图像边缘提取方法综述

摘要

图像最基本的特征是边缘，边缘是图像性区域和另一个属性区域的交接处，是区域属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息。因此，图像边缘提取一直以来都是图像处理与分析领域的研究热点。本文对传统的具有代表性的各种图像边缘提取方法进行了阐述、对比和分析了各自的优缺点，为了更清楚地看出各种算法的效果，给出了一些常用算法对同一副标准测试图像进行边缘提取的实验结果。同时，本文对现代的一些边缘检测方法如小波分析、形态学等也作了简要的介绍，重点分析了以上各种算法在图像边缘提取中的发展状况和优缺点。最后提出了在实践中要根据待解决的问题的特点和要求决定采取何种方法。

关键词：图像处理；边缘提取；小波变换

1 图像边缘提取概述

人获得的绝大部分信息来源于图像信息，而在图像信息中又以边界信息最为丰富，它传递和表达着物体的空间几何信息，可以判定物体的大小、形状、类型甚至地理位置。

边缘特征是图像最基本的特征。边缘是图像性区域和另一个属性区域的交界处，是区域性属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息。当把边界从目标图像中提取出来后，目标物体的信息能够更直观地展现在人们面前，对于用计算机处理目标物更为有利。因此，数字图像的边缘检测是图像分析处理领域十分重要的基础，在工程应用中占有十分重要的地位。

图像的边缘有方向和幅值两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型，如图1.1所示。对于阶跃型边缘，二阶方向导数在边缘处呈零交叉，而后两种，二阶方向导数在边缘处取极值。

图1.1 边缘灰度变化的几种类型

图像边缘检测的流图大致如图1.2所示：

图1.2 边缘检测的流图

（1）滤波。边缘检测主要基于导数计算，但受噪声影响。滤波器在降低噪声的同时也导致边缘强度的损失。

（2）增强。增强算法将领域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。

（3）检测。在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。

（4）定位。精确确定边缘的位置。

2 经典的图像边缘提取方法

近些年来，随着计算机和相关领域的研究的迅速发展，各种新的图像边缘提取方法大量涌现，传统的边缘提取方法仍有其研究价值。

2.1 微分算子法

边缘的检测可借助空域微分算子通过卷积完成，导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。一阶导数x f ??与y

f ??是最简单的导数算子，一个连续函数),(y x f 在位置（x,y ）处方向导数的最大值是2

122???????????? ????+??? ????=y f x f G ，称为梯度模，相应地取得最大值的方向为?????

???????????=-x f y f 1tan α。利用梯度模算子来检测边缘是一种很好的方法，它不仅具有位移不变性，还具有各向同性。在实际中，对于一幅数字图像采用了梯度模的近似形式，如常用的罗伯特交叉算子（Roberts Cross ）和索贝尔算子（Sobel ）的表达式分别为：

Robers 算子表达式为：

)1,(),1()1,1(),(),(+-++++-=j i f j i f j i f j i f j i G

Sobel 算子表达式为：

。式中，????

??????---=??????????---=+=121000121;101202101,),(y x y x S S S S j i G

和使用Sobel 算子的方法一样，类似地可以得到Prewitt 算子和Krisch 算子卷积核形式，只不过这里Prewitt 算子是使用了另两个不同的卷积核，而Krisch 算子则是使用8个卷积核，分别代表8个特定的边缘方向。

由于边缘的图像灰度变化并不十分陡峭，图像中存在噪声，直接利用微分算子提取边界后，还需作某些处理（如连接及细化）才能形成一条有意义的边界。

2.2 拉普拉斯高斯算子法

拉普拉斯高斯（LOG ）算法是一种二阶微分边缘检测方法。它通过寻找图像灰度值中二阶微分中的过零点来检测边缘点。其原理是：灰度缓变形成的边缘经过微分算子形成一个单峰函数，峰值位置对应边缘点；对单峰函数进行微分，则峰值处的微分值为0，峰值两侧符号相反，而原先的极值点对应二阶微分中的过零点，通过检测过零点即可将图像的边缘提取出来。

在实际中，为了去除噪声影响，首先要用高斯函数对图像进行滤波，然后对滤波后的图

像求二阶导数。

[]),(*),(),(*),(22y x f y x G y x f y x G ?=?

式中),(2

y x G ?为拉普拉斯高斯算子，即

),(2y x G ?。?????

?+-??????-+=+-??+??=22222

24222222222exp 221)2exp(21)(σy x σy x πσσy x πσy x

边缘检测就是要寻找),(2y x G ?的过零点。LOG 算法被认为是微分法中利用平滑二阶微分检测图像边缘最成功的一种算子。

2.3 Canny 算子

边缘提取的基本问题是解决增强边缘与抗噪能力间的矛盾，由于图像边缘和噪声在频率域中同是高频分量，简单的微分提取运算同样会增加图像中的噪声，所以一般在微分运算之前应采取适当的平滑滤波，减少噪声的影响。Canny 运用严格的数学方法对此问题进行了分析，推导出由4个指数函数线性组合形式的最佳边缘提取算子网，其算法的实质是用一个准高斯函数作平滑运算，然后以带方向的一阶微分定位导数最大值，Canny 算子边缘检测是一种比较实用的边缘检测算子，具有很好的边缘检测性能。Canny 边缘检测法利用高斯函数的一阶微分，它能在噪声抑制和边缘检测之间取得较好的平衡。

