HI,欢迎来到好期刊网!

图像分析论文

时间:2023-03-21 17:03:27

导语:在图像分析论文的撰写旅程中,学习并吸收他人佳作的精髓是一条宝贵的路径,好期刊汇集了九篇优秀范文,愿这些内容能够启发您的创作灵感,引领您探索更多的创作可能。

图像分析论文

第1篇

论文摘要:随着医学成像和计算机辅助技术的发展,从二维医学图像到三维可视化技术成为研究的热点,本文介绍了医学图像处理技术的发展动态,对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上,提出了医学图像处理技术发展所面临的相关问题及其发展方向。

1.引言

近20多年来,医学影像已成为医学技术中发展最快的领域之一,其结果使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。20世纪70年代初,X-CT的发明曾引发了医学影像领域的一场革命,与此同时,核磁共振成像象(MRI:MagneticResonanceImaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础,带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用,使医学诊断和治疗技术取得了很大的进展,同时将各种成像技术得到的信息进行互补,也为临床诊断及生物医学研究提供了有力的科学依据。

在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。

本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。

2.医学图像三维可视化技术

2.1三维可视化概述

医学图像的三维可视化的方法很多,但基本步骤大体相同,如图.。从#$/&’(或超声等成像系统获得二维断层图像,然后需要将图像格式(如0(#1&)转化成计算机方便处理的格式。通过二维滤波,减少图像的噪声影响,提高信噪比和消除图像的尾迹。采取图像插值方法,对医学关键部位进行各向同性处理,获得体数据。经过三维滤波后,不同组织器官需要进行分割和归类,对同一部位的不同图像进行配准和融合,以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力,选择不同的方法进行三维体绘制,实现三维重构。

2.2关键技术:

图像分割是三维重构的基础,分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域,由于医学图像的各区域没有清楚的边界,为了解决在医学图像分割中遇到不确定性的问题,引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状,自动或半自动的图像分割方法是非常重要的。在实际应用中有聚类法、统计学模型、弹性模型、区域生长、神经网络等适用于医学图像分割的具体方法。

由于可以对同一部位用不同的成像仪器多次成像,或用同一台仪器多次成像,这样产生了多模态图像。多模态图像提供的信息经常相互覆盖和具有互补性,为了综合使用多种成像模式以提供更全面的信息,需要对各个模态的原始图像进行配准和数据融合,其整个过程称为数据整合。整合的第一步是将多个医学图像的信息转换到一个公共的坐标框架内的研究,使多幅图像在空间域中达到几何位置的完全对应,称为三维医学图像的配准问题。建立配准关系后,将多个图像的数据合成表示的过程,称为融合。在医学应用中,不同模态的图像还提供了不互相覆盖的结构互补信息,比如,当CT提供的是骨信息,MRI提供的关于软组织的信息,所以可以用逻辑运算的方法来实现它们图像的合成。

当分割归类或数据整合结束后,对体数据进行体绘制。体绘制一般分为直接体绘制和间接体绘制,由于三维医学图像数据量很大,采用直接体绘制方法,计算量过重,特别在远程应用和交互操作中,所以一般多采用间接体绘制。在图形工作站上可以进行直接体绘制,近来随着计算机硬件快速发展,新的算法,如三维纹理映射技术,考虑了计算机图形硬件的特定功能及体绘制过程中的各种优化方法,从而大大地提高了直接体绘制的速度。体绘制根据所用的投影算法不同加以分类,分为以对象空间为序的算法(又称为体素投影法)和以图像空间为序的算法!又称为光线投射法",一般来说,体素投影法绘制的速度比光线投射法快。由于三维医学图像的绘制目的在于看见内部组织的细节,真实感并不是最重要的,所以在医学应用中的绘制要突出特定诊断所需要的信息,而忽略无关信息。另外,高度的可交互性是三维医学图像绘制的另一个要求,即要求一些常见操作,如旋转,放大,移动,具有很好的实时性,或至少是在一个可以忍受的响应时间内完成。这意味着在医学图像绘制中,绘制时间短的可视化方法更为实用。

未来的三维可视化技术将与虚拟现实技术相结合,不仅仅是获得体数据的工具,更主要的是能创造一个虚拟环境。

3.医学图像分割

医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。

3.1基于统计学的方法

统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义Markov随机场的能量形式,然后通过最大后验概率(MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合(SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。

3.2基于模糊集理论的方法

医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等[改进计算过程,提出了一种快速的聚类算法。

3.2.1基于模糊理论的方法

模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C-均值(FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而,FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K-均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K-均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。

3.2.2基于神经网络的方法

按拓扑机构来分,神经网络技术可分为前向神经网络、反馈神经网络和自组织映射神经网络。目前已有各种类型的神经网络应用于医学图像分割,如江宝钏等利用MRI多回波性,采用有指导的BP神经网络作为分类器,对脑部MR图像进行自动分割。而Ahmed和Farag则是用自组织Kohenen网络对CT/MRI脑切片图像进行分割和标注,并将具有几何不变性的图像特征以模式的形式输入到Kohenen网络,进行无指导的体素聚类,以得到感兴趣区域。模糊神经网络(FNN)分割技术越来越多地得到学者们的青睐,黄永锋等提出了一种基于FNN的颅脑MRI半自动分割技术,仅对神经网络处理前和处理后的数据进行模糊化和去模糊化,其分割结果表明FNN分割技术的抗噪和抗模糊能力更强。

3.2.3基于小波分析的分割方法

小波变换是近年来得到广泛应用的一种数学工具,由于它具有良好的时一频局部化特征、尺度变化特征和方向特征,因此在图像处理上得到了广泛的应用。

小波变换和分析作为一种多尺度多通道分析工具,比较适合对图像进行多尺度的边缘检测,典型的有如Mallat小波模极大值边缘检测算法[6

3.3基于知识的方法

基于知识的分割方法主要包括两方面的内容:(1)知识的获取,即归纳提取相关知识,建立知识库;(2)知识的应用,即有效地利用知识实现图像的自动分割。其知识来源主要有:(1)临床知识,即某种疾病的症状及它们所处的位置;(2)解剖学知识,即某器官的解剖学和形态学信息,及其几何学与拓扑学的关系,这种知识通常用图谱表示;(3)成像知识,这类知识与成像方法和具体设备有关;(4)统计知识,如MI的质子密度(PD)、T1和T2统计数据。Costin等提出了一种基于知识的模糊分割技术,首先对图像进行模糊化处理,然后利用相应的知识对各组织进行模糊边缘检测。而谢逢等则提出了一种基于知识的人脑三维医学图像分割显示的方法。首先,以框架为主要表示方法,建立完整的人脑三维知识模型,包含脑组织几何形态、生理功能、图像灰度三方面的信息;然后,采用“智能光线跟踪”方法,在模型知识指导下直接从体积数据中提取并显示各组织器官的表面。

3.4基于模型的方法

该方法根据图像的先验知识建立模型,有动态轮廓模型(ActiveContourModel,又称Snake)、组合优化模型等,其中Snake最为常用。Snake算法的能量函数采用积分运算,具有较好的抗噪性,对目标的局部模糊也不敏感,但其结果常依赖于参数初始化,不具有足够的拓扑适应性,因此很多学者将Snake与其它方法结合起来使用,如王蓓等利用图像的先验知识与Snake结合的方法,避开图像的一些局部极小点,克服了Snake方法的一些不足。Raquel等将径向基网络(RBFNNcc)与Snake相结合建立了一种混合模型,该模型具有以下特点:(1)该混合模型是静态网络和动态模型的有机结合;(2)Snake的初始化轮廓由RBFNNcc提供;(3)Snake的初始化轮廓给出了最佳的控制点;(4)Snake的能量方程中包含了图像的多谱信息。Luo等提出了一种将livewire算法与Snake相结合的医学图像序列的交互式分割算法,该算法的特点是在少数用户交互的基础上,可以快速可靠地得到一个医学图像序列的分割结果。

