前言：中文期刊網精心挑選了計算機視覺技術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。
計算機視覺技術范文1
1計算機視覺概述
1.1計算機視覺學概述
從某種意義上說，計算機視覺學是一門在20世紀60年代興起的新學科。它是一門邊緣學科，融入了很多學科的特點，具有很強的工程性特征。比如，圖像處理、應用數學、光電技術。換個角度來說，計算機視覺同屬于工程領域、科學領域。
1.2計算機視覺的應用
計算機視覺的應用能夠使計算機具有和人一樣的視覺功能。在生活和生產過程中，照片資料、視頻資料的處理是計算機視覺應用的主要方面。比如，在航空事業方面，對衛星照片的翻譯；在醫學領域中，主要用于輔方面的診斷；在工業生產方面，由于各種復雜因素的影響，計算機視覺在這方面的應用顯得特別簡單，有利于相關系統的實際構成。
2目標圖像檢索存在的問題
從某種角度來說，目標圖像檢索需要分為特征匹配、特征提取兩個方面。它們表達了不同的含義。對于特征提取來說，它是圖像進行檢索的第一步，其提取結果會對進一步的研究造成直接的影響。而對于特征匹配來說，其匹配的準確度會直接影響圖像檢索系統的返回結果。但在目標圖像檢索完善的過程中，遇到一些問題阻礙了這兩個方面的完善。因此，本文作者對其中的一些予以了相關的探討。
2.1環境因素不斷變化
對于目標圖像來說，環境因素是影響其準確率的重要因素。同時，在復雜混亂的環境中，由于受到眾多干擾物的影響，加上部分目標圖像區域被遮蓋，致使目標圖像信息不夠全面，使目標物體特征的提取難度進一步加大。
2.2圖像噪聲的影響
子為了更好地模仿生活中的圖像檢索，數據庫中的圖像也會隨之發生一系列的變化。比如，尺度、角度、光照。而其中圖像噪音的影響會使目標物體的外觀發生對應的變化。在此基礎上，嚴重降低了目標圖像信息獲取的準確度。
2.3目標圖像檢索訓練數據的自動標注
由于處于網絡中的圖像資源信息過于繁多，需要采用手工的方式對它們進行標注。但這種方法非常浪費時間，準確率也比較低。很顯然，這就需要目標檢索圖像能夠具有自動標注的能力。實際上，圖像檢索方法過分依賴人工標注信息。而這些信息很多收到來自各方面因素的影響。比如，認識差異因素、個人經驗。以至于對圖像產生誤解。
3基于計算機視覺下的目標圖像檢索技術
3.1以多尺度視覺為紐帶的目標圖像檢索方法
該種目標檢索技術的應用主要是為了提高目標圖像檢索的準確率，能夠實現目標圖像訓練數據的自動化標注。該類技術主要是用于那些沒有遮擋，不需要進行監督的目標圖像檢索方面。具體來說，它需要經過一系列的訓練。在訓練的過程中，以統計學習為紐帶，對相應多尺度的目標檢測模型進行適當的訓練。在此基礎上，以該模型為基點，對圖像中那些顯著性的區域進行合理地提取。比如，該區域的亮度、顏色。最后，需要對用于該實驗研究中的概率潛在語義分析模型進行合理地利用?？傊?，利用這種檢索方法可以對圖像中那些顯著目標所處的區域自動進行檢測。同時，對其中目標圖像的顯著性進行合理地排序，能夠提高檢索引擎所返回圖像結果的準確度。
3.2以彩色LBP局部紋理特點為媒介的目標圖像檢索方法
這種目標圖像檢索方法能夠有效地解決圖像信息采集過程圖像噪聲以及其它相關因素對所提取紋理特征的影響，提高了圖像目標的準確率。對于這種圖像目標檢索方法來說，它把圖像彩色空間特征和簡化的LBP特征有機地相融合。在此基礎上，該類方法增加了光照的不變特性，卻保留了LBP局部的旋轉特點。在提高圖像檢索速度方面，主要是利用原來的LBP特征來丟失其中的彩色信息。以此，使其中的特征維度能夠在一定程度上降低。同時，這種目標圖像檢索方法的應用可以使對應計算方法的難度得以降低，還能對角度等變化狀態下的目標圖像進行準確地識別以及檢索。
3.3以視覺一致性為橋梁的目標圖像檢索方法
從某個角度來說，它的應用主要是為了提高圖像搜索引擎的返回效果，使局部噪聲圖形具有更高的顯著性特征。一是：站在客觀的角度，對搜索引擎返回結果的目標顯著圖予以準確的計算。此外，還要對其中的目標顯著系數進行適當地過濾。二是：以所有圖像為基點，以顯著目標為導向，采取視覺一致性的模式。三是：以視覺一致性為基礎，對其中的不同目標圖像信息進行客觀地分類。這種以視覺一致性為核心的方法能夠有效地提高圖像檢索結果的準確率。更重要的是，在提高圖像搜索引擎檢索性能的同時，能夠及時為用戶選出最優的圖像信息。而這些信息資源和用戶尋找的主題信息密切相關。
4結語
計算機視覺技術范文2
關鍵詞：計算機視覺圖像 精密測量 構造幾何模型 信號源的接收
中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2013）05-1211-02
新型計算機視覺圖像精密測量是一種基于計算機程序設計以及圖像顯示的高精度的關鍵技術，它廣泛用于測量的領域，對于測量的準確性有很好的保證。這種關鍵技術是幾何了光學的特性，發揮了圖像學的顯影性，把普通的測量技術瞬間提升到了一個新的高度。在這項關鍵技術中包含了物理學中光的效應，圖像中的傳感器以及計算機中的編程軟件，這還不完全，還有一些其他科學領域知識的輔助，可以說這項關鍵技術是一個非常有技術含量的技術，很值得學者進行研究。
1 計算機視覺圖像精密測量的關鍵技術的具體形式
在以往的測量中，選擇的測量方式還是完全采用機械的形式，但是在使用了計算機視覺圖像精密測量后，完成了許多以往技術所不能達到的任務。在我們的研究中，計算機視覺圖像測量的原理是通過攝像機將被處理的對象采集進行影像采集，在多個控制點的數據采集完成后，系統會自動將這些圖像進行整合，得出相關的幾何多變參數，再在計算機上以具體的數據顯示出來，以供技術人員使用參照。
