SAR图像处理方法与研究应用前景
SAR图像几何校正 (2)
概述 (2)
SAR图像的几何特征 (2)
SAR 图像几何纠正方法 (3)
SAR图像斑点噪声 (3)
概述 (3)
斑点模型 (4)
去除斑点噪声算法比较 (5)
相干斑抑制技术的性能评估 (7)
SAR图像分类技术 (7)
雷达图像分类概述 (7)
SAR图像分类传统技术 (8)
SAR图像分类新方法 (8)
采用新信息、新特征 (8)
应用新理论 (10)
SAR图像分割 (12)
图像分割说明 (12)
图像分割方法 (12)
SAR图像特征信息提取 (13)
特征提取说明 (13)
特征提取方法 (13)
SAR图像中目标的识别 (14)
目标识别说明 (14)
目标识别方法 (14)
SAR图像融合 (15)
图像融合概述 (15)
SAR图像融合方法 (15)
SAR图像恢复 (17)
图像恢复说明 (17)
图像恢复方法 (17)
SAR图像解译 (17)
SAR图像处理存在的问题 (17)
图像处理现存的问题 (17)
微波遥感有待进一步研究的问题 (18)
SAR图像处理新进展 (19)
SAR图像研究的应用 (20)
引用领域 (20)
SAR图像处理研究与应用的前景 (21)
SAR图像几何校正
概述
雷达图像是斜距投影，原始图像的几何失真大，做定量的几何分析比较困难，因此，为了更好地利用雷达图像，必须对此进行几何校正。
星载SAR图像通常分为地距产品和斜距产品。地距产品是系统中加入延时补偿装置以实现改正斜距投影，而斜距产品则没有加以改正。地距产品是系统加以延时而产生的，它没有考虑到地形的变换所引起的变形，知识对由于斜视产生的时间延迟加以改正。从某种意义上讲，它破坏了系统成像的几何关系。如果利用构想方程来纠正，纠正的精度较差；如果把它当作中心投影并按多中心投影的几何关系来加以纠正，精度会高一些，这时因为地距产品影像与地形的关系接近于中心投影的几何关系。但是它没有从根本上解决由于斜视对地形变化所产生的影像变化，所有纠正精度不很理想。
SAR图像的几何特征
在雷达成像中，目标的位置在方向上按雷达飞行的时序记录成像，而在距离向是按目标反射信息先后来记录成像及斜距成像，因而它有不同于一般光学影像的几何特征。
透视收缩：出现在距离向是指图像依比例尺测量距离比实际距离小的特征。收缩的大小随波束入射角的变化而变化，例如山坡这样的目标，即使前、后坡的大小一样，由于透视收缩的原理，使得图像正对波束的一面较窄，而背对波束的一面较宽。
定点位移：雷达是距离成像，目标距天线的距离越近，成像则越靠近航迹线，因此，高出地面的物体的影像靠近航迹线，而低于地面的物体的影像原理航迹线。顶点位移的大小同物体的高度和波束的入射角有关。
阴影：雷达成像是侧视的，发射的电磁波沿直线传播，因此，高的物体阻挡雷达发射的电磁波，而位于高物体之下的地物不能反射电磁波，不能成像从而形成阴影。阴影的大小跟物体的高度、雷达天线的俯角以及背坡坡角有关。
叠掩：多个目标由于斜距相同，它们在影像上具有相同的位置，使这点的灰度值很大，这种现象叫做叠掩。
SAR 图像几何纠正方法
目前已经提出了一些处理方法，如：
1）利用SAR的斜距信息和DEM来模拟SAR成像的透视收缩，然后利用TM影像来与之相匹配，最后达到纠正的目的。
2）利用DEM和后向散射函数以及卫星辅助数据记录模拟雷达影像并生成DEM地址文件，在模拟影像上给每个像素指定一个地理参考位置，然后进行匹配与重采样，以实现图像的每个像素作必要的坐标变换，生成一种以地面坐标系为标准的新图像。
3）方圣辉舒宁潘斌在“ERS-1SAR图像的几何处理的研究”中，提供的模式是按照SAR 的构象方程，利用星历参数建立的，可以达到很好的纠正精度：（1）利用影像的头文件提供的参数把地距产品转化为斜距产品；（2）利用斜距投影建立纠正数学模型。
SAR图像斑点噪声
概述
成像雷达获得的SAR图像是地物对雷达波散射特性的反映。由于成像雷达发射的是纯相干波，这种信号照射目标时，目标的随机散射信号与发射信号的干涉产生斑点噪声，并使图像的像素灰度值剧烈变化，即在均匀的目标表面，有的像素呈现亮点，有的呈暗点，模糊了图像的精细结构，使图像解译能力降低。
SAR图像中的相干斑噪声与数字图像处理中所遇到的噪声有本质的不同，这是因为它们形成的物理过程有本质上的差别。SAR图像中的相干斑噪声是在雷达回波信号中产生的，是包括SAR系统在内所有基于相干原理的成像系统所固有的原理性缺点；而数字图像处理中的椒盐噪声和高斯噪声等式在对照片进行采样、量化、压缩、传输和解码等数字化过程中，以及照片本身在保存过程中的退化所引起的，是直接作用到图像上的。形象地讲，一块均匀场景的SAR图像中，相邻的像素点之间的灰度会围绕着某一均值随机地起伏变化，这种现象成为相干斑现象，这种严重影响SAR图像质量的噪声称为相干斑噪声。
SAR相干斑的抑制方法大致可分为三类：
第一类是所谓的多视角平均处理方法，即平均几幅由同一合成孔径的不同分段形成的、不相干的SAR图像，以得到相干斑抑制的SAR图像。该方法的缺点是会使图像的空间分辨
率降低，并且对斑点也不理想。
第二类是空间域的处理方法，即利用图像像素间的空间相干性来对相干斑进行滤波，以抑制相干斑。空域的处理方法常见的有均值滤波器、中值滤波器、J. S. Lee的局部统计滤波器、最小均方误差滤波器、sigmoid滤波器、最大后验和形态滤波器等。空域的方法一般是利用一个滑动窗口，对窗口内的像素进行加权求和以得到窗口中心点的像素灰度值的滤波方法。同样该方法也会降低空间分辨率，使图像变得模糊，但如采用自适应窗口或结合结构检测等则可以部分地减少空间分辨率的降低。
第三类是多极化、多频段、多时段的处理方法，该类方法的特点是组合多种因素所包含的信息（包含各因素所含信息以及各种因素之间的联系所呈现出来的信息），综合考虑以期得到更好的相干斑抑制的处理方法。该类方法有Novak和Burl提出的极化白化滤波器(PWF)，在此基础上的导出的用于多视情况的多视加护白化滤波器(MPWF)、J. S. Lee的最优权值滤波器(Weighting Filter)和适量滤波器(Vector Filter)等。
斑点模型
斑点模型：斑点是由于在一个分辨单元中的小的散射体间的相互干涉形成的。相干斑噪声模型：1）瑞利相干斑模型；2）多视处理相干斑模型；
SAR图像斑点噪声大，如果幅度分布式高斯型的，相位分布式均匀的，则像素幅度为瑞利分布。相干的结果可能是增强型的，也可能是削弱型的，这取决于是增强型干涉还是削弱型干涉。
雷达图像的质量可主要以图像分辨率来表征，图像分辨率包括空间分辨率和灰度分辨率。空间分辨率包含的方位向和距离向分辨率分别由合成孔径技术和脉冲压缩技术得以实现。图像的灰度分辨率与雷达斑点噪声的特征有密切关系。由于SAR是一种相干成像系统，对分布式目标作相干处理必然产生相干斑(speckle)，它直接影响到图像的分辨率，降低了SAR 对目标的探测能力和分析、解译能力。相干斑点噪声是由一个分辨单元内众多散射体的散射波迭加形成的。当图像像素间距与雷达分辨率相当时，噪声功率是非相关的。这种情况下，可以假设相干斑是以一种不相关的乘性噪声，在以后的讨论中都以此假设为前提。针对SAR 图像斑点噪声的特殊性，即在小波变换域内图像和斑点噪声的奇异性不同，选取合适的门限在小波域内滤波。
去除斑点噪声算法比较
去除斑点噪声采用空域滤波算法，如均值滤波、中值滤波、Frost滤波、Lee滤波、Gamma MAP滤波等，同样在频域也进行滤波处理。
到20世纪90年代，已有不少利用极化信息的相干斑抑制算法，代表性的算法有以下几种：1）Zebker等的权功率(span)法，就是将各个极化通道的强度图像直接进行非相干的相加，该方法可得到一定的相干斑抑制效果，并且在视觉上也有较为明显的改进。2）Lee等的最优加权(Optimal Weighting)法，该方法实际上时对span图像的推广，它对各个极化通道强度图像数据进行一定权值的线性组合，并采用最小均方误差准则来约束权值的取值，从而达到减少相干斑的目的，这两个算法的去点都是只利用了各个极化通道的幅度信息，而没有利用相位信息，因此相干斑的抑制效果有限。3）Novak等极化白化滤波(Polari metric Whitening Filter, PWF)法，Goze和Lopes的最小均方差(Minimum Mean Square Error, MMSE)法以及电子科技大学刘国庆等在PWF基础上提出的多视极化白化滤波(Multi-look Polari metric Whitening Filter, MPWF)法等。这些算法对均匀场景都有较好的效果，但尚需解决极化信息保护、纹理结构特征保护和场景自适应性三大问题。
