南京理工大学紫金学院毕业设计(论文)开题报告
学生姓名：杨程学号：090402159
专业：光电信息工程
设计(论文)题目：空间域和频率域结合的图像增强技术
及实现
指导教师:曹芳
2012年12月20日
开题报告填写要求
1．开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查后生效；
2．开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见；
3．“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于15篇（不包括辞典、手册）；
4．有关年月日等日期的填写，应当按照国标GB/T 7408—2005《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2007年3月15日”或“2007-03-15”。
毕业设计（论文）开题报告
图1 理想低通滤波器应用实例(2) Butterworth 低通滤波器
图2 高斯低通滤波器应用实例梯形低通滤波器
3）
图3 理想高通滤波器巴特沃斯高通滤波器
阶巴特沃斯高通滤波器的传递函数定义如下：
图5 高斯高通滤波器应用实例
南京理工大学紫金学院毕业设计(论文)开题报告 学生姓名：杨程学号：090402159 专业：光电信息工程 设计(论文)题目：空间域和频率域结合的图像增强技术 及实现 指导教师:曹芳 2012年12月20日
开题报告填写要求 1．开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查后生效； 2．开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见； 3．“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于15篇（不包括辞典、手册）； 4．有关年月日等日期的填写，应当按照国标GB/T 7408—2005《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2007年3月15日”或“2007-03-15”。
毕业设计（论文）开题报告 1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述： 文献综述 空域法与时域法相结合的图像增强 一、研究的目的和意义 图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量。它一般要借助人眼的视觉特性，以取得看起来较好地视觉效果，其手段主要可分为空域法和时域法[1]。 二、图像增强的发展现状 图像增强的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70 年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响[2]。 三、空间域和频率域图像增强处理基本原理及优缺点比较： 图像增强可分成两大类：频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使得模糊的图片变得清晰[3]。后者是直接对原图象的灰度级别进行数据运算，它分为两类，一类是与象素点邻域有关的局部运算，如平滑，中值滤波，锐化等；另一类是对图象做逐点运算，称为点运算如灰度对比度扩展，削波，灰度窗口变换，直方图均衡化等[4]。 下面将讨论两种作用域增强算法的技术要点，并对其图像增强方法进行性能评价。 3.1 空间域图像增强的方法 空间域处理是直接对原图像的灰度级别进行数据运算，具体可分为以下几类: 1.灰度变换[5] 当图像成像时曝光不足或过度，图像记录设备的范围太窄等因素，都会产生对比不
实验报告 实验名称空间域图像增强课程名称数字图像处理 姓名成绩 班级学号 日期地点
1.实验目的 （1）了解空间域图像增强的各种方法（点处理、掩模处理）； （2）通过编写程序掌握采用直方图均衡化进行图像增强的方法； （3）使用邻域平均法编写程序实现图像增强，进一步掌握掩模法及其改进（加门限法）消除噪声的原理； （4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。 2.实验环境（软件、硬件及条件） Windws7 MATLAB 6.x or above 3.实验方法 对如图4.1所示的两幅128×128、256级灰度的数字图像fing_128.img和cell_128.img 进行如下处理： （1）对原图像进行直方图均衡化处理，同屏显示处理前后图像及其直方图，比较异同， 并回答为什么数字图像均衡化后其直方图并非完全均匀分布。 （2）对原图像加入点噪声，用4-邻域平均法平滑加噪声图像（图像四周边界不处理，下同），同屏显示原图像、加噪声图像和处理后的图像。 ①不加门限； ②加门限T=(1/2)*avg(f(m,n)), 其中avg（f(m,n)=(1/N^2)*f(i,j)） 本次实验中的第一题，是对图像进行直方图统计和均衡化，在Matlab中有imhist()函数和histeq()函数直接调即可获得相应结果，代码如下： close all; clear all; fid=fopen('cell_128.img','r'); image1=fread(fid,[128,128],'uint8'); image1=uint8(image1); fclose(fid); subplot(2,2,1); %显示原图像 imshow(image1,[]); title('原图像'); subplot(2,2,2); %统计图像直方图 imhist(image1); title('原图像直方图');
数字图像处理
本章包含的主要内容
傅立叶变换 卷积和卷积定理 频率域低通滤波 频率域高通滤波
2
问题1：傅立叶变换
?