在上面所說的攝像機并不是我們通常意義上生活中使用的攝像機。它是一種可視化較強，表針比較敏感的測試儀?？梢詫⒁曈X中的二維形態通過顯影，記錄在機械的光譜儀上，再將這種的二維圖像做數學處理，有二階矩陣轉換為三階矩陣，通過播放儀呈現出三維的影像。這時的圖像變為立體化，更有層次感，效果上也有了明顯的變化，這是一種顯示方法。此外還有一種造價較高的儀器，我們不常使用，就是圖像提取器。同樣是采集控制點的數據，將數據整合在系統之內，然后對于原始的圖像進行預處理，不再經過有曝光這個程序，將圖像中關鍵點的坐標在整個內部軸面上體現出來，提取數據幀數，再運用機器的智能識別系統，對控制點的坐標進行數據分析，自動生成圖形，這也可以用于精密測量。它的優點就是使用上極其的方面，基本只要架立儀器和打開開關，其他的工作機械系統都會自動的完成。使用的困難就是造價極其的高，不適合一般企業使用。在基于計算機視覺圖像測量中使用上的原理如下：
1） 計算出觀察控制點到計算機視覺圖像測量儀器的有效距離；
2） 得出觀察點到目標控制點之間的三維的運動幾何參數；
3） 推斷出目標控制點在整個平面上的表面特征（ 大多時候要求形成立體視覺）；
4） 還通過觀察可以判斷出目標物體的幾何坐標方位。
在整個計算機視覺圖像精密測量的關鍵技術中最關鍵的元件就是壓力應變電阻儀，這也是傳感器的一部分。壓力應變電阻儀的使用方式是將應力片粘貼在控制點位上，事先在物體表面打磨平整，清理干凈后，涂抹丙酮試劑，在液體完全風干后就可以黏貼應力片，通過導線的聯接，形成了一小段閉合的電路，時刻讓計算機視覺圖像系統可以感應到并作跟蹤觀察。因受到來自不同方面諧波的影響后，應力片會產生一定數值的電阻，在電路中，這些電阻會轉化為電流，視覺圖像系統接收到了電流后就會顯示在儀表盤上相應的數據，我們就可以根據儀表盤中的數據記錄測量中的數據，很好的解決了原始機械在使用過程中大量的做無用功所消耗資源的現象。傳感器對每個應點都進行動態的測量，將數據模轉換成現實中的圖像，精確的成像可以測算出控制點的位置，用計算機視覺圖像精密測量結合數據方面的相關的分析，得出施工中的可行性報告分析，減低了施工中的成本，將施工的預算控制在一個合理的范圍之內。
當無法觀察到控制點是，計算機視覺圖像精密測量可以通過接收信號或是相關的頻率波段來收集數據，不會因為以往測量的環境不好，距離太遠，誤差太大的影響。
2 計算機視覺圖像精密測量的關鍵技術分析
在計算機視覺圖像精密測量的關鍵技術中解決了很多以往很難完成的任務，但是在使用過程中還是發生了很多的問題。尤其在視覺圖像的選擇中，無法使用高幀數的圖片顯示，無法將計算機視覺圖像精密測量的關鍵技術的優點發揮出來。我們就計算機視覺圖像精密測量的關鍵技術中常見的問題進行討論。
2.1 降低失誤的概率
在很多的數據誤差中，有一部分是出現在人為的因素上面。對于機器的不熟悉和操作中的疏忽都會在一定程度上對圖像的視覺感模擬帶來麻煩。對于網絡設備的配置上，要經常性的學習，將配置在可能的情況下設置的更加合理和使用，保證網絡連接系統的安全性。為防止更多因操作帶來的誤差，選用系統登入的制度，用戶在通過識別后進入系統，在采集數據后，確定最終數據上又相關的再次確定的標識，系統對本身有的登錄服務器和路由器有相關的資料解釋，記錄好實用操作的時間，及時備份。
2.2 對于權限的控制
權限控制是針對測量關鍵所提出的一種安全保護措施，它是在使用計算機視覺圖像精密測量的關鍵技術中對用戶和用戶組賦予一定的權限，可以限制用戶和用戶組對目錄、子目錄、文件、打印機和其他共享資源的瀏覽和更改。圖像中的運行服務器在停止的情況下可以做出不應答的操作指令，立刻關閉當前不適用的界面，加快系統的運行速度，對于每天的日志文件實時監控，一旦發現問題及時解決。對于數據終端的數據可采用可三維加密的方法，定時進行安全檢測等手段來進一步加強系統的安全性。如果通過了加密通道，系統可以將數據自動的保存和轉換為視圖模式，對于數據的審計和運行可以同時進行，這樣就可以很好的保證大地測量中的圖像數據安全，利用防護墻將采集中廢棄的數據革除在外，避免數值之間發生紊亂的現象，進一步改善計算機視覺圖像精密測量的關鍵技術。
2.3 開啟自動建立備份系統
計算機視覺圖像精密測量的關鍵技術的完善中會常遇到系統突然崩潰或是圖像受到嚴重干擾導致無法轉換的一系列情況，發生這種情況最大的可能性就是系統在處理多組數據后無法重新還原成進入界面。這時為保證圖片轉換成數字的系統數據不丟失，我們對系統進行備份。選定固定的磁盤保存數據，定期將產生的數據（轉換前的圖像和轉換后的數值）導出，保證程序的正常運行。當系統一旦發生錯誤，可以盡快的恢復數據的初始狀態，為測量任務的完成爭取更多的時間。我們還要減少信號源周圍的干擾，定期的更新系統數據庫，保持數據采集的穩定性，把攝像機記錄出的數據節點保存在相應的技術圖紙上，用這樣的方式來知道測量工作。系統備份的數據還可以用于數據的對比，重復測量后得出的數據，系統會自動也備份的數據進行比對，發現誤差值在規定以外，就會做出相應的預警，這樣也能在工作中降低出現誤差的概率。
3 計算機視覺圖像精密測量的關鍵技術遇到的困難和使用前景
計算機視覺圖像精密測量的關鍵技術作為一種新興技術在使用時間上不過十幾年，其使用的程度已經無法估算。正是因為它的簡單、使用、精度高以及自動化能力卓越的特點受到了測量單位的廣泛青睞。在測量方面的這些可靠性和穩定性也是有目共睹的。在土木和機械測量的行業計算機視覺圖像精密測量的關鍵技術都會有廣泛和良好的使用，前景也是十分的廣闊。但是不容忽視該技術也有一些弊端。這項關鍵技術中涵蓋的學科非常的多，涉及到的知識也很全面，一旦出現了機器的故障，在維修上還是一個很大的問題，如何很好的解決計算機視覺圖像技術的相關核心問題就是當下亟待解決的。
