毕业设计（论文）数字图象处理技术.doc

摘要近年来，数字图象处理技术在焊接系统中获得了广泛的应用。比如在焊缝的自动跟踪研究、焊缝的识别技术研究等。焊接过程中由于存在很强的弧光、飞溅等噪声的干扰，所以在实际的工业应用中所获得的焊接图象并不清晰。如何在采集的图象的“质量”有限的情况下，通过数字图象处理的技术获得我们所需要的图象信息，正是这篇论文所要谈及的问题。焊接过程的自动化作为焊接科学的新的发展方向，在工业发展中的作用日益突出。在焊接过程中除了电压、电流等参量需要来准确控制和细致的进行研究外，焊接过程中采集的图象也包含了很多焊接控制所需要的参数。怎样利用机器视觉技术来提高焊接的控制的水平和进行焊缝质量的检测都是图象处理中需要解决的问题。随着目前图象处理算法的成熟，使得图象处理技术具备了应用到实际焊接过程自动化的条件。通过对焊缝区原始图象采取图象的增强、平滑、图象的滤波和边缘增强等技术得到噪声很小的焊缝区图象。再对图象进行处理边缘检测就可以得到边界十分清晰的焊缝区图象，这为以后的焊接定位和焊接过程的控制提供了重要的控制参量。论文中主要的讨论了从图象的预处理、图象增强、边缘信息提取等一系列相关的算法，并在试验中通过各种算法的性能的比较，发现了适合焊缝跟踪要求的图象处理技术。期间开发完成的图象处理软件也是作为一个焊接试验中有关图象处理的试验平台，为以后进一步的改进和实现新的算法提供了一个良好的开发和调试环境。在实现图象处理基本算法的基础上，我们还针对焊缝图想的噪声大、灰度直方图的分布不平滑等特点，对图象处理算法做了优化，以便更加准确的来提取焊缝的信息。针对在焊接过程中所采集的图象多为灰度图象，我们对从24位到8位灰度图形和从8位灰度到24位的图象转换提供了方便的操作，这样可以极大限度的发挥各种算法的优越性。为了验证软件系统在焊接过程中对图象处理的效果，我们用CCD摄像头采集的大量的焊缝图象。通过运用不同的算法来探索图像处理的各种技术对焊接图象的处理效果。关键词：图象处理；边缘检测；形态学； ABSTRACTIn recent years, Image processing technology in the welding system to acquire the extensive application. For example the automatic welding tracking, and weld line identify etc. The process of welding because of the very strong arc light, splash and other noises, it is very difficult to gain the clear images of the weld line. The welding portrait for industry for of interference, therefore at actually applying inside acquisition getting and lack definition. How to acquire for portrait information for our needing from the limited “quantity” images of the weld line is this paper want to talk about. The automation welding control as the new development direction of welding industry is increasingly outstanding in the function that the industry development. Of the welding process besides electric voltage, electric current the information inside the images of the weld line are also important as the control parameter in researching. How to make use of the machine sense of vision technique to increase the welding control level and make weld quality examine is the main problem need to get answer form image processing. With the development of the algorithm of image processing make it possible to apply to the actual welding process controlling.The