一、研究背景及意义
语音信号的分离近年来成为信号处理领域的一个研究热点，它在电话会议、助听器及便携设备、机器的语音识别方面有很多的应用与影响。而语音信号常使用盲信号处理的方法分离。
盲信号处理(Blind Source Processing)作为一种新兴的信号处理方法，逐步发展并得到了越来越多的关注。盲信号处理与现代信号处理朝向非平稳、非高斯、非线性的发展方向相吻合，有利于复杂信号的分析以及处理，其研究对象主要为非高斯信号。它在传统信号处理方法的基础上结合了信息论、统计学和人工神经网络的相关思想。如图1所示，所谓的“盲分离”是指在没有关于源信号本身以及传输信道的知识，对数据及系统参数没有太多先验知识的假设的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。它能适用于更广泛的环境，为许多受限于传统信号处理方法的实际问题提供了崭新的思路。
图1 盲分离的概念
在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合，如通信信号、图像、生物医学信号、雷达信号等等。例如经典的“鸡尾酒会”问题，在一个充满宾客的宴会厅里，我们每个人都会听到来自不同地方的声音，如音乐，歌声及说话声等，正常的人类拥有在这种嘈杂环境下捕捉到所感兴趣的语音的能力。可以看到，盲信号处理同传统信号处理方法最大的不同就在于用它致力于用最少的信息得到理想的处理结果。
盲信号分离可以有不同的分类方法。
根据所处理信号的不同，可以分为声纳信号盲分离，雷达信号盲分离，通信信号盲分离，语音信号盲分离，脑电信号盲分离等。
根据盲处理领域的不同，可以分为时域盲分离和频域盲分离。
根据传输信道的情况，可以分为无噪声，有加性噪声，有乘性噪声等。
根据源信号在传输信道中被混合方式的不同，可以分为瞬时混合，卷积混合，非线性混合等。
根据源信号和观测信号数目的不同，可以分为正定盲分离，欠定盲分离，过定盲分离等。
本文研究的主要内容是正定不含噪的卷积混合语音信号的频域盲分离
方法。
总的来说，盲信号分离是一种仅利用观测到的混合信号来估计源信号的方法，它是以独立分量分析(Independent Component Analysis,ICA)为理论基础的。与传统信号处理方法如FIR 滤波，小波分析等不同的是，它不要求有关于源信号本身以及信号传输通道的知识。受益于这种“盲”的条件，盲信号分离对多个领域有很大的促进作用，特别是它在声纳、雷达、通信、语音、图像等方面的应用对军事，国防科技的发展起着非常重要的作用。近十多年来，各国学者在盲信号分离领域展开了深入的研究，有了一系列的成果。本课题就是在这样的背景下对语音信号进行盲分离的研究，以探索新的算法，新的应用。
二、研究的基本内容，拟解决的主要问题
1.研究的基本内容
本课题详细研究语音分离的基本理论，重点研究卷积混合频域解法模型框架下的语音信号分离算法。
基于时域实值瞬时混合模型的盲分离算法已经研究的比较充分，但是在语音信号在现实中往往是卷积混合，而且在频域分离方法中信号是复值的，本文将研究利用复值信号特征的瞬时混合盲分离算法，对不同的复数域盲分
离算法进行了编程实现，并且研究卷积混合模型频域盲分离中的次序不定问题，提出一种基于分离矩阵初始化的次序对准算法，并通过实验进行了性能比较和分析。
卷积混合语音信号的频域盲分离算法的主要思想是利用傅立叶变换将混合模型在时域中复杂的卷积运算转换成频域当中相对简单的乘法运算，把时域中的卷积混合问题简化成为在频域中每一个频点上的瞬时混合分离问题。这样就可以运用目前已经发展相对比较成熟的瞬时盲分离算法，解出各频点的分离矩阵，再用傅立叶反变换，就可以方便地得到时域的解卷积滤波器，从而恢复出源信号。
2.拟解决的主要问题
频域盲分离算法存在两个问题：第一，在盲分离中有着幅值的不确定性，它会使在各个频段分离的信号在频域上的幅值有偏差，导致信号频谱的变形。第二，盲分离中次序的不确定性会导致在各个频段分离出的信号不能正确的连接在一起，使得分离失败。
不确定性是盲分离算法的固有问题，其对于时域信号而言并不会严重的影响到分离结果。但对于频域信号来说，在完成每个频率点的盲分离后，直接对各个频率点的分离矩阵进行逆傅立叶变换，不能够保证每个输出通道对应着同一个源信号的成分，很有可能夹杂了其它信号，从而使解卷积失败。
解决次序不确定的方法又被称为次序对准算法。本课题将研究相关系数法和波达估计法，并编程实现波达估计法的次序对准算法，对波达估计法的性能以及其对最终分离结果的影响进行分析。频域盲分离的次序不定是一个棘手的问题，本课题还会介绍利用信号频域相依性的新的频域盲分离模型，其理论上可以从本质上回避次序不定问题。
三、研究步骤及方法
本课题旨在研究基于独立分量分析的盲信号分离理论以及其在卷积混
合语音信号盲分离等方面的应用。围绕这个主题，本课题的研究步骤及方法安排如下：
1，研究瞬时混合信号盲分离的基本概念和模型，研究和分析几种重要的瞬时混合盲分离算法，并通过实验进行仿真与性能分析。
瞬时混合信号盲分离的模型基本等同于线性ICA 的基本模型，即：
（3-1）
其中，是统计独立的不同源信号，而
是由其线性组合再加上噪音。
2.研究卷积混合频域盲分离的模型，将卷积混合盲分离转变为频域中的瞬时混合盲分离。
首先利用傅立叶变换将混合模型在时域中复杂的卷积运算转换成频域当中相对简单的乘法运算，把时域中的卷积混合问题简化成为在频域中每一个频点上的瞬时混合分离问题。然后运用瞬时盲分离算法，解出各频点的分离矩阵，再用傅立叶反变换，得到时域的解卷积滤波器，从而恢复出源信号。
3.研究算法中的幅值不确定性和次序不确定性问题。
频域情况对不确定性的数学描述如下：
（3-2）其中，D为对角矩阵，P是置换矩阵，当我们用盲分离算法对观测信号首先进行初步分离后，可以得到对于一个求得的分离矩阵W( f )。
对于幅值不确定性，通过对W f )矩阵的范数归一来解决。
利用相关性参数法和波达估计法解决次序不定性问题。给出一种基于分离矩阵初始化的次序不定解法框架。最后通过实验进行不同算法的比较和分析，并完成二路语音信号的分离。
四、研究工作进度
第1—3周：收集资料，熟悉课题内容，查找参考书，确定设计思路；
第4—7周：高级语言学习及程序设计中使用的算法的理解和熟悉；
第8—11周：编制处理程序，并上机进行软件程序调试和优化；
第12—14周：实验结果整理及其总结；
第15—17周：论文书写，课题总结，准备答辩。
五、主要参考文献
[1] A. Cichocki, S.Amari, Adaptive Blind Signal Image Processing: Learning Algorithm and Application, John Wiley & Sons, 2002.
