直方圖均衡化的基本原理精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的直方圖均衡化的基本原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：直方圖均衡化的基本原理范文

（平頂山學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南平頂山467000）

摘要：靜脈識(shí)別是一種新興的生物特征識(shí)別技術(shù)，為了滿足靜脈識(shí)別中的特征提取需求，對(duì)手背靜脈提取方法進(jìn)行了研究。首先采用CLAHE算法對(duì)手背靜脈圖像進(jìn)行增強(qiáng)處理，然后針對(duì)傳統(tǒng)NIBALCK二值化算法的不足，提出一種局部靜態(tài)閾值與NIBLACK相結(jié)合的改進(jìn)算法。實(shí)驗(yàn)證明，該方法能有效消除傳統(tǒng)方法中噪聲過多、紋絡(luò)斷裂的現(xiàn)象，克服光強(qiáng)因素對(duì)圖像提取的影響，保持完整清晰的靜脈紋絡(luò)結(jié)構(gòu)，從而滿足后續(xù)識(shí)別工作的需要。

關(guān)鍵詞 ：靜脈識(shí)別；NIBLACK改進(jìn)算法；特征提??；噪聲消除

中圖分類號(hào)：TN911.73-34；TP391.14 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-373X（2015）12-0074-03

收稿日期：2014-12-21

基金項(xiàng)目：河南省科技攻關(guān)基金資助項(xiàng)目（132002210443）

生物特征識(shí)別技術(shù)作為物聯(lián)網(wǎng)架構(gòu)中感知層的重要組成部分，隨著物聯(lián)網(wǎng)概念的提出和快速發(fā)展，也得到了更廣泛的應(yīng)用。指紋識(shí)別、聲音識(shí)別、虹膜識(shí)別等生物特征技術(shù)都已發(fā)展的比較成熟，而靜脈識(shí)別作為一種新興的生物特征識(shí)別技術(shù)，逐步凸顯出新的優(yōu)勢(shì)。本文提出一種基于局部直方圖均衡和NIBLACK分割的方法對(duì)靜脈圖像進(jìn)行提取，實(shí)驗(yàn)證明可以得到輪廓清晰的靜脈結(jié)構(gòu)圖。

1 靜脈識(shí)別

靜脈識(shí)別的基本原理是，普通人的手背靜脈具有不隨年齡變化的惟一性，當(dāng)近紅外光線入射光波長(zhǎng)在0.72~1.10 μm 時(shí)，可以較好地穿透骨骼和肌肉，凸顯手背血管的結(jié)構(gòu)[1]，從而進(jìn)行有效的特征識(shí)別。手背靜脈識(shí)別系統(tǒng)是通過對(duì)靜脈的圖像采集，然后提取出整個(gè)靜脈的結(jié)構(gòu)，再由一系列識(shí)別算法，達(dá)到對(duì)人的身份識(shí)別。在對(duì)圖像的采集過程中，由于采用的是紅外CCD攝像機(jī)，光強(qiáng)對(duì)圖像影響較大，光照過強(qiáng)會(huì)使靜脈偏亮而模糊，光照偏弱又會(huì)導(dǎo)致靜脈和背景混淆，整體偏暗。同時(shí)每個(gè)人手背靜脈的粗細(xì)，表面皮膚厚度不同，以及手背本身具有的弧度會(huì)使圖像光照不均勻，都會(huì)對(duì)采集的靜脈輪廓清晰度產(chǎn)生影響，因此需要對(duì)圖像進(jìn)行處理，提取比較清晰完整的手背靜脈結(jié)構(gòu)圖，為下一步的準(zhǔn)確識(shí)別創(chuàng)造條件。

2 基于CLAHE 的靜脈圖像增強(qiáng)

由于靜脈隱藏在皮膚表層以下，靜脈圖像的對(duì)比度往往不高，直接提取靜脈紋路進(jìn)行二值化，將會(huì)導(dǎo)致丟失部分可用靜脈信息或者誤將背景作為靜脈結(jié)構(gòu)，對(duì)后續(xù)識(shí)別影響很大[2]，因此需要對(duì)圖像進(jìn)行增強(qiáng)處理。圖像增強(qiáng)的方法，一般分為空間域增強(qiáng)和頻域增強(qiáng)，其中空間域增強(qiáng)法中的直方圖均衡（HE）一直是簡(jiǎn)單實(shí)用的工具。直方圖均衡簡(jiǎn)單有效，包括全局法和自適應(yīng)法（AdaptiveHE，自適應(yīng)直方圖均衡化）。在實(shí)際的應(yīng)用中，有些圖像對(duì)比度比較低，全局法效果不佳。為了解決這一實(shí)際問題，Pizer等提出了局部直方圖均衡化的方法（Local AdaptiveHE，LAHE）對(duì)圖像的灰度增強(qiáng)[3-4]。但是該方法只考慮每一個(gè)局部窗口內(nèi)像素，而窗口外的像素往往被忽略，為了進(jìn)一步解決這種現(xiàn)象，Crom artie等又提出了對(duì)比度受限的局部直方圖均衡法[5]（Contrast-limited Adaptive Histogram Equalization，CLAHE） 。CLAHE結(jié)合了自適應(yīng)直方圖均衡和對(duì)比度受限2種方法，從整幅圖像的視覺效果出發(fā)，既考慮了窗口內(nèi)像素直方圖又考慮了窗口外的像素，使圖像增強(qiáng)效果適應(yīng)性更好，效果也更突出。該方法表達(dá)式為：

hij (r) = αhW (r) + (1-α)hB (r) （1）

式中：hW (r) 是窗口的歸一化直方圖；hB (r) 是窗口外的歸一化直方圖；0 ≤α≤1 。設(shè)SW 和SB 分別代表區(qū)域W和區(qū)域B 的面積，如果α = SW (SW + SB ) ，則hW (r) = h(r) ，表示局部直方圖與全局直方圖相等；如果α > SW (SW + SB ) ，則局部直方圖單獨(dú)進(jìn)行均衡化，從而強(qiáng)調(diào)局部信息。因此可以通過調(diào)節(jié)α 大小調(diào)節(jié)局部直方圖來模擬周圍環(huán)境對(duì)相關(guān)區(qū)域的影響。

