2009 年 2 月 JOURNAL OF CIRCUITS AND SYSTEMS February, 2009 文章编号:1007-0249 (2009) 01-0097-05
基于最优小波包变换和离散余弦变换的灰度图像水印算法*
许慧, 谭阳红, 孙磊, 龙伯华
(湖南大学电气与信息工程学院,湖南长沙 410082)
摘要:本文提出了一种基于最优小波包变换和离散余弦变换的灰度图像水印算法,利用Arnold变换和Baker映射对水印图像进行置乱,并将置乱结果进行分块,对宿主图像进行最优小波包分解,然后修改低频子带系数来嵌入水印信息。嵌入前,利用离散余弦变换去除低频子带相邻系数的相关性后嵌入经过同样处理的置乱水印子块。实验表明该算法在抵抗噪声、滤波、旋转剪切等攻击下有比较好的鲁棒性。
关键词:小波包变换;离散余弦变换;数字水印
中图分类号:TP391 文献标识码:A
1 前言
近年来,图像数字水印技术的研究取得了很大进展,涌现出大量的水印嵌入算法[1]。基于小波变换的数字水印技术因其优异的时频特性和良好的多分辨率分析特性,且易于兼容JPEG2000、MPEG4压缩标准等特点,得到了普遍关注[1,2]。
小波包作为小波技术的新发展,已开始进入各个应用领域[1]。小波包弥补了小波未能分解高频子带的缺陷,在数字水印的应用上极大地拓展了水印信息的嵌入空间,它比小波提供了更灵活、更适合于图像时频特性的分解方式[3]。因此,小波包数字水印技术也越来越多地受到人们的关注[1]。目前,以随机序列和二值图像作为水印,出现了多种小波包水印嵌入技术,如文献[1,4~8],得到了比传统小波方法更稳健的水印。但以信息量丰富的灰度图像作为水印的算法非常少,当前小波包域的水印技术主要研究的是随机序列和二值图像水印。与传统的随机序列和二值图像水印相比,灰度图像水印无论从信息量、直观性、可感知性、可辨识性还是保密性等方面都具有更大的优势。
本文从加强水印信息的可感知性和丰富信息量出发,打破传统的随机序列和二值图像水印的局限性,采用较大的灰度级图像作为水印,并充分利用小波包变换灵活的图像时频分解特性和DCT变换良好的能量压缩和去相关能力,研究二者结合的水印嵌入算法。为了增加水印的安全性,对原水印进行了置乱预处理和分块二重加密。
2 水印的嵌入
水印嵌入前,先对水印进行置乱预处理,消除水印图像中各像素之间的相关性,提高水印算法对图像剪切处理的鲁棒性。本文针对研究的水印图像是二维灰度图像,采用二重置乱算法进行加密处理,先对水印图像进行多次Arnold变换 [9],然后进行多次Baker映射[10],将Arnold变换和Baker映射变换次数作为密钥保存。进一步地,将一幅完整的水印图像进行分割,分成四个子块。分割方式有多种,如简单的均分;抽取奇行奇列、偶行偶列;隔行抽取;隔多抽取等,将分割方式作为密钥保存起来。这样,进一步增强了抗攻击能力。具体来说,嵌入步骤如下:
(1)对原始宿主图像进行L层小波包分解(这里取宿主图像大小为512×512×8bit,L取3),选择文献[11]中经过比较论证的适合水印技术的daubechies9/7小波基。
(2)使用熵优化算法来选择小波包最优基,这里的“熵”最优树的代价函数选择的是对数能量熵,
* 收稿日期:2007-07-02 修订日期:2007-08-26
基金项目:国家自然科学基金(50277010);湖南省自然科学基金(03JJY1010;04FJ2003;05GK2005);教育部博士基金(20020532016);
高等学校新世纪优秀人才支持计划(NCET-04-0767)
2
log )(∑=i
i B u u M ,按照文献[12]的方法采用自底向上的规则搜索最优基。
(3)对水印图像进行Arnold 变换和Baker 映射二重置乱,目的是提高其隐藏在公开图像层中的安全性。然后把置乱的水印图像分割成四个子块,对每一个子块进行一层小波包分解,得到16个结点子图。实验中水印图像大小是128×128的灰度图像,信息量远远大于大多数文献中的二值水印图像和小的灰度水印图像所包含的信息量。原水印图像和分解置乱后的水印图像如图1(a)、(b)、(c)所示。
(4)将最优小波包变换后的原始宿主图像的低频4个子图进行32×32的分块DCT 变换,这样得到16个DCT 子图块,同时将
小波包变换后的水印子块进行DCT 变换,同样也得到16个DCT 子图块,大小为32×32。把得到的每个水印子块图像的位值乘以嵌入系数再与选定的宿主图像小波包的DCT 子块的变换系数相加。嵌入位置示意图如图2,左图为宿主图像最优小波变换结果,右图为水印图像4个水印子块一层小波包变换的结果,将每个子图的近似
分量即01i 、02i 、03i 、04i 嵌入到宿主低频近似分量0,03I 中,11i 、12i 、1
3i 、14i 嵌入到宿主低频分量1,03I 中,其他部分按对应位置依次嵌入。方程
(1)为水印嵌入公式。
),(),(),(j i W j i D j i D o w ?+=α (1) 其中,),(j i D o 和),(j i D w ,320≤≤i ,
320≤≤j 分别是选定宿主子块和嵌入
水印图像的第),(j i 个系数,),(j i W 是水印图像DCT 变换后的系数,α为水印嵌入强度。
(5)用方程(1)嵌入水印后,再对含水印图像第3层的低频系数做32×32的分块DCT 逆变换,得到嵌入水印后的低频小波包系数。
(6)对全部的小波包系数做反小波包变换得到含水印的图像。嵌入示意图见图3(a)。
3 水印的提取
水印的提取和嵌入过程相反,提取过程为明提取,首先要知道原始图像、小波包分解深度、水印置乱密钥和分块方式。
(1)对含水印图像和原图像都作L 层(L =3)小波包变换,采用对数能量熵优化算法找到分解的最优基,得到第
3层含水印的低频子图块0,03w I 、1,03w I 、2,03w I 、3,03w I 和原始图像的低频子图块0,03I 、1,03I 、2,03I 、3,03I 。
(a) 原始水印 (b) 多次Arnold 变换 (c) 多次baker 映射
图1 原始水印、Arnold 变换结果及baker 映射置乱结果
图2 宿主图像Lena 三层最优小波
包变换结果及四个水印子块一层小波包变换结果(下标1~4
代表四个水印块)
图3 水印的嵌入与提取示意图
第1期 许慧等:基于最优小波包变换和离散余弦变换的灰度图像水印算法 99