[2] Simon Haykin, Unsupervised Adaptive Filtering; John Willey & Sons, 2000.
[3] A. Hyv?rinen, J. Karhunen, E. Oja, Independent Component Analysis, John Wiley & Sons, 2001.
[4] J. Benesty, S. Makino, J. Chen, Speech Enhancement, Springer, 2005.
[5] Simon Haykin, Zhe Chen, “The Cocktail Party Problem”, Neural Computation, 2005．
[6] Jutten C., Herault J,, “Blind separation of source, part I: An adaptive algorithm based on neuromimetic architecture”, Signal Processing, 1991.
[7] J. F. Cardoso and A. Souloumiac, “Blind beamforming for
non-Gaussian signals,” Proc. Inst. Elect. ,1993.
[8] Pierre Comon, “Independent component analysis, A new concept?”, Signal Processing, 1994.
[9] A. Hyv?rinen, E. Oja, “A fast fixed-point algorithm for independent component analysis”, Neural Computation, 1997.
[10] Platt C., Faggin F., “Networks for the separation of sources that are superimposed and delayed”,Advances in Neural Information Processing System, 1991.
[11] D. Yellin and E.Weinstein, “Mult ichannel signal separation: Methods and analysis”, IEEE Trans. On Signal Processing, 1996. [12] Thi H N., Jutten C., “Blind source separation for convolutive mixtures”, Signal Processing, 1995.
[13] Tokkola K., “Blind separation of delayed sources based on
information maximization”, in Proc of ICASSP, 1996.
[14] 杨福生，洪波，独立分量分析的原理与应用，北京，清华大学出版社，2006。
[15] 杨行峻等，人工神经网络与盲信号处理，北京，清华大学出版社，2003。
[16] 张贤达，时间序列分析：高阶统计量方法，北京，清华大学出版社，1996。
[17] 杨绿溪，何振亚等，“线性Infomax 自组织算法的性能分析”，数据采集与处理，1998。
[18] 刘琚，梅良模等，“一种基于非平稳特性的前馈神经网络盲源分离方法”，山东大学学报，19993。
[19] 冯大政，史维祥，“一种自适应信号盲分离和盲辨识的有效算法”，西安交通大学学报，1998。
[20] 刘鹏，“基于独立分量分析的语音信号分离算法研究”，上海交通大学，2008。
[21] 林家骏等，“过程信号的盲分离及应用”，化工自动化及仪表，1999。
[22] 贾鹏，丛丰裕等，“杂系混合信号的盲分离”，上海交通大学学报，2004。
[23] 华荣，苏中义，“基于遗传算法过程信号的盲分离”，上海交通大学学报，2001。
[24] 陈华福，尧德中，“独立成分分析的梯度算法及应用”，信号处理，2001。
[25] 丛丰裕，雷菊阳等，“在线增强型复值混合信号盲分离算法研究”，西安交通大学学报，2006。
[26] 丛丰裕，雷菊阳等，“在线复值独立分量分析算法”，上海交通大学学报，2007。
六、指导教师意见
指导教师签字：
年月日七、系级教学单位审核意见：
审查结果：□通过□完善后通过□未通过
负责人签字：
年月日
2008年第34卷第8期(总第248期) 111 花青素的提取、分离以及纯化方法研究进展3 孙建霞,张 燕,胡小松,吴继红,廖小军 (中国农业大学,教育部果蔬加工工程研究中心,北京,100083) 摘 要 花青素是一种存在于自然界的水溶性多酚类化合物,现已发现其具有多种功能。有关花青素的提取、分离和纯化研究报道很多,文中就近年来国内外相关方面的研究进展进行了分析。关键词 花青素,提取,分离,纯化 花青素(ant hocyanins )又称花色素,存在于植物中的水溶性天然色素,多以糖苷的形式存在,也称花色苷。最早而最丰富的花青素是从红葡萄渣中提取的葡萄皮红,它于1879年在意大利上市。花青素的结构母核是22苯基苯并吡喃阳离子,属于类黄酮化合物。自然界已知的花青素有22大类,食品中重要的有6类,即矢车菊色素(cyanindin ,Cy )、天竺葵色素(pelargonidin ,Pg )、飞燕草色素(delp hin 2 (peonidin ,Pn )、牵牛色素(pet u 2,Pt )和锦葵色素(malvidin ,Mv )[1],其结构如图1所示。它们在植物可食部分的分布比例分别为50%、12%、12%、12%、7%和7%。花青素广泛存在 于开花植物(被子植物)的花、果实、茎、叶、根器官的 细胞液中,分布于27个科,72个属的植物中[2]。其中尤以葡萄皮、阿龙尼亚苦味果、黑醋栗、草莓、树莓、越橘等含量最为丰富 。 图1 食品中几种重要的花青素结构 第一作者:博士研究生(廖小军教授为通讯作者)。 