時(shí)間：2023-03-29 09:24:38
序論：在您撰寫(xiě)圖像處理技術(shù)論文時(shí)，參考他人的優(yōu)秀作品可以開(kāi)闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。
論文摘要：隨著醫(yī)學(xué)成像和計(jì)算機(jī)輔助技術(shù)的發(fā)展，從二維醫(yī)學(xué)圖像到三維可視化技術(shù)成為研究的熱點(diǎn)，本文介紹了醫(yī)學(xué)圖像處理技術(shù)的發(fā)展動(dòng)態(tài)，對(duì)圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行了綜述。在比較各種技術(shù)在相關(guān)領(lǐng)域中應(yīng)用的基礎(chǔ)上，提出了醫(yī)學(xué)圖像處理技術(shù)發(fā)展所面臨的相關(guān)問(wèn)題及其發(fā)展方向。
1．引言
近20多年來(lái)，醫(yī)學(xué)影像已成為醫(yī)學(xué)技術(shù)中發(fā)展最快的領(lǐng)域之一，其結(jié)果使臨床醫(yī)生對(duì)人體內(nèi)部病變部位的觀察更直接、更清晰，確診率也更高。20世紀(jì)70年代初，X-CT的發(fā)明曾引發(fā)了醫(yī)學(xué)影像領(lǐng)域的一場(chǎng)革命，與此同時(shí)，核磁共振成像象(MRI:MagneticResonanceImaging)、超聲成像、數(shù)字射線照相術(shù)、發(fā)射型計(jì)算機(jī)成像和核素成像等也逐步發(fā)展。計(jì)算機(jī)和醫(yī)學(xué)圖像處理技術(shù)作為這些成像技術(shù)的發(fā)展基礎(chǔ)，帶動(dòng)著現(xiàn)代醫(yī)學(xué)診斷正產(chǎn)生著深刻的變革。各種新的醫(yī)學(xué)成像方法的臨床應(yīng)用，使醫(yī)學(xué)診斷和治療技術(shù)取得了很大的進(jìn)展，同時(shí)將各種成像技術(shù)得到的信息進(jìn)行互補(bǔ)，也為臨床診斷及生物醫(yī)學(xué)研究提供了有力的科學(xué)依據(jù)。
在目前的影像醫(yī)療診斷中,主要是通過(guò)觀察一組二維切片圖象去發(fā)現(xiàn)病變體,往往需要借助醫(yī)生的經(jīng)驗(yàn)來(lái)判定。至于準(zhǔn)確的確定病變體的空間位置、大小、幾何形狀及與周?chē)锝M織的空間關(guān)系,僅通過(guò)觀察二維切片圖象是很難實(shí)現(xiàn)的。因此,利用計(jì)算機(jī)圖象處理技術(shù)對(duì)二維切片圖象進(jìn)行分析和處理,實(shí)現(xiàn)對(duì)人體器官、軟組織和病變體的分割提取、三維重建和三維顯示,可以輔助醫(yī)生對(duì)病變體及其它感興趣的區(qū)域進(jìn)行定性甚至定量的分析,可以大大提高醫(yī)療診斷的準(zhǔn)確性和可靠性。此外,它在醫(yī)療教學(xué)、手術(shù)規(guī)劃、手術(shù)仿真及各種醫(yī)學(xué)研究中也能起重要的輔助作用。
本文對(duì)醫(yī)學(xué)圖像處理技術(shù)中的圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行了綜述。
2．醫(yī)學(xué)圖像三維可視化技術(shù)
2.1三維可視化概述
醫(yī)學(xué)圖像的三維可視化的方法很多，但基本步驟大體相同，如圖.。從#$/&’(或超聲等成像系統(tǒng)獲得二維斷層圖像，然后需要將圖像格式（如0(#1&）轉(zhuǎn)化成計(jì)算機(jī)方便處理的格式。通過(guò)二維濾波，減少圖像的噪聲影響，提高信噪比和消除圖像的尾跡。采取圖像插值方法，對(duì)醫(yī)學(xué)關(guān)鍵部位進(jìn)行各向同性處理，獲得體數(shù)據(jù)。經(jīng)過(guò)三維濾波后，不同組織器官需要進(jìn)行分割和歸類(lèi)，對(duì)同一部位的不同圖像進(jìn)行配準(zhǔn)和融合，以利于進(jìn)一步對(duì)某感興趣部位的操作。根據(jù)不同的三維可視化要求和系統(tǒng)平臺(tái)的能力，選擇不同的方法進(jìn)行三維體繪制，實(shí)現(xiàn)三維重構(gòu)。
2.2關(guān)鍵技術(shù)：
圖像分割是三維重構(gòu)的基礎(chǔ)，分割效果直接影像三維重構(gòu)的精確度。圖像分割是將圖像分割成有意義的子區(qū)域，由于醫(yī)學(xué)圖像的各區(qū)域沒(méi)有清楚的邊界，為了解決在醫(yī)學(xué)圖像分割中遇到不確定性的問(wèn)題，引入模糊理論的模糊閥值、模糊邊界和模糊聚類(lèi)等概念?？焖贉?zhǔn)確的分離出解剖結(jié)構(gòu)和定位區(qū)域位置和形狀，自動(dòng)或半自動(dòng)的圖像分割方法是非常重要的。在實(shí)際應(yīng)用中有聚類(lèi)法、統(tǒng)計(jì)學(xué)模型、彈性模型、區(qū)域生長(zhǎng)、神經(jīng)網(wǎng)絡(luò)等適用于醫(yī)學(xué)圖像分割的具體方法。
由于可以對(duì)同一部位用不同的成像儀器多次成像，或用同一臺(tái)儀器多次成像，這樣產(chǎn)生了多模態(tài)圖像。多模態(tài)圖像提供的信息經(jīng)常相互覆蓋和具有互補(bǔ)性，為了綜合使用多種成像模式以提供更全面的信息，需要對(duì)各個(gè)模態(tài)的原始圖像進(jìn)行配準(zhǔn)和數(shù)據(jù)融合，其整個(gè)過(guò)程稱(chēng)為數(shù)據(jù)整合。整合的第一步是將多個(gè)醫(yī)學(xué)圖像的信息轉(zhuǎn)換到一個(gè)公共的坐標(biāo)框架內(nèi)的研究，使多幅圖像在空間域中達(dá)到幾何位置的完全對(duì)應(yīng)，稱(chēng)為三維醫(yī)學(xué)圖像的配準(zhǔn)問(wèn)題。建立配準(zhǔn)關(guān)系后，將多個(gè)圖像的數(shù)據(jù)合成表示的過(guò)程，稱(chēng)為融合。在醫(yī)學(xué)應(yīng)用中，不同模態(tài)的圖像還提供了不互相覆蓋的結(jié)構(gòu)互補(bǔ)信息，比如，當(dāng)CT提供的是骨信息，MRI提供的關(guān)于軟組織的信息，所以可以用邏輯運(yùn)算的方法來(lái)實(shí)現(xiàn)它們圖像的合成。
當(dāng)分割歸類(lèi)或數(shù)據(jù)整合結(jié)束后，對(duì)體數(shù)據(jù)進(jìn)行體繪制。體繪制一般分為直接體繪制和間接體繪制，由于三維醫(yī)學(xué)圖像數(shù)據(jù)量很大，采用直接體繪制方法，計(jì)算量過(guò)重，特別在遠(yuǎn)程應(yīng)用和交互操作中，所以一般多采用間接體繪制。在圖形工作站上可以進(jìn)行直接體繪制，近來(lái)隨著計(jì)算機(jī)硬件快速發(fā)展，新的算法，如三維紋理映射技術(shù)，考慮了計(jì)算機(jī)圖形硬件的特定功能及體繪制過(guò)程中的各種優(yōu)化方法，從而大大地提高了直接體繪制的速度。體繪制根據(jù)所用的投影算法不同加以分類(lèi)，分為以對(duì)象空間為序的算法（又稱(chēng)為體素投影法）和以圖像空間為序的算法!又稱(chēng)為光線投射法"，一般來(lái)說(shuō)，體素投影法繪制的速度比光線投射法快。由于三維醫(yī)學(xué)圖像的繪制目的在于看見(jiàn)內(nèi)部組織的細(xì)節(jié)，真實(shí)感并不是最重要的，所以在醫(yī)學(xué)應(yīng)用中的繪制要突出特定診斷所需要的信息，而忽略無(wú)關(guān)信息。另外，高度的可交互性是三維醫(yī)學(xué)圖像繪制的另一個(gè)要求，即要求一些常見(jiàn)操作，如旋轉(zhuǎn)，放大，移動(dòng)，具有很好的實(shí)時(shí)性，或至少是在一個(gè)可以忍受的響應(yīng)時(shí)間內(nèi)完成。這意味著在醫(yī)學(xué)圖像繪制中，繪制時(shí)間短的可視化方法更為實(shí)用。
未來(lái)的三維可視化技術(shù)將與虛擬現(xiàn)實(shí)技術(shù)相結(jié)合，不僅僅是獲得體數(shù)據(jù)的工具，更主要的是能創(chuàng)造一個(gè)虛擬環(huán)境。
3．醫(yī)學(xué)圖像分割
醫(yī)學(xué)圖像分割就是一個(gè)根據(jù)區(qū)域間的相似或不同把圖像分割成若干區(qū)域的過(guò)程。目前,主要以各種細(xì)胞、組織與器官的圖像作為處理的對(duì)象，圖像分割技術(shù)主要基于以下幾種理論方法。
3.1基于統(tǒng)計(jì)學(xué)的方法
統(tǒng)計(jì)方法是近年來(lái)比較流行的醫(yī)學(xué)圖像分割方法。從統(tǒng)計(jì)學(xué)出發(fā)的圖像分割方法把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量,觀察到的圖像是對(duì)實(shí)際物體做了某種變換并加入噪聲的結(jié)果,因而要正確分割圖像,從統(tǒng)計(jì)學(xué)的角度來(lái)看,就是要找出以最大的概率得到該圖像的物體組合。用吉布斯（Gibbs）分布表示的Markov隨機(jī)場(chǎng)(MRF)模型,能夠簡(jiǎn)單地通過(guò)勢(shì)能形式表示圖像像素之間的相互關(guān)系,因此周剛慧等結(jié)合人腦MR圖像的空間關(guān)系定義Markov隨機(jī)場(chǎng)的能量形式,然后通過(guò)最大后驗(yàn)概率(MAP)方法估計(jì)Markov隨機(jī)場(chǎng)的參數(shù),并通過(guò)迭代方法求解。層次MRF采用基于直方圖的DAEM算法估計(jì)標(biāo)準(zhǔn)有限正交混合(SFNM)參數(shù)的全局最優(yōu)值,并基于MRF先驗(yàn)參數(shù)的實(shí)際意義,采用一種近似的方法來(lái)簡(jiǎn)化這些參數(shù)的估計(jì)。林亞忠等采用的混合金字塔Gibbs隨機(jī)場(chǎng)模型,有效地解決了傳統(tǒng)最大后驗(yàn)估計(jì)計(jì)算量龐大和Gibbs隨機(jī)場(chǎng)模型參數(shù)無(wú)監(jiān)督及估計(jì)難等問(wèn)題,使分割結(jié)果更為可靠。
3.2基于模糊集理論的方法
醫(yī)學(xué)圖像一般較為復(fù)雜，有許多不確定性和不精確性，也即模糊性。所以有人將模糊理論引入到圖像處理與分析中，其中包括用模糊理論來(lái)解決分割問(wèn)題。基于模糊理論的圖形分割方法包括模糊閾值分割方法、模糊聚類(lèi)分割方法等。模糊閾值分割技術(shù)利用不同的S型隸屬函數(shù)來(lái)定義模糊目標(biāo)，通過(guò)優(yōu)化過(guò)程最后選擇一個(gè)具有最小不確定性的S函數(shù)，用該函數(shù)表示目標(biāo)像素之間的關(guān)系。這種方法的難點(diǎn)在于隸屬函數(shù)的選擇。模糊C均值聚類(lèi)分割方法通過(guò)優(yōu)化表示圖像像素點(diǎn)與C各類(lèi)中心之間的相似性的目標(biāo)函數(shù)來(lái)獲得局部極大值，從而得到最優(yōu)聚類(lèi)。Venkateswarlu等[改進(jìn)計(jì)算過(guò)程，提出了一種快速的聚類(lèi)算法。
3.2.1基于模糊理論的方法
