信息自动提取

关键词：

信息自动提取（精选十篇）

信息自动提取 篇1

关键词：SolidEdge,装配BOM信息,自动提取

0引言

随着信息技术的发展, 信息化已经成为制造企业提高产品竞争力的核心。物料清单BOM (Bill Of Materials) 逐渐成为产品的核心基础数据之一, 是产品数据管理 (PDM) 和企业资源规划 (ERP) 等相关应用的重要基础数据。BOM是PDM与ERP的重要组成部分和两大信息平台的交汇点, 对消除它们之间存在的“信息孤岛”具有重要的意义[1]。

在过去的产品设计中, 材料清单是由设计人员人工统计出来的。在设计复杂的产品时, 材料清单的统计工作量相当大且容易出现错误。在市场竞争的推动下, 产品的设计和更新速度加快, 产品的设计会被反复地修改和完善, 其产品的BOM也会随之发生相应的变化[2]。如何最大限度地利用设计阶段的BOM信息是加速产品从设计领域到制造领域转化的关键。本次研究主要针对由设计阶段产生的产品装配图进行分析, 以SolidEdge为开发平台, 应用Visual Basic开发工具自动地从产品装配图中提取BOM信息, 并将提取到的信息作为基础数据生成中间数据表, 应用于PDM和ERP系统集成中[3]。

1SolidEdge的层次结构与二次开发原理

1.1 SolidEdge的对象层次结构

对象之间一般通过被称为对象模型或对象层次结构的形式相互联系。SolidEdge的对象层次结构是对其进行二次开发的重要基础[4,5,6]。其对象层次结构可以描述为自上而下的树形结构, 如图1所示。

根据SolidEdge的层次结构, 运用SolidEdge的二次开发技术可逐层次地提取我们需要的装配BOM信息和相关零部件的信息。

1.2 SolidEdge的二次开发原理

应用程序接口 (SolidEdge API) 是SolidEdge的对象连接和嵌入 (OLE) 应用程序开发的接口, 用户可以通过SolidEdge API, 并利用支持OLE编程的开发平台对SolidEdge进行二次开发。在众多支持OLE自动化技术的开发工具中, Visual Basic具有简单易学、功能强大、面向对象编程等优势, 并且, 从SolidEdge帮助文件Visual Basic Examples中不难发现, SolidEdge提供了大量与VB接口的类型库, 库中提供了大量的OLE对象及对象拥有的属性、方法和事件等, 程序员对这些OLE对象及其方法和属性进行操作便可实现不同功能的二次开发。

用Visual Basic开发工具对SolidEdge进行二次开发, 须在Visual Basic环境下引用关于SolidEdge的类型库。VB开发的应用程序和SolidEdge是以客户/服务器的方式工作的, 用户只需在客户端应用程序上进行操作即可驱动SolidEdge完成相应的工作。在VB环境中编写代码建立VB和SolidEdge对象的联系并对其进行各项操作。

2装配BOM信息自动提取的实现方法

在PDM系统中添加产品的装配图, 一方面生成符合PDM管理系统要求的树形层次结构, 另一方 面是在添加产品装配体的同时需要提取装配体中的BOM信息及相关零部件的信息, 并将提取到的信息写入到数据库。PDM系统提取SolidEdge装配体信息及相关零部件信息流程如图2所示。实现步骤与方法如下所述。

2.1 提取装配体文件中各个节点的信息

在该信息提取的步骤中, 主要完成对产品装配体节点信息 (如名称及节点所对应零件的路径) 的提取、不同节点指向相同零件或子装配体信息的处理 (为使在PDM系统中不出现相同零件的重复管理) , 最后将提取信息及处理后得到的相关数据写入数据库。其实现方法是:在PDM系统中编写ReadOccurrences () 和ReadSubOccurrences () 等函数遍历各个节点, 完成装配体节点信息的提取、处理及存储。由此方法得到的数据使2.3步骤中打开零件文件的次数减到最少, 提高了数据读取与写入的效率。

2.2 在PDM系统中以树形结构表示装配体的BOM信息

在上述步骤中完成了装配体文件中各节点信息的提取且将提取到的有用数据写入数据库, 该步骤主要是调用数据库中的数据对零件或子装配体完成自动编码。其实现方法是:在PDM系统中编写AddRecord () 和AddNode () 函数, 实现以树形结构表示装配体的BOM信息。

2.3 提取零部件的文件属性和物理属性

该步骤主要是遍历PDM系统中各个节点的零部件, 打开其对应路径下的装配体和零件文档, 自动提取我们所需要的零部件的文件属性和物理属性。其实现方法是:在PDM系统中编写ReadAssemblyProperties () 、ReadPartProperties () 等函数, 完成零部件文件属性和物理属性信息的提取。

2.3.1 文件属性的提取

在VB中编写代码可以监视到文档对象的7大类父属性。从父属性的子属性项中可以找到系统需要的属性 (即子属性) , 如DocumentName、Material、DocumentNumber、密度、精确度、folder等文件属性信息。在VB代码中访问各个子属性的名称和值的形式分别为:objPropertsets.item (父属性) (子属性) .Name和objPropertsets.item (父属性) (子属性) .Value。其中, 父属性和子属性都有两种表现形式:“属性名称”或 Index (子属性序号, 为一个整数) 。而父属性下的子属性个数的形式为:objPropertsets.item (父属性) .Count。

2.3.2 物理属性的提取

SolidEdge文档对象SheetMetalDocument和PartDocument具有集合属性Models, 对每一个成员model使用SolidEdge API函数GetPhysicalProperties () 得到其物理属性, 对于那些需要计算得到的物理属性 (如重量等) 可以通过调用ComputePhysicalProperties () 自动计算然后提取得到。装配体的物理属性需要先计算, 然后使用GetAssemblyPhysicalProperties () 直接提取。

2.3.3 用户创建SolidEdge文档要求

提取零部件正确的文件属性和物理属性信息的前提是用户在创建文档时已经保存了相关信息, 如实际系统中我们需要零件的材料、密度、精度等信息。用户创建符合要求的SolidEdge文档有以下两种方法。

(1) 用户在创建文档时在不同选项中逐步填写相关信息, 并保存。

如在SolidEdge的菜单“Tool”→“Material Talbe…”对话框中的“Material”选项中填入材料信息, 并保存。在“Tool”→“Variables”→“Variables…”对话框, 查找到Name为“PhysicalProperties-Density (密度) ”和“PhysicalProperties-Accuracy (精确度) ”的参数, 填写与生产实际有关的值。

(2) 用户在PDM系统中修改相关信息。

通过VB对SolidEdge的二次开发技术, 我们不仅能完成零部件文件属性的提取, 也能通过PDM系统程序对文件属性信息进行修改。在PDM系统中, 编写函数EdiuPartProperties () 将用户填写的信息写入到SolidEdge设计文档中。

2.4 编程说明

在二次开发中, 如何正确地利用SolidEdge提供的API对象和函数是二次开发的重点和难点。在熟悉了API对象和函数的调用方法后, 根据程序的要求编写能实现特定功能的函数模块, 如ReadOccurrences () 、ReadAssemblyProperties () 、ReadPartProperties () 、EditPartProperties () 等函数均为实现特定功能的自定义函数。以下为提取装配体BOM信息的关键代码:

3应用研究与实例

本文以一组合箱式变电站骨架体为例 (如图3所示) , 该装配体的相关信息都已经根据生产实际进行了填写。在SolidEdge环境下打开产品装配图, 从装配体右侧的“Assembly PathFinder”选项中可以看到该装配体的设计BOM信息:零件总数为174, 不同种零件数为36;子装配体总数为9, 不同种子装配体数为3。

在PDM系统中添加该装配体, 对该骨架装配体BOM信息进行自动提取、添加等操作。

装配BOM信息经提取后写入数据库, 在PDM系统中可查看装配体BOM信息的详细清单, 包括零件名称、编号、数量、材料、存放路径等信息。各零部件详细信息如图4所示, 窗体左侧为装配体树形结构图, 该骨架装配体的不同种零件数为36, 不同种子装配体数为4。由此可见, 由系统提取到的装配BOM信息与骨架总装配图中记录信息完全一致。

另外, 查看经提取得到的密度和材料信息, 经比对均准确无误。

最后, PDM系统利用提取得到的装配BOM信息, 将ERP系统所需的信息生成中间数据表 (Excel表格) , 其结果如图5所示。

将该由PDM系统直接生成的PDM物理数据表通过ERP系统提供的PDM数据导入接口导入到ERP系统中 (该实例中的ERP系统是Kingdee软件) , 从而完成PDM与ERP集成。

4结束语

此次主要是以SolidEdge为开发平台, 分析研究装配体内部信息表达和包含于装配体的零件的内部信息表达, 利用SolidEdge的二次开发接口以及数据库技术, 提取SolidEdge装配BOM信息。PDM系统利用提取的有用信息作为基础数据生成ERP系统所需的中间数据表, 应用于PDM和ERP系统集成中。此次研究打破了过去产品设计中材料清单由设计人员人工统计的方式, 减轻了设计人员的工作量, 具有重要的实际意义。

参考文献

[1]宋威.基于BOM的PDM与ERP系统集成的研究与实现[D].大连:大连理工大学, 2005:1-10.

[2]邓安平.P ro/E环境下BOM数据的抽取和自动存储研究[J].机械工程与自动化, 2009 (2) :83-86.

[3]刘新民, 蔡琼.V isua l B as ic6.0程序设计[M].北京:清华大学出版社, 2004.

[4]柳博.ERP系统与PDM系统集成的关键技术研究[D].武汉:武汉理工大学, 2004:11-35.

[5]席炜.基于So lid Edge的装配BOM信息管理的研究与实践[D].苏州:苏州大学, 2006:24-35.