3国家自然科学基金项目(30771511),国家“十一五”支撑计划(2006BAD27B03),国家863计划(2007AA100405)资助 收稿日期:2008-04-24,改回日期:2008-06-13 自然条件下游离的花青素极少见,常与一个或多 个葡萄糖(gluco se )、鼠李糖(rhamnose )、半乳糖(ga 2lactose )、木糖(xylo se )、阿拉伯糖(arabinose )等通过 糖苷键连接形成花青素,花青素中的糖苷基和羟基还可以与一个或几个分子的香豆酸、阿魏酸、咖啡酸、对羟基苯甲酸等芳香酸和脂肪酸通过酯键形成酰基化的花青素[1]。 目前国内外有关花青素的研究主要集中在花青 素资源分布的评价与资源库的建立、花青素的定性与定量方法学研究、花青素的生理活性与功能研究、花青素的高效提取与绿色分离技术研究、花青素的结构稳定性与分子降解机制研究、花青素的应用与产品开发研究6个方面,这些内容的深入研究有利于进一步合理利用与开发自然界中丰富的花青素资源。本文重点就近年来国内外学者对花青素提取、分离和纯化方法的最新研究进行了分析总结 。
图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效
物质分离提纯方法总结 导读：分离提纯是指将混合物中的杂质分离出来以此提高其纯度。分离提纯作为一种重要的化学方法，为大家分享了物质分离提纯方法，一起来看看吧！ 一、结晶和重结晶 溶质从溶液中析出的过程（即晶体在溶液中形成的过程）称为结晶。而重结晶是指将晶体溶于溶剂（或熔融）以后，又重新从溶液（或熔体）中结晶的过程，又称再结晶。 重结晶主要针对固态晶体物质的分离提纯，效果与溶剂选择大有关系。溶剂最好满足以下任一条件： （1）、对主要化合物是可溶性的，对杂质是微溶或不溶的溶剂。滤去杂质后，将溶液浓缩、冷却结晶，即得较纯的物质。 （2）、物质的溶解度在该溶剂中受温度影响较为显著。 中学阶段最常见的实例是KNO3和NaCl的混合物。对于该混合物的分离，主要是利用它们在同一种溶剂中的溶解度随温度的变化差别很大。则可在较高温度下将混合物溶液蒸发、浓缩，首先析出的是溶解度升高不大的NaCl晶体，除去NaCl以后的母液再浓缩和冷却后，可得较纯KNO3。另一个实际例子就是选修5第一章提到的苯甲酸的重结晶实验。重结晶往往需要进行多次，才能获得较好的纯化效果。 二、蒸馏法 蒸馏是利用混合液体或液-固体系中各组分沸点不同，使低沸点
组分蒸发，再冷凝以分离整个组分的操作过程，是蒸发和冷凝两种单元操作的联合。与其它的分离手段，它的优点在于不需使用系统组分以外的其它溶剂,从而保证不会引入新的杂质。蒸馏是分离和提纯液态化合物常用的方法之一，是重要的基本操作。但蒸馏主要针对组分沸点相差大于30℃以上时，才有理想的分离效果。对于组分沸点相差不大的混合体系则采用分馏。而分馏装置由于要使用分馏柱，高中并不常见，故高中实际教学中很少提及。一个变通的思路，是“固定组分蒸馏法”。比如，乙醇-水混合物，单纯用蒸馏分离效果很不理想，可以先加入生石灰与水反应，将水“固定”住，然后蒸馏，可以得到较纯的乙醇。 三、萃取法 萃取是利用溶质在互不相溶的溶剂里溶解度的不同，用一种溶剂把溶质从另一溶剂所组成的溶液里提取出来的操作方法。萃取分离物质时，必须用分液漏斗。萃取的`关键是找到一个合适的萃取剂，被萃取的物质在两个溶剂中的溶解度差距越大，则萃取的效果就越好。萃取法在化工制药等领域属于常用手段，但高中阶段常见的是利用有机溶剂萃取水溶液中的物质，比如利用CCl4萃取碘水中的碘。萃取完得到的CCl4-I2混合体系，可以采用蒸馏的方法进行分离，从而得到较纯的碘单质。 四、升华法 某些物质固态时就有较高的蒸气压，因此受热后不经熔化就可直
一、研究背景及意义 语音信号的分离近年来成为信号处理领域的一个研究热点，它在电话会议、助听器及便携设备、机器的语音识别方面有很多的应用与影响。而语音信号常使用盲信号处理的方法分离。 盲信号处理(Blind Source Processing)作为一种新兴的信号处理方法，逐步发展并得到了越来越多的关注。盲信号处理与现代信号处理朝向非平稳、非高斯、非线性的发展方向相吻合，有利于复杂信号的分析以及处理，其研究对象主要为非高斯信号。它在传统信号处理方法的基础上结合了信息论、统计学和人工神经网络的相关思想。如图1所示，所谓的“盲分离”是指在没有关于源信号本身以及传输信道的知识，对数据及系统参数没有太多先验知识的假设的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。它能适用于更广泛的环境，为许多受限于传统信号处理方法的实际问题提供了崭新的思路。 图1 盲分离的概念 在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合，如通信信号、图像、生物医学信号、雷达信号等等。例如经典的“鸡尾酒会”问题，在一个充满宾客的宴会厅里，我们每个人都会听到来自不同地方的声音，如音乐，歌声及说话声等，正常的人类拥有在这种嘈杂环境下捕捉到所感兴趣的语音的能力。可以看到，盲信号处理同传统信号处理方法最大的不同就在于用它致力于用最少的信息得到理想的处理结果。
盲信号分离可以有不同的分类方法。 根据所处理信号的不同，可以分为声纳信号盲分离，雷达信号盲分离，通信信号盲分离，语音信号盲分离，脑电信号盲分离等。 根据盲处理领域的不同，可以分为时域盲分离和频域盲分离。 根据传输信道的情况，可以分为无噪声，有加性噪声，有乘性噪声等。 根据源信号在传输信道中被混合方式的不同，可以分为瞬时混合，卷积混合，非线性混合等。 根据源信号和观测信号数目的不同，可以分为正定盲分离，欠定盲分离，过定盲分离等。 本文研究的主要内容是正定不含噪的卷积混合语音信号的频域盲分离 方法。 总的来说，盲信号分离是一种仅利用观测到的混合信号来估计源信号的方法，它是以独立分量分析(Independent Component Analysis,ICA)为理论基础的。与传统信号处理方法如FIR 滤波，小波分析等不同的是，它不要求有关于源信号本身以及信号传输通道的知识。受益于这种“盲”的条件，盲信号分离对多个领域有很大的促进作用，特别是它在声纳、雷达、通信、语音、图像等方面的应用对军事，国防科技的发展起着非常重要的作用。近十多年来，各国学者在盲信号分离领域展开了深入的研究，有了一系列的成果。本课题就是在这样的背景下对语音信号进行盲分离的研究，以探索新的算法，新的应用。 二、研究的基本内容，拟解决的主要问题 1.研究的基本内容 本课题详细研究语音分离的基本理论，重点研究卷积混合频域解法模型框架下的语音信号分离算法。 基于时域实值瞬时混合模型的盲分离算法已经研究的比较充分，但是在语音信号在现实中往往是卷积混合，而且在频域分离方法中信号是复值的，本文将研究利用复值信号特征的瞬时混合盲分离算法，对不同的复数域盲分