CLAHE算法具體步驟如下：

（1）將圖像分塊。將目標(biāo)圖像分為不重疊的子區(qū)域，每個(gè)區(qū)域大小相等，都含有L 個(gè)像素，根據(jù)實(shí)際確定L 大小，L 越大增強(qiáng)效果越好，但同時(shí)丟失細(xì)節(jié)也相應(yīng)增多。

（2）直方圖的計(jì)算和均衡。根據(jù)式（1）計(jì)算窗口區(qū)域的直方圖，hij (r) 表示子區(qū)域的直方圖，k 代表灰度級(jí)。然后對(duì)子區(qū)域進(jìn)行均衡化處理，處理后的子圖用Cij (k) 表示。

（3）像素灰度值重構(gòu)。將Cij (k) 中心像素點(diǎn)的灰度值作為參考點(diǎn)，采用雙線性插值技術(shù)計(jì)算輸出圖像中各點(diǎn)的灰度值

（4）遍歷目標(biāo)圖像。移動(dòng)窗口至下一個(gè)子區(qū)域，重復(fù)上述步驟。

3 NIBLACK 改進(jìn)算法的靜脈圖像分割

圖像增強(qiáng)后，靜脈圖像的紋理和特征就比較清晰，這時(shí)還要對(duì)圖像進(jìn)行分割才能提取出整個(gè)靜脈的結(jié)構(gòu)紋理圖。圖像的分割提取主要利用閾值進(jìn)行二值化分割，找到合適的閾值是圖像分割的關(guān)鍵。而NIBLACK法由于其動(dòng)態(tài)局部閾值的處理方法[6]，對(duì)圖像分割有較好的效果，本文根據(jù)手背靜脈特殊的圖像采集原理以及靜脈圖像的特點(diǎn)，采用改進(jìn)的分塊靜態(tài)閾值和NIBLACK相結(jié)合的方法。

3.1 常規(guī)NIBLACK算法

在實(shí)際應(yīng)用中，由于目標(biāo)和背景對(duì)比度在同一圖像中變化比較大，同時(shí)因?yàn)楣庹?、噪聲以及背景灰度梯度值突變等，為了更好地分割圖像，必須在不同的圖像區(qū)域自適應(yīng)的確定閾值，NIBLACK法[7]就是一種常用的局部動(dòng)態(tài)閾值法。算法確定中心坐標(biāo)(x,y) 以及周圍鄰域r × r 范圍，設(shè)g(x,y) 為中心坐標(biāo)的灰度值，其二值化后的結(jié)果為b(x,y) ，具體可描述為：

（1）計(jì)算中心坐標(biāo)r × r 范圍均值灰度m(x,y) 和標(biāo)準(zhǔn)方差d(x,y) ，如式（2）和式（3）所示：

（2） 根據(jù)均值和方差計(jì)算出中心點(diǎn)的閾值，如式（4）所示：

t(x,y) = α × d(x,y) + m(x,y) （4）

（3） 根據(jù)步驟（2）計(jì)算出的閾值對(duì)中心點(diǎn)進(jìn)行二值化：

（4）移動(dòng)到下一個(gè)坐標(biāo)，作為中心點(diǎn)，重復(fù)上述步驟，對(duì)圖像逐點(diǎn)二值化。

3.2 改進(jìn)的NIBLACK算法

常規(guī)的NIBLACK算法雖然可以動(dòng)態(tài)地確定每個(gè)區(qū)域的閾值，但是也有其自身的不足：由于要利用r × r 模板遍歷圖像，導(dǎo)致邊界區(qū)域(r - 1) 2 的像素范圍內(nèi)無法求取閾值；同時(shí)當(dāng)進(jìn)行圖像遍歷時(shí)，如果r × r 范圍內(nèi)都是背景，經(jīng)NIBLACK計(jì)算后必有一部分被確定為目標(biāo)，產(chǎn)生偽噪聲[8]。針對(duì)此缺點(diǎn)，本文提出一種局部靜態(tài)閾值與NIBLACK相結(jié)合的方法對(duì)圖像二值化。其算法思想是對(duì)圖像的邊緣區(qū)域和純背景區(qū)域采用靜態(tài)閾值進(jìn)行分割，對(duì)于其他區(qū)域采用NIBLACK 算法進(jìn)行二值化。具體實(shí)現(xiàn)如下：

（1）對(duì)靜脈圖像進(jìn)行分塊，根據(jù)采集圖像的像素大小以及模板r 的值，本文將圖像分為6塊，每塊均包含了一部分邊緣圖像，利用Ostu 算法計(jì)算每塊圖像的靜態(tài)閾值Tn（n=1，2，…，6）。

（2）判別像素范圍，凡邊緣范圍即小于(r - 1) 2 范圍的像素根據(jù)所在區(qū)域的靜態(tài)子閾值Tn 進(jìn)行二值化。

（3）對(duì)于非邊緣區(qū)域的分塊圖像，按NIBLACK 法計(jì)算閾值t(x,y) ，將子靜態(tài)閾值Tn 與t(x,y) 進(jìn)行加權(quán)得到新閾值D(x,y) ：

D(x,y) = (1 - β)t(x,y) + β × Tn （6）

式中β 為加權(quán)系數(shù)，根據(jù)實(shí)驗(yàn)測(cè)試，本文取β 為0.5 可以達(dá)到最好的效果。

（4）利用得到的閾值D(x,y) 對(duì)子圖像進(jìn)行二值化，移動(dòng)到下一子圖像，重復(fù)上述步驟直到完成對(duì)整幅圖像的二值化。

經(jīng)過改進(jìn)算法處理的二值圖像可以得到比較清晰的靜脈紋絡(luò)，但是仍然存在少量的噪聲，利用形態(tài)學(xué)的黑top-hat運(yùn)算[9]，即經(jīng)過閉運(yùn)算的圖像減去源圖像，可以有效清除噪聲，也可提取圖像的暗特征，使靜脈邊緣紋絡(luò)更加清晰。

