文档库 最新最全的文档下载
当前位置:文档库 › 分块平均边缘检测和噪声分类相结合的滤波器的改进

分块平均边缘检测和噪声分类相结合的滤波器的改进

分块平均边缘检测和噪声分类相结合的滤波器的改进
分块平均边缘检测和噪声分类相结合的滤波器的改进

分块平均边缘检测和噪声分类相结合的滤波器的改进

李俊,杨春金

武汉理工大学信息工程学院,湖北武汉(430063)

E-mail :panghuanzhi@https://www.wendangku.net/doc/0b4329958.html,

摘要:本文从分块平均的边缘检测和噪声分类方法出发,采用Digital TV(Total Variation 数字总体变差)模型对非边缘噪声进行处理,通过对边缘像素的进一步分类,对其中夹杂的脉冲噪声进行处理,从而改善了整个滤波器的除噪效果。 关键词:Digital TV ,噪声分类,边缘检测

1. 分块平均的边缘检测和噪声

分类方法

1.1 分块平均的边缘检测

分块平均的边缘检测方法为:将5×5窗口划分成F (1)~F (8)八块,F (1)~F (8)分别是相应部分9个象素点的灰度平均值。水平、垂直、45°、135°四种边缘的判断基本相同,以水平边缘判断步骤为例[1]:

(1)

[]1

(1)(3)2.0F F m +=

[]2

(5)(7)2.0

F F m +=

(2)

112

D m m =?;

(3)若

1

D >T ,那么判断5×5窗口中心点为边缘点,

将其直接输出。

图1 水平垂直方向的分块(左);45°,135°方向的

分块(右)[1]

1.2 噪声分类

对于非边缘区域要进行分类,共可分为(1)没有被噪声污染的图像像素;(2)轻度污染的图像像素;(3)中度污染的图像像素;(4)重度污染的

图像像素。对每类像素采用不同的线性滤波。而对

于线性滤波而言,所选窗口越大,噪声去除能力越强,但同时细节丢失也越多[1][2]。

2. 对非边缘区域噪声处理的

改进

由于各线性滤波器并不能完全确定相邻点的权重,梯度倒数加权是确定相邻点权重的方法之一。此方法可进一步扩展为Digital TV(Total Variation 数字总体变差)模型。

2.1 TV 模型

TV 模型是一种变换,可用式表示为:

[]TV u u dx

Ω

=?∫

其中u 原始信号,Ω是信号的定义域。并且要保证信号的有效性,该变换必须满足两个条件:

udx u dx

Ω

Ω

=∫∫,

()

2

021

u u dx σΩ

?=Ω

一般第一个条件容易满足,问题是如何在条件

()2

021u u dx σΩ

?=Ω

下,求[]TV u u dx

Ω

=?∫的最小值。

通过构建拉格朗日函数,可得:

https://www.wendangku.net/doc/0b4329958.html,

02

[]()2

L u u dx u u dx λ

Ω

Ω

=?+

?∫∫

问题转化为求

()L u 的最小值问题。 2.2 TV 模型的实现

在数字滤波器的设计中,该模型的去噪过程可表示为:

()()v F h u u h u u β

αααββααα

α

==+∑

其中α是待处理的中心点,

β等是α的四邻

()

h

u

图2 中心点α以及其四邻域点1α,2α,3α,

根据前面的分析知:

要满足条件0

udx u dx

Ω

Ω

=∫∫,则有:

()()1h u h u β

αβααα

+=∑

而对于

02

[]()2L u u dx u u dx

λ

Ω

Ω

=?+

?∫∫,在

实际中,我们可取:

()()()

u h u u αβαβαβαωλω=

+∑,

()()

h u u ααβ

αβαλλω=

+∑,

11

()u u u

αβαβαα

ω=

+

??,

u αα?=

=α处的滤波过程如下: ) 计算

u αα

?和四邻域点的

u

βα

?;

) 计算四邻域点的权重()

u αβ

ω; ) 计算()h u αβ

和()

h u αα; ) 得到新值:

()()h u u h u u β

αββαααα

=+∑。

在处理过程中,不必每次用原始图像的0

u α,

可以以上一次处理后的新值作为下一次处理的初值[1]。

在Matlab 环境下,同样基于分块平均的边缘检测和噪声分类方法来滤波,对噪声分类分别采取线性加权滤波和Digital TV(Total Variation 数字总体变差)模型滤波的对比如下:

图3 基于线性与Digital TV 处理后的对比图。从左

到右依次为:加入噪声的Lena 图,线性处理的Lena

图,Digital TV 处理的Lena 图 定

()

()

()

10

2

2

10

2

25525510*log (,)(,)(,)10*log (,)(,)dep wide

i

j dep wide

i

j

dep wide i

j

dep wide

SNR a i j f i j a i j PSNR a i j f i j ???=?=?∑∑∑∑∑∑其中:

dep *wide 分别为图像矩阵的尺寸。

(,)a i j 未处理图像像素点(,)

i j 的灰度值,

(,)f i j 为处理后图像像素点(,)i j 的灰度值。

表1 基于线性分块平均与Digital TV 处理的信

噪比与峰值信噪比的对比

滤波方 法 信

(SNR ) 峰值信噪比(PSNR ) 线性分块平 均 SNR=31.9075

PSNR=26.7551

Digital TV 处理

SNR=38.2903

PSNR=33.1379

通过以上对比可知,同样基于分块平均分类,采用Digital TV 处理后的图像比线性处理后图像的信噪比有了较大的提升。同时虽然线性处理的除噪性能较好,但相对于Digital TV ,它丢失的图像细节也更多。

3. 对边缘区域噪声处理的改进

从Digital TV 处理后图像可看出,Digital TV 对图像中存在的大量脉冲噪声的处理效果并不理想,但在噪声分类的基础上,通过对边缘像素的进一步分类,可以方便地对脉冲噪声进行滤除。

