圖像處理：某些發(fā)展動(dòng)態(tài)和問(wèn)題(鄒謀炎)

1、 82625719-8018中國(guó)科學(xué)院研究生院 2011年暑期講座材料2011年7月6日一、從一本書談起：一、從一本書談起： Stephane Mallat is Professor in Applied Mathematics at Ecole Polytechnique, Paris, France. From 1986 to 1996 he was a Professor at the Courant Institute of Mathematical Sciences at New York University, and between 2001 and 2007, he co-fo

2、unded and became CEO of an image processing semiconductor company. S. Mallat 書的第二版（書的第二版（1998）中譯本）中譯本 “信號(hào)處理的小波引導(dǎo)信號(hào)處理的小波引導(dǎo)” 已于已于2002年由年由 機(jī)械工業(yè)出版社出版機(jī)械工業(yè)出版社出版 “ Preface to the Sparse EditionI cannot help but find striking resemblances between scientific communities andschools of fish. We interact in con

3、ferences and through articles, and we movetogether while a global trajectory emerges from individual contributions. Some ofus like to be at the center of the school, others prefer to wander around, and a fewswim in multiple directions in front. To avoid dying by starvation in a progressivelynarrower

4、 and specialized domain, a scientific community needs also to move on.”學(xué)習(xí)和理解一個(gè)成功數(shù)學(xué)教授的心路歷程：將應(yīng)用作為數(shù)學(xué)研究的歸宿 關(guān)于 X-let 的解讀： 這些 X-let 關(guān)心信號(hào)和圖像的表示，特別關(guān)心如何表達(dá)信號(hào)（圖像）的不連續(xù)性（或奇異性），包括點(diǎn)（灰度）不連續(xù)性（wavelet）；線不連續(xù)性（ridgelet)；曲線不連續(xù)性(contourlet, surfacelet, Curvelet)；流場(chǎng)不連續(xù)性（bandlet）；等等 理論要點(diǎn)： 沿襲 wavelet 的理論模式，構(gòu)造出表達(dá)信號(hào)或圖像的“基”或“標(biāo)

5、架”，具有以下要求 (1) 有幾何規(guī)則性，能夠逼近圖像中任意方向的線、曲線的不連續(xù)性；（2）有容易計(jì)算的分析（正變換）和綜合（反變換）表達(dá)；（3）對(duì)分析（變換）域的結(jié)果有明確的物理解釋，便于實(shí)施去噪、壓縮的近似處理，以及超分辨重建的進(jìn)一步工作。 1、由可縮放的 Meyer 窗函數(shù)V(t)和W(r)來(lái)定義。 例：Curvelet by E. Cands, D. Donoho (2003,2004)2、由V(t)和W(r)定義 極坐標(biāo)窗函數(shù)：aVarWarUa)(: ),(433、將Ua內(nèi)插為直角坐標(biāo)函數(shù) Ua(), 作為基礎(chǔ) curvelet 小波函數(shù)的富氏變換 )(: )(0 , 0 ,aaU

6、4、由 的富氏反變換 ，對(duì)空間雙坐標(biāo) x 作旋轉(zhuǎn)和位移變換，得到 curvelet 函數(shù)族：)(0 , 0 ,a)(0 , 0 ,xa)()(bxxa,0,0b,a,R這保證了 在頻域 (1,2) 平面有扇形支持域。)(0 , 0 ,a例：Curvelet by E. Cands, D. Donoho (2003,2004) （續(xù)）（續(xù)）5、計(jì)算 的富氏變換，有)(xb,a,)()(Rab,b,a,Uej6、連續(xù) Curvelet 變換定義為：2)()(,: )(Rfdffxxxb,a,b,a,b,a,7、逆 curvelet 變換：（略）8、離散 curvelet 函數(shù)族： )(,xlkj用

