本科毕业设计（论文）外文文献翻译-工业机器视觉产品质量检测应用软件开发

工业机器视觉产品质量检测应用软件开发翻译（1）题目图像分割的常用方法及其应用翻译（2）题目基于机器视觉的检测系统学院计算机学院

图像分割的常用方法及其应用摘要针对图像分割中遇到的常见问题,研究了边缘检测、阈值处理等图像分割理论。在传统算法基础上,给出4种新型算法,可进一步提高图像分割的效果。最后给出了这些算法在图像分割中的实际应用。1引言在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣,这些部分常称为目标或前景(其他部分称为背景),他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标,需要将这些有关区域分离提取出来,在此基础上才对目标进一步利用,如进行特征提取和测量等。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是灰度、颜色、纹理等。目标可以对应单个区域,也可以对应多个区域。图像分割是由图像处理进到图像分析的关键步骤,也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量都是将原始图像转化为更抽象更紧凑的格式,使得更高层的分析和理解成为可能。图像分割多年来一直得到人们的高度重视,至今已提出了上千种类型的分割算法。2根据区域间灰度不连续搜寻区域之间的边界进行图像分割边缘检测法也称作基于梯度的图像分割方法。他的基本思想是先检测图像中的边缘点,再按照一定的策略连接成轮廓,从而构成分割区域。由于边界具有高梯度值的性质,所以又称作基于梯度的图像分割方法。进行边缘检测的最基本方法是图像的微分(差分)、梯度和拉普拉斯算法等。边缘检测的结果并非图像分割的结果,还必须把边缘点连接成边缘链,形成直线、曲线、各种轮廓线等,直到能表示图像中物体的边界。边缘形成线特征包括两个过程:抽取可能的边缘点;将抽取的边缘连接成直线、曲线、轮廓线。或用一定的直线、曲线去拟合他们。(1)点检测如果|R|T,则在模版中心位置检测到一个点,其中T是阈值,R是模版。计算值算法基本思想为:如果一个孤立点与他周围的点不同,则可以使用上述模版进行检测。如果模版相应为0,则表示在灰度级为常数的区域。作者；SHIRonggang,LIZhiyuan,JIANGTao。出处；ＭＯＥＲＮＥＬＥＣＴＲＯＮＩＣＳＴＥＣＨＮＩＱＵＥ２００７，３０（１２）(2)线检测第一个模板对水平线有最大响应;第二个模板对45方向线有最大响应;第三个模板对垂直线有最大响应;第四个模板对-45方向线有最大响应。用R,R2,R3和R4分别代表水平、45、垂直和-45方向线的模板响应,在图像中心的点,被认为与在模板i方向上的线更相关。(3)边缘检测边缘是图像的重要特征之一,他包含了原始图像中的绝大部分有用的信息,往往仅凭一条粗略的轮廓线就能够识别出一个物体。因此,图像的边缘轮廓特征提取在计算机视觉中具有重要的意义。图像边缘的特征主要表现为图像局部特征的不连续性,即图像中灰度变化比较剧烈的地方。因此,把边缘定义为图像中灰度发生急剧变化的区域边界。现有的边缘检测的方法主要以各种微分算子作为基础,结合用阈、平滑等手段提取边缘。如Prewitt算子、Sobel算子、Kirsch算子和Robert算子,都是一阶微分算子,二阶微分算子有拉普拉斯算子、Gauss-Laplace算子、M-H算子、Canny算子等。边缘检测的要求:(1)能够正确地检测出有效的边缘;(2)边缘定位的精度要高;(3)检测的响应最好是单象素的;(4)对于不同尺度的边缘都能有较好的响应并尽量减少漏检;(5)对噪声应该不敏感;(6)检测的灵敏度受边缘方向影响应该小。这些要求往往都很矛盾,很难在一个边缘检测器中得到完全的统一。判断边缘检测性能的方法是先看边缘图像,再评价其性能。边缘检测器的响应中主要有3种误差:丢失的有效边缘、边缘定位误差和将噪声误判断为边缘。边缘检测主要包括以下4个步骤:图像滤波、图形增强、图像检测和图像定位。