电子信息类工科专业科教融合教学设计*——以《数字图像处理》为例

朱春华 郭歆莹 赵攀 秦瑶

（河南工业大学信息科学与工程学院）

在新工科背景下，电子信息类工科课程的教学设计中加强了以问题为导向、多学科交叉融合以及科研育人等教学理念。专业基础课对专业知识要求高，而且其知识点环环相扣，在慕课的建设中文献[1]提出了把专业基础课引入慕课教学模式的课程建设思路；专业教育与工科基础数学或物理课的结合也成为了基础课教学改革的焦点[2]；科研反哺教学已经成为近两年应用型人才培养的关键词[3-4]。但在实际教学活动中，还面临理论与实践严重脱节、理论课与实践课的教学设计不能有效衔接，学生以听为主缺乏主动思考的教学模式等问题，这影响到了通过课程教学培养学生的独立思考能力、科学思维方法和求知创新精神的目标达成。本文以《数字图像处理》课程为例，提出科教融合的教学设计思路，以科研项目实践的每个单元对应支撑课程教学内容的每个知识点，形成了科研真正融入课堂，反哺教学的教学模式。

一、教学与科研融合案例分析

本文以基于图像处理的粮食籽粒和杂质检测[5]为例，通过图像增强、图像分割、形态学图像处理等在主干课程《数字图像处理》中的知识，实现掺杂粮食中的杂质分离。检测流程如图1所示。

图1 算法流程框图

对掺杂粮食图像，首先通过直方图均衡化和高斯-拉普拉斯算子增强粮食籽粒和杂质的对比度；对阈值分割后的杂质图像，引入膨胀与杂质面积参数去除伪点，并利用罗伯茨算子提取杂质边缘和二次去噪；最后对杂质图像进行标记和计数。

（一）图像预处理

在以上项目实践环节中，首先要进行原始图像采集。实验中的小麦与杂质来自河南省郑州市的兴隆国家粮食储备库，图像采集背景为反光性能较弱的亚格力板,在板内设有大小、间距相等的100个圆形孔用于放置小麦与杂质。在自然光照射下，采用SONY相机（ILCE-7RM2型号，4240万有效像素）从50cm左右高度垂直进行拍摄，获得实验图像。

为了增加掺杂粮食籽粒图像中杂质图像和粮食籽粒图像区域的对比度，本文采用直方图均衡化处理和图像锐化对原始图像进行预处理，便于后续的杂质图像分割。为了保证色彩的不失真，首先把RGB图像转为HSV[7](Hue-Saturation-Value)图像；然后对HSV图像的直方图进行均衡化和锐化滤波，考虑到高斯滤波的平滑作用和拉普拉斯算子对噪声的敏感性，采用高斯-拉普拉斯算子（LOG算子）对原始图像进行滤波，若原始图像像素(x,y)，对其进行LOG算子滤波可表示为

原始图像和预处理后的图像分别如图2(a)和图2(b)所示，其傅里叶变换后的频域分布分别如图2(c)和图2(d)所示。可见预处理后图像的低频分量减少，高频分量增加；而图像中的高频成分反映的是图像中变换比较尖锐的细节、图像边缘等部分，因此经过预处理之后图像的对比度得到增强。

图2 预处理前后图像对比

（二）杂质图像分割和去噪

对预处理后的图像图2(b)，需要分离粮食籽粒和杂质，本文通过对比大津法（OTSU）[6]、迭代法[7]、直方图双峰法[8]，考虑粮食籽粒图像的直方图分布特点，确定采用直方图阈值分割中的多峰分割的方法。在以上分割过程中，分割阈值的选取是算法的关键，通过实验得到最优的分割阈值为Ts，粮食籽粒和图像背景的灰度值小于等于全局阈值，判定为背景点；杂质的灰度值大于全局阈值，判为目标点，分割过程可表示为

