前言：中文期刊网精心挑选了过分水岭范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
过分水岭范文1
万事俱备，东风欲来
黑格尔曾说，伟大的历史总是重复两遍。不断发展的IT硬件产业和通信产业已经将当今的世界推向了移动世界的边缘。显而易见，移动时代已悄然来临。一直致力于移动商务领域的亿美软通CEO李岩也对记者如是说，他坚信，移动互联网(Mobile-Internet)的“井喷”即将到来。
2007年，被很多业内人士称作是“移动商务年”。首先，年初的一份调研报告显示，移动互联网用户数量已经接近固定互联网用户数量;接着CNNIC的调查数据也显示，在现有手机上网用户中，有一半以上都是在一年之内的新增用户。于是乎，几乎所有的资深互联网分析师都分析得出:移动互联网进入“井喷”前的蓄力阶段。
移动互联网用户的飞速增长给了行业充分的信心，各项新技术、新产品也因此而层出不穷。手持设备、笔记本电脑等也越来越被企业的电子商务信息扩展到商业交易发生的任何地方。
近日，用友软件与NTT DoCoMo成立合资公司，推出了瞄准移动用户的“移动商街”。与此同时，亿美软通宣布包括网页自动适配技术等一系列移动商务技术取得了突破性进展，基于新技术之上的一大批注重用户体验的移动商务产品也逐渐获得市场认可。
可以说，无论产品还是技术，无论用户还是市场，移动互联网的发展已经万事俱备，现在只欠东风。
2007年，移动商务的分水岭？
如果说，今天已经3G了，中国的移动商务企业就等着金银满钵了吗？机遇有了，问题是，大大小小的移动商务企业都准备好了吗？
曾经有人把移动商务简单的理解为短信群发。然而移动商务的含义并非只是短信层面的运用这么简单。亿美软通CEO李岩认为，“短信只是移动商务应用的冰山一角。2006年以前只能看作是移动商务的初级阶段。真正的移动商务时代还没有到来。”
用友移动公司总经理杨健也表示，“移动商务应用的前景和价值是无庸置疑的，但是市场的启动、发育和成长需要一个过程。”
尽管大家在“移动商务应超越短信层面”这一点上存在共识，但有关移动商务发展模式的争论仍十分激烈。处于业内第一集团的几大企业在动向上呈现出八仙过海，各显神通的局面。新网互联、用友、亿美软通等都根据自己对于移动商务的理解和自身的技术实力，开发出了一些具有突破意义的新产品。
新网互联推出的短信网址在一段时间内赚足了眼球，被誉为“创新产品”。但后来被更多的业内人士指认为是“概念炒作”。创新也罢，炒作也好，新网互联把短信商务等同于移动商务的做法，可能将因为技术含量过低，而被复制抄袭，也因此搭不上3G的“动车组”。但目前来看，它仍被公司十分看重，并且仍保持了稳定的用户群。
与短信网址概念陈旧形成鲜明对比，用友最近全力打造国内首个移动商务平台――“移动商街”，引起了业界和媒体的广泛关注。
业内专家也指出，移动商街这个蓝图如此宏大，如何让它“落地生根”可能会成为“最大的悬念”。而且由于商街模式与中国目前移动商务用户发展现状的断层，在推广上仍不免烧钱。对于企业“三年后赢利”的目标，部分经销商明确表示:“玩不起”。应该说，移动商街在移动商务上发展方向是正确的，然而可能有些操之过急。用友如果快进一步，那么渠道伙伴将很可能被遗失在半路上。
相比较而言，亿美作为国内进入移动商务领域较早的企业之一，则显得更加低调而务实。在没有太大市场声音的情况下，它早已创造性的将CRM、物流、客服等商务应用搬到了手机上。
目前亿美公司仍在投入相当精力继续开发移动信息化管理系统的系列产品，满意通、数据通、迅时通等丰富的移动信息化产品都已进入成熟的应用阶段，该系列产品将帮助企业与员工手机互动，完成客户关系管理、销售管理、现场任务管理等任务。
据了解，亿美的系列产品已经为惠普、可口可乐、思科等500强企业在移动信息化过程中所采用，为这些大牌公司持续赢得良好的市场回报。
自2006年，亿美开始与爱立信、DRUTT、TEKEVER等多家国外领先技术厂商结成战略合作伙伴，建立了面向3G的全新技术架构。
亿美与国际领先技术厂商联合开发了基于移动互联网自动适配技术的无线网站建站平台。这些技术已经成熟应用于沃达丰等多家国际电信运营商，可以使企业网站适应各种类型的手机、PDA等数千款移动终端，大大改善了用户的移动上网体验，力求使面向3G的技术创新赢得市场支持。
现在的中国移动商务领域“闹哄哄，你方唱罢我登场”，很多企业盲目乐观高歌猛进，俨然没有蓄势待发的沉着冷静。
诚然，任何一个新兴行业的发展都是伴随着争论，都有一个从喧嚣到寂静的过程，而恰恰是这个过程，为企业分析市场形势，把握行业特征，从技术、应用价值和客户体验诸方面加以努力提供了良机。如果只是单纯模仿或是一味造势，企业很容易迷失在这片浮华的表象之中。
“尽管各路诸侯风格迥异，但移动商务企业要想巧借3G东风，实现业绩增长，必须为即将到来的突破做好全方位准备。除了业务‘落地’以支撑企业良性运营之外，技术方面跟上时代步伐也是关键，”专业人士分析，“以是否拥有面向3G的、具备实际价值的技术开发为标志，2007年将成为中国移动商务的分水岭。”亿美软通CEO李岩指出，给用户直接带来体验和实际价值就是这道分水岭的地貌特征，只有跨过这个分水岭才是移动商务美好的广阔天地，反之将是低端群发和垃圾短信的混战。
