目录
内容摘要 (3)
ABSTRACT ................................................................... 错误！未定义书签。引言................................................................................. 错误！未定义书签。第一章中值滤波 ...................................................... 错误！未定义书签。
1.1中值滤波的基本原理 ......................................................... 错误！未定义书签。
1.2改进的中值滤波算法---自适应中值滤波方法 (8)
第二章基于小波变换的图像增强 (13)
2.1小波变换的基本原理 (13)
2.2小波变换进行图像增强 (15)
2.3小波变换进行图像去噪 .................................................. 1错误！未定义书签。第三章基于脊波变换的图像增强.. (24)
3.1脊波和脊波变换的基本原理 (25)
3.2脊波变换在图像增强中的应用 (32)
第四章总结与展望 (34)
参考文献 (36)
附录 (37)
内容摘要
近年来，基于非线性处理的图像增强技术成为相关领域研究人员关注的一个热点。尽管非线性方法与通常的图像增强算法相比，其计算量非常大，但是灵活多样的数值计算方法使其能够满足高质量图像方面的需要，因而基于非线性图像处理的图像增强方法逐渐在图像处理领域中受到青睐。
本学期学习了杨淑媛教授的《非线性信号与图像处理》课程，对非线性处理有了进一步的认识。本文探讨了几种非线性算法在图像增强处理中的原理与应用：首先介绍经典的中值滤波，以及改进的中值滤波算法；其次是基于小波的数字图像增强算法；最后对基于脊波的数字图像增强算法的进行了尝试。并通过MATLAB实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。
关键词：小波变换脊波变换中值滤波图像增强
Image Enhancement based on Nonlinear Processing
Abstract
In recent year，image enhancement technologies based on nonlinear processing algorithm become focuses of concern in the related research fields．Compared with the usual image enhancement algorithms，the non—linear image enhancement algorithm has very large amount of computation，but its flexible numerical computation method can meet the requirements of high—quality image process. So the image processing methods based on nonlinear image enhancement algorithm are gaining favor gradually in image processing fields.
Since learned "Nonlinear Signal and Image Processing" this semester, which taught by Professor Shuyuan Yang, I have further understanding about nonlinear processing. In this article, the principles and applications of several nonlinear algorithms in image enhancement processing have been introduced. The first is the classic median filter and its improved algorithm. Then is the wavelet-based algorithm for digital image enhancement, and the last is the ridgelet-based algorithm for digital image enhancement. Next, through MATLAB experiments to compare the effects of the actual processing advantages and disadvantages of various algorithms, the application of occasions, and its image enhancement method of performance evaluation.
Key words:wavelet ridgelet median filter image enhancement
引言
在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降，即图像失真。图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量。图像增强的目的是增强图像的视觉效果，将原图像转换成一种更适合于人眼观察和计算机分析处理的形式。增强的效果通常都与具体的图像有关系，靠人的主观感觉加以评价。
小波理论(Wavelet Theory)被认为是近年来在数学分析和方法上的重大理论突破，小波分析被看作是傅里叶分析发展史上的里程碑，是为克服传统傅立叶分析方法的缺点而发展起来的，它在时域和频域同时具有良好的局部化性质，而且由于对高频成分采用逐渐精细的时域或空间域取样步长，从而可以聚焦到对象的任意细节，被誉为“数学显微镜"，是泛函分析、傅里叶分析、样条分析、调和分析、数值分析的完美结合。目前，小波变换被广泛应用于信号处理的各个领域，例如如语音信号处理、数字图像处理、数字视频处理、非线性信号处理等。
在小波理论基础上, E. J. Candès和D. L. Donoho在1998～1999年建立了一种特别适合于表示各向异性奇异性的多尺度方法———脊波变换。由于脊波本质上是通过对小波基函数添加一个表征方向的参数得到的，所以它不但和小波一样有局部的时频分析的能力，而且还具有很强的方向选择和辨识的能力，可以非常有效地表示信号中具有方向性的奇异特征。在脊波变换的研究过程中，又发展出局部脊波变换和曲波变换，用多个尺度的局部曲线来近似表示整条曲线。
第一章中值滤波
一般来说，图像信号往往有突变的部分，它们被称为“边缘”。而图像信号的边缘与平坦部分相比，含有更重要的信息。当图像信号混有噪声时，若采用线性滤波器进行处理，尽管噪声得到了抑制，但高频分量的丢失导致图像信号边缘模糊，图像质量下降。若采用非线性中值滤波，在滤除噪声的同时，还能保护图像信号的边缘不被模糊，此外，它很容易自适应化，从而可以进一步提高其滤波性能，因此，非常适用于线性滤波器无法胜任的数字图像处理。
1.1中值滤波的基本原理
中值滤波是一种常见的非线性平滑滤波。它是一种领域运算，类似于卷积，但不是加权求和计算，而是把窗口领域中的像素按灰度等级进行排序，然后选择改组的中间值作为输出像素值。它能减弱或消除傅立叶空间的高频分量，但也影响低频分量。因为高频分量对应图像中灰度值具有较大较快变化的部分，该滤波可将这些分量滤除，使图像平滑。其主要原理是：首先确定一个以某一个像素位中心点的领域，一般为方形领域；然后将领域中的各个像素的灰度值进行排序，取其中间值作为中心点像素灰度值的新值，当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。
下面让我们来看一下简单中值滤波的效果，利用MATLAB给出的medfilt2函数对一幅图像进行滤波，效果如图1.1所示：
由实验结果可以看出，中值滤波提升了整幅图像的效果，lena的帽子边沿以及头发处可以明显看出平滑效果。
再来看看中值滤波的去噪效果，给图像加上椒盐噪声，利用中值滤波函数对这幅加噪图像去噪，如图1.2所示，能去除大部分噪声，它在滤除噪声（尤其是脉冲噪声）的同时能很好的保护图像的细节信息（例如：边缘、锐角等）。
图1.1 简单中值滤波效果
图1.2 中值滤波用于图像去噪
1.2改进的中值滤波算法---自适应中值滤波方法
中值滤波运算简单而且速度较快，很容易自适应化，从而可以进一步提高其
滤波性能。由以上分析可知，常规中值滤波去脉冲噪声的性能受滤波窗口尺寸的
影响较大，而且它在抑制图像噪声和保护细节两方面存在一定的矛盾:如果我们
取的滤波窗口越小，就可较好地保护图像中某些细节，但滤除噪声的能力会受到
限制;反之，取的滤波窗口越大，就可加强噪声抑制能力，但对细节的保护能力
会减弱，有时会滤去图像中的一些细线、尖锐边角等重要细节，从而破坏图像的
几何结构。这种矛盾在图像中噪声干扰较大时表现得尤为明显。因此，单单采用
常规中值滤波的方法在图像去噪应用中是远远不够的，我们就要寻求其他的改进
算法来解决这一矛盾。
自适应中值滤波器的滤波方式和常规的中值滤波器一样，都使用一个矩形区
域的窗口S
，不同的是在滤波过程中，自适应滤波器会根据一定的设定条件改xy
变(即增加)滤波窗的大小，同时当判断滤波窗中心的像素是噪声时，该值用中值
代替，否则不改变其当前像素值，这样用滤波器的输出来替代像素(x,y)处(即目
前滤波窗中心的坐标)的值。自适应中值滤波器可以处理噪声概率更大的脉冲噪
声，同时能够更好地保持图像细节，这是常规中值滤波器做不到的[4]。
自适应中值滤波总体上可以分为三步:
(1)对图像各区域进行噪声检测;
(2)根据各区域受噪声污染的状况确定滤波窗口的尺寸;
(3)对检测出的噪声点进行滤波。
我的自适应中值滤波算法可以分为两步进行：噪声检测和噪声滤波。根据前面的介绍我们知道，对于一幅数字图像而言，为了尽量滤除噪声并保持图像的真实信息不被破坏，首先必须有效地检测出噪声点，尽可能地区分图像的噪声信息和原始信息;其次，根据噪声点周围像素的灰度分布，估计该点的原始灰度值。可是，在实际处理的过程中，还必须考虑噪声点的分布情况，如图1.3所示，其中，1表示噪声点，0表示非噪声点。当噪声密度较小的时候，噪声点通常被图像的原始信息包围，这时采用对非噪声点均值滤波的方法可以快速估计被污染像
素的原始灰度;当噪声密度较大的时候，噪声点通常连续分布，滤波窗内的未被污染的像素信息很少甚至没有，这时很难估计噪声点的原始灰度，本文中主要介绍一种易于实现的自适应中值滤波算法。该中值滤波算法能根据图象的统计特征, 过滤出大部分的椒盐噪声, 针对噪声点的分布情况逐个的进行中值滤波。从而能在取得最佳滤波效果的同时, 还能很好地保持图象的细部特征.