7、類似連續(xù) curvelet 函數(shù)族的方法來(lái)建立?？梢宰C明，離散 Curvelet 函數(shù)族能構(gòu)成一個(gè)緊標(biāo)架，因此離散 curvelet 變換是可逆的，有重建公式lkjlkjlkjff,)(b,a,于是， 在頻域(1,2)平面有旋轉(zhuǎn)的扇形支持域。例：Curvelet by E. Cands, D. Donoho (2003,2004) （續(xù)）（續(xù)） 幾個(gè)要點(diǎn)：1、選用具有平滑性的 Meyer 窗函數(shù)V(t)和W(r)，分別用來(lái)構(gòu)造射徑方向和 角度方向的頻域窗。平滑窗的意義在于它的傅里葉變換有近似有限支持。2、用內(nèi)插方法從極坐標(biāo)變到直角坐標(biāo)，便于使用 FFT 計(jì)算。3、在直角坐標(biāo)下引入坐標(biāo)旋轉(zhuǎn)，使獲

8、得的 curvelet 標(biāo)架具有平移、尺度、 旋轉(zhuǎn)三種表示能力。4、證明 curvelet 標(biāo)架是緊標(biāo)架，即 Riesz 基，因此 curvelet變換是可逆的， 有簡(jiǎn)單的反變換公式。 幾何解釋：1、在頻域上 具有離散小波瓦片，有 拋物型偽極坐標(biāo)支持，如圖所示。2、由于空域圖樣和頻域圖樣的垂直關(guān)系，可以 看出，所構(gòu)造的小波標(biāo)架能夠覆蓋各種取向 和各種尺度的空域棱邊。 事實(shí)上 和平移量 b 無(wú)關(guān)，這和富氏變換性質(zhì)相似。3、頻域小波瓦片的全體形成一個(gè)緊支持。空域 小波標(biāo)架 一定是不緊的。離散型 curvelet 標(biāo)架是高度冗余的。)(b,a,)(b,a,)(xb,a,例：Curvelet by E

9、. Cands, D. Donoho (2003,2004) （續(xù)）（續(xù)）應(yīng)用：1、去噪 圖像 Curvelet 變換 去噪處理 重建算法 輸出圖像 典型去噪處理算法：硬門限法，特別對(duì)高頻、低電平小波系數(shù)。 基于成像物理的處理方法。2、利用稀疏性的圖像數(shù)據(jù)壓縮。 Curvelet 變換能夠適應(yīng)性地表達(dá)圖像上各種幾何取向的棱邊。棱邊取向 的幾何規(guī)則性越高，重要的變換系數(shù)個(gè)數(shù)越少，圖像可壓縮更有效。 因此，對(duì)于紋理幾何規(guī)則性強(qiáng)的圖像，適合于用Curvelet 或 Bandlet變換 來(lái)實(shí)現(xiàn)去噪和壓縮。如果圖像紋理的幾何規(guī)則性不強(qiáng)，應(yīng)該用常規(guī)的 Wavelet 變換。 關(guān)于稀疏性和壓縮后面專門介紹。

10、基本觀察：從 wavelet 到 X-let，人們追求發(fā)現(xiàn)更有效的信號(hào)（圖像）表示方法。目前這些方法的發(fā)展帶有高度程式化、技巧性、和特定有效性的特征。學(xué)習(xí)和掌握這些方法和相關(guān)理論是有意義的和重要的，沿著類似的思路去尋求突破性的創(chuàng)新是困難的。二、稀疏性和壓縮感知二、稀疏性和壓縮感知 (Sparsity and Compressive Sensing)各種形態(tài)的稀疏性： 信號(hào)（圖像）本身可能是稀疏的； 信號(hào)（圖像）在變換域是稀疏的； 信號(hào)（圖像）中含有內(nèi)部的相關(guān)性、規(guī)律性，當(dāng)用某個(gè)數(shù)學(xué)模型描述時(shí)， 只需要少量的模型系數(shù)； 信號(hào)（圖像）的規(guī)則性：良好的圖像具有卡通模式，噪聲和干擾較少，這 意味著具有