我們都知道，人的眼睛是可以受到吱聲的控制，想要完成觀測是十分簡單的，但是在計算機視覺圖像技術中，畢竟是采取攝像機取景的模式，在取得的點位有的時候不是特別的有代表性，很難將這些問題具體化、形象化。達不到我們設計時的初衷。所以在這些模型的構建中和數據的轉換上必須有嚴格的規定和要求，切不可盲目的實施測量，每項技術操作都要按規程來實施。
上文中也談到了，計算機視覺圖像精密測量的關鍵技術中最主要的構建是傳感器，一個合理的傳感器是體統的“心臟”，我們在儀器的操作中，不能時時刻刻對傳感器進行檢查，甚至這種高精度的元件在檢查上也并不是一件簡單的事情，通過不斷的研究，將傳感器的等級和使用方法上進行一定的創新也是一項科研任務。
4 結束語
在測量工程發展的今天，很多的測量技術已經離不了計算機視覺圖像技術的輔助，該文中詳細的談到了基于計算機視覺圖像精密測量的關鍵技術方面的研究，對于之中可能出現的一些問題也提出了相應的解決方案。測量工程中計算機視覺圖像精密測量的關鍵技術可以很好的解決和完善測量中遇到的一些問題，但是也暴露出了很多的問題。
將基于計算機視覺圖像精密測量的關鍵技術引入到測量工程中來，也是加強了工程建設的信息化水平?？梢灶A見的是，在未來使用計算機視覺圖像技術建立的測量模型會得到更多、更好的應用。但作為一個長期復雜的技術工程，在這個建設過程中定會有一些困難的出現。希望通過不斷的發現問題、總結經驗，讓計算機視覺圖像精密測量的關鍵技術在測量中作用發揮的更好。
參考文獻：
[1] 湯劍，周芳芹，楊繼隆.計算機視覺圖像系統的技術改造[J].機電產品開發與創新周刊，2005，14（18）：33-36.
[2] 段發階，等. 拔絲模孔形計算機視覺檢測技術[J]. 光電工程時報， 1996，23（13）：189-190.
計算機視覺技術范文3
近年來，經濟的發展和人們生活水平的提升也使得人們的出行更加便捷，越來越多的人都是自己駕車出行，這樣導致公路上的交通流量不斷增加，如何保障交通的順暢性和安全性成為人們關注的重點問題。信息技術的發展推動了計算機視覺技術的出現，為交通安全性的提升提供了一定的保障。本文主要對計算機視覺技術進行分析，進一步探討計算機視覺技術在智能交通系統中的應用。
【關鍵詞】計算機 視覺技術 智能交通 系統 應用
智能交通系統簡稱ITS，這是一種新型的交通管理系統。該系統主要結合了信息化技術、計算機技術以及數據傳輸技術等多種技術，用來對整個交通運輸體系進行管理，可以實現人、車、路的全面監控和管理。計算機視覺藝術作為智能交通系統中的一個重要環節，受到相關工作人員的高度重視。隨著計算機視覺技術的發展，不僅為交通行業的發展提供了更多的便捷，同時還能夠篩選道路交通的各種信息，進一步增強了智能交通系統的靈活性和準確性。
1 計算機視覺技術的概述
計算機視覺也被稱為圖像分析和圖解理解，其包括的理論主要有攝影幾何學、概率論、圖像處理理論以及人工智能理論等部分。計算機視覺技術主要是用二維投影圖像實現三維物體重構。這種技術的應用范圍比較廣泛，不僅應用于二維圖像識別方面，同時還用于三維物體的識別和重建上面。通過計算機視覺技術能夠獲取專業化的三維信息，對三維信息的獲取一般有兩種方法，其中一種是直接獲取法，還有一種是間接獲取法。直接獲取法主要是通過計算機視覺技術的效果來確定三維運動中產生的各種參數，這一過程對攝像機運動問題的關注程度較高；間接獲取的方式就是將單幅圖像和攝像機焦距相結合，來判斷被測量位置視覺上的信息。計算機視覺技術的關鍵就是實現特別匹配，在特殊情況下可以利用不同的攝像C同時收集運動信息，從而提高相關控制的精確度。
2 計算機視覺技術在智能交通系統中的應用
計算機視覺技術在智能交通系統中的應用可以實現道路交通的監控，同時還能夠實現自動收費、智能導航等功能，主要應用有以下幾個方面的內容。
2.1 交通監控中對計算機視覺技術的應用
基于計算機視覺技術的交通監控系統主要分為三個步驟，首先是對車輛和行人進行跟蹤和分割，其次是對車流量進行分析和計算，并且計算車輛的平均速度和道路上車輛的隊列長度，最后根據道路的交通狀況來規劃形式線路，從而有效緩解道路交通擁堵的現狀，方便人們減少出行時間。車輛和行人作為道路中運動的主要目標，在監控場合下，需要對運動時間進行有效分割，常用到的分割方式包括光流法和幀差法兩種，其中前一種分割方式主要是依據圖像中不同的運動用映射參數正確的表達，這樣可以將具有同樣映射參數的光流量進行分配，從而完成參數分割。計算機視覺在交通監控中的應用主要是對車輛速度、車輛數目、車輛分類進行檢測。隨著計算機通信技術的發展，計算機視覺技術也是日新月異，基于計算機視覺的交通監控系統具有較強的實時工作性，能夠快速的適應高度公路以及城市道路交通的監控。
2.2 車輛導航中對計算機視覺技術的應用
實現車輛的智能導航是計算機視覺技術在智能交通中應用的典型案例。這種技術主要為駕駛人員提供道路信息和車輛運行狀況兩大信息。通過車輛智能導航系統的運行能夠對道路兩邊的界限進行有效的識別，將車輛引向規定的行駛車道，在車輛行駛過程中，該系統能夠自動檢測車輛與前方其他車輛之間的距離，從而提醒駕駛人員保持車輛的安全距離，最終實現安全導航駕駛。通過該系統的攝像機運動能夠識別其他車輛的行駛狀況，并且通過計算檢測點的方式計算車輛的模擬匹配點。車倆智能導航系統中就使用了計算機視覺技術，可以從中提取相關信息，計算車輛行駛的安全距離和速度。
