電子信息類工科專業(yè)科教融合教學(xué)設(shè)計(jì)*
——以《數(shù)字圖像處理》為例

朱春華 郭歆瑩 趙攀 秦瑤

（河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院）

在新工科背景下，電子信息類工科課程的教學(xué)設(shè)計(jì)中加強(qiáng)了以問(wèn)題為導(dǎo)向、多學(xué)科交叉融合以及科研育人等教學(xué)理念。專業(yè)基礎(chǔ)課對(duì)專業(yè)知識(shí)要求高，而且其知識(shí)點(diǎn)環(huán)環(huán)相扣，在慕課的建設(shè)中文獻(xiàn)[1]提出了把專業(yè)基礎(chǔ)課引入慕課教學(xué)模式的課程建設(shè)思路；專業(yè)教育與工科基礎(chǔ)數(shù)學(xué)或物理課的結(jié)合也成為了基礎(chǔ)課教學(xué)改革的焦點(diǎn)[2]；科研反哺教學(xué)已經(jīng)成為近兩年應(yīng)用型人才培養(yǎng)的關(guān)鍵詞[3-4]。但在實(shí)際教學(xué)活動(dòng)中，還面臨理論與實(shí)踐嚴(yán)重脫節(jié)、理論課與實(shí)踐課的教學(xué)設(shè)計(jì)不能有效銜接，學(xué)生以聽(tīng)為主缺乏主動(dòng)思考的教學(xué)模式等問(wèn)題，這影響到了通過(guò)課程教學(xué)培養(yǎng)學(xué)生的獨(dú)立思考能力、科學(xué)思維方法和求知?jiǎng)?chuàng)新精神的目標(biāo)達(dá)成。本文以《數(shù)字圖像處理》課程為例，提出科教融合的教學(xué)設(shè)計(jì)思路，以科研項(xiàng)目實(shí)踐的每個(gè)單元對(duì)應(yīng)支撐課程教學(xué)內(nèi)容的每個(gè)知識(shí)點(diǎn)，形成了科研真正融入課堂，反哺教學(xué)的教學(xué)模式。

一、教學(xué)與科研融合案例分析

本文以基于圖像處理的糧食籽粒和雜質(zhì)檢測(cè)[5]為例，通過(guò)圖像增強(qiáng)、圖像分割、形態(tài)學(xué)圖像處理等在主干課程《數(shù)字圖像處理》中的知識(shí)，實(shí)現(xiàn)摻雜糧食中的雜質(zhì)分離。檢測(cè)流程如圖1所示。

圖1 算法流程框圖

對(duì)摻雜糧食圖像，首先通過(guò)直方圖均衡化和高斯-拉普拉斯算子增強(qiáng)糧食籽粒和雜質(zhì)的對(duì)比度；對(duì)閾值分割后的雜質(zhì)圖像，引入膨脹與雜質(zhì)面積參數(shù)去除偽點(diǎn)，并利用羅伯茨算子提取雜質(zhì)邊緣和二次去噪；最后對(duì)雜質(zhì)圖像進(jìn)行標(biāo)記和計(jì)數(shù)。

（一）圖像預(yù)處理

在以上項(xiàng)目實(shí)踐環(huán)節(jié)中，首先要進(jìn)行原始圖像采集。實(shí)驗(yàn)中的小麥與雜質(zhì)來(lái)自河南省鄭州市的興隆國(guó)家糧食儲(chǔ)備庫(kù)，圖像采集背景為反光性能較弱的亞格力板,在板內(nèi)設(shè)有大小、間距相等的100個(gè)圓形孔用于放置小麥與雜質(zhì)。在自然光照射下，采用SONY相機(jī)（ILCE-7RM2型號(hào)，4240萬(wàn)有效像素）從50cm左右高度垂直進(jìn)行拍攝，獲得實(shí)驗(yàn)圖像。

為了增加摻雜糧食籽粒圖像中雜質(zhì)圖像和糧食籽粒圖像區(qū)域的對(duì)比度，本文采用直方圖均衡化處理和圖像銳化對(duì)原始圖像進(jìn)行預(yù)處理，便于后續(xù)的雜質(zhì)圖像分割。為了保證色彩的不失真，首先把RGB圖像轉(zhuǎn)為HSV[7](Hue-Saturation-Value)圖像；然后對(duì)HSV圖像的直方圖進(jìn)行均衡化和銳化濾波，考慮到高斯濾波的平滑作用和拉普拉斯算子對(duì)噪聲的敏感性，采用高斯-拉普拉斯算子（LOG算子）對(duì)原始圖像進(jìn)行濾波，若原始圖像像素(x,y)，對(duì)其進(jìn)行LOG算子濾波可表示為

