一种基于交叠组合稀疏全变分图像去噪方法
An image denoising method based on overlapping group sparsity total variation
姓名：林志斌
摘要
全变分（Total Variation, TV）正则项作为一种常用的稀疏变换模型，因其在保持图像边缘信息方面具有明显的优势，已经被应用到图像去噪问题中。然而，它通常会产生阶梯效应。为了克服这个缺点，在本文中，我们引入交叠组合稀疏全变分（Overlapping Group Sparsity Total Variation, OGSTV）代替传统TV变换模型。为了求解该OGSTV去噪模型，我们提出一种基于快速傅里叶变换（Fast Fourier Transform, FFT）和Split Bregman算法的快速OGSTV去噪方法。实验结果表明，引入快速傅里叶变换理论后，图像去噪时间明显减少；与其他已有比较好的算法相比，可以获得更好的图像质量，阶梯效应明显改善。
关键词：全变分；图像去噪；快速傅里叶变换；交叠组合稀疏全变分
Abstract
The total variation (TV) regularization is always used as a sparse representation and it has been applied to image denoising problem. Although TV model has obvious advantage in preserving image edges, it may introduce some undesired staircase
artifacts. To overcome the drawback mentioned above, an overlapping group sparsity total variation (OGSTV) model is proposed for image denoising instead of typical TV model. By introducing fast Fourier transform and Split Bregman algorithm, a fast method is proposed to solve the OGSTV model. The experimental results demonstrate that, after introducing FFT, the denoising time is reduced obviously. Compared with the other state-of-the-art algorithms, our proposed method can get better image quality. After introducing OGSTV, the staircase artifacts can be eliminated evidently.
Key words:total variation; image denoising; fast Fourier transform; overlapping group sparsity total variation
目录
摘要 ................................................................................................................................................. I Abstract ........................................................................................................................................ I 1引言. (1)
1.1 研究背景及意义 (1)
1.2 国内外发展及现状 (1)
1.3 本文研究内容及章节安排 (2)
1.3.1 研究内容 (2)
1.3.2 章节安排 (2)
2 图像去噪 (3)
2.1 空域去噪和频域去噪 (3)
2.2 传统全变分去噪 (5)
2.3 交叠组稀疏全变分去噪 (6)
3实验与分析 (9)
3.1 实验环境 (9)
3.2 几种算法去噪效果的测试和比较 (10)
3.3 几种算法去噪时间测试和比较 (12)
3.4 OGSTV与OGSTV-FFT对比 (12)
4总结与讨论 (14)
5参考文献 (15)
致谢 ............................................................................................................... 错误！未定义书签。
附录 ............................................................................................................... 错误！未定义书签。
1引言
1.1研究背景及意义
在信息化的21世纪，人们天天都需要处理各种各样的信息。大家都知道，计算机在对各种各样信息的处理中都担当着非常重要的角色。图像因其传导信息的直观性和简洁性成为人们生活中不可或缺的能够获取信息的主要载体之一。然而在图像的采集以及传输等过程中,或者因为设备有所误差，多多少少会受到噪声的影响，这不仅仅妨碍了人们对信息的获取，也对后续的工作造成十分严重的影响，这就需要通过图像去噪来改善图像，从而来解决图像变差等问题。因此对数字图像进行必要的去噪处理变得势在必行。
图像去噪可以帮助我们有效地还原图像，让我们更容易地看到我们所需要的图像信息。如今的图像去噪已经在生活的方方面面带来影响，帮助我们解决了非常的多的难以解决的难题。通过对普通的去噪算法进行优化改进，以增强人们的视觉读取，恢复图像的原有信息，降低图像噪声对原图像的影响，具有重要的研究意义。
1.2 国内外发展及现状
TV（Total Variation, TV）变换被广泛应用到图像去噪[1, 2]，图像重建[3]和图像去模糊等方面。1992年，Rudin等人提出TV去噪模型[1]，并获得比较好的图像去噪结果。然而，在一阶TV模型中，通常假设图像是分片光滑的，TV变换去噪模型在保持图像边缘方面具有非常明显的优势，但是也容易带来阶梯效应。为了克服该缺陷，一些TV模型的延伸模型相继被提出，同时用来求解这些延伸模型的算法也有许多。例如，分数阶全变分（Fractional order TV, FTV）是其中一种扩展模型[4]，它将传统整数阶TV模型延伸到分数阶模型。这样，FTV模型不仅考虑到图像的局部特性，还将图像的非局部特性考虑进去，能有效去除TV 模型中的阶梯效应。总广义全变分（Total Generalized Variation, TGV）是令一种TV扩展模型[5, 6]，该模型能有效去除TV模型中的阶梯效应，同时保留图像的边缘及细节信息。但是，TGV模型的计算效率并不高。Nonlocal TV（NLTV）是另一个TV的延伸模型[7, 8]，它通过将引入图像的局部信息达到去除阶梯效应的目的。尽管TGV和NLTV模型在去除阶梯效应方面明显优于TV模型，但是它们的计算复杂度也明显优于传统TV模型。
2013年，一种新的基于交叠组合稀疏（Overlapping Group Sparsity TV, OGSTV）模型被首次应用到一维信号去噪上面[9]。由于信号的一阶差分不仅具有
稀疏特性，还具有结构稀疏特性，引入OGSTV模型后可以有效去除阶梯效应。刘刚等人将OSGTV模型应用到图像去模糊方面[10]，并使用交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）[11]进行求解。
1.3 本文研究内容及章节安排
1.3.1 研究内容
本文中，我们将OGSTV模型应用在自然图像去噪中，并使用Split Bregman [12]算法进行求解。同时，为提高图像去噪效率，在Split Bregman算法中引入快速傅里叶变换（Fast Fourier Transform）[13]，将图像域图像差分操作变换到频域，这样可以有效避免大矩阵相乘运算。引入FFT理论后，Split Bregman算法中的共轭梯度算法（Conjugate Gradient, CG）[14]可以用点除运算代替，这样不仅可以降低计算时间，还能提高计算准确度。
本文的安排如下：
（1）回顾了传统TV去噪模型；
（2）详细描述本文提出的方法；
（3）介绍本文实验部分；
（4）给出总结和讨论。
1.3.2 章节安排
本文结构如下：
第一章：引言，介绍图像去噪的背景意义、发展现状、研究内容和章节安排等内容；
第二章：图像去噪，通过去噪算法在频域中推导出图像去噪；传统TV去噪与交叠组稀疏去噪两种方法的算法推导；
第三章：数据分析，通过比较各算法的PSNR，计算时间等评价指标，对结果进行对比；
第四章：结论，对全文工作进行总结。
2 图像去噪
2.1 空域去噪和频域去噪
从去噪算法域的角度来说，可总结成两种：一是空间域算法，二是频率域算法。空间域又名像素域，在图像上是以矩阵的形式存在的，在空域上进行图像去噪处理时，难免要计算矩阵相乘，这就大大复杂化了计算的过程。而空域上的矩阵在频率域上只是以几个点的形式存在的，点的相乘就比矩阵乘法简单了很多，可以利用傅里叶变换把空间域中的图像转换到频率域中去，在频域中进行算法处理之后得到的结果再反变换到空域，这就是频域算法。基于高斯噪声的特点，本文提出了一种频域去噪算法：
高斯噪声去噪模型为：
2
211=**x y J u ??-++??
F G K F K F
2-1（）
其中的*表示二维卷积算子，[1,1]x =-K ,[1,1]T
y =-K 。
令12
**x y =???=??Z K F Z K F ，问题转化为：
212211
12
=+u ( )
