前言：中文期刊网精心挑选了计算机视觉的应用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。
计算机视觉的应用范文1
利用计算机所具有的视觉艺术，大众仅仅利用需要实施身体动作来直接性的操作以及控制，根本就不需要学习就能够启动以及进行一定的操作，这样更加方便老年人以及儿童的实际操作。在数字媒体当中，应该对计算机视觉艺术进行充分利用，更加方便人们的实际操作，同时还能够保证其更好的感受艺术方面所具有的魅力，让群众在足够放松的时刻能够对创作者的实际思想以及意图进行充分的了解以及掌握，对艺术价值进行充分发挥，进而来有效提升艺术人文的实际价值。
1对计算机视觉原理进行分析
通常来讲，计算机视觉还称为机械视觉，属于是机械来对人类视觉进行一定的模仿的光学识别系统，利用光学系统、感应器、光源等来实现物体定位、动作的追踪以及视线的判断等相关的功能。一般情况下，工程技术所运用的基本都是计算机视觉，当有着一定的环境以及模式时，计算机视觉在进行持续性的工作时，能够有效保证持续工作有着非常高的正确性以及准确性，还能够对人工不可以完成的任务进行很好的完成。当计算机视觉在进行实际的工作过程中，最为基本的条件是先对映像进行处理，之后输入模拟讯号，对数字影像进行一定的处理以及分析。实际的工作流程是：影像在摄入之后，应该对其进行一定的强化，除去噪声，之后对图像特征进行一定的压缩以及获取。在对数据库样本进行一定的对比之后，对程序进行有效的分析以及判断，做出有效的指令。
2对数字媒体当中计算机视觉艺术的实际应用进行分析
2.1艺术与计算机进行一定的融合时，应该对动画、声音以及图像等因素进行有效结合，在对艺术语言表现形式进行丰富的同时，应该提高作品的感染力
在有些结合视觉艺术以及数字媒体时，应该保证在对画面进行观看时，应该有效的欣赏画面，还可以有效的感受到声色等。利用高度仿真的听觉、触觉以及视觉，保证大众在进行玩游戏时，可以对虚拟世界进行真实的感受，还能够利用动作以及肢体语言等来和计算机实现有效的交流。保证大众不是对电影单独的进行欣赏，还应该更好的参与到其中，体会艺术的表演。
2.2在数字媒体当中运用计算机视觉艺术能够对艺术的实际表达形式进行有效的丰富
随着交互技术的逐渐成熟以及发展，让该技术得到了有效的拓展以及广泛的运用。运用交互技术，应该让人们不受到被动的欣赏，应该积极的参与到视觉艺术当中，保证大众的积极参与以及做出判断，同能够利用各种选择来呈现出过程以及解决，对观众的兴趣进行充分的调动，进而来有效提高大众的参与积极性。
2.3在电子游戏当中，运用计算机视觉艺术，应该在相对比较大型的电子游戏当中进行计算机视觉技术的运用
在实际的游戏过程当中，大部分的玩家基本上不再是仅仅运用键盘以及鼠标来实施游戏，大部分都是利用身体行动来移动。通常情况下，机器利用摄像机部来对玩家的具体身体动作进行一定的捕捉，玩家能够与机器相连接的手枪进行有效的操作，射中屏幕当中的对象。同时，手机上的相对比较小型的电子游戏，仅仅需要手指来滑动屏幕，就能够实现实物的运动以及跳跃等，进而来躲避障碍。除此之外，仅仅需要稍微的倾斜一些收集，就能够实现人物两侧的奔跑，同时还能够保证声光效果，实现互动，具有非常大的震撼力，会在很大程度上促进大众参与的积极性。
2.4分析数字媒体中计算机视觉技术的应用，保证数字媒体技术有效表现艺术
同时在实用艺术以及纯艺术当中，也会运用到数字媒体，该技术能够让相对比较单纯的个人视觉实现有效的创造，同时还能够把艺术箱社会性视觉产品进行转化，并得到一定的经济效益。同时，大众能够通过剪切以及拷贝等相关的方式来有效获取视觉技术，之后有效的转化艺术资源，有效奠定了创作视觉艺术的基础。现阶段，大众对于个性化以及独特性有着逐渐提高的需求，在对相对比较独特的视觉技术进行追求时，在一定程度上提高了评价视觉作品的标准。在数字媒体当中运用计算机视觉技术，会在很大程度上提高大众对美的享受，保证大众能够充分感受到舒适以及愉快的感觉，同时还能够得到审美方面的评价，在该过程当中，不能够参杂任何的因素，应该让计算机视觉因素仅仅对视觉美感以及视觉形式进行充分的追求，可以有效体现艺术的本质。同时，数字媒体有着美方面的品格，有效结合计算机视觉艺术，保证数字媒体艺术的美以及真。这个实际的运用过程能够有效提升审美方面的机制，更好的领悟视觉艺术当中所存在的美。
3结语
综上所述，在数字媒体当中，计算机视觉技术的运用，应该有效结合图像、动画、声音以及文本等多个因素，在对语言表现的具体形式进行一定的丰富时，应该让作品具有更大的感染力。除此之外，还应该保证视觉技术有何足够的光声效果，利用一定的互动，会具有非常大的震撼能力，积极促进大众的参与程度。还可以在很大程度上满足大众对于美方面的追求，进而对其所具有的艺术价值进行充分发挥，有效提升艺术所具有的人文价值。
参考文献
[1]刘晓,王会霞.计算机视觉艺术在数字媒体领域的应用研究[J].互联网天地,2015,07:21-24.
