多环芳烃检测方法的综述

多环芳烃检测方法的综述
多环芳烃检测方法的综述

环境样品中多环

芳烃检测方法的研究进展

摘要:本文对近对环境样品中多环芳烃的的样品前处理技术和测定方法的研究进展作了一个综述。主要介绍了液液萃取、固相萃取、索氏提取,等前处理技术以及光谱法、高效液相色谱法、质谱联用法、酶联免疫等检测方法。讨论了环境中多环芳烃的检测技术的发展前景。

关键字多环芳烃检测高效液相色谱法分光光度法

1.前言

多环芳烃(Polycyclic Aromatic Hydrocarbons,PAHs)是指分子中含有两个或两个以上苯环的碳氧化合物,它是由烟草烟雾,汽车尾气,石油蒸馏物,煤炭,木材,油等的不完整燃烧等产生的,广泛存在于水,空气,大气,土壤以及食物中是一种普遍存在的环境有机污染物。由于这类物质具有较强的致畸、致癌、致突变作用[1],近年来多环芳烃的污染与防治受到世界普遍重视。我国饮用水卫生标准规定多环芳烃的代表性物质苯并(a)芘在水中的含量应小于0.01ug/L,而美国环保局列出了包括萘、蒽、芘在内的16种优先控制多环芳烃,要求它们的总量不得高于0.2ug/L[2]。

PAHs在环境中存在的浓度一般为痕量或超痕量级,且环境样品基体复杂,干扰物多,稳定性差,通常很难直接测定,因此对样品进行预处理以富集待测组分,消除基体的干扰,提高检测的灵敏度、降低检测限是分析工作者迫在眉睫的任务。本文对多环芳烃样品的前处理以及分析方法的最新研究进展做了一个综述

2不同基制中多环芳烃的萃取方法

2.1土壤

环境中的多环芳烃可以通过降雨、降雪和降尘等多种方式进入土壤, 由于土壤基质较为复杂,对土壤中多环芳烃的测定较其它介质更为困难。传统的萃取方法与净化方法有

2.1.1索氏提取法

萃取法效率高, 但是这种方法是费时冗长的, 约需十几小时甚至

更长。自动索氏提取方法采用加热浸泡与淋洗同时进行,大大加快了萃取过程,同时用商品化的固相萃取小柱代替人工填充的层析柱进行净化,简化了手工操作步骤,提高了方法的准确度与重现性。笔者探讨了自动索氏

2.1.2 超临界流体萃取

虽然超临界流体萃取在制备样品时比其它方法有着很多优越性, 但它需要复杂的装备和昂贵的费用

2.1.3 超声萃取、

人工填充硅胶柱等均存在溶剂消耗大、耗时长、操作烦琐等缺点,不利于大量样品的测定。

综上所述,土壤中的多环芳烃的萃取步骤相对比较繁琐,应用有机溶剂的用量也比较大,因此,开发步骤简单,有机溶剂消耗量小的多环芳烃的土壤样品前处理技术具有一定的意义

2.2水样

1.2.1固相萃取( SPE)

固相萃取( SPE) 是一个包括液相和固相的物理萃取过程。在固相萃取中,固相对分析物的吸附力比溶解分析物的溶剂更大。当水样通过吸附剂床时, 分析物浓缩在其表面, 其它

样品成分则通过吸附剂床, 通过只吸附分析物而不吸附其它样品成分的吸附剂, 可以得到高纯度和浓缩的分析物。与传统的液液萃取相比, 固相萃取避免了乳化现象, 方法重现性好, 选择性强、分离时间短、富集倍数高、精密度和准确度较高以及有机溶剂消耗低等突出的优

点。

目前,常用的固相萃取装置有SPE 柱、SPE 盘、SPME 三种形式。利用固相萃取技术检测环境水样中的PAHs, 国内外均有大量的报道

2.2.2液液萃取技术

液液萃取采用两种互不相溶或相互间溶解度较小、可以

分层的溶剂系统进行两相萃取,一相溶剂通常就是被污染的水溶液相,而另一相溶剂则要使用那些对芳烃类有机物易溶的溶剂,如,环己烷、正己烷等弱极性溶剂,在萃取完成后( 一般连续萃取3

次) ,合并有机相并浓缩即可得到所要样品。液液萃取萃取效果好,应用比较广泛。但是液液萃取技术存在有机溶剂用量大,劳动强度大,重复性差,误差也较大等缺点

常见的液液萃取技术有, 液液微萃取,液液分散微萃取

2.3 气体

2.3.1 烟气捕集及预处理

气体中多环芳烃的预处理一般通过压缩收集气体于一定的密封装置中,然后加入多种有机溶剂如丙酮、苯、环己烷、氯仿、甲醇( 或其它醇类) 、石油醚、二氯甲烷和四氢呋喃等提取。用有机溶剂提取到的烟气提取液中含有一定量的微粒杂质

这些杂质可PAHs 的定量分析,因此提取需要经过一定的分离和净化,通常将萃取的滤液经过填充有氧化铝、硅胶、Sephadex LH20 或60 和硅镁型吸附剂来达到分离和纯化的目的

2.3.2 检测方法

这些提取方法主要有索氏提取法、超声波、液固和超临界流体萃取等, 索氏提取( Soxhlet)法比较经典[3, 4] , 超声波提取法的应用越来越广泛[ 5- 7] , 液固萃取法在所有提取方法中操作最为简单,对设备的要求也最低[8] , 超临界流体萃取法和快速溶剂萃取系统是新出现的