4 實(shí)驗(yàn)分析

本文采用Mohamed Shahin博士提供的手背靜脈圖像數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)分析。為了消除靜脈庫原圖像靜脈周圍背景對(duì)圖像增強(qiáng)的影響，首先對(duì)靜脈圖像進(jìn)行ROI（Regionof Interest）處理，提取出靜脈區(qū)域圖像，如圖1（b）所示。

圖1（c）采用全局靜態(tài)直方圖均衡法，可以看出因局部光強(qiáng)不同，靜脈圖像增強(qiáng)效果不均勻，這會(huì)使后期的二值化處理丟失大量信息。圖1（d）采用CLAHE算法增強(qiáng)后，靜脈圖像灰度對(duì)比均勻，紋理和特征清晰，有利于在圖像分割時(shí)保留大量的細(xì)節(jié)特征。如圖2 對(duì)比發(fā)現(xiàn)，直接對(duì)靜脈圖像進(jìn)行傳統(tǒng)的NIBLACK 二值化會(huì)出現(xiàn)大量的噪聲點(diǎn)和脈絡(luò)斷紋，同時(shí)丟失很多細(xì)節(jié)特征，如圖2（b）所示。直接對(duì)圖像進(jìn)行直方圖均衡增強(qiáng)，也會(huì)因光強(qiáng)不均丟失靜脈部分結(jié)構(gòu)特征，如圖2（c）所示，圖像右下方因局部光照過強(qiáng)使得增強(qiáng)后的圖像在二值化后丟失一部分靜脈紋絡(luò)結(jié)構(gòu)。本文采用基于CLAHE 的圖像增強(qiáng)算法和改進(jìn)的NIBLACK 二值化的方法，如圖2（d）所示，得到的靜脈結(jié)構(gòu)紋理清晰，細(xì)節(jié)特征完整，脈絡(luò)連續(xù)。改變傳統(tǒng)的增強(qiáng)算法二值化后引起的偽噪聲、斷紋以及靜脈圖像特征丟失現(xiàn)象，消除傳統(tǒng)方法的缺陷，有利于后續(xù)對(duì)于靜脈的識(shí)別工作，提高整個(gè)靜脈識(shí)別系統(tǒng)的準(zhǔn)確率。

5 結(jié)語

在手背靜脈提取過程中全局直方圖均衡是比較常用的圖像增強(qiáng)算法，但對(duì)于手背靜脈圖像光照不均勻的情況處理效果不好，傳統(tǒng)的NIBLACK 二值化算法也存在著容易產(chǎn)生噪聲塊，結(jié)構(gòu)斷紋和無法確定圖像邊緣二值化閾值的缺陷。針對(duì)這種情況，本文提出利用CLAHE增強(qiáng)圖像，并采用局部靜態(tài)閾值與NIBLACK 相結(jié)合的改進(jìn)算法對(duì)圖像進(jìn)行二值化。實(shí)驗(yàn)證明，本文算法提取的靜脈圖像脈絡(luò)清晰，保留了因光照不均而易丟失的特征細(xì)節(jié)，消除了噪聲塊和脈絡(luò)斷紋的現(xiàn)象，因此本文算法是一套有效的靜脈提取算法，對(duì)提高系統(tǒng)的識(shí)別率和正確率提供了可靠保證。

參考文獻(xiàn)

[1] 林喜榮，莊波，蘇曉生，等.人體手背血管圖像的特征提取及匹配[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，43（2）：164-167.

[2] 楊有，李波.CLAHE 和細(xì)節(jié)放大相結(jié)合的檔案圖像增強(qiáng)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2011，16（4）：522-527.

[3] 朱其剛，朱自強(qiáng).基于自適應(yīng)領(lǐng)域灰度直方圖均衡的超聲窺鏡圖像增強(qiáng)[J].山東科技大學(xué)學(xué)報(bào)，2004，23（3）：120-123．

[4] 王龍，汪天富，鄭昌瓊.基于灰度直方圖均衡的超聲醫(yī)學(xué)圖像增強(qiáng)方法[J].四川大學(xué)學(xué)報(bào)，2012，34（1）：105-108．

[5] CROM A R，PIZER S M. Structure sensitive adaptive contrastenhancement methods and their evaluation [J]. Image and Vi-sion Computer，1993（11）：385-391.

[6] 鄭偉，康朝紅.基于梯度的低對(duì)比度X 線圖像分割方法[J].通信技術(shù)，2009，42（1）：292-294.

[7] NIBLACK W. An introduction to image processing [J]. AppliedComputing，1986，15（4）：219-229.

[8] 王科俊，丁宇航，莊大燕，等.手背靜脈圖像閾值分割[J].自動(dòng)化技術(shù)與應(yīng)用，2011，24（8）：19-21.

[9] 趙建軍，熊馨，張磊，等.基于CLAHE 和TOPHAT 變換的手背靜脈圖像增強(qiáng)算法[J].激光與紅外，2009，39（2）：220-222.

第2篇：直方圖均衡化的基本原理范文

關(guān)鍵詞：煤礦安全生產(chǎn)；混沌信號(hào)；視頻監(jiān)控系統(tǒng)；圖像增強(qiáng)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）03-0187-02

1 概述

1）煤礦視頻監(jiān)控系統(tǒng)

在煤礦的安全生產(chǎn)中，國(guó)家安全生產(chǎn)管理部門已經(jīng)明為規(guī)定，要求每一個(gè)煤礦生產(chǎn)企業(yè)必須安裝好一套完整的視頻監(jiān)控系統(tǒng)，這是作為安全生產(chǎn)檢測(cè)中的一項(xiàng)必備的指標(biāo)。到目前為止，煤礦的視頻監(jiān)控系統(tǒng)已經(jīng)得到了廣泛的應(yīng)用。但是，由于煤礦井下的環(huán)境和室外有很大的不同，煤礦井下比較黑暗，光線沒有井上的條件好，而且還有厚厚的煤塵，井下比較潮濕等等一系列非常不利于獲取清晰圖像的條件，所以，一般情況下，直接從視頻監(jiān)控系統(tǒng)中獲取的圖像比較黑暗、模糊、不清晰，就不能給井上的監(jiān)控工作人員提供非常清晰的畫面，給安全檢測(cè)部門的工作帶來了很多的麻煩[1]。所以，如果能夠找到使煤礦井下的視頻監(jiān)控圖像更加清晰的方法，將是一件非常有價(jià)值和意義的研究項(xiàng)目 [2]。

