thresholding the 6th component 什么意思?

二值化是将图像上的像素点的灰度值设置为0或255也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化（英语：Thresholding）是图像分割的一种最简单的方法。二值化可以把灰度图像转换成二值图像。把大于某个临界灰度值的像素灰度设为灰度极大值。把小于这个值的像素灰度设为灰度极小值，从而实现二值化。根据阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。 比较常用的二值化方法则有：双峰法、P参数法、迭代法和OTSU法等。在计算机视觉领域。图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界线，曲线等。更精确的，图像分割是对图像中的每个像素加标签的一个过程，，一篇来自科研团队的论文仅通过调整训练算法，这一过程使得具有相同标签的像素具有某种共同视觉特性。

工程机

双边滤波器的定义双边滤波，Bilateralfilter。是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。双边滤波器的好处是可以做边缘保存edgepreserving，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显的模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma-d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波，因此我们对于双边滤波器进行了改进，由于小波分解可以把信号分解为高频和低频部分，我们对于不同频率段进行不同的滤波。首先将彩色图像RGB模式转为CIE-LAB模式，然后做一次离散二维小波变换dwt2，对于高频的HH,LH,HL部分我们用Bayesshrink的阈值做了软门限softthresholding，对于低频部分我们把它再进行分解，然后对高频做小波阈值，对低频采用双边滤波。

在网路上找到的：http://geosis.pku.edu.cn/ziyuan/lucc.htm阈值法：遥感图像中，每类地物都对应特定的灰度域。在变化信息特征增强的图像上，变化区域的灰度值与其它区域的灰度值一般是明显不同的。因此可以根据直方图和影像特征，交互确定变化存在区灰度域的上下限阈值。然后利用阈值将变化发生的区域从图像中提取这里有关于遥感的文章，不知道有没有用http://www.gissky.net/Article/rs/200610/300.htmhttp://www.jsforestry.gov.cn/show_news.asp?id=2487

迭代软阈值算法用于求解如下的稀疏信号重构问题： 理解ISTA算法的由来，需要从几块内容着手： MM 是一个应对优化问题的思想框架，它通过迭代的方式求解一个无约束待优化问题 。 其主要思路为，在第 步迭代（假设上一步求得 ），通过寻找另一个容易优化求得全局最优（极小）的函数 ，使其满足 然后，将 的极小值点作为新的迭代值 。这样，可以保证 即保证每步迭代都能使目标函数 的值下降。 一种很好用的构造 的方法，是在原始函数 上加入一个半正定的 的二次型，如下所示： 需要满足 。 还有一些其他的 的构造方式，对应额外的一些算法，不在此介绍了。 考虑 ，并且采用上面的方法进行迭代式的优化求解，那么步骤如下： 考虑求解如下形式的问题 （类似于基于稀疏约束的去噪） 可以对向量中的每个元素单独求解，即 通过求梯度为 0 的点可得 通过上式可以反求出 将对 的这个操作叫做软阈值函数，记为 。 即，问题 (2) 的解为 。 求解如下问题参考： http://eeweb.poly.edu/iselesni/lecture_notes/sparse_signal_restoration.pdf

不动小波，卡尔曼滤波懂点

Good fingerprint segmentation can effectively improve the accuracy of feature extraction and reduce the processing time for follow-up, the fingerprint image pre-processing play an important role. This article points in the direction of in-depth study of the map on the basis of calculation methods, the first gray variance and a threshold calculation of the method of combining point pattern, the pattern points to improve the accuracy of the results, and then point in the direction of the plan is consistent And variance Gray, a gray-scale map and directions based on the variance of multiple indicator segmentation algorithm, the experiment proved that the text used in the calculation of fingerprint pattern of the fingerprint image to reduce noise on the impact of experimental results, the paper Algorithm can effectively improve the algorithm for a single indicator of a number of shortcomings, the different types of fingerprint images can be effectively divided, and has strong adaptability and good practical value. 多指标 multi-factor 指纹分割 fingerprint segmentation 方向图 directional image 灰度方差 gray variance 阈值 thresholding

Canny边缘检测算法可以分为以下5个步骤： 应用高斯滤波来平滑图像，目的是去除噪声 找寻图像的强度梯度（intensity gradients） 应用非最大抑制（non-maximum suppression）技术来消除边误检（本来不是但检测出来是） 应用双阈值的方法来决定可能的（潜在的）边界 利用滞后技术来跟踪边界 1. 图像平滑（去噪声）任何边缘检测算法都不可能在未经处理的原始数据上很好地工作，所以第一步是对原始数据与高斯 mask 作卷积，得到的图像与原始图像相比有些轻微的模糊（blurred）。这样，单独的一个像素噪声在经过高斯平滑的图像上变得几乎没有影响。以下为一个5X5高斯滤波器（高斯核，标准差delta=1.4），其中A为原始图像，B为平滑后的图像。2. 寻找图像中的强度梯度Canny算法的基本思想是找寻一幅图相中灰度强度变化最强的位置。所谓变化最强，即指梯度方向。平滑后的图像中每个像素点的梯度可以由Sobel算子（一种卷积运算）来获得（opencv中有封装好的函数，可以求图像中每个像素点的n阶导数）。首先，利用如下的核来分别求得沿水平（x）和垂直（y）方向的梯度G_X和G_Y。K_{GX} = [-1 0 1 ; -2 0 2 ; -1 0 1], K_{GY} = {1 2 1 ; 0 0 0 ; -1 -2 -1}之后便可利用公式来求得每一个像素点的梯度度量值（gradient magnitude，可能翻译得不准确）。，有时为了计算简便，也会使用G_X和G_Y的无穷大范数来代替二范数。把平滑后的图像中的每一个点用G代替，可以获得如下图像。从下图可以看出，在变化剧烈的地方（边界处），将获得较大的梯度度量值G，对应的颜色为白色。然而，这些边界通常非常粗，难以标定边界的真正位置。为了做到这一点（参考非极大抑制Non-maximum suppression一节），还必须存储梯度方向，其公式如下图所示。也就是说在这一步我们会存数两块数据，一是梯度的强度信息，另一个是梯度的方向信息。3. 非极大抑制Non-maximum suppression这一步的目的是将模糊（blurred）的边界变得清晰（sharp）。通俗的讲，就是保留了每个像素点上梯度强度的极大值，而删掉其他的值。对于每个像素点，进行如下操作：a) 将其梯度方向近似为以下值中的一个（0,45,90,135,180,225,270,315）（即上下左右和45度方向）b) 比较该像素点，和其梯度方向正负方向的像素点的梯度强度c) 如果该像素点梯度强度最大则保留，否则抑制（删除，即置为0）为了更好的解释这个概念，看下图。图中的数字代表了像素点的梯度强度，箭头方向代表了梯度方向。以第二排第三个像素点为例，由于梯度方向向上，则将这一点的强度（7）与其上下两个像素点的强度（5和4）比较，由于这一点强度最大，则保留。处理后效果如下图所示。上图中，可以想象，边界处的梯度方向总是指向垂直于边界的方向，即最后会保留一条边界处最亮的一条细线。4.双阈值（Double Thresholding）经过非极大抑制后图像中仍然有很多噪声点。Canny算法中应用了一种叫双阈值的技术。即设定一个阈值上界和阈值下界（opencv中通常由人为指定的），图像中的像素点如果大于阈值上界则认为必然是边界（称为强边界，strong edge），小于阈值下界则认为必然不是边界，两者之间的则认为是候选项（称为弱边界，weak edge），需进行进一步处理。经过双阈值处理的图像如下图所示上图中右侧强边界用白色表示，弱边界用灰色表示。5.利用滞后的边界跟踪这里就不细作解释了。大体思想是，和强边界相连的弱边界认为是边界，其他的弱边界则被抑制。以上内容均翻译自参考文献【4】 上一个百科版本：图像中的边缘可能会指向不同的方向，所以 Canny 算法使用 4 个 掩模（mask） 检测水平、垂直以及对角线方向的边缘。原始图像与每个 mask 所作的卷积都存储起来。对于每个点我们都标识在这个点上的最大值以及生成的边缘的方向。这样我们就从原始图像生成了图像中每个点亮度梯度图以及亮度梯度的方向。以下两个公式分别求取高斯滤波后图像的梯度幅值及其方向的表达式。这一步，也叫称为非极大抑制（Non-maximum suppression）。 3. 在图像中跟踪边缘较高的亮度梯度比较有可能是边缘，但是没有一个确切的值来限定多大的亮度梯度是边缘多大又不是，所以 Canny 使用了滞后阈值。滞后阈值（Hysteresis thresholding） 需要两个阈值，即高阈值与低阈值。假设图像中的重要边缘都是连续的曲线，这样我们就可以跟踪给定曲线中模糊的部分，并且避免将没有组成曲线 的噪声像素当成边缘。所以我们从一个较大的阈值开始，这将标识出我们比较确信的真实边缘，使用前面导出的方向信息，我们从这些真正的边缘开始在图像中跟踪 整个的边缘。在跟踪的时候，我们使用一个较小的阈值，这样就可以跟踪曲线的模糊部分直到我们回到起点。一旦这个过程完成，我们就得到了一个二值图像，每点表示是否是一个边缘点。一个获得亚像素精度边缘的改进实现是在梯度方向检测二阶方向导数的过零点，它在梯度方向的三阶方向导数满足符号条件。滞后阈值也可以用于亚像素边缘检测。

在布匹的生产过程中，像布匹质量检测这种有高度重复性和智能性的工作只能靠人工检测来完成，在现代化流水线后面常常可看到很多的检测工人来执行这道工序，给企业增加巨大的人工成本和管理成本的同时，却仍然不能保证100 %的检验合格率（即“零缺陷”）。对布匹质量的检测是重复性劳动，容易出错且效率低。流水线进行自动化的改造，使布匹生产流水线变成快速、实时、准确、高效的流水线。在流水线上，所有布匹的颜色、及数量都要进行自动确认（以下简称“布匹检测”）。采用机器视觉的自动识别技术完成以前由人工来完成的工作。在大批量的布匹检测中，用人工检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。特征提取辨识一般布匹检测（自动识别）先利用高清晰度、高速摄像镜头拍摄标准图像，在此基础上设定一定标准；然后拍摄被检测的图像，再将两者进行对比。但是在布匹质量检测工程中要复杂一些：1． 图像的内容不是单一的图像，每块被测区域存在的杂质的数量、大小、颜色、位置不一定一致。2． 杂质的形状难以事先确定。3． 由于布匹快速运动对光线产生反射，图像中可能会存在大量的噪声。4． 在流水线上，对布匹进行检测，有实时性的要求。由于上述原因，图像识别处理时应采取相应的算法，提取杂质的特征，进行模式识别，实现智能分析。Color检测一般而言，从彩色CCD相机中获取的图像都是RGB图像。也就是说每一个像素都由红（R）绿（G）蓝（B）三个成分组成，来表示RGB色彩空间中的一个点。问题在于这些色差不同于人眼的感觉。即使很小的噪声也会改变颜色空间中的位置。所以无论我们人眼感觉有多么的近似，在颜色空间中也不尽相同。基于上述原因，我们需要将RGB像素转换成为另一种颜色空间CIELAB。目的就是使我们人眼的感觉尽可能的与颜色空间中的色差相近。Blob检测根据上面得到的处理图像，根据需求，在纯色背景下检测杂质色斑，并且要计算出色斑的面积，以确定是否在检测范围之内。因此图像处理软件要具有分离目标，检测目标，并且计算出其面积的功能。Blob分析（Blob Analysis）是对图像中相同像素的连通域进行分析，该连通域称为Blob。经二值化（Binary Thresholding）处理后的图像中色斑可认为是blob。Blob分析工具可以从背景中分离出目标，并可计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。在处理过程中不是采用单个的像素逐一分析，而是对图形的行进行操作。图像的每一行都用游程长度编码(RLE）来表示相邻的目标范围。这种算法与基于象素的算法相比，大大提高处理速度。结果处理和控制应用程序把返回的结果存入数据库或用户指定的位置，并根据结果控制机械部分做相应的运动。根据识别的结果，存入数据库进行信息管理。以后可以随时对信息进行检索查询，管理者可以获知某段时间内流水线的忙闲，为下一步的工作作出安排；可以获知内布匹的质量情况等等。

