車(chē)牌識(shí)別科研實(shí)訓(xùn)報(bào)告

1、 科研實(shí)訓(xùn)報(bào)告題 目： 汽車(chē)牌照識(shí)別技術(shù)研究與實(shí)現(xiàn) 院 系： 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院 專 業(yè)： _ 信息與計(jì)算科學(xué)_ 年 級(jí)： _ 2011級(jí)_ 學(xué) 號(hào)： 031101217 _ _ 姓 名： 陳 龍_ _ _ 指導(dǎo)教師： 李劍敏_ _ _ 實(shí)習(xí)地點(diǎn)： 福州大學(xué)_ _ 2015年 04月 30日17目 錄摘 要ABSTRACT第一章 緒 論1第二章 相關(guān)工作22.1下載MATLAB，并對(duì)其進(jìn)行初步的了解22.2通過(guò)MATLAB實(shí)現(xiàn)數(shù)字圖像的幾何變換，進(jìn)一步熟悉MATLAB22.3學(xué)習(xí)數(shù)字圖像處理中的圖像獲取62.4圖像增強(qiáng)72.5圖像復(fù)原7第三章 車(chē)牌定位與字符分割73.1車(chē)牌定位83.2字符分

2、割8第四章 字符識(shí)別114.1 人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法的優(yōu)點(diǎn)及其組成114.2 BP算法11結(jié)論11謝辭13參考文獻(xiàn)14摘 要 車(chē)牌識(shí)別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應(yīng)用十分廣泛。它以數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)基礎(chǔ)，對(duì)攝像機(jī)所拍攝的車(chē)輛圖像或者視頻序列進(jìn)行分析，得到每一輛汽車(chē)唯一的車(chē)牌號(hào)碼，從而完成識(shí)別過(guò)程。通過(guò)一些后續(xù)處理的手段可以實(shí)現(xiàn)停車(chē)場(chǎng)收費(fèi)管理、交通流量控制指標(biāo)測(cè)量，車(chē)牌定位，汽車(chē)防盜，高速公路超速自動(dòng)化監(jiān)管等等。對(duì)于維護(hù)交通安全和城市治安，防止交通堵塞，實(shí)現(xiàn)交通自動(dòng)化管理有著現(xiàn)實(shí)的意義。本技術(shù)是一門(mén)多學(xué)科的綜合技術(shù)，涉及數(shù)字圖形處理和神經(jīng)網(wǎng)絡(luò)技術(shù)。車(chē)牌自動(dòng)識(shí)

3、別系統(tǒng)能將輸入的汽車(chē)圖像通過(guò)識(shí)別過(guò)程，輸出為幾個(gè)字節(jié)的字符串，無(wú)論在存儲(chǔ)空間的占用上還是在管理數(shù)據(jù)庫(kù)上都有無(wú)可比擬的優(yōu)越性，在停車(chē)場(chǎng)、交通部門(mén)的違章監(jiān)測(cè)、路橋收費(fèi)上有廣闊的應(yīng)用前景。在所攝的含有車(chē)牌的汽車(chē)照片中，先獲取車(chē)牌位置，再把車(chē)牌的各個(gè)字符分割，即指將一幅圖像分解為若干互不交疊的、有意義的、具有相同性質(zhì)的區(qū)域。指將反應(yīng)物體真實(shí)情況的、占據(jù)不同區(qū)域的、具有不同特性的目標(biāo)區(qū)分開(kāi)來(lái)，并形成數(shù)字特征。提取出各個(gè)字符的特征，再利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，從而獲取車(chē)牌號(hào)碼。關(guān)鍵詞：車(chē)牌識(shí)別；Hough變換；字符識(shí)別；BP神經(jīng)網(wǎng)絡(luò)第一章 緒 論汽車(chē)牌照識(shí)別技術(shù)研究與實(shí)現(xiàn)一直是現(xiàn)代化交通發(fā)展中倍受關(guān)注的問(wèn)

