验8学时。相对于其他学校，这门课程的总学时和实验学时数不多，我们设计的教学内容如表1所示。

2.数字图像处理教学方法设计

针对培养学生应用型研究能力的目标，我们在教学方法设计上本着激发学生的学习兴趣，开阔学生眼界，给学生提供更自由的思考空间的原则，通过下面两个措施来实现我们的目标。

2.1精心选择案例

选择的案例要贴近实际生活，并与课堂上讲授的方法紧密衔接。例如，在讲解图像增强和复原这两章之后，我们引入在实际生活中常见的“图像去雾”問题，通过如下方法，培养学生研究能力。

（1）要求学生先尝试用学过的算法来解决这个問题，并在课堂进行算法讨论，给出算法结果。

（2）要求学生针对具体問题，查阅文献资料，了解别人的解决方法。通过查阅国内外的文献资料，同学们知道了如何根据关键词查询科研论文，了解哪些电子数据库中有与专业相关资料，知道了文献的级别有SCI、EI、核心期刊、一般期刊等。

（3）学生将查到的算法进行分类和总结，撰写文献综述。

（4）每位学生都需要编程实现“图像去雾”算法，这个算法是结合自己的思考、实践以及查阅文献的结果。

通过自己动手，同学们发现如果图像的清晰度不好，有噪声，或者没有归一化，结果就完全不同。通过自己动手验证，同学们会发现图像处理领域的一个最为重要的特点——任何算法主要都是针对一类图像或是针对一类問题而设计的，因此在算法的适应性上需要有所考虑。

2.2全面介绍图像处理的各个应用领域

老师在课堂上介绍几个图像处理涉及的较为重要的应用方向（如视频监控、图像检索、人脸识别、运动检测、车牌检测等）后，将同学们进行分组，每组负责查找一个应用方向的相关资料，讨论和汇报自学的结果。汇报内容主要包括：①应用方向的介绍；②涉及的主要問题；③目前的解决方法及应用成果。

通过查找文献，同学们不仅对课上学习过的经典算法有进一步了解，同时还接触到很多新算法。通过听取各组汇报，同学们在较短的时间里，了解了图像处理涉及的多个主要的应用领域。针对每个应用研究领域，老师引导学生分析该领域的难点和重点，提出問题，再让学生思考解决方案，没有标准答案，只希望能够锻炼学生的思考能力。以“人脸识别”为例，有很多经典的或较新颖的算法，老师会结合应用领域对其中常用的或比较重要的算法，如PCA方法和Adaboost算法，进行详细讲解，使学生全面了解图像处理算法的应用领域。

3.数字图像处理实验内容设计

针对培养学生的应用技术能力的目标，同时考虑到本课程实验学时数较少，我们设计了两个实验——基础性实验和综合性实验。

3.1基础性实验

目前很多经典的图像处理算法是用vC++程序实现的，我们要求大家学会读程序，能够看懂已有的算法实现程序，并在此基础上能开发新的功能。

实验一：实现对多种图像格式的支持（2学时）

实验内容：采用VC++编码实现，基于CDib类，添加支持打开，并保存多种图像格式的功能。包括JPEG和GIF。

实验要求：利用学习的图像压缩的知识，利用现有的编码解码库实现对IPEG和GIF图像的打开和保存。

实验目的：了解多种图像格式，编写针对多种图像格式的读写程序，能够进一步理解针对图像的编程的特点，同时也进一步了解开发图像应用程序的适应性問题。

老师在课程初期会向大家介绍图像处理的一个公开库——CDib类。该类很好地封装了图像的数据结构，涉及很多图像的基本操作。我们知道现实生活中的图像常常都是压缩格式的，如BMP、JPEG、PNG、GIF等。因此在讲完图像的压缩格式后，对照讲过的BMP图像结构，老师要求学生为CDib类添加能够支持多种图像格式的功能。以GIF图像为例，它不同于如JPEG、PNG等格式，GIF采用的是LZW压缩算法，使用的是无损压缩技术。GIF图像的特点是可以一次压缩多幅图像，图像颜色表控制为256色，使用渐显方式。

3.2综合性实验

针对综合性实验，我们会拟定多个题目让学生选择，如树叶提取、花朵提取、车牌识别等。

实验二：数字号码图像的识别（6学时）

实验内容：采用VC++编码实现，基于CDib类，针对数字号码图像，识别出数字，给出文本显示结果。

实验要求：将该题目进行分解，划分任务；组内每个同学负责一部分任务的编程工作；每个人针对自己负责的工作至少提供两种实现方法，并放入整个项目流程中验证这两种方法的有效性；最后总结出两种方法的异同以及适应的范围。

实验目的：考查学生对数字图像处理应用中每个步骤的掌握程度和项目合作沟通能力。

上述实验涉及以下几个步骤。

①图像的预处理；

②图像的分割；

③图像的特征提取；

④图像的分类。

组中每个学生负责一个步骤，所有步骤都需要尽心设计，这样整体的效果才可能最好。同时大家需要协商各自负责模块的人口和出口的数据结构，保证数据能够在模块之间顺利流转。这种协商和分工合作的能力是软件工程专业最需要的技术能力之一。

以“数字号码图像识别”为例，该题目可以分割成4个步骤：预处理、数字图像切分、数字图像特征提取和数字识别。在每个步骤中都有分别需要注意的問题，如在预处理阶段，需要对图像进行去噪声，增强对比度，甚至需要进行膨胀和腐蚀将图像中断裂的数字部分连通起来；在数字图像切分阶段需要制定适应性广泛的切分策略来应对各种情况，如数字排列可以呈现任意的倾斜角度，或数字字符相连等；在数字图像特征提取阶段，我们可以考察每个数字图像的自相关系数特征，或者每个数字图像的频谱特征，也可以考察数字图像的几何拓扑特征，如将数字图像分成2个洞的（8），1个洞的（4，6，9，0），没有洞的（1，2，3，5，7），针对每个类别再提取新的几何特征；在数字图像识别阶段，可以采用神经网络的分类器，或者利用制定的一些分类策略来分类，或者采用主成份分析（PCA）的方法来识别。

4.结语

两年多的教学实践表明，新的教学大纲、授课方法和实验内容有利于激发学生的兴趣，使他们带着問题去学习，从而加深了对图像处理应用领域的了解，锻炼了编写程序和协作开发的能力。下一步我们将设计更多合理有效的案例和综合性实验，力图通过这门课激发学生的创造力。

篇3

中图分类号：TP309 文献标识码：A 文章编号：1673-9795（2013）07（a）-0152-01

网络的飞速发展，为教育资源的大规模开放和共享提供了一个高效的舞台。目前，世界各国都在充分利用网络优势，加强网络教学资源的建设与共享，如麻省理工学院（MIT）于2001年4月首次启动开放课件运动（OCW），截至2007年，该网站上已经有1800门课程在线共享。此外，比较有影响力的还有英国开放大学的OCI（Open Content Initiative）项目、卡耐基・梅隆大学的OLI（Open Learning Initiative）项目、美国索菲亚学院的OCI（Open Content Initiative）项目等[1]。2003年4月，我国教育部了《关于启动高等学校教学质量与教学改革工程精品课程建设工作的通知》，明确提出精品课程是具有一流教师队伍、一流教学内容、一流教学方法、一流教学管理等特点的示范性课程。各省市教育行政主管部门也相继下发了通知，提出了建设精品课程的规划和措施，在全国高校掀起了精品课程建设的热潮。

1 需求分析

精品课程网站的设计与开发，充分发挥了计算机在呈现信息、提供联系、激发动机、学习评价方面的优势，弥补了教师、课本、视听媒体的不足；计算机作为学习者收集和组织信息、探究与批判性思考、合作与交流的工具，能很好的激发学习者的学习动机，促进有意义学习的发生；另外，精品课程的设计与开发，突破了时空限制，具有传播范围广的特点，任何人、任何时间、任何地点都可以按各自的兴趣选择任何课程进行学习。总之，精品课程网站的设计很好的适应了当今世界国际化、信息化、知识化等特征的要求，学习者能更好的实现自主学习。