模糊分割技術(shù)是在模糊集合理論基礎(chǔ)上發(fā)展起來(lái)的,它可以很好地處理MR圖像內(nèi)在的模糊性和不確定性,而且對(duì)噪聲不敏感。模糊分割技術(shù)主要有模糊閾值、模糊聚類(lèi)、模糊邊緣檢測(cè)等。在各種模糊分割技術(shù)中,近年來(lái)模糊聚類(lèi)技術(shù),特別是模糊C-均值(FCM)聚類(lèi)技術(shù)的應(yīng)用最為廣泛。FCM是一種非監(jiān)督模糊聚類(lèi)后的標(biāo)定過(guò)程,非常適合存在不確定性和模糊性特點(diǎn)的MR圖像。然而,FCM算法本質(zhì)上是一種局部搜索尋優(yōu)技術(shù),它的迭代過(guò)程采用爬山技術(shù)來(lái)尋找最優(yōu)解,因此容易陷入局部極小值,而得不到全局最優(yōu)解。近年來(lái)相繼出現(xiàn)了許多改進(jìn)的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研究熱點(diǎn)。FFCM算法對(duì)傳統(tǒng)FCM算法的初始化進(jìn)行了改進(jìn),用K-均值聚類(lèi)的結(jié)果作為模糊聚類(lèi)中心的初值,通過(guò)減少FCM的迭代次數(shù)來(lái)提高模糊聚類(lèi)的速度。它實(shí)際上是兩次尋優(yōu)的迭代過(guò)程,首先由K-均值聚類(lèi)得到聚類(lèi)中心的次最優(yōu)解,再由FCM進(jìn)行模糊聚類(lèi),最終得到圖像的最優(yōu)模糊分割。
3.2.2基于神經(jīng)網(wǎng)絡(luò)的方法
按拓?fù)錂C(jī)構(gòu)來(lái)分,神經(jīng)網(wǎng)絡(luò)技術(shù)可分為前向神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。目前已有各種類(lèi)型的神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)圖像分割,如江寶釧等利用MRI多回波性,采用有指導(dǎo)的BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器,對(duì)腦部MR圖像進(jìn)行自動(dòng)分割。而Ahmed和Farag則是用自組織Kohenen網(wǎng)絡(luò)對(duì)CT/MRI腦切片圖像進(jìn)行分割和標(biāo)注,并將具有幾何不變性的圖像特征以模式的形式輸入到Kohenen網(wǎng)絡(luò),進(jìn)行無(wú)指導(dǎo)的體素聚類(lèi),以得到感興趣區(qū)域。模糊神經(jīng)網(wǎng)絡(luò)(FNN)分割技術(shù)越來(lái)越多地得到學(xué)者們的青睞,黃永鋒等提出了一種基于FNN的顱腦MRI半自動(dòng)分割技術(shù),僅對(duì)神經(jīng)網(wǎng)絡(luò)處理前和處理后的數(shù)據(jù)進(jìn)行模糊化和去模糊化,其分割結(jié)果表明FNN分割技術(shù)的抗噪和抗模糊能力更強(qiáng)。
3.2.3基于小波分析的分割方法
小波變換是近年來(lái)得到廣泛應(yīng)用的一種數(shù)學(xué)工具，由于它具有良好的時(shí)一頻局部化特征、尺度變化特征和方向特征，因此在圖像處理上得到了廣泛的應(yīng)用。
小波變換和分析作為一種多尺度多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊緣檢測(cè)，典型的有如Mallat小波模極大值邊緣檢測(cè)算法[6
3.3基于知識(shí)的方法
基于知識(shí)的分割方法主要包括兩方面的內(nèi)容:(1)知識(shí)的獲取,即歸納提取相關(guān)知識(shí),建立知識(shí)庫(kù)；(2)知識(shí)的應(yīng)用,即有效地利用知識(shí)實(shí)現(xiàn)圖像的自動(dòng)分割。其知識(shí)來(lái)源主要有:(1)臨床知識(shí),即某種疾病的癥狀及它們所處的位置；(2)解剖學(xué)知識(shí),即某器官的解剖學(xué)和形態(tài)學(xué)信息,及其幾何學(xué)與拓?fù)鋵W(xué)的關(guān)系,這種知識(shí)通常用圖譜表示；(3)成像知識(shí),這類(lèi)知識(shí)與成像方法和具體設(shè)備有關(guān)；(4)統(tǒng)計(jì)知識(shí),如MI的質(zhì)子密度(PD)、T1和T2統(tǒng)計(jì)數(shù)據(jù)。Costin等提出了一種基于知識(shí)的模糊分割技術(shù),首先對(duì)圖像進(jìn)行模糊化處理,然后利用相應(yīng)的知識(shí)對(duì)各組織進(jìn)行模糊邊緣檢測(cè)。而謝逢等則提出了一種基于知識(shí)的人腦三維醫(yī)學(xué)圖像分割顯示的方法。首先,以框架為主要表示方法,建立完整的人腦三維知識(shí)模型,包含腦組織幾何形態(tài)、生理功能、圖像灰度三方面的信息；然后,采用“智能光線跟蹤”方法,在模型知識(shí)指導(dǎo)下直接從體積數(shù)據(jù)中提取并顯示各組織器官的表面。
3.4基于模型的方法
該方法根據(jù)圖像的先驗(yàn)知識(shí)建立模型,有動(dòng)態(tài)輪廓模型(ActiveContourModel,又稱(chēng)Snake)、組合優(yōu)化模型等,其中Snake最為常用。Snake算法的能量函數(shù)采用積分運(yùn)算,具有較好的抗噪性,對(duì)目標(biāo)的局部模糊也不敏感,但其結(jié)果常依賴于參數(shù)初始化,不具有足夠的拓?fù)溥m應(yīng)性,因此很多學(xué)者將Snake與其它方法結(jié)合起來(lái)使用,如王蓓等利用圖像的先驗(yàn)知識(shí)與Snake結(jié)合的方法,避開(kāi)圖像的一些局部極小點(diǎn),克服了Snake方法的一些不足。Raquel等將徑向基網(wǎng)絡(luò)(RBFNNcc)與Snake相結(jié)合建立了一種混合模型,該模型具有以下特點(diǎn):(1)該混合模型是靜態(tài)網(wǎng)絡(luò)和動(dòng)態(tài)模型的有機(jī)結(jié)合；(2)Snake的初始化輪廓由RBFNNcc提供；(3)Snake的初始化輪廓給出了最佳的控制點(diǎn)；(4)Snake的能量方程中包含了圖像的多譜信息。Luo等提出了一種將livewire算法與Snake相結(jié)合的醫(yī)學(xué)圖像序列的交互式分割算法,該算法的特點(diǎn)是在少數(shù)用戶交互的基礎(chǔ)上,可以快速可靠地得到一個(gè)醫(yī)學(xué)圖像序列的分割結(jié)果。
由于醫(yī)學(xué)圖像分割問(wèn)題本身的困難性，目前的方法都是針對(duì)某個(gè)具體任務(wù)而言的，還沒(méi)有一個(gè)通用的解決方法。綜觀近幾年圖像分割領(lǐng)域的文獻(xiàn)，可見(jiàn)醫(yī)學(xué)圖像分割方法研究的幾個(gè)顯著特點(diǎn)：（1）學(xué)者們逐漸認(rèn)識(shí)到現(xiàn)有任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像取得比較滿意的結(jié)果，因而更加注重多種分割算法的有效結(jié)合；（2）在目前無(wú)法完全由計(jì)算機(jī)來(lái)完成圖像分割任務(wù)的情況下，半自動(dòng)的分割方法引起了人們的廣泛注意，如何才能充分利用計(jì)算機(jī)的運(yùn)算能力，使人僅在必要的時(shí)候進(jìn)行必不可少的干預(yù)，從而得到滿意的分割結(jié)果是交互式分割方法的核心問(wèn)題；（3）新的分割方法的研究主要以自動(dòng)、精確、快速、自適應(yīng)和魯棒性等幾個(gè)方向作為研究目標(biāo)，經(jīng)典分割技術(shù)與現(xiàn)代分割技術(shù)的綜合利用（集成技術(shù)）是今后醫(yī)學(xué)圖像分割技術(shù)的發(fā)展方向。
4．醫(yī)學(xué)圖像配準(zhǔn)和融合
醫(yī)學(xué)圖像可以分為解剖圖像和功能圖像2個(gè)部分。解剖圖像主要描述人體形態(tài)信息，功能圖像主要描述人體代謝信息。為了綜合使用多種成像模式以提供更全面的信息，常常需要將有效信息進(jìn)行整合。整合的第一步就是使多幅圖像在空間域中達(dá)到幾何位置的完全對(duì)應(yīng)，這一步驟稱(chēng)為“配準(zhǔn)”。整合的第二步就是將配準(zhǔn)后圖像進(jìn)行信息的整合顯示，這一步驟稱(chēng)為“融合”。
在臨床診斷上，醫(yī)生常常需要各種醫(yī)學(xué)圖像的支持，如CT、MRI、PET、SPECT以及超聲圖像等，但無(wú)論哪一類(lèi)的醫(yī)學(xué)圖像往往都難以提供全面的信息，這就需要將患者的各種圖像信息綜合研究19]，而要做到這一點(diǎn)，首先必須解決圖像的配準(zhǔn)(或叫匹配)和融合問(wèn)題。醫(yī)學(xué)圖像配準(zhǔn)是確定兩幅或多幅醫(yī)學(xué)圖像像素的空間對(duì)應(yīng)關(guān)系；而融合是指將不同形式的醫(yī)學(xué)圖像中的信息綜合到一起，形成新的圖像的過(guò)程。圖像配準(zhǔn)是圖像融合必需的預(yù)處理技術(shù)，反過(guò)來(lái)，圖像融合是圖像配準(zhǔn)的一個(gè)目的。
4.1醫(yī)學(xué)圖像配準(zhǔn)
醫(yī)學(xué)圖像配準(zhǔn)包括圖像的定位和轉(zhuǎn)換，即通過(guò)尋找一種空間變換使兩幅圖像對(duì)應(yīng)點(diǎn)達(dá)到空間位置上的配準(zhǔn)，配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有關(guān)鍵的解剖點(diǎn)或感興趣的關(guān)鍵點(diǎn)達(dá)到匹配。20世紀(jì)90年代以來(lái)，醫(yī)學(xué)圖像配準(zhǔn)的研究受到了國(guó)內(nèi)外醫(yī)學(xué)界和工程界的高度重視，1993年P(guān)etra等]綜述了二維圖像的配準(zhǔn)方法，并根據(jù)配準(zhǔn)基準(zhǔn)的特性，將圖像配準(zhǔn)的方法分為兩大類(lèi)：基于外部特征（有框架）的圖像配準(zhǔn)和基于內(nèi)部特征（無(wú)框架）的圖像配準(zhǔn)。基于外部特征的方法包括立體定位框架法、面膜法及皮膚標(biāo)記法等。基于外部特征的圖像配準(zhǔn)，簡(jiǎn)單易行，易實(shí)現(xiàn)自動(dòng)化，能夠獲得較高的精度，可以作為評(píng)估無(wú)框架配準(zhǔn)算法的標(biāo)準(zhǔn)。但對(duì)標(biāo)記物的放置要求高，只能用于同一患者不同影像模式之間的配準(zhǔn)，不適用于患者之間和患者圖像與圖譜之間的配準(zhǔn)，不能對(duì)歷史圖像做回溯性研究?；趦?nèi)部特征的方法是根據(jù)一些用戶能識(shí)別出的解剖點(diǎn)、醫(yī)學(xué)圖像中相對(duì)運(yùn)動(dòng)較小的結(jié)構(gòu)及圖像內(nèi)部體素的灰度信息進(jìn)行配準(zhǔn)?；趦?nèi)部特征的方法包括手工交互法、對(duì)應(yīng)點(diǎn)配準(zhǔn)法、結(jié)構(gòu)配準(zhǔn)法、矩配準(zhǔn)法及相關(guān)配準(zhǔn)法?；趦?nèi)部特征的圖像配準(zhǔn)是一種交互性方法，可以進(jìn)行回顧性研究，不會(huì)造成患者不適，故基于內(nèi)部特征的圖像配準(zhǔn)成為研究的重點(diǎn)。
