图像增强论文范例.docx
《图像增强论文范例.docx》由会员分享,可在线阅读,更多相关《图像增强论文范例.docx(15页珍藏版)》请在冰豆网上搜索。
图像增强论文范例
摘要
图像作为一种有效的信息载体,是人类获取和交换信息的主要来源。
由于图像增强与感兴的趣物体特性、观察者的习惯和处理目的密切相关,带有很强的针对性,因此,图像增强算法的应用也是有针对性的。
尽管增强处理方法多种多样,但并不存在一种通用的、适应各种场合的增强算法。
主要应用Matlab软件对图像进行处理,除了Matlab简单接近数学描述的语法,matlab还有丰富的内建(in-build)函数,方便的矩阵操作,内建的复数运算,完整的详细的在线帮助文档。
它具有丰富的扩展工具箱(toolbox),方便强大的数据图形显示功能给matlab的方便易用和推广普及起到了不可磨灭的贡献。
本文围绕图像增强算法而展开,在阐明图像增强处理基本方法的基础上,就几种有代表性的图像增强算法:
基于直方图均衡化图像增强算法,中值滤波,进行了研究、比较,通过实验结果分析了各自的优缺点并指明了其最佳适用场景,以期从中总结出一套行之有效的图像增强算法的应用指导规则。
与前面内容空一行,宋体,小四号,加粗,1.5倍行距,居左。
“:
”要用中文全角的冒号,关键词3到6个,小四宋体,不加粗,用“,”分隔,最后一个关键词后不打标点符号,一行排不下要缩进,且与第一个关键词对齐。
关键词:
图像增强直方图均衡化中值滤波
TheResearchandSimulationofColorImageEnhancementAlgorithm
Abstract
Keywords:
ImageEnhancementHistogramEqualizationMedianFiltering
任务书i
摘要、ABSTRACT、各章、参考文献、致谢采用黑体,小四号,居左,段前0行,段后0行,1.5倍行距。
两个字的题目名称(如“摘要”)两个字之间空一个中文空格。
“目录”不能再在索引条目中出现。
楷体,五号,居右。
“第x章”与名称之间空一个英文空格,名称(即使是两个字)之间不空格。
黑体,二号,居中,单倍行距,段后1行
第1章 绪论
1.1数字图像的国内外现状
图像是物体透射或反射的光信息,通过人的视觉系统接受后,在大脑中形成的印象或认识,是自然景物的客观反映。
一般来说,凡是能为人类视觉系统所感知的有形信息,或人们心目中的有形想象都统称为图像。
图像作为一种有效的信息载体,是人类获取和交换信息的主要来源。
实践表明,人类感知的外界信息,80%以上是通过视觉得到的。
因此,图像处理的应用领域必然涉及到人类生活和工作的方方面面。
所谓图像处理,就是通过某些数学运算对图像信息进行加工和处理,以满足人的视觉心理和实际应用需求。
图像增强是图像处理的一个重要环节,在整个图像处理过程中起着承前启后的重要作用。
图像处理可以应用光学方法,也可以应用数字方法。
光学图像处理有很长的发展历史,在激光全息技术出现后得到了更进一步的发展。
目前,光学图像处理理论日臻完善,且处理速度快,信息容量大,分辨率高。
尽管如此,但它的处理精度低,稳定性差,设备笨重,操作不方便,对各种所需的处理不如数字图像处理灵活,且受实际工艺和设备材料等因素的限制。
数字方法处理的优缺点恰好与光学方法相反,它的突出优点是方便灵活,改变软件程序即可改变处理方法,达到所需的处理效果;其最大的缺点是处理速度慢,难以满足实时处理要求,尤其是对大量信息的图像运算。
数字图像处理是二十世纪六十年代发展起来的一门新型学科,它的系统研究始于二十世纪五十年代。
二十世纪七十年代以后,数字图像处理在陆地卫星遥感和生物学的图片分析方面取得了丰硕的成果。
与此同时,在X射线图像增强、光学显微镜图像分析、粒子物理、地质勘探、工业检测和机器人视觉等方面数字图像处理也获得了广泛的应用。
