數字圖像處理綜述匯總十篇

序論：好文章的創作是一個不斷探索和完善的過程，我們為您推薦十篇數字圖像處理綜述范例，希望它們能助您一臂之力，提升您的閱讀品質，帶來更深刻的閱讀感受。

篇（1）

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2016）10-0066-01

數字圖像處理技術是指應用計算機對數字圖像信息進行處理，涵蓋了計算機科學與技術、數學、光物理學等多個領域。數字圖像可以小到電子顯微鏡的圖像，大到遙感圖像、航空照片或者天文望遠鏡的圖像，因此在生物醫學工程、工業、農牧業、國防軍事、多媒體等方面都有著十分廣泛的應用。物體三維重建是數字圖像處理的重要內容。人眼看到的世界是三維立體的，但是傳統照相機、CCD或者CMOS圖像傳感器獲取的圖像都是二維平面的，不具備深度信息。這種二維成像系統限制了人類對真實世界中復雜的物體的感知和理解的能力。計算機三維重建的出現，突破了傳統二維成像系統的局限，重建后的圖像直觀、逼真，可任意旋轉、逐層剝離以及定量分析，顯著提高了人類對世界的認識理解能力。

1 計算機三維重建

計算機三維重建是利用計算機數字圖像處理技術根據真實場景的數據重建出具有準確幾何信息和照片真實感的三維模型，并可進行多角度顯示的技術。這些精確的三維模型，不僅能用于場景可視化和虛擬漫游，還可以滿足數據的存檔、測量和分析等更高層次的需求，尤其適用于輔助教學、生物醫學工程、醫學診斷、航天、工業測量、地理信息、數字文物和古建筑、電子商務等多種領域。

計算機三維重建方法有兩種：一種是利用精密的硬件設備，如激光掃描儀、深度掃描儀等，直接測量出物體表面點的三維坐標。這種方法是直接對三維物體的空間信息進行處理，精度較高，但是設備要求極高，因此極大地限制了該技術的使用。另一種是通過相機或攝像機獲得二維數字圖像，然后通過數學模型計算出物體的三維結構。后一種方法數字圖像容易獲得，但重建結果易受到其他因素的影響，本文就此方法展開研究。

2 二維數字圖像的三維重建

2.1 二維數字圖像的獲取

二維數字圖像的獲取包括物體外觀圖像的獲取和物體內部圖像的獲取。物體外觀圖像的獲取通常通過2臺以上照相機或攝像機從不同角度拍攝，比如3D電影的制作。物體內部圖像的獲取，通常為斷層掃描或連續切片成像，比如計算機X射線斷層掃描（CT）、激光掃描共聚焦顯微鏡（CLSM）成像、生物標本連續切片的顯微成像等。

2.2 二維數字圖像的預處理

二維數字圖像通過三維成像軟件來處理，不同領域有各自適用的軟件，比如：3D Studio Max，適用于廣告、影視、工業和建筑設計、游戲的三維成像和動畫；Amira，Mimics，適用于識別生命科學和生物醫學數據；Oasis montaj，適用于地球物理勘探、鉆探、地球化學勘探等。軟件對圖像經過增強、圖像定位校正和圖像分割等預處理后進行三維重建。

圖像增強：現在的數字成像技術，基本可以得到分辨率高、清晰度好的圖像，但如果前期成像較模糊，可以通過對比度增強、Gamma校正、銳化或噪聲消除等方法進行處理，以突出目飼域。

定位校正：多臺相機或攝像機從不同角度拍攝的物體外觀圖像、生物標本連續切片的顯微成像由于不能準確定位，還需進行圖像定位校正。

圖像分割：在對圖像的研究和應用中，人們往往僅對圖像中的某些特定的、具有獨特性質的區域感興趣，這些區域稱為目標或前景（其他部分稱為背景）。可根據灰度、顏色、紋理和形狀等提取感興趣目標，從而把圖像分割成若干互不交迭的區域，并使這些特征在同一區域內呈現出相似性，而在不同區域間呈現出明顯的差異性。常用的分割方法有：基于灰度閾值的圖像分割、交互式圖像分割、基于活動輪廓或者形變模型的分割等等。針對不一樣的圖像和待分割的圖像特點，可以選擇不一樣的分割方法。圖像分割是圖像處理的基本前提，同時也是一個經典難題，到目前為止還沒有一種圖像分割方法是通用的。

2.3 圖像的三維重建

二維數字圖像的三維重建技術有兩種：表面繪制和體繪制。舉例而言，你站在一輛汽車前，只能看到外觀，但無法觀察到車子內部的結構如發動機，這是表面繪制；假設汽車和車內中的結構都是半透明的，就可以同時看到所有的細節，這就是體繪制所要達到的效果，即三維透視。表面繪制是表示三維物體形狀最基本的方法，可以提供三維物體形狀的全面信息。它是從數字圖像中抽取一系列相關表面，并用多邊形擬合近似后，再通過傳統的圖形學算法顯示出來。體繪制是依據三維體數據，將所有體細節同時展現在二維圖片上，可以在一幅圖像中顯示多種物質的綜合分布情況，并且可以通過不透明度的控制，反應等值面的情況。該方法特別適合于云霧、流體、大腦軟組織、氣體等無固定形狀的體數據圖像的生成，產生的圖像真實感強。

3 面臨的問題

二維數字圖像的三維重建是數字圖像處理技術十分活躍的研究方向，雖然這一領域的發展十分迅速，但仍有一些方面是需要進一步提高。（1）提高計算精度：圖像分割是人工手動完成，然后通過數學方法來實現，這涉及到個人知識熟悉程度和計算精度，如果個人經驗不足，或者計算精度不夠，則圖像效果不符合客觀實際，不一定能夠達到人眼識別的舒適度。因此，基于專業知識的圖像分割標準化方面還有待進一步研究。（2）計算精度和處理速度之間的矛盾：圖像處理需要巨大的數據運算，運算量遠大于文本處理，所以在提高運算精度的同時還要考慮提高運算速度。（3）計算機三維重建是研究工具，必須加強交叉學科間的聯合研究，才能夠在推廣應用上取得進步。

參考文獻

[1]陳汗青，萬艷玲，王國剛.數字圖像處理技術研究進展[J].工業控制計算機，2013，26（1）：72-74.

[2]孫宇陽.基于單幅圖像的三維重建技術綜述[J].北方工業大學學報，2011，23（1）：9-12.

