基于Matlab的图像预处理

基于Matlab的图像预处理算法实现

目 录

第一章 绪 论 ........................................................... 1 何谓数字图像处理...................................................... 1 1.2 数字图像处理的特点及其应用 ........................................ 1 1.2.1 数字图像处理的特点 ............................................ 1 图像预处理的内容 .................................................... 2 1.2.3 数字图像处理的应用 ............................................ 3 1.3 MATLAB ............................................................ 4 1.3.1 matlab简述 ................................................... 4 1.3.2 matlab处理图像的特点 ......................................... 5 第二章 数字图像处理的灰度直方图 ........................................ 6 灰度的定义............................................................ 6 直方图定义............................................................ 6 直方图的典型用途 .................................................... 6 灰度直方图的计算 .................................................... 7 图像直方图实现代码 .................................................. 7 直方图均衡............................................................ 8 2.3.1 直方图均衡原理 ................................................ 8 直方图均衡的实现 .................................................... 8 第三章 图像平滑与图像锐化 ............................................. 12 图像的平滑........................................................... 12 领域平均法基础理论 ................................................. 12 算法实现 ........................................................... 13 图像锐化............................................................. 15 图像锐化的目的和意义 ............................................... 15 图像锐化算法 ....................................................... 16 图像锐化的实现代码 ................................................. 16 第四章 图像噪声与噪声的处理 ........................................... 19

I

噪声的概念........................................................... 19 图像噪声对图像的影响................................................. 19 4.3 噪声来源 ......................................................... 19 4.4 噪声图像模型及噪声特性 ........................................... 20 4.4.1 含噪模型 ..................................................... 20 4.4.2 噪声特性 ..................................................... 21 4.5 图像二值化 ....................................................... 21 理论基础 ........................................................... 21 图像二值化的实现代码 ............................................... 21 4. 6 二值图像的去噪 .................................................. 22 理论基础 ........................................................... 23 二值图像去噪的实现代码 ............................................. 23 第五章 结论 ........................................................... 25 参考文献 .............................................................. 26

学习文档 仅供参考

第一章 绪 论

何谓数字图像处理

数字图像处理〔Digital Image Processing〕，就是利用数字电脑或则其他数字硬件，对从图像信息转换而得到的电信号进行某些数学运算，以提高图像的实用性。例如从卫星图片中提取目标物的特征参数，三维立体断层图像的重建等。总的来说，数字图像处理包括点运算、几何处理、图像增强、图像复原、图像形态学处理、图像编码、图像重建、模式识别等。目前数字图像处理的应用越来越广泛，已经渗透到工业、医疗保健、航空航天、军事等各个领域，在国民经济中发挥越来越大的作用。

1.2 数字图像处理的特点及其应用

在电脑出现之前，模拟图像处理占主导地位。随着电脑的发展，数字图像处理发展速度越来越快。尽管目前一般采用顺序处理的电脑，对大数据量的图像处理速度不如光学方法快，但是其处理的精度高，实现多种功能的、高度复杂的运算求解非常灵活方便。在其短短的历史中，它却成功的应用于几乎所有与成像有关的领域，并正发挥相当重要的作用。 1.2.1 数字图像处理的特点

同模拟图像处理相比，数字图像处理有很多优点。主要表现在： 1. 精度高

不管是对4bit还是8bit和其他比特图像的处理，对电脑程序来说几乎是一样的。即使处理图像变大，只需改变数组的参数，而处理方法不变。所以从原理上不管处理多高精度的图像都是可能的。而在模拟图像处理中，要想使精度提高一个数量级，就必须对处理装置进行大幅度改良。

2. 再现性好

不管是什么图像，它们均用数组或集合表示。将它们输入到电脑内，用电脑容易处理的方式表示。在传送和复制图像时，只在电脑内部进行处理，这样数据就不会丧失或遭破坏，保持了完好的再现性。而在模拟图像处理中，就会因为各种干扰及设备故障而无法保持图像的再现性。

3. 通用性、灵活性高

1

不管是可视图像还是X线照片、红外线热成像、超声波图像等不可见光成像，尽管这些图像成像体系中的设备规模和精度各不相同，但当把图像信号直接进行A/D变换，或记录成照片再数字化，对于电脑来说都能用二维数组表示，不管什么样的图像都可以用同样的方法进行处理，这就是电脑处理的通用性。另外，对处理程序自由加以改变，可进行各种各样的处理。如上下滚动、漫游、拼图、合成、变换、放大、缩小和各种逻辑运算等，所以灵活性很高。 1.2.2图像预处理的内容

在图像分析中，对输入图像进行特征抽取、分割和匹配前所进行的处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改良特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。