《遥感数字图像处理》是一门专业基础课，是以理论联系实践为主，注重运用，重视上机实践的一门课程。对于这样一门操作性较强的课程，设计与开发它的精品课程网站是非常有必要的。

《遥感数字图像处理》精品课程网站的设计与开发依托了校级《遥感数字图像处理》精品课程的建设，主要面向遥感数字图像处理专业的本科生，旨在辅助学习者完成对本门课程的自主学习，实现学习效果的最优化，其目的是为了让学习者通过学习，打牢遥感数字图像处理的基础知识，进而可以运用到实践中。通过本课程的学习，使学生树立正确的遥感数字图像处理的概念，培养学生良好的计算机实践习惯，实事求是的科学态度和严谨细致的工作作风，为后继课程的学习和将来参加社会生产实践打下基础。

2 理论基础

认知主义学习理论认为，学习过程是每个学习者根据自己的态度、需要、兴趣、爱好并利用过去的知识与经验对当前学习者的外界刺激做出的主动地、有选择地信息加工过程。

建构主义学习理论认为，“学习”被理解为意义的获得，意义是学习者通过新旧知识经验间的反复的、双向的相互作用过程而构建成的；学习的过程并不是简单的信息输入、存储和提取，而是由于新旧经验的冲突引发观念的转变与结构重组。

每一种学习理论都有自己的优势和缺陷，比如，给学习者更多的自主活动，能增强学习动机，但会降低学习效率；让学习者之间有更多的协作能帮助意义建构，但如果个体不能充分参与，可能会减少对个体差异的适应。

学习理论应用的一个基本原则是以不同的理论解释不同的学习现象，将不同的理论应用于不同的学习情境。《遥感数字图像处理》精品课程的设计与开发，参照国家精品课程评审指标，根据指导老师的要求以及课程的特点，综合运用了认知主义、建构主义学习理论的优点，以更好的促进学习者有意义学习的发生。

3 设计思路

在《遥感数字图像处理》精品课程网站设计与开发的过程中，主要从人机界面设计、认知活动设计出发。

（1）界面元素的清晰性和操作的流畅性：人机界面又称为用户界面，是学习者与软件的教学内容和教学流程相互作用的中介，因此，界面设计必须符合学习者操作的肢体和感官运动规律，以及感知心理规律，使界面操作简捷、自然、舒适。

（3）引导自主学习：提供电子教案下载、习题选编、模拟试题、学习帮助等栏目，并且设置在线答疑系统，提供了充分的人机交互，促进知识的记忆与迁移。

（4）科学性、教育性：精品课程作为一个多媒体教学软件，必须满足教育性、技术性、艺术性、科学性以及经济性等原则。所以，在进行具体的设计、开发之前，先是参照国家精品课程评审指标并根据指导老师的要求以及《遥感数字图像处理》这门课程的特点，确定网站的内容模块、栏目设置以及界面整体风格。

4 ACCESS技术简介

Microsoft Office Access（前名 Microsoft Access）是由微软的关联式数据库管理系统。它结合了Microsoft Jet Database Engine和图形用户界面两项特点，是 Microsoft Office的成员之一。Access能够存取Access/Jet、Microsoft SQL Server、Oracle，或者任何ODBC兼容数据库内的资料。

Access 数据库由七种对象组成，它们是表、查询、窗体、报表、宏、页和模块。

表（Table）――表是数据库的基本对象，是创建其他5种对象的基础。表由记录组成，记录由字段组成，表用来存贮数据库的数据，故又称数据表。

查询（Query）――查询可以按索引快速查找到需要的记录，按要求筛选记录并能连接若干个表的字段组成新表。

窗体（Form）――窗体提供了一种方便的浏览、输入及更改数据的窗口。还可以创建子窗体显示相关联的表的内容。窗体也称表单。

报表（Report）――报表的功能是将数据库中的数据分类汇总，然后打印出来，以便分析。

宏（Macro）――宏相当于DOS中的批处理，用来自动执行一系列操作。Access列出了一些常用的操作供用户选择，使用起来十分方便。

模块（Module）――模块的功能与宏类似，但它定义的操作比宏更精细和复杂，用户可以根据自己的需要编写程序。模块使用Visual Basic编程。

页（Page）――是一种特殊的直接连接到数据库中数据的一种WEB页。通过数据访问页将数据到Internet或Intranet上，并可以适用浏览器进行数据的维护和操作。

参考文献

[1] 吴美娇，项国雄.国家精品课程网络教学资源现状分析与优化[J].现代远程教育研究，2009（2）：39-44.

篇4

中图分类号：U285文献标识码： A

1岩土力学的研究现状

岩土力学是近展起来的一门新兴学科，也是力学和地学相结合的一个基础学科。过去，工程中遇到的岩土工程问题，往往多凭经验解决，但工程实践表明，单凭经验越来越难以适应日益发展的工程规模和工程的复杂性,从而在工程设计中预测岩土工程的可靠性和稳定性，并使工程具有尽可能的经济性，这些巨大的工程建设问题，大大促进了岩土力学的发展。

岩土力学试验是岩土力学发展的基础，它包括实验室岩土力学参数的测定、现场岩体的原位试验及监测技术、岩体构造的测定等。随着试验设备和技术手段的提高，岩土力学的试验水平有了较大的发展，如常规的单轴拉伸、岩体弱面直剪试验、岩土应力应变破坏全过程试验和岩土流变等.

岩土损伤力学研究的重点是建立损伤变量和损伤扩展之间的本构关系，自从扫描电镜技术引入岩土损伤研究以来，我国学者在这方面进行了大量的研究工作。许江[1]等采用带有加载装置的光学显微镜进行了砂岩在不同加载阶段的损伤裂纹分析；孙钧等[2]采用带有微型加载装置的扫描电镜对岩土的微损伤扩展进行研究。这些研究有力地推动了岩体损伤力学的发展。另外，杨更社等[3]在岩土损伤CT识别方面进行了尝试性的研究。

分形几何由于可以很好地描述岩土力学中的不规则性和不确定性，在岩土力学领域得到了不同程度的应用。

2数字图像技术在岩土力学研究中的应用

2.1传统研究趋势的转变

随着岩石力学的发展，研究工作的重点已经从建立在均匀介质假设基础上的岩石宏观力学行为研究转向岩石内部细观和微观结构对其宏观力学性质影响的研究。岩石断面的数字图像包含了我们所关注的大量岩石细观信息，其处理技术也正随着计算机的发展日新月异。

近20 年来，数字图像处理（digital image processing ，简称 DIP）作为一种材料细观空间结构及几何形态的精确量测和数字表述手段快速地被应用于沥青混凝土、土和岩体的细观结构定量分析中[4]。特别是其在岩石工程中的应用为人们全面认识岩石的非均匀性、内部结构特征、各组分的形态特征及相应的细观力学特性开辟了新的道路

2.2数字图像技术在研究岩土力学方面的优越性

数字图像处理技术作为一种材料细观尺度上的空间结构精确测量和数字表述手段，已广泛应用于土、岩石及混凝土的细观结构定量分析中。应用数字图像处理进行的岩石细观力学研究是对岩石力学研究方法的革新数字图像量测技术是一种非接触无损量测技术，克服了接触量测容易对测量体造成扰动、破坏以及测量误差大、工作效率低等缺点，并且可以进行局部变形量测以及动态量测。

3 结论

随着岩石力学的发展，研究工作的重点已经从建立在均匀介质假设基础上的岩石宏观力学行为研究转向岩石内部细观和微观结构对其宏观力学性质影响的研究。岩石断面的数字图像包含了我们所关注的大量岩石细观信息，其处理技术也正随着计算机的发展日新月异。国内外发表的有关DIP 应用于岩石内部结构定量分析及细观力学计算的研究成果表明，DIP 具有传统测量和分析手段无可比拟的优越性：

（1）数字图像量测技术是一种非接触无损量测技术，克服了接触量测容易对测量体造成扰动、破坏以及测量误差大、工作效率低等缺点，并且可以进行局部变形量测以及动态量测，这些都是传统测量方法无法完成的。

（2）DIP 成功地表征了岩石的非均匀性，使我们可以方便、直观地研究岩石的不同矿物及结构对其宏观力学性质的影响，可以将岩石的岩性划分得更为具体，这将在岩土工程建设中发挥重要作用。

综上所述，数字图像处理为岩石内部细观介质的空间分布及变形进行精确测量和数值表述提供了可行途径，这意味着在理论上可以突破将岩石当作均匀介质的传统假设，从而深化对岩石宏观力学行为的本质认识。岩土工程的建设给岩土力学研究提出了许多挑战性的课题，为解决重大岩土工程面临的问题提供强有力的理论工具。

参考文献

[1] 许江，刘婧，程立朝等.压剪应力条件下砂岩双面剪切细观开裂扩展演化特性试验研究[J]. 岩石力学与工程学报， 2014， (4):649-657.

