正则LR迭代算法在数字图像恢复中的应用研究外文翻译资料

英语原文共 264 页，剩余内容已隐藏，支付完成后下载完整资料

---

图像和图片

正如我们在前言中提到的，人类是主要的视觉生物：我们非常依赖于视觉上的生物在我们的视野中，使我们周围的世界有意义。我们不仅要看东西，以确定和分类，但我们可以扫描的差异，并获得一个整体的粗糙的“感觉”的场景快速浏览。

人类已经进化出非常精确的视觉技能：我们可以在瞬间识别出一张脸，我们可以区分颜色，我们可以很快处理大量的视觉信息。然而，这个世界是在不断地运动：盯着某一点的东西，它会改变以某种方式。即使是一个巨大的结构，如建筑物或山，将改变它的外观根据白天（白天或黑夜）的时间，阳光（晴或多云），或各种阴影落在它。我们关注的是单一的图像：快照，如果你喜欢，一个视觉场景。虽然图像处理可以处理变化的场景，我们不讨论它在任何细节，在这篇文章中。为了我们的目的，一个图像是一个单一的图像，它代的东西。这可能是一张照片一个人，或动物，或户外的一个场景，或一个电子显微照片

医学影像学检查结果。即使图片没有立即辨认，它不会只是一个随机的模糊。

什么是图像处理？

图像处理包括改变图像的性质以进行图像处理

1。提高其图案信息为人类的解释，

2。使它更适合于自动机器感知。

我们应与数字图像处理有关，其中涉及使用计算机来改变数字图像的性质（见下文）。有必要认识到这2个方面的代表性单独但同样重要的图像处理方面。满足条件的过程

人类喜欢他们的形象是尖锐的，明确的和详细的；机器更喜欢他们的图像是简单而整洁的。

增强图像的边缘使其显得更清晰，例如图1.1所示。

注意二像是如何出现“清洁”，这是一个更令人愉快的形象。

锐化边缘

印刷是印刷的重要组成部分，为了能在印刷上出现“最佳”页；通常执行一些锐化。

图像中的噪声是随机误差的。给出了一个例子在图1.2。

噪声是数据传输中的一个非常普遍的问题：各种电子组件可能会影响数据通过他们，结果可能是不可取的。

我们将在第7章中看到，可能有许多不同的形式，每一种类型的噪声都需要一个不同的去除方法。

从图像中移除运动模糊。图1.3给出了一个例子。注意在模糊图像（b）很容易读懂的牌照，并看到车轮上的辐条的汽车，以及其他细节没有在所有明确的原始图像（一）。运动模糊

当相机的快门速度太长，物体的速度就可能发生。在快速运动物体的照片：运动员，车辆，例如，模糊的问题是相当大的。

实例（2）可包括：

获得图像的边缘。这可能是必要的测量对象的一个图像；一个例子如图1.4所示。一旦我们有了我们可以测量的边缘传播，并在其中包含的范围内。我们也可以使用边缘检测算法作为一个第一步的边缘增强，正如我们看到的。

从图像中移除细节。测量或计数的目的，我们可能不会对图像中的细节感兴趣。例如，一台机器检查了一个组件上的项目行，感兴趣的问题可能是形状，大小或颜色。对于这种情况我们可能要简化图像。图1.5显示了一个例子：在图像（一）是一个非洲的图片

水牛，和图像（乙）显示了一个模糊的版本，其中无关的细节（如日志

在背景下的木材已被删除。注意，在图像（乙）所有的细节是图像的粗结构是不见了。动物的大小和形状不被不必要的细节“分心”。

图像和数字图像

假设我们拍一张照片。现在，让事情变得简单和假设照片是黑色和白色（即，许多灰色的色调），所以没有颜色。我们可以考虑这个形象作为一二维函数，其中的函数值给出的图像的亮度任何给定的点，如图1.6所示。我们可以假设在这样的图像亮度值可以是任意实数（黑）到（白）。明确的范围决于图像，但他们可以采取所有真正的值之间的最小值和最大值。

数字图像不同于照片中的，和值都是离散的。通常它们只需要整型值，所以在图1.6中所的图像将有1到256每个，和亮度值也从0（黑色）到255（白色）。数字图像可以被视为一大数组的离散点，每一个都有一个亮度与它。这些点被称为图片元素，或更简单的像素。给定的像素周围的像素像素构成其邻域。附近的一个特点是它的形状在相同的作为一个矩阵的方法：我们可以说一个邻居，或一个邻居。除了在非常特殊的情况下，邻里有奇数行和列，这确保当前像素位于附近的中心。