**x y J ?-+??
=??=??F G Z Z Z K F
Z K F
2-2（）
引入缩放版拉格朗日系数1Z 和2Z
(
)2
12
11211
2
2
12222222
=,**,**2
2
,2
ALM x x y y J u z ββ
β
ββ
β-++-
-+
---+
---++
-+F G Z Z Z Z K F
Z K F Z K F Z K F F G F G
2-3（）
其中F 子问题的子函数为：
22
11122
2
2
222*,**2
2
,*,2
x x y y J β
β
ββ
ββ=
---+---+
-+--+F Z K F
Z Z K F Z K F
Z Z K F F G F G
2-4（）
对式2-4（）配方补项：()221
10=
2
ββ-Z
Z
2
222211212y 2
2
222
2
**2
2
2
2
2
F x ββ
β
ββ
=
---
+
---
+
-+J Z Z K F Z Z K F Z
Z
F G
2-5（）
由于()
(1,2,3)k i
i =Z 与F 已经去耦合,则空域表达式为：
(1)2
()(1)()112
2
2(1)()(1)2y 22
2
=
*+
2
*2
2
k k k k x k k k J β
β
β
++++----+
-+F Z K F Z Z K F Z
F G
2-6（）
将式子2-6（）进行傅里叶变换，得频域表示式：
(1)
2
()
(1)
()1
2
2
2
()
(1)
(1)
()2
2
2
1
2
=
+
2
2
2
k k k k F
k k x k k y β
β
β
++++----+
-+J
Z
K F
Z
Z K F
Z F
G
2-7（）
其中表示点乘操作。X 表示X 的频谱。则有：
(1)*(1)()1(1)
()1()*
(1)
(1)
()
22
=()+()()=0
k k k F
k k k y k y
k k x x βββ+++++?+?+--+-J K K F Z Z F
K K F
Z
Z F
G
2-8（）
得：
(**
(1)
*
())
2
2*
(1
))
(1(=()
)+()+k x
x k k k y y y
k x
+++--1K K K K F K Z Z K Z
Z G
2-9（）
令：
*
*
1x
x y y Lhs ++=K K K K
2-10（）
()
()
2
1*
*
()
()21()()++k k y
x
k k Rhs =--Z Z K Z K Z G
2-11（）
则有：
=Lhs Rhs F
2-12（）
而1Z 子问题的目标函数为：
()2
()()1
111
2
=*2
k k x J u β+--1Z Z Z K F Z
2-13（）
根据软阈值收缩规律得：
(1)()()11()()()()11()()()()11=soft(*,/)=
*/,*>/0
(*)/,(*)
ββ
++?+-+?
??-++-+-?
Z K F Z K F Z K F Z K F Z K F Z 2-14（）
其中soft 表示软阈值收缩算子，得解析表示式：
soft(,)=sgn()max(abs()-,0)x x x ττ 2-15（）
同理，2Z 的子问题的目标函数为：
()22
()()22212=*2
k k y u β+--J Z Z Z K F Z
2-16（）
(1)()()
22=soft(*,/)k k k y u β++Z K F Z
2-17（）
1Z 子问题的目标函数为：
(1)1
(1)()()11=,*k+k+k k x J β--Z Z Z K F
2-18（）
利用梯度上升法可得：
(1)()()()111=(*)k+k k k x γβ+-Z Z K F Z
2-19（）
2Z 子问题的目标函数为：
(1)2
(1)()()22=,*k+k+k k y J β--Z Z Z K F
2-20（）
利用梯度上升法可得：
(1)()()()222=(*)k k k k y γβ++-Z Z K F Z
2-21（）
2.2 传统全变分去噪
传统TV 去噪模型如下[1]：
()2
21arg min
R 2
μ=-+f
f f
g f 2-22（）
其中，2
N 1?∈g R 表示带噪向量化的图像；2
N 1?∈f R 表示由TV 去噪模型恢复出的图像；图像大小为N N ?；R()f 表示稀疏约束项；μ是一个常数，用来衡量保真项与正则项之间的权重。
传统各向异性TV （Anisotropic TV , ATV ）定义如下：
()ATV h v 11R =+f f f ??
2-23（）
其中，2
2
N N h R ?∈?和2
2
N N v R ?∈?分别表示横向和竖向差分矩阵，它们的计算方法如下[13, 15]：
h v0v v0
= = ??D I I D ??
2-24（）
其中，?表示克罗内克积操作，v0D 定义如下：
N N v01111110?-??
?
- ?
?=∈ ?
- ?
???
D R 2-25（）
2.3 交叠组稀疏全变分去噪
在本部分，我们引入OGSTV 模型用来对图像进行去噪。去噪模型如下：
()()2
h v 21arg min 2
μ??=-++????f f f g f f ?? 2-26（） 其中，K
K
~
i,j,K,K
i 1j 1
2
()V ?===∑∑V ，~
i,j,K,K V 的定义如下：
l l
l l l r l l
l l l r r l
r l r r i-K ,j-K i-K ,j-K +1i-K ,j+K ~
i-K +1,j-K i-K +1,j-K +1i-K +1,j+K i,j,K,K i+K ,j-K i+K ,j-K +1
i+K ,j+K =??
?
?
??
?
???
????
V V V V V V V V V V 2-27（）
其中，K 是组合值大小。l K 1K 2-??=????，r K K 2??
=????
。其中，x ????表示小于或等于x 的最大整数值。
从公式（2-27）可以看出，OGSTV 模型将某一像素点与其临近像素点的组合稀疏特性考虑进去，这样可以去除TV 模型带来的阶梯效应。下面介绍如何求解OGSTV 去噪模型。
为了求解公式（2-26），引入分离变量[12]。令1h =z f ?，2v =z f ?，公式可表示如下：
[]2
122h 2v 1 1arg min
()()2
.,s t μ??=-=++=f f f g z z f z z f ?? 2-28（）
引入对偶变量~
1z ，~
2z 以及相应的补偿函数，将上述有约束问题转换为下述无约束问题：
()()()122
2
121212h v 2221221arg mi 2n 2
μ??β=-+++-+-?????-- ? ?
???
~~f,z ,z f,z ,z f g z z f z f z z z ??
2-29（）
根据公式（2-29），f 子问题可由下列约束求解：
2
2
(1)
12
h 21v 22221a 2rg min 2k β+??
-=-+-+-- ? ??
?
~~f f
f g f z f z z z ?? 2-30（） 由于公式（2-30）等式右边的函数是光滑的凸函数，可令其一阶差分结果等于0，从而求解最优值：
()1(k)(k)(k)~~T T 12h h v v (k)
2β????=-+-+??++????- ? ??
???0f g f z f z z z ???? 2-31（）
在用传统Split Bregman 算法求解上述公式时，公式（2-31）可由CG 算法进行求解。然而，在CG 算法求解过程中，涉及到两个大型矩阵（2
2
N N h ?∈R ?和
22
N N v ?∈R ?）乘法运算。由于矩阵相乘的计算复杂度是23((N ))O ，当使用CG 算法时，计算效率不会很高。
为了避免大型矩阵相乘运算，将公式（2-30）表示成矩阵卷积形式。此时，计算复杂度由23((N ))O 变为22(N log (N))O ：
2
(k)(k)2(k+1)(k)
12h 2h 2222(k)1β1arg min K 2K 2?? ?
- ??
?----~~F Z Z F =F G +*f Z +Z *f 2-32（）
其中，h K =[1,1]-表示横向卷积核，v K [1;1]=-是纵向卷积核。
()N N
(k)1,2i
i ?∈= Z R
是i (i 1,2)=z 的矩阵形式；
(k)
N ~N
(1,2)i i ?=∈ Z R 是~
(1,2)i i =z 的
矩阵形式。N N ?∈G R 是g 的矩阵形式。2?表示基于元素的矩阵的2范数。
令公式（2-32）等式右边的一阶差分结果为0，可以得到F 的值[3]：
()()()()()()()()()()()
-1
(k)(k)(k)~~*
*
122D 2D 2D 2D 2D (k 1)2D
**
2(k)h 12h v D 2D h 2D 2D v +K K K K K K v F F F F F F F F F F ββ+????-+- ? ?
????=++1G Z Z Z Z F 2-33（）
其中，2D F 和-1
2D F 分别表示二维傅里叶变换和二维傅里叶反变换；符号表示不同
矩阵之间相同位置元素点乘；式（2-33）中的除法对应的也算相同位置元素点除，对F 向量化即可得到f 。
子问题(1,2)i i =z 可由下列最小化问题求解：
1
2
(k 2
12
)
~k 11
1
h (k)
~k 12
22v 2
22
arg min ()ar 2
2
g min ()μ?μβ
?β
++-+
-=+-=-（）
（）1z z z z z f z z z z f z ??
2-34（）
根据最大最小值（Majorization Minimization, MM ）算法[10, 16]，i (i 1,2)=z 可由下列迭代循环操作求解：
()
1
(k)~(k 1)2(k 1)11(n 1)1(n)h 1
(k)
~(k 1)2(k 1)22(n 1)2(n)v =+()+=+()+n 1,2,.βμβμ-+++-+++???? ?
??????
????= ???????
I I z z f z z z f z Λ?Λ?
2-35（）
其中，I 表示单位矩阵；(k 1)
i(n)(i 1,2)+=z 表示在第（k+1）次外循环中MM 算法的第
n 次迭代；(k)
(k)
~~(k 1)
(k 1)121(0)
h 2(0)v =+=+++，z
f z z
f z ??；Λ是一个对角线矩阵，对角线上
的元素定义如下：
[
]m,m
()u =Λ
2-36（）
根据Split Bregman 算法，对偶变量1~
z , 2~
z 的更新方式如下：
12
(k)(k 1)
(k)
~~1
1h (k 1)
(k)
~~2
2v (k)
=+=+++--z z f z z z f z ??
2-37（）
将整个算法总结在算法1。
算法1 基于OGSTV-FFT 的图像去噪伪代码
初始化：~
1z ,~
2z =0,1z ,2z =0,,,14,1tol e k μβ=-=.
