智能交通系统车辆识别

1、分类号 密级UDC 学位论文智能交通系统中的车辆检测作者姓名：*指导教师：*教授申请学位级别：本科学科类别：*学学科专业名称：智能交通系统中的车辆检测论文提交日期：2014年*月*日论文答辩日期：2014年*月*日学位授予日期：答辩委员会主席：评阅人：*大学2014年*月A Thesis for the Degree of Master in Control Theory and Contr EngineeringVehicle detection in intelligent transportationsystemcatalystby *Supervisor: Professor *Uni

2、versity* 2014独创声明本人声明所呈交的学位论文是在导师的指导下完成的。论文 中取得的研究成果除加以标注和致谢的地方外，不包含其他人已 经发表或撰写过的研究成果，也不包括本人为获得其他学位而使 用过的材料。与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确的说明并表示诚挚的谢意。学位论文作者签名：签字日期：学位论文版权使用授权书本学位论文作者和指导教师完全了解*大学有关保留、使 用学位论文的规定：即学校有权保留并向国家有关部门或机构送 交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意* 大学可以将学位论文的全部或部分内容编入有关数据库进行检 索、交流。（如作者和导师同

3、意网上交流，请在下方签名：否则视为不 同意）学位论文作者签名：导师 签名：签字日期:签字日期:第一章绪论1.1课题研究的背景交通流量检测系统作为智能交通系统(ITS)的重要组成部分，在ITS中 发挥着重要的作用。而基于计算机视觉的交通流量检测系统又是交通流量 检测系统中的研究重点。它是通过对实时交通序列图像分析得到所需的流 量信息。为了更好的了解计算机视觉的交通流量检测系统的意义和发展趋 势，我们应该对该技术的使用背景进行了解。1.1.1 lTS(InteII igent Transportation System)简介随着世界经济与技术的发展，交通运输已经成为经济生活的重要方 面，并对保证社

4、会经济体系的正常运转发挥着越来越大的作用。然而，由 于我国经济的快速发展以及机动车持有量的激增和其它运输工具的快速 增长，使现有基础设施所能提供的交通供给能力与我国现实和潜在的巨大 交通需求相比仍然严重短缺，交通拥挤仍然很严重，运输效率较低，城市 交通堵塞和大气污染加剧，严重影响了我国城市经济的发展和人民的生 活。因此，在继续加快交通基础设施建设的同时，充分发挥现有基础设施 的潜力，提高运输效率，保障交通安全，缓解交通拥挤，提高服务质量， 减少环境污染将是我国交通领域今后面临的基本任务。智能运输系统(ITS)顺应经济全球化、信息化的趋势，对于提高交通 运输效率和效益，保证安全，促进可持续发展具

5、有十分显著的作用，已经 引起世界许多国家的广泛重视。对解决我国交通运输领域所面临的问题， 适应新形势的要求，提高交通基础设施建设水平，促进交通运输产业及带 动相关产业的发展具有重要意义，我国政府已提出将ITS作为中国未来交 通运输领域发展的一个重要方向，也是推进国民经济信息化的一项重要任 务。近年来，我国在ITS方面开展了大量的研究与应用工作，为我国ITS的 发展奠定了一定基础。目前我国亶$核心技术的研究主要集中在计算机视觉技术、交通仿真 技术、四川大学硕士学位论文智能交通系统中的汽车流量检测研究GPS/ GIS定位导航技术、交通流等理论方面。其中计算机视觉技术又是研究的 热点。基于视频的交通

6、流量采集系统可以分为两类：一类是没有采用计算机 视觉的系统，它本身不能识别车辆，仅仅检测指定区域内运动着的象素群， 而并不理解它代表现实世界中的什么物体。其代表有TRIP交通图像处理系 统，基于虚拟采样点、检测线组、检测线圈的车流量检测系统。其中， Autoscope是一个较为成功的商业系统，具有实时检测交通参数的能力， 是国际上交通信息采集中具有竞争力的视频检测系统之一。以上几种方法 优点是处理速度快，检测的识别率较高。但是，他存在着的缺点更为严重。 在采用检测线隧的系统中由于硬件必须埋于地下对交通道路的破坏是十 分严重的，而且其使用寿命较短经济成本高。Autoscope系统同样存在着 一些

