時(shí)間：2023-03-21 17:03:27
導(dǎo)語(yǔ)：在圖像分析論文的撰寫(xiě)旅程中，學(xué)習(xí)并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優(yōu)秀范文，愿這些內(nèi)容能夠啟發(fā)您的創(chuàng)作靈感，引領(lǐng)您探索更多的創(chuàng)作可能。
論文摘要：隨著醫(yī)學(xué)成像和計(jì)算機(jī)輔助技術(shù)的發(fā)展，從二維醫(yī)學(xué)圖像到三維可視化技術(shù)成為研究的熱點(diǎn)，本文介紹了醫(yī)學(xué)圖像處理技術(shù)的發(fā)展動(dòng)態(tài)，對(duì)圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行了綜述。在比較各種技術(shù)在相關(guān)領(lǐng)域中應(yīng)用的基礎(chǔ)上，提出了醫(yī)學(xué)圖像處理技術(shù)發(fā)展所面臨的相關(guān)問(wèn)題及其發(fā)展方向。
1．引言
近20多年來(lái)，醫(yī)學(xué)影像已成為醫(yī)學(xué)技術(shù)中發(fā)展最快的領(lǐng)域之一，其結(jié)果使臨床醫(yī)生對(duì)人體內(nèi)部病變部位的觀察更直接、更清晰，確診率也更高。20世紀(jì)70年代初，X-CT的發(fā)明曾引發(fā)了醫(yī)學(xué)影像領(lǐng)域的一場(chǎng)革命，與此同時(shí)，核磁共振成像象(MRI:MagneticResonanceImaging)、超聲成像、數(shù)字射線照相術(shù)、發(fā)射型計(jì)算機(jī)成像和核素成像等也逐步發(fā)展。計(jì)算機(jī)和醫(yī)學(xué)圖像處理技術(shù)作為這些成像技術(shù)的發(fā)展基礎(chǔ)，帶動(dòng)著現(xiàn)代醫(yī)學(xué)診斷正產(chǎn)生著深刻的變革。各種新的醫(yī)學(xué)成像方法的臨床應(yīng)用，使醫(yī)學(xué)診斷和治療技術(shù)取得了很大的進(jìn)展，同時(shí)將各種成像技術(shù)得到的信息進(jìn)行互補(bǔ)，也為臨床診斷及生物醫(yī)學(xué)研究提供了有力的科學(xué)依據(jù)。
在目前的影像醫(yī)療診斷中,主要是通過(guò)觀察一組二維切片圖象去發(fā)現(xiàn)病變體,往往需要借助醫(yī)生的經(jīng)驗(yàn)來(lái)判定。至于準(zhǔn)確的確定病變體的空間位置、大小、幾何形狀及與周?chē)锝M織的空間關(guān)系,僅通過(guò)觀察二維切片圖象是很難實(shí)現(xiàn)的。因此,利用計(jì)算機(jī)圖象處理技術(shù)對(duì)二維切片圖象進(jìn)行分析和處理,實(shí)現(xiàn)對(duì)人體器官、軟組織和病變體的分割提取、三維重建和三維顯示,可以輔助醫(yī)生對(duì)病變體及其它感興趣的區(qū)域進(jìn)行定性甚至定量的分析,可以大大提高醫(yī)療診斷的準(zhǔn)確性和可靠性。此外,它在醫(yī)療教學(xué)、手術(shù)規(guī)劃、手術(shù)仿真及各種醫(yī)學(xué)研究中也能起重要的輔助作用。
本文對(duì)醫(yī)學(xué)圖像處理技術(shù)中的圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行了綜述。
2．醫(yī)學(xué)圖像三維可視化技術(shù)
2.1三維可視化概述
醫(yī)學(xué)圖像的三維可視化的方法很多，但基本步驟大體相同，如圖.。從#$/&’(或超聲等成像系統(tǒng)獲得二維斷層圖像，然后需要將圖像格式（如0(#1&）轉(zhuǎn)化成計(jì)算機(jī)方便處理的格式。通過(guò)二維濾波，減少圖像的噪聲影響，提高信噪比和消除圖像的尾跡。采取圖像插值方法，對(duì)醫(yī)學(xué)關(guān)鍵部位進(jìn)行各向同性處理，獲得體數(shù)據(jù)。經(jīng)過(guò)三維濾波后，不同組織器官需要進(jìn)行分割和歸類(lèi)，對(duì)同一部位的不同圖像進(jìn)行配準(zhǔn)和融合，以利于進(jìn)一步對(duì)某感興趣部位的操作。根據(jù)不同的三維可視化要求和系統(tǒng)平臺(tái)的能力，選擇不同的方法進(jìn)行三維體繪制，實(shí)現(xiàn)三維重構(gòu)。
2.2關(guān)鍵技術(shù)：
圖像分割是三維重構(gòu)的基礎(chǔ)，分割效果直接影像三維重構(gòu)的精確度。圖像分割是將圖像分割成有意義的子區(qū)域，由于醫(yī)學(xué)圖像的各區(qū)域沒(méi)有清楚的邊界，為了解決在醫(yī)學(xué)圖像分割中遇到不確定性的問(wèn)題，引入模糊理論的模糊閥值、模糊邊界和模糊聚類(lèi)等概念?？焖贉?zhǔn)確的分離出解剖結(jié)構(gòu)和定位區(qū)域位置和形狀，自動(dòng)或半自動(dòng)的圖像分割方法是非常重要的。在實(shí)際應(yīng)用中有聚類(lèi)法、統(tǒng)計(jì)學(xué)模型、彈性模型、區(qū)域生長(zhǎng)、神經(jīng)網(wǎng)絡(luò)等適用于醫(yī)學(xué)圖像分割的具體方法。
由于可以對(duì)同一部位用不同的成像儀器多次成像，或用同一臺(tái)儀器多次成像，這樣產(chǎn)生了多模態(tài)圖像。多模態(tài)圖像提供的信息經(jīng)常相互覆蓋和具有互補(bǔ)性，為了綜合使用多種成像模式以提供更全面的信息，需要對(duì)各個(gè)模態(tài)的原始圖像進(jìn)行配準(zhǔn)和數(shù)據(jù)融合，其整個(gè)過(guò)程稱(chēng)為數(shù)據(jù)整合。整合的第一步是將多個(gè)醫(yī)學(xué)圖像的信息轉(zhuǎn)換到一個(gè)公共的坐標(biāo)框架內(nèi)的研究，使多幅圖像在空間域中達(dá)到幾何位置的完全對(duì)應(yīng)，稱(chēng)為三維醫(yī)學(xué)圖像的配準(zhǔn)問(wèn)題。建立配準(zhǔn)關(guān)系后，將多個(gè)圖像的數(shù)據(jù)合成表示的過(guò)程，稱(chēng)為融合。在醫(yī)學(xué)應(yīng)用中，不同模態(tài)的圖像還提供了不互相覆蓋的結(jié)構(gòu)互補(bǔ)信息，比如，當(dāng)CT提供的是骨信息，MRI提供的關(guān)于軟組織的信息，所以可以用邏輯運(yùn)算的方法來(lái)實(shí)現(xiàn)它們圖像的合成。
當(dāng)分割歸類(lèi)或數(shù)據(jù)整合結(jié)束后，對(duì)體數(shù)據(jù)進(jìn)行體繪制。體繪制一般分為直接體繪制和間接體繪制，由于三維醫(yī)學(xué)圖像數(shù)據(jù)量很大，采用直接體繪制方法，計(jì)算量過(guò)重，特別在遠(yuǎn)程應(yīng)用和交互操作中，所以一般多采用間接體繪制。在圖形工作站上可以進(jìn)行直接體繪制，近來(lái)隨著計(jì)算機(jī)硬件快速發(fā)展，新的算法，如三維紋理映射技術(shù)，考慮了計(jì)算機(jī)圖形硬件的特定功能及體繪制過(guò)程中的各種優(yōu)化方法，從而大大地提高了直接體繪制的速度。體繪制根據(jù)所用的投影算法不同加以分類(lèi)，分為以對(duì)象空間為序的算法（又稱(chēng)為體素投影法）和以圖像空間為序的算法!又稱(chēng)為光線投射法"，一般來(lái)說(shuō)，體素投影法繪制的速度比光線投射法快。由于三維醫(yī)學(xué)圖像的繪制目的在于看見(jiàn)內(nèi)部組織的細(xì)節(jié)，真實(shí)感并不是最重要的，所以在醫(yī)學(xué)應(yīng)用中的繪制要突出特定診斷所需要的信息，而忽略無(wú)關(guān)信息。另外，高度的可交互性是三維醫(yī)學(xué)圖像繪制的另一個(gè)要求，即要求一些常見(jiàn)操作，如旋轉(zhuǎn)，放大，移動(dòng)，具有很好的實(shí)時(shí)性，或至少是在一個(gè)可以忍受的響應(yīng)時(shí)間內(nèi)完成。這意味著在醫(yī)學(xué)圖像繪制中，繪制時(shí)間短的可視化方法更為實(shí)用。
未來(lái)的三維可視化技術(shù)將與虛擬現(xiàn)實(shí)技術(shù)相結(jié)合，不僅僅是獲得體數(shù)據(jù)的工具，更主要的是能創(chuàng)造一個(gè)虛擬環(huán)境。
3．醫(yī)學(xué)圖像分割
醫(yī)學(xué)圖像分割就是一個(gè)根據(jù)區(qū)域間的相似或不同把圖像分割成若干區(qū)域的過(guò)程。目前,主要以各種細(xì)胞、組織與器官的圖像作為處理的對(duì)象，圖像分割技術(shù)主要基于以下幾種理論方法。
3.1基于統(tǒng)計(jì)學(xué)的方法
統(tǒng)計(jì)方法是近年來(lái)比較流行的醫(yī)學(xué)圖像分割方法。從統(tǒng)計(jì)學(xué)出發(fā)的圖像分割方法把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量,觀察到的圖像是對(duì)實(shí)際物體做了某種變換并加入噪聲的結(jié)果,因而要正確分割圖像,從統(tǒng)計(jì)學(xué)的角度來(lái)看,就是要找出以最大的概率得到該圖像的物體組合。用吉布斯（Gibbs）分布表示的Markov隨機(jī)場(chǎng)(MRF)模型,能夠簡(jiǎn)單地通過(guò)勢(shì)能形式表示圖像像素之間的相互關(guān)系,因此周剛慧等結(jié)合人腦MR圖像的空間關(guān)系定義Markov隨機(jī)場(chǎng)的能量形式,然后通過(guò)最大后驗(yàn)概率(MAP)方法估計(jì)Markov隨機(jī)場(chǎng)的參數(shù),并通過(guò)迭代方法求解。層次MRF采用基于直方圖的DAEM算法估計(jì)標(biāo)準(zhǔn)有限正交混合(SFNM)參數(shù)的全局最優(yōu)值,并基于MRF先驗(yàn)參數(shù)的實(shí)際意義,采用一種近似的方法來(lái)簡(jiǎn)化這些參數(shù)的估計(jì)。林亞忠等采用的混合金字塔Gibbs隨機(jī)場(chǎng)模型,有效地解決了傳統(tǒng)最大后驗(yàn)估計(jì)計(jì)算量龐大和Gibbs隨機(jī)場(chǎng)模型參數(shù)無(wú)監(jiān)督及估計(jì)難等問(wèn)題,使分割結(jié)果更為可靠。
3.2基于模糊集理論的方法
醫(yī)學(xué)圖像一般較為復(fù)雜，有許多不確定性和不精確性，也即模糊性。所以有人將模糊理論引入到圖像處理與分析中，其中包括用模糊理論來(lái)解決分割問(wèn)題?；谀：碚摰膱D形分割方法包括模糊閾值分割方法、模糊聚類(lèi)分割方法等。模糊閾值分割技術(shù)利用不同的S型隸屬函數(shù)來(lái)定義模糊目標(biāo)，通過(guò)優(yōu)化過(guò)程最后選擇一個(gè)具有最小不確定性的S函數(shù)，用該函數(shù)表示目標(biāo)像素之間的關(guān)系。這種方法的難點(diǎn)在于隸屬函數(shù)的選擇。模糊C均值聚類(lèi)分割方法通過(guò)優(yōu)化表示圖像像素點(diǎn)與C各類(lèi)中心之間的相似性的目標(biāo)函數(shù)來(lái)獲得局部極大值，從而得到最優(yōu)聚類(lèi)。Venkateswarlu等[改進(jìn)計(jì)算過(guò)程，提出了一種快速的聚類(lèi)算法。
3.2.1基于模糊理論的方法