(1)图像滤波边缘检测算法主要是基于图像亮度的一阶和二阶导数,但是导数的计算对噪声很敏感,因此必须使用滤波器来改善与噪声相关的边缘检测器的性能。(2)图形增强增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域强度值有显著变化的点突出显示。(3)图像检测在图像中有许多点的梯度幅值比较大,而这些点在特定的应用领域并不都是边缘,应该用某些方法确定那些是边缘点。最简单的边缘检测判断依据是梯度幅值阈值判据。(4)图像定位如果某一应用场合要求确定边缘位置,则边缘的位置可以在子象素分辨率上来估计,边缘的方位也可以被估计出来。常用的边缘检测算子:Roberts算子他根据任意一对互相垂直方向上的差分来计算梯度的原理,采用对角线方向相邻两象素之差。Robert算子计算简单,采用对角线方向相邻两象素之差近似梯度幅值检测边缘,检测水平和垂直边缘的效果好于斜向边缘,定位精度高,对噪声敏感。Sobel算子对图像{f(i,j)}的每个象素,考察他上、下、左、右邻点灰度的加权差,与之接近的邻点的权值大。Sobel算子很容易在空间上实现,Sobel边缘检测器不能产生较好的边缘检测效果,而且受噪声的影响也比较小。当使用大的邻域时,抗噪声特性会更好,但这样做会增加计算量,并且得出的边缘也比较粗。Sobel算子利用象素上下、左右邻点的灰度加权算法,根据在边缘点处达到极值这一现象进行边缘检测。Sobel算子对噪声具有平滑作用,提供较为精确的边缘方向信息,但他同时也会检测出许多的伪边缘,边缘定位精度不够高。当对精度要求不时很高时,是一种较为常用的边缘检测方法。Prewitt算子Prewitt算子是一种边缘样板算子。这些算子样板由理想的边缘子图像构成。依次用边缘样板去检测图像,与被检测区域最为相似的样板给出最大值。用这个最大值作为算子的输出值p(i,j),这样可将边缘象素检测出来。3以象素性质的分布进行阈值处理从而进行图像分割阈值处理操作:T=T[X,Y,P(X,Y),F(X,Y)],f(x,y)是点(x,y)的灰度级,p(x,y)表示该点的局部性质,如以(x,y)为中心的邻域的平均灰度级阈值处理后的图像g(x,y)定义为:g(x,y)=（f（x，y）>T）or(f(x,y)<T)标记为1的象素对应于对象,标记为0的象素对应于背景。当T仅取决于f(x,y),阈值称为全局的;当T取决于f(x,y)和p(x,y),阈值是局部的;当T取决于空间坐标x和y,阈值就是动态的或自适应的。计算基本全局阈值算法:(1)选择一个T的初始估计值;(2)用T分割图像,生成两组象素:G1由所有灰度值大于T的象素组成,而G2由所有灰度值小于或等于T的象素组成;(3)对区域G1和G2中的所有象素计算平均灰度值1(4)计算新的阈值(5)重复步骤(2)~(4),直到逐次迭代所得的T值之差小于事先定义的参数T.单一全局阈值存在不均匀亮度图像无法有效分割的问题,解决这个的有效方法就是将图像进一步细分为子图像,并对不同的值图像使用不同的阈值处理。如何将图像进行细分和如何为得到的值图像估计阈值取决于象素在子图像中的位置。最佳全局和自适应阈值:假设一幅图像仅包含2个主要的灰度级区域。令z表示灰度级值,则两个灰度区域的直方图可以看作他们概率密度函数(PDF)的估计p(z)。p(z)是两个密度的和混合。一个是图像中亮区域的密度,另一个是暗区域的密度。如果p(z)已知或假设,则他能够确定一个最佳阈值(具有最低的误差)将图像分割为两个可区分的区域。假设2个PDF中较大的一个对应背景的灰度级,较小的一个描述了图像中对象的灰度级,则混合PDF是p(z)=P1p1(z)+P2p2(z)。P1是属于对象象素的概率,P2是属于背景象素的概率,假设图像只包括对象和背景,则P+P2=1。在区间[a,b]内取值的随机变量的概率是他的概率密度函数从a到b的积分,即在这两个上下限之间PDF曲线围住的面积。因此,将一个背景点当作对象点进行分类时,错误发生的概率为E(T)=P2(z)dz:这是在曲线p2(z)下方位于阈值左边区域的面积。4通过边界特性选择阈值进行图像分割基本思想为:如果直方图的各个波峰很高、很窄、对称,且被很深的波谷分开时,有利于原则阈值,为了改善直方图的波峰形状,这里只把区域边缘的象素绘入直方图,而不考虑区域中间的象素。