1111111111111'111
111111111???????????????? 1110011100111''00000000
0000???????????????? 连续噪声点 非连续噪声点
图1.3连续噪声点和非连续噪声点的结构图
（1） 噪声检测
加了椒盐噪声污染的灰度图像，其噪声点是随机分布的，在图像上显示的随机的黑点和白点，这些黑白点与原始图像的灰度值是不相关的，一般来说这些噪声的灰度值和周围像素的灰度值相差很大，往往是局部极大值或极小值，我正是利用这一点来进行噪声检测。
设原始图像某一点为(x,y)，对以点(x,y)为中心的噪声检测窗口W 中的N=（2n+1）? (2n+1)个点的灰度值进行了排序运算，得到了一个向量A ij :
[]ijN ij ij ij ij x x x x A ,...,,,321= （1.2.1）
其中，ijN ij ij ij x x x x
当排序后点(x,y)的灰度值ij x 位于向量ij A 的两端时，那么该点就有可能是一个噪声点，即满足式(1.2.1)所示的噪声检测的第一个条件时就有可能是噪声点：
()()[][]()[][]?
?????=∈其他信号点或者可能噪声点y x w y x w x y x ij ,max ,min , （1.2.2）
在式(1.2.2)中，函数w[(x,y)]表示对以点(x,y)为中心噪声检测窗口W
中的N=(2n+1)x(2n+1)个点的灰度值进行排序。对于一个噪声点而言，它一定满足噪声检测的第一个条件。但是，反而则不成立，因为排序后的信号点，尤其是图像中的边缘细节点也可能落在向量A ij 的两端，特别是在信噪比很高的时候，
误检概率会很大。所以光这样一个条件还是远远不够的。
为了能够更好的判断出噪声点，还需要其他条件来加以限制，以3x3的窗口为例，如图1.4所示：
()()()()
()()()()()1,11,1,1,1,,11,11,1,1x y x y x y x y x y x y x y x y x y ----+????-+????+-+++??
图1.4 3x3窗口结构图
我考察了中心点(x,y)的灰度值，如果它满足式(1.2.1),并且它的灰度值满足如式(1.2.2)所示噪声检测的第二个条件：
1T x ij < 或者 2T x ij > （1.2.3） 那么我们可以把点(x,y)看成是一个噪声点，将点(x,y)标记为1。反之，该点是原始信号，则标记为0。即：
()???=其他
））和（，满足式（,03.2.12.2.11,y x (1.2.4)
这样标记待处理图像的每一个点，就得到了反映噪声分布的二进制图像。 从上面的分析知道，参数T1、T2对于噪声点的检测性能起到了至关重要的作用，因此我们要选择一个合适的T1、T2值。通过实验表明T1取40，T2取190比较合适。
（2） 噪声滤波
根据得到的二进制图像噪声点的分布进行滤波，若某点的数值为1则对照该点在原噪声图里的位置，以此为中心取一个3x3的矩形框，并对此点进行简单的中值滤波。如图1.5所示：
图1.5 基于脉冲噪声的新型中值滤波算法流程图
噪声滤波是在得到一幅被标记的图像的情况下，分析每一个标记为1的点。如果以该点为中心的3x3窗口内的像素有标记为O ，则该点为非连续噪声点，我们记录下这些标记为O 的点，用它们灰度的均值来代替中心点的灰度。按照下面公式(1.2.5)来求中心点的灰度:
()()∑=y x f n y x g ,1, （1.2.5） 其中n 为标记为0的点的个数，f(x,y)为标记为0的点的灰度值。
如果以该点为中心的3x3窗口内的所有像素的标记均为1，则认为窗内为连续噪声点，我们就无法估计原始灰度值，扩大窗口为5x5，如果所有像素的标记依然是1，继续增大窗口，直到扩大后的窗口内存在标记为O 的点或窗口大小己经大于7x7。然后再分两种情况按下：
1.如果窗口内存在标记为0的点，则和前面一样，我们记录下这些标记
为0的点，用它们灰度的均值来代替中心点的灰度。
2.如果窗口内不存在标记为0的点，则对该窗口采用中值滤波，用中值来代替中心点的灰度。
为验证所提出方法的有效性，采用MATLAB对该方法进行了仿真。代码【1】见附录，下图1.6所示为结果：
图1.6 两种算法的比较
从实验结果可知：自适应中值滤波算法对高幅度噪声具有相当大的抑制作用, 根据应用场合的不同其滤窗的极限值应相应变化。当噪声幅值过大或过小时自适应中值滤波算法可以将绝大部分噪声滤除。该方法首先在噪声图像的滤波窗口中去除具有最大和最小灰度值的像素, 然后求取剩余像素的均值, 计算出该均值与对应的像素灰度值的差值, 再通过与阈值相比较,
确定是否用求得的均值代替原噪声图像的灰度值。从而在去除了多数噪声的前提下，还能让图像和原始图像差别甚小，是一种很好的自适应中值滤波器。
第二章 基于小波变换的图像增强
小波是指函数空间2()L R 中满足下述条件的一个函数或者信号()x ψ
3()R x C d ψψωω=<∞? , （2.1）
这里, 3R = R - { 0} 表示非零实数全体.
小波分析(wavelet analysis)或小波变换(wavelet transform)是指用有限长或快速衰减的、称为母小波(mother wavelet)的振荡波形来表示信号。该波形被缩放和平移以匹配输入的信号。
2.1 小波变换的基本原理
(1) 一维连续小波变换
对于2()()f t L R ?∈，()f t 的一维小波变换定义为：
1
2(,)(),()||()(),0,t b W a b f t t a f t dt a f a b
a +∞--∞-=<ψ>=ψ≠? (2.1.1) (2.1.1)式中1
2()||()t b t a a
--ψ=ψ被称为母小波，()t ψ是()t ψ的复共轭转制。其中a ，b 为实数，且a >0，a 被称作尺度因子，反映了一个具体的基函数的伸缩尺度。b 为时间中心函数，表示基函数的平移位置。
小波逆变换可以看成原信号的重构，对于2()f L R ∈以及f 的连续点x R ∈有
1,2
()()(,)||a b f da f x C x W a b db a +∞+∞-ψ-∞-∞=ψ?? (2.1.2)
其中
,()a b t a x a -??ψ= ???
