图像反锐化掩膜算法研究.docx
《图像反锐化掩膜算法研究.docx》由会员分享,可在线阅读,更多相关《图像反锐化掩膜算法研究.docx(12页珍藏版)》请在冰豆网上搜索。
![图像反锐化掩膜算法研究.docx](https://file1.bdocx.com/fileroot1/2023-2/23/a8df17c4-092d-4939-b40d-44d56942b0a6/a8df17c4-092d-4939-b40d-44d56942b0a61.gif)
图像反锐化掩膜算法研究
中北大学
课程设计说明书
学生姓名:
xxx学号:
11xxxxxxxx
学院:
信息与通信工程学院
专业:
电子信息工程
题目:
图像反锐化掩膜算法研究
指导教师:
田秀荣职称:
讲师
2015年01月16日
中北大学
课程设计任务书
14/15学年第1学期
学院:
信息与通信工程学院
专业:
电子信息工程
课程设计题目:
专业综合实践之多维信息处理部分:
图像反锐化掩膜增强
起迄日期:
2015年1月5日~2015年1月16日
课程设计地点:
201,503,510实验室
指导教师:
xxx
系主任:
xxx
下达任务书日期:
2015年1月5日
课程设计任务书
1.设计目的:
对一幅灰度图像,进行反锐化掩膜增强处理。
2.设计内容和要求(包括原始数据、技术参数、条件、设计要求等):
(1)掌握反锐化掩膜增强方法;
(2)用MATLAB方法实现此过程;
(3)要求三位同学协调配合,共同完成任务。
3.设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕:
课程设计说明书一份
程序仿真结果
课程设计任务书
4.主要参考文献:
●要求按国标GB7714—87《文后参考文献著录规则》书写,例:
1傅承义,陈运泰,祁贵中.地球物理学基础.北京:
科学出版社,1985
(5篇以上)
5.设计成果形式及要求:
课程设计说明书
仿真结果
6.工作计划及进度:
2015年1月5日----2015年1月16日
1月5日-9日查找资料,上机调试程序;
1月12日-16日写设计报告,并答辩。
系主任审查意见:
签字:
年月日
第一章绪论
1.1反锐化掩模概述
英文:
unsharpmasking/中文:
反锐化掩模法;将原图像通过反锐化掩模进行模糊预处理(相当于采用低通滤波)后与原图逐点做差值运算,然后乘上一个修正因子再与原图求和,以达到提高图像中高频成分、增强图像轮廓的目的。
反锐化掩模技术最早是应用于摄影技术中,以增强图像的边缘和细节。
光学上的操作方法是将聚焦的正片和散焦的负片在底片上进行叠加,结果是增强了正片高频成份,从而增强了轮廓,散焦的负片相当于“模糊”模板(掩模),它与锐化的作用正好相反,因此,该方法被称为反锐化掩模法。
1.2反锐化掩模算法
反锐化掩模(UnSharpMasking,UM)算法。
首先将原图像低通滤波后产生一个钝化模糊图像,将原图像与这模糊图像相减得到保留高频成份的图像,再将高频图像用一个参数放大后与原图像叠加,这就产生一个增强了边缘的图像。
最初将原图像通过低通滤波器后,因为高频成份受到抑制,从而使图像模糊,所以模糊图像中高频成份有很大削弱。
将原图像与模糊图像相减的结果就会使f(x、y)的低频成份损失很多,而高频成份较完整地被保留下来。
因此,再将高频成份的图像用一个参数放大后与原图像f(x、y)叠加后,就提升了高频成份,而低频成份几乎不受影响。
1.3常见的图像反锐化掩模增强方法
1.3.1线性反锐化掩模方法
1.3.2非线性反锐化掩模方法
1.3.3基于中值滤波反锐化掩模方法
1.3.4小波变换反锐化掩模方法等
第二章设计目的及方案简介
2.1设计目的
对一幅灰度图像,进行反锐化掩膜增强处理,主要包括线性反锐化掩模方法,非线性反锐化掩模方法,基于中值滤波反锐化掩模方法,小波变换反锐化掩模方法等
2.2设计内容和要求
2.2.1掌握反锐化掩膜增强方法;
2.2.2用MATLAB方法实现此过程;
2.2.3要求三位同学协调配合,共同完成任务。
第三章线性反锐化掩模方法
3.1方法简要介绍
线性反锐化掩模方法是通过把现有图像通过线性高通滤波方法,与一个比例
因子相乘后再和现有的图像拼加起来,然后把使用一样的带有高频信号传送出来或与线性因子叠加在一起可得图像细节增强的过程。
在图像的成像过程中线性锐化掩模对图像增强处理是付出很大的,对于图像中灰度值比较大的地方都与原始图像的显著边缘对称,而图像中灰度值比较小的地方常常又会与噪声相对称。