[2]丛婧.浅谈计算机视觉艺术在数字媒体的应用[J].电子制作,2013,18:75.
计算机视觉的应用范文2
关键词：计算机；视觉技术；玉米种子；质量；检测
中图分类号：S513 文献标识码：A 文章编号：1003-4374（2015）01-0047-04
引言
计算机视觉是提高人类生产、生活自动化和智能化程度的有效手段。目前，农产品分级与品质检测、种子品质检测、果实的采摘、病害检测等方面，机器视觉都有广泛研究。作为世界三大粮食作物之一，玉米在粮食贸易中所占比重不断升高。随着计算机技术进步，尤其是图像技术的发展，建立在视觉技术的测量方法也高速发展，要适应测量的现代化步伐，算法快速并且精度要高是图像实现测量途径的必然要求。在玉米生产中，种子质量是最为关键的因素之一，玉米的收获产量和产品品质与种子质量的优劣息息相关。十多年来，国内学者对应用机器视觉技术进行玉米种子检测方面开展了深入研究。本文主要综述这类研究，为今后该领域学者提供参考信息，从而加快系列研究的深入开展。
图像采集与模式识别
目前，CCD相机、扫描仪或数码相机是主要的图像采集设备。CCD相机在生产线的开发当中是最好的选择，而对静态检测设备而言面阵相机则是上选，如果应用场合是既有设备，那么数码相机等更为适用。由于在封闭的环境光照足够稳定，此时图像噪声干扰较小，免除标定这一环节，在后续处理时非常方便，所以图像采集通常是在封闭环境中进行。用于移动设备的相关软件的研究中，则有四个方面的情况需要着重考虑：第一，当前采集玉米图像时所用背景都是单一颜色，而在生产具体应用中则完全有可能是非单一颜色；第二，在用户使用过程中，光照条件不确定、特别是颜色特征对图像质量有影响。第三，玉米种子体积不大，当玉米种子的空间位置发生移动时，图像中种子的特征会随着改变。第四，在图像采集时，如采集的角度存在偏移，图像中玉米种子的形态也不会保持不变。
玉米种子纯度检测
种子最主要的质量指标之一是纯度，目前，形态学鉴定和蛋白质电泳分析法是主要的鉴定籽粒纯度方法。
国外学者从图像当中提取玉米种子形态方面的参数，并结合判别函数实现对玉米统计学的种子外形判断，实现玉米种子从非完整玉米种识别。当然，该方法效率不高，所费时间过多。
朱晓利用高光谱反射图像技术，提取多个波段种子图像特征，然后通过遗传算法选择最优波段图像，建立分级模型，达到对玉米种子纯度检测的目的。所建立的分类模型测试精度达到97.22%。
另一批学者针对纯度考虑图像识别这一方法实现识别玉米种子，首先是彩色相机获得图谱，通过基于阈值的二值化处理图像灰度变换、图像均衡化，实现和电泳图谱进行比对以期判断纯度水平，玉米种子纯度在计算机和人眼检测结果，得到一种高效测玉米种子纯度的方法，而这个技术对2个品种玉米的平均识别准确度接近100%。
综合几种玉米种子纯度检测方案，形态鉴定法方法简单，但效率与精度不高。随着检测识别算法的改进和计算机处理能力的提高，计算机视觉技术将比其他方法更高效更准确。
玉米种子品质自动检测
周红等为实现对种子评级，借助图像处理技术得到玉米种子轮廓。通过计算机模糊识别代替玉米种子形态传统鉴定法，目的是将识别水平大幅度提高；基于模糊数学以及统计学，得到隶属函数，从而制定对品种进行判别的规律，玉米种子得以判别，所构建的系统投资低，而且玉米种子品质的识别率为88%。
闫小梅等通过CCD相机，对玉米种子冠部和无胚芽面图像进行提取，利用图像预处理将单个籽粒分割出来，通过图像分割，将冠部核心区域和侧面黄色区域6个颜色特征提取出来，以Fisher判别理论和K-均值聚类为依据，将特征投影到一维空间，进行纯度识别，识别率不低于93.75%。