，式(2.1.2)称之为信号的小波重构。 (2) 二维连续小波变换
如果信号函数22(,)()f x y L R ∈，(,)x y ψ为二维小波母函数，其构造可由一维母小波的张量积形成，也可以由非张量积的方法构造，则(,)x y ψ的表达形式为：
1,,(,)||(,)a b c x b y c x y a a a
---ψ=ψ ， ,,,0a b c R a ∈≠ (2.1.3) 因为图像信号是二维信号，所以将一维小波扩展到二维情况便于后续使用和分析。
1(,,)(,,)||(,)(,)f x b y c W a b c CWT a b c a f x y dxdy a a
+∞+∞--∞-∞--==ψ?? (2.1.4) 一维和二维小波变换除了连续变换之外还有离散变换的形式，这里不再赘述。
(3) 多分辨分析
多分辨分析(Multiresolution Analysis ，MRA)是1989年由S ．Mallat 引入的，他从空间的概念上形象地说明了小波的多分辨特性，将在此之前所有小波变换理论统一起来。
设{}()(),;m V m Z t ?∈是一个正交MRA ，如果
()()
2k k
t c t k ??=- (2.1.5)
那么，函数()()()112k
k k t c t k ?-ψ=--的伸缩、平移构成()2L R 的正交基。
对于任意的()2f L R ∈，f 可以表示为
(),,k j k j k j f x c +∞+∞
=-∞=-∞=
ψ∑∑ (2.1.6)
且其中部分和
(),,k k j k j k j f x c W +∞=-∞=
ψ∈∑ (2.1.7)
因此()k f x 构成信号f 在子空间k W 上的投影，也就是信号f 分解到与频率k 相关的局部信息。综合式(2.1.6)和(2.1.7)得到信号f 的另一种等价表示
()()k k
k f x f x +∞
=-∞=
∑ (2.1.8) 式(2.1.8)可以看做是信号的一种按频率的分解。更进一步的，如果只希望知道信号f 不超过频率j 相关的所有信息，则该信息的表达式为
()()j k
k F x f x +∞
=-∞=
∑ (2.1.9) 信号()j
j j k k F x V W =-∞∈=
⊕。 1989年，Mallat 在小波变换多分辨分析理论与图像处理的应用研究中提出了信号的塔式多分辨分解与重构的著名算法，也称Mallat 算法。一般认为，Mallat 算法在小波分析中的地位类似于FFT 在经典傅里叶分析中的地位。
2.2 小波变换进行图像增强
（1） 图像的小波分解
针对二维图像信号，小波分解通常采用Mallat 快速算法，通过一维的高通和低通分解滤波器先后作用于图像的行和列，从而实现图像的二维小波变换。一个图像作小波分解后,可得到一系列不同分辨率的子图像,不同分辨率的子图像对应的频率是不相同的. 高分辨率(即高频) 子图像上大部分点都接近于0 ,越是高频这种现象越明显.其中LL 是低频部分，它代表图像的主要内容信息，集中了图像的绝大部分能量。如图2.1：
图2.1 小波分解
由于MATLAB函数库中提供了小波分解图像的函数--- wavedec 函数，这里我自己试着编写了小波分解与重构图像的代码【1】，详见附录，旨在对小波分解有一个更仔细的了解，并得到了小波分解结果,如下图2.2所示：
图2.2 小波分解
对图像进行小波分解是为得到不同尺度下的小波系数，并对其中的高低频部分进行相应的处理，而经过处理后的小波系数，还需要进行小波的图像重构，这样才能得到增强处理后的效果图像。和图像的小波分解相反，小波图像重构只需要使用一维的低通和高通重构滤波器，作用于相应的小波系数，就能得到最后的重构图像。
具体步骤为：
步骤1:首先读取一幅图像，选取小波函数，初始化相关参数。
步骤2:对原始图像进行一次分解，得到第一级小波系数cA(l)、cH(l)、cV(l)、cD(l)，
如果当前小波分解级数j小于小波分解级数J，则继续对近似小波系数cA(l)进一步分解，得到下一级小波系数，一直到j=J结束。
步骤3:可以对步骤2分解得到各级小波系数进行修正。
步骤4:从第J级小波系数开始，对小波系数CA(J)、cH(J)、cV(J)、cD(J)进行重构，得到第J-1级小波近似系数cA(J-1)，如果当前小波分解级数j大于l，则继续根据得到的小波近似系数cA(J-l)和小波系数cH(J-1)，cV(J-1)，cD(J-1)进行重构，直至j=J结束。将最后一级小波系数重构得到的结果作为输出图像。
图2.3 小波变换图像增强程序流程图
基于小波分解的图像增强结果如下图所示，代码【2】见附录：
图2.4 小波变换图像增强
2.3小波变换进行图像去噪
小波变换在时频域具有很好的局部性，其变尺度的特性使得小波变换对确定的信号具有一种“集中”的能力。如果一个信号的能量在小波变换域集中于少数系数上，那么，这些系数的取值大于在小波变换域内能量分散在大量系数上的信号或噪声的小波系数值。含有噪声的图像经过小变换后，图像信号和噪声信号表现出不同的特征：信号的能量主要集中在一些亮线上，而大部分系数的值逼近于0；噪声的分布和信号的分布相反，它的系数均匀分布于整个尺度空间，幅度相差不大(在大尺度下会对噪声起到一定的平滑作用)。这一特性为基于小波变换的图像去噪提供了依据。
小波去噪的实质是寻找从实际信号空间到小波函数空间的最佳映射，从而得到原信号的最佳恢复。从信号学的角度看，小波去噪是一个信号滤波的问题，由
于在去噪后，还能够成功地保留图像特征，所以小波去噪实际上也是特征提取和低通滤波功能的综合。其流程图如图4.1所示。
图2.5 小波去噪过程
由图2.5可知，寻求基于小波变换的去除噪声最佳方法的过程，实际上也就是寻求最佳的小波系数处理方法的过程。根据对小波系数处理方式的不同，常见的去噪方法可分为三类：①模极大值检测法；②小波系数相关去噪法；③阈值去噪法。
（1）模极大值检测法
信号的奇异性是指信号某处有间断或某阶导数不连续。显然，无限次可导的函数是光滑的或者说是没有奇异性。奇异点也就是信号的突变点通常包含信号的重要特性。从数学的角度出发信号的奇异性是可以通过Lipschitz指数(或奇异指数)来衡量的。
1992年，S.Mallat将Lipschitz指数与小波变换后系数模的局部极大值联系起来，通过小波变换后局部极大值在不同尺度上的衰减速度来衡量信号的局部奇异性，具体来说，就是利用有用信号与噪声小波变换的模极大值在多尺度分析中呈现不同的奇异性来剔除由噪声产生的模极大值点，保留信号产生的模极大值点。最后利用剩余的模极大值来进行小波系数估计计算，然后再利用估计的小波系数进行信号恢复。其算法的基本过程为：
①对原始信号进行小波分解，并计算每一尺度上小波变换系数的模极大值；
②从最大尺度开始进行阈值处理。若模极大值点幅值的绝对值大于指定的阈值，则保留该点，否则去掉该点；
③根据每一尺度上保留的模极大值点进行小波系数估计计算；
④根据估计的小波系数进行信号恢复。
利用模极大值检测法去噪时去噪效果对噪声的依赖性较小并且性能稳定，无需知道较多的噪声的先验数值，特别是对低信噪比的信号有较明显的去噪效果。实验证明当图像中含有白噪声并且图像中含有较多奇异点时，使用该方法除噪后的图像没有多余振荡，能获得较高的信噪比。同时使用该方法时还应注意尺度、阈值的选取以及小波系数估计计算方法。
（2）小波系数相关去噪法
小波域滤波是根据信号和噪声在不同尺度上小波变换的不同形态表现，来构造出相应的去除规则对信号和噪声的小波变换系数进行处理，处理的目的在于减小以至完全剔除噪声所对应的小波变换系数，同时最大限度地保留有效信号对应的小波系数。信号经小波变换之后，其小波系数在各尺度上有较强的相关性，尤其是在信号的边缘附近，其相关性更加明显，而噪声对应的小波系数在尺度间却没有这种明显的相关性。可以通过对图像进行多级小波变换，计算相邻尺度间小波变换系数的相关性，利用小波系数在不同尺度上的相关性来区分信号系数和噪声系数，进行信号和噪声的取舍，最终由取舍后的估计小波系数进行信号恢复。
该方法把低分辨率(大尺度)下的小波变换系数全部保留，高分辨率(小尺度)下的小波变换系数在被确认为边沿附近的各点时才给予保留，其余的都加以去除。由于噪声的小波变换主要集中在小尺度各层次中，因此经上述处理后，噪声基本被剔除而边沿信息则得以较好的保留。其算法的基本过程为：
