雜訊對邊界跟蹤演算法

① 如何用eian20預測交通雜訊對各樓層的影響

根據《環境影響評價技術導則一聲環境》（HJ2.4-2009)：聲環境影響評價工作等級一般分為三級，其中一級為詳細評價，二級為一般評價，三級為簡要評價。各等級評價工作的基本要求(1)一級評價工作基本要求?聲環境質量現狀：評價范圍內具有代表性的敏感目標的聲環境質量現狀需要實測。對實測結果進行評價，並分析現狀聲源的構成及其對敏感目標的影響；?工程分析：給出建設項目對環境有影響的主要聲源的數量、位置和聲源源強，並在標有比例尺的圖中標識固定聲源的具體位置或流動聲源的路線、跑道等位置。在缺少聲源源強的相關資料時，應通過類比測量取得，並給出類比測量的條件；?雜訊預測：①要覆蓋全部敏感目標，給出各敏感目標的預測值。②給出廠界（或場界、邊界）雜訊值。③等聲級線：固定聲源評價、機場周圍飛機雜訊評價、流動聲源經過城鎮建成區和規劃區路段的評價應繪制等聲級線圖，當敏感目標高於（含）三層建築時，還應繪制垂直方向的等聲級線圖。④環境影響：給出建設項目建成後不同類別的聲環境功能區內受影響的人口分布、雜訊超標的范圍和程度。給出項目建成後各雜訊級范圍內受影響的人口分布、雜訊超標的范圍和程度。?預測時段：不同代表性時段雜訊級可能發生變化的建設項目，應分別預測其不同時段的雜訊級；?方案比選：對工程可行性研究和評價中提出的不同選址（選線）和建設布局方案，應根據不同方案雜訊影響人口的數量和雜訊影響的程度進行比選，並從聲環境保護角度提出最終的方案；?雜訊防治措施：針對建設項目的工程特點和所在區域的環境特徵提出雜訊防治措施，並進行經濟、技術可行性論證，明確防治措施的最終降噪效果和達標分析。(2)二級評價工作基本要求?聲環境質量現狀：評價范圍內具有代表性的敏感目標的聲環境質量現狀以實測為主，可適當利用評價范圍內已有的聲環境質量監測資料，並對聲環境質量現狀進行評價；?工程分析：給出建設項目對環境有影響的主要聲源的數量、位置和聲源源強，並在標有比例尺的圖中標識固定聲源的具體位置或流動聲源的路線、跑道等位置。在缺少聲源源強的相關資料時，應通過類比測量取得，並給出類比測量的條件；?雜訊預測：①預測點應覆蓋全部敏感目標，給出各敏感目標的預測值。②給出廠界（或場界、邊界）雜訊值。③等聲級線：根據評價需要繪制等聲級線圖。④給出建設項目建成後不同類別的聲環境功能區內受影響的人口分布、雜訊超標的范圍和程度。?預測時段：不同代表性時段雜訊級可能發生變化的建設項目，應分別預測其不同時段的雜訊級；?雜訊防治措施：從聲環境保護角度對工程可行性研究和評價中提出的不同選址（選線）和建設布局方案的環境合理性進行分析。針對建設項目的工程特點和所在區域的環境特徵提出雜訊防治措施，並進行經濟、技術可行性論證，給出防治措施的最終降噪效果和達標分析。(3)三級評價工作基本要求?重點調查評價范圍內主要敏感目標的聲環境質量現狀，可利用評價范圍內已有的聲環境質量監測資料，若無現狀監測資料時應進行實測，並對聲環境質量現狀進行評價；?在工程分析中，給出建設項目對環境有影響的主要聲源的數量、位置和聲源源強，並在標有比例尺的圖中標識固定聲源的具體位置或流動聲源的路線、跑道等位置。在缺少聲源源強的相關資料時，應通過類比測量取得，並給出類比測量的條件；?雜訊預測應給出建設項目建成後各敏感目標的預測值及廠界（或場界、邊界）雜訊值，分析敏感目標受影響的范圍和程度；?針對建設項目的工程特點和所在區域的環境特徵提出雜訊防治措施，並進行達標分析。

