首頁 > 優(yōu)秀范文 > 圖像處理技術(shù)論文
時間：2023-04-03 10:01:57
序論：速發(fā)表網(wǎng)結(jié)合其深厚的文秘經(jīng)驗，特別為您篩選了11篇圖像處理技術(shù)論文范文。如果您需要更多原創(chuàng)資料，歡迎隨時與我們的客服老師聯(lián)系，希望您能從中汲取靈感和知識！
計算機圖像處理技術(shù)是通過計算機對圖像分析處理達到需要的結(jié)果的一項技術(shù)。一般被稱作數(shù)字圖像處理，通過掃描、攝像機等設(shè)備經(jīng)過數(shù)字化之后得到二維數(shù)組，就是像素。計算機圖像處理技術(shù)主要包括以下三個部分：（1）圖像增強與復(fù)原：由于需要改進圖片的質(zhì)量，這就需要對圖片進行圖像增強，通過低通濾波可以將圖片中的噪音去掉；通過高通濾波可以將邊緣等高頻信號進行增強，使圖片清晰。復(fù)原則是在已知模型的特定模糊和噪音程度情況下估計出原來圖像的技術(shù)。（2）圖像壓縮：由于圖像的數(shù)據(jù)比較巨大，對圖片儲存和傳輸都比較困難，因此，需要對圖像進行壓縮，以節(jié)省存儲空間和減少傳輸時間。圖像壓縮分為對靜態(tài)圖像的不失真壓縮方法和用于動態(tài)圖像的近似壓縮方法。（3）圖像匹配、描述與識別：這是圖像處理的主要目的，得到不再是具有隨機分布性質(zhì)的文件，而是具有明確意義的符號、數(shù)值構(gòu)成的圖形。
3計算機圖像處理技術(shù)的主要應(yīng)用領(lǐng)域
3.1計算機輔助設(shè)計與制造技術(shù)
這項技術(shù)學(xué)科交叉、知識比較密集、應(yīng)用范圍比較廣泛，是綜合性應(yīng)用技術(shù)，由計算機與制造工程兩個技術(shù)相互滲透，相互結(jié)合。是先進技術(shù)的重要組成部分，計算機輔助設(shè)計與制造技術(shù)是一個國家工業(yè)現(xiàn)代化與科技水平的主要衡量標準之一。這項技術(shù)在工業(yè)領(lǐng)域中最主要的代表就是CAD與CAM這兩項實用工具。同時，在建筑設(shè)計、裝潢設(shè)計等領(lǐng)域也應(yīng)用廣泛，也可以用來進行對飛機、汽車等工具的外形設(shè)計。當(dāng)然，在其他方面也應(yīng)用廣泛，而且得到的效果非常好，比如：電路板的印刷、網(wǎng)絡(luò)分析等等方面。
3.2遙感圖像處理系統(tǒng)
遙感技術(shù)的發(fā)展推動了高質(zhì)量的不同波段遙感數(shù)字圖像被廣泛運用于農(nóng)林牧副漁等行業(yè)的科技現(xiàn)代化之中。圖像處理在遙感技術(shù)領(lǐng)域有著十分重要的地位，將來會形成快速成像與信息自動化提取系統(tǒng)，而這個系統(tǒng)也是以圖像處理為主。遙感圖像處理技術(shù)功能將會不斷完善，得到更大的發(fā)展。
4計算機圖像處理技術(shù)的發(fā)展前景
現(xiàn)代科技的進步使計算機技術(shù)得到快速的發(fā)展，也就使計算機技術(shù)運用在圖像處理中有了可能，并且在圖像處理中產(chǎn)生了很重要的影響?，F(xiàn)在人們對圖像的要求越來越高，想要滿足人們越來越高的要求，就必須不斷進步、不斷創(chuàng)新。計算機技術(shù)將會越來越廣泛的運用于社會中，圖像處理技術(shù)也會越來越依賴計算機。隨著大量的成熟軟件的不斷被研發(fā)，既有專業(yè)軟件，也有普通軟件，可以滿足所有人的要求。技術(shù)人員應(yīng)該開發(fā)新技術(shù)來滿足更多、更復(fù)雜的圖像處理要求，使圖像更加的豐富多彩。
0引言
全息技術(shù)是物理學(xué)中一重要發(fā)現(xiàn)，越來越多的應(yīng)用于各個行業(yè)。伴隨著CCD技術(shù)和計算機技術(shù)的發(fā)展，全息技術(shù)也得到一次質(zhì)的飛躍，從傳統(tǒng)光學(xué)全息到數(shù)字全息。傳統(tǒng)光學(xué)全息將物光和參考光干涉得到全息照片來記錄光的振幅和相位信息，而數(shù)字全息則用CCD記錄物光和參考光的干涉，形成數(shù)字全息圖，再通過計算機圖像處理技術(shù)處理全息圖。因此，影響數(shù)字全息技術(shù)發(fā)展有兩個重要方面：CCD技術(shù)和計算機圖像處理技術(shù)。本文將從計算機應(yīng)用方面闡述圖像處理技術(shù)在全息中的應(yīng)用。
1圖像處理技術(shù)
圖像是現(xiàn)代社會人們獲取信息的一個主要手段。人們用各種觀測系統(tǒng)以不同的形式和手段獲得圖像，以拓展其認識的范圍。圖像以各種形式出現(xiàn)，可視的、不可視的，抽象的、實際的，計算機可以處理的和不適合計算機處理的。但究其本質(zhì)來說，圖像主要分為兩大類：一類是模擬圖像，包括光學(xué)圖像、照相圖像、電視圖像等。它的處理速度快，但精度和靈活性差。另一類是數(shù)字圖像。它是將連續(xù)的模擬圖像離散化后處理變成為計算機能夠辨識的點陣圖像。從數(shù)字上看，數(shù)字圖像就是被量化的二維采樣數(shù)組。它是計算機技術(shù)發(fā)展的產(chǎn)物，具有精度高、處理方便和重復(fù)性好等特點。
圖像處理就是將圖像轉(zhuǎn)化為一個數(shù)字矩陣存放在計算機中，并采用一定的算法對其進行處理。圖像處理的基礎(chǔ)是數(shù)學(xué)，最主要任務(wù)就是各種算法的設(shè)計和實現(xiàn)。目前，圖像處理技術(shù)已經(jīng)在很多方面有著廣泛的應(yīng)用。如通訊技術(shù)、遙感技術(shù)、生物醫(yī)學(xué)、工業(yè)生產(chǎn)、計算機科學(xué)等等。根據(jù)應(yīng)用領(lǐng)域的不同要求，可以將圖像處理技術(shù)劃分為許多分支，其中比較重要的分支有：①圖像數(shù)字化：通過采樣和量化將模擬圖像變成便于計算機處理的數(shù)字形式。③圖像的增強和復(fù)原：主要目的是增強圖像中的有用信息，削弱干擾和噪聲，使圖像清晰或?qū)⑥D(zhuǎn)化為更適合分析的形式。③圖像編碼：在滿足一定的保真條件下，對圖像進行編碼處理，達到壓縮圖像信息量，簡化圖像的目的。以便于存儲和傳輸。④圖像重建：主要是利用采集的數(shù)據(jù)來重建出圖像。圖像重建的主要算法有代數(shù)法、傅立葉反投影法和使用廣泛的卷積反投影法等。⑤模式識別：識別是圖像處理的主要目的。如：指紋鑒別、人臉識別等是模式識別的內(nèi)容。當(dāng)今的模式識別方法通常有三種：統(tǒng)計識別法、句法結(jié)構(gòu)模式識別法和模糊識別法。⑥計算機圖形學(xué)：用計算機將實際上不存在的，只是概念上所表示的物體進行圖像處理和顯現(xiàn)出來。
2計算機圖像處理技術(shù)在全息學(xué)中的應(yīng)用
圖像處理技術(shù)在全息中的應(yīng)用主要表現(xiàn)在：一是計算全息，基于計算機圖形學(xué)將計算機技術(shù)與光全息技術(shù)結(jié)合起來，通過計算機模擬、計算、處理，制作出全息圖。因此它可以記錄物理上不存在的實物。二是利用圖像的增強和復(fù)原，圖像編碼技術(shù)等對數(shù)字全息圖像質(zhì)進行提高以及實現(xiàn)的各種算法。它的應(yīng)用大致可以分為兩大類，即空域法和頻域法：①空域法：這種方法是把圖像看作是平面中各個像素組成的集合，然后直接對這一二維函數(shù)進行相應(yīng)的處理?？沼蛱幚矸ㄖ饕邢旅鎯纱箢?一是領(lǐng)域處理法。其中包括梯度運算(GradientAlgorithm)，拉普拉斯算子運算(LaplacianOperator)，平滑算子運算(SmoothingOperator)和卷積運算(ConvolutionAlgorithm)。二是點處理法。包括灰度處理(greyprocessing)，面積、周長、體積、重心運算等等。②頻域法：數(shù)字圖像處理的頻域處理方法是首先對圖像進行正交變換，得到變換頻域系列陣列，然后再施行各種處理，處理后再反變換到空間域，得到處理結(jié)果。這類處包括:濾波、數(shù)據(jù)壓縮、特征提取等處理。
3模擬實驗
本文運用matlab軟件，利用圖像處理技術(shù)，編寫了程序，以模擬計算全息和實現(xiàn)全息圖像的濾波。圖1是計算全息實現(xiàn)流程圖。
本文將運用matlab程序設(shè)計語言實現(xiàn)計算全息的制作、再現(xiàn)過程。標有“涉”一字，圖像尺寸為1024像素×1024像素；。模擬實驗中用到的參數(shù)為：激光模擬了氦氖激光器，波長為638.2nm；再現(xiàn)距離為40cm；因為原始物圖的尺寸用像素為單位表示，所以像素分辨率為1。
從模擬實驗中可以看出，數(shù)字全息的處理過程其實就是計算機圖像處理在全息技術(shù)的應(yīng)用過程。利用計算機圖像處理技術(shù)對全息圖進行了記錄，將物光和參考光干涉得到了全息圖。并利用圖像的增強和復(fù)原對圖像進行了處理，以消除噪聲，得到更好的全息再現(xiàn)象。
本文僅模擬了計算全息的實現(xiàn)和再現(xiàn)過程，其實，計算機圖像處理在全息技術(shù)中的應(yīng)用是全方位的，用實驗方法得到的全息圖中包含了更多的其他無用信息（噪聲），圖像處理技術(shù)在這里就顯得尤為重要。隨著計算機圖像處理技術(shù)的進一步發(fā)展，全息技術(shù)必然會迎來新的一輪發(fā)展和飛躍。超級秘書網(wǎng)：
參考文獻：
[1]周燦林，亢一瀾.數(shù)字全息干涉法用于變形測量.光子學(xué)報，2004，13（2）：171－173.
