数字图像处理技术的发展及应用

郑李强

摘要：数字图像处理技术伴随着计算机技术的发展和人们对图像处理的需要而产生，在现代生产生活中扮演者重要角色。文章简要概述了数字图像处理技术的重要性及其发展现状，重点介绍了数字图像处理技术的研究内容和应用。最后，分析了数字图像处理技术存在的问题和发展趋势。目的是使人们对数字图像处理技术有更多的了解，激发人们研究的兴趣。

关键词：数字图像处理；计算机技术；现状；应用；发展趋势

中图分类号：TP391 文献标识码：A 文章编号：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

我们的生活离不开图像，图像是我们接触最多的信息形式之一。研究发现，包括图像在内的视觉信息约占人们获得信息量的75%[1]。图像包含大量且不可替代的重要信息，“一目了然”和“百闻不如一见”正是这一事实的反映。随着人们获取图像渠道的多样化和生产生活的需要，以及计算机技术的发展，运用计算机进行图像处理成为必要，数字图像处理技术应运而生。本文就数字图像处理技术的研究现状、内容、应用和发展作了相关探讨。

1 数字图像处理技术的研究现状

数字图像处理是指利用计算机处理数字图像。它的发展始于20世纪20年代，当时采用数字压缩技术传输了第一张数字照片。由于技术的制约，数字图像处理技术在随后的发展比较缓慢。20世纪60年代初，伴随着第一台能够执行数字图像处理任务的计算机问世，这实现了真正意义上的图像处理。美国喷气推进实验室在1964年对航天探测器传回的月球照片采用了数字图像处理技术[2]，得到了更为清晰的月球表面形貌照片，这次实践也促进了数字图像处理这门学科的诞生。20世纪60年代到70年代，离散数学的创立和完善为数字图像处理技术的发展提供了有力的工具[3]。这一时期，数字图像处理技术在医学领域也获得了成功的应用，突出的表现是计算机轴向断层术的发明。1975年又研制出全身用的CT装置，CT的发明为医学技术进步做出了巨大的贡献。20世纪80年代，得益于计算机技术的发展，人们对图像的研究能够从二维领域进入三维领域。数字图像处理技术的进步离不开图像处理理论和方法的发展。20世纪70年代末，Marr提出了视觉计算理论，它成为计算机视觉领域其后多年的主导思想。20世纪90年代以来，数字图像处理技术发展的趋势是实现图像处理的实时性、智能化、网络化、低成本等。

2 数字图像处理过程

数字图像处理系统通常包括图像数字化设备、图像处理计算机和软件、图像输出设备等。

3 数字图像处理技术的研究内容

3.1 图像的数字化

图像的数字化是指将传感器获取的连续图像数据转换为离散的数字形式，并且要保持与原图像的一致又便于计算机进行处理。取样和量化是图像数字化的两个阶段。取样是指对图像的每个像素坐标进行数字化，量化是指对像素幅值的数字化。取样的样本数和量化所用的灰度级数决定着数字图像的质量。图像提取技术的发展分为4个阶段：分别是萌芽阶段、初期阶段、飞跃阶段和分化阶段。图像的数字化技术离不开理论的发展，电影和视频产业的发展产生了图像提取技术[4]，Porter和Duff提出了通道概念[5]，新的处理方法如四元组像素，前景与背景间交界区域估计模型[6]以及借助数学工具来获得更优的效果。

3.2 图像压缩

图像压缩是指通过变换和组合的编码手段对要处理的数据源进行简化，以更少的代码来表示更多的信息。图像的压缩是利用了数字图像的相关性和人的视觉心理特征這两个原理。图像压缩系统有编码器和解码器两个功能不同的部分组成。如果解码后的数据和原来的数据完全一样，则压缩系统被称为无损的或信息保持的压缩系统，否则称为有损压缩系统。随着压缩编码技术的发展，后人根据时间将其划分为前后两个阶段。第一代图像压缩编码的研究来自于传统的数据压缩理论，典型的编码方法有1952年提出的Huffman编码、1977年提出的基于字典的压缩编码算法LZ77和后来改进的LZ78。第二代图像压缩编码由Kunt等人提出，这种编码方法能够克服先前编码方法存在的压缩比小、图像复原质量不理想等弱点，如分形图像编码压缩方案、基于小波变换的图像压缩编码算法、EZW编码算法和SPIHT算法。endprint

