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，其处理能力的不断增强，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，图像处理学科在飞速发展的同时逐渐向其他学科交叉渗透。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。这种处理技术已经在各个领域上都有了比较广泛的应用。MATLAB是一种优秀的数学工具，具有强大的运算功能和图形展示功能，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，包括MATLAB软件的简介和基本使用方法说明。介绍了基于MATLAB图像处理的实现和仿真，包含图像的编辑、图像的变形、噪声与滤波以及频谱分析等。
关键词: MATLAB;数字图像处理
Abstract
Digital image processing is an emerging technology, with the development of computer hardware and the processing capacity, real-time digital image processing has become possible. Due to digital image processing algorithms to appear, with the rapid development of the subject of image processing, it has also gradually permeated to other subjects. Digital image processing is used by some algorithms computer graphics image processing technology, and it has been in many areas have a wide range of applications. MATLAB is an excellent math tool, and it has powerful computing and graphics display capabilities. So it makes images processing become more simple and intuitive. This paper introduces characteristics of MATLAB Image Processing Toolbox for its digital image processing, including the introduction of MATLAB and its usage. The paper also introduces the simulation and analysis of image processing based on MATLAB, including the level of gray , brightness, scaling, rotating, noise, filtering, and frequency analysis.
Key words: MATLAB ;Digital image processing
目录
一绪论 (1)
（一）数字图像处理概述 (1)
（二）数字图像处理目的 (1)
（三）MATLAB软件基本知识介绍 (2)
二基于MATLAB数字图像处理的实现和仿真 (3)
（一）使用MATLAB实现对图像的基本运算 (3)
1、图像缩放 (3)
2、图像裁剪 (5)
3、图像灰度调节 (6)
（二）使用MATLAB对图像进行旋转变形 (7)
（三）噪声 (9)
（四）均值滤波 (11)
（五）频谱分析 (12)
三总结与展望 (14)
参考文献 (15)
致谢 (16)
文献翻译 (17)
（一）英文原文 (17)
（二）中文翻译 (20)
一、绪论
（一）数字图像处理概述
图像是一种重要的信息源，图像处理的最终目的就是要帮助人类理解信息的内涵。数字图像处理是将图像信号转化为数字信号并通过计算机记性去除噪声、增强、复原、分割、提取特征等处理的过程。影像数字图像处理的产生和飞速发展的因素主要有三个：一是计算机的发展；而是数学的发展（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增长。随着计算机技术的迅猛发展，图像处理技术已经广泛应用关于各个领域。
本文所涉及到的图像处理都是数字图像的处理，与模拟图像相比，数字图像具有以下显著优点：
1、精度高：目前的计算机技术可以将一幅模拟图像数字化为任意的二维数组，即
数字图像可以由无限个像素组成，每个像素的亮度可以量化为12位（即4096
个灰度级），这样的精度使得数字图像与彩色照片的效果相差无几；
2、处理方便：由于数字图像本质上是一组数据，所以可以用计算机对它进行任意