2.3 計算機視覺技術用于車輛輔助駕駛
計算機視覺技術在車輛輔助駕駛中的應用主要是幫助駕駛人員對外界的變化做出反應。具體表現為車輛在市內行駛時，計算機視覺技術的應用能夠識別周邊道路的標記，并且對交通標志、其他車輛和行人進行識別，然后篩選相關信息進行計算，讓駕駛人清楚外界的具體狀況，從而避開其他的車輛和行人，能夠從根本上減少交通事故的發生，增強車輛的安全運行。輔助駕駛的形式轉變為人機交互的方式，一定程度上能夠滿足駕駛人員對信息的需求。
2.4 計算機視覺技術用于車輛智能收費
車輛收費是車輛在公共交通位置行駛中的一個關鍵環節。隨著科學技術的發展，車輛收費系統逐漸向著計算機技術的應用方向發展，計算機視覺技術在各地區交通發展中的應用是現代化交通發展的一個重要突破口。很多地區的智能化收費都是通過識別車牌的方式來實現收費，我國在車牌識別這方面僅僅限制于單目車牌和雙目車牌的識別，其中單目車牌識別的核心就是將車牌照位置作為核心部分，我國大部分地區都是將單目系統作為核心部分來使用。采用雙目系統對車牌進行識別，也可以對車輛的型號進行識別，通過大量的實踐發現，雙目系統進行車牌識別的實用性較強。但是這種識別方式在實際應用過程中仍然存在著信息獲取難度大、車牌照定位難度大等多種問題，尤其是車輛在高速路上行駛時，對于車牌信息的獲取更為困難，因此，在這方面還需要加大研究和實踐。
3 結束語
隨著計算機視覺技術的智能化發展，其在智能交通系統中的應用能夠解決多方面的問題。該技術的應用不僅能夠實現車輛的實時監控，同時還能夠實現車輛導航以及車輛收費，幫助駕駛人員識別車輛行駛中存在的障礙物，這樣一來，可以增強車輛行駛的安全性，同時還能夠提高我國道路交通系統的整體管理水平。但是該技術應用中也存在不足之處，未來發展中需要降低視覺系統的價格，減少系統的尺寸，從而增強系統對車輛信息的處理速度，最終實現對道路交通的全面監測。
參考文獻
[1]王春波，張衛東，許曉鳴.計算機視覺技術在智能交通系統中的應用[J].測控技術，2000（05）：22-24.
[2]郁梅，蔣剛毅，郁伯康.智能交通系統中的計算機視覺技術應用[J].計算機工程與應用，2001（10）：101-103+121.
[3]顧晶. 基于計算機視覺的智能交通監控系統的研究[D].東南大學，2006.
[4]謝萍萍，黃傳春.計算機視覺技術在智能交通系統中的應用[J].福建電腦，2008（10）：77+133.
計算機視覺技術范文4
關鍵詞：計算機；視覺技術；玉米種子；質量；檢測
中圖分類號：S513 文獻標識碼：A 文章編號：1003-4374（2015）01-0047-04
引言
計算機視覺是提高人類生產、生活自動化和智能化程度的有效手段。目前，農產品分級與品質檢測、種子品質檢測、果實的采摘、病害檢測等方面，機器視覺都有廣泛研究。作為世界三大糧食作物之一，玉米在糧食貿易中所占比重不斷升高。隨著計算機技術進步，尤其是圖像技術的發展，建立在視覺技術的測量方法也高速發展，要適應測量的現代化步伐，算法快速并且精度要高是圖像實現測量途徑的必然要求。在玉米生產中，種子質量是最為關鍵的因素之一，玉米的收獲產量和產品品質與種子質量的優劣息息相關。十多年來，國內學者對應用機器視覺技術進行玉米種子檢測方面開展了深入研究。本文主要綜述這類研究，為今后該領域學者提供參考信息，從而加快系列研究的深入開展。
圖像采集與模式識別
目前，CCD相機、掃描儀或數碼相機是主要的圖像采集設備。CCD相機在生產線的開發當中是最好的選擇，而對靜態檢測設備而言面陣相機則是上選，如果應用場合是既有設備，那么數碼相機等更為適用。由于在封閉的環境光照足夠穩定，此時圖像噪聲干擾較小，免除標定這一環節，在后續處理時非常方便，所以圖像采集通常是在封閉環境中進行。用于移動設備的相關軟件的研究中，則有四個方面的情況需要著重考慮：第一，當前采集玉米圖像時所用背景都是單一顏色，而在生產具體應用中則完全有可能是非單一顏色；第二，在用戶使用過程中，光照條件不確定、特別是顏色特征對圖像質量有影響。第三，玉米種子體積不大，當玉米種子的空間位置發生移動時，圖像中種子的特征會隨著改變。第四，在圖像采集時，如采集的角度存在偏移，圖像中玉米種子的形態也不會保持不變。
玉米種子純度檢測
種子最主要的質量指標之一是純度，目前，形態學鑒定和蛋白質電泳分析法是主要的鑒定籽粒純度方法。
國外學者從圖像當中提取玉米種子形態方面的參數，并結合判別函數實現對玉米統計學的種子外形判斷，實現玉米種子從非完整玉米種識別。當然，該方法效率不高，所費時間過多。
朱曉利用高光譜反射圖像技術，提取多個波段種子圖像特征，然后通過遺傳算法選擇最優波段圖像，建立分級模型，達到對玉米種子純度檢測的目的。所建立的分類模型測試精度達到97.22%。
另一批學者針對純度考慮圖像識別這一方法實現識別玉米種子，首先是彩色相機獲得圖譜，通過基于閾值的二值化處理圖像灰度變換、圖像均衡化，實現和電泳圖譜進行比對以期判斷純度水平，玉米種子純度在計算機和人眼檢測結果，得到一種高效測玉米種子純度的方法，而這個技術對2個品種玉米的平均識別準確度接近100%。
綜合幾種玉米種子純度檢測方案，形態鑒定法方法簡單，但效率與精度不高。隨著檢測識別算法的改進和計算機處理能力的提高，計算機視覺技術將比其他方法更高效更準確。
玉米種子品質自動檢測
周紅等為實現對種子評級，借助圖像處理技術得到玉米種子輪廓。通過計算機模糊識別代替玉米種子形態傳統鑒定法，目的是將識別水平大幅度提高；基于模糊數學以及統計學，得到隸屬函數，從而制定對品種進行判別的規律，玉米種子得以判別，所構建的系統投資低，而且玉米種子品質的識別率為88%。