篇（2）

軟件工程專業工程碩士研究生與傳統的學術型研究生有所不同，前者主要面向企業人才需求和應用軟件開發需求進行培養，因此在課程內容選取、授課方法設計和實驗環節設計上都需要進行思考和調整，這也是北京林業大學在申請到軟件工程專業的工程碩士學科后重點研究的問題。

數字圖像處理課程屬于圖形圖像應用領域的重要基礎理論課，長久以來課程內容主要介紹基本的圖像處理算法以及少部分圖像分割和圖像識別，對于圖像處理在實際生活中所涉及的很多前沿科研領域介紹較少，因此很多研究生無法將課堂講授的理論知識與其后續從事的研究課題有效地關聯起來，感到課堂中講授的很多內容看起來毫無用處，從而喪失了學習的積極性。

很多教師認為把圖像處理中的算法研究透徹、把基礎打好對研究生非常重要，但是這忽視了研究生是有著極強的科研探索精神和豐富想象力的年輕一代。如果將一些在生活中涉及圖像處理的問題交給他們進行探索，將會激起他們濃厚的學習精神和創造力，這種沒有標準答案的應用題目可以進一步鍛煉他們的思考能力。

為此，在課程的教學方法和實驗內容設計上，我們重點培養學生以下兩方面能力。

（1）應用型研究能力，包括發現問題、分析問題和解決問題的能力；

（2）應用型技術能力，包括編程設計能力和項目合作能力。

下面筆者分別從教學大綱、教學方法設計和實驗內容設計3個方面進行介紹。

1.數字圖像處理課程教學大綱

我們在設定教學大綱時，重點參考了多本數字圖像處理方面的經典教材，如楊枝靈和岡薩雷斯編寫的教材。結合之前的教學經驗，同時注意與本科生課程相區別，制訂了兩個原則：加強中高級圖像處理算法的介紹；增加利用圖像處理算法的應用案例的介紹。中高級圖像處理算法主要指圖像分割算法、圖像特征提取方法和運動檢測方法。同時我們還在課堂上給出一些應用案例，進一步幫助學生將理論知識與實踐相結合。

數字圖像處理課程目前作為北京林業大學研究生的專業必修課，總學時為32，其中課堂講授24學時，實驗8學時。相對于其他學校，這門課程的總學時和實驗學時數不多，我們設計的教學內容如表1所示。

2.數字圖像處理教學方法設計

針對培養學生應用型研究能力的目標，我們在教學方法設計上本著激發學生的學習興趣，開闊學生眼界，給學生提供更自由的思考空間的原則，通過下面兩個措施來實現我們的目標。

2.1精心選擇案例

選擇的案例要貼近實際生活，并與課堂上講授的方法緊密銜接。例如，在講解圖像增強和復原這兩章之后，我們引入在實際生活中常見的“圖像去霧”問題，通過如下方法，培養學生研究能力。

（1）要求學生先嘗試用學過的算法來解決這個問題，并在課堂進行算法討論，給出算法結果。

（2）要求學生針對具體問題，查閱文獻資料，了解別人的解決方法。通過查閱國內外的文獻資料，同學們知道了如何根據關鍵詞查詢科研論文，了解哪些電子數據庫中有與專業相關資料，知道了文獻的級別有SCI、EI、核心期刊、一般期刊等。

（3）學生將查到的算法進行分類和總結，撰寫文獻綜述。

（4）每位學生都需要編程實現“圖像去霧”算法，這個算法是結合自己的思考、實踐以及查閱文獻的結果。

通過自己動手，同學們發現如果圖像的清晰度不好，有噪聲，或者沒有歸一化，結果就完全不同。通過自己動手驗證，同學們會發現圖像處理領域的一個最為重要的特點——任何算法主要都是針對一類圖像或是針對一類問題而設計的，因此在算法的適應性上需要有所考慮。

2.2全面介紹圖像處理的各個應用領域

老師在課堂上介紹幾個圖像處理涉及的較為重要的應用方向（如視頻監控、圖像檢索、人臉識別、運動檢測、車牌檢測等）后，將同學們進行分組，每組負責查找一個應用方向的相關資料，討論和匯報自學的結果。匯報內容主要包括：①應用方向的介紹；②涉及的主要問題；③目前的解決方法及應用成果。

通過查找文獻，同學們不僅對課上學習過的經典算法有進一步了解，同時還接觸到很多新算法。通過聽取各組匯報，同學們在較短的時間里，了解了圖像處理涉及的多個主要的應用領域。針對每個應用研究領域，老師引導學生分析該領域的難點和重點，提出問題，再讓學生思考解決方案，沒有標準答案，只希望能夠鍛煉學生的思考能力。以“人臉識別”為例，有很多經典的或較新穎的算法，老師會結合應用領域對其中常用的或比較重要的算法，如PCA方法和Adaboost算法，進行詳細講解，使學生全面了解圖像處理算法的應用領域。

3.數字圖像處理實驗內容設計

針對培養學生的應用技術能力的目標，同時考慮到本課程實驗學時數較少，我們設計了兩個實驗——基礎性實驗和綜合性實驗。

3.1基礎性實驗

目前很多經典的圖像處理算法是用vC++程序實現的，我們要求大家學會讀程序，能夠看懂已有的算法實現程序，并在此基礎上能開發新的功能。

實驗一：實現對多種圖像格式的支持（2學時）

實驗內容：采用VC++編碼實現，基于CDib類，添加支持打開，并保存多種圖像格式的功能。包括JPEG和GIF。

實驗要求：利用學習的圖像壓縮的知識，利用現有的編碼解碼庫實現對IPEG和GIF圖像的打開和保存。

實驗目的：了解多種圖像格式，編寫針對多種圖像格式的讀寫程序，能夠進一步理解針對圖像的編程的特點，同時也進一步了解開發圖像應用程序的適應性問題。

老師在課程初期會向大家介紹圖像處理的一個公開庫——CDib類。該類很好地封裝了圖像的數據結構，涉及很多圖像的基本操作。我們知道現實生活中的圖像常常都是壓縮格式的，如BMP、JPEG、PNG、GIF等。因此在講完圖像的壓縮格式后，對照講過的BMP圖像結構，老師要求學生為CDib類添加能夠支持多種圖像格式的功能。以GIF圖像為例，它不同于如JPEG、PNG等格式，GIF采用的是LZW壓縮算法，使用的是無損壓縮技術。GIF圖像的特點是可以一次壓縮多幅圖像，圖像顏色表控制為256色，使用漸顯方式。

3.2綜合性實驗

針對綜合性實驗，我們會擬定多個題目讓學生選擇，如樹葉提取、花朵提取、車牌識別等。

實驗二：數字號碼圖像的識別（6學時）

實驗內容：采用VC++編碼實現，基于CDib類，針對數字號碼圖像，識別出數字，給出文本顯示結果。

實驗要求：將該題目進行分解，劃分任務；組內每個同學負責一部分任務的編程工作；每個人針對自己負責的工作至少提供兩種實現方法，并放入整個項目流程中驗證這兩種方法的有效性；最后總結出兩種方法的異同以及適應的范圍。

實驗目的：考查學生對數字圖像處理應用中每個步驟的掌握程度和項目合作溝通能力。

上述實驗涉及以下幾個步驟。

①圖像的預處理；

②圖像的分割；

③圖像的特征提取；

④圖像的分類。

組中每個學生負責一個步驟，所有步驟都需要盡心設計，這樣整體的效果才可能最好。同時大家需要協商各自負責模塊的人口和出口的數據結構，保證數據能夠在模塊之間順利流轉。這種協商和分工合作的能力是軟件工程專業最需要的技術能力之一。

以“數字號碼圖像識別”為例，該題目可以分割成4個步驟：預處理、數字圖像切分、數字圖像特征提取和數字識別。在每個步驟中都有分別需要注意的問題，如在預處理階段，需要對圖像進行去噪聲，增強對比度，甚至需要進行膨脹和腐蝕將圖像中斷裂的數字部分連通起來；在數字圖像切分階段需要制定適應性廣泛的切分策略來應對各種情況，如數字排列可以呈現任意的傾斜角度，或數字字符相連等；在數字圖像特征提取階段，我們可以考察每個數字圖像的自相關系數特征，或者每個數字圖像的頻譜特征，也可以考察數字圖像的幾何拓撲特征，如將數字圖像分成2個洞的（8），1個洞的（4，6，9，0），沒有洞的（1，2，3，5，7），針對每個類別再提取新的幾何特征；在數字圖像識別階段，可以采用神經網絡的分類器，或者利用制定的一些分類策略來分類，或者采用主成份分析（PCA）的方法來識別。