移动商务霸业，谁主沉浮？
移动改变我们的城市，改变我们的生活方式，也改变着我们的商业模式。但由于各大厂商对移动商务的理解不同，技术储备不同，探索和努力方向不同，使移动商务在迎接3G的道路上呈现出多头并进的局面。
眼花缭乱的现实不禁让人产生疑问:移动互联网究竟应如何发展？什么样的移动商务才是真正的移动商务呢？换言之，移动商务企业将如何跨越2007这个分水岭，以实现为用户带来更多价值的目标呢？正如一个健康发展的行业，必须兼顾企业、用户、渠道三方利益，健康的移动商务，应该用企业的技术，通过渠道的力量，解决用户的应用需求。
从全局来看，走“技术领先，应用为王”发展道路的亿美，似乎更符合已被证实成功的企业成熟稳健型运作模式。亿美软通选择WAP自动适配技术作为突破口，既解决了移动互联网上网体验差的难题，使公司在向3G前进之路上占据先机，又照顾了市场需求，与广大公司无线建站的信息化步伐达成一致。亿美也凭借在该技术上的巨大优势成为中移动ADC计划主要合作伙伴，扩大了其品牌影响力。
用户应用和体验也是企业能否赢得市场的关键。对于国内的移动商务而言，首要的任务是针对企业用户的体验，在促进企业用户移动信息化的进程中为自身赢得机会。注重应用的落地为亿美带来了丰厚市场回报，也为其技术上的突破和保持领先地位打牢了根基。据介绍，“满意通”受到惠普的充分肯定，向Cisco提供的全面移动商务组件解决方案也反应良好。此外，亿美还推出了以嵌入技术为主的SDK产品迅时通。它提供全面的通讯平台、独立通道、商管理平台服务，将带给行业应用伙伴全新的体验。
而得渠道者得天下，渠道建设是各大移动商务服务商在追逐广阔市场空间前急需解决的问题。由于前几年的移动商务发展尚不成熟，并且许多企业刚刚进入，所以大多数没有相应的渠道建设。而3G一旦来临，将使移动互联网迎来飞速发展期，移动商务领域势必面临重新洗牌，而拥有完备的渠道网络是立于不败之地的保证。作为已经具有较为健全和稳定渠道体系的用友而言，其渠道优势对于扩大公司在3G时代的影响力有巨大的优势。面对用友在渠道方面已形成的不小威胁，以亿美为首的众多企业也开始加紧了渠道的全面建设。移动商务时代究竟谁能逐得更多的“鹿”，暂时还无法断言，但从技术、应用、渠道等多方面来综合考察，我们也许能够看到一个竞争更加激烈的未来。
政府、金融、交通、工商、警务、医疗、物流……不可否认，移动商务已被广泛地应用于社会的每个角落，公众网、移动商务等涉及行业信息化发展的服务内容，也极大的方便了人们的社会生活。
过分水岭范文2
奥运会不会成为中国经济拐点
从历届奥运会看，希腊、西班牙和韩国在奥运会举办后。或多或少都出现了低谷效应引发的经济增长放缓。但是这种现象并不必然，美国洛杉矶和亚特兰大两届奥运会后。美国经济增长分别出现了放缓和加速两种走势，而澳大利亚在悉尼奥运会后。经济也出现较大幅度增长。
分析发现。在奥运会后经济增长放缓的希腊，西班牙和韩国等国。经济规模不大。而举办城市的经济规模占该国的比重却相对较大。作为拉动举办城市经济增长的外部因素。奥运经济刺激效应一旦消失。通常会造成举办国的整体经济增长放缓。
但中国的经济规模比上述国家要大得多，从人口、GDP、固定资产投资看，北京的经济总量占全国的比重并不高。因此。奥运会在奥运建设期对国内其他地区的经济增长只有0.07％的提升作用。在2008年预计最多也只有0.23％。即使奥运会过后，北京市经济受到低谷效应的影响开始趋缓。全国其他地区受到的波及也会很小。因此可判断。2008年奥运会不会成为中国经济的分水岭。
奥运景气板块值得关注
虽然不必把2008年奥运会对中国经济的影响看得过重，但仍具备通常意义上的“奥林匹克景气”特征。从而带来结构性的经济增长和投资机会。
旅游酒店行业
历届奥运会都会不同程度地带来举办国游客人境人数的提升，使旅游酒店板块成为奥运经济效益的最大来源。如汉城奥运会结束前后。韩国旅游入境人口达到阶段性高点。旅游收入也相应大幅提升。北京奥运会期间。预计将吸引大约68万人次的外国旅游者以及200多万人次的国内游客。2008年全年将大约会有640万次境外游客，1.6亿次境内游客到京游玩。带来48亿美元和1634亿元人民币的旅游收入。
北京星级饭店房价和入住率在奥运景气作用下将持续走高。除了酒店业。旅行社和景区将同样受益。大量的游客，使国内旅行社行业面临巨大商机-虽然旅行社行业毛利率偏低。但充足的业务量使它们有了更大的经营空间，行业景气度有望在奥运期间得以巨幅提升。
部分受惠个股
首旅股份 集团下属的民族饭店和京伦饭店为北京组委会指定酒店，两家酒店奥运期间70％客房已经为奥组委预定。而剩余30％的客房中，70％左右已经被海外客户预订。
中青旅 在公司旅游业务收入中，北京地区收入占50％。2008年北京奥运会将对公司的业绩带来极大的推动作用。
中国国贸 受益于北京奥运期间的大量游客。
零售批发行业
