導語：如何才能寫好一篇計算機視覺概述，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：裝飾工程識圖；預算教學；裝飾材料構造；計價軟件

中圖分類號：G642.0 文獻標識碼：A 文章編號：1671-0568（2012）29-0131-03

環境藝術設計作為設計行業的重要方向之一，主要是針對室內及景觀等環境方向的設計。因為，它比較注重造型藝術、環境心理學及相關人文知識的研究與表達，所以在學科體系上一直被劃分在文科或者藝術學。但是，又由于它與工程項目有著不可分割的聯系，所以在類似建筑裝飾材料、構造、工程預算等技術經濟類課程中，也是這些課程的專業建設所絕對不能忽視的。無論在室內設計或景觀設計的方案階段，還是在設計師與施工單位進行技術交底等過程中，這些知識都是將設計理論由圖紙變為現實的不可或缺的重要橋梁，直接影響了設計產品最終的實用與美觀。尤其是工程預算，設計方案往往成為是否被接受、工程是否能順利實施的決定因素之一。可以看到，高校環境藝術專業的畢業生在進入社會求職時，如果能熟悉裝飾構造、材料及工程預算等技術經濟類知識，往往更受公司青睞，有時甚至是錄取的必備條件。

但在實際教學過程中卻不難發現，由于環境藝術專業在各高校設立的歷史并不長，師資又多以藝術學專業為主，所以針對這類課程的教學現狀不容樂觀。以《建筑裝飾預決算》課程為例，本身具有濃重的理工科特點，而學習對象是以往以單一的美術練習為主的學生，這類學生對類似課程表現出輕視或學習能力的欠缺，再加上教師在教學安排中理論與實踐的聯系不夠，導致學生的學習興趣難以激發，教師的教學難度很大，教與學都陷入了一種尷尬的境地。因此，筆者將在《建筑裝飾預決算》課程教學實踐中總結的一些教學方法及心得提出，供大家參考。

一、提高學生學習興趣，增強信心

針對環藝專業學生不了解裝飾工程造價行業的事實，授課初期主要以提高學生學習興趣為出發點，著重介紹建筑裝飾工程預決算課程的重要性。對于大三的學生來說，最關心的是就業問題，為此在講述專業知識的同時，緊密聯系實際，介紹工程造價專業的社會應用現狀，展示裝飾工程造價行業的廣闊發展前景，強調本課程的實用性和重要性，鼓勵學生抓住機會，在課程結束時能夠運用計價軟件完成一份完整的工程造價文件，增加就業知識儲備。這樣既可以提高學生的學習興趣，增加學好本門課程的信心，同時還可以鼓勵學生參加造價員崗位培訓和資格培訓，爭取畢業后能夠持證上崗。實踐證明，第一次課程的專業介紹和鋪墊工作，為今后課程的順利開展打下了良好的基礎。具體措施舉例說明如下：

在第一堂課上先撇開課本，主要從四個方面和學生討論：第一，學習該課程的目的。這是學生最關心的問題，只有在這方面讓他們心服口服，才會對本課程產生濃厚的興趣。當他們得知學完本課程所能從事的職業后，更會加深對本課程學習的渴望。第二，這門課的難易程度。當學生得知只須運用加、減、乘和面積、體積的計算公式后，便會放棄"怕"的念頭。第三，這門課程與其它課程的關系。當學生得知本課程與已學過的和今后將要學習的幾門專業課都有關聯后，更會加深對這門課重要性的認識，使之不會輕言放棄。第四，課程內容。當學生得知整門課每個部分都只圍繞工程量計算規則和定額套用與換算后，更覺得有規律可循，學起來會更容易。這樣，就緊緊抓住了學生的求知欲，調動了他們的學習興趣，使他們興趣盎然，產生一種躍躍欲試的沖動，教學效果自然“水到渠道”。

二、裝飾工程識圖與預算教學有機結合

識圖是建筑裝飾預決算學習的起點，是學習《建筑裝飾預決算》課程的必經之路，也是學生學習中的難點。學生往往在識圖環節就望而卻步，還沒有進入預算的學習就敗下陣來，那么教師在后面的教學中，即使使出渾身解數、講得天花亂墜，學生仍興趣寡然。究其原因，連圖紙都沒看懂，當然就更提不上預算知識的學習了。因此，在具體的教學中，應做到識圖教學與預算教學的有機結合，并且把二者都落到實處。

制圖識圖是環藝專業學生的基本功，似乎并不應該成為預算的畔腳石。但在實際工作中，完成一個方案是需要一個團隊甚至幾個單位的合作，很多時候一套圖紙是由多人共同制作完成，由于繪圖人員水平參差不齊，導致最終審圖時出現很多問題。例如，墻面裝修立面不全，無詳細剖面圖；吊頂標高與實際高度不符；地面平面尺寸與原建筑施工圖紙存在差異；框架梁的高度與原結構圖不符；建筑做法及說明不詳細，等等。有經驗的預算人員只看圖紙不到現場有時還會摸不著頭腦，何況學生呢？在審核時，教師除了以圖紙為依據外，還要與繪圖者進行溝通，一些常見的標準圖集要熟記于心，可以做一些合理的推測。還有一條最重要卻往往被忽視的原則，那就是實地現場測量才是驗證數據是否準確、審核裝飾圖是否正確的最終依據。所以在識圖教學中，建議增加現場教學的比重，即學生親臨現場，圖紙與實物相聯系，以圖看物，以物解圖，由平面轉化為立體，由立體再回到平面。識圖的學習與預算的學習不能割裂，兩者應并行不悖、互相滲透，做到有的放矢。同時，盡量尋找一些簡單而且已竣工的標準連鎖化工裝圖紙，如中國建設銀行或者肯德基餐廳，其裝飾風格基本一致，類似工程隨處可見，圖紙既簡單又有普遍性，隨時可以現場應征。

篇2

關鍵詞：OpenCV；計算機視覺技術；三維模擬技術

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2015）30-0137-02

21世紀是國際計算機技術高度發展的時代，人們生活中的每個角落都可以看到計算機技術的身影，尤其是現代計算機視覺技術和圖像處理功能發展更加迅猛，各技術分支也逐漸趨于成熟。計算機視覺技術主要指的就是利用智能計算機系統來代替人類的眼睛對現實三維世界進行辨識和理解，整個過程均是計算機自我學習的過程，而隨著這項技術研究的不斷深入，其不再僅僅包含計算機技術科學，同時還涉獵了包括生理學、神經學、物理學、應用數學等多門學科，為人類科技的進步提供了有效的動力。

1 計算機對視頻中運動物體檢測的原理概述

在現代計算機技術基礎下，對視頻當中的運動物體檢測原理主要包括兩種，分別是從微觀和宏觀的角度出發。其中宏觀檢測技術指的是當計算機截取了視頻中的某一個圖像，其以整幅圖像為對象進行檢測；微觀檢測技術是指在截取圖像后，根據實際需求對某一區域內的圖像內容進行檢測。在計算機視覺技術實際應用時，其第一步就是對圖像的采集，第二步是對已經采集的圖像進行預分析處理，如果采用宏觀檢測技術則對圖像整體進行分析；如果采用微觀檢測技術則首先將圖像進行分割，然后對分割后各圖像內容中出現的運動物體影像進行分析。在圖像數據獲取過程中應用的是背景差分法，這一技術主要是將背景和運動物體進行分離提取，以獲取沒有背景圖像的運動物體影像數據。還可以利用幀間差分法，這種方法主要是對一個視頻圖像的逐幀畫面進行差別比較，從而獲得各幀圖像上的差值，而將這些差值幀圖結合起來就是一個物體在計算機視覺下的運動軌跡。現代研究者更傾向于將背景和幀間差分法進行結合運用，這樣可以獲得無背景下的運動物體軌跡，進而提升計算機視覺系統捕捉數據的準確性。

2 OpenCV的應用概述

OpenCV是現代計算機視覺技術當中具有開源性的視覺庫，其最早是由俄羅斯Intel分公司所研發，不僅高效，而且具有兼容的優勢。同時與傳統IPL圖像處理系統相比，OpenCV所處理的圖像數據等級更高，例如在對運動物體進行特征跟蹤、目標分割、運動軌跡分析以及三維模型重建等方面都有著巨大的優勢。

OpenCV本身編輯的源代碼是開放式的，編寫過程簡潔且方便，并且程序中大多數函數已經通過了匯編的最優化，使其能夠更加高效地被應用。在使用OpenCV的攝像機標定模塊已經為用戶設計了實用性較強的接口，并且能夠支持Windows界面的操作平臺，使得這一技術的操作更加簡便。這一技術本身操作簡便，對于編程人員和檢驗人員個人技能素質要求并不高，視覺技術系統研發人員可以利用簡便的操作來檢驗其設想是否能夠實現，這就使得現代計算機視覺技術開發團隊能夠形成更好的協作研發關系，進一步提升技術研究效率。目前已知OpenCV編程系統在航空航天定位、衛星地圖繪制、工廠大規模生產視覺檢測等方面得到了廣泛的應用，同時對于無人飛行器的視覺捕捉技術也有極大的幫助。最為重要的是OpenCV編程語言的兼容性較強，編程人員可以根據自己的意愿對源代碼進行披露，并且國內也已經形成了規模較大的交流社區，給更多同行業者提供答疑解惑的場所，進一步擴大了OpenCV的應用范圍。