7、缺陷，在检测系统中没有考虑光照模型、道路模型对流量检测的影响。 由于现代公路设计都采用多车道设计方式，附近车道的遮挡及阴影将影响 当前车道的检测。交通信息采集的可靠性和准确性较低。第二类是基于模 型的计算机视觉系统。基于视觉的运动目标区域检测及目标跟踪不仅具有 很强的科学研究价值，还具有很强的实用价值，其成本低使用周期长，检 测的准确率高，国内外正对此做大量的研究工作。1. 2基于视频的运动目标检测与跟踪方法的概述及比较运动目标检测与跟踪处于整个计算机视觉系统的最底层，是各种后续 高级处理如目标分类、行为理解等的基础。运动目标检测系指从视频流中 实时提取目标，一般是确定目标所在区域和颜色特征等

8、。目标检测的结果 是一种“静态”目标一一前景目标，由一些静态特征所描述。运动目标跟 踪则指对目标进彳丁连续的跟踪以确定其运动轨迹。受跟踪的目标是一种“动态”目标运动目标，与前景目标相比，描述它的特征中多了动态 特征（如运动参数等）。这两方面是相辅相成，缺一不可的。图像运动目标参数的检测分为两种方法：特征识别法和基于运动的识 别法。特征识别包括两个主要步骤：一是从相继两幅或多幅不同时刻的图 像中抽取特征（如角特征点、特征线等），建立对应；二是依据这些特征之 间的对应来计算物体的结构（形状、位置等）和运动。其优点是可以获取三 维运动信息，对目标运动速度无限制。主要难点在于确定和提取特征。基 于运动

9、的识别法与前者有很大不同，它把运动作为目标的首要特征，一般 采用的方法有提取光流场，帧间差分，减背景等。利用光流场来进行运动区域检测是一种常用的检测技术。光流场是二 维速度瞬时场，它是景物中可见点的三维速度矢量在成像平面上的投影， 表示了景物表面点在图像中位置的瞬时变化。由于三维空间中目标运动会 导致该位置的光强变化，利用这种强烈变化进行运动检测的技术称为光流 场估计技术。背景差分的区域检测是在摄像头固定的情况下提出的，这样视频图像 序列中背景是固定的，利用背景差分就可以确定运动区域，实现方法简单。第二章序列图像的预处理得到实对视频场景的背景后，将当前帧与背景图像进行差分得到含有 运动目标信息

10、的图像。但是此时获得的图像中不仅含有运动目标还含有很 多噪声以及不需要的运动目标如行人和自行车等，所以需要进行一定的处 理才能对其进行后续操作。下面先讨论去除运动目标自身的阴影噪声。2.1运动目标的阴影阴影可划分为两类：自身阴影和投射阴影。自身阴影是由于物体本身 没有被光源直接照射到而形成的；投射阴影是由于物体阻挡光线后在背景 上形成。这里的阴影指的是距离物体足够远的光源（像太阳光）而导致的在 物体周围产生的阴影即投射阴影，当后续的运动目标识别时，阴影通常会 被看成是物体的一部分，从而直接影响了运动目标的特征提取导致跟踪的 失败。2.1.1阴影去除算法研究由于本文研究的运动目标（车辆）基本上是

11、规则的矩形图形，光照在这 些目标周围产生的阴影一般集中在其上下左右四个方向。所以算法的关键 是从这四个方向上去除阴影噪声。根据特定的场景以及不同的时间段阴影 在各方向出现的概率，然后根据统计概率在不同的时间段采用不同的方向 去除运动目标的阴影。一般来说，运动目标（车辆）的边缘比较多，在频域 上来说就是高频信号比较多；而阴影的边缘比较少，在频域上低频信号比 较多。所以，结合以上两个特性从边缘检测着手去除阴影。我们知道，即使人们感觉很简单的景物中也包含着大量的细节，它们 在图像中都表现为强度的非连续性，找出所有这些细节并不是获得景物的 可行方法。另外图像强度的非连续性来源于不同的物理现象：表面反射

12、和 纹理不同边缘是指图像局部亮度变化最显著的部分。边缘主要存在于目标 与目标、目标与背景、区域与区域之间，是图像分割、纹理特征提取等图 像分析的重要基础。图像分析与理解的第一步常常是边缘检测。因此边缘 检测十分重要，己经成为机器视觉的重要研究领域。图像中的边缘通常与图像亮度或图像亮度的一阶导数的不连续性有 关。图像亮度的不连续性可分为：阶跃不连续，即图像亮度在不连续处的 两边象素灰度值有着显著的差异：线条不连续，即图像亮度突然从一个值 变化到另外一个值，保持一个较小的行程后又返回到原来的值。梯度：边缘检测是检测图像局部显著变化的基本运算。梯度是函数变化的一 种量度，而一幅图像可以看作是图像强度

