圖像處理智能化的發展趨勢

宋建中

(中國科學院長春光學精密機械與物理研究所，吉林長春130033)

1 引言

圖像處理已經成為一門引人注目，前景廣闊的新型學科，并正在向更高、更深層次發展。國內外大量文獻報道證明了人們已經開始研究如何用計算機解釋圖像，實現用計算機視覺系統理解外部世界。許多國家都正在大力探索和研究圖像理解和機器視覺，并取得了不少重要成果。

本文參考了國內外報道的技術文獻和作者長期從事圖像處理研究的經驗與體會，對圖像處理的發展趨勢進行了分析，認為智能化是其發展的必然趨勢;并以目標自動捕獲為例，具體分析了圖像處理智能化研究應該包括的理論、算法和硬件系統。

2 圖像處理的發展趨勢

隨著高技術武器系統的發展，自動目標捕獲技術的需求日益迫切，尤其是光學成像儀器、機器人視覺、多媒體視頻檢索等項技術的發展使圖像處理智能化已經成為諸多領域的關鍵技術。與此同時，計算機科學和電子技術的飛速發展，也從硬件和軟件上為圖像處理的智能化奠定了堅實的基礎。所以，智能化已成為圖像處理的發展趨勢。

上個世紀60年代末期，為了實現靶場電影經緯儀的自動跟蹤，中科院長春光機所開始了電視跟蹤技術的研究，用電視攝像機攝取遠距離的目標，對攝取的視頻圖像進行實時測量，并將測量結果反饋給伺服系統，使經緯儀實現自動跟蹤目標。幾十年過去了，科學技術和市場需求都發生了突飛猛進的變化。電視跟蹤技術已經普及，圖像處理技術也有了很大進步。但是，迄今為止，自動目標捕獲問題仍然沒有得到很好的解決，在目標的捕獲階段，識別和瞄準目標還是依賴人的參與。不斷出現的圖像制導武器系統的打擊速度和精度一再提高，用戶迫切要求對小、暗、多、快目標實現自動捕獲并對復雜背景下的目標實現平穩跟蹤。近10年來，面對現代戰爭，美國空軍也遇到了許多棘手的問題，如對城市、平民區空中打擊時，如何進行空-地目標精確打擊;遠程末制導和光電對抗武器系統如何能及早發現小目標、偽裝和隱蔽目標等。因此，作為核心技術之一的圖像處理技術，亟待增強自動識別那些對比度很低的目標、假目標或民用目標的能力，從而提高自動捕獲和對復雜背景下的目標平穩跟蹤的能力，以滿足目前圖像制導武器系統的快速響應和精確打擊的要求。

在實際應用中，自動識別目標是個極其困難的問題，這是因為在現有技術條件下，很難在不同時間，不同觀察角度，不同距離，對同一個目標獲得相同的圖像。目前所采用的圖像處理系統和處理方法遠遠不能適應這些條件變化，而且敵方對目標的偽裝和探測系統的干擾，又使自動識別目標問題變得更加困難。到目前為止，自動目標識別只能通過人們的觀察來完成。為了訓練操作手識別一種未知的目標，需要對其進行大量的訓練。即使如此，操作人員的判斷也避免不了人為的誤差，甚至會因為睡眠不足而影響判斷的精度。另外，他們還必須定期重復訓練，否則技能會很快變差。因此，給圖像處理系統加上人工智能，讓計算機系統代替人，自動實現快速、準確地識別目標，即實現圖像處理的智能化是當前亟須解決的問題。