(2)对含水印图像的低频子块图和原始宿主图像的低频子块图分别做32×32的DCT 变换,这里水印的大小为32×32,),(j i D o 和),(j i D w ,320≤≤i ,320≤≤j 分别是原图像和含水印图像离散余弦变换后的第),(j i 个系数,提取水印公式如下:
α/)),(),((),(j i D j i D j i W o w ?= (2)
(3)对上面得到的水印块W 做32×32的IDCT (DCT 逆变换),然后做IWPT (小波包反变换),得到置乱的4个水印子图。
(4)将4个水印子图拼接起来得到置乱的水印图,利用水印预处理中Arnold 变换次数和Baker 映射次数作为密钥,对提取的置乱水印图像作Baker 逆映射和Arnold 反变换,Arnold 反变换的次数为周期减去密钥,最终得到提取出的水印图像。水印提取示意图见图3(b)。
4 实验结果与结论
本文以512×512×8bit 的‘Lena’灰度图像作为宿主图像(见图4(a)),以128×128×8bit 的coins 灰度图像(见图1(a))作为水印进行了仿真实验,嵌入水印后的图像见图4(b)。选用双正交9/7小波滤波器,并采用归一化相关系数NC [13]来度量提取水印与原始水印的相似性,归一化相关系数定义为:
∑∑∑∑∑∑=
i
j
i
j i
j
j i W
j i W j i W j i W NC )
,(),()
,(),(2
2~~
(3)
其中,),(j i W 是原水印图像的系数,),(j i W ~
为提取出的水印图像的系数。
4.1 透明性测试
实验取嵌入强度为0.2,嵌入水印后,图像的峰值信噪比(PSNR )[13]是35.1493dB ,无论从主观还是客观上看,含水印图像都保持了良好的图像质量,在不加任何干扰的情况下,水印信息可以完全恢复(NC =0.9999),见图4(c),透明性达到了理想的效果。 4.2 抗攻击能力测试
为了考察算法的鲁棒性,实验中对含水印图像(图4(b))进行了加噪声、JPEG
压缩、旋转剪切、
(a) 原始Lena 宿主图 (b) 含水印的图像 (c) 无干扰提取水印
图4 原始Lena
宿主图、嵌入水印后的图像及无干扰提取的水印
图5 加高斯噪声 图6 加椒盐噪声 图7 加乘性噪声 图8 中值滤波 图9 高斯低通滤波 图10 JPEG 压缩(Q
=20)
图11 同上(Q =40) 图12 缩放攻击(α=0.3) 图13 同上(α=0.8) 图14同上(α=1.5) 图15旋转剪切(θ=30° β1=50) 图16同上(θ=30°β2=50)
100 电路与系统学报 第14卷
中值滤波等攻击,图5~18示出了各种攻击下的含水印图像,图19~32为各种攻击下检测出的水印效果图,图33~35对三种噪声攻击下提取的水印进行了去噪处理。参数Q 、α、θ、1β~3β的含义见表1。表1列出了各种攻击下鲁棒性测试数据,并将本文的算法与仅利用小波包最优基嵌入水印的算法作比
较,结果表明,将DCT 和小波包变换结合起来嵌入水印,效果更好。 4.3 结论
本文提出了一种新颖的水印嵌入算法,打破了传统的以随机序列和二值图像作为水印的小波
包水印嵌入算法,采用感知性更强和信息量更丰富的灰度图像作为水印,同时结合DCT
良好的去相关
图17 同上(θ=10° β3=30) 图18 同上(θ=10° β3=50) 图19 高斯提取 图20 椒盐提取 图21乘性提取 图22
中值滤波提取
图23 高斯低通 图24 JPEG 压缩 图25 同上(Q =40) 图26 缩放提取(α=0.3) 图27 同上(α=0.8) 图28 同上(α=1.5) 滤波提取 提取(Q
=20)
图29 旋转剪切提取 图30 同上(θ=30° β2=50) 图31 同上(θ=10° β3=30) 图32 同上(θ=10 ° β3=50) 图33 对图19去噪 图34 对图20去噪
(θ=30° β1=
50)
图35 对图21去噪
表1 算法的鲁棒性测试结果
攻击方式
本文算法NC 值
小波包算法NC 值
高斯噪声(δ=0.01) 0.7988(去噪后0.9236) 0.7971(去噪后0.9217) 椒盐噪声(δ=0.01) 0.9302(去噪后0.9938) 0.9281(去噪后0.9931) 加噪
(δ为噪声方差)
乘性噪声(δ=0.02) 0.8517(去噪后0.9605) 0.849(去噪后0.9571) 中值滤波([3 3]) 0.9993 0.9798 滤波
高斯低通滤波([3 3])
0.9486
0.9486
Q =20 0.9312 0.9312 Q =30 0.9667 0.9667 Q =40 0.9802 0.9802 JPEG 压缩 (Q 为质量因子)
Q =50 0.9873 0.9873 α=0.3 0.8773 0.8761 α=0.5 0.9900 0.9879 α=1.5 0.9997 0.9989 缩放攻击(α为缩放因子,α<1表示缩小,反之放大) α=1.8 0.9996 0.9987 θ=30° β1=50行 0.8034 0.8026 θ=30° β2=50列 0.7853 0.7847 θ=20° β1=50行 0.8171 0.8159 θ=20° β2=50列 0.7881 0.7872 θ=10° β3=30行/列 0.8145 0.8140 旋转和剪切同步攻击(其中,θ为旋转角度因子,β1~β3为剪切行/列因子,下标1~3分别表示上下、左右及四周三个边界方向)
θ=10° β3=50行/列 0.7618
0.7611
第1期许慧等:基于最优小波包变换和离散余弦变换的灰度图像水印算法 101
性能力,在小波包域嵌入水印。本文创新之处有三点:一是采用较大的灰度级图像作为水印;另外,将分块思想引入水印处理中,有效减少了攻击者提取水印的几率,因为即使攻击者获得了置乱密钥,但是不知道分割的方式,也无法提取水印;三是引入DCT变换到小波包域中,结合二者优点来嵌入水印,提高了算法的鲁棒性和减少了视觉失真。实验结果证实了此算法的可行性,本算法所得到的水印的透明性比较理想,在鲁棒性方面,抗噪声、滤波和旋转剪切的能力也有明显提高。
参考文献:
[1] 臧萍, 范延滨. 基于小波包最优树的图像数字水印[J]. 青岛大学学报(自然科学版), 2005, 18(4): 66-70.