13、连续函数的取样点阵列，因此图 像灰度值的显著变化可以通过梯度的离散逼近函数来检测。一 _堂ax堂C一 _=- -X yG G_=y对于数字图像，式中的导数可用差分来近似。最简单的梯度近似表达式为：G = f k,j+1- f k,jq=f LjL f j+1, j边缘检测算法：现在有很多边缘检测算子，直flRoberts算子、Sobel算予、Prewitt算子、Kirsch算子等。由于本系统实时性要求高，所以必须选取计算简单、速度快、边缘定位精确的算子。基于以上几点考虑本文选取TSobel算子。Sobel边缘检测算子是利用梯度与差分原理组成的边缘检测器。其梯度幅 度的数学描述为：e =2 +

14、d 2)(3)其中d f G - L j - D+ 2f (i,j 1)+ f (i+1, j 1) f (i+1, j 1)+ 2f (i,j + D+ f (i + 1, j + 1) d f ( + L j - D+ 2 f ( +1, j)+ f ( +1, j + 1) f C1, j 1)+ 2 f G L j)+ f C1, j + 1)用模板(卷积核)来表示即：1 0 -1d = 20-2尤1 0-1-1-2-1d =000y121当阴影出现在车辆的两侧采用垂直边缘检测算子，如果阴影出现在车 辆的上下，使用水平边缘检测算子。但是该方法是将当前序列图进行边缘 检测，然后再对背景图

15、像进行边缘检测，最后将边缘检测后的图像差分得 到去除阴影的灰度图像。2.2灰度图像的二值化2.2.1灰度图像的二值化概述图像的二值化处理是将图像简单的分成背景和目标物体，最常用的方 法就是选取一个阈值e，用。将图像分成两大部分，大于e区域（通常为 目标物体）和小于。的区域（通常为背景），若输入图像为f（x，Y），输出图 像为g（x，Y），贝0 TOC o 1-5 h z （）j1, f n y）2。.& 贝fG, y）v。如果物体灰度分布在几个不相邻的区间内，二值化可表示为：（）1,如果/G, y贝/、gy %,其他其中中是组成物体各灰度值的集合。这种方法称为阈值分割法，阈值 分割的方法有很多

16、，如迭代阈值分割的方法、最大类间方差法、最大熵阈 值分割、循环分割等。在这里我选取了最大类间方差法。2.2.2最大类间方差法Otsu在1979年提出的最大类间方差法(有时也称之为Otsu方法)一直 被认为是域值自动化选取方法的最优方法之一，它是一种自动的非参数无 监督的域值选择法，它是基于类问方差为最大的测度准则，最佳的域值在 该测度函数取最大时得到的。该方法计算简单，自适应性强，在一定条件 下不受图像对比度与亮度变化的影响，因而在一些实时图像处理系统中得 到了广泛的应用。下面是最大类间方差法的基本思想：对于灰度级为0255的MXN 一幅图像，记f(x，y)为图像点(i，j)处的 灰度值，则：

17、第一步：计算图像的直方图统计结果，得到灰度值为k的频率PHS(k)为：第二步：计算图像的灰度均值u :Tu =羌 K PHK (k)(9)K=0第三步：计算灰度类均值乒(s)和类直方图之和o(s)：代)=& PHK (K) (10) a (S )=pHS (k ) (11)k=0k=0第四步：计算类分离指标b :B最后，求出bB。达到最大的值S，则最佳阈值T=S。在实际场景中。每一帧的情况都不是为所能够预料的，所以一个固定的域值也将不能解决 实际的问题。最大类间方差法能够自动选取域值，它是通过寻找一个最大 方差值，来分割图像成两部分。因为方差是图像灰度分布均匀性的一种度 量，方差值越大，说明构

18、成图像的两部分差别越大，当部分目标错分为背 景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大 的分割意味着错分概率最小，这也是最大类间方差法的真正含义。2.2.3实验结果图2.1背景图图2.2目标图图2.3灰度图像图2.4 二值图2.3二值化图像的形态滤波二值化图像后目标图像存在的一个较突出的问题就是某些地方具有 不连续性，从而使本来属于同一个目标的物体被划分为不同的部分，而导 致错误的分割。由于形态学中在邻域区域合并方面效果明显，因此采用形 态结构元素对目标图像进行运算，而数学形态学的算法具有天然的并行实 现的结构，所以这种运算可以用硬件并行快速完成。形态学一般指生物学中研究

