朱春華 郭歆瑩 趙攀 秦瑤
(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院)
在新工科背景下,電子信息類工科課程的教學(xué)設(shè)計中加強(qiáng)了以問題為導(dǎo)向、多學(xué)科交叉融合以及科研育人等教學(xué)理念。專業(yè)基礎(chǔ)課對專業(yè)知識要求高,而且其知識點(diǎn)環(huán)環(huán)相扣,在慕課的建設(shè)中文獻(xiàn)[1]提出了把專業(yè)基礎(chǔ)課引入慕課教學(xué)模式的課程建設(shè)思路;專業(yè)教育與工科基礎(chǔ)數(shù)學(xué)或物理課的結(jié)合也成為了基礎(chǔ)課教學(xué)改革的焦點(diǎn)[2];科研反哺教學(xué)已經(jīng)成為近兩年應(yīng)用型人才培養(yǎng)的關(guān)鍵詞[3-4]。但在實際教學(xué)活動中,還面臨理論與實踐嚴(yán)重脫節(jié)、理論課與實踐課的教學(xué)設(shè)計不能有效銜接,學(xué)生以聽為主缺乏主動思考的教學(xué)模式等問題,這影響到了通過課程教學(xué)培養(yǎng)學(xué)生的獨(dú)立思考能力、科學(xué)思維方法和求知創(chuàng)新精神的目標(biāo)達(dá)成。本文以《數(shù)字圖像處理》課程為例,提出科教融合的教學(xué)設(shè)計思路,以科研項目實踐的每個單元對應(yīng)支撐課程教學(xué)內(nèi)容的每個知識點(diǎn),形成了科研真正融入課堂,反哺教學(xué)的教學(xué)模式。
本文以基于圖像處理的糧食籽粒和雜質(zhì)檢測[5]為例,通過圖像增強(qiáng)、圖像分割、形態(tài)學(xué)圖像處理等在主干課程《數(shù)字圖像處理》中的知識,實現(xiàn)摻雜糧食中的雜質(zhì)分離。檢測流程如圖1所示。
圖1 算法流程框圖
對摻雜糧食圖像,首先通過直方圖均衡化和高斯-拉普拉斯算子增強(qiáng)糧食籽粒和雜質(zhì)的對比度;對閾值分割后的雜質(zhì)圖像,引入膨脹與雜質(zhì)面積參數(shù)去除偽點(diǎn),并利用羅伯茨算子提取雜質(zhì)邊緣和二次去噪;最后對雜質(zhì)圖像進(jìn)行標(biāo)記和計數(shù)。
在以上項目實踐環(huán)節(jié)中,首先要進(jìn)行原始圖像采集。實驗中的小麥與雜質(zhì)來自河南省鄭州市的興隆國家糧食儲備庫,圖像采集背景為反光性能較弱的亞格力板,在板內(nèi)設(shè)有大小、間距相等的100個圓形孔用于放置小麥與雜質(zhì)。在自然光照射下,采用SONY相機(jī)(ILCE-7RM2型號,4240萬有效像素)從50cm左右高度垂直進(jìn)行拍攝,獲得實驗圖像。
為了增加摻雜糧食籽粒圖像中雜質(zhì)圖像和糧食籽粒圖像區(qū)域的對比度,本文采用直方圖均衡化處理和圖像銳化對原始圖像進(jìn)行預(yù)處理,便于后續(xù)的雜質(zhì)圖像分割。為了保證色彩的不失真,首先把RGB圖像轉(zhuǎn)為HSV[7](Hue-Saturation-Value)圖像;然后對HSV圖像的直方圖進(jìn)行均衡化和銳化濾波,考慮到高斯濾波的平滑作用和拉普拉斯算子對噪聲的敏感性,采用高斯-拉普拉斯算子(LOG算子)對原始圖像進(jìn)行濾波,若原始圖像像素(x,y),對其進(jìn)行LOG算子濾波可表示為
