交通信号检测-Matlab实验

课程设计报告实验项目名称：交通信号检测-Matlab实验专业名称：计算机科学与技术班级：***学号：***学生姓名：***教师姓名：***2014年10月6日一.实验名称：信号降噪二.原理：基于小波的信号去噪问题在数学上是一个函数逼近的问题，即如何在由小波基函数伸缩和平移所张成的函数空间中，根据某一个衡量准则，寻找对真实信号的最佳逼近，以期达到将噪声从真实信号中去除的目的。小波信号去噪问题的数学描述为：由小波信号去噪问题的数学描述，实际上，基于小波的信号去噪就是为了寻找从含噪信号空间到小波函数空间的最佳映射，以便得到真实信号的最佳恢复。从信号学的角度看,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波,但由于在去噪后,还能成功地保留信号特征,所以在这一点上又优于传统的低通滤波器。由此可见,小波去噪实际上是特征提取和低通滤波的综合,其流程框图如图所示：特征信号小波分析的重要应用之一就是用于信号消噪,一个含噪的一维信号模型可表示为如下形式：S(k)=f(k)+ε*e(k)k=0.1…….n-1假设e(k)为高斯白噪声,通常情况下有用信号表现为低频部分或是一些比较平稳的信号,而噪声信号则表现为高频的信号,下面对S(k)信号进行如图结构的小波分解,则噪声部分通常包含在Cd1、Cd2、Cd3中,只要对Cd1,Cd2,Cd3作相应的小波系数处理,然后对信号进行重构即可以达到消噪的目的。带噪信号重建信号特征提取低通滤波SCa3Cd3Cd2Cd1Ca1Ca2三．方法：对信号去噪实质上是抑制信号中的无用部分，增强信号中有用部分的过程。一般地，一维信号去噪的过程可分为如下3个步骤：步骤1：一维信号的小波分解。选择一个小波并确定分解的层次，然后进行分解计算。步骤2：小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理。步骤3：一维小波重构。根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。这3个步骤中，最关键的是如何选择阈值以及进行阈值量化。在某种程度上，它关系到信号去噪的质量。总体上，对于一维离散信号来说，其高频部分所影响的是小波分解的第一层细节，其低频部分所影响的是小波分解的最深层和低频层。如果对一个仅由白噪声所组成的信号进行分析，则可得出这样的结论：高频系数的幅值随着分解层次的增加而迅速地衰减，且其方差也有同样的变化趋势。小波分析工具箱中用于信号去噪的一维小波函数是wden()的wdencmp()。小波分析进行去噪处理一般有下述3种方法。（1）默认阈值去噪处理。该方法利用函数ddencmp()生成信号的默认阈值，然后利用函数wdencmp()进行去噪处理。（2）给定阈值去噪处理。在实际的去噪处理过程中，阈值往往可通过经验公式获得，且这种阈值比默认阈值的可信度高。在进行阈值量化处理时可利用函数wthresh()。（3）强制去噪处理。该方法是将小波分解结构中的高频系数全部置为0，即滤掉所有高频部分，然后对信号进行小波重构。这种方法比较简单，且去噪后的信号比较平滑，但是容易丢失信号中的有用成分。四.仿真实验：1.几种确定阈值法信号如图示2.阈值选取方法比较3.硬阈值和软阈值4.抑制细节系数实现降噪从该例可以看出，降噪过程中不光抑制了噪声，也抑制了很多有用的信息成分。5.FFT实现信号降噪可以看出，傅里叶变换只能在频域范围内表述，对系数处理的手法也相对单一，而小波分解之后可以在各个层次选择阈值，对噪声成分进行抑制，手段更加灵活。6.Matlab缺省降噪命令可以看出，全局阈值和部分阈值方法降噪的信号都很好的保留了信号发展初期的高频特性，且性能参数优于以前的一直抑制细节系数策略和FFT方法。7.二维信号的小波降噪从该例可以看出，与全局阈值相比，分层阈值在保留同样能量成分的情况下，有着更好的相似性。一.实验名称：图像增强二.