王媛媛,郭延恩,施國全,韋俊霞,夏順仁
(1.浙江大學(xué) 生物醫(yī)學(xué)工程教育部重點實驗室,浙江 杭州310027;2.浙江省心腦血管檢測技術(shù)與藥效評價重點實驗室,浙江 杭州310027;3.杭州中船重工第七一五聲學(xué)研究所,浙江 杭州,310012)
近年來,隨著海洋資源開發(fā)、海洋環(huán)境監(jiān)測評價、淺海和海岸建設(shè)的日益增多,與海洋工程相關(guān)的海底聲學(xué)地層剖面探測也日漸頻繁.眾多探測手段中,海底地形的提取尤為重要,它不僅能提供簡便直觀的海底樣貌、巖層特征,還可以為沉積物地質(zhì)屬性的識別和聲學(xué)參數(shù)的提取提供參考信息[1,2].探測手段的發(fā)展促進(jìn)了海底成像的多樣化,數(shù)字圖像處理技術(shù)的引入使得海底各反射地層顯示更加清楚直觀,較為成熟的圖像處理手段也為海底復(fù)雜地形的提取提供了強(qiáng)有力的保障.
海底探測儀器(Chirp Sub-bottom profiler)發(fā)射線性調(diào)頻聲波,經(jīng)海底各存在聲阻抗差異的地層反射,由換能器接收到的能反應(yīng)水體深度(垂向)信息的信號稱為探測回波信號,此回波信號可以包含原始探測信號、相關(guān)信號、解析信號、包絡(luò)信號以及TVG 增益下的包絡(luò)信號等[3].此前的研究多是直接基于探測回波信號的振幅、頻率、相位等變化來提取相關(guān)界面.左國平等[4]采用滾動時窗來計算回波信號能量比值,從比值特征中判斷海底反射層位置.羅進(jìn)華等[5]在能量比值法基礎(chǔ)上,限制時窗滾動的范圍和相鄰兩列信號(以ping為計量單位)之間反射的時間差,提取連續(xù)邊界.劉秀娟等[6]采用最大振幅法實現(xiàn)海底反射信號的識別,平滑后得到邊界信息.丁維鳳等[7-8]根據(jù)剖面的形態(tài)特征采用間隔數(shù)據(jù)跳躍搜索來完成提取過程,提高剖面解釋的效率,比較能量比值法與互相關(guān)分析法在剖面提取過程中的表現(xiàn),采用人工交互來修正提取結(jié)果.
總體上看,目前常見的海底界面提取方法有能量比值法、相關(guān)分析法、最大振幅法等,此類方法均直接基于探測回波信號,回波信號精度高,信息量豐富.但回波信號均是單ping存儲,此類方法多是直接基于單個ping或者2 個ping,很難靈活利用多ping甚至整個空間域的關(guān)聯(lián)信息,故基于此的方法多半采取交互提取,費力費時,且存在個體差異.鑒此,本文將回波信號壓縮至8位灰度圖像,采用基于聲圖像的連通域標(biāo)記和動態(tài)規(guī)劃尋優(yōu)相結(jié)合的算法自動提取海底底形邊界.
工程上提取地形邊界的基本要求是準(zhǔn)確、連續(xù)、單像素.常見的邊界提取算子,如Sobel算子、Roberts算子、Canny算子等,均能通過較明顯的灰度變化識別邊界,但極易受到噪聲影響.實際的海底聲圖像(如圖1所示,水平軸為回波信號的個數(shù)n,單位:ping,垂直軸為垂直探測的深度δ,單位:m)對比度差,灰度較為集中且噪聲類型多變[9].因此直接應(yīng)用上述算子,會產(chǎn)生大量粗細(xì)不一的輪廓線,識別出的邊界線會存在很多斷點.形態(tài)學(xué)操作可以連接斷點,但同時也會帶來很多偽跡,且魯棒性差.
圖1 一幅典型的海底聲學(xué)圖像Fig.1 Typical acoustic image of seabed
本文首先計算圖像的連通域,選取滿足連通域面積條件的某一邊界點,進(jìn)而以此點作為動態(tài)規(guī)劃算法(Dynamic programming,DP)尋優(yōu)的起點,與此同時引入了能量函數(shù)的概念,實施尋找能量函數(shù)最小值為目的迭代DP 算法,從而得到單像素寬度的連續(xù)邊界.
