遗传算法在图像处理中的应用研究

1、Y1058t92分类号:聊州鸠#校代鹕:10079女纽:tM华北电力大学北。、硕士学位论文题目:遗传算法在图像处理自的应用研究英文趣目:Research on Appliev,tion of Genetlc Algoilmm in:m2鲁cProcessing研究生:尚飞专业:信号与信息处理研究方向:史州估q与1二息处删指导教师t唐皂瑞职称副教授论文提交日期:2806年12月华北电力凡学 p(扩图2-1中值滤波幅频响应日近似统计曲线图自适应滤波,就是利用潜意识可以获得的滤波器参数等结果,自动地调节现时刻的滤波器参数,以适应信号和噪声未知的或随时间变化的统计特性,从而实现最优滤波。自适应滤波是近

2、30年来发展起来的。维纳和卡尔曼滤波器等滤波器要求已知关于信号和噪声统计特性的先验知识,但在实际应用中常常无法得到信号特征先验值时,在这种情况下,采用自适应滤波器,能够得到较好的滤波效果。原始图像经过均值滤波后,噪声得到了抑制,图像也得到了平滑,但同时也使图像边缘变得模糊。中值滤波方法简单,易于实现,而且能较好地保护边界,但对图像中的细节处理不理想,有时会失掉图像中的细线和小块目标区域。均值滤波非常适用于去除通过扫描得到的图像中的颗粒噪声。中值滤波器对于滤除图像中的椒盐噪声非常有效。如图2.2所示。自适应滤波具有更好的选择性,不但使噪声得到了抑制,且更好地保存图像的边缘和高频细节信息,使得目标

3、比均值滤波和中值滤波更清晰。 (a随机噪声(b随机噪声均值滤波(c随机噪声中值滤波(d随机噪声高斯滤波 (e椒盐噪声(f椒盐噪声均值滤波(g椒盐噪声中值滤波(h椒盐噪声高斯滤波图2-2滤波结果 (aLena原图(bRoberts算子分割 (cPrewitt算子分割(dSobel算子分割图2-8边缘检测算子图像分割串行是指在处理图像时不但利用本身像素的信息,而且还利用前面已经处理过像素的结果。串行边界分割是指采用串行的方法对目标边界检测来实现分割的方法。串行边界技术通常是通过顺序搜索边缘点来工作的,包括:起始边缘点的确定、确定搜索下一个边缘点的的准则和设定中值搜索过程的条件。串行边界分割技术是一

4、类重要的图像分割技术。它可以和其他方法结合进行图像分割。常用的方法是边界跟踪。边界跟踪是由梯度图中的一个边缘点出发,搜索并连接边缘点进而逐步检测所有边界的方法。对于上节提到的并行边缘图像分割方法,边缘像素不一定能够组合成封闭曲线,因为边界上有可能会遇到缺口。缺口可能太大而不能用一条直线或曲 华北电力大学硕士学位论文取法等。(aBabara原图(b阈值分割串行区域分割是指采用串行处理策略对目标区域直接检测来实现分割的方法。串行区域分割的特点是整个处理过程可以分解为顺序的多个步骤依次进行。串行区域分割一般可以分成两种方法;一是区域生长,二是分裂合并。区域生长是指从某个像素出发按照一定的规则,逐步加

5、入邻近像素,当满足一定的条件时,区域停止生长。2310lO”3i210;lt一赫。叠5598=、。“”448:8。k盘妙,十也i221010j;22,1010譬撼S S重叠S8彰:22ll ll7#i22ll ll;i22ll ll;2Z ll lli,(b(c图2.11区域生长示例妒”*;%+2222、;2222;2222;+22Z2k W图2-ll(a中,带有阴影的像素为初始的种子点,假设生长准则是种子点和所考虑像素灰度值差的绝对值,并且小于或等于某个阈值r,就将该像素包括到该种子像素所在的区域。图2-11(beP给出了拈1时的生长结果,图像被分成了四个区域。图2-11(c给出了T=3,种

6、子点为图2-110中像素值为2和11的两个像素,结果是整个图像被分成了2个区域。图2-11(d给出了T=5,种子点为图2-1Ka中像素值为 2的像素,生长的结果是最后全图变成了一个区域。 If ObjV=conditionBreak,End为了检验本文算法的滤波效果,对256256的Cameraman和512512的Lena256级灰度图像添加不同密度的椒盐噪声,分别进行均值滤波、中值滤波、排序均值滤波、仅采用咐作为隶属度的模糊排序均值滤波、仅采用啊作为隶属度的排序均值滤波和本文的算法滤波,实验结果如图4-6、图4.7、图4-8、图4-9所示:(aCameraman原图(b低密度噪声图像(D均

7、值滤波(33(d中值滤波(3X3(e排序均值滤波(33(f咐模糊排序均值滤波(g,f模糊排序均值滤波(h本文滤波算法 图4-6低密度噪声环境下Cameraman图像的各种算法滤波结果华北电力大学硕士学位论文 (a高密度噪声图像(b均值滤波(3x3(c中值滤波(3X3 (d排序均值滤波(3X3(euo模糊排序均值滤波(o蜥模糊排序均值滤波 本文滤波算法图4-8,高密度噪声环境下Cameraman图像的各种算法滤波结果-45.华北电力大学硕士学位论文 (aLena原图(b低密度噪声Lena图像(c均值滤波(3x3 (d中值滤波(3X3(c排序均值滤波(3X3(D%模糊排序均值滤波 (gq模糊排序均

8、值滤波(h本文滤波算法图4.9低密度噪声环境下Lena图像的各种算法滤波结果-46-华北电力大学硕士学位论文 (a高密度噪声Lena倒像(b均值滤波(33(c中值滤波(3X3 (d排序均值滤波(3X3(e%模糊排序均值滤波%模糊排序均值滤波 (g本文滤波算法图4.10高密度噪声环境下Lena图像的各种算法滤波结果从图中对比可以看出,中值滤波、排序均值滤波都比均值滤波对椒盐噪声去噪效果明显;但是中值滤波和排序均值都不同程度的模糊了图像,不利于后续的图像处理。而通过遗传算法优化“的隶属函数的模糊排序均值滤波能够消除凸起的椒盐噪声,但由于某些椒盐噪声幅度比图像细节变化小,所以只用越f,的隶属函数来判断椒盐噪声在图像细节处理方面存在一定的局限性;而通过遗传算法优化%的隶属函数的模糊排序均值滤波