項目教學法在《現代圖像處理》課程中的應用

黃鴻，楊利平

摘要：針對《現代圖像處理》課程理論性強、實踐能力要求高特點，傳統教學模式已難以適應新工科人才培養的需求，深入分析《現代圖像處理》課程的特點，提出了實施貫穿《現代圖像處理》課程知識點的創新實踐項目，將復雜抽象的圖像處理基礎理論與形象直觀的工程項目“熒光微球圖像計數”結合起來進行學習，由學生分組協作，用問題驅動法引導學生靈活運用圖像處理知識，激發學習興趣，理解圖像處理算法，培養學生創新思維和解決實踐問題的能力。

關鍵詞：現代圖像處理；項目教學法；熒光微球計數；教學改革

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）35-0115-04

圖像是人類獲取、表達和傳遞信息的重要手段。數字圖像處理技術已被廣泛應用于遙感測繪、生物醫學、交通運輸、智能制造和國防軍事等領域。許多高校均在本科、研究生階段開設了圖像處理類課程，重慶大學儀器科學與技術、光學工程、電子信息等研究生專業都開設了《現代圖像處理》課程。

研究生《現代圖像處理》課程具有理論概念理解難、知識點零散、實踐性強和技術發展迅速的特點。傳統的理論教學方式使學生難以理解概念和掌握圖像處理算法，不能建立起一個完整的認識和實踐體系，培養學以致用能力不足。尤其是在“新工科”教育背景下，亟須融理論教學、實驗教學和科學研究為一體，培養基礎理論扎實、實踐能力強、創新思維高等復合型工程技術人才[1-2]。為解決上述問題，論文立足提升學生的理論基礎、實踐能力和創新能力，以適應新工科建設的人才培養目標，在《現代圖像處理》課程教學內容引入典型圖像處理項目，使學生不僅能了解圖像處理基本原理，而且能從項目實踐中找到基本理論的落腳點，構建知識體系，增強分析解決問題能力。

1 《現代圖像處理》課程現狀分析

隨著人工智能技術的快速發展，圖像處理以及機器視覺技術也受到了廣泛關注[3]。然而，該課程在教學過程中上存在以下問題[4-5]：

（1） 期望高、落差大

《現代圖像處理》課程與人工智能、機器視覺技術緊密關聯，被各行各業認同，學生對該門課程抱有較高期待。但是，該課程對數學基礎要求高、公式繁多且復雜、知識點零散，導致較多學生學習興趣下降，影響教學效果。

（2） 重理論、輕實踐

在該課程教學模式中 ，許多教學設計仍然以理論講授為主，缺乏具體實踐項目將圖像處理算法中的概念和公式進行關聯。實驗以經典方法的驗證性實驗為主，內容相對獨立，沒有做到“貫通式”案例教學，缺乏綜合性和創新性，導致學生對所學知識難以做到融會貫通，難以運用理論知識解決項目中的實際問題。

（3） 重考核、忽協作

考核是檢驗教學成果的有效手段。但是，傳統的《現代圖像處理》課程考核較多采取期末考試、上課考核和作業進行綜合評價的方法。此類方式主要考核理論知識掌握程度，缺乏對實踐能力考查，且忽視了學生團隊協作能力的培養。

2 項目教學法及《現代圖像處理》課程內容優化

2.1 項目教學法

項目教學法是指師生通過完成一個完整“項目”的形式進行教學[6]。項目教學法主張學生以自主學習和動手實踐為主，教師以講授知識和實踐指導為輔，以實踐項目為框架，理論知識貫穿始終。通過應用項目教學法，實現理論知識與實踐操作相結合的課堂教學，通過分組讓學生參與項目實踐中，將理論知識轉化為直觀的實際結果，加深學生對圖像處理知識點的理解，提高學生應用課程理論知識來解決實際問題的綜合能力[7]。

2.2 《現代圖像處理》課程內容優化

根據《現代圖像處理》課程教學大綱要求和項目教學法，論文對課程教學內容進行了優化設計，將《現代圖像處理》課程的內容與熒光微球圖像計數項目的過程結合起來，具體如圖1所示。

從圖1中可得知，該課程的主要內容都貫穿于熒光微球圖像計數項目中，由實際科研項目的需求牽引出相關圖像處理知識和算法模型，激發學生的學習興趣。如此一來，讓學生在實際問題的求解中更好地理解圖像處理理論知識的實際運用，避免灌輸式教學，提高學生解決實際工程問題的能力。