①对原始信号进行小波分解；
②计算信号进行小波分解后的小波系数，并对相关系数进行归一化处理；
③ 若某一尺度下某点的归一化后的系数大于该点的相同尺度下的小波系数，则认为该点处的小波系数是由信号所产生的，相关的运算将会使该点处所对应的小波变换的系数幅值加大。此时把该点处的小波系数值赋给该点的归一化后的系数，同时将该点的小波系数置为。否则，就认为该点处的小波系数是由噪声引起的，保留该点的小波系数值，把归一化后的小波系数值置为0。然后在每一尺度上重新计算归一化后的系数值；
④ 重复②、③，直到小波系数的方差小于某一特定的阈值。
小波系数相关去噪法思想简单，但计算量较大，需要多次反复才能完成，而且某一点处的相关系数仅由相邻的两个尺度上的小波系数决定。如果小波分解出现误差，可能导致相关系数不能真实地反映该点处的相关性情况，从而也就不能对该点正确赋值。另外，反复计算的结束取决于设定的阈值的大小。因此，如何高效正确地计算相关系数及如何选择地选择阈值大小仍是一个需要探讨的问题。
（3）阈值去噪法
阈值去噪法就是通过对图像进行小波变换，得到小波变换系数。因为信号对应的小波系数包含有重要的信息，其数据较少，幅值变化较大，而噪声对应的小波系数的分布则恰好相反，通过设定特定的阈值对小波系数进行取舍，就可以得到小波系数估计值，最后通过估计小波系数进行小波重构，就得到去噪后的图像。其算法的基本过程为：
① 对原始信号进行小波分解；
② 对变换后的小波系数进行阈值处理，得到估计小波系数；
③ 根据估计小波系数进行小波重构。
阈值去噪法实现简单，计算量小，在实际中有着广泛的应用。经过阈值处理后，得到的处理后的小波系数多，因此可以直接对其进行小波重构。阈值处理的方法有两种：一种是硬阈值法，定义为
()?????<≥==t
A t A A t A T x h 0, （2.3.1）
华南农业大学期末图像处理与分析开放考查题 09电气4班 曾思涛 200930530434 一、简答题。 1.如图所示，A和B的图形完全一样，其背景与目标的灰度值分别标注于图中，请问哪一个 目标人眼感觉更亮一些？为什么？ 答：B感觉更亮一些。 , 因为目标比背景暗，所以越大，感觉越暗，所以A更暗，即B更亮一些。 2.简述图像平滑、图像锐化和边缘检测模板各自的特点。 答：图像平滑的特点：模板内系数全为正，且之和为1；对常数图像处理前后不变，对一般图像处理前后平均亮度不变。 图像锐化：模板内系数有正有负，且之和为1；对常数图像处理前后不变，对一般图像处理前后平均亮度不变。 边沿检测：模板内系数有正有负，且之和为0；对常数图像处理前后为0，对一般图像处理前后为边沿点。 3.有一幅包含水平的、垂直的、45度的和-45度直线的二值图像。假设直线的宽度为1个像素，
灰度值是1（背景的灰度值为0）。请给出一组能够检测出上述直线的3×3模板。 答：如下图所示。 4.简要说明开运算和闭运算各自在图像处理与分析中的作用。 答：1.先腐蚀后膨胀称为开运算；开运算能够有效的消除细小物体、毛刺，能在纤细连续点出分离物体，能平滑较大物体的边界但不明显改变物体的形状、面积和位置。 2.先膨胀后腐蚀称为闭运算：闭运算能够有效地填充物体内部细小的空洞，连接临近物体， 能在不明显改变物体面积的情况下平滑物体的边界。 5.简述描述区域边界的原链码、差分码和形状数的相互关系及各自的特点。 答：原链码具有平移不变性，没有唯一性，没有旋转不变性；差分码具有平移和旋转不变性，没有唯一性；形状数具有唯一性，平移和旋转不变性。 6.目标区域的骨架指的是什么？请画出下列图形的骨架: (1) 一个圆(2) 一个正方形。 答：骨架指的是图像经过细化之后得到的中轴。圆的骨架是它的圆心，正方形的骨架就是它的对角线。如下图所示。 二、计算分析 1.一幅16级灰度的图像，请分别采用3×3的均值滤波器和 中值滤波器对该图像进行降噪处理。绘出这两种滤波器对 图像的滤波结果（只处理灰色区域即可），并说明各自的 特点。 答：均值滤波：，
大作业指导书 题目：数字图像处理 院（系）：物联网工程学院 专业: 计算机 班级：计算机1401-1406 指导老师： 学号： 姓名： 设计时间： 2016-2017学年 1学期
摘要 (3) 一、简介 (3) 二、斑点数据模型 .参数估计与解释 (4) 三、水平集框架 (5) 1.能量泛函映射 (5) 2.水平集传播模型 (6) 3.随机评估方法 (7) 四、实验结果 (8) 五、总结 (11)
基于水平集方法和G0模型的SAR图像分割 Abstract（摘要） 这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。我们假设为SAR图像分割分配参数，并与水平集模型相结合。分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。+ 简介 1、Induction（简介） 合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。 对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。 水平集方法的一个重要方面，比如传播模型，可以用来设计SAR图像的分割算法。这个传播函数能够依据伽马和伽马平方根法则将斑点统计进行整合，函数已经被广泛地应用于SAR图像中的均质区域分割。Ayed等基于伽马分布任意建模，设计方案将SAR图像分成多个均质区域。尽管多区分割问题已经解决，该方案人需要一定数量的区域作为输入。Shuai 和Sun在文献[16]中提出对这个方法进行了改进，他们使用了一个有效的传播前收敛判断。Marques等引入了一个类似于含有斑点噪声图像中目标检测的框架，将基于本地区域的斑点噪声统计融合进去。这些作者采用伽马平方根对均质区域进行建模并用一个自适应窗口方案检测本地的同质性。 最近，新的SAR数据模型比如K，G，显示出了优势。经典法则受限于均质区域特性的描述，而最近的法则展现出了在数据建模中更有吸引力的特性。法则允许同构、异构和高度异构幅度SAR数据的建模。这个分布族提供了一组参数，可以描述SAR图像中的不同区域。分布的参数信息，可以被广泛的应用于设计SAR图像处理和分类技术。在文献[21]中，Mejail 等人介绍了SAR监督数据分类器，它基于其参数映射并实现了有趣的结果。Gambini等人在文献[22]中使用这个分布的一个参数来量化SAR数据的粗糙度，通过活动轮廓和B样条差值来检测边缘。然而，这种技术需要一个初始分割步骤，并受拓扑限制。一般来说，活动轮廓方法不能解决不连续区域分割的问题。 本文介绍了一种新的水平集算法来实现SAR图像中均质、异构和极其异构区域分割的目标。由于分布能够描述SAR图像的同质性和规模，我们的方法采用分布对斑点数据进行建模。这些分布参数基于每一个域点进行估计，通过这些信息，我们可以在水平集分割框架内得到一个能量泛函来驱动向前传播(front propagation)。该泛函以最大化不同区域平均能量间的差异作为结束。最终水平集阶段以能量带作为依据得到SAR图像的分割结果。
数字图像处理 报告标题：01 报告编号： 课程编号： 学生姓名： 截止日期： 上交日期：
摘要 （1）编写函数计算灰度图像的均方误差（MSE）、信噪比（SNR）、峰值信噪比（PSNR）、平均绝对误差（MAE）；（2）编写函数对灰度图像经行降采样，直接消除像素以及消除像素前进行简单平滑滤波；（3）编写函数对图像进行放大，分别使用像素直接复制和双线性插值的方法：（4）编写函数用题目给出的量化步骤Q去量化灰度图像，并给出相应的MSE和直方图；（5）编写函数对灰度图像执行直方图均衡化，显示均衡前后的直方图。同时，熟悉使用MATLAB，并且熟练操作对图像进行各种修改变换等。 KEY WORD :MATLAB MSE、PSNR 直方图量化