PAHs 提取方法, 速度快, 回收率高[9] 。

3.多环芳烃的检测方法

多环芳烃的传统检测方法主要有柱层析、纸层析、同步荧光光谱等方法,但上述方法操作繁杂,分析周期长,难于对多环芳烃进行系统分析。现在比较通用的多环芳烃的检测方法主要有以下几种3.1分光光度法

分光光度法有紫外可见分光光度法、荧光光谱法还有一些新的发光分析法等。荧光分析法比吸收分光光度法的检出低,灵敏度高,更适宜对环境中多环芳烃的。同步荧光法是一种新型荧光分析技术,可以同时扫描荧光激发和发射两个单色仪波长,由测得的荧光信号强度对应的发射波长或激发波长得到光谱图,比常规荧光法有更高的选择性和灵敏度。何立芳[11]等建立了多环芳烃的胶束增敏导数-恒能量同步荧光同时分析方法。恒能量同步扫描所得到多环芳烃的谱带位置均对应常规光谱中的最佳激发-发射位置,经二阶求导后,消除谱带的干扰,得到二阶导数-恒能量同步荧光光谱,可同时测定菌、荧蒽、菲等三种多环芳烃。该法快速、灵敏,为预测和治理水污染提供了一种快速简便的测试方法。

3.2高效液相色谱法(HPLC)

高效液相色谱法能分析高沸点、热稳定性差的有机化合物,是环境污染物分析鉴定的重要工具,在多环芳烃、苯胺类以及残留的有机农药分析方面,得到越来越广泛的应用

国标GB/T5750.8–2006〔12〕规定采用高效液相色谱法测定生活饮用水及其水源水中苯并[α] 芘。最低检测质量为0.07 ng,若取500 ml 水样测定,该法最低检测质量浓度1.4ng/L.水中苯并[α] 芘及其它芳烃能被环己烷萃取,萃取液经活性氧化铝吸附净化,以苯洗脱、浓缩后,可用液相色谱―荧光检测器定量分析。王秀梅等〔13〕用液相色谱法检测水中苯并[α] 芘含量,发现高效液相色谱法监测精密度高,

标准偏差偏差为0.0863、变异系数为0.87%、回收率为93.1,检出限低于国家标准规定最低检测限0.01 μg/L,分析准确度较高。杨红梅等〔14〕研究肉类食品中苯并芘残留的高效液相色谱测定法,采用反相色谱柱,流动相为甲醇和水,流速1.0 ml/min、激发波长365 nm、发射波长410nm、柱温35℃、进样量5μl、检出限0.5 μg/kg、回收率80.0%~83.0%、相对偏差为1.25%。该法具有样品预处理简单、毒性小、灵敏度高、分析时间短等优点。

3.3纸层析―荧光分光光度法

GB/T5750.8–2006规定用纸层析―荧光分光光度法测定生活饮用水及其水源水中苯并[α] 芘。最低检测量为5.0 ng,若取2 L 水样测定,则最低检测质量浓度为2.5ng/L,且水中存在一般物质不干扰测定。水中多环芳烃能被环己烷萃取并为活性氧化铝所吸附,以苯洗脱、浓缩后乙酰化滤纸上层析,将多环芳烃分离,苯并芘在紫外光照射下呈蓝紫色荧光斑点,取下以丙酮洗脱,其洗脱液荧光强度与苯并芘含量成正

比,可定量测定。

3.4 气质联用法

何智慧等〔15〕采用自行研制纳米材料对卷烟烟气中苯并芘含量选择性降低情况进行研究,用气相色谱―质谱联用法检测卷烟烟气中苯并芘含量变化。结果表明,该材料对降低卷烟烟气中苯并芘效果明显,其制备纳米材料放于卷烟滤嘴中,若纳米材料均匀分布至整个滤嘴中,吸附效果明显增加,且材料添加量增大也会进一步降低卷烟烟气中苯并芘含量。

3.5 酶联免疫吸附法

罗胜联等〔16〕发明一种特异性半定量检测苯并芘方法,主要利用酶联免疫吸附法检测,试验加入辣根过氧化物酶化学发光底物后使用感光胶片对信号显影曝光,再对检测信号进行分析。

3.6新的检测方法

近年来,随着工业化和计算机技术的迅猛发展,稳定,高辨率和高灵敏度的分析仪器被不断地推向市场.其中有一大批新的技术被应用于多环芳烃的检测,这些新技术主要有; 化学电离源质谱法, 快速气相色谱, 超高速液相色谱, 全二维气相色谱测定, 全二维液相色谱(17) 4.前景以及展望

综上所述,国内外对多环芳烃的的检测,其发展趋势是提高检测方法的灵敏度,降低样品检出限,提高定性能力,因而也需要建立快速、灵敏的筛选方法。另外,还需要建立适合于不同种类残留物质的灵敏度高、定性能力强的方法。

参考文献

[1] Menzie C A,Potoki B B.SantodonatoJ.Environ.Sci.Techn01.[J],1992,

26(7):1278.

[2]Miton II.Analytical Chemistry of Polycyclic Aromatic Compounds[M].Academic

Press,INC,1981:17.

[3] 谢重阁. 环境中的BaP 及其分析技术[M] . 北京: 中国环境科学出版社, 1991.

[4] J. Dumont, F. Laroeque-Lazure, C. Corio. An alternative isolation procedure for the

subsequent determination of benzo ( a) pyrene in total particulate matter of cigarette

smoke[ J] . Journal of Chromatography Science, 1993, 31: 371- 373.