2.4 经典边缘提取算子提取图像边缘的结果对比分析

通过前面对一阶微分算法原理的详细介绍，分别采用上述算子对一幅尺寸大小为256?256的灰度图像和加入均值为0方差为0.01的高斯噪声后的灰度图像进行边缘特征提取，其结果如图2.1所示。

(a1)原图 (a2)加入高斯噪声后的图

(b)Robert算子边缘提取结果

(c)Sobel算子边缘提取结果

(d)Prewitt算子边缘提取结果

(e)Kirsch算子边缘提取结果

(f)laplace算法

(g)log 1

(h)log 2

(i)log 5.2

(j)Canny算子

图2.1 经典的边缘提取算子提取结果

通过对比仿真结果并合结各边缘检测算子的原理，可以得出这几种算子的优缺点及适用

范围如下：

（1）Robert 算子利用局部差分定位边缘，边缘定位精度较高，但容易丢失一部分边缘，由于未经过平滑处理，所以不具备抑制噪声的能力。适用范围：具有陡峭边缘且噪声低的图像。

（2）Prewitt 算子和Sobel 算子都属于中心差分算子，都是对图像先平滑处理再作微分运算，不同的是Sobel 算子对水平和垂直方向的四个邻点赋予略高的权重。因此，对噪声都具有一定的抑制能力，但不能完全排除虚假边缘的出现，边缘定位都不错，但检测出的边缘容易出现多像素宽度。

（3）与梯度算子相比，Kirsch 算子不仅仅考虑水平和垂直方向，还能检测到其它方向上的边缘，但计算量大大增加。

（4）Laplace 算子对边缘灰度值的变化更为敏感，定位更加精确，但对噪声同样很敏感，因此大大降低了抗噪能力。

（5）LOG 算法处理前先进行高斯平滑处理，这样就可有效抑制噪声带来的负面影响。对于不同的σ值，滤波效果不一。σ值越大，滤波效果越好，同时也可能丢失重要的边缘信息,σ值越小，滤波又不完全。当2=σ时能取得一个较好的效果。

（6）Canny 算子提取的边缘最为完整，而且边缘的连续性很好，效果优于以上其他算子。Canny 边缘检测法利用高斯函数的一阶微分，它能在噪声抑制和边缘检测之间取得较好的平衡。

2.5 本章小结

经典的微分算子，一般首先检测出图像局部特征的不连续性，然后再将这些不连续的边缘像素连成完备的边界。但由于噪声也具有灰度变化迅速的特点，所以用微分算子边缘检测存在“提升噪声”的缺点。如果进行减噪，往往连目标信息也一同去除，因此检测效果不很理想。

不同的系统，针对不同的环境条件和要求，需选择适当的方法对图像进行边缘检测。上面几种基于微分的经典边缘提取算子，它们共同的优点是计算简单、速度较快，缺点是对噪声的干扰都比较敏感。在实际应用中，由于图像噪声的影响，总要将经典的算法进行改善或结合其他一些算法对一幅含噪声的图像进行处理，如先进行平滑处理等，然后再采用经典的边缘提取算子提取图像边缘。

经典的微分算子理论成熟，计算设计简单，还有很多提升的空间。

3 现代边缘检测方法

3.1 基于数学形态学的边缘检测

数学形态学是一种非线性滤波方法，在图像处理中已获得了广泛的应用。形态学运算是物体形状集合与结构元素之间的相互作用，对边缘方向不敏感，并能在很大程度上抑制噪声和探测真正的边缘；同时，数学形态学在图像处理方面还具有直观上的简单性和数学上的严谨性，在描述图像中物体形状特征上具有独特的优势。因此，将数学形态学用于边缘检测，既能有效地滤除噪声，又可保留图像中的原有细节信息，具有较好的边缘检测效果。

数学形态学的主要内容是设计一整套变换，来描述图像的基本特征或基本结构。最常用的有7种基本变换：分别是膨胀、腐蚀、开运算、闭运算、击中、细化、粗化。其中膨胀和腐蚀是两种最基本、最重要的变换，其它变换由这两种变换的组合来定义。如：先腐蚀后膨胀的过程称为“开”运算，它具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用；先膨胀后腐蚀的过程称为“闭”运算，具有填充物体内细小空洞，连接邻近物体和平滑边界的作用，该算法简单，适于并行处理，且易于硬件实现，适于对二值图像进行边缘提取。

用数学形态学运算进行边缘检测也存在着一定的不足。比如，结构元素单一的问题，它

对与结构元素同方向的边缘敏感，而与其不同方向的边缘或噪声会被平滑掉，即边缘的方向可以由结构元素的形状确定，但如果采用对称的结构元素，又会减弱对图像边缘的方向敏感性，所以在边缘检测中，可以考虑用多方位的形态结构元素，运用不同的结构元素的逻辑组合检测出不同方向的边缘。

3.2 基于小波变换多尺度分析的边缘检测

小波变换是传统的Fourier变换的继承和发展，具有一定的分析非稳信号的能力，主要表现在高频处的时间分辨率高，低频处的频率分辨率高，即具有变焦特性，因此特别适合于图像这一类非平稳信号的处理。经典的边缘检测算子都没有自动变焦的思想，通过小波多尺度提取图像边缘是一种非常有效的方法。

