目录
第一章、概述 (2)
1.1 图像平滑概述 (2)
1.2图像平滑应用 (2)
1.3噪声模型 (2)
第二章、图像平滑方法 (5)
2.1 空域低通滤波 (5)
2.1.1 均值滤波器 (5)
2.1.2 中值滤波器 (6)
2.2 频域低通滤波 (7)
第三章、图像平滑处理与调试 (10)
3.1 模拟噪声图像 (10)
3.2均值滤波法 (14)
3.3 中值滤波法 (17)
3.4 频域低通滤波法 (20)
第四章、总结与体会 (20)
参考文献 (23)
第一章、概述
1.1图像平滑概述
图像平滑（S m o o t h i n g）的主要目的是减少图像噪声。图像噪声来自于多方面，有来自于系统外部的干扰（如电磁波或经电源窜进系统内部的外部噪声），也有来自于系统内部的干扰（如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声）。实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或在频率域处理。在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。
图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。
1.2图像平滑应用
图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。
1.3噪声模型
1.3.1噪声来源
一幅图像可能会受到各种噪声的干扰，而数字图像的实质就是光电信息，因此图像噪声主要可能来源于以下几个方面：光电传感器噪声、大气层电磁暴、闪电等引起的强脉冲干扰、
相片颗粒噪声和信道传输误差引起的噪声等。噪声的存在恶化图像质量，使图像
模糊，更严重的甚至是图像的特征完全被淹没，以至于给图像识别和分析带来了困难。
目前比较经典的去噪声的方法都或多或少给图像带来模糊，因此，探求一种既能去除噪声又不至于使图像模糊的方法，一直是图像增强处理中的难题，至今尚在不断地探索。
2.1.1噪声的分类
所谓噪声，就是妨碍人的视觉器官或系统传感器对所接收的图像信息进行理解或分析的各种因素。一般噪声是不可预测的随机信号，它只能用概率统计的方法去认识。依据噪声产生的原因，我们可将经常影响图像质量的噪声源分为三类：2.1.1阻性元器件内部产生的高斯噪声，这类噪声是由于元器件中的电子随机热运动而造成的，很早就被人们成功的建模并研究，一般常用零均值高斯白噪声作为其模型。
2.1.2光电转换过程中的泊松噪声,这类噪声是由光的统计本质和图像传感器中光电转换过程引起的。在弱光情况下，影响更为严重，常用具有泊松密度分布的随机变量作为这类噪声的模型。
2.1.3感光过程中产生的颗粒噪声，在显微镜下检查可发现，照片上光滑细致的影调在微观上其实呈现一个随机的颗粒性质。此外颗粒本身大小的不同以及每一颗粒暴光所需光子数目的不同，都会引入随机性。这些因素的外观表现称为颗粒性。对于多数应用，颗粒噪声可用高斯过程(白噪声)作为有效模型。
根据噪声和信号的关系可以将其分为两种形式：
(1)加性噪声：有的噪声与图像信号g(x,y)无关，在这种情况下，含噪图像f(x,y)可表示为：f(x,y)= g(x,y)+n(x,y)信道噪声及扫描图像时产生的噪声都属于加性噪声。
(2)乘性噪声：有的噪声与图像信号有关，这可以分为两种情况：一种是某像素点的噪声只与该像素点的图像信号有关，另一种是某像素点的噪声与该点及其邻域的图像信号有关。如
果噪声和信号成正比，则含噪图像f(x,y)可以表示为：f(x,y)= g(x,y)+
n(x,y)g(x,y)
图加乘性噪声图
另外，还可以根据噪声服从的分布对其进行分类，这时可以分为高斯噪声、泊松噪声和颗粒噪声等。泊松分布噪声一般出现在照度非常小及用高倍电子线路放大的情况下，泊松噪声可以认为是椒盐噪声。其他的情况通常为加性高斯噪声。颗粒噪声可以认为是一种白噪声过程，在密度域中是高斯分布加性噪声，而在强度域中为乘性噪声。
1.3.2高斯噪声
数字图像的噪声主要来源于图像的获取和传输过程。按其产生的原因可分为:光电子噪声、热噪声、KTC噪声、量化噪声和信道传输噪声等。按其是否独立于空间坐标以及和图像是否关联可分为加性噪声和乘性噪声。为了最大限度地减少噪声对图像的影响,人们从改善硬件质量和对受污图像进行处理两个方面做了许多的工作,文中主要考虑对受污图像进行处理的算法研究。为了对受污图像进行处理,人们对噪声进行了研究并建立了相应的数学模型。对噪声表述的数学建模主要考虑噪声的成因和分析受污图像上噪声的统计特性两个因素，这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。
高斯随机变量z的概率密度函数( PDF)由下式给出:
其中, z表示图像像元的灰度值;μ表示z的期望；σ表示z的标准差。
图加高斯噪声图
1.3.3椒盐噪声
主要来源于成像过程中的短暂停留和数据传输中产生的错误。其PDF为
如果b > a,灰度值b在图像中显示为一亮点,a值显示为一暗点。如果Pa和Pb均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。当Pa为零
时,表现为“盐”噪声;当Pb为零时,表现为“胡椒”噪声。
MA TLAB图像处理工具箱提供的噪声添加函数imnoise,它可以对图像添加一些典型的噪声。其语法：
J=imnoise(I,type)
J=imnoise(I,type,parameters)
其功能是：返回对原图像I添加典型噪声的图像J,参数type和parameters用于确定噪声的类型和相应的参数。
三种典型的噪声：
type=’gaussian’时,为高斯噪声；
type=’salt&pepper’时为椒盐噪声；
type=’speckle’时为乘法噪声；
图像数据读取函数imread从图像文件中读取图像数据。其基本调用格式如下：
I=imread（文件名，’图像文件格式’）
其功能是：将文件名指定的图像文件读入I中。
I=imshow（A)
其功能是显示图像A。
如下程序就实现了3种噪声污染了的图像：
I=imread('lena.bmp'); %读取图像
I1=imnoise(I,'gaussian'); %加高斯噪声
I2=imnoise(I,'salt & pepper',0.02); %加椒盐噪声
I3=imnoise(I,'speckle'); %加乘性噪声
subplot(221),imshow(I); %显示图像I
subplot(222),imshow(I1);
subplot(223),imshow(I2);
subplot(224),imshow(I3);
运行结果如下：
(a)原图像(b)受高斯噪声污染的图像
(c)受盐椒噪声污染的图像(d)受乘法噪声污染的图像
图1噪声污染的图像
第二章、图像平滑方法
2.1空域低通滤波
将空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波器。空间域滤波按线性和非线性特点有：线性、非线性平滑波器。
线性平滑滤波器包括领域平均法（均值滤波器），非线性平滑滤波器有中值滤波器。
2.1.1均值滤波器
对一些图像进行线性滤波可以去除图像中某些类型的噪
声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑技术。这种方法的基本思想是，在图像空间，假定有一副N ×N 个像素的原始图像f (x ,y ),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。经过平滑处理后得到一副图像 g (x ,y ), 其表达式如下：
∑∈=s n m n m f M y x g ),()
,(/1),(
式中： x ,y =0,1,2,…，N -1；s 为（x ，y ）点领域中点的坐标的集合，但不包括（x ，y ）点；M 为集合内坐标点的总数。