② 在雙目視覺系統中有哪些比較好的跟蹤演算法

與普通的圖像模板匹配不同的是，立體匹配是通過在兩幅或多幅存在視點差異、幾何畸變、灰度畸變、雜訊干擾的圖像對之間進行的，不存在任何標准模板進行匹配。立體匹配方法一般包含以下三個問題:(1)基元的選擇，即選擇適當的圖像特徵如點、直線、相位等作為匹配基元;(2)匹配的准則，將關於物理世界的某些固有特徵表示為匹配所必須遵循的若干規則，使匹配結果能真實反映景物的本來面目;(3)演算法結構，通過利用適當的數學方法設計能正確匹配所選擇基元的穩定演算法。 根據匹配基元的不同，立體視覺匹配演算法目前主要分為三大類,即區域匹配、相位匹配和特徵匹配: 基於區域灰度的匹配演算法是把一幅圖像(基準圖)中某一點的灰度鄰域作為模板，在另一幅圖像(待匹配圖)中搜索具有相同(或相似)灰度值分布的對應點鄰域，從而實現兩幅圖像的匹配。這類演算法的性能取決於度量演算法及搜索策略的選擇。另外，也必須考慮匹配窗口大小、形式的選擇，大窗口對於景物中存在的遮擋或圖像不光滑的情況會更多的出現誤匹配，小窗口則不具有足夠的灰度變化信息，不同的窗口形式對匹配信息也會有不同的影響。因此應該合理選取匹配區域的大小和形式來達到較好的匹配結果。 相位匹配是近二十年發展起來的一種匹配演算法，相位作為匹配基元，即認為圖像對中的對應點局部相位是一致的。最常用的相位匹配演算法有相位相關法和相位差——頻率法，雖然該方法是一種性能穩定、具有較強的抗輻射抗透視畸變能力、簡單高效、能得到稠密視差圖的特徵匹配方法。但是，當局部結構存在的假設不成立時，相位匹配演算法因帶通輸出信號的幅度太低而失去有效性，也就是通常提到的相位奇點問題，在相位奇點附近，相位信息對位置和頻率的變化極為敏感，因此用這些像素所確定的相位差異來衡量匹配誤差將導致極不可靠的結果。此外，相位匹配演算法的收斂范圍與帶通濾波器的波長有關，通常要考慮相位卷繞，在用相位差進行視差計算時，由於所採用的相位只是原信號某一帶通條件下的相位，故視差估計只能限制在某一限定范圍之內，隨視差范圍的增大，其精確性會有所下降。 基於特徵的圖像匹配方法是目前最常用的方法之一，由於它能夠將對整個圖像進行的各種分析轉化為對圖像特徵(特徵點、特徵曲線等)的分析的優點，從而大大減小了圖像處理過程的計算量，對灰度變化、圖像變形、噪音污染以及景物遮擋等都有較好的適應能力。 基於特徵的匹配方法是為使匹配過程滿足一定的抗噪能力且減少歧義性問題而提出來的。與基於區域的匹配方法不同，基於特徵的匹配方法是有選擇地匹配能表示景物自身特性的特徵，通過更多地強調空間景物的結構信息來解決匹配歧義性問題。這類方法將匹配的搜索范圍限制在一系列稀疏的特徵上。利用特徵間的距離作為度量手段，具有最小距離的特徵對就是最相近的特徵對，也就是匹配對。特徵間的距離度量有最大最小距離、歐氏距離等。 特徵點匹配演算法嚴格意義上可以分成特徵提取、特徵匹配和消除不良匹配點三步。特徵匹配不直接依賴於灰度，具有較強的抗干擾性。該類方法首先從待匹配的圖像中提取特徵，用相似性度量和一些約束條件確定幾何變換，最後將該變換作用於待匹配圖像。匹配中常用的特徵基元有角點、邊緣、輪廓、直線、顏色、紋理等。同時，特徵匹配演算法也同樣地存在著一些不足，主要表現為: (l)特徵在圖像中的稀疏性決定了特徵匹配只能得到稀疏的視差場，要獲得密集的視差場必須通過使用插值的過程，插值過程通常較為復雜。 (2)特徵的提取和定位的准確與否直接影響特徵匹配結果的精確度。 (3)由於其應用場合的局限性，特徵匹配往往適用於具有特徵信息顯著的環境中，在缺少顯著主導特徵環境中該方法有很大困難。 總之，特徵匹配基元包含了演算法編程上的靈活性以及令人滿意的統計特性。演算法的許多約束條件均能清楚地應用於數據結構，而數據結構的規則性使得特徵匹配非常適用於硬體設計。例如，基於線段的特徵匹配演算法將場景模型描繪成相互聯結的邊緣線段，而不是區域匹配中的平面模型，因此能很好地處理一些幾何畸變問題，對對比度和明顯的光照變化等相對穩定。特徵匹配由於不直接依賴於灰度，計算量小，比基於區域的匹配演算法速度快的多。且由於邊緣特徵往往出現在視差不連續的區域，特徵匹配較易處理立體視覺匹配中的視差不連續問題。

