图像分析论文

图像分析论文（精选8篇）

图像分析论文篇1

【摘要】地理是初中教学的重要组成部分，其教学质量的好坏直接影响着整个初中教育的水平。地理是一门需要学生识记和理解的知识的学科，其中图像是地理的重要组成部分，在初中地理教材中占有很重要的比重。因此，在初中教学中，要想提高地理的教学水平，要特别注重图像的教学，从而使学生对地理有更好更深刻的认知。本文主要是在分析当前初中地理教学的现状和注重图像教学对初中地理教学的重要性的基础上，探讨在初中地理中做好图像教学的策略，从而促进地理教学的发展。

【关键词】初中地理图像教学现状策略

【中图分类号】G633.55 【文献标识码】A【文章编号】1992-7711（2014）04-074-01

在当前社会发展的大背景下，教育不断推进课改，从而促进教育朝着素质教育的方向发展，适应社会发展的需要。地理教学作为初中教育的重要组成部分，对于扩大学生的知识面，培养学生的空间概念和提高学生各方面的素质具有重要作用。图像是地理教学中的重要组成部分。在初中地理教材中涉及很多种类的图像，比如，气候分布图，地图，景观图，天体运行图等等。它们不仅是初中地理教材中独特的信息表达形式，而且也是学生学好地理的好帮手。老师在地理教学中注重图像教学，对于提高初中地理课堂教学效果和提高学生个方面素质具有重要作用。所谓的图像教学就是运用地理教材中用来阐述地理知识的图像辅助传授知识的教学方式。它可以帮助学生理解并掌握地理知识。

一、当前初中地理课堂教学的现状

由于传统教学模式对老师根深蒂固的影响，在当前初中地理教学中还存在着很多与新课程教学目标相违背的不足之处。本文主要将其归纳为以下几个方面。

1.跟着大纲走，教学重点不突出

在当前很多初中地理课堂，很多老师并不能够很好地把握住学科的重点，只是一味地跟着考试大纲走，这样就容易使学生的接受思维疲劳，不易于提高课堂教学的效率。

2.教学方法单一，课堂枯燥无味

很多老师在地理教学中，很少改变教学方法，更不用说根据教材的不同内容选择不同的教学方法了。大多数的老师都是照本宣科，学生对地理知识的掌握很大程度上都依赖与死记硬背。这样的教学方法不仅使课堂氛围枯燥，不利于激发学生的学习热情，而且会使教学收到事倍功半的效果。

二、注重图像教学在初中地理教学中的重要性

由于图像在初中地理教学中占有很大的比重，因此，图像也应该成为初中地理教学中的重点。注重图像教学对于提高初中地理教学的质量具有重要作用。图像是相对于文字来说较直观的信息传递工具，如果老师在课堂教学中，充分利用图像的这种便利，能将那些抽象的地理概念以及空间概念变得形象直观，利于学生清晰地掌握吸收，从而使教学达到事半功倍的效果。此外，通过图像教学也能活跃课堂氛围，引起学生的好奇心，激发学生强烈的求知欲望，从而提高地理学习的效率。

三、初中地理图像教学的策略探析

图像教学对于初中地理教学的重要作用已是显而易见，因此，在初中地理教学课堂注重图像教学已是大势所趋。本文在当前初中地理教学的现状的基础上，对在初中地理教学中如何实施图像教学提出以下几个方面的建议。

1.老师要准确认识图像的作用，增强图像的重视度。

图像不仅是地理学科传递知识的一种独特表达方式，而且还是学生学好地理的好帮手。因此，老师在地理教学过程中，要清楚地认识到图像的重要作用，要重视图像教学，从而帮助学生将抽象的概念和知识点形象化。传统教学中老师不断用语言描摹地理方位，不管老师的语言如何精彩，如果仅仅只是语言描述，效果都不及一张方位清晰的地图来得一目了然。比如，老师在讲解世界地形时，如果仅仅只是老师口头语言描述，学生一下就混乱了，而这时如果老师配以一幅简单清晰的地形图讲解，学生就会对这一知识点有直观的认识。因此，老师应该在教学过程中，要充分利用图像的作用，重视图像的使用，提高教学效果。

2.注重学生读图习惯的养成

老师在重视图像教学的同时，要加强学生读图习惯的养成，提高学生的读图能力。不仅要让学生看到图像表层的东西，还应该启发学生看懂图像深层的知识点。老师可以在教学过程中通过一定的读图训练，加上老师对学生读图的指导，从而培养学生的读图习惯以及读图能力的提高。比如，老师可以在自习课上用多媒体设备展示一些图像，并且设置一些问题，让学生带着问题读图，自己在图中找到答案。这样不仅可以有助于学生读图习惯的养成，而且可以增强学生通过图像解决问题的意识，从而调动各感官掌握地理知识。