方式的修改，例如，放大、缩小、改变颜色、复制和删除某一部分等；
3、重复性好：模拟图像（例如，照片）即便是使用非常好的底片和相纸，也会随
着时间的流逝而褪色，发黄，而数字图像可以存储在光盘中，上百年后再用
计算机重现也不会有丝毫的改变。
随着科技的发展，许多高新知识都已经在图像处理上得到了广泛应用，并取得了较好的效果。但是一些经典的图像处理方法仍然有其生命力，实际应用中还是离不开一些基本的技术。图像理解虽然在理论方法研究上已取得不小的发展，但它本身是一个比较难得研究领域，存在不少困难。因此人类本身对于自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新的领域。
（二）数字图像处理目的
数字图像处理的目的一般而言，对图像进行加工和分析主要有一下三个方面的目的。
1、提高图像的视觉感受质量，以达到赏心悦目的目的。例如，去除图像中的噪声，
改变图像的亮度、颜色，增强图像中的某些成分、抑制某些成分，对图像进行几
何变换等，从而改善图像的质量，以实现或真实的、或清晰的、或色彩丰富的、
或意想不到的艺术效果。
2、提取图像中包含的某些特征或特殊信息，以便于计算机分析，如常用做模式识别、
计算机视觉的预处理等等。这些特征包括很多方面，如频域特性、灰度/颜色特
性、边界/区域特性、纹理特性、形状/拓扑特性以及关系结构等。
3、对图像数据进行变换、编码或压缩，以便于图像的存储和传输
（三）MATLAB软件介绍
MATLAB是由美国MathWork公司推出的用于数值计算和图形处理的软件。MATLAB中除主包外，还包含许多功能各异的工具箱，用于解决各个领域的待定问题。它的工具箱主要有通信、控制系统、滤波器设计、图像处理、非线性控制设计、系统识别、神经网络、最优化、模糊逻辑、信号处理、鲁棒控制、统计等。借助于这些工具箱，用户可以非常方便的进行分析、计算及设计工作。
MATLAB是一种用于算法开发、数据可视化、数据分析以及数值计算的高级科学计算语言和交互式环境。使用MATLAB，用户可以使用较传统的编程语言更快的解决科学计算问题。
MATLAB是由MATRIX和LABORATORY两个英文单词的前三个字母组合而成的。MATLAB 是一套优秀的数值计算应用软件，它集数学运算、数值分析、矩阵运算、可视化功能与开放式环境于一体，并且还附带了三十多种面向不同领域的工具箱，使得它成为科学领域中计算机辅助设计和分析、算法研究和应用开发的主要工具之一，它在信号数据处理、系统建模和仿真、科学和工程绘图以及应用程序开发等方面得到了广泛的应用。被称为第四代计算机语言的MATLAB，利用其丰富的函数资源，使编程人员从繁琐的程序代码中解放出来，MATLAB最突出的特点就是简洁。MATLAB用更直观的符合人们思维习惯的代码，代替了C 和FORTRAN语言的冗长代码。为此，MATLAB已经成为目前使用最为广泛的工程应用软件。
MANLAB的图像处理工具箱功能十分强大，支持的图像文件格式丰富，如BMP、JEPG、GIF、TIFF、PCX、HDF、XWD、PNG等。MATLAB提供了15类图像处理函数，涵盖了包括近期研究成果在内的几乎所有的图像处理方法。这些函数按其功能可以分为：图像显示；图像文件I/O；几何操作；像素和统计处理；图像分析；图像增强；线性滤波；线性二元滤波设计；图像变换；邻域和块处理；二进制图像操作；区域处理；颜色映像处理；颜色空间变换；图像类型和类型转换。
利用这些图像处理工具箱，并结合其强大的数据处理能力，我们可以不必关心图像文件的格式、读写、显示等细节。而把精力集中在算法研究上，大大提高了工作效率。而且在测试这些算法时既可以方便地得到统计数据，同时又可得到直观图示。
MATLAB 给用户带来的是最直观最简洁的程序开发环境，其主要特点有：1、语言简洁紧凑，使用方便灵活，可函数极其丰富；2、运算丰富；3、既具有结构化的控制语句，又有面向对象编程的特性；4、程序限制不严格，程序设计自由度大；5、程序的可移植性很好，基本不用修改就可以在各种型号的计算机和操作系统上运行；6、图形功能强大；7、
具有强大的工具箱；8、源程序的开放性
第二章基于MATLAB数字图像处理的实现和仿真
（一）使用MATLAB实现对图像的基本运算
1、图像缩放
图像的缩放是指在保持原有的图像形状的基础上对图像的大小进行扩大或缩小。例如对于行数为m列数为n的图像，通过放大可以将图像变为行数为2×m，列数为2×n的矩阵，在此过程中用到图像的差值算法。
在MATLAB中，进行图像缩放的函数式imresize，它的常见调用方法如下：
B=imresize(A,scale)
B=imresize(A,[mrows ncols])
B=imresize(A,scale,method)
其中，A是要进行缩放的图像矩阵，scale是进行缩放的倍数，如果scale小于1，则进行缩小操作，如果scale大于1，则进行放大操作。[mrows ncols]用于指定缩放后图像的行数和列数，method用于指定的图像缩放方法，有nearest（最近邻法）、bilinear（双线性插值）、bicublic（双三次插值）等算法。
i=imread('xx.png');