在举办悉尼奥运会期间，澳大利亚全国和举办城市所在地新南威尔士州的零售额增长都达到阶段最高点。其中，家居用品、百货商店，服装以及其他商品(包括药品及化妆品零售、花园用品零售、鲜花零售、手表及珠宝零售等)表现得更为突出。
和悉尼奥运会相比。2008年奥运会期间。北京将接待更多的游客。由此给零售板块带来的奥运效应，也将比悉尼奥运会大得多，而给百货商店、手表、珠宝等零售业带来的惊喜会更多。
部分受惠个股
孚日股份 2008年北京奥运会唯一一家家纺类特许经营商。
王府井 北京市场百货份额最大的零售商，受益于奥运期间北京核心商圈的人气和客流量。
北京城乡 公司的房地产项目与北京2008年奥运有关比赛场馆毗邻；公司是2008年北京奥运商品特许经营10家零售店之一；主营仓储连锁超市业务也将受益于奥运带来的大量游客。
广告传媒行业
自从洛杉矶奥运会引入商业化运作以来。广告商加入全球合作伙伴计划(TOP)等赞助活动。增强有力地带动媒体产业走强。为大幅提升公众对奥运会的关注。举办国在奥运会当年广告支出都会出现突增，从而使媒体板块在奥运当年表现突出。其中与奥运相关度大的媒体上市公司受益尤其明显。
部分受惠个股
歌华有线 2002～2008年奥运会规划投资在2800亿元左右。
中信国安 受益于北京奥运带来的数字电视的普及。
中视传媒 许多大的国际性公司将在央视或者各场地投巨资做广告，作为央视唯一的上市公司，公司的广告收入将飞速增长，北京奥运会将采用高清数字电视技术向全世界进行转播，而公司是央视高清频道的内容提供和编排者。
建筑工程行业
建筑业是奥运会首当其冲受益的行业。如在奥运会建设期间。韩国和澳大利亚的建筑指数在奥运前1～2年即开始启动。但奥运会结束、失去奥运项目需求后，基建板块的走势将取决于是否有新项目来维持业务量。日本在东京奥运会期间的建筑投资过度集中。造成奥运会结束后缺乏新的投资热点项目。就直接影响了其建筑行业的可持续发展。而韩国则把与奥运相关的建筑投资分散到7年中完成。且奥运会结束后还有西海岸开发这一重要的利润增长点，从而并未出现建筑行业业绩大幅下滑的局面。
和前几届举办过奥运会的国家相比。中国的城市化，工业化进程还远未完成。大规模的基础设施建设、城市化建设仍将持续，奥运投资占我国投资总额的比例很小。而且，北京的奥运投资也是分布在7年中完成的。除非出现大的调控。后奥运时期我国基建行业将不会缺乏业务增长点。
部分受惠个股
承德钒钛 其新川级钢筋为北京奥运重点工程的国家体育场(鸟巢工程)使用，其他产品在北京基础建设市场也具有较高认可。
过分水岭范文3
关键词：图像分割;形态学重建;分水岭;结构元素
中图法分类号：TP391.41 文献标识码：A
A Watershed Segmentation Algorithm Based on Morphology Reconstruction and Maxima Mark
Zhang Yan-hong， Li Ying， Wang Feng-qin， Zhang Zheng-xia
（Naval Aeronautical Engineering Institute， Yantai Shandong 264000）
Abstract： For over-segmentation problem of traditional watershed segmentation algorithm， research and realize a new segmentation algorithm combined morphology reconstruction and maxima mark. First， opening and closing reconstruction was conducted on the image which could remove all kinds of noise and retain original structure of the target. Secondly， local maxima was adjusted and marked which could avoid the over-segmentation effectively. Finally， watershed segmentation on the local maxima image achieved good results. The key factor of the algorithm which is how to select structural elements was discussed in this paper. A large number of experiments got conclusion which is select structural elements shape similar to the target image and size appropriate to it can achieve better segmentation.