近年來(lái)，醫(yī)學(xué)圖像配準(zhǔn)技術(shù)有了新的進(jìn)展，在配準(zhǔn)方法上應(yīng)用了信息學(xué)的理論和方法，例如應(yīng)用最大化的互信息量作為配準(zhǔn)準(zhǔn)則進(jìn)行圖像的配準(zhǔn)，在配準(zhǔn)對(duì)象方面從二維圖像發(fā)展到三維多模醫(yī)學(xué)圖像的配準(zhǔn)。例如Luo等利用最大互信息法對(duì)CT-MR和MR-PET三維全腦數(shù)據(jù)進(jìn)行了配準(zhǔn)，結(jié)果全部達(dá)到亞像素級(jí)配準(zhǔn)精度。在醫(yī)學(xué)圖像配準(zhǔn)技術(shù)方面引入信號(hào)處理技術(shù)，例如傅氏變換和小波變換。小波技術(shù)在空間和頻域上具有良好的局部特性，在空間和頻域都具有較高的分辨率，應(yīng)用小波技術(shù)多分辨地描述圖像細(xì)貌，使圖像由粗到細(xì)的分級(jí)快速匹配，是近年來(lái)醫(yī)學(xué)圖像配準(zhǔn)的發(fā)展之一。國(guó)內(nèi)外學(xué)者在這方面作了大量的工作，如Sharman等提出了一種基于小波變換的自動(dòng)配準(zhǔn)剛體圖像方法，使用小波變換獲得多模圖像特征點(diǎn)然后進(jìn)行圖像配準(zhǔn)，提高了配準(zhǔn)的準(zhǔn)確性。另外，非線性配準(zhǔn)也是近年來(lái)研究的熱點(diǎn)，它對(duì)于非剛性對(duì)象的圖像配準(zhǔn)更加適用，配準(zhǔn)結(jié)果更加準(zhǔn)確。
目前許多醫(yī)學(xué)圖像配準(zhǔn)技術(shù)主要是針對(duì)剛性體的配準(zhǔn)，非剛性圖像的配準(zhǔn)雖然已經(jīng)提出一些解決的方法，但同剛性圖像相比還不成熟。另外，醫(yī)學(xué)圖像配準(zhǔn)缺少實(shí)時(shí)性和準(zhǔn)確性及有效的全自動(dòng)的配準(zhǔn)策略。向快速和準(zhǔn)確方面改進(jìn)算法，使用最優(yōu)化策略改進(jìn)圖像配準(zhǔn)以及對(duì)非剛性圖像配準(zhǔn)的研究是今后醫(yī)學(xué)圖像配準(zhǔn)技術(shù)的發(fā)展方向。
4.2醫(yī)學(xué)圖像融合
圖像融合的主要目的是通過(guò)對(duì)多幅圖像間的冗余數(shù)據(jù)的處理來(lái)提高圖像的可讀性,對(duì)多幅圖像間的互補(bǔ)信息的處理來(lái)提高圖像的清晰度。不同的醫(yī)學(xué)影像設(shè)備獲取的影像反映了不同的信息：功能圖像（SPECT、PET等）分辨率較差，但它提供的臟器功能代謝和血液流動(dòng)信息是解剖圖像所不能替代的；解剖圖像（CT、MRI、B超等）以較高的分辨率提供了臟器的解剖形態(tài)信息，其中CT有利于更致密的組織的探測(cè)，而MRI能夠提供軟組織的更多信息。多模態(tài)醫(yī)學(xué)圖像的融合把有價(jià)值的生理功能信息與精確的解剖結(jié)構(gòu)結(jié)合在一起，可以為臨床提供更加全面和準(zhǔn)確的資料。
醫(yī)學(xué)圖像的融合可分為圖像融合的基礎(chǔ)和融合圖像的顯示。（1）圖像融合的基礎(chǔ)：目前的圖像融合技術(shù)可以分為2大類(lèi)，一類(lèi)是以圖像像素為基礎(chǔ)的融合法；另一類(lèi)是以圖像特征為基礎(chǔ)的融合方法。以圖像像素為基礎(chǔ)的融合法模型可以表示為：
其中，為融合圖像，為源圖像，為相應(yīng)的權(quán)重。以圖像特征為基礎(chǔ)的融合方法在原理上不夠直觀且算法復(fù)雜，但是其實(shí)現(xiàn)效果較好。圖像融合的步驟一般為：①將源圖像分別變換至一定變換域上；②在變換域上設(shè)計(jì)一定特征選擇規(guī)則；③根據(jù)選取的規(guī)則在變換域上創(chuàng)建融合圖像；④逆變換重建融合圖像。（2）融合圖像的顯示：融合圖像的顯示方法可分成2種：空間維顯示和時(shí)間維顯示。
目前，醫(yī)學(xué)圖像融合技術(shù)中還存在較多困難與不足。首先，基本的理論框架和有效的廣義融合模型尚未形成。以致現(xiàn)有的技術(shù)方法還只是針對(duì)具體病癥、具體問(wèn)題發(fā)揮作用，通用性相對(duì)較弱。研究的圖像以CT、MRI、核醫(yī)學(xué)圖像為主，超聲等成本較低的圖像研究較少且研究主要集中于大腦、腫瘤成像等；其次，由于成像系統(tǒng)的成像原理的差異，其圖像采集方式、格式以及圖像的大小、質(zhì)量、空間與時(shí)間特性等差異大，因此研究穩(wěn)定且精度較高的全自動(dòng)醫(yī)學(xué)圖像配準(zhǔn)與融合方法是圖像融合技術(shù)的難點(diǎn)之一；最后，缺乏能夠客觀評(píng)價(jià)不同融合方法融合效果優(yōu)劣的標(biāo)準(zhǔn)，通常用目測(cè)的方法比較融合效果，有時(shí)還需要利用到醫(yī)生的經(jīng)驗(yàn)。
在圖像融合技術(shù)研究中，不斷有新的方法出現(xiàn)，其中小波變換在圖像融合中的應(yīng)用，基于有限元分析的非線性配準(zhǔn)以及人工智能技術(shù)在圖像融合中的應(yīng)用將是今后圖像融合研究的熱點(diǎn)與方向。隨著三維重建顯示技術(shù)的發(fā)展，三維圖像融合技術(shù)的研究也越來(lái)越受到重視，三維圖像的融合和信息表達(dá)，也將是圖像融合研究的一個(gè)重點(diǎn)。
5．醫(yī)學(xué)圖像紋理分析
一般認(rèn)為圖像的紋理特征描述物體表面灰度或顏色的變化,這種變化與物體自身屬性有關(guān),是某種紋理基元的重復(fù)。Sklansky早在1978年給出了一個(gè)較為適合于醫(yī)學(xué)圖像的紋理定義:“如果圖像的一系列固有的統(tǒng)計(jì)特性或其它的特性是穩(wěn)定的、緩慢變化的或者是近似周期的,那么則認(rèn)為圖像的區(qū)域具有不變的紋理”。紋理的不變性即指紋理圖像的分析結(jié)果不會(huì)受到旋轉(zhuǎn)、平移、以及其它幾何處理的影響。目前從圖像像素之間的關(guān)系角度,紋理分析方法主要包括以下幾種。
5.1統(tǒng)計(jì)法
統(tǒng)計(jì)分析方法主要是基于圖像像素的灰度值的分布與相互關(guān)系,找出反映這些關(guān)系的特征?；驹硎沁x擇不同的統(tǒng)計(jì)量對(duì)紋理圖像的統(tǒng)計(jì)特征進(jìn)行提取。這類(lèi)方法一般原理簡(jiǎn)單,較易實(shí)現(xiàn),但適用范圍受到限制。該方法主要適合醫(yī)學(xué)圖像中那些沒(méi)有明顯規(guī)則性的結(jié)構(gòu)圖像,特別適合于具有隨機(jī)的、非均勻性的結(jié)構(gòu)。統(tǒng)計(jì)分析方法中,最常用的是共生矩陣法,其中有灰度共生矩陣(graylevelco-occurrencematrix,GLCM)和灰度—梯度共生矩陣。杜克大學(xué)的R.Voracek等使用GLCM對(duì)肋間周邊區(qū)提取的興趣區(qū)(regionofinterest,ROI)進(jìn)行計(jì)算,測(cè)出了有意義的紋理參數(shù)。另外,還有長(zhǎng)游程法(runlengthmatrix,RLM),其紋理特征包括短游程優(yōu)勢(shì)、長(zhǎng)游程優(yōu)勢(shì)、灰度非均勻化、游程非均勻化、游程百分比等,長(zhǎng)游程法是對(duì)圖像灰度關(guān)系的高階統(tǒng)計(jì),對(duì)于給定的灰度游程,粗的紋理具有較大的游程長(zhǎng)度,而細(xì)的紋理具有較小的游程長(zhǎng)度。
5.2結(jié)構(gòu)法
結(jié)構(gòu)分析方法是分析紋理圖像的結(jié)構(gòu),從中獲取結(jié)構(gòu)特征。結(jié)構(gòu)分析法首先將紋理看成是有許多紋理基元按照一定的位置規(guī)則組成的,然后分兩個(gè)步驟處理（1）提取紋理基元；（2）推論紋理基元位置規(guī)律。目前主要用數(shù)學(xué)形態(tài)學(xué)方法處理紋理圖像,該方法適合于規(guī)則和周期性紋理,但由于醫(yī)學(xué)圖像紋理通常不是很規(guī)則,因此該方法的應(yīng)用也受到限制,實(shí)際中較少采用。
5.3模型法
模型分析方法認(rèn)為一個(gè)像素與其鄰域像素存在某種相互關(guān)系,這種關(guān)系可以是線性的,也可以是符合某種概率關(guān)系的。模型法通常有自回歸模型、馬爾科夫隨機(jī)場(chǎng)模型、Gibbs隨機(jī)場(chǎng)模型、分形模型,這些方法都是用模型系數(shù)來(lái)表征紋理圖像,其關(guān)鍵在于首先要對(duì)紋理圖像的結(jié)構(gòu)進(jìn)行分析以選擇到最適合的模型,其次為如何估計(jì)這些模型系數(shù)。如何通過(guò)求模型參數(shù)來(lái)提取紋理特征,進(jìn)行紋理分析,這類(lèi)方法存在著計(jì)算量大,自然紋理很難用單一模型表達(dá)的缺點(diǎn)。
5.4頻譜法
頻譜分析方法主要基于濾波器理論，包括傅立葉變換法、Gabor變換法和小波變換法。
1973年Bajcsy使用傅立葉濾波器方法分析紋理。Indhal等利用2-D快速傅立葉變換對(duì)紋理圖像進(jìn)行頻譜分析,從而獲得紋理特征。該方法只能完成圖像的頻率分解,因而獲得的信息不是很充分。1980年Laws對(duì)圖像進(jìn)行傅氏變換,得出圖像的功率譜,從而提取紋理特征進(jìn)行分析。
Gabor函數(shù)可以捕捉到相當(dāng)多的紋理信息,且具有極佳的空間/頻域聯(lián)合分辨率,因此在實(shí)際中獲得了較廣泛的應(yīng)用。小波變換法大體分金子塔形小波變換法和樹(shù)形小波變換法(小波包法)。
小波變換在紋理分析中的應(yīng)用是Mallat在1989年首先提出的,主要用二值小波變換(DiscreteWaveletTransform,DWT),之后各種小波變換被用于抽取紋理特征。傳統(tǒng)的金字塔小波變換在各分解級(jí)僅對(duì)低頻部分進(jìn)行分解,所以利用金字塔小波變換進(jìn)行紋理特征提取是僅利用了紋理圖像低頻子帶的信息,但對(duì)某些紋理,其中高頻子帶仍含有有關(guān)紋理的重要特征信息(如對(duì)具有明顯的不規(guī)則紋理的圖像,即其高頻子帶仍含有有關(guān)紋理的重要特征)得不到利用。使用在每個(gè)分解級(jí)對(duì)所有的頻率通道均進(jìn)行分解的完全樹(shù)結(jié)構(gòu)小波變換提取特征,能夠較全面地提取有關(guān)紋理特征。
由于醫(yī)學(xué)圖像及其紋理的復(fù)雜性，目前還不存在通用的適合各類(lèi)醫(yī)學(xué)圖像進(jìn)行紋理分析的方法，因而對(duì)于各類(lèi)不同特點(diǎn)的醫(yī)學(xué)圖像就必須采取有針對(duì)性地最適合的紋理分析技術(shù)。另外，在應(yīng)用某一種紋理分析方法對(duì)圖像進(jìn)行分析時(shí)，尋求最優(yōu)的紋理特征與紋理參數(shù)也是目前醫(yī)學(xué)圖像紋理分析中的重點(diǎn)和難點(diǎn)。
6．總結(jié)
隨著遠(yuǎn)程醫(yī)療技術(shù)的蓬勃發(fā)展，對(duì)醫(yī)學(xué)圖像處理提出的要求也越來(lái)越高。醫(yī)學(xué)圖像處理技術(shù)發(fā)展至今，各個(gè)學(xué)科的交叉滲透已是發(fā)展的必然趨勢(shì)，其中還有很多亟待解決的問(wèn)題。有效地提高醫(yī)學(xué)圖像處理技術(shù)的水平，與多學(xué)科理論的交叉融合、醫(yī)務(wù)人員和理論技術(shù)人員之間的交流就顯得越來(lái)越重要。多維、多參數(shù)以及多模式圖像在臨床診斷（包括病灶檢測(cè)、定性，臟器功能評(píng)估，血流估計(jì)等）與治療（包括三維定位、體積計(jì)算、外科手術(shù)規(guī)劃等）中將發(fā)揮更大的作用。
參考文獻(xiàn)
[1]P.Suetens.FundamentalsofMedicalImaging[M].CambridgeUniversityPress，2002．
[2]劉俊敏，黃忠全，王世耕，張穎.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，Vol26
（12）：25-26.