领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。其公式如下：
?????>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f T n m f M y x f n m f M y x g s n m s n m
式中：T 为规定的非负阈值。
上述方法也可称为算术均值滤波器，除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程中会丢失更少的图像细节。谐波均值滤波器对“盐”噪声效果更好，但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。
2.1.2 中值滤波器
中值滤波是一种常用的去除噪声的非线性平滑滤波处理方法，其基本思想用图像像素点的领域灰度值的中值来代替该像素点的灰度值。二维中值滤波可以用下式表示：
{}ij ij f Med
y = 式中：A 为滤波窗口；{}ij f 为二维数据序列。其主要功能是
让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，而且，在实际运算过程中不需要图像的统计特性，这也带来不少方便，但对一些细节多，特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。如果希望强调中间点或距中间点最近的几个点的作用，则可采用加权中值滤波。其基本原理是改变窗口中变量的个数，可以使一个以上的变量等于同一点的值，然后对扩张后的数字集求中值。这种方法比简单中值滤波性能更好地从受噪声污染的图像中恢复出阶跃边缘以及其他细节。另有一种可以处理具有更大概率的冲激噪声的是自适应中值滤波器，在进行滤波处理时，能依赖一定条件而改变领域的大小。其优点是在平滑非冲激噪声时可以保存细节，所以既能除去“椒盐”噪声，平滑其他非冲激噪声，还能减少诸如物体边界细化或粗化等失真。
2.2 频域低通滤波
在分析图像信号的频率特性时，对于一副图像，直流分量表示了图像的平均灰度，大面积的背景区域和缓变部分是低频分量，其边缘、细节、跳跃部分以及颗粒噪声都代表图像的高频分量。频域低通滤波就是除去其高频分量就能去掉噪声，从而使图像得到平滑。利用卷积定理，可以写成以下形式：
G (u ,v )=H (u ,v )F (u ,v )
式中，F (u ,v )是含噪图像的傅立叶变换，G (u ,v )是平滑后图像的傅立叶变换，H (u ,v )是传递函数。利用H (u ,v )使F (u ,v )的高频分量得到衰减，得到G (u ,v )后再经过反变换就得到所希望的图像g (u ,v )了。低通滤波平滑图像的系统框图如下所示：
图3-1 图像频域低通滤波流程框图
低通滤波法又分为以下几种：
(1) 理想低通滤波器(I L P F )
一个理想的低通滤波器的传递函数由下式表示：
???>≤=0),(00),(1),(D v u D D v u D v u H
式中D 0是一个规定的非负的量，它叫做理想低通滤波
器的截止频率。D (u ,v )代表从频率平面的原点到（u ,v ）点的距离，即：
2/122)(),(v u v u D +=
理想低通滤波器在处理过程中会产生较严重的模糊和振铃现象。
(2) 巴特沃思低通滤波器（B L P F ）
n 阶巴待沃思滤波器的传递系数为
n v u D D v u H 20)],(/[11
),(-+=
D L P F 与I L P F 不同，它的通带与阻带之间没有明显的不
连续性，因此它没有“振铃”现象发生，模糊程度减少，但从它的传递函数特性曲线H (u ,v )可以看出，在它的尾部保留有较多的高频，所以对噪声的平滑效果还不如I L P F （理想低通滤波器）。
(3) 指数滤波器(E L P F )
其传递函数表示为：
n
v u D D e v u H --=)],(/[0),(
由于E L P F 具有比较平滑的过渡形，为此平滑后的图像没有“振铃”现象，而E L P F 与B L P F 相比．它具有更快的衰减特性，所以经E L P F 滤波的图像比B L P F 处理的图像稍微模糊一些。
(4) 梯形滤波器（T L P F )
梯形滤波器的传递函数介于理想低通滤波器和具有平
滑过渡带的低通滤波器之间，它的传递函数为：
?????>≤≤--<=0011011),(0),(]
/[]),([),(1),(D v u D D v u D D D D D v u D D v u D v u H
式中：D 0为梯形低通滤波器截止频率，D 0、D 1须满足D 0 第三章、图像平滑处理与调试 本课程设计中程序运行的环境是w i n d o w s平台，并选用M A T L A B作为编程开发工具，M A T L A B是一种向量语言，它非常适合于进行图像处理。 3.1模拟噪声图像 图像增强操作主要是针对图像的各种噪声而言的，为了说明图像处理中的滤波方法和用途，需要模拟数字图像的各种噪声来分析滤波效果。 M A T L A B图像处理工具箱提供的噪声添加函数i m n o i s e,它可以对图像添加一些典型的噪声。其语法： J=i m n o i s e(I,t y p e) J=i m n o i s e(I,t y p e,p a r a m e t e r s) 其功能是：返回对原图像I添加典型噪声的图像J,参数t y p e和p a r a m e t e r s用于确定噪声的类型和相应的参数。 三种典型的噪声： type=’gaussian’时,为高斯噪声； t y p e=’s a l t&p e p p e r’时为椒盐噪声； t y p e=’s p e c k l e’时为乘法噪声； 图像数据读取函数i m r e a d从图像文件中读取图像数据。其基本调用格式如下： I=i m r e a d（文件名，’图像文件格式’） 其功能是：将文件名指定的图像文件读入I中。 I=i m s h o w（A) 其功能是显示图像A。 如下程序就实现了3种噪声污染了的图像： I=i m r e a d('h:\赵云-真三国六.j p g');%读取图像 I1=i m n o i s e(I,'g a u s s i a n');%加高斯噪声 I2=i m n o i s e(I,'s a l t&p e p p e r',0.02);%加椒盐噪声I3=i m n o i s e(I,'s p e c k l e');%加乘性噪声 s u b p l o t(221),i m s h o w(I);%显示图像I t i t l e('原图像'); s u b p l o t(222),i m s h o w(I1); t i t l e('高斯噪声污染的图像'); s u b p l o t(223),i m s h o w(I2); t i t l e('椒盐噪声污染的图像'); s u b p l o t(224),i m s h o w(I3); t i t l e('乘性噪声污染的图像'); 运行结果如下： 图3-1噪声污染的图像 3.2均值滤波法 在M A T L A B图像处理工具箱中，提供了i m f i l t e r函数用于实现均值滤波，i m f i l t e r的语法格式为： B=i m f i l t e r(A,H) 其功能是，用H模板对图像A进行均值滤波， 取平均值滤波模版为 H1=1/9[111;111;111]； H2=1/25[11111；11111；11111；1111 1；11111]； 分别以这两个平均值滤波算子对图3-1中的四幅图像进行滤波操作。 