2）混沌的定義和性質(zhì)

混沌現(xiàn)象是自然界非常普遍的一種現(xiàn)象，可以認(rèn)為是無處不在的。但是，到目前為止，科學(xué)界也沒有誰給出一個(gè)嚴(yán)格而準(zhǔn)確的定義?；煦缋碚摰难芯吭诤芏囝I(lǐng)域都有所應(yīng)用，其中，應(yīng)用最為廣泛的就是，應(yīng)用混沌理論進(jìn)行圖像加密的研究[3]。近些年來，很多的研究者都在不斷地探索著混沌的奧秘和用途。其中，混沌最大的特點(diǎn)就是就是對(duì)于初始條件的敏感性[4]，即如果一個(gè)混沌系統(tǒng)當(dāng)初始條件發(fā)生很小的變化時(shí)，其混沌系統(tǒng)的特性就會(huì)發(fā)生很大的變化。其次，混沌系統(tǒng)的運(yùn)動(dòng)軌跡具有非周期的特性，這一個(gè)特點(diǎn)讓很多的研究者們?cè)诤芏囝I(lǐng)域得到了廣泛的應(yīng)用和研究。

眾所周知，混沌具有類隨機(jī)性。但是，混沌的隨機(jī)性和一般系統(tǒng)的隨機(jī)性是有所不同的。因?yàn)椋覀円话銓?duì)于混沌產(chǎn)生的過程是可以用相應(yīng)的算法和公式來表示的，但是，一般的隨機(jī)過程則是不可能用公式和算法來表示的，是無法準(zhǔn)確預(yù)算和估計(jì)的。這就是混沌的隨機(jī)性和一般系統(tǒng)的隨機(jī)性的最重要的差別[5]。所以，通過大量的研究者們的共同努力，研究發(fā)現(xiàn)，混沌是一種自發(fā)混沌，具有確定性的隨機(jī)性等，它重點(diǎn)強(qiáng)調(diào)的就是混沌系統(tǒng)產(chǎn)生的根源在系統(tǒng)本身，并不關(guān)注外在的作用。所以，就是依據(jù)這個(gè)差別，把混沌的隨機(jī)性定義為一種類隨機(jī)性是非常合適的[6]。

正是基于混沌的偽隨機(jī)特性，所以，在圖像增強(qiáng)的直方圖處理中技術(shù)中得到了廣泛的應(yīng)用。本文應(yīng)用Chen系統(tǒng)混沌對(duì)煤礦視頻圖像的直方圖進(jìn)行均衡化處理，取得了良好的清晰化效果。

2 基于混沌的空間域圖像增強(qiáng)方法

基于混沌的空間域圖像增強(qiáng)方法的基本思想是：以煤礦視頻圖像中的像素為基礎(chǔ)，然后直接處理它的圖像像素，再修改原始圖像中像素點(diǎn)的灰度值，基本原理可以表示為：

[h（x，y）=F（f（x，y））]

其中[f（x，y）]是輸入圖像（即原始圖像），[h（x，y）]是輸出圖像，即增強(qiáng)處理后圖像，[F（?）]是一種特定算法算子，在不同的情況下，這個(gè)算法算子是不同的，一般是要根據(jù)具體的系統(tǒng)特性來確定的。其中，比較常見的算法是灰度變換和直方圖處理以及空間濾波 [7，8]。應(yīng)用仿真軟件的分析，特別是概率統(tǒng)計(jì)特性的分析，一般情況，普通圖像的灰度級(jí)分布都是呈正態(tài)分布規(guī)律，而且，都灰度級(jí)都集中分布在比較窄的范圍內(nèi)，這樣我們觀察到的圖像就是比較模糊，尤其是細(xì)節(jié)就不清晰了，這對(duì)于圖像分析來講就帶來了很大的麻煩，不能做出科學(xué)和正確的分析和判斷了。但是，如果，我們引入混沌序列，引進(jìn)一定的合適算法，讓煤礦視頻圖像的灰度級(jí)分布非常的均勻，這樣處理以后，圖像的直方圖當(dāng)然就非常平坦了，圖像的細(xì)節(jié)也就看得更清楚了。在此，我們主要是結(jié)合混沌對(duì)直方圖的均衡化處理進(jìn)行深度研究。本文采用混沌S-box對(duì)煤礦視頻圖像的直方圖進(jìn)行處理。Chen系統(tǒng)的動(dòng)力學(xué)方程一般用以下的三個(gè)不同的方程來表示：

[dxdt=a（y-x）dydt=x（c-a）-xz+cydzdt=xy-bz] [] [] （1）

其中，[a，b，c]這三個(gè)是參數(shù)，且都是正數(shù)。對(duì)于此系統(tǒng)，當(dāng)參數(shù)取值為[a]=35，[b]=3，[c]=28時(shí)，系統(tǒng)有一個(gè)混沌吸引子。

Chen方程之所以可以應(yīng)用于圖像增強(qiáng)的領(lǐng)域中，是因?yàn)樗泻芏嗟膬?yōu)點(diǎn)：

Chen方程具有一般的微分方程所具有的如下的對(duì)稱性：

[（x，y，z）（-x，-y，z）][] （2）

這種對(duì)稱性對(duì)Chen方程所有的參數(shù)都是適用的。

其次Chen方程具有恒定性。

同時(shí)，它還具有平衡性。為了求出其平衡點(diǎn)，我們令

[x=f（x）=a（y-x）x（c-a）-xz+cyxy-bz] （3）

并且求解[f（x）=0]，顯而易見，其中一個(gè)平衡點(diǎn)就是[x0=（0，0，0）]，通過計(jì)算，求得：

[xc1=（-b（2c-a），-b（2c-a），2c-a）] （4）

[xc2=（b（2c-a），b（2c-a），2c-a）] （5）

這是一些其他的平衡點(diǎn)，其中[c>a/2]。從產(chǎn)生的混沌序列來分析，此類混沌信號(hào)具有類噪聲的特性，同時(shí)具有寬帶連續(xù)頻譜的性質(zhì)，而且還具有高度的偽隨機(jī)特性。再將此混沌信號(hào)經(jīng)過某種非線性數(shù)字化處理后，就可以滿足圖像灰度值的要求，就可以對(duì)原始輸入圖像進(jìn)行非線性處理。通過均衡化處理，可以大大改變?cè)紙D像的直方圖的分布情況，使圖像灰度級(jí)趨于均勻分布，大大提高了圖像的對(duì)比度，整幅圖像就會(huì)更清晰。