11、變差稀疏性或總變差有限性。壓縮采樣： 采樣是一個(gè)線性泛函作用于信號(hào)，不限于獲得信號(hào)的一個(gè)瞬時(shí)電平。 例：信號(hào) x Rn，將信號(hào)與隨意選取的 m 個(gè)向量 vi 作內(nèi)積（濾波），m n, 內(nèi)積結(jié)果 y。這種采樣可以用一個(gè) mn 代數(shù)方程描述： x = y 。 在一般情況下，重建 x 有無(wú)窮多解。K-稀疏性解：上述問(wèn)題中，如果假定已知 x 中至多只有 K 個(gè)非零元，求解問(wèn)題 變成求解 x = y ， 帶著附加約束 # supp(x) K。 整數(shù)規(guī)劃問(wèn)題：求最稀疏解 （P0) min |x|0 ： x = y，x Rn ， 其中 Rmn，y Rm，m n 。 |x|0 = # supp (x) = x

12、 中非零元個(gè)數(shù)。 （1）解通常不唯一；（2）具有 NP-hard 計(jì)算復(fù)雜性。凸松弛規(guī)劃 （P1) min |x|1 ： x = y，x Rn ， 等價(jià)的線性規(guī)劃問(wèn)題：多項(xiàng)式時(shí)間算法 min ai subject to x = y - a x a整數(shù)規(guī)劃問(wèn)題凸松弛規(guī)劃 問(wèn)題 P1 P0 的條件 : 受限等量性質(zhì)Restricted Isometry Property of Oder k (RIP) E.J. Candes, et al., 2006 定義： 假定k m 是一個(gè)整數(shù)，一個(gè)矩陣 Rmn的等量常數(shù)k 是指對(duì)所有k 稀疏向量 x Rn，滿足以下不等式的最小值： (1 - k )| x

13、|l22 |x |l22 (1 - k )| x |l22 大致地說(shuō)，RIP 是要求 的每個(gè) mk 子矩陣 Sk 是近似單位正交的，即任何一個(gè) SkTSk 的各個(gè)特征值不要偏離數(shù)值 1 太遠(yuǎn)。 充分條件（Candes，2006）：如果 2k 2 1, 那么對(duì)于所有 k 稀疏向量 x，（P1）問(wèn)題的解等于（P0）問(wèn)題的解。有噪情況：（Candes, 2005） 去噪問(wèn)題 （P1) min |x|1 : | x y |2 ，x Rn ， 設(shè) 給定，且 y x e，| e |2 . 如果2k 2 1，則 | x* - x |2 C0k -1/2k(x)1 + C1,其中 x* 是 （P1）的解，而k

14、(x)1 min z Xk | x z |1 , Xk 是全體 k 稀疏向量集合，C0 和 C1 是兩個(gè)小數(shù)值常數(shù)。這個(gè)結(jié)果表明：解的誤差與觀測(cè)誤差在同樣的數(shù)量等級(jí)上 （穩(wěn)定性）。離散不定性原理：記- 信號(hào) f 時(shí)域非零點(diǎn)的個(gè)數(shù)。- 信號(hào) f 頻域非零點(diǎn)的個(gè)數(shù)。一個(gè)大致的結(jié)果是： | T | + | | 2N ， N - 信號(hào)長(zhǎng)度典型的信號(hào)復(fù)原例子： 信號(hào)長(zhǎng)度 N，頻域譜線個(gè)數(shù)為 K，則在時(shí)域使用 M K logN 個(gè)樣本，用 l1 最小化，可以得到完美的復(fù)原。 更一般的稀疏信號(hào)重建問(wèn)題： 如果 f 在某個(gè)正交系統(tǒng) 下是稀疏的：有 f = a, #supp a K, 使用 M 個(gè)互不相關(guān)的“觀