4、題，也是制約交通系統(tǒng)智能化、現(xiàn)代化的重要因素。車(chē)牌自動(dòng)識(shí)別系統(tǒng)能將輸入的汽車(chē)圖像通過(guò)識(shí)別過(guò)程，輸出為幾個(gè)字節(jié)的字符串，無(wú)論在存儲(chǔ)空間的占用上還是 在管理數(shù)據(jù)庫(kù)上都有無(wú)可比擬的優(yōu)越性，在停車(chē)場(chǎng)、交通部門(mén)的違章監(jiān)測(cè)、 路橋收費(fèi)上有廣闊的應(yīng)用前景。整個(gè)車(chē)牌識(shí)別系統(tǒng)可分為以下的環(huán)節(jié)(如圖1-1)圖1-1車(chē)牌識(shí)別系統(tǒng)環(huán)節(jié)在車(chē)牌識(shí)別的問(wèn)題上，人們提出了多種方法。包括在車(chē)牌定位上使用基于彩 色分割或區(qū)域生長(zhǎng)法等技術(shù)；在字符識(shí)別上使用基于模板的匹配算法或基于統(tǒng)計(jì) 的匹配算法等技術(shù)。但這些技術(shù)往往由于圖像的噪聲或車(chē)牌位置的傾斜等原因 造成了圖像提取的模糊不清或者定位不準(zhǔn)確等問(wèn)題，使系統(tǒng)的識(shí)別率并不很 高 。所以

5、提出以下的方法設(shè)計(jì)車(chē)牌自動(dòng)識(shí)別系統(tǒng)：對(duì)于輸入的二值圖像采用Ho ugh變換的方法確定出車(chē)牌在照片中的位置，然后利用垂直投影法分割出各個(gè)不 同字符，再通過(guò)Fourier變換進(jìn)行特征提取以及B P神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、匹配， 從而得到輸出結(jié)果。第二章 相關(guān)工作2.1下載MATLAB，并對(duì)其進(jìn)行初步的了解 在MATLAB官網(wǎng)上下載，并按其步驟進(jìn)行安裝，記得改變環(huán)境變量。熟悉MATLAB7.0的工作界面，掌握MATLAB基本功能。 任意構(gòu)造數(shù)組、構(gòu)造矩陣；或取矩陣元素。 構(gòu)造數(shù)組>> x=3 4 7 2 1X = 3 4 7 2 1>>a=4:8a= 4 5 6 7 8 構(gòu)造矩陣&

6、gt;>A=1 3 42 4 ;2 5 7 8 A= 1 2 42 4 2 5 7 8 取矩陣元素A= 1 3 42 4 2 5 7 8>>A(2,4)ans = 8 實(shí)現(xiàn)矩陣運(yùn)算B=2 56 7>>C=3 5; 7 5C=3 57 5>>B+Cans =5 10 13 12>>B-Cans =-1 0 -1 22.1.3方程求解與多項(xiàng)式運(yùn)算 如求A（X）=X3+3X2+4X+5用向量表示為A=1 3 4 5>>A=1 3 4 5 A= 1 3 4 5 如下表示當(dāng)X=4時(shí)多項(xiàng)式的解：>>Polyvalm(A,4)an

7、s=133如下表示求根：>>roots(A)ans=-2.2134-0.3933+1.4506i-0.3933-1.4506i2.1.4利用MATLAB讀取圖像、顯示圖像和保存圖像。 I=imread('image1.jpg')表示將圖像讀入數(shù)組I中。 imview（I）表示查看圖像。Imshow（I）表示顯示圖像。2.2通過(guò)MATLAB實(shí)現(xiàn)數(shù)字圖像的幾何變換，進(jìn)一步熟悉MATLAB2.2.1 設(shè)計(jì)一個(gè)圖像的灰度線性變換，并編程實(shí)現(xiàn)變換效果，如圖2-1所示。 I=imread('C:UserspcDesktop2.jpg');imshow(I);I=