[m,n]=size(i);
j1=imresize(i,0.2);%放大0.2倍
j2=imresize(i,8,'nearest');%最邻近插值法放大8倍
j3=imresize(i,[8*m 8*n],'bilinear');%双线性插值法放大8倍
figure;
subplot(2,2,1);imshow(i);
subplot(2,2,2);imshow(j1);
subplot(2,2,3);imshow(j2);
subplot(2,2,4);imshow(j3);
在这个程序中，对一幅图像使用不同的插值方法，进行了缩小和放大操作。程序运行结果如下图2.1.1所示，期中左上图为原图像xx；右上图为原图像放大（即缩小）0.2倍后的图像；左下图为原图像使用最邻近方法放大8倍后的图像；右下图为原图像使用双线性方法放大8倍后的图像。
图2.1.1
2、图像裁剪
图像的裁剪是指将图像不需要的部分切除，只保留感兴趣的部分。在MATLAB中，图像裁剪的函数式imcrop，它的常见调用方法如下：
I0=imcrop
I0=imcrop(I,rect)
其中第一种调用方法是交互式的操作，即首先显示一幅图像，然后执行这条命令，用鼠标在图像中选中感兴趣的区域，然后这个感兴趣的区域就会存储在矩阵I0中。第二种调用方法rect规定了裁剪后的图像的区域。
（1）图像的交互式裁剪。
i=imread('xx.png');%读取图像
figure,imshow(i)
i0=imcrop;%交互式裁剪
figure,imshow(i0);
在这个程序中，首先显示了一幅图像，然后在这个图像上进行了交互式操作，选取感兴趣的区域，然后显示感兴趣的区域。程序运行结果如下图2.2.1-1所示，其中左图为原
图xx，右图为交互式裁剪后得到的图像。
图2.1.2-1
（2）图像的参数式裁剪
i=imread('xx.png');%读取
i2=imcrop(i,[75 68 130 112]);%规定裁剪区域的起始位置
imshow(i),figure,imshow(i2)
程序运行的结果如下图2.1.2-2所示，其中左图像为原图像xx，右图为参数式裁剪后得到的图像。
图2.1.2-2
3、图像灰度调节
MATLAB图像处理工具箱中提供的imadjust函数可以实现图像的灰度变换，使对比度增强，其语法格式为：
j=imadjust(i,[low high],[bottom,top],gamma)
其功能是：返回图像i经过直方图调整后的图像j。[low high]为原图像中药变换的灰度范围，[bottom top]指定变化后的灰度范围，两者的默认值均为[0,1]。gamma为矫正
量,其取值决定了输入图像到输出图像的灰度影射方式，即决定了增强低灰度还是增强高灰度。如果gamma等于1时，为线性变换；如果gamma大于1时，那么影射加权后的灰度值比原来小；如果gamma小于1时，那么影射将会对图像的像素值加权。
I=imread('jc.bmp');
J=imadjust(I,[0.2,0.4],[]);
subplot(211),imshow(I);
subplot(212),imshow(J);
图2.1.3
（二）使用MATLAB对图像进行旋转变形
图像的旋转是指使图像做某一角度的转动。在MATLAB中，图像旋转的函数式imrotate，同imresize函数一样，imrotate函数需要调用图像插值法，对旋转后的图像进行插值。
Imrotate函数的常见调用方法如下。
B=imrotate(A,angle)
B=imrotate(A,angle,method)
B=imrotate(A,angle,method,bbox)
其中A是要旋转的图像，angle是要旋转的角度，method是插值的方法，可以作为nearest、
bilinear、bicubic等。bbox是是指旋转后的显示方式，有两种选择，一种是crop，旋转后的图像跟原图像一样大小；另一种是loose，旋转后的图像包含原图。
i=imread('xx.png');%读取图像
j1=imrotate(i,-45,'bicubic');%使用bicubic插值顺时针旋转45度
j2=imrotate(i,45,'bilinear','crop');%使用crop方式显示旋转后的图像
j3=imrotate(i,45,'bilinear','loose');%使用loose方式显示旋转后的图像
figure;
subplot(221);imshow(i);
subplot(222);imshow(j1);
subplot(223);imshow(j2);
subplot(224);imshow(j3);
图2.2
（三）噪声
数字图像中往往存在各种各样的噪声，噪声是获得的图像像素值，不能反映真实场景亮度的误差，数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。根据图像的获取方法不同，有很多引入图像噪声的方法。
（1）如果图像是通过扫描照片得到的，则照片上的灰尘是噪声源，另外，照片损坏和扫描的过程本身都会引入噪声。