While (k 1(k)
(k)2
tol f
f f +->）
根据公式（2-33）更新(k 1f +）; While (k 1)
(k 1)
(k 1)
i(n+1)i(n)
i(n+1)
2
2
tol +++->z z z do
根据公式（2-35）更新(k 1)
(n)(1,2)i i +=z ; n=n+1. End while k 1
(k 1)
(n 1)(1
,2)i
i i +++==z z ; 根据公式（2-37）更新1~
z , 2~
z ;
k=k+1.
End while
3实验与分析
3.1 实验环境
为了说明本文提出方法的优越性，我们针对几组图像做了实验，如图1所示。图像的大小为256256
?。本文使用的噪声为高斯随机白噪声（White Gaussian Random Noise），其中均值为0，标准差分别为10，20，50，70和100。在接下来的实验中，我们将本文提出的算法与已有的方法进行对比，包括各项异性ATV[12]和总广义全变分TGV[6]方法。在OGSTV模型中，我们令CG算法的内循环次数为2。组合值大小K设置为3。
(a) Boat(b) Cameraman(c) House
(d) Lena(e) Pepper(f) Barbara
图1测试图像组
本文所有的实验都是在版本为R2015a的MA TLAB编程环境下实现的。所有的实验都是在同一台笔记本电脑上实现的，3.2G因特尔核处理器，4G内存以及Windows7操作系统。对比参数主要包括图像恢复时间，峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）和结构相似性信息（Structural Similarity, SSIM）[17]。权重系数μ的值随着噪声增加越来越大。PSNR和SSIM的定义如下：
()
2
2
ij ij
2
i1j1
255
PSNR=10lg
1
X Y
N N
N
==
-
∑∑
-1
（3）
()()()()
22
22X
Y 1XY 2222
2222
2X
Y
1
X
Y
2
2255k 2255k SSIM=
255k
255k
μ
μσμ
μσ
σ++++++
-2（3）
其中，X 表示原始图像，Y 表示恢复图像；X μ和Y μ分别是图像X 和Y 的均值；2
X σ和2Y σ分别表示图像X 和Y 的方差；XY σ是X 和Y 的协方差；
在本文中，令1k 0.01=, 2k 0.03=。峰值信噪比越大说明去噪效果越好，SSIM 的取值范围为（0,1），其值越接近于1表示相似度越高，效果越好。
3.2 几种算法去噪效果的测试和比较
以图1图像组为测试对象，测试中使用的噪声为高斯随机白噪声，其均值为0，噪声方差σ分别为20，30，40，50和60。在实验中，对比ATV 、FTV 、TGV 、OGSTV-FFT 模型四种算法的去噪结果，为了保证评价的客观性和公平性，上述算法的迭代条件均规定为：
1142
2
10k k k
-+--? -3（3） 调节各种算法的正则参数，以达到各自的最佳去噪效果，保证测试的公平性。在OGSTV-FFT 模型中，组合值设置为=3M 。对不同图像的测试结果如表1所示，我们将最优指标用黑色粗体标出。 表1 几种算法对不同图像去噪的PSNR （dB ）和SSIM 值 图像 方差 ATV FTV TGV OGSTV-FFT PSN R SSIM PSN R SSIM PSN R SSIM PSN R SSIM Boat 20 26.889 0.741 27.430 0.763 27.239 0.758 27.632 0.778 30 25.217 0.676 25.317 0.678 25.357 0.683 25.553 0.698 40 25.099 0.739 25.560 0.762 25.566 0.761 26.415 0.796 50 23.103 0.570 23.164 0.572 23.148 0.576 23.323 0.590 60 22.400 0.540 22.150 0.527 22.370 0.542 22.607 0.559 Camerama n 20 28.469 0.833 28.830 0.803 28.771 0.834 29.091 0.842 30 26.553 0.771 26.562 0.763 26.555 0.771 26.755 0.790 40 24.853 0.724 24.772 0.728 24.892 0.714 25.036 0.729 50 23.561 0.691 23.620 0.675 23.560 0.683 23.863 0.686 60 22.547 0.652 22.362 0.667 22.468 0.650 22.655 0.653 House 20 31.372 0.838 30.670 0.785 31.141 0.829 31.631 0.839 30 29.406 0.785 29.184 0.771 29.136 0.780 29.871 0.807 40 28.042 0.763 27.997 0.772 27.632 0.740 28.350 0.777 50 27.020 0.746 26.723 0.719 26.677 0.733 27.212 0.757 60 26.055 0.717 25.987 0.747 25.735 0.711 26.251 0.748 Lena 20 28.682 0.821 28.742 0.799 29.043 0.832 29.289 0.836 30 27.093 0.760 27.017 0.751 27.267 0.773 27.487 0.788 40 26.115 0.728 26.789 0.762 26.873 0.761 26.974 0.778 50 24.862 0.694 24.769 0.677 24.941 0.701 25.107 0.718 60 23.935 0.660 23.720 0.670 23.981 0.670 24.159 0.673 Peppers 20 29.456 0.851 29.206 0.816 29.299 0.857 29.559 0.859 30 27.392 0.793 26.919 0.782 26.955 0.806 27.454 0.818 40 25.346 0.757 25.186 0.759 25.420 0.762 25.791 0.783 50 24.448 0.735 24.232 0.715 24.211 0.741 24.605 0.741 60 23.503 0.696 22.786 0.706 23.041 0.711 23.728 0.713 Barbara 20 24.452 0.730 25.206 0.758 24.888 0.754 25.666 0.783 30 23.361 0.673 23.406 0.676 23.466 0.686 23.762 0.701 40 23.700 0.740 23.756 0.756 23.860 0.760 24.374 0.780 50 21.798 0.582 21.811 0.582 21.841 0.589 22.000 0.605 60 21.253 0.546 21.042 0.540 21.285 0.551 21.352 0.566 从表1可以看出，在对不同图像加入不同程度的噪声后，本文提出的模型对图像重建时的PSNR值和SSIM值均高于其他几种方法。表明该去噪模型具有较好的去噪效果，同时恢复出的图像与原始图像更为接近。为了进一步观察测试结果，下面给出几组测试结果对比图。 σ=噪声图像(c) ATV恢复图像 (a)Cameraman原图(b) 20 (d) FTV恢复图像(e) TGV恢复图像(f) OGSTV-FFT恢复图 像 图2几种算法恢复图像对比图 σ=噪声图像(c) ATV恢复细节 (a) Cameraman原图细节(b) 20 (d) FTV恢复细节(e) TGV恢复细节(f) OGSTV-FFT恢复细节 图3几种算法恢复图像细节对比图 σ=噪声图(b) A TV恢复图像(c) OGSTV-FFT恢复图像 (a) Boat60 σ=噪声图(e) ATV恢复图像(f) OGSTV-FFT恢复图像 (d)House60 σ=噪声图(h) A TV恢复图像(i) OGSTV-FFT恢复图像 (g)Lena60 σ=ATV和OGSTV-FFT恢复图像对比图 图4噪声方差60 图2、图3分别给出对大小为256256 ?的Cameraman图像加入方差为20的高斯白噪声后几种算法恢复的图像对比图和细节放大对比图。图4给出对Boat、House、Lena图像加入方差为60的高斯白噪声后，分别用ATV模型和OGSTV-FFT 模型恢复图像的对比图。从恢复图像的视觉效果来看，本文方法在保护图像轮廓边缘的同时，较好地处理了图像平滑区域灰度值相近的像素点的重建，避免了阶梯效应，去噪整体性能良好。在高污染噪声的情况下，本文提出的方法恢复的图像依然具有良好的视觉效果。 3.3 几种算法去噪时间测试和比较 为了进一步检验所提模型的时效性，在保证上文所提测试公平性的前提下，将方差 分别为20，30，40的噪声加入图1测试图像组。实验中，OGSTV和OGSTV-FFT模型组合值均设置为=3 M。对比ATV、TGV、OGSTV、OGSTV-FFT 模型四种算法对图像重建时的PSNR值和耗时Time。测试结果如表2所示，我们将最优指标用黑色粗体标出。 