基于OpenCV的视频图像处理应用研究
基于OpenCV的视频图像处理应用研究*
郭晖1，陈光1，2
(1.东华大学信息科学与技术学院，上海201620；
2.东华大学数字化纺织服装技术教育部工程研究中心，上海201620)
摘要：以嵌入式ARM为硬件平台，以ARM-Linux为软件平台，在QT/Qtopia图形用户界面下，通过调用OpenCV图形处理库设计摄像头应用程序，最终实现把摄像头采集到的视频流数据显示在Qtopia图形用户界面窗体上。介绍了QT编程的基本原理，阐述了OpenCV图像处理库的工作机制与使用方法。
关键词：嵌入式系统；ARM-Linux；QT/Qtopia；OpenCV
中图分类号：TP319文献标识码：A文章编号：1674-7720(2010)21-0014-03 Study of video stream data processing based on OpenCV
GUO Hui1，CHEN Guang1，2
(1.College of Information Science and Technology，Donghua University，Shanghai201620，China；
2.Engineering Research Center of Digitized Textile&Fashion Technology，Ministry of Education，Donghua University，Shanghai201620，China)
Abstract：The design is based on embedded ARM hardware platform，and its OS is the ARM-Linux QT/Qtopia.By calling OpenCV(Intel誖open source computer vision library)and QT library，we design the program of the camera which can display the data of the video stream collected by the camera on Qtopia graphical user interface.In addition，the paper also describes basic principle of QT programming，and normal working mechanisms of OpenCV.
Key words：embedded system；ARM-Linux；QT/Qtopia；OpenCV
随着计算机和微电子技术的迅速发展，嵌入式ARM 及ARM-Linux操作系统已广泛应用于工业控制、通信、医疗仪器等各个领域。许多公共场所和居民小区等地点都安装了视频监控系统，因而视频监控与显示终端的应用越来越广泛。于是，如何以更高的效率和更低的成本设计视频监控设备的硬件和软件就成为广大研发人员关心的问题。
本文以嵌入式ARM作为硬件核心，在ARM-Linux QT/Qtopia图形操作系统下开发摄像头应用程序，实现摄像头对视频图像数据的采集、处理与显示。为了提高应用程序的开发效率，本设计采用了OpenCV图形处理库。摄像头视频显示的流程为：首先ARM-Linux通过摄像头驱动程序控制摄像头采集视频流数据，然后利用摄像头应用程序对采集到的视频流数据进行处理，最终使经过处理的视频流数据能够在LCD屏上显示。采用上述平台具有以下优点：(1)ARM-Linux与OpenCV库同为开源的免费软件，开发者不仅可以根据需要修改源代码来提高软件开发的灵活性，而且可以节约开发成本；(2) OpenCV库提供了许多视频图像处理的函数，因此开发者不需要花费大量的时间自己编写，可以提高软件的开发效率；(3)OpenCV库中大部分函数都经过汇编优化，基于OpenCV的程序运行起来有更高的效率。
视频监控与显示系统的硬件和软件结构如图1所示。
硬件由三部分组成：(1)摄像头。负责采集原始视频流数据；(2)ARM开发板。负责处理原始的视频流数据；
(3)LCD液晶显示器。负责图像数据的显示。软件部分也由三部分组成，这三部分运行在ARM-Liunx操作系统下：(1)摄像头驱动程序；(2)摄像头应用程序。控制在ARM板把摄像头采集到的视频流数据读入内存中，然后对内存中的图像数据进行处理，即把原始图像数据转化为可以在ARM-Linux QT/Qtopia操作系统下显示的
*基金项目：上海市自然科学基金项目（08ZR1400400）
图像数据；(3)LCD 显示驱动程序。本文将着重阐述运行在ARM-Linux QT 下的摄像头应用程序。
1嵌入式系统应用程序开发方法
1.1硬件平台
嵌入式系统开发平台由主机PC 机和目标机ARM 板组成。
主机PC 要求CPU 为Pentium 4或以上，拥有一个
25针的并口、一个9针的RS-232串口和一个20GB 的
硬盘。ARM 板是由深圳市武耀博德信息技术有限公司
生产的270-S 平台。
1.2软件开发平台
软件程序的开发是在PC 机上完成的，PC 机上的开发环境是Redhat Linux 9.0。Redhat 提供了许多与程序开发有关的工具，还要在PC 机的Linux 操作系统下安装QT 和OpenCV 软件工具包。
(1)QT 软件包。包括QT/X112.3.2库、QT/Embedded 2.3.2库、Qtopia 1.7.0库、uic 工具、qmake 工具、tmake 工
具和QT designer 工具等。
(2)OpenCV 软件包。
包括Libhighgui.so.0.9.7、
https://www.360docs.net/doc/7814945887.html, 、Libcxcore.so.0.9.7和https://www.360docs.net/doc/7814945887.html, 等主要的
库。
在开发摄像头应用程序之前，要把u -boot 、ARM -
Linux 操作系统和外部设备的驱动程序移植进入ARM
目标板270-S 中，这样主机PC 上开发的各类应用程序软件才能在ARM 目标板上运行。
2摄像头应用程序的构架与关键技术
2.1摄像头应用程序的结构
应用程序由两部分构成：
(1)在ARM -Linux QT/Qtopia 图形操作系统下的窗
口界面设计(即人机界面的设计)。这部分是通过调用
QT/Embedded 库的各种库函数与窗口组件来完成的。
(2)对视频流数据进行处理，并把处理完成的图像数据显示在QT/Qtopia 图形界面下。这部分设计是摄像头
应用程序的核心，除了调用QT/Embedded 库函数，还要调用OpenCV 库函数。
摄像头应用程序结构图与库函数的调用关系如图2所示
。
2.2摄像头应用程序的关键技术