玉米收获后加工的重要环节之一就是对玉米种子质量进行分级，在玉米种子质量分级工作中，机器视觉技术优势明显，例如不会对玉米种子造成损坏、更好实现分级。相关学者提出从特征值按照一定的等级进行分类，采用典型神经网络与隶属函数方法对玉米种子实现分级，发现：BP神经网络处理时间更短，具有更好的实时性，为现实应用打下良好的基础。有学者将形态学加上种子分级设备，能够实现准确率高达90%以上的将种子分为4级的方法。吴继华等开发了一种种子品种实时检测系统，该系统是基于机器视觉，由CCD摄像机进行图像采集，每隔2s停止1次，在分析结束时就可以得到特征参数，二十粒种子只需一秒钟时间。Wan等18-19]将机器视觉应用在谷物类进行动态识别，并进行分类，得到图像就进行处理，并将信号传给对应的PLC，从而闭合电磁阀，以达到吹离目的。宋鹏等就分级系统在动态玉米品质检测，抓住玉米种子的特征，把种子分类形态以及颜色分别分为4级和3级，合格率分别为8 1.8%和93.04%，还能够实现玉米种子品种，应用Bayes分类器以及模式识别法实现识别玉米种子品种达到5种，识别准确率不低于92%；结合玉米颜色等信息，实现单倍体籽粒分类，待识别玉米单倍体后，将用气吸方式和二自由度并联机器人机构相结合进行分拣，精度不低于80%。
目前的玉米种子品质自动检测中，多采用可见光进行图像采集，然后通过综合处理分析种子的外部特征来确定品质等级。鲜有利用红外等不可见光生成的图像来进行品质分级，因而无法精确分析种子内部的品质特征，影响到检测精度。因此，运用不同波段图像分析玉米种子品质，将成为以后种子品质检测的一个重要方向。
玉米种子活力检测
漫射光法、热浸法、电导率测定、四唑染色法、冷浸法、发芽实验等是种子活力的常规检测方法。目前，有效结合图像识别与处理等技术以及发芽试验和四唑染色法等方法的优势，能够准确测定种子活力。赵新子等对活力识别进行论述，染色种胚后获取彩色图像，判断染色区域在种胚的面积占比，得到活力水平评判，识别率为94%。
张晓宇等通过处理和分析种苗图像，根据玉米种苗特征建立起可以方便、快速地获取苗高、苗鲜重等信息的相关统计模型，该模型直接用于玉米种子的发芽试验，以便获得准确可靠实验结果。该技术将作为玉米种子发芽试验新的检测手段，同时应用于其它植物种子发芽试验。
Zayas等通过形态学参数把玉米种子从被破坏的玉米种识别，结合统计学方面的判别函数，将被破坏的玉米种子剔除。为了检验播种材料，需要对种子发芽的规律以及所需条件进行研究，研究必须将玉米种子发芽进行系列实验，这时候对于发芽粒数以及苗高等种子的信息大多由人工获取。
玉米种子机械和霉菌损害检测
玉米种子质量检测的重要指标之一是种子是否有裂纹和发生霉变，采用视觉无损检测，我们发现如果光线对应入射孔直径设定在2.4mm时，所得背景是黑色的，如果入射光是白色光，采集得到的图像采用高速滤波法识别玉米籽粒裂纹处与其他部位的像素灰度值的不同，检测精度不低于百分之九十。有学者利用生霉粒对光照变化非常敏感的特点，光照变化对颜色标定是鉴定生霉粒的主要途径，认为机器视觉算法在精确性以及一致性方面具有非常明显的优势，这给玉米种子质量检测的提高打下良好的实践基础。
有学者基于图像分析等途径分析玉米应力裂纹，主要结论是重度裂纹最易于被识别出，达到完全被识别的水平；无裂纹以及中度裂纹则朝着变差方向发展，不能完全被识别，占比约有30%-12%。
张俊雄等实现表面裂纹检测：在获取单粒玉米种子的图像后采用Sobel算子得到玉米种子边缘并通过分割阈值、腐蚀以及膨胀等传统图像处理，从而可以判断满足什么样的条件可以判定为种子尖端点，并能实现尖端部分拿掉；将R通道膨胀，同时细线化处理B通道图像结果，并执行减运算操作，根据连通性判别有无裂纹，识别率超过90%。
计算机视觉的应用范文3
【关键词】农产品 计算机视觉技术 品质检测
农产品品质检测工作中除了采取人工检测法以外，还可以采取半自动或自动检测法，如在水果分级检测工作中的质量分级检测法、光电分选法以及大小分级法等。然而农产品品质会受到自然生长环境或人为因素等方面的影响，农产品的色泽、大小及形状等并不相同，无法采取单一指标进行检测。因此充分应用计算机视觉技术，对农产品的品质进行检测，极为重要。
1 计算机视觉技术
计算机视觉技术又被称为机器视觉技术，指的是通过人类设计，在计算机环境下，达到再现或模拟人类视觉相关的职能行为的一种技术，包括了印刷和手写文字的识别技术，图像模式识别技术，物体三维表面形状识别技术、距离识别以及速度感知等技术。该技术是诸多学科的结合与交叉，涉及到数学、生理学、信息处理、物理学、光学以及计算机等多种学科。探究计算机视觉技术的目的在于实验人类视觉的再现及延伸，即再现高等动物的视觉系统，并对物体形状以及类别进行识别。