近几十年来,各相关学科领域的迅猛发展,对图像处理提出了越来越高的要求,使得图像处理的研究更加深入、广泛,发展也更为迅速。
目前,数字图像处理已经应用于诸多领域。
在遥感方面,它主要应用于航空和卫星遥感。
毋庸置疑,数字图像处理的发展推动了遥感技术的进步,并在此基础上发展了多光谱图像遥感、SAR图像遥感和微波图像遥感,以及与这些遥感技术相应的处理技术。
当前,人们运用数字图像处理技术分析、处理遥感图像,可以有效地进行资源和矿藏的勘探、调查、农业和城市的土地规划、作物估产、气象预报、灾害及军事目标的监视等。
在生物医学工程方面,图像处理的应用展开较早,主要应用对象有X射线图像、超声图像和生物切片显微图像。
运用图像处理技术可以提高图像的清晰度和分辨率,便于医生的诊断。
在工业和工程方面,图像处理技术已有效地应用于无损探伤、质量检测和过程自动控制等方面,如应力分析、流场分析、机械零件检测和识别等。
在军事方面,图像处理技术主要应用于飞行导航、导弹打靶的景物图像制导和寻的。
此外,图像传输、存储和显示的自动化指挥系统,飞机、坦克和军舰的模拟训练器也大多需要图像处理技术。
在公共安全方面,人像、指纹及其他痕迹的处理和识别,以及跟踪、监视、交通监控、事故分析等都在不同程度上使用了图像处理技术的成果。
随着图像处理设备性能的不断提高以及图像数字化和图像显示设备的普及化和低价化,人们对图像质量的要求越来越高。
而图像质量的含义包括两个方面的内容,即图像的保真度(Fidelity)和理解度(Intelligibility)。
保真度是指被评价图像与标准图像的偏离程度,两者属于同一个映像,只是由于传输和处理等原因造成了偏差,因此保真度往往指的是图像细节方面的差异。
理解度表示图像能向人或机器提供信息的能力,其中主要包括清晰度和美感等,因此,理解度通常指的是图像整体和细节的总体概念。
然而,评价图像质量的优劣标准多半凭观察者的主观而定,尚无通用的定量判据,因此,在图像增强的实际应用中,针对具体的不同应用场合,同时有好几种增强算法可供挑选,那么如何从中选取视觉效果好的、计算量小的一种算法便呈现出来。
为此,只有通过对几种有代表性的图像增强算法进行深入、系统地研究、比较,以期找出其相应的优缺点及其最佳适用场景,从而总结出一套行之有效的图像增强算法的应用指导规则。
1.2图像增强的研究现状
图像在采集过程中不可避免的会受到传感器灵敏度、噪声干扰以及模数转换时量化问题等各种因素的影响,而导致图像无法达到令人满意的视觉效果,为了实现人眼观察或者机器自动分析、识别的目的,对原始图像所做的改善行为,就被称作图像增强。
图像增强包涵了非常广泛的内容,凡是改变原始图像的结构关系以取得更好的判断和应用效果的所有处理手段,都可以归结为图像增强处理,其目的就是为了改善图像的质量和视觉效果,或将图像转换成更适合于人眼观察或机器分析、识别的形式,以便从中获取更加有用的信息。
常用的图像增强处理方式包括灰度变换、直方图修正、图像锐化、噪声去除、几何畸变校正、频域滤波和彩色增强等。
由于图像增强与感兴趣的物体特性、观察者的习惯和处理目的密切相关,尽管处理方式多种多样,但它带有很强的针对性。
因此,图像增强算法的应用也是有针对性的,并不存在一种通用的、适应各种应用场合的增强算法。
于是,为了使各种不同特定目的的图像质量得到改善,产生了多种图像增强算法。
这些算法根据处理空间的不同分为基于空间域的图像增强算法和基于变换域的图像增强算法。
基于空间域的图像增强算法又可以分为空域的变换增强算法、空域的滤波增强算法以及空域的彩色增强算法;基于变换域的图像增强算法可以分为频域的平滑增强算法、频域的锐化增强算法以及频域的彩色增强算法。
尽管各种图像增强技术已取得了长足的发展,形成了许多成熟、经典的处理方法,但新的增强技术依然在日新月异地发展完善,不断推陈出新,其中尤其以不引起图像模糊的去噪声方法(如空域的局部统计法)和新的频域滤波器增强技术最为引人瞩目。