在Matlab 环境下的反复实验中,我们可统计出这样的规律:给定一个阈值,对于真正边缘像素,邻域像素与中心像素灰度值之差大于该阈值的个数应在邻域像素总数的一半左右,而对于脉冲噪声,绝大部分的邻域像素与中心像素灰度值之差将大于该阈值。基于此,我们可分离出边缘点与脉冲噪声点。

计算过程如下:

(1

)根据经验和实际图像,确定阈值u ; (2) 计算均值

mean f :

1

1(,)m n mean

f a i j m n ×=×∑,其中m n ×为窗口尺

寸,

(,)a i j 为坐标(,)i j 处的灰度值;

(3)计算方差

var f :

var

f =

其中

m n ×为窗口尺寸,(,)a i j 为坐标(,)i j

处的灰

度值,

mean f 为该点像素灰度值的均值;

(4)得出门限值V :

var mean V f f =+;

(5)在已有噪声分类基础上,根据像素灰度值与门限值V 之差对噪声分类中判定的边缘像素进一

步划分,若

(,)a i j u >,则将该像素判定为噪声,

反之则该像素点判为真正的边缘像素。

在Matlab 环境下,原始的噪声分类方法与进一步分类后处理图的对比为:

图4 原始的噪声分类方法与进一步分类后处理图的对比:左为原始的噪声分类方法的处理图,右为

进一步分类后处理图

图5 原始的噪声分类方法与进一步分类后边缘图的对比:左为原始的噪声分类方法的处理图;右为

进一步分类后边缘图

通过边缘图对比,我们可以看出,进一步区分边缘和脉冲噪声后,减少了脉冲噪声,但同时,边缘也少量被当作噪声滤除,导致边缘变得稍微模糊了些。但从处理后的对比图来看,进一步区分边缘和脉冲噪声的效果较好。

4. 结束语

同样基于分块平均边缘检测和噪声分类方法,应用Digital TV(Total Variation 数字总体变差)模型替代线性权重滤波,改善了非边缘区域的处理效果。此外,在已有的分块平均边缘检测和噪声分类

方法对噪声分类的基础上,进一步应用统计规律,对边缘像素和噪声进行分类,分别进行处理。最终整个分块平均边缘检测和噪声分类相结合的滤波器对非边缘区域的处理效果得到了增强,且对边缘区域中夹杂的脉冲噪声也具有较好的滤除效果。

参考文献

[1] 闫敬文.数字图像处理(MATLAB 版).北京:国防工业出版社出版. 2007.

[2] 冈萨雷斯等著,阮秋琦等译.数字图像处理(MATLAB 版).北京:电子工业出版社,2005. [3] 韩磊.MATLAB 在数字图像处理中的应用[J].电脑知识与技术,2008,(01):134-136,141. [4] MATLAB 知识[EB/OL]. https://www.wendangku.net/doc/0b4329958.html,/u1/41817/showart_374371.html.

Improvement of block average edge detection and noise

classification filter

Li Jun,Yang Chun jin

School of Information Engineering WuHan University of Technology,WuHan, PRC, (430063) Abstract

Based on block average edge detection and noise classification, this paper uses Digital TV(Total Variation) Model to process non-edge noise. By classifying edge pixels, the paper further processes the potential pulse noise, so finally improves the filtering effect.

Key words :Digital TV, noise classification, edge detection

https://www.wendangku.net/doc/0b4329958.html,

经典图像边缘检测

经典图像边缘检测(微分法思想)——Sobel算子 2008-05-15 15:29Sobel于1970年提出了Sobel算子,与Prewitt算子相比较,Sobel算子对检测点的上下左右进一步加权。其加权模板如下: 经典图像边缘检测(微分法思想)——Roberts交叉算子 2008-05-14 17:16 如果我们沿如下图方向角度求其交叉方向的偏导数,则得到Roberts于1963年提出的交叉算子边缘检测方法。该方法最大优点是计算量小,速度快。但该方法由于是采用偶数模板,如下图所示,所求的(x,y)点处梯度幅度值,其实是图中交叉点处的值,从而导致在图像(x,y)点所求的梯度幅度值偏移了半个像素(见下图)。

上述偶数模板使得提取的点(x,y)梯度幅度值有半个像素的错位。为了解决这个定位偏移问题,目前一般是采用奇数模板。 奇数模板: 在图像处理中,一般都是取奇数模板来求其梯度幅度值,即:以某一点(x,y)为中心,取其两边相邻点来构建导数的近似公式:

这样就保证了在图像空间点(x,y)所求的梯度幅度值定位在梯度幅度值空间对应的(x,y)点上(如下图所示)。 前面我们讲过,判断某一点的梯度幅度值是否是边缘点,需要判断它是否大于设定的阈值。所以,只要我们设定阈值时考虑到加权系数产生的影响便可解决,偏导数值的倍数不是一个问题。 经典图像边缘检测(微分法思想)——Prewitt算子 2008-05-15 11:29 Prewitt算子 在一个较大区域中,用两点的偏导数值来求梯度幅度值,受噪声干扰很大。若对两个点的各自一定领域内的灰度值求和,并根据两个灰度值和的差来计算x,y的偏导数,则会在很