技术探讨 数字图像处理是基于Matlab来实现的，由于Matlab 独特的功能和对矩阵，图像，函数灵活的处理，因而用于图像的处理相当的方便。 task1 均方误差（MSE）,信噪比（SNR）,峰值信噪比（PSNR）,平均绝对误差（MAE）。可以使用使用for循环语句，分别计算图像MSE/SNR/PSNR/MAE，具体的计算公式见附录代码，下面只附运算原理代码 均方误差（MSE）： sum=sum+(a(i,j)-b(i,j))^2; MSE=sum/(M*N) 信噪比（SNR）： sum2=sum2+a(i,j)^2; SNR=10*log10(sum2/MSE) 峰值信噪比（PSNR）： sum=sum+(a(i,j)-b(i,j))^2; PSNR=10*log10(255^2/MSE) 平均绝对误差（MAE）： sum=sum+a(i,j)+b(i,j); MAE=sum/(M*N) 在每次对同一个图像处理时它们的均方误差（MSE）,信噪比（SNR）,峰值信噪比（PSNR）,平均绝对误差（MAE）都会有所不同，因为它是原图像与加噪后的图像比较，而电脑的每次操作都会对加噪过得图像有影响。 task3 按比例缩小灰度图像 （1）直接消除像素点： I1=g(1:m:end,1:m:end);I1 为缩小后的图像，g为原图。 （2）先平滑滤波再消除像素点： 滤波函数，g=imfilter(I,w,'corr','replicate'); task4 对图像的放大运用了pixel repetition法以及双线性插值法： 它有三种插值法：即最近邻插值（pixel repetition）、双线性插值、双三次插值(缩放倍数为0.5) ;缩放与放大由给定的参数来确定。 ;缩放与放大由给定的参数来确定。而缩小则同样适用I1=g(1:m:end,1:m:end); 而放大的代码为“J=imresize(I,m,'nearest');%使用pixel repetition法”和“J=imresize(I,m,'bilinear');%使用双线性插值法” 放大倍数更改m值即可 task4 对图像的量化，使用“J=histeq(I,x); ”，x为可变的量化步长 task5 灰度图像的量化和直方图均衡化直接调用函数。“J=histeq(I)”“imhist(I,64)”
云南大学软件学院期末课程报告 Final Course Report School of Software, Yunnan University 个人成绩 学期: 2014秋季学期 课程名称: 图像识别与处理 任课教师: 郑智捷 题目: 图像识别与处理期末 姓名: 学号 联系电话: 电子邮件: 完成提交时间：2014年12月29日作业截止时间：2014年12月29日
目录 一实验概述 (1) 1.1实验介绍 (1) 1.2 实验要求 (1) 1.3 实验原理 (1) 二实验内容 (1) 2.1 实验平台介绍 (1) 2.2 功能设计和结构设计 (1) 2.2.1 功能设计 (1) 2.2.2系统功能设计框图 (3) 2.3.3 功能实现原理 (4) 2.3 用户操作界面设计 (5) 2.3.1 主界面设计 (5) 2.4 用户使用说明书 (5) 2.4.1 编写目的 (5) 2.4.2 运行和使用 (5) 2.4.3 软件简介 (5) 2.4.4 操作说明 (7) 三总结 (16)
一实验概述 1.1实验介绍 实验通过课上所讲的知识来实现对图片的操作 1.2 实验要求 1设计的具有个性化实现的交互式集成系统界面 2包含如下几类图像处理具有8种以上的操作功能 a) 点运算直方图/彩色直方图/灰度校正 b) 邻域运算高通/低通/边缘滤波器 c) 分块运算 FFT/DCT/小波变换滤波器 d) 一维元胞自动机基本函数可视化/不少于4类函数 100次迭代后的 基元模式测度 3系统设计和实现文档 e) 功能设计和体系结构 f) 用户操作界面设计 g) 用户使用说明书 1.3 实验原理 图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。 二实验内容 2.1 实验平台介绍 实现语言：java 实现平台：eclips 2.2 功能设计和结构设计 2.2.1 功能设计
-------------精选文档 ----------------- 1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请 给出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。 解：步骤与思路： ○1.进行模糊处理，消除噪声 ○2.边缘检测，进行图像增强处理 ○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。 ○4.采用横向标号法，根据值为1 像素在标号中的相邻位置可以确定间距 I=imread('xz mjt.bmp'); I1=medfilt2(I);%对图像中值滤波 imshow(I1); [m,n]=size(I1); for i=1:m for j=1:n if(I1(i,j)<100)% 阈值为 100 I1(i,j)=255; else I1(i,j)=0;%进行二值化
-------------精选文档 ----------------- end end end figure; imshow(I1); Y1=zeros(1,25); y2=y1; c=y2; i=100; for j=1:1200 if (I1(i,j)==255&&I1(i,j+1)==0) Y1=j+1; end if (I1(i,j)==0&&I1(i,j+1)==255) Y2=j; end end for i=1:25 c=Y2(i)-Y1(i) end c%找出每两个条纹之间的距离
2.现有 8 个待编码的符号 m0,,m7, 它们的概率分别为 0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。 3.请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。
1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请给 出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。 解：步骤与思路： ○1.进行模糊处理，消除噪声 ○2.边缘检测，进行图像增强处理 ○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。 ○4.采用横向标号法，根据值为1像素在标号中的相邻位置可以确定间距 I=imread('xz mjt.bmp'); I1=medfilt2(I); %对图像中值滤波 imshow(I1); [m,n]=size(I1); for i=1:m for j=1:n if(I1(i,j)<100) %阈值为100 I1(i,j)=255; else I1(i,j)=0; %进行二值化 end end end figure; imshow(I1);
Y1=zeros(1,25); y2=y1; c=y2; i=100; for j=1:1200 if (I1(i,j)==255&&I1(i,j+1)==0) Y1=j+1; end if (I1(i,j)==0&&I1(i,j+1)==255) Y2=j; end end for i=1:25 c=Y2(i)-Y1(i) end c %找出每两个条纹之间的距离
2. 现有8个待编码的符号m0,……,m7,它们的概率分别为0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。 3. 请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。