19、动物和植物结构的一个分支。后来数学形 态学被用来表示以形态为基础对图像进行分析的数学工具。它的基本思想 是用具有一定形态的结构元素去度量和提取图像对象中的对应形态以达 到对图像分析和识别的目的。数学形态学是一种非线性滤波方法。Minkowski结构和差运算，即形 态和差（膨胀和腐蚀）是数学形态学的基础。数学形态学可以用来解决抑制 噪声、特征提取、边缘检测、图像分割、形态识别、纹理分析、图像恢复 与重建、图像压缩等图像处理问题。数学形态学首先处理二值图像。数学 形态学将二值图像看成是集合。并用结构元素来探查。结构元素是一个可 以在图像上平移、且尺寸比图像小的集合。基本的数学形态学运算是将结 构元

20、素在图像范围内平移，同时进行交、并等基本的集合运算。2.3.1形态算子数学形态学的基本运算有4个：膨胀、腐蚀、开启和闭合。数学形态 学中二值图像的形态变换是一种针对集合的处理过程，其形态算子的实质 是表达物体或形状的集合与结构元素间的相互作用，结构元素的形状就决 定了这种运算所提取的信号的形状信息。形态学图像处理是在图像中移动 一个结构元素，然后将结构元素与下面的二值图像进行交、并等集合运算。 基本的形态运算是膨胀和腐蚀。在形态学中，结构元素是最重要和最基本 的概念。结构元素在形态变换中的作用相当于信号处理中的“滤波窗口”。 结构元素一般是指nXn的正方形，我们把方形中值为1的象素称为结构元素

21、核。如下图的3X3的结构元素中，打黑点的就是核。图2.5结构元素核结构元素可以有不同形状，可以是一个点，一对有向线段，一个小圆， 一个正多边形等。如下图是最常见的结构元素。大点表示结构元素中的点， 小点表示坐标刻度线。在通常的情况下，形态学图像处理以在图像中移动 一个结构元素并进行一种类似于卷积操作的方式进行。结构元素可以具有 任意的大小，也可以包含任意的0与1的组合。在图像的每个象素位置，结 构元素核与二值图像之间进行一种特定的逻辑运算。逻辑运算的二进制结 果存在输出图像中对应于该象素的位置上。产生的结果取决于结构元素的 大小、内容以及逻辑运算性质。图2.6常见的结构元素2.3.2图像的腐蚀

22、与膨胀假设一个二值图像函数为A（x，y），结构元素为B（x，y），定义腐蚀为： E = A B = x, yl B c A（13）也就是说，由结构单元B对图像A腐蚀所产生的二值图像E是这样的点 （x，y）的集合：如果将B的原点位移到点（x，y）而得到8，那么8将完 全包含于A中。在计算机实现时，先使原点（O, O）包含在结构元素B中，将 B平移后放在图像函数A内某个位置上，使B上各点都与A中相应点重合。这 时，B中原点所在的新位置便是腐蚀结果E中的一点。将B遍历全图像中所 有可能位置后，B的原点移动的轨迹便构成了腐蚀结果。膨胀的定义如下: D = A B = x, y l B D A w （1

23、4）也就是说，结构单血对图像A膨胀产生的二值图像D是由这样的点（X， Y）组成的集合：如果B的原点位移到（X，Y），那么它与A的交集非空。在计 算机实现时，令图像原点（0，0）和目标区域A中某点重合，将结构元素的 原点也移到该点，然后检验结哿元素B中各点（即结构元素的核）所在的当 前位置，如果位于该位置属于A区域的点的灰度为0，则把它改为1；否则 不变。把原点在区域B中遍历完，得到的结果便是膨胀结果。2.3.3图像的开启和闭合图像的开启和闭合运算是在腐蚀和膨胀两个基本运算的基础上提出 来的。对I图像A及结构元素B，用AoB表示A对B的开运算，用A B表示A 对B的闭运算，则它们的定义为：A o

24、 B =（A B ） B（15）A B =（A B） B（16）其中，A B可视为对腐蚀图像AB用膨胀来进行恢复。而A B可 看作是对膨胀图像AB用腐蚀来进行恢复。不过这一恢复不是信息无损 的，即它们通常不等于原始图像A。在图像处理的过程中，可以利用开、 闭运算来去除噪声，恢复图像。通过开运算可以消除离散点和毛刺。也就 是对二值图像进行平滑，通过闭运算将两个邻近的目标连接起来，便于下步分割出完整的图像。本文使用了开运算来消除离散点和毛刺。图2.7 形态滤波后的图像图片横向填充图2.8图片纵向填充图2.9第三章运动目标的识别及其特征提取3.1概述通过图像的预处理，当前帧中的目标可能已经成为一个连

