移动图像（精选7篇）
移动图像 篇1
美国合并医疗保健公司开发了一项移动新技术, 即帮助医护人员和病人用iPhone手机或iPod触摸屏来查看医学数字影像资料, 如计算机断层扫描 (CT) 、磁共振成像 (MRI) 、X射线和其它图像等。
该项移动医疗技术旨在帮助医疗机构和医生改进服务质量, 降低成本, 改善医患之间的关系。目前, 放射科的医生将进入门诊医疗图像的计算机连接到自己的实践管理或图片归档及通讯系统 (PACS系统) , 在应用的基础上通过美国苹果公司的iPhone或iPod合并移动技术, 进行移动医疗, 从而使先进的医疗影像资料在指尖上就可进行操作。
移动图像分割方法研究 篇2
1 移动图像分割方法
在移动图像中自动进行图像分割的方法分两步进行,第一步是利用时间域信息捕捉到移动物体并取得移动物体的大致位置,第二步是在移动物体的大致位置上利用空间域信息精确地提取移动物体的轮廓。
1.1 时间域算法
时间域算法的流程如图1所示。
1.1.1 检测位移矢量
检测位移矢量是指图像随时间变化在X,Y方向的位移分量。检测位移矢量的方法通常采用像素递归法和块匹配法。本文介绍的是块匹配法(Block Matching Algorithm),其做法是将图像分割成16×16像素大小的匹配块,然后利用相邻两帧图像的差异来检测每个匹配块的位移矢量。图2为利用块匹配法检测位移矢量的示意图。其中ft为当前帧图像,f0为前一帧图像。Dij作为测试匹配度的评价函数表示如图2所示。
1.1.2 确定轮廓候补块
为了提取动物体轮廓,首先应找到包含轮廓的匹配块,做法是先排除肯定不包含轮廓的匹配块,留下可能包含轮廓的匹配块,称之为轮廓候补块。分析移动物体的特征可以看出,移动物体的轮廓必然产生在位移矢量发生变化的地方,无论是从大变到小或者从小变到大。如果将位移矢量大的块称为移动块,位移矢量小的块称为静止块则可以说轮廓发生在移动块与静止块分界的区域。
根据以上的判别规则,判断某一匹配块即待定块是否为轮廓候补块的步骤是检测它的相邻块的情况如图3所示。当待定块的周围一个移动块也没有时,或者当待定块的周围全为移动块时则认为这不是轮廓候补块如图4(b)所示,否则为候补块如图4(a)所示。(箭头表示位移矢量,带箭头的块表示移动块。)
1.2 空间域算法设计
为了提高图像分割的速度和鲁棒性,空间域算法采用基于活动轮廓模型的多分辨率分割算法。在低分辨率图像下,用活动轮廓得到物体边缘的近似估计,以此作为高分辨率图像下的初始轮廓,用上述方法进一步更新轮廓模型,直到收敛到物体的边缘。
设原始图像I0大小为2N×2N,最低分辨率图像IS大小为2N-S×2N-S,在I0上给定一由2M个节点组成的初始轮廓,其在IS上的投影是一个由2M-S个节点组成的轮廓。
本文的多分辨率算法是:
(1)从I0到IS建立一个图像金字塔。
(2)在I0上给定一初始轮廓Vint,并将其投影到IS上得到V*S+1。
(3)在IS上以V*S+1作为初始轮廓,利用第二节的方法对其更新,直到在该分辨率下收敛到物体边缘V*S。
(4)设P=S-1,在IP上以V*P+1的投影作为初始轮廓,计算V*P。
(5)令P=P-1,重复第(4)步,直到P=0。
由于在低分辨率图像下活动轮廓的节点数少,使得计算量小,同时,在低分辨率图像下,收敛的活动轮廓已大致接近物体的边缘,因此,在高分辨率图像中活动轮廓达到收敛所需要更新的次数少于传统的活动轮廓,使得分割速度得到提高。
2 移动图像分割方法应用
本文方法能对任意复杂(如含有凹形、尖形部分)物体、任意拓扑结构的物体进行有效分割,分割速度快,分割的结果与活动轮廓的初始位置无关。能大大提高图像分割性能。车牌识别具有自动、快速、准确地进行图像分割的特点,是该思想的一个典型应用。当然,在对其进行图像分割处理的同时,如能充分利用计算机视觉(Computer Vision)技术和人工智能技术和人工神经网络技术,效果将会更好。
3 结束语
随着MPEG-4、MPEG-7等一系列新的图像和视频信号压缩编码国际标准的出台,移动图像分割日益显示出了其广泛的实用性,它使图像的有效压缩,快速检索等成为可能的同时,也在其他领域如自动收费系统、不停车缴费、失窃车辆的查寻、停车场车辆管理及其他检测和识别领域等起着举足轻重的作用。本文针对移动图像的图像分割,采用时间域信息捕捉移动物体,然后利用空间域信息进行细致的分割,提出了一种新颖又实用的移动图像的分割方法,具有较好的使用价值。
参考文献
[1]Du Yu-ren,Zhou Ai-jun,Yuan Feng.Moving Object Detection for Video Monitoring Systems.Proceedings of20078thInternational Con-ference on Electronic Electronic Measurement&Instruments,Xi’an China,Aug,2007,2(2):814-817.
[2]杜宇人,高浩军.基于车辆轮廓定位匹配的车型识别方法[J].扬州大学学报:自然科学版,2007,10(2):62-65.
[3]沈洁,杜宇人,殷玲玲,等.图像边缘检测技术研究[J].信息技术,2006,10(179):133-137.
[4]Kim M.et al.Automatic Segmentation of Moving Objects in Image Sequences Based on Spatio-temporal Information[J].IEEE Trans.On CSVT’1999:1216-1226.
[5]高浩军,杜宇人.基于背景重建的序列图像车辆目标检测方法[J].扬州大学学报:自然科学版,2007,10(1):55-58.
