Este artículo presenta en detalle el algoritmo de control predictivo multivariable y su aplicación en el control de equipos de pruebas ambientales. Dado que el sistema de control de temperatura y humedad de los equipos de pruebas ambientales tiene un gran retraso y existen severos fenómenos de acoplamiento entre sistemas, el control PID convencional no puede lograr efectos de control satisfactorios. Para este sistema, este artículo utiliza un algoritmo de control predictivo multivariable para controlarlo y simularlo.
El algoritmo de control predictivo es un algoritmo de control basado en la descripción de la entrada y salida del sistema. Sus tres principios básicos son el modelo de predicción, la optimización rodante y la corrección de retroalimentación. Elige la respuesta al escalón unitario como su "modelo predictivo". Este algoritmo no solo puede simplificar el proceso de modelado, sino también lograr un mejor control y efectos de desacoplamiento mediante la selección de parámetros de diseño apropiados.
Este artículo presenta brevemente los equipos de prueba ambiental y explica los problemas existentes en el control. Luego se deriva en detalle el algoritmo de control predictivo multivariable, incluido el algoritmo de control predictivo para sistemas multivariables con autoequilibrio y el algoritmo de control predictivo para sistemas multivariables sin autoequilibrio, luego se proporcionan el proceso de modelado del sistema y el modelo de sistema correspondiente; Sobre esta base, se utilizó un algoritmo de control predictivo multivariable para controlar y simular el equipo de prueba ambiental y se compararon los resultados de la simulación.
Los resultados de la simulación muestran que para un sistema multivariable con características similares al sistema de control de temperatura y humedad de los equipos de prueba ambientales, el algoritmo de control predictivo multivariable puede lograr resultados más satisfactorios que el control PID convencional.
Palabras clave: sistema multivariable; control predictivo; equipo de pruebas ambientales
Resumen chino * * * 100-300 palabras, 3-7 palabras para palabras clave.
El resumen y las palabras clave en chino ocupan una página.
Todo el inglés está en fuente Times New Roman.
Fuente abstracta tamaño 3, negrita, una línea en el medio, una línea arriba y otra abajo.
El texto está en letra pequeña tamaño 4 y el interlineado es fijo de 20 puntos.
Este artículo presenta en detalle el algoritmo de control predictivo multivariable y su aplicación en el control de equipos de pruebas ambientales. El sistema de control de temperatura y humedad del dispositivo de prueba ambiental tiene las características de un gran retraso y un fuerte acoplamiento. Por lo tanto, el efecto de control PID convencional no es ideal. En este caso, se simuló el control de temperatura y humedad de un dispositivo de prueba ambiental basado en un algoritmo de control predictivo multivariable.
El algoritmo de control predictivo es un algoritmo de control basado en la descripción de las entradas y salidas del sistema. Sus tres principios básicos son el modelado predictivo, la optimización continua y la corrección de retroalimentación. La selección de la respuesta al escalón unitario como modelo de predicción simplifica el proceso de modelado. Además, al elegir los parámetros apropiados, se pueden obtener buenos efectos de control y desacoplamiento.
Este artículo presenta brevemente el dispositivo de prueba ambiental y señala los problemas existentes. Luego se presentan en detalle los algoritmos de control predictivo multivariable, incluidos los algoritmos de control predictivo del sistema de equilibrio automático multivariable y los algoritmos de control predictivo del sistema desequilibrado automático multivariable. En segundo lugar, se propone el proceso de modelado del sistema y el modelo de sistema correspondiente. Además, se aplican algoritmos de control predictivo multivariable a los sistemas de control de temperatura y humedad de los equipos de pruebas ambientales. Finalmente, se comparan los resultados de la simulación.
Los resultados de la simulación muestran que el algoritmo de control predictivo multivariable se puede utilizar en sistemas multivariables como el sistema de control de temperatura y humedad de equipos de prueba ambientales, y su efecto de control es más satisfactorio que el control PID convencional.
Palabras clave: sistema multivariable; control predictivo; equipos de pruebas ambientales
El resumen y las palabras clave en inglés deben ser la traducción del resumen y las palabras clave en chino.
El resumen en inglés y las palabras clave ocupan una página.