[3]田婭，饒妮妮，蒲立新.國(guó)內(nèi)醫(yī)學(xué)圖像處理技術(shù)的最新動(dòng)態(tài)[J].電子科技大學(xué)學(xué)報(bào)，2002，Vol31（5）：
485-489.
[4]周剛慧，施鵬飛．磁共振圖像的隨機(jī)場(chǎng)分割方法[J]．上海交通大學(xué)學(xué)報(bào)，2001，Vol35（11）：1655．
[5]ZhangHM，YuanZJ，CaiZM.SegmentationofMRIusinghierarchicalmarkovrandomfield[J].Journalof
Software，2002，Vol13（9）：1779.
[6]林亞忠，陳武凡，楊豐.基于混合金字塔吉布斯隨機(jī)場(chǎng)模型的圖像分割[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，
2004，Vol23（1）：79.
[7]聶生東，陳瑛，顧順德．磁共振顱腦圖像快速模糊聚類(lèi)分割算法研究[J]．中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2001，
Vol20（2）：104．
[8]江寶釧，張鈞良．基于BP神經(jīng)網(wǎng)絡(luò)的MRI分割[J].微機(jī)發(fā)展，2000，Vol1：67.
[9]AhmedMN，F(xiàn)aragA.Two-stageneuralnetworkforvolumesegmentationofmedicalimages[J].Proceedings
ofIEEEInternationalConferenceonNeuralNetworks，1997，Vol28（3）：1373.
[10]黃永峰，岑康，司京玉等.模糊神經(jīng)網(wǎng)絡(luò)在顱腦磁共振圖像分割中的應(yīng)用研究[J].中國(guó)生物醫(yī)學(xué)工程
學(xué)報(bào)，2003，Vol22（6）：508.
[11]CostinH，RotariuCR.Knowledge-basedcontourdetectioninmedicalimagingusingfuzzylogic[J].
InternationalSymposiumonSCS’03，2003，1：273.
[12]謝逢，羅立民，田雪琴.基于知識(shí)的人腦三維醫(yī)學(xué)圖像分割顯示方法[J].生物醫(yī)學(xué)工程學(xué)雜志，1997，
Vol14（2）：124.
[13]王蓓，張立明.利用圖像先驗(yàn)知識(shí)與Snake結(jié)合對(duì)心臟序列圖像的分割[J].復(fù)旦大學(xué)學(xué)報(bào)（自然科學(xué)
版），2003，Vol42（1）：81.
[14]RaquelVC，VeronicaMB，OscarYS.Couplingofradial-basisnetworkandactivecontourmodelformulti
spectralbrainMRIsegmentation[J].IEEETransactionsonBiomedicalEngineering，2004，Vol51（3）：459.
[15]LuoXP，TianJ，LinY.Analgorithmforsegmentationofmedicalimageseriesbasedonactivecontour
model[J].JournalofSoftware，2002，Vol13（6）：1050.
[16]HallpikeL，HawkesDJ.Medicalimageregistration:Anoverview[J].BrInstituteRadiol，2004，Vol14（6）：
455-463.
[17]PetraA，ElsenV.MedicalImagemaching:Areviewwithclassification[J].IEEETransMedImage，1993，
Vol12（3）：26-39.
[18]LuoShuo-qian，LiXiang.Implementationofmutualinformationbasedmulti-modalitymedicalimage
registration[A].EngMedBillSocProc22ndAnnIntConfIEEE[C].NavyPierConventionCenterChicago，
Illinois，USA：TheInstituteofElectricalandElectricalandElectronicsEngineers，Ind，2000，2：1447-1450.
[19]SharmanR，TylerJM，PianykhOL，etal.Afastandaccuratetomethodtoregistermedicalimagesusing
waveletmodulusmaxima[J].PattRecogLett，2000，21：447-462.
[20]LesterH，ArridgeSR.ASurveyofhierarchiclnon-linearmedicalimageregistration[J].PatternRecognition，
1999，32：129-149.
[21]盧健，胡志忠，楊如乃.醫(yī)學(xué)圖像融合技術(shù)的研究[J].上海生物醫(yī)學(xué)工程，2006，Vol27（3）：163-167.
[22]王新成.高級(jí)圖像處理技術(shù)[M].北京：中國(guó)科學(xué)技術(shù)出版社，2001.
[23]RVoracek，HPMcAdams，puterAidedDiagnosisofInterstitialLungDisease:aTexture
FeatureExtractionandClassificationApproach[J].ProcofSPIE，1998，3338：1502-1509.
基于圖像采集卡的視頻圖像處理系統(tǒng)
計(jì)算機(jī)圖像處理系統(tǒng)從系統(tǒng)層次上可分為高、中、低檔三個(gè)層次，目前一般比較普及的是低檔次的系統(tǒng)，該系統(tǒng)由CCD（攝像頭）、圖像采集卡、計(jì)算機(jī)三個(gè)部分組成，其結(jié)構(gòu)簡(jiǎn)單，應(yīng)用方便，效果也比較不錯(cuò)，得到的圖像較清晰。目前網(wǎng)上基于VC開(kāi)發(fā)經(jīng)驗(yàn)的文章不少，可是關(guān)于如何在VC開(kāi)發(fā)平臺(tái)上使用圖像采集卡的文章確沒(méi)發(fā)現(xiàn)，筆者針對(duì)在科研開(kāi)發(fā)中積累的使用圖像采集卡經(jīng)驗(yàn)，介紹如何自己是如何將采集卡集成到圖像開(kāi)發(fā)系統(tǒng)中，希望能夠給目前正需要利用圖像采集卡開(kāi)發(fā)自己的圖像處理系統(tǒng)的朋友有所幫助。
使用的攝像機(jī)采用臺(tái)灣BENTECHINDUSTRIAL有限公司生產(chǎn)的CV-155L黑白攝像機(jī)。該攝像機(jī)分辨率為752x582。圖象采集卡我們采用北京中科院科技嘉公司開(kāi)發(fā)的基于PCI總線的CA-MPE1000黑白圖象采集卡。使用圖像采集卡分三步，首先安裝采集卡的驅(qū)動(dòng)程序，并將虛擬驅(qū)動(dòng)文件VxD.vxd拷貝到Windows的SYSTEM目錄下；這時(shí)候就可以進(jìn)入開(kāi)發(fā)狀態(tài)了，進(jìn)入VC開(kāi)發(fā)平臺(tái)，生成新的項(xiàng)目，由于生產(chǎn)廠家為圖像采集卡提供了以mpew32.dll、mpew32.lib命名的庫(kù)文件，庫(kù)中提供了初始硬件、采集圖像等函數(shù)，為使用這些函數(shù)，在新項(xiàng)目上連接該動(dòng)態(tài)庫(kù)；最后一步就是采集圖像并顯示處理了，這一步要設(shè)置系統(tǒng)調(diào)色板，因?yàn)椴杉ㄌ峁┑氖锹銏D形式，既純圖像數(shù)據(jù)，沒(méi)有圖像的規(guī)格和調(diào)色板信息，這些需要開(kāi)發(fā)者自己規(guī)定實(shí)現(xiàn)，下面是實(shí)現(xiàn)的部分代碼：
CTestView::CTestView()
{
W32_Init_MPE1000();//初始化采集卡
W32_Modify_Contrast(50);//下面的函數(shù)是為了對(duì)采集卡進(jìn)行預(yù)設(shè)置
W32_Modify_Brightness(45);//設(shè)置亮度
W32_Set_HP_Value(945);//設(shè)置水平采集點(diǎn)數(shù)
wCurrent_Frame=1;//當(dāng)前幀為1，獲取的圖像就是從這幀取得的
//設(shè)置采集信號(hào)源，僅對(duì)MPE1000有效
W32_Set_Input_Source(1);
W32_CACardParam(AD_SETHPFREQ,hpGrabFreq);
W32_Set_PAL_Range(1250,1024);//設(shè)置水平采集范圍
W32_Set_VGA_Mode(1);
wGrabWinX1=0;//采集窗口的左上角的坐標(biāo)
wGrabWinY1=0;
firstTime=TRUE;
bGrabMode=FRAME;
bZipMode=ZIPPLE;
/
lpDib=NULL;//存放獲取的圖像數(shù)據(jù)
}
CTestView::~CTestView()
{
W32_Close_MPE1000();//關(guān)閉采集卡
}
////顯示采集的圖象，雙擊鼠標(biāo)采集停止
voidCTestView::OnGraboneframe()
{
//TODO:Addyourcommandhandlercodehere
wCurrent_Frame=1;
//設(shè)置采集目標(biāo)為內(nèi)存
W32_CACardParam(AD_SETGRABDEST,CA_GRABMEM);
//啟動(dòng)采集
if(lpDib!=NULL)
{
GlobalUnlock(hglbDIB);
GlobalFree(hglbDIB);
}
//分配內(nèi)存
hglbDIB=GlobalAlloc(GHND,(DWORD)wImgWidth*(DWORD)wImgHeight);
lpDib=(BYTE*)GlobalLock(hglbDIB);
hdc=GetDC()->GetSafeHdc();
if(lpDib!=NULL)
{
cxDib=wImgWidth;
cyDib=wImgHeight;
SetLogicPal(hdc,cxDib,cyDib,8);
SetStretchBltMode(hdc,COLORONCOLOR);
bGrabMark=TRUE;
while(bGrabMark==TRUE)
{
if(msg.message==WM_LBUTTONDBLCLK)
bGrabMark=FALSE;
W32_ReadXMS2Buf(wCurrent_Frame,lpDib);
SetDIBitsToDevice(hdc,0,0,cxDib,cyDib,0,0,
0,cyDib,(LPSTR)lpDib,
bmi,
DIB_RGB_COLORS);
}
//停止采集
W32_CAStopCapture();
::ReleaseDC(GetSafeHwnd(),hdc);
return;
}
////將下面這個(gè)函數(shù)添加在視圖類(lèi)的CTestView::OnSize（）函數(shù)中，就可以對(duì)系統(tǒng)的調(diào)色板進(jìn)行設(shè)置。
voidWINAPIInitLogicPal(HDChdc,shortwidth,shortheight,WORDbitCount)
{
intj,i;
shortcxDib,cyDib;
LOGPALETTE*pLogPal;
j=256;