一些应用

图像处理有着巨大的应用范围，几乎每一个领域的科学和技术可以利用图像处理方法。下面是一个简短的列表，只是给一些迹象图像处理应用范围。

1。医学

从X射线，核磁共振成像或猫扫描获得的图像的检查和解释，细胞图像分析、染色体核型。

2。农业

例如，卫星/航空的看法，以确定多少土地被用于不同用途，或调查不同地区对不同作物的适用性，水果和蔬菜的鉴别区别良好的和新鲜的生产从旧的。

3。工业

生产线项目的自动检测，纸样品检验。

4。执法

指纹图谱分析，高速摄像机图像的锐化或去模糊。

图像处理方面

这是方便了不同的图像处理算法细分为大类。那里是不同的算法，针对不同的任务和问题，往往我们要区分手头的任务的性质。

图像增强。

这是指处理一个图像，以便使其结果更适合特别的应用。例子包括：

锐化或去模糊一个焦点图像，突出的边缘，提高图像的对比度，图像或光亮，

去除噪声。

图像复原。这可以被视为是将一个图像被一个已知原因，例如：

由直线运动引起的模糊，光学畸变的消除，消除周期性干扰。

图像分割。

这个图像细分成各个组成部分，或隔离图像的某些方面：

在图像中寻找直线、圆或特定形状，在航空摄影中，识别汽车、树木、建筑物或道路。

这些类是不相交的，一个给定的算法可以用于图像增强或

图像复原。

然而，我们应该能够决定我们要做的是什么我们的形象：

简单地让它看起来更好（增强），或删除损坏（恢复）。

图像处理任务

我们在一个特定的真实世界的任务中，可以看到一些细节，看看上面的类可以是怎样的

用于描述执行此任务的各个阶段。这项工作是由一个自动的的过程，从信封上的邮政编码。这里是如何做到这一：

获取图像。

首先，我们需要从一个纸信封产生一个数字图像。这是一个可使用一个CCD相机或扫描仪。

预处理。

这是在“大”图像处理任务之前采取的步骤。这里的问题为了使所得到的图像更适合于工作，执行一些基本的任务跟随。在这种情况下，它可能涉及增强对比度，去除噪声，或识别

区域可能包含邮编。

分割。

在这里我们真的“得到”邮政编码；换句话说，我们提取图像，它仅仅包含邮政编码部分。

表示与描述。这些术语是指提取特定的特征让我们区分对象。在这里，我们将寻找曲线，孔和角这使我们能够区分不同的数字组成的邮政编码。识别与解释。这意味着分配给对象的标签，根据他们的描述（从上一步），并赋予这些标签的含义。所以我们确定特别数字，并解释四个数字串的结束地址的邮编。

图像采集

我们将简要讨论的手段，让一个图片“到”一台电脑。

CCD相机。这样的相机，在通常的电影的地方，成像点的数组；这些都是电压输出的硅电子器件与光的强度成正比在他们身上。一个相机连接到电脑，从感光点信息然后输出到合适的储存介质。一般而言，这是在硬件上做，因为速度快得多高效的软件，使用了一个帧抓取卡。这允许大量的图像被捕获在一个非常短的时间，在一万分之一的顺序每。这个图像可以复制到一个永久性的存储设备，在稍后的时间。数码相机使用一系列的设备，从软盘和光盘，到各种专业卡和“记忆棒”。这些信息可以从这些设备下载到电脑硬盘。

平板床扫描仪。

这一原理类似于CCD摄像机。代替整个图像被捕获在一个大阵，单排感光点移过图像，捕捉它行的行，因为它移动。因为这是一个比采取一个更慢的过程用一个摄像头拍照，这是相当合理的，让所有捕获和存储进行处理通过合适的软件。

我们可以定义噪声在图像信号中的任何退化，由外部干扰引起。如果一个图像被发送到另个地方，通过卫星或无线传输的图像被发送到另一个地方，或者通过网络电缆，我们可以预的错误发生在图像信号。这些错误会根据信号的干扰类型以不同的方式对图像输出进行显示。

通常我们知道什么类型的错误，因此，在图像上的噪声类型，因此我们可以选择最合适的方法来减少效果。清洗损坏的图像噪声是图像恢复的重要领域。在本章中，我们将探讨一些标准的噪声形式，和不同的方法消除或减少对图像的影响。

高斯噪声

高斯噪声是一种理想的白噪声形式，是由随机波动引起的信号。我们可以通过观察看电视是略失谐的一个特定的白噪声通道。高斯白噪声是白噪声，通常分布。如果图像被表示为，以及高斯噪声的影响，然后通过简单的添加两个噪声来模拟图像的噪声：

