关键词： 图像处理
图像自动处理（精选十篇）
图像自动处理 篇1
图像处理技术已广泛应用于宇航、地理环境、广告媒体等等领域当中,而且图像处理任务需求的不断提高对系统的数据存储、计算能力等方面都提出了更高的要求。但是传统的图像处理系统由于架构的局限性使其在功能实现、维护、升级以及移植等方面都存在不足。
网格概念的引入为解决传统系统的问题提供了新的思路,但是现有的系统并不完全适合。当前工作流系统在大部分研究中需手动建立工作流,包括Pegasus[3]、Triana[4]、Taverna[5]和Kepler[12],这对专业知识不足的一般用户来说很困难。Pegsus具有自动工作流组合的额外功能,它以一种将不能执行的抽象工作流映射到可执行具体形式的方式进行,但并不支持循环,而循环是建模迭代过程所必不可少的。许多的网格系统采用面向系统或者面向应用的匹配方法,尝试分别优化资源利用和执行时间[6,7]。G-QoSM[8]关注于建立在Qo S标准上的网格计算服务发现,通过在服务提供商和服务请求者之间的“协商满意度”来建立Qo S等级,但其UDDI描述是一个非标准的扩展。
本文提出了结合Qo S和自动处理的网格系统设计模型。本模型采用高级请求分解并自动生成工作流,通过处理网格服务Qo S属性的匹配处理过程,在满足Qo S需求前提下找到最优服务组合。
1 总体模型架构
根据目前的相关研究,本文提出基于Qo S的图片自动批量处理模型总体架构如图1所示。
模型设计者只针对任务分解模块的设计层进行操作,能够定义和调整任务分解模块设计层的本体,并能对不同功能需求在设计层建立工作流设计模型。
用户可向任务分解模块发出任务请求,并接收系统返回任务响应。用户还可以将执行结果反馈给任务分解模块,以便为以后的任务处理提供参照。
服务提供商为网格系统提供基本底层处理模块,并将服务信息发布到注册服务器。用户可通过任务响应触发调用服务。
任务分解模块的主要功能是将用户高级请求转为一个工作流。通过语义分析,用户高级请求可被计算机不断地递归分解,最终产生可被映射到网格低层任务的子任务。此过程相应地产生一个子任务流,之后任务分解模块向任务匹配模块发出任务匹配请求。
任务匹配模块主要为子任务寻找满足需求的资源。此模块主要包括模块核心、匹配管理器、匹配引擎。其中模块核心负责与任务分解模块交互并管理匹配引擎和匹配管理器;匹配引擎负责从注册服务器中查找满足任务低级要求(不包括Qo S需求)的服务集合,并作为已发现目标传给匹配管理器;匹配管理器通过查询通道对服务进行选择。
2 任务分割模块
任务分割模块以Gayathri Nadarajan提出的视频处理方法[2]为基础,使用一种基于语义的工作流组合方法。它具有设计层和工作流层,如图2所示。
设计层包括描述目标、领域、功能和处理过程的组件。它们被描述为三个本体和两个库:目标本体、领域本体、功能本体,处理库和案例库。处理库保存工作流任务可执行过程的实例,案例库保存可行解决方案。模型设计者可完成如建立库和修改本体这样的操作。
工作流层是用户和系统的接口,也是设计层到任务匹配模块的主接口。它实现组件间平滑连接,并通过与用户交互实现选择处理用户数据集的数据、访问和释放不同的资源。主要是将用户高级请求转为计算机可“理解”的工作流。工作流建立后,任务匹配请求将被提交到任务匹配模块,以寻找满足子任务需求的资源。任务匹配结果将传回工作流层返回给用户。
为能对高级图像处理任务进行分割,使用三个本体:目标本体描述高层目标和用户与系统交互约束;领域本体描述图像相关的概念和关系,如颜色;功能本体描述图像类型,处理工具和性能。
用户向系统提交目标及约束的领域描述,请求和领域知识可通过目标本体和领域本体捕捉。处理过程实例被保存在处理库,并随任务分解被选中。案例库保存着处理方案,系统以执行性能属性与这些案例联系。这样可在某些多解任务中提供可选处理方案。之后,任务将被转为由简单功能集合表示的一系列活动。
如“Detection(发现)”这样一个任务,可对应一个处理模型,如图3所示。
如对“Segmentation”任务再分解,假设“background subtraction”是一种可行方法,在处理库中以Prolog语法表示如下:
“Background Model Construction”,“Model Differencting”和“Background Model Update”都由许多子任务组成,而这些子任务也可能可分解。为使解决方案不断优化,处理完成任务后,性能和用户反馈也存入案例库。
3 服务匹配模块
本模块的核心是在用户开销限制内找最快解决方案。本文引入最小时间匹配约束,将其应用到资源选择上。通过调整采用资源,系统在满足开销限制前提下为用户提供尽可能好的性能。
3.1 最小时间匹配法
最小时间匹配法适用满足数据并行处理要求的网格应用任务,而数据并行模式也看作是主从模式。类似于可分割载入理论应用模型,即主任务分解成大量(有限)子任务,称作原子任务。原子任务是原始工作量的最小部分,可被独立映射到不同资源上而不依赖临时优先级关系。对包含大量图像的图像集合进行处理的主任务可分解为对应若干数据集合的子任务,进一步可将处理每个图像都视作原子任务。
计算规模是描述应用的复杂度。计算规模对应于原子任务的总属N,而每个原子任务都以一个相同的计算、数据存储和数据传输规模复杂度作为属性。
网格系统被建模为一个可用资源有限集合R={R1,R2,…,Rm},其中的可用资源是通过充分连接的广范围网络相互通信的。每个资源都被发布为一个网格服务,并以性能、开销和容量等属性描述,原子任务执行时间和开销假设是均衡的。这样,对每个资源Ri∈R,性能被建模为原子任务处理总时间ti。资源开销记作ci,描述处理一个原子任务的开销。容量gi表示可被指派到资源Ri上原子任务的最大量。可由用户限定的Qo S参数是:(1)最大执行时间记作D;(2)总体预算,记作B;(3)并行任务容量N,指被执行原子任务总数。
最小时间匹配法是为了在分摊工作量N的资源中寻找最佳资源集合,使资源的总体开销低于预算B并在D之内可尽快(时间最小)完成。
严格的匹配约束为:
最小化:
须满足:
其中ni∈N0是指派到资源Ri上的原子服务量,式(2)为不超时限,式(3)为约束原子任务数量,式(4)为不超预算,式(5)为不超源容量限制。
考虑到可分割载入理论的最优化原则[17],为减少执行时间,最小时间法通过一个启发式方法来解决。此方法指派一部分且非统一数量的原子任务到可用的资源上,使得他们在相同时间内完成:
由表示对某一资源具有最高性能的原子任务执行时间,而表示分配到该资源的原子任务数量,通过(6)对的评估允许对所有ni评估:
以式(3)和式(4)为条件,得到:
一些低复杂性算法可得到近似最优解决方案,这些算法可寻找ni的整数值[11]。如超预算,则降低指派到最昂贵资源上的原子任务数,并以一种均衡性能方式指派到其余资源上。当此原子任务重分布不够解决预算超出的时候,最昂贵资源被从可用资源列表中移除,此过程不断迭代。
3.2 网格服务QoS描述
描述网格服务Qo S参数的Gon Qo S[15]建立在on Qo S的基础上。Gon Qo S是一种使用描述Qo S、发布并查询服务的OWL开发的本体,目的是为在保持弹性和扩展性等特性的同时确保简单性。它被绑定到OWL-S本体上,OWL-S本体允许将一个Qo S描述连接到相应的功能描述上。
本服务匹配模型整合了最小时间匹配法,以Ndia Ranaldo和Eugenio Zimeo的Qo S网格模型[10]为基础。功能查询通道使用三种匹配过滤器:
基于OWL-S服务操作的语义匹配;
基于OWL-S服务输入、输出的语义匹配;
服务操作WSDL的结构化语法匹配。
非功能查询通道使用两种匹配过滤器:
低级Qo S匹配过滤器(BQMF),在Gon Qo S本体的基础上提供Qo S标准的语义匹配;
高级Qo S匹配过滤器(AQMF),根据最小时间匹配约束返回满足Qo S需求的服务集。
BQMF和建立在本体描述上的功能匹配过滤器参照文献[13]提出的匹配方法。此过滤器使用的匹配引擎被称作一对一匹配引擎。它为目标空间的每个目标分别地触发相关的匹配功能,并且将此匹配功能的匹配结果分别指派到它们中的每一个上,同时过滤掉不满足查询标准的目标。此结构化语法匹配功能以文献[14]提出的方法为基础。Qo S描述被采用来执行BQMF,将不符合下面约束的目标剔除掉:
AQMF使用一对多匹配引擎,它处理从前置过滤器BQMS返回的服务集合。由AQMF过滤器返回的结果建立在最小时间匹配法上,最后通过服务选择结果和抽象工作流生成具体工作流文档。
3.3 基于最小时间匹配策略的任务匹配
服务匹配的核心在于高级Qo S匹配,任务被分解后产生的子任务将通过Qo S约束匹配到相应资源上。首先由原子任务描述在侯选资源中选出可用资源,并产生对应每个原子任务资源池。通过总任务分解结果产生的子任务流程将资源池串联起来形成资源池上的工作流。进而通过Qo S约束对资源池的资源再筛选,得到能满足用户Qo S需求的解决方案。
这里只考虑任务对应一个顺序工作流的情况,循环或迭代的情况类似,对所有图像采用统一处理过程。假设总任务分解产生n个子任务。如果用户要处理图像集合中图片数为m,则每个子任务将有m个原子任务。每个任务对应一个能够完成该任务的资源池。资源池的资源通过任务描述来选择。资源处理结果基本一致,但由于资源成本不同,性能存在差异。这里性能指该资源处理原子任务时间。
该任务中有m原子任务,而资源池有若干候选资源,这是个资源分配问题,其中要考虑资源的性能、开销,还有资源所能容纳的原子任务的数量即资源容量。通过最小时间匹配约束,所有原子任务能被全部一次或者多次分配到资源池的资源上。形成一种方案,能不超过用户预算并尽快完成任务处理。
在进行资源选择前,先对用户预算要求原子化,即将预算分配到底层子任务上。为实现对预算分解,需在子任务定义中加入一项属性:任务等级。它描述子任务的重要程度。需根据专家建议将图像处理子任务划分为等级。系统以任务等级为权重结合任务分解结果可得各子任务预算,计算过程如下:
其中,假设某一任务分解为n项子任务(w1,w2,…,wn),预算为B,子任务的预算为c,求任务等级处理为G。
4 服务调用测试
4.1 测试用例
本实验旨在测试服务组合和调度问题,所建立服务为无实际功能的虚服务。以一个边缘检测图像处理任务为测试用例,选择Canny边缘检测为处理过程。对此任务进行分解得到四个子任务,即高斯滤波平滑处理、计算梯度幅度与方向、梯度幅值非极大值抑制以及双阈值检测。处理库中以Prolog语法表示:
四个子任务的任务等级分别定为4,2,1,3。处理这四个子任务的服务按功能分别简化表示为S,G,R和D,对每种类型各取三个服务类。每个类具有若干个服务实例。在表1中列出了每个服务类的Qo S参数,开销参数与资源性能近似成反相关。
4.2 测试环境
UDDI用来发布网格服务的集合。对其中每个服务定义WSDL描述,其中包括了以Gon Qo S本体语言描述的Qo S参数。服务被实施为一个网格服务,由于被部署资源执行能力而具有一个固定间隔时间来执行一个原子任务。整体服务查询是对已选服务的并发触发并等待完成来实现的。匹配引擎通过UDDI代理UDDI4J[16]与UDDI注册服务器相互作用,其中UDDI4J是对商业注册和UDDI API的一种开源的Java实现。
采用的描述语言包括:
1)WSDL(version 1.1),描述服务接口;
2)OWL_S(version 1.1),描述功能和数据语义;
3)Gon Qo S,描述执行最小时间匹配法的必要参数;
4)BPEL4WS,描述工作流。
对应表1,实验考虑40个服务,他们部署在基于Tomcat的Axis 2.0容器的4个分布式资源上,具有Pentium4 3.0GHz和512MB内存。
4.3 测试结果
图3显示了在考虑一个时限为1500,预算为2000的用户请求时的对应S服务类的原子任务分配情况(其他服务类情况类似)。图中原子任务数从10到60变化,模拟不同应用规模。可以看到,任务数为10时,所有任务都被分配到性能最高的S1上。但随着任务逐渐增多,预算不能满足将所有任务分配到最昂贵的资源上,分配到S1上的任务开始减少,性能较低、开销较少的S2的分配数开始增加,最终S1上不再被分配任务。随着任务数的进一步增加,S2的任务分配数也开始减少,分配到最便宜资源S3上的任务数开始增加。在这样的过程中,系统总是在满足预算前提下尽可能选取最快资源。
图4显示了原子任务数为50,执行时间随着预算从1000增加到3000的变化情况。预算增加使得性能较高但较昂贵的资源更有机会被分配更多的任务,很明显地使得执行时间不断减小。
通过实验,我们可以看到本模型可以根据用户的Qo S限制以及服务Qo S属性来选择服务,并以相应工作流对总任务分解的子服务进行组合处理。由于Qo S需求的改变,任务处理过程中所使用的子服务组合相应变化,使在满足需求前提下得到最优的性能。
5 总结
本文提出了一种结合用户Qo S需求处理的图像自动处理设计模型,自动生成工作流并选择满足功能需求和非功能需求的服务。功能需求帮助系统能够处理用户提交的任务,而非功能需求能够解决用户对服务质量的限制。而以网格作为系统的底层处理环境解决了传统系统的计算能力限制问题。这些设计使得非专业用户以专业的处理过程完成图像处理任务的同时还能够满足自己的Qo S需求。
一种基于图像处理的自动调焦系统 篇2
关键词：自动调焦 图象处理 虹膜识别
在摄影摄像技术中，调焦是保证感光介质所记录的影像取得清晰效果的关键步骤。调焦机构就是用来调节摄像镜头和感光介质之间的距离，使得像平面落在感光介质的表面。目前，常用的自动照相机、摄像机和数码相机中多采用自动调焦，即根据被摄目标的距离，由集成电路指使镜头前后移动到相应的位置上，从而使被摄目标自动清晰成像。自动调焦技术从20世纪70年代后期发展起来，到现在已经日臻成熟并取得了广泛应用，从而使摄像、摄影设备的自动化功能更加完善。
1 自动调焦的几种主要方式
从基本原理来说，自动调焦可以分成两大类：一类是基于镜头与被摄目标之间距离测量的测距方法，另一类是基于调焦屏上成像清晰的聚焦检测方法。(本网网收集整理)
1.1 测距方法
测距方法的自动调焦主要有三角测量法、红外线测距法和超声波测距法。
(1)三角测量法 测距原理如图1所示。左边的反射镜是局部镀膜反射镜，即中间一小块反射右边来的光线，其余大部分视场透射前方直接进入的光线，这样在调焦平面上的影像如图1左下角所示。右边的反射镜在电路控制下转动，调焦平面上有光电元件进行探测，当透射和反射的两部分影像重合的时候，可动反射镜的摆动角α/2和物点A的距离D之间有如下关系：
α/2=(1/2)arctg(b/D)
式中，b为基线长。
于是，系统可以计算出被摄目标和镜头之间的距离并驱动镜头运行到合适的位置，完成调焦。
(2)红外线测距法 该方法的原理类似于三角测量法，所不同的是由照相机主动发射红外线作为测距光源，并用红外发光二极管的转动代替可动反光镜的转动。
(3)超声波测距法 该方法是根据超声波在摄像机和被摄物之间传播的时间进行测距的。照相机上分别装有超声波的发射和接收装置，工作时由超声振动发生器发出持续时间约1/1000秒的超声波，覆盖整个画面的10%。超声波到达被摄体后，立即返回被接收器感知，然后由集成电路根据超声波的往返时间来计算确定调焦距离。
红外线式和超声波式自动对焦是利用主动发射光波或声波进行测距的，称之为主动式自动对焦。
1.2 聚焦检测方法
聚焦检测方法主要有对比度法和相位法
(1)对比度法 该方法是通过检测影像的轮廓边缘实现自动调焦的。像的轮廓边缘越清晰，则它的亮度梯度就越大，或者说边缘处景物和背景之间的对比度就越大。反之，离焦的像，轮廓边缘模糊不清，亮度梯度或对比度下降;离焦越远，对比度越低。利用这个原理，将两个光电检测器放在底片位置的前后相等距离处，被摄影物的像经过分光同时成在这两个检测器上，分别输出其成像的对比度。当两个检测器所输出的对比度相等时，说明调焦的像面刚好在两个检测器中间，即和底片的位置重合，于是调焦完成。
(2)相位法 该方法是通过检测像的偏移量实现自动调焦的。如图2所示，在感光底片的位置放置一个由平行线条组成的网格板，线条相继为透光和不透光。网络板后适当位置上与光轴对称地放置两个受光元件。网络板在与光轴垂直方向上往复振动。从图2可以看出，当聚焦面与网络板重合时，通过网格板透光线条的光同时到达其后面的两个受光元件。而当离焦时，光束只能先后到达两个受光元件，于是它们的输出信号之间有相位差。有相位差的两个信号经电路处理后即可控制执行机构来调节物镜的位置，使聚焦面与网格板的平面重合。
各种自动对焦方式各有其局限性。例如红外测距和超声测距的对焦方法，当被测目标对红外光或超声波有较强的吸收作用时，将使测距系统失灵或对焦不准确;而对比度法聚焦检测受光照条件的制约，当光线暗弱或
一种用于自动调焦图像的降噪方法 篇3
图像清晰度评价是实现数字图像自动调焦的关键，而调焦图像降噪直接影响着图像评价的准确性。为有效抑制调焦图像中存在的两类主要噪声，结合椒盐噪声和高斯噪声特点，综合采用十字中值滤波法和维纳滤波法实现了图像降噪。实验结果表明，相比于单一降噪方法，综合方法不仅能最大程度地降低两类噪声，而且能较好地保护图像细节，可作为自动调焦成像系统图像预处理的主要方法。
关键词：
图像降噪； 十字中值滤波； 维纳滤波； 自动调焦
中图分类号： TP 911.73 文献标志码： A doi： 10.3969/j.issn.10055630.2016.01.010
A noise suppression method for automatic focusing image
ZOU Changfan1，2， HUANG Fuyu1， ZHU Xiaobing3， SUN Ming3 ， FENG Zhiyi3
（1.Department of Electronic and Optical Engineering，Ordnance Engineering College of PLA， Shijiazhuang 050003， China；
2.Yangzhou Military Representative Office，the General Armament Department of PLA， Yangzhou 225009， China；
3.Unit 63861 of PLA，Baicheng 137001， China）
Abstract：
The articulation evaluation is one factor for the automatic focusing of digital images， and the noise suppression of automatic focusing image directly affects the accuracy of image evaluation. To suppress the two main noises of salt/pepper noise and Gaussian noise， the method integrating cross median filtering and Wiener filtering is adopted. The results show that compared with the single noise suppression method， this integrated approach not only can decrease the two kinds of noises smoothly， but also can protect the image details. The proposed method can be used as image preprocessing for the automatic focusing imaging system.
