110320017 丁園——圖像退化與復(fù)原的系統(tǒng)設(shè)計和邊緣檢測

1、課程設(shè)計報告課程名稱： 圖形圖像處理 學(xué) 期： 2013-2014學(xué)年第2學(xué)期 學(xué)時學(xué)分： 32學(xué)分2學(xué)時 專業(yè)班級： 信科1101 班 學(xué)號： 110320017 姓名： 丁園 指導(dǎo)老師： 陳榮元 提交日期： 2014年 6月 21日 目錄一、數(shù)字圖像退化與復(fù)原系統(tǒng)設(shè)計21、實驗內(nèi)容22、實驗原理23、具體實驗過程及結(jié)果5二、邊緣檢測121、實驗內(nèi)容122、實驗原理123、具體實驗過程及結(jié)果13三、實驗總結(jié)與體會18參考文獻19一、數(shù)字圖像退化與復(fù)原系統(tǒng)設(shè)計1、實驗內(nèi)容（1）設(shè)計圖形用戶界面，能對圖像文件（bmp、 jpg、 tiff、 gif等）進行打開、保存、另存、打印、退出等功能操作；

2、（2）數(shù)字圖像的統(tǒng)計信息功能：包括圖像的行數(shù)和列數(shù)，附加信息，直方圖的統(tǒng)計及繪制等；（3）圖像退化與復(fù)原a.能對圖像加入各種噪聲，生成退化圖像；b.給定圖像，能估計噪聲參數(shù)和噪聲類型；c.并通過幾種濾波算法（維納濾波，最小二乘方濾波）實現(xiàn)去噪并顯示結(jié)果。比較去噪效果。2、實驗原理（1）圖像的退化 數(shù)字圖像在獲取過程中，由于光學(xué)系統(tǒng)的像差、光學(xué)成像衍射、成像系統(tǒng)的非線性畸變、成像過程的相對運動、環(huán)境隨機噪聲等原因，圖像會產(chǎn)生一定程度的退化。（2）圖像的復(fù)原 圖像復(fù)原是利用圖像退化現(xiàn)象的某種先驗知識，建立退化現(xiàn)象的數(shù)學(xué)模型，再根據(jù)模型進行反向的推演運算，以恢復(fù)原來的景物圖像。因而圖像復(fù)原可以理解為

3、圖像降質(zhì)過程的反向過程。（3）估計噪聲參數(shù)和噪聲類型噪聲的類型可以通過設(shè)備來確定，也可以從圖像信息中提取，從圖像中提取一個平滑的子圖像，畫出直方圖，分辨噪聲類型。通過傳感器的合成像設(shè)備技術(shù)參數(shù)來估計噪聲參數(shù)。（4）圖像降質(zhì)的數(shù)學(xué)模型圖像復(fù)原處理的關(guān)鍵問題在于建立退化模型。輸入圖像f(x,y)經(jīng)過某個退化系統(tǒng)后輸出的是一幅退化的圖像。為了討論方便，把噪聲引起的退化即噪聲對圖像的影響一般作為加性噪聲考慮。原始圖像f(x,y)經(jīng)過一個退化算子或退化系統(tǒng)H(x,y)的作用，再和噪聲n(x,y)進行疊加，形成退化后的圖像g(x,y)。圖1表示退化過程的輸入和輸出關(guān)系，其中H(x,y)概括了退化系統(tǒng)的物理

4、過程，就是要尋找的退化數(shù)學(xué)模型。f(x,y)H(x,y)+n (x,y)g(x,y)圖1 圖像的退化模型數(shù)字圖像的圖像恢復(fù)問題可以看作是：根據(jù)退化圖像g(x,y)和退化算子H(x,y)的形式，沿著反向過程去求解原始圖像f(x,y)。圖像退化的過程可以用數(shù)學(xué)表達式寫成如下形式：g(x,y)=Hf(x,y)+n(x,y) (1)在這里，n(x,y)是一種統(tǒng)計性質(zhì)的信息。在實際應(yīng)用中，往往假設(shè)噪聲是白噪聲，即它的頻譜密度為常熟，并且與圖像不相關(guān)。在對退化系統(tǒng)進行了線性系統(tǒng)和空間不變系統(tǒng)的近似之后，連續(xù)函數(shù)的退化模型在空域中可以寫成：g(x,y)=f(x,y)*h(x,y)+n(x,y) (2)在頻域

