數字圖像處理技術的發展及應用

鄭李強

摘要：數字圖像處理技術伴隨著計算機技術的發展和人們對圖像處理的需要而產生，在現代生產生活中扮演者重要角色。文章簡要概述了數字圖像處理技術的重要性及其發展現狀，重點介紹了數字圖像處理技術的研究內容和應用。最后，分析了數字圖像處理技術存在的問題和發展趨勢。目的是使人們對數字圖像處理技術有更多的了解，激發人們研究的興趣。

關鍵詞：數字圖像處理；計算機技術；現狀；應用；發展趨勢

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2018）02-0169-03

Development and Application of Digital Image Processing Technology

ZHENG Li-qiang

（Northeastern University， Shenyang 110819， China）

Abstract： With the development of computer technology and the need of image processing， digital image processing technology is produced and plays an important role in modern production and life. The paper briefly overviews the importance and development status of digital image processing technology， and focuses on the research content and applications of digital image processing technology. Finally， the existing problems and development trend of digital image processing technology are analyzed. The purpose is to provide more knowledges and stimulate the interest of digital image processing technology for people.

Key words： digital image processing； computer technology； current situation； application； development trend

我們的生活離不開圖像，圖像是我們接觸最多的信息形式之一。研究發現，包括圖像在內的視覺信息約占人們獲得信息量的75%[1]。圖像包含大量且不可替代的重要信息，“一目了然”和“百聞不如一見”正是這一事實的反映。隨著人們獲取圖像渠道的多樣化和生產生活的需要，以及計算機技術的發展，運用計算機進行圖像處理成為必要，數字圖像處理技術應運而生。本文就數字圖像處理技術的研究現狀、內容、應用和發展作了相關探討。

1 數字圖像處理技術的研究現狀

數字圖像處理是指利用計算機處理數字圖像。它的發展始于20世紀20年代，當時采用數字壓縮技術傳輸了第一張數字照片。由于技術的制約，數字圖像處理技術在隨后的發展比較緩慢。20世紀60年代初，伴隨著第一臺能夠執行數字圖像處理任務的計算機問世，這實現了真正意義上的圖像處理。美國噴氣推進實驗室在1964年對航天探測器傳回的月球照片采用了數字圖像處理技術[2]，得到了更為清晰的月球表面形貌照片，這次實踐也促進了數字圖像處理這門學科的誕生。20世紀60年代到70年代，離散數學的創立和完善為數字圖像處理技術的發展提供了有力的工具[3]。這一時期，數字圖像處理技術在醫學領域也獲得了成功的應用，突出的表現是計算機軸向斷層術的發明。1975年又研制出全身用的CT裝置，CT的發明為醫學技術進步做出了巨大的貢獻。20世紀80年代，得益于計算機技術的發展，人們對圖像的研究能夠從二維領域進入三維領域。數字圖像處理技術的進步離不開圖像處理理論和方法的發展。20世紀70年代末，Marr提出了視覺計算理論，它成為計算機視覺領域其后多年的主導思想。20世紀90年代以來，數字圖像處理技術發展的趨勢是實現圖像處理的實時性、智能化、網絡化、低成本等。

2 數字圖像處理過程

數字圖像處理系統通常包括圖像數字化設備、圖像處理計算機和軟件、圖像輸出設備等。

3 數字圖像處理技術的研究內容

3.1 圖像的數字化

圖像的數字化是指將傳感器獲取的連續圖像數據轉換為離散的數字形式，并且要保持與原圖像的一致又便于計算機進行處理。取樣和量化是圖像數字化的兩個階段。取樣是指對圖像的每個像素坐標進行數字化，量化是指對像素幅值的數字化。取樣的樣本數和量化所用的灰度級數決定著數字圖像的質量。圖像提取技術的發展分為4個階段：分別是萌芽階段、初期階段、飛躍階段和分化階段。圖像的數字化技術離不開理論的發展，電影和視頻產業的發展產生了圖像提取技術[4]，Porter和Duff提出了通道概念[5]，新的處理方法如四元組像素，前景與背景間交界區域估計模型[6]以及借助數學工具來獲得更優的效果。

3.2 圖像壓縮

圖像壓縮是指通過變換和組合的編碼手段對要處理的數據源進行簡化，以更少的代碼來表示更多的信息。圖像的壓縮是利用了數字圖像的相關性和人的視覺心理特征這兩個原理。圖像壓縮系統有編碼器和解碼器兩個功能不同的部分組成。如果解碼后的數據和原來的數據完全一樣，則壓縮系統被稱為無損的或信息保持的壓縮系統，否則稱為有損壓縮系統。隨著壓縮編碼技術的發展，后人根據時間將其劃分為前后兩個階段。第一代圖像壓縮編碼的研究來自于傳統的數據壓縮理論，典型的編碼方法有1952年提出的Huffman編碼、1977年提出的基于字典的壓縮編碼算法LZ77和后來改進的LZ78。第二代圖像壓縮編碼由Kunt等人提出，這種編碼方法能夠克服先前編碼方法存在的壓縮比小、圖像復原質量不理想等弱點，如分形圖像編碼壓縮方案、基于小波變換的圖像壓縮編碼算法、EZW編碼算法和SPIHT算法。endprint