Keywords： image noise suppression； cross median filtering； Wiener filtering； automatic focusing
引 言
在自动调焦图像采集过程中，由于周围环境杂波、成像器件工艺等因素会引入各种各样的噪声，使得图像产生不同程度的模糊，由此影响到图像的分析和评价，因此有必要对图像进行预处理，以减少噪声对图像评价的影响。从噪声类型上看，调焦图像主要考虑椒盐噪声和高斯噪声[1]。从频域上看，图像边缘和噪声都属于高频部分，如果降噪方法选择不当，会在噪声抑制的同时损失图像边缘信息，影响图像评价的准确性。目前，典型图像去噪方法主要有形态学滤波法、中值滤波法、高通滤波法、自适应滤波法、小波变换法等[24]。在这些算法中，有的运算量偏大，难以满足实时目标检测需求；有的只对特定噪声效果较好，无法很好地处理多种噪声。为此，针对调焦图像中同时存在的椒盐噪声和高斯噪声，本文集成中值滤波和维纳滤波的优势来进行噪声抑制处理。
1 调焦图像噪声
在经过图像非均匀校正和盲元补偿后，自动调焦成像系统输出图像的噪声主要有[1]：与成像器件相关的暗电流噪声；图像采集时产生的椒盐噪声；阻性元器件内部产生的高斯噪声。经黑色补偿后，暗电流噪声大大降低，因此，调焦图像的主要噪声变为后两种。
椒盐噪声也称脉冲噪声，是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声[5]，其噪声概率密度定义为[6]
式中：a和b为图像像素灰度值。假定b>a，则灰度值为a的像素将以概率pa在图像中显示为暗点（胡椒微粒），灰度值为b的像素将以概率pb在图像中显示为亮点（盐粉微粒），两者构成椒盐噪声。
高斯噪声也称为正态噪声[6]，是一类概率密度函数服从正态分布的噪声，其概率密度函数为
2 综合中值滤波和维纳滤波的降噪理论
中值滤波[7]是一种典型的低通滤波器，属于兼顾去噪和图像边缘保护的非线性滤波技术，它对干扰脉冲和点状噪声具有较好的抑制作用，非常适于椒盐噪声的滤除。其基本原理是把数字图像或者数字序列中一点的值用该点邻域各点的均值代替。对于二维数字图像进行中值滤波时，其滤波窗口也是二维的，且窗口有多种形状[1]，如线性、方形、圆形、十字形等，如图1所示，一般需要根据实际情况选取不同的滤波窗口。图像中任一像素点f（i，j）的中值滤波值为该点邻域窗口内所有像素点灰度值的平均值，定义为
g（i，j）=Median（i，j）∈S{f（i，j）}（3）
式中：S为像素点f（i，j）的N×N邻域；Median为取均值操作。
图1 常用中值滤波窗口
Fig.1 The common median filtering window
在实际应用中，滤波窗口尺寸一般选用3×3、5×5大小，取决于滤波要求。对于缓变的长轮廓物体图像，方形或圆形滤波窗口效果较好，而对于包含尖角物体的图像，十字形窗口效果较好。根据目标特性和算法性能需要，本文选用十字中值滤波法对椒盐噪声进行抑制。
在各种滤波去噪算法中，维纳滤波器是去除高斯噪声的经典算法中性能最好的滤波器之一[8]。维纳滤波又称为最小均方误差滤波，是由Wiener在1942年提出的一种线性图像复原方法[9]。其基本原理是对原始图像f，找出它的一个估计值f～，使f与f～之间的均方误差最小，从而达到去噪的目的。维纳滤波的误差函数为[10]
3 降噪效果与分析
3.1 十字中值滤波效果与分析
利用中值滤波法和邻域均值滤波法分别对加椒盐噪声后的图像进行处理，部分效果图见图2，不同滤波方法对不同大小图像的滤波处理时间见表1。
从图2和表1可以看出：邻域均值滤波法对噪声处理效果一般，效果图中仍有噪声存在，而且整幅图像变模糊；中值滤波法在平滑噪声的同时很好地保护了图像轮廓信息，图像细节得到了很好的保留；方形中值滤波效果要优于十字中值滤波效果，但后者运算速度要明显快于前者，而且后者滤波后图像噪声在可接受范围内，因此，十字中值滤波法更适用于实时性要求较高的调焦图像降噪。
3.2 维纳滤波效果与分析
利用高斯滤波法和邻域均值滤波法分别对加高斯噪声后的图像进行处理，处理效果如图3所示。可以看出，邻域滤波法和维纳滤波法都对高斯噪声有去噪效果，但邻域滤波后，图像变得模糊不清，对图像质量影响较大，而维纳滤波后的图像噪声水平更低，并且图像细节没有遭到破坏，说明了维纳滤波对高斯噪声抑制的有效性。
图3 不同滤波法对高斯噪声的处理效果
Fig.3 The processing effect of different filtering methods for Gaussian noise
3.3 综合滤波效果与分析
综合滤波是兼顾十字中值滤波法和维纳滤波法的优势，对同时含有椒盐噪声和高斯噪声的图像进行处理的方法，具体处理效果如图4所示。图4（a）为原始图像；图4（b）为含有两种噪声的混合噪声图像；图4（c）和图4（d）分别为单独采用十字中值滤波和维纳滤波处理后的图像；图4（e）为综合两种方法滤波后的图像。由图4（e）和图4（c）、图4（d）可以看出：单一滤波方法并不能有效去噪，滤波图像中仍残留噪声，这是由不同噪声的性质和不同滤波器的设计目标决定的；分别采用十字中值滤波和维纳滤波对混合噪声图像处理后，图像噪声得到了最大程度的抑制，而且图像细节也没有过多丢失，有利于后续图像质量评价工作的开展。
4 结 论
针对自动调焦图像中椒盐噪声和高斯噪声的抑制问题，本文兼顾十字滤波法和维纳滤波法的各自优势，采用综合滤波方法对两类噪声进行了降噪处理，取得了较好的效果。降噪实验表明：与其他滤波法相比，十字滤波法对椒盐噪声具有非常好的处理效果，并且算法实时性较好；维纳滤波法有效滤除了图像中存在的高斯噪声；本文采用的综合滤波方法即对两类噪声进行了最大程度抑制，又没有过多造成图像细节的丢失，这为后续基于图像质量评价的自动调焦设计打下了基础。
参考文献：
[1] 莫春红.基于图像处理的自动调焦技术研究[D].西安：中国科学院研究生院（西安光学精密机械研究所），2013.
[2] 卓宁，孙华燕，张海江.红外图像中弱小目标检测算法概述[J].光学仪器，2005，27（4）：8386.
[3] 田毅龙，李志军，王卫华，等.基于双核判决的红外小目标检测方法[J].红外技术，2012，34（7）：398403.
[4] 豆根生.红外弱小目标图像预处理及分割方法的研究[J].科学技术与工程，2008，8（18）：53135317.
[5] 王婷，吴亚峰，李仕云.一种椒盐噪声点的检测算法技术研究[J].声学技术，2007，26（6）：12451247.
[6] GONZALEZ R C，WOODS R E.数字图像处理[M].阮秋奇，阮宇智，译.北京：电子工业出版社，2008.
[7] 王群，何永强，周云川.基于中值滤波和生物仿生学的图像增强研究[J].光电技术应用，2011，26（5）：5154.
[8] 刘莉，谈文蓉.一种基于PCNN的有效去除高斯噪声的方法[J].西南民族大学学报（自然科学版），2012，38（4）：642647.
[9] 金飞，张彬，司璇，等.基于维纳滤波的图像复原[J].中国传媒大学学报（自然科学版），2011，18（4）：1923.
[10] 刘惠敏，刘繁明，夏琳琳.基于维纳滤波的图像边缘检测方法[J].工程图学学报，2008（6）：9195.
基于图像处理的自动调焦技术研究 篇4
1 基于图像处理的自动调焦方法概述
随着微电子技术的发展与数字图像处理理论的进步, 图像处理与存取变得更加便捷, 因此如何获得清晰图像使基于图像处理的自动调焦技术成为了自动调焦技术领域中研究的重点方向。
基于图像处理的自动调焦的原理指的是通过基于图像处理的调焦算法对图像探测器所采集的图像进行分析与处理, 对图像的离焦程度进行准确的判断, 依据调焦搜索策略对镜头进行驱动与控制, 从而实现图像向着清晰的方向不断发展, 直到图像能够实现对焦清晰为止[1,2]。
目前常用的自动对焦方法有DFD (Depth from Defocus, 离焦深度法) 和DFF (Depth from Focus, 对焦深度法) 。
DFD是指通过离焦的图像获取对焦目标的信息, 实现自动对焦。它通过对两到三帧离焦程度不同的图像进行分析与处理, 获取图像模糊、离焦等方面的信息, 通过这些信息实现对焦位置的判断, 驱动镜头实现自动对焦。DFD能够降低图像的采集次数与电机驱动时间, 调焦速度快;但误差较大, 在精度和稳定度方面比较差。
DFF是指利用对焦搜索机制实现的自动调焦。它采用清晰度评价函数对图像清晰度进行评价, 并根据清晰度评价函数值的反馈, 通过调焦搜索算法对镜头进行控制与驱动, 实现对焦准确。DFF的优点包括:第一, 具有了更加灵活多样的调焦判据;第二, 调焦控制电力与驱动结构更加简单;第三, 具有更好的使用范围与稳定性[2,3]。
2 基于图像处理的自动调焦的图像清晰度评价函数
2.1 图像的预处理
图像在成像的过程中, 会由于环境、器材等方面的原因引入各种噪声, 这些噪声会在不同程度上淹没或者改变图像中的一些重要的特征, 对调焦的效果造成影响。因此, 在成像的过程中需要对图像进行预处理, 所以要有针对性地选择噪声滤除的方法, 一方面要尽可能地对噪声进行滤除, 另一方面要尽可能对图像高频信息进行保留。
2.2 图像清晰度评价函数的评价标准
第一, 清晰度评价函数的调焦曲线应该具备单峰性, 方便对系统的离焦程度与离焦极性进行反映。第二, 调焦曲线的最大值与成像系统的对焦状态应该具备无差性;第三, 调焦曲线必须具备灵敏度, 以提高调焦的精度;第四, 清晰度评价函数应该具有抗干扰性[4]。