連通域的檢測和標(biāo)記[10-12]是很多圖像處理和機(jī)器視覺必不可少的處理步驟,以Se表示結(jié)構(gòu)元素,作用原理可以表述如下:
對于二值化圖像I 內(nèi)任一點未被標(biāo)記的點p,令X0,p=p,采用迭代式(1)生成連通域Yp的所有元素,遍歷結(jié)束后,集合Y={Yp}即為標(biāo)記結(jié)果.
對圖1 所示的原始聲圖像采用固定閾值二值化,而后進(jìn)行形態(tài)學(xué)處理所得的結(jié)果如圖2(a)所示,可以看出,圖像上半段出現(xiàn)了一整條帶狀區(qū)域,這是聲束探測中旁瓣干擾.旁瓣干擾與地形邊界的信號強(qiáng)度相仿,且二者距離很近,甚至可能重疊.本文提出了一種灰度映射的方法,對一幅大小為M×N(M 為寬度,N 為高度)的圖像,定義灰度映射函數(shù)gi如式(2),其中I (i, j) 為當(dāng)前像素的灰度:
經(jīng)過式(2)的灰度映射,受旁瓣影響的區(qū)域灰度趨于一致,與不受影響的其他區(qū)域有較為明顯的灰度差值.邊界起點識別的步驟如下:
Step 1:計算原圖的灰度映射函數(shù),并提取映射函數(shù)的梯度▽gi.
Step 2:從圖像上觀察,旁瓣干擾的垂向范圍不超過探測深度的20%,故在0.2×h 高度范圍內(nèi),根據(jù)梯度差最大原則,即可去除圖像上方的帶狀區(qū)域的干擾.h為圖像垂向分辨率,取值為1 024.
Step 3:將去除干擾之后的圖像二值化,而后進(jìn)行連通域標(biāo)定.
Step 4:掃描標(biāo)定后的圖像,計算各連通域的面積,滿足式(3)時,記錄此連通域的標(biāo)號.
Step 5:找到Step4所得連通域的起點,以此點作為2.3節(jié)DP尋優(yōu)的起點.
不等式(3)中C 是經(jīng)驗常數(shù),表示可以認(rèn)定為邊界的最小連通面積值,具體應(yīng)用中可根據(jù)實際情況適當(dāng)微調(diào).本文取值2 000,是經(jīng)過多次實驗確定的一個經(jīng)驗值.若C 值較小,式(3)可能找到較小的噪聲區(qū)連通域;若C 較大,式(3)可能會跳過有效邊界,找到較大的噪聲區(qū)連通域.
按照上述步驟,得到的起點位置用白色十字標(biāo)注如圖2(b)所示,可以看出,本文提出的算法能夠有效地避開旁瓣信號影響,找到正確的邊界起點.
圖2 連通域標(biāo)記結(jié)果圖Fig.2 Result of connectivity labeling
DP的核心思想[13]是將問題分解為若干相似的子問題來解決,從而降低計算量和復(fù)雜度.對于一個復(fù)雜的問題,DP不直接求解,而是從易到難地解決此問題的子集,這些子集被稱為“狀態(tài)”.對于每個子問題,DP只保留最好的結(jié)果作為當(dāng)前值,而后解決下一個子問題,直至解決該問題本身.每一個子問題解決方法類似,這種一致的方法被稱為“狀態(tài)方程”,因此DP算法的行為模式取決于狀態(tài)和狀態(tài)方程.
概念1.韋伯最小分辨值Iweibo,Coren等[14]依據(jù)韋伯感光模型和人眼視覺分辨率提出了韋伯亮度差感知函數(shù)定義,見式(4),
此函數(shù)代表了不同亮度層次上,人眼能夠分辨的最小亮度差.當(dāng)噪聲較多時,則用8鄰域內(nèi)的灰度均值代替當(dāng)前像素點的灰度值I (i, j)[15].
概念2.8 鄰域下三角平均灰度Iavepart,如圖3陰影部分所示.觀察原始的海底圖像可以看出,待識別的邊界位置較暗,邊界之上總是有一段較亮的海水區(qū)域.不論邊界如何走向(左上傾斜、右上傾斜或者水平走向),邊界位置下三角內(nèi)的灰度均值總是相對較小.