（2）如果图像直接由数字设备得到，则获取图像数据的设备会引入噪声。
（3）图像数据的传输会引入噪声。
为了模拟不同方法的去噪效果，MATLAB图像处理工具箱中使用imnoise函数对一幅图像加入不同的噪声。它的常见调用方法如下：j=imnoise(I,type,parameters) 其中i 表示要加入噪声的图像，type表示不同类型的噪声，parameters是指不同类型噪声的参数，如对于高斯噪声而言，即均值和方差，j是返回的含有噪声的图像。
i=imread('cj.png');
j1=imnoise(i,'salt & pepper',0.02);%加入椒盐噪声
j2=imnoise(i,'gaussian',0,0.01);%加入高斯白噪声
j3=imnoise(i,'poisson');%加入泊松噪声
j4=imnoise(i,'speckle',0.04);%加入乘法噪声
imshow(i);
figure;
subplot(221),imshow(j1);
subplot(222),imshow(j2);
subplot(223),imshow(j3);
subplot(224),imshow(j4);
图2.3.1 没有噪声的原图像
图2.3.2 加入各噪声后的图像
在这个程序中，首先读取一幅图像，如图2.3.1所示。然后在这幅图像中加入4种不同类型的噪声，加入噪声后的图像如图2.3.2所示，其中左上图为加入椒盐噪声后的图像；右上图为加入高斯白噪声后的图像；左下图为加入泊松噪声后的图像；右下图为加入乘法噪声后的图像。
（四）均值滤波
均值滤波器的原理类似于中值滤波器，中值滤波器输出的像素值为相应像素邻域内的中值，而均值滤波器输出的像素值为相应像素邻域内的平均值，这使得对于粒状噪声可以很好的被滤除。
在MATLAB中，线性vboqi的函数为imfilter,它的常见调用方式如下：
B=imfilter（A,H）
B=imfilter（A，H,option1,option2,……）
其中A是输入的图像，H是多维滤波器，option1、option2是一些可选的参数，B是返回的滤波后的图像，与A有着相同的数据类型和维数。
下面的例子使用相同权重的5×5的滤波器进行滤波，这类滤波器成为均值滤波器。
滤波后的结果如图2.4所示。
I=imread(…cj.png?);%
h=ones(5,5);
i2=imfilter(I,h);
subplot(121),imshow(i);
subplot(122),imshow(i2);
图2.4
（五）频谱分析
图像的频率是表征图像中灰度变化剧烈程度的指标，它是灰度在平面空间上的梯度，例如，大面积的沙漠在图像中是一片灰度变化缓慢的区域，其对应的频率值很低；而对于地表属性变化剧烈的边缘区域在图像中则是一片灰度变化剧烈的区域，其对应的频率值较高。
傅里叶变换是最简单的正交变换，它是裂解其他变换的基础，同时傅里叶变换也是应用最广泛的一种正交变换。傅里叶变换建立了从时域到频域的桥梁，而傅里叶反变换则建立了从频域到时域的桥梁。
傅里叶变换在实际中有非常明显的物理意义。若f是一个能量有限的模拟信号，则其傅里叶变换就表示f的谱。用fft2函数对二维数据进行快速傅里叶变换，其调用的形式如下：z=fft2(x,m,n)
其中，x为输入的二维图像数据矩阵，其数据类型为double型。m、n分别表示进行二维离散傅里叶变换的长与宽，若x的尺寸与m×n不符，则会对x采取相应的填充或截取操作。若参数省略，则进行二维傅里叶变换的点数与x的尺寸相同。返回值z为m×n 的二维矩阵，它表示离散傅里叶变换后的频域图像。
x=imread('cj.png');
y=im2double(x);
imshow(y),figure
z=fft2(y)
imshow(log(1+abs(z)),[]),figure
图2.5
在这个程序中，首先将图像的数据转换为double型，再将其输出入到fft2函数中，其次，由于图像的低频部分能量非常集中，其值远远大于高频分量值，所以导致频域图像的动态范围非常大，如果正常显示的话，高频部分的信息几乎无法看清，所以在显示前使用log对数函数进行转换，目的是为了显示清晰，这种显示方法在显示频域图像时会经常用到。
第三章总结与展望
（一）总结
本文主要介绍了数字图像处理的理论知识以及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基本的数字图像处理，包括对图像的基本编辑及分析。综合学习使用MATLAB 软件对于图像处理的基本知识，给出部分MATLAB实例和图像处理效果，使读者能够更好地理解和掌握使用MATLAB图像处理工具箱函数进行图像处理的方法。
（二）展望
从数字图像处理技术应用的开始到其成为一门较独立的学科，图像处理结合景物理解、机器视觉、真实感影响和科学计算等方面有了长足的发展。随着计算机和各个研究领域的迅猛发展，图像处理已经成为人们认识世界、改造世界的重要手段。