15、測(cè)序列” k 獲得 M 個(gè)觀測(cè)量 yk = , 因此有 y = f 。信號(hào)重建問(wèn)題可以表達(dá)為 min | a |1 ：a = y ， 當(dāng) M const K log N 時(shí)，信號(hào)能夠被精確地重建。這個(gè)結(jié)果適用于圖像。 找 M 個(gè)互不相關(guān)的“觀測(cè)序列” k 是容易的 ！ 仍然在發(fā)展中的問(wèn)題：1、如何更準(zhǔn)確地估計(jì)解的 k-稀疏性和需要的最小量測(cè)數(shù) m ？2、如何構(gòu)造觀測(cè)矩陣（或稱詞典矩陣） ？ 使用隨機(jī)數(shù)構(gòu)造觀測(cè)矩陣已證明可行，一定條件下能保證 RIP 條件。 是否存在通用和對(duì)重建計(jì)算最有效的構(gòu)造方法？3、如何將壓縮感知的概念和方法應(yīng)用于更廣的圖像處理 ？ 1）將常規(guī)圖像估計(jì)問(wèn)題，改造成帶稀疏性限

16、制的估計(jì)問(wèn)題，適合于成像、 圖像重建、反降晰、去噪、修復(fù)、超分辨，以及分割、配準(zhǔn)、識(shí)別、 跟蹤、分類等。典型地，需要考慮變換域的稀疏性和變差稀疏性。 2）壓縮感知原理的物理實(shí)現(xiàn)技術(shù)。 Rice 大學(xué)提出了一個(gè) CS 照相機(jī)原型，工業(yè)實(shí)現(xiàn)仍然有大挑戰(zhàn)。4、如何更有效地處理信號(hào)重建中遇到的數(shù)學(xué)規(guī)劃（優(yōu)化）問(wèn)題 ？ 期待發(fā)展更加有效的凸優(yōu)化和非凸優(yōu)化算法。5、將稀疏性限制作為規(guī)整化方法處理更廣泛的數(shù)學(xué)物理反問(wèn)題。三、多傳感器圖像融合三、多傳感器圖像融合 (Multi-Sensor Image Fusion )1、為什么要關(guān)注這個(gè)題目？ 1）圖像融合技術(shù)從70年代起，經(jīng)30多年，發(fā)展緩慢，Why ？

17、2）應(yīng)用方面一直期待進(jìn)步。（例如對(duì)地觀測(cè)應(yīng)用） 3）目前的研究興趣仍然大量地集中在“象元級(jí)”圖像融合，這類研究的前 景如何 ？有什么基本問(wèn)題？這需要認(rèn)真考慮。 4）圖像融合的研究方向應(yīng)該在哪里？2、對(duì)圖像融合研究造成影響的一個(gè)工作： Pohl, C., Genderen, J. L., 1998, Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications, International Journal of Remote Sensing, 9(5)，823-854. 關(guān)于圖像融合的定義：“Imag

18、e fusion is the combination of two or more different images to form a new image by using a certain algorithm” “形成一個(gè)新圖像”，這對(duì)后續(xù)的研究造成了影響 ！Why ？ 它將研究集中地引導(dǎo)到象元級(jí)融合研究，而這個(gè)研究的合理性是值得懷疑的： 1）象元級(jí)融合特別關(guān)注“分辨率”改善問(wèn)題，其有效性對(duì)應(yīng)用來(lái)說(shuō)缺乏說(shuō)服力。應(yīng)用最需要的是對(duì)某個(gè)目標(biāo)的各種屬性提供盡量綜合和全面的知識(shí)。 2）觀測(cè)圖像多于 2 時(shí)，象元級(jí)融合難以處理和結(jié)果表達(dá)，這很不合理。 3）象元級(jí)圖像融合不能一般地與目標(biāo)的物理屬性找