对相干斑的抑制技术大体分两类：成像前的多视平滑预处理技术和成像后的滤波技术。成像后的滤波技术又可分为：1）空间滤波技术；2）频域滤波技术。研究相干斑滤除技术的一个重要方向就是求得需要的灰度分辨率的同时如何保持必要的空间分辨力，因为二者都是SAR图像分析与应用的重要因素，所以着重考虑在滤除斑噪的同时，保持图像的细节信息（纹理、边缘）。
（1）刘永昌，张平，严卫东，“小波包域值法去除合成孔径雷达图像斑点噪声”，在一般方法基础上提出了小波包阈值法去除合成孔径雷达图像斑点噪声方法。屈晓荣。
（2）“小波分析在SAR图像处理中的应用”提出了基于自适应加权中值滤波前处理的多尺度非线性阈值斑点噪声消除算法和利用Harr小波抑制条纹干扰的算法，取得了很有意义的研究成果。
（3）Do和Vetterli提出了一种较小波变换有更好的方向选择性，对二维信号更稀疏的表示方法——Contour let变换。Contour let变换有效地保留了图像的几何信息，因而在图像分析应用（去噪、纹理特征提取）较小波变换有了明显的改善。但Contour let变换中的下抽样及上采样操作会产生频谱混淆，使Contour let变换不具有平移不变性。
（4）针对Contour let的这些缺陷，Cunha、Zhou和Do提出了具有平移不变性的Contour
let变换——Non-sub-sampled Contour let变换。Non-sub-sampled Contour let变换(NSTC)由非抽样塔式分解和非抽样方向滤波器组时相，是一种具有平移不变性的多尺度、多方向图像分析方法，能有效地捕捉图像的几何信息。
（5）传统的SAR图像斑点噪声的抑制算法有两大类：第一类是基于空间域滤波的Lee 滤波、Forest滤波、Gamma MAP滤波。这些标准的滤波器虽然算法简单且对斑点噪声有很强的抑制能力，但无法有效保持图像的边缘信息，易造成边缘的模糊化。第二类是基于小波阈值的去除噪声算法，利用了小波变换的多分辨率特性。但是，小波变换的方向选择性非常有限，且不具有平移不变形。而平移不变形对由滤波器实现的图像多尺度分解而言至关重要，平移不变形的全烧导致了伪吉布斯现象的产生，并且阈值去除噪声方法存在着对小波系数“过扼杀”的倾向，在保持边缘细节方面，效果并不理想，因此小波阈值去除噪声后的重建图像边缘容易产生吉布斯效应，造成图像边缘的损失。
（6）小波变换具有多分辨率分析的特点，在时域和频域中都具有表征信号局部特征的能力，是一种时域局部化分析方法，利用小波变换和多分辨率分析发展相干斑抑制新方法是一个很有意义的研究方向。
（7）Victor S. Frost等人针对合成孔径雷达图像提出了一种抑制噪声方法；Victor S. Frost, Josephine Abbott Stiles, K. S. Shanmugan, Application to Adaptive Digital Filtering of Multiplicative Noise. IEEE Trans. On Pattern Analysis and Machine Intelligence 1982 （8）D. T. Kuan等人推导了抑制加性噪声和乘性噪声的滤波器。Darwin T. Kuan, Alexander A. Sawchuk, Timothy C. Strand, Pierre Chavel. Adaptive Noise Smoothing Filter for Images with Signal-Dependent Noise. IEEE Trans. On Pattern Analysis and Machine Intelligence 1985 （9）Jong-Sen Lee 提出了适合加性和乘性噪声的滤波器。J. S. Lee, Digital Image Enhancement and Noise Filtering by Use of Local Statistics. IEEE Trans. On Pattern Analysis and Machine Intelligence 1980
（10）Armand Lopes根据SAR图像的统计分布特点，提出了MAP（最大后验概率）滤波器。
（100）ML降斑、MMSE降斑、MAP降斑、CMAP降斑、模拟退火降斑、
相干斑抑制技术的性能评估
为了定量或定性地比较各种相干斑滤波技术，我们首先建立一套准则以便对各种滤波技术进行科学的比较。这套准则应包括对相干斑的抑制能力的衡量；对均匀区域均值的保留，即要求滤波具有无偏性；对边缘锐度及细微特征的保护；对强点的保护；纹理特征的保留；对一些应用还需考虑计算效率以及实现的复杂性等。
目前被广泛接受的SAR相干斑抑制指标有：（1）对均匀区域，等效视数越大滤波越好；（2）空间分辨率和辐射分辨率损失越小越好；（3）使人的视觉满意；
重点考虑的准则：相干斑抑制能力、特这个点的保持性、边缘锐度的保持性、均匀区域的均值保持、相干斑抑制、点，线和边缘的保持、纹理信息的保持。
SAR图像分类技术
雷达图像分类概述
SAR图像分类传统技术
和光学图像处理一样
SAR图像分类新方法
雷达遥感图像分类算法朝着精确、快速的方向发展。发展新的分类技术一般有3种途径：
第一，利用从雷达遥感数据中提取的新信息和新特征。如从计划雷达数据中提取任一种极化状态下的后向散射系数、极化度、散射熵、同极化相位差以及从干涉雷达中提取的相关系数等等；
第二，应用新理论。如基于小波理论、分形理论的雷达遥感图像纹理信息提取和基于模糊理论的混合像元分解等等；
第三，设计新算法。如何实现这一目标，途径千差万别，但一般从两个方向入手：（1）改进经典算法。由于经典算法有这样或那样的缺点，因对其进行改进是发展分类算法的有效途径，如对最大似然法进行改进；（2）构造新算法。由于经典算法的局限性，针对经典算法暴露出来的一些缺点，重新构造算法也是十分有效的。构造新算法可以完全抛弃旧算法，也可以吸收旧算法的优点，抛弃其缺点，如学习矢量量化神经网络分类算法。
采用新信息、新特征
传统的SAR图像分类一般利用目标的后向散射强度差别来进行，后来逐渐利用图像的纹理测度信息，一般是灰度共现矩阵GCLM。随着新型城乡雷达技术的发展（极化、干涉、极化干涉），雷达获取目标新信息越来越多，因此，在SAR分类算法发展中，针对不同的分类目的，新信息、新特征的采用变得十分普遍。
多波段、多极化信息
采用不同微波波段图像，可以对地面上的而目标进行分类。例如不同农作物在不同波段上的变化规律不同，并且在不同的生长期，变化规律也不同，利用这一缺点，可以对农作物进行分类。同样，土壤湿度和表面粗糙度不同，在不同波段上夜能体现出来。因此，采用
不同波段的SAR图像进行综合分析，可以获取地面目标的更详细信息。不同极化方式对不同种类的地物及其构造有不同的反应，因此，多极化的SAR图像在对地面目标的分类上夜将提供很好的帮助。
极化雷达信息
极化雷达以Stokes矩阵（或散射矩阵）形式，记录了地物任意一种极化状态下的散射回波，既有振幅信息，也有相位信息，比常规单极化或多极化雷达包含了更多的地物信息（如任一极化状态下的后向散射系数、极化度、同极化率、交叉极化率、散射熵及同极化相位差等等），它将明显提高定量雷达遥感解决应用问题的能力。极化信息提取能在最大程度上讲不同地物的散射特征以量得形式表现出来，揭示地物的散射差别，为土地覆盖分类、目标识别及目标参数反演提供新的技术方法。如王翠珍等利用极化雷达目标信息分解技术进行岩性分类，获得了很高的分类精度。当前，SIR-C/X-SAR系统可实现这种数据的获取，不久，Envisat 和Radarsar-2也将获取多极化干涉数据的能力。因此，利用技术信息进行分类具有很好的应用前景，它将是味蕾广泛应用的数据源。研究极化雷达信息提取与特征选择方法对提高SAR 图像分类精度具有重要意义。当前国际上有关此面的研究已经不少，国内由于受数据源的限制，研究极少。