用微分算子,处理图像,使图像只剩下边界中心两边的值。通过边界特性选择阈值这种方法有以下优点:(1)在前景和背景所占区域面积差别很大时,不会造成一个灰度级的波峰过高,而另一个过低;(2)边缘上的点在区域内还是区域外的概率是相等的,因此可以增加波峰的对称性;(3)基于梯度和拉普拉斯算子选择的象素,可以增加波峰的高度;通过边界特性选择阈值算法的实现由以下步骤组成:(1)对图像进行梯度计算,得到梯度图像;(2)得到梯度值最大的那一部分(比如10%)的象素直方图;(3)通过直方图的谷底,得到阈值T。如果用拉普拉斯算子,不通过直方图,直接得到阈值,方法是使用拉普拉斯算子过滤图像,将0跨越点对应的灰度值为阈值T。基于不同变量的阈值:在某些情况下,传感器可以产生不止一个在图像中描述每个象素的可利用的变量,因此,允许进行多谱段阈值处理。例如一幅有3个变量的图像(RGB分量),每个象素有16种可能的灰度级,构成161616种灰度级(网格,立方体)阈值处理就是在三维空间内寻找点的聚簇的过程。如在直方图中找到有效点簇K,可以对RGB分量值接近某一个簇的象素赋予一个任意值(如白色的值),对其他象素赋予另一个值(如黑色的值)。参考文献[1]余松煜.现代图像信息压缩技术[M].北京:科学出版社,1998.[2][美]RafaelC.Gonzalez.数字图像处理[M].北京:电子工业出版社,2003.[3]周长发.精通VisualC++图像编程[M].北京:北京电子工业出版社,2000.[4]孟晶晶.基于区域增长的立体匹配算法[D].大连:大连理工大学,2006.[5]杨晖,曲秀杰.图像分割方法综述[J].电脑开发与应用,2005,18(3):21-23[６]叶斌.伪Zernike矩不变性分析及其改进研究[J].中国图像图形学报,2003,8(3):246-252.[７]孙即祥.模式识别中的特征提取与计算机视觉不变量[M].北京:国防工业出版社,2001[８]FangB,LeungCH.Off-lineSignatureVerificationbytheTrackingofFeatureandStrokePositions[J].PatternRcognition,2003,36(1):91-101.[９]TonphongKaewkongka,KosinChamnongthai,BunditThipa-korn.OffLineSignatureRecognitionUsingParameterizedHoughTransform[C].ISSPA99,1999:451-454.[１０]LinJun,LiJiegu.Off-lineChineseSignatureVerification[C].ImageProcessing,1996Proceedings.InternationalConferenceon,1996,2:205-207基于机器视觉的检测系统反映产品质量：这里所描述甚本的技巧和窍门对机肠视觉的搭理以及采用机器视觉进行测量、诊断和其他的应用将有所帮助。视觉系统可以快速、准确和高可重复性地自动完成诸如部件测量和检查的工作，这样就可以帮助制造商提高产品质量和生产力。视觉系统在制造过程中的每一步都可以生成有价值的监测数据，这同时也可以帮助控制工程师扩展过程诊断的功能。非接触式测量更加快捷机器视觉在质量控制上最普遍的应用就是测量。cognex公司的in-sight系列视觉传感器的市场销售部经理bryanboatner说，由于视觉系统测量部件特有的可以达到千分之一英寸的精度，使得它可以适用于很多从前需要采用接触式测量方法的应用场合。作者：Markt.hoske,CONTROLENGINEERING出处：CONTROLENGINEERINGCHINA2007.01他说道“制造商采用基于视觉的测量是有诸多原因的，速度是主要的一点。采用接触式测量难以跟上高吞吐量的流水线的步伐因此,传统地测量一般都是在产品抽检时完成相对应地机器视觉系统就可以跟上上述生产流水线的步伐每分钟可以完成上千次的测量而且机器视觉系统还可以嵌入流水线系统中进行100%的监测.