模糊分割技術(shù)是在模糊集合理論基礎(chǔ)上發(fā)展起來(lái)的,它可以很好地處理MR圖像內(nèi)在的模糊性和不確定性,而且對(duì)噪聲不敏感。模糊分割技術(shù)主要有模糊閾值、模糊聚類(lèi)、模糊邊緣檢測(cè)等。在各種模糊分割技術(shù)中,近年來(lái)模糊聚類(lèi)技術(shù),特別是模糊C-均值(FCM)聚類(lèi)技術(shù)的應(yīng)用最為廣泛。FCM是一種非監(jiān)督模糊聚類(lèi)后的標(biāo)定過(guò)程,非常適合存在不確定性和模糊性特點(diǎn)的MR圖像。然而,FCM算法本質(zhì)上是一種局部搜索尋優(yōu)技術(shù),它的迭代過(guò)程采用爬山技術(shù)來(lái)尋找最優(yōu)解,因此容易陷入局部極小值,而得不到全局最優(yōu)解。近年來(lái)相繼出現(xiàn)了許多改進(jìn)的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研究熱點(diǎn)。FFCM算法對(duì)傳統(tǒng)FCM算法的初始化進(jìn)行了改進(jìn),用K-均值聚類(lèi)的結(jié)果作為模糊聚類(lèi)中心的初值,通過(guò)減少FCM的迭代次數(shù)來(lái)提高模糊聚類(lèi)的速度。它實(shí)際上是兩次尋優(yōu)的迭代過(guò)程,首先由K-均值聚類(lèi)得到聚類(lèi)中心的次最優(yōu)解,再由FCM進(jìn)行模糊聚類(lèi),最終得到圖像的最優(yōu)模糊分割。
3.2.2基于神經(jīng)網(wǎng)絡(luò)的方法
按拓?fù)錂C(jī)構(gòu)來(lái)分,神經(jīng)網(wǎng)絡(luò)技術(shù)可分為前向神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。目前已有各種類(lèi)型的神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)圖像分割,如江寶釧等利用MRI多回波性,采用有指導(dǎo)的BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器,對(duì)腦部MR圖像進(jìn)行自動(dòng)分割。而Ahmed和Farag則是用自組織Kohenen網(wǎng)絡(luò)對(duì)CT/MRI腦切片圖像進(jìn)行分割和標(biāo)注,并將具有幾何不變性的圖像特征以模式的形式輸入到Kohenen網(wǎng)絡(luò),進(jìn)行無(wú)指導(dǎo)的體素聚類(lèi),以得到感興趣區(qū)域。模糊神經(jīng)網(wǎng)絡(luò)(FNN)分割技術(shù)越來(lái)越多地得到學(xué)者們的青睞,黃永鋒等提出了一種基于FNN的顱腦MRI半自動(dòng)分割技術(shù),僅對(duì)神經(jīng)網(wǎng)絡(luò)處理前和處理后的數(shù)據(jù)進(jìn)行模糊化和去模糊化,其分割結(jié)果表明FNN分割技術(shù)的抗噪和抗模糊能力更強(qiáng)。
3.2.3基于小波分析的分割方法
小波變換是近年來(lái)得到廣泛應(yīng)用的一種數(shù)學(xué)工具，由于它具有良好的時(shí)一頻局部化特征、尺度變化特征和方向特征，因此在圖像處理上得到了廣泛的應(yīng)用。
小波變換和分析作為一種多尺度多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊緣檢測(cè)，典型的有如Mallat小波模極大值邊緣檢測(cè)算法[6
3.3基于知識(shí)的方法
基于知識(shí)的分割方法主要包括兩方面的內(nèi)容:(1)知識(shí)的獲取,即歸納提取相關(guān)知識(shí),建立知識(shí)庫(kù)；(2)知識(shí)的應(yīng)用,即有效地利用知識(shí)實(shí)現(xiàn)圖像的自動(dòng)分割。其知識(shí)來(lái)源主要有:(1)臨床知識(shí),即某種疾病的癥狀及它們所處的位置；(2)解剖學(xué)知識(shí),即某器官的解剖學(xué)和形態(tài)學(xué)信息,及其幾何學(xué)與拓?fù)鋵W(xué)的關(guān)系,這種知識(shí)通常用圖譜表示；(3)成像知識(shí),這類(lèi)知識(shí)與成像方法和具體設(shè)備有關(guān)；(4)統(tǒng)計(jì)知識(shí),如MI的質(zhì)子密度(PD)、T1和T2統(tǒng)計(jì)數(shù)據(jù)。Costin等提出了一種基于知識(shí)的模糊分割技術(shù),首先對(duì)圖像進(jìn)行模糊化處理,然后利用相應(yīng)的知識(shí)對(duì)各組織進(jìn)行模糊邊緣檢測(cè)。而謝逢等則提出了一種基于知識(shí)的人腦三維醫(yī)學(xué)圖像分割顯示的方法。首先,以框架為主要表示方法,建立完整的人腦三維知識(shí)模型,包含腦組織幾何形態(tài)、生理功能、圖像灰度三方面的信息；然后,采用“智能光線跟蹤”方法,在模型知識(shí)指導(dǎo)下直接從體積數(shù)據(jù)中提取并顯示各組織器官的表面。
3.4基于模型的方法
該方法根據(jù)圖像的先驗(yàn)知識(shí)建立模型,有動(dòng)態(tài)輪廓模型(ActiveContourModel,又稱(chēng)Snake)、組合優(yōu)化模型等,其中Snake最為常用。Snake算法的能量函數(shù)采用積分運(yùn)算,具有較好的抗噪性,對(duì)目標(biāo)的局部模糊也不敏感,但其結(jié)果常依賴(lài)于參數(shù)初始化,不具有足夠的拓?fù)溥m應(yīng)性,因此很多學(xué)者將Snake與其它方法結(jié)合起來(lái)使用,如王蓓等利用圖像的先驗(yàn)知識(shí)與Snake結(jié)合的方法,避開(kāi)圖像的一些局部極小點(diǎn),克服了Snake方法的一些不足。Raquel等將徑向基網(wǎng)絡(luò)(RBFNNcc)與Snake相結(jié)合建立了一種混合模型,該模型具有以下特點(diǎn):(1)該混合模型是靜態(tài)網(wǎng)絡(luò)和動(dòng)態(tài)模型的有機(jī)結(jié)合；(2)Snake的初始化輪廓由RBFNNcc提供；(3)Snake的初始化輪廓給出了最佳的控制點(diǎn)；(4)Snake的能量方程中包含了圖像的多譜信息。Luo等提出了一種將livewire算法與Snake相結(jié)合的醫(yī)學(xué)圖像序列的交互式分割算法,該算法的特點(diǎn)是在少數(shù)用戶(hù)交互的基礎(chǔ)上,可以快速可靠地得到一個(gè)醫(yī)學(xué)圖像序列的分割結(jié)果。
由于醫(yī)學(xué)圖像分割問(wèn)題本身的困難性，目前的方法都是針對(duì)某個(gè)具體任務(wù)而言的，還沒(méi)有一個(gè)通用的解決方法。綜觀近幾年圖像分割領(lǐng)域的文獻(xiàn)，可見(jiàn)醫(yī)學(xué)圖像分割方法研究的幾個(gè)顯著特點(diǎn)：（1）學(xué)者們逐漸認(rèn)識(shí)到現(xiàn)有任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像取得比較滿(mǎn)意的結(jié)果，因而更加注重多種分割算法的有效結(jié)合；（2）在目前無(wú)法完全由計(jì)算機(jī)來(lái)完成圖像分割任務(wù)的情況下，半自動(dòng)的分割方法引起了人們的廣泛注意，如何才能充分利用計(jì)算機(jī)的運(yùn)算能力，使人僅在必要的時(shí)候進(jìn)行必不可少的干預(yù)，從而得到滿(mǎn)意的分割結(jié)果是交互式分割方法的核心問(wèn)題；（3）新的分割方法的研究主要以自動(dòng)、精確、快速、自適應(yīng)和魯棒性等幾個(gè)方向作為研究目標(biāo)，經(jīng)典分割技術(shù)與現(xiàn)代分割技術(shù)的綜合利用（集成技術(shù)）是今后醫(yī)學(xué)圖像分割技術(shù)的發(fā)展方向。
4．醫(yī)學(xué)圖像配準(zhǔn)和融合
醫(yī)學(xué)圖像可以分為解剖圖像和功能圖像2個(gè)部分。解剖圖像主要描述人體形態(tài)信息，功能圖像主要描述人體代謝信息。為了綜合使用多種成像模式以提供更全面的信息，常常需要將有效信息進(jìn)行整合。整合的第一步就是使多幅圖像在空間域中達(dá)到幾何位置的完全對(duì)應(yīng)，這一步驟稱(chēng)為“配準(zhǔn)”。整合的第二步就是將配準(zhǔn)后圖像進(jìn)行信息的整合顯示，這一步驟稱(chēng)為“融合”。
在臨床診斷上，醫(yī)生常常需要各種醫(yī)學(xué)圖像的支持，如CT、MRI、PET、SPECT以及超聲圖像等，但無(wú)論哪一類(lèi)的醫(yī)學(xué)圖像往往都難以提供全面的信息，這就需要將患者的各種圖像信息綜合研究19]，而要做到這一點(diǎn)，首先必須解決圖像的配準(zhǔn)(或叫匹配)和融合問(wèn)題。醫(yī)學(xué)圖像配準(zhǔn)是確定兩幅或多幅醫(yī)學(xué)圖像像素的空間對(duì)應(yīng)關(guān)系；而融合是指將不同形式的醫(yī)學(xué)圖像中的信息綜合到一起，形成新的圖像的過(guò)程。圖像配準(zhǔn)是圖像融合必需的預(yù)處理技術(shù)，反過(guò)來(lái)，圖像融合是圖像配準(zhǔn)的一個(gè)目的。
4.1醫(yī)學(xué)圖像配準(zhǔn)
醫(yī)學(xué)圖像配準(zhǔn)包括圖像的定位和轉(zhuǎn)換，即通過(guò)尋找一種空間變換使兩幅圖像對(duì)應(yīng)點(diǎn)達(dá)到空間位置上的配準(zhǔn)，配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有關(guān)鍵的解剖點(diǎn)或感興趣的關(guān)鍵點(diǎn)達(dá)到匹配。20世紀(jì)90年代以來(lái)，醫(yī)學(xué)圖像配準(zhǔn)的研究受到了國(guó)內(nèi)外醫(yī)學(xué)界和工程界的高度重視，1993年P(guān)etra等]綜述了二維圖像的配準(zhǔn)方法，并根據(jù)配準(zhǔn)基準(zhǔn)的特性，將圖像配準(zhǔn)的方法分為兩大類(lèi)：基于外部特征（有框架）的圖像配準(zhǔn)和基于內(nèi)部特征（無(wú)框架）的圖像配準(zhǔn)?；谕獠刻卣鞯姆椒òⅢw定位框架法、面膜法及皮膚標(biāo)記法等?；谕獠刻卣鞯膱D像配準(zhǔn)，簡(jiǎn)單易行，易實(shí)現(xiàn)自動(dòng)化，能夠獲得較高的精度，可以作為評(píng)估無(wú)框架配準(zhǔn)算法的標(biāo)準(zhǔn)。但對(duì)標(biāo)記物的放置要求高，只能用于同一患者不同影像模式之間的配準(zhǔn)，不適用于患者之間和患者圖像與圖譜之間的配準(zhǔn)，不能對(duì)歷史圖像做回溯性研究。基于內(nèi)部特征的方法是根據(jù)一些用戶(hù)能識(shí)別出的解剖點(diǎn)、醫(yī)學(xué)圖像中相對(duì)運(yùn)動(dòng)較小的結(jié)構(gòu)及圖像內(nèi)部體素的灰度信息進(jìn)行配準(zhǔn)。基于內(nèi)部特征的方法包括手工交互法、對(duì)應(yīng)點(diǎn)配準(zhǔn)法、結(jié)構(gòu)配準(zhǔn)法、矩配準(zhǔn)法及相關(guān)配準(zhǔn)法?；趦?nèi)部特征的圖像配準(zhǔn)是一種交互性方法，可以進(jìn)行回顧性研究，不會(huì)造成患者不適，故基于內(nèi)部特征的圖像配準(zhǔn)成為研究的重點(diǎn)。