表2 几种算法对不同图像去噪的PSNR（dB）和时间 图像方差 ATV TGV OGSTV OGSTV-FFT PSN R Time PSN R Time PSN R Time PSN R Time Boat 30 25.217 4.87 25.357 2.53 25.437 8.19 25.553 1.31 40 25.099 3.85 25.566 2.48 26.334 7.91 26.415 1.12 Camerama n 20 28.469 4.38 28.771 2.51 28.981 8.55 29.091 1.70 30 26.553 4.99 26.555 2.54 26.655 8.61 26.755 1.44 40 24.853 4.21 24.892 2.48 25.120 7.41 25.036 1.12 House 20 31.372 3.82 31.141 2.40 31.507 6.36 31.631 0.81 30 29.406 4.46 29.136 2.43 29.870 8.13 29.871 0.94 40 28.042 5.76 27.632 2.53 28.316 6.85 28.350 0.81 Lena 20 28.682 3.00 29.043 2.50 29.207 5.61 29.289 1.31 30 27.093 3.59 27.267 2.56 27.408 6.85 27.487 1.12 40 26.115 3.78 26.873 2.43 26.938 7.39 26.974 1.53 Peppers 20 29.456 4.09 29.299 2.54 29.630 6.40 29.559 1.87 30 27.392 4.77 26.955 2.51 27.400 9.27 27.454 1.60 40 25.346 5.69 25.420 2.53 25.802 7.60 25.791 1.37 Barbara 20 24.452 4.02 24.888 2.43 25.545 8.89 25.666 2.12 30 23.361 4.35 23.466 2.54 23.760 8.11 23.762 1.50 60 23.700 4.26 23.860 2.54 24.391 7.85 24.374 1.25 从表2可以看出，在对不同图像加入不同程度的噪声后，OGSTV和OGSTV-FFT模型对图像重建时的PSNR值比较接近，均高于其他两种模型的测试结果。由于OGSTV模型在图像重建过程中，考虑了图像梯度的邻域信息，因此增加了计算的复杂度，在时域中实现该算法时，耗时较长。而OGSTV-FFT模型引入快速傅里叶变换，将时域图像差分操作变换到频域，有效避免大矩阵相乘运算。因此，不仅降低了计算时间，还提高了计算的准确度。 3.4 OGSTV与OGSTV-FFT对比 我们将用传统Split Bregman求解OGSTV去噪模型命名为OGSTV，将加入FFT的求解模型命名为OGSTV-FFT。本部分主要分析加入FFT之后对图像去噪的影响。表 1和表 1表 2给出Lena和Boat图像在加入噪声方差分别为10，20，50，70和100后的OGSTV和OGSTV-FFT方法在时间上的对比。 表 1 OGSTV-FFT和OGSTV方法关于Lena图像的去噪结果对比σMethods PSNR SSIM Time 10 OGSTV-FFT OGSTV 32.600 0.889 5.09 32.582 0.889 8.91 20 OGSTV-FFT OGSTV 29.133 0.821 7.83 29.079 0.819 13.18 50 OGSTV-FFT OGSTV 25.036 0.698 6.91 24.893 0.698 23.52 70 OGSTV-FFT OGSTV 23.325 0.642 7.89 23.416 0.633 29.25 100 OGSTV-FFT OGSTV 21.316 0.566 7.32 21.381 0.551 29.52 表 2 OGSTV-FFT和OGSTV方法关于Boat图像的去噪结果对比Methods PSNR SSIM Time 10 OGSTV-FFT OGSTV 31.499 0.880 5.49 31.486 0.880 7.16 20 OGSTV-FFT OGSTV 27.701 0.775 9.63 27.673 0.772 17..30 50 OGSTV-FFT OGSTV 23.461 0.593 10.24 23.424 0.589 19.44 70 OGSTV-FFT OGSTV 22.065 0.525 10.70 22.033 0.520 23.49 100 OGSTV-FFT OGSTV 20.550 0.450 6.32 20.532 0.442 26.40 从表中可以看出，在传统Split Bregman算法中引入FFT，图像恢复时间明显减少。并且在大部分情况下，OGSTV-FFT的图像质量优于OGSTV的图像质量。这也充分说明在Split Bregman算法中加入FFT理论后，对图像恢复作用显著。 4总结与讨论 在本文中，我们提出一种新的基于OGSTV的图像去噪方法。为求解该去噪模型，我们引入FFT理论和Split Bregman算法。在OGSTV模型中，它不仅考虑到图像的稀疏特性，还利用到图像的结构稀疏特性，该方法能有效去除TV模型中产生的阶梯伪影。 在Split Bregman算法中引入FFT理论，可以用点除运算代替CG算法，这样不仅可以减少计算时间，还能提高计算准确度。不仅如此，还能避免占用大量内存的大型矩阵相乘运算。从实验结果中可以看出，加入FFT之后，基于OGSTV 模型的图像去噪时间明显减少。与ATV和TGV方法相比，OGSTV-FFT方法能获得最大的PSNR和SSIM值，这说明该方法不仅在误差方面，在结构相似性方面也能获得明显优于ATV和TGV方法的图像结果。 5参考文献 [1] L I Rudin, S Osher, E Fatemi. Nonlinear total variation based noise removal algorithms [J]. Physica D: nonlinear phenomena, 1992, 60(1-4): 259-268. [2] D H Salvadeo, N D Mascarenhas, A L Levada. Nonlocal Markovian models for image denoising [J]. Journal of Electronic Imaging, 2016, 25(1): 013003-013003. [3] Y Wang, J Yang, W Yin, Y Zhang. A new alternating minimization algorithm for total variation image reconstruction [J]. SIAM Journal on Imaging Sciences, 2008, 1(3): 248-272. [4] Z Ren, C He, Q Zhang. Fractional order total variation regularization for image super-resolution [J]. Signal Processing, 2013, 93(9): 2408-2421. [5] F Knoll, K Bredies, T Pock, R Stollberger. Second order total generalized variation (TGV) for MRI [J]. Magnetic Resonance in Medicine, 2011, 65(2): 480-491. [6] K Bredies, K Kunisch, T Pock. Total generalized variation [J]. Siam Journal on Imaging Sciences, 2010, 3(3): 492-526. [7] X Q Zhang, M Burger, X Bresson, S Osher. Bregmanized nonlocal regularization for deconvolution and sparse reconstruction [J]. Siam Journal on Imaging Sciences, 2010, 3(3): 253-276. [8] X Q Zhang, T F Chan. Wavelet inpainting by nonlocal total variation [J]. Inverse Problems and Imaging, 2010, 4(1): 191-210. [9] I W Selesnick, P Y Chen. Total variation denoising with overlapping group sparsity [J]. 2013 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2013: 5696-5700. [10] G Liu, T Z Huang, J Liu, X G Lv. Total variation with overlapping group sparsity for image deblurring under impulse noise [J]. Plos One, 2015, 10(4): 1-23 [11] F de Vieilleville, P Weiss, V Lobjois, D Kouame. Alternating direction method of multipliers applied to 3D light sheet fluorescence microscopy image deblurring using GPU hardware [J]. Conference proceedings : Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Annual Conference, 2011, 2011: 4872-4875. [12] T Goldstein, S Osher. The split Bregman method for L1-regularized problems [J]. Siam Journal on Imaging Sciences, 2009, 2(2): 323-343. [13] Y L Wang, J F Yang, W T Yin, Y Zhang. A new alternating minimization algorithm for total variation image reconstruction [J]. Siam Journal on Imaging