噪声的危害和控制知识点总结及针对训练

第3节声的利用 一、噪声的来源 1、从物理学的角度:发声体做无规则振动时发出的声音。 2、从环境保护角度:凡是妨碍人们正常休息、学习和工作的 声音,以及对人们要听的声音产生干扰的声音,都属于噪声。 (1)自然界的噪声:风雨雷鸣、地震、火山爆发 (2)交通噪声:引擎、汽笛、刹车 (3)施工噪声:搅拌机、打桩机、切割机等 (4)工业噪声:机器转动、切割、打磨、锻造等 二、噪声的强弱等级和危害 1、噪声强弱等级用分贝数来表示,符号dB 2、分贝等级 0dB刚刚引起听觉——听觉下线 30~40dB较为理想的安静环境——卧室或阅览室 50dB保证休息和睡眠的最小噪音 70dB保证工作和学习的最小噪音 90dB保护听力的最小噪音 150dB鼓膜会破裂出血,双耳完全失去听力(突然暴露在这个环境内) 3、噪声的危害:严重影响人们的工作、生活和身心健康,长期在噪声环境下工作,会使听力下降甚至耳聋,还能造成头痛、高血压等疾病。 三、噪声的控制 1、人听到声音经过三个阶段:声源的振动产生声音——空气等介质的传播——鼓膜的振动引起听觉。 2、控制噪声的三个方面:防止噪声产生——阻断噪声传播——防止噪声进入耳朵 针对训练 1、噪声是发声体做_________振动时发出的声音,通常噪声是靠________传播的。

2、人们以______(符号是______)为单位来表示声音的强弱,_____dB是人刚能听到的最微弱的声音;__________dB是较为理想的安静环境;__________dB就会影响人们谈话;长期生活在______dB以上的噪声环境中,听力会受到严重影响,并产生神经衰弱、头疼、高血压等疾病;如果突然暴露在高达150dB的噪声环境中,鼓膜会破裂出血,双耳完全失去听力。 3、到很嘈杂的马路边去感觉一下,估计这时声音大约在_______dB。 4、从减弱噪声的三条途径考虑:在摩托车上加消声器,这是在防止;在城市道路旁加装隔声板,这是在阻断;在工厂的工人戴噪声耳罩,这是在防止。 5、(2012?株洲)“掩耳盗铃”是大家非常熟悉的故事,从物理学角度分析盗贼所犯的错误是:既没有阻止声音的______,又没有阻止声音的________,只是阻止声音进入自己的耳朵. 6、(2012?吉林)中考期间,考点周边禁止鸣笛,这是为了防止的产生.在考场上你所听到的翻动卷子的声音是由于纸的产生的。 7、就环境保护而言,以下说法正确的是() A.噪声一定是难听的声音 B.悦耳的歌声不可能是噪声 C.噪声强度的计量可用“分贝”作为单位 D.睡眠时噪声不应超过30分贝 8、关于噪声的说法,错误的是() A.只要妨碍人们正常学习、工作和休息的声音就属于噪声 B.超过50dB以上的声音才是噪声 C.物体发出的杂乱无章的声音属于噪声 D.悦耳的轻音乐也可能成为噪声 9、下列声音,①工厂车间机器的轰鸣声;②剧场里京剧表演的演奏声;③清晨公园里小鸟的鸣叫声; ④装修房子时的电钻声;⑤婚庆时的爆竹声;⑥山间小溪潺潺的流水声,其中属于噪声的是() A.①③④B.①②⑤C.①④⑤D.①④⑤⑥ 10、有这样一则笑话:“甲:‘新搬来的邻居好可恶,昨天晚上三更半夜、夜深人静之时突然跑来猛按我家的门铃.’乙:‘的确可恶!你有没有马上报警’甲:‘没有.我当他们是疯子,继续吹我的小喇叭.’”请问,笑话中真正的噪声制造者是() A.甲B.乙C.邻居D.没有人制造噪声 11、夜晚,歌舞厅正在播放优美的舞曲,并且声音很大.对此下列说法中正确的是()多选。 A.优美的舞曲悠扬动听一定不是噪音 B.从物理学角度看,优美的舞曲属于乐音 C.对于想休息的附近居民而言舞曲属于噪声

图像增强和边缘检测实验报告

图像增强和边缘检测 实验内容 1)将Image1.jpg 转换为灰度图像A。 2)读懂文档(图像直方图均衡化.doc),利用里面的方法通过编程对图像A进行直方图均衡化处理,得到处理后的图像B。显示图像A和B,以及各自对应的灰度直方图。 3)利用锐化方法(教材118-120页),编制程序,对图像A和B分别使用罗伯特梯度,索伯尔梯度,拉普拉斯方法,进行处理,比较哪种求边缘的方法好,以及进行图像的直方图均衡化后能否提高求边缘的精确度。 4)撰写报告书,说明实验的步骤和方法,实验的结果等。 5)提交报告书以及源程序 实验步骤和方法 1)调用rgb2gray()函数将Image1.jpg 转换为灰度图像A。并将图像A保存到f和I1中。2)统计图像A中的像素并进行均衡化处理并将结果保存到B,显示图像A和B;调用imhist()函数显示两图像的灰度直方图。 3)编制罗伯特锐化函数,设定两个模板t1=[1,0;0,-1] t2=[0,-1;1,0],调用conv2()函数获得图像和两个模板的卷积并取绝对值相加获得罗伯特锐化结果,缩小结果图像。4)编制索伯尔锐化函数,设定两个模板t1=[1,2,1;0,0,0;-1,-2,-1] t2=[-1,0,1;-2,0,2;-1,0,1] ,其余步骤与罗伯特锐化相似。 5)编制拉普拉斯锐化函数,设定模板t(m,n)=[0,1,0;1,-4,1;0,1,0],将待处理图像与模板卷积,并用原图像的至减去模板运算结果的整数倍,将结果缩小化到原图像大小既得拉普拉斯锐化结果。 6)函数整合,将编制好的3)、4)、5)三个函数整合到2)的程序后面并加以调整,分别对图像A和B进行锐化,并将结果输出到2*4的图框中进行对比 实验结果 1)

系统实验(DSP)--图像的锐化处理、图像的边缘检测

DSP 实验报告 一、 图像的锐化处理(高通滤波处理) 1、 实验原理 处理模板如下: ???? ??????--+--=004100 ααα ααM 25.0=α 对应数学表达式: ()[])1,(),1()1,(),1(),(41),(++++-+--+=y x f y x f y x f y x f y x f y x g αα 2、 C 程序及运行结果 程序: Acute_RGB_Image(int *buffer) { int x,y; for (y=0;y255) buffer[ImageWidth*y+x]=255; else if (buffer[ImageWidth*y+x]<0) buffer[ImageWidth*y+x]=0; } }

