(一)图像处理方法

全景钻孔摄像系统实现视频图像数字化的基础是用C++语言编制而成的采集软件和分析软件。采集软件使探测到的钻孔视频图像数字化,再通过分析软件对其中的信息图像进行识别,完成对数字图像和重要信息的存储和维护。

采集软件(图9-17)的主要功能如下:

1)捕获图像。通过新建gra格式的文件捕获视频数据,并形成数字图像。在进行图像捕获之前需设定视频数据的工作环境(钻孔孔径、探头直径等),以满足数据转换的要求。

2)实时显示。在进行图像捕获的同时将处理后的直观图像快速地显示出来,便于实时监控数据处理过程。

3)图像存储。将捕获后的数字图像以gra文件的格式存储于计算机硬盘中。

4)图像识别。对某帧或某些帧图像中的有用信息进行计算分析,从中获得具体数据,主要包括:识别罗盘图像并计算罗盘方位,识别深度数据。

5)深度修正。对视频图像中的深度数据与真实的深度进行修正。

图9-17 数据采集软件(BHImgCapt)

数据分析软件(图9-18)的主要功能如下:

1)形成三维图像。三维图像就是三维钻孔岩心图,它是通过钻孔孔壁图模拟出来的,也称为“虚拟”钻孔岩心图,形成的三维图像便于更直观地观测孔壁。

2)计算分析。计算分析的功能包括计算结构面产状和隙宽、建立结构面数据库、备注结构面的几何形态等,为进一步对结构面进行统计分析创造条件。

3)打印输出。统计分析形成的任何图像都可以彩色打印输出。

图9-18 数据分析软件(BHImgCapt)

(二)统计分类方法

为了更直观地展现经数据采集与分析软件获得的孔内结构面数据(结构面产状、深度、张开度及裂隙填充情况等)分布特征,首先借助 Microsoft Excel的数据统计功能将结构面数据按倾角和张开度大小进行分类汇总(表9-4和表9-5),然后用统计分析软件Origin和DIPS绘制裂隙的倾向玫瑰花图和产状极点密度图(图9-19和图9-20)。

