前言：中文期刊網精心挑選了數字圖像處理綜述范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
數字圖像處理綜述范文1
關鍵詞：數字圖像處理；工程碩士；應用型研究；應用型技能；軟件工程
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?。?/p>
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。
參考文獻：
數字圖像處理綜述范文2
關鍵詞：邊緣技術；石油；勘探；技術
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.
[3]段瑞玲，李慶祥，李玉和.圖像邊緣檢測方法研究綜述[J].光學技術，2005，31(3):415－419.
數字圖像處理綜述范文3
關鍵詞：分形理論 圖像處理 識別檢測 粒徑分布
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?？蚣苋鐖D1。
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?；叶茸儞Q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?？傮w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.
[3] 霍紅濤.數字圖象處理[M].北京：機械工業出版社，2003.
數字圖像處理綜述范文4
關鍵詞：統計特性 EPLL 遙感圖像
中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2013）12-0041-04
1 引言
遙感是一門綜合性探測技術，大大擴展了人們的觀察視野及觀測領域，在城市規劃、環境保護、全球變化、土地監測以及軍事等領域的應用具有顯著的優越性和重要性。
在遙感圖像形成和傳輸過程中，由于系統本身存在的缺陷、傳輸介質等因素的影響，會受到多種噪聲的污染。噪聲的存在會降低圖像的質量，抑制有用的信息，影響信息的精度，甚至會導致錯誤的判斷。要更好實現遙感的應用，必須對圖像進行復原處理。
3.1 方法流程
本文所述方法的流程可分為兩大部分：第一部分為遙感圖像塊的統計特性建模；第二部分為基于圖像塊統計特性的EPLL遙感圖像去噪方法。將所建立的模型作為先驗知識運用到EPLL復原方法中，通過對兩個分步驟進行迭代的方式優化去噪結果。本文所研究的方法用于遙感圖像去噪的流程如圖1所示。
3.2 遙感圖像塊的統計特性建模
4 實驗與結果分析
4.1 實驗數據
訓練數據：建立遙感圖像數據庫，數據庫收錄了不同傳感器生成的城鎮、山地、港口和平原等不同場景內容以及不同分辨率的200幅遙感圖像。從數據庫中隨機選取個的圖像塊，組成一個的訓練數據集，作為遙感圖像塊統計特性建模的輸入樣本。其中，數據集的每一列表示一個圖像塊。
測試數據：從數據庫以外隨機選取5幅遙感圖像作為測試圖像，圖像包含了城鎮、港口、山地、平原等不同場景，如圖2所示。
4.2 實驗設置
設定高斯混合模型的混合部分為200個，輸入訓練數據集，運用EM算法，求得高斯混合模型的參數，和，建立遙感圖像基于塊的高斯混合模型。將該模型作為本文所述EPLL復原方法的先驗知識。
在這里，我們設定，，其中，為圖像塊的像素點個數。
4.3 實驗結果
為了驗證本文方法的有效性，我們在5幅測試圖像中分別加入標準方差為25的高斯白噪聲，分別采用本文基于圖像塊統計特性的EPLL去噪方法、BM3D、KSVD和小波變換方法對測試圖像進行去噪處理。去噪結果如圖3（2幅）所示。
為了進一步比較實驗結果，使用峰值信噪比（PSNR）和圖像結構相似度（SSIM）來對去噪后的圖像質量進行定量比較，結果如表1所示。
實驗結果表明，被相同噪聲污染的測試圖像經過基于圖像塊統計特性的EPLL方法復原后，圖像質量明顯得到改善。其實驗結果明顯優于KSVD和小波變換。與BM3D方法相比，對平原、山地等場景的圖像去噪效果較好，對城鎮等場景的圖像去噪效果略低于BM3D方法。但是，BM3D方法在去噪過程中產生了平滑效應，而我們的方法在獲得相當去噪效果的同時，很好地保護了圖像的細節。
為了進一步研究EPLL方法的噪聲去除能力，我們在三組測試圖中依次加入標準方差為15、35、45、55和65的高斯噪聲，并采用上述不同的方法對每張噪聲污染圖像進行去噪處理。表2和表3分別統計了在不同噪聲方差的高斯噪聲條件下，不同去噪方法對三組測試圖的去噪結果PSNR和SSIM值。比較統計的數值，可以看出噪聲標準方差小于45時，EPLL復原方法要優于其他幾種方法，在噪聲標準方差大于45時，EPLL復原方法對噪聲的去除能力與BM3D方法相當，并明顯優于其他兩種方法。
5 結語
本文探討了一種基于圖像塊統計特性的EPLL遙感圖像去噪方法。建立了遙感圖像塊的高斯混合模型。并以該模型為先驗知識，結合EPLL復原方法對遙感圖像進行了去噪處理。實驗結果表明，以圖像塊統計特性為先驗知識的EPLL去噪方法可以有效去除遙感圖像中的噪聲，并較好的保護了圖像細節。
從實驗結果的對比中，我們可以看到本文所述的方法與BM3D方法相當，優于其他三種方法。從實驗數據的選取來分析，收入的遙感圖像中，城鎮等人造建筑的場景只占小部分，平原、山地等自然景物所占比例大。對城鎮等場景的圖像去噪結果與BM3D方法相當可能是因為隨機選取的訓練圖像塊中城鎮等人造場景所占比例少。可以預見，如果對遙感圖像進行分類處理的話，去噪效果應該會優于其他方法。在下一步的研究中，我們將對遙感圖像數據庫按不同場景和內容分類，分別建立數據庫以及統計特性模型，按場景進行分類去噪。
參考文獻
[1]霍宏濤，等著.數字圖像處理[M].北京理工大學出版社，2002：106.
