時間：2022-04-06 04:54:23
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇數(shù)字圖像處理論文，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
（1. 武警工程大學(xué) 信息工程系，陜西 西安 710086；2. 武警工程大學(xué) 電子技術(shù)系，陜西 西安 710086）
摘 要：針對數(shù)字圖像處理課程基礎(chǔ)理論抽象、實用性強(qiáng)的特點(diǎn)，分析和探討該課程教學(xué)中存在的若干問題及原因，從師資力量建設(shè)、課程標(biāo)準(zhǔn)制定、教學(xué)方法與設(shè)計、考核方法4個方面闡述數(shù)字圖像處理課程的教學(xué)優(yōu)化改革方案。
關(guān)鍵詞 ：數(shù)字圖像處理；教學(xué)優(yōu)化改革；師資力量；課程標(biāo)準(zhǔn)
基金項目：全軍學(xué)位與研究生教育研討會研究課題“軍隊院校研究生教育中的導(dǎo)師與研究生關(guān)系研究”（YJZX14C14）。
第一作者簡介：孔韋韋，男，講師，研究方向為圖像處理，kwwking@163.com。
0 引 言
數(shù)字圖像處理[1-2]是信息處理領(lǐng)域的重要分支，通過該課程我們可以完成圖像的幾何變換、算術(shù)處理、圖像增強(qiáng)、圖像復(fù)原、圖像重建、圖像編碼、模式識別、圖像理解等多個方面的工作。目前，隨著計算機(jī)軟硬件處理能力的不斷提升，數(shù)字圖像處理技術(shù)已被廣泛應(yīng)用于醫(yī)學(xué)檢測、反恐處突、彈道導(dǎo)彈精確制導(dǎo)等多個軍（民）用領(lǐng)域。由于該門課程的特殊地位和廣泛應(yīng)用，國內(nèi)外幾乎所有信息類專業(yè)都開設(shè)了該課程，許多專家、學(xué)者也針對課程的教學(xué)方式提出了自己的觀點(diǎn)[3-8]。
軍隊院校作為高等院校中的一類特殊群體，無論在課程設(shè)置還是人才培養(yǎng)需求上均與地方高等院校有很大的不同。軍隊院校自身的特殊屬性要求培養(yǎng)出的人才不僅要有扎實的理論基礎(chǔ)和科研能力，還能運(yùn)用這些知識對作戰(zhàn)以及日常訓(xùn)練中出現(xiàn)的問題加以解決，因此，軍隊院校對人才的理論與實踐結(jié)合能力提出了更高也更為嚴(yán)格的要求。
武警部隊負(fù)責(zé)維護(hù)國家安全和社會穩(wěn)定，有效打擊國內(nèi)外各種恐怖勢力，保障人民安居樂業(yè)。當(dāng)前，世界各國都將“反恐”作為維護(hù)國家穩(wěn)定和保衛(wèi)人民生命財產(chǎn)安全的一項重要任務(wù)。反恐圖像目標(biāo)的識別和監(jiān)視能力更體現(xiàn)了一個國家的反恐技術(shù)力量和能力水平，其關(guān)鍵在于反恐圖像目標(biāo)的識別。因此，有效地將數(shù)字圖像處理技術(shù)應(yīng)用于反恐處突領(lǐng)域，不僅有助于提升針對恐怖勢力的打擊力度，還可以有效減少傷亡，最大限度地保障國家和人民的生命財產(chǎn)安全。
1 數(shù)字圖像處理課程的特點(diǎn)
數(shù)字圖像處理課程主要有以下幾個特點(diǎn)：①理論基礎(chǔ)要求高，涉及高等數(shù)學(xué)、信號與信息系統(tǒng)、信息論、計算機(jī)編碼等多個領(lǐng)域的知識；②數(shù)字圖像處理課程覆蓋的內(nèi)容廣泛，知識點(diǎn)繁雜零碎；③新興理論的不斷出現(xiàn)要求廣大學(xué)者能夠敏銳把握數(shù)字圖像處理技術(shù)的發(fā)展前沿；④數(shù)字圖像處理技術(shù)的應(yīng)用領(lǐng)域不斷拓展，處理方法也更為復(fù)雜。
2 軍隊院校數(shù)字圖像處理課程教學(xué)中存在的問題
2.1 課程設(shè)置不靈活
相比地方高等院校，軍隊院校的課程設(shè)置自由度十分受限，具體體現(xiàn)為課程的教學(xué)內(nèi)容、學(xué)時安排、課堂組織形式甚至是開課時間均有嚴(yán)格的規(guī)定和限制，不能根據(jù)學(xué)生理論基礎(chǔ)和學(xué)習(xí)能力的實際情況做自適應(yīng)的調(diào)整。
盡管研究生有自己的導(dǎo)師和研究方向，且很多研究生日后學(xué)位論文的研究方向可能與數(shù)字圖像處理領(lǐng)域并無關(guān)聯(lián)，然而，由于許多信息類專業(yè)院校的研究生培養(yǎng)方案均嚴(yán)格限定該課程為學(xué)位必修課，導(dǎo)致一些研究生為了學(xué)分和學(xué)位只得選擇一門與自己研究領(lǐng)域完全無關(guān)的課程，無形中造成了教學(xué)資源的浪費(fèi)。
2.2 課時少內(nèi)容多
數(shù)字圖像處理課程是國內(nèi)外幾乎所有信息類專業(yè)的必修課。地方高等院校通常會開設(shè)50個學(xué)時，而軍隊院校大多只開設(shè)40學(xué)時，有的學(xué)校甚至只將其作為學(xué)位選修課開設(shè)20學(xué)時。眾所周知，該課程涉及的教學(xué)內(nèi)容非常繁雜且對相關(guān)課程的理論基礎(chǔ)提出了較高要求，這類課程即使安排50學(xué)時也很難將重點(diǎn)內(nèi)容講授完畢，軍隊院校課程課時不足無疑對該課程的教學(xué)質(zhì)量造成重大影響。
2.3 教學(xué)形式單一
軍隊院校的特殊屬性在一定程度上約束了課堂多種教學(xué)形式的存在與發(fā)展，傳統(tǒng)的教師主體式教學(xué)法是主流。這種過于單一和機(jī)械的教學(xué)形式將對研究生的學(xué)習(xí)積極性造成不利影響。另外，軍隊中上下等級關(guān)系往往扼殺了研究生質(zhì)疑教師的勇氣和可能，使研究生不敢對教師的見解有所質(zhì)疑，不敢擅自踏入教師未首肯的領(lǐng)域中積極主動地發(fā)現(xiàn)問題、分析問題和解決問題，導(dǎo)致研究生的學(xué)習(xí)完全處于被動境地。
3 教學(xué)優(yōu)化改革
3.1 師資力量建設(shè)
數(shù)字圖像處理課程專業(yè)性強(qiáng)、理論難度大，涉及的基礎(chǔ)學(xué)科門類較多，因此，在條件允許的情況下應(yīng)盡可能安排科研方向或理論研究方向?qū)儆趫D像處理領(lǐng)域的教師擔(dān)任任課老師。一方面，長期從事該領(lǐng)域的教師對課程的基本內(nèi)容和理論了如指掌，基本功非常扎實，授課更為流暢、自然；另一方面，教材中介紹的只是圖像處理領(lǐng)域的基礎(chǔ)理論和經(jīng)典模型，長期從事該領(lǐng)域研究的老師在研究過程中往往對課程中的概念及理論模型有更深刻的理解，在授課過程中必然會附帶介紹本人在該領(lǐng)域內(nèi)的研究現(xiàn)狀和最新進(jìn)展，有利于開闊研究生視野，激發(fā)學(xué)習(xí)興趣，提高授課質(zhì)量。
3.2 課程標(biāo)準(zhǔn)的制定
結(jié)合軍隊院校課時不足的教學(xué)實際以及人才培養(yǎng)類型的定位需求，我們完全有必要重新制定數(shù)字圖像處理課程的教學(xué)標(biāo)準(zhǔn)，在保證理論系統(tǒng)性完整的基礎(chǔ)上，側(cè)重實踐能力以及解決實際問題能力的培養(yǎng)和提升。具體措施如下：①教學(xué)對象精確定位，扭轉(zhuǎn)以往研究生課程頻頻出現(xiàn)的“被選課”現(xiàn)象，切實保障“選修權(quán)”，允許研究生按照自己學(xué)位論文的研究需求選課；②由于學(xué)時有限，在制定課程標(biāo)準(zhǔn)時必須全面分析和研究教學(xué)內(nèi)容，梳理與課程內(nèi)容相關(guān)的知識目標(biāo)、技能目標(biāo)和素質(zhì)目標(biāo)，適當(dāng)?shù)貏h減一些非重點(diǎn)內(nèi)容，重新劃分各章節(jié)的學(xué)時；③數(shù)字圖像處理雖然是一門理論性很強(qiáng)的課程，但學(xué)習(xí)的最終目的還是應(yīng)用，因此，在制定課程標(biāo)準(zhǔn)時必須為研究生學(xué)員留有一定的實踐操作以及課堂研討課時；④要反映部隊特色，在授課過程中重點(diǎn)介紹能夠直接應(yīng)用于部隊實際的模型和方法，譬如模式識別、圖像理解版塊，并要求研究生動手實踐；⑤緊跟發(fā)展前沿，保持知識的先進(jìn)性，充分利用網(wǎng)絡(luò)資源，以完善的學(xué)習(xí)資料、豐富的課程資源、真實的實踐環(huán)境作為課程的基礎(chǔ)和支撐。
3.3 教學(xué)方法與設(shè)計
結(jié)合課程標(biāo)準(zhǔn)，我們擬將整個教學(xué)過程分解為4個階段：①基本理論講授；②專題討論；③專題講座；④實踐操作。
3.3.1 基本理論講授
教師對教學(xué)內(nèi)容中的基本理論加以講解，旨在為研究生掃清基本理論障礙。該部分的講解并非只是對課本內(nèi)容的簡單復(fù)制和重申，而是在介紹基本理論的基礎(chǔ)上，對基本概念中涉及的各層次知識點(diǎn)和潛在疑問加以梳理和闡釋，為下一階段的專題討論做鋪墊。該階段以教師講授為主體，采取案例式教學(xué)和啟發(fā)式教學(xué)相結(jié)合的授課方式。
3.3.2 專題討論
所謂專題討論，就是基于教師先前講授的某一個或某一類基本理論，探討具體應(yīng)用效果以及可能影響最終圖像處理效果的若干因素。這一環(huán)節(jié)將徹底打破經(jīng)典教學(xué)模式中的“教師主體”模式，轉(zhuǎn)變?yōu)椤敖處煷_定討論范圍—研究生為討論主體—教師最后總結(jié)”的模式。在整個過程中，教師和研究生的角色完全轉(zhuǎn)換，由研究生基于自身掌握的知識充分發(fā)揮自己的想象，針對若干問題展開探討或者辯論。譬如，教師在探討前先介紹圖像去噪理論的相關(guān)知識，包括噪聲產(chǎn)生的原理、噪聲的種類、噪聲在圖像中的表現(xiàn)、幾類經(jīng)典圖像去噪方法等，上述部分內(nèi)容講授完畢后確定3個問題，即均值去噪和中值去噪方法的原理有何不同？各自的優(yōu)缺點(diǎn)何在？各自在去噪過程中可能影響最終效果的因素有哪些？下一次課教師可安排專題討論，并將研究生在討論中的表現(xiàn)作為課程成績的一項重要依據(jù)。
在該門課程課代表的組織下，研究生被分成若干小組，大家利用課余時間分別對兩種去噪方法展開了深入研究，并通過Matlab軟件仿真驗證，記錄諸如峰值信噪比PSNR等相關(guān)指標(biāo)值，初步得出可能會影響最終去噪效果的若干因素；幾位同學(xué)針對一些不太一致的觀點(diǎn)展開激烈的討論；最后，由教師進(jìn)行內(nèi)容總結(jié)和答疑解惑，一些研究生還對教師的某些結(jié)論提出質(zhì)疑。
專題討論完畢后，教師和研究生普遍感覺以往枯燥又不合時宜的教學(xué)方法得到了徹底改變，研究生內(nèi)心的求知熱情得到了極大的激發(fā)。此外，整個專題討論過程也鍛煉了他們的邏輯思維，為了說服“對手”，他們必須要找到支撐自己觀點(diǎn)的科學(xué)依據(jù)，包括權(quán)威論壇上的答疑解惑以及仿真軟件仿真出來的實際結(jié)果等。有了這些證據(jù)后，他們還要對數(shù)據(jù)進(jìn)行分析研究、組織語言、理清思路，而在以往的教學(xué)模式下，研究生并不會主動花費(fèi)時間查找資料，教師由于課時的關(guān)系也不可能對每一種理論都進(jìn)行仿真演示。
3.3.3 專題講座
擔(dān)任數(shù)字圖像處理課程任務(wù)的教師必須從事圖像處理領(lǐng)域研究，因此，在教學(xué)過程中，適時安排1~2次專題講座，由任課教師將自己在本領(lǐng)域的研究成果或是研究體會以講座的形式向研究生進(jìn)行報告。在講座過程中，教師將從一個較高的層次，把一些新的內(nèi)容介紹給研究生，同研究生一起分享圖像處理領(lǐng)域最新的發(fā)展動態(tài)和研究成果，開拓研究生的視野，為研究生動態(tài)更新最新的前沿知識。另一方面，由于課程標(biāo)準(zhǔn)制定過程中教學(xué)對象已實現(xiàn)了精確定位，凡是選修數(shù)字圖像處理課程的研究生日后均要從事該領(lǐng)域的研究，因此專題講座的開展也在一定程度上為研究生日后的學(xué)位論文撰寫提供靈感和研究方向。顯然，專題講座是課程教學(xué)強(qiáng)大而又有益的補(bǔ)充。
3.3.4 實踐操作
由教師從教學(xué)內(nèi)容中選取若干重難點(diǎn)且與部隊作戰(zhàn)（訓(xùn)練）密切關(guān)聯(lián)的內(nèi)容，交由研究生自行仿真實現(xiàn)，記錄主客觀評價指標(biāo)數(shù)值，對仿真結(jié)果進(jìn)行比較與分析，并得出結(jié)論；對仿真結(jié)果中的不足展開討論，給出可能的解決方案。顯然，該階段側(cè)重課程標(biāo)準(zhǔn)中“反映部隊特色”的宗旨，要求學(xué)員學(xué)以致用，切實將書本中的理論知識運(yùn)用到部隊實際中，為部隊服務(wù)，提高作戰(zhàn)能力，體現(xiàn)軍隊院校“向部隊靠攏，向?qū)崙?zhàn)靠攏”的辦學(xué)宗旨。
在實際操作中，為了貼合武警部隊反恐處突場景的作戰(zhàn)實際，教師為學(xué)生布置了模式識別版塊中的圖像融合仿真實驗，給出了國際TNO組織提供的聯(lián)合國營地源圖像，源圖像取自同一場景，一幅由灰度可見光圖像傳感器獲得，另一幅由紅外圖像傳感器獲得。該實踐場景十分類似于武警部隊對潛藏在樹林中的恐怖分子進(jìn)行圍捕的場景，要求研究生對現(xiàn)行資料中融合效果較好的6種融合方法進(jìn)行仿真，記錄仿真結(jié)果并加以分析討論。
通過這一階段的訓(xùn)練，研究生將書本中的理論知識與實際應(yīng)用進(jìn)行了有機(jī)結(jié)合，取得了良好的效果，并為日后將相應(yīng)方法應(yīng)用于部隊作戰(zhàn)（訓(xùn)練）提供了理論基礎(chǔ)和支持。
3.4 考核方法
課程考核采取百分制，并綜合考慮研究生在筆試、專題討論、實踐操作3個環(huán)節(jié)中的表現(xiàn)，3者的比例為0.30：0.35：0.35。在考核中，教師更看重研究生在該門課程中針對實際問題的分析能力和實踐動手能力，以期學(xué)生真正理解和消化書本中的理論知識。筆試采取開卷方式進(jìn)行，側(cè)重考核研究生對該門課程中的基本理論、概念、公式的掌握情況，因此，同以往的純閉卷考試相比，該考核方法靈活度更高，考核效果也更理想。在最終考核中，由于采取了更為有效的考核方式，學(xué)生只要認(rèn)真參與教學(xué)活動，必然可以順利通過考試并拿到高分。如今，兩年的教學(xué)改革已經(jīng)使該課程在研究生中小有名氣，從往日學(xué)員們的“黑名單”課程轉(zhuǎn)而成為“熱銷品牌”。
4 結(jié) 語
兩年的實踐結(jié)果表明，相比傳統(tǒng)的授課方式，該改革方案更符合高等院校的教學(xué)規(guī)律和實際情況，尤其是將部隊的實戰(zhàn)需求充分融入課程標(biāo)準(zhǔn)的制定過程，更加貼近了當(dāng)前軍隊院校的人才培養(yǎng)需求，充分體現(xiàn)了軍隊院校“向部隊靠攏，向?qū)崙?zhàn)靠攏”的辦學(xué)宗旨。
參考文獻(xiàn)：
[1] 岡薩雷斯. 數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社, 2014.
[2] 賈永紅. 數(shù)字圖像處理[M]. 武漢: 武漢大學(xué)出版社, 2010.
[3] 楊淑瑩, 張樺.“數(shù)字圖像處理”理論與實踐相結(jié)合教學(xué)模式[J]. 計算機(jī)教育, 2009(24): 84-86.
[4] 周海芳.“數(shù)字圖像處理”課程研討式教學(xué)[J]. 計算機(jī)教育, 2010(24): 93-97.
[5] 周耿烈, 魯逢蘭. 圖像處理技術(shù)精品課程建設(shè)[J]. 計算機(jī)教育, 2010(18): 101-104.
[6] 何楚, 馮倩, 楊芳, 等. 數(shù)字圖像處理課程實驗教學(xué)過程設(shè)計[J]. 計算機(jī)教育, 2011(18): 74-77.
[7] 沈曉晶, 王艷, 趙慧娟. 應(yīng)用型院校數(shù)字圖像處理本科教學(xué)探索[J]. 計算機(jī)教育, 2012(1): 86-88.
關(guān)鍵詞：ImageJ；圖像處理；數(shù)字濾波；小波變換；算法設(shè)計
中圖分類號：TP751文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)07-1638-03
Image Processing Algorithm Design Research Based on ImageJ
ZHAO Yi-li
(Dept. of Computer, Southwest Forestry University, Kunming 650224, China)
Abstract: Proposing an image processing algorithm design program based on ImageJ software, the program can complete digital image processing algorithm design quickly and accurately, and it is a useful complement for which based on MATLAB or C/C++ language environments. Through two examples of digital filtering and wavelet transform, the paper shows the benefits of the program for the image processing algorithm design task. Meanwhile, with the ImageJ's open plug-in architecture, making the design has good modularity and scalability.