[5] 张国安, 王复. 卷烟烟气中多环芳烃的分析方法[ J] . 华东理工大学学报,

2002, 27( 2) : 186- 191.

[6] 李筱蕾. 大气飘尘中多环芳烃的GCPMS 研究[ J] . 质谱学报, 1995, 16( 4) :

40- 43.

[7] Bruce A. Tomkins, Roger A. Jeakins, Wayne H. Grriest, et al. Liquid chromatographic

determination of BaP in total particulate matter of cigarette smoke[ J] . Tobacco. 1985, 68( 5) : 935- 940.

[8] DANUTA BODIEK, BEATA TANOSIKA. Comparison of polycyclic aromatic

compounds and heavy metals contents in sevage sludges from industrialized and non- industrialized reg ion[ J] . Water Air Soil Pollution, 1998, 106: 359- 369.

[9] H. B. Lee, 翁建华, 黄连芬. 超临界二氧化碳萃取- GCPMS 测定土壤中的多环

芳烃[ J] . 中国环境监测, 1996, 12( 2) : 9- 12.

[11]何立芳,林丹丽.光谱实验室,2005,22(1):109-112.

[12] GB/T5750.8–2006,生活饮用水标准检验法[S].

[13]王秀梅,张宁惠. 液相色谱仪测定水中苯并[α]芘方法应用[J].

陕西化工,1999,28(3):32― 33.

[14]杨红梅,王浩,刘艳琴,等. 高效液相色谱法测定肉类食品中苯并芘残留

的研究[J]. 食品研究与开发,2006,27(10):124―126.

[15]何智慧,练文柳,罗嘉,等. 选择性降低卷烟烟气中苯并芘含量的研究[J]. 现

代科学仪器,2006,(1):76― 77.

[16]罗胜联,陈章,刘玉堂,等. 一种特异性半定量检测苯并芘的方法[P].

201010144427.0,CN 101806798 A.

[17] 刘艳,张经华,林金明.多环芳烃检测技术研究进展[J].环境保护相关领域研究

进展, 2005, (3):123― 125

[18] Wei 13 haar IL Rapid determination of heavy polycyclic aromatic hydrocarbons in

edible fats oils[J].Eur J Lipid Sei Techol,2002,104(5):282-285.

[19]Guill6n M D,Sopelana P,Palencia G.Polycyclic aromatic hydrocarbons and olive

pomaee oil[J].J Agric Food Chem,2004,52(1):2123~2132.

[20]Horrobin D F,Manku M S.USP:5635189,1997.

[21]Barranco A,Alonso—Salces R M,Berrueta L A,et a1.Comparison of two sample

clean—up methodologies for the determination of polycyclic aromatic hydrocarbons in edible oils[J].Journal of Separation Science,2003,26(17):1554-1562.

[22]Barranco A,Alonso-Salces R M,Corta E,et aL Comparison of donor—aeceptor and

alumina columns for the clear—up of polyeyclie aromatic hydrocarbons from edible oils[J].Food Chem,2004,86:465-475.

[23]Moret s,Conte L S.A rapid method for polyeyelic aromatic hydrocarbon

determination in vegetable oils[J].J Sep Sci,2002,25(1,2):96~100.

遥感变化监测 流程

多时相土地利用/覆盖变化监测研究 方法及数据选取 土地是一个综合的自然地理概念,它处于地圈-生物圈-大气圈相互作用的界面,是各种自然过程和人类活动最为活跃的场所。地球表层系统最突出的景观标志就是土地利用和土地覆盖( Land Use and Land Cover)。由于土地利用和土地覆盖与人类的生活、生产息息相关,而人类活动正以空前的速度、幅度和空前规模改变着陆地环境。人类对土地资源的利用引起的土地利用和土地覆盖的变化是全球环境变化的重要因素之一,也是地球表面科学研究领域中的一个重要分支。因此,土地利用和土地覆盖的动态监测(Land Use and Land Cover Monitoring)是国内外研究的热点,也是当前全球变化研究计划的重要组成部分。 由多时相遥感数据分析地表变化过程需要进行一系列图像处理工作,大致包括:一、数据源选择,二、几何配准处理,三、辐射处理与归一化,四、变化监测算法及应用等。 一、遥感数据源的选取 不同遥感系统的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率不同,选择合适的遥感数据是变化监测能否成功的前提。因此,在变化监测之前需要对监测区域内的主要问题进行调查,分析监测对象的空间分布特点、光谱特性及时相变化的情况,目的是为分析任务选择合适的遥感数据。同时,考虑到环境因素的影响,用于变化监测的图像最好是由同一个遥感系统获得,如果由于某种原因无法获得同一种遥感系统在不同时段的数据,则需要选择俯视角与光谱波段相近的遥感系统数据。 1时间分辨率 这里需要根据监测对象的时相变化特点来确定遥感监测的频率,如需要一年一次、一季度一次还是一月一次等。同时,在选择多时相遥感数据进行变化监测时需要考虑两个时间条件。首先,应当尽可能选择用每天同一时刻或者相近时间的遥感图像,以消除因太阳高度角不同引起的图像反射特性差异;其次,应尽可能选用年间同一季节,甚至同一日期的遥感数据,以消除因季节性太阳高度角不同和植物物候差异的影响。 2空间分辨率 首先要考虑监测对象的空间尺度及空间变异的情况,以确定其对于遥感数据的空间分辨率的要求。变化监测还要求保证不同时段遥感图像之间的精确配准。因此,最好是采用具有相同瞬时视场(IFOV)的遥感数据,如具有同样空间分辨率的TM图像之间就比较容易配准在一起。当然也可以使用不同瞬时视场遥感系统获取的数据,如某一日期的TM图像(30m ×30m)与另一日期的SPOT图像(20m×20m),来进行变化监测,在这种情况下需要确定一个最小制图单元20m×20m,并对这两个图像数据重采样使之具有一致的像元大小。 一些遥感系统按不同的视场角拍摄地面图像,如SPOT的视场角能达到±27°,在变化监测中如果简单采用俯视角明显不同的两幅遥感图像,就有可能导致错误的分析结果。例如,对一个林区,不均匀地分布着一些大树,以观测天顶角0°拍摄的SPOT图像是直接从上向下观测到树冠顶,而对于一幅以20°观测角拍摄的SPOT图像所记录的是树冠侧面的光谱反射信息。因此,在变化监测分析中必须考虑到所用遥感图像观测角度的影响,而且应当尽可能采用具有相同或相近的俯视角的数据。 3光谱分辨率 应当根据监测对象的类型与相应的光谱特性选择合适的遥感数据类型及相应波段。变化监测分析的一个基本假设是,如果在两个不同时段之间瞬时视场内地面物质发生了变化,则不同时段图像对应像元的光谱响应也就会存在差别。所选择的遥感系统的光谱分辨率应当足