此外，计算机视觉技术处理的原始资料多是图像，所以该技术和图像处理以及模拟识别等有着紧密的联系。现阶段，计算机视觉技术在诸多领域有着较为广泛的运用，包括了医学辅助诊断、资源调查、卫星图像解释、军事指导、灾害监测、气象以及工业产品的外观筛选及检测等。同时研究该技术在农业工程领域中的应用，也成为了热门话题。
2 在农产品品质检测中，计算机视觉技术的具体应用
笔者在查阅相关文献资料的基础上，探究在农产品品质检测工作中，计算机视觉技术在产品表面缺陷以及损伤识别工作中的具体应用；果形识别工作中的具体应用；农产品尺寸以及面积检测工作中的具体应用。
2.1 在产品表面缺陷以及损伤识别工作中的具体应用
在对农产品进行分级的过程中，依然存在着一大问题，即农产品表面缺损以及损伤识别。而早在1984年就已经出现了采取线扫描和模拟摄像机针对苹果表面损伤进行检测的实验报道，实验结果显示，采取数据技术能够检测出苹果表面损伤，其检测结果完全能够达到人工分级的精度。与此同时，还出现了一种机器视觉系统，该系统将不规则的图像信息与正常的图像信息区分开来，在去除蔬菜内的杂物以及检测农产品的污点等方面能够取得较好的应用效果。此外，在1989年，国外出现了一种全新的计算方法，即运用红外线扫描摄像机，处理苹果表面的灰度图像，既能够确定苹果表面的损伤面积，还能够区分不同损伤区。然而还技术是以机械装置的设定为基础，需要消耗2s的时间，对一个苹果进行检测，苹果表面缺陷分级精度以及损伤分级进度并不高。
我国在1997年，出现了运用计算机图像处理技术对苹果损坏自动化检测的试验研究，该试验结果显示，该技术的损坏检出率较高，能够规避果梗区以及花萼区对于坏损区域识别的具体影响，且该检测技术的鲁棒性较强。
2.2 在果形识别工作中的具体应用
果形识别是影响水果质量的重要因素之一，对于水果品质检测有着重大意义。当水果成熟后，水果的外形将会发生巨大的改变，且无法采取数学方法进行鉴别，采取其他方式进行果形识别极为重要。
在1981年，有研究人员就针对形状识别中的图像特征进行了探讨，提倡采取结构分析法以及外形轮廓曲线检测法，针对水果外形进行识别。并在1985年，以数字图像分析技术以及模式识别技术为依据，针对番茄定向、番茄形状、表面缺陷以及尺寸进行分类的特殊算法，运用灰度梯度曲线，明确番茄表面缺陷以及花萼位置等。而我国则在2000年，按照果实形状分析，通过连续性指标、半径指标、连续指标对称性、半径指标对称性等特征参数，表示果形，并首次采取参数形状分析法。
2.3 在农产品尺寸以及面积检测工作中的具体应用
农产品分级中，以农产品外形尺寸为依据。在1987年，国外就已经开始研究机械视觉技术在牡蛎肉分级以及尺寸检测工作中的具体应用。并在1992年，针对人工检测以及机器视觉检测进行进行了对比分析，试验结果显示，和人工检测技术相比，采取视觉检测技术，能够提高检测的精确度，减少检测消耗时间；同时在评价以及推广种质资源中，准确的测量以及详细的记录种质形态的指标，有着极为重要的意义。为了能够精确、快速地计算出玉米种质尺度，在1995年，有研究人员就提出了自动化选择技术，该技术在处理玉米种质图像中，其辨别精度极高。
而我国在2002年，有研究人员就针对水果品质进行动态、实时监测的智能化分级生产线进行了研究，该生产线，首先通过水果输送翻转系统，利用滚筒式输送翻转装置，将水果往前输送，在输送过程中，以水平轴为中心，保证水果表面能够被系统检测到，以此获得图像信息。然后利用计算机视觉识别系统，对水果等级进行判断，明确图像信息。该系统具备了视觉识别功能。最终通过分级系统，完成水果分级工作。
3 结语
在二十世纪七十年代以后，计算机视觉技术就已经得到了较为迅速的发展，在我国，该技术在农产品品质检测中的具体应用也得到了人们的高度关注，同时也取得了一定的成效。计算机视觉技术作为人眼的延伸技术之一，其具备了人脑功能，运用该技术代替以往的人工操作技术，已经成为了农产品品质检测工作的必然发展趋势。
参考文献
[1]朱从容.计算机视觉技术在水产养殖中的应用[J].浙江海洋学院学报（自然科学版），2008，10（04）：191-192.