Ejemplo de tabla de contenidos, generada automáticamente por palabra.
Contenido
Capítulo 1 Teoría de Hilos 1
1.1 Introducción 1
1.2 Aplicación y Desarrollo de la Tecnología de Imagen Digital
1.3 Pregunta 3
1.4 Disposición de cada capítulo del artículo 4
Capítulo 2 Investigación y métodos de procesamiento de imágenes digitales 5 páginas
2.1 Histograma en escala de grises 5
2.1.1 Definición 5
2.1.2 Propiedades y usos del histograma 5
2.2 Transformación geométrica
2.2.1 Transformación espacial 8
2.2.2 Interpolación en escala de grises
2.2.3 Aplicación de operaciones geométricas 10
2.3 Mejora del filtrado espacial 10
2.3.1 Principio de filtrado espacial 10
2.3.2 Operador laplaciano 11
2.3.3 Filtrado de mediana 12
2.4 Procesamiento de segmentación de imágenes 13
2.4 .1 Segmentación binaria del umbral del histograma 14
2.4.2 Segmentación del umbral óptimo del histograma 14
2.4.3 Crecimiento regional 16
p>
Capítulo 3 Diseño de software de procesamiento de imágenes 18
3.1 Seleccionar herramientas de desarrollo de software de procesamiento de imágenes 18
Estructura 3.1.1 Formato de imagen BMP 18
3.1.2 Seleccionar herramientas de desarrollo de software 19
3.2 Introducción al código ean-13 20
3.2.1 Estructura del código de barras EAN-13 20
3.2.2 Método de codificación del código de barras 21
3.1 Diseño de la interfaz del sistema 22
Capítulo 4 Prueba de imágenes de códigos de barras 24
4.1 Métodos principales de procesamiento de imágenes de códigos de barras 24
4.2 Resultados de las pruebas de imágenes de códigos de barras 25
Capítulo 5 Resumen y Outlook 28
Referencia 29
Cuando las probabilidades a priori son iguales, es decir, Cuando
(2.33 )
es solo el promedio de los dos.
Como se puede ver en el análisis anterior, siempre que la suma sea conocida y normal, es fácil calcular su umbral óptimo t.
Los parámetros de la función de densidad real suelen estimarse mediante métodos de ajuste. Por ejemplo, la estimación del ajuste del error cuadrático medio mínimo para tener en cuenta los parámetros y minimizar el error cuadrático medio del ajuste. Por ejemplo, suponiendo que la densidad de la distribución ideal es normal y el histograma de la imagen real es 0, el error de ajuste de manera discreta es 0.
(2.34)
Donde n es la abscisa del histograma. Generalmente es difícil encontrar varios parámetros de la función de densidad para este tipo de ajuste, y sólo se puede utilizar una computadora para encontrar la solución numérica. Pero si se trata de una distribución normal, sólo se necesitan dos parámetros: media y desviación estándar.
2.4.3 Crecimiento de regiones
El crecimiento de regiones es una tecnología típica de segmentación de regiones continua y un método de segmentación de imágenes muy importante en la investigación de visión por computadora en el campo de la inteligencia artificial. La idea principal es reunir píxeles que satisfagan un cierto criterio de similitud alrededor de un punto inicial preseleccionado para formar una región. En el procesamiento específico, se comienza segmentando una imagen en muchas áreas pequeñas, que generalmente son pequeñas vecindades o incluso píxeles individuales. Luego, los píxeles circundantes se verifican definiendo reglas de membresía apropiadas en la región. Los píxeles que cumplen con las reglas de membresía anteriores se fusionan; de lo contrario, se descartan después de varias iteraciones, finalmente se puede formar la región a segmentar. Las "reglas de membresía interna" mencionadas aquí se pueden determinar en función de varios factores, como las características de escala de grises, las características de textura y las características de color de la imagen. Se puede ver en este pasaje que la clave para un crecimiento regional exitoso radica en elegir reglas internas de membresía apropiadas (estándares de crecimiento).
Para el criterio de crecimiento basado en características de escala de grises de la imagen, se puede utilizar el siguiente proceso para describir el proceso de crecimiento regional, como se muestra en la Figura 2.6.