信息自动提取 篇2

在列举了各种多源数据(资料)的基础之上,介绍了多源数据(资料)所需进行的预处理及其在地理空间信息提取及更新中的具体应用.针对不同来源的`数据(资料)探讨了可采用的半自动提取及更新技术,以此提高地理空间信息提取的效率及质量.

作 者：陈换新 严薇 刘晨帆 CHEN Huan-xin YAN Wei LIU Chen-fan  作者单位：陈换新,CHEN Huan-xin(信息工程大学测绘学院,河南,郑州,450052;中国人民解放军96633部队,北京,100096)

严薇,刘晨帆,YAN Wei,LIU Chen-fan(信息工程大学测绘学院,河南,郑州,450052)

刊 名：测绘与空间地理信息 英文刊名：GEOMATICS & SPATIAL INFORMATION TECHNOLOGY 年，卷(期)：2009 32(5) 分类号：P208 关键词：多源数据   预处理   提取   更新   综合利用  

★ 基于WebGIS的水利测绘数据空间信息发布

信息自动提取 篇3

关键词：MODIS；比值植被指数；归一化植被指数

引言

洪水灾害是我国常见的一种自然灾害，其发生一般具有突发性的特点，洪涝灾害的预警预报、救灾减灾以及灾后重建工作都需要对洪灾时空演变过程信息进行及时反馈和精准分析[1]。遥感，作为采集地球数据及其变化信息的重要技术手段，得到了包括我国在内世界各国政府部门、科研单位和公司的广泛应用。随着航空、航天技术的飞速发展，遥感技术大面积同步观测、时效性、数据的综合性和可比性、经济性等特点日益显现，已成为研究地质灾害防治、全球环境变化重要的科学技术手段。

根据遥感数据对水体进行提取的技术如今已在水资源变化检测、洪水淹没范围判读和海岸线变化识别等领域得到了广泛的应用。国内相关研究已经展开，肖干广等[2]利用AVHRR的通道2（近红外波段）和通道1（可见光波段）的差值法，水体得到了有效的识别。盛永伟等[3]利用AVHRR的信道2和信道1的比值法，从而使薄云覆盖下的水体得到了很好的识别。都永康等[4]利用SPOT卫星信息，采用决策树分类方法，山区中的水体信息得到了有效识别。Jun Li等[5]利用MODIS信息能够有效监测清澈水体。赵书河等[6]采用迭代混合分析方法，对中巴资源一号卫星的遥感数据进行分析，把水体与山区阴影进行了有效分离。

1.水的提取原理

遥感影像记录的是地物的光谱特征，不同地物在部分波段呈现较大的反射率特征差异，通过定量化分析和比较这些差异可以达到识别地物的目的。在大部分遥感传感器的波长范围内，由于水体对入射能量具有强吸收性的特点，导致水体的反射率总体上较弱，并具跟波普长度长成反比。水体对蓝光波段（CH3），绿光波段（CH4）的反射率较强，并且水体在蓝光波段有明显的散射，与其他地物在此波段的反射率特征差异不明显；相比于红光波段（CH1），水体在近红波段（CH2）的吸收性要更强烈一些，几乎吸收了全部的入射能量，吸收率较高、反射率较低；而土壤、植被在这个波段内的反射率较高、吸收率较低。这种明显的差异使得水体在近红外波段上很容易与植被、土壤形成鲜明的对比，易于区分。在MODIS影像上，水体在近红外波段上呈现暗色调，而土壤和植被则呈现亮色调。同时，在山区由于受山体阴影的影响，使得阴坡面的地物在近红外波段反射能量降低，因此阴影中的地物在近红外波段影像上呈现为明显的暗色调；在城市建筑物密集地区，由于高层建筑物阴影的影响，也存在同样的问题，因此通过单一阈值（近红外波段）来区分水体和阴影中的地物存在一定的难度。

在一定条件下，植被指数能够定量地说明植物的生长状况，其原理是根据在可见光波段植物叶面有很强的吸收特性，在近红外波段植物叶面有很强的反射特性，通过不同波段的组合，植被指数能够将植物与其他地物有效区分开来。常用的植被指数包括比值植被指数和归一化植被指数等。

2.MODIS的光谱特点及当前主要应用范围

2.1MODIS的数据特点

与之前常用的几种遥感数据相比，美国国家航天局（NASA）最新的数据主要有三个特点：一是数据涉及波段范围比较广（36个波段，0.4-14.4um）；二是空间分辨率较之前有了更大的进展（250 m、500m、1000m）；三是数据更新频率快，对实时监测有较高的应用价值。

2.2MODIS影响上的水体表现特征

根据已有研究表明的水体波普特征和MODIS有感数据36个通道的波长分布，可以分析并确定适合于水体信息提取的波段。在MODIS遥感数据的36个通道中，1、3、4、8～15通道在可见光范围内，水体与其它地物的反射率差别不大，即从水体到陆地的过度特性不明显。2、5、6、7、16～19、26通道处于近红外波段范围，水体吸收率高、反射率低，而对土壤、植被的吸收率低、反射率高，水体在影像上表现为比其他地物都暗的色调，其边界轮廓十分清楚。故在这些通道的单波段影像上，水陆界线比通道1、3、4、8～15影像更加清晰可辨。20～25、27～36为热红外通道，主要反映地物自身的热辐射效应，应用MODIS数据进行水体提取，对于小水域范围，通道2是最佳波段，有着仅0.03m的波段宽度和250m的空间分辨率[8]。

3.MODIS影像水体提取方法及研究

3.1MODIS影像水體提取模型

单波段阈值法和多波段阈值法是目前利用遥感信息提取水体信息最常见的两种方法。

单波段阈值法主要是选取近红外波段并利用阈值来提取水体信息，它是提取水体的最简单易行的方法，基本原理是利用水体在近红外波段上吸收率高、反射率低，其他地物吸收率低、反射率高的特点，经过多次试验确定一个灰度值，作为区分水体与其它地物的阈值，其缺点是水体与山区的阴影难以区分，提取的水体往往比实际要多。部分文献叙述由于遥感影像的时空性变化较大，且时常因为时空的变化，阈值变化的不确定性使得该方法具有局限性，但在特定时相和区域里，对于非山区水体信息的提取，因为MODIS光谱的细分已经将上述问题大大减弱，首先应选取阈值法进行试验。

单纯使用单波段阈值法无法有效区分地物时，需引入多波段法，常见方法包括：谱间关系法和多光谱分析法。利用谱间关系建立的模型很多，比如对波段进行如下运算CH7/CH6、CH7/CH5，从而找出组合图像上水陆分界非常明显的影响。以CH7/CH6为例，可以采用如下方法剔出非水体：在ENVI软件下输入CH7/CH6波段，运算波段计算功能，将公式CH7/CH6输入，载入影像，在放大窗口中，手工裁取明水水域范围，生成多边形，对各种多边形赋予一个感兴趣区（AOI）文件，并将其输出为ENVI等矢量文件即可。

nlc202309012145

采用基于多波段分析原理的植被指数法，能有效增强水体与陆表的差异，从而能后有效区分和识别水体。

植被指数最早是1969年Jordan为了估计热带雨林的叶面积指数而提出来的比值植被指数（RVI）为了提高对地面植被指数检测效果，又有人提出了将比值限定在（-1，1）之间的归一化植被指数（NDVI）[9]，其原理是通过遥感光谱通道间组合运算获得的无量纲数据，是对地面植被状况的一种经验或半经验的观测。

NDVI广泛用于检测植被生长状态、植被覆盖度和消除部分辐射误差等，-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大，根据此特点便可进行水体信息提取。

MODIS数据第一波段是红光区（0.62～0.67μm），水体的反射率高于植被，波段2是近红外区（0.841～0.867μm），植被的反射率明显高于水体，因此，采用归一化植被指数NDVI来进行处理可以增强水陆反差，其计算公式是

NDVI=（CH2-CH1）/（CH2+CH 1）（1）

（1）式中CH1、CH2分别是MODIS数据波段1，2的地标反射率。在NDVI图像中，水体的NDVI值很低，为负值，而植被、土壤的NDVI值较高，为正值。在此基础上，通过选一个合适的取阈值范围，即可构建区分水体和植被、土壤的模型。

比值植被指数（RVI）也能增强水陆分界差异，其计算公式为

RVI=CH2/CH1（2）

由于水体在MODIS第二通道（CH2）上的地标反射率很低，而其他地物相对较高，而在第一通道上，水体的地标反射率虽然比在第二通道上高，但土壤、植被等地物的地标反射率比水体更高，利用RVI可以增强这种差异，然后设定一个阈值，也可构建一个能够有效区分植被、土壤的模型。

多光谱混合分析法主要针对所研究区域及其周围的典型地物（如草地、林地、阴影、城镇等）进行分析，标出他们在各个波段上的光谱亮度值，查找同一波段地物的异同，必要时对个别波段进行加、减、乘、除等运算，找出唯有水体满足的关系，由此构建水体的提取模型。

4.实验结果及精度分析

为了验证NDVI和RVI进行水体提取的有效性，分别选取了河流、湖泊、海洋这三种主要水体对NDVI和RVI指数进行了水体信息提取试验。为了使试验结果具有代表性，选取的试验区的背景地物有的以植物为主，有的以建筑物为主；以保证客观的评价性。遥感影像处理采用的是ENVI软件。

试验区的水体以河流、湖泊、海洋为主，用公式（1）和公式（2）分别生成了RVI和NDVI影像。

此外NDVI和RVI指数影像更能详细的表现遥感影像的信息，反应影像上的细微差别。如河流的细小分支、植被覆盖等在原始遥感影像上表现得并不明显，而在NDVI和RVI指数影像上表现得很详细。同时NDVI和RVI影像还能达到去除云层的效果，在图四中这种效果表现的最为明显。这是由于在CH2中云层的地标反射率比在CH1中的较高，水体在CH2中的地表反射率比在CH1中的较低，在CH2上两者的地标反射率差别不大，但用比值法能使这种差别扩大，因此达到较好的去除云层的效果。