4.結語

兩年多的教學實踐表明，新的教學大綱、授課方法和實驗內容有利于激發學生的興趣，使他們帶著問題去學習，從而加深了對圖像處理應用領域的了解，鍛煉了編寫程序和協作開發的能力。下一步我們將設計更多合理有效的案例和綜合性實驗，力圖通過這門課激發學生的創造力。

篇（3）

【中圖分類號】TP391.41【文獻標識碼】A【文章編號】1672-5158（2013）02-0129-02

1.數字圖像處理技術的內容及特點

1.1 研究內容

不管應用到哪個領域的圖像處理圖像數據都要輸入、加工和輸出圖像，其研究內容：

（1）獲取、表示和表現圖像――把圖像信號轉化為計算機可以識別的形式，并把數字圖像顯示和表現出來。

（2）圖像復原――已知圖像發生退化的緣由時，對圖像進行修復，關鍵是建立退化模型。復原是以模型和數據的圖像恢復為基礎，消除退化的影響。

（3）圖像增強――對圖像質量的常規改善。當不知道圖像退化原因時，還可用此技術比較主觀的改善圖像。

（4）圖像分割――人類視覺系統可以輕松地將觀察到的對象區分開來，但計算機卻很難。分割的基本問題目前是將各種方法融合使用，以此提高處理的質量。

（5）圖像分析――檢測和測量圖像中的目標，獲取其客觀信息，是從圖像到數據的過程。

（6）圖像重建――指從數據到圖像的處理。

（7）圖像壓縮編碼――為減少數據容量、降低數據率、壓縮信息量，在不影響其效果的前提下減少圖像的數據量。

1.2 數字圖像處理技術的特點

（1）圖像再現性好――不會因為對圖像的變換操作而影響到圖像質量；

（2）圖像處理精度高――可以將圖像數字處理為任意大小的數組；

（3）適用面寬――來自不同信息源的圖像被變換為數字編碼形式后，都可以用數組來體現灰度圖像。

（4）靈活性高――圖像處理可完成線性及非線性處理。

2.應用領域

數字圖像處理技術被應用到越來越多的領域中，如醫療保健、航空航天、交通通信、軍事、工業、農業、林業等。下面選取幾方面進行分析：

（1）試聽資料證據――視聽資料證據是重要的訴訟證據，在司法訴訟活動中發揮著越來越重要的作用，數字圖像處理技術是視聽資料證據中圖像證據資料技術性司法鑒定的常用手段，是圖片原始性、真偽性、相關性認定的基本方法，如名捕監控錄像模糊圖像處理系統，該系統是手印、足跡、槍彈痕跡、工具痕跡、印章檢驗、文件檢驗以及錄像帶處理等痕檢、文檢、視頻圖像處理工作的必備工具；以及實時視頻降噪儀，能夠實時處理現場錄像流，增強視頻的清晰度，該在錄像安全系統中加強監視錄像的清晰度，或者在警方實地調查拍攝錄像后回到警署再進行降噪。

（2）電子商務――當前的電子商務中，圖像處理技術也大有可為，如身份認證、產品防偽和水印技術等。

（3）軍事公安領域――軍事的目標是偵察、制導和警戒系統和自動滅火器的控制及反偽裝；公安部門的現場照片、指紋、手跡、印章和人像等的處理和辨識；歷史文字和圖片檔案的修復和管理等。而數字圖像處理技術將數碼攝影和圖像處理技術結合起來以其獨特的優勢在公安領域中逐步開始擔當重任，在刑事攝影、檔案管理、痕跡檢驗、文件檢驗、法醫、物證提取以及公安教學或宣傳中發揮著巨大作用，為廣大的公安人員開闊了視野、拓展了思維空間，為執法的公正性提供了有力保證，應用提高了工作效率，減少了人、財、物的消耗，大大提高了工作效率。

（4）智能交通――圖像處理具有算法柔性大、適應能力強等特點，在智能交通系統中取得了廣泛的應用價值，例如車牌識別（車牌定位、車牌傾抖校正與字符分割、車牌字符識別變換等）和車輛檢測與跟蹤系統（包括感興趣區域提取、車輛檢測、車輛跟蹤等），智能車輛導航、車型識別、交通控制等。

（5）航空航天通信――包括圖像傳輸、電視電話和視會議等，主要是進行圖像壓縮甚至理解基礎上的壓縮。

（6）遙感技術――航空航天和衛星搖撼圖像獲取中和獲取后都要用圖像處理技術進行加工處理，提取出有利用價值的信息。主要用來對地形地質、礦藏資源搜索以及農業、水利、森林和海洋等資源調查研究，對自然災害進行預測預報、檢測環境污染、處理氣象衛星云圖以及識別地面軍事目標。

（7）生物醫學領域――圖像處理在醫學界的應用非常廣泛，圖像處理首先應用于細胞分類、染色體分類和放射圖像等，臨床診斷和病理研究中都大量接住了圖像處理技術。它的直觀、安全方便、無創傷的優點受到醫生和患者的青睞。

（8）工業生產中的應用――在生產線中對產品及部件進行無損檢測

（9）機器人視覺――機器視覺相當于智能機器人的重要感覺器官，可以對三維景物進行理解，醫院、工廠、郵政以及家庭中的智能機器人，識別和定位裝配線工件，太空機器人的自動操作。

（10）視頻及多媒體系統――目前，電視制作系統中廣泛使用圖像處理、變換和合成技術，使電視效果更佳。在多煤體系統中廣泛使用靜止圖像和動態圖像的采集、處理、存儲、傳輸和壓縮，以達到使用者的目的。

（11）科學可視化――圖像處理和計算機圖形學的緊密結合，使科學研究得各個領域有了更為新穎的研究工具。

（12）宇宙探測――由于探索太空的需要和太空技術的快速發展，需要用數字處理技術來處理從外太空獲取的大量星體照片。

（13）地質勘探――近年來發展起來的以數字圖像處理技術為基礎、綜合多門學科知識的地學信息處理新技術的多源地學信息綜合圖像處理，使用一些特定的圖像處理方法，實現了多源地學信息綜合圖像處理，用來輔助地質填圖，構造地質研究，進行寸產資源的預測和評估，成為當前地質工作者正在研究和探討的一個問題。

由圖像處理技術在以上幾個領域中的應用可以看出，圖像處理技術在各領域中的重要程度：計算機圖像生成技術在航空航海中可以充當仿真訓練系統，還可以應用到廣告和動畫制作，跟友人將其應用到網游中；圖像傳輸與通信還可在多媒體教學、網絡視頻領域得到廣泛應用；在醫學上，醫學圖像處理和材料分析也日益重要，如超聲成像、X光成像、Y光成像以及核磁共振成像，對醫生工作產生了巨大的輔助；圖像跟蹤和光學制導在戰略技術武器中發揮了重要作用。

3.發展方向

隨著計算機的發展，圖像處理技術將越來越成熟，對各領域的影響也越來越大，總的來說，圖像處理技術的發展有以下幾個趨勢：

（1） 在目前的基礎上，圖像處理速度越來越快，分辨率越來越高，多媒體應用光來月廣泛，標準化、立體化程度越來越高，并產生智能化的趨勢；

（2） 在目前二維基礎上將出現多維成像的趨勢；

（3） 芯片廣泛運用到圖像處理技術中，使用起來更加方便；

（4） 將出現新的算法與理論。

圖像處理技術在各個領域的應用與發展，大大降低了相應領域的工作難度，效率更高，質量也無可挑剔，使人類受益匪淺。日后圖像處理技術將進一步根據人類需求，在相關科研人員的努力奮斗下而實現新的突破，在更為廣闊的領域造福人類事業。

參考文獻

[1] 李紅俊，韓冀皖.數字圖像處理技術及其應用. 計算機測量與控制，2009.