移动终端的图像快速加密方法研究 篇3
关键词：移动,终端,图像,加密,算法
0 引 言
随着移动互联网技术的快速发展,智能手机已成为人们的日常生活和办公必不可少的工具。如何有效保护各类移动智能设备上的敏感信息,特别是一些隐私图片的防泄密措施是当前移动终端应用中急需解决的技术问题。
近年来有关桌面系统的图像加密技术研究已趋成熟,然而直接将传统的桌面图像加密方法直接应用于移动终端,则将遇到如下问题。首先,移动终端与传统台式机相比,其可配置硬件设备的空间受限太多,造成移动终端的CPU性能不如传统台式机强劲; 其次,移动终端的内存容量有限,可扩充余地小,造成快速计算能力无法与台式机相比; 第三,由于移动终端的主要应用场景是碎片化事务处理,操作切换频繁,因此用户的体验要求远高于台式机。
基于上述分析,对图像加密而言,若简单地把台式机的加密算法程序直接应用于移动终端是不现实的,这也是当前移动终端图像加密成为热门课题的原因之一。移动终端中的图像加密涉及三个方面基本需求: ( 1) 在移动设备中的本地存储加密; ( 2) 图像的无线网络传输过程加密; ( 3) 移动终端接收第三方传输过来的加密图像的解密。同时,移动终端图像加密最为关键的是应用方便性,即用户体验的需求。上述四个问题构成了移动设备图像处理的基本需求。如何满足移动设备中图像加密的需求,本文为此进行了相关实验和研究。
从用户体验需求出发,如采用传统台式机的文件加密形式, 用数据加密标准DES( Data Encryption Standard) 等,按文件方式对图像进行加密,但由于加密后不再是图像文件,这对普通移动用户会带来体验度较差的感觉。因此,移动终端中图像加密后应该还是图像文件,以便于用户识别,通常采用空域和频域加密方法,因为加密后仍然是图像文件。
由于移动终端通常属于个人使用物品,其隐私性突出,对其中存储的信息私密性要求高。若仍采用传统意义安全保密措施,极有可能影响移动终端的使用便利性,从而失去移动终端特有的优势,如处理公务的移动办公和个人移动阅读交叉进行的碎片化时间利用等新行为。可能因为顾虑信息安全而被放弃, 失去了移动终端应有的优势,这显然是因咽废食的举措。因此, 研究保护移动终端的信息安全的新措施、新方法是近年来移动信息安全领域的热门课题,也是本文作者在实际应用中遇到的新需求。
一般来说,频域加密比空域加密的效果更安全,特别是在抗JPEG压缩方面的稳健性更好些,但空域加密方法因算法直观、 简单而得到更广泛应用。对于移动终端上使用的图像加密措施而言,用户可能更关注的是在相当加密措施下的操作方便性,即更注重对加密效率的追求。
为此,基于对移动设备中的图像加密安全等级和加密效率综合考虑,本文提出一种快速空域置乱和序列加密方法,以实现移动终端中图像的无损加、解密。
1 图像加密方法概述
图像加密方法原理主要有像素置乱加密及用密钥流进行异或运算的序列加密两种主流方法。常用的空域置乱是对图像的像素坐标按某种规则进行变化,使其表现出伪随机混乱,当需要解密时又能完全恢复其原像素坐标。若对上述置乱变换或映射产生的规则序列进行异或运算,就称之为序列加密。目前常用的图像加密都采用混合方式,以实现一次一密,Shannon在理论上已证明,一次一密的方法是最安全的方法[1]。
1. 1 Arnold 图像置乱算法
图像的像素坐标置乱方法现已比较成熟的有混沌、幻方和Arnold等多种变换方法。Arnold变换是其中最常用的图像置乱算法[2],该算法只适用于像素点为N × N的图像,其最大特点是具有周期性。当采用Arnold算法对像素坐标经过若干次变换后,图像又恢复到原始状态。目前尚未从数学上证明其周期性依据,但可用实践证明其周期性是显著和有规律的,变换周期只与像素N的大小有关。
Arnold变换的算法原理是构造一个两行两列的变换矩阵A,用A与原坐标点( x,y) 相乘得到变换后的中间坐标点( m,n) , 再通过取模运算,得变换后到的坐标点( x',y') 在原图像坐标范围内,该模为最大像素数N 。Arnold变换的定义及数学表达式如下:
对任意N × N矩阵中点D( x,y) ,其中x、y为矩阵点元素D的初始下标,经过Arnold变换后为点D'( x',y') ,且满足下式:
对于数字图像来说,可以将其像素点排列看作是个矩阵。每个像素点由灰度值或R、G、B三个分量值组成。R红色,G绿色, B蓝色。对图像坐标置乱其实是对像素的灰度值或RGB值位置进行移动,即将原来的灰度值或RGB值的坐标 ( x,y) 移到另一个坐标点( x',y') 上,且移动后的坐标应该在原图像坐标范围内。
对于M × N( M ≠ N) 图像而言,Arnold变换将会产生超出或不满足一一映射关系,以3 × 2图像为例,点( 0,0) 和( 2,1) 映射为同一点( 0,0) ,因此标准的Arnold变换不适合宽高不等的图像[3],必须将其裁切成若干各正方形图形才能进行该变换。 实际上Arnold变换可看作是对图像的拉伸、压缩、折叠及拼接的过程。
1. 2 图像序列加密算法
在传统的迭代乘积密码系统中,如Arnold变换矩阵的主要任务就是对图像数据块中的元素进行置乱,使得加密图像看起来是随机产生的。但由于置换矩阵是预先确定的,则特别容易受到差分密码分析的攻击,其保密性不高。最关键是不符合现代密码体制的柯克霍夫斯( Kerckhoffs) 准则[4]。该准则认为: 一个安全保护系统的安全性不是建立在它的算法对于对手来说是保密的,而是应该建立在它所选择的密钥对于对手来说是保密的,即使密码系统中的算法为密码分析者所知,也难以从截获的密文推导出明文或密钥。一句话: “一切秘密寓于密钥之中”。
基于混沌动力学系统的图像加密技术[5]近年来得到快速发展,其原理是将文件数据流的加密方法与图像置乱技术相结合,利用混沌信号来对图像数据流进行加密,对Arnold变换产生的序列进行异或运算,是加密图像具有很好的混沌分布特性, 且完全满足Kerckhoffs以及一次一密准则。
以Arnold变换算法为例,记Z[k]( k = 1,2,…) 为某个加密序列,则式( 1) 、式( 2) 可改写为如下表达式:
基于密钥的序列加密与置乱加密相混合对图像进行处理, 其产生的文件仍然是图像文件,但图像加密排列的安全性会有极大提高。以密钥作为参数能够唯一地确定排列的性质,且基于密钥的排列即可在空域实现,也可在频域进行,排列变换可以是局部或是全局的。
2 移动终端的图像置乱加密
对目前大多数移动用户而言,图像加密的安全性和性能是并重的,为此,本文提出的移动终端图像加密方法四项选择原则是: 1从原理出发,应符合Kerckhoffs以及一次一密准则; 2从效果来看,加密的安全性能抵抗绝大多数普通黑客的解密技术; 3从应用角度而言,能满足用户的方便、快捷加解密使用体验; 4对加密工具制造者来说,选用的加密算法是公开并经过实践检验的,且易于实现。