3? 《現代圖像處理》課程創新項目實踐

本論文以“基于圖像處理的熒光微球計數軟件系統設計”創新項目為例，在講述項目的實施過程、內容及處理結果的過程中，貫穿式地引導學生學習和實踐《現代圖像處理》的課程內容。

3.1 圖像預處理

本課程項目所采用圖像是通過高倍物鏡采集分辨率達到6576*4384的二維BMP圖片。在實際應用環境中采集的圖像會受到噪聲、光照等原因的影響，因此圖像的預處理是熒光微球計數的一個至關重要的環節。將采集到的熒光微球顆粒圖片進行灰度變換、圖像銳化、二值化、距離變換、腐蝕、膨脹、形態學開、閉運算等預處理，以便后期對熒光微球進行計數。

3.1.1 灰度變換

灰度變換是指彩色圖像到灰度圖像的轉化過程，由于在灰度化的過程中，一些屬性信息的丟失在所難免。因此，灰度化的主要目的是盡量使灰度化后的圖像信息和原始彩色信息一致，即設計合理的算法保留較多原始圖像信息。

3.1.2 圖像銳化

實際條件下，收集到的熒光微球顯微圖像會受到傳輸和處理過程中許多因素的影響。這些因素會降低圖像的質量。為了強化這些信息。項目利用拉普拉斯算子來銳化圖像。對于二維圖像，拉普拉斯算子的具體定義如下：

（1）

作為一個微分算子，拉普拉斯算子主要處理圖像中灰度突變的部分，而不是緩慢變化的部分。通常，使用拉普拉斯算子對圖像進行銳化可用下式進行表示：

（2）

式中f（x，y）為原圖像，g（x，y）為銳化后的圖像，常數k主要與選取的拉普拉斯濾波器相關。

3.1.3 圖像二值化

為了在熒光微球圖像中提取涉及后續步驟中需要的信息，消除影響后續操作的無用信息。文中所采用為8位灰度圖像，其像素值由0-255這256個灰度級表示。進行二值化處理后可使微球圖像目標更突出。

在這一步中選取閾值K是二值化中的最重要的一步，選擇不同的K值會直接影響后續二值化后圖像的特性。圖像像素的灰度級在0-255，可選取k（0≤k≤255）作為K的值。選好K值后，對灰度圖像中的像素點進行逐點判斷，當某個像素點的值大于K時，將其值設為255；當該點值小于K時，將其設為0，即可得到二值圖像。

3.1.4 距離變換

距離運算也是對圖形進行分析操作的一種常用手段。距離變換的主要方法就是對目標圖像以及無用的背景圖像通過一定的規則進行距離運算，得到的距離值后對原圖像的像素值進行替換。這樣就得到了距離變換后的梯度灰度圖像。

若m、n分別為待求取歐式距離的兩個向量，則數學中歐式距離的定義如式（3）。如果將[（x1，y1）]，[x2，y2]設置為目標圖像中待求取歐式距離的兩個像素點的坐標值，則其值可用式（4）計算。

[DEm，n=i=1kmi-ni2]? ? ? ? ? ? ? ? （3）

[DE=x1-x22-y1-y22]? ? ? ? ? ? ? ? （4）

3.1.5 腐蝕膨脹

圖像腐蝕的目的是用來對圖像邊界點進行消除的操作，經過該操作后可以得到一幅完全屬于源圖像且更細化的圖像。圖像膨脹[2]其實與腐蝕過程相反。其目的是將圖像接觸的外部背景點合并到正面圖像中，并向外擴展圖像的邊界。膨脹后的圖像比原始圖像更長或更寬。

除了腐蝕、膨脹兩種形態學操作，開操作與閉操作同樣也是形態學中兩種十分重要的操作。結構元M為待操作圖像，N為結構元素，其定義式由式（5）、式（6）表示。

[M°N=MΘN⊕N]? ? ? ? ? ? ? ? ? ? ?（5）

[M·N=M⊕NΘN]? ? ? ? ? ? ? ? ? ? ? （6）

3.2 熒光微球圖像分割

完成對熒光微球顯微圖像的預處理后，在此選用分水嶺分割算法對顯微圖像進行分割。分水嶺是屬于地形學的概念，對圖像進行處理時，需要將其轉化為三維模型。在這種“地形學”考慮下，主要用分析模型中的三點：（1） 在某個區域最小值中的點；（2）假如我們把最小值點比作一個盆地的最低處，其他任意點為盆地里的水，并且開始蓄水，那么任何位置上的水肯定都先流向最低處的那個區域；（3）周圍若有其他這樣的最低處，水流向他們的可能性都是相等的。對于（2）中點集聚區域為該值的匯水盆地，對于（3）中描述的這些點，將其連接起來，就是分水線。分水嶺算法的任務就是找出這些線。使用分水嶺算法分割所得結果如圖2所示。