③ canny演算法的演算法的實現步驟

Canny邊緣檢測演算法可以分為以下5個步驟： 應用高斯濾波來平滑圖像，目的是去除雜訊 找尋圖像的強度梯度（intensity gradients） 應用非最大抑制（non-maximum suppression）技術來消除邊誤檢（本來不是但檢測出來是） 應用雙閾值的方法來決定可能的（潛在的）邊界 利用滯後技術來跟蹤邊界 1. 圖像平滑（去雜訊）
任何邊緣檢測演算法都不可能在未經處理的原始數據上很好地工作，所以第一步是對原始數據與高斯 mask 作卷積，得到的圖像與原始圖像相比有些輕微的模糊（blurred）。這樣，單獨的一個像素雜訊在經過高斯平滑的圖像上變得幾乎沒有影響。以下為一個5X5高斯濾波器（高斯核，標准差delta=1.4），其中A為原始圖像，B為平滑後的圖像。


2. 尋找圖像中的強度梯度
Canny演算法的基本思想是找尋一幅圖相中灰度強度變化最強的位置。所謂變化最強，即指梯度方向。平滑後的圖像中每個像素點的梯度可以由Sobel運算元（一種卷積運算）來獲得（opencv中有封裝好的函數，可以求圖像中每個像素點的n階導數）。首先，利用如下的核來分別求得沿水平（x）和垂直（y）方向的梯度G_X和G_Y。
K_{GX} = [-1 0 1 ; -2 0 2 ; -1 0 1], K_{GY} = {1 2 1 ; 0 0 0 ; -1 -2 -1}
之後便可利用公式來求得每一個像素點的梯度度量值（gradient magnitude，可能翻譯得不準確）。
，有時為了計算簡便，也會使用G_X和G_Y的無窮大范數來代替二范數。把平滑後的圖像中的每一個點用G代替，可以獲得如下圖像。從下圖可以看出，在變化劇烈的地方（邊界處），將獲得較大的梯度度量值G，對應的顏色為白色。然而，這些邊界通常非常粗，難以標定邊界的真正位置。為了做到這一點（參考非極大抑制Non-maximum suppression一節），還必須存儲梯度方向，其公式如下圖所示。也就是說在這一步我們會存數兩塊數據，一是梯度的強度信息，另一個是梯度的方向信息。

3. 非極大抑制Non-maximum suppression
這一步的目的是將模糊（blurred）的邊界變得清晰（sharp）。通俗的講，就是保留了每個像素點上梯度強度的極大值，而刪掉其他的值。對於每個像素點，進行如下操作：
a) 將其梯度方向近似為以下值中的一個（0,45,90,135,180,225,270,315）（即上下左右和45度方向）
b) 比較該像素點，和其梯度方向正負方向的像素點的梯度強度
c) 如果該像素點梯度強度最大則保留，否則抑制（刪除，即置為0）
為了更好的解釋這個概念，看下圖。

圖中的數字代表了像素點的梯度強度，箭頭方向代表了梯度方向。以第二排第三個像素點為例，由於梯度方向向上，則將這一點的強度（7）與其上下兩個像素點的強度（5和4）比較，由於這一點強度最大，則保留。處理後效果如下圖所示。

上圖中，可以想像，邊界處的梯度方向總是指向垂直於邊界的方向，即最後會保留一條邊界處最亮的一條細線。
4.雙閾值（Double Thresholding）
經過非極大抑制後圖像中仍然有很多雜訊點。Canny演算法中應用了一種叫雙閾值的技術。即設定一個閾值上界和閾值下界（opencv中通常由人為指定的），圖像中的像素點如果大於閾值上界則認為必然是邊界（稱為強邊界，strong edge），小於閾值下界則認為必然不是邊界，兩者之間的則認為是候選項（稱為弱邊界，weak edge），需進行進一步處理。經過雙閾值處理的圖像如下圖所示