由于小波变换具有的多尺度特性，图像的每个尺度的小波变换都提供了一定的边缘信息。当尺度小时，图像的边缘细节信息较为丰富，边缘定位精度较高，但易受到噪声的干扰。当尺度大时，图像的边缘稳定，抗噪性好，但定位精度差。将各尺度的边缘图像的结果综合起来，发挥大小尺度的优势，就能得到精确的图像。多尺度边缘检测的基本思想就是沿梯度方向，分别用几个不同尺度的边缘检测算子在相应点上检测模极大值的变换情况，并通过对阈值的选取，再在不同尺度上进行综合，得到最终边缘图像，可以较好的解决噪声和定位精度之间的矛盾。

3.3 基于小波包分解的边缘检测

基于小波包多分辨率图像边缘提取方法是在小波函数对图像分解的基础上发展起来的，由于小波变换只对图像的低频子带进行分解，并未对图像的高频子带进行分解，这样在滤除噪声影响的同时也损失了一定的图像高频信息，而小波包变换不仅对图像的低频子带进行分解，还对图像的高频子带进行分解，选择的小波包尺度越大，小波系数对应的空间分辨率就越低。与小波分解相比，小波包分解是一种更为精细的分解方法，可以根据信号的特性灵活地选择分解方式，在各种不同分辨率下对各个子图像进行边缘提取工作，尤其对于含噪图像，在提取图像边缘时对噪声的抑制效果更好。某些利用小波包变换进行图像边缘检测和分割的研究业己取得了良好的效果，例如运用小波包分解来对纹理图像进行的分割，使用平衡小波包树方法来对图像进行分割，基于小波包分解的白细胞胞核边缘提取等。

3.4 本章小结

综上所述，在图像边缘检测领域尽管研究了小波、形态学等多种方法，但它们都不是一种具有绝对优势的方法，有的方法边缘检测精度高，但抗噪声性能较差；有的方法解决了抗噪声性能差的问题，而检测精度又不够；还有一些方法尽管在一定程度上较好地解决了上述两者的协调问题，但算法复杂，运算时间长。可见，无论哪一种边缘检测算法在解决一定问题的同时也存在不同类型的缺陷。

实质上，边缘检测作为视觉的初级阶段，通常认为是一个病态问题，很难从根本上解决。因而，寻求算法较简单、能较好解决边缘检测精度与抗噪声性能协调问题的边缘检测算法将一直是图像处理与分析中研究的主要问题之一。

4 全文总结

边缘是图像最基本的特征，图像绝大部分信息都存在于边缘中，在计算机视觉系统中，图像的边缘被看做整个视觉的起点，往往仅凭一条粗略的边缘轮廓就能识别一个物体。因此，如何获取图像的边缘成为图像处理与分析中的热点问题。

目前，图像边缘检测算法有很多，但都各有优劣。对于不同的系统，应选择适当的方法，并且要善于结合一些其它的算法来改进提取效果。

本文首先介绍了经典的微分算子法，并对其理论进行了深入的研究，对比分析了各算子的优缺点，并给出了仿真结果。随后简要介绍了当下比较流行的算法，如基于小波变换的图像边缘检测方法和基于数学形态学的边缘提取方法，并给出了其基本原理。本文还有许多不

足，希望老师能够予以指正。

参考文献

[1] 龚声蓉，刘纯平，王强等.数字图像处理与分析. 北京：清华大学出版社，2006

[2] 阮秋琦编著.数字图像处理学.北京：电子工业出版社，2001

[3] 胡学龙，许开宇编著.章毓晋主审.数字图像处理.北京：电子工业出版社，2006

[4] ANIL K.JAIN著.韩博，徐枫译.数字图像处理基础.北京：清华大学出版社，2006

[5] 范立南，韩晓微，张广渊著.图像处理与模式识别.北京：科学出版社，2007

[6] 闫敬文著.数字图像处理(MATLAB版).北京：国防工业出版社，2007

[7] 郝文化主编.Matlab图像图形处理应用教程.北京：中国水利水电出版社，2003

[8] 王爱玲，叶明生，邓秋香编著.MATLABR2007图像处理技术与应用.北京：

电子工业出版社，2008

[9] 季虎，孙即祥，邵晓芳.图像边缘提取方法及展望.计算机工程与应用，2004；

40(14)：70~73

[10] 曾欢，王浩.图像边缘检测算法的性能比较与分析.《现代电子技术》2006年

第14期总第229期

图像特征提取综述

图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。提取特征的方法千差万别，下面是图像特征的一些特性：边缘边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。角顾名思义，有个突然较大的弧度。早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。但会出现没有角的地方也检测到角的存在。区域区域性的结构，很多区域检测用来检测角。区域检测可以看作是图像缩小后的角检测。脊长形的物体，例如道路、血管。脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。特征提取检测到特征后提取出来，表示成特征描述或者特征向量。常用的图像特征：颜色特征、纹理特征形状特征空间关系特征。 1.颜色特征 1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。缺点：不能表达颜色空间分布的信息。 1.2特征提取与匹配方法（1）颜色直方图适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。统计直方图为利用图像的特征描述图像，可借助特征的统计直方图。图像特征的统计直方图实际是一个1-D的离散函数，即：上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。

