毕业答辩 分形几何结合小波变换分割红外图像

分形几何结合小波变换分割红外图像

学院：行知学院专业：电子信息工程姓名：***导师：张长江(教授)一、选题背景和意义

由于红外图像的成像机理以及红外成像系统自身的原因，红外图像与可见光图像相比，大多有图像模糊、噪声大等特点。这对后续的处理极为不利，因此增强红外图像目标，降低噪声等操作是必不可少的；而且经过增强后，有必要突出红外图像中的某些信息，削弱或除去某些不需要的信息，同时再对红外图像进行合适的分割处理，使目标和背景图像分离。因此，对红外图像处理算法的研究是很有必要的。二、论文的内容及方法1、小波去噪和细节增强先对红外图像进行离散平稳小波变换，然后对分辨率较高的各层利用维纳滤波器去噪，对分辨率较差的各层利用反正切变换增强图像的细节。2、利用分形维数选择感兴趣区域先将增强后的红外图像分割成若干子块，然后每一块都直接计算其分形维数，再将相似的维数子块进行合并，提出感兴趣区域。3、阈值法分割感兴趣区域利用全局阈值法分割红外图像，将人造目标和背景分割开来。三、论文解决的关键问题及难点1、红外图像预处理（去噪和增强）过程的平稳小波变换的分解层数、小波母函数的选择；细节增强的非线性变换函数的选择。2、针对红外车辆目标图像统计车辆目标的分形维数特征3、分割感兴趣区域的阈值选取。四、论文采用的方法与路线原图第二、三层分解水平高频、垂直高平、对角高频图像增强非线性变换感兴趣区域利用分形维数分割后的图像重构后的图象Bezier分割小波变换第一层水平高频、垂直高平、对角高频图像去噪利用wiener2滤波器去断边和填充后的图像5.1小波去噪和细节增强

本论文先利用小波函数db1对图像进行多尺度分解（swt2），分解成三层。每一层分别为水平高频、垂直高频、对角高频、低频。对分解出来的图像做如下处理：利用wiener2滤波器对第一层水平高频、垂直高频、对角高频图像进行去噪处理；对第二、三层分解水平高频、垂直高平、对角高频图像进行非线性变换以达到图像的增强效果，这里要注意不能漏掉反归一化。低频图像不做任何处理。之后利用小波逆变换（iswt2）进行重构图像。

（a）水平高频（b）垂直高频（c）对角高频去噪后H1、V1、D1的图非线性函数为：（a）k=0.1(b)k=3(c)k=80

很明显看到，k=3时平滑效果最好k=3时：（a）水平高频（b）垂直高频（c）对角高频细节增强后H2、V2、D2的图（a）水平高频（b）垂直高频（c）对角高频细节增强后H3、V3、D3的图k=0.1：（a）水平高频（b）垂直高频（c）对角高频细节增强后H2、V2、D2的图(k=0.1)(a）水平高频（b）垂直高频（c）对角高频细节增强后H3、V3、D3的图(k=0.1)k=80：（a）水平高频:（b）垂直高频（c）对角高频细节增强后H2、V2、D2的图(k=80)(a）水平高频（b）垂直高频（c）对角高频细节增强后H3、V3、D3的图(k=80)(a)k=3(a)k=0.1(a)k=80

重构后的图像

5.2利用分形维数选择感兴趣区域

将重构后的红外图像分割成8*8块，分别计算其分形维数，利用分形维数选择感兴趣区域，将其提取。具有同一分形特征图像的不同区域一般具有相同的维数。如果某些图像的分数维低于相应的拓扑维，说明分形模型在此处并不合适,此处一般为多类物质的分界处。图像分数维的计算有Peleg和Keller等图像学者提出的一些方法，本论文采用Sarkar和Chaudhuri共同提出的计算分数维的方法并做了改进。根据Sarkar和Chaudhuri的理论,一个图像窗口的分数维应计算如下

D=logNr/