圖像閾值分割及去噪的實現(xiàn)畢業(yè)論文

1、本科畢業(yè)論文(科研訓(xùn)練、畢業(yè)設(shè)計) 題 目：圖像閾值分割及去噪的實現(xiàn)姓 名： 學(xué) 院：物理與機電工程學(xué)院系：物理系專 業(yè)：物理學(xué)年 級：學(xué) 號： 圖像閾值分割及去噪的實現(xiàn)摘要 圖像在成像的過程中會受到各種干擾信號即噪聲的影響，從而會使畫面質(zhì)量下降。為了減弱噪聲、還原真實的畫面，需要對圖像進行處理。本文介紹圖像灰度變換和區(qū)域分割、降噪技術(shù)。采用區(qū)域閾值分割法，分別用otsu、niblack以及kittler算法實現(xiàn)；選用4種圖像降噪方法，包括經(jīng)典的濾波方法即均值濾波、中值濾波和維納濾波，以及基于小波變換的降噪技術(shù)。通過matlab仿真，詳細分析比較了幾種閾值分割和濾波法在圖像處理方面的特點。關(guān)鍵

2、詞 閾值分割 中值濾波 均值濾波 維納濾波 小波分析image binaryzation and denoising realizationabstract in many cases, the quality of pictures suffers significant debasements in the imaging processing, owing to the noise. in order to reconstitute them, we need to process the cropped images properly. this paper firstly addre

3、sses the image gray scale transformation, region segmentation and noise reduction. otsu, niblack, and kittler algorithm are used to realize the second issue;4 kinds of image noise reduction methods are designed and applied, which are mean filtering, median filtering ,wiener filtering, and wavelet de

4、noising. the first three issues belongs to classical filtering theory. matlab simulation based on these methods is built to research the relative benefits and drawbacks.keywords region segmentation mean filtering median filtering wiener filtering wavelet denoising目錄摘要1abstract2目錄3引言4第一章 圖像噪音5第二章 圖像縮

5、放和灰度變換處理62.1圖像縮放處理方法62.2圖像灰度變換處理6第三章 圖像閾值分割83.1 圖像分割技術(shù)概要83.2圖像閾值分割原理83.3圖像閾值分割方法9第四章 圖像去噪124.1 濾波原理124.2濾波實現(xiàn)方法12第五章 仿真實驗結(jié)果和討論165.1圖像二值化算法對比165.2圖像去噪效果對比17結(jié)論21參考文獻22致謝語23引言數(shù)字圖像處理是從 20 世紀 60 年代以來隨著計算機技術(shù)和 vlsi 的發(fā)展而產(chǎn)生、發(fā)展和不斷成熟起來的一個新興技術(shù)領(lǐng)域，它在理論上和實際應(yīng)用上都取得了巨大的成就，并引起各方面人士的廣泛重視1。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎(chǔ)。因此數(shù)字

6、圖像成為心理學(xué)、生物醫(yī)學(xué)、計算機科學(xué)等諸多方面的學(xué)者研究視覺感知的有效工具。其次，數(shù)字圖像處理在軍事、遙感、工業(yè)圖像處理等大型應(yīng)用中也有不斷增長的需求。為適用特殊的場合和獲得較好的視覺效果，常常需要一種有效的方法來對圖像進行處理。數(shù)字圖像處理技術(shù)從廣義上可看作是各種圖像加工技術(shù)的總稱。它包括利用計算機和其他電子設(shè)備完成的一系列工作，如圖像分割、圖像變換、圖像去噪等。本文主要是在整合各種優(yōu)秀的閾值分割和濾波算法的基礎(chǔ)上，實現(xiàn)對圖像進行分割和去噪，達到處理和讀取圖像的目的。在matlab仿真的基礎(chǔ)上，比對各種分割和去噪方法的優(yōu)缺點。第一章 圖像噪聲大量的實驗研究發(fā)現(xiàn)，由攝像機拍攝得到的圖像受離散的