原始圖像和預(yù)處理后的圖像分別如圖2(a)和圖2(b)所示,其傅里葉變換后的頻域分布分別如圖2(c)和圖2(d)所示。可見預(yù)處理后圖像的低頻分量減少,高頻分量增加;而圖像中的高頻成分反映的是圖像中變換比較尖銳的細(xì)節(jié)、圖像邊緣等部分,因此經(jīng)過預(yù)處理之后圖像的對比度得到增強(qiáng)。
圖2 預(yù)處理前后圖像對比
對預(yù)處理后的圖像圖2(b),需要分離糧食籽粒和雜質(zhì),本文通過對比大津法(OTSU)[6]、迭代法[7]、直方圖雙峰法[8],考慮糧食籽粒圖像的直方圖分布特點(diǎn),確定采用直方圖閾值分割中的多峰分割的方法。在以上分割過程中,分割閾值的選取是算法的關(guān)鍵,通過實驗得到最優(yōu)的分割閾值為Ts,糧食籽粒和圖像背景的灰度值小于等于全局閾值,判定為背景點(diǎn);雜質(zhì)的灰度值大于全局閾值,判為目標(biāo)點(diǎn),分割過程可表示為
原圖像與雜質(zhì)分割圖像分別如圖3(a)和圖3(b)所示。由圖3(a)所示,在原始圖像的背景中會存在一些與雜質(zhì)灰度值相近的細(xì)小噪點(diǎn),這些噪點(diǎn)來源于圖像采集板的孔洞邊緣粘連的部分雜質(zhì)顆粒,或者是由于糧食籽粒部分區(qū)域的灰度值與雜質(zhì)灰度接近。這些噪點(diǎn)在經(jīng)過圖像分割后難以去除,如圖3(b)所示,這些噪點(diǎn)的存在將影響雜質(zhì)圖像的標(biāo)記與準(zhǔn)確識別。為去除雜質(zhì)分割圖像中的噪點(diǎn)并保持雜質(zhì)圖像的完整性,雜質(zhì)分割圖像去噪主要通過基于面積的幾何濾波、使用Roberts算子檢測噪點(diǎn)、基于面積的二次濾波幾個主要步驟完成。通過觀察閾值分割后的圖像圖3(b)發(fā)現(xiàn),雜質(zhì)與噪點(diǎn)的主要區(qū)別之一是其面積差異較大,因此本文采取了基于圖像面積的幾何濾波方法,即以某一面積值作為濾波器的截至頻率,通過對圖像中某點(diǎn)的26鄰域的面積值與進(jìn)行比較,當(dāng)其面積小于時則剔除該點(diǎn),當(dāng)其面積大于S時則保留該點(diǎn)。但由于部分雜質(zhì)圖像分割后并不是一個完整的封閉區(qū)域,影響后續(xù)的雜質(zhì)計數(shù)。因此在利用圖像面積進(jìn)行幾何濾波之前,對閾值分割后的雜質(zhì)圖像首先要進(jìn)行膨脹處理,使得未連通的雜質(zhì)目標(biāo)區(qū)域連通起來,便于后期統(tǒng)計雜質(zhì)個數(shù)。這里在膨脹系數(shù)選取時不宜太大,以免噪點(diǎn)與雜質(zhì)區(qū)域過度融合,造成雜質(zhì)標(biāo)記錯誤;同時,較小模板的膨脹處理會加大噪點(diǎn)與雜質(zhì)目標(biāo)區(qū)域的面積差距,更易剔除孤立噪點(diǎn)。對于未能完全濾除的殘余噪點(diǎn),使用對噪聲較為敏感的算子提取圖像邊緣,再次設(shè)置面積閾值,對其進(jìn)行基于圖像面積的二次幾何濾波,得到全部雜質(zhì)圖像。如圖3(c)所示。
圖3 雜質(zhì)圖像分割與去噪
得到全部雜質(zhì)圖像后,可進(jìn)行雜質(zhì)圖像標(biāo)記和計數(shù)。由于部分雜質(zhì)圖像存在分立孤島,為正確統(tǒng)計雜質(zhì)個數(shù),需對雜質(zhì)圖像進(jìn)行膨脹操作,從而連通分立孤島,以及填補(bǔ)圖像內(nèi)部孔洞。統(tǒng)計雜質(zhì)個數(shù)后,考慮計算復(fù)雜性和邊緣提取完整性,使用Canny算子提取雜質(zhì)圖像邊緣,并進(jìn)行雜質(zhì)位置標(biāo)記,據(jù)此還可以統(tǒng)計雜質(zhì)數(shù)量。