Key words：image segmentation; morphology reconstruction; Watershed; structural elements
1 引 言
分水岭算法是一种结合了地形学和区域生长思想的图像分割方法，算法的主要目标是找出分水线[1]。与它的名字类似，可以用水逐渐淹没大坝的过程来解释分水岭算法的基本思想：假设在每个区域最小值的位置打一个洞，并且让水以均匀的上升速率从洞口涌出，从低到高淹没整个地形。当处在不同汇聚盆地中的水将要汇聚到一起时，修建的大坝将阻止聚合。水将只能达到大坝的顶部处于水线之上的程度。这些大坝的边界对应于分水岭的分割线，是由分水岭算法提取出来的边界线。
由于图像中噪声、纹理细节差异等的存在，易造成大量的虚假轮廓，干扰我们对图像中感兴趣目标轮廓的识别，这种现象被称为“过分割”[2]。分水岭算法的过分割现象使图像分割的结果往往不理想，难以根据分割出来的轮廓识别真正的目标，因此，通常采用改进后的分水岭分割算法。目前改进思路有两种：一种是图像后处理，另一种是图像预处理[3]。本文基于第二种思想，提出了一种基于形态学重建和极大值标记的的分水岭分割算法，并以大米图像为例，成功进行了实验，较好地控制了过分割。
2 基于形态学重建和极大值标记的分水岭分割
2.1 算法思想
传统的分水岭算法直接在梯度图像上进行分割，通常会由于噪声和其他因素，如梯度的局部不规则性等，导致过分割现象，如图1（c）所示，分割出来的图像没有任何实用价值。所以，在分割前通常需要对图像进行预处理，有效地去除噪声。本文结合形态学重建技术，实现预处理。
（a）原图像 （b）梯度图像 （c）梯度图像分水岭分割
图1 梯度图像分水岭分割
形态学开闭重建技术常在图像预处理阶段被用来平滑图像[4]。经开闭重建技术处理的图像可以很好地去除或减弱图像中亮区域和暗区域中小于结构元素的各类噪声。另外，它不会改变图像中目标原有的结构，对于图像边缘的影响不大，处理后的图像边缘不会有偏移情况出现。因此，本文首先对图像进行开运算重建，再对结果图像进行闭运算重建，以此对图像进行清理。
不少学者提出并应用了标记区域极小值的分水岭分割算法[5]，但通常由于噪声、纹理等因素的影响，局部极小值的个数往往会大于图像中具有实际意义的目标对象，容易形成“过分割”，故本文尝试标记极大值，并对极大值图像进行形态学调整，以此消除来自背景不规则的局部极大值点的干扰，最后对标记后的图像进行分水岭分割，取得了较好的实验效果。
本文算法基本思想与流程图如下：
2.2 算法实现
具体步骤及实现如下：
（1） 形态学重建预处理。选择合适的结构元素对原图像进行腐蚀操作与形态学重建，这里我们选择半径为3的圆盘形结构元素（具体如何选择结构元素，下节探讨），得到开重建后的图像如图3（a）所示。再对重建后的图像进行膨胀和形态学重建，开闭操作形态学重建后如图3（b）所示。实验证明以重建为基础的开闭操作比一般的开闭操作在去除小的污点时会更有效，并且不会影响图像的轮廓。
（a） 开操作形态学重建 （b） 开闭操作形态学重建
图3 形态学重建预处理
（2） 局部极大值图像的求取与调整。求取局部极大值图像，如图4（a）所示;再对局部极大值图像进行闭操作、腐蚀、开操作调整，消除来自背景不规则的局部极大值点的干扰，操作结果如图4（b）所示;设置前景的局部极大值为255，在原图上显示局部极大值，如图4（c）所示，可以认为成功显示局部极大值的区域是可以被成功分割的。
（a）局部极大值图像 （b）调整后的局部极大值图像
（c）在原图上显示局部极大值
图4 局部极大值图像的求取与调整
（3） 进行分水岭变换。局部极大值图像背景像素是黑色的，但理想情况下，我们不希望背景标记太靠近目标对象的边缘，可以通过“骨骼化”进行细化，对二值图像的距离进行分水岭变换，然后寻找分水岭的界限，如图5（a）所示。对局部极大值图像进行分水岭分割，将分割结果与分水岭边界图叠加到原图像上，如图5（b）所示。
（a）分水岭界限 （b）叠加图像
图5分水岭变换
从实验结果可以看出，大部分的米粒都被标记出来且被较好地分割，对比直接进行分水岭分割算法（图1（c）），效果明显有效，同时避免或减弱了过分割现象的发生。
3 算法的关键因素――结构元素选择问题的探究
在算法实现过程中通过大量实验发现，影响该算法分割效果的一个重要因素是步骤（1）中结构元素的选取。通过对比同一图像使用不同结构元素的分割结果，以及使用同一结构元素对不同图像进行分割的结果，可以认为，在进行该算法时，依据图像的大体形态特征选择合适的结构元素进行形态学预处理是十分关键的一步，如果不进行预处理则容易出现过分割现象，预处理的结果影响着该算法的成功与否，而结构元素的选择又影响着预处理效果的好坏。那么如何选取合适的结构元素，以获得较好的分割效果呢？通过实验可得到如下结论：选择与目标图像形状相似、大小适宜的结构元素可获得较好的分割效果。即如果分割目标较小且数量较多时，选择结构元素要相应偏小，比如分割大米图像选取半径为3的圆形结构元素;如果分割目标面积较大且数量较少时，则选择相对较大的结构元素，比如分割水果图像选取半径为20的圆形结构元素效果较好。该结论可通过以下实验予以证明。
如图6所示，是大米图像选取半径为20的圆形结构元素进行形态学操作的分割结果，可以看出，在进行开闭操作形态学重建后，由于选取结构元素在腐蚀和膨胀后将米粒间的空隙消掉了，局部极大值涵盖了整个图的上半部分，分割的结果是仅有位于图像中间的几粒米被分割出来了。
（a）形态学重建 （b）局部极大值图像 （c）叠加图像
图6 半径20的圆盘形结构元素分割结果
如图7所示，是大米图像选取半径为5的圆形结构元素进行形态学操作的分割结果，当结构元素的半径变小，形态学重建之后就会存在更多的能清晰辨认的米粒，因此分割的效果比前一种要好很多。
（a）形态学重建 （b）局部极大值图像 （c）叠加图像
图7 半径5的圆盘形结构元素分割结果