表9-4 按倾角大小的分类汇总

表9-5 按隙宽大小的分类汇总

图9-19 Origin软件界面及倾向玫瑰花图

图9-20 Dips软件界面及产状极点密度图

第1章 引言 1

11 动机 1

12 计算机视觉为什么是困难的 2

13 图像表达与图像分析的任务 4

14 总结 7

15 参考文献 7

第2章 图像及其表达与性质 8

21 图像表达若干概念 8

连续图像函数 8

22 图像数字化 10

221 采样 10

222 量化 11

23 数字图像性质 12

231 数字图像的度量和

拓扑性质 12

232 直方图 16

233 熵 17

234 图像的视觉感知 18

235 图像品质 20

236 图像中的噪声 20

24 彩色图像 22

241 色彩物理学 22

242 人所感知的色彩 23

243 彩色空间 26

244 调色板图像 28

245 颜色恒常性 28

25 摄像机概述 29

251 光敏传感器 29

252 黑白摄像机 30

253 彩色摄像机 32

26 总结 33

27 参考文献 34

第3章 图像及其数学与物理背景 35

31 概述 35

311 线性 35

312 狄拉克（Dirac）分布和

卷积 35

32 积分线性变换 37

321 作为线性系统的图像 37

322 积分线性变换引言 37

323 1D傅里叶变换 38

324 2 D傅里叶变换 41

325 采样与香农约束 43

326 离散余弦变换 46

327 小波变换 47

328 本征分析 51

329 奇异值分解 52

3210 主分量分析 53

3211 其他正交图像变换 54

33 作为随机过程的图像 55

34 图像形成物理 57

341 作为辐射测量的图像 57

342 图像获取与几何光学 57

343 镜头像差和径向畸变 60

344 从辐射学角度看图像获取 62

345 表面反射 64

35 总结 67

36 参考文献 67

第4章 图像分析的数据结构 69

41 图像数据表示的层次 69

42 传统图像数据结构 70

421 矩阵 70

422 链 72

423 拓扑数据结构 73

424 关系结构 73

43 分层数据结构 74

431 金字塔 74

432 四叉树 75

433 其他金字塔结构 76

44 总结 77

45 参考文献 78

第5章 图像预处理 79

51 像素亮度变换 79

511 位置相关的亮度校正 80

512 灰度级变换 80

52 几何变换 82

521 像素坐标变换 83

522 亮度插值 84

53 局部预处理 86

531 图像平滑 86

532 边缘检测算子 92

533 二阶导数过零点 96

534 图像处理中的尺度 98

535 Canny边缘提取 100

536 参数化边缘模型 102

537 多光谱图像中的边缘 103

538 频域的局部预处理 103

539 用局部预处理算子

作线检测 108

5310 角点（兴趣点）检测 109

5311 最大稳定极值区域检测 112

54 图像复原 114

541 容易复原的退化 114

542 逆滤波 115

543 维纳滤波 115

55 总结 117

56 参考文献 118

第6章 分割 I 124

61 阈值化 124

611 阈值检测方法 126

612 最优阈值化 127

613 多光谱阈值化 129

62 基于边缘的分割 130

621 边缘图像阈值化 131

622 边缘松弛法 133

623 边界跟踪 135

624 作为图搜索的边缘跟踪 139

625 作为动态规划的边缘跟踪 146

626 Hough变换 149

627 使用边界位置信息的

边界检测 155

628 从边界构造区域 156

63 基于区域的分割 157

631 区域归并 158

632 区域分裂 160

633 分裂与归并 161

634 分水岭分割 163

635 区域增长后处理 166

64 匹配 166

641 匹配标准 167

642 匹配的控制策略 168

65 分割的评测问题 169

651 监督式评测 169

652 非监督式评测 172

66 总结 172

67 参考文献 175

第7章 分割II 182

71 均值移位分割 182

72 活动轮廓模型——蛇行 187

721 经典蛇行和气球 188

722 扩展 191

723 梯度矢量流蛇 191

73 几何变形模型——水平集和

测地活动轮廓 194

74 模糊连接性 200

75 面向基于3D图的图像分割 204

751 边界对的同时检测 205

752 次优的表面检测 208

76 图割分割 209

77 最优单和多表面分割 214

78 总结 223

79 参考文献 224

第8章 形状表示与描述 232

81 区域标识 234

82 基于轮廓的形状表示与描述 236

821 链码 237

822 简单几何边界表示 237

823 边界的傅里叶变换 239

824 使用片段序列的边界描述 241

825 B样条表示 243

826 其他基于轮廓的形状

描述方法 245

827 形状不变量 245

83 基于区域的形状表示与描述 248

831 简单的标量区域描述 248

832 矩 251

833 凸包 253