19、到相容性。因?yàn)?，將目?biāo)理解為”一個(gè)象元集合“或?qū)D像的一組象元與目標(biāo)形態(tài)建立一一對(duì)應(yīng)關(guān)系常常是不正確的。 例： (a) 是多譜圖， (b) 是同一地域的紅外圖；(c) SAR 圖像中有飛機(jī)，但你看得見任何飛機(jī)嗎？ 又例：（a）V V 極化 SAR 圖像； （b）H H 極化 SAR 圖像。 注意在兩幅圖像中，同一個(gè)鋼架橋的圖像有重要不同。3、圖像融合的更準(zhǔn)確定義： 多傳感器圖像融合是基于多傳感器圖像來(lái)了解圖像中所含目標(biāo)信息 的信息融合。 要點(diǎn)： 1）“組合兩個(gè)或多個(gè)不同圖像形成一個(gè)新圖像”對(duì)圖像融合不是本質(zhì)的。 2）在多傳感器情況下，每個(gè)圖像應(yīng)理解為在特定傳感器下，一種“目標(biāo) 的屬性分布”（D

20、AO）。 3）特征級(jí)圖像融合應(yīng)該處理目標(biāo)的數(shù)據(jù)關(guān)聯(lián)。也就是，融合技術(shù)應(yīng)該 能夠從每個(gè)圖像中區(qū)分出指定的目標(biāo)；能夠抽取目標(biāo)的屬性；能夠 將各個(gè)圖像中反映同一目標(biāo)的屬性數(shù)據(jù)關(guān)聯(lián)起來(lái)。 4）決策級(jí)圖像融合應(yīng)該根據(jù)應(yīng)用需求，利用關(guān)聯(lián)數(shù)據(jù)產(chǎn)生出關(guān)于每個(gè) 目標(biāo)的數(shù)值描述。 5）產(chǎn)生一個(gè)或多個(gè)合成圖像；用什么方式來(lái)顯示原圖、合成圖像、或 圖形示意圖；用什么方式來(lái)顯示目標(biāo)屬性；。這些技術(shù)對(duì)顯示 圖像融合結(jié)果是重要的，但是技術(shù)性的，非概念性的。4、若干技術(shù)關(guān)鍵問(wèn)題1）多傳感器圖像配準(zhǔn) 多模態(tài)圖像配準(zhǔn)：典型地基于互信息，比較兩個(gè)圖像區(qū)域分布模式差異來(lái)決定配準(zhǔn)。分布模式差異的度量可以用Kullback-Leible

21、r 距離，Bregman距離，或其他廣義距離。 配準(zhǔn)需要的幾何校正可以依據(jù)“廣義特征點(diǎn)”來(lái)實(shí)施。 圖像融合中需要的配準(zhǔn)技術(shù)一般不是全局配準(zhǔn)，而是區(qū)域選擇性配準(zhǔn)和多幅不同圖像的聯(lián)合配準(zhǔn)。典型地，“目標(biāo)”可能不適合于配準(zhǔn)，但要進(jìn)行描述。2）分割公共感興趣區(qū)域 根據(jù)不同的應(yīng)用需求需要不同的分割技術(shù)。感興趣的區(qū)域可以是目標(biāo)本身，也可以是目標(biāo)所處的環(huán)境。一大類分割技術(shù)的依據(jù)是屬性一致性（灰度電平、紋理統(tǒng)計(jì)特征、速度分布等等）。另一大類分割技術(shù)基于邊界提取和區(qū)域?qū)傩缘娜斯せ蜃詣?dòng)指派。典型的分割技術(shù)是通過(guò)最優(yōu)化一個(gè)能量泛函來(lái)實(shí)現(xiàn)。例如活動(dòng)圍道方法是通過(guò)增高泛函維數(shù)和水平截集方法來(lái)實(shí)現(xiàn)拓?fù)溲莼?融合技術(shù)中需