消除了物理接触,基于视觉的测量就可以避免对零件的损伤并减少了对机械测量表面磨损和划痕的维护。最终，视觉系统可以测量某些不能用接触式方法测量的零件“boatner说道。Matroximaging公司的图像软件小组组长AmaudLina，赞同道机器视觉为物理计量学提供了很多新的可能,如物体的精确测量。Dalsa公司数码图像小组的集成产品开发战略发展部主任BenDawson介绍了一些要点有助于组建机器视觉测量系统以及一些其他的应用诊断功能Boatner说：除了测量，机器视觉还能为诊断提供一个有效数据采集工具，这些工具可以进行过程度量和分析数据走势，视觉系统可以为监控操作提供实时的图像,也可以将数字图像按时间标记存档便于后期检索。Boatner举例说,在一个装罐流水线上，当瓶子经过摄像机时，它可以为每一个瓶子捕捉一幅图像，并将其与一系列标准参数对比检查充满程度、瓶盖、密封程度和标签外观和变形程度。当出现一个参数超标时,就发出信号提示此瓶需要被移至废物储存室。而且，这个可以通过设置系统，使之将次品瓶子的图像存储到一个数据库中用于分析。工程师们可以观察图像来进行根源分析,而不是再次从废物储存室里取样,再找到次品的来源，将次品图像存档以备后用的方法可以作为一种诊断工具使用，它有助于故障查找并减少停机时间。最优方法Boatner说,视觉产品逐渐被归为三种主要类别：视觉传感器（一般是独立的、低功耗的检测设备），基于PC机的视觉系统（带有电源并且可以使用简单的图形化编程语言进行灵活的编程）、专家传感器（针对特定自动化问题的低功耗技术）。这三个类别的视觉产品都包括摄像头、处理器图像分析软件,光源和网络互连功能DMC系统集成公司技术主管KenBrey建议道：共享一些机器视觉技术的方法和技巧有助于最终用户明白什么应该做什么不应该做。由以上所述,我们可以列出几种最优方法：很多器件是相互依赖的，所以这个列表不是严格排序的。例如，功能强大的软件可以补偿非最佳光源的不足。合理地使用镜头可以降低硬件的功耗。组建工具：每一个视觉系统搭建区域或者实验室里都应该有一系列的备用零件镜头和其他组件，配合简单的机器视觉摄像头光源和安装选项,工程师可以在这些材料中酌情选择搭建视觉系统Brey说一组合理的原材料大约要$300.搭建系统用附件:一个塑料标尺大约$2,就可以为前置光源后置光源来测量视野。摆放成45度角，聚焦在中间（而不是边缘）。它可以测量景深（例如15mm长的标尺距离，除以1.41得到景深）。对于高放大倍数的应用场合使用一个简单的价值$40的朗奇光栅,检查光学系统得失真。更换镜头并在最小视野下调整摄像头的位置。无需购买超过实际播要的摄像头但需要花费时间对结果进行数学换算描建系统用附件：一组颜色滤镜大约$150可以减少环境光线的影响，滤除不同材料光波中的共同波长部分，进而增加对比度。搭建系统用附件：焦距扩展设备大约$95，可以通过使用一个倍的焦距扩展设备仿真一个更长焦距的镜头如,50mm的焦距变换为100mm的焦距或35mm的焦距变换为70mm。然而这种使用方法的曝光时间将倍于长焦距镜头搭配相应制光圈的使用方法，Brey说这是扩展器的一个弊端如果不考虑曝光时间的话焦距扩展器就可以被接纳为系统的一部分因为它能在空间很紧密的条件下提供更短的光学距离并且能够降低整个光学系统的花费。搭建系统用附件：镜式分光器，价值$50。可以与一个环形光源或集成的摄像头光源搭配使用,以使摄像头和光源垂直于零件.在45度的角度上通过反射一半光线，透射另一半光线，可以模拟一个散射同轴光源（DOAL如图）.对于漫反射,可以调整摄像头以使中央光圈环绕待测零件这样可以消除测量误差在机器人技术的应用中例如在发动机组周围可以在每一个测点对机器人进行示教对于远程测量，它也可以增加精度散射同轴光源（DOAL）可以减少反射和闪耀消除亮点和异物,例如通过给出边缘对比度可以消除油漆表面上的结块.应用须知,知道你在测试什么，明白好的和不好的零件或产品之间的差别。规范得越精确就越容易解决问题。更重要的是选择边缘产品进行检测，可以减少判断出错。