红外图像的处理及其MATLAB实现

红外图像的处理及其MATLAB 函数实现 0.引言随着红外技术日新月异的发展，红外技术在军事及人们日常生活中有着越来越广泛的应用。但由于红外探照灯及红外探测器件的限制，红外成像系统的成像效果仍然不够理想。在民用监测应用中，主要表现为夜视距离近，图像背景与被监测目标之间对比度模糊，被监测目标细节难以辨认，图像特征信息不明确等方面。为使图像更适于人眼观测、适用于图像后续目标识别及跟踪处理，有必要在红外图像采集和处理上做进一步的研究，来增强红外图像视觉效果。 1. 红外图像的获取及其特点 1.1 红外图像的获取红外图像主要是由红外热像仪采集的。红外热像仪是一种二维热图像成像装置。热成像系统是一个光学一电子系统，可用于接收波长在m 100~75.0之间的电磁辐射，它的基本功能是将接收到的红外辐射转换成电信号，再将电信号的大小用灰度等级的形式表示，最后在显示器上显示出来。图1.1就是一张采集到的红外图像。图1.1 输入的红外图像

1.2 红外图像的特点红外图像反映了目标和背景不可见红外辐射的空间分布，其辐射亮度分布主要由被观测景物的温度和发射率决定，因此红外图像近似反映了景物温度差或辐射差。根据其成像原理，总结红外图像特点如下： (1)红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影(立体感觉)，故对人眼而言，分辨率低、分辨潜力差； (2)由于景物热平衡、光波波长、传输距离远、大气衰减等原因，造成红外图像空间相关性强、对比度低、视觉效果模糊； (3)热成像系统的探测能力和空间分辨率低于可见光CCD阵列，使得红外图像的清晰度低于可见光图像； (4)外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，比如热噪声、散粒噪声、f 1噪声、光子电子涨落噪声等等。噪声来源多样，噪声类型繁多，这些都造成红外热图像噪声的不可预测的分布复杂性。这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低； (5)由于红外探测器各探测单元的响应特性不一致等原因，造成红外图像的非均匀性，体现为图像的固定图案噪声、串扰、畸变等。由以上五点可知，红外图像一般较暗，且目标与背景对比度低，边缘模糊，视觉效果差。通过以上比较分析，可以总结：可见光图像与红外图像的成像机理虽然不同(可见光图像是利用物体对光线的反射来获得的，而红外图像是靠物体自身的红外辐射获取的)，但在低照度情况下，可见光图像与红外图像的视觉效果和直方图特征均相同，因此可以采用低照度可见光图像的处理方法来处理红外图像。 2. 红外图像的增强 2.1 图像增强图像增强是指对图像的某些特征，如边缘、轮廓、对比度等进行强调或突显，以便于观察或做进一步的分析与处理。图像增强不意味着能增加原始的信息，有时甚至会损失一些信息，但图像增强的结果却能加强对特定信息的识别能力，便图像中感兴趣的特征得以加强，从而使这些特征的检测和识别变得更加容易。图像增强方法的分类如图2.1所示：

关于图像特征提取

关于图像特征提取特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的定义至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。边缘边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。局部地看边缘是一维结构。角角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。区域与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。脊长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。特征抽取特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一颜色特征（一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特

提取关键词方法

如何提取关键词提取关键词在考纲里并不是一个单设的考点，它其实是信息筛选和压缩语段这两个考点的一个综合，主要考查学生概括思想内容，提取关键信息的能力。要求考生具有较强的理解、分析、筛选、概括、语言表达等各项能力。它首先要求考生在准确理解文段的基础上找到有效信息，并从中筛选出核心信息；然后用最简洁的语言加以概括，且概括时只能用词或短语。 ■能力提升指导尽管这是近几年出现的一个新题型，但它涉及的能力要求在以前的相关考点中早有规定，只要大家掌握我们下面介绍的几种方法，解答起来，仍然可以得心应手。一、研究语段话题任何语段，无论是记叙、议论或说明，它总是围绕一个话题来展开的，体现话题的词语肯定是关键词之一，如：例①提取下面一段话的主要信息，写出四个关键词。（2005年高考全国卷）据报道，我国国家图书馆浩瀚的馆藏古籍中，仅万卷“敦煌遗书”就有5000余米长卷需要修复，而国图从事古籍修复的专业人员不过10人；各地图书馆、博物馆收藏的古籍文献共计3000万册，残损情况也相当严重，亟待抢救性修复，但全国的古籍修复人才总共还不足百人。以这样少的人数去完成如此浩大的修复工程，即使夜以继日地工作也需要近千年。这个语段谈论的话题是古籍修复的处境问题，“古籍”“修复”两个词是我们在答题时首先要考虑的。文段通过一系列的数据告诉我们古籍修复的处境不好，具体表现是事多人少，这样，我们就又可找出另外两个关键词——“人才”“不足”。二、寻找中心语句有的语段有较为概括的中心句，或提起下文，或总结上文，或承上启下，我们可抓住这个句子，顺藤摸瓜找到相关关键词，如：例②提取下面一段话的主要信息，写出四个关键词语。（2006年高考广东卷）从甲骨文到草书、行书的各种书法艺术，间接地反映了现实某些方面的属性，将具体的形式集中概括为抽象的意象，通过视觉来启发人们的想象力，调动人们的情感，使人们从意象中体味到其间所蕴含的美。这也就是一些讲书法的文章里常说的“舍貌取神”——舍弃客观事物的具体现象特征，而摄取其神髓。最后一个句子就是本段的中心句，而“舍貌取神”又是这个句子的核心。只要我们抓住这个句子，找出“貌”“取”“神”三字的各自所指，就能轻易套牢其中的三个关键词——“意象”“体味”“神髓”，再用上面所讲的话题法，找出本语段的话题对象——“书法”，另一关键词也便找出来了。三、明确具体要求并不是每一道“提取关键词”的题的要求都是一样的，有的还根据语段的特点有具体要求，并且，有的要求可能还比较含蓄。对此，我们就一定要弄明确试题要求我们提取的是哪方面的关键词，以防泛泛去找，劳而无功。如：例③根据要求提取下面一段话的主要信息，写出六个关键词(可以是短语)。(2006年高考江苏南通市高三第一次调研考试) 由于司马迁认识到了，历史终归是“人”的历史，不是“天”的意志史，于是以“绍圣《春秋》”为使命的司马迁抛弃了孔子既定的历史纪年法——编年体，而改用纪传体。这决不是一个技术问题，而是观念问题。他对那冰冷的历史巨轮投以轻蔑的一哂，然后满怀慈悲地去关心轮子下的那些泣血的生灵：从而，我们看到，一代一代的人物以及他们对历史必然性的反抗，对自身命运的体认，构成了《史记》的主色调。史学成了人学，必然性成了戏剧性，逻辑的链条崩溃了，生命的热血喷涌而出…… (1)历史纪年法的史学观：_____________。 (2)人学的史学观：___________________。这道题要求分别提取有关“历史纪年法史学观”和“人学史学观”的关键词，我们就只能去寻找能表明这两种史学观特点的词语。这就意味着我们没必要到前两句去找。我们还要意识到，既然是两种对立的史学观，那两组关键词在语意上就应该是相反的。这其实是题目的一个隐含要求。分析至此，答案自明：(1)冰冷、必然性(或“历史必然性”)、逻辑；(2)慈悲、戏剧性、生灵(或“命运”或“生命的热血”)。四、分析构段特点