在这里，我们可以假设这是一个矩阵，其元素是我们的图像的像素值，和是一个矩阵，其元素通常分布。它可以显示，这是一个适当的噪声模型。的影响，又可以通过imnoise功能展示：

gt; gt; t_ga = Inoise（t，gaussian”）；

如同盐和胡椒噪音，“高斯”的参数也可以采取可选值，给噪声均值与方差。默认值是和结果显示在图7.2（一）。

斑点噪声

高斯噪声可以模拟随机值添加到图像；散斑噪声（或更简单地只是散斑）可以被模拟的随机值乘以像素值，因此它是又称乘性噪声。散斑噪声是某些雷达应用中的一个主要问题。

虽然高斯噪声和散斑噪声表面类似，他们是由2完全不同的方法，并且，正如我们所看到的，需要不同的方法来清除。

周期性噪声

如果图像信号是周期性的，而不是随机扰动，我们可以得到周期性噪声损坏的图像。在图像上的条形图的效果。功能imnoise没有周期性的选择，但它很容易创建我们自己的，通过添加一个周期矩阵（使用三角函数）：

gt;gt; s=size(t);
gt;gt; [x,y]=meshgrid(1:s(1),1:s(2));
gt;gt; p=sin(x/3 y/5) 1;
gt;gt; t_pn=(im2double(t) p/2)/2;

盐和胡椒噪声，高斯噪声和散斑噪声都可以通过使用空间过滤技术。周期性噪声，但是，需要图像变换的最佳结果，所以我们将讨论关于清理周期性噪声的讨论直到后面的章节。

清盐和胡椒噪音

低通滤波

鉴于盐和胡椒噪声损坏的像素是图像的高频分量，我们应该期待一个低通滤波器应该减少他们。所以我们可以尝试用平均值来过滤滤波器：

gt;gt; a3=fspecial(rsquo;averagersquo;);
gt;gt; t_sp_a3=filter2(a3,t_sp);

结果如图7.4所示（一）。然而，通知，噪音是没有这么大的删除“模糊”的图像，结果是没有明显的“好”比嘈杂的图像。效果甚至更为明显，如果我们使用一个较大的平均滤波器：

gt;gt; a7=fspecial(rsquo;averagersquo;,[7,7]);
gt;gt; t_sp_a7=filter2(a7,t_sp);

中值滤波

中值滤波似乎几乎是为去除盐和胡椒噪声而量身定做的。记得，当它们被排序时，中间值是中间值。如果有偶数个值，则中值是中间的均值。中值滤波器是一个非线性空间滤波器的例子；使用掩模，输出值是该掩模值的中值。

排序滤波

中值滤波是一种特殊的情况，称为一个更一般的过程称为秩序滤波。而不是以一组的中位数为一组，我们点了一组，然后取其值，以供一些预定值。因此，中值滤波使用的掩模是相当于排名顺序滤波。同样，中值滤波，使用掩模相当于秩次滤波。MATLAB实现了排序与ordfilt2函数滤波；事实上medfilt2程序真的只是一个包装一个程序调用ordfilt2。使用的只有一个原因排序过滤，而不是中值滤波，这是它允许我们选择的中位数非矩形掩模。例如，如果我们决定用一个十字型面具来使用。总的来说，对ordfilt2二给出有序集以价值，和

第三个元素给出了域，其中指定的掩码的非零的值。如果我们希望使用

尺寸和宽度5跨（含九元），我们可以使用

gt;gt; ordfilt2(t_sp,5,[0 0 1 0 0;0 0 1 0 0;1 1 1 1 1;0 0 1 0 0;0 0 1 0 0])

一个异常的方法

应用中值滤波可以是一个缓慢的操作：每个像素需要排序的至少九。为了克服这个困难，普拉特[ 16 ]提出了盐清洗和使用辣椒噪声的处理噪声像素的异常值，即，像素的灰度值是显着与邻居不同。这导致了以下的噪声清洗方法：

1。选择一个阈值。

2。对于一个给定的像素，比较其值的平均值，其八个邻居。

3。如果，然后将像素分类为噪声，否则不。

4。如果像素是噪声，请替换它的值；否则，它的值保持不变。

然后，可以产生一个矩阵，由1的仅在这些地方的差异的地方原始和过滤器是大于，这是，像素是噪声。然后将包括在那些没有噪音的地方。乘以过滤器替换噪声值与平均值；与原始值相乘，将其余的输出。

实现这是图7.8所示的MATLAB函数。一个直接的问题离群点的方法是，它不是完全自动的阈值，必须选择。一个适当的方式使用离群的方法是将其应用于几个不同的阈值，并选择

提供最佳效果的值。那就是双胞胎图像10%椒盐噪声。选择图7.9（1）。这是不好的结果，使用中值滤波：

噪声的影响已经减弱，但仍有噪音“文物”的形象。在这我们选择了

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[152189]，资料为PDF文档或Word文档，PDF文档可免费转换为Word