不会。1、一般情况下论文查重检测不包括文献综述的，论文查重检测是把文献综述里引用部分的内容去掉后再进行查重检测的，这样是可以有效降低论文重复率的。所以在撰写论文内容时，要先和导师沟通，了解清楚文献综述是否可以免于查重检测，在撰写引用部分的时候，是要根据正规操作，格式是要确保正确的。2、要是有特殊情况，比如学校要求论文查重检测包括文献综述部分的话，那么是要做好相应的标注，而且不要超过规定的字数，根据要求标准进行引用，就不会出现论文重复率检测过高的问题。尽可能用自己的话语表述引用部分，只要借鉴内容比较少，原创内容比较多，那么是不会被识别为重复内容的。
文献综述是毕业论文中一个重要的部分，它既可以给读者介绍你的研究背景，又可以让读者了解你的研究与其他相关研究的关系。在写文献综述时，应注意以下几点：
毕业论文查重会不会查文献综述？据我了解，不论是博士生、研究生的学术论文，还是本科生的毕业论文，论文都是需要进行查重检测的，很多高校在选择论文查重的时候，都会在知网上进行查重。由于专业的不同，撰写论文所需求的文献是不一样的，比如历史相关专业的，就一定要掌握大量的历史文献综述，同时也会写一些历史相关的故事作为论据，而相关论文的文献综述是不是也需要在知网上查重一下呢？如何避免文献综述论文查重率太高？文献综述是指作者在写某篇文章时，对别人写的文章或书籍或网络相关内容进行查看或借鉴，有些文综是国内的，有些是国外的，文献综述则是考查作者对文章进行归纳、分析的能力。作者不仅要对文献综述进行简单的编排和列举，更要通过文献中有关论点或论点的内容来说服读者。文献综述需不需要知网查重，各校对学生的学术要求不相同，因此对学术规范性要求较高的学校会进行文献综述的查重。学生在写论文时，可事先与老师沟通，弄清文综能否免于查重。有些检测是把文献综述中引用的一些观念内容去掉后再进行查重，这样可以有利于降低重复率，因此作者在进行引用写作时必须按照正规的操作，格式要保证正确无误。需要用脚注注明文献出处的小伙伴们，一定要注意标注。学校要求文献综述查重，那么作者也不用担心，只需做好相应的标注，并且不超过规定的字数，就不会出现重复率太高的问题。对于一个部分引用可以用学生自己的观点可以表达的，可以用通俗易懂的文字语言表达，只要少借鉴，用自己的话表达的内容多，就不会鉴定为重复内容。
毕业论文查重会不会查文献综述？据我了解，不论是博士生、研究生的学术论文，还是本科生的毕业论文，论文都是需要进行查重检测的，很多高校在选择论文查重的时候，都会在知网上进行查重。由于专业的不同，撰写论文所需求的文献是不一样的，比如历史相关专业的，就一定要掌握大量的历史文献综述，同时也会写一些历史相关的故事作为论据，而相关论文的文献综述是不是也需要在知网上查重一下呢？如何避免文献综述论文查重率太高？文献综述是指作者在写某篇文章时，对别人写的文章或书籍或网络相关内容进行查看或借鉴，有些文综是国内的，有些是国外的，文献综述则是考查作者对文章进行归纳、分析的能力。作者不仅要对文献综述进行简单的编排和列举，更要通过文献中有关论点或论点的内容来说服读者。文献综述需不需要知网查重，各校对学生的学术要求不相同，因此对学术规范性要求较高的学校会进行文献综述的查重。学生在写论文时，可事先与老师沟通，弄清文综能否免于查重。有些检测是把文献综述中引用的一些观念内容去掉后再进行查重，这样可以有利于降低重复率，因此作者在进行引用写作时必须按照正规的操作，格式要保证正确无误。需要用脚注注明文献出处的小伙伴们，一定要注意标注。学校要求文献综述查重，那么作者也不用担心，只需做好相应的标注，并且不超过规定的字数，就不会出现重复率太高的问题。对于一个部分引用可以用学生自己的观点可以表达的，可以用通俗易懂的文字语言表达，只要少借鉴，用自己的话表达的内容多，就不会鉴定为重复内容。
本科论文的文献综述一般而言是不需要参与知网查重的，但是有部分学校为了加强对学生学术行为的规范，而规定本科论文的文献综述不得超过知网查重的20%，学生应当在撰写论文文献综述之前就对相关规定进行一个了解。
首先，文献综述的概念指的是作者撰写某篇文章所查看的他人的论述，既包括查看的国内论文、专著甚至是互联网文章等，也包括国外的一些外文论文或者专著等，而文献综述就是考验论文作者的一个归纳整理及分析能力，文献综述并不仅仅是对文献的简单罗列，而是需要通过文献的论述来辅佐论证作者的观点。
因此，对于文献综述部分而言，其和学校规定的对于论文的知网查重还是有所区别的。其次，文献综述一般而言是不参与知网查重的，但是由于部分学校考虑到为了加强对学生学术规范的管理，对于文献综述部分也有去除引用文献重复率的部分。
因此，学生应当在撰写文献综述之前了解本校关于文献综述是否查重的规定，在撰写文献综述的过程中也不能够仅仅是对文献的简单堆砌，而应当用脚注的形式明确文献的的来源和引用的作者的观点，以最大先对的规范文献综述的撰写。
最后，如果学校规定文献综述需要参与知网查重，一般而言，本科论文的文献综述的重复率都以不超知网查重的20%为宜，所以，学生应当尽量用好脚注，对于自己的观点应当用自己的方式进行表述。
综上所述，本科论文的文献综述一般而言是不需要参与知网查重的，但是有部分学校为了加强对学生学术行为的规范，而规定本科论文的文献综述不得超过知网查重的20%，因此，学生应当在撰写论文文献综述之前就对相关规定进行一个了解。
对于文献综述的引用应当规范化，对于文献综述当中自己陈述的观点应当尽量用自己的方式进行表述，以最大限度的避免文献综述重复率过高。
毕业论文文献综述并不会查重。不过在论文写作的时候，还是要尽量有原创的思想和观点，要用自己的描述方式对论文进行写作。如果引用他人的文献和材料以及资料，要有详细的备注。
公式和图表 没事 引用不能太高点我名字看空间 有介绍有的同学问：“我明明引用了别人的段落或句子，为什么没有检测出来？”也有的同学问：“我的引用标注了出处，为什么还算抄袭？”首先，引用算不算抄袭，与标注出处没有任何关系，引用能不能检测出来，与系统准不准确也没有关系。所有这些都靠系统的阀值来决定。中国知网对该套检测系统的灵敏度设置了一个阀值，该阀值为3%，以段落（或章节）的字数来计算，单篇文献低于3%的抄袭或引用是检测不出来的，这种情况常见于大段文字中的小句或者小概念。举个例子：假如检测段落1（第一章）有10000字，那么引用A文献300字（10000乘以3%=300）以内，是不会被检测出来的。若引用B文献超过300字，那么B文献分布于第一章中的抄袭都会被红字标注，不管位于第一章何处，即使打断成句子，只要超过20字就会被标注。①实际上这里也告诉同学们一个修改的方法，就是对段落抄袭千万不要选一篇文章来引用，尽可能多的选择多篇文献，一篇截取几句，这样是不会被检测出来的。②关于一些同学问引用的为什么也算抄袭，这里主要是因为知网的阀值问题，高于3%的统一算抄袭，也就是说引用于抄袭的临界就在3%之间。一旦你超标，即使你标注了引用也无济于事。所以请同学们注意。我们举例说明：某篇论文第一章有5000字，那么第一章中，我们就只能引用A文献150字以下，否则会被系统认为是抄袭。第二章4000字，那么我们只能引用A文献120字以下，否则会被系统认为是抄袭。第三章8000字，第四章7000字，分别为240字以下和210字以下，以此类推。综上所述，引用超标的计算方式是按章计算，这与抄袭的计算方式是一样的。
姓名:吴兆阳 学号: 转自机器人学习研究会 嵌牛导读:OCR（Optical Character Recognition，光学字符识别）的概念早于1920年代便被提出，一直是模式识别领域中重要的研究方向。近年来，随着移动设备的快速更新迭代，以及移动互联网的快速发展，使得OCR有更为广泛的应用场景，从以往的扫描文件的字符识别，到现在应用到自然场景中图片文字的识别，如识别身份证、银行卡、门牌、票据及各类网络图片中的文字。 嵌牛鼻子:ORC技术 嵌牛提问:什么是ORC，如何使用？ 嵌牛正文: 以深度学习兴起的时间为分割点，直至近五年之前，业界最为广泛使用的仍然是传统的OCR识别技术框架，而随着深度学习的崛起，基于这一技术的OCR识别框架以另外一种新的思路迅速突破了原有的技术瓶颈（如文字定位、二值化和文字分割等），并已在工业界得到广泛应用。 笔者针对业务中的身份证照片文字识别需求分别尝试了传统OCR识别框架及基于深度学习的OCR识别框架。下面就以身份证文字识别为例分别简要介绍两种识别框架。 传统OCR技术框架 如上图所示，传统OCR技术框架主要分为五个步骤： 首先文本定位，接着进行倾斜文本矫正，之后分割出单字后，并对单字识别，最后基于统计模型（如隐马尔科夫链，HMM）进行语义纠错。可按处理方式划分为三个阶段：预处理阶段、识别阶段和后处理阶段。