3.3 图像增强与复原

图像增强是指对图像的某些特征，如边缘、轮廓、对比度等进行强调或尖锐化，以便于显示、观察或进一步地分析与处理[7]。运用一定的技术手段来提高图像的清晰度，目的是改善图像质量，使图像成为更适合人或计算机识别的形式。图像增强与图像复原不同，图像增强不考虑图像退化的原因，只是为了突出图像中所需要的信息。根据处理所在的空间不同，图像增强分为在空间域的增强和在频率域的增强。常见的图像增强方法有：直方图修正、图像平滑、图像锐化、伪彩色增强。图像复原是将退化的图像恢复为原来的模样，即是达到和原图的一模一样。图像复原方法有代数复原、频域复原和几何校正[8]。

3.4 图像分割

图像分割是把图像分成特定的区域，然后提取所需目标的技术。从本质上讲，它是将各像素进行分类的过程。多数分割算法是基于灰度值相似性和不连续性的性质。图像分割方法分为4类：基于阈值的分割、基于区域的分割、基于边缘的分割和图像运动目标分割。近年来，研究者将其他学科的新理论和新方法应用在图像分割中，提出了许多新的分割方法。比如，1975年提出遗传算法[9]，它是一种具有全局搜索能力的迭代式优化算法。基于小波分析的边缘检测算法，利用小波的多尺度性可以实现较高精度的分割。1987年提出Snake模型[10]，该模型在提取和跟踪特定区域内目标轮廓方面具有良好的效果。在实际应用中，常将各种方法结合使用来取得最佳的效果。

3.5 图像分析

图像分析是图像处理的高级阶段，是利用计算机来分析图像，输出的结果是描述图像的数值或符号。比如在医学图像处理中，不仅要检测出异变的存在，而且还要检查其尺寸大小。图像分析可以从图像描绘和纹理分析两个方面入手。其中，图像描绘通常有区域内部描述、区域边界描述和关系描述；纹理分析的研究方法有结构法、统计法、频谱法和模型法。过去的图像分析几乎完全是两维的图像处理，而随着共聚焦显微镜和其他先进成像技术的出现，图像分析能够扩展到三维图像处理。

4 数字图像处理技术的应用

随着计算机技术的高速发展以及图像处理理论和方法的完善进步，数字图像处理系统的性能也随之提高。数字图像处理在各个行业中的应用更加广泛，如生物医学、航天遥感、工业和工程、军事和安全等领域。

4.1 生物医学工程

在生物医学方面，数字图像处理技术有着广阔的应用前景。在医学领域利用图像处理技术可以实现对疾病直观和非接触无痛的诊断和治疗。医学图像的三维重建还原组织、器官的形态结构，对外科手术制定、病灶定位、组织容积测量有重要的临床意义。除此之外，图像处理也应用在DNA显示分析，超声图像成像、增强及伪彩色处理，内脏大小形状及异常检查，心肌活动的动态分析，在研究生物进化的图像分析上有很广泛的应用。

4.2 航天遥感领域

在航空航天遥感领域，数字图像处理技术发挥着重要作用。在航空航天方面，数字图像处理技术能够对航天器采集的照片处理以获取所需的信息。20世纪70年代初到90年代末，美国太空总署发射了多颗资源遥感卫星，并对卫星采集的图像运用了很多数字图像处理技术。2008年11月，我国第一幅全月影像图正式发布，它是由“嫦娥一号”卫星拍摄并经过各種处理、校正和镶嵌拼接以后的合成照片[11]。在卫星遥感方面，如森林工作者根据对周期性的森林遥感图像的分析，掌握森林长势、气候干旱程度等信息，还可以提前预知森林火灾的发生。在国土方面，利用遥感技术掌握本国的土地资源。在农业方面，应用遥感技术对农作物估产及病虫害调查，以及对大片草场的调查和检测。在自然灾害的检测上，遥感图像为大面积的洪涝灾害和干旱提供准确的信息，对抗灾救灾发挥重要作用。在海洋遥感方面，涉及海浪观测、渔业资源监测、海洋环境污染等。

4.3 工业和工程领域

图像处理在工业生产和工程中的应用十分广泛，可以实现对产品的快速及无损检测，促进生产效率的提高并取得了巨大的经济效益。比如浮法玻璃生产中，在玻璃生产流水线上进行在线检测，以检查是否含有划痕、杂质、裂纹等缺陷。在纺织方面，采用数字图像处理技术可以检测纺织品是否存在孔洞等疵点。其他方面的应用还有晶振元件缺陷检测、流水线零件的自动检测识别、邮件和包裹的分拣、焊缝及内部缺陷的检查、弹性力学照片的应力分析、轧钢厂轧制中的钢坯位置的确定和尺寸的测量等。

