導(dǎo)語：如何才能寫好一篇閾值分割的基本原理，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵字：小波變換； 閾值； 圖像分割

圖像分割是根據(jù)圖像的某些局部特征（如灰度級、紋理、彩色或統(tǒng)計特征、頻譜特征等）的相似性和互斥性，將圖像分割成若干子區(qū)域，在每個子區(qū)域內(nèi)部具有相似（相同或相近）特征，而相鄰子區(qū)域不相同（互斥性）。因此，圖像局部特征的相似性和互斥性是圖像分割的依據(jù)[1]。

一、閾值圖像分割的基本原理

閾值化圖像分割是一種最基本的圖像分割方法，其基本原理就是選取一個或多個處于灰度圖像范圍之中的灰度閾值，然后將圖像中各個像素的灰度值與閾值比較，并根據(jù)比較的結(jié)果將圖像中的對應(yīng)像素分成兩類或多類，從而把圖像劃分成互不重疊的區(qū)域集合，達成圖像分割的目的[2]。

無論是單閾值分割還是多閾值分割，都是選取一個比較合理的閾值，以確定圖像中每個像素點應(yīng)該屬于目標區(qū)域還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。

二、傳統(tǒng)分割方法

雙峰法和最大類方差法區(qū)域分割技術(shù)， 是圖像分割中最重要而且有效的技術(shù)之一， 在實際的圖像處理系統(tǒng)中得到了廣泛應(yīng)用。這些都只是傳統(tǒng)的分割方法，是全局閾值分割中較好的方法。下面我對這兩種方法進行簡要的介紹。

2.1 雙峰法

雙峰法是一種典型的全局單閾值分割方法。當圖像的灰度級具有較為典型的雙峰特性時，選取雙峰間的谷底對應(yīng)的灰度級作為閾值。假如北景的灰度值在整個圖像中可以合理看作是恒定，而且所有的物體與背景具有幾乎相同的對比度，那么選取一個固定的較好的全局閾值會有一個較好的效果[3]。

2.2最大類間方差法（Otsu）

最大類間方差法又名大津閾值分割法，其基本思路是：選取的最佳的閾值t，該值應(yīng)當使得不同類間的分離性最好。首先要計算出基于直方圖得到分割特征值的發(fā)生概率，并以閾值變量t將分割特征值分割為兩類；然后求出每一類的類內(nèi)方差和類間方差；最后選取使得類間方差最大、類內(nèi)方差最小的t為最佳閾值T，[4]。

三、小波圖像閾值分割法

基于小波變換的閾值分割法的基本原理是：先由二進制小波變換把圖像的直方圖分解為各層次的小波系數(shù)，然后按照一定的分割準則和小波系數(shù)選取閾值門限，最終利用閾值標出圖像分割的區(qū)域。整個分割過程是由粗到細，通過尺度變化來控制，起始分割由 子空間上投影的直方圖來實現(xiàn)。若分割不理想，則用直方圖在子空間的小波系數(shù)逐步細化圖像分割。分割算法的計算量和圖像尺寸的大小是線性關(guān)系。

基于小波變換的閾值法圖像分割技術(shù)能夠有效彌補傳統(tǒng)的圖像閾值法分割方法的不足，具有較強的抗噪聲性能，對于直方圖為多峰值時，可利用小波的多分辨率特性，合理選擇灰度閾值，對圖像進行分割處理[5]。

分割算法的計算量與圖像尺寸大小呈線性變化，本論文介紹直方圖的多分辨率分析。對于每個整數(shù)j∈Z（Z整數(shù)集合），表示在j分辨率下的二進制有理數(shù)。因此，對于任何j∈Z，是一組在實數(shù)軸上的等間隔采樣點集合，如果ij，則表示高分辨率（較細）的采樣點。假定f表示為一幅圖像，g是圖像f中最大灰度，則直方圖表示為

（11）

步驟如下：

步驟1：預(yù)設(shè)分割區(qū)域為M，分解級數(shù)，L為圖像最大灰度值；

步驟2：小波分解曲線，得到，令j=0，；

步驟3：，將大于j分解層次的系數(shù)設(shè)置為0，用式（14）重建，在重建直方圖中，找出滿足和 條件的標號l（灰度），并且統(tǒng)計標號l的個數(shù)n；

步驟4：如果n

步驟5：從重建直方圖 中，找到閾值；

步驟6：像素值與閾值比較，標出所在區(qū)域。

四、實驗結(jié)果分析

4.1實驗結(jié)果分析

信噪比是信號與噪聲的功率譜之比，但通常功率譜難以計算，有一種方法可以近似估計圖象信噪比，即信號與噪聲的方差之比。首先計算圖象所有象素的局部方差，然后將局部方差的最大值認為是信號方差，最小值是噪聲方差，最后求出它們的比值。信噪比越大，說明混在信號里的噪聲越小，信號質(zhì)量越好。

峰值信噪比一般是用于最大值信號和背景噪音之間的一個工程項目。通常在經(jīng)過影像壓縮之后，輸出的影像通常都會有某種程度與原始影像不一樣。為了衡量經(jīng)過處理后的影像品質(zhì)，我們通常會參考PSNR值來認定某個處理程序夠不夠令人滿意。PSNR值越大，就代表失真越少。

通過以上的實驗結(jié)果和我們對傳統(tǒng)閾值分割與小波閾值分割方法的比較我們可以得到以下結(jié)論：

全局二值化的方法由于采用的是用一個固定門限值來分割，門限的選取十分重要。這種在對象物和背景灰度值的差較大的時候效果明顯，而在光照不均勻和需要提取多個復(fù)雜特征的物體的時候難以得到較為理想的效果。自適應(yīng)二值化方法由于采用了自動取閾值的方法，避免了采用固定閾值的弊病，但是圖像分割后局限性太大，效果不佳。

就分割的速度而言，二值化方法一般速度較快，但是二值化后圖像信息丟失嚴重，由此得到的邊緣輪廓可能會不精確。因此，可以用速度較快的二值化方法來獲得一個關(guān)于圖像分割結(jié)果的較粗略的描述。

篇2

【關(guān)鍵詞】數(shù)字圖像處理 圖像分割技術(shù) 應(yīng)用研究

在數(shù)字圖像處理中，涉及到的技術(shù)較多，其中的圖像分割技術(shù)引起了人們的高度關(guān)注，圖像分割的方法有千余種。本文接下來對圖像分割技術(shù)方法分類進行闡述，并對其實際應(yīng)用進行分析。

1 圖像分割技術(shù)及其分類

1.1 圖像分割技術(shù)

人們把自己對圖像中感興趣部分對應(yīng)的特定區(qū)域叫作圖像的背景。為實現(xiàn)更好地辨識該目標，需要將目標從圖像中分離出去，這是圖像分割技術(shù)研究的問題。所謂圖像分割就是把數(shù)字圖像劃分成為不重疊區(qū)域的過程，這些區(qū)域具有不相互交叉的特點。圖像分割技術(shù)將在實踐中得到大范圍應(yīng)用。

1.2 圖像分割技術(shù)方法分類

對于圖像分割而言，至今沒有一個確定且唯一的標準，分割成功的準則也沒有作出明確規(guī)定。常見的分割、描述方法包括下面幾種。

1.2.1 灰度閾值法實現(xiàn)圖像分割

灰度閾值法使用的關(guān)鍵是直方圖是否使用合理。該方法的本質(zhì)是使用合理的閥值去辨別物體和背景。換句話說，也就是圖像的灰度值超過一定閥值，那么可確定為物體，否則就是背景。該方法在物體和背景之間的區(qū)域分界比較明顯的情況下比較適用，也就是說在物體和背景的灰度值差異非常明顯的前提之下，這樣才好分割。

1.2.2 區(qū)域法實現(xiàn)圖像分割

區(qū)域法實現(xiàn)圖像分割的原理是選取區(qū)域的方式現(xiàn)分割，該分割法的約束為子區(qū)域全部像素灰度相同、子區(qū)域不重合且相連接等。

1.2.3 邊界法實現(xiàn)圖像分割

通過計算一幅圖像的梯度大小從而找到邊界的圖像分割方法。求梯度大小最終是為了要找到圖像中灰度變化最大的位置，也就是物體的邊界。

1.2.4 邊緣法實現(xiàn)圖像分割

利用一階導(dǎo)數(shù)的大小檢測邊緣所在并用一階導(dǎo)數(shù)的方向?qū)⑿〉倪吘夁B結(jié)成邊界的方法。

2 圖像分割技術(shù)應(yīng)用

2.1 在汽車車牌自動識別系統(tǒng)中的應(yīng)用

車票自動識別系統(tǒng)的實質(zhì)就是監(jiān)控大門過往車輛的識別系統(tǒng)，它可自動識別哪些車輛是屬于本單位，哪些車輛不屬于本單位，從而判斷是否需要打開鐵門。該系統(tǒng)可提醒工作人員，還可以將新增車輛添加到車輛自動識別系統(tǒng)。該系統(tǒng)具有識別速度迅速、準確率高、耗費成本較低的特征。