[2] 孙钧.岩土力学在我国的若干进展[J].西部探矿工程，1999，11(1)：1-5.

[3] 杨更社.岩土损伤特性的CT识别[J].岩土力学与工程学报，1996，15(1)：48-54.

篇5

中图分类号：F416.22 文献标识码：A

数字图像处理技术是通过电脑来去除噪声形象，提升、回收、分割、特征提取的处理方法和技术，探索石油地震勘探地球信息科学与科学之间的交叉学科，可以利用数字图像处理的一些方法进行研究。当前，图像处理技术的飞速发展提供一个新的方法来解决这些交叉科学问题。地震数据的处理过程中应采取综合研究模型，即采用合理的数学模型和信息技术，地震资料成像、地震数据的形式表达的形象，所以地震数据不仅形象直观，而且可以利用图像处理技术进行处理和分析，并改善直板的地质问题的认识。因此，边缘检测技术在地震资料储层预测将扮演一个重要的角色。

1 边缘检测

1.1 常见算子分析

边缘检测算法的比较分析在地震储层中的应用极为少见，但信息科学和图像差异对噪声有一定的抑制作用。从研究中，原始和渐变噪声图像处理效果较好，边缘检测算子更好，二阶微分算子，图像中的边缘点的顺序和精确定位的旋转不变，导致该算子容易丢失。边缘信息的一部分，导致一些离散的边缘检测方法相对适应。经典的边缘检测是应用微分形象的特点的边界点进行检测。该模型可以看出，这种方法是有效的检测，可应用于实际应用。因此，针对油藏断层、裂缝、泥岩边界，可以使用边缘检测技术对这些特定的边缘识别。

1.2 小波变换

裂纹检测和分析的图像边缘检测有很多相同之处，基于小波多尺度边缘检测理论，结合裂缝的地震波场的多尺度小波变换局部极值的模式，因为这些极端值设置没有门槛限制，检测裂缝三维地震记录的某些特征的位置，然后根据钻井、测井数据得到裂缝的总体特征的分类和分布的该区裂缝，调整模量在图像的灰度，最后自动识别裂缝发育程度。对储层砂体的识别和断口的分析，一般采用的方法是进行奇异性检测。无论是简单的边缘检测算子或多尺度小波边缘检测方法探测目标，边缘检测的结果有很大的不确定性。

2 应用

2.1 地震资料解释

地震资料解释水平地震剖面上断裂规模，因为地震资料分辨率的限制，在这种情况下，引入边缘检测算法比较，该方法能精确地识别出图像或数据放在一个水平的优势，可以很好地对具体比例的地质特征，成像识别。该技术在裂缝识别和河床边界识别，寻找图像的像素位置变换，简单说就是像素图像有用的信息，即断层和河床边界的信息，在油藏描述、河道砂、小断裂并且对预测和油气开发都有重要的意义。跟描述技术相比，边缘检测技术有其独特的优点，最大的优点是它的多尺度性。由于过错的沉积特征而使用像素来描述不同的集合像素，边缘检测技术有其独特的优势。利用图像处理的边缘检测理论，对地震资料的处理，不仅可以确定三维数据体的缺点而且对河道砂体连通性描述可靠合理的注采井网的部署和回收网络改善，具有重要的指导意义。

2.2 裂缝预测

将图像处理技术移植到地震储层预测会给裂缝性储层识别与评价的探索带来新的观念。利用边缘检测技术对地震属性处理，然后结合电阻率成像测井资料、岩性资料、测井资料和瞬间的压力数据高速预测裂缝。相比之下，国内学者的研究对更具体的边缘检测算法，提出了算法和研究对象。通过选定的振幅数据对象，利用数字图像处理的方法预测裂缝振幅值的测试，结合裂缝地震波场的多尺度特性，提出了碳酸盐岩裂缝预测的多尺度边缘检测方法。该方法的主要思想是用小波变换局部极值的模式试验三维地震记录，在裂纹特征的位置，并通过调整模量在图像的灰度、识别裂缝发育。

3 地震数据预处理方法

地震数据采集带噪声会影响地震资料的质量。因此，对地震数据预处理，图像预处理是用各种各样的数字图像处理技术来提高，这方面的研究方法很多，有自适应误差扩散算法、中值滤波等。这些方法的目的是光滑脉冲噪声，只有在通过图像预处理方法后才可以在后续的地震储层预测中取得良好效果。

3.1 滤波方法

在一些资料研究对象中，有些信息是不切合实际的应用价值，所以地震信息过滤是非常必要的。在这方面，技术的使用提高了地震剖面的信噪比的形象。其关键技术是利用光流分析技术，并计算了相应的分地震剖面上超过偏，然后使用图像积累的地震剖面进行积累技术，实现了三维地震数据体提高信噪比。该方法充分利用了三维地震信息，不仅可以改善的信噪比数据体，而且可以降低信号的能量损失，使原始信号的能量关系，使地震剖面的品质，增加明显的地震解释一个良好的基础。该方法的实现，为地震资料的处理提供了新的思想、横向分辨率图像增强，就是与相轴连续、断点清晰，以便提供更好的地震资料解释的物质。

3.2 边界处理方法

地震信息十分丰富，在这种情况下，我们必须有一个地震数据的边界处理，提出了一种基于边缘检测算法的动态误差扩散。分散的方法以及误差方向每一个像素的边缘，然后根据结果选择边缘检测的像素的动态误差四面八方扩散系数的方法，这种方法能减少误差分散过程中的误差积累。实验结果表明，该方法能有效提高造成的误差系数和分散的细节图像轮廓损失。在众多的滤波算法，提出了一种自适应反馈的误差扩散算法。该方法首先采用提出视、听知觉差的概念，并根据原始图像的灰度区域特征，自适应反馈系数的计算，将被遣送回原来的视觉形象，以弥补连续可调造成的误差扩散的不同区域的灰度损失。该算法可以显著提减弱点获得的不良影响的现象，准确地代表更多的图像细节，并表现出比传统算法更好的主观视觉效果，该方法的运用就会在地震储层的细节描述提供很好的保证。

4 展望

地震信息处理与分析是一门交叉学科，边缘检测技术依赖的地震资料、地质目标和数学方法来决定。在方法的选择，通常是经多种方法的比较分析及各种世界算法才能达到目的特殊待遇。根据技术边缘检测可以有效解决中小裂隙型储层、裂缝和砂体的边界识别，地球物理工作者建议在特定目标首先建立数学模型的实验验证了算法的权利。例如，一个差异，为代表的经典的边缘检测方法，可以通过不同的数学模型，能突出其变化信号点，重点是边缘化。但无论经典边缘检测算法或其他复杂的边缘检测方法，每一种方法的结果也不同。因此，边缘检测技术在地震资料用于问题不仅仅是简单的图像处理问题，尤其对小裂隙型储层、裂缝和砂体的边界识别和影像，首先引入到地震数据的边界滤波器，并在此基础上，对研究对象的规模水平选定合适的数学算法处理，最后达到对处理结果的空间认识和理解，并与之相配套的地质目标。最后，边缘检测技术在石油勘探开发中的应用应结合地质、物探、钻井测井数据分析。

参考文献

[1]杨文采.应用地球物理数据处理与分析[J].地学前缘，1998，5(2):231－235.

[2]王新成.高级图形处理技术[M].北京:中国科学技术出版社，2001:119－130.