运动目标检测方法总结报告

摘要 由于计算机技术的迅猛发展,使得基于内容的视频信息的存取、操作和检索不仅成为一种可能,更成为一种需要。同时,基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域,有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来,如果仅仅依靠一种检测算法,难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要,因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法,并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论,然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词:运动目标检测光流法帧差法背景建模方法

ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method

运动目标检测光流法

摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动,它可以反映视频相邻帧之间的运动信息,因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强,再加上其中有丰富的图像处理函数,所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序,运用Horn-Schunck算法对图像前后两帧进行处理,画出图像的光流场。而图像的光流场每个像素都有一个运动矢量,因此可以反映相邻帧之间的运动,分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字:光流法;Horn-Schunck算法;matlab

目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)

1 光流法的设计目的 数字图像处理,就是用数字计算机及其他有关数字技术,对图像进行处理,以达到预期的目的。随着计算机的发展,图像处理技术在许多领域得到了广泛应用,数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后,进行的综合性训练课程,其目的是:使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法;增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力;尝试所学的内容解决实际工程问题,培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分,近些年来,随着多媒体技术的迅猛发展和计算机性能的不断提高,动态图像处理技术日益受到人们的青睞,并且取得了丰硕的成果,广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此,基于光流法,实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志,初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度,它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”,即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体

遥感图像分类方法综述

龙源期刊网 https://www.360docs.net/doc/c716145136.html, 遥感图像分类方法综述 作者:胡伟强鹿艳晶 来源:《中小企业管理与科技·下旬刊》2015年第08期 摘要:对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结, 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍,并对遥感图像分类方法研究的发展趋势做了展望。 关键词:遥感图像;监督分类;分类精度 1 概述 遥感就是远离地表,借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成:遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波,通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时,不必对遥感图像影像地物获取先验类别知识,仅依靠遥感图像上不同类别地物光谱信息进行特征提取,根据图像本身的统计特征的差别来达到分类的目的。主要的算法有:K-均值聚类(K-means)算法和迭代自组织数据分析法(Iterative Self-organizing Data Analysis Techniques A, ISODATA)等。 2.2 监督分类方法 对于监督分类,训练区的选择要求有代表性,训练样本的选择要考虑到遥感图像的地物光谱特征,而且样本数目应能够满足分类的要求,否则,一旦样本数目超过一定的阈值时,分类器的精度便会下降。主要的算法有:最大似然分类(Maximum Likelihood classification,MLC)、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中,人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段,每一个输出层神经元则对应于一种土地覆盖类型。其

遥感影像变化检测

遥感影像变化检测报告 学院: 专业: 指导老师: 小组成员: 2013年5月

1、遥感影像变化检测的概念 遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据 来确定和分析地表变化。它利用计算机图像处理系统,对不同时段目标或现象状态的变化进行识别、分析;它能确定一定时间间隔内地物或现象的变化,并提供地物的空间分布及其变化的定性与定量信息。 由此可知,遥感影像变化检测是从不同时期的遥感图像中,定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述,即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物,包括自然地物和人造地物,其中人造地物在军事上常被称为目标。描述地物的特性包括:空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。 变化检测通常包括以下4个方面的内容: (1)判断是否发生了变化,即确定研究区域内地物是否发生了变化; (2)标定变化发生的区域,即确定在何处发生了变化,将变化像元与未变化像元区分开来; (3)鉴别变化的性质,给出在每个变化像元上所发生变化的类型,即确定变化前后该像元处的地物类型; (4)评估变化的时间和空间分布模式。 其中,前两个方面是变化检测所要解决的基本问题,而后两个方面则根据应用要求决定是否需要做。 2、遥感影像变化检测的三个层次 遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分,可将变化检测分为:像元级变化检测、特征级变化检测和目标级变化检测。 (1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性,但由于它是基于最原始的图像数据,能更多地保留图像原有的真实感,提供其它变化检测层次所不能提供的细微信息,因而目前绝大多数的变化检测方法都是像元级变化检测。 (2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息,如边缘、形状、轮廓、纹理等,然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理,把特征分类成有意义的组合,因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征,所以在特征提取过程中不可避免地会出现信息的部分丢失,难以提供细微信息。 (3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标),是在图像理解和图像识别的基础上进行的变化检测,它是一种基于目标模型的高层分析方法。 变化检测的三个层次在实现上各有优缺点,在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息,具有特征级和目标级层次上所不具备的细节信息,但像元级变化检测仅考虑像素属性的变化,而未考虑其空间等特征属性的变化;特征级变化检测不仅考虑到空间形状的变化,而且还要考虑特征属性的变化,但特征级的变化检测依赖于特征提取的结果,但特征提取本身比较困难;目标级的变化检测最大的优点是它接近用户的需求,检测的结果可直接应用,但它的不足之处在于目标提取的困难性。