if((pLogPal=(LOGPALETTE*)malloc(sizeof(LOGPALETTE)+(j*sizeof(PALETTEENTRY))))==NULL)
return;
pLogPal->palVersion=0x300;
pLogPal->palNumEntries=j;
for(i=0;ipLogPal->palPalEntry[i].peRed=i;
pLogPal->palPalEntry[i].peGreen=i;
pLogPal->palPalEntry[i].peBlue=i;
pLogPal->palPalEntry[i].peFlags=0;
}
hPal=::CreatePalette(pLogPal);
deletepLogPal;
::SelectPalette(hdc,hPal,0);
::RealizePalette(hdc);
cxDib=width;cyDib=height;
if((bmi=(BITMAPINFO*)malloc(sizeof(BITMAPINFOHEADER)+j*sizeof(RGBQUAD)))==NULL)
return;
//bmi為全局變量，用于顯示圖像時(shí)用
bmi->bmiHeader.biSize=40;
bmi->bmiHeader.biWidth=cxDib;
bmi->bmiHeader.biHeight=cyDib;
bmi->bmiHeader.biPlanes=1;
bmi->bmiHeader.biBitCount=bitCount;
bmi->bmiHeader.biCompression=0;
bmi->bmiHeader.biSizeImage=0;
bmi->bmiHeader.biXPelsPerMeter=0;
bmi->bmiHeader.biYPelsPerMeter=0;
bmi->bmiHeader.biClrUsed=0;
bmi->bmiHeader.biClrImportant=0;
for(i=0;ibmi->bmiColors[i].rgbBlue=i;
bmi->bmiColors[i].rgbGreen=i;
bmi->bmiColors[i].rgbRed=i;
bmi->bmiColors[i].rgbReserved=0;
}
}
視頻"畫(huà)中畫(huà)"技術(shù)
"畫(huà)中畫(huà)"這個(gè)概念類(lèi)似與彩色電視機(jī)"畫(huà)中畫(huà)"，就是在一幅大的圖像內(nèi)顯示另外一幅內(nèi)容不同的小的圖像，小圖像的尺寸大小一般地說(shuō)為大圖像尺寸的1/4或1/9，顯示位置在大圖像的右上角。這種技術(shù)不僅在電視技術(shù)中，在可視電話系統(tǒng)也可以發(fā)現(xiàn)這種技術(shù)的身影，它們都是依靠硬件來(lái)實(shí)現(xiàn)的，但是如何在VC開(kāi)發(fā)平臺(tái)上用編程語(yǔ)言來(lái)將該功能添加到自己開(kāi)發(fā)的視頻監(jiān)控軟件，為使用者提供更大的信息量呢？也許讀者最容易想到的是首先顯示大圖像，然后再在一個(gè)固定位置畫(huà)第二幅小圖像，這種技術(shù)技術(shù)如果對(duì)于靜止圖像當(dāng)然沒(méi)有問(wèn)題，但是對(duì)于視頻流，由于每一秒鐘需要畫(huà)25幀，即25幅圖像，這樣一來(lái)計(jì)算機(jī)需要不停的畫(huà)不停的擦除，會(huì)給用戶以閃爍的感覺(jué)，如何解決這個(gè)問(wèn)題呢？有的參考書(shū)上將大小圖像分快顯示，這種方法要將待顯示的圖像數(shù)據(jù)與顯示位置的關(guān)系對(duì)應(yīng)起來(lái)，容易出錯(cuò)不說(shuō)，而且麻煩，且速度慢，為此，我對(duì)該方法進(jìn)行了改進(jìn)，得到了滿意的效果。實(shí)現(xiàn)的代碼如下：
voidpictureinpicture()
{
………………………..
CBitmapbitmap,*oldmap;
pData1=(BYTE*)newchar[biWidth*biHeight*3];//biWidth和biHeight為視頻采集卡獲取//的圖像尺寸。
Read(pData1,bih.biWidth*bih.biHeight*3);//該函數(shù)從采集卡中獲取數(shù)據(jù)
CClientDCdc(this);
m_pBMI1=newBITMAPINFO;//自定義的BMP文件信息結(jié)構(gòu)，用于后面的圖像顯示
m_pBMI1->bmiHeader.biBitCount=24;
m_pBMI1->bmiHeader.biClrImportant=0;
m_pBMI1->bmiHeader.biClrUsed=0;
m_pBMI1->bmiHeader.biCompression=0;
m_pBMI1->bmiHeader.biHeight=biHeight;
m_pBMI1->bmiHeader.biPlanes=1;
m_pBMI1->bmiHeader.biSize=40;
m_pBMI1->bmiHeader.biSizeImage=WIDTHBYTES(biWidth*8)*biHeight*3;
m_pBMI1->bmiHeader.biWidth=biWidth;
m_pBMI1->bmiHeader.biXPelsPerMeter=0;
m_pBMI1->bmiHeader.biYPelsPerMeter=0;
////////////////////////////////////////////////////////////////////////
pData2=(BYTE*)newchar[biWidth1*biHeight1*3];//申請(qǐng)存放小圖像的緩沖區(qū)
Read(pData2,biWidth1*biHeight1*3);////向該緩沖區(qū)讀數(shù)據(jù)
m_pBMI2=newBITMAPINFO;
m_pBMI2->bmiHeader.biBitCount=24;
m_pBMI2->bmiHeader.biClrImportant=0;
m_pBMI2->bmiHeader.biClrUsed=0;
m_pBMI2->bmiHeader.biCompression=0;
m_pBMI2->bmiHeader.biHeight=biHeight1;
m_pBMI2->bmiHeader.biPlanes=1;
m_pBMI2->bmiHeader.biSize=40;
m_pBMI2->bmiHeader.biSizeImage=WIDTHBYTES(biWidth1*8)*biHeight1*3;
m_pBMI2->bmiHeader.biWidth=biWidth1;
m_pBMI2->bmiHeader.biXPelsPerMeter=0;
m_pBMI2->bmiHeader.biYPelsPerMeter=0;
//下面實(shí)現(xiàn)畫(huà)中畫(huà)的顯示
CDCMemDc;
MemDc.CreateCompatibleDC(&dc);
bitmap.CreateCompatibleBitmap(&dc,biWidth,biHeight);
oldmap=MemDc.SelectObject(&bitmap);
::StretchDIBits(MemDc.m_hDC,0,0,biWidth,biHeight,0,0,—biWidth,biHeight,pData1,m_pBMI1,DIB_RGB_COLORS,SRCCOPY);//首先將大圖像畫(huà)在內(nèi)寸上下文中
::StretchDIBits(MemDc.m_hDC,20,20,biWidth1,biHeight1,_
0,0,biWidth1,biHeight1,pData2,m_pBMI2,DIB_RGB_COLORS,SRCCOPY);//再將小圖像畫(huà)在內(nèi)寸上下文中
::StretchBlt(dc.m_hDC,0,0,bih.biWidth,bih.biHeight,_
MemDc.m_hDC,0,0,bih.biWidth,bih.biHeight,SRCCOPY);//將結(jié)果顯示在屏幕上。
MemDc.SelectObject(oldmap);
deletepData1;
deletem_pBMI1;
deletepData2;
基于圖像采集卡的視頻圖像處理系統(tǒng)
計(jì)算機(jī)圖像處理系統(tǒng)從系統(tǒng)層次上可分為高、中、低檔三個(gè)層次，目前一般比較普及的是低檔次的系統(tǒng)，該系統(tǒng)由CCD（攝像頭）、圖像采集卡、計(jì)算機(jī)三個(gè)部分組成，其結(jié)構(gòu)簡(jiǎn)單，應(yīng)用方便，效果也比較不錯(cuò)，得到的圖像較清晰。目前網(wǎng)上基于VC開(kāi)發(fā)經(jīng)驗(yàn)的文章不少，可是關(guān)于如何在VC開(kāi)發(fā)平臺(tái)上使用圖像采集卡的文章確沒(méi)發(fā)現(xiàn)，筆者針對(duì)在科研開(kāi)發(fā)中積累的使用圖像采集卡經(jīng)驗(yàn)，介紹如何自己是如何將采集卡集成到圖像開(kāi)發(fā)系統(tǒng)中，希望能夠給目前正需要利用圖像采集卡開(kāi)發(fā)自己的圖像處理系統(tǒng)的朋友有所幫助。
使用的攝像機(jī)采用臺(tái)灣BENTECHINDUSTRIAL有限公司生產(chǎn)的CV-155L黑白攝像機(jī)。該攝像機(jī)分辨率為752x582。圖象采集卡我們采用北京中科院科技嘉公司開(kāi)發(fā)的基于PCI總線的CA-MPE1000黑白圖象采集卡。使用圖像采集卡分三步，首先安裝采集卡的驅(qū)動(dòng)程序，并將虛擬驅(qū)動(dòng)文件VxD.vxd拷貝到Windows的SYSTEM目錄下；這時(shí)候就可以進(jìn)入開(kāi)發(fā)狀態(tài)了，進(jìn)入VC開(kāi)發(fā)平臺(tái)，生成新的項(xiàng)目，由于生產(chǎn)廠家為圖像采集卡提供了以mpew32.dll、mpew32.lib命名的庫(kù)文件，庫(kù)中提供了初始硬件、采集圖像等函數(shù)，為使用這些函數(shù)，在新項(xiàng)目上連接該動(dòng)態(tài)庫(kù)；最后一步就是采集圖像并顯示處理了，這一步要設(shè)置系統(tǒng)調(diào)色板，因?yàn)椴杉ㄌ峁┑氖锹銏D形式，既純圖像數(shù)據(jù)，沒(méi)有圖像的規(guī)格和調(diào)色板信息，這些需要開(kāi)發(fā)者自己規(guī)定實(shí)現(xiàn)，下面是實(shí)現(xiàn)的部分代碼：
CTestView::CTestView()
{
W32_Init_MPE1000();//初始化采集卡
W32_Modify_Contrast(50);//下面的函數(shù)是為了對(duì)采集卡進(jìn)行預(yù)設(shè)置
W32_Modify_Brightness(45);//設(shè)置亮度
W32_Set_HP_Value(945);//設(shè)置水平采集點(diǎn)數(shù)
wCurrent_Frame=1;//當(dāng)前幀為1，獲取的圖像就是從這幀取得的
//設(shè)置采集信號(hào)源，僅對(duì)MPE1000有效
W32_Set_Input_Source(1);
W32_CACardParam(AD_SETHPFREQ,hpGrabFreq);
W32_Set_PAL_Range(1250,1024);//設(shè)置水平采集范圍
W32_Set_VGA_Mode(1);
wGrabWinX1=0;//采集窗口的左上角的坐標(biāo)
wGrabWinY1=0;
firstTime=TRUE;
bGrabMode=FRAME;
bZipMode=ZIPPLE;
/
lpDib=NULL;//存放獲取的圖像數(shù)據(jù)
}
CTestView::~CTestView()