[2]W.K.Pratt.DIGITAL IMAGE PROCESSING.Johnwiley & Sons，inc， 2008.

[3]楊枝靈，王開.Visual C++數字圖像獲取、處理及實踐應用.人民郵電出版社，2003

篇（4）

中圖分類號：TP391 文獻標志碼：A 文章編號：1009-3044（2015）13-0180-02

隨著科學技術的不斷發展、計算機應用領域的不斷開拓，圖像處理方法應運而生，目的是利用計算機設備將圖像進行分類處理，用于智能分析圖像信息。當今圖像處理與識別的應用范圍越來越廣，但就目前的水平而言，計算機對外部的感知能力還比較薄弱，還需要投入大量人力、物力從事數字圖像處理與識別的理論和應用的研究。于是各行各業對于數字圖像處理技術的精確化與智能化有著更大的需求。這樣的需求尤其體現在航空航天、生物醫學工程、工業檢測、機器人視覺、公安司法、文化藝術等領域。

而本文針對數字圖像處理技術的特性，將其應用在普遍計算機操作行為的分析之中，實現了一種根據計算機操作過程中顯現的圖像色彩來智能分析其操作行為的創新功能。

1 算法簡介

彩色圖像的聚類分析以及K-means算法是本課題的關鍵。本文通過彩色圖像聚類分析與K-means算法將圖像轉化為3類模塊，分別為正常圖像，渲染圖像與灰度圖像。對這3類模塊同時進行遍歷與聚類，計算出其影響行為分析判斷的影響色塊區間與影響深度區間，基于兩類區間相互結合，最終依照閥值界限對原圖像進行行為判斷，得出操作行為分析結論。

圖1為算法結果演示圖。

2 算法實現

2.1獲取計算機圖像

獲取當前窗體的大小，創建一個以當前窗體為模板的圖象，創建一個位圖Bitmap繪圖圖面，得到窗體的句柄和圖像的句柄，復制土塊的光柵操作碼，調用API函數，實現窗體捕獲。釋放句柄，保存圖像。本例中圖像結果如圖2。

2.2彩色圖像聚類分析

根據行為分析圖像?自定義顏色的色系，程序將獲取的圖像，統一轉化為rgb格式，遍歷圖像的像素點，獲取圖像中色系種類與比例及色系的位置，統計主要顏色所在色系的權重。根據自定義的色彩模型，分析圖像內容。

基于色彩圖像的RGB格式，建立三維坐標圖，其中R為X軸，G為Y軸，B為Z軸，坐標軸長度均為255，根據近似色的微小差別，將三通道色素劃分為14個色系，即14個色彩區塊，之后根據色彩區塊的冷暖調與鮮明程度，與已有的操作行為圖像結果進行匹配統計得出具體閥值。圖4為劃分的部分色系圖。

根據彩色圖像將所有像素點規劃到14個色彩區塊，之后遍歷所有像素點將其編入類組，將同一類組的像素點進行渲染形成同一顏色，圖3為渲染圖。

通過反復試驗經驗積累，按照冷暖色調與色彩鮮明度提取出色彩區塊中該色彩比例對行為分析判斷結果造成影響的六類色區。構建一個影響色塊區間，存放六類色區中最終對行為分析結果造成影響的像素點。統計這六類色區，當某一色區所占總像素比例超過指定閥值時（本閥值是在反復試驗中經過大量已歸類行為圖片分析計算后歸約出來的行為色彩區分界限），保存其色區像素比例致影響色塊區間。圖5為主色系所占比例。

2.2灰度圖像聚類分析

本研究中對于灰度圖像的聚類分析主要根據K-means算法進行聚類實現。

本研究所采用的K-Means聚類算法的優點主要集中在：算法快速、簡單；對大數據集有較高的效率并且是可伸縮性的；時間復雜度近于線性，而且適合挖掘大規模數據集。

K-Means聚類算法的時間復雜度是O（nkt） ，其中n代表數據集中對象的數量，t代表著算法迭代的次數，k代表著簇的數目。

K-means算法具體流程為：

1）隨機選取k個聚類質心點（cluster centroids）為[μ1，μ2，...，μk∈Rn]。

2）重復下面過程直到收斂

對于每一個樣例i，計算其應該屬于的類

[c（i）=argminj||x（i）-μj||2]

對于每一個類j，重新計算該類的質心

[μj：=i=1m1{c（i）=j}x（i）i=1m1{c（i）=j}]

在 K-means 算法中 K 的選取均有人工指定，而 K 值的選定是非常難以估計的。本文在對大量原始數據實驗結果的基礎上進行總結，得出當k值選定為5時，對于操作行為分析具有最佳精準度。

在 K-means 算法中，首先需要根據初始聚類中心來確定一個初始劃分，然后對初始劃分進行優化。這個初始聚類中心的選擇對聚類結果有較大的影響，一旦初始值選擇不當，則可能無法得到有效的聚類結果。本研究中初始聚類中心，是根據彩色圖像的比例最大的主色系的位置的中心來設定的。

3 算法效果

本文針對目前市面中出現率頻繁的娛樂游戲、電影、辦公軟件、學習軟件進行檢測，本算法效果有著較強實用性。其中，深色系游戲與電影分析的效果顯著，如《英雄聯盟》、

《DOTA》、《哈利波特》。而淺色系游戲，在特定場景中分析效果會受到干擾，如《劍網三》當中對圖片進行光暈處理后，其影像色彩區間受到波動。對此現象，經過大量的圖片測試，對游戲類的圖像進行了歸納，這對今后的算法修改提供了很好的數據矯正。

4 結束語

本文立足于圖像處理技術的創新與應用，并將圖像處理技術與計算機操作行為分析相結合，運用自編彩色圖像聚類分析算法對圖像色彩進行分類統計，構建影響色彩區間并對區間色彩進行操作行為匹配，劃定區間閥值。以及引入K-means算法對圖像進行灰度化處理，通過實驗數據結果以及經驗選擇K值以適應行為分析計算，同時構建深度影響區間，對圖像色彩深度進行分類，最終結合影響色彩區間劃定行為分析界限。實現了智能分析計算機操作行為的創新，擺脫人工監控與識別行為。這對將來自動對計算機圖像界面、行為模式分析的監控與統計提供了可觀的價值。

參考文獻：

[1] Parker J R. 圖像處理與計算機視覺算法及應用[M]. 2版. 北京： 清華大學出版社， 2012.

[2] 趙春江. C#數字圖像處理算法典型實例[M]. 北京： 人民郵電出版社， 2009.