图像处理是人类视觉延续的重要手段，使人们可以看到任意波长上所测得的图像，如伽马相机、X光机，红外和超声图等；可以看到内部图像，例如用CT可以看到断层图像，实现了人类长期以来的梦想；可以看到立体图像和剖视图像。数字图像处理在实际中得到了广泛应用，几乎覆盖了所有的社会生活领域，特别是在遥感、航空航天、通信、生物和医学、安全监控、工业生产、视频和多媒体、机器人视觉、物理和化学分析、公安和军事等领域，它在国家安全、经济发展和日常生活中已经起到越来越重要的作用。
参考文献
[1]朱习军等.MATLAB在信号与图像处理中的应用[M].北京电子工业出版社2009.3
[2]高展宏，徐文波.基于MATLAB的图像处理案例教程[M].北京：清华大学出版社
[3]李从利，易维宁.数字图像处理--理论、算法及实现[M].安徽：全国百佳图书出版社
2012.9
[4]张强，王正林. 精通MATLAB图像处理（第二版）[M].北京电子工业出版社，2012.4
[5]段一平,李浩攀. MATLAB在图像处理中的应用[J]. 科技信息. 2009(10)
[6]尹凤领,霍丙全. 图像处理技术的Matlab实现[J]. 科技信息. 2007(05)
[7]周伟. 基于MATLAB的数字图像处理技术概述[J]. 信息与电脑(理论版). 2010(05)
[8]周广芬,李鹏,杨久义.利用MATLAB图像处理工具箱进行图形数字化的研[J]. 河北科技大学学报. 2005(04)
[9]刘中合,王瑞雪,王锋德,马长青,刘贤喜.数字图像处理技术现状与展望[J]. 计算机时代. 2005(09)
[10]包宋建,许艳英,陈帅华,汤勇. MATLAB语言在数字图像处理中的应用[J]. 工业控制计算机. 2011(06)
[11]李昕,陈坚. 基于MATLAB的数字图像处理[J]. 电脑知识与技术. 2009(08)
[12]黄剑玲. 利用MATLAB进行数字图像的分析和处理[J]. 计算机与现代化. 2000(06)
[13]邓红涛,赵庆展. 基于Matlab的图像处理的研究[J]. 科技资讯.2009(04)
[14]涂望明,魏友国,施少敏.MATLAB在数字图像处理中的应用[J].微计算机信
息.2007(06)
[15]关雪梅. MATLAB处理数字图像的方法研究[J]. 硅谷.2009(20)
[16]唐苏湘. 图像处理常用软件的比较与应用[J]. 四川兵工学报. 2009(05)
[17]梁原. 基于MATLAB的数字图像处理系统研究[D]. 长春:长春理工大学.2008
[18]张长江,汪晓东，汪金山. 基于MATLAB的《数字图像处理》综合实验设计[A]. 2008年
[19]周开利，邓春晖. MATLAB基础及其应用教程[M].北京：北京大学出版社.2007.3
[20] Gonzalez,R.C.& R.E.Woods& S.L.Eddins著，阮秋琦等译.数字图像处理(MATLAB 版)[M].北京:电子工业出版社,2005.9
[19]陈怀琛. MATLAB及其在理工课程中的应用指南（第三版）[M].西安：西安电子科技大学出版社,2007.7
文献翻译
（一）英文原文
The research of digital image processing technique
1Introduction
Interest in digital image processing methods stems from two principal application areas: improvement of pictorial information for human interpretation; and processing of image data for storage, transmission, and representation for autonomous machine perception. This chapter has several objectives: (1)to define the scope of the field that we call image processing; (2)to give a historical perspective of the origins of this field;
(3)to give an idea of the state of the art in image processing by examining some of the principal area in which it is applied; (4)to discuss briefly the principal approaches used in digital image processing; (5)to give an overview of the components contained in a typical, general-purpose image processing system; and (6) to provide direction to the books and other literature where image processing work normally is reporter.