[2]岡薩雷斯，等著.阮秋琦等譯，數字圖像處理（第二版）[M].北京：電子工業出版社，2007：183.
[3]沈峘，李舜酩，等.數字圖像復原技術綜述[A].中國圖象圖形學報，2009，14（9）：1764-1775.
[4]陳武凡，李超，陳和晏.空域中退化圖像恢復的有效算法[J].計算機學報，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.
[9]Daniel Zoran，Yair Weiss，From Learning Models of Natural Image Patches to Whole Image Restoration，International Conference on Computer Vision，2011：479-486.
數字圖像處理綜述范文5
關鍵詞：碎紙片拼接；圖像拼接；模式識別
中圖分類號：TP391.41
破碎文件的拼接在司法物證復原、歷史文獻修復以及情報獲取等領域都有著重要的應用[1]。隨著計算機技術的發展，特別是計算機在數字圖像處理、機器視覺、模式識別和圖形學方面研究和應用的進步，使得破碎文件的計算機拼接成為可能。據報道，曾在2011年10月29日，美國國防部高級研究計劃局（DARPA）宣布了一場碎紙復原挑戰賽（Shredder Challenge），旨在尋找到高效有效的算法，對碎紙機處理后的碎紙屑進行復原。據DARPA稱，軍方常常在戰場上收集到撕碎的文件殘片，恢復文件原樣是一件望而生畏的艱巨任務，需要大量人手，進程十分緩慢。而有價值重要情報通常都是有時限的，過一段時間就會變得不值一文。
目前學術界關于碎片復原（reconstructing shredded documents）的問題有多種研究策略，隨著碎片文件的增多，全自動也不可能[2]。本文的研究對象為碎紙機破碎紙片，并假設破碎紙片切割均勻。當碎片較多時，為了保證拼接的準確性，在拼接過程中可以加入人工干預過程。首先對碎紙片圖像進行預處理，將其轉換為灰度矩陣并進行二值化處理。然后利用計算機搜索與目標碎片相匹配的未拼接碎片，并將待選碎片按照匹配程度排序。
1 圖像處理
1.1 碎紙片圖像數字化
對于非平面的物體，早期是通過對物體的多角度拍攝，獲得多角度圖像，然后利用三維重建技術得到物體的立體數據模型；也可以使用較為先進的三維激光數字化儀直接對物體進行三維掃描而獲得立體數據模型[3]。
對于碎紙片等一些平面物體，可以利用數碼相機、攝像機、平面掃描儀等設備得到數據。本文中的原始圖像為8位BMP圖，如圖1所示。首先取得每個像素點的RGB值，為了計算的效率，凸顯目標的輪廓和特征，將其轉化為灰度值。
1.2 圖像碎片特征描述
圖像特征是該圖像所獨有的、區別于其它圖像的本質屬性，所以圖像特征的描述和提取是碎片匹配拼接的關鍵技術之一。常用的圖像特征有紋理特征、顏色特征、形狀特征等[4]。本文研究的是基于圖像碎片邊緣顏色特征的拼接技術。
1.3 圖片貼近度
在模糊數學中，貼近度是用來描述兩個模糊集之間的距離。這里用圖片貼近度描述兩張圖片的相近程度，它是由兩張圖片的像素匹配差異值決定。兩張圖片像素匹配差異值越小，說明圖片貼近度越高。圖片的匹配問題轉化為對像素差異求最優解的問題。
2 模型建立與求解
2.1 模型建立
碎紙片圖像邊緣顏色特征提取后，需確定第一張碎紙片。通過觀察不難發現，碎紙片圖像中有一張左側邊緣的灰度值均為255。模型的流程圖見圖2。
2.2 模型求解
根據以上算法，我們進行了一系列實驗，得到每張碎紙片與其它碎紙片的像素匹配差異值如表1所示。
3 結論
本文的技術路線是先進行圖像處理，將其轉化為像素矩陣，以像素匹配差異值最小為目標函數，通過窮舉剩余圖片，比較相鄰圖片貼近度來建立模型求解。根據該算法設計并實現了拼接程序，實驗表明本文提出的自動拼接算法簡單易行，可靠性比較好。
對于不規則碎片、碎片邊緣破損等特殊情況，以及碎片數量較多時的匹配問題，是我們下一步的主要工作。
參考文獻：
[1]周豐.圖像碎片自動拼接技術研究[D].北京交通大學碩士學位論文，2007.