1.数字化

一幅原始照片的灰度值是空间变量〔位置的连续值〕的连续函数。在M×N点阵上对照片灰度采样并加以量化〔归为2b个灰度等级之一〕，可以得到电脑能够处理的数字图像。为了使数字图像能重建原来的图像,对M、N和b值的大小就有一定的要求。在接收装置的空间和灰度分辨能力范围内,M、N 和b的数值越大,重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期的一半时，重建图像的频谱等于原始图像的频谱，因此重建图像与原始图像可以完全相同。由于M、N 和b三者的乘积决定一幅图像在电脑中的存储量，因此在存储量一定的条件下需要根据图像的不同性质选择合适的M、N 和b值，以获取最好的处理效果。

2.几何变换

用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。对于卫星图像的系统误差，如地球自转、扫描镜速度和地图投影等因素所造成的畸变,可以用模型表示,并通过几何变换来消除。随机误差如飞行器姿态和高度变化引起的误差，难以用模型表示出来，所以一般是在系统误差被纠正后，通过把被观测的图和已知正确几何位置的图相比较，用图中一定数量的地面控制点解双变量多项式函数组而到达变换的目的。 3.归一化

使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。图像的某些性质，例如物体的面积和周长，本来对于坐标旋转来说就具有不变的性质。在一般情况下，某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱，从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片，

学习文档 仅供参考

灰度直方图的归一化对于图像分析是十分必要的。灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。

平滑

消除图像中随机噪声的技术。对平滑技术的基本要求是在消去噪声的同时不使图像轮廓或线条变得模糊不清。常用的平滑方法有中值法、局部求平均法和k 近邻平均法。局部区域大小可以是固定的，也可以是逐点随灰度值大小变化的。此外，有时应用空间频率域带通滤波方法。

5.复原

校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能逼近于理想无退化的像场。在实际应用中常常发生图像退化现象。例如大气流的扰动，光学系统的像差，相机和物体的相对运动都会使遥感图像发生退化。基本的复原技术是把获取的退化图像g(x，y)看成是退化函数h(x，y)和理想图像f(x，y)的卷积。它们的傅里叶变换存在关系 G(u，v＝H(u，v)F(u，v)。根据退化机理确定退化函数后，就可从此关系式求出F(u，v)，再用傅里叶反变换求出f(x，y)。通常把 称为反向滤波器。实际应用时，由于H(u，v)随离开uv平面原点的距离增加而迅速下降，为了防止高频范围内噪声的强化，当u2+v2大于某一界限值W娿时，使M(u，v)等于1。W0的选择应使H(u，v)在 u2+v2≤W范围内不会出现零点。图像复原的代数方法是以最小二乘法最正确准则为基础。寻求一估值,使优度准则函数值最小。这种方法比较简单，可推导出最小二乘法维纳滤波器。当不存在噪声时，维纳滤波器成为理想的反向滤波器。

6.增强

对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，或将图像转变为更适合于机器处理的形式，以便于数据抽取或识别。例如一个图像增强系统可以通过高通滤波器来突出图像的轮廓线，从而使机器能够测量轮廓线的形状和周长。图像增强技术有多种方法，反差展宽、对数变换、密度分层和直方图均衡等都可用于改变图像灰调和突出细节。实际应用时往往要用不同的方法，反复进行试验才能到达满意的效果。

1.2.3 数字图像处理的应用

电脑图像处理和电脑、多媒体、智能机器人、专家系统等技术的发展紧密相关。近年来电脑识别、理解图像的技术发展很快，也就是图像处理的目的除了直接供人观看〔如医学图像是为医生观看作诊断〕外，还进一步发展了与电脑视觉有关的应用，如邮件自动分检，车辆自动驾驶等。下面仅罗列了一些典型应用实例，而实际应用更广。

1. 在生物医学中的应用

学习文档 仅供参考

主要包括显微图像处理；DNA显示分析；红、白血球分析计数；虫卵及组织切片的分析；癌细胞的识别；染色体分析等等。

2. 遥感航天中的应用

军事侦察、定位、导航、指挥等应用；多光谱卫星图像分析；地形、地图、国土普查；地质、矿藏勘探；天文、太空星体的探测及分析等。

3. 工业应用

CAD 和CAM技术用于模具、零件制造、服装、印染业；零件、产品无损检测，焊缝及内部缺陷检查；交通管制、机场监控；火车车皮识别等。

4. 军事公安领域中的应用

巡航导弹地形识别；指纹自动识别；警戒系统及自动火炮控制；反伪装侦察；手迹、人像、印章的鉴定识别；过期档案文字的复原；集装箱的不开箱检查等。

5. 其他应用

图像的远距离通信；多媒体电脑系统及应用；电视 ；服装试穿显示；理发发型预测显示；电视会议；办公自动化、现场视频管理等。

1.3 MATLAB

1.3.1 matlab简述

MATLAB是矩阵实验室〔Matrix Laboratory〕的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。