下面是混沌S-box對(duì)煤礦視頻圖像的直方圖進(jìn)行處理的結(jié)果。

在圖1中，主要是對(duì)某一個(gè)煤礦井下的某一個(gè)巷道的源圖像進(jìn)行了處理。主要是應(yīng)用用MATLAB 仿真軟件對(duì)某一個(gè)煤礦巷道的源圖進(jìn)行直方圖均衡化處理后。從下圖中可以看出，煤礦巷道的源圖中的圖像像素點(diǎn)的灰度值的分布是非常集中的，圖像比較模糊，不太清晰；但是，經(jīng)過直方圖均衡化處理后的圖像的像素點(diǎn)的灰度值分布比較均勻，圖像明顯變得清晰了，所以，從視覺角度來觀察，煤礦井下圖像的清晰度大大提高了。

3 結(jié)束語

在煤礦井下，水、火、瓦斯、煤塵、頂板等一系列惡劣的環(huán)境時(shí)刻威脅著礦工的生命安全。隨著科學(xué)技術(shù)的飛速發(fā)展，很多高科技的技術(shù)和手段已經(jīng)應(yīng)用到煤礦井下，其中，煤礦井下的視頻監(jiān)控系統(tǒng)就是一個(gè)非常重要的安全監(jiān)測(cè)和安全防范手段。但是由于煤V井下，非常惡劣的環(huán)境狀況使得視頻圖像的質(zhì)量大大下降，視頻圖像中的很多細(xì)節(jié)特征都被覆蓋或模糊。本文采用了Chen系統(tǒng)混沌對(duì)煤礦視頻圖像的直方圖進(jìn)行均衡化處理，可以有效地提高了視頻圖像的細(xì)節(jié)部分，提升圖像的清晰度。從仿真分析的直方圖分布效果圖來看，煤礦井下獲取的實(shí)物圖像的對(duì)比度明顯增強(qiáng)。

參考文獻(xiàn)：

[1]譚得健.淺談自動(dòng)化、信息化與數(shù)字礦山[J].煤炭科學(xué)技術(shù)，2006，43（1）：23-27.

[2]張謝華.煤礦智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)的研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2013.

[3]馬紅光，韓崇昭.電路中的混沌與故障診斷[M].北京：國(guó)防工業(yè)出版社，2007：5-16.

[4]黃潤(rùn)生.混沌及其應(yīng)用[M]，武漢：武漢大學(xué)出版社，2000.

[5]顧勤龍.混沌理論及其在信息安全和優(yōu)化中的應(yīng)用研究[D].杭州：浙江工業(yè)大學(xué)，2003.

[6]李輝.混沌數(shù)字通信[M].北京：清華大學(xué)出版社，2006：45-48.

第3篇：直方圖均衡化的基本原理范文

(深圳信息職業(yè)技術(shù)學(xué)院電子與通信學(xué)院，廣東 深圳 518172)

【摘　要】綜述了獨(dú)立分量分析(Independent Component Analysis, ICA)算法的基本原理，并詳細(xì)闡述了ICA算法在人臉識(shí)別中的基本應(yīng)用和擴(kuò)展應(yīng)用。擴(kuò)展應(yīng)用主要包括：分塊ICA、ICA和PCA組合、ICA和LDA組合，ICA和GA組合、低通濾波降維、采用四階統(tǒng)計(jì)信息的ICA算法進(jìn)行人臉識(shí)別。最后，提出未來的研究可以從選擇最優(yōu)組合算法和尋找最佳分塊方式兩個(gè)方向著手。

關(guān)鍵詞 獨(dú)立分量分析；人臉識(shí)別；分塊ICA；算法組合

基金項(xiàng)目：國(guó)家自然科學(xué)基金青年基金(81401539)；廣東省高等學(xué)校優(yōu)秀青年教師培養(yǎng)計(jì)劃資助(Yq2013193)；深圳市戰(zhàn)略新興產(chǎn)業(yè)發(fā)展專項(xiàng)資金(JCYJ20130401100512995)。

通訊作者：王健(1985—)，女，漢族，博士，深圳信息職業(yè)技術(shù)學(xué)院，講師，主要研究方向?yàn)樾盘?hào)處理。

0　引言

ICA是人臉識(shí)別的經(jīng)典方法之一。它對(duì)高階統(tǒng)計(jì)信息進(jìn)行分析，目的是為了找出人臉圖像中相互獨(dú)立的成分。本文將簡(jiǎn)要介紹ICA在人臉識(shí)別中的原理和應(yīng)用。

1　ICA的基本原理

1.1　原理概述[1]

設(shè)有N個(gè)相互獨(dú)立的非高斯分布的聲音信號(hào)源si，經(jīng)過M個(gè)麥克風(fēng)后，得到M個(gè)觀察信號(hào)xi（N<=M）。每個(gè)觀察信號(hào)xi都是N個(gè)獨(dú)立信號(hào)源的線性組合。這一過程如式（1）所示。

2　ICA在人臉識(shí)別中的應(yīng)用

2.1　ICA在人臉識(shí)別中的基本應(yīng)用

ICA用于人臉識(shí)別的一個(gè)根本假設(shè)是：人臉是由多個(gè)統(tǒng)計(jì)獨(dú)立的非高斯分布的成分構(gòu)成。當(dāng)確定這些獨(dú)立基后，即使引入新的人臉成員，這些獨(dú)立基構(gòu)成的投影矩陣仍然可以滿足重構(gòu)要求，不再需要重新計(jì)算新的獨(dú)立基。