圖3 8鄰域下三角區(qū)域示意圖Fig.3 Diagram of lower triangle in 8-neighborhood
概念3.像素的能量函數(shù)e.此函數(shù)綜合了多種特征信息,是海底地形的識別函數(shù),也是整個DP算法的核心函數(shù).當(dāng)能量函數(shù)值非負(fù)時,此值越小,越接近海底地形邊界,能量函數(shù)定義如式(5),
式中:Iave為當(dāng)前像素所在8鄰域內(nèi)的灰度均值,gy為垂直方向上的梯度,gx為水平方向上的梯度,dy為當(dāng)前點與前一個邊界的位置差值,即垂直方向上的位置差值.
能量函數(shù)的物理含義可以表述為:當(dāng)前點灰度、8鄰域下三角灰度均值都不應(yīng)超過200,8鄰域下三角灰度均值不應(yīng)該超過整個8鄰域的灰度均值,當(dāng)前點所在位置的垂直方向梯度應(yīng)該超過對應(yīng)的韋伯分辨率.如不滿足上述條件,將當(dāng)前點的能量置成-1,表示當(dāng)前點不可能成為邊界點.對于滿足條件的像素點,則準(zhǔn)確地計算能量,公式中的參數(shù)為實驗所得,公式中 的Ii,j、gy、gx、dy分別表 示了4個趨勢:灰度最小化,垂直方向灰度差異最大化,水平方向灰度一致化,邊界平穩(wěn)化.由此可以明確,在非負(fù)的情況下,能量越小,越接近邊界.
進(jìn)一步地,定義DP的狀態(tài)及狀態(tài)方程如下:
定義1.狀態(tài) J (i) ,DP算法的目的是在每一列像素中尋找能量函數(shù)的最小值.i表示列數(shù),圖像左起第1列i=0.J (i) 則表示第i 列中能量函數(shù)取得非負(fù)最小值的深度位置,即當(dāng)前列的地層位置.
定義2.狀態(tài)方程,狀態(tài)方程表述前后2種狀態(tài)之間的迭代關(guān)系,如式(6),
式 中:j∈ [J (i- 1) -50,J (i- 1) +50] ,表 示DP算法尋優(yōu)的范圍,EMax為人為設(shè)定的能量閾值,如果最小的非負(fù)能量值超過此閾值,則認(rèn)定在指定范圍內(nèi)邊界缺失.此時,采用修正項J (i- 1) 作為當(dāng)前列的邊界位置.
本算法以連通域標(biāo)定的結(jié)果作為邊界提取的起點,自起點向兩側(cè)逐列遍歷,算法作用的示意圖及流程圖如圖4所示.
為客觀評測文中所提出的算法,選用中船重工第715研究所于某海域采集到的海底地形數(shù)據(jù).原始數(shù)據(jù)為32位浮點型,采用劉冬梅等[16]提出的對數(shù)域壓縮方法將數(shù)據(jù)壓縮至8位圖像中,盡可能減少數(shù)據(jù)損失.
本文實驗平臺是Visual studio 2010,基于QT和VTK 的混合編程.考慮到實際的海底地形情況比較復(fù)雜,本文收集了較為典型的36例實測數(shù)據(jù)樣本,其中13 例 約 為2 000ping,16 例 在2 000~3 500ping之間,其余數(shù)據(jù)較大,10 000ping左右.樣本垂向分辨率均為1 024個像素.
采用文中算法對上述36例數(shù)據(jù)進(jìn)行測試,結(jié)果表明:32例可以正確識別邊界上的點,剩余4 例由于邊界周圍噪聲較多識別效果欠佳.識別正確率為88.89%,在一定程度上表明了文中算法的有效性以及C 取值的合理性.