3.注重培养学生动手画图的能力

地理有很多相关概念与地理位置需要学生识记。如果只是单纯地靠死记硬背的话，效果甚微。老师在初中地理教学中，不仅要增强学生的图像意识，而且还应该有所侧重地培养学生动手画图的能力。这样有利于学生在头脑中对地理方位以及相关知识具有直观深刻的印象，从而提高记忆效率。比如，老师可以利用填充图册让学生填出相应的知识，也可以让学生在黑板中画出简易的图像，这样，有利于学生加深知识点的识记。

四、结语

图像分析论文篇2

文中提出了一种使用云计算实现基于图像内容分析的医学图像融合方法。通过对两幅输入图像的内容——CT和MRI图像的灰度直方图进行分析,再结合融合目的设计推理规则,进而可以将CT与MRI图像作为推理系统的两个输入,得到融合图像。实验结果表明,使用云推理方法比模糊推理得到的融合图像能够提供更大的信息量,并且失真度降低,融合图像与源图像更为接近。同时,云推理方法中灰度层次划分越精细,所得到的融合结果的效果越好。

1 云理论简介

1.1 云模型

云模型是用语言值表示的某个定性概念与其定量表示之间的不确定性转换模型[3],用以反映自然语言中概念的不确定性,不但可以从经典的随机理论和模糊集合理论给出解释,而且反映了随机性和模糊性的关联性,构成定性和定量间的映射。

定义:U设是一个用精确数值表示的定量论域,C是U上的定性概念,若定量值x∈U,且x是定性概念C的一次随机实现,x对C的确定度μ(x)∈[0,1]是有稳定倾向的随机数

μ∶U→[0,1],∀x∈U,x→μ(x)

则x在论域U上的分布称为云(Cloud),每一个x称为一个云熵。每个云熵就是这个定性概念在数域空间中的一次具体实现,这种实现带有不确定性[3]。

云的数字特征用期望E(Expectation)、熵En(Entropy)和超熵He(Hyper Entropy)3个数值来表征。Ex是云熵在论域空间分布的期望,亦即最能代表该定性概念的点。熵作为定性概念的不确定性度量,由概念的随机性和模糊性共同决定,反映了论域空间中可被概念接受的云熵的取值范围。超熵He,即熵的熵,衡量熵En的离散程度,反映每个数值代表这个语言值确定度的凝聚性,亦即云层的厚度。

1.2 正态云模型

由于社会科学与自然科学的各个领域都已证明了正态分布的普遍适应性,因此正态云可以作为表达自然语言的基本语言原子。云发生器(Cloud Generator,CG),是指通过计算机实现或集成的微电子器件实现的云模型生成算法模型,主要包括正向云发生器,如图1所示、逆向云发生器,如图2所示,X条件云发生器,如图3所示和Y条件云发生器,如图4所示。

当给定了正态云的3个数字特征与云熵数量,便可以通过正向云发生器生成云。例如,假设给定Ex=5,En=1.5,He=0.05,N=1 000,生成的正态云模型如图5所示。

当给定3个数字特征值、云熵数和特定的x=x0时,满足条件的一组云熵(x0,yi)则分布在同一条竖直线上,横坐标数值均为x0,纵坐标隶属度值呈概率分布。当给定3个数字特征值、云熵数和特定的y=μ0时,满足条件的一组云熵(xi,μ0)分布于一条水平直线上,以期望Ex为对称轴分为左右两组,纵坐标隶属度值均为μ0,两组云熵的横坐标数值分别呈概率分布[4]。因此,X条件云发生器与Y条件云发生器是运用云模型构成不确定性推理的基础[5]。

2 医学图像融合方法

2.1 模糊推理图像融合方法

在文献[6]中,已提出利用模糊推理实现医学图像融合的方法(分别使用3个和9个灰度层次)。

2.2 云计算图像融合方法

融合步骤如下所示:

(1)选取图片大小为,使用基于灰度的互信息配准方法[7]对CT与MRI图像进行配准,并且对已经完成匹配的CT(图9)与MRI图像(图10)进行灰度直方图分析,得到划分为9个灰度层次的直方图,如图6所示。

(2)根据直方图设计融合规则。推理规则模式[8]一般为“If A,then B.”对于本文的情况,选用规则模式为“If CT and MRI,then Output.”,其中CT、MRI分别为CT图像与MRI图像的对应像素点的灰度值,Output为期望得到的融合图像像素灰度值。

针对9个灰度层次,根据灰度值由大到小由对CT、MRI图像与融合后图像均设定9个正态隶属云模型[9],依次命名为dark4、dark3、dark2、dark1、normal、bright1、bright2、bright3、bright4,如图7所示。由图6(a)和图(b)中9个层次直方图分析可以发现,融合操作所感兴趣的部分为CT图像和MRI图像的像素个数非零的灰度级部分,设计如下规则:

(1)If CT is dark4 and MRI is dark4,then output is dark4.

