• <input id="zdukh"></input>
  • <b id="zdukh"><bdo id="zdukh"></bdo></b>
      <b id="zdukh"><bdo id="zdukh"></bdo></b>
    1. <i id="zdukh"><bdo id="zdukh"></bdo></i>

      <wbr id="zdukh"><table id="zdukh"></table></wbr>

      1. <input id="zdukh"></input>
        <wbr id="zdukh"><ins id="zdukh"></ins></wbr>
        <sub id="zdukh"></sub>
        公務員期刊網 精選范文 數字圖像處理綜述范文

        數字圖像處理綜述精選(九篇)

        前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的數字圖像處理綜述主題范文,僅供參考,歡迎閱讀并收藏。

        數字圖像處理綜述

        第1篇:數字圖像處理綜述范文

        關鍵詞:數字圖像 圖像處理 數字技術 應用

        一、數字圖像處理綜述

        數字圖像處理(Digital Image Processing)又稱為計算機圖像處理,它是指將圖像信號轉換成數字信號并利用計算機對其進行處理的過程。

        數字圖像處理最早出現于20世紀50年代,當時的電子計算機已經發展到一定水平,人們開始利用計算機來處理圖形和圖像信息,數字圖像處理作為一門學科大約形成于20世紀60年代初期,早期的圖像處理的目的是改善圖像的質量,它以人為對象,以改善人的視覺效果為目的。圖像處理中,輸入的是質量低的圖像,輸出的是改善質量后的圖像,常用的圖像處理方法有圖像增強、復原、編碼、壓縮等。

        首次獲得實際成功應用的是美國噴氣推進實驗室(JPL),他們對航天探測器徘徊者7號在1964年發回的幾千張月球照片使用了圖像處理技術,如幾何校正、灰度變換、去除噪聲等方法進行處理,并考慮了太陽位置和月球環境的影響,由計算機成功地繪制出月球表面地圖,獲得了巨大的成功。隨后又對探測飛船發回的近十萬張照片進行更為復雜的圖像處理,以致獲得了月球的地形圖、彩色圖及全景鑲嵌圖,獲得了非凡的成果,為人類登月創舉奠定了堅實的基礎,也推動了數字圖像處理這門學科的誕生。在以后的宇航空間技術,醫學技術中數字圖像處理技術都發揮了巨大的作用。

        從70年代中期開始,隨著計算機技術和人工智能、思維科學研究的迅速發展,數字圖像處理向更高、更深層次發展,人們已開始研究如何用計算機系統解釋圖像,實現類似人類視覺系統理解外部世界,這被稱為圖像理解或計算機視覺。很多國家,特別是發達國家投入更多的人力、物力到這項研究,取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的視覺計算理論,這個理論成為計算機視覺領域其后十多年的主導思想。圖像理解雖然在理論方法研究上已取得不小的進展,但它本身是一個比較難的研究領域,存在不少困難,因人類本身對自己的視覺過程還了解甚少,因此計算機視覺是一個有待人們進一步探索的新領域。

        二、國內外研究現狀

        目前,國內圖像識別的算法研究多是關于數字、文字、人臉、以及醫用病理方面的較多,對產品內表圖像進行分析識別、分類的還很少。國內已研制出了具有先進水平的高精度內表檢測系統和裝置,如何對產品零部件的外形,尺寸進行較高精度測量的激光在線檢測系統等,但迄今為止,尚無能對生產出的產品內表面進行自動檢測和識別的系統。應用CCD、電子、計算機技術檢測內表面的實時自動檢測技術在國內正處于剛剛起步的階段,對內表面圖像進行分析識別、分類的軟件系統還沒有十分完善,現在的識別算法對圖像中的疵病部分定位不是很準確,對疵病的范圍、大小、方位不能做定量分析,只能作定性分析,精度低,采用的傳統的最小距離等分類器在圖像復雜且類別多時,很難表示和提取特征,進行圖像識別十分困難。

        國外關于圖像識別中的圖像分割,特征信號提取,邊緣檢測,紋理識別等的算法已經取得了一定的成果,提出了一些新方法,如利用直線分割來識別三維人臉,通過子圖匹配法在相鄰區域間識別不同目標,用雙值微波仿射不變函數識別二維形形狀等等,近年來,國外基于圖像識別與分類技術的圖像檢索,人臉識別,字體識別發展十分迅速。

        在國外,為提高自動目標識別能力而開發的算法現在正被引入許多偵測和成像系統之中,圖像分割、特征信號探測和析取、靜止目標的模式識別等方面已取得了很大進步,這一自動目標識別能力大大減輕了操作人員的工作負擔。如美國正在加緊自動檢測能力與自動目標識別的研究工作,并在硬件能力的基礎上開發多種用于信號圖像處理的算法和開展各種算法軟件的研制,包括相關法(匹配濾波器技術)、自適應多維處理法、基于模型的方法等。

        三、數字圖像處理的應用

        圖像是人類獲取和交換信息的主要來源,因此,圖像處理的應用領域必然涉及到人類生活和工作的方方面面,隨著人類活動范圍的不斷擴大,圖像處理的應用領域也將隨之不斷擴大。

        1、航天和航空技術方面的應用

        數字圖像處理技術在航天和航空技術方面的應用,除了JPL對月球、火星照片的處理之外,另一方面的應用是在飛機遙感和衛星遙感技術中。現在世界各國都在利用陸地衛星所獲取的圖像進行資源調查,災害檢測,資源勘察,農業規劃,城市規劃,我國也陸續開展了以上諸方面的一些實際應用,并獲得了良好的效果。在氣象預報和對太空其它星球研究方面,數字圖像處理技術也發揮了相當大的作用。

        2、生物醫學工程方面的應用

        數字圖像處理在生物醫學工程方面的應用十分廣泛,而且很有成效。除了一般的CT技術之外,還有一類是對醫用顯微圖像的處理分析,如紅細胞、白細胞分類,染色體分析,癌細胞識別等,此外,在X光肺部圖像增晰、超聲波圖像處理、心電圖分析、立體定向放射治療等醫學診斷方面都廣泛地應用圖像處理技術。

        3、通信工程方面的應用

        當前通信的主要發展方向是聲音、文字、圖像和數據結合的多媒體通信。具體地講是將電話、電視和計算機以三網合一的方式在數字通信網上傳輸。其中以圖像通信最為復雜和困難,因圖像的數據量十分巨大,如傳送彩色電視信號的速率達100Mbit/s以上,要將這樣高速率的數據實時傳送出去,必須采用編碼技術來壓縮信息的比特量。在一定意義上講,編碼壓縮是這些技術成敗的關鍵。除了已應用較廣泛的熵編碼、DPCM編碼、變換編碼外,目前國內外正在大力開發研究新的編碼方法,如分行編碼、自適應網絡編碼、小波變換圖像壓縮編碼等。

        4、工業和工程方面的應用

        在工業和工程領域中圖像處理技術有著廣泛的應用,如自動裝配線中檢測零件的質量、并對零件進行分類,印刷電路板疵病檢查,彈性力學照片的應力分析,流體力學圖片的阻力和升力分析,郵政信件的自動分揀,在一些有毒、放射性環境內識別工件及物體的形狀和排列狀態,先進的設計和制造技術中采用工業視覺等等。其中值得一提的是研制具備視覺、聽覺和觸覺功能的智能機器人,將會給工農業生產帶來新的激勵,目前已在工業生產中的噴漆、焊接、裝配中得到有效的利用。

        5、軍事公安方面的應用

        在軍事方面圖像處理和識別主要用于導彈的精確末制導,各種偵察照片的判讀,具有圖像傳輸、存儲和顯示的軍事自動化指揮系統,飛機、坦克和軍艦模擬訓練系統等;公安業務圖片的判讀分析,指紋識別,人臉鑒別,不完整圖片的復原,以及交通監控、事故分析等。目前已投入運行的高速公路不停車自動收費系統中的車輛和車牌的自動識別都是圖像處理技術成功應用的例子。

        6、文化藝術方面的應用

        目前這類應用有電視畫面的數字編輯,動畫的制作,電子圖像游戲,紡織工藝品設計,服裝設計與制作,發型設計,文物資料照片的復制和修復,運動員動作分析和評分等等,現在已逐漸形成一門新的藝術——計算機美術。

        參考文獻:

        [1]孫即祥 圖像壓縮與投影重建 北京:科學出版社;2005.7:第一章:1~2,63~64.

        [2]韓金姝.基于分形的植物形態模擬與圖像壓縮技術研究:[碩士論文]. 青島:中國海洋大學信號與信息處理專業,2005.

        第2篇:數字圖像處理綜述范文

        【Abstract】In the process of computer technology rapidly develop, people need to deal with all kinds of complex images. Image processing method presents diversity and complex characteristics, and the remind for CPU capability is higher, the traditional CPU image processing already can not satisfy the needs of people at present. In this paper, it research a high efficiency and fast image processing method. It makes full use of GPU parallel processing ability, using G++ language to complete the corresponding images. The image parallel processing algorithm method main contain the color negative film processing algorithms, transparent merging processing algorithms and so on, and comparing the performance of achieving the same effect with the GPU, to prove the efficiency of parallel image processing algorithm. based on GPU .