近年來(lái)，醫(yī)學(xué)圖像配準(zhǔn)技術(shù)有了新的進(jìn)展，在配準(zhǔn)方法上應(yīng)用了信息學(xué)的理論和方法，例如應(yīng)用最大化的互信息量作為配準(zhǔn)準(zhǔn)則進(jìn)行圖像的配準(zhǔn)，在配準(zhǔn)對(duì)象方面從二維圖像發(fā)展到三維多模醫(yī)學(xué)圖像的配準(zhǔn)。例如Luo等利用最大互信息法對(duì)CT-MR和MR-PET三維全腦數(shù)據(jù)進(jìn)行了配準(zhǔn)，結(jié)果全部達(dá)到亞像素級(jí)配準(zhǔn)精度。在醫(yī)學(xué)圖像配準(zhǔn)技術(shù)方面引入信號(hào)處理技術(shù)，例如傅氏變換和小波變換。小波技術(shù)在空間和頻域上具有良好的局部特性，在空間和頻域都具有較高的分辨率，應(yīng)用小波技術(shù)多分辨地描述圖像細(xì)貌，使圖像由粗到細(xì)的分級(jí)快速匹配，是近年來(lái)醫(yī)學(xué)圖像配準(zhǔn)的發(fā)展之一。國(guó)內(nèi)外學(xué)者在這方面作了大量的工作，如Sharman等提出了一種基于小波變換的自動(dòng)配準(zhǔn)剛體圖像方法，使用小波變換獲得多模圖像特征點(diǎn)然后進(jìn)行圖像配準(zhǔn)，提高了配準(zhǔn)的準(zhǔn)確性。另外，非線性配準(zhǔn)也是近年來(lái)研究的熱點(diǎn)，它對(duì)于非剛性對(duì)象的圖像配準(zhǔn)更加適用，配準(zhǔn)結(jié)果更加準(zhǔn)確。
目前許多醫(yī)學(xué)圖像配準(zhǔn)技術(shù)主要是針對(duì)剛性體的配準(zhǔn)，非剛性圖像的配準(zhǔn)雖然已經(jīng)提出一些解決的方法，但同剛性圖像相比還不成熟。另外，醫(yī)學(xué)圖像配準(zhǔn)缺少實(shí)時(shí)性和準(zhǔn)確性及有效的全自動(dòng)的配準(zhǔn)策略。向快速和準(zhǔn)確方面改進(jìn)算法，使用最優(yōu)化策略改進(jìn)圖像配準(zhǔn)以及對(duì)非剛性圖像配準(zhǔn)的研究是今后醫(yī)學(xué)圖像配準(zhǔn)技術(shù)的發(fā)展方向。
4.2醫(yī)學(xué)圖像融合
圖像融合的主要目的是通過(guò)對(duì)多幅圖像間的冗余數(shù)據(jù)的處理來(lái)提高圖像的可讀性,對(duì)多幅圖像間的互補(bǔ)信息的處理來(lái)提高圖像的清晰度。不同的醫(yī)學(xué)影像設(shè)備獲取的影像反映了不同的信息：功能圖像（SPECT、PET等）分辨率較差，但它提供的臟器功能代謝和血液流動(dòng)信息是解剖圖像所不能替代的；解剖圖像（CT、MRI、B超等）以較高的分辨率提供了臟器的解剖形態(tài)信息，其中CT有利于更致密的組織的探測(cè)，而MRI能夠提供軟組織的更多信息。多模態(tài)醫(yī)學(xué)圖像的融合把有價(jià)值的生理功能信息與精確的解剖結(jié)構(gòu)結(jié)合在一起，可以為臨床提供更加全面和準(zhǔn)確的資料。
醫(yī)學(xué)圖像的融合可分為圖像融合的基礎(chǔ)和融合圖像的顯示。（1）圖像融合的基礎(chǔ)：目前的圖像融合技術(shù)可以分為2大類(lèi)，一類(lèi)是以圖像像素為基礎(chǔ)的融合法；另一類(lèi)是以圖像特征為基礎(chǔ)的融合方法。以圖像像素為基礎(chǔ)的融合法模型可以表示為：
其中，為融合圖像，為源圖像，為相應(yīng)的權(quán)重。以圖像特征為基礎(chǔ)的融合方法在原理上不夠直觀且算法復(fù)雜，但是其實(shí)現(xiàn)效果較好。圖像融合的步驟一般為：①將源圖像分別變換至一定變換域上；②在變換域上設(shè)計(jì)一定特征選擇規(guī)則；③根據(jù)選取的規(guī)則在變換域上創(chuàng)建融合圖像；④逆變換重建融合圖像。（2）融合圖像的顯示：融合圖像的顯示方法可分成2種：空間維顯示和時(shí)間維顯示。
目前，醫(yī)學(xué)圖像融合技術(shù)中還存在較多困難與不足。首先，基本的理論框架和有效的廣義融合模型尚未形成。以致現(xiàn)有的技術(shù)方法還只是針對(duì)具體病癥、具體問(wèn)題發(fā)揮作用，通用性相對(duì)較弱。研究的圖像以CT、MRI、核醫(yī)學(xué)圖像為主，超聲等成本較低的圖像研究較少且研究主要集中于大腦、腫瘤成像等；其次，由于成像系統(tǒng)的成像原理的差異，其圖像采集方式、格式以及圖像的大小、質(zhì)量、空間與時(shí)間特性等差異大，因此研究穩(wěn)定且精度較高的全自動(dòng)醫(yī)學(xué)圖像配準(zhǔn)與融合方法是圖像融合技術(shù)的難點(diǎn)之一；最后，缺乏能夠客觀評(píng)價(jià)不同融合方法融合效果優(yōu)劣的標(biāo)準(zhǔn)，通常用目測(cè)的方法比較融合效果，有時(shí)還需要利用到醫(yī)生的經(jīng)驗(yàn)。
在圖像融合技術(shù)研究中，不斷有新的方法出現(xiàn)，其中小波變換在圖像融合中的應(yīng)用，基于有限元分析的非線性配準(zhǔn)以及人工智能技術(shù)在圖像融合中的應(yīng)用將是今后圖像融合研究的熱點(diǎn)與方向。隨著三維重建顯示技術(shù)的發(fā)展，三維圖像融合技術(shù)的研究也越來(lái)越受到重視，三維圖像的融合和信息表達(dá)，也將是圖像融合研究的一個(gè)重點(diǎn)。
5．醫(yī)學(xué)圖像紋理分析
一般認(rèn)為圖像的紋理特征描述物體表面灰度或顏色的變化,這種變化與物體自身屬性有關(guān),是某種紋理基元的重復(fù)。Sklansky早在1978年給出了一個(gè)較為適合于醫(yī)學(xué)圖像的紋理定義:“如果圖像的一系列固有的統(tǒng)計(jì)特性或其它的特性是穩(wěn)定的、緩慢變化的或者是近似周期的,那么則認(rèn)為圖像的區(qū)域具有不變的紋理”。紋理的不變性即指紋理圖像的分析結(jié)果不會(huì)受到旋轉(zhuǎn)、平移、以及其它幾何處理的影響。目前從圖像像素之間的關(guān)系角度,紋理分析方法主要包括以下幾種。
5.1統(tǒng)計(jì)法
統(tǒng)計(jì)分析方法主要是基于圖像像素的灰度值的分布與相互關(guān)系,找出反映這些關(guān)系的特征。基本原理是選擇不同的統(tǒng)計(jì)量對(duì)紋理圖像的統(tǒng)計(jì)特征進(jìn)行提取。這類(lèi)方法一般原理簡(jiǎn)單,較易實(shí)現(xiàn),但適用范圍受到限制。該方法主要適合醫(yī)學(xué)圖像中那些沒(méi)有明顯規(guī)則性的結(jié)構(gòu)圖像,特別適合于具有隨機(jī)的、非均勻性的結(jié)構(gòu)。統(tǒng)計(jì)分析方法中,最常用的是共生矩陣法,其中有灰度共生矩陣(graylevelco-occurrencematrix,GLCM)和灰度—梯度共生矩陣。杜克大學(xué)的R.Voracek等使用GLCM對(duì)肋間周邊區(qū)提取的興趣區(qū)(regionofinterest,ROI)進(jìn)行計(jì)算,測(cè)出了有意義的紋理參數(shù)。另外,還有長(zhǎng)游程法(runlengthmatrix,RLM),其紋理特征包括短游程優(yōu)勢(shì)、長(zhǎng)游程優(yōu)勢(shì)、灰度非均勻化、游程非均勻化、游程百分比等,長(zhǎng)游程法是對(duì)圖像灰度關(guān)系的高階統(tǒng)計(jì),對(duì)于給定的灰度游程,粗的紋理具有較大的游程長(zhǎng)度,而細(xì)的紋理具有較小的游程長(zhǎng)度。
5.2結(jié)構(gòu)法
結(jié)構(gòu)分析方法是分析紋理圖像的結(jié)構(gòu),從中獲取結(jié)構(gòu)特征。結(jié)構(gòu)分析法首先將紋理看成是有許多紋理基元按照一定的位置規(guī)則組成的,然后分兩個(gè)步驟處理（1）提取紋理基元；（2）推論紋理基元位置規(guī)律。目前主要用數(shù)學(xué)形態(tài)學(xué)方法處理紋理圖像,該方法適合于規(guī)則和周期性紋理,但由于醫(yī)學(xué)圖像紋理通常不是很規(guī)則,因此該方法的應(yīng)用也受到限制,實(shí)際中較少采用。
5.3模型法
模型分析方法認(rèn)為一個(gè)像素與其鄰域像素存在某種相互關(guān)系,這種關(guān)系可以是線性的,也可以是符合某種概率關(guān)系的。模型法通常有自回歸模型、馬爾科夫隨機(jī)場(chǎng)模型、Gibbs隨機(jī)場(chǎng)模型、分形模型,這些方法都是用模型系數(shù)來(lái)表征紋理圖像,其關(guān)鍵在于首先要對(duì)紋理圖像的結(jié)構(gòu)進(jìn)行分析以選擇到最適合的模型,其次為如何估計(jì)這些模型系數(shù)。如何通過(guò)求模型參數(shù)來(lái)提取紋理特征,進(jìn)行紋理分析,這類(lèi)方法存在著計(jì)算量大,自然紋理很難用單一模型表達(dá)的缺點(diǎn)。
5.4頻譜法
頻譜分析方法主要基于濾波器理論，包括傅立葉變換法、Gabor變換法和小波變換法。
1973年Bajcsy使用傅立葉濾波器方法分析紋理。Indhal等利用2-D快速傅立葉變換對(duì)紋理圖像進(jìn)行頻譜分析,從而獲得紋理特征。該方法只能完成圖像的頻率分解,因而獲得的信息不是很充分。1980年Laws對(duì)圖像進(jìn)行傅氏變換,得出圖像的功率譜,從而提取紋理特征進(jìn)行分析。
Gabor函數(shù)可以捕捉到相當(dāng)多的紋理信息,且具有極佳的空間/頻域聯(lián)合分辨率,因此在實(shí)際中獲得了較廣泛的應(yīng)用。小波變換法大體分金子塔形小波變換法和樹(shù)形小波變換法(小波包法)。
小波變換在紋理分析中的應(yīng)用是Mallat在1989年首先提出的,主要用二值小波變換(DiscreteWaveletTransform,DWT),之后各種小波變換被用于抽取紋理特征。傳統(tǒng)的金字塔小波變換在各分解級(jí)僅對(duì)低頻部分進(jìn)行分解,所以利用金字塔小波變換進(jìn)行紋理特征提取是僅利用了紋理圖像低頻子帶的信息,但對(duì)某些紋理,其中高頻子帶仍含有有關(guān)紋理的重要特征信息(如對(duì)具有明顯的不規(guī)則紋理的圖像,即其高頻子帶仍含有有關(guān)紋理的重要特征)得不到利用。使用在每個(gè)分解級(jí)對(duì)所有的頻率通道均進(jìn)行分解的完全樹(shù)結(jié)構(gòu)小波變換提取特征,能夠較全面地提取有關(guān)紋理特征。
由于醫(yī)學(xué)圖像及其紋理的復(fù)雜性，目前還不存在通用的適合各類(lèi)醫(yī)學(xué)圖像進(jìn)行紋理分析的方法，因而對(duì)于各類(lèi)不同特點(diǎn)的醫(yī)學(xué)圖像就必須采取有針對(duì)性地最適合的紋理分析技術(shù)。另外，在應(yīng)用某一種紋理分析方法對(duì)圖像進(jìn)行分析時(shí)，尋求最優(yōu)的紋理特征與紋理參數(shù)也是目前醫(yī)學(xué)圖像紋理分析中的重點(diǎn)和難點(diǎn)。
6．總結(jié)
隨著遠(yuǎn)程醫(yī)療技術(shù)的蓬勃發(fā)展，對(duì)醫(yī)學(xué)圖像處理提出的要求也越來(lái)越高。醫(yī)學(xué)圖像處理技術(shù)發(fā)展至今，各個(gè)學(xué)科的交叉滲透已是發(fā)展的必然趨勢(shì)，其中還有很多亟待解決的問(wèn)題。有效地提高醫(yī)學(xué)圖像處理技術(shù)的水平，與多學(xué)科理論的交叉融合、醫(yī)務(wù)人員和理論技術(shù)人員之間的交流就顯得越來(lái)越重要。多維、多參數(shù)以及多模式圖像在臨床診斷（包括病灶檢測(cè)、定性，臟器功能評(píng)估，血流估計(jì)等）與治療（包括三維定位、體積計(jì)算、外科手術(shù)規(guī)劃等）中將發(fā)揮更大的作用。
參考文獻(xiàn)
[1]P.Suetens.FundamentalsofMedicalImaging[M].CambridgeUniversityPress，2002．
[2]劉俊敏，黃忠全，王世耕，張穎.醫(yī)學(xué)圖像處理技術(shù)的現(xiàn)狀及發(fā)展方向[J].醫(yī)療衛(wèi)生設(shè)備，2005，Vol26
（12）：25-26.