张玉君（中国国上资源航空物探遥感中心，北京；返聘于中国地质科学院矿产资源研究所，北京）摘要：本文通过模型试验讨论提取遥感异常中的两个重要问题：主分量分析的灵敏度极限（或检出限）和植被干扰容限度；还介绍为改进邻景蚀变异常的可比性所做的准归一化技术，此技术在一百多景ETM蚀变遥感异常提取中得到成功应用。关键词：主分量分析（PCA）灵敏度极限（或检出限）；植被干扰容限度；相邻景蚀变异常可比性；准归一化1 主分量分析（PCA）的灵敏度极限（或检出限）当用PCA提取遥感异常时，无论是羟基异常（用TM1、TM4、TM5、TM7）或是铁染异常（用TM1、TM3、TM4、TM5）都常常出现为第4主分量（张玉君等，1998,2002,2003；李昌国等，1997），其本征值都是最小的，也就是说蚀变遥感信息仅占全景信息量的很小份额。那么应考虑一个问题：蚀变信息量少到何种程度将被PCA丢失，即PCA的检测灵敏度下限（或检出限）是多少？为了探讨此问题，设计了如下模型实验：建四维图像（2550×2000×4），分割为（1275×1000×4）四个子图，利用在柳沟峡获得的TM图像采样数据，依左上、右上、左下、右下的次序输入金矿蚀变岩、植被、辉长岩、冰的TM1、4、5、7波段数据，并令其按列方向从0到相应波段DN值递变，递变周期为255列。若以（255×1×4）为一个单元，则全图有20000个单元，左上角的蚀变岩有5000个单元，经PCA提取，门限用3σ，得出蚀变岩占5000/20000即1/4时的PCA结果。然后对蚀变岩区依次用辉长岩取代，蚀变岩区分别保留500个单元（1275×100×4）、10个单元（1275×2×4）、5个单元（1275×1×4）、3个单元（765×1×4）和1个单元（255×1×4）；对每一次改变都进行了 PCA，门限取3σ。门限值的确定以不出现干扰（来自冰或植被）为原则，当门限降低出现干扰时意味着来自蚀变岩的信息已减弱，以致淹没于干扰中。六次PCA检出限模型实验结果列入表1：表1　PCA检出限模型实验结果简表续表根据检出限模型实验结果，可以认为用PCA提取蚀变信息的检出限优于两万分之一或十万分之五。这意味着在面积为两万平方公里的图幅上，只要蚀变岩（有强有弱）的总面积不小于一平方公里，即可被PCA提取出来。此检出限模型实验结果具参考意义。2　提取蚀变遥感异常受高植被干扰的容限度植被是矿致遥感异常提取过程中的常见干扰因素。为了探讨植被干扰的容限度问题，设计和进行了两个模型实验。实验结果都表明，当混合像素中植被成分达到或超过50%的时候，蚀变异常就很难提取了，这一结果与澳大利亚飞机上所做测量是一致的。为了初探高植被区的异常提取效果，并应云南地调院要求，对云南中甸高山植被茂密地区的13240景做了异常提取，还分别以普朗斑岩铜矿和红山铁矿为参考样板区，用光谱角法（SAM）对异常做了优选；经云南地调院综合地、物、化、遥选点和地面槽探查证，发现了地苏嘎Cu矿点，地表出露两个矿化斑岩体（宽度分别为6米和11米），当年即投入了钻探，初步含Cu品位为0.1～0.5%。证实戈壁荒漠区所取得的方法技术在高植被区的应用虽受到相当限制，但仍能发挥一定作用。3　相邻景蚀变遥感异常可比性的改进大面积提取蚀变遥感异常工作常常需要多景图像的拼接，其中包括分层异常的拼接，日益迫切地感到不同时相的同景ETM数据或毗邻不同景ETM数据所获结果的可比性晃亟待改善。笔者进行了五项校正研究：大气径辐射校正、太阳高度角校正、日地距离校正、大气层上照度较正及增益校正，通过这五项校正明显改进了相邻景及不同时相同景信息提取结果的可比性。在细致进行这五项校正时，避开了难以做到针对与气溶胶的密度及水蒸气的浓度相关的大气精校正，故称之为原始数据的准归一化处理（未达到严格意义上的归一化）。原始数据经准归一后，获同一比例尺的视反射率值（每一DN代表0.2%或0.25%视反射率）。3.1径辐射校正笔者试用了两种方法即波段相关分析法和直方图最小值法进行径辐射校正，结果对比列入表2。波段相关分析法只有当感兴趣区内仅存在一种岩性时才比较准确，故选用直方图最小值法。表2　径辐射校正对比表3.2　日地距离校正地球以每秒29.79公里的平均速度沿椭圆形轨道绕太阳公转，此椭圆轨道的扁率（也称偏心率）为0.0167，长半径为149597870km，与地球赤道面相交成23°26′的角度。日地距离d定义为日心到地心的距离，取日地平均距离为天文单位距离（AU），但此距离也是变化的，1968～1983年地球与太阳的平均距离为149600000km,1984年以后为149597870km。每年约在1月4日为近日点（perihelion），约在7月4日为远日点（aphelion），近日点距太阳147100000km，远日点距太阳152100000km。为了研究日地距离影响，笔者从天文志获得1998～2003年六年内日地距离数值表，每半小时一个点。太阳辐照度与d2成反比；过去认为日地距离变化带来的太阳辐照度变化约为5%，一般无须校正；为了更准确地作评价，特计算了1998～2003年六年日地距离变化带来的太阳辐照度变化平均为6.68%，见表3，由于此值达到近7%，故认为进行日地距离校正是必要的。表3　日地距离最大校正系数计算表Landsat 7的轨道为太阳同步轨道（朱述龙等，2000），轨道倾角为98.2°，周期为98.9′，过赤道时刻为地方平均时上午10时，1/4周期为24.725′，我们西部任务区分布在北纬27°～北纬44°之间，过境时间约为地方时上午9时50分左右，故可取地方时上午10时。日地距离表中所给时间为世界时，或称格林尼治时（UT），即0时区时间（经度0°子午线处的民用时），表示为GTM。为了查找某一景图的日地距离，首先确定其经度属哪个时区，以时区标准经度两侧各7.5°为界，然后计算当地上午10时对应的格林尼治时，用此格林尼治时即可查到所要求的日地距离。例如，某景ETM图像位于东经90°＋7.5°范围内，它距格林尼治有6个时区，故应查表中该口上午（10-6）=4时的日地距离d。3.3　增益校正在美国的Landsat 7计划中，为保证对地面数据的正常获取及对数据的充分利用，Landsat 7对ETM＋传感器的信号处理部分进行了重新设计，使其可以在两种状态下工作，即高增益状态和低增益状态。在图像上表现为像元亮度的变化。对于1、2、3、4、5、7波段增益的改变分为三个组（林友明，2003）：波段1、2、3一同变化，波段4单独设置，波段5、7一同调整。传感器增益设置的规律是，按季节在某一纬度范围内对传感器的增益进行设置。当一景图某一波段增益设置发生变化时，在图像上该波段的亮度值便发牛阶跃性变化。据悉此变化多发生在一景图像的下四分之一处，北京地面站对有增益改变的数据进行了处理，将增益改变后的像元亮度调整到增益改变前的水平上，因此用户不会看到有阶跃性变化的图像。但是当研究毗邻图景的可比性问题时，就必须考虑它们的增益。3.4　太阳高度角引起的辐射误差校正及太阳高度角的计算太阳高度角引起的畸变校正是将太阳光线倾斜照射时获取的图像校正为太阳光线垂直照射时获取的图像，太阳以高度角φ斜射时得到的图像g（x,y）与直射时得到的图像f（x,y）有下式中的关系，且各波段图像可采用相同的太阳高度角φ进行校正。张玉君地质勘查新方法研究论文集太阳方位角随成像季节、地理纬度的变化而变化，通常太阳方位角引起的图像辐射值变化只对图像细部特征产生影响，故可不进行太阳方位角的校正。由于太阳高度角的影响，在图像上产生地形地物阴影；太阳高度角引起的畸变校正并不能消除地形地物的阴影，我们的对策是将全阴影区及大部半阴影区在预处理时作为干扰区加以剔除，所以在太阳高度角校正时不涉及这些地区。一般情况下太阳高度角可从数据头文件中得到，在缺失太阳高度角数据时，可用ENVI图像处理软件获得。3.5　地物视反射率的计算文献（朱述龙等，2000）给出 p＝πLd2/（E0×Sinφ）式中，p为地物反射率；d为日地天文单位距离，可从日地距离表中查到；φ为太阳高度角，可从头文件中得到；E。为太阳辐照度，文献（冯钟葵，2002）给出了一组参考值，其单位为watts/（meter2×μm）；L为地物在大气顶部的辐射亮度（L=goin×DN+bias），DN为像元值，goin（增益）和bios（偏置）可以从头文件中得到（冯钟葵，2001）。如果暂时不考虑d和φ，则ρk＝π×L/E0，若以QLMAX和QLMIN分别表示各波段可能的最大和最小像元值（冯钟葵，2002），QLMAX=255,QLMIN=1；ρkMAX=LMAXхπ/E0，ρkMIN=LMIN×π/E0;LMAX和LMIN分别表示各波段的最大和最小光谱辐射值；QLMAx、QLMIN、LMAX和LMIN均可在地面站Londsat-7产品的Metodata（MTL）文件中查到，由于无论是高增益或是低增益条件下，偏置是不变的，所以LMIN不随增益改变而改变；各波段LMAx的仅随增益（高或地）的调节在两个水平间变化，如表4所列为低增益状态，表5所列为高增益状态，可看到LMIN和LMAX的变化规律。表4　低增益状态下视反射率换算系数表5　高增益状态下视反射率换算系数Gk（%）＝（ρkMAX－ρkMIN）×100/（QLMAX-QLMIN）＝（LMAX-LMIN）×π×100/[E0×（QLMAx-QLMN）]若K为视反射率换算系数，则 K=Gk（%）×d2/（Sinφ×G）B＝ρkMIN/Gk,B取整，得B0。若某景ETM＋数据每一像素的DN值经（DN-B0）×K处理，则该图像准归一为每一灰阶代表G（%）视反射率，即此时灰阶格值为G（%）视反射率此外还采取化探异常分级的办法，对所提取的蚀变遥感异常做门限化（Thresholding）处理，门限值取数被标准离差，即以σ做为尺度，用数倍σ值做为阈值，限定异常水平，得到羟基异常和铁染异常各三级二值图像。此技术也有助于改进相邻景蚀变遥感异常的可比性。无论准归一化或是以σ尺度进行异常分级，在执行中都归结为便捷的填表操作，有利于工程化完成，此技术已应用于一百多景 ETM＋的处理。彩版附图15展示两个时相不同增益（14231H, 14231L）及毗邻景（14231）重叠区色调差异很大，经准归一化后，不仅使三景图色调更为相近，并可用接近于统一规定的2σ获取二级异常，可比性有了明显改善。参考文献[1]张玉君，杨建民.基岩裸露区蚀变遥感信息的提取方法[J].国土资源遥感，1998,（2）:46～53[2]张玉君，杨建民，陈薇.ETM+（TM）蚀变遥感异常提取方法研究与应用—地质依据和波谱前提[J].国t资源遥感，2002（4）:30～36[3]张玉君，曾朝铭，陈薇.ETM+（TM）蚀变遥感异常提取方法研究与应用一方法选择和技术流程[J].国土资源遥感，2003,（2）:44～49[4]李昌国，张玉君.试用主分量分析方法提取澜沧江兰坪地区铜矿化蚀变遥感信息[J].国土资源遥感，1997,（1）:20～30[5][日]遥感研究会编.刘勇卫，贺雪鸿译.遥感精解.北京：测绘出版社，1993[6]朱述龙.张占睦.遥感图像获取与分析.北京：科学出版社，2000[7]冯钟葵.Landsat 7 ETM＋数据的增益设置及增益改变[J].（中国遥感卫星地面站）用户简讯，2001（3）, 8～9[8]冯钟葵，关于地物辐射值的计算问题[J].（中国遥感卫星地面站）用户简讯，2002（2）,1[9]林友明.Landsat-7增益和偏置的计算[J].（中国遥感卫星地面站）用户简讯，2003（3）,7原载《长春遥感应用会议“国土资源遥感技术发展文集”》，2006。

缺少那个函数，就把那个函数补上

我查了opencv 自带的文档（大概在70页），Canny 算子的步骤主要有：Stage 1. Image SmoothingStage 2. DifferentiationStage 3. Non-Maximum SuppressionStage 4. Edge Thresholding其中前两步就是 sobel 算子求梯度，然后进行处理。 sobel 算子得到的结果应该就是梯度吧？但是 梯度的 取值有什么范围吗？ 好像不好确定。另外，在sobel 算子边缘检测的时候， 好像matlab 里面有 自动选择阈值的方法，不知是什么方法？另外如果手动设置阈值的时候，阈值为0-1的一个小数， 我想大概是相对最大的梯度的一个比列吧！即大于这个比例就认为是边缘，否则不是。不知道我理解的对不对？

adv测量不准确测低速流量，可以试试质量流量器，coriolis / positive displacement以下是转载维基百科的Acoustic Doppler velocimetry (ADV) is designed to record instantaneous velocity components at a single-point with a relatively high frequency. Measurements are performed by measuring the velocity of particles in a remote sampling volume based upon the Doppler shift effect [1][2]. The probe head includes one transmitter and between two to four receivers. The remote sampling volume is located typically 5 or 10 cm from the tip of the transmitter, but some studies showed that the distance might change slightly [3]. The sampling volume size is determined by the sampling conditions and manual setup. In a standard configuration, the sampling volume is about a cylinder of water with a diameter of 6 mm and a height of 9 mm, although newer laboratory ADVs may have smaller sampling volume (e.g. Sontek microADV, Nortek Vectrino+). A typical ADV system equipped with N receivers records simultaneously 4.N values with each sample. That is, for each receiver, a velocity component, a signal strength value, a signal-to-noise (SNR) and a correlation value. The signal strength, SNR and correlation values are used primarily to determine the quality and accuracy of the velocity data, although the signal strength (acoustic backscatter intensity) may related to the instantaneous suspended sediment concentration with proper calibration [4]. The velocity component is measured along the line connecting the sampling volume to the receiver. The velocity data must be transformed into a Cartesian system of coordinates and the trigonometric transformation may cause some velocity resolution errors. Although acoustic Doppler velocimetry (ADV) has become a popular technique in laboratory in field applications, several researchers pointed out accurately that the ADV signal outputs include the combined effects of turbulent velocity fluctuations, Doppler noise, signal aliasing, turbulent shear and other disturbances. Evidences included by high levels of noise and spikes in all velocity components [2][5]. In turbulent flows, the ADV velocity outputs are a combination of Doppler noise, signal aliasing, velocity fluctuations, installation vibrations and other disturbances. The signal may be further affected adversely by velocity shear across the sampling volume and boundary proximity [6]. Lemmin and Lhermitte [7], Chanson et al.[8], and Blanckaert and Lemmin [9] discussed the inherent Doppler noise of an ADV system. Spikes may be caused by aliasing of the Doppler signal. McLelland and Nicholas [2] explained the physical processes while Nikora and Goring [5], Goring and Nikora [10] and Wahl [11] developed techniques to eliminate aliasing errors called "spikes". These methods were developed for steady flow situations and tested in man-made channels. Not all of them are reliable, and the phase-space thresholding despiking technique appears to be a robust method in steady flows [11][12]). Simply, "raw" ADV velocity data are not "true" turbulent velocities and they should never be used without adequate post-processing (e.g.[10],[11],[12]). Chanson [3] presented a summary of experiences gained during laboratory and field investigtions with both Sontek and Nortek ADV systems.

bmp格式的图像一般是倒着存放的，所以你处理的图像也应该遵循这一点，从最后一行向上一行一行地处理，倒着生成可显示的图像。

工学博士，现任浙江理工大学信息电子学院教授，硕士生导师。1993年至1997年，就读于齐齐哈尔大学生物工程系，获学士学位；1998年至2005年，分别就读于浙江工业大学和浙江大学计算机科学与技术专业，获硕士、博士学位。2008年至2010年于上海交通大学作博士后；2009年至2010年美国Rensselaer理工学院访问学者。2012年晋升为教授。IEEE (1-1163129461)、中国计算机学会（E200016385M）会员和杭州市计算机学会会员。 方向1：图像处理方向2：中医舌诊客观化方向3：模式识别方向4：认知建模 [1] 部分K空间数据成像技术, 2006AA020805, 2007.01-2009.12， 国家863项目，主要参与MRI 图像的重建算法的研究（作博士后期间的研究方向）[2] 中医舌诊中舌形、舌态信息提取及其辨证推演方法的研究, 60702069, 2008.1-2010.12, 青年科学基金, 主持[3] 基于认知模型的人脸表情识别研究, Y1080851，2009.1-2010.12，浙江省基金，主持[4] 基于数字视频图像处理的舌诊信息分析识别研究, 30300443， 2004.1-2006.12, 青年科学基金, 主要参与（第三主持人）[5] 织物真实感外观模拟技术创新研究，Y106148，2007.1-2008.12，浙江省基金, 主要参与（第三主持人）[6] 赛克服装CAD软件系统, 0704068-J ,2007.6-2007.12, 企业课题, 主持[7] 基于认知模型的人脸表情识别系统, 20060601, 2006.7-2008.12, 省教育厅, 主持[8] 基于三维重建和水平集演化的果蔬形状检测方法研究, 0804087-F, 2009.1-2010.12浙江省教育厅, 主要参与（第二主持人）[9] 织物疵点的研究, 111125A4X05002, 2005.7-2007.12, 浙江理工大学重中之重, 主持[10] 舌色视觉计算及其在中医诊疗中的应用, 03CK10，2003.1-2005.12, 上海市科学技术发展项目,主要参与[11] 中医舌诊颜色信息数字识别的标准化研究, 2002Q009, 2002.1-2004.12, 上海市青年基金,主要参与[12] 声学振动测量与分析系统, 0604053-J, 2006.5-2006.7, 企业课题, 主要负责图像部分[13] 房屋测绘管理系统, 0504118-J, 2005.10-2006.7, 企业课题, 主要参与[14] 基于虚拟现实的汽车主动安全系统，2007.5-2007.9,企业课题，主持 [1] 李文书, 贾宇波, 桂江生, 孙麒. 数据结构重点难点问题剖析.　浙江：浙江大学出版社(2010.6)( ISBN: 978-7-308-07632-6)[2] Li Wenshu(李文书), Luo Jianhua, Liu Qiegen, He Fangfang, Wei Xiujin. Iterative regularization model for image denoising with adaptive scale parameter. Journal of southeast University (English Edition). 2010, 26(3): 453-456. EI源[3] 李文书, 何芳芳, 钱沄涛, 周昌乐. 基于Adaboost-高斯过程分类的人脸表情识别. 浙江大学学报（工学版Engineering Science）. 2010（in press） EI源[4] Wenshu Li(李文书), Shenning Hu, Hongting Li, Song Wang. A novel segmentation of tongue image. Int. J. Functional Informatics and Personalised Medicine. 2009, 2(3):135-324. SCI源[5] Wenshu Li(李文书), Cangle Zhou, A Novel Face Recognition Method with Feature Combination, Journal of Zhejiang University SCIENCE, 2005, 6A(5): 454-458. EI收录: 05229138044[6] 李宏汀, 徐伟丹, 葛列众, 李文书. 影响驾驶安全的驾驶员注意模式研究述评. 心理科学进展. 2010, 18(9): 1413-1419.[7] 魏秀金, 李文书, 何芳芳, 姚建富. 基于改进的Mean-shift驾驶员人脸跟踪算法研究. 工业控制计算机. 2010, 23(11): 61 – 63.[8] 胡申宁, 李文书, 施国生, 何芳芳. 基于PCA-AdaBoost的舌象颜色分类研究. 广西师范大学学报：自然科学版. 2009, 27(3): 158-161.[9] Tong Xiao-su, Zhang Rui-lin, Li Wenshu(李文书), Comparing Computer Imitation Methods of Woven Appearance, Journal of Textile Research, 2006,19(6): 3850-3855.EI收录：073710811204[10] Wenshu Li(李文书), Jianhua Luo, Hu Shenning, Xu Jiatuo, Zhang Zhifeng. Towards the Objectification of Tongue Diagnosis: the Degree of tooth-marked. Proceeding of international Symposium on IT in Medicine and Education. 2008, 592-595. EI收录:20091411998139[11] Y.F. Liu, Y.M. Wang, W. sh. Li (李文书), W. Q. Xu and J.S. Gui. Improve Driver Performance by Experience of Driver Cognitive Behavior Model"s Practice. Proceeding of IEEE Intelligent Vehicles Symposium.2009,1:475-480. EI收录: 20094712492442[12] Wenshu Li(李文书), Jianhua Luo, Qiegeng Liu, Shenning Hu. MRI Reconstruction Based on Inverse Scale Space and Contourlet Thresholding. Proceeding of the 2nd International Conference on Biomedical Engineering and Informatics, 2009, 276-278. Ei收录：10956639[13] Wang Rongbo, Wang Xiaohua, Li Wenshu, Wu ting, Chi Zheru. A relevance-feedback-based method for weigh assignment of words in Chinese sentence similarity measure. Proceeding of the 9th Chinese Lexical Sematics Workshop: Word Meaning and Computing. 2008, 1:225-230.[14] Wenshu Li(李文书), Shenning Hu, Jianfu Yao, Hong Song. The Separation Framework of Tongue Coating and Proper in Traditional Chinese Medicine. Proceeding of International Conference on Information, Communications and Signal Processing, 2009,1-4. Ei收录: [15] Wenshu Li(李文书), Cangle Zhou, A Novel Face Recognition method with nonlinear feature combination, Proceedings of the Third International conference of Machine, Learning and Cybernetics, 2004, 3711-3716.　Ei收录：0445844711 9, ISTP:BBF92[16] Wenshu Li(李文书), Cangle Zhou, Face Recognition Using Feature Combination and Improved LDA, 2004 International Conference on Systems, Man and Cybernetics, 2005, 1292:1296. EI收录: 05149025085, ISTP:BBP32[17] Wenshu Li(李文书), Cangle Zhou, A Novel Combined Fisherfaces Framework, 2004 International Conference on Image Processing, 2004, 3:2011-2014. EI收录:05269177556, ISTP:BBV71[18] Wenshu Li(李文书), Jianglong Xu,Changle Zhou, Zhifeng Zhang, A Novel Method of Tongue Image Recognition, Proceedings of the Fifth International Conference on Computer and Information Technology, 2005, 586-590. EI收录:20063310059805 ISTP收录：BDF38[19] wenshu li(李文书), Changle Zhou, Tracking of Dynamic Tongue in Traditional Chinese Medicine, icmlc2005, 2005, 6: 5336-5340. EI收录：05509539675[20] Wenshu Li(李文书), Cangle Zhou, The Segmentation of the body of Tongue Based on the Improved Snake Algorithm in Traditional Chinese Medicine, 2004 World Congress on Intelligent Control and Automation, 2004, 6: 5501-50. EI收录：04388367668[21] 许家佗,孙汤,张志枫,周昌乐,李文书，基于差分统计方法的舌象纹理特征的分析与识别, 上海中医药大学学报, 17(3)：15-19，2003.[22] 童小素, 张瑞林, 李文书. 织物外观仿真模拟方法的比较. 纺织学报, 2006, 27(8): 104-108. 数据结构校级精品课程，JPKC0908，2008.7-2010.12