5、中可以寫成：G(u,v)=F(u,v)H(u,v)+N(u,v) (3)其中，G(u,v)、F(u,v)、N(u,v)分別是退化圖像g(x,y)、原圖像f(x,y)、噪聲信號n(x,y)的傅立葉變換；H(u,v)是系統(tǒng)的點沖擊響應(yīng)函數(shù)h(x,y)的傅立葉變換，稱為系統(tǒng)在頻率域上的傳遞函數(shù)。可見，圖像復(fù)原實際上就是已知g(x,y)求f(x,y)的問題或已知G(u,v)求F(u,v)的問題，它們的不同之處在于一個是空域，一個是頻域。（5）維納濾波維納濾波是最小二乘類約束復(fù)原的一種。在最小二乘類約束復(fù)原中，要設(shè)法尋找一個最有估計，使得形式為的函數(shù)最小化。求這類問題的最小化，常采用拉格朗日乘子算法。也

6、就是說，要尋找一個，使得準(zhǔn)則函數(shù) (10)為最小。求解得到 (11)式中，。如果用圖像f和噪聲的相關(guān)矩陣Rf和Rn表示Q，就可以得到維納濾波復(fù)原方法。具體維納濾波復(fù)原方法的原理請參考相關(guān)圖書。（6）比較維納濾波與最小二乘方濾波的去噪效果當(dāng)圖像只存在噪聲復(fù)原是，需要用不同的空間濾波，不同的濾波對不同的噪聲去除有不同的效果，需要比較各均值濾波和統(tǒng)計濾波來來分析其適用場景，找到各種噪聲去除的最好濾波器。不同的濾波其都是通過噪聲與像素的融合來去除噪聲，由于融合的方法不同，其去噪結(jié)果也不同，在圖片上顯示的內(nèi)容也不一樣，可以比較去噪后的圖片，來確定不同濾波器的好壞。3、具體實驗過程及結(jié)果（3）加入噪聲，生

7、成退化圖像；a.加入噪聲生成退化圖像 I=imread(lena.jpg);%讀取Lena.jsp圖像imshow(I);%顯示如圖1：圖1加入高斯模糊噪聲生成退化或降質(zhì)圖像并顯示，如圖2：圖2b.估計給定圖像的噪聲類型和參數(shù)實現(xiàn)代碼：clcclearI=imread(C:tucamana.jpg);m,n=size(I);K1=imnoise(I,gaussian,0.02);subplot(2,3,1),imshow(K1);K2=imnoise(I,salt & pepper,0.02);subplot(2,3,2),imshow(K2);K3=imnoise(I,speckle,0.0

8、2);subplot(2,3,3),imshow(K3);GP=zeros(1,256); K1=double(K1);for i=1:254GP1(i)=0;GP2(i)=0;GP3(i)=0;for u=1:mfor v=1:nif K1(u,v)=i;GP1(i)=GP1(i)+1;endif K2(u,v)=i;GP2(i)=GP2(i)+1;endif K3(u,v)=i;GP3(i)=GP3(i)+1;endendendGP1(i)=GP1(i)/(m*n);GP2(i)=GP2(i)/(m*n);GP3(i)=GP3(i)/(m*n);endsubplot(2,3,4);bar(

9、GP1)title(高斯)subplot(2,3,5)bar(GP2);title(椒鹽);subplot(2,3,6)bar(GP3);title(均勻)figure(3)for i=1:254GP11(i)=0;GP22(i)=0;GP33(i)=0;for u=1:150for v=1:40if K1(u,v)=i;GP11(i)=GP11(i)+1;endif K2(u,v)=i;GP22(i)=GP22(i)+1;endif K3(u,v)=i;GP33(i)=GP33(i)+1;endendendGP11(i)=GP11(i)/(m*n);GP22(i)=GP22(i)/(m*n)

10、;GP33(i)=GP33(i)/(m*n);endsubplot(1,3,1);bar(GP11)title(高斯參數(shù)的估計)subplot(1,3,2)bar(GP22);title(椒鹽參數(shù)的估計);subplot(1,3,3)bar(GP33);title(均勻參數(shù)的估計)clcclearf=imread(C:tucamana.jpg);m,n=size(f);for i=1:mfor j=1:nF(i,j)=(-1)(i+j)*f(i,j);endendF=fftshift(fft2(F);R=real(F);I=imag(F);G=zeros(m,n);for u=1:mfor v