原理：图像增强是一类基本的图像处理技术，其目的是对图像进行加工，以得到对具体应用来说视觉效果更好、更有用的图像。这里的好和有用要因具体的应用目的和要求而异，并且所需的具体增强技术也可不同。目前常用的增强技术根据其处理所进行的空间不同，可分为基于图像域的方法和基于变化域的方法域的方法。第一类，直接在图像所在的空间进行处理，也就是在像素组成的空间里直接对像素进行操作二类，在图像的变化域对图像进行间接处理。空间变换增强又包含了增强对比度和图像求反。增强对比度实际是增强原图像的各部分的反差。实际中往往是通过原图中某两个灰度值之间的动态范围来实现的。对图像求反是将原来的灰度值翻转，简单的说就是使黑变白，使白变黑。普通的黑白底片和照片就是这样的关系。具体的变换就是将图像中每个像素的灰度值根据变换曲线进行映射。频域增强的基本原理是：卷积理论是频域技术的基础。设函数f（x,y）与线性位不变算子h（x,y）的卷积结果是g（x,y），即g(x,y)=h(x,y)*f(x,y)那么根据卷积定理在频域有：G(x,y)=H(u,v)F(u,v)其中G(x,y)、H(u,v)、F(u,v)分别是g(x,y)、h(x,y)、f(x,y)的傅立叶变换。三．方法：常用技术主要有直方图修改处理、图像平滑化处理、图像锐化处理和彩色处理技术等。在实际应用中，常常是几种方法联合处理，以便达到预期的增强效果。四.仿真实验：1.单个像素选择2.线段像素灰度分布的计算和绘制原图像像素灰度分布曲线原图像像素灰度分布曲线3.图像等高线4.直方图原图与直方图5.区域属性度量硬币边缘图像属性统计结果6.直方图灰度变换均衡化后图像及其直方图亮度调节图像显示效果比较γ修正前、后图像显示效果对比直方图均衡化前后图像显示效果对比均衡化前、后直方图对比直方图均衡化转移函数曲线7.空域滤波增强原始图像加入椒盐噪声图像3*3均值滤波处理7*7均值滤波处理加入高斯噪声图像维纳滤波后图像调用B=medfilt2函数处理的图像调用B=ordfilt2函数处理的图像原始图像拉普拉斯算子处理图象对比度增强滤波器处理后的图像原始图像sobel算子滤波prewitt算子滤波log算子滤波8.频域增强原图、加噪声图像、Butterworth低通滤波器去噪图像原始图像、Butterworth高通滤波图形9.真彩色增强彩色图像均值滤波前、后显示效果对比一.实验名称：图像复原二.原理：在实际的日常生活中，人们要接触很多图像，画面。而在景物成像这个过程里可能会出现模糊、失真或混入噪声，最终导致图像质量下降，这种现象称为图像“退化”。因此我们可以采取一些技术手段来尽量减少甚至消除图像质量的下降，还原图像的本来面目，这就是图像复原。引起图像模糊有多种多样的原因，举例来说有运动引起的，高斯噪声引起的，斑点噪声引起的，椒盐噪声引起的等等。图像复原的算法：数字图像复原问题实际上是在一定的准则下，以退化图像为依据，根据先验知识设计一种算子，采用数学最优化方法从退化的图像去推测原图像的估计问题。不同的准则及不同的数学最优化方法就形成了各种各样的算法。图像复原是图像处理中的重要技术。图像复原的可以在某种意义上对图像进行改进，既可以改善图像的视觉效果，又能够便于后续处理。图像复原在电子监视、医疗摄像等领域具有重要的用途。三．方法：常见的复原方法有，逆滤波复原算法，维纳滤波复原算法，盲卷积滤波复原算法，约束最小二乘滤波复原算法等等。四.仿真实验：1.模糊及噪声模糊前后运动PSF、均值滤波PSF模糊图像添加高斯噪声图像效果添加随机噪声图像效果2.维纳滤波复原真实PFS、“长”PSF、“陡峭”PSF复原效果有噪声模糊图像、直接维纳滤波后图像效果对比设置信噪比参数、设置噪声和图像自相关函数小NP、大NP、小范围搜索、大范围搜索效果平滑约束3.Lucy-Richardson复原不同复原方法显示效果：重复5次、重复15次、噪声控制不同大小PSF复原：较小、较大、真实PSF复原效果对比不同大小PSF图像：较小、较大、真实PSF复原效果对比权矩阵PSF修改前后图像显示效果：初步复原、PSF修正复原效果