空间域/灰度
?
频率域/幅值与频率
4
? 傅立叶变换的预备知识
? 点源和狄拉克函数
一幅图像可以看成由无穷多像素组成，每个像素可以看成 一个点源， 点源可以用狄拉克函数δ表示：
?∞ δ ( x, y ) = ? ?0
∞
x = 0, y = 0 其他
ε
满足
?∞
∫ ∫ δ ( x, y ) dxdy = ∫ ∫ ε δ ( x, y ) dxdy = 1
?
ε为任意小的正数
5
? 狄拉克函数δ具性有的性质
9 δ函数为偶函数
δ ( ? x, ? y ) = δ ( x, y )
∞ ∞
9
位移性 或
f ( x, y ) =
?∞ ?∞
∫∫
f (α , β )δ ( x ? α , y ? β ) d α d β
f ( x, y ) = f ( x, y ) ? δ ( x, y )
9 9
可分性 筛选性
δ ( x, y ) = δ ( x)δ ( y )
f (α , β ) =
∞ ∞ ?∞ ?∞ ∞ ∞
∫∫
f ( x, y )δ ( x ? α , y ? β )dxdy
当α=β=0时
f (0, 0) =
?∞ ?∞
∫∫
f ( x, y )δ ( x, y )dxdy
6
数字图像的空间域滤波和频域滤波
三、实验过程 1. 平滑空间滤波： 1) 读出一幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。 椒盐噪声： def salt_pepperNoise(src): dst = src.copy() num = 1000 # 1000个噪声点 ndim = np.ndim(src) row, col = np.shape(src)[0:2] for i in range(num): x = np.random.randint(0, row) # 随机生成噪声点位置 y = np.random.randint(0, col) indicator = np.random.randint(0, 2) # 灰度图像 if ndim == 2: if indicator == 0: dst[x, y] = 0 else: dst[x, y] = 255 # 彩色图像 elif ndim == 3: if indicator == 0: dst[x, y, :] = 0 else: dst[x, y, :] = 255 return dst 高斯噪声： def addGaussianNoise(image,sigma): mean = 0.0 row, col ,ch= image.shape gauss = np.random.normal(mean, sigma, (row, col,ch)) gauss = gauss.reshape(row, col,ch) noisy = image + gauss return noisy.astype(np.uint8)
第三章 图像增强 燕山大学电气工程学院 赵彦涛 3.1图像增强的概念 对于一般可理解的图像增强，是指使经过增强处理后的图像其视觉效果更好，如对于某些图像看起来比较灰暗，增强处理后使其亮度增强，人眼看起来更舒服；也就是说，改善曝光不足或曝光过度对图像的影响。淡化背景，强化前景；广义的图像增强指处理后的图像比原始图像更适合于特定应用，更有利于后续图像处理，消除噪声干扰，强化有用信息等都可认为为后续的计算机处理、分析更有利。 根据其处理数据所进行空间不同，图像增强的方法可分为空域（空间域）图像增强方法和变换域（频域）增强方法。空域图像增强方法是直接处理构成图像的像素点的灰度值，而变换域图像增强方法是经过图像变换后，增强方法在其变换域中间接进行。 图像增强是与具体问题紧密相联系的，增强的目的不同，图像类型不同，采用的方法也不同，没有一种增强算法能适用于所有的应用场合。 3.2图像增强的点运算 所谓点运算就是输出图像上的每个像素的灰度值仅由相应输入像素点的值确定。空域方法是指直接对图像的像素点的灰度值进行操作，空域处理可定义为 )),((),(y x f T y x g = （1） 式中，),(y x f 是输入图像，),(y x g 是处理后的图像，T 是一种操作方法。 