学习数字图像处理经验谈

一、面向应用：层层分解、抓住要点

我们学习数字图像处理的最终目的还是应用，不管是用它来研制产品还是研发项目抑或是研究课题，都要用数字图像处理的理论、方法和技术来解决实际问题。在此过程中，提高效率是非常重要的，因此，我们在实际应用过程中要面向需求，结合实际；将问题层层分解，理清解决思路；抓住其要害，集中力量进行突破，切忌眉毛胡子一把抓。

下面就结合笔者所研究过的一个课题进行详细说明。

任务要求：一台智能移动机器人上配备有单目可见光视觉传感器，要求通过该视觉传感器采集的视频序列图像，实现在复杂环境下实现对纹理清晰的特定目标的实时跟踪。

（注：该问题的解决应从硬件和软件两个方面进行考虑，对硬件的选择、设计和搭建超出了本文所讨论的内容，因此，本文仅从数字图像处理方法的角度进行分析）

分析讨论：

（1）任务分解：通过对任务要求进行分析可知，该任务的核心是“目标识别跟踪”；在此基础上有两个约束条件：“复杂环境下”和“实时性”；方法实现的平台是“移动机器人”。任务的核心——“目标识别跟踪”是我们所需要解决的难点和重点；约束条件1“复杂环境下”则要求我们对所采集的图像进行去噪预处理；约束条件2“实时性”也是需要解决的问题，这就要求我们尽可能地降低各种算法的运算复杂度；由于实现平台“移动机器人”在行进过程中采集的视频图像存在抖动现象，因此，在对采集的图像进行去噪后需要对其进行增稳处理。通过初步分解，我们就得到了任务中所要解决的问题以及大致流程（如图1所示）。

图1 任务分解及流程

（2）难点分解：本任务的难点是“目标识别跟踪”。之所以称其为难点，是对目标的识别和跟踪过程中，存在视觉传感器与目标物体的相对运动，因而，目标在图像中存在着尺度变化、旋转变化、视角变化、照度变化以及局部遮挡，这给目标识别和跟踪带来了挑战。我们常用的目标识别与跟踪算法有：基于帧间差分的目标识别与跟踪法、基于光流的目标识别与跟踪法、基于模板匹配的目标识别与跟踪法、基于颜色的目标识别与跟踪法、基于特征点的目标识别与跟踪法。考虑到每种方法的特点以及待跟踪目标具有清晰的纹理，我们可以采用基于特征点的目标识别与跟踪法，更进一步地说，我们应采用尺度不变特征点（SIFT）作为识别与跟踪的特征，因为尺度不变特征点对尺度变化、旋转变换、视角变化、照度变化和局部遮挡具有鲁棒性。同时，我们希望目标识别和跟踪算法具有良好的实时性，因而，可以考虑PCA－SIFT和SURF特征点作为目标特征。此外，由于视频序列相邻图像之间存在相关性，目标在相邻帧之间不会有剧烈的变换，因而，可采用隔帧搜索法对目标进行检测并用Kalman滤波或粒子滤波对目标的轨迹进行预测。难点分解的过程如图2所示。

图2 难点分解过程

（3）算法分解：经过任务分解和难点分解后，我们已经对任务的实现步骤和每个步骤所需的算法有了一个清晰的了解。在此之后，我们还需对每一个具体的算法进行分解，形成实现步骤，以便于后续的研究以及模块化分工实现。

二、面向学习：追根溯源、比较总结

在数字图像处理中，很多算法是一脉相承或有着密切联系的，搞清楚这些来龙去脉以及相互联系，有利于我们加强对算法的理解以及改进创新。

那么，如何把握这些联系呢？我认为，首先得清楚每种算法的提出背景，也就是“这种算法为什么会被提出”或是“这种算法是针对什么问题而提出的”。就拿数字图像变换中的内容为例，我们是从图像的空间变换讲起的，但是空间变换无法反映图像的频率分布信息，随着傅里叶变换的诞生，这一问题得到了解决，傅里叶变换也被研究者誉为是“图像处理的第二种语言”。正在人们为之欢心鼓舞之时，研究者有发现傅里叶变换也存在着不足，它在空域上无任何分辨，不能作局部分析。针对于此，D.Gabor 于1946年提出了加窗傅里叶变换，也就是著名的Gabor变换，它通过引入一个时间局部化“窗函数”改进了傅里叶变换的不足，但其窗口大小和形状都是固定的，没有从根本上弥补傅里叶变换的缺陷。小波变换的提出从根本上解决了这一难题，它有一个灵活可变的时间—频率窗，能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，“数学显微镜”的美誉也因此得来。如果我们能够把这些联系梳理清楚，那么，我们在学习小波变换时就会豁然开朗，游刃有余。难道小波变换就那么完美吗？答案当然是否定的，当前有很多算法就如何提高小波变换的效能提出了改进。按照上述的“联系”方式，就不难建立起完备的知识体系。

图3 图像分析联系示意图

谈过了“追根溯源”，我们再来聊聊“比较总结”。我们以图像的边缘检测为例来进行说明。每一种方法都能实现边缘检测，但对于同一幅图像，每一种边缘检测方法的效果又不尽相同。这是为什么呢？原来，每一种边缘检测的方法都有自己优点和不足，都有自己特定的应用背景。我们不妨对其进行列表比较（如表1所示）。

表1 边缘检测算子比较

名称	特点
基于一阶微分算子检测边缘	运算简单，但对噪声敏感
基于LOG算子检测边缘	边缘保留较为完整、定位准确、抗干扰能力强
基于 Canny算子检测边缘	抗干扰能力强，边缘连续性好
基于SUSAN算子检测边缘	抗噪声能力好、运算量小，速度快