2.2 在遙感工程方面中的應(yīng)用

2.2.1 油庫目標的遙感光學(xué)圖像分割

圖像分割技術(shù)在遙感工程方面中的應(yīng)用可大量應(yīng)用于城市規(guī)劃和軍事上。通過分析光學(xué)遙感圖像，可對油罐的特征進行識別，這是因為油罐的顏色單一化，而且其形狀一般是橢圓狀。在對油庫檢測定位的時候，可使用對橢圓的基于區(qū)域生長原理聚類的方法，這是因為油罐目標相對集中而虛假目標相對較離散的分布特征。其基本原理是將橢圓視為像素，將聚集在一起的橢圓通過區(qū)域生長聚成一類。使用該聚類方法之后，可以更準確地定位油庫區(qū)域，計算速度很快。

2.2.2 機場的遙感圖像分割

機場附屬區(qū)域的圖像分割可通過機場跑道各波段的灰度特征和直線特征來下手。其操作的基本原理是使用跑道的灰度特征首先針對整個圖像二值化，接著做Hough變換。然后針對該變換做統(tǒng)計，從而使機場主干跑道得以呈現(xiàn)。然后，基于此，可繼續(xù)分割得到機場附屬設(shè)施區(qū)域。實踐證明，該算法具有可行性和可實現(xiàn)性。如圖1所示。

2.3 在火災(zāi)的預(yù)防和探測中的應(yīng)用

從人類誕生以來，人類一直在跟火災(zāi)進行斗爭。在一些公共場所，火災(zāi)的預(yù)防和治理一直是一個難題。當前，很多場所使用的是感煙、感溫、感光探測器來對火災(zāi)進行探測，但是該方法的缺陷是如果場所的面積較大的情況下，這些設(shè)備很難發(fā)揮其應(yīng)有的作用。數(shù)字圖像處理中的分割技術(shù)則可以發(fā)揮其效用。通過使用該技術(shù)，可模擬人眼功能實現(xiàn)人眼功能。該技術(shù)可廣泛應(yīng)用于衛(wèi)星遙感、醫(yī)療診斷等領(lǐng)域，經(jīng)過廣泛實踐證明，該方法非常有效。圖像型火災(zāi)探測報警系統(tǒng)通過相關(guān)技術(shù)對火災(zāi)火焰的圖像特性進行識別和探測，這樣就可以達到自動火災(zāi)報警的功能了。

3 結(jié)束語

從20世紀八十年代到二十一世紀，圖像分割理論進展很緩慢，這是因為該問題的研究比較困難的原因。現(xiàn)在，在數(shù)字多媒體時代，圖像數(shù)字處理成為了一項基本的技術(shù)。其中的圖像分割技術(shù)的新理論和新算法不斷出現(xiàn)，其實踐應(yīng)用的發(fā)展前景是一片光明的。今后，數(shù)字圖像處理中的圖像分割技術(shù)以后的發(fā)展趨勢可能有三個方向：多方法結(jié)合起來使用、加入人工智能技術(shù)應(yīng)用、人機交互。本文對數(shù)字圖像處理中的圖像分割技術(shù)在汽車車牌自動識別系統(tǒng)、遙感工程方面、火災(zāi)的預(yù)防和探測中的應(yīng)用這些方面的研究可以為該技術(shù)的更多應(yīng)用拓展提供一定的思路參考。

參考文獻

[1]劉中合，王瑞雪，王鋒德等.數(shù)字圖像處理技術(shù)現(xiàn)狀與展望[J].計算機時代，2005 （09）.

[2]紹綱.數(shù)字圖像處理[M].成都：西南交通大學(xué)出版社，2001.

[3]高建平，張小東，蔣銳.基于圖像處理的交通信息采集[J].重慶交通學(xué)院學(xué)報，2006.

[4]譚優(yōu)，王澤勇.圖像閾值分割算法實用技術(shù)研究與比較[J].微計算機信息，2007，23（08）：298-299.

[5]蔡紅蘋，蔣詠梅，粟毅.一種基于區(qū)域生長原理的油庫目標聚類定位方法[J].遙感學(xué)報2006，10（03）：416-420.

[6]李紅俊，韓冀皖.數(shù)字圖像處理技術(shù)及其應(yīng)用.計算機測量與控制，2002，10（09）.

作者簡介

宋美萍（1988-），女，黑龍江省大慶市人。碩士學(xué)位?，F(xiàn)為東北石油大學(xué)講師。研究方向為圖像信息處理。

篇3

關(guān)鍵詞：計算機視覺分析；微小尺寸；精密校正；閾值；圖像分割

中圖分類號：TP274.4

計算機視覺分析理論是基于精密模式識別和人工智能程序化校驗技能進行綜合整編的方法，利用光學(xué)信息對真實物理結(jié)構(gòu)的實時反映，配合人機協(xié)調(diào)手段進行二維圖像的呈現(xiàn)。在工件表面進行質(zhì)量檢測和圖片制備要素分析的系統(tǒng)環(huán)節(jié)中，闡述物體在空間環(huán)境之間的關(guān)系樣式，爭取三維場景的科學(xué)搭建。集合要素內(nèi)容包括邊緣、線條和曲面的配備，建立以工業(yè)部件為中心的坐標體系，并適當運用不同符號表現(xiàn)模式實現(xiàn)必要三維結(jié)構(gòu)和空間關(guān)系的調(diào)整，促進精密儀器細節(jié)檢驗工作質(zhì)量的不斷提高。

1 計算機視覺檢測技術(shù)的相關(guān)理論研究

1.1 技術(shù)原理分析

滲透性計算機輔助支持結(jié)構(gòu)的視覺鑒定技術(shù)在被測實體中的圖像顯示支持功能基礎(chǔ)形勢上進行質(zhì)量狀況的把控，這其實就是根據(jù)既定的偏差標準實現(xiàn)規(guī)模物件的逐個排查。細致的檢測工作在深度零件的誘導(dǎo)性特征和完整性配件的支持下，對整體完好效果的幾何制備模型進行測量[1]。近階段的視覺規(guī)范系統(tǒng)利用電耦合器件和攝像機進行主題元素的捕捉，并利用計算機內(nèi)部程序的數(shù)字信號轉(zhuǎn)化工具實現(xiàn)圖像的并行處理。采用目標圖像的特殊坐標記錄，利用灰度分布圖內(nèi)的多種綜合功能處理系統(tǒng)改善的要務(wù)。常規(guī)視覺下的檢測過程相對比較繁瑣，主要是將被檢測物體放置于照明效果相對均勻的可控制背景環(huán)境中，聯(lián)結(jié)CCD技術(shù)和圖像卡實現(xiàn)被測部件和數(shù)字圖像的共性要素融合，保證計算機自動化處理程序的錄入。當然，這類研究系統(tǒng)是需要利用相關(guān)軟體進行放大的，其主要必備功能就是進行圖像的預(yù)處理、識別和有效分析，將整個過程內(nèi)部的實際結(jié)果數(shù)值，包括被測部件的自身缺陷、尺寸等進行整理。

1.2 計算機視覺微小尺寸精密檢測工業(yè)應(yīng)用技術(shù)的現(xiàn)狀

在科學(xué)設(shè)計信息內(nèi)容和工業(yè)加工制備要領(lǐng)集成化對待的環(huán)節(jié)中，通常不會直接進行部件表面的接觸，一般運用計算機程序下的掃描認知和圖像即時呈現(xiàn)功能進行快速的比對檢測，整體信號抗干擾能力較強，因此在現(xiàn)代工業(yè)生產(chǎn)技術(shù)領(lǐng)域內(nèi)部廣受好評。電子工業(yè)是在建立計算機視覺分析工藝之后表現(xiàn)最為活躍的行業(yè)類型，在此基礎(chǔ)上衍生的印刷電板路和集成電路芯片就是利用標準模型的整改，實現(xiàn)規(guī)模工序的緊密排列。目前，時下流行的汽車生產(chǎn)、紡織、商品包裝等也逐漸向這類手段靠攏，全面改善了現(xiàn)代化工業(yè)制備的應(yīng)用效果。

2 應(yīng)用視覺微小尺寸分析技術(shù)內(nèi)部拓展機能的補充

灰度圖像的主要分割方法包括灰度閾值校正、邊緣檢測制備等手段。

2.1 灰度閾值校正

這是區(qū)域分割方法中一種常見的手段，主要配合多個或單個閾值將圖像自身的灰度級別劃分為幾個項目組，對相同像素的單位數(shù)據(jù)進行整編。根據(jù)實效范圍進行分類，包括局部和全局閾值探究兩種手段，全局規(guī)模下的閾值分析方法就是利用整幅圖的灰度直方分布圖進行內(nèi)部最優(yōu)閾值分割，包括單閾值和多閾值兩種形式；同時還可以將初始分析的圖像進行子元素的拆解，之后利用單個子圖像的既定閾值范圍進行最優(yōu)化分割[2]。分割的基本原理公式為：