2.3 以空间域为基础的图像清晰度评价函数
2.3.1 传统的图像清晰度评价梯度函数
在图像处理的过程中, 梯度函数是较为常用的函数类型。梯度函数的种类主要包括:第一, 能量 (Energy) 梯度函数, 主要是通过相邻的像素之间的灰度值的差的平方和对灰度的变化量进行描述;第二, Roberts梯度函数, 主要是通过相邻的像素之间的灰度值交叉相减的平方和对灰度的变化量进行描述;第三, Sobel梯度函数, 通过Sobel算子对图像水平方向与垂直方向的梯度进行提取, 对梯度的平方和进行计算;第四, Brenner梯度函数, 主要是通过相邻像素的灰度值的差值的平方和对图像的灰度变化进行判断;第五, Variance函数, 主要通过图像的方差反映图像灰度分布的离散程度[5]。
2.3.2 灰度熵函数
图像中的灰度熵能够对图像灰度分布的离散程度进行反映。如果图像的离焦程度不同, 那么图像的清晰度也不同, 其灰度熵也不同。离焦程度越大, 则图像越模糊, 灰度变化减小, 灰度熵值也越小;越接近正焦点, 图像越清晰, 灰度值越大。因此, 灰度熵能够对图像的清晰度进行评价[5]。
2.4 梯度阈值评价函数
传统的梯度函数具有单峰性与灵敏度较好的特点, 但要求图像不含噪声, 这在实际应用中很难实现, 就会出现调焦误判。此外, 图像的背景像素也对调焦曲线的实时性、灵敏度等有影响。因此, 本文提出了梯度阈值评价函数, 通过自适应阈值算法实现噪声与背景像素对图像影响的降低[2]。
2.4.1 对阈值进行选择
图像中的边缘信息是通过图像的局部方差分布来实现的, 边缘较为尖锐的地区其方差就比较大, 边缘较为平滑的区域方差就较小。因此, 能够通过方差对图像边缘像素与非边缘像素进行判断。在边缘像素进行判断的过程中, 判断阈值选择待判断像素周围3×3领域中图像的局部方差。
2.4.2 调焦曲线影响因素
第一, 算法实时性, 梯度阈值评价函数能够通过阈值对图像的边缘像素进行区分, 降低噪声与背景像素对图像灰度值造成的影响, 降低评价函数的计算量;第二, 背景因素, 梯度阈值函数具有调焦曲线波峰宽度较窄、陡峭度较高的特点, 具有较高的单峰型与灵敏度, 能够对调焦进行更好的判断;第三, 对比的因素, 梯度阈值函数具有较好的平滑性, 能够在低对比度条件的情况下对调焦进行更好的判断[6]。
3 对调焦窗口进行选择
3.1 对调焦窗口进行选择的必要性
在调焦的过程中能够通过图像评价函数值的计算对焦点的位置进行确定。但是如果对整幅图像进行评价, 就需要图像中的所有像素进行计算, 如果图像尺寸比较大就会增大计算量, 导致调焦实时性的降低。图像中关注的是目标物的清晰度, 背景的清晰度并不在考虑范围之内。因此, 要将图像中的具有特征的区域作为调焦的窗口, 一方面能够使运算量的降低, 实时性的提高;另一方面能够对目标的针对性进行体现, 使调焦准确性的提高[2]。
3.2 对调焦窗口进行选择的方法
对调焦窗口进行选择能够实现计算量的降低, 实现调焦实时性的提高。同时, 对调焦窗口进行合理选择才能够实现调焦准确性的提高。对调焦窗口进行选择的方法主要包括以下几种:
3.2.1 中心取窗法
中心取窗法是将图像的中心区域作为调焦窗口, 调焦窗口的大小通常为整幅图像的几分之一。它基础是对图像中心位置进行假设, 将图像中心区域的清晰度作为调焦依据。这种方式在大多数的场合是较为适用的, 但若目标不在中心位置就会影响调焦性能。
3.2.2 多点取窗法
多点取窗法是将图像中的多个区域作为调焦窗口, 这种方式能够对中心取窗法的不足进行弥补, 能够对目标的偏倚进行一定的适应。多点取窗法中较为常用的包括倒T字型取窗法与黄金分割多点取窗法两种类型, 如果目标在图像的中下部, 一般选择倒T字型取窗法。多点取窗法能够实现目标覆盖率的提高, 但同时也会使计算量增加, 调焦性能方面较差。
3.2.3 非均匀采样取窗法
非均匀采样取窗法是将非均匀采样得到的图像作为调焦窗口。通过非均匀采样取窗法得到的图像, 图像中心部分的分辨率较高, 周围的分辨率较低, 一方面能够降低计算量, 另一方面能够对目标位置的偏移进行适应[2,7,8]。
3.3 自适应选择调焦窗口
上述几种调焦窗口基本都是固定的, 不能对特定场所中的目标位置进行适应, 对调焦的准确性造成影响。因此, 本文提出了自适应选择调焦窗口的方式。首先, 要按照一定的图像分割算法对目标与背景的最佳分割阈值进行获取, 通过阈值分割得到二值图像, 通过边缘提取的方式对边缘图像中的中心进行计算, 从而选择调焦窗口。
自适应选择调焦窗口的流程包括:第一, 对适应度函数进行确定;第二, 按照一定的计算公式对评价粒子的使用度函数值进行计算与评价;第三, 对粒子的历史最优位置PBEST与最优适应度值进行保持, 对粒子群历史全局最优位置PBEST与最优适应度值进行确定;第四, 通过最佳分割阈值实现原图的分割得到二值图像, 再通过边缘提取得到边缘图像[2]。
4 总结
基于图像处理的自动调焦主要包括调焦算法与电机控制两个方面, 本文主要研究基于图像处理的自动调焦算法。基于图像处理的自动调焦一方面能够实现调焦判据选择的灵活性与多样性, 另一方面能够实现调焦系统的驱动电路与运动结构的简化, 实现实时性的提高。因此, 基于图像处理的自动调焦能够进一步促进其适用范围的扩大, 具有非常重要的现实意义与应用前景。
摘要：随着自动调焦技术的快速发展, 在成像系统中得到了广泛的应用。基于图像处理的自动调焦能够进一步满足各种成像设备的智能化自动调焦需求。基于图像处理的自动调焦的关键在于图像的清晰度评价函数, 本文在对评价函数进行分析的基础上提出了梯度阈值评价函数, 实现了调焦的实时性、抗噪性方面的提升。
关键词：自动调焦,图像处理,清晰度
参考文献
[1]王键.基于图像处理的自动调焦技术研究[D].成都:中国科学院光电研究所.2013.05.
[2]刘焕雨, 熊文卓, 万秋华, 赵长海, 慕志国.基于图像处理方法的自动调焦系统的研制[J].测试技术学报.2012, 01 (18) :13-16.
[3]张玮玮, 曹维国, 杨瑞宁, 段洁.望远系统分辨率现代测试技术研究[J].长春理工大学学报 (自然科学版) .2014, 02 (31) :16-18.
[4]王欣, 安志勇, 杨瑞宁.基于图像清晰度评价函数的CCD摄像机自动调焦技术研究[J].长春理工大学学报 (自然科学版) .2010, 01 (9) :11-14.
[5]胡凤萍, 常义林, 马彦卓, 赵光耀.视频自动聚焦的实现研究[J].光子学报.2010, 39 (10) :1901-1906.
[6]黄家荣, 张莉.基于图像识别技术的摄像机自动聚焦系统设计[J].四川师范大学学报 (自然科学版) .2010, 03 (82) :414-418.
[7]史红伟, 石要武, 杨爽.光学显微镜自动调焦指导函数的评价与选择[J].计算机辅助设计与图形学学报.2013, 02 (20) :235-240.
图像快速平滑处理方法 篇5
关键词 图形处理器 图像平滑 图像处理
中图分类号：TP31 文献标识码：A
0 引言
近年来，随着图形处理器硬件技术的不断发展以及可编程能力的不断增强，越来越多的应用通过使用基于GPU的计算框架提高了算法和系统的效率。GPU的应用领域不断扩大，已被广泛地应用到通用信号处理、物理模拟、财务数据分析以及生物科学等领域，并取得了显著的效果。在分子动力学领域中，GeForce 8800GTX 实现了比CPU高达240倍的处理速度。在脑电波模拟、视觉和嗅觉计算等方面，通过协同CPU和GPU工作，实现了130倍的性能提高。借助GPU，GIS（地球信息系统）原本需要20分钟完成的计算过程，现在只需要30秒就能完成。
1 GPU并行计算架构
GPU现在已已实现可编程的图像处理，由于它具有高内存带宽驱动的多内核，已成为图像处理的绝对主力。
1.1 GPU架构
GPU支持单指令多数据（SIMD）指令的数据并行计算。在SIMD结构中，单一的控制组件分配到每个管线，相同的指令同时执行。例如，NVDIA8800GT包含每组8个，共14组的多处理器组，但每个处理器只有一个指令单元。从线程的角度看，每个多处理器组可以同时并行运行768个活跃线程，即GPU包含14组多处理器组可以同时并行10752个活动线程。在存储器方面，每个多处理器拥有16KB的可读写共享内存、8KB的只读常量缓存、8KB的只读纹理缓存和8192个32位寄存器。
1.2 GPU编程模型
CUDA（统一设备计算架构）是一个GPU编程平台，见图2。它包括一个硬件驱动程序和应用程序接口（API）以及两个数学函数库，因此程序员不需要调用复杂的图形API接口。 CUDA中的API还兼容标准C语言库，这样程序员就可以通过调用函数访问内存并执行指令。
为了简化开发，CUDA允许程序员将CPU代码和GPU的代码混合到程序文件。NVCC作为C语言编译器，负责隔离设备代码和宿主代码。在CUDA汇编时，GPU作为计算设备可以执行大量的并行线程，类似于CPU的协同处理器。换句话说，用不同的数据被执行多次的应用程序可以被划分成在不同设备上执行的多个函数，这被称为内核。
2 基于GPU的图像平滑实现
2.1 图像平滑的原理
图像平滑的方法主要分为两类：空域法和频域法。在空域法中，常用的方法是均值滤波和中值滤波。