2計算機圖像處理技術(shù)在網(wǎng)頁設(shè)計中的應(yīng)用
在網(wǎng)頁設(shè)計的過程中，圖像的處理和美化是其中最重要的環(huán)節(jié)之一，在一些較為復(fù)雜的網(wǎng)頁中，可能會包含一些動態(tài)的圖像以及flash元素等，這些元素的存在無疑增加了網(wǎng)頁的特色，同時，也會提高客戶體驗，為了保持這些元素的鮮明性就需要將計算機圖像處理技術(shù)很好的應(yīng)用到網(wǎng)頁設(shè)計中，提高網(wǎng)頁質(zhì)量的同時，增加網(wǎng)頁的特點。
2.1滿足網(wǎng)頁設(shè)計中對于圖片格式的需求
滿足網(wǎng)頁設(shè)計中對圖片格式的需求是網(wǎng)頁設(shè)計過程中最基礎(chǔ)的環(huán)節(jié)，在網(wǎng)頁設(shè)計中，需要各種不同的元素來組成一個完整的、特色鮮明的網(wǎng)頁，從而讓瀏覽者瞬間獲取自己所需要的信息和資源，同時，網(wǎng)頁設(shè)計必須具有一定的便捷性，這樣才能有效的增加用戶體驗，同時增強用戶瀏覽體驗的感受，由此可見，圖像的處理是網(wǎng)頁設(shè)計中最基礎(chǔ)的內(nèi)容，所以，計算機圖像處理技術(shù)首先需要處理的就是網(wǎng)頁設(shè)計中的圖像問題，其中jpeg是最為常用的圖片格式，而gif可以實現(xiàn)圖像的動態(tài)效果，由于這兩種的網(wǎng)絡(luò)圖像格式所需要的參數(shù)和規(guī)格是不盡相同的，所以在應(yīng)用計算機圖像處理技術(shù)時，應(yīng)該滿足其格式的不同需求。
2.2對網(wǎng)頁設(shè)計中圖像的大小進行控制
眾所周知，計算機的長度和寬度是有限的，這在一定程度上就決定了網(wǎng)頁設(shè)計的圖像也應(yīng)該是有一定的規(guī)格，同時，為了保障網(wǎng)頁瀏覽的清晰度和流暢度，就需要對網(wǎng)頁中的圖像進行一些特定的處理來限制其圖像的大小，由于圖像的大小與其所展現(xiàn)的清晰度有直接關(guān)系，所以，需要借助計算機圖像處理技術(shù)來進行處理，以此來緩解清晰度和圖像大小之間的矛盾，在追求圖片高清晰度的同時，提高網(wǎng)頁加載的速度和質(zhì)量，同時提高網(wǎng)頁瀏覽的效果。計算機圖像處理技術(shù)主要是一種針對jpeg圖片進行處理來權(quán)衡加載速度和網(wǎng)頁瀏覽效果的一種技術(shù)，從而提高網(wǎng)頁設(shè)計的瀏覽效果和網(wǎng)頁質(zhì)量。
2.3對網(wǎng)頁設(shè)計進行進一步的開發(fā)
只有綜合運用計算機圖像處理技術(shù)對網(wǎng)頁設(shè)計進行進一步的開發(fā)和應(yīng)用，才能從根本上提高網(wǎng)頁設(shè)計效果，近年來，計算機圖像處理技術(shù)主要是以軟件為主，photoshop是目前最為常用的圖片處理軟件，但是，隨著網(wǎng)頁設(shè)計的不斷普及和發(fā)展，出現(xiàn)了更多網(wǎng)頁個體設(shè)計者，為了滿足不同個體對網(wǎng)頁設(shè)計的個性化需求，同時帶動個體成為網(wǎng)頁設(shè)計的主流，豐富網(wǎng)頁的內(nèi)容和色彩，就需要適當(dāng)?shù)慕档陀嬎銠C圖像處理技術(shù)的技術(shù)水平，以此滿足社會大眾的需求，其中photoshop的圖片處理功能相對強大，但是photoshop主要是針對專業(yè)的網(wǎng)頁設(shè)計人員開發(fā)的一種技術(shù)處理軟件，所以，對于那些非專業(yè)的網(wǎng)頁設(shè)計者，這個軟件具有一定的難度，這在一定程度上限制了網(wǎng)頁設(shè)計的普及和發(fā)展，所以，為了滿足更多網(wǎng)頁開發(fā)者的設(shè)計體驗，要不斷開發(fā)出一些相對簡單和實用的計算機圖像處理技術(shù)，進而推動計算機圖像處理技術(shù)的革新和技術(shù)升級。
醫(yī)學(xué)圖像處理技術(shù)包括很多方面,如:圖像恢復(fù)、圖像重建、圖像分割、圖像提取、圖象融合、圖象配準、圖像分析、圖像識別等等。進行醫(yī)學(xué)圖像處理的最終目的是實際應(yīng)用于醫(yī)學(xué)輔助、工業(yè)區(qū)生產(chǎn)、科學(xué)研究等方面,所以其具有較廣泛的應(yīng)用價值和研究意義。醫(yī)學(xué)圖像處理的對象是各種不同模態(tài)的醫(yī)學(xué)影像。在醫(yī)學(xué)臨床的使用中,醫(yī)學(xué)影像主要有超聲波(UI)、X-射線(X-CT)、核磁共振成像(MRI)、核醫(yī)學(xué)成像(NMI)等。隨著計算機技術(shù)的發(fā)展,醫(yī)學(xué)影像技術(shù)已成為一門新興交叉學(xué)科,目前是計算技術(shù)與醫(yī)學(xué)結(jié)合技術(shù)中發(fā)展最快的領(lǐng)域之一。借助有力的醫(yī)學(xué)圖像處理技術(shù)手段,極大的改善了醫(yī)學(xué)影像的質(zhì)量和顯示方法,其成果使臨床醫(yī)生能更直接、更清晰地觀察人體內(nèi)部組織及病變部位,確診率也得到了提高。這不僅使醫(yī)學(xué)臨床診斷水平在現(xiàn)有的醫(yī)療設(shè)備的基礎(chǔ)上得到極大地提高,并且能使醫(yī)學(xué)研究與教學(xué)、醫(yī)學(xué)培訓(xùn)、計算機輔助臨床外科手術(shù)等實現(xiàn)數(shù)字化應(yīng)用,從而為醫(yī)學(xué)研究與發(fā)展提供堅實的基礎(chǔ),在醫(yī)學(xué)應(yīng)用中具有不可估量的實用價值。
醫(yī)學(xué)圖像與普通圖像相比,具有以下幾方面的特點(1)醫(yī)學(xué)圖像具有灰度上的含糊性。表現(xiàn)為兩方面:一方面是由于成像技術(shù)上的原因帶來的噪聲擾,往往使物體邊緣的高頻信號被模糊化;另一方面,由于人體組織的螺動等現(xiàn)象會造成圖像在一定程度上產(chǎn)生模糊效應(yīng)。(2)局部體效應(yīng)。處于邊界上的像素中,通常同時包含了邊界和物質(zhì),使得難以精確地描述圖像中物體的邊緣、拐角及區(qū)域間的關(guān)系,加之假如出現(xiàn)病變組織,則其會侵襲周圍正常組織,導(dǎo)致其邊緣無法明確界定。
1.2論文的研究目標及工作
1.2.1論文主要涉及的三方面基礎(chǔ)理論
論文主要涉及馬爾科夫隨機場(MRF)理論、模糊集理論及Dempster-shafe證據(jù)理論三個方面的基礎(chǔ)理論,下面分別作介紹:1)馬爾科夫隨機場(MRF)理論基于隨機場的圖像分割方法是一類考慮像素點間的空間關(guān)聯(lián)性的統(tǒng)計學(xué)方法。其實質(zhì)是從統(tǒng)計學(xué)的角度出發(fā),將圖像中各像素點的灰度值看作是具有一定概率分布的隨機變量,從而對數(shù)字圖像進行建模。Cristian Lorenz等人,在醫(yī)學(xué)圖像分割中提出了一種可應(yīng)用于任意拓撲結(jié)構(gòu)的新型統(tǒng)計模型。根據(jù)馬爾科夫隨機場圖像模型,利用最大后驗概率準則(MAP),提出一種迭代松弛算法。MRF模型能夠區(qū)分不同紋理的分布,其特別適用于紋理圖像的分割。但使用MRF模型進行分割的關(guān)鍵問題在于參數(shù)估計,所以分割的效果往往取決于對參數(shù)估計的準確度。為此通常在分割與參數(shù)估計間進行輪流迭代計算,例如:先初始化參數(shù),在此基礎(chǔ)上分割,再利用分割的結(jié)果對參數(shù)進行進一步的估計,然后再分割,如此直到滿足收斂條件。然而此類方法只能利用單一的圖像信息,不能綜合利用多種圖像信息。
第二章馬爾科夫隨機場(MRF、理論及其應(yīng)用
馬爾科夫隨機場簡稱,是英文Morkov Random Fields的縮寫。它包含了兩層意思:一個是馬爾科夫(Morkov)性質(zhì);一個是隨機場性質(zhì)。它是基于統(tǒng)計學(xué)的分割方法在醫(yī)學(xué)圖像分割的應(yīng)用中,最為常用的一種方法。圖像具有高度的空間信息相關(guān)性,而馬爾科夫隨機場(腫)恰好具有有效描述空間信息相關(guān)性的特點,加之其具有完善的數(shù)學(xué)理論和性質(zhì),所以廣泛的被應(yīng)用于圖像的處理中,如:圖像的恢復(fù)、紋理的提取、模板的匹配和圖像的分割等。娜于圖像的分割,對噪聲有很好的抑制作用;同時是基于模型的方法,所以容易與其它方法結(jié)合是它的優(yōu)點。在本文中主要用于腦部—圖像的預(yù)處理及前期的分割。下面介紹馬爾科夫隨機場(MRF )的基本理論及其在本文中的應(yīng)用。
2.1馬爾科夫隨機場CMRF )基本理論
2.1.1一維馬爾科夫(MARKOV)隨機過程