(2)If CT is dark4 and MRI is dark3,then output is dark3.

(3)If CT is dark4 and MRI is dark2,then output is dark2.

(4)If CT is dark4 and MRI is dark1,then output is dark1.

(5)If CT is dark4 and MRI is normal,then output is normal.

(6)If CT is dark3 and MRI is dark4,then output is dark3.

(7)If CT is dark3 and MRI is dark3,then output is dark3.

(8)If CT is dark3 and MRI is dark2,then output is dark2.

(9)If CT is dark3 and MRI is dark1,then output is dark1.

(10)If CT is dark3 and MRI is normal,then output is normal.

(11)If CT is dark2 and MRI is dark4,then output is dark2.

(12)If CT is dark2 and MRI is dark3,then output is dark2.

(13)If CT is dark2 and MRI is dark2,then output is dark2.

(14)If CT is dark2 and MRI is dark1,then output is dark1.

(15)If CT is dark2 and MRI is normal,then output is normal.

(16)If CT is dark1,then output is dark1.

(17)If CT is normal,then output is normal.

(18)If CT is bright1,then output is bright1.

使用云模型的逻辑运算来实现多条件多规则推理,图8所示为多条件多规则云推理器的流程图,规则数为18,多条件多规则前件数为2,通过乘法器来实现由两个一维云通过“软与”构造多维云。图中CGX表示X条件云发生器,CGY代表Y条件云发生器。该推理器运行过程如下:当输入一组CT与MRI图像对应像素点的灰度值时,激发由CGX通过乘法器构成的二维云,得到18组隶属度值,分别取每组值的平均值作为μi,即输入值对第i条规则的激活程度。比较器从中选择最大的μmax,即选中激活程度最大的规则[10],然后输入相应选中的后件Y条件云发生器CGY,便可得到一组灰度值,取其平均值作为最后融合图像该像素点的灰度值Output。

3 实验结果分析

分别采用参考文献中3个与9个灰度层次的模糊推理方法,与文中提出的3个与9个灰度层次的云推理方法将图9与图10进行融合,可得到融合图像如图11所示。

图9和图10为原CT、MRI图像。参照原图像,通过比较图11(d)与图11(c),可以发现云计算方法融合结果对源图像脑骨骼与脑软组织信息保留效果较好,灰度失真现象出现范围极小,可以为临床诊断提供切实有效的依据。而模糊推理融合图像图11(c)则出现了部分像素的灰度失真现象,尤其位于后脑部的软组织图像产生了较为严重的失真,这在临床诊断中会造成较大的负面影响。图11(b)与11(a)相比,也可以得到类似结论。

另方面通过比较3层次云计算融合结果与9层次云计算融合结果,可以发现对灰度层次的划分级别越多,融合规则也就相应增多,对各种融合情况的罗列也就越精细,因此可以得到更为理想的融合结果,对图11(b)与图11(d)进行比较,可以证明这个结论,9层次云计算融合结果失真情况改善较为明显,所提供的信息量也越大。

为了更加有效地评价本文所提出的方法的有效性,采用均方差、峰值信噪比和信息熵对文中的融合效果进行客观评价。一般来说,图像的均方差越小表示融合图像与源图像越接近,即融合效果越好。峰值信噪比越大,表示融合图像的失真越小。信息熵越大,表示图像所包含的信息越丰富,因此可利用信息熵衡量融合图像信息增加程度。表1所示给出了融合后图像的信息熵数据。由表1数据可知,提出的3层及9层云计算融合方法的融合效果均相应地优于对应层次的模糊推理融合方法。而且提出的9层云计算融合方法比起3层云计算融合方法,所得到的融合图像效果更好。

4 结束语

针对医学CT与MRI图像融合,提出了一种利用云计算实现图像融合的方法。实验结果表明,云计算方法相比传统的模糊推理方法,所得到的融合图像失真度降低,且能够提供更大的信息量,并且划分灰度层次越多,融合效果越好,在临床诊断中有极高的应用价值。

参考文献

[1]张煜,刘哲星,李树祥,等.医学图像信息融合技术的发展[J].国外医学生物医学,2000,23(4):202-205.

[2]那彦,焦李成.基于多分辨分析理论的图像融合方法[M].西安:西安电子科技大学出版社,2007.

[3]李德毅,杜鷁.不确定性人工智能[M].北京:国防工业出版社,2005.

[4]张珂,郭佳,苑津莎.基于云模型元胞自动机的图像边缘检测方法[J].华北电力大学学报,2009,36(1):84-90.

[5]黄力宇.医学成像的基本原理[M].北京:电子工业出版社,2009.