由于医学图像分割问题本身的困难性,目前的方法都是针对某个具体任务而言的,还没有一个通用的解决方法。综观近几年图像分割领域的文献,可见医学图像分割方法研究的几个显著特点:(1)学者们逐渐认识到现有任何一种单独的图像分割算法都难以对一般图像取得比较满意的结果,因而更加注重多种分割算法的有效结合;(2)在目前无法完全由计算机来完成图像分割任务的情况下,半自动的分割方法引起了人们的广泛注意,如何才能充分利用计算机的运算能力,使人仅在必要的时候进行必不可少的干预,从而得到满意的分割结果是交互式分割方法的核心问题;(3)新的分割方法的研究主要以自动、精确、快速、自适应和鲁棒性等几个方向作为研究目标,经典分割技术与现代分割技术的综合利用(集成技术)是今后医学图像分割技术的发展方向。

4.医学图像配准和融合

医学图像可以分为解剖图像和功能图像2个部分。解剖图像主要描述人体形态信息,功能图像主要描述人体代谢信息。为了综合使用多种成像模式以提供更全面的信息,常常需要将有效信息进行整合。整合的第一步就是使多幅图像在空间域中达到几何位置的完全对应,这一步骤称为“配准”。整合的第二步就是将配准后图像进行信息的整合显示,这一步骤称为“融合”。

在临床诊断上,医生常常需要各种医学图像的支持,如CT、MRI、PET、SPECT以及超声图像等,但无论哪一类的医学图像往往都难以提供全面的信息,这就需要将患者的各种图像信息综合研究19],而要做到这一点,首先必须解决图像的配准(或叫匹配)和融合问题。医学图像配准是确定两幅或多幅医学图像像素的空间对应关系;而融合是指将不同形式的医学图像中的信息综合到一起,形成新的图像的过程。图像配准是图像融合必需的预处理技术,反过来,图像融合是图像配准的一个目的。

4.1医学图像配准

医学图像配准包括图像的定位和转换,即通过寻找一种空间变换使两幅图像对应点达到空间位置上的配准,配准的结果应使两幅图像上所有关键的解剖点或感兴趣的关键点达到匹配。20世纪90年代以来,医学图像配准的研究受到了国内外医学界和工程界的高度重视,1993年Petra等]综述了二维图像的配准方法,并根据配准基准的特性,将图像配准的方法分为两大类:基于外部特征(有框架)的图像配准和基于内部特征(无框架)的图像配准。基于外部特征的方法包括立体定位框架法、面膜法及皮肤标记法等。基于外部特征的图像配准,简单易行,易实现自动化,能够获得较高的精度,可以作为评估无框架配准算法的标准。但对标记物的放置要求高,只能用于同一患者不同影像模式之间的配准,不适用于患者之间和患者图像与图谱之间的配准,不能对历史图像做回溯性研究。基于内部特征的方法是根据一些用户能识别出的解剖点、医学图像中相对运动较小的结构及图像内部体素的灰度信息进行配准。基于内部特征的方法包括手工交互法、对应点配准法、结构配准法、矩配准法及相关配准法。基于内部特征的图像配准是一种交互性方法,可以进行回顾性研究,不会造成患者不适,故基于内部特征的图像配准成为研究的重点。

近年来,医学图像配准技术有了新的进展,在配准方法上应用了信息学的理论和方法,例如应用最大化的互信息量作为配准准则进行图像的配准,在配准对象方面从二维图像发展到三维多模医学图像的配准。例如Luo等利用最大互信息法对CT-MR和MR-PET三维全脑数据进行了配准,结果全部达到亚像素级配准精度。在医学图像配准技术方面引入信号处理技术,例如傅氏变换和小波变换。小波技术在空间和频域上具有良好的局部特性,在空间和频域都具有较高的分辨率,应用小波技术多分辨地描述图像细貌,使图像由粗到细的分级快速匹配,是近年来医学图像配准的发展之一。国内外学者在这方面作了大量的工作,如Sharman等提出了一种基于小波变换的自动配准刚体图像方法,使用小波变换获得多模图像特征点然后进行图像配准,提高了配准的准确性。另外,非线性配准也是近年来研究的热点,它对于非刚性对象的图像配准更加适用,配准结果更加准确。

目前许多医学图像配准技术主要是针对刚性体的配准,非刚性图像的配准虽然已经提出一些解决的方法,但同刚性图像相比还不成熟。另外,医学图像配准缺少实时性和准确性及有效的全自动的配准策略。向快速和准确方面改进算法,使用最优化策略改进图像配准以及对非刚性图像配准的研究是今后医学图像配准技术的发展方向。

4.2医学图像融合

图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性,对多幅图像间的互补信息的处理来提高图像的清晰度。不同的医学影像设备获取的影像反映了不同的信息:功能图像(SPECT、PET等)分辨率较差,但它提供的脏器功能代谢和血液流动信息是解剖图像所不能替代的;解剖图像(CT、MRI、B超等)以较高的分辨率提供了脏器的解剖形态信息,其中CT有利于更致密的组织的探测,而MRI能够提供软组织的更多信息。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起,可以为临床提供更加全面和准确的资料。

医学图像的融合可分为图像融合的基础和融合图像的显示。(1)图像融合的基础:目前的图像融合技术可以分为2大类,一类是以图像像素为基础的融合法;另一类是以图像特征为基础的融合方法。以图像像素为基础的融合法模型可以表示为:

其中,为融合图像,为源图像,为相应的权重。以图像特征为基础的融合方法在原理上不够直观且算法复杂,但是其实现效果较好。图像融合的步骤一般为:①将源图像分别变换至一定变换域上;②在变换域上设计一定特征选择规则;③根据选取的规则在变换域上创建融合图像;④逆变换重建融合图像。(2)融合图像的显示:融合图像的显示方法可分成2种:空间维显示和时间维显示。

目前,医学图像融合技术中还存在较多困难与不足。首先,基本的理论框架和有效的广义融合模型尚未形成。以致现有的技术方法还只是针对具体病症、具体问题发挥作用,通用性相对较弱。研究的图像以CT、MRI、核医学图像为主,超声等成本较低的图像研究较少且研究主要集中于大脑、肿瘤成像等;其次,由于成像系统的成像原理的差异,其图像采集方式、格式以及图像的大小、质量、空间与时间特性等差异大,因此研究稳定且精度较高的全自动医学图像配准与融合方法是图像融合技术的难点之一;最后,缺乏能够客观评价不同融合方法融合效果优劣的标准,通常用目测的方法比较融合效果,有时还需要利用到医生的经验。

在图像融合技术研究中,不断有新的方法出现,其中小波变换在图像融合中的应用,基于有限元分析的非线性配准以及人工智能技术在图像融合中的应用将是今后图像融合研究的热点与方向。随着三维重建显示技术的发展,三维图像融合技术的研究也越来越受到重视,三维图像的融合和信息表达,也将是图像融合研究的一个重点。