Figura 2. 6 Diagrama de flujo de crecimiento regional
Capítulo 3 Diseño de software de procesamiento de imágenes
3.1 Selección de herramientas de desarrollo de software de procesamiento de imágenes
3.1.1 Estructura del formato de imagen BMP
p>
Existen muchos formatos para almacenar imágenes digitales, como BMP, GIF, JPEG, TIFF, etc. BMP es el más utilizado en el procesamiento de imágenes digitales y las imágenes recopiladas en este proyecto también se almacenan en formato BMP. Para procesar imágenes en este formato, primero debe comprender su estructura de archivos.
(1) Introducción al formato de archivo BMP
El archivo de gráficos BMP (archivo de mapa de bits) es un formato de archivo de gráficos utilizado por Windows. Todo el software de procesamiento de imágenes que se ejecuta en el entorno Windows admite el formato de archivo de imagen BMP. Todas las operaciones de dibujo de imágenes en sistemas Windows se basan en BMP. Antes de Windows 3.0, el formato de archivo de mapa de bits BMP estaba relacionado con el dispositivo de visualización, por lo que este formato de archivo de imagen BMP se llamaba DDB (formato de archivo de mapa de bits dependiente del dispositivo (DDB). Los archivos de imagen BMP posteriores a Windows 3.0 eran independientes del dispositivo de visualización, por lo que este El formato de archivo de imagen BMP se conoce como formato DIB (mapa de bits independiente del dispositivo) y está diseñado para permitir que Windows muestre imágenes almacenadas en cualquier tipo de dispositivo de visualización. La extensión de archivo predeterminada para archivos de mapa de bits bmp es BMP o BMP (a veces también es necesaria). DIB o RLE es la extensión)
(2) El archivo BMP consta de un encabezado de archivo de mapa de bits, un encabezado de información de mapa de bits, una tabla de colores y gráficos. Su forma se muestra en la Tabla 3.1.
Tabla 3. 1 Estructura de mapa de bits BMP
Símbolo de nombre de estructura sintética del archivo de mapa de bits
Encabezado del archivo de mapa de bits
Título de información de mapa de bits Título de información de mapa de bits bmih
Tabla de colores RGB cuatro colores []
Bytes de datos gráficos []
3.1.2 Selección de herramientas de desarrollo de software
(1 )Win32 API
La API de Microsoft Win32 (interfaz de programación de aplicaciones) es una interfaz de programación de aplicaciones de Windows, que incluye información de ventanas, funciones de administración de ventanas, funciones de interfaz de dispositivos gráficos, funciones de servicio del sistema, recursos de aplicaciones, etc. API de Win32 es la base del sistema operativo Windows de 32 bits de Microsoft y de todas las aplicaciones de Windows de 32 bits
Todos estos programas se ejecutan en la API Win32
(2)Visual C++
.Visual C++ es un producto de programación visual producido por Microsoft, desarrollo orientado a objetos y API de Windows. Estrecha integración, ricos recursos técnicos y poderosas herramientas auxiliares. Desde su nacimiento, Visual C++ ha sido uno de los desarrollos de aplicaciones más importantes. sistemas en el entorno Windows No solo es un entorno de desarrollo integrado para el lenguaje C++, sino que también tiene estrechos vínculos con Win32. Por lo tanto, se pueden desarrollar varias aplicaciones utilizando Visual C++, desde software de bajo nivel hasta software de nivel superior. Visual C++ es un entorno de programación visual fácil de usar y fácil de operar para los programadores.
Visual C++ puede aprovechar al máximo las ventajas de MFC. , especialmente algunos en MFC, que se pueden usar para escribir varias aplicaciones de Windows, lo que ahorra mucho tiempo de trabajo repetitivo y acorta el ciclo de desarrollo de la aplicación. La biblioteca de clases básica obtendrá el doble de resultado con la mitad del esfuerzo al desarrollar aplicaciones. >
Visual C++ tiene las siguientes características:
Simplicidad: Visual C++ proporciona biblioteca de clases MFC, clase de plantilla ATL, AppWizard, ClassWizard, etc. Una serie de herramientas asistentes ayudan a los usuarios a crear rápidamente sus propias aplicaciones. simplificando enormemente el diseño de la aplicación. Con estas tecnologías, los desarrolladores pueden desarrollar aplicaciones de Windows con poco o ningún código.