過程(或系統(tǒng))在Zg時刻(即? = /q)的狀態(tài)己知,若過程在/Q后面的時刻,即的狀態(tài)與過程在時刻之前(即
2.2圖像中馬爾科夫隨機場、MRF )模型的建立
2.2.1鄰域系統(tǒng)與勢團(Cliques)
由本文2.1.2小節(jié)中馬爾科夫隨機場(娜)的定義中,任何滿足條件1)非負性的概率都由條件2)中的描述馬爾科夫(MARKOV)性的條件概率所唯一確定。條件2)中的條件概率所描述的也稱為隨機場F (本文中也即數(shù)字圖像)的局部特性。而條件2)中的條件概率的直接求得是很困難的,由概率論中條件概率的公式可知要求的尸C/i 需要知道即需要知道隨機場的聯(lián)合分布,而馬爾科夫隨機場)是用條件概率來定義的,不能很好反映的聯(lián)合分布。也就意味著由馬爾科夫隨機場(MRF )的局部特性來定義整個場的全局特性是存在困難的。以上問題的解決要歸功于Hammersley-Clifford定理,該定理給出了馬爾科夫隨機場隨機場(MRF )與吉布斯隨機場(GRF )的等價關(guān)系,從而可以用吉布斯(Gibbs)分布來求解中的概率分布問題。
1.1論文研究的目的和意義………………1
1.1.1醫(yī)學(xué)圖像處理的特點及重要性……………… 1
1.1.2醫(yī)學(xué)圖像分割中存在的問題、現(xiàn)狀及發(fā)展………2
1.1.3醫(yī)學(xué)圖像分割的方法………………
1.2論文的研究目標及工作………………6
1.3本文組織結(jié)構(gòu)………………9
第二章馬爾科夫隨機場(MRF、理論及其應(yīng)用………………11
2.1馬爾科夫隨機場、MRF )基本理論……………… 11
2.2圖像中馬爾科夫隨機場QMRF )模型的建立………12
2.3估計準則與優(yōu)化算法………………16
1引言
煙葉是煙草工業(yè)的基礎(chǔ)原料， 對煙草工業(yè)生產(chǎn)質(zhì)量和煙草行業(yè)經(jīng)營效益具有舉足輕重的作用。對煙葉生產(chǎn)過程的各個環(huán)節(jié)包括煙葉品質(zhì)的智能識別進行技術(shù)創(chuàng)新，提高品質(zhì)和效率，是一個前沿研究方向[1][5]。
當(dāng)前這一方面的研究，主要集中在數(shù)字圖像處理方面，把煙葉品質(zhì)的數(shù)字圖像處理與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，實現(xiàn)煙葉品質(zhì)的智能識別，是一個極有價值的工作。以下在此方面作出一個系統(tǒng)的、較為完備的、易于實際操作的研究。
2主要技術(shù)手段
2．1 MAⅡAB圖像處理工具箱
在MATLAB平臺上，借助圖像處理工具箱，可以簡易明快地實現(xiàn)對煙葉數(shù)字圖像的圖像處理。在煙葉生產(chǎn)一線，用數(shù)碼照相機對各種煙葉樣本進行拍照，輸入計算機，用MAT_LAB將它轉(zhuǎn)換為各(．bmp；．jpeg；．gif；．png；．t 圖片以便進行圖像處理。成本低，精確度高，宜于普及推廣。獲取各種類型的煙葉數(shù)字圖像以后，經(jīng)閾值使用權(quán)圖像二值化，可以當(dāng)即辨識出這一圖像是否具有何種類型的病蟲害或品質(zhì)異變。利用煙葉數(shù)字圖像的邊緣檢測、輪廓提取等分析命令，獲得待測煙葉的圖像參數(shù)和特征，再由神經(jīng)網(wǎng)絡(luò)技術(shù)，完成對煙葉品質(zhì)的智能識別。
2．2神經(jīng)網(wǎng)絡(luò)技術(shù)
神經(jīng)網(wǎng)絡(luò)是一個新的智能識別工具。畢業(yè)論文 經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠存儲與過程有關(guān)的信息，能直接從歷史數(shù)據(jù)中學(xué)習(xí)，經(jīng)過用各種煙葉樣本訓(xùn)練和學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，能自動地識別出待測煙葉樣本的品質(zhì)類型。而且，神經(jīng)網(wǎng)絡(luò)具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力。這一點對于煙葉生產(chǎn)實際中大量存在各種噪聲信息的情況而言，特別重要。它特別適合在線識別。
3應(yīng)用MATLAB圖像處理工具箱和神經(jīng)網(wǎng)絡(luò)技術(shù)對煙葉品質(zhì)智能識別的操作過程
3．1煙葉圖片樣本庫的建立
用數(shù)碼相機或其它數(shù)字圖像采集工具，采集各種類型的煙葉的標準圖片，分類歸檔，借助MATLAB圖像變換功能，將各種類型的煙葉的標準圖片，轉(zhuǎn)換成各種圖片形式：．bmp；．jpeg；．sir；．png；．tif等，以便隨時調(diào)用。這些煙葉圖片，有不同品質(zhì)的樣本；還有各種病蟲害標本和變異標本。
3．2用直方圖均衡來實現(xiàn)圖像增強
當(dāng)從生產(chǎn)一線采集的煙葉待測樣本的圖像對比度較低，碩士論文 即灰度直方圖分布區(qū)間較窄時，可用直方圖均衡實現(xiàn)灰度分布區(qū)間展寬而達到圖像增強的效果。
3．3煙葉圖像的邊緣檢測和特征提取
煙葉圖像的基本特征之一是圖像邊緣。圖像邊緣是圖像周圍像素灰度有階躍性變化或屋頂變化的像素的集合。煙葉的邊緣是由灰度的不連續(xù)性所致，因此考察圖像每個像素在某個鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律可以檢測煙葉圖像邊緣。圖像特征反映煙葉的幾何結(jié)構(gòu)，如面積、周長、分形分維數(shù)、孔洞數(shù)、歐拉數(shù)等等。圖像特征的選擇是圖像識別的重要環(huán)節(jié)。運用二叉分類法在找出判別特征后，對不同的圖像特征由分類閾值按二分的方法進行分類；運用相似距離分類方法把待判圖像與一個標準圖像相比，標準圖像用樣本圖像特征向量的均值來表示。通過計算待判圖像與標準圖像之問的在相空間中的距離來判別圖像和進行分類。這一過程還為用神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)對煙葉品質(zhì)進行智能識別作出必要的準備。
3．4數(shù)字圖像矩陣數(shù)據(jù)的顯示及其傅立葉
變換這一變換的目的是為提取特征、進行神經(jīng)網(wǎng)絡(luò)模式識別等作出必要的準備。
轉(zhuǎn)貼于 3．5直方圖均勻化
這是使煙葉圖像性質(zhì)更為優(yōu)良而采取的一個技術(shù)操作，源代碼如下：
I=imread ("yangshuo．tif')；imshow (I)；
figure，imhist(I)；
[J，T]=histeq (I，64)；
％圖像灰度擴展到0-255，但是只有64個灰度級
figure，imshow (J)；
figure，imhist(J)；
figure，Dlot((0：255)／255，T)；％轉(zhuǎn)移函數(shù)的變換曲線
J=histeq (I，32)；
figure，imshow 0)；
％圖像灰度擴展到0～255，但是只有32個灰度級
figure，imhist(J)；
3．6采用二維中值濾波函數(shù)對受椒鹽噪聲干擾的圖像濾波
MATLA圖像處理工具箱具有強大的功能，能夠?qū)υ肼暩蓴_的煙葉圖片進行消噪處理，模擬源代碼如下：
I=imread ("eight．tif')；
imshow (I)；
J2=imnoise (I，"salt&pepper ，0．04)；
％疊加密度為0．04 的椒鹽噪聲
figure，imshow 02)；
I_Filterl=medfdt2 （J2，[3 ，3])；
％窗口大小為3x3
figure．imshow (I Fiher1)；
I_Filter 2=medfdt2 （J2，[5， 5])；
％窗口大小為5x5
figure，imshow (I_Filter2)；
I_Filter3=medf'dt2 （J2，[7， 7])；
％窗口大小為7x7
figure，imshow (I_Filter3)；
3．7用神經(jīng)網(wǎng)絡(luò)技術(shù)對煙葉圖像進行智能識別