实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期
050100150200250 图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取
%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量，用于控制循环次数 i=0; %迭代，初始值i=0 while~done %while ~done 是循环条件，~ 是“非”的意思，此 处done = 0; 说明是无限循环，循环体里面应该还 有循环退出条件，否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环， 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏，每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰 度变化不超过1，则稳定；5.输出迭代结果。
盲源分离欠定问题欠定问题的研究与应用盲源分离(Blind Source Separation,BSS)技术,越来越成为信号处理领域中的重点关注问题。“盲源分离”这一概念的最初提出,主旨是为了解决某系统在源信号及信号个数未知、混合矩阵未知而只有观测号已知的情况下,对源信号进行恢复。 本文主要研究的是欠定盲源分离问题,即观测信号数目小于源信号数目的情况。基于稀疏分量分析(Sparse Component Analysis,SCA)法,分两个阶段讨论了混合矩阵和源信号的估计,并分别提出了估计混合矩阵和恢复源信号的新方法。 本文主要内容包括:讨论了基于SCA的“两步法”。在混合矩阵的估计阶段,研究了三类估计方法,分别是k均值算法、霍夫变换发及势函数法;对各算法的原理进行了分析,并通过仿真实验实现各算法,并验证了算法的有效性。 在源信号估计阶段,主要研究了目前最常用的最短路径法。提出了一种基于蚂蚁觅食原理的改进蚁群聚类算法估计混合矩阵,并利用网格密度法对聚类中心进行进一步修正。 首先利用源信号的稀疏性,对观测信号进行标准化处理形成球状堆;再利用观测信号之间的欧氏距离确定初始信息素矩阵,得出初始聚类中心;然后按照传统蚁群聚类法对数据进行聚类;接着利用网格密度法提取出每一类密度最大的网格,将该网格的中心作为该类聚类中心;最后输出每个聚类中心作为混合矩阵各列向量。提出了一种基于加权的最小l1范数法对源信号进行恢复,相较于传统l1范数法的寻找一组最优解,改进的范数法将其他可能的分解项按照权值进行相加,从而使恢复出的信号更加接近源信号向量。 当有两路观测信号时,按照分解项与观测信号的角度差大小作为加权值;当
毕业设计开题报告基于灰度图像的阈值分割改进方法 系别： 班级： 学生姓名： 指导教师： 2011 年 11 月22日
毕业设计开题报告 附页：
基于灰度图像的阈值分割改进方法 一、研究的目的 通常人们只对图像的某个部位感兴趣，为了能够把感兴趣的部分提取出来，就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像分析和理解。图像增强就是突出人们感兴趣有用的部分，或者是改善图像的质量，使它尽可能的逼近原图像。本论文分析了传统的灰度阈值图像分割，即双峰法、迭代法和最大类间方差法在细节部分分割上的缺点，然后，结合图像增强中的微分梯度，对原有图像的细节进行锐化增强，然后在使用这三种方法进行分割，得到的分割结果和传统的分割方法得到的结果进行比较，该算法确实达到了改善分割后图像细节的效果。 本算法在matlab2008环境下进行了实现，实验结果表明，与传统的阈值分割方法相比，本文算法不仅克服了传统阈值分割方法的不足，而且还对复杂灰度图像的细节部分具有较好的分割效果，为图像分割方法的改进提供了技术支持。 二、研究背景与意义 数字图像处理的基础是图像分割，图像分割同时也是进行计算机自动识别和人工智能的桥梁，长期以来图像分割一直都是数字图像处理领域的一个经典难题。经典的图像分割算法，诸如：直方图分割与阈值分割的方法具有实现简单、计算量小、性能较稳定等特点。通常，它们是利用图像的灰度直方图的分布特征,找出灰度直方图分布的两波峰之间的波谷，选定恰当的阈值将图像分割开，然而这种分割方法依赖于图像灰度的分布，对灰度分布不呈双峰特征或复杂背景的图像,这种方法往往会造成错误，并且有些细节不能很好的显示出来。 所以论文提出了一种改进方法—图像增强的分割改进方法，通过图像增强中的微分梯度，对原有图像的细节进行锐化增强，从而达到改善分割后图像细节的效果。这对我们使用灰度阈值分割方法分割图像提供了技术支持，并且能很好地克服灰度阈值分割方法的缺点。 三.基于灰度图像的阈值分割方法 阈值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上的差异，选择一个合适的阈值，通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点属于目标区还是应该属于背景区域，从而产生二值图像。