image of weld without large noise can be gained through some image enhancement, image smoothes, image filter and image edge enhancement of the original image of weld. After the edge filter, a very clear weld image edge was obtained. This provides some important varies for the weld tracking and weld controlling. This paper mainly about the image preprocess, image enhancement, image edge filter and some other image processing technology. Through the test of all image processing technology we find the appropriate arithmetic for weld tracking. The software we compiled as base examination for welding images processing make a good environment for develop new algorithm and test new algorithm in the future.Beside accomplish the base image processing algorithm, In allusion to the characteristics such as big noises, inequality diagram of the welding process, we special optimize the algorithm to gain clear image edge information. Considering the image of the weld line is mainly grayed, we develop the function make it easy to convert the image form 24bits to 8bits and the opposition. In order to test the software, we collection a lot of images of the weld line use Charge Coupled Decices camere (CCD) to process. Through use different kinds of image processing technology under different image formats to find the effect of result of the process.Key words: Image processing; Edge detection; Mathematical Morphology;目录摘要 VABSTRACTVI1 绪 论 11.1数字图象处理技术概论 11.2数字图象处理在焊接图象处理中的应用 31.3 本课题的意义与研究内容 32 图象增强 52.1 概述 52.2 图象增强的各种算法 52.3 本章小结 213 图象的边缘检测 223.1 概述 223.2 边缘检测算法实现 243.3 本章小结35 4 图象形态学处理364.1 概述364.2 二值图象的形态学374.3 灰值形态学424.4 彩色形态学454.5 本章小结 51结 论52参考文献531 绪 论1.1 数字图象处理技术概论 图象处理技术起源比较早，但真正发展是在八十年代后，随着计算机技术的高速发展而迅猛发展起来。到目前为止，图象处理在图象通讯、办公自动化系统、地理信息系统、医疗设备、卫星照片传输及分析和工业自动化领域的应用越来越多。但就国内的情况而言，应用还是很不普遍，人们还在忙于理论研究，诸如探索图象压缩编码等，而对于将成熟技术转化为生产力方面似乎认识不够数字图象处理，即用计算机对图象进行处理。随着计算机硬件的迅速发展，使得数字图象处理所需的计算机设备不断的下降。处理器越来越快，存储器的容量越来越大，并且伴随着价格的降低。涌现出了许多数字图象处理技术的新应用。在商业、工业、医学、军事等方面的应用不断的取得新的突破。数字图象处理系统基本的三个部件是：处理图象的计算机，图象数字化仪和图象显示设备。在图象的自然形式下，并不能直接由计算机进行处理。因为计算机只能处理数字图象而不是图片，所以一幅图象在用计算机在用计算机处理前要先转化为数字图象。数字图象是用数字的阵列来表示图象的，图形的阵列单位成为象素。