原始圖像和預(yù)處理后的圖像分別如圖2(a)和圖2(b)所示，其傅里葉變換后的頻域分布分別如圖2(c)和圖2(d)所示?？梢?jiàn)預(yù)處理后圖像的低頻分量減少，高頻分量增加；而圖像中的高頻成分反映的是圖像中變換比較尖銳的細(xì)節(jié)、圖像邊緣等部分，因此經(jīng)過(guò)預(yù)處理之后圖像的對(duì)比度得到增強(qiáng)。

圖2 預(yù)處理前后圖像對(duì)比

（二）雜質(zhì)圖像分割和去噪

對(duì)預(yù)處理后的圖像圖2(b)，需要分離糧食籽粒和雜質(zhì)，本文通過(guò)對(duì)比大津法（OTSU）[6]、迭代法[7]、直方圖雙峰法[8]，考慮糧食籽粒圖像的直方圖分布特點(diǎn)，確定采用直方圖閾值分割中的多峰分割的方法。在以上分割過(guò)程中，分割閾值的選取是算法的關(guān)鍵，通過(guò)實(shí)驗(yàn)得到最優(yōu)的分割閾值為Ts，糧食籽粒和圖像背景的灰度值小于等于全局閾值，判定為背景點(diǎn)；雜質(zhì)的灰度值大于全局閾值，判為目標(biāo)點(diǎn)，分割過(guò)程可表示為

原圖像與雜質(zhì)分割圖像分別如圖3(a)和圖3(b)所示。由圖3(a)所示，在原始圖像的背景中會(huì)存在一些與雜質(zhì)灰度值相近的細(xì)小噪點(diǎn)，這些噪點(diǎn)來(lái)源于圖像采集板的孔洞邊緣粘連的部分雜質(zhì)顆粒，或者是由于糧食籽粒部分區(qū)域的灰度值與雜質(zhì)灰度接近。這些噪點(diǎn)在經(jīng)過(guò)圖像分割后難以去除，如圖3(b)所示，這些噪點(diǎn)的存在將影響雜質(zhì)圖像的標(biāo)記與準(zhǔn)確識(shí)別。為去除雜質(zhì)分割圖像中的噪點(diǎn)并保持雜質(zhì)圖像的完整性，雜質(zhì)分割圖像去噪主要通過(guò)基于面積的幾何濾波、使用Roberts算子檢測(cè)噪點(diǎn)、基于面積的二次濾波幾個(gè)主要步驟完成。通過(guò)觀察閾值分割后的圖像圖3(b)發(fā)現(xiàn)，雜質(zhì)與噪點(diǎn)的主要區(qū)別之一是其面積差異較大，因此本文采取了基于圖像面積的幾何濾波方法，即以某一面積值作為濾波器的截至頻率，通過(guò)對(duì)圖像中某點(diǎn)的26鄰域的面積值與進(jìn)行比較，當(dāng)其面積小于時(shí)則剔除該點(diǎn)，當(dāng)其面積大于S時(shí)則保留該點(diǎn)。但由于部分雜質(zhì)圖像分割后并不是一個(gè)完整的封閉區(qū)域，影響后續(xù)的雜質(zhì)計(jì)數(shù)。因此在利用圖像面積進(jìn)行幾何濾波之前，對(duì)閾值分割后的雜質(zhì)圖像首先要進(jìn)行膨脹處理，使得未連通的雜質(zhì)目標(biāo)區(qū)域連通起來(lái)，便于后期統(tǒng)計(jì)雜質(zhì)個(gè)數(shù)。這里在膨脹系數(shù)選取時(shí)不宜太大，以免噪點(diǎn)與雜質(zhì)區(qū)域過(guò)度融合，造成雜質(zhì)標(biāo)記錯(cuò)誤；同時(shí)，較小模板的膨脹處理會(huì)加大噪點(diǎn)與雜質(zhì)目標(biāo)區(qū)域的面積差距，更易剔除孤立噪點(diǎn)。對(duì)于未能完全濾除的殘余噪點(diǎn)，使用對(duì)噪聲較為敏感的算子提取圖像邊緣，再次設(shè)置面積閾值，對(duì)其進(jìn)行基于圖像面積的二次幾何濾波，得到全部雜質(zhì)圖像。如圖3(c)所示。

圖3 雜質(zhì)圖像分割與去噪

（三）圖像標(biāo)記

得到全部雜質(zhì)圖像后，可進(jìn)行雜質(zhì)圖像標(biāo)記和計(jì)數(shù)。由于部分雜質(zhì)圖像存在分立孤島，為正確統(tǒng)計(jì)雜質(zhì)個(gè)數(shù)，需對(duì)雜質(zhì)圖像進(jìn)行膨脹操作，從而連通分立孤島，以及填補(bǔ)圖像內(nèi)部孔洞。統(tǒng)計(jì)雜質(zhì)個(gè)數(shù)后，考慮計(jì)算復(fù)雜性和邊緣提取完整性，使用Canny算子提取雜質(zhì)圖像邊緣，并進(jìn)行雜質(zhì)位置標(biāo)記，據(jù)此還可以統(tǒng)計(jì)雜質(zhì)數(shù)量。