光學成像儀器的發展也非常需要智能圖像處理技術的支撐。目前，國內外各種光學成像儀器不斷推陳出新。伴隨著大、中、小型光學儀器的發展，越來越多地采用帶有某些人工智能的圖像處理技術。例如:具有圖像增強功能的紅外攝像機、具有圖像壓縮和視頻自動調焦功能的數碼相機、具有失真校正功能的大視場攝像機、針對人造目標識別的偏振攝像機、采用結構光照明的雙目(單目)立體攝像機、采用圖像拼接技術實現的大視場高分辨率的成像系統、采用現場標定內外參數的虛擬現實成像系統、采用波前檢測技術的自適應光學系統，以及計算成像系統、量子成像等新的光學成像系統。具有各種智能的圖像處理系統將其視頻信息(目標的亮度、位置、姿態等)反饋給光學儀器的控制系統或顯示系統，使光學儀器實現自適應智能控制，從而提高儀器成像質量使其具有學習和自適應能力。圖像處理智能化為提高產品的附加值、擴大市場份額起到了相當大的推動作用。

目前，國內也在不斷出現智能圖像處理的相關研究報道，但成果寥寥無幾。由此說明，人們已經認識到圖像處理智能化在國民經濟和軍事各領域的重要性，但圖像處理智能化的發展還需要艱苦的努力。

隨著計算速度、內存容量、傳輸帶寬的提高和成本的降低，以及高新技術產業的發展和人民生活水平的提高，機器人視覺技術在國內有了很大的發展，從傳統的遙感、機器人視覺導航，已經發展到醫學圖像的處理和理解、視頻監測、虛擬現實等許多領域，應用對象從航天、軍工領域進入了日常生活和娛樂，甚至將走進普通家庭。

智能圖像處理的一個主要內容是用計算機來模仿和執行人腦的某些智力功能，實現具有人工智能的圖像處理系統。機器人視覺也可以叫做計算機視覺，它是用各種成像系統代替人的視覺器官作為視覺輸入的敏感“器官”，由計算機來代替大腦完成視覺信息處理和解釋，使計算機能像人那樣觀察和理解世界，從而具有自主適應環境的能力，能夠協助以至代替人的工作。機器人視覺技術側重于研究以應用為背景的專用視覺系統，所以，圖像理解是研究機器視覺的重要基礎理論之一。圖像理解需要復雜的圖像處理做基礎，還需要了解關于景物成像的物理規律以及與景物內容有關的知識。所以，機器人視覺系統本身就是一個典型的智能圖像處理系統。

基于內容的視頻和圖像信息檢索是從大量的靜止或活動視頻圖像庫中檢索包含目標物體的圖像(或視頻片段)。海量視頻圖像數據的自動檢索需要具有圖像理解功能的圖像專家系統或圖像信息(知識)處理系統，在高度信息化的今天，這已成為圖像庫中圖像信息組織和管理不可缺少的技術。基于內容的視頻和圖像信息檢索需要對視頻和圖像信息進行處理和分析，通過圖像知識的描述，圖像知識獲取，用語義網絡表示，圖像知識庫建立，圖像數據庫管理，從而實現按圖像內容從圖像知識庫中檢索圖像文件。其中底層視覺特征和高層語義特征的提取與表達方法是基于內容的圖像檢索技術在發展中遇到的難題。解決基于內容的視頻和圖像信息檢索問題的關鍵也是圖像處理的智能化。

總之，無論是從軍事戰略對自動目標識別的需求，還是從光學成像儀器、網絡視頻通信，以及各種高技術的發展來看，圖像處理的智能化都具有極其重要的意義，是今后圖像處理領域的發展趨勢。

3 圖像處理的智能化研究

3.1 智能圖像處理的理論研究

智能圖像處理的理論大體上可以分為以下3個方面:可靠解決問題的方法論、相關交叉學科的理論和新的成像理論。

3.1.1 解決圖像處理智能化問題的方法論

研究解決圖像處理智能化問題的方法論用于研究用什么樣的方式、方法解決圖像處理智能化問題更切實可行。

以解決“復雜環境中物體的識別”問題為例，目前采用什么理論來指導研究最可行在國際學術界還有爭論。它關系到研究圖像識別技術的起點、發展方向及理論高度。

有一種理論是將“復雜環境中物體的識別”問題納入人工智能圖像理解(Image Understanding)的范躊［1］，它包括:圖像知識描述、知識語言、圖像知識獲取、圖像知識庫建立和問題求解。該理論采用概率或模糊處理的方法并用邏輯語言描述圖像，試圖把定性的、不精確的問題在工程上獲得確定解。目前在實際應用中解決該問題困難很大。