运行结果: 锐化前锐化后 分析:从上面两幅图可以看出锐化后的图像轮廓变得明显,且噪声变得强烈。 3、汇编程序及运行结果 程序: ImageAcuteSub(ImageWidth,ImageHeight,buffer_red); ImageAcuteSub(ImageWidth,ImageHeight,buffer_green); ImageAcuteSub(ImageWidth,ImageHeight,buffer_blue); .mmregs .def _ImageAcuteSub .text _ImageAcuteSub: mov t0,brc1 ;IMAGE WIDTH mov t1,brc0 ;IMAGE HEIGHT rptb y_loop rptb x_loop mov *ar0(#1),ac1;f(x+1,y) add *ar0(#-1),ac1 ;f(x-1,y) add *ar0(#-250),ac1 ;f(x,y-1) add *ar0(#250),ac1 ;f(x,y+1) sfts ac1,#-2 mov *ar0<<#1,ac0;2f(x,y)

图像边缘检测算法体验步骤

图像边缘检测算法体验步骤 图像边缘检测算法体验步骤(Photoshop,Matlab)1. 确定你的电脑上已经安装了Photoshop和Matlab2. 使用手机或其他任何方式,获得一张彩色图像(任何格式),建议图像颜色丰富,分辨率比较高,具有比较明显的图像边界(卡通图像,风景图像,桌面图像)3. 将图像保存到一个能够找到的目录中,例如img文件夹(路径上没有汉字)4. 启动Photoshop,打开img文件夹中的图像5. 在工具箱中选择“矩形选择”工具,到图面上选择一个区域(如果分辨率比较高,建议不要太大,否则计算过程比较长)6. 点击下拉菜单【文件】-【新建】,新建一个与矩形选择框同样尺寸的Photoshop图像,不要求保存该图像7. 将该彩色图像转换为亮度图像,即点击下拉菜单【图像】-【模式】-【灰度】,如提示是否合并,选择“Yes”8. 将该单色的亮度图像另存为Windows的BMP文件,点击下拉菜单【文件】-【存储为】,在“存储为”窗口中,为该文件起一个名字,例如test1(保存为test1.bmp)9. 启动Matlab,将当期路径(Current Directory)定位到图像文件夹,例如这里的img文件夹10. 使用imread命令读入该图像,在命令行输入:>> f = imread(test1.bmp);11. 在Matlab中显示该图像,在命令行输入:>> figure, imshow(f)12. 然后,分别使用Matlab图像工具箱中的Edge函数,分别使用Sobel算法,高斯-拉普拉斯(Log)算法和Canny算法得到的边缘图像:在命令行输入:>> g_sobel = edge(f, sobel, 0.05); >> g_log = edge(f, log, 0.003, 2.25); >> g_canny = edge(f, canny, [0.04 0.10], 1.5);13 得到边缘图像计算结果后,显示这些边缘图像: >> figure, imshow(g_sobel) >> figure, imshow(g_log) >> figure, imshow(g_canny)14 可以用不同的图像做对比,后续课程解释算法后,可以变换不同的阈值,得到不同的边缘图像

噪声基础知识及治理

7、A声级 研究噪声对人体健康的危害及对噪声的防治,必须有噪声对人体影响程度的评价标准。对噪声的评价常采用统计的方法,即依靠足够数的人们对噪声主观反应的对比性调查,得出统计的平均量。主要的评价量有A声级、等效连续、噪声评价数NR和累积百分声级。 有关概念: (1)响度级:单位是方(phon)。响度级就是指当选取1000Hz纯音做基准音时,凡是听起来和该纯音一样响的声音,不论其声压级和频率是多少,它的响度级(方值)就等于该纯音的声压级数。 (2)等响曲线:345页图表示每一条曲线表示不同频率、不同声压级的纯音具有相同的响度级。 (3)频率计权:在测量仪器中,对不同频率的客观声压级人为地给予适当的增减,这种修正方法称为频率计权,实现这种频率计权的网络称为计权网络。A、B、C、D 4种计权网络,经过计权网络测得的声级称为计权声级,是衡量噪声强弱的主观评价量。 A声级测量的结果与人耳对声音的响度感觉相近似,用A声级分贝数的大小对噪声排列次序时,能够较好反映人对各种噪声的主观评价。是目前评价噪声的主要指标。 8、等效声级 A声级很好的反映了噪声影响与频率的关系,对于稳态的噪声,即随时间变化不大的噪声,我们通常可以采用A声级来评价。等效声级是以A声级为基础建立起来的非稳态噪声的噪声评价量,它是以A声级的稳态噪声代替变动噪声,在相同的暴露时间内能够给人以等数量的声能,这个声级就是该变动噪声的等效声级,又称等效A声级,或简称等效声级。等效连续A声级指在某段时间内的不稳态噪声的A 声级,用能量平均的方法,以一个连续不变的A声级来表示该时段内噪声的声级,又称等能量A 声级。等效连续A声级Leq 可表示为: 9、频带声压级 在一个倍频程带宽频率范围声压级的累加称为倍频带声压级。 10、噪声评价数 噪声评价数NR曲线见350页图,NR数指噪声评价曲线的号数,它是中心频率等于1000Hz时倍步带声压级的分贝数,它的噪声级范围是0—130dB,适用于中心频率从31.5—8000Hz的9个倍频带。在同一条NR曲线上各倍频带的噪声级对人的影响是相同的。 11、累积百分声级 累积百分声级又称统计声级,指在测量时间内所有超过Ln声级所占的n%时间,单位为dB。 12、混响 当室内声场达到稳态后,声源突然停止发声,房间内的声音并没有立即停止,需要延续一段时间,声能逐渐衰减直到实际听不到声音为止,这种声音的延续现象称为混响。声源停止发声后,由于多次反射或散射而逐渐衰减的声音也可以称之为混响。室内空气或墙壁壁面的吸收作用愈差,声能愈不容易衰减,混响时间就