篇（5）

中圖分類號：F416.22 文獻標識碼：A

數字圖像處理技術是通過電腦來去除噪聲形象，提升、回收、分割、特征提取的處理方法和技術，探索石油地震勘探地球信息科學與科學之間的交叉學科，可以利用數字圖像處理的一些方法進行研究。當前，圖像處理技術的飛速發展提供一個新的方法來解決這些交叉科學問題。地震數據的處理過程中應采取綜合研究模型，即采用合理的數學模型和信息技術，地震資料成像、地震數據的形式表達的形象，所以地震數據不僅形象直觀，而且可以利用圖像處理技術進行處理和分析，并改善直板的地質問題的認識。因此，邊緣檢測技術在地震資料儲層預測將扮演一個重要的角色。

1 邊緣檢測

1.1 常見算子分析

邊緣檢測算法的比較分析在地震儲層中的應用極為少見，但信息科學和圖像差異對噪聲有一定的抑制作用。從研究中，原始和漸變噪聲圖像處理效果較好，邊緣檢測算子更好，二階微分算子，圖像中的邊緣點的順序和精確定位的旋轉不變，導致該算子容易丟失。邊緣信息的一部分，導致一些離散的邊緣檢測方法相對適應。經典的邊緣檢測是應用微分形象的特點的邊界點進行檢測。該模型可以看出，這種方法是有效的檢測，可應用于實際應用。因此，針對油藏斷層、裂縫、泥巖邊界，可以使用邊緣檢測技術對這些特定的邊緣識別。

1.2 小波變換

裂紋檢測和分析的圖像邊緣檢測有很多相同之處，基于小波多尺度邊緣檢測理論，結合裂縫的地震波場的多尺度小波變換局部極值的模式，因為這些極端值設置沒有門檻限制，檢測裂縫三維地震記錄的某些特征的位置，然后根據鉆井、測井數據得到裂縫的總體特征的分類和分布的該區裂縫，調整模量在圖像的灰度，最后自動識別裂縫發育程度。對儲層砂體的識別和斷口的分析，一般采用的方法是進行奇異性檢測。無論是簡單的邊緣檢測算子或多尺度小波邊緣檢測方法探測目標，邊緣檢測的結果有很大的不確定性。

2 應用

2.1 地震資料解釋

地震資料解釋水平地震剖面上斷裂規模，因為地震資料分辨率的限制，在這種情況下，引入邊緣檢測算法比較，該方法能精確地識別出圖像或數據放在一個水平的優勢，可以很好地對具體比例的地質特征，成像識別。該技術在裂縫識別和河床邊界識別，尋找圖像的像素位置變換，簡單說就是像素圖像有用的信息，即斷層和河床邊界的信息，在油藏描述、河道砂、小斷裂并且對預測和油氣開發都有重要的意義。跟描述技術相比，邊緣檢測技術有其獨特的優點，最大的優點是它的多尺度性。由于過錯的沉積特征而使用像素來描述不同的集合像素，邊緣檢測技術有其獨特的優勢。利用圖像處理的邊緣檢測理論，對地震資料的處理，不僅可以確定三維數據體的缺點而且對河道砂體連通性描述可靠合理的注采井網的部署和回收網絡改善，具有重要的指導意義。

2.2 裂縫預測

將圖像處理技術移植到地震儲層預測會給裂縫性儲層識別與評價的探索帶來新的觀念。利用邊緣檢測技術對地震屬性處理，然后結合電阻率成像測井資料、巖性資料、測井資料和瞬間的壓力數據高速預測裂縫。相比之下，國內學者的研究對更具體的邊緣檢測算法，提出了算法和研究對象。通過選定的振幅數據對象，利用數字圖像處理的方法預測裂縫振幅值的測試，結合裂縫地震波場的多尺度特性，提出了碳酸鹽巖裂縫預測的多尺度邊緣檢測方法。該方法的主要思想是用小波變換局部極值的模式試驗三維地震記錄，在裂紋特征的位置，并通過調整模量在圖像的灰度、識別裂縫發育。

3 地震數據預處理方法

地震數據采集帶噪聲會影響地震資料的質量。因此，對地震數據預處理，圖像預處理是用各種各樣的數字圖像處理技術來提高，這方面的研究方法很多，有自適應誤差擴散算法、中值濾波等。這些方法的目的是光滑脈沖噪聲，只有在通過圖像預處理方法后才可以在后續的地震儲層預測中取得良好效果。

3.1 濾波方法

在一些資料研究對象中，有些信息是不切合實際的應用價值，所以地震信息過濾是非常必要的。在這方面，技術的使用提高了地震剖面的信噪比的形象。其關鍵技術是利用光流分析技術，并計算了相應的分地震剖面上超過偏，然后使用圖像積累的地震剖面進行積累技術，實現了三維地震數據體提高信噪比。該方法充分利用了三維地震信息，不僅可以改善的信噪比數據體，而且可以降低信號的能量損失，使原始信號的能量關系，使地震剖面的品質，增加明顯的地震解釋一個良好的基礎。該方法的實現，為地震資料的處理提供了新的思想、橫向分辨率圖像增強，就是與相軸連續、斷點清晰，以便提供更好的地震資料解釋的物質。

3.2 邊界處理方法

地震信息十分豐富，在這種情況下，我們必須有一個地震數據的邊界處理，提出了一種基于邊緣檢測算法的動態誤差擴散。分散的方法以及誤差方向每一個像素的邊緣，然后根據結果選擇邊緣檢測的像素的動態誤差四面八方擴散系數的方法，這種方法能減少誤差分散過程中的誤差積累。實驗結果表明，該方法能有效提高造成的誤差系數和分散的細節圖像輪廓損失。在眾多的濾波算法，提出了一種自適應反饋的誤差擴散算法。該方法首先采用提出視、聽知覺差的概念，并根據原始圖像的灰度區域特征，自適應反饋系數的計算，將被遣送回原來的視覺形象，以彌補連續可調造成的誤差擴散的不同區域的灰度損失。該算法可以顯著提減弱點獲得的不良影響的現象，準確地代表更多的圖像細節，并表現出比傳統算法更好的主觀視覺效果，該方法的運用就會在地震儲層的細節描述提供很好的保證。

4 展望

地震信息處理與分析是一門交叉學科，邊緣檢測技術依賴的地震資料、地質目標和數學方法來決定。在方法的選擇，通常是經多種方法的比較分析及各種世界算法才能達到目的特殊待遇。根據技術邊緣檢測可以有效解決中小裂隙型儲層、裂縫和砂體的邊界識別，地球物理工作者建議在特定目標首先建立數學模型的實驗驗證了算法的權利。例如，一個差異，為代表的經典的邊緣檢測方法，可以通過不同的數學模型，能突出其變化信號點，重點是邊緣化。但無論經典邊緣檢測算法或其他復雜的邊緣檢測方法，每一種方法的結果也不同。因此，邊緣檢測技術在地震資料用于問題不僅僅是簡單的圖像處理問題，尤其對小裂隙型儲層、裂縫和砂體的邊界識別和影像，首先引入到地震數據的邊界濾波器，并在此基礎上，對研究對象的規模水平選定合適的數學算法處理，最后達到對處理結果的空間認識和理解，并與之相配套的地質目標。最后，邊緣檢測技術在石油勘探開發中的應用應結合地質、物探、鉆井測井數據分析。

參考文獻

[1]楊文采.應用地球物理數據處理與分析[J].地學前緣，1998，5(2):231－235.