Flexibilidad: El entorno de desarrollo proporcionado por Visual C++ permite a los desarrolladores diseñar la interfaz y las funciones de la aplicación según sus propias necesidades. Además, Visual C++ proporciona una gran cantidad de bibliotecas de clases y métodos, lo que permite a los desarrolladores elegir según las características de su propia aplicación.
Extensibilidad: Visual C++ proporciona tecnología OLE y tecnología ActiveX, que pueden mejorar las capacidades de las aplicaciones.
Al utilizar la tecnología OLE y la tecnología ActiveX, los desarrolladores pueden utilizar varios componentes y controles proporcionados por Visual C++, así como componentes proporcionados por desarrolladores externos, para crear sus propios programas, logrando así la componenteización de las aplicaciones. El uso de esta tecnología puede hacer que la aplicación sea altamente escalable.
(3)MFC
MFC (Microsoft Foundation Class) es un conjunto de clases básicas desarrolladas por Microsoft en lenguaje C++.
Ku. Programar directamente con la API de Win32 es más complicado y la API de Win32 no está orientada a objetos. MFC encapsula la mayor parte de la API de Win32 y proporciona un marco de aplicación para simplificar y estandarizar el diseño de programas de Windows. MFC es una parte importante de Visual C++ y está integrado con él de la manera más ideal. Incluye principalmente las siguientes partes: encapsulación de API Win32, marco de aplicación, soporte OLE, soporte de base de datos, clases generales, etc.
3.2 Introducción al código ean-13
Los códigos de barras impresos en los envases de los productos que la gente ve todos los días se han utilizado en la industria, el comercio y la defensa nacional. Se ha popularizado y utilizado ampliamente. en transporte, finanzas, medicina y salud, correos y telecomunicaciones, ofimática y otros campos. Según los diferentes métodos de clasificación y las diferentes reglas de codificación, los códigos de barras se pueden dividir en muchos tipos. En la actualidad se utilizan 250 tipos de códigos de barras en el mundo. Este capítulo toma la versión estándar EAN-13 del código de barras EAN como ejemplo para ilustrar el método de desarrollo del software de reconocimiento de imágenes de códigos de barras EAN basado en tecnología de procesamiento de imágenes digitales.
El código EAN es un código de barras de producto promovido y aplicado globalmente por ean international. Es un código de barras puramente digital de longitud fija y el conjunto de caracteres son los números del 0 al 9. Consta de código de prefijo, código de identificación del fabricante, código de artículo del producto y código de verificación. El código de prefijo es el código utilizado por la organización internacional EAN para identificar a las organizaciones miembros, que en mi país es 690 ~ 695; el código de identificación del proveedor es el código asignado al proveedor por la organización miembro de EAN según el código de prefijo EAN; el código de artículo del producto está codificado por el fabricante; el código de verificación se utiliza para verificar la exactitud del código anterior de 12 o 7 dígitos.
3.2.1 Estructura del código de barras EAN-13
El código EAN-13 se codifica según el "método de combinación de módulos". Su estructura de símbolo consta de ocho partes: área en blanco izquierda, símbolo de inicio, símbolo de datos izquierdo, separador medio, símbolo de datos derecho, símbolo de verificación, terminador y área en blanco derecha, como se muestra en la Tabla 3.2. Dimensiones: 37,29 mm × 26,26 mm; Código de barras: 31,35 mm; Iniciador/Separador/Terminador: 24,50 mm; El intervalo del factor de ampliación es 0,80-2,00;
Tabla 3. 2 Estructura del código EAN-13
Lado izquierdo
Lado izquierdo del carácter inicial del espacio
Centro de los símbolos de datos
p>
Lado derecho del separador
Terminador de verificación de señal de datos
Lado frontal
Área en blanco
9.