[2]王勃，徐静.计算机视觉技术在苹果叶片营养诊断上的应用[J].农机化研究，2008，（03）：887-888.
[3]李朝东，崔国贤，盛畅，等.计算机视觉技术在农业领域的应用[J].农机化研究，2009，10（12）：667-668.
作者简介
陈超（1995-），男，福建省福州市人。现为北京交通大学在校学生。研究方向为电子科学与技术。
计算机视觉的应用范文4
关键词：计算机自动化 视觉检测 制造业
中图分类号：TP274.4 文献标识码：A 文章编号：1007-9416（2014）05-0014-01
在精密测试技术领域，自动化视觉技术具有最大的发展潜力，它将电子学、图像处理、光学探测和计算机自动化技术综合起来进行运用，在工业检测中引入机器视觉，能够快速测量物品平面或三维位置尺寸，其主要特点有：柔性好、速度快和非接触性，在现代制造业中有着非常广阔的应用前景。
目前，国内视觉检测领域所需要的视觉检测设备大多是进口的，国内生产的设备缺乏较高的检验精度和较强的实时性；但是进口设备大大增加了检测成本，不少中小企业无力承担。面对国内检测需求日益增加的情况，积极进行成本较低，精度较高的检测设备的开发，成为一个亟需解决的问题，需要引起重视。
1 检测系统的工作原理
自动化视觉检测系统工作流程分为三个部分，分别是图像信息获取、图像信息处理以及机电系统执行检测结果。如果系统有需求，能够借助人机界面对参数进行实时的设置与调整。当被检测对象移动到特定的位置时，位置传感器就会发现它，会将探测到被检测物体的电脉冲信号发送给PLC控制器，经过计算，PLC控制器将物体移动到CCD相机采集位置的时间的出来，然后将触发信号准确的发送给图像采集卡，采集卡检测到此信号后，会要求CCD相机立即进行图像采集。被采集到的物体图像会以BMP文件的形式发送到工控机，运用专门的分析工具软件分析处理图像，分析检测对象是否与设计要求相符合，执行机会依据合格或者不合格的信号对被检测物体进行相应处理。经过这样的反复的工作，系统对被检测物体进行队列连续处理。如（图1）。
2 自动化视觉检测系统的组成
在工业检测领域，计算机自动化检测系统可以在尺寸测量、工件定位、特征检测、图形图像以及字符识别等方面进行运用。自动化视觉检测系统按照功能模块可以划分为，图像信息获取模块、图像信息处理模块、人机交互模块、机电执行模块以及系统控制模块五部分。其中处于核心位置的是系统控制模块，系统控制不论是在被检测物置信息的触发，还是机电执行模块所需检测结果信息的获取等等各个方面，都必须参与其中，否则无法完成；而人际交互模块更是与核心模块有着之间联系，通过与其直接通信，以便实时更新检测系统参数以及执行指令等。
3 自动化视觉检测技术在制造业上的应用
3.1 应用于汽车车身检测的视觉检测技术
现代汽车制造业的生产周期日益缩短，生产日益集团化，原材料和零部件供应呈现大宗化，而这正是给运用自动化视觉检测技术提供了客观环境。该系统包括三维视觉传感器系统、电器控制与接口系统、机械及定位系统、标定系统以及计算机自动化等部分，其测量步骤如下：首先在电气控制系统下初步定位运送车身；然后借助专门的控制系统准确定位待测位置；借着用计算机自动化进行检查点图像的采集与处理；最后，将被监测点的坐标参数计算出来。检测系统应该能够实时控制单光条、多光条、双目立体视觉以及十字叉丝等传感器的动作；按照要求顺序，全部视觉传感器进行测量，然后转换测量结果，将其放置于测量坐标中；经过自动识别，能够地装配结果进行判断。这一视觉检测方法具有非得用地、效率高、自动化、精度好的特点，能够很好的满足汽车工作的需求。
3.2 为智能焊接的实现解决核心难题
在焊接领域，对智能焊接机器人的研究已经成为关注的重点，智能焊接机器人要求能够识别环境目标，对焊接参数进行调整，并实时精确跟踪轨迹。比如在潜艇、大型轮船的制造中，焊接是十分重要的环节，焊接质量直接关系到后续的制造环节以及潜艇、轮船的强度和安全性。智能焊接机器人在红外摄像仪、高速摄像机以及CCD摄像机等高精度图像传感设备的辅助下，采用智能化图像处理方法能够进行图像焊接，检测焊接空间位置，规划焊炬姿态，对焊接熔池特征参数进行实时提取，对焊接组织、机构和性能进行预测等，能够在很多人类难以进行作业的场合完成焊接工作，在焊接过程中，通过数个光电接收阵列对检测组建进行多维视觉传感，并综合处理所获取的信息。目前国外KUKA，Motoman，GMF，Adept等厂家已经开发出智能焊接机器人，其装配了自动化视觉检测功能，并且已经广泛应用于潜艇与航天器的生产中。