其中关键在于预处理阶段，预处理阶段的质量直接决定了最终的识别效果，因此这里详细介绍下预处理阶段。 预处理阶段中包含了三步： 定位图片中的文字区域，而文字检测主要基于连通域分析的方法，主要思想是利用文字颜色、亮度、边缘信息进行聚类的方式来快速分离文字区域与非文字区域，较为流行的两个算法分别是：最大极值稳定区域(MSER)算法及笔画宽度变换(SWT)算法，而在自然场景中因受到光照强度、图片拍摄质量和类文字背景的干扰，使得检测结果中包含非常多的非文字区域，而目前从候选区域区分出真正文字区域主要两种方法，用规则判断或轻量级的神经网络模型进行区分； 文本区域图像矫正，主要基于旋转变换和仿射变换； 行列分割提取出单字，这一步利用文字在行列间存在间隙的特征，通过二值化并在投影后找出行列分割点，当在文字与背景的区分度较好时，效果很好，而拍摄的图片中光照、摄像质量的影响，并且文字背景难以区分时，常造成错误分割的情况。 下面介绍基于传统OCR框架处理身份证文字识别： 身份证识别技术流程与上述框架稍微有所差异。对该问题，已知先验信息：a.证件长宽固定；b.字体及大小一致；c.文本相对于证件位置固定；d.存在固定文字。因此，处理该问题的思路为：先定位目标物体（证件），矫正后提取文字进行识别，最后进行语义纠错，如下图： 目标物体定位并矫正。基于现有的先验信息，定位最后的方法为采用模板关键点特征匹配的方法，并利用模板上特征点及目标图像特征点坐标之间的关系进行透视变换，以定位目标物体，如下图所示。接着，基于四角的坐标，进行旋转、仿射、尺寸的变换，并提取出目标物体的俯视图。 因文字位置相对固定，接着便分割出文字区域，二值化后，行列分割出单个字符。这里的技术难点在于二值化，二值化效果的好坏直接影响字符分割，并最终影响识别结果。受光照和拍摄质量的影响，全局二值化难以设置统一的阈值，而自适应二值化算法易受到阴影及模糊边界的干扰。所以在这边尝试过许多方法，测试下来未发现在任何情形下效果都满足要求的方法。 分割出单字后接着用分类器进行识别，并在这步基于统计上的先验信息定义了一个简单的优化函数，可看做1-gram语言模型。先验信息为：2400（总共660273）汉字的使用频率之和为99%以上。定义的优化函数为： 式中，Pi为该字出现的概率，confi为置信度值。 下图给出了示例： 因上述的优化过程中假定各状态相互独立并与上一状态没有联系，故不可避免存在语义上的错误。而如何基于现有的输出序列，对序列进行语义上的修正，那么最直观的想法就是用隐马尔可夫模型（Hidden Markov Model，HMM）解决这个问题，其基于观察序列，求出最优隐序列。其可以抽象为如下图的过程。在给定O序列情况下，通过维特比算法，找出最优序列S： 传统OCR冗长的处理流程以及大量人工规则的存在，使得每步的错误不断累积，而使得最终识别结果难以满足实际需求。接下来讨论基于深度学习的OCR。 基于深度学习的OCR识别框架 目前，从技术流程上来说，主要分为两步，首先是检测出图像中的文本行，接着进行序列识别。 可见，基于深度学习的OCR识别框架相比于传统OCR识别框架，减少了三个步骤，降低了因误差累积对最终识别结果的影响。 文本行检测，其又可分为水平行文字检测算法与倾斜文字行检测算法。这里主要介绍下Tian提出算法CTPN，其算法框架如下图。主要思路是将文本行识别看做一个序列识别问题，不同于一般的目标检测问题，引入RNN来利用上下文的信息。 具体流程为： 用VGG16的5个卷积层得到特征图（feature map，W*H*C）； 在Conv5的feature map的每个位置上取3*3*C的窗口的特征，这些特征将用于预测该位置k个anchor（anchor的定义和Faster RCNN类似）对应的类别信息，位置信息； 将每一行的所有窗口对应的3*3*C的特征（W*3*3*C）输入到RNN（BLSTM）中，得到W*256的输出； 将RNN的W*256输入到512维的fc层； fc层特征输入到三个分类或者回归层中。第二个2k scores 表示的是k个anchor的类别信息（是字符或不是字符）。第一个2k vertical coordinate和第三个k side-refinement是用来回归k个anchor的位置信息。2k vertical coordinate表示的是bounding box的高度和中心的y轴坐标（可以决定上下边界），k个side-refinement表示的bounding box的水平平移量。这边注意，只用了3个参数表示回归的bounding box，因为这里默认了每个anchor的width是16，且不再变化（VGG16的conv5的stride是16）。回归出来的box如中那些红色的细长矩形，它们的宽度是一定的； 用简单的文本线构造算法，把分类得到的文字的proposal（图（b）中的细长的矩形）合并成文本线。 上图为给出基于CTPN的例子，框线部分是算法识别出的文字行，可见在图片光照不均、人工合成及文字背景对比不明显的情形下均有很好的效果。 相比于传统文字定位方法，具有更好的鲁棒性及明显的优势。 文字行识别。近两年比较受关注的主要有两种，一种是CNN+RNN+CTC的方法，另外一种是用attention model+CNN+RNN的方法。这里主要介绍下CNN+RNN+CTC，算法框架由图给出。分为三层，CNN层、RNN层及解码（transcription）层。在CNN层，用于提取图像特征，利用Map-to-Sequence表示成特征向量；在RNN层，用双向LSTM识别特征向量，得到每列特征的概率分布；在解码层，利用CTC和前向后向算法求解最优的label序列。因此，该方法能够识别不定长的文字行。 两个例子： Out：辽宁省长海县广鹿乡沙尖 Out：河南省邓州市九龙乡姚营
知网查重时能否检测到公式归结于提交论文格式Word还是PDF。Word就检查不出重复，PDF就有可能检测到重复。个人认为提交Word是最准确、最科学、最合理的检测方法。知网查重可以到一些知网自助查重网站：PaperEasy、学术不端网、蚂蚁查重网等，全程自助检测，安全！
论文在中国知网检测，公式，图表，有标注的引用部分算在重复率中吗?当然会算的！一般而言，无论是高校还是杂志社在对论文进行知网查重过程中，主要考虑的是论文的去除引用文献的重复率部分，这也可以在知网检测报告当中体现出来，知网报告当中有一个全文的重复率部分，还有一个部分是去除引用文献的重复率部分，因此，一般而言，即使论文作者对其他论文进行引用，只要引用格式正确，一般都会被知网论文查重软件自动识别为引用部分，以绿色字体标注，在去除引用文献部分的重复率会有所体现。
文献综述是在确定选题后，在对选题所涉及的研究领域的文献进行广泛阅读和理解的基础上，对该领域的研究现状进行的综合分析、归纳整理和评论，通过了解选题的研究现状，发现前人研究中存在的问题，从而为自己的研究找到突破口和创新点。
文献综述是毕业论文的重要部分，一篇完整的毕业论文必须有一个囊括论文各个关键词的国内外综述性概述。在各大高校均采用中国知网论文检测系统后，文献综述就是很多同学的恶梦，因为文献引用的多，论文重复率过高，文献引用的少，论文字数不够。本经验就是本小姐 梁逸媛同学根据多年的论文写作经验写成的文献综述写作宝典。有任何论文检测及论文写作的问题都可以加我，我将尽力为大家解决论文相关的问题，希望大家能够支持百度经验这个平台。1、 综述的定义和特点1文献综述的定义： 综述是查阅了某一专题在一段时期内的相当数量的文献资料，经过分析研究，选取有关情报信息，进行归纳整理，作出综合性描述的文章。2文献综述的特点： ①综合性：综述要"纵横交错"，既要以某一专题的发展为纵线，反映当前课题的进展；又要从本单位、省内、国内到国外，进行横的比较。只有如此，文章才会占有大量素材，经过综合分析、归纳整理、消化鉴别，使材料更精练、更明确、更有层次和更有逻辑，进而把握本专题发展规律和预测发展趋势。3②评述性：是指比较专门地、全面地、深入地、系统地论述某一方面的问题，对所综述的内容进行综合、分析、评价，反映作者的观点和见解，并与综述的内容构成整体。一般来说，综述应有作者的观点，否则就不成为综述，而是手册或讲座了。4③先进性：综述不是写学科发展的历史，而是要搜集最新资料，获取最新内容，将最新的信息和科研动向及时传递给读者。5综述不应是材料的罗列，而是对亲自阅读和收集的材料，加以归纳、总结，做出评论和估价。并由提供的文献资料引出重要结论。一篇好的综述，应当是既有观点，又有事实，有骨又有肉的好文章。由于综述是三次文献，不同于原始论文(一次文献)，所以在引用材料方面，也可包括作者自己的实验结果、未发表或待发表的新成果。