汽车纵梁图像去噪算法的研究与应用优秀范文毕业论文.doc

毕 业 设 计（论 文）题 目：汽车纵梁图像去噪算法的研究与应用系 别：电子信息科学系专 业：汽车电子工程班 级：学生姓名：学 号：指导教师：摘要 本课题主要研究汽车的纵梁图像去噪，运用几种图像去噪的方法，如维纳滤波器、中值滤波器、二值形态滤波器、均值滤波器以及二维小波分析图像滤波器等进行处理。通过Matlab对这些去噪方法进行编程与仿真，并且对其结果进行分析比较，从而找出适合于汽车纵梁图像噪声处理的方法。关键字：汽车纵梁；图像去噪；算法研究AbstractThis topic using several image denoising methods, such as Wiener filter, median filter, binary morphological filter, mean filter, and two-dimensional wavelet analysis Image filters to remove noise of the image of vehicle longitudinal. I use Matlab for programming and simulation, in order to find the best way for this research, the Analysis and comparison is also essential.Key words: vehicle longitudinal; Image denoising; algorithm;目录第一章 概述11.1 课题研究背景11.1.1 图像噪声11.1.2 汽车纵梁图像噪声21.2 研究图像去噪的意义以及国内外现状31.2.1 图像去噪意义31.2.2 研究图像去噪算法的意义31.2.3 图像去噪国内外现状4第二章 图像噪声72.1 图像噪声分类72.2 汽车纵梁图像噪声分析82.3 图像噪声的衡量9第三章 图像去噪处理113.1 图像去噪方法分类113.1.1 空间域图像去噪113.1.2频域图像去噪123.2 Matlab图像去噪方法具体分析163.2.1 二维自适应维纳滤波163.2.2 中值滤波器分析图像滤波183.2.3 二维统计顺序滤波203.2.4 均值滤波203.2.5 二值形态滤波223.3 去噪方法对汽车纵梁图像处理的具体分析小结25第四章 新均值去噪法264.1 图像去噪的一般步骤264.2 去噪方法设计思想264.3 新均值去噪的效果294.4 阈值的选取324.5 新均值去噪法的时间复杂度33第五章 课题界面设计345.1 图像输入模块345.2 加入噪声模块与去噪模块355.3 对汽车纵梁图像噪声处理模块365.4 退出模块375.4 界面总图37结束语38致谢40参考文献41附录43第一章 概述图像是一个信息的载体，而图像噪声是影响图像信息准确性的一个重要因素。我们进行图像噪声处理就是将图像经过一定的加工处理，使其含有的噪声尽量的减少，从而使图像含有的信息精确化，最大化。现今图像噪声的处理方法有很多很多，但由于图像含有的噪声并不是单一化的，而是非常复杂的混合噪声。而现今的图像噪声方法一般是对某种类别的很有效，如维纳滤波器对随机噪声的去噪不是很理想，但中值滤波器对随机噪声的处理效果是很好的，所以说要想对汽车纵梁图像进行很好的检测，找到一种好的图像去噪方法是很有必要的。1.1 课题研究背景1.1.1 图像噪声图像1主要是反映客观事物或某些过程与空间、时间有相互关联的特征量得信息列阵。它具有两个基本的要素：像素值层次分辨和图像空间分辨。像素值可以反映图像的层次细节，而图像空间分辨率是由像素值在可分辨条件下的像元总和数来表示的。可分辨的像元总数越多，那么反映自然界中客观事物的细节也就越清楚。一般的，图像在空间和亮度上都是连续取值的，称为连续图像或模拟图像，如果连续图像在空间和亮度上进行离散化，就称为了数字图像。数字图像也是唯一能够用计算机进行处理的图像形式，数字图像可以表示为一个矩阵：(1.1)其中，。还可以将以上的矩阵按行或按列堆叠为一个一维矢量，表示为：(1.2)至于用哪种表达方式来表示，我们要根据实际情况来定。图像只是传输视觉信息的媒介，对图像信息的认识和理解是由我们的视觉系统来决定的，我们认为影响我们视觉美观，以及影响我们的后续工作成果精确性的东西都可以称之为图像噪声。当前我们大多数运用到数字图像的系统中，输入的图像大多是将多维图像变成一维电信号，然后再对其进行处理、存储、传输等加工变换，最后将其组成多维图像信号，而图像噪声也将在这样的处理过程中进行分解与产生。在这些处理过程中电气系统以及外界影响将使得图像噪声变得越来越复杂。