人臉圖像進(jìn)行ICA變換的步驟主要如下：

（1）圖像預(yù)處理

圖像預(yù)處理包括旋轉(zhuǎn)、拉伸、縮放、裁剪、插值、直方圖均衡化、白化等操作。

（2）圖像向量化

圖像向量化是將二維圖像矩陣按列依次連接成一個(gè)向量。

（3）用聯(lián)合熵極大值法或者快速固定點(diǎn)法求ICA變換的最優(yōu)投影矩陣。

（4）訓(xùn)練樣本和測(cè)試樣本按照Y＝（）X進(jìn)行投影。

（5）對(duì)投影結(jié)果進(jìn)行分類。

2.2　ICA在人臉識(shí)別中的擴(kuò)展應(yīng)用

2.2.1　分塊ICA

當(dāng)人臉圖像作為一個(gè)整體進(jìn)行ICA變換時(shí)，不同器官的細(xì)微變化不一定能清晰地表現(xiàn)出來。為了有效抽取圖像的局部特征，有必要采用分塊ICA[4]。

分塊ICA的思想是：將人臉分成2n個(gè)小塊；對(duì)每個(gè)小塊分別求取最優(yōu)變換矩陣，并進(jìn)行ICA變換；根據(jù)人臉不同器官的重要性確定各子塊圖像的重要性，并對(duì)不同子塊的ICA特征賦以不同的權(quán)重，然后進(jìn)行加權(quán)求和；最后采用最近鄰分類器或余弦分類器分類。

研究表明：基于分塊ICA的人臉識(shí)別性能要優(yōu)于普通ICA。

2.2.2　PCA+ICA

由于PCA提取的特征是最小均方誤差意義上的二階統(tǒng)計(jì)信息，各分量之間互不相關(guān)；而ICA提取的是高階統(tǒng)計(jì)信息，各分量之間相互獨(dú)立。因此PCA的主分量特征與ICA的獨(dú)立分量特征是對(duì)原數(shù)據(jù)的兩類不同描述。如果將二者結(jié)合起來，那么必定使抽取到的信息更加全面，人臉識(shí)別的性能也將得到改善。PCA和ICA組合進(jìn)行人臉識(shí)別的方法有三種。

（1）先對(duì)人臉圖像進(jìn)行PCA變換，在變換后的特征空間進(jìn)行ICA變換[1,5-6]。

（2）分別對(duì)人臉圖像進(jìn)行PCA和ICA變換，得到的特征分別求余弦相似度和距離相似度，然后將相似度結(jié)果求和，用余弦分類器和最近鄰分類器對(duì)兩類特征聯(lián)合進(jìn)行分類[7]。研究表明：基于分類器組合的方法優(yōu)于單獨(dú)使用PCA或ICA的單分類器方法。

（3）分別對(duì)人臉進(jìn)行PCA和ICA變換，對(duì)得到的PCA特征和ICA特征加權(quán)求和，并采用最近鄰法或余弦法對(duì)加權(quán)特征值進(jìn)行分類[8]。研究表明：PCA和ICA特征加權(quán)識(shí)別率高于單獨(dú)的PCA或單獨(dú)的ICA。

2.2.3　ICA+LDA

在人臉識(shí)別過程中，需要考慮很多因素，如光照、背景、角度、表情等。在這些復(fù)雜因素的制約下，單一的識(shí)別方法很難達(dá)到較理想的識(shí)別效果。因此，為了提高識(shí)別率和魯棒性，有必要將不同的人臉識(shí)別方法結(jié)合起來。ICA側(cè)重于分離獨(dú)立信號(hào)源，但是沒有考慮分類信息；而LDA的分類效果很好。因此將ICA和LDA結(jié)合起來[9]進(jìn)行人臉識(shí)別的效果一般會(huì)優(yōu)于單獨(dú)的ICA或LDA。ICA和LDA聯(lián)合進(jìn)行人臉識(shí)別的步驟如下：

1）對(duì)訓(xùn)練樣本進(jìn)行ICA變換，得到ICA轉(zhuǎn)換矩陣以及獨(dú)立基向量；

2）對(duì)獨(dú)立基向量張成的空間進(jìn)行LDA變換，得到LDA變換矩陣。

3）訓(xùn)練樣本和測(cè)試樣本均通過式Y(jié)＝TTX進(jìn)行變換。

4）對(duì)變換后的特征向量進(jìn)行分類。

研究表明：ICA和LDA組合進(jìn)行人臉識(shí)別的效果優(yōu)于單獨(dú)的LDA和ICA。

2.2.4　ICA算法的改進(jìn)

當(dāng)ICA采用聯(lián)合熵極大值法或者快速固定點(diǎn)迭代法計(jì)算投影矩陣時(shí)，計(jì)算量非常大。這兩種方法對(duì)求得的獨(dú)立基也沒有較好的特征選取方法。因此，ICA人臉識(shí)別需要降低計(jì)算復(fù)雜度、選取優(yōu)良特征。可以采用以下三種方法改進(jìn)ICA。

1）低通濾波降維。原始人臉圖像輸入后，首先采用低通濾波器進(jìn)行降維，這樣不但減少了計(jì)算量，而且還能消除高頻噪聲。

2）采用四階統(tǒng)計(jì)信息的ICA算法。研究表明：四階ICA算法的計(jì)算復(fù)雜度低，基空間識(shí)別率高。

3）采用遺傳算法GA對(duì)求得的獨(dú)立基集合進(jìn)行搜索，挑選優(yōu)良特征。然后再對(duì)選擇的特征進(jìn)行分類。研究表明： ICA和GA聯(lián)合進(jìn)行人臉識(shí)別的方法比單獨(dú)的ICA算法好[10]。

3　總結(jié)及展望

本文總結(jié)了ICA算法的基本原理，并詳細(xì)闡述了PCA算法在人臉識(shí)別中的應(yīng)用，包括：分塊ICA、PCA和ICA進(jìn)行組合、ICA和LDA進(jìn)行組合，ICA和GA進(jìn)行組合、低通濾波降維、采用四階統(tǒng)計(jì)信息的ICA算法等。

未來的研究可以從如何選擇最優(yōu)組合算法和尋找最佳分塊方式兩個(gè)方向著手。

參考文獻(xiàn)

［1］安高云,阮秋琦.基于獨(dú)立分量分析的普適人臉識(shí)別系統(tǒng)[J].北京交通大學(xué)學(xué)報(bào):自然科學(xué)版,2006,30(5):6-9.