1. 为了降低图像噪声，可以使用boh5（Beam Online Hard Thresholding）算法。2. boh5算法在去噪方面有着较好的表现。它的处理过程是将一些低幅度的像素点设置为0，从而达到降噪的效果。3. 为了更好地降噪，可以尝试使用不同的参数或在算法前对图像进行一些预处理，如去除裙边噪声或增加图像对比度等。

张玉君曾朝铭陈薇（中国国土资源航空物探遥感中心，北京）摘要：从原理、模型试验及实际数据处理等方面分析对比了比值法、光谱角法及主分量分析法的优劣；选择了以主分量分析为主、光谱角法为辅进行蚀变遥感异常的提取；引用了误差理论某些基本概念，以标准离差σ作为遥感异常切割的尺度；建立了“去干扰异常主分量门限化技术流程”。以西藏驱龙—甲马蚀变遥感异常群为例，展示了此技术的效果，并与高光谱研究结果进行了比较。关键词：主分量分析；光谱角法；比值法；异常切割量化尺度；门限化中图分类号：TP753 文献标识码：A文章编号：1001-070X（2003）02-0044-06本文系中国地质调查局“西部主要成矿带遥感找矿异常提取与应用研究”项目（200215000008）资助引言提取蚀变遥感异常信息的方法有多种，常用或较常用的有比值法、主分量分析法、光谱角法以及它们的混合法[1～7]。近期新出现但较少被使用的有小波分析、神经网络、分数维几何（分形或分几）等方法。为了选择最佳方法，我们以东天山139/31景、东昆仑135/35景和冈底斯137/39景ETM＋或TM数据为例，对常用的3种方法异常信息提取效果进行了对比试验，其结果表明，3种方法所获互洽性异常虽有，但占比例不大。因为除139/31景外，其余两景中已知矿床、矿点分布较少，缺少评判3种方法优劣的足够已知条件，故而萌生进行模型试验的想法，即通过简单的模型试验来直观地展示3种方法（比值法、主分量分析法及光谱角法）的特点，对比其优劣，并以此为基础确定技术流程的主体。1　模型试验1.1　模型一1.1.1　模型设计取一组二维数据点，它们在平面上呈椭圆形分布，而各点的数值按级差递增，且与坐标相关。第一维数值从左向右递增（彩版附图14（6）上左），第二维数值从下向上递增（彩版附图14（6）上中）。此设计是为了保证试验结果的直观性。这一模型的原始数据（彩版附图14（6）上右）可比拟为一个2波段的TM图像，如TM5和TM7。待提取异常应具备的条件是TM5为高亮度值，TM7为低亮度值。1.1.2　方法试验结果对模型—分别进行主分量分析、比值法处理及光谱角填图等方法试验，对所获第二主分量进行高端切割，3种方法所获异常如彩版附图14（6）左下图所示，其中，光谱角法异常提取以第二主分量异常区高位中心点的数值作为参考谱；比值法则为第一维/第二维，并对其进行异常切割。从彩版附图14（6）可以直观地看出：①主分量分析所获异常位于第一维的高值区；②光谱角法所获异常区各点有相似的特征向量角，异常区内既包括高值点（与主分量异常互洽）也包括低值点；③比值法比较的是比值的大小，故该方法所获异常与原始值的高低无直接关系，和主分量及光谱角法结果的互洽区不大。这就不难理解3种方法所获异常不可能全部互洽的原因。如果提取遥感异常的原则是以大型、特大型矿（应有高异常）为主要目标，那么，提取遥感异常的首选方法应是主分量分析法。如果在比值计算之前进行数据截取，可以减少低值区异常（彩版附图14（6）的下右），但若先比值后截取，则效果较差（彩版附图14（6）的下中）。当然，对光谱角法也可以通过数据掩模处理来减少低值区异常，且无论掩模在光谱角处理之前或之后做，其结果相同（彩版附图14（6）的下中和下右）。1.2　模型二1.2.1　模型设计取模型二图像（540×360×4），分割为180×180×4六个子图，每一子图对角线皆为255个像素。对每一子图的4个图层分别送入某种岩性的TM1、TM4、TM5、TM7波段亮度值，且令其按对角线方向从0渐变至相应波段的TM亮度值。为达此目的，首先取一辅助图像（180×180×1），用试验图像工具（Test Image）在对角线方向形成从0～255的渐变灰阶，并借助此辅助图像将各岩性的各波段亮度值在对角线方向做线性拉伸，然后逐一镶嵌入模型二各子图各波段的相应位置，形成岩性的渐变图像组合。6个子图分别对应于金矿蚀变岩、植被、白色大理岩、辉长岩、冰和盐碱地（数据取自文献[6]）。这样，便形成一个有6种已知岩性的TM1、TM4、TM5、TM7四个波段的数据模型。1.2.2　方法试验结果对模型二的4个波段数据进行主分量分析，从本征向量可知，第2主分量表征冰，第3主分量表征植被，第4主分量表征蚀变岩。对它们分别进行异常切割，以绿、蓝、红三色示于彩版附图14（7）中。可以看到，白色大理岩形成对蚀变岩的干扰异常，经用光谱角法提取蚀变异常（彩版附图14（7）中的黄色区），可以消除此干扰。比值法所得结果未在彩片中示出，它在除辉长岩外的5种岩性中均形成异常，这是它们在TM5波段上的亮度值均高于TM7的必然结果。2　三种方法的特点讨论2.1　比值法（RM）（1）原始值的高低不直接左右比值的大小，也就是说，高低值均可有同样的比值，低值区异常不可避免（图1），这就使得比值结果中包含了大量假异常（如阴影区、水域等）。（2）差和比值法是一种非线性处理方法，该方法高值区压缩，对低值区拉伸，这对于提取高值区异常不利； 的实际值均在0～1/3之间，动态范围较小，也是不利因素（图2）。图1　波段比值原理图2　差和比值原理（据丰茂森，1992）（3）数据先截取再比值较先比值再截取更有益于减少低值区异常（图3，彩版附图14（6）下中和下右）。虽然经数据截取所做比值对低值区异常有所抑制，但并不能从根本上改变比值法的前两个弱点，故在选择遥感异常提取方法时，不得不将比值法结果仅作为参考。图3　数据截取比值原理图4　光谱角法原理2.2　光谱角填图法（SAM）光谱角法把每一个多维空间点以其空间特征向量来表征，并以空间向量角的相似性作为判据。它是一种监督分类，要求每一类别有一个已知参考谱。此参考谱可以是地面实测入库光谱，也可以是已知条件的图面单元的统计入库结果（又称图像采样）。为了直观，设三维空间点P在彩色坐标系中的特征向量为OP，以此向量为轴作小角锥（图4），凡位于此小角锥内的空间点都视为相似的。根据线性代数理论[9]，向量α，β间夹角θ为张玉君地质勘查新方法研究论文集式中，（α，β）为n维向量α，β的内积，｜ a ｜、｜β｜分别为向量a，β的长度。当存在已知矿点或矿床时，可以利用光谱角法圈定与其有相似谱特征的靶区，以减少主分量分析所获异常中的非矿异常（如在139/31景中所做）；当存在两种以上已知矿点时，可以用光谱角法对主分量分析异常进行类别区分（如在137/39景中所做）。这两点是光谱角法在异常信息提取中对主分量分析法可以起的重要辅助作用。2.3　主分量分析（PCA）2.3.1　原理遥感图像各波段间存在一定的相关性，为了减少相关性对分类的影响，常使用主分量分析法去相关。主分量分析基于变量之间的相互关系，在信息总量守恒的前提下，利用线性变换的方法来实现去相关性。由于所获各主分量之间不相关，故各主分量之间信息没有重复或冗余。主分量分析的这一基本性质在蚀变异常信息提取中被充分利用。TM多波段数据通过PCA所获每一主分量常常代表一定的地质意义，且互不重复，即各主分量的地质意义有其独特性。用TM1、TM4、TM5、TM7等4个波段进行PCA，对代表羟基矿物主分量的判断准则是：构成该主分量的本征向量，其TM5系数应与TM7及TM4的系数符号相反，TM1一般与TM5系数符号相同。依文献[7]中有关地物的波谱特征，羟基信息包含于符合这一判断准则的主分量内，故此主分量可称为羟基异常主分量。用TM1、TM3、TM4、TM5等4个波段进行PCA，对代表铁染物主分量的判断准则是：构成该主分量的本征向量，其TM3系数应与TM1及TM4的系数符号相反，TM3一般与TM5系数符号相同。同理，可将该主分量称之为铁染异常主分量。由于异物同谱现象的存在，这些异常主分量还包含着非蚀变的地质因素，有待用其他计算方法乃至借助地质知识经目视解译加以区分。2.3.2　借助模型试验探讨PCA的灵敏度极限当用PCA提取遥感异常信息时，无论是羟基异常（用TM1、TM4、TM5、TM7）还是铁染异常（用TM1、TM3、TM4、TM5），都常常出现在第4主分量[3～7]，其本征值都是最小的，也就是说，蚀变遥感信息占全景信息量的很小份额，那么，蚀变信息量少到何种程度将被PCA丢失，即PCA的检测灵敏度下限是多少？为此，首先我们设计图像模型（三）（1020×255×4），并将其分割为255×255×4四个子图，依次由左向右送入金矿蚀变岩、植被、辉长岩及冰的TM1、TM4、TM5、TM7波段数据，并令其按行或列方向递变。经PCA提取切割，获蚀变异常（红）、植被异常（蓝）和冰异常（绿），见彩版附图14（8）。然后，对蚀变岩区逐步减半，每次都以辉长岩数据取代，再做PCA提取，直至蚀变岩区仅剩一行（255×1×4）,PCA仍有相应的结果，但此时相对信息量已小于0.01%，程序给出报告是0.00%（表1），可视为已达检出限，这时，蚀变岩原始数据在全图的份额（1/4×1/255=1/1020）小于千分之一。因此，可初步认为，用PCA提取蚀变信息的检出限优于千分之一。表1　模型三试验结果统计将表1第二行本征向量分别除以TM5的系数0.769，得到一组新数，把它们做为投影系数（表2），将TM1、TM4、TM7投影在TM5上，得到图5。这有助于理解PC4的构成。表2　PC4系数换算图5　PC4与TM1、TM4、TM5及TM7的关系3　误差理论某些基本概念的引用在图像处理中，经常使用概率密度分布曲线（简称直方图），于是便产生两个问题：（1）如何理解TM数据直方图常接近正态分布？（2）是否可以使用标准离差σ作为遥感异常切割的尺度？3.l　正态分布我们知道，观测值的偶然误差成正态分布，而且早在1795年德国数学家高斯就推导出偶然误差或然率曲线的函数表达式，即高斯误差分布定律[8]张玉君地质勘查新方法研究论文集式中，σ称为标准误差。如果取k倍的标准误差，那么，任一观测值的误差介于±ka之间的或然率p如表3所示。表3　或然率与误差的关系结合具体情况，当所面对的地区足够大时，可以近似地认为TM各波段数据以及其线性处理结果的统计性规律具有类似（在不严格的概念下）正态分布的特点：（l）常常只有一个中心，即众值（当出现双峰时，往往是存在两类主宰性地质因素）；（2）小偏离比大偏离出现的机会多；（3）大小相等、符号相反的正负偏离机率接近，直方图近似对称于y轴；（4）极大的正偏离和极小的负偏离机率都很小，直方图向两端迅速衰减。究其原因，当地区较大时，不同岩性的出现具有随机特性。故而，描述偶然误差的高斯误差分布方程及相关概念可以被借用于TM数据处理中。3.2　σ的借用TM数据处理以多元分析为基础，在多元分析中，对应于误差理论中称之为标准误差的σ，是标准离差（或标准偏差），其定义为：张玉君地质勘查新方法研究论文集既然TM数据及其线性处理结果一般均有近似正态分布的直方图（如图6所示，为137/39景羟基主分量直方图），那么，在做异常切割或数据切割时，便可借用σ这个表征正态分布曲线的尺度。例如，主分量分析结果可以把均值 理解为代表区域背景，利用 确定异常下限和划分异常强度等级。异常总面积可用（1-p）/2近似计算，3σ级异常总面积仅约在1.5×10-3之内。有了这一尺度，切割异常时可以减少主观任意性，并使操作较为规范化。4　遥感异常提取流程图6　137/39景羟基主分量直方图在以上方法选择及多景图像蚀变异常提取研究的基础上，形成了独具特色的方法技术，即“去干扰异常主分量门限化技术流程”（图7），并以此作为蚀变异常提取快速遥感扫面的基本方法。图7　去干扰异常主分量门限化技术流程流程图包括预处理和信息提取两大部分，预处理的作用十分关键，它的许多重要问题（如多种干扰去除、大气影响粗校正、太阳照射条件归一化等）尚须另文阐明，信息提取和后处理的技术细节也待补充。5　实例现以甲马—驱龙火山沉积盆地铜多金属矿田为例，展示应用该流程进行异常提取的效果。研究区位于冈底斯火山岩浆弧铜金多金属成矿带的冲江—甲马亚带中，区内广泛发育燕山—喜山早期岛弧型火山岩、碎屑岩和碳酸盐岩，重熔、同熔型钙碱性岩浆杂岩，以及新生代碰撞后期生成的花岗斑岩等，具有火山弧→弧内盆地－岩浆弧等构造演化序次和时空叠加特点和与之相关但性质各异的热液流体蚀变和成矿作用，生成了相互关联且各具特色的矿化，积聚了巨大的矿产资源潜力。本区中－晚侏罗世火山弧阶段，以钙碱性火山岩系列组合为主，具多个火山－沉积韵律旋回，火山热液蚀变和矿化较广泛，如驱龙南火山喷流－热液型铜多金属矿，矿体呈似层状产于火山岩中，长70～1000m，厚10～50m，脉石矿物以石榴石、透辉石、符山石等为主，矿石矿物有黄铁矿、黄铜矿、斑铜矿、方铅矿和闪锌矿等；晚侏罗—白垩世弧内盆地阶段，堆积了巨厚的碎屑岩－碳酸盐岩层，成矿作用有海底热水喷流特点，如甲马铜多金属矿床，矿体呈似层状产于碳酸盐岩与上覆砂板岩之间的透辉石、斜长石矽卡岩中，矿体长4.2km，平均厚12.6m，潜在铜资源量达200万t，成矿作用与海底热水喷流、交代作用有关；白垩—新近纪岩浆弧阶段，大量中酸性岩基、岩株侵位于盆地中，与岩浆活动相关的热液流体蚀变、矿化作用广泛，如驱龙斑岩铜矿，矿化主要见于花岗闪长斑岩中，岩体呈小岩株状，出露面积约0.6km2，岩体蚀变强烈，分带明显，从中心向外依次为石英－绢云母化带、高岭土－绢云母化带及青盘岩化带等，主要矿物有黄铜矿、斑铜矿和辉钼矿等。遥感异常信息提取用137/39景数据（彩版附图14（9）），同时处理了两个时相的数据。效果评估准则是：①从多时相数据中提取异常的稳定性；②异常表征已知矿床、矿田的能力；③异常空间分布的规律性。3种方法提取的异常对比结果表明，主分量分析法提取的异常无论在异常的稳定性、分布规律性及与已知矿床、矿田对比性方面，均极大地优于比值法提取结果；光谱角填图法提取的异常，其“三性”稳定程度与参考光谱的选取有密切关系，科学地选取有代表性（波谱涵盖范围）的参考光谱是取得与其他方法之间可比性的关键。此外，甘甫平等[10]在驱龙地区，利用EO-1高光谱成像遥感数据开展的蚀变矿物提取，获得了高铝绢云母、低铝绢云母、高岭石、绿泥石＋孔雀石化等4种矿物异常，这为我们提供了对比不同类型数据、不同方法提取效果的机会。二者相比，除大片出现在阴影区的绿泥石＋孔雀石化在我们的图中没有对应的异常显示外，前3种蚀变矿物异常区均与我们利用主分量分析和光谱角法从ETM＋数据中提取的异常区基本相似，其差异主要表现为，前者提取的是单矿物分布，后者提取的是蚀变矿物的集合体异常。本景遥感异常提取的效果仅从驱龙和甲马两个异常群的找矿前景就可见一斑。驱龙异常群呈东西走向的带状分布，长约15km宽约5km，全区铁染异常极为发育，羟基异常多呈斑块状叠置于其上。在已圈定的6个异常中，多数具有从中心向四周、从羟基到铁染、场强从强到弱逐步过渡的特点。其中，4、5号异常是目前正在勘探的斑岩铜矿区：1号异常呈北西走向，中部已证实有岩石蚀变，推测两端可能有斑岩体隐伏；2号异常西部及3号、6号异常，深部均可能有斑岩体。全区经光谱角法检测可知，不仅甲马型异常特征显著，而且1、3、5、6号异常均有驱龙斑岩铜矿区（4号异常）蚀变波谱特征。根据本区异常带规模、结构特征和铁染异常强大等推测，该异常群具有寻找大型斑岩型和热液型矿的前景。甲马异常群有5个异常组成，其中1号异常位于甲马铜多金属矿体上方，异常辅呈南北向，长4.25km，宽1.25km，铁染、羟基异常紧密相伴，前者异常强大，连续完整，后者的高强度异常呈斑块状叠置于铁染之上，形成4个强羟基蚀变中心。根据已知矿体及含矿矽卡岩带上遥感异常显示仅为不多的散点，异常的轴向与已知矿体倾向之间呈450夹角，以及异常规模巨大，具有斑岩型和热液型双重结构特征等推断，该异常形成时间应晚于甲马铜多金属矿，异常区深部可能有呈南北向带状侵位的斑岩体和历经数次的热液活动，甲马已知铜多金属矿深部矿体可能已被岩体侵入和热液活动强烈改造，据此推测该区可能是一个寻找大型富矿的远景区。6　结论和建议（1）模型一、二试验及137/39景应用实例证明，以寻找大型、特大型矿为目的的遥感异常“遥感扫面”工作方法，应以主分量分析法为主，以光谱角法为辅；（2）经模型三试验可初步认为，PCA的遥感异常检出限（蚀变岩所占像素比例）优于千分之一，但这一问题尚待进一步研究；（3）ETM＋与高光谱分析结果的高度吻合，增强了利用ETM＋数据进行遥感异常快速扫面的信心；（4）为了便于交流，建议对有关方法和异常的代号作如下规定：遥感异常　RSA（Remote Sensing Anomaly）羟基异常　OHA（Hydroxylate Anomaly）铁染异常　FCA（Ferric Contamination Anomaly）主分量分析　PCA（Principal Component Analysis）光谱角制图　SAM（Spectral Angle Mapper）比值法　RM（Ratio Method）背景　BG（Background）灰度　GS（Grey Scale）参考文献[1]丰茂森.遥感图像数字处理[M].北京：地质出版社，1992[2]Kendall M.Multivariate Analysis[M].England:Charles Griffin and Company Limited,1975[3]Crosta A P, McmMoore J.Enhancement of landsat thematic mapper imagery for residual soil mapping in SW Minais Gerrain[A].In:Proceedings of the 7 th（ERIM）Thematic conference: Remote Sensing for Exploration Geology[C].Calgary,1989,1173-1187[4]Loughlin W P.Principal component analysis for alteration mapping[A].In:Proceedings of the 8th Thematic conference on Geologic Remote Sensing[C].Denver,USA,1991,293-306[5]李昌国，张玉君.试用主分量分析方法提取澜沧江兰坪地区铜矿化蚀变遥感信息[J].国土资源遥感，1997,（1）:20～30[6]张玉君，杨建民.基岩裸露区蚀变遥感信息的提取方法[J].国土资源遥感，1998,（2）:46～53.[7]张玉君，杨建民，陈薇.ETM+（TM）蚀变遥感异常提取方法研究与应用——地质依据和波谱前提[J].国土资源遥感，2002,（4）:30～36.[8]冯师颜.误差理论与实验数据处理[M].北京：科学出版社，1964.[9]居余马，胡金德等.线性代数及其应用[M].北京：中国电视大学出版社，1986.[10]甘甫平，王润生，杨苏明.西藏Hyperion数据蚀变矿物识别初步研究[J].国土资源遥感，2002,（4）:44～50.THE METHODS FOR EXTRACTION OF ALTERATION ANOMALIES FROM THE ETM+（TM）DATA AND THEIR APPLICATION:METHOD SELECTION AND TECHNOLOGICAL FLOW CHARTZhang Yu jun,Zeng Zhao ming,Chen Wei（China Aero Geophysical Survey and　Remote Sensing Center for Landand Resources,Beijing100083,China）Abstract: This is the second paper among the serial articles on the new parameter for the prediction of the mineral resources: alteration RS anomalies.The RM（Ratio Method）, SAM（Spectral Angle Mapper）and PCA（Principle Component Analysis）were compared with each other by the analysis of their principles and by the model test.PCA was selected as the main method and SAM as the supplementary one.The essential concepts of the error theory were quoted.The standard deviation σ was used as the measurefor anomaly slicing.The flow chart“De-interfered Anomalous Principal Component Thresholding Technique”was given.A practical application example for Qulong-Jiama anomaly group in Tibet was given in comparison with the hyperspectral results.Key words: PCA；SAM；RM；Quantitative measure of anomaly slicing；Thresolding原载《国土资源遥感》，2003,No.2。