6综述的内容和形式灵活多样，无严格的规定，篇幅大小不一。大的可以是几十万字甚至上百万字的专著，参考文献可数百篇乃至数千篇；小的可仅有千余字，参考文献数篇。一般医学期刊登载的多为3000～4000字，引文15～20篇，一般不超过20篇，外文参考文献不应少于1／3END2 、综述的内容要求1选题要新：即所综述的选题必须是近期该刊未曾刊载过的。一片综述文章，若与已发表的综述文章"撞车"，即选题与内容基本一致，同一种期刊是不可能刊用的。2说理要明：说理必须占有充分的资料，处处以事实为依据，决不能异想天开地臆造数据和诊断，将自己的推测作为结论写。3层次要清：这就要求作者在写作时思路要清，先写什么，后写什么，写到什么程度，前后如何呼应，都要有一个统一的构思。4语言要美：科技文章以科学性为生命，但语不达义、晦涩坳口，结果必然阻碍了科技知识的交流。所以，在实际写作中，应不断地加强汉语修辞、表达方面的训练。5文献要新：由于现在的综述多为"现状综述"，所以在引用文献中，70％的应为3年内的文献。参考文献依引用先后次序排列在综述文末，并将序号置入该论据(引文内容)的右上角。引用文献必须确实，以便读者查阅参考。6校者把关：综述写成之后，要请有关专家审阅，从专业和文字方面进一步修改提高。这一步是必须的，因为作者往往有顾此失彼之误，常注意了此一方而忽视了彼一方。有些结论往往是荒谬的，没有恰到好处地反应某一课题研究的"真面目"。这些问题经过校阅往往可以得到解决。END3 、综述的格式和写法 综述一般都包括题名、著者、摘要、关键词、正文、参考文献几部分。其中正文部分又由前言、主体和总结组成。 前言：用200～300字的篇幅，提出问题，包括写作目的、意义和作用，综述问题的历史、资料来源、现状和发展动态，有关概念和定义，选择这一专题的目的和动机、应用价值和实践意义，如果属于争论性课题，要指明争论的焦点所在。 主体：主要包括论据和论证。通过提出问题、分析问题和解决问题，比较各种观点的异同点及其理论根据，从而反映作者的见解。为把问题说得明白透彻，可分为若干个小标题分述。这部分应包括历史发展、现状分析和趋向预测几个方面的内容。 ①历史发展：要按时间顺序，简要说明这一课题的提出及各历史阶段的发展状况，体现各阶段的研究水平。 ②现状分析：介绍国内外对本课题的研究现状及各派观点，包括作者本人的观点。将归纳、整理的科学事实和资料进行排列和必要的分析。对有创造性和发展前途的理论或假说要详细介绍，并引出论据；对有争论的问题要介绍各家观点或学说，进行比较，指问题的焦点和可能的发展趋势，并提出自己的看法。对陈旧的、过时的或已被否定的观点可从简。对一般读者熟知的问题只要提及即可。 ③趋向预测：在纵横对比中肯定所综述课题的研究水平、存在问题和不同观点，提出展望性意见。这部分内容要写得客观、准确，不但要指明方向，而且要提示捷径，为有志于攀登新高峰者指明方向，搭梯铺路。主体部分没有固定的格式，有的按问题发展历史依年代顺序介绍，也有按问题的现状加以阐述的。不论采用哪种方式，都应比较各家学说及论据，阐明有关问题的历史背景、现状和发展方向。END注意事项文献综述是本人对您所阅读文献的一个理解和概括。强烈建议多读文献后，再进行文献综述的写作，如果你有任何关于论文相关的问题，都可以加我好友，找我解决。我是百度经验的签约作者梁逸媛。。如果你有任何关于论文相关的问题，都可以加我好友，找我解决。我是百度经验的签约作者梁逸媛。希望能帮到你，望采纳，谢谢
文献综述是对论文选题研究现状的梳理，但并不仅仅是把文献进行简单的堆砌与罗列，而是需要在总结梳理别人研究的同时，对已有的研究做出评价，也就是说有述有评，这也是为什么文献综述也叫做文献述评的原因。
你文献综述具体准备往哪个方向写，题目老师同意了没，具体有要求要求，需要多少字呢？你可以告诉我具体的排版格式要求，文献综述想写好，先要在图书馆找好相关资料，确定好题目与写作方向。老师同意后在下笔，还有什么不了解的可以直接问我，希望可以帮到你，祝写作过程顺利。 如何做文献综述首先需要将“文献综述（ Literature Review) ”与“背景描述 (Background Description) ”区分开来。我们在选择研究问题的时候，需要了解该问题产生的背景和来龙去脉，如“中国半导体产业的发展历程”、“国外政府发展半导体产业的政策和问题”等等，这些内容属于“背景描述”，关注的是现实层面的问题，严格讲不是“文献综述”。“文献综述”是对学术观点和理论方法的整理。其次，文献综述是评论性的（ Review 就是“评论”的意思），因此要带着作者本人批判的眼光 (critical thinking) 来归纳和评论文献，而不仅仅是相关领域学术研究的“堆砌”。评论的主线，要按照问题展开，也就是说，别的学者是如何看待和解决你提出的问题的，他们的方法和理论是否有什么缺陷？要是别的学者已经很完美地解决了你提出的问题，那就没有重复研究的必要了。清楚了文献综述的意涵，现在说说怎么做文献综述。虽说，尽可能广泛地收集资料是负责任的研究态度，但如果缺乏标准，就极易将人引入文献的泥沼。技巧一：瞄准主流。主流文献，如该领域的核心期刊、经典著作、专职部门的研究报告、重要化合物的观点和论述等，是做文献综述的“必修课”。而多数大众媒体上的相关报道或言论，虽然多少有点价值，但时间精力所限，可以从简。怎样摸清该领域的主流呢？建议从以下几条途径入手：一是图书馆的中外学术期刊，找到一两篇“经典”的文章后“顺藤摸瓜”，留意它们的参考文献。质量较高的学术文章，通常是不会忽略该领域的主流、经典文献的。二是利用学校图书馆的“中国期刊网”、“外文期刊数据库检索”和外文过刊阅览室，能够查到一些较为早期的经典文献。三是国家图书馆，有些上世纪七八十年代甚至更早出版的社科图书，学校图书馆往往没有收藏，但是国图却是一本不少（国内出版的所有图书都要送缴国家图书馆），不仅如此，国图还收藏了很多研究中国政治和政府的外文书籍，从互联网上可以轻松查询到。技巧二：随时整理，如对文献进行分类，记录文献信息和藏书地点。做博士论文的时间很长，有的文献看过了当时不一定有用，事后想起来却找不着了，所以有时记录是很有必要的。罗仆人就积累有一份研究中国政策过程的书单，还特别记录了图书分类号码和藏书地点。同时，对于特别重要的文献，不妨做一个读书笔记，摘录其中的重要观点和论述。这样一步一个脚印，到真正开始写论文时就积累了大量“干货”，可以随时享用。技巧三：要按照问题来组织文献综述。看过一些文献以后，我们有很强烈的愿望要把自己看到的东西都陈述出来，像“竹筒倒豆子”一样，洋洋洒洒，蔚为壮观。仿佛一定要向读者证明自己劳苦功高。我写过十多万字的文献综述，后来发觉真正有意义的不过数千字。文献综述就像是在文献的丛林中开辟道路，这条道路本来就是要指向我们所要解决的问题，当然是直线距离最短、最省事，但是一路上风景颇多，迷恋风景的人便往往绕行于迤逦的丛林中，反面“乱花渐欲迷人眼”，“曲径通幽”不知所终了。因此，在做文献综述时，头脑时刻要清醒：我要解决什么问题，人家是怎么解决问题的，说的有没有道理，就行了。你的午间新闻方面方面文献综述具体准备往哪个方向写，题目老师同意了没，具体有要求要求，需要多少字呢？你可以告诉我具体的排版格式要求，文献综述想写好，先要在图书馆找好相关资料，确定好题目与写作方向。老师同意后在下笔，还有什么不了解的可以直接问我，希望可以帮到你，祝写作过程顺利。三、如何撰写开题报告问题清楚了，文献综述也做过了，开题报告便呼之欲出。事实也是如此，一个清晰的问题，往往已经隐含着论文的基本结论；对现有文献的缺点的评论，也基本暗含着改进的方向。开题报告就是要把这些暗含的结论、论证结论的逻辑推理，清楚地展现出来。写开题报告的目的，是要请老师和专家帮我们判断一下：这个问题有没有研究价值、这个研究方法有没有可能奏效、这个论证逻辑有没有明显缺陷。因此，开题报告的主要内容，就要按照“研究目的和意义”、“文献综述和理论空间”、“基本论点和研究方法”、“资料收集方法和工作步骤”这样几个方面展开。其中，“基本论点和研究方法”是重点，许多人往往花费大量笔墨铺陈文献综述，但一谈到自己的研究方法时但寥寥数语、一掠而过。这样的话，评审老师怎么能判断出你的研究前景呢？又怎么能对你的研究方法给予切实的指导和建议呢？对于不同的选题，研究方法有很大的差异。一个严谨规范的学术研究，必须以严谨规范的方法为支撑。在博士生课程的日常教学中，有些老师致力于传授研究方法；有的则突出讨论方法论的问题。这都有利于我们每一个人提高自己对研究方法的认识、理解、选择与应用，并具体实施于自己的论文工作中。一、文献综述概述文献综述是研究者在其提前阅读过某一主题的文献后，经过理解、整理、融会贯通，综合分析和评价而组成的一种不同于研究论文的文体。