应用须知视觉系统的性能在视觉传感器选型之前首先要确定此系统的应用范围以保证此视觉系统在速度精度和采集要求上留有足够的性能余量原因是用户既然已经熟悉了机器视觉的能力,他们便想尽可能多地完成有关视觉的作业而且还要考虑到未来对加大吞吐量、生产新产品生产现有产品的改装产品的需求。应用须知,摄像头的性能，分辨率：摄像头必须具有足够的像素,以便对最小的点进行分析对于电测量,如针孔瑕疵测量希望最小点的尺寸至少是3*3个像素点优秀的机器视觉软件可以在1/10个像素点的尺度下进行边到边的距离测量,甚至可以更好。这对于某些种类的测量可以极大地提高分辨率。应用须知,硬件图像采集硬件（即”图像采集卡“）必须具有低噪声和低抖动，以便进行稳定的测量。应用须知,软件确保基于视觉的度量衡能对测量公差给予明确的定义。例如有多种不同的方法可以测最垂直度所以你必须先确定此视觉解决方案能够完成所要求的测试。应用须知重复性能任何传感作业包括视觉传感都愉要重复测量来尽可能多地进行可靠地检测要测试重复性须在视觉系统下放置一个零件“至少进行次测量且在测过程中不能改变零件的位置,光源或其他变量。据此,你可以绘出测量的重复性并且确保结果中的任何改变都在测量允许公差之内。“boatner说道在采购之前考虑附加功能：不要仅看价格而不考虑这些购买的东西所带来的潜在附加功能就确定是否购买。投资在具有强大软件支持的视觉系统上可以节省资金,因为这样可以减少对更昂贵的光源光学设备或琴件夹持装置的需求在采购之前针对实际的件使用售前演示来检查：让视觉系统的卖主作一个售前演示,对从好到坏的各类产品或零件的样本进行概念论证和验证作业。镜头选择避免失真：标准的机器视觉镜头都有光学失真负失真或桶状失真,当在距镜头不同距离的位置测量时,还会产生透视失真。虽然这些失真可以被机器视觉系统部分地校正。但更好的解决方法是使用低失真的镜头或远心透镜。Dawson建议“向卖主寻求帮助”镜头选择,视野分辨率：根据视野要求和对最小感兴趣点的分辨率来选择镜头Dawson说制约分辨率组件的应该是摄像头而不是镜头。光源避免反射：提供一种可以增强待测量并且抑制人为影响的光源不必要的反射就是人为影响例如冲压金属板之类可以用逆光照射零件我们就用平行光源来凸现其边缘正确的光源选择需要一定经验和试验测定。同样你也可以向视觉系统卖主寻求帮助光源,对比度：Lina说由于测试精度会受到对比度和噪声的影响所以尽可能在最优条件下获取图像。光源，对比度，颜色：要谨记光源对于产生易于观测的对比度和得到一幅优质的图片是至关重要的，当考虑光源的时候就要考虑光源类型和光源颜色。光源,景深：Boatner说，确保光源是符合景深和视野要求的。安装：在通常的测应用当中，摄像头安装在零件的上方或在一侧当零件进入视野时,采集图像用于测量，然后使用测量工具软件进行图形分析软件可以计算图像中不同点的距离以这些计算为基础视觉系统判断零件的精度是否在公差允许范围内如果超过,视觉系统就发送一个不合格信号给一个逻辑器件（例如可编程逻辑控制器，PCL），它可以驱动一个机械机构把不合格产品从流水线剔除。软件自动设置：选择一个可以自动设置度量模板（测量区域图）的度量工具。例如如果用几何图案识别来确定零件的位置和朝向，根据这些识别的结果，系统可以自调整度量的区域。软件，基于几何学：依赖基本的几何学操作而不是复杂的数学。通过采用一个具有多重复坐标系统的度量工具包。你可以便利的用几何学方法从已有特征得到新的特征。软件摄像头定位，校准：校准，选择一个工作在现实世界坐标系下的软件包，然后对摄像头进行定位，避免主要的失真和透视。从源图像（失真的）提取欲度量的特征,然后在采取校正操作的空间中对其进行测量，这样对失真的图像采取度量操作就不会降低精度等级。软件，易用性：选择容易设置和使用的机器视觉软件它可以对光学失真或透视失真进行校正而且提供亚像素精度即使测量的分辨率高达1/25个像素点甚至更高也可以在几分钟之内完成软件设里和失真校正。软件,基于特征：对图像进行度量的方法应该是基于特征的，它是一种从灰度像素值中提取几何特征的技术。Lina说：这种算法可以模拟现实世界的度量是如何进行的而且这种算法的强壮性足够应对亮度上的变化。