取H1,程序如下： I=i m r e a d('l e n a.b m p'); I1=i m n o i s e(I,'g a u s s i a n'); I2=i m n o i s e(I,'s a l t&p e p p e r',0.02); I3=i m n o i s e(I,'s p e c k l e'); H1=o n e s(3,3)/9;%3×3领域模板 J=i m f i l t e r(I,H1);%领域平均 J1=i m f i l t e r(I1,H1); J2=i m f i l t e r(I2,H1); J3=i m f i l t e r(I3,H1); s u b p l o t(221),i m s h o w(J); s u b p l o t(222),i m s h o w(J1); s u b p l o t(223),i m s h o w(J2); s u b p l o t(224),i m s h o w(J3); 运行结果如图3-2 取H2，程序如下： R G B=i m r e a d('h:\赵云-真三国六.j p g'); I=r g b2g r a y(R G B); I1=i m n o i s e(I,'g a u s s i a n'); I2=i m n o i s e(I,'s a l t&p e p p e r',0.02); I3=i m n o i s e(I,'s p e c k l e'); H2=o n e s(5,5)/25;%5×5领域模板 J=i m f i l t e r(I,H2);%领域平均 J1=i m f i l t e r(I1,H2); J2=i m f i l t e r(I2,H2); J3=i m f i l t e r(I3,H2); s u b p l o t(221),i m s h o w(J); t i t l e('原图像滤波后'); s u b p l o t(222),i m s h o w(J1); t i t l e('高斯污染图像滤波后'); s u b p l o t(223),i m s h o w(J2); t i t l e('椒盐污染图像滤波后'); s u b p l o t(224),i m s h o w(J3); t i t l e('乘法污染图像滤波后'); 运行结果如图3-3： 图3-2 图3-1中图像经过平均值算子H1滤波后图像 图3-3 图3-1中图像经过平均值算子H2滤波后图像比较处理后的图像结果可知，领域平均处理后，图像的噪声得到了抑制，但图像变得相对模糊，对高斯噪声的平滑效果比较好。领域平均法的平滑效果与所选用的模板大小有关，模板尺寸越大，则图像的模糊程度越大。此时，消除噪声的效果将增强，但同时所得到的图像将变得更模糊，图像细节的锐化程度逐步减弱。 3.3中值滤波法 M A T L A B图像处理工具箱提供了m e d f i l t2函数用于中值滤波。其语法格式为： B=m e d f i l t2(A) 其功能为：用3×3的滤波窗口对图像A进行中值滤波； B=m e d f i l t2(A,[m,n]) 其功能是：用大小为m×n的窗口对图像A进行中值滤波； B=m e d f i l t2(A,'i n d e x e d',...) 其功能为：对索引图像A进行中值滤波； 可运行以下程序实现： R G B=i m r e a d('h:\赵云-真三国六.j p g'); I=r g b2g r a y(R G B); I1=i m n o i s e(I,'g a u s s i a n'); I2=i m n o i s e(I,'s a l t&p e p p e r',0.02); I3=i m n o i s e(I,'s p e c k l e'); J1=m e d f i l t2(I1,[3,3]);%3×3中值滤波模板J2=m e d f i l t2(I2,[3,3]); J3=m e d f i l t2(I3,[3,3]); J4=m e d f i l t2(I1,[5,5]);%5×5中值滤波模板J5=m e d f i l t2(I2,[5,5]); J6=m e d f i l t2(I3,[5,5]); f i g u r e,s u b p l o t(121),i m s h o w(J1); t i t l e('高斯3*3中值滤波'); s u b p l o t(122),i m s h o w(J2); t i t l e('椒盐3*3中值滤波'); f i g u r e,s u b p l o t(121),i m s h o w(J3); t i t l e('乘法3*3中值滤波'); s u b p l o t(122),i m s h o w(J4); t i t l e('高斯5*5中值滤波'); f i g u r e,s u b p l o t(121),i m s h o w(J5); t i t l e('椒盐5*5中值滤波'); s u b p l o t(122),i m s h o w(J6); t i t l e('乘法5*5中值滤波'); 运行结果如下： 图3-4 受到高斯、椒盐及乘法噪 声污染的图像经不同模版的中值滤波后的图像 由图3-4可知，此方法能够非常好地将椒盐噪声去除掉，可见中值滤波方法对于椒盐噪声或脉冲式干扰具有很强的滤除作用，但对于高斯和乘性噪声效果不佳。与图3-2、图3-3相比，当噪声为椒盐噪声时，中值滤波器的效果比均值滤波好。因为这些干扰值与其邻近像素的灰度值有很大的差异，经过排序后取中值的结果就将此干扰强制变成与其邻近的某些像素值一样，从而达到去除干扰的效果。但是由于中值滤波方法在处理过程中会带来图像模糊，所以对于细节丰富，特别是点、线和尖顶细节较多的图像不适用。 3.4频域低通滤波法 频域低通滤波处理噪声图像的方法如下: 首先构建二维滤波器d; mat lab的图像拼接程 序 -CAL-FENGHAI-(2020YEAR-YICAI) JINGBIAN ll=imread{,,)；%6dTAEuODpAp￥dy2All%6D j u j A ll=double(ll); [hl wl dl]=size(ll);%TEOEdl±al2lldU±a>>0dl I2= imread(n)； I2=double(l2); [h2 w2 d2]=size(l2); %show input images and prompt for correspondences figure;subplot( 1,2,1)； image(ll/255); axis image; hold on; title(*first input image')； [XI Yl]=ginput(2); %get two points from the usersubplot(l z2,2); image(l2/255); axis image; hold on; title('sec ond input image*)； [X2 Y2]=ginput(2); %get two points from the user %estimate parameter vector(t); Z=[X2' Y2'； Y2'?X2'； HOOjOOll]1； xp=[Xl; Yl]; t=Z\xp; %solve the I in ear system a=t(l); %=s cos(alpha) b=t(2);%=s sin(alpha) tx=t(3); ty=t(4); % con struct transformation matrix(T) T=[a b tx;?b a ty; 0 0 1]; % warp incoming corners to determine the size of the output image(in to out) cp二T*[l 1 w2 w2; 1 h2 1 h2; 1 111]; Xpr=min([cp(l/:)/O]): max([cp(l/:)/wl]);%min x:maxx Ypr=min([cp(2/:)/0]): max([cp(2/:)/hl]); %min y: max y [Xp/Yp]=ndgrid(Xpr/ Ypr); [wp hp]=size(Xp); %=size(Yp) % do