综述的目的是反映某一课题的新水平、新动态、新技术和新发现。从其历史到现状，存在问题以及发展趋势等，都要进行全面的介绍和评论。在此基础上提出自己的见解，预测技术的发展趋势，为选题和开题奠定良好的基础。二、文献综述的格式文献综述的格式与一般研究性论文的格式有所不同。这是因为研究性的论文注重研究的方法和结果，而文献综述介绍与主题有关的详细资料、动态、进展、展望以及对以上方面的评述。因此文献综述的格式相对多样，但总的来说，一般都包含以下四部分：即前言、主题、总结和参考文献。撰写文献综述时可按这四部分拟写提纲，再根据提纲进行撰写工作。前言部分，主要是说明写作的目的，介绍有关的概念及定义以及综述的范围，扼要说明有关主题的现状或争论焦点，使读者对全文要叙述的问题有一个初步的轮廓。主题部分，是综述的主体，其写法多样，没有固定的格式。可按年代顺序综述，也可按不同的问题进行综述，还可按不同的观点进行比较综述，不管用那一种格式综述，都要将所搜集到的文献资料归纳、整理及分析比较，阐明有关主题的历史背景、现状和发展方向，以及对这些问题的评述，主题部分应特别注意代表性强、具有科学性和创造性的文献引用和评述。总结部分，与研究性论文的小结有些类似，将全文主题进行扼要总结，提出自己的见解并对进一步的发展方向做出预测。三、文献综述规定1. 为了使选题报告有较充分的依据，要求硕士研究生在论文开题之前作文献综述。2. 在文献综述时，研究生应系统地查阅与自己的研究方向有关的国内外文献。通常阅读文献不少于30篇3. 在文献综述中，研究生应说明自己研究方向的发展历史，前人的主要研究成果，存在的问题及发展趋势等。4. 文献综述要条理清晰，文字通顺简练。5. 资料运用恰当、合理。文献引用用方括号"[ ]"括起来置于引用词的右上角。6. 文献综述中要有自己的观点和见解。鼓励研究生多发现问题、多提出问题、并指出分析、解决问题的可能途径。
摘 要 针对基于PC实现的图像边缘检测普遍存在的执行速度慢、不能满足实时应用需求等缺点，本文借助于TI公司的TMS320DM642图像处理芯片作为数字图像处理硬件平台，DSP/BIOS为实时操作系统，利用CCS开发环境来构建应用程序；并通过摄像头提取视频序列，实现对边缘检测Sobel算子改进[1]。 关键词 DM642；Sobel算子；程序优化；图像边缘检测 1 引言 边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方，也即通常所说的信号发生奇异变化的地方。经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。 近年来，随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。另外随着网络和多媒体技术的发展，图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。随着DSP芯片处理技术的发展，尤其是在图像处理方面的提高如TMS320C6000系列，为实现高效的、实时的边缘检测提供了可能性[5]。在经典的边缘检测算法中，Sobel边缘检测算法因其计算量小、实现简单、处理速度快，并且所得的边缘光滑、连续等优点而得到广泛的应用。本文针对Sobel算法的性能，并借助于TMS320DM642处理芯片[3]，对该边缘检测算法进行了改进和对程序的优化，满足实时性需求。2 Sobel边缘检测算法的改进 经典的Sobel图像边缘检测算法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个是检测垂直边缘，一个是检测水平边缘。算法的基本原理：由于图像边缘附近的亮度变化较大，所以可以把那些在邻域内，灰度变化超过某个适当阈值TH的像素点当作边缘点。Sobel算法的优点是计算简单，速度快。但由于只采用了两个方向模板，只能检测水平方向和垂直方向的边缘，因此，这种算法对于纹理较复杂的图像，其边缘检测效果欠佳；同时，经典Sobel算法认为，凡灰度新值大于或等于阈值的像素点都是边缘点。这种判定依据是欠合理的，会造成边缘点的误判，因为多噪声点的灰度新值也很大。 图像加权中值滤波 由于图像中的边缘和噪声在频域中均表现为高频成分，所以在边缘检测之前有必要先对图像进行一次滤波处理，减少噪声对边缘检测的影响。中值滤波是一种非线性信号的处理方法[2]，在图像处理中，常用来保护边缘信息；保证滤波的效果。加权中值滤波，首先对每个窗口进行排序，取适当的比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征，再根据图像各部分特性适当的选择权重进行加权。 增加方向模板 除了水平和垂直两方向外，图像的边缘还有其它的方向，如135o和45o等，为了增加算子在某一像素点检测边缘的精度，可将方向模板由2个增加为8个即再在经典的方向模板的基础上增加6个方向模板，如图1所示。 边缘的定位及噪声的去除 通常物体的边缘是连续而光滑的，且边缘具有方向和幅度两个特征，而噪声是随机的。沿任一边缘点走向总能找到另一个边缘点，且这两个边缘点之间的灰度差和方向差相近。而噪声却不同，在一般情况下，沿任一噪声点很难找到与其灰度值和方差相似的噪声点[4]。基于这一思想，可以将噪声点和边缘点区分开来。对于一幅数字图像f(x，y)，利用上述的8个方向模板Sobel算子对图像中的每个像素计算，取得其中的最大值作为该点的新值，而该最大值对应的模板所表示的方向为该像素点的方向。若｜f(x，y)－f(x+i，y+j)｜＞TH2，对于任意i=0，1，-1；j=0，1，-1均成立，则可判断点(x，y)为噪声点。图2给出了图像边缘检测系统改进算法的软件流程图。图1 边缘检测8个方向模板图2 系统结构图3 基于TMS320DM642的图像处理的设计及算法优化 TMS320DM642功能模块及图像处理系统的硬件结构 DSP以高速数字信号处理为目标进行芯片设计，采用改进的哈佛结构(程序总线和数据总线分开)、内部具有硬件乘法器、应用流水线技术、具有良好的并行性和专门用于数字信号处理的指令及超长指令字结构(VLIW)等特点；能完成运算量大的实时数字图像处理工作。 TMS320DM642是TI公式最近推出的功能比较强大的TMS320C6x系列之一，是目前定点DSP领域里性能较高的一款[6]。其主频是600MHz，8个并行运算单元、专用硬件逻辑、片内存储器和片内外设电路等硬件，处理能力可达4800MIPS。DM642基于C64x内核，并在其基础上增加了很多外围设备和接口，因而在实际工程中的应用更为广泛和简便。本系统使用50 MHz晶体震荡器作为DSP的外部时钟输入，经过内部锁相环12倍频后产生600 MHz的工作频率。DM642采用了2级缓存结构(L1和L2)，大幅度提高了程序的运行性能。片内64位的EMIF(External Memory Interface)接口可以与SDRAM、Flash等存储器件无缝连接，极大地方便了大量数据的搬移。更重要的是，作为一款专用视频处理芯片，DM642包括了3个专用的视频端口(VP0～VP2)，用于接收和处理视频，提高了整个系统的性能。此外，DM642自带的EMAC口以及从EMIF 口扩展出来的ATA口，还为处理完成后产生的海量数据提供了存储通道。本系统是采用瑞泰公司开发的基于TI TMS320DM642 DSP芯片的评估开发板——ICETEK DM642 PCI。在ICETEK DM642 PCI评估板中将硬件平台分为五个部分，分别是视频采集、数据存储、图像处理、结果显示和电源管理。视频采集部分采用模拟PAL制摄像头，配合高精度视频A/D转换器得到数字图像。基于DSP的视频采集要求对视频信号具备采集，实时显示、对图像的处理和分析能力。视频A/D采样电路—SAA7115与视频端口0或1相连，实现视频的实时采集功能。视频D/A电路—SAA7105与视频口2相连，视频输出信号支持RGB、HD合成视频、PAL/NTSC复合视频和S端子视频信号。通过I2C总线对SAA7105的内部寄存器编程实现不同输出。 整个系统过程由三个部分组成：图像采集—边缘处理—输出显示，如图2所示。摄像头采集的视频信号经视频编码器SAA7115数字化，DM642通过I2C总线对SAA7115进行参数配置。在SAA7115内部进行一系列的处理和变换后形成的数字视频数据流，输入到核心处理单元DM642。经过DSP处理后的数字视频再经过SAA7105视频编码器进行D/A转换后在显示器上显示最终处理结果。 