Key words: imagej; image processing; digital filtering; wavelet transform; algorithm design
1 數(shù)字圖象處理算法設(shè)計概述
在進(jìn)行數(shù)字圖像處理算法仿真時，采用的方案主要有兩大類。一類是使用MathWorks公司開發(fā)的MATLAB軟件。另外一類基于C和C++語言，以及Microsoft公司的Visual Studio平臺和MFC框架。
1.1 基于MATLAB的圖像處理算法設(shè)計
由MathWorks公司開發(fā)的MATLAB[1]軟件非常適合用于處理向量和矩陣，在科學(xué)研究和產(chǎn)品的原型開發(fā)與設(shè)計中得到了廣泛的應(yīng)用。并且被國內(nèi)外許多大學(xué)采用作為線性代數(shù)和數(shù)值計算的計算機(jī)輔助教學(xué)軟件。該軟件本身提供了一種高級語言，能夠通過編程的方式解決問題。由于MATLAB附帶了一個功能完整的圖像處理工具箱[2]，因此很多研究者都基于MATLAB進(jìn)行數(shù)字圖像處理算法的設(shè)計[3-5]。
采用MATLAB軟件作為原型系統(tǒng)設(shè)計具有可靠和快速的優(yōu)點(diǎn)，但是也存在三個缺點(diǎn)。第一，由于MATLAB是一個商業(yè)軟件，軟件的版權(quán)費(fèi)用比較昂貴。第二，MATLAB對相應(yīng)的圖像處理算法行了封裝。因此，很難有機(jī)會看到相關(guān)算法的實現(xiàn)代碼。第三，在MATLAB中開發(fā)的程序必須要有MATLAB的運(yùn)行庫支持，脫離了MATLAB環(huán)境就無法運(yùn)行。
1.2 基于C和C++語言的圖像處理算法設(shè)計
另外一類設(shè)計方案基于C和C++語言。C語言是很多圖像處理和數(shù)值分析庫的首選編程語言。但是，使用C語言需要通過指針訪問圖像數(shù)據(jù)，而且需要手動進(jìn)行內(nèi)存的分配和釋放。因此在使用C語言進(jìn)行算法設(shè)計的時候，往往會把注意力轉(zhuǎn)移到其它和圖像處理無關(guān)的領(lǐng)域上面，而且C語言本身也沒有提供用戶界面接口環(huán)境。
隨著C++語言的普及，越來越多的研究者開始采用C++語言進(jìn)行圖像處理算法設(shè)計。這些設(shè)計大部分都是基于Visual C++環(huán)境，并且使用MFC完成相關(guān)的用戶界面接口。由于C++語言本身的復(fù)雜性，以及MFC具有相對陡峭的學(xué)習(xí)曲線，使得這個方案開發(fā)效率不是很高。言內(nèi)容。
2 基于ImageJ的圖像處理算法設(shè)計
為了能夠解決以上提到的問題，作者在進(jìn)行數(shù)字圖像處理工程實踐中，采用基于Java語言編寫的ImageJ平臺的算法仿真方案。通過一些項目的實踐，取得了不錯的效果。下面對采Java語言和ImageJ平臺的原因進(jìn)行闡述。
2.1 采用Java語言的原因
隨著Java語言及其平臺的日益成熟，使得Java語言[6]在多個領(lǐng)域都得到了廣泛的應(yīng)用。選擇Java語言的原因是（1）Java語言是跨平臺的，可以使用多個操作系統(tǒng)來進(jìn)行算法設(shè)計，例如Windows、Linux或者M(jìn)ac OS；（2）Java語言是免費(fèi)和開放的；（3）Java語言帶有網(wǎng)絡(luò)開發(fā)的標(biāo)準(zhǔn)庫，這使得開發(fā)基于Web的圖像處理系統(tǒng)更加方便；（4）Java語言帶有用戶界面庫AWT和Swing，可以將圖像處理算法和處理結(jié)果的可視化無縫銜接起來；（5）Java語言是面向?qū)ο蟮模⑶抑С掷厥蘸土己玫漠惓Ｌ幚頇C(jī)制。這樣研究者更容易把注意力集中在算法實現(xiàn)上面，而不是指針的操作以及內(nèi)存的手動分配與回收這些與問題域無關(guān)的事物上面；（6）Java程序運(yùn)行速度很快，這意味著可以得到算法運(yùn)行結(jié)果的即時反饋，即實時性。
2.2 采用ImageJ的原因
ImageJ是由美國國家衛(wèi)生總局的維恩開發(fā)的一個功能強(qiáng)大的圖像處理和分析軟件[7]，在全世界被很多生物學(xué)家和醫(yī)學(xué)圖像處理研究者應(yīng)用于生物醫(yī)學(xué)圖像處理研究[8]。由于ImageJ本身是使用Java語言編寫的，因此可以運(yùn)行在任何一個安裝了Java虛擬機(jī)的操作系統(tǒng)上面。同時，在ImageJ的網(wǎng)站上也提供了相應(yīng)的源程序和幫助文檔下載，研究者可以通過下載ImageJ的源代碼對ImageJ內(nèi)部的工作機(jī)制和原理進(jìn)行分析。最重要的是ImageJ的設(shè)計基于插件架構(gòu)體系，可以通過編寫插件對其功能進(jìn)行擴(kuò)展。利用ImageJ的插件機(jī)制，可以將不同的圖像處理算法編寫為相應(yīng)的插件。通過Java虛擬機(jī)和ImageJ提供的插件動態(tài)加載功能，當(dāng)用戶對插件進(jìn)行更改以后，直接編譯就可以在ImageJ中進(jìn)行加載和運(yùn)行，而無需重新啟動應(yīng)用程序，即提供了所謂“熱拔插”的功能。
3 圖像處理算法設(shè)計示例
下面將通過兩個例子來說明如何基于ImageJ平臺進(jìn)行數(shù)字圖像處理算法設(shè)計。通過這兩個例子可以看到ImageJ的插件機(jī)制為圖像處理算法的實現(xiàn)提供了一個非常好的平臺。
3.1 數(shù)字濾波
隨著數(shù)字濾波是圖像平滑和銳化算法的理論基礎(chǔ)[9]。論文實現(xiàn)了數(shù)字濾波的兩種算法，一種使用不可分離算法，另外一種使用可分離的算法。一個大小為m*n的濾波器，對于每個像素，不可分離算法的時間復(fù)雜度為O(m*n)，可分離算法的時間復(fù)雜度為O(m+n)。因此，可分離算法在模塊化和計算時間方面更有優(yōu)勢。
算法1 垂直邊緣濾波器的不可分離算法
public ImageProcessor nonseparable(ImageProcessor input) {
int w = input.getWidth();
int h = input.getHeight();
ImageProcessor output = new ImageProcessor(w, h);
double[][] block = new double[3][3];
double value = 0.0;
for (int x = 0; x < w; x++) {
for (int y = 0; y < h; y++) {
input.getNeighborhood(x, y, block);
value = (block[2][0] - block[0][0] + block[2][1] - block[0][1] + block[2][2] -block[0][2])/6.0;
output.putPixel(x, y, value);}}
return output;}
算法2 垂直邊緣濾波器的可分離算法
public ImageProcessor separable(ImageProcessor input) {
int w = input.getWidth();
int h = input.getHeight();
ImageProcessor output = new ImageProcessor(w, h);
double rowin[]= new double[w];
double rowout[] = new double[w];
for (int y = 0; y < h; y++) {
input.getRow(y, rowin);
difference(rowin, rowout);
output.putRow(y, rowout);}
double colin[]= new double[h];
double colout[] = new double[h];
for (int x = 0; x < nx; x++) {
output.getColumn(x, colin);
average(colin, colout);
output.putColumn(x, colout);}
return output;}
private void average(double in[], double out[]) {
int n = in.length;
out[0] = (2.0 * in[1] + in[0]) / 3.0;
for (int k=1; k
out[k] = (in[k-1] + in[k] + in[k+1]) / 3.0;}
out[n-1] = (2.0 * in[n-2] + in[n-1]) / 3.0;}
private void difference(double in[], double out[]) {
int n = in.length;
out[0] = 0.0;
for (int k=1; k
out[k] = (in[k+1] - in[k-1])/2.0;}
out[n-1] = 0.0;}
表1列出了ImageJ的均值濾波的測試時間，測試環(huán)境為：512 x 512的灰度圖像，JRE 1.6.0_21，Intel Core Quad/2.33GHz，4GB RAM。從表1中可以看到可分離算法相對于不可分離算法的優(yōu)勢，特別是當(dāng)濾波器尺寸加大以后更加明顯。
3.2 小波變換
另外一個例子是實現(xiàn)可分離的二維Haar小波變換[10]。
算法3 二維Haar小波變換
public ImageProcessor analysis(ImageProcessor input, int nbScale) {
int nx = input.getWidth();
int ny = input.getHeight();
ImageProcessor output = input.duplicate();
ImageProcessor buffer;
for (int i=0; i
buffer = new ImageProcessor(nx, ny);
ouput.getSubImage(0, 0, buffer);
buffer = split(buffer);
output.putSubImage(0, 0, buffer);
nx = nx / 2;
ny = ny / 2;}
return output;}
private ImageProcessor split(ImageProcessor input) {
int nx = input.getWidth();
int ny = input.getHeight();
ImageProcessor output= new ImageProcessor(nx, ny);
double rowin[]= new double[nx];
double rowout[] = new double[nx];
for (int y=0; y
input.getRow(y, rowin);
split_1D(rowin, rowout);
output.putRow(y,rowout);}
double colin[] = new double[ny];
double colout[] = new double[ny];
for (int x=0; x
output.getColumn(x, colin);
split_1D(colin, colout);
output.putColumn(x,colout);}
return output;}
private void split_1D(double in[], double out[]) {
int n = in.length / 2;
double sqrt2 = Math.sqrt(2.0);
int k1;
for (int k=0; k
k1 = 2 * k;
out[k] = (in[k1] + in[k1+1]) / sqrt2;
out[k+n] = (in[k1] - in[k1+1]) / sqrt2;}}
圖1是基于ImageJ設(shè)計的Haar小波變換仿真的運(yùn)行結(jié)果。
3 結(jié)論
論文提出的基于ImageJ軟件的數(shù)字圖像處理算法設(shè)計方案對傳統(tǒng)的基于MATLAB和C/C++語言的方案是一個非常好的補(bǔ)充。通過相關(guān)的兩個實例也展現(xiàn)了這種方案在實現(xiàn)數(shù)字圖象處理算法時的簡潔和快速，對于研究者設(shè)計和驗證新的圖像處理算法是一個非常好的平臺。同時由于ImageJ基于插件的架構(gòu)體系設(shè)計，使得研究者可以將不同的圖像處理算法編寫為相應(yīng)的插件，對其進(jìn)行擴(kuò)充和二次開發(fā)。
參考文獻(xiàn)：
[1] The MathWorks Inc. MATLAB,Natwick,MA.[CP/OL].
[2] Rafael C,Richard E,Steven L.Digital Image Processing Using MATLAB [M].[S.l]:Prentice Hall,2004.
[3] 安平,王朔中.建立在MATLAB平臺上的數(shù)字圖像處理教學(xué)實驗系統(tǒng)[J].實驗室研究與探索,2001(1).
[4] 賈永紅.現(xiàn)代化教學(xué)手段在數(shù)字圖像處理教學(xué)中的應(yīng)用研究[J].測繪通報,2006(1).
[5] 張國琴,吳周橋.MATLAB在數(shù)字圖像處理教學(xué)中的應(yīng)用[J].武漢科技學(xué)院學(xué)報,2005(10).
[6] The Java Language.[CP/OL].
[7] Image J.rsb.info.nih.gov/ij[CP/OL].
[8] Sage D,Unser M.Teaching Image-Processing Programming in Java[J].IEEE Signal Processing Magazine,2003,20(6):43-52.
論文關(guān)鍵詞：數(shù)字圖像處理,方差,均方差,衛(wèi)星圖像
遙感有著高效、快捷且不受時間空間限制的特點(diǎn)，被廣泛應(yīng)用于農(nóng)、林、地、礦、軍事等諸多領(lǐng)域。通過衛(wèi)星遙感技術(shù)獲得的地球表面客體或事物的衛(wèi)星遙感圖像也越來越多地應(yīng)用在地球資源的調(diào)查、自然災(zāi)害預(yù)測預(yù)報環(huán)境污染監(jiān)測、氣象衛(wèi)星云圖處理以及用于軍事目的的地面目標(biāo)識別等各個方面。有著遙感作用的NOAA氣象衛(wèi)星的運(yùn)行周期短、覆蓋面廣，目前正廣泛受到人們的關(guān)注，并作用于農(nóng)業(yè)估產(chǎn)、林火監(jiān)測、漁況預(yù)報、城市熱島等方面。但是，NOAA衛(wèi)星圖像數(shù)據(jù)的使用效率并不高，再加上云的存在，使衛(wèi)星資料反演的各種參數(shù)出現(xiàn)誤差，而對于同一幅NOAA衛(wèi)星圖像中的薄云和濃云的處理目前還未見到很適用算法，所以，研究時效性的除云算法在軍事、環(huán)境、氣候、自然災(zāi)害等領(lǐng)域有重要的意義和研究價值。
1云檢測方法
根據(jù)同一衛(wèi)星圖像，它在各個分量上的水汽、二氧化碳、一氧化碳、甲烷等氣體據(jù)有相同的屬性參數(shù)，截取目標(biāo)區(qū)域圖像和該區(qū)域附近的無云樣品區(qū)域進(jìn)行處理。
由于云是不穩(wěn)定因子，它隨時間和空間變化而變化，即不同季節(jié)云的反射率和亮溫不同，不同空間高度云的反射率和亮溫又有所不同。因此，要能較好地識別云區(qū)范圍就要了解它的空間和時間分布特性，并采用行之有效的方法來解決這個難題。然而鑒于不同的云相對于植被、土壤、水域等不同下墊面在可見光和近紅外波段具有較高的反射率，而在熱紅外波段由較低的亮溫，這就給我們判云帶來了有利條件。針對與所選用的熱紅外通道，我們采用了以下幾種方法進(jìn)行了檢測云。
1.1單通道探測值閾值檢測
任取NOAA氣象衛(wèi)星的某一通道圖像資料，并給定一個云區(qū)灰度閾值，凡高于該閾值的像元皆為云。
1.2可見光和近紅外通道反射率閾值檢測
計算可見光和近紅外通道圖像的反射率，給定反射率閾值，凡高于該閾值的為云。
1.3紅外通道溫度閾值檢測
運(yùn)用普朗克公式計算紅外通道的亮溫和溫度，設(shè)立溫度閾值，凡低于該閾值的為云。
2除云方法討論
云檢測的目的是找出云影響的測量值，回歸晴空測量值后用于計算海面溫度。云檢測是基于觀測目標(biāo)自身的特性，比如，海面溫度梯度變化不大；在紅外和可見光波段中，海面較云頂有較高的溫度和低得多的反射率；海面和云頂在不同紅外窗區(qū)通道反射率上的差異等，推測出有云影響的數(shù)據(jù)。
在氣候變化中，云與輻射起著關(guān)鍵的作用，云層影響著地球的輻射收支地球表面溫度以及氣候變化趨勢。遙感圖像處理中，與覆蓋時最常見的噪聲之一，它不僅對圖像的處理帶來諸多困難。
2.1國外遙感溫度研究
從70年代開始，研究者開始嘗試從機(jī)理方面著手研究亮溫與地表溫度的關(guān)系。由于衛(wèi)星獲得的亮溫是由大氣頂層接收的輻射亮度值換算而成的，而大氣對遙感器接收地表信息的影響較大，所以早期的研究主要集中于大氣輻射校正上。到目前為止，己經(jīng)研究出很多輻射校正方法，但是這些方法大部分都需要其它氣象數(shù)據(jù)的支持，比如不同高度的大氣濕度等。
大氣校正方法比較煩瑣，后來有的學(xué)者基于相鄰波段大氣吸收特性提出了一種全新的方法，直接運(yùn)用兩個波段的亮溫數(shù)據(jù)去推算地表的溫度。這就是一種比較簡單有效的溫度反演方法，即分窗口技術(shù)法(Split-windowTechnology)，該方法可在少量的地表參數(shù)支持下從氣象衛(wèi)星數(shù)據(jù)反演出地表溫度。目前溫度反演研究主要集中在NOAA衛(wèi)星圖像的熱紅外波段。
2.2國內(nèi)遙感溫度研究
國內(nèi)在遙感地表溫度研究中主要采用的還是數(shù)理統(tǒng)計方法，此后沿襲這些研究思路和研究方法，特別是中國科學(xué)院遙感應(yīng)用研究所在土壤水分方面進(jìn)行了大量的研究，但是作為其中最為重要的參數(shù)之一的地表溫度的研究卻進(jìn)展不大，沒有跟上國際上由數(shù)理統(tǒng)計研究取得的結(jié)果。
北京大學(xué)學(xué)者提出了一種新的改進(jìn)分窗口技術(shù)方法，該方法的特色之處在于引入相鄰像元的概念。研究者給定了兩種情況下的溫度反演法，第一種情況是假設(shè)地表輻射率已知，然后運(yùn)用迭代反演方法求解地表溫度。該方法模擬結(jié)果與其它共5種模型結(jié)果分析比較，精度有較大的提高。第二種情況是地表輻射率未知，來反演地表溫度與輻射率。這時采用雙通道雙像元法去求解相應(yīng)的參數(shù)。通過模擬計算取得了較好的精度，在大氣廓線總水汽含量誤差小于10%時，反演的溫度均方根誤差0.7。輻射率均方根誤差0.013，地表輻射項的均方根誤差小于0.6%，己經(jīng)可以滿足陸地表面溫度反演1的精度要求。
雙通道雙像元法是經(jīng)典分窗口技術(shù)法的延伸，利用相鄰像元間輻射率之間的關(guān)系，在地表輻射率未知的情況下反演地表溫度是個很好的方法。但是該方法也有局限性，在大氣水汽含量誤差大于20%時，反演的溫度誤差就會顯著增加。
陸面溫度反演中分窗口技術(shù)法經(jīng)過不斷改進(jìn)，反演精度有所提高，但是這些改進(jìn)的方法還沒有達(dá)到大面積應(yīng)用階段，更不能像海溫研究那樣進(jìn)入業(yè)務(wù)運(yùn)行階段，因此，要達(dá)到陸面溫度反演的實用化程度，還需要繼續(xù)拓展。最近幾年遙感界出現(xiàn)了一個熱門的研究領(lǐng)域，就是多角度遙感數(shù)據(jù)反演研究，這個方法可能為組分溫度遙感提供一個新的思路。
參考文獻(xiàn)
1 陸玲,王蕾,桂穎.數(shù)字圖像處理[M],北京:中國電力出版社, 2007.
2 高成,董長虹,郭磊等.Matlab 圖像處理與應(yīng)用(第二版)[M],北京:國防工業(yè)出版社.2006.
3 何東健,耿楠,張義寬. 數(shù)字圖像處理[M],西安電子科技大學(xué)出版社,2003.
4 陳良富,徐希儒.陸面溫度反演的新進(jìn)展[J],國土資源遙感,1999,3:47-50.
關(guān)鍵詞：稀疏表示 圖像質(zhì)量 幾何結(jié)構(gòu)
中圖分類號：TP3 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2012）12（c）-00-01
1993年Mallat和Zhang提出了信號的稀疏表示，在信號逼近上取得了出色的表現(xiàn)，迅速引起了廣大學(xué)者的普遍關(guān)注，信號稀疏表示研究很快被從一維信號推廣到二維信號圖像的研究上。
稀疏表示的模型可以表示為：
式中為向量的l0范數(shù)，表示向量x中非零元素的個數(shù)，x即為信號y的稀疏表示。
在數(shù)字圖像處理中，由于圖像的數(shù)據(jù)信息具有冗余性，為冗余字典，因此可以在冗余字典上進(jìn)行稀疏表示，y則為圖像子塊的列向量表示。如何構(gòu)造表達(dá)能力強(qiáng)、訓(xùn)練簡單的冗余字典是圖像處理中的關(guān)鍵一步，自稀疏表示理論的提出，在圖像去噪、去模糊、超分辨率、圖像修復(fù)等方面得到了廣泛的應(yīng)用，取得了比傳統(tǒng)方法更好的處理結(jié)果。
1 稀疏表示理論在提高數(shù)字圖像質(zhì)量中的應(yīng)用
Michael Elad是較早將稀疏表示理論應(yīng)用于圖像去噪與超分辨率的代表人物[1]，他將K均值聚類方法引入字典訓(xùn)練過程中。在K均值算法中，求解一個包括K個代碼的碼本，使得在此碼本上，根據(jù)最鄰近分配法則，對包含N個信號的集合進(jìn)行分類，得到最佳分類。在稀疏表示中，稀疏表示的過程可以看做廣義矢量量化過程，其中的每個信號用多個代碼的線性組合表示。當(dāng)要求K-SVD中的每個信號只能用一個原子來近似時，K-SVD算法就退化為K均值算法。K-SVD在稀疏編碼與字典更新之間交替迭代，保證總誤差單調(diào)下降，因此可保證能收斂到局部（或全局）最小值，從而得到性能優(yōu)良的過完備字典。K-SVD訓(xùn)練字典方法廣泛的應(yīng)用在圖像復(fù)原問題上。基于K-SVD訓(xùn)練得到的過完備字典，取得了較好的圖像去噪與超分辨率結(jié)果。
統(tǒng)計學(xué)中的主成分分析（PCA）的概念，也被引入到字典訓(xùn)練當(dāng)中。在統(tǒng)計學(xué)當(dāng)中，變量個數(shù)太多會增加問題的復(fù)雜性主成分分析作為一種統(tǒng)計分析方法，它可以從多元事物中解析出主要影響因素，簡化復(fù)雜問題。PCA的核心思想，就是將高維數(shù)據(jù)投影到低維空間。尋找 r 個新變量，使其反映事物的主要特征，每個新變量是原有變量的線性組合，體現(xiàn)原有變量的綜合效果，則這 r 個新變量稱之為“主成分”，它們兩兩正交不相關(guān)。這 r 個主成分可以在很大程度上反映原來變量的信息。Hui Zou引入了SPCA（Sparse PCA）的概念，他修改了傳統(tǒng)的PCA方法，利用主成分負(fù)載的稀疏性，使算法變得更加易懂，且得到更為稀疏的結(jié)果。
形態(tài)學(xué)成分分析（MCA）作為一種新興的信號分解方法，吸引了很多人的注意。MCA根據(jù)圖像信號組成成分的形態(tài)差異性，將圖像內(nèi)容分割為紋理區(qū)域和卡通區(qū)域。不同區(qū)域其擬合字典類型不同。小波變換可以很好的表示圖像光滑區(qū)域的特征，curvelet變換通過帶方向的局部傅里葉基，可以有效的處理邊緣特征。離散余弦變換（DCT）以及Gabor變換是紋理區(qū)經(jīng)常采用的兩種處理方式。MCA充分的考慮了圖像的結(jié)構(gòu)組成部分以及內(nèi)部特征，廣泛用于盲源分離、圖像分解、圖像修補(bǔ)等。
Julien Mairal將自然圖像的自相似性引入到圖像恢復(fù)模型中。圖像的自相似性，其根本是自然圖像的統(tǒng)計特征。Julien Mairal非局部模型與稀疏編碼結(jié)合成一個框架，將噪聲在相似塊之間進(jìn)行平均，取得了較好的去噪、去馬賽克結(jié)果。同樣，自相似性在圖像去模糊、圖像修補(bǔ)方面也展示了其良好的性能。
Weisheng Dong提出了一種新的圖像復(fù)原模型CSR，利用減小退化圖像分解系數(shù)與原圖分解系數(shù)之間的差異來達(dá)到復(fù)原圖像的目的，其本質(zhì)是自相似性的應(yīng)用。在超分辨率方面，他提出了自適應(yīng)稀疏域選擇超分辨率算法，認(rèn)為超分辨率重建結(jié)果的優(yōu)劣很大部分取決于稀疏域的選擇，對輸入的樣本先采用K-均值聚類，采用PCA算法進(jìn)行詞典訓(xùn)練，將非局部相似性（NL）和圖像去噪中的自回歸（AR）模型與超分辨率重建模型有效結(jié)合，提高了超分辨率重建質(zhì)量。
Nebojsa創(chuàng)造性的提出了圖像摘要的概念。他將圖像的特征提取為一幅摘要圖，在圖像處理過程中，對該摘要圖進(jìn)行分解處理，這是合理并且有效的。Louise 利用該思想，在圖像去噪方面取得了較好的去噪結(jié)果。
Kostadin在變換域，通過一組協(xié)作濾波器，將一幅圖像中結(jié)構(gòu)相似的二位塊聚合成一組，形成一個三維模型，以增強(qiáng)其表示的稀疏性。Aram利用該3D理論，建立了一個新的圖像模型―BM3D。BM3D在圖像復(fù)原方面表現(xiàn)了其卓越的性能。
最近，保持圖像幾何結(jié)構(gòu)的思想吸引了很多人的注意。Samy Bengio將圖像分割成相互重疊的塊，結(jié)構(gòu)相似的塊組成一個群組，分別對每個組進(jìn)行分解訓(xùn)練，這就是群組編碼的思想，其基本思想類似于非局部思想，也是利用了自然圖像的自相似性。關(guān)于結(jié)構(gòu)稀疏方面的研究展示了結(jié)構(gòu)分組比簡單不重疊的分組更一般的特性。例如，樹狀分組或是重疊分組。結(jié)構(gòu)稀疏正則化具有十分廣闊的應(yīng)用前景。結(jié)構(gòu)稀疏PCA作為一種新型的有效的非凸稀疏方法，在字典訓(xùn)練方面，可以取得較為理想的結(jié)果。
縱觀稀疏表示理論出現(xiàn)以后的圖像處理論文，廣大研究者著重于研究如何獲得表示能力強(qiáng)的冗余字典，以及通過結(jié)合多重約束，如平滑約束，相似性約束，幾何結(jié)構(gòu)不變性約束等來得到高質(zhì)量的圖像，近年來取得了很大的進(jìn)展。但是稀疏表示屬于一種優(yōu)化問題，涉及到字典學(xué)習(xí)和稀疏求解的計算過程比較復(fù)雜，因而對于該理論在圖像的實時處理上受到了限制，因此如何縮短計算時間也是這個模型急需解決的問題。
2 結(jié)語
該文介紹了稀疏表示模型，重點(diǎn)對其在提高數(shù)字圖像質(zhì)量方面的應(yīng)用進(jìn)行了綜述，最后指出稀疏表示模型在圖像處理中要實用化必須縮短計算時間。
摘要：本文主要介紹了基于結(jié)構(gòu)光雙目立體視覺技術(shù)的焊縫識別與測量的處理方法，實現(xiàn)了焊縫圖像識別與測量的自動化。通過對已有算法的組合設(shè)計出了一套相應(yīng)的算法處理流程。重點(diǎn)研究了焊縫圖像預(yù)處理以及特征提取部分。在焊縫圖像預(yù)處理部分，采取中值濾波和灰度最大化對圖像進(jìn)行簡要處理，并且結(jié)合后續(xù)處理步驟對灰度最大化算法進(jìn)行了一些改變，即只在焊縫邊緣附近進(jìn)行灰度最大化。在特征提取部分，分別介紹了兩種不同中心線提取的方法和基于最遠(yuǎn)距離的特征點(diǎn)提取方法。在以上工作的基礎(chǔ)上，運(yùn)用HALCON進(jìn)行編程并且開發(fā)出一個MFC簡單操作界面，將所有程序模塊進(jìn)行集成。實驗部分首先驗證了該視覺系統(tǒng)的有效性、穩(wěn)定性和精度，同時為了更加真實的模擬現(xiàn)實情況，我們還進(jìn)行了強(qiáng)光干擾實驗，并且對實驗數(shù)據(jù)進(jìn)行分析，提出了一些改進(jìn)措施。
關(guān)鍵詞焊縫視覺識別測量，圖像處理，特征提取，HALCON，干擾實驗
Visual Recognition and Measurement of Weld Seam
Abstract: A vision processing method to identify and measure the weld seam based on structured light binocular stereo vision technology is described in this paper and we automated image recognition and measurement of weld seam. We design a corresponding algorithm processing by a combination of existing algorithms. This paper focuses on the pre-processing and feature extraction section of weld seam image. In image pre-processing part, we use the methods of median filtering and grayscale maximizing to process image briefly, and we change the grayscale maximizing method based on subsequent processing steps, that is, only use it near the edge of the weld seam. In the feature extraction part, we introduce two different methods to extract the centerline and the method of feature point extraction based on the distance. Based on the above work, we program with HALCON and develop a simple user interface of MFC, and then all program modules are integrated. In the experimental section, the validity，stability and accuracy of the visual system are verified, and at the same time, we also conduct a light interference experiments for a more realistic simulation of the actual situation. Finally we analyze the experimental data and make some improvements.
