37 丁园图像退化与复原的系统设计和边缘检测.docx
《37 丁园图像退化与复原的系统设计和边缘检测.docx》由会员分享，可在线阅读，更多相关《37 丁园图像退化与复原的系统设计和边缘检测.docx（21页珍藏版）》请在冰豆网上搜索。
37丁园图像退化与复原的系统设计和边缘检测
课程设计报告
课程名称：
图形图像处理
学期：
2018-2018学年第2学期
学时学分：
32学分2学时
专业班级：
信科1101班
学 号：
110320017
姓 名：
丁园
指导老师：
陈荣元
提交日期：
2018年6月21日
目录
一、数字图像退化与复原系统设计···································2
1、实验内容···························································2
2、实验原理···························································2
3、具体实验过程及结果············································5
二、边缘检测······························································12
1、实验内容···························································12
2、实验原理···························································12
3、具体实验过程及结果············································13
三、实验总结与体会·····················································18
参考文献····································································19
一、数字图像退化与复原系统设计
1、实验内容
<1）设计图形用户界面，能对图像文件<2）数字图像的统计信息功能：
包括图像的行数和列数，附加信息，直方图的统计及绘制等；
<3）图像退化与复原
a.能对图像加入各种噪声，生成退化图像；
b.给定图像，能估计噪声参数和噪声类型；
c.并通过几种滤波算法<维纳滤波，最小二乘方滤波）实现去噪并显示结果。
比较去噪效果。
2、实验原理
<1）图像的退化
数字图像在获取过程中，由于光学系统的像差、光学成像衍射、成像系统的非线性畸变、成像过程的相对运动、环境随机噪声等原因，图像会产生一定程度的退化。
<2）图像的复原
图像复原是利用图像退化现象的某种先验知识，建立退化现象的数学模型，再根据模型进行反向的推演运算，以恢复原来的景物图像。
因而图像复原可以理解为图像降质过程的反向过程。
<3）估计噪声参数和噪声类型
噪声的类型可以通过设备来确定，也可以从图像信息中提取，从图像中提取一个平滑的子图像，画出直方图，分辨噪声类型。
通过传感器的合成像设备技术参数来估计噪声参数。
<4）图像降质的数学模型
图像复原处理的关键问题在于建立退化模型。
输入图像f（x,y>经过某个退化系统后输出的是一幅退化的图像。
为了讨论方便，把噪声引起的退化即噪声对图像的影响一般作为加性噪声考虑。
原始图像f（x,y>经过一个退化算子或退化系统H（x,y>的作用，再和噪声n（x,y>进行叠加，形成退化后的图像g（x,y>。
图1表示退化过程的输入和输出关系，其中H（x,y>概括了退化系统的物理过程，就是要寻找的退化数学模型。
图1图像的退化模型
数字图像的图像恢复问题可以看作是：
根据退化图像g（x,y>和退化算子H（x,y>的形式，沿着反向过程去求解原始图像f（x,y>。
图像退化的过程可以用数学表达式写成如下形式：
g（x,y>=H[f（x,y>]+n（x,y>（1>
在这里，n（x,y>是一种统计性质的信息。
在实际应用中，往往假设噪声是白噪声，即它的频谱密度为常熟，并且与图像不相关。
在对退化系统进行了线性系统和空间不变系统的近似之后，连续函数的退化模型在空域中可以写成：
g（x,y>=f（x,y>*h（x,y>+n（x,y>（2>
在频域中可以写成：
G（u,v>=F（u,v>H（u,v>+N（u,v>（3>
其中，G（u,v>、F（u,v>、N（u,v>分别是退化图像g（x,y>、原图像f（x,y>、噪声信号n（x,y>的傅立叶变换；H（u,v>是系统的点冲击响应函数h（x,y>的傅立叶变换，称为系统在频率域上的传递函数。
可见，图像复原实际上就是已知g（x,y>求f（x,y>的问题或已知G（u,v>求F（u,v>的问题，它们的不同之处在于一个是空域，一个是频域。
<5）维纳滤波
维纳滤波是最小二乘类约束复原的一种。
在最小二乘类约束复原中，要设法寻找一个最有估计，使得形式为的函数最小化。
求这类问题的最小化，常采用拉格朗日乘子算法。
也就是说，要寻找一个，使得准则函数
（10>
为最小。
求解得到
（11>
式中，。
如果用图像f和噪声的相关矩阵Rf和Rn表示Q，就可以得到维纳滤波复原方法。
具体维纳滤波复原方法的原理请参考相关图书。
<6）比较维纳滤波与最小二乘方滤波的去噪效果
当图像只存在噪声复原是，需要用不同的空间滤波，不同的滤波对不同的噪声去除有不同的效果，需要比较各均值滤波和统计滤波来来分析其适用场景，找到各种噪声去除的最好滤波器。
不同的滤波其都是通过噪声与像素的融合来去除噪声，由于融合的方法不同，其去噪结果也不同，在图片上显示的内容也不一样，可以比较去噪后的图片，来确定不同滤波器的好坏。