篇6

【关键词】云计算 云架构 图像处理 交通流

1 引言

随着我国交通运输行业的快速发展，给人们生活带来了巨大便捷的同时，由于汽车数量的增多，造成了交通的日益恶化，交通堵塞现象十分严重。为了有效缓解这种局面，在现有交通资源下，挖掘已布设在各道路环境中的监控摄像机资源，主动利用其提供的视频图像数据来感知道路交通流参数，实现交通检测的目的。

交通流监测系统是依据交通流流体理论的空间和时间离散化数学模型，将交通线路上的摄像头获取的车流图像建立相对应的二维模型。同时随着城市规模的发展，传统的交通流参数计算方式已经无法满足大量视频数据的处理。对于这一问题，我们提出将云计算的技术运用到交通流监测中，作为一种新的计算模式和共享云计算的架构方法，云计算在高性能计算和海量数据存储方面具有明显优势，云计算平台能将资源虚拟化，同时进行有效且动态的资源划分和分配。

2 基于视频的交通流参数检测

2.1 交通流参数的提取

图2为现有交通流分布图，车辆检测是视频交通监控系统的关键和基础，其中交通流目标提取算法分为背景建模、帧差和目标跟踪等计算。背景建模方法避免了帧差法前景区域提取不完整的问题，采用高斯混合模型相较于其他算法（Kalman滤波算法、平均法、选择更新法）能利用高斯模型更好地给出像素点分布，多模型防止前景点对背景点的建模干扰，消除背景规律性晃动。

运用数字图像处理的技术，对图像进行数字化、编码、图像增强、恢复、重建、分析，获取道路的坐标映射以及车流量信息。

2.2 基于Kalman滤波理论的自适应背景预测与更新建模法

基于视频的车辆交通流检测，目前提出的车流量检测算法都存在一定的缺陷，不能解决影响检测精度和实时性等所有间题。因此我们提出了一种改进的具有一定自适应功能的基于Kalman滤波的背景预测与更新法，可实现建模函数的自适应修正和不同阶段的背景匹配更新。

实验表明：随着时间的推移，以上背景建模法将与场景匹配的权值逐渐增大，而不匹配的高斯函数的权值将日益缩小。

3 实验结果分析

系统在PC机上运行，在VS2010平台下，输入自拍的复杂城区道路上的视频流，利用以上自己研究的算法，自己设计开发了相应的软件，通过实验验证，效果较好。

当系统正常工作时，终端能够从服务器获取周边节点的路况信息，同时利用云计算的快速图像处理。按照等级将对应的路段按照不同的路段加以区分，在GIS系统中将不同的路段按照对应的交通等级进行颜色区分显示，当鼠标指向具体的路段时，也能够显示具体的数值，是个节点的交通信息能够非常直观的进行显示。

通过视频图像采集、视频图像预处理、背景建模等过程。在单位时间内，根据车辆计数就可以求出车流量。

经测量得到，车模的速度在1m/s左右，按照1：24的比例换算成实际速度在80km/h左右，宽度测量误差为4.25%，长度测量误差为2.28%，车型匹配准确率为100%。

4 结论

本文从交通流现状出发，介绍了云计算基础知识，并建立了私有云计算平台。然后针对道路环境实际应用需求，在现有的解决方法下，提出一种改进的具有一定自适应功能的Kalman滤波建模法；同时，解决了车辆的长度、宽度、车辆速度等参数测量，通过构建的私有云平台，能够快速精确的计算道路占有率、及交通运输能力分析，为交管部门提供了可靠的基础参数信息。

参考文献

[1]黄振宇.基于云计算的网络视频监控系统研究与实现[D].上海：上海交通大学，2011.

[2]杨文志.云计算技术指南：应用、平台与架构[M].北京：化学工业出版社，2010.

[3]王鹏.云计算的关键技术与应用实例[M].北京：人民邮电出版社，2010.

[4]张良将.Hadoop云平台下的并行化图像处理实现[D].上海：上海交通大学，2012.

[5]李新法.基于视频图像处理的交通流检测方法[J].城市建设理论研究，2013.

[7] 李刚.基于背景差法和帧间差法的运动目标检测方法[J].仪器仪表学报，2006（27） 962-964.

[8]高建平.基于图像处理的交通信息采集[D].上海：同济大学，2006.

篇7

DOIDOI：10.11907/rjdk.162852

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2017）005004704

0引言

图像识别是一项利用计算机对图像进行处理、分析和理解，以识别各种不同模式目标和对象的技术[1]。图像识别技术目前还不能达到人类的认知水平，但在特定应用环境中，可以通过模式识别或者神经网络的方法来对图像中的事物进行分类判断。一般而言，一个数字字符识别系统主要由3个部分组成，如图1所示。

图1系统组成

其中，预处理模块将图片格式（例如JPG格式）转换为计算机能识别的二进制数据流；图像处理模块则实现图像采集与转换、边缘提取、归一化等功能；字符识别模块可以由两种方法实现：模式识别或者神经网络方式，本文系统采用神经网络方式。

1识别目标及预期结果

此系统识别目标是在没有强干扰下，系统能够准确识别出图片中的0～9这10个数字。示例图片如图2所示。

系统识别中所用到的含单个数字的图片取自图2，均为纯色背景（不一定必须为白色背景）图片，且图片中数字图像无较大噪声干扰。系统经过一系列处理后，能成功识别，给出识别结果，并且给出处理过程中各个阶段的图片，以便更好地理解图像处理过程。

2预处理

预处理是将图片二值化的过程。预处理的目的简单来说就是把彩色图片处理为计算机更好处理的二进制数据流。预处理的过程主要分两部分：彩色图转灰白图，灰白图转二进制矩阵形式数据。

目前用于彩色图转换为灰度图的基本算法主要有：最大值法、平均值法、加权法，本文采用加权法。加权法的主要思想是设当前像素的三分量分别为R，G，B，然后利用公式（1）得到转换后的像素分量值：

GRAY=0.3*R+0.59*G+0.11*B（1）

在MATLAB中，函数img2gray就是采用加权法实现的。图像二值化就是将图像像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。二值化的处理过程是将图像中有意义的特征和需要应用的特征进行分割，利用前景和背景灰度特性的差异，低于阈值的像素设定为一个灰度值，高于阈值的像素设定为另一个灰度值。这样可将前景色与背景色以明显差异的灰度级区分开来[2]。阈值选取有手动选取和自适应选取两种方法。MATLAB中图像二值化的实现主要依靠im2bw函数来实现。图像二值化过程中，最重要的是阈值变换。比如数组a=[120，254，0，200，99]，设定一个阈值125，并对a进行阈值变换，那么a中凡是大于125的，则变为255，小于等于125的则变为0。具体对临界情况处理可能不同，不过MATLAB中im2bw函数是按照上述方法处理的。a经过阈值变换后变为[0，255，0，255，0]。在MATLAB中使用im2bw函数进行图像二值化处理时（将图像转换为二值图像），人为设定阈值并不总是十分有效。MATLAB工具箱提供了graythresh函数[3]。该函数使用最大类间方差法得到一个阈值，利用这个阈值进行图像二值化通常有效。

经过预处理后得到的二值化图像，还要经过一系列图像处理过程，才能用于神经网络训练。

3图像处理

图像处理的目的是将图片变为神经网络能处理的数据流。图像处理流程如下：

（1）利用梯度锐化。使得图像更加突出，以便分析。算法：当前点像素值与其下一个像素值之差的绝对值，加上当前点像素值与其下一行当前像素值之差的绝对值，如果结果大于阈值，则当前像素值置为此结果。

（2）去除离散噪声。利用递归方法查找当前像素8个方向是否存在黑色像素，这里设置连续长度为15，如果用递归方法得到连续像素值大于15，则认为不是噪声；相反，则认为是噪声，则置为白色像素。

（3）字符倾斜度调整。尽量保存每个字符的位置一致。

（4）分割字符。找出每个字符的区域，用矩形记录，记录每个字符矩形数据。

（5）字符归一化。根据图像预处理准备阶段设置的归一化标准，把每个字符的区域进行归一化，使得所有字符区域矩形一样大，只是位置不一样。

（6）字符紧密排列。把所有字符紧密排列，以备识别使用。

本文示例样本图片中只有单个数字，且无较大干扰，所以不需要去除离散噪声、字符倾斜度调整、分割字符和字符紧密排列等步骤。经过预处理的图像数据，只需要进行锐化和归一化处理，就可以用于神经网络训练。