从此页开始重新编排页码,到文章的结尾为止,采用阿拉伯数字,小五号,字体TimesNewRoman,左右各有一个“-”,居中。
楷体,五号,居右。
“第x章”与名称之间空一个英文空格,名称(即使是两个字)之间不空格。
第2章 数字图像处理基础
黑体,四号,单倍行距,居左。
2.1 数字图像的表示
一幅图像可定义为一个二维函数f(x.y),这里x和y是空间坐标,而在任何一对空间坐标(x,y)上的幅位f称为该点图像的强度或灰度。
当x,y和幅值f为有限的、离散的数值时,称该图像为数字图像。
数字图像处理是指借用数字计算机处理数字图像,伎得提及的是数字图像是由有限的元素组成的、每一个元素都有一个特定的位置和幅值,这必元素称为图像元素、画面元素或像素。
像素是广泛用于表示数字图像元素的词汇。
视觉是人类最高级的感知器官,所以,毫无疑问图像在人类感知中扮演着最重要角色,然而,人类感知只限于电磁波谱的视觉波段,成像机器则可覆盖儿乎全部电磁波谱,从伽马射线到无线电波。
它们可以对非人类习惯的那些图像源进行加工,这些图像源包括超声波、电子显微镜及计算机产生的图像。
因此,数字图像处理涉及各种各样的应用领域。
图像处理涉及的范畴或其他相关领域(例如,图像分析和计算机视觉)的界定在初创人之间并没有一致的看法。
有时用处理的输入和输出内容都是图像这一特点来界定图像处理的范围。
我们认为这一定义仅是人为界定和限制。
有些领域如计算机视觉)研究的最高口标是用计算机去模拟人类视觉,包括理解和推理并根据视觉输入采取行动等。
这一领域本身是人工智能的分支,其目的是模仿人类智能。
人工智能领域处在其发展过程中的初期阶段,它的发展比预期的要慢得多,图像分析(也称为图像理解)领域则处在图像处理和计算机视觉两个学科之间。
从图像处理到计算机视觉这个连续的统一体内并没有明确的界线。
然而,在这个连续的统一体中可以考虑三种典型的计算处理(即低级、中级和高级处理)来区分其中的各个学科。
低级处理涉及初级操作,如降低噪声的图像预处理,对比度增强和图像尖锐化。
低级处理是以输人、输出都是图像为特点的处理。
中级处理涉及分割(把图像分为不同区域或目标物)以及缩减对目标物的描述,以使其更适合计算机处理及对不同日标的分类(识别)。
中级图像处理是以输人为图像,但输出是从这些图像中提取的特征(如边缘、轮廓及不同物体的标识等)为特点的。
最后,高级处理涉及在图像分析中被识别物体的总体理解,以及执行与视觉相关的识别函数。
2.2彩色图像表示
在现实世界中,人们面对的多是彩色图像。
对于彩色图像的增强,和灰度图像相比,增强图像细节只是一个方面,彩色图像还存在色彩信息。
由于彩色图像增强的目的是在增强图像细节的同时,还要使图像变得更加生动和色彩艳丽,并且不能带来失真或色偏现象(例如,把原来是红色的物体变成了黄色或品色)。
因此,彩色图像增强必须选择合适的颜色空间以及处理好颜色分量之间的关系。
彩色图像在计算机中一般是采用RGB空间来表示的。
R、G、B三种颜色称为三基色,它们彼此之间有很强的相关性,改变像素的任何一个分量都会导致颜色的偏移。
从心理学的角度来看,颜色有三个要素:
色调(Hue)、饱和度(Saturation)和亮度(Brightness)。
HSV模式便是基于人眼对颜色的心理感受而提出的一种颜色模式。
其中,H是色调,又称色相,S是饱和度,V是亮度值。
由于它是在RGB三基色转换为Lab模式的基础上,考虑人眼对颜色的心理感受这一因素转换而成的,因此这种颜色模式比较符合人眼的视觉感受,让人感觉得更加直观一些,其中轴向表示亮度,自上而下由白变黑;径向表示饱和度,自内向外逐渐变高;而圆周方向,则表示色调的变化,形成色环。
当然,还有其他的彩色空间,如YIQ和Lab空间等。
