【正文】 od must also be specified for describing the data so that features of interest are highlighted. Description, also called feature selection, deals with extracting attributes that result in some quantitative information of interest or are basic for differentiating one class of objects from another. Recognition is the process that assigns a label (., “vehicle”) to an object based on its descriptors. As detailed before, we conclude our coverage of digital image processing with the development of methods for recognition of individual objects. So far we have said nothing about the need for prior knowledge or about the interaction between the knowledge base and the processing modules in Fig2 above. Knowledge about a problem domain is coded into an image processing system in the form of a knowledge database. This knowledge may be as sim ple as detailing regions of an image where the information of interest is known to be located, thus limiting the search that has to be conducted in seeking that information. The knowledge base also can be quite plex, such as an interrelated list of all major possible defects in a materials inspection problem or an image database containing highresolution satellite images of a region in con nection with changedetection applications. In addition to guiding the operation of each processing module, the knowledge base also controls the interaction between modules. This distinction is made in Fig2 above by the use of doubleheaded arrows between the processing modules and the knowledge base, as op posed to singleheaded arrows linking the processing modules. Edge detection Edge detection is a terminology in image processing and puter vision, particularly in the areas of feature detection and feature extraction, to refer to algorithms which aim at identifying points in a digital image at which the image brightness changes sharply or more formally has point and line detection certainly are important in any discussion on segmentation,edge dectection is by far the most mon approach for