神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識別技術(shù)，并不需要預(yù)選給定有關(guān)模式的經(jīng)驗知識和判別函數(shù)，它能通過自身的學(xué)習(xí)機制自動形成所要求的決策區(qū)域。網(wǎng)絡(luò)的我由其拓樸結(jié)構(gòu)、神經(jīng)元特性、學(xué)習(xí)和訓(xùn)練規(guī)則所決定，它可以充分利用狀態(tài)信息，對不同狀態(tài)一一進行訓(xùn)練而獲得某種映射關(guān)系，并且，網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，即使環(huán)境變異，這咱映射關(guān)系可以自適應(yīng)調(diào)整。在上面各節(jié)獲取煙葉圖像特征基礎(chǔ)之上，可以用神經(jīng)網(wǎng)絡(luò)技術(shù)進行圖像模式識別。例如，基于概率神經(jīng)網(wǎng)絡(luò)PNN的煙葉品質(zhì)智能識別，它的主要優(yōu)點是：快速訓(xùn)練，訓(xùn)練時問僅略大于讀取數(shù)據(jù)時間；無論分類多么復(fù)雜，只要有足夠的訓(xùn)練數(shù)據(jù)(而這是煙葉生產(chǎn)一線可以做到的)，就可以保證獲得貝斯葉準則下的最優(yōu)解，允許增加或減少訓(xùn)練數(shù)據(jù)而無需重新進行長時間訓(xùn)練。這一神經(jīng)網(wǎng)絡(luò)對于煙葉品質(zhì)的圖像識別，具有重要意義。 4結(jié)論
基于計算機視覺和神經(jīng)網(wǎng)絡(luò)技術(shù)的煙葉品質(zhì)識別的數(shù)字圖像處理方法，醫(yī)學(xué)論文 是煙葉生產(chǎn)環(huán)節(jié)的一種技術(shù)創(chuàng)新，它可以在煙葉生產(chǎn)一線普及推廣，簡便易行，能夠較大地提高煙葉品質(zhì)檢測的效率和質(zhì)量，以及自動化程度和智能化水平。
參考文獻
在工業(yè)生產(chǎn)中，測量是進行質(zhì)量管理的手段，是貫徹質(zhì)量標準的技術(shù)保證。機械零件的尺寸檢測作為產(chǎn)品加工的一個關(guān)鍵環(huán)節(jié)，其檢測結(jié)果不僅影響產(chǎn)品的質(zhì)量，而且對后續(xù)零件的再加工和裝配產(chǎn)生決定性的作用。目前，常規(guī)的零件尺寸測量手段主要采用游標卡尺、激光測量儀和輪廓儀等完成檢測環(huán)節(jié)。以上零件尺寸測量方法要么受測量工具限制，其測量精度有限；要么檢測儀器過于昂貴且操作復(fù)雜，同時其準確率往往受人為因素的影響。
鑒于當(dāng)前機器視覺技術(shù)的快速發(fā)展以及其在工業(yè)檢測方面的成功應(yīng)用，論文構(gòu)想利用攝像機替代人眼，讓計算機替代人腦，從而研制出一套針對零件常規(guī)尺寸的自動化y量系統(tǒng)。
1 系統(tǒng)概述
在充分遵循系統(tǒng)的完整性、可靠性、經(jīng)濟性和實時性等原則的基礎(chǔ)上，本文設(shè)計出了一套基于機器視覺的零件常規(guī)尺寸測量系統(tǒng)。該測量系統(tǒng)主要由圖像攝取、圖像處理、圖像特征提取和分析、圖像常規(guī)尺寸測量和結(jié)果輸出幾部分組成。其工作原理圖如圖1所示。
2 硬件設(shè)計
基于機器視覺的零件常規(guī)尺寸測量系統(tǒng)的硬件主要包括：照明裝置、攝像機、計算機和透明工作臺。各部件的主要功能是：照明裝置主要為零件圖像采集提供合適的光照環(huán)境；攝像機用來采集零件數(shù)字圖像并傳送到計算機，然后保存為相應(yīng)圖片格式；計算機通過系統(tǒng)軟件實現(xiàn)對零件圖像的預(yù)處理、邊界提取、特征提取、相機標定和常規(guī)尺寸計算；透明工作臺用來承載被測零件。
3 算法設(shè)計
圖像處理算法對機器視覺測量系統(tǒng)會產(chǎn)生決定性的影響。為了能滿足零件尺寸測量的要求，針對零件產(chǎn)品圖像的特點，我們設(shè)計了一套合理的圖像處理算法流程。其流程圖如圖2所示。
首先對獲取的零件圖像進行預(yù)處理，包括圖像灰度化、圖像去噪、圖像分割和邊界提?。蝗缓筇崛×慵膸缀翁卣?；最后通過對系統(tǒng)的標定，實現(xiàn)了零件圖像常規(guī)尺寸的測量和結(jié)果顯示。
3.1 圖像預(yù)處理
3.1.1 圖像灰度化
經(jīng)過攝像機采集到的零件圖像是24位真彩色RGB圖像，該圖像中的每個像素由R、G、B三個分量決定，而灰度圖像的每個像素由一個值確定。為了減少后續(xù)操作過程中的計算量，需要對采集到的零件圖像進行灰度化處理。
3.1.2 圖像去噪
采集系統(tǒng)獲取的待檢零件圖像由于受照明程度、環(huán)境溫度、電源變化、電磁輻射和振動等隨機因素的干擾，圖像會包含大量的噪聲，表現(xiàn)為圖像模糊、失真和大量斑點等。為了消除和抑制噪聲對零件圖像后續(xù)處理的影響，必須對圖像進行濾波處理。由于中值濾波既能消除噪聲又能保持圖像的細節(jié)，符合本系統(tǒng)檢測的需求。
3.1.3 圖像分割
在所采集到的零件圖像中，我們只對零件區(qū)域本身感興趣，對于圖像中的其他要素則要盡量消除。圖像分割就是指把圖像分成各具特性的區(qū)域，并提取出感興趣目標的技術(shù)和過程。經(jīng)過大量的實驗驗證，本文采用迭代閾值分割法實現(xiàn)對零件圖像的分割，達到了預(yù)期的處理效果。
3.1.4 邊界提取
輪廓是對物體形狀的有力描述，對圖像分析和識別十分有用，而通過邊界提取算法就可以得到物體的邊界輪廓。目標圖像邊界提取的方法很多，主要包括鏈碼表示法、標記圖法以及多邊形近似法等。論文采用8連通鏈碼法對待測零件進行了邊界提取，為后續(xù)零件尺寸的檢測奠定了很好的基礎(chǔ)。
3.2 圖像分析
3.2.1 特征檢測
要測量零件的尺寸，首先應(yīng)該檢測出零件所包含的直線和圓等基本的幾何特征。目前常用的幾何特征檢測方法有Hough變換法、擬合法和模板匹配法等。本文采用最小二乘法實現(xiàn)了對直線和圓的擬合，其擬合具體過程如下：
（1）采用最小二乘法實現(xiàn)對直線的擬合。
（2）采用最小二乘法實現(xiàn)對圓和圓弧的擬合。
采用最小二乘法對圓和圓弧的擬合過程與直線的擬合求解過程類似。設(shè)所求擬合圓的方程為：。根據(jù)最小二乘法應(yīng)滿足的條件，可以求出擬合圓的三個參數(shù)：u、v和r。
這樣，通過基于最小二乘法的直線和圓擬合方法，可以順利檢測到直線和圓弧幾何特征，為后續(xù)零件尺寸的測量奠定了基礎(chǔ)。
3.2.2 系統(tǒng)的標定
相機拍攝到的圖像是以像素為單位的，要得到待檢零件的實際尺寸，需要將像素尺寸轉(zhuǎn)換為長度尺寸，這個過程稱為系統(tǒng)的標定。本文使用0級精度量塊，采用二次標定法實現(xiàn)了對系統(tǒng)的標定過程。被測零件的實際尺寸L與像素尺寸N之間應(yīng)滿足如下關(guān)系式：L=KN+b
式中，b為系統(tǒng)誤差，K為標定系數(shù)；
在攝像機固定的情況下，求取參數(shù)K和b值的具體步驟如下：
（1）在被測位置放置一長度為L1的標準量塊；
（2）對標準量塊進行掃描、處理，得到對應(yīng)的像素尺寸N1；
（3）在被測位置放置另一長度為L2的標準量塊，重復(fù)步驟2，得到對應(yīng)像素尺寸N2；
（4）求取參數(shù)值：
4 軟件設(shè)計
本著穩(wěn)定、可靠、合理、高效、簡潔和易于操作的原則，我們采用面向?qū)ο蟮腗atlab程序語言，實現(xiàn)了基于Matlab GUI的測量系統(tǒng)軟件的設(shè)計。
本測量系統(tǒng)軟件主要包括用戶登錄模塊、文件管理模塊、圖像處理模塊、參數(shù)設(shè)置模塊、數(shù)據(jù)瀏覽模塊和幫助模塊等。其中，用戶登錄模塊可以完成用戶的注冊、登陸、密碼修改和賬號管理；文件管理模塊主要包括待測零件圖像的打開、關(guān)閉和保存等功能；圖像處理模塊不僅包含文中所涉及到的算法，還增加了其他算法功能；參數(shù)設(shè)置模塊可以實現(xiàn)對攝像機、零件和圖像參數(shù)的設(shè)置；數(shù)據(jù)瀏覽模塊可以完成對實時數(shù)據(jù)、歷史數(shù)據(jù)和操作記錄的查看；軟件幫助模塊主要用來說明軟件的使用和系統(tǒng)的更新問題。
5 實驗結(jié)果
為了驗證測量系統(tǒng)的適應(yīng)性、穩(wěn)定性和可靠性，本文選用工作面距離為1.49mm的0級量塊和直徑為2.03mm的標準環(huán)規(guī)對系統(tǒng)進行了可靠性測試。實驗的測量結(jié)果如表1所示。
采用概率與數(shù)理統(tǒng)計的方法對測量結(jié)果進行了處理。由處理結(jié)果可以看到，采用本測量系統(tǒng)，其測量精度可以達到微米級，可以滿足在線實時測量的需要。
6 結(jié)論
作者設(shè)計了一套基于機器視覺的零件幾何尺寸在線檢測系統(tǒng)，克服當(dāng)前人工檢測的不足，提高了產(chǎn)品的檢測精度。同時，完成了系統(tǒng)硬件、軟件和圖像處理算法的設(shè)計。實驗結(jié)果表明：該測量系統(tǒng)的測量精度可以達到2um以下，滿足零件尺寸非接觸在線測量要求，具有很好的應(yīng)用前景。
參考文獻
[1]王保軍.基于機器視覺的藥瓶封裝缺陷檢測系統(tǒng)研究[D].沈陽：東北大學(xué)（碩士學(xué)位論文），2014.
