時間：2023-03-21 17:03:27
導語：在圖像分析論文的撰寫旅程中，學習并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優秀范文，愿這些內容能夠啟發您的創作靈感，引領您探索更多的創作可能。
論文摘要：隨著醫學成像和計算機輔助技術的發展，從二維醫學圖像到三維可視化技術成為研究的熱點，本文介紹了醫學圖像處理技術的發展動態，對圖像分割、紋理分析、圖像配準和圖像融合技術的現狀及其發展進行了綜述。在比較各種技術在相關領域中應用的基礎上，提出了醫學圖像處理技術發展所面臨的相關問題及其發展方向。
1．引言
近20多年來，醫學影像已成為醫學技術中發展最快的領域之一，其結果使臨床醫生對人體內部病變部位的觀察更直接、更清晰，確診率也更高。20世紀70年代初，X-CT的發明曾引發了醫學影像領域的一場革命，與此同時，核磁共振成像象(MRI:MagneticResonanceImaging)、超聲成像、數字射線照相術、發射型計算機成像和核素成像等也逐步發展。計算機和醫學圖像處理技術作為這些成像技術的發展基礎，帶動著現代醫學診斷正產生著深刻的變革。各種新的醫學成像方法的臨床應用，使醫學診斷和治療技術取得了很大的進展，同時將各種成像技術得到的信息進行互補，也為臨床診斷及生物醫學研究提供了有力的科學依據。
在目前的影像醫療診斷中,主要是通過觀察一組二維切片圖象去發現病變體,往往需要借助醫生的經驗來判定。至于準確的確定病變體的空間位置、大小、幾何形狀及與周圍生物組織的空間關系,僅通過觀察二維切片圖象是很難實現的。因此,利用計算機圖象處理技術對二維切片圖象進行分析和處理,實現對人體器官、軟組織和病變體的分割提取、三維重建和三維顯示,可以輔助醫生對病變體及其它感興趣的區域進行定性甚至定量的分析,可以大大提高醫療診斷的準確性和可靠性。此外,它在醫療教學、手術規劃、手術仿真及各種醫學研究中也能起重要的輔助作用。
本文對醫學圖像處理技術中的圖像分割、紋理分析、圖像配準和圖像融合技術的現狀及其發展進行了綜述。
2．醫學圖像三維可視化技術
2.1三維可視化概述
醫學圖像的三維可視化的方法很多，但基本步驟大體相同，如圖.。從#$/&’(或超聲等成像系統獲得二維斷層圖像，然后需要將圖像格式（如0(#1&）轉化成計算機方便處理的格式。通過二維濾波，減少圖像的噪聲影響，提高信噪比和消除圖像的尾跡。采取圖像插值方法，對醫學關鍵部位進行各向同性處理，獲得體數據。經過三維濾波后，不同組織器官需要進行分割和歸類，對同一部位的不同圖像進行配準和融合，以利于進一步對某感興趣部位的操作。根據不同的三維可視化要求和系統平臺的能力，選擇不同的方法進行三維體繪制，實現三維重構。
2.2關鍵技術：
圖像分割是三維重構的基礎，分割效果直接影像三維重構的精確度。圖像分割是將圖像分割成有意義的子區域，由于醫學圖像的各區域沒有清楚的邊界，為了解決在醫學圖像分割中遇到不確定性的問題，引入模糊理論的模糊閥值、模糊邊界和模糊聚類等概念。快速準確的分離出解剖結構和定位區域位置和形狀，自動或半自動的圖像分割方法是非常重要的。在實際應用中有聚類法、統計學模型、彈性模型、區域生長、神經網絡等適用于醫學圖像分割的具體方法。
由于可以對同一部位用不同的成像儀器多次成像，或用同一臺儀器多次成像，這樣產生了多模態圖像。多模態圖像提供的信息經常相互覆蓋和具有互補性，為了綜合使用多種成像模式以提供更全面的信息，需要對各個模態的原始圖像進行配準和數據融合，其整個過程稱為數據整合。整合的第一步是將多個醫學圖像的信息轉換到一個公共的坐標框架內的研究，使多幅圖像在空間域中達到幾何位置的完全對應，稱為三維醫學圖像的配準問題。建立配準關系后，將多個圖像的數據合成表示的過程，稱為融合。在醫學應用中，不同模態的圖像還提供了不互相覆蓋的結構互補信息，比如，當CT提供的是骨信息，MRI提供的關于軟組織的信息，所以可以用邏輯運算的方法來實現它們圖像的合成。
當分割歸類或數據整合結束后，對體數據進行體繪制。體繪制一般分為直接體繪制和間接體繪制，由于三維醫學圖像數據量很大，采用直接體繪制方法，計算量過重，特別在遠程應用和交互操作中，所以一般多采用間接體繪制。在圖形工作站上可以進行直接體繪制，近來隨著計算機硬件快速發展，新的算法，如三維紋理映射技術，考慮了計算機圖形硬件的特定功能及體繪制過程中的各種優化方法，從而大大地提高了直接體繪制的速度。體繪制根據所用的投影算法不同加以分類，分為以對象空間為序的算法（又稱為體素投影法）和以圖像空間為序的算法!又稱為光線投射法"，一般來說，體素投影法繪制的速度比光線投射法快。由于三維醫學圖像的繪制目的在于看見內部組織的細節，真實感并不是最重要的，所以在醫學應用中的繪制要突出特定診斷所需要的信息，而忽略無關信息。另外，高度的可交互性是三維醫學圖像繪制的另一個要求，即要求一些常見操作，如旋轉，放大，移動，具有很好的實時性，或至少是在一個可以忍受的響應時間內完成。這意味著在醫學圖像繪制中，繪制時間短的可視化方法更為實用。
未來的三維可視化技術將與虛擬現實技術相結合，不僅僅是獲得體數據的工具，更主要的是能創造一個虛擬環境。
3．醫學圖像分割
醫學圖像分割就是一個根據區域間的相似或不同把圖像分割成若干區域的過程。目前,主要以各種細胞、組織與器官的圖像作為處理的對象，圖像分割技術主要基于以下幾種理論方法。
3.1基于統計學的方法
統計方法是近年來比較流行的醫學圖像分割方法。從統計學出發的圖像分割方法把圖像中各個像素點的灰度值看作是具有一定概率分布的隨機變量,觀察到的圖像是對實際物體做了某種變換并加入噪聲的結果,因而要正確分割圖像,從統計學的角度來看,就是要找出以最大的概率得到該圖像的物體組合。用吉布斯（Gibbs）分布表示的Markov隨機場(MRF)模型,能夠簡單地通過勢能形式表示圖像像素之間的相互關系,因此周剛慧等結合人腦MR圖像的空間關系定義Markov隨機場的能量形式,然后通過最大后驗概率(MAP)方法估計Markov隨機場的參數,并通過迭代方法求解。層次MRF采用基于直方圖的DAEM算法估計標準有限正交混合(SFNM)參數的全局最優值,并基于MRF先驗參數的實際意義,采用一種近似的方法來簡化這些參數的估計。林亞忠等采用的混合金字塔Gibbs隨機場模型,有效地解決了傳統最大后驗估計計算量龐大和Gibbs隨機場模型參數無監督及估計難等問題,使分割結果更為可靠。
3.2基于模糊集理論的方法
醫學圖像一般較為復雜，有許多不確定性和不精確性，也即模糊性。所以有人將模糊理論引入到圖像處理與分析中，其中包括用模糊理論來解決分割問題。基于模糊理論的圖形分割方法包括模糊閾值分割方法、模糊聚類分割方法等。模糊閾值分割技術利用不同的S型隸屬函數來定義模糊目標，通過優化過程最后選擇一個具有最小不確定性的S函數，用該函數表示目標像素之間的關系。這種方法的難點在于隸屬函數的選擇。模糊C均值聚類分割方法通過優化表示圖像像素點與C各類中心之間的相似性的目標函數來獲得局部極大值，從而得到最優聚類。Venkateswarlu等[改進計算過程，提出了一種快速的聚類算法。
3.2.1基于模糊理論的方法
模糊分割技術是在模糊集合理論基礎上發展起來的,它可以很好地處理MR圖像內在的模糊性和不確定性,而且對噪聲不敏感。模糊分割技術主要有模糊閾值、模糊聚類、模糊邊緣檢測等。在各種模糊分割技術中,近年來模糊聚類技術,特別是模糊C-均值(FCM)聚類技術的應用最為廣泛。FCM是一種非監督模糊聚類后的標定過程,非常適合存在不確定性和模糊性特點的MR圖像。然而,FCM算法本質上是一種局部搜索尋優技術,它的迭代過程采用爬山技術來尋找最優解,因此容易陷入局部極小值,而得不到全局最優解。近年來相繼出現了許多改進的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研究熱點。FFCM算法對傳統FCM算法的初始化進行了改進,用K-均值聚類的結果作為模糊聚類中心的初值,通過減少FCM的迭代次數來提高模糊聚類的速度。它實際上是兩次尋優的迭代過程,首先由K-均值聚類得到聚類中心的次最優解,再由FCM進行模糊聚類,最終得到圖像的最優模糊分割。