3.3 提高手机生产检测速度
随着手机设计精密程度的日益提高，人工检验已经难以适应大规模生产，这是因为其需要的测量投影仪较多，检测速度慢。而采用自动化视觉检测系统能够自动检测电路板组建中的连接器以及内部零件等，检测速度快、测量结果准确，具有较强的扩展性和较高的性价比。检测系统主要就是测量计算机自动化接口电路板组件中各个连接器特定位置的几何尺寸，这里面包括连接器内部零件的尺寸、间距以及连机器与PCB底板的相对位置；另外还要对连接器与标准是否相符以及内部零件被损坏与否。系统可以将质量检验的效率大大提升，而且也能够使产品质量得到保障，实现降低检验成本的目的。
4 结语
作为一种新兴的检测技术，自动化视觉检测技术对我国自动化视觉检测产品的发展起到了很大的推动作用，使其不断向更高层次迈进，同时也为我国制造业的发展做出了贡献，具有广阔的发展前景。
参考文献
[1]伍健.基于PDE和全变分滤波方法的研究及在多种噪声中的应用[D].天津大学，2012.
计算机视觉的应用范文5
数据挖掘就是从大量的不完全的有噪声的模糊的随机的实际应用数据中，抽取隐含在其中的、事先并不知道的、但又是潜在有用的信息和知识的过程。
决策树算法作为常用的数据挖掘技术之一，其基本思想是将实例库中记录的大量有限的具体事实数据进行归纳和分类并建立树型结构，以发现并形成隐含在大量实例中的若干形式化的分类判别规则，典型的决策树算法方法有ID3方法和IBLE(Information—based Learning from Example)方法。
利用决策树评估教材质量的基本思想
笔者以高校教学质量建设中的重头戏——教材建设为例来阐释决策树算法在教育统计学中的应用。
从教材的教学水平，科学水平等两大要素来对教材的质量进行合理分类，探索出科学合理的决策树的模型，使之成为学校教材建设管理的理论方法，并在今后的教材管理中起着一定的指导作用。
教学水平：教材符合人才培养目标及本课程教学的要求：取材合适、深度适宜、份量恰当;符合认知规律;富有启发性;便于学习。
科学水平：能反映本学科国内外科学研究和教学研究的先进成果;能完整地表达本课程应包含的知识;反映其相互联系及发展规律;结构严谨。
构建决策树模型
即利用训练集(教材建设数据库)建立并精化一棵决策树。该过程可分为建树和剪枝两阶段。其中，建树是用每一个属性将训练集划分成一个或多个子集，递归地调用该过程，直到每个子集中的记录都属于同一类，最终得到决策树。剪枝是为提高树的精度及分类效率，而去掉因训练数据中的噪声和孤立点等引起的不可靠或可能是噪声的一些枝条。
利用决策树研究影响教材质量的因素
首先，将学生问卷调查数据库和教学管理部门所掌握的资料结合起来，分类整理，同时进行规范化的数据清洗，得到创建决策树模型的训练集，如表1所示。
根据评估预期的要求，将所有教材的评估结果分为两类：
Class p：综合评价=“优秀”
Class n：综合评价=“一般”
从上表显示的数据可知，综合评价为“一般”的教材有9种， 综合评价为“优秀”的教材有6种，从而可以计算出样本分类的期望信息：
—∑Pi log2(pi)=
I(p，n)=I(9，6)= —[(9/15)×log2(9/15)+6/15×log2=(6/15)]
=—(—0.444—0.53)=0.974
下面以综合评价是否为“优秀”作为衡量标准分别计算由各个属性划分子集的信息熵，以及各自的信息增益度。
计算“教学水平”的信息增加益度
从而算出信息熵E(教学水平)=
I(3，1)+I(3，2)+I(0，3)+I(0，3)=0.43
再计算出其信息增益度
GainI(p，n)—E(教学水平)=0.974—0.507=0.467
计算“科学水平”的信息增益度
计算信息熵E(科学水平)=I(2，1)+I(3，2)+I(1，6)+I(0，0)—0.783再计算出其信息增益度GainI(科学水平)=I(p，n)—E(科学水平)=0.974—0.783=0.191
计算“教材编者职称”的信息增益度
从而算出信息熵E(教材编者职称)=I(4，1)+I(2，1)+I(0，4)+I(0，3)=0.424再计算出其信息增益度GainI(教材编者职称)—I(p，n)—E(教材编者职称)=0.974—0.424=0.55
计算“教材编者学历”的信息增益度
计算信息熵E(教材编者学历)=I(3，1)+I(3，3)+I(0，5)=0.667再计算出其信息增益度GainI(教材编者学历)=(p，n)—(教材编者学历)=0.974—0.667=0.307