数字图象处理就是基于象素单元来处理的。总的来说数字图象处理包括以下几个方面： 点运算点运算主要是针对图象的象素进行加、减、乘、除的运算。图象的点运算可以有效的改变图象的直方图分布，这对提高图象的分辨率以及图象均衡都是非常有益的。 几何处理几何处理主要包括图象的坐标转换，图象的移动、缩放、旋转、多个图象的配准以及图象的扭转校正等。几何处理是最常见的图象处理手段，几乎任何的图象处理的应用都会提供这些基本的操作。图象的扭曲校正功能可以将变形的图象进行几何校正，从而得出准确的图象。 图象增强图象增强的作用主要是突出图象中的重要信息，同时减弱或者除去不需要的信息。常用的方法有直方图增强和伪彩色增强等手段。 图象复原图象复原的主要目的是除去干扰和模糊，从而恢复图象的本来面貌。 图象编码图象编码研究属于信息论中信源编码的范畴，其主要的宗旨是利用图形信号的统计特性及人类视觉特性对图象进行高质量的编码，从而达到压缩图象的目的。图象的编码是数字图象研究中的一个经典范畴，有60多年的研究历史，目前已经制定了多种编码标准，如H.261、JPEG和MEPG等等。 图象形态学处理图象形态学处理是数学形态学在数字图象处理中的应用，是一门独立的研究学科。利用图象形态学处理技术，可以实现图象的开闭运算，图象腐蚀，细化和分割等多种处理效果。 图象的边缘检测图象边缘检测是运用一定的算法，来加强图象中的结构信息，特别是图象的边缘信息。通过图象边缘的检测处理，可以为图象的识别等后处理提供非常有用的图象结构信息。 图象重建图象的重建起源于CT技术的发展，是一门新兴的数字图象处理技术，主要是利用采集的数据来重建出图象。图象重建的主要算法有代数法、迭带法、傅立叶反投影法和广泛使用的卷积反投影法等。 模式识别模式识别也是数字图象处理的一个新兴的研究方向，当今的模式识别方法通常有3种：统计识别法、句法结构模式识别法和模糊识别法。目前应用广泛的文字识别（OCR）技术就是应用模式识别技术开发出来的。基于以上的图象处理的方面，主要有一下几种较典型的应用： 在遥感技术中的应用遥感图象处理的应用越来越受到人们的重视，并且在效率上和使用方面逐步的在提高。它被广泛的应用于土地测绘、资源调查、气象检测、环境污染监督、农作物估产和军事侦察等领域。目前遥感技术已经比较的成熟，但是还必须解决其数据的庞大，处理速度等方面的问题。 医学应用图象处理技术在医学上有着很广泛的应用。其中最突出的临床应用就是超声波、核磁共振、相机和CT等技术。在医学领域运用图象处理技术可以实现对疾病的直接诊断和无痛、安全方便的诊断和治疗。 安全领域利用图象处理的模式识别等技术，可以应用在监控、指纹档案管理等安全领域中。目前图象处理技术已经广泛在安全领域中得到了应用。 工业生产图象处理技术还被广泛的应用在工业产品的无损检测中。总之，图象处理技术的应用相当的广泛，它在国家安全、经济发展、日常生活中充当着越来越重要的角色，对国计民生有着不可忽视的作用。1.2 数字图象处理在焊接图象处理中的应用 由于在焊接过程中存在着许多的干扰，给焊接近弧区采用机器视觉直接观察方法带来很大的困难。但是我们可以利用视觉的采集技术，通过CCD摄像头，来采集焊接过程中有关的焊缝等焊接图象信息，通过图象采集卡转换为数字图象。通过对采集的数字图象，我们运用特定的图象处理技术来获得所需要的焊接过程信息，利用这些有用的信息可以作为焊接控制的参数，可以来考察焊接的质量，可以记录焊接过程中的某些动态的变化等。在对图象采集卡数字化后的焊接图象我们主要利用了图象处理中的边缘检测技术和图形处理形态学的方法来获得图象中的结构信息和焊缝的位置信息等。当然我们也应用了一些常用的数字图象处理技术来做图象的预处理和后处理，从而达到良好的信息提取的效果。但是如何得到相对清晰的焊缝图象，并通过图象处理技术得到焊缝轮廓仍然是一个很难解决的问题，我们针对焊接过程这个特定的图形采集环境，和焊缝图象的固有的特征，采用的一些特定的图象处理方法。通过图象处理获得的清晰的焊缝边界信息，可以为焊接过程中的焊缝跟踪，自动控制和焊接质量检测提供非常有用的信息。1.3 本课题的意义与研究内容随着数字图象技术的广泛应用，有关图形处理的算法也是越来越贴近各种实践。结合焊接过程的特点，通过对焊接图象的处理，我们可以获得焊缝的边缘信息，为实现焊接自动控制，和焊缝跟踪都提供了必要的数据，从而可以很大程度上提高焊接自动化水平和自动焊接的灵活性，灵活的对焊接过程进行跟踪和进一步的精确控制。根据焊接图形的特点我们主要的处理过程是运用图象处理中的边缘检测和形态学方法，检测焊缝的边缘信息。通过集成和改进各种较为成熟的算法，我们在试验中获得了良好出理效果。在处理过程中主要的图象是24位真彩色，主要考虑真彩色图象比起灰度和二值可以包含更多的信息。从图象采集卡输入的图象如果是灰度图形的话，可以通过图象的转换变为24位真彩色格式，相关的图象信息是不会有任何的损失的。我们考察了大部分的图象算法，发现多数是针对灰度图象和二值化图象的。