5.医学图像纹理分析

一般认为图像的纹理特征描述物体表面灰度或颜色的变化,这种变化与物体自身属性有关,是某种纹理基元的重复。Sklansky早在1978年给出了一个较为适合于医学图像的纹理定义:“如果图像的一系列固有的统计特性或其它的特性是稳定的、缓慢变化的或者是近似周期的,那么则认为图像的区域具有不变的纹理”。纹理的不变性即指纹理图像的分析结果不会受到旋转、平移、以及其它几何处理的影响。目前从图像像素之间的关系角度,纹理分析方法主要包括以下几种。

5.1统计法

统计分析方法主要是基于图像像素的灰度值的分布与相互关系,找出反映这些关系的特征。基本原理是选择不同的统计量对纹理图像的统计特征进行提取。这类方法一般原理简单,较易实现,但适用范围受到限制。该方法主要适合医学图像中那些没有明显规则性的结构图像,特别适合于具有随机的、非均匀性的结构。统计分析方法中,最常用的是共生矩阵法,其中有灰度共生矩阵(graylevelco-occurrencematrix,GLCM)和灰度—梯度共生矩阵。杜克大学的R.Voracek等使用GLCM对肋间周边区提取的兴趣区(regionofinterest,ROI)进行计算,测出了有意义的纹理参数。另外,还有长游程法(runlengthmatrix,RLM),其纹理特征包括短游程优势、长游程优势、灰度非均匀化、游程非均匀化、游程百分比等,长游程法是对图像灰度关系的高阶统计,对于给定的灰度游程,粗的纹理具有较大的游程长度,而细的纹理具有较小的游程长度。

5.2结构法

结构分析方法是分析纹理图像的结构,从中获取结构特征。结构分析法首先将纹理看成是有许多纹理基元按照一定的位置规则组成的,然后分两个步骤处理(1)提取纹理基元;(2)推论纹理基元位置规律。目前主要用数学形态学方法处理纹理图像,该方法适合于规则和周期性纹理,但由于医学图像纹理通常不是很规则,因此该方法的应用也受到限制,实际中较少采用。

5.3模型法

模型分析方法认为一个像素与其邻域像素存在某种相互关系,这种关系可以是线性的,也可以是符合某种概率关系的。模型法通常有自回归模型、马尔科夫随机场模型、Gibbs随机场模型、分形模型,这些方法都是用模型系数来表征纹理图像,其关键在于首先要对纹理图像的结构进行分析以选择到最适合的模型,其次为如何估计这些模型系数。如何通过求模型参数来提取纹理特征,进行纹理分析,这类方法存在着计算量大,自然纹理很难用单一模型表达的缺点。

5.4频谱法

频谱分析方法主要基于滤波器理论,包括傅立叶变换法、Gabor变换法和小波变换法。

1973年Bajcsy使用傅立叶滤波器方法分析纹理。Indhal等利用2-D快速傅立叶变换对纹理图像进行频谱分析,从而获得纹理特征。该方法只能完成图像的频率分解,因而获得的信息不是很充分。1980年Laws对图像进行傅氏变换,得出图像的功率谱,从而提取纹理特征进行分析。

Gabor函数可以捕捉到相当多的纹理信息,且具有极佳的空间/频域联合分辨率,因此在实际中获得了较广泛的应用。小波变换法大体分金子塔形小波变换法和树形小波变换法(小波包法)。

小波变换在纹理分析中的应用是Mallat在1989年首先提出的,主要用二值小波变换(DiscreteWaveletTransform,DWT),之后各种小波变换被用于抽取纹理特征。传统的金字塔小波变换在各分解级仅对低频部分进行分解,所以利用金字塔小波变换进行纹理特征提取是仅利用了纹理图像低频子带的信息,但对某些纹理,其中高频子带仍含有有关纹理的重要特征信息(如对具有明显的不规则纹理的图像,即其高频子带仍含有有关纹理的重要特征)得不到利用。使用在每个分解级对所有的频率通道均进行分解的完全树结构小波变换提取特征,能够较全面地提取有关纹理特征。

由于医学图像及其纹理的复杂性,目前还不存在通用的适合各类医学图像进行纹理分析的方法,因而对于各类不同特点的医学图像就必须采取有针对性地最适合的纹理分析技术。另外,在应用某一种纹理分析方法对图像进行分析时,寻求最优的纹理特征与纹理参数也是目前医学图像纹理分析中的重点和难点。

6.总结

随着远程医疗技术的蓬勃发展,对医学图像处理提出的要求也越来越高。医学图像处理技术发展至今,各个学科的交叉渗透已是发展的必然趋势,其中还有很多亟待解决的问题。有效地提高医学图像处理技术的水平,与多学科理论的交叉融合、医务人员和理论技术人员之间的交流就显得越来越重要。多维、多参数以及多模式图像在临床诊断(包括病灶检测、定性,脏器功能评估,血流估计等)与治疗(包括三维定位、体积计算、外科手术规划等)中将发挥更大的作用。

参考文献

[1]P.Suetens.FundamentalsofMedicalImaging[M].CambridgeUniversityPress,2002.

[2]刘俊敏,黄忠全,王世耕,张颖.医学图像处理技术的现状及发展方向[J].医疗卫生设备,2005,Vol26

(12):25-26.

[3]田娅,饶妮妮,蒲立新.国内医学图像处理技术的最新动态[J].电子科技大学学报,2002,Vol31(5):

485-489.

[4]周刚慧,施鹏飞.磁共振图像的随机场分割方法[J].上海交通大学学报,2001,Vol35(11):1655.

[5]ZhangHM,YuanZJ,CaiZM.SegmentationofMRIusinghierarchicalmarkovrandomfield[J].Journalof

Software,2002,Vol13(9):1779.

[6]林亚忠,陈武凡,杨丰.基于混合金字塔吉布斯随机场模型的图像分割[J].中国生物医学工程学报,

2004,Vol23(1):79.

[7]聂生东,陈瑛,顾顺德.磁共振颅脑图像快速模糊聚类分割算法研究[J].中国生物医学工程学报,2001,

Vol20(2):104.

[8]江宝钏,张钧良.基于BP神经网络的MRI分割[J].微机发展,2000,Vol1:67.

[9]AhmedMN,FaragA.Two-stageneuralnetworkforvolumesegmentationofmedicalimages[J].Proceedings

ofIEEEInternationalConferenceonNeuralNetworks,1997,Vol28(3):1373.

[10]黄永峰,岑康,司京玉等.模糊神经网络在颅脑磁共振图像分割中的应用研究[J].中国生物医学工程

学报,2003,Vol22(6):508.

[11]CostinH,RotariuCR.Knowledge-basedcontourdetectioninmedicalimagingusingfuzzylogic[J].

InternationalSymposiumonSCS’03,2003,1:273.

[12]谢逢,罗立民,田雪琴.基于知识的人脑三维医学图像分割显示方法[J].生物医学工程学杂志,1997,

Vol14(2):124.

[13]王蓓,张立明.利用图像先验知识与Snake结合对心脏序列图像的分割[J].复旦大学学报(自然科学

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]卢健,胡志忠,杨如乃.医学图像融合技术的研究[J].上海生物医学工程,2006,Vol27(3):163-167.

[22]王新成.高级图像处理技术[M].北京:中国科学技术出版社,2001.

[23]RVoracek,HPMcAdams,puterAidedDiagnosisofInterstitialLungDisease:aTexture

FeatureExtractionandClassificationApproach[J].ProcofSPIE,1998,3338:1502-1509.