Keywords:Visual measurement and recognition of weld seam, image processing, feature extraction, HALCON, interference experiment
1 緒論
視覺識別與測量以計算機(jī)視覺技術(shù)為基礎(chǔ)，涉及光學(xué)、光電子學(xué)、信號處理、圖像處理等一系列學(xué)科。其快速發(fā)展使得這一技術(shù)已經(jīng)從實驗室研究開始慢慢走向?qū)嶋H生產(chǎn)，具有廣泛的應(yīng)用前景，逐漸受到各類研究人員的重視，已成為生產(chǎn)過程中的關(guān)鍵技術(shù)之一。鑒于焊接技術(shù)的發(fā)展現(xiàn)狀以及焊接過程中各種因素的影響，焊接之后焊縫尚無法達(dá)到很高的質(zhì)量，焊縫的后續(xù)處理短期內(nèi)無法避免。要獲得質(zhì)量較高的焊縫就需要進(jìn)行后期的焊縫磨拋，而人工打磨費(fèi)時費(fèi)力，勞動強(qiáng)度大，還不能保證打磨質(zhì)量。因此研究焊縫視覺識別與測量對磨拋過程實現(xiàn)智能化和自動化是一項非常有意義的工作。本論文旨在通過組合設(shè)計一套焊縫圖像的識別與測量的算法流程，并且進(jìn)行編程實現(xiàn)，同時通過實驗進(jìn)行驗證以及改進(jìn)。
2 視覺算法
首先介紹一下雙目立體視覺技術(shù)，雙目立體視覺技術(shù)基于視差原理，兩攝像機(jī)同時記錄下空間某一物體的同一特征點(diǎn)，分別獲得點(diǎn)P的圖像。由P在圖像上所處的位置通過一些換算可以求得P在左右攝像機(jī)坐標(biāo)系下的，然后通過坐標(biāo)的旋轉(zhuǎn)與平移可以得到P點(diǎn)的三維坐標(biāo)。為了便于理論分析及計算，對實際情況情況進(jìn)行適當(dāng)轉(zhuǎn)化做出其原理圖，如圖2.1所示。
圖2.1 雙目視覺技術(shù)原理圖
上述雙目立體視覺原理在本論文中很多地方都有運(yùn)用，包括CCD標(biāo)定原點(diǎn)獲取以及三維測量，在后續(xù)不再介紹。
獲取焊縫的圖像之后，由于采集現(xiàn)場的各種干擾，在對圖像進(jìn)行特征提取之前需要采取相應(yīng)的措施降低圖像的各種干擾，增強(qiáng)圖像的對比度，在不破壞圖像保存的原有信息的前提下使焊縫更加便于后續(xù)的處理。此處重點(diǎn)介紹中值濾波去噪、灰度最大化等過程，這些對于后期焊縫輪廓以及特征點(diǎn)的提取有較大的影響，直至影響最終的測量結(jié)果。
中值濾波通常用于去除圖像中的噪聲以及毛刺，它是一種基于排序統(tǒng)計理論非線性信號處理技術(shù)，其基本思路是將待處理數(shù)字圖像中某一點(diǎn)的灰度值用該點(diǎn)附近鄰域中各點(diǎn)灰度值的中值來代替，從而消除孤立的噪聲點(diǎn)。處理效果如下圖2.2所示。
圖2.2 中值濾波后焊縫圖像對比
灰度最大化處理指的是將原圖像的灰度值范圍擴(kuò)大到0至255，一般對整體偏暗或者偏亮的圖像處理效果明顯。在對采集到的焊縫圖像進(jìn)行觀察過之后，我們可以發(fā)現(xiàn)由于激光的能量是比較強(qiáng)的，其亮度一般較大，而背景處很暗，正常的灰度最大化處理效果不明顯。在本課題中，我們只關(guān)注某一灰度范圍內(nèi)的灰度值，即焊縫邊緣處附近的灰度。此處對邊緣灰度最大化稍加改變，使得其只作用在焊縫邊緣處，而背景和焊縫中心處的灰度被設(shè)置為0或者255。不僅使圖像對比更明顯而且達(dá)到了二值化的效果，剔除了一些不必要的干擾。處理效果如圖2.3。
圖2.3 經(jīng)灰度最大化處理后焊縫圖像對比
在提取出焊縫的輪廓之后，可以將焊縫上下兩條輪廓的行坐標(biāo)相加取平均值，列坐標(biāo)不變得到焊縫中心線，如圖2.4所示。也可以由HALCON中自帶的算子直接提取焊縫中心線，它提取中心線是在輪廓曲線法方向上進(jìn)行的。如圖2.5所示。
圖2.4 輪廓平均值方法求得的焊縫中心線
圖2.5 直接求得的焊縫中心線
在得到焊縫中心線之后，我們就需要在中心線上找出關(guān)鍵點(diǎn)，用于計算焊縫的參數(shù)。如圖2.6所示，B、C、D三點(diǎn)為關(guān)鍵點(diǎn)，可以通過坐標(biāo)旋轉(zhuǎn)進(jìn)行提取。以C點(diǎn)為例，連接AE并且將中心線繞A旋轉(zhuǎn)至AE水平找到曲線上行坐標(biāo)的最大值，該最大值處所對應(yīng)的點(diǎn)的坐標(biāo)就是特征點(diǎn)C。同理可以找到B點(diǎn)和D點(diǎn)。找到左右目圖像的特征點(diǎn)之后可以還原他們在世界坐標(biāo)中的三維坐標(biāo)，從而可以計算出焊縫的相關(guān)參數(shù)。
圖2.6 焊縫特征點(diǎn)提取示意圖
3 焊縫視覺軟件開發(fā)
程序框架如下圖3.1所示，第一步在HALCON中編寫各個模塊的組成程序，如二值化、中值濾波、邊緣提取等等，然后在HALCON 中將其組合，使其能實現(xiàn)某一功能，比如圖像增強(qiáng)、特征提取等等，在這之后我們將HALCON程序轉(zhuǎn)存為VC程序，并且建立起對應(yīng)的程序工程，使其可以實現(xiàn)獨(dú)立的功能。最后編寫MFC界面，在每個按鈕對應(yīng)的位置添加相應(yīng)的響應(yīng)函數(shù)調(diào)用之前的各個功能模塊，將所有程序集合在一起，通過界面響應(yīng)外界的操作。集成之后的軟件如圖3.2所示。
圖3.1 程序總體框架
圖3.7 MFC主要界面
4實驗分析及研究
在測得實際數(shù)據(jù)（如圖4.3）之后，我們使用視覺系統(tǒng)對相同的焊縫段進(jìn)行測量，通過比較實測數(shù)據(jù)和視覺測量數(shù)據(jù)來驗證算法的有效性。為避免實驗的偶然性，我們采用視覺系統(tǒng)對劃定好的焊縫重復(fù)測量三次，另一方面還能驗證該套視覺處理系統(tǒng)的重復(fù)穩(wěn)定性，即對同一段焊縫在完全相同的條件測量多次觀察每次測量的數(shù)據(jù)是否一致。實驗所得數(shù)據(jù)如下圖4.2所示。
圖4.1 視覺測量與實測焊縫余高對比圖 4.2 視覺測量與實測焊縫余高對比綜合圖
由圖4.1易知，視覺測得數(shù)據(jù)與實測數(shù)據(jù)之間并沒有特別大的差距，其變化趨勢也基本一致，這說明該視覺系統(tǒng)具有一定的可用性。從實驗平均值來看，實測平均值為1.8923mm視覺測量平均值為1.8057mm，誤差大概為5%。從圖4.2可以看出，使用視覺測量時，三次測量結(jié)果之間沒有明顯差異，數(shù)據(jù)幾乎一致，只存在很小的差別，考慮到現(xiàn)實測量過程中存在各種各樣的隨機(jī)誤差，這些差異應(yīng)該是被允許的。
圖4.3 焊縫實測數(shù)據(jù)圖 4.4 強(qiáng)光干擾下視覺系統(tǒng)所測數(shù)據(jù)與實際數(shù)據(jù)對比
在實際生產(chǎn)現(xiàn)場往往有可能出現(xiàn)強(qiáng)光干擾，這對于圖像采集而言影響特別大，會使采集到的圖像嚴(yán)重失真，存在很嚴(yán)重的噪點(diǎn)，嚴(yán)重時可能無法提取像素的有用信息，使得圖像失去其意義，如圖4.5右半部分。為防止這種情況出現(xiàn)，我們進(jìn)行相應(yīng)的強(qiáng)光干擾實驗，并且提出相應(yīng)的解決措施。在實驗之前我們先采集在手電筒光照下的圖片，觀察發(fā)現(xiàn)干擾較強(qiáng)時，圖片質(zhì)量很低，幾乎不能獲得什么有用信息，如圖4.4右目圖像所示。為解決這一問題，我們使用了窄帶濾波片，濾除不必要的干擾光，只讓激光器的光所對應(yīng)的頻率光通過攝像機(jī)鏡頭。其后獲得的圖像對比如圖：
圖4.4 強(qiáng)光干擾下加濾光片前后采集圖片對比圖
由上圖可以明顯看出，加上濾光片之后采集到的圖片質(zhì)量有很大改善，右邊圖像明顯無法進(jìn)行利用，而左目圖像則可以進(jìn)行處理。在加濾光片的條件下，我們使用LED手電筒做干擾光源，在焊縫上方一米處垂直照射焊縫模擬強(qiáng)光煩擾情況，并且持續(xù)到所有焊縫圖片采集結(jié)束。重復(fù)進(jìn)行了三組實驗，用來研究強(qiáng)光 干擾下系統(tǒng)的性能。此處給出其中一組數(shù)據(jù)如圖4.4。強(qiáng)光干擾下測得實驗數(shù)據(jù)如上圖綠線所示，其平均值為1.7953mm，與之前視覺所測的數(shù)據(jù)相差不大，與實測數(shù)據(jù)的差距也沒多大變化。可以看出在加上濾光片的前提下，強(qiáng)光對該系統(tǒng)測量性能影響不大。
5 結(jié)論
通過對已有算法的組合，設(shè)計出一套從焊縫圖像預(yù)處理到特征提取，最后獲得焊縫具體參數(shù)的算法流程。在軟件方面，用HALCON對各個圖像處理模塊進(jìn)行了編程，在VC環(huán)境中配置了HALCON函數(shù)庫，并且制作了MFC界面使各個程序模塊能夠在該界面下集成。在上述工作基礎(chǔ)上，進(jìn)行了算法有效性和穩(wěn)定性試驗以及強(qiáng)光干擾試驗，對實驗數(shù)據(jù)進(jìn)行了處理并且進(jìn)行了一些改進(jìn)。
參考文獻(xiàn)
[1] Carsten Steger，Markus UlrichChristian，Wiedemann.Machine Vision Algorithms and Application. 北京：清華大學(xué)出版社，2008.
[2] 何斌等. Visual C++數(shù)字圖像處理.北京市：人民郵電出版社，2002
[3] 張宏林.精通Visual C++數(shù)字圖像處理典型算法及實現(xiàn).北京市：人民郵電出版社，2008
關(guān)鍵詞：集裝箱港口；自動定位；起重機(jī)吊具
我國的海上絲綢之路計劃使得我國的海運(yùn)的到了極大的發(fā)展，而海運(yùn)本身也是需要很多技術(shù)支持的，除了在海上運(yùn)輸?shù)倪^程中需要極高的航海技術(shù)，在船只到達(dá)碼頭后的對船上貨物進(jìn)行裝卸也是同樣需要技術(shù)支持。
近年來，社會經(jīng)濟(jì)發(fā)展對件雜貨碼頭裝卸工藝提出新要求。港口件雜貨裝卸生產(chǎn)囊括了船舶、貨物、設(shè)備、場地等多種因素，各因素相互交叉影響。目前件雜貨物集裝箱化的比例不斷提高，而港口件雜貨裝卸生產(chǎn)卻普遍存在自動化水平較低、生產(chǎn)成本高、裝卸效率無法滿足需求的問題。對于我國社會經(jīng)濟(jì)發(fā)展前進(jìn)重要一部分的件雜貨碼頭而言，傳統(tǒng)的手動控制抓取集裝箱已經(jīng)極大的影響了生產(chǎn)效率和裝卸速度，基于此本文對將圖像識別技術(shù)引入集裝箱抓取自動化，及其優(yōu)化進(jìn)行研究與探討。
1. 港口集裝箱起重機(jī)吊具的控制方法
隨著自動化運(yùn)輸系統(tǒng)的開發(fā)及應(yīng)用，集裝箱港口運(yùn)輸環(huán)節(jié)效率得到極大提升，于是便要求集裝箱裝卸效率與之相匹配。可是裝卸操作作業(yè)仍依賴于人工操作。
1.1集裝箱裝卸工藝及其特點(diǎn)
集b箱運(yùn)輸需要高效配合，適用于大規(guī)模生產(chǎn)。作為海陸聯(lián)運(yùn)的樞紐，集裝箱港口是海上運(yùn)輸和陸上運(yùn)輸?shù)倪B接點(diǎn)。目前，集裝箱碼頭上所采用的裝卸工藝基本有三種，分別是：底盤車方式、跨運(yùn)車方式、龍門吊方式（亦稱場橋方式）。為了裝卸的便利，海陸聯(lián)運(yùn)的集裝箱都采用國際標(biāo)準(zhǔn)集裝箱，所以裝卸機(jī)械要符合國際集裝箱的作業(yè)規(guī)范，要使用集裝箱專用機(jī)械。
1.2傳統(tǒng)的集裝箱起重機(jī)裝卸
港口起重機(jī)采用集裝箱吊具來裝卸集裝箱，是集裝箱碼頭作業(yè)的主要機(jī)械設(shè)備。現(xiàn)階段，集裝箱的提升、放置仍需要專業(yè)人員在操控室中進(jìn)行人工操作。
操作室里的控制人員通過操縱設(shè)備移動吊具，當(dāng)移動至集裝箱正上方時再放下吊具；在吊具降至箱面時，在確認(rèn)箱頂面鎖孔對準(zhǔn)無誤后，插入并旋轉(zhuǎn)鎖頭固定集裝箱，即完成吊具鎖孔工作。然而，大型港口起重機(jī)控制室普遍高達(dá)幾十米，操作人員主要靠肉眼判斷鎖孔與鎖頭的相對位置，如有障礙物遮蔽，并且集裝箱的鎖孔很小，四個鎖頭同時固定難度極大，控制人員在操作時難以完成吊具鎖孔固定工作，從而導(dǎo)致裝卸時間延長，裝卸效率降低。即使控制人員對低處的吊運(yùn)機(jī)和叉車進(jìn)行操控，也難以實現(xiàn)鎖頭的準(zhǔn)確鎖孔。
1.3起重機(jī)吊具自動化發(fā)展現(xiàn)狀
經(jīng)濟(jì)全球化的發(fā)展也帶動了集裝箱航運(yùn)業(yè)的飛速發(fā)展，集裝箱船舶的大型化，對裝卸的高速化提出新要求。現(xiàn)在已有一些國內(nèi)外自動化集裝箱碼頭實踐的范例。日本名古屋TCB碼頭水平運(yùn)輸為AGV，堆場設(shè)備選擇ARTG，并在前沿碼頭設(shè)置岸邊集裝箱起重機(jī)，此外，為實現(xiàn)集裝箱箱號和卡車號的自動采集，該碼頭使用了無線射頻識別（FRID）技術(shù)及光學(xué)字符識別（OCR）技術(shù)；德國漢堡港CTA碼頭的水平運(yùn)輸選用AGV，應(yīng)用計算機(jī)模擬技術(shù)對碼頭進(jìn)行路徑規(guī)劃設(shè)計和設(shè)備調(diào)度；意大利FATA碼頭選取起重機(jī)-高架橋-立體倉 的模式，使小車運(yùn)行時的定位更為精確，也減少了裝卸次數(shù)以及對岸線的占用，上海外高橋集裝箱自動化碼頭采用高效環(huán)保型集裝箱碼頭全自動化裝卸系統(tǒng)，借助現(xiàn)代港口集裝箱物流智能化、數(shù)字化管理平臺，港口集裝箱綜合作業(yè)效率提高5%一8%，堆場能力比國際上幾乎高出一倍。新型岸邊集裝箱起重機(jī)能夠提高吊具與船上集裝箱對位的準(zhǔn)確性，同時采用雙梁結(jié)構(gòu)，運(yùn)用載重小車擔(dān)負(fù)集裝箱在水平方向的運(yùn)輸，裝卸效率顯著提高。
圖像識別技術(shù)作為人工智能的一個重要部分，隨著它的發(fā)展，其應(yīng)用范圍也越來越廣。光學(xué)字符識別（OCR）技術(shù)及自動導(dǎo)引車系統(tǒng)（AGV）技術(shù)等都涉及到圖像識別技術(shù)，勢必會給港口起重機(jī)吊具自動化發(fā)展帶來新的機(jī)會。
2.利用圖像技術(shù)對集裝箱起重機(jī)吊具精確定位技術(shù)的研究
2.1國內(nèi)外研究現(xiàn)狀
當(dāng)今的集裝箱港口應(yīng)用了如：RFID技術(shù)、GPS技術(shù)、自動導(dǎo)引車系統(tǒng)技術(shù)AGVS（automated guided vehicle system）、信息管理系統(tǒng)技術(shù)、決策支持系統(tǒng)技術(shù)、自動場吊ASC技術(shù)等新技術(shù)。這些新技術(shù)的引進(jìn)，降低了人力資源投入以及港口操作的失誤率，實現(xiàn)了港口資源的實時調(diào)度，從而提高了整個港口工作效率，增強(qiáng)了港口的競爭力。
集裝箱運(yùn)輸?shù)难杆侔l(fā)展是為了能夠提高集裝箱的自動化信息管理，正因如此大量學(xué)者以集裝箱為研究對象，采用圖像處理方法，進(jìn)行了許多深入的研究。
（1）以集裝箱為對象的圖像成像原理的研究
清華大學(xué)核能技術(shù)研究院的吳志芳等人利用輻射成像原理實現(xiàn)集裝箱的檢測。張廣軍主要利用MATLAB進(jìn)行仿真，對集裝箱的破損部位（孔洞）進(jìn)行了數(shù)字圖像處理方面的研究。常捷等人研究的是基于圖像的集裝箱箱號識別，為碼頭、堆場、海關(guān)管理邁向自動化解決了最基本最關(guān)鍵的問題。李如松，何彬，楊杰研究了基于集裝箱γ射線檢測的圖像處理[1]。
（2）集裝箱識別與定位的研究
張森、傅圣雪提出了MATLAB平臺下的集裝箱識別定位的新方法，并結(jié)合實際情況采取邊步長平移搜索方案，進(jìn)一步提高了系統(tǒng)速度，滿足系統(tǒng)實時性的要求。陳丹研究了關(guān)于圖像識別系統(tǒng)的集裝箱精確定位的圖形處理。謝丁龍研究編寫上位機(jī)與運(yùn)動控制器的通訊協(xié)議，完成了根據(jù)實際的集裝箱裝卸環(huán)境設(shè)計構(gòu)造的模擬集裝箱裝卸系統(tǒng)。武玉升利用單片機(jī)基于以太網(wǎng)通訊實現(xiàn)吊橋集裝箱裝卸的遠(yuǎn)程定位，司機(jī)通過駕駛室內(nèi)的顯示器和語音提示系統(tǒng)，就能實時掌握集裝箱的位置。肖洋研究了吊具、集裝箱、卡車所構(gòu)成的裝卸系統(tǒng)的集裝箱定位[1]。
國外的學(xué)者Hee-Joo Yoon，Young_Chul Hwang and Eui-Young Cha提出了基于雙目立體視覺系統(tǒng)的集裝箱裝卸自動化集裝箱實時監(jiān)測與定位，為集裝箱自動化裝卸提供了更深入的研究。
（3）集裝箱自動定位的研究成果轉(zhuǎn)化
三菱重工業(yè)株式會社發(fā)明了“裝卸用起重機(jī)中的集裝箱位置檢測方法及裝置、集裝箱著地、探放控制方法”專利（專利號：EP1333003A1）。在吊具上安裝攝像設(shè)備對目標(biāo)集裝箱進(jìn)行圖像采集，該方法通過所采集的圖像數(shù)據(jù)，可以精確的對目標(biāo)集裝箱與吊具的相對位置進(jìn)行檢測。最終，由magic eye（該專利采用的計算機(jī)視覺部分）引導(dǎo)吊具定位集裝箱。
德國西門子公司SIEMENS AG（DE）的專利（專利號：DE10107048）涉及了一種集裝箱起重機(jī)裝卸方法，也適用于集裝箱船舶運(yùn)輸裝卸作業(yè)。在起重機(jī)駕駛室中采用帶有監(jiān)視器的PC機(jī)，用過觸摸屏操作，根據(jù)預(yù)先設(shè)定的值能使起重機(jī)自動定位預(yù)期目標(biāo)[1]。
2.2圖像識別技術(shù)的基本流程與原理
在實驗室模擬試驗后，結(jié)合畫面獲取時間、集裝箱識別率、計算機(jī)計算速度、和裝配維護(hù)成本多方面因素，最終擬采用雙目視覺伺服系統(tǒng)，系統(tǒng)模式為手眼系統(tǒng)（eye-in-hand），是基于圖像的視覺伺服系統(tǒng)。
所需攝像機(jī)數(shù)量為2個，型號為ZBS-002，放置于岸橋吊具對角抓腳處；工業(yè)一體式計算機(jī)1臺。為滿足夜間作業(yè)，需要在攝像機(jī)安裝處各加裝白熾燈1盞。（如表1）
（1）圖像處理的基本流程圖（圖1）
（2）工作原理
1.駕駛員手動操作岸橋，使抓具移動到集裝箱上空。按下“抓取”按鈕。
2.攝像頭獲取圖像，以矩形的特征抓取目標(biāo)。
3.鎖定目標(biāo)后，分別以A、B攝像頭作為橫、縱軸的基準(zhǔn)點(diǎn)，大致判斷抓具與集裝箱的方位。
4.計算機(jī)運(yùn)作，通過提前輸入的算法，計算出抓具所需移動的方向、距離。具體實現(xiàn)方法見下。
5.抓具勻速下降，與此同時計算機(jī)持續(xù)運(yùn)算，不斷微調(diào)抓具位置，直至最后對準(zhǔn)集裝箱。
6.抓具準(zhǔn)確抓取集裝箱，駕駛員按下“確認(rèn)“按鈕后，轉(zhuǎn)為手動操作。
7.若出現(xiàn)抓具未能準(zhǔn)確抓取的情況，系統(tǒng)提示駕駛員選擇“再次對準(zhǔn)”或“手動抓取”。
2.3機(jī)器人的控制系統(tǒng)系統(tǒng)設(shè)計
機(jī)器人采用集中式控制，在操控室安放一臺微型計算機(jī)。在Windows10操作平臺下運(yùn)行Open Source Computer Vision Library（簡稱opencv），進(jìn)行圖像識別和計算，再將處理后的數(shù)據(jù)傳輸至抓具控制系統(tǒng)，抓具控制系統(tǒng)自動操作抓具抓取集裝箱，具體包括：①采用攝像頭對集裝箱進(jìn)行圖像樣；②對采集的集裝箱圖像進(jìn)行預(yù)處理；③進(jìn)行圖像分割，提取待識別物體集裝箱；④進(jìn)行集裝箱特征識別，特別是集裝箱的頂點(diǎn)特征，為集裝箱定位提供基礎(chǔ)；⑤進(jìn)行集裝箱定位研究。
具體實現(xiàn)方法：
假設(shè)作業(yè)人員左側(cè)攝像機(jī)為A攝像機(jī)，右側(cè)攝像機(jī)為B攝像機(jī)。
1.A攝像機(jī)獲取集裝箱左側(cè)圖片信息后，計算出左抓腳與集裝箱的橫向（x軸）的距離。B攝像機(jī)獲取集裝箱右側(cè)圖片信息后，計算出右抓腳縱向（y軸）的距離。
2.通過相位差算法，抓具每次位移的距離為：抓腳與集裝箱相應(yīng)抓取點(diǎn)差距的一半，位移結(jié)束后重復(fù)計算位移，直至差距小于3cm。
3.下放抓具，準(zhǔn)確抓起集裝箱，再由作業(yè)人員移動載具。
選用相位差算法的原因如下：
①可以快速確定移動范圍。
②能有效減輕抓具因慣性的搖擺，對計算結(jié)果的影響。
③所需設(shè)備數(shù)量少，成本低。
3.結(jié)束語
集裝箱碼頭和裝卸實際情況復(fù)雜、隨機(jī)性大。關(guān)于港口集裝箱起重機(jī)吊具自動定位技術(shù)難題實際上還有很多，但是在這里就不贅述了，如果想實現(xiàn)港口集裝箱起重機(jī)吊具自動定位技術(shù)的真正智能，還是需要高度發(fā)達(dá)的人工智能機(jī)器人的支持。目前這種人工智能還停留在概念階段，所以要把集裝箱起重機(jī)吊具自動定位技術(shù)進(jìn)一步智能化，高效化，還有一段很長的路要走。
參考文獻(xiàn)
[1] 陳丹.集裝箱圖像識別與定位系統(tǒng)研究與實現(xiàn)[碩士學(xué)位論文].西南交通大學(xué).軟件工程.2013.