如图8所示，是水果图像选取半径为20的圆形结构元素进行形态学操作的分割结果，可以看出，绝大部分前景图像都被成功标记，较好地分割了水果原图像。
（a）水果原图像（b）调整后的局部极大值（c）分割图像
图8 半径20的圆盘形结构元素分割结果
如图9所示，是水果图像选取半径为5的圆形结构元素进行形态学操作的分割结果，对比图8可以看出，在标记局部极大值时由于形态学重建后前景和背景的分离不明显，局部极大值标记并不准确，所以分割的结果并不理想，水果间的空隙处属于背景与前景分割不明显的区域。
（a）原图像（b）调整后的局部极大值 （c）分割图像
图9 半径5的圆盘形结构元素分割结果
实验表明，在对图像进行形态学重建时，选取不同的结构元素得到重建后的图像，在进行求局部极大值操作后，所显示的局部极大值图像是不相同的。原因在于，选取过大的结构元素会在在重建过程中，使得前景背景差别较小的位置变得模糊，在后来的分割过程中，被模糊掉的部分会被认为是背景，无法完成分割;选取过小的结构元素不能有效滤除图像中的噪声，在形态学重建过程中，噪声形成的极大值点也被标记，导致出现过分割的问题。
但是，目前仍没有一个通用的可以通过每幅图像特征计算结构元素取值的方法，所以在实际操作过程中我们只能通过经验的方式选取大致适合的结构元素进行操作。所以，算法的广泛性还是存在局限，也反映出图像处理没有通用算法的客观事实。
4 结 束 语
本文在传统分水岭分割算法的基础上，研究并实现了基于形态学重建和极大值标记的分水岭分割算法。首先对对图像进行形态学开闭重建，消除噪声;然后求取局部极大值图像并进行形态学调整，消除图像中的不规则极值点;最后对局部极大值图像进行分水岭分割，取得了较好的实验效果。论文还探究、分析了形态学重建时结构元素的选择对分割效果的影响，通过大量实验得出选取与分割目标结构相似、大小相适应的结构元素使得分割效果更加理想的结论。
参考文献：
[1] 刘刚.MATLAB数字图像处理[M].北京：机械工业出版社，2010： 180～182. [2] James S Duncan .Nicholas Ayache Medical Image Analysis：Progress over Two Decades and the Challenges Ahead[J ]. IEEE Trans on Pattern Analysis and Machine Intelligence ， 2013 ， 22（1）： 85～86. [3] 高丽，杨树元，李海强.一种基于标记的分水岭图像分割新算法[J].中国图象图形学报，2007，12（6）： 1025-1030.
[4] .图像分割算法研究[J].世界科技研究与发展，2012，32（3）：157- 158.
[5] 阮秋琦.数字图像处理学[M].成都：电子工业出版社，2001：180-182..
[6] Zimmer C，Zhang B， Dufour A. On the digital trail of mobile Cells[J ].IEEE Signal Proc， 2011， 23（3）：54 -62.
[7] 田迎华，杨敬松，陶跃. 基于边缘检测的噪声图像压缩编码方法[J].计算机应用，2008， 28 （9）：157～158.
[8] 邵军花，刘玉红，邸敬，周东梅. 香农编码的优化算法研究[J].兰州交通大学学报， 2010， 15 （6）：58-59.
过分水岭范文4
【中图分类号】R541.6【文献标识码】A【文章编号】1044-5511（2011）10-0094-01
脑分水岭梗死越来越被人们重视，脑分水岭梗死是指两条主要动脉供血交界区域的脑梗死，患病率占全部脑梗死率10%，CT可分为：①皮质前型：是大脑前动脉、中动脉分水岭脑梗死。②皮质后型：是大脑中动脉，后动脉或大脑前、中、后动脉皮质支分水岭梗死。③皮质下型：是大脑前中动 脉后动脉皮质支与深穿支的分水岭区。主要病因：血液动力学障碍，颈内动脉严重狭窄，心源性动脉源性栓塞，常见于卒中样发病，症状相对较轻，及时治疗，恢复较快。
1 临床资料
1.1一般资料：
本组男14例，女6例，年龄42～80岁，平均年龄62岁。发病时的状态：睡眠晨起发现16例，活动中发病4例，急性起病4例，进展卒中11例，反复发作5例，既往患有高血压病史12例，糖尿病5例，冠心病、心衰、房颤2例，心肌梗死1例，急性肠炎2例。
1.2 临床特征：
20例中有意识障碍3例，肢体偏瘫16例，偏身感觉障碍3例，偏盲4例，情感障碍1例。
1.3 脑分水岭梗死影像学特点：
所有患者均接受CT或头颅MRI检查，弥散成像对早期诊断大为敏感。
1.4 治疗转归：
给予扩容、补液、抑制血小板聚集、抗凝、改善循环、对症治疗，治愈14例，部分后遗症6例。
1.5 发病因素：
①冠心病、心梗以及冠心病、心衰、房颤致使血压下降。②不恰当地应用降压药物4例，致血压下降。洗澡中发病3例，脱水、大汗造成的低血流量所致的低血压。肺炎发热1例。③脑动脉狭窄20例患者均行脑彩超，TCD检查，5例头颅MRI检查，2例行数字减影DSA检查，其中颈内动脉斑块8例，占40%，颈内动脉或大脑中动脉中以上狭窄5例，心脏疾病3例，急性心梗1例，糖尿病4例，高脂血症1例，既往有过脑梗塞的4例，冠心病、心衰的2例。
2 讨论
分水岭梗死多见于老年人，病因一致认为，血液动力学障碍引起的低灌注，严重的颈动脉狭窄或闭塞等不同的发病机制。笔者认为低血压、低血流量是主要原因，尤其是医源性低血压不恰当地或过分地应用降压药在临床上。除有糖尿病以外，建议老年人血压不宜降至150mm Hg（1mm Hg=0.133kPa）以下。研究表明，颈动脉狭窄达正常管腔50%以上就可能引起分水岭脑梗死。本组20例患者行颈部颅内血管彩超显示5例，颈内动脉或大脑中动脉狭窄大于50%占25.7%。上述证据表明，在体循环低血压或心排血量减低时，容易出现分水岭区梗死，故对于有颅内血管狭窄的患者，血压控制适当放宽，以收缩压控制在150mm Hg为宜，防止狭窄远端脑组织严重低灌注，同时微栓子的栓塞也是分水岭梗死的一个发病机制。