8、double(I);title('原始圖'); I=uint8(I); M,N=size(I);for i=1:M for j=1:N if I(i,j)<=30 I(i,j)=I(i,j); Else if I(i,j)<=150 I(i,j)=(200-30)/(150-30)*(I(i,j)-30)+30; else I(i,j)=(255-200)/(255-150)*(I(i,j)-150)+200; end endendimshow(I);title('線性變換');圖2-1灰度性線變換效果圖2.2.2旋轉(zhuǎn)30度：效果圖如圖2-2所示。I

9、=imread('C:UserspcDesktop2.jpg');C=imrotate(I,30,'bicubic'); imshow(C);title('旋轉(zhuǎn)30度');圖2-2旋轉(zhuǎn)30度效果圖2.2.3縮小13:效果圖如圖2-3所示。I=imread('C:UserspcDesktop2.jpg');A=imresize(I,13,'nearest'); imshow(A);title('縮小13');圖2-3縮小13效果圖2.3學(xué)習(xí)數(shù)字圖像處理中的圖像獲取 通過(guò)書(shū)本了解圖像獲取的大致過(guò)程：連續(xù)

10、的模擬圖像先經(jīng)過(guò)成像系統(tǒng)變成連續(xù)圖像，再經(jīng)過(guò)采樣系統(tǒng)產(chǎn)生采樣圖像，最后經(jīng)過(guò)量化器生成數(shù)字圖像。將連續(xù)函數(shù)變成離散函數(shù)最常用的采樣方法是等間隔采樣，即在x軸上等間隔地抽取函數(shù)f(x)的樣值。采樣后的圖像還不是數(shù)字圖像，必須將離散圖像的值表示為以其幅度成比例的整數(shù)，即進(jìn)行量化處理。掌握數(shù)字圖像的表示，圖像經(jīng)過(guò)采樣和量化后變成一幅數(shù)字圖像，為了方便表示，可用M*N階矩陣來(lái)表示，矩陣中的每個(gè)單元表示圖像單元，簡(jiǎn)稱像素。坐標(biāo)（x，y）處的值f（x，y）為離散的灰度值級(jí)，0<=f（x，y）<=L-1,其中L為圖像中不同灰度值的個(gè)數(shù)。學(xué)習(xí)了二進(jìn)制圖像是將像素取成0或1的離散數(shù)值。索引圖像是一種把

11、像素直接作為RGB調(diào)色板下標(biāo)的圖像?；叶葓D像是由一個(gè)數(shù)據(jù)矩陣來(lái)描述，矩陣中的數(shù)據(jù)代表一定范圍的灰度級(jí)，通常用0表示黑色，1或255表示白色。RGB圖像是利用R、G、B三個(gè)分量表示一個(gè)像素的顏色，每個(gè)像素的三個(gè)顏色分量都存儲(chǔ)在矩陣的第三維中。2.4圖像增強(qiáng)圖像增強(qiáng)是對(duì)圖像進(jìn)行加工，以得到對(duì)具體應(yīng)用來(lái)說(shuō)視覺(jué)效果更好的圖像。圖像增強(qiáng)技術(shù)主要分成：空域方法和頻域方法?？沼蚴侵苯釉趫D像所在的像素空間進(jìn)行處理，而根據(jù)處理的區(qū)域是單個(gè)像素還是子圖像塊又分成：點(diǎn)處理和空域?yàn)V波（后者基于模板）。頻域法是通過(guò)對(duì)圖像進(jìn)行傅里葉變換后在頻域上間接進(jìn)行圖像增強(qiáng)。主要是學(xué)習(xí)空域方法中的點(diǎn)處理：圖像求反、線性灰度變換、灰度