閆小梅等通過CCD相機，對玉米種子冠部和無胚芽面圖像進行提取，利用圖像預處理將單個籽粒分割出來，通過圖像分割，將冠部核心區域和側面黃色區域6個顏色特征提取出來，以Fisher判別理論和K-均值聚類為依據，將特征投影到一維空間，進行純度識別，識別率不低于93.75%。
玉米收獲后加工的重要環節之一就是對玉米種子質量進行分級，在玉米種子質量分級工作中，機器視覺技術優勢明顯，例如不會對玉米種子造成損壞、更好實現分級。相關學者提出從特征值按照一定的等級進行分類，采用典型神經網絡與隸屬函數方法對玉米種子實現分級，發現：BP神經網絡處理時間更短，具有更好的實時性，為現實應用打下良好的基礎。有學者將形態學加上種子分級設備，能夠實現準確率高達90%以上的將種子分為4級的方法。吳繼華等開發了一種種子品種實時檢測系統，該系統是基于機器視覺，由CCD攝像機進行圖像采集，每隔2s停止1次，在分析結束時就可以得到特征參數，二十粒種子只需一秒鐘時間。Wan等18-19]將機器視覺應用在谷物類進行動態識別，并進行分類，得到圖像就進行處理，并將信號傳給對應的PLC，從而閉合電磁閥，以達到吹離目的。宋鵬等就分級系統在動態玉米品質檢測，抓住玉米種子的特征，把種子分類形態以及顏色分別分為4級和3級，合格率分別為8 1.8%和93.04%，還能夠實現玉米種子品種，應用Bayes分類器以及模式識別法實現識別玉米種子品種達到5種，識別準確率不低于92%；結合玉米顏色等信息，實現單倍體籽粒分類，待識別玉米單倍體后，將用氣吸方式和二自由度并聯機器人機構相結合進行分揀，精度不低于80%。
目前的玉米種子品質自動檢測中，多采用可見光進行圖像采集，然后通過綜合處理分析種子的外部特征來確定品質等級。鮮有利用紅外等不可見光生成的圖像來進行品質分級，因而無法精確分析種子內部的品質特征，影響到檢測精度。因此，運用不同波段圖像分析玉米種子品質，將成為以后種子品質檢測的一個重要方向。
玉米種子活力檢測
漫射光法、熱浸法、電導率測定、四唑染色法、冷浸法、發芽實驗等是種子活力的常規檢測方法。目前，有效結合圖像識別與處理等技術以及發芽試驗和四唑染色法等方法的優勢，能夠準確測定種子活力。趙新子等對活力識別進行論述，染色種胚后獲取彩色圖像，判斷染色區域在種胚的面積占比，得到活力水平評判，識別率為94%。
張曉宇等通過處理和分析種苗圖像，根據玉米種苗特征建立起可以方便、快速地獲取苗高、苗鮮重等信息的相關統計模型，該模型直接用于玉米種子的發芽試驗，以便獲得準確可靠實驗結果。該技術將作為玉米種子發芽試驗新的檢測手段，同時應用于其它植物種子發芽試驗。
Zayas等通過形態學參數把玉米種子從被破壞的玉米種識別，結合統計學方面的判別函數，將被破壞的玉米種子剔除。為了檢驗播種材料，需要對種子發芽的規律以及所需條件進行研究，研究必須將玉米種子發芽進行系列實驗，這時候對于發芽粒數以及苗高等種子的信息大多由人工獲取。
玉米種子機械和霉菌損害檢測
玉米種子質量檢測的重要指標之一是種子是否有裂紋和發生霉變，采用視覺無損檢測，我們發現如果光線對應入射孔直徑設定在2.4mm時，所得背景是黑色的，如果入射光是白色光，采集得到的圖像采用高速濾波法識別玉米籽粒裂紋處與其他部位的像素灰度值的不同，檢測精度不低于百分之九十。有學者利用生霉粒對光照變化非常敏感的特點，光照變化對顏色標定是鑒定生霉粒的主要途徑，認為機器視覺算法在精確性以及一致性方面具有非常明顯的優勢，這給玉米種子質量檢測的提高打下良好的實踐基礎。
有學者基于圖像分析等途徑分析玉米應力裂紋，主要結論是重度裂紋最易于被識別出，達到完全被識別的水平；無裂紋以及中度裂紋則朝著變差方向發展，不能完全被識別，占比約有30%-12%。
張俊雄等實現表面裂紋檢測：在獲取單粒玉米種子的圖像后采用Sobel算子得到玉米種子邊緣并通過分割閾值、腐蝕以及膨脹等傳統圖像處理，從而可以判斷滿足什么樣的條件可以判定為種子尖端點，并能實現尖端部分拿掉；將R通道膨脹，同時細線化處理B通道圖像結果，并執行減運算操作，根據連通性判別有無裂紋，識別率超過90%。
計算機視覺技術范文5
關鍵詞：計算機視覺；地圖匹配；SLAM；機器人導航；路徑規劃
1概述
計算機視覺在人工智能學科占據重要地位，為自主移動機器人視覺導航做了深厚的理論鋪墊。目前，機器人導航技術有很多種，傳感器導航技術如里程計、激光雷達、超聲波、紅外線、微波雷達、陀螺儀、指南針、速度、加速度計或觸覺等得到了普遍應用，與上述非計算機視覺導航技術相比較，計算機視覺導航技術如人眼般具有靈敏度高且可捕獲的信息量大以及成本低等優點。由于室內相對室外空間比較狹小且內部環境復雜，所以普通移動機器人在作業過程中，完成躲避眼前障礙物、自主導航以及為自身找出一條可行路徑等一系列操作會相對比較困難。計算機視覺導航技術可利用本身的攝像頭獲得室內周圍的環境信息，實時對其周身的場景進行快速反饋，對視野前方障礙物進行快速識別和檢測，從而確定一條高效的可行的安全路徑。本文對計算機視覺導航技術進行分類研究，主要分為3類：第一類是環境地圖事先已知，提前對外界環境特征進行提取和處理，建立全局地圖，并將地圖信息存儲在機器人內存數據庫中，在導航的時候實時進行地圖匹配；第二類是同時定位與地圖構建，移動機器人在自身位置不確定的情況下根據自身的攝像頭獲取周圍未知環境信息，在作業時逐步構建周圍的環境地圖，根據構建的增量式地圖自主實時定位和導航；第三類是不依賴環境地圖，自主移動機器人不需要依賴任何的環境地圖，其在作業活動時的可行區域主要取決于攝像頭實時識別和檢測的環境相對信息。