第2篇

关键词:文本图像处理;版面分割;投影法

中图分类号:TP391.41 文献标识码:A 文章编号:1007-9416(2017)03-0164-02

目前,信息采集的多样化,已严重威胁到了信息存储的安全性。仅用一部手机,就可获取与泄露重要的信息。对文本数据信息安全性的担忧,促使了纸质文本图像信息隐藏与提取方法的提出。这类方法的核心在于将安全标识信息,以特有的方式嵌入到文本图像的文本区域中,这样,如果发生信息泄露或者要找寻到泄露源,就可以通过分析文本区域中包含的安全标识信息,反向追踪,查出泄漏源,或者通过安全标识信息,回收被泄露出去的信息。对于简单的、只包含文本信息的文本图像,目前的处理技术已比较成熟,能够比较准确的将版面信息进行有效的分析,但是对于包含文本、图形和图像区域的复杂版面文本图像,当前的处理技术尚不成熟,需要进一步提高。本文聚焦于复杂文本图像分割方法研究。

版面分割的方法,大体上可以分为两大类:层次式和非层次式的。层次式分割算法,主要有自顶向下和自底向上两种算法。非层次式算法则主要是利用复杂的图形图像处理技术,根据其图像特征,对文本图像进行版面分割[1-4]。层次式方法中,游程平滑RLS(Run-length Smoothing)算法和投影轮廓切分PPC(Projection Profile Cut)算法是两种有代表性且应用较广泛的算法。而基于纹理分析的版面分析算法,则是将版面分析和版面区域类型识别结合实现的一种算法。但上述方法时间消耗较大,为此本文提出了一N简单有效的分割方法。

1 提出的分类算法

首先,读入待分类文本图像,并对其格式转换,确保图像数据完整性,以防止丢失图像数据;然后进行有效区域提取,剔除四周的空白无效区域,得到有效信息区。在此基础上,对有效信息区进行二维坐标下的行投影,确定并统计、提取特征值,再根据统计得来的特征值,进行孤立行分析,并依据判定的孤立行,对文本图像进行区域的粗分割,得到版面分析的粗分割结果。在上述过程中,可根据投影结果以及统计的特征值,完成对纯文本区域、纯图像区域的分割工作。需要指出的是,本文着眼于复杂文本图像,为此还须对区域粗分割得到的各个子区域,进行二维坐标下的列投影,再根据投影结果,判定子区域中是否存在分栏版面。完成以上步骤后,原本复杂的文本图像版面就被分割为了多个简单版面的文本图像区,在此基础上,再进行行、列投影,根据所得特征值分析与分类,区分出文本区、图像区和图形图表区域,完成分割任务。具体流程见图1。

本文采用特征7个特征统计分析文本图像,各特征分别为:(1)行高,记录投影行高度的值。本文对行进行投影,依据投影结果,计算二值化投影平均值发生改变的临界点值,在临界点值作运算,获得行高值。 我们对各行高度值进行平均运算,在分别与各行高度作对比,进而初步确定异常区域;(2)行间距,行与行之间的间隔距离。此间距,由投影结果而得的下标值计算求得。在文本图像中,行间距发生明显变化的部分,往往为段落或者区域块之间的分割标识,此处计算行间距,作为段落区分和区域块区分的一个标识;(3)缩进率,文本与页面边界之间的距离。依据每一行的列投影结果,计算边界至文本的距离占左右边界之间距离的比率,求得缩进率。在文本图像中,标题不同于其它文本行,往往存在较大缩进,或左缩进,或右缩进,或左右都有,为此可结合行高,完成对标题的判定。此外,段落中往往有首行缩进,段尾也常因字符无法填满文本行而存在缩进,因此也可根据缩进率,判定段落区域;(4)行外接矩形填充率,在缩进的行区域块中,有效信息区域占整个区域块的比率。依据每一行的列投影结果值计算填充率。主要用来判断一些特殊的文本行,如页眉的判断;(5)最大跳变位置,对文本行进行列投影时,坐标轴所示下标发生最大变化的区域位置。根据该特征,如果连续多行在相同位置都发生最大跳变,且跳变区内像素点平均值为1,则可以判定在该位置处存在分栏,此外,还可以根据最大跳变,判定是否存在异常区域;(6)行内信号跳变周期(频率),对文本行进行列投影后,坐标轴上投影下标值发生周期性变化的周期或者频率。根据此特征,可用来判定是否存在异常区域;(7)对齐方式,该特征用来衡量文本图像中内容距离左右边界的距离,具体有居中,左对齐和右对齐三种方式,可用来辅助计算缩进率,进而分割区域块。分割结果举例见图2。

2 结语

文本图像版面分析是对文本图像处理的关键环节。针对上述问题,本文以文本图像二维坐标下行列投影结果为基础,提取并分析相关特征,提出了一种新的基于投影轮廓分析的版面有效分类方法。该方法通过对特征的综合运算与分析完成复杂版面文本图像的分析工作。验证了方法的有效性及准确性。

参考文献

[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]杨洋,平西建.复杂版面的文本图像图文分割算法[J].微计算机信息,2006,22(5):66-225.

第3篇

中图分类号:TP311文献标识码:A文章编号: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

图像分割是计算机视觉领域的一个重要而且基本的问题。它在农产品无损检测方面得到了广泛的应用。图像分割算法好坏会直接影响检测系统的准确度。它是从图像处理到图像分析的一个关键步骤。对它的研究一直都是图像技术研究中的热点和焦点之一。但由于图像的特殊性,针对具体图像,针对具体问题,分割算法就不一样,至今还没有找到通用的分割理论,也没有找到对所有图像都适合的通用分割算法。

近几年来,基于遗传算法的图像分割方法得到了很多学者的研究。由于遗传算法在搜索方面具有很强的优势,而图像分割的实质是在众多的参量中去寻找一个最优参量,以此作为分隔的依据。于是如果在图像分割中引入遗传算法去求取最佳阈值,将会大大提高分割效率。

本论文重点对基于传统遗传算法的图像分割算法进行了比较系统的研究。针对传统遗传算法的不足,提出了一些改进措施,并且设计新的阈值确定方法——类类距离法,将两者结合共同运用到脐橙图像分割中,得到了比较好的效果。在最大程度上避免基本遗传算法收敛性差,容易早熟等问题。

1脐橙图像分割

对于脐橙出产大省湖南省,每年脐橙收获完后的分类,分等级进行销售是一项工作量庞大的任务。脐橙表面破损自动检测系统就是基于计算机视觉技术研发而成,其检测的精度较人工挑选有很大提高。该系统中脐橙图像分割算法好坏会直接影响系统检测脐橙表面是否破损的准确度。

通过特定装置获得比较清晰的彩色脐橙图像后,对于表面有破损的脐橙,要进行筛选清理。进行破损部分比对前,要对彩色脐橙图像先进行分割处理。把整幅图像分成脐橙和背景两部分,再提取脐橙部分的图像进行破损分析。这要求将脐橙的边缘和破损部分处理得非常清晰,最大可能的避免将破损区域误分割成图像背景。

2改进的遗传算法

2.1控制参数改进

在遗传算法中,直接影响到算法的收敛性的关键参数是:交叉概率与变异概率,它们的选取会影响到算法行为和性能。在适应度值变换的情况下将交叉概率与变异概率随之调整,以达到保证算法收敛性的目的。于是我们对交叉概率和变异概率按照如下公式进行自动调整:

图5本文提出的算法分割效果图

从表1,图2至图5可以得出以下结论:

1)脐橙图像利用遗传算法来分割,每次运行所得阈值都在变化,但变化的范围不是很大,只是在一定区域做细微波动。这种情况是正常的,也是完全可以接受的,其原因是由于遗传算法随机生产初始种群,这种随机性就带来了阈值的波动性。这也是遗传算法不稳定性的体现。但从表中数据看出采用本文所设计的改进的遗传算法,即交叉概率和变异概率随适应度自动调整,那么分割的图像所得到的阈值,其波动会限制在一个很小的范围以内(稳定在4个像素以内,阈值最大为60,最小为57),这样既保持了群体多样性,又保证了遗传算法的收敛性。同时其稳定性也明显地优于其他算法。

2)利用本文所设计的类类距离遗传算法进行图像分割可以极大减少阈值计算时间,平均运算时间比起其他几个常用方法都缩短了不少,平均仅在2.3s左右。在进化代数相同的条件下,本论文提出的图像分割算法较其他算法更有优势,收敛速度更快。

3)从图2至图5这几个图像分割结果图来看,本文所设计的分割方法中对脐橙图像中的破损部分,边缘轮廓等细节都有非常好的体现,可见结合遗传算法和类类距离法所设计出的图像分割新算法比其他常用算法有很大的优势。

本文通过改变的遗传控制参数结合类类距离法,把改进后的遗传算法应用到脐橙图像分割中去。仿真实验结果表明,此图像分割算法由于所设计的寻找最优阈值的方案比较合理,阈值的计算时间缩短了,使得最终图像分割所用时间明显减少了。同时此方法还做到了将阈值范围稳定在4个像素以内,大大提高了算法全局收敛的稳定性。而且从视觉角度来看,其分割效果更明显,图像边缘处理很细致、清晰。实验证明本论文设计的算法分割图像不仅快速准确,而且还能满足各种图像的实时处理、分析的需求。具有较高的通用性和实用性。

[1]姚敏.数字图像处理[M].北京:机械工业出版社,2006.

[2]孙艳歌,邵罕.基于改进遗传算法的最优阈值图像分割算法[J].信息系统工程,2010,10(6),26-27.

[3]童小念,刘娜.一种基于遗传算法的最优阈值图像分割算法[J].武汉理工大学学报:交通科学与工程版,2008,32(02),301-304.

[4]王强.图像分割中阈值的选取研究及算法实现[J].计算机与现代化.2006(10).54-56.

[5]左奇,史忠科.基于模糊理论的图像分割方法[J].西北工业大学学报,2003,(03):313-316.

[6]劳丽,吴效明,朱学峰.模糊集理论在图像分割中的应用综述[J].中国体视学与图像分析,2006,11(3):200-205.

[7]曹芳,吴迪.基于可见-近红外反射光谱技术的葡萄品种鉴别方法的研究[J].光学学报,2009,29(2),537-540.

第4篇

关键词:图像拼接;Harris角点特征检测

一、引言

数字图像拼接技术主要包括三个重要步骤:图像预处理、图像配准和图像融合[1]。其中图像的预处理包括图片去噪,图像投影,图像修正等;图像配准是找出待拼接图像的重叠部分并使其坐标对准;图像融合是使重叠部分自然过度,消除拼痕;其中图像配准是图像配准的关键,它直接决定了拼接的准度和效果。

二、Harris角点检测

1988年C.Harris和J.Stephens利用自相关函数的思想共同研究出了Harris角点检测算法,先定义矩阵M

M=G?茚Ix2IxIyIxIy Iy2= (1)

式中Ix、Iy分别代表图像I在x、y方向的梯度,G为高斯模板;?茚代表卷积:

=G?茚Ix2 ,,=G?茚IxIy (2)

在矩阵M的基础上,角点响应函数CRF定义为:

CRF=det(M)-krace2(M),k=0.04

CRF=det(M)-krace2(M),k=0.04(3)

式中,det是矩阵的行列式;trace是矩阵的迹;k是常数,这里取0.04,CRF的局部最大值即为角点。使用Harris角点检测算法对两幅图像分别提取角点后,接着就要进行图像配准的工作。在两幅图像中以每个特征点为中心取一个(2N+1)×(2N+1)大小的相关窗,然后以参考图像中的每个角点为参考点,在待拼接图像中寻找对应的角点。通过计算特征点相关窗之间的相关系数[2]来实现图像特征配准。

在具体实验步骤中:1、对图像中的每个像素点分别计算其x,y方向的一阶导数和梯度;2、对上步操作中得到的三幅图像进行高斯滤波;3:计算原始图像上的角点响应函数值和相关系数;4:使用透视变换模型计算出待拼接图像到参考图像变换参数。5:使用渐入渐出法进行图像融合[3]。

三、实验结果

四、结论及展望

Harris角点检测算法是一种简洁、高效、提取的点特征均匀且合理的算法,由于Harris算子只涉及到一阶导数,因此对图像旋转、灰度变换、噪声影响和视点变换不敏感,但通过计算相关性特征来进行配准的准确率还有待提高。

参考文献:

[1]邵向鑫.数字图像拼接核心算法研究[D].中国博士论文数据库,2010.

第5篇

【论文关键词】 脑源性神经营养因子;脑缺血;大鼠

【论文摘要】 目的:观察CTP对局灶脑缺血大鼠BANF表达的影响。方法:应用免疫组化方法观察不同缺血时间CTP治疗组及脑缺血组BDNF阳性细胞数,并进行图像分析。结果:CTP组及缺血组BDNF两组细胞形态无明显不同,但CTP治疗组阳性细胞数显著高于相应缺血对照组。结论:三磷酸胞苷可提高大鼠局灶脑缺血半暗带区BDNF的表达水平。

近年研究表明三磷酸胞苷(Cytidine Triphosphate,CTP)为一种促进神经细胞修复和再生的药物。本研究用大鼠大脑中动脉闭塞(middle cerebral artery occlusion, MCAO)模型研究CTP对局灶脑缺血脑源性神经营养因子(brain-derived neurotrophic factor,BDNF)表达的影响,借以观察CTP对缺血损伤脑组织可塑性的影响。

1 材料与方法

SD大鼠96只,随机分为正常对照组、假手术组、缺血组及CTP组。采用颈内动脉线栓法制作局灶性脑缺血模型。CTP组应用CTP腹腔注射,剂量0.7mg/kg,每日一次。缺血组及CTP组分别在缺血6h、24h、3d、5d及7d取材,正常对照组及假手术组则均在实验开始后第7日取材,BDNF免疫组化染色采用ABC法。图像分析:取视交叉水平的脑片置于400倍纤维镜下观察,计算机自动计数每视野阳性细胞数。对以上所获得的数据进行统计学处理,实验组及假手术组与正常对照组均数比较采用单因素方差分析,缺血组与CTP组之间均数比较采用配对t检验。

2 结果

CTP治疗后,BDNF阳性神经元数量显著增加。缺血组与CTP组配对t检验结果显示,CTP治疗组BDNF阳性神经元数显著高于相应缺血对照组,P<0.001。假手术组与正常对照组比较P>0.05,二组间无显著差异;单因素方差分析显示,CTP组与正常对照组比较,P<0.001。