3 基于OpenCV的計算機視覺技術

3.1 基于OpenCV下的運動物體檢測技術

在常規運動物體檢測技術下，均是直接通過圖像背景和運動物體的區分來實現運動物體的捕捉。而基于OpenCV下的運動物體檢測技術則不僅能夠針對于圖像背景的分離實現運動物體的觀察，還可通過物體本身特定的信息來進行檢測，主要包括形狀、輪廓以及顏色等。這樣就能夠實現在復雜的背景當中將特定的運動物體完整抽離出來。其基本流程包括：首先，對影像數據當中某一時間點的圖像進行捕捉，然后對這一視頻圖像的格式進行轉化；其次，對轉化格式后的視頻圖像進行早期處理，并將運動物體和復雜的背景區分開，降低周圍各環境因素對運動物體主體圖像的影響；第三，根據完成提取后的運動物體圖像進行辨識，然后再從視頻當中捕捉擁有相同特征的物體，并對該物體進行跟蹤識別。而這一過程的實質則在于先利用圖像捕捉技術對畫面進行截取，然后同時利用背景差分法和幀間差分法對圖像進行分割，逐幀地將運動物體完成提取出來，以供計算機進行視覺跟蹤處理。

3.2 基于OpenCV的圖像預處理技術

一般情況下，計算機視覺處理技術應用的環境情況較為復雜，大多數應用環境當中均有光照的變化，并且部分計算機視覺處理設備還需要在露天環境下進行工作，此時周圍環境中的風、溫度、光照、氣候以及運動物體數量等對視頻圖像的采集均有著極大的影響。環境因素會使圖像采集的質量大幅度降低，同時圖像當中的噪點問題也難以避免，而噪點是視覺捕捉和圖像處理當中最大的影響因素。因此，在基于OpenCV下的計算機視覺技術在捕捉視頻圖像之后先對其進行預處理，然后再由系統對運動物體進行分離、檢測和跟蹤。一般的預處理過程主要包括平滑度濾波、圖像填充、背景實時更新等。

1）圖像的平滑度濾波預處理技術

由于在實際計算機視覺捕捉過程中圖像噪點是難以避免的問題，以此在對圖像中運動物體進行檢測前，應該相對這些噪點進行預處理，降低環境噪聲對圖像的影響。圖像的平滑度濾波處理共分為兩種方式，分別為線性和非線性。其中線性處理方式就是通過計算機處理設備的簡單運算，對圖像當中的噪點進行直接清除，但這一技術使用后會造成截獲圖像模糊不清的情況，因此僅對噪點較少的圖像采用該處理方式；非線性濾波處理則是利用復雜的圖像處理運算，將截獲圖像當中的噪點無限縮小，使其不對圖像整體造成影響，并且可以有效保證圖像的局部調整，但這種處理方式在運算時速度沒有線性濾波處理快，因此需應用在噪點較多，圖像信息較復雜的處理當中。

2）圖像的填充預處理技術

這一處理技術在使用過程中運算速度較慢，主要是由于其需要對逐幀的圖像均進行處理，也包括兩種處理方式，分別為邊緣填充和腐蝕膨脹處理。其中邊緣填充處理主要指的是在確定運動物體之后，利用計算機系統自身的邊緣檢測處理技術，對物體的輪廓進行辨識，并利用形態學上的漫水填充方式對運動物體周圍的噪點進行顏色填充，減小其對畫面整體元素的影響。而腐蝕膨脹處理與邊緣填充處理原理相類似，但這種處理技術主要是針對于噪點進行腐蝕和膨脹，使其在畫面當中所占比例擴大，但對運動物體本身不造成影響，這使運動物體和噪點之間的差異就會更加明顯，就可以將噪點的影響降到最低，但這種處理方法的效果和攝像機本身的性能、質量等有著密切的關聯。

3）背景的實時更新預處理技術

在進行運動物體和背景分離過程中，計算機系統需要對圖像上的背景元素進行辨識，并對其開展初始化處理，這樣就能夠為后期實時背景圖像的差異進行凸顯，以增加前景圖像的效果，降低噪點對圖像的影響。在運用這一技術時，首先要先對第一幀的圖像進行確定，并將第一幀圖像當中的背景圖像元素進行辨識，然后在后期圖像更新和運動物體檢測過程中對背景進行實時更新處理。在更新的過程中其流程主要包括：首先，系統要對所讀取的畫面進行有效的判斷，了解該圖像是否為第一幀；其次，將Opencv處理的圖像轉變為單通道灰度值；第三，對轉變后的圖像進行高斯平滑度濾波處理，將圖像當中的噪點進行去除；第四，采用形態學噪點填充技術對圖像當中的噪點進行二次處理，以獲得所需要更新的背景圖像。

3.3 前景運動物體的提取技術

在計算機視覺技術進行運動物體的檢測時，只有有效保障檢測流程的準確度，才能夠有效保障對前景運動物體的跟蹤效果。其主要分為兩大步驟，其一是對二值化后的圖像數據進行分割處理；其二是在圖像分析前對其進行充分的填充處理，保證前景圖數據的完整性。同時，在前景圖像提取的過程中也分為多個步驟，其包括：首先，對所提出的前景圖像和背景圖像進行差分處理；其次，將差分處理后的圖像二值化處理；第三，對背景當中前景物體的輪廓或邊緣進行辨識，根據前景圖像的輪廓對其進行填充。由于在實際操作過程中，攝像頭所處環境的變化較大，并且會在不同場所內的不同角度捕捉畫面，因此就需要在前景圖像提取時有效提高背景圖像實時更新的效果。

利用閥值二值化的分割方式能夠有效將前景圖像和背景圖像分離開，從而使目標運動物體能夠呈現獨立化，并且閥值分割方式開展前要相對每個像素點進行確定，判斷其是否位于灰度值的范圍內。而將該圖像的像素灰度和閥值進行對比后會出現兩種結果，分別是灰度值低于或高于閥值。在實際應用過程中，有效確定圖像的分割閥值T，就能夠降低環境當中光照因素對圖像質量的影響。

4 計算機視覺技術當中的三維重建技術

1）三維重建的視覺系統

計算機視覺技術在對圖像進行捕捉時可以視為是對大量的圖像信息進行處理，從攝像機的視覺角度出發，其所輸入的圖像一般為二維屬性，但輸出的信息確是三維數據，而這種三維空間數據能夠提升對運動物體所處空間位置、距離等描述的準確性。在三維重建視覺系統工作過程中，其相對基本的圖像數據框架進行確定，然后利用一個坐標點建立2.5D圖像數據，即以此點為視角能夠觀察到的圖像數據，再將2.5D圖像數據進行整合從而建立三維圖像。

2）雙目視覺系統

當人體利用雙眼在不同角度、同一時間內觀察同一個物體時，就可以利用算法來測量該物體和人體之間的距離，而這種方法也被稱為雙目立體感，其應用的原理主要是人體視覺差所帶來的影響。同時利用兩臺攝像機對同一圖像從不同角度進行觀察，就能夠獲得人體雙目觀察后的效果，因此這一三維重建技術也被稱為“雙目視覺系統”。兩臺不同的攝像機即可代表人體雙眼，其對圖像進行逐幀捕獲，但由于角度不同和環境影響因素的差異，因此造成了圖像差異，必須對其捕捉的圖像進行預處理。

3）三維重構算法

在計算機視覺技術中對于視頻流的采集主要依靠的是彩色攝像機、紅外攝像機、紅外接收攝像頭等設備。還可以利用微軟所提供的Kinect設備，在進行運動物體檢測前能夠對NUI進行初始化處理，將系統內函數的參數設定為用戶信息深度圖、彩圖、骨骼追蹤圖等數據。在使用Kinect設備對視頻流進行打開時，其可以遵循三個步驟，其一是彩色和深度數據的處理；其二是根據數據的索引添加顏色信息，并將其引入到深度圖數據當中；其三是骨骼追蹤數據。

5 結束語

計算機視覺捕捉技術是現代計算機應用當中較為先進的內容，其應用范圍較廣，對于運動物體的捕捉準確度較高，能夠有效推進現代計算機模擬技術的發展。

參考文獻：

[1] 張海科.基于Opencv的人手識別與跟蹤定位技術研究與實現[D].昆明： 云南大學，2013.