Sciences, 2008, 1(3): 248-272. [14] A Qteish. Conjugate-gradient methods for metallic systems and band-structure calculations [J]. Physical review B, Condensed matter, 1995, 52(20): 14497-14504. [15] G Steidl, T Teuber. Removing multiplicative noise by douglas-rachford splitting methods [J]. Journal of Mathematical Imaging and Vision, 2010, 36(2): 168-184. [16] P Y Chen, I W Selesnick. Translation-invariant shrinkage/thresholding of group sparse signals [J]. Signal Processing, 2014, 94: 476-489. [17] Z Wang, A C Bovik, H R Sheikh, E P Simoncelli. Image quality assessment: from error visibility to structural similarity [J]. IEEE transactions on image processing : a publication of the IEEE Signal Processing Society, 2004, 13(4): 600-612. 图像阈值分割及去噪的实现毕业论文 目录 摘要 (1) Abstract (2) 目录 (3) 引言 (4) 第一章图像噪音 (5) 第二章图像缩放和灰度变换处理 (6) 2.1图像缩放处理方法 (6) 2.2图像灰度变换处理 (6) 第三章图像阈值分割 (8) 3.1 图像分割技术概要 (8) 3.2图像阈值分割原理 (8) 3.3图像阈值分割方法 (9) 第四章图像去噪 (12) 4.1 滤波原理 (12) 4.2滤波实现方法 (12) 第五章仿真实验结果和讨论 (16) 5.1图像二值化算法对比 (16) 5.2图像去噪效果对比 (17) 结论 (21) 参考文献 (22) 致谢语 (23) 引言 数字图像处理是从 20 世纪 60 年代以来随着计算机技术和 VLSI 的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用上都取得了巨大的成就，并引起各方面人士的广泛重视[1]。首先，视觉是人类最重要的感知手段，图像又是视觉的基础。因此数字图像成为心理学、生物医学、计算机科学等诸多方面的学者研究视觉感知的有效工具。其次，数字图像处理在军事、遥感、工业图像处理等大型应用中也有不断增长的需求。为适用特殊的场合和获得较好的视觉效果，常常需要一种有效的方法来对图像进行处理。 数字图像处理技术从广义上可看作是各种图像加工技术的总称。它包括利用计算机和其他电子设备完成的一系列工作，如图像分割、图像变换、图像去噪等。本文主要是在整合各种优秀的阈值分割和滤波算法的基础上，实现对图像进行分割和去噪，达到处理和读取图像的目的。在MATLAB仿真的基础上，比对各种分割和去噪方法的优缺点。 空调机房噪声治理方案 一、空调机组的噪声主要由以下3个方面组成： 1、空调机组空传噪声： 机组设备、电机及风机形成风扇旋转噪音、机械噪声、电磁噪音、气流运动形成的气旋涡流噪音在机房内墙壁多次反射，造成反射声波与入射声波的再次叠加致使声能量增加的混响噪音。而目前的隔墙多为轻质墙体，隔音效果较差，空传噪声透过墙体对相临区域都造成了噪声污染。 2、空调机组进出风噪声： 由于空调机组必须要引进新风进行循环，因为空气动力性噪声是通过空气传播，所以空调机组或机房的进出风口会造成透声，对周围环境造成影响。 3、空调机组振动： 通常空调机组在最初安装时没有考虑减震处理或是没有根据机组设备的重量、振频和振幅来进行专业隔振设计和选型，所以当机组设备作业时，设备振动通过各管道及配件与设备主体结构框架沿着与之相连的所有钢性构件形成结构传声，这种噪声具有低频、传播远、衰减小的特点。并且通过楼房结构传播，对楼上，楼下及相临区域都造成了噪声污染。 4、冷却水循环水泵及管道系统减震。 空调机组噪声及震动综合治理方案，要结合现场实际工况和要求如：设备安装位置，声源类型，噪声级和频率，环境/环保要求，通 风散热要求，降噪目标等，来进行针对性的技术设计。最好在设备选型、安装之前就要考虑噪声控制问题。 案例分析 一、项目概况： 洛阳老城区古城天街中央空调机房位于古城天街地下停车场内，占地约300平方，古城天街商业街是集餐饮、娱乐、休闲、旅游、购物、古玩、居住为一体大型城市综合体，满足一站式吃、喝、玩、乐、购的全方位需求。坐落于环城北路与北大街交汇处，临近唐宫东路、中州路、九都路。 古城天街项目作为市政重点商业项目，属原址恢复性建筑。一层全天候室内步行街，二层以上至6层为居民住宅。中央空调运行时将产生低频及中高频声波，沿中央空调主机机座基础通由墙体、立柱上传到一层商户及二层以上住宅，影响商户的正常经营权和居民的休息权造成扰民现象的发生。 安喜门古城天街中央空调机房内空调主机一组，配套水泵2台，基础为整体混凝土基础，简单做12mm减振垫（减振效果不容乐观），进排水所属管道及支架均吊挂于天花板，为刚性连接。管道穿墙部分未做软连接处理，极易产生结构共振。三樘门为普通木质防火门，隔音量有限，极易产生漏音。 上述声源设备均未做消音减振处理，因5月6号现场机器设备无法同时开启，经专业声学测算数据监测结合以往隔音实践，机房内空调主机噪音在115db(A)+－2 db(A),因整个机房内无做隔音消音处理， 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 信号与系统实验大作业 滑动平均系统的去噪处理 题目： （1） 画出(k=1:50)原始信号f[k]波形图，噪声干扰信号d[k]及加噪后的信号 时域图。（其中，d[k]可以下列语句产生：d=2*(rand(1,R)-0.5) （2） 画出去噪后y[k] (k=1:50)的信号时域图 （3） 讨论M=2时，去噪效果如何？ 内容： 设输入信号为受噪声干扰的信号为f[k]=s[k]+d[k]，其中)400/sin(**2][πk k k s =是原始信号，d[k]是噪声。已知M 点滑动平均系统的输入输出关系为： 101[][]M n y k f k n M -==-∑ 试利用MATLAB 编程实现(k=1:50)用M ＝5点滑动平均系统对受噪声干扰的信号去噪。 程序： % program 8_3 Signal smoothing by moving average filter R=51;% length of input signal % generate (-0.5,0.5)uniformly distributed random number d=rand(1,R)-0.5; k=0:R-1; s=2*k.*sin(k.*pi./400); f=s+d; figure(1); plot(k,d, 'r-.',k,s, 'b: ',k,f, 'k-'); xlabel('Time index k');legend('d[k]', 's[k] ', 'f[k] '); M=5;b=ones(M,1)/M;a=1; y=filter(b,a,f); figure(2);plot( k,s, 'b:',k,y,'r-'); xlabel( 'Time index k');legend('s[k] ', 'y[k]'); M=2;b=ones(M,1)/M;a=1; y=filter(b,a,f); figure(3);plot( k,s, 'b:',k,y,'r-'); xlabel( 'Time index k');legend('s[k] ', 'y[k]'); 毕业论文声明 本人郑重声明： 1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。本人完全意识到本声明的法律结果由本人承担。 2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。 3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。 4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。 学位论文作者（签名）： 年月 关于毕业论文使用授权的声明 本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。本人完全了解大学有关保存，使用毕业论文的规定。同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入学校有关数据库和收录到《中国学位论文全文数据库》进行信息服务。在不以赢利为目的的前提下，学校可以适当复制论文的部分或全部内容用于学术活动。 论文作者签名：日期： 指导教师签名：日期： 如何学好数字信号处理课程 《数字信号处理》是相关专业本科生培养中，继《信号与系统》、《通信原理》、《数字逻辑》等课程之后的一门专业技术课。数字信号处理的英文缩写是DSP ，包括两重含义：数字信号处理技术（Digital Signal Processing ）和数字信号处理器（Digital Signal Processor ）。目前我们对本科生开设的数字信号处理课程大多侧重在处理技术方面，由于课时安排和其他一些原因，通常的特点是注重理论推导而忽略具体实现技术的介绍。最后导致的结果就是学生在学习了数字信号处理课程之后并不能把所学的理论知识与实际的工程应用联系起来，表现在他们做毕业设计时即使是对学过的相关内容也无法用具体的手段来实现，或者由于无法与具体实际相挂钩理解而根本就忘记了。我相信，我们开设本课程的根本目的应该是让学生在熟练掌握数字信号处理的基本原理基础上，能结合工程实际学习更多的DSP 实现技术及其在通信、无线电技术中的应用技能，这也是符合DSP 本身的二重定义的，学生通过本课程的学习，将应该能从事数字信号处理方面的研究开发、产品维护等方面的技术工作。