        【關鍵詞】GPU;圖像處理;并行算法

        【Keywords】GPU; image process; parallel algorithm

        【中圖分類號】TP301. 6 【文獻標志碼】A 【文章編號】1673-1069(2017)03-0071-02

        1 引言

        在目前業務逐漸復雜的情況下,人們需要進行各種形式的圖像處理,其處理形式主要包括對數字圖形進行模糊、銳化和合并并根據人們的實際需求將原始圖形轉化成人們所需要的圖形。人們對應用系統圖形方面處理質量要求越來越高,雖然CPU的整體運行速度無法滿足人們的實際需求,這就需要利用GPU的快速計算能力,將其應用到圖形計算當中,以此來形成相應的通用計算,并且能夠通過C++語言解決和處理復雜問題。

        2 基于GPU圖像處理的相關技術

        GPU技術。在計算機發展的過程中,人們對圖像處理的要求還沒有那么復雜,其中圖像的運行和相關的計算方法都比較簡單,所以說不用借助相應的硬件處理設備來對圖像進行編輯處理,只需要借助GPU強大的計算能力就能蚨醞夾謂行處理。但是隨著社會的不斷進步和計算機技術的不斷發展,人們需要更快的運算速度來進行更高質量的圖像處理,這就促使GPU運算技術產生并不斷發展。從目前來看,CPU一般指的是中央處理器,是一種超大規模的集成電路,其主要功能是對計算機的指令進行解釋,并對相應的計算機軟件數據進行處理,而對數字進行處理就主要依靠GPU來進行,通過指令來產生相應的操作控制信號,以此來進行相應的圖像處理。而GPU主要指的是圖形處理器,也可以被稱為視覺處理器,其主要功能是將計算機系統所需要的現實信息進行轉換驅動,并且向顯示器提供相應的掃描信號,來對顯示器的顯示進行正確控制,另外,圖形處理器也是顯卡的處理器,是顯卡中較為重要的一部分,與CPU相比來說,兩者具有一定的相似之處,而GPU主要是執行復雜的數學計算和幾何計算,也就是說如果CPU想要畫一個圖形,只需要結合想要圖形的實際坐標和特征,來產生相應的信號,而GPU就能夠對該圖形的所有像素進行計算并且集成,并且在顯示器的指定位置上畫出相應的圖形,并且對CPU進行圖形完成的通知,等待后續的命令[1]。

        CUDA。從上述可以知道,GPU主要是對圖形進行編輯和處理,但是在計算機的眾多應用領域當中,GPU仍舊不能發揮出其具體功能,其主要是由于API的編程較為復雜,同時由于GPU內部的內存量較小,不能支持較大的程序規模,另外GPU的編程靈活性較差,這就使GPU無法發揮出其主要功能。為了對上述問題進行解決,廠商NVIDIA推出了一種運算平臺,也就是CUDA,這種運算平臺能夠并行計算架構,使GPU能夠對相對較為復雜的問題進行解決,目前的CUDA已經能夠支持C++語言的實際運行,這也就意味著GPU能夠發揮出更為重要的作用。

        數字圖形處理算法。數字圖像處理是根據實際的需求,來對圖像進行相應的運算和設計,對數字圖像進行處理主要目的體現以下方面:一是提高圖像的整體視覺效果和質量;二是對圖像中所包含的信息和資源進行提取和處理,三是對數字圖像的格式和信息進行變化處理,以此來保證數字圖像數據的安全快速傳遞[2]。

        3 基于GPU的數字圖像處理并行算法

        3.1 高斯模糊算法并行化

        高斯模糊也被稱為高斯平滑,目前屬于一種在各種圖像處理軟件中進行廣泛使用的處理效果,對其進行應用的主要目的是減少圖像噪聲和降低細節層次,高斯模糊當中的模糊,可以被看成周邊像素的平均值。高斯模糊算法并行化在串聯的程序結構當中無法進行靈活變換,為了能夠對GPU中的硬件多線程資料進行最大程度的利用,就需要按照CUDA多線程架構處理的思想來對程序進行重構。在利用GPU對圖像進行高斯模糊變化的過程中,其主要前提是水平方向上的一維高斯矩陣變換和垂直方向上的一維高斯矩陣變換是不相關的,換個說法是可以對其進行分開處理,針對某一方向的處理,各個像素之間的處理也是不相關的,結合這樣的特性,可以利用GPU中的多線程并行將像素的處理任務分為不同的模塊,并且使GPU的線程來對其進行計算。基于CUDA的高斯模糊處理,首先是需要對需要處理的原始圖形進行讀入,然后將圖像中的像素在水平和垂直方向中進行分塊,使GPU的線程塊能夠對這些模塊進行分開處理,在進行處理之后,將處理之后的結果進行合并,這樣就達到了想要的原始圖像高斯模糊效果。在這樣的過程中,需要根據實際的不同需求,來提供相應的函數,使GPU中的線程塊能夠對不同的數據進行不同的理和操作,這也就是高斯模糊算法在CUDA基礎上來進行圖像處理的[3]。

        3.2 彩色附頁處理算法并行化

        對于彩色附頁的處理來說,屬于一種特別耗費時間的圖像處理過程,因為這種數字圖像處理方法要求將整個圖像中的每一個像素點都進行處理,但是從數字處理的角度來看彩色附頁處理,其整體處理流程較為簡單,首先是需要對圖像進行處理,然后根據圖像格式的不同來放入內存,并且對圖像的所有像素點進行讀取,對其中的r、g、b值進行取出,用255減去所取出的值,得出處理過后的數值,最后利用這些數值,就能夠形成所需要的負片圖像。在進行負片處理的過程中可以看出,針對圖像中的每一個像素點的處理都是相對獨立的,也就是說在對某一像素點進行處理的過程中,其中各種數值的取值是與其他像素值不相關的,針對這樣的獨立性特點,可以在圖像處理的過程中,充分利用GPU多線程并行處理的優勢,對所需要處理圖像中進行一定程度的分割,然后對所分割圖像中的所有像素點進行處理,最后進行統一的合并,就能夠得出所需要的圖像[4]。在對圖像中各個像素點進行處理的過程中,需要注意這樣像素點之間的運算必須保證相互獨立,如果出現像素點不獨立的情況,那么就需要在程序中編寫大量的控制代碼,而這樣的控制代碼的運行方式與GPU的處理方式不相匹配,不能達到最好的圖像處理效果。

        3.3 透明合并處理算法并行化

        圖像的透明合并處理也就是說需要實現圖像的一種半透明效果,從這種處理方式的數學公式和函數當中可以看出,圖像的透明合并處理并不復雜,并且能夠在一定程度上實現各種形式的半透明效果,其中主要包括火光、煙霧和陰影等。在利用GPU多線程處理器來對圖像進行透明合并處理的過程中,首先需要對兩幅圖像的位置進行確定,并且根據圖像的實際大小,來對混合處理的范圍進行確定,并且將所需要處理的范圍進行分割,然后利用GPU的多線程處理器,來對所分割的單元進行處理,最后進行統一合并,來完成圖像的透明化處理[5]。在對圖像進行透明合并處理的過程中,不存在較為復雜的邏輯控制,也就是說對于不同的處理對象,其處理流程和方式都是保持一致的,而不同處理對象之間并不存在相應的聯系。

        4 結語

        通過對以上算法的介紹可以發現,在利用CUDA編程框架,在基于GPU多線程處理器對圖像進行處理的方式,具有較快的速度和較高的成像效果。

        【參考文獻】

        【1】翟優,曾巒,熊偉.基于不變特征描述符實現星點匹配[J].光學精密工程,2012(11):56-57.

        【2】陳慶奎,王海峰,那麗春,等.圖形處理器通用計算的研究綜述[J].黑龍江大學自然科學學報,2012(05):23-24.

        【3】Giorgia Zucchelli.使用MATLAB輕松享受GPU的強大功能[J].電子設計技術,2012(03):44-45.

        第3篇:數字圖像處理綜述范文

        關鍵詞:數字圖像處理;車牌定位;字符分割;字符識別

        中圖分類號:TP391.41

        隨著世界經濟全球化發展,人們生活和消費水平的日益提高,對汽車的需求量也越來越大,其結果是巨大的城市交通壓力擺到了人們的面前,于是如何運用高新科學技術來解決城市交通管理的問題越來越受到人們的重視。智能交通系統(Intelligent Transportation System,ITS)的出現大大的緩解了城市交通所帶來的巨大壓力,它被認為是有效改善城市交通狀況最有利的工具。如今,數字圖像處理技術(Digital Image Processing)已發展成為城市生命體承載系統的健康識別和調控理論與方法的研究熱點。它的應用范圍已從傳統的圖像處理技術發展到人工智能和高新科技領域,如計算機視覺、數碼變焦、機器人學和交通視頻監測技術等,以數字圖像處理技術為主的研究也成為智能交通系統中的重要前沿研究領域。本文根據數字圖像處理技術的特點,詳細的介紹了其在車牌識別系統中的應用。

        1 車牌識別系統簡介

        數字圖像處理技術在ITS中最令人感興趣的便是車牌識別系統(License Plate Recognition System)。車牌識別是一個復雜的過程,包括圖像采集、圖像預處理、車牌定位與分割、字符識別、輸出結果等階段。圖像采集多是由硬件來完成的,是抓取車牌輸入到車牌識別系統中的過程;圖像預處理是對車牌圖像進行處理,減小其數據量和突出圖像有價值信息的過程;定位與分割是從處理好的圖像中只提取車牌信息,再將它們分隔成單個的字符;字符識別是將分割后的字符識別出來的過程。整個車牌識別過程如圖1所示:

        圖1 車牌識別過程框圖

        2 車牌定位

        車牌定位算法有很多,其核心都離不開車牌圖像中車牌所在區域的特征。其中車牌的字符紋理特征、顏色特征以及幾何特征是研究車牌定位的主要方向。圍繞著這三個特征,車牌定位方法的主要思想即是如何突出車牌的紋理特征,怎樣根據車牌的顏色特征以及如何運用車牌的幾何特征來進行車牌定位。

