王文文

【摘? 要】隨著圖像處理技術的不斷發(fā)展，圖像處理技術已在智能交通、醫(yī)藥醫(yī)學、工業(yè)、農(nóng)業(yè)中得到應用。圖像處理技術可以與其他學科進行相互交叉聯(lián)系，多學科交叉促使計算機圖像處理技術實現(xiàn)新突破，更新算法使計算機圖像處理技術的應用范圍擴大。

【Abstract】With the continuous development of image processing technology， image processing technology has been applied in intelligent transportation， medicine and medical science， industry and agriculture. Image processing technology can intersect and link with other disciplines， and the multidisciplinary intersection promotes the achievement of new breakthroughs in computer image processing technology and the updated algorithm expands the application range of computer image processing technology.

【關鍵詞】計算機;圖像處理;應用

【Keywords】computer; image processing; application

【中圖分類號】TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2021）02-0190-02

1 計算機圖像處理的關鍵技術

1.1 圖像識別技術

圖像識別技術指在分析和處理圖像的基礎上，對圖像進行準確識別和分類。人工智能方向研究中一般均具有圖像識別功能，通過將數(shù)據(jù)對象按照一定的特征對對象進行分組的聚類方法和通過降維找到數(shù)據(jù)的共同點減少數(shù)據(jù)集的變量。對圖像進行分類并識別目標，常用的算法有K-means、卷積神經(jīng)網(wǎng)絡、YOLO算法等。

1.2 圖像分割技術

圖像分割技術在圖像分析與處理、目標識別等領域均有應用且必不可少，根據(jù)圖像各區(qū)域特征的不同進行分析，提供定性和定量的分析結果。針對圖像目標識別及目標分類，圖像分割起到關鍵作用。

1.3 圖像增強技術

圖像增強主要是針對原有圖像畫質(zhì)差、目標對象與背景對比不清晰等問題的圖像處理，使用偽色彩增強法、直方圖增強法增強圖像中的需求信息與必要信息，促進目標對象解釋工作與目標區(qū)域分類工作的順利完成。

1.4 圖像壓縮和編碼技術

為了減少圖片占用存儲空間，使數(shù)據(jù)存儲量得到有效控制，通過使用神經(jīng)網(wǎng)絡編碼、小波變換編碼等圖像壓縮技術，刪除無用信息與冗余信息，提高圖像的應用效果。

1.5 圖像復原技術

針對圖像受到外界不良因素影響時所采用的應急處理技術，一般通過使用同態(tài)濾波操作和維納濾波操作技術提升已經(jīng)退化的圖像質(zhì)量，去掉圖像的模糊與噪聲干擾。

2 計算機圖像處理技術的基本應用

2.1 計算機圖像處理技術在農(nóng)業(yè)方面的應用

計算機圖像處理技術在農(nóng)業(yè)方面的應用主要表現(xiàn)為：農(nóng)作物選種，種子是農(nóng)作物的來源，種子質(zhì)量的檢驗對于農(nóng)作物成活率以及后期優(yōu)質(zhì)農(nóng)作物的生產(chǎn)管理具有基礎性的意義[1];在種植階段應用圖像處理技術，可生產(chǎn)檢測中輔助實時高效地檢測播種作業(yè)，有效避免人工播種的耗時耗力;利用農(nóng)業(yè)采摘機器人采摘水果，如櫻桃采摘，圖像處理技術就會把程序默認為紅色，所有的櫻桃都會被采摘機器人采摘以及品質(zhì)分級識別等，節(jié)省人力物力，創(chuàng)造更多經(jīng)濟效益;通過圖像處理技術科學快速準確地識別發(fā)生蟲害情況，減少人工蟲害識別作業(yè)的時間成本。

2.2 計算機圖像處理技術在醫(yī)學方面的應用

圖像處理技術應用于醫(yī)學圖像可視化技術中，構建出人體不可見的器官三維幾何模型，輔助醫(yī)生作出更加精準的診斷。針對惡性腫瘤治療，圖像處理技術輔助醫(yī)生制定術前規(guī)劃，了解病變基本形狀及空間位置，在放射治療過程中，避免射線照射到腫瘤周邊的重要組織，減少對正常組織的傷害。利用數(shù)據(jù)接口和互聯(lián)網(wǎng)與醫(yī)學圖像進行連接，實現(xiàn)醫(yī)學圖像遠程實時傳播，滿足異地會診需求，提高醫(yī)院圖像信息化管理水平[2]。