其实很多学生在大学四年学习过后都有这种反思：到底我在大学学到了什么呢？难道就是一些理论知识吗？他们将如何面对竞争日益激烈的社会呢？ 因此，大家在应用MATLAB学习并努力掌握数字信号处理的原理，基本理论的同时，应该始终意识到该课程在工程应用中的重要性，并在课后自学一些有关DSP技术及FPGA技术方面的知识。这样，学习本课程学习的三部曲是：一，学习数字信号处理的基本理论；二，掌握如何用MATLAB 实现一些基本的算法，如FFT ，FIR 和IIR 滤波器设计等；三，选择一种数字信号处理器作为实现平台进行实践学习，比如TI 公司的TMS320C54x 系列芯片，包括该处理器的硬件和软件系统，如Code Composer Studio及像MATLAB Link for Code Composer Studio这样的工具。 在学习数字信号处理的过程中，要注重培养自己的工程思维方法。数字信号处理的理论含有许多研究问题和解决问题的科学方法,例如频率域的分析方法、傅里叶变换的离散做法、离散傅里叶变换的快速计算方法等, 这些方法很好。虽然它们出现在信号处理的专业领域, 但是, 其基本精神是利用事物的特点和规律解决实际问题, 这在各个领域中是相同的。还有, 数字信号处理的理论的产生是有原因的, 这些原因并不难懂, 就是理论为应用服务, 提高使用效率。 例如: 为什么要使用频率域的分析方法?原因是从时间看问题, 往往看到事物的表面, 就像 我们用眼睛看水只能看到水的颜色, 看不到水的基本成分, 同样, 从时间看信号只能看到信号变化的大小和快慢,看不到信号的基本成分; 若采用分解物质的方法, 从成分的角度去看, 用化学分析则能看到水的各种成分, 同样, 用分解信号的方法则能看到信号里的基本成分, 至于基本成分的选择则视哪种基本类型最适合实际信号处理, 这就是频率域的分析方法。 又如: 为什么要采用离散的傅里叶变换?原因很简单, 因为要利用计算机计算傅里叶变换, 而计算机只能计算数据, 不能计算连续变量, 所以必须分离连续的傅里叶变换, 使它成为离散的傅里叶变换。 再如: 为什么要采用离散傅里叶变换的快速计算方法?原因是, 理论上离散傅里叶变换能让计算机分析频谱, 但是, 直接按照离散傅里叶变换的定义计算它, 计算量太大, 实用价值不大; 只有采用巧妙的方法降低计算量, 则离散傅里叶变换才有实用价值,这种巧妙的方法就 是离散傅里叶变换的快速计算方法。降低计算量的巧妙之处在, 离散傅里叶变换的计算量与信号的长度成正比, 科学家想办法将信号分解成为短信号, 分解成为短信号的方法有多种, 只要开动脑筋，我们也是一样可以想出来的。 最后，感谢同学们对我的支持，我会尽我所能，与大家共同探索"数字信号处理"领域的奇妙世界。 数字图像处理系统毕业论文基于ARM的嵌入式数字图像处理系统设计 摘要 简述了数字图像处理的应用以及一些基本原理。使用S3C2440处理器芯片，linux内核来构建一个简易的嵌入式图像处理系统。该系统使用u-boot作为启动引导程序来引导linux内核以及加载跟文件系统，其中linux内核与跟文件系统均采用菜单配置方式来进行相应配置。应用界面使用QT制作，系统主要实现了一些简单的图像处理功能，比如灰度话、增强、边缘检测等。整个程序是基于C++编写的，因此有些图像变换的算法可能并不是最优化的，但基本可以满足要求。在此基础上还会对系统进行不断地完善。 关键词：linnux 嵌入式图像处理边缘检测 Abstract This paper expounds the application of digital image processing and some basic principles. The use of S3C2440 processor chip, the Linux kernel to construct a simple embedded image processing system. The system uses u-boot as the bootloader to boot the Linux kernel and loaded with file system, Linux kernel and file system are used to menu configuration to make corresponding configuration. The application interface is made using QT, system is mainly to achieve some simple image processing functions, such as gray, enhancement, edge detection. The whole procedure is prepared based on the C++, so some image transform algorithm may not be optimal, but it can meet the basic requirements. On this basis, but also on the system constantly improve. Keywords:linux embedded system image processing edge detection 图像去噪处理的研究及M A T L A B仿真 目录 引言 (1) 1图像去噪的研究意义与背景 (2) 1.1数字图像去噪研究意义与背景 (2) 1.2 数字图像去噪技术的研究现状 (3) 2 邻域平均法理论基础 (3) 2.1 邻域平均法概念 (3) 3 中值滤波法理论基础 (3) 3.1中值滤波法概念 (3) 3.2中值滤波法的实现 (4) 4中值滤波法去噪技术MATLAB仿真实现 (4) 4.1Matlab仿真软件 (4) 4.2中值滤波法的MATLAB实现 (5) 4.3邻域平均法的MATLAB实现 (6) 总结 (8) 全文工作总结 (8) 工作展望 (8) 参考文献 (9) 英文摘要 (10) 致谢语 (11) 图像去噪处理的研究及MATLAB仿真 电本1102班姓名：杨韬 指导老师：刘明军摘要:图像是生活中一种重要的信息来源，通过对图像的处理可以帮助我们了解信息的内在信息。数字图像去噪声涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系非常完善，且其应用很广泛，在医学、军事、艺术、农业等都有广泛且充分的应用。MATLAB是一种高效的工程计算语言，在数值计算、数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。MATLAB是一种向量语言，它非常适合于进行图像处理。 本文概述了邻域平均法与中值滤波法去噪的基本原理。对这两种常用的去噪方法进行了分析比较和仿真实现。最后根据理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。为实际工作中的图像处理，去噪方法的选择和改进提供了数据参考和依据。 关键字：邻域平均法;中值滤波法;MATLAB 引言 图像因为一些原因总会被外界干扰，所以图像质量往往不是很好,而质量不好的图片又不容易进行进一步的处理。在对图像的地处理过程中，图像去噪是很重要的一个环节，所以想对图像进行进一步的处理,对图像的去噪就变得重要起来,所以很多研究人员对这一课题进行了比较全面的研究,图像的处理最传统的方法是在空域中的处理，也就是说在图像的空间范畴内对图像质量进行改善。也可以对图像进行平滑处理等，这属于第一类图像处理方法。 中值滤波法与邻域平均法是出现最早的去噪手段，而且由于其具备良好的空频特性，实际应用也非常广泛。其中图像的邻域平均去噪方法是众多空域图像去噪方法中效果最好的去噪方法。基本思想就是用邻近的像素平均值来代替噪声的像素，且图像尺寸越大，去噪 冷却塔噪声治理方案及实 例 Prepared on 24 November 2020 南昌佳绿环保噪声治理工程项目 泰豪集团冷却塔噪声治理工程介绍 一、项目名称：泰豪集团冷却塔噪声治理工程 二、项目编号：NCJL1522 三、项目地址：泰豪集团 四、项目规模：冷却塔噪声治理 五、工程工期： 30天 六、竣工时间：2015年2月28日 七、项目类别：冷却塔噪声治理工程 八、案例简介：泰豪集团在其厂房北侧安装有两台冷却塔机组，南侧安装一台小型冷却塔机组。当冷却塔开启时测得南侧厂界噪声60dB（A），北侧厂界噪声70dB（A）,）均超出了国家规定2类区夜间噪声排放标准。为有效控制冷却塔噪声，泰豪集团特邀我司对该冷却塔噪声提供合理的解决措施。 九、降噪目标： 达到国家相关标准 十、现场噪音源： 冷却塔主要靠机械通风冷却循环热水。用泵将循环热水送到水分布器喷出，水沿着填料下淋落到水池。由风机将冷空气引入与下淋的热水接触，进行热交换，将水冷却。冷却塔的噪声源由以下几部分组成： （1）风机进排气噪声(主要噪声源)； （2）淋水噪声(主要噪声源)； （3）风机减速器和电动机噪声； （4）冷却塔水泵、配管和阀门噪声； 其中，主要是风机运行进排气噪声和淋水噪声，风机通过进排气口和塔体向外辐射噪声。排气口噪声比进气口噪声高约5～10dB(A)，其频谱特性是以低频为主的连续谱，属低频噪声。循环热水从淋水装置下落时，与塔底接水盘中的积水撞击产生的淋水属高频噪声，淋水声的大小与淋水高度和单位时间的水流量有关。 十一、我们设计的方案: 针对泰豪集团这样的冷却塔低频噪声，我公司根据我们以往治理类似项目的经验，结合现场实际情况制定如下治理措施：1.在冷却塔与厂界之间及冷却塔两侧面采用隔声板密封，北侧 呈现“U”型屏障，屏障整体尺寸为（7+10+7）*8m；南侧呈现 图像去噪方法 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有:高斯噪声(主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声)等; 目前比较经典的图像去噪算法主要有以下三种: 均值滤波算法:也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。