[2]李巖，花國梁.精密測量技術(shù)[M].北京：中國計量出版社，2001.
[3]章毓晉.圖像工程（上冊）――圖像處理和分析[M].北京：清華大學(xué)出版社，1999，5-120.
[4]張錚，王艷平，薛桂香.數(shù)字圖像處理與機器視覺[M].北京：人民郵電出版社，2012（12）：63-160.
作者簡介
中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2013）15-3640-03
數(shù)字農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)作為現(xiàn)代農(nóng)業(yè)最前沿的發(fā)展領(lǐng)域之一，是當(dāng)今世界發(fā)展農(nóng)業(yè)信息化，實現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的關(guān)鍵和核心技術(shù)。數(shù)字農(nóng)業(yè)要求快速、實時、準確和定位化的獲取植物生長信息，而農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)要求植物信息可實時動態(tài)感知，顯然，傳統(tǒng)的實驗室測量分析和信息獲取方法已經(jīng)不能滿足數(shù)字農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的發(fā)展要求。因此，研究和開發(fā)植物生命信息快速無損檢測技術(shù)和傳感儀器等軟硬件平臺已經(jīng)成為現(xiàn)代農(nóng)業(yè)承待解決的關(guān)鍵問題[1]。
目前，國內(nèi)在作物無損檢測方面的研究儀器主要是依賴進口，而相應(yīng)的軟件也是伴隨著儀器而購買。此類軟件，一般價格昂貴，而且在自主研究平臺中，因為無法取得源代碼而無法使用或升級，從而出現(xiàn)研究瓶頸。在各類無損化檢測技術(shù)中，隨著計算機視覺技術(shù)越來越廣泛的應(yīng)用，對應(yīng)的軟件系統(tǒng)的開發(fā)迫在眉睫[2]。
正是基于這樣的背景，我們通過對目前應(yīng)用比較廣泛的C#進行研究，利用C#強大的數(shù)據(jù)處理能力和良好的用戶界面開發(fā)，并結(jié)合強大的圖像處理能力，進行作物實時檢測軟件平臺的自主設(shè)計與開發(fā)。
1 計算機視覺技術(shù)簡介
計算機視覺也稱機器視覺，是采用攝像機或者數(shù)碼相機將被檢測圖像轉(zhuǎn)化為數(shù)字信號，再采用先進的計算機軟件技術(shù)對圖像信號進行處理，從而得到所需要的各種目標圖像特征值。并由此實現(xiàn)模式識別，坐標計算等功能。然后再根據(jù)其結(jié)果輸出數(shù)據(jù)，發(fā)出指令，再配合執(zhí)行機構(gòu)完成好壞篩選，位置調(diào)整，數(shù)據(jù)統(tǒng)計等自動化流程。與人工視覺相比較，計算機視覺的最大的優(yōu)點是快速、精確、可靠，以及數(shù)字化。
隨著數(shù)字農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的發(fā)展，計算機視覺技術(shù)將越來越廣泛的應(yīng)用于農(nóng)業(yè)生產(chǎn)中，而構(gòu)成計算機視覺系統(tǒng)的軟件系統(tǒng)是整個計算機視覺系統(tǒng)的靈魂。隨著硬件技術(shù)的不斷發(fā)展完善，計算機視覺系統(tǒng)其功能是否強大，可以說完全取決于軟件系統(tǒng)的能力。
2 軟件系統(tǒng)設(shè)計
2.1 C#與
C#是由微軟公司開發(fā)的一種面向?qū)ο蟮男滦途幊陶Z言，它是從C和C++ 中派生出來的，保留了C/C++原有的強大功能，并且繼承了C/C++的靈活性。同時由于是MicroSoft公司的產(chǎn)品，它又同Visual Basic一樣具有簡單的語法結(jié)構(gòu)和高效的開發(fā)能力，可以使程序員快速的編寫出基于.NET平臺的應(yīng)用程序。
一個基于C#框架，專門為C#開發(fā)者和研究者設(shè)計和開發(fā)的，這個框架提供了豐富的類庫資源，包括圖像處理，神經(jīng)網(wǎng)絡(luò)，模糊系統(tǒng)，遺傳算法，人工智能和機器人控制等領(lǐng)域。該框架架構(gòu)合理，易于擴展，涉及多個較前沿的技術(shù)模塊，為相關(guān)開發(fā)人員或科研人員的工作提供了極大的便利。本系統(tǒng)就是采用C#程序設(shè)計語言，通過調(diào)用該框架來實現(xiàn)作物無損檢查系統(tǒng)的開發(fā)。
2.2 系統(tǒng)設(shè)計與實現(xiàn)
本軟件系統(tǒng)是在數(shù)碼相機拍攝的作物圖像的基礎(chǔ)上，采用圖像處理方法進行特征提取與分析，從而實現(xiàn)作物的無損檢測。主要分為圖像輸入，圖像預(yù)處理，特征提取，特征分析幾個模塊。
1） 圖像輸入
將要分析處理的圖像讀取到系統(tǒng)中來，為后面圖像處理作準備。C#提供了三個最重要的圖像處理類，即Bitmap類、BitmapData類和Graphics類。三種圖像處理的方法，即提取像素法、內(nèi)存法和指針法。從執(zhí)行效率和實現(xiàn)難度綜合考慮，本系統(tǒng)的開發(fā)采用內(nèi)存法。
2） 圖像預(yù)處理
圖像預(yù)處理主要包括圖像的大小調(diào)整，形態(tài)矯正，平滑和去噪等，以降低環(huán)境對拍攝照片造成的不利影響。提供了多個類，可以對圖像進行平滑去噪等操作，本系統(tǒng)中采用了中值濾波算方法，對應(yīng)中的Median類。
3） 特征提取
特征提取分析，是整個系統(tǒng)的核心所在，需要選取合適的圖像分割算法，對圖像進行處理，提取目標區(qū)域，為特征分析作準備。在本系統(tǒng)中采用了閾值分割技術(shù)，因為這種算法相對來說比較直接并且易于實現(xiàn)。
采用閾值分割技術(shù)，首先，必需確定一個閾值作為圖像分割的閾值，在本系統(tǒng)中，采用自適應(yīng)閾值法，由用戶在軟件的操作過程中進行設(shè)定，并且可以根據(jù)需要進行調(diào)整。然后，根據(jù)這個閾值對圖像進行分割，并將其轉(zhuǎn)化為二值圖，如圖（b）所示。從圖中我們可以看到二值圖像中存在大量的小孔，這種太小的孔洞對我們進行圖像分析沒有實際意義，并且會干擾結(jié)果的正確性，因此我們需要采用腐蝕和膨脹的形態(tài)學(xué)方法來進行填充孔洞，結(jié)果如圖（C）所示。最后，我們需要根據(jù)需要提取目標區(qū)，涉及到連通區(qū)域的提取問題。最后，輸出結(jié)果。
4） 特征分析
對圖像分割結(jié)果進行分析，用于指導(dǎo)生產(chǎn)實踐。我們可以對通過圖像處理得到的目標區(qū)域進行分析，比如可以根據(jù)葉片顏色的變化判斷葉綠素含量，進而推算出作物的營養(yǎng)狀況，根據(jù)色素區(qū)域的大小計算出葉面積，根據(jù)不同區(qū)域的形狀、大小判斷病蟲害等。
3 實驗結(jié)果及分析
軟件運行后主界面如圖3所示。
為驗證本系統(tǒng)的有效性，我們通過設(shè)定不同的閾值進行圖像分割，并跟photoshop cs4軟件中魔棒的工具作對比，來提取圖片中的目標區(qū)域。測試圖片大小為800px×610px，取特征點坐標P（310，70），該點的RGB值為（29，92，0），獲取目標區(qū)域的總像素和綠色分量平均值，數(shù)據(jù)如表1所示。
從上述表中我們可以看出，本軟件在圖像處理目標區(qū)域的提取方面，提取到的目標區(qū)域較photoshop 提取的小，綠色分量平均值較photoshop更接近特征點數(shù)值，由此看出用本軟件做圖像分割準確性更高。
4 結(jié)束語與展望
計算機視覺具有非破壞性、快速、高效、信息量大等特點，目前已在主要的農(nóng)作物和經(jīng)濟作物的養(yǎng)分診斷，植物病蟲害的快速檢測及預(yù)警預(yù)報等方面有了廣泛應(yīng)用，取得了較好的效果。隨著計算機視覺技術(shù)和圖像處理技術(shù)的發(fā)展，計算機視覺技術(shù)將更多的應(yīng)用于植物長勢預(yù)測、產(chǎn)量估計等方面。
通過本次研究，開發(fā)了一個交互界面良好的色素分量檢測系統(tǒng)，能對圖像在RGB分量上實現(xiàn)閾值分割，并實現(xiàn)目標區(qū)域的獲取分析。該文主要提倡一種軟件開發(fā)的理念，所設(shè)計開發(fā)的軟件的針對性較強，還存在著很多的局限和不足，要作為計算機視覺類的通用軟件，系統(tǒng)的穩(wěn)定性和功能都還有待進一步提升。
參考文獻：
[1] 劉飛.基于光譜和多光譜成像技術(shù)的油菜生命信息快速無損檢查機理和方法研究[D].浙江：浙江大學(xué)博士學(xué)位論文，2011.