在图像系统对图像进行采集、编码、传输、恢复的几个基本步骤中，影响图像质量的因素很多。但大致可以将其归为两大类：一、外部噪声，即由系统外部干扰以及电磁波或经电源串进系统内部而引起的噪声；二、内部噪声，即由光电的基本性质、点起的机械运动、器材材料本生以及系统内部设备电路所引起的噪声。我们要想那些运用数字图像的系统产生的结果更加精确有效，我们就必须对我们输入以及输出的图像进行去噪过程。所以图像噪声处理这个话题一直都受到很多人的关注。1.1.2 汽车纵梁图像噪声汽车纵梁25是汽车中承受车身及汽车有效载荷的基础构件。发动机、变速器总成, 转向器及操纵踏板都通过纵梁上的安装孔固定。所以对于纵梁来说, 纵梁上的安装孔的大小以及位置是一项重要的技术指标。如果这些安装孔不满足要求，那么将来要安装在纵梁的各种零件就会出现安装不上的问题。而在汽车纵梁的安装孔检测过成中，摄像头扫描到的图片都存在各种各样的噪声。这些噪声将会对边缘扫描、漏孔检测等的精确度产生影响，所以找出一种针对汽车纵梁图像有效的图像去噪方法是很必要的。1.2 研究图像去噪的意义以及国内外现状1.2.1 图像去噪意义一般来说，在整个图像分析的流程上图像去噪声处理属于图像的预处理阶段，而在数字图像处理技术中它属于图像恢复的技术范畴。而这两个阶段是很重要的，所以说图像的去噪处理有着非常重要的意义，其主要体现在：（1）由于图像的生成有着不同的成像原理，所以我们得到的初始图像中都含有很多噪声，而且这些噪声并不是单一的，它们具有不同的性质。这些噪声的存在干扰了我们对图像信息的理解的准确性，影响了我们对图像的观察的精确度。当一个图像的噪声非常严重时，图片有可能会产生变形，从而使该图像失去了存储信息的本质意义。从以上可以看出，对图片进行去噪处理是正确额图像信息的必要保证。（2）对图像进行去噪处理除了能够提高我们视觉识别图像信息的准确性，它还是对图像进行进一步处理可靠性的保证。当我们对一幅图像进行特征提取、配准或者进行图像融合等处理时，如果该图像中含有噪声，那么我们得到的结果肯定不能令人满意，所以对图像进行去噪处理是必需的。（3）研究图像去噪对数字图像其他处理环节性能的提升也有着促进意义。对于汽车纵梁图像来说，我们对其进行去噪处理将有利于我们检测其上面的安装孔的直径、位置等的精确度分析。而纵梁安装孔的精确度直接影响到汽车很多重要部件的安装，也就是说图像去噪也就间接的改善了汽车的性能。所以说对汽车纵梁图像进行去噪处理是很有意义的。1.2.2 研究图像去噪算法的意义在数字图像处理领域中已经有很多的传统去噪方法，它们已经被提出并且使用了很久，在这样坚实的学术背景下，研究图像去噪的意义还有吗？我想研究其的意义在于：（1）在现有的图像噪声处理领域，传统的去噪方法有很多很多，但是这些方法都有各自的优缺点，所处理的噪声都具有片面性，因此进一步的研究完善图像去噪的算法是有很大的意义的。（2）不同的去噪算法有着不同的数学理论基础，当然它们对图像去噪处理表现的效果也不同，探索他们的内部原理，寻求相应的关系，并且研究这些算法之间如何取长补短，这样达到更好的去噪效果是很有意义的。1.2.3 图像去噪国内外现状图像去噪的方法从不同处领域的角度可以划分为空间域与频域两种处理方法：第一种，空间域处理方法，它是在图像本身存在的二维空间里对其进行处理，而空间域处理方法根据不同的性质又可以分为线性处理方法与非线性处理方法；第二种，频域处理方法，它是用一组正交函数系来逼近原信号函数，获得相应的系数，将对原信号的分析转化到了系数空间域，即频域中进行。空间域的线性滤波算法理论发展较为成熟，数字分析简单，对滤除与信号不相关的随机噪声效果显著，但是它本身存在着明显的缺陷，如需要随机噪声的先验统计知识，对图像边缘细节保护能力较差等，特别是后者使得线性滤波无法很好地适应于图像的噪声滤除处理。与线性滤波相对应的非线性滤波大都考虑到了人的视觉标准和最佳滤波准则，提高了图像分辨率和边缘保护能力，特别是一些改进后的非线性滤波方法一般都具有了一定的自适应性，这就使得非线性滤波的功能更为强大，可以广泛地应用到医学、遥感等领域的图像处理中。1971年，图基提出了中值滤波的思想，并首先应用于时间序列的分析中，后来这种方法被引入到图像处理中，用来滤除图像的噪声，收到了良好的效果。随之而来的是各种中值滤波的改进方案6,7。其中有一种被称为自适应加权中值滤波的改进算法引起了人们的关注，这种方法最突出的特点是具有自适应的性能并且对图像的边缘保护能力较传统算法具有明显提高。数学形态学和统计学的引入为数字滤波技术开辟了新的途径，1982年Serra出版的专著Image Analysis and Mathematical Morphology成为数学形态学应用于数字图像领域的里程碑，由此孕育出很多相关的滤波算法，这些算法大都考虑了像素点附近不同的区域形态并结合统计学的知识，使得算法对图像的处理具有自适应性并且提高了边缘保护能力8。