中值滤波:基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波:使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 一种基于交叠组合稀疏全变分图像去噪方法 An image denoising method based on overlapping group sparsity total variation 姓名：林志斌 摘要 全变分（Total Variation, TV）正则项作为一种常用的稀疏变换模型，因其在保持图像边缘信息方面具有明显的优势，已经被应用到图像去噪问题中。然而，它通常会产生阶梯效应。为了克服这个缺点，在本文中，我们引入交叠组合稀疏全变分（Overlapping Group Sparsity Total Variation, OGSTV）代替传统TV变换模型。为了求解该OGSTV去噪模型，我们提出一种基于快速傅里叶变换（Fast Fourier Transform, FFT）和Split Bregman算法的快速OGSTV去噪方法。实验结果表明，引入快速傅里叶变换理论后，图像去噪时间明显减少；与其他已有比较好的算法相比，可以获得更好的图像质量，阶梯效应明显改善。 关键词：全变分；图像去噪；快速傅里叶变换；交叠组合稀疏全变分 Abstract The total variation (TV) regularization is always used as a sparse representation and it has been applied to image denoising problem. Although TV model has obvious advantage in preserving image edges, it may introduce some undesired staircase 论文（设计）题目： 基于MATLAB的数字图像处理系统设计 姓名宋立涛 学号２０１２１１８６７ 学院信息学院 专业电子与通信工程 年级２０１２级 ２０１３年６月１６日 基于MATLAB的数字图像处理系统设计 摘要 MATLAB 作为国内外流行的数字计算软件，具有强大的图像处理功能，界面简洁，操作直观，容易上手，而且是图像处理系统的理想开发工具。 笔者阐述了一种基于MATLAB的数字图像处理系统设计，其中包括图像处理领域的大部分算法，运用MATLAB 的图像处理工具箱对算法进行了实现，论述了利用系统进行图像显示、图形表换及图像处理过程，系统支持索引图像、灰度图像、二值图像、RGB 图像等图像类型；支持BMP、GIF、JPEG、TIFF、PNG 等图像文件格式的读，写和显示。 上述功能均是在MA TLAB 语言的基础上，编写代码实现的。这些功能在日常生活中有很强的应用价值，对于运算量大、过程复杂、速度慢的功能，利用MATLAB 可以既能快速得到数据结果，又能得到比较直观的图示。 关键词：MATLAB 数字图像处理图像处理工具箱图像变换 第一章绪论 1.1 研究目的及意义 图像信息是人类获得外界信息的主要来源，近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多地利用图像信息来认识和判断事物，解决实际问题，由此可见图像信息的重要性，数字图像处理技术将会伴随着未来信息领域技术的发展，更加深入到生产和科研活动中，成为人类生产和生活中必不可少的内容。 MATLAB 软件不断吸收各学科领域权威人士所编写的实用程序，经过多年的逐步发展与不断完善，是近几年来在国内外广泛流行的一种可视化科学计算软件。MATLAB 语言是一种面向科学与工程计算的高级语言，允许用数学形式的语言来编写程序，比Basic、Fortan、C 等高级语言更加接近我们书写计算公式的思维方式，用MATLAB 编写程序犹如在演算纸上排列出公式与求解问题一样。它编写简单、编程效率高并且通俗易懂。 1.2 国内外研究现状 1.2.1 国内研究现状 国内在此领域的研究中具有代表性的是清华大学研制的数字图像处理实验开发系统TDB-IDK 和南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件。 TDB-IDK 系列产品是一款基于TMS320C6000 DSP 数字信号处理器的高级视频和图像系统，也是一套DSP 的完整的视频、图像解决方案，该系统适合院校、研究所和企业进行视频、图像方面的实验与开发。该软件能够完成图像采集输入程序、图像输出程序、图像基本算法程序。可实现对图像信号的实时分析，图像数据相对DSP独立方便开发人员对图像进行处理，该产品融合DSP 和FPGACPLD 两个高端技术，可以根据用户的具体需求合理改动，可以分析黑白和彩色信号，可以完成图形显示功能。 南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件可实现数字图像的采集、传输与处理。可利用软件及图像采集与传输设备，采集图像并实现点对点的数字图像传输，可以观察理解多种图像处理技术的效果和差别， 噪声污染的处理方法是什么 在工作场所中的噪音是第二个主要的来源。职业噪音的第一特点是都为宽带噪音，特别是办公室里的噪音，是由各种不同频率的声音组合而成的，另一个特点是具有广泛性，并且音量都很大。 凡是妨碍人们正常休息、学习和工作的声音，以及对人们要听的声音产生干扰的声音。从这个意义上来说，噪音的来源很多，如街道上的汽车声、安静的图书馆里的说话声、建筑工地的机器声、以及邻居电视机过大的声音，都是噪声，噪声污染的处理方法: 1．首先要尽可能避免噪声。在不影响工作、学习和娱乐的情况下，应严格控制家用电器和其他发声器具的音量和开关时间。尤其是高频立体声音响的使用，其音量一定要控制在70分贝以下（以无震耳欲聋的感觉为准）。汽车司机不应随意按喇叭，不要经常到人声嘈杂的商业区及歌厅去“接收”噪声等等，以尽可能地减少人为噪声的危害。2．注意防止家用电器的噪声污染。在购置家用电器时，要选择质量 好、噪声小的。尽量不要把家用电器集于一室，冰箱最好不要放在卧室；尽量避免各种家用电器同时使用；一旦家用电器发生故障，要及时排除，因为带病工作的家用电器产生的噪声比正常机器工作的声音大得多。 3．国外已经兴起了“寂静别墅”并深受欢迎，但出于国情，我国尚无力效仿，因而，只能在自己家中创造一种寂静的气氛。 一是安装中空玻璃窗、三层玻璃窗、真空玻璃窗、隔音密封条等。这样可将外来噪音减低一半，特别是临街的写字楼和家庭，效果比较理想； 二是安装钢门隔声。钢门对隔音亦有一定的帮助，如镀锌钢门中层隔有空气的设计，使得无论室内或室外的声音均较难传送开去。此外，钢门附有胶边，与门身碰合时并不会发出噪音。 三是多用布艺装饰和软性装饰； 四是注意室内不同功能房间的封闭。 4．遇到室内噪声污染的情况，可进行室内噪声检测，然后根据污染源采取相应的措施，如果是由外界造成的噪声污染，可与有关部门联系解决。 5．家庭成员和邻里之间要和睦相处，不争吵，不喧哗，适当控制娱乐时间，为大家特别是孩子创造一个安静、温暖、文明的社会和家庭环境。 6、室内装修最好使用具有降音隔噪的装修材料，比如硅藻泥。因其天然的多孔性，使其立体多孔结构有效隔离噪音效果，具备很好的室 优秀论文审核通过 未经允许切勿外传 摘要 数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。图像处理的信息量很大，对处理速度的要求也比较高。MATLAB强大的运算和图形展示功能，使图像处理变得更加的简单和直观。本文介绍了MATLAB 语言的特点,基于MATLAB的数字图像处理环境，介绍了如何利用MATLAB及其图像处理工具箱进行数字图像处理，并通过一些例子来说明利用MATLAB图像处理工具箱进行图像处理的方法。主要论述了利用MATLAB实现图像增强、二值图像分析等图像处理。关键词：MATLAB，数字图像处理，图像增强，二值图像 Abstract Digital image processing is an emerging technology, with the development of computer in various areas on the processing speed requirement is relatively ），线性量化（liner quantization ），对数量化，MAX 量化，锥形量化（tapered quantization ）等。 3. 采样、量化和图像细节的关系 上面的数字化过程，需要确定数值N 和灰度级的级数K 。在数字图像处理中，一般都取成2的整数幂，即: (2.1) (2.2) 一幅数字图像在计算机中所占的二进制存储位数b 为: *log(2)**()m N N b N N m bit == (2.3) 例如，灰度级为256级(m=8)的512×512的一幅数字图像，需要大约210万个存储位。随着N 和m 的增加，计算机所需要的存储量也随之迅速增加。 由于数字图像是连续图像的近似，从图像数字化的过程可以看到。这种近似的程度主要取决于采样样本的大小和数量(N 值)以及量化的级数K(或m 值)。N 和K 的值越大，图像越清晰。 2.2 数字图像处理概述 2.2.1 基本概念 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展(特别是离散数学理论的创立和完善)；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的 什么是数字信号处理？有哪些应用？ 利用数字计算机或专用数字硬件、对数字信号所进行的一切变换或按预定规则所进行的一切加工处理运算。 例如：滤波、检测、参数提取、频谱分析等。 对于DSP:狭义理解可为Digital Signal Processor 数字信号处理器。广义理解可为Digital Signal Processing 译为数字信号处理技术。在此我们讨论的DSP的概念是指广义的理解。 数字信号处理是利用计算机或专用处理设备，以数字形式对信号进行采集、变换、滤波、估值、增强、压缩、识别等处理，以得到符合人们需要的信号形式。 信号处理的实质是对信号进行变换。 信号处理的目的是获取信号中包含的有用信息，并用更直观的方式进行表达。 