干涉雷达信息
雷达干涉测量是雷达遥感的一个热点研究领域，数据处理的算法已发展得比较成熟，有待进一步研究完善的是相位解绕技术，以达到工程化应用的要求。干涉测量获得的相干系数可作为独立的参量用于地物分类。出了两次数据获取间的时相变化，相干系数提供了基于地表特性和后向散射系数的信息。干涉测量相干性和后向散射是相对独立的量，包含了互补的专题信息，因此，SAR干涉测量被认为是地表分裂的一种很有前景的手段。
极化干涉信息
极化分类技术或干涉分裂技术的单独应用，既有它们独特的优势，也存在缺点，如何融合它们的长处。互补不足，这对于高精度、非监督、利用计算机自动分类雷达遥感图像，是最有前景的分类技术。因此，尝试利用技术提取信息和干涉信息进行SAR图像自动分类
试验，并对其结合互补使用的可行性进行研究。具有重要意义。同物异谱、异物同谱、混合像元的存在，混淆了地物目标真正的散射特征，甚至有时会出现相互矛盾的结论，因此一直是常规雷达遥感图像分类应用中的难点。新型城乡雷达技术——权计划干涉雷达，能够最大限度地提取目标特征后向散射信息和地物信息以及时相信息，结合空间域纹理信息与其他特征机型分类，可以较好地解决同物异谱、异物同谱像元的解译问题，并且通过对极化雷达数据的极化分析，可对混合像元进行计划度分解，将混合像元中不同地物的散射过程分解出来。
多时相信息
对光学遥感而言，虽然时相信息比较难于获取，但是仍然不乏实例，而对于雷达遥感，SAR具备的全天时全天候获取信息的能力几乎可以满足任何应用的时相要求，多时相信息对于雷达遥感而言，是一种极易获得而又具有重要研究意义的信息。如刘浩、邵芸等将1996年获取的4个时相的Radar sat像用于广东肇庆地区的稻田分类实验，结果表明，多时相Radar sat数据对水稻类型的识别精度较高，而且稻田的轮作规律容易推测出来。
其他辅助信息与特征
大量的分类实践证明：单一信息作为判据往往不能得理想的分类效果。根据遥感影像人工判读的规律，模式分类往往需要综合许多信息，比如灰度变化、纹理特征、地形信息、多源遥感信息，甚至人文地理信息。因此，综合利用各种信息进行遥感图像分类一直是摇杆应用科学家们探索的方向之一。
应用新理论
几年来，足多新的数学理论被用于遥感图像分类算法的发展过程中，其中，最常见的是小波理论、分形理论和模糊理论。
小波理论
小波理论是一种全新的、当前热点研究的数学应用分支之一。它被认为是泛函分析、Fourier分析、样条分析、调和分析和数值分析最完美结合，其应用极为广泛。如何把小波
理论应用于遥感数据处理时近年来遥感发展的方向之一。在遥感图像分类中，小波变换一般用来提取图像中的纹理特征，SAR图像分二维正交方向小波分解可得一系列代表不同尺度、不同方向纹理信息的图像。
1）胡召玲等作了基于小波纹理信息提取的SAR遥感图像分类技术研究，取得了很好的分类效果。
分形理论
在图形图像学中，分形理论可以模拟自然景物。利用分形维数来描述图像的纹理特征，能在一定成都上定量地度量各类物体的粗糙度。不同纹理结构具有不同的分形维数，在纹理细密处，灰度起伏较大，分维数值也较大；在纹理平滑处，灰度变换平缓、分维数值较小。
1）范湘涛利用从SAR图像上提取的分维数特征进行了广东肇庆地区的水稻精细分类，发现在掺入分维数计算的产生过程作为纹理参量时，分类结果得到了大大的改善，特别是草地与道路被截然分开，水稻与道路的区别也得到增强，从检测的样区可以看出，平均分类精度从86.66%增大到96.19%。由此看来，增加分形纹理参量对土地利用分类有着明显的效果。
模糊理论
混合像元是分类过程中经常遇到的问题。模糊理论是解决混合像元问题的方法之一。1993年，Helence Caillol等利用模糊随机场进行统计非监督图像分割，他利用新的模糊模型，把分类像元分为两部分，一部分为“硬”部，即纯像元；另一部分为“模糊”部，用来描述混合像元。应用模糊理论进行遥感图像分类的成功实践还有许多，如Du和Lee应用模糊理论进行了分类实验，并取得了良好的效果。
设计新算法
分层算法、改进的最大似然法、上下文分析法、人工神经网络分类法、空间分裂信息融合法；
SAR图像分割
图像分割说明
目前SAR图像分割技术已经取得了一些研究成果，常用的方法有基于直方图的最优阈值分割算法、基于边缘检测的算法、基于纹理特征分割的算法等等。
现有的SAR图像分割算法有应用数据挖掘的海冰分割算法；非监督的基于播送分布的分割算法；优化的边缘检测分割算法；最大似然区域增长分割算法和模拟退火分割算法的组合算法；应用不完全分层马尔科夫随机场图像模型对SAR图像进行分割的算法等等。这些方法有的是由针对性的，有的是基于几何条件的，还有的是基于灰度信息的分割方法。
图像分割方法
1）纹理分割是基于特征的。描述纹理的特征很多，但目前还没有提出一种纹理特征可以描述所有纹理。经多年研究表明，寻找可以描述任何纹理、可以区分任何纹理的特征是不切实际的。实际中针对不同的应用寻找适合某类纹理的特征，由此得到满意的分割才是切实可行的。在割裂分割方法中，基于算子的特征计算较为简单，但大多方法抗噪声能力差；基于统计的特征计算量大、分割精度差，同样受到噪声的影像；分形模型使用范围较小，只在个别分辨率下有分割纹理的能力，分数维门限值确定困难，分割精度差。基于随机场的模型对大尺寸、灰度级较多的图像分割计算量是很大的；多分辨率小波的纹理特征具有先天的缺点（逐点采样造成的纹理信息不全），很难得到稳定的纹理特征，并且计算量较大；结构法仅适合规则纹理。法国的Roger Fjortoft, Armand Lopes和Philippe Marthon提出了SAR图像中最佳的多边缘检测算法，它们提出针对SAR图像的边缘检测器，这种检测器在随机多边缘模型下以最小均方误差判断是最优的。
2）现有二维阈值分割方法大多是在一维Otus和Kapur等阈值分割方法基础上扩展获得的；Sahoo P K等提出二维熵的分割方法，理论上同意了多种基于熵的阈值分割方法。
3）图像阈值分割本质上是利用阈值将图像中不同区域按照像素的灰度相似性分类，是一种区域分割的技术，因此该类方法最关心的是区域内像素间的灰度相关性，而非各区域的边缘。相对于二维直方图，阈值分割技术最关心的饿是在对角线附近的概率分布。而远离对角线附近的一方面概率几乎为零另一方面对阈值分割方法本身的贡献较小，计算时完全可
以忽略。
4）马尔科夫随机场(Markov Random Field, MRF)模型能够很好描述相邻像素之间的信息，该模型还可以与其他模型结合进行图像黑醋栗并且得到了不错的效果，并已经越来越多地应用于SAR图像去办、模糊聚类、图像变换等方面。
5）免疫算法是借鉴生命科学中免疫的概念和理论提出的一种优化算法，它继承了遗传算法的优越性，其避免了优化过程中的退化现象。空间矩阵描述了不同区域间的相邻概率。空间矩阵描述了两类之间以及异类之间在空间上的相邻概率，SAR图像地物轮廓清晰，不同形状和物理特征的目标呈现出不同的灰度和纹理特征。即SAR图像有同类像素的相邻概率大于异类像素的相邻概率的特点。
SAR图像特征信息提取
特征提取说明
SAR图像目标的灰度信息是目标识别最直接的信息或特征。在不考虑照射条件和尺寸的条件下，SAR图像目标的灰度信息或灰度特征具有位移不变、旋转布点、放缩布点的三因素不变形。边缘特征提取、纹理特征提取、形状特征提取、方向特征提取、
特征提取方法
1）法国巴黎高等电信工程学院的Tupin F等人提出了适合贝叶斯框架下检测线性特征的算法。该算法分为两步：第一步，从包含斑点噪的图像中提取线性特征，并作为道路分割的基元。它在作用线性检测器D1和D2后进行两种检测器的融合，从而得路的片段结果。两种检测器都是基于斑点噪声的随机特性。第二步，将路的片断连接成真实的道路，主要采用在路德片断结果中定义马尔科夫随机域，引入道路目标的相关先验知识（路德长度、曲率、是否交叉等），采用模拟退火算法求马尔科夫随机域中的能量极小点，为了提高检测的准确程度，算法中还采用了一些后处理方法。在此算法的基础上，Florence Tupin、Isabelle Bloch 和Henri Maitre通过几种结构检测器结论对SAR图像的自动解释做出了贡献，并进一步研究了运用SAR图像和多视角的有效性，对高密度市区道路检测问题。针对道路的描述，论文作者对道路长度、宽度的计算，道路方向、质地的判别进行讨论，给出了相应的算法。