        2.1 基于紋理特征的車牌定位算法

        車牌本身含有豐富的紋理信息,其主要體現在字符上面,因為字符紋理信息是非常有規則的,關于如何通過這個特征來進行定位的算法比較多,如Liu等[1]提出了一種基于紋理特征自動定位車牌的算法,該算法是通過一維周期算法來進行定位,該方法可以有效的過濾掉車牌周圍的噪聲,定位準確;全書海等[2]提出一種改進Sobel算子的來進行車牌定位,該方式是通過將傳統的Sobel算子只利用水平和垂直方向算子來計算邊緣信息改進為通過輸出6個方向的算子計算出的值的最大值,最大值對用的模板表示的方向作為該點的邊緣方向;Zheng等[3]利用奇異值特征來定位,即通過車牌灰度化后,利用灰度化后字符特征具有一定的跳變性,從而能夠將車牌進行定位。此類算法對復雜背景下的圖像,也有較好的定位效果,并且具有較好的適應性和魯棒性;Anagnostopoulos等[4]提出了一種滑動同心窗口的方法來定位車牌,該方法認為圖像中車牌的紋理是不規則的,因此,局部特征發生突變的區域即是可能的車牌區域;Caner等[5]利用Gabor濾波算法分析紋理信息,這個方法對于分析紋理的無限方向和尺度十分地有效;Zhang等[6]運用基于Adaboost學習算法結合Harr-like特征,并采用一種分級分類器的結構來進行車牌定位。Harr-like特征常用來進行目標檢測,它可以利用分類器分類出車牌的亮度、顏色、尺寸和位置等不變量。

        所有基于紋理特征的車牌定位算法即使是對車牌邊緣發生畸變的情況都十分地有效。然而,這些方法在擁有較多邊緣、復雜背景下和不同光照條件下時運算起來都比較復雜。

        2.2 基于顏色特征的車牌定位算法

        車牌是由特定的背景顏色組合和字符組成的,因此我們可以通過顏色特征對車牌進行定位。基于顏色特征來進行車牌定位算法大致可以概括為兩種:一種是將提取出的車牌從RGB空間轉換到HSV(或HSI)空間從而進行車牌定位;另一種則是利用彩色圖像的顏色特征來檢測圖像邊緣信息,以達到定位車牌的目的。

        中國科技大學的陳鍛生等[7]研究出了在豐富的背景下對于帶有顏色的汽車圖像牌照提取與分割技術。該算法通過車牌牌照自身標準模式的多種重要特征,綜合了局部特征分布、形狀、彩色等信息從而進行車牌定位;華中科技大學的任仙怡等[8]提出了一種利用顏色信息的車牌定位方法。該算法首先將RGB圖像的顏色模型轉化為HSI模型,再利用顏色信息對車牌圖像進行彩色粗分割,然后將分割的候選車牌分為目標區域和偽車牌區域這兩種類型,接著通過投影檢測的方法對這兩種類型進行處理,以獲得精確的車牌區域;Yang等[9]運用車牌顏色與字符顏色的固定搭配生成一個邊緣圖像。對圖像進行水平掃描,如果有任何一個像素的值出現在車牌顏色的范圍內,接著繼續水平掃描與之鄰近的顏色值,若有兩個或者更多鄰近的值在同一個字符顏色的范圍內,那么這個像素即被認為是一幅新的邊緣圖像的邊緣像素,分析新圖像中所有的這些邊緣即可找出車牌所在的候選區域;Wang等[10]為了處理不同光照情況下基于顏色特征的車牌定位問題,提出了一種基于模糊邏輯的方法。運用HSV彩色空間模型,首先將色度、飽和度、亮度三個權值根據不同的隸屬函數映射到模糊集合中,然后用這三個權值隸屬度結合起來描述模糊分類函數用以定位車牌。

        利用顏色特征有利于定位出產生傾斜和畸變的車牌,然而直接運用顏色投影的方法有時可能會造成檢測出錯,特別是當圖像的某些部分,如車身與車牌部分顏色一樣時。

        2.3 基于幾何特征的車牌定位算法

        利用車牌的幾何特征來進行車牌的定位,其基本原理就是在對車牌進行預處理后的基礎上通過幾何特征來進行定位。檢測所得候選區域的幾何特征,即長度和寬度,通過設定閾值去掉不適合的候選區域,可以很好的提取出真正的車牌區域。因為候選區域集中在車身中間,且高度比大致為140/440=0.318,這里選取[0.30,0.45]作為判斷區間,據此幾何特征,能夠把干擾的區域剔除掉。

        運用幾何特征來進行車牌定位的算法有很多,如Nelson等[11]利用幾何特征定位線形成一個矩形來檢測出車牌的矩形位置;Zheng等[12]利用與垂直邊緣的匹配程度選出車牌的候選區域,車牌的垂直邊緣被看成是對車牌進行定位的一個至關重要的特征,因為只利用水平邊緣容易檢測到保險杠從而定位出錯;基于塊的車牌定位方法,具有高尖邊緣的塊被認為是可能的車牌所在區域,因為基于塊的方法并不依賴于車牌邊界的邊緣,因此它也適用于車牌邊界不清晰的圖像;運用基于邊界提取的Hough變換檢測圖像中的直線來進行定位車牌,Hough變換對多達30°的傾斜直線的檢測都十分地有效,當結合形態學的方法消除不需要的邊緣后,定位的準確率將得到了大幅的提高。

        3 字符分割

        定位出準確的車牌位置后,下一步則是將車牌字符識別出來。但是車牌里面的字符是由一連串字符組成的,直接對車牌進行識別十分地困難,因此就需要通過字符分割的方法對車牌進行處理,然后對車牌里面的7個字符進行提取,這樣將使接下來的字符識別過程變得更容易一些。常用的字符分割方法主要有以下三種:基于投影特征的字符分割算法、基于字符先驗知識的字符分割算法和基于字符輪廓的字符分割算法。

        3.1 基于投影特征的字符分割算法

        字符顏色與車牌背景顏色有所不同,它們在二值圖像中往往呈現出完全相反的二進制值。因此,首先運用去噪處理結合字符序列分析,接著利用垂直投影分割出字;提出了一種對提取出的二值車牌圖像進行垂直投影的方法,確定出起始和結束的字符位置,接著對提取出的字符進行水平投影分割出每個字符;利用投影后字符的顏色信息代替運用二值車牌圖像進行投影的方法進行字符分割。綜合以上文獻中的方法,可以發現利用垂直和水平像素投影的方法明顯的要更簡單跟常見一些。

        基于投影特征的字符分割算法的優點在于它并不依賴于字符所在的位置,車牌也可以存在一定角度的傾斜。不過,此方法取決于圖像的質量,任何噪聲都可能會影響投影值。

        3.2 基于字符先驗知識的字符分割算法

        字符的先驗知識可以用來幫助我們進行車牌的字符分割。利用行掃描二值圖像的方法找出字符起始和結束的位置以進行字符分割,當掃描的某行中字符像素與背景像素的比例先超過某一特定的閾值然后接著低于該閾值,就認為此行是字符所在的起始位置;把定位出的車牌調整到一個已知的模板大小,在此模板中,所有的字符位置都是已知的。經過調整后,與模板中位置一致的即是字符所在的位置,此方法具有簡單易現實的優點;首先采用顏色匹配的方法定位出車牌在圖像中的位置,然后利用每個字符的尺寸進行字符分割操作;在文獻中提到,臺灣的車牌全都具有相同的顏色分布情況:白底黑字。如果采用行掃描的方法檢測黑白點的跳變個數應為6~14個,運用Hough變換矯正可能存在的車牌傾斜,最后利用混合二值化技術可以分割出受污染的車牌字符。

        3.3 基于字符輪廓的字符分割算法

        字符的輪廓模型也可以用于進行車牌的字符分割。利用一種快速變化推進算法建立了一種以形狀驅動的主動輪廓模型。此模型分為兩步進行處理,首先運用一種普通的快速推進技術結合一個梯度依賴和曲率依賴的速度函數粗定位出每個字符的大致位置,然后利用一種特殊的快速推進方法獲得字符所在位置的準確邊界,進而分割出每個字符。

        4 字符識別

        準確分割出車牌的字符后,下一步則是將車牌字符識別出來。然而在車牌識別系統中字符識別可能存在以下一些困難:由于鏡頭的縮放,可能導致分割出的字符大小和厚度不一致;不同的國家所用的車牌字符的字體都不一樣;分割出的車牌字符可能存在噪點和缺損;分割出的車牌字符可能存在一定角度的傾斜等。接下來,本文將把現有的一些常見的車牌字符識別算法根據他們的特點分成兩類,以解決在進行字符識別時遇到的困難。

        4.1 基于模板匹配的字符識別算法

        在字符識別的算法中,模板匹配算法是一種既簡單又容易的方法。該方法判斷字符與模板之間匹配的相似度,與模板中的字符相似度最高的即為車牌的字符。大多數模板匹配算法都采用二值圖像來進行處理,這是由于灰度跳變會受不同光照條件的影響。

        在對字符進行歸一化處理之后,都采用字符匹配算法來進行車牌的字符識別,文獻中定義了幾個相似性的度量技術,如馬氏距離和貝葉斯決策定理,杰卡德值,豪斯多夫距離和漢明距離,利用歸一化互相關系數作為模板匹配分割出的字符,每個模板逐列的掃描字符以計算歸一化互相關系數,模板中的最大值即為最相似的字符。

        模板匹配算法對識別單個字體、非旋轉的、非缺損的和固定大小的字符十分地有效。但是,如果遇到因一個字符產生形變、旋轉或有噪點等情況,就可能影響到模板匹配算法識別的準確率。