清華大學章毓晉教授在《圖像工程》一書中［2］將圖像處理分為“圖像處理”、“圖像分析”、“圖像理解”3個等級。對“復雜環境中物體的識別”這個問題的處理方法與上述觀點相似。

美國麻省理工學院研究人員將“復雜環境中物體的識別”問題分成4個階段。第1階段:低級處理(邊緣提取、3-D處理、運動分析)、圖像描述(符號方法)、特征分類;第2階段:標號;第3階段:匹配、識別，選擇;第4階段:硬件實現。在這4個階段中，第1階段的工作是其它工作的基礎，也是最難的。例如，導引頭經常會給出質量很差的圖像(對比度低、噪聲大)。為了處理這類圖像，就需要研究圖像增強、邊緣提取、運動分析、三維處理、物體的形狀和特征的描述，然后用于圖像分割、分類、識別以及確定物體在空間的運動和姿態。

利用3-D數據來識別和確定物體位置，是利用圖像顏色、紋理等特征將圖像中特定的物體選擇出來，不僅要研究提取底層特征的具體實現方法，還要研究如何利用這些特征使選擇的目標是唯一的。

國外在這方面的做法為我們提供了借鑒。美軍正在研究用一個低成本的傳感網絡、新型光電和紅外技術以及先進的操作概念來解決傳統的圖像處理所遇到的困難。在非常復雜的環境里，如森林和城郊地區，中高空飛機上的單獨傳感器往往不能對視角連續變化的目標進行正確的探測、跟蹤和識別。針對這種情況，他們采用如圖1所示的分層傳感系統，即在中高空平臺上用高光譜傳感器提供能夠覆蓋大面積和可見近紅外(VNIR)、短波紅外(SWIR)、長波紅外(LWIR)光譜區圖像，用小型無人機上的逼近傳感器提供高分辨力的圖像，采用歸一化的景物特征和子空間匹配濾波等方法，大幅度提高對困難目標的探測和判別能力。

研究用什么樣的方式、方法更實際可行，比抓住一種算法進行計算機編程更重要。針對多目標跟蹤與識別的問題，美國空軍研究實驗室提出一種用多分辨率傳感器，解決同時跟蹤和識別的問題［8］。不同于傳統的僅靠目標位置信息來跟蹤一群目標，這種方法是通過不同分辨率的多傳感器的數據融合來識別目標，減輕干擾并提高跟蹤的穩定性。

圖1 分層傳感系統概念框圖Fig.1 Block diagram of a sensed system with separated layers

3.1.2 研究相關交叉學科的理論

圖像處理相關的交叉學科與解決的物理問題有關。仍以解決“復雜環境中物體的識別”問題為例，現在國內外提出了許多方法，下面是美國空軍實驗室的一份研究報告中提到的為解決目標識別而計劃的幾個研究方向，它們涉及到光學、數學、物理等領域的理論。

(1)高光譜目標探測

用成像光譜儀可在很寬的光譜區域收集每個像元位置的精細光譜。利用高光譜成像進行大范圍的目標探測，利用目標的VNIR反射光譜作為識別它們的基本特征。實驗表明:整流罩經過偽裝，其VNIR區的反射光譜與自然植被的反射光譜很像。但是在SWIR區或夜間在LWIR區，經過偽裝的整流罩的反射光譜與自然植被的反射光譜還是有差別的如圖2所示。

圖2 利用高光譜成像進行大范圍的目標探測Fig.2 Target detection in large area by using a hyperspectral imager