5.结论

MODIS采用一系列低轨道卫星对地球进行连续综合观测的计划，在保证大范围获取地物信息的同时大大缩短了卫星的重访周期，为突发性洪水灾害的检测和评价提供了有力支撑。利用MODIS的1，、2通道遥感数據计算归一化植被指数、比值植被指数，对影像进行水体自动提取得到以下结论：

（1）本文利用RVI和NDVI指数对MODIS影像进行水体的自动提取，并以河流、湖泊、海洋水体为试验区，结果发现NDVI和RVI指数提取的水体的轮廓很清晰，且较窄的河流也能清晰的表现出来，漏提的水体较少，且没有发现将阴影、云、居民地等误当水体提取出来。

（2）在MODIS遥感数据的36个通道中，进行水体提取的优先选取波段是2、5、6、7通道，其中最佳波段是通道2。很多复杂的地物都可以通过MODIS光谱数据细分出来，单波段阈值法从而成为首选方法。

（3）在采用单波段阈值法对水体进行提取研究时，其准确性取决于阈值的大小，如果选取的阈值大，当然可以减少云，阴影等造成的误差，但可能会造成部分水体的漏提；如果选取的阈值过小，会有可能将阴影、云、居民地等当做水体提取出来，采用单一通道法无法将水体像元有效地提取出来。

参考文献：

[1]徐冠华，田国良，王超，等.遥感信息科学的进展和展望[J].地理学报，1996，51（5）：397-406.

[2]肖乾广，陈秀英，王葳.气象卫星影像用于松花江洪水检测[J]，遥感信息，1987，（4）：26-27.

[3]盛永伟，肖乾广.应用气象卫星识别薄云覆盖下的水体[J]，环境遥感，1994，9（4）：247-255.

[4]都永康，黄永胜，冯学智.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5（3）：214-219.

[5]赵书河，冯学智，都永康，中把资源一号卫星水体信息提取方法研究[J].南京大学学报（自然科学），2003，39（1）：106-112.

[6]刘玉洁，杨忠东等编著.MODIS遥感信息处理及算法[M].北京：科学出版社，2004.1-4，185-192，233-260.

作者简介：李晓星（1990-），男，山东平度人。硕士研究生，研究方向为土地利用与遥感监测。

通讯作者：王周龙（1959-），男，陕西杨凌人人。博士，硕士生导师，2002年8月至今，在鲁东大学地理与规划学院从事遥感、地理信息系统研究与教学工作。先后承担国家科技攻关项目、973基础研究项目、国家自然科学基金项目、国际合作研究项目等。作为主要科研骨干，曾获中国科学院科学技术进步一等奖、二等奖各一项。在《科学通报》、《遥感学报》、《遥感技术与应用》、《遥感信息》、《国土资源遥感》、《计算机应用研究》等学术期刊上发表论文60余篇。

信息自动提取 篇4

关键词：AutoCAD,二次开发技术,产品明细表(BOM),自动提取

0 引言

在生产制造企业中,产品明细表(即BOM表)是组成产品所有零部件、原材料的列表,它是企业中不同部门、不同流程间传递的基本数据[1],非常重要。对于研发生产型企业而言,产品图纸设计的最后一步工作就是将装配件、焊接件内部的产品明细表提取出来,并进行整理、分类与汇总,以便制定生产计划。AutoDesk公司的AutoCAD是行业内的通用软件,虽然各企业已经对该软件进行了很多个性化定制与二次开发工作,但其在提取其图形文件内部明细表信息并进行整理、汇总方面依旧存在短板[2,3],此项工作很多时候是由人工进行的。然而一套产品图纸,其零部件、标准件数量庞大,人工整理对于整个产品的研发工作效率影响很大。以新疆机械研究院股份有限公司所生产的各型联合收割机为例,一套产品图纸,零部件数量均在2 000~5 000之间,甚至更多,而且明细表内的数据可分为自制件、标准件、外购件、装配件以及焊接件5大类,数量巨大,在制作明细表时不仅要对其进行分类,还要对其进行汇总。以往,此项工作由项目组内部人工完成,每次在正式交付图纸之前,该工作大约耗费2d~4d,而且准确率不高,对产品生产计划的编排与执行造成了很大的影响。若能自动实现明细表信息数据格式的转换,无疑将大幅提高产品研发工作效率与准确性。因此,本文设计一套软件,以实现对AutoCAD图纸内的产品明细表信息进行自动提取,并实现对产品明细表复杂数据的整理与汇总。

1 基于AutoCAD二次开发技术的明细表自动提取

在经定制化开发的AutoCAD软件内,明细表对象由标题行与明细行组成。标题行位于图纸标题栏上方,数据类型为块引用(AcdbBlockReference);而明细行是由线条(AcdbLine)与多行文本(AcdbMText)对象组成[4,5]。按照国家标准对机械制图的相关规定,明细表标题行位于图纸标题栏正上方,逐行向上排列,当明细内容较多时,可允许分栏建立明细表,即第二栏数据与标题栏底部平齐,右侧紧邻标题栏,如图1 所示。基于以上规律,对图纸明细数据的自动提取可分为以下几个步骤来进行:

(1)通过AutoCAD软件二次开发技术,将AutoCAD软件内部的数据对象暴露出来,以便通过外部编程语言访问到这些对象,为自动提取图纸明细表数据奠定基础。

(2)遍历DWG文件内部数据对象,获取明细表标题行以及标题栏对象,即名称为 “bomhead”与“drawtitle”的块引用对象;然后获取明细表标题行插入点坐标(x0,y0)与图纸标题栏的插入点坐标(x1,y1),以及属性值(如绘图比例i、件数n、图号、父图号及图纸名称)等数据,明细表标题行的宽度w、高度h0、图纸标题栏高度h1可由国标手册查询得到;最后通过计算可得到第一行明细项目的坐标值,其计算公式为:

其中:x1k为第一行明细数据内不同项目(列)插入点横坐标,k为明细表列数,k∈[1,8];Δxk为不同项目的横坐标偏移量。根据明细表的行数,则可推算所有明细项目的插入点坐标。

(3)确定明细表在图纸中所占的范围,即明细内容的包围盒(boundingbox)。考虑软件的执行效率,在获取明细数据时,并未采用逐条读取的方式进行查找,而是采用计算出所有明细项目的包围盒坐标,再利用AutoCAD的选择集对象选取数据。明细表的表格由两类直线绘制而成,其一为水平方向,起始点x坐标与标题行插入点x坐标相等;其二为垂直直线,起点位于明细表标题行左上角,终点为最后一条水平方向直线的起始点,其起始点坐标计算公式为:

其中:Δxl为当前分栏左下角点水平偏移量(相对于明细表标题行左上角),若明细表不分栏,其值为0,反之为-w,l为当前分栏的序号,l∈[1,3];Δyl为当前分栏左下角点垂直偏移量,若明细表不分栏,其值为0,反之为-(h1+h0)。

在AutoCAD的Document对象中搜索水平和垂直这两类直线,进而计算全部明细表项目整体包围盒尺寸并得到初始选择集。

(4)明细数据的整理与提取:由步骤(3)获取的选择集对象中的数据是离散的,不存在类似于数据库中的二维表格关系,需将其还原为二维表格数据。考虑到明细表的结构,总共含有序号、代号、名称、数量、材料、单重、总重、备注8列数据,在绘制装配图纸时,并非所有单元格都会填充数据,即每一行的数据量不固定,但第一列(序号)是必须填写的数据,因此,综合利用明细表垂直直线作为参考,获取序号列数据的插入点坐标。考虑不同列的插入点y坐标有可能不完全相等,还需设定合适的阀值以便进行判断,将离散数据还原为表格对象,方便下一步操作。

(5)根据所获取的明细表数据,依次查找其对应的文件进一步提取,以获取整个产品的明细原始数据。

2 基于正则表达式技术的图档分类

在企业内部,产品的零部件大致可分为3类,标准件(含行业通用件)、自制件(含零件、装配/焊合)、外购件,这几类零件的编号规则如下:

(1)标准件:按照国标号进行编号,而后在名称中写明其规格。

(2)装配/焊合件:编号规则为“XX……X-XX-……-XX”,第一部分为产品代号,其余部分为部件编号,每一道横线代表一个级别,部件使用固定长度(两位)方式表示。

(3)零件/外购件:编号规则为 “XX…… X-XXXXXX”,与装配/焊合件相同,第一部分为产品代号;第二部分为组合编码,共6位,其中前两位为所属部件号,第三位为材质编号,后三位为零件流水码。若图纸存在不同版本,则在上述编号后面跟版本控制码,共一位。

针对上述规则,利用.Net Framework类库中的正则表达式技术可在提取的数据中准确地识别标准件、装配/焊合件、零件。正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符及这些特定字符的组合组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。以标准件为例,机械制造行业中常用标准件主要有国标件、行标件、国际标准件等,常见的标准代号有GB、GB/T、JB/ZQ、QB/T、ANSI、DIN等。其标准代号一般由标准类型(GB/T)-标准代号(5783)-发行年份(2000)-版本(A)等部分组成,故识别标准件的正则表达式为:

对于自制件,其分类方式与标准件类似,用于识别装配/焊合件的表达式为:

3 明细数据汇总与表格生成

机械产品中存在大量的标准件与借用件,如螺栓、轴承及通用件等。对于标准件,在一个产品中,不同的地方使用同一型号标准件的情况非常常见,最终的汇总过程非常繁琐,在数量上也容易出现错误。不同类型标准件规格的表示方法均不同,如“螺母M12”、“轴承62313-2RS”、“螺栓M10X1X50”以及 “焊接螺母M12(加厚h=5)”等。经分析,用于表示标准件规格的字符串基本遵循以下规则:

(1)以字母或数字开头。

(2)字符串中可能出现乘号(一般以字母X代替)或括号(全角或半角)。

(3)括号内有可能出现汉字。

(4)考虑到不同工程师具有不同绘图风格,可能造成明细表项目拥有多种形式。 如对于标准号为GB/T5783-2000,名称为六角头螺栓M16×50,则可能出现的名称写法有“螺栓M16X(字母X)50”、“螺栓(空格)M16×50”、“螺栓M16×(乘号)50”等样式。

针对上述分析,采用正则表达式对规则进行提取,获取表示规格的子元素Xi,形成集合X={X0,X1,…,Xn},若子集完全相同,则认定标准件是属于同一型号,反之亦然。用于提取标准件规格的正则表达式为:

在此基础上将提取并分好类型的数据进行汇总,保证没有重复项,同时将零件的数量准确统计出来,方便生产计划部门编排生产计划。先利用ADO.NET中的DataView对象提取明细表中图号与父图号均不重复并且类型为焊合或装配图的数据;再将焊合或装配图看作是部件级零件,以此构建产品树结构;最后利用遍历产品树结构,将部件所含的子件全部添加到产品树中,并根据总产品树统计各零部件的数量。最终,利用Microsoft Excel的二次开发接口库,将统计好的数据按指定格式输出至Excel文件中,完成明细表的整理与汇总工作。

4 软件设计与开发

以微软公司的Visual Studio 2010软件作为开发平台,综合运用AutoCAD、Microsoft Excel软件二次开发及ADO.NET技术,开发了产品明细表自动提取软件,其应用流程如图2所示。

图3为软件运行界面。点击界面的读取按钮,指定产品图纸文件夹内的总图,则可自动遍历文件夹下的所有组合型图纸文件,逐一提取其内部的明细信息,并进行整理与汇总,最后生成明细表文件。

5 结论

通过对企业产品编号规则以及所使用CAD软件进行分析,总结出一种能够自动读取产品明细表信息的方法。在此基础上,综合运用AutoCAD二次开发、正则表达式、ADO.Net以及Excel软件二次开发等技术,开发了一套能够自动读取、整理并汇总产品明细表信息的应用软件。经试验验证,该软件能够提高整理明细表工作的效率与准确率,使得生产计划部门能够快速准确地制定生产计划,在保证所有零部件都能够按照生产计划进行生产的同时杜绝原材料浪费,很大程度上节约了企业生产成本。

参考文献

[1]张瑞琳.产品明细表自动汇总管理系统的研究与开发[D].大连:大连理工大学,2000:1-5.

[2]颜立坤,武照云,吴立辉,等.基于VB的AutoCAD明细表自动生成软件设计[J].机械设计与制造,2013(4):11-13.

[3]颜桂明,章易程,尤伟,等.基于数据统计分析的AutoCAD明细表填写系统的开发[J].机械设计,2011(11):81-84.

[4]刘英,尚文利,张嘉易.工程图中明细表标题栏线框图形的智能识别[J].计算机工程,2011(9):207-209,212.

扫描地形图等高线自动提取 篇5

扫描矢量化是地形图等高线数字化录入的一种常用方法,但现有的数字化方法存在一些不足:①无法处理公里网格线等干扰信息;②等高线密集区域识别困难.从扫描地形图的灰度信息出发,通过阈值过滤后将图像进行二值化处理,然后采用两边同步行走夹比取中矢量化算法进行栅格向矢量的.自动转化,最后根据生成的线的长度信息将公里网格线一次删除.结果表明:基于线的长度信息可以去除95%以上的公里网格线;在地形起伏较大的山区可以自动提取80%以上的等高线,而其他相对平坦区域可自动提取95%以上的等高线,自动化程度高.

作 者：李述 刘勇 LI Shu LIU Yong 作者单位：兰州大学,资源环境学院,西部环境教育部重点实验室,甘肃,兰州,730000 刊 名：测绘通报 ISTIC PKU英文刊名：BULLETIN OF SURVEYING AND MAPPING 年，卷(期)： “”(1) 分类号：P2 关键词：地形图   等高线   扫描矢量化   数字化

生物图表信息提取策略 篇6

一、紧扣关键字眼，提取有效信息

图表类型的题目中，有些图表的含义、曲线横纵坐标的含义以及图表的一些特殊条件信息往往都会在题干文字表述中有所体现，这些信息对于解决图表问题至关重要，尤其是一些呈现于题干中的特殊条件。

例1 甲、乙、丙、丁四个烧杯，分别加入100mL体积分数为3%的过氧化氢溶液，分别将它们的pH调节到3、5、7、9，取等量新鲜萝卜的提取液分别加到四个烧杯中，都有气体产生；将加入四个烧杯中提取液的量减半，重复上述实验，在30℃和相同的时间内，分别测量两次实验中过氧化氢的含量变化，结果如下图：

下列判断正确的是（ ）

A．曲线B是第一次实验的结果

B．这两次实验的差异是由pH值不同造成的

C．曲线A和B反映出提取液的量不同，过氧化氢酶的最适pH不同

D．用点燃的卫生香检验气体产生情况时，pH为7的一组更容易熄灭

解析 共做了2次实验，测量了2次。但每次实验包含4个实验组，第一组的自变量是PH的不同。第二组组内比较也是PH的不同。而两组之间的相比有一个变量就是提取液的量减半，提取液中含有过氧化氢酶，也就是酶的量减半。

答案 A

点拨 该类题目一般题干较长，内容多，信息量大。解答此类题目时，可以先快速阅读题干和选项，在了解题目大概内容之后，再细读题干部分，把与选项有关的题干信息充分提炼出来。像上题中，“第二次实验时将提取液的量减半”就是一条十分重要的信息。

二、不要盲目解题，避免定势思维误导

在解决图表问题尤其是一些比较熟悉的图表问题时，同学们易受熟悉图形的干扰，往往不会仔细研读图表的详细信息和含义，没有弄清图形含义就盲目解题，在思维定势的影响下很容易出错。其实要准确解答图表题一定要有一个好的习惯，即认真查看横纵坐标，明确图表的正确含义并排除误导信息。

例2 下图为人体内细胞在分裂过程中每条染色体的DNA含量变化曲线。下列有关叙述正确的是（ ）

[细胞分裂时期][a][b][c][d][e][f] [每条染色体中的

DNA含量]

A．该图若为减数分裂，则基因的分离和自由组合都发生在cd段某一时期

B．该图若为减数分裂，则cd期的细胞都含有23对同源染色体

C．该图若为有丝分裂，则细胞板和纺锤体都出现在bc时期

D．该图若为有丝分裂，则ef期的细胞都含两个染色体组

解析 曲线的纵坐标不是每个细胞内的DNA含量变化，而是每条染色体上DNA含量的变化。

答案 A

点拨 在本题解答过程中，同学们极易根据熟悉的曲线形状把纵坐标误认为是一个细胞中的DNA的含量变化，从而把该图错误地定位为有丝分裂。在做题时一定要养成一个良好的习惯，就是在分析曲线图之前，仔细查看曲线的横纵坐标的含义以及取值范围等细节信息。只有明确了坐标含义，才能真正避免思维定势的误导。

三、注意把握曲线图的“三点一势”

图形中图的形状、大小、位置、颜色、图中的箭头以及曲线图中起点、终点、折点、交点、图形的走势等，都可能是题目中的一些有用的信息，要学会对图形本身信息的识别，把隐藏在图形内的信息解读出来。

例3 下图表示某种植物的非绿色器官在不同氧浓度下CO2的释放量和O2吸收量的变化，实线和虚线相交于C点，以下叙述正确的有（ ）

A．C点时，植物既进行无氧呼吸，又进行有氧呼吸

B．C点时，植物只进行有氧呼吸，此时无氧呼吸被完全抑制

C．B点时，无氧呼吸强度最弱

D．B点时，植物呼吸作用最弱

解析 ①氧气浓度为0时，只有无氧呼吸；CO2的释放量和O2呼吸量相交时，只有有氧呼吸；而上述两点之间则两种呼吸兼而有之。②由B点CO2的释放量最少可知B点呼吸作用最弱。

答案 BD

点拨 在曲线图中信息的提炼尤为重要。分析一条曲线，一定要准确的把握曲线的“三点一势”，即起点、终点、转折点、曲线的走势。起点标志一个变化发生前的初始状态，而终点标志变化的结束状态，两点对比，可以体现曲线的变化类型（如有丝分裂和减数分裂中染色体数量的变化曲线）、变化范围；转折点一般能够分析出变化中的一些影响因素；曲线的走势能够综合体现曲线的变化情况。如果分析多条曲线，还需要具体分析多条曲线的交点，以了解曲线间的相互关系。

四、反向思维，从选项中挖掘信息

大多数题目信息都体现在题干和图形中，但是也有少数的题目中关键且具有提示性的信息隐藏在选项中，针对这样的情况，从选项中挖掘有用信息就很有必要了。

例4 下图表示某生态系统中甲、乙两种群在一段时间内数量变化情况。下列有关叙述错误的是（ ）

A．由于甲的数量增加或减少先于乙，所以两个种群间能量流动方向是甲→乙

B．由于M点以后甲的数量在下降，所以M时甲种群的出生率小于死亡率

C．两个种群数量变化说明了信息传递是双向的

D．两种群数量波动幅度减小说明生态系统正在衰退

解析 选项A中“甲的数量增加或减少先于乙”；选项B中“M点以后甲的数量在下降”；选项D中“两种群数量波动幅度减小”都是很重要的信息。准确把握题干内信息，往往可以起到迅速排除干扰项的目的。