图像处理的软件设计和算法优化的实现 由于在改进Sobel边缘检测算子性能的同时，也相对增加了计算量，尤其是方向模板的增加，每个像素点均由原来的2次卷积运算增加为8次卷积运算，其实时性大大减弱。为了改进上述的不足，在深入研究处理系统和算法后，针对TMS320DM642的硬件结构特点，研究适合在TMS320DM642中高效运行的Sobel改进算法，满足实时处理的要求。整个程序的编写和调试按照C6000软件开发流程进行，流程分为：产生C代码、优化C代码和编写线性汇编程序3个阶段。使用的工具是TI的集成开发环境CCS。在CCS下，可对软件进行编辑、编译、调试、代码性能测试等工作。在使用C6000编译器开发和优化C代码时[7-8]，对C代码中低效率和需要反复调用的函数需用线性汇编重新编写，再用汇编优化器优化。整个系统的控制以及数字图像处理是用C程序实现，大部分软件设计采用C程序实现，这无疑提高了程序的可读性和可移植性，而汇编程序主要是实现DM642的各部分初始化。其边缘检测优化算法在DM642中的实现步骤具体如下： S1：根据DM642的硬件结构要求和控制寄存器设置，初始化系统并编写实现边缘检测算法的C程序。 S2：借助CCS开发环境的优化工具如Profiler等产生.OUT文件。 S3：根据产生的附件文件如.MAP文件，分析优化结果及源程序结构，进一步改进源程序和优化方法。 S4：使用CCS中调试、链接、运行等工具，再生成.OUT可执行文件。 S5：运行程序，如果满足要求则停止；否则重复步骤S2～S4直至满足使用要求。4 实验结果 本文以Lena图像为例根据上述的硬件环境和算法实现的原理和方法，图4～图6分别给出了在该系统下采集的视频Lena图像及使用边缘检测算子和改进后处理的结果。由实验结果可以看出，在该系统下能实时完成视频图像的处理，并且给出的边缘检测算子能较好的消除噪声的影响，边缘轮廓清晰。该算法不仅能抑制图像中大部分噪声和虚假边缘，还保证了较高的边缘点位精度。图4 Lena原始图像 图5 传统Sobel算子 图6 改进Sobel算子5 总结 本文实现了在TMS320DM642评估板上用改进的Sobel算子对实时图像进行边缘检测，无延迟地得到边缘图像。边缘检测效果较好，既提高了图像检测的精度又满足了实时性的要求。从检测结果看，利用该改进后的算子在边缘精确定位、边缘提取都达到了很好的效果，且抗噪声能力强，并为目标跟踪、无接触式检测、自动驾驶、视频监控等领域的应用提供了坚实的基础。参考文献[1] 王磊等. 基于Sobel理论的边缘提取改善方法[J]．中国图像图形学报，[2] 陈宏席. 基于保持平滑滤波的Sobel算子边缘检测.兰州交通大学学报，2006，25(1)：86—90[3] 熊伟. 基于TMS320DM642的多路视频采集处理板卡硬件设计与实现[ M]. 国外电子元器件，2006[4] 朱立.一种具有抗噪声干扰的图像边缘提取算法的研究[J]．电子技术应用.2004，25(1)[5] 刘松涛，周晓东.基于TMS320C6201的实时图像处理系统[J].计算机工程，2005(7)：17—23[6] TI TMS320DM642 video/imaging fixed-point digital signal processor data manual，2003[7] TMS320C6x Optimizing C Compiler User’s Guide’ TEXAS INSTRUMENTS”，2002[8] TMS320C32x Optimizing C/C++ Compiler User's Guide，Texas Instruments Incorporated，2001
本教程将教你如何： （ 1 ）实施图像边缘检测算法。 导言 边的特点，因此，边界问题，根本的重要性在图像处理中。在图像的边缘地区，强度强的反差？猛增强度从一个像素的下一个。边缘检测的图像大大减少了大量的数据，并过滤掉无用的信息，同时保持重要的结构性能的形象。这也是我在索贝尔和拉普拉斯边缘检测教程，但我只是想再次强调这一点的，为什么您要检测的边缘。 图像边缘检测算法是众所周知的许多人视为最佳边缘检测。精明的意图是要加强许多边缘探测器已经在的时候，他开始了他的工作。他很成功地实现他的目标和他的思想和方法中可以找到他的论文“计算方法的边缘检测” 。在他的文件中，他遵循的标准清单，以改善目前的边缘检测方法。第一个也是最明显的错误率低。重要的是，发生在图像边缘不应错过的，没有任何反应，非边缘。第二个标准是，边缘点很好地本地化。换言之，之间的距离边缘像素作为探测器发现和实际边缘要在最低限度。第三个标准是，只有一个回应单一优势。这是第一次实施，因为并没有实质性的2足以完全消除的可能性，多反应的优势。 根据这些标准， 图像边缘检测器的第一个平滑的图像，以消除和噪音。然后认定的形象，以突出地区梯度高空间衍生物。该算法然后轨道沿着这些地区和抑制任何像素这不是在最高（ 非最大限度制止） 。梯度阵列现在进一步减少滞后。磁滞用来追踪沿其余像素，但没有压制。磁滞使用两个阈值，如果规模低于第一道门槛，这是设置为零（发了nonedge ） 。如果是规模以上的高门槛，这是一个优势。如果震级之间的2阈值，那么它设置为零，除非有一条从这个像素一个像素的梯度上述时刻。 第1步 为了落实图 像边缘检测算法，一系列步骤必须遵循。第一步是筛选出任何噪音的原始图像在寻找和发现任何边缘。而且因为高斯滤波器可以用一个简单的计算面具，它是专门用于在Canny算法。一旦合适的面罩已计算，高斯平滑可以用标准的卷积方法。阿卷积掩模通常远远小于实际的形象。因此，该面具是下跌的形象，操纵一个正方形像素的时间。较大的宽度高斯面具，较低的是探测器的敏感性噪音。定位误差检测边缘也略有增加的高斯宽度增加。高斯遮罩使用我在执行下面显示。 第2步 经过平滑的形象，消除噪音，下一步就是要找到优势兵力，采取梯度的形象。的Sobel算子进行二维空间梯度测量的形象。然后，大约绝对梯度幅度（边缘强度）各点可以找到。 Sobel算子的使用对3x3卷积口罩，一个梯度估计在X方向（栏）和其他的梯度估计的Y方向（行） 。它们如下所示： 的规模，或EDGE强度，梯度近似然后使用公式： | G | = | GX的| + |戈瑞| 第3步 寻找边缘方向是小事，一旦梯度在X和Y方向是众所周知的。然而，你会产生错误时sumX等于零。因此，在代码中必须有一个限制规定只要发生。每当梯度在x方向等于零，边缘的方向，必须等于90度或0度，取决于什么的价值梯度的Y方向等于。如果青的值为零，边缘方向将等于0度。否则边缘方向将等于90度。公式为寻找边缘方向是： 论旨= invtan （戈瑞/ GX的） 第4步 一旦边缘方向众所周知，下一步是与边缘方向为方向，可以追溯到在一个图像。因此，如果一个5x5像素图像对齐如下： x x x x x x x x x x x x 1 x x x x x x x x x x x x 然后，可以看到看像素的“ A ” ，只有4个可能的方向时，描述了周围的像素- 0度（水平方向） ， 45度（沿积极对角线） ， 90度（垂直方向） ，或135度（沿负对角线） 。所以，现在的边缘方向已经得到解决纳入其中四个方向取决于哪个方向，它是最接近于（如角被发现有3度，使零摄氏度） 。认为这是采取了半圆形和分裂成5个地区。 因此，任何先进的方向范围内的黄色范围（ 0至5月22日＆ 至180度）设置为0度。任何先进的方向下滑的绿色范围（ 至度）设置为45度。任何先进的方向下滑的蓝色范围（ 至度）设置为90度。最后，任何先进的方向范围内的红色范围（ 到度）设置为135度。 第5步 在被称为边缘方向， 非最大限度制止目前适用。 非最大限度抑制是用来追踪沿边缘方向和制止任何像素值（套等于0 ）这是不被认为是优势。这将让细线在输出图像。 第6步 最后，滞后是用来作为一种手段，消除条纹。裸奔是打破的边缘轮廓线的经营者造成的产量波动上面和下面的门槛。如果一个门槛， T1讯号适用于图像，并具有优势的平均强度相等的T1 ，然后由于噪声，将先进的情况下，逢低低于阈值。同样它也将延长超过阈值决策的优势看起来像一个虚线。为了避免这种情况，滞后使用2的门槛，高和低。任何像素的图像，其值大于表＃ t1推定为边缘像素，并标示为这种立即。然后，任何像素连接到这个边缘像素，并有一个值大于时刻还选定为边缘像素。如果您认为以下的优势，您需要一个梯度的时刻开始，但你不停止直到触及梯度低于表＃ t1 。