篇3

【關鍵詞】圖像識別 邊緣檢測 小波算法

小波算法在圖形識別、壓縮等方面有著較為廣泛的應用，且具有較高的應用效率。在圖形識別與壓縮中實現小波算法的應用，能夠更加有效地實現應用數據的識別與壓縮。當前，在圖像識別與邊緣檢測領域中依舊存在著計算方法相對單一的情況，這種局限性對圖像識別與邊緣檢測的進一步發展造成了嚴重的阻礙作用。因此，要實現小波算法在圖像識別與邊緣檢測中的廣泛應用，促進其進一步發展。

1 小波算法概述

法國地球物理學家J?Morlet在1984年首次提出了小波的概念，隨后Hardy空間分子解說研究為小波算法的誕生奠定了理論基礎。當前，小波算法在圖像處理中有著非常廣泛的應用，并且其應用效果非常良好。小波算法主要是對非平穩的信號進行分析，在小波算法壓縮、平移等處理功能的支持之下，能夠從多個尺度對函數或者信號進行分析，實現空間域與頻率域的具備變換，從而能夠更加有效地對信息進行檢索。因此，小波算法屬于新興的信號處理技術。

在傳統的信號表示中，正交基有著非常廣泛的應用。基函數具有正交性，這使得基函數相應的表示函數能夠通過內積進行計算。小波算法實現了局部化思想的發展，屬于信號的“時間――頻率”分析方法，其主要的特點為多分辨率分析，同時在時間域與頻率域中都能夠對信號的具備特征進行表示。

2 圖像識別中小波算法的應用分析

圖像識別指的是通過計算機實現對圖像的處理、分析與理解。通過圖像識別工作能夠實現不同模式目標、對象的計算機識別工作。一般情況下，圖像識別的有效支持包括兩個方面，一方面是進入到系統中的信息，另一方面是系統中原本保存的信息，通過對這兩種信息的對比之后實現對圖像的有效識別。不同的圖像具有不同的特征，計算機在進行圖像識別的過程中通常會將視線集中在圖像較為突出的特征方面，從一個突出的特征向下一個突出的特征進行依次掃描。因此，在圖像識別的過程中，知覺機制的工作原理為排除多余信息、識別關鍵信息，因此小波算法有著非常關鍵的作用。一般情況下，在圖像識別中實現小波算法的應用，能夠有效地整理按照階段獲得的信息，以此為基礎形成完成的知覺映像。此外，在圖像識別中實現小波算法的應用還能夠有效地處理與計算信息的細節，促進圖像識別效率的提高。

利用冗余小波對圖像進行J個尺度的二維小波變換，得到3?J+1幅子圖像，其公式為

[Cj?{dj1，dj2，dj3}，j=1，2，3，……，J] （1）

其中，Cj代表原圖像尺度aj上的二維小波變換得到的低頻子帶圖像；djk代表原圖像在尺度2j與方向k上的二維小波變換得到的高頻細節自帶圖像，其中k=1，2，3，分別對應高頻子帶圖像的水平部分，垂直部分與對角線部分。

3 邊緣檢測中小波算法的應用分析

在計算機視覺中，邊緣檢測是非常重要的核心問題之一。一般情況下，邊緣檢測的主要目的就是對數字圖像中具有明顯亮度變化的點進行標識。在邊緣檢測的過程中，圖像屬性中一些較為顯著的變化能夠對重要事件、變化等進行反映。例如，如果在圖像的屬性方面出現了表面方向不連續的情況，這就說明在這一地方存在著比較重要的事件、變化等。此外，邊緣檢測在圖像處理與計算機視覺中還發揮著特征提取的關鍵作用。實現了小波算法在邊緣檢測中的應用，能夠在很大程度上實現相應數據計算量的降低，同時還能夠將計算機視覺中一些不相干的冗雜信息進行有效的剔除，同時能夠合理地對結構屬性進行辨識與保留。小波算法在邊緣檢測中的應用包括兩種類型，第一種類型為查找計算，第二種類型為穿越計算。在邊緣檢測的查找計算中，工作人員通過以查找方法為基礎的小波算法對計算機圖像中的一階導數最大值與最小值進行尋找，從而實現邊緣檢測工作。在邊緣小波基選取的過程中，遵循的原則包括：第一，邊緣檢測小波應該選擇高通濾波器，濾波器的脈沖回應函數包括奇對稱與偶對策兩個部分，

f（x）=f1（x）+f2（x），其中f1（-x）=-f1（x），f2（-x）=f2（x）

除此之外，小波算法在邊緣檢測的應用過程中，其主要的應用效果還包括在數據壓縮方面取得了較好的效果。小波算法首先對邊緣檢測中的線性頻率進行分析，之后實現相關信息與數據的壓縮與處理，通過小波算法實現壓縮與處理之后，其圖像的分辨率普遍較高，出現這種情況的主要原因是在邊緣檢測中實現小波算法的應用能夠使邊緣檢測中存在的高頻信號進行消除，在高頻信號消除的基礎上對信息與數據進行壓縮工作，從而取得較好的效果。然而，在利用小波算法實現邊緣檢測中的數據與信息壓縮時，工作人員還應該關注到邊緣檢測中存在的非線性不穩定信號，在對這些信號進行處理的過程中，小波算法的應用效果并不明顯。因此，在邊緣檢測中實現小波算法的應用，應該注重小波算法形態的有效選擇，從而實現邊緣檢測水平整體上的提升。

4 總結

隨著計算機視覺處理技術的快速發展，圖像處理與邊緣檢測中已經實現了小波算法的廣泛應用，且已經取得了非常良好的應用效果。因此，工作人員在圖像識別與邊緣檢測的過程中，對小波算法的應用已經有了非常明確的了解，通過小波算法的有效應用能夠促進圖像識別與邊緣檢測水平的不斷提高。

參考文獻

[1]喬鬧生，鄒北驥，鄧磊，曾友兵，鄒劍臣.一種基于圖像融合的含噪圖像邊緣檢測方法[J].光電子.激光，2012，11（65）：2215-2220.

[2]馬麗亞木?阿布來孜，艾力米努.阿卜杜如蘇力.一種基于邊緣圖像融合的圖像邊緣檢測方法[J].計算機系統應用，2012，12（41）：182-185.

[3]王婭囡，谷方，楊厚俊，范延濱，賈冬雪.基于PET醫學圖像邊緣檢測算法的研究[J].現代生物醫學進展，2014，05（42）：965-968.

[4]王曉丹，吳崇明.基于MATLAB的系統分析與設計--圖像處理[M].陜西：西安電子科技大學出版社，2014，02（44）：96-98.

篇4

關鍵詞計算機視覺；圖像處理；AOI；作物識別；像素

1概述

借助于計算機視覺技術的智能化，能快速識別出植物，判斷其覆蓋率，并確定其位置，有針對性地采取措施。這不僅能能降低投入，而且對我國溫室精確種植和設施農業著重要的經濟意義和實際價值。隨著計算機軟硬件性能價格比的提高，特別是近十年來計算機技術在各個領域的滲透，利用計算機視覺技術來取得植物特征并作進一步分析已經變得切實可行[1]。

本文針對溫室大棚采集的雜草圖像進行研究，實現了一種快速植物特征提取與識別算法，能夠滿足實時地為后續變量控制提供信號的要求，為進一步的研究工作打下了一定的基礎。

2圖像處理

2.1圖像分割

利用CCD彩色攝像機獲取的圖像，通過圖像采集卡將獲取的圖像以真彩色24位位圖的格式存儲。真彩色24位位圖在存儲格式上是以3個字節表示圖像中的一個像素點。這三個字節分別存儲像素點的R、G、B顏色分量值。三個值根據RGB顏色坐標系統（見圖1）合成這個像素點的顏色值。目的一是為了獲得更多的信息量，二是為了減少圖像解壓縮的過程，加快處理速度。

圖像分割是由圖像處理到圖像分析的關鍵步驟，也是一種基本的計算機視覺技術。隨后的圖像處理，諸如特征提取和對象識別，都依賴于圖像分割的質量。圖像分割就是指把圖像分成各具特性的區域并提取感興趣目標的技術和過程[2]。盡管人們在圖像分割方面做了許多研究工作，但由于沒有通用的分割理論，現己提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法[3]。這里的圖像分割，主要是指去除

植物圖像中的土壤背景及作物殘茬。為了有效的將葉面與背景區分，要對原始圖像數據進行選擇和變換，得到

最能反映分類本質的特征。在此所說的圖像特征，指的是圖像中各個點的特征，而不是整個圖像的整體特征。

對于彩色圖像分割問題，必須充分利用彩色圖像所包含的豐富的色彩信息，選擇適當的特征，使目標和背景能依據特征上的差別進行區分，利用這個顏色特征將彩色圖像轉變成灰度圖像，再確定閾值將灰度圖像二值化。

2.2RGB和HSI坐標系統

數字圖像處理中，常用的顏色坐標系統有RGB和HSI坐標系統（坐標系統圖如圖1、圖2）。RGB顏色坐標系統以紅R、綠G、藍B三種顏色為基色，其它顏色由這三種基色加權混合而成。HSI坐標系統中H表示色調（Hue），S表示飽和度（Saturation），I表示密度，對應圖像的亮度（Intensity）。面向硬件設備（如彩色顯示器和打印機等）的最常用彩色坐標系統是RGB坐標系統，而面向彩色處理的最常用顏色坐標系統是HSI坐標系統，HSI坐標系統有兩個特點：其一，I分量與圖像的彩色信息無關；其二，H和S分量與人感受顏色的方式是緊密相連的。這些特點使得HSI坐標系統非常適合于借助人的視覺系統來感知彩色特性的圖像處理算法[4]。