答案 D

点拨 在一些题干比较简单，图像隐含的信息不容易看出时，我们会感到无从下手。在这时，我们不妨先看看选项的信息，从问题入手，寻找一些提示性的信息，然后利用这些信息所提示的方向对相应的问题进行解答。

1．如图为平衡时的渗透装置，烧杯中的液面高度为a，漏斗中的液面高度为b，液面差m=b-a,在此基础上继续实验,以渗透平衡时的液面差为观测指标。下列对实验结果的预测，正确的是（ ）

A．若吸出漏斗中高出烧杯液面的溶液，平衡时m将增大

B．若向漏斗中滴入等浓度的蔗糖溶液，平衡时m将不变

C．若向漏斗中滴入清水，平衡时m将减小

D．若向烧杯中加入适量清水，平衡时m将增大

2．甲、乙、丙三图分别表示探究几个环境因素对马铃薯光合作用速率影响的实验结果。下列分析中正确的是（ ）

率][光合速率][P Q][P Q][P Q][强光照][一般光照][弱光照][低CO2浓度][高CO2浓度][中CO2浓度][10℃][30℃][20℃]

A．甲图所示实验主要研究光照强度和温度对马铃薯光合作用速率的影响

B．甲图P点时，限制马铃薯光合作用速率的因素为光照强度和温度

C．乙图Q点时高CO2浓度条件下，可通过进一步增加光照强度来提高马铃薯光合作用速率

D．丙图Q点之后三条曲线的走势为保持平稳

3．下图为基因组成为Aa的动物在形成精子过程中某一时期示意图。下列相关叙述中正确的是（ ）

A．2号染色单体上与A相同位置的基因最可能是a

B．1个该细胞经过两次连续分裂，最终可以形成4种类型的精细胞

C．若同源染色体正常分离，但姐妹染色单体没有分离，则分裂后会形成性染色体组成为XY的精子

D．同源染色体的非姐妹染色单体交叉互换将导致染色体结构变异

4．细胞增殖过程中DNA含量会发生变化。通过测定一定数量细胞的DNA含量,可分析其细胞周期。根据细胞DNA含量不同，将某种连续增殖的细胞株细胞分为三组，每组的细胞数如下图。从图中所示结果分析其细胞周期，不正确的是（ ）

A．将周期阻断在DNA复制前会导致甲组细胞数减少

B．细胞分裂间期的时间比分裂期长

C．丙组中只有部分细胞的染色体数目加倍

D．乙组细胞正在进行DNA复制

5．鱼鳞藻、脆杆藻是鱼类的饵料，微囊藻会产生有毒物质污染水体。某研究性学习小组调查了当地部分湖泊营养化程度对藻类种群数量的影响，结果如图所示。下列有关说法中，不正确的是（ ）

[鱼鳞藻][脆杆藻][微囊藻][藻类数量][贫营养化][中营养化][富营养化][N、P等元素含量][O]

A．可用抽样检测法调查藻类的种群密度

B．在水体富营养化的过程中，水域生态系统的抵抗力稳定性降低，分解者数量增加

C．用脆杆藻能够控制富营养化水体中微囊藻的数量而净化水体

D．中营养化的水体最有利于养殖鱼类的生长，流入水域生态系统的能量可更多地流向人

中药提取自动监控系统的设计 篇7

1 中药提取工艺特性

中药生产工艺大致可以分为药材前处理、磨粉与提取、制剂三大部分。提取是中药生产中一个重要的工艺过程,即用适当的溶剂把固体药材中的有效成分溶解出来[1]。由于中药材成分复杂,通常选择一个成分作为工艺控制指标,提高它的收率和研究影响收率的各种因素[2]。一般中药提取可分为两个过程:一是药材浸润和溶质溶解过程;二是溶质的扩散过程。影响中药提取速度的因素有药材质地和粒度,表面状态,溶剂的性质,提取温度、压力,溶液的粘度,浓度差,固、液两相的相对运动速度等。提高温度对加速提取过程有利,但受到药品质量的限制;提高压力有利于浸润过程,有利于溶质的扩散过程,但在压力的渗透下,容易把药材基块内的某些细胞壁破坏;药材的粒度越小,与溶媒接触的面积越大,可以加快提取速度,但如果太小,淀粉等容易被提取出来,增加了提取液分离的困难;固体药材基本块与液体之间的相对速度越高,有利于加快提取过程;固体药材基块内部毛细孔里的溶液与外面溶液浓度差越大,提取速度越快。同时由于中药生产过程中单方、复方的不同要求,药材中各种有效成分的物理和化学性质的差异,导致生产过程中对温度、压力、浓度、流动状态的参数的变化很敏感,同时要满足防火、防爆、灭菌等因素,增大了控制系统的复杂程度[3]。

2 系统控制机理

系统的控制过程主要以多功能提取罐为被控对象,主要包括进料、提取和出料三个过程。进料、出料比较简单,控制系统的重点在提取的过程控制。

系统以常压水提取来进行分析,要求控制加热夹套内蒸汽压力P、罐内药液温度T、保持罐内压力P1为常压,并管理药液循环通道内阀门内开关及药液循环泵的启动和停止,控制结构图如1所示。

图2中,以提取罐为被控对象,溶剂为水时,控制对象的参数主要是夹套蒸汽压力P和罐内温度T,对于罐内压力,在常压时只需要控制防空阀的开启就可以达到,如果不考虑滞后影响,此时对提取罐的特征可用如下方程组进行描述。

夹套内压力方程:

罐温方程:

其中:为压力P及温度T的变化率;u为蒸汽调节阀的控制作用,被控对象的模拟框图可以表示为式(1)和式(2)所示。设P=X1,T=X2,系统标准状态方式如式(3)所示。

由能控判据:,那么秩为2。

由能观判据:,秩也为2。

可见,夹套蒸汽压力P和罐温T是可控可观的,aij、b取决于罐的结构,数值可用热力学方法计算,一般用实验方法获得。

当以醇类为溶剂时,工艺要求放空阀始终为关闭,同时由于醇类溶剂达到沸点后必然产生蒸汽使罐压升高,因此控制对象的状态参量为夹套压力P、罐温T和罐压P1,同样用上述分析方法,其被控对象同样是可控可观的[4]。

3 监控系统设计

根据工艺的要求和现场控制管理,整个控制系统由上位机和下位机组成,实现中药提取过程中的设备运行参数的在线监测,记录设备运行状态和过程,分析参数的变化趋势,及时发布和预报运行情况,实施诊断和报警,实现远程控制,指导操作人员管理生产工艺过程。

3.1 系统结构设计

(1)上位机系统实现整个工艺流程的设备运行状态的实时监控,将工艺流程以直观的画面显示出来,记录在线监测的参数,记录设备运行状态和过程,分析参数的变化趋势,及时发布和预报运行情况,实施诊断和报警,并完成系统参数的分析和处理,对不能直接测量的参数进行软测量[5]。

(2)下位机系统主要完成数据采集,计算和逻辑运算,执行PID闭环控制输出。对工艺要求的设备、泵、阀系统,能够根据实时处理情况和要求,控制设备的启停和时序的安排,达到设备的最优化调度,节约制剂的投放量,提高中药的提取效率,保证处理的效果。

(3)网络通讯系统将上、下位机之间连接,现场控制站数据能正确、及时反映到上位机,上位机的控制信号能及时传达到下位机,实现远程控制。

整个监控系统如图3所示,上位机采用工控机,下位机采用PLC的二级监控系统,加上现场手动控制的三层结构。

3.2 系统软件设计

监控系统软件设计包括上位机组态软件的设计和下位机PLC程序设计两部分,总体设计结构如图4所示[6,7]。

上位机组态软件采用SIEMENS Win CC完成上位机监控界面的设计。上位机除了提供一般的数据存储功能、数据查询功能、流程图显示功能、曲线跟踪功能、系统安全功能外,还增加了软手动操作功能、报警功能、数据归档、打印报表等,使操作人员可以利用计算机完成各种调节操作。

下位机PLC程序在STEP7中编写程序、组态硬件,将用户程序和硬件组态信息下载到PLC的CPU中,使PLC按工艺要求实现对现场设备的控制。实现对液位、压力、密度和温度等工艺参数的自动采集,对阀门、电机、泵等运行状态的采集。对生产过程进行控制,提取温度、压力、浓度等控制,对各工序工艺阀门的自动开闭、顺序控制、联锁控制等。软件运行流程如图5所示。

3.3 通讯系统的设计

Win CC提供了SIMATIC S7 Protocol Suite通讯程序,支持多种网络协议,它的通道单元与S7-300 PLC进行通讯。

建立Win CC与SIMATIC PLC之间的通讯,先添加SIMATIC S7 Protocol Suite通讯驱动程序,添加驱动程序后,选择Win CC与PLC连接的通道,然后选择通道下设置属性,建立连接即可。

4 结束语

本系统的设计实现了中药生产的提取过程的自动监控,取代了长期以来采用人工靠经验监测和手动操作控制的提取方式,适应中药现代化大工业生产的需求,对提高节能,提高产品质量,提高设备利用效率以及设备运行安全等方面,有着重要的现实意义,同时对于日后进一步扩展生产规模,将整个中药生产过程联合监控,系统反馈生产有着促进作用。

摘要：在中药生产中,提取工艺有其独特性,受到温度、压力、浓度、流动状态等参数的影响。根据中药生产的工艺特性,从其控制系统机理入手,设计了中药提取自动监控系统,由上位机、下位机和通讯系统组成。设计了管理层和检测、控制层软件系统,实现了中药生产的自动提取和监控。

关键词：中药,提取,监控系统

参考文献

[1]梁祝胜.中药工程讲座:二[J].中草药,1980,11(7):301-304.