[6]Na Yan,Lu Hongmin,Zhang Ying.Content AnalysisBased Medical Images Fusion with Fuzzy Inference[C].the 5th International.Conference on Fifth International Con-ference on Fuzzy Systems and Knowledge Discovery,2003:37-41.

[7]王海南.基于互信息的多模医学图像配准方法研究[D].西安:西北工业大学,2006.

[8]尹国定,卫红.云计算——实现概念计算的方法[J].东南大学学报:自然科学版,2003,33(4):502-506.

[9]李德毅,孟海军,史雪梅.隶属云与隶属云发生器[J].计算机研究与发展,1995,32(6):15-20.

常见物理图像的分析方法篇3

一、横、纵坐标轴

认识图像时，首先要从横、纵坐标轴开始，弄清两个坐标轴各代表什么物理量，以便了解物理图像反映的是哪两个物理量之间的相互变化关系．

例1如图1所示是不同时刻测量一段（随温度发生均匀变化的）镍铬合金线的电阻值的Ｒ-ｔ测量图像，与时刻ｔ1相比，时刻ｔ２的温度较（填“低”或“高”）．

解析：从图1中的图线的走势看，随着时间的延长，合金线的电阻越来越小.又因为导体的电阻随其温度的降低而减小，所以时刻ｔ２的温度比时刻ｔ1的温度低．

二、斜率

图像中某一点切线的斜率一般对应着一个新的物理量，例如在物体的路程随时间变化的ｓ-ｔ图像中，斜率表示物体在该点时的瞬时速度ｖ；写成一般式为：斜率＝纵坐标物理量的增量／横坐标物理量的增量＝新的物理量的大小．

例2用图像可以表示物体的运动规律.则图2甲、乙中表示物体做匀速直线运动的是段，表示物体处于静止状态的是段．

解析：图2甲中的ＡＢ段的斜率（Δｓ／Δｔ）为一常数（等于速度ｖ），故ＡＢ段表示物体做匀速直线运动；ＢＣ段平行于时间横轴，也就是说物体运动的路程不随时间发生变化，故其表示物体处于静止状态；ＤＥ段的斜率（Δｖ／Δｔ）为另一常数（加速度ａ），故ＤＥ段表示物体做匀加速直线运动；ＥＦ段平行于时间横轴，物体的速度大小不随时间发生变化，故其表示物体做匀速直线运动．

三、图像中的点与线

物理图像中任意一个点往往对应着一个物理状态，图像中的一段线往往表示一个物理过程.

例3用稳定的热源给一个物体均匀加热，设物体吸收的热量与加热时间成正比，得到其温度随时间变化的曲线如图3所示，那么它在固态时的比热与液态时的比热之比是（）.

Ａ.1∶2 Ｂ.2∶1Ｃ.1∶4 Ｄ.4∶1

解析：由图3可知，图线ＡＢ段表示物体在固态吸热升温的过程，加热时间为2min，设其吸收的热量为Ｑ，温度变化为Δｔ１＝40℃；图线CD段表示物体在液态吸热升温的过程，加热时间为4min，吸收的热量应为2Ｑ，温度变化Δｔ２＝20℃．物体在发生状态变化时，其质量不變，设为ｍ，根据比热公式ｃ＝，得=（）（）=×=.

所以正确答案为选项Ｃ．

四、图像中的截距

截距是指图线与两个坐标轴的交点的坐标数值，该数值具有一定的物理意义．

例4在测定液体密度的实验中，液体的体积（Ｖ）和液体与容器的总质量（ｍ总）可分别由量筒和天平测得.某学生通过改变液体的体积并测得相应的总质量而画出了有关ｍ总－Ｖ的图像．在图4中能正确反映液体和容器的总质量跟液体的体积关系的是（）.

图像分析论文篇4

分析了影响推扫成像遥感卫星图像定位精度的各种误差源,给出了一种图像定位精度的`分析和设计方法,分析了侧摆成像条件下高程和目标斜距的不确定性对图像定位精度的影响.

作者：张伍陆春玲 ZHANG Wu LU Chunling 作者单位：张伍,ZHANG Wu(北京空间飞行器总体设计部,北京,100094)

陆春玲,LU Chunling(航天东方红卫星有限公司,北京,100094)

图像分析论文篇5

1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：

1、最大似然法；

2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；

3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。

非监督分类：

1、ISODATA；

2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

图像分析论文篇6

武安市第五中学任占香

教学目标:

1、知识目标：认识Photoshop窗口组成，认识图层，认识选区等；

2、技能目标：让学生了解图像合成，能熟练正确地使用魔棒工具进行图像合成的操作；

3、情感、态度与价值观目标：通过图像合成，进一步提高学生审美观和艺术感。体验并感受图像处理的技巧和魅力；培养良好学习习惯。

教学重难点: 重点：图像的合成；难点：魔棒工具的使用。

教学方法: 演示、任务驱动、小组合作、分层教学教学媒体:多媒体网络教室、课件、学习视频、图片素材教学过程:

一、导入:同学们,我们先来欣赏一组图片，看这些图片有什么特点？漂亮吗？想知道是怎么样做成的吗？我们这节课就来学习简单的图像合成，通过这节学习以后我们就能制作简单的合成图像了。

二、新授:

1、简单介绍图像合成的相关内容: 图像合成就是通过多幅图像重新组合形成新图像的图像编辑方式。图像合成有三种形式：一种是扩展性拼接组合、二是占位性拼接组合、三是透视性重叠组合

2、认识Photoshop界面

3、认识图层

在Photoshop中图像附着的不是画布,而是图层。或者可以理解为,图像附着在多层透明画布上,而这每一层透明画布就是一个图层。那么,Photoshop编辑处理的图像,就可以看做是多层图像复合成一沓的图像, Photoshop的文档保存格式——PSD图像格式。打开PSD格式存在于不同层了。Photoshop是分层编辑处理、保存图像的。

4、认识选区

图像编辑处理中,通常需要先选择好画布或图像的区域,才能在选定区域做编辑、绘制等具体处理,如填充颜色、剪除图像、覆盖图像等。我们把选定的画布、图层或图像的区域，叫做选区。准确有效地确定选区，是编辑处理图像的前提。

Photoshop提供了多种实用便利的图像选取工具、编辑工具、绘制工具等，综合运用这些工具，能够帮助我们创作出优秀的图像作品。

5、活动任务：我和埃菲尔铁塔合个影

使用“魔棒工具”选取图像（学生根据学习材料自己动手，探究学习）（1）打开“照片1”和“埃菲尔铁塔1”图像文件，使“照片1”处于当前窗口。

（2）选择“图层-----复制图层”建立“背景副本”。在图层调板双击“背景副本”图层名称，将图层名称修改为“人物照片”。

（3）使用魔棒工具选择人物照片的背景区域。全被选中后，“选择-----反选”，就选中了人物的图像部分。

（4）通过复制粘贴,将选取的人物图像粘贴到打开的“埃菲尔铁塔”图片上,选择“编辑——自由变换”调整图像大小，按Shift键拖动图片控制点，调整到合适位置。

（5）选择“文件------存储为”，以“合影1”为文件名保存成JPEG格式的图像。

学习视频： “学习材料”文件夹

四、学生练习（教师巡视指导）

1、学生通过讲解演示，练习图像的合成

2、根据给定的图片素材完成不同的水果拼盘效果图

五、作品展示

利用网络教室屏幕墙功能，对学生作品进行滚动展示，教师适时作出点评学生再次完善自己作品。

六、小结：同学们，今天我们学习的软件是什么？对，是Photoshop图像处理软件，那么你知道什么是图层，什么是选区吗？（学生回答）这一节课，你学会了用什么工具来选取图像呢？（学生回答）

七、课堂检测：

1、Photoshop是一种

软件，其默认扩展名为。

2、图像合成就是通过多幅图像重新组合形成新图像的图像编辑方式，从组合方式角度，有三种图像合成：一种是。另一种是。第三种是。

3、认识了图层和选区，学会了使用来选取图像，并进行简单的图像合成。

八、作业：课余时间，发挥自己想象制作一幅合成图像，自然和谐，积极向上。

第十七课图像合成与分层图像教学设计

任

占

香

数字图像增强算法分析篇7

关键词：图像增强,直方图均衡化,MATLAB,对比度增强

1 研究目的和意义

图像增强的目的是改善图像的视觉效果, 针对给定图像的应用场合, 有目的地强调图像的整体或局部特性, 扩大图像中不同物体特征之间的差别, 满足某些特殊分析的需要。其方法是通过一定手段对原图像附加一些信息或变换数据, 有选择地突出图像中感兴趣的特征或者抑制 (掩盖) 图像中某些不需要的特征, 使图像与视觉响应特性相匹配。在图像增强过程中, 不分析图像降质的原因, 处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同, 分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算, 基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正, 是一种间接增强算法[1]。

2 直方图与直方图均衡化

2.1 直方图

1) 直方图又称质量分布图, 是一种几何形图表, 它是根据从生产过程中收集来的质量数据分布情况, 画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。

2) 图像的直方图。以灰度图为例, 假设图中一共只有0、1、2、3、4、5、6、7 8种灰度, 0代表黑色, 7代表白色, 其它数字代表0～7之间不同深浅的灰度, 见图1。