3.2.2基于神經網絡的方法
按拓撲機構來分,神經網絡技術可分為前向神經網絡、反饋神經網絡和自組織映射神經網絡。目前已有各種類型的神經網絡應用于醫學圖像分割,如江寶釧等利用MRI多回波性,采用有指導的BP神經網絡作為分類器,對腦部MR圖像進行自動分割。而Ahmed和Farag則是用自組織Kohenen網絡對CT/MRI腦切片圖像進行分割和標注,并將具有幾何不變性的圖像特征以模式的形式輸入到Kohenen網絡,進行無指導的體素聚類,以得到感興趣區域。模糊神經網絡(FNN)分割技術越來越多地得到學者們的青睞,黃永鋒等提出了一種基于FNN的顱腦MRI半自動分割技術,僅對神經網絡處理前和處理后的數據進行模糊化和去模糊化,其分割結果表明FNN分割技術的抗噪和抗模糊能力更強。
3.2.3基于小波分析的分割方法
小波變換是近年來得到廣泛應用的一種數學工具，由于它具有良好的時一頻局部化特征、尺度變化特征和方向特征，因此在圖像處理上得到了廣泛的應用。
小波變換和分析作為一種多尺度多通道分析工具，比較適合對圖像進行多尺度的邊緣檢測，典型的有如Mallat小波模極大值邊緣檢測算法[6
3.3基于知識的方法
基于知識的分割方法主要包括兩方面的內容:(1)知識的獲取,即歸納提取相關知識,建立知識庫；(2)知識的應用,即有效地利用知識實現圖像的自動分割。其知識來源主要有:(1)臨床知識,即某種疾病的癥狀及它們所處的位置；(2)解剖學知識,即某器官的解剖學和形態學信息,及其幾何學與拓撲學的關系,這種知識通常用圖譜表示；(3)成像知識,這類知識與成像方法和具體設備有關；(4)統計知識,如MI的質子密度(PD)、T1和T2統計數據。Costin等提出了一種基于知識的模糊分割技術,首先對圖像進行模糊化處理,然后利用相應的知識對各組織進行模糊邊緣檢測。而謝逢等則提出了一種基于知識的人腦三維醫學圖像分割顯示的方法。首先,以框架為主要表示方法,建立完整的人腦三維知識模型,包含腦組織幾何形態、生理功能、圖像灰度三方面的信息；然后,采用“智能光線跟蹤”方法,在模型知識指導下直接從體積數據中提取并顯示各組織器官的表面。
3.4基于模型的方法
該方法根據圖像的先驗知識建立模型,有動態輪廓模型(ActiveContourModel,又稱Snake)、組合優化模型等,其中Snake最為常用。Snake算法的能量函數采用積分運算,具有較好的抗噪性,對目標的局部模糊也不敏感,但其結果常依賴于參數初始化,不具有足夠的拓撲適應性,因此很多學者將Snake與其它方法結合起來使用,如王蓓等利用圖像的先驗知識與Snake結合的方法,避開圖像的一些局部極小點,克服了Snake方法的一些不足。Raquel等將徑向基網絡(RBFNNcc)與Snake相結合建立了一種混合模型,該模型具有以下特點:(1)該混合模型是靜態網絡和動態模型的有機結合；(2)Snake的初始化輪廓由RBFNNcc提供；(3)Snake的初始化輪廓給出了最佳的控制點；(4)Snake的能量方程中包含了圖像的多譜信息。Luo等提出了一種將livewire算法與Snake相結合的醫學圖像序列的交互式分割算法,該算法的特點是在少數用戶交互的基礎上,可以快速可靠地得到一個醫學圖像序列的分割結果。
由于醫學圖像分割問題本身的困難性，目前的方法都是針對某個具體任務而言的，還沒有一個通用的解決方法。綜觀近幾年圖像分割領域的文獻，可見醫學圖像分割方法研究的幾個顯著特點：（1）學者們逐漸認識到現有任何一種單獨的圖像分割算法都難以對一般圖像取得比較滿意的結果，因而更加注重多種分割算法的有效結合；（2）在目前無法完全由計算機來完成圖像分割任務的情況下，半自動的分割方法引起了人們的廣泛注意，如何才能充分利用計算機的運算能力，使人僅在必要的時候進行必不可少的干預，從而得到滿意的分割結果是交互式分割方法的核心問題；（3）新的分割方法的研究主要以自動、精確、快速、自適應和魯棒性等幾個方向作為研究目標，經典分割技術與現代分割技術的綜合利用（集成技術）是今后醫學圖像分割技術的發展方向。
4．醫學圖像配準和融合
醫學圖像可以分為解剖圖像和功能圖像2個部分。解剖圖像主要描述人體形態信息，功能圖像主要描述人體代謝信息。為了綜合使用多種成像模式以提供更全面的信息，常常需要將有效信息進行整合。整合的第一步就是使多幅圖像在空間域中達到幾何位置的完全對應，這一步驟稱為“配準”。整合的第二步就是將配準后圖像進行信息的整合顯示，這一步驟稱為“融合”。
在臨床診斷上，醫生常常需要各種醫學圖像的支持，如CT、MRI、PET、SPECT以及超聲圖像等，但無論哪一類的醫學圖像往往都難以提供全面的信息，這就需要將患者的各種圖像信息綜合研究19]，而要做到這一點，首先必須解決圖像的配準(或叫匹配)和融合問題。醫學圖像配準是確定兩幅或多幅醫學圖像像素的空間對應關系；而融合是指將不同形式的醫學圖像中的信息綜合到一起，形成新的圖像的過程。圖像配準是圖像融合必需的預處理技術，反過來，圖像融合是圖像配準的一個目的。
4.1醫學圖像配準
醫學圖像配準包括圖像的定位和轉換，即通過尋找一種空間變換使兩幅圖像對應點達到空間位置上的配準，配準的結果應使兩幅圖像上所有關鍵的解剖點或感興趣的關鍵點達到匹配。20世紀90年代以來，醫學圖像配準的研究受到了國內外醫學界和工程界的高度重視，1993年Petra等]綜述了二維圖像的配準方法，并根據配準基準的特性，將圖像配準的方法分為兩大類：基于外部特征（有框架）的圖像配準和基于內部特征（無框架）的圖像配準。基于外部特征的方法包括立體定位框架法、面膜法及皮膚標記法等。基于外部特征的圖像配準，簡單易行，易實現自動化，能夠獲得較高的精度，可以作為評估無框架配準算法的標準。但對標記物的放置要求高，只能用于同一患者不同影像模式之間的配準，不適用于患者之間和患者圖像與圖譜之間的配準，不能對歷史圖像做回溯性研究。基于內部特征的方法是根據一些用戶能識別出的解剖點、醫學圖像中相對運動較小的結構及圖像內部體素的灰度信息進行配準。基于內部特征的方法包括手工交互法、對應點配準法、結構配準法、矩配準法及相關配準法。基于內部特征的圖像配準是一種交互性方法，可以進行回顧性研究，不會造成患者不適，故基于內部特征的圖像配準成為研究的重點。
近年來，醫學圖像配準技術有了新的進展，在配準方法上應用了信息學的理論和方法，例如應用最大化的互信息量作為配準準則進行圖像的配準，在配準對象方面從二維圖像發展到三維多模醫學圖像的配準。例如Luo等利用最大互信息法對CT-MR和MR-PET三維全腦數據進行了配準，結果全部達到亞像素級配準精度。在醫學圖像配準技術方面引入信號處理技術，例如傅氏變換和小波變換。小波技術在空間和頻域上具有良好的局部特性，在空間和頻域都具有較高的分辨率，應用小波技術多分辨地描述圖像細貌，使圖像由粗到細的分級快速匹配，是近年來醫學圖像配準的發展之一。國內外學者在這方面作了大量的工作，如Sharman等提出了一種基于小波變換的自動配準剛體圖像方法，使用小波變換獲得多模圖像特征點然后進行圖像配準，提高了配準的準確性。另外，非線性配準也是近年來研究的熱點，它對于非剛性對象的圖像配準更加適用，配準結果更加準確。