MATLAB是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言〔如C、Fortran〕的编辑模式，代表了当今国际科学计算软件的先进水平。

MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。

MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点,使MATLAB成为一个强

学习文档 仅供参考

大的数学软件。在新的版本中也加入了对C，FORTRAN，C++ ，JAVA的支持。可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。 1.3.2 matlab处理图像的特点

第一，MATLAB的基本数据单位是矩阵，它的指令表达式与数学,工程中常用的形式十分相似,故用MATLAB来解算问题要比用C,FORTRAN等语言完成相同的事情简捷得多。

第二，友好的工作平台和编程环境。MATLAB由一系列工具组成。这些工具方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面。包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于用户浏览帮助、工作空间、文件的浏览器。

第三，简单易用的程序语言。Matlab一个高级的距阵/阵列语言，它包含控制语句、函数、数据结构、输入和输出和面向对象编程特点。用户可以在命令窗口中将输入语句与执行命令同步，也可以先编写好一个较大的复杂的应用程序(M文件)后再一起运行。

第四，强大的科学电脑数据处理能力。MATLAB是一个包含大量计算算法的集合。其拥有600多个工程中要用到的数学运算函数，可以方便的实现用户所需的各种计算功能。

第五，出色的图形处理功能，MATLAB自产生之日起就具有方便的数据可视化功能，以将向量和距阵用图形表现出来，并且可以对图形进行标注和打印。高层次的作图包括二维和三维的可视化、图象处理、动画和表达式作图。可用于科学计算和工程绘图。

第六，应用广泛的模块集合工具箱，MATLAB对许多专门的领域都开发了功能强大的模块集和工具箱。一般来说，他们都是由特定领域的专家开发的，用户可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。

文章主要分为四部分，其中，文章的开头简单介绍了数字图像应用的发展过程，还对本文应用的matlab开发工具的发展进行简单讲述。文章的第二部分主要针对图像预处理系统中怎么做到灰度转换及灰度直方图的构建。第三部分讲的是图像的预处理技术，其中包括图像平滑、锐化等。第四部分讲的是噪声处理，噪声特性以及matlab去除噪声的方法。

学习文档 仅供参考

第二章 数字图像处理的灰度直方图

灰度的定义

灰度使用黑色调表示物体。 每个灰度对象都具有从 0%〔白色〕到

100%〔黑色〕的亮度值。 使用黑白或灰度扫描仪生成的图像通常以灰度显示。使用灰度还可将彩色图稿转换为高质量黑白图稿。 灰度级变换(点运算)的定义

★对于输入图象f(x，y)，灰度级变换T将产生一个输出图像g(x，y)，且g(x，y)的每一个像素值都是由f(x，y)的对应输入像素点的值决定的，g(x，y)=T(f(x，y))。

★对于原图象f(x，y)和灰度值变换函数T(f(x，y))，由于灰度值总是有限个(如：O～2 5 5)，非几何变换可定义为：R=T(r)。

直方图：图像直方图是图像处理中一种十分重要的图像分析工具，它描述了一幅图像的灰度级内容，任何一幅图像的直方图都包含了丰富的信息，它主要用在图象分割，图像灰度变换等处理过程中。

从数学上来说图像直方图是图像各灰度值统计特性与图像灰度值的函数，它统计一幅图像中各个灰度级出现的次数或概率；从图形上来说，它是一个二维图，横坐标表示图像中各个像素点的灰度级，纵坐标为各个灰度级上图像各个像素点出现的次数或概率。直方图的纵坐标都对应着该灰度级在图像中出现的概率。 直方图的典型用途

6

对图像进行数字化时，利用直方图可以检查输入图像的灰度值在可利用的灰度范围内分配得是否适当。

在医学方面，为了改善X射线操作人员的工作条件，可采用低辐射X射线曝光，但这样获得的X光片灰度级集中在暗区，导致某些图像细节无法看清，判读困难。通过直方图修正使灰度级分布在人眼合适的亮度区域，便可使X片中的细节清晰可见。

可以根据直方图确定二值化的阈值；当物体部分的灰度值比其它部分的灰度值大时，可以用直方图求出物体的面积(实际上是象素数=灰度大于和等于q的象素的总和)；当物体部分的灰度值比其它部分的灰度值大时，可以用直方图求出物体的面积(实际上是象素数=灰度大于和等于q的象素的总和)；利用色彩直方图可以进行基于颜色的图象分割。 灰度直方图的计算