11、=1:nG(u,v)=(R(u,v)2+I(u,v)2)(1/2);endendfigure(2);G=mat2gray(G);實驗結(jié)果（圖3、圖4）：圖3圖4結(jié)果分析: 數(shù)字圖像中，噪聲主要來源于圖像的獲取和傳輸過程，不同噪聲所對應(yīng)的直方圖不同，可以從直方圖判斷圖像砸噪聲的種類，噪聲參數(shù)的估計需要選取圖像的一個垂直條帶，畫出其直方圖，可以確定其參數(shù)。c.分別采用維納濾波和約束最小二乘方濾波實現(xiàn)去噪并比較實現(xiàn)代碼：I=imread(C:turice1.tif);figure;subplot(2,2,1);imshow(I);title(原圖像);m,n=size(I);F=fftshift(f

12、ft2(I);k=0.0025; %取不同的值0.00025for u=1:m for v=1:n H(u,v)=exp(-k)*(u-m/2)2+(v-n/2)2)(5/6); endendG=F.*H;I0=real(ifft2(fftshift(G);I1=imnoise(uint8(I0),gaussian,0,0.001)subplot(2,2,2);imshow(uint8(I1);title(模糊退化且添加高斯噪聲的圖像);F0=fftshift(fft2(I1);F1=F0./H;I2=ifft2(fftshift(F1);subplot(2,2,3);imshow(uint8

13、(I2);title(全逆濾波復(fù)原圖);K=0.1; for u=1:m for v=1:n H(u,v)=exp(-k*(u-m/2)2+(v-n/2)2)(5/6); H0(u,v)=(abs(H(u,v)2; H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+K); endendF2=H1.*F0;I3=ifft2(fftshift(F2);subplot(2,2,4);imshow(uint8(I3);title(維納濾波復(fù)原圖);p=0 -1 0;-1 4 -1;0 -1 0; for i=1:m for j=1:n if(i=3 & j threshold) new

14、GrayPic(i,j)=255; else newGrayPic(i,j)=0; end endendfigure,imshow(newGrayPic);結(jié)果示例（圖10）：圖7 Roberts 算子圖像圖10 Roberts 算子圖像Prewitt 算子實現(xiàn)代碼：sourcePic=imread(glenna.bmp);%讀取原圖像grayPic=mat2gray(sourcePic);%轉(zhuǎn)換成灰度圖像m,n=size(grayPic);newGrayPic=grayPic;%為保留圖像的邊緣一個像素PrewittNum=0;%經(jīng)Prewitt算子計算得到的每個像素的值PrewittThr

15、eshold=0.5;%設(shè)定閾值for j=2:m-1 %進行邊界提取for k=2:n-1PrewittNum=abs(grayPic(j-1,k+1)-grayPic(j+1,k+1)+grayPic(j-1,k)-grayPic(j+1,k)+grayPic(j-1,k-1)-grayPic(j+1,k-1)+abs(grayPic(j-1,k+1)+grayPic(j,k+1)+grayPic(j+1,k+1)-grayPic(j-1,k-1)-grayPic(j,k-1)-grayPic(j+1,k-1);if(PrewittNum PrewittThreshold)newGrayP

16、ic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure,imshow(newGrayPic);title(Prewitt算子的處理結(jié)果)結(jié)果示例（圖11）圖8 Prewitt 算子圖像圖11 Prewitt 算子圖像Sobel 算子實現(xiàn)代碼：sourcePic=imread(glenna.bmp);%讀取原圖像grayPic=mat2gray(sourcePic);%轉(zhuǎn)換成灰度圖像m,n=size(grayPic);newGrayPic=grayPic;%為保留圖像的邊緣一個像素sobelNum=0;%經(jīng)sobel算子計算得到的每個像素的值sobel