3、具体实验过程及结果
<3）加入噪声，生成退化图像；
a.加入噪声生成退化图像
I=imread（'lena.jpg'>。
%读取Lena.jsp图像
imshow（I>。
%显示
如图1：
图1
加入高斯模糊噪声生成退化或降质图像并显示，如图2：
图2
b.估计给定图像的噪声类型和参数
实现代码：
clc
clear
I=imread（'C:
\tu\camana.jpg'>。
[m,n]=size（I>。
K1=imnoise（I,'gaussian',0.02>。
subplot（2,3,1>,imshow（K1>。
K2=imnoise（I,'salt&pepper',0.02>。
subplot（2,3,2>,imshow（K2>。
K3=imnoise（I,'speckle',0.02>。
subplot（2,3,3>,imshow（K3>。
GP=zeros（1,256>。
K1=double（K1>。
fori=1:
254
GP1（i>=0。
GP2（i>=0。
GP3（i>=0。
foru=1:
m
forv=1:
n
ifK1（u,v>==i。
GP1（i>=GP1（i>+1。
end
ifK2（u,v>==i。
GP2（i>=GP2（i>+1。
end
ifK3（u,v>==i。
GP3（i>=GP3（i>+1。
end
end
end
GP1（i>=GP1（i>/（m*n>。
GP2（i>=GP2（i>/（m*n>。
GP3（i>=GP3（i>/（m*n>。
end
subplot（2,3,4>。
bar（GP1>
title（'高斯'>
subplot（2,3,5>
bar（GP2>。
title（'椒盐'>。
subplot（2,3,6>
bar（GP3>。
title（'均匀'>
figure（3>
fori=1:
254
GP11（i>=0。
GP22（i>=0。
GP33（i>=0。
foru=1:
150
forv=1:
40
ifK1（u,v>==i。
GP11（i>=GP11（i>+1。
end
ifK2（u,v>==i。
GP22（i>=GP22（i>+1。
end
ifK3（u,v>==i。
GP33（i>=GP33（i>+1。
end
end
end
GP11（i>=GP11（i>/（m*n>。
GP22（i>=GP22（i>/（m*n>。
GP33（i>=GP33（i>/（m*n>。
end
subplot（1,3,1>。
bar（GP11>
title（'高斯参数的估计'>
subplot（1,3,2>
bar（GP22>。
title（'椒盐参数的估计'>。
subplot（1,3,3>
bar（GP33>。
title（'均匀参数的估计'>
clc
clear
f=imread（'C:
\tu\camana.jpg'>。
[m,n]=size（f>。
fori=1:
m
forj=1:
n
F（i,j>=（-1>^（i+j>*f（i,j>。
end
end
F=fftshift（fft2（F>>。
R=real（F>。
I=imag（F>。
G=zeros（m,n>。
foru=1:
m
forv=1:
n
G（u,v>=（R（u,v>^2+I（u,v>^2>^（1/2>。
end
end
figure（2>。
G=mat2gray（G>。
实验结果<图3、图4）：
图3
图4
结果分析:
数字图像中，噪声主要来源于图像的获取和传输过程，不同噪声所对应的直方图不同，可以从直方图判断图像砸噪声的种类，噪声参数的估计需要选取图像的一个垂直条带，画出其直方图，可以确定其参数。
c.分别采用维纳滤波和约束最小二乘方滤波实现去噪并比较
实现代码：
I=imread（'C:
\tu\rice1.tif'>。
figure。
subplot（2,2,1>。
imshow（I>。
title（'原图像'>。
[m,n]=size（I>。
F=fftshift（fft2（I>>。
k=0.0025。
%取不同的值0.00025
foru=1:
m
forv=1:
n
H（u,v>=exp（（-k>*（（（u-m/2>^2+（v-n/2>^2>^（5/6>>>。
end
end
G=F.*H。
I0=real（ifft2（fftshift（G>>>。
I1=imnoise（uint8（I0>,'gaussian',0,0.001>
subplot（2,2,2>。
imshow（uint8（I1>>。
title（'模糊退化且添加高斯噪声的图像'>。
F0=fftshift（fft2（I1>>。
F1=F0./H。
I2=ifft2（fftshift（F1>>。
subplot（2,2,3>。
imshow（uint8（I2>>。
title（'全逆滤波复原图'>。
K=0.1。
foru=1:
m
forv=1:
n
H（u,v>=exp（-k*（（（u-m/2>^2+（v-n/2>^2>^（5/6>>>。
H0（u,v>=（abs（H（u,v>>>^2。
H1（u,v>=H0（u,v>/（H（u,v>*（H0（u,v>+K>>。
end
end
F2=H1.*F0。
I3=ifft2（fftshift（F2>>。
subplot（2,2,4>。
imshow（uint8（I3>>。
title（'维纳滤波复原图'>。
p=[0-10。
-14-1。
0-10]。
fori=1:
m
forj=1:
n
if（i<=3&&j<=3>
g（i,j>=p（i,j>。
else
g（i,j>=0。
end
end
end
P=ff
升级会员 