        4.2 基于特征提取的字符識別算法

        因為并不是每個字符的像素點都對區分字符具有相同的重要性,一種提取某些字符特征的特征提取方法是一個很好的可替代灰度級模板匹配的算法。這種算法降低了用模板匹配法來進行處理的時間,因為并不是所有的像素點都會涉及到。該方法也克服了模板匹配法無法做到的對產生了形變的字符進行識別的問題。

        利用對二值圖像進行水平和垂直投影獲得特征向量,把二進制的字符分割成3×3的像素塊以獲取特征向量,然后統計每個像素塊中黑色像素的值。在對字符進行細化操作之后把二進制的字符分割成3×3的像素塊并統計它們在0°、45°、90°和135°傾斜角時的像素個數以獲取特征向量;首先沿著中心軸掃描字符,該中心軸是上限水平中心矩和下限水平中心矩的連接,然后由字符到背景轉換的數量和他們之間的間距形成了每個字符的特征向量。該方法對字符產生旋轉的情況一樣有效,因為所獲得的特征向量是一致的;利用采樣的字符輪廓所得到的波形量化為特征向量。該方法可用于識別多字體和多尺寸的字符,因為字符的輪廓并不受字體和尺寸改變的影響。

        5 結論及發展趨勢

        本文綜述了當前現有的一些比較成熟的車牌識別算法,并根據其在每個階段不同的特征對這些算法進行了分類。總之,由于車牌識別系統是計算機視覺和數字圖像處理技術在智能交通領域的重要研究內容,因此它對于現代智能交通有著十分重要的意義。接下來,車牌識別技術的發展趨勢將主要集中在多風格的車牌識別系統、基于攝像頭拍攝的實時信息的車牌識別系統、多車牌同時進行處理的識別系統、高清晰度的車牌圖像處理系統以及模糊字符的車牌識別系統等方向。

        參考文獻:

        [1]Liu CY,Chang FL.A novel algorithm of license plates automation location based on texture feature[C].Proceedings of the IEEE International Conference on Automation and Logistics.China:Shenyang,2009:1360-1363.

        [2]王濤,全書海.基于改進Sobel算子的車牌定位方法[J].微計算機信息,2008(05):312-314.

        [3]Zheng DN,Tao YN.An efficient method of license plate location[J].Pattern Reconiton Letters,2005(26):2431-2438.

        [4]C.-N.E.Anagnostopoulos,I.E. Anagnostopoulos,V.Loumos,and E.Kayafas.A license plate-recognition algorithm for intelligent transportation system applications[C].IEEE Trans.Intell.Trans.Syst.,2006:377-392.

        [5]H.Caner,H.S.Gecim, and A.Z.Alkar.Efficient embedded neural-network-based license plate recognition system[C].IEEE Trans.Veh.Tech.,2008:2675-2683.

        [6]H.Zhang,W.Jia,X.He,and Q.Wu.Learning-based license plate detection using global and local features[C].In Proc.Int.Conf.Pattern Recognit.,2006:1102-1105.

        [7]陳鍛生,謝志鵬,劉政凱.復雜背景下彩色圖像提取與字符分割技術[J].小型計算機系統,2002(09):1144-1148.

        [8]任仙怡,周曉,張桂林等.彩色汽車牌照定位[J].紅外與激光工程,2002(03):204-207.

        [9]Y.-Q.Yang,J.B.R.-L.Tian,and N. Liu. A vehicle license plate recognition system based on fixed color collocation[C].In Proc. Int. Conf. Mach.Learning Cybern.,2005:5394-5397.

        [10]F.Wang,L.Man,B.Wang,Y.Xiao,W.Pan,and X.Lu.Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognit.Lett.,2008:1007-1020.

        [11]C.Nelson Kennedy Babu and K. Nallaperumal.An efficient geometric feature based license plate localization and recognition[C].Int.J.Imaging Sci.Eng.,2008:189-194.

        [12]D.Zheng,Y.Zhao,and J.Wang.An efficient method of license plate location[J].Pattern Recognit.Lett.,2005:2431-2438.

        第4篇:數字圖像處理綜述范文

        【關鍵詞】FPGA,Sobel,Verilog;

        在圖像處理中邊緣蘊含了豐富的信息,是圖像的基本特征之一。邊緣檢測不僅能減少圖像處理的工作量,還能保留圖像中物體的形狀特性。所以研究邊緣檢測是非常有必要的。FPGA是利用硬件編程語言對圖像進行處理,可以同一時間處理大量的數據,在此利用FPGA的并行結構特性和流水線技巧,快速實現了Sobel邊緣檢測算法 。為圖像的后續處理打下了基礎。

        一、Sobel邊緣檢測算法

        邊緣檢測算法都是通過梯度算子來實現的。經典的梯度算子有Sobel、Kirsch、Roberts等。在求邊緣的梯度時需要對每個像素點進行計算,工作量是比較大的。在這些算法中Sobel具有計算簡單、檢測效果好的特點,是一種被廣泛應用的算法。Sobel算子是一階導數的邊緣算子。是利用水平和垂直方向上3X3的Sobel算子模版,與選定圖像中同樣大小的窗口中的每個像素點做卷積求和運算,窗口中心點為待求的像素點。計算出圖像水平和垂直方向的梯度值,然后對水平和垂直方向的梯度值的平方求和,再開方。與設定的閾值進行比較,如果結果大于閾值邊視為邊緣點,否者就不是邊緣點。

        圖1為水平方向的Sobel矩陣算子,圖2為垂直方向的Sobel矩陣算子。圖3為3X3模版的像素灰度值。

        利用Sobel算子對圖3中的3X3模版做卷積和計算。就可以得到p5像素處水平和垂直方向的梯度值Gx和Gy。最后利用

        (1)

        算出p5處的灰度值,再與設定的閾值進行比較。若大于閾值就視為邊緣點,不然就是普通點。

        二、Sobel邊緣檢測算法的硬件系統實現

        (一)Sobel實現方法選擇

        由于Quartus II 9.0自帶有很多的IP核,可以調用IP核進行乘法、并行相加來實現Sobel邊緣檢測。但是這樣就會涉及到補碼、負數等。實現方法較為復雜。在本文中提出一種簡單的算法實現邊緣檢測,把復雜的問題簡單化。

        對于水平模版,把圖3中的第1列和第3列像素點分別與其相應的位置做卷積和,并且分別取第1列和第3列的卷積和的絕對值比較大小,把較大值認為Gx。

        Gx=max{(p1+2p4+p7),(p3+2p6+p9)} (2)

        對于垂直模版,把圖2中的第1行和第3行像素點分別與其對應的位置做卷積和,并分別取第1行和第3行的卷積和的絕對值比較大小,把較大值認為Gy。

        Gy=max{(p1+2p2+p3),(p7+2p8+p9)} (3)

        (二)Sobel的硬件實現

        由于Sobel的實現需要3X3的像素模版與水平方向和垂直方向的卷積因子進行卷積求和,所以這里利用Quartus II 9.0自帶的IP核Shift Register(RAM-based)構建三行以此為基礎獲得3X3的像素模版。如圖4所示

        圖4 移位寄存器

        在得到3X3模版后利用(2)、(3)進行硬件實現,關鍵代碼如下

        begin

        Gy1

        Gy2

        Gy Gy2? Gy1-Gy2 : Gy2-Gy1;

        end

        begin

        Gx1

        Gx2

        Gx Gx2?Gx1-Gx2 : Gx2-Gx1;

        end

        經過一系列運算就得到Gx與Gy,再根據公式(1)與自己設置的閾值,就能實現Sobel邊緣檢測。

        三、實驗結果

        在視頻采集系統里面加入Sobel邊緣檢測模塊,編譯并下載程序,運行系統,實驗結果如圖5所示。

        實驗效果顯示可以很好的進行邊緣檢測,經過邊緣檢測處理后也為后續更復雜的圖像處理打下了基礎。

        四、結束語

        通過利用FPGA的并行特性,完成了3X3模版像素的提取和Sobel邊緣檢測算子的處理。通過FPGA的流水線結構和并行特點處理了大量的數據,最終實現了Sobel邊緣檢測。為更加復雜的圖像處理進行了鋪墊。

        參考文獻:

        [1]岡撒雷斯.數字圖像處理.北京:電子工業出版社.

        [2]王濤,全書海.基于改進Sobel算子的車牌定位方法.微計算機信息,2008,24(5):63―65.

        [3]夏宇聞.Verilog數字系統設計教程[M].北京:北京航空航天大學出版社,2003.