[2] 李道远, 常敏, 袁春风. 基于小波变换的数字水印综述[J]. 计算机工程与应用, 2003, 39(23): 65-67.
[3] Alexandre H Paquet, Rabab K Ward, et al. Wavelet packets-based digital watermarking for image authentication [A]. In Canadian Conference
on Electrical and Computer Engineering [C]. 2002. 879-894.
[4] 付炜, 景源, 孟娟, 等. 一种基于小波包分解的自适应数字水印嵌入算法[J]. 计算机科学, 2004, 31(9): 220-222.
[5] Y Wang, J F Doherty, R E Van Dyck. A wavelet-based watermarking algorithm for copyright protection of digital images [J]. IEEE
Transactions on Image Processing, 2002, 11(2): 77-88.
[6] Min-Jen Tsai, Kuang-Yoo Yu, Yi-Zhang Chen. Wavelet package and adaptive spatial transformation of watermark for digital image
authentication [A]. ICIP’00 [C].Vancouver,Canada, 2000, 9.
[7] Jacques Levy Vehel, Anne Manoury. Wavelet packet based digital watermarking [A]. in Proceedings of the15th International Conference on
Pattern Recognition [C]. Barcelona, Spain, 2000, 9.
[8] Werner M. Dietl, Andreas Uhl. Robustness against unauthorized watermark removal attacks via key-dependent wavelet packet subband
structures [A]. IEEE International Conference on Multimedia and Expo [C]. 2004. 2043-2046.
[9] Zhu Wenwu, Xiong Zixiang, Zhang Yaqin. Multiresolution watermarking for image and video [J]. IEEE Transaction on Circuits and System
for Video Technology, 1999, 9(4): 312-324.
[10] J Fridrich. Symmetric ciphers based on two-dimensional chaotic maps [J]. International Journal of Bifurcation And Chaos, 1998, 8:
1259-1284.
[11] 刘九芬, 黄达人, 胡军全. 数字水印中的双正交小波基[J]. 中山大学学报, 2002, 41(4): 3-4.
[12] 飞思科技产品研发中心. 小波分析理论与Matlab7实现[M]. 北京: 电子工业出版社, 2006. 117-120.
[13] Niu X M, LU Z M, Sun S H. Digital watermarking of still Images with Gray-level Digital watermarks [J]. IEEE Transactions on Consumer
Electronics, 2000, 46(1): 137-145.
作者简介:许慧(1983-),女,湖南大学在读研究生,主要研究图像处理和数字水印技术。
The algorithm of gray image watermark based on best wavelet packet
and discrete cosine transform
XU Hui, TAN Yang-hong, SUN Lei, LONG Bo-hua
( College of Electrical and Information Hunan University, Changsha 410082, China )
Abstract: Based on best wavelet packet transform (BWPT) and discrete cosine transform (DCT), a novel algorithm of gray image watermark is proposed. Watermark image is scrambled through Arnold transform and Baker mapping, and then is divided into four blocks. The host image is decomposed based on BWPT. The process is completed by modifying low frequency band coefficients of host image. Before watermark embeded, DCT is used to reduce the correlation of the low frequency band adjacent coefficients of host image, then watermark-blocks operated by the same process are embedded. The results show the proposed scheme is robust against noise, filter, rotation etc.
Key words: WPT; DCT; digital watermark
科技论文写作大作业小波变换图像去噪综述 院系: 班级: 学号: 姓名:
摘要小波图象去噪已经成为目前图象去噪的主要方法之一.在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述;最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望 关键词:小波去噪小波萎缩小波变换图象压缩 1.前言 在信号数据采集及传输时,不仅能采集或接收到与所研究的问题相关的有效信号,同时也会观测到各种类型的噪声。在实际应用中,为降低噪声的影响,不仅应研究信号采集的方式方法及仪器的选择,更重要的是对已采集或接收的信号寻找最佳的降噪处理方法。对于信号去噪方法的研究可谓是信号处理中一个永恒的话题。传统的去噪方法是将被噪声污染的信号通过一个滤波器,滤除掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等,采用传统方法具有一定的局限性。其次还有傅里叶(Fourier)变换也是信号处理中的重要手段。这是因为信号处理中牵涉到的绝大部分都是语音或其它一维信号,这些信号可以近似的认为是一个高斯过程,同时由于信号的平稳性假设,傅立叶交换是一个很好的信号分析工具。但也有其不足之处,给实际应用带来了困难。 小波变换是继Fourier变换后的一重大突破,它是一种窗口面积恒定、窗口形状可变(时间域窗口和频率域窗口均可改变)的时频局域化分析方法,它具有这样的特性;在低频段具有较高的频率分辨率及较低的时间分辨率,在高频段具有较高的时间分辨率及较低的频率分辨率,实现了时频窗口的自适应变化,具有时频分析局域性。小波变换的一个重要应用就是图像信号去噪。将小波变换用于信号去噪,它能在去噪的同时而不损坏信号的突变部分。在过去的十多年,小波方法在信号和图像去噪方面的应用引起学者广泛的关注。本文阐述小波图像去噪方法的原理,概括目前的小波图像去噪的主要方法,最后对小波图像去噪方法的发展和应用进行展望。 2小波图像去噪的原理 所谓小波变化,即:
M=256; %原图像长度 N=32; %水印图像长度 K=8; I=zeros(M,M); II=zeros(K,K); B=zeros(M,M); Idct=zeros(K,K); D=zeros(M,M); %读取原图像 I=imread('33.png'); subplot(2,2,1); %显示原图像 imshow(I); title('原图像'); %产生水印序列 randn('seed',10); mark=randn(1024,1); subplot(2,2,2); plot(mark); title('水印序列'); %嵌入水印 T=1; for m=1:N for n=1:N x=(m-1)*K+1; y=(n-1)*K+1; II=I(x:x+K-1,y:y+K-1);%将原图分成8*8的子块 Idct=dct2(II);%对子块进行DCT变换 if x==1&y==1 alfa=0.002; else alfa=0; end B=Idct*(1+alfa*mark(T));%嵌入水印 Bidct=idct2(B);%进行DCT反变换 I(x:x+K-1,y:y+K-1)=Bidct; T=T+1; end end subplot(2,2,3); imshow(I);%显示嵌入水印后的图像
title('tu');imwrite(I,'嵌入后的图像.bmp'); %进行相关性比较 figure; for i=1:50 if i==10; mark2=mark1'; else mark2=randn(1024,1); end %计算相关值 c=(mark2'*mark)/sqrt(mark2'*mark2); stem(i,c); hold on; end
数字图像的灰度处理 数字图像处理的目的和意义: 图象处理着重强调的是在图象之间进行的各种变换,对图象进行各种加工以改善图象的视觉效果。在图象的灰度处理中,增强操作、直方图及图象间的变换是实现点操作的增强方式,又被称作灰度变换。本文主要介绍了一些数字图像灰度处理的方法,其中图象取反是实现图象灰度值翻转的最直接的方法;灰度切分可实现强化某一灰度值的目的。对直方图进行均衡化修正,可使图象的灰度间距增大或灰度均匀分布、增大反差,使图象的细节变得清晰。 数字图像处理是20世纪60年代初期所形成的一门涉及多领域的交叉学科。所谓数字图像处理,又称为计算机图像处理,就是指用数字计算机及其它有关的数字硬件技术,对图像施加某种应算和处理,从而达到某种预期的目的。在大多数情况下,计算机采用离散的技术来处理来自连续世界的图像。实际上图像是连续的,计算机只能处理离散的数字图像,所以要要对连续图像经过采样和量化以获得离散的数字图像。 数字图像处理中图像增强的目的是改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,扩大图像中不同物体特征之间的差别,满足某些特殊分析的需要。其方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征,使图像与视觉响应特性相匹配。而通过改变图像的灰度以期达到一种很好的视觉效果是图像增强的一种手段。灰度变换的目的是为了改善画质,使图像显示效果更加清晰。 图像的点应算是一种既简单又重要的技术,它能让用户改变图像数据占据的灰度范围。一幅输入图像经过点应算后将产生一幅新的输出图像,由输入像素点的灰度值决定相应的输出像素点的灰度值。图像的点应算可以有效的改变图像的直方图分布,以提高图像的分辨率和图像的均衡。点应算可以按照预定的方式改变一幅图像的灰度直方图。除了灰度级的改变是根据某种特定的灰度变换函数进行之外,点应算可以看作是“从像素到像素”的复制操作。如果输入图像为A(x,y),
数字图像处理期末论文--小波变换与图像压缩 课程____________ 学院____________ 班级____________ 姓名____________ 学号____________ 日期____________
小波变换与图像压缩 物电 10(3) 赵卫超 10223221 摘要:随着信息技术的发展,图像以其信息量丰富的特点,成为通信和计算机系统中信息 传输的重要载体,而图像信息占据了大量的存储容量,因而图像压缩编码是图像存贮的一个重要课题。本文首先介绍了图像压缩编码的研究背景,然后详细地理论上介绍了图像压缩,并讲解了变换编码中的小波变换的产生、和第二代小波变换在图像压缩中的应用及特点。通过小波变换的理论研究,应用MATLAB 来实现了一般图像的压缩,证明了小波变换在图像压缩中的可行性。 关键词:图像压缩、小波变换、MATLAB 1、图像压缩背景及概念 1.1图像压缩背景 随着计算机多媒体技术和通信技术的日益发展,以及网络的迅速普及,图像数据信息以其直观、形象的表现效果,在信息交流中的使用越来越广泛。每天都有大量的图像信息通过数字方式进行存储、处理和传输。由于技术上对图像数据的要求,图像的分辨率在不断增加。由此导致图像数据量急剧增加。这就给图像的传输和存储带来了极大的困难。因此,图像数据压缩势在必行,通过压缩手段将信息的数据量降下来,以压缩的形式存储和传输,既节约了存储空间,又提高了通信干线的传输效率。 一般原始图像中通常存在大量的各种冗余,如像素相关冗余、编码冗余、视觉冗余等。图像压缩技术所追求的目标就是最大限度地挖掘和利用这种冗余信息。尽量减少表示图像所需的数据量。正是由于图像压缩的重要性,使得图像压缩算法和技术成为非常活跃的一个研究领域。 1.2图像压缩的概念 数字图像压缩是数字图像处理的一个重要的分支学科,所谓的数字图像压缩就是以较少的数据量表示信源以原始形式所代表的信息,目的在于节省存储空间、传输时间、信号频带或发送能量等。这些概念无论是针对静态的文字、图像,还是针对动态的音频、视频都是适用的。 图像数据可以看成是信息和冗余度的组合,图像数据可以压缩的根据来源于两个方面:一方面是图像信号中存在大量冗余度可供压缩,并且这种冗余度在解码后还可以无失真地恢复;另一方面是可以利用人的视觉特性,在不被主观视觉察觉的情况下通过减少表示信号的精度,以一定的客观失真换取数据压缩。 信息论对于图像压缩的重要意义在于将图像信息进行了量化。并且证明在不产生失真的前提下,通过合理有效的编码算法,对于每一个信源符号所分配码字的平均码长可以任意接近于信源的熵。在此理论框架下,人们开发出了各种各样的图像压缩方法。数字图像编码系统无论采用何种具体结构和技术,其基本过程是一致的,编码过程如图1所示。 图1数据压缩系统组成图 信源 信源编码器 信道编码器 信宿 信源解码器 信道解码器 通道线路或 存储介质