图像纹理检测与特征提取技术研究综述

龙源期刊网 https://www.360docs.net/doc/d55719388.html, 图像纹理检测与特征提取技术研究综述作者：李秀怡来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识：（1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期

图像颜色特征提取基本知识

一、颜色特征 1 颜色空间 1.1 RGB 颜色空间是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法

提取热点问题的新方法(基本)

提取热点问题的新方法一、基本思路和观点基本观点1：文档标题中包含了部分、甚至大部分的语义特征词（组）。从标题中提取特征词比基于词频在文本内容中纯统计方法提取特征词具有更好的质量。基本观点2：标题中不可能包含文档语义的全部特征词。因此，在一定条件下，仍然需要在文本内容中用统计方法提取更为全面的特征词。具体而言，在基于标题特征词的聚类完成后，使用各聚类中质量较高的少数文档，在有分类的情况下，可以更好地提取内容中的特征词。基本观点3：基于向量欧几里得距离的向量比较并不适合于文本相似性比较。文本相似性更依赖于共有的特征词的多少，而不在于特征词在词频上相近。基本观点4：在文本相似性比较中，特征词之间的关联性也很重要。所谓关联性，表示特征词是否经常同时出现。如果两篇文档的共有特征词的关联性强，就更相似。基本观点5：K-MEANS聚类不适合于热点发现。在热点发现中，有大量文档不属于特定的分类（热点问题）。由于K-MEANS需要将所有文档分配到某个类别中，这些文档对聚类中心的影响非常大。

二、主要步骤 1.提取有效标题目标：在有栏目路径的标题中，提取有效标题。基本方法：采用标题横向字符串比较来发现栏目路径，从而提取有效标题。问题1：有的网页直接采用栏目名称作为标题。需要区分文档性网页和栏目性网页；问题2：栏目路径的表示方法各不相同。有从左到右，也有相反的；分隔符也有多种。 2.提取标题中的特征词目标：发现标题中能够表达文本语义的特征词。一个特征词常常不是一个词汇，而可能是一个词组。基本方法：在内容中对标题词汇的各种组合进行查询，提取在文本中独立出现过的词汇（组合）作为特征词。讨论：上述方法仅仅是在内容中查找是否存在标题词的某种组合，但并没有判断该组合对文章语义的重要性。但经过词性过滤后，大部分词汇还是能够反映文章语义的词汇组合。然而这些词对文章语义的重要性是不同的。在一篇文章中高频出现的词汇，其重要性不言而喻。为了后期聚类时进行改进，我们应该保留一个词组在文章中的关键词频。但另一个问题是，如果一个词组在多篇文章中均有出现，如果保存其词频？关键词对某篇文章的重要性是在向量化是体现的。因此这里并不需要保存其词频！改进： 1.考虑标题中的分隔符（逗号，冒号和空格）对词组的影响； 2.考虑《》和“”中词组的完整性。 a)这些标点应该纳入完整词组中。但其中的纯粹词组也是有效的！ 3.形成词组时，单独的标点不能出现在词组的两端，除非是上述配对的标点。问题： 1.关键词数量太多！对聚类的效率影响很大。 2.标题关键词重叠很少，COS相似度很低。DBSCAN选择EPS需要某种方法。 3.最大词匹配分词算法对标题进行处理后，仅输出最长关键词（往往是标题本身提供的关键词）。这不利于与其它文章（标题）之间的比较。统计标题关键词时，应该在词汇边界的约束下，尽可能多地找到其中可以匹配的所有关键词。相互嵌套的关键词独立计数？如“在北京大学”，“北京大学”，“大学”。 4.从内容识别标题关键词时，遗漏了很多关键词。如“在北京大学”在文章内容中出现一次，由于“北京大学”没有独立出现过，因此被遗漏。这个问题可能不是很严重：其它文章可以补足关键词。 5.有一些不合理的关键词组。如“经历统统造假”。但这些关键词组可能不会对聚类造成不利影响。 6.增加标题关键词的权重（次数）的方法并没有使具有相同关键词的文章间的相似度变得更大。eps仍然需要微调才能勉强是应该是同类的文章聚类在一起，且还包含很多无关文章。从分析的角度看，需要输出任意两个文档所共同拥有的关键词。思考：