很难满足在焊接图象处理的多信息，精确采集的发展需要，所以我们根据RGB的色彩模型，在每个通道上运用现有的算法，最后合成真彩色的处理方法。当然对于效果很好的二值化的处理方法，我们在软件中也保留，处理一些特殊的情况。并且提供了良好的各种格式转化的接口。软件的操作界面如下所示 软件的操作界面2 图象增强2.1 概述图象增强是数字图象处理的基本内容之一。是按照特定的需要突出图象中的特定信息，同时尽量的削弱或者去除不需要的信息的处理方法。其主要的目的是使处理后的图象对某种特定的应用来说，比原始的图象更加的好用。因此，这类的处理是为了某种应用的目的而取改善图象的信息。具体到焊接的处理过程应用来说，焊接图象处理的最大的难点在于采集的焊缝图象带有很大的噪声，如果不去除这些噪声，那么后继的边缘识别处理将无法进行。所以在图象预处理的阶段进行的图象增强间接的影响到整个焊接图象处理系统的性能。在图象增强的软件编制时，为了使程序有更好的兼容性、灵活性和扩展性，我们几乎实现了现有的比较成熟的所有相关的算法。也为最优的选择焊接图象的预处理提供了更多的选择。2.2 图象增强的各种算法2.2.1 灰度直方图2.2.1.1 定义 灰度直方图是灰度级的函数，描述的是图象中具有该灰度级的象素的个数：器横坐标是灰度级的标定，纵坐标是该灰度级出现的频率（象素的个数），如图（2-1）图2-1 灰度直方图2.2.1.2 直方图的性质当一幅图象被压缩为直方图后，所有的空间信息都将丢失。直方图描述了每个灰度级具有的象素的个数，但不能为这些象素在图象中的位置提供任何的线索。因此，任一特定的图象有唯一的直方图，反之并不成立。 将一幅连续图象中被具有灰度级D的所有的轮廓线所包围的面积，称为它的阀值面积函数A(D)。则直方图可以定义为 (2.1)如果我们将（2.1）式进行积分有： (2.2)如果我们令D0，并假设灰度级为非负，我们将有 图象的面积 (2.3)对于离散的图象的情形，有 (2.4)其中NL和SL分别是图象行和列的数目。如果一幅图象包含一个灰度均匀一致的物体并且背景与物体的对比度很强，我们规定物体的边界是由灰度级定义的轮廓线，则 物体的面积 (2.5)如果图象中包含多个物体，并且所有的轮廓线处的灰度级均为，则上面的公式（2.5）给出了所有物体的面积和。2.2.2 灰度图像的直方图均衡化2.2.2.1 直方图均衡化的目的直方图均衡化的思想是把原始的图象的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围，从而达到增强图象整体对比度的效果。大多数的自然图象由于其灰度分布集中在较窄的区域，引起的图象细节不够清楚。采用直方图修正后可以使图象的灰度间距拉大或者使灰度分布均匀，从而增大了反差，使图象的细节清楚，达到增强的目的。2.2.2.2 直方图均衡化的算法分析 设256个灰度级出现的概率为： (2.6)式中为第k个灰度级出现的概率，为第k个灰度级出现的频率，n为图象象素的总数。积累分布函数表示为 (2.7)上述计算的公式实质上建立了一个变换，它能将非均匀分布变为均匀的分布。在得到变换函数q之后，可以建立灰度级映射的对应关系 (2.8)这就是直方图均衡化。2.2.2.3 直方图均衡化的图象处理结果分析 图2-2 原始图象极其灰度直方图的分布图2-3 直方图均衡化后极其直方图分布2.2.3 灰度图象的点运算2.2.3.1 灰度图象点运算的目的在图象处理中，点运算是简单但是很重要的一类技术。可以通过点运算来改变图象数据占据灰度的范围。点运算又称为对比度增强，对比度拉伸或灰度变换，是图象处理软件的重要组成部分。点运算主要应用在一下的几个领域： 对比度增强 在一些数字图象中，感兴趣的特征仅占整个灰度级相当窄的一个范围，通过点运算可以扩展感兴趣特征的对比度使之占据可以显示灰度级的更大部分。 显示标定 一些显示设备有能使图象视觉特征突出的优选灰度范围。用这样的显示设备时，数字图象中具有相同对比度的校暗的和较亮的特征，在显示时却不能同样的表现出来，在这种情况下，用户可以利用点运算让感兴趣的所有特征显示同样的突出。将点运算和显示非线性组合起来相互抵消，以保持在显示图象时的线性关系的过程称为显示标定。 轮廓线 点运算可以位图象加上轮廓线，这在焊接图象处理时非常的有用，通过点运算进行阀值化，根据灰度级可以将焊接图象分为不同的区域，有助于在后续运算中的边界确定。 灰度裁剪 通过点运算可以控制图象的灰度范围，使其限制在一定的范围之内。另外，图象的二值化、图象三值化和图象灰度均衡等也是运用图象的点运算来实现的。点运算的软件界面如下： 图2-4图象点运算的操作界面2.2.3.2 灰度图象点运算的算法分析图象的点运算可以分为几类： 灰度线性点运算灰度的线性变换就是图象中是所有的点的灰度按照线性灰度变换函数进行变换。该线性灰度变换函数f(x)是一个线性函数： (2.9)灰度变换方程为： (2.10)式中参数为线性函数的斜率，为线性函数的在y轴的截距，表示输入图象的灰度，表示输出图象的灰度。