進(jìn)一步地,以專業(yè)技術(shù)人員手畫邊界作為金標(biāo)準(zhǔn),采用準(zhǔn)確率A、平均歐氏距離D 和相似度S3種量化指標(biāo)來評測實驗結(jié)果.以C1,C2分別代表金標(biāo)準(zhǔn)曲線和本文算法提取的曲線,C1-C2表示2條曲線上每一列的縱坐標(biāo)對應(yīng)相減,μ,σ分別表示C1-C2的均值和標(biāo)準(zhǔn)差,length()是求取向量長度的函數(shù),對3種評測指標(biāo)的定義如下:
提高實習(xí)生病歷書寫水平,科教科組織成立了實習(xí)生病歷書寫培訓(xùn)小組,按照1∶10比例,即一名教師帶教10名同學(xué),每月對學(xué)生進(jìn)行病歷書寫的培訓(xùn),同時,針對培訓(xùn)教師和實習(xí)同學(xué)提出的關(guān)于病歷培訓(xùn)方面存在的問題,邀請病案室負(fù)責(zé)人進(jìn)行答疑,針對存在的問題進(jìn)行專項整改與訓(xùn)練,提高了培訓(xùn)效果。出院(“1+1”)考試:對將畢業(yè)的新疆醫(yī)科大學(xué)實習(xí)生進(jìn)行出院理論知識、大病歷及各項技能操作的考試。
圖4 DP算法示意圖及流程圖Fig.4 Diagram and flow chart of DP method
假設(shè)手畫邊界存在±0.3%的誤差,在垂向1 024分辨率條件下,式(7)定義的準(zhǔn)確率是落在金標(biāo)準(zhǔn)±3個像素位置內(nèi)的邊界點概率,表征了實驗結(jié)果與金標(biāo)準(zhǔn)的整體差別;式(8)定義的平均歐式距離是在垂直方向距離歸一化時,每一列實驗結(jié)果與金標(biāo)準(zhǔn)距離的均值,反映的是二者在空間位置上的差距;曲線相似度定義由三角形相似定義類比得出,當(dāng)一條曲線的任2點連線長度與第2條曲線上相對應(yīng)的2點連線長度成比例,這2條曲線相似,對于實際問題中不完全相似的2條曲線,江浩等[17]引入置信區(qū)間的概念來衡量2條曲線相似的程度,為了保證實驗結(jié)果的嚴(yán)謹(jǐn)性,本文取置信區(qū)間最小值μ-σ,μ+[]σ ,以落在此區(qū)間之內(nèi)的比例作為相似度,如式(9).3種評測指標(biāo)的數(shù)值結(jié)果如表1所示.
表1數(shù)據(jù)從編號1至36,數(shù)據(jù)文件的大小依次遞減.表1對應(yīng)的統(tǒng)計分析結(jié)果如圖5所示,準(zhǔn)確率與相似度盒圖如圖5(a)所示,平均歐式距離分布圖如圖5(b)所示.綜合二者可以看出本文方法在所有實驗數(shù)據(jù)上的評測結(jié)果良好,準(zhǔn)確率分布集中性略差,但中值在95%以上;相似度中值接近95%,且比較集中.平均歐氏距離是歸一化的結(jié)果,實驗數(shù)據(jù)的垂向分辨率為1 024(≈103),故而在實際圖像中,垂直方向平均距離最大不超過1個像素,最小則約等于0.對于36例測試樣本,采用本文算法提取的海底地形邊界(未經(jīng)人工干預(yù))準(zhǔn)確率均值為92.6%,相似度均值為93.3%,與金標(biāo)準(zhǔn)的歐式距離均值為0.23個像素.準(zhǔn)確率和相似度較高,說明2 條曲線走勢及彎曲程度近似一致,平均歐式距離小,說明實驗結(jié)果曲線與金標(biāo)準(zhǔn)在整體位置上距離很近,本文方法的魯棒性較好.本文的實驗結(jié)果如圖6所示,可以看出即使在海底地形多變的情況下也可準(zhǔn)確提取邊界.
表1 3種評測指標(biāo)數(shù)值分析Tab.1 Numerical analysis of 3evaluation indices
圖5 評測指標(biāo)統(tǒng)計分析圖Fig.5 Statistical analysis of evaluation indices
圖6 經(jīng)典的海底地形邊界提取結(jié)果Fig.6 Extracted result of typical seabed terrain boundary image
1)部分信號缺失
探測頻率變更或儀器故障時,原始數(shù)據(jù)可能出現(xiàn)部分聲學(xué)信號缺失,在圖像中則表現(xiàn)為部分縱列灰白,如圖7所示.對于這種情形,本文方法也較為準(zhǔn)確地檢測出了邊界,且檢測出的邊界位置較為連續(xù),可信度較高.
圖7 部分信號缺失的提取結(jié)果Fig.7 Result in case that part signals are missed
2)地形邊界起伏較大
滑坡或崩塌是海底較為常見的災(zāi)害性地形,在圖像上表現(xiàn)為較大的邊界起伏,如圖8所示.此類地形的誤判會給海洋工程帶來諸多困擾,故其提取也一直備受關(guān)注.
圖8 地形邊界起伏較大的提取結(jié)果Fig.8 Result of terrain boundary being largely fluctuated
本文提出的DP算法狀態(tài)方程中涉及到一個尋優(yōu)步長,表征著第i列到第i+1列邊界上下移動的最大可能.本文步長取值50,實驗證明,這個步長對此類海底圖像是有效的,既可以識別出起伏較大的邊界,也不至于受到較遠(yuǎn)處噪聲點的干擾.