参考文献
[1]李茂文，邓建． 脑血栓患者血脂，高、低密度脂蛋白，载脂蛋A、B的观察［J］．卒中与神经疾病，1998，5（3）：162-164．
[2]覃春光，刘开福．急性脑血管病268例临床分析［J］．中国实用内科杂志，2002，22（3）：182．
过分水岭范文5
关键词:分水岭算法;标记;数学形态学;图像分割
中图分类号: TP751.1;TP391.41 文献标志码:A
Segmentation method for crop disease leaf images based on watershed algorithm
REN Yugang1,2*, ZHANG Jian1, LI Miao1,YUAN Yuan1
(
1.Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei Anhui 230031, China;
2.School of Information Science and Technology, University of Science and Technology of China, Hefei Anhui 230026, China
)
Abstract:
A new method based on watershed algorithm was proposed to raise the segmentation accuracy of the crop disease leaf images. At first, distance transformation and watershed segmentation were conducted on the binary crop disease leaf images to get the background marker, and the preliminary foreground markers were generated by extracting the regional minimum from the reconstructed gradient images, and then some fake foreground markers were eliminated by the further filter. In the next step, both background markers and foreground markers were imposed on the gradient image by the compulsive minimum algorithm. At last, the watershed transformation was carried out on the modified gradient image. Lots of cucumber disease leaf images were segmented effectively using the method. The results of experiment indicate that disease spots can be separated precisely from the crop leaf images. Additionally, the segmentation results are not influenced by leaf texture and its accuracy is up to more than 90 percent, so the method has certain validity and practical value.
Key words:
watershed algorithm; marker; mathematical morphology; image segmentation
0 引言
在作物的农业生产中,病害是影响作物产量的重要因素。农作物病害的发生,不但降低了作物的使用价值,更严重的甚至会导致作物大面积减产乃至绝收。因此,农作物生长过程中病害的防治就成了一个关键问题。近些年来,随着计算机数字图像处理技术和模式识别理论的发展,使得在计算机上对作物病害进行智能化诊断成为了可能,通过对作物病害叶片进行图像分割和模式识别,系统能够客观、准确、迅速地对病害进行诊断,并返回病害的种类以及受害程度从而指导农业人员合理的采取防治措施。图像分割作为一个关键的阶段,其效果直接影响着后期的特征提取和病害识别,因此,准确无误地分割出病害叶片上的病斑是至关重要的。2003年,田有文等[1]提出了以RGB颜色空间图像为特征空间,利用统计模式识别的Fisher线性判别函数进行作物病害彩色图像分割;2008年,江苏大学的毛罕平等[2]采用基于模糊C均值的聚类算法对棉花病害图像进行自适应分割,取得了较好的分割效果;2008年,Meunkaewjinda等[3]开发了植物病害自动诊断系统,该系统利用优化遗传算法对病害叶片进行分割;2009年,Kurniawati等[4]开发了水稻病害诊断系统,该系统使用局部熵阈值法和最大类间方差法(OTSU)等图像分割方法进行相关目标的分割。上述方法均能对相应的农作物病害叶片进行合理的分割,但是也难免存在如下一些问题:图像分割过程中需要设置许多复杂的参数,这样就会造成分割的结果和当前所设置的参数密切相关,从而导致针对不同叶片的分割结果不稳定。同时,由于农作物病害叶片中存在细小的叶脉,而叶脉由于和病斑部位对比不明显,很容易被当作病斑而误分割出来。本文提出了一种改进的基于标记的分水岭分割算法,通过对前景目标和背景进行标记,能够很好地解决上述问题。