假设图象具有L级灰度(通常L=256，即8位灰度级)，则大小为m(n的灰度图象f(x，Y)的灰度直方图H[k]，k=0…L-1，可按如下步骤计算获得：

1) 初始化数据，清空表中所以内容；

2) 对图像中的各个像素中的灰度级进行统计，并把其相各个灰度级中所对

应的像素点统计下来；

3) 用横坐标表示图像中各个像素点的灰度级，纵坐标表示各个灰度级上图

像各个像素点出现的次数或概率。

图像直方图实现代码

[A,map]=imread('f:\\234.bmp'); imshow(A,map), image=double(A); for i=1:256, a(i)=0; end, for i=1:256, for j=1:256,

b=image(i,j)+1; a(b)=a(b)+1; end, end, for k=1:256, p(k)=a(k)/(256^2);

学习文档 仅供参考

end,

figure,stem(p); 。

0.0250.020.0150.010.0050050100150200250300

图2.2 原图 图2.3 直方图

中文名称：直方图均衡

英文名称：histogram equalization

定 义：使原直方图变换为具有均匀密度分布的直方图，然后按该直方图调整原图像的一种图像处理技术。 直方图均衡原理

直方图均衡化是灰度变换的一个重要应用，广泛应用在图像增强处理中，它是以累计分布函数变换为基础的直方图修正法，可以产生一幅灰度级分布具有均匀概率密度的图像，扩展了像素的取值动态范围。假设像素点的原灰度为R，变换后的灰度为S，需要注意的是R、S是归一化后的灰度值，其灰度变换函数T(R)为：

ST(R)pr(Rj)j0jokknjn； 0Rjl1；k0,1 〔2-1〕

式中，Pr(Rj) 是第j级灰度值的概率，nj是图像中j级灰度的像素总数，

l是图像中灰度级的总数目，n是图象中像素的总数。对变换后的S值取最靠近

的一个灰度级的值，建立灰度级变换表，将原图像变换为直方图均衡的图像。下面是实现图像直方图均衡化函数的源代码和效果图： 直方图均衡的实现

(1) 对给定的待处理图像统计其直方图，求出Prrknk/N.

学习文档 仅供参考

(2) 根据统计出的直方图采用累积分布函数作变换, 求变换后的新灰度； SkT(Rk)pr(Rj) 〔2-2〕

j0k(3) 用新灰度代替旧灰度，求出Ps(s)，这一步是近似过程，应根据处理目的尽量做到合理，同时把灰度值相等或近似地合并到一起。

[A,map]=imread('f:\\456.bmp'); imshow(A,map), title('原图'); image=double(A); for i=1:256, n(i)=0; end, for i=1:256, for j=1:256, s=image(i,j)+1; n(s)=n(s)+1; end, end, for k=1:256, p(k)=n(k)/(256^2); end,

figure,bar(p,'r'); title('直方图'); for k=1:256, q(k)=0; end,

for k=1:256, for j=1:k, q(k)=q(k)+p(j); end, end,

figure,bar(q,'y'); title('累积直方图'); N=256;

学习文档 仅供参考

for k=1:256,

o(k)=round((N-1)*q(k)+0.5); end, for i=1:256, for j=1:256,

rimage(i,j)=(image(i,j)); end end

figure,imshow(uint8(rimage)); title('均衡化后的图'); for i=1:256, n(i)=0; end, for i=1:256, for j=1:256,

s=rimage(i,j)+1; n(s)=n(s)+1; end, end, for k=1:256, p(k)=n(k)/(256^2); end,

figure,bar(p,'b'); title('均衡化的直方图');

0.0250.020.0150.010.0050050100150200250300

学习文档 仅供参考

图2.4 原图 图2.5 原始图象的直方图

0.0250.020.0150.010.0050050100150200250300

图2.6 直方图均衡化后的效果图 图2.7 均衡化后的直方图

从上述效果图可以看出，经过直方图均衡化处理后，图像变的清晰了，从直方图来看，处理后的LENA的图像直方图分布更均匀了，在每个灰度级上图像都有像素点。但是直方图均衡化存在着两个缺点：

〔1〕变换后图像的灰度级减少，某些细节消失；

〔2〕某些图像，如直方图有高峰，经处理后比照度不自然的过分增强。

学习文档 仅供参考

第三章 图像平滑与图像锐化

图像的平滑方法是一种实用的图像处理技术，能减弱或消除图像中的高频率分量，但不影响低频率分量。因为高频率分量主要对应图像中的区域边缘等灰度值具有较大较快变化的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。实际应用中，平滑滤波还可用于消除噪声，或者在提取较大目标前去除过小的细节或将目标内的小间断连接起来。它的主要目的是消除图像采集过程中的图像噪声，在空间域中主要利用邻域平均法、中值滤波法和选择式掩模平滑法等来减少噪声；在频率域内，由于噪声主要存在于频谱的高频段，因此可以利用各种形式的低通滤波器来减少噪声。本节主要介绍常用的空间域图像平滑方法。