3)地形邊界與旁瓣信號交疊
部分地形邊界會與旁瓣信號交疊,如圖9所示.2.2節(jié)中灰度映射操作會將旁瓣信號所在區(qū)域全部抹去,因此交疊區(qū)內(nèi)本文方法無法準(zhǔn)確提取此類邊界.但在交疊區(qū)外,本文方法可正常尋優(yōu).
圖9 地形邊界與旁瓣信號有重疊的提取結(jié)果Fig.9 Result in case that signals of side lobe and terrain boundary are overlapped
4)關(guān)于出錯邊界的人工干預(yù)
綜合如上評測可得,本文所述方法可在保證較高準(zhǔn)確程度的前提下,實現(xiàn)海底地形邊界的自動提取.在實際應(yīng)用中,用戶可以干預(yù)出錯邊界,調(diào)整邊界走向,如圖10所示.
圖10所示圖像海底地形邊界與旁瓣信號有交疊,且噪聲較多.在連通域標(biāo)記過程中,大面積噪聲區(qū)域率先滿足不等式(3),被標(biāo)記為起點,如圖10(a).錯誤起點引發(fā)的錯誤邊界如圖10(b)右側(cè)矩形框標(biāo)注,DP尋優(yōu)具有較好的容錯性,如果錯誤起點在正確邊界位置的尋優(yōu)步長之內(nèi),則在小范圍波動之后,DP會找到正確的邊界位置;圖10(b)左側(cè)的矩形框則表示旁瓣信號與地形邊界重疊而導(dǎo)致的出錯情況.在實際應(yīng)用中,所有邊界錯誤均可人為修正.本文設(shè)計的人工干預(yù)方法如下:記錄鼠標(biāo)在屏幕上單擊的坐標(biāo)位置,以此位置作為DP 尋優(yōu)的新起點,按照原有的狀態(tài)方程迭代,至新的邊界位置與原有邊界位置重合,即停止調(diào)整.另外,按住鼠標(biāo)拖拽也可精確調(diào)節(jié)邊界位置,按照以上方法,調(diào)整后的邊界如圖10(c)所示.
圖10 人工干預(yù)過程圖示Fig.10 The flow of manually guided processing
針對自動提取海底地形的實際需求,本文提出了一種基于連通域標(biāo)記與動態(tài)規(guī)劃(DP)相結(jié)合的方法.采用連通域檢測較為準(zhǔn)確地定位了邊界大致位置,進(jìn)而以邊界上的單個點作為DP 算法尋優(yōu)的起點,并在DP算法中引入了能量函數(shù)的概念,同時以該能量函數(shù)最小為準(zhǔn)則達(dá)到了提取邊界的目的.所提出算法的特點是:有效利用了空間域信息,較好地運用了動態(tài)規(guī)劃尋優(yōu)的優(yōu)勢,從而自動完整地提取整條邊界,魯棒性好.目前文中所提出的算法已成功應(yīng)用于作者單位所研發(fā)的海底淺地層剖面儀中,取得了良好的實測效果.當(dāng)然,對于邊界提取欠正確的情形,用戶可利用人機(jī)交互接口視需要進(jìn)行不同程度的調(diào)節(jié),準(zhǔn)確提取出邊界.
目前的算法可以有效地提取出海底地形邊界,未來工作需進(jìn)一步考慮提取除海底表層以外的其他反射層的邊界.
(
):
[1]DJIKPESSE H,SOBREIRA J F F,HILL A,et al.Recent advances and trends in subsea technologies and seafloor properties characterization[J].The Leading Edge,2013,32(10):1214-1220.
[2]陳曉輝,張訓(xùn)華,李鐵剛,等.渤海海峽及周邊海域淺地層結(jié)構(gòu)及地層聲速的拾取[J].海洋地質(zhì)與第四紀(jì)地質(zhì),2012,32(1):69-75.CHEN Xiao-hui,ZHANG Xun-hua,LI Tie-gang,et al.Shallow stratigraphic sequences and their acoustic velocity in the Bohai Strait and surrounding areas[J].Marine Geology &Quaternary Geology,2012,32(1):69-75.
[3]HENKART P.Chirp sub-bottom profiler processing-A Review explains how chirp signals may be recorded as correlates,analytic or envelope[J].Sea Technology,2006,47(10):35-38.