圖1RGB顏色坐標系統圖2HSI顏色坐標系統

從RGB坐標系統到HSI坐標系統的轉換公式如下：

在RGB顏色坐標系統中，如果不考慮光照強度，而只對色度感興趣，則只要知道R、G、B的相對值即可。相對值r、g、b稱為色度坐標，其計算公式如下：

（2）

其中，Rn、Gn、Bn分別是規范到0～l之間的RGB值，其計算公式如下：

（3）

式中的Rm、Gm、Bm分別是RGB顏色坐標系中的最大分量值。不同的彩色顯示系統有不同的取值范圍，例如，一個24位的真彩色顯示系統中，Rm=Gm=Bm，此時r、g、b可按下式計算

（4）

2.3統計實驗

物體的顏色是由它的反射光譜特性和光源特性所決定的。由于有生命的雜草的反射光譜特性不同于無生命的土壤背景，因而兩者在顏色上形成了鮮明的對比，但在亮度上差別不明顯。對不同土壤、土壤殘留物以及各種光照條件下的用于識別雜草顏色指數所做的研究表明，在通常情況下，植物圖像的背景即土壤有較大的r、b值，而其g值卻總小于植物本身的g值，這里r、g、b是歸一化的顏色分量，其計算公式如（4）。通過研究利用r－b、g－b、（g－b）/|r－g|和（2g－r－b）等指標來區別植物與非植物背景是非常有效的。本文在前人的研究基礎上，利用AOI（Areaofinterest，感興趣區域）測試工具對大量的包含各種類型的雜草圖像進行顏色特征的分析，采集了不同土壤、作物殘留物以及各種光照條件下溫室大棚內的雜草圖像。統計研究上述四種歸一化顏色特征參數的均值和標準偏差，以及(2G－R－B)顏色特征參數和H、S、I值的均值和標準偏差。統計的結果如下表1、表2、表3、表4。為了便于計算，作了如下規定：為了避免分母為零的情況發生，規定在（－0.01，0.01）之間的（r－g）值為0.01；有些葉子像素的g值遠大于r值，從而導致

（g－b）/|r－g|很小，為避免這種情況，當（r－g）小于－0.08時，（r－g）的值設置為0.01。（注：“殘茬土壤”為含有作物殘茬的土壤）

2.4結果分析

由表l和表2可以得出以下結論：

（1）對于r、g、b三個分量值，干土大于濕土，這是因為干土的反射率高于濕土的反射率，土壤濕度越大，則r、g、b值越低。

（2）在相同的土壤濕度下，由于有麥茬等覆蓋物的區域的反射率低于沒有覆蓋物的區域，因此，其色度坐標r、g、b較小，麥茬覆蓋率越高，則該區域的r、g、b分量值就越低。

（3）土壤、麥茬等非植物背景的紅色分量占主導地位，而植物部分的綠色分量g占主導地位，從而為植物與非植物背景的識別提供了很好的依據。

（4）植物部分的（g－b）的值比非植物部分稍高，而非植物部分的（r－g）的值稍高于植物部分，但差別都不明顯，而且偏差相對較大，不太適合于背景分割。

（5）植物部分的（g－b）/|r－g|值高于非植物部分，且差別比較明顯，所以（g－b）/|r－g|值也是背景分離的一個非常有用的顏色參數。但是（g－b）/|r－g|的值計算比較麻煩，尤其是當（r－g）的值較小時，（g－b）/|r－g|就會變得很大，從而導致其偏差較大，不利于背景分割。

（6）植物部分的過綠特征（ExcessGreen，2g－r－b）大于土壤等非植物部分，非植物部分的過綠特征值一般小于等于零，而植物部分的過綠特征值一般大于等于0.20，且過綠特征的偏差都相對較小。因此，過綠特征是雜草圖像中用于背景分離的很好的閾值參數[5]。

由表3可以得出以下結論：

（7）沒有歸一化的RGB值的偏差較大，主要是因為光照強度的變化所導致的。

（8）對于沒有歸一化的過綠特征（2G－R－B）而言，植物部分的值遠大于零，而非植物部分的值在零附近。雖然植物部分與非植物部分的過綠特征的偏差都相對較大，但是兩部分的過綠特征值相距甚遠，幾乎沒有重疊現象，故由沒有歸一化的RGB值所產生的過綠特征同樣可用于雜草圖像的背景分割，并且計算簡單，處理速度快。但光照強度的變化不宜過大。

由表4可以得出以下結論：

（9）植物部分的飽和度稍高于非植物部分，而且飽和度的偏差相對較大，兩部分的飽和度值交迭嚴重，故飽和度在雜草識別中沒有可以利用的信息。

（10）植物部分的亮度稍高于非植物部分，但差別甚微，而且相對偏差很大，不能用于雜草識別中的背景分割。

（11）植物部分的色度值遠遠高于非植物部分，土壤濕度增加時，其色度值略有增加，但幅度不大，而且色度的標準偏差相對很小，非植物部分與植物部分的色度范圍幾乎不存在重疊現象，故色度也是可以用于雜草背景分割的參數。

3結論

綜上所述，（2g－r－b）、（2G－R－B）、色度H三種顏色特征值都為雜草與土壤背景提供了足夠的對比度，有利于雜草圖像的背景分割。本文在圖像處理試驗中發現，對于由沒有歸一化的RGB分量所產生的過綠特征（2G－R－B），在室內光照強度相對比較穩定的條件下，在雜草與土壤背景之間的反差很大，因而可以用于雜草圖像的背景分割，而且在這種情況下一些圖像由彩色圖像轉成灰度圖像的處理效果比采用（2g－r－b）顏色特征值的處理效果更好，結合計算機系統中采用的真彩色24位bmp圖像文件格式考慮，采用（2G－R－B）顏色特征值計算簡單，處理速度快，可以很好的將彩色圖像轉成灰度圖，并且為下一步的圖像分割作好了準備。

本系統軟件通過提取圖像中每一個像素的R、G、B三個分量值計算出（2G－R－B）顏色特征值，將彩色圖像轉變成灰度圖像顯示，因而可以利用圖像的（2G－R－B）顏色特征值進行下一步灰度圖像的閾值分割。

參考文獻：

[1]應義斌，饒秀勤.機器視覺技術在農產品品質自動識別中的應用[J].農業工程學報，2000，16(1)：4～17.

[2]何東健，楊青等.實用圖像處理技術[M].西安：陜西科學技術出版社，1998.

[3]FuKS，MuiJK.Asurveyonimagesegmentation[J].PatternRecog，1981,13(2):3～16.

篇5

關鍵詞:OpenCV;視頻處理;人流統計

中圖分類號:TP311文獻標識碼:A文章編號:1009-3044(2010)16-4485-02

The Design of Video Human Counting System Based on OpenCV

ZHU Jun-jun, CHENG Tao, DU Ming-ming

(College of Computer Science, Sichuan normal University, Chengdu 610101, China)

Abstract: As is researched that, based on the video of human counting, the application is used widely in all areas. For example, in the giant supermarket if they use this software, it can help them to make good choices of sales and other decisions. For this kind of usage, this paper which is based on Graphics and Images and Mathematics and other relative subjects, using the tool of OpenCV,is designing a system of basing the video of human counting.

Key words: OpenCV; video processing; human counting

1 視頻的人流計數系統概述

1.1 應用背景

如今體育場,劇院等大型的室內建筑都有統計室內人數的需求,各大超市也有記錄日人流量用以市場分析的需求。本項目正是為了解決以上需求而做的一個探索性的人流計數程序的設計開發。

1.2 解決方案

本項目采集通道處人流視頻,通過對人流視頻進行智能分析得出一段時間內該通道口的人流量。本項目將利用開源計算機視覺庫OpenCV,開發出一套windows平臺上的人流計數軟件。

1.3 開發環境

1) 操作系統:Windows XP;

2) 開發工具:Visual Studio 2005,OpenCV;

3) 其他工具:SVN。

1.4 開發目標

開發目標是:開發出一套穩定,高效,使用方便,準確率達到90%以上的人流計數軟件。

2 算法設計

算法的功能目標是計算感興趣區域二值圖像上的人數。本文檔設計了2個算法,程序編碼使用算法一。

2.1 不變步長檢查

算法的已知量:二值化圖像數據(包括數據,高度h,寬度w,單位picel),圖像實際寬度(單位cm)。可變輸入參數:檢測實際步長L(單位cm),有效覆蓋率閾值 P,有效人寬度閾值范圍(a,b,單位cm),如圖1所示。

2.2 檢測原理說明

1) 由二值化圖像的寬度除以圖像實際寬度,可得picel/cm。

2) 由檢測步長L乘以picel/cm,可得檢測象素步長K。

3) 由有效人寬度閾值范圍(a,b)和picel/cm有效人寬度閾值范圍(A,B)單位picel。

4) 將二值圖像劃分成若干個h * K的矩陣,計算矩陣元素和sum。

5) 由矩陣和sum計算矩陣覆蓋率,如果覆蓋率大于有效覆蓋率閾值P,記二值圖像寬x象素處被覆蓋。

6) 記錄連續覆蓋寬度(w1,w2),再由(A,B),計算出人數。

3 界面設計

3.1 界面設計

參數設置:

1)視頻的長度和寬度(W,L)。

2)采樣矩陣相對于視頻左上角的偏移(x,y),采樣區域的長度和寬度。

3)采樣區域的物理寬度。

4)檢測頻率。

5)檢測步長。

6)有效覆蓋率。

7)有效人寬度閾值范圍(a,b)。

4 程序流程圖

程序流程圖如圖2所示。

5 軟件模塊

軟件模塊如圖3所示。

6 功能實現

6.1 確定檢查區域

通過鼠標畫一條直線作為檢測區域矩形的對角線,直線的起點和終點分別是:P1,P2。設檢測區域矩形的左上角的坐標為M,P1與P2的差為Δx,Δy。結果如圖4所示:

M.x = P1.x(Δx>0) M.y = P1.y (Δy>0)

M.x = P1.x + Δx (Δx

檢測區域矩形可以由四元組(Offset_x,Offset_y,w,h)表示,Offset_x是相對于原始視頻x方向上的偏移,Offset_y是相對于原始視頻y方向上的偏移,w是檢測區域矩形的寬度,h是檢測區域矩形的高度。設視頻左上角的坐標為V。

則:Offset = M-V

w = 對角線(P1,P2)在x方向上的投影。

h = 對角線(P1,P2)在y方向上的投影。

本步驟得到的最終結果是四元組(Offset_x,Offset_y,w,h),有四元組和原始視頻幀數據可以以6.2所示分離出檢測區域圖像數據。

6.2 分離檢測區域圖像數據

在這個步驟中要把檢測區域的圖像數據分離出來,存放在一片獨立連續的內存中。執行本步的條件:

1) 視頻當前幀數據:BYTE* pFrame;

2) 當前幀寬度:W;高度:H;

3) 深度:Depth=24,32;

4) 檢測區域矩形可以由四元組(Offset_x, Offset_y, w, h)。

檢測區域的圖像數據為:

pFrame [W * Depth * Offset_y * i + Offset_y * Depth ],0

在程序設計時使用OpenCV的感興趣區域ROI來提取圖像數據。

6.3 檢測區域圖像數據預處理

將得到的差值圖二值化,絕對值大于常數C的置為1,其它置為0,圖像保存在一塊連續的內存中。通過顯示二值化后的圖像來驗證本步驟的正確性。二值圖反應圖像的變化。

6.4 檢測變化區域

本步驟的目標是記錄覆蓋區域,以x表示覆蓋區域距離采樣矩陣左端的距離,L表示覆蓋區域的長度。一個覆蓋表示為typedef struct{int x, int length} COVEREDAREA。將COVEREDAREA記錄到一個CList m_CoveredAreaList鏈表中,結果如圖5所示。

在每一個檢查周期中判斷m_CoveredAreaList的覆蓋區域是否變為非覆蓋區域,如果是,則將人數計數值int m_TotalPeople增加1,并從m_CoveredAreaList中移除該覆蓋區域記錄。

7 結束語

經過實踐證明,本程序能夠按照相關的要求檢測出人數的統計,在穩定的情況下能夠達到90%的準確程度。

參考文獻:

[1] Zhang Z Y. A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(11):1330-1334.

[2] 陳磊.計算機視覺類庫OpenCV在VC中的應用[J].微計算機信息,2007,4-3:209-210.

[3] 陳祖爵,陳瀟君,何鴻.基于改進的混合高斯模型的運動日標檢測[J]中國圖像圖形學報,2007(12):1585-1589.

[4] 文瀕,陳紅濤.基于減背景與對稱差分的運動日標檢測[J].數采與監測,2007(23):99-101.

篇6

在過去的幾年里，高質量的顯示技術發展越發迅猛，目前雙目視差信息、人類視覺系統的三維深度感知越來越引起學者的研究興趣。雙眼視差的呈現方法有多種，主要包括三大類：立體顯示、全息顯示和立體面顯示。而立體顯示技術比基于全息或容積的方法更為成熟和廣泛應用。創造立體顯示的方法有多種，包括立體空間復用和時分復用技術，而且在顯示時，還有不可忽視的人的因素。本書針對立體顯示技術中人的因素提供一份詳細分析，使其在設計和使用三維顯示時能夠被充分考慮。

本書分為3部分，共8章：1.3D立體顯示中人的因素簡介：主要是對相關背景信息與知識的簡單概述，以及對全書結構的說明。第1部分 背景信息，包括第2-3章：2.人類雙目視覺基礎：包括雙目視察、視覺競爭、雙目視察梯度、視覺通路等術語和概念的介紹；3.創建立體顯示：包括空間復用和時間復用的概念。第2部分 立體顯示中影響立體深度知覺的因素：包括第4-9章：4.低級因素：包括雙目串擾、時空復用、調節輻輳沖突等因素的介紹；5.低級因素（續）：包括瞳孔亮度的差異、兩眼間的差異對比與簡單總結；6.語境因素：包括時空頻率的影響、真實環境中的視覺與距離變化、立體顯示環境中視覺的差異等內容；7.語境因素（續）：包括知覺的恒常性，分別是大小、遠近、速度、深度的恒定，以及環境的因素；8.高級因素：包括運動視差和航向控制、運動視差和雙目視察的沖突、直觀推理等內容；9.高級因素（續）：包括手/手臂跟蹤和本體、空間心理模型和工作記憶、交互式立體顯示和空間推理，最后進行了總結。第3部分 立體顯示設計的建議，含第10章：10.對全書進行了簡單總結，并提出若干立體顯示設計的建議。

本書通過對立體顯示相關文獻及應用進行總結，分析了從人類視覺角度對立體顯示的影響，并指導讀者如何從人的視覺/人的角度進行立體顯示的設計。全書條理清晰，邏輯性很強，由淺入深，易于初學者迅速了解主要概念。本書適合計算機視覺、模式識別、生物視覺等領域的學者、碩士生及以上水平的讀者閱讀。

李亞寧，碩士研究生

（中國科學院自動化研究所）

篇7

關鍵詞：嵌入式；圖像處理系統；軟件設計

中圖分類號：TP3文獻標識碼：A文章編號：1674-6708（2016）156-0080-02

DOI:10.16607/ki.1674-6708.2016.03.049

在很多領域中，由于科學技術的不斷發展，不可避免的需要使用大量的數據，面對這些算法復雜的數據，傳統的圖像處理系統已經不能滿足要求。嵌入式圖像處理系統在通訊、醫藥等方面都發揮著非常重要的作用，正是因為各個領域獲得的圖像數據越來越多，如何對圖像數據快速準確的進行處理顯得格外重要。所以需要設計出更優化的圖像處理。

1嵌入式系統概述

1.1嵌入式系統的概念

嵌入式系統是建立在計算機技術基礎上的應用型專用計算機系統，其軟件和硬件都可以剪裁，系統對成本、功耗、功能都提出了更高的要求，具有可靠性強、體積小等優點，可以實現對其他設備的監視、控制和管理。隨著嵌入式系統的不斷發展，嵌入式系統已經滲透到人們的生活中，無論是在工業、服務業還是消費電子等領域都得到了廣泛的應用。

1.2嵌入式系統的特點

與普通的計算機系統相比，嵌入式系統的專用性更強，一般是面向特定運用的，嵌入式處理器一般應用在用戶設計的特定系統中，集成性高、體積小、功耗低，不僅具有方便攜帶的優點，操作系統更是實時操作的，可以滿足實時性較強的場合要求。將嵌入式系統運用到應用程序中，在芯片上直接運行而不需要操作系統，未來可以充分利用更多的系統資源，用戶需要選擇RTOS開發平臺，保障軟件的質量。嵌入式系統主要包括硬件系統和軟件系統，其中硬件系統是基礎，軟件系統是靈魂，復雜程度非常高。

2系統軟件設計

基于RF5軟件系統總體設計：嵌入式圖像處理系統和傳統處理系統一樣，主要包括硬件和軟件兩個方面，硬件包括系統的硬件平臺，軟件包括嵌入式操作系統和圖像處理算法兩個方面。其中硬件平臺又包括圖像儲存模塊、通信模塊和顯示模塊等，主要是為系統的軟件系統提供支持。在圖像處理過程中，硬件系統可以為其提供計算、顯示、存儲等條件[1]。RF5是以DSP和XDAIS為基礎的代碼參考框架，在DSP軟件的設計和開發中具有重要的作用，參考框架在整個程序中具有非常重要的作用，是整個運用應用程序的藍本。RF5的數據處理元素包括通道、單元、任務和XDAIS算法，這4個元素之間具有緊密的聯系，獨立又聯系。嵌入式操作系統是整個系統的核心系統，提供了包括圖形處理任務管理在內的各項管理，經過硬件的初始化、圖像信息存儲、圖像信息顯示等過程實現圖像處理和存儲。

3軟件模塊化程序實現

3.1初始化模塊

軟件系統的初始化模塊主要包括處理器、RF5模塊化初始化、圖像處理算法、視頻捕獲、視頻顯示通道等。處理器和系統板初始化是指設備重啟之后，通過軟件配置的方式對設備進行配置和選擇。系統在進行工作的時候，初始化模塊是其執行的第一個任務，執行完初始化模塊之后，程序的控制權將會轉變到調度程序中，由調度程序來調度接下來的任務。