目前許多醫學圖像配準技術主要是針對剛性體的配準，非剛性圖像的配準雖然已經提出一些解決的方法，但同剛性圖像相比還不成熟。另外，醫學圖像配準缺少實時性和準確性及有效的全自動的配準策略。向快速和準確方面改進算法，使用最優化策略改進圖像配準以及對非剛性圖像配準的研究是今后醫學圖像配準技術的發展方向。
4.2醫學圖像融合
圖像融合的主要目的是通過對多幅圖像間的冗余數據的處理來提高圖像的可讀性,對多幅圖像間的互補信息的處理來提高圖像的清晰度。不同的醫學影像設備獲取的影像反映了不同的信息：功能圖像（SPECT、PET等）分辨率較差，但它提供的臟器功能代謝和血液流動信息是解剖圖像所不能替代的；解剖圖像（CT、MRI、B超等）以較高的分辨率提供了臟器的解剖形態信息，其中CT有利于更致密的組織的探測，而MRI能夠提供軟組織的更多信息。多模態醫學圖像的融合把有價值的生理功能信息與精確的解剖結構結合在一起，可以為臨床提供更加全面和準確的資料。
醫學圖像的融合可分為圖像融合的基礎和融合圖像的顯示。（1）圖像融合的基礎：目前的圖像融合技術可以分為2大類，一類是以圖像像素為基礎的融合法；另一類是以圖像特征為基礎的融合方法。以圖像像素為基礎的融合法模型可以表示為：
其中，為融合圖像，為源圖像，為相應的權重。以圖像特征為基礎的融合方法在原理上不夠直觀且算法復雜，但是其實現效果較好。圖像融合的步驟一般為：①將源圖像分別變換至一定變換域上；②在變換域上設計一定特征選擇規則；③根據選取的規則在變換域上創建融合圖像；④逆變換重建融合圖像。（2）融合圖像的顯示：融合圖像的顯示方法可分成2種：空間維顯示和時間維顯示。
目前，醫學圖像融合技術中還存在較多困難與不足。首先，基本的理論框架和有效的廣義融合模型尚未形成。以致現有的技術方法還只是針對具體病癥、具體問題發揮作用，通用性相對較弱。研究的圖像以CT、MRI、核醫學圖像為主，超聲等成本較低的圖像研究較少且研究主要集中于大腦、腫瘤成像等；其次，由于成像系統的成像原理的差異，其圖像采集方式、格式以及圖像的大小、質量、空間與時間特性等差異大，因此研究穩定且精度較高的全自動醫學圖像配準與融合方法是圖像融合技術的難點之一；最后，缺乏能夠客觀評價不同融合方法融合效果優劣的標準，通常用目測的方法比較融合效果，有時還需要利用到醫生的經驗。
在圖像融合技術研究中，不斷有新的方法出現，其中小波變換在圖像融合中的應用，基于有限元分析的非線性配準以及人工智能技術在圖像融合中的應用將是今后圖像融合研究的熱點與方向。隨著三維重建顯示技術的發展，三維圖像融合技術的研究也越來越受到重視，三維圖像的融合和信息表達，也將是圖像融合研究的一個重點。
5．醫學圖像紋理分析
一般認為圖像的紋理特征描述物體表面灰度或顏色的變化,這種變化與物體自身屬性有關,是某種紋理基元的重復。Sklansky早在1978年給出了一個較為適合于醫學圖像的紋理定義:“如果圖像的一系列固有的統計特性或其它的特性是穩定的、緩慢變化的或者是近似周期的,那么則認為圖像的區域具有不變的紋理”。紋理的不變性即指紋理圖像的分析結果不會受到旋轉、平移、以及其它幾何處理的影響。目前從圖像像素之間的關系角度,紋理分析方法主要包括以下幾種。
5.1統計法
統計分析方法主要是基于圖像像素的灰度值的分布與相互關系,找出反映這些關系的特征。基本原理是選擇不同的統計量對紋理圖像的統計特征進行提取。這類方法一般原理簡單,較易實現,但適用范圍受到限制。該方法主要適合醫學圖像中那些沒有明顯規則性的結構圖像,特別適合于具有隨機的、非均勻性的結構。統計分析方法中,最常用的是共生矩陣法,其中有灰度共生矩陣(graylevelco-occurrencematrix,GLCM)和灰度—梯度共生矩陣。杜克大學的R.Voracek等使用GLCM對肋間周邊區提取的興趣區(regionofinterest,ROI)進行計算,測出了有意義的紋理參數。另外,還有長游程法(runlengthmatrix,RLM),其紋理特征包括短游程優勢、長游程優勢、灰度非均勻化、游程非均勻化、游程百分比等,長游程法是對圖像灰度關系的高階統計,對于給定的灰度游程,粗的紋理具有較大的游程長度,而細的紋理具有較小的游程長度。
5.2結構法
結構分析方法是分析紋理圖像的結構,從中獲取結構特征。結構分析法首先將紋理看成是有許多紋理基元按照一定的位置規則組成的,然后分兩個步驟處理（1）提取紋理基元；（2）推論紋理基元位置規律。目前主要用數學形態學方法處理紋理圖像,該方法適合于規則和周期性紋理,但由于醫學圖像紋理通常不是很規則,因此該方法的應用也受到限制,實際中較少采用。
5.3模型法
模型分析方法認為一個像素與其鄰域像素存在某種相互關系,這種關系可以是線性的,也可以是符合某種概率關系的。模型法通常有自回歸模型、馬爾科夫隨機場模型、Gibbs隨機場模型、分形模型,這些方法都是用模型系數來表征紋理圖像,其關鍵在于首先要對紋理圖像的結構進行分析以選擇到最適合的模型,其次為如何估計這些模型系數。如何通過求模型參數來提取紋理特征,進行紋理分析,這類方法存在著計算量大,自然紋理很難用單一模型表達的缺點。
5.4頻譜法
頻譜分析方法主要基于濾波器理論，包括傅立葉變換法、Gabor變換法和小波變換法。
1973年Bajcsy使用傅立葉濾波器方法分析紋理。Indhal等利用2-D快速傅立葉變換對紋理圖像進行頻譜分析,從而獲得紋理特征。該方法只能完成圖像的頻率分解,因而獲得的信息不是很充分。1980年Laws對圖像進行傅氏變換,得出圖像的功率譜,從而提取紋理特征進行分析。
Gabor函數可以捕捉到相當多的紋理信息,且具有極佳的空間/頻域聯合分辨率,因此在實際中獲得了較廣泛的應用。小波變換法大體分金子塔形小波變換法和樹形小波變換法(小波包法)。
小波變換在紋理分析中的應用是Mallat在1989年首先提出的,主要用二值小波變換(DiscreteWaveletTransform,DWT),之后各種小波變換被用于抽取紋理特征。傳統的金字塔小波變換在各分解級僅對低頻部分進行分解,所以利用金字塔小波變換進行紋理特征提取是僅利用了紋理圖像低頻子帶的信息,但對某些紋理,其中高頻子帶仍含有有關紋理的重要特征信息(如對具有明顯的不規則紋理的圖像,即其高頻子帶仍含有有關紋理的重要特征)得不到利用。使用在每個分解級對所有的頻率通道均進行分解的完全樹結構小波變換提取特征,能夠較全面地提取有關紋理特征。
由于醫學圖像及其紋理的復雜性，目前還不存在通用的適合各類醫學圖像進行紋理分析的方法，因而對于各類不同特點的醫學圖像就必須采取有針對性地最適合的紋理分析技術。另外，在應用某一種紋理分析方法對圖像進行分析時，尋求最優的紋理特征與紋理參數也是目前醫學圖像紋理分析中的重點和難點。
6．總結
隨著遠程醫療技術的蓬勃發展，對醫學圖像處理提出的要求也越來越高。醫學圖像處理技術發展至今，各個學科的交叉滲透已是發展的必然趨勢，其中還有很多亟待解決的問題。有效地提高醫學圖像處理技術的水平，與多學科理論的交叉融合、醫務人員和理論技術人員之間的交流就顯得越來越重要。多維、多參數以及多模式圖像在臨床診斷（包括病灶檢測、定性，臟器功能評估，血流估計等）與治療（包括三維定位、體積計算、外科手術規劃等）中將發揮更大的作用。
參考文獻
[1]P.Suetens.FundamentalsofMedicalImaging[M].CambridgeUniversityPress，2002．
[2]劉俊敏，黃忠全，王世耕，張穎.醫學圖像處理技術的現狀及發展方向[J].醫療衛生設備，2005，Vol26
（12）：25-26.
[3]田婭，饒妮妮，蒲立新.國內醫學圖像處理技術的最新動態[J].電子科技大學學報，2002，Vol31（5）：
485-489.