遥感图像分类方法研究综述

第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005  遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明 650092;2.云南省寄生虫病防治所,思茅 665000; 3.云南开远市第一中学,开远 661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751 文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0 引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1 遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2 基于统计分析的遥感图像分类方法 2.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。

16种常见多环芳烃的物理性质

16种常见多环芳烃的 物理性质 -CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN

萘英文名称NAP Naphthalene分子量 128.18 物理性质;密度1.162 熔点80.5℃,沸点217.9℃,凝固点,80.5℃,闪点78.89℃,折射率1.58212(100℃)恒压燃烧热:40264.1J/g(标准大气压,298.15K)恒压燃烧热:40205J/g(标准大气压,298.15K)。不溶于水,溶于乙醇和乙醚等。易挥发,易升华溶于乙醇后,将其滴入水中,会出现白色浑浊。化学性质(1)萘的氧化温和氧化剂得醌,强烈氧化剂得酸酐。萘环比侧链更易氧化,所以不能用侧链氧化法制萘甲酸。电子云密度高的环易被氧化。(2)萘的还原(3)萘的加成(4)萘的亲电取代反应萘的a-位比b-位更易发生亲电取代反应。a-位取代两个共振式都有完整的苯环。b-位取代只有一个共振式有完整的苯环。在萘环上主要发生亲电取代,同苯环一样,但活性比苯环强从中间对称的两个C旁边的C开始标,其中1,4,5,8号碳活性完全一样(称为阿尔法碳),2,3,6,7号碳性质完全一样(称为贝塔碳)。一般情况下,阿尔法碳活性大于贝塔碳,取代基在阿尔法位上,这是由动力学控制,温度较高时,阿尔法碳[1]上取代基会转移到贝塔碳上。但在萘的弗瑞德-克来福特酰基化反应,不加热却生成了阿尔法位和贝塔位的混合物。如用硝基甲烷为溶剂,则主要生成贝塔酰化产物。 苊烯ANY Acenaphthylene 分子量:152.200 性质:黄色棱柱状或板状结晶。熔点92-93℃,沸点265-275℃(部分分解),156-160℃(3.73千帕),相对密度0.8988(16/2℃),易溶于乙醇、甲醇、丙醇、乙醚、石油醚、苯,不溶于水。能在强酸中聚合。 苊ANA Acenaphthene 英文别名:1,8-Ethylenenaphthalene 分子量:154.21性状描述:白色或略带黄色斜方针状结晶。物理参数:密 度:1.0242(99/4°C) 熔点:96.2°C 沸点:279°C 闪点:125°C 折射率:1.6048(95°C) 芴FLU Fluorene分子量:166.22 性状描述:白色叶状至小片状结晶物理参数:密度:1.202 g/mL 熔点:116-117°C 沸点:295°C 闪点:151°C

(完整版)视频目标检测与跟踪算法综述

视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一,目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法,分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰,目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法,其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标,假设f k(x, y)和f(k i)(x, y)分别为图像序列中的第k帧和第k+1帧中象素点(x,y)的象素值,则这两帧图像的差值图像就如公式2-1所示: Diff ki f k(x, y) f(k 1)(x, y)(2-1)2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域(背景象素值不变),又因为相邻视频帧间时间间隔很小,目标位置变化也很小,所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程:1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1;2、对所得到的差值图像Diff k 1二值化(如 式子2-2示)得到Qk+1 ;3、为消除微小噪声的干扰,使得到的运动目标更准 确,对Q k 1进行必要的滤波和去噪处理,后处理结果为M k 1。 1

(完整word版)基于图像处理的运动物体的跟踪与检测开题报告

1、课题来源 随着计算机技术的高速发展,运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。运动跟踪和检测的应用广泛,在智能监控和人机交互中,如:银行、交通、超市等场合常常使用运动跟踪分析技术,通过定位物体并对其行为进行分析,一旦发现物体有异常行为,监控系统就发出警报,提醒人们注意并即时的处理,改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。特别在军事上,先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。正因如此,对运动目标的跟踪和检测的研究很有价值。 2、研究目的和意义 运动目标检测是图像处理与计算机视觉的一个分支,在理论和实践上都有重大意义,长久以来一直被国内外学者所关注。在实际中,视频监控利用摄像机对某一特定区域进行监视,是一个细致和连续的过程,它可以由人来完成,但是人执行这种长期枯燥的例行监测是不可靠,而且费用也很高,因此引入运动监测非常有必要。它可以减轻人的负担,并且提高了可靠性。概括起来运动监测主要包括三个内容:运动目标检测,方向判断和图像跟踪。运动目标检测是整个监测过程的基础,运动目标的提取准确与否,直接关系到后续高级过程的完成质量。3、国内外研究现状和发展趋势及综述 运动目标检测在国外已经取得了一些的研究成果,许多相关技术已经开始应用到实际系统中,但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等。 4、研究方法