834 基于区域骨架的图表示 257

835 区域分解 259

836 区域邻近图 260

84 形状类别 261

85 总结 261

86 参考文献 263

第9章 物体识别 270

91 知识表示 270

92 统计模式识别 274

921 分类原理 275

922 分类器设置 276

923 分类器学习 278

924 支持向量机 280

925 聚类分析 284

93 神经元网络 286

931 前馈网络 287

932 非监督学习 288

933 Hopfield神经元网络 289

94 句法模式识别 290

941 语法与语言 291

942 句法分析与句法分类器 293

943 句法分类器学习与

语法推导 294

95 作为图匹配的识别 295

951 图和子图的同构 296

952 图的相似度 298

96 识别中的优化技术 299

961 遗传算法 300

962 模拟退火 302

97 模糊系统 303

971 模糊集和模糊隶属函数 304

972 模糊集运算 305

973 模糊推理 306

974 模糊系统设计与训练 308

98 模式识别中的Boosting方法 309

99 总结 311

910 参考文献 314

第10章 图像理解 319

101 图像理解控制策略 320

1011 并行和串行处理控制 320

1012 分层控制 321

1013 自底向上的控制 321

1014 基于模型的控制 321

1015 混合的控制策略 322

1016 非分层控制 325

102 RANSAC：通过随机抽样一致

来拟合 326

103 点分布模型 329

104 活动表观模型 337

105 图像理解中的模式识别方法 344

1051 基于分类的分割 344

1052 上下文图像分类 346

106 Boosted层叠分类器用于快速

物体检测 349

107 场景标注和约束传播 352

1071 离散松弛法 353

1072 概率松弛法 355

1073 搜索解释树 357

108 语义图像分割和理解 357

1081 语义区域增长 358

1082 遗传图像解释 360

109 隐马尔可夫模型 365

1091 应用 369

1092 耦合的HMM 370

1093 贝叶斯信念网络 371

1010 高斯混合模型和期望最大化 372

1011 总结 378

1012 参考文献 380

第11章 3D视觉和几何 389

111 3D视觉任务 389

1111 Marr理论 391

1112 其他视觉范畴：主动和

有目的的视觉 392

112 射影几何学基础 393

1121 射影空间中的点和超平面 394

1122 单应性 395

1123 根据对应点估计单应性 397

113 单透视摄像机 400

1131 摄像机模型 400

1132 齐次坐标系中的投影和

反投影 402

1133 从已知场景标定一个

摄像机 403

114 从多视图重建场景 403

1141 三角测量 403

1142 射影重建 404

1143 匹配约束 405

1144 光束平差法 406

1145 升级射影重建和

自标定 407

115 双摄像机和立体感知 408

1151 极线几何学——基本

矩阵 408

1152 摄像机的相对运动

——本质矩阵 410

1153 分解基本矩阵到

摄像机矩阵 411

1154 从对应点估计基本矩阵 411

1155 双摄像机矫正结构 412

1156 矫正计算 414

116 三摄像机和三视张量 415

1161 立体对应点算法 417

1162 距离图像的主动获取 421

117 由辐射测量到3D信息 423

1171 由阴影到形状 423

1172 光度测量立体视觉 426

118 总结 427

119 参考文献 428

第12章 3D视觉的应用 433

121 由X到形状 433

1211 由运动到形状 433

1212 由纹理到形状 437

1213 其他由X到形状

的技术 439

122 完全的3D物体 440

1221 3D物体、模型以及

相关问题 440

1222 线条标注 441

1223 体积表示和直接测量 443

1224 体积建模策略 444

1225 表面建模策略 446

1226 为获取完整3D模型的

面元标注与融合 447

123 基于3D模型的视觉 451

1231 一般考虑 451

1232 Goad算法 452

1233 基于模型的亮度图像

曲面物体识别 455

1234 基于模型的距离

图像识别 456

124 3D场景的2D视图表达 456

1241 观察空间 456

1242 多视图表达和示象图 457

1243 作为2D视图结构化

表达的几何基元 457

1244 利用存储的2D视图显示

3D真实世界场景 458

125 实例研究——由未组织的2D

视图集重建3D 460

126 总结 463

127 参考文献 464

第13章 数学形态学 470

131 形态学基本概念 470

132 形态学四原则 471

133 二值膨胀和腐蚀 472

1331 膨胀 472

1332 腐蚀 474

1333 击中击不中变换 476

1334 开运算和闭运算 476

134 灰度级膨胀和腐蚀 477

1341 顶面、本影、灰度级