HED 论文： Holistically-Nested Edge Detection HED（Holistically-Nested Edge Detection）是一个端到端的边缘检测网络，特点是提取不同尺度的特征，和多输出的多监督及融合。 HED 在产业上应用比较广泛。 Holistic：指该方法的预测和训练都是端到端的；Neted：指通过多层级的输出，渐进地优化最终结果。作者的命名逻辑... 看这篇边缘检测的论文主要是想知道边缘检测的损失函数应该怎么设计。我本来的想法是直接像语义分割一样，用 IoU ，后来想想不对，如果一个边缘检测结果是 GT 平移了几个像素，那它仍可称得上好，但它的 IoU 却会骤降至和随机结果差不了多少。如果对边缘检测问题用 IoU 做优化对象，恐怕在优化时根本找不到可以下降的梯度方向。边缘检测的任务是提取图像内每个对象的边界，而排除对象的纹理。HED 被设计以解决两个问题：（1）对图像整体的训练和预测，End-to-end；（2）多尺度的特征提取。端到端很容易实现，因为边缘检测任务的输入和输出都是一张图片，只是通道数不同，很明显可以应用一个全卷积的网络来实现。HED 的骨干网络采用 VGG，并将 VGG 后面的全连接层结构全部移除，只保留卷积层。一些曾被应用过或正在被应用的多尺度特征提取方法。 (a) 多通路并行网络，通过不同的网络深度得到不同的感受野，输出聚合在一起； (b) 跳线连接，将来自不同卷积层的输出通过跳线连接在一起，作为特征提取结果（实际上跳线连接也可以在各个卷积层之间连接，而不仅限于到输出层，比如 U-Net 结构）； (c) 同一个网络，采用不同尺寸的输入； (d) 不同深度的网络完全分立（这个方法感觉最拉跨，各个尺度上的特征没有相关性，也没听说过有人这么搞）； (e) HED 提出的结构，在卷积网络的不同深度引出“侧输出”，将这些侧输出聚合成最终输出（和 (b) 的不同在于每个侧输出都能被监督并进行反向传播，这里应用了中继监督的思想，也是一个很泛用的做法）。这篇文章也用了中继监督，之前看的 Stacked Hourglass 也是。不过 Stacked Hourglass 的侧输出是还要被输入到下个特征提取网络里继续 refine 的，旨在迭代地优化输出结果。 HED 的侧输出和 GoogLnet 等一些常见的侧输出比较像，前面也说了，浅层的特征保留了更多的信息，但是相对而言感受野更小，那么 HED 就取多个不同深度的特征，分别在这些位点设置输出层。具体地，HED 在每个 VGG 内尺寸的特征图上引出一个卷积层作为侧输出层。HED 将边缘检测任务归纳为对每个像素点的二分类任务——“边缘”和“非边缘”。对于 HED 的单个输出而言，其损失函数为所有像素点的二分类损失函数的和，另外，由于边缘占的像素总数一般都会少于非边缘，所以实际是边缘的像素提供的二分类损失函数会乘以一个更大的权重，以进行正负样本平衡。HED 整体的损失函数就是它所有输出的损失函数的加权和。 转化成数学语言就是：其中 指特征提取网络（VGG）的权重， 指 HED 第 层输出的输出层权重， 为平衡每层输出为最终损失贡献的系数， 为平衡正负样本的系数， 和 分别指代边缘像素和非边缘像素， 为像素 输出的置信度。 上面的损失函数是针对每个侧输出进行优化，HED 的最终输出是每个侧输出按照一定的权重加总得到的融合输出，这些权重是通过训练学习到的，而非人为设定的。 融合输出的损失函数如下：其中融合输出 ， 是每个侧输出在融合时的权重， 计算输出和 GT 之间的距离，这里采用交叉熵函数。 整个模型在训练时的优化目标权重为：可以看到，最终的损失函数中存在一定的冗余，由于融合输出是由侧输出得到的，侧输出似乎被不止一次地惩罚了。不过，先不论这种冗余是不是必要的，据作者言，只对融合输出进行惩罚得到的效果是不够好的，因为模型总会区域学习更大尺度上的特征。 HED 的损失函数是一种很直接的思路，不过任然有这样的问题：当一个被预测为“边缘”的像素点实际上是“非边缘”时，不管它和 GT 离得有多近，体现在损失函数上，都和一个差 GT 十万八千里的像素点没有区别。这种设计——就我个人的理解——会让损失函数的梯度出现大面积的平坦区域，梯度下降难以工作。但目前的工作似乎都是在用交叉熵作为损失函数，虽然今年也提出了 G-IoU、D-IoU 等将 IoU 调整后作为损失函数的方法，但是限于数学表达上的困难，目前只能应用于矩形边界框，而不能应用于像素集分割。
Canny边缘检测教程 Author: Bill Green (2002) 作者：比尔绿色（ 2002 ） HOME EMAIL 主页 电子邮件 This tutorial assumes the reader: 本教程假定读者： (1) Knows how to develop source code to read raster data （ 1 ）知道如何发展的源代码阅读栅格数据 (2) Has already read my Sobel edge detection tutorial （ 2 ）已经阅读我Sobel边缘检测教程 This tutorial will teach you how to:本教程将教你如何： (1) Implement the Canny edge detection algorithm. （ 1 ）实施Canny边缘检测算法。 INTRODUCTION 导言 Edges characterize boundaries and are therefore a problem of fundamental importance in image processing.边的特点，因此，边界问题，根本的重要性在图像处理中。 Edges in images are areas with strong intensity contrasts – a jump in intensity from one pixel to the next.在图像的边缘地区，强度强的反差-一个跳转的强度从一个像素的下一个。 Edge detecting an image significantly reduces the amount of data and filters out useless information, while preserving the important structural properties in an image. This was also stated in my Sobel and Laplace edge detection tutorial, but I just wanted reemphasize the point of why you would want to detect edges.边缘检测的图像大大减少了大量的数据，并过滤掉无用的信息，同时保持重要的结构性能的形象。这也是我在索贝尔和拉普拉斯边缘检测教程，但我只是想再次强调这一点的，为什么你会要检测的边缘。 The Canny edge detection algorithm is known to many as the optimal edge detector. Canny's intentions were to enhance the many edge detectors already out at the time he started his work.的Canny边缘检测算法是众所周知的许多人视为最佳边缘检测。坎尼的意图是要加强许多先进的探测器已经在的时候，他开始他的工作。 He was very successful in achieving his goal and his ideas and methods can be found in his paper, " A Computational Approach to Edge Detection ".他很成功地实现他的目标和他的思想和方法中可以找到他的论文“ 计算方法的边缘检测 ” 。 In his paper, he followed a list of criteria to improve current methods of edge detection.在他的文件中，他遵循的标准清单，以改善目前的边缘检测方法。 The first and most obvious is low error rate.第一个也是最明显的错误率低。 It is important that edges occuring in images should not be missed and that there be NO responses to non-edges.重要的是，发生在图像边缘不应错过的，没有任何反应，非边缘。 