        第5篇:數字圖像處理綜述范文

        關鍵詞:嵌入式系統;機器視覺;測控系統;圖像跟蹤

        中圖分類號:TP391.41文獻標識碼:A文章編號:1009-3044(2010)08-1987-02

        1 概述

        隨著科學技術的發展,更高速,更可靠,更低成本成為各種技術開發的要求。因此,設計能實現實時視覺圖像采集、視覺圖像處理控制,使其結構更緊湊,甚至完全不需要計算機的介入,提高處理速度,并能有效降低成本的專用機器視覺控制系統,使得該系統具有安裝方便、配置靈活、便于攜帶等突出優點。為此,本課題提出了基于嵌入式機器視覺測控系統的研究,在嵌入式系統上實現實時視覺圖像采集、視覺圖像處理及控制,構成處理速度快,成本低,結構緊湊,不需要計算機介入的專用嵌入式機器視覺測控系統。

        2 系統總體設計

        2.1 設計方案

        目前,用于圖像采集處理系統的嵌入式核心器件一般有FPGA、DSP和ARM芯片,出于成本控制與測控系統性能要求的考慮,這里選用FPGA方案。

        FPGA內嵌的NiosII軟核處理器是32位的,主要包括CPU微處理器、I/O中斷、計時器、UART串口及大量通用寄存器。選用FPGA方案的優點在于,在單個芯片上既可以完成圖像采集等復雜邏輯的控制,又可以用內嵌的NiosII處理器完成對圖像的處理和識別,電路設計簡單,成本低。

        對于機器視覺測控系統,在選用了嵌入式處理器實現圖像采集的功能之后,需要將視頻圖像進行數字化處理,這里采用標準工業攝像機+視頻圖像數字化模塊的方法實現。標準工業攝像機的輸出信號一般是PAL制式或NTSC制式的模擬信號,信號在進行數字圖像處理前必須經過刀D轉換,即視頻采集。視頻采集是整個系統中的一個重要組成部分,它是對模擬視頻信號實現數字圖像處理的第一個步驟。該方案具有通用性好、成本低的優點。

        2.2 總體結構設計

        1) 硬件設計

        硬件設計包括系統硬件電路的連接和FPGA內部邏輯電路的設計。

        FPGA內部邏輯電路的設計是以QuartusII為開發環境,用VHDL語言編程實現圖像采集、SRAM總線切換等模塊的功能,用SOPC Builder配置、產生NiosII軟核處理器及必要的外設(用戶自定義外設用VHDL編程實現),然后一起編譯并下載到FPGA的配置芯片中,再由配置芯片完成對FPGA的上電配置,由此形成硬件邏輯電路的連接,實現圖像采集、處理、存儲、顯示、實時控制等功能模塊。

        2) 軟件設計

        用SOPC Builder生成NiosII處理器系統的同時,也會生成相應的SDK軟件開發包。在這個軟件包的基礎上,開發者可以利用NiosII IDE,移植嵌入式實時操作系統μc/OS-II,編寫C或者C++程序來完成對圖像的二值化、區域分割、特征提取、模式識別等處理過程,最終實現對目標軌跡的跟蹤,實時控制機器人沿規定軌跡運行。

        3 關鍵技術問題探討

        3.1 圖像采集CCD模塊設計

        圖像信息的獲取就是捕捉待處理目標的圖像信息并將其轉換成適合一體機處理的數字信號,這一過程主要包括圖像捕獲、光電轉換及數字化等幾個步驟。目前圖像信息獲取可以使用CCD、CMOS、CIS等傳感器,其中以CCD的應用最為廣泛。

        本設計模塊采用1/3寸逐行掃描型黑白面陣CCD圖像傳感器ICX424AL。ICX424AL有效光敏單元為659×494,靈敏度高、暗電流小,帶有電子快門。由三相垂直脈沖(V1、V2、V3)和兩相水平脈沖(H1、H2)驅動工作,水平驅動時鐘頻率為24.154MHz,驅動電壓5V。曝光之后,每一列成像勢阱中的電荷在脈沖的驅動作用下被移至勢阱旁的垂直寄存器當中,然后垂直驅動脈沖發揮作用,每次脈沖驅動垂直寄存器組中的像素電荷向下移一行,而此時最下面一行的像素電荷則被移動到水平寄存器當中。之后水平驅動脈沖發揮作用,脈沖驅動水平寄存器中的像素的電荷向輸出口移動。被移出像素電荷,經過放大器后形成電壓信號輸出。水平寄存器被移空后,剩余電荷再次向下移一行,在水平驅動脈沖作用下,水平寄存器的電荷再次被依次移出。上述過程一直重復直至所有像素電荷被移出。

        ICX424AL的驅動時序由CCD信號處理器AD9929產生。AD9929有一個三線式串行接的串行通信接口,通過該接口可以對AD9929時序發生器的相位寄存器組進行操作,發送配置信息或讀取AD9929的工作狀態。AD9929可直接與CCD傳感器相連接,CCD像素模擬電壓信號在AD9929驅動脈沖的作用下,由CCD_IN引腳輸入到AD9929中,經模擬前端采樣、放大和A/D轉換后,產生8位的數字信號由DOUT[0-11]引腳輸出,這些數字信號即為CCD圖像傳感器捕捉到的待測目標的原始圖像信息。

        3.2 圖像實時跟蹤算法設計

        由CCD模塊負責采集圖像,那么嵌入式系統必須要有完善的圖像跟蹤算法,才能夠實現智能機器人對目標的跟蹤,傳統的圖像跟蹤算法由于運算量較大而存在實時性較差的問題,因此,有必要對圖像跟蹤算法進行實時性優化設計。

        目標圖像跟蹤是一個序列圖像處理、識別和測量過程。在跟蹤過程中,目標可能出現大小、形狀、姿態等變化,加上實際環境中的各種干擾,以及圖像處理最小計量單位的精度問題,相關跟蹤得不到絕對最佳的匹配位置,存在測量誤差。因此,為了保證跟蹤的穩定性,需要對圖像跟蹤模板進行自適應更新。圖像跟蹤模板的更新是目標跟蹤中要解決的重要問題之一,圖像跟蹤模板更新過快或過慢,都有可能丟失所跟蹤的目標。判斷圖像跟蹤模板是否需要更新要根據相關的置信度信號,如果相關匹配的置信度高,就可以根據本幀圖像的匹配點處的坐標來更新圖像跟蹤模板;如果置信度低,則說明匹配不穩定,要沿用以前的匹配圖像跟蹤模板對下一幀進行相關匹配。

        相關置信度信號是在分析相關匹配算法的基礎上設計出來的,它是一個非常重要的參數。經過分析可知:若匹配點處的峰值很大,且峰值與其它非匹配點的均值之差越大,則表明跟蹤越可靠。定義幀內相關置信度為:

        式中:C0是幀內相關置信度;maxR是當前幀匹配點處的誤差累加次數;R是同一幀內M個依次比maxR小的誤差累加次數的均值,如果maxR和R相差越大,則說明該匹配點越可靠。本算法可根據計算速度的需要對M取值,一般可以取M等于20~100的任何值。若C0大于閾值T0,則認為相關匹配值maxR符合幀內置信度,更新圖像跟蹤模板;否則,相關匹配不可靠,不更新圖像跟蹤模板。閾值T0根據圖像的質量和經驗來確定,這里我們取T0=0.6。

        實踐證明,在序列圖像跟蹤過程中,若單純地利用當前圖像的最佳匹配位置處的圖像跟蹤模板作為依據進行下一幀圖像的匹配,則跟蹤結果很容易受某一幀發生突變的圖像的影響而偏離正確位置。因此,本系統采用基于置信度的加權自適應模板修正算法:如果當前幀匹配質量很差,則該幀圖像數據不進行修正;而若當前幀匹配質量很好,則該幀圖像數據進行修正,加權修正算法表示如下式:

        上式中,T(i,j,t)為當前幀使用的圖像跟蹤模板,O(i,j,t)為當前幀最佳匹配位置的子圖像,T(i,j,t+1)為預測得到的下一幀圖像坐標,α為加權系數(0≤α≤1),該系數的大小根據幀內相關置信度C0,按照下式計算:

        4 結束語

        本文在嵌入式系統與機器視覺控制系統的交叉點展開研究,目的是將具有重要意義的機器視覺控制系統應用到具有廣泛基礎的嵌入式系統平臺上,拓展機器視覺的應用范圍。通過對機器視覺控制系統及嵌入式系統設計方案的選擇,并對基于嵌入式機器視覺控制系統的關鍵技術問題展開研究,以此為依據,設計了相應的硬件系統和軟件系統,并將其應用到智能機器人視覺的控制上。

        參考文獻:

        [1] 王耀南,李樹濤,毛建旭.計算機圖像處理與識別技術[M].北京:高等教育出版社,2001.

        [2] 段峰,王耀南,雷曉峰.機器視覺技術及其應用綜述[J].自動化博覽,2002,19(3):59-61.

        第6篇:數字圖像處理綜述范文

        關鍵詞:

        匹配算法;圖像匹配;關鍵技術;圖像評價

        中圖分類號:

        F49

        文獻標識碼:A

        文章編號:16723198(2013)21017602

        1基本概念

        圖像匹配是指通過特定的某種算法在某待測圖像或待測圖像的子圖中(也就是搜索圖像)尋找目標圖像(也稱為模板圖像)的過程。一般情況下,待測圖像比較大,目標圖像稍小。由于視角不同、拍攝器材不同等都會造成同一物體在不同時間的成像也是不同的,再加上噪聲、旋轉、干擾、圖像預處理等對圖像的影響,無形地擴大了搜索圖像和目標圖像之間的差異,從而增加了增加匹配難度。因此,如何極速地檢測出目標圖像在搜索圖像中的準確位置仍是圖像匹配研究人員的重要研究方向。

        2關鍵技術

        大量優秀的國內外學者都將自己的精力投入到圖像匹配研究中,因此產生了海量的圖像匹配算法。這些算法各有優劣,推動著圖像匹配技術的發展。就這些算法來說,圖像匹配技術的研究及算法主要包含以下四個方面:

        (1)相似度。相似度是相似性度量的簡稱,主要用來衡量待測圖像和目標圖像之間的相似程度。目前使用較多的相似性度量主要有:最小距離度量、相關函數度量及概率度量這三種。最小度量主要包含:Hausdorff距離、AD(絕對差)、SD(平方差)、MAD(平均絕對差)及MSD(平均平方差)等;歸一化互相關函數、協方差函數、積相關函數等是主要的相關函數;概率度量則是一種相似比,它是用后驗概率來估算的目標圖像與潛在待測子圖間的相似度。

        (2)特征空間。提取待測圖像及目標圖像的部分特征或是主要特征構成特征空間,然后通過對比特征空間進行匹配。所以,構建合理而恰當的特征空間不但能提高圖像匹配速度,也能提升匹配精度。目前常用的圖像特征主要有空間位置、點特征、圖像邊緣、紋理、顏色形狀等。