其中，合理閾值的選取是非常重要的，目前閾值確定的手段主要包括直方圖雙峰對照法和最大類間方差累積法等。這種利用灰度閾值實現(xiàn)精準質(zhì)量的劃分手段，計算執(zhí)行工作相對比較簡單，并且實際工作效率水平較高，即便是實際需要分割的物體與圖像背景對比深度較強也可以收放自如，但唯一的缺點就是缺少對空間信息的掌控，涉及亮度不足的圖像問題，這種閾值分割技術(shù)的施工質(zhì)量往往不會太高。

2.2 邊緣檢測制備工序

圖像內(nèi)部元素的分割其實就是進行部件邊界效益的提取，而邊緣檢測制備工序則是利用像元及鄰域的整體狀態(tài)進行物體邊界相關(guān)結(jié)構(gòu)的搭建。邊緣檢測分割制備技術(shù)具體包括并行和串行兩種模式，并行手法是運用梯度信息的提取實現(xiàn)不同類別算子的整理；串行邊界分割原理則是根據(jù)適當強度標準和相似走向的兩個邊緣端點位置實現(xiàn)連接，主要代表算法包括啟發(fā)式智能搜索手段等。這種串行算法較并行邊界積累統(tǒng)計原則來說具有更強的抗干擾能力，但實際的邊緣檢測同樣不能完好地維持連續(xù)效果，需要利用其余技術(shù)內(nèi)容進行邊緣制備技巧的修復(fù)。

（1）原始圖像 （2）Robert算子邊緣檢測 （3）Sobel算子邊緣檢測

（4）Prewitt算子邊緣檢測 （5）Kirsch算子邊緣檢測 （6）Gauss-Laplace算子檢測

圖1 微小雙聯(lián)齒輪邊緣檢測

3 視覺檢測系統(tǒng)的創(chuàng)新性改進

根據(jù)以上現(xiàn)狀問題，創(chuàng)新式視覺整改校驗系統(tǒng)利用照明光源、攝像機和圖像采集卡等結(jié)構(gòu)實現(xiàn)計算機輸出結(jié)果質(zhì)量的補充。其主要運行過程如下：利用被測部件在均勻照明背景的全面優(yōu)化控制基礎(chǔ)，實現(xiàn)物體結(jié)構(gòu)的全面清晰呈現(xiàn)，使用攝像機對相關(guān)圖像信號進行梳理并轉(zhuǎn)化為電荷信號，配合相關(guān)的圖像資源采集卡進行部件數(shù)字化圖像的格式轉(zhuǎn)化；計算機內(nèi)部軟體操作程序?qū)⒌玫降臄?shù)字圖像進行處理和識別，并將最終結(jié)果數(shù)據(jù)輸出，實現(xiàn)現(xiàn)代工業(yè)技術(shù)整體質(zhì)量規(guī)?？刂频募榷ㄒ?。

系統(tǒng)硬件在實現(xiàn)部件轉(zhuǎn)化圖像信息的環(huán)節(jié)中，連接檢測機理下的連續(xù)軟件規(guī)劃和照明光源等相關(guān)設(shè)備進行圖像適當分辨率的調(diào)整，維持圖像較為清晰的對比效果。全面控制獲取數(shù)字圖像的時間，抵抗不良因素的干擾影響，維持內(nèi)部成本經(jīng)濟規(guī)模的合理控制，促進科技應(yīng)用和可持續(xù)發(fā)展經(jīng)濟戰(zhàn)略雙重價值標準的同步進展。其中，光源設(shè)備的選擇必須落實到部件既定的幾何形狀條件下，利用相關(guān)性能參數(shù)進行實際工作要求的提供，包括光源位置、亮度、壽命特性等因素的堆積，常用的可見光源包括水銀燈、熒光燈等，但這類光源使用壽命有限，因此現(xiàn)下多配用LED光源進行快捷反應(yīng)、小功耗標準的補充，并且長期使用后的照明效果比較穩(wěn)定[3]。而攝像機等結(jié)構(gòu)主要還是校正參數(shù)的表達方式，進行圖像合理分辨率的整改，促進圖像采集數(shù)字化協(xié)調(diào)功能的發(fā)展，提高系統(tǒng)工作速度等。

4 結(jié)束語

計算機視覺檢測系統(tǒng)在進行一定部件性能評比的活動中有著很高的貢獻，不僅配合硬件的照明、參數(shù)制備要領(lǐng)制備功能，同時促進數(shù)字化圖像對比的速度，使得工業(yè)生產(chǎn)環(huán)節(jié)中的部件檢查工序得到大范圍整改，滿足可持續(xù)發(fā)展戰(zhàn)略規(guī)模的視覺意義，促進現(xiàn)代智能化分析處理技術(shù)的全面覆蓋。

參考文獻：

[1]陸春梅.基于數(shù)字圖像處理技術(shù)的接桿激光環(huán)焊焊縫視覺檢測系統(tǒng)研究[D].上海交通大學(xué)，2008.

[2]羅敏.基于機器視覺的黑片缺陷檢測圖像邊緣提取算法研究[D].沈陽理工大學(xué)，2010.

篇4

關(guān)鍵詞：遙感影像；車輛提??；交通檢測

中圖分類號：TP751 文獻標識碼：A 文章編號：1009-3044（2016）36-0173-02

1 前言

當前，遙感技術(shù)迅速發(fā)展，高分辨率遙感影像的研究工作更加廣泛且有效，由于其清晰度高、信息存儲豐富以及現(xiàn)實性強等特點，使得遙感影像已成為人類獲取地球空間信息的重要數(shù)據(jù)源。同時基于高分影像對小尺寸的目標提取逐漸成為研究熱點，如對車輛目標的識別，依據(jù)目標的光譜特征、空間幾何特性等獲取道路車輛的點信息，從而利用一定范圍內(nèi)點密度信息的分析對城市地區(qū)擁堵問題具有實際應(yīng)用價值。但由于影像存在復(fù)雜的結(jié)構(gòu)使本身所包含自然特征和人工地物的關(guān)系繁瑣，提取信息會受到各類噪聲的影響，例如在本文針對北京城區(qū)交通道路上車輛提取的研究中，諸如路面上的交通線、建筑物、綠化樹木的陰影、行人等路面噪聲變得不可忽視，因為這些噪聲所帶來的誤差使所提取的車輛信息不完整且存在個別錯誤。

2 技術(shù)原理

車輛信息的提取工作主要是利用了遙感影像中車輛所具有的光譜特征和塊狀特征。塊狀特征即遙感影像中的車輛所表現(xiàn)出來的規(guī)則的大小方塊，車輛的形狀近似矩形，而且面積偏小且范圍集中，車頂?shù)募y理材質(zhì)也與周圍地物有所區(qū)別，故利用其矩形方塊特征能很好與道路分界護欄、交通車站站頂?shù)葏^(qū)分開。然而，在遙感影像的獲取和傳輸過程中，噪聲及光照等不可避免地會使影像丟失一些細節(jié)，從而造成了圖質(zhì)退化，對于后期圖像信息的提取和處理影響較大，故而對影像的增強處理必不可少。該操作可以有效改善影像質(zhì)量，對影像中某些特性的視覺增強效果顯著。然后，經(jīng)過低通濾波處理，可以去掉影像中一些高頻的噪聲點，再恰當?shù)厥褂娩J化高通濾波突出邊緣特征，更加方便后續(xù)車輛信息的提取工作。

接著，對試驗區(qū)域的車輛信息采用影像分割技術(shù)進行提取，目前所知的圖像分割方法有基于區(qū)域分割方法、閾值的分割方法、邊緣檢測方法等，而本文基于envi的車輛提取研究主要采用基于邊緣的分割算法，這種算法計算效率高，而且要產(chǎn)生多尺度分割結(jié)果僅需一個輸入?yún)?shù)。在進行分割操作時，首先要_定分割閾值，由于分割后的圖斑多少與尺度的選擇緊密相關(guān)，為了能盡量分出很少的圖斑通常選擇高尺度影像分割。分割效果的好壞一定程度決定了分類效果的精確度，通過不斷的試驗選擇一個理想的分割閥值，通過選取合適的閾值可以去除很多零散的噪聲點，盡量分割出較好、較完整的邊緣特征，其基本原理是通過不同閾值的設(shè)定，將影像的像素點拆分若干類。在整個過程中，較難處理的就是圖像平滑過程中會隱去一些邊緣信息，而銳化過程又會增加很多不必要的噪聲，在多次實驗中發(fā)現(xiàn)依經(jīng)驗手動選取閾值的效果往往比較好。

最后，要提取出感興趣的車輛信息，使用邊緣提取算法效果不錯。在基于envi的實驗中采用了基于邊緣檢測分割，較完整的提取出道路中的車輛信息，包括其中較暗的一些車輛，可以達到最佳效果；而如果采用基于亮度的檢測算法則會漏掉許多光譜信息不滿足的車輛，造成實驗效果的不準確、不理想。

3 技術(shù)流程

對影像通過rpc矯正、配準和融合后，即可通過特征提取方法對高分遙感影像中較擁堵路段的車輛進行提取。此部分選用2015年2月17日上午11時22分影像中崇文門內(nèi)大街路段作為試驗對象，展開本文的研究。