第1章绪论 1.1数字图像 数字图像,又称数码图像或数位图像,是二维图像用有限数字数值像素的表示。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用计算机或数字电路存储和处理的图像。 像素(或像元,Pixel)是数字图像的基本元素,像素是在模拟图像数字化时对连续空间进行离散化得到的。每个像素具有整数行(高)和列(宽)位置坐标,同时每个像素都具有整数灰度值或颜色值。 通常,像素在计算机中保存为二维整数数阻的光栅图像,这些值经常用压缩格式进行传输和储存。数字图像可以许多不同的输入设备和技术生成,例如数码相机、扫描仪、坐标测量机、seismographic profiling、airborne radar等等,也可以从任意的非图像数据合成得到,例如数学函数或者三维几何模型,三维几何模型是计算机图形学的一个主要分支。数字图像处理领域就是研究它们的变换算法。 1.2设计平台 本次设计采用的平台是MATLAB 7.0。MATLAB编程语言被业界称为第四代计算机语言,它允许按照数学推导的习惯编写程序。MATLAB7.0的工作环境包括当前工作窗口、命令历史记录窗口、命令控制窗口、图形处理窗口、当前路径选择菜单、程序编辑器、变量查看器、模型编辑器、GUI编辑器以及丰富的函数库和MATLAB附带的大量M文件。 MATLAB是由美国Math Works公司生产的一个为科学和工程计算专门设计的交互式大型软件,是一个可以完成各种计算和数据处理的、可视化的、强大的计算工具。它集图示和精确计算于一身,在应用数学、物理、化工、机电工程、医药、金融和其他需要进行复杂计算的领域得到了广泛应用。MATLAB作为一种科学计算的高级语言之所以受欢迎,就是因为它有丰富的函数资源和工具箱资源,编程人员可以根据自己的需要选择函数,而无需再去编写大量繁琐的程序代码,从而减轻了编程人员的工作负担,被称为第四代编程语言。 在MATLAB设计环境中,图像处理工具箱提供一套全方位的参照标准算法
数字水印算法列举 湖南科技大学计算机科学与工程学院 ①基于LSB 的数字水印方案(空间域、不可逆、不可见和盲检测) 嵌入步骤: (1)先把水印信息转化为二进制比特流I。 (2)根据I的长度生成密钥K,并且严格保存。密钥K是对图像载体像素位置的一个映射。 (3)把I中的每一位依次根据密钥K,置换掉原始载体图像中相应位置的像素最后一位。提取步骤: (1)根据严格保存的密钥K遍历嵌入了水印的图像中的相应像素,提取出最后一位。 (2)将提取出来的每一位重新组合成水印信息。 ②基于差分扩展的数字水印方案(变换域、可逆、不可见和盲检测) 嵌入步骤: (1)将图像M分成像素点对(x,y),将水印信息转化为二进制比特流,比特流的每一位用m 表示。 (2)根据水印信息比特流的长度随机生成信息的嵌入位置k作为密钥信息严格保存。(3)对图像M计算均值l和差值h:?????-=+=y x h y x floor l 2((floor表示向下取整) (4)将水印比特信息m以差值扩展的方法嵌入到差值h中:m h h +?='2(5)将得到的h '代入(3)中,得到新的图像像素对,形成嵌入秘密信息后的图像C。提取步骤: (1)将图像C分成像素点对(x,y),读入密钥信息K。 (2)将图像C依旧按照嵌入步骤中的(3)式计算均值l和差值h。 (3)根据密钥k找到相应位置,提取差值h的最后一位比特信息m,再将差值h进行变换得到1>>='h h 。 (4)将提取到的比特信息m进行组合可以恢复水印信息,将得到的h '代入嵌入步骤的(3)中计算新的图像像素对可以恢复原始图像载体M。 ③基于直方图修改的数字水印算法(空间域、可逆、不可见和盲检测) 嵌入步骤:(1)找到直方图的零点z和峰值点p,将z v p <<的像素值v自加1。 (2)漂移后的直方图v=p处即为嵌入水印的位置,将水印信息转化为二进制流并记为k,按顺序嵌入,即k v v +=';(3)得到的由像素值v '组成的图像就是嵌入秘密信息后的图像。同时p、z以密钥的形式保存。 提取步骤: (1)读取密钥,得到p、z的值。 (2)遍历图像的每个像素,当像素v=p时,提取信息0并保持数据不变;当v=p+1时,提取信息1并将数据减1。 (3)当v
z时,数据保持不变;当p-1 基于MATLAB的彩色图像灰度处理 成绩 数字图像处理期末考试 题目基于Matlab的彩色图像灰度化处理 专业、班级11电信一班 姓名钱叶辉 学号 1109121025 基于Matlab的彩色图像灰度化处理 摘要 在计算机领域中,灰度数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗的黑色到最亮的白色的灰度,尽管理论上这个采样可以是任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同,在计算机图像领域中黑白图像只有黑色与白色两种颜色;灰度图像在黑色与白色之间还有许多级的颜色深度。但是,在数字图像领域之外,“黑白图像”也表示“灰度图像”,例如灰度的照片通常叫做“黑白照片”。在一些关于数字图像的文章中单色图像等同于灰度图像,在另外一些文章中又等同于黑白图像[1]。 彩色图像的灰度化技术在现代科技中应用越来越广泛, 例如人脸目标的检测与匹配 以及运动物体目标的监测等等, 在系统预处理阶段, 都要把采集来的彩色图像进行灰度化处理, 这样既可以提高后续算法速度, 而且可以提高系统综合应用实效, 达到更为理想的要求。因此研究图像灰度化技术具有重要意义。 关键词:灰度化;灰度数字图像;单色图像 一、设计原理 将彩色图转化成为灰度图的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255个中值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其中一个像素点的变化范围为255种,所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征[2]。 在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫做灰度值。因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。本设计采用三种方法对图像进行灰度化处理。 加权平均法;平均值法;最大值法。 二、彩色图像的灰度化处理 2.1加权平均法 根据重要性及其它指标,将R、G、B三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感度最高,对蓝色敏感度最低。因此,在MATLAB中我们可以按下式系统函数对RGB三分量进行加权平均能得到较合理的灰度图像。 f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)) (2-1)程序首先读取一个RGB格式的图象,然后调用已有的函数rgb2gray()来实现彩色图像灰度化。 图2.1加权平均法的图像灰度处理 2.2平均值法[3] 将彩色图像中的R、G、B三个分量的亮度求简单的平均值,将得到均值作为灰度值 基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ,DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代,随着过去几十年来计算机、网络技术和通信的快速发展,为信号处理这个学科领域的发展奠定了基础,使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中,DIP 应用十分广泛,医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而,在图像的采集、获取、编码和传输的过程中,都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重,噪声会变成可见的颗粒形状,导致图像质量的严重下降。