3.2視頻捕獲和顯示模塊

3.2.1視頻捕獲的實現

視頻捕獲主要負責將外部的視頻解碼器解碼生成的數字視頻信號采集收集起來，并且這個采集的過程非常方便，可以實現實時采集，最終形成的圖形處理也是可以實時處理的，可以隨時隨地對大數據的圖像進行處理，這也是其最大的優點和特點。采集到的數字視頻信號進入到系統外擴的存儲器中，從而實現視頻的捕獲。視頻采集可以自動采集，當單元進入自動采集狀態，完成了圖像的采集之后，視頻端口都會向系統自動發出中斷請求，中斷服務程序便開始發揮自身的功能，對圖像的存儲區進行連續更新，圖像存儲區一旦更新之后，圖像采集系統就會采集下一個圖像數據，最終進入一個循環。當視頻端口的FIFO裝滿了采集的數據之后，會發生中斷信息，進入EDMAISR中斷服務程序將視頻數據送入到SDRAM中[2]。

3.2.2視頻顯示的實現

視頻顯示的實現是通過視頻圖像顯示模塊來實現的，視頻圖像處理模塊處理后的圖像經過顯示模塊處理，處理之后將圖像編碼成數字視頻流，標準數字視頻流經過系統編碼轉化為虛擬視頻信號，經過解碼器之后視頻流就變成了標準的模擬視頻信號，分別經過EDMA控制器和EDMAISR之后最終進入到視頻端口的緩沖區中，經過緩沖器之后，信號會使EDMA中斷，送入新的圖像信號，并在顯示器上顯示出來，視頻顯示的流程。輸出作用在外部編輯器中。

3.3圖像處理模塊

圖像處理模塊比較靈活，是指在嵌入式的環境下實現對圖像的處理。在圖像處理系統中，又包括系統功能模塊和圖像增強模塊。系統功能中包含圖像增強功能，除了圖像功能之外，還包括圖像的幾何變換、形態運輸和圖像分析。在圖像增強模塊中又包括圖像的預處理和邊緣檢測、直方圖修正、中值濾波、灰度變換調整，而圖像預處理又包括圖像平滑和圖像銳化。圖像平滑就是消除噪聲對圖像造成的影響，圖像平滑的處理是通過高斯低通濾波法來實現，這樣做雖然可以消除圖像受到噪聲的影響，但同時也存在著一定的弊端，圖像經過處理之后會變得模糊。圖像銳化的目的就是讓模糊的圖像重新變得清晰。圖像模糊是由于圖像受到平均或積分運算而造成的，圖像銳化就是對其進行逆運算，重新使圖像變得清晰[3]。

4結論

嵌入式圖像處理系統的軟件系統主要包括初始化模塊、視頻捕獲模塊、視頻顯示模塊和圖像處理模塊，在確定了整個軟件系統的程序流程之后，就可以分別設計紛紛模塊的程序，最終完成整個軟件系統的設計。

參考文獻

[1]吳錫強.探析嵌入式圖像處理系統的設計與實現[J].計算機光盤與軟件，2015，12（3）：307-309.

[2]蔣立豐.嵌入式圖像處理系統的設計與研究[D].東華大學，2013，22（21）：11-13.

篇8

圖像處理、圖像分析、機器視覺和計算機視覺是彼此緊密關聯的學科，其特點均具有很強的理論性和實踐性。如果在教學中不重視實踐教學或實踐教學手段不力，都不利于學生創新能力和動手能力的培養。高校教師應重視理論教學的同時，更要重視實踐教學，關鍵是要找到強有力的教學方式和教學手段，找到恰當的圖像處理軟件。Matlab科學計算軟件具有豐富的圖像處理工具箱[1-2]，目前被廣泛1應用于圖像處理的教學中。但是，機器視覺課程具有很強的理論和實踐性，一些功能齊全的機器視覺軟件，如Halcon和Open CV等軟件的出現，為提高這些課程的實踐教學效果提供了新的手段。本文將探討如何應用Halcon軟件改進實驗教學方式和手段，并結合實例說明Halcon在機器視覺等課程教學中的應用。

1 機器視覺硬件系統概述

機器視覺系統[3]是基于機器視覺技術為機器或自動化生產線建立的一套視覺系統，圖1為實驗用機器視覺系統，包含攝像機、照明光源、鏡頭、圖像采集卡和計算機組成。

2 Halcon概述

Halcon 軟件是德國MVtec公司開發的一套完善的標準的機器視覺算法包[4]，是得到廣泛應用的機器視覺集成開發環境，提供了1100多種具備突出性能控制器的庫，如圖像的運算、圖像的幾何與數學變換、濾波、色彩分析、Blob分析、形態學計算分析、3D校正等。Halcon軟件保障與硬件無關，支持大多數圖像采集卡及帶有Directshow和IEEE 1394驅動的采集設備。

Halcon軟件包含一個功能強大的交互式軟件接口HDevelop，提供一個通用的瀏覽界面，訪問不同的圖像采集設備，支持Windows、Linux和Solaris運行環境，為用戶搭建了快速有效的圖像處理程序開發平臺。它甚至可以從圖像采集設備中實時捕捉圖像。HDevelop擁有很多數據和圖像檢查的圖形工具。它的圖形用戶界面支持多種顯子語言。HDevelop具備語法檢查，語法凸現，函數參數的合適取值，后續操作和替代算子建議，程序調試，完整的在線幫助等功能。Halcon軟件還可以導出以C++、C#、C、Visual Basic或者VB.NET程序，以嵌入到其他程序中。

3 實驗教學應用實例

在機器視覺等課程的理論教學中，我們的教學目的是讓學生掌握相關的理論知識，在機器視覺等課程的實驗教學階段，我們更要培養學生的算法編程能力和實踐應用能力。利用Halcon軟件的高度交互式編程環境HDevelop，能編譯和測試視覺處理算法，可以方便查看處理結果。再者，Halcon軟件自帶許多圖像處理與機器視覺的相關案例，涵蓋了圖像處理與機器視覺基礎知識的大部分內容[4]。我們在教授學生理論知識的同時，結合案例的講解，使學生在掌握理論的同時熟悉實踐過程，進而培養學生的編程實現能力。因此選擇Halcon軟件作為教學軟件，成為培養學生圖像處理和視覺處理算法編程能力和實踐能力的又一重要手段。由于篇幅限制，這里僅以利用Blob分析算法實現車牌識別的實例來說明 Halcon軟件在機器視覺與數字圖像處理等課程教學中的應用。

Blob分析算法實現車牌定位識別程序如下：

read_image（Image，'lisence'）

fill_interlace（Image，ImageFilled，'odd'）

threshold（ImageFilled，Region，0，90）

connection（Region，ConnectedRegions）

select_shape（ConnectedRegions， SelectedRegions，'width'，'and'，30，70）

select_shape （SelectedRegions，Letters， 'height'，'and'，60，110）

sort_region（Letters，SortRegions，'upper_left'，'true'，'column'）

read_ocr_class_mlp（'Industrial_0-9A-Z.omc'，OCRHandle）

do_ocr_multi_class_mlp（SortRegions，ImageFilled，OCRHandle，Class，Confidence）

area_center（SortRegions，Area，Row， Column）

disp_message（3600，['The result is：']， 'window'，200，150，'yellow'，'false'）

for Index：=0 to 6 by 1

disp_message（3600，Class[Index]， 'window'，200，300+20*Index，'yellow'， 'false'）endfor

上面程序中，利用read_image算子讀入要識別的車牌圖像，命名為Image，如圖2所示；通過fill_interlace算子修改在采集圖像過程中造成的兩個半幅圖像拼接的問題。接著，用threshold算子對圖像進行閾值分割處理，分割出含有車牌的圖像區域，灰度閾值范圍為0～90；接著用connection算子將選擇出來的區域進行相聯，形成相連區域ConnectedRegions，如圖3所示。處理后的圖像除了車牌區域使我們的感興趣區域外，其他的都為干擾區域，于是用算子select_shape通過限定width和height將車牌區域選擇出來，如圖4所示。車牌區域共有7個，從左至右排序后，利用現有Industrial_0～9A～Z字符庫對車牌7個部分進行識別，用到算子do_ocr_multi_class_mlp。識別之后，利用for循環將結果用淺黃色字體顯示在窗口中，實驗結果如圖5所示。

從上面的車牌識別實例可以看出，HDevelop交互編程環境中的函數概念清楚，用法明了，應用簡單。由于每一個HDevelop算子的各個參數都可以在編程過程中及時調整和編輯，這樣我們在實驗過程中對程序進行單步調試，講解重要算子的選擇、調試和參數編輯，讓同學們看到算法運行的每一個步驟，這樣同學們就能很快掌握相關知識點。Halcon具備可實時查看圖像屬性的交互對話框，來查看程序中的參數設置，灰度直方圖，特征值柱狀圖，放大鏡和特征檢測等。隨著學生對HDevelop編寫算法的掌握，后續的教學部分可以從HDevelop導出算法代碼并集成到應用程序中，例如生成用戶界面等，這樣同學們就可以開發機器視覺程序，添加用戶界面，集成調試生成可執行的應用程序。