遥感影像云识别方法综述

遥感影像云识别方法综述 国内外对云的检测与分类研究较多,有较多的研究成果报道。其方法大致可以分为两类,一类是基于光谱的方法,主要利用云在不同的光谱波段有不同反射特征,大部分以灰度阈值或灰度聚类的方法实现,主要用于多光谱影像,早期研究较多。如用于A VHRR的ISCCR 法(ROSSOW,1989)、CLA VR法(STOWE,1991)和用于的C02法(WGLIE,1994),近期亦研究用于MODIS的一些云识别与分类的方法,主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多,如灰度共生矩阵(GLCM)、灰度差分矩阵(GLDM)、灰度差分矢量(GLDV)、和差直方图(SADH)等,新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法,频域/空域联合分析法中的Gabor变换、小波变换等,有不少的研究成果报道。 1. 基于光谱特征的方法: 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制,检测方法中公用到窄的可见光波段(0.6)和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况(这两种大气状况相联系的辐射值变化并不相互重叠),把每一个像元的观测辐射值与晴空辐射值比较,若两者的差大于晴空辐射值本身的变化时,定该像元点为云点。因此算法依赖于阈值,阈值勤的大小就确定了晴空计值中不确定性的大小,当像元的车射值明显有别于晴空像元时,认为像元被云覆盖,但当像元部分被云覆盖时,会发生误判。 算法主要由有五部分组成: (1)单一红外图像的空间对比试验。 (2)三个连续红处图像的时间对比试验。 (3)可见光和红外图像的空间/时间的累计统计合成。 (4)每5天的可见光和红处辐射的晴空合成。 (5)每个像元的可见光和红外辐射阈值勤的选取。 APOLLO(The A VHRR Processing scheme Over cloud Land and Ocean)算法主要由Saunders和Kriebel(1988),Kriebel等(1989)和Gesell(1989)研制开发,它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上,像元被认为是有云像元,必须满足几个条件:像元的反射率比所设定的阈值高或温度比所设定的阈值低;通道2与通道1的比值介于0.7和1.1之间;通道4和通道5的亮度温差大于所设定的阈值;若像元在海洋上,其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测,像元为晴空,只要有一个未通过,就认为像元被云污染,因此这个检测方法具有保守性。利用其中的两个检测,。设定不同的阈值,可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法(Phase I)(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值,不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时,像元矩阵为无云;4个像素点全通过有云识别时,像素点矩阵为完全云盖;4个像素点中有1至3个像元通过有云判识时,认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元,满足另类晴空检测条件,像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同,把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中,用9天的合成晴空辐射作为晴空辐射值,并对云污染的像元进行分类。

16种常见多环芳烃的物理性质

萘英文名称NAP Naphthalene分子量128.18 物理性质;密度1.162 熔点80.5℃,沸点217.9℃,凝固点,80.5℃,闪点78.89℃,折射率1.58212(100℃)恒压燃烧热:40264.1J/g(标准大气压,298.15K)恒压燃烧热:40205J/g(标准大气压,298.15K)。不溶于水,溶于乙醇和乙醚等。易挥发,易升华溶于乙醇后,将其滴入水中,会出现白色浑浊。化学性质(1)萘的氧化温和氧化剂得醌,强烈氧化剂得酸酐。萘环比侧链更易氧化,所以不能用侧链氧化法制萘甲酸。电子云密度高的环易被氧化。(2)萘的还原(3)萘的加成(4)萘的亲电取代反应萘的a-位比b-位更易发生亲电取代反应。a-位取代两个共振式都有完整的苯环。b-位取代只有一个共振式有完整的苯环。在萘环上主要发生亲电取代,同苯环一样,但活性比苯环强从中间对称的两个C旁边的C开始标,其中1,4,5,8号碳活性完全一样(称为阿尔法碳),2,3,6,7号碳性质完全一样(称为贝塔碳)。一般情况下,阿尔法碳活性大于贝塔碳,取代基在阿尔法位上,这是由动力学控制,温度较高时,阿尔法碳[1]上取代基会转移到贝塔碳上。但在萘的弗瑞德-克来福特酰基化反应,不加热却生成了阿尔法位和贝塔位的混合物。如用硝基甲烷为溶剂,则主要生成贝塔酰化产物。 苊烯ANY Acenaphthylene 分子量:152.200 性质:黄色棱柱状或板状结晶。熔点92-93℃,沸点265-275℃(部分分解),156-160℃(3.73千帕),相对密度0.8988(16/2℃),易溶于乙醇、甲醇、丙醇、乙醚、石油醚、苯,不溶于水。能在强酸中聚合。 苊ANA Acenaphthene 英文别名:1,8-Ethylenenaphthalene 分子量:154.21性状描述:白色或略带黄色斜方针状结晶。物理参数:密度:1.0242(99/4°C) 熔点:96.2°C 沸点:279°C 闪点:125°C 折射率:1.6048(95°C) 芴FLU Fluorene分子量:166.22 性状描述:白色叶状至小片状结晶物理参数:密度:1.202 g/mL 熔点:116-117°C 沸点:295°C 闪点:151°C 菲PHE Phenanthrene 分子量:178.23性状描述:类白色粉状结晶体。物理参数密度:1.179 g/mL(25°C) 熔点:101°C 沸点:340°C 折射率:1.59427 蒽ANT Anthracene 分子量178.22物理性状带有淡蓝色荧光的白色片状晶体或浅黄色针状结晶。(纯品为白色带紫色荧光) 相对密度 1.25(27℃);1.283(25℃),熔点217,沸点342,闪点196.1,121.1(闭式)(以上均为℃),蒸汽压[1] 0.13kPa/145℃不溶于水、难溶于