本设计应用程序以OpenCV 库和QT 库为核心，负责处理视频数据与图像显示。
2.2.1OpenCV 简介
开放源代码的计算机图像处理库OpenCV (Intel 誖
Open Source Computer Vision Library)是由一些C 函数
和C++类所组成的库，用来实现图像处理及计算机图像算法。OpenCV 可以与英特尔公司所开发的图形处理库
IPL 兼容，所以它能够高效而充分地运行在Intel 处理器
上，主要用于对图像进行高级处理，例如特征检测与跟踪、运动分析及3D 重建等。
2.2.2嵌入式QT 与Qtopia 简介
QT 是跨平台C++图形用户界面工具。由于QT 采用
面向对象开发，具有跨多平台、界面设计美观等特点，得到广泛应用。因为KDE 等项目使用QT 作为支持库，所以有许多基于X -Windows 的PC 机上的应用程序可以非常方便地移植到QT 上。
Qtopia 是由Trolltech 公司开发的基于QT 库的消费
电子设备综合应用平台。Qtopia 包含完整的应用层、灵活的用户界面、窗口操作系统、应用程序启动程序以及开发框架，并具有游戏和多媒体、工作辅助应用程序、同步框架、PIM 应用程序、Internet 应用程序等。本设计应用程序显示在Qtopia 中。
3QT 窗体的设计方法
在QT 编程中，有两种设计程序窗体(即人机界面)的方法。第一种方法完全采用面向对象的C++编程语言实现，开发者需要手工编写所有的代码；另一种是采用编写代码与QT Designer 设计工具相结合的方法。QT
Designer 工具会帮助开发者完成大部分绘制窗体的工作。本文摄像头应用程序的设计采用第二种方法。QT Designer 是QT 系统专用的窗口界面开发工具，它不包含任何编译器，而仅仅提供一个可视化界面编辑器。QT Designer 将编辑完成的窗体界面通过XML 保存为.ui 文
图1系统的硬件和软件结构
图2
摄像头应用程序结构图
摄像头应用程序
2.视频图像处理与显示
1.图像界面窗体设计
OpenCV 库
ARM-Linux 操作系统QT/Embedded 库
Qtopia 环境
应用程序运行在Qtopia
件，然后由专用的uic 界面编译器将其转换为标准C ++
的源文件。
4视频图像处理与显示
视频图像处理与显示的过程如图3所示。
其过程主要由四步组成。
(1)初始化视频结构。关键代码：
CvCapture*capture=0；
capture=cvCaptureFromCAM(-1)；cvSetCaptureProperty
(capture ，CV_CAP_PROP_FRAME_WIDTH ，320)；
cvSetCaptureProperty
(capture ，CV_CAP_PROP_FRAME_HEIGHT ，240)；
在OpenCV 应用程序中都要定义一个CvCapture 类型的指针变量capture 。CvCapture 类是视频获取结构，它没有公共接口，各类图像数据存储位置的头地址都可以赋值给指针变量capture 。在capture 指针被赋值之后，可以作为其他图像处理函数的参数使用，完成各种图像处理功能。
OpenCV 库中用CvCapture*cvCaptureFromCAM (int index)函数对摄像头分配视频图像数据流和初始化CvCapture 结构。函数参数index 为摄像头索引值。如果
系统只有一个摄像头或者使用哪个摄像头都无所谓，则
index 的值为-1。本设计开发板只连接一个摄像头，因此代码为capture=cvCaptureFromCAM(-1)。
对视频数据结构capture 设置参数。用到的OpenCV 的库函数为int cvSetCaptureProperty (CvCapture*capture ，int property_id ，double value)。参数capture 指定哪个视频获取结构需要设置参数；property_id 为属性标识符，由几
个固定值组成，用来决定设置哪个参数。
(2)开启定时器后抓取图像帧
关键代码：
QTimer CameraTimer->start(50，false)；int cvGrabFrame(capture)；
IplImage*frame=cvRetrieveFrame(capture)；
如果视频结构初始化成功，则开启由QT 库提供的
QTimer 定时器。代码表示为：CameraTimer ->start (50，false)。参数“50”表示QT 定时器每隔50ms 触发一次，即
发出一个内部信号调用一个槽函数，该槽函数负责从视频数据流中抓取一帧图像。
该槽函数抓取一帧图像的方法为：首先调用OpenCV 库函数int cvGrabFrame
(CvCapture*capture)；从摄像头实时采集的
视频流中快速抓取一帧图像数据，并且把这帧图像数据存入ARM 板的缓存中，这帧图像数据对于用户是不可见的。采用这种机制，是因为cvGrabFrame ()可以把一帧图像数据以最快的速度存入缓存中[1]。
接下来，
调用OpenCV 库函数
cvRetrieveFrame ()。这个函数把刚刚通过cvGrabFrame()抓取的一帧图像数据从内部
缓存重新读取出来。具体代码为：
IplImage*frame =cvRetrieveFrame (capture)。事
实上在调用这个函数后，OpenCV 内部会完成多步复杂
的图像处理的工作，例如解码等。
(3)视频格式的转化
关键代码：
for(int y=0；y for(int i=0；i<3；i++) {*dst++=*frame->imageData++；}*dst++=0；}} 由于cvRetrieveFrame ()重新读取到的一帧图像数据是IplImage 类型，IplImage 类型是24位真彩的三通道 BGR(BGR24)，而QT 库内与图像处理与显示相关的函数只支持对1bit 、8bit 或者32bit 的位图进行处理[2]。因此为了使IplImage 类型帧图像能够在QT/Qtopia 图像界面中显示，又不降低视频图像质量，需要通过程序将24位(BRG24)帧图像转化为32位(BRG32)帧图像。 BGR32每一个像素点除了拥有与BGR24相同的红绿蓝三种颜色，每种颜色8bit 外，要还在这三种颜色共24bit 的数据后面添加一组长度为8bit 的0数据。因 此，图像格式转化的方法应该在原始的24位图像数据中每隔三个字节加入一个字节的0。下列代码为 BGR24->BGR32图像中一个点的转化程序，其中frame->imageData 为原始图像的指针，dst 为转化后图像的指针。 