[2]王新成.高級圖形處理技術[M].北京:中國科學技術出版社，2001:119－130.

篇（6）

中圖分類號：TP3 文獻標識碼：A 文章編號：1007-9416（2014）02-0120-02

Abstract：DSP hardware based license plate recognition system characteristics， analyzes plate region improved positioning algorithm， character segmentation algorithm to improve the efficiency of the license plate recognition.

Key Words：license plate identification；DSP；algorrithm

1 引言

據公安部相關數據統計，現如今我國汽車保有量已達2.4億輛，且每年的增長率都在15%以上，應用智能交通系統來解決隨之產生的交通問題已是大勢所趨。基于DSP的車牌識別方法是智能化車牌識別的有效方法。現如今，自動車牌識別技術已被廣泛應用，但由于算法的復雜性與效率的矛盾，及算法于系統上的應用的困難性，對車牌識別的關鍵算法還有待于更深入的研究。

2 硬件系統結構

通用可編程的DSP芯片的硬件技術的發展給數字圖像處理帶來了飛躍性的進步。要實現車牌識別，需要數字圖像處理技術中的很多復雜的算法，基于DSP的車牌識別系統也因此得到了廣泛的研究與應用。為了提高整個系統的可操作性及性價比，當前應用最多的是分布式的處理模式，即聯合PC機與DSP的優勢共同完成車牌識別系統，其總體結構及具體結構如（圖1）所示：

3 車牌識別關鍵算法

算法流程為圖像預處理、車牌定位、車牌分割，最后字符識別。圖像預處理為提高攝像機攝取的圖像質量，便于后續處理。利用DSP技術在處理車牌識別關鍵算法中的車牌的定位與字符分割方面優勢顯著。

3.1 車牌定位

基于灰度圖像的定位技術日趨成熟，但彩色圖像包含了圖像的更多信息特征，加之車牌的底色是有規律可循的，所以基于彩色圖像的定位技術越來越成為在發展定位技術上的突破點。本文定位的思路為：

（1）圖像從RGB空間轉換到HSI空間，其算法為（以藍底白色車牌為例）：

（3）對二值圖像進行水平投影[1]，從車牌固有的矩形特征中的高度特征提取車牌圖像，如圖3所示。再使用特征顏色邊緣檢測法，檢測車牌正確位置，如圖4所示。

（4）根據車牌固有的矩形特征中的寬度特征，使用垂直投影法提取車牌圖像，如（圖5）所示：

3.2 字符分割

字符分割是字符識別的關鍵前提。在2013年新交通法規中規定，對故意遮擋、污損、不安規定安裝車牌的扣12分的處罰，這項規定的出臺，也間接降低了算法的復雜性。本文采用車牌字符間隔的特征在垂直投影中的規律來進行字符分割。

其算法原理為：

（1）設垂直投影值為T，閾值為V，在確定前還要充分考慮字符粘連、斷裂及“1”字符的特殊性。當時，T=0。

（2）設數組為從左向右掃描的投影值，當掃描的數組的值時，字符的寬度設為。根據規律[2]，單個字符的寬度約為45mm，除第2、3字符的間隔為34mm，其它字符的間隔均為12mm。由此，得出以下3中情況：

（1）時，為字符粘連，取為單個字符的寬度；

（2）且后面的字符也如此時，為字符斷裂，合并這兩個字符；

（3）且不滿足字符斷裂，此字符為數字“1”。

實驗結果如（圖6）所示：

4 結語

本文在以DSP處理器TMS320DM6437嵌入式系統上對以上兩大關鍵算法進行實驗研究，在150張不同類型的車牌進行識別后，測試結果的正確率92.3%，且處理的速度達到實時處理的需求。為以后在智能交通控制系統中的車牌識別技術的提高和發展提供了參考基礎。

參考文獻

篇（7）

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2013）11-0110-02

計算機人臉識別技術是利用計算機分析圖像，進而從中提取有效的人臉特征息。隨著成像設備的不斷發展，計算機運行速度的大幅提高，為人臉識別提供了可靠的硬件基礎。而人臉識別首先要完成的就是人臉檢測，可靠穩定的人臉檢測是完成人臉識別功能的基本條件。

1 人臉檢測系統的設計

人臉檢測系統主要有5部分構成，流程圖如圖1所示。

（1）獲取圖像：從輸入設備中獲取將要處理的圖像。

（2）預處理：將獲取到的圖像進行預處理，處理成適合特征提取的圖像。

（3）特征提取：對預處理后的圖像提取人臉檢測所需特征。

（4）人臉檢測：根據所提取到的特征來判定是否為人臉。

（5）輸出檢測的結果。

2 Adaboost算法的基本原理

Adaboost算法是由Viola和Jones與2001年提出來的一種基于統計理論的方法。該算法主要分為分類器訓練和模式識別兩大部分。人臉檢測通過訓練，可以從一個很大的特征集當中提取出很小的一部分特征作為關鍵特征，進而產生一個極其有效的分類器。在以后的人臉檢測當中就使用這個分類器將人臉與其他背景區分開來，最終確定人臉的大小和位置。

a.尋找使得權重為的錯誤最小的分類器.

b.求，這兒，如果最小錯誤滿足，則繼續；否則退出。

c.設置的權重這里的是

步驟2b中的最小錯誤。

d.更新數據點權重：這里的將所有數據點權重歸一化。

如果在2b步驟找不到小于50%錯誤

率的分類器，則停止，表面可能需要更好的特征。

訓練算法結束之后，最后的強分類器接受輸入向量 x，使用所有的弱分類器的加權來進行分類。

這里符號函數將所有的正數變為1，所有的負數變為-1。

通過該算法我們構建了一個高檢測率低拒絕率的多層樹分類器，具有如下創新特征：

它使用類Haar輸入特征：對矩形圖像區域的和或者差進行閾值化。

它的積分圖像加速了矩形圖像區域45度旋轉值的計算。

使用統計來創建兩類問題（人臉與非人臉）的分類器節點（高通過率、低拒絕率）。

將弱分類器節點組成篩選式級聯。也就是說：第一組分類器最為簡單，能夠通過包含物體的圖像區域，同時允許一些不包含物體的圖像通過；第二組分類器為次優分類器，也有較低的拒絕率；以此類推。在測試模式下，只要圖像區域通過了整個級聯器，就認為里面有物體。如圖2所示。

3 人臉檢測的實現

4 結語

經過實驗驗證，本文所闡述的方法能夠有效的進行人臉檢測。但同時也會因為光照，人臉方向轉變而發生一些誤判，對此，還需要對應不同的情況進行特殊的預處理來保持檢測的準確性。

參考文獻

[1]，林學訚.數字圖像處理.北京：電子工業出版社.2011.