对机器视觉研究的不断深入使人们开始重视偏微分方程的数学理论，在这个领域的实质性创始工作应该归功于Koenderink和Witkin各自独立的工作，他们在图像中引入了尺度空间严格的理论，使之成为偏微分方程在数字图像处理学应用的基础。而在偏微分方程理论应用于数字信号非线性滤波领域中最有影响的人物是Perona和Malik。他们提出了一种具有非线性滤波能力的偏微分方程，在图像去噪和边缘保护上获得良好效果，后来Weickert基于他们的理论将这种方程发展成为各向异性扩散方程，进一步提升了去噪能力，并且具有中值滤波、数学形态学滤波以及很多传统算法不具备的图像边缘保护功效。因此这些方法在不久的后来被广泛地应用到了医学、遥感图像的滤波去噪处理之中，获得了令人满意的结果。基于频域的数字滤波方法最早可以追溯到傅里叶变换的使用。1822年法国数学家Fourier在研究热传导理论时提出并证明了将周期函数展开为正弦级数的原理，奠定了傅里叶变换的理论基础。1946年Gabor在傅里叶变换的基础上提出了一种加窗傅里叶变换(也称为短时傅里叶变换)，通过特定的平移窗函数来分解信号的频谱，提取出的它的局部信息，提高时间分辨能力。这种思想为后来的小波多尺度分析信号思想的引入起到数字滤波技术数学理论中值滤波技术形态滤波技术基于各向异性扩散方程的滤波技术傅里叶、小波变换滤波技术概率论、统计学数学形态学微积分、偏微分方程学泛函分析、级数论、矩阵分析等理论图1.1数字滤波技术和数学理论的关系了启发作用。小波分析的概念是由法国从事石油勘测信号处理的地球物理学家Morlet在1984年提出来的。1986年著名数学家Meyer和Mallat合作建立了构造小波函数的统一方法多尺度分析，从此小波分析开始广泛地应用到了信号分析领域并得到了蓬勃发展。近年来，小波分析己经深入到了非线性逼近、统计信号处理等领域，其特殊的时频分辨能力已经使它基本取代了昔日传统频域分析方法。总体说来，数字滤波技术是以数学理论为依托，涉及数学领域不同方面的知识，图1.1展示了不同数字滤波技术与数学理论的依托关系。随着各种理论的不断成熟和完善，数字滤波技术己经获得了长足的进步，并广泛地应用到了医学、遥感、红外等多个领域。现在国内外很多大学、科研机构都设有专门的机器视觉实验室对这方面的技术进行更加深入的研究，相信随着这方面研究的不断深入，不断的更新，将会不断有更好的方法被提出和应用。第二章 图像噪声2.1 图像噪声分类噪声9可以理解为“妨碍人们感觉器官对接收的信源信息理解的因素”。对于图像噪声，我们可以通过两个角度来对它进行定义：一、从人的感官角度来讲，对于图像噪声我们可以理解为是妨碍人们的视觉对所观察的图像信息进行识别与理解的因素；二、从数学角度来讲，将图像信息看成是以个空间函数，图像噪声就是使这个函数所表达的信息退化的因素，即在噪声的影响下，图像退化为。数字图像在其获取和传输等过程中，会受到各种噪声的干扰使图像恶化，质量下降，图像变模糊，特征被淹没，这对图像的分析极为不利。为了抑制噪声改善图像质量所进行的处理称为图像平滑或去噪。在数字图像处理中，常见的图像噪声1013有：（1）加性噪声加性噪声和图像信号是相互独立的，如果图像信号在传输过程中引进的信道噪声，此时含有噪声的图像可以表示为（2.1）（2）乘性噪声乘性噪声是一种和图像信号相关的噪声。在图像中，乘性噪声分为两类：一类是某像素处得噪声只与该像素的信号有关，另一类是某像素处的噪声与该像素点及其领域的像素信号有关。一幅含有和信号强度成比例的含噪声图像可以表示为(2.2)（3）椒盐噪声椒盐噪声是图像中经常见到的一种噪声，它是一种随机的白点或者黑点，通常是由图像传感器，传输信道和解码处理等产生的。（4）高斯噪声高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。（5）泊松噪声泊松噪声是指围绕拟合线上下波动的大小，其可以用频率公式表示，当取值x不等于0的时候便出现噪声，噪声的大小取决于x可以取多少个数值，和计算出结果与理想曲线之间差距得出。当然图像噪声的分类不仅仅只有这么五种，还有很多其他类型，在这里我就不一一列出。2.2 汽车纵梁图像噪声分析汽车纵梁图像的检测主要是检测其上定位孔的直径与位置。而要对汽车纵梁图像进行去噪处理，弄清楚汽车纵梁图像上主要含有哪些噪声是很有必要的。而图像含有的噪声不是单一的，现今我们还很难找到一种技术能很好的判断图像包含哪些噪声。在这里我们只能进行肉眼观察，凭借感觉和经验来分析图像含有噪声的种类。图（2.1）、图（2.2）、图（2.3）、图（2.4）是我们从东风公司41厂中汽车纵梁上面拍下来的真实图像，下面我们对其进行进行分析。