分水岭图像分割算法基于数学形态学[5]理论,其本质是一种区域增长算法,和普通区域增长算法不同的是,它是从图像中的局部极小值开始进行增长的。分水岭算法分割精度高,算法简单易实现,并且能产生单像素宽度的连续边界,使得分水岭算法得到了极其广泛的应用[6-10]。分水岭分割方法主要有两种算法描述,一种是基于Vincent和Soille[11]提出的关于模拟浸没的算法描述;另一种是基于Meyer[12]提出的距离函数的算法描述。由于模拟浸没算法易于实现,算法执行效率较高,所以,一般的分水岭分割算法均是基于模拟浸没描述的。由于其对噪声比较敏感,直接采用分水岭算法对病害叶片进行图像分割会造成严重的“过分割”现象[13]。一种行之有效的方法是采用标记控制的方法来对梯度图进行重构,让局部极小值只在标记出现的地方产生。一个标记是属于一幅图像的联通分量,一般来说,标记分内部标记和外部标记,内部标记与重要对象相联系,而外部标记与背景相联系。本文采用极小值标定技术来解决分水岭算法的过分割问题。
1 改进的基于标记的分水岭算法
基于标记的分水岭算法,标记的选取直接影响到最终的分割效果。传统的基于标记的分水岭算法,无法得到准确的前景标记和背景标记,为了得到满意的分割效果,本文提出一种改进的基于标记的分水岭算法。
由于作物病害叶片图像中部分背景和病斑对比不明显,从而导致传统算法提取的前景标记中含有部分伪标记,即部分背景点也被误当作前景标记。为了去除伪标记,本文方法中根据颜色差异来对前景标记中的伪标记进行过滤。在提取背景标记阶段,和传统算法对形态学重建后的灰度图像进行二值化操作不同,本文直接对原图的红色通道采用最大类间方差法进行二值化,然后对二值化后的图像进行欧氏距离变换和标准分水岭变换,这样就在一定程度上避免了二值化过程中图像边缘信息的丢失,从而能够得到更加完整的背景标记。为了解决分水岭算法的过分割问题,采用极小值标定技术对原始梯度图像进行修改,最后在修改后的梯度图像上采用标准分水岭算法,从而得到最终的分割结果。本文算法的流程如图1所示。
数学形态学由一组形态学的代数运算算子组成,它的基本运算有4个:膨胀、腐蚀、开启和闭合。对于集合A和B,A被B膨胀定义为:
AB={z|(B^)z∩A≠}(1)
式(1)是以得到B的相对于它自身原点的映象进行位移为基础的,A被B膨胀是所有位移z的集合。
A被B腐蚀定义为:
AB={z|(B)zA}(2)
式(2)表明,使用B对A进行腐蚀就是所有B中包含于A中的点z的集合用z平移。
开启和闭合操作是由膨胀和腐蚀运算组合而成,使用结构元素B对集合A进行开启操作就是先用B对A腐蚀,然后再用B对结果进行膨胀运算,而闭合操作则和开启操作的运算过程刚好相反,即先进行膨胀运算再进行腐蚀运算。基于这些基本运算还可推导和组合成各种数学形态学实用算法。
对于图像f(x,y),结构元素b(x,y),形态学梯度g(x,y)的定义为:
g(x,y)=f(x,y)b(x,y)-f(x,y)b(x,y)(3)
其中和分别表示形态学膨胀和腐蚀运算。由于圆盘结构算子具有各向同性,可以消除梯度对边缘方向的依赖性,对于农作物病害叶片图像来说,选取圆盘结构算子来计算其形态学梯度比较合适。
1.2 前景标记的提取
前景标记的选择可以用基于灰度级值和连通性的简单过程分类,更复杂的描述设计尺寸、形状、位置、相对距离和纹理内容等。针对农作物病害叶片图像的特点以及数学形态学的特性,本文通过考虑像素的灰度级值和连通性来选取初始的前景标记。这些前景标记组成一幅二值标记图像,所有这些前景标记应满足如下约束条件:
1)标记外像素点的灰度级值都比标记内部的高;
2)同一个标记中的像素点组成一个连通分量;
3)同一个标记内部的像素点具有相同的灰度级值。
过分水岭范文6
关键词：对象轮廓；分水岭；支持向量机；场景标注
DOIDOI：10.11907/rjdk.171167
中图分类号：TP301
文献标识码：A 文章编号：1672-7800（2017）006-0015-04
0 引言
在计算机视觉领域，场景标注[1]作为图像分析的一个重要环节受到广泛关注。场景标注的主要任务是识别图像中每个像素所属类别。由于图像常会受到不同光照强度、对象遮挡以及对象种类繁多和复杂的场景问题，导致像素标注错误，无法很好地标注对象轮廓，最终导致场景标注效果不理想。因此，如何有效提取图像中对象的整体信息，描述图像对象轮廓，一直都是值得研究的问题。
当前的场景标注方法是直接在图像像素的基础上训练模型，而单纯在像素上训练模型很难描述对象轮廓，从而使场景标注难以获得理想效果。基于此，本文提出一种基于支持向量机的场景标注方法SVM-SLM（Scene labeling method based on support vector machine），通^训练图像块，有效解决了基于图像中对象轮廓的描述问题，在像素精确度上也有良好表现。
2 SVM-SLM方法描述
传统的基于像素训练的场景标注模型无法描述对象轮廓，会出现预测对象丢失和对象不完整的问题，从而影响像素精度。文献[2]、[ 3]、[4]研究的场景标注方法时间开销过大，并且精确度不高。针对以上问题本文提出了SVM-SLM方法，具体步骤如下：①采用结构森林方法[5]生成图像的边缘概率图；②将上述生成的边缘概率图用分水岭方法将图像划分为初始图像块；③为防止分水岭方法过度分割并且减少接下来的训练开支，通过UCM算法选取阈值，优化图像块；④对图像块提取特征，利用支持向量机训练图像块得到场景标注结果，并实现具有良好精确度及轮廓效果的场景标注方法。
3 生成图像块
边缘检测是计算机视觉系统中的一个重要环节，包括对象检测[6]、目标预测[7-8]以及场景分析[9]。边缘形状是目标对象几何形态描述的重要表现内容，图像中对象的轮廓往往来自于图像的边缘信息，所以有效提取图像边缘信息方法是关键。