领域平均法基础理论

最简单的平滑滤波是将原图中一个像素的灰度值和它周围邻近8个像素的灰度值相加，然后将求得的平均值〔除以9〕作为新图中该像素的灰度值。它采用模板计算的思想，模板操作实现了一种邻域运算，即某个像素点的结果不仅与本像素灰度有关，而且与其邻域点的像素值有关。模板运算在数学中的描述就是卷积运算，这里不再赘述。邻域平均法也可以用数学公式表达：

设f(i,j)为给定的含有噪声的图像，经过邻域平均处理后的图像为g(i,j)，则:

g(i,j)f(i,j),(i,j)M, 〔3-1〕

NM所取邻域中各邻近像素的坐标，N是邻域中包含的邻近像素的个数。邻

1111，中间的黑点表示以该像素为中心元素，即该像111域平均法的模板为：9111素是要进行处理的像素。在实际应用中，也可以根据不同的需要选择使用不同的

模板尺寸，如3×3、5×5、7×7、9×9等。

邻域平均处理方法是以图像模糊为代价来减小噪声的，且模板尺寸越大，噪声减小的效果越显著。如果f(i,j)是噪声点，其邻近像素灰度与之相差很大，采用邻域平均法就是用邻近像素的平均值来代替它，这样能明显消弱噪声点，使邻域中灰度接近均匀，起到平滑灰度的作用。因此，邻域平均法具有良好的噪声平滑效果，是最简单的一种平滑方法。

12

算法实现

程序中采用的是3×3的模板，即把当前图像f(i,j)和它周围8个像素的灰度值相加，然后将求得的平均值〔除以9〕作为该点的像素值。

[A,map]=imread('f:\\234.bmp'); figure(1); imshow(A,map), title('原图'); image=double(A); for i=1:256, a(i)=0; end, for i=2:255, for j=2:255,

b=image(i-1,j-1)+image(i-1,j)+image(i-1,j+1) +image(i,j-1)+image(i,j)+image(i,j+1) +image(i+1,j-1)+image(i+1,j)+image(i+1,j+1);

b=b/9;

image(i,j)=b; end, end, figure(2);

imshow(image,map), title('平滑');

使用上述代码对含有高斯噪声的图像分别利用邻域平均法的不同尺寸模板进行平滑后的实验结果，图、图显示的是分别使用了3×3、5×5模板平滑后的图像。从实验结果可以看出，当所用平滑模板尺寸增大时，对噪声的消除效果也有所增强，但同时会带来图像的模糊，边缘细节逐步减少，且运算量增大。在实际应用中，可以根据不同的应用场合选择合适的模板大小。

13

原图

图3.1 含有噪声的原始图像

平滑3*3

图3.2 3×3邻域平均法的平滑图像

学习文档 仅供参考

平滑5*5

图3.3 5×5邻域平均法的平滑图像

图像锐化的目的和意义

图像锐化是一种补偿轮廓、突出边缘信息以使图像更为清晰的处理方法.锐化的目标实质上是要增强原始图像的高频成分.常规的锐化算法对整幅图像进行高频增强,结果呈现明显噪声.为此,在对锐化原理进行深入研究的基础上,提出了先用边缘检测算法检出边缘,然后根据检出的边缘对图像进行高频增强的方法. 实验结果说明,该方法有效地解决了图像锐化后的噪声问题

锐化的目的在于使图像中对象轮廓上的像素灰度大的更大，小的更小，但对轮廓外的像素不起作用。由于这一原因，图像的锐化对孤立点或对孤立线条的 边缘增强作用十分明显，但在一定程度上也会对噪声信号产生增强作用。

图像锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细节。模糊可能是由于错误操作，或者是由于图像获取方法的固有影响所导致的。例如，当图像的分辨率有限时，所获得的像素值不是一点的亮度，而是周围景物亮度的平均值。

图像平滑往往使图像中的边界、轮廓变的模糊，为了减少这类不利效果的影响，这就需要利用图像鋭化技术，使图像的边缘变的清晰。图像銳化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算〔如微分运算〕就可以使图像变的清晰。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。