图像梯度锐化的目的是使原来的模糊图像变得清晰。MATLAB中使用的梯度函数为gradient函数。Gradient（F）函数求的是数值上的梯度，计算规则：[Fx，Fy]=gradient（F），其中Fx为其水平方向上的梯度，Fy为其垂直方向上的梯度，Fx的第一列元素为原矩阵第二列与第一列元素之差，Fx的第二列元素为原矩阵第三列与第一列元素之差除以2，以此类推，如公式（2）。

最后一列则为最后两列之差。同理，可以得到Fy。

归一化就是把需要处理的数据经过处理后（通过某种算法）限制在要求范围内。对于图像处理中的w一化而言，就是将所有数字图像中的字符归化成为一个具有同一高度、同一宽度的图像，也即让其中的字符具有同样规格。MATLAB中用于实现图像矩阵归一化功能的函数是mat2gray函数[5]。该函数在数字图像处理中经常用到，归一化的具体流程如图4所示。

经过归一化处理之后的图片数据，将其存储在一个矩阵中，用于神经网络的训练。

4神经网络训练

人工神经网络算法主要有两种：一种是先对待识别字符进行特征提取，然后用所获得的特征来训练神经网络分类器[6]；另一种方法是直接把待处理图像输入网络，由网络自动实现特征提取直至识别出结果。前一种方法识别结果与特征提取有关，而特征提取比较耗时。因此，特征提取是关键。后一种方法无需特征提取和模板匹配，随着相关技术的进步，这种方法更实用。

神经网络有许多种，在MATLAB中已经有集成神经网络工具箱。本文系统中，对数字图像的识别采用BP神经网络来进行训练。BP神经网络为前馈神经网络，网络的学习状态为有导师学习状态。它是一种具有学习能力和记忆能力的神经网络，主要由输入层、中间层、输出层3个部分组成。输入层、中间层和输出层可以具有不同数量的节点，具体数量随需求而定，没有具体的标准。单层神经网络结构如图6所示。

BP神经网络是误差反传误差反向传播算法的学习过程，由误差的反向传播和信息的正向传播两个过程组成[7]。输入层各神经元首先接收来自外界的输入信息，然后传递给中间层各神经元；输入信息经过中间层内部信息处理，实现信息变换，按照信息变化能力需要，中间层可以布局成多隐层或者单隐层结构；最后，一个隐层传递把信息传递给输出层，通过进一步处理，实现一次学习的正向传播处理过程，输出层把信息处理结果输向外界。当输出结果和预先期望效果不符时，就进行误差反向传播。误差通过输出层，根据误差梯度下降的方式改变各层权值，由隐层向输入层依次反传。多次交替的信息正向传播和误差反向传播过程，是各层连续修正的过程，也是神经网络学习训练的过程，这个步骤一直执行到最终输出的误差降低到能够接受的范围，或者预先输入的学习次数为止。

此系统中所使用的神经网络在中间层设置25个节点，1个输出节点。此系统采用三层神经网络来实现。采用s型对数函数logsig作为隐含层各神经元的传递函数，并采用纯线性函数purelin作为输出层各神经元的传递函数。此神经网络的训练函数采用traingdx，学习模式函数为learngdm。训练步数最长设为5 000，性能目标设为0.001。

神经网络模块的部分代码如下：

net=newff（pr，[25 1]，{'logsig' 'purelin'}，'traingdx'，'learngdm'）；

net.trainParam.epochs=5000；

net.trainParam.goal=0.001；

pr为前面图像处理所获得的矩阵数据。

神经网络的训练结果如图7所示。神经网络的性能曲线如图8所示。

5用艚换

考虑到该系统具有一定交互功能，让用户能自主选择需要识别的图片，向系统中添加如下代码段：

test=input（'请输入用于测试的图片编号：'，'s'）；

x=imread（test，'jpg'）；

开始运行时，会提醒用户选择需要识别的图片编号，效果如图9所示。

用户输入需要识别的图片序号后，系统给出识别结果和图像处理各阶段中的图片，此处用subplot函数来实现一个窗口中显示多张图片的效果，部分代码如下：

6结语

通过样本识别验证，本文数字识别系统具有一定识别精度。本系统基本做到样本图片的100%识别，对于其它只有单数字的图片，经过训练之后，也能准确识别。本系统实现了部分人机交互功能，能让用户自主选择需要识别的图片，并输出识别结果和各个处理过程中的图片。

参考文献参考文献：

[1]冈萨雷斯.数字图像处理（MATLAB版）[M].阮秋琦，译.北京：电子工业出版社，2006.

[2]梁路宏，艾海舟，徐光佑，人脸检测研究综述[J].计算机学报，2002，25（5）：449458.

[3]罗华飞.MATLAB GUI设计学习手记[M].北京：北京航空航天大学出版社，2009.

[4]聂影.MATLAB软件应用研究[J].软件导刊，2014，13（7）：102104.

篇8

中图分类号：TQ533 文献标识码：A 文章编号：1674-098X（2014）01（a）-0005-02

在我国的电力供应中，有很大一部分来自火力发电。火力发电对煤炭资源的需求最大，因此提高煤的燃烧效率变得十分重要。煤的燃烧特征是煤的颗粒越小，越容易燃烧殆尽，而且在其燃烧过程中所产生的硫化气体等污染物也会相对较少。所以通过一种有效的办法对煤堆进行颗粒粒度识别具有重要意义。颗粒物识别检测通常采用的方法为筛析法、重量沉降法、激光散射分析等，这些方法中存在人为操作量大，重复性不好，且不能给出颗粒的相关参数特性等缺点[1]。该文运用数字图像处理技术对煤颗粒进行处理分析，可避免上述方法的不足，提升测量速度节省时间，增强测量准度和精度。并提出结合分形理论，对煤堆颗粒作分形分析。图像处理方法作为对煤堆特性分析方法可利用软件得到相关的煤堆颗粒粒度参数、进而可以选择相应适合的条件对煤堆进行颗粒过滤，从而满足工业要求。

1 图像处理技术

1.1 数字图象处理的特点

随着计算机科学的发展与工控程度的提高，图像处理技术被越来越广泛的运用。在颗粒检测识别领域，图像处理技术有着得天独厚的优势。它减少了单纯的人工操作量，降低了测量过程中的粗糙性。提供了对复杂细微颗粒处理的可行性，加快了分析处理速度并且可以直接或间接的获取人们所需要的信息。实现过程的实时监测和控制。

1.2 煤堆颗粒的图像识别系统框架

图像识别系统主要包括图像采集和图像处理两部分。图像采集主要由图像传感器来完成，图像处理主要由计算机和相应的系统软件来完成。框架如图1。

在煤堆里取样，用粉碎机磨制好煤粒粗样后得到煤的颗粒样本如图2。然后通过CCD图像传感器采集到图像，进行数字化处理后存入计算机，获取煤粒原始图像。再利用软件对数字图像进行相应处理得到相关图像参数，最后根据所得参数数据分析得出煤粒特性结论。

这里选用CCD传感器来获取数字图像如图3所示。CCD图像传感器是一种特殊的半导体材料又名电荷耦合器[2]。它由大量按矩阵排列的独立光敏元件构成。可直接将光信号转换为电信号，然后电信号经放大和模数转换后，实现图像的获取、存储、传输、处理和复现等操作。由CCD摄像设备采集的光学图像转成模拟信号经图像模数转换器进行数字化后，得到数字图像交由计算机处理。它最显著的优点是噪声低、响应速度快、像素分辨率高等。

1.3 煤堆颗粒图像的数字化处理

在计算机中利用软件对原始颗粒图像（图4）进行预处理。对于一张图像来说，往往需要提取目标物，所以先作灰度变换减少图像噪声，保证图像质量。每一副图像相当于一个矩阵，矩阵的行和定图像中的每一个点，矩阵中的元素值对应该点的灰度级。图像矩阵中的每个元素就是像素。颗粒本体灰度值与背景图层灰度值较为均匀，进行灰度变化后效果较好，灰度图有无明显的双峰。灰度变换不足以达到最终效果，需要对图像作二值化处理。手动改变图像阈值，颗粒图像二值化效果发生改变，当观测图像变化效果最为理想时停止改变，确定一个最佳的门限阈值。二值化处理后颗粒如图5。另外也可以选择自适应阈值分割，但是无法同步观察变化过程，且计算量相对较大耗时长，无法达到背景图层与颗粒本体二值化图像最佳效果。