时，输出图象的对比度将增大；当时，输出图象的对比度将减小；当且时，操作仅使用所有象素的灰度值上移或下移，其效果是使整个图象更暗或更亮；如果，暗区域将变亮，亮区域将变暗，点运算完成了图象求补运算。特殊情况下，当，时，输出图象和输入图象相同；当，时，输出图象的灰度正好反转。 灰度的阈值变换灰度的阈值变换可以将一幅灰度图象转换成黑白二值图象。它的操作过程是先由用户指定一个阈值，如果图象中某象素的灰度值小于该阈值，则将该象素的灰度值设置为0，否则灰度值设置为255。灰度值变换的变换函数表达式为： (2.11)其中T为指定的与阈只值。 图象的窗口变换图象的窗口变换类似于阈值变换，它限定一个窗口范围，该窗口中的灰度值保持不变；小于该窗口下限的灰度值直接设置为0；大于该窗口上限的灰度值直接设置为255。灰度窗口变换的函数表达式如下： (2.12)式中L表示窗口的下限，U表示窗口的上限。灰度拉伸灰度拉伸和灰度的线性变换有点类似，都用到了灰度的线性变换。不同之处在于灰度拉伸不是完全的线性变换，而是分段进行线性变换。函数表达式如下： (2.13) 灰度均衡灰度均衡也称为直方图均衡，它通过点运算使输入图象转换为在每一个灰度级上都有相同的象素点数的输出图象，即输出的直方图是平的。在图象进行比较和分割之前将图象转化为一致的格式是十分有益的。按照图象的概率密度函数，PDF归一化到单位面积的直方图的定义为： (2.14)其中为直方图，为图象的面积。设转换前图象的概率密度函数，转换后图象的概率密度函数为，转换函数为，则： (2.15)若使转换后图象的概率密度函数为1，即直方图为平的，则有：等式两边积分，得： (2.16)上式称为图象的累积分布函数（CDF）。灰度均衡的转换公式如下： (2.17)对于离散图象，转换公式： (2.18)为第级灰度的象素个数。2.2.3.3 灰度图象点运算的算法实现以灰度的灰度线性变换为例说明软件实现方如下：BOOL CProImage:GrayedLiner(float fA,float fB)if(m_hDib=NULL)return FALSE; SaveState("Grayed");BOOL bSuccess=TRUE;CRect rectSrc(m_pWorkingArea->BoundingRectangle();LPSTR lpDibHdrSrc = (LPSTR) :GlobalLock(m_hDib);LPSTR lpDibBitsSrc = :FindDIBBits(lpDibHdrSrc);/指向源数据for (int y=0; y<rectSrc.Height(); y+) for (int x=0; x<rectSrc.Width(); x+) COLORREF c; if (GetPixel(x+rectSrc.left, y+rectSrc.top, c, lpDibBitsSrc) int GrayColor = GetRValue(c);int fTemp=(int)(fA*GrayColor+fB);/在这里实现输入到输出的线性变换if(fTemp>255)fTemp=255;else if(fTemp<0)fTemp=0; bSuccess = bSuccess && SetPixel(x+rectSrc.left, y+rectSrc.top, RGB(fTemp,fTemp,fTemp), lpDibBitsSrc); else bSuccess = FALSE; GlobalUnlock(HGLOBAL) m_hDib);if (!bSuccess) Undo();return bSuccess;2.2.3.4 灰度图象点运算的图象处理结果分析用焊接的标准图象来进行灰度的点运算结果： 处理前的图象 灰度线性变换后 阀值为128阀值运算后 窗口变换32，210 灰度拉伸点运算后2.2.4 图象平滑2.2.4.1 图象平滑的目的在焊接过程中采集的图像往往很难避免噪声，图象平滑也是一种消除噪声的方法。一个较好的平滑处理方法应该可以消除噪声又不会使图象的边缘轮廓和线条变得模糊。图象平滑的方法有多种，我们在软件中主要实现了最常用的三种邻域平均值平滑、中值平滑和低通滤波平滑处理。2.2.4.2 图象平滑的算法分析下面以三种平滑处理的方法做算法上的分析 邻域平均值法 这种方法的基本思想是用几个象素的颜色平均值代替每个象素的颜色值。我们可以模板的方法通过卷积操作来获得象素的平均值。均值平滑模板 中值平滑 这种方法和均值平滑的原理差不多，只是所使用的模板不同。中值平滑模板 低通滤波平滑法 这种方法是一种频域处理法。在分析图象信号的频域特性时，一幅图象的边缘、跳跃部分及颗粒噪声代表图象信号的高频分量，而大面积的背景则代表图象信号的低频分量。用滤波的方法虑除其高频的部分就能去掉噪声，使图象得到平滑。也是通过设定模板后，通过卷积运算来获得。低通滤波平滑的模板 2.2.4.3 图象平滑的算法实现其实图象平滑的三种方法在用模板实现时是具有相同的算法思想。只是所用的模板不同而已。