这些彩色空间也是用其中一个分量表示亮度,另外两个表示是色度分量(YIQ中的I,Q;Lab中的a,b)。
实验证明,HSV彩色空间对于彩色图像增强是一种较好的选择,因为HSV空间的三个分量相关性很小,改变任何一个分量对其余分量的影响均很小。
为实现RGB到IHS的变换,要建立RGB空间和IHS空间的关系模型。
IHS算法是图像融合技术中发展很早,现已成熟的一种空间变换算法。
三角变换成为最理想的形式。
三角变换的IHS算法可以很好的保留源图像的光谱信息和空间分辨率,运算量也较小,且易于实现,采用了三角形变换,他们之间的变换式如公式(2-1)所示。
(2-1)
第3章 图像增强方法
3.1 直方图均衡化
图像的直方图是图像的重要统计特征,它可以认为是图像灰度密度函数的近似。
直方图虽然不能直接反映出图像内容,但对它进行分析可以得出图像的一些有用特征,这些特征能反映出图像的特点。
当图像对比度较小时,它的灰度直方图只在灰度轴上较小的一段区间上非零,较暗的图像由于较多的像素灰度值低,因此它的直方图的主体出现在低值灰度区间上,其在高值灰度区间上的幅度较小或为零,而较亮的图像情况正好相反。
通常一幅均匀量化的自然图像的灰度直方图在低值灰度区间上频率较大,这样的图像较暗区域中的细节常常看不清楚。
为使图像变清晰,可以通过变换使图像的灰度动态范围变大,并且让灰度频率较小的灰度级经变换后,其频率变得大一些,使变换后的图像灰度直方图在较大的动态范围内趋于均化。
事实证明,通过图像直方图修改进行图像增强是一种有效的方法。
均匀量化的自然图像的灰度直方图通常在低值灰度区间上频率较大,使得图像中较暗区域中的细节常常看不清楚。
为了使图像清晰,可将图像的灰度范围拉开,并且让灰度频率较小的灰度级变大,即让灰度直方图在较大的动态范围内趋于一致。
图3.1实验原图及增强后图像
图3.2直方图均衡化原图及均衡化后图像
用图像f(x,y)的直方图代替灰度的分布密度函数pf(f),则直方图均化后的图像g为:
(3-1)
对于数字图像,可以对上述公式做离散近似。
若原图像f(x,y)在像素点(x,y)处的灰度为
,则直方图均化后的图像g(x,y)在点(x,y)处的灰度
为:
(3-2)
图3-2)是产生火焰的图(3-1)的直方图均化,并且由图3-1b)和图3-2b)的直方图可以看出,在直方图调整之前,低灰度的比例很大,经过直方图均化后,各灰度等级的比例更加平衡。
3.2 中值滤波
非线性滤波技术一般利用原始信号与噪声信号特有的统计特性进行去噪,现有的非线性滤波方法有以中值滤波为代表的传统非线性滤波方法和以形态滤波为代表的新型滤波方法。
中值滤波是由Turky在1971年提出的,它最初主要用于时间序列分析,后来用于图像处理,在去噪复原中取得较好的效果。
中值滤波是基于次序统计完成信号恢复的一种典型非线性滤波器,其基本原理是将数字图像中一点的值用该点的一个邻域中各点值的中值代替。
中值的定义如下:
一组数
把n个数按值的大小排列于下:
(3-3)
y称为序列
的中值。
在一维情形下,中值滤波器是一个含有奇数个像素的滑动窗口。
窗口正中间那个像素的值用窗口内各像素值的中值代替。
中值滤波的概念很容易推广到二维,此时可以利用某种形式的二维窗口。
设
表示数字图像各点的灰度值,滤波窗口为A的二维中值滤波可定义为:
(3-4)
中值滤波采用非线性技术,在像素点邻域里用取中值代替了取平均值,不会降低图像中的高频信号,在消除噪声的同时很好地保持了图像的边缘特征。
中值滤波在一定的条件下可以克服线性滤波如最小均方滤波,均值滤波等带来的图像细节模糊的缺点,而且对滤除脉冲干扰及图像扫描噪声最为有效。
由于在实际运算中不需要图像的统计特性,因此带来不少方便。
但是对于一些细节多,特别是点、线、尖顶细节多的图像不宜采用中值滤波。
滤波窗口的形状非常多,常用的二维中值滤波窗口有线形、方形、十字形、圆形和菱形等,不同滤波窗口的滤波效果不同。