数字图像处理中的边缘检测技术

课程设计报告 设计题目:数字图像处理中的边缘检测技术学院: 专业: 班级:学号: 学生姓名: 电子邮件: 时间:年月 成绩: 指导教师:

数字图像处理中的边缘检测技术课程设计报告I 目录 1 前言:查阅相关文献资料,了解和掌握基本原理、方法和研究现状,以及实际应用的背景意义 (1) 1.1理论背景 (1) 1.2图像边缘检测技术研究的目的和意义 (1) 1.3国内外研究现状分析 (2) 1.4常用边缘检测方法的基本原理 (3) 2 小波变换和小波包的边缘检测、基于数学形态学的边缘检测法算法原理 (7) 2.1 小波边缘检测的原理 (7) 2.2 数学形态学的边缘检测方法的原理 (7) 3 算法实现部分:程序设计的流程图及其描述 (9) 3.1 小波变换的多尺度边缘检测程序设计算法流程图 (9) 3.2 数学形态学的边缘检测方法程序设计算法描述 (10) 4实验部分:对所给的原始图像进行对比实验,给出相应的实验数据和处理结果 (11) 5分析及结论:对实验结果进行分析比较,最后得出相应的结论 (15) 参考文献 (17) 附录:代码 (18)

1前言 查阅相关文献资料,了解和掌握基本原理、方法和研究现状,以及实际应用的背景意义 1.1 理论背景 图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及,数字图像处理进入了高速发展时期,而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。 图像处理在遥感技术,医学领域,安全领域,工业生产中有着广泛的应用,其中在医学应用中的超声、核磁共振和CT等技术,安全领域的模式识别技术,工业中的无损检测技术尤其引人注目。 计算机进行图像处理一般有两个目的:(1)产生更适合人观察和识别的图像。 (2)希望能由计算机自动识别和理解图像。数字图像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 数字图像处理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,数字图像处理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处理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。两者虽然在图像处理中都有重要地位,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

实验三图像分割与边缘检测

数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日

计算机科学与技术系信息科学与工程学院

目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一.实验目的 1. 理解图像分割的基本概念; 2. 理解图像边缘提取的基本概念; 3. 掌握进行边缘提取的基本方法;

图像边缘检测算子

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名*** 班级学号09******* 课程设计题目图像边缘检测算子 课程设计目的与要求: 设计目的: 1.熟悉几种经典图像边缘检测算子的基本原理。 2.用Matlab编程实现边缘检测,比较不同边缘检测算子的实验结果。设计要求: 1.上述实验内容相应程序清单,并加上相应的注释。 2.完成目的内容相应图像,并提交原始图像。 3.用理论对实验内容进行分析。 工作计划与进度安排: 2012年 06月29 日选题目查阅资料 2012年 06月30 日编写软件源程序或建立仿真模块图 2012年 07月01 日调试程序或仿真模型 2012年 07月01 日结果分析及验收 2012年 07月02 日撰写课程设计报告、答辩 指导教师: 2012年 6月29日专业负责人: 2012年 6月29日 学院教学副院长: 2012年 6月29日

摘要 边缘检测是数字图像处理中的一项重要内容。本文对图像边缘检测的几种经典算法(Roberts算子、Sobel算子、Prewitt算子)进行了分析和比较,并用MATLAB实现这几个算法。最后通过实例图像对不同边缘检测算法的效果进行分析,比较了不同算法的特点和适用范围。 关键词:图像处理;边缘检测;Roberts算子;Sobel算子;Prewitt算子

目录 第1章相关知识.................................................................................................... IV 1.1 理论背景 (1) 1.2 数字图像边缘检测意义 (1) 第2章课程设计分析 (3) 2.1 Roberts(罗伯特)边缘检测算子 (3) 2.2 Prewitt(普瑞维特)边缘检测算子 (4) 2.3 Sobel(索贝尔)边缘检测算子 (5) 第3章仿真及结果分析 (7) 3.1 仿真 (7) 3.2 结果分析 (8) 结论 (10) 参考文献 (11)

图像边缘检测方法的研究与实现刘法200832800066

图像边缘检测方法的研究与实现刘法200832800066

青岛大学专业课程设计 院系: 自动化学院 专业: 电子信息工程 班级: 08级电子信息工程3班学生姓名: 刘法 指导教师: 王汉萍庄晓东 日期: 2011年12月23日

题目:图像边缘检测方法的研究与实现 一、边缘检测以及相关概念 1.1边缘,边缘检测的介绍 边缘(edge)是指图像局部强度变化最显著的部分.边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间,是图像分割、纹理特征和形状特征等图像分析的重要基础.图像分析和理解的第一步常常是边缘检测(edge detection). 边缘检测是指使用数学方法提取图像像元中具有亮度值(灰度)空间方向梯度大的边、线特征的过程。 在讨论边缘算子之前,首先给出一些术语的定义: 边缘点:图像中具有坐标] ,[j i且处在强度显著变化的位置上的点.边缘段:对应于边缘点坐标] i及其方位 ,边缘的方位可能是梯度角. ,[j 边缘检测器:从图像中抽取边缘(边缘点和边缘段)集合的算法. 轮廓:边缘列表,或是一条表示边缘列表的拟合曲线. 边缘连接:从无序边缘表形成有序边缘表的过程.习惯上边缘的表示采用顺时针方向序. 边缘跟踪:一个用来确定轮廊的图像(指滤波后的图像)搜索过程. 边缘点的坐标可以是边缘位置像素点的行、列整数标号,也可以在子像素分辨率水平上表示.边缘坐标可以在原始图像坐标系上表示,但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示,因为滤波过程可能导致图像坐标平移或缩放.边缘段可以用像素点尺寸大小的小线段定义,或用具有方位属性的一个点定义.请注意,在实际中,边缘点和边缘段都被称为边缘.边缘连接和边缘跟踪之间的区别在于:边缘连接是把边缘检测器产生的无序边缘集作为输入,输出一个有序边缘集;边缘跟踪则是将一幅图像作为输入,输出一个有序边缘集.另外,边缘检测使用局部信息来决定边缘,而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘. 1.2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映,因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析,并对各自的性能特点做出比较和评价。 边缘检测的原理是:由于微分算子具有突出灰度变化的作用,对图像进行微分运算,在图像边缘处其灰度变化较大,故该处微分计算值教高,可将这些微分值作为相应点的边缘强度,通过阈值判别来提取边缘点,即如果微分值大于阈值,则为边缘点。