3.3 熒光微球圖像特征提取及分類

3.3.1 熒光微球顏色特征的量化

根據成像原理，熒光微球中單個像素的散射測量值會產生變化，如果直接提取HSV顏色特征，在分類時會引起誤差。因此，以分割后的獨立微球的區域為基本對象，提取每個基本對象的顏色特征。 并對其進行非均勻性量化有效提取特征。

圖3是對具有7種熒光微球類型的多幅 HSV顏色圖像的微球個數分布統計。不難看出，熒光微球的色調空間呈現出比較明顯的7個峰值并分布在[0。，140。]之間，熒光微球的飽和度的4個峰值分段主要分布在 [0.6，0.95]，而熒光微球圖像明度主要分布在[0，1]區間內，并且無明顯的峰值對比。因而本文采用非均勻量化方法進行特征提取，以減少特征向量的冗余，提高分類效率。

前文所得到的對H、S、V非均勻量化的量化級，并由統計學考慮這三個分量在圖像中所占據的權重比不同，可得歸一化G為如式（7）。

[G=HLSLV+SLV+V]? ? ? ? ? ? ? （7）

式中[LS]為S的級數，[LV]表示V的級數。通過上述操作就獲得了能體現微球顏色特征的一維向量。

3.3.2 基于半監督最小誤差重構的熒光微球分類

由于人工標記熒光微球工作量很大，所以通過半監督學習[5]理論，設計一種半監督的kNNS分類（Semi-supervised kNNS，SSkNNS）算法對熒光微球進行分類。kNNS[6]算法主要是在傳統的NN算法上提出的一種新算法，若待分類數據具有不均勻分布，分類精度就會下降。因此，使用SSkNNS算法對微球進行分類，主要是對無標記數據和被標記數據的特征信息做歐氏距離計算進而獲得大量帶標簽的樣本。最終選用kNNS分類器對熒光微球進行判別決類別。

利用所設計的分類器，即可對7種類型的熒光微球樣圖進行分類，其樣例圖像和分類結果如圖4和圖5所示。

用所提出的算法對熒光微球圖像進行分類的結果如表1、表2 所示。

由表1、2可知熒光微球的總體識別率隨標簽量的增加而提高。本方法利用無標記樣本數據本身的結構信息和少量的標記樣本信息，在標簽樣本數僅為2和4時效果尤其明顯。

3.4 圖像處理軟件開發

在完成算法開發的基礎上，可利用Microsoft Visual Studio、Matlab、SQL Server等相關軟件進行圖像處理軟件開發，本文所開發的“熒光微球技術”軟件界面劑運行結果如圖6所示。

4 結語

《現代圖像處理》課程具有理論概念理解難、知識點零散和實踐性強的特點，當前以理論知識為主的教學模式導致學生對課程中復雜的理論、概念和公式難以理解消化，且難以建立對該課程的相對完整的知識體系。本文以“熒光微球圖像計數” 創新實踐項目為牽引將復雜抽象的圖像處理理論和算法實施貫穿于項目各個環節，充分調動學生積極性，培養學生的創新能力和團隊協作能力，為圖像處理及相關課程的教學改革提供新思路。

參考文獻：

[1] 宋偉，謝欣怡，楊青，等.新工科背景下基于項目驅動的數字圖像處理教學方法探析[J].計算機教育，2021（2）：69-74.

[2] 陳芳，張道強.基于研究性學習的數字圖像處理課程教學改革[J].軟件導刊，2020，19（12）：48-50.

[3] 馬慧敏，黃金日，焦俊，等.基于數字圖像處理課程內容的創新實踐項目實施——以“基于數字圖像處理的作物顆粒計數”為例[J].黃山學院學報，2020，22（3）：83-86.

[4] 黃進，汪思源，于雙和，等.面向控制類專業的研究生“數字圖像處理”課程教改探索[J].教育現代化，2020，7（20）：26-28.

[5] 張帆.數字圖像處理課程案例庫建設及案例驅動教學法應用[J].計算機教育，2022（1）：34-37.

[6] 李亞楠，王海暉，劉黎志.基于PBL模式的數字圖像處理課程教學優化探討[J].教育教學論壇，2020（36）：251-253.

[7] 夏潤秋，劉力雙，劉洋，等.基于學習產出的數字圖像處理課程教學改革[J].教育教學論壇，2020（22）：189-191.

【通聯編輯：王力】