2）Mandelbrot首先提出采用分形维数来描述和测量分形的特性。分数维是一个对图像的不规则程度和破碎程度的度量，它包含相应集几何性质的许多信息，反映分形体得比例性质及自相似性。对同一自然景观，分维数大小反映其表面的规则程度和粗糙度，即分形维数越大，对应的图像表面越粗糙；反之，分形维数越小，对应的图像表面越光滑。其灰度图像的分维数反映灰度分布的特征并间接反映出自然表面得某些特性。采用构造影像灰度面的虚拟表面积和体积方法，在小窗口下以单像点为中心逐点计算影像分维数特征图。由于分形表面积是灰度表面复杂程度的一种度量，分维数提取的是图像表面复杂度分布的变化，对雷达图像多噪声、多斑点的特征提取具有较好的效果。
3）薛东会，朱耀庭，朱光喜，“基于尺度分维的图像边缘检测方法研究”，提出一种尺度分维数(Scale Fractal Dimension, SFD)的概念，用于描述实际中遇到的分形，指出尺度分维数反映了不同尺度对应的局部分形维数的大小，并提出了一种基于图像纹理特征具有良好抗噪性能的边缘提取方法。
SAR图像中目标的识别
目标识别说明
SAR图像目标识别的主要信息特征可以概括为几何特征和代数特征，具体可分为七个项“形状特征、尺度特征、色调特征、阴影特征、纹理特征、位置布局特征和活动特征，前四项为直接特征，后三项为间接特征。
目标识别方法
1）美国珀德尤大学电子工程学院爱德华教授针对SAR图像提取多目标提出了一套新方法。该方法中目标检测是基于局部明亮的像素，并通过像素的聚类分析完成。第一步，首先运用基于像素数值反差统计，采用恒定错误预警率，在SAR信号中搜索局部明亮的区域来确定可能的目标。第二步，在上面所获得的数据基础上，使用基于数据空间分布的聚类分析方法将数据集合成组，多个属于同一目标的数据能集合一起形成簇。
2）利用Gaussian-Hermit Moment(GHM)作为原始SAR图像的特征，来分割图像以提取有用的目标。其中，奇数阶矩阵可有效增强边缘信息，偶数阶矩阵则增强了目标的有用信息。
而且，高斯函数和Hermit多项式的结合使用从一定成都上抑制了噪声，减少了窗口边缘信息的损失。因此本方法能都在分割SAR图像的过程中，降低噪声的同时保留细节信息。
3）在合成孔径雷达SAR数字图像处理与识别中，目标物体的边缘特征是目标检测和识别的重要特征。图像的边缘表现为强度的突变。通常我们利用目标物体与复杂背景在目标物体边缘的强度突变，采用边缘检测算法俩崎岖两者之间的交界线。这样的边缘提取方法有很多，诸如Robert、Prewitt、Sober、Laplacian等微分算子法。微分算子利用小区域模板进行卷积来近似计算梯度的并行边缘。它们的缺点是产生大量的噪声，给后续的边缘特征提取带来许多困难吧。
SAR图像融合
图像融合概述
通过SAR得到的影像（如Radar sat）往往有较高的分辨率，具有丰富的纹理信息；而TM得到的影像虽然空间分辨率不高，但具有很丰富的光谱信息，适合于分类、变化检测等实际应用。
为了有效利用Radar sat和TM两类图像，需要先进行精确的校正和配准。一般首先对两类图像分别借助控制点建立图像与地图之间的坐标关系数学模型，再分别对两类图像进行精校正，然后对校正后的两类图像以少量控制点按多项式方法配准。
SAR图像融合方法
图像融合可分为：信号级别融合、像素级别融合、特征级别融合和符号级别融合。像素级别图像融合的方法有：逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法、主成分分析法、金字塔图像融合法、小波变换图像融合法、HIS变换法等。
目前遥感图像融合方法较多，主要有LAB变换、IHS变换、线性复合与乘积运算、Brovey 变换、小波变换、高通滤波变换(HPF)和主成分分析(PCA)等方法。
1）Gram-Schmidt变换是线性代数和多元统计中常用的方法，它通过进行正交化，从而消除冗余信息。Gram-Schmidt变换的主要步骤：（1）使用多光谱低空间分辨率影像对高分辨率波段影像进行模拟。模拟的高分辨率波段影像信息量特性与高粉笔阿女郎全色波段影
像的信息量特性比较接近。模拟的高分辨率波段影像在后面的处理中北作为Gram-Schmidt 第1分量进行Gram-Schmidt变换；（2）利用模拟的高分辨率波段影像作为Gram-Schmidt变换的第1分量俩对模拟的高分辨率波段影像和低分辨率波段影像进行Gram-Schmidt变换。GSt是GS变换后产生的第T各分量；（3）通过调整高分辨率波段影像的统计值来匹配Gram-Schmidt变换后的第1个分量GS1，以产生经过修改的高分辨率波段影像；（4）将经过修改的高分辨率波段影像替换Gram-Schmidt变换后的第1个分量，产生一个新的数据集；（5）将新的数据集进行反Gram-Schmidt变换，即可产生空间分辨率增强的多光谱影像。
2）IHS变换：IHS变换就是RGB坐标系与HIS坐标系之间的变换。具体地说，HIS变换有如下一些作用：（1）可以进行不同分辨率遥感图像的合成显示。（2）可以使合成图像更饱和。（3）可以通过对亮度的滤波增强图像。（4）便于多源数据的综合显示。常用的HIS方案实施流程如下：首先将两幅SAR图像进行去除噪声处理，然后将去噪声后的ERS图像的R、G、B作HIS变换，得到I、H、S，再将RADARSAT图像进行K-L变换，将产生的第一主成分PCA1作为高分辨率图像代替ERS图像的I成分，再用HIS反变换回到RGB坐标系进行假彩色合成。
3）改进的HIS方案实施流程与常用的HIS方法不同之处在于：它不是用经过K-L变换的RADAARSAT图像的第一主成分PCA1直接替换ERS图像的I分量，二是将PCA1与I进行
（1）基于特征的小波融合后的融合图像作为高分辨率图像来替换I分量。具体操作步骤如下：
将RADARSAT图像去噪；（2）把去噪声后的RADARSAT图像进行K-L变换，得到第一主成分PCA1，将PCA1分解到n小波面，通常n取为2或3；（3）把ERS图像的R、G、B通道变换成HIS成分，以获取ERS图像的I,H,S;（4）把PCA1解式中小波面得低频部分进行线性拉伸，然后与高频部分进行小波反变换，再加到I成分上；（5）将ERS图像的H和S与PCA1的I 进行假彩色合成。
SAR图像恢复
图像恢复说明
图像恢复方法
目前，有两大类SAR图像滤波降噪的方法：基于统计特性的滤波方法和基于小波变换的滤波方法。
1）基于统计特性的滤波方法的基本思想是通过采用统计学方法并利用局部的统计信息对地标原有的纹理数据进行估计。估计的准则有多种，如最小军方误差准则(MMSE)，极大似然准则(ML)和最大后验概率准则(MAP)等等。目前已经产生了多种经典的统计滤波算法，如Lee算法，Kuan算法，增强Lee算法，Gamma MAP算法等等。
2）统计滤波算法要利用到局部统计特性，因此窗的选择就对滤波的效果起着一定的影像作用。窗函数选得过大则会平滑掉一部分纹理结构，然而窗函数选得过小又会减小噪声的滤除程度。
SAR图像解译
SAR图像的自动理解与解译，是模拟人类的视觉和分析过程，用计算机来完成SAR图像分析和理解，并最终实现相关信息的获取。
SAR图像处理存在的问题
图像处理现存的问题
1）基于模型的方法一般对图像的要求较高，对模型比较敏感，在图像与模型不相符时，可能会得不到满意的结果。
2）实际生活中，往往对图像处理实时性要求较高，这样对于运算代价较高的一类算
法在实际情况中是不现实的。
3）图像目标检测是一个信息不足的不确定问题，经典数学方法在解决此类问题难度很大，促使人们寻找一种自动或半自动的图像解译系统。
4）如何恰当描述经典数学语言难以描述的先验知识，将是在图像处理领域取得突破的关键所在。
5）为了更好解决视觉处理中分割精度与实时性之间的矛盾，人们将多分辨的思想引入其中，但是多分辨思想解决视觉问题的主要困难自傲与高分辨与低分辨层间的信息接口问题，而且多分辨的搜索策略必须依赖于先验知识。
6）图像处理方法众多，得到的信息量、价值量参差不齐。缺乏数学方法和多种处理结果的有机融合。
微波遥感有待进一步研究的问题