DSP的应用几乎遍及电子学每一个领域。 ▲通用数字信号处理器：自适应滤波，卷积，相关，数字滤波，FFT, 希尔伯特变换，波形生成，窗函数等等。 ▲语音信号处理：语音增强、识别、合成、编码、信箱等，文字/语音转换 ▲图形/图像处理：三维动画，图象鉴别/增强/压缩/传输，机器人视觉等等图 ▲特殊应用数字信号处理：振动和噪声分析与处理，声纳和雷达信号处理， 通信信号处理, 地震信号分析与处理，汽车安全及全球定位，生物医学工程等等。 在医疗、军事、汽车等行业，以及通信市场、消费类电子产品等中具有广阔的市场前景。 数字信号处理系统的基本组成：前置预滤波器（PrF）、a/d变换器(ADC)、数字信号处理器(DSP)、d/a变换器(DAC)、模拟滤波器(PoF) 数字信号处理特点: 1.大量的实时计算（FIR IIR FFT）， 2.数据具有高度重复（乘积和操作在滤波、卷积和FFT中等常见） 数字信号处理技术的意义、内容 数字信号处理技术是指数字信号处理理论的应用实现技术，它以数字信号处理理论、硬件技术、软件技术为基础和组成，研究数字信号处理算法及其实现方法。 意义： 在21世纪，数字信号处理是影响科学和工程最强大的技术之一 它是科研人员和工程师必须掌握的一门技巧 DSP芯片及其特点 ▲采用哈佛结构体系：独立的程序和数据总线，一个机器周期可同时进行程序读出和数据存取。对应的：冯·诺依曼结构。 ▲采用流水线技术： ▲硬件乘法器：具有硬件连线的高速“与或”运算器 ▲多处理单元：DSP内部包含多个处理单元。 ▲特殊的DSP指令：指令具有多功能，一条指令完成多个动作；如：倒位序指令等 ▲丰富的外设▲功耗低：一般DSP芯片功耗为0.5～4W。采用低功耗技术的DSP芯片只有0.1W/3.3V、1.6V （电池供电） DSP芯片的类别和使用选择 ▲按特性分：以工作时钟和指令类型为指标分类▲按用途分：通用型、专用型DSP芯片 ▲按数据格式分：定点、浮点各厂家还根据DSP芯片的CPU结构和性能将产品分成若干系列。 TI公司的TMS320系列DSP芯片是目前最有影响、最为成功的数字信号处理器，其产品销量一直处于领先地位，公认为世界DSP霸主。 ?目前市场上的DSP芯片有： ?美国德州仪器公司(TI):TMS320CX系列占有90% 环境噪声污染的来源、检测及消减方法 从物理学的角度来看：噪声是发声体做无规则振动时发出的声音。即在一定环境中不应有而有的声音，泛指嘈杂、刺耳的声音。从环境保护的角度看：凡是 妨碍到人们正常休息、学习和工作的声音，以及对人们要听的声音产生干扰的声音，都属于噪声。噪声是一类引起人烦躁、或音量过强而危害人体健康的声音。 环境噪声污染，是指所产生的环境噪声超过国家规定的环境噪声排放标准， 并干扰他人正常生活、工作和学习的现象。环境噪声污染是一种能量污染，与其他工业污染一样，是危害人类环境的公害。 噪声污染主要来源： 交通运输噪声（如车辆鸣笛等）、工业噪声、建筑施工、社会噪音如音乐厅、高音喇叭、早市和人的大声说话等。 环境噪声污染的检测： 环境噪声一般指功能区噪声、区域环境噪声和交通噪声。检测环境噪声时，可有以下几种测点选择： （1）城市区域环境噪声的检测： 例如要检测南京市环境噪声污染程度，可将南京市噪声功能区共划分为4类（1类区、2类区、3类区、3类区），每类布点2个，每季度监测1次，该城市布点网格数>200,检测时间为白天6:00-22:00，晚上22:00-6:00。检测仪器均采用AWA6218A、B两种型号噪声仪，监测时尽量使用同型号仪器，以避免产生误差。（2）城市交通噪声的检测： 在每两个交通路口之间的交通线上先设一个测点，在马路边人行道上（一般距马路沿20cm），所测噪声可代表两个路口之间的该段马路的交通噪声。 （3）城市环境噪声的长期检测： 根据可能条件决定测点数目，希望不少于7点。例如，繁华市区1点，典型居民区1点，交通干线2点，工厂区1点，混合区2点。 对于一些区域噪声的测量也可以使用声级计、噪声测试仪等工具。 环境噪声污染的消减治理办法： 1、公路交通减少噪声的措施： 高速公路的环境问题的处理要求是综合性的，一般总希望达到全面减少空气污染，噪声干扰和水、土质恶化等危害，到目前为止，国内、外主要采取了以 下几种措施： （1）降噪绿化林带 选择合适树种、植株的密度、植被的宽度，可以达到吸收二氧化碳及有害 气体、吸附微尘的作用，能改善小气候，防止空气污染，同时又能吸纳声波降低 噪声，截留公路排水、防眩和美化环境等作用。 （2）声屏障技术 广义来讲，声屏障可以分为声障墙和防噪堤。防噪堤一般用于路堑或有挖方地区，公路的土方不必运走直接用作防噪堤，在土堤上种上植被形成景观。声屏障的另一种方式为声障墙，这又可分为吸声式和反射式两种，吸声式主要采用多孔吸声材料来降低噪音；反射式声障墙主要是对噪声声波的传播进行漫反射， 使受保护区域噪声降低。 （3）绿墙技术 图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件内部产生。 2、椒盐噪声：主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 3、量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法 是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 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。其基本原理是用均值替代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 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期： 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 长春理工大学——professor——景文博——旗下出品 1基于形态学运算的星空图像分割 主要内容： 在获取星图像的过程中，由于某些因素的影响，获得的星图像存在噪声，而且星图像的背景经常是不均匀的，为星图像的分割造成了极大的困难。膨胀和腐蚀是形态学的两个基本运算。用形态学运算对星图像进行处理，补偿不均匀的星图像背景，然后进行星图像的阈值分割。 要求： 1> 图像预处理：对原始星空图像进行滤波去噪处理； 2> 对去噪后的图像进行形态学运算处理； 3> 选取自适应阈值对形态学运算处理后的图像进行二值化； 4> 显示每步处理后的图像； 5> 对经过形态学处理后再阈值的图像和未作形态学处理后再阈值的图像进行对比分析。 待分割图像直接分割图像处理后的分割图像 2基于数字图像处理的印刷电路板智能检测方法 主要内容： 通过对由相机实时获取的印刷电路板图像进行焊盘识别，从而提高电子元件的贴片质量，有效提高电路板的印刷效率。 要求： 1> 图像预处理：将原始彩色印刷电路板图像转成灰度图像，对灰度图像进行背景平滑和滤波去噪； 2> 对去噪后的图像进行图像增强处理，增强边缘提取的效果。 3> 对增强后的图像进行边缘提取（至少两种以上的边缘提取算法）； 4> 显示每步处理后的图像（原始电路板图像可自行查找）； 5> 图像处理后要求能对每个焊盘进行边缘提取，边缘清晰。 3静止背景下的移动目标视觉监控 主要内容： 基于视觉的人的运动分析最有前景的潜在应用之一是视觉监控。视觉监控系统的需求主要来自那些对安全要求敏感的场合，如银行、商店、停车场、军事基地等。通过对静止背景下的目标识别，来提醒监测人员有目标出现。 要求： 1>对原始参考图和实时图像进行去噪处理； 2>对去噪后的两幅图像进行代数运算，找出目标所在位置，提取目标，并将背景置黑； 3> 判断目标大小，若目标超过整幅图像的一定比例时，说明目标进入摄像保护区域，系统对监测人员进行提示（提示方式自选）。 4>显示每步处理后的图像； 5>分析此种图像监控方式的优缺点。 背景目标出现目标提取 4车牌识别图像预处理技术 主要内容： 车辆自动识别涉及到多种现代学科技术，如图像处理、模式识别与人工智能、计算机视觉、光学、机械设计、自动控制等。汽车作为人类生产、生活中的重要工具被广泛的使用，实现自动采集车辆信息和智能管理的车牌自动识别系统具有十分重要的意义: 要求： 1>对原始车牌图像做增强处理； 2>对增强后的彩色图像进行灰度变换； 3>对灰度图像进行直方图均衡处理； 4>选取自适应的阈值，对图像做二值化处理； 5>显示每步处理后的图像； 6>分析此种图像预处理的优缺点及改进措施，简要叙述车牌字符识别方法 原始车牌图像处理后的车牌图像 5医学细胞图像细胞分割图像增强算法研究 主要内容： 医学图象处理利用多种方法对各种图像数据进行处理，以期得到更好的显示效果以便医生根据细胞的外貌进行病变分析。 要求： 1>通过对图像的灰度变换调整改变细胞图像的灰度，突出感兴趣的细胞和细胞核区域。 2>通过直方图修改技术得到均衡化或规定化等不同的处理效果。 3>采用有效的图像平滑方法对细胞图像进行降噪处理，消除图像数字化和传输时所混入的噪声，提高图像的视觉效果。 4>利用图像锐化处理突出细胞的边缘信息，加强细胞的轮廓特征。 5>显示每步处理图像，分析此种细胞分割图像预处理方法的优缺点。 原始细胞图像 图像处理后的细胞图像 6瓶子灌装流水线检测是否液体灌装满瓶体 当饮料瓶子在罐装设备后要进行液体的检测，即：进行判断瓶子灌装流水线是否灌装满瓶体的检测，如液面超过瓶颈的位置，则装满，否则不满，如果不满则灌装液体不合格，需重新进行灌装。 具体要求： 1）将原进行二值化 2）二值化后的图像若不好，将其滤波再进行膨胀处理,并重新进行二值化图像阈值分割及去噪的实现毕业论文
空调机房噪声治理方案
图像去噪方法
滑动平均系统的去噪处理
数字图像处理毕业论文
如何学习数字信号处理
数字图像处理系统毕业论文
最新图像去噪处理的研究及MATLAB仿真
冷却塔噪声治理方案及实例
图像去噪方法
去噪处理研究
基于Matlab的数字图像处理系统毕业设计论文
噪声污染的处理方法是什么
(完整版)基于matlab的数字图像处理毕业设计论文
什么是数字信号处理
环境噪声污染治理方法
数字图像处理-图像去噪方法
基于matlab的数字图像处理本科毕业设计论文
数字图像处理论文——各种题目
相关主题
文本预览