for(int i=0；i<3；i++) {*dst++=*frame->imageData++；}*dst++=0； (4)将视频图像数据显示在QT/Qtopia 图形界面 关键代码： QImage image=QImage((uchar*)image32，frame->width ， frame->height ，32，NULL ，0，QImage ：：LittleEndian)； 图3 视频图像处理步 骤 (下转第20页) 4系统波形仿真 读写时钟异步使得FIFO 存储器的输入和输出数据速率不相等，在读操作时钟频率高于写操作时钟频率时，可能出现“读空”状态；当写操作时钟频率高于读操作时钟频率时，可能出现“写满”状态。在高速在片激光告警接收系统中，数据读取时钟比写时钟要高，本文选取第一种情况进行仿真。无论是“读空”还是“写空”，对于异步FIFO 来说，读取的数据一定等于写入的数据。利用Modelsim SE 6.0仿真软件进行仿真，其波形如图7所示。结果表明，该设计是正确的。 本文提出的FIFO 设计方法解决了不同时钟域间的数据缓冲和时钟转换功能问题，避免了数据的丢失；通过运用Gray 码计数器一次只变换一位的特点，有效地同步了异步信号，避免了亚稳态的产生；与二 进制计数器相比，还能减少线路切换，进而减少功率的消耗[3]；采用Verilog HDL 语言描述设计，可移植性好、生成的硬件电路面积小、速度快、系统可靠性高。目前，该FIFO 设计已经在所研制的激光告警接收系统中得到应用。参考文献 [1]黄平，何虎刚，徐定杰.导航接收机的非对称异步FIFO 设计[J].弹箭与制导学报，2008(2)：265-268. [2]杨军，孔兵，宋克俭，等.基于FPGA 的高速异步FIFO 存 储器设计[J].云南大学学报(自然科学版)，2007，29(6)： 560-565. [3]刘波.精通Verilog HDL 语言[M].北京：电子工业出版社， 2007. [4](美)CZLETTZ MD ，著.Verilog HDL 高级数字设计[M].张 雅绮，李锵，等译.北京：电子工业出版社，2006. [5]简宏伦.精通Verilog HDL ：IC 设计核心技术实例详解 [M].北京：电子工业出版社，2005. (收稿日期：2010-06-05) 作者简介： 付林，男，1980年生，硕士，讲师，主要研究方向：光电检测。 硬件纵横 Hardware Technique 图7 异步FIFO 仿真波形 图 QPainter display(picCamera)； display.drawImage(0，0，image)； 首先调用QImage 构造函数把上一步转换好的32位 (BGR32)图像数据初始化为QT 图像数据格式；然后调用QT 的低水平绘制类QPainter 的构造函数对主窗口的显 示器组建初始化；初始化结束后将调用QPainter 类的 drawImage 成员函数，把通过QImage 类转换过的图像数 据image 绘制在主窗体的显示器中，代码为QPainter. drawImage(0，0，image)。 通过以上步骤，应用程序最终将摄像头采集到的视频图像数据显示在嵌入式设备的QT/qtopia 图形界面中。 ARM 平台的手持移动监控与显示终端设备已经广 泛应用于社会的各个领域。OpenCV 图像处理库以其开源性、高效性、灵活性帮助开发者大幅度地缩减开发周期。ARM-Linux QT/Qtopia 与其他ARM 端的图像界面操 作系统相比较有免费、移植性好、内核精简、更加稳定的特点。本设计以OpenCV 图像处理库为核心，在ARM Linux QT/Qtopia 图形界面操作系统下实现摄像头显示 的应用程序，有非常好的实用性，可以广泛应用于各类 ARM 终端设备中。 参考文献 [1]BRADSKI G ，KAEHLER A.Learning openCV ：computer vision with the OpenCV library.O ’Reilly Media ，2008，9.[2]Trolltech 公司.Qtopia 和Qt/Embedded 参考文档[OL].http ：// https://www.360docs.net/doc/7814945887.html,/qt/index.html ，2005. [3]韦东山.嵌入式Linux 应用开发完全手册.北京：人民邮 电出版社，2008. (收稿日期：2010-07-06) 作者简介： 郭晖，男，1984年生，硕士研究生，主要研究方向：嵌入式系统。 (上接第16页) #include "stdafx.h" #include "mymfc.h" #include "mymfcDlg.h" #include "afxdialogex.h" #include CmymfcDlg::CmymfcDlg(CWnd* pParent /*=NULL*/) : CDialogEx(CmymfcDlg::IDD, pParent) , TheImage(NULL) , rePath(_T("")) { m_hIcon = AfxGetApp()->LoadIcon(IDR_MAINFRAME); } void CmymfcDlg::DoDataExchange(CDataExchange* pDX) { CDialogEx::DoDataExchange(pDX); } BEGIN_MESSAGE_MAP(CmymfcDlg, CDialogEx) ON_WM_SYSCOMMAND() ON_WM_PAINT() ON_WM_QUERYDRAGICON() ON_BN_CLICKED(IDC_ReadImg, &CmymfcDlg::OnBnClickedReadimg) ON_BN_CLICKED(IDC_EdgeDetect, &CmymfcDlg::OnBnClickedEdgedetect) ON_BN_CLICKED(IDC_Refresh, &CmymfcDlg::OnBnClickedRefresh) ON_BN_CLICKED(IDC_GrayProcess, &CmymfcDlg::OnBnClickedGrayprocess) ON_BN_CLICKED(IDC_Sobel, &CmymfcDlg::OnBnClickedSobel) ON_BN_CLICKED(IDC_Laplace, &CmymfcDlg::OnBnClickedLaplace) ON_BN_CLICKED(IDC_FFT2, &CmymfcDlg::OnBnClickedFft2) ON_BN_CLICKED(IDC_CImage, &CmymfcDlg::OnBnClickedCimage) ON_BN_CLICKED(IDC_Mirror, &CmymfcDlg::OnBnClickedMirror) ON_BN_CLICKED(IDC_CColor, &CmymfcDlg::OnBnClickedCcolor) ON_BN_CLICKED(IDC_MedianBlur, &CmymfcDlg::OnBnClickedMedianblur) ON_BN_CLICKED(IDC_Gaussian, &CmymfcDlg::OnBnClickedGaussian) ON_BN_CLICKED(IDC_BothSide, &CmymfcDlg::OnBnClickedBothside) ON_BN_CLICKED(IDC_Equally, &CmymfcDlg::OnBnClickedEqually) ON_BN_CLICKED(IDC_Corrosion, &CmymfcDlg::OnBnClickedCorrosion) ON_BN_CLICKED(IDC_Dilate, &CmymfcDlg::OnBnClickedDilate) END_MESSAGE_MAP() // CmymfcDlg 