基于Matlab的数字图像处理系统设计

基于matlab的数字图像增强算法的研究与实现摘要在图像采集和传输过程中，会受到各种噪声的干扰，降低图像质量，不利于图像分析。图像平滑或去噪一直是数字图像处理技术中的一项重要工作。因此，讨论了空间域中的各种数字图像平滑技术。关键词：数字图像；图像增强；平滑21目录第一章，概述21.1图像平滑含义21.2图像平滑应用21.3噪声模型3第2章，图像平滑方法52.1空域低通滤波器52.1.1均值滤波器62.1.2中值滤波器62.2频域低通滤波7第三章，图像平滑和调试93.1模拟噪声图像93.2均值滤波113.3中值滤波143.4频域低通滤波17第四章，总结和经验19参考文献20第一章，概述1.1图像平滑的含义图像平滑的主要目的是降低图像噪声。图像噪声来自多个方面，包括来自系统外部的干扰(如电磁波或通过电源进入系统的外部噪声)，以及来自系统内部的干扰(如摄像机的热噪声、电器机械运动产生的抖动噪声的内部噪声)。由于干扰，实际获得的图像有噪声。噪声原因决定了噪声分布的特征及其与图像信号的关系。降噪方法可以在空间域或频率域中处理。在空间域中，基本方法是找到像素的平均值或中值。在频域，使用低通滤波技术。图像中的噪声通常与信号交织在一起，尤其是乘性噪声。如果处理不当，图像本身的细节，如边缘轮廓和线条，将会变得模糊，从而降低图像质量。图像平滑总是以模糊某些细节为代价。因此，如何在尽可能保持图像细节的同时尽可能平滑图像的噪声是图像平滑研究的主要问题之一。1.2图像平滑应用图像平滑主要是消除污染图像中的噪声，这是遥感图像处理研究的最基本内容之一。它广泛应用于图像显示、传输、分析、动画、媒体合成等方面。这项技术是一种提高图像质量的方法，是为人类视觉系统的生理接受而设计的。处理对象是在图像生成、传输、处理和显示过程中受到各种因素干扰的噪声图像。在图像处理系统中，当图像恢复技术旨在“图像中唯一的退化是噪声”时，图像平滑是一种特殊情况。1.3噪声模型噪声源图像可能会受到各种噪声的干扰，而数字图像的本质是光电信息，因此图像噪声可能主要来自以下几个方面：光电传感器噪声、大气电磁风暴引起的强脉冲干扰、闪电等。光粒子噪声和信道传输误差引起的噪声等。噪声的存在恶化了图像质量，模糊了图像，甚至完全淹没了图像特征，给图像识别和分析带来了困难。目前，比较经典的去噪方法或多或少会给图像带来模糊。因此，寻找一种既能去除噪声又不模糊图像的方法一直是图像增强处理中的一个难题，目前仍在不断探索中。1.3.2高斯噪声数字图像的噪声主要来自图像采集和传输过程。根据其成因，可分为：光电子噪声、热噪声、KTC噪声、量化噪声和信道传输噪声。根据是否独立于空间坐标和是否与图像相关，可将其分为加性噪声和乘性噪声。为了尽量减小噪声对图像的影响，人们从两个方面做了大量的工作：提高硬件质量和处理污染图像。本文主要考虑处理污染图像的算法研究。为了处理污染图像，人们研究了噪声并建立了相应的数学模型。噪声表达式的数学建模主要考虑两个因素：噪声的成因和污染图像上噪声的统计特性。这种噪声主要来自低照度或高温引起的电子电路噪声和传感器噪声，也称为正常噪声，这是一种在实践中经常使用的噪声模型。1.3.3盐和胡椒噪音它主要来自成像过程中的短暂停留和数据传输中产生的误差。它的PDF是如果是b a，灰度值B在图像中显示为亮点，而A值显示为暗点。如果Pa和Pb都不为零，则图像类似于随机分布图像上的胡椒和盐粉末颗粒，因此称为胡椒和盐噪声。当Pa为零时，它显示为“盐”噪声。当铅为零时，它表现为“胡椒”噪声。MATLAB图像处理工具箱提供的噪声添加功能imnoise可以给图像添加一些典型的噪声。它的语法：j=噪声(I，类型)j=噪声(输入、类型、参数)它的功能是将带有典型噪声的图像J返回到原始图像I，并使用参数类型和参数来确定噪声的类型和相应的参数。三种典型噪音：当类型=高斯时，它是高斯噪声；类型=盐胡椒时的盐和胡椒噪音；类型=斑点是乘性噪声；图像数据读取功能imread从图像文件中读取图像数据。基本呼叫格式如下：I=imread(文件名，“图像文件格式”)它的功能是将文件名指定的图像文件读入II=显示(A)它的功能是显示图像a。