根据研究表明,当一图像信噪比(SNR)低于14.2dB 时,图像分割的误检率就高于0.5%,而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后,尽可能地去除图像噪声,我们在从图像中获取信息时就更容易,有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外,在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声,研究数字图像的滤波去噪问题,以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上,小波定义为对给定函数局部化的新领域,小波可由一个定义在有限区域的函数()x ψ来构造,()x ψ称为母小波,(mother wavelet )或者叫做基本小波。一组小波基函数,()}{,x b a ψ,可以通过缩放和平移基本小波 来生成: ())(1 ,a b x a x b a -ψ=ψ (1) 其中,a 为进行缩放的缩放参数,反映特定基函数的宽度,b 为进行平移的平移参数,指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下,一维小波基函数序列定义为: ()() 1222,-ψ=ψ--x x j j j i (2) 其中,i 为平移参数,j 为缩放因子,函数f (x )以小波()x ψ为基的连续小波变换定义为函数f (x )和()x b a ,ψ的积: ( )dx a b x a x f f x W b a b a )(1)(,,,-ψ= ψ=?+∞∞- (3) 与时域函数对应,在频域上则有: ())(,ωωa e a x j b a ψ=ψ- (4) 可以看出,当|a|减小时,时域宽度减小,而频域宽度增大,而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的,在高频时分辨率高,在低频时分辨率低,这便是它优于经典傅里叶变换的地方。总体说来,小波变换具有更好的时频窗口特性。 2. 图像去噪综述 所谓噪声,就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节,尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果,因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响,可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理,因此我们一般重点研究加性噪声。设 基于小波包的图像压缩及matlab实现 摘要:小波包分析理论作为新的时频分析工具,在信号分析和处理中得到了很好的应用,它在信号处理、模式识别、图像分析、数据压缩、语音识别与合成等等许多方面都取得了很有意义的研究成果。平面图像可以看成是二维信号,因此,小波包分析很自然地应用到了图像处理领域,如在图像的压缩编码、图像消噪、图像增强以及图像融合等方面都很好的应用。本文将对小波包分析在图像处理中的应用作以简单介绍。 关键词:小波包图像处理消噪 1.小波包基本理论 1.1 小波包用于图像消噪 图像在采集、传输等过程中,经常受到一些外部环境的影响,从而产生噪声使得图像发生降质,图像消噪的目的就是从所得到的降质图像中去除噪声还原原始图像。图像降噪是图像预处理中一项应用比较广泛的技术,其作用是为了提高图像的信噪比突出图像的期望特征。图像降噪方法有时域和频域两种方法。频率域方法主要是根据图像像素噪声频率范围,选取适当的频域带通过滤波器进行滤波处理,比如采用Fourier变换(快速算法FFT)分析或小波变换(快速算法Mallat 算法)分析。空间域方法主要采用各种平滑函数对图像进行卷积处理,以达到去除噪声的目的,如邻域平均、中值(Median)滤波等都属于这一类方法。还有建立在统计基础上的lee滤波、Kuan滤波等。但是归根到底都是利用噪声和信号在频域上分布不同进行的:信号主要分布在低频区域。而噪声主要分布在高频区域,但同时图像的细节也分布在高频区域。所以,图像降噪的一个两难问题就是如何在降低图像噪声和保留图像细节上保持平衡,传统的低通滤波方法将图像的高频部分滤除,虽然能够达到降低噪声的效果,但破坏了图像细节。如何构造一种既能够降低图像噪声,又能保持图像细节的降噪方法成为此项研究的主题。在小波变换这种有力工具出现之后,这一目标已经成为可能。 基于小波包变换消噪方法的主要思想就是利用小波分析的多尺度特性,首先对含有噪声的图像进行小波变换,然后对得到的小波系数进行阈值化处理,得到 目录 第1章绪论............................................................................................................................ - 1 - 第2章设计原理.................................................................................................................... - 2 - 第3章彩色图像的灰度化处理............................................................................................ - 3 - 3.1加权平均法 .. (3) 3.2平均值法 (3) 3.3最大值法 (4) 3.4举例对比 (5) 3.5结果分析 (6) 第4章结论.......................................................................................................................... - 8 - 参考文献....................................................................................................... 错误!未定义书签。附录............................................................................................................................................ - 9 - 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容。 二、常见的噪声 1、高斯噪声:主要有阻性元器件部产生。 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 一. 实验名称:空间图像增强(一) 一.实验目的 1.熟悉和掌握利用matlab工具进行数字图像的读、写、显示、像素处理等数字图像处理的基本步骤和流程。 2.熟练掌握各种空间域图像增强的基本原理及方法。 3.熟悉通过灰度变换方式进行图像增强的基本原理、方法和实现。 4.熟悉直方图均衡化的基本原理、方法和实现。 二.实验原理 (一)数字图像的灰度变换 灰度变换是图像增强的一种经典而有效的方法。灰度变换的原理是将图像的每一个像素的灰度值通过一个函数,对应到另一个灰度值上去从而实现灰度的变换。常见的灰度变换有线性灰度变换和非线性灰度变换,其中非线性灰度变换包括对数变换和幂律(伽马)变换等。 