[4]周剛慧，施鵬飛．磁共振圖像的隨機場分割方法[J]．上海交通大學學報，2001，Vol35（11）：1655．
[5]ZhangHM，YuanZJ，CaiZM.SegmentationofMRIusinghierarchicalmarkovrandomfield[J].Journalof
Software，2002，Vol13（9）：1779.
[6]林亞忠，陳武凡，楊豐.基于混合金字塔吉布斯隨機場模型的圖像分割[J].中國生物醫學工程學報，
2004，Vol23（1）：79.
[7]聶生東，陳瑛，顧順德．磁共振顱腦圖像快速模糊聚類分割算法研究[J]．中國生物醫學工程學報，2001，
Vol20（2）：104．
[8]江寶釧，張鈞良．基于BP神經網絡的MRI分割[J].微機發展，2000，Vol1：67.
[9]AhmedMN，FaragA.Two-stageneuralnetworkforvolumesegmentationofmedicalimages[J].Proceedings
ofIEEEInternationalConferenceonNeuralNetworks，1997，Vol28（3）：1373.
[10]黃永峰，岑康，司京玉等.模糊神經網絡在顱腦磁共振圖像分割中的應用研究[J].中國生物醫學工程
學報，2003，Vol22（6）：508.
[11]CostinH，RotariuCR.Knowledge-basedcontourdetectioninmedicalimagingusingfuzzylogic[J].
InternationalSymposiumonSCS’03，2003，1：273.
[12]謝逢，羅立民，田雪琴.基于知識的人腦三維醫學圖像分割顯示方法[J].生物醫學工程學雜志，1997，
Vol14（2）：124.
[13]王蓓，張立明.利用圖像先驗知識與Snake結合對心臟序列圖像的分割[J].復旦大學學報（自然科學
版），2003，Vol42（1）：81.
[14]RaquelVC，VeronicaMB，OscarYS.Couplingofradial-basisnetworkandactivecontourmodelformulti
spectralbrainMRIsegmentation[J].IEEETransactionsonBiomedicalEngineering，2004，Vol51（3）：459.
[15]LuoXP，TianJ，LinY.Analgorithmforsegmentationofmedicalimageseriesbasedonactivecontour
model[J].JournalofSoftware，2002，Vol13（6）：1050.
[16]HallpikeL，HawkesDJ.Medicalimageregistration:Anoverview[J].BrInstituteRadiol，2004，Vol14（6）：
455-463.
[17]PetraA，ElsenV.MedicalImagemaching:Areviewwithclassification[J].IEEETransMedImage，1993，
Vol12（3）：26-39.
[18]LuoShuo-qian，LiXiang.Implementationofmutualinformationbasedmulti-modalitymedicalimage
registration[A].EngMedBillSocProc22ndAnnIntConfIEEE[C].NavyPierConventionCenterChicago，
Illinois，USA：TheInstituteofElectricalandElectricalandElectronicsEngineers，Ind，2000，2：1447-1450.
[19]SharmanR，TylerJM，PianykhOL，etal.Afastandaccuratetomethodtoregistermedicalimagesusing
waveletmodulusmaxima[J].PattRecogLett，2000，21：447-462.
[20]LesterH，ArridgeSR.ASurveyofhierarchiclnon-linearmedicalimageregistration[J].PatternRecognition，
1999，32：129-149.
[21]盧健，胡志忠，楊如乃.醫學圖像融合技術的研究[J].上海生物醫學工程，2006，Vol27（3）：163-167.
[22]王新成.高級圖像處理技術[M].北京：中國科學技術出版社，2001.
[23]RVoracek，HPMcAdams，puterAidedDiagnosisofInterstitialLungDisease:aTexture
FeatureExtractionandClassificationApproach[J].ProcofSPIE，1998，3338：1502-1509.
關鍵詞：文本圖像處理；版面分割；投影法
中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2017）03-0164-02
目前，信息采集的多樣化，已嚴重威脅到了信息存儲的安全性。僅用一部手機，就可獲取與泄露重要的信息。對文本數據信息安全性的擔憂，促使了紙質文本圖像信息隱藏與提取方法的提出。這類方法的核心在于將安全標識信息，以特有的方式嵌入到文本圖像的文本區域中，這樣，如果發生信息泄露或者要找尋到泄露源，就可以通過分析文本區域中包含的安全標識信息，反向追蹤，查出泄漏源，或者通過安全標識信息，回收被泄露出去的信息。對于簡單的、只包含文本信息的文本圖像，目前的處理技術已比較成熟，能夠比較準確的將版面信息進行有效的分析，但是對于包含文本、圖形和圖像區域的復雜版面文本圖像，當前的處理技術尚不成熟，需要進一步提高。本文聚焦于復雜文本圖像分割方法研究。
版面分割的方法，大體上可以分為兩大類：層次式和非層次式的。層次式分割算法，主要有自頂向下和自底向上兩種算法。非層次式算法則主要是利用復雜的圖形圖像處理技術，根據其圖像特征，對文本圖像進行版面分割[1-4]。層次式方法中，游程平滑RLS（Run-length Smoothing）算法和投影輪廓切分PPC（Projection Profile Cut）算法是兩種有代表性且應用較廣泛的算法。而基于紋理分析的版面分析算法，則是將版面分析和版面區域類型識別結合實現的一種算法。但上述方法時間消耗較大，為此本文提出了一N簡單有效的分割方法。
1 提出的分類算法
首先，讀入待分類文本圖像，并對其格式轉換，確保圖像數據完整性，以防止丟失圖像數據；然后進行有效區域提取，剔除四周的空白無效區域，得到有效信息區。在此基礎上，對有效信息區進行二維坐標下的行投影，確定并統計、提取特征值，再根據統計得來的特征值，進行孤立行分析，并依據判定的孤立行，對文本圖像進行區域的粗分割，得到版面分析的粗分割結果。在上述過程中，可根據投影結果以及統計的特征值，完成對純文本區域、純圖像區域的分割工作。需要指出的是，本文著眼于復雜文本圖像，為此還須對區域粗分割得到的各個子區域，進行二維坐標下的列投影，再根據投影結果，判定子區域中是否存在分欄版面。完成以上步驟后，原本復雜的文本圖像版面就被分割為了多個簡單版面的文本圖像區，在此基礎上，再進行行、列投影，根據所得特征值分析與分類，區分出文本區、圖像區和圖形圖表區域，完成分割任務。具體流程見圖1。
本文采用特征7個特征統計分析文本圖像，各特征分別為：（1）行高，記錄投影行高度的值。本文對行進行投影，依據投影結果，計算二值化投影平均值發生改變的臨界點值，在臨界點值作運算，獲得行高值。 我們對各行高度值進行平均運算，在分別與各行高度作對比，進而初步確定異常區域；（2）行間距，行與行之間的間隔距離。此間距，由投影結果而得的下標值計算求得。在文本圖像中，行間距發生明顯變化的部分，往往為段落或者區域塊之間的分割標識，此處計算行間距，作為段落區分和區域塊區分的一個標識；（3）縮進率，文本與頁面邊界之間的距離。依據每一行的列投影結果，計算邊界至文本的距離占左右邊界之間距離的比率，求得縮進率。在文本圖像中，標題不同于其它文本行，往往存在較大縮進，或左縮進，或右縮進，或左右都有，為此可結合行高，完成對標題的判定。此外，段落中往往有首行縮進，段尾也常因字符無法填滿文本行而存在縮進，因此也可根據縮進率，判定段落區域；（4）行外接矩形填充率，在縮進的行區域塊中，有效信息區域占整個區域塊的比率。依據每一行的列投影結果值計算填充率。主要用來判斷一些特殊的文本行，如頁眉的判斷；（5）最大跳變位置，對文本行進行列投影時，坐標軸所示下標發生最大變化的區域位置。根據該特征，如果連續多行在相同位置都發生最大跳變，且跳變區內像素點平均值為1，則可以判定在該位置處存在分欄，此外，還可以根據最大跳變，判定是否存在異常區域；（6）行內信號跳變周期（頻率），對文本行進行列投影后，坐標軸上投影下標值發生周期性變化的周期或者頻率。根據此特征，可用來判定是否存在異常區域；（7）對齊方式，該特征用來衡量文本圖像中內容距離左右邊界的距離，具體有居中，左對齊和右對齊三種方式，可用來輔助計算縮進率，進而分割區域塊。分割結果舉例見圖2。
2 結語
文本圖像版面分析是對文本圖像處理的關鍵環節。針對上述問題，本文以文本圖像二維坐標下行列投影結果為基礎，提取并分析相關特征，提出了一種新的基于投影輪廓分析的版面有效分類方法。該方法通過對特征的綜合運算與分析完成復雜版面文本圖像的分析工作。驗證了方法的有效性及準確性。
參考文獻
[1]Kise K， Sato A， Iwata M. Segmentation of page images using the area Voronoi diagram[J]. Computer Vision Image Understanding，1998，70（3）： 370-382.（8-4）.