图2.1 汽车纵梁图像（一） 图2.2 汽车纵梁图像（二）图2.3汽车纵梁图像（三） 图2.4 汽车纵梁图像（四） 我们可以看出汽车纵梁图像上面可能落有大颗粒的灰尘、油滴等，或者在汽车纵梁的铸造过程中表面不光滑存在很多毛刺等。椒盐噪声在这种情况下是很容易产生的，所以综合以上的一些汽车纵梁图像进行分析，我们不难发现椒盐噪声在汽车纵梁图像中的存在是很普遍的。由于拍照的过程中光线强度时不可确定的，这种状态下热噪声很容易产生，而热噪声大多数是符合高斯分布的也就是高斯噪声，我们可以看出以上汽车纵梁图像都存在光线不均匀的现象，所以高斯噪声在汽车纵梁图像中也是很普遍的。在拍摄的过程中，我们的摄像机或者照相机内部电路有可能因为各个接头产生电流变化，从而引起噪声，而这些噪声我们可以认为是乘性噪声和泊松噪声，所以基本每个图像中都含有，当然汽车纵梁图像也是不例外的。由以上分析，我们可以了解到汽车纵梁图像含有的噪声主要是椒盐噪声与高斯噪声，而乘性噪声与泊松噪声也含有。2.3 图像噪声的衡量由于噪声的产生是不确定的，因此对图像中包换噪声只能用统计学的方法进行描述，也就是将产生噪声的过程看成是随机的，描述噪声就用这个随机过程的概率密度函数。但是大多数的情况下，我们很难用某种数学函数表达式来进行表达，在这样的情况下我们通常观察噪声分布的一些特征。例如噪声的均值、方差等。我们还经常用信噪比来衡量噪声的强度，其表达式为： （2.3）其中和是信号与噪声的方差。第三章 图像去噪处理3.1 图像去噪方法分类图像去噪又称图像滤波，它的方法从不同处理域的角度可以划分为空间域与频域两种处理方法。空间域处理方法是在图像本身存在的二维空间里对其进行处理；而频域处理方法是用一组正交函数系来逼近原信号函数，获得相应的系数，将对原信号的分析转化到了系数空间域，即频域中进行。3.1.1 空间域图像去噪空间域滤波10在图像空间中，借助模板对图像进行邻域操作的处理方法。模板本身被称为空域滤波器。它的原理就是在待处理的数字图像中逐点的移动模板。滤波器在该点的响应通过事先定义的滤波器系数与滤波器模板扫过的图像区域的响应像素灰度值计算得到。空域滤波器按照不同的分类方法，有如下的形式：1.从数字形态上可以把空域滤波器分成线性滤波器与非线性滤波器（1） 线性滤波器线性滤波器是线性系统和频域滤波概念在空域中的自然延伸。其响应由滤波器系数与滤波模板器扫过区域的相应像素灰度值的乘积之和给出。对于一个3*3的模板，在图像中点（x,y）处的响应输出可表示为(3.1)式中， 是滤波器模板的系数；是滤波器模板所扫描的子图像的相应像素的灰度值。线性滤波又可以分为高通、低通和带通滤波器。（2） 非线性滤波器非线性滤波器也就是基于像素的邻域进行处理，模板的扫描方法类似，但是其输出结果一般来说直接取决于像素的邻域值，它包括中值滤波，最大、最小值滤波器等。2.从处理效果上可以把空域滤波器分为平滑空间滤波器和锐化空间滤波器（1）平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用。（2）锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。3.1.2频域图像去噪图像的频域去噪1015是以对图像的傅里叶变换系数进行滤波为基础的。假定原图像为，则其傅里叶变化为。频域去噪就是选择适合的滤波器对的频谱成分进行处理，然后经逆变换得到去噪后的图像。而频域去噪基本分为三种类型：低通滤波、高通滤波、同态滤波。3.1.2.1 低通滤波对于一幅图像，它的边缘、细节、跳跃部分以及噪声都代表高频分量，而大面积的北京区和缓慢变化部分就代表图像的低频分量。为了除去噪声改善图像质量，滤波器采用低通滤波器来抑制高频成分，通过低频成分，然后再进行逆傅里叶变换获得滤波图像，就可达到图像去噪的目的。低通滤波器的数学表达式为(3.2)式中为含有噪声的待处理图像的傅里叶变换，为低通滤波器的传递函数，为滤波后图像的傅里叶变换。而常用的频域低通滤波器有3种。1.理想低通滤波器一个理想的低通滤波器（ILPF）的传递函数由式（3.3）表示。 (3.3)式中，是定义的非负的常量，称为理想低通滤波器的截止频率；表示从频谱平面原点（在中心化了的频谱图像中心）到点的距离，即（3.4）这种滤波方法很简单，但是由于高频成分可能包含了大量的边缘信息，因此采用该滤波器再去噪的同时会导致图像边缘信息损失而使图像边缘模糊。另外它的处理还会产生较严重的振铃现象2.巴特沃思低通滤波器巴特沃思低通滤波器（BLPF）又称为最大平坦波滤波器。与理想的低通滤波器不同，它的带通与阻带之间没有明显的不连续，因此采用该滤波器滤波在抑制噪声的同时，图像边缘的模糊成都也是大大的减小，一阶的巴特沃思低通滤波器没有振铃效应产生，二阶的巴特沃思低通滤波器振铃效应很微小。