2 煤堆颗粒特性分析

2.1 颗粒的形态描述

从颗粒的形态学切入，分析颗粒粒度及形状。粒度是颗粒在空间范围所占大小的线性尺度。通常表面光滑的球体颗粒的粒度用直径表示，立方体颗粒的粒度用边长表示。对不规则的矿物颗粒，可将与矿物颗粒有相同行为的某一球体直径作为该颗粒的等效直径。对许多取向混乱的颗粒按一定方向测量平均线度的统计作为当量径。由于获取的是颗粒投影图像，则可按二维投影规则对煤粒度进行定义[3]。

2.2 煤堆颗粒粒度相关参数

颗粒面积的计算，通过对图像像素点的统计得到。统计获得颗粒像素的个数后，还需要用一个标准单位来标定。通过比例换算得到目标颗粒实际面积大小。采用逐行扫描的方式对图像中每一个颗粒进行标号确定单个颗粒参数。这样每一个目标颗粒的参数都有一个归属，不容易产生混乱。

颗粒周长的计算可以通过对二值图像中目标物的边缘像素计算获得。依然可以采用顺序逐行扫描的方式对图像进行扫描。对图像边缘像素跟踪累加，统计像素个数可得周长。因此颗粒的当量直径可以根据颗粒粒度定义由面积和周长求得。此外还可以利用计算机图像系统对颗粒进行自定义多方向扫描，获取每一个方向上的粒径值再进行平均。用该平均值对粒径大小作粗估计值，这里并没有对此种方法加以详细证明。

这样就可以根据不同粒径的颗粒物在颗粒总体中所含的百分比来确定粒度分布。此外还可以根据颗粒粒度来进行颗粒分级，明确颗粒的层次关系。

3 煤堆颗粒与分形理论

3.1 分形理论的定义

分形理论是时下非常流行的新理论。分形理论的最基本特点是用分形分维的数学工具来描述研究客观事物。它跳出了一维的线、二维的面、三维的立体乃至四维时空的传统藩篱[4]，更加接近客观事物和复杂系统的真实属性。

3.2 颗粒粒度的分形分析

在颗粒的形态特征中，主要讨论了分形分维的方法。把分形维数作为颗粒形态描述的一个重要角度。分形维数在一定程度上体现了颗粒的某些化学物理特性。实际测定分维的办法有很多，如根据尺度、测度关系、相关函数等。针对颗粒的不同特征可以建立不同的分形模型。对于无规颗粒具有如下分形特征式：

。

①根据边缘进行分形分析，颗粒的无归边缘曲线可利用盒维数[5]计算得分形维数。与边缘线相交的正方形个数记为盒子数N（如图6盒子数为16），盒子大小为k*k，k即盒子的边长。存在推导关系式：-；D记为分形维数，B为常数。通过推导关系计算拟合数据可得到分形维数D。在对k取值时，k值越小所能取到的盒子数也越多，边缘分形结果越精确。理论上颗粒边缘复杂程度越大，分形维数值越大。边缘分形维数体现颗粒的轮廓曲线特点。这里取了4个不同颗粒样本进行了图像处理后，经过计算分别得出4个样本的分形维数，进行比较。

从表1中可以看出颗粒边缘分形维数变化不是特别明显，原因可能与所取的盒子边长k有关。还需要结合其他形状参数来进行特征描述。说明仅仅利用颗粒边缘分形分维作为煤粉颗粒特性标准描述有待改进。

②根据颗粒粒径分形有关系式：-。是粒径分布分形维数，R是粒径大小，为粒径大于R的颗粒数。同样可以通过拟合数据计算得到颗粒粒径分布分形维数。在选取了3组颗粒图像进行了颗粒粒径分布分形维数计算后得到相关参数如表2。

从表2来看，粒径分布分形很大程度上与颗粒数目有关。分形维数是根据统计粒径R以及对应的颗粒数目N进行拟合后得到的直线斜率。尽可能的选取较多的颗粒图进行计算，分形维数越准确粒径分布分形偏差越小。颗粒粒径与分布分形维数呈负相关关系，粒径越小分布分形维数越大，粒径分布随粒径减小呈现的分形特征越明显，反映煤堆颗粒粒径分布越复杂。

5 结语

对于煤堆颗粒的识别，采用数字图象处理技术能够提高识别检测的速度，同时还可以减小大量人为干预造成的误差，避免检测重复性低等缺点。对于煤炭行业提高燃煤利用率和降低污染有着重要的意义。本文主要通过图像灰度变换、图像分割等方法对煤粒图像做处理。同时结合分形理论进行分析，得到煤堆颗粒粒径分布分形等参数，说明了颗粒分形的可行性并对煤的颗粒分形特征进行描述。但是在粒度形态识别中只是对二维投影图颗粒粒径做了说明，还可以从形状因子等参数考虑，综合描述颗粒特征。对颗粒分布分形也不完善，需要做进一步研究。此外，如何更好的提取颗粒的边缘轮廓，找到颗粒新的参考特性以及分形与工业分析之间的关系是下一步探讨的方向。

参考文献

[1] 苗春卫，李玉祥，王克家，等.基于数字图像处理的煤粉颗粒检测[J].应用科技，2003（2）：1-3.

[2] 青.基于分形理论的大气悬浮颗粒物图像识别[D].武汉：武汉理工大学，2006.

篇9

河北省张家口市 075000

2河北北方学院附属第二医院

河北省张家口市 075000

【摘　要】医学图像在现代医疗诊断中发挥着重要作用，医学图像分割是其处理的关键环节。医学图像具有信息量大、异构性、噪声显著性等特点，大多数方法对高容量的医学图像处理速度较慢，或未能充分考虑图像的细节及奇异点的变化，不能很好地表达医学图像的内容。为了有效解决上述问题，我们从医学图像的特点出发，灵活构造了一种跟随边缘变化的自适应提升方案，能够有效地保护医学图像的边缘细节，为医生临床诊断提供更可靠的依据。

关键词 自适应；提升小波；图像分割；边缘检测

1 引言

医学图像处理是一个多学科交叉的研究领域，涉及计算机图形学、数字图像处理、生物医药工程等学科的相关知识。医学图像分割技术是医学图像处理与分析中的关键技术，图像分割的目的是将原始图像分成不同性质( 如灰度、纹理等) 区域，并提取和显示出来，使其尽可能地接近解剖结构。近年来，已经研究出许多有效的技术，如阈值法、区域法、边缘检测法、小波变换法等[1]。

阈值法是一种简单而有效的方法，特别是对于背景与目标区域对比度较大的图像，分割结果更为理想。该方法从图像本身灰度值的变化出发，忽略了像素的空间分布，易受噪声影响，而且对灰度值变化丰富的医学图像效果较差。

区域生长法是选取种子像素点，随后将与其相似的像素合并到它所在的区域的方法。在医学图像病灶分割时，如果种子点选取得当，这种方法可以自动找到病灶的边界，能为医生的诊断提供定量及定性的依据。但是区域生长法对噪声敏感，如果种子像素点选取不当，分割结果就会出现错误，并且对于图像中灰度值，相近但不相邻的多个区域很难一次全部分割出来。

边缘检测经典算法有Canny 算子、Sobel 算子、Laplacian 算子、Prewitt 算子、LOG 算子等。算子的检测算法提高了医学图像分割的速度，主要基于像素值的梯度变化，容易受边缘的像素值变化影响，可能会得到不连续或虚假边界。

小波变换是对Fourier 分析的继承与发展，利用小波变换进行医学图像分割的基本方法是通过小波变换将图像直方图分解成不同级别的系数，用尺度控制并依照小波系数和给定的分割准则来选择阈值[2]。