17、Threshold=0.8;%設(shè)定閾值for j=2:m-1 %進行邊界提取for k=2:n-1sobelNum=abs(grayPic(j-1,k+1)+2*grayPic(j,k+1)+grayPic(j+1,k+1)-grayPic(j-1,k-1)-2*grayPic(j,k-1)-grayPic(j+1,k-1)+abs(grayPic(j-1,k-1)+2*grayPic(j-1,k)+grayPic(j-1,k+1)-grayPic(j+1,k-1)-2*grayPic(j+1,k)-grayPic(j+1,k+1);if(sobelNum sobelThreshold)new

18、GrayPic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure,imshow(newGrayPic);title(Sobel算子的處理結(jié)果)結(jié)果示例（圖12）：圖9 Sobel算子圖像圖12 Sobel算子圖像結(jié)果分析：圖像局部特征的不連續(xù)性(相鄰區(qū)域的交界)稱為邊緣。邊緣位置的微分特性是幅度和方向性(沿邊緣方向灰度緩變，垂直方向突變)。邊緣位置和導(dǎo)數(shù)(微分)間具有一定對應(yīng)關(guān)系，可通過微分進行邊緣檢測。無噪聲時，可用Roberts算子；Prewitt和Sobel算子同時具有平均，即抑制噪聲作用；對階躍狀邊緣，Roberts得到的邊緣寬度1個像素，P

19、rewitt和Sobel算子得到的邊緣寬度2個像素。由實驗的效果圖像可以知道，在利用edge函數(shù)進行相應(yīng)的算子邊緣檢測的時候，各算子的差別非常微小，不過由相應(yīng)的參數(shù)，三個算子分別為0.08、0.05、0.04可以知道，Sobel算子在邊緣檢測中最為敏感，及在同一條件下它的處理效果應(yīng)該最好。在后面實驗部分中，利用“手動”的模版算子進行邊緣檢測，我們很容易可以看到，Sobel算子的處理效果最好。三、實驗總結(jié)與體會首先，通過這次的實驗課題，我掌握了MATLAB的一些最基本的圖像的存取與顯示方法。同時，我了解了圖像退化與復(fù)原的基本原理，理解了數(shù)字圖像運動模糊、高斯模糊以及其他噪聲引起模糊的物理本質(zhì)，學(xué)

20、會了降質(zhì)圖像的逆濾波復(fù)原和維納濾波復(fù)原方法。并能夠通過書本及在網(wǎng)上查找資料完成圖像退化與復(fù)原的系統(tǒng)設(shè)計。在這一過程中，我學(xué)習(xí)到了很多原本不知道或者不太熟悉的命令。比如通過設(shè)置不同的參數(shù)達到所需要的要求和結(jié)果。而且還可以在不同的窗口建立不同的函數(shù)而達到相同的效果。當(dāng)然，我自己掌握的知識還是非常有限的，但是老師在課堂上給我們提出來的一些方法和技巧是非常有效的，也因此幫助我順利完成此次課程論文。最后還有個很深的感受：MATLAB是個非常強大而且有用的工具，以后有機會一定要進行深入的學(xué)習(xí)。參考文獻1 （美）Bruce Ecker 著 明文華譯.運動模糊圖像復(fù)原算法.北京：機械工業(yè)出版社 2007/62

21、 陳天河.圖像的退化與復(fù)原.北京電子工業(yè)出版社20053 邊緣檢測算法研究（第5版）/張海藩 編著北京：清華大學(xué)出版社，2008.24圖像復(fù)原的應(yīng)用（第4版）（PMBOK指南）/（美）項目管理協(xié)會編著，王勇，張斌譯.北京：電子工業(yè)出版社 ，2009.8優(yōu)秀良好中等及格不及格報告文檔1.完全按照課程設(shè)計文檔規(guī)范要求2.內(nèi)容充實、設(shè)計合理1.完全按照課程設(shè)計文檔規(guī)范要求2內(nèi)容較充實、設(shè)計較合理1.基本按照課程設(shè)計文檔規(guī)范要求2.內(nèi)容較充實、設(shè)計較合理1.基本按照課程設(shè)計文檔規(guī)范要求2.內(nèi)容欠充實、設(shè)計欠合理1.沒有按照課程設(shè)計文檔規(guī)范要求2.內(nèi)容不充實、設(shè)計不合理算法分析1算法正確。2算法分析很全面。3算法描述很清晰。1算法正確。2算法分析全面。3算法描述清