上圖中右側強邊界用白色表示，弱邊界用灰色表示。
5.利用滯後的邊界跟蹤
這里就不細作解釋了。大體思想是，和強邊界相連的弱邊界認為是邊界，其他的弱邊界則被抑制。
以上內容均翻譯自參考文獻【4】
上一個網路版本：
圖像中的邊緣可能會指向不同的方向，所以 Canny 演算法使用 4 個 掩模（mask） 檢測水平、垂直以及對角線方向的邊緣。原始圖像與每個 mask 所作的卷積都存儲起來。對於每個點我們都標識在這個點上的最大值以及生成的邊緣的方向。這樣我們就從原始圖像生成了圖像中每個點亮度梯度圖以及亮度梯度的方向。以下兩個公式分別求取高斯濾波後圖像的梯度幅值及其方向的表達式。這一步，也叫稱為非極大抑制（Non-maximum suppression）。


3. 在圖像中跟蹤邊緣
較高的亮度梯度比較有可能是邊緣，但是沒有一個確切的值來限定多大的亮度梯度是邊緣多大又不是，所以 Canny 使用了滯後閾值。
滯後閾值（Hysteresis thresholding） 需要兩個閾值，即高閾值與低閾值。假設圖像中的重要邊緣都是連續的曲線，這樣我們就可以跟蹤給定曲線中模糊的部分，並且避免將沒有組成曲線 的雜訊像素當成邊緣。所以我們從一個較大的閾值開始，這將標識出我們比較確信的真實邊緣，使用前面導出的方向信息，我們從這些真正的邊緣開始在圖像中跟蹤 整個的邊緣。在跟蹤的時候，我們使用一個較小的閾值，這樣就可以跟蹤曲線的模糊部分直到我們回到起點。
一旦這個過程完成，我們就得到了一個二值圖像，每點表示是否是一個邊緣點。
一個獲得亞像素精度邊緣的改進實現是在梯度方向檢測二階方向導數的過零點，它在梯度方向的三階方向導數滿足符號條件。
滯後閾值也可以用於亞像素邊緣檢測。

④ 如何判斷圖像中的雜訊類型

利用計算機進行遙感信息的自動提取則必須使用數字圖像，由於地物在同一波段、同一地物在不同波段都具有不同的波譜特徵，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理後，可以在遙感影像上識別並提取同類目標物。早期的自動分類和圖像分割主要是基於光譜特徵，後來發展為結合光譜特徵、紋理特徵、形狀特徵、空間關系特徵等綜合因素的計算機信息提取。

常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然後進行野外調查，旨在建立各種類型的地物與影像特徵之間的對應關系並對室內預判結果進行驗證。工作轉入室內後，選擇訓練樣本並對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行後處理，最後進行精度評價。遙感影像的分類一般是基於地物光譜特徵、地物形狀特徵、空間關系特徵等方面特徵，目前大多數研究還是基於地物光譜特徵。

在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特徵或消除同一類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。

利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特徵的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標志是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標志尚未充分利用。

計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定一些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標准，然後計算機將按同樣的標准對整個圖像進行識別和分類。它是一種由已知樣本，外推未知區域類別的方法;非監督分類是一種無先驗(已知)類別標準的分類方法。對於待研究的對象和區域，沒有已知類別或訓練樣本作標准，而是利用圖像數據本身能在特徵測量空間中聚集成群的特點，先形成各個數據集，然後再核對這些數據集所代表的物體類別。

與監督分類相比，非監督分類具有下列優點:不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。

細小地物在影像上有規律地重復出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、壠、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這一特徵識別地物。紋理反映的是亮度(灰度)的空間變化情況，有三個主要標志:某種局部的序列性在比該序列更大的區域內不斷重復;序列由基本部分非隨機排列組成;各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理(如人工紋理)，後者呈隨機性紋理(或自然紋理)。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特徵來表徵。

相應的眾多紋理特徵提取演算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重復模式，因此常採用基於傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重復出現來表示，而且紋理元的抽取和排列規則的表達本身就是一個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，一般採用統計法紋理分析。目前用得比較多的方法包括:共生矩陣法、分形維方法、馬爾可夫隨機場方法等。共生矩陣是一比較傳統的紋理描述方法，它可從多個側面描述影像紋理特徵。

圖像分割就是指把圖像分成各具特性的區域並提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。

圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特徵測量有重要的影響;另一方面，因為圖像分割及其基於分割的目標表達、特徵抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。

圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在一般意義下是十分困難的問題，目前的圖像分割一般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。

圖像分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。

閾值是在分割時作為區分物體與背景象素的門限，大於或等於閾值的象素屬於物體，而其它屬於背景。這種方法對於在物體與背景之間存在明顯差別(對比)的景物分割十分有效。實際上，在任何實際應用的圖像處理系統中，都要用到閾值化技術。為了有效地分割物體與背景，人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。