[2]郭玉勤,王玉玺.中药煮散的研究进展[J].中草药,1998,29(3):207-209.

[3]王树清.工业过程控制工程[M].北京:化学工业出版社,2002.

[4]何离庆.过程控制系统与装置[M].重庆:重庆大学出版社,2002.

[5]SIEMENS.SIMATICS7-300可编程控制器硬件和安装手册[Z].2002.

[6]SIEMENS.SIMATIC使用STEP7V5.3编程手册[Z].2004.

信息自动提取 篇8

感兴趣区域提取在航天高分辨率图像处理领域是一个重要步骤。对整幅图像场景内的感兴趣区域进行快速定位, 通过一般的分析方法将耗费大量计算时间且可能获得虚警目标。视觉注意模型[1]对此问题提供了一个解决办法。视觉注意方法能提取图像中的显著特征区域进行选择性加工, 以提高目标识别率降低虚警率。

本文改进了经典的视觉注意模型, 在HSV空间对航天遥感图像提取3个分量, 将3个分量分别通过高斯金字塔和中心-周边算子计算特征显著图;然后再进行规格化处理, 并进行注意焦点转移, 得到最终的特征显著图, 完成航天遥感图像中感兴趣区域的提取;最后进行仿真验证了此方法的性能, 得出能够满足天基图像处理要求的结论。

1改进的视觉注意模型

视觉注意是指人类视觉系统[2] (HVS) 在面对一个复杂场景会迅速选择少数几个区域进行优先处理的过程。被选中的区域被称为注意焦点 (FOA) 。视觉注意仿照视觉生理结构建立计算模型, 模拟bottom-up视觉方式找出图像中容易吸引人眼注意的区域, 使HVS能够以不同的次序和力度对各个场景区域进行选择性加工, 有效提高计算效率, 降低分析难度[3]。较具有代表性的视觉注意模型是由南加州大学研究人员提出的Itti模型[4]。根据Braun的二元注意理论[5], FOA的选择不是依据场景区域的自身特征, 而是基于它与周围区域比较产生的相对特征所产生视觉反差, 反差越大的区域就越容易吸引视觉系统的注意, 即显著区域, 转换到图像空间来理解, 也就是基于图像的显著性计算。

本文针对航天图像的特点以及对计算复杂度和实时性的要求, 改进了Itti的视觉注意模型, 采用了比较候选区域与周边区域在颜色和亮度上的差异作为显著特征, 在HSV颜色空间进行特征提取[6], 将航天图像进行三通道分解得到H、S、V三个分量。对这3个分量分别通过高斯金字塔和中心-周边算子计算特征显著图, 然后再进行规格化处理, 流程如图1所示。

2模型计算过程

2.1计算视觉显著度

利用HSV三个分量的特征图H (0) 、S (0) 和V (0) 构造3个高斯金字塔Hμ、Sμ和Vμ, 其中μ在[0, 5]之间取值。用HSV构造高斯金字塔是多分辨率分析的结果, 金字塔顶端的分辨率低, 但每个像素对应原图中的一个区域;金字塔低端的分辨率高。所以中心点与边缘区域的求差可通过处于金字塔不同层的图像差来计算。利用中心-边缘求差算子Θ进行中心-边缘操作, 得到如下特征差异表达:

Hμ (c, s) =|Hμ (c) ΘHμ (s) |,

Sμ (c, s) =|Sμ (c) ΘSμ (s) |,

Vμ (c, s) =|Vμ (c) ΘVμ (s) |。

式中, c为中心尺度, 且c∈{2, 3};s为边缘区域的尺度, s=c+ξ, 且ξ∈{2, 3, 4, 5};Θ为2个不同尺度之间的求差操作, 即对大尺度图像进行插值转换到小尺度, 然后逐个像素进行减法运算。那么Hμ (c, s) 、Sμ (c, s) 和Vμ (c, s) 各有8个特征图 (比如Hμ (2, 4) , Hμ (2, 5) , Hμ (2, 6) , Hμ (2, 7) , Hμ (3, 5) , Hμ (3, 6) , Hμ (3, 7) , Hμ (3, 8) ) 。

2.2改进的归一化算子

归一化算子用来增强显著峰较少的特征图同时削弱存在大量显著峰的特征图。Itti提出的算子N (·) 只考虑了图像中各个强反差区域之间像素值的差异, 却没有考虑到这些区域的空间分布对视觉注意力的影响, 各个显著区域空间分布紧凑的图像要比那些显著区域很分散的图像具有更强的视觉显著性效果。这里引入改进的规格化算子NI (·) [6], 计算如下:

① 把图像的像素值归一化到[0, …, M]区间, 并记录下全局最大值M的坐标;

② 计算局部极大值mi与M之间的综合差异:

D= (M-mi) *α*[1-di/sqrt (w2+h2) ]。

式中, di为局部极大值mi和全局最大值M之间的空间距离;w和h分别是图像的宽度和高度;α为权重控制因子;

③ 计算规格化比例因子f=[ (∑D) /n]2, 其中n为局部极大值mi的个数;

④ 将图像中的每个像素值都乘上f。

经过改进的规格化算子综合考虑了显著图中各个局部最大值之间的数值差异和空间分布差异所带来的影响, 最后通过线性融合得到全局的显著图。

对于H分量、S分量和V分量的Hμ (c, s) 、Sμ (c, s) 和Vμ (c, s) 各自的8个不同尺度的特征差异图用算子NI (·) 进行规格化处理。公式表达如下:

$\mathit{{\rm H}}{}_{\mu }=\frac{1}{8}{\displaystyle \sum _{c=2}^3{\displaystyle \sum _{\xi =2}^5}}{\rm N}{}_{{\rm I}}[\mathit{{\rm H}}{}_{\mu }(c,c+\xi )]$;

$\mathit{S}{}_{\mu }=\frac{1}{8}{\displaystyle \sum _{c=2}^3{\displaystyle \sum _{\xi =2}^5}}{\rm N}{}_{{\rm I}}[\mathit{S}{}_{\mu }(c,c+\xi )]$;

$\mathit{V}{}_{\mu }=\frac{1}{8}{\displaystyle \sum _{c=2}^3{\displaystyle \sum _{\xi =2}^5}}{\rm N}{}_{{\rm I}}[\mathit{V}{}_{\mu }(c,c+\xi )]$。

式中, NI (·) 就是上述改进后的规格化算子。

2.3FOA选择与转移

FOA的选择与转移具体步骤如下[3]:

① 根据具体任务, 通过对样本图像的分析与学习, 确定FOA的显著度阈值T, 并设置FOA选择与转移过程的初始值:k=1, H${}_{\mu }^{(k)}$=H${}_{\mu }^{(1)}$, S${}_{\mu }^{(k)}$=S${}_{\mu }^{(1)}$和V${}_{\mu }^{(k)}$=V${}_{\mu }^{(1)}$;

② 选择第k个FOA, 其显著度为Sa (k) 表示, 中心位置为 (L${}_x^{(k)}$, L (k) y) , 且与上一中心的距离为:$d{}_L=\sqrt{(L{}_x^{(k)}-L{}_x^{(k-1)}){}^2+(L{}_y^{(k)}-L{}_y^{(k-1)}){}^2}；$

③ 若Sa (k) <T或dL<δ, 则进入⑥, 其中δ与图像的性质有关, 若图像的空间分辨率高, 则δ可设为3个像素;若图像的空间分辨率低, 则可设为1个像素;

④ 结合具体任务, 完成对当前第k个FOA所在的局部区域的分析;

⑤ 通过上述选择过程得到第k个FOA之后, 更新显著图H (k) μ、S${}_{\mu }^{(k)}$和V${}_{\mu }^{(k)}$, 将被该FOA覆盖的候选区域的视觉显著度设置为0, 然后据此选择新的特征主图和基本注意范围, 更新FOA编号, k=k+1, 得到H${}_{\mu }^{(k+1)}$、S${}_{\mu }^{(k+1)}$和V${}_{\mu }^{(k+1)}$。同时返回②, 进行FOA转移;

⑥ 对H${}_{\mu }^{(k)}$、S${}_{\mu }^{(k)}$和V${}_{\mu }^{(k)}$进行合并就得到全局的显著图SM, 合并过程中同样使用算子NI (·) 进行规格化:

$\mathit{S}\mathit{{\rm M}}=\frac{1}{3}{\displaystyle \sum _s[}{\rm N}{}_{{\rm I}}(\mathit{{\rm H}}{}_{\mu }^{(k)})+{\rm N}{}_{{\rm I}}(\mathit{S}{}_{\mu }^{(k)})+{\rm N}{}_{{\rm I}}(\mathit{V}{}_{\mu }^{(k)})];$

⑦ 结束整个图像分析过程。

3实验结果

本文在CPU为Pentium 4、2.60 GHz、内存1.5 GB的PC机上, 利用Matlab 2007b对算法进行仿真试验。本实验所采用的数据来自GeoEye网站的IKONOS图像样本, 图像的空间分辨率为1 m。本实验采用了其中的图像片段, 图像样本尺寸为256*256*8 bit。

图2展示了一幅具体图像的处理过程。

图2 (a) 为原始输入图像;图2 (b) 、 (c) 、 (d) 分别为H分量、S分量和V分量的显著图;图2 (e) 为经归一化的全局显著图;图2 (f) 为按照全局显著图对原始图像进行显著特征提取。图2 (f) 中用黄色封闭弧线表示显著区域也就是FOA的区域, 用红色直线标识FOA的转移路径。参照图2 (e) , 可以发现FOA的转移是按照归一化显著图中显著区域的强弱顺序依次转移。因为篇幅关系, 除了图2所示, 本文还做了针对其他图像样本的实验。实验结果表明, 对于感兴趣目标的识别率可达到60%以上;若背景较为简单, 则可达到100%。从图2 (f) 可以看出, 显著区域仅是整幅图像的一部分, 仅对整幅图像中的局部区域进行选择性加工的方法具有更高的目标识别率和更低的虚警率。

4结束语

视觉注意在航天图像分析领域具有较为广泛的适用范围, 可以处理包括图像筛选与、目标检测与识别等多种任务, 也可以用于自动或辅助的图像分析过程。在航天图像的目标搜索和检测应用中, 通过视觉注意模型就可以先找出图像中的显著区域, 即目标候选区域, 进行预检测, 有效地缩小搜索范围, 增强检测的实时处理效果。本文改进了Itti视觉注意模型, 提出在HSV空间进行特征提取, 最终完成航天图像感兴趣区域的提取。而引入遥感图像的其它诸如空间结构关系等特征以完善视觉注意模型, 将是下一步工作的重点。

参考文献

[1]WALTHER D.Interactions of Visual Attention and Object Recognition:Computational Modeling, Algorithms, and Psychophysics[D].Pasadena, California:California Institute of Technology, 2006:107-111.