数字图像处理中的边缘检测技术

课程设计报告设计题目：数字图像处理中的边缘检测技术学院：专业：班级：学号：学生姓名：电子邮件：时间：年月成绩：指导教师：

数字图像处理中的边缘检测技术课程设计报告I 目录 1 前言:查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 (1) 1.1理论背景 (1) 1.2图像边缘检测技术研究的目的和意义 (1) 1.3国内外研究现状分析 (2) 1.4常用边缘检测方法的基本原理 (3) 2 小波变换和小波包的边缘检测、基于数学形态学的边缘检测法算法原理 (7) 2.1 小波边缘检测的原理 (7) 2.2 数学形态学的边缘检测方法的原理 (7) 3 算法实现部分：程序设计的流程图及其描述 (9) 3.1 小波变换的多尺度边缘检测程序设计算法流程图 (9) 3.2 数学形态学的边缘检测方法程序设计算法描述 (10) 4实验部分：对所给的原始图像进行对比实验，给出相应的实验数据和处理结果 (11) 5分析及结论：对实验结果进行分析比较，最后得出相应的结论 (15) 参考文献 (17) 附录：代码 (18)

1前言查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 1.1 理论背景图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。图像处理在遥感技术，医学领域，安全领域，工业生产中有着广泛的应用，其中在医学应用中的超声、核磁共振和CT等技术，安全领域的模式识别技术，工业中的无损检测技术尤其引人注目。计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。 (2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2 图像边缘检测技术研究的目的和意义数字图像处理是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像处理也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像处理和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像处理中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速

图像局部特征点检测算法综述

图像局部特征点检测算法综述研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。 1. 局部特征点图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。 2. 斑点检测原理与举例 2.1 LoG与DoH 斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（LOG）,以及利用像素点Hessian矩阵（二阶微分）及其行列式值的方法（DOH）。 LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。 DoH方法就是利用图像点二阶微分Hessian矩阵：

图像中角点(特征点)提取与匹配算法

角点提取与匹配算法实验报告 1 说明本文实验的目标是对于两幅相似的图像，通过角点检测算法，进而找出这两幅图像的共同点，从而可以把这两幅图像合并成一幅图像。下面描述该实验的基本步骤: 1.本文所采用的角点检测算法是Harris 角点检测算法，该算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。设以像素点(x,y)为中心的小窗口在X 方向上移动u ，y 方向上移动v ，Harris 给出了灰度变化度量的解析表达式： 2 ,,|,|,,()(x y x y x u y v x y x y I I E w I I w u v o X Y ??= -=++??∑∑ (1) 其中，,x y E 为窗口内的灰度变化度量；,x y w 为窗口函数，一般定义为2 2 2 ()/,x y x y w e σ +=； I 为图像灰度函数，略去无穷小项有： 222222 ,,[()()2]2x y x y x y x y E w u I v I uvI I Au Cuv Bv = ++=++∑ （2）将,x y E 化为二次型有： ,[]x y u E u v M v ?? =???? (3) M 为实对称矩阵： 2 ,2 x y x x y x y y I I I M w I I I ???= ???????∑ (4) 通过对角化处理得到： 11 ,200x y E R R λλ-??= ??? (5) 其中，R 为旋转因子，对角化处理后并不改变以u,v 为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。当两个特征值均较小时，表明目标点附近区域为“平坦区域”；特征值一大一小时，表明特征点位于“边缘”上；只有当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化。Harris 的角点响应函数(CRF)表达式由此而得到： 2 (,)det()(())C RF x y M k trace M =- (6)

实验三图像的边缘检测

实验三图像的边缘检测一、实验目的与要求 1、了解图像边缘提取的基本概念； 2、了解进行边缘提取的基本方法； 3、编程实现对所给图像的边缘进行提取。二、知识点 1、边缘检测的思想和原理图像理解是图像处理的一个重要分支，研究为完成某一任务需要从图像中提取哪些有用的信息，以及如何利用这些信息解释图像。边缘检测技术对于处理数字图像非常重要，因为边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景区分开来。在图像中，边界表明一个特征区域的终结和另一个特征区域的开始，边界所分开区域的内部特征或属性是一致的，而不同的区域内部的特征或属性是不同的，边缘检测正是利用物体和背景在某种图像特性上的差异来实现的，这些差异包括灰度，颜色或者纹理特征。边缘检测实际上就是检测图像特征发生变化的位置。由于噪声和模糊的存在，检测到的边界可能会变宽或在某些点处发生间断，因此，边界检测包括两个基本内容：首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。边缘检测的方法大多数是基于方向导数掩模求卷积的方法。导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值比较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。

一阶导数是最简单的导数算子，它们分别求出了灰度在x和y方向上的变化率，而方向上的灰度变化率可以用相应公式进行计算；对于数字图像，应该采用差分运算代替求导，差分公式参考相关教材。 2、常用的梯度算子（1）Roberts Cross算子，它的2个2 X2模板如图3所示。图3 Robert Cross算子模板（2）Prewitt 算子，它的2个3×3模板如图4所示。图4 Prewitt算子模板（3）Sobel 算子，它的2个3×3模板如图5所示。图3 Sobel算子模板 3、高斯拉普拉斯（LoG）算法高斯拉普拉斯（LoG）算法是一种二阶边缘检测方法。它通过寻找图像灰度值中二阶微分中的过零点（Zero Crossing）来检测边缘点。其原理为，灰度