1）對影像中崇文門內(nèi)大街區(qū)域的車輛信息進行增強操作。為減少錯誤提取及漏檢率，提高車輛提取操作的準確性，我們需要采用影像增強的辦法突出影像中一些較暗的車輛信息，并加強車輛與其他地物的差別。根據(jù)試驗要求，我們采用了直方圖均衡化、線性濾波及同態(tài)濾波三種增強方法進行試驗比較，以選擇效果較好的一種作為試驗依據(jù)。通過試驗發(fā)現(xiàn)，利用直方圖均衡化方法處理影像后，影像的整體亮度增加，原本較暗的車輛信息變得明顯，但是由于直方圖處理是整體拉伸凸顯的灰度，所以在原本較亮的車輛周圍的地物也變得比較亮；而同態(tài)濾波對影像的增強操作效果也不錯，與直方圖處理相比，僅僅是車輛的信息更明顯，這主要是因為反射量在不同地物的交界處是急劇變化的，但是在車輛周圍產(chǎn)生了許多細小的噪聲點，這些噪聲點對車輛的提取也會有一定程度的阻礙；線性濾波增強較之前兩種方法產(chǎn)生的噪聲點相對較少，并較好反映了車輛與地物的光譜差別，而車輛信息的顯示效果也有明顯的增強，故通過比較認為，選用線性增強的方法更為適合。如下圖1、圖2所示，未經(jīng)線性增強和經(jīng)線性增強后的影像中的車輛信息明顯度差別較大：

2）對所選影像區(qū)域進行圖像分割。該實驗根據(jù)臨近像素亮度、顏色、紋理等對影像進行分割，通過基于邊緣檢測的算法較好完成了圖像分割的操作，如圖3所示。

3）在完成對影像的分割操作后，接著提取該影像的總車輛特征。在試驗中，為提取得到車輛信息，主要利用了與幾何形狀、面積等相關(guān)的特征以及光譜、紋理特征。 在多次試驗中，首先使用矩形度和面積等特征找出影像中與車輛面積和形狀相近的對象，再利用光譜特征進一步優(yōu)化提取要素，發(fā)現(xiàn)一些前兩步?jīng)]有找出的對象，最終得到試驗區(qū)域（崇文門內(nèi)大街）整體的車輛提取shp文件，如圖4所示。

在特征規(guī)則的選取過程中，要達到較好的效果，一定需要反復(fù)多次細致地調(diào)節(jié)參數(shù)，得到信息提取效果圖如圖5所示。

通過基于規(guī)則的特征提取方法得到如上圖的提取結(jié)果后，接下來便是對車輛信息進行量化分析，以判斷該條道路上的交通擁堵級別。該部分試驗主要基于arcgis的空間分析功能，載入對崇文門內(nèi)大街試驗影像進行提取操作后所得到的車輛信息shp文件，利用feature to point工具將車輛的面狀信息轉(zhuǎn)化為點信息，如圖6所示：

4 結(jié)論

本論文以高分二號遙感衛(wèi)星影像作為研究來源，采用邊緣檢測算法和規(guī)則分類辦法對道路車輛信息進行提取，并利用該提取信息進行空間分析得到道路交通擁堵狀況。從實驗結(jié)果看，高分辨率遙感影像通過線性增強后排除了噪聲影響并強化了車輛與其他地物的灰度差別，后采用邊緣檢測算法分割影像能更有效地提取車輛信息，結(jié)果的正確率和識別率都保持在80%以上。但是，現(xiàn)階段在高分辨率遙感影像上提取車輛信息依舊面臨較多問題，試驗中發(fā)現(xiàn)，在對一定范圍內(nèi)、特定時刻的車輛信息的提取過程中，在樹蔭、樓房陰影、立交橋上車量信息在影像上是看不見的，在某些對比度很高的影像上，如果車輛正好處于房屋的陰影區(qū)，也是很難被檢測到的。所以在這些方面，還需要某些特定的算法對影像對象的特征進一步的試驗和總結(jié)。

參考文獻：

[1] 張素蘭.基于衛(wèi)星遙感影像的交通狀態(tài)判別研究[D].北京交通大學(xué)，2010.

篇5

關(guān)鍵詞：機器視覺；四軸飛行器；位姿估計

DOIDOI：10.11907/rjdk.171358

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2017）006-0120-04

0 引言

視覺導(dǎo)航技術(shù)具有設(shè)備簡單、信息量大、抗電子對抗和無源性強等特點，其作為自主飛行器的輔助導(dǎo)航技術(shù)已經(jīng)受到業(yè)界人士的高度重視，是目前無人飛行器導(dǎo)航技術(shù)領(lǐng)域中的研究熱點。機載攝像機是飛行器的“眼睛”，通過它，飛行器可以實現(xiàn)避障、位姿估計以及目標識別等。因此，將計算機視覺運用行器輔助導(dǎo)航具有明顯優(yōu)勢[1-2]。

基于特征點的視覺導(dǎo)航方法，是近年來視覺導(dǎo)航領(lǐng)域研究較為活躍的內(nèi)容之一。其基本原理為：將攝像機裝載在飛行器上，并在參考目標上預(yù)先設(shè)置已知的特征點，通過提取已知特征點對應(yīng)的圖像坐標，根據(jù)攝像機透視投影模型，實時估計出攝像機相對于參考目標的位置姿態(tài)。

本文設(shè)計了由3個黑色正方形和1個黑色三角形組成的平面著陸目標圖案，以正方形和三角形頂點為圖像特征點，提出了一種基于平面單應(yīng)性變換的圖形特征點實時提取標記方法，利用提取的特征點圖像坐標及對應(yīng)的世界坐標，實時估計攝像機的位置參數(shù)，將其作為飛行器視覺導(dǎo)航信號。

1 著陸標志物及特征點標記

本文設(shè)計的著陸圖案如圖1（a）所示。著陸圖案的邊長為60mm，其中小正方形的邊長為20mm，等腰直角三角形的直角邊長為20mm。在著陸圖案中，黑白相間的角點即為設(shè)計的特征標記點集。著陸圖案可以分成4個部分，形狀包括兩種類型：I型和II型。如圖1（b）所示，定義著陸目標圖案的中心為世界坐標系原點，類型I的區(qū)域中心處于世界坐標系的X軸正半軸，類型II的區(qū)域中心依次分布在其余軸線上，采用右手法則來確定Z軸，可以看到各特征點在世界坐標系中的坐標是明確的。

針對所設(shè)計的著陸目標圖案，圖像處理的目的是確定標志點的位置，然后提取和標識出這些特征點。本文中的圖像處理算法流程如圖2所示，這里首先使用攝像機獲取圖像，然后對圖像進行預(yù)處理，主要包括圖像濾波、閾值分割等，最后檢測與提取特征點，使用標記算法對其進行標記。

主要算法如下：

（1）閾值分割。閾值分割是指根據(jù)像素的灰度、顏色、紋理等特性按照一定的原則將一副圖像或景物分割成若干個特定的、具有獨特性質(zhì)的部分或者子集，并提取出感興趣目標的技術(shù)和過程。閾值分割后圖像如圖3（b）所示。

（2）邊緣檢測。邊緣是不同區(qū)域的分界線，是圖像局部強度變化最顯著的那些像素的集合。本文邊緣檢測的目的是提取圖像中3個四邊形的邊緣和1個三角形的邊緣。邊緣提取后圖像如圖3（c）所示。

（3）角點檢測。圖像中的角點是指圖像中具有高曲率的點，本文使用的是Harris角點檢測算法[3]。角點檢測后圖像如圖3（d）所示。

（4）分割標志圖案上的三角形。首先篩選出連通區(qū)域輪廓，對提取的輪廓進行直線簡化，然后計算4個區(qū)域輪廓的周長為：Ci（i=1～4）。搜索4個周長中的最小值min（Ci），則min（Ci）所對應(yīng)的區(qū)域I即為三角形區(qū)域。

3 實驗

得到特征點的像素坐標系的坐標（u，v）及世界坐標系的坐標（xw，yw，zw）后，根據(jù)兩步法標定原理，利用Matlab/GUI工具 [9]，得到位姿估計模型GUI界面如圖6所示。

本文采用如下方案來驗證所建立的位姿估計模型的正確性[10]，在著陸目標平板上繪制兩個相同的特征圖案，如圖7所示，設(shè)定它們的距離分別為100mm、150mm、200mm、250cm和300mm。

將攝像機（攝像機為Prosilica GT2750 CCD工業(yè)相機、16mm鏡頭，圖像大小為像素）固定在著陸目標圖案的上方對該著陸目標圖案進行拍照，然后利用上述位姿估計模型解算出相對位置估計測量值，得到表1的測量結(jié)果。由表1可知，位置估計誤差在11mm以內(nèi)，本文建立的位姿估計模型基本滿足位置估計要求。

4 結(jié)語

本文以飛行器自主著陸階段為研究對象，根據(jù)攝像機透視投影成像關(guān)系，建立了飛行器視覺位姿估計模型，設(shè)計了一種著陸目標圖案，并對其進行圖像處理、角點提取和特征點標記，利用兩步法攝像機標定原理對攝像機位姿進行了解算，使用Matlab/GUI工具對該算法加以實現(xiàn)，最后利用實驗室現(xiàn)有的條件對其進行了驗證。結(jié)果證明，本文提出的圖像處理及相關(guān)位姿估計算法具有一定的導(dǎo)航精度。但是由于需要進行大量的圖像處理，耗時較多，還很難滿足飛行器自主著陸階段實時性的要求，因此縮短圖像處理時間將是后續(xù)研究的重點。

參考文獻：

[1]SRIKANTH SARIPALLI，JAMES F MONTGOMERY，et al.Vision-based autonomous landing of an unmanned aerial vehicle[C].Proceedings of the 2002 IEEE International Conference on Robotics & Automation，2002： 2799-2804.