篇（8）

中圖分類號：TQ533 文獻標識碼：A 文章編號：1674-098X（2014）01（a）-0005-02

在我國的電力供應中，有很大一部分來自火力發電。火力發電對煤炭資源的需求最大，因此提高煤的燃燒效率變得十分重要。煤的燃燒特征是煤的顆粒越小，越容易燃燒殆盡，而且在其燃燒過程中所產生的硫化氣體等污染物也會相對較少。所以通過一種有效的辦法對煤堆進行顆粒粒度識別具有重要意義。顆粒物識別檢測通常采用的方法為篩析法、重量沉降法、激光散射分析等，這些方法中存在人為操作量大，重復性不好，且不能給出顆粒的相關參數特性等缺點[1]。該文運用數字圖像處理技術對煤顆粒進行處理分析，可避免上述方法的不足，提升測量速度節省時間，增強測量準度和精度。并提出結合分形理論，對煤堆顆粒作分形分析。圖像處理方法作為對煤堆特性分析方法可利用軟件得到相關的煤堆顆粒粒度參數、進而可以選擇相應適合的條件對煤堆進行顆粒過濾，從而滿足工業要求。

1 圖像處理技術

1.1 數字圖象處理的特點

隨著計算機科學的發展與工控程度的提高，圖像處理技術被越來越廣泛的運用。在顆粒檢測識別領域，圖像處理技術有著得天獨厚的優勢。它減少了單純的人工操作量，降低了測量過程中的粗糙性。提供了對復雜細微顆粒處理的可行性，加快了分析處理速度并且可以直接或間接的獲取人們所需要的信息。實現過程的實時監測和控制。

1.2 煤堆顆粒的圖像識別系統框架

圖像識別系統主要包括圖像采集和圖像處理兩部分。圖像采集主要由圖像傳感器來完成，圖像處理主要由計算機和相應的系統軟件來完成。框架如圖1。

在煤堆里取樣，用粉碎機磨制好煤粒粗樣后得到煤的顆粒樣本如圖2。然后通過CCD圖像傳感器采集到圖像，進行數字化處理后存入計算機，獲取煤粒原始圖像。再利用軟件對數字圖像進行相應處理得到相關圖像參數，最后根據所得參數數據分析得出煤粒特性結論。

這里選用CCD傳感器來獲取數字圖像如圖3所示。CCD圖像傳感器是一種特殊的半導體材料又名電荷耦合器[2]。它由大量按矩陣排列的獨立光敏元件構成。可直接將光信號轉換為電信號，然后電信號經放大和模數轉換后，實現圖像的獲取、存儲、傳輸、處理和復現等操作。由CCD攝像設備采集的光學圖像轉成模擬信號經圖像模數轉換器進行數字化后，得到數字圖像交由計算機處理。它最顯著的優點是噪聲低、響應速度快、像素分辨率高等。

1.3 煤堆顆粒圖像的數字化處理

在計算機中利用軟件對原始顆粒圖像（圖4）進行預處理。對于一張圖像來說，往往需要提取目標物，所以先作灰度變換減少圖像噪聲，保證圖像質量。每一副圖像相當于一個矩陣，矩陣的行和定圖像中的每一個點，矩陣中的元素值對應該點的灰度級。圖像矩陣中的每個元素就是像素。顆粒本體灰度值與背景圖層灰度值較為均勻，進行灰度變化后效果較好，灰度圖有無明顯的雙峰。灰度變換不足以達到最終效果，需要對圖像作二值化處理。手動改變圖像閾值，顆粒圖像二值化效果發生改變，當觀測圖像變化效果最為理想時停止改變，確定一個最佳的門限閾值。二值化處理后顆粒如圖5。另外也可以選擇自適應閾值分割，但是無法同步觀察變化過程，且計算量相對較大耗時長，無法達到背景圖層與顆粒本體二值化圖像最佳效果。

2 煤堆顆粒特性分析

2.1 顆粒的形態描述

從顆粒的形態學切入，分析顆粒粒度及形狀。粒度是顆粒在空間范圍所占大小的線性尺度。通常表面光滑的球體顆粒的粒度用直徑表示，立方體顆粒的粒度用邊長表示。對不規則的礦物顆粒，可將與礦物顆粒有相同行為的某一球體直徑作為該顆粒的等效直徑。對許多取向混亂的顆粒按一定方向測量平均線度的統計作為當量徑。由于獲取的是顆粒投影圖像，則可按二維投影規則對煤粒度進行定義[3]。

2.2 煤堆顆粒粒度相關參數

顆粒面積的計算，通過對圖像像素點的統計得到。統計獲得顆粒像素的個數后，還需要用一個標準單位來標定。通過比例換算得到目標顆粒實際面積大小。采用逐行掃描的方式對圖像中每一個顆粒進行標號確定單個顆粒參數。這樣每一個目標顆粒的參數都有一個歸屬，不容易產生混亂。

顆粒周長的計算可以通過對二值圖像中目標物的邊緣像素計算獲得。依然可以采用順序逐行掃描的方式對圖像進行掃描。對圖像邊緣像素跟蹤累加，統計像素個數可得周長。因此顆粒的當量直徑可以根據顆粒粒度定義由面積和周長求得。此外還可以利用計算機圖像系統對顆粒進行自定義多方向掃描，獲取每一個方向上的粒徑值再進行平均。用該平均值對粒徑大小作粗估計值，這里并沒有對此種方法加以詳細證明。

這樣就可以根據不同粒徑的顆粒物在顆粒總體中所含的百分比來確定粒度分布。此外還可以根據顆粒粒度來進行顆粒分級，明確顆粒的層次關系。

3 煤堆顆粒與分形理論

3.1 分形理論的定義

分形理論是時下非常流行的新理論。分形理論的最基本特點是用分形分維的數學工具來描述研究客觀事物。它跳出了一維的線、二維的面、三維的立體乃至四維時空的傳統藩籬[4]，更加接近客觀事物和復雜系統的真實屬性。

3.2 顆粒粒度的分形分析

在顆粒的形態特征中，主要討論了分形分維的方法。把分形維數作為顆粒形態描述的一個重要角度。分形維數在一定程度上體現了顆粒的某些化學物理特性。實際測定分維的辦法有很多，如根據尺度、測度關系、相關函數等。針對顆粒的不同特征可以建立不同的分形模型。對于無規顆粒具有如下分形特征式：

。

①根據邊緣進行分形分析，顆粒的無歸邊緣曲線可利用盒維數[5]計算得分形維數。與邊緣線相交的正方形個數記為盒子數N（如圖6盒子數為16），盒子大小為k*k，k即盒子的邊長。存在推導關系式：-；D記為分形維數，B為常數。通過推導關系計算擬合數據可得到分形維數D。在對k取值時，k值越小所能取到的盒子數也越多，邊緣分形結果越精確。理論上顆粒邊緣復雜程度越大，分形維數值越大。邊緣分形維數體現顆粒的輪廓曲線特點。這里取了4個不同顆粒樣本進行了圖像處理后，經過計算分別得出4個樣本的分形維數，進行比較。

從表1中可以看出顆粒邊緣分形維數變化不是特別明顯，原因可能與所取的盒子邊長k有關。還需要結合其他形狀參數來進行特征描述。說明僅僅利用顆粒邊緣分形分維作為煤粉顆粒特性標準描述有待改進。

②根據顆粒粒徑分形有關系式：-。是粒徑分布分形維數，R是粒徑大小，為粒徑大于R的顆粒數。同樣可以通過擬合數據計算得到顆粒粒徑分布分形維數。在選取了3組顆粒圖像進行了顆粒粒徑分布分形維數計算后得到相關參數如表2。

從表2來看，粒徑分布分形很大程度上與顆粒數目有關。分形維數是根據統計粒徑R以及對應的顆粒數目N進行擬合后得到的直線斜率。盡可能的選取較多的顆粒圖進行計算，分形維數越準確粒徑分布分形偏差越小。顆粒粒徑與分布分形維數呈負相關關系，粒徑越小分布分形維數越大，粒徑分布隨粒徑減小呈現的分形特征越明顯，反映煤堆顆粒粒徑分布越復雜。