目标检测综述

一、传统目标检测方法 如上图所示,传统目标检测的方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域,然后对这些区域提取特征,最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置,而且目标的大小、长宽比例也不确定,所以最初采用滑动窗口的策略对整幅图像进行遍历,而且需要设置不同的尺度,不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置,但是缺点也是显而易见的:时间复杂度太高,产生冗余窗口太多,这也严重影响后续特征提取和分类的速度和性能。(实际上由于受到时间复杂度的问题,滑动窗口的长宽比一般都是固定的设置几个,所以对于长宽比浮动较大的多类别目标检测,即便是滑动窗口遍历也不能得到很好的区域) (2) 特征提取由于目标的形态多样性,光照变化多样性,背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。(这个阶段常用的特征有SIFT、HOG等) (3) 分类器主要有SVM, Adaboost等。 总结:传统目标检测存在的两个主要问题: 一是基于滑动窗口的区域选择策略没有针对性,时间复杂度高,窗口冗余; 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。

二、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题,我们该如何解决呢? 对于滑动窗口存在的问题,region proposal提供了很好的解决方案。region proposal(候选区域)是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息,可以保证在选取较少窗口(几千个甚至几百个)的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度,并且获取的候选窗口要比滑动窗口的质量更高(滑动窗口固定长宽比)。比较常用的region proposal算法有selective Search和edge Boxes,如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals?” 有了候选区域,剩下的工作实际就是对候选区域进行图像分类的工作(特征提取+分类)。对于图像分类,不得不提的是2012年ImageNet大规模视觉识别挑战赛(ILSVRC)上,机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%,而使用传统方法的第二名top-5 error高达26.2%。此后,卷积神经网络占据了图像分类任务的绝对统治地位,微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多,这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年,RBG(Ross B. Girshick)大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征,设计了R-CNN框架,使得目标检测取得巨大突破,并开启了基

检测交通视频中运动目标的程序设计

专业综合实践任务书 学生姓名:________专业班级: 指导教师: 工作单位: 信息工程学院 题目:检测交通视频中运动目标的程序设计 初始条件: (1)提供实验室机房及其matlab软件; (2)数字图像处理的基本理论学习。 要求完成的主要任务:(包括课程设计工作量及其技术要求,以及说明书撰写等具体 要求): (1)学习运动目标检测的原理及方法,并利用matlab设计程序完成以下功能;(2)读取交通视频文件; (3)运用一种背景建模方法,提取背景图像; (4)读取一帧有运动目标的图像,利用背景差分法,得到差分区域; (5)对差分区域进行数学形态学处理,得到完整的运动目标区域,并显示运动目标检测结果图; (6)对检测的结果进行分析比较; (7)要求阅读相关参考文献不少于5篇; (8)根据课程设计有关规范,按时、独立完成课程设计说明书。 时间安排: (1) 布置课程设计任务,查阅资料,确定方案 1.5天; (2) 进行编程设计、调试2天; (3) 完成课程设计报告书、答辩 1.5天; 指导教师签名: 年月日系主任(或责任教师)签名: 年月日

目录 摘要 (1) 1.概述 (2) 2.设计原理 (3) 2.1 背景提取与更新算法 (3) 2.1.1 手动背景法 (4) 2.1.2 统计中值法 (4) 2.1.3 算术平均法 (4) 2.1.4 Surendra算法 (5) 2.2 背景差分法运动目标检测 (6) 2.3 形态学滤波 (7) 2.4总体方案设定 (9) 2.4.1 算术平均法与Surendra算法相结合的背景建模 (9) 2.4.2 总体程序框图 (10) 3.软件编程实现 (11) 4.结果及分析 (13) 5.心得体会 (17) 参考文献 (18)

多环芳烃(PAHs)

TPE材料出口的环保指令和认证(二) (二) PAHs规定:多环芳烃(PAHs)是指具有两个或两个以上苯的一类有机化合物。多环芳烃是分子中含有两个以上苯环的碳氢化合物,包括萘、蒽、菲、芘等150余种化合物。英文全称为polycyclic aromatic hydrocarbon,简称PAHs。有些多环芳烃还含有氮、硫和环戊烷,常风的多环芳烃具有致癌作用的多环芳烃多为四到六环的稠环化合物。国际癌研究中心(IARC)(1976年)列出的94种对实验动物致癌的化合物。其中15种属于多环芳烃,由于苯并[a]芘是第一个被发现的环境化学致癌物,而且致癌性很强,故常以苯并(a)芘作为多环芳的代表,它占全部致癌性多环芳烃1%-20%。多环芳烃主(PAHs)要的十八种化合物为:萘、苊烯、苊、芴、菲、蒽、荧蒽、芘、苯并(a)蒽、屈、苯并(b)荧蒽、苯并(k)荧蒽、苯并(a)芘、茚并(1,2,3-cd)芘、二苯并(a,h)蒽和苯并(g,h,i)苝、1-甲基奈、2-甲基奈。 目前确定的PAHs常见的16种同类物质主要包括: 1) Naphthalene 萘9) Benzo(a)anthracene 苯并(a)蒽 2) Acenaphthylene 苊烯10) Chrysene 苣 3) Acenaphthene 苊11) Benzo(b)fluoranthene 苯并(b)荧蒽 4) Fluorene 芴12) Benzo(k)fluoranthene 苯并(k)荧蒽 5) Phenanthrene 菲13) Benzo(a)pyrene 苯并(a)芘