為檢驗本文所提方法的有效性,實驗中對比分析了大津法(OTSU)[2]、迭代法[3]、直方圖雙峰法[4]的雜質(zhì)檢測結(jié)果分別如圖4(a)-(d)所示,其中原始圖像如圖2(a)。
圖4 不同雜質(zhì)檢測方法的雜質(zhì)圖像提取結(jié)果對比
由圖4(a)和圖4(b)可見,文獻(xiàn)[2]和文獻(xiàn)[3]分別采用最大類間方差法和迭代法僅能區(qū)分背景和目標(biāo),無法分離糧食籽粒和雜質(zhì);文獻(xiàn)[4]采用雙峰直方圖閾值法進(jìn)行圖像分割,能夠提取大部分雜質(zhì),但殘余噪點(diǎn)較多。本文所提方法的雜質(zhì)圖像檢測結(jié)果如圖4(d),從圖中可以看出本文所提方法能夠較為準(zhǔn)確地提取出摻雜圖像中的雜質(zhì)圖像并且無殘余噪點(diǎn),能夠準(zhǔn)確標(biāo)記每一粒雜質(zhì)的區(qū)域位置且相鄰區(qū)域標(biāo)記不存在粘連情況,保證了標(biāo)記的準(zhǔn)確性與直觀性。
選擇不同摻雜的圖像,利用本文所提雜質(zhì)檢測方法進(jìn)行雜質(zhì)圖像標(biāo)記的結(jié)果分別如圖5(a)-(d)所示。結(jié)果表明,本文方法能夠有效分離雜質(zhì)和糧食籽粒,實現(xiàn)雜質(zhì)圖像的準(zhǔn)確計數(shù)。
圖5 不同摻雜圖像檢測結(jié)果對比
上述基于圖像處理的糧食籽粒和雜質(zhì)檢測的項目實踐環(huán)節(jié),內(nèi)容涉及從數(shù)據(jù)采集、技術(shù)方案設(shè)計、數(shù)據(jù)分析與性能評估萬整的項目開發(fā)過程,而且實踐內(nèi)容與《數(shù)字圖像處理》課程教學(xué)內(nèi)容形成了強(qiáng)支撐關(guān)系,如圖6所示。
圖6 科研實踐內(nèi)容與《數(shù)字圖像處理》課程教學(xué)內(nèi)容
可見,在教學(xué)過程中融入科研實踐訓(xùn)練,能夠有機(jī)結(jié)合理論授課內(nèi)容,加強(qiáng)學(xué)生對重點(diǎn)知識的理解與掌握;而且,實踐內(nèi)容涉及數(shù)據(jù)采集、預(yù)處理、算法優(yōu)化、實驗設(shè)計、性能分析與對比等萬整的項目開發(fā)環(huán)節(jié),所形成的科研方法同樣可擴(kuò)展應(yīng)用到其他課程學(xué)習(xí)中,能夠提升學(xué)生的邏輯思維能力和科研創(chuàng)新能力,也可以以科研項目為切入點(diǎn)建設(shè)教學(xué)團(tuán)隊[9],提升教師團(tuán)隊的創(chuàng)新教學(xué)理念。
本文以科研融入教學(xué)為切入點(diǎn),通過設(shè)計與教學(xué)內(nèi)容相匹配的科研項目,使單元知識點(diǎn)與科研項目實踐的各環(huán)節(jié)形成對應(yīng)關(guān)系,從而在教學(xué)過程中形成理論和實踐相輔相成、深度嵌入的教學(xué)模式,不同的實踐環(huán)節(jié)構(gòu)成來了一個完整的科研項目,可以作為課程教學(xué)的過程性評價。本文所提的科教融合課程教學(xué)設(shè)計思路,有助于通過課程教學(xué)達(dá)到科研育人的目標(biāo),也可以擴(kuò)展應(yīng)用到其他工科專業(yè)的課程教學(xué)中。