以下程序实现三种噪声污染图像：I=imread(Lena . BMP)；%读取图像I1=噪声(1，高斯)；%加高斯噪声I2=imnoise(I，盐胡椒，0.02)；%盐和胡椒噪音I3=噪声(1，散斑)；%乘法噪声子情节(221)，imshow(1)；%显示图像I子情节(222)，imshow(I1)；子情节(223)，imshow(I2)；子情节(224)，imshow(I3)；运行结果如下：图1噪声污染图像第二章，图像平滑方法2.1空间低通滤波空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波。空间域滤波具有线性和非线性特征：线性和非线性波平滑器。线性平滑滤波器包括域平均(均值滤波器)，而非线性平滑滤波器有中值滤波器。2.1.1均值滤波器对某些图像进行线性滤波可以去除图像中的某些类型的噪声。例如，使用邻域平均法的平均滤波器非常适合于去除扫描图像中的粒子噪声。邻域平均是一种空间平滑技术。这种方法的基本思想是，在图像空间中，假设原始图像f(x，y)具有神经网络像素，用场中几个像素的平均值来代替图像中每个像素值的运算。平滑后，得到图像g(x，y)，其表达式如下：其中：x，y=0，1，2，n-1；s是(x，y)点域中点的坐标集，但不包括(x，y)点；m是集合中坐标点的总数。域平均法有效地抑制了噪声，但随着域的增大，图像模糊程度越来越严重。为了尽可能减少模糊失真，阈值法也可以用来减少域平均造成的模糊效应。公式如下：其中：t是指定的非负阈值。上述方法也可以称为算术平均滤波器，除此之外，还可以使用几何平均滤波器、谐波平均滤波器和逆谐波平均滤波器。几何平均滤波获得的平滑度可以与算术平均滤波相比，但在滤波过程中会损失较少的图像细节。谐波均值滤波对“盐”噪声有较好的效果，但不适用于“胡椒”噪声。它擅长处理其他噪声，如高斯噪声。逆谐波均值滤波器更适合处理脉冲噪声，但它的缺点是需要知道噪声是暗噪声还是亮噪声，以便选择合适的滤波器阶数符号。如果订单标志选择错误，可能会导致灾难性的后果。2.1.2中值滤波器中值滤波是一种常见的去除噪声的非线性平滑滤波方法。其基本思想是将图像像素的灰度值替换为其域灰度值的中值。二维中值滤波可由以下公式表示：其中：A为过滤窗口；这是一个二维数据序列。其主要功能是将周围像素灰度值相差较大的像素改变为与周围像素灰度值相近的值，从而消除孤立的噪声点。因此，中值滤波对于滤除图像中的椒盐噪声非常有效。中值滤波不仅可以去除噪声，还可以保护图像的边缘，从而获得令人满意的恢复效果。而且，在实际操作过程中不需要图像的统计特征，这也带来了很多方便。然而，中值滤波不适用于具有许多细节的图像，尤其是具有许多点、线和尖顶的图像。2.2频域低通滤波当分析图像信号的频率特性时，对于一对图像，直流分量代表图像的平均灰度级，大面积背景区域和平缓变化部分是低频分量，其边缘、细节、跳跃部分和粒子噪声都代表图像的高频分量。频域低通滤波是通过去除噪声的高频成分，从而平滑图像。卷积定理可以写成以下形式：G(u，v)=H(u，v)F(u，v)其中，F(u，v)是噪声图像的傅里叶变换，G(u，v)是平滑图像的傅里叶变换，H (u，v)是传递函数。H(u，v)用于衰减F(u，v)的高频分量以获得g(u，v)，然后通过逆变换获得期望的图像G(u，v)。低通滤波平滑图像的系统框图如下：图3-1图像频域低通滤波流程图低通滤波方法进一步分为以下类型：(1)理想低通滤波器理想低通滤波器的传递函数由以下公式表示：其中D0是指定的非负量，称为理想低通滤波。的截止频率。D(u，v)表示从频率平面原点到(u，v)点的距离，即：理想的低通滤波器会在处理过程中造成严重的模糊和振铃。(2)巴特沃斯低通滤波器n阶Badawworth滤波器的传递系数为DLPF与ILPF的不同之处在于，它的通带和阻带之间没有明显的不连续性，因此不存在“振铃”现象，并且模糊程度降低。然而，从其传递函数特性曲线H(u，v)可以看出，更多的高频保留在其尾部，因此对噪声的平滑效果不如ILPF(理想低通滤波器)。(3)指数滤波器(ELPF)传