[2]楊洋，平西建.復雜版面的文本圖像圖文分割算法[J].微計算機信息，2006，22（5）：66-225.
中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2012)12-2882-04
Threshold Citrusimage Segmentation Research and Analysis
WANG Jun, ZHOU Li-juan
(Collegeof Information Science and Technology, Hunan Agricultural University, Changsha 410128, China)
Abstract：Image segmentation is an important and primary problem in the field of computer vision. The thesis puts forward a full set of cit? rus image segmentation algorithm, which adopts improved genetic algorithm combining with improved threshold method. The thesis, through simulation experiment, brings forward threshold scope which is more stable, and makes the image segmentation edges more dedi? cated.
Key words: navel orange; threshold segmentation; classes distance; improved genetic algorithm
圖像分割是計算機視覺領域的一個重要而且基本的問題。它在農產品無損檢測方面得到了廣泛的應用。圖像分割算法好壞會直接影響檢測系統的準確度。它是從圖像處理到圖像分析的一個關鍵步驟。對它的研究一直都是圖像技術研究中的熱點和焦點之一。但由于圖像的特殊性，針對具體圖像，針對具體問題，分割算法就不一樣，至今還沒有找到通用的分割理論，也沒有找到對所有圖像都適合的通用分割算法。
近幾年來，基于遺傳算法的圖像分割方法得到了很多學者的研究。由于遺傳算法在搜索方面具有很強的優勢，而圖像分割的實質是在眾多的參量中去尋找一個最優參量，以此作為分隔的依據。于是如果在圖像分割中引入遺傳算法去求取最佳閾值，將會大大提高分割效率。
本論文重點對基于傳統遺傳算法的圖像分割算法進行了比較系統的研究。針對傳統遺傳算法的不足，提出了一些改進措施，并且設計新的閾值確定方法——類類距離法，將兩者結合共同運用到臍橙圖像分割中，得到了比較好的效果。在最大程度上避免基本遺傳算法收斂性差，容易早熟等問題。
1臍橙圖像分割
對于臍橙出產大省湖南省，每年臍橙收獲完后的分類，分等級進行銷售是一項工作量龐大的任務。臍橙表面破損自動檢測系統就是基于計算機視覺技術研發而成，其檢測的精度較人工挑選有很大提高。該系統中臍橙圖像分割算法好壞會直接影響系統檢測臍橙表面是否破損的準確度。
通過特定裝置獲得比較清晰的彩色臍橙圖像后，對于表面有破損的臍橙，要進行篩選清理。進行破損部分比對前，要對彩色臍橙圖像先進行分割處理。把整幅圖像分成臍橙和背景兩部分，再提取臍橙部分的圖像進行破損分析。這要求將臍橙的邊緣和破損部分處理得非常清晰，最大可能的避免將破損區域誤分割成圖像背景。
2改進的遺傳算法
2.1控制參數改進
在遺傳算法中，直接影響到算法的收斂性的關鍵參數是：交叉概率與變異概率，它們的選取會影響到算法行為和性能。在適應度值變換的情況下將交叉概率與變異概率隨之調整，以達到保證算法收斂性的目的。于是我們對交叉概率和變異概率按照如下公式進行自動調整：
圖5本文提出的算法分割效果圖
從表1，圖2至圖5可以得出以下結論：
1)臍橙圖像利用遺傳算法來分割，每次運行所得閾值都在變化，但變化的范圍不是很大，只是在一定區域做細微波動。這種情況是正常的，也是完全可以接受的，其原因是由于遺傳算法隨機生產初始種群，這種隨機性就帶來了閾值的波動性。這也是遺傳算法不穩定性的體現。但從表中數據看出采用本文所設計的改進的遺傳算法，即交叉概率和變異概率隨適應度自動調整，那么分割的圖像所得到的閾值，其波動會限制在一個很小的范圍以內（穩定在4個像素以內,閾值最大為60，最小為57），這樣既保持了群體多樣性，又保證了遺傳算法的收斂性。同時其穩定性也明顯地優于其他算法。
2)利用本文所設計的類類距離遺傳算法進行圖像分割可以極大減少閾值計算時間，平均運算時間比起其他幾個常用方法都縮短了不少，平均僅在2.3s左右。在進化代數相同的條件下，本論文提出的圖像分割算法較其他算法更有優勢，收斂速度更快。
3)從圖2至圖5這幾個圖像分割結果圖來看，本文所設計的分割方法中對臍橙圖像中的破損部分，邊緣輪廓等細節都有非常好的體現，可見結合遺傳算法和類類距離法所設計出的圖像分割新算法比其他常用算法有很大的優勢。
本文通過改變的遺傳控制參數結合類類距離法，把改進后的遺傳算法應用到臍橙圖像分割中去。仿真實驗結果表明，此圖像分割算法由于所設計的尋找最優閾值的方案比較合理，閾值的計算時間縮短了，使得最終圖像分割所用時間明顯減少了。同時此方法還做到了將閾值范圍穩定在4個像素以內，大大提高了算法全局收斂的穩定性。而且從視覺角度來看，其分割效果更明顯，圖像邊緣處理很細致、清晰。實驗證明本論文設計的算法分割圖像不僅快速準確，而且還能滿足各種圖像的實時處理、分析的需求。具有較高的通用性和實用性。
[1]姚敏.數字圖像處理[M].北京:機械工業出版社,2006.
[2]孫艷歌,邵罕.基于改進遺傳算法的最優閾值圖像分割算法[J].信息系統工程,2010,10(6),26-27.
[3]童小念,劉娜.一種基于遺傳算法的最優閾值圖像分割算法[J].武漢理工大學學報：交通科學與工程版,2008,32(02),301-304.
[4]王強.圖像分割中閾值的選取研究及算法實現[J].計算機與現代化.2006(10).54-56.
[5]左奇,史忠科.基于模糊理論的圖像分割方法[J].西北工業大學學報,2003,(03):313-316.
[6]勞麗,吳效明,朱學峰.模糊集理論在圖像分割中的應用綜述[J].中國體視學與圖像分析,2006,11(3):200-205.
[7]曹芳,吳迪.基于可見-近紅外反射光譜技術的葡萄品種鑒別方法的研究[J].光學學報,2009,29(2),537-540.
關鍵詞：圖像拼接；Harris角點特征檢測
一、引言
數字圖像拼接技術主要包括三個重要步驟：圖像預處理、圖像配準和圖像融合[1]。其中圖像的預處理包括圖片去噪，圖像投影，圖像修正等；圖像配準是找出待拼接圖像的重疊部分并使其坐標對準；圖像融合是使重疊部分自然過度，消除拼痕；其中圖像配準是圖像配準的關鍵，它直接決定了拼接的準度和效果。
二、Harris角點檢測
1988年C.Harris和J.Stephens利用自相關函數的思想共同研究出了Harris角點檢測算法，先定義矩陣M
M=G?茚Ix2IxIyIxIy Iy2= （1）
式中Ix、Iy分別代表圖像I在x、y方向的梯度，G為高斯模板；?茚代表卷積：
=G?茚Ix2 ,,=G?茚IxIy （2）
在矩陣M的基礎上，角點響應函數CRF定義為：
CRF=det(M)-krace2(M),k=0.04
CRF=det(M)-krace2(M),k=0.04（3）
式中，det是矩陣的行列式；trace是矩陣的跡；k是常數，這里取0.04,CRF的局部最大值即為角點。使用Harris角點檢測算法對兩幅圖像分別提取角點后,接著就要進行圖像配準的工作。在兩幅圖像中以每個特征點為中心取一個(2N+1)×(2N+1)大小的相關窗,然后以參考圖像中的每個角點為參考點，在待拼接圖像中尋找對應的角點。通過計算特征點相關窗之間的相關系數[2]來實現圖像特征配準。
在具體實驗步驟中：1、對圖像中的每個像素點分別計算其x，y方向的一階導數和梯度；2、對上步操作中得到的三幅圖像進行高斯濾波；3：計算原始圖像上的角點響應函數值和相關系數；4：使用透視變換模型計算出待拼接圖像到參考圖像變換參數。5：使用漸入漸出法進行圖像融合[3]。
三、實驗結果
四、結論及展望
Harris角點檢測算法是一種簡潔、高效、提取的點特征均勻且合理的算法，由于Harris算子只涉及到一階導數，因此對圖像旋轉、灰度變換、噪聲影響和視點變換不敏感，但通過計算相關性特征來進行配準的準確率還有待提高。
參考文獻：
[1]邵向鑫.數字圖像拼接核心算法研究[D].中國博士論文數據庫，2010.