（四）算法性能對(duì)比分析

為檢驗(yàn)本文所提方法的有效性，實(shí)驗(yàn)中對(duì)比分析了大津法（OTSU）[2]、迭代法[3]、直方圖雙峰法[4]的雜質(zhì)檢測(cè)結(jié)果分別如圖4(a)-(d)所示，其中原始圖像如圖2(a)。

圖4 不同雜質(zhì)檢測(cè)方法的雜質(zhì)圖像提取結(jié)果對(duì)比

由圖4(a)和圖4(b)可見(jiàn)，文獻(xiàn)[2]和文獻(xiàn)[3]分別采用最大類間方差法和迭代法僅能區(qū)分背景和目標(biāo)，無(wú)法分離糧食籽粒和雜質(zhì)；文獻(xiàn)[4]采用雙峰直方圖閾值法進(jìn)行圖像分割，能夠提取大部分雜質(zhì)，但殘余噪點(diǎn)較多。本文所提方法的雜質(zhì)圖像檢測(cè)結(jié)果如圖4(d)，從圖中可以看出本文所提方法能夠較為準(zhǔn)確地提取出摻雜圖像中的雜質(zhì)圖像并且無(wú)殘余噪點(diǎn)，能夠準(zhǔn)確標(biāo)記每一粒雜質(zhì)的區(qū)域位置且相鄰區(qū)域標(biāo)記不存在粘連情況，保證了標(biāo)記的準(zhǔn)確性與直觀性。

選擇不同摻雜的圖像，利用本文所提雜質(zhì)檢測(cè)方法進(jìn)行雜質(zhì)圖像標(biāo)記的結(jié)果分別如圖5(a)-(d)所示。結(jié)果表明，本文方法能夠有效分離雜質(zhì)和糧食籽粒，實(shí)現(xiàn)雜質(zhì)圖像的準(zhǔn)確計(jì)數(shù)。

圖5 不同摻雜圖像檢測(cè)結(jié)果對(duì)比

上述基于圖像處理的糧食籽粒和雜質(zhì)檢測(cè)的項(xiàng)目實(shí)踐環(huán)節(jié)，內(nèi)容涉及從數(shù)據(jù)采集、技術(shù)方案設(shè)計(jì)、數(shù)據(jù)分析與性能評(píng)估萬(wàn)整的項(xiàng)目開(kāi)發(fā)過(guò)程，而且實(shí)踐內(nèi)容與《數(shù)字圖像處理》課程教學(xué)內(nèi)容形成了強(qiáng)支撐關(guān)系，如圖6所示。

圖6 科研實(shí)踐內(nèi)容與《數(shù)字圖像處理》課程教學(xué)內(nèi)容

可見(jiàn)，在教學(xué)過(guò)程中融入科研實(shí)踐訓(xùn)練，能夠有機(jī)結(jié)合理論授課內(nèi)容，加強(qiáng)學(xué)生對(duì)重點(diǎn)知識(shí)的理解與掌握；而且，實(shí)踐內(nèi)容涉及數(shù)據(jù)采集、預(yù)處理、算法優(yōu)化、實(shí)驗(yàn)設(shè)計(jì)、性能分析與對(duì)比等萬(wàn)整的項(xiàng)目開(kāi)發(fā)環(huán)節(jié)，所形成的科研方法同樣可擴(kuò)展應(yīng)用到其他課程學(xué)習(xí)中，能夠提升學(xué)生的邏輯思維能力和科研創(chuàng)新能力，也可以以科研項(xiàng)目為切入點(diǎn)建設(shè)教學(xué)團(tuán)隊(duì)[9]，提升教師團(tuán)隊(duì)的創(chuàng)新教學(xué)理念。

二、結(jié)論

本文以科研融入教學(xué)為切入點(diǎn)，通過(guò)設(shè)計(jì)與教學(xué)內(nèi)容相匹配的科研項(xiàng)目，使單元知識(shí)點(diǎn)與科研項(xiàng)目實(shí)踐的各環(huán)節(jié)形成對(duì)應(yīng)關(guān)系，從而在教學(xué)過(guò)程中形成理論和實(shí)踐相輔相成、深度嵌入的教學(xué)模式，不同的實(shí)踐環(huán)節(jié)構(gòu)成來(lái)了一個(gè)完整的科研項(xiàng)目，可以作為課程教學(xué)的過(guò)程性評(píng)價(jià)。本文所提的科教融合課程教學(xué)設(shè)計(jì)思路，有助于通過(guò)課程教學(xué)達(dá)到科研育人的目標(biāo)，也可以擴(kuò)展應(yīng)用到其他工科專業(yè)的課程教學(xué)中。