统计的结果如下, 横轴标示灰度级别 (0～7) , 纵轴标示每种灰度的数量, 见图2。

Photoshop (PS) 中的显示, 见图3。

2.2 直方图均衡化

2.2.1 直方图均衡化的定义

直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图, 然后按均衡直方图修正原图像。当图像的直方图为一均匀分布时, 图像包含的信息量最大, 图像看起来就显得清晰。该方法以累计分布函数为基础, 其变换函数取决于图像灰度直方图的累积分布函数。它对整幅图像进行同一个变换, 也称为全局直方图均衡化[5,6,7]。

2.2.2 对现有直方图均衡化算法进行改进

第一步根据需要在灰度区间[M , N]上进行直方图粗均衡。根据需要设定一个灰度区间[M , N], 对用 (1.1) 计算过后的tk进行整合变为t′k, 其中k为新的直方图的灰度数, 区间[M , N]和k需满足下式

$0 \leq k \leq [Μ, Ν] \leq L - 1 . (1)$

主要是为了保证变换后灰度的次序不变, 在上述的前提下, 我们可以在区间[M , N]中根据k等分区间长度, 进行强制直方图的均衡。因此, 我们先要求的就是等分的长度h, 可用下式求得

$h = int [(Ν - Μ) / (k + 1)] . (2)$

然后就只需根据一定的映射关系改变t′i的灰度值, 进行新的直方图均衡化, 映射关系如下

$t^{″}_{k} = Μ + k \times n . (3)$

经整理

$t^{″}_{k} = Μ + k \times int [(Ν - Μ) / (k + 1)] . (4)$

具体的实现过程如下:

1) 给出原始图像的所有灰度级k=0, 1, 2, …, L-1;

2) 统计原始图像各灰度级的像素数nk;

3) 用p (tk) =nk/n计算原始图像的直方图;

4) 用 (4.11) 式计算原始图像的累积直方图;

5) 用 (4.12) 式进行取整计算;

6) 用t″k=M+k×int[ (N-M) / (k+1) ]进行均衡化;

7) 用p (tk) =nk/n计算新的直方图。

由于灰度的范围一般为0 ～255, 因此, 在本文的实验中取M=0, N=255, 所使用的数据来源于网络。在实际应用中, 可根据需要灵活的改变N和M的取值, 以求达到最佳效果。

第二步通过一定得映射关系在尽可能保留原图像像素的基础上进行二次均衡, 以达到拓展使用的灰度空间。

减少转换过程中出现的像素个数较少的灰度被其周围的像素个数较多的灰度吞噬而造成信息丢失, 以及由此而产生的变换后图像所用灰度个数减少, 造成图像灰度层次感不强的现象, 是对传统算法的一个改进。通过分析式 (1) 可知:对于任意相邻两灰度i和i+1, 如果 $\sum_{k = 0}^{i} \frac{r_{k}}{Q}$ 与 $\sum_{k = 0}^{i + 1} \frac{r_{k}}{Q}$ 之间的差距大于一阈值, 就不会出现灰度被吞噬的情况, 该阈值与图像的大小以及所使用的灰度级数有关。对于一幅256×256的拥有256个灰度级的图像来说, 只要两者之间的差距大于1/256, 就不会出现灰度被吞噬的情况, 也就可以更多地保留原始图像中的信息和维持图像的层次感。

采用的方法是建立一个满足下列要求的映射:假设原始图像中灰度i所具有的像素个数为ri, 映射后为r′i, 它们之间的关系为

$r^{'}_{i} = f (r_{i}) < r_{i} . (5)$

对映射f的要求是其值域为正实数域。为了与原始图像保持一致, 该映射同时要求为单调递增。虽然每个ri都比以前小, 但Q′= $\sum_{k = 0}^{m - 1} r^{'}_{k}$ 比以前的Q小得多, 如果映射合适, 总可以使得 $\sum_{k = 0}^{i} \frac{r^{'}_{k}}{Q^{'}}$ 与 $\sum_{k = 0}^{i + 1} \frac{r^{'}_{k}}{Q^{'}}$ 之间的差距相对变大。满足上述条件的映射关系很多, 本文采用对数映射关系, 其作用是使得灰度变换函数中的 $\sum_{k = 0}^{i} \frac{r^{'}_{k}}{Q^{'}}$ 项尽可能分散开, 从而使得变换后的灰度也分散开, 尽可能减少被周围灰度淹没的现象发生。

在传统算法中采用式 (1) 进行灰度转换, 其灰度转换规则不能充分利用灰度的低值部分, 如原始图像中的灰度为0, 极易被转换成非0灰度值, 且灰度为0的像素在原始图像中所占比重越大, 其转换后的值也就越大。因此将转换规则修正为

$\begin{array}{l} f_{i} = (n - 1) \cdot \sum_{k = 0}^{i - 1} r^{'}_{k} / Q - r^{'}_{i}, (6) \\ Q = \sum_{k = 0}^{m - 1} r^{'}_{k} . \end{array}$