小波变换在较大尺度上由噪音引起的细小突变较少，容易描述医学图像信号的整体行为，可检测出医学图像灰度值变化较大的轮廓，因此可以通过在不同尺度下逐步确定阈值来处理医学图像。这种传统的小波变换的方法将图像进行了全局平滑处理，忽略了医学图像的细节和突变信息，丢失了一部分重要特征[3]。我们根据医学图像复杂的纹理分布及影像图像的特殊性，改进了原有的提升小波方案，该算法能够实现对医学图像的实时定位和自适应处理，运行成本低，可以取得较好的图像分割和特征提取效果[4]。

2 自适应提升小波方案

2.1 基于提升的二维自适应提升小波格式

在该部分，我们设计了一种更新算子和预测算子同时自适应的提升小波结构，如图1 所示。

3 实验

选取肺部CT 图像作为测试，以检验本文所提自适应提升小波的应用效果。将该方法与经典的边缘检测算法如：roberts算子、sobel 算子、log 算子进行比较，检测结果如图。

通过实验分析我们可以得出：roberts算子采用对角方向相邻像素之差来估计梯度，对具有陡峭的低噪声的图像处理效果较好，但是利用roberts 算子提取边缘的结果是边缘比较粗，因此边缘定位不是很准确；sobel 对边缘定位比较准确；log 算子通过检测二阶导数过零点来判断边缘点，它的定位精度、单边缘响应和边缘的连通性都不错，而使用不同的模板产生的边缘有很大差别，自适能力较差。本文设计的提升小波可以自动跟踪图像各部分纹理的变化，有效保护图像的细节突变点。

4 总结

本文在传统提升小波的基础上设计了一种自适应更新算子和预测算子，凸显了图像细节分量在整个医学图像分割中的作用，避免了信息的丢失。实验结果显示了该方法对细节及边缘的保护作用，能够很好的分割图像。

参考文献

[1] 袁华, 岑人经, 藤奇志, 等. 医学图像处理中的边缘检测方法进展( 综述)[J]. 暨南大学学报( 自然科学版),2000,21(1):69-72.

[2] 康颐. 基于小波变换的医学CT 图像边缘检测技术研究[D]. 四川: 成都理工大学,2008.

[3] 王亚男. 基于提升小波和形态学的医学图像边缘检测[D]. 太原: 太原理工大学,2013.

[ 4 ] X u a n W a n g , J u n h u a L i a n g , O n - l i n efast palmprint identificationb a s e d o n a d a p t i v e l i f t i n gwavelet scheme，Knowledge-BasedSystems.2013,42:68-73.

作者简介

梁俊花(1985-), 女, 硕士学位。现为河北北方学院信息科学与工程学院助教, 研究领域为图像处理, 模式识别。

篇10

中图分类号：TP3 文献标识码：A 文章编号：1674-098X（2012）12（c）-00-01

1993年Mallat和Zhang提出了信号的稀疏表示，在信号逼近上取得了出色的表现，迅速引起了广大学者的普遍关注，信号稀疏表示研究很快被从一维信号推广到二维信号图像的研究上。

稀疏表示的模型可以表示为：

式中为向量的l0范数，表示向量x中非零元素的个数，x即为信号y的稀疏表示。

在数字图像处理中，由于图像的数据信息具有冗余性，为冗余字典，因此可以在冗余字典上进行稀疏表示，y则为图像子块的列向量表示。如何构造表达能力强、训练简单的冗余字典是图像处理中的关键一步，自稀疏表示理论的提出，在图像去噪、去模糊、超分辨率、图像修复等方面得到了广泛的应用，取得了比传统方法更好的处理结果。

1 稀疏表示理论在提高数字图像质量中的应用

Michael Elad是较早将稀疏表示理论应用于图像去噪与超分辨率的代表人物[1]，他将K均值聚类方法引入字典训练过程中。在K均值算法中，求解一个包括K个代码的码本，使得在此码本上，根据最邻近分配法则，对包含N个信号的集合进行分类，得到最佳分类。在稀疏表示中，稀疏表示的过程可以看做广义矢量量化过程，其中的每个信号用多个代码的线性组合表示。当要求K-SVD中的每个信号只能用一个原子来近似时，K-SVD算法就退化为K均值算法。K-SVD在稀疏编码与字典更新之间交替迭代，保证总误差单调下降，因此可保证能收敛到局部（或全局）最小值，从而得到性能优良的过完备字典。K-SVD训练字典方法广泛的应用在图像复原问题上。基于K-SVD训练得到的过完备字典，取得了较好的图像去噪与超分辨率结果。

统计学中的主成分分析（PCA）的概念，也被引入到字典训练当中。在统计学当中，变量个数太多会增加问题的复杂性主成分分析作为一种统计分析方法，它可以从多元事物中解析出主要影响因素，简化复杂问题。PCA的核心思想，就是将高维数据投影到低维空间。寻找 r 个新变量，使其反映事物的主要特征，每个新变量是原有变量的线性组合，体现原有变量的综合效果，则这 r 个新变量称之为“主成分”，它们两两正交不相关。这 r 个主成分可以在很大程度上反映原来变量的信息。Hui Zou引入了SPCA（Sparse PCA）的概念，他修改了传统的PCA方法，利用主成分负载的稀疏性，使算法变得更加易懂，且得到更为稀疏的结果。

形态学成分分析（MCA）作为一种新兴的信号分解方法，吸引了很多人的注意。MCA根据图像信号组成成分的形态差异性，将图像内容分割为纹理区域和卡通区域。不同区域其拟合字典类型不同。小波变换可以很好的表示图像光滑区域的特征，curvelet变换通过带方向的局部傅里叶基，可以有效的处理边缘特征。离散余弦变换（DCT）以及Gabor变换是纹理区经常采用的两种处理方式。MCA充分的考虑了图像的结构组成部分以及内部特征，广泛用于盲源分离、图像分解、图像修补等。

Julien Mairal将自然图像的自相似性引入到图像恢复模型中。图像的自相似性，其根本是自然图像的统计特征。Julien Mairal非局部模型与稀疏编码结合成一个框架，将噪声在相似块之间进行平均，取得了较好的去噪、去马赛克结果。同样，自相似性在图像去模糊、图像修补方面也展示了其良好的性能。

Weisheng Dong提出了一种新的图像复原模型CSR，利用减小退化图像分解系数与原图分解系数之间的差异来达到复原图像的目的，其本质是自相似性的应用。在超分辨率方面，他提出了自适应稀疏域选择超分辨率算法，认为超分辨率重建结果的优劣很大部分取决于稀疏域的选择，对输入的样本先采用K-均值聚类，采用PCA算法进行词典训练，将非局部相似性（NL）和图像去噪中的自回归（AR）模型与超分辨率重建模型有效结合，提高了超分辨率重建质量。

Nebojsa创造性的提出了图像摘要的概念。他将图像的特征提取为一幅摘要图，在图像处理过程中，对该摘要图进行分解处理，这是合理并且有效的。Louise 利用该思想，在图像去噪方面取得了较好的去噪结果。

Kostadin在变换域，通过一组协作滤波器，将一幅图像中结构相似的二位块聚合成一组，形成一个三维模型，以增强其表示的稀疏性。Aram利用该3D理论，建立了一个新的图像模型―BM3D。BM3D在图像复原方面表现了其卓越的性能。

最近，保持图像几何结构的思想吸引了很多人的注意。Samy Bengio将图像分割成相互重叠的块，结构相似的块组成一个群组，分别对每个组进行分解训练，这就是群组编码的思想，其基本思想类似于非局部思想，也是利用了自然图像的自相似性。关于结构稀疏方面的研究展示了结构分组比简单不重叠的分组更一般的特性。例如，树状分组或是重叠分组。结构稀疏正则化具有十分广阔的应用前景。结构稀疏PCA作为一种新型的有效的非凸稀疏方法，在字典训练方面，可以取得较为理想的结果。

纵观稀疏表示理论出现以后的图像处理论文，广大研究者着重于研究如何获得表示能力强的冗余字典，以及通过结合多重约束，如平滑约束，相似性约束，几何结构不变性约束等来得到高质量的图像，近年来取得了很大的进展。但是稀疏表示属于一种优化问题，涉及到字典学习和稀疏求解的计算过程比较复杂，因而对于该理论在图像的实时处理上受到了限制，因此如何缩短计算时间也是这个模型急需解决的问题。