均值滤波是一种线性空间滤波。它使用大小这奇数的掩模在图像上滑动，并用掩膜中所像素的灰度均值替换掩膜中心相应的像素灰度值。如果在均值处理时对掩膜中每个像素的权重进行调整，即确定每个像素的系数，它则被称作加权平均滤波。这与频域中的卷积的概念类似，因此线性空间滤波通常被称为掩膜图像卷积。中值滤波是一种非线性空间滤波，与均值滤波的差别在于：掩膜中心对应的像素点的灰度值均被替换为掩膜中所有像素灰度的中值。本文使用了均值滤波和中值滤波两种空域法实现图像的平滑。
2.2 计算分配
GPU的数据处理能力要比CPU高得多，虽然它也可以直接负责显示。在与显示相关的算法设计中，应该在直接绘图前尽可能将计算分配给GPU并行处理，而仅让CPU完成数据到内存的加载。在一般与显示无关的算法设计中，GPU并行计算数据，得到结果，然后将数据传输到RAM。
2.3 实现过程
用GPU实现图像的平滑的主要步骤如下：
第1步：读取图像数据。根据图像大小在GPU上分配设备存A，并将数据传送到设备内存A。
第2步：设置GPU的执行参数，即网格和块的大小。
第3步：将图像数据与GPU的纹理内存绑定，建立与GPU内存之间的映射。
第4步：在OpenGL中打开GPU操作所需的高速缓存，完成GPU和OpenGL之间连接。
第5步：调用内核函数来执行图像平滑。
第6步：OpenGL显示处理结果。
内核定义需要使用规范“_global_”， 用扩展语法“<<< >>>” 指定每个并行执行的线程数。内核在程序中声明如下：
ImageSmooth<<< imageH，64>>>（imageIn，imageW，imageW，imageH）（1）
其中， <<< >>>中的参数说明：分配imageH个块和每块包含64个活动线程。imageIn 是要处理的图像数据的起始地址指针，imageW是图像宽度，imageH是图像高度。
数据块的大小被声明为图像高度imageH，每个块负责一行中像素的平滑处理。每个线程块包含64个线程，每个线程负责imageW/64像素的卷积。这样就有64€譱mageH个独立的线程在执行（1）。
3 结论
本文实现了基于GPU的图像平滑算法，并分析了其实验结果。结果表明，与CPU相比，在可以分独立单位的典型算法中，比如均值和中值滤波都依赖其固有的并行计算硬件结构特点，GPU可以提高到非常高的性能。当图象数据量增加时，这种提高就更加明显。在实验平台上，GPU的计算会提高到10倍，这表明了GPU在高密度数据计算中的强大的计算能力，这可以为快速图像预处理提供硬件支持。
图像自动处理 篇6
在航空仪表出厂前, 需要对其指示精度进行检测标定。传统的检测方式采用人眼判读仪表示数, 不仅效率低、工作量大, 而且人工读取仪表的示值受主观因素, 如人的观测角度、观测距离及疲劳强度等的影响, 误差较大, 可靠性不高。为了实现检测的智能性、快速性、精确性, 降低人为误差, 提高生产效率, 提出了基于图像识别的仪表自动判读系统的解决方案。
目前, 仪表的自动识别系统的主要研究对象是表盘中单一长指针的识别, 如水表、压力表等。现针对复杂的航空仪表设计了基于图像处理的自动识别系统并对其图像处理算法进行了研究。
1系统设计
该自动判读系统采用模块化设计, 主要由工控机、控制机箱、适配机箱、装夹平台、摄像头及安装在工控机中的图像处理软件构成, 连接关系如图1所示。
工控机是整个系统的中枢, 负责控制与监视整个测试系统。A/D、D/A、DI/O板卡安装于工控机, 图像采集设备即摄像头通过USB接口与工控机相连;图像处理软件也运行于工控机。
控制机箱负责将工控机输出的D/O和D/A命令转换为电流信号, 轴角类信号等各种激励信号, 并将仪表的输出信号通过A/D, D/I传递给工控机。
适配机箱将控制机箱输出的各种仪表激励信号适配给仪表, 并且将仪表的输出信号传递至各检测电路。
装夹平台将仪表与摄像头相对固定, 使仪表盘中心与摄像头中心重合。
摄像头采集仪表图像并实时传递给工控机, 进行图像处理, 判读仪表指针读数。
在进行仪表检测时, 工控机发送指令通过控制机箱, 适配机箱传递给仪表, 摄像头实时捕捉仪表盘的图像传递给工控机, 由图像处理软件分析得到所需的信息。
2 图像处理算法研究
摄像头采集到的仪表盘图像如图2所示。需要对进行自动识别的分别为航向指针, 无线电、偏流指针和航道杆。由于不同的指针形状差异较大, 且角度值读取方法不一样, 因此分别进行判读。
2.1 航向指针图像处理算法
航向指针角度值由图2中的内表盘字母N的旋转角度判定。由于N旋转的角度与N两条竖直边的倾斜角度相等, 因此判定N两条竖直边的倾斜角度就可以得到N旋转角度值。
航向指针的图像处理算法具体实现步骤为首先对得到的仪表盘图像进行去噪, 灰度化等预处理, 为了减小计算量以及提高判读精度, 需要进行对仪表盘进行模板匹配, 得到N的大概位置并将其分离出来。然后对其提取得到N的边缘, 最后采用改进的Hough变换获取N两条竖直边所在直线方程, 得到其旋转角度值。
2.1.1 模板匹配
航向指针分离实现思想为输入可以使仪表航向指针旋转θ角度的激励值, 获得此时的仪表图像。将N指针指向0度值时的模板旋转θ角度, 将旋转后的N指针图像与仪表表盘图像进行匹配, 得到此时的N指针的大概位置并分离出来。
系统采用较成熟、稳定的灰度匹配算法, 其基本思想是通过求取待匹配点与候选匹配点及其邻域的灰度相关系数, 以相关系数的大小作为匹配成功与否的判据。在实时图像以待配准点为中心取一定大小的窗口, 在模板图像对应的一定搜索范围内, 逐行、逐个像素地移动, 并计算窗口内的相关系数, 相关系数最大处即为最佳配准点。对于图像R、S, 相关系数法对应的运算公式为
式 (1) 中r (i, j) 与s (i, j) 分别表示实时图像矩阵R与模板图像矩阵S的像素灰度值。Rc为得到的相关系数, 其取值范围为 (0, 1) 。比较得到相关系数最大值, 就可得到最佳配准点。然后以最佳配准点为中心, 将窗口从实时图像中截取出来。
截取的模板图像如图3 (a) 所示, 图3 (b) 所示为旋转角度为300度的N指针匹配结果。
2.1.2 边缘检测
将图像匹配得到的图像进行边缘检测, 得到N指针的边缘图像, 以减少角度检测时的计算量。
经典的边缘检测方法, 如差分边缘检测、Roberts算子、Sobel算子和Prewitt算子等, 这些算法比较简单但抗噪声能力较差, 适用于边缘比较清晰、含噪声比较少的图像边缘检测。现采用基于最优化数值理论的Canny算子。
图3 (c) —图3 (f) 所示为分别采用Sobel, Roberts, Prewitt和Canny算子的情况下得到的边缘检测结果, 可以看出基于Canny算子的边缘检测图像更加平滑, 清晰。
2.1.3 Hough变换及其改进算法
对于经过边缘检测的图像, 为了实现对角度值得检测, 可以采用Hough变换求取N指针竖直边直线方程的方法得到。
从图3 (f) 可以看出, N指针边缘有六条线段的长度相差不大, 分别为N指针的斜边和两条竖直边的边缘。采用传统的Hough变换, 只能检测得到一条直线, 且无法判断检测到的是N指针斜边或者是竖直边的直线。因此需要对Hough变换进行改进, 使其能准确得到N指针旋转角度值。
由于N指针竖直边缘四条直线有相近的角度值, 取一条直线作为角度值可能会存在较大误差并且有可能取到N指针的斜边, 因此可以将Hough变换得到的角度值相同的累加器数组L (ρ, θ) 中大于某一阈值 (确保其代表的是一条直线) 的值相加, 得到同一角度值所对应的累加器值的和值。
式 (2) 中L (ρ, θ) ≥T, R (θ) 为累加器在同一角度值时的和值, L (ρ, θ) 为Hough变换得到的累加器数组, T为设定的阈值。
对图像按照上述公式计算, 得到的结果显示, 累加数组里的数据, 在按从大到小排在比较前的4到5个点的值都比较接近精确值, 而后面的值误差较大;同时可以发现, 靠前4到5个点一般分布在累加数组最大点对应的θm角的附近。因此可以取累加数组中最大的4个点, 然后对其中累加数组最大点对应的θm角以及其最靠近θm的左右两侧的θl和θr进行加权平均。其中θl和θr的选取方法如下:
其中的θl和θr分别为符合条件的最接近θm的值。然后再将得到的θm, θl和θr三个角度值做加权均值运算。由于累加器数组前4个点的值相差不大, 因此可以采用等权值的加权运算得到最后结果如式 (4) 所示。
2.2 无线电指针和偏流指针的判读
偏流指针的形状如图2所示, 其示数为图形尖端对准的外表盘示数值, 从图中可以看出来, 然后对偏流指针三角形底边中线与仪表盘中心点连接直线的倾斜角和其示数相等。
偏流指针的图像处理算法具体实现为首先对仪表盘进行模板匹配, 得到偏流指针大概位置并将其分离出来。然后取一个固定的R值, R1<R<R2, 其中R1, R2分别为仪表盘中心点与偏流指针的最近距离和最远距离。将与中心点距离为R的圆弧上, 在偏流指针三角形内的所有点的坐标做加权平均得到的像素点就位于偏流指针三角形中线上。求出其与中心点连接直线的斜率就可以得到偏流指针的角度值。
无线电指针的形状如图2所示, 由于其形状也具有对称性, 因此采用与偏流指针一样的判读方法。
2.3 航道杆的判读
航道杆的测试是指将航道杆偏移到图2中表盘中央所示的不同的圆点处, 测量此时的输入电压与标准电压的差值。
图中每个圆点与仪表盘中心点的距离是定值, 为了使航道杆与其重合, 可以将航道杆中心所在的直线与仪表盘中心点的距离是否和圆点与仪表盘中心点的距离相等作为判断标准。