3.2.1 直接灰度变换 直接进行灰度变换是图像增强最简单的一类方法，设处理前后的图像的像素点的灰度值分别为r 和s ，变换方式为 )(r T s = （2） 式中，T 是把灰度值r 变换为s 的映射。由于处理的是数字量，变换函数的值通常存储在一个一维向量中，通过函数或者查表将灰度值r 映射为s 。对于8比特的灰度值，一个包含这种映射的查找表要有256个记录。 3.2.1.1 图像的直方图 图像的直方图表示图像中各种灰度级的个数（或概率），反映了一幅图像中灰度级与出现这种灰度级的概率之间的关系。对于一个8 bit （有256个灰度等级）的图像，直方图就是 N n r p k k =)( （4） 式中，k r 是第k 个灰度等级， k n 为图像中灰度等级为k r 的像素点的个数，N 是
MATLAB中基于空间域的 图像增强技术 学号：2009211757 专业：地理信息系统 时间：2011-12-27 摘要：图像增强技术可以改善图像的视觉效果，以便人眼或机器对图像的进一
步理解。空间域增强技术是指在空间域总，通过线形或非线性变换来增强构成图像的要素。直方图规定化可以将图像的直方图转化为特定的形状,以便能够对图像中的某些灰度级加以增强，使用户获得感兴趣的信息。本文对空间域增强技术的一些理论进行了介绍并对直方图规定化的基本原理进行了探讨，用Matlab语言工具实现了直方图规定化增强处理，给出并分析了实验结果。 关键词：空间域增强灰度变换直方图规定化 Malab 图像增强的首要目标是改善图像，使处理后的图像对某种特定的应用来说，比原始图像更适用。图像增强的方法分为两大类：空间域方法和频率域方法。空间域方法是以对图像像素的直接处理为基础的，常用的实现算法主要是基于户对变换的图像增强和直方图均衡化以及直方图规定化。 直方图均衡化处理基本思想是把原始图的直方图变换为均匀分布的形式,这样就增强了像素灰度值的动态范围,从而达到增强图像整体对比度的效果。但是由于它的变换函数采用的是累积分布函数，因此只能产生近似均匀的直方图[1]。有时需要具有特定的直方图的图像，以便能够对图像中的某些灰度级加以增强。这时可以采用比较灵活的直方图规定化方法。 1.基于灰度变换的图像增强： 灰度变换可调整图像的动态范围或图像对比度,是图像增强的重要手段之一。 主要包括灰度线性变换、分段线性变换（增强对比度）、反转变换、对数变换（动态范围压缩）、幂次变换、灰度切分等 以下是一个反转变换的实例： img1=imread('image.jpg'); img1=imread('image.jpg'); figure,imshow(img1);title('原图'); img2=imcomplement(img1); figure,imshow(img2);title('反转图形');
时域、频域、空间域 一、什么是时域 时域是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。二、什么是频域 频域（频率域）——自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。 三、什么是空间域 空间域又称图像空间(image space)。由图像像元组成的空间。在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。 以时间作为变量所进行的研究就是时域 以频率作为变量所进行的研究就是频域 以空间坐标作为变量进行的研究就是空间域 以波数作为变量所进行的研究称为波数域 时域和频域 本文是转载的，感谢耐心编辑以下知识的同仁，由于忘记了链接，所以只能在此致以谢意。 最近在上数字图像处理，时域和频域的概念我没有直观的概念，搜索一下，归纳如下： 1.最简单的解释 频域就是频率域， 平常我们用的是时域，是和时间有关的， 这里只和频率有关，是时间域的倒数。时域中，X轴是时间， 频域中是频率。频域就是分析它的频率特性！ 2. 图像处理中： 空间域，频域，变换域，压缩域等概念！ 只是说要将图像变换到另一种域中，然后有利于进行处理和计算 比如说：图像经过一定的变换（Fourier变换，离散yuxua DCT 变换），图像的频谱函数统计特性：图像的大部分能量集中在低，中频，高频部分的分量很弱，仅仅体现了图像的某些细节。 2.离散傅立叶变换 一般有离散傅立叶变换和其逆变换 3.DCT变换 示波器用来看时域内容，频普仪用来看频域内容！！！ 时域是信号在时间轴随时间变化的总体概括。 频域是把时域波形的表达式做傅立叶变化得到复频域的表达式，所画出的波形就是频谱图。是描述频率变化和幅度变化的关系。 时域做频谱分析变换到频域;空间域做频谱分析变换到波数域;