地面目标微波特性的研究:遥感图像识别中，主要根据图像特征信号与被识别目标物理量之间的对应关系。在全色像片上，因影像色调的深浅与人眼观察相应目标颜色的暗淡基本一致，所以容易识别目标。在红外彩色像片上，因影像颜色与其相应目标物颜色不一致，所以刚开始人们并不习惯，但掌握了地物反射光谱特性后，利用红外彩色片进行地物分类比全色片更优越。但是，目前对微波与各种目标之间的相互作用的机理研究甚少，对目标的反射、散射、投射、吸收和辐射等特性了解还不够，很难建立图像特征信号与目标之间半经验公式或数学模型，去推知目标的物理特性，从而达到识别目标的目的。因此，还应继续进行大规模的微波遥感试验，在空中、在地面对各种类型目标进行微波辐射和散射性征测量，为微波遥感器波段和极化方式的选择、以及微波图像的分类和识别打下基础。
图像散斑的平滑处理：SAR可以获得分辨率很高的图像。但是，由于散斑的影像，使图像的刻盘独行大大降低。散斑是由于雷达发射相干脉冲经目标作用在图像上产生的相干敏感斑点。目前，一般是采用多视平均算法平滑散斑的影像，但它是以损失地面分辨为代价的。在选择多视数时，必须权衡对地面分辨率的影像。因此，继续研究散斑性质，寻求一种保持分辨率不变的条件下消除来打散斑影像的方法。对于提高雷达图像的判读效果是很重要的。
图像的几何纠正和辐射校正：雷达图像一般采用斜距显示（投影），使得=图像比例尺对距底点的距离而变化。高于地面的目标在图像上插死你横透视收缩、叠掩等几何畸变。另外，在透视收缩区和叠掩区域，由于回波信号的叠加，影像色调较亮。因此，必须对雷达图
像进行几何校正和辐射（灰度）校正。雷达图像的几何校正，平坦地一般是利用相应地区的地形图采用多项式拟合的方法配准校正；山地一般是利用已有的DEM模拟雷达图像，并与实际雷达图像配准，然后再把实际雷达图像纠正称正射投影。但是如何提高几何纠正的精度和速度，以及透视收缩的影像经几何纠正拉伸后的灰度应如何赋值等问题，还有待进一步研究。
SAR图像处理新进展
由于分辨率的提高，SAR的数据量呈级数增长，基于人工的信息处理及应用研究（如目标识别）面临很多空难：首先要在大范围区域中，人工判读实现基于SAR图像的地物检测、识别的任务。其任务量之大远远超过人工迅速做出判断的极限，由此带来的主管错误和理解错误不可避免。齐次，SAR图像特殊的成像机理，使得目标对方位角十分敏感，较大的方位角差异将会导致完全不同的SAR图像，使得SAR图像在视觉效果上与光学图像的差异进一步加大，增加了图像解译判断的难度；在此，随着SAR传感器分辨率的不断提高，传感器模式、波段和极化方式的多元化，SAR图像中的目标信息也呈现爆炸性的增长，目标由原来单通道单极化中低分辨率图像上的点目标，变为了具有丰富细节特征和散射特征的面目标，这一方面使得对地物信息进行更细致的解译和识别工作成为了可能，同时也使得地物特征的种类和不稳定性大为增加，因而传统的信息处理和应用方法已经不能满足实际应用的需要，必须对相关的关键技术进行攻关，加框数据处理速度，提高信息提取的精度。
SAR图像预处理（包括压缩）技术，是SAR应用的基本保证。随着SAR分辨率的提高和极化信息的增加，如何在尽可能保持图像质量的情况下，得到尽可能高的压缩比的算法一直是SAR图像压缩研究的焦点。国防科技大学张军等人提出了一种基于图像分解的敏感目标自动提取与保护的SAR图像压缩策略，通过图像分解在纹理分量重进行目标检测，使用纹理分量的特性来提取并分割感兴趣区域，保证了图像重要目标区域的保护。由于SAR系统是想干成像，SAR图像相干斑现象严重，需要进行有效地抑制才有利于后期的处理及应用。基于数据软处理方法的SAR图像滤波与图像增强，其关键是要充分挖掘和利用图像的先验信息，建立合理的物理模型和数学模型，并设计相应的快速算法进行实现。南京航空航天大学的张伟等人提出了一种基于Nonsubsampled Contourlet变换域自适应收缩的SAR图像相干斑抑制算法，该算法充分利用了NSCT的冗余性和良好的方向选择性，及Pizurica收缩算法
对图像边缘的有效保留特征，从而在有效地去除SAR图像斑点噪声的同时，保留了清晰的边缘等细节特征。西外，对SAR图像进行有效地分割处理，将直接服务于目标检测、特征提取、目标识别等多种应用。目前图像分割的算法众多，各有特色又各有局限。国防科技大学的朱俊等人在原始二维Otsu法基础上，分析了叠加乘性噪声的二维直方图特点，建立了新的适用于SAR图像相干乘性噪声的直方图区域划分算法。该算法尽可能多低包含了直方图对角线福建的背景和目标点，减少了原理对角线的边缘和噪声点的影像，同时还极大低减小六七区域的计算范围。
SAR图像的目标检测和识别技术是S AR图像处理研究的热点。以美国MIT林肯实验室、美国空军实验室、DARPA实验室及加州大学、斯坦福大学、波士顿大学、华盛顿大学等大学为代表。最早开展SAR图像目标是别的研究，并取得了很好的成果。目标识别系统已经从原理较为简单的限制条件下的基于模板库的识别发展到广义操作条件下的基于模型的目标识别。在目标识别的过程中，目标检测技术是第一步，其性能的好坏对后续处理影像很大。目标检测所面临的杂波环境千差万别，既可能是匀质背景环境，也可能是几种不同的杂波交汇或存在目标干扰的多目标环境。因此，目标检测算法需要针对不同的杂波模型开展相关的研究工作。国防科技大学的张军等提出了一种基于高斯混合模型的CFAR检测算法，背景航空航天大学的胡睿等提出了基于稳定分布的目标检测算法。与精致目标检测算法不同的，蛮懂目标的检测需要对主杂波进行抑制，提高动目标信杂比，南京航空航天大学的沈明威等研究了三通道SAR慢动目标检测、定位算法，并利用仿真数据进行了鲁棒性实验。目标检测之后，要实现对目标的有效鉴别，必须深入分析目标的特征。目标特征有多种，与光学影像的不同是，散射中心是SAR目标识别的重要特征之一，其中属性散射中心模型是近年来提出的描述目标散射中心的一种物理模型，装备技术指挥学院杨进等研究了从高分辨率SAR 图像中提取目标属性散射中心特征参数的方法，并利用仿真实验证明了该算法的有效性。王超2009年1月，中国图象图形学报。
SAR图像研究的应用
引用领域
军事目标的识别与毁伤效能评估、矿藏资源的探测、灾情探测与防治、医学图像处理中的应用；
目录 绪论 (1) 1数字图像处理技术 (1) 1.1数字图像处理的主要特点 (1) 1.2数字图像处理的优点 (2) 1.3数字图像处理过程 (3) 2数字图像处理的研究现状 (4) 2.1数字图像的采集与数字化 (4) 2.2图像压缩编码 (5) 2.3图像增强与恢复 (8) 2.4图像分割 (9) 2.5图像分析 (10) 3数字图像处理技术的发展方向 (13) 参考文献 (14)
绪论 图像处理技术基本可以分成两大类：模拟图像处理和数字图像处理。数字图像处理是指将图像信号转换成数字信号并利用计算机进行处理的过程。其优点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力，一般来说只要改变软件就可以改变处理内容。困难主要在处理速度上，特别是进行复杂的处理。数字图像处理技术主要包括如下内容：几何处理、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别、图像理解。数字图像处理技术的发展涉及信息科学、计算机科学、数学、物理学以及生物学等学科，因此数理及相关的边缘学科对图像处理科学的发展有越来越大的影响。 数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。近年来，数字图像处理技术日趋成熟，它广泛应用于空间探测、遥感、生物医学、人工智能以及工业检测等许多领域，并促使这些学科产生了新的发展。 1数字图像处理技术 1.1数字图像处理的主要特点 (1)目前数字图像处理的信息大多是二维信息，处理信息量很大，因此对计
中北大学 课程设计说明书 学生：王瑞学号：39 学院：信息商务学院 专业：电子信息工程 题目：图像伪彩色处理方法研究 指导教师：英亮平职称: 副教授
2013 年12 月26 日 中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：王瑞学号：39 学生姓名：齐学号：36 学生姓名：穆志森学号：26 课程设计题目：专业综合实践之多维信息处理部分： 图像伪彩色处理方法研究 起迄日期：2013年12月16 日～2013年12月27日 课程设计地点：电子信息工程专业实验室 指导教师：英亮平 系主任：王浩全