当阶数越大时，巴特沃思低通滤波器产生的振铃效应越明显。一个n阶巴特沃思低通滤波器的传递函数为（3.5）经过分析，通过巴特沃思低通滤波器处理后的图像还保留很多高频部分，所以它对噪声的平滑效果不如理想低通滤波器。一般情况下，常采用下降到最大值的点为低通滤波器的截止频率点。3.指数低通滤波器指数低通滤波器（ELPF）是图像处理中常用的另一种平滑滤波器，它的传递函数为(3.6)由于指数低通滤波器具有比较平滑的过滤带，经此平滑后的图像没有振铃现象，而指数低通滤波器与巴特沃思滤波器相比，具有更快的衰减特性，指数低通滤波器滤波图像比巴特沃思低通滤波器处理的稍微要模糊一些。3.1.2.2 高通滤波图像的边缘或者线条等细节部分与图像频谱的高频分量相对应，因此采用高通滤波器让高频分量顺利通过，使图片的边缘或线条等细节变得清楚，可以实现图像的锐化。高通滤波可用空域法或频域法来实现。常用的频域高通滤波1315有3种主要类型。1.理想高通滤波器理想高通滤波器（IHPF）的传递函数如下：（3.7）2.巴特沃思高通滤波器一个n阶巴特沃思低通滤波器（BHPF）的传递函数为(3.8)3.指数低通滤波器指数低通滤波器（EHPF）的传递函数为（3.9）在以上三种高通滤波器中，理想高通滤波器也是由很明显的振铃现象，即图像的边缘有抖动现象；而巴特沃思高通滤波器效果较好，但是计算很复杂，其优点是有少量的低频通过，是渐变的，振铃现象不明显；指数高通滤波器的效果比巴特沃思差些，振铃现象不明显。3.1.2.3 同态滤波图像的同态滤波属于图像频域处理范畴，其作用是对图像灰度范围进行调整，通过消除图像上照明不均的问题，增强暗区的图像细节，同时又不损失亮区的图像细节。一般自然景物的图像可以由照明函数和反射函数的乘积来表示。（3.10）式中，描述了景物得照明，与景物无关；包含景物的细节，与照明无关。根据这个图像模型，可以用下列方法把两个相乘的分量分别进行滤波，方法如图（3.1）所示。对数变换FFT变换指数变换FFT逆变换图3.1同态滤波流程图3.1中，称为同态滤波函数，它可以分别作用于照明分量和反射分量上，因为照度分量在空间中是缓慢变化的，而反射分量在不同物体的交界处变化较为剧烈，所以求对数变换以后，其傅里叶变换的低频部分主要对应照度分量，而高频部分主要对应反射分量，假如图像照明不均，那么图像各部分的平均亮度会有起伏。对应于暗区的图像细节结构就较难分辨。需要消除这种不均匀性。3.2 Matlab图像去噪方法具体分析 MATLAB是矩阵实验室的简称，由美国的MathWork 公司出品。MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似。所以用MATLAB来解决图像去噪的问题要比用C、FORTRAN等语言完成相同的事情要简易得多。MATLAB语言已成为当今国际上科学界最具有影响力、最有活力的软件之一。其强大的科学运算、灵活的程序设计流程、高质量的图形可视化与界面设计、便捷的与其他程序和语言接口的功能，使得MATLAB在图像处理方面得到了广泛的应用。在这里，我们就用MATLAB对图像噪声处理进行程序设计。对于汽车纵梁图像的去噪1619，我主要研究了二维自适应维纳滤波、中值滤波器分析图像滤波、二维统计顺序滤波、二值形态滤波器滤波、均值滤波这几种去噪方法。以下我就具体研究以下这几种算法的原理以及程序。3.2.1 二维自适应维纳滤波20世纪40年代，维纳奠定了最佳滤波研究的基础，即假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特征，维纳根据最小均方误差准则（滤波器的输出信号与需要信号之差的均方值最小），求得了最佳线性滤波器的参数，这种滤波器成为维纳滤波器。MATLAB工具箱提供了wiener2函数，用来自适应对图像中的噪声进行滤除。它根据图像的局部方差来调节滤波器的输出，往往较线性滤波的效果要好，可以更好地保存图像边缘和高频细节信息。Wiener2函数采用的算法是首先估计像素的局部均值和方差（3.11）（3.12）式中，是图像中每个像素的的邻域。然后，对每个像素利用wiener滤波器估计其灰度值（3.13）式中，是图像噪声的方差。图3.2是我用matlab编写的维纳去噪程序对汽车纵梁图像进行处理的的结果。图3.2 用维纳滤波器对加有各种噪声的汽车纵梁图像处理结果通过对图3.2的分析，我们可以看出维纳自适应滤波器对泊松噪声以及乘性噪声的处理结果较为理想，而对于高斯噪声、椒盐噪声的处理结果不如人意。这样也更一步证明了维纳滤波器对线性滤波效果比较好，对椒盐噪声这样的随机点似地噪声处理效果差。3.2.2 中值滤波器分析图像滤波中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内所有像素点灰度值的中值。