[2]COURTNEY S SHARP，OMID SHAKENIA，S SHANKAR SASTRY.A vision system for landing an unmanned aerial vehicle[C].Proceedings of the 2001 IEEE International Conference on Robotics & Automation，2001：1720-1727.

[3]趙文斌，張艷寧.角點檢測技術(shù)綜述[J].計算機應(yīng)用研究，2006，10（1）：17-20.

[4]邱力為，宋子善，沈為群.用于無人直升機著艦控制的計算機視覺技術(shù)研究[J].航空學(xué)報，2003，24（4）：351-354.

[5]TSAI R Y.An efficient and accurate camera calibration technique for 3D machine vision[C].In Proc.CVPR，1986：364-374.

[6]w明.基于圖像的物體尺寸測量算法研究[J].軟件導(dǎo)刊，2016，15（11）：48-52.

[7]樊冬雪.四軸飛行器視覺導(dǎo)航系統(tǒng)的設(shè)計[J].計算機技術(shù)與用，2014，40（8）：140.

[8]阮利鋒.小型無人直升機自主著陸視覺導(dǎo)航系統(tǒng)設(shè)計及仿真[D].上海：上海交通大學(xué)，2009.

篇6

【關(guān)鍵詞】四幀差分 邊緣檢測 閾值分割

1 引言

運動目標檢測處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測結(jié)果的好壞將直接影響后續(xù)的處理效果，故其技術(shù)發(fā)展和應(yīng)用前景受到廣泛關(guān)注。目前常用的運功目標檢測算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運動目標，但對光照及外部條件引起的動態(tài)場景變化過于敏感；光流法是基于對光流場的估算進行檢測分割的方法，計算復(fù)雜，須有特殊硬件設(shè)備支持，實時性差；幀差法是根據(jù)圖像中像素點的灰度差計算出運動物體的位置和形狀等信息，這種方法對于動態(tài)環(huán)境有很好的適應(yīng)性，算法簡單，易于實現(xiàn)，但不能提取出較完整的運動目標。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，計算簡單，實驗結(jié)果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

2 融合邊緣檢測的四幀差分運動目標檢測

2.1 預(yù)處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對圖像進行灰度化。另外，圖像獲取過程中不可避免的存在諸如斑點噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對原始圖像進行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強抗干擾能力。

2.2 Canny 邊緣檢測算法

邊緣作為圖像的最基本特征廣泛存在于目標物與背景之間、目標物與目標物之間，在圖像處理中有著重要的作用和廣泛的應(yīng)用。目前常用的邊緣檢測算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡單，易于實現(xiàn)且具有很好的實時性，但抗干擾性能差，對噪聲較敏感且邊緣的精度有待提高?；谧顑?yōu)化算法的 Canny 邊緣檢測算子，是先采用高斯函數(shù)對圖像進行平滑處理，再進行邊緣檢測，提取的邊緣線形連接較為完整，定位準確性較高，效果較好。本文采用此方法對序列幀圖像進行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強度局部的最大值的方法來得到邊緣信息，圖像梯度的計算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測的精度，Canny采用雙閾值來提取邊緣像素點。如果梯度強度不滿足高閾值的檢測條件，但是與己檢測出的較強邊緣點相連接，并且滿足低閾值條件，則確定為弱邊緣點。雙閾值法使得采用Canny算子提取邊緣點更具有魯棒性。

Canny算法的實現(xiàn)步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對需要處理的圖像進行平滑濾波，得到平滑圖像；

（2）梯度計算：用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向；

（3）量化梯度方向：對梯度方向進行量化，使其只有8個方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對于每一個梯度強度非零的像素點，查找沿其量化后的梯度方向的兩個相鄰像素點，然后通過閾值判斷為非邊緣點還是候選邊緣點；

（5）雙閾值判決：設(shè)定雙閡值，進一步判斷候選邊緣點為強邊緣點、弱邊緣點還是非邊緣點；

（6）邊緣連接：對于弱邊緣點，如果它與強邊緣點在8連通區(qū)域相連，則該點記為弱邊緣點，同時將其邊緣提取置為1，所有標記為1的點就成了最后的邊緣。

2.3 連續(xù)四幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測出運動目標的輪廓，但其所檢測出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時傳統(tǒng)三幀差分算法不能完整提取目標信息。本文采用如下改進幀間差分法，即連續(xù)四幀差分算法，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設(shè)預(yù)處理后的連續(xù)四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運算，得到差分結(jié)果：

（1）

（2）

然后將差分后的結(jié)果D1與D2二值化處理后進行“與”運算，得到結(jié)果DA=D1D2，“與”運算能夠有效的克制目標重疊現(xiàn)象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。本文算法整體流程如圖1所示。

2.5 形態(tài)學(xué)處理

由于干擾因素的存在，導(dǎo)致我們得到的二值化圖像中往往會出現(xiàn)噪聲及空洞，可以通過數(shù)學(xué)形態(tài)學(xué)對其進行后處理。首先采用腐蝕運算消除二值圖像中的孤立噪聲點，再采用膨脹運算來填充運動目標的邊緣空洞。

3 實驗對比

本文采用 Matlab 進行仿真實驗，為驗證算法的有效性，分別利用傳統(tǒng)三幀差分法、四幀差分法以及本文算法對同一組 AVI 視頻序列圖像進行測試。檢測結(jié)果如圖2所示。

分別采用傳統(tǒng)三幀差分算法、四幀差分算法及本文算法對原始圖像進行處理，原始圖像中右邊白色衣服人物是靜止不動的，處理結(jié)果如圖2所示。由圖可知，采用傳統(tǒng)三幀差分算法檢測到的目標輪廓不連續(xù)，四幀差分法得到的圖像目標輪廓更清晰，內(nèi)容更為豐富，但輪廓依然不完整，而采用本文算法檢測得到的目標輪廓更加完整清晰，結(jié)果準確。

4 結(jié)論

本文融合圖像邊緣信息與四幀差分對運動目標進行檢測，首先采用Canny邊緣檢測算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運動目標輪廓，最后通過后期一系列處理提取出準確完整的運動目標區(qū)域。實驗結(jié)果表明本文算法能夠快速準確檢測出運動目標，進一步改進了傳統(tǒng)三幀差分目標輪廓不連續(xù)現(xiàn)象，計算簡單，可滿足實時性檢測需求。

參考文獻

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運動目標檢測與跟蹤方法分析[J].現(xiàn)代電子技術(shù)，2009.

[2]蔣.人體運動目標檢測與跟蹤關(guān)系問題研究[D].中南林業(yè)科技大學(xué)，2013.

[3]劉辰飛.智能視頻監(jiān)控系統(tǒng)中運動目標的檢測與跟蹤[D].濟南大學(xué)，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測的運動目標檢測[J].計算機系統(tǒng)應(yīng)用，2014，23（1）.

[5]許錄平.數(shù)字圖像處理[M].北京：科學(xué)出版社，2007.

[6]張德豐.MATLAB 數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2009.