灰度值大的往往需要比较小的加权或者一点也不用,但实际当中对灰度值比较中等的这些目标需进行增强处理的。
因为,在原始图像当中灰度值占中等的这些目标对比度都特别弱。
3.2主要设计程序
I=imread('8888.bmp');
I=rgb2gray(I);
subplot(2,2,1);imshow(I);title('原图像')
f_=filter2(fspecial('average',5),I);
f_=uint8(f_);
subplot(2,2,2);imshow(f_);title('5*5均值滤波后图像')
subplot(2,2,3);imshow(I+1*(I-f_));title('处理后图像5*5,k=1')
subplot(2,2,4);imshow(I+2*(I-f_));title('处理后图像5*5,k=2')
figure;
subplot(2,2,1);imshow(I+3*(I-f_));title('处理后图像5*5,k=3')
subplot(2,2,2);imshow(I+4*(I-f_));title('处理后图像5*5,k=4')
subplot(2,2,3);imshow(I+5*(I-f_));title('处理后图像5*5,k=5')
subplot(2,2,4);imshow(I+6*(I-f_));title('处理后图像5*5,k=6')
3.3实验结果
图3.1-线性反锐化掩模处理后图像
图3.2-线性反锐化掩模处理后图像
第四章基于均值滤波的非线性反锐化掩模
4.1方法简要介绍
线性反锐化掩模处理过程中对噪声极其敏感,从而导致噪声加大,细节丢失,图像质量降低,针对线性反锐化掩模的局限性和缺点,提出了根据灰度特性来调节具有增强作用的加权因数,可非线性地增强图像的边缘细节,即为非线性反锐化掩模处理方法。
算法中使用模糊影像以增强空间频率响应,且算法中决定增强程度的加权因数K会随原始影像密度的变化而变化。
在低密度区K值减小,在高密度区K值增加,使得该算法能根据CR图像灰度特性来调节增强程度的加权因数,从而可非线性地增强CR影像的边缘细节。
4.2主要程序
I=imread('8888.bmp');
I=rgb2gray(I);
K=imnoise(I,'salt&pepper',0.02);
K=im2double(K);
imshow(K);title('原图像')
figure;
f_=filter2(fspecial('average',3),K);
fl_=filter2(fspecial('average',5),K);
subplot(2,2,1);imshow(f_);title('3*3均值滤波')
subplot(2,2,3);imshow(fl_);title('5*5均值滤波')
k=max(K(:
));
fori=10:
999
forj=10:
999
k_(i,j)=4*(sin(K(i,j))/k*pi/2);
end
end
K=im2uint8(K);
f_=im2uint8(f_);
fl_=im2uint8(fl_);
k_=im2uint8(k_);
fori=10:
999
forj=10:
999
G_(i,j)=K(i,j)+k_(i,j).*(K(i,j)-f_(i,j));
G1_(i,j)=K(i,j)+k_(i,j).*(K(i,j)-f_(i,j));
end
end
subplot(2,2,2);imshow(G_);title('基于均值变换的非线性反锐化掩膜,3*3')
subplot(2,2,4);imshow(G1_);title('基于均值变换的非线性反锐化掩膜,5*5')
4.3实验结果
图4.1-基于均值变换的非线性反锐化掩模处理后图像
第五章基于小波变换的非线性反锐化掩膜
5.1方法简要介绍
为了对图像进行细节增强,针对线性反锐化掩模的缺点,提出了一种基于小波变换反锐化掩模算法的CR医学图像增强方法。
这种方法是在对原始的CR医学图像进行小波变换后,利用小波相位特性去掉噪声的方法,然后再经反锐化掩模算法对CR图像进行增强。
5.2主要程序
I=imread('8888.bmp');
subplot(2,2,1);imshow(I);title('原图像1')
I=rgb2gray(I);
K1=imnoise(I,'salt&pepper',0.02);