设有一个一维序列。取窗口长度为（为奇数），对此序列进行中值滤波，就是从输入序列中相继抽出个数其中，；为窗口的中心位置。再将这个点按其数值大小排列，取其序号为正中间的那个数作为滤波输出，用公式表示为（3.14）对二维图像信号进行中值滤波时，滤波窗口通常也是二维的，可以表示为（3.15） 对中值滤波法来说，选择一个正确的尺寸的窗口大小是很重要的，一般我们选择尺寸为奇数的窗口，但是很难再事先确定最佳的窗口尺寸，需要通过从小窗口到大窗口的中值滤波实验，再从中选择最佳窗口。图3.3是我用matlab编写的中值去噪程序对汽车纵梁图像进行处理的结果。通过对图3.3的结果分析，我们不难看出中值滤波器对泊松噪声与椒盐噪声这样的随机噪声的处理效果很好，但它对于点、线等细节较多的图像却不太好，如含有高斯噪声与乘性噪声的图像。但是这种方法的窗口大小不是很好选，而且这个大小的选择对图像的去噪效果有很大的影响。图3.3 用中值滤波器对加有各种噪声的汽车纵梁图像处理结果3.2.3 二维统计顺序滤波二维小波与一维小波的重要区别在于两者的取样方式不一样，在二维的情形下，信号的采样过程是通过取样矩阵来描述的。如果把空间看成一个网格，那么空间中的采样可以通过一个子网格 (记为)来描述是由2个基向量的线性组合而组成的，即(3.16)其中是为的整数矩阵，它的列向量为基向量，它的每个特征根的绝对值大于1。对于二维小波，尺度函数和小波函数之间存在如下双尺度方程（3.17）（3.18）图3.4是我用Matlab编写的中值去噪程序对汽车纵梁图像进行处理结果。通过对图3.4显示结果的分析可以看出，二维小波去噪也是对泊松噪声与椒盐噪声这样的随机噪声的处理效果很好，对高斯噪声以及乘性噪声不是很好。但是可以看出二维小波去噪和中值滤波器对随机噪声的处理效果要好。3.2.4 均值滤波均值滤波是一种很简单的空域处理方法，它将一个像素及其邻域中所有像素的平均值赋给输出图像中相应的像素，从而达到平滑的目的，又称为邻域平均法。均值滤波的过程是使一个窗口在图像上滑动，窗口中心位置的值用窗内各点值的平均值来替代，即用几个像素灰度平均值来替代一个像素的灰度。假定有一幅个像素的图像，平滑处理后得到的一幅图像为，由式（3.19）决定：图3.4 用二维小波滤波器对加有各种噪声的汽车纵梁图像处理结果（3.19）其中：是以为中心的邻域集合；是内的像素。式（3.19）说明，平滑化图像中每一个像素的灰度值均包含在的预定邻域中的的几个像素的灰度值的平均值来确定，从而能滤掉一定的噪声。其主要的优点是算法比较简单，计算速度快，但是其代价却是造成图像一定程度上的模糊。以下是我用Matlab编写的中值去噪法对汽车纵梁图像进行处理的结果图3.5。由图3.5可以看出均值去噪对图像中含有的各种噪声处理都有作用，但是它有一个很大的缺点就是对图像模糊化了。对于汽车纵梁图像而言，更是不可取的，因为它会将定位孔的边缘模糊化，影响其的检测精度。3.2.5 二值形态滤波汽车纵梁图像的检测过程中有很多部分需要将灰度图像转化为二值图像，而图像二值化处理常用的是阈值化处理。图像的二值化处理的变换函数表达式为(3.20)而二值形态滤波的重要思想就是利用形态学的开运算与闭运算的组合进行滤除图像的噪声。开运算可以切断细长的搭线，消除图像边缘的毛刺和孤立点，具有平滑图像辩解我的作用，而闭运算同样具有平滑边界的作用，且连接小的间断和填充小的空洞和裂缝。如果用结构元素对集合先进行开运算，然后对结果进行闭运算，则可以构成二值形态滤波器。用公式表达如下：(3.21)图3.6是我用Matlab编写的二值形态去噪程序对汽车纵梁图像进行处理的结果。由图3.6可以看出二值形态去噪对图片各种噪声处理都有作用，尤其是对椒盐噪声的处理效果更突出。但对于汽车纵梁图像而言，检测上面的定位孔是非常重要的。我们不难看出，二值形态滤波对光线非常强的图像有很好的滤波效果，但是在光线较暗的区域处理效果非常差，有的甚至将其信息丢失。所以对于汽车纵梁图像的去噪来说，二图3.5 用均值滤波器对加有各种噪声的汽车纵梁图像处理结果图3.6 用二值形态滤波器对加有各种噪声的汽车纵梁图像处理结果值形态滤波有其一定的可取性，但是这种滤波方法绝对是不符合的。只能将其作为我们以后思想的一种借鉴方法。3.3 去噪方法对汽车纵梁图像处理的具体分析小结在这一章中，我们用Matlab中含有的各种去噪算法进行了一个系统性分析，研究出各种去噪方法的优缺点。然而，我们的首要任务是汽车纵梁图像去噪算法研究与应用，所以我们在本章中研究这些算法时都是以汽车纵梁图像为去噪对象，从而观察这些方法对汽车纵梁图像去噪的优缺点，为下面我们研究适合于汽车纵梁图像去噪算法打下坚实的基础。