实验一 空域图像增强（一） 时间： AM 10:00-12:00，2015.3.23(星期一) 地点：信软学院大楼(沙河校区计算机楼)继教院东309机房 一、实验目的 1．熟悉和掌握利用matlab工具进行数字图像的读、写、显示、像素处理等数字图像处理的基本步骤和流程。 2．熟练掌握各种空间域图像增强的基本原理及方法。 3．熟悉通过灰度变换方式进行图像增强的基本原理、方法和实现。 4．熟悉直方图均衡化的基本原理、方法和实现。 二、实验内容 本次实验主要包括数字图像的灰度变换和直方图处理两大部分内容。 （一）数字图像的灰度变换 1、线性灰度变换 1）读取一幅对比度低的灰度图像（如图1-1），并显示。 图1-1 原始低对比度图像（可下载原图，也可自行选图） 2）以m文件形式编写matlab代码，实现数字图像的灰度范围由[a,b]到[c,d]的线性拉伸，以便于提升原图像的对比度。线性灰度变换公式如下：
()(,),[(,)](,)(,)d f x y b d c g x y f x y a c a f x y b b a c f x y a >????=?+≤≤???
空域和频域图像处理增强 实验目的： 1?熟悉Matlab处理图像的基本原理，并熟练地运用进行一些基本的图像操作； 2?能够用Matlab来进行亮度变换，直方图处理以及一些简单的空间滤波；实验内容： 去噪，灰度变换，直方图处理，空域和频域平滑锐化，同态滤波；结果分析： 1.直方图处理： ⑴ 显示原图直方图以及原图： 代码： >> imread('hui.jpg'); >> imshow(f); >> imhist (f); 原图以及原图直方图为：
⑵直方图均衡化： 代码： >> f=imread('test2.jpg'); >> n=imno ise(f); >> imwrite( n,'n .tif); >> [thr,sorh,keepapp] = dde ncmp('de n','wv',im2double( n)); >> r=wde ncmp('gbl',im2double(Noise),'sym2',2,thr,sorh,keepapp); >> r=wde ncmp('gb l' ,im2double( n),'sym2',2,thr,sorh,keepapp); >> imwrite(r,'r.tif); >> imshow(f); 现在的图片以及直方图为： 结论： 直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效 地扩展常用的亮度来实现这种功能
实验二数字图像的空间域滤波和频域滤波 一．实验目的 1.掌握图像滤波的基本定义及目的； 2.理解空间域滤波的基本原理及方法； 3.掌握进行图像的空域滤波的方法。 4.掌握傅立叶变换及逆变换的基本原理方法； 5.理解频域滤波的基本原理及方法； 6.掌握进行图像的频域滤波的方法。 二．实验内容 1.平滑空间滤波： a)读出eight.tif这幅图像，给这幅图像分别加入椒盐噪声和高斯噪 声后并与前一张图显示在同一图像窗口中；（提示：imnoise） b)对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同 模板所形成的效果，要求在同一窗口中显示；（提示:fspecial、 imfilter或filter2） c)使用函数imfilter时，分别采用不同的填充方法（或边界选项， 如零填充、’replicate’、’symmetric’、’circular’）进行低通滤波， 显示处理后的图像 d)运用for循环，将加有椒盐噪声的图像进行10次，20次均值滤 波，查看其特点,显示均值处理后的图像；（提示:利用fspecial函 数的’average’类型生成均值滤波器） e)对加入椒盐噪声的图像分别采用均值滤波法，和中值滤波法对有 噪声的图像做处理，要求在同一窗口中显示结果。