[2] 朱哲燕，陳紅.基于MATLAB的作物信息光譜分析平臺的設(shè)計與開發(fā)[J].科技資訊，2012（16）.
[3] 蔣麗華.基于計算機視覺技術(shù)的葉綠素含量檢測系統(tǒng)[D].蘇州：蘇州大學(xué)碩士學(xué)位論文，2009.
[4] 趙春江.C#數(shù)字圖像處理算法典型實例[M].北京：人民郵電出版社，2009.
[5] 何勇，劉飛，聶鵬程. 數(shù)字農(nóng)業(yè)與農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)[J].農(nóng)機論壇，2012（1）.
[6] 張起麗.基于數(shù)學(xué)形態(tài)學(xué)的彩色圖像處理研究[D].西安：西北大學(xué)碩士學(xué)位論文，2009
關(guān)鍵詞:數(shù)字圖像處理;瀝青混合料;油石比;識別
Key words: digital image processing;asphalt mixture;asphalt-aggregate ratio;recognition
中圖分類號:TU535 文獻標識碼:A文章編號:1006-4311(2010)13-0093-02
0引言
隨著交通運輸業(yè)的迅速發(fā)展,必須要提高瀝青混合料性能,開發(fā)新型瀝青路面結(jié)構(gòu)材料。瀝青含量是瀝青混合料配合比設(shè)計和施工控制的重要指標,在很大程度上決定了瀝青路面的質(zhì)量品質(zhì),國內(nèi)外現(xiàn)行的瀝青混合料配合比檢測一般采用的是試驗方法,進行離心抽提或燃燒瀝青,檢測過程復(fù)雜,耗時長,不利于及時對路面狀況做出評價,指導(dǎo)生產(chǎn)。近年來,數(shù)字圖像處理技術(shù)被引入瀝青混合料研究領(lǐng)域,為有效解決傳統(tǒng)研究方法的缺陷提供了可能,國內(nèi)外也陸續(xù)進行了采用圖像處理技術(shù)對瀝青混合料內(nèi)部形態(tài)的研究,國內(nèi)外現(xiàn)階段進行的研究表明,數(shù)字圖像處理技術(shù)具有無破損、方便性、經(jīng)濟性,而且能快速全面反映形態(tài)特性以及空間分布的特點。為此,在本研究中,通過大量室內(nèi)對比試驗,主要研究不同油石比的瀝青混合料AC-13C的識別油石比,以建立識別油石比和實際油石比之間的線性關(guān)系,用于指導(dǎo)生產(chǎn)實踐。
1瀝青混合料配合比設(shè)計及圖像采集
本研究中采用的瀝青為埃索A級70號瀝青,選用瀝青路面的表面層AC-13C的級配,最終確定的瀝青混合料合成級配見表1。
在本研究中,瀝青混合料AC-13C分別采用五個不同油石比4.0%、4.5%、5.0%、5.5%和6.0%,用馬歇爾擊實儀成型馬歇爾試件,在成型后的試件中隨機抽取3個試件進行水平兩分法的切割,并采用數(shù)碼相機進行圖像的采集工作,在進行油石比的識別中為了計算簡便將圖像剪切為1400×1400像素。
2瀝青混合料數(shù)字圖像處理
由于照相機與目標間的相對運動、大氣擾動等原因使圖像質(zhì)量下降,造成了圖像退化的現(xiàn)象。所以在圖像處理之前要先進行圖像復(fù)原,在MATLAB圖像處理系統(tǒng)中,選擇Lucy-Richardson復(fù)原方法,通過處理減少了圖像中產(chǎn)生的噪聲,忽略了某些退化后壞了的像素。對復(fù)原后的RGB彩色圖像進行灰度變換,獲得瀝青混合料水平截面的灰度圖像。
3瀝青混合料油石比的識別
以油石比為5.5的瀝青混合料RGB圖像為例,對剪切后的圖像進行復(fù)原、轉(zhuǎn)換灰度圖像處理,處理后的灰度圖像的直方圖見圖1。
根據(jù)圖1可以看到,由于瀝青混合料圖像中存在集料和瀝青兩大類,在圖像上形成了兩個峰,這兩者都近似服從正態(tài)分布,最左邊的波峰代表瀝青的灰度分布,我們可以根據(jù)瀝青混合料圖像的直方圖,動態(tài)選取兩個波峰之間的谷底值,將最左邊的波峰單獨切取出來,見圖2。對這個波峰進行擬合,經(jīng)過多次嘗試,選擇采用兩個正態(tài)分布擬合這個波峰,相關(guān)系數(shù)達到0.998,其中一個正態(tài)分布峰頂對應(yīng)的灰度值與單獨切取出來的波峰峰頂對應(yīng)的灰度值非常接近,可以認為兩者的灰度值是相同的,另外一個正態(tài)分布是對前者的修正,擬合效果見圖2。
通過MATLAB編程計算可以得到,瀝青灰度分布波峰峰頂對應(yīng)的灰度值為0.30,第一個小峰服從正態(tài)分布,參數(shù)為0.29997和0.047629,通過多次實驗在峰值灰度值左側(cè)設(shè)定2.5,右側(cè)設(shè)定的范圍內(nèi)為瀝青的灰度分布范圍,計算得到瀝青的灰度分布范圍為46.14至88.65,提取瀝青灰度范圍內(nèi)的像素點,圖像內(nèi)所有的像素點數(shù)目與瀝青的像素點數(shù)目之差為集料的像素點數(shù)目,得到油石比即瀝青像素點數(shù)目與集料像素點數(shù)目之比,計算得到這張實際油石比為5.5的圖像,識別油石比為6.43。同理,可以按照相同的方法求得其余瀝青混合料圖像的識別油石比,并計算均值,見表2,對得到的識別油石比用EXCEL進行線性擬合,見圖3。
從表2中可以看出,識別油石比的變異系數(shù)在0.18以下,通過線性相關(guān)性分析可得到識別油石比Pax與實際油石比Pay的線性關(guān)系為:Pay=1.6872Pax-5.4606,式中,Pax為識別油石比,%;Pay為實際油石比,%。兩者相關(guān)系數(shù)R2為0.9617,表明采用圖像處理技術(shù)對瀝青混合料進行油石比識別具有較高的識別精度,可以用于瀝青路面油石比的快速檢測。
4結(jié)論
通過選取表面層普通瀝青混合料AC-13C進行馬歇爾試驗,對試件進行水平截面圖像的分析,在瀝青混合料圖像灰度直方圖中,對瀝青分布波峰左側(cè)2.5倍σ和右側(cè)σ范圍內(nèi)提取瀝青像素數(shù)目,并計算集料像素數(shù)目和識別油石比,結(jié)果表明,動態(tài)的選取瀝青灰度范圍識別油石比的方法能夠較好地反映實際油石比,得到的識別油石比與實際油石比較為接近,得到的變異系數(shù)在0.18以下,證明識別油石比的離散程度較小,數(shù)據(jù)可靠。并且實際油石比Pay和識別油石比Pax存在線性關(guān)系,通過線性擬合后,建立函數(shù)Pay =1.6872 Pax 5.4606,計算得到相關(guān)系數(shù)R2為0.9617,具有良好的相關(guān)性。因此,建議采用此線性函數(shù)對識別得到的油石比進行修正。
參考文獻:
[1] 楊浩.瀝青混合料的數(shù)字圖像特征研究[D]:[碩士學(xué)位論文].哈爾濱:哈爾濱工業(yè)大學(xué),2006.