总结归纳本课程介绍的可用于物质分离纯化的方法，并说出每种方法的原理。 萃取分离法 溶剂萃取法原理： 利用物质在两种互不相溶的液相中分配特性不同而进行的分离 设法使一种溶解于液相的物质传递到另一液相的操作 pH影响分配系数-表观分配系数 双水相萃取原理：利用生物物质在互不相溶的两水相间分配系数的差异进行分离的过程 反胶束萃取原理：表面活性剂溶于非极性溶剂中，并使其浓度超过临界胶束浓度，便会在有机溶剂内形成聚集体，非极性基团在外，极性基团则排列在内，形成一个极性核，此极性核具有溶解极性物质的能力。当含有此种反胶束的有机溶剂与蛋白质的水溶液接触后，蛋白质及其他亲水性物质能够溶于极性核内部的水中，由于周围的水层和极性基团的保护，蛋白质不与有机溶剂接触，从而不会造成失活。 超临界萃取原理：当气体物质处于其临界温度(Tc)和临界压力(Pc)以上时，不会凝缩为液体，只是密度增大，具有许多特殊的物理化学性质：流体的密度接近于液体的密度,粘度接近于气体；在临界点附近,超临界流体的溶解度对温度和压力的变化非常敏感； 固相析出分离法 盐析法原理： 盐析法是利用各种生物分子在浓盐溶液中溶解度的差异，通过向溶液中引入一定数量的中性盐，使目的物或杂蛋白以沉淀析出，达到纯化目的的方法。 破坏双电层：在高盐溶液中，带大量电荷的盐离子能中和蛋白质表面的电荷，使蛋白质分子之间电排斥作用相互减弱而能相互聚集起来。 破坏水化层：中性盐的亲水性比蛋白质大，盐离子在水中发生水化而使蛋白质脱去了水化膜，暴露出疏水区域，由于疏水区域的相互作用，使其沉淀。 有机溶剂沉淀法原理： 1、降低了介质的介电常数，使溶质分子之间的静电引力增加，聚集形成沉淀。 2、水溶性有机溶剂本身的水合作用降低了自由水的浓度，压缩了亲水溶质分子表面原有水化层的厚度，降低了它的亲水性，导致脱水凝集。 等电点沉淀法原理： Pl时分子表面静电荷未零，双电层及水化膜的削弱或破坏，分子间引力增加，溶解度降低。常与盐析法、有机溶剂沉淀法或其他沉淀剂一起配合使用。主要：去除杂蛋白，而不用于沉淀目的物。 成盐沉淀法原理： 1.金属离子沉淀 所用的金属离子，包括Mn2+、Fe2+、Co2+、Ni2+、Zn2+、Ca2+、Ba2+、Mg2+等。 蛋白质和酶分子中因为含有羟基、氨基、咪唑基和硫氢基等，均可以和上述金属离子作用形成盐复合物。 分离沉淀→复合物分解→除金属离子（离子交换或金属螯合剂EDTA） 2.有机酸类复合盐 含氮有机酸如苦味酸、苦桐酸和鞣酸等能够与有机分子的碱性功能团形成复合物而沉析出。工业上用此法制备蛋白质时，需采取较温和的条件，有时还加入一定的稳定剂，以防止蛋白质变性。 亲和沉淀法原理：
实用文档 文案大全天然药物化学提取分离总结 第一章总论 提取分离的基础，必须看PPT。 第二章糖和苷 特性： 红色字体为PPT上的标注。 蓝色字体为根据总论得出。 得到原生苷方法：采集原料时速加热干燥或冷冻保存然后热水提取或者醇提取（抑制酶解） 得到次生苷、苷元方法：水提取，让酶水解糖苷，而且降低极性，便于分离（皂苷、强心苷） PPT例子： 【一】溶剂抽提法（溶解度） 目的：1、去杂质（多为油脂类）2、分离苷元、单糖苷或少糖苷、“多糖”苷。 流程： 实用文档 文案大全 【二】溶剂沉淀法（溶解度） 目的：分离多糖（分量子不同且溶解性不同的各类多糖）
实用文档 文案大全 【三】水提醇沉法（乙醇分级沉淀）多糖中常有蛋白质杂质
实用文档 文案大全 【四】季铵氢氧化物沉淀法（碱试剂沉淀法）目的：分离酸性、中性多糖
实用文档 文案大全 【五】离子交换法（解离度） 目的：1、去杂质（可解离杂质：酸碱盐）2、分离糖类 【六】凝胶层析法（分子量） 目的：1、去杂质，无机盐及小分子化合物（进入凝胶内部）2、分离糖、苷
实用文档 文案大全 第三章苯丙素类 【一】苯丙酸的提取： 根据苯丙酸类成分的极性和溶解性，采用有机溶剂或水提取 分离：苯丙酸类及其衍生物大多具有一定水溶性，常与其它一些酚酸、鞣质、黄酮苷等混在一起，采用大孔树脂、聚酰胺、硅胶等分离 【二】香豆素类的提取 1、系统溶剂提取法：
实用文档 文案大全一般可用甲醇或乙醇从植物中提取，回收溶剂的浸膏，然后用石油醚、乙醚、乙酸乙酯、丙酮和甲醇依次萃取，分成极性不同的部位。 例： 2、水蒸气法蒸馏法： 某些小分子的香豆素类具挥发性，可用蒸馏法与不挥发性成分分离，常用于纯化过程。 3、碱溶酸沉法： 原理： 1.具酚羟基的香豆素类溶于碱液加酸后可析出。 2.香豆素的内酯环性质，在碱液中皂化成盐而加酸后恢复成内酯析出。
盲源分离技术在通信侦察系统中的应用 摘要: 针对如何快速、准确地对无线电通信信号进行截获、分离和识别是现代通信侦察的瓶颈, 盲源分离对于解决这些难题具有独特的优势。给出了基于盲源分离的无线电通信侦察系统模型，从DoA估计和调制样式识别两方面讨论了盲源分离技术在该领域的应用情况。通过具体的仿真实验，证明了盲源分离应用于通信侦察的正确性和可行性。 关键词: 盲源分离；无线电侦察；DoA估计；调制识别 Application of blind source separation in radio surveillance Abstract:How to acquire ,separate and identify the radio communication signals quickly and exactly is abottleneck of modern radio surveillance , and blind source separation (BSS) is suitable for dealing with theseproblems. The model of the radio surveillance system based on BSS is presented , and two novel applications arediscussed, i. e. the direction- of- arrival (DoA) estimation and modulation identification. Simulation result s showthat the BSS solution in radio surveillance is valid and feasible. Key words:blind source separation ; radio surveillance ; direction- of- arrival estimation ; modulation identification 引言 现代战场通信信号环境日益复杂 , 如何有效地对信号进行快速、准确地截获、分离和识别 , 是现代通信侦察的一大瓶颈问题。主要表现在 : 信号分析时 , 难以对时域或频域重叠在一起的信号进行分析 , 如何对混叠的信号进行有效分离 ; 信号测向时 ,传统的测向方法精度不高 , 而一些超分辨率方法计算量过大 ,如何提高测向的速度和精度 ; 信号识别时 , 特征参数受环境影响较大 , 如何消除噪声的影响 , 采用最简单的方法来达到最理想的分类识别效果。这些问题的存在 , 一直束缚着通信侦察装备的发展。 近年来 ,盲信号处理技术在信号处理领域受到了广泛关注 , 根据其应用领域的不同 , 又可分为盲源分离、盲反卷积和盲均衡等技术。其中盲源分离