3 módulos
42 módulos
5 módulos
35 módulos
7 módulos
p>
3 módulos
9 módulos
Componentes
El código representado por el código EAN-13 consta de 13 dígitos, y su estructura es la siguiente:
Estructura 1:
x 13x 12x 11x 10x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 1
Donde: X13 ~ X11 representa el código de prefijo del código de país o región; X10 ~ X7 es el código del fabricante; X6 ~ x2 es el código de producto;
Estructura 2:
x 13x 12x 11x 10x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 1
Donde: X13 ~ X11 son Código de prefijo que representa el código de país o región; X10 ~ X6 son códigos de fabricante; X5 ~ x2 son códigos de producto; X1 es un código de verificación.
En China, cuando x 13x 12x 11 es 690 y 691, la estructura del código es la misma que la estructura 1 cuando x 13x 12x 11 es 692.
Cuando su estructura de código es igual a la estructura 2.
Las reglas de codificación del código de barras EAN se muestran en la Tabla 3.3:
Iniciador: 101; separador medio: 01010;
El "0" y el "1" en A, B y C representan el "vacío" y la "barra" del ancho de un módulo respectivamente.
Tabla 3. 3 reglas de codificación para códigos de barras EAN
El lado izquierdo del símbolo de datos
El lado derecho del símbolo de datos
Símbolo de datos
BC
0 0001101 0100111 1110010
1 0011001 0110011 1100110
2 0010011 0011011 1101100
3 011101 0100001 1000010
4 0100011 0011101 1011100
5 0110001 0111001 1001110
6 0101111 000101 1010000
7 0111011 0010001 1000100
8 0110111 0001001 1001000
9 0001011 0010111 1110100
3.2.2 Método de codificación de código de barras
El método de codificación de código de barras se refiere a las reglas de codificación de las barras en blanco en el código de barras y la configuración. de representación lógica binaria. Como todos sabemos, los equipos informáticos sólo pueden leer datos binarios (los datos sólo tienen dos representaciones lógicas: "0" y "1"). Los símbolos de códigos de barras, como símbolos gráficos de la información de escaneo fotoeléctrico proporcionados para el procesamiento de información por computadora, también deben cumplir con los requisitos del sistema binario de computadora. El método de codificación del código de barras consiste en representar diferentes datos binarios diseñando la disposición y combinación de barras y espacios en el código de barras. En términos generales, existen dos tipos de códigos de barras: combinación de módulos y ajuste de ancho.
El método de combinación de módulos se refiere a una simbología de código de barras en la que las barras y espacios están compuestos por módulos de ancho estándar. Una barra de ancho estándar representa un "1" binario y un módulo vacío estándar representa un "0" binario. El ancho estándar del módulo de código de barras es de 0,33 mm. Un carácter consta de dos barras y dos espacios. Cada barra o espacio se compone de 1 a 4 módulos de ancho estándar.
El método de ajuste del ancho se refiere al código de barras. El ancho de la barra es diferente del ancho. La unidad ancha se usa para representar el "1" binario y la unidad estrecha se usa para representar el binario. "0". La relación entre el ancho y la unidad de ancho generalmente se controla en 2-entre 3.
3.1 Diseño de la interfaz del sistema
Las funciones básicas del software de procesamiento de imágenes en este artículo incluyen leer imágenes, guardar imágenes y procesar imágenes. La Figura 3.1 muestra la interfaz de este software de procesamiento de imágenes.
Figura 3.1 Interfaz principal del software
El diagrama de flujo del diseño del software se muestra en la Figura 3.2.
Figura 3.2 Diagrama de flujo de programación
Capítulo 4 Prueba de imágenes de códigos de barras
4.1 Principales métodos de procesamiento de imágenes de códigos de barras
( 1) Convertir 256 -mapa de bits de color a imagen en escala de grises.