美軍正在研究高光譜傳感器向短波紅外和長波紅外延伸的能力。最近完成的光譜儀使用了長波紅外HgCdTe焦平面陣列，自身輻射最小，并且制冷靈活。目標探測是基于大氣層歸一化的景物反射特性數據庫和光譜濾波器，或是基于協方差歸一化的景物特征。目前正在考慮用更完美的子空間匹配濾波方法進一步提高目標探測性能。

(2)偏振光譜目標識別

采用多光譜或偏振光譜傳感器可以改進視覺上難以判斷的偽裝和隱蔽目標的識別能力。偏振技術在可見和紅外光譜區增強人造目標的對比度已經表現出很好的應用前景。

在高分辨率光學系統中加入微極化濾波器是一種有效的偏振成像系統，它除了增強人造目標的對比度，還可以通過形狀抽取來支持目標識別。因為，對一個有點模糊的目標，其線性偏振的程度取決于光源—目標—傳感器的幾何關系。在偏振圖像中的形狀信息可以用數字圖像處理方法提取出來。

圖3 典型軍用涂料的長波紅外偏振光譜測量結果Fig.3 Typical polarized spectra of measuring a military coating material

光譜偏振成像技術對減少高光譜目標探測系統的虛警率是一種很有潛力的方法。圖3是典型軍用涂料的長波紅外偏振光譜測量結果。S0和S1分別是典型軍用涂料的非偏振光譜和偏振光譜，S2為另一種物質的偏振光譜。顯然，在8～13 μmS2與S1的差別更大。也就是說，偏振的高光譜目標探測系統的虛警率比非偏振的要低。

(3)多光譜目標捕獲

在前面提到的分層傳感系統中，情報監視偵察(ISR)傳感器把目標的類型和位置傳送給打擊平臺的火控系統后，火控系統首先要重新捕獲指定的目標。目標的重新捕獲要采用寬帶熱成像系統，但對偽裝和隱蔽目標的識別是采用光譜分析法。

美國空軍實驗室正在探索用多光譜成像系統來實現對偽裝和隱蔽目標的捕獲。光譜傳感器不僅提供目標的類型和位置，還提供目標的光譜信息(均值向量)和局部背景統計(均值向量和協方差矩陣)。然后用修正的Fisher判決函數產生一個子空間的投影，最大化分離目標和背景。通過最大化類間矩陣和最小化類內矩陣求解本征值問題，得到圖4所示的類別可分離性曲線。然后用簡單的閾值切割來得到最大分類可能性的波段。

圖4 SWIR光譜區判別能力曲線Fig.4 Curve of discriminating power in SWIR spectrum

美國空軍實驗室的研究表明，選擇最佳波段不僅依賴目標和局部背景的特性，而且依賴環境參數，如照明、溫度和大氣路徑。因此，對于一個有效的多光譜目標捕獲系統，它的光譜波段控制單元在考慮不同情況下的環境參數后，能自適應地選擇最大分類可能性的波段。

實現光譜自適應性的方法是將用微機電系統(MEMS)可調Fabry-Perot標準具(相當于可變濾光片)放在常規凝視紅外攝像機的焦平面陣列的前面，當攝像機穩定在指定目標區域的上空時，系統快速掃描，通過最佳的多光譜波段。

(4)激光雷達目標識別

在有些情況下，由于被動傳感器受其能力所限，即使采用頻域和偏振成像的方法也難以識別某些目標景區，這時，采用激光雷達可以很好地完成任務。因為工作波長越短，空間分辨能力越高，并且通過振動傳感、距離門2-D和3-D成像可以獲得增強的信息。

美國空軍實驗室最近已經開發出激光脈沖3-D成像的焦平面陣列傳感器。這些被稱為快閃3-D激光雷達專門用于自動識別室外偽裝和遮擋的目標。由于受到激光功率的限制，還需要一個標記目標位置的被動系統來協助。