2環境地圖的表示方法
目前，計算機視覺導航技術多采用柵格地圖、幾何地圖、拓撲地圖和混合地圖構建環境地圖信息。
2.1柵格地圖
柵格地圖，將柵格圖像考慮為一矩形，均分為一系列柵格單元，將每個柵格單元賦予一個平均概率值，并利用傳感信息估計每個單元內部內存障礙物的概率。構建柵格地圖的優點是其地圖表達形式直觀，創建和維護比較容易；但當劃分的柵格單元數量不斷增多時，實時性就會慢慢變差；當劃分的柵格單元越大時，環境地圖的分辨率越低。
2.2幾何地圖
幾何地圖利用幾何特征如點、直線、平面等來構成環境主要框架，需要知道這些特征在環境中信息的具置，所以幾何地圖通常使用其對應的三維空間坐標來表示。幾何地圖構建過程相對簡單，保留了室內環境的各種重要信息，是基于計算機視覺的定位與地圖構建算法中最常用的一種表示方式。但是為了完成環境的建模需要標記大量的特征，從而計算量也非常的大，降低了實時性，其重建的地圖也容易出現與全局不一致的情況。
2.3拓撲地圖
拓撲地圖用許多節點和連接這些節點的曲線來表示環境信息。其中，每個節點相對應真實環境中的特征點（如門角、窗戶、椅子、桌子角及拐角等），而節點之間的曲線表示兩個節點對應的地點是相聯通的。拓撲地圖把環境信息表上在一線圖上，不需要精確表示不同節點間的地理位置關系，圖像較為抽象，表示起來方便且簡單。機器人首先識別這些節點進而根據識別的節點選擇節點與節點間的曲線作為可作業的路徑。
2.4混合地圖
混合地圖主要包括3種形式：柵格一幾何地圖、幾何一拓撲地圖以及柵格一拓撲地圖?；旌系貓D采用多種地圖表示，可結合多種地圖的優勢，與單一的地圖表示相比更具有靈活性、準確性和魯棒性，但其不同類別的地圖結合起來管理會比較復雜，難以協調，增加了地圖構建的難度。文獻針對室內環境所建立的模型分為全局拓撲和局部幾何表述部分，整體環境通過拓撲節點串連起來，維護了整體環境表述的全局一致性；而以每個拓撲節點為核心所采用的幾何表述則可確保局部精確定位的實現，這樣建立的幾何一拓撲混合環境模型可將二者的優勢都表現出來，使得移動機器人定位和地圖構建同時進行，實現容易。
3基于計算機視覺的室內導航
基于計算機視覺的室內導航技術可利用攝像頭捕獲機器人周圍環境的全部信息，對其周身的場景進行反饋，對障礙物進行快速識別和檢測，從而確定一條高效的可行的安全路徑。本文將計算機視覺室內導航技術主要分為3類：第一類是環境地圖事先已知；第二類是定位與地圖構建同時進行；第三類是不依賴環境地圖。
3.1環境地圖事先已知
提前對外界環境特征進行提取和處理，建立全局地圖，并將地圖信息存儲在機器人內存數據庫中，在導航的時候實時進行地圖匹配，即預存環境地圖。在環境地圖事先已知的導航中，路標信息保存在計算機內存的數據庫中，視覺系統中心利用圖像特征直接或間接向移動機器人提供一系列路標信息，一旦路標被確定后，通過匹配觀察到的圖像和所期望圖像，機器人借助地圖實現自身精確定位和導航。該導航技術過程可分為以下步驟：
a）圖像獲取：攝像頭獲取其周圍的視頻圖像；
b）路標識別及檢測：利用相關圖像處理算法對圖像進行一系列預處理如進行邊緣檢測和提取、平滑、濾波、區域分割；
c）路標匹配標志：在觀察到的圖像和所期望圖像之間進行匹配，搜索現有的路標數據庫進行標志路標；
d）位置計算：當有特征點進行匹配時，視覺系統會根據數據庫中的路標位置進行自身精確定位和導航。
在基于計算機視覺的地圖匹配定位過程中，主要有2種地圖匹配較為典型。
①已知起點，已知地圖。這種條件下的定位稱為局部定位，采用的是一種相對定位的方法，如圖1所示為其位姿估計過程，這種情況目前導航技術研究得最多。
②不知起點，已知地圖。這種條件下的定位稱為全局定位。當機器人需要重置時，通常使用這種定位方法來檢索機器人的當前位置（即姿態初始化）。常用的輔助方法是在環境中添加一些人造信標，如無線收發器，幾何信標，條碼技術，紅外或超聲波接收系統進行位置識別，利用視覺系統識別自然標志，自主定位。
3.2定位與地圖構建同時進行
不知起點，不知地圖。SLAM技術最早由Smith等人于1986年提出，移動機器人在自身位置不確定的情況下根據自身的攝像頭獲取周圍未知環境信息，在作業時逐步構建周圍的環境地圖，根據構建的增量式地圖自主實時定位和導航。在日后的導航研究中，混合地圖中的幾何一拓撲混合環境模型被得到廣泛應用，主要用來解決SLAM問題。
2003年，在解決SLAM技術難題上，Arras等人采用基于Kalman濾波器和最鄰近（nearest neighbor）匹配策略的隨機地圖創建方法。下面是該算法步驟：
a）數據采集：首先初始化系統，從攝像頭傳感器采集距離數據；
b）狀態預測：視覺系統預測機器人運動狀態，實時返回新位姿信息和協方差矩陣，預測地圖；
c）觀測：從原始捕獲的信息中提取主要特征信息并將此信息返回給局部地圖；
d）測量預測：預測機器人當前位姿的全局地圖；
e）位置匹配：應用最鄰近濾波器匹配局部地圖中的觀測點和預測點；
f）估計：使用擴展Kalman濾波器更新地圖；
g）創建：將非相關的觀測點加入地圖，對機器人返回增量式地圖；
h）輸出地圖。
制約機器人視覺系統性能的重要因素是信息實時處理的計算復雜度和處理效率，SLAM算法需要在地圖密度與計算效率之間取得權衡。
3.3無環境地圖
在這類系統中，機器人不需要依賴任何的環境地圖信息，機器人的活動取決于其當時識別和提取出來的環境信息，這些環境信息可能是桌子、椅子和門等，不需要知道這些環境元素的絕對位置。無環境地圖的導航技術典型的技術有3大類：基于光流的導航技術、基于外觀信息的導航技術、基于目標識別的導航技術和基于目標跟蹤的導航技術。