Ica盲源分离Matlab程序 close all; clear all; i4=imread('1.jpg'); i5=imread('2.jpg'); i6=imread('2.png'); i1=rgb2gray(i4); i2=rgb2gray(i5); i3=rgb2gray(i6); s1=reshape(i1,[1,256*256]); s2=reshape(i2,[1,256*256]); s3=reshape(i3,[1,256*256]); s=[s1;s2;s3];sig=double(s); aorig=rand(size(sig,1)); mixedsig=aorig*sig; ms1=reshape(mixedsig(1,:),[256,256]); ms2=reshape(mixedsig(2,:),[256,256]); ms3=reshape(mixedsig(3,:),[256,256]); figure; subplot(331),imshow(i1),subplot(332),imshow(i2),subplot(333),imshow(i3); subplot(334),imshow(uint8(ms1)),subplot(335),imshow(uint8(ms2)),subplot(336),i mshow(uint8(ms3)); % mixedsig=zeros(size(mixedsig)); meanValue=mean(mixedsig')'; mixedsig=mixedsig-meanValue*ones(1,size(mixedsig,2)); covarianceMatrix=cov(mixedsig',1); [E,D]=eig(covarianceMatrix); eigenvalues=flipud(sort(diag(D))); whiteningMatrix=inv(sqrt(D))*E'; dewhiteningMatrix=E*sqrt(D); whitesig=whiteningMatrix*mixedsig; X=whitesig; [vectorSize,numSamples]=size(X); B=zeros(vectorSize); numOFIC=vectorSize; for r=1:numOFIC i=1;maxNumIterations=100; w=rand(vectorSize,1)-.5; w=w/norm(w); while i<=maxNumIterations+1
PHA提取纯化工艺总结 一、破壁之前的预处理 溶剂与方法： 化学试剂预处理 目的：降低细胞壁强度从而减少操作压力或通道数。 （Harrison等研究表明PH和温度是影响细胞破碎的主要因素，分子量的降解与温度和时间有关，与PH无关。短时间碱性PH休克可显著弱化细胞壁强度而不会损伤多聚物，提高预处理的碱性可增加高压均质前后蛋白质和DNA的释放。） 高压均质：高压均质机也称“高压流体纳米匀质机”，它可以使悬浮液状态的物料在超高压（最高可达60000psi）作用下，高速流过具有特殊内部结构的容腔（高压均质腔），使物料发生物理、化学、结构性质等一系列变化，最终达到均质的效果。 均质：均质也称匀浆，是使悬浮液(或乳化液)体系中的分散物微粒化、均匀化的处理过程，这种处理同时起降低分散物尺度和提高分散物分布均匀性的作用。 碱性PH休克： ⑴碱性PH10.5休克预处理革兰氏阴性菌然后高压均质，能使可溶蛋白释 放提高37.5%。 ⑵使用阴离子表面活性剂处理（1%SDS，70摄氏度，20分钟）后经高压电 均质只需要34.5MPa的压力，单通道即能释放出全部的DNA，显著降低了均质的操作压力和通道数。 ⑶单价阳离子钠离子和钾离子能增强细菌的热损伤，发酵液里加入 8kg/m3(0.137mol/L)的NaCL在60摄氏度保温60分钟可导致20%可溶蛋白释放，随后单通道64.8MPa高压均质可使94%的可溶蛋白和66%的DNA释放，对照组为67%和28%。 ⑷加入EDTA和溶菌酶。 优点：快速易控，均质破碎效果更理想。 二、破坏细胞壁 1.高压均质法 缺点：需要高能量和足够的冷却能力以防止产物过热和细胞颗粒微化 2.SDS（PH=10，菌体干重浓度为10g/L） （原理：表面活性剂分子能插入到细胞膜的双层脂质体中，表面活性 剂浓度越大，插入到细胞膜中的分子越多，膜体积也被撑得越来越大， 达到饱和后，再加入活性剂，就会导致细胞膜破裂，胞内物释放，活 性剂和磷脂形成微团，PHA颗粒被包裹在肽聚糖中；此外，SDS能使 蛋白质变性也有助于细胞破裂） 3.另一表面活性剂Triton X-100