噪声及其分类

噪声及其分类 1:什么是噪声? 从物理角度讲:噪声就是波形不规则的声音; 从环保角度讲:噪声就是妨碍人们工作,学习,休息,以及干扰人们所要听的声音的声音。 从信号角度讲:噪声就是对信号或系统起干扰作用的随机信号。 2:噪声的分类 1)按噪声幅度随时间分布形状来定义 如其幅度分布是按高斯分布的就称其为高斯噪声,而按雷利分布的就称其为雷利噪声。 2)按噪声频谱形状来命名的 如频谱均匀分布的噪声称为白噪声;频谱与频率成反比的称为 1/f噪声;而与频率平方成正比的称为三角噪声等等。5.另外按噪声和信号之间关系可分为加性噪声和乘性噪声:假定信号为 ,噪声为,如果混合迭加波形是形式,则称此类噪声为加性噪声;如果迭加波形为形式,则称其为乘性噪声。前者如放大器噪声等。每一个象素的噪声不管输入信号大小,噪声总是分别加到信号上。后者如光量子噪声,胶片颗粒噪声等。由于载送每一个象素信息的载体的变化而产生的噪声受信息本身调制。在某些情况下,如信号变化很小,噪声也不大。为了分析处理方便,常常将乘性噪声近似认为是加性噪声,而且总是假定信号和噪声是互相统计独立。 3:什么是白噪声? 如果在某个频率范围内单位频带宽度噪声成分的强度与频率无关,也就是具有均匀而连续的频谱,则此噪声称为“白噪声”。 4:什么是色噪声? 我们把除了白噪声之外的所有噪声都称为有色噪声 5:色噪声中有几个典型: ⑴粉红噪声。粉红噪音是自然界最常见的噪音,简单说来,粉红噪音的频率分量功率主要分布在中低频段。从波形角度看,粉红噪音是分形的,在一定的范围内音频数据具有相同或类似的能量。从功率(能量)的角度来看,粉红噪音的能量从低频向高频不断衰减,曲线为1/f,通常为每8度下降3分贝。粉红噪声的能量分布在任一同比例带宽中是相等的!比如常见的三分之一倍程频带宽100Hz的范围 89.2__112和1000Hz的892__1120是相等的。 在给定频率范围内(不包含直流成分),随着频率的增加,其功率密度每倍频程下降3dB(密度与频率成反比)。每倍频的功率相同,但要产生每倍频程3dB的衰减非常困难,因此,没有纹波的粉红噪声在现实中很难找到。 1. 红噪声(海洋学概念)。这是有关海洋环境的一种噪声,由于它是有选择地吸收较高的频率,因此称之为红噪声。

数字图像处理_边缘检测算子与锐化算子(含MATLAB代码)

数字图像处理实验五 15生医 一、实验内容 对某一灰度图像,进行如下处理: (1)分别用Roberts、Prewitt和Sobel边缘检测算子进行边缘检测;(2)将Roberts、Prewitt和Sobel边缘检测算子修改为锐化算子,对原图像进行锐化,同屏显示原图像、边缘检测结果和锐化后图像,说明三者之间的关系。一灰度图像的二值化。 二、运行环境 MATLAB R2014a 三、运行结果及分析 运行结果如图所示:可以观察出原图像、边缘检测结果和锐化后图像三者之间的关系为:原图像+边缘检测结果=锐化后图像 四、心得体会 通过MATLAB编程更加熟悉了课本上关于锐化与边缘检测的相关知识

点,对二者的关系也有了具体的认识。同时,对MATLAB图像导入函数、图像边缘检测函数、锐化窗口矩阵卷积函数的调用及实现机理也有所掌握,比如后边附的程序中会提到的“%”标注的思考。 五、具体程序 size=512; Img_rgb=imread('E:\lena.jpg'); %读取图像 Img_gray=rgb2gray(Img_rgb); %进行RGB到灰度图像的转换(虽然原来在网上下载的lena就是黑白图像,但是这一步必须要有!否则处理结果不正确) figure(1); subplot(2,3,1); imshow(Img_gray); title('原图像'); Img_edge=zeros(size); a={'roberts','prewitt','sobel'}; for i=1:3 Img_edge=edge(Img_gray,a{i}); figure(1); subplot(2,3,i+1); imshow(Img_edge); axis image; title(a(i)); end A=imread('E:\lena.jpg'); B=rgb2gray(A); B=double(B); Window=[-1 -1 -1;-1 9 -1;-1 -1 -1]; %八邻域拉普拉斯锐化算子(α取1) C=conv2(B,Window,'same'); Img_sharp=uint8(C); subplot(2,3,5); imshow(Img_sharp); title('sharp');