detecting meaningful discounties in gray level. Although certain literature has considered the detection of ideal step edges, the edges obtained from natural images are usually not at all ideal step edges. Instead they are normally affected by one or several of the following effects: blur caused by a finite depthoffield and finite point spread function。 at a smooth object edge。 一幅圖像可定義為一個(gè)二維函數(shù) f(x,y)，這里 x 和 y 是空間坐標(biāo)，而在任何一對(duì)空間坐標(biāo)（ x,y）上的幅值 f 稱為該點(diǎn)圖像的強(qiáng)度或灰度。數(shù)字圖像處理是指借用數(shù)字計(jì)算機(jī)處理數(shù)字圖像，值得提及的是數(shù)字圖像是由有限的元素組成的，每一個(gè)元素都有一個(gè)特定的位置和幅值，這些元素稱為圖像元素、畫面元素或像素。 視覺是人類最高級(jí)的感知器官，所以，毫無疑問圖像在人類感知中扮演著最重要的角色。它們可以對(duì)非人類習(xí)慣的那些圖像源進(jìn)行加工，這些圖像源包括超聲波、電子顯微鏡及計(jì)算機(jī)產(chǎn)生的圖像。 圖像處理涉及的范疇或其他相關(guān)領(lǐng)域（例如，圖像分析和計(jì)算機(jī)視覺）的界定在初創(chuàng)人之間并沒有一致的看法。我們認(rèn)為這一定義僅是人為界定和限制。另一方面，有些領(lǐng)域（如計(jì)算機(jī)視覺）研究的最高目標(biāo)是用計(jì)算機(jī)去模擬人類 視覺，包括理解和推理并根據(jù)視覺輸入采取行動(dòng)等。人工智能領(lǐng)域處在其發(fā)展過程中的初期階段，它的發(fā)展比預(yù)期的要慢的多，圖像分析（也稱為圖像理解）領(lǐng)域則處在圖像處理和計(jì)算機(jī)視覺兩個(gè)學(xué)科之間。然而，在這個(gè)連續(xù)的統(tǒng)一體中可以考慮三種典型的計(jì)算處理（即低級(jí)、中級(jí)和高級(jí)處理）來區(qū)分其中的各個(gè)學(xué)科。低級(jí)處理是以輸入、輸出都是圖像為特點(diǎn)的處理。中級(jí)圖像處理是以輸入為圖像，但輸出是從這些圖像中提取的特征（如邊緣、輪廓及不同物體的標(biāo)識(shí)等）為特點(diǎn)的。 根據(jù)上述討論，我們看到，圖像處理和圖像分析兩個(gè)領(lǐng)域合乎邏輯的重疊區(qū)域是圖像中特定區(qū)域或物體的識(shí)別這一領(lǐng)域。舉一個(gè)簡單的文本自動(dòng)分析方面的例子來具體說明這一概念。理解一頁的內(nèi)容可能要根據(jù)理解的復(fù)雜度從圖像分析或計(jì)算機(jī)視覺領(lǐng)域考慮問題。 數(shù)字圖像處理的應(yīng)用領(lǐng)域多種多樣，所以文本在內(nèi)容組織上盡量達(dá)到該技術(shù)應(yīng)用領(lǐng)域的廣度。在今天的應(yīng)用中，最主要的圖像源是電磁能譜，其他主要的能源包括聲波、超聲波和電子（以用于電子顯微鏡方法的電子束形式）。 建立在電磁波譜輻射基礎(chǔ)上的圖像是最熟悉的，特別是 X 射線和可見光譜圖像。如果光譜波段根據(jù)光譜能量進(jìn)行分組，我們會(huì)得到下圖 1 所示的伽馬射線（最高能量）到無線電波（ 最低能量）的光譜。 圖像獲取是第一步處理。通常，圖像獲取包括如設(shè)置比例尺等預(yù)處理?；旧?，增強(qiáng)技術(shù)后面的思 路是顯現(xiàn)那些被模糊了的細(xì)節(jié)，或簡單地突出一幅圖像中感興趣的特征。應(yīng)記住，增強(qiáng)是圖像處理中非常主觀的領(lǐng)域，這一點(diǎn)很重要。然而，不像增強(qiáng)，圖像增強(qiáng)是主觀的，而圖像復(fù)原是客觀的。另一方面，增強(qiáng)以怎樣構(gòu)成好的增強(qiáng)效果這種人的主觀偏愛為基礎(chǔ)。就使得在彩色模型、數(shù)字域的彩色處理方面涵蓋了大量基本概念。 小波是在各種分辨率下描述圖像的基礎(chǔ)。在這里，圖像被成功地細(xì)分 為較小的區(qū)域。