thresholding algorithm阈值分割算法.很高兴为你解答！如有不懂，请追问。 谢谢！

1．城市火灾自动报警信息化管理系统的研究与开发，湖南省科技攻关项目【2006GK3096】及校企合作项目。2. 基于自适应模糊控制的数字化有源电力滤波技术研究，湖南省自然科学基金项目【05JJ40001】。3. 基于DSP和虚拟仪器技术的电能质量检测系统的研究与开发，长沙市科技局科技攻关项目【(长科发 [2005] 21号)】及校企合作项目。4. 基于嵌入式技术的城市火灾自动报警远程监控系统设计与开发，湖南省建设厅科研项目【湘建科（2005）号】及校企合作项目。5.高性能数字化逆变电源设计理论与应用，湖南大学青岛创统公司博士研究生科研基地项目（2006.1～2009.12）。6. 可通信电气智能化技术，湖南大学浙江天正电气股份有限公司博士研究生科研基地项目（2006.3～2012.2）。7.大型数控系列多线切割机研究及应用，湖南大学宇晶机器制造有限公司研究生科研基地项目（2005.10～2010.12）。8．数字化社区服务示范工程设计，校企合作项目（2006.9～2008.9）。9．信息化系统设计与开发，校企合作项目（2006.9～2008.9）。10.基于现场总线的智能控制系统设计与开发，校企合作项目（2006.9～2008.9）。11. 风光互补并网发电系统逆变模块的研发，校企合作项目（2006.9～2008.9）。 1． 主要学术论文（1） 检测单相系统谐波电流和无功电流的一种新方法，电工技术学报，2004年第19卷第2期，第一作者。[EI收录]（2） Adptive Thresholding Denoising Algorithm Based on Cross-Validation. 2006 International Conference on Communications, Circuits and Systems Processings. Volume 1 2006.通讯作者。[EI收录]（3） Zheng Chong-Wei, Dai Yu-Xing.The validity of high-pass angular spectrum filter in solid immersion lens system.Chinese Physics. Vol.14,No.8,August 2005，通讯作者。[EI收录]（4） Energy Operator and Wavelet Transform Approach to Online Detection of Power Quality Disturbances. 2006 8th INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING ROCEEDINGS. 2006年11月. 通讯作者。 [EI收录]（5） 基于内容的分布式Web服务器负载平衡算法。电子学报。2006年第6期。通讯作者。[EI收录]（6） 基于Daubechies小波的谐波分析算法。电工技术学报。2006年第6期。通讯作者。[EI收录]（7） 基于DSP的模型参考自适应无速度传感器矢量控制，信息与控制，2003年第32卷第6期，第一作者。（8） 有源滤波器逆变电路的滞环比较控制策略，湖南师范大学自然科学学报，2003年第26卷第3期，第一作者。[EI收录]（9） 无差拍控制策略在有源电力滤波器中的应用，湘潭矿业学院学报，2003年第18卷第4期，第一作者。[EI收录]（10）单相UPQC控制系统的数学建模与仿真，湘潭矿业学院学报，2004年第19卷第1期，第一作者。[EI收录]（11）基于DSP的单相电能质量综合补偿器设计，湖南师范大学自然科学学报，2003年第26卷第2期，通讯作者。[EI收录]（12）基于图像处理技术的智能照明控制研究，照明工程学报，2003年第14卷第2期，第二作者。（13）A Simple Method on Designing Embedded Gateway Based on ICP/IP Stacks（ICEMI"2003），通讯作者。[ISTP收录]（14）Digital Control Research of Sinusoidal Waveform Inverter（ICEMI"2003），通讯作者。[ISTP收录]（15）Analysis and Control of Single-phase Active Power Filter, The Second International Conference on Machine Learning and Cybernetics (ICMLC2003)， 通讯作者。[EI收录]（16）Digital servo Control Techniques based Sine Inverter Design (ICMLC2003) ，通讯作者。[EI收录]（17）半导体式甲烷气体探测器设计误差分析及解决方法.电气应用.2005年第11期，通讯作者。（18）基于DDS技术的可叠加谐波的正弦信号源设计.湖南师范大学自然科学学报.2005年12月第4期，通讯作者。[EI收录]（19）基于DSP和虚拟仪器技术的电能质量监测系统设计.低压电器.2005年第5期，通讯作者。（20）基于嵌入式系统设计的火灾报警远程监控系统设计.低压电器.2005年第6期，通讯作者。（21）基于Modbus协议的UPS与PC机通信设计与实现.低压电器.2005年第8期，通讯作者。（22）COM技术在OPC服务器中的应用及实现.控制工程.2005年5月第3期，通讯作者。（23）基于Internet的火灾报警监控系统设计与实现.电气应用.2005年第12期，通讯作者。（24）半导体气敏元件的温度补偿网络设计.传感器技术.2005年第10期，通讯作者。（25）基于电话线传输的家居无线安防报警系统.低压电器.2006年第1期，通讯作者。（26）工学类研究生科研选题问题的探讨。实验室研究与探索，2006年第11期。第一作者。（27）基于异步变频调制的UPS逆变数字锁相技术。电力电子技术。2006年第3期。通讯作者。（28）一种基于DSP的（可变频）异步调制算法。湖南科技大学学报。2006年09月21卷3期。通讯作者。[EI收录]2． 主要著作（1） 主编《民用建筑电气设计手册》，中国建筑工业出版社，1999。（2） 主编《民用建筑电气设计数据手册》，中国建筑工业出版社，2003。（3） 主编《建筑智能化系统工程设计》，中国建筑工业出版社，2004。3． 主要鉴定与结题项目（1） 数字化社区示范工程HC新城智能化系统研究设计与应用。（2） 数字化UPS/EPS系统控制关键技术研发及应用，该项目于2005年11月通过湖南省科技厅组织的科技成果鉴定（排名第一）。（3） 基于Modbus的EPS嵌入式远程监控系统，该项目由青岛创统科技发展有限公司于2004年12月结题验收（排名第一）。（4） DeviceNet-Modbus协议转换器和基于Modbus的OPC数据存取服务器，由常熟开关制造有限公司于2004年11月结题验收（排名第一）。（5） 智能化居住小区建设的规范化运作研究，该项目由湖南省建筑集团总公司于2003年10月结题验收（排名第一）。（6） 基于TCP/IP协议UPS/EPS远程网络监控系统，该项目由青岛创统科技发展有限公司于2003年9月结题验收（排名第一）。（7） 民用建筑电气设计技术研究，该项目于2000年1月通过湖南省建设厅组织的科技成果鉴定（排名第一）。（8） 智能建筑控制网络系统的软硬件开发，该项目于2001年1月通过湖南省科技厅组织的科技成果鉴定（排名第二）。（9） 基于虚拟仪器的可燃气体探测器自动测试系统，由上海松江费加罗电子有限公司于2005年10月结题验收（排名第一）。（10）三相六通道信号发生器和基于Modbus的电能质量监测系统软件平台，由湖南同人电子有限公司于2006年3月结题验收（排名第一）。4． 省部级以上科研奖励（1） 数字化UPS/EPS系统控制关键技术研发及应用，获2006年度湖南省科技进步奖二等奖，排名第一。（2） 数字化社区示范工程HC新城智能化系统研发设计及应用，获2006年度湖南省科技进步奖三等奖，排名第一。（3） 高层建筑电气设计及电气设备选择，获1998年度湖南省科技进步奖三等奖，排名第一。Builder智能远程图像监控系统，获2003年度湖南省科技进步奖一等奖，排名第六。

导言 损坏的图像往往是在其噪声采集和传输。例如在图像采集，其性能的影像传感器是受多种因素，如环境条件和质量检测的内容本身。例如，在获取图像的CCD相机，轻水平和传感器温度是主要影响因素的数量所产生的噪声的形象。图像传输过程中还损坏，由于干扰的频道用于传输。图像降噪技术，必须消除这种添加剂随机噪声，同时保留尽可能多的重要信号的功能。的主要目标，这些类型的随机噪声去除抑制噪声，同时保持原始图像的细节。统计过滤器一样平均滤波器[ 1 ] [ 2 ] ， Wiener滤波器[ 3 ]可用于消除这种噪音，但基于小波变换的去噪方法更好的结果证明不是这些过滤器。一般来说，图像去噪规定之间的妥协，减少噪音和保护重要的图像细节。为了实现良好的性能在这方面，去噪算法，以适应图像的不连续性。小波代表性，自然有利于建设这种空间自适应算法。它压缩在一个重要信息信号转换成相对较少，大量系数，代表图像细节在不同的决议尺度。在最近几年出现了相当数量的研究小波阈值和阈值选取的信号和图像去噪[ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] ，因为小波提供了一个适当的基础分离噪音信号从图像信号。许多小波阈值技术一样VisuShrink [ 10 ] ， BayesShrink [ 11 ]已经证明，效益较好的图像去噪。在这里，我们描述一个有效的阈值去噪技术通过分析统计参数的小波系数。本文安排如下：简要回顾了离散小波变换（ DWT域）和小波滤波器银行第二节。小波阈值技术是基于解释第三节。在第四部分提出了新的阈值技术的解释。的步骤在此范围内工作的解释第五节第六节的实验结果这个拟议的工作和其他去噪技术是当前和比较。最后总结发言中给出了第七节。

长期从事小波分析及其应用方面的研究工作, 主持完成的科研项目有国家自然科学基金，教育部优秀青年教师基金，北京市自然科学基金等。现主持一项国家自然科学基金：一类带误差模型密度函数的小波估计（2013--2016）. 研究论文发表在国内外重要学术期刊《Mathematics of Computation》，《Applied and Computational Harmonic Analysis》《IEEE Trans.Information Theory》、《中国科学》、《数学学报》等。据北京工业大学图书馆2013年3月7日检索，他的研究论文被SCI引用116次（他引109次）. 近3年发表的代表性论文有1. Rui Li and Youmng Liu, Wavelet optimal estimations for a density with some additivenoises, Applied and Computational Harmonic Analysis, 36, No.3, 2014;2. Youming Liu and Junjian Zhao, An extension of Bittner and Urban"s theorem, Mathematics of Computation, 82, N No.281, 2013;3. Youming Liu and Huiying Wang, Wavelet estimation for density derivatives, Science China (Mathematics), 56, N No.3, 20134.刘有明, 小波分析(译文), 《数学译林》，第32卷， 第4期，289—302, 2013.5. Youming Liu and Huiying Wang, Convergence order of wavelet thresholding, Applied and ComputationalHarmonic Analysis 32, No.3, 2012.