當物體與背景有明顯對比度時，物體的邊界處於圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現圖像分割。這種方法容易受到雜訊的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再採用邊界搜索跟蹤演算法來實現。

為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel, Canny edge,
LoG。在邊緣圖像的基礎上，需要通過平滑、形態學等處理去除雜訊點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。

對於圖像中某些符合參數模型的主導特徵，如直線、圓、橢圓等，可以通過對其參數進行聚類的方法，抽取相應的特徵。

區域增長方法是根據同一物體區域內象素的相似性質來聚集象素點的方法，從初始區域(如小鄰域或甚至於每個象素)開始，將相鄰的具有同樣性質的象素或其它區域歸並到目前的區域中從而逐步增長區域，直至沒有可以歸並的點或其它小區域為止。區域內象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。

區域增長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖像，如自然景物。但是，區域增長方法是一種迭代的方法，空間和時間開銷都比較大。

基於像素級別的信息提取以單個像素為單位,過於著眼於局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重製約了信息提取的精度，而面向對象的遙感信息提取，綜合考慮了光譜統計特徵、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果。面向對象的遙感影像分析技術進行影像的分類和信息提取的方法如下:

首先對圖像數據進行影像分割，從二維化了的圖像信息陣列中恢復出圖像所反映的景觀場景中的目標地物的空間形狀及組合方式。影像的最小單元不再是單個的像素，而是一個個對象，後續的影像分析和處理也都基於對象進行。

然後採用決策支持的模糊分類演算法，並不簡單地將每個對象簡單地分到某一類，而是給出每個對象隸屬於某一類的概率，便於用戶根據實際情況進行調整，同時，也可以按照最大概率產生確定分類結果。在建立專家決策支持系統時，建立不同尺度的分類層次，在每一層次上分別定義對象的光譜特徵、形狀特徵、紋理特徵和相鄰關系特徵。其中，光譜特徵包括均值、方差、灰度比值;形狀特徵包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱性，位置，對於線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等，對於面狀地物包括面積、周長、緊湊度、多邊形邊數、各邊長度的方差、各邊的平均長度、最長邊的長度;紋理特徵包括對象方差、面積、密度、對稱性、主方向的均值和方差等。通過定義多種特徵並指定不同權重，建立分類標准，然後對影像分類。分類時先在大尺度上分出"父類"，再根據實際需要對感興趣的地物在小尺度上定義特徵，分出"子類"。

⑤ 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。

⑥ 動態邊界自動識別技術是什麼

利用數字圖像處理技術已成為解決復雜產品樣件反求設計與再設計問題的重要輔助手段,而針對復雜零件 ICT(InstrialComputedTomography)切片圖像的邊界輪廓檢測和提取精度對反求建模的精度影響至關重要。本文 的主要目的是針對有雜訊信號影響的數字圖像,在比較現有邊界檢測與提取演算法的基礎上,提出了基於亞像素精度 的邊界監測與提取演算法。為了對該方法的精度進行分析,設計了一個可進行微量驅動控制的工作平台,通過記錄工 作平台的移動量和通過邊界檢測與提取演算法得到的位移量之間進行比較的方法分析其精度。通過對誤差量使用統 計的方法進行分析,證明了該演算法不但能夠達到1/4像素的亞像素精度,而且還有計算效率高和計算機開銷量小的 特點。

⑦ 雜訊對利用直方圖取閾值進行圖像分割的演算法會有哪些影響

答:由於雜訊會使圖像中某些像素的灰度值增大或減小,此時的直方圖圖會變得不平滑;同時,雜訊可能會填滿直方圖中的谷,還有可能產生新的峰,或者雜訊會使直方圖的峰值變低,甚至被淹沒。此時直方圖 不能完全反映出圖像的像素 分布情況,這 對於那些利用直方圖來取閾值的圖像分割演算法來說, 所取的閾值也就必然會存在偏差, 造成分割的不準確。

⑧ 圖像邊緣檢測演算法的研究與實現 的開題報告

摘 要 針對基於PC實現的圖像邊緣檢測普遍存在的執行速度慢、不能滿足實時應用需求等缺點，本文藉助於TI公司的TMS320DM642圖像處理晶元作為數字圖像處理硬體平台，DSP/BIOS為實時操作系統，利用CCS開發環境來構建應用程序；並通過攝像頭提取視頻序列，實現對邊緣檢測Sobel運算元改進[1]。
關鍵詞 DM642；Sobel運算元；程序優化；圖像邊緣檢測