[4]左國平,王彥春,隋榮亮.利用能量比法拾取地震初至的一種改進(jìn)方法[J].石油物探,2003,43(4):345-347.ZUO Guo-ping,WANG Yan-chun,SUI Rong-liang.An improved method for first arrival pickup using energy ratio[J].Geophysical Prospecting for Petroleum,2003,43(4):345-347.
[5]羅進(jìn)華,丁維鳳,潘國富.改進(jìn)的滾動時窗法實現(xiàn)海底淺地層剖面反射層位自動拾取的研究[J].物探化探計算技術(shù),2008,30(5):363-367.LUO Jin-hua,DING Wei-feng,PAN Guo-fu.Research on automatic picking of the reflection horizons of subbottom profile based on the improved moving time-window method[J].Computing Techniques for Geophysical and Geochemical Exploration,2008,30(5):363-367.
[6]劉秀娟,高抒,趙鐵虎.淺地層剖面原始數(shù)據(jù)中海底反射信號的識別及海底地形的自動提?。跩].物探與化探,2009,33(5):576-579.LIU Xiu-juan,GAO Shu,ZHAO Tie-hu.The recognition of the seabed reflection signal and the automatic pickup of seabed topography from the original data of sub-bottom profile [J].Geophysical and Geochemical Exploration,2009,33(5):576-579.
[7]丁維鳳,羅進(jìn)華,來向華,等.淺地層剖面交互拾取解釋技術(shù)研究[J].海洋科學(xué),2008,32(9):1-6.DING Wei-feng,LUO Jin-hua,LAI Xiang-hua,et al.The research of interactive interpretation picking for subbottom profile[J].Marine Sciences,2008,32(9):1-6.
[8]丁維鳳,潘國富,茍錚慷,等.基于能量比與互相關(guān)法的地震剖面反射同相軸交互自動拾取研究[J].海洋學(xué)報,2012,34(5):87-91.DING Wei-feng,PAN Guo-fu,GOU Zheng-kang,et al.The research of interactive auto pickup of seismic enents based on energy ratio and cross-correlation [J].Acta Oceanologica Sinica,2012,34(5):87-91.
[9]宋坤坡,夏順仁,徐清.考慮小波系數(shù)相關(guān)性的超聲圖像降噪算法[J].浙江大學(xué)學(xué)報:工學(xué)版,2010,44(11):2203-2208.SONG Kun-po,XIA Shun-ren,XU Qing.Algorithm considering correlation of wavelet coefficients for ultrasound image denoising[J].Journal of Zhejiang University:Engineering Science,2010,44(11):2203-2208.
[10]HE L,CHAO Y,SUZUKI K,et al.Fast connectedcomponent labeling [J].Pattern Recognition,2009,42:1977-1987.
[11]CAO Y,HAO X,XIA S.An improved region-growing algorithm for mammographic mass segmentation[C]∥Sixth International Symposium on Multispectral Image Processing and Pattern Recognition.Yichang:International Society for Optics and Photonics,2009:74971O-1-74971O-7.
[12]GONZALEZ R,WOODS R.Digital image processing[M].Beijing:Publishing House of Electronics Industry,2002:434-437.
[13]WAGNER D B.Dynamic programming [J].The Mathematica Journal,1995,5(4):42-51.
[14]COREN S,WARD L M,JENNS J T,Sensation and Perception(4th ed)[M].Fort Worth,USA:Cold Spring Harcourt Brace College Publishers,1994.
[15]郭禮華,李建華,楊樹堂.綜合區(qū)域和邊界信息的圖像自適應(yīng)分割技術(shù)[J].上海交通大學(xué)學(xué)報,2005,39(4):522-526.GUO Li-hua,LI Jian-hua,YANG Shu-tang.Adaptive image segmentation combining region and boundary information[J].Journal of Shanghai Jiaotong University,2005,39(4):522-526.
[16]劉冬梅.高動態(tài)范圍圖像顯示算法的研究[D],上海:上海交通大學(xué),2009.LIU Dong-mei.Study on high dynamic range image displaying algorithm[D],Shanghai:Shanghai Jiaotong University,2009.
[17]江浩,褚衍東,郭麗峰.曲線形態(tài)相似性的定義與度量[J].云南 民 族 大 學(xué) 學(xué) 報:自 然 科 學(xué) 版,2009,18(4):316-318.JIANG Hao,CHU Yan-dong,GUO Li-feng.Definition and measurement of shape similarity for curves[J].Journal of Yunnan University Nationalities:Natural Sciences Edition,2009,18(4):316-318.