学习文档 仅供参考

图像锐化算法

为了要把图像中间任何方向伸展的的边缘和轮廓线变得清晰，我们希望对图像的某种运算是各向同性的。可以证明偏导平方和的运算是各向同性的，既:

ffff 〔3-2〕 xyxy2222式中x,y是图像旋转前的坐标，x,y是图像旋转后的坐标。梯度运算就是在这个式子的基础上开方得到的。图像〔x，y〕点的梯度值：

gfk2f 〔3-3〕

为了突出物体的边缘，常常采用梯度值的改良算法，将图像各个点的梯度值与某一阈值作比较，如果大于阈值，该像素点的灰度用梯度值表示，否则用一个固定的灰度值表示。我们在对图像增强的过程中，采用的是一种简单的高频滤波增强方法：

ffGx,yfx,yfx1,yfx,yfx,y1 〔3-4〕 xy2212式中f，g分别为锐化前后的图像，k是与扩散效应有关的系数。2f表示对图像f进行二次微分的拉普拉斯算子。这说明不模糊的图像可以由模糊的图像减去乘上系数的模糊图像拉普拉斯算子来得到。2可以用下面的模板H={{1，4，1}，{4，-20，4}，{1，4，1}}来近似。在具体实现时，上述模板H中的各个系数可以改变，k这个系数的选择也很重要，太大了会使图像的轮廓过冲，太小了则图像锐化不明显。实验说明，k选取2-8之间往往可以到达比较满意的效果。下面给出k等于4的情况下的实现代码和效果图。 图像锐化的实现代码

[A,map]=imread('f:\\234.bmp'); figure(1);

imshow(A,map), title('原图'); image=double(A); for i=2:255, for j=2:255,

b=image(i,j)-2*[1*image(i-1,j-1)+4*image(i-1,j)+1*image(i-1,j+1)+4*image(i,j-1)-20*image(i,j)+4*image(i,j+1)+1*image(i+1,j-1)+4*image(i+1,j)+1*image(i+1,j+1)];

学习文档 仅供参考

image(i,j)=b; end, end, figure(2);

imshow(image,map), title('锐化');

学习文档 仅供参考

原图

从上述效果图可以看出，经过拉普拉斯锐化处理后，图像变的色彩浓密了，从拉普拉斯锐化图来看，处理后的LENA的图像像素点比照度更明显了，图像的边缘和轮廓都变的清晰了，每个像素点都被表达了出来。

18

第四章 图像噪声与噪声的处理

目前大多数数字图像系统中，输入图像都是采用先冻结再扫描方式将多维图像变成一维电信号，再对其进行处理、存储、传输等加工变换。最后往往还要在组成多维图像信号，而图像噪声也将同样受到这样的分解和合成。在这些过程中电气系统和外界影响将使得图像噪声的精确分析变得十分复杂。另一方面图像只是传输视觉信息的媒介，对图像信息的认识理解是由人的视觉系统所决定的。不同的图像噪声，人的感觉程度是不同的，这就是所谓人的噪声视觉特性课题。 图像噪声在数字图像处理技术中的重要性越来越明显，如高放大倍数航片的判读，Ｘ射线图像系统中的噪声去除等已经成为不可缺少的技术步骤。

人类获取外界信息有视觉、听觉、触觉、味觉等多种方法，但绝大部分(约80%)是来自视觉所接收的图像信息，即所谓“百闻不如一见”。而图像处理就是对图像息进行加工处理，以满足人的视觉心理和实际应用的要求。因此，图像处理技术的广泛研究和应用是必然的趋势。在分析和使用图像之前，需要对图像信号进行一系列处理。比方调整图像存储的格式，对图像进行去噪等等。图像处理是针对性很强的技术，根据不同用途、不同要求采用不同的处理方法。采用的方法是综合各学科较先进的成果而成的，如数学、物理学、心理学、生理学、医学、电脑科学、通信理论、信号分析、控制论和系统工程等，各学科相互补充、相互渗透才使数字图像处理技术飞速发展。

一般来说，在图像采集、编码、传输、恢复的几个基本步骤中，影响图像质量的因素很多。例如，现实图像中无用的信息对我们而言就是噪声，设备、环境、获取方法等因素也会引入许多噪声干扰。如电磁干扰、相片颗粒噪声、采集图像信号的传感器噪声、信道噪声、甚至滤波器产生的噪声等等。所以，为了提高图像的质量以及后续更高层次的处理，对图像进行去噪处理是不可缺少的重要环节，而寻求一种行之有效的去噪方法也是人们一直在进行的工作。