由本章的内容，我们可以了解到二维自适应维纳滤波对汽车纵梁图像中含有的椒盐噪声与高斯噪声处理的效果非常不理想，而椒盐噪声又是汽车纵梁图像中含有的主要噪声之一，所以说二维自适应维纳滤波器并不是很理想的；中值滤波器与二维统计顺序滤波器对汽车纵梁图像中含有的高斯噪声和乘性噪声的处理有不尽人意，而高斯噪声也是是汽车纵梁图像中含有的主要噪声之一，所以这种滤波方法也不能满足要求；在上文我们就提到过二值形态滤波器在对汽车纵梁图像的处理过程中将其光线比较暗的部分的某些定位孔处理掉了，这对于汽车纵梁图像的信息量以及所含信息的精确度的影响非常大；而均值滤波器虽然对汽车纵梁图象中含有的各种噪声都有效果，但由于均值滤波的原理是将图像上面点的某个邻域内的阈值进行求平均值得到该点的阈值，从而组成图像，所以它会将汽车纵梁图像的边缘都模糊化，所以这种方法也很不理想的。虽然按照以上研究分析，我们好像找不到适合于汽车纵梁图像去噪的最佳方法，但我们可以对这些算法进行换种方式分析，即将其中某种算法进行改进或者将其中几种算法进行组合得到新的算法，以适合汽车纵梁图像的去噪。接着我按照将几个算法组合的思想研究了一下，最后得出的效果是，汽车纵梁图像的去噪效果非常好，但是图像更加模糊化，后来仔细想了一番，图像模糊化的原因是每一种图像去噪方法进行去噪后得到的图像都是将原图像分成一个一个的点，而去噪也就是改变这些点的阈值，最后将这些点进行组合，从而得到去噪图像。综合以上所述，我选择将均值去噪法进行改进，得到新的适合于汽车纵梁图像噪声处理的新方法。第四章 新均值去噪法4.1 图像去噪的一般步骤一般图像中的噪声都属于乘性噪声，可以通过同态滤波对图像取对数的方法先将乘性噪声转化为加性噪声，而后使用相关的空域或频域的数字滤波技术加以去早处理，最后再通过指数的办法将图像转化回来。图4.1展示了这一过程的基本流程。4.2 去噪方法设计思想本次研究的去噪方法是经过第三章的分析后，选取对各种噪声都有去噪效果的均值滤波器进行一定的改进。我们从第三章中可以了解到均值滤波对图像进行去噪时最大的缺点在于它将图像整体模糊化了，而我研究的新均值去噪算法是将均值滤波对图像的模糊程度减小。该去噪方法的主要思想为：先将一个图像定义为，先检测出要处理图像的阈值，然后对图像进行均值滤波得到的一幅均值去噪图像，然后将原图像与均值去噪图像进行比较，如果两张图像某一点的差异要大于原图像阈值的百分之五，那么该点就取均值滤波图像，否则该点就取原图像，最后一综合得到新图像。用流程图来表示如图4.2。新思想的实现程序为： m,n=size(I);G=;for s=1:m for t=1:n if abs(I(s,t)-j(s,t)T G(s,t)=j(s,t); else G(s,t)=I(s,t); end输出图像输入图像取对数，便乘性噪声为加性噪声输出处理结果使用相关的数字滤波技术对图像进行去噪处理对图像取指数否乘性噪声？是乘性噪声？是否图4.1 图像去噪的一般流程输入图像均值去噪图像检测阈值并进行均值滤波检测阈值是否?取取两者相加新图像图4.2 去噪设计方法思想流程图4.3 新均值去噪的效果 由于我本次设计的新均值去噪法其实是在均值去噪的基础上进行改进的一种方法，所以在这里我就将去噪后的图像与均值去噪的图像进行对比。图4.3(1)、4.4(1) 、4.5(1) 、4.6(1) 、4.7(1) 、4.8(1) 、4.9(1) 、4.10(1) 、4.11(1) 、4.12(1) 、4.13(1) 、4.14(1)为原图像，图4.3(2)、4.4(1) 、4.5(2) 、4.6(2) 、4.7(2) 、4.8(2) 、4.9(2) 、4.10(2) 、4.11(2) 、4.12(2) 、4.13(2) 、4.14(2)为新均值去噪图像，图4.3(3)、4.4(3) 、4.5(3) 、4.6(3) 、4.7(3) 、4.8(3) 、4.9(3) 、4.10(3) 、4.11(3) 、4.12(3) 、4.13(3) 、4.14(3)为均值去噪图像。图4.3(1) 原图像 图4.3(2) 新均值去噪图像 图4.5(3) 均值去噪图像 图4.4(1) 原图像 图4.4(2) 新均值去噪图像 图4.4(3)均值去噪图像我们将以上图像对比后，能观察出新均值去噪法的去噪效果明显比均值去噪法的去噪效果要好，而且新均值去噪法对图像的模糊化程度要比均值去噪要小很多，所以新均值去噪法对汽车纵梁图像的去噪还是很有效的。 