基于上述四项选择原则,本文对空域和频域的各种置乱和序列加密方法进行比较,如正交拉丁方、幻方、Conway游戏、以及Logistic、Chebyshev、DCT等混沌映射及置乱方法进行比较,目的是选择适合移动终端使用的图像加密方法。
在各种方法测试过程中发现,像混沌变换、仿射变换的空域加密算法实现较为简单,不需要进行空域到频域的变换,计算量相对较少,虽然频域算法比空域的局部随机置乱效果更好。因此得出在移动设备的图像加密采用计算量较小的空域置乱算法。在各种空域置乱算法中,为了提高加解密速度,经试验认为Arnold变换的周期性是提高解密性能的可利用特点,据此设计了基于Arnold变换与混沌序列置乱相结合的移动终端图像加密工具。
目前移动终端获取和保存的相片大多数都为彩色图像,对于文字稿转换过来的图像文件用灰度值表现也足以满足识别需求,且在移动办公业务中占有相当大比例。因此,当用手机或平板电脑将文稿拍成照片保存的彩色图像,可以用图像彩色转灰度的心理学公式[6]:
实际工程应用中对计算系数采用取整后也足以满足实际需要,如下式:
采用式( 6) 对彩色文稿图像进行灰度处理后,由于将RGB三色值转换为单个灰度值,可以简单认为提高2 /3的加解密速度,且可同比例减少图像的传输流量。在移动终端单纯采用Arnold变换由于不符合Kerckhoffs准则,故在实际应用中对式 ( 1) 和式( 2) 进行改进,加入密钥 ( ku,kv) 后的算法公式如下:
采用具有密钥的Arnold变换可以实现置乱算法与密钥分离。该方法直观简便,密钥取值范围大,抗攻击性强,安全性大大提高。对于彩色照片的处理,方法上与黑白照片是相同的,不再一一赘述。
在实际应用中,对于N阶Arnold置乱的第n次变换矩阵为An见下式:
对应解密的n次逆矩阵A - n求解比较麻烦,在此可以利用Arnold变换周期的庞加莱回复性[7],图像经一定次数的Arnold变换会恢复原图。如一幅256 × 256数字图像的Arnold变换的周期为192,对此图像先做92次的Arnold变换后得到加密图像。再对加密图像做100次的Arnold变换就会恢复原图,如图1 - 图3所示。
Arnold变换的周期T与阶数N关系[8]如表1所示。
因此,对Arnold变换的n次逆矩阵A- n求解可以利用周期性,计算逆矩阵A- n等同于计算矩阵N此矩阵,即如下式所示:
推导过程如下: 设Arnold变换的单位阵为:
由上述推导可知: A- n= AT - n,即对求逆矩阵A- n可转化为求正向矩阵AT - n。同时可知,在变换置乱加解密过程中,并不需要每次都对实际图像逐次进行运算,加密只需用矩阵An对像素点进行置乱运算,且只需对图像进行AT - n运算即可得到复原图像。由于矩阵An和AT - n都可以通过预先计算后存入数据表中, 在实际应用中只要查表即可得知置乱和解密矩阵,由此实现了移动终端快速图像加解密工作。
3 图像快速加密实验与分析
3. 1 图像加密算法实验过程简介
本次移动终端的图像加解密实验过程如下: 首先在台式计算机上进行图像像素位置点置乱的传统Arnold算法实验,以此验证Arnold加解密变换周期的庞加莱回复性; 其次进行基于Logistic混沌序列映射的图像灰度值加解密技术实验,以此验证一次一密的可操作性; 接着进行基于像素位置点置乱和像素灰度值混合应用的图像加解密实验。在完成上述试验后,将图像加解密程序移植到移动终端的Android操作系统上进行实验, 最后采用本文提出的改进算法完成在移动终端上的实验,取得了实验成功,具体实验过程分析如下。
图1 - 图3即为Arnold算法加解密变换周期的测试结果, 实验验证了Arnold算法的庞加莱回复性。从图2中可以看出, 加密后图像的均匀性较差,明显带有斜格纹路。对于图像加密效果而言,加密后的图像灰度直方图越均匀,安全性效果越好。 而实验结果证明,仅对图像像素位置变换的Arnold算法不能满足移动终端的图像加解密要求,为此接着对图像像素灰度值,以及图像像素位置和灰度值混合进行了Logistic混沌序列加解密的实验。限于篇幅,本文省略了对纯图像像素灰度值的加解密实验分析,直接介绍和分析图像像素位置和灰度值混合加解密实验过程。
基于Logistic混沌序列加密算法的原理是等同于文件的一次一密的序列加解密方法,将一个密钥序列与图像的参数值进行异或运算,图像参数主要指像素位置和色度值两部分,这两个参数值的混沌加密可以采用如下式表达:
其中,G'( x,y) 和G( x,y) 分别是序列加密图与原图在点( x,y) 位置处的灰度值,同理对彩色RGB图像也成立。解密算法做相同的对称异或,如下式:
举例,若在点 ( x,y) 位置处的像素灰度值为8位的二进制值DE( 1101,1110) ,设同为8位的序列值FF( 1111,1111) ,经加密式( 11) 运算,异或结果值为21( 0010,0001) 。用式( 12) 对21和FF进行异或解密运算,则恢复原值DE。依据式( 11) 和式 ( 12) ,对图1像素位置和灰度值参数进行序列加密运算,序列异或操作后得到的图像如图4所示。
对比图2与图4中的加密图像部分,可以看到,图4中加密后的图像混沌效果均匀,没有明显斜格纹路。由此可以得知,图像像素位置和灰度值混合的加密方法优于图像单一参数值的加密算法。以上实验结果是在台式机进行的,然后将此算法移植到移动终端上进行实验,加密效果与图4效果相同。
在移动终端进行的像素位置和灰度值混合的图像加密实验后得知,虽然从加密后的图像均匀度上能得到较为满意的结果, 从效率上也能满足移动用户的体验要求,但由于受到图像参数值大小的制约和移动终端设备内存配置的制约,密钥量不能过大,在计算机运算速度飞速发展的当下,其抗遍历穷举破译能力是相当弱的。若加大密钥序列长度,又将造成图像数据量增大, 占用移动终端有限的内存及消耗过多的通信流量。为此,需要改进这一算法以提高加密效率。
3. 2 提高图像加密效率方法的分析
在移动终端上对Logistic映射图像加密技术的实验发现,其具有密钥敏感性强、可抵抗各种攻击、安全性高等优点。但也发现存在一些缺点,当像素值和位置的置乱分步实施时,加密时间上会相对比较长。这对于在移动终端的用户体验效果不很理想,且传统的Logistic混沌序列加解密的算法在像素位置置乱时,需要在移动设备中开辟了3倍的图像像素总数的内存数组。 其中,像素置乱需要原图像的一倍内存,然后再进行像素位置置乱又需要一倍内存才能实现加密图像功能,传统logistic映射图像加密流程如图5所示。
这对于在移动终端设备中加密一张高密度像素点的图像而言,发生内存溢出的可能性很大。因此基于传统的台式计算机上采用的混沌Logistic映射图像加密算法未经改进直接在移动终端上实施几乎不可行。
且对实验过程分析中发现,加密的时间效率与算法执行顺序有关,实验中的像素值和位置的两步置乱算法影响了加密效率。为此进行算法优化,把像素和位置的两步置乱流程合并为一步进行,将原需3倍图像像素总数的数组内存压缩为1倍的数组内存。