1 引言
邊緣是圖像中重要的特徵之一，是計算機視覺、模式識別等研究領域的重要基礎。圖像的大部分主要信息都存在於圖像的邊緣中，主要表現為圖像局部特徵的不連續性，是圖像中灰度變化比較強烈的地方，也即通常所說的信號發生奇異變化的地方。經典的邊緣檢測演算法是利用邊緣處的一階導數取極值、二階導數在階梯狀邊緣處呈零交叉或在屋頂狀邊緣處取極值的微分演算法。圖像邊緣檢測一直是圖像處理中的熱點和難點。
近年來，隨著數學和人工智慧技術的發展，各種類型的邊緣檢測演算法不斷涌現，如神經網路、遺傳演算法、數學形態學等理論運用到圖像的邊緣檢測中。但由於邊緣檢測存在著檢測精度、邊緣定位精度和抗雜訊等方面的矛盾及對於不同的演算法邊緣檢測結果的精度卻沒有統一的衡量標准，所以至今都還不能取得令人滿意的效果。另外隨著網路和多媒體技術的發展，圖像庫逐漸變得非常龐大；而又由於實時圖像的目標和背景間的變化都不盡相同，如何實現實時圖像邊緣的精確定位和提取成為人們必須面對的問題。隨著DSP晶元處理技術的發展，尤其是在圖像處理方面的提高如TMS320C6000系列，為實現高效的、實時的邊緣檢測提供了可能性[5]。在經典的邊緣檢測演算法中，Sobel邊緣檢測演算法因其計算量小、實現簡單、處理速度快，並且所得的邊緣光滑、連續等優點而得到廣泛的應用。本文針對Sobel演算法的性能，並藉助於TMS320DM642處理晶元[3]，對該邊緣檢測演算法進行了改進和對程序的優化，滿足實時性需求。
2 Sobel邊緣檢測演算法的改進
經典的Sobel圖像邊緣檢測演算法，是在圖像空間利用兩個方向模板與圖像進行鄰域卷積來完成的，這兩個方向模板一個是檢測垂直邊緣，一個是檢測水平邊緣。演算法的基本原理：由於圖像邊緣附近的亮度變化較大，所以可以把那些在鄰域內，灰度變化超過某個適當閾值TH的像素點當作邊緣點。Sobel演算法的優點是計算簡單，速度快。但由於只採用了兩個方向模板，只能檢測水平方向和垂直方向的邊緣，因此，這種演算法對於紋理較復雜的圖像，其邊緣檢測效果欠佳；同時，經典Sobel演算法認為，凡灰度新值大於或等於閾值的像素點都是邊緣點。這種判定依據是欠合理的，會造成邊緣點的誤判，因為多雜訊點的灰度新值也很大。
2.1 圖像加權中值濾波
由於圖像中的邊緣和雜訊在頻域中均表現為高頻成分，所以在邊緣檢測之前有必要先對圖像進行一次濾波處理，減少雜訊對邊緣檢測的影響。中值濾波是一種非線性信號的處理方法[2]，在圖像處理中，常用來保護邊緣信息；保證濾波的效果。加權中值濾波，首先對每個窗口進行排序，取適當的比例，進行曲線擬合，擬合後的曲線斜率表徵了此窗口的圖像特徵，再根據圖像各部分特性適當的選擇權重進行加權。
2.2 增加方向模板
除了水平和垂直兩方向外，圖像的邊緣還有其它的方向，如135o和45o等，為了增加運算元在某一像素點檢測邊緣的精度，可將方向模板由2個增加為8個即再在經典的方向模板的基礎上增加6個方向模板，如圖1所示。
2.3 邊緣的定位及雜訊的去除
通常物體的邊緣是連續而光滑的，且邊緣具有方向和幅度兩個特徵，而雜訊是隨機的。沿任一邊緣點走向總能找到另一個邊緣點，且這兩個邊緣點之間的灰度差和方向差相近。而雜訊卻不同，在一般情況下，沿任一雜訊點很難找到與其灰度值和方差相似的雜訊點[4]。基於這一思想，可以將雜訊點和邊緣點區分開來。對於一幅數字圖像f(x，y)，利用上述的8個方向模板Sobel運算元對圖像中的每個像素計算，取得其中的最大值作為該點的新值，而該最大值對應的模板所表示的方向為該像素點的方向。若｜f(x，y)－f(x+i，y+j)｜＞TH2，對於任意i=0，1，-1；j=0，1，-1均成立，則可判斷點(x，y)為雜訊點。圖2給出了圖像邊緣檢測系統改進演算法的軟體流程圖。