[2]KOCH C, ULLMAN S.Shifts in Selective Visual Attention:Towards the Underlying Neural Circuitry[M].Human Neurobiology, 1985, 4 (4) :219-227.

[3]张鹏, 王润生.基于视觉注意的遥感图像分析方法[J].电子与信息学报, 2005, 27 (12) :1855-1860.

[4]桑农, 李正龙, 张天序.人类视觉注意机制在目标检测中的应用[J].红外与激光工程, 2004, 33 (1) :38-42.

[5]张鹏, 王润生.静态图像中的感兴趣区域检测技术[J].中国图像图形学报, 2005, 10 (2) :142-148.

信息自动提取 篇9

1 相关研究

从第一个提出利用蜜罐进行攻击特征自动提取的Honeycomb[1]开始,蠕虫特征自动提取技术成为了研究的热点。Honeycomb主要采用LCS算法查找流量的最长公共子串字符来提取特征,然而单个最长的特征片段并不能准确的描述蠕虫特征。Autograp[2]和Earlybird[3]把每个网络流量的内容分成“长度不定的内容块”,然后通过统计相应的频率而决定是否其为蠕虫的特征,它容易产生较高的误报率,而且不能提取多态蠕虫特征。Polygraph[4]通过计算网络流量中至少出现k次的所有互不包含的子字符串(token),然后通过特殊符号y和token重新表示原来的序列,最后再对新的序列串进行联配而提取蠕虫特征,它能够有效的提取多态蠕虫的特征,但需要高质量的流量样本。Hamsa[5]同样针对多态蠕虫采用类似Polygraph的方法提取子串,但选择了一种轻量级后缀数组算法———deepsort算法[6]实现,并引入一个评分函数来权衡出现频率和误报。

上述系统和方法多将研究重点集中在特征提取的算法上,而在可疑蠕虫流量的采集和预处理上不做处理或只进行很简单的处理,对可疑流量进行有效的预处理。一方面可以使需要处理的数据量减少,加快特征提取速度;另一方面也可以提高待处理数据的纯度,使特征提取更加准确。为此,本文提出基于T-Coffee多序列比对的蠕虫自动提取模型,并对模型中的可疑蠕虫流量处理和特征提取算法等关键技术做了相应的研究。

2 模型设计和算法研究

模型总体设计如图1所示,从网络边界获得的流量数据中提取包头信息,然后通过结合蜜罐捕获的数据对其进行聚类,得到若干的可疑蠕虫网络流量后,再通过序列比对进行特征自动提取,提取出来的特征将使用正常流量进行测试,如匹配不超过阈值则认为在合理的误报范围内,经过验证的特征加入蠕虫特征库中,再用于基于特征的蠕虫防御系统如IDS或IPS。下面分别叙述系统涉及的关键技术和算法。

2.1 基于聚类的流量预处理

采用聚类方法对网络流量做预处理。Cristian Estan[7]通过把网络流定义为如下的五元组(src IP,dst IP,src Port,dst Port,Proto),其中src IP表示源IP地址,dst IP表示目的IP地址,src Port表示源端口,dst Port表示目的端口,Proto表示采用的协议;端口可以分为公认端口(0到1024)和高端口(1024以上);协议可分为TCP、UDP和ICMP等协议。也可以用通配符*,如(*,*,well know,*,UDP)可以用来分析网络流量,以找出其中显著的流。五元组可表示为五维的多维结构,然后进行多维聚类[7],基于各个属性的聚类树构建多维聚类树,与单维聚类使用自下而上的构建方法不同,多维聚类使用自上而下的构建方法,首先检查某个节点下所有单维聚类是否超过阈值,其次检查该节点的所有父节点是否超过阈值,如果这两个条件都满足再计算该节点的流量总和是否超过阈值,如果超过则记录该节点。通过对文献[7]提出的算法研究发现其检查节点的所有父节点是否超过阈值是不必要的,而且算法中的阈值也很难确定。而根据没有正常网络业务活动的蜜罐捕获的网络流量都是可疑的数据,因此可以结合蜜罐来对网络流量进行聚类分析和过滤。单对蜜罐捕获的流量进行预处理,会因为蠕虫在初期传播时数据流量比较少而很难得到可疑蠕虫流量样本。

流量聚类预处理步骤:首先对蜜罐网络流量进行聚类,IP的深度为1,端口深度为3,协议深度为2。然后对整个网络流量的的先进行单维聚类,为了后面的过滤,设置IP的深度为5,其他的设置跟蜜罐网络流量一样,再对其子节点进行遍历,如果其含有在蜜罐数据流量的子节点中,则为可疑节点。其他节点流量也可能是蠕虫产生的。根据蠕虫在传播时首先都是要进行主机探测,我们可以根据IP在流量中的离散度来检测是否为蠕虫流量。按聚类中的剩余的每个IP统计器包数以计算其的离散度,当离散度达到阈值时则断定子节点为可疑节点。阈值为蜜罐网络流量中的每个IP在整个网络流量的离散度的平均值。

2.2 基于序列比对的特征提取

序列比对是将多条序列通过比较和适当的空位插入,构建一个使得相似性度量函数达到最大的比对序列,从而达到两个目的:发现序列之间的相似性和辨别序列的差异。本文采用改进的T-Coffee算法[8]来进行可疑蠕虫流量序列比对。经典T-Coffee算法使用Needleman-Wunsch算法[9]作为其中的双序列联配算法,但Needleman-Wunsch算法存在“易产生碎片”的问题[4]。为了鼓励将连续的字母联配在一起,本文在计算相似度时引人了连续匹配奖励函数enc(x),其中x是连续匹配的字母数目。具体的算法如下:

(1)初始化

(2)迭代

(3)结束

输出最大的相似度值F(M,N)并从D(M,N)回溯路径得到最优的比对结果。

而T-Coffee算法该主要过程如下:

(1)用双序列比对构建初级库。假设有m个输入序列,任意两个输入序列之间都进行双序列比对,将这m(m-1)/2个比对的结果中所有的两两字符匹配保存在初级库中。

(2)库扩展。每一对双序列比对都被扩展为三个序列的比对,并将得到的结果保存在扩展库中。扩展库中保存的仍然是一些两两字符匹配,但是它们都额外被赋予了一个权值。

(3)构造引导树。双序列比对可以得到两个序列的相似度值,由步骤1中任意两个序列之间进行的双序列比对,可以得到任意两个序列之间的相似度值。利用相似度值构造序列之间的距离矩阵,然后,通过neighbor-joining算法对这个距离矩阵进行计算,便可以得到一个引导树。该引导树指明了在后面的渐进式比对过程中,每次选择哪两个序列或一个序列与一个比对结果进行双序列比对。

(4)渐进式比对。多序列比对通过一系列的双序列比对进行。根据引导树的指引,每一步都有两个序列,或者一个序列与一个联配结果进行双序列比对。

该算法的时间复杂度为O(N2L2)+O(NL2),其中N为比对的序列数目,L为序列的长度,但经过前面的流量预处理,序列的质量大大提高,因此该算法在特征自动提取中消耗的时间还是可以接受的。

3 实验分析

为了对比分析,本文使用Polygraph、Hamsa和文中的特征提取模型分别对Apache-Knacker和TSIG这两种蠕虫病毒进行特征提取,实验网络环境为wmware搭建的虚拟网络,包括了一个蜜罐主机和两个正常主机,其中正常主机进行下载等各种网络活动以产生正常网络流量。我们使用上面两种蠕虫对此虚拟网络进行了探测和攻击并采集了0.5h的网络流量后分别使用上述的三种特征提取技术进行了提取特征,提取情况见表1,从表中看以本文提出的模型产生的特征质量都要优于其它两种技术的。

4 小结

本文提出了基于T-Coffee的多序列比对的蠕虫特征提取方法。采用了对边界网络流和蜜罐捕获的可疑网络流进行统一的基于聚类的预处理以提高可疑蠕虫样本的纯度和质量,并使用改进的T-Coffee多序列比对进行特征提取以提高特征的精确度。下一步的工作是继续完善该模型,并结合实际环境开发相应蠕虫特征提取系统。

参考文献

[1]C.KREIBIEH,J.CROWEROF.Honeycomb-Cre ating intrusion detec-tion signatures using honeypots[C].In Proceedings of the Second Work-shop on Hot ToPies in Networks(HotNets-Ⅱ),November 2003,5 1-56.

[2]H-AKIM,B.KARP.Autograph:toward autom ate d,distributed worm sig-nature detection[C].In Proceed ings of the 13th USENIX Seeurity Sym-Posium,Augus t 2004,271-286.