3.3 圖像增強與復原

圖像增強是指對圖像的某些特征，如邊緣、輪廓、對比度等進行強調或尖銳化，以便于顯示、觀察或進一步地分析與處理[7]。運用一定的技術手段來提高圖像的清晰度，目的是改善圖像質量，使圖像成為更適合人或計算機識別的形式。圖像增強與圖像復原不同，圖像增強不考慮圖像退化的原因，只是為了突出圖像中所需要的信息。根據處理所在的空間不同，圖像增強分為在空間域的增強和在頻率域的增強。常見的圖像增強方法有：直方圖修正、圖像平滑、圖像銳化、偽彩色增強。圖像復原是將退化的圖像恢復為原來的模樣，即是達到和原圖的一模一樣。圖像復原方法有代數復原、頻域復原和幾何校正[8]。

3.4 圖像分割

圖像分割是把圖像分成特定的區域，然后提取所需目標的技術。從本質上講，它是將各像素進行分類的過程。多數分割算法是基于灰度值相似性和不連續性的性質。圖像分割方法分為4類：基于閾值的分割、基于區域的分割、基于邊緣的分割和圖像運動目標分割。近年來，研究者將其他學科的新理論和新方法應用在圖像分割中，提出了許多新的分割方法。比如，1975年提出遺傳算法[9]，它是一種具有全局搜索能力的迭代式優化算法。基于小波分析的邊緣檢測算法，利用小波的多尺度性可以實現較高精度的分割。1987年提出Snake模型[10]，該模型在提取和跟蹤特定區域內目標輪廓方面具有良好的效果。在實際應用中，常將各種方法結合使用來取得最佳的效果。

3.5 圖像分析

圖像分析是圖像處理的高級階段，是利用計算機來分析圖像，輸出的結果是描述圖像的數值或符號。比如在醫學圖像處理中，不僅要檢測出異變的存在，而且還要檢查其尺寸大小。圖像分析可以從圖像描繪和紋理分析兩個方面入手。其中，圖像描繪通常有區域內部描述、區域邊界描述和關系描述；紋理分析的研究方法有結構法、統計法、頻譜法和模型法。過去的圖像分析幾乎完全是兩維的圖像處理，而隨著共聚焦顯微鏡和其他先進成像技術的出現，圖像分析能夠擴展到三維圖像處理。

4 數字圖像處理技術的應用

隨著計算機技術的高速發展以及圖像處理理論和方法的完善進步，數字圖像處理系統的性能也隨之提高。數字圖像處理在各個行業中的應用更加廣泛，如生物醫學、航天遙感、工業和工程、軍事和安全等領域。

4.1 生物醫學工程

在生物醫學方面，數字圖像處理技術有著廣闊的應用前景。在醫學領域利用圖像處理技術可以實現對疾病直觀和非接觸無痛的診斷和治療。醫學圖像的三維重建還原組織、器官的形態結構，對外科手術制定、病灶定位、組織容積測量有重要的臨床意義。除此之外，圖像處理也應用在DNA顯示分析，超聲圖像成像、增強及偽彩色處理，內臟大小形狀及異常檢查，心肌活動的動態分析，在研究生物進化的圖像分析上有很廣泛的應用。

4.2 航天遙感領域

在航空航天遙感領域，數字圖像處理技術發揮著重要作用。在航空航天方面，數字圖像處理技術能夠對航天器采集的照片處理以獲取所需的信息。20世紀70年代初到90年代末，美國太空總署發射了多顆資源遙感衛星，并對衛星采集的圖像運用了很多數字圖像處理技術。2008年11月，我國第一幅全月影像圖正式發布，它是由“嫦娥一號”衛星拍攝并經過各種處理、校正和鑲嵌拼接以后的合成照片[11]。在衛星遙感方面，如森林工作者根據對周期性的森林遙感圖像的分析，掌握森林長勢、氣候干旱程度等信息，還可以提前預知森林火災的發生。在國土方面，利用遙感技術掌握本國的土地資源。在農業方面，應用遙感技術對農作物估產及病蟲害調查，以及對大片草場的調查和檢測。在自然災害的檢測上，遙感圖像為大面積的洪澇災害和干旱提供準確的信息，對抗災救災發揮重要作用。在海洋遙感方面，涉及海浪觀測、漁業資源監測、海洋環境污染等。

4.3 工業和工程領域

圖像處理在工業生產和工程中的應用十分廣泛，可以實現對產品的快速及無損檢測，促進生產效率的提高并取得了巨大的經濟效益。比如浮法玻璃生產中，在玻璃生產流水線上進行在線檢測，以檢查是否含有劃痕、雜質、裂紋等缺陷。在紡織方面，采用數字圖像處理技術可以檢測紡織品是否存在孔洞等疵點。其他方面的應用還有晶振元件缺陷檢測、流水線零件的自動檢測識別、郵件和包裹的分揀、焊縫及內部缺陷的檢查、彈性力學照片的應力分析、軋鋼廠軋制中的鋼坯位置的確定和尺寸的測量等。