【論文關鍵詞】 腦源性神經營養因子；腦缺血；大鼠
【論文摘要】 目的：觀察CTP對局灶腦缺血大鼠BANF表達的影響。方法：應用免疫組化方法觀察不同缺血時間CTP治療組及腦缺血組BDNF陽性細胞數，并進行圖像分析。結果：CTP組及缺血組BDNF兩組細胞形態無明顯不同，但CTP治療組陽性細胞數顯著高于相應缺血對照組。結論：三磷酸胞苷可提高大鼠局灶腦缺血半暗帶區BDNF的表達水平。
近年研究表明三磷酸胞苷（Cytidine Triphosphate，CTP）為一種促進神經細胞修復和再生的藥物。本研究用大鼠大腦中動脈閉塞（middle cerebral artery occlusion， MCAO）模型研究CTP對局灶腦缺血腦源性神經營養因子（brain-derived neurotrophic factor，BDNF）表達的影響，借以觀察CTP對缺血損傷腦組織可塑性的影響。
1 材料與方法
SD大鼠96只，隨機分為正常對照組、假手術組、缺血組及CTP組。采用頸內動脈線栓法制作局灶性腦缺血模型。CTP組應用CTP腹腔注射，劑量0．7mg／kg，每日一次。缺血組及CTP組分別在缺血6h、24h、3d、5d及7d取材，正常對照組及假手術組則均在實驗開始后第7日取材，BDNF免疫組化染色采用ABC法。圖像分析：取視交叉水平的腦片置于400倍纖維鏡下觀察，計算機自動計數每視野陽性細胞數。對以上所獲得的數據進行統計學處理，實驗組及假手術組與正常對照組均數比較采用單因素方差分析，缺血組與CTP組之間均數比較采用配對t檢驗。
2 結果
CTP治療后，BDNF陽性神經元數量顯著增加。缺血組與CTP組配對t檢驗結果顯示，CTP治療組BDNF陽性神經元數顯著高于相應缺血對照組，P＜0.001。假手術組與正常對照組比較P＞0．05，二組間無顯著差異；單因素方差分析顯示，CTP組與正常對照組比較，P＜0.001。
3 討論
BDNF是1982年Barde及其同道由豬腦提取液獲得的一種神經營養因子，主要分布在中樞神經系統，周圍神經系統等區域也有少量分布[1]，其功能為促進和維持一級感覺神經元的存活和突起的生長。CTP系核苷酸類衍生物[2]，研究表明CTP具有多種藥理作用：（1）神經營養作用：CTP可促進神經細胞的物質、能量代謝，支持神經元存活，延緩神經細胞衰老，提高細胞的抗損傷能力，促進神經突起的生長。（2）調節物質代謝作用：作為原料及能量物質，可促進細胞內磷脂、脂肪以及核酸和蛋白質的合成代謝。調節細胞生物膜性結構的合成與改建[3]，增強細胞的生物活性，提高神經細胞膜的合成率[2]。（3）抗血管硬化作用：調節血管壁細胞的磷脂、核酸和蛋白質代謝，增強血管細胞的活性及再生和修復能力，提高細胞的抗損能力，改善支配血管的神經功能，延緩血管硬化。大鼠局灶腦缺血后，缺血中心區的神經元很快即可陷入不可逆性壞死，而其周邊部存在半暗帶，半暗帶區神經元呈缺血改變，若不加以干預，隨著缺血時間延長，壞死中心區不斷向周圍擴大，半暗帶區不斷縮小。本實驗表明，應用CTP治療后，半暗帶區BDNF表達明顯增強，對缺血大腦組織起到支持存活、延緩死亡、增強修復再生能力的作用。由此可見，CTP能有效阻止梗塞灶進一步擴大，及時提高內源性BDNF表達水平，對治療腦缺血，保護受損神經元，實現神經功能的重塑具有重要意義。
參考文獻
[1] 程道賓，王進，羅杰峰，等. 腦源性神經生長因子與缺血性腦損傷. 中國醫學文摘. 老年醫學，2005，14（4）：239～242
申請級別：副研究員
計算機工程與科學學院
XX年7月7日
教育與工作經歷
教育
1994.9-1998.7 上海大學機械自動化系 本科
1998.9-XX.3 上海大學機械自動化系 碩士
XX.3-XX.9 上海交通大學圖像處理與模式 識別研究所 博士
工作
XX.9-今 上海大學計算機學院 講師
學術活動
兼職
中國計算機學會yocsef上海分壇學術秘書委員(XX.5~今)
ieee會員，ieee計算機分會會員(XX.1~今)
上海市計算機學會會員(XX.1～今)
主持中國機器學習郵件列表(XX.1~今)
活動
機器學習及其挑戰研討會，上海，參與，XX.11
第十屆中國機器學習會議，上海，口頭報告，XX.10
環太平洋人工智能大會，aucland，口頭報告，XX.8
國際神經網絡大會，大連，展板，XX.8
神經網絡及其應用研討會，北京，大會報告，XX.3
科研經歷
參與國家自然科學基金四項
基于數據挖掘和綜合模型的腦磁共振圖像分析和診斷(30170274)已結題
面向鋼鐵生產的數據挖掘和數據融合信息處理平臺及應用(50174038)已結題
納米氧化鋁材料設計的支持向量機方法 (20373040)進展順利
分布式概念格數學模型及算法研究 (60275022)進展順利
參與上海市高校網格技術e研究院一期項目
數據挖掘在生物醫學網格中的應用 (XX.7-XX.6)
主持軟件新技術國家重點實驗室(南京大學)開放課題一項
機器學習中冗余特征問題的研究(XX.5-XX.6)
已申請國家自然科學基金
合作者：化學系 陸文聰教授
已申請上海市教委科技發展基金
正在申請上海市高校網格技術e研究院二期項目
研究方向
特征選擇
結合學習器的研究
支持向量機
集成學習
多任務學習
偏最小二乘法
化學計量學
多元校正
藥物構效關系
jcics，nsfc
學術成果
論文20余篇(第一作者9篇以上)
sci 收錄5篇，其中第一作者4篇
ei收錄10篇，其中第一作者3篇
其它核心雜志，第一作者5篇
sci收錄源雜志錄用2篇，正在出版
譯著一本(第一作者)
支持向量機導論，電子工業出版社出版，XX.3
專著一本(算法部分，五萬字以上)
support vector machine in chemistry，singapore, world scientific publishing company，XX.9
第一作者論文
************************************
學院工作
人工智能、軟件工程等專業課
學術報告(二次)
計算機學院一次
化學系一次
本科生班主任(03級10班)，優秀生導師(5)
****************
其它條件
全國大學英語等級考試cet-6
合格，1997.6
上海市職稱計算機能力考試
合格，XX.4
匯總
關鍵詞：多臂井徑成像測井技術；原理； 作用
中圖分類號：TE831.2 文獻標識碼：A
一、24臂井徑成像測井技術的原理
（1）什么是24臂井徑成像測井技術？
24臂井徑成像測井技術是一種現代化成像技術，運用了高科技的發明，用計算機的圖像處理技術使數據或圖像可以在屏幕上顯現。24臂井徑成像測井技術提高了工作度量的準確度，可以根據我們開采石油的需要，不斷地去完善已成的圖像技術，最大限度保持無誤。它能夠利用圖像信息對油層的結構特征，分布情況等進行反應，減少人員在工作過程中的難度和失誤。
（2）24臂井徑成像儀器的工作原理
①24臂井徑成像儀器共有24個機械探測臂，每一個臂上都和一個位移傳感器相連接，它很平均的分布在其一周。當它開始工作時，對要求進行測量，每一個獨立的臂就會通過一定的機械系統傳遞給位移傳感器，在經過層層傳遞，整理信號，轉變電壓等等，傳輸給地面傳輸系統，再有它轉換。
成像處理器會根據儀器的自身特點是，使成像算法對內壁的形狀大體一致，通過機器就可以得到最接近真實情況的數據，和測量比起來可以更好的反映它的變化。
②24臂井徑成像儀器在工作時有機械和電器兩部分組成。包括單片機電路，信號傳輸，電路，電源，井溫，斜度等。
③需要注意的是攬頭電壓電路測量的是攬頭的供電電壓值，只能為地面提供參照而已，不可毫無顧忌的照用。電壓選擇電路時，要按照它規定的幅度不可高或低，會擾亂正常的工作。