        (3)搜索策略。搜索策略的優劣直接影響圖像匹配的精度及速度。目前使用的搜索算法比較多也比較復雜,有單一的某種搜索算法,也有融合了幾種算法的搜索算法,還有一些是基于基本算法的改進算法。常用的基本搜索算法有遺傳算法、粒子群優化算法、金字塔分層搜索法、魚群算法等。

        (4)搜索空間。待測圖像中所有的可能位置和變換后可能的匹配位置共同構成圖像匹配的搜索空間。因此,為了縮短匹配時間,應盡量縮小搜索空間。

        相似性度量函數和特征空間的選擇主要影響匹配精度和算法的抗噪性及抗干擾能力。而搜索策略和搜索空間則將直接影響算法的匹配速度。

        3匹配評價

        目前,圖像匹配算法缺乏通用性,算法的好壞也沒有統一的標準。我們一般主要從以下四個方面來評價圖像匹配算的性能:

        (1)匹配概率。正確匹配的次數與總匹配次數之間的比值就是匹配概率,它基于統計學的概率統計。一般情況下,我們應該把算法的錯誤匹配率限定在一個比較小的特定精度范圍內,也就是說我應該盡量提升算法的正確匹配概率。匹配概率高低的主要影響因素有提取到的圖像特征空間、匹配算法和匹配精度。提取的圖像特征細而且密集,那么匹配概率則較高,但圖像變換這緩慢,匹配較慢。匹配算法也會影響匹配概率,有些極端的匹配算法也會導致匹配概率接近零。

        匹配概率=正確匹配次數總匹配次數

        (2)匹配精度。匹配的準確性就被稱為匹配精度。匹配精度的計算方法有多種,我們一般用匹配誤差的均方差來表示:均方差小,則匹配位置誤差小,匹配精度高;反之匹配精度低。匹配誤差是指匹配算法得到的匹配位置和目標圖像在待測圖像中的真實位置之間的偏差。匹配精度的影響因素很多,主要有噪聲污染、干擾、變形、算法選擇、適應度函數構造等。

        (3)匹配速度。圖像的匹配速度是指匹配的時間。主要由匹配算法的本身計算量和算法的結構兩部分決定。算法的本身計算量等于相似性計算量乘以待檢測的匹配點。所以相似性計算簡單,且待檢測點少,那么相應的匹配時間久短。算法的結構主要是指算法是并行還是串行算法,并行能較大程度的提升匹配速度,但是并行算法的實現不但與算法本身設計有關,還需要相應的硬件支持才能運行。雖然如此,現在已經有很多學者已投身于基于并行算法的分布式圖像匹配系統研究中了。

        (4)魯棒性及通用性。實際應用中,待測圖像一般都是有噪聲或是干擾等,這就要求匹配算法具有較強的抗干擾和除噪能力,這就是算法魯棒性。目前,沒有一種圖像匹配算法能適用于所有的圖像匹配,但是我們都希望匹配算法能盡量適合于更多的匹配需求。所以應盡可能提高算法的通用性。所以魯棒性和通用性不是匹配算法質量最主要的評價標準。

        4結束語

        圖像匹配雖然起步較晚,發展較快,已經在理論和實踐上取得了很大發展,但它依然存在很多問題。比如相似度函數的設計或是選擇,圖像特征的提取,算法的構造等仍有很大的改進空間。我們仍在為設計出有強通用性、高匹配精度、高匹配概率、匹配速度快、強魯棒性的匹配算法而努力。

        參考文獻

        [1]戴濤,朱長仁,胡樹平.圖像匹配技術綜述[J].數字技術與應用,2012:174176.

        [2]蔣大林,李林.圖像匹配技術研究[C].計算機技術與應用進展,2008.

        [3]卜凡艷.數字圖像匹配技術研究[D].合肥:合肥工業大學,2010.

        [4]王宏力.賈萬波.圖像匹配算法研究綜述[J].計算機技術與應用進展,2008:418422.

        [5]劉錦峰.圖像模板匹配快速算法研究[D].廣州:中山大學,2007,(5).

        [6]Wu Gang, Wu Chun-feng.Target Location Method Based on Invariable Moment Feature Matching[J].Optics Precision Engineering, 2009,17(2):460468.

        第7篇:數字圖像處理綜述范文

        關鍵詞:瀝青混合料,細觀力學,數值模擬,損傷力學

        中圖分類號:TV431文獻標識碼: A 文章編號:

        0引言

        復合材料力學研究具有宏細觀兩個層次。傳統的宏觀力學方法從唯象學的觀點出發,將復合材料當作宏觀均勻介質,視增強相和基體為一體,不考慮組分相的相互影響,僅考慮復合材料的平均表現性能。宏觀力學分析方法忽略了復合材料的細觀結構特點,沒有考慮復合材料的細觀破壞形態,因此,難以反映深層次的物理機制。而細觀力學的核心任務是建立復合材料宏觀性能與其組分性能及其細觀結構之間的定量關系,揭示材料及結構在一定工況下的響應規律及其本質。細觀力學在復合材料宏觀彈性性能預測、彈塑性變形、損傷破壞分析等方面具有宏觀力學無可比擬的優勢。因此,越來越多的研究者投身于復合材料細觀力學的研究。瀝青混合料作為道路工程界的一種重要復合材料,其細觀力學的研究自然廣受業內研究工作者的重視。

        1瀝青混合料的細觀力學研究

        瀝青混合料是具有復雜結構的非均質、多相(氣相、液相、固相)和多層次(微觀、細觀、宏觀)的復合材料體系,其宏觀行為所表現出的不規則性、不確定性、模糊性、非線性等特征,正是其細觀結構復雜性的反映。

        細觀力學認為,通過電鏡觀察到一個畫面或用其它方法確定一個典型的細觀單元,比如通過力學模型對所有組成整體的各單元的性質作統計分析后得到,或通過力學試驗直接測量得到。如果一個細觀單元總的幾何特性,如增強體的體分比、增強體分布的概率統計值(一次矩陣、二次矩陣)都為常數,且與細觀單元的位置無關,則稱為一個代表體元。通過代表體元的均勻邊界條件所形成的統計均勻場的分析,得到代表體元的平均應力和應變特性。由于代表體元的普遍性,故可推求得瀝青混合料的宏觀應變和應力,從而推求出瀝青混合料的宏觀性能。

        1.1瀝青混合料細觀力學研究的主要內容

        目前,瀝青混合料細觀力學研究的主要內容包括:

        1)瀝青混合料體積特征的研究

        瀝青混合料體積特征的研究首先是對粗集料的形態特征分析,比如粗集料的周長、直徑、針狀質量分數和長軸取向等;然后是瀝青混合料的組成特性研究,如瀝青混合料的空隙率、級配組成狀況和離析狀況等。對瀝青混合料組成特性的研究,可以更為方便、直觀地了解瀝青混合料內部結構的空間分布、初始損傷,同時也使原先的定性觀察研究轉為定量計算研究,其研究成果能更好的指導工程實踐。但是,瀝青混合料體積特征的研究亦存在以下局限性:

        目前的混合料內部細觀研究多是二維識別與分析。因為不能完全考慮集料、膠漿及空隙的三維體積特征,所以在考慮某個單元體時,具有一定的隨機性與變異性;由于檢測設備、數據處理系統的軟硬件的限制,瀝青混合料細觀結構研究仍處于理論研究階段;研究瀝青混合料的級配特征時,集料的二維面積級配與三維體積級配間存在差異。

        2)瀝青混合料試件動態加載時的內部結構研究

        在靜態研究瀝青混合料內部結構形態、尺寸和分布等體積特征的基礎上,對瀝青混合料試件在動態加載時內部結構的變化做定量研究。臺灣國立成功大學黃隆升[1]運用數字圖像技術對不同類型瀝青混合料的粗集料在高溫碾壓狀態下的行為軌跡進行了定量分析,分析不同級配類型對高溫抗車轍能力的影響效應。華南理工大學李曉軍[2]利用CT技術對SGC成型的瀝青混合料試件在動態加載狀態下的內部損傷行為進行了實時測量,結果令人滿意。 Hartman A M[3]等運用數字圖像技術,分析瀝青混合料小梁四分點試驗的疲勞性能,通過圖像采集系統,研究實時加載過程中小梁的變形及破壞特征,并采用了數字圖像與內置位移傳感器相結合的對比分析方法,二者結果吻合度較高。

        1.2瀝青混合料細觀力學研究的實現手段

        目前,研究人員主要采用以下兩種方法來獲取瀝青混合料的細觀結構信息[4].