La aplicación del procesamiento en escala de grises en el procesamiento de puntos proporciona requisitos previos para realizar la transformación de umbral de imágenes digitales. Para convertir un mapa de bits de 256 colores en una imagen en escala de grises, primero debe calcular el valor de escala de grises correspondiente para cada color. La relación correspondiente entre escala de grises y color RGB es la siguiente:
y = 0.299 r+0.587g+0.114B(4.1)
De esta forma, según la fórmula anterior, puede fácilmente La paleta de 256 colores se convierte en una paleta de grises. Debido a que la paleta de imágenes en escala de grises generalmente está organizada en orden creciente de escala de grises, también debemos ajustar el valor de cada píxel de la imagen (es decir, el valor de índice del color de la paleta). En la programación real, solo necesitamos definir una tabla de mapeo bMap [256] (una matriz unidimensional con una longitud de 256, que almacena el valor de escala de grises correspondiente a cada color en la paleta de 256 colores) y reemplazar cada píxel con bMap[p] El valor p (es decir, el valor del índice de color en la paleta original de 256 colores).
(2) Transformación de umbral de escala de grises
Utilice la teoría de transformación de umbral en operación puntual para convertir la imagen en escala de grises en una imagen binaria para prepararse para el análisis de la imagen.
La transformación del umbral de escala de grises puede convertir imágenes en escala de grises en imágenes binarias en blanco y negro. Su funcionamiento es un umbral especificado por el usuario. Si el valor de gris de un píxel en la imagen es menor que el umbral, el valor de gris del píxel se establece en 0; de lo contrario, el valor de gris se establece en 255.
(3) Filtrado mediano
El método de filtrado espacial en el método del dominio de transformación se utiliza para eliminar el ruido de la imagen. El filtrado mediano es una señal no lineal.
El método de procesamiento y el filtro correspondiente también son filtros no lineales. El filtrado mediano generalmente usa una ventana deslizante con un número impar de puntos y usa el valor de gris mediano de cada punto en la ventana para reemplazar el valor de gris de un punto específico (generalmente el punto central de la ventana). Para los elementos impares, la mediana se refiere al valor medio después de ordenar por tamaño, y para los elementos pares, la mediana se refiere al promedio de los valores en escala de grises de los dos elementos centrales después de ordenar.
(4) Proyección vertical
El uso del método de proyección vertical en el análisis de imágenes para reconstruir imágenes binarias proporciona requisitos previos para el reconocimiento de códigos de barras. La proyección vertical utiliza el método de proyección para transformar imágenes binarias en blanco y negro. La altura de la línea negra en la imagen transformada representa el número de puntos negros en la columna.
(5) Operaciones geométricas
Las operaciones geométricas pueden cambiar la relación espacial entre los objetos de la imagen. Una aplicación importante de las operaciones geométricas es eliminar la distorsión geométrica de las imágenes digitales causada por las cámaras. La corrección geométrica resulta muy importante cuando es necesario obtener datos de medición espacial cuantitativa a partir de imágenes digitales. Además, algunos sistemas de imágenes utilizan coordenadas de píxeles no rectangulares. Al visualizar estas imágenes con un dispositivo de visualización normal, primero deben enderezarse, es decir, convertirse en coordenadas de píxeles cartesianos.
4.2 Resultados de la prueba de imágenes de códigos de barras
El objeto de procesamiento de este software es el mapa de bits BMP de 256 colores del código EAN-13. La imagen de código de barras ruidosa se procesa mediante procesamiento en escala de grises, segmentación de umbral, filtrado espacial, crecimiento de regiones y proyección en tecnología de procesamiento de imágenes digitales. Los resultados son los siguientes:
Figura 4. 1 Imagen de código de barras original Figura 4. Transformación de ventana en escala de grises
Figura 4. 3 Histograma del código de barras original Figura 4. 4 Histograma de transformación de ventana en escala de grises
Figura 4.5 Interfaz de especificación de histograma en escala de grises Figura 4 6 Histograma de especificación de histograma en escala de grises
p>
Figura 4. 7 Interfaz de filtrado de mediana
Figura 4. 8 Crecimiento de la región Figura 4. 9 Eliminación de la región umbral
Figura 4. 10 Proyección vertical
Como se puede ver en los resultados del procesamiento anterior, la imagen del código de barras original se transforma en una imagen de proyección después de la transformación en escala de grises, el filtrado mediano, la binarización y la eliminación del umbral de área pequeña. Se requiere si los códigos de barras se pueden leer mediante el reconocimiento de patrones de imagen en un solo paso. más investigaciones.