圖1 邊緣檢測8個方向模板

圖2 系統結構圖
3 基於TMS320DM642的圖像處理的設計及演算法優化
3.1 TMS320DM642功能模塊及圖像處理系統的硬體結構
DSP以高速數字信號處理為目標進行晶元設計，採用改進的哈佛結構(程序匯流排和數據匯流排分開)、內部具有硬體乘法器、應用流水線技術、具有良好的並行性和專門用於數字信號處理的指令及超長指令字結構(VLIW)等特點；能完成運算量大的實時數字圖像處理工作。
TMS320DM642是TI公式最近推出的功能比較強大的TMS320C6x系列之一，是目前定點DSP領域里性能較高的一款[6]。其主頻是600MHz，8個並行運算單元、專用硬體邏輯、片內存儲器和片內外設電路等硬體，處理能力可達4800MIPS。DM642基於C64x內核，並在其基礎上增加了很多外圍設備和介面，因而在實際工程中的應用更為廣泛和簡便。本系統使用50 MHz晶體震盪器作為DSP的外部時鍾輸入，經過內部鎖相環12倍頻後產生600 MHz的工作頻率。DM642採用了2級緩存結構(L1和L2)，大幅度提高了程序的運行性能。片內64位的EMIF(External Memory Interface)介面可以與SDRAM、Flash等存儲器件無縫連接，極大地方便了大量數據的搬移。更重要的是，作為一款專用視頻處理晶元，DM642包括了3個專用的視頻埠(VP0～VP2)，用於接收和處理視頻，提高了整個系統的性能。此外，DM642自帶的EMAC口以及從EMIF 口擴展出來的ATA口，還為處理完成後產生的海量數據提供了存儲通道。
本系統是採用瑞泰公司開發的基於TI TMS320DM642 DSP晶元的評估開發板——ICETEK DM642 PCI。在ICETEK DM642 PCI評估板中將硬體平台分為五個部分，分別是視頻採集、數據存儲、圖像處理、結果顯示和電源管理。視頻採集部分採用模擬PAL制攝像頭，配合高精度視頻A/D轉換器得到數字圖像。基於DSP的視頻採集要求對視頻信號具備採集，實時顯示、對圖像的處理和分析能力。視頻A/D采樣電路—SAA7115與視頻埠0或1相連，實現視頻的實時採集功能。視頻D/A電路—SAA7105與視頻口2相連，視頻輸出信號支持RGB、HD合成視頻、PAL/NTSC復合視頻和S端子視頻信號。通過I2C匯流排對SAA7105的內部寄存器編程實現不同輸出。
整個系統過程由三個部分組成：圖像採集—邊緣處理—輸出顯示，如圖2所示。攝像頭採集的視頻信號經視頻編碼器SAA7115數字化，DM642通過I2C匯流排對SAA7115進行參數配置。在SAA7115內部進行一系列的處理和變換後形成的數字視頻數據流，輸入到核心處理單元DM642。經過DSP處理後的數字視頻再經過SAA7105視頻編碼器進行D/A轉換後在顯示器上顯示最終處理結果。
3.2 圖像處理的軟體設計和演算法優化的實現
由於在改進Sobel邊緣檢測運算元性能的同時，也相對增加了計算量，尤其是方向模板的增加，每個像素點均由原來的2次卷積運算增加為8次卷積運算，其實時性大大減弱。為了改進上述的不足，在深入研究處理系統和演算法後，針對TMS320DM642的硬體結構特點，研究適合在TMS320DM642中高效運行的Sobel改進演算法，滿足實時處理的要求。整個程序的編寫和調試按照C6000軟體開發流程進行，流程分為：產生C代碼、優化C代碼和編寫線性匯編程序3個階段。使用的工具是TI的集成開發環境CCS。在CCS下，可對軟體進行編輯、編譯、調試、代碼性能測試等工作。在使用C6000編譯器開發和優化C代碼時[7-8]，對C代碼中低效率和需要反復調用的函數需用線性匯編重新編寫，再用匯編優化器優化。整個系統的控制以及數字圖像處理是用C程序實現，大部分軟體設計採用C程序實現，這無疑提高了程序的可讀性和可移植性，而匯編程序主要是實現DM642的各部分初始化。其邊緣檢測優化演算法在DM642中的實現步驟具體如下：
S1：根據DM642的硬體結構要求和控制寄存器設置，初始化系統並編寫實現邊緣檢測演算法的C程序。
S2：藉助CCS開發環境的優化工具如Profiler等產生.OUT文件。
S3：根據產生的附件文件如.MAP文件，分析優化結果及源程序結構，進一步改進源程序和優化方法。
S4：使用CCS中調試、鏈接、運行等工具，再生成.OUT可執行文件。
S5：運行程序，如果滿足要求則停止；否則重復步驟S2～S4直至滿足使用要求。
4 實驗結果
本文以Lena圖像為例根據上述的硬體環境和演算法實現的原理和方法，圖4～圖6分別給出了在該系統下採集的視頻Lena圖像及使用邊緣檢測運算元和改進後處理的結果。由實驗結果可以看出，在該系統下能實時完成視頻圖像的處理，並且給出的邊緣檢測運算元能較好的消除雜訊的影響，邊緣輪廓清晰。該演算法不僅能抑制圖像中大部分雜訊和虛假邊緣，還保證了較高的邊緣點位精度。

