数字图像课程设计-基于形态学去噪.docx

目录一、 目的与要求-11、课程设计目的-12、课程设计课题任务-13、实施要求-1二、课程设计选题的背景意义-21、数字图像处理的介绍-22、数学形态学发展简史-2三、设计的主要内容及基本原理-41、主要内容-42、基本原理-43、MATLAB简介-4四、总体方案设计-51、系统设计框图-52、模块功能介绍-5五、测试与调试-61、高斯噪声和椒盐噪声的介绍-62、用中值滤波对高斯噪声和椒盐噪声进行处理-73、用均值滤波对高斯噪声和椒盐噪声进行处理-14六、总结与体会-17七、参考文献-18一、目的与要求1、课程设计目的（1）、提高分析问题、解决问题的能力，进一步巩固数字图像处理系统中的基本原理和方法。（2）、熟悉掌握一门计算机语言，可以进行数字图像应用处理的开发设计。2、课程设计课题任务（1）、对加有高斯、椒盐噪声的图像进行处理；（2）、采用不同的形态学滤波方法处理上述图像，比较处理结果；（3）、概括介绍形态学在图像去噪中的应用领域；3、实施要求（1）、理解各种图像处理方法确切意义；（2）、独立进行方案的制定，系统结构要合理。（3）、程序开发时，则必须清楚主要实现函数的目的和作用。（4）、通过多幅不同形式的图像来检测该系统的稳定性和正确性。1二、课程设计选题的背景意义1、数字图像处理的介绍数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。最早出现于20世纪50年代，作为一门学科大约形成于20世纪60年代初期。发展到现在其应用范围十分广泛，涉及航天和航空技术、生物医学工程、通信工程、视频和多媒体等。数字图像处理的主要内容或目的包括以下几个部分:对图像质量加以改善，使图像更加清晰，有助于提高目视效果，或者从图像中检测出所需要的部分;对图像进行描述和分析，通过描述图像的几何、拓扑性质、纹理性质等来提取图像的各种特征，以便利用这些特征进行对图像的理解和识别;图像理解，由投影图重建三维图像以及对三维场景的分析等等。2、数学形态学发展简史数学形态学作为一门新兴的图像处理与分析学科，其基本理论与方法在文字识别、医学图像、处理与分析、图像编码压缩、视觉检测、材料科学及机器人视觉等诸多领域都取得了广泛的应用。已经成为图像工程技术人员必须掌握的基本知识之一。1964年由法国的马瑟荣（G.Matheron）和塞拉（J.Serra）在积分几何的基础上首次创立。70年代初，采用数学形态学的学者们开拓了图像分析的一个新的领域。经过十多年的理论与实践探索，马瑟荣（G.Matheron）和塞拉（J.Serra）等人在研究中认识到，对图像先作开运算接着再作闭运算，可以产生一种幂等运算;采用递增尺寸的交变开闭序列作用于图像，可有效地消除图像的噪声，1982年他们正式提出了形态学滤波器的概念。90年代数学形态学有两个显著的发展趋势，第一个是致力于运动分析，包括编码与运动景物描述;第二个是算法与硬件结构的协调发展，用于处理数值函数的形态学算子的开发与设计。目前国内许多有效的图像处理系统有的是基于数学形态学方法原理设计的，有的是把数学形态学算法纳入其基本软件，并以其运算速度作为系统性能的重要标志之一。2数学形态学可以看作是一种特殊的数字图像处理方法和理论，以图像的形态特征为研究对像。它通过设计一整套变换(运算)、概念和算法，用以描述图像的基本特征。简言之，数学形态学中的各种变换、运算、概念和算法的目的，在于描述一图像的基本特征或基本结构，亦即一图像的各个元素或者各个部分之间的关系。数学形态学作为一种用于数字图像处理和识别的新理论和新方法，它的理论虽然很复杂，被称为“惊人数学”，但它的基本思想却是简单而完美的。数学形态学的基于集合的观点是极其重要的。这意味着:它的运算由集合运算(如并、交、补等)来定义;所有的图像都必须以合理的方式转换为集合。3三、设计的主要内容及基本原理1、主要内容该系统主要是完成图像去噪的算法及实现，具体来说是是对图像的噪声处理。图像在传输、存储过程中不可避免地会受到各种噪声的干扰，设计出该系统可以对图像进行噪声分析、各种噪声处理以及结果比较，实现图像的去噪运算，改善图像质量，使图像看起来自然，最终达到良好的视觉效果。2、基本原理本系统采用MATLAB软件进行编程设计，在MATLAB中可直接调用多种函数对图像处理。