④井徑電路是由位移傳感器，信號放大電路，機械探測臂，濾波電路等部分組成的，在開始工作時要協調好彼此的關系，確保不會有一方出現安全問題，否則會影響進度。
二、24臂井徑成像測井技術的圖像分析
（1）對幾種現象的分析
①正常套管的現象分析
在圖像里可以看出套款是不是正常的，如果是正常的，那它的曲線復讀的變化不會很大，幾乎趨于平穩，各條曲線與曲線之間是看似平行的，不會出現短線，交叉等現象，而且曲線是比較光滑的，在處理后不會看到深深淺淺的顏色，會發現它的顏色很平均。
②縮徑與擴徑的現象分析
如果底層的壓力不正常發生變化，或套管的質量不合格都會對他造成極大的影響，會出現上相互所說的縮徑或擴徑的現象。具體來分，縮頸是因為地層壓力異常，使得管內經明顯縮小的現象。擴徑是由于套管的質量比較差，出現了像地面突出的現象。
③斷裂現象的分析
當地質發生變化時，它的密度過大或其他一些原因都會使地質應力發生變化，從而引起斷裂現象。斷裂現象反映到圖上就是在環形的曲線里不連續的線，可能隨時會發生改變，經過處理，會出現藍色區域，就是斷裂部分，可根據實際反映的情況進行修復。
④錯段的現象分析
錯段現象反應在圖上比較明顯，在圖上會出現大幅度的跳躍現象，是一種連續彎曲的狀況。而且顏色是近于淡藍色的。
⑤腐蝕現象的分析
如果套管發生嚴重的腐蝕現象就會在圖像上看到特別亂的現象，一般管內比較粗糙，而且在壁上會留有大量的殘物。圖像經過處理后，顏色是明顯的不均勻，比較好區分。
⑥裂縫的現象分析
用樣的可以用儀器測出裂縫的存在。如果圖上的曲線部分是向同一個方向跳躍的，那么只能說明石油裂縫存在了。當圖像經過處理后，可以清楚的看到，跳躍的部分會變色，是藍色的圓點。
三、24臂井徑成像測井技術施工條件
（1）在開始測試之前必須要通井，去除內壁的污染物，防止有鐵屑或稠油等物質，刮管處理是很有必要的。準確的檢查儀器，保證沒有問題是工作進行的前提。可以避免因儀器問題而耽誤進程。
（2）接下來就是要請專業人員要認真的分析數據，從這些數據出尋找有力的信息，為了清楚明白，我們一般都選擇其中的一部分曲線出圖。這樣既可很快的達到目的，有提高了效率。
（3）當我們得到曲線圖時，就可以根據測量的曲線進行檢測，也可以根據實際的曲線進行調整，最好達到最佳狀態。
（4）準備工作需要細心耐心。一切準備好后，我們就步入最關鍵的時刻。開始測量我們想要的數據。在突出我們可以看到它的橢變率，橢圓短軸，橢圓長軸和剖面圖等。在就可以根據自己的需要進行了。
（5）運用軟件對24臂井徑成像進行處理分析，其中集合了眾多人的聰明智慧，他將測井技術很好的和現代科技結合在了一塊，更加方便迅速的使我們了解井下的的情況。
四、24臂井徑成像測井技術的優點
①24臂井徑成像測井技術包括了編輯，對數據進行合并，接受檢驗，等多項任務，所以說功能比較齊全強大。
②對待準備的數據，它主要有解編，導出的功能，并且可以轉化原始的測井數據，使他轉化為可用的格式。
③具有深度矯正的功能，在測井的過程中，如果發現了各種儀器所導致的失誤，或者是操作不當所帶來的麻煩，就會引起張力的不同。在實際的操作過程中，會記錄下偏差，直接運用曲線進行數據處理，可能會得出錯誤的結果。因此必須對其進行校正。
④計算機算出的準確度高，避免了測量的不準確或計算錯誤的問題，直接提高了工作效率，使其得到了更好的發揮。
結語
雖然時代在不斷地進步，科學為石油的發展提供了很多方便，但是這依舊是一項非常枯燥的工作，今天石油在我們的生活中已不可缺少。通過深入的了解發現，目前我國的石油開采量很大，隨之而來也出現了一些問題，為了解決難題，很多人都在付出。技術人員在其中有著功不可沒的作用。我們期待技術的不斷創新，可以幫助技術人員解脫枯燥的編程等束縛，可以更加輕松地投入到開創性的工作中來，也希望在不斷的發展中，克服種種困難，最終石油事業會迎來一個全新的大跨越。
參考文獻
[1]劉立志，劉存輝，張宗亮，常文麗 .40臂井徑成像儀器工作原理及其現場應用.石油儀器[J]，2011（02）.
[2]敬金秀.二十四臂井徑成像儀及故障排除方法.石油儀器[J]，2009（01）.
關鍵詞：計算機視覺技術；C# ；；作物無損檢測；軟件設計
中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2013）15-3640-03
數字農業和農業物聯網技術作為現代農業最前沿的發展領域之一，是當今世界發展農業信息化，實現農業可持續發展的關鍵和核心技術。數字農業要求快速、實時、準確和定位化的獲取植物生長信息，而農業物聯網技術要求植物信息可實時動態感知，顯然，傳統的實驗室測量分析和信息獲取方法已經不能滿足數字農業和農業物聯網技術的發展要求。因此，研究和開發植物生命信息快速無損檢測技術和傳感儀器等軟硬件平臺已經成為現代農業承待解決的關鍵問題[1]。
目前，國內在作物無損檢測方面的研究儀器主要是依賴進口，而相應的軟件也是伴隨著儀器而購買。此類軟件，一般價格昂貴，而且在自主研究平臺中，因為無法取得源代碼而無法使用或升級，從而出現研究瓶頸。在各類無損化檢測技術中，隨著計算機視覺技術越來越廣泛的應用，對應的軟件系統的開發迫在眉睫[2]。
正是基于這樣的背景，我們通過對目前應用比較廣泛的C#進行研究，利用C#強大的數據處理能力和良好的用戶界面開發，并結合強大的圖像處理能力，進行作物實時檢測軟件平臺的自主設計與開發。
1 計算機視覺技術簡介
計算機視覺也稱機器視覺，是采用攝像機或者數碼相機將被檢測圖像轉化為數字信號，再采用先進的計算機軟件技術對圖像信號進行處理，從而得到所需要的各種目標圖像特征值。并由此實現模式識別，坐標計算等功能。然后再根據其結果輸出數據，發出指令，再配合執行機構完成好壞篩選，位置調整，數據統計等自動化流程。與人工視覺相比較，計算機視覺的最大的優點是快速、精確、可靠，以及數字化。
隨著數字農業和農業物聯網技術的發展，計算機視覺技術將越來越廣泛的應用于農業生產中，而構成計算機視覺系統的軟件系統是整個計算機視覺系統的靈魂。隨著硬件技術的不斷發展完善，計算機視覺系統其功能是否強大，可以說完全取決于軟件系統的能力。
2 軟件系統設計
2.1 C#與
C#是由微軟公司開發的一種面向對象的新型編程語言，它是從C和C++ 中派生出來的，保留了C/C++原有的強大功能，并且繼承了C/C++的靈活性。同時由于是MicroSoft公司的產品，它又同Visual Basic一樣具有簡單的語法結構和高效的開發能力，可以使程序員快速的編寫出基于.NET平臺的應用程序。
一個基于C#框架，專門為C#開發者和研究者設計和開發的，這個框架提供了豐富的類庫資源，包括圖像處理，神經網絡，模糊系統，遺傳算法，人工智能和機器人控制等領域。該框架架構合理，易于擴展，涉及多個較前沿的技術模塊，為相關開發人員或科研人員的工作提供了極大的便利。本系統就是采用C#程序設計語言，通過調用該框架來實現作物無損檢查系統的開發。
2.2 系統設計與實現
本軟件系統是在數碼相機拍攝的作物圖像的基礎上，采用圖像處理方法進行特征提取與分析，從而實現作物的無損檢測。主要分為圖像輸入，圖像預處理，特征提取，特征分析幾個模塊。
1） 圖像輸入
將要分析處理的圖像讀取到系統中來，為后面圖像處理作準備。C#提供了三個最重要的圖像處理類，即Bitmap類、BitmapData類和Graphics類。三種圖像處理的方法，即提取像素法、內存法和指針法。從執行效率和實現難度綜合考慮，本系統的開發采用內存法。
2） 圖像預處理
圖像預處理主要包括圖像的大小調整，形態矯正，平滑和去噪等，以降低環境對拍攝照片造成的不利影響。提供了多個類，可以對圖像進行平滑去噪等操作，本系統中采用了中值濾波算方法，對應中的Median類。