7、脈沖、椒鹽噪聲和零均值的高斯噪聲的影響較嚴重。噪聲給圖像處理帶來很多困難，對圖像分割、特征提取、圖像識別等具有直接影響。因此，實時采集的圖像需進行濾波處理。消除圖像中的噪聲成份叫做圖像的平滑化或濾波操作。按信號與噪聲的關(guān)系，噪聲主要分為加性噪聲和乘性噪聲2：1)加性噪聲，即與信號存在與否無關(guān)，是獨立于信號之外的噪聲，疊加方式為3： (1.1)其中表示輸出信號，表示源信號，表示噪聲信號。 比如說放大器噪聲。2)乘積性噪聲又稱為卷積噪聲，只有在信號出現(xiàn)在信道中才表現(xiàn)出來，它不會主動對信號形成干擾。疊加方式為4 (1.2)乘積性噪聲可以通過同態(tài)變換成為加性噪聲。比如說膠片顆粒噪聲。本文討論通過對圖像

8、施加高斯噪聲、椒鹽噪聲和乘性噪聲，來模擬實際應(yīng)用中圖像損毀的部分情況。其中，高斯噪聲和椒鹽噪聲屬于加性噪聲。第二章 圖像縮放和灰度變換處理 2.1 圖像縮放處理方法在計算機圖像處理中，圖像縮放（image scaling）是指對數(shù)字圖像的大小進行調(diào)整的過程。圖像放大是從一幅低分辨率圖像獲得其高分辨率版本的一種圖像處理技術(shù)5。各種插值技術(shù)是實現(xiàn)圖像放大的最常用的方法，其實質(zhì)是對源圖像建立連續(xù)的數(shù)學(xué)模型，然后按縮放要求進行重采樣得到目的圖像，如最近鄰插值、雙線性插值、雙三次插值等。最近鄰插值是最簡便的插值，在這種算法中，每一個插值輸出像素的值就是在輸入圖像中與其最臨近的采樣點的值，運算量非常小。當

9、圖像中包含像素之間灰度級變化的細微結(jié)構(gòu)時，最近鄰插值法會在圖像中產(chǎn)生人工的痕跡。具體原理為如下5：最近鄰點插值的一個隱含的假設(shè)條件是任一網(wǎng)格點 p(x,y) 的屬性值都使用距它最近的位置點的屬性值，用每一個網(wǎng)格節(jié)點的最鄰點值作為待定節(jié)點值。當數(shù)據(jù)已經(jīng)是均勻間隔分布，要先將數(shù)據(jù)轉(zhuǎn)換為surfer網(wǎng)格文件，可以應(yīng)用最近鄰點插值法；或者在一個文件中,數(shù)據(jù)緊密完整，只有少數(shù)點沒有取值，可用最近鄰點插值法來填充無值的數(shù)據(jù)點。最近鄰點插值網(wǎng)格化法沒有選項,它是均質(zhì)且無變化的,對均勻間隔的數(shù)據(jù)進行插值很有用,同時,它對填充無值數(shù)據(jù)的區(qū)域很有效2.2圖像灰度變換處理圖像的灰度變換(gray-scale tra

10、nsformation gst) 處理是圖像增強處理技術(shù)中一種非?；A(chǔ)、直接的空間域圖像處理方法，也是圖像數(shù)字化軟件和圖像顯示軟件的一個重要組成部分6?；叶茸儞Q是指根據(jù)某種目標條件按一定變換關(guān)系逐點改變原圖像中每一個像素灰度值的方法。目的是為了改善畫質(zhì)，使圖像的顯示效果更加清晰?；叶茸儞Q有時又被稱為圖像的對比度增強或?qū)Ρ榷壤?。例如為了顯示出圖像的細節(jié)部分或提高圖像的清晰度，需要將圖像整個范圍的灰度級或其中某一段灰度級擴展或壓縮到，這些都要求采用灰度變換方法。從圖像輸入裝置得到的圖像數(shù)據(jù)，以濃淡表示，各個像素與某一灰度值相對應(yīng)。設(shè)原圖像像素的灰度值，處理后圖像像素的灰度值。則灰度增強5可表示為