1.1What Is Digital Image Processing?
An image may be defined as a two-dimensional function, f(x, y), where x and y are spatial (plane) coordinates, and the amplitude of f at any pair of coordinates (x, y) is called the intensity or gray level of the image at that point. When x, y, and digital image. The field of digital image processing refers to processing digital images by means of a digital computer. Note that a digital image is composed of a finite number of elements, each of which has a particular location and value. These elements are referred to as picture elements, image elements, pels, and pixels. Pixel is the term most widely used to denote the elements of a digital image. We consider these definitions in more formal terms in Chapter2.
Vision is the most advanced of our senses, so it is not surprising that images play the single most important role in human perception. However, unlike human who are limited to the visual band of the electromagnetic (EM) spectrum, imaging machines cover almost the entire EM spectrum, ranging from gamma to radio waves. They can operate on images generated by sources that human are not accustomed to associating with image. These include ultrasound, electron microscopy, and computer-generated images. Thus, digital image processing encompasses a wide and varied field of application.
There is no general agreement among authors regarding where image processing stops and other related areas, such as image analysis and computer vision, start. Sometimes a distinction is made by defining image processing as a discipline in which both the input and output of a process are images. We believe this to be a limiting and somewhat artificial boundary. For example, under this definition, even the trivial task of computing the average intensity of an image (which yields a single number) would not be considered an image processing operation. On the other hand, there are fields such as computer vision whose ultimate goal is to use computer to emulate human vision, including learning and being able to make inferences and take actions based on visual inputs. This area itself is a branch of artificial intelligence (AI) whose objective is to emulate human intelligence. This field of AI is in its earliest stages of infancy in terms of development, with progress having been much slower than originally anticipated. The area of image analysis (also called image understanding) is in between image processing and computer vision.
There are no clear-cut boundaries in the continuum from image processing at one end to computer vision at the other. However , one useful paradigm is to consider three types of computerized processes is this continuum: low-, mid-, and high-ever processes. Low-level processes involve primitive operation such as image preprocessing to reduce noise, contrast enhancement, and image sharpening. A low-level process is characterized by the fact that both its input and output are images. Mid-level processing on images involves tasks such as segmentation (partitioning an image into regions or objects), description of those objects to reduce them to a form suitable for computer processing, and classification (recognition) of individual object. Amid-level process is characterized by the fact that its inputs generally are images, but its output is attributes extracted from those images (e. g., edges contours, and the identity of individual object). Finally, higher-level processing involves “making sense” of an ensemble of recognized objects, as in image analysis, and, at the far end of the continuum, performing the cognitive function normally associated with vision.
Based on the preceding comments, we see that a logical place of overlap between image processing and image analysis is the area of recognition of individual regions or objects in an image. Thus, what we call in this book digital image processing
encompasses processes whose inputs and outputs are images and, in addition, encompasses processes that extract attributes from images, up to and including the recognition of individual objects. As a simple illustration to clarify these concepts, consider the area of automated analysis of text. The processes of acquiring an image of the area containing the text. Preprocessing that images, extracting (segmenting) the individual characters, describing the characters in a form suitable for computer processing, and recognizing those individual characters are in the scope of what we call digital image processing in this book. Making sense of the content of the page may be viewed as being in the domain of image analysis and even computer vision, depending on the level of complexity implied by the statement “making sens e.”