19

噪声可以理解为影响传感器对所接收图像源信息进行理解或分析的各种因素。噪声一般是不可预测的随机信号，它只能用概率统计的方法去认识。噪声对图像的输入、采集和处理的各种环节，以及输出结果的全过程都有影响。因此，去噪己经成为图像处理中极其重要的手段，也是图像处理领域研究的一个重点。本节先对噪声的来源和性质进行简要的介绍，然后给出几种去除图像噪声的算法及其代码实现过程。 对图像信号来说，可将黑白图像看作是二维亮度分布fx,y，则噪声可看作是对亮度的干扰，用nx,y来表示。噪声是随机性的，因而需要用随机过程来描述，即要求知道其分布函数和密度函数。在许多情况下，这些函数很难测定和描述，甚至无法得到，所以常用统计特征来描述噪声，如均值、方差、相关函数等。 描述噪声的总功率： En2x,y； 方差描述噪声的交流功率： Enx,yEnx,y； 2均值的平方表示噪声的直流功率：Enx,y。 2对图像中的噪声有多种描述方式，常见的有以下几种： 〔1〕白噪声〔White Noise〕：它具有常量的功率谱。白噪声的一个特例是高斯噪声 〔Gaussian Noise〕，它的直方图曲线服从一维高斯型分布： 2px12e22 〔4-1〕 〔2〕椒盐噪声〔Pepper Noise〕：是一种在图像中产生黑色、白色点的脉冲噪声。该噪声在图像中显现较为明显，对图像分割、边缘检测、特征提取等后续处理具有严重的破坏作用。 〔3〕冲击噪声〔Impulsive Noise〕：是指一幅图像被个别噪声像素破坏，而且这些像素的亮度与其邻域的亮度显著不同。 〔4〕量化噪声〔Quatization Noise〕：在量化级别不同时出现的噪声。例如，将图像的亮度级别减少一半的时候会出现伪轮廓。

4.4 噪声图像模型及噪声特性

含噪模型

现实中的数字图像在数字化和传输过程中，常受到成像设备与外部环境噪声干扰等影响，成为含噪图像。去除或减轻在获取数字图像中的噪声称为图像去噪,在图像去噪之前我们先要建立一个含噪图像的模型，为了简便，我们研究如下的加性噪声模型，即含噪图像仅由原始图像叠加上一个随机噪声形成:

gx,yfx,yx,y 〔4-2〕

20

fx,y表示图像，vx,y为噪声，含噪图像记为gx,y。 噪声特性

在对这个含噪模型进行研究之前，我们有必要了解一下噪声的一些特性，经常影响图像质量的噪声源可分为三类。人们对其生成原因及相应的模型作了大量研究:

1、电子噪声。在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的，一般常用零均值高斯白噪声作为其模型，它可用其标准差来完全表征。

2、光电子噪声。由光的统计本质和图像传感器中光电转换过程引起，在弱光照的情况下常用具有泊松分布的随机变量作为光电噪声的模型，在光照较强时，泊松分布趋向于更易描述的高斯分布。

3、感光片颗粒噪声。由于曝光过程中感光颗粒只有部分被曝光，而其余部分则未曝光，底片的密度变化就由曝光后的颗粒密集程度变化所决定，而算曝光颗粒的分布呈现一种随机性。在大多数情况下，颗粒噪声可用高斯白噪声作为有效模型。

通过以上分析可以看出，绝大多数的常见图像噪声都可用均值为零，方差不同的高斯白噪声作为其模型，因而为了简便和一般化，我们采用零均值的高斯白噪声作为噪声源。

4.5 图像二值化

理论基础

图像包括目标、背景还有噪声,怎样从多值的数字图像中仅提取出目标,常用的方法就是设定某一阈值T,用T将图像的数据分成2大部分:大于T的像素群和小于T的像素群.这种方法称为图像的二值化.二值化处理就是把图像分成目标和背景2个区域.二值化是数字图像处理中一项最基本的变换方法,通过非零取一固定阈值、双固定阈值等不同的阈值化变换方法,使一幅灰度图像变成了黑白二值图像,将我们所需的目标从复杂的图像背景中提取出来.阈值[5-6]处理的操作过程是指定一个阈值,如果图像中某像素的灰度值小于该阈值,则将该像素的灰度值设置为0或255,否则灰度值设置为255或0. 图像二值化的实现代码

图像二值化的实现步骤如下： (1)取得原图的数据区指针

(2)每个像素依次循环,假设该像素灰度值为0,则不变;假设该像素灰度值

学习文档 仅供参考

不为0,则置为255。

图像二值化代码如下:

[A,map]=imread('f:\\521.bmp'); figure(1);

imshow(A,map), title('原图'); image=double(A); for i=1:600, for j=1:600,

if (image(i,j) > 200) image(i,j)=255; else

image(i,j)=0; end; end, end, figure(2);

imshow(image,map), title('二值化');

原图二值化

原图 二值化处理后图

4. 6 二值图像的去噪

学习文档 仅供参考

理论基础

图像在形成、传输、接收和处理的过程中,不可防止地存在着外部以及内部的干扰,比方光电转换过程中敏感元件灵敏度的不均匀性、数字化过程的量化噪声、传输过程中的误差,还有人为的因素等等,均会存在着一定程度的噪声干扰.噪声恶化了图像质量,致使图像模糊,特征不明显。例如在车牌识别的处理过程中噪声带来的影响可以通过二值化去噪得到很好的处理效果。 二值图像去噪的实现代码