        1)X-ray CT無損傷掃描

        利用CT技術對瀝青混合料試件內部細觀結構進行掃描研究的特點主要是:成像精度較高,在研究瀝青混合料時間內部細觀結構時,宜采用工業CT。比如俄羅斯生產的BT500型工業CT機,其最大工作電壓為450kV,檢測的幾何靈敏度可達到0.05mm,成像的圖片為100×像素;在檢測中,不會破壞樣品的整體性,同時可多次對試件的不同層面(包括橫向與縱向)重復掃描。

        2)CCD數碼相機拍照

        采用數碼相機拍照技術對瀝青混合料結構進行識別與分析時,主要是利用各種材料具有不同的色彩來區分。從瀝青混合料色彩來看,集料呈現為灰色或者白色,瀝青膠漿接近黑色,而空隙通常為深黑色。

        在數碼拍照前,需要將瀝青混合料時間按指定位置切開,獲取其內部細觀結構信息。通常情況下,集料顆粒的邊緣在切割時容易發生松散破碎,出現許多松散連接的顆粒群,邊緣模糊。宜將瀝青混合料試件在零下五攝氏度冷液中冷凍約兩小時,然后再進行切割,集料邊緣松散狀況可得到顯著改善。

        瀝青混合料細觀結構的重構是進行細觀力學分析的基礎。隨著數字化技術的發展,又出現了一系列新的細觀結構信息收集方式,比如X斷層掃描、數字掃描、磁共振(或核磁共振)、視頻圖像以及數字圖像處理技術[5]等。

        2瀝青混合料細觀力學的數值模擬方法

        隨著檢測技術的不斷發展,越來越多的學者致力于研究瀝青混合料內部細觀結構與外部宏觀力學性能之間的關系。目前,道路瀝青混合料內部結構細觀力學模擬[6]的主要方法包括以下三種:

        1)離散元法

        離散元法是近30多年來發展起來的用于解決非連續介質力學的數值方法,其基本特征在于允許單元體發生有限的位移和旋轉,在計算過程中能夠自動識別各個離散塊體的平動、轉動,甚至分離和接觸的重新生成,彌補了有限元法或邊界元法的介質連續和小變形的限制,而且離散元法無須滿足位移連續和變形協調的條件,認為大變形行為是各單元作為獨立個體運動和變形的宏觀顯現,因此離散單元法尤其適用于大變形和旋轉等非連續介質模型的宏觀和細觀力學問題的分析,已經較為成功地運用于解決巖石解理、邊坡滑落和采礦等方面的研究。離散元法在瀝青混合料內部結構性能的模擬中也得到了應用。

        2)有限元法

        有限元法是應用最早也是應用最廣泛的數值計算方法,在瀝青混合料細觀結構的分析中,Sepehr較早的采用有限元法模擬瀝青混合料的微觀結構;Sadi Kose 結合數字圖像技術和有限元法計算了混合料中瀝青膠質應變的分布:Papagiannakis利用相應的圖形軟件分析瀝青混合料的數碼圖像特征后,采用有限元法對混合料直剪試驗的應變特性進行數值模擬;Masad E等也均采用有限元法對瀝青混合料內部結構與外部宏觀力學性能間的關系進行了數值模擬。目前應用有限元建模方法對瀝青混合料的微細觀結構進行力學分析,可以精確地建立集料與瀝青膠漿的幾何微細觀結構模型。

        3)邊界元法

        邊界元法是近50年來發展起來的一種數值方法。Soranakom C [7]等采用邊界元法對瀝青混合料細觀結構強度及其變形特征進行二維數值模擬,結果表明:邊界元法能夠較好的描述瀝青混合料內部裂紋的產生、發展及其在混合料內部的分布情況。

        3瀝青混合料的細觀損傷

        瀝青混合料材料的細觀損傷是指在外荷載或環境變化的條件下,由于體內細觀尺度的微缺陷如微裂紋、微孔洞等在荷載、溫度或環境效應等因素持續作用下,產生彌散裂縫并進一步增長、擴展、匯合,形成一定尺度的宏觀裂紋,導致結構的強度、剛度下降,以致最終發生破壞。由試驗分析得知,細觀上瀝青混合料的本構關系表現為彈脆性,微裂縫起裂和擴展表現為張拉形,宏觀上的剪切帶是已經擴展的細觀微裂縫網絡變形、錯動的結果。因此,可以采用彈性損傷本構關系來表達細觀單元的力學性質。基于細觀損傷的本構模型常用的有:美國西北大學Bazant教授于1985年提出的微平面模型(micro plane model)、二維格構模型、隨機粒子模型和基于彈性損傷本構關系的細觀結構模型等。

        4結語

        瀝青混合料是具有復雜結構的非均質的多層次(微觀、細觀、宏觀)復合材料體系,其宏觀行為在很大程度上受其復雜的內部細觀結構影響。因此,為了真正、全面地分析研究瀝青混合料的力學性能,應該從細觀角度入手,進行基于細觀的瀝青混合料力學性能的研究,并且將細觀和宏觀的方法結合起來。

        參考文獻:

        [1]黃隆升.瀝青混凝土巨觀車轍及微觀軌跡之行為機制分析[D].臺南:成功大學,2003.

        [2]李曉軍,張肖寧.CT技術在瀝青膠結顆粒材料內部結構分析中的應用[J].公路交通科技,2005,22(2):14-16.

        [3]Hartman A M, Gilehrist M D. Evaluating four-point bend fatigue of asphalt mix using image analysis[J]. Journal of Materials in Civil Engineering, 2004, 16(1): 60-68.

        [4]汪海年,郝培文.瀝青混合料微細觀結構的研究進展[J].長安大學學報(自然科學版),2008,28(3):11-15.

        [5]張蕾,王哲人.應用數字圖像處理技術研究瀝青混合料微細觀結構方法綜述究進展[J].中外公路,2008,28(3):168-171.

        第8篇:數字圖像處理綜述范文

        關鍵詞:遙感圖像;紋理特征;灰度共生矩陣法

        中圖分類號:TP18 文獻標識碼:A 文章編號:1009-3044(2013)09-2216-03

        1 圖像特征分析

        圖像最基本屬性稱為圖像特征,它是圖像內部最反映圖像本質的信息,圖像特征可以根據圖像所具有的色度、亮度、邊緣值、紋理或結構等劃分為多種類別,整個圖像在各個方面的屬性都得到了反映。這幾種特征主要分為統計特征(比如圖像的均值、方差、直方圖等)、幅值特征(比如圖像像素的灰度值、頻譜值等表示的幅值特征)、變換系數特征、邊界特征、拓撲特征以及紋理特征。

        下面對其中幾種重要的特征做出詳細的描述:

        1)變換系數特征:亮度圖像決定于變換域系數,它和原空間域圖像是相同的,都同時具有唯一性的變化,所以其變換系數可以稱為一種圖像特征。

        2)邊界特征:包括了亮度邊界點和噪聲點。圖像中的亮度邊界點是指利用灰度及三色值來表示的在一幅沒有噪聲的圖像中亮度突變或斷續的點。噪聲點和周圍的像素比較起來也是具有灰度突變的性質,不過它是單獨的隨機點。

        3)紋理特征:紋理特征在所有圖像特征的種類中是一種相當重要的特征,它反映了圖像或物體本身的屬性。例如對遙感圖像的分析和解譯,最根本的依據就是波譜信息和空間信息兩個方面的數據,即灰度和紋理信息。以前對圖像的波譜信息的使用是最頻繁的,隨著衛星遙感圖像信息處理的技術不斷的提高和發展,單利用波譜信息早已適應不了遙感應用技術的發展需要。譬如,在地質學的角度來看,巖石受含水性或其他因素的影響,它的波譜信息顯示的非常雜亂而且沒有可循的規律性,但是紋理反映的信息是與巖石的類型有緊密的關系,它詳細地描述了巖石表面的粗糙度和巖石的影文結構,所以紋理信息有助于我們將兩種不同的物體區別開來,對巖石識別有必要的輔助作用。

        2 紋理特征分析

        目前對紋理準確的概念在業界還沒有統一的標準性定義。我們把圖像的像素灰度級或顏色相關的變化指定為圖像紋理的一般描述。序列是按照某種特定的規律排列的基本部分所構成的;在某種序列范圍之外,其局部的序列信息是不斷的重復出現的;各基本部分在紋理范圍內的所有地方都是具有幾乎相同的結構大小,并且基本都是均勻的統一體。我們將這個系列的基本部分一般命名為紋理基元,紋理基元是一種或多種有特定形狀大小的圖像基元的組合,所以紋理也可以認為是由紋理基元按照一種特定的統計規律排列,或是按照某種確定的規律組合而成的,我們把前者稱為隨機性紋理,將后者稱為確定性紋理。

        紋理在圖像中有很多特性,通常表現為疏密性、均一性、周期性、平滑性、粗糙性和復雜程度,特別的還有紋理基元或灰度空間組合的某些特征,如頻率、強弱的程度以及方向性會在一個區域內重復地出現,這些特性的改變能深刻的影響圖像的質量,使圖像的外觀產生非常大的改變。粗糙程度和局部的灰度變化與空間中的重復周期是相關的,長周期和低頻率的是粗紋理,短周期的是細紋理。對紋理進行描述的參量有很多方面,包括紋理的密度、強度、方向和紋理的粗糙程度等。此外,紋理是二維的,只有一個點是無法描述紋理特征的,所以對紋理進行計算需要選擇窗口。

        分析紋理的方法一般概括為兩類:一種是統計紋理分析法;另一種是結構紋理分析法。基于事物的構成不同,并且空間分布也具有很強的多樣性和復雜性等原因,遙感圖像的紋理并不擁有規則不變的局部模式和簡單的周期重復,它的紋理信息和周期重復只是建立在統計學理論基礎之上的,這樣遙感圖像紋理分析主要采用的是統計紋理分析方法,而結構分析方法在遙感圖像中的應用所得到的結果沒有用統計紋理分析方法的效果好。

        3 空間灰度共生矩陣法

        對于紋理圖像的特征分析和提取方法是多種多樣的,其中一種常用而且非常有效的統計特征提取方法就是空間灰度共生矩陣法。空間灰度共生矩陣主要表示的是在圖像中某兩個像素在相同方向且不同位置上出現的概率的大小,這種方法的使用是在圖像灰度的二階統計特性的基礎之上的。

        1)灰度共生矩陣的定義

        在圖像中任取兩個像素點[x1,y1]和[x2,y2],設他們之間的距離為[d],并分別設[i]和[j]為兩點對應的灰度值。由下圖可知,根據給定的距離[d],與像素點[x1,y1]對應的有不在圖像邊界上的8個相鄰的點[x2,y2],于是我們若對圖像進行統計就可以選擇[θ=0?]、[θ=45?]、[θ=90?]和[θ=135?]這四個不同方向的角度,如圖1所示。