[3]田婭，饒妮妮，蒲立新.國(guó)內(nèi)醫(yī)學(xué)圖像處理技術(shù)的最新動(dòng)態(tài)[J].電子科技大學(xué)學(xué)報(bào)，2002，Vol31（5）：
485-489.
[4]周剛慧，施鵬飛．磁共振圖像的隨機(jī)場(chǎng)分割方法[J]．上海交通大學(xué)學(xué)報(bào)，2001，Vol35（11）：1655．
[5]ZhangHM，YuanZJ，CaiZM.SegmentationofMRIusinghierarchicalmarkovrandomfield[J].Journalof
Software，2002，Vol13（9）：1779.
[6]林亞忠，陳武凡，楊豐.基于混合金字塔吉布斯隨機(jī)場(chǎng)模型的圖像分割[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，
2004，Vol23（1）：79.
[7]聶生東，陳瑛，顧順德．磁共振顱腦圖像快速模糊聚類(lèi)分割算法研究[J]．中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2001，
Vol20（2）：104．
[8]江寶釧，張鈞良．基于BP神經(jīng)網(wǎng)絡(luò)的MRI分割[J].微機(jī)發(fā)展，2000，Vol1：67.
[9]AhmedMN，F(xiàn)aragA.Two-stageneuralnetworkforvolumesegmentationofmedicalimages[J].Proceedings
ofIEEEInternationalConferenceonNeuralNetworks，1997，Vol28（3）：1373.
[10]黃永峰，岑康，司京玉等.模糊神經(jīng)網(wǎng)絡(luò)在顱腦磁共振圖像分割中的應(yīng)用研究[J].中國(guó)生物醫(yī)學(xué)工程
學(xué)報(bào)，2003，Vol22（6）：508.
[11]CostinH，RotariuCR.Knowledge-basedcontourdetectioninmedicalimagingusingfuzzylogic[J].
InternationalSymposiumonSCS’03，2003，1：273.
[12]謝逢，羅立民，田雪琴.基于知識(shí)的人腦三維醫(yī)學(xué)圖像分割顯示方法[J].生物醫(yī)學(xué)工程學(xué)雜志，1997，
Vol14（2）：124.
[13]王蓓，張立明.利用圖像先驗(yàn)知識(shí)與Snake結(jié)合對(duì)心臟序列圖像的分割[J].復(fù)旦大學(xué)學(xué)報(bào)（自然科學(xué)
版），2003，Vol42（1）：81.
[14]RaquelVC，VeronicaMB，OscarYS.Couplingofradial-basisnetworkandactivecontourmodelformulti
spectralbrainMRIsegmentation[J].IEEETransactionsonBiomedicalEngineering，2004，Vol51（3）：459.
[15]LuoXP，TianJ，LinY.Analgorithmforsegmentationofmedicalimageseriesbasedonactivecontour
model[J].JournalofSoftware，2002，Vol13（6）：1050.
[16]HallpikeL，HawkesDJ.Medicalimageregistration:Anoverview[J].BrInstituteRadiol，2004，Vol14（6）：
455-463.
[17]PetraA，ElsenV.MedicalImagemaching:Areviewwithclassification[J].IEEETransMedImage，1993，
Vol12（3）：26-39.
[18]LuoShuo-qian，LiXiang.Implementationofmutualinformationbasedmulti-modalitymedicalimage
registration[A].EngMedBillSocProc22ndAnnIntConfIEEE[C].NavyPierConventionCenterChicago，
Illinois，USA：TheInstituteofElectricalandElectricalandElectronicsEngineers，Ind，2000，2：1447-1450.
[19]SharmanR，TylerJM，PianykhOL，etal.Afastandaccuratetomethodtoregistermedicalimagesusing
waveletmodulusmaxima[J].PattRecogLett，2000，21：447-462.
[20]LesterH，ArridgeSR.ASurveyofhierarchiclnon-linearmedicalimageregistration[J].PatternRecognition，
1999，32：129-149.
[21]盧健，胡志忠，楊如乃.醫(yī)學(xué)圖像融合技術(shù)的研究[J].上海生物醫(yī)學(xué)工程，2006，Vol27（3）：163-167.
[22]王新成.高級(jí)圖像處理技術(shù)[M].北京：中國(guó)科學(xué)技術(shù)出版社，2001.
[23]RVoracek，HPMcAdams，puterAidedDiagnosisofInterstitialLungDisease:aTexture
FeatureExtractionandClassificationApproach[J].ProcofSPIE，1998，3338：1502-1509.
關(guān)鍵詞：文本圖像處理；版面分割；投影法
中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）03-0164-02
目前，信息采集的多樣化，已嚴(yán)重威脅到了信息存儲(chǔ)的安全性。僅用一部手機(jī)，就可獲取與泄露重要的信息。對(duì)文本數(shù)據(jù)信息安全性的擔(dān)憂(yōu)，促使了紙質(zhì)文本圖像信息隱藏與提取方法的提出。這類(lèi)方法的核心在于將安全標(biāo)識(shí)信息，以特有的方式嵌入到文本圖像的文本區(qū)域中，這樣，如果發(fā)生信息泄露或者要找尋到泄露源，就可以通過(guò)分析文本區(qū)域中包含的安全標(biāo)識(shí)信息，反向追蹤，查出泄漏源，或者通過(guò)安全標(biāo)識(shí)信息，回收被泄露出去的信息。對(duì)于簡(jiǎn)單的、只包含文本信息的文本圖像，目前的處理技術(shù)已比較成熟，能夠比較準(zhǔn)確的將版面信息進(jìn)行有效的分析，但是對(duì)于包含文本、圖形和圖像區(qū)域的復(fù)雜版面文本圖像，當(dāng)前的處理技術(shù)尚不成熟，需要進(jìn)一步提高。本文聚焦于復(fù)雜文本圖像分割方法研究。
版面分割的方法，大體上可以分為兩大類(lèi)：層次式和非層次式的。層次式分割算法，主要有自頂向下和自底向上兩種算法。非層次式算法則主要是利用復(fù)雜的圖形圖像處理技術(shù)，根據(jù)其圖像特征，對(duì)文本圖像進(jìn)行版面分割[1-4]。層次式方法中，游程平滑RLS（Run-length Smoothing）算法和投影輪廓切分PPC（Projection Profile Cut）算法是兩種有代表性且應(yīng)用較廣泛的算法。而基于紋理分析的版面分析算法，則是將版面分析和版面區(qū)域類(lèi)型識(shí)別結(jié)合實(shí)現(xiàn)的一種算法。但上述方法時(shí)間消耗較大，為此本文提出了一N簡(jiǎn)單有效的分割方法。
1 提出的分類(lèi)算法
首先，讀入待分類(lèi)文本圖像，并對(duì)其格式轉(zhuǎn)換，確保圖像數(shù)據(jù)完整性，以防止丟失圖像數(shù)據(jù)；然后進(jìn)行有效區(qū)域提取，剔除四周的空白無(wú)效區(qū)域，得到有效信息區(qū)。在此基礎(chǔ)上，對(duì)有效信息區(qū)進(jìn)行二維坐標(biāo)下的行投影，確定并統(tǒng)計(jì)、提取特征值，再根據(jù)統(tǒng)計(jì)得來(lái)的特征值，進(jìn)行孤立行分析，并依據(jù)判定的孤立行，對(duì)文本圖像進(jìn)行區(qū)域的粗分割，得到版面分析的粗分割結(jié)果。在上述過(guò)程中，可根據(jù)投影結(jié)果以及統(tǒng)計(jì)的特征值，完成對(duì)純文本區(qū)域、純圖像區(qū)域的分割工作。需要指出的是，本文著眼于復(fù)雜文本圖像，為此還須對(duì)區(qū)域粗分割得到的各個(gè)子區(qū)域，進(jìn)行二維坐標(biāo)下的列投影，再根據(jù)投影結(jié)果，判定子區(qū)域中是否存在分欄版面。完成以上步驟后，原本復(fù)雜的文本圖像版面就被分割為了多個(gè)簡(jiǎn)單版面的文本圖像區(qū)，在此基礎(chǔ)上，再進(jìn)行行、列投影，根據(jù)所得特征值分析與分類(lèi)，區(qū)分出文本區(qū)、圖像區(qū)和圖形圖表區(qū)域，完成分割任務(wù)。具體流程見(jiàn)圖1。
本文采用特征7個(gè)特征統(tǒng)計(jì)分析文本圖像，各特征分別為：（1）行高，記錄投影行高度的值。本文對(duì)行進(jìn)行投影，依據(jù)投影結(jié)果，計(jì)算二值化投影平均值發(fā)生改變的臨界點(diǎn)值，在臨界點(diǎn)值作運(yùn)算，獲得行高值。 我們對(duì)各行高度值進(jìn)行平均運(yùn)算，在分別與各行高度作對(duì)比，進(jìn)而初步確定異常區(qū)域；（2）行間距，行與行之間的間隔距離。此間距，由投影結(jié)果而得的下標(biāo)值計(jì)算求得。在文本圖像中，行間距發(fā)生明顯變化的部分，往往為段落或者區(qū)域塊之間的分割標(biāo)識(shí)，此處計(jì)算行間距，作為段落區(qū)分和區(qū)域塊區(qū)分的一個(gè)標(biāo)識(shí)；（3）縮進(jìn)率，文本與頁(yè)面邊界之間的距離。依據(jù)每一行的列投影結(jié)果，計(jì)算邊界至文本的距離占左右邊界之間距離的比率，求得縮進(jìn)率。在文本圖像中，標(biāo)題不同于其它文本行，往往存在較大縮進(jìn)，或左縮進(jìn)，或右縮進(jìn)，或左右都有，為此可結(jié)合行高，完成對(duì)標(biāo)題的判定。此外，段落中往往有首行縮進(jìn)，段尾也常因字符無(wú)法填滿(mǎn)文本行而存在縮進(jìn)，因此也可根據(jù)縮進(jìn)率，判定段落區(qū)域；（4）行外接矩形填充率，在縮進(jìn)的行區(qū)域塊中，有效信息區(qū)域占整個(gè)區(qū)域塊的比率。依據(jù)每一行的列投影結(jié)果值計(jì)算填充率。主要用來(lái)判斷一些特殊的文本行，如頁(yè)眉的判斷；（5）最大跳變位置，對(duì)文本行進(jìn)行列投影時(shí)，坐標(biāo)軸所示下標(biāo)發(fā)生最大變化的區(qū)域位置。根據(jù)該特征，如果連續(xù)多行在相同位置都發(fā)生最大跳變，且跳變區(qū)內(nèi)像素點(diǎn)平均值為1，則可以判定在該位置處存在分欄，此外，還可以根據(jù)最大跳變，判定是否存在異常區(qū)域；（6）行內(nèi)信號(hào)跳變周期（頻率），對(duì)文本行進(jìn)行列投影后，坐標(biāo)軸上投影下標(biāo)值發(fā)生周期性變化的周期或者頻率。根據(jù)此特征，可用來(lái)判定是否存在異常區(qū)域；（7）對(duì)齊方式，該特征用來(lái)衡量文本圖像中內(nèi)容距離左右邊界的距離，具體有居中，左對(duì)齊和右對(duì)齊三種方式，可用來(lái)輔助計(jì)算縮進(jìn)率，進(jìn)而分割區(qū)域塊。分割結(jié)果舉例見(jiàn)圖2。
2 結(jié)語(yǔ)
文本圖像版面分析是對(duì)文本圖像處理的關(guān)鍵環(huán)節(jié)。針對(duì)上述問(wèn)題，本文以文本圖像二維坐標(biāo)下行列投影結(jié)果為基礎(chǔ)，提取并分析相關(guān)特征，提出了一種新的基于投影輪廓分析的版面有效分類(lèi)方法。該方法通過(guò)對(duì)特征的綜合運(yùn)算與分析完成復(fù)雜版面文本圖像的分析工作。驗(yàn)證了方法的有效性及準(zhǔn)確性。
參考文獻(xiàn)
[1]Kise K， Sato A， Iwata M. Segmentation of page images using the area Voronoi diagram[J]. Computer Vision Image Understanding，1998，70（3）： 370-382.（8-4）.