3.数字化图像的数据量与哪些因素有关？ 答：数字化前需要决定影像大小（行数M、列数N）和灰度级数G的取值。一般数字图像灰度级数G为2的整数幂。那么一幅大小为M*N，灰度级数为G的图像所需的存储空间M*N*g(bit),称为图像的数据量 6.什么是灰度直方图？它有哪些应用？从灰度直方图你能获得图像的哪些信息？ 答：灰度直方图反映的是一幅图像中各灰度级像素出项的频率之间的关系。以灰度级为横坐标，纵坐标为灰度级的频率，绘制频率同灰度级的关系图就是灰度直方图。 应用：通过变换图像的灰度直方图可以，使图像更清晰，达到图像增强的目的。 获得的信息：灰度范围，灰度级的分布，整幅图像的平均亮度。但不能反映图像像素的位置。 2. 写出将具有双峰直方图的两个峰分别从23和155移到16和255的图像线性变换。 答：将a=23,b=155 ;c=16,d=255代入公式： 得 1，二维傅里叶变换有哪些性质？二维傅里叶变换的可分离性有何意义？ 周期性，线性，可分离性，比例性质，位移性质，对称性质，共轭对称性，差分，积分，卷积，能量。 意义：分离性表明：二维离散傅立叶变换和反变换可用两组一维离散傅立叶变换和反变换来完成。 8.何谓图像平滑？试述均值滤波的基本原理。 答：为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。 均值滤波是一种局部空间域处理的算法，就是对含有噪声的原始图像f(x,y)的每个像素点取一个领域S，计算S中所有像素的灰度级平均值，作为空间域平均处理后图像g(x,y)像素值。 9.何谓中值滤波？有何特点？ 答：中值滤波是对一个滑动窗口内的诸像素灰度值排序，用中值代替窗口中心像素的原来灰度值，它是一种非线性的图像平滑法。 它对脉冲干扰及椒盐噪声的的图像却不太合适。抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。但它对点、线等细节较多 6图像几何校正的一般包括哪两步？像素灰度内插有哪三种方法？各有何特点？ 答：1）建立失真图像和标准图像的函数关系式，根据函数关系进行几何校正。 2）最近邻插值，双线性插值，三次卷积法 3）最近邻插值：这种插值方法运算量小，但频域特性不好。 3、若f(1,1)=4，f(1,2)=7，f(2,1)=5，f(2,2)=6,分别按最近邻元法、双线性插值法确定点(1.2,1.6)的灰度值。 最近邻元法：点(1.2,1.6)离(1,2)最近,所以其灰度值为7.双线性法：f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1) 将i=1,j=1,u=0.2,v=0.6代入,求得：f(i+u,j+v)=5.76。四舍五入取整后，得该点其灰度值为6
大作业要求 1.数字图像处理中的图像增强、图像分割、数学形态学、图像编码这几个章节中，围绕你所感兴趣的题目写一篇综述。 2.要求： （1）在中国知网上下载5篇以上相关文章，结合上课所学内容，确定综述的内容。（2）文字3000字以上，包含 a. 课题背景和概述 b. 国内外研究现状 c. 技术应用（可以实现哪些功能，实 现的方法及结果 d. 结论 e. 学习体会 f．参考文献 （3）综述的排版： 正文层次格式如下： 1（空两格）×××××（居中，三号宋体，加粗，占4行） 1.1×××（左顶格，四号宋体，加粗，占 2.5行，不接排） 1.1.1×××（左顶格，小四号宋体，加粗，占2行，不接排） a.（左空两格，a.后空一格）×××(小4号宋体，加粗) （正文）×××××(小4 号宋体，接排)
(1)（左空两格，(1)后空一格）×××(小4号宋体，加粗) （正文）×××××(小4号宋体，接排) 1)（左空两格，1）后空一格）(小4号宋体，加粗) （正文）×××××(小4号宋体，接排) 正文中段落一律段前、段后0磅，行距为20磅，对齐方式：两端对齐。小4号字体。 论文中的图和表居中，并且有图题和表题。 例如： 图 1 主站工作过程（5号字体，加粗） 表1 不同总线速率下从站的延迟时间（5号字体，加粗） 速率（Kbit/s ） 9.6 19.2 93.75 187.5 500 1500 1200SDR minT (bit T ) 11 11 11 11 11 11 11 SDR maxT (bit T ) 60 60 60 60 100 150 800 参考文献按照下面形式给出： 参考文献 （居中，三号，宋体，加粗，占4行）
数字图像处理 1.图像工程的三个层次是指哪三个层次？各个层次对应的输入、输出对象分别是什么？ ①图像处理 特点：输入是图像，输出也是图像，即图像之间进行的变换。 ②图像分割 特点：输入是图像，输出是数据。 ③图像识别 特点：以客观世界为中心，借助知识、经验等来把握整个客观世界。“输入是数据，输出是理解。 2.常用的颜色模型有哪些（列举三种以上）？并分别说明颜色模型各分量代表的意义。 ①RGB（红、绿、蓝）模型 ②CMY（青、品红、黄）模型 ③HSI（色调、饱和度、亮度）模型 3.什么是图像的采样？什么是图像的量化？ 1．采样 采样的实质就是要用多少点来描述一幅图像，采样结果质量的高低就是用前面所说的图像分辨率来衡量。简单来讲，对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构，所形成的微小方格称为像素点。一副图像就被采样成有限个像素点构成的集合。例如：一副640*480分辨率的图像，表示这幅图像是由640*480＝307200个像素点组成。 2．量化 量化是指要使用多大范围的数值来表示图像采样之后的每一个点。量化的结果是图像能够容纳的颜色总数，它反映了采样的质量。 针对数字图像而言： 采样决定了图像的空间分辨率，换句话说，空间分辨率是图像中可分辨的最小细节。 量化决定了图像的灰度级，即指在灰度级别中可分辨的最小变化。 数字图像处理（第三次课）
调用图像格式转换函数实现彩色图像、灰度图像、二值图像、索引图像之间的转换。 图像的类型转换： 对于索引图像进行滤波时，必须把它转换为RGB图像，否则对图像的下标进行滤波，得到的结果是毫无意义的; 2.用MATLAB完成灰度图像直方图统计代码设计。
2014年上学期《数字图像处理》复习大作业及参考答案 ===================================================== 一、选择题（共20题） 1、采用幂次变换进行灰度变换时，当幂次取大于1时，该变换是针对如下哪一类图像进行增 强。（B） A 图像整体偏暗 B 图像整体偏亮 C图像细节淹没在暗背景中D图像同时存在过亮和过暗背景 2、图像灰度方差说明了图像哪一个属性。（B ） A 平均灰度 B 图像对比度 C 图像整体亮度D图像细节 3、计算机显示器主要采用哪一种彩色模型（ A ） A、RGB B、CMY或CMYK C、HSI D、HSV 4、采用模板［-1 1］T主要检测（ A ）方向的边缘。 A.水平 B.45? C.垂直 D.135? 5、下列算法中属于图象锐化处理的是：( C ) A.低通滤波 B.加权平均法 C.高通滤波 D. 中值滤波 6、维纳滤波器通常用于（ C ） A、去噪 B、减小图像动态范围 C、复原图像 D、平滑图像 7、彩色图像增强时， C 处理可以采用RGB彩色模型。 A. 直方图均衡化 B. 同态滤波 C. 加权均值滤波 D. 中值滤波 8、__B__滤波器在对图像复原过程中需要计算噪声功率谱和图像功率谱。 A. 逆滤波 B. 维纳滤波 C. 约束最小二乘滤波 D. 同态滤波 9、高通滤波后的图像通常较暗，为改善这种情况，将高通滤波器的转移函数加上一常数量以 便引入一些低频分量。这样的滤波器叫B。 A. 巴特沃斯高通滤波器 B. 高频提升滤波器 C. 高频加强滤波器 D. 理想高通滤波器 10、图象与灰度直方图间的对应关系是 B __ A.一一对应 B.多对一 C.一对多 D.都不 11、下列算法中属于图象锐化处理的是：C A.低通滤波 B.加权平均法 C.高通滤 D. 中值滤波 12、一幅256*256的图像，若灰度级数为16，则存储它所需的比特数是：( A ) A、256K B、512K C、1M C、2M 13、噪声有以下某一种特性（ D ） A、只含有高频分量 B、其频率总覆盖整个频谱 C、等宽的频率间隔内有相同的能量 D、总有一定的随机性 14. 利用直方图取单阈值方法进行图像分割时：（B） a.图像中应仅有一个目标 b.图像直方图应有两个峰 c.图像中目标和背景应一样大 d. 图像中目标灰度应比背景大 15. 在单变量变换增强中，最容易让人感到图像内容发生变化的是（ C ）