backwards transform (from out to in) X=T\[Xp(:) Yp(:) ones(wp*hp/l)]'；%warp %re-sample pixel values with bilinear interpolation clear Ip; xl二reshape(X(b：)Mp,hp)‘; yl=reshape(X(2/:)/wp/hp)1; lp(:/:/l)=interp2(l2(:/:/l)/xl/ yl, '?bilinear*); %red Ip(:/:/2)=interp2(l2(:/:/2)/xl/ yl, '?bilinear1)；%green lp(:z:/3)=interp2(l2(:/:/3)/xl/ yl, ^bilinear1)；%blue % offset and copy original image into the warped image offset= -rounddmindcpfl/)^]) min([cp(2,:),0])]); lp(l+offset ⑵:hl+offset(2), 1+off set {1): wl+offset (1 )z:); doublefllflihl.liwl,:)); %show the result figure; image(lp/255); axis image; title('mosaic image')； ll=double(imread(n)); [hl wl dl]=size(ll);%TEOEdl±aPll6lJ±agl I2=double(imread(n)); [h2 w2 d2]=size(l2); %show input images and prompt for correspondences figure; subplot(l,2z l); image(ll/255); axis image; hold on; title('first input image'); [XI Yl]=ginput(2); %get two points from the user subplot(122); image(l2/255); axis image; hold on; title('sec ond input image1)； [X2 Y2]=ginput(2); %get two points from the user %estimate parameter vector(t); Z=[X2' Y2'； Y2'-X2' ；1100;0011]'； xp=[Xl; Yl]; t=Z\xp; %solve the linear system %% a=t(l); %=s cos(alpha) b=t(2); %=s sin(alpha) 基于matlab的图像识别与匹配 摘要 图像的识别与匹配是立体视觉的一个重要分支，该项技术被广泛应用在航空测绘，星球探测机器人导航以及三维重建等领域。 本文意在熟练运用图像的识别与匹配的方法，为此本文使用一个包装袋并对上面的数字进行识别与匹配。首先在包装袋上提取出来要用的数字，然后提取出该数字与包装袋上的特征点，用SIFT方法对两幅图进行识别与匹配，最终得到对应匹配数字的匹配点。仿真结果表明，该方法能够把给定数字与包装袋上的相同数字进行识别与匹配，得到了良好的实验结果，基本完成了识别与匹配的任务。 1 研究内容 图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。 图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别图形或者数字，通过特征点检测，精确定位特征点，通过将模板与图形或数字匹配，根据匹配结果进行辨别。 2 研究意义 数字图像处理在各个领域都有着非常重要的应用，随着数字时代的到来，视频领域的数字化也必将到来，视频图像处理技术也将会发生日新月异的变化。在多媒体技术的各个领域中，视频处理技术占有非常重要的地位，被广泛的使用于农业，智能交通，汽车电子，网络多媒体通信，实时监控系统等诸多方面。因此，现今对技术领域的研究已日趋活跃和繁荣。而图像识别也同样有着更重要的作用。 3 设计原理 3.1 算法选择 Harris 角点检测器对于图像尺度变化非常敏感，这在很大程度上限制了它的应用范围。对于仅存在平移、旋转以及很小尺度变换的图像，基于Harris 特征点的方法都可以得到准确的配准结果，但是对于存在大尺度变换的图像，这一类方法将无法保证正确的配准和拼接。后来，研究人员相继提出了具有尺度不变性的特征点检测方法，具有仿射不变性的特征点检测方法，局部不变性的特征检测方法等大量的基于不变量技术的特征检测方法。 David.Lowe 于2004年在上述算法的基础上，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换（Scale Invariant Feature Transform），以下简称SIFT 算法。SIFT 算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、 MATLAB图像增强程序举例 1.灰度变换增强程序： % GRAY TRANSFORM clc; I=imread('pout.tif'); imshow(I); J=imadjust(I,[0.3 0.7],[0 1],1); %transforms the walues in the %intensity image I to values in J by linealy mapping %values between 0.3 and 0.7 to values between 0 and 1. figure; imshow(J); J=imadjust(I,[0.3 0.7],[0 1],0.5); % if GAMMA is less than 1,the mapping si weighted to ward higher (brighter) %output values. figure; imshow(J); J=imadjust(I,[0.3 0.7],[0 1],1.5); % if GAMMA is greater than 1,the mapping si weighted toward lower (darker) %output values. figure; imshow(J) J=imadjust(I,[0.3 0.7],[0 1],1); % If TOP 2.直方图灰度变换 %直方图灰度变换 [X,map]=imread('forest.tif'); I=ind2gray(X,map);%把索引图像转换为灰度图像 imshow(I); title('原图像'); improfile%用鼠标选择一条对角线，显示线段的灰度值 figure;subplot(121) plot(0:0.01:1,sqrt(0:0.01:1)) axis square title('平方根灰度变换函数') subplot(122) maxnum=double(max(max(I)));%取得二维数组最大值 J=sqrt(double(I)/maxnum);%把数据类型转换成double,然后进行平方根变换%sqrt函数不支持uint8类型 J=uint8(J*maxnum);%把数据类型转换成uint8类型 第 5 章图像平滑滤波在MATLAB上的实现 本课程设计在MATLAB上实现的程序和结果 I=imread('b.bmp'); v=0.5*ones(size(I)); I1=imnoise(I,'localvar',v); I2=imnoise(I,'salt & pepper',0.02); I3=imnoise(I,'speckle',0.02); figure; subplot(221); hold on; title('原图像'); imshow(I); hold