[2]羅智中.基于文字特征的文檔碎紙片半自動拼接[J].計算機工程與應用，2012，48（5）.
[3]佟帥，徐曉剛，易成濤，邵承永.基于視覺的三維重建技術綜述[J].計算機應用研究，2011，28（7）.
[4]鄭秋梅，王紅霞，劉康煒.基于邊緣和顏色特征的圖像檢索技術[J].微計算機應用，2008，29（11）.
數字圖像處理綜述范文6
關鍵詞： 耕地; 人工建筑; 閾值; 圖像分割
中圖分類號： TN964?34 文獻標識碼： A 文章編號： 1004?373X（2015）06?0105?03
Research on automatic segmentation of agricultural land and artificial buildings in remote sensing image
WANG Min?yan1， ZHAO Kun2
（1. Commission for Discipline Inspection and Supervision Bureau of Jining， Jining 272045， China;
2. The 27th Research Institute of China Electronics Technology Group Corporation， Zhengzhou 450047， China）
Abstract： An image processing algorithm which can automatically divide up agricultural fields and artificial buildings in remote sensing images from satellite or aerial photo is proposed. With the technologies of image area synthesis， filtering， histogram statistics and background segmentation， the artificial buildings and roads in large?scale agricultural lands can be segmented by the algorithm， and the area calculation can be realized. Some solutions and test results are given in this paper. It is significant for this algorithm to improve the automation statistic level of agricultural land.
Keywords： agricultural field; artificial building; threshold; image segmentation
0 引 言
作為人口大國，農林業對我國家安全和社會穩定有重要意義，隨著經濟的高速發展，鄉鎮及城市建設對土地需求日趨增長，合理有效地使用土地資源，監控土地實際使用情況是國家研究的重要課題。隨著現代航天技術、航空技術、探測器技術高速發展，國家投入大量衛星、飛機及無人機進行耕地普查，新技術的廣泛應用給農業用地統計、普查、災害預警帶來革命性發展，提供了豐富的數據資源。但社會各界對農業統計信息的需求越來越大，對統計質量要求越來越高，按照傳統的方法，僅僅依靠手工作業是遠遠不能適應實際海量數據篩選需要的。本文提出一種可在衛星或航拍遙感圖像中自動分割農用田地與人工建筑的圖像處理算法，該算法使用圖像區域合成、濾波、灰度統計、背景分割等處理技術，可實現農用田地中疑似建筑及道路進行分割，并給出面積的估算。為后續土地和人工建筑確認標注提供預先提示。
1 遙感圖像預處理
遙感圖像在形成、傳輸、記錄過程中，成像系統、傳輸介質和記錄設備都會引起圖像質量的下降[1?2]，典型表現為圖像模糊、失真、有噪聲等。圖像預處理的目的就是盡可能恢復退化圖像的本來面目。引起圖像退化的因素很多，圖像預處理將根據退化的原因，建立相應的數學模型，并沿著圖像降質的逆過程恢復原圖像。
農用土地遙感圖像所關注的信息大部分集中在低頻和中頻段，為了有效抑制圖像的噪聲并盡可能多的保留有用的信息，采用均值濾波、中值濾波、低通濾波、匹配濾波等多種濾波器相結合，綜合線形濾波器和非線形濾波器的優點，研究具有實時特性的濾波網絡，最大程度濾除噪聲，提高圖像的信噪比，減少圖像的失真[3?4]。
原始圖像中各點的灰度值f（x，y）用該點鄰域的灰度平均值代替，以抑制具有突變性質的噪聲點。設g（x，y）為處理后的灰度值，則該方法可表示為：