消息处理程序 BOOL CmymfcDlg::OnInitDialog() { CDialogEx::OnInitDialog(); 基于OpenCV识别库的面部图像识别系统的设计 本系统采用J2EE技术并以OpenCV开源计算机视觉库技术为基础，实现一套具有身份验证功能的面部图像识别信息管理系统。系统使用MySQL数据库提供数据支撑，依托于J2EE的稳定性和Java平台的可移植性使得本系统可以在各个操作系统平台中运行，同时提供在互联网中使用面部识别技术的一套较为完备的解决方案。 标签：OpenCV；人脸识别；生物学特征 引言 随着信息技术的飞速发展以及互联网的深入普及，越来越多的行业和领域使用信息技术产品以提高工作效率和管理水平。但是由于人们隐私信息的保护意识薄弱，出现了许多信息安全的问题。在人们对于信息安全越来越重视的情况下，许多技术被应用到信息安全领域中来。较为先进的技术有虹膜识别技术、遗传基因识别技术以及指纹识别技术等。而论文采用的是当前热点的面部图像识别技术。 1 系统实现算法及功能分析 1.1 面部图像的生物学特征模型的建立 本系统是利用面部图形的生物学特征来识别不同的人。由于每个人的面部图像都有各自的特征但又具有一定的通性，需要应用生物学中相关知识加以解决。可以利用已有的生物学测量手段以及现有的算法构建人的面部图像生物学特征模型（简称：面部模型），并应用于系统中，面部模型的建立为面部图像识别的功能提供实现依据。 1.2 知识特征库及面部识别引擎的建立 在前述面部模型建立完成后，需要建立相应的知识库以及面部识别引擎方可进行身份的识别。可经过大量数据的采集和分析后建立知识库，并根据知识库的特点建立相应的识别引擎。此识别引擎对外开放，在本系统中提供其它外来程序的调用接口，其它系统能够通过本接口实现识别引擎的调用实现对于面部图形的识别，从而达到识别引擎的可复用性。在技术条件允许的情况下，提供知识库的智能训练以及半自动构建支持。 1.3 面部图像的采集与预处理 本系统中采用了预留API接口，利用USB图形捕获设备采集数据图像。经过USB设备的捕获，使用JMF（Java Media Framework）来处理已捕获的图像数据，对捕获的图像进行面部图行检测和实时定位跟踪。 目录 1 梯度、边缘和角点 1.1 Sobel 1.2 Laplace 1.3 Canny 1.4 PreCornerDetect 1.5 CornerEigenValsAndVecs 1.6 CornerMinEigenVal 1.7 CornerHarris 1.8 FindCornerSubPix 1.9 GoodFeaturesToTrack 2 采样、插值和几何变换 2.1 InitLineIterator 2.2 SampleLine 2.3 GetRectSubPix 2.4 GetQuadrangleSubPix 2.5 Resize 2.6 WarpAffine 2.7 GetAffineTransform 2.8 2DRotationMatrix 2.9 WarpPerspective 2.10 WarpPerspectiveQMatrix 2.11 GetPerspectiveTransform 2.12 Remap 2.13 LogPolar 3 形态学操作 3.1 CreateStructuringElementEx 3.2 ReleaseStructuringElement 3.3 Erode 3.4 Dilate 3.5 MorphologyEx 4 滤波器与色彩空间变换 4.1 Smooth 4.2 Filter2D 4.3 CopyMakeBorder 4.4 Integral 4.5 CvtColor 4.6 Threshold 4.7 AdaptiveThreshold 5 金字塔及其应用 5.1 PyrDown 5.2 PyrUp 6 连接部件 6.1 CvConnectedComp /. #include "stdafx.h" #include "mymfc.h" #include "mymfcDlg.h" #include "afxdialogex.h" #include CmymfcDlg::CmymfcDlg(CWnd* pParent /*=NULL*/) : CDialogEx(CmymfcDlg::IDD, pParent) , TheImage(NULL) , rePath(_T("")) { m_hIcon = AfxGetApp()->LoadIcon(IDR_MAINFRAME); } void CmymfcDlg::DoDataExchange(CDataExchange* pDX) { CDialogEx::DoDataExchange(pDX); } BEGIN_MESSAGE_MAP(CmymfcDlg, CDialogEx) ON_WM_SYSCOMMAND() ON_WM_PAINT() ON_WM_QUERYDRAGICON() ON_BN_CLICKED(IDC_ReadImg, &CmymfcDlg::OnBnClickedReadimg) ON_BN_CLICKED(IDC_EdgeDetect, &CmymfcDlg::OnBnClickedEdgedetect) ON_BN_CLICKED(IDC_Refresh, &CmymfcDlg::OnBnClickedRefresh) ON_BN_CLICKED(IDC_GrayProcess, &CmymfcDlg::OnBnClickedGrayprocess) ON_BN_CLICKED(IDC_Sobel, &CmymfcDlg::OnBnClickedSobel) ON_BN_CLICKED(IDC_Laplace, &CmymfcDlg::OnBnClickedLaplace) ON_BN_CLICKED(