总体来讲,二维中值滤波比一维中值滤波能够更好地抑制噪声。
考虑到方形中值滤波有时会滤除图像轮廓的尖角,破坏图像的形状。
因而常常采用十字形中值滤波。
但是考虑到运算效率的问题,同时又由于对早期火灾火焰做出判断识别时,只需处理特定区域的图像,无须对一帧图像全部进行处理,而且采用方形中值滤波不会影响特定区域的形状,因此在本系统中采用方形中值滤波的方法。
一般来说,如果窗口选的过大,除噪声受到抑制外,平均化的效果也较强,但边缘及细节信息易受到损失。
故综合考虑各种因素,本系统中采用3
3模板的中值滤波。
通过中值滤波后的实验效果图如下:
图3.2含有噪声的图像和中值滤波处理后的图像
第4章 实验结果与分析
4.1 直方图均衡化实验结果
直方图均衡化代码如下:
I=imread('rice.png');
J=imadjust(I,[0.30.7],[]);
subplot(1,2,1),imshow(I)
subplot(1,2,2),imshow(J)
figure,subplot(1,2,1),imhist(I)
subplot(1,2,2),imhist(J)
functionrst=hispic(fn)
x=imread(fn);
r=x(:
:
1);
g=x(:
:
2);
b=x(:
:
3);
r=histeq(r);
g=histeq(g);
b=histeq(b);
[ly,lx]=size(r);
rst=uint8(zeros(ly,lx,3));
fori=1:
ly
forj=1:
lx
rst(i,j,1)=r(i,j);
rst(i,j,2)=g(i,j);
rst(i,j,3)=b(i,j);
end;
end;
figure(3),imshow(rst);
实验结果:
(a)(b)
(c)(d)
图4.1直方图均衡化实验结果图
图(a)和(c)为直方图均衡化前后的效果图。
实验证明在R,G,B上分别均衡化合成了实验结果图。
图(b)和(d)为实验前后的直方图,前面介绍的直方图均衡化处理方法从实验效果看还是很不错的,从实现算法上也可以看出其优点主要在于能自动增强整幅图像的对比度,但具体的增强效果也因此不易控制,只能得到全局均衡化处理的直方图。
在科研和工程应用中往往要根据不同的要求得到特定形状的直方图分布以有选择的对某灰度范围进行局部的对比度增强,此时可以采用对直方图的规定化处理,通过选择合适的规定化函数取得期望的效果。
4.2中值滤波实验结果
中值滤波代码:
I=imread('eight.tif');
J1=imnoise(I,'gaussian',0,0.02);
J2=imnoise(I,'salt&pepper',0.02)
J3=imnoise(I,'speckle',0.02);
subplot(2,2,1),imshow(I)
subplot(2,2,2),imshow(J1)
subplot(2,2,3),imshow(J2)
subplot(2,2,4),imshow(J3)
functionrst=hispic2(fn)
x=imread(fn);
%x=imread('11.JPG');
r=x(:
:
1);
g=x(:
:
2);
b=x(:
:
3);
r=medfilt2(r);
g=medfilt2(g);
b=medfilt2(b);
[ly,lx]=size(r);
rst=uint8(zeros(ly,lx,3));
fori=1:
ly
forj=1:
lx
rst(i,j,1)=r(i,j);
rst(i,j,2)=g(i,j);
rst(i,j,3)=b(i,j);
end;
end;
实验结果(实验结果图如下页图4.1和4.2):
图4.1含有噪声的彩色图像及其RGB分量
图4.2中值滤波去噪声之后的图像及其RGB分量