传统的水平集模型需把轮廓曲线演化的能量方程转化为微分方程，进而借助梯度下降法求得方程最优解。这一过程不仅耗时，而且导致计算结果不稳定。考虑到一般图像块对图像的局部特征表现效果很好，本文利用图像块对边缘学习能力很强的特点，提出结构森林[5]与分水岭相结合的方法。首先利用结构森林的学习方法建立随机决策森林，学习每个像素的边缘概率，生成边缘概率图，此过程不但解决了耗时问题还取得了良好的边缘检测效果；再将边缘概率带入分水岭方法生成初始图像块，得到包含轮廓信息的初始图像块，效果如图2所示（彩图见封二）。图2（a）和图2（d）测试为图像，图2（b）和图2（e）为对应的边缘概率图，图2（c）和图2（f）为初始图像块。
4 训练SVM模型
传统的像素训练无法保留图像中对象的轮廓信息，训练时单纯对像素提取特征，忽略了像素之间的局部空间信息，不能很好表达图像中像素之间的区域结构信息。本文通过对带有对象轮廓信息的图像块进行训练，在进行语义标注的同时保留了对象轮廓信息。
采用核描述、核匹配方法，通过2*2网格模型提取像素的纹理特征、颜色特征和梯度特征，对应于同一图像块的像素特征加权合并为图像块特征。随机提取10块图像块生成特征图，利用支持向量机算法对图像块进行训练，如图4所示。
5 实验结果及分析
为了验证方法的有效性，图像数据集采用Stanford Background数据库[11]，数据库共715幅复杂的户外场景图片，每张图像大小为320×240像素，附有标注好的正确语义图片。每个像素划分为一类，共8个类别，总计5 491万多像素标记样本，类别分别为天空、树、马路、草地、水、建筑物、山脉和前景对象。
实验随机提取五组训练集和测试集依次带入公共图像块阈值[0.1，0.2，0.3，0.4，0.5]进行评估，每组训练集提取572个图片，运用本文方法分割成若干图像块，平均每组图片被分割成5万多块图像块，运用支持向量机对这些图像块进行训练。用剩余143个图片作为测试集，平均分割成1万多个图像块进行测试，并对每个像素进行语义标注。实验效果如图5所示（彩图见封二）。图5（a）为部分测试图像，图5（b）为数据库正确标注图像，图5（c）为本文方法的场景标注图像，图5（d）为标注失准图，标注错误的像素呈黑色，正确的为白色。图5下方8个色块分别代表8个不同的类别。
利用结构森林生成边缘概率图，将图像边缘作为对象轮廓候选区，提高了场景标注对对象轮廓的标注能力。再通过UCM算法优化图像块，最终场景标注结果如图6所示。图6表明，本文方法在人物、车辆、动物等重要的前景对象轮廓细节上有较好的描述。
6 结语
场景标注是计算机视觉技术的关键步骤。针对像素训练模型容易忽略图像空间结构信息，无法描述对象轮廓的问题，提出一种基于支持向量机的场景标注方法。通过结构森林/UCM生成图像块，构建支持向量机模型，训练得到场景标注结果。实验表明该方法较好地描述了图像中的对象轮廓，获得了良好的精确度和标注效果。但是，由于特征描述采用核描述提取特征，对部分图像块不能有效提取特征，导致部分图像块标注不正确，影响了总体精确度。下一步的工作目标是提高有效特征的提取，以获取更高的精确度及场景标注效果。
参考文献：
[1]顾广华，韩晰瑛，陈春霞，等.图像场景语义分类研究进展综述[J].系统工程与电子技术，2016 （4）：936-948.
[2]马成虎，董洪伟.一种基于深度学习的多尺度深度网络的场景标注算法[J].计算机工程与科学，2016，38（7）：58-63.
[3]MUNOZ D，BAGNELL J，HEBERT M.Stacked hierarchical labeling[C].European Conference on Computer Vision，2010：57-70.
[4]TIGHE J，LAZEBNIK S.Superparsing：scalable nonparametric image parsing with superpixels[J].European Conference on Computer Vision，2010，63（15）：352-365.
[5]DOLLAR P，ZITNICK C L.Structured forests for fast edge detection[C].The IEEE International Conference on Computer Vision （ICCV），2013：1841-1848.
[6]GALL J，LEMPITSKY V.Class-specific hough forests for object detection[C].The IEEE Conference on Computer Vision and Pattern Recognition，2009：143-157.
[7]ARBELAEZ P，JORDI P T，T BARRON J，et al.Multiscale combinatorial grouping[C].The IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2014：328-335.
[8]JORDI P T，ARBELAEZ P，BARRON J，et al.Multiscale combinatorial grouping for image segmentation and object proposal generation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016.
[9]KUMAR P，KOLLER D.Efficiently selecting regions for scene understanding[C].The IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2010：3217-3224.