3） 特征提取
特征提取分析，是整個系統的核心所在，需要選取合適的圖像分割算法，對圖像進行處理，提取目標區域，為特征分析作準備。在本系統中采用了閾值分割技術，因為這種算法相對來說比較直接并且易于實現。
采用閾值分割技術，首先，必需確定一個閾值作為圖像分割的閾值，在本系統中，采用自適應閾值法，由用戶在軟件的操作過程中進行設定，并且可以根據需要進行調整。然后，根據這個閾值對圖像進行分割，并將其轉化為二值圖，如圖（b）所示。從圖中我們可以看到二值圖像中存在大量的小孔，這種太小的孔洞對我們進行圖像分析沒有實際意義，并且會干擾結果的正確性，因此我們需要采用腐蝕和膨脹的形態學方法來進行填充孔洞，結果如圖（C）所示。最后，我們需要根據需要提取目標區，涉及到連通區域的提取問題。最后，輸出結果。
4） 特征分析
對圖像分割結果進行分析，用于指導生產實踐。我們可以對通過圖像處理得到的目標區域進行分析，比如可以根據葉片顏色的變化判斷葉綠素含量，進而推算出作物的營養狀況，根據色素區域的大小計算出葉面積，根據不同區域的形狀、大小判斷病蟲害等。
3 實驗結果及分析
軟件運行后主界面如圖3所示。
為驗證本系統的有效性，我們通過設定不同的閾值進行圖像分割，并跟photoshop cs4軟件中魔棒的工具作對比，來提取圖片中的目標區域。測試圖片大小為800px×610px，取特征點坐標P（310，70），該點的RGB值為（29，92，0），獲取目標區域的總像素和綠色分量平均值，數據如表1所示。
從上述表中我們可以看出，本軟件在圖像處理目標區域的提取方面，提取到的目標區域較photoshop 提取的小，綠色分量平均值較photoshop更接近特征點數值，由此看出用本軟件做圖像分割準確性更高。
4 結束語與展望
計算機視覺具有非破壞性、快速、高效、信息量大等特點，目前已在主要的農作物和經濟作物的養分診斷，植物病蟲害的快速檢測及預警預報等方面有了廣泛應用，取得了較好的效果。隨著計算機視覺技術和圖像處理技術的發展，計算機視覺技術將更多的應用于植物長勢預測、產量估計等方面。
通過本次研究，開發了一個交互界面良好的色素分量檢測系統，能對圖像在RGB分量上實現閾值分割，并實現目標區域的獲取分析。該文主要提倡一種軟件開發的理念，所設計開發的軟件的針對性較強，還存在著很多的局限和不足，要作為計算機視覺類的通用軟件，系統的穩定性和功能都還有待進一步提升。
參考文獻：
[1] 劉飛.基于光譜和多光譜成像技術的油菜生命信息快速無損檢查機理和方法研究[D].浙江：浙江大學博士學位論文，2011.
[2] 朱哲燕，陳紅.基于MATLAB的作物信息光譜分析平臺的設計與開發[J].科技資訊，2012（16）.
[3] 蔣麗華.基于計算機視覺技術的葉綠素含量檢測系統[D].蘇州：蘇州大學碩士學位論文，2009.
[4] 趙春江.C#數字圖像處理算法典型實例[M].北京：人民郵電出版社，2009.
[5] 何勇，劉飛，聶鵬程. 數字農業與農業物聯網技術[J].農機論壇，2012（1）.
[6] 張起麗.基于數學形態學的彩色圖像處理研究[D].西安：西北大學碩士學位論文，2009
[7] 冀高.基于數字圖像處理的棉花群體特征提取[D].北京：北京郵電大學碩士學位論文，2007.
關鍵詞邊緣 算子 提取 判讀
文章編號1008-5807（2011）02-103-02
一、邊緣檢測和圖像特征的基本概念
（一）邊緣檢測
邊緣是圖像的基本特征，是指圖像中那些鄰域灰度有強烈反差的像素點的集合。
圖像邊緣檢測過程的一般步驟可分為：濾波、圖像增強、圖像檢測、最后進行圖像邊緣的定位。
邊緣檢測算法主要是基于圖像亮度的低階導數，但是由于在求導過程中，相關算法對噪聲很敏感，從而需要使用濾波的方法來改善邊緣檢測的效果。
圖像增強的前提是確定圖像邊緣各點鄰域強度的變化值。增強算法可以對鄰域強度值有較大變化的像素點的亮度進行增強處理。
進行邊緣檢測的圖像中有許多點的梯度幅值比較大，而這些點在實際上并不一定全是所要求解的邊緣，在求取邊緣的過程中，我們應該利用一定的條件來確定邊緣點，而最方便的邊緣檢測方法就是利用梯度幅值閾值判據來實現邊緣點的判定。
（二）圖像特征
通常圖像特征可分為：顏色特征、紋理特征、形狀特征、空間關系特征等幾個大類，在靶場圖像判讀過程中，我們通常所關心的一般是圖像的空間關系特征和形狀特征。
空間關系，是指在判讀圖像中兩個或多個目標點間的相互對應的空間位置。一般情況下，空間位置信息可以分為兩種：相對空間位置信息和絕對空間位置信息。相對空間位置信息關系強調的是各個目標之間的相對位置情況，如上下左右等，而后一種關系強調的是目標點間的相對距離大小以及方位情況。通常情況下，我們關心的是判讀目標的相對圖像中心點的脫靶量信息，所以，在圖像判讀過程中，利用目標的相對空間位置更利于圖像判讀。
形狀特征也可分為兩種，一種是圖像的輪廓特征，另一種是圖像的區域特征。輪廓特征主要是指物體的外邊界，而圖像的區域特征則關系到整個形狀區域。基于圖像的形狀特征，可以在判讀過程中對目標的邊緣點和特征點進行準確地識別和標記。
二、常用邊緣檢測算子
通常所說的邊緣檢測算子是利用圖像邊緣點灰度的突變性，通過求出圖像橫向和縱向的一階或二階梯度的模值和幅角值，最后沿幅角方向求出模極大值得到圖像的邊緣，如典型的Sobel算子，Prewitt算子，Canndy算子等。
（一）Sobel 邊緣檢測算子
將圖像中的每個像素的上下左右四鄰域的灰度值加權差與之接近的鄰域的權最大。因此Sobel算子定義如下:
（2.1）
利用上圖2.1所示的兩個核做卷積，兩個卷積的最大值都作為像素點的輸出值，同時給出特定的門限閾值，運算結果就是所求邊緣圖像。在此運算過程中，一個核對處理的圖像中的垂直邊緣影響較大而另一個核對圖像的水平邊緣的影響大。sobel算子利用像素的鄰域的灰度加權算法，根據在邊緣點處達到極值這一原理進行邊緣檢測。這種方法在實際應用中可以得到較好的檢測效果，同時對于噪聲具有平滑作用。
（二）Prewitt邊緣檢測算子
Prewitt邊緣檢測算子是一種邊緣樣板算子。樣板算子由理想的邊緣子圖像構成，依次用邊緣樣板去檢測圖像，與被檢測區域最為相似的樣板給出最大值，用這個最大值作為算子的輸出。
（2.2）
由圖2.3所示的兩個卷積算子形成了Prewitt邊緣算子，圖像中每個像素都用這兩個核做卷積，取最大作為輸出值，運算結果即是所求的邊緣圖像。
（三）Canny邊緣檢測算子
Canny算子的算法流程是先將圖像使用高斯函數進行平滑處理，再利用一階微分的極大值確定圖像的邊緣點。
其定義為：對圖像f(x,y)進行高斯函數濾波后得到f(x,y)*Ga(x,y),其中為a相應的尺度因子。計算其梯度矢量的模Ma和Ma方向為：
（2.3）
圖像的邊緣點即為Ma方向上使得取得Ma局部極大值的點。其算法流程如下：
三、實際處理過程中的一例
利用上述系列邊緣檢測算子對一幅待判讀圖像進行處理后的得到如下圖像：
由上述系列圖像可以看出，在圖像判讀過程中，利用相關邊緣檢測算法，可以方便地提取我們所關心的圖像特征，同時，利用相關算法，還可以進一步取得目標圖像之間的相對位置和特征點，從而達到圖像判讀的目的。
隨著相關邊緣檢測算法的進一步發展和改進，基于邊緣提取的特征檢測方法將會在靶場圖像判讀過程中得到進一步的應用和推廣。
參考文獻：
[1]閆敬文.數字圖像處理（MATLAB版）.國防工業出版社，2007.
[2]孫即祥.圖像分析，科學出版社，2005.
[3]焦李成，侯彪，王爽，劉芳.圖像多尺度幾何分析理論與應用―后小波分析理論與應用.西安電子科技大學出版社，2008.
[4]陳洪海.數字圖像邊緣的一種提取方法.大連理工大學碩士論文，2008.