        在這四個角度上我們可以得到四個灰度共生矩陣:[P0?]、[P45?]、[P90?]和[P135?],它們的含義可理解為與灰度是[i]的點[x1,y1]相距達到[d]的長度且灰度達到[j]的點[x2,y2]能夠出現的概率,即:

        由此我們可知灰度共生矩陣法實際上就是關于對稱矩陣中相鄰基元之間的距離和角度的函數,即[Pi,j=Pj,i]。我們通過一個簡單的例子來體會下灰度共生矩陣的作用:有一幅數字圖像是[4×4]個四灰度級的,假設當[d=1]時通過計算得到的空間灰度共生矩陣,其中公式(1)表示的是灰度級為[0-3]的[4×4]圖像,公式(2)-(5)分別表示的是當[d=1]時四個角度的共生矩陣。

        我們在分析圖像時,灰度共生矩陣只要確定下來,圖像的方向模式就可以通過分析提取的圖像特征[P0?]、[P45?]、[P90?]和[P135?]的大小來得到,特別強調的是[d]和[θ]是決定這些特征的關鍵。比如說,若使空間灰度共生矩陣趨于均勻分布,紋理要細并且是不規則的,[d]的取值要比紋理基元大,此時像素對的灰度值通常才會有大的差別;如果空間灰度共生矩陣趨于對角分布,紋理需要是粗糙且規則的,當[d]的取值比較小時,像素對灰度值才會相似。我們可以得出,分析紋理的粗糙度需要通過計算矩陣中根據不同的[d]值決定的元素,并且要計算元素關于主對角線的離散程度才能達到分析紋理的目的。

        4 結束語

        在紋理有方向的情況下,通過比較矩陣值隨[θ]變化的分散程度就能夠分析紋理的方向性,這樣也可以達到紋理分析的目的,因為空間灰度共生矩陣對角線上的值是隨[θ]變化而變化的。由此可得,直觀地反映紋理圖像的某些特性是灰度共生矩陣的一大特色,而且它擁有恰好滿足人類視覺特性需求的統計方法,所以提取特征分析紋理的方法中比較簡單實用的就是空間灰度共生矩陣法。

        參考文獻:

        [1] 何東健,耿楠,張義寬.數字圖像處理[M].西安:西安電子科技大學出版社,2003(7):213-218.

        [2] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖像圖形學報,2009(4).

        [3] 阮秋琦.數字圖像處理學[M].北京:電子工業出版社,2010.

        第9篇:數字圖像處理綜述范文

        關鍵詞:壓縮感知;低速采樣;圖像壓縮

        中圖分類號:TN919 文獻標識碼:A 文章編號:1009-3044(2010)04-0958-02

        A Primary Research on Compressed Sensing Based Image Compression

        ZHANG Rui

        (Southwest Jiaotong University, Chengdu 610031, China)

        Abstract: The Nyquist law is applied to all the conventional compression coding algorithms, which prescribes that the sampling rate must be at least as twice as the signal frequency. As this algorithm leads to enormous calculation and resource waste, compressed sensing could be applied to image compression to reduce the account the sampling rate, several experiments are presented.

        Key words: compressed sensing; low-speed sampling; image compression

        如今,人們對信息的需求與日俱增。在人從外界獲得的信息中,大部分是視覺信息。而圖像以其生動直觀的特點以及包含的豐富信息,成為人們獲得信息的主要工具。然而巨大的數據量給圖像的傳輸和存儲帶來了極大的不便,圖像壓縮技術顯得尤為重要[1-3]。然而,在傳統的壓縮技術中采樣遵循奈奎斯特定律,依據該定律,為了不破壞或丟失信號信息,采樣速率要高于原信號頻率的兩倍。傳統的壓縮模式是,先對信號進行高速采樣,得到大量采樣值,進行變換得到大量的系數,在編碼時又刪減了大部分的系數只提取少量的包含重要信息的作為有效值,對有效值及其定位信息進行編碼,這個過程浪費了大量的采樣資源,加大了計算復雜度,也造成了不必要的內存浪費。近年來,Donoho等人提出了一種新穎的理論――壓縮感知理論[4-8],在該理論中,采樣速率不再決定于信號的帶寬,而決定于信息在信號中的結構和內容。基于壓縮感知理論,信號可進行低速采樣,然后進行編碼,這大大降低了計算復雜度。本文著重對基于壓縮感知理論的圖像壓縮編碼進行探討,并進行了實驗仿真。

        1 壓縮感知理論介紹

        假定長度為n的信號X,在空間基Ψ上的具有表達式X=Ψ,其中系數向量中只有K個非零值,則稱X為K-稀疏信號。壓縮感知理論指出,將稀疏信號投影到一個隨機矩陣上得到少量的投影值,該投影矩陣與稀疏基Ψ不相關,根據這些投影值即可高概率恢復信號,以此實現了對信號的低速采樣。即若存在一個與Ψ不相關的M*N的變換基Φ,M

        理論證明,基于壓縮感知重建信號時,要提高重建圖像的質量,包括兩方面的主要工作:1)構造測量矩陣Φ,保證圖像投影時能盡可能多地把結構信息等投影在測量矩陣上,信息越完整重建圖像的質量越好;2)選定圖像具有稀疏表達的稀疏基Ψ[4-8],Φ與Ψ越不相關,圖像重建質量越好。

        圖1為仿真實驗結果,實驗中采用256*256的Lena圖像,采用CS理論進行抽樣后重建的圖像,選取了25000個測量值。

        2 壓縮感知理論應用于圖像壓縮

        2.1 圖像壓縮概況

        1948年電視信號數字化的概念提出以后,對圖像壓縮編碼技術的研究工作就開始了,至今已經有60多年的歷史。圖像壓縮編碼技術經歷了兩代,第一代如基于DCT變換的技術,在壓縮比較大時會出現方塊效應,第二代以基于小波變換的壓縮算法最具代表性,小波變換本身并不具備壓縮性能,小波變換后獲得的數據量與原圖的數據量是相等的,經過適當的量化和編碼后才能實現壓縮。但是這些方法都是先對圖像進行高速采樣,在壓縮編碼時再去除冗余的方法,計算量巨大。

        2.2 基于壓縮感知理論的圖像壓縮

        壓縮感知理論一經提出,就受到了廣泛的關注,該理論不斷被應用到數字圖像處理中。

        如前所述,在傳統的圖像壓縮算法中,都是先對圖像進行高速采樣,即進行變換后得到大量變換系數,但是為了實現圖像壓縮又選取其中一小部分系數,稱作有效值,扔掉大部分的系數,對有效值及其位置信息等進行壓縮編碼后再進行傳輸或存儲。而采用壓縮感知理論進行抽樣時,可以直接對圖像進行隨機抽樣,只得到少量的抽樣值,對抽樣值進行量化編碼即可進行傳輸或存儲,不必記錄每個有效值的位置信息并對其進行編碼,這大大降低了計算復雜度,也避免了不必要的空間浪費,最重要的是實現了低速采樣。流程圖如圖2。仿真實驗中采用了Huffman編碼算法,分別選取了10K、25K、20K、25K個測量值,實驗結果如表1,解碼重建圖像如圖3。由實驗數據可知將壓縮感知理論應用于圖像壓縮是一項可行的技術,通過改進算法即可獲得優良的壓縮性能。

        3 結束語

        由初步的仿真實驗結果可知,如果能構造適合的投影矩陣,在少量投影值中包含足夠的原信號信息,即可高概率重建信號。構造更適合的投影矩陣,將是接下來的主要研究內容。

        參考文獻:

        [1] 覃鳳清.數字圖像壓縮綜述[J].宜賓學院學報,2006(6).

        [2] 喻玲春,謝小春.壓縮感知理論簡介[J].數字視頻,2008,32(12).

        [3] 石光明,劉丹華,高大化,等.壓縮感知理論及其研究進展[J].電子學報,2009(5).

        [4] David pressed sensing[J].IEEE Trans on Information Theory.2006,52(4):1289-1306.

        [5] Emmanuel Candèpressive sampling[A].International Congress of Mathematics[C].Madrid,Spain,2006(3):1433-1452.

        [6] Emmanuel Candès,Justin Romberg,Terence Tao.Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information[J]. IEEE Trans on Information Theory,2006,52(2):489-509.

        [7] Emmanuel Candès,Justin Romberg.Quantitative robust uncertainty principles and optimally sparse decompositions[J].Foundations of Comput.Math..2006,6(2):227-254.

        [8] Emmanuel Candès,Justin Romberg.Practical signal recovery from random projection[EB/OL].acm.caltech.edu/emmanuel/papers/PracticalRecovery.pdf.

        [9] Justin Romberg.Imaging via compressive sampling[J].IEEE SIGNAL PROCESSING MAGZINE,2008(3).

        无码人妻一二三区久久免费_亚洲一区二区国产?变态?另类_国产精品一区免视频播放_日韩乱码人妻无码中文视频
      2. <input id="zdukh"></input>
      3. <b id="zdukh"><bdo id="zdukh"></bdo></b>
          <b id="zdukh"><bdo id="zdukh"></bdo></b>
        1. <i id="zdukh"><bdo id="zdukh"></bdo></i>

          <wbr id="zdukh"><table id="zdukh"></table></wbr>

          1. <input id="zdukh"></input>
            <wbr id="zdukh"><ins id="zdukh"></ins></wbr>
            <sub id="zdukh"></sub>
            一级a爱片视频在线观看 | 日韩天堂一区二区三区 | 婷婷四房综合激情五月在线 | 亚洲日韩欧美一区久久久久久久 | 亚洲五码在线视频 | 五月丁香综合缴情六月在线 |