盲源分离算法初步研究 一、盲源分离基本问题 1.概念 BSS 信号盲分离，是指从若干观测到的混合信号中恢复出未知的源信号的方法。典型的观测到的混合信号是一系列传感器的输出，而每一个传感器输出的是一系列源信号经过不同程度的混合之后的信号。其中，“盲”有两方面的含义：（1）源信号是未知的；（2）混合方式也是未知的。 根据不同的分类标准，信号盲分离问题可以分成以下几类： （1）从混合通道的个数上分，信号的盲分离可以分为多通道信号分离和单通道信号分离。单通道信号分离是指多路源信号混合后只得到一路混合信号，设法从这一路混合信号中分离出多个源信号的问题就是单通道信号分离。多通道信号分离是M 个源信号混合后得到N 路混合信号（通常N ≥M ）。从N 路混合信号中恢复出M 个源信号的问题即为多通道信号分离。一般情况下，单通道信号分离的难度要超过多通道信号分离。 （2）从源信号的混合方式上分，可将信号盲分离问题分为瞬时混合和卷积混合、线性混合和非线性混合等不同种类。在目前信号盲分离的研究文章中，所建模型大部分为瞬时混合。但是，作为更接近实际情况的卷积混合方式正受到越来越多的关注。 （3）根据源信号的种类，也可将信号盲分离分为多类。在通常的处理方法上，根据不同种类信号的特点，也有一些独特的处理技术。 2.盲分离问题的描述 BSS 是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题就是一个典型的例子。在某个场所，多个人正在高声交谈。我们用多个麦克风来接受这些人说话的声音信号。每个人说话的声音是源信号，麦克风阵列的输出是观测信号。由于每个麦克风距离各个说话者的相对方位不同，它们接受到的也是这些人的声音信号以不同方式的混合。盲信号分离此时的任务是从麦克风阵列的输出信号中估计出每个人各自说话的声音信号，即源信号。如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。但是在更多的情况下，人们无法获取有关混合系统的先验知识，这就要求人们从观测信号来推断这个混合矩阵，实现盲源分离。 3.混合模型 信号的混合模型包含两个方面的内容：（1）源信号的统计特征；（2）源信号的混合方式。 3.1源信号的统计特征 已有的研究表明如果加上源信号间相互独立的限制条件，就可以有效地补偿对以上先验知识的缺乏。如果用q i 表示第i 个分量的概率密度函数，则这种统计独立性可以表示为： 11221()()...()()n n n i i i q s q s q s q s ==???=∏q(s) 其中q(s)是s 的联合概率密度函数。 3.2源信号的混合方式 最简单的混合模型假定各个分量是线性叠加混合在一起而形成观测信号的。基于这样的假设，我们可以把观测信号和源信号用矩阵的方式表示为： ()()t t =x Hs 式中H 是n ×n 阶的混合矩阵。基于该模型，盲信号分离()()t t =x Hs 的目标可以表
盲源分离问题综述 摘要：盲源分离，是从观测到的混合信号中恢复不可观测的源信号的问题。作为阵列信号处理的一种新技术，近几年来受到广泛关注。本文主要阐述了盲源分离问题的数学模型、典型算法以及盲源分离的应用，并结合盲源分离问题的研究现状，分析了其未来的发展方向。主题词：盲源分离;盲源分离的典型算法 1. 引言 盲信号分离问题起源于人们对“鸡尾酒会”问题的研究。在某个聚会上，我们正在相互交谈，同一时刻同一场景下其他人的交谈也在同时进行着，可能还有乐队的音乐伴奏，这时整个会场上是一片嘈杂。但是非常奇妙的是，作为交谈对象的双方，我们能够在这混乱的众多声音中很清晰的听到对方的话语，当然，如果我们偶尔走神，将精力放在乐队奏出的音乐时，我们也同样可以听清楚音乐的主旋律。这种可以从由许多声音所构成的混合声音中选取自己需要的声音而忽视其他声音的现象就是鸡尾酒会效应。如何在这种从观察到的混合信号中分离出源信号的问题就是所谓的盲分离（Blind Signal Separation, BSS）问题，有时也被称为盲源分离（Blind Source Separation）问题。1986年，法国学者Jeanny Herault和Christian Jutten提出了递归神经网络模型和基于Hebb学习律的学习算法，以实现两个独立源信号混合的分离，这一篇开创性论文的发表使盲源分离问题的研究有了实质性的进展。随着数字信号处理理论和技术的发展以及相关学科的不断深入,大量有效的盲分离算法不断被提出,使盲分离问题逐渐成为当今信息处理领域中最热门的研究课题之一,在无线通信、图象处理、地震信号处理、阵列信号处理和生物医学信号处理等领域得到了广泛的应用。 2. 盲源分离问题的数学模型 盲源分离是指在不知道源信号和信道传输参数的情况下,根据输入信号的统计特性,仅由观测信号恢复出源信号各个独立成分的过程。盲源分离研究的信号模型主要有三种:线性混合模型、卷积混合模型和非线性混合模型。 2.1 线性混合模型 线性混合模型在神经网络、信号处理等研究中常常用到,其数学模型描述为: S1(t)，S2(t)…S n(t)是一个随机的时间序列，用m个话筒表示接收到的混合信号，用X1(t)，X2(t)…X m(t)来表示。它们有如下关系： { X1(t)=a11S1(t)+?+a1n S n(t) … X m(t)=a m1S1(t)+?+a mn S n(t) 其中{a ij}是未知的混合系数，在线性瞬时混合中，一般假定{a ij}是未知的常数矩阵。盲源分离需要解决的问题就是如何从接收到的观察信号中估计出源信号S1(t)，S2(t)…S n(t)和混合矩阵的过程。实际上式还应该存在一个干扰存项，如果考虑到噪声的存在，那么上式可以
物质分离提纯方法总结归纳 分离提纯是指将混合物中的杂质分离出来以此提高其纯度。分离提纯作为一种重要的化学方法，为大家分享了物质分离提纯方法，一起来看看吧！ 一、结晶和重结晶 溶质从溶液中析出的过程（即晶体在溶液中形成的过程）称为结晶。而重结晶是指将晶体溶于溶剂（或熔融）以后，又重新从溶液（或熔体）中结晶的过程，又称再结晶。 重结晶主要针对固态晶体物质的分离提纯，效果与溶剂选择大有关系。溶剂最好满足以下任一条件： （1）、对主要化合物是可溶性的，对杂质是微溶或不溶的溶剂。滤去杂质后，将溶液浓缩、冷却结晶，即得较纯的物质。 （2）、物质的溶解度在该溶剂中受温度影响较为显著。 中学阶段最常见的实例是KNO3和NaCl的混合物。对于该混合物的分离，主要是利用它们在同一种溶剂中的溶解度随温度的变化差别很大。则可在较高温度下将混合物溶液蒸发、浓缩，首先析出的是溶解度升高不大的NaCl晶体，除去NaCl以后的母液再浓缩和冷却后，可得较纯KNO3。另一个实际例子就是选修5第一章提到的苯甲酸的重结晶实验。重结晶往往需要进行多次，才能获得较好的纯化效果。 二、蒸馏法 蒸馏是利用混合液体或液-固体系中各组分沸点不同，使低沸点