由于数字图像的每个像素点都是由ARGB组成。而透明度值A通常整个图像都相同,范围为0 ~ 255。由此可选取透明度值A作为像素位置置乱过了的标识,若经混沌置乱,则A变为AT。采用如此设标志位算法,即不需要同单独开辟数组内存来做标识,以实现节省移动终端内存开销的效果。基于混沌的Logistic映射图像加密技术的改进算法流程如图6所示。
3. 3 图像加密效率的改进算法
基于上述对提高图像加密算法效率的分析,具体实验中的改进加密算法步骤如下所述:
( 1) 对于一幅M × N的数字图像进行加密,需要把这M × N个像素点放入一维的数组A中待后续的处理。
( 2) 由于每幅图像的透明度值是一样的,所以任意获取一个像素的透明度值赋给alpha变量作为像素点位置已置乱过的标志位。
( 3) 对于一维数组A中的像素A[i]而言,首先判断其透明度值是否为alpha。如果等于alpha,则此像素点之前未进行位置的置乱,对其进行步骤( 4) ,如果不等于alpha,则跳过它,对A[i + 1]进行上述操作。
( 4) 对于一维数组A中的像素A[i]并且透明度值为alpha而言,需要通过Logistic映射出一个置乱的位置x( m) 。如果A[x( m) ]的透明度值为alpha并且x( m) 不等于i,则A[i] 与A[x( m) ]进行位置交换。
( 5) 在位置交换后,通过Logistic映射出值y( n) 一并对A[i]和A[x( m) ] 进行像素值异或置乱,在置乱后还要改变A[i]与A[x( m) ]的透明度值不为alpha。
( 6 ) 若A[x( m) ]的透明度值不为alpha或者x( m) 等于i , 则继续通过Logistic映射出一 个置乱的 位置x( m) ,直到A[x( m) ]满足上述的要求。
通过上述反复迭代算法,实现了一倍数组内存的移动设备中的图像像素值与位置的双重置乱加密。
3. 4 图像加密改进算法实验结果分析
在移动设备实现改进后的图像加密算法实验中得知,在不失加密步骤完整性的情况下,由于整个加密改进算法过程中只增开了一个一维数组A ,大大减少了内存的消耗。整个算法一步就完成了像素值与位置的双重置乱,相对于之前的两步运算, 减少了移动设备的CPU运算时间,以及加解密算法所需的内存空间,由此提高了移动图像加密效率,改善了移动终端的用户体验。
此实验选择在一款国产品牌低端手机上进行,双核1. 2 GB,内存为1 GB。不同性能的移动终端结果会有所不同。实验表明,改进后的算法大大减少了对移动终端的空间和时间需求, 更适合在移动终端的应用。
具体实验结果见表2。改进前,设图像像素为N ,需要内存空间为像素点的3倍; 改进后,内存空间只需像素点的1倍内存空间。改进后算法与未改进算法在图像大小N与加密时间T的实验结果对比如表2所示。
单位: ms
从上述实验中可以清楚的看到,改进后的算法更适合在移动设备上使用,特别是能满足各种性能手机的应用。目前该算法已实际应用于电子政务等对安全性能有一定要求的场合,接下来将进一步推广至普通消费群体。
上面对移动终端上使用的Logistic映射图像加密技术的改进算法进行了介绍,对于在移动终端上接收加密图像的加解密方法在此仅做一简介。
按照“一次一密”以及密文与密钥分开原则,本文技术上采用后台加密图像服务器与密钥文件服务器分开管理,通过不同的通信方式和移动终端的接收渠道,获取加密图像和密钥,以符合Kerckhoffs准则。
由于在移动终端和后台服务器端,图像均为加密状态,且在无线或有线网络传输过程中,图像也均以加密形式传输,以实现图像信息的本质安全目的。
4 结 语
移动图像 篇4
关键词：VB编程,鼠标拖动,大图像
1 算法分析
1.1 如何移动
在Picture控件中显示的图片,实际上是由若干个像素点构成,这些像素点排列成若干行和若干列,形成一个矩形区域,也就是Picture控件的内部工作区域。如果图片尺寸大于控件的内部工作区域,只能看到图片的一部分,相当于在图片上取了和控件的内部工作区域大小相同的一矩形块显示在控件中。如果能按鼠标移动的轨迹,不断地从原图片中取出要显示在控件中的那部分矩形块,即可实现鼠标移动图像的功能,上述分析用图形来表述如图1所示。
1.2 坐标的确定
A点坐标和B点坐标是原始图片中的坐标点,在实际操作中,由于可获得的坐标值是控件内部的坐标,因此必须对这两个坐标系统进行转换。假设在Picture控件中的a(x1,y1)点按下鼠标左键,按住并移动到b(x2,y2)点,那么鼠标移动的距离为:
在X坐标方向上:△x=x2-x1
在Y坐标方向上:△y=y2-y1
同样,可认为鼠标是在原图上移动了相同的距离,即:在X坐标方向上移动了△x,在Y坐标方向上移动了△y。设Picture控件所显示的图形块是原图片左上角的一片区域,即图1中的初始位置(原图片的坐标原点O(0,0)上),在Picture控件中鼠标移动了一段距离(△x,△y),在原图片中也同样移动了相同的距离到达A点,那么A点在原图片中的坐标值即为:(△x,△y);如果鼠标再在Picture控件中移动一定的距离(△x1,△y1),在原图片中也同样移动了相同的距离到达B点,那么B点在原图片中的坐标值即为:(△x+△x1,△y+△y1),依此类堆。
由此可见,在原图中坐标点的确定是由鼠标在Picture控件中移动的距离而定的。从每次在Picture控件中按下鼠标左键移动的距离,即可得到原图中鼠标移动的轨迹(即各个坐标点值),并根据这个轨迹来获得图像移动的效果。
1.3 平滑移动
如果把上述的移动距离△x或△y取值为1,即按一个像素点一个像素点来移动,理论上应该是平滑移动,但实际操作上是无法做到的。一是这样做运算量太大,每移动一个像素点就要在原图片中取出一个矩形块重画Picture控件,难以实现;二是人操作鼠标时会发生抖动的情况,实际效果也是抖动的。解决这个问题可利用计时器平均时间,即每隔相同时间取一次坐标值的办法来实现平滑。当然这个时间间隔不能太小,也不能太大,通过实验发现其取值在20～80ms之间效果较好,这与机器的运算速度和Picture控件显示区域大小有关,可通过具体测试而定。
2 界面设计
新建一个工程,在窗体中放入两个图片框控件Picture1和PicL,Picture1用于显示图片内容,PicL用于装入原始图片;一个计时器控件Timer1;一个通用对话框控件CD1;两个命令按钮Command1和Command2。
3 程序代码
4 结束语
在程序中用到两个API函数,StretchBlt函数用于将一幅位图从一个设备场景复制到另一个设备场景。在复制前,语句Picture1.Picture=LoadPicture()不可少,用于设置Picture1的设备场景。GetCursorPos函数用于获取鼠标指针的当前位置。
参考文献
[1](美)Rogers D F著.计算机图形学的算法基础.北京:机械工业出版社,2004-03.