图像特征提取总结

图像常见特征提取方法简介常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一、颜色特征（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。（二）常用的特征提取与匹配方法（1）颜色直方图其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。最常用的颜色空间：RGB颜色空间、HSV颜色空间。颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2）颜色集颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3）颜色矩这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图二纹理特征（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实

提取关键词的方法

高考语言运用之提取关键词 2005年高考语文试题（全国卷一）首次出现“提取关键词”这一题型，2006年高考中这种题型再次受到高考命题者的青睐。那么什么是关键词呢？关键词是指一篇文章或一段文字中最重要的词语，常出现在文章篇名或文章正文中。要求考生从一段文字中提取出关键词，其目的在于考查学生概括思想内容、提取信息的能力。考生在解题时要大致把握关键词的意思，否则解题思路就会受阻。先来看一道高考题：例1：(2005年全国高考卷)提取下面一段话的主要信息，在方框内写出四个关键词。据报道，我国国家图书馆浩瀚的馆藏古籍中，仅1.6万卷“敦煌遗书”就有5000余米长卷需要修复，而国图从事古籍修复的专业人员不过10人；各地图书馆、博物馆收藏的古籍文献共计 3000万册，残损情况也相当严重，亟待抢救性修复，但全国的古籍修复人才总共还不足百人。以这样少的人数去完成如此浩大的修复工程，即使夜以继日地工作也需要近千年。分析：2005年的这道提取关键词的试题，从表面上看一些考生可能感到陌生，其实质这道试题的命题意图仍然是考查考生的阅读理解能力、概括综合能力和语言表达能力。这是近几年高考语文的一个热点，2005年以来则成为高考语文命题的一个亮点。原因是它紧扣时代的节拍：报纸、电视、网络等处处显示着关键词，同时又能更好地体现语文学科的工具性和人文性完美统一的特点。可以预测今后几年关键词的考查将更加频繁。那么，如何准确地提取关键词呢？提取关键词，说到底就是要善于提取“核心信息”，是一种压缩信息类的题型，考查学生提取关键信息的能力。具体如下：方法一：三步解题法 (一)明确陈述的对象或主要事件或议论的中心观点，文段的主要表述对象(主要概念或主要事件)“古籍”(“馆藏古籍”)、“人才”是主题词，不可不取。 (二)明确与主概念相对应的谓语动词或总结性的词语。如“修复”、“不足”就是对陈述的对象的陈述，不可不取。 (三)选定后，可将几个词语稍稍连缀，如能大体表达出文段的主要内容，即可敲定。如本题可连缀成：(馆藏)古籍(亟待)修复，(但这方面)人才(严重)不足。这有点像提取句子主干，可以利用语法分析的方法来做，基本程序为：压缩内容--提取主干--筛选比较--整合表达(一般可以表述为：“谁或什么怎么样了”这样一种主谓结构)。方法二：先概括再提取提取之前先概括语段内容，这应不是什么难事，平时语文课堂中的概括文章内容、提炼文章观点、归纳段落大意等，都是具体实践的过程。所给的材料一共两句话。第一句话又分为两个层次：先说国家图书馆馆藏古籍修复的专业人员不足；再说各地图书馆、博物馆同样面临古籍修复人才不足的问题，其中“不足百人”，表

图像边缘检测及提取,分水岭算法

1.几种算子图像边缘提取: 程序代码如下: 运行结果: 原图为一堆苹果(彩图),各算子处理后的边缘提取图:

分水岭算法实现: a.直接对图像进行分水岭算法处理代码如下：（原图还是上题一堆苹果）运行结果如右图：很明显，属于过度分割了。下面有改进算法： b.改进算法代码如下：实现包括下列步骤： (1)读图像。读入图像 (2)对比度最大化。注意到图像中有许多彼此连通的不同大小的对象。为使通过watershed变换找到的低谷数目最小，我们使感兴趣的对象的对比度达到最大。对比度增强的一个常用的技术是综合应用top— hat和bottom—hat变换。 top—hat变换定义为原图像和它的开之差。图像的开是一与特定结构元素匹配的图像前景部分的集合。 bottom—hat变换定义为在原图像和它的闭之间的差。图像的闭是一与特定结构元素匹配的图像背景的集合。通用的结构元素是正方形，长方形，圆盘，菱形，球和线。既然图像中我们感兴趣的目标对象看起来像圆盘，我们用strel函数建立一个半径为15个像素的圆盘形结构元素。这个圆盘尺度是图像中的目标对象的平均半径的一个估计。 (3)图像相加减。为使目标对象与分隔它们的间隙之间的对比达到最大，用“原图top—hat图像+bottom —hat图像”得到增强的结果图。 ( 4)转换感兴趣的对象。调用watershed变换找出图像的亮度”低谷”，把imcomplement作用增强过的图像上，将感兴趣的目标对象转换为亮度低谷，得到增强图的补图。 (5)检测亮度低谷。对所得补图运用imextendedmin函数检测低于某特别阈值的所有亮度低谷。