Matlab做图像边缘检测的多种方法

Matlab做图像边缘检测的多种方法 1、用Prewitt算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'prewitt',0.04); % 0.04为梯度阈值 figure(1); imshow(I); figure(2); imshow(BW1); 2、用不同σ值的LoG算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'log',0.003); % σ=2 imshow(BW1);title('σ=2') BW1 = edge(I,'log',0.003,3); % σ=3 figure, imshow(BW1);title('σ=3') 3、用Canny算子检测图像的边缘 I = imread('bacteria.BMP'); imshow(I); BW1 = edge(I,'canny',0.2); figure,imshow(BW1); 4、图像的阈值分割 I=imread('blood1.tif'); imhist(I); % 观察灰度直方图,灰度140处有谷,确定阈值T=140 I1=im2bw(I,140/255); % im2bw函数需要将灰度值转换到[0,1]范围内 figure,imshow(I1); 5、用水线阈值法分割图像 afm = imread('afmsurf.tif');figure, imshow(afm); se = strel('disk', 15); Itop = imtophat(afm, se); % 高帽变换 Ibot = imbothat(afm, se); % 低帽变换 figure, imshow(Itop, []); % 高帽变换,体现原始图像的灰度峰值 figure, imshow(Ibot, []); % 低帽变换,体现原始图像的灰度谷值 Ienhance = imsubtract(imadd(Itop, afm), Ibot);% 高帽图像与低帽图像相减,增强图像figure, imshow(Ienhance); Iec = imcomplement(Ienhance); % 进一步增强图像

数字图像边缘检测的研究与实现

任务书

主要分析几种应用于数字图像处理中的边缘检测算子,根据它们在实践中的应用结果进行研究,主要包括:Robert 边缘算子、Prewitt 边缘算子、Sobel 边缘算子、Kirsch 边缘算子以及Laplacian 算子等对图像及噪声图像的边缘检测,根据实验处理结果讨论了几种检测方法的优劣. 关键词:数字图像处理;边缘检测;算子

图像的边缘是图像的重要特征之一, 数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础, 其目的是精确定位边缘, 同时较好地抑制噪声, 因此边缘检测是机器视觉系统中必不可少的重要环节。然而, 由于实际图像中的边缘是多种边缘类型的组合, 再加上外界环境噪声的干扰, 边缘检测又是数字图像处理中的一个难题。

目录 第一章边缘的概念 (3) 第二章边缘检测 (4) 第三章边缘检测算子的应用 (8) 第四章边缘检测方法性能比较 (12) 参考文献料 (15)

第1章:边缘检测 1.1 边缘的介绍 图像边缘是图像最基本的特征,边缘在图像分析中起着重要的作用。所谓边缘是指图像局部特性的不连续性。灰度或结构等信息的突变处称为边缘,例如:灰度级的突变,颜色的突变,纹理结构的突变等。边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像。 边缘(edge)是指图像局部强度变化最显著的部分.边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间,是图像分割、纹理特征和形状特征等图像分析的重要基础.图像分析和理解的第一步常常是边缘检测(edge detection).由于边缘检测十分重要,因此成为机器视觉研究领域最活跃的课题之一.本章主要讨论边缘检测和定位的基本概念,并使用几种常用的边缘检测器来说明边缘检测的基本问题. 在讨论边缘算子之前,首先给出一些术语的定义: 边缘点:图像中具有坐标],[j i 且处在强度显著变化的位置上的点. 边缘段:对应于边缘点坐标],[j i 及其方位 ,边缘的方位可能是梯度角. 边缘检测器:从图像中抽取边缘(边缘点和边缘段)集合的算法. 轮廓:边缘列表,或是一条表示边缘列表的拟合曲线. 边缘连接:从无序边缘表形成有序边缘表的过程.习惯上边缘的表示采用顺时针方向序. 边缘跟踪:一个用来确定轮廊的图像(指滤波后的图像)搜索过程. 边缘点的坐标可以是边缘位置像素点的行、列整数标号,也可以在子像素分辨率水平上表示.边缘坐标可以在原始图像坐标系上表示,但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示,因为滤波过程可能导致图像坐标平移或缩放.边缘段可以用像素点尺寸大小的小线段定义,或用具有方位属性的一个点定义.请注意,在实际中,边缘点和边缘段都被称为边缘. 边缘连接和边缘跟踪之间的区别在于:边缘连接是把边缘检测器产生的无序边缘集作为输入,输出一个有序边缘集;边缘跟踪则是将一幅图像作为输入,输出一个有序边缘集.另外,边缘检测使用局部信息来决定边缘,而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘. 1.2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映,因此可以用局部图像微分技术来获取边缘检测算子。经典的 边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析,并对各自的性能特点做出比较和评价。