组分蒸发，再冷凝以分离整个组分的操作过程，是蒸发和冷凝两种单元操作的联合。与其它的分离手段，它的优点在于不需使用系统组分以外的其它溶剂,从而保证不会引入新的杂质。蒸馏是分离和提纯液态化合物常用的方法之一，是重要的基本操作。但蒸馏主要针对组分沸点相差大于30℃以上时，才有理想的分离效果。对于组分沸点相差不大的混合体系则采用分馏。而分馏装置由于要使用分馏柱，高中并不常见，故高中实际教学中很少提及。一个变通的思路，是“固定组分蒸馏法”。比如，乙醇-水混合物，单纯用蒸馏分离效果很不理想，可以先加入生石灰与水反应，将水“固定”住，然后蒸馏，可以得到较纯的乙醇。 三、萃取法 萃取是利用溶质在互不相溶的溶剂里溶解度的不同，用一种溶剂把溶质从另一溶剂所组成的溶液里提取出来的操作方法。萃取分离物质时，必须用分液漏斗。萃取的关键是找到一个合适的萃取剂，被萃取的物质在两个溶剂中的溶解度差距越大，则萃取的效果就越好。萃取法在化工制药等领域属于常用手段，但高中阶段常见的是利用有机溶剂萃取水溶液中的物质，比如利用CCl4萃取碘水中的碘。萃取完得到的CCl4-I2混合体系，可以采用蒸馏的方法进行分离，从而得到较纯的碘单质。 四、升华法 某些物质固态时就有较高的蒸气压，因此受热后不经熔化就可直接变为蒸气，冷凝时又变成固态的现象称为升华。常见可升华物质有
中药有效成分的分离和纯化 2007-03-07 16:52:27 来源：未知评论：0 点击：4 （一）溶剂分离法：一般是将总提取物，选用三、四种不同极性的溶剂，由低极性到 高极性分步进行提取分离。水浸膏或乙醇浸膏常常为胶伏物，难以均匀分散在低极性 溶剂中，故不能提取完全，可拌人适量惰性填充剂，如硅藻土或纤维粉等，然后低温 或自然干燥，粉碎后，再以选用溶剂依次提取，使总提取物中各组成成分，依其在不 同极性溶剂中溶解度的差异而得到分离。例如粉防己乙醇浸膏，碱化后可利用乙醚溶 出脂溶性生物碱，再以冷苯处理溶出粉防己碱，与其结构类似的防己诺林碱比前者少 一甲基而有一酚羟基，不溶于冷苯而得以分离。利用中草药化学成分，在不同极性溶 剂中的溶解度进行分离纯化，是最常用的方法。 广而言之，自中草药提取溶液中加入另一种溶剂，析出其中某种或某些成分，或 析出其杂质，也是一种溶剂分离的方法。中草药的水提液中常含有树胶、粘液质、蛋 白质、糊化淀粉等，可以加入一定量的乙醇，使这些不溶于乙醇的成分自溶液中沉淀 析出，而达到与其它成分分离的目的。例如自中草药提取液中除去这些杂质，或自白 及水提取液中获得白及胶，可采用加乙醇沉淀法；自新鲜括楼根汁中制取天花粉素， 可滴人丙酮使分次沉淀析出。目前，提取多糖及多肽类化合物，多采用水溶解、浓缩、加乙醇或丙酮析出的办法。 此外，也可利用其某些成分能在酸或碱中溶解，又在加碱或加酸变更溶液的pH后，成不溶物而析出以达到分离。例如内酯类化合物不溶于水，但遇碱开环生成羧酸盐溶 于水，再加酸酸化，又重新形成内酯环从溶液中析出，从而与其它杂质分离；生物碱 一般不溶于水，遇酸生成生物碱盐而溶于水，再加碱碱化，又重新生成游离生物碱。 这些化合物可以利用与水不相混溶的有机溶剂进行萃取分离。一般中草药总提取物用 酸水、碱水先后处理，可以分为三部分：溶于酸水的为碱性成分（如生物碱），溶于 碱水的为酸性成分（如有机酸），酸、碱均不溶的为中性成分（如甾醇）。还可利用 不同酸、碱度进一步分离，如酸性化台物可以分为强酸性、弱酸性和酷热酚性三种， 它们分别溶于碳酸氢钠、碳酸钠和氢氧化钠，借此可进行分离。有些总生物碱，如长 春花生物碱、石蒜生物碱，可利用不同rH值进行分离。但有些特殊情况，如酚性生物碱紫董定碱（corydine）在氢氧化钠溶液中仍能为乙醚抽出，蝙蝠葛碱（dauricins）在乙醚溶液中能为氢氧化钠溶液抽出，而溶于氯仿溶液中则不能被氢氧化钠溶液抽出； 有些生物碱的盐类，如四氢掌叶防己碱盐酸盐在水溶液中仍能为氯仿抽出。这些性质 均有助于各化合物的分离纯化。 （二）两相溶剂萃取法：
西安邮电大学 毕业设计(论文)开题报告自动化学院专业级02班 课题名称：基于SUSAN算子的图像分割 学生姓名：学号： 指导教师： 报告日期： 2014年3月21日
1．本课题所涉及的问题及应用现状综述 图像分割就是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程。它是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中首要的、重要的关键步骤。图像分割的目的在于根据某些特征（如灰度级、频谱、纹理等）将一幅图像分成若干有意义的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，如：工业自动化、在线产品检验、生产过程控制、文档图像处理、图像编码、遥感和生物医学图像分析、保安监视，以及军事、体育、农业工程等方面。在各种图像应用中，只需对图像目标行提取、测量等都离不开图像分割。虽然人们对图像分割已经进行了大量的研究，但还没一种适合于所有图像的通用的分割算法。所以，图像分割一直以来都是图像技术中的研究热点。 图像边缘是是图像的最基本的特征之一, 边缘是由灰度的不连续性所反映的，有方向和幅度两个特性。边缘中包含着有价值的目标边界信息, 这些信息可以用作图像分析、目标识别。边缘检测基本思想是先检测图像中的边缘点, 在按照某种策略将边缘点连接成轮廓,构成分割域。SUSAN算子是一种基于灰度的特征点获取方法, 适用于图像中边缘和角点的检测, 可以去除图像中的噪声, 它具有简单、有效、抗噪声能力强、计算速度快的特点。SUSAN 算子的模板与常规卷积算法的正方形模板不同, 它采用一种近似圆形的模板, 用圆形模板在图像上移动, 模板内部每个图像像素点的灰度值都和模板中心像素的灰度值作比较, 若模板内某个像素的灰度与模板中心像素(核)灰度的差值小于一定值, 则认为该点与核具有相同(或相近)的灰度。 本课题对基于SUSAN算子的图像分割进行研究，并进行仿真验证。