篇9

【摘要】2016年是“十三五”的開局之年，也是全面建成小康社會決勝階段的開局之年，設施農業產業將面臨更多的機遇和挑戰。在以往的研究中，針對物聯網對設施農業影響的研究比較多，本文將以人工智能在設施農業領域應用為視角，分析人工智能對設施農業的潛在發展優勢。

施農業是集種植、農業裝備等多領域為一體的系統工程，是一種在人為可控環境下進行的高效農業生產方式，具有成套的生產技術、完整的設施裝備和生產規范[1]。近幾年，隨著信息技術的發展，物聯網技術逐漸被應用到農業生產和科研中，這是現代農業依托新型信息化應用的一次進步[2]。本文結合人工智能研究成果，著重介紹人工智能技術在設施農業種植領域方面的應用前景，根據設施農業產前、產中、產后3個階段，對現有研究成果進行了闡述。

人工智能概述

“人工智能”一詞是1956年在Dartmouth學會上提出。從那以后，研究者們發展了眾多理論和原理，人工智能的概念也隨之擴展。人工智能（Artificial Intelligence），英文縮寫為AI，它是研究用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的新型科學技術[3]。

作為計算機科學的一個重要分支，人工智能技術著眼于探索智能的實質，模擬智能行為，最終制造出能以人類智能相似的方式做出反應的智能機器。著名的美國斯坦福大學人工智能研究中心尼爾遜教授對人工智能下了這樣一個定義：“人工智能是關于知識的學科，即怎樣表示知識以及怎樣獲得知識并使用知識的科學。”而另一位美國麻省理工學院的溫斯頓教授認為：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。”@些說法反映了人工智能學科的基本思想和基本內容。人工智能自誕生以來，理論和技術日益成熟，應用領域不斷擴大，可以設想，未來應用了人工智能的科技產品，將會是人類智慧的“容器”。

隨著人工智能技術的日益成熟，人們意識到人類已經具備了設計和建造智慧型設施農業所需的硬件和軟件技術條件，結合設施農業高投入高產出，資金、技術、勞動力密集型的特點，完成工廠化農業生產已經不是夢想[4]。依靠人工智能技術，作物可以在適宜的溫度、濕度、光照、水肥等設施環境下，生產優質、高產的農產品，擺脫對自然環境的依賴，實現設施生產的高度智能化，提高農業生產的效率，降低勞動成本[5]。

人工智能在設施農業領域的應用

人工智能技術在產前階段的應用

在設施農業產前階段，憑借人工智能技術可對土壤、灌溉水量需求、作物品種質量鑒別等方面做出分析和評估，為農民做出科學指導，對后續的農業生產起到很好的保障作用。

土壤分析是農業產前階段最重要的工作之一，是實現定量施肥、宜栽作物選擇、經濟效益分析等工作的重要前提[6]。在土壤分析等農業生產智能分析系統中，應用最廣泛的技術就是人工神經網絡（簡稱ANN）。ANN是模擬人腦神經元連接的，由大量簡單處理單元經廣泛并互連形成的一種網絡系統，它可以實現對人腦系統的簡化、抽象和模擬，具有人腦功能的許多基本特征。目前可以通過該技術分析土壤性質特征，并將其與宜栽作物品種間建立關聯模型。土壤性質特征的探測主要是借助非侵入性的探地雷達成像技術，然后利用神經網絡技術在無人指導的情況下對土壤進行分類研究，進而建立起土壤類別與宜栽作物的關聯關系；土壤表層的黏土含量也可通過人工智能方法預測，該技術通過分析電磁感應土壤傳感器獲取的信號，使用深度加權方法從中提取土壤表層質地信息，然后使用ANN預測土壤表層的黏土含量。

傳統農業對灌溉用水的使用量往往依靠經驗，無法根據環境變化進行精確調節，對多目標灌溉規劃問題也無能為力。人工智能技術可幫助人們選擇合適的水源對作物進行灌溉，保證作物用水量，大大減輕灌溉問題對作物產量造成的不良影響。在美國，有專家研制出一個隱層的反饋前向ANN模型和一個位于科羅拉多州地區阿肯色河流域的消費使用模型，使用它們可勘察區域氣候變化對灌溉用水供應和需求可能產生的影響。在灌溉項目研究中，為了選擇最好的折中灌溉規劃策略，還可基于多目標線性規劃優化，利用神經網絡將非支配的灌溉規劃策略加以分類，將這些策略分為若干個小類別。結果表明，在對多目標灌溉規劃問題加以建模時，綜合模型方法是有效的。

人工智能技術在產中階段的應用

在設施農業產中階段，主要應用是農業專家系統、人工神經網絡技術、農業機器人等。這些技術能夠幫助農民更科學地種植農作物并對溫室大棚進行合理的管理，指導農民科學種植，提高作物產量。這些人工智能技術的使用推進了農業現代化的發展，提高了農業生產的效率，使農業生產更加機械化、自動化、規范化。

專家系統是指應用于某一專門領域，擁有該領域相當數量的專家級知識，能模擬專家的思維，能達到專家級水平，能像專家一樣解決困難和復雜問題的計算機（軟件）系統。國際上農業專家系統的研究始于20世紀70年代末期的美國，1983年日本千葉大學研制出MTCCS（番茄病蟲害診斷專家系統），到了20世紀80年代中期，農業專家系統不再是單一的病蟲害診斷系統，美國、日本、中國等國家也相繼轉向開發涉及農業生產管理、經濟分析、生態環境等方面的農業專家系統。農業科研人員把人工智能中的專家系統技術應用到農業生產中，開發出了農業專家系統。它可代替農業專家走進生產溫室，在各地區具體指導農民科學種植農作物，這是科技普及的一項重大突破。

在設施生產中可以使用機器人來代替農民進行作物采收，不僅可以降低勞動成本，也可以提高工作效率。Wolfgang Heinemann等人研發出的具有獨特設計結構的采收機器人，該機器人可以在無需人類干擾的情況下自動采收白蘆筍。為了保證機器人能夠精確行進，它使用了2個獨立的速度控制輪和級聯控制結構（其中包含了一個內部的定位誤差控制器和一個外部的橫向偏置控制器）。借助PID算法①，機器人系統可以分析自己的運動軌跡，優化驅動電機的控制參數，保證系統能夠穩定自主的運行。

在中國，應用人工智能技術的智能雜草識別噴霧系統已經得到了長足發展。圖像分析系統通過分析田間圖像的顏色模型，根據色差分量②顏色特征實現雜草實時識別，并基于Canny算子對識別到的雜草進行邊緣檢測，提取其特征參數，配合超生測距等技術可以精確控制噴頭位置及用藥量[7]。該技術的應用可以大大提高除草劑的經濟性，對保護環境也大有益處。

人工智能技術在產后階段的應用

人工智能技術在設施農業產后階段也有相當多的應用前景。

在農產品分類方面人工智能技術能提供很好的支持。張嘏偉[8]等提出了一種基于圖像識別的番茄分類方法，該方法根據番茄的表面缺陷、顏色、形狀和大小，使用遺傳算法訓練的多層前饋神經網絡對番茄進行分類，并與BP訓練神經網絡③進行了比較。結果表明，遺傳算法在訓練次數和準確性上都具有優勢。謝靜[9]等對圖像識別分類中的圖像預處理方法進行了研究，包括圖像噪聲去除方法、圖像分割方法、邊緣提取方法等。提出了使用改進的canny算法④和當量直徑法相結合來檢測水果大小的新思路，并使用模糊聚類方法處理gabor濾波器提取水果表面缺陷特征，對水果表面缺陷進行了分類。

隨著社會的發展，人民生活水平的提高，廣大消費者及國家都對食品安全問題越來越重視，農產品質量檢測方法也在不斷進步。圖像識別、電子鼻等技術都應用在了農產品檢測中。李洪濤[10]等利用人工嗅覺裝置，模擬人的嗅覺形成過程分析、識別和檢測農產品在腐敗過程中釋放的不同特征氣體。其制作了小型化的傳感器陣列并利用半導體制冷片搭建了一個PID溫度控制系統，保證傳感器正常工作的溫度及濕度。在當前技術的發展下，科學家們以彩色計算機視覺系統為重要技術手段，綜合運用圖像處理、人工神經網絡、遺傳算法、模擬退火算法以及決策樹、專家系統等人工智能領域的技術，研究出了眾多實現農產品品質檢測和自動分級的新方法。

草莓、葡萄等農產品很容易破損和受傷，依靠人工采摘和搬運，不僅增加了勞動成本，也影響農產品采摘后的品質。結合磁流變（MR）流體技術，工程師們設計出了一種可用于搬運農產品的磁機器人手爪，該手爪經過精確設計，可以搬運胡蘿卜、草莓、西蘭花和葡萄等不同形狀食品，而且不會在食物表面留下任何淤痕和凹陷。為了讓機器人手爪更為快速、準確地工作，在磁流變手爪的基礎上結合力傳感技術開發出了更為靈活、智能的新型手爪。該手爪可在410～530 ms內抓握50～700 g重量的農作物，還能顯著減少細菌的交叉感染。