The second criterion is that the edge points be well localized. In other words, the distance between the edge pixels as found by the detector and the actual edge is to be at a minimum.第二个标准是，边缘点很好地本地化。换言之，之间的距离边缘像素作为探测器发现和实际边缘要在最低限度。 A third criterion is to have only one response to a single edge.第三个标准是，只有一个回应单一优势。 This was implemented because the first 2 were not substantial enough to completely eliminate the possibility of multiple responses to an edge.这是第一次实施，因为并没有实质性的2足以完全消除的可能性，多反应的优势。 Based on these criteria, the canny edge detector first smoothes the image to eliminate and noise.根据这些标准， Canny边缘检测器的第一个平滑的图像，以消除和噪音。 It then finds the image gradient to highlight regions with high spatial derivatives.然后认定的形象，以突出地区梯度高空间衍生物。 The algorithm then tracks along these regions and suppresses any pixel that is not at the maximum (nonmaximum suppression).该算法然后轨道沿着这些地区和抑制任何像素这不是在最高（ nonmaximum制止） 。 The gradient array is now further reduced by hysteresis.梯度阵列现在进一步减少滞后。 Hysteresis is used to track along the remaining pixels that have not been suppressed.磁滞用来追踪沿其余像素，但没有压制。 Hysteresis uses two thresholds and if the magnitude is below the first threshold, it is set to zero (made a nonedge).磁滞使用两个阈值，如果规模低于第一道门槛，这是设置为零（发了nonedge ） 。 If the magnitude is above the high threshold, it is made an edge.如果是规模以上的高门槛，这是一个优势。 And if the magnitude is between the 2 thresholds, then it is set to zero unless there is a path from this pixel to a pixel with a gradient above T2.如果震级之间的2阈值，那么它设置为零，除非有一条从这个像素一个像素的梯度上述时刻。 Step 1 第1步 In order to implement the canny edge detector algorithm, a series of steps must be followed.为了落实Canny边缘检测算法，一系列步骤必须遵循。 The first step is to filter out any noise in the original image before trying to locate and detect any edges.第一步是筛选出任何噪音的原始图像在寻找和发现任何边缘。 And because the Gaussian filter can be computed using a simple mask, it is used exclusively in the Canny algorithm.而且因为高斯滤波器可以用一个简单的计算面具，它是专门用于在Canny算法。 Once a suitable mask has been calculated, the Gaussian smoothing can be performed using standard convolution methods.一旦合适的面罩已计算，高斯平滑可以用标准的卷积方法。 A convolution mask is usually much smaller than the actual image.阿卷积掩模通常远远小于实际的形象。 As a result, the mask is slid over the image, manipulating a square of pixels at a time. The larger the width of the Gaussian mask, the lower is the detector's sensitivity to noise .因此，该面具是下跌的形象，操纵一个正方形的像素上。 较大的宽度高斯面具，较低的是探测器的敏感性噪音 。 The localization error in the detected edges also increases slightly as the Gaussian width is increased.定位误差检测边缘也略有增加的高斯宽度增加。 The Gaussian mask used in my implementation is shown below.高斯遮罩使用我在执行下面显示。 Step 2 第2步 After smoothing the image and eliminating the noise, the next step is to find the edge strength by taking the gradient of the image.经过平滑的形象，消除噪音，下一步就是要找到优势兵力，采取梯度的形象。 The Sobel operator performs a 2-D spatial gradient measurement on an image.的Sobel算子进行二维空间梯度测量的形象。 Then, the approximate absolute gradient magnitude (edge strength) at each point can be found.然后，大约绝对梯度幅度（边缘强度）各点可以找到。 The Sobel operator uses a pair of 3x3 convolution masks, one estimating the gradient in the x-direction (columns) and the other estimating the gradient in the y-direction (rows). Sobel算子的使用对3x3卷积口罩，一个梯度估计在X方向（栏）和其他的梯度估计的Y方向（行） 。 They are shown below:它们如下所示： The magnitude, or EDGE STRENGTH, of the gradient is then approximated using the formula:的规模，或EDGE强度，梯度近似然后使用公式： |G| = |Gx| + |Gy| | G | = | GX的| + |戈瑞| Step 3 第3步 Finding the edge direction is trivial once the gradient in the x and y directions are known.寻找边缘方向是小事，一旦梯度在X和Y方向是众所周知的。 However, you will generate an error whenever sumX is equal to zero.然而，你会产生错误时sumX等于零。 So in the code there has to be a restriction set whenever this takes place.因此，在代码中必须有一个限制规定只要发生。 