[7]邵廣安.視頻監(jiān)控中運動目標檢測與跟蹤方法的研究[D].南昌大學(xué)，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進 Canny 算子與圖像形態(tài)學(xué)融合的邊緣檢測方法[J].微型機與應(yīng)用，2011，30（10）

作者簡介

張鵬（1988-），男，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士研究生。主要研究方向為信號與信息處理、圖像處理。

李思岑（1989-），女，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士研究生。主要研究方向為嵌入式技術(shù)及應(yīng)用、圖像處理。

楊燕翔（1963-），男，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士生導(dǎo)師。主要研究方向為現(xiàn)代信號處理、嵌入式技術(shù)及應(yīng)用。

篇7

關(guān)鍵字：計算機視覺； 公路標識線； 圖像分割； 數(shù)學(xué)形態(tài)學(xué)； 識別

1.引言

20世紀80年代，伴隨著與機器人技術(shù)密切相關(guān)的計算機、電子、通信技術(shù)的飛速發(fā)展，智能車輛進入了深入、系統(tǒng)、大規(guī)模研究階段并且取得了突破性的發(fā)展[1，2]，如國外的有德國的VaMP車輛系統(tǒng)[3]、美國的NavLab系統(tǒng)[4，5]等，國內(nèi)的有清華大學(xué)的THMR-V[6]、吉林大學(xué)最新研制的JLUIV-IV等。在智能車輛導(dǎo)航技術(shù)方面，計算機視覺系統(tǒng)與初期的地下埋電纜的方式以及道路中間鋪設(shè)磁塊導(dǎo)航的方式等相比有著價格低廉，用途多樣，結(jié)構(gòu)簡單，能方便與其他傳感器進行數(shù)據(jù)融合等特點，所以有著廣泛的應(yīng)用前景。智能車輛導(dǎo)航的第一步是道路的檢測與識別。高速公路運輸?shù)母咝?、大運量、低成本等優(yōu)勢使研究智能車輛面向高速公路的道路的檢測與識別算法很有必要。道路識別就是分析智能車輛的預(yù)瞄圖像，檢測出車輛相對于車道的偏差，并將偏差信息送給車輛系統(tǒng)，從而實現(xiàn)汽車“防偏安全行駛”。本文描述的一種對預(yù)瞄圖像進行圖像分割、數(shù)學(xué)形態(tài)學(xué)濾波、輪廓提取，改進的區(qū)域填充等識別出道路標識線的算法，實驗表明具有良好的實時性、可靠性。

本文所用的圖像處理方法并不需要考慮圖像降質(zhì)的原因，只將圖像中感興趣的特征能有選擇地突出，衰減其不需要的特征。為了減少運算時間我們首先將圖像由24位的RGB格式轉(zhuǎn)為256色的灰度圖像，整個實驗的處理流程如圖1所示，下面分別闡述各部分的原理。

2.1 圖像分割f （x，y）

圖像分割是對圖像進一步分析、識別的前提，分割的準確性將直接影響后續(xù)處理技術(shù)的有效性。圖像分割的方法有多種，比如閾值分割，區(qū)域分裂與合并以及區(qū)域生長等。本文選用的是閾值分割，閾值分割時最常用的一種圖像分割技術(shù)，其特點是操作簡單，基本原理是通過設(shè)定不同的特征閾值，把圖像像素點分為若干類。設(shè)初始圖像為f （x，y），按照一定的準則在f （x，y）中找到特征值T，將圖像分割為兩個部分――前景或者背景，分割后的圖像為：若取b0=0（黑），b1=1（白）即為我們通常所說的圖像二值化。然而T的選擇將直接影響分割的準確性以及由此產(chǎn)生的圖像描述、分析的正確性。確定T的方法有多種，比如直方圖變化法，Otsu法，迭代閾值算法等。本文主要研究并實現(xiàn)了迭代閾值法[7]，算法步驟為：

2.2 數(shù)學(xué)形態(tài)學(xué)

腐蝕是一種最基本的數(shù)學(xué)形態(tài)運算，其作用是消除物體邊界點，使邊界向內(nèi)部收縮過程，可以把小于結(jié)構(gòu)元素的物體去除。這樣選取不同大小的結(jié)構(gòu)元素，就可以去除不同大小的物體。每當在目標圖像中找到一個與結(jié)構(gòu)元素相同的子圖像時，就把該子圖像中結(jié)構(gòu)元素的原點位置對應(yīng)的那個像素位置標注出來，目標圖像上被標注出來的所有像素組成的集合，即為腐蝕運算的結(jié)果。其實質(zhì)就是在目標圖像中標出那些與結(jié)構(gòu)元素相同的自圖像的原點位置的像素。設(shè)a為目標圖像，b為結(jié)構(gòu)元素，則目標圖像a被結(jié)構(gòu)元素b腐蝕的數(shù)學(xué)表達式為：

其中，x表示集合平移的位移量， 是腐蝕運算的運算符。

膨脹是數(shù)學(xué)形態(tài)學(xué)的另一種基本運算。膨脹的作用與腐蝕剛好相反，其作用是是對二值化物體邊界點進行擴充，將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程。如果兩個物體之間的距離比較近，則膨脹運算可能會把兩個物體連通到一起，膨脹對填補圖像分割后物體中的空洞很有用。其實質(zhì)就是先對結(jié)構(gòu)元素b做關(guān)于其原點的反射得到反射集合bv，然后在目標圖像a上將bv平移x，則那些bv平移后與目標圖像a至少有一個非零公共元素相交時，對應(yīng)的原點位置所組成的集合就是膨脹運算的結(jié)果。

設(shè)a為目標圖像，b為結(jié)構(gòu)元素，則目標圖像a被結(jié)構(gòu)元素b膨脹的數(shù)學(xué)表達式為：

其中，x表示集合平移的位移量， 是膨脹運算的運算符。

開運算也是數(shù)學(xué)形態(tài)學(xué)中的一種基本運算，使用同一個結(jié)構(gòu)元素對目標圖像先進行腐蝕運算，再進行膨脹運算的過程。原圖經(jīng)過開運算后，能夠去除孤立的小點、毛刺和小的連通區(qū)域，去除小物體，平滑大物體的邊界，同時并不明顯改變面積。設(shè)a為目標圖像，b為結(jié)構(gòu)元素，則結(jié)構(gòu)元素b對目標圖像a的開運算數(shù)學(xué)表達式為：

2.3 輪廓提取與邊界跟蹤

輪廓提取的目的是獲取目標區(qū)域的外部輪廓特征，為形狀分析和目標識別做準備。二值圖像的輪廓提取算法很簡單，就是掏空目標區(qū)域的內(nèi)部點。假設(shè)圖像的目標像素是白色，背景像素是黑色，則如果圖像中的某個像素為黑色，且它的8個鄰點都是黑色時，表明該點是內(nèi)部點，否則是邊界點。將判斷出的內(nèi)部像素置為背景色，對所有內(nèi)部像素執(zhí)行操作便可完成圖像輪廓的提取。所謂的邊界跟蹤就是依次記錄下邊界上的各個像素，是按照某種順序依次找出物體上的其余像素，直到又回到起始點，完成整條邊界的跟蹤。本文按照從左到右，從上到下的順序掃描圖像，找到目標物體最左邊的邊界點P0，顯然，這個點的左側(cè)及上側(cè)都不可能存在邊界點，因此不妨從左下方向逆時針開始探查，如左下方的點是黑點，直接跟蹤至此邊界點，否則探查方向逆時針45度，直至找到第一個黑點為止，跟蹤至此邊界點。找到邊界點后，在當前探查方向的基礎(chǔ)上順時針回轉(zhuǎn)90度，繼續(xù)用上述方法搜索下一個邊界點，直到探查又回到初始過程的邊界點P0，則可完成整條邊界的跟蹤[8]。

2.4 種子區(qū)域填充

種子區(qū)域填充就是在已有的邊界內(nèi)取一點，從改點開始填充整個邊界包圍的區(qū)域，取得該點就是“種子”。對于4連通的邊界，其圍成的內(nèi)部區(qū)域是8連通的，而8連通的邊界圍成的內(nèi)部區(qū)域卻是4連通的。其算法概要如下：

種子的選取時種子區(qū)域填充的關(guān)鍵所在，一般的情況下是將種子點選在圖像的中間或通過人工選擇種子點，這些都不能滿足智能車輛的要求。由于本文研究的是高速公路的道路識別，因其道路平坦，障礙物少等原因，我們可以通過先驗知識將車載攝像頭的角度調(diào)制到一定角度以減少我們不感興趣的區(qū)域。本文通過研究與實驗發(fā)現(xiàn)將種子點設(shè)置為高度的1/2，寬度的1/5能達到本文的要求。具體效果在實驗分析可見。

3.實驗結(jié)果與分析

在進行圖像分割后可以獲得道路的二值圖。圖2針對此二值圖依次進行數(shù)學(xué)形態(tài)學(xué)濾波，輪廓提取與邊界跟蹤，種子區(qū)域填充，開運算去除噪聲。下面是每步運行完的效果圖以及最終的道路標志線識別圖。

4.結(jié)論

本文對車載攝像系統(tǒng)采集的圖像進行圖像分割、數(shù)學(xué)形態(tài)學(xué)濾波、輪廓提取，改進的區(qū)域填充等算法識別出道路標識線，通過調(diào)節(jié)車載攝像機的角度獲取感興趣區(qū)域，減少圖像處理時間和提高道路識別的可靠性。實驗表明，該算法在彎道和直道的道路標志線的識別具有良好的實時性、可靠性。

參考文獻

[1] Figueiredo L， Jesus I，Machado， J A T_ Towards the development of intelligent transportation systems [C].Intelligent Transportation Systems， Proceedings IEEE， 2001：1206-1211.

[2] 楊東凱，吳令培，張其善. 智能交通系統(tǒng)（工TS）的發(fā)展及其模型化研究[J]. 北京航空航天大學(xué)學(xué)報，2000，26（1）： 22-25.

[3] Dickmanns E D， etc. The Seeing Passenger Car‘VaMoRs-P’[C]. Proceedings 1994 IEEE Symposia on Intelligent Vehicle. IEEE Press Piscataway， N J， 1994：68-73.

[4] Jochem T M， Balu}a S. A Massively Parallel Road Follower[C] .Computer Architectures for Machine Perception， 1993：2-12.