12、切割、直方圖均衡化與規(guī)定化等。基于一階導(dǎo)數(shù)的邊緣檢測(cè)算子包括Roberts算子、Sobel算子、Prewitt算子，在算法實(shí)現(xiàn)過(guò)程中，通過(guò)2×2(Roberts算子)或者3×3模板作為核與圖像中的每個(gè)像素點(diǎn)做卷積和運(yùn)算，然后選取合適的閾值以提取邊緣。拉普拉斯邊緣檢測(cè)算子是基于二階導(dǎo)數(shù)的邊緣檢測(cè)算子，該算子對(duì)噪聲敏感。一種改進(jìn)方式是先對(duì)圖像進(jìn)行平滑處理，然后再應(yīng)用二階導(dǎo)數(shù)的邊緣檢測(cè)算子，其代表是LOG算子。2.5圖像復(fù)原 圖像復(fù)原是認(rèn)為圖像在某中情況下退化了，需要針對(duì)圖像的退化原因?qū)ζ溥M(jìn)行補(bǔ)償，這需要對(duì)圖像的退化過(guò)程有一定的先驗(yàn)知識(shí)，將圖像退化的過(guò)程模型化，并采用相反的過(guò)程盡

13、可能實(shí)現(xiàn)圖像的復(fù)原。將圖像退化原因作為線性系統(tǒng)退化的一個(gè)因素對(duì)待，建立系統(tǒng)退化模型來(lái)近似描述圖像函數(shù)的退化。通用的退化模型可以如下式所示：g（x，y）=H【f（x，y）】+n（x，y），其中f（x，y）為原始圖像，H為退化系統(tǒng)或退化算子，n（x，y）為外來(lái)加性噪聲，g（x，y）為退化后的圖像。圖像超分辨率重建是由多幀低分辨率圖像來(lái)估計(jì)出一幅較高分辨率的非變形圖像同時(shí)還能夠消除加性噪聲。對(duì)于一段場(chǎng)景變化不大的圖像序列來(lái)說(shuō)這一組圖像具有相似但不完全相同的信息。其主要變化在于圖像中運(yùn)動(dòng)物體產(chǎn)生了空間位移。這些圖像之間的信息是冗余的，又是互補(bǔ)的因此可以認(rèn)為這一組圖像從整體上記錄了更高分辨率圖像的信息。

14、超分辨率重構(gòu)技術(shù)就是利用多幀低分辨率圖像中所帶有的不同的空域和時(shí)域信息再引入圖像的先驗(yàn)約束以軟件的方法重建出更接近于原始圖像的重建圖像。2.6圖像檢測(cè)與分割 圖像分割是指將一幅圖像分解為若干互不交疊的、有意義的、具有相同性質(zhì)的區(qū)域。指將反應(yīng)物體真實(shí)情況的、占據(jù)不同區(qū)域的、具有不同特性的目標(biāo)區(qū)分開(kāi)來(lái)，并形成數(shù)字特征。它是處于圖像預(yù)處理和圖像識(shí)別之間，起到關(guān)鍵作用。好的圖像分割應(yīng)具備如下性質(zhì)：（1）分割出來(lái)的各區(qū)域?qū)δ撤N性質(zhì)具有相似性，區(qū)域內(nèi)部是連通的且沒(méi)有過(guò)多小孔。（2）相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)具有明顯的差異。（3）區(qū)域邊界是明確的。邊緣是一個(gè)區(qū)域的開(kāi)始，同時(shí)也是一個(gè)區(qū)域的結(jié)束，利用這個(gè)性質(zhì)可