[2]马靖.利用API增强VB的图像处理功能.北京:微计算机信息(测控仪表自动化),2003(9).
移动图像 篇5
智能视频监控系统, 是实现监控场景中的运动目标检测的监控系统, 通过对摄像机或传感器采集来的视频图像进行自动智能的分析和处理来实现[1,2,3]。在传统视频监控系统中, 存在及时性差和效率低的问题, 而这些问题都是由于人为因素造成的, 所以, 智能视频监控系统的产生, 很好解决了以上问题的发生。
1 系统总体设计
智能视频监控系统主要功能:视频数据采集——数据处理——画面显示——存储——异常情况报警——远程数据传输。在智能视频监控系统中, 本文所研究的视频监控移动目标检测系统只是其中一部分, 要求能实现视频数据采集、图像数据处理、实时结果显示等功能。系统的总体结构 (图1) 。
2 系统硬件设计
2.1 系统硬件构成
系统开发平台:Altera DE2;系统核心处理芯片:CycloneⅡEP2C35F672C6, 用于实现视频图像的实时采集及目标检测与跟踪, 系统硬件构成框图 (图2) 。
(1) 系统通过ADV7181B将摄像机输出的视频信号解码成ITU-R BT.656标准的YCb Cr4:2:2格式的数字视频信号;
(2) 存储时, 需通过FPGA转换成RGB格式数据, 存入SDRAM图像存储空间;
(3) 图像处理模块由DMA控制器从SDRAM中读取图像送入SRAM并进行处理;
(4) 处理后的数据使用ADV 7123对数字信号进行转换, 转换为模拟视频信号后输出到VGA显示器上, 视频解码芯片由FPGA构建的I2C总线配置模块进行初始化和控制, 系统CPU由NiosⅡ软核下载到FPGA实现, 系统上电后由EPCS16进行引导和配置, 系统主程序储存在FLASH中[4]。
2.2 视频输入及显示模块
由ADV7181B、I2C ADV Config两个模块组成视频输入, CCD摄像机将采集到的PAL制式模拟视频信号, 通过BNC接头输入到ADV7181B视频解码芯片中, 对于输入的模拟视频信号, 该芯片是能够自动识别, 通过内部3个54MHz高速ADC完成A/D变换, 输出标准的数字信号, 系统对ADV 7181B内部寄存器通过I2C ADV Config模块进行相应配置, 使解码输出为8位串行信号, 视频输入部分模块框图 (图3) , ADV7181B电路原理图 (图4) 。
2.3 NiosⅡ系统模块
使用SOPC Builder工具生成NiosⅡ系统模块, 包括32位嵌入式软核处理器NiosⅡ/s, 产生50/100MHz时钟信号的PLL锁相环, 存放中断向量的On-Chip Memory, 系统程序存储空间Flash及其Tristate Bridge, CPU处理存储空间SRAM及其Tristate Bridge, 直接存取控制器DMA Controller, 下载及调试接口设备JTAG UART、UART, CPU及μC/OS-Ⅱ操作系统的Interval Timer间隔定时器, System ID外设识别符等标准外设, 以及其它自定制逻辑模块, 包括使NiosⅡ能控制视频输入及显示模块、能在SDRAM中读写数据的CCD Controller外设逻辑等。完成的SOPC工程 (图5) , NiosⅡ处理器设置 (图6) 。
2.4 图像处理模块
模块利用QuartusⅡ的Mega Wizard Plug-In Manager工具, 使用Altera提供的LPM库的IP功能模块生成:Gray部分由1个PARALLEL_ADD多路加法模块、3个LPM_MULT乘法模块组成;Threshold部分由LPM_ABS绝对值模块、LPM_COMPARE比较模块组成, 用于实现移动目标提取。图像处理模块完成了移动目标检测的初步操作, 移动目标参数的计算由NiosⅡ通过C/C++算法来完成, PARALLEL_ADD模块设置 (图7) , 图像处理模块框图 (图8) 。
3 检测算法流程
移动目标检测算法:要求从采集的视频序列帧中检测出场景中出现的运动目标, 采集视频图像场景为静止背景, 该系统能够检测出单个或多个移动目标。具体分为以下三个阶段:
第一, 图像预处理:灰度图像转换, 采集图像滤波;
第二, 基于累积差分更新背景减除法:包括背景模型建立与更新, 移动目标提取;
第三, 检测后处理:形态学滤波, 连通分量分析。[5,6]。
4 实验结果分析
对本系统移动目标检测算法, 我们采集一段视频图像进行功能仿真, VGA 640×480像素30帧/秒, 其仿真情况 (图10) 。
图10-1为当前采集的第120帧图像;图10-2为转换为灰度图像;图1100--33为进行滤波后;
图1100--44为当前背景模型。通过上图仿真可看出, 图10-4背景模型较好地消除车辆进入场景留下的痕迹, 可以清楚看到场景区域树叶被风吹动产生的干扰。
5 结语
系统的核心处理芯片采用由Altera公司开发的Cyclone II EP2C35, 设计了一种基于视频监测移动目标检测系统。因为本系统的主要目的是对图像实时采集和移动目标检测, 所以, 对计算机算法的复杂度的要求不高, 并进行相应整改。背景减除法使用在累积差分更新法建立的背景模型中, 可更好适应场景的变化。针对静止的背景, 该系统能够实时有效地进行图像采集与移动目标进行检测。
参考文献
[1]郝菲.智能视频监控系统中运动目标检测与跟踪的研究[D].北京:北京交通大学, 2009.
[2]Collins R, Lipton A, Kanade T.Introduction to the SpecialSection on Video Surveil-lance[J].IEEE Transactions onPattern Analysis and Machine Intelligence, 2000, 22 (8) :745-746.