subplot(2,2,3);imshow(K1);title('原图像2')
K1=medfilt2(I);
K=im2double(K1);
subplot(2,2,2);imshow(K);title('中值滤波')
f_=filter2(fspecial('average',3),K);
fl_=filter2(fspecial('average',5),K);
figure;
subplot(2,2,1);imshow(f_);title('3*3均值滤波')
subplot(2,2,3);imshow(fl_);title('5*5均值滤波')
k=max(K(:
));
fori=10:
999
forj=10:
999
k_(i,j)=4*(sin(K(i,j))/k*pi/2);
end
end
K=im2uint8(K);
f_=im2uint8(f_);
fl_=im2uint8(fl_);
k_=im2uint8(k_);
fori=10:
999
forj=10:
999
G(i,j)=K(i,j)+k_(i,j).*(K(i,j)-f_(i,j))*3;
G1(i,j)=K(i,j)+k_(i,j).*(K(i,j)-f_(i,j))*3;
end
end
fori=40:
999
forj=40:
999
G(i,j)=K(i,j)+k_(i,j).*(K(i,j)-f_(i,j));
G1(i,j)=K(i,j)+k_(i,j).*(K(i,j)-f_(i,j));
end
end
G_=medfilt2(G);
G1_=medfilt2(G1);
subplot(2,2,2);imshow(G_);title('基于小波变换的非线性反锐化掩膜,3*3')
subplot(2,2,4);imshow(G1_);title('基于小波变换的非线性反锐化掩膜,5*5')
5.3实验结果
图5.1-基于小波变换的非线性反锐化掩膜处理后图像
图5.2-基于小波变换的非线性反锐化掩膜处理后图像
第六章实验结果评测
通过上述实验分析得出以下结论:
(1)在图像使用线性UM算法处理会使噪声和对比度过渡的增强从而使图像的细节消失。
而且平坦的区间噪声被扩大了,则未能达到满意的增强效果。
(2)在图像非线性UM算法是依据增强系数K不是一个常数,而是图像Q(x,y)的函数,是非线性的。
其在低灰度值区K是增强的、而中灰度值区是线性增强、而高灰度区是压缩(缩小)的。
K是随原始图像密度(信号Q)改变而变化的,但是其对噪声杂乱性和多种多样性无法消除干净。
(3)针对上述各种算法存在的不足,提出了基于小波变换的反锐化掩模图像增强法。
通过实验表明,此方法对于图像处理的细节更丰富了图像的对比度增强了,不仅消除了图像的噪声,而且细节部分得到了增强处理,更有利的把更多的细节区分开。
可以说,基于小波变换的非线性反锐化掩模方法对于图像增强处理是非常适合的算法。
第七章本次课设的收获体会
通过本次课设,我对MATLAB有了一个基础的了解,在学习MATLAB编程中需要很多的参考书,要尽量多的熟悉matlab自带的函数及其作用,因为matlab的自带函数特别多,基本上能够满足一般的数据和矩阵的计算,所以基本上不用你自己编函数。
这一点对程序非常有帮助,可以使程序简单,运行效率高,可以节省很多时间。
在编程的过程中学习,程序需要什么知识再去补充,编程是一点一点积累的,所以需要做一些随手笔记什么的。
课题需要什么函数,需要什么模块就应该去着重看那个知识点,就应该一步一步学,如果太急于把所有东西都学到,也是不好的,更是实现不了的。
总之,通过这次的课程设计,体验到了真正的难度,不过也让我收获不少,虽然过程很艰辛,但自己坚持不懈,最后还是会得到自己想要的答案。
从这次课程设计中也可以看出自己的理论知识不牢固,所以得加强理论知识的学习,才能更好地理论联系实践。
第八章参考文献
1.冈萨雷斯.数字图象处理(MATLAB版)北京:
电子工业出版社2005
2.刘丹.MATLAB图像处理实例详解北京:
清华大学出版社2013
3.谭海平.数据图像处理(第三版)北京:
电子工业出版社2011
4.刘波等.MATLAB信号处理.北京:
电子工业出版社.2006
5.王彬等.MATLAB数字信号处理.北京:
机械工业出版社.2006
6.张智星,MATLAB程序设计及应用.北京:
清华大学出版社,2002
7.郭仕剑、丘志摸、陆静芳MATLAB入门与实践.北京:
人民邮电出版社,2008