3.3.1基于光流的導航技術
光流是三維空間運動物體在觀測成像面上的像素運動的瞬時速度，也是圖像亮度的運動信息描述。光流法計算最初是由Horn和Schunck于1981年提出的，其利用二維速度場與灰度，引入光流約束方程，得到光流計算的基本算法。光流計算基于物體移動的光學特性提出了2個假設：①運動物體的灰度在很短的間隔時間內保持不變；②給定鄰域內的速度向量場變化是緩慢的。如Santos-Victor等人研發了一種基于光流的robee視覺系統，該系統模擬了蜜蜂的視覺行為。在robee視覺系統中，使用單獨的雙目視覺方法來模擬蜜蜂的中心反射（Centering Reflex）：當機器人移動到走廊兩側的墻壁中心時，左眼捕獲場景的瞬時速度與右眼捕獲場景的瞬時速度是相同的，幾乎沒有差別，那么機器人就可以知道他們在走廊的中心。如果眼睛兩側的眼睛的瞬時變化速度不同，則機器人移動到較慢的速度。在自動機器人導航的實現中，基于這個想法是測量攝像機捕獲圖像場景瞬時速度差異。這種導航技術只能用于室內單通道直走道導航，不能引導機器人改變方向，具有一定的局限性。
3.3.2基于外觀信息的導航技術
基于外觀的機器人導航方法，不需要構建真實的地圖導航，機器人通過自身所攜帶的攝像頭和傳感器感知周圍目標的外觀信息進行自主定位和導航。其中，所述的外觀信息多為目標信息的顏色、亮度、形狀、空間大小和物理紋路等。機器人在導航時存儲連續視頻幀的環境圖像信息，并將連續視頻幀與控制指令相關聯，從而再執行指令規劃有效路徑到達目的地。
3.3.3基于目標識別導航技術
為了達到目標點或是識別目標，機器人很多時候只能獲取少量的圖像信息。Kim等人提出了一種用符號代替導航各個位置的賦值方法。該賦值方法中，機器人執行命令如“去窗邊”“去你后面的椅子旁”等。這樣，通過相關的符號命令，機器人自動識別并建立路標，通過符號指令到達目標點。例如“去你后面的椅子旁”，這樣的命令就是告訴機器人路標是椅子、路徑向后。該導航技術的難點在于目標是否可以準確實時識別路標。第一，識別大量不同類別的物體，室內環境有許多不同類別的物體，需要將它們組織到一個在給定的容易搜索圖像數據結構中去，起到容易識別是用什么度量來區分物體；第二，識別大量不同背景下的物體，一個合適的物體表達式有助于將圖像組織成片斷，而這些片斷來自于物體的種類且與物體無關的；第三，在抽象層次上識別物體，機器人可以不需要在看到一個具體的杯子之前便能知道它是一個杯子，相關程序能夠類似的物體進行識別和區分。
3.3.4基于目標跟蹤的導航技術
基于目標跟蹤的導航技術，為機器人構造一個虛擬地圖，機器人通過攝像頭獲取連續的視頻序定一個跟蹤的目標，為了達到對目標的精確定位和實時跟蹤，可以利用粒子濾波算法對需要跟蹤的目標進行建模。基于粒子濾波的目標跟蹤主要包含四個階段，分別是初始化目標區域，概率轉移，目標區域權重計算，目標區域重采樣。在機器人導航之前，通過視頻序列的當前幾幀標注機器人所需要跟蹤的目標，在導航時，機器人通過連續的視頻幀感知周圍的待跟蹤目標，同時對所需要跟蹤的目標散播粒子，當獲取的視頻幀對目標區域重采樣后足以讓機器人確定所需要跟蹤的目標時，機器人通過確定的目標為自己規劃最有效的路徑到達目的地。獲取視頻序列目標跟蹤是算機視覺領域中的重要分支，它在工業生產、交通導航、國防建設、航空導航等各個領域有著廣泛的應用。
計算機視覺技術范文6
關鍵詞： 云計算；數據挖掘；分布式
中圖分類號：TP393.08 文獻標識碼：A 文章編號：1671－7597（2012）0220104－01
0 引言
信息技術的出現導致各種格式（如記錄、文檔、圖像、聲音、航空數據等）的海量數據存儲在數據倉庫中，如何從海量的數據中找到有價值的信息是當前的一個熱點，對人類社會具有非常重要的社會價值和經濟利益，數據挖掘就是實現這一功能的技術。數據挖掘從早期的單獨算法對單系統、單機器進行對向量數據的挖掘，到與數據庫相結合，支持多個算法的挖掘，以及和預測模型相集成，支持Web數據、半結構化的數據的網絡化計算，發展到了分布式數據挖掘。分布式數據挖掘（Distributed Data Mining，DDM）作為一種成熟的挖掘技術已被廣泛應用到各個領域，是數據挖掘領域的熱點之一?！胺植肌钡暮x包括數據的分布和計算的分布兩層含義。在分布式計算環境中，用戶、數據、計算硬件、數據挖掘軟件均可能在地域上分散。分布式數據挖掘旨在解決分散的同構和異構數據庫的挖掘問題；同時，數據的分布性帶來處理的并行性，則可能解決海量數據挖掘的可伸縮性（Scalability）瓶頸[1]。
隨著科學技術的飛速發展，人類社會信息正以每18個月產生的數量等于過去幾千年的總和的速度不斷增加[1]。尤其是隨著物聯網產業的迅猛發展，越來越多的應用終端被接入網絡，隨之帶來的龐大的數據量極大的增加了人們從海量數據中發現有用知識的難度。物聯網產生的數據具有數量大，高度分散的特點，傳統的分布式數據挖掘已經無法解決現有數據處理瓶頸問題[2]。作為新興商業計算模型的云計算，為分布式數據挖掘提供了許多新的解決思路和方案。云計算是數據管理技術發展的必然趨勢，能對分布在大量計算機上存儲的資源池上進行操作，使基于云計算平臺的應用能根據需要獲取所需的存儲空間，軟件服務和計算能力。目前，IT巨頭正在相繼開發云計算平臺、云計算終端和服務器。
1 數據挖掘算法分類
數據挖掘算法有很多，從不同的視角，數據挖掘技算法可以有根據發現知識的種類分類、根據挖掘的數據庫的種類分類和根據采用的技術分類的幾種常見分類標準[3]。
