旅游网站建设的相关报价,找公司网站建设,三亚市住房与城乡建设局网站,wordpress的精选导读不更新一、面向应用#xff1a;层层分解、抓住要点 我们学习数字图像处理的最终目的还是应用#xff0c;不管是用它来研制产品还是研发项目抑或是研究课题#xff0c;都要用数字图像处理的理论、方法和技术来解决实际问题。在此过程中#xff0c;提高效率是非常重要的#xff0c… 一、面向应用层层分解、抓住要点 我们学习数字图像处理的最终目的还是应用不管是用它来研制产品还是研发项目抑或是研究课题都要用数字图像处理的理论、方法和技术来解决实际问题。在此过程中提高效率是非常重要的因此我们在实际应用过程中要面向需求结合实际将问题层层分解理清解决思路抓住其要害集中力量进行突破切忌眉毛胡子一把抓。 下面就结合笔者所研究过的一个课题进行详细说明。 任务要求一台智能移动机器人上配备有单目可见光视觉传感器要求通过该视觉传感器采集的视频序列图像实现在复杂环境下实现对纹理清晰的特定目标的实时跟踪。 注该问题的解决应从硬件和软件两个方面进行考虑对硬件的选择、设计和搭建超出了本文所讨论的内容因此本文仅从数字图像处理方法的角度进行分析 分析讨论 1任务分解通过对任务要求进行分析可知该任务的核心是“目标识别跟踪”在此基础上有两个约束条件“复杂环境下”和“实时性”方法实现的平台是“移动机器人”。任务的核心——“目标识别跟踪”是我们所需要解决的难点和重点约束条件1“复杂环境下”则要求我们对所采集的图像进行去噪预处理约束条件2“实时性”也是需要解决的问题这就要求我们尽可能地降低各种算法的运算复杂度由于实现平台“移动机器人”在行进过程中采集的视频图像存在抖动现象因此在对采集的图像进行去噪后需要对其进行增稳处理。通过初步分解我们就得到了任务中所要解决的问题以及大致流程如图1所示。 图1 任务分解及流程 2难点分解本任务的难点是“目标识别跟踪”。之所以称其为难点是对目标的识别和跟踪过程中存在视觉传感器与目标物体的相对运动因而目标在图像中存在着尺度变化、旋转变化、视角变化、照度变化以及局部遮挡这给目标识别和跟踪带来了挑战。我们常用的目标识别与跟踪算法有基于帧间差分的目标识别与跟踪法、基于光流的目标识别与跟踪法、基于模板匹配的目标识别与跟踪法、基于颜色的目标识别与跟踪法、基于特征点的目标识别与跟踪法。考虑到每种方法的特点以及待跟踪目标具有清晰的纹理我们可以采用基于特征点的目标识别与跟踪法更进一步地说我们应采用尺度不变特征点SIFT作为识别与跟踪的特征因为尺度不变特征点对尺度变化、旋转变换、视角变化、照度变化和局部遮挡具有鲁棒性。同时我们希望目标识别和跟踪算法具有良好的实时性因而可以考虑PCASIFT和SURF特征点作为目标特征。此外由于视频序列相邻图像之间存在相关性目标在相邻帧之间不会有剧烈的变换因而可采用隔帧搜索法对目标进行检测并用Kalman滤波或粒子滤波对目标的轨迹进行预测。难点分解的过程如图2所示。 图2 难点分解过程 3算法分解经过任务分解和难点分解后我们已经对任务的实现步骤和每个步骤所需的算法有了一个清晰的了解。在此之后我们还需对每一个具体的算法进行分解形成实现步骤以便于后续的研究以及模块化分工实现。 二、面向学习追根溯源、比较总结 在数字图像处理中很多算法是一脉相承或有着密切联系的搞清楚这些来龙去脉以及相互联系有利于我们加强对算法的理解以及改进创新。 那么如何把握这些联系呢我认为首先得清楚每种算法的提出背景也就是“这种算法为什么会被提出”或是“这种算法是针对什么问题而提出的”。就拿数字图像变换中的内容为例我们是从图像的空间变换讲起的但是空间变换无法反映图像的频率分布信息随着傅里叶变换的诞生这一问题得到了解决傅里叶变换也被研究者誉为是“图像处理的第二种语言”。正在人们为之欢心鼓舞之时研究者有发现傅里叶变换也存在着不足它在空域上无任何分辨不能作局部分析。针对于此D.Gabor 于1946年提出了加窗傅里叶变换也就是著名的Gabor变换它通过引入一个时间局部化“窗函数”改进了傅里叶变换的不足但其窗口大小和形状都是固定的没有从根本上弥补傅里叶变换的缺陷。小波变换的提出从根本上解决了这一难题它有一个灵活可变的时间—频率窗能有效地从信号中提取信息通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析“数学显微镜”的美誉也因此得来。如果我们能够把这些联系梳理清楚那么我们在学习小波变换时就会豁然开朗游刃有余。难道小波变换就那么完美吗答案当然是否定的当前有很多算法就如何提高小波变换的效能提出了改进。按照上述的“联系”方式就不难建立起完备的知识体系。 图3 图像分析联系示意图 谈过了“追根溯源”我们再来聊聊“比较总结”。我们以图像的边缘检测为例来进行说明。每一种方法都能实现边缘检测但对于同一幅图像每一种边缘检测方法的效果又不尽相同。这是为什么呢原来每一种边缘检测的方法都有自己优点和不足都有自己特定的应用背景。我们不妨对其进行列表比较如表1所示。 表1 边缘检测算子比较 名 称 特 点 基于一阶微分算子检测边缘 运算简单但对噪声敏感 基于LOG算子检测边缘 边缘保留较为完整、定位准确、抗干扰能力强 基于 Canny算子检测边缘 抗干扰能力强边缘连续性好 基于SUSAN算子检测边缘 抗噪声能力好、运算量小速度快 对各种边缘检测算子进行比较后它们各自的特点便一目了然在何种情况下运用哪种边缘检测算子效果最佳便做到了心中有数。 在比较完各种边缘检测算子的“个性”之后我们不妨再来总结一下它们的“共性”。尽管边缘检测的方法林林总总但各种方法的共同目的就是要检测出图像灰度变化剧烈的区域。从数学的角度来看就是对数字图像进行差分从信号处理角度看就是用高通滤波器来保留高频信号。 学习的过程讲究循序渐进温故知新当然对数字图像处理技术的学习也不例外。但是数字图像处理技术又有自身的特点理论深、角度广、更新快因此良好的学习方法可以使数字图像处理的学习事半功倍。在学习数字图像处理技术时读者不妨尝试着去追根溯源、比较总结相信定会受益匪浅。 本文转自http://xiaozu.renren.com/xiaozu/252226/335693784