綜上所述，圖像處理涉及的技術有:光譜偏振成像、多光譜目標捕獲和激光脈沖3-D成像;利用目標的類型、位置、光譜信息、局部背景統計，分離目標與背景;在偏振圖像中提取目標的形狀信息;利用激光脈沖3-D成像技術識別偽裝和被遮擋目標;利用大氣層歸一化的景物反射特性，識別地面目標;子空間匹配濾等等。以上技術涉及到物理光學、大氣光學、統計物理等學科，如果不研究這些學科的理論，僅憑電子學或計算機科學的知識是不夠的。

3.1.3 新的成像理論

圖像處理的智能化與圖像傳感器有著密切的關系。因為圖像傳感器是視頻圖像信息的源，就像人的眼睛一樣，大腦再發達，眼睛失明，也談不上視覺。客觀世界千差萬別，圖像處理面對的問題多種多樣，比如目標識別需要3-D的信息，需要從噪聲中識別目標，甚至需要傳統的成像系統不能提供的信息。現在和將來所遇到的挑戰，必然會使現有的各種成像系統都不能完全滿足要求，所以需要研究新的成像理論和成像系統。實際上，現在已經出現了一些新的成像理論需要關注和進一步研究，量子成像就是其中之一。

量子力學認為:“微觀客體的關聯具有非局域性，它可以延伸到很遠的距離”。這就是著名的量子糾纏現象。量子成像技術就是利用量子糾纏現象發展起來的一種新的成像技術。

量子成像的光源是兩束量子糾纏的激光束，用其中一束激光照射目標，并攝取目標圖像;同時用高分辨率的圖像傳感器接收另一束光，然后用計算機比較從物體和光源得到的不同圖像數據，進而合成被照目標的高分辨率圖像。

有資料報道:“量子成像技術在紅外波段獲得高分辨率圖像效果很好”，將在航空遙感、軍事偵察、遠紅外成像等領域發揮重要作用［9］。

量子成像是弱光測量領域的一個新興研究課題。不同于經典成像，量子成像是利用光場的量子力學性質和其內在的并行特點，在量子水平上發展起來的新的光學成像和量子信息并行處理技術，它將為生命科學等眾多領域的研究帶來曙光。相對于傳統光學成像技術中通過記錄輻射場的光強分布從而獲取目標圖像信息的方法，量子成像是通過利用和控制(或模擬)輻射場的量子漲落來得到物體的圖像。

目前，國內已經有人開始研究量子成像的理論和技術。量子成像和經典成像的主要區別見表1。

表1 量子成像和經典成像的區別Tab.1 Key distinction between quantum imaging and classical imaging

“鬼成像”技術是量子成像技術的一個分支，是光電子與物理電子學學科近年來的一個研究熱點［10，11］。“鬼成像”技術作為一門新型技術，有著傳統成像不可取代的優勢，它可讓信息(圖像)高度自由化。傳統光學成像必須經過光學元件的反射、折射，或微光放大，成像在光線(或其反向延長線)到達的光路上，而“鬼成像”則擺脫了這些束縛，使信息傳遞渠道更加豐富，也會使信息的保密性得到進一步提高。

美國陸軍研究實驗所的量子實驗室已經得到了較為逼真的“鬼像”。他們認為:“若干年后，會出現這樣的情景:一名軍人使用一臺量子鬼像成像機，透過戰場上的硝煙辨清敵友。”量子鬼像成像技術幾乎可以使用任何光源—熒光燈泡、激光甚至太陽，能避免云、霧和煙等使常規成像技術無能為力的氣象條件的干擾，從而獲得更為清晰的圖像。

“鬼成像”技術在軍事領域還有其他應用。“鬼成像”傳感器或許可以使直升機或無人機獲得能評估投下的炸彈所造成的破壞程度的圖像。在醫學領域和搜救行動中，也能利用這種成像技術。即可以采用非相干X射線源來實現以往只能利用相干X射線才能完成的、具有納米分辨率的衍射成像。