[2] 王雪.基于機(jī)器視覺的港口集裝箱卸船定位識別系統(tǒng)[A].中國水運(yùn).2015（11）.
[3] 謝丁龍.基于計算機(jī)視覺的集裝箱定位系統(tǒng)的研究[碩士學(xué)位論文].天津：天津科技大學(xué).檢測技術(shù)與自動化裝置.2006.
[4] 楊宇華.集裝箱自動化碼頭發(fā)展趨勢報告[A].中國工程機(jī)械學(xué).2015（06）.
[5] 沈元浩.伸縮式集裝箱吊具的現(xiàn)狀與發(fā)展.武漢交通科技大學(xué).
[6] 楊建勇.現(xiàn)代港口發(fā)展的理論與實踐研究[博士學(xué)位論文].上海海事大學(xué).交通運(yùn)輸規(guī)劃與管理.2005 .
[7] 張廣軍.數(shù)字圖像處理在集裝箱檢測中的應(yīng)用研究[碩士學(xué)位論文].哈爾濱工業(yè)大學(xué).控制科學(xué)與工程.2008.
2005-2006學(xué)年，擔(dān)任班級組織委員;
2005-2006學(xué)年，參與市場營銷活動，并且業(yè)績良好;
2006-2007學(xué)年，參與市場營銷活動，并且業(yè)績良好;
2006-2007學(xué)年，擔(dān)任學(xué)院體育部部長;
2006-2007學(xué)年，單位學(xué)校計算機(jī)協(xié)會會長;
2006-2007學(xué)年，負(fù)責(zé)學(xué)校校園網(wǎng)站二期工程
2007-2008學(xué)年，在微軟中國實習(xí)體驗
專業(yè)課程
無機(jī)及分析化學(xué)無機(jī)及分析化學(xué)實驗有機(jī)化學(xué)物理化學(xué)生物化學(xué)生物化學(xué)實驗植物學(xué)動物學(xué)微生物學(xué)微生物學(xué)實驗遺傳學(xué)植物生理學(xué)解剖生理學(xué)解剖生理學(xué)實驗現(xiàn)代生物技術(shù)概論細(xì)胞生物學(xué)分子生物學(xué)分子生物學(xué)實驗多媒體課件制作電子商務(wù)專業(yè)英語等
公共課程
體育大學(xué)英語高等數(shù)學(xué)A線性代數(shù)大學(xué)物理大學(xué)物理實驗A計算機(jī)文化基礎(chǔ)C語言軍事理論思想品德修養(yǎng)法律基礎(chǔ)科技寫作等
選修課程
C語言、C++、數(shù)據(jù)庫技術(shù)原理與SQLServer2000、數(shù)據(jù)結(jié)構(gòu)、軟件技術(shù)基礎(chǔ)、微機(jī)原理與匯編語言、電工、電子技術(shù)(數(shù)電、模電)、計算機(jī)圖形學(xué)、數(shù)字圖像處理、視頻技術(shù)及運(yùn)用、計算機(jī)網(wǎng)絡(luò)與數(shù)字通信、多媒體技術(shù)及運(yùn)用、Web技術(shù)及網(wǎng)絡(luò)出版、色彩學(xué)、信息論與編碼技術(shù)、信號與系統(tǒng)等。
技能專長
繪畫：國畫、水粉、素描、油畫等。
擅長寫作，曾在院學(xué)生會新聞部、晨帆詩社編輯部工作。
熟練運(yùn)用Word、Excel、Authorware、Powerpoint等軟件，能使用C語言編輯基本程序。
課外曾協(xié)助老師和獨(dú)立作過研究工作，熟悉部分生物技術(shù)藥品、儀器、基本原理及流程。論文《關(guān)于黑曲霉產(chǎn)纖維素酶能力的研究》獲得大學(xué)生挑戰(zhàn)杯課外學(xué)術(shù)科技作品二等獎。畢業(yè)論文《產(chǎn)堿性果膠酶細(xì)菌的分離純化及其酶活測定》獲得優(yōu)秀。
個人愛好
讀書、繪畫、下棋、辯論、聽音樂、看電影、講故事等
自我鑒定
性格：沉著穩(wěn)重，勤學(xué)好問，樂觀自信，做事仔細(xì)認(rèn)真，表達(dá)能力、適應(yīng)能力強(qiáng)，有責(zé)任心和極強(qiáng)的親和力，具有較強(qiáng)的團(tuán)隊合作精神。
自我評價
誠實守信、塌實肯干、肯吃苦、做事細(xì)心、責(zé)任心強(qiáng)、有較強(qiáng)的團(tuán)隊精神;上進(jìn)心強(qiáng)、性格開朗有較強(qiáng)的自學(xué)能力和適應(yīng)能力;年輕的我希望點(diǎn)燃自身的熱情來使貴公司發(fā)光發(fā)熱，一定會實現(xiàn)自身價值并在工作中為企業(yè)創(chuàng)造更大的財富。我真誠的向您提出求職的懇求，以我拳拳寸草心，濃濃赤子情期待與貴公司共呼吸，共命運(yùn)，同發(fā)展，求進(jìn)步。
工作態(tài)度:
誠實守信，敬業(yè)樂業(yè)。沒有最好，只有更好。
榮獲獎勵
2004年11月院大學(xué)生辯論賽最佳風(fēng)度獎
2005年5月院環(huán)保征文二等獎
2005年3月大學(xué)生挑戰(zhàn)杯課外學(xué)術(shù)科技作品二等獎
社會實踐
課余時間從事家教工作，受到家長和學(xué)生的好評。
有教師資格證。普通話二級甲等。英語四級。計算機(jī)一級。
工作及實習(xí)經(jīng)歷
2003.7青島野外實習(xí)
2006.2-2006.6畢業(yè)實習(xí)
2006.7中國水產(chǎn)煙臺海洋漁業(yè)分公司家工廠實習(xí)一周
2006.8-2007.2煙臺好利潔水性涂料有限公司化驗員
外語水平
大學(xué)期間進(jìn)行德語基礎(chǔ)學(xué)習(xí)，后自學(xué)英語并以532分通過了英語四級
【關(guān)鍵詞】機(jī)器視覺；啤酒；空瓶；圖像采集
一、啤酒空瓶檢測系統(tǒng)介紹
啤酒生產(chǎn)廠商使用的啤酒瓶大多采用可以回收利用的啤酒瓶。回收的啤酒瓶可能非常臟或者存在許多缺陷，必須在灌裝前進(jìn)行清洗，清洗之后需要檢測是否洗干凈。隨著啤酒工業(yè)的迅速發(fā)展，對啤酒生產(chǎn)效率的要求越來越高，啤酒生產(chǎn)速度可以達(dá)到每秒鐘10瓶以上，單靠人工檢測啤酒瓶是否干凈效率低、漏檢率高，檢測人員很容易產(chǎn)生視疲勞。而基于機(jī)器視覺技術(shù)的啤酒空瓶檢測能夠?qū)崿F(xiàn)速度快、精度高的自動化檢測。
采用機(jī)器視覺系統(tǒng)的目的就是給機(jī)器或自動化生產(chǎn)線添加一套視覺系統(tǒng)，其原理是由計算機(jī)或圖像處理器以及相關(guān)設(shè)備來模擬人的視覺行為，完成得到人的視覺系統(tǒng)所得到的信息。人的視覺系統(tǒng)是由眼球、神經(jīng)系統(tǒng)及大腦的視覺中樞構(gòu)成，計算機(jī)視覺系統(tǒng)則是由圖像采集系統(tǒng)、圖像處理系統(tǒng)及信息綜合分析處理系統(tǒng)構(gòu)成。如圖1所示為機(jī)器視覺系統(tǒng)基本結(jié)構(gòu)。
二、啤酒空瓶檢測流程
采用機(jī)器視覺技術(shù)啤酒空瓶檢測流程如圖2所示。被檢啤酒瓶進(jìn)入檢測系統(tǒng)后首先觸發(fā)輸入光電開關(guān)，系統(tǒng)將開關(guān)信號傳遞給控制器，控制器通過編碼器記錄脈沖信號，經(jīng)過固定的脈沖之后瓶身檢測攝像機(jī)、瓶口檢測攝像機(jī)、瓶底檢測攝像機(jī)、瓶身內(nèi)壁檢測攝像機(jī)相繼工作，分別對瓶身、瓶口、瓶底、瓶身內(nèi)壁進(jìn)行拍照。將拍得的圖像信息送入圖像處理模塊進(jìn)行的圖像處理，控制系統(tǒng)判斷空瓶圖像是否合格。如果控制系統(tǒng)判斷瓶子不合格，控制器會輸出一個信號給踢出器。當(dāng)次瓶運(yùn)動到踢出器時，踢出器動作將次瓶擊出。最后合格的啤酒瓶被送入下一道工序。
三、啤酒空瓶檢測系統(tǒng)軟件設(shè)計
圖3為基于機(jī)器視覺技術(shù)啤酒空瓶檢測系統(tǒng)軟件框圖。啤酒瓶視覺檢測系統(tǒng)是高速實時控制系統(tǒng)，因而對軟件要求速度快、控制及時。在連續(xù)檢測時，PC機(jī)使用特殊的圖像采集卡和CCD攝像機(jī)連續(xù)地對被檢啤酒瓶進(jìn)行準(zhǔn)確地拍照，獲得圖像的數(shù)字化信息，并通過數(shù)字圖像處理與判斷模塊獲得啤酒瓶檢測的決策信息，并將其傳送給可編程控制器，完成對執(zhí)行設(shè)備擊出器的控制。在系統(tǒng)待命時，PC機(jī)接收用戶的指令，完成對系統(tǒng)的軟件參數(shù)配置、硬件的檢測等，包括圖像處理與判斷模塊參數(shù)的設(shè)置，傳送系統(tǒng)電機(jī)轉(zhuǎn)速設(shè)置，系統(tǒng)各個傳感器檢測，擊出器檢測，CCD攝像機(jī)檢測等。
本系統(tǒng)選用PLC作為底層控制器，它通過I/O口與光電傳感器，編碼器，擊出器，圖像采集子系統(tǒng)等相連，通過圖像采集子系統(tǒng)控制CCD攝像機(jī)的拍攝以及直接控制擊出器的動作。同時PLC通過485總線與工控機(jī)連接，接收工控機(jī)傳來的控制信息和系統(tǒng)參數(shù)等。
在系統(tǒng)運(yùn)行過程中，PLC負(fù)責(zé)及時地通知圖像采集子系統(tǒng)啟動CCD攝像機(jī)，抓拍處于拍攝位置的空瓶。為了達(dá)到這一目的，需要使用光電傳感器來檢測空瓶的位置。在系統(tǒng)中使用了反射式光電傳感器，這種光電傳感器在沒有接收到從反光板反射回來的光束時，就會輸出觸發(fā)信號。將光電傳感器安裝到CCD攝像機(jī)拍攝位置旁，把輸出接到PLC的I/O輸入口上。當(dāng)沒有空瓶經(jīng)過時，光電傳感器可以接收到反射光束，沒有輸出信號，而當(dāng)有空瓶經(jīng)過時，光電傳感器無法接收到返回的光束，于是輸出觸發(fā)信號。PLC從輸入口接收到此信號后，即可判定空瓶已到達(dá)拍攝位置，從I/O輸出口輸出啟動信號給圖像采集系統(tǒng)，啟動CCD攝像機(jī)，攝像機(jī)及時進(jìn)行拍攝，獲取被檢空瓶的圖像。
在專門的信息處理模塊對獲取的圖像信息進(jìn)行分析處理后，將得出空瓶質(zhì)量是否合格的結(jié)論。如果不合格，主控的工控機(jī)就會通過485總線發(fā)出控制命令，要求PLC控制擊出器擊出該空瓶。PLC在接到擊出命令后，需要標(biāo)定不合格空瓶，并追蹤其位置，當(dāng)不合格空瓶到達(dá)擊出器所在位置時控制擊器動作，擊出不合格空瓶。為了確定需擊出空瓶位置，在系統(tǒng)中使用一個編碼器與驅(qū)動傳送帶的電機(jī)相連，當(dāng)電機(jī)轉(zhuǎn)動時，編碼器相應(yīng)發(fā)出脈沖。計算脈沖的數(shù)目，即可知道傳送帶運(yùn)動的距離。這樣一來，如果能測出不合格空瓶要運(yùn)動多長距離才到達(dá)擊出位置就能將其準(zhǔn)確擊出。可以在事先把編碼器的脈沖輸出與PLC的I/O輸入口相連，然后在傳送帶上放一空瓶，讓其依次經(jīng)過檢測位置和擊出位置，PLC使用計數(shù)器記下此過程中脈沖的數(shù)目，這一數(shù)值即對應(yīng)著檢測位置和擊出位置之間的距離。
四、結(jié)語
基于機(jī)器視覺的啤酒空瓶檢測系統(tǒng)是我國目前啤酒行業(yè)急需的高科技設(shè)備之一。本系統(tǒng)從啤酒瓶視覺檢測的相關(guān)基礎(chǔ)技術(shù)、電氣控制系統(tǒng)等進(jìn)行了說明，是PLC、視覺系統(tǒng)、傳感器、上位機(jī)的靈活結(jié)合應(yīng)用，系統(tǒng)采用視覺傳感器拍攝和處理實時圖象，最終達(dá)到去除不合格啤酒瓶的目的。
我國的工業(yè)化、現(xiàn)代化還剛剛起步，圖像和機(jī)器視覺技術(shù)的應(yīng)用也剛剛開始。隨著我國工業(yè)化進(jìn)程的加快，工業(yè)體系的完善，勞動力成本的上升，參與國際競爭必定要求產(chǎn)品質(zhì)量和生產(chǎn)效率不斷提升、自動化程度不斷提高，機(jī)器視覺技術(shù)的應(yīng)用領(lǐng)域和應(yīng)用水平也會隨之發(fā)展，機(jī)器視覺技術(shù)將會大顯身手。
參考文獻(xiàn)
段峰，王耀南，劉煥軍.基于機(jī)器視覺的智能空瓶檢測機(jī)器人研究.儀器儀表學(xué)報，2004，25（5）：624—627.
宋學(xué)勇，趙敏.機(jī)器視覺系統(tǒng)的關(guān)鍵技術(shù).計算機(jī)世界，2007/7/23/第B11版.
董瑞翔.用機(jī)器視覺技術(shù)提高生產(chǎn)率.機(jī)器人技術(shù)與應(yīng)用，2002（5）.
關(guān)勝曉.機(jī)器視覺及其應(yīng)用發(fā)展.自動化博覽，2005（3）.
鐘權(quán)龍，許積飆.西門子機(jī)器視覺系統(tǒng)在煙草行業(yè)的應(yīng)用.現(xiàn)代制造，2004（22）.
Hui—min Ma，Guang—da Su，Jun—yan Wang et al.A Glass Bottle Defect Detection System Without Touching.In：Proceedings of the first International Conference on Machine Learning and Cybernetics，Beijing，China，2002，628—632.
作者簡介：
摘要：顱腦病變的自動診斷是計算機(jī)輔助診斷領(lǐng)域研究的難點(diǎn)，本文的研究目的就是提出一種簡單的基于顱腦結(jié)構(gòu)對稱性的病變區(qū)域分割算法并對病變區(qū)域提取特征信息。病變分割算法首先將圖像分割為固定的感興趣區(qū)域，采用二階統(tǒng)計矩的差值作為特征判斷出病變區(qū)域，然后采用自適應(yīng)閾值分割算法分割出病灶。針對已分割出的病灶選擇平均灰度，二階統(tǒng)計矩，灰度共生矩陣的角二階矩，規(guī)則度等分別描述病變區(qū)域的紋理特征和形態(tài)特征。實驗結(jié)果表明，本文提出的分割算法對密度改變明顯的病灶可以自動地檢出并分割病變區(qū)域，并能提取病灶的特征信息，部分解決了顱腦病變的自動診斷難題。
關(guān)鍵字：顱腦病變分割；顱腦病變特征提取；計算機(jī)輔助診斷；Matlab
Research of automatic classification of CT brain
pathological changes
Abstract: The difficulty of the research about computer auxiliary diagnosis of medical image is how to automatically segment the brain and find the pathological region.The purpose of this paper is to propose a simple segmentation method of brain which is based on the brain’s symmetry.After the segmentation the computer can automatically extract the pathological feature information.Image is segmented into fixed regions of interest The discrepancy of second order statistics is taken as description parameters to find out the pathological region.Then self-adapting threshold segmentation algorithm used to segment nidus. Characteristics like the average of gray scale,second order statistics and so on for the segmented nidus are selected to describe the texture feature and the morph feature of the pathological region.The experimental results showed that the segmentation algorithm could automatically segment pathology regions and could extract pathological information aboutpathology and partly be used to solve the problem of computer auxiliary diagnosis of medical image of brain.