IDC_FFT2, &CmymfcDlg::OnBnClickedFft2) ON_BN_CLICKED(IDC_CImage, &CmymfcDlg::OnBnClickedCimage) ON_BN_CLICKED(IDC_Mirror, &CmymfcDlg::OnBnClickedMirror) ON_BN_CLICKED(IDC_CColor, &CmymfcDlg::OnBnClickedCcolor) ON_BN_CLICKED(IDC_MedianBlur, &CmymfcDlg::OnBnClickedMedianblur) ON_BN_CLICKED(IDC_Gaussian, &CmymfcDlg::OnBnClickedGaussian) ON_BN_CLICKED(IDC_BothSide, &CmymfcDlg::OnBnClickedBothside) ON_BN_CLICKED(IDC_Equally, &CmymfcDlg::OnBnClickedEqually) ON_BN_CLICKED(IDC_Corrosion, &CmymfcDlg::OnBnClickedCorrosion) ON_BN_CLICKED(IDC_Dilate, &CmymfcDlg::OnBnClickedDilate) END_MESSAGE_MAP() // CmymfcDlg 消息处理程序 BOOL CmymfcDlg::OnInitDialog() { CDialogEx::OnInitDialog(); 图像处理技术及其应用 姓名： （班级：学号：） 【摘要】图像处理技术的研究和应用越来越收到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术近期的发展及应用现状，列举了数字图像处理技术的主要优点和制约其发展的因素，同时设想了图像处理技术在未来的应用和发展。 【关键字】图像处理；发展；技术应用 1 引言 计算机图像处理技术是在20世纪80年代后期，随着计算机技术的发展应运而生的一门综合技术。图像处理就是利用计算机、摄像机及其它有关数字技术，对图像施加某种运算和处理，使图像更加清晰，以提取某些特定的信息，从而达到特定目的的技术。随着多媒体技术和网络技术的快速发展，数字图像处理已经广泛应用到了人类社会生活的各个方面，如：遥感，工业检测，医学，气象，通信，侦查，智能机器人等。无论在哪个领域中，人们喜欢采用图像的方式来描述和表达事物的特性与逻辑关系，因此，数字图像处理技术的发展及对其的要求就越来显得重要。 2 图像处理技术发展现况 进入21世纪，随着计算机技术的迅猛发展和相关理论的不断完善，数字图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就。随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像，实现类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。 从图像变换方面来讲，目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用；而图像增强和复原图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等，目前主要在指纹图像增强处理技术，医学影像学方面有显著的成果。这项技术使得各自图像的空间分辨率和对比度有了更大的提高，而最新的医学图像融合则是指对医学影像信息如CT、MRI、SPECT和PET所得的图像,利用计算机技术将它们综合在一起,实现多信息的同步可视化,对多种医学影像起到互补的作用。图像分割图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。 图像描述图像描述是图像识别和理解的必要前提。作为最简单的二值图像可采用其几何特性描述物体的特性，一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。随着图像处理研究的深入发展，已经开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法；图像分类（识别）图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。 3 图像处理技术应用现状 图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。 3.1航天和航空技术方面的应用 数字图像处理技术在航天和航空技术方面的应用，许多国家每天派出很多侦察飞 基于2DPCA的人脸识别算法研究 摘要 人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。本文的主要工作内容如下： 1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及 目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。 2)预处理工作是在原始0RL人脸库上进行的。在图像的预处理阶段，经过了图 象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。 3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸 检测算法。Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。 4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了 改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。 关键词：人脸识别 2DPCA 特征提取人脸检测 2DPCA Face Recognition Algorithm Based on The Research Abstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects: 1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general. 2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors. 3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face. 4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate. Key words：Face recognition 2DPCA Feature extraction Face detection 基于opencv 对图像的预处理 1.