系统在测量时首先输入一定的电压值, 使航道杆偏移, 得到实时图像。将航道杆提取出来, 进行Hough变换得到航道杆直线方程, 然后计算其与仪表盘中心点的距离, 然后根据该距离与圆点和中心点距离的差值调整电压输入, 最终使航道杆与圆点重合, 得到输入电压与标准电压的差值。
3 软件流程设计
系统的软件是在Visual C++6.0环境下开发的, 软件系统除了完成仪表的自动判读测试, 还需要生成测试报表, 以便打印输出。软件系统的操作流程如下图所示。
4 判读结果分析
给仪表输入不同角度的激励值, 对采集到的图像进行自动判读, 并与人工判读的结果进行对比, 可以得到自动判读系统的测量精度。以表1所示的航向指针测试结果为例, 表中的判读误差为自动判读结果与人工判读结果的差值。
表1中的结果显示, 针对不同航向角度值的图像采用本文改进的Hough变换算法所得到的角度值与人工判读所得到的角度值误差最大为0.3°, 稳定度高。
实际上在进行人工判读时, 人眼也只能精确定位到最小为2°的刻度线, 最后一位的读取是通过主观估计得来。而本文设计的的图像处理算法可以定位到单个像素, 根据测量单个像素代表的角度值为0.2°, 本文的图像处理算法可以精确到1—2个像素点, 使精度稳定在0.2°—0.4°。因此本系统可以得到更高的读数精度。偏流指针和无线电指针的精度同样能保证在0.2°—0.4°的精度。而航道杆的测试得到的测试电压差值和人工判读的结果基本一致。
5 结论
提出了一种基于Hough变换的图像处理算法, 可以实现对多条平行直线的检测。同时针对不同的指针应用了不同的图像处理算法, 实现了对复杂的航空仪表的自动判读, 是测量精度保证在0.2°—0.4°。通过在实际中应用, 相比于传统的人工检测, 该系统可以有效的提高仪表检测精度。
参考文献
[1]王琪, 李言俊, 张科.具有距离不变性与角度不变性的图像匹配研究.火力与指挥控制, 2008; (04) :94—96
[2] Islam MR, Saha R S, Hossain A R.Automatic reading from banglaPDF document using rule based concatenative synthesis.2009 Inter-national Conference on Signal Processing Systems, 2009:521—525
[3] Illingworth J, Kittler J.A survey of the Hough transform.ComputerVision, Graphics and Image Processing, 1988;44:87—116
[4]周晓明, 马秋禾, 肖蓉, 等.一种改进的Canny算子边缘检测算法.测绘工程, 2008;17 (2) :28—31
[5]章毓晋.图象处理和分析.北京:清华大学出版社, 1999:195—2041
图像自动处理 篇7
1 指针式仪表自动检定系统的构成
指针式仪表自动检定系统由3部分构成[3,4]:
(1) 计算机 (PC) 是整个系统的控制和处理核心, 主控程序实现的功能有:
1) 控制程控标准源输出的标准量:计算机通过串行口对程控标准源进行通讯和控制, 控制程控标准源的输出模块的输出量大小。
2) 采集表盘图像:具有USB摄像头相应得设备驱动程序, 通过USB接口实时采集摄像头的图像, 得到BMP格式的表盘图像。
3) 图像处理及识别读数:对采集到的表盘图像进行处理和计算, 识别图像中表盘的读数。
4) 数据管理:利用计算机的数据库管理功能, 把鉴定数据保存到数据库中, 并根据数据对被检仪表的性能进行可行性的分析和判别。
(2) 程控标准源:可在程序控制下, 输出标准电源, 电源要求比被检定仪表精度高, 符合鉴定要求;程控标准源应遵循与计算机匹配的串口通讯规约, 对计算机的命令做出正确的执行和回答。
(3) USB接口的摄像头:可由计算机控制采集被检定仪表的图像, 系统原理图如图1所示。
2 指针式仪表自动检定的流程和算法
2.1 指针式仪表自动检定流程
在指针表自动检定系统中, 按照功能模块将图像处理部分划分为刻度线的自动标定和仪表的自动检定两个部分, 其流程图如图2所示。
2.2 指针式仪表自动检定主要算法
2.2.1 差影法指针旋转轴心位置的确定
指针旋转轴心位置的确定是实现自动检表后续工作的关键步骤, 采用差影法确定指针旋转轴心的位置, 算法如下:
首先采集一幅指零图像, 然后由上位机发出命令通过程控电流源驱动指针旋转到指针表满量程的80%后再采集一幅图像, 然后对这两幅图做二值化处理。结果分别如图3 (a) 和图3 (b) 所示。在这两幅图像中变化的物体只有移动的指针, 在采集图像的过程中由于仪表和摄像头的位置固定, 采集到的两幅图中刻度线、刻度数字、表盘参数是重合的。将两幅图像作差影运算后, 滤除掉刻度线、刻度数字、表盘参数等信息, 只留下图像中变化的部分, 如图3 (c) 所示。
由于摄像头采集指零图像和指针偏转的两个时刻光照不完全相同, 有微弱的差别, 这些微弱的差别反映到差影处理后的结果中就有一些离散的像素点, 如图3 (c) 所示。很显然这些离散的像素点对欲获取只有两指针信息产生干扰, 必须清除这些干扰。由图3 (c) 可观察出这些离散的像素点构成的连通域包含的像素很少, 相反由两指针构成的连通域包含的像素最多。据此, 将最大的两个连通域保留, 其余连通域的像素都作为背景信息。经此处理后剩下的就只有两指针不同位置的图像, 其结果如图3 (d) 所示。两指针的直线方程的交点坐标即为指针旋转轴心位置。
2.2.2 距离法读数识别
采用最小二乘法拟合指针和指针左侧第一条刻度线[5]。拟合过程如下:设点集{ (xi, yi) , i=1, 2, …, N}指针左侧刻度线的边界点集, 采用一条曲线拟合该点集, 使给定点集到该曲线y=f (x) 的距离之和为最小, 亦即使拟合的均方误差
为最小。设曲线为
y=f (x) =c0+c1x+, …, +cMxM (2)
它经过边界点集的每一点, 那么可表示成矩阵式为
式 (3) 简记为
Xc=y (4)
于是表示每个数据点误差的列向量可以写作
e=y-Xc (5)
式中矩阵积Xc是由式 (2) 算出的y=f (x) 值的列向量。因此均方误差式 (1) 可写为
ε= (1/N) eTe (6)
将式 (5) 代入式 (6) , 对c中的元素进行微分, 并令其为零, 则可求得均方误差极小的系数向量
c=[XTX]-1[XTy] (7)
因采用直线拟合指针左侧第一条刻度线, 所以取y=f (x) =c0+c1x。利用式 (7) 可分别得到指针左侧第一条刻度线的斜率c1和截距c0。同理, 得到指针的斜率和截距分别为c1′和c0′, 指针左侧的一条刻度线示值为M, 指针右侧第一条刻度线示值为N, 指针左侧第一条刻度线到指针的距离取指针左侧第一条刻度线上的所有点到指针的平均距离记为d, 同理指针右侧第一条刻度线到指针左侧第一条刻度线的距离可求得记为L, 由此可得到指针表的示值为V=M+ (N-M) *d/L。
3 误差来源分析
(1) 摄像头分辨率不理想, 能够有效处理的像素点较少, 将降低后续图像处理识别精度。
(2) 拍摄环境不理想, 光照给表盘刻度和指针带来阴影。
(3) 拍摄角度不合适使表盘图像产生微小形状畸变, 产生的误差。
(4) 图像处理识别算法带来的误差, 如指针旋转轴心位置的确定, 刻度线识别等都有可能出现误差。
根据以上分析, 可以通过提高摄像头分辨率, 改善拍摄环境, 优化图像处理识别算法, 将系统误差控制在有效精度内, 提高读数准确度, 达到系统处理识别的要求。
4 试验结果
试验是对无锡电表厂生产的型号为WXC10精度等级为1.5的一款直流电流表进行检定, 如图4所示。
检定过程严格按照国家检定规程先缓慢上升再缓慢下降对带有刻度数字的每个点进行检定。检定的结果以Excel表格的形式保存数据, 作为该仪表是否合格的判断依据, 检定结果如图5所示。
5 结束语
针对指针式仪表在当前雷达装备中的广泛应用, 仪表的正确读数对装备的性能具有重要的参考价值, 仪表质量的稳定性对装备具有很大的影响, 因此有必要对指针式仪表进行检定, 以确定指针式仪表的精度和准确度。本文设计了基于图像处理的指针式仪表自动检定系统, 运用差影法确定指针旋转轴心位置, 采用距离法识别读数, 检定的结果以Excel表格的形式保存数据, 作为该仪表是否合格的判断依据。该系统结构合理, 简便易行, 便于实际操作。
摘要：指针式仪表在雷达装备中应用广泛, 必须对指针式仪表进行检定, 以确定仪表的精度和准确度。设计了基于图像处理的指针式仪表自动检定系统, 分析了自动检定原理和流程, 采用图像处理算法确定指针旋转轴心位置, 采用距离法识别指针读数, 检定的结果以Excel表格的形式保存数据, 作为该仪表是否合格的判断依据, 从而实现指针式仪表自动检定。试验证明了自动检定系统的有效性。
关键词：图像处理,自动检定,差影法,距离法,指针仪表
参考文献
[1]王博, 秦岭松.基于计算机视觉的指针式仪表自动检测系统[J].计算机工程, 2005, 31 (11) :19-21.
[2]李沛玲, 丁庆生.基于数字图像处理的指针式仪表自动检定系统[J].信息与电子工程, 2006, 4 (2) :145-148.
[3]薛建荣, 杨明.基于图像处理的复杂指针式仪表的识别[J].中国仪器仪表, 2005 (10) :73-74, 82.
[4]杨新华, 张琢.模拟指针表自动检定装置的研制[J].计量技术, 2007 (2) :41-44.