Key words: brain pathological segmentation, brain pathological feature extraction, computer auxiliary diagnosis, matlab
目 錄
第1章 緒 論 1
1.1 研究目標(biāo) 1
1.2 研究的背景和意義 1
1.2.1 研究的背景 1
1.2.2 研究的意義 1
1.3 論文主要內(nèi)容 2
第2章 顱腦病變自動識別的整體方案設(shè)計 3
2.1 顱腦病變CT基礎(chǔ)知識 3
2.2 顱腦病變自動識別整體方案 3
2.3 顱腦病變區(qū)域的自動分割方案 4
2.4 顱腦病變區(qū)域特征提取方案 5
2.5小結(jié) 5
第3章 顱腦病變區(qū)域的自動分割 6
3.1 圖像預(yù)處理 6
3.1.1 中值濾波 6
3.1.2 直方圖均衡 6
3.2 顱腦病變區(qū)域自動檢出 7
3.2.1 顱腦圖片的分塊 7
3.2.2 分塊特征選擇 9
3.2.3 病變區(qū)域檢出 13
3.3顱腦病變區(qū)域的分割 14
3.4實驗及問題分析 19
3.4.1 實驗及問題分析 19
3.4.2 問題及分析 20
3.5 小結(jié) 21
第4章 顱腦病變區(qū)域的特征提取 22
4.1顱腦醫(yī)學(xué)診斷中的常用特征 22
4.2顱腦病變區(qū)域的特征提取 22
4.2.1 區(qū)域位置 23
4.2.2 面積 23
4.2.3 平均灰度 23
4.2.4 灰度對比度 24
4.2.5灰度共生矩陣 24
4.2.6 規(guī)則度 26
4.3小結(jié) 27
結(jié) 論 28
感 謝 30
參考文獻(xiàn) 31
第1章 緒 論
1.1 研究目標(biāo)
本文的研究目標(biāo)為以下兩點(diǎn)：
1、尋找一種能夠自動識別出顱腦中病變區(qū)域的方法。
2、針對已經(jīng)識別出的顱腦病變區(qū)域?qū)ふ液线m的特征表示用于輔助診斷和識別病變類型。
1.2 研究的背景和意義
1.2.1 研究的背景
本文的研究從屬于基于醫(yī)學(xué)影像學(xué)的計算機(jī)輔助診斷，具體為顱腦病變的計算機(jī)輔助診斷。下面對基于影像學(xué)的計算機(jī)輔助診斷和其在顱腦方面的發(fā)展作一個簡要的介紹作為研究背景的闡述。
計算機(jī)輔助診斷簡稱CAD，其中D包含有Detection和Diagnosis兩個方面的含義，也即是發(fā)現(xiàn)病變區(qū)域和診斷病變種類這兩個主要的功能。上世紀(jì)50年代，美國學(xué)者首先將計算機(jī)應(yīng)用于醫(yī)學(xué)診斷。上世紀(jì)80年代，一方面基礎(chǔ)的數(shù)學(xué)和統(tǒng)計學(xué)理論方法上有所發(fā)展，另一方面計算機(jī)技術(shù)的進(jìn)步使得計算機(jī)輔助診斷在發(fā)達(dá)國家有了快速的發(fā)展。進(jìn)入90年代后，在數(shù)字圖像處理技術(shù)和模式識別理論等相關(guān)學(xué)科發(fā)展的帶動下，計算機(jī)輔助診斷技術(shù)有了更快的進(jìn)步，但是其依然處在一個不成熟的階段。
近年來基于影像學(xué)的計算機(jī)輔助診斷的發(fā)展?fàn)顩r是在肺結(jié)節(jié)性病變和乳腺癌早期診斷方面的研究比較成功，其中有一部份成果已經(jīng)通過了美國FDA認(rèn)證而應(yīng)用于臨床診斷，并對診斷起到了積極的作用。而我國的醫(yī)療設(shè)備制造商東軟的CT成像設(shè)備也具備對肺癌，冠狀動脈鈣化積分和結(jié)腸癌的早期檢測能力。但是，對顱腦病變的計算機(jī)輔助診斷的研究國內(nèi)外都處于一個起步階段。對于顱腦病變計算機(jī)輔助診斷的研究，現(xiàn)階段多集中于圖片的篩選即對圖片是否含有病變的判斷和對顱腦結(jié)構(gòu)的自動分割以及病變區(qū)域的自動劃分上，且尚無較好的方法。
1.2.2 研究的意義
對于顱腦計算機(jī)輔助診斷的研究主要有以下幾個方面的意義：
1、計算機(jī)有著精確，不會疲勞，速度快等等的優(yōu)勢，在診斷中可以起到良好的輔助作用。醫(yī)生診斷的一些問題具體表現(xiàn)為：（1）放射科醫(yī)生的診斷是主觀判斷過程，因而會受到醫(yī)生經(jīng)驗及知識水平的限制和影響；（2）醫(yī)生診斷時易于遺漏某些細(xì)微改變，如肺結(jié)節(jié)、乳腺內(nèi)的細(xì)微鈣化等；（3）不同醫(yī)師間及同一醫(yī)師不同狀態(tài)時的閱片差異的影響，而計算機(jī)對于糾正彌補(bǔ)這些錯誤和不足具有巨大的優(yōu)勢；（4）現(xiàn)代的影像設(shè)備所產(chǎn)生的圖片數(shù)量巨大，讀片醫(yī)生的工作量很大，利用計算機(jī)輔助可以從中篩選出需要閱讀的圖片從而大大提高工作效率。因此，計算機(jī)輔助診斷可以提高醫(yī)生診斷的準(zhǔn)確性，速度和對疾病解釋的一致性。
2、顱腦疾病是對人類健康有著巨大影響的疾病，其種類繁多如腦腫瘤，腦溢血等等，往往會危害病人的勞動能力，思維能力和精神狀態(tài)，嚴(yán)重時甚至?xí)＜安∪说纳６X部疾病的診斷對醫(yī)生的要求較高，需要長時間的培養(yǎng)和實踐醫(yī)生才能滿足診斷需要。
3、顱腦病變的CAD研究在國內(nèi)外尚處于起步階段。但是，在其他病變部位如肺部的CAD已經(jīng)有商品問世。因此可見，隨著研究 的深入和技術(shù)的進(jìn)步，顱腦CAD領(lǐng)域終會有成熟的商品出現(xiàn)。現(xiàn)階段的研究在學(xué)術(shù)和經(jīng)濟(jì)意義上也都有一定的價值。
1.3 論文主要內(nèi)容
本論文按照課題要求，首先將對顱腦病變自動診斷的流程做一個大體的論述。其次會對顱腦病變區(qū)域的自動識別和分割方法進(jìn)行論述，并給出相應(yīng)的實驗和問題分析。再次會對適合于所采用的分割算法的病變選擇利于診斷的特征，并簡單分析特征的效果。最后，對整個工作進(jìn)行總結(jié)，討論方法的不足和有待提高的算法。
論文包含以下章節(jié)：第二章顱腦病變CAD系統(tǒng)的整體方案設(shè)計；第三章顱腦病變區(qū)域的自動分割；第四章顱腦病變區(qū)域的特征提取；總結(jié)。
第2章 顱腦病變自動識別的整體方案設(shè)計
2.1 顱腦病變CT基礎(chǔ)知識
對計算機(jī)輔助顱腦病變自動識別的研究，需要顱腦CT診斷學(xué)的知識。包括有顱腦的基本結(jié)構(gòu)、顱腦疾病分類知識和CT腦圖的有關(guān)知識。下面首先對以上基礎(chǔ)知識做一個簡要的介紹。
人的頭部從外到內(nèi)有以下幾層結(jié)構(gòu)：顱蓋軟組織、腦顱骨、腦膜及其間隙、腦。腦部疾病多發(fā)于腦，腦分為大腦，腦干，間腦和小腦。大腦分左右兩個半球，基本對稱。大腦半球以三個溝裂為標(biāo)記，分成四個葉和一個腦島。按Brodmann功能定位法，在CT圖像中進(jìn)行定位，主要有：額葉、頂葉、顳葉、枕葉和島葉。大腦半球內(nèi)部有側(cè)腦室、大腦半球內(nèi)部的神經(jīng)核團(tuán)、大腦半球的白質(zhì)等等。在CT圖片中，腦干、間腦、小腦較少被成像故不作介紹。
顱腦疾病種類相當(dāng)繁多，這也是造成顱腦CAD研究艱難的一個原因。顱腦疾病可大體分為以下幾類：腦先天性疾病、腦血管病、顱內(nèi)腫瘤性病變、顱內(nèi)感染性疾病和腦白質(zhì)病。其中，以顱內(nèi)腫瘤性病變最為常見，占顱腦疾病的絕大多數(shù)。腦瘤有神經(jīng)膠質(zhì)細(xì)胞瘤、腦膜瘤、垂體瘤、顱神經(jīng)瘤等等。其病變的表現(xiàn)多體現(xiàn)于密度變化、占位效應(yīng)、水腫、鈣化等等。
CT是在現(xiàn)代醫(yī)院影像科中被廣泛使用的成像設(shè)備。CT圖片是由X射線透射人體斷層，射線被人體組織衰減后投影成像。較先進(jìn)的有雙層螺旋CT，全身CT等等。顱腦CT圖片一般分為8層，最低層以聽眥線為基準(zhǔn)，層厚約10毫米。有顱底層、蝶鞍層、第三腦室前后層、側(cè)腦室層等等。掃描分平掃和增強(qiáng)掃描。平掃的病變特征一般以密度的改變?yōu)橹鳎鰪?qiáng)掃描則主要為強(qiáng)化的種類不同。除此以外腦室系統(tǒng)的變化如占位效應(yīng)，萎縮，梗阻等等也是醫(yī)生診斷時會注意的特征。
2.2 顱腦病變自動識別整體方案
本文研究顱腦病變自動識別方案的思路是首先研究醫(yī)生進(jìn)行病變診斷的流程。在總結(jié)醫(yī)生診斷過程的基礎(chǔ)上，利用計算機(jī)模擬診斷的各個步驟。研究每個環(huán)節(jié)的計算機(jī)自動實現(xiàn)，最終達(dá)到顱腦病變自動識別的目的。
醫(yī)生對疾病進(jìn)行診斷的基本流程可以概括為發(fā)現(xiàn)病灶、觀察分析病灶，最后根據(jù)觀察所得結(jié)合醫(yī)學(xué)理論和臨床表現(xiàn)確定疾病種類。發(fā)現(xiàn)病灶即是找出具體病變的區(qū)域，對于數(shù)字圖像就是分割問題。觀察分析病灶的目的是獲取病灶的表征其為區(qū)域特征提取問題。由特征來自動分類病變是模式識別問題。 綜上顱腦病變的自動識別方案如下圖所示。
圖2-1 顱腦病變識別過程
本文研究的重點(diǎn)是如何自動分割出病變區(qū)域以及對分割出的病變區(qū)域提取特征，下面將對這兩個模塊的方案進(jìn)行介紹。
2.3 顱腦病變區(qū)域的自動分割方案
現(xiàn)在研究中比較常用的顱腦病變區(qū)域自動分割方案是：第一步先對顱腦CT圖像進(jìn)行分割，將整個顱腦包括病變在內(nèi)的所有結(jié)構(gòu)和組織都分割出。第二步或是利用基準(zhǔn)灰度模板或是利用結(jié)構(gòu)化的先驗知識，基于對照或是分布規(guī)則將病變區(qū)域識別出來。其流程如圖2-2。
圖 2-2 常規(guī)顱腦病變分割方案
針對顱腦結(jié)構(gòu)的分割算法很多，有基于統(tǒng)計學(xué)的算法、基于信息論的算法、基于神經(jīng)網(wǎng)絡(luò)的算法、基于小波變換的算法等等。較為常用的是閾值分割算法。其利用了顱腦不同結(jié)構(gòu)的CT值不同進(jìn)行分割。但是想獲得較好的效果則圖源必須為標(biāo)準(zhǔn)的DICOM格式圖片。
對比模板的建立同樣是建立在優(yōu)良的分割算法的基礎(chǔ)上的。而利用結(jié)構(gòu)化的判斷方法需要有關(guān)各個CT層的大量結(jié)構(gòu)先驗知識。同時，由于每個病人的顱腦結(jié)構(gòu)都有個體差異，所以在利用以上方法時還需要先進(jìn)行配準(zhǔn)，在初步判斷后再依據(jù)一個概率意義上的容錯譜解決個體差異問題。
筆者缺少大量的醫(yī)學(xué)先驗知識，也沒有途徑獲得標(biāo)準(zhǔn)的CT圖源。通過對基礎(chǔ)醫(yī)學(xué)知識的學(xué)習(xí)，發(fā)現(xiàn)顱腦的結(jié)構(gòu)對所有正常人而言都是對稱的這一先驗知識是一個很好的立足點(diǎn)。多數(shù)情況下，病變區(qū)域與對稱側(cè)腦的同區(qū)域是有著明顯不同的。這一點(diǎn)和所處的CT圖層無關(guān)，只和病變的具體情況有關(guān)。通過這一點(diǎn)，可以發(fā)現(xiàn)病變區(qū)域而排除正常的灰度值有變化的結(jié)構(gòu)和組織。但是，在沒有進(jìn)行分割之前是無法知道病變區(qū)域的，也就無法進(jìn)行精確的基于對稱性的比較。
本文的思路如下：首先不對圖片進(jìn)行分割，而只進(jìn)行簡單的分塊。將顱腦CT圖片分為對稱矩形區(qū)域。其次對矩形區(qū)域選擇合適的特征并表達(dá)。根據(jù)特征和基于顱腦對稱性的先驗知識確定包含有病變的區(qū)域。將所有包含有病變的分塊進(jìn)行合并。最后，利用基于閾值的分割算法分割出具體的病變區(qū)域。
圖2-3 本文設(shè)計的病變分割方案
2.4 顱腦病變區(qū)域特征提取方案
顱腦病變區(qū)域特征提取的合適與否關(guān)系到之后的分類器的設(shè)計。因為顱腦病變的種類多樣，判斷依據(jù)的特征較多，分類器多采用非度量的結(jié)構(gòu)判斷，這也是符合醫(yī)生的判斷過程的。由此，特征的需要數(shù)量較多，選擇的標(biāo)準(zhǔn)應(yīng)以醫(yī)生判斷病變時的選擇為依據(jù)，這樣可以在后續(xù)分類器設(shè)計時盡可能利用大量的成熟的醫(yī)學(xué)先驗知識。同時，也可以輔助醫(yī)生進(jìn)行診斷。
通過學(xué)習(xí)相關(guān)的醫(yī)學(xué)理論，可以確定醫(yī)生在判斷時多會考察位置、邊緣、面積，灰度、病變區(qū)域內(nèi)部紋理等等的特征。可以根據(jù)數(shù)字圖像處理的相關(guān)理論量化這些特征。選取平均灰度，灰度對比度，灰度共生矩陣的矩等等作為分類特征。
2.5小結(jié)
顱腦CT病變的自動識別整體方案包含三個步驟，其中病變區(qū)域自動分割，病變區(qū)域特征提取為本文關(guān)注的兩個核心模塊。病變區(qū)域自動分割首先利用顱腦結(jié)構(gòu)對稱的先驗知識和病變區(qū)域灰度變化明顯的特征確定病變的分塊區(qū)域，之后再利用常規(guī)的閾值分割算法分割出精確的病變區(qū)域。病變區(qū)域特征提取依據(jù)醫(yī)生判斷所考慮的特征，選取平均灰度，灰度對比度，灰度共生矩陣等作為分類特征。
第3章 顱腦病變區(qū)域的自動分割
3.1 圖像預(yù)處理
本文中，圖像預(yù)處理 的目的有兩個。第一，濾除在圖片中的細(xì)小噪聲。第二，使所有圖像都能歸于一個標(biāo)準(zhǔn)統(tǒng)一的狀態(tài)，以利于后面的區(qū)域分割和特征提取取得良好的效果。
3.1.1 中值濾波
圖像中存在許多微小的噪點(diǎn)，其對后續(xù)處理的影響主要體現(xiàn)在對灰度對比度和紋理特征的計算上。會使灰度對比度增加和紋理的提取喪失一部份的規(guī)律性。對噪聲的處理采用空域平滑濾波，一般有中值濾波，自適應(yīng)濾波等等具體算法。對于微小的噪點(diǎn)，中值濾波的效果較好，實現(xiàn)簡單。中值濾波的示意效果如下：
圖3-1 中值濾波效果示意
雖然會使顱腦圖像模糊，但是通過選取合適的區(qū)域尺寸可以使模糊效果處于可以接受的范圍內(nèi)。而且，后續(xù)的處理方法多基于灰度統(tǒng)計特征，對邊界的細(xì)微變化不敏感。
3.1.2 直方圖均衡
由于無法從醫(yī)院獲得標(biāo)準(zhǔn)圖片，本文所采用的圖像都系從網(wǎng)絡(luò)中的醫(yī)學(xué)圖片庫獲得。雖然這些圖片都是以標(biāo)準(zhǔn)圖片為母本，但是為了適應(yīng)網(wǎng)絡(luò)傳輸?shù)男枰浠叶扔兴兓６遥捎谌狈y(tǒng)一的標(biāo)準(zhǔn)不同圖像庫的圖片的灰度有一定的區(qū)別。這就對后續(xù)的病變區(qū)域的判斷閾值的確定造成了困難。使用直方圖均衡可以使不同圖源的灰度在直方圖意義上分布統(tǒng)一，從而方便處理。
均衡前 均衡后
圖3-2 直方圖均衡效果圖
但是，由圖可見其增大了全圖的灰度對比度，原本灰度對稱性很好地區(qū)域在處理后對比增加使得后續(xù)的分塊對稱計算特征效果變差。
3.2 顱腦病變區(qū)域自動檢出
顱腦病變區(qū)域自動分割是顱腦CAD的首要難題，其他研究者的思路是首先對顱腦區(qū)域進(jìn)行分割再根據(jù)有關(guān)顱腦分層結(jié)構(gòu)的先驗知識設(shè)計判斷算法。此類算法存在以下問題：（1）顱腦的分割算法不成熟且實現(xiàn)復(fù)雜；（2）不同人的顱腦結(jié)構(gòu)有其一定的特異性，尚沒有兼具標(biāo)準(zhǔn)性和適應(yīng)性的顱腦分層結(jié)構(gòu)模板；（3）本文關(guān)注的是病變區(qū)域的特征，在實現(xiàn)上沒有必要對顱腦的全部結(jié)構(gòu)進(jìn)行分割。
本文的思路是先找到病變的大體區(qū)域之后再對其進(jìn)行具體的分割。找到病變的流程為劃分區(qū)域，尋找分塊特征，識別包含病變分塊。下面分別就這三個方面加以討論。
3.2.1 顱腦圖片的分塊
顱腦圖片的分塊是一種非傳統(tǒng)意義的分割。其目的是為后續(xù)的特征提取確定一個適合的圖像層次，使得特征參數(shù)的提取對識別效果明顯。分塊是將圖片固定的分割為一定數(shù)量的感興趣的區(qū)域，這些區(qū)域關(guān)于顱腦的中心線對稱。
數(shù)字圖像的表達(dá)為f(x,y)，每組(x,y)代表了圖像的一個像素。設(shè)圖像的尺寸為M行、N列。需要將圖像分割為P*Q個矩形的方塊，其中水平方向上分割為P部分，垂直方向上分割為Q部分且Q必須為偶數(shù)。則有垂直和水平分割點(diǎn)分別為M/P、M*2/P、…M*(P-1)/P及N/P、N*2/P、…N*(P-1)/P。
對圖像分塊處理示意圖如下：
圖3-3 圖像分塊示意圖
在具體的處理中，由于圖片的來源的不統(tǒng)一以及在MATLAB中后續(xù)處理的方便，首先要統(tǒng)一轉(zhuǎn)換圖片為256階的灰度圖。同時，在分塊中要求Q為偶數(shù)且垂直方向上的分塊尺寸對稱，則必須使N為偶數(shù)。為了分塊劃分計算的方便，M也取偶數(shù)。實現(xiàn)方法為對奇數(shù)的M和N省略最后一行或列。在實際應(yīng)用中對后續(xù)特征提取效果沒有影響。實現(xiàn)在map_format函數(shù)中。
圖片的分塊實現(xiàn)需要用到MATLAB中的元胞數(shù)組。元胞數(shù)組的基本組成部分為元胞，其可以是任何類型和大小的數(shù)據(jù)。在MATLAB中，圖像的儲存為二維矩陣，利用元胞數(shù)組可以將指定尺寸的元素組合成元胞實現(xiàn)圖像的分塊。
在實際的處理中，還會有圖像尺寸無法被分割參數(shù)均分的問題。列如尺寸為300*310，劃分的參數(shù)為6*8。雖然尺寸和劃分參數(shù)都為偶數(shù)，但是無法實現(xiàn)均分。通過對CT圖像的觀察發(fā)現(xiàn)，CT圖片的邊緣都為不含任何信息的黑色區(qū)域，在分塊中雖然會將顱骨包含在內(nèi)，但是一般而言在顱骨附近的區(qū)域發(fā)生病變的可能性較小。因此，處理的方法是采用非均勻的劃分，在CT圖片的周邊一圈采用較大的分塊來解決無法均分的問題。對于對稱分塊的特征提取影響很小。分塊的實現(xiàn)在block函數(shù)中。
an = 2 * floor(an/2); %行核心區(qū)域分割參數(shù)
bn = 2 * floor(bn/2); %列核心區(qū)域分割參數(shù)
a1 = (x - (m - 2) * an) / 2; %行邊界區(qū)域分割參數(shù)
b1 = (y - (n - 2) * bn) / 2; %列邊界區(qū)域分割參數(shù)
a = zeros(1,m); %行元胞分割數(shù)組
b = zeros(1,n); %列元胞分割數(shù)組
元胞數(shù)組處理過后的分塊圖像使用subplot函數(shù)的多塊顯示即可。
圖3-4 待識別的顱腦CT圖
圖3-5 分塊后的顱腦CT圖
3.2.2 分塊特征選擇
選擇分塊處理是出于顱腦結(jié)構(gòu)的對稱性考慮，這點(diǎn)前文已經(jīng)多次說明。在選擇分塊用于識別的特征時，有兩個方面的因素是考慮的基點(diǎn)。（1）顱腦結(jié)構(gòu)對稱性的具體表現(xiàn)。（2）有哪些可供考量的特征。在確定的備選的特征后，即需要對其的效果進(jìn)行評估。下面首先討論特征選擇的思路。
人的顱腦結(jié)構(gòu)是基本對稱的。在CT圖像中，顱腦結(jié)構(gòu)從聽眥線開始，從圖像處理的角度來看主要可以分為兩種結(jié)構(gòu)：骨結(jié)構(gòu)和組織結(jié)構(gòu)。前者的灰度穩(wěn)定，一般較高，后者情況復(fù)雜，依層次而定，一般為等密度。就對稱性來看，骨的形態(tài)對稱性較好，但是包裹腦的顱骨對稱性不佳。組織的形態(tài)對稱性一般，而且其邊界在CT圖片中常常模糊或彌散。但是其灰度的對稱性較好。
在數(shù)字圖像處理理論中，將區(qū)域的表示與描述大致分為兩類：邊界描繪子和區(qū)域描繪子。邊界描繪子主要針對圖像的邊界特征如邊界長度、形狀數(shù)等等進(jìn)行數(shù)字化的表示。區(qū)域描繪子則對如區(qū)域面積、連通區(qū)域、紋理等等特性給以表達(dá)。
前面已經(jīng)將圖片分割成了關(guān)于顱腦中線對稱的多個矩形區(qū)域，考慮特征選擇中的邊界描繪子和區(qū)域描繪子。因為前面的分塊是完全沒有引入顱腦結(jié)構(gòu)的先驗知識而計算機(jī)又不具備人類關(guān)于圖像的配準(zhǔn)能力，人的顱腦形狀結(jié)構(gòu)在空間上并非嚴(yán)格的結(jié)構(gòu)對稱而邊界描繪要求較為嚴(yán)格，如果在正常范圍內(nèi)顱腦結(jié)構(gòu)發(fā)生細(xì)微改變就會使得對稱效果變的極差。所以，沒有選擇邊界描繪子。在圖片的分塊中，必然會有一定量的圖片中的病變結(jié)構(gòu)被分割到多個分塊中，如果分塊大小選擇合適，一般不會出現(xiàn)某個分塊完全為病變的內(nèi)部的情況。而病變區(qū)域的密度亦即是像素的灰度相比正常組織結(jié)構(gòu)會偏高或偏低表現(xiàn)為高密度或低密度病變，因此區(qū)域的灰度平均值可以作為一個特征。同時考慮到分塊會造成病變結(jié)構(gòu)分割的不確定性和矩形分塊通常會包含一定量的正常結(jié)構(gòu)（很少有矩形的顱腦病變結(jié)構(gòu)）選擇區(qū)域 的二階統(tǒng)計矩即是灰度對比度作為另一個特征。