2.3 計算機圖像處理技術在交通方面的應用

智能交通系統(tǒng)在我國起步較晚，最初進行一些基礎性研究工作，主要涉及道路交通管理的優(yōu)化、交通信息的采集、車輛動態(tài)識別等。近年來，我國在智能交通系統(tǒng)的研究進入快速發(fā)展的階段。

利用安裝在紅綠燈下的道路攝像監(jiān)控系統(tǒng)拍攝違法車輛，識別道路交通違法行為，規(guī)范司機行為、減少交通事故、提高道路通行效率，為安全駕駛提供保障。國內(nèi)外學者針對此問題進行了大量研究并取得一定成果。檢測運動目標是車輛違章檢測系統(tǒng)中的關鍵，根據(jù)車輛行駛規(guī)律將車輛從背景中分離，根據(jù)目標的運動情況判斷對其是否執(zhí)行后續(xù)操作，如是否違法變道、掉頭與闖紅綠燈等。將圖像分割為兩大區(qū)域：含運動目標和不含運動目標。通過調(diào)整目標對象的相關屬性，如背景顏色、亮度、清晰度等識別運動前景和背景。根據(jù)車輛引擎蓋和車底陰影，利用區(qū)域前景及簡單標定獲得目標對象的定位識別，將對象進行框選，利用圖像分割等特征獲取目標對象的二維坐標及長度與寬度。國內(nèi)學者提出了一種基于LabWindows/CVI的車輛違章檢測系統(tǒng)，該系統(tǒng)應用地感線圈檢測技術檢測車輛是否違章，通過某些硬件傳感器檢測收集車輛違章的電信號，并判斷該車輛行為是否違章，在一定程度上減輕人工作業(yè)壓力。

國內(nèi)外學者在智能交通違章識別算法研究上有了一定成果，如利用邊緣檢測和雙極性融合的車道邊緣檢測算法，解決車道線提取過程中車道線被車輛遮擋的影響。針對駕駛員安全帶佩戴情況的識別，使用基于邊緣檢測圖像的投影直方圖對車輛和駕駛員進行定位，利用直線濾波模板對駕駛員的邊緣檢測圖進行濾波，并對Hough變換檢測的直線圖像進行分析。此外，可以通過膚色的最大似然度對皮膚進行特征提取，利用BP人工神經(jīng)網(wǎng)絡進行識別，進而檢測駕駛員駕車打電話的情況。

在公共交通系統(tǒng)、電子收費系統(tǒng)中應用智能交通系統(tǒng)，對圖像信息進行收集、提取和分割能夠完整準確快速識別車牌與車輛信息。

將圖像識別技術應用在道路橋梁裂縫檢測中，替代以往的人工檢測，可以提高檢測效率，減少交通干擾。瀝青路面表面以下形成的隱蔽裂縫是形成路面損壞的主要原因，傳統(tǒng)路面病害主要是由于車輛超載引起的坑槽、裂縫等，降低行車的安全性和舒適性。傳統(tǒng)人工檢測的方式效率低、誤差大。目前，國內(nèi)在該領域研究較多，主要涉及卷積神經(jīng)網(wǎng)絡、YOLO算法、K-means等深度學習模型，在裂縫圖像背景復雜的情況下及時對裂縫圖像展開有性分析和裂縫識別。

隨著人工智能技術的發(fā)展，機器學習被廣泛應用在路面病害識別中。傳統(tǒng)的機器學習的缺點是人工提取圖像特征，無法實現(xiàn)路面圖片端到端的智能識別。為克服該問題，利用卷積神經(jīng)網(wǎng)絡，自動進行特征學習[3]。近年來，深度學習方法逐漸被引入道路領域并取得較多成果。Zhang等基于卷積神經(jīng)網(wǎng)絡推出Crack.NET裂縫識別網(wǎng)絡，實現(xiàn)三維瀝青路面的像素級裂縫檢測。沙愛民等利用三個CNN模型完成路面病害識別、路面裂縫特征提取和坑槽特征提取，計算準確度較高。

