搜索
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，也推动了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，图像处理技术都发挥了巨大的作用。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（ComputerTomograph）。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年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，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，这被称为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。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，因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。近年来计算机技术的飞速发展和数早图像技术的日趋成熟，例如传统的交通管理带来巨大转变，先进的计算机处理技术，不但，可以将人力从繁琐的人工观察、监测中解放出来，而且能够大大提高其精确度，例如汽车牌照自动识别系统在这样的背景与目的下发展飞速。汽车牌照信息的采集和识别对于交通车辆管理、园区车辆管理、停车场管理等都有着重要的作用。对车牌图像的顶处理能有效地提取其中的有用信息，增强识别的可靠性。车牌图像顶处理是车牌识别系统的前提条件，它直接关系着系统后续早符分割和识别的准确性。为了便于图片的分割和字符的识别，原始图像应具有适当的亮度和对比度。但是由于光照条件的不稳定变化、图片不整洁、摄像头与牌照的距离或角度不合适以及速度较快等因素，都将引起图像质量严重下降，包括模糊、光照不均、亮度太低、对比度太小、倾斜等现象。这些都影响了图像字符的分割进而降低了车牌识别率。因此，必须通过采取图像预处理措施减少非日标了图像和噪声的十扰，以提高识别率。图像的预处理技术，本研研究探讨其图像归一化、二值化、图像增强、图像平滑和图像的倾斜校正等过程。2主题部分图像预处理主要研究的内容有以下几个方面：1)图像变换由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用。2)图像编码压缩图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。3)图像增强和复原图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立降质模型，再采用某种滤波方法，恢复或重建原来的图像。4)图像分割图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究还在不断深入理解的必要前提。作为最简单的二值图像可采用其几何特性描述物体的特性，一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。随着图像处理研究的深入发展，已经开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法。6)图像分类（识别）图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。图像分类常采用经典的模式识别方法，有统计模式分类和句法（结构）模式分类，近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。解决图像因为天气或者拍摄角度等原因造成的图像模糊、歪斜或缺损的情况。一般动作有对输入的灰度图像进行大小归一化，避免因图像的变形而影响后续的处理，通过灰度拉伸增强图像对比度，通过二值化处理实现图像中背景和对象的分割。采用动态阈值法确定图像二值化的关键阈值，使用带修正的自适应邻域平均法消除图像干扰和噪音，并使用Hough变幻和选装投影想结合的方法实现图像的倾斜校正等。一般对灰度图像可以实现较好的处理效果。图像的预处理流程：图像的顶处理主要流程如图1所示，主要包括图像灰度化，图像去噪，图像增强，边缘化，二值化等。图1：图像预处理过程预处理算法：1图像灰度化灰度图像是指只含亮度信息，不含色彩信息的图像。将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255种值可取，这样一个像素点可以有1600多万的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。图像的灰度化处理可先求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。图像样本，目前大都是通过摄像机、数码相机等设备拍摄获取的，因而顶处理前的图像都是彩色图像。它是利用R,G,B3个分量表示一个像素的颜色，R,G,B分别代表红、绿、蓝3种小同的颜色，通过三基色，可以合成出任意颜色。由于图像的每个像素都具有三个小同的颜色分量，存在许多与识别无关的信息，小但在存储上开销很大，而且在处理上也会降低系统的执行速度，以便于进一步的识别工作，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。彩色图像灰度化的处理方法主要有如下三种:1.最大位法:使R,G,B的位等于三位中最大的一个，即2.平均位法:使R,G,B的位等于三位和的平均值，即3.加权平均位法:根据重要性或其它指标给R,c,B赋子小同的权值，并使R,G,B等于它们的值的加权和平均，即:其中WR，WG，WB分别为R,G,B的权值，由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，当WR=0.3，WG=0.59，WB=0.11，时，能得到最合理的灰度图像。因此，用g表示灰度化后的灰度值，则g=0.3R+0.59G+0.11B。2图像去噪图像去噪作为图像处理的一种重要的预处理手段一直得到人们的关注，而且随着对图像理解的不断深入和新数学理论的不断引入，图像去噪的方法与理论也不断得到丰富和发展。因此本文对图像去噪的理论和方法做了系统的研究，并对其中的一些关键技术和问题进行了较为深入的探索。主要工作包括两方面：首先将多分辨模型与总体最小二乘原理相结合，文中提出了一种新的用于含有混合噪声的图像去噪算法，这种算法是在充分考虑观测数据不确定的情况下建立起来的。先运用多种图像特征检测算子将图像分为不同的特征区域，然后对这些区域分别采用不同的去噪策略。与原有算法相比，新算法大大提高了总体最小二乘图像去噪算法的效率，并保证了去噪质量特别是保持图像边缘结构以及点特征。其次针对SAR图像相干斑抑制问题，提出一种双变量收缩函数与小波系数显著性增强相结合的SAR图像的斑点抑制算法。文中将双变量收缩函数与双树复小波推广至斑点噪声模型，利用相邻尺度小波系数的联合概率密度函数与噪声的统计模型联立后，通过最大后验概率估计出滤波后图像的小波系数，再采用小波系数的模极大值准则对系数进行显著性增强，突出图像的边缘特征和点特征。对图像进行处理，通常情况下采用空问域法对图像进行滤波，目的是去除图像中的噪声。图像去噪又称作图像滤波，是图像复原的一种。其最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。相对于图像增强图像去噪主要是一个客观过程，通过去噪技术可以有效地提高图像质量，增大信噪比，更好地体现原来图像所携带的信息，作为一种重要的预处理手段为后续的数字图像处理奠定良好的基础。在通常情况下获得的实际图像总是或多或少的带有噪声，因此图像去噪在很多领域中都占据着很重要的位置，例如摄像中的环境因素、机载雷达或光电感应器获取图像时的气流因素、各种设备中电子元件产生的噪声等，这些不可避免的因素都需依赖去噪技术来获得高质量的图像。图像去噪可以说已经渗透于所有的数字图像处理领域。本文采用的去噪方法是利用MATLAB提供的图像处理工具箱中的wiener2函数，对有恒定能量加性噪声的图像进行