{
W32_Close_MPE1000();//關(guān)閉采集卡
}
////顯示采集的圖象，雙擊鼠標(biāo)采集停止
voidCTestView::OnGraboneframe()
{
//TODO:Addyourcommandhandlercodehere
wCurrent_Frame=1;
//設(shè)置采集目標(biāo)為內(nèi)存
W32_CACardParam(AD_SETGRABDEST,CA_GRABMEM);
//啟動(dòng)采集
if(lpDib!=NULL)
{
GlobalUnlock(hglbDIB);
GlobalFree(hglbDIB);
}
//分配內(nèi)存
hglbDIB=GlobalAlloc(GHND,(DWORD)wImgWidth*(DWORD)wImgHeight);
lpDib=(BYTE*)GlobalLock(hglbDIB);
hdc=GetDC()->GetSafeHdc();
if(lpDib!=NULL)
{
cxDib=wImgWidth;
cyDib=wImgHeight;
SetLogicPal(hdc,cxDib,cyDib,8);
SetStretchBltMode(hdc,COLORONCOLOR);
bGrabMark=TRUE;
while(bGrabMark==TRUE)
{
if(msg.message==WM_LBUTTONDBLCLK)
bGrabMark=FALSE;
W32_ReadXMS2Buf(wCurrent_Frame,lpDib);
SetDIBitsToDevice(hdc,0,0,cxDib,cyDib,0,0,
0,cyDib,(LPSTR)lpDib,
bmi,
DIB_RGB_COLORS);
}
//停止采集
W32_CAStopCapture();
::ReleaseDC(GetSafeHwnd(),hdc);
return;
}
////將下面這個(gè)函數(shù)添加在視圖類(lèi)的CTestView::OnSize（）函數(shù)中，就可以對(duì)系統(tǒng)的調(diào)色板進(jìn)行設(shè)置。
voidWINAPIInitLogicPal(HDChdc,shortwidth,shortheight,WORDbitCount)
{
intj,i;
shortcxDib,cyDib;
LOGPALETTE*pLogPal;
j=256
if((pLogPal=(LOGPALETTE*)malloc(sizeof(LOGPALETTE)+(j*sizeof(PALETTEENTRY))))==NULL)
return;
pLogPal->palVersion=0x300;
pLogPal->palNumEntries=j;
for(i=0;ipLogPal->palPalEntry[i].peRed=i;
pLogPal->palPalEntry[i].peGreen=i;
pLogPal->palPalEntry[i].peBlue=i;
pLogPal->palPalEntry[i].peFlags=0;
}
hPal=::CreatePalette(pLogPal);
deletepLogPal;
::SelectPalette(hdc,hPal,0);
::RealizePalette(hdc);
cxDib=width;cyDib=height;
if((bmi=(BITMAPINFO*)malloc(sizeof(BITMAPINFOHEADER)+j*sizeof(RGBQUAD)))==NULL)
return;
//bmi為全局變量，用于顯示圖像時(shí)用
bmi->bmiHeader.biSize=40;
bmi->bmiHeader.biWidth=cxDib;
bmi->bmiHeader.biHeight=cyDib;
bmi->bmiHeader.biPlanes=1;
bmi->bmiHeader.biBitCount=bitCount;
bmi->bmiHeader.biCompression=0;
bmi->bmiHeader.biSizeImage=0;
bmi->bmiHeader.biXPelsPerMeter=0;
bmi->bmiHeader.biYPelsPerMeter=0;
bmi->bmiHeader.biClrUsed=0;
bmi->bmiHeader.biClrImportant=0;
for(i=0;ibmi->bmiColors[i].rgbBlue=i;
bmi->bmiColors[i].rgbGreen=i;
bmi->bmiColors[i].rgbRed=i;
bmi->bmiColors[i].rgbReserved=0;
}
}
視頻"畫(huà)中畫(huà)"技術(shù)
"畫(huà)中畫(huà)"這個(gè)概念類(lèi)似與彩色電視機(jī)"畫(huà)中畫(huà)"，就是在一幅大的圖像內(nèi)顯示另外一幅內(nèi)容不同的小的圖像，小圖像的尺寸大小一般地說(shuō)為大圖像尺寸的1/4或1/9，顯示位置在大圖像的右上角。這種技術(shù)不僅在電視技術(shù)中，在可視電話系統(tǒng)也可以發(fā)現(xiàn)這種技術(shù)的身影，它們都是依靠硬件來(lái)實(shí)現(xiàn)的，但是如何在VC開(kāi)發(fā)平臺(tái)上用編程語(yǔ)言來(lái)將該功能添加到自己開(kāi)發(fā)的視頻監(jiān)控軟件，為使用者提供更大的信息量呢？也許讀者最容易想到的是首先顯示大圖像，然后再在一個(gè)固定位置畫(huà)第二幅小圖像，這種技術(shù)技術(shù)如果對(duì)于靜止圖像當(dāng)然沒(méi)有問(wèn)題，但是對(duì)于視頻流，由于每一秒鐘需要畫(huà)25幀，即25幅圖像，這樣一來(lái)計(jì)算機(jī)需要不停的畫(huà)不停的擦除，會(huì)給用戶以閃爍的感覺(jué)，如何解決這個(gè)問(wèn)題呢？有的參考書(shū)上將大小圖像分快顯示，這種方法要將待顯示的圖像數(shù)據(jù)與顯示位置的關(guān)系對(duì)應(yīng)起來(lái)，容易出錯(cuò)不說(shuō)，而且麻煩，且速度慢，為此，我對(duì)該方法進(jìn)行了改進(jìn)，得到了滿意的效果。實(shí)現(xiàn)的代碼如下：
voidpictureinpicture()
{
………………………..
CBitmapbitmap,*oldmap;
pData1=(BYTE*)newchar[biWidth*biHeight*3];//biWidth和biHeight為視頻采集卡獲取//的圖像尺寸。
Read(pData1,bih.biWidth*bih.biHeight*3);//該函數(shù)從采集卡中獲取數(shù)據(jù)
CClientDCdc(this);
m_pBMI1=newBITMAPINFO;//自定義的BMP文件信息結(jié)構(gòu)，用于后面的圖像顯示
m_pBMI1->bmiHeader.biBitCount=24;
m_pBMI1->bmiHeader.biClrImportant=0;
m_pBMI1->bmiHeader.biClrUsed=0;
m_pBMI1->bmiHeader.biCompression=0;
m_pBMI1->bmiHeader.biHeight=biHeight;
m_pBMI1->bmiHeader.biPlanes=1;
m_pBMI1->bmiHeader.biSize=40;
m_pBMI1->bmiHeader.biSizeImage=WIDTHBYTES(biWidth*8)*biHeight*3;
m_pBMI1->bmiHeader.biWidth=biWidth;
m_pBMI1->bmiHeader.biXPelsPerMeter=0;
m_pBMI1->bmiHeader.biYPelsPerMeter=0;
////////////////////////////////////////////////////////////////////////
pData2=(BYTE*)newchar[biWidth1*biHeight1*3];//申請(qǐng)存放小圖像的緩沖區(qū)
Read(pData2,biWidth1*biHeight1*3);////向該緩沖區(qū)讀數(shù)據(jù)
m_pBMI2=newBITMAPINFO;
m_pBMI2->bmiHeader.biBitCount=24;
m_pBMI2->bmiHeader.biClrImportant=0;
m_pBMI2->bmiHeader.biClrUsed=0;
m_pBMI2->bmiHeader.biCompression=0;
m_pBMI2->bmiHeader.biHeight=biHeight1;
m_pBMI2->bmiHeader.biPlanes=1;
m_pBMI2->bmiHeader.biSize=40;
m_pBMI2->bmiHeader.biSizeImage=WIDTHBYTES(biWidth1*8)*biHeight1*3;
m_pBMI2->bmiHeader.biWidth=biWidth1;
m_pBMI2->bmiHeader.biXPelsPerMeter=0;
m_pBMI2->bmiHeader.biYPelsPerMeter=0;
//下面實(shí)現(xiàn)畫(huà)中畫(huà)的顯示
CDCMemDc;
MemDc.CreateCompatibleDC(&dc);
bitmap.CreateCompatibleBitmap(&dc,biWidth,biHeight);
oldmap=MemDc.SelectObject(&bitmap);
::StretchDIBits(MemDc.m_hDC,0,0,biWidth,biHeight,0,0,—biWidth,biHeight,pData1,m_pBMI1,DIB_RGB_COLORS,SRCCOPY);//首先將大圖像畫(huà)在內(nèi)寸上下文中
::StretchDIBits(MemDc.m_hDC,20,20,biWidth1,biHeight1,_
0,0,biWidth1,biHeight1,pData2,m_pBMI2,DIB_RGB_COLORS,SRCCOPY);//再將小圖像畫(huà)在內(nèi)寸上下文中
::StretchBlt(dc.m_hDC,0,0,bih.biWidth,bih.biHeight,_
MemDc.m_hDC,0,0,bih.biWidth,bih.biHeight,SRCCOPY);//將結(jié)果顯示在屏幕上。
MemDc.SelectObject(oldmap);
deletepData1;
deletem_pBMI1;
隨著社會(huì)發(fā)展，計(jì)算機(jī)圖像處理技術(shù)的重要性逐漸被人們發(fā)現(xiàn)，將主要朝以下幾個(gè)方面發(fā)展：（1）未來(lái)的計(jì)算機(jī)圖像處理技術(shù)將會(huì)向自動(dòng)化、智能化、高清晰度、高速傳輸、三維立體成像等方向發(fā)展。（2）計(jì)算機(jī)圖像處理技術(shù)將會(huì)朝兩個(gè)方面發(fā)展：一是注重實(shí)際操作，二是注重運(yùn)用便捷。向圖像處理功能的集中化發(fā)展。（3）注重研究先進(jìn)的算法和理論作為指導(dǎo)。理論是實(shí)踐的基礎(chǔ)，先進(jìn)的理論可以使未來(lái)計(jì)算機(jī)圖像處理技術(shù)在實(shí)際運(yùn)用中得到更廣泛的發(fā)展，所以，必須注重及時(shí)對(duì)先進(jìn)理論和方法的研究與開(kāi)發(fā)，這樣才能保證計(jì)算機(jī)圖像處理技術(shù)的更好應(yīng)用。先進(jìn)理論和方法主要包括小波分析、遺傳算法、分形幾何等方面。
2計(jì)算機(jī)圖像處理技術(shù)的組成