图4.1和4.2分别为中值滤波实验前后的结果图。
图4.1(a)为实验原图图4.1(b)(c)(d)分别为R,G,B分量。
图4.2分别为处理后的R,G,B分量及合成后的图。
处理前的图像噪声比较明显,处理后噪声基本消失。
在数字图像中往往存在各种各样的噪声,这些噪声可能是在传输中产生的,也可能是在量化等处理过程中产生的,如何有效地抑制噪声并保护图像的细节是图像处理中很重要的问题.中值滤波是一种非线性滤波方式,其基本原理是将图像中一个点的值,用其邻域的几个点值的中值来代替。
第5章 结 论
图像处理内容涉及光学、微电子学、信息学、统计学、数学、计算机科学等领域,是一门综合性很强的交叉学科,其中任何一门学科的发展都将推动图像处理的进一步发展。
图像增强是对图像的低层次处理,处于图像处理的预处理阶段。
它是图像处理的一个重要环节,在整个图像处理过程中起着承前启后的重要作用,为后续处理阶段做准备,对图像高层次处理的成败至关重要。
其目的就是为了改善图像的质量和视觉效果,或将图像转换成更适合于人眼观察或机器分析识别的形式,以便从图像中获取更加有用的信息。
由于图像增强与感兴的趣物体特性、观察者的习惯和处理目的密切相关,带有很强的针对性。
因此,图像增强算法的应用也是有针对性的,尽管增强处理方法多种多样,但并不存在一种通用的、适应各种应用场合的增强算法。
直方图均衡化处理方法从实验效果看还是很不错的,从实现算法上也可以看出其优点主要在于能自动增强整幅图像的对比度,但具体的增强效果也因此不易控制,只能得到全局均衡化处理的直方图。
在科研和工程应用中往往要根据不同的要求得到特定形状的直方图分布以有选择的对某灰度范围进行局部的对比度增强,此时可以采用对直方图的规定化处理,通过选择合适的规定化函数取得期望的效果。
在数字图像中往往存在各种各样的噪声,这些噪声可能是在传输中产生的,也可能是在量化等处理过程中产生的,如何有效地抑制噪声并保护图像的细节是图像处理中很重要的问题.中值滤波是一种非线性滤波方式,其基本原理是将图像中一个点的值,用其邻域的几个点值的中值来代替。
本文围绕图像增强算法而展开,在阐明图像增强处理基本方法,如直方图修正、噪声去除、频域滤波增强和彩色增强的基础上,就几种有代表性的图像增强算法进行了研究、比较,分析了各自的优缺点并指明了其最佳适用场景。
数字图像的增强是图像处理中的一个重要研究内容之一,是图像处理的一项基本技术。
图像增强是指按特定的需要突出一幅图像的某些信息,同时,削弱或除去某些不需要的信息的处理方法。
通过对本课题的毕业设计,能从以上几个方面来认识数字图像的有关知识,深刻理解数字图像的增强方法,特别是直方图均衡化方法的理论知识及其相关应用。
同时,能使本人掌握进行科学研究的基本方法和步骤,进一步熟悉软件开发工具的使用。
参考文献
1.
李彬,刘冀伟,韩鸿哲,李正熙.复杂背景下人体骨架的提取[J].微计算机信息。
2004:
43-44.
2.
李春明,李玉山,张大朴,刘洋.运动人物的检测、跟踪与识别综述[DB/OL];2005:
204-218.
3.
NeriA,ColonneseS,RussoG,TaloneP.Automaticmovingobjectandbackgroundseparation[J].SignalProcessing;1998:
219-232.
4.
MechR,WolbornM.Anoiserobustmethodfor2Dshapeestimationofmovingobjectsinvideosequencesconsideringamovingcamera[J].SignalProcessing,1998:
203-205.
5.
AShio,JSklansky.Segmentationofpeopleinmotion.Proc.IEEEWorkshoponVisu