25、成一体的区 域。在人类的视觉上这些是很明显的目标区域，但是对于计算机来说，它 不可能“看见”这些区域更无法知道这些区域的特征信息。所以我们用合 理的数据结构来描述这些区域，让计算机知道这些区域中含有运动目标， 并最终分割出运动目标。这里首先要提到一个重要的概念一区域分割：区域分割是把图像分割 成特征相同互相不重叠区域的处理方法。区域是象素的连通集，也就是与 所讨论的象素相邻或接触象素的集台。所谓连通，是指在一个连通集中的 任意两个象素之间。存在一条完全由这个集合的元素构成的连通路径。连 通路径是一条可在相邻象素问移动的路径。根据象素的四邻域或八邻域点 的数值，相应的连通路径有四连通和八连通。四

26、连通依据与其相邻的上下左右四个象素确定连通；八连通则再加上对角相邻的四个点共八个象素点 来确定连通。通常八连通的结果与人的感觉更接近。本文所要进行区域分割的图像是已经经过二值化的图像。目前普遍使 用的二值图像区域分割方法有区域生长、标签处理、线段编码三种。由于 区域生长法的初始“生长点”不好选取而造成耗时比较大，而标签法计算 量很大，因此本文选取了线段编码的方法对二值图像进行区域分割。本文 在对运动目标进行分割的同时，并行进行着对目标区域的特征提取。而此 选择的特征是为后续的运动目标跟踪作为依据。运动目标的特征一般可以 分为几何特征（形心、周长、面积等）、目标颜色、外形轮廓线等。由于选 择不同

27、的特征将影响跟踪算法的设计、性能及计算开销。综上所述本文的 算法是在线段编码的基础上，在目标识别的过程中同时进行几何特征和颜 色特征的提取。3.2运动目标的识别线号1003.2.1线段编码方法101102103104105106107图3.1物体线段示意图线段编码是用来存贮被抽取物体的一种逐行处理技术。该技术从相邻 行间的相关性与连通性出发，给出一种基于行处理技术的几何参数扫描算 法，其基本原理可由图3.1所示，对于二值图像区域，程序从顶部开始逐 行扫描线段，分析目标区域。在图中，标记为1一1的区域是第100行图像 上由若干个连续象索形成的线段。同时假设ll段是程序所遇到的第一个 目标（编号为

28、1的目标）的第一条线段。在对目标101行进行扫描时，程序遇 到两端线段：12和21。由于此时很难断定这两条线段是否属于同一目 标，因此程序暂时假定101行图像上的第二段为第二个目标。对于1一2段， 由于它紧接在1一1段的下面，因此程序认为这两段都是标称为目标1的一 部分。同样的处理过程扫描到102行，但到103行时，图像仅仅发现一个区段 14,并且它同时位于标号为目标1和目标2的下面，此时程序才发现到原 来目标1和目标2实际上是同一个目标，因此将目标2合并到目标1上来，下 面的扫描只对目标1进行编号。进行到第105行时，程序又发现两个区段16和17，但由于它们都 位于线段15的下面，显然属于目

29、标1。扫描到106行时，在线段18和l 一 9下面没有发现任何线段，因此完成了目标1的分割。如此扫描其它的连 通域，则可以快速完成整个图像场景目标的区域分割。3.3运动目标特征的描述通过线段编码从图像中分割出运动目标的同时，可以获得这些目标区 域的几何特征以及颜色特征。本文选用的几何特征是目标面积、形心；颜 色特征是各个目标的象素R、G、B分量，下面予以逐一描述。在衡量目标区域大小时，目标区域面积参数S（）可以作为一种度量尺 度，对于区域R*,y），S（）定义为该区域中象素数目，即(17)S(R (x, y)= f (x, y)i(x, y )eR. (x, y )式中f(x，y)为点(x，y