基于深度學習的算法模型往往含有大量參數(shù)，較大樣本量的數(shù)據(jù)集更加有利于訓練學習，從而構建出更可靠的模型。當前，該領域研究者能獲得的路面圖像數(shù)據(jù)集樣本數(shù)量一般比較有限。針對數(shù)量較小、數(shù)據(jù)質(zhì)量較差的數(shù)據(jù)集，經(jīng)常采用數(shù)據(jù)增強的方法對數(shù)據(jù)集進行擴充。

2.4 計算機圖像處理技術在化學工業(yè)方面的應用

當前，碳纖維增強水泥基復合材料已經(jīng)成為國內(nèi)外研究熱點，并日益成為建筑和路面施工的重要工程材料。CFRC具有許多功能特性，包括用于路面除冰的電加熱、建筑物的電磁波屏蔽以及建筑物健康監(jiān)測等。

目前，針對SEM圖像中CF分布評估的研究工作已經(jīng)采取多種方法，如K值聚類、支持向量機和人工神經(jīng)網(wǎng)絡。這些方法雖然在一定程度上是有效的，但是準確性和效率上都有局限性。與傳統(tǒng)方法相比，卷積神經(jīng)網(wǎng)絡在圖像分割和目標識別方面取得成功。利用CNN對圖像進行分割，并進行多尺度特征編碼，CNN模型在圖像和視頻中提取汽車、行人等方面的性能是合理的。鑒于此，國內(nèi)外學者將CNN應用在瀝青路面和水泥砂漿裂縫的提取方面，CNN擁有處理現(xiàn)實環(huán)境中復雜背景的能力。CNN模型能很好地從各種背景中提取某些對象。在實際處理圖片過程中，CNN模型具有分析不同尺度下SEM圖像的能力，CNN模型不僅能在SEM圖像中識別定位CF簇還能夠在圖像中分割出CF簇。

利用卷積網(wǎng)絡分割掃描電鏡圖像中的碳纖維混凝土，定量表征碳纖維分布。通過建立不同尺度碳纖維的SEM圖像數(shù)據(jù)庫，測試訓練編碼解碼網(wǎng)絡，最終憑借碳纖維的分布，并利用分割結果分析碳纖維的分布與碳纖維混凝土屬性之間的關系。CNN具有自動化特征，這意味著它在圖像中自動提取低、中、高級特征方面非常強大;CNN具有魯棒性特征，對目標的平移和變形具有良好的容忍度。CNN的這兩個屬性足以支撐CNN實現(xiàn)圖像識別處理功能。

3 計算機圖像處理技術的發(fā)展

當前，計算機技術不斷發(fā)展，智能化的生活時代已經(jīng)到來，隨著5G時代的到來，圖像、視頻資源越來越多，圖像處理技術被廣泛應用于各行各業(yè)，多學科交叉、融合已成為趨勢。多學科交叉促使計算機圖像處理技術突破、創(chuàng)新，使計算機圖像處理技術實現(xiàn)大范圍使用。

4 結語

計算機圖像處理技術在醫(yī)學、農(nóng)業(yè)、交通及工業(yè)等領域廣泛應用，隨著時代的發(fā)展進步及5G時代的到來，計算機圖像處理技術發(fā)揮著不可或缺的作用，計算機技術將成為必不可少的一項技術。

【參考文獻】

【1】李玉榮.計算機圖像處理技術的發(fā)展趨勢探討[J].無線互聯(lián)科技，2015（09）：104-105.

【2】戴春梅.探究計算機圖像處理技術的發(fā)展新趨勢[J].計算機光盤軟件與應用，2014，17（21）：215+217.

【3】魏海斌，武少威，張啟帆，等.基于圖像處理的瀝青路面裂縫識別算法研究[J].中外公路，2020，40（04）：73-78.