22、要的分割技術(shù)可能包含提取目標(biāo)和環(huán)境兩層，并且是多幅圖像聯(lián)合分割。4、若干技術(shù)關(guān)鍵問(wèn)題 （續(xù)）3）抽取和關(guān)聯(lián)目標(biāo)的特征屬性 典型目標(biāo)屬性：幾何或形狀特征；灰度特征；色度特征；各種特征的分布模式；不同傳感器反映的特征差異；目標(biāo)的移動(dòng)屬性；等等。 目標(biāo)屬性描述的組織：目標(biāo)屬性描述協(xié)議和關(guān)聯(lián)數(shù)據(jù)庫(kù)。4）信息融合和自動(dòng)圖像解釋 這個(gè)技術(shù)一定是應(yīng)用指定的。所謂“圖像內(nèi)容”依從于應(yīng)用需求?？捎玫膱D像融合系統(tǒng)設(shè)計(jì)必須依據(jù)應(yīng)用需求擬定出研究和發(fā)展的具體細(xì)則，包括圖像和目標(biāo)的類別、主要特征、希望達(dá)到目標(biāo)的具體描述等等。在這些前提下，信息融合和圖像解釋才有依據(jù)。有興趣者可以參考 “Some New Concepts

23、 and Key Techniques in Multi-Sensor Image Fusion”，科學(xué)網(wǎng)地址： http:/ ，也可以通過(guò)關(guān)鍵詞從 上找到。 四、幾點(diǎn)建議四、幾點(diǎn)建議1、學(xué)習(xí)和積累 圖像處理技術(shù)發(fā)展很熱，要學(xué)習(xí)的知識(shí)多，學(xué)習(xí)者需要掌握一定的要點(diǎn)： 例如： 努力獲取物理概念，為第一要點(diǎn)； 先看數(shù)學(xué)推演的線條，搞清出發(fā)點(diǎn)和結(jié)果，再慢慢理解數(shù)學(xué)演繹過(guò)程； 不要限于讀一篇文章，而是同時(shí)讀相關(guān)的幾篇文章，并且特別要看重最 源頭的文章。如果有教科書可參考，可節(jié)省時(shí)間。 遇新的數(shù)學(xué)知識(shí)，應(yīng)作為增長(zhǎng)數(shù)學(xué)知識(shí)的機(jī)會(huì)。 更多方面可以參考博文“同工科學(xué)生談?wù)勅绾巫鲅芯俊焙汀罢務(wù)劰た茖W(xué)生如 何學(xué)習(xí)數(shù)

24、學(xué)” （可從“科學(xué)網(wǎng)”獲得） 2、碩士和博士論文研究 碩士生可以在發(fā)展現(xiàn)有技術(shù)上做研究。博士生則必須爭(zhēng)取有明確的創(chuàng)新點(diǎn)。博士生必須審視選題的可發(fā)展性，但選題不可能太難太高。例如，研究生論文仍然可以考慮稀疏性、壓縮感知的研究，特別是將這些研究與專業(yè)應(yīng)用結(jié)合起來(lái)。圖像分割、配準(zhǔn)、多幅超分辨、Retinex、高動(dòng)態(tài)范圍成像、基于視頻的圖像處理、面向醫(yī)學(xué)應(yīng)用的圖像分析和3-D圖像處理、面向?qū)Φ剡b感的目標(biāo)識(shí)別和分類，PDE方法，manifold概念的應(yīng)用，這些題目至今仍然有生命力。也可將 X-let、壓縮感知的知識(shí)結(jié)合到這些應(yīng)用中。這些仍可作博士論文選題，能產(chǎn)生出有發(fā)表希望的結(jié)果（但通常不是高度創(chuàng)新性的