圖4 Lena原始圖像 圖5 傳統Sobel運算元 圖6 改進Sobel運算元

5 總結
本文實現了在TMS320DM642評估板上用改進的Sobel運算元對實時圖像進行邊緣檢測，無延遲地得到邊緣圖像。邊緣檢測效果較好，既提高了圖像檢測的精度又滿足了實時性的要求。從檢測結果看，利用該改進後的運算元在邊緣精確定位、邊緣提取都達到了很好的效果，且抗雜訊能力強，並為目標跟蹤、無接觸式檢測、自動駕駛、視頻監控等領域的應用提供了堅實的基礎。
參考文獻
[1] 王磊等. 基於Sobel理論的邊緣提取改善方法[J]．中國圖像圖形學報，2005.10
[2] 陳宏席. 基於保持平滑濾波的Sobel運算元邊緣檢測.蘭州交通大學學報，2006，25(1)：86—90
[3] 熊偉. 基於TMS320DM642的多路視頻採集處理板卡硬體設計與實現[ M]. 國外電子元器件，2006
[4] 朱立.一種具有抗雜訊干擾的圖像邊緣提取演算法的研究[J]．電子技術應用.2004，25(1)
[5] 劉松濤，周曉東.基於TMS320C6201的實時圖像處理系統[J].計算機工程，2005(7)：17—23
[6] TI TMS320DM642 video/imaging fixed-point digital signal processor data manual，2003
[7] TMS320C6x Optimizing C Compiler User』s Guide』 TEXAS INSTRUMENTS」，2002
[8] TMS320C32x Optimizing C/C++ Compiler User's Guide，Texas Instruments Incorporated，2001

⑨ 雜訊估計的方法

介紹幾種常見的單通道雜訊估計演算法。雜訊估計主要基於以下三個現象。
(1)在音頻信號中，閉塞因閉合段頻譜能量趨於0或者接近雜訊水平。雜訊在頻譜上分布不均勻，不同的頻帶具有不同的SNR.對於任意類型雜訊，只要該頻帶無語音的概率很高或者SNR很低，則可以估計/更新該頻帶的雜訊譜，這類思想是遞歸平均雜訊估計演算法(the recursive-averaging type of noise-estimation algorithms)的支撐點。

(2)即使在語音活動的區域，帶噪語音信號在單個頻帶的功率通常會衰減到雜訊的功率水平，我們因此可以追蹤在短時窗內（0.4~1s）帶噪語音譜每個頻帶的最小值，實現各個頻帶雜訊的估計。該現象是最小值跟蹤演算法（the minima-tracking algorithms）的支撐點。

(3)每個頻帶能量的直方圖揭示了一個理論：出現頻次最高的值對應頻帶的雜訊水平。有時譜能量直方圖有兩種模式：1）低能量對應無聲段、語音的低能量段;2）高能量模式對應（noisy）語音的濁音段。低能量成分大於高能量成分。

因而總結出三類雜訊估計演算法

1、遞歸平均雜訊演算法

2、最小值跟蹤演算法
3、直方圖雜訊估計演算法

⑩ 多假設追蹤方法mht是什麼演算法

多假設跟蹤演算法是一種數據關聯類型的多目標跟蹤演算法，實現方式分為面向假設的MHT和面向航跡的MHT兩種。
MHT演算法的實現流程包括航跡關聯和航跡維護兩個步驟。
MHT演算法計算量龐大，隨著量測數和目標數呈指數級增長，但對於雜波密集環境下的多目標跟蹤具有很高的准確率。