2 结语

篇11

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2013）12-0041-04

1 引言

遥感是一门综合性探测技术，大大扩展了人们的观察视野及观测领域，在城市规划、环境保护、全球变化、土地监测以及军事等领域的应用具有显著的优越性和重要性。

在遥感图像形成和传输过程中，由于系统本身存在的缺陷、传输介质等因素的影响，会受到多种噪声的污染。噪声的存在会降低图像的质量，抑制有用的信息，影响信息的精度，甚至会导致错误的判断。要更好实现遥感的应用，必须对图像进行复原处理。

3.1 方法流程

本文所述方法的流程可分为两大部分：第一部分为遥感图像块的统计特性建模；第二部分为基于图像块统计特性的EPLL遥感图像去噪方法。将所建立的模型作为先验知识运用到EPLL复原方法中，通过对两个分步骤进行迭代的方式优化去噪结果。本文所研究的方法用于遥感图像去噪的流程如图1所示。

3.2 遥感图像块的统计特性建模

4 实验与结果分析

4.1 实验数据

训练数据：建立遥感图像数据库，数据库收录了不同传感器生成的城镇、山地、港口和平原等不同场景内容以及不同分辨率的200幅遥感图像。从数据库中随机选取个的图像块，组成一个的训练数据集，作为遥感图像块统计特性建模的输入样本。其中，数据集的每一列表示一个图像块。

测试数据：从数据库以外随机选取5幅遥感图像作为测试图像，图像包含了城镇、港口、山地、平原等不同场景，如图2所示。

4.2 实验设置

设定高斯混合模型的混合部分为200个，输入训练数据集，运用EM算法，求得高斯混合模型的参数，和，建立遥感图像基于块的高斯混合模型。将该模型作为本文所述EPLL复原方法的先验知识。

在这里，我们设定，，其中，为图像块的像素点个数。

4.3 实验结果

为了验证本文方法的有效性，我们在5幅测试图像中分别加入标准方差为25的高斯白噪声，分别采用本文基于图像块统计特性的EPLL去噪方法、BM3D、KSVD和小波变换方法对测试图像进行去噪处理。去噪结果如图3（2幅）所示。

为了进一步比较实验结果，使用峰值信噪比（PSNR）和图像结构相似度（SSIM）来对去噪后的图像质量进行定量比较，结果如表1所示。

实验结果表明，被相同噪声污染的测试图像经过基于图像块统计特性的EPLL方法复原后，图像质量明显得到改善。其实验结果明显优于KSVD和小波变换。与BM3D方法相比，对平原、山地等场景的图像去噪效果较好，对城镇等场景的图像去噪效果略低于BM3D方法。但是，BM3D方法在去噪过程中产生了平滑效应，而我们的方法在获得相当去噪效果的同时，很好地保护了图像的细节。

为了进一步研究EPLL方法的噪声去除能力，我们在三组测试图中依次加入标准方差为15、35、45、55和65的高斯噪声，并采用上述不同的方法对每张噪声污染图像进行去噪处理。表2和表3分别统计了在不同噪声方差的高斯噪声条件下，不同去噪方法对三组测试图的去噪结果PSNR和SSIM值。比较统计的数值，可以看出噪声标准方差小于45时，EPLL复原方法要优于其他几种方法，在噪声标准方差大于45时，EPLL复原方法对噪声的去除能力与BM3D方法相当，并明显优于其他两种方法。

5 结语

本文探讨了一种基于图像块统计特性的EPLL遥感图像去噪方法。建立了遥感图像块的高斯混合模型。并以该模型为先验知识，结合EPLL复原方法对遥感图像进行了去噪处理。实验结果表明，以图像块统计特性为先验知识的EPLL去噪方法可以有效去除遥感图像中的噪声，并较好的保护了图像细节。

从实验结果的对比中，我们可以看到本文所述的方法与BM3D方法相当，优于其他三种方法。从实验数据的选取来分析，收入的遥感图像中，城镇等人造建筑的场景只占小部分，平原、山地等自然景物所占比例大。对城镇等场景的图像去噪结果与BM3D方法相当可能是因为随机选取的训练图像块中城镇等人造场景所占比例少。可以预见，如果对遥感图像进行分类处理的话，去噪效果应该会优于其他方法。在下一步的研究中，我们将对遥感图像数据库按不同场景和内容分类，分别建立数据库以及统计特性模型，按场景进行分类去噪。

参考文献

[1]霍宏涛，等著.数字图像处理[M].北京理工大学出版社，2002：106.

[2]冈萨雷斯，等著.阮秋琦等译，数字图像处理（第二版）[M].北京：电子工业出版社，2007：183.

[3]沈峘，李舜酩，等.数字图像复原技术综述[A].中国图象图形学报，2009，14（9）：1764-1775.

[4]陈武凡，李超，陈和晏.空域中退化图像恢复的有效算法[J].计算机学报，1999，22（12）：1268-1271.

[5]W.Richardson，Bayesian-based iterative method of image restoration，Journal of the Optical Society of America A，1972，62：55-59.

[6]J.Jia，Single image motion deblurring using transparency，IEEE Conference on Computer Vision and Pattern Recognition，2007：1-8.

[7]Y.Wan，R.Nowak，A bayesian multiscale approach to joint image restoration and edge detection，SPIE Proc.In Wavelet Applications in Signal and Image Processing，1999.

[8]A.W.Fitzgibbon，Y.Wexler，A.Zisserman，Image-based rendering using image-based priors，International Conference on Computer Vision，2003，2：1176-1183.

篇12

引言

某机载通信天线在飞机上安装之前，要在试验室内完成收发天线定向试验测量。定向测量在摇摆台上进行，天线阵面可360度旋转，角速度为每秒7度到8度，俯仰变化范围为-20度到90度，测量精度为0.2°，测量接收与发射天线阵面运动过程中的姿态变化，确定两个天线的定向误差大小。要完成此工作，需要构建一套由高清相机组成的天线阵面姿态测量系统，完成天线阵面的姿态参数测量。

在这种测量系统中，由于使用的是普通的工业镜头，所以存在着光学系统的畸变。一般光学镜头的典型畸变量为2‰～2%，并且随着光圈F值的减小而增大。为了提高测量系统的测量精度，必须对光学检测系统中出现的成像畸变进行校正。

本文主要讨论了天线阵面姿态测量系统中光学系统畸变的校正。根据像差理论建立了三次多项式的畸变校正模型，分析比较了不同的灰度重建方法的优缺点，采用了三次卷积法的灰度重建，进行了实验仿真。校正后的图像可用于天线阵面姿态的高精度测量。

一、图像几何畸变校正模型

图像几何畸变的校正方法一般可分为两大类[1，2]：系统校正法和基于参考点的校正法。系统校正法是利用引起几何畸变的若干特征参量信息及其分布规律进行系统校正，显然这要获得相应特征参数及其分布的精确测量值；基于参考点的校正法需要在畸变前后的图像中找到对应的控制点对，根据最小均方误差等准则，找到两组坐标之间的变换关系，对畸变图像进行变换校正。

像点到光轴的理想距离与物点到光轴的距离成线性关系，畸变是距离偏离了理想值，初级畸变与距离成三次方关系[3]，此时轴外直线成像为曲线，畸变距离比理想距离或大或小，相应的畸变一般分为桶形和枕形两种[4]。

[1] Nomura Y ，Sagara M， Naruse H. Simple calibration Algorithm for high Cdistortion-lens camera[J]. IEEE Trans Pattarn Anal Machine Intell， 1992，14：1095-1099

[2]杨必武，郭晓松.摄像机镜头非线性畸变校正方法综述[J].中国图像图像学报，2005，10（3）：269-274

[3]王之江，伍树东著.成像光学[M].北京：科学出版社，1991. 105-111

[4]郭 羽，杨 红，杨照金等.CCD摄像系统镜头的畸变测量[J].应用光学，2008，29（2）： 279-282

[5]刘金根.一种基于现场定标的光电图像畸变校正算法[J]. 光子学报， 2004，33（6）：732-735