15、以用來(lái)分割圖像。沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈，邊緣上這種變化可以用微分算子檢測(cè)出來(lái)，通常用一階或二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。注意區(qū)分各個(gè)微分算子的優(yōu)缺點(diǎn)，算子的選擇直接影響到邊緣定位能力和噪聲抑制能力。閾值分割是基于灰度閾值的分割方法，通過(guò)設(shè)置閾值，把像素點(diǎn)按灰度級(jí)分若干類，從而實(shí)現(xiàn)圖像分割。把一幅灰度圖像變換成二值圖像是閾值分割的最簡(jiǎn)單形式，以一定準(zhǔn)則在f（x，y）中找出一個(gè)灰度值t作為閾值，將圖像分割成兩部分，大于該閾值的像素點(diǎn)的值設(shè)為1，小于該閾值的像素點(diǎn)的值設(shè)為0，其他閾值分割也是基于以上思想。第三章 車(chē)牌定位與字符分割3.1 車(chē)牌定位作為圖像的特征， 圖像的邊緣和區(qū)域有

16、重要的意義，因此對(duì)邊緣的檢測(cè)對(duì)于 圖像的分析和識(shí)別也是至關(guān)重要的。在車(chē)牌的圖像當(dāng)中，車(chē)牌是一個(gè)具有一定長(zhǎng) 寬比的矩形，可以采用已知形狀的曲線檢測(cè)( H o u g h變換 )的方法來(lái)確定車(chē) 牌的位置。Hough變換是把圖像平面中的點(diǎn)按照待求曲線的函數(shù)關(guān)系映射到參數(shù)空間，然后尋找最大凝聚點(diǎn)，由此最大點(diǎn)確定曲線位置 。車(chē)牌由四條直線組成 ，上下平行，左右平行，在此，先把它簡(jiǎn)化為一條直線的位置檢測(cè)，再根據(jù)平行特 性找出四條相關(guān)的直線，從而找出車(chē)牌的位置 。直 線 Y = kx+b可 以 映 射 為 參 數(shù) 空 間 b=-kx+Y ，但是這情況下不 能檢測(cè)X ：c的曲線。 3.2 字符分割字符分割可采

17、用垂直投影法。由于字符塊在豎直方向上 的投影必然在字符 間或字符內(nèi)的間隙處取得局部最小值，因此字符的正確分割位置應(yīng)該在上述局部最小值的附近，并且這個(gè)位置應(yīng)滿足車(chē)牌的字符書(shū)寫(xiě)格式、字符尺寸限制和一些 其他條件。利用垂直投影法 ，對(duì)復(fù)雜環(huán)境下的汽車(chē)圖像中的字符分割有較好的效果。對(duì)已切割出來(lái)的車(chē)牌圖像在水平方向上從左到右檢測(cè)各坐標(biāo)的投影數(shù)值 。檢測(cè)到第一個(gè)投影值不為0的坐標(biāo)可視為首字符的左邊界，從該坐標(biāo)向右檢測(cè)到第一個(gè)投影值為0 的坐標(biāo)可視為首字符的右邊界， 其余字符的邊界坐標(biāo)同理可得。通過(guò)字符的平均字寬和兩字符左邊界之間的平均距離去除可能存在的誤分。對(duì)于字寬小于平均字寬一定比例(如03)的字符則視

18、為無(wú)效字符；前后兩字符距離小于平均距離且此距離與字寬之和不大于平均距離則可以合并為一個(gè)字符。第四章 字符識(shí)別4.1人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法的優(yōu)點(diǎn)及其組成人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法是近些年提出的新方法，為字符識(shí)別研究提供 了一種新手段，它具有一些傳統(tǒng)技術(shù)所沒(méi)有的優(yōu)點(diǎn)：良好的容錯(cuò)能力、分類能力 強(qiáng)、并行處理能力和 自學(xué) 習(xí)能 力 。 因而 ， 采 用 神 經(jīng) 網(wǎng)絡(luò) 識(shí) 別 方 式 是一種很好的選擇。使用人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)模式識(shí)別 ，其運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率，可處理一些環(huán)境信息十分復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確的問(wèn)題，允許樣品有較大的缺損、畸變 ；該方法的缺點(diǎn)是其模型在不斷