图像边缘检测技术综述

第 42 卷增刊 1 中南大学学报(自然科学版) V ol.42 Suppl. 1 2011 年 9 月 Journal of Central South University (Science and Technology) Sep. 2011 图像边缘检测技术综述 王敏杰 1 ,杨唐文 1, 3 ,韩建达 2 ,秦勇 3 (1. 北京交通大学 信息科学研究所,北京,100044; 2. 中国科学院沈阳自动化研究所 机器人学国家重点实验室,辽宁 沈阳,110016; 3. 北京交通大学 轨道交通控制与安全国家重点实验室,北京,100044) 摘要:边缘检测是图像处理与分析中最基础的内容之一。首先介绍了几种经典的边缘检测方法,并对其性能进行 比较分析;然后,综述了近几年来出现的一些新的边缘检测方法;最后,对边缘检测技术的发展趋势进行了展望。 关键词:数字图像;边缘检测;综述 中图分类号:TP391.4 文献标志码:A 文章编号:1672?7207(2011)S1?0811?06 Review on image edge detection technologies W ANG Min-jie 1 , Y ANG Tang-wen 1,3 , HAN Jian-da 2 ,QIN Y ong 3 (1.Institute of Information Science,Beijing Jiaotong University, Beijing 100044, China? 2.State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academic of Science,Shenyang 110016, China? 3.State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China) Abstract: Edge detection is one of the most fundamental topics in the research area of image processing and analysis. First, several classical edge detection methods were introduced, and the performance of these methods was compared? then, several edge detection methods developed in the latest years were reviewed? finally, the trend of the research of the image edge detection in the future was discussed. Key words:digital image?edge detection?review 图像是人们从客观世界获取信息的重要来源 [1?2] 。 图像信息最主要来自其边缘和轮廓。所谓边缘是指其 周围像素灰度急剧变化的那些象素的集合,它是图像 最基本的特征。边缘存在于目标、背景和区域之 间 [3?4] ,它是图像分割所依赖的最重要的依据。边缘检 测 [5?8] 是图像处理和计算机视觉中的基本问题, 图像边 缘检测是图像处理中的一个重要内容和步骤,是图像 分割、目标识别等众多图像处理的必要基础 [9?10] 。因 此,研究图像边缘检测算法具有极其重要的意义。 边缘检测是计算机视觉和图像处理领域的一项基 本内容。准确、高效地提取出边缘信息一直是该领域 研究的重点内容 [11] 。最初的经典算法可分为边缘算子 法、曲面拟合法、模板匹配法、门限化法等。近年来, 随着数学理论和人工智能的发展,又出现了一些新的 边缘检测的算法 [12?13] ,如基于数学形态学的边缘检 测 [14] 、小波变换和小波包变换的边缘检测法 [15] 、基于 模糊理论的边缘检测法 [16?17] 、基于神经网络的边缘检 测法 [18] 、基于分形几何的边缘检测算法 [19] 、基于遗传 算法的边缘检测法 [20?21] 、漫射边缘的检测方法 [22] 、多 尺度边缘检测技术 [23] 、亚像素边缘的定位技术 [24] 、 收稿日期:2011?04?15;修回日期:2011?06?15 基金项目:轨道交通控制与安全国家重点实验室开放基金资助项目(RCS2010K02);机器人学国家重点实验室开放基金资助项目(RLO200801);北 京交通大学基本科研业务费资助项目(2011JBM019) 通信作者:王敏杰(1988-), 女, 黑龙江五常人, 硕士研究生, 从事图像处理和计算机视觉研究; 电话: 010-51468132; E-mail: wangminjie1118@https://www.wendangku.net/doc/0b4329958.html,

噪声相关知识--来自网络

噪音 i.噪音的定义 物理上噪声是声源做无规则振动时发出的声音。在环保的角度上,凡是影响人们正常的学习、生活、休息等的一切声音,都称之为噪声。 ii.Audio相关的专业术语 DITHER:(抖动)一个为数字化音频信号加上低电平噪声的系统,能够扩展低电平的分解度。 DOLBY:(杜比)一种商业应用的编/解码磁带噪声消除系统。录音时扩大低电平的高频信号,放音时还原。杜比有用于半专业机器的B,C和S和用于专业机器的A与SR几种类型,互相不兼容。用一种系统录音必须同一系统回放。 PRE-EMPHASIS:(预加重)利用在处理前提升声音中高频达到减小噪声的效果的系统,在回放端需要有相应的去加重处理恢复信号的原貌。 DYNAMIC RANGE:(动态范围)表述的一件设备能处理的最高电平与噪声地板之上最小信号之间的分贝值。 SINGLE ENDED NOISE REDUCTION:(信号末端噪声降低)一种不需要像Dolby或dbx一样预先编码的降噪设备。 HISS:("咝"声)由随机的电气波动造成的噪声。 HUM:("嗡"声)信号被增加的低频噪声污染,通常与交流电源所用的频率有关。 SIGNAL-TO-NOISE RA TIO:(信噪比)最大信号电平与剩余的噪声之比率,用dB表示。 噪声门:一种电子设备,使很低电平的信号静音,这样来改善被处理信号停顿期间的噪声性能。 iii.噪音的分类 噪声的种类繁多,下面按噪声产生的位置、原因、传导模式以及波形来分类介绍。 (1). 按噪声产生的位置分类 按噪声产生的位置可分内部噪声和外部噪声。 内部噪声是指检装置内部或器件本身产生的噪声。外部噪声是指从外部侵入装置或系统的噪声,主要有自然噪声和人为噪声二类。 (2). 按噪声产生的原因分类 噪声产生的原因非常多,按其分类有热噪声、接触噪声、放电噪声、高频振荡噪声、感应噪声、反射噪声、浪涌噪声、辐射噪声等。 (3). 按噪声传导模式分类 按噪声传导模式可分为常模噪声和共模噪声。

图像增强与边缘检测..

数字图像处理作业----第三次 1、什么是图像增强?常见算法有哪些?典型算法的程序实现,其优缺点?结果对比。 1.1图像增强的定义 为了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者加强特征的措施称为图像增强。 一般情况下,图像增强是按特定的需要突出一幅图像中的某些信息,同时削弱或去除某些不需要的信息的处理方法,也是提高图像质量的过程。图像增强的目的是使图像的某些特性方面更加鲜明、突出,使处理后的图像更适合人眼视觉特性或机器分析,以便于实现对图像的更高级的处理和分析。图像增强的过程往往也是一个矛盾的过程:图像增强希望既去除噪声又增强边缘。但是,增强边缘的同时会同时增强噪声,而滤去噪声又会使边缘在一定程度上模糊,因此,在图像增强的时候,往往是将这两部分进行折中,找到一个好的代价函数达到需要的增强目的。传统的图像增强算法在确定转换函数时常是基于整个图像的统计量,如:ST转换,直方图均衡,中值滤波,微分锐化,高通滤波等等。这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉,从而局部区域的增强效果常常不够理想,噪声滤波和边缘增强这两者的矛盾较难得到解决。 1.2 图像增强的分类及方法 图像增强可分成两大类:频率域法和空间域法。前者把图像看成一种二维信号,对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法,可去掉图中的噪声;采用高通滤波法,则可增强边缘等高频信号,使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等,它们可用于去除或减弱噪声。 图像增强的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(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同,可分

相关文档