1 引言
噪聲主要在數(shù)字圖像的獲取和傳輸過程中產(chǎn)生，一般是不可預(yù)測的隨機信號，只能用概率統(tǒng)計的方法去識別。噪聲對圖像處理十分重要，其會影響圖像處理的輸入、采集、處理的各個環(huán)節(jié)以及輸出結(jié)果的全過程。其中，椒鹽噪聲一般是由于傳輸誤差或比特丟失造成的。椒鹽噪聲與其他的像素點有明顯的區(qū)別，一般是鄰域中的像素值的極值點。但是極值點并不一定是噪聲點。椒鹽噪聲在圖像上表現(xiàn)出黑白相間的亮暗點，會嚴重影響圖像的質(zhì)量。傳統(tǒng)中值濾波算法（SMF）[1]能夠減弱或消除傅里葉空間的高頻分量，但是同時會影響低頻分量。由于高頻分量對應(yīng)圖像中的邊沿灰度值具有較大較快變化的部分，所以SMF算法可將這些分量濾除，使圖像平滑，破壞圖像的邊緣和細節(jié)。
文獻[2]提出了模糊開關(guān)中值濾波算法（FSM），F(xiàn)SM算法處理效果比SMF算法要好一點。文獻[3]提出了自適應(yīng)模糊開關(guān)中值濾波（NAFSM）算法。文獻[4]提出了EDPA算法。文獻[5]和文獻[6]提出基于神經(jīng)網(wǎng)絡(luò)的模糊中值濾波算法，對于受密度噪聲污染的圖像取得了不錯的效果，但是計算量很大。文獻[7]、文獻[8]、文獻[9]、文獻[10]提出了一種自適應(yīng)模糊中值濾波算法（AFM）。AFM算法對傅里葉空間的低頻分量具有較好的濾除效果，但對高頻分量的處理效果不是很好，主要是沒有考慮椒鹽噪聲對圖像的污染程度。所以本文在AFM的基礎(chǔ)上提出了一種雙閾值模糊中值濾波算法，該算法能很好地保護圖像的細節(jié)，具有高效地處理椒鹽噪聲的能力。
2 算法的基本思想和實現(xiàn)
2.1 建立模糊系統(tǒng)
利用模糊系統(tǒng)（如圖1所示），計算輸入?yún)?shù)的模糊系數(shù)權(quán)值。因為處理的是椒鹽噪聲，所以只需輸入濾波窗口中原值與中值的差，最后通過去模函數(shù)去模糊化，濾波輸出。
圖1 模糊濾波系統(tǒng)設(shè)計
濾波窗口S由w×w（w默認值為3，一般為奇數(shù)）的方陣組成。對S里的像素點值進行快排序，可得濾波窗口中像素的最小值為Smin，最大值為Smax，中值為Smed，均值為Smean。x（i，j）表示噪聲圖像在（i，j）的灰度值。模糊系統(tǒng)首先是計算參數(shù)S1（i，j）=x（i，j）-Smed。在圖像處理的時候一般對像素的污染程度進行閾值的設(shè)置。這里假設(shè)最小閾值為Tmin，最大閾值為Tmax，同時設(shè)置參數(shù)S2=|x（i，j）-Smean|。當(dāng)S2Tmax時，認為像素點嚴重污染，這時就用最近鄰域已處理的像素點求均值代替。
設(shè)當(dāng)前像素的灰度值為x（i，j），濾波后的像素的灰度值為y（i，j），模糊濾波系數(shù)為P。則模糊隸屬函數(shù)為：
（1）
如果S2
y（i，j）=S（i，j） （2）
如果Tmin≤S2≤Tmax時，則：
y（i，j）=P×S（i，j）+（1-P）×Smed （3）
如果S2>Tmax時，則：
， i=0，j=0 （4）
，i>0，j=0 （5）
，i=0，j>0 （6）
，
i>0，j>0 （7）
2.2 算法實現(xiàn)
定義S（i，j）是以點（i，j）為中心，大小為w×w的方形窗口，可表示為S（i，j）={（k，l）||k-i|
具體方法如下：
設(shè)最大窗口為wmax×wmax，輸出圖像為y（i，j）。自適應(yīng)雙閾值模糊中值濾波算法的基本思想是通過判斷窗口中心點是否為噪聲來調(diào)節(jié)窗口的大小，以克服中值濾波對細節(jié)的破壞。
具體算法如下：
初始化窗口大小，令w=3。
計算窗口S（i，j）中像素的最小值Smin，最大值Smax，中值Smed及均值Smean。
如果Smin
如果w≤wmax跳到第2步，否則說明是噪聲點，用鄰域已處理點灰度值均值代取y（i，j）。
如果Smin
2.3 實驗實現(xiàn)與分析
在win7系統(tǒng)和vs2010+opencv環(huán)境下，經(jīng)過大量的仿真實驗，最終得到Tmin=5，Tmax=13可以達到很好的去噪效果。實驗分別對加入30%、80%的椒鹽噪聲的Lena.jpg進行處理。具體如圖2、圖3、圖4所示：
圖2 無噪聲的原圖
觀察圖3（a～e）到圖4（a～e）可以發(fā)現(xiàn)，噪聲輕度污染時各算法去噪能力沒有明顯差別；當(dāng)噪聲嚴重污染時SMF基本不能保護圖像的細節(jié)，AFM、FSM能夠適當(dāng)?shù)乇Ｗo圖像的細節(jié)，但是噪聲點還是很多，論文算法能夠很好地保護圖像細節(jié)并去除噪聲。
采用峰值信噪比（PSNR）歸一化均方誤差（NMSE）度量處理圖像效果的好壞，定義如下：
（8）
（9）
式中y（i，j）表示去噪后的圖像各像素點的灰度值，I（i，j）表示原始無噪圖像各像素點的灰度值。M、N分別表示圖像的高和寬。表1為幾種算法的NMSE比較，表2為幾種算法的PSNR的比較。
各種算法的NMSE如圖5所示，各種算法的PSNR如圖6所示。
從表1、表2、圖5和圖6可以看出論文算法去噪和其他算法相比優(yōu)勢非常明顯。在加入小于40%的噪聲時各算法的去噪效果差別不是很大。隨著噪聲的加大，其他算法處理能力明顯下降，但是論文算法卻達到一種趨衡的狀態(tài)。
表1 幾種算法的NMSE比較
噪聲密度/
% 不同算法處理的NMSE
SMF AFM EDPA 論文算法
10 0.0022 0.0006 0.0012 0.0006
20 0.0048 0.0014 0.0021 0.0011
30 0.0171 0.0022 0.0029 0.0021
40 0.0457 0.0042 0.0066 0.0041
50 0.1096 0.0097 0.0149 0.0042
60 0.2156 0.0267 0.0271 0.0043
70 0.3673 0.0712 0.0734 0.0044
80 0.5661 0.1791 0.1578 0.0047
90 0.7968 0.4175 0.3785 0.0051
表2 幾種算法的PSNR的比較
噪聲密度/
% 不同算法的PSNR
SMF AFM EDPA 論文算法
10 32.2789 37.4440 36.7873 37.4440
20 28.8538 34.3215 33.2178 35.2321
30 23.3064 32.2061 30.1963 32.2624
40 19.0506 29.4123 27.2338 29.4182
50 15.2454 25.7989 23.7133 29.4086
60 12.3090 21.3828 20.7634 29.3226
70 9.99450 17.1203 17.2960 29.1659
80 8.11600 13.1141 13.4691 28.9376
90 6.63180 9.43800 10.2843 28.5508
圖5 各種算法的NMSE
圖6 各種算法的PSNR
3 結(jié)束語
本文在AFM算法的基礎(chǔ)上提出了一種自適應(yīng)雙閾值模糊中值濾波算法。和其他去噪算法相比，論文算法具有極強的去噪性，同時很好地保護了圖像的細節(jié)，并且算法具有穩(wěn)定性，是去除椒鹽噪聲的好算法。
參考文獻：
[1] Pitas I， Venetsanopoulos A N. Order statistics in digital image processing[J]. Proceeding of the IEEE， 1992，80（12）： 1893-1921.
[2] H Ibrahim， K K V Toh， M N Mahyuddin. Salt-and-pepper noise detection and reduction using fuzzy switching median filter[J]. IEEE Transaction on Consumer Electronics， 2008，54（4）： 1956-1961.
[3] K K V Toh， N A M Isa. Noise Adaptive Fuzzy Switching Median Filter for Salt-and-Pepper Noise Reduction[J]. IEEE Signal Processing Letters， 2010，17（3）： 281-284.
[4] Nibong Tebal， Penang. Fuzzy Multipass Filter for Impulse Noise Removal in Digital Images[C]. Signals and Information Technology， 2013.
[5] M E Yuksel. A hybrid neuro-fuzzy filter for edge preserving restoration of images corrupted by impulse noise[J]. IEEE Transactions on Image Processing， 2006，15（4）： 928-936.
[6] S Schulte， M Nachtegael， V D Witte， et al. A fuzzy impulse noise detection and reduction method[J]. IEEE Transactions on Image Processing， 2006，15（5）： 1153-1162.
[7] T Palabas， A Gangal. Salt and pepper noise reduction in images using adaptive fuzzy filter[C]. SIU， 2012： 1-4.
中圖分類號：TN911.7；TU311文獻標識碼：A 文章編號：
Abstract: The video image vibration testing technique, based on common USB digital camera and PC, is introduced in the paper. The first order modal parameters of the simple beam model is identified adopting the video image vibration testing technique, and comparing the result with the DASP and traditional vibration test Method. Based on Matlab software, the program is developed to obtain structural vibration displacement curves. And the simple beam model of the natural frequencies, damping ratios and mode shapes is determined using modal analysis. The test results show that the vibration testing technique is feasible for low frequency vibration system.