[2]楊洋，平西建.復(fù)雜版面的文本圖像圖文分割算法[J].微計(jì)算機(jī)信息，2006，22（5）：66-225.
中圖分類(lèi)號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)12-2882-04
Threshold Citrusimage Segmentation Research and Analysis
WANG Jun, ZHOU Li-juan
(Collegeof Information Science and Technology, Hunan Agricultural University, Changsha 410128, China)
Abstract：Image segmentation is an important and primary problem in the field of computer vision. The thesis puts forward a full set of cit? rus image segmentation algorithm, which adopts improved genetic algorithm combining with improved threshold method. The thesis, through simulation experiment, brings forward threshold scope which is more stable, and makes the image segmentation edges more dedi? cated.
Key words: navel orange; threshold segmentation; classes distance; improved genetic algorithm
圖像分割是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要而且基本的問(wèn)題。它在農(nóng)產(chǎn)品無(wú)損檢測(cè)方面得到了廣泛的應(yīng)用。圖像分割算法好壞會(huì)直接影響檢測(cè)系統(tǒng)的準(zhǔn)確度。它是從圖像處理到圖像分析的一個(gè)關(guān)鍵步驟。對(duì)它的研究一直都是圖像技術(shù)研究中的熱點(diǎn)和焦點(diǎn)之一。但由于圖像的特殊性，針對(duì)具體圖像，針對(duì)具體問(wèn)題，分割算法就不一樣，至今還沒(méi)有找到通用的分割理論，也沒(méi)有找到對(duì)所有圖像都適合的通用分割算法。
近幾年來(lái)，基于遺傳算法的圖像分割方法得到了很多學(xué)者的研究。由于遺傳算法在搜索方面具有很強(qiáng)的優(yōu)勢(shì)，而圖像分割的實(shí)質(zhì)是在眾多的參量中去尋找一個(gè)最優(yōu)參量，以此作為分隔的依據(jù)。于是如果在圖像分割中引入遺傳算法去求取最佳閾值，將會(huì)大大提高分割效率。
本論文重點(diǎn)對(duì)基于傳統(tǒng)遺傳算法的圖像分割算法進(jìn)行了比較系統(tǒng)的研究。針對(duì)傳統(tǒng)遺傳算法的不足，提出了一些改進(jìn)措施，并且設(shè)計(jì)新的閾值確定方法——類(lèi)類(lèi)距離法，將兩者結(jié)合共同運(yùn)用到臍橙圖像分割中，得到了比較好的效果。在最大程度上避免基本遺傳算法收斂性差，容易早熟等問(wèn)題。
1臍橙圖像分割
對(duì)于臍橙出產(chǎn)大省湖南省，每年臍橙收獲完后的分類(lèi)，分等級(jí)進(jìn)行銷(xiāo)售是一項(xiàng)工作量龐大的任務(wù)。臍橙表面破損自動(dòng)檢測(cè)系統(tǒng)就是基于計(jì)算機(jī)視覺(jué)技術(shù)研發(fā)而成，其檢測(cè)的精度較人工挑選有很大提高。該系統(tǒng)中臍橙圖像分割算法好壞會(huì)直接影響系統(tǒng)檢測(cè)臍橙表面是否破損的準(zhǔn)確度。
通過(guò)特定裝置獲得比較清晰的彩色臍橙圖像后，對(duì)于表面有破損的臍橙，要進(jìn)行篩選清理。進(jìn)行破損部分比對(duì)前，要對(duì)彩色臍橙圖像先進(jìn)行分割處理。把整幅圖像分成臍橙和背景兩部分，再提取臍橙部分的圖像進(jìn)行破損分析。這要求將臍橙的邊緣和破損部分處理得非常清晰，最大可能的避免將破損區(qū)域誤分割成圖像背景。
2改進(jìn)的遺傳算法
2.1控制參數(shù)改進(jìn)
在遺傳算法中，直接影響到算法的收斂性的關(guān)鍵參數(shù)是：交叉概率與變異概率，它們的選取會(huì)影響到算法行為和性能。在適應(yīng)度值變換的情況下將交叉概率與變異概率隨之調(diào)整，以達(dá)到保證算法收斂性的目的。于是我們對(duì)交叉概率和變異概率按照如下公式進(jìn)行自動(dòng)調(diào)整：
圖5本文提出的算法分割效果圖
從表1，圖2至圖5可以得出以下結(jié)論：
1)臍橙圖像利用遺傳算法來(lái)分割，每次運(yùn)行所得閾值都在變化，但變化的范圍不是很大，只是在一定區(qū)域做細(xì)微波動(dòng)。這種情況是正常的，也是完全可以接受的，其原因是由于遺傳算法隨機(jī)生產(chǎn)初始種群，這種隨機(jī)性就帶來(lái)了閾值的波動(dòng)性。這也是遺傳算法不穩(wěn)定性的體現(xiàn)。但從表中數(shù)據(jù)看出采用本文所設(shè)計(jì)的改進(jìn)的遺傳算法，即交叉概率和變異概率隨適應(yīng)度自動(dòng)調(diào)整，那么分割的圖像所得到的閾值，其波動(dòng)會(huì)限制在一個(gè)很小的范圍以?xún)?nèi)（穩(wěn)定在4個(gè)像素以?xún)?nèi),閾值最大為60，最小為57），這樣既保持了群體多樣性，又保證了遺傳算法的收斂性。同時(shí)其穩(wěn)定性也明顯地優(yōu)于其他算法。
2)利用本文所設(shè)計(jì)的類(lèi)類(lèi)距離遺傳算法進(jìn)行圖像分割可以極大減少閾值計(jì)算時(shí)間，平均運(yùn)算時(shí)間比起其他幾個(gè)常用方法都縮短了不少，平均僅在2.3s左右。在進(jìn)化代數(shù)相同的條件下，本論文提出的圖像分割算法較其他算法更有優(yōu)勢(shì)，收斂速度更快。
3)從圖2至圖5這幾個(gè)圖像分割結(jié)果圖來(lái)看，本文所設(shè)計(jì)的分割方法中對(duì)臍橙圖像中的破損部分，邊緣輪廓等細(xì)節(jié)都有非常好的體現(xiàn)，可見(jiàn)結(jié)合遺傳算法和類(lèi)類(lèi)距離法所設(shè)計(jì)出的圖像分割新算法比其他常用算法有很大的優(yōu)勢(shì)。
本文通過(guò)改變的遺傳控制參數(shù)結(jié)合類(lèi)類(lèi)距離法，把改進(jìn)后的遺傳算法應(yīng)用到臍橙圖像分割中去。仿真實(shí)驗(yàn)結(jié)果表明，此圖像分割算法由于所設(shè)計(jì)的尋找最優(yōu)閾值的方案比較合理，閾值的計(jì)算時(shí)間縮短了，使得最終圖像分割所用時(shí)間明顯減少了。同時(shí)此方法還做到了將閾值范圍穩(wěn)定在4個(gè)像素以?xún)?nèi)，大大提高了算法全局收斂的穩(wěn)定性。而且從視覺(jué)角度來(lái)看，其分割效果更明顯，圖像邊緣處理很細(xì)致、清晰。實(shí)驗(yàn)證明本論文設(shè)計(jì)的算法分割圖像不僅快速準(zhǔn)確，而且還能滿(mǎn)足各種圖像的實(shí)時(shí)處理、分析的需求。具有較高的通用性和實(shí)用性。
[1]姚敏.數(shù)字圖像處理[M].北京:機(jī)械工業(yè)出版社,2006.
[2]孫艷歌,邵罕.基于改進(jìn)遺傳算法的最優(yōu)閾值圖像分割算法[J].信息系統(tǒng)工程,2010,10(6),26-27.
[3]童小念,劉娜.一種基于遺傳算法的最優(yōu)閾值圖像分割算法[J].武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版,2008,32(02),301-304.
[4]王強(qiáng).圖像分割中閾值的選取研究及算法實(shí)現(xiàn)[J].計(jì)算機(jī)與現(xiàn)代化.2006(10).54-56.
[5]左奇,史忠科.基于模糊理論的圖像分割方法[J].西北工業(yè)大學(xué)學(xué)報(bào),2003,(03):313-316.
[6]勞麗,吳效明,朱學(xué)峰.模糊集理論在圖像分割中的應(yīng)用綜述[J].中國(guó)體視學(xué)與圖像分析,2006,11(3):200-205.
[7]曹芳,吳迪.基于可見(jiàn)-近紅外反射光譜技術(shù)的葡萄品種鑒別方法的研究[J].光學(xué)學(xué)報(bào),2009,29(2),537-540.
關(guān)鍵詞：圖像拼接；Harris角點(diǎn)特征檢測(cè)
一、引言
數(shù)字圖像拼接技術(shù)主要包括三個(gè)重要步驟：圖像預(yù)處理、圖像配準(zhǔn)和圖像融合[1]。其中圖像的預(yù)處理包括圖片去噪，圖像投影，圖像修正等；圖像配準(zhǔn)是找出待拼接圖像的重疊部分并使其坐標(biāo)對(duì)準(zhǔn)；圖像融合是使重疊部分自然過(guò)度，消除拼痕；其中圖像配準(zhǔn)是圖像配準(zhǔn)的關(guān)鍵，它直接決定了拼接的準(zhǔn)度和效果。
二、Harris角點(diǎn)檢測(cè)
1988年C.Harris和J.Stephens利用自相關(guān)函數(shù)的思想共同研究出了Harris角點(diǎn)檢測(cè)算法，先定義矩陣M
M=G?茚Ix2IxIyIxIy Iy2= （1）
式中Ix、Iy分別代表圖像I在x、y方向的梯度，G為高斯模板；?茚代表卷積：
=G?茚Ix2 ,,=G?茚IxIy （2）
在矩陣M的基礎(chǔ)上，角點(diǎn)響應(yīng)函數(shù)CRF定義為：
CRF=det(M)-krace2(M),k=0.04
CRF=det(M)-krace2(M),k=0.04（3）
式中，det是矩陣的行列式；trace是矩陣的跡；k是常數(shù)，這里取0.04,CRF的局部最大值即為角點(diǎn)。使用Harris角點(diǎn)檢測(cè)算法對(duì)兩幅圖像分別提取角點(diǎn)后,接著就要進(jìn)行圖像配準(zhǔn)的工作。在兩幅圖像中以每個(gè)特征點(diǎn)為中心取一個(gè)(2N+1)×(2N+1)大小的相關(guān)窗,然后以參考圖像中的每個(gè)角點(diǎn)為參考點(diǎn)，在待拼接圖像中尋找對(duì)應(yīng)的角點(diǎn)。通過(guò)計(jì)算特征點(diǎn)相關(guān)窗之間的相關(guān)系數(shù)[2]來(lái)實(shí)現(xiàn)圖像特征配準(zhǔn)。
在具體實(shí)驗(yàn)步驟中：1、對(duì)圖像中的每個(gè)像素點(diǎn)分別計(jì)算其x，y方向的一階導(dǎo)數(shù)和梯度；2、對(duì)上步操作中得到的三幅圖像進(jìn)行高斯濾波；3：計(jì)算原始圖像上的角點(diǎn)響應(yīng)函數(shù)值和相關(guān)系數(shù)；4：使用透視變換模型計(jì)算出待拼接圖像到參考圖像變換參數(shù)。5：使用漸入漸出法進(jìn)行圖像融合[3]。
三、實(shí)驗(yàn)結(jié)果
四、結(jié)論及展望
Harris角點(diǎn)檢測(cè)算法是一種簡(jiǎn)潔、高效、提取的點(diǎn)特征均勻且合理的算法，由于Harris算子只涉及到一階導(dǎo)數(shù)，因此對(duì)圖像旋轉(zhuǎn)、灰度變換、噪聲影響和視點(diǎn)變換不敏感，但通過(guò)計(jì)算相關(guān)性特征來(lái)進(jìn)行配準(zhǔn)的準(zhǔn)確率還有待提高。
參考文獻(xiàn)：
[1]邵向鑫.數(shù)字圖像拼接核心算法研究[D].中國(guó)博士論文數(shù)據(jù)庫(kù)，2010.