圖像的灰度平均值和灰度對比度都是圖像區(qū)域灰度直方圖的統(tǒng)計量。令Z為一個代表灰度級的隨機(jī)變量，則可得P(Zi)，i=0，1，2，……，L-1，為圖像的直方圖。L為處理圖像的灰度級，本文中一律為256級灰度。
圖像區(qū)域的第N階矩為：
(3-1)
其中m是z 的均值亦即平均灰度級：
(3-2)
從公式可見，m即是灰度平均值，二階統(tǒng)計矩即是灰度對比度。而三階和四階統(tǒng)計矩也有對應(yīng)的意義，為直方圖的偏斜度和相關(guān)平直度。在分塊的特征提取中，意義不明顯故未使用。
灰度平均值的實現(xiàn)簡單，可以直接對元胞數(shù)組中的元胞應(yīng)用函數(shù)mean。對于二階統(tǒng)計矩，元胞數(shù)組的元胞不支持直接使用函數(shù)var，故需要先將元胞中的元素轉(zhuǎn)賦給一個數(shù)組再用函數(shù)var即可。灰度平均值的實現(xiàn)在函數(shù)avr_gray中，二階統(tǒng)計矩的實現(xiàn)在函數(shù)d_gray中。下面為圖3-4所示圖像分塊后的特征提取效果。
圖3-6 分塊的灰度平均值
圖3-7 分塊的灰度對比度
從數(shù)據(jù)可見，灰度對比度的數(shù)值與正常區(qū)域的分離較為明顯，而灰度平均值的數(shù)值則有不穩(wěn)定性。其表現(xiàn)為在病變區(qū)域的數(shù)值變化較大。原因是分塊中可能包含不同比例的正常區(qū)域。通過一定量的樣本圖像的實驗，發(fā)現(xiàn)總體而言灰度對比度的效果要明顯好于灰度平均值。
但是在后續(xù)的分類判斷中，灰度對比度特征的判斷閾值難以選擇。原因有以下兩點(diǎn)：
（1）顱腦不同層次和同層次的不同結(jié)構(gòu)的灰度對比度情況較復(fù)雜，包含病變后的區(qū)域特征值會和包含有內(nèi)部骨結(jié)構(gòu)的分塊近似。
（2）采用的是固定的分塊，面對顱腦的復(fù)雜情況下無法保證對所有圖片的分塊中正常和非正常部分的比例相同。因此考慮將關(guān)于顱腦中線的對應(yīng)分塊的特征值做差值，再以差值作為識別的特征值。這樣，對顱腦CT圖像的任何區(qū)域和圖層都有適用性。在理論上，顱腦關(guān)于中線對稱的區(qū)域的灰度統(tǒng)計特性是相同的。雖然因為CT圖片中的噪聲干擾以及顱腦結(jié)構(gòu)個體差異會造成的一定的差別，但是如果區(qū)域的比較大時，灰度統(tǒng)計特性對此是不敏感的。之后，選擇合適的閾值就可以完成病變區(qū)域的識別。
分塊對應(yīng)的規(guī)則如下圖。
圖3-8 對稱區(qū)域差值計算示意圖
在實現(xiàn)中建立一個和元胞數(shù)組同尺寸的數(shù)組用于存放對稱區(qū)域的差值。區(qū)域的對稱規(guī)則如下圖。由函數(shù)diff_gray實現(xiàn)以上功能。其也適用于灰度平均值的計算。圖3-5圖片的特征提取效果如下。
圖3-9 灰度平均值差值
圖3-10 灰度對比度差值
從數(shù)據(jù)可見，灰度平均值差值和灰度對比度差值的分類效果比其自身更好。通過實驗可以確定，灰度對比度差值的分類準(zhǔn)確性和完全性效果仍然要好于灰度平均值差值。而且與病變種類的關(guān)聯(lián)較小。其能夠?qū)Υ蟛糠职∽儏^(qū)域的分塊給出明顯區(qū)別于正常分塊的數(shù)值。
3.2.3 病變區(qū)域檢出
根據(jù)前面特征提取的結(jié)論，灰度對比度差值可以作為一個良好的特征用于分塊是否包含病變區(qū)域的識別。可以使用模式識別中的模糊聚類或者人工神經(jīng)網(wǎng)絡(luò)的方法，也可以使用簡單的閾值判斷的方法。通過實驗發(fā)現(xiàn)閾值判斷的效果基本符合要求而實現(xiàn)簡單故選擇閾值判斷識別包含病變區(qū)域的分塊。
閾值的確定是通過實驗的方法確定的。閾值選擇為20。實驗表明其效果對腦腫瘤等灰度變化明顯的高密度、低密度和混合密度病灶的識別效果較好。對于大小基本和一個分塊相同的病變區(qū)域識別效果較好，對于彌漫性的病變和病灶多且小的病變?nèi)缒X寄生蟲病的識別效果不佳。同時也發(fā)現(xiàn)邊緣的區(qū)域是假陽性誤判較多的，原因?qū)⒃诤笪姆治觥τ诖说奶幚硎菑?qiáng)制使所有邊緣默認(rèn)為非病變。其實現(xiàn)比使用模式識別理論構(gòu)建的分類器要簡單。由函數(shù)qypd實現(xiàn)初步的識別。
圖3-11 病變區(qū)域識別結(jié)果
3.3顱腦病變區(qū)域的分割
在初步判斷出包含了病變的分塊區(qū)域后，就可以針對這些分塊區(qū)域使用分割算法找出真正病變病灶的區(qū)域。而后續(xù)的特征提取的工作，就是針對這個真正的病變區(qū)域，這樣才能保證特征提取的有效性。
在對分塊區(qū)域使用分割算法之前，必須對已經(jīng)判斷出的區(qū)域進(jìn)行一定的預(yù)處理。這樣，可以保證分割算法的有效執(zhí)行。預(yù)處理包括分塊的補(bǔ)全融合及病變對稱區(qū)域的濾除。
對分塊進(jìn)行補(bǔ)全，以使得全部的分塊可以融合為一個矩形。原因有以下兩點(diǎn)：（1）分割算法的要求使得被分割的圖像輸入必須為矩形；（2）在加入了包含病變區(qū)域的分塊后，從融合后的圖片區(qū)域的整體灰度統(tǒng)計特性來看，雙峰的特征會得到一定程度的加強(qiáng)。這是有利于分割算法的實現(xiàn)和獲得更好的分割效果的。
因為前面的包含病變區(qū)域的判斷算法的原因，在判斷出的區(qū)域中，出現(xiàn)非矩形的區(qū)域情況很常見。例如：三角形、十字形等等。補(bǔ)全的目標(biāo)是找到一個最小的包含非矩形病變區(qū)域的矩形。實現(xiàn)的思路很簡單，平掃整個圖像至第一個標(biāo)記為病變的區(qū)域，對此區(qū)域的四個對角元胞進(jìn)行是否為標(biāo)記的判斷，如果被標(biāo)記，則將以此元胞和中心的矩形區(qū)域都標(biāo)記。如此往復(fù)，直至圖片的最后一個點(diǎn)。
圖3-12 區(qū)域補(bǔ)全前識別效果
圖3-13 區(qū)域補(bǔ)全后識別效果
從前面閾值判斷可知，包含有病變區(qū)域的分塊的對稱分塊。這樣在病變區(qū)域的分割中需要多處理一倍的數(shù)據(jù)，而且就結(jié)果而言其應(yīng)該被視為假陽性。本方案暫時采用的處理方法為分別計算兩區(qū)域的灰度平均值和二階統(tǒng)計矩，再與圖像中正常區(qū)域的灰度均值和灰度對比度對比，如果有任何一值與正常值偏離較大則判定為包含病變區(qū)域。此方法的效果如下。
圖3-14 假陽性處理效果
通過實驗，發(fā)現(xiàn)此處理方法的效果不佳。表現(xiàn)在對含有一定正常腦灰度變化結(jié)構(gòu)的分塊無法被濾除。但是，假陽性區(qū)域是可以接受的、其影響即是會降低后續(xù)處理的效率。在輔助診斷結(jié)果中出現(xiàn)一定的正常區(qū)域?qū)υ\斷結(jié)論沒有危害。
圖3-15 分割處理源圖
在完成了以上的工作后，即可使用分割算法，應(yīng)用區(qū)域為標(biāo)記的元胞。
如第二章所述，應(yīng)用于醫(yī)學(xué)圖像的分割算法很多，其中很多如基于神經(jīng)網(wǎng)絡(luò)的分割、基于模糊聚類的分割，其算法復(fù)雜，實現(xiàn)困難。常用的分割算法是基于統(tǒng)計學(xué)的分割。本文也采用基于統(tǒng)計學(xué)的算法。具體的原因如下：（1）本文所提取的病變區(qū)域有很明顯的灰度對比度，其統(tǒng)計直方圖的雙峰較為明顯，如下圖；（2）基于統(tǒng)計學(xué)的分割算法實現(xiàn)相對簡單，分割速度比上文提及的分割算法有明顯的優(yōu)勢。
在分割中，圖像可以認(rèn)為有對象和背景兩部分構(gòu)成。對象和背 景的灰度級是可以被分為兩組不同的支配模式。因此，從背景中提取對象的一種很直觀的思路是選擇一個合適的門限值，對全圖根據(jù)門限值進(jìn)行判斷就可以將兩中模式分開。當(dāng)圖像是更為一般的情況時，模式的種類更多則可以使用多門限處理的方式。
從以上敘述可見，應(yīng)用此種算法的關(guān)鍵是尋找合適的門限值。為了保證算法可以適應(yīng)不同密度變化的病變和不同層次的CT圖像，門限值最好是自適應(yīng)的。下面將討論自適應(yīng)門限值的確定。
如前文的定義，數(shù)字圖像為f(x,y)其尺寸為P*Q。若在圖像中灰度級i出現(xiàn)的次數(shù)為n,則有灰度級i的概率為：
且 ， (3-3)
在本文中是分割為兩類，背景類S1和目標(biāo)類S2。以t為閾值。因為在顱腦病變中存在高于和低于正常灰度的病灶，因此以分塊圖像的邊界點(diǎn)的灰度值與閾值t的關(guān)系來確定背景類和目標(biāo)類與閾值t的大于小于關(guān)系。現(xiàn)本文假定背景類灰度值i<t，目標(biāo)類灰度值i>t。則可得背景類和目標(biāo)類的出現(xiàn)概率分別為：
(3-4)
(3-5)
對于一幅圖像的閾值的自適應(yīng)確定，本方法有以下兩點(diǎn)需要考慮：（1）兩個類的類間距，類間距越大則分割的效果越好；（2）兩個類中的內(nèi)聚性，內(nèi)聚性越高則表示每個類的分散度越小同時分割的效果越好。
對于類的類間距的度量，首先需要得出類的類內(nèi)中心。定義為：
(3-6)
(3-7)
則類間距被定義為：
(3-8)
對于類的內(nèi)聚性可以用類中的每一個像素到類內(nèi)中心的距離來定義：
(3-9)
(3-10)
自適應(yīng)的最佳閾值要能夠同時使得類間距最大而類的內(nèi)聚性最小。此時的分割是最佳的。綜合考慮這兩個要素，可以定義分類的判別函數(shù)：
(3-11)
明顯，使得H(t)取最大值的灰度值t為自適應(yīng)的最佳閾值。以此閾值進(jìn)行分割得到S1和S2有：
且 (3-12)
在此情況下，背景類和目標(biāo)類的分割效果最好。
實現(xiàn)過程即是首先獲得圖片的灰度直方圖，根據(jù)上文所述對每個灰度級計算其判別函數(shù)的值，選擇使判別函數(shù)值最大的灰度做為分割閾值對圖像進(jìn)行二值化。
圖3-16 分割所得目標(biāo)區(qū)域標(biāo)記圖
分割后可以獲得一個二值圖像，以此二值圖像中的目標(biāo)區(qū)域為標(biāo)記結(jié)合原始圖像進(jìn)行針對區(qū)域的特征處理。
3.4實驗及問題分析
3.4.1 實驗及問題分析
本實驗所采用的測試圖片都系從網(wǎng)絡(luò)上的醫(yī)學(xué)圖片庫中獲得。雖然和醫(yī)院所使用的標(biāo)準(zhǔn)的DICOM格式的圖源質(zhì)量無法比較，但是作者認(rèn)為其基本符合驗證算法的需要。因為圖片所包含的信息基本不變，而且前文也對此類圖片做了相應(yīng)的預(yù)處理以保證其符合算法的需要。
實驗的流程如前所述，首先做預(yù)處理；其次分別進(jìn)行分塊、提取特征、識別分塊區(qū)域；最后對識別及融合后的圖片進(jìn)行分割。實驗結(jié)果的評定為是否正確找出病變區(qū)域及對病變區(qū)域分割的準(zhǔn)確度也即是否找出了完整的病變區(qū)域。病變區(qū)域的評定標(biāo)準(zhǔn)為網(wǎng)上醫(yī)學(xué)圖片庫中的醫(yī)生意見。部份實驗結(jié)果如下表：
表3-1 實驗結(jié)果
病灶類型 病灶大小 正確性 準(zhǔn)確性
低密度 大于分塊 正確 全部找出
低密度 近似等于分塊 正確 全部找出
高密度 大于分塊 正確 未全部找出
低密度 小于分塊 正確 全部找出
高密度 近似等于分塊 正確 全部找出
高密度 大于分塊 正確 全部找出
高密度 近似等于分塊 正確 未全部找出
混合密度 大于分塊 正確 未全部找出
混合密度 大于分塊 正確 未全部找出
高密度 大于分塊 正確 未全部找出
從上表中可以得出以下結(jié)論：（1）本文所采用的方法對密度表現(xiàn)為高密度和低密度、大小為等于或稍小于圖片每一分塊面積的病灶的識別分割效果較好。（2）分割的準(zhǔn)確度有待提高，往往會出現(xiàn)無法找出完整區(qū)域的問題。基本可以認(rèn)為，算法有其一定的適應(yīng)病變表現(xiàn)。在先驗知識大大減少的情況下可以分割出病灶，但是分割的準(zhǔn)確性不高。
對于結(jié)論（1），因為所采用的特征為灰度對比度，所以對于密度變化較大的高密度和低密度病灶的識別效果較好。在合適的分塊大小下其特征表現(xiàn)極為明顯。而因為提取特征的層次為每個分塊，因此，當(dāng)病灶的大小與分塊大小基本相同或稍小時，其灰度對比度的值也較高。但是，當(dāng)某個分塊完全為病灶的內(nèi)部時，其灰度對比度很低，特征不明顯。關(guān)于結(jié)論（2）將在問題分析中討論。
以上所有的處理在matlab7.0.1中實現(xiàn)，在主頻為1.4GHz的閃龍2500處理器、448MB內(nèi)存的環(huán)境下，處理一幅400*400大小的圖片用時少于20秒。如果進(jìn)一步優(yōu)化完善算法，并使用VC實現(xiàn)則處理速度還可以有所提高。
3.4.2 問題及分析
本文的算法在設(shè)計和實現(xiàn)上存在以下的問題：
1、分塊的大小的確定。本文中所使用的分塊系數(shù)為6*6。依據(jù)前文所述，分塊大小的選擇對別病灶的大小的影響是很大的。在6*6的系數(shù)下，對如腦寄生蟲病之類的病灶較小的病變的識別效果不佳。可見，如果想拓寬本算法的使用范圍則分塊系數(shù)的確定必須為自適應(yīng)的，其可根據(jù)預(yù)先對圖片的某一特征如紋理的計算來有針對性的選擇分塊系數(shù)。如果是使用醫(yī)院的標(biāo)準(zhǔn)圖源，則可以考慮引入一定的先驗知識，如顱腦CT的分層來估計可能病變從而根據(jù)經(jīng)驗大小確定分塊系數(shù)。
2、顱骨的影響。在本文中，對圖片的周邊一圈的包含顱骨分塊的區(qū)域是默認(rèn)為無病變。因為人的顱骨有其一定的不對稱性，而這種不對稱性從實驗結(jié)果看常常會影響特征的有效性，從而使分類識別有假陽性。筆者尚未找到較好的解決辦法。
3、對稱區(qū)域的影響。從前文的效果可見，對于病變區(qū)域的對稱區(qū)域其也被標(biāo)記而所采用的濾除方法效果不佳。因為特征為灰度對比度的絕對差值。如果想將此對稱的假陽性區(qū)域去除則需要加入灰度平均值。因為病灶的灰度平均值與周圍區(qū)域是不同的。初步的思路是構(gòu)造一個結(jié)合灰度對比度絕對差值和區(qū)域與周圍分塊的灰度平均值對比的算子用于分類器的判斷。但是，此時灰度平均值對比的效果決定于病灶大小與分塊大小的關(guān)系。分塊近似等于病灶大小并恰好包含是理想狀況。
4、分割的遺漏部分問題。這個問題也是由分塊造成的。因為分塊會造成病灶的割裂。而一些包含病灶小部分的分塊不會被識別出，也不一定會被補(bǔ)全。這樣在分割時會遺漏此部分。解決的思路是對已經(jīng)分割好的區(qū)域，再在全部分塊上采用區(qū)域生長的方法再次進(jìn)行分割。生長的起點(diǎn)選擇為已分割區(qū)域的邊緣。
綜上可見，本算法的多數(shù)問題都是由分塊這種處理方法造成的。分塊方法在大大降低分割算法難度和對先驗知識的要求上有上佳表現(xiàn)，但是也表現(xiàn)出了一些問題。
3.5 小結(jié)
本章介紹了病變區(qū)域自動分 割的流程和采用的算法。其首先進(jìn)行必要的預(yù)處理；其次運(yùn)用分塊和顱腦的對稱性確定出病變的大體區(qū)域；最后，使用自適應(yīng)的分割算法找出精確的病灶區(qū)域。通過實驗和分析，發(fā)現(xiàn)此算法有一定的適用性，判斷的正確率在某些類型的病變中較高，但是分割的準(zhǔn)確性有待提高。本章最后對一些問題如分塊系數(shù)的選擇等提出了大致的解決思路。
第4章 顱腦病變區(qū)域的特征提取
與一般的某種特定類型疾病的自動識別不同，顱腦病變自動診斷的目標(biāo)是自動獲得病變種類信息。一般的某種類型疾病特征提取的要求是找出與此疾病最相關(guān)的特征用于疾病的識別。而本文特征提取的目的是尋找足夠的、合適的特征以輔助醫(yī)生進(jìn)行疾病類型的診斷和作為疾病分類器的輸入。關(guān)鍵在于疾病種類是未知的，僅僅知道病灶的區(qū)域。因此特征的選取一方面要考慮到醫(yī)生診斷時會注意的特征，另一方面要全面的描述病變區(qū)域的情況。下面首先介紹診斷中常用的特征，再以此為基礎(chǔ)尋找合適的特征描述。
4.1顱腦醫(yī)學(xué)診斷中的常用特征
醫(yī)生在進(jìn)行診斷時所綜合考慮的信息包括：病人的臨床表現(xiàn)、病人的病史、CT腦圖的表現(xiàn)和輔助檢查結(jié)果等等。在CT腦圖的閱片中，根據(jù)圖像的成像方式是普通的平掃還是增強(qiáng)掃描具體關(guān)注的重點(diǎn)略有不同。而不同種類的病變其擁有的特征表現(xiàn)也是不同的。
1、考慮普通的平掃中的一般通用的特征。對于病灶而言，其特征可大體分為病灶內(nèi)的特征如紋理、密度的對比度等等和病灶的形態(tài)特征如形狀、邊緣的清晰程度等等。除此之外，還有一些物理信息可用于診斷，如病灶的位置、面積等。
2、對于增強(qiáng)掃描而言，最重要的特征是增強(qiáng)的類型。有均勻性強(qiáng)化、非均勻性強(qiáng)化、環(huán)狀強(qiáng)化和無強(qiáng)化。強(qiáng)化是指在靜脈注射含碘的造影劑后，腦的某些結(jié)構(gòu)有成像加強(qiáng)的效果。
3、是一些含有醫(yī)學(xué)意義的特征表現(xiàn)。這些表現(xiàn)較為復(fù)雜，很難用數(shù)字圖像中的已有特征描述子描述。但是其對病變的診斷有著重要的意義。因為這些特征的組合往往能夠大體確定病灶屬于哪幾類病變。這些特征有：占位效應(yīng)、水腫、鈣化、梗阻、交通、囊變和膿腫等等。在這些特征中，如占位效應(yīng)和移位等等的特征的提取還需要一定的關(guān)于被處理圖像的正常結(jié)構(gòu)表現(xiàn)的先驗圖譜。
4.2顱腦病變區(qū)域的特征提取
根據(jù)上文所述，可以將需要的特征大體分為三類：（1）如病灶所在的位置、面積、周長等等基本信息，這些無須再為其選擇特征描述子；（2）病變區(qū)域的區(qū)域特征如密度、密度混合程度、紋理等等，可以考慮應(yīng)用區(qū)域描述子如平均灰度、統(tǒng)計矩等描述；（3）病灶的形狀特征、邊緣特征等形態(tài)特征，需要在邊界描述子中選擇合適的特征。
本文選擇面積、位置、平均灰度、二階統(tǒng)計矩、灰度共生矩陣的統(tǒng)計量和規(guī)則度作為特征簡單描述病變區(qū)域。
4.2.1 區(qū)域位置
在診斷中病變位置是重要的信息，許多疾病都有其較為固定的多發(fā)位置。確定了位置可以縮小疾病可選種類，具體方法為為每一CT層的區(qū)域建立該位置可能發(fā)生疾病種類的數(shù)據(jù)庫。數(shù)據(jù)庫可以通過醫(yī)學(xué)理論得出，其可以使后續(xù)識別速度和精度大大增加。
利用本文的分塊方法很容易確定位置，只需要得到包含病灶的元胞數(shù)組的坐標(biāo)，再分別對橫軸縱軸歸一化，最后根據(jù)歸一化的值進(jìn)行判斷即可。
4.2.2 面積
病變的面積也是診斷是判斷疾病發(fā)展程度和分期的重要依據(jù)。利用在分割時得到的二值圖像標(biāo)記可以計算病變的面積。對標(biāo)記的區(qū)域記數(shù)即得面積。對病灶面積的提取如下表，其面積數(shù)字代表病灶點(diǎn)的數(shù)量，具體面積的計算還需要聯(lián)系設(shè)備參數(shù)，確定每個像素點(diǎn)所代表的面積。
表4-1 病灶面積
圖片 1 2 3 4 5 6 7 8 9 10
病灶面積 11940 10213 9784 3091 19615 16552 13652 10021 4426 18265
4.2.3 平均灰度
平均灰度是簡單的區(qū)域特征，它是區(qū)域的統(tǒng)計特征。定義為；
(4-1)
如上所述，在顱腦CT的平掃中，關(guān)于灰度的變化中有四種。平均灰度對于低密度和高密度病變而言是重要良好的特征，可以直接進(jìn)行判斷。但是對于等密度和混合密度病變而言，其值區(qū)別不大。
在matlab 中可以用mean函數(shù)對區(qū)域計算即可。從下表可見，灰度對高密度和低密度的病變其特征值距離較大，可初步用于分類
表4-2 平均灰度表
圖片 1 2 3 4 5
病灶類型 低密度 高密度 低密度 高密度 高密度
平均灰度 94.1244 183.0749 110.8837 215.8641 223.4328
圖片 6 7 8 9 10
病灶類型 高密度 高密度 混合密度 混合密度 高密度
平均灰度 199.6623 226.3612 134.2215 164.0129 231.6241
4.2.4 灰度對比度
灰度對比度為圖像的二階統(tǒng)計矩，它可以用于描述區(qū)域的紋理特征，但是在這里則主要是用于等密度和混合密度病變的判斷。定義為：
(4-2)
雖然灰度平均值無法區(qū)分等密度和混合密度病變，但是混合密度病變內(nèi)部為低密度和高密度組織的混雜，其灰度對比度遠(yuǎn)大于等密度病變的在0附近的低值。
在matlab中的實現(xiàn)可以參考在第三章中分塊的特征提取。從下表可見，混合密度病灶的灰度對比度值與其它病變種類此值距離較大，可用于識別混合密度病灶。而有部份的高密度病灶的對比度較高，其原因是在子圖的分割中存在和病灶類似的小區(qū)域，其灰度略低但也被分割入病灶區(qū)。
表4-3 灰度對比度表
圖片 1 2 3 4 5
病灶類型 低密度 高密度 低密度 高密度 高密度
灰度對比度 79.1311 103.8946 84.0401 64.7789 128.0430
圖片 6 7 8 9 10