首先是调用加噪函数对原图像的加入各种噪声，然后设计并采用多种方法对有噪声的图像进行去噪处理，通过比较多幅图像的处理结果，选择对不同噪声种类的最佳处理方法。3、MATLAB简介MATLAB是美国Mathworks公司1983年首次推出的一套高性能的数值分析和计算软件，MATLAB将矩阵运算、数值分析、图形处理、编程技术结合在一起，为用户提供了一个强有力的科学及工程问题的分析计算和程序设计工具，它还提供了专业水平的符号计算、文字处理、可视化建模仿真和实时控制等功能，是具有全部语言功能和特征的新一代软件开发平台。在数字图像处理领域，有很多汇编语言，也有多种软件工具，但MATLAB具有很好的优势：丰富的函数工具箱，能方便的调用各种函数；强大的矩阵处理能力，快速计算大量复杂的数据，因而受到广大工作人员的青睐。本系统采用的软件即为MATLAB仿真处理。4四、总体方案设计1、系统设计框图 原图 加 加噪声 噪声分析系统评测 结果比较 去噪处理2、模块功能介绍 如上系统框图所示，该系统共分为五个模块（原图模块不算），开发工具选用MATLAB，下面就各个模块功能作简要介绍：（1）、 加噪声模块 对图像进行加噪声处理，采用imnoise函数，其语法为：J=imnoise(I,type)J=imnoise(I,type,parameters)功能：返回原图像I添加典型噪声的图像J，参数type和parameters用于确定噪声的相应的参数。（2）、噪声分析噪声种类共有两种：type =gaussian时， 为高斯噪声； type=salt & pepper时， 为椒盐噪声；（3）、去噪处理 通过不同方法和算法对图像进行去噪处理（4）、结果比较通过对多幅图像采用不同的处理方法，比较各种方法对不同图像的处理效果，选出应对各种噪声最好的处理方法。（5）、系统评测 对整个系统作出整体性测验，验证系统的可靠性与稳定性，对不足之处加以改进以改善系统。5五、测试与调试1、高斯噪声和椒盐噪声的介绍高斯噪声是指噪声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。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。 高斯白噪声包括热噪声和散粒噪声。而椒盐噪声是指椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理，通过比较两种滤波技术对图像处理的效果，可以看出哪种滤波技术对椒盐噪声更起作用，哪种滤波技术对高斯噪声更有效果，再根据同一种滤波技术对不同窗口尺寸的图像进行滤波，比较处理效果，最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。（1）高斯噪声在现实中这种噪声比较普遍，所以我们对其考虑甚多。事实上，这种易处理性比较方便，考虑时这种模型经常居于临界情况下。高斯随即变量Z的PDF由下式给出： p(z)= (3-1)其中z表示灰度值，表示z的平均值或期望值，表示z的标准差。标准差的平方2称为z的方差。当z服从式（3-1）的分布时候，其值有70落在(-),(+)内，且有95落在(-2),( +2)范围内。（2）脉冲噪声(椒盐噪声)(双极)脉冲噪声的PDF可由下式给出：P(z)= (3-14)如果ba，灰度值b在图像中将显示为一个亮点，相反，a的值将显示为一个暗点。若或为零，则脉冲噪声称为单极脉冲。如果和均不可能为零，尤其是它们近似相等时，脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因，双极脉冲声也称为椒盐噪声。同时，它们有时也称为散6粒和尖峰噪声。2、用中值滤波对高斯噪声和椒盐噪声进行处理中值滤波：是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值。实现方法：1：通过从图像中的某个采样窗口取出奇数个数据进行排序2：用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。中值滤波原理中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是去某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=medf(x-k,y-l),(k,lW) ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。