[3]Valera M, Velastin S.Intelligent Distributed SurveillanceSystems:A Review[C].Proceed-ings of IEEE Conference onVision Image and Signal Processing, 2005, 152 (2) :192-204.
[4]李月静, 谢维成, 石一兴, 等.基于SOPC的实时运动目标检测与跟踪系统[J].重庆理工大学学报 (自然科学) , 2011.
[5]洪子泉, 杨静宇.用于图像识别的图像代数特征抽取[J].自动化学报, 1992, 18 (2) :233-238.
移动图像 篇6
随着经济和社会的发展、“互联网+”的广泛应用及教育观念的更新,我们迫切需要科学、方便、完善的网络型题库管理系统。试题库建设是教育现代化的需要,是考教分离、最大限度提高办学效益的需要,因此,进行区域网络试题库系统的建设和研究具有十分重要的意义。
受限于教材版本和区域应用层面的需求,采购商业化的题库并不能完全满足教育教学的实际要求。手握大量纸质试卷的老师们,迫切需要一个录入神器,方便快捷地将其录入到题库系统里。
利用基于移动终端的图像文字识别技术将文字和图片迅速录入题库是我们在移动端系统开发的应用亮点。它能够大幅提高对质量不高图像的识别率,其关键算法对图像的噪声、亮度明暗不一致和规格凌乱的问题进行了很好的处理。它能够将图像上传到服务器进行在线识别,在识别过程中先对图像进行消噪,然后对亮度进行均衡处理及对图像阈值分割,提高了图像识别的成功率。
●题库采集系统工作流程
题库采集主要分为图像采集、图像识别和标注三个过程。整体的工作流程包括:①系统启动,进入主界面,可选择开始拍摄阅卷或读取设备中已有的图像,如选择拍摄题目,进入图像采集模块,调用移动设备的摄像头进行拍摄,拍摄成功后,跳转至识别界面,如选择读取相册已有图像也跳转至识别界面。②在识别界面上显示出拍摄或者读取的相册图像,首先调用图像预处理模块对图像进行预处理,输出预处理后的图像,然后调用图像校正模块对预处理图像进行校正,输出校正图像,最后调用图像识别模块对校正图像进行识别,输出识别结果。③调用标注模块对识别结果进行分类管理,为题目添加系统属性,如学科、章节、知识点类目、题型、难度系数等标签。图1为题库采集系统工作流程示意图。
●OCR智能模型设计思路
在人工智能领域,模拟人类图像识别活动的计算机程序,人们提出了不同的图像识别模型——模板匹配模型。这种模型认为,识别某个图像,必须在过去的经验中有这个图像的记忆模式,又叫特征模型。当前的刺激如果能与大脑中的模型相匹配,这个图像也就被识别了。例如,有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。图像识别中的模型识别(Pattern Recognition)利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。
那么如何通过模型的学习提高OCR的智能判断水平呢?我们主要从以下三个方面做了实践研究。
1.采集识别优化
(1)二值化处理
二值图像在数字图像处理中占重要地位,其在处理实际图像过程中地位更加突出。要应用二值图像,扫描文档之后的第一步就是对灰度图像根据所选阈值进行二值化处理。二值图像是像素值为0或255的像素点集合,如此一来,图像的数据量大大减少,但图像的基本轮廓信息得以保留。此项的关键是所选取的阈值是否得当,不当则会减弱二值图像的处理效果。常用的阈值选取方法有固定阈值法、平均阈值法、直方图法、Means法四种。
谷歌公司在HP公司Tesseract光学字符识别引擎的基础上做了深度加工,其中对阈值的自适应分类器和两步矫正法的应用大大提高了文本的识别效率。近几年来,百度针对商业运用开发了自然场景OCR API服务,依托百度的OCR算法,提供了整图文字检测、识别、整图文字识别、整图文字行定位和单字图像识别等功能。目前火热的作业帮APP就是基于百度识别API做的延伸产品(如图2)。
(2)图像去噪与矫正
任何一幅原始图像,在其获取和传输的过程中,都会受到各种噪声的干扰,使图像质量下降,淹没其特征,对图像分析非常不利。为抑制噪声、改善图像质量所进行的处理被称为图像平滑或去噪。
图像平滑是用于突出图像的宽大区域和主干部分(低频部分)或抑制图像噪声和干扰(高频部分),使图像平缓渐变,减小突变梯度,改善图像质量的图像处理方法。它属于图像增强的一部分,主要的图像平滑方法有均值滤波、中值滤波、灰度形态学滤波、小波滤波、高斯低通滤波以及统计方法滤波。
已获得的文本图像有些不可避免地会发生倾斜,这样会给后面文字的行切分和列切分以及文字的识别带来困难,所以需要对获取的图像进行倾斜校正。图像的倾斜校正最关键的是倾斜角的检测,我们主要采用平行四边形法进行文本图像的校正(如图3)。根据拍摄者给出的一系列文件位置点,用位置点的坐标结合模型拟合出文本线,根据文本线与水平线之间的差距进行精确恢复,以得到水平分布的文本行。
2.特征提取与建模
特征提取是图像识别的重要步骤,为了保证后续处理的质量,生成的特征要具备描述物体的典型特性,如独特性、完整性、几何变换下的不变性、灵敏性以及抽象性。我们设计的系统的特征模型包括文字特征、图片特征、公式特征等。
提取图像特征关系可以有两种方法:一是对图像进行合理地分割,划分出图像中所包含的对象或区域,然后根据这些区域提取图像特征,并建立索引;二是简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。
图像特征建模的基本原则是根据图像的视觉内容和可获得的指导信息来确定对应的文本语义描述。在图像标注任务中会涉及两种不同的媒体:一是图像,二是文本。这两种媒体具有良好的互补性,可以协作传递信息,正所谓“图文并茂”。由这两种媒体可以产生4种关系,即图像间关系(IIR)、词间关系(WWR)、由图像到词的关系(IWR)和由词到图像的关系(IR)。
3.基于标注模型的学习与训练
我们通常采用两两图像之间的视觉相似性(pairwise similarity)来建立以图像为节点的相似图,但这种方式由于没有考虑到数据集或某个数据子集内的结构分布信息,效果不能令人满意。因此我们引入了第二个以词为节点的图学习过程,用来实现对图像标注的改善。