3 讨论

BDNF是1982年Barde及其同道由猪脑提取液获得的一种神经营养因子,主要分布在中枢神经系统,周围神经系统等区域也有少量分布[1],其功能为促进和维持一级感觉神经元的存活和突起的生长。CTP系核苷酸类衍生物[2],研究表明CTP具有多种药理作用:(1)神经营养作用:CTP可促进神经细胞的物质、能量代谢,支持神经元存活,延缓神经细胞衰老,提高细胞的抗损伤能力,促进神经突起的生长。(2)调节物质代谢作用:作为原料及能量物质,可促进细胞内磷脂、脂肪以及核酸和蛋白质的合成代谢。调节细胞生物膜性结构的合成与改建[3],增强细胞的生物活性,提高神经细胞膜的合成率[2]。(3)抗血管硬化作用:调节血管壁细胞的磷脂、核酸和蛋白质代谢,增强血管细胞的活性及再生和修复能力,提高细胞的抗损能力,改善支配血管的神经功能,延缓血管硬化。大鼠局灶脑缺血后,缺血中心区的神经元很快即可陷入不可逆性坏死,而其周边部存在半暗带,半暗带区神经元呈缺血改变,若不加以干预,随着缺血时间延长,坏死中心区不断向周围扩大,半暗带区不断缩小。本实验表明,应用CTP治疗后,半暗带区BDNF表达明显增强,对缺血大脑组织起到支持存活、延缓死亡、增强修复再生能力的作用。由此可见,CTP能有效阻止梗塞灶进一步扩大,及时提高内源性BDNF表达水平,对治疗脑缺血,保护受损神经元,实现神经功能的重塑具有重要意义。

参考文献

[1] 程道宾,王进,罗杰峰,等. 脑源性神经生长因子与缺血性脑损伤. 中国医学文摘. 老年医学,2005,14(4):239~242 

第6篇

申请级别:副研究员

计算机工程与科学学院

XX年7月7日

教育与工作经历

教育

1994.9-1998.7 上海大学机械自动化系 本科

1998.9-XX.3 上海大学机械自动化系 硕士

XX.3-XX.9 上海交通大学图像处理与模式 识别研究所 博士

工作

XX.9-今 上海大学计算机学院 讲师

学术活动

兼职

中国计算机学会yocsef上海分坛学术秘书委员(XX.5~今)

ieee会员,ieee计算机分会会员(XX.1~今)

上海市计算机学会会员(XX.1~今)

主持中国机器学习邮件列表(XX.1~今)

活动

机器学习及其挑战研讨会,上海,参与,XX.11

第十届中国机器学习会议,上海,口头报告,XX.10

环太平洋人工智能大会,aucland,口头报告,XX.8

国际神经网络大会,大连,展板,XX.8

神经网络及其应用研讨会,北京,大会报告,XX.3

科研经历

参与国家自然科学基金四项

基于数据挖掘和综合模型的脑磁共振图像分析和诊断(30170274)已结题

面向钢铁生产的数据挖掘和数据融合信息处理平台及应用(50174038)已结题

纳米氧化铝材料设计的支持向量机方法 (20373040)进展顺利

分布式概念格数学模型及算法研究 (60275022)进展顺利

参与上海市高校网格技术e研究院一期项目

数据挖掘在生物医学网格中的应用 (XX.7-XX.6)

主持软件新技术国家重点实验室(南京大学)开放课题一项

机器学习中冗余特征问题的研究(XX.5-XX.6)

已申请国家自然科学基金

合作者:化学系 陆文聪教授

已申请上海市教委科技发展基金

正在申请上海市高校网格技术e研究院二期项目

研究方向

特征选择

结合学习器的研究

支持向量机

集成学习

多任务学习

偏最小二乘法

化学计量学

多元校正

药物构效关系

jcics,nsfc

学术成果

论文20余篇(第一作者9篇以上)

sci 收录5篇,其中第一作者4篇

ei收录10篇,其中第一作者3篇

其它核心杂志,第一作者5篇

sci收录源杂志录用2篇,正在出版

译著一本(第一作者)

支持向量机导论,电子工业出版社出版,XX.3

专著一本(算法部分,五万字以上)

support vector machine in chemistry,singapore, world scientific publishing company,XX.9

第一作者论文

************************************

学院工作

人工智能、软件工程等专业课

学术报告(二次)

计算机学院一次

化学系一次

本科生班主任(03级10班),优秀生导师(5)

****************

其它条件

全国大学英语等级考试cet-6

合格,1997.6

上海市职称计算机能力考试

合格,XX.4

汇总

第7篇

关键词:多臂井径成像测井技术;原理; 作用

中图分类号:TE831.2 文献标识码:A

一、24臂井径成像测井技术的原理

(1)什么是24臂井径成像测井技术?

24臂井径成像测井技术是一种现代化成像技术,运用了高科技的发明,用计算机的图像处理技术使数据或图像可以在屏幕上显现。24臂井径成像测井技术提高了工作度量的准确度,可以根据我们开采石油的需要,不断地去完善已成的图像技术,最大限度保持无误。它能够利用图像信息对油层的结构特征,分布情况等进行反应,减少人员在工作过程中的难度和失误。

(2)24臂井径成像仪器的工作原理

①24臂井径成像仪器共有24个机械探测臂,每一个臂上都和一个位移传感器相连接,它很平均的分布在其一周。当它开始工作时,对要求进行测量,每一个独立的臂就会通过一定的机械系统传递给位移传感器,在经过层层传递,整理信号,转变电压等等,传输给地面传输系统,再有它转换。

成像处理器会根据仪器的自身特点是,使成像算法对内壁的形状大体一致,通过机器就可以得到最接近真实情况的数据,和测量比起来可以更好的反映它的变化。

②24臂井径成像仪器在工作时有机械和电器两部分组成。包括单片机电路,信号传输,电路,电源,井温,斜度等。

③需要注意的是揽头电压电路测量的是揽头的供电电压值,只能为地面提供参照而已,不可毫无顾忌的照用。电压选择电路时,要按照它规定的幅度不可高或低,会扰乱正常的工作。

④井径电路是由位移传感器,信号放大电路,机械探测臂,滤波电路等部分组成的,在开始工作时要协调好彼此的关系,确保不会有一方出现安全问题,否则会影响进度。

二、24臂井径成像测井技术的图像分析

(1)对几种现象的分析

①正常套管的现象分析

在图像里可以看出套款是不是正常的,如果是正常的,那它的曲线复读的变化不会很大,几乎趋于平稳,各条曲线与曲线之间是看似平行的,不会出现短线,交叉等现象,而且曲线是比较光滑的,在处理后不会看到深深浅浅的颜色,会发现它的颜色很平均。

②缩径与扩径的现象分析

如果底层的压力不正常发生变化,或套管的质量不合格都会对他造成极大的影响,会出现上相互所说的缩径或扩径的现象。具体来分,缩颈是因为地层压力异常,使得管内经明显缩小的现象。扩径是由于套管的质量比较差,出现了像地面突出的现象。

③断裂现象的分析

当地质发生变化时,它的密度过大或其他一些原因都会使地质应力发生变化,从而引起断裂现象。断裂现象反映到图上就是在环形的曲线里不连续的线,可能随时会发生改变,经过处理,会出现蓝色区域,就是断裂部分,可根据实际反映的情况进行修复。

④错段的现象分析

错段现象反应在图上比较明显,在图上会出现大幅度的跳跃现象,是一种连续弯曲的状况。而且颜色是近于淡蓝色的。

⑤腐蚀现象的分析

如果套管发生严重的腐蚀现象就会在图像上看到特别乱的现象,一般管内比较粗糙,而且在壁上会留有大量的残物。图像经过处理后,颜色是明显的不均匀,比较好区分。

⑥裂缝的现象分析

用样的可以用仪器测出裂缝的存在。如果图上的曲线部分是向同一个方向跳跃的,那么只能说明石油裂缝存在了。当图像经过处理后,可以清楚的看到,跳跃的部分会变色,是蓝色的圆点。