【論文關(guān)鍵詞】 腦源性神經(jīng)營(yíng)養(yǎng)因子；腦缺血；大鼠
【論文摘要】 目的：觀察CTP對(duì)局灶腦缺血大鼠BANF表達(dá)的影響。方法：應(yīng)用免疫組化方法觀察不同缺血時(shí)間CTP治療組及腦缺血組BDNF陽(yáng)性細(xì)胞數(shù)，并進(jìn)行圖像分析。結(jié)果：CTP組及缺血組BDNF兩組細(xì)胞形態(tài)無(wú)明顯不同，但CTP治療組陽(yáng)性細(xì)胞數(shù)顯著高于相應(yīng)缺血對(duì)照組。結(jié)論：三磷酸胞苷可提高大鼠局灶腦缺血半暗帶區(qū)BDNF的表達(dá)水平。
近年研究表明三磷酸胞苷（Cytidine Triphosphate，CTP）為一種促進(jìn)神經(jīng)細(xì)胞修復(fù)和再生的藥物。本研究用大鼠大腦中動(dòng)脈閉塞（middle cerebral artery occlusion， MCAO）模型研究CTP對(duì)局灶腦缺血腦源性神經(jīng)營(yíng)養(yǎng)因子（brain-derived neurotrophic factor，BDNF）表達(dá)的影響，借以觀察CTP對(duì)缺血損傷腦組織可塑性的影響。
1 材料與方法
SD大鼠96只，隨機(jī)分為正常對(duì)照組、假手術(shù)組、缺血組及CTP組。采用頸內(nèi)動(dòng)脈線栓法制作局灶性腦缺血模型。CTP組應(yīng)用CTP腹腔注射，劑量0．7mg／kg，每日一次。缺血組及CTP組分別在缺血6h、24h、3d、5d及7d取材，正常對(duì)照組及假手術(shù)組則均在實(shí)驗(yàn)開(kāi)始后第7日取材，BDNF免疫組化染色采用ABC法。圖像分析：取視交叉水平的腦片置于400倍纖維鏡下觀察，計(jì)算機(jī)自動(dòng)計(jì)數(shù)每視野陽(yáng)性細(xì)胞數(shù)。對(duì)以上所獲得的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)處理，實(shí)驗(yàn)組及假手術(shù)組與正常對(duì)照組均數(shù)比較采用單因素方差分析，缺血組與CTP組之間均數(shù)比較采用配對(duì)t檢驗(yàn)。
2 結(jié)果
CTP治療后，BDNF陽(yáng)性神經(jīng)元數(shù)量顯著增加。缺血組與CTP組配對(duì)t檢驗(yàn)結(jié)果顯示，CTP治療組BDNF陽(yáng)性神經(jīng)元數(shù)顯著高于相應(yīng)缺血對(duì)照組，P＜0.001。假手術(shù)組與正常對(duì)照組比較P＞0．05，二組間無(wú)顯著差異；單因素方差分析顯示，CTP組與正常對(duì)照組比較，P＜0.001。
3 討論
BDNF是1982年Barde及其同道由豬腦提取液獲得的一種神經(jīng)營(yíng)養(yǎng)因子，主要分布在中樞神經(jīng)系統(tǒng)，周?chē)窠?jīng)系統(tǒng)等區(qū)域也有少量分布[1]，其功能為促進(jìn)和維持一級(jí)感覺(jué)神經(jīng)元的存活和突起的生長(zhǎng)。CTP系核苷酸類(lèi)衍生物[2]，研究表明CTP具有多種藥理作用：（1）神經(jīng)營(yíng)養(yǎng)作用：CTP可促進(jìn)神經(jīng)細(xì)胞的物質(zhì)、能量代謝，支持神經(jīng)元存活，延緩神經(jīng)細(xì)胞衰老，提高細(xì)胞的抗損傷能力，促進(jìn)神經(jīng)突起的生長(zhǎng)。（2）調(diào)節(jié)物質(zhì)代謝作用：作為原料及能量物質(zhì)，可促進(jìn)細(xì)胞內(nèi)磷脂、脂肪以及核酸和蛋白質(zhì)的合成代謝。調(diào)節(jié)細(xì)胞生物膜性結(jié)構(gòu)的合成與改建[3]，增強(qiáng)細(xì)胞的生物活性，提高神經(jīng)細(xì)胞膜的合成率[2]。（3）抗血管硬化作用：調(diào)節(jié)血管壁細(xì)胞的磷脂、核酸和蛋白質(zhì)代謝，增強(qiáng)血管細(xì)胞的活性及再生和修復(fù)能力，提高細(xì)胞的抗損能力，改善支配血管的神經(jīng)功能，延緩血管硬化。大鼠局灶腦缺血后，缺血中心區(qū)的神經(jīng)元很快即可陷入不可逆性壞死，而其周邊部存在半暗帶，半暗帶區(qū)神經(jīng)元呈缺血改變，若不加以干預(yù)，隨著缺血時(shí)間延長(zhǎng)，壞死中心區(qū)不斷向周?chē)鷶U(kuò)大，半暗帶區(qū)不斷縮小。本實(shí)驗(yàn)表明，應(yīng)用CTP治療后，半暗帶區(qū)BDNF表達(dá)明顯增強(qiáng)，對(duì)缺血大腦組織起到支持存活、延緩死亡、增強(qiáng)修復(fù)再生能力的作用。由此可見(jiàn)，CTP能有效阻止梗塞灶進(jìn)一步擴(kuò)大，及時(shí)提高內(nèi)源性BDNF表達(dá)水平，對(duì)治療腦缺血，保護(hù)受損神經(jīng)元，實(shí)現(xiàn)神經(jīng)功能的重塑具有重要意義。
參考文獻(xiàn)
[1] 程道賓，王進(jìn)，羅杰峰，等. 腦源性神經(jīng)生長(zhǎng)因子與缺血性腦損傷. 中國(guó)醫(yī)學(xué)文摘. 老年醫(yī)學(xué)，2005，14（4）：239～242
申請(qǐng)級(jí)別：副研究員
計(jì)算機(jī)工程與科學(xué)學(xué)院
XX年7月7日
教育與工作經(jīng)歷
教育
1994.9-1998.7 上海大學(xué)機(jī)械自動(dòng)化系 本科
1998.9-XX.3 上海大學(xué)機(jī)械自動(dòng)化系 碩士
XX.3-XX.9 上海交通大學(xué)圖像處理與模式 識(shí)別研究所 博士
工作
XX.9-今 上海大學(xué)計(jì)算機(jī)學(xué)院 講師
學(xué)術(shù)活動(dòng)
兼職
中國(guó)計(jì)算機(jī)學(xué)會(huì)yocsef上海分壇學(xué)術(shù)秘書(shū)委員(XX.5~今)
ieee會(huì)員，ieee計(jì)算機(jī)分會(huì)會(huì)員(XX.1~今)
上海市計(jì)算機(jī)學(xué)會(huì)會(huì)員(XX.1～今)
主持中國(guó)機(jī)器學(xué)習(xí)郵件列表(XX.1~今)
活動(dòng)
機(jī)器學(xué)習(xí)及其挑戰(zhàn)研討會(huì)，上海，參與，XX.11
第十屆中國(guó)機(jī)器學(xué)習(xí)會(huì)議，上海，口頭報(bào)告，XX.10
環(huán)太平洋人工智能大會(huì)，aucland，口頭報(bào)告，XX.8
國(guó)際神經(jīng)網(wǎng)絡(luò)大會(huì)，大連，展板，XX.8
神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研討會(huì)，北京，大會(huì)報(bào)告，XX.3
科研經(jīng)歷
參與國(guó)家自然科學(xué)基金四項(xiàng)
基于數(shù)據(jù)挖掘和綜合模型的腦磁共振圖像分析和診斷(30170274)已結(jié)題
面向鋼鐵生產(chǎn)的數(shù)據(jù)挖掘和數(shù)據(jù)融合信息處理平臺(tái)及應(yīng)用(50174038)已結(jié)題
納米氧化鋁材料設(shè)計(jì)的支持向量機(jī)方法 (20373040)進(jìn)展順利
分布式概念格數(shù)學(xué)模型及算法研究 (60275022)進(jìn)展順利
參與上海市高校網(wǎng)格技術(shù)e研究院一期項(xiàng)目
數(shù)據(jù)挖掘在生物醫(yī)學(xué)網(wǎng)格中的應(yīng)用 (XX.7-XX.6)
主持軟件新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室(南京大學(xué))開(kāi)放課題一項(xiàng)
機(jī)器學(xué)習(xí)中冗余特征問(wèn)題的研究(XX.5-XX.6)
已申請(qǐng)國(guó)家自然科學(xué)基金
合作者：化學(xué)系 陸文聰教授
已申請(qǐng)上海市教委科技發(fā)展基金
正在申請(qǐng)上海市高校網(wǎng)格技術(shù)e研究院二期項(xiàng)目
研究方向
特征選擇
結(jié)合學(xué)習(xí)器的研究
支持向量機(jī)
集成學(xué)習(xí)
多任務(wù)學(xué)習(xí)
偏最小二乘法
化學(xué)計(jì)量學(xué)
多元校正
藥物構(gòu)效關(guān)系
jcics，nsfc
學(xué)術(shù)成果
論文20余篇(第一作者9篇以上)
sci 收錄5篇，其中第一作者4篇
ei收錄10篇，其中第一作者3篇
其它核心雜志，第一作者5篇
sci收錄源雜志錄用2篇，正在出版
譯著一本(第一作者)
支持向量機(jī)導(dǎo)論，電子工業(yè)出版社出版，XX.3
專(zhuān)著一本(算法部分，五萬(wàn)字以上)
support vector machine in chemistry，singapore, world scientific publishing company，XX.9
第一作者論文
************************************
學(xué)院工作
人工智能、軟件工程等專(zhuān)業(yè)課
學(xué)術(shù)報(bào)告(二次)
計(jì)算機(jī)學(xué)院一次
化學(xué)系一次
本科生班主任(03級(jí)10班)，優(yōu)秀生導(dǎo)師(5)
****************
其它條件
全國(guó)大學(xué)英語(yǔ)等級(jí)考試cet-6
合格，1997.6
上海市職稱(chēng)計(jì)算機(jī)能力考試
合格，XX.4
匯總
關(guān)鍵詞：多臂井徑成像測(cè)井技術(shù)；原理； 作用
中圖分類(lèi)號(hào)：TE831.2 文獻(xiàn)標(biāo)識(shí)碼：A
一、24臂井徑成像測(cè)井技術(shù)的原理
（1）什么是24臂井徑成像測(cè)井技術(shù)？
24臂井徑成像測(cè)井技術(shù)是一種現(xiàn)代化成像技術(shù)，運(yùn)用了高科技的發(fā)明，用計(jì)算機(jī)的圖像處理技術(shù)使數(shù)據(jù)或圖像可以在屏幕上顯現(xiàn)。24臂井徑成像測(cè)井技術(shù)提高了工作度量的準(zhǔn)確度，可以根據(jù)我們開(kāi)采石油的需要，不斷地去完善已成的圖像技術(shù)，最大限度保持無(wú)誤。它能夠利用圖像信息對(duì)油層的結(jié)構(gòu)特征，分布情況等進(jìn)行反應(yīng)，減少人員在工作過(guò)程中的難度和失誤。
（2）24臂井徑成像儀器的工作原理
①24臂井徑成像儀器共有24個(gè)機(jī)械探測(cè)臂，每一個(gè)臂上都和一個(gè)位移傳感器相連接，它很平均的分布在其一周。當(dāng)它開(kāi)始工作時(shí)，對(duì)要求進(jìn)行測(cè)量，每一個(gè)獨(dú)立的臂就會(huì)通過(guò)一定的機(jī)械系統(tǒng)傳遞給位移傳感器，在經(jīng)過(guò)層層傳遞，整理信號(hào)，轉(zhuǎn)變電壓等等，傳輸給地面?zhèn)鬏斚到y(tǒng)，再有它轉(zhuǎn)換。
成像處理器會(huì)根據(jù)儀器的自身特點(diǎn)是，使成像算法對(duì)內(nèi)壁的形狀大體一致，通過(guò)機(jī)器就可以得到最接近真實(shí)情況的數(shù)據(jù)，和測(cè)量比起來(lái)可以更好的反映它的變化。
②24臂井徑成像儀器在工作時(shí)有機(jī)械和電器兩部分組成。包括單片機(jī)電路，信號(hào)傳輸，電路，電源，井溫，斜度等。
③需要注意的是攬頭電壓電路測(cè)量的是攬頭的供電電壓值，只能為地面提供參照而已，不可毫無(wú)顧忌的照用。電壓選擇電路時(shí)，要按照它規(guī)定的幅度不可高或低，會(huì)擾亂正常的工作。
④井徑電路是由位移傳感器，信號(hào)放大電路，機(jī)械探測(cè)臂，濾波電路等部分組成的，在開(kāi)始工作時(shí)要協(xié)調(diào)好彼此的關(guān)系，確保不會(huì)有一方出現(xiàn)安全問(wèn)題，否則會(huì)影響進(jìn)度。