下达任务书日期: 2013年12月15 日课程设计任务书
课程设计任务书
目录 1.1伪彩色图像处理原理 (1) 1.2伪彩色增加的目的 (2) 1.3伪彩色图像处理增强的方法 (2) 2.1 源程序执行原理 (4) 2.2 源程序 (5) 2.3实验结果 (6)
3.1学习心得 (7) 参考文献 (8) 1.1伪彩色图像处理原理 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，又称为计算机图像处理。扩展了人眼的视觉围，使之跳出传统的可视界限，在人类生活发展的各个方面至关重要。如何用计算机系统解释图像，形成了图像的理解或称为计算机视觉的理解外部世界。 所谓伪彩色图像处理，就是将图像中的黑白灰度级编程不同的彩色，如过分层越多，人眼所能提取的信息也多，从而达到图像增强的效果。这是一种视觉效果明显，又不太复杂的图像增强技术。伪彩色图像处理技术不仅适用于航空摄影和遥感图片，也可用于x光片及云母的判读等处理中。实现伪彩色处理的主要方法主要有密度分割法、灰度级-伪彩色变换法、频域伪彩色处理等多种方法。我
图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning
数字图像处理的发展现状及研究内容概述人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20%，视觉信息占60%，所以作为传递信息的重要媒体和手段——图像信息是十分重要的，俗话说“百闻不如一见”、“一目了然”，都反映了图像在传递信息中独到之处。 目前，图像处理技术发展迅速，其应用领域也愈来愈广，有些技术已相当成熟并产生了惊人的效益，当前图像处理面临的主要任务是研究心的处理方法，构造新的处理系统，开拓更广泛的应用领域。 数字图像处理（Digital Image Processing）又称为计算机数字图像处理，它是指将数字图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和数字图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的数字图像处理的目的是改善数字图像的质量，它以人为对象，以改善人的视觉效果为目的。数字图像处理中，输入的是质量低的数字图像，输出的是改善质量后的数字图像，常用的数字图像处理方法有数字图像增强、复原、编码、压缩等。 1:数字图像处理的现状及发展 数字图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使数字图像处理成为一门引人注目、前景远大的新型学科。随着数字图像处理技术
的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。 人们已开始研究如何用计算机系统解释数字图像，实现类似人类视觉系统理解外部世界，这被称为数字图像理解或计算机视觉。很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。数字图像理解虽然在理论方法研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，人类本身对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领域。如今数字图像处理技术已给人类带来了巨大的经济和社会效益。不久的将来它不仅在理论上会有更深入的发展，在应用上意识科学研究、社会生产乃至人类生活中不可缺少的强有力的工具。 数字图像处理进一步研究的问题，不外乎如下几个方面： （1）在进一步提高精度的同时着重解决处理速度问题。如在航天遥感、气象云图处理方面，巨大的数据量和处理速度任然是主要矛盾之一。 （2）加强软件研究、开发新的处理方法，特别要注意移植和借鉴其他学科的技术和研究成果，创造新的处理方法。 （3）加强边缘学科的研究工作，促进数字图像处理技术的发展。如：人的视觉特性、心理学特性等的研究，如果有所突破，讲对团向处理技术的发展起到极大的促进作用。
一般来说，图像识别就是按照图像地外貌特征，把图像进行分类.图像识别地研究首先要考虑地当然是图像地预处理，随着小波变换地发展，其已经成为图像识别中非常重要地图像预处理方案，小波变换在信号分析识别领域得到了广泛应用. 现流行地算法主要还有有神经网络算法和霍夫变换.神经网络地方法，利用神经网络进行图像地分类，而且可以跟其他地技术相互融合.个人收集整理勿做商业用途 一神经网络算法 人工神经网络（，简写为）也简称为神经网络（）或称作连接模型（），它是一种模范动物神经网络行为特征，进行分布式并行信息处理地算法数学模型.这种网络依靠系统地复杂程度，通过调整内部大量节点之间相互连接地关系，从而达到处理信息地目地.个人收集整理勿做商业用途 在神经网络理论地基础上形成了神经网络算法，其基本地原理就是利用神经网络地学习和记忆功能，让神经网络学习各个模式识别中大量地训练样本，用以记住各个模式类别中地样本特征，然后在识别待识样本时，神经网络回忆起之前记住地各个模式类别地特征并将他们逐个于样本特征比较，从而确定样本所属地模式类别.他不需要给出有关模式地经验知识和判别函数，通过自身地学习机制形成决策区域，网络地特性由拓扑结构神经元特性决定，利用状态信息对不同状态地信息逐一训练获得某种映射，但该方法过分依赖特征向量地选取.许多神经网络都可用于数字识别，如多层神经网络用于数字识别：为尽可能全面描述数字图像地特征，从很多不同地角度抽取相应地特征，如结构特征、统计特征，对单一识别网络，其输入向量地维数往往又不能过高.但如果所选取地特征去抽取向量地各分量不具备足够地代表性，将很难取得较好地识别效果.因此神经网络地设计是识别地关键.个人收集整理勿做商业用途 神经网络在图像识别地应用跟图像分割一样，可以分为两大类： 第一类是基于像素数据地神经网络算法，基于像素地神经网络算法是用高维地原始图像数据作为神经网络训练样本.目前有很多神经网络算法是基于像素进行图像分割地，神经网络，前向反馈自适应神经网络，其他还有模糊神经网络、神经网络、神经网络、细胞神经网络等.个人收集整理勿做商业用途 第二类是基于特征数据地神经网络算法.此类算法中，神经网络是作为特征聚类器，有很多神经网络被研究人员运用，如神经网络、模糊神经网络、神经网络、自适应神经网络、细胞神经网络和神经网络.个人收集整理勿做商业用途 例如神经网络地方法在人脸识别上比其他类别地方法有独到地优势，它具有自学习、自适应能力，特别是它地自学能力在模式识别方面表现尤为突出.神经网络方法可以通过学习地过程来获得其他方法难以实现地关于人脸识别规律和规则地隐性表达.但该方法可能存在训练时间长、收敛速度慢地缺点.个人收集整理勿做商业用途 二小波变换 小波理论兴起于上世纪年代中期，并迅速发展成为数学、物理、天文、生物多个学科地重要分析工具之一；其具有良好地时、频局域分析能力，对一维有界变差函数类地“最优”逼近性能，多分辨分析概念地引入以及快速算法地存在，是小波理论迅猛发展地重要原因.小波分析地巨大成功尤其表现在信号处理、图像压缩等应用领域.小波变换是一种非常优秀地、具有较强时、频局部分析功能地非平稳信号分析方法，近年来已在应用数序和信号处理有很大地发展，并取得了较好地应用效果.在频域里提取信号里地相关信息，通过伸缩和平移算法，对信号进行多尺度分类和分析，达到高频处时间细分、低频处频率细分、适应时频信号分解地要求.小波变换在图像识别地应用，包括图形去噪、图像增强、图像融合、图像压缩、图像分解和图像边缘检测等.小波变换在生物特征识别方面(例如掌纹特征提取和识别)同样得到了成功应用，部分研究结果表明在生物特征识别方面效果优于、、傅里叶变换等方