问题描述 本次设计是基于opencv 结合c++语言实现的对图像的预处理，opencv 是用于开发实时的图像处理、计算机视觉及模式识别程序；其中图像的预处理也就是利用opencv 对图像进行简单的编辑操作；例如对图像的对比度、亮度、饱和度进行调节，同时还可以对图像进行缩放和旋转，这些都是图像预处理简单的处理方法；首先通过opencv 加载一幅原型图像，显示出来；设置五个滑动控制按钮，当拖动按钮时，对比度、亮度、饱和度的大小也会随之改变，也可以通过同样的方式调节缩放的比例和旋转的角度，来控制图像，对图像进行处理，显示出符合调节要求的图像，进行对比观察他们的之间的变化。 2.模块划分 此次设计的模块分为五个模块，滑动控制模块、对比度和亮度调节模块、饱和度调节模块、缩放调节模块、旋转调节模块，他们之间的关系如下所示： 图一、各个模块关系图 调用 调用 调用 调用 滑动控制模块 对比度和亮度调节模块 饱和度调节模块 缩放调节模块 旋转调节模块 滑动控制模块处于主函数之中，是整个设计的核心部分，通过createTrackbar创建五个滑动控制按钮并且调用每个模块实现对图像相应的调节。 3.算法设计 （1）滑动控制： 滑动控制是整个设计的核心部分，通过创建滑动控制按钮调节大小来改变相应的数据，进行调用函数实现对图像的编辑，滑动控制是利用createTrackbar()，函数中包括了滑动控制的名称，滑动控制显示在什么窗口上，滑动变量的地址和它调节的最大围，以及每个控制按钮应该调用什么函数实现什么功能； （2）对比度和亮度的调节： 对比度和亮度的调节的原理是依照线性理论，它的公式如下所示：g(x)=a* f(x) +b，其中f(x)表示源图像的像素，g(x)表示输出图像的像素，参数a（需要满足a>0）被称为增益（gain），常常被用来控制图像的对比度，参数b通常被称为偏置（bias），常常被用来控制图像的亮度； （3）饱和度的调节： 饱和度调节利用cvCvtColor( src_image, dst_image, CV_BGR2HSV )将RGB 颜色空间转换为HSV颜色空间，其中“H=Hue”表示色调，“S=Saturation”表示饱和度，“V=Value ”表示纯度；所以饱和度的调节只需要调节S的大小，H 和V的值不需要做任何的改变； （4）旋转的调节： 旋转是以某参考点为圆心，将图像的个点（x，y）围绕圆心转动一个逆时针角度θ，变为新的坐标（x1,y1）,x1=rcos(α+θ)，y1=rsin(α+θ)，其中r是图像的极径，α是图像与水平的坐标的角度的大小； （5）缩放的调节： 首先得到源图像的宽度x和高度y，变换后新的图像的宽度和高度分别为x1和y1，x1=x*f，y1=y*f，其中f是缩放因子； 4.函数功能描述 （1）主函数main（）用来设置滑动控制按钮，当鼠标拖动按钮可以得到相应的数据大小，实现手动控制的功能，当鼠标拖动对比度和亮度调节是，主函数调用 ?什么是OpenCV ?开源C/C++计算机视觉库. ?面向实时应用进行优化. ?跨操作系统/硬件/窗口管理器. ?通用图像/视频载入、存储和获取. ?由中、高层API构成. ?为Intel?公司的Integrated Performance Primitives (IPP) 提供了透明接口. ?特性: ?图像数据操作(分配,释放, 复制, 设定, 转换). ?图像与视频I/O (基于文件/摄像头输入, 图像/视频文件输出). ?矩阵与向量操作与线性代数计算(相乘, 求解, 特征值, 奇异值分解SVD). ?各种动态数据结构(列表, 队列, 集, 树, 图). ?基本图像处理(滤波, 边缘检测, 角点检测, 采样与插值, 色彩转换, 形态操作, 直方图, 图像金字塔). ?结构分析(连接成分, 轮廓处理, 距离转换, 模板匹配, Hough转换, 多边形近似, 线性拟合, 椭圆拟合, Delaunay三角化). ?摄像头标定 (寻找并跟踪标定模板, 标定, 基础矩阵估计, homography估计, 立体匹配). ?动作分析(光流, 动作分割, 跟踪). ?对象辨识 (特征方法, 隐马可夫链模型HMM). ?基本GUI(显示图像/视频, 键盘鼠标操作, 滚动条). ?图像标识 (直线, 圆锥, 多边形, 文本绘图) ?OpenCV 模块: ?cv - OpenCV 主要函数. ?cvaux - 辅助(实验性) OpenCV 函数. ?cxcore - 数据结构与线性代数算法. ?highgui - GUI函数. 资料链接 ?参考手册: ? 图像处理技术的应用先展示一下自己用Photoshop处理的图片（做的不好望见谅） 摘要：图像处理技术的研究和应用越来越收到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术近期的发展及应用现状，列举了数字图像处理技术的主要优点和制约其发展的因素，同时设想了图像处理技术在未来的应用和发展。 关键字：图像处理发展技术应用 1.概述 1.1图像的概念 图像包含了它所表达的物体的描述信息。我们生活在一个信息时代，科学研究和统计表明，人类从外界获得的信息约有百分之七十来自视觉系统，也就是从图像中获得，即我们平常所熟知的照片，绘画，动画。视像等。 1.2图像处理技术 图像处理技术着重强调在图像之间进行的变换，主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的目标自动识别打基础，或对图像进行压缩编码以减少图像存储所需要的空间或图像传输所需的时间。图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。 1.3优点分析 1．再现性好。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。 2．处理精度高。按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。 3．适用面宽。图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像（例如X射线图像、射线图像、超声波图像或红外图像等）。从图像反映的客观实体尺度看，可以小到电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。 4．灵活性高。图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 2.