中國科學院上海光機所對基于統計光學的無透鏡“鬼成像”做了數值模擬與實驗驗證。從經典統計光學入手，建立了熱光場的數值模型，模擬符合熱光特性的光場變化、光場傳播、以及物體透射函數對熱光場的調制，進而從光強度起伏的關聯函數中，分別重現振幅型物體和純相位型物體的傅里葉變換圖像。與真實實驗結果的對比表明，基于統計光學原理的該數值模型所預測的實驗結果與真實的實驗結果完全一致，因此，基于統計光學的無透鏡“鬼成像”亦可以實現。

3.2 智能、高效的算法

算法是軟件設計的靈魂，它代表著用系統的方法描述解決問題的策略機制。算法結合特定的數據結構，經過某種語言編程后，成為按照一定的運算順序所構成的完整的解題步驟。不同的算法完成同樣的任務，可能花費不同的時間和空間。從事計算機科學的研究人員已經創造了許多經典的算法，如遞歸算法、窮舉搜索算法、貪婪算法等。

智能算法也被稱為仿生算法。它是受自然界規律的啟發，根據其原理來模仿求解問題的算法。如人工神經網絡算法、遺傳算法、模擬退火算法、蟻群算法、免疫算法，粒子群算法等。它們的共同特點是模擬了某些自然過程，模擬了某種人類的智力過程，神經網絡更是直接模擬了人腦。它們都不同程度地具有自動學習、自適應調整，自動優化，給出最優結果的功能。

這些算法有機結合在一起，取長補短，性能將更加優良。如模擬退火算法和遺傳算法的結合可以有效地克服傳統遺傳算法的早熟現象，同時根據聚類問題的具體情況設計遺傳編碼方式、適應度函數，可使該算法更有效、更快速地收斂到全局最優解。模擬退火和遺傳算法為神經網絡提供了更優良的學習算法;反之，將有監督學習的BP算法與遺傳算法相結合可以達到優勢互補、提高算法穩定性和全局搜索能力的目的。另外，采用遺傳算法改進粒子群算法可以增強全局的搜索能力。

智能算法還包括自適應濾波器、合成匹配濾波器的設計。在解決自動目標識別問題中，自適應濾波器可以根據圖像的特征自動調整濾波器的參數。比如近幾年提出的基于偏微分方程理論進行圖像去噪和增強的方法就是利用圖像的微小局部特征信息來構造自適應數值保真項，將其引入到非線性擴散模型中，即可在有效地去除噪聲的同時很好地保持目標尖角、邊緣等重要的幾何結構。合成匹配濾波器是在目標的形狀、姿態發生變化時，有效識別目標的一種方法，過去由于它的計算量太大，實用性受到限制，但隨著信息技術的發展，合成匹配濾波器的瓶頸問題一定會得到解決。

智能算法有別于常見的精確計算程序，它更強調學習、記憶和聯想的功能。熟練的掌握幾種智能算法，能夠很方便地解決在圖像處理中遇到的實際問題。

算法研究還要包括算法評估的工作。首先要設計一個可對各種實際情況建立先驗模型的仿真測試系統，該系統應包括3個相對獨立又密切聯系的功能模塊，分別負責模擬環境和目標、裝載算法、以及實時統計和事后評估。

研究復雜背景下的目標探測(解決瞬態捕獲、定位)、目標識別(考慮偽裝和隱藏)應以沙盤構成的仿真場景和真實圖像傳感器來模擬環境和進行目標仿真實驗，因為采用屏幕投影和通用圖像傳感器的辦法丟失太多的有用信息，同時引入許多虛假信息。

評估一個算法，要考慮以下4個方面:算法對各種有刁難性的輸入數據應能得出符合要求的結果，表明算法的正確性;算法要易于閱讀、調試和修改，滿足算法的可讀性要求;當數據輸入非法時，算法能作出反映，滿足算法的可靠性要求;評估算法的效率及對存儲空間的需求。

3.3 并行處理的硬件系統

研究智能圖像處理自然要研究圖像傳感器的智能化，包括自動調光、自動調焦、光譜自適應調整、接口自適應、圖像的預處理功能等。但是更關鍵的是具有并行處理能力的硬件系統。現在許多智能算法并不實用，就是因為在目前的計算機硬件系統上運行時間太長。