（提 示:medfilt2） f)自己设计平滑空间滤波器，并将其对噪声图像进行处理，显示处 理后的图像； 2.锐化空间滤波 a)读出blurry_moon.tif这幅图像，采用3×3的拉普拉斯算子w = [ 1, 1, 1; 1 – 8 1; 1, 1, 1]对其进行滤波； b)编写函数w = genlaplacian(n)，自动产生任一奇数尺寸n的拉普 拉斯算子，如5×5的拉普拉斯算子 w = [ 1 1 1 1 1 1 1 1 1 1 1 1 -24 1 1 1 1 1 1 1 1 1 1 1 1] c)分别采用5×5，9×9，15×15和25×25大小的拉普拉斯算子对
实验报告六 姓名：学号：班级： 实验日期： 2016.5.13 实验成绩： 实验题目：频域图像增强的方法 一．实验目的 （1）熟练掌握频域滤波增强的各类滤波器的原理及实现。 （2）分析不同用途的滤波器对频域滤波增强效果的影响，并分析不同的滤波器截止频率对频域滤波增强效果的影响。 二．实验原理 变换最慢的频率分量与图像的平均灰度成正比，当远离变换的原点时，低频对应于图像中变换缓慢的灰度分量，当从原点离开得更远时，较高的频率开始对应图像中越来越快的灰度变换，频率域滤波是通过傅里叶变换在频域上对频谱进行修改后再回到空间域的一种方法，在频域中直流项决定了图像的平均灰度，衰减高频通过低频的低通滤波器会模糊一副图像，而衰减低频通过高频的高通滤波器则会增加尖锐的细节，但会导致图像对比度的降低。
三．实验内容及结果 （1）选择图像fig620.jpg，对其进行傅里叶变换，在频率域中实现五种不同半径（截止频率）的butterworth低通滤波器的平滑作用。 显示原始图像和滤波图像。 图1不同半径巴特沃斯低通滤波图
（2）选择图像fig620.jpg，对其进行傅里叶变换，在频率域中实现五种不同半径（截止频率）的butterworth高通滤波的锐化效果，显示原始图像和滤波图像。 图2 不同半径巴特沃斯高通滤波图
四．结果分析 (1)观察图1，可以发现巴特沃斯低通滤波器半径越小，图像越模糊，但图像的背景亮度大小和原图像别无二致，这是因为低通滤波器实现的是滤除高频分量，保留低频分量的功能，所以半径越小，通过的低频分量越少，所以越模糊，但不论半径多小，它的整体亮度不变，这是由于决定图像平均灰度的直流分量处于图像中点（经过fftshift平移后），它一直是通过的，同时观察变量区的原图像傅里叶变换后的数据矩阵发现，最大数据小于并接近100，所以第五个滤波器设定为100半径，但是发现，滤波后图像的小a还是有一定的模糊，这是因为巴特沃斯滤波器不是理想滤波器，在截止频率处存在一定的过度带，所以小尺寸的物体可能会有模糊。 （2）观察图二，可以发现进过巴特沃斯高通滤波器后的图像背景均为黑色，这是由于高通滤波器阻止了代表图像平均灰度的直流分量通过，且发现半径越大，图像物体中边缘细节越尖锐，这表明滤波器中高频分量占的比重越来越大，同时观察图中字母a会有一定的缺口，这正是由于巴特沃斯平滑截止程度不够所带来的振铃现象，在低通中没有表现出来是由于背景的亮度掩盖了缺口，并且发现通过高通滤波器后图像的对比度也降低了。