用维纳滤波

数据可用，已经是log后的数据了 选择合适的“软阀值（soft thresholding power）” MAD （Median absolute deviation, 中位数绝对偏差）是单变量数据集中样本差异性的稳健度量。mad是一个健壮的统计量，对于数据集中异常值的处理比标准差更具有弹性，可以 大大减少异常值对于数据集的影响 。 上半部分就是树状图，下半部分就是模块颜色 当我们得到基因网络与基因模块之后，就可以计算模块与性状之间的相关性 主要通过计算MS（module significance,Ms）来说明 MS: 模块包含的所有基因显著性的平均值。MS越高，说明这个模块与疾病之间的关联度越高 前面为相关性，后面为p值 以SHAM_F为例子，最相关的是MEred模块，所以接下来就分析这两个 主要是计算GS（gene significance,GS）、MM（Module Membership MM） GS ：基因与形状之间的相关性，是用t-test计算每个基因在不同组之间的基因差异表达显著性检验p值，并将显著性p值的以10为底的对数值 MM : 给定基因表达谱与给定模型的eigengene的相关性 将结果可视化 横坐标为MM,纵坐标为GS。我们需要找出的就是高相关的基因,也就是靠近右上角的基因 相关性越高、越说明基因可能与性状相关 通过聚类可以发现对角线是TOP重叠性比较高的点，聚集的色块是TOP重叠性比较高的基因。 可以通过色块判断结果分析的效果 通过cytoscape做出网络图，再找出具体的基因 筛选weight值大于等于0.1的值基因做网络图 用方法取交集

曲波变换

百度

用透明纸贴

图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础。该文主要论述了常用的几种图像阈值分割的算法及原理，并以研究沥青混合料的集料特征为背景，从实验角度对图像阈值分割的直方图阈值法、迭代法和大津法进行了分析比较，得出了结论。关键词：图像分割；直方图阈值法；迭代法；大津法中图分类号：TP391 文献标识码：A文章编号：1009-3044(2011)13-3109-03Achieve and Comparison of Image Segmentation Thresholding MethodCHEN Ning-ning(Department of Technology, Xi"an International University, Xi"an 710077, China)Abstract: Image segmentation is a key step for image analysis, Is also the basis for further understanding of the image. In this paper, discusses several commonly used image segmentation algorithms and theory, and to study the aggregate asphalt mixture characteristics of the background, experimental results are shown to compare histogram threshold, Iteration method and the Otsu.Key words: image segmentation; histogram threshold; iteration method; Otsu1 概述图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础

这个我有啊，我给你短消息了，你看看，我们邮箱联系~~

二值化（Binarization）是指将一张灰度图像转换为只包含两种颜色（一般为黑色和白色）的二值图像的过程。在二值图像中，每个像素的取值只有0或1，用于表示该像素是否属于目标物体的一部分。二值化通常是图像处理中的一项基础操作，它可以用于图像的分割、识别、计算等应用中。在二值化的过程中，首先需要设定一个阈值，将原图像中灰度值大于该阈值的像素设置为1（白色），而将灰度值小于该阈值的像素设置为0（黑色），从而实现将原图像分割为黑白两部分的效果。二值化的阈值选取对于二值化结果的质量至关重要，不同的阈值选取会对图像的细节、精度等产生不同的影响。因此，在实际应用中，需要根据图像的特点和需要达到的目标来选择合适的阈值选取方法和算法。常用的二值化方法包括全局阈值法、自适应阈值法、Otsu阈值法等。

双边滤波器的定义双边滤波，Bilateralfilter。是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。双边滤波器的好处是可以做边缘保存edgepreserving，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显的模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma-d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波，因此我们对于双边滤波器进行了改进，由于小波分解可以把信号分解为高频和低频部分，我们对于不同频率段进行不同的滤波。首先将彩色图像RGB模式转为CIE-LAB模式，然后做一次离散二维小波变换dwt2，对于高频的HH,LH,HL部分我们用Bayesshrink的阈值做了软门限softthresholding，对于低频部分我们把它再进行分解，然后对高频做小波阈值，对低频采用双边滤波。

Canny edge detector algorithm matlab codesThis part gives the algorithm of Canny edge detector. The outputs are six subfigures shown in the same figure: * Subfigure 1: The initial "lena" * Subfigure 2: Edge detection along X-axis direction * Subfigure 3: Edge detection along Y-axis direction * Subfigure 4: The Norm of the image gradient * Subfigure 5: The Norm of the gradient after thresholding * Subfigure 6: The edges detected by thinningThe matlab codes:%%%%%%%%%%%%% The main.m file %%%%%%%%%%%%%%%clear;% The algorithm parameters:% 1. Parameters of edge detecting filters:% X-axis direction filter: Nx1=10;Sigmax1=1;Nx2=10;Sigmax2=1;Theta1=pi/2;% Y-axis direction filter: Ny1=10;Sigmay1=1;Ny2=10;Sigmay2=1;Theta2=0;% 2. The thresholding parameter alfa: alfa=0.1;% Get the initial image lena.gif[x,map]=gifread("lena.gif"); w=ind2gray(x,map);figure(1);colormap(gray);subplot(3,2,1);imagesc(w,200);title("Image: lena.gif");% X-axis direction edge detectionsubplot(3,2,2);filterx=d2dgauss(Nx1,Sigmax1,Nx2,Sigmax2,Theta1);Ix= conv2(w,filterx,"same");imagesc(Ix);title("Ix");% Y-axis direction edge detectionsubplot(3,2,3)filtery=d2dgauss(Ny1,Sigmay1,Ny2,Sigmay2,Theta2);Iy=conv2(w,filtery,"same"); imagesc(Iy);title("Iy");% Norm of the gradient (Combining the X and Y directional derivatives)subplot(3,2,4);NVI=sqrt(Ix.*Ix.*Iy);imagesc(NVI);title("Norm of Gradient");% ThresholdingI_max=max(max(NVI));I_min=min(min(NVI));level=alfa*(I_max-I_min)_min;subplot(3,2,5);Ibw=max(NVI,level.*ones(size(NVI)));imagesc(Ibw);title("After Thresholding");% Thinning (Using interpolation to find the pixels where the norms of % gradient are local maximum.)subplot(3,2,6);[n,m]=size(Ibw);for i=2:n-1,for j=2:m-1, if Ibw(i,j) > level, X=[-1,0,;-1,0,;-1,0,]; Y=[-1,-1,-1;0,0,0;,,]; Z=[Ibw(i-1,j-1),Ibw(i-1,j),Ibw(i-1,j); Ibw(i,j-1),Ibw(i,j),Ibw(i,j); Ibw(i,j-1),Ibw(i,j),Ibw(i,j)]; XI=[Ix(i,j)/NVI(i,j), -Ix(i,j)/NVI(i,j)]; YI=[Iy(i,j)/NVI(i,j), -Iy(i,j)/NVI(i,j)]; ZI=interp2(X,Y,Z,XI,YI); if Ibw(i,j) >= ZI(1) & Ibw(i,j) >= ZI(2) I_temp(i,j)=I_max; else I_temp(i,j)=I_min; end else I_temp(i,j)=I_min; endendendimagesc(I_temp);title("After Thinning");colormap(gray);%%%%%%%%%%%%%% End of the main.m file %%%%%%%%%%%%%%%%%%%%%% The functions used in the main.m file %%%%%%%% Function "d2dgauss.m":% This function returns a 2D edge detector (first order derivative% of 2D Gaussian function) with size n1*n2; theta is the angle that% the detector rotated counter clockwise; and sigma1 and sigma2 are the% standard deviation of the gaussian functions.function h = d2dgauss(n1,sigma1,n2,sigma2,theta)r=[cos(theta) -sin(theta); sin(theta) cos(theta)];for i = 1 : n2 for j = 1 : n1 u = r * [j-(n1)/2 i-(n2)/2]"; h(i,j) = gauss(u(1),sigma1)*dgauss(u(2),sigma2); endendh = h / sqrt(sum(sum(abs(h).*abs(h))));% Function "gauss.m":function y = gauss(x,std)y = exp(-x^2/(2*std^2)) / (std*sqrt(2*pi));% Function "dgauss.m"(first order derivative of gauss function):function y = dgauss(x,std)y = -x * gauss(x,std) / std^2;%%%%%%%%%%%%%% end of the functions %%%%%%%%%%%%%

在汽车、 电子、 食品与饮料、 生命科学、 医疗器械、 包装、 制药、文挡处理、物流行业应用很广。可以用来机器人引导、验证元件组装的是否正确、测量、表面缺陷、颜色识别、OCR/OCV、代码读取等等。