中值滤波用3*3的滤波窗口进行中值滤波处理：程序如下： i=imread(Winter.jpg); %读入图像subplot(2,2,1); imshow(i); %显示原始图像title(original); %设置图像标题j = imnoise(i,salt & pepper,0.02); %加均值为0，方差为0.02的椒盐噪声subplot(2,2,2); imshow(j); %显示处理后的图像title(加入椒盐噪声);k = imnoise(i,gaussian,0.02); %加均值为0，方差为0.02的加入高斯噪声l = imnoise(k,salt & pepper,0.02); %加均值为0，方差为0.02的椒盐噪声 subplot(2,2,3);imshow(l);title(加入椒盐噪声和高斯噪声);7r=l(:,:,1);g=l(:,:,2);b=l(:,:,3);m,n=size(r);for i=1:mfor j=1:nif(i=1|i=m|j=1|j=n)G(i,j)=r(i,j);elsehao(1)=r(i-1,j-1);hao(2)=r(i-1,j);hao(3)=r(i-1,j+1);hao(4)=r(i,j-1);hao(5)=r(i,j);hao(6)=r(i,j+1);hao(7)=r(i+1,j-1);hao(8)=r(i+1,j);hao(9)=r(i+1,j+1);hao=sort(hao);G(i,j)=hao(5);endendend for i=1:mfor j=1:nif(i=1|i=m|j=1|j=n)K(i,j)=g(i,j);elsehao(1)=g(i-1,j-1);hao(2)=g(i-1,j);hao(3)=g(i-1,j+1);hao(4)=g(i,j-1);hao(5)=g(i,j);thao(6)=g(i,j+1);hao(7)=g(i+1,j-1);hao(8)=g(i+1,j);hao(9)=g(i+1,j+1);hao=sort(hao);K(i,j)=hao(5);endendend for i=1:m8for j=1:nif(i=1|i=m|j=1|j=n)L(i,j)=b(i,j);elsehao(1)=b(i-1,j-1);hao(2)=b(i-1,j);hao(3)=b(i-1,j+1);hao(4)=b(i,j-1);hao(5)=b(i,j);hao(6)=b(i,j+1);hao(7)=b(i+1,j-1);hao(8)=b(i+1,j);hao(9)=b(i+1,j+1);hao=sort(hao);L(i,j)=hao(5);endendend l(:,:,1)=G; l(:,:,2)=K; l(:,:,3)=L; subplot(2,2,4); imshow(l);9 图一 3*3的滤波窗口的中值滤波结论：可以看出中值滤波对椒盐噪声的消噪处理效果比较好，但是对高斯噪声的消噪处理效果不是很理想。用5*5的滤波窗口进行中值滤波处理：程序如下: i=imread(Winter.jpg); %读入图像subplot(2,2,1);imshow(i); %显示原始图像title(original); j = imnoise(i,salt & pepper,0.02); %加均值为0，方差为0.02的椒盐噪声。subplot(2,2,2);imshow(j); %显示处理后的图像title(加入椒盐噪声);k = imnoise(i,gaussian,0.02); %加均值为0，方差为0.02的加入高斯噪声l = imnoise(k,salt & pepper,0.02); %加均值为0，方差为0.02的椒盐噪声subplot(2,2,3);imshow(l);title(加入椒盐噪声和高斯噪声);r=l(:,:,1);g=l(:,:,2);10b=l(:,:,3); a,b=size(r);for i=1:a for j=1:b if(i=1|i=2|i=a-1|i=a|j=1|j=2|j=b-1|j=b) P(i,j)=r(i,j); else