11、： (2.2.1)或 (2.2.2) 要求d和d都在圖像的灰度范圍之內(nèi)。函數(shù)t稱為灰度變換函數(shù)，它描述了輸入灰度值和輸出灰度值之間的轉(zhuǎn)換關(guān)系。根據(jù)(2.2.1)式可以將灰度變換分為線性變換和非線性變換。本文采取rgb2gray函數(shù)來實現(xiàn)灰度變換。其原理如下：以r、g、b為軸建立空間直角坐標系，則rgb圖的每個象素的顏色可以用該三維空間的一個點來表示，而gray圖的每個象素的顏色可以用直線r=g=b上的一個點來表示。于是rgb圖轉(zhuǎn)gray圖的本質(zhì)，就是尋找一個三維空間到一維空間的映射6，最直接的方法是射影（即過rgb空間的一個點向直線r=g=b做垂線），matlab中也是如此實現(xiàn)的。并且有 (2

12、.2.3)第三章 圖像閾值分割3.1 圖像分割技術(shù)概要圖像分割是一種重要的圖像技術(shù)，在理論研究和實際應(yīng)用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，值得指出的是，沒有惟一的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對應(yīng)的分割方法對其分割，同時，某些分割方法也只是適用于某些特殊類型的圖像分割。可以說，圖像分割結(jié)果的好壞直接影響對圖像的理解。 在圖像研究中，圖像分割的方法主要可以分成兩大類1。一類是邊界方法，這種方法的假設(shè)是圖像分割結(jié)果的某個子區(qū)域在原來圖像中一定會有邊緣存在；一類是區(qū)域方法，這種方法的假設(shè)是圖像分割結(jié)果的某個子區(qū)域一定會有

13、相同的性質(zhì)，而不同區(qū)域的像素則沒有共同的性質(zhì)，閾值分割方法屬于區(qū)域分割。不可否認，這兩類方法都有優(yōu)缺點，限于時間和篇幅，本文將采用閾值法來分割圖像。從某種角度講，圖像分割的目的之一就是目標提取將人類感興趣的區(qū)域提取出來。從這一點說，區(qū)域分割是最直接的方法，利用這種分割方法可以直接得到感興趣的目標區(qū)域。本文介紹其中的一種方法-閾值分割方法。閾值分割這種方法，作為一種圖像預(yù)處理方式，圖像分割并不考慮圖象降質(zhì)，只將圖象中感興趣的特征有選擇地突出，衰減其不需要的特征，故預(yù)處理后的輸出圖象并不需要去逼近原圖象。3.2 圖像閾值分割原理閾值分割的基本想法是確定一個閾值，然后把每個像素點的像素值和閾值相比較

14、，根據(jù)比較的結(jié)果把該像素劃分成兩類前景或者背景。一般閾值分割可以分成以下3步7。 （1）確定閾值t。 （2）將閾值t和像素值比較。 （3）把像素歸類。 上面的3個步驟，關(guān)鍵的是第一步，如果能確定一個合適的閾值，就可以對圖像進行正確、方便的分割。即：設(shè)定某一閾值t，用t將圖像的數(shù)據(jù)分成兩大部分：大于t的像素群和小于t 的像素群。這是研究灰度變換最特殊的方法，稱為圖像的二值化（binarization）。閾值處理的操作過程是先由用戶指定或通過算法生成一個閾值，如果圖像中某像素的灰度值小于該閾值，則將該像素的灰度值設(shè)置為0或255，否則灰度值設(shè)置為255或0。 閾值方法分全局閾值和局部閾值兩種，如果

15、分割過程中對圖像上每個像素所使用的閾值都相等，則為全局閾值方法；如果每個像素所使用的閾值可能不同，則為局部閾值方法。前者較簡單，但抑制噪聲和不均勻光照的能力較差8。后者則是根據(jù)區(qū)域灰度分布特性，自適應(yīng)調(diào)節(jié)閾值，效果一般好于前者?？梢哉J為局部閾值是全局閾值的一般情況，全局閾值則是最簡單的圖像分割方法。本文中介紹了三種經(jīng)典的圖像區(qū)域閾值分割方法。3.3 圖像閾值分割方法一、otsu算法otsu是一種全局閾值算法，是在最小二乘法原理基礎(chǔ)上推導(dǎo)出來的。這種方法的基本思想是將直方圖在某一閾值處分割成兩組，一組對應(yīng)于背景文字部分，當被分成的兩組的組內(nèi)方差最小，組間方差最大時，決定閾值。這種基于兩組間最佳分

