基于Matlab的图像增强算法的研究与实现计算机专业论文设计

-从多分辨率分析可以看出，空间的每次剖分包含两部分：一部分是图像信号通过低通滤波后得到的低频概貌；另一部分是通过小波变换得到的图像高频细节。对于低频概貌，重复以上过程，最终把图像信号分解成多个等级的高频细节与最后一次低通滤波后的低频概貌之和。4.3基于小波变换的图像增强图像增强技术中有一个难点，就是在去除噪声的同时，会造成图像细节信息的损失，从而给后续的处理及分析工作带来困难。因此如何准确分离开同在高频区域的噪声和图像细节信息就成为解决问题的关键。由于小波变换的多分辨率分析，能够有效地抑制噪声，增强图像感兴趣部分，因而小波变换图像增强得到了广泛的应用。小波变换把图像在各个尺度上分为低频分量和水平高频，垂直高频，对角高频四个不同的分量，变换后，根据图像需要增强处理的需要，对不同位置不同方向上的某些分量改变其小波系数的大小，从而使得某些感兴趣的分量被放大而使得某些不需要的分量减小，实际应用中，通过对高频部分分量进行变换，经过处理就能达到增强图像的目的。数字图像的小波分解实质上就是把图像信号分解成不同频带范围内的图像分量。每一层小波分解都将待分解图像分解成4个子带，很好地分离出表示图像内容的低频信息。因此，小波变换能在不同的尺度上，采用不同的方法来增强不同频率范围内图像的细节分量，再把处理后的系数进行小波重建，这样就能够在突出图像细节特征的同时，有效抑制图像噪声的影响，使图像轮廓更加突出。4.3.1非线性增强具体实现步骤如下：（1）读入原图像；（2）对原始图像进行小波分解，得到低频子带LL和三个高频子带LH、HL、HH（细节部分）；（3）对高频系数进行非线性增强，这样达到去噪并增强的目的，其函数满足：(23)其中G是小波系数增强倍数，是小波系数阈值，是图像分解后的小波系数，是图像增强后小波系数；将处理后的两种小波系数进行小波逆变换，从而得出增强后的图像（输出图像）。举例如图4.2所示。图4.2非线性小波增强由图可知，经过非线性小波增强后，优点是图像的对比度明显增强，有效地抑制了噪声，缺点是丢失了一些细节信息。4.3.2图像锐化图像锐化就是提取出图像中尖锐的部分，其目的是突出高频信息，抑制低频信息，从快速变化的成分中分离出标识系统特性或区分子系统边界的成分，以便进一步的识别、分割等操作。锐化的方法是作用掩膜或做差分，二者均很难识别点之间的关联信息。如图4.3是采用传统的离散傅里叶变换(DCT)与小波变换锐化的对比。图4.3图像锐化由于两种方法同样在小波系数上体现为绝对值较低的部分，故使用DCT方法进行高通滤波得到的高频结果比较纯粹，完全是原图像上的边缘信息，而使用小波方法得到的结果，不仅包含有高频成分，而且也包含了变换非常缓慢的低频成分，且DCT需做两次DCT变换,还有一次中间系数处理，而小波变换分解，重构与系数处理的复杂度均较小，时间复杂度明显少于DCT。4.3.3图像钝化钝化操作主要是提取图像中的低频成分，抑制尖锐的快速变化的成分，在图像时域中的处理时，只需要把图像作用于一个平滑滤波器，使得图像中的每个点与其相邻点做平滑即可。如图4.4举例对比分析传统的离散傅里叶变换DCT对图像钝化与小波变换对图像钝化。图4.3图像钝化由图可知，采用DCT在频域滤波的方法得到的钝化结果更为平滑，这是因为其分辨率高，而小波方法得到的结果在很多地方有不连续的现象，因为对系数做放大或抑制在阈值两侧有间断，而且分解层数很低，没有完全分离出频域的信息。而且我们在做系数放大或抑制的时候，采用的标准根据系数绝对值的大小，没有完全体现出其位置信息，但是在小波系数中，我们很容易在处理系数的过程中加入位置信息。4.3.4小波阈值去噪由于图像和噪声经小波变换后有不同的统计特性，图像本身的能量对应着幅值较大的小波系数，主要集中在高频；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。根据这一特性，设置一个阈值门限，认为大于该阈值的小波系数的主要成分为有用信号，将其收缩后保留；小于该阈值的小波系数，主要成分为噪声，将其剔除，一次达到去噪目的。在阈值去噪中，阈值函数体现了对超过和低于阈值的小波系数模的不同处理策略以及不同估计方法。