off; subplot(222); hold on; title('受高斯噪声污染的图像'); imshow(I1); hold off; subplot(223); hold on; title('受椒盐噪声污染的图像'); imshow(I2); hold off; subplot(224); hold on; title('受乘性噪声污染的图像'); imshow(I3); hold off; 原图像受高斯噪声污染的图像 受椒盐噪声污染的图像受乘性噪声污染的图像 h=ones(3,3)/9; J1=imfilter(I1,h); J2=imfilter(I2,h); J3=imfilter(I3,h); figure; subplot(221); hold on; title('原图像'); imshow(I); hold off; subplot(222); hold on; title('对有高斯噪声的3*3邻域平均后的图像'); imshow(J1); hold off; subplot(223); hold on; title('对有椒盐噪声的3*3邻域平均后的图像'); imshow(J2); hold off; subplot(224); hold on; title('对有乘性噪声的3*3邻域平均后的图像'); imshow(J3); %灰色图像拼接 clc; clear; A=imread('C:\Documents and Settings\s35\桌面\新建文件夹\v1.jpg'); figure,imshow(A) A1=im2bw(A); A2=double(A1); se=strel('disk',20); A4=imdilate(A2,se); figure,imshow(A4) A5=double(A4); A6=not(A5); A7=double(A6); B=imread('C:\Documents and Settings\All Users\Documents\My Pictures\示例图片\Water lilies.jpg'); C=imread('C:\Documents and Settings\All Users\Documents\My Pictures\示例图片\Winter.jpg'); [m,n]=size(A4); B2=rgb2gray(B); B3=imresize(B2,[m,n]); B4=double(B3); C2=rgb2gray(C); C3=imresize(C2,[m,n]); C4=double(C3); D=A5.*B4; E=A7.*C4; F=uint8(D+E); figure,imshow(F) %彩色图像拼接 clc; clear; A=imread('C:\Documents and Settings\s35\桌面\新建文件夹\v1.jpg'); figure,imshow(A) A1=im2bw(A); A2=double(A1); se=strel('disk',20); A4=imdilate(A2,se); figure,imshow(A4) 用MATLAB实现频域平滑滤波以及图像去噪代码 悬赏分：50 - 解决时间：2008-11-8 14:21 是数字图象处理的实验，麻烦高人给个写好的代码，希望能在重要语句后面附上一定的说明，只要能在MATLAB上运行成功，必然给分。具体的实验指导书上的要求如下： 频域平滑滤波实验步骤 1. 打开Matlab 编程环境； 2. 利用’imread’函数读入图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 将图像数据由’uint8’格式转换为’double’格式，并将各点数据乘以 (-1)x+y 以便FFT 变换后的结果中低频数据处于图像中央； 5. 用’fft2’函数对图像数据进行二维FFT 变换，得到频率域图像数据； 6. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示频率域图 像； 7. 在频率图像上去除滤波半径以外的数据(置0)； 8. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示处理过的 频域图像数据； 9. 用’ifft2’函数对图像数据进行二维FFT 逆变换，并用’real’函数取其实部，得到处理过的空间域图像数据； 10. 将图像数据各点数据乘以(-1)x+y； 11. 利用’imshow’显示处理结果图像数据； 12. 利用’imwrite’函数保存图像处理结果数据。 图像去噪实验步骤： 1. 打开Matlab 编程环境； 2. 利用’imread’函数读入包含噪声的原始图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 以3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声 图像进行滤波处理； 5. 利用’imshow’显示处理结果图像数据； 6. 利用’imwrite’函数保存图像处理结果数据。 即使不是按这些步骤来的也没关系，只要是那个功能，能实现就OK，谢谢大家 %%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%% % the SF filter is unselective to orientation (doughnut-shaped in the SF % domain). [FileName,PathName,FilterIndex] = uigetfile ; filename = fullfile(PathName, FileName) ; [X map] = imread(filename, fmt); % read image L = double(X); % transform to double %%%%%%%%%%%%% need to add (-1)x+y to L % calculate the number of points for FFT (power of 2) fftsize = 2 .^ ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2)); 一.图像几何变化 (1)放大，缩小，旋转 程序： I=imread('111.jpg'); J=imresize(I,1.5); L=imresize(I,0.75); K=imrotate(I,35,'bilinear'); subplot(221),subimage(I); title('原图像'); subplot(222),subimage(J); title('放大后图像'); subplot(223),subimage(L); title('缩小后图像'); subplot(224),subimage(K);title('旋转后图像'); 二．图像频域变换 （1）傅里叶变换 真彩图像灰度图像傅里叶变换谱程序：I=imread('111.jpg'); figure(1); imshow(I); B=rgb2gray(I); figure(2); imshow(B) D=fftshift(fft2(B)); figure(3); imshow(log(abs(D)),[ ]); （2）离散余弦变换 真彩图灰度图进行离散余弦变换后程序： RGB=imread('111.jpg'); figure(1); imshow(RGB); G=rgb2gray(RGB); figure(2); imshow(G); DCT=dct2(G); figure(3); imshow(log(abs(DCT)),[]); 三．