二、24臂井徑成像測(cè)井技術(shù)的圖像分析
（1）對(duì)幾種現(xiàn)象的分析
①正常套管的現(xiàn)象分析
在圖像里可以看出套款是不是正常的，如果是正常的，那它的曲線復(fù)讀的變化不會(huì)很大，幾乎趨于平穩(wěn)，各條曲線與曲線之間是看似平行的，不會(huì)出現(xiàn)短線，交叉等現(xiàn)象，而且曲線是比較光滑的，在處理后不會(huì)看到深深淺淺的顏色，會(huì)發(fā)現(xiàn)它的顏色很平均。
②縮徑與擴(kuò)徑的現(xiàn)象分析
如果底層的壓力不正常發(fā)生變化，或套管的質(zhì)量不合格都會(huì)對(duì)他造成極大的影響，會(huì)出現(xiàn)上相互所說(shuō)的縮徑或擴(kuò)徑的現(xiàn)象。具體來(lái)分，縮頸是因?yàn)榈貙訅毫Ξ惓?，使得管?nèi)經(jīng)明顯縮小的現(xiàn)象。擴(kuò)徑是由于套管的質(zhì)量比較差，出現(xiàn)了像地面突出的現(xiàn)象。
③斷裂現(xiàn)象的分析
當(dāng)?shù)刭|(zhì)發(fā)生變化時(shí)，它的密度過(guò)大或其他一些原因都會(huì)使地質(zhì)應(yīng)力發(fā)生變化，從而引起斷裂現(xiàn)象。斷裂現(xiàn)象反映到圖上就是在環(huán)形的曲線里不連續(xù)的線，可能隨時(shí)會(huì)發(fā)生改變，經(jīng)過(guò)處理，會(huì)出現(xiàn)藍(lán)色區(qū)域，就是斷裂部分，可根據(jù)實(shí)際反映的情況進(jìn)行修復(fù)。
④錯(cuò)段的現(xiàn)象分析
錯(cuò)段現(xiàn)象反應(yīng)在圖上比較明顯，在圖上會(huì)出現(xiàn)大幅度的跳躍現(xiàn)象，是一種連續(xù)彎曲的狀況。而且顏色是近于淡藍(lán)色的。
⑤腐蝕現(xiàn)象的分析
如果套管發(fā)生嚴(yán)重的腐蝕現(xiàn)象就會(huì)在圖像上看到特別亂的現(xiàn)象，一般管內(nèi)比較粗糙，而且在壁上會(huì)留有大量的殘物。圖像經(jīng)過(guò)處理后，顏色是明顯的不均勻，比較好區(qū)分。
⑥裂縫的現(xiàn)象分析
用樣的可以用儀器測(cè)出裂縫的存在。如果圖上的曲線部分是向同一個(gè)方向跳躍的，那么只能說(shuō)明石油裂縫存在了。當(dāng)圖像經(jīng)過(guò)處理后，可以清楚的看到，跳躍的部分會(huì)變色，是藍(lán)色的圓點(diǎn)。
三、24臂井徑成像測(cè)井技術(shù)施工條件
（1）在開(kāi)始測(cè)試之前必須要通井，去除內(nèi)壁的污染物，防止有鐵屑或稠油等物質(zhì)，刮管處理是很有必要的。準(zhǔn)確的檢查儀器，保證沒(méi)有問(wèn)題是工作進(jìn)行的前提?？梢员苊庖騼x器問(wèn)題而耽誤進(jìn)程。
（2）接下來(lái)就是要請(qǐng)專(zhuān)業(yè)人員要認(rèn)真的分析數(shù)據(jù)，從這些數(shù)據(jù)出尋找有力的信息，為了清楚明白，我們一般都選擇其中的一部分曲線出圖。這樣既可很快的達(dá)到目的，有提高了效率。
（3）當(dāng)我們得到曲線圖時(shí)，就可以根據(jù)測(cè)量的曲線進(jìn)行檢測(cè)，也可以根據(jù)實(shí)際的曲線進(jìn)行調(diào)整，最好達(dá)到最佳狀態(tài)。
（4）準(zhǔn)備工作需要細(xì)心耐心。一切準(zhǔn)備好后，我們就步入最關(guān)鍵的時(shí)刻。開(kāi)始測(cè)量我們想要的數(shù)據(jù)。在突出我們可以看到它的橢變率，橢圓短軸，橢圓長(zhǎng)軸和剖面圖等。在就可以根據(jù)自己的需要進(jìn)行了。
（5）運(yùn)用軟件對(duì)24臂井徑成像進(jìn)行處理分析，其中集合了眾多人的聰明智慧，他將測(cè)井技術(shù)很好的和現(xiàn)代科技結(jié)合在了一塊，更加方便迅速的使我們了解井下的的情況。
四、24臂井徑成像測(cè)井技術(shù)的優(yōu)點(diǎn)
①24臂井徑成像測(cè)井技術(shù)包括了編輯，對(duì)數(shù)據(jù)進(jìn)行合并，接受檢驗(yàn)，等多項(xiàng)任務(wù)，所以說(shuō)功能比較齊全強(qiáng)大。
②對(duì)待準(zhǔn)備的數(shù)據(jù)，它主要有解編，導(dǎo)出的功能，并且可以轉(zhuǎn)化原始的測(cè)井?dāng)?shù)據(jù)，使他轉(zhuǎn)化為可用的格式。
③具有深度矯正的功能，在測(cè)井的過(guò)程中，如果發(fā)現(xiàn)了各種儀器所導(dǎo)致的失誤，或者是操作不當(dāng)所帶來(lái)的麻煩，就會(huì)引起張力的不同。在實(shí)際的操作過(guò)程中，會(huì)記錄下偏差，直接運(yùn)用曲線進(jìn)行數(shù)據(jù)處理，可能會(huì)得出錯(cuò)誤的結(jié)果。因此必須對(duì)其進(jìn)行校正。
④計(jì)算機(jī)算出的準(zhǔn)確度高，避免了測(cè)量的不準(zhǔn)確或計(jì)算錯(cuò)誤的問(wèn)題，直接提高了工作效率，使其得到了更好的發(fā)揮。
結(jié)語(yǔ)
雖然時(shí)代在不斷地進(jìn)步，科學(xué)為石油的發(fā)展提供了很多方便，但是這依舊是一項(xiàng)非?？菰锏墓ぷ?，今天石油在我們的生活中已不可缺少。通過(guò)深入的了解發(fā)現(xiàn)，目前我國(guó)的石油開(kāi)采量很大，隨之而來(lái)也出現(xiàn)了一些問(wèn)題，為了解決難題，很多人都在付出。技術(shù)人員在其中有著功不可沒(méi)的作用。我們期待技術(shù)的不斷創(chuàng)新，可以幫助技術(shù)人員解脫枯燥的編程等束縛，可以更加輕松地投入到開(kāi)創(chuàng)性的工作中來(lái)，也希望在不斷的發(fā)展中，克服種種困難，最終石油事業(yè)會(huì)迎來(lái)一個(gè)全新的大跨越。
參考文獻(xiàn)
[1]劉立志，劉存輝，張宗亮，常文麗 .40臂井徑成像儀器工作原理及其現(xiàn)場(chǎng)應(yīng)用.石油儀器[J]，2011（02）.
[2]敬金秀.二十四臂井徑成像儀及故障排除方法.石油儀器[J]，2009（01）.
關(guān)鍵詞：計(jì)算機(jī)視覺(jué)技術(shù)；C# ；；作物無(wú)損檢測(cè)；軟件設(shè)計(jì)
中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(shí)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(shí)時(shí)、準(zhǔn)確和定位化的獲取植物生長(zhǎng)信息，而農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)要求植物信息可實(shí)時(shí)動(dòng)態(tài)感知，顯然，傳統(tǒng)的實(shí)驗(yàn)室測(cè)量分析和信息獲取方法已經(jīng)不能滿(mǎn)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(kāi)發(fā)植物生命信息快速無(wú)損檢測(cè)技術(shù)和傳感儀器等軟硬件平臺(tái)已經(jīng)成為現(xiàn)代農(nóng)業(yè)承待解決的關(guān)鍵問(wèn)題[1]。
目前，國(guó)內(nèi)在作物無(wú)損檢測(cè)方面的研究?jī)x器主要是依賴(lài)進(jìn)口，而相應(yīng)的軟件也是伴隨著儀器而購(gòu)買(mǎi)。此類(lèi)軟件，一般價(jià)格昂貴，而且在自主研究平臺(tái)中，因?yàn)闊o(wú)法取得源代碼而無(wú)法使用或升級(jí)，從而出現(xiàn)研究瓶頸。在各類(lèi)無(wú)損化檢測(cè)技術(shù)中，隨著計(jì)算機(jī)視覺(jué)技術(shù)越來(lái)越廣泛的應(yīng)用，對(duì)應(yīng)的軟件系統(tǒng)的開(kāi)發(fā)迫在眉睫[2]。
正是基于這樣的背景，我們通過(guò)對(duì)目前應(yīng)用比較廣泛的C#進(jìn)行研究，利用C#強(qiáng)大的數(shù)據(jù)處理能力和良好的用戶(hù)界面開(kāi)發(fā)，并結(jié)合強(qiáng)大的圖像處理能力，進(jìn)行作物實(shí)時(shí)檢測(cè)軟件平臺(tái)的自主設(shè)計(jì)與開(kāi)發(fā)。
1 計(jì)算機(jī)視覺(jué)技術(shù)簡(jiǎn)介
計(jì)算機(jī)視覺(jué)也稱(chēng)機(jī)器視覺(jué)，是采用攝像機(jī)或者數(shù)碼相機(jī)將被檢測(cè)圖像轉(zhuǎn)化為數(shù)字信號(hào)，再采用先進(jìn)的計(jì)算機(jī)軟件技術(shù)對(duì)圖像信號(hào)進(jìn)行處理，從而得到所需要的各種目標(biāo)圖像特征值。并由此實(shí)現(xiàn)模式識(shí)別，坐標(biāo)計(jì)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(jī)構(gòu)完成好壞篩選，位置調(diào)整，數(shù)據(jù)統(tǒng)計(jì)等自動(dòng)化流程。與人工視覺(jué)相比較，計(jì)算機(jī)視覺(jué)的最大的優(yōu)點(diǎn)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(jì)算機(jī)視覺(jué)技術(shù)將越來(lái)越廣泛的應(yīng)用于農(nóng)業(yè)生產(chǎn)中，而構(gòu)成計(jì)算機(jī)視覺(jué)系統(tǒng)的軟件系統(tǒng)是整個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)的靈魂。隨著硬件技術(shù)的不斷發(fā)展完善，計(jì)算機(jī)視覺(jué)系統(tǒng)其功能是否強(qiáng)大，可以說(shuō)完全取決于軟件系統(tǒng)的能力。
2 軟件系統(tǒng)設(shè)計(jì)
2.1 C#與
C#是由微軟公司開(kāi)發(fā)的一種面向?qū)ο蟮男滦途幊陶Z(yǔ)言，它是從C和C++ 中派生出來(lái)的，保留了C/C++原有的強(qiáng)大功能，并且繼承了C/C++的靈活性。同時(shí)由于是MicroSoft公司的產(chǎn)品，它又同Visual Basic一樣具有簡(jiǎn)單的語(yǔ)法結(jié)構(gòu)和高效的開(kāi)發(fā)能力，可以使程序員快速的編寫(xiě)出基于.NET平臺(tái)的應(yīng)用程序。
一個(gè)基于C#框架，專(zhuān)門(mén)為C#開(kāi)發(fā)者和研究者設(shè)計(jì)和開(kāi)發(fā)的，這個(gè)框架提供了豐富的類(lèi)庫(kù)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(jī)器人控制等領(lǐng)域。該框架架構(gòu)合理，易于擴(kuò)展，涉及多個(gè)較前沿的技術(shù)模塊，為相關(guān)開(kāi)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(jì)語(yǔ)言，通過(guò)調(diào)用該框架來(lái)實(shí)現(xiàn)作物無(wú)損檢查系統(tǒng)的開(kāi)發(fā)。
2.2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
本軟件系統(tǒng)是在數(shù)碼相機(jī)拍攝的作物圖像的基礎(chǔ)上，采用圖像處理方法進(jìn)行特征提取與分析，從而實(shí)現(xiàn)作物的無(wú)損檢測(cè)。主要分為圖像輸入，圖像預(yù)處理，特征提取，特征分析幾個(gè)模塊。
1） 圖像輸入