19、豐富完善過(guò)程中，目前能識(shí)別的模式類還不夠多 。一般神經(jīng)網(wǎng)絡(luò)字符識(shí)別系統(tǒng)由預(yù)處理，特征提取和神經(jīng)網(wǎng)絡(luò)分類器組成 。預(yù)處理就是將原始 數(shù)據(jù)中的無(wú)用信息刪除，平滑等；特征提取必須能反應(yīng)整個(gè)字符的特征；神經(jīng)網(wǎng) 絡(luò)分類器的輸入就是數(shù)字字符的特征向量 ；神經(jīng)網(wǎng)絡(luò)分類器的輸出節(jié)點(diǎn)應(yīng)該是 字符數(shù) 。4.2 BP算法可采用BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行車(chē)輛字符的識(shí)別。BP網(wǎng)絡(luò)是采用非線性可微轉(zhuǎn)移 函數(shù)的多層網(wǎng)絡(luò)以及W i c k o wH o f提出的最小均方( Leastmean Square ) 學(xué)習(xí)算法 ，即LMS 算法。在該算法中，希望通過(guò)訓(xùn)練網(wǎng)絡(luò)能找到一組權(quán)重，使 得函數(shù)的值最小。其中E為總誤差，為一種輸入模式

20、；括號(hào)內(nèi)第一項(xiàng)表示輸入模式為P 時(shí)輸出結(jié)點(diǎn)i 的期望值 ；第二項(xiàng)表示輸入模式為時(shí)輸出結(jié)點(diǎn)i 的實(shí)際值 。LMS 算法用到了梯度下降法，即權(quán)重的增量正比于誤差的負(fù)導(dǎo)數(shù) ，故每修改 一次權(quán)值，均向誤差減少的方向移動(dòng)，從而整個(gè)系統(tǒng)表現(xiàn)出在權(quán)重空間中向誤差極小下移的特性。在字符識(shí)別中，實(shí)現(xiàn)的算法如下 ：步驟 1 ：將全部權(quán)值和結(jié)點(diǎn)的閾值預(yù)置為一個(gè)小的隨機(jī)值 。步驟 2 ：加載輸入和輸出。在，n個(gè)輸入結(jié)點(diǎn)上加載，n 維輸入向量X ，并 指定每一輸出結(jié)點(diǎn)的期望值。步驟 3 ：計(jì)算實(shí)際輸出結(jié)果值 Yl。步驟 4 ：修正權(quán)值。其過(guò)程是由輸出結(jié)點(diǎn)開(kāi)始，反向地向第一隱含層傳播由總誤差誘發(fā)的權(quán)值修正，即反向傳播(

21、B a c kP r o p a g a t i o n ) 。下一 時(shí)刻的互聯(lián)權(quán)值 ( +1 ) 在GDSS中的多Agent 系統(tǒng)的交互包括兩個(gè)處 理流程：對(duì)的分析，生成系統(tǒng)的內(nèi)部應(yīng)用數(shù)據(jù) ；對(duì)要傳輸?shù)膽?yīng)用數(shù)據(jù)進(jìn)行封裝，生成符合XACL規(guī)范的字符流 。因?yàn)閄ACI符合XML的語(yǔ)法規(guī)則，因此對(duì)它的解析和封裝比較簡(jiǎn)單、可靠。XML 作為通信語(yǔ)言使得GDSS中的多Agent系統(tǒng)處理信息得到簡(jiǎn)化而且效率更高。從上面這段DTD來(lái)看，對(duì)于L的語(yǔ)法規(guī) 范定義非常簡(jiǎn)單，Agent間每一次傳輸?shù)男畔⊿ender ，Receiver，In e n t和 Content等幾部分內(nèi)容。Sender是源Agent