5 結語

對于煤堆顆粒的識別，采用數字圖象處理技術能夠提高識別檢測的速度，同時還可以減小大量人為干預造成的誤差，避免檢測重復性低等缺點。對于煤炭行業提高燃煤利用率和降低污染有著重要的意義。本文主要通過圖像灰度變換、圖像分割等方法對煤粒圖像做處理。同時結合分形理論進行分析，得到煤堆顆粒粒徑分布分形等參數，說明了顆粒分形的可行性并對煤的顆粒分形特征進行描述。但是在粒度形態識別中只是對二維投影圖顆粒粒徑做了說明，還可以從形狀因子等參數考慮，綜合描述顆粒特征。對顆粒分布分形也不完善，需要做進一步研究。此外，如何更好的提取顆粒的邊緣輪廓，找到顆粒新的參考特性以及分形與工業分析之間的關系是下一步探討的方向。

參考文獻

[1] 苗春衛，李玉祥，王克家，等.基于數字圖像處理的煤粉顆粒檢測[J].應用科技，2003（2）：1-3.

[2] 青.基于分形理論的大氣懸浮顆粒物圖像識別[D].武漢：武漢理工大學，2006.

篇（9）

1 引言

近年來，人們提出了許多方法用于檢測和跟蹤序列圖像中的運動目標，但是由于受到計算機速度和算法復雜度的限制，使得在檢測和跟蹤運動目標的實時性和魯棒性方面總是不太理想。同時在設備不斷小型化、集成化、網絡化的今天，FPGA由于其可編程的特點成為嵌入式開發的最佳平臺。因此，本設計核心模塊為Altera公司的Cyclone系列FPGA EP4CGX150DF3117N核心處理器，以提高系統的整體的性能。[1]

2 系統工作流程和原理

系統主要由一體化攝像機、高速數字云臺、視頻解碼器SAA7113H、圖像存儲器SRAM，FPGA控制器、以太網模塊、監視器、報警模塊等部分構成。

該跟蹤系統的工作過程為：系統開機后FPGA加載程序，然后根據算法對采集到的圖像進行處理，獲得控制云臺的參數并傳遞給云臺控制器，從而跟蹤目標運動。具體實現過程：攝像頭安裝在跟蹤轉臺上，攝像頭輸出的電視制式的信號（含有圖像和同步、行場消隱信號）一路送到監視器上進行實時監視，另一路經過視頻預處理，經過SAA7113變換后送入圖像處理單元FPGA進行圖像處理，圖像處理單元首先形成一個檢測（波門）窗口，然后在窗口中檢測、識別、提取出目標圖像信號，確定出目標在當前幀觀測圖像中的精確坐標，經計算得到相對于攝像頭瞄準線的偏差量，送至伺服機構，云臺輸出控制信號控制步進電機轉動，帶動云臺上的攝像頭轉動，使目標始終處于視場中心，從而達到跟蹤的目的[2]。通過以太網上傳目標坐標數據，用于進一步分析。

3 裝置硬件的具體實現

本裝置對核心處理器、視頻解碼芯片，以太網模塊等器件的選擇關系到整個裝置的性能和價格，即選擇性能價格比高且能滿足設計需要的器件。

3.1核心處理器選擇

處理器需要根據算法及實際被測目標對處理能力的要求來選擇。目前的處理器主要有單片機、ARM、DSP、FPGA等等。本裝置核心模塊主要是Altera公司的Cyclone系列FPGA EP4CGX150DF3117N，該芯片有149760個邏輯單元，RAM 635520 bit， 8個鎖相環，用戶I/O 508個，芯片具有很高的性價比，還支持SOPC ，從而完成各模塊功能，并協調整個系統工做。芯片功能很強大，為以后系統升級，算法改進，數據量增大提供很大空間。

3.2 視頻解碼芯片SAA7113 和以太網W5100配置

為了使視頻解碼芯片SAA7113H可以按照預想的方式工作，需要對其進行初始化，視頻解碼芯片為I2C串行總線，在上電后首先修改SAA7113H的內部寄存器的數值，進行正確初始化[3]。

W5100是一款多功能的單片網絡接口芯片，內部集成10/100以太網控制器，內部集成為全硬件形式，且具有經過多年市場驗證的TCP/ IP協議棧，太網介質傳輸層MAC和物理層PHY 硬件，TCP/IP等協議已經在很多領域經過多年驗證[4]～[5]。

W5100內部集成有16KB的存儲器用于數據傳輸，使用W5100不需要考慮以太網的控制，只要進行簡單的端口SOCKET編程。此外，其接口非常簡單，可選擇SPI接口。

對上述兩個模塊的設計采用SOPC方法，SOPC是一種用于嵌入式開發的片上可編程系統，設計靈活，可剪裁，可升級軟硬件在系統可編程的功能，運用FPGA 的NIOS II 對 I2C，對SPI口配置過程為：運行QUARTUS II 軟件中的SOPC BUILDER 添加I2C，SPI 模塊，從而構成功能強大的32位NIOS嵌入式系統。

4 目標的跟蹤定位

確定目標位置的方法分兩類，即波門跟蹤和相關跟蹤算法。本文采用形心跟蹤算法，該算法對跟蹤窗內的數字圖像處理得到一閾值，再從跟蹤窗內的數字圖像中分割出目標像元，然后根據分割出的全體目標像元位置數據和目標像元的點數，計算出目標的形心，目標的形心相對于視場中心的位置數據則作為目標偏差數據[6]。

5 結論

本文介紹了一種移動目標跟蹤裝置。該裝置是以ALTERA公司的FPGA芯片EP4CGX150DF3117N為核心處理器。通過以太網上傳的跟蹤信息來看，看該系統取得了較好的跟蹤效果，實驗結果證明該裝置能夠很好的適應目標檢測和跟蹤算法，該裝置對運動目標監視和跟蹤產品有一定的參考意義。

參考文獻

[1]楊宜禾，周維真.成像跟蹤技術導論[M].西安電子科技大學出版社，1992.

[2]王栓，艾海舟，何克忠.基于差分圖像的多運動目標檢測與跟蹤[J].中國圖形圖像學報，1994（6）.

[3]郝迎吉，劉青，徐凌志.基于EPP和FPGA的CMOS圖像傳感器的數據采集[J].電子設計應用，2002（01）.

[4]黃釘勁，阮照軍，王剛，郭小莉.基于FPGA的圖像采集與遠程傳輸系統設計[J].西安工業大學學報，2008.

[5]放璐，楊天怡，牟萬軍.數字圖像遠程監控系統的組網方式[J].電子產品世界，2002（21）.

篇（10）

[2]/swt/[OL]

[3]Steve Northover,Mike Wilson.SWT:The Standard Widget Toolkit,Volume 1[M].Pearson,2004,7:2

[4]Rob Warner.The Definitive Guide to SWT and JFACE[M].Pearson,2006

[5]戴歆.Java Swing程序開發[J].軟件導刊,2007,17

[6]爭雄,劉特,童C.利用Java Swing輕量級組件開發的網絡流量賬務系統[J].計算機工程,2002,12

[7]鐘聲,趙榮彩.JAVA語言中的本地方法[J].計算機應用,2000,2