[5] Thorpe C， Hebert M H， etc. Vision and Navigation for the Carnegie- Mellon Navlab [J]. IEEE Transaction on Pattern and Machine Intelligence. 1988， PAMI-10（3）：362-373.

[6] ，徐光. 視覺導(dǎo)航的多尺度全方位時空圖像綜合理解[J]. 清華大學(xué)學(xué)報（自然科學(xué)版），1997.37（3）： 12-15.

篇8

關(guān)鍵字：片劑；表面缺陷；邊緣檢測；算法比較

中圖分類號：TP391.41 文獻標識碼：A文章編號：1007-9599 (2011) 11-0000-02

Edge Detection Algorithm Comparison and Implementation in Tablet Surface Defect Detection Method

Li Guopei Xiao Lijing Zeng Jiexian

(Jiangxi Nanchang Hangkong University,Nanchang330063,China)

Abstract:This paper analyzes several edge detection algorithm and the basic principles,

comparing the advantages and disadvantages of each operator by VC + + programming tools for the operator above the tablet surface defect image edge extraction,and the experimental results concluded,Sobel operator in this project better than the other operators.Thus,in a different edge detection programs should be based on the actual situation,choose the most suitable edge detection for image processing in order to obtain the best experimental results.

Keywords:Tablets;Surface defects;Edge detection;Algorithm comparison

一、引言

邊緣檢測在圖像處理與計算機視覺中占有特殊的位置，它是底層視覺處理中重要的環(huán)節(jié)之一，也是實現(xiàn)基于邊界的圖像分割的基礎(chǔ) [1]。一直以來，學(xué)者對這一問題做了很多的的研究，除了常用的局部算子及以后在此基礎(chǔ)上發(fā)展起來的種種改進方法外，又提出了許多新的技術(shù)，其中突出的有LOG、用Facet模型檢測邊緣、Canny的最佳邊緣檢測、統(tǒng)計濾波檢測以及隨斷層技術(shù)興起的三維邊緣檢測[2，3]。在片劑的缺陷檢測與識別中，提取片劑圖像邊緣和缺陷邊緣是研究的重點，也是缺陷識別的基礎(chǔ)，因此，做好對片劑圖像邊緣的檢測和提取非常有必要。

二、邊緣檢測算法原理

邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊界提取技術(shù)大都基于微分運算。首先通過平滑來濾除圖像中的噪聲，然后進行一階微分或二階微分運算，求得梯度最大值或二階導(dǎo)數(shù)的過零點，最后選取適當?shù)拈撝祦硖崛∵吔纭＝?jīng)典的邊緣檢測算子包括：Roberts算子，Prewitt算子，Sobel算子，Log （Laplacian of Gaussian）算子等，下面將這些算子進行介紹：

（一）Roberts邊緣算子。Roberts算子是一種利用局部差分算子尋找邊緣的算子，由下式給出：

（2-1）

其中 是具有整數(shù)像素坐標的輸入圖像，平方根運算使該處理類似于在人類視覺系統(tǒng)中發(fā)生的過程。

（二）Sobel邊緣算子。Sobel邊緣算子的卷積和如圖2.1所示，圖像中的每個像素都用這兩個核做卷積。這兩個核分別對垂直邊緣和水平邊緣響應(yīng)最大，兩個卷積的最大值作為該點的輸出位。運算結(jié)果是一幅邊緣幅度圖像。

Sobel算子認為鄰域的像素對當前像素產(chǎn)生的影響不是等價的，所以距離不同的像素具有不同的權(quán)值，對算子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越大，產(chǎn)生的影響越小。

（三）Prewitt邊緣算子。Prewitt邊緣算子的卷積和如圖2.2所示，圖像中的每個像素都用這兩個核做卷積，取最大值作為輸出，也產(chǎn)生一幅邊緣幅度圖像。

Prewitt算子在一個方向求微分，而在另一個方向求平均，因而對噪聲相對不敏感，有抑制噪聲作用。

（四）Laplacian邊緣算子。拉普拉斯算子一種二階邊緣檢測算子，它是一個線性的、移不變算子。是對二維函數(shù)進行運算的二階導(dǎo)數(shù)算子，對一個連續(xù)函數(shù) 它在圖像中的位置 ，拉普拉斯值定義為：

（2-2）

Laplacian算子利用二階導(dǎo)數(shù)信息，具有各向同性，即與坐標軸方向無關(guān)，坐標軸旋轉(zhuǎn)后梯度結(jié)果不變。使得圖像經(jīng)過二階微分后，在邊緣處產(chǎn)生一個陡峭的零交叉點，根據(jù)這個對零交叉點判斷邊緣。其4鄰域系統(tǒng)和8鄰域系統(tǒng)的Laplacian算子的模板分別如圖2.3和圖2.4所示。

通常使用的拉普拉斯算子3×3模板如圖2.5所示：

（五）Log邊緣算子。馬爾（Marr）和希爾得勒斯（Hildreth）根據(jù)人類視覺特性提出了一種邊緣檢測的方法，該方法將高斯濾波和拉普拉斯檢測算子結(jié)合在一起進行邊緣檢測的方法，故稱為Log（Laplacian of Gassian ）算法。也稱之為拉普拉斯高斯算法。該算法的主要思路是：先用高斯函數(shù)對圖像濾波，然后對濾波后的圖像進行拉普拉斯運算，算得的值等于零的點認為是邊界點。用數(shù)學(xué)公式表示為：

（2-3）

在實際使用中，常常對LOG算子進行簡化，使用差分高斯函數(shù)（DOG）代替LOG算子。

（2-4）

拉普拉斯算子對圖像中的噪聲相當敏感，而且它常產(chǎn)生雙像素寬的邊緣，也不能提供邊緣方向的信息。高斯-拉普拉斯算子是效果較好的邊沿檢測器，常用的5×5模板的高斯－拉普拉斯算子如圖2.6所示：

（六）Canny邊緣算子。Canny邊緣檢測基本原理：具有既能濾去噪聲又保持邊緣特性的邊緣檢測最優(yōu)濾波器，其采用一階微分濾波器。采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器，通過與圖像卷積進行濾波；然后對濾波后的圖像尋找圖像梯度的局部最大值，以此來確定圖像邊緣。根據(jù)對信噪比與定位乘積進行測度，得到最優(yōu)化逼近算子。Canny類似于LOG邊緣檢測方法，也屬于先平滑后求導(dǎo)數(shù)的方法。

Canny邊緣檢測算法：首先，用高斯濾波器平滑圖象；其次，用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向；再其次，對梯度幅值進行非極大值抑制；最后，用雙閾值算法檢測和連接邊緣。

三、對片劑表面圖像實驗及結(jié)果分析

本次實驗的邊緣檢測程序由Visual C++語言編寫[4]，本項目通過使用以上各算子對片劑進行邊緣檢測，并挑選出經(jīng)典的幾種檢測出的結(jié)果進行比較。

通過對以上實驗圖的比較，可以看出，Laplacian of Gassian算子檢測出的邊緣存在很多噪聲，輪廓不清晰，產(chǎn)生了很多虛假邊緣；prewitt算子能較全面地檢測出邊緣，但邊緣不夠細銳，而且模糊；sobel算子檢測出的邊緣輪廓清晰，虛假邊緣少，更易于后期的缺陷提取和識別。

四、結(jié)論

通過邊緣檢測算子理論和實驗的各種分析比較，各種不同的算子對同一片劑圖像會產(chǎn)生不同的邊緣提取效果，且邊緣檢測算子各有優(yōu)缺點，但是針對于不同的實驗應(yīng)該選取不同的邊緣檢測算子，比如Canny算子雖然是基于最優(yōu)化思想推導(dǎo)出的邊緣檢測算子，但實際效果并不一定最優(yōu)。Laplacian of Gassian算子對噪聲很敏感，產(chǎn)生了很多虛假的邊緣。Sobel算子檢測的效果明顯優(yōu)于其它算子，適合本項目的邊緣檢測。

參考文獻：

[1]張德豐.數(shù)字圖像處理.北京:人民郵電出版社,2009,10

[2]Sharifi M,Fathy M,Mahmoudi M T.A Classified and Com-parative Study of Edge Detection Algorithms[A].Information Technology：Coding and Computing,2002,International Conference[C].[s.l.]:[s.n.],2002:117-120

[3]劉晨,張東.邊緣檢測算子研究及其在醫(yī)學(xué)圖像中的應(yīng)用[J].計算機技術(shù)與發(fā)展,2006,8

[4]張宏林.精通Visual C++數(shù)字圖像處理典型算法及實現(xiàn)（第二版）[M].北京:人民郵電出版社,2008:325-348

篇9

關(guān)鍵詞：運動目標檢測，幀差法，中值濾波法，混合高斯分布法

目前背景提取的算法很多，有基于時間軸的濾波方法，如中值濾波；有基于統(tǒng)計模型的方法，如混合高斯分布模型。雖然方法很多，但是很難找到一種在各種情況下都表現(xiàn)最好的算法。本文主要比較幀差法，中值濾波，混合高斯濾波在不同情況下的性能優(yōu)劣。