人工智能發展前景

近年來，人工智能技術已經取得了長足的進步，語音識別、自然語言識別、計算機視覺、自動推理、數據挖掘、機器學習以及機器人學都在蓬勃發展。人工智能的未來就是在智能感知的前提下，結合大數據技術自主學習，橢人們做出決策、代替重復性工作。在農業方面出現全天候全自動平臺，實現農業生產的全自動化[11]。物聯網技術在設施農業中已經得到普及，在溫室大棚中的大量智能傳感器是機器感知的基礎，而感知則是智能實現的前提之一，通過感知，農業數據源源不斷地匯集在一起。云計算的發展為大數據存儲和大規模并行計算提供了可能[12]，而數據則是機器學習的書本。設施農業是物聯網、云計算、人工智能三大技術結合應用的領域之一，它們的結合顛覆了傳統農業生產方式。

面對眾多的新技術、新成果，把它們投入到生產中去才是關鍵。如何讓技術能夠適應中國復雜的農業生產環境，同時還要面對不同知識水平的用戶，這些都是人工智能技術、云計算技術等高新技術在農業生產中所面臨的問題。設施農業高產出高投入的特點，正適合應用這些新技術，這樣既可以讓新技術有實踐的機會，又可以讓其他涉農用戶對新技術有直觀的感知，這對技術進步和技術推廣都很有幫助[13]。

人工智能技術雖然前景光明，但其應用的研究才剛剛起步，離目標還很遠。未來，人工智能技術可以更好地為人們服務，改善人們的生活，并帶來巨大的社會和經濟效益[14]。在人工智能的引領下，農業已邁入數字和信息化的嶄新時代，借助其技術優勢來提高農業生產的經濟效益，是全面實現農業生產現代化、智能化、信息化的必由之路。

參考文獻

[1]李雪，肖淑蘭，趙文忠，等.信息技術在農業領域的應用分析[J].東北農業大學學報，2008，39（3）：125-128.

[2]施連敏，陳志峰，蓋之華，等.物聯網在智慧農業中的應用[J].農機化研究，2013（6）：250-252.

[3]劉現，鄭回勇，施能強，等.人工智能在農業生產中的應用進展[J].福建農業學報，2013，28（6）：609-614.

[4]姜芳，曾碧翼.設施農業物聯網技術的應用探討與發展建議[J].農業網絡信息，2013（5）：10-12.

[5]陳超，張敏，宋吉軒，等.我國設施農業現狀與發展對策分析[J].河北農業科學，2008，12（11）：99-101.

[6]鄒承俊.物聯網技術在蔬菜溫室大棚生產中的應用[J].物聯網技術，2013（8）：18-24.

[7]石禮娟.基于可見光/近紅外光譜的稻米質量快速無損檢測研究[D].武漢：華中農業大學，2011.

[8]張嘏偉.計算機視覺系統在番茄品質識別與分類中的研究[D].保定：河北農業大學，2005.

[9]謝靜.基于計算機視覺的蘋果自動分級方法研究[D].合肥：安徽農業大學，2011.

[10]李洪濤.基于農產品品質檢測的專用電子鼻系統的設計與研究[D].杭州：浙江大學，2010.

[11]張震，劉學瑜.我國設施農業發展現狀與對策[J].農業經濟問題，2015（5）：64-70.

[12]施連敏.物聯網在智慧農業中的應用[J].農機化研究，2013（6）：250-252.

篇10

關鍵詞 計算機應用 電子攝像頭技術 網絡傳輸

中圖分類號：TP391.4 文獻標識碼：A

1 電子攝像技術概述

電子攝像系統已廣泛應用于軍用及民用測繪系統中，但是效果受到其載體不同時刻姿態變化或震動的影響。當工作環境比較惡劣，尤其是在航空或野外操作時，支撐攝像機平臺的震動會引起圖像畫面的抖動，令觀察者視覺疲勞，從面產生漏警和虛警。所以在運行中，如何穩像成為十分重要的問題，特別是在長焦距、高分辨力的監視跟蹤系統中更加突出。 電子攝像表現為實用性強、體積小巧等特點，它利用計算機、圖像處理、模式識別和計算機視覺技術，在視頻源的關鍵信息提取和分析、檢測和處理異常信息以及監測現場強大數據的處理。電子攝像系統是視頻監控系統的直接體現和發展趨勢。

紐約市政大樓于二十世紀九十年代，安裝了第一套電子攝像系統用于監控，并由專門的人員負責監控屏幕，系統僅局限于整個建筑。本系統突破了完全由員工在每個監視處點對點的傳統模式，并將監控任務從復雜的安全巡邏、路線、規章制度等等轉變成在控制室和幾個監視屏幕前完成。這是開始的視頻監控時代。電子攝像系統在短時間內，從最早的模擬監控到幾年前數字監控到現在蓬勃發展的網絡視頻監控，發生了翻天覆地的變化。在IP技術逐步統一的今天，我們有必要了解電子攝像系統的發展歷史。從技術的角度來看，電子攝像系統開發分為第一代模擬電子攝像系統（CCTV），第二代是基于“PC +多媒體卡”的數字視頻監控系統（DVR），第三代全電子攝像系統基于IP網絡（IPVS）。

2 電子攝像技術存在的缺陷分析

近年來，隨著國民經濟的快速增長，銀行、電力、交通、安全、軍事設施和其他領域的安全報警系統，要求越來越高，視頻監控在生產和生活的所有方面有著非常廣泛的應用。智能視頻監控系統正成為越來越多的國內外學者關注的焦點。視頻監控系統涉及到許多領域，在交通運輸、軍事和其他地方已經取得了一些研究成果。盡管監控系統已廣泛存在于銀行、購物中心、公共場所，如車站、交通路口，實際監測任務仍需要更多的人工完成，現有的視頻監控系統通常是記錄的視頻圖像，提供的信息是沒有任何解釋的視頻圖像，只能用作證據，沒有充分發揮監控的實時性和主動性。為了達到實時分析、跟蹤和監控對象，并提示當異常事件發生時作出報告，為政府主管部門正確的行動提供保障，“智能”視頻監控尤為重要。“智能監控系統可以使攝像機捕獲的信息通過計算機網絡傳遞到整個系統軟件，實現遠程智能的監控。

傳統的基于“攝像機-圖像采集卡-計算機”模式的穩像系統、圖像檢測和匹配算法全部由計算機以軟件方式實現。 盡管當今計算機的性能很高，能夠部分滿足單傳感器電子穩系統的實時處理要求，但在以下幾個方面有著難以解決的問題：首先，其固有的串行工作方式使得單計算機難以適應其于多傳感器視頻處理系統的實時穩像，阻礙了在實際中的應用，傳統的圖像采集卡中能將采集圖像數據實時傳輸給計算機，而不能傳輸給標準接口的視頻監視設備，很多應用場合對聽要求很高。因此，研制專用的電子穩像平臺，既能實時地高速獲取視頻數據，又能將數據實時地傳后續的圖像處理系統，既有實際意義又有工程價值。智能電子攝像頭監控系統在許多場合發揮重要的作用，不斷發展更多的智能。然而，在努力發展其智能的同時，系統可靠性的問題也不容忽視。只有可靠的視頻監控系統，才可以準確地發現危險情況和采取措施的時間。

3 電子攝像技術的應用分析

電子攝像頭智能分析技術和產品現在在高端安全監控市場已經應用多年。在機場、監獄、軍事基地和其他大型基礎設施監測有成功的案例。在一些大型的基礎設施，如機場、周圍對象太分散，一個或多個人可以完成監控周邊。這個系統將智能視頻分析單元，在前面的攝像頭，實時視頻分析單元，通常嵌入式產品、特點的分析和結果在需要上傳到監控中心。這是一個典型的分布式系統架構。當我們做智能視頻圖像分析的固定場景，當這個被廣泛使用，該系統具有實時分析，分析結果和速度的算法不受交通聯系。另一種系統通常是集中在個人計算機終端算法，監控中心可以整合更多算法同時運行。一般來說，一個算法為一個特定的內容分析。和個人電腦可以集成各種算法，綜合分析的內容將更加豐富，效果更好。在監控系統技術中區別不同的產品，系統可以根據分析的內容使用不同的算法和不同的輸出結果。

從加入WTO以來，智能電子視頻分析技術得到了快速的發展，它的使用是慢慢滲透到各種行業。智能電子相機應用程序通常可以分為安全相關應用程序和非安全相關應用兩大類。比如：有函數的視頻分析攝像機、視頻編碼器可以充分發揮它的功能，它可以自動檢測在某些地方進入或離開一個地區或一個特定時間的可疑對象。安全相關應用是目前市場上主要的智能視頻應用程序。應用程序在安全領域安全部門主要是協助政府或其他機構改善戶外大型區域安全保護的公共環境。

4 電子攝像技術的發展趨勢

電子攝像技術在現代社會應用，已經達到一個相對穩定和成熟的系統模式。數字視頻監控系統，視頻監控和數字網絡監控系統集成一體。目前的情況是，我們需要從以下幾個方面來推動發展電子攝像技術。