[g（x，y）=1MN（m，n）∈S（x，y）f（m，n）] （1）
式中：[S（x，y）]為[（x，y）]的鄰域;m，n為[S（x，y）]中的像素數。
圖像的預處理在空域中進行，也可在頻域中進行，將一維信號低通濾波器在二維圖像中應用，圖像經過二維傅里葉變換后，噪聲頻譜位于空間頻率較高的區域，而圖像中關鍵信息處于空間頻率較低的區域，從而實現對高頻分量的預制[5]。
轉移函數為：
[H（x，y）=11+[D（x，y）D0]2n] （2）
式中：[D0]為截止頻率;[n]為階數。
2 遙感圖像分割與處理
嚴格意義上的圖像分割是指每一個物體都能和它的背景區分開來而成為一個獨立完整的區域，人的視覺就包括這個過程。但是，在實際應用中這是很困難的，因為圖像分割沒有統一的判別標準，也沒有通用的分割方法，一般來說，只要能把感興趣的部分從背景中分割出來就可以接受[6]。對遙感圖像進行分割就是把圖像中不同于農業用地的人工建筑或道路等具有特殊意義的區域分割開來，這些區域本身并不相關，但每一個區域都不同于農業用地[7?8]。
2.1 大面積耕地直方圖分析
由于大面積農用耕地的主背景的分布相對均勻，從圖像的直方圖分析明顯存在單峰（背景），如果有道路或人工建筑，則直方圖中將存在背景峰之外的多個。
<E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼05t1.tif>
圖1 大面積農用田地圖及直方圖
2.2 基于大面積耕地背景的分割閾值提取
[H（x）]為圖像直方圖分布，則圖像的平均灰度為[9?10]：
[hx=x?hxhx] （3）
圖像的灰度分布誤差為：
[σ=h（x）-h（x）?x2h（x）] （4）
將[h（x）]-ks作為圖像分割的第一個閾值，[h（x）]+ks作為圖像分割的第二個閾值。將灰度在[[h（x）]-ks，[h（x）]+ks]內的像素判為背景，其他灰度圖像像素判為目標，則就可以將目標從背景中“分割”出來。如圖2，圖3為原始圖像及經過預處理后的圖像，應用式（4）求解出[σ]及分割門限，經二值化后分割圖像如圖4所示。
<E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼05t2.tif>
圖2 原始圖像
<E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼05t3.tif>
圖3 圖像預處理
<E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼05t4.tif>
圖4 圖像分割
根據分割出的圖像可對目標像素面積的統計，采用投影方法，可獲得圖像不同列中非農用地的像素數，如圖5所示，通過累加計算可獲得設定區域非農用地占用比例，從而獲得實際農用地面積。
2.3 應用
通過對遙感圖像處理，可對耕地或建筑面積進行估算、統計，對疑似建筑物、道路進行標注，提高農業用地統計自動化水平，并提高土地管理部門、農業部門、農業統計部門及其他有關部門在技術手段和行政管理方面的優勢，采用先進的遙感技術、全面統計和抽樣調查等各種方法，對耕地及其他農業用地的數量進行全面的監測和管理，及時對不利于耕地和其他農業用地保護及使用的情況進行處理和糾正。
<E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼05t5.tif>
圖5 目標面積統計
3 結 語
本文根據大面積農用地統計需求，結合其圖像特性，提出一種大面積耕地背景的耕地及人工建筑分割方法，可以有效提高耕地統計自動化水平，并輔助監測農用耕地占用情況。
參考文獻
[1] 章孝燦，黃智才，趙元洪.遙感數字圖像處理[M].杭州：浙江大學出版社，1997.
[2] 何紅艷，楊居奎，齊文雯.大氣對遙感衛星圖像品質的影響分析[J].航天返回與遙感，2011（2）：42?47.
[3] 汪哲慎，李翠華.基于目標特征的圖像預處理技術[J].廈門大學學報：自然科學版，2004（4）：473?478.
[4] 沃焱，韓國強.基于自適應預處理的圖像分割方法[J].電子與信息學報，2007（1）：87?91.
[5] 楊枝開，王開.數字圖像獲取處理及實踐應用[M].北京：人民郵電出版社，2003.
[6] 章毓晉.圖像分割[M].北京：科學出版社，2001.
[7] 殷瑞娟， 施潤和.一種高分辨率遙感影像的最優分割尺度自動選取方法[J].地球信息科學學報，2013（6）：904?910.
[8] 張彥.遙感圖像中建筑物分割方法研究[D].天津：河北工業大學，2012.