图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域。本文是在阅读大量国内外相关文献的基础上，对阈值分割技术稍做总结，分三个大类综述阈值选取方法，然后对阈值化算法的评估做简要介绍。关键词 图像分割 阈值选取 全局阈值 局部阈值 直方图 二值化1．引言所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同[37]．简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产中，机器视觉运用于产品质量检测等等。在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。2．阈值分割的基本概念图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类．常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征．设原始图像为f(x，y)，按照一定的准则在f(x，y)中找到特征值T，将图像分割为两个部分，分割后的图像为若取 ：b0=0（黑）,b1=1（白），即为我们通常所说的图像二值化。（原始图像） （阈值分割后的二值化图像）一般意义下，阈值运算可以看作是对图像中某点的灰度、该点的某种局部特性以及该点在图像中的位置的一种函数，这种阈值函数可记作 T(x，y，N(x，y)，f(x，y))式中，f(x，y)是点(x，y)的灰度值；N(x，y)是点(x，y)的局部邻域特性．根据对T的不同约束，可以得到3种不同类型的阈值[37]，即 点相关的全局阈值T＝T(f(x，y)) (只与点的灰度值有关)区域相关的全局阈值T＝T(N(x，y)，f(x，y)) (与点的灰度值和该点的局部邻域特征有关) 局部阈值或动态阈值T＝T(x，y，N(x，y)，f(x，y))(与点的位置、该点的灰度值和该点邻域特征有关)图像阈值化这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法[2-9]，但是遗憾的是，如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果，甚至也没有一个理论指导我们选择特定方法处理特定图像。所有这些阈值化方法，根据使用的是图像的局部信息还是整体信息，可以分为上下文无关(non-contextual)方法(也叫做基于点(point-dependent)的方法)和上下文相关(contextual)方法(也叫做基于区域(region-dependent)的方法)；根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法(global thresholding)和局部阈值方法(local thresholding，也叫做自适应阈值方法adaptive thresholding)；另外，还可以分为双阈值方法(bilever thresholding)和多阈值方法(multithresholding)本文分三大类对阈值选取技术进行综述：1) 基于点的全局阈值方法；2) 基于区域的全局阈值方法3) 局部阈值方法和多阈值方法3．基于点的全局阈值选取方法3.1 p-分位数法1962年Doyle[10]提出的p-分位数法(也称p-tile法)可以说是最古老的一种阈值选取方法。该方法使目标或背景的像素比例等于其先验概率来设定阈值，简单高效，但是对于先验概率难于估计的图像却无能为力。例如，根据先验知识，知道图像目标与背景象素的比例为PO/PB,则可根据此条件直接在图像直方图上找到合适的阈值T，使得f(x,y)>=T的象素为目标，f(x,y)<T的象素为背景。3.2 迭代方法选取阈值[11]初始阈值选取为图像的平均灰度T0，然后用T0将图像的象素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB计算 ,将T1 作为新的全局阈值代替T0，重复以上过程，如此迭代，直至TK 收敛，即TK＋1 ＝TK 经试验比较，对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果。但是对于直方图双峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如最大类间方差法。3.3 直方图凹面分析法从直观上说，图像直方图双峰之间的谷底，应该是比较合理的图像分割阈值，但是实际的直方图是离散的，往往十分粗糙、参差不齐，特别是当有噪声干扰时，有可能形成多个谷底。从而难以用既定的算法，实现对不同类型图像直方图谷底的搜索。Rosenfeld和Torre[12]提出可以构造一个包含直方图 的最小凸多边形 ，由集差 确定 的凹面。若 和 分别表示 与 在灰度级之处的高度，则 取局部极大值时所对应的灰度级可以作为阈值。也有人使用低通滤波的方法平滑直方图，但是滤波尺度的选择并不容易[13]。但此方法仍然容易受到噪声干扰，对不同类型的图像，表现出不同的分割效果。往往容易得到假的谷底。但此方法对某些只有单峰直方图的图像，也可以作出分割。如：3.4 最大类间方差法由Otsu[14]于1978年提出的最大类间方差法以其计算简单、稳定有效，一直广为使用。从模式识别的角度看，最佳阈值应当产生最佳的目标类与北京类的分离性能，此性能我们用类别方差来表征，为此引入类内方差 、类间方差 和总体方差 ，并定义三个等效的准则测量： ， ， . (3)鉴于计算量的考量，人们一般通过优化第三个准则获取阈值。此方法也有其缺陷，kittler和Illingworth[15]的实验揭示：当图像中目标与背景的大小之比很小时方法失效。 在实际运用中，往往使用以下简化计算公式： （T） ＝ WA(μa-μ)2 + Wb(μb-μ)2 其中， 为两类间最大方差，WA 为A类概率，μa为A类平均灰度，Wb 为B类概率，μb为B类平均灰度，μ为图像总体平均灰度。即阈值T将图像分成A,B两部分，使得两类总方差 （T）取最大值的T，即为最佳分割阈值。3.5 熵方法八十年代以来，许多学者将Shannon信息熵的概念应用于图像阈值化，其基本思想都是利用图像的灰度分布密度函数定义图像的信息熵，根据假设的不同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。Pun[16]通过使后验熵的上限最大来确定阈值。Kapur等人[17]的方法假定目标和背景服从两个不同的概率分布 和 定义 (4)使得熵 (5)达到最大求得最佳阈值。此方法又称为KSW熵方法。3.6 最小误差阈值此方法来源于Bayes最小误差分类方法。 Eb(T)是目标类错分到背景类的概率，Eo(T)是背景类错分到目标类的概率总的误差概率 E(T) ＝ Eb(T) ＋ Eo(T)使E(T)取最小值，即为最优分类方法。在Kittler和Illingworth[18]于1986年提出的最小误差法中，直方图被视为目标与背景混合集概率密度函数 的估计 (9)其中， 为先验概率， ，求解下列方程可得到Bayes最小误差阈值 (10)遗憾的是上式中 ， 和 通常是未知的，Nakagawa和Rosenfeld[19]提倡用拟合方法从直方图中估计这些参数，但是算法相当复杂，不易实现。3.7 矩量保持法矩量保持(moment-preserving)法[20] ，即矩守恒阈值法，是1985年提出的，其基本思想是最佳的阈值应该使分割前后图像的矩量保持不变，由此可以得到一组矩量保持方程，求解该方程组就可以得到最佳阈值。3.8 模糊集方法模糊集理论较好的描述了人类视觉中的模糊性和随机性，因此在图像阈值化领域受到了广泛的关注。模糊集阈值化方法的基本思想是，选择一种S状的隶属度函数定义模糊集，隶属度为0.5的灰度级对应了阈值，当然在上述隶属度函数的表达式中阈值是一个未知的参数；然后在此模糊集上定义某种准则函数（例如整个图像的总体模糊度），通过优化准则函数来确定最佳阈值。Pal等[21]首先，他们把一幅具有 个灰度级的 图像看作一个模糊集 ，其中隶属函数 定义如下： (11)参数 称之为交叉点（即 ）。由此从图像 的空间 平面得到模糊特性 平面。然后，基于此模糊集定义了图像的线性模糊度 、二次模糊度 和模糊熵 ，使这三个量取最小值时的交叉点 即为最佳阈值。文献[21]指出模糊隶属度函数在该算法中的作用仅在于将图像由灰度数据空间转换为模糊空间 ,其函数的形式对增强结果几乎没有影响。这就使我们有理由使用一些形式简单的函数形式。例如国内学者发表的一种模糊阈值方法[22]： 隶属度μ(x)表示灰度x具有明亮特性的程度，c为隶属函数窗宽，q对应隶属度为0.5的灰度级。设灰度级 的模糊率为： = min{μ(l),1-μ(l)}则得到整幅图像的模糊率[44] 其中，MN为图像尺寸，L为图像总灰度级， 图像中灰度为 的象素个数。对应于不同的q值，就可以计算出相应的图像模糊率，选取使得 最小的q值，作为图像分割的最佳阈值即可。3.9 小结对于基于点的全局阈值选取方法，除上述主要几种之外还许多，但大多都是以上述基本方法为基础，做出的改进方法或者对算法的优化，如使用递推方法以降低算法复杂性。例如在文献[42]中，提出一种使目标和背景差距最大的阈值求取方法，类似于最大类间方差阈值法。是它的一种简化算法。又如1984年Dunn等人[23]提出了均匀化误差阈值选取方法，这种方法实质上是要使将背景点误分为目标点的概率等于将目标点误分为背景点的概率。类似于最小误差阈值法。近年来有一些新的研究手段被引入到阈值选取中。比如人工智能，在文献[24] 中，描述了如何用人工智能的方法，寻找直方图的谷底点，作为全局阈值分割。其它如神经网络，数学形态学[39][46]，小波分析与变换[40]等等。总的来说，基于点的全局阈值算法，与其它几大类方法相比，算法时间复杂度较低，易于实现，适合应用于在线实时图像处理系统。由于我的研究方向为机器视觉，所作的项目要求算法具有良好的实时性，因此针对基于点的全局阈值方法，阅读了较多的文献，在综述里叙述也相对比较详细。4 基于区域的全局阈值选取方法对一幅图像而言，不同的区域，比如说目标区域或背景区域，同一区域内的象素，在位置和灰度级上同时具有较强的一致性和相关性。而在上述基于点的全局阈值选取方法中，有一个共同的弊病，那就是它们实际上只考虑了直方图提供的灰度级信息，而忽略了图像的空间位置细节，其结果就是它们对于最佳阈值并不是反映在直方图的谷点的情况会束手无策，不幸我们通常遇到的很多图像恰恰是这种情况。另一方面，完全不同的两幅图片却可以有相同的直方图，所以即使对于峰谷明显的情况，这些方法也不能保证你得到合理的阈值。于是，人们又提出了很多基于空间信息的阈值化方法。可以说，局域区域的全局阈值选取方法，是基于点的方法，再加上考虑点领域内象素相关性质组合而成，所以某些方法常称为“二维xxx方法”。由于考虑了象素领域的相关性质，因此对噪声有一定抑止作用[41]。4.1 二维熵阈值分割方法[25]使用灰度级-局域平均灰度级形成的二维灰度直方图[43]进行阈值选取，这样就得到二维熵阈值化方法。 （二维灰度直方图： 灰度－领域平均灰度）如图，在0区和1区，象素的灰度值与领域平均灰度值接近，说明一致性和相关性较强，应该大致属于目标或背景区域；2区和3区一致性和相关性较弱，可以理解为噪声或边界部分。二维熵阈值分割，就是选择（S,T）对，使得目标类和背景类的后验熵最大。（具体方法是一维熵阈值分割的推广，可参见上一节）Abutaleb[26]，和Pal]结合Kapur]和Kirby的方法，分别提出了各自的二维熵阈值化方法，其准则函数都是使目标熵和背景熵之和最大化。Brink[27]的方法则是使这两者中的较小者最大化，该方法的计算复杂度为 ，后来有人改进为递推快速算法将时间复杂度降为 (其中 为最大灰度级数)。 4.2 简单统计法Kittler等人[28],[29]提出一种基于简单的图像统计的阈值选取方法。使用这种方法，阈值可以直接计算得到，从而避免了分析灰度直方图，也不涉及准则函数的优化。该方法的计算公式为 (19)其中， 因为e(x,y)表征了点（x,y）领域的性质，因此本方法也属于基于区域的全局阈值法。4.3 直方图变化法从理论上说，直方图的谷底是非常理想的分割阈值，然后在实际应用中，图像常常受到噪声等的影响而使其直方图上原本分离的峰之间的谷底被填充，或者目标和背景的峰相距很近或者大小差不多，要检测他们的谷底就很难了。在上一节基于点的全局阈值方法中，我们知道直方图凹面分析法的弊病是容易受到噪声干扰，对不同类型的图像，表现出不同的分割效果。往往容易得到假的谷底。这是由于原始的直方图是离散的，而且含噪声，没有考虑利用象素领域性质。而直方图变化法，就是利用一些象素领域的局部性质变换原始的直方图为一个新的直方图。这个新的直方图与原始直方图相比，或者峰之间的谷底更深，或者谷转变成峰从而更易于检测。这里的象素领域局部性质，在很多方法中经常用的是象素的梯度值。 例如，由于目标区的象素具有一定的一致性和相关性，因此梯度值应该较小，背景区也类似。而边界区域或者噪声，就具有较大的梯度值。最简单的直方图变换方法，就是根据梯度值加权，梯度值小的象素权加大，梯度值大的象素权减小。这样，就可以使直方图的双峰更加突起，谷底更加凹陷。4.4 其它基于区域的全局阈值法松弛法利用邻域约束条件迭代改进线性方程系统的收敛特性，当用于图像阈值化时其思想是：首先根据灰度级按概率将像素分为“亮”和“暗”两类，然后按照领域像素的概率调整每个像素的概率，调整过程迭代进行，使得属于亮（暗）区域的像素“亮（暗）”的概率变得更大。其它还有许多方法利用灰度值和梯度值散射图，或者利用灰度值和平均灰度值散射图。5 局部阈值法和多阈值法5.1 局部阈值（动态阈值）当图像中有如下一些情况：有阴影，照度不均匀，各处的对比度不同，突发噪声，背景灰度变化等，如果只用一个固定的全局阈值对整幅图像进行分割，则由于不能兼顾图像各处的情况而使分割效果受到影响。有一种解决办法就是用与象素位置相关的一组阈值（即阈值使坐标的函数）来对图像各部分分别进行分割。这种与坐标相关的阈值也叫动态阈值，此方法也叫变化阈值法，或自适应阈值法。这类算法的时间复杂性可空间复杂性比较大，但是抗噪能力强，对一些用全局阈值不易分割的图像有较好的效果。例如，一幅照度不均（左边亮右边暗）的原始图像为：如果只选择一个全局阈值进行分割，那么将出现下面两种情况，都不能得到满意的效果。（阈值低，对亮区效果好，则暗区差） （阈值高，对暗区效果好，则亮区差）若使用局部阈值，则可分别在亮区和暗区选择不同的阈值，使得整体分割效果较为理性。（按两个区域取局部阈值的分割结果）进一步，若每个数字都用不同的局部阈值，则可达到更理想的分割效果。5.1.1 阈值插值法 首先将图像分解成系列子图，由于子图相对原图很小，因此受阴影或对比度空间变化等带来的问题的影响会比较小。然后对每个子图计算一个局部阈值（此时的阈值可用任何一种固定阈值选取方法）。通过对这些子图所得到的阈值进行插值，就可以得到对原图中每个象素进行分割所需要的合理阈值。这里对应每个象素的阈值合起来构成的一个曲面，叫做阈值曲面。5.1.2 水线阈值算法水线（也称分水岭或流域，watershed）阈值算法可以看成是一种特殊的自适应迭代阈值方法，它的基本思想是：初始时，使用一个较大的阈值将两个目标分开，但目标间的间隙很大；在减小阈值的过程中，两个目标的边界会相向扩张，它们接触前所保留的最后像素集合就给出了目标间的最终边界，此时也就得到了阈值。5.1.3 其它的局部阈值法文献[30]提出了一种基于阈值曲面的二维遗传算法。遗传算法是基于进化论中自然选择机理的、并行的、统计的随机化搜索方法，所以在图像处理中常用来确定分割阈值。 文献[31] [32]中提出一种基于局部梯度最大值的插值方法。首先平滑图像，并求得具有局部梯度最大值的像素点，然后利用这些像素点的位置和灰度在图像上内插，得到灰度级阈值表面。除此之外，典型的局部阈值方法还有White和Rohrer[33]的加权移动平均阈值方法，Perez和Gonzalez[34]的适用于非均匀照射下图像的局部阈值方法以及Shio[35]的与照射无关的对比度度量阈值方法等。总的来说，这类算法的时间和空间复杂度都较大，但是抗噪能力强，对一些使用全局阈值法不宜分割的图像具有较好的效果。5.2 多阈值法很显然，如果图像中含有占据不同灰度级区域的几个目标，则需要使用多个阈值才能将它们分开。其实多域值分割，可以看作单阈值分割的推广，前面讨论的大部分阈值化技术，诸如Otsu的最大类间方差法， Kapur的最大熵方法、矩量保持法和最小误差法等等都可以推广到多阈值的情形。以下介绍另外几种多阈值方法。5.2.1 基于小波的多域值方法。小波变换的多分辨率分析能力也可以用于直方图分析[36]，一种基于直方图分析的多阈值选取方法思路如下：首先在粗分辨率下，根据直方图中独立峰的个数确定分割区域的类数，这里要求独立峰应该满足三个条件：（1）具有一定的灰度范围；（2）具有一定的峰下面积；（3）具有一定的峰谷差。然后，在相邻峰之间确定最佳阈值，这一步可以利用多分辨的层次结构进行。首先在最低分辨率一层进行，然后逐渐向高层推进，直到最高分辨率。可以基于最小距离判据对在最低层选取的所有阈值逐层跟踪，最后以最高分辨率层的阈值为最佳阈值。5.2.2 基于边界点的递归多域值方法。这是一种递归的多阈值方法。首先，将象素点分为边界点和非边界点两类，边界点再根据它们的邻域的亮度分为较亮的边界点和较暗的边界点两类，然后用这两类边界点分别作直方图，取两个直方图中的最高峰多对应的灰度级作为阈值。接下去，再分别对灰度级高于和低于此阈值的像素点递归的使用这一方法，直至得到预定的阈值数。5.2.3 均衡对比度递归多域值方法。首先，对每一个可能阈值计算它对应于它的平均对比度 其中， 是阈值为 时图像总的对比度， 是阈值 检测到的边界点的数目。然后，选择 的直方图上的峰值所对应的灰度级为最佳阈值。对于多阈值情形，首先用这种方法确定一个初始阈值，接着，去掉初始阈值检测到的边界点的贡献再做一次 的直方图，并依据新的直方图选择下一个阈值。这一过程可以这样一直进行下去，直到任何阈值的最大平均对比度小于某个给定的限制为止。6 阈值化算法评价简介尽管人们在图像分割方面做了许多研究工作，但由于尚无通用的分割理论，现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。另一方面，给定一个实际图像分割问题要选择合用的分割算法也还没有标准的方法。为解决这些问题需要研究对图像分割的评价问题。分割评价是改进和提高现有算法性能、改善分割质量和指导新算法研究的重要手段。 然而，如同所有的图像分割方法一样，阈值化结果的评价是一个比较困难的问题。事实上对图像分割本身还缺乏比较系统的精确的研究，因此对其评价则更差一些。人们先后已经提出了几十个评价准则。这些准则中又有定性的，也有定量的；有分析算法的，也有检测实验结果的，文献[37]将它们大致分为13类。文献[4] 中选择摄影师、建筑物和模特三幅图像作为标准图像，并采用趋于一致性度量和形状参数对几种常用的全局阈值方法的分割结果进行了评价。结果表明对于这三幅图像，如果希望得到的二值图像比较均匀且目标的形状较好，推荐使用最大熵方法、矩量保持方法和最大类间方差法。文献[38] 中以磁盘及鹤模型作标准图像，在噪声条件下用错分概率、形状和均匀性度量作为标准评估了五种常见的整体阈值选取方法的性能。这五种方法是四元树方法、矩量保持法、最大类间方差法、最大熵方法和简单统计法。结果表明各种方法的性能不仅与所处理的图像有关，而且也和所选用的准则有关。该文献也指出，对于一般实时应用来说，可以选择最大类间方差方法和简单统计法。最后，评价的目的是为了能指导、改进和提高分割，如何把评价和分割应用联系起来尚有许多工作要做。一个可能的方法是结合人工智能技术，建立分割专家系统[45]，以有效的利用评价结果进行归纳推理，从而把对图像的分割由目前比较盲目的试验阶段推进到系统地实现的阶段。

硬质合金刀片棒材快速检测这个方案应用机器视觉检测技术，快速检测合金刀片的尺寸公差和形位公差、多种型号棒材的尺寸和外观，并进行自动分选和包装，设备整体没有易损件，维修成本极低。纺织机械轴承快速分选此案例由外壳测量分选设备和心轴测量分选设备组成，运用机器视觉检测技术和非接触式光学测量，快速检测上罗拉轴承的外壳和心轴，并自动分选。外壳部分主要运用了三点测径法原理，来实现内径尺寸和形位公差的测试；心轴部分主要应用了阴影投射原理测试，来实现尺寸和形位公差的测试。铁路轮对尺寸自动检测铁路轮对自动检测设备针对多种规格的火车轮对进行尺寸参数的测量。该产品应用了机器视觉检测设备、激光三角法测距、运动控制等多项先进技术，具有精度高、可靠性高、易于操作的特点，大大提高了企业的生产效率。气门尺寸自动检测本方案采用机器视觉检测技术路线，运用阴影投射原理测试气门轴向各截面的尺寸。光幕传感器沿气门轴向运动，通过扫描气门外形，获得气门轴向及径向尺寸；使气门转动，可通过光幕传感器获得径向跳动数据；并自动判定是否合格。

双边滤波器的定义双边滤波，Bilateral filter。是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。 双边滤波器的好处是可以做边缘保存edge preserving，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显的模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。 但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波，因此我们对于双边滤波器进行了改进，由于小波分解可以把信号分解为高频和低频部分，我们对于不同频率段进行不同的滤波。首先将彩色图像RGB模式转为CIE-LAB模式，然后做一次离散二维小波变换dwt2，对于高频的HH,LH,HL部分我们用Bayes shrink的阈值做了软门限soft thresholding，对于低频部分我们把它再进行分解，然后对高频做小波阈值，对低频采用双边滤波。