Resumen y perspectivas del capítulo 5
La tecnología de procesamiento de imágenes digitales se originó en la década de 1920. En ese momento, la tecnología de procesamiento de imágenes se desarrolló lentamente debido a las limitaciones de los medios técnicos. No fue hasta la aparición de la tercera generación de computadoras que el procesamiento de imágenes digitales se desarrolló rápidamente y se utilizó ampliamente. Hoy en día casi no existen campos técnicos que no estén relacionados con el procesamiento de imágenes digitales.
Este artículo estudia principalmente los conocimientos relevantes del procesamiento de imágenes digitales y luego implementa el algoritmo de procesamiento de imágenes a través de Visual C++. Procese todos los algoritmos mencionados en el texto y saque conclusiones. El trabajo realizado es el siguiente:
(1) El procesamiento en escala de grises en el método de procesamiento de puntos proporciona requisitos previos para realizar la transformación de umbral de imágenes digitales.
(2) Utilice el método de filtrado espacial en el método de dominio de transformación para eliminar el ruido de la imagen.
(3) Utilice la teoría de transformación de umbral en operaciones puntuales para convertir la imagen en escala de grises en una imagen binaria para prepararse para el análisis de la imagen.
(4) El método de proyección vertical en el análisis de imágenes se utiliza para realizar la reconstrucción de imágenes binarias, lo que proporciona requisitos previos para el reconocimiento de códigos de barras.
El último capítulo del artículo ofrece los resultados de varios algoritmos. Los resultados muestran que los códigos de barras ruidosos se pueden procesar en códigos de barras silenciosos mediante el procesamiento de imágenes digitales.
Los campos de aplicación de la tecnología de procesamiento de imágenes digitales son multifacéticos. Puede usarse no solo para el procesamiento de imágenes descrito en este artículo, sino también para el reconocimiento de patrones y la visión artificial. En los últimos años, los métodos de procesamiento de imágenes desarrollados sobre la base de la morfología y la topología han traído una nueva situación al campo del procesamiento de imágenes. Se cree que la aplicación del procesamiento de imágenes será más extensa en el futuro.
Referencia
Ruan Qiuqi. Procesamiento de imágenes digitales[M]. Beijing: Electronic Industry Press, 2001.
Huang,,. Tecnología de codificación de compresión y procesamiento de imágenes digitales [M]. Chengdu: University of Science and Technology Press, 2000.
Rong Guanao.
Procesamiento de imágenes por computadora. Beijing: Prensa de la Universidad de Tsinghua, 2000.
Hu·. Estructuras de datos: guía de diseño de algoritmos [M]. Beijing: Prensa de la Universidad de Tsinghua, 1999.
Huang Weitong. Programación visual y orientada a objetos[M]. Beijing: Prensa de la Universidad de Tsinghua, 2001.
Xia·. Procesamiento de imágenes digitales[M]. Nanjing: Prensa de la Universidad del Sureste, 1999.
Fei Zhenyuan. Tecnología y aplicaciones de códigos de barras[M]. Shanghai: Prensa de literatura científica y tecnológica de Shanghai, 1992.
Li Jinzhe. Tecnología de identificación automática de códigos de barras [M] Beijing: National Defense Industry Press, 1991.
Él Bin. Procesamiento de imágenes digitales [M]. Beijing: People's Posts and Telecommunications Press, 2001.
【10】Li Changjiang. Manual del usuario de C++[M]. Beijing: Electronic Industry Press, 1995.
Zhang Chunlin Qin Xi. Visual C++ 6.0. Técnicas prácticas de programación[M]. Beijing: China Water Conservancy and Hydropower Press, 1999.
[12]Guía de diseño de algoritmos y estructura de datos de Hu[M]. Beijing: Prensa de la Universidad de Tsinghua, 1999.
[13] Kenneth R. Castleman, Zhu Zhigang, et al. Procesamiento de imágenes digitales [M] Beijing: Electronic Industry Press, 1998.
Davis Chapman Visual C++6.0 [M]. Beijing: Prensa de la Universidad de Tsinghua, 1999.
Richard C. Lineker. Kit de herramientas eléctricas de Visual C++5 [M]. Beijing: Machinery Industry Press, 1999.