將要分析處理的圖像讀取到系統(tǒng)中來(lái)，為后面圖像處理作準(zhǔn)備。C#提供了三個(gè)最重要的圖像處理類(lèi)，即Bitmap類(lèi)、BitmapData類(lèi)和Graphics類(lèi)。三種圖像處理的方法，即提取像素法、內(nèi)存法和指針?lè)?。從?zhí)行效率和實(shí)現(xiàn)難度綜合考慮，本系統(tǒng)的開(kāi)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(duì)拍攝照片造成的不利影響。提供了多個(gè)類(lèi)，可以對(duì)圖像進(jìn)行平滑去噪等操作，本系統(tǒng)中采用了中值濾波算方法，對(duì)應(yīng)中的Median類(lèi)。
3） 特征提取
特征提取分析，是整個(gè)系統(tǒng)的核心所在，需要選取合適的圖像分割算法，對(duì)圖像進(jìn)行處理，提取目標(biāo)區(qū)域，為特征分析作準(zhǔn)備。在本系統(tǒng)中采用了閾值分割技術(shù)，因?yàn)檫@種算法相對(duì)來(lái)說(shuō)比較直接并且易于實(shí)現(xiàn)。
采用閾值分割技術(shù)，首先，必需確定一個(gè)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(hù)在軟件的操作過(guò)程中進(jìn)行設(shè)定，并且可以根據(jù)需要進(jìn)行調(diào)整。然后，根據(jù)這個(gè)閾值對(duì)圖像進(jìn)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(duì)我們進(jìn)行圖像分析沒(méi)有實(shí)際意義，并且會(huì)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(lái)進(jìn)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(biāo)區(qū)，涉及到連通區(qū)域的提取問(wèn)題。最后，輸出結(jié)果。
4） 特征分析
對(duì)圖像分割結(jié)果進(jìn)行分析，用于指導(dǎo)生產(chǎn)實(shí)踐。我們可以對(duì)通過(guò)圖像處理得到的目標(biāo)區(qū)域進(jìn)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(jìn)而推算出作物的營(yíng)養(yǎng)狀況，根據(jù)色素區(qū)域的大小計(jì)算出葉面積，根據(jù)不同區(qū)域的形狀、大小判斷病蟲(chóng)害等。
3 實(shí)驗(yàn)結(jié)果及分析
軟件運(yùn)行后主界面如圖3所示。
為驗(yàn)證本系統(tǒng)的有效性，我們通過(guò)設(shè)定不同的閾值進(jìn)行圖像分割，并跟photoshop cs4軟件中魔棒的工具作對(duì)比，來(lái)提取圖片中的目標(biāo)區(qū)域。測(cè)試圖片大小為800px×610px，取特征點(diǎn)坐標(biāo)P（310，70），該點(diǎn)的RGB值為（29，92，0），獲取目標(biāo)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(biāo)區(qū)域的提取方面，提取到的目標(biāo)區(qū)域較photoshop 提取的小，綠色分量平均值較photoshop更接近特征點(diǎn)數(shù)值，由此看出用本軟件做圖像分割準(zhǔn)確性更高。
4 結(jié)束語(yǔ)與展望
計(jì)算機(jī)視覺(jué)具有非破壞性、快速、高效、信息量大等特點(diǎn)，目前已在主要的農(nóng)作物和經(jīng)濟(jì)作物的養(yǎng)分診斷，植物病蟲(chóng)害的快速檢測(cè)及預(yù)警預(yù)報(bào)等方面有了廣泛應(yīng)用，取得了較好的效果。隨著計(jì)算機(jī)視覺(jué)技術(shù)和圖像處理技術(shù)的發(fā)展，計(jì)算機(jī)視覺(jué)技術(shù)將更多的應(yīng)用于植物長(zhǎng)勢(shì)預(yù)測(cè)、產(chǎn)量估計(jì)等方面。
通過(guò)本次研究，開(kāi)發(fā)了一個(gè)交互界面良好的色素分量檢測(cè)系統(tǒng)，能對(duì)圖像在RGB分量上實(shí)現(xiàn)閾值分割，并實(shí)現(xiàn)目標(biāo)區(qū)域的獲取分析。該文主要提倡一種軟件開(kāi)發(fā)的理念，所設(shè)計(jì)開(kāi)發(fā)的軟件的針對(duì)性較強(qiáng)，還存在著很多的局限和不足，要作為計(jì)算機(jī)視覺(jué)類(lèi)的通用軟件，系統(tǒng)的穩(wěn)定性和功能都還有待進(jìn)一步提升。
參考文獻(xiàn)：
[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(wú)損檢查機(jī)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(tái)的設(shè)計(jì)與開(kāi)發(fā)[J].科技資訊，2012（16）.
[3] 蔣麗華.基于計(jì)算機(jī)視覺(jué)技術(shù)的葉綠素含量檢測(cè)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(shí)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(jī)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
[7] 冀高.基于數(shù)字圖像處理的棉花群體特征提取[D].北京：北京郵電大學(xué)碩士學(xué)位論文，2007.
關(guān)鍵詞邊緣 算子 提取 判讀
文章編號(hào)1008-5807（2011）02-103-02
一、邊緣檢測(cè)和圖像特征的基本概念
（一）邊緣檢測(cè)
邊緣是圖像的基本特征，是指圖像中那些鄰域灰度有強(qiáng)烈反差的像素點(diǎn)的集合。
圖像邊緣檢測(cè)過(guò)程的一般步驟可分為：濾波、圖像增強(qiáng)、圖像檢測(cè)、最后進(jìn)行圖像邊緣的定位。
邊緣檢測(cè)算法主要是基于圖像亮度的低階導(dǎo)數(shù)，但是由于在求導(dǎo)過(guò)程中，相關(guān)算法對(duì)噪聲很敏感，從而需要使用濾波的方法來(lái)改善邊緣檢測(cè)的效果。
圖像增強(qiáng)的前提是確定圖像邊緣各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以對(duì)鄰域強(qiáng)度值有較大變化的像素點(diǎn)的亮度進(jìn)行增強(qiáng)處理。
進(jìn)行邊緣檢測(cè)的圖像中有許多點(diǎn)的梯度幅值比較大，而這些點(diǎn)在實(shí)際上并不一定全是所要求解的邊緣，在求取邊緣的過(guò)程中，我們應(yīng)該利用一定的條件來(lái)確定邊緣點(diǎn)，而最方便的邊緣檢測(cè)方法就是利用梯度幅值閾值判據(jù)來(lái)實(shí)現(xiàn)邊緣點(diǎn)的判定。
（二）圖像特征
通常圖像特征可分為：顏色特征、紋理特征、形狀特征、空間關(guān)系特征等幾個(gè)大類(lèi)，在靶場(chǎng)圖像判讀過(guò)程中，我們通常所關(guān)心的一般是圖像的空間關(guān)系特征和形狀特征。
空間關(guān)系，是指在判讀圖像中兩個(gè)或多個(gè)目標(biāo)點(diǎn)間的相互對(duì)應(yīng)的空間位置。一般情況下，空間位置信息可以分為兩種：相對(duì)空間位置信息和絕對(duì)空間位置信息。相對(duì)空間位置信息關(guān)系強(qiáng)調(diào)的是各個(gè)目標(biāo)之間的相對(duì)位置情況，如上下左右等，而后一種關(guān)系強(qiáng)調(diào)的是目標(biāo)點(diǎn)間的相對(duì)距離大小以及方位情況。通常情況下，我們關(guān)心的是判讀目標(biāo)的相對(duì)圖像中心點(diǎn)的脫靶量信息，所以，在圖像判讀過(guò)程中，利用目標(biāo)的相對(duì)空間位置更利于圖像判讀。
形狀特征也可分為兩種，一種是圖像的輪廓特征，另一種是圖像的區(qū)域特征。輪廓特征主要是指物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個(gè)形狀區(qū)域?；趫D像的形狀特征，可以在判讀過(guò)程中對(duì)目標(biāo)的邊緣點(diǎn)和特征點(diǎn)進(jìn)行準(zhǔn)確地識(shí)別和標(biāo)記。
二、常用邊緣檢測(cè)算子
通常所說(shuō)的邊緣檢測(cè)算子是利用圖像邊緣點(diǎn)灰度的突變性，通過(guò)求出圖像橫向和縱向的一階或二階梯度的模值和幅角值，最后沿幅角方向求出模極大值得到圖像的邊緣，如典型的Sobel算子，Prewitt算子，Canndy算子等。
（一）Sobel 邊緣檢測(cè)算子
將圖像中的每個(gè)像素的上下左右四鄰域的灰度值加權(quán)差與之接近的鄰域的權(quán)最大。因此Sobel算子定義如下:
（2.1）
利用上圖2.1所示的兩個(gè)核做卷積，兩個(gè)卷積的最大值都作為像素點(diǎn)的輸出值，同時(shí)給出特定的門(mén)限閾值，運(yùn)算結(jié)果就是所求邊緣圖像。在此運(yùn)算過(guò)程中，一個(gè)核對(duì)處理的圖像中的垂直邊緣影響較大而另一個(gè)核對(duì)圖像的水平邊緣的影響大。sobel算子利用像素的鄰域的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值這一原理進(jìn)行邊緣檢測(cè)。這種方法在實(shí)際應(yīng)用中可以得到較好的檢測(cè)效果，同時(shí)對(duì)于噪聲具有平滑作用。
（二）Prewitt邊緣檢測(cè)算子
Prewitt邊緣檢測(cè)算子是一種邊緣樣板算子。樣板算子由理想的邊緣子圖像構(gòu)成，依次用邊緣樣板去檢測(cè)圖像，與被檢測(cè)區(qū)域最為相似的樣板給出最大值，用這個(gè)最大值作為算子的輸出。
（2.2）
由圖2.3所示的兩個(gè)卷積算子形成了Prewitt邊緣算子，圖像中每個(gè)像素都用這兩個(gè)核做卷積，取最大作為輸出值，運(yùn)算結(jié)果即是所求的邊緣圖像。
（三）Canny邊緣檢測(cè)算子
Canny算子的算法流程是先將圖像使用高斯函數(shù)進(jìn)行平滑處理，再利用一階微分的極大值確定圖像的邊緣點(diǎn)。
其定義為：對(duì)圖像f(x,y)進(jìn)行高斯函數(shù)濾波后得到f(x,y)*Ga(x,y),其中為a相應(yīng)的尺度因子。計(jì)算其梯度矢量的模Ma和Ma方向?yàn)椋?/p>
（2.3）
圖像的邊緣點(diǎn)即為Ma方向上使得取得Ma局部極大值的點(diǎn)。其算法流程如下：
三、實(shí)際處理過(guò)程中的一例
利用上述系列邊緣檢測(cè)算子對(duì)一幅待判讀圖像進(jìn)行處理后的得到如下圖像：
由上述系列圖像可以看出，在圖像判讀過(guò)程中，利用相關(guān)邊緣檢測(cè)算法，可以方便地提取我們所關(guān)心的圖像特征，同時(shí)，利用相關(guān)算法，還可以進(jìn)一步取得目標(biāo)圖像之間的相對(duì)位置和特征點(diǎn)，從而達(dá)到圖像判讀的目的。
隨著相關(guān)邊緣檢測(cè)算法的進(jìn)一步發(fā)展和改進(jìn)，基于邊緣提取的特征檢測(cè)方法將會(huì)在靶場(chǎng)圖像判讀過(guò)程中得到進(jìn)一步的應(yīng)用和推廣。
參考文獻(xiàn)：
[1]閆敬文.數(shù)字圖像處理（MATLAB版）.國(guó)防工業(yè)出版社，2007.
[2]孫即祥.圖像分析，科學(xué)出版社，2005.
[3]焦李成，侯彪，王爽，劉芳.圖像多尺度幾何分析理論與應(yīng)用―后小波分析理論與應(yīng)用.西安電子科技大學(xué)出版社，2008.
[4]陳洪海.數(shù)字圖像邊緣的一種提取方法.大連理工大學(xué)碩士論文，2008.