图像自动处理 篇8
开封是在进行失效分析时, 打开塑封器件的塑封材料进行内部检查、分析的常用方法, 是DPA (破坏性物理分析) 及FA (失效分析) 的关键一步, 其原理是使用相应技术去除覆盖在芯片表面的塑封材料, 但不破坏芯片内部电气连接关系, 从而进行后续的检测、分析。随着激光技术的不断发展, 采用激光对芯片进行开封已逐渐取代了传统的酸腐式开封方式。激光开封机便是一种塑封芯片预开封的加工设备, 利用激光逐层去除封装芯片材料, 直至露出内部金属键合丝。但目前的开封采用人眼判断键合丝手动操作的方式, 即逐次开封逐次判断, 这样针对较厚芯片, 操作繁琐效率低下, 且人眼判断易受人为主观因素影响, 易造成误判而损伤内部键合丝。文章基于图像处理技术, 提出了一种帧间差分双阈值判断算法, 通过动态阈值调节, 可有效实现芯片开封过程自动化。
2自动开封算法设计
在单帧图像中判断金属键合丝是否存在难度较大, 算法复杂, 不易实现。本设计利用芯片开封过程中出现键合丝则开封区域灰度变化较大, 反之灰度变化很小的特性设计了帧间差分判断算法。为充分考虑噪声的影响及产品对开封精度的要求, 本设计还通过比较差分得到的灰度差较大像素数占比较区域像素数的比例与设定比例作比较得出键合丝出现与否的判断, 若大于设定比例则说明已检测出键合丝, 需停止开封;反之则进行下一次开封。
2.1图像比较区的选取
图像比较区域的选取是影响算法精度、效率的关键因素。若选择过大, 远超开封区域, 则不仅带来计算量的增加, 还会引入开封区域外噪声等系列问题, 使图像处理更加复杂化。本方法利用开封区域在影像显示画板的相对位置经过分析运算将其映射到图像中相应像素区域, 有效实现开封区域的图像分析, 提升了开封精度, 缩短了算法时间。
2.2中值滤波
摄像头提取的图像序列往往存在噪声的干扰, 噪声的干扰可能带来差分误判进而导致键合丝检测的不准确, 因此, 在检测之前设置滤波器滤除噪声是算法一必要环节。目前常用的去噪方法有均值滤波、维纳滤波、中值滤波、形态学滤波、小波去噪等, 其中中值滤波对随机噪声有较好的去噪声能力。
中值滤波基本原理:对于给定的一幅图像, 选取任意的像素, 以此为中心设置一个邻域A, 在这个区域之内, 按照灰度值的大小排列此间所有的像素点, 选排列在中间的像素并将其作为输出值。
滤波器窗口大小选择直接影响算法效率, 过大则计算量大, 过小则去噪效果差, 通过综合考虑及实际测试效果, 本算法采用3×3的领域模板, 将目标像素置于模板的中心位置。
2.3帧间差分
帧间差分的基本原理为通过比较目标帧与背景帧中相同位置上对应像素点的灰度值, 确定该像素点是否为目标的一部分。即:如果差异较大 (大于阈值T) , 则认为该像素点是目标的一部分。
取1时表示该像素点灰度变化较大, 可能有键合丝出现, 取0时表示该像素点灰度变化微小, 肯定无键合丝出现。
在差分图像中, 并非所有差分结果为非零值像素都表示目标出现, 仍可为随机噪声。为此, 本设计针对性的设计了二次阈值判断算法。具体操作为:统计比较区域帧间差分中所有二值化为1的像素数, 即比较区域中灰度变化大于阈值T的像素数, 并计算其在比较区域所占的比值K1, 根据产品对精度的要求设定相应的比例值K2 (二次阈值) , 若K1≥K2, 表示已经出现键合丝, K1<K2, 则表示未出现键合丝。通过二次阈值的合理设定, 可有效的削弱噪声的影响, 减少随机噪点引起的误判。
本算法中两阈值应根据不同的光照场景、键合丝特点等进行设置, 经过对产品大量的测试统计, 本芯片开封处理中, T=20, K2=0.00125时可达到较佳的判断效果。
3算法流程及结果分析
根据上述分析, 设计的算法流程如图1。
4结论
实践效果证明, 本算法可有效实现开封区域内键合丝的识别, 算法效率高且稳定性好。本算法目前已运用于实际产品中, 实现了芯片开封过程自动化, 有效避免了人为判断不准而损伤内部键合丝及针对较厚芯片手动开封效率低下等问题, 大幅提升了产品智能化水平, 带来了较好的经济效益。
摘要：设计了一种基于图像处理的芯片自动开封算法, 用于芯片预开封过程中芯片键合丝的自动检测与开封过程控制。算法主要利用芯片开封过程中键合丝出现前后图像中开封区域灰度变化规律, 结合图像信息设计了帧间差分双阈值判断的开封算法, 实现了芯片开封过程自动化, 经实物验证, 其有效避免了人为判断不准而损伤内部键合丝及针对较厚芯片手动开封效率低下等问题。
关键词：开封机,图像处理,帧间差分,自动开封
参考文献
[1]张素娟, 李海岸.新型塑封器件开封方法以及封装缺陷[J].封装测试技术, 2006 (07) .
图像自动处理 篇9
1 对焦算法
目前对焦算法主要可分为:频域函数、统计学函数、信息学函数、直观评价函数几类[1]。
1) 空域函数:空域函数的依据为:一副图像是否聚焦主要反映在空域上是图像的边缘及细节是否清晰, 而图像的边缘及细节信息可以通过对图像进行微分来获取, 图像经其处理后所得到的量值能够反映图像的清晰度, 因此可以利用这些信息作为聚焦的判据。这种通过使用微分、梯度等数学函数为工具以提取图像边缘信息的函数也称为梯度函数。主要有阈值绝对梯度函数、平方梯度函数、Brenner梯度函数、Tenengrad梯度函数和标准化Laplace和函数。
2) 频域函数:频域函数是以傅里叶光学理论为基础的对焦函数。高清晰度图像的主要是具有清晰的边缘和丰富的图像细节, 其与图像的傅里叶变换后的高频分量相关联。离焦图像越模糊, 图像在频域领域内的高频部分的衰减就越严重。因此可以将图像的高频分量信息作为评判对焦情况的依据。频域函数中具有代表性的算法是高频分量法。
3) 统计学函数:因对焦的图像包含了清晰的图像信息, 对焦图像的灰度值分布比前离焦图像的灰度值分布者更丰富。基于统计学的对焦函数通过分析图像的灰度值变化情况来区分已对焦的图像与未对焦的图像。此类算法的信噪比往往比基于梯度的对焦函数高。统计学函数包括变化率函数、标准化变化率函数、Vollath自相关函数、基于梯度的标准相关函数。
4) 信息学函数:对焦图像与离焦图像相比其灰度值更加丰富, 即它们所含的信息量或熵不同。图像越趋于离焦时图像越模糊, 所含信息量越少。故可以利用图像的信息熵作为自动调焦的评价函数, 即信息学函数。此类算法主要利用直方图函数h (i) (图像中灰度值为i的像素的个数) 来分析图像的亮度与频率分布。[3]信息学函数包括Range函数和熵函数。
5) 直观评价函数:直观评价函数在使用时需要事先给定一个阈值, 通过统计像素灰度值低于或高于该阈值的像素个数直观反映图像的对焦情况, 此类函数阈值的设定没有固定标准, 在不同成像条件下的合适阈值也不相同。直观评价函数包括内容阈值函数和图像能量函数。
2 评价对焦算法的标准
评价函数应具有以下几个特性:无偏性、单峰性、高灵敏度、较高信噪比、函数复杂程度相对简单。对于对焦函数的评价, 可参考准确度、抗噪声能力、灵敏度、时间四个不同角度的标准, 各标准的作用如下:
1) 准确度 (Accuracy) 。此标准显示出最佳对焦位置与对焦函数曲线中最大值之间的差距。在向函数输入图像时, 图像的顺序都是按着从对焦逐到离焦排序, 在软件中其初始位置为0, 因此最大值所对应的图片与第一张图片越接近, 即差值越小, 说明对焦函数越准确。
2) 抗噪声能力 (Anti-noise) 。抗噪声能力需要同时考虑局部最大值个数与噪声等级, 且前者为主要的参考依据, 当局部最大值个数相同时, 则比较噪声等级的大小。
3) 灵敏度 (Sensitivity) 。灵敏度是图像数值最大值与最小值之比。
4) 时间 (Time) 。在自动对焦系统中芯片的运算能力如果较差, 可考虑排除平均耗时最长的函数。在软件平台上实现计时功能时, 计算机选用了安全模式, 尽最大可能排除外界程序在后台临时占用计算机内存、影响计算机处理速度导致运算时间延长的可能。
3 试验与分析
共选择13种对焦算法, 具有一定代表性, 函数种类较多、较为全面。具体算法和其序号如下:0) 平方梯度函数、1) Brenner梯度函数、2) Tenengrad梯度函数、3) 标准化Laplace和函数、4) 变化率函数、5) 标准化变化率函数、6) Vollath自相关函数、7) 基于梯度的相关函数 (Vollath2) 、8) 对比度变化率的改良算法[3]、9) 阈值绝对梯度函数、10) Range函数、11) 熵函数、12) 高频分量法。
试验中的样本为图片序列, 其作用是向对焦算法提供可供检测清晰度的对象。为了使算法的评价结果可以获得更具普遍性的结果, 本次试验分别选择边缘清晰的风景图像 (30幅) 与边缘模糊的岩石纹理图像 (20幅) 作为待测清晰度样本。边缘清晰的风景图像颜色丰富、物体边缘区别明显, 表现出了丰富的信息, 可以代表一般的拍摄对象, 故作为一般样本。通过手动细微调整镜头焦距, 使拍摄相机镜头逐渐从对焦到离焦, 并获取图像模糊程度不同的图像, 再通过图像处理软件处理成适合软件运行的尺寸, 从而获得样本。采集样本的工具为Nikon D80数码单反相机, 镜头型号为:Nikon AF-S Nikkor 24-70mm f/2.8G。
3.1 普通样本下各个函数的表现情况
将30张普通样本的风景图像序列导入对焦函数, 进行清晰度评价, 分别得到函数曲线图像 (图1) 、函数最大值位置 (图2) 、抗噪声能力 (图3) 、函数灵敏度 (图4) 、所用时间 (图5) :
在普通样本下, 由于图像中噪点的数量几乎为0, 良好的函数应首先满足抗噪声能力数值为0, 如果有函数在这方面不能满足要求, 应该首先将其从备选函数中剔除。
由图1可知:Range函数、熵函数与基于梯度的相关函数 (Vollath2) 无法满足要求:
1) Range函数、熵函数的函数曲线过于平缓, 灵敏度过低, 且较为严重的是在普通样本的图像序列下Range函数与熵函数的最大值位置就已出现偏差。如果将这两个函数放在实际应用中, 会使对焦系统难以分辨出最佳对焦位置, 故这两个函数不宜作为备选函数。
1) 基于梯度的相关函数 (Vollath2) 虽然在总体趋势上能与其他函数相同, 且其最大值位置准确, 但该函数具有波动性, 如果将该函数放在实际应用中, 自动对焦系统很有可能会因为函数虚假最大值判定未对焦的位置为最佳对焦位置, 故该函数不宜作为备选函数。
在排除以上三种算法后, 考虑剩余备选函数在其它标准下的表现, 可以得出平方梯度函数的表现最好, 其次为Tenengrad函数。平方梯度函数与Tenengrad函数在可以满足一般要求的前提下保证较好的灵敏度与较短的运算时间。
3.2 样本边缘模糊对各函数的影响
将20张边缘模糊样本的图像序列导入对焦函数, 进行清晰度评价, 分别得到函数曲线图像 (图6) 、函数最大值位置 (图7) 、抗噪声能力 (图8) 、函数灵敏度 (图9) 、所用时间 (图10) 。
由图6可知, 在样本边缘模糊的情况下熵函数同基于梯度的相关函数一样产生了曲线波动性。这说明对边缘对象模糊的物体, 熵函数的稳健性相对较差。与边缘清晰的样本相同, 高频分量法的表现并不理想。边缘的模糊也导致基于对比度变化率的函数在最佳对焦位置的判断上产生了一定的偏差。
经分析, 可以得出:对于边缘模糊的样本Tenengrad函数的灵敏度有所上升, 进而成为在模糊对象上的最佳算法;同时平方梯度函数的灵敏度稍有下降, 成为排名第二的算法。
3.3 噪声对各函数的影响
将25张加入5%高斯噪声预处理的仿真样本图像序列导入对焦函数, 进行清晰度评价。由于这部分试验主要研究函数的抗噪声性能, 主要的研究函数图像为函数曲线图像 (图11) 、函数最大值位置 (图12) 、抗噪声能力 (图13) 。
样本中的噪声会明显影响对焦函数的评价质量。通过图13分析得出Brenner函数的抗噪性能最好, 其次为变化率函数与标准化变化率函数, 并三者都能保证最佳对焦位置保持不变。因此在实际应用中, 应对所拍图像容易出现噪点的情况 (如CMOS在暗环境拍摄物体时) 应尽量使用这三种对焦算法。
3.4 二次采样对各函数的影响
将25张加入5%高斯噪声的仿真样本图像序列导入对焦函数, 进行清晰度评价。由于这部分试验主要研究函数的稳健性, 主要研究函数图像为函数曲线图像 (图14) 、函数灵敏度 (图15) 即可。
同时, 试验也将未经二次采样预处理的原仿真样本图像序列导入对焦函数中进行评价, 分别得到在未经二次采样预处理图像下各算法的表现情况:函数曲线图像 (图16) 、函数灵敏度 (图17) 。
对比图14与图16可以看出, 图像经过二次采样后函数的波动幅度有所下降, 函数曲线趋于平滑。出现这种现象主要的原因是由于二次采样压缩了原有待测图像的信息, 从图15与图17可以看出函数对于二次采样图片的敏感程度也有所下降。
在二次采样预处理条件下平方梯度函数仍是最佳算法, 其次为Tenengrad函数。
4 结论
该文首先通过国内外已有的文献中选取已推广的具有实用性、适用性的对焦算法作为待评价的备选算法, 其时间复杂度应相对简单。然后通过数码单反相机选取多种样本, 供对焦算法评价。而后利用Borland C++Builder搭建图像处理平台, 使对焦算法可以在平台上对图像进行清晰度评价获得函数的图像, 并根据算法评价标准对算法的表现进行量化。对于采集到的图像应进行适当的噪声处理和二次采样处理, 以检测各算法的抗噪声能力与稳健性。最后综合分析, 得出以下结论:
1) 在13种对焦算法中, 在一般情况下表现最佳算法为平方梯度函数与Tenengrad函数, 这两个函数都具有良好的准确性、抗噪声能力、灵敏度与时间复杂度。其中平方梯度对于边缘清晰的样本较为敏感, Tenengrad函数则对边缘模糊的样本较为敏感。
2) 当图像中含有密度较大的噪声时, 可以选择Benner函数、变化率函数与标准化变化率函数最大避免噪声对于对焦系统评价结果的干扰。
3) 如果自动对焦系统使用了二次采样对图像进行预处理, 依旧可以优先选择平方梯度函数或为Tenengrad函数作为最佳对焦算法在自动对焦系统中使用。
4) 熵函数与高频分量法的能力较差, 且容易受到噪声干扰, 时间复杂度较高, 故不适合作为一般的对焦算法应用在自动对焦系统中。
由于数字自动对焦系统的使用环境、系统参数、拍摄对象存在多样性, 并不存在使用与所有情况的唯一最佳算法。应对于不同拍摄条件提出不同的最佳算法, 并给出合理的最佳算法选择方案。
参考文献
[1]Yu Sun, Stefan Duthaler, And Bradley J.Nelson Autofocusing in Computer Microscopy:Selecting the Optimal Focus Algorithm[J].Microscopy research and technique, 2004, 65:139-149.