原图像与杂质分割图像分别如图3(a)和图3(b)所示。由图3(a)所示，在原始图像的背景中会存在一些与杂质灰度值相近的细小噪点，这些噪点来源于图像采集板的孔洞边缘粘连的部分杂质颗粒，或者是由于粮食籽粒部分区域的灰度值与杂质灰度接近。这些噪点在经过图像分割后难以去除，如图3(b)所示，这些噪点的存在将影响杂质图像的标记与准确识别。为去除杂质分割图像中的噪点并保持杂质图像的完整性，杂质分割图像去噪主要通过基于面积的几何滤波、使用Roberts算子检测噪点、基于面积的二次滤波几个主要步骤完成。通过观察阈值分割后的图像图3(b)发现，杂质与噪点的主要区别之一是其面积差异较大，因此本文采取了基于图像面积的几何滤波方法，即以某一面积值作为滤波器的截至频率，通过对图像中某点的26邻域的面积值与进行比较，当其面积小于时则剔除该点，当其面积大于S时则保留该点。但由于部分杂质图像分割后并不是一个完整的封闭区域，影响后续的杂质计数。因此在利用图像面积进行几何滤波之前，对阈值分割后的杂质图像首先要进行膨胀处理，使得未连通的杂质目标区域连通起来，便于后期统计杂质个数。这里在膨胀系数选取时不宜太大，以免噪点与杂质区域过度融合，造成杂质标记错误；同时，较小模板的膨胀处理会加大噪点与杂质目标区域的面积差距，更易剔除孤立噪点。对于未能完全滤除的残余噪点，使用对噪声较为敏感的算子提取图像边缘，再次设置面积阈值，对其进行基于图像面积的二次几何滤波，得到全部杂质图像。如图3(c)所示。

图3 杂质图像分割与去噪

（三）图像标记

得到全部杂质图像后，可进行杂质图像标记和计数。由于部分杂质图像存在分立孤岛，为正确统计杂质个数，需对杂质图像进行膨胀操作，从而连通分立孤岛，以及填补图像内部孔洞。统计杂质个数后，考虑计算复杂性和边缘提取完整性，使用Canny算子提取杂质图像边缘，并进行杂质位置标记，据此还可以统计杂质数量。

（四）算法性能对比分析

为检验本文所提方法的有效性，实验中对比分析了大津法（OTSU）[2]、迭代法[3]、直方图双峰法[4]的杂质检测结果分别如图4(a)-(d)所示，其中原始图像如图2(a)。

图4 不同杂质检测方法的杂质图像提取结果对比

由图4(a)和图4(b)可见，文献[2]和文献[3]分别采用最大类间方差法和迭代法仅能区分背景和目标，无法分离粮食籽粒和杂质；文献[4]采用双峰直方图阈值法进行图像分割，能够提取大部分杂质，但残余噪点较多。本文所提方法的杂质图像检测结果如图4(d)，从图中可以看出本文所提方法能够较为准确地提取出掺杂图像中的杂质图像并且无残余噪点，能够准确标记每一粒杂质的区域位置且相邻区域标记不存在粘连情况，保证了标记的准确性与直观性。

选择不同掺杂的图像，利用本文所提杂质检测方法进行杂质图像标记的结果分别如图5(a)-(d)所示。结果表明，本文方法能够有效分离杂质和粮食籽粒，实现杂质图像的准确计数。

图5 不同掺杂图像检测结果对比

上述基于图像处理的粮食籽粒和杂质检测的项目实践环节，内容涉及从数据采集、技术方案设计、数据分析与性能评估万整的项目开发过程，而且实践内容与《数字图像处理》课程教学内容形成了强支撑关系，如图6所示。

图6 科研实践内容与《数字图像处理》课程教学内容

可见，在教学过程中融入科研实践训练，能够有机结合理论授课内容，加强学生对重点知识的理解与掌握；而且，实践内容涉及数据采集、预处理、算法优化、实验设计、性能分析与对比等万整的项目开发环节，所形成的科研方法同样可扩展应用到其他课程学习中，能够提升学生的逻辑思维能力和科研创新能力，也可以以科研项目为切入点建设教学团队[9]，提升教师团队的创新教学理念。

二、结论

本文以科研融入教学为切入点，通过设计与教学内容相匹配的科研项目，使单元知识点与科研项目实践的各环节形成对应关系，从而在教学过程中形成理论和实践相辅相成、深度嵌入的教学模式，不同的实践环节构成来了一个完整的科研项目，可以作为课程教学的过程性评价。本文所提的科教融合课程教学设计思路，有助于通过课程教学达到科研育人的目标，也可以扩展应用到其他工科专业的课程教学中。