图像增强： （1）指数变换 程序： f=imread('111.jpg') f=double(f); g=(2^2*(f-1))-1; f=uint8(f); g=uint8(g); subplot(1,2,1),subimage(f); subplot(1,2,2),subimage(g); （2）直方图均衡 程序： I=imread('111.jpg'); I=rgb2gray(I); figure subplot(221);imshow(I); subplot(222);imhist(I) I1=histeq(I); figure; subplot(221);imshow(I1) subplot(222);imhist(I1) （3）空域滤波增强 锐化滤波（Roberts算子Sobel算子拉普拉斯算子） 江苏科技大学 数字图像处理本科生课程论文 论文题目：图像平滑方法综述与MATLAB实现完成时间：11月20日 所在专业：信息与计算科学 图像平滑方法综述与MATLAB实现 摘要：在图像的生成、传输或变换的过程中，由于多种因素的影响，总要造成图像质量的下降，这就需要进行图像增强。随着图像处理领域的迅速发展，图像平滑作为图像增强的重要环节，也逐渐受到人们的关注。图像平滑的目的为了消除噪声。图像平滑可以在空间域进行，也可以在频率域进行。空间域常用的方法有领域平均法、中值滤波和多图像平均法；在频率域，因为噪声频谱多在高频段，因此可以采用各种形式的低通滤波方法进行平滑处理。 关键词：图像平滑；消除噪声；领域平均法；中值滤波；低通滤波法……… 1 研究背景 总所周知，实际获得的图像在形成、传输接收和处理的过程中，不可避免地存在着外部干扰和内部干扰，如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程中的量化噪声、传输过程中的误差以及人为因素等，均会使图像质量变差，需要进行图像的平滑处理。 图像平滑是一种实用的熟悉图像处理技术，一个较好的平滑处理方法应该既能消除图像噪声，又不使图像边缘轮廓和线条变模糊，这就是研究数字图形平滑处理要追求的目标。 2.主要理论概况 2.1 邻域平均法 邻域平均法就是对含噪声的原始图像的每一个像素点取一个邻域，计算中所有像素灰度级的平均值，作为邻域平均处理后的图像的像素值。即 式中， ），为邻域中像素的点数。 是预先设定的阈值，当某些点的灰度值与其邻域点灰度平均值之差不超过阈值式中， 时，仍保留这些点的灰度值。当某些点的灰度值与其邻点灰度的均值差别较大时，这些点必然是噪声，这时再取其邻域平均值作为这些点的灰度点。这样平滑后的图像比单纯的进行邻域平均后的图像要清晰一些，平滑效果仍然很好。 2.2 中值滤波 中值滤波是一种非线性处理技术，由于它在实际运算过程中并不需要知道图像的统计特性，所以比较方便。中值滤波最初是应用在一维信号处理技术中，后来被二维的图像处理技术所引用。在一定条件下，中值滤波可以克服线性滤波器所带来的图像细节模糊，而且对滤波除脉干扰及图像扫描噪声非常有效。但是对一些细节多，特别是点、线、尖顶较多的图像则不宜采用中值滤波的方法。中值滤波的目的是保护图像边缘的同时去除噪声。 2.2.1 中值滤波的主要原理 中值滤波实际上就是用一个含有奇数个像素的滑动窗口，将窗口正中点的灰度值用窗口内各点的中值代替。例如若窗口长度为5，窗口中像素的灰度值分别为80、90、200、110、120，则中值为110，于是原来窗口正中的200就由110代替。 设有一个一维序列，用窗口长度为m(m为奇数)的窗口对该序列进行中值 滤波，就是从序列中相继抽出m 个数其中为窗口中心值，，再将这m个点的值按其数值大小排列，取其序号为正中间的那个值作为滤波器的输出。用数学公式可表示为 对二维序列进行中值滤波时，滤波窗口也是二维的，只不过这种二维窗口可以有各种不同的形状，如线状、方形，圆形、十字形和圆环形等。二维数据的中值滤波可以表示为 A为窗口 第一章绪论 1.1图像拼接技术的研究背景及研究意义 图像拼接(image mosaic)是一个日益流行的研究领域，他已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点。图像拼接解决的问题一般式，通过对齐一系 列空间重叠的图像，构成一个无缝的、高清晰的图像，它具有比单个图像更高的分辨率和更大的视野。 早期的图像拼接研究一直用于照相绘图学，主要是对大量航拍或卫星的图像的整合。近年来随着图像拼接技术的研究和发展，它使基于图像的绘制( IBR )成为结合两个互补领域 ――计算机视觉和计算机图形学的坚决焦点，在计算机视觉领域中，图像拼接成为对可视化 场景描述(Visual Seene Representaions)的主要研究方法：在计算机形学中，现实世界的图像过去一直用于环境贴图，即合成静态的背景和增加合成物体真实感的贴图，图像拼接可以 使IBR从一系列真是图像中快速绘制具有真实感的新视图。 在军事领域网的夜视成像技术中，无论夜视微光还是红外成像设备都会由于摄像器材的限制而无法拍摄视野宽阔的图片，更不用说360度的环形图片了。但是在实际应用中，很 多时候需要将360度所拍摄的很多张图片合成一张图片，从而可以使观察者可以观察到周围的全部情况。使用图像拼接技术，在根据拍摄设备和周围景物的情况进行分析后，就可以将通过转动的拍摄器材拍摄的涵盖周围360度景物的多幅图像进行拼接，从而实时地得到 超大视角甚至是360度角的全景图像。这在红外预警中起到了很大的作用。 微小型履带式移动机器人项目中，单目视觉不能满足机器人的视觉导航需要，并且单目 视觉机器人的视野范围明显小于双目视觉机器人的视野。利用图像拼接技术，拼接机器人双 目采集的图像，可以增大机器人的视野，给机器人的视觉导航提供方便。在虚拟现实领域中，人们可以利用图像拼接技术来得到宽视角的图像或360度全景图像，用来虚拟实际场景。 这种基于全景图的虚拟现实系统，通过全景图的深度信息抽取，恢复场景的三维信息，进而建立三维模型。这个系统允许用户在虚拟环境中的一点作水平环视以及一定范围内的俯视和仰视，同时允许在环视的过程中动态地改变焦距。这样的全景图像相当于人站在原地环顾四 周时看到的情形。在医学图像处理方面，显微镜或超声波的视野较小，医师无法通过一幅图 像进行诊视，同时对于大目标图像的数据测量也需要把不完整的图像拼接为一个整体。所以把相邻的各幅图像拼接起来是实现远程数据测量和远程会诊的关键环节圆。在遥感技术领域中，利用图像拼接技术中的图像配准技术可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技术将遥感卫星拍摄到的有失真地面图像拼接成比较准确的完整图像，作为进一步研究的依据。 从以上方面可以看出，图像拼接技术的应用前景十分广阔，深入研究图像拼接技术有着很重 要的意义 1.2图像拼接算法的分类 图像拼接作为这些年来图像研究方面的重点之一，国内外研究人员也提出了很多拼接算 法。图像拼接的质量，主要依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。根据图像匹配方法的不同仁阔，一般可以将图像拼接算法分为以下两个类型： (1) 基于区域相关的拼接算法。 这是最为传统和最普遍的算法。基于区域的配准方法是从待拼接图像的灰度值出发，对 待配准图像中一块区域与参考图像中的相同尺寸的区域使用最小二乘法或者其它数学方法 计算其灰度值的差异，对此差异比较后来判断待拼接图像重叠区域的相似程度，由此得到待 《数字图像处理》课程设计 课设题目：图像增强与MATLAB实现学校学院：华东交通大学理学院 学生班级：13级信息计算（2）班学生：超 学生学号：20130810010216 指导老师：自柱 图像增强与MATLAB实现 摘要 数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。 