朗讀
顯示對應(yīng)的拉丁字符的拼音
Key words: digital video; polynomial fitting; simply supported beam model; modal parameter;vibration testing
圖像測量技術(shù)[1]表現(xiàn)出其非接觸式、無設(shè)備損耗、表面全尺度、重復(fù)可比性好、環(huán)境適應(yīng)性強、無負載效應(yīng)等優(yōu)點，不僅適合靜態(tài)測量，也可滿足動態(tài)測量要求，對結(jié)構(gòu)可實現(xiàn)全域高密度檢測。數(shù)字圖像測量技術(shù)近年來發(fā)展迅速，其對結(jié)構(gòu)邊緣識別精度可達到0.05像素，如劉敏提出識別結(jié)構(gòu)一維大變形的數(shù)字圖像邊緣檢測法[2]，袁向榮提出的一維DIC法檢測結(jié)構(gòu)邊緣變形[3]，胡朝輝提出結(jié)構(gòu)振動測試的視頻圖像技術(shù)測試方法 [4]。
本文以數(shù)字圖像測量技術(shù)為理論依據(jù)，采用普通數(shù)碼攝像頭和PC機作為硬件設(shè)備與matlab軟件相結(jié)合而成的視頻圖像振動測試的系統(tǒng)[5]，使用該測試系統(tǒng)在實驗室進行簡支梁模型的振動測量試驗，結(jié)果表明對低頻結(jié)構(gòu)的振動測量采用該測振系統(tǒng)是可行和可信的。
視頻圖像振動測試系統(tǒng)簡介
視頻圖像進行振動測量的原理是：使用普通USB攝像頭實時拍攝并記錄被測對象振動狀態(tài)下的時間序列圖像，對圖像用數(shù)字圖像處理技術(shù)處理，得到測試對象準靜態(tài)的變形序列，進而獲得被測對象的振動軌跡。具體測試流程如圖1所示：
圖1測試流程圖
模型試驗及結(jié)果分析
2.1 試驗Ⅰ
采用梁長L=2.1m等截面勻質(zhì)材料，兩端鉸支，單位長質(zhì)量為160g/ m，抗彎剛度EI=21.5N.m2；梁體表面光滑平整，顏色為純黑色，背景顏色取為白色，拍攝時光照條件良好，以有利于邊緣識別。試驗簡圖如圖2所示。
圖2試驗Ⅰ簡圖
振動試驗開始后，對梁進行激勵，采集振動穩(wěn)定后振動狀態(tài)，采樣時間為5s，利用matlab程序處理圖像序列[5]，獲取各像素點的振動信號，部分結(jié)果列于表1中。
表1 實測振動頻率與阻尼比
簡支梁模型的理論固有頻率： ，用數(shù)字圖像測量所得到的梁的一階頻率為4.1016，誤差為0.7%，故數(shù)字圖像法在橋梁測試中的數(shù)據(jù)是真實可信的。
2.2 試驗Ⅱ
梁長L=2.1m等截面勻質(zhì)材料，兩端鉸支，單位長質(zhì)量為160g/ m，抗彎剛度EI=21.5N.m2；同時采用DASP動力測試系統(tǒng)進行數(shù)據(jù)采集和處理，試驗簡圖如圖3所示。測試結(jié)果比較如表2及圖4―圖7所示。
圖3試驗Ⅱ簡圖
表2 視頻圖像和傳統(tǒng)測試實測頻率對比表（Hz）
圖4視頻圖像測試擬合不同像素點的一階圖5傳統(tǒng)測試前三階的振型圖
本次試驗通過用采用DASP動力測試系統(tǒng)來驗證數(shù)字圖像法，二者結(jié)果很相近，梁的一階頻率結(jié)果比值僅為1.038，具體如表2所示。
結(jié)論與建議
簡支梁模型動載試驗結(jié)果表明：
（1）對于動態(tài)位移的測量，試驗數(shù)據(jù)均較合理，簡支梁模型的二次試驗均測出了結(jié)構(gòu)的一階模態(tài)參數(shù)，通過驗證，測量結(jié)果也真實可信，因此認為數(shù)字圖像振動技術(shù)可用于低頻振動結(jié)構(gòu)的測試；
（2）但是二次試驗均未測出二階模態(tài)參數(shù)，經(jīng)分析認為可能的原因有：響應(yīng)譜對應(yīng)二階頻率處的幅值太小以及激勵點選取位置不適當(dāng)以致未能激勵出其二階模態(tài)，普通攝像頭信噪比低而無法識別也是原因之一。
（3）通過與傳統(tǒng)的DASP動力測試系統(tǒng)試驗對比，說明相對于傳統(tǒng)測試方法，數(shù)字圖像振動測試技術(shù)精度較好；但是傳統(tǒng)方法可測得前三階模態(tài)，說明該方法測試分辨率與傳統(tǒng)方法有一定的差距；故對于高頻、高階的結(jié)構(gòu)振動測試，能通過高速、高清的圖像采集設(shè)備，提高其測試分辨率 。
參考文獻：
[1] 張紅娜,王祁.圖像測量技術(shù)及其應(yīng)用[J].電測與儀表，2003，451(40):19-22.
1 數(shù)字圖像處理及FPGA技術(shù)簡介
1.1 數(shù)字圖像處理原理簡介
圖像處理技術(shù)是本世紀信息科學(xué)方面成長最迅速的方向之一，數(shù)字圖像處理的技術(shù)具有實際的研究價值。數(shù)字圖像處理技術(shù)是指利用圖像信號轉(zhuǎn)化為數(shù)字信號并進行數(shù)字化處理這一手段把輸入圖像轉(zhuǎn)換成具有所希望特征的另一幅圖像的過程，通過轉(zhuǎn)化，使得圖像的信息數(shù)字化，可計算化，協(xié)調(diào)適應(yīng)現(xiàn)在的各種數(shù)字化系統(tǒng)。近年來，隨著圖像傳感器趨于高集成度和低成本以及數(shù)字硬件的迅速發(fā)展，高質(zhì)量、高速度、高實時性的數(shù)字圖像處理技術(shù)越來越受到歡迎。專用集成電路ASIC和數(shù)字信號處理器DSP，在兩種方面突破研究，一是改變圖像處理算法，簡化算法提高處理速度；二是改變實現(xiàn)算法的手段。DSP處理速度較之前的數(shù)字芯片有了大幅改進，但其體系仍是串行指令系統(tǒng)，其固定算法仍不能滿足眾多算法的需要。
1.2 現(xiàn)場可編程門陣列（FPGA）器件技術(shù)
現(xiàn)在較為流行的一種半定制的數(shù)字芯片是現(xiàn)場可編程門陣列（FPGA）器件，它是一種高密度可編程邏輯器件，由大量邏輯宏單元構(gòu)成，通過各種程序參數(shù)的配置，能夠發(fā)揮這些邏輯單元的各自效果，組合出期望的整體效果和功能，這些配置數(shù)據(jù)存放在片內(nèi)的SRAM中或者是片外的EPROM或其他存儲體中，設(shè)計者可以現(xiàn)場修改器件的邏輯順序，而且靜態(tài)編程和動態(tài)系統(tǒng)重置功能也得到了充分的發(fā)揮也應(yīng)用，基于組合邏輯下的功能讓硬件模塊可以像軟件代碼一樣方便修改調(diào)試。
2 基于FPGA的數(shù)字圖像處理算法研究
2.1 實時圖像處理算法
實時圖像處理系統(tǒng)和圖像處理的主要算法有4類：圖像數(shù)據(jù)的預(yù)處理，圖像智能識別，對象檢測和運動對象檢測。在實時圖像處理系統(tǒng)的后臺處理中，比分析環(huán)境簡單、靜態(tài)圖像難度要更具有復(fù)雜性，如在數(shù)字圖像信號的傳送過程，中間過程傳感器和傳輸信道的噪聲的頻繁產(chǎn)生，這讓暫未得到處理的原始圖像信號變的更為難以分析，而且本身存在一定程度的噪聲。一般圖像信號的銳化技術(shù)處理也將引入噪聲，有時會加強原始圖像的噪聲。因此，有必要在圖像分析處理以前以及過程中對圖像的噪聲進行濾除，并對圖像特征進行加強，消除噪聲和增強圖像這兩大關(guān)鍵步驟即為數(shù)字信號圖像的預(yù)處理過程。
2.2 圖像空域平滑算法
圖像平滑處理的的主要目的是為了降低噪音干擾，目前主流的兩種算法是的空間域平均算法以及中值濾波算法。對于含有噪聲的原始圖像的每個像素都采取了對應(yīng)的鄰域，將計算出的平均值作為平均空間域中圖像像素值進行圖像處理。空間域平均算法對于高斯噪聲消噪效果較好，但處理脈沖噪聲降噪效果很差。中值濾波的實質(zhì)是一種非線性處理方法，主要的原理應(yīng)用了順序統(tǒng)計思路，這種方法的原理是在第一步驟中賦予一個像素作為鄰域的中心，選擇方形鄰域后，第二步驟就是對范圍內(nèi)各像素灰度值進行排序處理，排序之后獲得數(shù)列的中間值，此中間修正值被記為中心像素的灰度值，在實際應(yīng)用中個，中值濾波算法消除脈沖噪聲具有更好的效果。
2.3 圖像空域銳化算法
圖像銳化的主要目的是使原圖像輪廓模糊或者顯示邊緣不明顯的變得清晰，突出細節(jié)。進行銳化處理的前提基礎(chǔ)是：原始圖像必須具有有較高的信噪比，若沒有較高信噪比，經(jīng)過圖像銳化處理后，圖像信噪比會大大降低，這非常不利于圖像的清晰顯示處理。通常的做法是先去除或降低噪聲，使得圖像具有更高的信噪比后，再進行后期的銳化處理。
圖像銳化處理目前主流有兩種方法：高通濾波法和微分法。微分法屬于圖像空域銳化，目前常用的兩種方法是梯度銳化和拉普拉斯銳化。
2.3.1 梯度銳化
梯度銳化原則：圖像變化速度值小的對應(yīng)于一個較小的梯度，整體會顯得比較暗。因此，梯度銳化的常規(guī)思路是利用門限方法來判定，從而進行梯度銳化優(yōu)化，也就是先賦予一個預(yù)定的閾值，如果該節(jié)點的梯度小于閾值時，原始灰度被保持恒定；若大于閾值時，在這一點上的灰度校正值可以用微分法處理得到。
2.3.2 拉普拉斯運算
拉普拉斯運算是偏導(dǎo)數(shù)運算的線性組合，拉普拉斯算子是一種各向同性的微分算子，其特性包括旋轉(zhuǎn)不變性。拉普拉斯運算完全可以轉(zhuǎn)換成模板運算，而且對圖像中的孤立點和短點反應(yīng)較為敏感，比如在較暗的圖像中出現(xiàn)的個別亮點，這些亮點處灰度發(fā)生跳變，通過拉普拉斯運算將會使這些亮點亮度增強，這一效果常用于邊緣檢測。當(dāng)然，拉普拉斯運算同梯度銳化一樣，在增強圖像的同時會增強噪聲，因此在銳化前可以先進行圖像平滑處理。
3 總結(jié)
本文以基于FPGA的高速圖像處理算法為研究主體，對圖像處理中技術(shù)的流水線實現(xiàn)、圖像空域平滑算法、圖像空域銳化算法進行對比分析。圖像平滑算法減少噪聲的效果要更加優(yōu)化，平滑算法的中值濾波算法在消除脈沖噪聲中效果更為突出?？臻g域平均算法主要對高斯噪聲的消噪效果較好，對脈沖噪聲消噪效果一般。圖像空域銳化算法可以是原本邊緣模糊的圖像清晰化，前提需要有較高信噪比，所以一般是先進行去除噪聲，提高信噪比之后進行銳化處理，銳化算法中的梯度銳化、拉普拉斯運算算法都在基于FPGA的數(shù)字圖像處理的系統(tǒng)算法中效果明顯。
參考文獻
[1]李冬.基于FPGA的數(shù)字圖像處理的研究[D].安徽理工大學(xué)碩士學(xué)位論文，2009.