[3]S.SINGH,C.ESTAN,G.VARGHESE,S.SAVAG E.A utomated worm fingerprinting[C].In Proceedings of the 6th ACM/USENIX SymPosium on Op-erating System design and Implementation(OSDI),Dec 2004,45-60.

[4]J.NEWSOME,B.KARP,D.SONG.Polygraph:Automa tically generatingsignatures for Polymorphie worms[C].In IEEE Security and PrivacySymPosium,2005,2 26-241.[5]Z.LI,M.SANGHI,Y.CHEN,M-Y.KAO,B.CHAVEZ.Hamsa:Fast signature generation for Zero-day Polym orphicworms with provable attack resilienee[C].In IEEE SymPosium on Sceurityand Privacy,Oakland,C A,May2006.

[6]MANZINI G,FERRAGINA P.Engineering a lightweight suffix array con-struction algorithm[J].Algorithmica,2004,40(1):33-50.

[7]ESTAN C,SAVAGE S,VARGHESE G.Automatic ally inferring patternsof resource consumption in network traffic[C].Proceedings of ACM Sig-comm,2003.

[8]NOTREDAME C,HIGGINS DG,HEFINGA J.T-Co ffee:a novel methodfor fast andaccurate multiple seq uence alignment[J].Joumal of Molecu-lar Biology.2000,302(1):205-217.

[9]NEEDLEMAN S.B,WUNSCH C.D.A general met hod applicable to thesearch for similaritiesin the amino acid sequence of two proteins[J].Journal of Mole cular Biology,1970,48(3):443-453.

信息自动提取 篇10

1 YCbCr彩色空间

YCbCr彩色空间广泛应用于数字视频中。在这种格式中,亮度信息用单个分量Y来表示,彩色信息用两个色差分量Cb和Cr来储存。分量Cb是蓝色分量和Y的差即(B-Y),分量Cr是红色分量和Y的差即(R-Y)。

将RGB转化为YCbCr所用的变换公式是:

在本文中,我们将应用YCbCr彩色空间来表示肤色,我们选择这个空间的原因主要有:1)光线因素Y在YCbCr彩色空间中是独立于色调的,所以此空间能用来解决光线的变化问题。2)肤色在YCbCr空间的聚类性比在其他空间上的聚类性更好。3)YCbCr空间中,在光线不同的条件下肤色和非肤色数据的交迭最小。

2 应用高斯概率函数建立肤色模型

2.1 肤色与非肤色在YCbCr彩色空间中的聚类分析

要把人手从简单的背景下分割出来,人体的肤色是最主要的特征之一。首先,手的肤色的处理比起手的其他特征的处理要简单;其次,人体肤色的差别主要是其色彩强度,例如,不同的光照条件和各个肤色人种。并且,人类的肤色和世界上其他大部分自然物体的颜色都是有区别的,已经有学者尝试着建立全面的肤色模型和非肤色模型了。由前面介绍,我们将用YCbCr彩色空间来表示肤色的分布,如图1所示,就是一组肤色像素样本在CbCr平面上的分布。

从上图我们可以看出,肤色在CbCr彩色空间中有很好的聚类性,而我们在本文中所要运用的高斯模型对人体肤色的建模正是基于这一点所设计的,根据人体肤色的良好聚类性,可以根据我们所选用的肤色样本,计算出此模型的各个参数,也就是建立一个模型,然后根据这个模型计算一个像素点为肤色的概率值。

2.2 肤色单峰高斯模型

1我们用不同人种,包括非洲、亚洲、高加索种族的人体肤色样本来训练高斯模型。高斯模型的特征将由样本的均值向量和协方差矩阵来决定,也就是得到高斯模型N(m,C)。在YCbCr空间中均值向量m=(Cb,Cr),其中:

协方差矩阵C为:

用x=[Cb,Cr]T表示一个输入像素的色调向量,那么它在肤色分布的空间里是肤色的可能性由下面公式给出:

根据实验,在本文中我们给出

因此,有了这个肤色模型,我们就能够把一幅彩色图片中的每一个像素点进行其为肤色概率的计算,得到此彩色图片中所有像素点的概率值,这些值必然介于0和1之间,我们可以根据这些概率值,把原图片以灰度图片的方式表达出来,灰度图片上的每一个像素的灰度值就代表了这一点为肤色的概率。

我们选择了几幅手势图片,并对这些图片进行实验,所有的肤色区域都比非肤色区域也就是简单的背景亮,如图2所示。

此图的第一行是我们在不同的光线条件下所采集的不同手势的原图片,第二行是运用我们所建立的单峰高斯模型对原图片进行肤色的概率计算所得到的灰度图,由图可知经过概率计算,我们可以得到比较满意的手势图片的概率肤色图。

3 运用自动阈值法确定肤色区域

接下来,我们要在一幅图像中把人手从其背景中分割出来。

由图3可以看出,原图像经过处理后,变成肤色概率灰度图,在灰度图中,亮的区域就有可能是人体肤色,黑的部分就是非人体肤色,而我们感兴趣的只是人体的肤色区域,要提取人体肤色,很显然,我们只要在肤色概率灰度图中设定一个阈值,把高于这个阈值的概率值设为1,把低于这个阈值的概率值设为0,就可得到有人体肤色的区域为1,即白色,非人体肤色区域为0即黑色的二值化图。但是,由于人种肤色的差别,图像背景和光线的不同,很难设定一个固定的阈值。因此,我们将用自动阈值来分割肤色概率灰度图的肤色区域和非肤色区域。我们确定阈值的原理主要是,当设定高阈值比如0.7<阈值<0.9时,在肤色概率灰度图中,只能得到一小块肤色区域,而当阈值变小时,能得到的肤色区域将变大。在一个较宽范围的阈值内,得到的实际的肤色区域可能不会有较大的变化。在这个时候,如果再缩小阈值那么实际肤色区域周围的非肤色区域,也就是在肤色概率灰度图中,黑色的区域将也被看做是肤色区域,那么,得到的肤色区域的面积就会有很大的增加,因此,我们就可以以这个临界点的阈值作为提取肤色的最终阈值。

在图4中,阈值从0.8以每步0.1的差值递减到0.05,如果肤色区域在某一个阈值如0.2之后数值突然增加很多,如此图中,曲线在平缓一段区域之后有明显的变陡现象,那么我们就取0.2为最优的阈值。

用自动阈值分割的方法,我们对一些图像进行处理得出较好的效果,如图5所示,

从上面的二值化图像中的图示可以看出,应用自动阈值的分割方法,可以提取肤色,但并不是所有的肤色区域都包含的是手,有些是相似于肤色的背景图案的干扰如图6。要有效的提取手势图像就要运用图像处理的方法来去掉这些干扰,因此,我们就要把这些干扰区域进行进一步的分析。我们首先把肤色的二值化图像进行8连通的标记,由于人手有一定面积一般都比那些干扰的背景图案面积大,因此我们先计算出各个标记区域的面积,经过实验,我们规定在这些面积之中,凡是面积小于最大面积7倍的区域都去除掉。

在图7中,面积最大的白色部分为标记的手势图像,其他的灰白部分为背景干扰因素,由此图可以看出手势部分的面积最大,而其他的干扰部分的面积远小于手势面积,因此我们就可以根据图案面积之间的关系选择我们想得到的图像去除不必要的或者是干扰区域的图像。如图8所示,我们根据手势图案和其他非手势图案的面积之间的关系,从而去除非手势图案而得到的单独手势图案的图示,

根据我们前面所介绍的图像处理方法,由此图可以看出,我们最终得到了很好的单纯手势图像,这将为手势特征的提取奠定良好的基础。经过上面的图像处理过程之后,我们可以有效的提取只有人手区域的二值图像,如图9所示

从此图可以看出,我们最后得到了整个手势图像的轮廓,这个轮廓有其特有的几何形状特征,只要我们能有效的提取其几何特征,就能对其进行识别。

4 结束语

本文用高斯概率函数结合不同人种的肤色在YCbCr彩色空间建立了一个肤色模型,基于该肤色模型,我们计算有手势图像的照片中各个像素是肤色的概率值。为了提取出手势轮廓,我们应用自动阈值分割方法来自动的获得肤色概率值的阈值,有效的提取了手势范围内肤色区域。然后,把得到的概率图像做了进一步的图像处理,有效的去除了其他非手势部位的图像干扰背景得到了最终具有明显几何特征的二值化手势图像,这将为下一步手势特征的提取及手势识别打下重要的基础。

参考文献

[1]路凯,李小坚.手势识别研究概述[J].西安文理学院学报,2006,9(2):91-94.

[2]Rautaray S S,Agrawal A.Real time multiple hand gesture recognition system for human computer interaction[J].International Jour nal of Intelligent Systems and Applications,2012,5(8):56-64.

[3]SONG Y,Demirdjian D,Davis R.Continuous body and hand gesture recognition for natural human—computer interaction[J].ACMTransactions on Interactive Intelligent Systems,2012,2(1):5.

[4]RENZ,,YUAN J,,ZHANG Z.Robust hand gesture recognition based on finger-earth movers distance with a commodity depth camera[C]//Proceedings of the 19th ACM International Conference on Multimedia.New York:ACM,2011:1093-1096.

[5]冈萨雷斯.数字图像处理[M].北京:电子工业出版社,2007.

[6]Wenmiao Lu,Shaohua Sun.Face Detection in Color Images.Stanford University,2006.

[7]Chiunhsiun Lin.Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space andneural network..Pattern Recognition Letters 28(2007)2190–2200.

[8]Menser,Wien.Segmentation and Tracking of Facial Regions in Color Image Sequences.RWTH,Aachen,Germany,1999.