关键字：图像；图像增强；算法 目录 一、MATLAB的简介 (1) 1.1MATLAB主要功能 (1) 二、MATLAB的主要功能 (1) 2.1数字增强技术概述 (1) 2.2数字图像的表示 (2) 三、直方图的均衡化 (2) 3.1图像的灰度 (2) 3.2灰度直方图 (2) 3.3直方图均衡化 (3) 四、图像二值化 (5) 4.1图像二值化 (5) 五、对比度增强 (7) 5.1对比度增强 (7) 5.2灰度调整 (8) 5.3对数变换 (9) 六、滤波 (10) 6.1平滑滤波 (10) 6.2线性平滑滤波程序： (11) 6.3非线性滤波 (12) 七、锐化 (18) 八、参考文献 (19) 九、自我评价 (20) 一、Matlab的简介 1.1 MATLAB主要功能 MATLAB是建立在向量、数组和矩阵基础上的一种分析和仿真工具软件包，包含各种能够进行常规运算的“工具箱”，如常用的矩阵代数运算、数组运算、方程求根、优化计算及函数求导积分符号运算等；同时还提供了编程计算的编程特性，通过编程可以解决一些复杂的工程问题；也可绘制二维、三维图形，输出结果可视化。目前，已成为工程领域中较常用的软件工具包之一。 二、MATLAB的主要功能 2.1数字增强技术概述 图像增强是按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些信息使得图像更加实用。图像增强技术主要包含直方图修改处理、图像平滑处理、图像尖锐化处理等。 图像增强技术主要包括：直方图修改处理，图像平滑处理，图像尖锐化处理，彩色图像处理。从纯技术上讲主要有两类：频域处理法和空域处理法。 频域处理法主要是卷积定理，采用修改图像傅立叶变换的方法实现对图像的增强处理技术；空域处理法：是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。 《图像处理中的数学方法》实验报告 学生姓名：赵芳舟 教师姓名：曾理 学院：数学与统计学院 专业：信息与计算科学 学号： 联系方式： 梯度和拉普拉斯算子在图像边缘检测中的应用 一、数学方法 边缘检测最通用的方法是检测灰度值的不连续性，这种不连续性用一阶和二阶导数来检测。 1.（1）一阶导数：一阶导数即为梯度，对于平面上的图像来说，我们只需用到二维函数 的梯度，即：,该向量的幅值： ,为简化计算，省略上式平方根，得到近似值；或通过取绝对值来近似，得到：。 （2）二阶导数：二阶导数通常用拉普拉斯算子来计算，由二阶微分构成： 2.边缘检测的基本思想： （1）寻找灰度的一阶导数的幅度大于某个指定阈值的位置； （2）寻找灰度的二阶导数有零交叉的位置。 3.几种方法简介 （1）Sobel边缘检测器：以差分来代替一阶导数。Sobel边缘检测器使用一个3×3邻域的行和列之间的离散差来计算梯度，其中，每行或每列的中心像素用2来 加权，以提供平滑效果。 -1-21 000 121 -101 -202 -101 （2）Prewitt边缘检测器:使用下图所示模板来数字化地近似一阶导数。与Sobel检测器相比，计算上简单一些，但产生的结果中噪声可能会稍微大一些。 -1-1-1 000 111 -101 -101 -101 （3）Roberts边缘检测器：使用下图所示模板来数字化地将一阶导数近似为相邻像素之间的差，它与前述检测器相比功能有限（非对称，且不能检测多种45°倍数的边缘）。 -10 01 0-1 10 （4）Laplace边缘检测器：二维函数的拉普拉斯是一个二阶的微分定义： 010 1-41 010 图像平滑的Matlab实现 20101602310035 黄汉杰 摘要 随着图像处理领域的迅速发展，图像平滑作为图像处理中的重要环节，也逐渐受到人们的关注。图像平滑的目的主要是消除噪声。图像平滑方法按空间域和频率域的分类及各种方法的特点，图像平滑是对图像作低通滤波,可在空间域或频率域实现。空间域图像平滑方法主要用均值滤波、中值滤波等；频率域图像平滑常用的低通滤波器有理想低通滤波器、布特沃斯低通滤波器、低通指数滤波器、低通梯形滤波器等。 关键词：图像平滑；噪声；空间域低通滤波；频域低通滤波 引言： （1）在图像的获取和传输过程中原始图像会受到各种噪声的干扰，使图像质量下降。为了抑制噪声、改善图像质量，要对图像进行平滑处理。抑制或消除这些噪声而改善图像质量的过程称为图像的平滑。图像平滑的目的是为了消除噪声。噪声消除的方法又可以分为空间域或频率域，亦可以分为全局处理或局部处理，亦可以按线性平滑、非线性平滑和自适应平滑来区别。图像的平滑是一种实用的数字图像处理技术，一个较好的平滑处理方法应该既能消除图像噪声，又不使图像边缘轮廓和线条变模糊，这就是研究数字图像平滑处理要追求的目标。一般情况下，减少噪声的方法可以在空间域或频率域进行处理，主要有邻域平均法、中值滤波法、低通滤波法等，邻域平均法即通过提高信噪比，取得较好的平滑效果；空间域低通滤波采用低通滤波的方法去除噪声；以及频域低通滤波法通过除去其高频分量就能去掉噪声，从而使图像得到平滑。 （2）本设计将对图像平滑处理的两大方面即空间域和频率域,以及两种处理 方向里的几种处理方法进行介绍，并对一些常用的简单平滑算法进行分析。 （3）图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。 1.论文目的 1.1 通过几种图像平滑的方法，实现被噪声污染过的图像的平滑处理，其中包括空间域和频率域； 1.2 在加深对数字图像处理课本知识理解的基础上，学会运用已学的知识对图像 平滑的处理方法的结果进行分析。 2.理论及方案 (1)图像噪声来源及类型 一幅图像在获取和传输等过程中，会受到各种各样噪声的干扰，其主要来源有三：一为在光电、电磁转换过程中引入的人为噪声；二为大气层电（磁）暴、闪电、电压、浪涌等引起的强脉冲性冲激噪声的干扰；三为自然起伏性噪声，由物理量的不连续性或粒子性所引起，这类噪声又可分成热噪声、散粒噪声等。一般在图像处理技术中常见的噪声有：加性噪声、乘性噪声、量化噪声、“盐和胡椒”噪声等。下面介绍两种主要的噪声。 2.1.1、高斯噪声(Gaussian noise) 这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也 第一章绪论 1.1 图像拼接技术的研究背景及研究意义 图像拼接(image mosaic)是一个日益流行的研究领域，他已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点。图像拼接解决的问题一般式，通过对齐一系列空间重叠的图像，构成一个无缝的、高清晰的图像，它具有比单个图像更高的分辨率和更大的视野。 早期的图像拼接研究一直用于照相绘图学，主要是对大量航拍或卫星的图像的整合。近年来随着图像拼接技术的研究和发展，它使基于图像的绘制（IBR）成为结合两个互补领域——计算机视觉和计算机图形学的坚决焦点，在计算机视觉领域中，图像拼接成为对可视化场景描述（Visual Scene Representaions）的主要研究方法：在计算机形学中，现实世界的图像过去一直用于环境贴图，即合成静态的背景和增加合成物体真实感的贴图，图像拼接可以使IBR从一系列真是图像中快速绘制具有真实感的新视图。 在军事领域网的夜视成像技术中，无论夜视微光还是红外成像设备都会由于摄像器材的限制而无法拍摄视野宽阔的图片，更不用说360 度的环形图片了。但是在实际应用中，很多时候需要将360 度所拍摄的很多张图片合成一张图片，从而可以使观察者可以观察到周围的全部情况。使用图像拼接技术，在根据拍摄设备和周围景物的情况进行分析后，就可以将通过转动的拍摄器材拍摄的涵盖周围360 度景物的多幅图像进行拼接，从而实时地得到超大视角甚至是360 度角的全景图像。这在红外预警中起到了很大的作用。 微小型履带式移动机器人项目中，单目视觉不能满足机器人的视觉导航需要，并且单目视觉机器人的视野范围明显小于双目视觉机器人的视野。利用图像拼接技术，拼接机器人双目采集的图像，可以增大机器人的视野，给机器人的视觉导航提供方便。在虚拟现实领域中，人们可以利用图像拼接技术来得到宽视角的图像或360 度全景图像，用来虚拟实际场景。这种基于全景图的虚拟现实系统，通过全景图的深度信息抽取，恢复场景的三维信息，进而建立三维模型。这个系统允许用户在虚拟环境中的一点作水平环视以及一定范围内的俯视和仰视，同时允许在环视的过程中动态地改变焦距。