1 幀差法

幀差法是最為常用的運動目標檢測和分割方法之一，基本原理就是利用基于時間序列圖像中相鄰兩幀或者幾幀圖像逐個像素進行對比得到一副差值圖像，然后通過事先確定的閾值對差值圖像進行二值化處理。在環(huán)境亮度變化不大的情況下，如果對應(yīng)像素值變化小于事先確定的閾值時，可以認為此處為背景像素如果圖像區(qū)域的像素值變化很大，可以認為這是由于圖像中運動物體引起的，將這些區(qū)域標記為前景像素，利用標記的像素區(qū)域可以確定運動目標在圖像中的位置。

簡單的兩幀差對噪聲有一定的敏感性，而且對象運動的速度不能太快，否則由于背景被運動物體的遮擋和重現(xiàn)使得計算出的運動區(qū)域的掩模要大于運動物體的尺寸。兩幀間運動物體的位移越大，這種差距就越大。由于相鄰兩幀間的時間間隔非常短，用前一幀圖像作為當前幀的背景模型具有較好的實時性，其背景不積累，且更新速度快、算法簡單、計算量小。

2中值濾波

選擇像素灰度，通過包含運動目標的序列幀提取初始背景。對視頻中的任意一個像素點，只有在前景運動目標通過該點時，它的灰度值才會發(fā)生明顯變化，其余大部分時間處，該點的灰度值是基本保持不變的，總是在一個區(qū)域內(nèi)波動，因此可以用這個區(qū)域內(nèi)的中值作為該點的背景值。

若有L幀視頻圖像，只有當L幀圖像內(nèi)有一半以上是背景的灰度值，目標灰度和噪聲很少的情況下，該算法才具有可行性。在該算法中，L的選擇很關(guān)鍵，如果取值過大，算法的運算時間較長，若小，檢測運動緩慢的目標時將會產(chǎn)生漏檢，甚至出現(xiàn)空洞現(xiàn)象。

3混合高斯

建立背景模型，假定初始背景中不含運動目標。其基本思想是：對于每個像素，定義K（基本為3～5個，K值越大處理波動的能力越強）個高斯模型來表征圖像中各個像素點的特征，在新一幀圖像獲得后更新混合高斯模型。用當前圖像中的每個像素點與混合高斯模型匹配，如果成功則判定該點為背景點.否則為前景點。若每個像素點顏色取值用變量 表示，其概率密度函數(shù)為：

4 實驗結(jié)果與分析

本文所用仿真軟件是MATLAB2012b，圖4.1研究了將彩色圖像轉(zhuǎn)換成灰度圖像，然后通過幀差法進行背景建模。算法的不足在于對環(huán)境噪聲較為敏感，對于比較大的、顏色一致的運動目標，有可能在目標內(nèi)部產(chǎn)生空洞，無法完整地提取運動目標。幀間差分法只能應(yīng)用在攝像機靜止情況下的動態(tài)目標檢測。

圖4.1 視頻traffic1中的第九幀 （幀差法）

圖4.2研究了將彩色圖像轉(zhuǎn)換成灰度圖像，然后通過灰度值的中值來進行背景建模?？傮w來說中值法的效果比幀差法的效果理想。該算法存在的問題在于：圖像幀的像素點大多以數(shù)萬，數(shù)十萬的數(shù)量級出現(xiàn)，而用于取中值的圖像幀數(shù)量L也應(yīng)該比較大。對如此大的數(shù)組進行排序取出中值，實現(xiàn)時計算量較大，處理較慢。同時需要占用大量的內(nèi)存單元用于存儲數(shù)據(jù)。

圖4.2 視頻traffic1中的第九幀（中值法）

圖4.3利用混合高斯法進行背景建模。混合高斯適應(yīng)背景隨時間的緩慢變化，能描述背景中的一些較大的周期性擾動，能適應(yīng)背景內(nèi)容的變化。但是無法精確提取緩慢運動的目標，不能適應(yīng)背景的突然變化，存在噪聲，陰影時容易導(dǎo)致誤檢或者漏檢的現(xiàn)象。混合高斯更適應(yīng)于外部環(huán)境比較復(fù)雜的情況。

圖4.3 視頻traffic1中的第九幀（混合高斯法）

5 結(jié)束語

通過實驗發(fā)現(xiàn)，幀差法和中值濾波法適合特定的場合，即外部擾動比較小的情況，混合高斯法在外部環(huán)境變化較大的情況下效果更好。

參考文獻：

[1] R. Cucchiara， M. Piccardi， and A. Prati， "Detecting moving objects， ghosts， and shadows in video streams，" IEEE Transactions on Pattern Analysis and Machine Intelligence 25， pp. 1337-1342， Oct 2003.

[2] B. Lo and S. Velastin， "Automatic congestion detection system for underground platforms，" in Proceedings of 2001 International symposium on intelligent multimedia， video， and speech processing， pp. 158-161， （Hong Kong）， May2001.

[3] Q. Zhou and J. Aggarwal， "Tracking and classifying moving objects from videos，" in Proceedings of IEEE Workshop on Performance Evaluation of Tracking and Surveillance， 2001.

篇10

掃描志愿者的人體尺寸基于中國標準化研究院2009年進行的中國成年人人體尺寸測量結(jié)果，該測量的樣本容量為3,000人，年齡跨度為18~70歲，測量項目共計161項。該志愿者的尺寸選擇參照與測量結(jié)果中的中國成年人男性50百分位的尺寸，由于志愿者很難達到每一項都完全符合50百分位，因此著重考慮其中6項，即身高、體重、胸圍、腰圍、臀圍及肩峰寬，該6項較為重要的人體尺寸的2009年中國標準化研究院最新測量結(jié)果以及目前最新的所公布的1988年中國成年人人體尺寸數(shù)據(jù)見表1。

2志愿者掃描

CT的全稱為computedtomography，即電子計算機斷層掃描，最早起源于1967年，由Hounsfield設(shè)計研發(fā)。CT掃描的基本原理是人體內(nèi)各組織器官對X射線具有不同的透過與吸收比，基于該透過與吸收比通過高靈敏度的相關(guān)儀器進行測量，然后通過電子計算機保存所測量的數(shù)據(jù)并進行相關(guān)處理，即可得到所測量的組織或器官的斷面圖像。CT掃描對生物醫(yī)學(xué)中復(fù)雜結(jié)構(gòu)重建可以提供良好的斷面成像。以中國標準化研究院2009年的人體尺寸測量結(jié)果為目標，選擇了一名身體各器官、骨骼等組織均無病變及相關(guān)病史且符合中國成年人男性50百分位尺寸的健康男性志愿者作為CT掃描對象。志愿者各項人體尺寸的測量方法與標準化研究院的尺寸測量方法一致，具體參考GB5703-2010《人體測量方法》[2]與GJB4856《中國男性飛行員人體尺寸測量》[3]，但由于缺乏專業(yè)的測量設(shè)備，因此只能按照相關(guān)的測量方法（如圖1所示）大致進行尺寸測量。經(jīng)過實地測量，該志愿者的主要6項人體尺寸與2009年中國標準化研究院所測量的中國成年人男性50百分位、45百分位及55百分位的尺寸對比如圖2所示，可知該志愿者的主要6項尺寸與中國成年人男性50百分位尺寸均較為符合。CT掃描如圖3所示，所使用的機器為美國通用多螺旋CT機，型號為LightSpeedVCT，掃描的具體參數(shù)為：管電壓120kV，管電流10mA，層厚0.625mm，層間距0.625mm，床速78.74mm/sec。全身CT掃描共計1,529張斷層圖像，以DICOM格式存儲，DICOM是美國國家電氣制造商協(xié)會制定的醫(yī)學(xué)圖像儲存與交換的標準格式，相比于CT掃描的膠片，DICOM格式的圖像更加清晰、儲存更加便捷，且所有像素點的坐標均可保證準確無誤[4]。圖4為具有代表性的志愿者CT掃描斷層圖像。通過CT掃描的斷層圖像對于胸腹部內(nèi)臟等器官組織的建模較難實現(xiàn)，還需借助于MRI磁共振成像掃描。MRI磁共振成像是用于檢查身體解剖學(xué)及生理學(xué)的醫(yī)用圖像技術(shù)，利用磁場及無線電波來對身體進行成像，可以更清晰地重現(xiàn)內(nèi)臟及韌帶等組織器官。對該志愿者進行d胸腹部內(nèi)臟的MRI掃描如圖5所示，掃描儀器型號為SIEMENSMAGNETOMAera1.5T，層厚為1.5mm。

3提取掃描點云數(shù)據(jù)

將CT及MRI掃描的DICOM數(shù)據(jù)導(dǎo)入醫(yī)學(xué)影響處理軟件Mimics中，通過閾值分割，基于骨骼、內(nèi)臟等在掃描圖像中的不同灰度值可分別進行提取，提取的點云數(shù)據(jù)可用于三維CAD幾何建模。圖6為基于該CT掃描的胸腹部骨骼的三維重建點云模型示例。

4結(jié)語