软件，视野：为了最优化操作，尽可能地使视野区域紧密地环绕待测特征软件侧量工具：预设置软件工具库可以简化包括测在内的机器视觉应用的设置，测量工具通过测且图像中边沿的距离来完成工作一幅由灰度像素点组成的图像其灰度值的急剧变化处便是边沿变化可以使由暗到亮或由亮到暗除了计算边沿之间的距离，测量工具还测边沿之间所成的角度和零件上的孔的大小和位置软件，设置/编程：Boatner指出：“一些视觉软件平台比另一些易用。”因为这些软件平台为用户提供了点击式控制而不需要要用户使用高级编程语言进行设置。基于视觉的侧软件,包括：边沿检测：忽略背景中的变化，并对图像中的边沿进行定位，计算边沿的角度及量级。卡尺：对零件的特征宽度提供高速的，亚像紊级的测量。区域（Blob）分析：表现高度的可重复性，测零件特征的区域、尺寸和质心刻度校准：将摄像头的像素点转化为实际世界中的工程单位。非线性校准：最优化系统精度，矫正由镜头和投射光带来的失真。而且可以在大视野的应用中使用更小、更易管理的矫正模板。通过简单的统计设侧临界值：反复地改变测量极限和评估结果是非常耗时的，而且在你的改变和评估完成时，也不能说测量极限处于最佳位置。只有当时间都已经被浪费之后,你才可以判断它是否起作用,而且你还不能完全确定为了节省时间，Brey说：设置你的视觉系统，令其输出标准值，产品通过的临界值正是根据此标准值来设置的。对收集的图像进行处理，然后将输出值整理成电子数据表格把合格零件和不合格的零件的检测数据分开计算这两组数据的标准差。生成柱状图。这两组数据的柱状分布不能交迭，如果交迭了,就要找一个更合适的标准值。对不合格组求平均值，选取一个临界值,使临界值在平均值之上的部分达到3Sigma（99.73%）。不合格率是由合格组的Sigma等级决定的。如果对于合格组和不合格组，不存在一个可以达到3Sigma等级的临界值，则再找一个新的标准值。设置。检侧方案的优化：使用存储的图形来提高检测的优化程度：视觉工程师会花费几个小时来优化检测方案。成本包括资金、零件和执行检测过程的时间。为一个罕见的疵点进行的等待是必要的，然而话费时间去等待或去制造疵点就是一种浪费了。而且对这些改动所进行的有效性论证也是很耗时的。因此：排列摄像头和光源，使其达到最优，确保所有感兴趣的物体都是可见的而且有最佳的对比度。校正系统，使其聚焦。收集一打有时时上百幅不同零件的图像，生成一个较小的工作样品组，10到20幅图像，有少数合格零件的图像，几幅各种不合格情况的图像，而完成此工作可能要收集数十亿幅图像。生成检测方案然后优化它，知道工作样品组中的所有图像都能正确地评估。检测较大样品组中的所有图像，优化检测方案，直到不存在”错误接受“的不合格样品，而且不合格率也可以接受。把这个检测方案应用到系统上。继续收集所有的图像。出项任何有问题的图像，将其加入工作样品组，然后理想的进一步优化检测方案，这样可以减少在工作机组前的等待时间参考文献[1]D.Jarrett.Inquirystrategiesforscienceandmathematicslearning.it’sjustgoodteaching.NorthwestRegionalEducationalLaboratory(NWREL),1997.[2]M.Knowles,E.Holton,andR.Swanson.TheAdultLearner:TheDenitiveClassicinAdultEducationandHumanResourceDevelopment.Butterworth-Heinemann,WoburnMA,2001.[3]K.O.Lewis.Imageprocessingforteaching(IPT)inscienceclassrooms.Meridian,AMiddleSchoolComputerTechnologiesJournal,5[4]A.McAndrew.Teachingimageprocessingusingminimalmathematics.InT.GreeningandR.Lister,editors,FifthAustralasianComputingEducationConference(ACE2003),2003.[5]I.MiliszewskaandA.Venables.Eectivedeliveryofcomp