三、24臂井径成像测井技术施工条件

(1)在开始测试之前必须要通井,去除内壁的污染物,防止有铁屑或稠油等物质,刮管处理是很有必要的。准确的检查仪器,保证没有问题是工作进行的前提。可以避免因仪器问题而耽误进程。

(2)接下来就是要请专业人员要认真的分析数据,从这些数据出寻找有力的信息,为了清楚明白,我们一般都选择其中的一部分曲线出图。这样既可很快的达到目的,有提高了效率。

(3)当我们得到曲线图时,就可以根据测量的曲线进行检测,也可以根据实际的曲线进行调整,最好达到最佳状态。

(4)准备工作需要细心耐心。一切准备好后,我们就步入最关键的时刻。开始测量我们想要的数据。在突出我们可以看到它的椭变率,椭圆短轴,椭圆长轴和剖面图等。在就可以根据自己的需要进行了。

(5)运用软件对24臂井径成像进行处理分析,其中集合了众多人的聪明智慧,他将测井技术很好的和现代科技结合在了一块,更加方便迅速的使我们了解井下的的情况。

四、24臂井径成像测井技术的优点

①24臂井径成像测井技术包括了编辑,对数据进行合并,接受检验,等多项任务,所以说功能比较齐全强大。

②对待准备的数据,它主要有解编,导出的功能,并且可以转化原始的测井数据,使他转化为可用的格式。

③具有深度矫正的功能,在测井的过程中,如果发现了各种仪器所导致的失误,或者是操作不当所带来的麻烦,就会引起张力的不同。在实际的操作过程中,会记录下偏差,直接运用曲线进行数据处理,可能会得出错误的结果。因此必须对其进行校正。

④计算机算出的准确度高,避免了测量的不准确或计算错误的问题,直接提高了工作效率,使其得到了更好的发挥。

结语

虽然时代在不断地进步,科学为石油的发展提供了很多方便,但是这依旧是一项非常枯燥的工作,今天石油在我们的生活中已不可缺少。通过深入的了解发现,目前我国的石油开采量很大,随之而来也出现了一些问题,为了解决难题,很多人都在付出。技术人员在其中有着功不可没的作用。我们期待技术的不断创新,可以帮助技术人员解脱枯燥的编程等束缚,可以更加轻松地投入到开创性的工作中来,也希望在不断的发展中,克服种种困难,最终石油事业会迎来一个全新的大跨越。

参考文献

[1]刘立志,刘存辉,张宗亮,常文丽 .40臂井径成像仪器工作原理及其现场应用.石油仪器[J],2011(02).

[2]敬金秀.二十四臂井径成像仪及故障排除方法.石油仪器[J],2009(01).

第8篇

关键词:计算机视觉技术;C# ;;作物无损检测;软件设计

中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2013)15-3640-03

数字农业和农业物联网技术作为现代农业最前沿的发展领域之一,是当今世界发展农业信息化,实现农业可持续发展的关键和核心技术。数字农业要求快速、实时、准确和定位化的获取植物生长信息,而农业物联网技术要求植物信息可实时动态感知,显然,传统的实验室测量分析和信息获取方法已经不能满足数字农业和农业物联网技术的发展要求。因此,研究和开发植物生命信息快速无损检测技术和传感仪器等软硬件平台已经成为现代农业承待解决的关键问题[1]。

目前,国内在作物无损检测方面的研究仪器主要是依赖进口,而相应的软件也是伴随着仪器而购买。此类软件,一般价格昂贵,而且在自主研究平台中,因为无法取得源代码而无法使用或升级,从而出现研究瓶颈。在各类无损化检测技术中,随着计算机视觉技术越来越广泛的应用,对应的软件系统的开发迫在眉睫[2]。

正是基于这样的背景,我们通过对目前应用比较广泛的C#进行研究,利用C#强大的数据处理能力和良好的用户界面开发,并结合强大的图像处理能力,进行作物实时检测软件平台的自主设计与开发。

1 计算机视觉技术简介

计算机视觉也称机器视觉,是采用摄像机或者数码相机将被检测图像转化为数字信号,再采用先进的计算机软件技术对图像信号进行处理,从而得到所需要的各种目标图像特征值。并由此实现模式识别,坐标计算等功能。然后再根据其结果输出数据,发出指令,再配合执行机构完成好坏筛选,位置调整,数据统计等自动化流程。与人工视觉相比较,计算机视觉的最大的优点是快速、精确、可靠,以及数字化。

随着数字农业和农业物联网技术的发展,计算机视觉技术将越来越广泛的应用于农业生产中,而构成计算机视觉系统的软件系统是整个计算机视觉系统的灵魂。随着硬件技术的不断发展完善,计算机视觉系统其功能是否强大,可以说完全取决于软件系统的能力。

2 软件系统设计

2.1 C#与

C#是由微软公司开发的一种面向对象的新型编程语言,它是从C和C++ 中派生出来的,保留了C/C++原有的强大功能,并且继承了C/C++的灵活性。同时由于是MicroSoft公司的产品,它又同Visual Basic一样具有简单的语法结构和高效的开发能力,可以使程序员快速的编写出基于.NET平台的应用程序。

一个基于C#框架,专门为C#开发者和研究者设计和开发的,这个框架提供了丰富的类库资源,包括图像处理,神经网络,模糊系统,遗传算法,人工智能和机器人控制等领域。该框架架构合理,易于扩展,涉及多个较前沿的技术模块,为相关开发人员或科研人员的工作提供了极大的便利。本系统就是采用C#程序设计语言,通过调用该框架来实现作物无损检查系统的开发。

2.2 系统设计与实现

本软件系统是在数码相机拍摄的作物图像的基础上,采用图像处理方法进行特征提取与分析,从而实现作物的无损检测。主要分为图像输入,图像预处理,特征提取,特征分析几个模块。

1) 图像输入

将要分析处理的图像读取到系统中来,为后面图像处理作准备。C#提供了三个最重要的图像处理类,即Bitmap类、BitmapData类和Graphics类。三种图像处理的方法,即提取像素法、内存法和指针法。从执行效率和实现难度综合考虑,本系统的开发采用内存法。

2) 图像预处理

图像预处理主要包括图像的大小调整,形态矫正,平滑和去噪等,以降低环境对拍摄照片造成的不利影响。提供了多个类,可以对图像进行平滑去噪等操作,本系统中采用了中值滤波算方法,对应中的Median类。

3) 特征提取

特征提取分析,是整个系统的核心所在,需要选取合适的图像分割算法,对图像进行处理,提取目标区域,为特征分析作准备。在本系统中采用了阈值分割技术,因为这种算法相对来说比较直接并且易于实现。

采用阈值分割技术,首先,必需确定一个阈值作为图像分割的阈值,在本系统中,采用自适应阈值法,由用户在软件的操作过程中进行设定,并且可以根据需要进行调整。然后,根据这个阈值对图像进行分割,并将其转化为二值图,如图(b)所示。从图中我们可以看到二值图像中存在大量的小孔,这种太小的孔洞对我们进行图像分析没有实际意义,并且会干扰结果的正确性,因此我们需要采用腐蚀和膨胀的形态学方法来进行填充孔洞,结果如图(C)所示。最后,我们需要根据需要提取目标区,涉及到连通区域的提取问题。最后,输出结果。