U=imread("yuan.jpg")" %读入图像改成U=imread("yuan.jpg") %读入图像

朋友，如果你已经得到了你想要的答案，希望不要关闭问题或说没有你想要的答案，有些问题是没有正确答案或者很难回答的，希望珍惜大家的帮助！谢谢 （^_^) 你的问题不好回答，我拿生产布匹来举个例子，希望对你有用。在布匹的生产过程中，像布匹质量检测这种有高度重复性和智能性的工作只能靠人工检测来完成,在现代化流水线后面常常可看到很多的检测工人来执行这道工序,给企业增加巨大的人工成本和管理成本的同时,却仍然不能保证100 %的检验合格率(即“零缺陷”) 。对布匹质量的检测是重复性劳动，容易出错且效率低。 流水线进行自动化的改造，使布匹生产流水线变成快速、实时、准确、高效的流水线。在流水线上，所有布匹的颜色、及数量都要进行自动确认（以下简称“布匹检测”）。现在采用机器视觉的自动识别技术完成以前由人工来完成的工作。在大批量的布匹检测中，用人工检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。 三、项目方案 机器视觉是在没有人工干预的情况下使用计算机来处理和分析图像信息并作出结论。机器视觉的特点是自动化、客观、非接触和高精度,与一般意义上的图像处理系统相比,机器视觉强调的是精度和速度,以及工业现场环境下的可靠性。 在机器视觉应用中，包括以下几个过程： 图像采集 通过光学系统，由相机采集图像，图像转换成数字格式式并传入计算机存储器。 图像处理 处理器运用不同的算法来处理对决策有重要影响的图像要素，如对图像进行颜色辨识,面积、长度测量，图像增强，边缘锐化，降噪等处理。 特性提取 处理器识别并量化图像的关键特性，例如布匹的颜色和杂质的形状等等。然后这些数据传送到控制程序。 判决和控制 处理器的控制程序根据收到的数据做出结论。例如：这些数据包括杂质的直径是否在要求规格之内或者布匹的颜色是否合格。 视觉系统一般包括：光源、光学系统、相机、图像处理单元、图像分析处理软件、监视器、通讯/输入输出单元等。布匹检测的机器视觉系统的组成如下图所示。视觉系统的输出是经过运算处理之后的检测结果——各种杂质的数量。计算机系统实时获得检测结果后,指挥运动系统或输入输出系统执行相应的控制动作（如分选）。图像处理软件 机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。 特征提取辨识 一般布匹检测（自动识别）先利用高清晰度、高速摄像镜头拍摄标准图像，在此基础上设定一定标准；然后拍摄被检测的图像，再将两者进行对比。但是在布匹质量检测工程中要复杂一些： 1． 图像的内容不是单一的图像，每块被测区域存在的杂质的数量、大小、颜色、位置不一定一致。 2． 杂质的形状难以事先确定。 3． 由于布匹快速运动对光线产生反射，图像中可能会存在大量的噪声。 4． 在流水线上，对布匹进行检测，有实时性的要求。 由于上述原因，图像识别处理时应采取相应的算法，提取杂质的特征，进行模式识别，实现智能分析。 我们使用德国Stemmer公司的机器视觉软件开发包-CVB中的color、blob工具，它适合于开发颜色模式识别和斑点的检测。 Color检测 一般而言，从彩色CCD相机中获取的图像都是RGB图像。也就是说每一个像素都由红(R)绿(G)篮(B)三个成分组成，来表示RGB色彩空间中的一个点。问题在于这些色差不同于人眼的感觉。即使很小的噪声也会改变颜色空间中的位置。所以无论我们人眼感觉有多么的近似，在颜色空间中也不尽相同。基于上述原因，我们需要将RGB像素转换成为另一种颜色空间CIELAB。目的就是使我们人眼的感觉尽可能的与颜色空间中的色差相近。 Blob检测 根据上面得到的处理图像，根据需求，在纯色背景下检测杂质色斑，并且要计算出色斑的面积,以确定是否在检测范围之内。因此图像处理软件要具有分离目标，检测目标，并且计算出其面积的功能。 Blob分析(Blob Analysis)是对图像中相同像素的连通域进行分析，该连通域称为Blob。经二值化(Binary Thresholding)处理后的图像中色斑可认为是blob。Blob分析工具可以从背景中分离出目标，并可计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。在处理过程中不是采用单个的像素逐一分析，而是对图形的行进行操作。图像的每一行都用游程长度编码(RLE)来表示相邻的目标范围。这种算法与基于象素的算法相比，大大提高处理速度。 结果处理和控制 应用程序把返回的结果存入数据库或用户指定的位置，并根据结果控制机械部分做相应的运动。 根据识别的结果，存入数据库进行信息管理。以后可以随时对信息进行检索查询，管理者可以获知某段时间内流水线的忙闲，为下一步的工作作出安排；可以获知近期内布匹的质量情况等等。 四、用户界面及操作 项目要求利用机器视觉技术，智能的识别出流水线上布匹的所有杂质以及它们的数量、大小。根据项目要求，我们设计如下： （1）图像显示区：实时的显示由相机采集的彩色图像，系统根据当前的图像内容实时的识别布匹信息。 （2）信息显示区：把图像的内容——各种杂质的数量实时的显示到表格里。系统当前状态（如：实时检测，停止检测，触发信号状态）实时的显示在状态显示栏中，以便于操作人员了解系统状态。 （3）信息管理区：管理人员可随时查看流水线的统计信息。操作人员可以灵活的配置系统的配置信息（如：数据库的配置，控制模块通讯配置，识别参数的校正）。权限管理控制系统使用者的操作权限，例如：只有高级操作人员才能对系统信息进行配置；只有拥有相应权限的人员才能查看统计信息。 五、布匹颜色学习工具 我们开发了布匹颜色学习工具，此工具界面友好，操作简单，如下图所示。布匹颜色学习工具 一种颜色应该提供多个模板图像进行训练，这样可以提高识别的能力。学习完毕后要保存成CLF文件，以后模式识别就按照保存特征进行识别。六．总结 视觉系统涉及到光学和图像处理算法，本身就是高度专业化的产品，尤其在整个识别控制系统中，还要与运动控制系统配合完成后续操作。在本项目的视觉系统中提取识别对象颜色特征值，然后采用模式识别的方法，识别出不合格区域然后使用斑点分析判断是否为杂质。同时提到了整个系统中各个部件的选择和用户界面的设计。 总之，应用机器视觉系统能够大幅降低检验成本，提高产品质量，加快生产速度和效率。对于现代化企业来说，意识到技术发展的趋势并首先付诸实施者无疑将走在竞争的前列。以上内容也是我到处找的，我能帮你的就这些了。

代码如下：function [accum, varargout] = CircularHough_Grd(img, radrange, varargin)%Detect circular shapes in a grayscale image. Resolve their center%positions and radii.%% [accum, circen, cirrad, dbg_LMmask] = CircularHough_Grd(% img, radrange, grdthres, fltr4LM_R, multirad, fltr4accum)% Circular Hough transform based on the gradient field of an image.% NOTE: Operates on grayscale images, NOT B/W bitmaps.% NO loops in the implementation of Circular Hough transform,% which means faster operation but at the same time larger% memory consumption.%%%%%%%%% INPUT: (img, radrange, grdthres, fltr4LM_R, multirad, fltr4accum)%% img: A 2-D grayscale image (NO B/W bitmap)%% radrange: The possible minimum and maximum radii of the circles% to be searched, in the format of% [minimum_radius , maximum_radius] (unit: pixels)% **NOTE**: A smaller range saves computational time and% memory.%% grdthres: (Optional, default is 10, must be non-negative)% The algorithm is based on the gradient field of the% input image. A thresholding on the gradient magnitude% is performed before the voting process of the Circular% Hough transform to remove the "uniform intensity"% (sort-of) image background from the voting process.% In other words, pixels with gradient magnitudes smaller% than "grdthres" are NOT considered in the computation.% **NOTE**: The default parameter value is chosen for% images with a maximum intensity close to 255. For cases% with dramatically different maximum intensities, e.g.% 10-bit bitmaps in stead of the assumed 8-bit, the default% value can NOT be used. A value of 4% to 10% of the maximum% intensity may work for general cases.%% fltr4LM_R: (Optional, default is 8, minimum is 3)% The radius of the filter used in the search of local% maxima in the accumulation array. To detect circles whose% shapes are less perfect, the radius of the filter needs% to be set larger.%% multirad: (Optional, default is 0.5)% In case of concentric circles, multiple radii may be% detected corresponding to a single center position. This% argument sets the tolerance of picking up the likely% radii values. It ranges from 0.1 to 1, where 0.1% corresponds to the largest tolerance, meaning more radii% values will be detected, and 1 corresponds to the smallest% tolerance, in which case only the "principal" radius will% be picked up.%% fltr4accum: (Optional. A default filter will be used if not given)% Filter used to smooth the accumulation array. Depending% on the image and the parameter settings, the accumulation% array built has different noise level and noise pattern% (e.g. noise frequencies). The filter should be set to an% appropriately size such that it"s able to suppress the% dominant noise frequency.%%%%%%%%% OUTPUT: [accum, circen, cirrad, dbg_LMmask]%% accum: The result accumulation array from the Circular Hough% transform. The accumulation array has the same dimension% as the input image.%% circen: (Optional)% Center positions of the circles detected. Is a N-by-2% matrix with each row contains the (x, y) positions% of a circle. For concentric circles (with the same center% position), say k of them, the same center position will% appear k times in the matrix.%% cirrad: (Optional)% Estimated radii of the circles detected. Is a N-by-1% column vector with a one-to-one correspondance to the% output "circen". A value 0 for the radius indicates a% failed detection of the circle"s radius.%% dbg_LMmask: (Optional, for debugging purpose)% Mask from the search of local maxima in the accumulation% array.%%%%%%%%%% EXAMPLE #0:% rawimg = imread("TestImg_CHT_a2.bmp");% tic;% [accum, circen, cirrad] = CircularHough_Grd(rawimg, [15 60]);% toc;% figure(1); imagesc(accum); axis image;% title("Accumulation Array from Circular Hough Transform");% figure(2); imagesc(rawimg); colormap("gray"); axis image;% hold on;% plot(circen(:,1), circen(:,2), "r+");% for k = 1 : size(circen, 1),% DrawCircle(circen(k,1), circen(k,2), cirrad(k), 32, "b-");% end% hold off;% title(["Raw Image with Circles Detected ", ...% "(center positions and radii marked)"]);% figure(3); surf(accum, "EdgeColor", "none"); axis ij;% title("3-D View of the Accumulation Array");%% COMMENTS ON EXAMPLE #0:% Kind of an easy case to handle. To detect circles in the image whose% radii range from 15 to 60. Default values for arguments "grdthres",% "fltr4LM_R", "multirad" and "fltr4accum" are used.%%%%%%%%%% EXAMPLE #1:% rawimg = imread("TestImg_CHT_a3.bmp");% tic;% [accum, circen, cirrad] = CircularHough_Grd(rawimg, [15 60], 10, 20);% toc;% figure(1); imagesc(accum); axis image;% title("Accumulation Array from Circular Hough Transform");% figure(2); imagesc(rawimg); colormap("gray"); axis image;% hold on;% plot(circen(:,1), circen(:,2), "r+");% for k = 1 : size(circen, 1),% DrawCircle(circen(k,1), circen(k,2), cirrad(k), 32, "b-");% end% hold off;% title(["Raw Image with Circles Detected ", ...% "(center positions and radii marked)"]);% figure(3); surf(accum, "EdgeColor", "none"); axis ij;% title("3-D View of the Accumulation Array");%% COMMENTS ON EXAMPLE #1:% The shapes in the raw image are not very good circles. As a result,% the profile of the peaks in the accumulation array are kind of% "stumpy", which can be seen clearly from the 3-D view of the% accumulation array. (As a comparison, please see the sharp peaks in% the accumulation array in example #0) To extract the peak positions% nicely, a value of 20 (default is 8) is used for argument "fltr4LM_R",% which is the radius of the filter used in the search of peaks.%%%%%%%%%% EXAMPLE #2:% rawimg = imread("TestImg_CHT_b3.bmp");% fltr4img = [1 1 1 1 1; 1 2 2 2 1; 1 2 4 2 1; 1 2 2 2 1; 1 1 1 1 1];% fltr4img = fltr4img / sum(fltr4img(:));% imgfltrd = filter2( fltr4img , rawimg );% tic;% [accum, circen, cirrad] = CircularHough_Grd(imgfltrd, [15 80], 8, 10);% toc;% figure(1); imagesc(accum); axis image;% title("Accumulation Array from Circular Hough Transform");% figure(2); imagesc(rawimg); colormap("gray"); axis image;% hold on;% plot(circen(:,1), circen(:,2), "r+");% for k = 1 : size(circen, 1),% DrawCircle(circen(k,1), circen(k,2), cirrad(k), 32, "b-");% hold off;% title(["Raw Image with Circles Detected ", ...% "(center positions and radii marked)"]);后续完整请参阅ilovematlab.cn/thread-74414-1-1.htmlO(∩_∩)O谢谢

1． X.Wang,” Finding median with the fewest comparisons,” in Conference on Signal Processing and Intelligent System,Guanzhou, p.96, Nov.1999.2． X.Wang,” Nolinear multi wavelet transform based soft thresholding,”IEEE Asia Pasific Conference on Circuits and System, p.775, Dec.2000.(ISTP)专著：王欣、王德隽，离散信号的滤波，电子工业出版社，2002.

阈值本来就是要调试才能确定的值，看你对图像处理的结果

Along with time development, the people unceasingly are also enhancing regarding the image picture nature request, therefore the imagery processing mentioned the research program comes up. Because the wavelet transformation its own has many fine characteristics, more and more are applied in the image denoising domain. And, wavelet threshold value denoising algorithm, because the principle and realizes simply, the application performance is good, in recent years has received the domestic and foreign scholar"s widespread attention. This article discusses based on the wavelet transformation image denoising method and realizes the process. Simultaneously also carries on the comparison with the value filter and the arithmetic mean value filter. The experiment simulation has indicated the wavelet threshold value denoising and the filter denoising difference.

风险评估。

硬阈值函数，英文对照hard threshold function或者hard thresholding。

本文提出了一种动态分析 联系板材金属模具压力分布 接口面板在正常和有缺陷的冲压业务。 具体来说，冲压一1.27 × 20 × 15厘米 长方形铝合金面板已模拟使用 有限元建模方法。模拟结果是 杠杆的力量来决定作用的传感器 嵌入在模具结构。根据这些结果的基础上， 定制的冲压试验台的设计，这 采用了力传感器阵列嵌入到 冲压模具，使在线测量中的力量 模具。这支部队由测量薄处理 板样条曲面插值方法，数值 评价一个持续的接触压力分布图 模具腔。模具型腔中的压力分布 正常的和有缺陷的情况已提交沿 与建议的体积自动阈值的方法 缺陷检测。通过利用数字地面 代方法，分析实验数据，目前 研究建立了智能工具和进程内的基础 改进观测监测表 金属冲压。

http://poseidon.tel.uva.es/~carlos/ltif10001/mardia.pdf

　　指纹识别系统是一个典型的模式识别系统，包括指纹图像获取、处理、特征提取和比对等模块。　　指纹图像获取：通过专门的指纹采集仪可以采集活体指纹图像。目前，指纹采集仪主要有活体光学式、电容式和压感式。对于分辨率和采集面积等技术指标，公安行业已经形成了国际和国内标准，但其他还缺少统一标准。根据采集指纹面积大体可以分为滚动捺印指纹和平面捺印指纹，公安行业普遍采用滚动捺印指纹。另外，也可以通过扫描仪、数字相机等获取指纹图像。　　指纹图像压缩：大容量的指纹数据库必须经过压缩后存储，以减少存储空间。主要方法包括JPEG、WSQ、EZW等。　　指纹图像处理：包括指纹区域检测、图像质量判断、方向图和频率估计、图像增强、指纹图像二值化和细化等。