空间域图象增强的方法 图象增强的方法基本可分为空间域处理及频域处理两类。空间域处理是直接对原图象的灰度级别进行数据运算，它分为两类，一类是与象素点邻域有关的局部运算，如平滑，中值滤波，锐化等；另一类是对图象做逐点运算，称为点运算如灰度对比度扩展，削波，灰度窗口变换，直方图均衡化等。现对主要方法作简单介绍： 1、平滑 图像在生成和传输过程中会受到各种噪声源的干扰和影响，使图像质量变差。反映在图像上，噪声使原本均匀和连续变化的灰度突然变大或变小，形成一些虚假的物体边缘或轮廓。抑制或消除这些噪声而改善图像质量的过程称为图像的平滑。主要有 （1）邻域平均法 在邻域平均法中，假定图像是由许多灰度恒定的小块组成，相邻像素间有很强的空间相关性，而噪声是统计独立地加到图像上的。因此，可用像素邻域内个像素灰度值的平均来代表原来的灰度值。 （2）低通滤波法 从频谱上看，噪声特别是随机噪声是一种具有较高频率分量的信号。平滑的目的就是通过一定的手段滤去这类信号。一个很自然的想法就是使图像经过一个二维的低通数字滤波器，让高频信号得到较大的衰减。在空间域上进行的这种滤波实际上就是对图像和滤波器的冲击响应函数进行卷积。 (3)中值滤波法 中值滤波的思想是对一个窗口内的所有像素的灰度值进行排序，取排序结果的中间值作为原窗口中心点处像素的灰度值。这种平滑方法对脉冲干扰和椒盐类干扰噪声的效果较好。 中值滤波的关键在于选择合适的窗口大小和形状。但一般很难事先确定窗口的尺寸，通常是从小到大进行多次尝试。窗口的形状可选为正方形，也可选为十字形。 2、尖锐化 在图像判断和识别中，需要有边缘鲜明的图像。图像尖锐化技术常用来对图像的边缘进行增强。主要方法有： （1）微分法 在图像的判断和识别中，边缘是由不同灰度级的相邻像素点构成的。因此，若想增强边缘，就应该突出相邻点间的灰度级变化。微分运算可用来求信号的变化率，具有加强高频分量的作用。如果将其应用在图像上，可使图像的轮廓清晰。由于常常无法事先确定轮廓的取向，因而在挑选用于轮廓增强的微分算子时，必须选择那些不具备空间方向性和具有旋转不变性的线性微分算子。 （2）高通滤波法
数字图像得空间域滤波与频域滤波
２) 对加入噪声图像选用不同得平滑(低通)模板做运算,对比不同模板所形成得效果, 要求在同一窗口中显示、 加入椒盐噪声后图像得滤波: ｉmg1 =cｖ2。imread(”D:\＼ｍotｅ。jpg",0)?iｍｇ=iｍｇ１[100:300] src =ｓａｌt_pｅpｐｅrＮoｉsｅ(img) ｃｖ2、iｍshow("oriｇiｎ",src) dst = cv２.blur(src,(３,3)) #均值滤波模板 cｖ2.iｍshow(”blｕr”,ｄst) dsｔ1 = cv2。meｄｉａnBlｕr(ｓｒc,5) #中值滤波 cv2、ｉmshoｗ("mediａnBlｕr",dst1) dst2 = cｖ2、ＧausｓiａnＢlｕr(ｓrc,(３,3),0) ＃高斯滤波 cv2、iｍsｈow("GaｕsｓianBｌｕr”,dｓt2) cv2、waｉtKey(０) cv２、deｓtrｏyＡlｌＷｉｎdows()
3) 进行低通滤波,显示处理后得图像。 impoｒt cv２ impｏrt ｎumpy ａs nｐ?deｆfunctiｏn(imｇ):?ｈ,w=img.ｓhａpe? nｅwimg=ｎｐ.zeroｓ((h,ｗ),ｎp、ｕint８) img2=ｎp.fft、ｆｆt2(img) ｆsｈiｆt ＝ np。fｆｔ、fｆｔshift(ｉmｇ2)? st＝ｆshift。cｏpy()? h,w ＝fshift、shape sh=ｈ/2?ｓw=ｗ/2?r=40 fｏr i ｉn ｒａngｅ(h):?ｆor j in raｎｇe(w): if ((ｓh - ｉ) ＊ (sh - i) ＋(ｓw － j) ＊(sw — j)) ＜= r ＊ｒ:?newimｇ［i, j] ＝255 tmｐ = 1?ｅlse:? tmp = 0 ｓt[ｉ, j］ = tmp ＊fｓｈifｔ[ｉ, j］?? sl＝ｎp。fft、i ｆｆtshift(st) x２=nｐ。fｆt、iffｔ２(ｓl) x３=nｐ。uint8(np.ｒeal(x2)) return newimg,x3 iｍｇ=cv2、imｒead(’Ｄ:＼＼mote.jpg＇,0) img1,img2＝funcｔiｏn(iｍg)?cv2。imshow("ｉmaｇe”,img) cv2、iｍshow("low ｐaｓｓ filｔeriｎg”,imｇ２)?cv2。ｗaiｔＫeｙ(０)