6) Anthracene 蒽14) Indeno(1,2,3-cd)pyrene 茚苯(1,2,3-cd)芘 7) Fluoranthene 荧蒽15) Dibenzo(a,h)anthracene 二苯并(a,n)蒽 8) Pyrene 芘16) Benzo(g,hi)perylene 苯并(ghi) 北(二萘嵌苯) 多环芳烃(PAHs)常存在于原油,木馏油,焦油, 染料,塑料,橡胶,润滑油,防锈油,脱膜剂,汽油阻凝剂,电容电解液,矿物油,柏油等石化产品中,还存在于农药,木炭,杀菌剂,蚊香等日常化学产品中。 PAHs通常是作为塑料添加剂进入生产环节中,如塑料粒子在挤塑的时候,和模具之间存在黏着,此时要加入脱模剂,而脱模剂中可能含有PAHs。 由此目前多环芳烃PAHs的检测范围: ●电子、电机等消费性产品 ●橡胶制品、塑料制品、汽车塑料、橡胶零件 ●食品包装材料、玩具、容器材料等 ●其它材料等 各国对多环芳香烃(PAHs)的法规要求:到目前为止,各国家地区通过书面法律或法令确定下来的有:欧盟 76/769/EEC;德国German:GS认证、LFGB;美国US:EPA;中国:GB,GB/T,GHZ。根据德国技术设备及消费

交通场景中运动目标的检测文献综述

交通场景中运动目标的检测文献综述 摘要:运动目标检测是数字图像处理技术的一个主要部分,是一种基于视频监控系统的运动目标检测方法。这种算法主要包括:图像预处理、运动目标的检测、运动速度的求取。运动目标分割是实现交通场景下车辆检测的前提。常用的分割方法可以分为背景差分法、帧间差分法和基于光流的分割方法等。 关键词:数字图像处理;运动目标;检测方法 1 前言 运动目标检测是数字图像处理技术的一个主要部分,近些年来,随着多媒体技术的迅猛发展和计算机性能的不断提高,动态图像处理技术日益受到人们的青睐,并且取得了丰硕的成果,广泛英语与交通管理、军事目标跟踪、生物医学等领域。 目前,以数字图像处理技术为核心的视频监视系统越来越广泛地应用到交通监管中,它利用摄像机来获取图像,由计算机完成对运动目标的自动检测,如果车辆交通违规时,自动发出预警,记录全程违章视频,这在很大程度上减轻了监控人员的劳动强度,克服可能的人为失误,而且节省大量存储空间,使存储的数据更为有效,为交通违规的后续处理提供了客观依据。 交通场景中运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志的相关信息,初步建立起交通场景中运动目标检测课题研究的整体思路和方法。 2 正文 2.1运动目标 运动目标是常生活中常见的.如活动的动物、行驶的运载工具等。在现实生活中,尽管人类的视觉既能看见运动又能看见静止的物体,但是在交通这样的复杂场景中大量有意义的视觉信息都包含在这些运动之中,人们往往只对运动的

物体或目标感兴趣。因此,研究运动目标的检测问题,有着很大的现实意义和应用价值。 2.2运动目标检测的基本概念 目前我们主要是通过对动态图像进行分析处理来获取运动目标信息,从而实现对运动目标的检测,它是图像处理与计算机视觉应用研究领域的一个重要课题。,所谓动态图像是由一序列图像组成的,即图像序列。图像序列是用一个传感器(如摄像机、数码相机)采集的一组随时间变化的图像,不同时刻采集的二帧图像或多帧图像中包含了存在于相机与景物之间的相对运动信息。还有景物本身发生变化的运动信息等等,这些信息表现为图像帧之间的灰度变化或诸如点、线、区域等记号的位置和运动方向速度等属性的变化。 运动目标检测的目的就是从序列图像中将变化区域从背景图像中提取出来。我们首先用摄像机获取运动目标的视频影像,经视频采集卡将视频信号传输到计算机,利用计算机对其进行相关处理,从视频图像中按一定时间间隔获取序列图像,然后通过对这些序列图像进行特定的处理,就可以检测出我们感兴趣的运动目标。 运动目标检测和分析是一种基于视频监控系统的运动目标检测方法。这种算法主要包括:图像预处理、运动目标的检测、运动速度的求取。这种算法在帧差法的基础之上,提取出运动目标,并对其求取运动速度。这种技术可以用于各类图像监控系统,用来检测运动目标,对于现实应用有重要意义。 2.3运动目标检测的基本方法 由运动目标所形成的图像序列可分为两种情况:一种是静止背景,一种是运动背景。前一种情况通常发生在摄像机相对静止状态(如监视某一路口车流量的固定摄像机),后一种情况通常发生在摄像机也在相对运动状态(如装在卫星或飞机上的监视系统)。从处理方法上看,对前一种情况可采用消除背景的方法检测运动目标,处理起来比较简单,如简单的帧间差分或自适应背景对消方法。对后一种情况.处理起来比较复杂,一般是采用突出目标或消除背景的思想检测运动目标。若采用消除背景的方法,则通常需要先进行帧间稳像及配准;若采用突出

相关文档
最新文档