数字图像处理作业 1 1.基本问题 a.什么是数字图像处理，英语全称是什么？ 数字图像处理：对图像进行一些列的操作，以达到预期目的的技术，可分为模拟图像处理和数字图像处理两种方式。英文全称：Image Processing b.数字图像处理与什么领域的发展密切相关？ 数字图像处理与数字计算机的发展，医学，遥感，通信，文档处理和工业自动化等许多领域的发展密切相关。 c.人类主要通过什么来感知获取信息的？ 主要通过人的视觉、味觉、嗅觉、触觉、听觉以及激光、量子通信、现代计算机网络、卫星通信、遥感技术、数码摄影、摄像等来获取信息。 d.数字图像处理技术与哪些学科领域密切相关？ 与数学、物理学、生理学、心理学、电子学、计算机科学等学科密切相关 e.数字图像处理在哪些领域得到广泛应用？ 数字图像处理的应用越来越广泛，已渗透到工程、工业、医疗保健、航空航天、军事、科研、安全保卫等各个领域。 f.数字图像处理起源于什么年代？ 20世纪20年代 g.现代大规模的图像处理需要具备哪些计算机能力？ 需要具备图像处理、图像分析、图像理解计算机能力 h.根据人的视觉特点，图像可分为哪两种图像？ 分为可见图像和不可见图像。 i.根据光的波段，图像可分为哪几种图像？ 分为单波段、多波段和超波段图像。 j.图像数字与模拟图像的本质区别是什么？ 区别： 模拟图像：空间坐标和明暗程度都是连续变化的、计算机无法直接处理。 数字图像：空间的坐标和灰度都不连续、用离散的数字表示，能被计算机处理。 2.通过互联网，查下数字图像处理有哪些应用？选一个应用范例即可。具体描绘如何通过数字图像处理技术来实现其应用。要有图像范例说明。 数字图像处理主要应用领域有：生物医学，遥感领域，工业方面，军事公安领域，通信领域，交通领域等。我就生物医学领域做一个简单介绍。 自伦琴1895年发现X射线以来，在医学领域可以用图像的形式揭示更多有用的医学信息医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展，现代医学已越来越离不开医学图像的信息处理，医学图像在临床诊断、教学科研等方面有重要的作用。目前的医学图像主要包括CT (计算机断层扫描) 图像、MRI( 核磁共振)图像、B超扫描图像、数字X 光机图像、X 射线透视图像、各种电子内窥镜图像、显微镜下病理切片图像等。 医学图像处理跨计算机、数学、图形学、医学等多学科研究领域，医学图像处理技术包括图像变换、图像压缩、图像增强、图像平滑、边缘锐化、图像分割、图像识别、图像融合等等。在此联系数字图像处理的相关理论知识和步骤设计规划系统采集和处理的具体流程同时充分考虑到图像采集设备的拍摄效果以及最终处理结果的准确性。下面是关于人体微血管显微图像的采集实例。
数字图像处理实验报告 学院：信息学院 专业：电科1004班 姓名： 学号： 辅导老师： 完成日期： 2013年6月29日 空域图像增强 实验要求:
(1)选择若干图像（两幅以上），完成直方图均衡化。 (2)选择若干图像（两幅以上），对图像文件分别进行均值滤波、中值滤波和拉 普拉斯锐化滤波操作。 (3)添加噪声，重复上述过程观察处理结果。 实验原理： (1)图像增强是图像处理的基本内容之一，图像增强是指按特定的需要突出一幅 图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是使得处理后的图像对某种特定的应用，比原始图像更合适。处理的结果使图像更适应于人的视觉特性或机器的识别系统。图像增强主要可分为三类:频域图像增强方法、小波域图像增强方法、空域图像增强方法。 (2)空域图像增强主要包括:直方图均衡化、平滑滤波和锐化滤波等方法。 (3)直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。 这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。 这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。直方图均衡化的基本思想是把原始图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可达到增强图像整体对比度的效果。 (4)平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另 一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。 (5)均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板， 该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。 线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y） m为该模板中包含当前像素在内的像素总个数。 (6)中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技 术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。 (7)拉式算子是一个刻画图像灰度的二阶商算子，它是点、线、边界提取算子， 亦称为边界提取算子。通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。 拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。一个二维
数字图像处理
目录 作业一 (1) 一作业要求 (1) 二源代码 (1) 三运行结果 (3) 作业二 (5) 一作业要求 (5) 二算法描述 (5) 三源代码 (7) 四运行结果 (10)
作业一 一作业要求 在图像的空间域滤波操作中，会出现有部分掩膜矩阵在图像外面的情况，所以需要给图像先加入一个边界，执行完操作之后，再去掉这个边界，保证图像中所有的像素都参与矩阵运算。 二源代码 byte[,] filter(byte[,]f,float[,]mask) { int w = f.GetLength(0); int h = f.GetLength(1); byte[,] g = new byte[w,h]; int M = mask.GetLength(0)/2; int N = mask.GetLength(1)/2; for (int y=N;y
} float[,] averagingMask(intM,int N) { float[,] mask = new float[2*M+1,2*N+1]; for (int m=-M;m<=M;m++) for (int n=-N;n<=N;n++) mask[M+m,N+n] = 1.0f/((2*M+1)*(2*N+1)); return mask; } byte[,] addboard(byte[,] f,intM,int N) { int w=f.GetLength(0); int h=f.GetLength(1); intgw=w+2*M; intgh=h+2*N; byte[,] g=new byte[gw,gh]; //add top board and bottom board for(inti=0;i [HW5][24]SA11009045_张海滨 大作业 1、行模糊、锐化、和直方图均衡化。 程序： I=imread('E:\研一\数字图像处理\作业\HW5\DSC00003.JPG'); figure,imshow(I),title('原始图像'); I1=rgb2gray(I); I1=imresize(I1,0.5); figure,imshow(I1),title('灰度图像'); h=ones(5,5)/25; I2=imfilter(I1,h); figure,imshow(I2),title('模糊处理'); J=double(I1); h1=fspecial('laplacian'); I3=filter2(h1,J); figure,imshow(I3),title('锐化处理'); I4 = histeq(I1,256); figure,imhist(I1),title('原图像直方图'); figure,imshow(I4),title('均衡化处理'); figure,imhist(I4),title('均衡化后直方图'); 进行运算的结果为： 原始图像 此为进行处理的原始图像。