1、线性灰度变换 1)当图像成像过程曝光不足或过度,或由于成像设备的非线性和图像记录设备动态范围太窄等因素,都会产生对比度不足的弊病,使图像中的细节分辨不清,图像缺少层次。这时,可将灰度范围进行线性的扩展或压缩,这种处理过程被称为图像的线性灰度变换。对灰度图像进行线性灰度变换能将输入图像的灰度值的动态范围按线性关系公式拉伸扩展至指定范围或整个动态范围。 2)令原图像f(x,y)的灰度范围为[a,b],线性变换后得到图像g(x,y),其灰度范围为[c,d],则线性灰度变换公式可表示为 a y x f b y x f a b y x f c c a y x f a b c d d y x g <≤≤>?????+---=),(),(),(, ,]),([,),( (1) 由(1)式可知,对于介于原图像f (x,y )的最大和最小灰度值之间的灰度值,可通过线性变换公式,一一对应到灰度范围[c,d]之间,其斜率为(d-c)/(b-a);对于小于原图像的最小灰度值或大于原图像的最大灰度值的灰度值,令其分别恒等于变换后的最小和最大灰度值。变换示意图如图1所示。 图1 线性灰度变换示意图 当斜率大于一时,变换后的灰度值范围得到拉伸,图像对比度得到提高;当斜率小于一时,变换后的灰度值范围被压缩,最小与最大灰度值的差变小,图像对比度降低;当斜率等于一时,相当于对图像不做变换。 3)由上述性质可知,线性灰度变换能选择性地加强或降低特定灰度值范围内的对比度,故线性灰度变换同样也可做分段处理:对于有价值的灰度范围,将斜率调整为大于一,用于图像细节;对于不重要的灰度范围,将图像压缩,降低对比度,减轻无用信息的干扰。最常用的分段线性变换的方法是分三段进行线性变换。 在原图像灰度值的最大值和最小值之间设置两个拐点,在拐点处,原图像的灰度值分别为r 1,r 2,该拐点对应的变换后的图像的灰度值分别为s 1,s 2,另外,取原图像灰度的最小值为r 0,最大值为r m ,对应的变换后的灰度值分别为s 0,s m 。 文章编号:1006-7043(2000)04-0021-03 基于小波变换的去噪方法 林克正 李殿璞 (哈尔滨工程大学自动化学院,黑龙江哈尔滨150001) 摘 要:分析了信号与噪声在小波变换下的不同特点,提出了基于小波变换的去噪方法,且将该去噪算法 用算子加以描述,给出了具体实例.小波变换硬阈值去噪法和软阈值去噪法的性能比较及仿真实验,表明基于小波变换的去噪方法是非常有效的.!关 键 词:小波变换;去噪;奇异性检测;多尺度分析 中图分类号:TN911.7 文献标识码:A Denoising Method Based on Wavelet Transform Lin Ke-zheng Li Dian-pu (Automation Coiiege ,Harbin Engineering University ,Harbin 150001,China ) Abstract :This paper anaiyzes the different characteristics of noise and signai under waveiet transform and proposes the denoising method based on waveiet transform.The denoising aigorithm based on waveiet transform are described with some operators.Some exampies are demonstrated.The performance of denoising with hard and soft threshoid method based on waveiet transform are compared in computer simuiation.The simuiation shows that the denoising method based on waveiet transform is very effective. Key words :waveiet transform ;denoising ;singuiarity detection ;muitiresoiution anaiysis 提取掩没在噪声中的信号是信号处理的一项重要课题.实际的信号总是含有噪声的,当待检测信号的输入信噪比很低,各种噪声幅值大、分布广,而干扰信号又与真实信号比较接近时,用传统的时域或频域滤波往往不能取得预期效果.D.L.Donoho 提出的非线性小波方法从噪声中提取信号 效果最明显[2-5] ,并且在概念上也有别于其它方 法,其主要思想有局部极大值阈值法、全局单一阈 值法[3]和局部SURE 多阈值法[4] .在此基础上,本文首先分析了信号和噪声在小波变换下的不同特 性,据此可有效地从噪声信号检出有用的信号,用算子的形式对基于小波变换的去噪方法进行了统一的描述,并提出了一种可浮动的自适应阈值选取方法. 1 小波分析基础 1.1 信号的小波变换 [1] 设母波函数是!(t ),伸缩和平移因子分别为a 和6,小波基函数!a ,6(t ) 定义为!a , 6(t )=1! a !(t -6 a )(1)式中,6"R ,a "R -{0}. 函数f (t )" 2 (R ) 的小波变换W a ,6(f )定义为 W a ,6(f )= 1.小波变换的概念 小波(Wavelet)这一术语,顾名思义,“小波”就是小的波形。所谓“小”是指它具有衰减性;而称之为“波”则是指它的波动性,其振幅正负相间的震荡形式。与Fourier变换相比,小波变换是时间(空间)频率的局部化分析,它通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,解决了Fourier变换的困难问题,成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。2.小波有哪几种形式?常用的有哪几种?具体用哪种,为什么? 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况,分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算,而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数(即母小波)和缩放函数(也称为父小波)来定义。 小波函数实际上是带通滤波器,每一级缩放将带宽减半。这产生了一个问题,如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波,可以视为有限长,并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示,作为小波函数。例如墨西哥帽小波。 3.小波变换分类 小波变换分成两个大类:离散小波变换(DWT) 和连续小波转换(CWT)。两者的主要区别在于,连续变换在所有可能的缩放和平移上操作,而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以,DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看,小波变换存在以下几个优点: (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器,可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性,在低频段可用高频率分辨率和低时间分辨率(宽分析窗口),在高频段,可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 开题报告 通信工程 基于小波变换的图像压缩方法 一、课题研究意义及现状 随着计算机多媒体技术和通信技术的日益发展以及网络的迅速普及,图像数据信息以其直观、形象的表现效果,在信息交流中的使用越来越广泛。