［2］Liu C. Enhanced Independent Component Analysis and Its Application to Content Based Face Image Retrieval [J]. IEEE Trans on Systems, Man and Cybernetics, PartB, 2004,34(2):1117-1127.

［3］楊竹青,李勇,胡德文.獨(dú)立成分分析方法綜述[J].自動(dòng)化學(xué)報(bào),2002,28(5):762-770.

［4］姚雪梅,古麗拉.阿東別克.基于ICA和 SVM的局部人臉識(shí)別方法[J].現(xiàn)代計(jì)算機(jī):專業(yè)版,2005(12):15-16.

［5］王宏漫,歐宗瑛.采用PCA/ICA特征和SVM分類的人臉識(shí)別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2003,15(4):416:420.

［6］劉直芳,游志勝,王運(yùn)瓊.基于PCA和ICA的人臉識(shí)別[J].激光技術(shù),2004,28 (1):78-81.

［7］徐勇,張重陽,楊靜宇.基于主分量特征與獨(dú)立分量特征的人臉識(shí)別實(shí)驗(yàn)[J].計(jì)算機(jī)工程與設(shè)計(jì),2005,26(5):1155-1157.

［8］王展青,劉小雙,張桂林,王仲君.基于PCA與ICA的人臉識(shí)別算法研究[J].華中師范大學(xué)學(xué)報(bào):自然科學(xué)版,2007,41(3):373-376.

［9］趙明華,游志勝,呂學(xué)斌,穆萬軍.基于ICA和FLD相結(jié)合的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2005,8:255-257.

第4篇：直方圖均衡化的基本原理范文

【關(guān)鍵詞】四幀差分 邊緣檢測(cè) 閾值分割

1 引言

運(yùn)動(dòng)目標(biāo)檢測(cè)處于智能視頻監(jiān)控系統(tǒng)的最底層，其檢測(cè)結(jié)果的好壞將直接影響后續(xù)的處理效果，故其技術(shù)發(fā)展和應(yīng)用前景受到廣泛關(guān)注。目前常用的運(yùn)功目標(biāo)檢測(cè)算法有：背景差分法、光流法及幀間差分法。背景差分法能夠較完整的提取出運(yùn)動(dòng)目標(biāo)，但對(duì)光照及外部條件引起的動(dòng)態(tài)場(chǎng)景變化過于敏感；光流法是基于對(duì)光流場(chǎng)的估算進(jìn)行檢測(cè)分割的方法，計(jì)算復(fù)雜，須有特殊硬件設(shè)備支持，實(shí)時(shí)性差；幀差法是根據(jù)圖像中像素點(diǎn)的灰度差計(jì)算出運(yùn)動(dòng)物體的位置和形狀等信息，這種方法對(duì)于動(dòng)態(tài)環(huán)境有很好的適應(yīng)性，算法簡(jiǎn)單，易于實(shí)現(xiàn)，但不能提取出較完整的運(yùn)動(dòng)目標(biāo)。

視頻圖像的邊緣信息抗干擾性能好，其不易受亮度突變及噪聲的影響，因此本文融合圖像邊緣信息與四幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，計(jì)算簡(jiǎn)單，實(shí)驗(yàn)結(jié)果表明該算法可以有效改善傳統(tǒng)幀間差分算法出現(xiàn)的空洞現(xiàn)象。

2 融合邊緣檢測(cè)的四幀差分運(yùn)動(dòng)目標(biāo)檢測(cè)

2.1 預(yù)處理

眾所周知，灰度圖像的處理效率高于彩色圖像，因此首先對(duì)圖像進(jìn)行灰度化。另外，圖像獲取過程中不可避免的存在諸如斑點(diǎn)噪聲及椒鹽噪聲等一系列噪聲影響，為了有效抑制噪聲影響，本文采用中值濾波法對(duì)原始圖像進(jìn)行濾波處理。最后本文采用直方圖均衡化及梯度化操作，使得圖像輪廓更為清晰，以增強(qiáng)抗干擾能力。

2.2 Canny 邊緣檢測(cè)算法

邊緣作為圖像的最基本特征廣泛存在于目標(biāo)物與背景之間、目標(biāo)物與目標(biāo)物之間，在圖像處理中有著重要的作用和廣泛的應(yīng)用。目前常用的邊緣檢測(cè)算子包括 Robets 算子、Sobel算子、Prewwits 算子、 Log 算子、二階Laplace 算子等。這些算子簡(jiǎn)單，易于實(shí)現(xiàn)且具有很好的實(shí)時(shí)性，但抗干擾性能差，對(duì)噪聲較敏感且邊緣的精度有待提高?；谧顑?yōu)化算法的 Canny 邊緣檢測(cè)算子，是先采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，再進(jìn)行邊緣檢測(cè)，提取的邊緣線形連接較為完整，定位準(zhǔn)確性較高，效果較好。本文采用此方法對(duì)序列幀圖像進(jìn)行邊緣提取。.

Canny算子的基本原理是通過查找圖像梯度強(qiáng)度局部的最大值的方法來得到邊緣信息，圖像梯度的計(jì)算采用Gauss濾波器。為了消除噪聲干擾、提高邊緣檢測(cè)的精度，Canny采用雙閾值來提取邊緣像素點(diǎn)。如果梯度強(qiáng)度不滿足高閾值的檢測(cè)條件，但是與己檢測(cè)出的較強(qiáng)邊緣點(diǎn)相連接，并且滿足低閾值條件，則確定為弱邊緣點(diǎn)。雙閾值法使得采用Canny算子提取邊緣點(diǎn)更具有魯棒性。

Canny算法的實(shí)現(xiàn)步驟如下：

（1）高斯濾波：選取合適的Gauss窗函數(shù)和尺度，用Gauss濾波器對(duì)需要處理的圖像進(jìn)行平滑濾波，得到平滑圖像；

（2）梯度計(jì)算：用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向；

（3）量化梯度方向：對(duì)梯度方向進(jìn)行量化，使其只有8個(gè)方向，即0?、45?、90?、135?、180?、225?、270?、315?；

（4）梯度非最大值抑制：對(duì)于每一個(gè)梯度強(qiáng)度非零的像素點(diǎn)，查找沿其量化后的梯度方向的兩個(gè)相鄰像素點(diǎn)，然后通過閾值判斷為非邊緣點(diǎn)還是候選邊緣點(diǎn)；