图像识别技术综述

图像处理与识别技术综述摘要：本文简要介绍了图像处理与识别技术的相关知识，介绍了图像识别过程中的判别函数和判别规则，特征提取和选择的方法。设计一个基于16位处理器MC9S12XS128的图像识别系统在实际中的具体硬件实现。关键词：图像识别特征提取MC9S12XS128 数字摄像头 An Overview of Image Recognition And Identifying Technology Abstract：This paper introduces some knowledge of image recognition and identifying technology，introduces the discriminant function discriminant rule in the image identifying progress, feature extraction and selection method. Designed an image identifying system based on 16-bit controller MC9S12XS128,and it has specific hardware implementation in fact. Key words: image identifying discriminaut rule MC9S12XS128 digital cameral

1 引言图像是与视觉相关的最贴近生活的信息，它是客观世界的物体直接或间接作用于人眼而产生视知觉的实体。传统的图像处理技术就是对图像进行保存、处理、压缩、传输和重现。随着信息时代的到来，用于计算机处理的各种信息的需求越来越多，多媒体信息处理技术已经成为日常生活各个领域的迫切需要。人们更希望利用计算机技术处理人类视觉问题，如：人脸、指纹识别技术实现处理与个人有关的一切事物，利用视觉自动监视系统监视环境中发生的非常事件，利用字符识别技术实现文档图像的自动录入与处理。因此把传统的图像处理技术与模式识别处理技术相结合是图像处理的新趋势。 2 传统的图像处理技术图像处理技术始于20世纪50年代，1964年美国喷射推进实验室（JPL ）使用计算机对太空船送回的大批月球照片处理后得到了清晰逼真的图像，这是这门技术发展的里程碑，此后这门技术得到了广泛的发展。传统图像处理技术包含图像的获取、变换、增强、编码、分割等方面的内容。 2.1 图像获取图像可以根据其形式或产生方法来分类。照片图画光图像连续函数离散函数（数字图像）不可见的物理图像物体图像可见的图像图片数学函数图1 图像的分类图像的获取[4]是指将其变为计算机可识别的信息。通常是数字化的过程，及扫描、采样、量化三个步骤。经过数字化过程后就得到了一幅图的数字表示，即数字图像。一般这个过程由摄像头等设备完成。反过来还可将数字图像进行显示。 2.2 图像变换图像变换[6]广泛应用于图像滤波[2]、统计滤波[5]、图像数据压缩以及图像描述等。图像变换是将N ×N 维空间图像数据变换成另外一组基向量（通常是正交向量空间）的坐标参数，我们希望这些离散图像信号坐标参数更集中代表了图像中的有效信息，或者是更便于达到某种处理目的。通常采用的方法有：傅里叶变换、相关分析、小波变换[7]、离散余弦变换（DCT ）、正弦变

一种新的红外热像仪图像边缘检测方法

收稿日期：2013-04-05；修订日期：2013-05-18 基金项目：中央高校基本科研业务费专项资金(2010YD03) 作者简介：夏清(1987-)，女，博士生，主要从事红外图像处理、摄影测量与遥感研究。Email:xiaqingfriendxia@https://www.360docs.net/doc/d55719388.html, 导师简介：胡振琪（1963-），男，博士生导师，主要从事遥感监测、3S 技术与土地复垦等方面研究。Email:huzqbj@yahoo.一种新的红外热像仪图像边缘检测方法夏清，胡振琪，位蓓蕾，王亚云，陈超 (中国矿业大学（北京）土地复垦与生态重建研究所，北京100083) 摘要：针对红外热像仪采集的红外影像边缘信息模糊、影像存在噪声、边缘信息难提取的特点，提出了一种基于数学形态学对LOG 算子改进和Roberts 算子数据相结合的边缘检测新方法。该方法首先引进形态学中的开闭运算对具有随机噪声的红外影像进行滤波，接着运用拉普拉斯算法边缘检测，然后再采用Roberts 算子提取边缘信息，建立相应的融合规则及阈值条件，将两种方法检测出的影像边缘信息融合，得到最终的融合影像。最后，对增加椒盐噪声的影像用MATLAB 进行仿真实验，结果表明，该方法结合了两种检测算子的优点，定位精度高，有很强的抗噪性，获得了比较理想的检测效果。关键词：影像处理；边缘检测；数学形态学；LOG 算子；红外影像中图分类号：TP751.1文献标志码：A 文章编号：1007-2276(2014)01-0318-05 New edge detection method for images of infrared thermal imager Xia Qing,Hu Zhenqi,Wei Beilei,Wang Yayun,Chen Chao (Institute of Land Reclamation and Ecological Reconstruction,China University of Mining and Technology(Beijing), Beijing 100083,China) Abstract:According to the character of fuzzy image edge,noise image,difficult to extract the edge information collected by infrared thermal imager,a new edge detection method was proposed.The method combined LOG operator improved by mathematical morphology with Roberts operator.First the thermal infrared camera images with random noise was filtered using opening and closing operation of mathematical morphological.Then the Laplace algorithm was used for edge detection of thermal infrared images.Second,Roberts operator was introduced to extract edge information.Fusing edge information of images detected by two methods,at the same time,establishing corresponding fusion rule and the threshold condition were applied for this images,the final fused image was obtained.Finally,MATLAB was introduced to perform the experimental simulation for adding salt and pepper noise image.The experimental results show that the method has the advantages of two detection operators and has a good effect in noise suppression and positioning accuracy.Meanwhile the proposed algorithm is insensitive to noise and ideal detection results are obtained. Key words:image processing; edge detection;mathematical morphology;the improved LOG operator;infrared image 第43卷第1期红外与激光工程2014年1月Vol.43No.1Infrared and Laser Engineering Jan .2014