数字图像处理技术现状及发展趋势 摘要现今是计算机技术、网络技术以及多媒体技术高速发展的时代，更多高科技技术正在全面发展，数字图像处理技术作为一种新式技术，如今已经广泛地应用于人们的生产生活中。数字图像处理技术的应用和发展为人们的生活发展带来了很多的便利，在遥感技术、工业检测方面发展迅速，在医学领域，气象通信领域也有很大的成就。由此，本文主要探讨数字图像处理技术的现状及发展趋势。 关键词数字图像处理技术；现状；发展趋势 现今是计算机和网络技术高速发展的时代，计算机的应用给人们的生产生活带来了很大的便利，人们应用计算机处理各种复杂的数据，将传统方式不能处理的问题以全新的技术和方式有效解决[1]。数字图像处理技术是应用较为广泛的一种技术，在具体应用过程中，能够经过增强、复原、分割等过程对数据进行处理，且具有多样性、精度高、处理量大的显著优势，本文对数字图像处理技术的现状及发展趋势进行研究和探讨。 1 数字图像处理技术发展现状 数字图像处理技术是近年来发展较为迅速的一种技术，具体是指应用计算机对图像进行一系列的处理，最终达到人们要求的水平，在具体的处理过程中，以改善图像的视觉效果为核心，最终呈现出人们想要表达的意思。笔者查阅国内外诸多文献库，发现对数字图像处理技术的研究多数集中于图像数字化、图像增强、图像还原、图像分割等领域[2]。最初数字图像处理技术产生于20世纪20年代，当时普遍将其应用于报纸业，发展至20世纪50年代，图像处理技术跟随着计算机的发展而迅速发展，也有更多的人开始关注和应用该技术，当时在各国的太空计划中发挥了巨大作用，尤其是对月球照片的处理，获得了很大的成功。发展到20世纪70年代时，数字图像处理技术的应用已经很普遍了，尤其是在计算机断层扫面（CT）等方面，该技术的应用得到了一致好评，而现今，数字图像处理技术随处可见，已广泛应用在各行各业中。 2 数字图像处理技术的特点 数字图像处理技术有以下几个特点：①图像处理的多样性特点。数字图像处理技术可以编写多样的算法，以不同的程序模式施加于数字图像技术上，根据实际需求对图像进行处理，因此最终获取的图像效果也截然不同。②图像处理精度高。应用数字图像处理技术处理的图像，其精度和再现性都提高了一个层次，尤其是在各种算法和程序的支撑下，进一步确保了计算的精度和正确性。③交叉融合了多门学科和新技术。数字图像处理的应用基础包含了众多学科和技术，其中数学和物理是关键，而通信、计算机、电子等技术则是确保其处理质量的关键技术。④数据处理量大[3]。图像本身就包含了大量的信息，数字图像处理技术可以更好地区分有用信息和冗余信息，从而获取处理的关键性信息。
图像处理技术的研究现状和发展趋势 庄振帅 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开
数字图像处理技术的现状及其发展方向 一、数字图像处理历史发展 数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理。 1.起源于20世纪20年代。 2.数字图像处理作为一门学科形成于20世纪60年代初期，美国喷气推进实验室(JPL)推动了数字图像处理这门学科的诞生。 3.1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置即CT(Computer Tomograph)，1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。 4.从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展，人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界，其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论。 二、数字图像处理的主要特点 1．目前数字图像处理的信息大多是二维信息,处理信息量很大,对计算机的计算速度、存储容量等要求较高。 2.数字图像处理占用的频带较宽,在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本也高,这就对频带压缩技术提出了更高的要求。 3.数字图像中各个像素是不独立的,其相关性大。因此,图像处理中信息压缩的潜力很大。 4.由于图像是三维景物的二维投影,一幅图像本身不具备复现三维景物的全部几何信息的能力,要分析和理解三维景物必须作合适的假定或附加新的测量。在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识工程问题。 5．一方面，数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大，作为图像质量的评价还有待进一步深入的研究；另一方面，计算机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究,这些都是心理学和神经心理学正在着力研究的课题。 三、数字图像处理的优点 1.再现性好；图像的存储、传输或复制等一系列变换操作不会导致图像质量的退化。 2.处理精度高；可将一幅模拟图像数字化为任意大小的二维数组,现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高。 3.适用面宽；图像可以来自多种信息源，图像只要被变换为数字编码形式后,均是用二维数组表示的灰度图像组合而成,因而均可用计算机来处理。 4.灵活性高；数字图像处理不仅能完成线性运算,而且能实现非线性处理,即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 四、数字图像处理过程及其主要进展 常见的数字图像处理有:图像的采集、数字化、编码、增强、恢复、变换、
图像处理的基本步骤 针对不同的目的，图像处理的方法不经相同。大体包括图像预处理和图像识别两大模块。 一、图像预处理： 结合识别复杂环境下的成熟黄瓜进行阐述，具体步骤如下： · 图像预处理阶段的流程图 对以上的图像流程进行详细的补充说明: 图像预处理的概念: 将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。 图像装换和图像分割以及区域形态学处理都是属于图像处理的基本内容之一。 图像转换：方法：对原图像进行灰度化处理生成灰度矩阵——降低运算速度（有具体的公式和方程），中值滤波去噪声——去除色彩和光照的影响等等。 图像分割：传统方法：基于阈值分割、基于梯度分割、基于边缘检测分割和基于区域图像割等方法。脉冲耦合神经网络 （ＰＣＮＮ）是针对复杂环境下 图像采集 图像采集中注意采集的方法、工具进行介绍。目的是怎样获取有代表性的样本。（包括天气、相机的位置等） 对采集的图像进行特征分析 目标的颜色和周围环境的颜色是否存在干涉的问题、平整度影响相机的拍摄效果、形状 图像转换 图像分割 区域形态学处理
的有效分割方法，分割的时候如果将一个数字图像输入ＰＣＮＮ，则能基于空间邻近性和亮度相似性将图像像素分组，在基于窗口的图像处理应用中具有很好的性能。 区域形态学处理：对ＰＣＮＮ分割结果后还存在噪声的情况下，对剩余的噪声进行分析，归类属于哪一种噪声。是孤立噪声还是黏连噪声。采用区域面积统计法可以消除孤立噪声。对于黏连噪声，可以采用先腐蚀切断黏连部分，再膨胀复原目标对象，在进行面积阙值去噪，通过前景空洞填充目标，最后通过形态学运算，二值图像形成众多独立的区域，进行各连通区域标识，利于区域几何特征的提取。 二、图像识别： 针对预处理图像提取 目标特征 建立LS SVM分类器 得到结果 图像识别流程图 提取目标特征：目标特征就是的研究对象的典型特点，可以包括几何特征和纹理特征。 对于几何特征采用的方法：采用LS-SVM支持向量机对几何特征参数进行处理，通过分析各个参数的分布区间来将目标和周围背景区分开，找出其中具有能区分功能的决定性的几何特征参数。 纹理特征方法：纹理特征中的几个参数可以作为最小二乘支持向量机的辅助特征参数，提高模型的精准度。 最小二乘支持向量机介绍：首先选择非线性映射将样本从原空间映射到特征空间，以解决原空间中线性不可分问题，在此高维空间中把最优决策问题转化为等式约束条件，构造最优决策函数，并引入拉格朗日乘子求解最优化问题，对各个变量求偏微分。 LS SVM分类器：对于p种特征选择q个图像连通区域，作为训练样本。依