应用领域 2.1图像技术应用领域 openCV——几个实用函数 2010年12月20日星期一 09:18 1. cvSmooth：各种方法的图像平滑 void cvSmooth( const CvArr* src, CvArr* dst, int smoothtype=CV_GAUSSIAN, int param1=3, int param2=0, double param3=0 ); src 输入图像. dst 输出图像. smoothtype 平滑方法: . CV_BLUR_NO_SCALE (简单不带尺度变换的模糊) - 对每个象素的param1×param2 领域求和。如果邻域大小是变化的，可以事先利用函数cvIntegral 计算积分图像。 . CV_BLUR (simple blur) - 对每个象素param1×param2邻域求和并做尺度变换 1/(param1.param2). . CV_GAUSSIAN (gaussian blur) - 对图像进行核大小为 param1×param2 的高斯卷积 . CV_MEDIAN (median blur) - 对图像进行核大小为 param1×param1 的中值滤波 (i.e. 邻域是方的). . CV_BILATERAL (双向滤波) - 应用双向 3x3 滤波，彩色 sigma=param1，空间 sigma=param2. 平滑操作的第一个参数. param2 平滑操作的第二个参数. 对于简单/非尺度变换的高斯模糊的情况，如果 param2的值为零，则表示其被设定为param1。 param3 对应高斯参数的 Gaussian sigma (标准差). 如果为零，则标准差由下面的核尺寸计算： sigma = (n/2 - 1)*0.3 + 0.8, 其中 n=param1 对应水平核, n=param2 对应垂直核. 对小的卷积核 (3×3 to 7×7) 使用如上公式所示的标准 sigma 速度会快。如果 param3 不为零，而 param1 和 param2 为零，则核大小有sigma 计算 (以保证足够精确的操作). 函数 cvSmooth 可使用上面任何一种方法平滑图像。每一种方法都有自己的特点以及局限。 没有缩放的图像平滑仅支持单通道图像，并且支持8位到16位的转换(与cvSobel和cvaplace相似)和32位浮点数到32位浮点数的变换格式。 简单模糊和高斯模糊支持 1- 或 3-通道, 8-比特和 32-比特浮点图像。这两种方法可以（in-place）方式处理图像。 中值和双向滤波工作于 1- 或 3-通道， 8-位图像，但是不能以 in-place 方式处理图像. 2．IplImage结构 由于OpenCV主要针对的是计算机视觉方面的处理，因此在函数库中，最重要的结构体是IplImage结构。IplImage结构来源于Intel的另外一个函数库Intel Image Processing Library (IPL)，该函数库主要是针对图像处理。IplImage结构具体定义如下： typedef struct _IplImage { int nSize; /* IplImage大小 */ int ID; /* 版本 (=0)*/ OpenCV图像处理篇之图像平滑 图像平滑算法 图像平滑与图像模糊是同一概念，主要用于图像的去噪。平滑要使用滤波器，为不改变图像的相位信息，一般使用线性滤波器，其统一形式如下： 其中h称为滤波器的核函数，说白了就是权值。不同的核函数代表不同的滤波器，有不同的用途。 在图像处理中，常见的滤波器包括： 1.归一化滤波器（Homogeneous blur） 也是均值滤波器，用输出像素点核窗口内的像素均值代替输出点像素值。 2.高斯滤波器（Guassian blur） 是实际中最常用的滤波器，高斯滤波是将输入数组的每一个像素点与高斯内核卷积将卷积和当作输出像素值。高斯核相当于对输出像素的邻域赋予不同的权值，输出像素点所在位置的权值最大（对应高斯函数的均值位置）。二维高斯函数为， 3.中值滤波器（median blur） 中值滤波将图像的每个像素用邻域(以当前像素为中心的正方形区域)像素的中值代替。对椒盐噪声最有效的滤波器，去除跳变点非常有效。 4.双边滤波器（Bilatrial blur） 为避免滤波器平滑图像，去噪的同时，使边缘也模糊，这种情况下使用双边滤波器。关于双边滤波器的解释参见 https://www.360docs.net/doc/7814945887.html,/rbf/CVonline/LOCAL_COPIES/MA NDUCHI1/Bilateral_Filtering.html 下面的程序将先给标准Lena图像添加椒盐噪声，分别使用4种不同的滤波器进行平滑操作，请注意观察不同滤波器对椒盐噪声的去噪效果！ 程序分析及结果 上面程序的逻辑非常清晰： 1.读入灰度图，并添加椒盐噪声（6000个噪声点）： 关于视频图像处理系统关键技术的研究 摘要：对视频图像处理系统的关键环节-图像采集，预处理，压缩编码进行了详细分析，并对该领域目前出现的具体实现技术进行了优缺点总结。 关键词：视频图像处理图像处理图像压缩图像编码实现 所谓视频图像处理系统，小到照相机，摄影机，录像机，大到地质成像扫描系统，气象卫星图像显示系统，视频监控系统都属于该范畴，但他们却千差万别，各有自己所属的专业领域、独特之处。本文旨在具体分析其中的关键环节，在广泛比较各种图像处理系统具体实现方式的基础上，总结出它们的优缺点、注意事项。为以后对视频图像处理系统的理论研究和项目实践提供系统决策阶段的方案选型参考。 1.视频图像采集 ①图像采集部分的主要工作是从图像采集传感器输出的模拟视频信号中提取图像，实现数字化后作后续处理和分析。 目前，市场上通用的图像采集传感器主要有两种：CCD传感器和CMOS 传感器。CCD器件具有高信噪比和高电荷转换效率。但是要实现这一目标，需要专门处理器、高电压、多重电源，因此也带来高功耗，高价位。CMOS传感器简化了配套电路，降低了功耗和价位，但无法保证每个像点的放大率都保持严格一致，所得图像品质低于CCD传感器。 2.视频图像预处理 ②图像预处理部分的主要工作是把经过图像数字化后的图像信号进行亮度信号提取,奇偶场合并及图像尺寸剪裁,使最终读出的图像数据大小,数据位宽,象素时钟达到目标系统的要求。在要求较高的应用中，预处理还需要完成去噪声，平滑话等功能算法，例如比较知名的直方图均衡化处理，中值滤波降噪处理。 