膨胀和腐蚀 477

1342 本影同胚定理和膨胀、

腐蚀及开、闭运算的

性质 479

1343 顶帽变换 480

135 骨架和物体标记 481

1351 同伦变换 481

1352 骨架和最大球 481

1353 细化、粗化和同伦骨架 482

1354 熄灭函数和最终腐蚀 485

1355 最终腐蚀和距离函数 486

1356 测地变换 487

1357 形态学重构 488

136 粒度测定法 489

137 形态学分割与分水岭 491

1371 粒子分割、标记和

分水岭 491

1372 二值形态学分割 491

1373 灰度级分割和分水岭 493

138 总结 494

139 参考文献 495

第14章 图像数据压缩 497

141 图像数据性质 498

142 图像数据压缩中的离散

图像变换 498

143 预测压缩方法 500

144 矢量量化 502

145 分层的和渐进的压缩方法 502

146 压缩方法比较 503

147 其他技术 504

148 编码 504

149 JPEG和MPEG图像压缩 505

1491 JPEG——静态图像

压缩 505

1492 JPEG-2000压缩 506

1493 MPEG——全运动的

视频压缩 508

1410 总结 509

1411 参考文献 511

第15章 纹理 514

151 统计纹理描述 516

1511 基于空间频率的方法 516

1512 共生矩阵 517

1513 边缘频率 519

1514 基元长度（行程） 520

1515 Laws纹理能量度量 521

1516 分形纹理描述 521

1517 多尺度纹理描述

——小波域方法 522

1518 其他纹理描述的

统计方法 525

152 句法纹理描述方法 526

1521 形状链语法 526

1522 图语法 527

1523 分层纹理中的

基元分组 528

153 混合的纹理描述方法 530

154 纹理识别方法的应用 531

155 总结 531

156 参考文献 532

第16章 运动分析 537

161 差分运动分析方法 539

162 光流 542

1621 光流计算 542

1622 全局和局部光流估计 544

1623 局部和全局相结合的

光流估计 546

1624 运动分析中的光流 546

163 基于兴趣点对应关系的分析 549

1631 兴趣点的检测 549

1632 兴趣点的对应关系 549

164 特定运动模式的检测 551

165 视频跟踪 554

1651 背景建模 554

1652 基于核函数的跟踪 558

1653 目标路径分析 562

166 辅助跟踪的运动模型 566

1661 卡尔曼滤波器 567

1662 粒子滤波器 570

167 总结 573

168 参考文献 575

词汇 581

🌹🌹🌹人工智能的“慧眼”——机器视觉技术💫

🍅机器视觉在电气工程和工程数学中的应用十分广泛，而这两门课程在大学阶段是有的专业必修课程，机器视觉在应用过程中识别图像，🌺也就是计算机视觉系统的工作识别图像过程，都要借助大数据的可视化分析和计算机在神经元领域的研究，而机器视觉则运用机器来观察图像📸，从而传导计算机识别。那么一起来看看到底是如何识别的呢💕💕！

一：🍅提取图像特征📸

🌺🌺🌺机器视觉系统分为硬件设备和软件算法两部分，一组图像进入计算机的机器视觉系统会有计算机的特定器件来进行一些预处理，当然这处理的过程也分为许多步骤，但总的来说需要先通过特征提取来达到第一步的计算机视觉初层的识别效果📸。

二：🍅连接大数据进行对比，再进行计算机网络深度提取💕

🌺🌺🌺计算机系统会通过对提取特征的一些模型预测写出一些编码来形成一些主要的图像识别，进入21世纪，那益于我们互联网的发展和一些数据的信息的提升。机器的一些识别图像的方法也更加简便，但总是要由计算机视觉系统来进行多规模的处理，👁‍🗨👁‍🗨👁‍🗨机器自动从一些海量的一些中总结出物体的特征，网络系统会进行大幅度的详细识别，然后在总结了一些事物的基本特征以后，就会借助计算机的视觉技术然后进行进一步的神经网络图像识别📸，但在这之前，计算机中需要有大量的信息匹对输入的信息⏰。在电脑系统的视觉第一层管理下，摄取最边缘的部分，然后在计算机的神经操作下，神经系统中的深度网络继续提取更加复杂的结构。最后再把整个结构提取，然后再输出对比。但是有一些计算机的输出图像跟你所搜索的图像视觉不一样，这样的技术，在医学生活和军事都有显著的应用💕💕💕。

三：🍅仿照眼球识别图像原理，传达信息💕

🌺🌺🌺归根结底，我们是通过计算机的网络识别来传达机器视觉的应用，通过深度的计算机网络，来识别一些图像📸，在当今时代技术突破下，人脸识别甚至能做到百万分之一的误差。可见技术识别图像的技术已经发展到了一个很高的层次，总的来说我们机器的图像识别和人类的眼球图像识别原理相近。它的发展和研究也是以人类眼球识别图像的方式作为铺垫，而发展技术的进步，会使得机器识别的难度大大降低，从而更多的应用于生活💕💕💕。

🍅总的来说，机器视觉在应用过程中识别图像可以分为以下步骤。第一，首先要提取基本的信息特征来在数据库中进行对比，其次要在庞大的大数据库中进行数据的分析📸，提取一些特殊的特点，最后要通过对图像分类的重复处理，来找出大数据中与其图像最相近的图像。得益于互联网时代的高速发展🌺🌺，现在的机器视觉在识别的过程中，有的错误率已经降到了百万分之一⏰，在未来的发展中有望达到机器识别完全零误差的程度🌼🌼🌼🌼。