最常见的是属性相关性,如“李白”是“古诗文”的关系。除此之外,词汇之间还存在多种相关性,如“凸透镜”与“光”之间有着很强的联系,这种相关性不依赖于特定数据集,它是人们在生活中大量知识的积累和反映。当一幅图像已被标为“凸透镜”“光”等词汇后,初中物理作为该图像标注词汇的概率就会相应提升。为了获取这种相关信息,一种方法是从训练数据集中利用已标注词汇间的共生概率来计算词汇间的关系。该方法基于已标注信息,相对准确,但它不能反映更广义的人的知识。于是,我们可以采用另一种方法,利用具有大量词汇的、包含了人的知识的结构化电子词典来计算词汇间的关系。与统计方法相比,词典包括了更加完整的大数据关联信息。由此我们设计了基于标注的模型学习体系(如下页图4),通过提取题目图像的特征点绑定其隐形属性,再与拍摄者提供的显性属性做比对,进行数据建模,并引导系统修正其三大特征库(文字、图片、公式),实现自我学习。
需要注意的是,基于标注信息描述由图到标签的关系,更适合按照多标记分类(multilabel classification)问题来解决。具体而言,假设标注词汇服从多项式分布,由此将图像标注归为多类别分类问题,而题库的分类方式恰恰符合这样的多标记模型(相对固定是显性标签:学科、学段、知识点、章节、难度等)。
●注意事项
1.基于API方式的接入能使产品得到快速开发
例如,当前百度通过专业服务分发平台APIStore开放百度文字识别技术,让开发者可以零成本使用基于移动应用的OCR技术,为开发者创新应用提供了更多的选择。
2.题库特征建模要考虑学科特征
实践证明,文科和理科的题目有着截然不同的特征属性,如语文更注重词汇与语法方面的训练,而数学包含了大量的公式和二维化的图像。往往数学在小学和中学阶段的题目也会表现出不同的特征属性,在建模的同时要注意抽取。
3.未来的方向是要构建基于题库图像模型的题库推送规则
当题库的建构达到一定数量之后,我们要将图像和翻译成的题目都保存下来,再根据拍摄者的需求做相关的推送,根据其使用的情况(如点击率、评价等)再对模型进行修正。
从目前的技术发展角度看,突破性来自于机器语言翻译方面的研究成果:通过一种递归神经网络(RNN)将一种语言的语句转换成向量表达,并采用第二个RNN将向量表达转换成目标语言的语句。而谷歌将以上过程中的第一种RNN用深度卷积神经网络CNN取代,这种网络可以用来识别图像中的物体。此种方法可以实现将图像中的对象转换成语句,对图像场景进行描述。概念虽然简单,但实现起来十分复杂,科学家表示,目前实验产生的语句合理性不错,但还远谈不上“完美”,这项研究目前还处于起步阶段。相信在不久的将来此项发明将应用于教学领域,那么基于云模式下的图像识别系统将得到一个质的飞跃,它也将使图像识别与深度学习更加紧密地联系在一起,最终实现系统对互联网上教育资源摘取和自学习的强大功能。
参考文献
[1]黄明明.图像局部特征提取及应用研究[D].北京:北京科技大学,2016.
[2]刘淼,杨镇豪,谢韵玲,谢冬青,唐春明.Android图文同步识别系统的设计和实现[J].计算机工程与设计,2014(06).
[3]李龙卓.基于形状特征的图像检索技术研究[D].青岛:青岛科技大学,2015.
[4]付芦静,钱军浩,钟云飞.基于汉字连通分量的印刷图像版面分割方法[J].计算机工程与应用,2015(05).
移动图像 篇7
关键词：数字图像相关,移动最小二乘法,应变测量
数字图像相关技术是随着光电技术,视频技术,计算机技术和图象处理技术的不断成熟发展起来的一种非接触式光测力学方法。这种方法最早在20世纪80年代初就被提出并不断发展完善,在实验力学中应用越来越广泛。它通过对物体表面散斑在变形前后的图像进行相关运算来确定物体的位移,再用得到的位移场计算得出应变场。因此精确的位移场计算是得到精确应变场的前提,所以提高测量精度的亚像素位移定位算法被认为是数字相关方法的关键技术之一。为此,Bruck等[1]提出了Newton-Raphson(NR)算法,应用双三次样条插值对亚像素进行重建。Lu等[2]在NR算法中考虑了模板窗口的非均匀变形,引进了二次位移梯度对计算相关系数的影响。芮嘉白等[3]提出了十字搜索算法,将整像素和亚像素定位的二维搜索算法转变成一维搜索,适用于相似系数呈单峰性好的情况,多用于像素级的搜索定位。李善祥等[4]提出了相似系数的曲面拟合算法,具有抗噪声能力强、计算效率高等特点。Peng Zhou等[5]将梯度算法成功应用于实验力学中,该方法易于实现,求解效率高。曲面拟合法和梯度算法不需要对亚像素进行重建,直接进行亚像素位移定位,算法精度高,效率高,在数字图像相关方法得到很好的应用。
潘兵等[6,7]对亚像素位移定位算法的进展做了详细的论述,并对几种主要的亚像素位移测量算法进行了研究对比。文献[6]对主要的几种亚像素定位算法的研究对比表明,NR算法精度较梯度算法高,曲面拟合算法精度最低,且NR算法能同时得到位移应变信息。但NR算法应用了双三次样条插值对亚像素进行重建,计算量大,且在得到应变时受插值误差和图像局部灰度值的影响很大。梯度算法和曲面拟合算法进行亚像素位移定位时误差比NR算法大,但可以经过对该算法得到的位移场进行拟合平滑来减小误差,进而得到比较可靠的应变场。本文尝试应用移动最小二乘法来对梯度算法得到的位移场进行拟合,应用拟合后的位移场计算得到应变场。编制了相应的计算程序,得到了可靠的位移场和合理的应变场。
1 基本原理
数字散斑图像相关技术是根据物体表面的随机散斑粒子在变形前后的概率相关性来确定物体的变形的。数字散斑图像相关技术方法的基本过程是:利用物体表面制作的散斑场或自然散斑场,由CCD采集物体变形前后物体表面的散斑图,根据两幅散斑图像灰度值进行处理,实现表面位移场的测量。这个过程的基本原理是在物体变形前的散斑场中选定一个子集作为参考子集区域,称之为样本子区,然后在物体变形后的散斑场中搜索与参考子集相对应的子集,这个子集称之为目标子区。由概率与统计理论,两个子集相关系数定义为
式(1)中,C为相关系数;f(xi,yj)和g(x*i,y*j)分别表示变形前后在(xi,yj)和(x*i,y*j)点的灰度值。
通过试凑位移法,在变形后的图像上移动目标子区,使样本子区和目标子区的相关系数C取得最大值,便可得到物体变形前后的位移值,进而利用差分运算得到应变值。
2 搜索定位及算法
像素级的搜索定位采用改进后的十字搜索算法。具体算法步骤是:首先定位第一个点时对其位移初值u, v赋零直接进行十字搜索,定位后记下第一个点像素级的位移值,然后把它作为第二个点的位移初值进行十字搜索,以后始终把前一点得到的像素级的位移作为后一点的初始位移进行十字搜索,这样就消除了整个视场的刚体位移,提高了效率。亚像素级位移定位尝试应用了梯度算法。
3 位移场拟合分析