16、類而決定閾值的方法也成為最大類間方差閾值分割法。設(shè)給定圖像具有l(wèi)級灰度值，對1 i l 中的每個i 將1，2， ，l分成兩組，計算落在組1的像素個數(shù)，平均灰度，方差；落在組2的像素個數(shù)，平均灰度，方差。設(shè)給定圖像的灰度級l ，灰度值為i 的像素數(shù) ，總的像素數(shù)為 n，每一個灰度值出現(xiàn)的概率為 ，則有 (3.3.2) (3.3.3) 對1 i 0varargout1 = fig;endelseif ischar(varargin1) % invoke named subfunction or callbacktryif (nargout)varargout1:nargout = feval(va

17、rargin:); % feval switchyardelsefeval(varargin:); % feval switchyardendcatchdisp(lasterr);endend% -function varargout = loadpush_callback(h, eventdata, handles, varargin)%回調(diào)函數(shù)global im_original im_noised im_binary im_filtered%global:定義全局變量filename, pathname = uigetfile(*.bmp;*.pgm;*.tif;*.jpg;*.*, l

18、oad input image);%讀取文件if isequal(filename,0) | isequal(pathname,0) disp(user pressed cancel)%disp：顯示 else disp(user selected , fullfile(pathname, filename) endim_original=imread(filename);set(handles.or_image,handlevisibility,off);%handles:句柄set(handles.out_image,handlevisibility,off);set(handles.ax

19、es10,handlevisibility,off);set(handles.or_image,handlevisibility,on);axes(handles.or_image);imshow(im_original);colormap(gray(256);axis equal;%讓圖像的大小與框架吻合axis tight;%同上axis off;%把數(shù)軸關(guān)掉set(handles.or_image,handlevisibility,off);set(handles.or_image,xticklabel, ,yticklabel, );% -function varargout = po

20、pupmenu1_callback(h, eventdata, handles, varargin)% -function varargout = popupmenu3_callback(h, eventdata, handles, varargin)% -function varargout = popupmenu5_callback(h, eventdata, handles, varargin)% -function varargout = applypush_callback(h, eventdata, handles, varargin)global im_original im_n

21、oised im_binary im_filtered imnoise_type = get(handles.popupmenu5,value); % selected noise typeswitch imnoise_type case 1 %加入噪聲 im_noised = gaussian_bai(im_original); %加入高斯白噪聲 case 2 im_noised = salt(uint8(im_original); %加入椒鹽噪聲 case 3 im_noised = speckle(uint8(im_original); %加入乘性噪聲endi1=im_noised;i2

22、=i1;i3=rgb2gray(i2);i4= imadjust(i3,0.3 0.4,);%對比度調(diào)整法，使圖像增強imbinary_type = get(handles.popupmenu1,value); % selected binary typeswitch imbinary_type case 1 %加入噪聲 im_binary = otsu(im_original); %otsu二值化法 case 2 im_binary = niblack(uint8(im_original); %niblack二值化法 case 3 im_binary = kittlermet(uint8(i

23、m_original); %kittlermet二值化法 case 34 im_binary = wavelet(uint8(im_original); %wavelet1二值化法endmethod_number = get(handles.popupmenu3,value); % selected filter methodswitch method_number case 1 im_filtered = meanfilter(i3); case 2 im_filtered = medfilter(i3); case 3 im_filtered = wienerfilter(i3); cas

24、e 4 im_filtered = forced_filter(i3); case 5 im_filtered = all_filter(i3); case 6 im_filtered = setting_filter(i3); end set(handles.noised_image,handlevisibility,on);axes(handles.noised_image);imagesc(im_binary); colormap(gray(256);axis equal;axis tight;axis off;set(handles.noised_image,handlevisibil

25、ity,off)set(handles.axes10,handlevisibility,on);axes(handles.axes10);imagesc(im_noised); colormap(gray(256);axis equal;axis tight;axis off;set(handles.axes10,handlevisibility,off)set(handles.out_image,handlevisibility,on);axes(handles.out_image);imagesc(im_filtered); colormap(gray(256);axis equal;axis tight;axis off;set(handles.out_image,handlevisibility,off) label