图4.5(1) 原图像 图4.5(2) 新均值去噪图像 图4.5(3)均值去噪图像 图4.6(1) 原图像 图4.6(2) 新均值去噪图像 图4.6(3)均值去噪图像 图4.7(1) 原图像 图4.7(2) 新均值去噪图像 图4.7(3)均值去噪图像 图4.8(1) 原图像 图4.8(2) 新均值去噪图像 图4.8(3)均值去噪图像 图4.9(1) 原图像 图4.9(2) 新均值去噪图像 图4.9(3)均值去噪图像 图4.10(1) 原图像 图4.10(2) 新均值去噪图像 图4.10(3)均值去噪图像 图4.11(1) 原图像 图4.11(2) 新均值去噪图像 图4.11(3)均值去噪图像 图4.12(1) 原图像 图4.12(2) 新均值去噪图像 图4.12(3)均值去噪图像 图4.13(1) 原图像 图4.13(2) 新均值去噪图像 图4.13(3)均值去噪图像 图4.14(1) 原图像 图4.14(2) 新均值去噪图像 图4.14(3)均值去噪图像 4.4 阈值的选取通过图4.2中的我们可以观察到新均值去噪对图像阈值的选取很重要。我使用的是迭代法阈值选取法，具体方法和步骤如下：1)选择一个初始阈值T，例如，假定图像像素的最大灰度值和最小灰度值分别为和，则初始阈值T可以选择为。2)利用选择的阈值T对图像进行分割，根据图像像素的灰度值，可以将图像分割为两部分，灰度值大于T的图像区域G1和灰度值小于T的图像区域G2 。3)分别计算G1和G2包含的像素的灰度均值u1和u2 。4)计算新的阈值。5)重复步骤2)、3)、4)，直到连续两次计算得到的T的差值满足设定的范围，从而完成阈值的自动计算。该部分的程序为： tmin=min(I(:); tmax=max(I(:); th=(tmin+tmax)/2; ok=true; while ok g1=I=th; g2=I=1; th=thnew;end; th=floor(th); 阈值计算完成以后，以阈值的百分之五为基准，来确定图像上的点的灰度最后取源图像上的还是去噪后图像的。而这个百分之五我认为图像上噪声的那个点与去噪后的点阈值区别很大，并认为图像噪声的点与去噪后图像上的点灰度值的差不会小于原图像的百分之五。4.5 新均值去噪法的时间复杂度我们要评价一种方法的好坏，不仅要考虑处理结果的好坏，还要考虑该方法所消耗的成本。在这里我们只考虑该方法处理结果的好坏与处理所消耗的时间，由以上分析我们可以看出新均值去噪法的处理结果令人满意，下面我们就考虑一下时间复杂度的问题。我们可以很容易的得到均值去噪的时间复杂度为n2,而新均值去噪法与均值去噪法的区别在于新思想部分，我们根据以上程序段可以分析到，新均值去法的时间复杂度也是n2,所以新均值去噪与均值去噪花费的时间在一个级别，两者消耗成本基本相同。第五章 课题界面设计我们研究一个课题主要还是要将自己的思想与研究结果展现给读者面前，而展示的方式就是设计一个界面。在本次课题研究中我是利用Matlab的GUI模块进行设计的界面。下面我就将我的界面展示给大家。5.1 图像输入模块图5.1就是我设计的图像输入模块，它是由一个Push Button模块与Axes图像显示模块组成。图5.1 图像输入模块该模块的功能也就是使我们输入的图像能够从电脑中直接读取，并且使其有一个窗口显示出来。5.2 加入噪声模块与去噪模块图5.2与图5.3分别是我设计的加入噪声模块与去噪模块，它们都是由一个Pop-up Menu模块与Axes图像显示模块组成。图5.2 加入噪声模块图5.3 去噪模块这两个模块组合在一起才能显示出它们的功能。它们的使用是先将原图片经过加入噪声模块选择一种噪声加入，然后用去噪模块中的各种去噪方法进行去噪处理得出的去噪图像显示在去噪模块中。设计这两个模块的主要目的是可以观察出各种去噪方法对不同噪声的处理效果，从而看出各种去噪方法的优缺点，也可以找到去除某种噪声最有效的方法。5.3 对汽车纵梁图像噪声处理模块图5.4分别是我设计的汽车纵梁图像噪声处理模块，它是由一个Pop-up Menu模块与Axes图像显示模块组成。图5.4 汽车纵梁图像噪声处理模块这个模块是用来将我所设计的去噪方法与各种去噪方法对汽车纵梁图像处理的对比。5.4 退出模块 这个模块比较简单，就是一个Push Button模块构成，如图5.5图5.5 退出模块这个模块的作用主要是使系统安全退出，尽量避免非法退出，因为那样容易出现一些意想不到的错误。5.4 界面总图图5.6是前5个模块的总图。图5.5 界面总图结束语经过大四下学期的努力，我从最初的资料收集，对各种去噪算法的研究，设计最佳方法，界面设计，程序编写到最后的调试，终于达到了本课题的要求，实现了对汽车纵梁图像很好的去噪处理，能够很好的将其噪声去掉并且对图像中的有用信息保留的最多。最开始我主要是对维纳滤波器、中值滤波器、二值形态滤波器、均值滤波器以及二维小波分析图像滤波器进行研究，即将多张汽车纵梁图像分别经过维纳滤波器、中值滤波器、二值形态滤波器、均值滤波器以及二维小波分析图像滤波器这些滤波器去噪后，我们可以看出得到的图像都不尽人意，有的噪声处理的很好但将图像模糊化了；有的将图像信息保存得比较好但噪声处理的不够到位；有的噪声处理的比较好但