計(jì)算機(jī)圖像處理技術(shù)是通過(guò)計(jì)算機(jī)對(duì)圖像分析處理達(dá)到需要的結(jié)果的一項(xiàng)技術(shù)。一般被稱(chēng)作數(shù)字圖像處理，通過(guò)掃描、攝像機(jī)等設(shè)備經(jīng)過(guò)數(shù)字化之后得到二維數(shù)組，就是像素。計(jì)算機(jī)圖像處理技術(shù)主要包括以下三個(gè)部分：（1）圖像增強(qiáng)與復(fù)原：由于需要改進(jìn)圖片的質(zhì)量，這就需要對(duì)圖片進(jìn)行圖像增強(qiáng)，通過(guò)低通濾波可以將圖片中的噪音去掉；通過(guò)高通濾波可以將邊緣等高頻信號(hào)進(jìn)行增強(qiáng)，使圖片清晰。復(fù)原則是在已知模型的特定模糊和噪音程度情況下估計(jì)出原來(lái)圖像的技術(shù)。（2）圖像壓縮：由于圖像的數(shù)據(jù)比較巨大，對(duì)圖片儲(chǔ)存和傳輸都比較困難，因此，需要對(duì)圖像進(jìn)行壓縮，以節(jié)省存儲(chǔ)空間和減少傳輸時(shí)間。圖像壓縮分為對(duì)靜態(tài)圖像的不失真壓縮方法和用于動(dòng)態(tài)圖像的近似壓縮方法。（3）圖像匹配、描述與識(shí)別：這是圖像處理的主要目的，得到不再是具有隨機(jī)分布性質(zhì)的文件，而是具有明確意義的符號(hào)、數(shù)值構(gòu)成的圖形。
3計(jì)算機(jī)圖像處理技術(shù)的主要應(yīng)用領(lǐng)域
3.1計(jì)算機(jī)輔助設(shè)計(jì)與制造技術(shù)
這項(xiàng)技術(shù)學(xué)科交叉、知識(shí)比較密集、應(yīng)用范圍比較廣泛，是綜合性應(yīng)用技術(shù)，由計(jì)算機(jī)與制造工程兩個(gè)技術(shù)相互滲透，相互結(jié)合。是先進(jìn)技術(shù)的重要組成部分，計(jì)算機(jī)輔助設(shè)計(jì)與制造技術(shù)是一個(gè)國(guó)家工業(yè)現(xiàn)代化與科技水平的主要衡量標(biāo)準(zhǔn)之一。這項(xiàng)技術(shù)在工業(yè)領(lǐng)域中最主要的代表就是CAD與CAM這兩項(xiàng)實(shí)用工具。同時(shí)，在建筑設(shè)計(jì)、裝潢設(shè)計(jì)等領(lǐng)域也應(yīng)用廣泛，也可以用來(lái)進(jìn)行對(duì)飛機(jī)、汽車(chē)等工具的外形設(shè)計(jì)。當(dāng)然，在其他方面也應(yīng)用廣泛，而且得到的效果非常好，比如：電路板的印刷、網(wǎng)絡(luò)分析等等方面。
3.2遙感圖像處理系統(tǒng)
遙感技術(shù)的發(fā)展推動(dòng)了高質(zhì)量的不同波段遙感數(shù)字圖像被廣泛運(yùn)用于農(nóng)林牧副漁等行業(yè)的科技現(xiàn)代化之中。圖像處理在遙感技術(shù)領(lǐng)域有著十分重要的地位，將來(lái)會(huì)形成快速成像與信息自動(dòng)化提取系統(tǒng)，而這個(gè)系統(tǒng)也是以圖像處理為主。遙感圖像處理技術(shù)功能將會(huì)不斷完善，得到更大的發(fā)展。
4計(jì)算機(jī)圖像處理技術(shù)的發(fā)展前景
現(xiàn)代科技的進(jìn)步使計(jì)算機(jī)技術(shù)得到快速的發(fā)展，也就使計(jì)算機(jī)技術(shù)運(yùn)用在圖像處理中有了可能，并且在圖像處理中產(chǎn)生了很重要的影響。現(xiàn)在人們對(duì)圖像的要求越來(lái)越高，想要滿足人們?cè)絹?lái)越高的要求，就必須不斷進(jìn)步、不斷創(chuàng)新。計(jì)算機(jī)技術(shù)將會(huì)越來(lái)越廣泛的運(yùn)用于社會(huì)中，圖像處理技術(shù)也會(huì)越來(lái)越依賴計(jì)算機(jī)。隨著大量的成熟軟件的不斷被研發(fā)，既有專(zhuān)業(yè)軟件，也有普通軟件，可以滿足所有人的要求。技術(shù)人員應(yīng)該開(kāi)發(fā)新技術(shù)來(lái)滿足更多、更復(fù)雜的圖像處理要求，使圖像更加的豐富多彩。
5結(jié)語(yǔ)
關(guān)鍵詞：計(jì)算機(jī)圖像處理技術(shù)；數(shù)字全息
0引言
全息技術(shù)是物理學(xué)中一重要發(fā)現(xiàn)，越來(lái)越多的應(yīng)用于各個(gè)行業(yè)。伴隨著CCD技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，全息技術(shù)也得到一次質(zhì)的飛躍，從傳統(tǒng)光學(xué)全息到數(shù)字全息。傳統(tǒng)光學(xué)全息將物光和參考光干涉得到全息照片來(lái)記錄光的振幅和相位信息，而數(shù)字全息則用CCD記錄物光和參考光的干涉，形成數(shù)字全息圖，再通過(guò)計(jì)算機(jī)圖像處理技術(shù)處理全息圖。因此，影響數(shù)字全息技術(shù)發(fā)展有兩個(gè)重要方面：CCD技術(shù)和計(jì)算機(jī)圖像處理技術(shù)。本文將從計(jì)算機(jī)應(yīng)用方面闡述圖像處理技術(shù)在全息中的應(yīng)用。
1圖像處理技術(shù)
圖像是現(xiàn)代社會(huì)人們獲取信息的一個(gè)主要手段。人們用各種觀測(cè)系統(tǒng)以不同的形式和手段獲得圖像，以拓展其認(rèn)識(shí)的范圍。圖像以各種形式出現(xiàn)，可視的、不可視的，抽象的、實(shí)際的，計(jì)算機(jī)可以處理的和不適合計(jì)算機(jī)處理的。但究其本質(zhì)來(lái)說(shuō)，圖像主要分為兩大類(lèi)：一類(lèi)是模擬圖像，包括光學(xué)圖像、照相圖像、電視圖像等。它的處理速度快，但精度和靈活性差。另一類(lèi)是數(shù)字圖像。它是將連續(xù)的模擬圖像離散化后處理變成為計(jì)算機(jī)能夠辨識(shí)的點(diǎn)陣圖像。從數(shù)字上看，數(shù)字圖像就是被量化的二維采樣數(shù)組。它是計(jì)算機(jī)技術(shù)發(fā)展的產(chǎn)物，具有精度高、處理方便和重復(fù)性好等特點(diǎn)。
圖像處理就是將圖像轉(zhuǎn)化為一個(gè)數(shù)字矩陣存放在計(jì)算機(jī)中，并采用一定的算法對(duì)其進(jìn)行處理。圖像處理的基礎(chǔ)是數(shù)學(xué)，最主要任務(wù)就是各種算法的設(shè)計(jì)和實(shí)現(xiàn)。目前，圖像處理技術(shù)已經(jīng)在很多方面有著廣泛的應(yīng)用。如通訊技術(shù)、遙感技術(shù)、生物醫(yī)學(xué)、工業(yè)生產(chǎn)、計(jì)算機(jī)科學(xué)等等。根據(jù)應(yīng)用領(lǐng)域的不同要求，可以將圖像處理技術(shù)劃分為許多分支，其中比較重要的分支有：①圖像數(shù)字化：通過(guò)采樣和量化將模擬圖像變成便于計(jì)算機(jī)處理的數(shù)字形式。③圖像的增強(qiáng)和復(fù)原：主要目的是增強(qiáng)圖像中的有用信息，削弱干擾和噪聲，使圖像清晰或?qū)⑥D(zhuǎn)化為更適合分析的形式。③圖像編碼：在滿足一定的保真條件下，對(duì)圖像進(jìn)行編碼處理，達(dá)到壓縮圖像信息量，簡(jiǎn)化圖像的目的。以便于存儲(chǔ)和傳輸。④圖像重建：主要是利用采集的數(shù)據(jù)來(lái)重建出圖像。圖像重建的主要算法有代數(shù)法、傅立葉反投影法和使用廣泛的卷積反投影法等。⑤模式識(shí)別：識(shí)別是圖像處理的主要目的。如：指紋鑒別、人臉識(shí)別等是模式識(shí)別的內(nèi)容。當(dāng)今的模式識(shí)別方法通常有三種：統(tǒng)計(jì)識(shí)別法、句法結(jié)構(gòu)模式識(shí)別法和模糊識(shí)別法。⑥計(jì)算機(jī)圖形學(xué)：用計(jì)算機(jī)將實(shí)際上不存在的，只是概念上所表示的物體進(jìn)行圖像處理和顯現(xiàn)出來(lái)。
2計(jì)算機(jī)圖像處理技術(shù)在全息學(xué)中的應(yīng)用
圖像處理技術(shù)在全息中的應(yīng)用主要表現(xiàn)在：一是計(jì)算全息，基于計(jì)算機(jī)圖形學(xué)將計(jì)算機(jī)技術(shù)與光全息技術(shù)結(jié)合起來(lái)，通過(guò)計(jì)算機(jī)模擬、計(jì)算、處理，制作出全息圖。因此它可以記錄物理上不存在的實(shí)物。二是利用圖像的增強(qiáng)和復(fù)原，圖像編碼技術(shù)等對(duì)數(shù)字全息圖像質(zhì)進(jìn)行提高以及實(shí)現(xiàn)的各種算法。它的應(yīng)用大致可以分為兩大類(lèi)，即空域法和頻域法：①空域法：這種方法是把圖像看作是平面中各個(gè)像素組成的集合，然后直接對(duì)這一二維函數(shù)進(jìn)行相應(yīng)的處理?？沼蛱幚矸ㄖ饕邢旅鎯纱箢?lèi):一是領(lǐng)域處理法。其中包括梯度運(yùn)算(GradientAlgorithm)，拉普拉斯算子運(yùn)算(LaplacianOperator)，平滑算子運(yùn)算(SmoothingOperator)和卷積運(yùn)算(ConvolutionAlgorithm)。二是點(diǎn)處理法。包括灰度處理(greyprocessing)，面積、周長(zhǎng)、體積、重心運(yùn)算等等。②頻域法：數(shù)字圖像處理的頻域處理方法是首先對(duì)圖像進(jìn)行正交變換，得到變換頻域系列陣列，然后再施行各種處理，處理后再反變換到空間域，得到處理結(jié)果。這類(lèi)處包括:濾波、數(shù)據(jù)壓縮、特征提取等處理。
3模擬實(shí)驗(yàn)
本文運(yùn)用matlab軟件，利用圖像處理技術(shù)，編寫(xiě)了程序，以模擬計(jì)算全息和實(shí)現(xiàn)全息圖像的濾波。圖1是計(jì)算全息實(shí)現(xiàn)流程圖。
本文將運(yùn)用matlab程序設(shè)計(jì)語(yǔ)言實(shí)現(xiàn)計(jì)算全息的制作、再現(xiàn)過(guò)程。標(biāo)有“涉”一字，圖像尺寸為1024像素×1024像素；。模擬實(shí)驗(yàn)中用到的參數(shù)為：激光模擬了氦氖激光器，波長(zhǎng)為638.2nm；再現(xiàn)距離為40cm；因?yàn)樵嘉飯D的尺寸用像素為單位表示，所以像素分辨率為1。
從模擬實(shí)驗(yàn)中可以看出，數(shù)字全息的處理過(guò)程其實(shí)就是計(jì)算機(jī)圖像處理在全息技術(shù)的應(yīng)用過(guò)程。利用計(jì)算機(jī)圖像處理技術(shù)對(duì)全息圖進(jìn)行了記錄，將物光和參考光干涉得到了全息圖。并利用圖像的增強(qiáng)和復(fù)原對(duì)圖像進(jìn)行了處理，以消除噪聲，得到更好的全息再現(xiàn)象。
本文僅模擬了計(jì)算全息的實(shí)現(xiàn)和再現(xiàn)過(guò)程，其實(shí)，計(jì)算機(jī)圖像處理在全息技術(shù)中的應(yīng)用是全方位的，用實(shí)驗(yàn)方法得到的全息圖中包含了更多的其他無(wú)用信息（噪聲），圖像處理技術(shù)在這里就顯得尤為重要。隨著計(jì)算機(jī)圖像處理技術(shù)的進(jìn)一步發(fā)展，全息技術(shù)必然會(huì)迎來(lái)新的一輪發(fā)展和飛躍。超級(jí)秘書(shū)網(wǎng)：
參考文獻(xiàn)：
[1]周燦林，亢一瀾.數(shù)字全息干涉法用于變形測(cè)量.光子學(xué)報(bào)，2004，13（2）：171－173.