4.4 军事和安全领域

图像处理在军事、道路交通、人脸识别等方面发挥着重要作用，大大提高了技术的进步。在军事方面，导弹的精确制导需要借助对地形和目标物图像的分析和识别。在导弹发射后的飞行过程中，对采集到的地形地貌和目标信息进行及时处理判断，选择正确的飞行路径，实现自主制导。侦察卫星可以对敌方位置进行拍照，根据照片信息对目标进行精确识别。在交通领域，高速公路收费站通过安装的高清车牌识别系统，实现识别车辆牌照，并能和数据库中的可疑车辆信息进行对比，为破案提供参考。道路交通视频监控图像识别的应用也十分广泛，如西门子公司的交通监控系统，不仅能探测隧道中慢行或停止的汽车，还可探测在U形转弯处的违规汽车[12]。人脸识别是指对给定的包括人脸的输入图像，通过某种方式与已知人脸库中存储的模型进行匹配比较，确定是否是库中某一人物。人脸识别技术在身份验证中得到广泛应用，如支付宝采用人脸识别作为密码保护手段，智能手机使用人脸进行解锁等。

4.5 其他方面

数字图像处理在其他方面的应用主要有图像通信、光学字符识别、人脸表情、图片社交应用等。20世纪70年代后，人们的信息交流更多地转变为使用图像通信的方式，包括电视、可视电话和传真等。随着VLSI的发展，极大地促进了图像通讯的进步。光学字符识别是指利用电子设备采集文字图像并借助计算机技术对纸面上的文字进行自动识别；还有针对图像/视频的内容进行检索，从图像中分析提取底层视觉特征，利用这些特征来衡量图像之间的相似程度。人脸表情的识别，计算机对采集到的人脸表情信息作出判断，从而实现人机之间的信息交流。著名的图片社交应用有“Instagram”、“美图秀秀”、“图钉”等终端手机软件。“美图秀秀”兼具图像处理和分享功能，深受用户喜爱。endprint

5 存在问题和发展方向

5.1 存在问题

目前，数字图像处理存在以下几个方面的问题：1）数字图像的信息量大，图像占据的频带宽，因而需要提高处理速度和改善频带压缩技术；2）由于图像反映的是三维事物的二维投影，因此要由二维图像去理解三维事物的信息需要其他相关知识的引导。在这个方面需要进一步探究；3）图像处理的结果是由人来判断的，因此带有很强的主观色彩；4）数字图像处理技术需要多方面的知识，综合性强。需要数学、物理学等理论的基础知识，还要利用计算机技术、通信技术等技术的支撑。

5.2 发展方向

图像处理技术未来的发展表现在以下4个方面：1）图像处理技术将向着高速、实时化、智能化和标准化方向发展；2）由二维向三维或多维成像的方向发展；3）从静止图像向动态图像发展，从单态图像向多态图像发展；4）将其他学科的理论和方法运用到图像处理领域，开拓新的理论算法。

参考文献：

[1] 章毓晋. 图像处理和分析技术[M]. 北京： 高等教育出版社， 2014.

[2] Rafael C. Gonzalez， Richard E. Woods. 数字图像处理[M]. 阮秋琦， 阮宇智， 译. 3版. 北京： 电子工业出版社， 2011： 3.

[3] 孙正. 数字图像处理与识别[M]. 北京： 机械工业出版社， 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] 陈炳权. 数字图像处理技术的现状及其发展方向[J]. 吉首大学学报：自然科学版， 2009， 30（1）：63-70.

[7] 趙荣椿. 数字图像处理导论[M]. 西安： 西北工业大学出版社， 2000： 74.

[8] 杨帆. 数字图像处理与分析[M]. 北京： 北京航空航天大学出版社， 2010： 59.

[9] 周铭， 周惠. 基于遗传算法的自适应聚类图像阈值分割方法[J]. 计算机工程与应用， 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] 胡学龙. 数字图像处理[M]. 北京： 电子工业出版社， 2011： 4.

[12] 曹建. 图像目标的表示与识别[M]. 北京： 机械工业出版社， 2012： 3.endprint