由此可以得知“教材编者职称”的信息增益度最大，它是最能区别训练集实例中教材质量的属性，应作为决策树的根节点。根据各个属性的信息增益度的大小，可以构建该训练集实例的决策树如下图1所示：
由该决策树可以得出诸如以下结论：
计算机视觉的应用范文6
关键词： Aprion算法； 大规模数据库； 关联规则挖掘； 置信度； 支持度
中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2016）07?0124?03
Abstract： With the development of information technology and coming of big data era， it is necessary to perform data mining work in this environment. The potential and valuable knowledge and information should be mined from the massive application data to apply it in the improvement of practical work. The methods of data mining are numerous at present， in which the association rule mining technology is widely used. The Aprion algorithm is used in this data mining way to mine the correlation information with high confidence coefficient and support degree， which can reflect the complexity and interestingness among the data in database. And then the useful correlation among the data is mined to promote the development of large?scale database information mining technology. The association rule mining technology of large?scale database is analyzed in the aspect of Aprion algorithm.
Keywords： Aprion algorithm； large?scale database； association rule mining； confidence coefficient； support degree
0 引 言
数据挖掘（Data Mining）主要是指在大型数据库中从大量的原始数据中挖掘出一些具有未知潜在应用价值的信息。数据挖掘是解决信息技术迅速发展下数据丰富而信息匮乏的一种有效解决方式。在众多的数据挖掘方法中关联规则是一种比较重要的挖掘技术方式，对关联规则挖掘算法――Aprion算法进行详细分析，进一步研究大规模数据库关联规则挖掘的技术，促进数据库挖掘技术的发展。
1 Aprion算法概述
数据关联是信息技术发展模式下各种软件数据库中存在的一纵横能够反映一个或其他事件之间依赖性和关联性的一种信息。2个或者2个以上的数据之间存在的一种规律性，通过对这种规律性的分析，建立数据关联规则，进而挖掘出隐藏在数据之间的相互关系，并将这种关联进行有效分析。而关联规则挖掘Aprion算法是一种比较全面的分析模式算法，它能够发现记录中不同数据属性之间的关联性，而且能够反映出给定数据集征属相鉴定的关联性，发现每条信息记录中不同特征属相之间的相互依赖关系。可以说Aprion算法是一种最经典、最具影响力的关联规则挖掘算法。
Aprion算法主要计算模式原理是利用一种称作逐层迭代的候选集进行测试的一种定点，利用频繁[k]项集搜索候选（k+1）项集。产生1?频繁项目集[L1，]而后是2?频繁项目集[L2，]一直到不能再扩展频繁项目集的元素数据时才会停止算法；在Aprion算法的第[k]次循环中会产生k?候选项目集的集合Ck，而后实施数据库扫描程序，以便生成支持度并测试产生k?候选项目集Lk，利用频繁项目集产生关联规则。然后结合频繁项目集的向下封闭性特点实施进一步的分析，这就是常说的频繁项目集，同时也正是因为这个特点使得Aprion算法产生一种检验方法使分析过程中的数据进行有效压缩，无限缩小候选集，提高Aprion算法性能。