以均值模板的软件实现为例说明：设定操作的模板case IMAGE_LOWPASS_SMOOTH1: m_nFilterHeight = 3;m_nKernelWeight = 9;/去平均值m_pnKernel300 = 1; m_pnKernel301 = 1; m_pnKernel302 = 1; m_pnKernel310 = 1; m_pnKernel311 = 1; m_pnKernel312 = 1; m_pnKernel320 = 1; m_pnKernel321 = 1; m_pnKernel322 = 1;return m_nFilterHeight;break; 进行卷积操作COLORREF CProFilter:Filter(int FilterHeight,CProImage& ImageSrc,LPSTR lpDibBits, int x, int y)/建立一个目标的对象int red=0;int green=0;int blue=0;int Vid=(FilterHeight-1)/2;for(int i=0;i<FilterHeight;i+)for(int j=0;j<FilterHeight;j+) COLORREF c; if(ImageSrc.GetPixel(x+i-Vid,y+j-Vid,c,lpDibBits)if(FilterHeight=3)/3*3模板 red+=(m_pnKernel3ij*GetRValue(c); green+=(m_pnKernel3ij*GetGValue(c); blue+=(m_pnKernel3ij*GetBValue(c);else if(FilterHeight=5) /5*5模板else /7*7模板if(m_nKernelWeight!=0)&&(m_nKernelWeight!=1)red=min(red/m_nKernelWeight,255);green=min(green/m_nKernelWeight,255);blue=min(blue/m_nKernelWeight,255);red=max(red,0);green=max(green,0);blue=max(blue,0);return RGB(red,green,blue); 对图象进行平滑处理。通过调用上面的函数来实现对图象的处理。2.2.4.4 图象平滑的图象处理结果分析 原始图象 均值平滑 中值平滑 低通滤波平滑2.2.5 图象中值滤波2.2.5.1 图象中值滤波的目的中值滤波是一种著名的模糊图象的非线性处理方法，几乎在现有的任何图象处理系统中均提供中值滤波操作。中值滤波主要是可以用来消除图象中的噪声，同时可以保持边缘少受模糊。在焊接图像中，由于飞溅非常的严重，采集的图象所含的噪声很大，通常会影响正常的边缘检测和其它图象的后继处理的结果。为了消除这些噪声除了可以用形态学的方法外，图象的中值滤波技术也是有很好效果的预处理的方法。2.2.5.2 图象中值滤波的算法分析从本质上讲，中值滤波并不是卷积操作。与卷积操作一样，中值滤波需要当前象素的一个指定大小的邻域中的象素，因而仍然需要一个矩阵。该矩阵称为操作蒙板。当将蒙板的中心置于当前的象素时，蒙板中非0元素对应的象素将参加最后的角逐。把参加角逐的象素值进行排序，最后位于队列中间的那个值将作为当前的象素值。这就是中值滤波的算法思想。蒙板会对最后处理的结果产生很大的影响，所以对于蒙板的设置在中值滤波中相当关键。2.2.5.3 图象中值滤波的算法实现/处理当前象素点的函数：COLORREF CProFilter:MedianFilter(CProImage& ProImage, LPSTR lpDibBits, int x, int y) int nPixels = 0; for (int k=0; k<9; k+)/初始化蒙板 m_Orderedk = 0; for (int i=0; i<3; i+) for (int j=0; j<3; j+) COLORREF c; if (ProImage.GetPixel(x+i-1, y+j-1, c, lpDibBits) m_OrderednPixels = c; nPixels+; qsort(&m_Ordered, nPixels, sizeof(COLORREF), CompareFunc);/象素排序 return m_OrderednPixels/2;/取序列的中间值作为当前象素值/调用排序函数时，需要CmmpareFunc来决定排序规则。int CProFilter:CompareFunc(const void *elem1, const void *elem2) COLORREF c1 = *(COLORREF*)elem1; COLORREF c2 = *(COLORREF*)elem2;if (c1 = c2) return 0; else BYTE r1 = GetRValue(c1); BYTE b2