应变是位移的导数,因而数字散斑图像相关技术得到的位移场微小误差将导致应变场的较大偏差。故本文提出在DIC计算得到的位移场后,对位移场应用移动最小二乘法来进行拟合,进而对其进行平滑和去噪,从而得到较可靠的应变场。移动最小二乘法[8,9]的拟合函数可以表示为
f(x,y)=pT(x,y)α(x,y) (2)
式(2)中α(x,y)为待求系数,它是坐标的函数;p(x,y)是基函数,现采用二次基函数,即p(x,y)=[1,x,y,x2,xy,y2]T。α(x,y)的取值应使加权离散范式
取得最小值。所以,令式(3)对α(x,y)的偏导数为零,得故α(x,y)=A-1(x,y)B(x,y)F。则拟合函数表达式
f(x,y)=pT(x,y)A-1(x,y)B(x,y)F (4)
式(4)中:fI(xI,yI)是样点(xI, yI)处的测量值,w(x-xI,y-yI)是样点(xI, yI)处的权函数。
B(x,y)=[w(x-x1,y-y1)p(x1,y1),
w(x-x2,y-y2)p(x2,y2),…,
w(x-xn,y-yn)p(xn,yn)]。
为了得到平滑性好的曲面,采用三次样条权函数,即:
式(5)中,
移动最小二乘法拟合不需要事先确定拟合函数的类型,不需要求解线性方程组,避免了求解方程组时系数矩阵的病态情况,且具有精度高的特点。利用式(4)拟合得到的是去噪和平滑后的位移场,可以提高精确度,减小误差。且拟合的过程,把离散的位移场转变成了全场性的连续位移场。
4 算例
4.1 数值模拟实验
数值模拟生成仿真散斑图是验证和评价数字散斑图像相关技术性能的重要方式,它可以精确控制散斑图的位移和应变信息,还能排除实际图片可能受到的各种噪声干扰。用计算机分别生成了一对既有刚体位移又有均匀变形的图像(如图1;图像大小:256 pixels×256 pixels),位移模式为:u(x)=3.01-0.03(x-20); v(y)=3.01+0.03y;其中x、y的取值范围为:[60,200],用编制的程序计算得到的位移场和应变场如图2、图3。
两张图象行列每间隔10像素取一样点进行搜索定位,然后进行移动最小二乘拟合样点位移值。利用拟合后的位移场进行差分运算得到应变场。如图2和图3。由图2和图3中的(a)、(b)图可以看出拟合后的位移场平滑性好,与预先施加的随轴向坐标线性变化的位移场分布十分吻合。如图2和图3中的(c)图所示,均匀应变的应变场在整个区域是一个常量,从(c)图中可以看出,本文提出对位移场进行移动最小二乘法拟合后再进行应变计算,得到的应变是可靠和精确的。
4.2 复合材料平板拉伸试验
某复合材料板,长300 mm,宽36 mm,厚2.4 mm,铺层顺序为[45/0/-45/90/0/0/45/0/-45/-45]s。用数字散斑图像相关技术来测量它的模量。实验过程:在复合材料平板表面上用黑白漆交替喷涂,直到板表面出现具有明显反差的随机散斑分布,然后在MTS 810 Teststar ±100 KN液压伺服材料试验系统上进行拉伸实验,在实验开始用相机(SONY a200 、1 020万像素;Tokina AT—X (50—250)mm镜头,视场约为20 mm×15 mm)记录下初始散斑图片作为参考图片,然后在两端(沿x方向)每增加3 000 N拉力记录一次变形信息。然后利用编制的程序进行应变计算(应变场的平均值作为复合材料平板的均匀应变值)。有两个试件,标号分别是D26和D24,用数字散斑图像相关技术法来进行计算得到试件D26的表面应变数据,并用最小二乘法进行拟合。D24数据是用传统的应变电测方法测得的数据。
从图5两种测量方法对复合材料板D26和D24的测量数据的对比可以看出,测量得到的数据是吻合的,从而证实编制的程序在实验力学中应用是可以达到实验要求的。
图5(a)是x方向应变与应力的关系图。拟合曲线的斜率就是杨氏模量Ex。故可以得出复合材料板的杨氏模量Ex=61.1 GPa。图5(b)是y方向应变和应力的关系图。拟合曲线的斜率就是杨氏模量Exy,故可以得出复合材料板的Exy=133.3 GPa,得到板的泊松系数
5 结论
(1) 对十字搜索法根据具体的实验做了修改,简化了算法步骤,效率更高。
(2) 对亚像素定位计算的位移场应用最小移动二乘法进行拟合,实践证明,拟合后的位移能有效减小误差。
(3) 应用拟合后的位移场计算得到了可靠的应变场,使得数字散斑图像相关技术能够应用于实验力学中,并用数字散斑图像相关技术测量了某复合材料板的拉伸模量。
参考文献
[1] Bruck HA,McNeil S R,Sutton MA,et al.Digital image corretion:using Newton-Rapshon method of partial differential correction.Ex-perimental Mechanics,1989;29(3):261—267
[2] Lu H,Cary P D.Deformation measurement by digital image correla-tion:implementation of a second-order displacement gradient.Experi-ment Mechanics,2000,40(4):393—400
[3]芮嘉白,金观昌,徐秉业.一种新的数字散斑相关方法及其应用.力学学报,1994;(09):599—607
[4]李善祥,孙一翎,李景镇,数字散斑相关测量中亚像素位移搜索的曲面拟合研究.光子学报,1999;(07):638—640
[5] Peng Zhou,Letnnet E.Goodson subpixel displacement and deforma-tion gradient measurement using digital image/speckle correlation.Opt Eng,2001;40(8):1613—1620
[6]潘兵,谢惠民,戴福隆.数字图像相关中亚像素位移测量算法的研究.力学学报,2007;36(2):245—252
[7]潘兵,谢惠民,续伯钦,等.数字图像相关中亚像素位移定位算法进展.力学进展,2005;(08):345—351
[8]曾清红,卢德唐.基于移动最小二乘法的曲线曲面拟合.工程图学学报,2004;(1):84—89
【移动图像】推荐阅读：
移动图像监控11-13
移动图像分割方法研究12-29
ps图像图像处理试题11-30
摄影图像07-16
扫描图像07-19
符号图像07-20
图像研究07-21
细胞图像10-13
图像语言10-16
图像复原10-18