进行图像灰度化并把图像的大小进行调整为原来的一半，得到图像： 对图像分别进行均值滤波器模糊、拉普拉斯算子锐化处理，得到的结果如下图： 方图如下所示。 2、边缘检测，程序： I=imread('F:\研一\数字图像处理\作业\HW5\DSC00003.JPG'); I1=rgb2gray(I); I1=imresize(I1,0.5); J=double(I1); H=[0 1 0;1 -4 1;0 1 0]; J=conv2(J,H,'same'); J=I1-J; subplot(1,2,1); imshow(I1),title('灰度图像'); subplot(1,2,2); imshow(J),title('Laplace算子边缘检测'); G1 = [-1 -2 -1;0 0 0;1 2 1]; G2 = G1'; Iedge=I1; I2x = filter2(G1,Iedge); I2y = filter2(G2,Iedge); I2=abs(I2x+I2y); I22 = mat2gray(I2); 数字图像处理 实验报告 实验选题：选题二 组员： 学号： 班级： 指导老师： 实验日期：2019年5月22日 一、实验目的及原理 1.识别出芯片的引脚 2.熟悉并掌握opencv的某些函数的功能和使用方法 原理：通过滤波、形态学操作得到二值图，再在二值图中设置条件识别引脚部分。 二、实现方案 对图片滤波、调节阈值做边缘检测过滤掉一部分图片中干扰元素；然后通过膨胀、腐蚀操作来减少引脚的空心部分；再通过findContours()函数找到引脚的边缘并得到轮廓的点集，设置特定的长宽比和矩形面积识别引脚部分。 三、实验结果 四、源码 #include 数字图像基础 课程名称：数字图像基础 学院：信息工程与自动化学院 专业年级： 2010级计算机系班 学号： 2010104052 学生姓名： 指导教师：尚振宏 日期： 2013-6-11 目录 目录 (1) 1前言 (2) 2图像分割的方法简介 (3) 2.1迭代法 (3) 2.2类间最大距离法 (3) 2.3最大熵法 (4) 2.4最大类内类间方差比法 (4) 2.5局部阈值法 (5) 2.6均匀性度量法 (6) 3简单算法及其实现 (6) 3.1最优阈值算法 (6) 3.2 Canny算法 (8) 4、试验对比 (10) 4.1迭代法试验对比 (10) 4.2类间最大距离法试验对比 (10) 4.3最大熵法试验对比 (11) 4.4最大类内类间方差比法试验对比 (11) 4.5局部阈值法试验对比 (12) 4.6均匀性度量法试验对比 (12) 5、总结体会 (13) 6、参考文献 (13) 7、附录 (14) 7.1迭代法代码 (14) 7.2类间最大距离法代码 (14) 7.3最大熵法代码 (15) 7.4最大类内类间方差比法代码 (16) 7.5局部阈值法代码 (18) 7.6均匀性度量法代码 (18) 1、前言 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，至今已提出上千种分割算法，但因尚无通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法。总的来说，图像分割是图像识别和图像分析的基本前提步骤，图像分割的质量好坏直接影响后续图像处理的效果，甚至决定成败。因此，图像分割在数字图像处理技术中占有非常重要的地位。图像分割时指将一副图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具备以下特征：⑴分割出来的各个区域对某种特性（例如灰度和纹理）而言具有相似性，区域内部是连通的且没有过多小孔。⑵相似区域对分割所依据的性质有明显的差异。⑶区域边界是明确的。图像分割是一个很关键的图像分析技术，是由图像处理进到图像分析的关键步骤.它的目的就是把图像中感兴趣的那部分分割出来供大家研究、处理和分析，一直都是图像技术研究中的热点。但是由于地域的差别，图像分割一直都没有一个比较通用的算法。 在实际图像处理中，一般情况下我们只是注意到图像中那些我们感兴趣的目标，因为只有这部分也就是我们注意到的有用的目标物才能为我们提供高效、有用的信息。而这些目标一般又都对应着图像中某些特定的、具有独特性质的区域。为了把这些有用的区域提取出来供我们人类使用，图像分割这门技术也就应运而生了。我们通常情况下所说的图像分割就是指把图像划分成若干个有意义的区域的过程，每个区域都是具有相近特性的像素的连通集合，一般情况下我们所关注到的那些有用的目标物就存在与这些区域中。研究者们为了识别和分析图像中的那部分我们感兴趣的目标，例如进行特征提取或者测量，就需要将这些相关的区域从图像背景中提取出来。图像分割就能够把图像中的这些有用的区域分割出来，从而把一幅图像分成一系列的有意义的、各具特征的目标或者区域。 图像分割技术主要分为四大类：区域分割，阈值分割，边缘检测和差分法运动分割（主要针对运动图像的分割）。阈值分割是近年来国际领域上的一个新的研究热点，它是一种最简单的图像分割技术，其基本原理就是：通过设定不同的特征阈值点，从而把图像的象素点分为若干类，然后通过阈值点来分割图像，最终把图像中的有用的部分提取出来。本文将对matlab用于图像分割的基本理论进行简要研究，并对当前matlab用于图像分割的最新研 目录 1.整体方案设计 (2) 2.各模块具体实现 (4) 2.1原始图像 (4) 2.2图像灰度化处理 (4) 2.3车牌定位 (5) 2.4车牌字符的分割 (6) 2.5车牌字符识别 (8) 3.程序调试与结果分析 (9) 4.总结 (9) 5.附录 (10) 摘要：当今生活中汽车的作用越来越重要，带给了人们生活无尽便利，车辆总数越来越大，对汽车的管理也越来越困难。在这样的背景下图像处理领域内的汽车车牌识别技术具有巨大实用性的意义，而MATLAB有其突出的处理图像数据的能力，运用MATLAB实现对图像的预处理、车牌定位、车牌字符分割以及字符识别，进行车牌的自动识别。关键词：MATLAB；图像处理；车牌定位；字符分割；字符识别 1.整体方案设计 车牌识别的整体方案流程图如下： 1）图像采集包括CCD摄像机、照明设备、图像采集卡等。感应设备发出的信号出发图像采集卡，采集卡将模拟信号转换为数字信号后送到计算机。 2）图像预处理：因为车牌图像都是在室外拍摄的，所以会受到光照、气候等因素的影响，而且车辆的移动会造成图像的模糊。要去除这些干扰就得先对车牌图像进行预 处理。由于当前数码相机的像素较高，原始图像的数据一般比较大，输入的彩色图 像包含大量颜色信息，会占用较多的存储空间，且处理时也会降低系统的执行速度。 因此对图像进行识别等处理时，常将彩色图像转换为灰度图像，以加快处理速度。 对图像进行灰度化处理后常用的方法是图像二值化、去除背景图像、增强处理、边 缘检测、滤波等处理等。 3）车牌定位方法：车牌识别前期的关键就是准确定位车牌的位置，然后才能进行车牌中字符的识别。经过查阅资料发现目前主要有以下四种车牌定位的方法： A．基于灰度边缘检测与形态学重构的方法。这种方法只要利用车牌区域局部对比度明显和有规律的纹理特征来定位，然后利用形态学方法将车牌区域与其它背 景区域分离。 B．基于直线检测的方法。这种方法主要Hough变换的方法来检测车牌周围边框直线，利用车牌形状特性来定位车牌。 C．根据车牌的固有长宽比进行定位的方法。因为中外车牌的长宽比都是固定的 3.1：1，在预处理完成后对二值化的图像进行膨胀腐蚀，计算联通区域长宽比数字图像处理大作业
数字图像处理大作业报告
数字图像处理大作业-昆明理工大学-尚振宏
图像处理和理解大作业要点
相关主题
文本预览