Aprion算法在计算的过程中使用逐层搜索方法，k项集主要用于探索（k+1）?项集。在这个算法分析过程中首先找到频繁1?项集，然后找到频繁2?项集集合，以此类推便能够有效提高Aprion算法的分析效率，压缩其搜索空间。Aprion算法的性质主要表现在以下几个方面：
（1） 如果项集I不能够满足最小支持度阈值，那么I不是频繁的，只有I出现频繁的频率时才被看做是其性质的一种表现；
（2） 如果项A被添加到项I中，项I会生成一种项集IUA的集合项，IUA项也不是频繁的，此性质属于反单调性质，也就是说如果一个集合不能通过测试，那么它所有的超集也不能通过相同的测试。
这种算法具有较高的效能性，能够利用大项集合的封闭性达到缩小计算最小支持度频繁项集数量的目的，也就是说具有避免计算不可能成为大项集的数量和候选集项，进而促进算法效能的提高。
2 Aprion算法比较分析
Aprion算法在数据分析的过程中能够产生大量的项集，而且在分析的过程中需要重复扫描数据库信息，其他算法在数据库信息分析中一般采取分而治之的策略，然后将数据库压缩到频繁模式树中，将其分为条件数据库，以便减少后续数据扫描时间，同时又能够采取频繁模式增长的方法将候选项集剔除在外，以便使其挖掘过程数据库中不存在新事务和需要解决的问题。
另外，通过对数据库信息中典型数据集的分析和实验，并进行相应的结果对比分析，发现对一些比较稀疏的数据集来说，数据挖掘分析中要求的最小支持度比0.2稍微大些，或者对于一些稠密的数据集在分析的过程中要求其支持度大于0.5，这种情况下采用Aprion算法比较合适，如果支持度不在这个范围内可以考虑其他形式算法的实施，以便最大限度的提高数据库分析效能。
3 关联分析规则的应用
3.1 数据关联规则的生成
数据挖掘工具中有很多集成了典型数据挖掘算法的模型，Aprion算法是其中之一，这种模型算法可以通过设置不同的最小置信度/支持度和关联规模。制定事务项属性在关联规则中的位置，进而优化关联规则。所以Aprion算法应用于关联数据的挖掘中能够有效提高算法效率。
3.2 算法应用举例分析
比如分析一个病例关联数据，首先针对病例系统产生的数据事务建立病例数据关联模型，然后过滤病历号、姓名等对疾病无关紧要的数据，然后剔除嗜烟嗜酒等对病例关联性不强的数据，然后将左侧设置为诊断外事项，将右侧设置为最后诊断之间的关联规则和因素。这时产生的关联规则数据比较多，但是有很多规则价值性不大；必须通过模型进行重新设置，增加最小支持度和最小置信度，此时事务数据库中最小支持度和最小置信度分别为40%，60%，如表1所示，然后根据以上数据库生成FP?tree。
4 结 语
在当今这个大数据信息量时代，数据挖掘技术显得尤为重要，挖掘方法也比较多，但是必须选择合适的挖掘方法，提高数据挖掘效率，在数据关联性分析过程中要充分利用Aprion算法，使数据挖掘的效率提高。
参考文献
[1] 王祥瑞.数据挖掘技术中关联规则挖掘的应用研究[J].煤炭技术，2011，30（8）：205?207.
[2] 于延，王建华，付伟，等.基于改进的Apriori算法的入侵检测系统研究[J].计算机工程与科学，2010，32（9）：23?26.
[3] 张梅峰，张建伟，张新敬，等.基于Apriori的有效关联规则挖掘算法的研究[J].计算机工程与应用，2003，39（19）：196?198.
[4] 蓝祺花.动态的关联规则挖掘算法研究[D].厦门：厦门大学，2009.
[5] 丁艳辉.大规模数据库关联规则挖掘算法研究[D].济南：山东师范大学，2007.
[6] MEYER C G， PAPASTAMATIOU Y P， HOLLAND K N. Seasonal， diel， and tidal movements of green jobfish （aprion virescens， lutjanidae） at remote Hawaiian atolls： implications for marine protected area design [J]. Marine biology， 2007， 151（6）： 2133?2143.