hao(1)=r(i-2,j-2); hao(2)=r(i-2,j-1); hao(3)=r(i-2,j); thao(4)=r(i-2,j+1); hao(5)=r(i-2,j+2); hao(6)=r(i-1,j-2); hao(7)=r(i-1,j-1); hao(8)=r(i-1,j); hao(9)=r(i-1,j+1); hao(10)=r(i-1,j+2); hao(11)=r(i,j-2); hao(12)=r(i,j-1); hao(13)=r(i,j); hao(14)=r(i,j+1); hao(15)=r(i,j+2); hao(16)=r(i+1,j-2); hao(17)=r(i+1,j-1); hao(18)=r(i+1,j); hao(19)=r(i+1,j+1); hao(20)=r(i+1,j+2); hao(21)=r(i+2,j-2); hao(22)=r(i+2,j-1); hao(23)=r(i+2,j); hao(24)=r(i+2,j+1); hao(25)=r(i+2,j+2); hao=sort(hao); P(i,j)=hao(13); end endend for i=1:a for j=1:b if(i=1|i=2|i=a-1|i=a|j=1|j=2|j=b-1|j=b) Q(i,j)=g(i,j);11 else hao(1)=g(i-2,j-2); hao(2)=g(i-2,j-1); hao(3)=g(i-2,j); hao(4)=g(i-2,j+1); hao(5)=g(i-2,j+2); hao(6)=g(i-1,j-2); hao(7)=g(i-1,j-1); hao(8)=g(i-1,j); hao(9)=g(i-1,j+1); hao(10)=g(i-1,j+2); hao(11)=g(i,j-2); hao(12)=g(i,j-1); hao(13)=g(i,j); hao(14)=g(i,j+1); hao(15)=g(i,j+2); hao(16)=g(i+1,j-2); hao(17)=g(i+1,j-1); hao(18)=g(i+1,j); hao(19)=g(i+1,j+1); hao(20)=g(i+1,j+2); hao(21)=g(i+2,j-2); hao(22)=g(i+2,j-1); hao(23)=g(i+2,j); hao(24)=g(i+2,j+1); hao(25)=g(i+2,j+2); hao=sort(hao); Q(i,j)=hao(13); end endend for i=1:a for j=1:b if(i=1|i=2|i=a-1|i=a|j=1|j=2|j=b-1|j=b) W(i,j)=b(i,j); else hao(1)=b(i-2,j-2); hao(2)=b(i-2,j-1); hao(3)=b(i-2,j); hao(4)=b(i-2,j+1); hao(5)=b(i-2,j+2); hao(6)=b(i-1,j-2); hao(7)=b(i-1,j-1);12 hao(8)=b(i-1,j); hao(9)=b(i-1,j+1); hao(10)=b(i-1,j+2); hao(11)=b(i,j-2); hao(12)=b(i,j-1); hao(13)=b(i,j); hao(14)=b(i,j+1); hao(15)=b(i,j+2); hao(16)=b(i+1,j-2); hao(17)=b(i+1,j-1); hao(18)=b(i+1,j); hao(19)=b(i+1,j+1); hao(20)=b(i+1,j+2); hao(21)=b(i+2,j-2); hao(22)=b(i+2,j-1); hao(23)=b(i+2,j); hao(24)=b(i+2,j+1); hao(25)=b(i+2,j+2); hao=sort(hao); W(i,j)=hao(13); end endend l(:,:,1)=P; l(:,:,2)=Q l(:,:,3)=w subplot(2,2,4) imshow(l); 13图2 5*5的滤波窗口中值滤波比较图二和图一的第四幅图，发现对于椒盐噪声，中值滤波效果更好。对于高斯噪声，选用5*5窗口滤波效果好于3*3窗口滤波，但图像模糊程度加重了。3、用均值滤波对高斯噪声和椒盐噪声进行处理I=imread(JonesBW.JPG);I1=i