由式 (6) 所确定的灰度转换可以使转换后的灰度值分布于整个灰度空间, 这样可以将原始图像中的最大灰度值和最小灰度值分别映射成0灰度值和图像格式可以提供的最大灰度值n-1, 从而拓展了所使用的灰度空间。

第三步首先, 用分频滤波器将图像分成低频和高频两个部分, 只对低频分量进行直方图均衡化, 然后, 将处理过的低频部分和高频部分进行合并, 再对合并后的信息进行中值滤波, 去除噪声, 得到最终增强的图像, 既保留了图像整体对比度和细节信息, 又去除了噪声放大的问题。

1) 将原始图像分频。

由于高斯低通滤波器在时域和频域上都具有比较好的平滑性能, 因此, 采用高斯低通滤波器对图像进行分频, 这样不会导致图像的细微结构发生极性反转。设原始图像为f (x, y) , 经过分频处理后, 图像f (x, y) 被分为两部分:低频部分fL (x, y) 和高频部分fH (x, y) 。低频部分fL (x, y) 含有原始图像的大部分灰度信息, 高频部分fH (x, y) 含有图像的少部分灰度信息。原始图像f (x, y) 与低频部分fL (x, y) 、高频部分fH (x, y) 间的关系可表示为

$f (x, y) = f_{Η} (x, y) + f_{L} (x, y) . (7)$

2) 将低频部分进行直方图均衡化。

对低频部分fL (x, y) 进行直方图均衡化 (HE) 处理。设均衡化之后的低频图像为f′L (x, y) , 则

$f^{'}_{L} (x, y) = Η E [f_{l} (x, y)] . (8)$

此时, 低频图像f′L (x, y) 包含着的原始图像的大部分像素灰度级被均衡化分布, 动态范围得到提高, 大大改善了原始图像的对比度。高频部分fH (x, y) 含有原始图像的少部分灰度信息, 这少部分灰度信息包含着图像细节和图像噪声。

3) 将低频信息和高频信息合并。

将低频信息和高频信息进行合并, 设合并后的图像为g (x, y) , 则

$g (x, y) = f^{'}_{L} (x, y) + f_{Η} (x, y), (9)$

由于

$f^{'}_{L} (x, y) = Η E [f_{l} (x, y)],$

所以

$\begin{array}{l} g (x, y) = Η E [f_{L} (x, y)] + f_{Η} (x, y) . \\ (10) \end{array}$

合并后的图像g (x, y) 与原始图像相比, 既提高了整体图像的对比度, 又强化了图像细节, 但是含有高频部分的图像噪声。

4) 将合并后的图像进行中值滤波。

可对合并后的图像g (x, y) 进行中值滤波, 滤除图像中的噪声。中值滤波是一种非线性统计滤波器, 是抑制噪声的非线性处理方法。它是从一维信号中的滤波技术—中值滤波技术发展而来的。对于一维信号, 可以在图像画面中开一个一维的小窗口, 使其包含奇数个像素。按像素的灰度值从小到大排列起来, 然后用中间灰度值代替原排列的中间像素的灰度值。窗口然后从左到右移动, 直到边界。窗口下移一行, 再从左到右进行。

2.3 分析比较

2.3.1 仿真实验结果分析

图4和图5是为了验证本文所述的处理方法对低对比度图像的增强效果而专门制作的CAD图像和RGB彩色图像。通过对比图 (b) 和图 (c) 可以发现, 用本文所述的方法处理的图像, 层次感的增强效果明显好于用直方图均衡化方法处理的结果, 整体效果更是远比原始的直方图均衡化效果好的多[1,2,3,4,5,6,7,8]。

2.3.2 分析其优缺点

本文的均衡化算法在一定程度上改善了图像的整体效果, 而且图像噪声的到了很好的抑制。图像在层次感上明显好于原图像, 最大的有点就是在目视条件下图像的失真程度有所改善, 使原图像的灰度丢失率明显下降。就这个效果来说这个算法可以用来处理一些曝光不足的照片, 不过用这个处理照片的实用性还待考究, 因为他需要相当的专业素养。但同时也有很大的不足之处, 对灰度比较接近的图块之间的边界处的处理结果显示的不如原始直方图均衡化结果好。

3 结束语

传统的直方图均衡化算法是一种快速而有效的图像整体对比度增强算法, 但其缺点是容易造成图像细节信息丢失和图像噪声幅度增大。其实无论哪种图像增强手段都有他优点和缺点, 实际中我们完全可以尝试着探索一些这些方法的结合使用, 也许会得到意想不到的效果。在直方图均衡化算法的基础上, 本文所采取的处理方法可以有效防止图像细节信息丢失和图像噪声幅度增大。并经过实验证明, 本文所用的算法处理的图像, 整体视觉效果得到改善, 细节信息更为丰富, 从中可以提取出更有意义的图像特征。

参考文献

[1]朱秀昌, 刘峰, 胡栋.数字图像处理与图像通信[M].北京:北京邮电大学出版社, 2002.