Whenever the gradient in the x direction is equal to zero, the edge direction has to be equal to 90 degrees or 0 degrees, depending on what the value of the gradient in the y-direction is equal to.每当梯度在x方向等于零，边缘的方向，必须等于90度或0度，取决于什么的价值梯度的Y方向等于。 If GY has a value of zero, the edge direction will equal 0 degrees.如果青的值为零，边缘方向将等于0度。 Otherwise the edge direction will equal 90 degrees.否则边缘方向将等于90度。 The formula for finding the edge direction is just:公式为寻找边缘方向是： theta = invtan (Gy / Gx)论旨= invtan （戈瑞/ GX的） Step 4 第4步 Once the edge direction is known, the next step is to relate the edge direction to a direction that can be traced in an image.一旦边缘方向众所周知，下一步是与边缘方向为方向，可以追溯到在一个图像。 So if the pixels of a 5x5 image are aligned as follows:因此，如果一个5x5像素图像对齐如下： x x x x x x x x x x x x x x x x x x x x x x a x x x x 1 x x x x x x x x x x x x x x x x x x x x x x Then, it can be seen by looking at pixel " a ", there are only four possible directions when describing the surrounding pixels - 0 degrees (in the horizontal direction), 45 degrees (along the positive diagonal), 90 degrees (in the vertical direction), or 135 degrees (along the negative diagonal).然后，可以看到看像素的“ A ” ，只有4个可能的方向时，描述了周围的像素- 0度 （水平方向） ， 45度 （沿积极对角线） ， 90度 （垂直方向） ，或135度 （沿负对角线） 。 So now the edge orientation has to be resolved into one of these four directions depending on which direction it is closest to (eg if the orientation angle is found to be 3 degrees, make it zero degrees).所以，现在的边缘方向已经得到解决纳入其中四个方向取决于哪个方向，它是最接近于（如角被发现有3度，使零摄氏度） 。 Think of this as taking a semicircle and dividing it into 5 regions.认为这是采取了半圆形和分裂成5个地区。 Therefore, any edge direction falling within the yellow range (0 to & to 180 degrees) is set to 0 degrees.因此，任何先进的方向范围内的黄色范围 （ 0至5月22日＆ 至180度）设置为0度。 Any edge direction falling in the green range ( to degrees) is set to 45 degrees. Any edge direction falling in the blue range ( to degrees) is set to 90 degrees.任何先进的方向下滑的绿色范围 （ 至度）设置为45度。任何优势的方向下滑的蓝色范围 （ 至度）设置为90度。 And finally, any edge direction falling within the red range ( to degrees) is set to 135 degrees.最后，任何先进的方向范围内的红色范围 （ 到度）设置为135度。 Step 5 第5步 After the edge directions are known, nonmaximum suppression now has to be applied. Nonmaximum suppression is used to trace along the edge in the edge direction and suppress any pixel value (sets it equal to 0) that is not considered to be an edge. This will give a thin line in the output image.在被称为边缘方向， nonmaximum抑制现在必须适用。 Nonmaximum抑制是用来追踪沿边缘方向和制止任何像素值（套等于0 ）这是不被认为是优势。这将给细线的输出图像。 Step 6 第6步 Finally, hysteresis is used as a means of eliminating streaking.最后，滞后是用来作为一种手段，消除条纹。 Streaking is the breaking up of an edge contour caused by the operator output fluctuating above and below the threshold.裸奔是打破的边缘轮廓线的经营者造成的产量波动上面和下面的门槛。 If a single threshold, T1 is applied to an image, and an edge has an average strength equal to T1, then due to noise, there will be instances where the edge dips below the threshold.如果一个门槛， T1讯号适用于图像，并具有优势的平均强度相等的T1 ，然后由于噪声，将有情况下，边逢低低于阈值。 Equally it will also extend above the threshold making an edge look like a dashed line.同样它也将延长超过阈值决策的优势看起来像一个虚线。 To avoid this, hysteresis uses 2 thresholds, a high and a low.为了避免这种情况，滞后使用2的门槛，高和低。 Any pixel in the image that has a value greater than T1 is presumed to be an edge pixel, and is marked as such immediately.任何像素的图像，其值大于表＃ t1推定为边缘像素，并标示为这种立即。 Then, any pixels that are connected to this edge pixel and that have a value greater than T2 are also selected as edge pixels.然后，任何像素连接到这个边缘像素，并有一个值大于时刻还选定为边缘像素。 If you think of following an edge, you need a gradient of T2 to start but you don't stop till you hit a gradient below T1.如果您认为以下的优势，您需要一个梯度的时刻开始，但你不停止直到触及梯度低于表＃ t1 。 You are visitor number: 你是第位访客人数：