常用的阈值函数有硬阈值函数和软阈值函数两种。硬阈值策略保留大于闽值的小波系数，而把小于阈值的小波系数都设定为零。软阈值策略把小于闽值的小波系数置零，把大于阈值的小波系数的绝对值减去阈值以除去噪声的影响。设A为元素小波系数，t为阈值，两种阈值函数的表达式分别如下：硬阈值函数：（4.21）软阈值函数：（4.22）硬阈值法得到的小波系数的连续性较差，重构信号可能出现突变或振荡现象，软阈值法的到的小波系数的连续性好，但当小波系数较大时，得到的处理后的小波系数和实际的小波系数有一定的偏差，会导致重构结果的误差。小波阈值去噪方法除了阈值函数的选取，另一个关键因素是对阈值的具体估计。如果阈值较小，去噪后的图像信号与输入比较接近，但是残留了较多噪声。若阈值较大，则得到较多为零的小波系数，对于软阈值策略重建图像变得模糊。在小波域阈值去噪中，阈值的选取直接影响滤波效果。阈值去噪法就是通过对图像进行小波变换，得到小波变换系数。因为信号对应的小波系数包含有重要的信息，其数据较少，幅值变化较大，而噪声对应的小波系数的分布则恰好相反，通过设定特定的阈值对小波系数进行取舍，就可以得到小波系数估计值，最后通过估计小波系数进行小波重构，就得到去噪后的图像。阈值去噪法实现简单，计算量小，在实际中有着广泛的应用。经过阈值处理后，得到的处理后的小波系数多，因此可以直接对其进行小波重构。具体步骤：图像信号的小波分解：选择一个小波和小波分解层次N，然后计算信号S到第N层的分解。(2)对高频系数进行阈值量化：对于从1到N的每一层，选择一个阈值，并对这一层的高频系数进行阈值量化处理。(3)二维小波的重构：根据小波分解的第N层的低频系数和经过修改的从第一层到第N层的各层高频系数计算二维信号的小波重构。5结论本次设计主要以图像处理的理论为基础，围绕着图像增强部分进行了深入研究。首先介绍了图像增强的基本理论，概述了传统的图像增强方法及其特点，主要包括空间域图像增强中的直方图均衡化处理、拉普拉斯锐化滤波器，以及频率域图像增强中的低通滤波，并通过MATLAB图像观察可知它们均可增强图像对比度，但在增强图像的同时，图像的边缘也被增强了。针对传统图像增强方法的不足，引出了基于小波变换的图像增强算法，在传统的小波变换增强中，我们又分析了小波非线性增强，基于小波的图像锐化，钝化以及小波变换的阈值去噪四种算法，并通过MATLAB仿真及结果分析了他们与传统DCT算法相比的优点。对比可知，基于小波变换的图像增强不仅能增强图像对比度，而且在增强图像边缘信息的同时也抑制了噪声的放大。最后通过对比学习和研究，认识到相比于传统的空间域、频率域的图像增强，小波变换图像增强表现出明显的优势，虽然还是存在着不足的地方，但是也能够看出小波变换在图像增强领域有很好的前景，值得我们进一步学习和研究。参考文献[1]闫敬文.数字图像处理MATLAB版.北京:国防工业出版社，2007.[2]秦襄培.MATLAB图像处理与界面编程[M].北京:电子工业出版社，2009.[3]刘智.在MATLAB环境下基于小波变换的图像去噪.中国科技论文在线,2014.[4]孙延奎.小波分析及其应用[M].北京:机械工业出版社，2005.[5]丁文佳.小波变换在图像增强中的应用研究.北京:北京理工大学出版社，2003.[6]高仕龙.一种基于小波变换和直方图均衡化的图像增强方法.西华大学学报.自然科学版.第26卷第3期.[7]贺东霞.数字图像去噪算法的研究与应用[D].陕西:延安大学.2015.[8]王鑫,孔航,崔雨航,赵春玲,赵大众.基于Matlab图像增强算法的比较研究[J].电声技术,2018,42(01):13-17.[9]刘美丽.MATLAB语言及应用[M].北京:国防工业出版社,2012.4.[10]王平均.基于MATLAB图像增强算法的应用[J].辽宁高职学报,2013(7):78-80.[11]陈晓曦,王延杰,刘恋.小波阈值去噪法的深入研究[J].激光与红外,2012(1):105-110.[12]王剑平,张捷.小波变换在数字图像处理中的应用[J].现代电子技术,2011(1):91-94.致谢在这次毕业设计的过程中，首先特别感谢XXX老师给予我的指导和帮助，从设计开始的选题、计划任务的安排到设计的具体过程中遇到的难以解决的问题，老师都