22、 ；Re c e i v e r 是 目標(biāo) Agent ；Intent 表示這段語(yǔ)言所表達(dá)的行為，其中I n t e n t 的主要幾種類型是從 KQML借鑒而來(lái)，包括propose ，accept ， reject 等 。Content 代表具體的通信內(nèi)容，它與具體的應(yīng)用相關(guān)。除了各 A g e n t 之間的通信，還需要與本機(jī)其他軟件通信，例如：瀏覽器，電子會(huì)議系統(tǒng)中的NetMeeting 軟件等。結(jié)論車(chē)牌識(shí)別是一門(mén)多學(xué)科的綜合技術(shù)，涉及數(shù)字圖形處理和神經(jīng)網(wǎng)絡(luò)技術(shù) ， 采用以上的方法將取得良好的識(shí)別結(jié)果。下一步的研究將是在算法上考慮進(jìn)一步的改良，在實(shí)現(xiàn)上可采 取可視化編程語(yǔ)言制作成軟件，投

23、入實(shí)際使用。多A g e n t 具有主動(dòng)性、協(xié)作性 、智能性，表現(xiàn)出非常強(qiáng)的協(xié)調(diào)能力和合作能力，而分布環(huán)境下的群體決策活動(dòng)需要強(qiáng)有力的協(xié)調(diào) 、 控制工具來(lái)支持。因此，在GDS中引入多A g e n t 技術(shù)是完全可行的。該系統(tǒng)在分布式環(huán) 境下利用多A g e n t 技術(shù)來(lái)構(gòu)建G D S ，可以為企業(yè)全面、快速、有效的決策進(jìn)行強(qiáng)有力的支持，從而全面提升企業(yè)的綜合競(jìng)爭(zhēng)力。謝辭時(shí)光飛逝，歲月如梭，科研實(shí)訓(xùn)工作即將畫(huà)上句點(diǎn)。回想起這科研實(shí)訓(xùn)，短暫而又美好，開(kāi)啟了我未來(lái)的職業(yè)生涯，這段時(shí)光將是我人生中最寶貴的財(cái)富。感謝在工作中給予過(guò)我?guī)椭娜藗?，為我未?lái)職業(yè)生涯打開(kāi)了大門(mén)。感謝我的導(dǎo)師李劍敏老師對(duì)我

24、的指導(dǎo)，從選題到程序設(shè)計(jì)，到科研實(shí)訓(xùn)報(bào)告寫(xiě)作都離不開(kāi)老師的指導(dǎo)。有了她的細(xì)心的指導(dǎo)，我的這篇論文才能順利完成。在此，特別感謝李老師！感謝我們的論文小組的同學(xué)以及2011級(jí)數(shù)學(xué)專業(yè)的所有同學(xué)對(duì)我的幫助，還有我的舍友們對(duì)我的支持。還有感謝我的父母在這期間對(duì)我的支持，你們的鼓勵(lì)和期待增強(qiáng)了我克服困難的信心！參考文獻(xiàn)1 姚敏.字圖像處理M.北京：機(jī)械工業(yè)出版社，2006。2 劉勇奎，周曉敏，顏葉.的圖像處理算法的研究.計(jì)算機(jī)工程與設(shè)計(jì)，2001,22（5）:71-75.3 劉勇奎，鄒善舉.圖像算法及幾何量定義.4 顏葉，王兆銳，劉勇奎.圖像處理算法.5 劉永奎.計(jì)算機(jī)圖形學(xué)的基礎(chǔ)算法.北京：科學(xué)出版社

25、,2007.6 Tian Yan1 Liu，Bin 2 Li Tao3.A Local Image Interpolation Method Based On-Gradient Analysis.7 Xiangjian He, Tom Hintz, Qiang Wu, Huaqing Wang and Wenjing Jia.A New Simulation. of Spiral Architecture.International Conference on Image Processing, Computer Vision. and Pattern Recognition,2006, pp.570-575.8 Atsushi Yabushita, Koichi Ogawa.Image Reconstruction With a Hexagonal Grid.Nuclear Science Symposium Conference Rec