病灶類型 高密度 高密度 混合密度 混合密度 高密度
灰度對比度 205.3641 66.7496 469.3216 349.1668 135.1564
4.2.5灰度共生矩陣
灰度共生矩陣實際上是圖像中呈一定位置關(guān)系的兩像素點(diǎn)間的聯(lián)合灰度直方圖。其作用類似于灰度直方圖。同是在生成之后，根據(jù)需要在其上計算紋理特征系數(shù)。其類似于的統(tǒng)計矩即上文所使用的特征。
紋理通常被定義為“任何事物構(gòu)成成分的分布或特征，尤其是涉及外觀或處決的品質(zhì)”，圖像紋理反映了物體表面顏色和灰度的某種變化，紋理特征是從圖像中計算出的一個值，它對物體內(nèi)部灰度級的變化性質(zhì)進(jìn)行量化。通常，紋理特征與物體的位置、走向、尺寸、形狀有關(guān)，但與平均灰度級（亮度）無關(guān)。
灰度共生矩陣p(a,d)的定義：圖像中灰度為i的點(diǎn)離開某個固定位置的點(diǎn)上灰度為j的概率。d為兩像素點(diǎn)的相隔距離，a為兩像素間的方位。d值的選取由實際應(yīng)用決定，a的取值通常為0°、45°、90°、135°。灰度共生矩陣如下圖所示。
圖4-1 灰度共生矩陣示意圖
灰度共生矩陣p(i ，j | d, a)反映了圖像灰度分布關(guān)于方向、局部鄰域和變化幅度的綜合信息，比較常用的紋理特征系數(shù)有五種：角二階矩（能量）、慣性矩（對比度）、相關(guān)性、熵、局部均勻性（逆差矩）。
其中角二階矩和局部均勻性從理論上看對本文有一定意義。
角二階矩（能量）：角二階矩是圖像灰度分布均勻的度量，是灰度共生矩陣元素值平方和，也稱為能量。當(dāng)灰度共生矩陣中的元素分布較集中于主對角線時，說明從局部區(qū)域觀察圖像的灰度分布是較均勻的。從圖像整體來觀察，紋理較粗，此時 E ( d，a) 較大，即粗紋理含有較多的能量；反之，細(xì)紋理則E ( d，a)較小。
(4-3)
局部均勻性（逆差矩）：用于均衡對比度程度，對比度較高的像素被賦予較低權(quán)重，對比度較低的像素被賦予較高權(quán)重。
(4-4)
角二階矩可以反映病變區(qū)域的內(nèi)部的紋理的粗細(xì)程度。逆差矩可以反映病變區(qū)域內(nèi)部的紋理對比度情況。
在matlab中可以利用graycomatrix生成灰度共生矩陣、graycoprops從灰度共生矩陣中提取紋理特征。函數(shù)的輸入為包含病變區(qū)域的最小分塊。其改變函數(shù)graycoprops中參數(shù)可以提取不同的紋理特征。
從下表可見，有少量紋理時，角二階矩較大，一般在紋理不明顯時，兩個統(tǒng)計矩都體現(xiàn)了一定的規(guī)律性。但是，由于分割效果不佳，當(dāng)有干擾時，特征的效果極差，完全偏離正常數(shù)值。
表4-4 灰度共生矩陣的矩
圖片 1 2 3 4 5
紋理 不明顯 不明顯 有干擾 不明顯 不明顯
角二階矩 0.2309 0.2256 0.4308 0.3749 0.2425
逆差矩 0.9487 0.9571 0.9560 0.9638 0.9455
圖片 6 7 8 9 10
紋理 少量 少量 不明顯 不明顯 有干擾
角二階矩 0.4757 0.5001 0.2367 0.3325 0.3356
逆差矩 0.9716 0.9695 0.9512 0.9579 0.9713
4.2.6 規(guī)則度
設(shè)CS為病灶區(qū)域面積，Cl為病灶區(qū)域周長，Cr為區(qū)域的規(guī)則度。Cs通過累加區(qū)域內(nèi)所有點(diǎn)，Cl等于病變區(qū)域邊界象素的總和。區(qū)域的規(guī)則度定義如下：
(4-5)
規(guī)則度可以用于衡量一個區(qū)域的致密性。其為無量綱的量且對方向性不敏感。可知圓形的致密性最小，在一定程度上，特征規(guī)則度可以反映病變區(qū)域的形狀。
因為具體病灶的區(qū)域已經(jīng)提取出，故面積的計算直接對標(biāo)記為病變的點(diǎn)進(jìn)行記數(shù)即可。周長的計算需要得出其邊界。算法思路如下：第一步對包含病變區(qū)域的分塊進(jìn)行掃描、檢出第一個邊界象素P0（i0，j0）則轉(zhuǎn)第二步執(zhí)行；第二步對檢出的象素點(diǎn)的八領(lǐng)域進(jìn)行考察、以逆時針為順序。將其中第一次出現(xiàn)的邊界點(diǎn)記為P1，存儲其坐標(biāo)當(dāng)標(biāo)記點(diǎn)數(shù)等于周長時轉(zhuǎn)第三步執(zhí)行。第三步逆時針方向從Pk-1的后一點(diǎn)像素開始考慮Pk的八領(lǐng)域像素，最先檢出的區(qū)域內(nèi)像素記為Pk+1，存儲其坐標(biāo)并將此點(diǎn)賦為檢測點(diǎn)，轉(zhuǎn)入第四步。第四步判斷檢測點(diǎn)和初始點(diǎn)是否相同，相同則結(jié)束，不同則回第三步繼續(xù)。得出邊界后對邊界點(diǎn)記數(shù)即得到周長。
由下表可見，在一定程度上，規(guī)則度可以反映病灶的形狀特征如是圓形或者不規(guī)則。其可用于后續(xù)對病灶形態(tài)的分類從而診斷病變。
表4-5 規(guī)則度
圖片 1 2 3 4 5
形狀 近似圓形 不規(guī)則 不規(guī)則 近似橢圓 不規(guī)則
規(guī)則度 0.1527 0.1291 0.0135 0.1633 0.1257
圖片 6 7 8 9 10
形狀 不規(guī)則 不規(guī)則 不規(guī)則 近似圓形 不規(guī)則
規(guī)則度 0.1186 0.1023 0.1235 0.1556 0.1211
4.3小結(jié)
本章是針對已經(jīng)提取出的病變區(qū)域選擇并提取合適的特征參數(shù)。其目的是獲得可用于描述病灶以輔助醫(yī)生診斷和后續(xù)分類器設(shè)計的特征信息。根據(jù)醫(yī)生在診斷中的需求和數(shù)字圖像處理的相關(guān)理論，選取了平均灰度、灰度對比度和基于灰度共生矩陣的紋理特征用于病灶內(nèi)部的特征描述。其反映了病灶的密度、密度構(gòu)成和紋理的情況。選取了規(guī)則度用于描述病灶的形狀特征，其可以反映出病灶形狀的整體信息。
結(jié) 論
顱腦病變的計算機(jī)輔助診斷研究在國內(nèi)外尚處于起步階段，其研究的難度較高。簡而言之，顱腦病變的復(fù)雜性多樣性和相關(guān)數(shù)字圖像處理技術(shù)的不成熟是研究的困難所在。本文作者通過一定的學(xué)習(xí)和思考，對此問題尤其是病變區(qū)域的自動分割做了一些研究。現(xiàn)總結(jié)和分析如下。
1、本文的工作包括如下幾個方面：
（1）研究了自動分割病變區(qū)域的方法。此方法的核心思想是利用顱腦結(jié)構(gòu)的對稱性進(jìn)行病變區(qū)域的預(yù)先識別，對判斷出的大區(qū)域再使用分割算法確定出病灶。此方法所需要的顱腦先驗知識較其他方法少，同時因為無須對全腦分割故使用的分割算法也要簡單的多。但是由于圖源的問題，測試的病變較少。
（2）針對分割出的病灶區(qū)域，研究了提取何種特征用于計算機(jī)輔助診斷。根據(jù)醫(yī)生的判斷經(jīng)驗和理論，具體選取了描述區(qū)域內(nèi)部關(guān)于密度和紋理的特征以及描述病灶外部形態(tài)特征的規(guī)則性等。
2、本文存在以下問題：
（1）由上文第3章所述可見，對于自動分割病變區(qū)域的方法存在的最主要問題在于分塊的自適應(yīng)性問題無法解決。分塊的固定化無法適應(yīng)某些病變，而基于顱腦對稱的分塊在用于判斷的特征上僅僅使用灰度對比度的差值也是無法適應(yīng)更多病變的原因之一。
（2）對于特征的提取上，問題在于所使用的特征過于基本，使得特征的作用限于輔助診斷。而對于病變的診斷相當(dāng)重要的醫(yī)學(xué)特征的提取較為困難。其原因為以下兩點(diǎn)：首先部分特征的提取需要全腦的信息和標(biāo)準(zhǔn)的醫(yī)學(xué)先驗知識，例如占位效應(yīng)、萎縮等等；其次特征沒有合適的數(shù)字圖像描述子表達(dá)。
（3）在研究過程中：首先前期的準(zhǔn)備工作略顯單薄，體現(xiàn)在CT診斷學(xué)的學(xué)習(xí)不夠充分，沒有能夠更多的發(fā)現(xiàn)顱腦疾病的復(fù)雜性使得后續(xù)的算法在適用性上存在硬傷。而對疾病診斷特征理解不深刻，難以找出對應(yīng)的數(shù)字表達(dá)。在分塊判斷上可以采用模式識別的方法，但因為搜集的圖源非標(biāo)準(zhǔn)而放棄。其次在論文的閱讀上多集中于國內(nèi)，較少涉及外文文獻(xiàn)尤其是IEEE文獻(xiàn)使得思路不夠開闊。最后在實驗數(shù)據(jù)的分析上，隨意性較大，沒有很好的依據(jù)科學(xué)規(guī)范和理論，造成對研究效果和存在問題認(rèn)識不足。
3、對于后續(xù)的工作，還有以下需要完善和深入研究的：
（1）要解決圖源的問題。需要獲得標(biāo)準(zhǔn)的DICOM格式的圖片，其灰度、位置和附加信息都標(biāo)準(zhǔn)化故對于后續(xù)的處理有著重要的意義。
（2）對于分塊系數(shù)的確定，考慮引入含有一定的顱腦先驗知識和自適應(yīng)性的分割系數(shù)。分塊系數(shù)的改進(jìn)可以提高之后特征提取的效率。
（3）進(jìn)一步學(xué)習(xí)顱腦CT診斷學(xué)的內(nèi)容，考慮在分割和特征提取的過程中可以更多的加入醫(yī)學(xué)先驗知識，例如引入正常顱腦灰度分布圖用于病變區(qū)域 的提取。更多的背景知識對于優(yōu)化算法和設(shè)計更好的整體識別流程有積極作用。
（4）對于如鈣化、水腫等重要的特征的數(shù)字表示加以研究。考慮組合多種基本的數(shù)字描述子加以表達(dá)。
感 謝
在論文完成之際，首先，衷心感謝我的導(dǎo)師蔡波老師。在半年多的學(xué)習(xí)中，我都得到了蔡老師的悉心指導(dǎo)和鼓勵。蔡老師淵博的學(xué)術(shù)知識、嚴(yán)謹(jǐn)?shù)闹螌W(xué)作風(fēng)、忘我的工作熱情、一絲不茍的工作態(tài)度以及對學(xué)科前沿發(fā)展的敏銳洞察力給我留下了深刻的印象，使我受益匪淺。蔡老師給我樹立了良好的榜樣，對我以后的學(xué)習(xí)和工作將產(chǎn)生深遠(yuǎn)的影響，在此，我要向他表示最誠摯的感謝。
在具體的做畢業(yè)設(shè)計過程中，我還得到了韓雪梅老師的細(xì)心指導(dǎo)，在這個過程中給予我的幫助和支持，在此非常感謝她。
同時，我還要感謝所有對本論文提出過寶貴意見的老師和同學(xué)以及將要評審該論文的各位專家們。
最后，我要感謝我的父母和朋友。沒有他們的理解、關(guān)心和支持，要順利地完成該論文是難以想象的。特別是我的父母給予了我大量的理解和支持，使我能夠?qū)Ｗ⒂诋厴I(yè)設(shè)計工作，借此機(jī)會向他們表示深深的謝意。
參考文獻(xiàn)
[1] 樊尚春，周游.醫(yī)學(xué)圖像處理技術(shù)概述[R].北京：北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院，2004.
[2] 劉俊敏，黃忠全等.醫(yī)學(xué)圖像處理技術(shù)的現(xiàn)狀及發(fā)展方向[J].醫(yī)療衛(wèi)生設(shè)備，2005，26(12)：25-26.
[3] 邵 虹，崔文成等.基于圖像內(nèi)容的顱腦病變自動分析[J].計算機(jī)工程，2003，29(12)：35-36.
[4] 邵 虹，崔文成等.一種基于形狀特征的顱骨圖像檢索方法[J].計算機(jī)工程，2003，29(08)：3-4.
[5] 邵 虹，崔文成等.遺傳算法在基于內(nèi)容的圖像檢索中的應(yīng)用[J].計算機(jī)工程，2003，16(08)：21-22.
[6] 趙志峰，張尤賽. 醫(yī)學(xué)圖像分割綜述[J].華東船舶工業(yè)學(xué)院學(xué)報(自然科學(xué)版)，2003，17(03)：
43-47.
[7] 李傳富，周康源等.基于先驗知識的顱腦CT圖像自動化分割[J].中國醫(yī)療器械新志，2004，
28（03）：34-39.
[8] 包尚聯(lián)，謝耀欽等.基于醫(yī)學(xué)影像計算機(jī)輔助診斷的分割方法[J].中國醫(yī)學(xué)物理學(xué)雜志，2003，
20（03）：83-86.
[9] 李傳富,周康源等.序列顱腦CT圖像的顱腔內(nèi)結(jié)構(gòu)自動化分割[J].中國科學(xué)技術(shù)大學(xué)學(xué)報，2006，
36（02）：148-152.
[10] 樊養(yǎng)余，薛耿劍等.一種基于分層Mumford－Shah模型的顱腦圖像分割方法[J].計算機(jī)應(yīng)用，
2006，26(01)：112－113.
[11] 于 水，馬范援.一種基于數(shù)據(jù)融合的醫(yī)學(xué)圖像分割方法[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，
2001，13(12)：1073-1076.
[12] 李傳富，周康源等.基于配準(zhǔn)方法的顱腦CT圖像病變信息自動提取算法[J].中國生物醫(yī)學(xué)工程學(xué)報，2006，25(01)：19-24.
[13] 王華峰，任青青.一種醫(yī)學(xué)圖像幾何特征的自動檢測[J]. 北京生物醫(yī)學(xué)工程，2001，20(03)：
175-177.
. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, vol. 22, no.1,
pp.85-106.
. Computer Methods and Programs in Biomedicine, 1990, vol.33, pp.221-239.
. IEEE Transactions on Medical Imaging, 1993, vol.12, pp.740-750.
關(guān)鍵詞：課題項目研發(fā)；教學(xué)模式；應(yīng)用型人才
中圖分類號：G642 文獻(xiàn)標(biāo)識碼：B
文章編號：1672-5913(2007)10-0039-02
西北師范大學(xué)知行學(xué)院是甘肅省第一所獨(dú)立院校，為了增強(qiáng)辦學(xué)競爭力，不斷地創(chuàng)建專業(yè)特色鮮明、應(yīng)用優(yōu)勢突出、就業(yè)需求看好的新專業(yè)，在傳承和發(fā)揚(yáng)西北師范大學(xué)百年老校的崇尚學(xué)術(shù)、追求卓越、嚴(yán)謹(jǐn)治學(xué)的優(yōu)良傳統(tǒng)同時，積極研究和探索，采用新的教學(xué)模式培養(yǎng)人才，提高教育教學(xué)質(zhì)量。
知行學(xué)院計算機(jī)與信息科學(xué)系是為適應(yīng)西部大開發(fā)，加快培養(yǎng)信息技術(shù)人才而設(shè)置的，在堅持科學(xué)發(fā)展觀的前提下，全面推進(jìn)素質(zhì)教育，從改革教學(xué)模式著眼，有效地培養(yǎng)應(yīng)用型人才方面，做了許多切實的工作。
第一，從社會需要定位培養(yǎng)目標(biāo)，制定務(wù)實的辦學(xué)思路，就是“面向社會、以人為本、任務(wù)激勵、實踐創(chuàng)新、多能多證、應(yīng)試應(yīng)市”。面向社會就是以社會的需求，和“科教興國”戰(zhàn)略、“人才強(qiáng)國”戰(zhàn)略的要求確定專業(yè)設(shè)置、培養(yǎng)目標(biāo)和教學(xué)模式，為西部大開發(fā)培養(yǎng)信息技術(shù)人才。以人為本，就是以學(xué)生為本，教師和管理人員要為學(xué)生的成才服務(wù)。實踐創(chuàng)新，就是要培養(yǎng)學(xué)生的實踐能力和創(chuàng)新意識，使其具有新型應(yīng)用型人才的重要素質(zhì)。任務(wù)激勵，就是以課題項目的研究、開發(fā)，充分調(diào)動學(xué)生的學(xué)習(xí)積極性。多能多證是所培養(yǎng)的應(yīng)用型人才，不僅要拿到學(xué)校的畢業(yè)證，還要拿到國家相關(guān)的專業(yè)等級與職業(yè)資格證書。應(yīng)試應(yīng)市，表明素質(zhì)教育不排斥考試能力，學(xué)生要能適應(yīng)專升本的考試、研究生考試和國家機(jī)關(guān)凡進(jìn)必考的形勢，適應(yīng)人才市場的需求，應(yīng)聘就業(yè)。在此基礎(chǔ)上，進(jìn)一步實施的新舉措是“兩手抓”：一手抓學(xué)生的搞課題項目實踐，一手抓考取國家的專業(yè)技術(shù)等級和職業(yè)資格證書。使學(xué)生在畢業(yè)時，每個人都搞出幾個項目成果，獲得幾個資格證書。幾年來的實踐證明了整個辦學(xué)思路有很強(qiáng)的指導(dǎo)性和實際意義，已在增強(qiáng)學(xué)生素質(zhì)，提高就業(yè)率方面凸現(xiàn)優(yōu)勢。
第二，根據(jù)經(jīng)濟(jì)社會發(fā)展和人才市場對各專業(yè)人才的素質(zhì)要求，合理地調(diào)整各專業(yè)的課程設(shè)置和教學(xué)內(nèi)容，強(qiáng)化學(xué)生實踐能力、創(chuàng)業(yè)能力的培養(yǎng)，積極推行教學(xué)改革，努力推進(jìn)教學(xué)創(chuàng)新已勢在必行。教學(xué)改革要落在實處，除了科學(xué)地制訂教學(xué)計劃外，在課程設(shè)置中，知行學(xué)院計算機(jī)系突出了這樣幾個方面：首先，瞄準(zhǔn)技術(shù)發(fā)展應(yīng)用領(lǐng)域的前沿，不斷的選擇增設(shè)實用性強(qiáng)的新課程，以適應(yīng)計算機(jī)科學(xué)日益迅速的發(fā)展。幾年來先后增設(shè)了大型數(shù)據(jù)庫、ASP、EDA技術(shù)等課程；其次，著眼應(yīng)用，增加實踐性課程，制定了x+1學(xué)期的教學(xué)與實踐計劃，即專科生第六學(xué)期從事專業(yè)實習(xí)，本科生第八學(xué)期安排專業(yè)實習(xí)。為了加強(qiáng)畢業(yè)生專升本與就業(yè)工作，把專升本的輔導(dǎo)提早到第5學(xué)期，把畢業(yè)設(shè)計與畢業(yè)論文提前到第7學(xué)期，這一措施既可以保證上述工作有充分的時間來完成，更重要的是學(xué)生的畢業(yè)論文和畢業(yè)設(shè)計成果在就業(yè)應(yīng)聘面試中派上用場。再次，面向社會，增設(shè)開發(fā)和研究性課題。對專職教師要求教學(xué)采用新技術(shù)、新手段，以全新的姿態(tài)走上講臺，教學(xué)效果普遍較好。
第三，為落實辦學(xué)思路培養(yǎng)應(yīng)用型人才，多年來的實踐中認(rèn)識到，應(yīng)用型人才的最主要的特點(diǎn)是具有較強(qiáng)的實踐能力和創(chuàng)新精神，既能創(chuàng)新，又能創(chuàng)業(yè)。能夠搞項目與課題的研究和開發(fā)，所以培養(yǎng)學(xué)生從事課題、項目的研究和開發(fā)能力，成為培養(yǎng)應(yīng)用型人才的關(guān)鍵。依據(jù)動機(jī)理論，人們愿意做出努力的事情不外乎兩種：一是他們指望做后能成功的事，一是能看到成功帶來收益的事。在教學(xué)過程中向?qū)W生公布一系列有實際意義的課題任務(wù)，向?qū)W生說明實際意義，完成這些任務(wù)能學(xué)到什么技能，然后讓他們報名選做，老師進(jìn)行個別指導(dǎo)，引導(dǎo)學(xué)生自己進(jìn)行社會調(diào)查、搜集資料、進(jìn)行實踐和創(chuàng)造性的學(xué)習(xí)。通過任務(wù)激勵，極大的調(diào)動了學(xué)生的學(xué)習(xí)積極性和主動性。