[2] (英) Maria Petrou, (希) Panagiota Bosdogianni.赖剑煌, 冯国灿, 等.译.数字图像处理疑难解析 (Image Process-ing The Fundamentals) [M].北京:机械工业出版社, 2005.

[3]施晓红, 周佳.精通GUI图形界面编程[M].北京:北京大学出版社, 2003.

[4]李介谷, 施鹏飞, 刘重庆, 等.数字图像处理[M].上海:上海交通大学出版社, 1988

[5]阮秋琦.数字图象处理学[M].北京:电子工业出版社, 2001.

[6] (日) 谷口庆治.编.朱虹, 廖学成, 乐静, 等, 译.数字图像处理应用篇[M].北京:科学出版社, 2002.

[7]盛道清.基于多小波变换与图像融合的图像增强方法研究[J].武汉:武汉科技大学出版社, 2008.

机械波图像问题的归类分析篇8

一、图像已知问题

图像已知问题，即图像能告诉我们什么。我们可以从两个方面来回答这个问题：一是波的图像能直接告诉我们什么；二是通过分析，波的图像能间接告诉我们什么。这两个问题其实就反映了图像已知问题的两个类别：一类是由波的图像能直接读出相关内容的问题；另一类是通过分析、计算才能间接求出相关内容的问题。

例1.图1所示是一列横波在某时刻的波动图像。

（1）关于波长的叙述正确的是：

A.BI两质点间距离为一个波长

B.AF两质点间距离为一个波长

C.CH两质点间距离为一个波长

D.OG两质点间距离为一个波长

（2）下列各质点中，哪些质点与A质点具有相同位移？

A.C点 B.E点

C.F点 D.H点

说明：本题答案可以直接由图像读出，属于图像已知类的第一类问题。

例2.某时刻的波形图如图2所示，波沿x轴正方向传播，质点p的坐标x＝0.32m。从此时刻开始计时。

(1)若每间隔最小时间0.4s重复出现波形图，求波速；

(2)若p点经0.4s第一次达到正向最大位移，求波速；

(3)若p点经0.4s到达平衡位置，求波速。

解析：(1)由波形图可得波长λ＝0.8m，重复出现波形图的最小时间是一个周期，则周期T＝0.4s，波速v＝■＝■m/s＝2m/s。

(2)波向右作匀速传播，当振动从x＝0.2m处，刚刚传播到x＝0.32m时，p点恰好第一次达到正向最大位移。

波速v＝■＝■m/s＝0.3m/s。

(3)从t＝0时到p点到达平衡位置这一段时间内，振动从O点或O点左侧整数个半波长处传播到x＝0.32m处。由周期性可知波传播的可能距离Δx＝0.32＋■n(n＝0,1,2,3，…)

可能波速v＝■＝■m/s＝(0.8＋n)m/s(n＝0,1,2,3，…)．

说明：波速等物理量不能从图像上直接求出，这是属于图像已知类的第二类问题。解题中要注意两种运动形式的研究。

二、图像未知问题

解决这类问题的方法是设法把画出的机械波图像转化为图像已知问题。这里主要解决一个问题即可，那就是如何根据题中条件画出机械波的图像。机械波图像的物理意义是某一时刻介质中各个质点相对平衡位置的位移。这给我们提供了作图的方法。画机械波的图像，要找出某一确定时刻一些特殊质点的位置和运动情况，先画可能的图像（往往小于波长），再结合其周期性完善整个图像。

例3.如图3所示，a、b是一列横波上的两个质点，它们在x轴上的距离s＝30m，波沿x轴正方向传播，当a振动到最高点时，b恰好经过平衡位置；经过3s，波传播了30m，那么下列说法正确的是( )

A．这列波的速度一定是10m/s

B．这列波的周期一定是3s

C．这列波的波长可能是24m

D．这列波的频率可能是1.25Hz

解析：由经过3s，波传播了30m，可知波速v＝■＝■m/s＝10m/s，A正确。

由于a点振动到最高点，b恰好在平衡位置，a、b间的可能波形如图4所示。

所以a、b间可能有：（■+n）个或（■+n）个波形(n＝0,1,2,3，…)，

即■λ＋nλ＝30m，或■λ＋nλ＝30m。

在■λ＋nλ＝30系列解中，n＝1时，λ＝24m，C正确。

而周期的可能解T＝■＝■s或T＝■s，在T＝■s系列解中，n＝0时，T＝4s，B错误；当n＝3时，T＝0.8s，f＝1.25Hz，D正确。

说明：画可能图像时，要描出一些特殊质点的位置，要强调的是这些点的位置，是指同一时刻，各个质点的位置。先画好可能图像，再考虑周期性，分步进行。