（二）中文翻译
数字图像处理方法的研究
1 绪论
数字图像处理方法的研究源于两个主要应用领域:其一是为了便于人们分析而对图像信息进行改进；其二是为了使机器自动理解而对图像数据进行存储、传输及显示。
1.1数字图像处理的概念
一幅图像可定义为一个二维函数f(x, y)，这里x和y是空间坐标，而在任何一对空间坐标f(x, y)上的幅值f称为该点图像的强度或灰度。当x，y和幅值f为有限的、离散的数值时，称该点是由有限的元素组成的，没一个元素都有一个特定的位置和幅值，这些元素称为图像元素、画面元素或象素。象素是广泛用于表示数字图像元素的词汇。在第二章，将用更正式的术语研究这些定义。
视觉是人类最高级的感知器官，所以，毫无疑问图像在人类感知中扮演着最重要的角色。然而，人类感知只限于电磁波谱的视觉波段，成像机器则可覆盖几乎全部电磁波谱，从伽马射线到无线电波。它们可以对非人类习惯的那些图像源进行加工，这些图像源包括超声波、电子显微镜及计算机产生的图像。因此，数字图像处理涉及各种各样的应用领域。
图像处理涉及的范畴或其他相关领域(例如，图像分析和计算机视觉)的界定在初创人之间并没有一致的看法。有时用处理的输人和输出内容都是图像这一特点来界定图像处理的范围。我们认为这一定义仅是人为界定和限制。例如，在这个定义下，甚至最普通的计算一幅图像灰度平均值的工作都不能算做是图像处理。另一方面，有些领域(如计算机视觉)研究的最高目标是用计算机去模拟人类视觉，包括理解和推理并根据视觉输人采取行动等。这一领域本身是人工智能的分支，其目的是模仿人类智能。人工智能领域处在其发
展过程中的初期阶段，它的发展比预期的要慢得多，图像分析(也称为图像理解)领域则处
在图像处理和计算机视觉两个学科之间。
从图像处理到计算机视觉这个连续的统一体内并没有明确的界线。然而，在这个连续的统一体中可以考虑三种典型的计算处理(即低级、中级和高级处理)来区分其中的各个学科。低级处理涉及初级操作，如降低噪声的图像预处理，对比度增强和图像尖锐化。低级处理是以输人、输出都是图像为特点的处理。中级处理涉及分割〔把图像分为不同区域或目标物)以及缩减对目标物的描述，以使其更适合计算机处理及对不同日标的分类(识别)。中级图像处理是以输人为图像，但输出是从这些图像中提取的特征(如边缘、轮廓及不同物体的标识等)为特点的。最后，高级处理涉及在图像分析中被识别物体的总体理解，
以及执行与视觉相关的识别函数(处在连续统一体边缘)等。
根据上述讨论，我们看到，图像处理和图像分析两个领域合乎逻辑的重叠区域是图像中特定区域或物体的识别这一领域。这样，在本书中，我们界定数字图像处理包括输人和输出均是图像的处理，同时也包括从图像中提取特征及识别特定物体的处理。举一个简单的文本自动分析方面的例子来具体说明这一概念。在自动分析文本时首先获取一幅包含文本的图像，对该图像进行预处理，提取(分割)字符，然后以适合计算机处理的形式描述这些字符，最后识别这些字符，而所有这些操作都在本书界定的数字图像处理的范围内。理解一页的内容可能要根据理解的复杂度从图像分析或计算机视觉领域考虑问题。
以下免费送您一百个优秀毕业论文题目，供参考。
1.企业集团激励与绩效评价问题研究
2.XXX地区中小企业财务管理现状问题研究
3.XXX地区上市公司盈利质量实证研究
4.XXX地区企业集团整合过程中的财务问题研究
5.XXX地区中小企业的信用担保体系问题研究
6.XXX地区上市公司财务预警问题研究
7.企业并购前后财务状况变化问题研究
8.以平衡计分卡为核心的绩效评价体系研究
9.EVA在企业绩效评价中的作用研究
10.关于我区中小企业引入风险投资问题研究
11.我国上市公司经营目标的实证分析
12.对内含报酬率法的再思考
13.利用平衡计分卡落实战略的案例分析
14.基于EVA的企业业绩评价指标体系的构建与实施研究
15.基于不同发展周期的企业财务战略选择研究
16.集团公司全面预算目标的制定与分解
17.现金流量折现法在评估公司战略中的应用分析
18.财务指标与非财务指标在评估管理者业绩中的应用拟合
19.我国企业财务管理目标的现实选择
20.财务管理目标与企业财务核心能力问题研究
21.企业财务管理中运用税收筹划的探讨
22.建立以财务管理为核心的资源配置制度
23.财务预警系统在财务管理中应用评价
24.基于Excel的财务预警模型研究
25.中西部地区中小企业财务战略选择问题研究
26.中小企业纳税筹划问题研究
27.企业投资过程中的纳税筹划问题研究
28.企业集团纳税筹划问题研究
29.企业纳税筹划中的风险规避问题研究
30.从公司治理结构透视财务管理目标
31.作业成本管理模式及其应用研究
32.论管理层并购在我国的运用
33.企业并购中的财务风险与防范
34.跨国公司财务管理策略及其在我国的实践
35.关于上市公司并购的财务分析
36.跨国公司财务管理体制的比较与选择