[2]劉誠(chéng)，李銀柱，李良鈺等.數(shù)字全息測(cè)量技術(shù)中消除零級(jí)衍射像的方法[J].中國(guó)激光，2001，A28(11)：1024-1026.
網(wǎng)頁(yè)中的圖像，按照存儲(chǔ)格式不同可以分為矢量圖和位圖，按照使用用途的不同，大致可以分為地址欄圖像，網(wǎng)站Logo，網(wǎng)頁(yè)內(nèi)容圖像等。地址欄圖像類(lèi)似一個(gè)圖標(biāo)，顯示在地址欄網(wǎng)址前邊，一般經(jīng)過(guò)精心設(shè)計(jì)，能夠傳遞公司專(zhuān)業(yè)與精細(xì)的形象。內(nèi)容圖像是指嵌在網(wǎng)頁(yè)中或者作為網(wǎng)頁(yè)背景的圖像。伴隨網(wǎng)絡(luò)技術(shù)和軟件技術(shù)的進(jìn)步，用于圖像處理設(shè)計(jì)的軟件有了很大的發(fā)展。網(wǎng)頁(yè)三劍客中的Dreamweaver在進(jìn)行網(wǎng)頁(yè)設(shè)計(jì)的同時(shí)，可以對(duì)一些圖片進(jìn)行簡(jiǎn)單的變化處理，fireworks能滿足對(duì)網(wǎng)頁(yè)圖片處理的大部分功能要求。對(duì)于一些有特殊要求的圖像，可以使用Adobe公司的Photoshop軟件進(jìn)行處理；在進(jìn)行Logo等設(shè)計(jì)時(shí)，一般使用CorelDraw或Illustrator等軟件來(lái)完成。在進(jìn)行圖像的設(shè)計(jì)、選擇和處理中，掌握專(zhuān)業(yè)軟件的基本使用技巧是必需的，圖像在網(wǎng)頁(yè)設(shè)計(jì)中的功能主要可以分為視覺(jué)吸引、信息引導(dǎo)兩方面。要達(dá)到這樣的目的，需要對(duì)圖像進(jìn)行合理的處理。使用動(dòng)畫(huà)圖片，以及適當(dāng)?shù)纳蕦?duì)比，形成版式的變化，吸引瀏覽者的注意，引導(dǎo)其對(duì)網(wǎng)站內(nèi)容的閱讀。根據(jù)公司對(duì)網(wǎng)站的功能定位，其所承載的任務(wù)與指向有所不同，對(duì)瀏覽者所作設(shè)定亦有差異。比如騰訊公司的騰訊網(wǎng)（）和騰訊（），一個(gè)作為門(mén)戶內(nèi)容網(wǎng)站，一個(gè)作為公司形象網(wǎng)站是兩個(gè)獨(dú)立的網(wǎng)站，設(shè)計(jì)風(fēng)格，內(nèi)容和要求差異很大。
2新技術(shù)
網(wǎng)絡(luò)作為第四媒體，其顯示終端可能是計(jì)算機(jī)，平板，電視或智能手機(jī)，為了頁(yè)面兼容等原因，前端設(shè)計(jì)出現(xiàn)了很多新技術(shù)，如div+css技術(shù)，Javascript技術(shù)等，為了方便管理，一般采用對(duì)象的結(jié)構(gòu)、表現(xiàn)和行為分開(kāi)。結(jié)構(gòu)是對(duì)象的內(nèi)容，表現(xiàn)是其外觀，而行為是與瀏覽者的交互，或者說(shuō)是瀏覽者進(jìn)行鼠標(biāo)點(diǎn)擊或輸入內(nèi)容等操作時(shí)，頁(yè)面的反應(yīng)。在進(jìn)行網(wǎng)頁(yè)設(shè)計(jì)過(guò)程中，圖像對(duì)象也是如此，利用代碼可以對(duì)圖像進(jìn)行一些效果的處理，起到資源占用少，頁(yè)面維護(hù)容易等目的，還可以達(dá)到一些用基本圖像處理技術(shù)不易實(shí)現(xiàn)的效果。用div+css結(jié)合Javascript技術(shù)可以實(shí)現(xiàn)在網(wǎng)頁(yè)前端一些設(shè)計(jì)效果和邏輯處理功能，比如圖像輪播和驗(yàn)證碼校驗(yàn)功能。在一個(gè)存在后臺(tái)管理的網(wǎng)站中，網(wǎng)頁(yè)的很多內(nèi)容來(lái)自于后臺(tái)數(shù)據(jù)庫(kù)，一些圖片也不例外，內(nèi)容需要和后臺(tái)交互，根據(jù)數(shù)據(jù)庫(kù)的內(nèi)容和頁(yè)面的特定邏輯，決定圖像的外觀。這是基本圖像處理技術(shù)無(wú)法實(shí)現(xiàn)的，需要設(shè)計(jì)者了解動(dòng)態(tài)頁(yè)面設(shè)計(jì)技術(shù)，常見(jiàn)的技術(shù)有，php和jsp技術(shù)等。
3結(jié)論
過(guò)去的文獻(xiàn)整理工作十分復(fù)雜，需要耗費(fèi)大量的時(shí)間。通常是由整理人員對(duì)需要整理的文獻(xiàn)先進(jìn)行清點(diǎn)，編寫(xiě)一個(gè)清單，然后攝影人員按照清單的內(nèi)容對(duì)資料進(jìn)行縮微拍攝，最終歸檔。但是，隨著計(jì)算機(jī)技術(shù)的不斷改革創(chuàng)新，在目前的文獻(xiàn)整理工作中融入了很多高科技的元素，計(jì)算機(jī)發(fā)揮著其重要作用。在20世紀(jì)計(jì)算機(jī)技術(shù)剛剛興起的時(shí)候，人們運(yùn)用計(jì)算機(jī)整理文獻(xiàn)的大致流程是：第一步先通過(guò)數(shù)據(jù)庫(kù)軟件對(duì)需要整理的文件中的數(shù)據(jù)進(jìn)行整合，記錄在數(shù)據(jù)庫(kù)當(dāng)中；第二步將需要拍攝的內(nèi)容錄入到Word文檔當(dāng)中，形成一個(gè)拍攝清單，里面表明刊頭等要素；第三步將文檔通過(guò)計(jì)算機(jī)打印出來(lái)。這三個(gè)步驟的完成都離不開(kāi)計(jì)算機(jī)，同時(shí)因?yàn)槿斯ぶ悄艽娴娜肆?，減少了傳統(tǒng)方法中出現(xiàn)差錯(cuò)的機(jī)會(huì)，使得整理工作更加精確和嚴(yán)密。在這一過(guò)程中，數(shù)據(jù)庫(kù)發(fā)揮著主導(dǎo)作用。到了21世紀(jì)，計(jì)算機(jī)軟件技術(shù)又出現(xiàn)了新的突破，人們需求的不斷變化，工作難度的增加，使最傳統(tǒng)的辦公軟件已經(jīng)無(wú)法應(yīng)付，需要開(kāi)發(fā)一些有針對(duì)性的軟件來(lái)完成一些特殊的流程，減少人們的工作量，提高工作的效率。在微縮工程中，文獻(xiàn)整理占據(jù)了重要的地位，因此人們針對(duì)這一工程開(kāi)發(fā)了專(zhuān)門(mén)的軟件技術(shù)。上個(gè)世紀(jì)文獻(xiàn)整理工作主要運(yùn)用的是丹誠(chéng)數(shù)據(jù)庫(kù)，但是面對(duì)復(fù)雜龐大的數(shù)據(jù)，如果僅僅是需要進(jìn)行一個(gè)膠片盒的盒標(biāo)打印工作，都需要將該數(shù)據(jù)庫(kù)當(dāng)中每一條用的到的數(shù)據(jù)依次打開(kāi)，然后再逐個(gè)進(jìn)行復(fù)制粘貼到規(guī)定的文檔當(dāng)中，規(guī)范一個(gè)格式，最后再進(jìn)行打印。如此一個(gè)小的任務(wù)，就需要進(jìn)行很多次的復(fù)制粘貼，程序很復(fù)雜，同時(shí)稍不留神就會(huì)出現(xiàn)錯(cuò)誤。針對(duì)這一問(wèn)題，一種新的計(jì)算機(jī)軟件便由此出現(xiàn)--marc-pro.exe。該應(yīng)用程序是為了輔助數(shù)據(jù)庫(kù)的工作而設(shè)計(jì)的，它能夠使數(shù)據(jù)庫(kù)充分地發(fā)揮其自身的功能，在文獻(xiàn)整理工作中發(fā)揮了重要的作用，提高了文獻(xiàn)整理工作的效率。
2對(duì)圖像處理工作的幫助
目前無(wú)論是任何地點(diǎn)，都能夠看到監(jiān)控?cái)z像頭，視頻監(jiān)控已經(jīng)成為了社會(huì)的一種現(xiàn)象。視頻監(jiān)控強(qiáng)調(diào)視頻的清晰度，才能夠更好地為大眾服務(wù)。隨著出現(xiàn)的各種圖像處理方法，圖像的清晰度在不斷地提高。而針對(duì)圖像處理這一任務(wù)，出現(xiàn)了各種處理軟件，并且隨著人們對(duì)圖像清晰度提出的新要求，這些軟件也在不斷的完善。
2.1常用的圖像處理功能
下面為大家分析一下在圖像處理時(shí)候，對(duì)軟件要求的幾項(xiàng)功能。模糊圖像清晰化功能。實(shí)際拍攝中，焦距、運(yùn)動(dòng)等對(duì)圖像進(jìn)行的影響，出現(xiàn)圖像模糊化，運(yùn)用處理軟件使原本模糊的圖像清晰。該項(xiàng)功能在實(shí)際生活中得到了廣泛的運(yùn)用；消除噪聲。很多視頻拍攝完畢后，都會(huì)有很多干擾的聲音，覆蓋了我們需要的聲音。利用自動(dòng)增強(qiáng)的功能，能夠使該圖像所要反映的內(nèi)容更加突出；同時(shí)還能夠?qū)D像進(jìn)行銳化處理、將其鋸齒消除。同時(shí)，由于很多監(jiān)控設(shè)備像素不是很高，拍攝出來(lái)的畫(huà)面在放大之后會(huì)出現(xiàn)一片馬賽克的現(xiàn)象，可以運(yùn)用軟件將馬賽克弱化。在拍攝物體的時(shí)候，如果該物體是背朝光源，就會(huì)出現(xiàn)拍攝出來(lái)的畫(huà)面很暗，無(wú)法看清楚物體的原貌，這是就可以用明暗校正的功能來(lái)處理該圖像；圖像的重建功能?？梢詫⑴臄z的畫(huà)面分為多個(gè)幀，將幀進(jìn)行融合，然后將模糊的部分進(jìn)行清晰化處理；如果圖像中出現(xiàn)的人物面部不是很清晰，可以通過(guò)幀平均的方法，使人的五官變得更加清楚；對(duì)動(dòng)態(tài)視頻處理的功能?？梢詫⑴臄z中畫(huà)面的亮度、明暗對(duì)比、噪聲等問(wèn)題進(jìn)行處理；因?yàn)楣饩€、監(jiān)控機(jī)自身的原因，造成了拍攝的畫(huà)面出現(xiàn)了失真的問(wèn)題，可以通過(guò)還原圖像的功能，使原本圖像的顏色真實(shí)展現(xiàn)在人們眼中。
2.2具體實(shí)例