（5）雙閾值判決：設(shè)定雙閡值，進(jìn)一步判斷候選邊緣點(diǎn)為強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)還是非邊緣點(diǎn)；

（6）邊緣連接：對(duì)于弱邊緣點(diǎn)，如果它與強(qiáng)邊緣點(diǎn)在8連通區(qū)域相連，則該點(diǎn)記為弱邊緣點(diǎn)，同時(shí)將其邊緣提取置為1，所有標(biāo)記為1的點(diǎn)就成了最后的邊緣。

2.3 連續(xù)四幀差分算法基本原理

傳統(tǒng)的三幀差分算法雖然能夠快速檢測(cè)出運(yùn)動(dòng)目標(biāo)的輪廓，但其所檢測(cè)出的輪廓往往不連續(xù)且存在較大的空洞現(xiàn)象，同時(shí)傳統(tǒng)三幀差分算法不能完整提取目標(biāo)信息。本文采用如下改進(jìn)幀間差分法，即連續(xù)四幀差分算法，可以在一定程度上克服傳統(tǒng)三幀差分算法的不足。設(shè)預(yù)處理后的連續(xù)四幀圖像f1（x，y）、f2（x，y）、f3（x，y）、f4（x，y），首先分別將f1（x，y）與f3（x，y）以及f2（x，y）與f4（x，y）做差分運(yùn)算，得到差分結(jié)果：

（1）

（2）

然后將差分后的結(jié)果D1與D2二值化處理后進(jìn)行“與”運(yùn)算，得到結(jié)果DA=D1D2，“與”運(yùn)算能夠有效的克制目標(biāo)重疊現(xiàn)象。

2.4 本文算法

本文算法融合圖像邊緣信息與四幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，首先采用Canny邊緣檢測(cè)算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運(yùn)動(dòng)目標(biāo)輪廓，最后通過后期一系列處理提取出準(zhǔn)確完整的運(yùn)動(dòng)目標(biāo)區(qū)域。本文算法整體流程如圖1所示。

2.5 形態(tài)學(xué)處理

由于干擾因素的存在，導(dǎo)致我們得到的二值化圖像中往往會(huì)出現(xiàn)噪聲及空洞，可以通過數(shù)學(xué)形態(tài)學(xué)對(duì)其進(jìn)行后處理。首先采用腐蝕運(yùn)算消除二值圖像中的孤立噪聲點(diǎn)，再采用膨脹運(yùn)算來填充運(yùn)動(dòng)目標(biāo)的邊緣空洞。

3 實(shí)驗(yàn)對(duì)比

本文采用 Matlab 進(jìn)行仿真實(shí)驗(yàn)，為驗(yàn)證算法的有效性，分別利用傳統(tǒng)三幀差分法、四幀差分法以及本文算法對(duì)同一組 AVI 視頻序列圖像進(jìn)行測(cè)試。檢測(cè)結(jié)果如圖2所示。

分別采用傳統(tǒng)三幀差分算法、四幀差分算法及本文算法對(duì)原始圖像進(jìn)行處理，原始圖像中右邊白色衣服人物是靜止不動(dòng)的，處理結(jié)果如圖2所示。由圖可知，采用傳統(tǒng)三幀差分算法檢測(cè)到的目標(biāo)輪廓不連續(xù)，四幀差分法得到的圖像目標(biāo)輪廓更清晰，內(nèi)容更為豐富，但輪廓依然不完整，而采用本文算法檢測(cè)得到的目標(biāo)輪廓更加完整清晰，結(jié)果準(zhǔn)確。

4 結(jié)論

本文融合圖像邊緣信息與四幀差分對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，首先采用Canny邊緣檢測(cè)算法快速提取連續(xù)四幀圖像的邊緣圖像，然后利用四幀差分算法得到較為完整的運(yùn)動(dòng)目標(biāo)輪廓，最后通過后期一系列處理提取出準(zhǔn)確完整的運(yùn)動(dòng)目標(biāo)區(qū)域。實(shí)驗(yàn)結(jié)果表明本文算法能夠快速準(zhǔn)確檢測(cè)出運(yùn)動(dòng)目標(biāo)，進(jìn)一步改進(jìn)了傳統(tǒng)三幀差分目標(biāo)輪廓不連續(xù)現(xiàn)象，計(jì)算簡(jiǎn)單，可滿足實(shí)時(shí)性檢測(cè)需求。

參考文獻(xiàn)

[1]羅志升，王黎，高曉蓉，王澤勇，趙全軻.序列圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法分析[J].現(xiàn)代電子技術(shù)，2009.

[2]蔣.人體運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤關(guān)系問題研究[D].中南林業(yè)科技大學(xué)，2013.

[3]劉辰飛.智能視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤[D].濟(jì)南大學(xué)，2012.

[4]舒欣，李東新， 薛東偉.五幀差分和邊緣檢測(cè)的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（1）.

[5]許錄平.數(shù)字圖像處理[M].北京：科學(xué)出版社，2007.

[6]張德豐.MATLAB 數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2009.

[7]邵廣安.視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法的研究[D].南昌大學(xué)，2013.

[8]趙潔，李瑋，郝志鵬，彭慧卿.基于改進(jìn) Canny 算子與圖像形態(tài)學(xué)融合的邊緣檢測(cè)方法[J].微型機(jī)與應(yīng)用，2011，30（10）

作者簡(jiǎn)介

張鵬（1988-），男，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士研究生。主要研究方向?yàn)樾盘?hào)與信息處理、圖像處理。

李思岑（1989-），女，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士研究生。主要研究方向?yàn)榍度胧郊夹g(shù)及應(yīng)用、圖像處理。

楊燕翔（1963-），男，現(xiàn)為西華大學(xué)電氣信息學(xué)院碩士生導(dǎo)師。主要研究方向?yàn)楝F(xiàn)代信號(hào)處理、嵌入式技術(shù)及應(yīng)用。