1）根據發現的知識種類，數據挖掘算法有：關聯規則發現、分類或預測模型知識發現、數據總結、數據聚類、序列模式發現、依賴關系或依賴模型發現、異常和趨勢發現等多種算法。
2）根據挖掘的數據庫的種類，數據挖掘有基于各種數據庫的挖掘算法：關系型、面向對象數據庫、空間數據庫、時態數據庫、文本數據源、交易型、多媒體數據庫、異質數據庫、遺留數據庫等，已經基于數據倉庫、基于Web的挖掘算法等。
3）根據挖掘方法采用的技術，可分為：統計分析、機器學習方法、模式識別、面向數據庫或數據倉庫的技術、可視化技術和神經網絡等挖掘算法。其中，常用的統計方法可細分為回歸分析、判別分析、聚類分析（系統聚類、動態聚類等）、探索性分析等。機器學習方法可細分為：歸納學習方法（決策樹、規則歸納等）、基于范例學習、遺傳算法等。數據庫方法主要是多維數據分析或OLAP方法，另外還有面向屬性的歸納方法。
基于云計算分布式數據挖掘算法是在這些數據挖掘算法的基礎上，采用云計算平臺實現的數據挖掘算法，也可以采用這樣的分類標準進行分類。然而，由于有各式各樣的數據存在，每一種挖掘算法都應用到具體的數據類型上，對數據類型的要求是有限制的，一種算法不可能會適應所有數據類型的挖掘應用。因此，在考慮不同數據類型的挖掘和具體的應用時，如何選擇合適的挖掘算法是非常重要的。當然，在實際應用中，往往結合多方面的因素，考慮算法的優缺點，采用多種算法實現有效的挖掘。
2 不同數據類型對應的挖掘算法
隨著信息量的劇增，數據的種類也不斷增多。從粗粒度來看，數據挖掘常應用到如下幾種數據形式：文本型（Textual）、關系型（Relational）、
事務型（Transactional）、面向對象型（Objected-Oriented）、主動型（Active）、空間型（Spatial）、時間型（Temporal）、多媒體（Multi-Media）、異質（Heterogeneous）數據庫和遺留（Legacy）系統等。從挖掘的數據特性出發，專家和相關研究人員將數據挖掘歸為如下幾種技術：[4，5]
1）分類。分類算法適用于以元組構成的關系型數據形式，關系型中的一個數據屬性可以看作分類輸出的目標屬性，其他屬性作為分類算法數據模式（輸入）。這類算法的主要目的是對訓練的數據集進行挖掘，以發現另外的數據為目標得出數據分類的原理，這個原理可以用于后加入數據的分類。如果預測的變量是離散的，這類問題成為分類；如果預測的變量是連續的，這類問題成為回歸?；谠朴嬎愠Ｓ玫姆植际酵诰蛩惴▽崿F關系型數據的挖掘主要有基于K-最鄰近方法的分類算法、云計算環境下樸素貝葉斯文本分類算法、基于神經網絡、基于范例的推理、決策樹和徑向基函數等分類算法。
2）聚類分析。聚類分析和分類算法相似適用于關系型數據的挖掘。聚類是在事先不規定分組規則的情況下，將數據按照其自身特征劃分成不同的群組進行挖掘，以期從潛在的數據中發現新的、有意義的數據分布模式。聚類方法主要有劃分聚類、層次聚類、基于密度的聚類、基于網格的聚類和基于模型的聚類。云計算聚類算法常用的有基于云計算的并行k均值聚類算法等。
3）關聯規則。關聯規則適用于事務型、交易型和關系型數據，但對關系型數據要求按事務分組。最適合處理的變量類型是布爾型和數值型。布爾型關聯規則處理的值都是離散的、種類化的，而數值型關聯規則可以和多維關聯或多層關聯規則結合起來。關聯規則挖掘主要是發現大量數據中項集之間有趣的關聯或相關聯系，關聯規則研究有助于發現交易數據庫中不同商品（項）之間的聯系以應用于商品貨架布局、貨存安排以及根據購買模式對用戶進行分類。云計算環境下的常用關聯規則分布式挖掘算法有：Apriori算法，已經出現了多種對Apriori算法改進的版本。
4）基于模式的相似性查找。該算法適用于于文本型和時間型數據，進行文本相似性搜索和時間相似性。時間序列數據是一類重要的復雜數據對象，對時間序列數據庫進行挖掘能發現時間序列中所蘊涵的知識，數據挖掘技術在時間序列中的主要應用有規則發現、周期模式挖掘、相似性搜索和序列模式發現等方面。文本數據是最常見的一種數據，基于文本相似型的挖掘可以實現文本雷同度與相似性的研究。常用的算法有基于云模型的時間序列分段聚合近似方法、基于模糊聚類的文本挖掘算法、基于云計算的ARMA算法和基于離散傅立葉變換的時間序列相似性查找算法等。
5）時間序列或趨勢發現和分析。該技術主要用于時間型數據，通過對不同時間點以前時間數據值的變化，發現或預測未來可能的變化和趨勢，如股票的預測就是這種一個好的時間序列趨勢析例子。常用的算法有神經網絡算法、支持向量機算法等。
此外，除了上面提到的常用數據類型的挖掘，對空間數據的挖掘多采用空間聚類分析和空間OLAP等方法；對多媒體數據的挖掘多采用基于規則的決策樹分類算法；對于應用在智能終端上的普適數據多采用機器學習和統計的挖掘算法。
3 結束語
本文首先介紹了云計算和分布式數據挖掘的相關知識，隨著Internet的普及和數據的海量增加，二者相結合能解決分布式數據挖掘的瓶頸問題，是今后的一個發展方向。本文重點針對不同的數據類型采用的基于云計算的分布式挖掘算法進行了對比，為基于云平臺的分布式數據挖掘系統的開發提供了支持。云計算為海量和復雜數據對象的數據挖掘提供了基礎設施，為網絡環境下面向大眾的數據挖掘服務帶來了機遇。
參考文獻：
[1]張誠、郭毅，專訪中國科學院計算技術研究所-何清博士，數字通信，2011，3：5-7.
[2]陳磊、王鵬、董靜宜、任超，基于云計算架構的分布式數據挖掘研究，成都信息工程學院學報，2010，12：777-579.
[3]邵峰晶、于忠清著，數據挖掘原理與算法，北京：水利水電出版社，2003.08.