第四，采用課題、項目研究與開發(fā)教學(xué)模式，培養(yǎng)應(yīng)用型人才。為了使學(xué)生有較多的項目開發(fā)的體驗與實踐，在一部分應(yīng)用性強(qiáng)的專業(yè)技術(shù)課程的教學(xué)中，改變傳統(tǒng)的教學(xué)方法，采用新的教學(xué)模式，就是把教學(xué)的目標(biāo)、教學(xué)的過程、教學(xué)結(jié)果考核均與課題項目的研發(fā)相連接的教學(xué)模式。這樣就改變了只靠畢業(yè)設(shè)計集中搞項目的辦法，而讓每一門專業(yè)課為新型人才培養(yǎng)做出貢獻(xiàn)。筆者有幸承擔(dān)了“Visual Basic程序設(shè)計”課程的教學(xué)任務(wù)，率先進(jìn)行“課題、項目研究與開發(fā)教學(xué)模式”的教學(xué)。第一步，改編寫了教材，將VB課程學(xué)習(xí)中要做的課題一一列出。VB這門課程是計算機(jī)專業(yè)和電子信息工程專業(yè)學(xué)習(xí)的核心必修課，實踐性很強(qiáng)的課程，對培養(yǎng)學(xué)生的實踐能力和創(chuàng)新能力能發(fā)揮重要作用，在學(xué)生整個知識體系中，占有重要地位。第二步，設(shè)計一個全面全新的教學(xué)模式：“一個飛躍達(dá)標(biāo)、兩個階段教學(xué)、三個層次要求、四個方面考核”。一個飛躍達(dá)標(biāo)，就是實現(xiàn)從案例教學(xué)入門到項目開發(fā)的飛躍。由于教學(xué)目標(biāo)定位于培養(yǎng)應(yīng)用型人才，其最重要的特征就是能搞課題項目研發(fā)，具有較強(qiáng)的實踐能力和創(chuàng)新能力。把課題、項目研發(fā)的任務(wù)分解到相關(guān)課程教學(xué)中進(jìn)行。這樣，畢業(yè)時每個學(xué)生可以搞出三、四項成果，提高了就業(yè)競爭能力；兩個階段教學(xué)，就是把一個學(xué)期分成兩個階段，進(jìn)行階段教學(xué)。第一階段，進(jìn)行案例教學(xué)，以課題為主線，學(xué)習(xí)基本概念、基本理論和基本設(shè)計方法，做到由基本概念與案例入門。第二個階段，進(jìn)行項目研發(fā)。綜合運(yùn)用所學(xué)知識和方法，分析和解決實際問題，不僅能做小項目，也能做功能相對完整的中等程度項目。實現(xiàn)由“案例”到“項目”的飛躍；整個階段都是講練結(jié)合，加強(qiáng)實際動手能力的培養(yǎng)。具體做法是：每個課題單元分兩個階段，教師講解、演示為一個階段（2學(xué)時），學(xué)生實訓(xùn)練習(xí)為一個階段（4學(xué)時）。教師講解、演示課題項目時，給出課題項目名稱，說明課題目的、課題意義，講解演示設(shè)計過程，（包括界面設(shè)計、屬性設(shè)置、代碼編寫、運(yùn)行調(diào)試、整理保存和注釋詳解）讓學(xué)生知其然而且知其所以然。通過實訓(xùn)練習(xí)，使學(xué)生親手完成一些案例和項目任務(wù)，獲得成就感，從而引起繼續(xù)學(xué)習(xí)的興趣。提高學(xué)習(xí)的積極性，達(dá)到“任務(wù)激勵”和“實踐創(chuàng)新”的目的；因材施教，分層次教學(xué)。實訓(xùn)練習(xí)課題難度分一般、較難和難三個層次。一般的課題任務(wù)要求全體同學(xué)完成，較難的課題任務(wù)要求二分之一的學(xué)生完成，難的課題任務(wù)供少數(shù)優(yōu)秀同學(xué)選做。考核成績考慮到四個方面：學(xué)習(xí)態(tài)度、出勤情況、創(chuàng)新精神和成果業(yè)績。期末考試，讓學(xué)生分組選題，采用論文答辯的方式進(jìn)行。看創(chuàng)新精神，看成果業(yè)績。第三步，根據(jù)改革了的教學(xué)模式，進(jìn)一步設(shè)計了改革要求，即為授課編寫?yīng)毦咛厣闹v稿，打印成冊；采用多媒體手段進(jìn)行教學(xué)，做出教學(xué)課件；匯編學(xué)生完成的課題成果，刻錄成光盤并保存。按照上述的教學(xué)模式以及改革要求進(jìn)行的教學(xué)，從教得方面來看，因為“Visual Basic程序設(shè)計”是一門實踐性很強(qiáng)的課程，為避免單調(diào)的理論講解，筆者從多本輔導(dǎo)教材中精心挑選了多個有代表性的實例匯總為16個課題（如窗體程序設(shè)計、復(fù)選框程序設(shè)計、查詢密碼程序設(shè)計、菜單程序設(shè)計、多重文檔程序設(shè)計、訪問數(shù)據(jù)庫技術(shù)、賓館管理系統(tǒng)等）作為主導(dǎo)教材詳細(xì)講解，制作了多媒體教學(xué)課件。并在多媒體教學(xué)環(huán)境中進(jìn)行實際演示，配合理論知識的強(qiáng)調(diào)，教學(xué)效果良好，學(xué)生比較感興趣，學(xué)習(xí)的主動性和積極性較強(qiáng)，在期末課題設(shè)計時也充分發(fā)揮了創(chuàng)造性思維。從學(xué)的方面來看，學(xué)生對這門課程的教學(xué)比較感興趣，因為這門課程實用性較強(qiáng)，但難度不算很大。學(xué)生們?yōu)榱四軐W(xué)好VB這門課，借閱了多本相關(guān)資料，花費(fèi)了大量業(yè)余時間來上機(jī)實踐，進(jìn)一步強(qiáng)化他們對一些VB實用例子的理解和掌握。因此，學(xué)習(xí)的效果也比較好。“Visual Basic程序設(shè)計”這門課程實用性較強(qiáng)，符合專業(yè)課學(xué)習(xí)的改革要求。達(dá)到了培養(yǎng)學(xué)生從事課題、項目的研究和開發(fā)能力，促進(jìn)他們成為應(yīng)用型人才的目的。2006年VB程序設(shè)計課題項目研發(fā)教學(xué)的成果比較顯著，下半年期末考試中列出26個課題，學(xué)生分組進(jìn)行研發(fā)，同學(xué)們設(shè)計出了“學(xué)籍管理系統(tǒng)”、“電子教務(wù)系統(tǒng)”、“評語管理系統(tǒng)”、“企業(yè)人事管理系統(tǒng)”、“小區(qū)物業(yè)管理系統(tǒng)”、“快捷Windows桌面操作系統(tǒng)”、“AMT模擬系統(tǒng)”、“黃河風(fēng)采抽獎系統(tǒng)”、“多媒體播放器”等課題項目，一些同學(xué)的程序設(shè)計很具特色和創(chuàng)造性。
第五，知行學(xué)院計算機(jī)系又將“課題項目研發(fā)的教學(xué)模式”推廣到EDA技術(shù)、數(shù)字圖像處理、C程序設(shè)計、CAXA、多媒體技術(shù)、JAVA等課程，都收到了良好的效果。數(shù)字圖像處理期末列出了27個課題，同學(xué)們完成的“建立五官數(shù)據(jù)庫為特征人物畫像”、“運(yùn)動員號碼識別處理系統(tǒng)”獨(dú)具特色。EDA出了20個課題，“三層電梯控制設(shè)計器”、“乒乓球游戲設(shè)計”、“智能函數(shù)發(fā)生器設(shè)計”、“數(shù)字鐘”等課題學(xué)生們在創(chuàng)建過程中充分發(fā)揮了創(chuàng)造性，使同學(xué)們都很有成就感。2003年以來學(xué)生完成各類課題150多項，學(xué)生的專業(yè)技能顯著提高。因此在一部分專業(yè)課程中改革教學(xué)內(nèi)容和教學(xué)模式，對學(xué)生的實踐能力、創(chuàng)新能力，培養(yǎng)應(yīng)用型人才很有實際意義。
收稿時間：2007-2-3
關(guān)鍵詞：網(wǎng)站設(shè)計；課程改革；內(nèi)容優(yōu)化
中圖分類號：TP393.09 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）17-0100-02
1 引言
“網(wǎng)站設(shè)計”是使用標(biāo)識性語言，通過一系列策劃、設(shè)計、建模、優(yōu)化、開發(fā)步驟產(chǎn)生網(wǎng)站，最終以圖形用戶界面的形式展現(xiàn)給用戶[1]。在計算機(jī)相關(guān)學(xué)科的教學(xué)中，網(wǎng)站設(shè)計課程是一門重要的專業(yè)課，其知識多、操作性強(qiáng)、課程難度較大[2]。
當(dāng)前，各院校普遍開設(shè)了網(wǎng)站設(shè)計類課程，但是在其教學(xué)過程中，我們發(fā)現(xiàn)學(xué)生內(nèi)驅(qū)力較弱、動手能力有限、學(xué)習(xí)主動性較差、動手能力不足、橫向競爭力差等問題[3]。考慮到目前社會上對網(wǎng)站設(shè)計人員的需求，我們認(rèn)為改革現(xiàn)有教學(xué)模式、提高學(xué)生實踐能力、增加職業(yè)競爭力等，是亟須解決的問題。因此，對“網(wǎng)站設(shè)計”相關(guān)類課程進(jìn)行改革勢在必行。
2 文獻(xiàn)綜述
目前對網(wǎng)站設(shè)計類課程的改革研究體現(xiàn)在很多方面，例如：任鎖平 [4]基于搜索引擎優(yōu)化的視角下，探析教學(xué)資源網(wǎng)站設(shè)計策略。分別從策劃層次、開發(fā)層次、界面設(shè)計層次、維護(hù)層次四個方面闡述了教學(xué)資源網(wǎng)站設(shè)計的策略。榮益 [5]從信息技術(shù)課程教學(xué)網(wǎng)站的需求分析與功能定位以及信息技術(shù)課程教學(xué)網(wǎng)站的內(nèi)容設(shè)計兩方面探討了信息技術(shù)課程教學(xué)網(wǎng)站設(shè)計實現(xiàn)。張慧麗 [6]將Moodle平臺應(yīng)用到《網(wǎng)站設(shè)計與制作》課程教學(xué)中，采用問卷調(diào)查法對Moodle平臺應(yīng)用教學(xué)效果進(jìn)行了分析。楊銘 [7]介紹了如何基于項目化實現(xiàn)網(wǎng)站設(shè)計與開發(fā)課程的教學(xué)內(nèi)容，并總結(jié)了課程的特色與創(chuàng)新點(diǎn)。章早立 [8]討論了基于“分層分類”理念的高職《網(wǎng)頁制作與網(wǎng)站設(shè)計》課程教學(xué)新模式探究。郝靜 [9]通過對近年來教學(xué)過程中課程教學(xué)模式的研究、教學(xué)方法和手段的改革的探討，闡述如何在該課程中實現(xiàn)工作過程系統(tǒng)化的"教學(xué)做"合一。楊敬飛 [10]以文化洛陽網(wǎng)站的設(shè)計為例，講述了如何在網(wǎng)頁設(shè)計課程中應(yīng)用項目教學(xué)法，將教學(xué)內(nèi)容和教學(xué)目標(biāo)巧妙地包含于項目設(shè)置之中。
然而，上述論文并沒有從課程的內(nèi)容結(jié)構(gòu)上進(jìn)行優(yōu)化。“網(wǎng)站設(shè)計”課程的難點(diǎn)在于內(nèi)容多而碎，需要較多的先修課程知識。本文擬從課程設(shè)置的角度出發(fā)，深入探討如何設(shè)計該課程的內(nèi)容，并以本人就職南京師范大學(xué)中北學(xué)院以來的教學(xué)經(jīng)驗，匯報作者對網(wǎng)絡(luò)設(shè)計課程的授課計劃。
3 方法
傳統(tǒng)的“網(wǎng)站設(shè)計”類課程，僅包含基礎(chǔ)的HTML語言、JavaScript語言、CSS+DIV、圖像處理、動畫制作。選取的軟件僅包括網(wǎng)頁三劍客之一與Photoshop的搭配處理。然而我們認(rèn)為上述授課內(nèi)容過于陳舊、沒有緊跟前沿、缺少及時更新。為此，作者設(shè)置授課計劃如表 1所示。
4 結(jié)果
實驗對象選擇南京師范大學(xué)中北學(xué)院2011級某班。通過問卷調(diào)查方式對改革前后的教學(xué)效果進(jìn)行調(diào)查，共發(fā)出問卷33份，回收問卷33份，其中有效問卷32份，有效率96.97%。對回收的問卷通過Excel進(jìn)行統(tǒng)計處理。表 2給出分析結(jié)果。
5 討論
表 2可見，課程改革后，大部分學(xué)生認(rèn)為新的課程知識面更廣、內(nèi)容更新穎、更適合自學(xué)、能提高學(xué)習(xí)效率、可激發(fā)想象力、使課堂變得更加有趣、并能推動學(xué)生課后學(xué)習(xí)。因此，我們認(rèn)為對“網(wǎng)站設(shè)計”教學(xué)內(nèi)容的重新規(guī)劃是成功的。需要注意的是，新的課程內(nèi)容需要至少72學(xué)時。對某些院校，教師反映僅分配36學(xué)時給“網(wǎng)站設(shè)計”課程，這種情況下本文提出的新的授課計劃并不適用，需要進(jìn)行刪減。
6 結(jié)論與展望
本文通過提出了一種針對“課程設(shè)計”的授課內(nèi)容改革探索，經(jīng)過問卷調(diào)查證實其有效。下一步我們將要收集學(xué)生考試成績，對其進(jìn)行量化分析。此外，可以考慮引入雙語教學(xué)[11]，以及將其他程序語言例如Matlab[12]嵌入到課程設(shè)計中去。
參考文獻(xiàn)：
[1] 胡珍新. 基于計算思維的網(wǎng)站設(shè)計教學(xué)研究[J]. 計算機(jī)教育， 2014（20）：56-58.
[2] 費(fèi)麗君. 基于JSP的農(nóng)業(yè)院校的大學(xué)計算機(jī)基礎(chǔ)教學(xué)網(wǎng)站設(shè)計研究[J]. 安徽農(nóng)業(yè)科學(xué)， 2014，42（7）：2176-2177.
[3] 田久樂. 淺談獨(dú)立院校電子商務(wù)網(wǎng)站設(shè)計課程教學(xué)改革[J]. 中小企業(yè)管理與科技， 2014（13）：288-289.
[4] 任鎖平. 搜索引擎優(yōu)化視角下教學(xué)資源網(wǎng)站設(shè)計策略[J]. 自動化與儀器儀表， 2014（6）：194-196.
[5] 榮益. 探討信息技術(shù)課程教學(xué)網(wǎng)站設(shè)計[J]. 計算機(jī)光盤軟件與應(yīng)用， 2014，17（18）：222-222.
[6] 張慧麗. 基于 Moodle平臺的《網(wǎng)站設(shè)計與制作》教學(xué)應(yīng)用研究[J]. 軟件導(dǎo)刊教育技術(shù)， 2014，13（3）： 29-30.
[7] 楊銘. 基于項目化教學(xué)的網(wǎng)站設(shè)計與開發(fā)課程改革探索[J]. 學(xué)園， 2014（36）： 21-22.
[8] 章早立. 基于“分層分類”理念的高職《網(wǎng)頁制作與網(wǎng)站設(shè)計》課程教學(xué)新模式探究[J]. 福建電腦， 2014，30（8）：146-147.
[9] 郝靜. 學(xué)習(xí)領(lǐng)域課程教學(xué)模式和方法的研究――以動態(tài)網(wǎng)站設(shè)計與制作課程為例[J]. 湖北工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報， 2014，27（2）：93-95.
[10] 楊敬飛. 項目教學(xué)法在藝術(shù)設(shè)計專業(yè)網(wǎng)頁設(shè)計課程中的應(yīng)用實踐――以文化洛陽網(wǎng)站設(shè)計為例[J]. 美術(shù)教育研究， 2014（5）：122-124.
我國高等工科教育的迫切任務(wù)應(yīng)是在傳統(tǒng)的教學(xué)中引入先進(jìn)的教學(xué)理念，培養(yǎng)出與國際接軌的新型人才。信息與計算科學(xué)專業(yè)是以信息處理和科學(xué)與工程計算為背景一個新的理科專業(yè)。所培養(yǎng)的學(xué)生應(yīng)具備堅實的數(shù)學(xué)和計算機(jī)基礎(chǔ)，同時，掌握信息與計算科學(xué)的基本理論和方法，能夠運(yùn)用所學(xué)的知識和計算機(jī)技能解決某些實際問題。因此，培養(yǎng)學(xué)生的理論、實踐和多學(xué)科交叉有機(jī)結(jié)合的能力是尤為必要的。我校的信息與計算科學(xué)專業(yè)一直以“理入工出”為主要培養(yǎng)模式,并在教學(xué)過程中深入貫徹和實施學(xué)校提出的“大德育、大工程、大實踐”的辦學(xué)理念。因此，培養(yǎng)學(xué)生的理論、實踐和多學(xué)科交叉有機(jī)結(jié)合的能力是尤為必要的，也符合本專業(yè)實際情況。作為一個專業(yè)、一個學(xué)科的基層行者，應(yīng)適時將先進(jìn)的教學(xué)理念融入到教學(xué)的實際環(huán)節(jié)中，與國際先進(jìn)的教學(xué)方式接軌，適應(yīng)國際社會人才市場需要。
CDIO即構(gòu)思（Conceive）、設(shè)計（Design）、實現(xiàn)（Implement）和運(yùn)作（Operate），是近年來國際工程教育改革的最新成果，系統(tǒng)地提出了具有可操作性的能力培養(yǎng)、全面實施以及檢驗測評的12條標(biāo)準(zhǔn)。使學(xué)生能夠以主動的、實踐的、課程之間有機(jī)聯(lián)系的方式進(jìn)行學(xué)習(xí)。按CDIO模式培養(yǎng)的學(xué)生深受社會與企業(yè)的歡迎。國內(nèi)外的經(jīng)驗都表明CDIO的理念和方法是先進(jìn)可行的，適合工科教育教學(xué)過程各個環(huán)節(jié)的改革。基于現(xiàn)階段《信息科學(xué)基礎(chǔ)》課程教學(xué)實踐存在的上述問題，本文秉承CDIO工程教育理念和我校“3+1”教育模式，結(jié)合《信息科學(xué)基礎(chǔ)》課程的教學(xué)工作實踐現(xiàn)狀，分析《信息科學(xué)基礎(chǔ)》課程教學(xué)與實踐環(huán)節(jié)的上述問題，從教學(xué)模式和手段、教學(xué)內(nèi)容等方面提出和實施一些改進(jìn)的措施。實踐表明取得了良好的效果。
一、教學(xué)實踐改革
1.合理選擇教學(xué)內(nèi)容。信息與計算科學(xué)專業(yè)是一個理科專業(yè)，學(xué)生具備一定的數(shù)學(xué)和計算機(jī)基礎(chǔ)，對于數(shù)學(xué)分析，概率論等先修知識有一定程度掌握，同時缺少通信工程方面的知識，如信號處理和通信原理等。為使學(xué)生盡快掌握信息理論的基本原理和方法，也使信息論的思想、原理和方法在更為廣泛的范圍內(nèi)得到推廣和應(yīng)用。在充分考慮到專業(yè)的培養(yǎng)方向和需要，針對信息與計算科學(xué)專業(yè)學(xué)生所學(xué)先導(dǎo)課程體系現(xiàn)狀，合理選擇適當(dāng)?shù)慕虒W(xué)內(nèi)容。我們選擇石峰等編著的《信息論基礎(chǔ)》作為教材。該教材盡量較少地使用通信工程知識，并以離散情形作為討論問題的主要對象，而對于連續(xù)性的情形則作為選修內(nèi)容。更適合理科專業(yè)學(xué)生接受的教學(xué)內(nèi)容。
2.優(yōu)化教學(xué)流程。適當(dāng)借鑒“翻轉(zhuǎn)課堂”的思想，使講授知識點(diǎn)不再作為課堂教學(xué)的唯一重點(diǎn)，而適當(dāng)?shù)亓舫鲚^多的時間讓學(xué)生參與實踐活動或討論。講授內(nèi)容結(jié)束后，在課堂中適當(dāng)設(shè)計新穎的討論課題（如高新信息技術(shù)研討），使學(xué)生在討論的過程中獲得知識，獲得“探索”新問題的樂趣；同時，在討論中，還讓學(xué)生發(fā)現(xiàn)，有些問題是本次課所學(xué)知識無法解決或是不能完全解決的，需要學(xué)生進(jìn)一步了解新的理論內(nèi)容，而此部分內(nèi)容會在下一次課中出現(xiàn)。通過這樣的討論，通過合理地優(yōu)化教學(xué)流程，將更多的討論環(huán)節(jié)融入到課堂教學(xué)過程中。使學(xué)生溫故知新的同時，又鍛煉了學(xué)生發(fā)現(xiàn)問題和探討新問題的能力。
3.增設(shè)實驗。將若干個枯燥的定理或是基本概念轉(zhuǎn)化為可以操作的練習(xí)題，讓學(xué)生更加感官的感知這些理論的意義和內(nèi)涵。結(jié)合本課程及相關(guān)課程，引入當(dāng)前較為流行的CDIO教學(xué)模式，設(shè)計一些可操作的實驗案例，如編碼的計算機(jī)實現(xiàn)、基于信息度量的圖像處理等實驗。促使學(xué)生課下做實驗、查資料，培養(yǎng)學(xué)生主動、實踐的、課程之間有機(jī)聯(lián)系的學(xué)習(xí)習(xí)慣和能力。激發(fā)學(xué)生的學(xué)習(xí)興趣，提高教學(xué)效果。由于Matlab操作簡單，同時，Matlab中的Simulink可以提供一個友好的通信系統(tǒng)仿真環(huán)境，更加便于學(xué)生建立和了解通信系統(tǒng)。因此，我們選擇Matlab作為實驗工具。
4.加強(qiáng)實踐應(yīng)用能力的培養(yǎng)。鼓勵學(xué)生以《信息科學(xué)基礎(chǔ)》為基礎(chǔ)，結(jié)合數(shù)字圖像處理、密碼學(xué)等相關(guān)學(xué)科，積極申報大學(xué)生科研立項。同時，結(jié)合我校“3+1”教育模式,以畢業(yè)論文寫作作為培養(yǎng)學(xué)生的另一種方式。使學(xué)生深入理解基本理論、拓寬知識面的同時，又培養(yǎng)了學(xué)生的動手能力、查找文獻(xiàn)資料的能力、發(fā)現(xiàn)和分析解決問題的能力，提高學(xué)生的學(xué)習(xí)熱情。通過實踐改革，對教學(xué)內(nèi)容和方法進(jìn)行相應(yīng)的改變，同時改變已有的教學(xué)模式。實踐中，更加重注學(xué)生的實踐參與，鼓勵學(xué)生自學(xué)，加深學(xué)生對知識的理解，提高了自學(xué)能力，從而培養(yǎng)學(xué)生的學(xué)習(xí)興趣。
二、結(jié)束語
本文主要對《信息科學(xué)基礎(chǔ)》課程的教學(xué)實踐中存在的諸多問題進(jìn)行了分析和討論，并結(jié)合CDIO先進(jìn)的教學(xué)理念和我校“3+1”教育模式，在教學(xué)實踐過程中，對該課程的教學(xué)內(nèi)容、流程和環(huán)節(jié)等方面進(jìn)行了適當(dāng)?shù)母母铩Ｔ诮虒W(xué)實踐的過程中，注重教學(xué)流程和內(nèi)容的設(shè)計，加強(qiáng)與學(xué)生的互動，使學(xué)生能夠積極、主動的探索和掌握新的理論知識的同時，提高動手能力和知識擴(kuò)展能力。使學(xué)生通過學(xué)理論、做實驗、討論和科研等多種形式的學(xué)習(xí)，體會到學(xué)科之間知識相互滲透、支撐的重要性。《信息科學(xué)基礎(chǔ)》教學(xué)內(nèi)容和教學(xué)方法的改革，為培養(yǎng)理論基礎(chǔ)扎實、實踐能力強(qiáng)，有較強(qiáng)的科技運(yùn)用、推廣、轉(zhuǎn)換能力的高素質(zhì)的應(yīng)用型人才奠定了基礎(chǔ)，更加適應(yīng)國際社會人才的需求。
作者：李懿高志軍單位：黑龍江科技大學(xué)