[2]Santos A, Solórzano CO, Vaquero J J, Peňa J M, Malpica N, Pozo F.Evaluation of autofocus functions in molecular cytogenetic analysis[J].Microsc 1997, 188:264-272.
[3]蒋婷.基于图像处理的自动对焦理论和技术研究[D].武汉:武汉理工大学, 2008.
[4]Yeo T, Jayasooriah SO, Sinniah R.Autofocusing for tissue microscopy[J].Image Vis Comput, 1993, 11:629-639.
[5]Groen F, Young IT, Ligthart G.A comparison of different focus functions for use in autofocus algorithms[J].Cytometry, 1985, 12:81-91.
图像清晰度处理研究 篇10
关键词：图像；清晰度；处理
中图分类号：TP39 文献标识码：A文章编号：1007-9599 (2011) 03-0000-01
Research on the Treatment of Image Clarity Zheng Qingchao,Cao Gaowang (School of Electronic and Information Engineering,South China University of Technology,Guangzhou510640,China)
Abstract:With the rapid development of information technology, multimedia technology has been applied to real life in every corner. However,modern multimedia systems are perfecting,network capacity can not fully meet the needs of multimedia transmission.Therefore,image and video capture,compression,transmission and storage procssis bound to distort.Then they became a blur distortion,the main reason for decline in video quality.So image fuzzy evaluation method is of great significance. Through the assessment and measurement of fuzzy distortion.The entire image transmission process orthe quality of treatment system appropriatecontrol,and take the appropriate measures to improve system performancing.
Keywords:Image;Clarity;Treatment
一、圖像的清晰度涵义
图像的清晰度是指每个细节图像边界阴影线和清晰。它有三个方面的涵义，首先是图像的分辨率的高低，分辨率越高，反映的细节就越多，图像就越清晰；其次是图像相邻细部的阶调层次的密度差别，图像相邻细部的阶调层次的密度差别越明显，那么图像的清晰度越好。最后是形成图像网点的边缘虚实情况。它是图像印刷质量的一个重要指标，特别是高档打印尤其重要，因为图像网点的虚实，在印刷中虚边有可能损失，也可能加强，从而图像的清晰度有一定程度的影响。
二、清晰度和分辨率
除了清晰度一词以外，我们经常还可以见到分辨力、分辨率这些词语。对于这些词语的含义和所指内容是什么，怎样使用才合适，目前看法是很不统一的，归纳起来有以下3种截然不同的观点。
（一）分辨率和清晰度完全不同。分辨率就是屏幕图像的精密度，是指显示器所能显示的像素的多少。清晰度指影像上各细部影纹及其边界的清晰程度。从定义来理解“分辨率”和“清晰度”所指的内容是不一样的。清晰度的分辨率和有着本质的区别的，它们所指的具体内容是不同的。实际上，清晰度是指人类的眼睛的宏观形象看清楚程度，通过系统和设备的结合而形成的客观的综合性能的结果，看到的最终的图像是人们的主观的感觉。清晰度这个主观感受是可以进行定量试验的，即可以使用黑白线条来测量，并有标准的测试方法和测试图，其测量数据有明确的单位。图像信号的分辨率和显示器件的分辨率取决于规格，这些是固定的，然而清晰度是随着客观条件是会发生改变的。清晰度的线数要低于图像信号分辨率像素所连接起来的线数。而图像信号分辨率的高低和显示设备的像素大小对图像清晰度都有影响。而分辨率与清晰度是不同的，分辨率指的是视频、传输和显示进程中用于达到成像质量指标，以及记录显示设备本身的参数。
（二）分辨率就是清晰度。这是一种最常见的观点。有些人习惯用分辨率，分解力，分辨率，这种词语，而另一些人习惯用清晰度这一个词。或者更确切的说，这些话的意思，都是一样的，但是不同对象实际使用不同的单词，如相当一部分人习惯于使用清晰度这个词。但更大的文件也需要更多的计算机资源，更多的内存，更多的磁盘空间等。另一方面，如果图像包含的数据足够的多（图形分辨率较低），尤其是图像放大观看的时候，就会显得很粗糙 ，我们必须根据图像，最终确定正确的分辨率。
（三）分辨率和清晰度交替使用。分辨率和清晰度是不同的两个概念，这种观点实际上是介于这二种极端的不同意见之间的意见。这个观点认为电视系统有一个清晰度，也可以称为为分辨率、分解力等。电视机最终显示出的图像也有一个清晰度，也可以称为分辨率，他们可以交换使用。但是，二者的概念是不同的，所以，虽然清晰度一个单词和分辨率几个字可以随便互换使用，但在头脑中无法将“电视制式的清晰度”和电视机要求达到图像清晰度混为一谈。
三、数字化图像清晰度的处理原理
清晰度是图像边缘的细节变化敏锐的程度。边缘的图像的细节信息，光学致密或光泽和位置的变化更为紧迫、更加激烈，细节的边缘越清楚，可辨程度越高。在图像信息传递过程中，自己和它的定义将会有所损失。可见， 一般被用来扫描的分辨率和图像细节信息将丢失。彩色图像和网络产生的玫瑰点就会重现细节干扰，使它很难定论。复制图像压缩、制版、印刷套准精度等因素影响图像清晰度。为了保证图像的细节信息，必要的图像增强处理可以使丢失的细节清晰度得到良好的再现。
人眼视觉系统具备对图像密度突变的边界区域进行增强的特性。在数字图像的采集、处理的今天，清晰度的提高也以数字形式进行处理。原始图像扫描后，像素数字线性灰度值多有不同，在图像的细节密度边缘处基因突变的数字图像信号灰度值显著存在差异。数字虚光蒙版技术已广泛被应用到图像扫描仪和图像处理软件中，其基本的原理是：在对个别的像素进行相应的处理的时候，以像周围的其他若干个像素为参照，计算这些周围像素灰度值的平均值。与此同时，为了防止对皮肤区域进行清晰度调整所造成的粗糙感，也可以设定一个门限值。另外，一些优秀的软件甚至可以对不同的色调，不同色相进行不同幅度的强调。
四、结束语
图像清晰程度是受信号源的图像质量、加工电路的处理水平，指引成像质量三个因素的影响。这三个因素都同样重要，共同决定最后的图像质量并且缺一不可。因此，在监测体系设计的时候，要综合考虑前端相机图像质量和终端的显示设备关联成像质量，以达到最佳的图像清晰度。
参考文献：
[1]李盛阳，唐娉，朱重光.基于最优插值的单帧图像分辨率的改善[J].计算机工程,2007,2
[2]花押娣.物理教学中问题情境的创设——基于“力的分解”教学案例的比较研究[J].物理教师,2010,11
[3]徐忠强,朱秀昌.压缩图像空时自适应正则化超分辨率重建[J].中国图象图形学报,2008
[4]徐忠强,朱秀昌.压缩视频贝叶斯超分辨率重建[J].南京邮电大学学报(自然科学版),2007,5
[作者简介]
郑清超（1986-）,男,河南省驻马店人,学历：硕士,主要研究方向：光电信息检测与自动化,单位：华南理工大学电子与信息学院。
相关文章：
变频器应用中干扰研究02-02
变频器DRS2000系列在糖厂的应用02-02
变频应用02-02
教师如何做好教科研02-02
变频器在化工行业应用02-02
仲裁员责任02-02
输油泵变频节能技术分析与运用02-02
生物多媒体教学论文提纲02-02
教育与人发展论文提纲02-02