视频信号预处理过程以前多由数字电路组合产生，这样做不但电路复杂、体积大，而且不够灵活；逐渐被采用单片机处理的方案取代，用单片机处理视频信号能够解决电路的复杂度和灵活性问题，但精度不高，难以用于对同步要求严格的场合；后来出现了利用DSP来进行视频信号的处理方案,DSP具有更高的集成度和更快的运行速度，比普遍采用的单片机在数字图像处理领域有着明显的优势，但是成本却居高不下；近年来，利用低成本的FPGA芯片来实现预处理逐渐流行开来,FPGA具有丰富的10端口数，触发器数量多，适宜进行复杂时序功能设计，缺点是开发门槛高，需要在FPGA专用开发平台下使用硬件描述语言实现预处理算法的调试，硬编码等一系列高级数字系统设计流程；同时，市场上也出现了以ARM处理器位为核心的精简处理方案：数字摄像头接收ARM送来的控制指令和工作时钟，并在采集到适当信号后放入指定的高速缓存，然后由ARM 数字图像处理技术的应用研究 图像处理也就是按照人们视觉、心理或实际应用的需要，对 图像信息进行加工修改的过程，在不同的时期、不同的领域往往 会采用不同的图像处理技巧。数字图像处理技术是伴随着计算机 信息功能的日益强大以及人们对高精度图像的需求而产生的，随 着社会的发展，尤其是计算机信息技术的进步，数字图像处理技 术被广泛应用于各个领域，其重要性变得日益突出。 一、数字图像处理技术的概念内涵 当前，我国通常采用的图像处理技术主要有两种，即光学处 理法和数字（电子）处理法。前者产生的时间较早，从最开始的 光学滤波技术到现在的激光全息技术，无论是理论研究，还是应 用技巧，光学图像处理法已日臻完善。但其图像处理精度低、稳 定性差以及操作不便的特点极大地限制了其应用领域拓展，在这 种情况下，数字图像处理技术便应运而生。 数字图像处理，也即是Digital Image Processing，产生于 20世纪50年代，是指人们采用计算机及其它数字硬件设备，对图 像信息转换而来的电信号根据数学运算的方式，进行增强、提取、复原、分割以及去除噪音等处理的方法和技术，以此提高图像的实用性，因此，该技术的产生与发展建立在计算机运用、离算数学理论的产生与完善以及社会诸多领域的需求之上的。其最大特点是不仅图像处理精度高，而且可以通过改进硬件系统配置和优化软件系统功能的方式来提高图像处理效果，一切以计算机运行为基础，操作极为方便。最初，由于数字图像处理技术的数据需求量大，处理速度慢，极大地限制了其应用领域，但随着计算机技术的快速发展，尤其是运算速度的提升，这一瓶颈早已被突破。 二、数字图像处理技术的功能内容分析 （一）增强图像的视觉效果。在某些特殊领域，图像在传输与 转换的过程中容易造成信息的丢失，从而形成失真现象，比如航天拍摄的图片在传回地球的过程中，由于光学系统、大气流、空气介质等原因造成图像模糊；在图像扫描、采样、量化的过程中，所形成的噪音污染等等。我们可以采用数字图像处理技术，一方面突出重要信息而衰减次要信息；另一方面根据失真原因，补偿丢失的信息因素，从而使改善后的图像效果尽可能的接近原始图像。 （二）图像的重建功能。随着电子计算机体层摄影技术的发 展，图像的重建成为一种新兴的数字图像处理技术，它主要是对 目标对象进行观察和测量，重新构建出图像中的大量信息的直观 显示，从而在计算机模拟系统中进行二维或者三维的图像处理， 这也是对特殊实体进行图像回归的过程。 （三）模式识别功能。模式识别也是数字图像处理技术的一 毕业设计（论文）开题报告 题目名称：图像处理技术在电力系统中的应用研究院系名称：电子信息学院 班级：电气095 学号：200900474528 学生姓名：郭航 指导教师：朱永胜 2013年3月 目录 1图像处理技术在电力系统中的应用研究 (2) 1.1图像处理技术在电力系统中的应用概述 (2) 1.2图像处理技术的发展 (2) 1.3图像处理技术研究的目的与意义 (3) 2 国内外研究现状及分析和发展趋势 (4) 3设计内容 (6) 3.1 设计任务 (6) 3.2 图像处理的基本原理及方法 (6) 3.2.1图像处理的主要内容 (6) 3.2.2图像的预处理 (7) 3.2.3图像处理的主要工具 (9) 3.2.4图像处理的分类 (9) 3.2.5图像处理的应用领域 (10) 3.3 图像处理技术的基本流程 (11) 3.3.1图像边缘检测 (11) 3.3.2图像几何校正 (12) 3.3.3图像重采样 (12) 3.3.4图像增强 (12) 3.3.5图像融合 (13) 3.3.6图像裁剪与拼接 (13) 3.3.7图像压缩与编码 (13) 4 本学期计划 (14) 4.1 毕业设计的计划安排 (14) 4.2毕业设计工作的研究方向和思路 (14) 5 参考文献 (15) 课题名称：图像处理技术在电力系统中的应用研究 1 课题研究的目的和意义 1.1 图像处理技术在电力系统中的应用概述 电力工业是国民经济的重要基础产业，安全、稳定和充足的电力供应是保障国民经济健康稳定发展的前提。在国家电网中，高压输电线路所处环境复杂、易受损害，因此确保其运行的安全就显得尤为重要。传统的视频监控系统需要人工监看录像，监控性能受到监控者本身的生理因素的制约。有研究表明: 人盯着屏幕看3 个小时后，注意力将降低70%。随着我国高压输电线路的规模迅速增长，线路运行部门承担了越来越多的线路巡视维护工作量，急需用先进的技术来帮助线路维护人员提高工作效率。图像处理技术借助计算机强大的数据处理功能，对视频画面中的海量数据进行高速分析，过滤掉用户不关心的信息，仅仅为监控者提供有用的关键信息。能够大大减轻视频监控中人工劳动强度，同时可以减少误报漏报，还可以提高报警处理的及时性。图像监控系统应用的范围非常广，最常见的是对民宅、停车场、公共场所、银行等的监控，以防止偷盗、破坏行为的发生，保障社会安全。近年来图像处理技术在电力设备系统监控上也有大量应用: 如赵书涛等人利用图像的形状不变矩特征作为特征矢量，采用SVM 分类器识别各类电力设备，取得了较满意的识别效果，实现了变电站的无人值守; 刘金春利用小波不变矩来提取图像的边缘特征，通过与无故障图像的小波不变矩比较，分析出图像的变化情况，实现了对变电站的自动监控。因此图像处理技术能在电力系统的安全监测中发挥重大作用。 1.2 图像处理技术的发展 随着视频技术在电力系统中的广泛应用，图像信息的作用越来越重要。利用图像处理技术对电力设备的状态进行分析，可以对表征电力设备的物理量或状态进行检测或识别，及时发现异常现象和潜在故障，对电力系统安全稳定运行具有重要意义。 同时随着人类步入信息时代，图像处理技术迅速发展起来，尤其是计算机技术的迅猛发展，使得图像处理技术得以广泛应用于众多的科学和工程领域。针对彩色图像的曝光不足的问题展开研究。通过数字图像处理技术进行处理，提高了图像处理opencv代码
基于OpenCV识别库的面部图像识别系统的设计
opencv函数目录-Cv图像处理
图像管理方案计划opencv代码
图像处理技术及其应用
基于OpenCv的图像识别
基于opencv对图像的预处理
OpenCV最基础的图像处理的例子
图像处理技术的应用论文
opencv最基础的图像处理
OpenCV图像处理篇之图像平滑
关于视频图像处理系统关键技术的研究
数字图像处理的应用
图像处理技术在电力系统中的应用研究开题报告