30、)处灰度值，在区域R(x, y)内，f(x，y)的值i为255,或则为0。，形心参数目标形心参数R *)在目标跟踪技术中具有重要用途与图像的矩有密切的关系，参数(0 y)定义为:(18)x = M (R (x, y )/ M (R (x, y ) y= M10 (R (x, y)/ M (R (x, y)001 i00其中矩Mq定义为(19)M(R (x, y)= f (x, y)xpyq(x, y )eR. (x, y )通过测试发现这种方法计算量比较大，耗时多不利于工程上实现。本 系统检测的运动目标是具有规则外形的车辆，所以本文利用运动目标的最小外接矩的中心来近似形心。区域R (x, y)

31、的最小外接矩形坐标被定义为i两个坐标点min minmin min)和(x , y )。其中(x , y )代表矩形的左上角坐标点，max maxmin minmax max)代表矩形右下角坐标点，各个值的具体求解公式为：x= min fx, y)(x, y)e R (x, y) TOC o 1-5 h z min xiy= min fx, y)(x, y)e R (x, y) HYPERLINK l bookmark101 o Current Document minyix= min ix, y)(x, y)e R (x, y)(20) HYPERLINK l bookmark104 o C

32、urrent Document maxx1y = min%, y)(x, y)e R (x, y)maxiy就的近似表达式为rmax + J2Gmax + 2(21)通过线段编码分割出运动目标，记录该运动目标的各个点位置。然后在差 分前原图中找到运动目标对应点R、G、B的值。颜色特征可以为后续跟踪 提供更多的匹配依据。3.4运动目标识别及特征提取算法的实现算法具体实现步骤：第一步：从图像首行开始扫描，直到遇到该行中象素不为0的点。将 此行中象素连续为255的段记下它的起点、终点的坐标以及该段所属区域 的编号。假设初始时有n段，Area个区域（n=Area），同时n段中的第i段属 于第i个区域，

33、第i段所属区域编号是i。记下每个区域几何参数信息以及 在当前帧的原图中取各象素点的R、G、B三色值。第二步：对接下来的行继续扫描，假设这段统计出来段。第三步：如果新段中的第一段的纵坐标与旧段中的第一段纵坐标相减 大于1，则新段是新区域中的段。第i（i=1、2m）个新段属于区域Area+i，第i个新段的所属区域的编号=Area+i，区域数变为Area=Area+m， 更新当前区域的几何参数及颜色信息。跳转到第六步。第四步：对m个新段中的第i（i=1、2m）段与n个旧段分别比较。只要第i个新段与第j个旧段属于同一区域。将第i个新段区域号赋值为第j 个旧段的区域号，并把第i个新段合并到第j个旧段的区

34、域中去。第五步：如果第i个新段与13个旧段都不属于同一区域。则新段的区 域号变为Area+1 :同时区域编号变为Area+l。并把此段放在Area+1的区域 中。第六步：如果全部行都扫完，结束统计区域个数及每个区域的几何参 数和颜色信息，否则跳转到第二步。第四章总结本文介绍了一种利用计算机视觉来检测智能交通系统中车辆流量参 数的技术，通过背景与当前帧的图像的差分，获得运动车辆的流量信息。然而，利用视频来对运动目标进行分析毕竟还是一个比较新的领域， 运用视觉处理技术进行交通路况参数的检测也是近年的事情，所以基于视 频图像处理技术的的智能交通检测系统仍然面临诸多图像处理技术的难 点，到目前为止，基

35、于视频的交通流量检测系统在国内还没有系统的产业 化，基本上都是处于实验阶段，这也正说明了其处理的难度。但是，我们 必须要看到这种技术发展前景是广阔的同时我们还有许多工作要做。本论文是在导师*教授的精心指导下完成的。在本科学习期间，耳 濡目染于导师严谨的治学态度、诲人不倦的师者风范、无私奉献 的高尚品格和精益求精的工作作风，这些都使我终生受益。在论文完 成之际，对导师在学业上的教诲和支持表示衷心的感谢和无限的敬意！同时感谢*教授、*老师和*老师给予我的指导和帮助以及为我 提供的良好实验环境，在此表示深深的谢意！在本科阶段的学习、工作和生活得到了师兄、师姐以及同学们的关心 和帮助，衷心感谢*博士、*博士、*硕士、*硕士等在课题研究工作 中和生活中给予我的帮助。感谢我的父母在我漫长的求学生涯中给予我的关心、支持和鼓励，没 有他们我将无法完成自己的学业。最后，向那些所有曾给予我帮助，关心我、支持我的人表示最诚挚的谢意程序：i=imread(llll.png);j=imread(2222.png);i1=rgb2gray(i);j1=rgb2gray(j);i2=medfilt2(i1,2,2);%二维中值滤波j2=medfilt