4.4 軍事和安全領域

圖像處理在軍事、道路交通、人臉識別等方面發揮著重要作用，大大提高了技術的進步。在軍事方面，導彈的精確制導需要借助對地形和目標物圖像的分析和識別。在導彈發射后的飛行過程中，對采集到的地形地貌和目標信息進行及時處理判斷，選擇正確的飛行路徑，實現自主制導。偵察衛星可以對敵方位置進行拍照，根據照片信息對目標進行精確識別。在交通領域，高速公路收費站通過安裝的高清車牌識別系統，實現識別車輛牌照，并能和數據庫中的可疑車輛信息進行對比，為破案提供參考。道路交通視頻監控圖像識別的應用也十分廣泛，如西門子公司的交通監控系統，不僅能探測隧道中慢行或停止的汽車，還可探測在U形轉彎處的違規汽車[12]。人臉識別是指對給定的包括人臉的輸入圖像，通過某種方式與已知人臉庫中存儲的模型進行匹配比較，確定是否是庫中某一人物。人臉識別技術在身份驗證中得到廣泛應用，如支付寶采用人臉識別作為密碼保護手段，智能手機使用人臉進行解鎖等。

4.5 其他方面

數字圖像處理在其他方面的應用主要有圖像通信、光學字符識別、人臉表情、圖片社交應用等。20世紀70年代后，人們的信息交流更多地轉變為使用圖像通信的方式，包括電視、可視電話和傳真等。隨著VLSI的發展，極大地促進了圖像通訊的進步。光學字符識別是指利用電子設備采集文字圖像并借助計算機技術對紙面上的文字進行自動識別；還有針對圖像/視頻的內容進行檢索，從圖像中分析提取底層視覺特征，利用這些特征來衡量圖像之間的相似程度。人臉表情的識別，計算機對采集到的人臉表情信息作出判斷，從而實現人機之間的信息交流。著名的圖片社交應用有“Instagram”、“美圖秀秀”、“圖釘”等終端手機軟件。“美圖秀秀”兼具圖像處理和分享功能，深受用戶喜愛。endprint

5 存在問題和發展方向

5.1 存在問題

目前，數字圖像處理存在以下幾個方面的問題：1）數字圖像的信息量大，圖像占據的頻帶寬，因而需要提高處理速度和改善頻帶壓縮技術；2）由于圖像反映的是三維事物的二維投影，因此要由二維圖像去理解三維事物的信息需要其他相關知識的引導。在這個方面需要進一步探究；3）圖像處理的結果是由人來判斷的，因此帶有很強的主觀色彩；4）數字圖像處理技術需要多方面的知識，綜合性強。需要數學、物理學等理論的基礎知識，還要利用計算機技術、通信技術等技術的支撐。

5.2 發展方向

圖像處理技術未來的發展表現在以下4個方面：1）圖像處理技術將向著高速、實時化、智能化和標準化方向發展；2）由二維向三維或多維成像的方向發展；3）從靜止圖像向動態圖像發展，從單態圖像向多態圖像發展；4）將其他學科的理論和方法運用到圖像處理領域，開拓新的理論算法。

參考文獻：

[1] 章毓晉. 圖像處理和分析技術[M]. 北京： 高等教育出版社， 2014.

[2] Rafael C. Gonzalez， Richard E. Woods. 數字圖像處理[M]. 阮秋琦， 阮宇智， 譯. 3版. 北京： 電子工業出版社， 2011： 3.

[3] 孫正. 數字圖像處理與識別[M]. 北京： 機械工業出版社， 2014： 2.

[4] FIELDING R. The Technique of Special Effects Cinematography （Third Edition） [M]. London： Focal/Hastings House， 1972.

[5] PORTER T， DUFF T. Compositing Digital Images [J]. Computer Graphics （ACM）， 1984， 18（3）：253-259.

[6] 陳炳權. 數字圖像處理技術的現狀及其發展方向[J]. 吉首大學學報：自然科學版， 2009， 30（1）：63-70.

[7] 趙榮椿. 數字圖像處理導論[M]. 西安： 西北工業大學出版社， 2000： 74.

[8] 楊帆. 數字圖像處理與分析[M]. 北京： 北京航空航天大學出版社， 2010： 59.

[9] 周銘， 周惠. 基于遺傳算法的自適應聚類圖像閾值分割方法[J]. 計算機工程與應用， 2005（18）：73-76.

[10] KASS M， WITKIN A， TERZOPOULOS D. Snake： Active Contour Models [J]. International Journal of Computer Vision， 1987， 1（4）：321-331.

[11] 胡學龍. 數字圖像處理[M]. 北京： 電子工業出版社， 2011： 4.

[12] 曹建. 圖像目標的表示與識別[M]. 北京： 機械工業出版社， 2012： 3.endprint