4) 特征分析

对图像分割结果进行分析,用于指导生产实践。我们可以对通过图像处理得到的目标区域进行分析,比如可以根据叶片颜色的变化判断叶绿素含量,进而推算出作物的营养状况,根据色素区域的大小计算出叶面积,根据不同区域的形状、大小判断病虫害等。

3 实验结果及分析

软件运行后主界面如图3所示。

为验证本系统的有效性,我们通过设定不同的阈值进行图像分割,并跟photoshop cs4软件中魔棒的工具作对比,来提取图片中的目标区域。测试图片大小为800px×610px,取特征点坐标P(310,70),该点的RGB值为(29,92,0),获取目标区域的总像素和绿色分量平均值,数据如表1所示。

从上述表中我们可以看出,本软件在图像处理目标区域的提取方面,提取到的目标区域较photoshop 提取的小,绿色分量平均值较photoshop更接近特征点数值,由此看出用本软件做图像分割准确性更高。

4 结束语与展望

计算机视觉具有非破坏性、快速、高效、信息量大等特点,目前已在主要的农作物和经济作物的养分诊断,植物病虫害的快速检测及预警预报等方面有了广泛应用,取得了较好的效果。随着计算机视觉技术和图像处理技术的发展,计算机视觉技术将更多的应用于植物长势预测、产量估计等方面。

通过本次研究,开发了一个交互界面良好的色素分量检测系统,能对图像在RGB分量上实现阈值分割,并实现目标区域的获取分析。该文主要提倡一种软件开发的理念,所设计开发的软件的针对性较强,还存在着很多的局限和不足,要作为计算机视觉类的通用软件,系统的稳定性和功能都还有待进一步提升。

参考文献:

[1] 刘飞.基于光谱和多光谱成像技术的油菜生命信息快速无损检查机理和方法研究[D].浙江:浙江大学博士学位论文,2011.

[2] 朱哲燕,陈红.基于MATLAB的作物信息光谱分析平台的设计与开发[J].科技资讯,2012(16).

[3] 蒋丽华.基于计算机视觉技术的叶绿素含量检测系统[D].苏州:苏州大学硕士学位论文,2009.

[4] 赵春江.C#数字图像处理算法典型实例[M].北京:人民邮电出版社,2009.

[5] 何勇,刘飞,聂鹏程. 数字农业与农业物联网技术[J].农机论坛,2012(1).

[6] 张起丽.基于数学形态学的彩色图像处理研究[D].西安:西北大学硕士学位论文,2009

[7] 冀高.基于数字图像处理的棉花群体特征提取[D].北京:北京邮电大学硕士学位论文,2007.

第9篇

关键词边缘 算子 提取 判读

文章编号1008-5807(2011)02-103-02

一、边缘检测和图像特征的基本概念

(一)边缘检测

边缘是图像的基本特征,是指图像中那些邻域灰度有强烈反差的像素点的集合。

图像边缘检测过程的一般步骤可分为:滤波、图像增强、图像检测、最后进行图像边缘的定位。

边缘检测算法主要是基于图像亮度的低阶导数,但是由于在求导过程中,相关算法对噪声很敏感,从而需要使用滤波的方法来改善边缘检测的效果。

图像增强的前提是确定图像边缘各点邻域强度的变化值。增强算法可以对邻域强度值有较大变化的像素点的亮度进行增强处理。

进行边缘检测的图像中有许多点的梯度幅值比较大,而这些点在实际上并不一定全是所要求解的边缘,在求取边缘的过程中,我们应该利用一定的条件来确定边缘点,而最方便的边缘检测方法就是利用梯度幅值阈值判据来实现边缘点的判定。

(二)图像特征

通常图像特征可分为:颜色特征、纹理特征、形状特征、空间关系特征等几个大类,在靶场图像判读过程中,我们通常所关心的一般是图像的空间关系特征和形状特征。

空间关系,是指在判读图像中两个或多个目标点间的相互对应的空间位置。一般情况下,空间位置信息可以分为两种:相对空间位置信息和绝对空间位置信息。相对空间位置信息关系强调的是各个目标之间的相对位置情况,如上下左右等,而后一种关系强调的是目标点间的相对距离大小以及方位情况。通常情况下,我们关心的是判读目标的相对图像中心点的脱靶量信息,所以,在图像判读过程中,利用目标的相对空间位置更利于图像判读。

形状特征也可分为两种,一种是图像的轮廓特征,另一种是图像的区域特征。轮廓特征主要是指物体的外边界,而图像的区域特征则关系到整个形状区域。基于图像的形状特征,可以在判读过程中对目标的边缘点和特征点进行准确地识别和标记。

二、常用边缘检测算子

通常所说的边缘检测算子是利用图像边缘点灰度的突变性,通过求出图像横向和纵向的一阶或二阶梯度的模值和幅角值,最后沿幅角方向求出模极大值得到图像的边缘,如典型的Sobel算子,Prewitt算子,Canndy算子等。

(一)Sobel 边缘检测算子

将图像中的每个像素的上下左右四邻域的灰度值加权差与之接近的邻域的权最大。因此Sobel算子定义如下:

(2.1)

利用上图2.1所示的两个核做卷积,两个卷积的最大值都作为像素点的输出值,同时给出特定的门限阈值,运算结果就是所求边缘图像。在此运算过程中,一个核对处理的图像中的垂直边缘影响较大而另一个核对图像的水平边缘的影响大。sobel算子利用像素的邻域的灰度加权算法,根据在边缘点处达到极值这一原理进行边缘检测。这种方法在实际应用中可以得到较好的检测效果,同时对于噪声具有平滑作用。

(二)Prewitt边缘检测算子

Prewitt边缘检测算子是一种边缘样板算子。样板算子由理想的边缘子图像构成,依次用边缘样板去检测图像,与被检测区域最为相似的样板给出最大值,用这个最大值作为算子的输出。

(2.2)

由图2.3所示的两个卷积算子形成了Prewitt边缘算子,图像中每个像素都用这两个核做卷积,取最大作为输出值,运算结果即是所求的边缘图像。

(三)Canny边缘检测算子

Canny算子的算法流程是先将图像使用高斯函数进行平滑处理,再利用一阶微分的极大值确定图像的边缘点。

其定义为:对图像f(x,y)进行高斯函数滤波后得到f(x,y)*Ga(x,y),其中为a相应的尺度因子。计算其梯度矢量的模Ma和Ma方向为:

(2.3)

图像的边缘点即为Ma方向上使得取得Ma局部极大值的点。其算法流程如下:

三、实际处理过程中的一例

利用上述系列边缘检测算子对一幅待判读图像进行处理后的得到如下图像:

由上述系列图像可以看出,在图像判读过程中,利用相关边缘检测算法,可以方便地提取我们所关心的图像特征,同时,利用相关算法,还可以进一步取得目标图像之间的相对位置和特征点,从而达到图像判读的目的。

随着相关边缘检测算法的进一步发展和改进,基于边缘提取的特征检测方法将会在靶场图像判读过程中得到进一步的应用和推广。

参考文献:

[1]闫敬文.数字图像处理(MATLAB版).国防工业出版社,2007.

[2]孙即祥.图像分析,科学出版社,2005.

[3]焦李成,侯彪,王爽,刘芳.图像多尺度几何分析理论与应用―后小波分析理论与应用.西安电子科技大学出版社,2008.

[4]陈洪海.数字图像边缘的一种提取方法.大连理工大学硕士论文,2008.