ai***@163.com给你发了，请查收。

两步迭代算法

王众托，吴江宁，郭崇慧．信息与知识管理，电子工业出版社，2010．王延章，郭崇慧，叶鑫．管理决策方法，清华大学出版社，2010．郭崇慧，田凤占，靳晓明等译．数据挖掘教程(世界著名计算机教材精选)．清华大学出版社，2005．（M. H. Dunham. Data Mining: Introductory and Advanced Topics. Pearson Education, Inc., 2003.）唐焕文，唐一源，郭崇慧，陈克伟．神经信息学及应用，科学出版社，2007．郭崇慧等译．非线性规划．麻省理工学院开放课件，2007．郭崇慧译．学习的网络：分类与回归．麻省理工学院开放课件，2006.参编：管理运筹学：模型与方法（新坐标管理系列精品教材）．清华大学出版社，2008参编：数学模型引论(第三版)（国家级十五规划教材）．高等教育出版社，2005．（参加编写约4万字内容）参编：实用最优化方法（第三版）．大连理工大学出版社，2004．（参加编写约3万字内容） Zhen Zhang, Chonghui Guo. A Method for Multi-granularity Uncertain Linguistic Group Decision Making with Incomplete Weight Information. Knowledge-Based Systems, 2012, 26: 111-119.Zhen Zhang, Chonghui Guo. Association Rules Evaluation by a Hybrid Multiple Criteria Decision Method. International Journal of Knowledge and Systems Science, 2011, 2(3): 14-25.Hailin Li, Chonghui Guo, Piecewise cloud approximation for time series mining. Knowledge-Based Systems. 2011, 24(4): 492-500.Chonghui Guo, Fang Li. An improved algorithm for support vector clustering based on maximum entropy principle and kernel matrix. Expert Systems with Applications, 2011(7), 38: 8138-8143.Shanglei Chai, Chonghui Guo. Copula-Based Dependence Analysis of U.S. Stock Index and Futures Time Series in Financial Crisis. International Business and Management, 2011, 3(1): 82-85.Sumuya, Chonghui Guo, Yunhui Zang. Cluster Number Estimation Based on Normalized Cut Criterion in Spectral Clustering. ICIC Express Letters, 2011, 5(1): 155-161.Hongjuan Zhang, Zhenwei Shi, Chonghui Guo.Blind source extraction based on generalized autocorrelations and non-Gaussianity. Neurocomputing, 2009, 72 (10-12): 2556-2562.Hongjuan Zhang, Zhenwei Shi, Chonghui Guo, Enmin Feng. Semi-blind source extraction algorithm for fetal electrocardiogram based on generalized autocorrelations and reference signals, Journal of Computational and Applied Mathematics, 2009, 223(1): 409-420Yumin Yang, Chonghui Guo, Zunquan Xia. Independent component analysis for time-dependent processes using AR source model. Neural Processing Letters, 2008, 27(3): 227-236.Yumin Yang, Chonghui Guo. Gaussian moments for noisy unifying model. Neurocomputing, 2008, 71(16-18): 3656-3659Hongjuan Zhang, Zhenwei Shi, Chonghui Guo and Enmin Feng. Blind Source Extraction for Noisy Mixtures by Combining Gaussian Moments and Generalized Autocorrelations. Neural Processing Letters, 2008, 28(3): 209-225.Hongjuan Zhang, Chonghui Guo, Zhenwei Shi, Enmin Feng. A new constrained fixed-point algorithm for ordering independent components, Journal of Computational and Applied Mathematics. 2008, 220(1-2): 548-558Hongjuan Zhang, Zhenwei Shi, Chonghui Guo, Enmin Feng. A two-stage source extraction algorithm for temporally correlated signals based on ICA-R, Journal of Applied Mathematics & Informatics. 2008, 26(5-6):1149-1159.Shaoyan Sun, Liwei Zhang, Chonghui Guo. MI-based image registration using a new histogram estimation scheme. International Journal of Pure and Applied Mathematics, 2007, 37(1): 19-28.Shaoyan Sun, Liwei Zhang, Chonghui Guo. Medical image registration by minimizing divergence measure based on Tsallis entropy. International Journal of Biomedical Sciences, 2007, 2(2), 75-80.Yiyan Qin, Huanwen Tang, Chonghui Guo. Channel coordination and volume discounts with price-sensitive demand. International Journal of Production Economics, 2007, 105(1): 43-53Bing Wang, Huanwen Tang, Zhilong Xiu，Chonghui Guo. Optimizing synchronizability of scal-free networks in geographical space, Chinese Physics Letters, 2006, 23(11): 3123-3126Bing Wang, Huanwen Tang, Chonghui Guo, Zhilong Xiu and Tao Zhou. Optimization of network structure to random failure. Physica A: Statistical Mechanics and its Applications, 2006, 368(2): 607-614Bing Wang, Huanwen Tang, Chonghui Guo and Zhilong Xiu. Entropy optimization of scale-free networks" robustness to random failures. Physica A: Statistical Mechanics and its Applications, 2006, 363(2): 591-596Zhongzhi Zhang, Lili Rong and Chonghui Guo. A deterministic small-world network created by edge iterations. Physica A: Statistical Mechanics and its Applications, 2006, 363(2): 567-572Chonghui Guo, Yuchang Lu, Huanwen Tang. A Modified Evolutionary Algorithm for Global Optimization. Journal of Systems Engineering and Electronics. 2004, 15(1), 1-6Chonghui Guo, Huanwen Tang．Asymptotic stability and balanced growth of the singular dynamic input-output system．Journal of Systems Science and Information, 2004, 2(1), 19-25.Chonghui Guo, Huanwen Tang．Optimization models and algorithms of inverse problem for input-output analysis．OR Transaction，2002，6（2），1-8Chonghui Guo, Huanwen Tang．Stability analysis of the dynamic input-output system．Appl. Math. J. Chinese Univ. Ser. B，2002，17（4），473-478Chonghui Guo, Huanwen Tang. Global convergence properties of evolution strategy．Chinese J. Num. Math. & Appl.，2001，23（2），78-84Chonghui Guo, Huanwen Tang, Liwei Zhang．Global convergence for a class of conjugate gradient methods．OR Transaction，1999，3（2），46-49 李海林，郭崇慧，邱望仁．正态云模型相似度计算方法．电子学报, 2011, 39 (11): 2561-2567.郭崇慧，苏木亚．基于独立成分分析的时间序列多路归一化割谱聚类方法．系统工程理论与实践，2011，31(10): 1921- 1931．郭崇慧，张艳昌．基于率失真理论的模糊聚类模型与算法．情报学报, 2011, 30(8): 812-818.郭崇慧，庞军．一种求解单一簇的模糊双聚类算法．系统工程学报, 2011, 26(6): 857-866.柴尚蕾，郭崇慧，张震．国际股指波动性的非对称效应异方差模型及聚类分析．系统管理学报，2011，20（2）：137-142．柴尚蕾，郭崇慧，苏木亚．基于ICA模型的国际股指期货及股票市场对我国股市波动溢出研究．中国管理科学，2011，19（3）：11-18．郭崇慧，张震．基于组合评价方法的关联规则兴趣度评价．情报学报，2011, 30(4), 353-360郭崇慧，李芳．基于核矩阵的改进支持向量聚类算法．情报学报，2010, 29(3), 422-427郭崇慧，张娜．基于共邻矩阵的复杂网络社区结构分析方法．系统工程理论与与实践，2010, 30 (6), 1077-1084郭崇慧，谷超，江贺．求解旅行商问题的一种改进粒子群算法．运筹与管理，2010, 19(5)：20-26.国涓，郭崇慧，凌煜．中国工业部门能源反弹效应研究．数量经济技术经济研究，2010, 27(11)： 114-126国涓，凌煜，郭崇慧．中国工业部门能源消费反弹效应的估算——基于技术进步视角的实证研究．资源科学，2010, 32(10)：1839-1845.国涓，项吉宁，郭崇慧．空间影响与环境库兹涅茨曲线:基于空间经济计量方法的实证分析．数理统计与管理，2009, 28(4), 678-684郭崇慧，张亮．基于PCA的复杂网络社区结构分析方法．运筹与管理，2008, 17(6), 144-149郭崇慧，贾宏峰，张娜．基于ICA的时间序列聚类方法及其在股票数据分析中的应用．运筹与管理，2008, 17(5), 120-124郭崇慧，覃华勤．一种改进的禁忌搜索算法及其在选址问题中的应用．运筹与管理，2008, 17(1), 18-23覃毅延，郭崇慧. 在弹性需求和物品易变质条件下数量折扣定价模型. 管理学报, 2007, 4(2), 163-168郭崇慧，岳晓辉．一种改进的禁忌搜索算法及其在连续全局优化中的应用．运筹与管理，2007, 16(4), 6-11鲁明羽, 沈抖, 郭崇慧, 陆玉昌. 面向网页分类的网页摘要方法. 电子学报, 2006, 34(8): 1475-1480覃毅延，唐焕文，郭崇慧. 需求随价格变化的具有折扣的易变质物品的库存模型.运筹与管理，2006，15(4): 22-26.李刚,郭崇慧, 林鸿飞, 杨志豪,唐焕文.基于词典法和机器学习法相结合的蛋白质名识别,计算机与应用化学, 2006, 23(6): 395-398.郭崇慧，孙建涛，陆玉昌．广义支持向量机优化问题的极大熵方法，系统工程理论与实践，2005，25(6),25-32郭崇慧，陆玉昌．预测型数据挖掘中的优化方法，工程数学学报，2005，22(1),25-29.岳晓辉，唐焕文，郭崇慧．一种禁忌搜索算法在二维HP非格模型中的应用，计算机与应用化学，2005，22(12): 1101-1105.郭崇慧，唐焕文．动态投入产出模型的解及灵敏度分析．大连理工大学学报，2004，44（1），151－153．孙建涛，郭崇慧，陆玉昌，石纯一．多项式核支持向量机文本分类器泛化性能研究．计算机研究与发展，2004，41(8)，1321-1326郭崇慧，唐焕文．修订直接消耗系数的熵优化模型与算法．系统工程学报，2003，18（5），431-437．郭崇慧，唐焕文．干线公路网等级结构优化模型与算法．运筹学学报，2002，6（4），69-74郭崇慧，唐焕文．一种改进的进化规划算法及其收敛性．高校计算数学学报，2002，24（1），51-56郭崇慧，唐焕文．演化策略的全局收敛性．计算数学，2001，23（1），105-110 (MR:1824949)郭崇慧，唐焕文．宏观经济智能预测模型体系研究．运筹与管理，2001，10（4），1-8郭崇慧，唐焕文．论宏观经济智能预测系统中的综合集成技术应用．中国软科学，2001，12，111-114唐焕文，郭崇慧，张立卫．一种混合的HS—FR共轭梯度算法．大连理工大学学报，1999，39（2），132-136李宏，唐焕文，郭崇慧．一类进化策略的收敛性分析．运筹学学报，1999，3（4），79-83 Hailin Li, Chonghui Guo, Libin Yang. A Method of Similarity Measure and Visualization for Long Time Series Using Binary Patterns. PAKDD Workshops, 2011: 136-147.Chonghui Guo, Yanchang Zhang. Time Series Similarity Measure Based on the Function of Degree of Disagreement. KSEM 2011: 103-111.Chonghui Guo, Hailin Li, Donghua Pan. An improved piecewise aggregate approximation based on statistical features for time series mining. KSEM2010, LNAI 6291, pp. 234-244, 2010.Shanglei Chai, Chonghui Guo.The co-integrating relationship between stock index and futures prices. Proceedings - 2009 International Conference on New Trends in Information and Service Science, NISS 2009, pp. 1389-1392, 2009.Sumuya, Chonghui Guo. A note on spectral clustering method based on normalized cut criterion. Proceedings of the 2009 Chinese Conference on Pattern Recognition, CCPR 2009, and the 1st CJK Joint Workshop on Pattern Recognition, CJKPR, pp. 799-803, 2009.Hongjuan Zhang, Chonghui Guo, Zhenwei Shi, Enmin Feng. Nonlinear Innovation to Noisy Blind Source Separation Based on Gaussian Moments. ICIC2008, LNAI 5227, pp. 709-716, 2008.Chonghui guo, Hong Li. Multilevel Thresholding Method for Image Segmentation Based on an Adaptive Particle Swarm Optimization Algorithm, AI 2007, LNAI 4830, pp. 654–658, 2007Yumin Yang, Chonghui Guo, Zunquan Xia. An EM Algorithm for Independent Component Analysis Using an AR-GGD Source Model, AI 2007, LNAI 4830, pp. 816–820, 2007Shaoyan Sun, Chonghui Guo. Medical image registration by maximizing a hybrid normalized mutual information. Proceedings of the 1st International Conference on Bioinformatics and Biomedical Engineering, Pages 964-967, IEEE Press, 2007Shaoyan Sun, Chonghui Guo. Image registration by minimizing Tsallis divergence measure. The 4th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD"07), Pages 712-715, IEEE Press.Chonghui Guo, Ping Zhu, Huanwen Tang, Mingyu Lu. An Improved Simulated Annealing Algorithm and its Application to Protein Structure Prediction. Proceedings of the 6th World Congress on Intelligent Control and Automation, Pages9381-9385,IEEE Press, 2006.Chonghui Guo, Mingyu Lu, Jiantao Sun, Yuchang Lu. A new algorithm for computing the minimal enclosing sphere in feature space. Lecture Notes in Artificial Intelligence, 3614(2): 196-204, Part 2, 2005.Mingyu Lu, Chonghui Guo, Jiantao Sun, Yuchang Lu. A SVM Method for Web Page Categorization Based on Weight Adjustment and Boosting Mechanism. Lecture Notes in Artificial Intelligence, 3614: 801-810, Part 2, 2005.Chonghui Guo, Huanwen Tang, Yuchang Lu. Study on macroeconomic modeling for forecasting and development planning. In: Jifa Gu et al, editors, Knowledge and Systems Science: Towards Meta-synthetic Support for Decision Making. Pages95-99, Global-Link Publisher, 2003.Chonghui Guo, Huanwen Tang, Yuchang Lu. Study on Input-Output Techniques for Macroeconomic Systems Analysis. The 3rd International Workshop on Meta-Synthesis and Complex System. November 29-December 1, 2003, Guangzhou, China.Chonghui Guo, Huanwen Tang. A modified evolutionary algorithm with chaos search for n-dimensional global optimization. In: Ya-xiang Yuan, editor, Numerical Linear Algebra and Optimization. Pages172-179, Science Press, 2003.Fengzhan Tian, Chonghui Guo, Yuchang Lu. Macroeconomic Systems Modeling with DBNs. Pages 60-62 in M. Makowski, editor. The 17th JISR-IIASA Workshop on Methodologies and Tools for Complex Systems Modeling and Integrated Policy Assessment. 8-10, September, 2003, IIASA, Laxenburg, Austria.Chonghui Guo, Huanwen Tang．Macroeconomic forecasting methods and meta-synthesis．In: Jifa Gu, editor, Systems Engineering, Systems Science and Complexity Research．Pages　165-171, Research Information Ltd., United Kingdom, 2000. 郭崇慧.独立成分分析中的优化方法及应用. 2008全国数学规划学术会议. 8月6-9日，辽宁大连。郭崇慧.支持向量机优化问题的熵优化方法，2006 年全国数学规划会议，4月22－4月25日，广西南宁。王冰,唐焕文,郭崇慧.熵优化无尺度网络的容错能力.第二届全国复杂动态网络学术论坛论文集, 455-459. 2005年10月16-19日,中国高等科学技术中心,北京.刘子阳，郭崇慧. 应用支持向量回归方法预测胎儿体重，大连理工大学生物医学工程学术论文集，352-358，大连理工大学出版社，2005年.郭崇慧，唐焕文，陆玉昌．基于人工神经网络的宏观经济预测系统．第十二届中国神经网络学术会议论文集，人民邮电出版社，2002，630-635唐焕文，郭崇慧等．几种进化算法的比较及计算效率分析．2001年全国数学规划与运筹学研讨会论文集．贵州大学学报，2001，18(增刊)，1-7唐焕文，郭崇慧，张艳．我国宏观经济预测的简要综述．中国运筹学会第六届学术交流会论文集，Global-Link Publishing Company, Hong Kong，2000，100-106.

ROI（region of interest），感兴趣区域。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子（Operator）和函数来求得感兴趣区域ROI，并进行图像的下一步处理。扩展资料ROI起源于人眼的视觉独特性，人眼的视觉过程大致为视网膜成像，大脑接收信息并做出初步的分析，产生视觉注意力聚集，并且最后对重点区域做关注。为了更好地认识这个纷繁复杂的世界，人类进化出了一套独特的视觉系统——中央凹成像系统，当我们看东西时，眼睛聚焦的地方会看得更加清晰，而对于周围区域只能看个大概，这种成像方式既能让我们看清关键物体的细节，又能具有较大的视野。例如，人在开车过程中，既能看清前面的路，又能兼顾两侧，观察交通状况，就是中央凹成像系统的功劳。前方的道路和车辆就是人眼主观关注和感兴趣区域（ROI），对于周边的蓝天、草地等区域人眼并不会产生过多关注，这类周边区域就是非关注区域。参考资料来源：百度百科-ROI（感兴趣区域）