智能圖像處理系統是要模擬人的大腦，實現高速信息處理。根據目前生物醫學的研究成果，人的大腦由大量的神經元廣泛互連而成，每個神經元大約有103～104個樹突及相應的突觸，一個人的大腦總計約形成1014～1015個突觸。用神經網絡的術語來說，人腦具有1014～1015個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單，且信號傳輸速率也較低(大約100次/s)，但由于各神經元之間的并行互連功能，最終使得一個普通人的大腦在約1 s內就能完成現行計算機至少需要數10億次處理步驟才能完成的任務。

最新消息報道:英國曼徹斯特大學科學家將ARM芯片聯結起來，作為巨型電腦的系統架構，取名“SpiNNaker”。該報道說“項目以芯片制作為中心，花了5年時間。隨著項目規模的擴大，它會在未來18個月成型，屆時會用到100萬顆處理器。現在系統已經小規模運行，可以模擬60萬個神經元工作”。芯片由曼徹斯特設計，在中國臺灣生產，每一個芯片包括18個ARM處理器。

根據國內外對人工智能研究的共識，智能圖像處理的硬件系統應為專門研發的多處理器并行處理系統。所以，研究具有高速并行處理能力的硬件系統是必要的。目前國內絕大多數嵌入式圖像處理硬件系統的構成方案是基于TMs320系列的高速信號處理器，而根據國外資料的介紹，TMs320系列并不適合并行處理，它適于用來加快運算速度，面向并行處理的微處理器Transputer更適合構成并行處理系統。

Transputer采用了精簡指令技術，它通過4對可雙向通訊的串行通訊Link鏈來實現高速通訊，高效地進行處理器之間的互聯，組成多機系統。它拋棄了共享存儲器和公用總線方式，因而脫離了多處理器的總線結構，解決了總線瓶頸問題。多個處理器由Link鏈點對點相連，可構成任意規模的拓撲網絡。網絡類似于積木塊結構，硬件的擴展和改動非常靈活。在Transputer推出的同時，INMOS公司還開發出了OCCAM語言用以支持用Transputer構成的并行多機系統。Transputer現已大量應用于各種實時處理系統，例如Microway公司的IMS 110和Intel 960片子用作并行處理就很好，價格也很便宜。

4 結束語

本文綜述了圖像處理智能化的理論研究、智能高效算法和并行處理的硬件系統，可以看出無論從軍事需求，還是從光學成像儀器、網絡視頻通信，以及各種高技術的發展來看，智能化都是圖像處理的必然發展趨勢。參考國外的行情，從理論、算法和硬件3個方面開展研究，會把圖像處理的智能化推上一個新高度。

實現圖像處理的智能化是一個奮斗目標，近期的研究應圍繞復雜背景下的自動目標捕獲來進行，這主要包括:

(1)智能傳感器，特別是利用AI技術簡化了的各種攝像設備。

(2)圖像處理的智能算法研究:人工神經網絡、遺傳計算、免疫算法、以及其它自適應算法，通過與常規信息處理方法相結合，實現自動目標捕獲。

(3)用Transputer構成的并行多機系統。

(4)以目標識別作為切入點，建立一個先進的仿真試驗室。以沙盤構成的仿真場景和真實圖像傳感器進行仿真實驗，研究復雜背景下的目標探測(解決瞬態捕獲、定位)、目標識別(考慮偽裝和隱藏)方法，進行目標捕獲、識別與跟蹤算法的性能評估。

［1］SONKA M，HLAVAC V，BOYLE R.Image Processing，Analysis，and Machine Vision［M］.2nd ed.London：Thomson Learning，2002.