雖然存儲(chǔ)技術(shù)在過去的十年內(nèi)有了很大改進(jìn)，但對(duì)傳輸能力我們還不能這樣說，尤其在互聯(lián)網(wǎng)上更是如此，互聯(lián)網(wǎng)是以大量的圖片內(nèi)容為特征的。 形態(tài)學(xué)處理設(shè)計(jì)提取圖像元素的工具，它在表現(xiàn)和描述形狀方面非常有用。 分割過程將一幅圖 像劃分為組成部分或目標(biāo)物。復(fù)雜的分割過程導(dǎo)致成功解決要求物體被分別識(shí)別出來的成像問題需要大量處理工作。通常，分割越準(zhǔn)確，識(shí)別越成功。無論哪種情況，把數(shù)據(jù)轉(zhuǎn)換成適合計(jì)算機(jī)處理的形式都是必要的。當(dāng)注意的 焦點(diǎn)是外部形狀特性（如拐角和曲線）時(shí)，則邊界表示是合適的。則某些應(yīng)用中，這些表示方法是互補(bǔ)的。為了描述數(shù)據(jù)以使感興趣的特征更明顯，還必須確定一種方法。 識(shí)別是基于目標(biāo)的描述給目標(biāo)賦以符號(hào)的過程。 到目 前為止，還沒有談到上面圖 2 中關(guān)于先驗(yàn)知識(shí)及知識(shí)庫與處理模塊之間的交互這部分內(nèi)容。這一知識(shí)可能如圖像細(xì)節(jié)區(qū)域那樣簡單，在這里，感興趣的信息被定位，這樣，限制性的搜索就被引導(dǎo)到尋找的信息處。除 了引導(dǎo)每一個(gè)處理模塊的操作，知識(shí)庫還要控制模塊間的交互。相反單頭箭頭連接處理模塊。盡管在任何關(guān)于分割的討論中，點(diǎn)和線檢測(cè)都是很重要的，但是邊緣檢測(cè)對(duì)于灰度級(jí)間斷的檢測(cè)是最為普遍的檢測(cè)方法。相反，它們通常受到一個(gè)或多個(gè)下面所列因素的影響： 場(chǎng)景深度 帶來的聚焦模糊； 半影模糊 ； 陰影 ； 邊緣附近的局部 鏡面反射 或者 漫反射 。在邊線的每一邊都有一個(gè)邊緣。如果將邊緣認(rèn)為是一定數(shù)量點(diǎn)亮度發(fā)生變化的地方，那么邊緣檢測(cè)大體上就是計(jì)算這個(gè)亮度變化的導(dǎo)數(shù)。在這個(gè)例子中，我們的數(shù)據(jù)是一行不同點(diǎn)亮度的數(shù)據(jù)。而且，甚至可以認(rèn)為這個(gè)例子中存在多個(gè)邊緣。實(shí)際上，這也是為什么邊緣檢測(cè)不是一個(gè)簡單問題的原因之一?；诹憬徊娴姆椒ㄕ业接蓤D像得到的二階導(dǎo)數(shù)的零交叉點(diǎn)來定位邊緣。 已發(fā)表的邊緣檢測(cè)方法應(yīng)用計(jì)算邊界強(qiáng)度的度量， 這與平滑濾波有本質(zhì)的不同 . 正如許多邊緣檢測(cè)方法依賴于圖像梯度的計(jì)算， 他們用不同種類的濾波器來估計(jì) x方向和 y方向的梯度 . 一旦我們計(jì)算出導(dǎo)數(shù)之后，下一步要做的就是給出一個(gè)閾值來確定哪里是邊緣位置。與此相反，一個(gè)高的閾值將會(huì)遺失細(xì)的或者短的線段。然而非最大抑制的邊緣檢測(cè)，邊緣曲線的定義十分模糊，邊緣像素可能成為邊緣多邊形通過一個(gè)邊緣連接（邊緣跟蹤）的過程。 一個(gè)常用的這種方法是帶有 滯后作用 的 閾值選擇 。首先使用一個(gè)閾值上限去尋找邊線開始的地方。這 種方法假設(shè)邊緣是連續(xù)的界線，并且我們能夠跟蹤前面所看到的邊緣的模糊部分，而不會(huì)將圖像中的噪聲點(diǎn)標(biāo)記為邊緣。 其它一些邊緣檢測(cè)操作是基于亮度的二階導(dǎo)數(shù)。在理想的連續(xù)變 化情況下，在二階導(dǎo)數(shù)中檢測(cè)過零點(diǎn)將得到梯度中的局部最大值。如上所述，邊線是雙重邊緣，這樣我們就可以在邊線的一邊看到一個(gè)亮度梯度，而在另一邊看到相反的梯度。為了找到這些邊線，我們可以在圖像亮度梯度的二階導(dǎo)數(shù)中尋找過零點(diǎn)。由于我們用局部計(jì)算進(jìn)行處理，決定一個(gè)值是否有效的選擇方法就是使用門限。術(shù)語“邊緣線段”一般在邊緣與圖像的尺寸比起來很短時(shí)才使用。如果我們選擇使用二階導(dǎo)數(shù)，則另一個(gè)可用的定義是將圖像中的邊緣點(diǎn)定義為它的二階導(dǎo)數(shù)的零交叉點(diǎn)。應(yīng)注意，這些定義并不能保證在一幅圖像中成功地找到邊緣，它們只是給了我們一個(gè)尋找邊緣的形式體系。 指導(dǎo)老 師：汪濟(jì)洲 06 電子 (1)班 劉崴 (0605072021)