每天都有大量的图像信息通过数字方式进行存储、处理和传输。由于技术上对图像数据的要求,图像的分辨率、谱段的数量在不断增加,由此导致图像数据量急剧增加。这就给图像的传输和存储带来了极大的困难。因此,图像数据压缩势在必行,通过压缩手段将信息的数据量降下来,以压缩的形式存储和传输,既节约了存储空间,又提高了通信干线的传输效率。 小波变换是基于傅里叶变换理论发展起来的一种新型变换方法,其作为一门较新的数学分支,被引入图像信号处理以后,很快引起了人们的空前关注,成为迅速应用到图像处理和语音分析等众多领域的一种数学工具。 图像数据可以压缩,一方面可以利用人眼的视觉特性,在不被主观视觉察觉的容限内,通过降低表示信号的精度,以一定的客观失真换取数据压缩;另一方面是图像数据中存在大量的冗余度可供压缩.图像数据的冗余度存在于结构和统计2 个方面,结构上的冗余度表现为很强的空间和时间相关性,即图像的相邻像素之间、相邻行之间或者相邻帧之间存在着较强的相关性;统计上的冗余度来源于被编码信号概率密度分布的不均匀,若采用变字长编码技术,用较短的代码表示频繁出现的符号,用较长的代码表示不常出现的符号,就可消除符号统计上的冗余,从而实现图像数据的压缩. 由于小波变换具有明显的优点,且存在明显的相关性,有利于获得较高的编码效益.这就是小波图像压缩的近期现状,通过对小波图像压缩的研究,可以更深层次的挖掘图像压缩这方面的技术,为日新月异的科技做一份自己的贡献。 目前已经提出和正在进行研究的小波图像压缩方法择要列举如下: (1)多分辨率编码。最早提出的是金字塔编码,后来是子带编码(SubbandCoding),最近是用小波变换进行图像编码。 (2)基于表面描述的编码方法(三角形逼近法)。 (3)模型编码。它可以分为物体模型未知的物体基编码和物体模型已知的语义基编码。 (4)利用人工神经网的压缩编码。 图像灰度化 颜色可分为黑白色和彩色。黑白色指颜色中不包含任何的色彩成分,仅由黑色和白色组成。在RGB颜色模型中,如果R=G=B,则颜色(R, G, B)表示一种黑白颜色;其中R=G=B的值叫做灰度值,所以黑白色又叫做灰度颜色。彩色和灰度之间可以互相转化,由彩色转化为灰度的过程叫做灰度化处理;由灰度化转为彩色的过程称为伪彩色处理。 相应地,数字图像可分为灰度图像和彩色图像。通过灰度化处理和伪彩色处理,可以使伪彩色图像与灰度图像相互转化。 灰度化就是使彩色的R,G,B分量值相等的过程。由于R,G,B的取值范围是0 ~ 255,所以灰度的级别只有256级,即灰度图像仅能表现256种颜色(灰度)。 灰度化的处理方法主要有如下3种[6]: (1)最大值法:使R,G,B的值等于3值中最大的一个,即 R=G=B=max(R,G,,B) (2-3 ) 最大值法会形成亮度很高的灰度图像。 (2)平均值法:使R,G,B的值求出平均值,即 R=G=B=(R+G+B)/3 (2-4 )平均值法会形成比较柔和的灰度图像。 (3)加权平均值法:根据重要性或其他指标给R,G,B赋予不同的权值,并使R,G,B的值加权平均,即 R=G=B=(W r R + W g G + W b B)/3 (2-5 )其中W r,W g,W b分别为R,G,B的权值。W r,W g,W b取不同的值,加权平均值法就形成不同的灰度图像。由于人眼对绿色的敏感度最高,红色次之,对蓝色最低,因此使W g>W r>W b将得到比较合理的灰度图像。实验和理论推导证明,但W r= 0.30,W g =0.59,W b=0.11时,即当 V gray=0.30R + 0.59G + 0.11B R=G=B= V gray(2-6 )时,能得到最合理的灰度图像。 本文采用方法(3)实现灰度转化,有比较好的效果,结果如图所示。 收稿日期:2009-12-20 作者简介:罗忠亮(1973-),男,湖南桂阳人,韶关学院计算机科学学院讲师,博士研究生,主要从事图像处理及生物特征识别的研究. 韶关学院学报·自然科学Journal of Shaoguan University ·Natural Science 2010年3月 第31卷第3期基于小波和神经网络的图像压缩方法 罗忠亮 (韶关学院计算机科学学院,广东韶关512005) 摘要:针对图像压缩中压缩率与图像质量的折衷问题,综合利用小波变换和神经网络各自的优点,采用小波和神经网络的方法进行图像压缩.该算法先对图像进行小波分解,保留低频系数,然后将高频系数输入训练的网络进行矢量量化编码达到压缩的目的,最后根据保留的低频系数和还原的高频系数重构图像. 关键词:图像压缩;小波变换;神经网络;峰值信噪比 中图分类号:TP301文献标识码:A 文章编号:1007-5348(2010)03-0025-04 随着多媒体业务和通信技术的不断发展,数字图像中所包含的数据量日益庞大,如何让这些庞大的数据在网络中方便、快捷地传输,这对图像信息的存储和传输技术提出了挑战,而图像数据压缩技术是解决这个问题的关键[1-4].通过图像冗余数据的减少可达到图像压缩的目的,在保证图像质量的条件下实现图像压缩.由于小波具有良好的时频局部特性和变焦特性并且能很好地体现人眼的视觉特性,而神经网络具有自学习、自适应性、强鲁棒性、高度并行处理能力和推广能力[5,6].把小波和神经网络结合起来进行图像压缩一直是人们关注的问题.图像经过小波变换后分解为高频子带和低频子带,其中低频分量集中了信号的主要信息,高频部分表现为信号的细节信息.由于人的生理特性决定对细节信息的不敏感,故利用小波可以实现信号压缩的同时尽大可能地保留信号的主要成分[6].采用小波变换和神经网络的方法进行图像压缩,实验证明比单纯BP 神经网络或小波变换有较高的信噪比和压缩率. 1神经网络模型 1985年,Ackley 和Hinton 等人首次把多层前馈神经网络模型用于数据压缩变换.上世纪80年代中后期,神经网络的研究取得很大进展,涉及的应用领域非常广泛. BP 网络可直接提供数据压缩能力.利用多层前馈网络的模式变换能力实现数据变换的基本思想[2]:把一组输入模式通过少量的隐含层单元映射到一组输出模式,并使输出模式尽可能等于输入模式.当隐含层的单元数比输入模式数少时,就意味着隐含层能更有效地表现输入模式,并把这种表现传送到输出层. 用于图像压缩的神经网络包括输入层、隐含层和输出层,隐含层的节点上小于输入节点数,输入节点数与输出节点数相同.学习时,图像数据既送到输入层,又送到输出层作为教师信号,所使用的学习算法为算法网络训练好后,输入层到隐含层为网络的编码过程,对图像数据进行线性或非线性变换,从隐含层到输出层为网络的解码过程,对经过压缩后的变换系数进行线性或非线性变换,恢复图像的原始数据. 用于学习的图像有N ×N 个像素点,各像素灰度值被量化为m 比特(共2m 个可能的取值).2m 个灰度值按线性关系转化成0~1之间的数值作为网络的输入和期望输出(教师模式).网络随机地抽取各n ×n 图像块作为学习模式,用BP 算法学习.通过调整网络中神经元间的连接权值,使训练集图像的重建误差E=f-g 的均值达到最小.训练好的网络隐含层神经元矢量(经量化)便是数据压缩的结果,而输出神经元矢量便是Mar.2010Vol.31No.3基于MATLAB的彩色图像灰度化处理
小波变换图像去噪MATLAB实现
基于小波包的图像压缩及matlab实现
基于MATLAB的彩色图像灰度化处理
数字图像处理-图像去噪方法
图像处理灰度变换实验
基于小波变换的去噪方法
小波变换去噪基础知识整理
基于小波变换的图像压缩方法[开题报告]
图像灰度化
基于小波和神经网络的图像压缩方法