［2］章毓晉.圖像工程(上、中、下)［M］.2版.北京:清華大學出版社，2008.ZHANG Y J.Image Engineering(Ⅰ，Ⅱ，Ⅲ)［M］.2nd ed.Beijing:Tsinghua University Press，2008.(in Chinese)

［3］馬頌德，張正友.計算機視覺—計算理論與算法基礎［M］.北京:科學出版社，2003.MA S D，ZHANG ZH Y.Computer Vision-Theory of Computation and Basis of Computer Algorithm［M］.Beijing:Science Press，2003.(in Chinese)

［4］胡守仁.神經網絡導論［M］.長沙:國防科技大學出版社，1993:113-117.HU SH R.Neuronic Network Introduction［M］.Changsha:National University of Defence Technology Press，1993:113-117.(in Chinese)

［5］楊宜禾，周維真.成像跟蹤技術導論［M］.西安:西安電子科技大學出版社，1992.YANG Y H，ZHOU W ZH.Imaging Tracking Technique Introduction［M］.Xi'an:Xidian University Press，1992.(in Chinese)

［6］CYNTHIA L C，JEFFRE J C.Intelligent targeting for a remotely operated，rapid aiming weapon platform，PB SAND2002-3733［R］.NM(US):Sandia National Laboratories，2003.

［7］HERMAN J L.Target Identification Algorithm for the AN/AAS-44V Forward Looking Infrared［M］.Washington:Storming Meclia，2000.

［8］BLASCH E，KAHLER B.Multiresolution EO/IR target tarcking and identification［C］.Information Fusion，2005 8th International Conference on，25-28 July.

［9］張加源，金偉其.極弱光成像—量子成像技術［J］.激光與紅外，2007，37(6):503-505.ZHANG J Y，JIN W Q.Extremely low light imaging-quantum imaging technology［J］.Laser＆Infrared，2007，37(6):503-505.(in Chinese)

［10］BAI Y F，HAN SH SH.Ghost imaging with thermal light by third-order correlation［J］.Phys.Rev，A，2007，76:043828.

［11］LIU H L，CHENG J，HAN SH SH.Ghost imaging in Fourier space［J］.J.Appl.Phys.，2007，102(10):102-103-4.

［12］CHEN H H.Stereo matching using dynamic programming based on occlusion detection［C］//Proceedings of the 2007 IEEE International Conference on Mechatronics and Automation，Harbin，China.2007:2445-2449.

［13］姚新，陳國良，徐惠敏，等.進化算法研究進展［J］.計算機學報，1995，18(9):694-706.YAO X，CHEN G L，XU H M.The progress of evolution algorithms［J］.Chinese J，Computer，1995，18(9):694-706.(in Chinese)

［14］張曉繢，戴冠中，徐乃平.一種新的優化搜索算法—遺傳算法［J］.控制理論與應用，1995，12(3):265-273.ZHANG X H，DAI G ZH，XU N P.Genetic algorithms-a new optimization and search algorithms［J］.Control Theory＆Appl.，1995，12(3):265-273.(in Chinese)

［15］HONG L，WAN Y F，JAIN A.Fingerprint image enhancement:algorithm and performance evaluation［J］.IEEE T.Pattern Anal.，1998，20(8):777-789.

［16］JOAQUIM S，XAVIER A，JOAN B.A comparative review of camera calibrating methods with accuracy evaluation［J］.Pattern Recognition，2002，35(7):1617-1635.

［17］FAUGERAS O D，LUONG Q T，MAYBANK S J.Camera self-calibration:theory and experiments［J］.Lecture Notes in Computer Science，1992，588(1):321-334.

［18］胡玉鎖，陳宗海.一種新的基于線性EIV模型的魯棒估計算法［J］.計算機研究與發展，2006，43(3):483-488.HU Y S，CHEN ZH H.A novel robust estimation algorithm based on linear EIV model［J］.J.Computer Res.and Devel-

opment，2006，43(3):483-488.(in Chinese)

［19］云慶夏.進化算法［M］.北京:冶金工業出版社，2000.

YUN Q X.Genetic Algorithms［M］.Beijing:Metallurgical Industry Press，2000.