二值图像去噪的实现步骤如下：

(1)取得图像大小、数据区指针,并把数据区复制到缓冲区去 (2)循环取得各点的像素值 (3)取得该点周围8像素的平均值

(4)把缓冲区中改动的数据复制到原数据区中 程序代码如下: clear; close all;

I=imread('f:\\54.bmp'); I=rgb2gray(I); imwrite(I,'f:\\544.bmp'); [A,map]=imread('f:\\544.bmp'); figure(1); imshow(A,map), title('原图'); image=double(A); for i=1:170, for j=1:486,

if (image(i,j) > 90) image(i,j)=255; else

image(i,j)=0; end; end, end, figure(2);

imshow(image,map),

学习文档 仅供参考

title('二值化去噪');

图4.3 二值图像

图4.4 二值图像去噪后图

利用matlab实现了上述算法,通过实验证明,利用matlab编写的这些程序,执行效率很高,所以对车牌进行实时识别能够满足这些要求,并且经过对车牌图像的二值化以及去噪等处理,车牌识别的准确率有了很大的提高.

学习文档 仅供参考

第五章 结论

图像在人类的日常生活中以处于不可以缺少的部分，本文为获得高质量的图像而进行一系列的研究，从而一步一步解决图像中所存在的问题。

第一章简单的介绍了图像处理，图像处理的重要意义以及图像处理在人们日常生活中不可缺少的位置；并简单介绍了matlab的基本操作以及用matlab做图像处理的特点，从而让我更深一步的了解了matlab的操作和图片的优化。

第二章介绍了灰度及直方图，它在图像处理中也至关总要，通过用直方图的比照让我们轻松了解到图像前后的差异以及图像中所存在的不足之处！

第三章向我们展示的了图像的平滑与锐化，图像的平滑有邻域平均法、中值滤波法和选择式掩模平滑法等来减少噪声，本文主要讲解了邻域平均法，邻域平均处理方法是以图像模糊为代价来减小噪声的，且模板尺寸越大，噪声减小的效果越显著。图像锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细节。

第四章讲述了噪声的定义，噪声对图像的影响以及去噪的方法，从不同角度介绍了图像中噪声的来源和模型，以及如何计算信噪比及编程实现随机噪声和椒盐噪声的添加。通过matlab从而减少图像中的噪声而获得高质量的图像。通过用实验证明，领域平均法去噪是可行的！

25

参考文献

[1] 何东健，数字图像处理，西安电子科技大学出版社，2007. [2] 求是科技 苏彦华，Visual C++数字图像识别技术典型案例，2004. [3] 张慧明，图像处理算法的快速验证平台[D].西安电子科技大学，2007. [4] 曾莹，陈晓柱，VC++下的图像处理算法[J].电脑与电信，2007.

[5] 王广新，基于FPGA的声纳图像处理卡的设计与实现[D].哈尔滨工程大学，2009. [6] 谭林秋，基于VC++的数字图像处理系统的开发及算法研究[J].西安理工大学，2008. [7] 聂絮飞，基于VC++的图像数据采集与界面化显示研究[J]。黑龙江科技信息，2010. [8] 张凯，VC++在图像处理技术方面的应用[J].内江科技，2006.

[9] 王宇含，金声震，基于FPGA的高速图像预处理系统设计[J].电子科技大学学报，2005. [10] 杨文强，吴冰，陈步威，Visual C++在图像处理中的应用研究[J].河南理工大学学报，2008.

[11] 杨文杰，刘浩学.JJ数字图像处理系统的研制[J].北京印刷学院学报，2002.

26

致 谢

在毕业论文完成之际，我首先要感谢黄光亚老师的悉心指导，她严谨的治学态度，一丝不苟的敬业精神给我留下了深刻的印象。感谢她在百忙之中甚至在怀孕期间也一直催促关心着我的本科论文的写作。她的博学、勤勉以及平和的为人，使我油然而生敬意。

再次感谢黄光亚老师给我这个时机加入到图像预处理项目中来，使我能够学习到许多图像处理学科前沿的知识，而且通过实际项目开发，积累了珍贵的实践经验，提高了我用matlab的操作和编程能力。

感谢宁兵兵同学，在与他的交流和讨论中我受益匪浅，同时也被他刻苦钻研的精神所深深感染。他乐于助人，耐心的解答我提出的问题，对我的论文提出了许多中肯的修改意见，并对一些技术上的细节给予了很大的帮助。

感谢我的父母，是他们给予了我无私的奉献、支持和鼓励。

学习文档 仅供参考