数字图像处理技术的研究现状与发展方向 孔大力崔洋 （山东水利职业学院，山东日照276826） 摘要：随着计算机技术的不断发展，数字图像处理技术的应用领域越来越广泛。本文主要对数字图像处理技术的方法、优点、数字图像处理的传统领域及热门领域及其未来的发展等进行相关的讨论。 关键词：数字图像处理；特征提取；分割；检索 引言 图像是指物体的描述信息，数字图像是一个物体的数字表示，图像处理则是对图像信息进行加工以满足人的视觉心理和应用需求的行为。数字图像处理是指利用计算机或其他数字设备对图像信息进行各种加工和处理，它是一门新兴的应用学科，其发展速度异常迅速，应用领域极为广泛。 数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。 1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以下三方面的目的[1]： (1)提高图像的视感质量，以达到赏心悦目的目的。如去除图像中的噪声，改变图像中的亮度和颜色，增强图像中的某些成分与抑制某些成分，对图像进行几何变换等，从而改善图像的质量，以达到或真实的、或清晰的、或色彩丰富的、或意想不到的艺术效果。 (2)提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析，例如，常用做模式识别和计算机视觉的预处理等。这些特征包含很多方面，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、编码和压缩，以便于图像的存储和传输。 2数字图像处理的方法 数字图像处理按处理方法分，主要有以下三类，即图像到图像的处理、图像到数据的处理和数据到图像的处理[2]。 （1）图像到图像。图像到图像的处理，其输入和输出均为图像。这种处理技术主要有图像增强、图像复原和图像编码。 首先，各类图像系统中图像的传送和转换中，总要造成图像的某些降质。第一类解决方法不考虑图像降质的原因，只将图像中感兴趣的特征有选择地突出，衰减次要信息，提高图像的可读性，增强图像中某些特征，使处理后的图像更适合人眼观察和机器分析。这类方法就是图像增强。例如，对图像的灰度值进行修正，可以增强图像的对比度；对图像进行平滑，可以抑制混入图像的噪声；利用锐化技
The research of digital image processing technique 1 Introduction 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
i=imread('D:\00001.jpg'); >> j=rgb2gray(i); >> warning off >> imshow(j); >> u=edge(j,'roberts'); >> v=edge(j,'sobel'); >> w=edge(j,'canny'); >> x=edge(j,'prewitt'); >> y=edge(j,'log'); >> h=fspecial('gaussian',5); >> z=edge(j,'zerocross',[],h); >> subplot(2,4,1),imshow(j) >> subplot(2,4,2),imshow(u) >> subplot(2,4,3),imshow(v) >> subplot(2,4,4),imshow(w) >> subplot(2,4,5),imshow(x) >> subplot(2,4,6),imshow(y) >> subplot(2,4,7),imshow(z)
>> %phi:地理纬度lambda:地理经度delta：赤纬omega：时角lx 影子长，ly 杆长 >> data=xlsread('D:\附件1-3.xls','附件1'); >> X = data(:,2); >> Y = data(:,3); >> [x,y]=meshgrid(X,Y); %生成计算网格 >> fxy = sqrt(x.^2+y.^2); >> %[Dx,Dy] = gradient(fxy); >> Dx = x./fxy; >> Dy = y./fxy; >> quiver(X,Y,Dx,Dy); %用矢量绘图函数绘出梯度矢量大小分布>> hold on >> contour(X,Y,fxy); %与梯度值对应,绘出原函数的等值线图
文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不
数字图像处理技术 一．数字图像处理概述 数字图像处理是指人们为了获得一定的预期结果和相关数据利用计算机处理系统对获得的数字图像进行一系列有目的性的技术操作。数字图像处理技术最早出现在上个世纪中期，伴随着计算机的发展，数字图像处理技术也慢慢地发展起来。数字图像处理首次获得成功的应用是在航空航天领域，即1964年使用计算机对几千张月球照片使用了图像处理技术，并成功的绘制了月球表面地图，取得了数字图像处理应用中里程碑式的成功。最近几十年来，科学技术的不断发展使数字图像处理在各领域都得到了更加广泛的应用和关注。许多学者在图像处理的技术中投入了大量的研究并且取得了丰硕的成果，使数字图像处理技术达到了新的高度，并且发展迅猛。 二．数字图象处理研究的内容 一般的数字图像处理的主要目的集中在图像的存储和传输，提高图像的质量，改善图像的视觉效果，图像理解以及模式识别等方面。新世纪以来，信息技术取得了长足的发展和进步，小波理论、神经元理论、数字形态学以及模糊理论都与数字处理技术相结合，产生了新的图像处理方法和理论。比如，数学形态学与神经网络相结合用于图像去噪。这些新的方法和理论都以传统的数字图像处理技术为依托，在其理论基础上发展而来的。数字图像处理技术主要包括： ⑴图像增强 图像增强是数字图像处理过程中经常采用的一种方法。其目的是改善视觉效
果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或加强特征的措施就称为图像增强。 ⑵图像恢复 图像恢复也称为图像还原，其目的是尽可能的减少或者去除数字图像在获取过程中的降质，恢复被退化图像的本来面貌，从而改善图像质量，以提高视觉观察效果。从这个意义上看，图像恢复和图像增强的目的是相同的，不同的是图像恢复后的图像可看成时图像逆退化过程的结果，而图像增强不用考虑处理后的图像是否失真，适应人眼视觉和心理即可。 ⑶图像变换 图像变换就是把图像从空域转换到频域，就是对原图像函数寻找一个合适变换的数学问题，每个图像变换方法都存在自己的正交变换集，正是由于各种正交换集的不同而形成不同的变换。图像变换分为可分离变换和统计变换两大类。 ⑷图像压缩 数字图像需要很大的存储空间，因此无论传输或存储都需要对图像数据进行有效的压缩，其目的是生成占用较少空间而获得与原图十分接近的图像。 ⑸图像分割 图像分割的目的是把一个图像分解成它的构成成分，图像分割是一个十分困难的过程。图像分割的方法主要有两类：一种是假设图像各成分的强度值是均匀的，并利用这个特性。另一种方法是寻找图像成分之间的边界，利用的是图像的不均匀性。 ⑹边缘检测 边缘检测技术用于检测图像中的线状局部结构。边缘是图像中具有不同平均
毕业设计文献综述 题目：基于matlab的图像预处理技术研究 专业：电子信息工程 1前言部分 众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络、优化计算、模糊逻辑、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。 图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。视觉是人类从大自然中获取信息的最主要的手段。拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。由此可见，视觉信息对人类非常重要。同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。 图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。 图像处理它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在 1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动