这样的全景图像相当于人站在原地环顾四周时看到的情形。在医学图像处理方面，显微镜或超声波的视野较小，医师无法通过一幅图像进行诊视，同时对于大目标图像的数据测量也需要把不完整的图像拼接为一个整体。所以把相邻的各幅图像拼接起来是实现远程数据测量和远程会诊的关键环节圆。在遥感技术领域中，利用图像拼接技术中的图像配准技术可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技术将遥感卫星拍摄到的有失真地面图像拼接成比较准确的完整图像，作为进一步研究的依据。 从以上方面可以看出，图像拼接技术的应用前景十分广阔，深入研究图像拼接技术有着很重要的意义 1.2图像拼接算法的分类 图像拼接作为这些年来图像研究方面的重点之一，国内外研究人员也提出了很多拼接算法。图像拼接的质量，主要依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。根据图像匹配方法的不同仁阔，一般可以将图像拼接算法分为以下两个类型：（1) 基于区域相关的拼接算法。 这是最为传统和最普遍的算法。基于区域的配准方法是从待拼接图像的灰度值出发，对 matlab里提供的TM图像增强实例： View code for landsatdemoRun this demo Landsat Color Composite landsatdemo Landsat color composite demo. This demo allows you to experiment with creating color composites from Landsat Thematic Mapper https://www.doczj.com/doc/df7191676.html,ndsat data consists of7spectral bands that each reveal different features of the region that is imaged.The data is read into a512-by-512-by-7array.To create a color composite, we form an RGB image by assigning spectral bands to red,green,and blue intensities. Try out some common color composites by clicking on the radio buttons.The numbers in square brackets map the spectral bands to red, green,and blue.The array[321]means band3will be shown as red intensities,band2will be shown as blue intensities,and band1will be shown as green intensities. "True Color[321]"-shows what our eyes would see from an airplane. "Near Infrared[432]"-shows vegetation as red,water as dark. "Shortwave Infrared[743]"-shows changes due to moisture. Click on"Custom Composite",and change the popup menus to create your own combinations of red,green,and blue. Click on"Single Band Intensity"to see individual bands as gray intensity images. Try turning off"Saturation Stretch"by clicking on the checkbox.For most Landsat data sets,saturation stretching is important.When saturation stretching is turned on,the demo clips2%of the pixels in each band and does a linear contrast stretch before displaying the image. Try turning on"Decorrelation Stretch"by clicking on the checkbox. This visual enhancement increases color separation by eliminating correlation between channels,making subtle spectral differences easier to recognize.If both"Saturation Stretch"and"Decorrelation Stretch"are checked,the decorrelation stretch is followed by a linear saturation stretch. 图像平滑的MATLAB实现 摘要：图像平滑技术用于平滑图像的噪声，本文对均值滤波、中值滤波、维纳滤波等三种平滑滤波器 进行理论学习，并通过MATLAB对滤波效果进行仿真。 关键词：图像平滑均值滤波中值滤波维纳滤波 实际获得的图像一般都因受到某种干扰而含有噪声。引起噪声的原因有敏感元器件的内部噪声、照相底片上感光材料的颗粒、传输通道的干扰及量化噪声等。噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。根据噪声服从的分布，可以分为高斯噪声、泊松噪声和颗粒噪声等。平滑技术用于平滑图像的噪声，平滑噪声可以在空间域中进行，基本方法是求像素灰度的平均值或中值。为了既平滑噪声又保护图像信号，也有一些改进的技术，比如在频域中运用低通滤波器。 MATLAB图像处理工具箱提供了模拟噪声生成的函数imnoise和去除噪声的方法。函数imnoise可以对图像添加一些典型的噪声。由于噪声的随机性，它们对某一像点的影响使其灰度和邻点的灰度显著不同，因此可以利用这种不同来消除噪声。去除噪声的方法有线性滤波、中值滤波、自适应滤波。本文就针对上述三种平滑滤波进行MATLAB仿真。 1 图像平滑的MATLAB实现 1.1 均值滤波［1］ 1.1.1理论基础 邻域平均法是空间域平滑噪声技术，其均值滤波器对于扫描得到的图像中的颗粒噪声非常适用，理论依据如下： 对于给定的图像f(i,j)中的每个像点（m,n），取其邻域S。设S含有M个像素，取其平均值作为处理后所得图像像点（m,n）处的灰度。用一像素邻域内各像素灰度平均值来代替该像素原来的灰度，即是邻域平均技术。 邻域S的形状和大小根据图像特点确定。一般取的形状是正方形、矩形及十字形等，S的形状和大小可以在全图处理过程中保持不变，也可根据图像的局部统计特性而变化，点（m,n）一般位于S的中心。如S为3×3邻域，点（m,n）位于S中心，则：matlab的图像拼接程序(20210119152549)
基于matlab的图像识别与匹配
MATLAB图像增强总结程序
数字图像平滑滤波在MATLAB上的实现
利用MATLAB进行图像截取_拼接(灰色_彩色)
MATLAB实现频域平滑滤波以及图像去噪代码
matlab图像几何变换和图像增强
图像平滑方法综述与MATLAB实现之欧阳家百创编
图像拼接原理及方法
图像增强及MATLAB实现
图像边缘检测各种算子MATLAB实现以及实际应用
图像平滑的matlab实现论文
图像拼接原理及方法
matlab提供的红外图像增强实例
图像平滑的MATLAB实现
相关主题
文本预览