25、工作）。 更多方面可以參考博文“同工科學(xué)生談?wù)勅绾巫鲅芯俊保茖W(xué)網(wǎng)）四、幾點(diǎn)建議四、幾點(diǎn)建議 （續(xù)）（續(xù)）3、創(chuàng)新性研究 學(xué)院式的圖像處理研究或者說(shuō)“純”的圖像處理研究很難產(chǎn)生出重要的創(chuàng)新性工作。只要當(dāng)圖像處理與重要的基礎(chǔ)研究結(jié)合，才可能從結(jié)合中找到重要的位置。例如： 對(duì)物理現(xiàn)象出現(xiàn)了新的觀測(cè)方法或出現(xiàn)了產(chǎn)生新物理現(xiàn)象的技術(shù)； 生物醫(yī)學(xué)領(lǐng)域出現(xiàn)了新的敏感機(jī)制、新的測(cè)量和感應(yīng)性質(zhì)； 對(duì)物質(zhì)、物體、地下、水下等出現(xiàn)了新的物理探測(cè)感應(yīng)性質(zhì)； - 由此發(fā)展出新成像原理/機(jī)理和技術(shù)； 與其他應(yīng)用學(xué)科結(jié)合，為重要的應(yīng)用學(xué)科提供新觀測(cè)處理手段； 圖像認(rèn)知的進(jìn)展。這是最艱難和最富挑戰(zhàn)性的領(lǐng)域。 有志者必須學(xué)習(xí)

26、交叉學(xué)科知識(shí)，并有長(zhǎng)期累計(jì)知識(shí)和捕捉靈感的準(zhǔn)備。四、幾點(diǎn)建議四、幾點(diǎn)建議 （續(xù)）（續(xù)）4、圖像處理技術(shù)的產(chǎn)業(yè)發(fā)展機(jī)會(huì) 專用圖像處理芯片，始終為有創(chuàng)造性思想的人提供可能性。如何將你 的先進(jìn)處理方法發(fā)展成具有一定普適性、有明確應(yīng)用目標(biāo)、適合于硬件 實(shí)現(xiàn)，是必須解決的問(wèn)題。 面向照相、攝像、通信編碼的圖像處理技術(shù)是各個(gè)大公司競(jìng)爭(zhēng)發(fā)展的 熱點(diǎn)。另一方面，例如高清攝像機(jī)的發(fā)展對(duì)中國(guó)國(guó)內(nèi)的小公司已經(jīng)成為 可行并且應(yīng)用市場(chǎng)巨大，為圖像處理技術(shù)提升介入提供了可能性。 遙感應(yīng)用。通常由政府部門管理，在我國(guó)該領(lǐng)域的產(chǎn)業(yè)化還未提到日 程。然而，商業(yè)化、成熟、和有效的大型處理軟件是非常需要的。國(guó)內(nèi) 許多單位目前靠進(jìn)口。目前尚缺乏機(jī)制和能力來(lái)從事這項(xiàng)發(fā)展。 醫(yī)學(xué)儀器設(shè)備。醫(yī)學(xué)成像技術(shù)設(shè)備是一個(gè)大市場(chǎng)。動(dòng)態(tài)醫(yī)學(xué)圖像輔助 手術(shù)治療系統(tǒng)在國(guó)外是發(fā)展熱點(diǎn)。對(duì)此，在現(xiàn)有成像視頻系統(tǒng)基礎(chǔ)上， 需要3D配準(zhǔn)、分割、分析和測(cè)量技術(shù)。壓縮感知技術(shù)能夠大大縮短MRI 的采集時(shí)間，但圖像重建期待加速。實(shí)時(shí)動(dòng)態(tài) MRI 有更大的挑戰(zhàn)。 某些民用市場(chǎng)，如智能交通、公共安全管理需要圖像和視頻處理技術(shù)。 該市場(chǎng)規(guī)模很大，國(guó)內(nèi)有上百家公司以各種方式介入，低水平重復(fù)現(xiàn) 象嚴(yán)重，有很大的技術(shù)發(fā)展空間。四、幾點(diǎn)建議四、幾點(diǎn)建議 （續(xù)）（續(xù)）附注：本文為中科院研究生院 2011年暑期講座教材