1.空间伸展 imadjust ( f, [ low_in high_in ], [ low_out high_out ], gamma ) gamma所表示的意义： >1 ---------- 凹曲线 <1 ---------- 凸曲线 =1 ---------- 直线 2均衡化直方图 I=double(imread('lena_gray.jpg')); figure,imshow(I,[]) N=32; Hist_image=hist(I(:),N); %直方图 %使用函数histeq对图像进行直方图均衡，histeq的语法为 g = histeq( I, N); % nlev为输出的灰度级数，通常取256，默认64 figure, imhist(g); 3常用的灰度平滑锐化 2．实验原理 锐化和平滑是图像增强的重要手段，采用前者可以突出图像的细节，采用平滑可以滤除图像中的噪声，从而达到图像清晰的目的 3.实验程序 clear all close all % 0. 原图 I=double(imread('lena_gray.jpg')); figure,imshow(I,[]) % 1.均值低通滤波 H=fspecial('average',5); F{1}=double(filter2(H,I)); figure,imshow(F{1},[]); % 2.gaussian 低通滤波 H=fspecial('gaussian',7,3); F{2}=double(filter2(H,I)); figure,imshow(F{2},[]);
% 3.增强图像=原图-均值低通滤波F{3}=2*I-F{1}; figure,imshow(uint8(F{3}),[]); % 4. 增强图像=原图-高斯低通滤波F{4}=2*I-F{2}; figure,imshow(uint8(F{4}),[]); %5. 'prewitt'边缘算子增强 H=fspecial('prewitt'); F{5}=uint8(I+filter2(H,I)); figure,imshow(F{5},[]); %6. 'sobel'边缘算子增强 H=fspecial('sobel'); F{6}=uint8(I+filter2(H,I)); figure,imshow(F{6},[]); 4.实验结果和分析 5.思考题
第27卷 第1期航 空 学 报 Vo l 27No 1 2006年 1月ACT A A ERON A U T ICA ET A ST RO N AU T ICA SIN ICA Jan. 2006 收稿日期:2005 06 20;修订日期:2005 10 01基金项目:中国博士后科学基金(2004035215)、江苏省博士后科研资 助计划、航空科学基金(04I52065)资助项目 文章编号:1000 6893(2006)01 0062 05运行模态分析的频域空间域分解法及其应用 王 彤,张令弥 (南京航空航天大学振动工程研究所,江苏南京 210016) Frequency and S patial Domain Decomposition for Operational Modal Analysis and Its Application WAN G To ng ,ZH AN G Ling mi (Institut e o f V ibratio n Eng ineer ing,N anjing U niv ersity of A ero nautics and A stro nautics,Nanjing 210016,China)摘 要:提出了一种基于频域空间域分解(Fr equency and Spat ial D omain Decomposit ion,F SDD)的运行模态分析方法。该法将同时具有输入和输出的试验模态分析的经典方法 复模态指示因子(Complex M o de In dicator Funct ion,CM IF )法拓展到了仅有输出响应的运行状态模态分析。FSDD 法采用奇异值分解将信号空间和噪声空间分离开来,把奇异值曲线作为模态指示的依据,以奇异值向量作为加权函数得到每一阶模态的增强功率谱(P ow er Spectr um Density ,P SD),进而在频域内对增强P SD 曲线进行最小二乘拟合以得到准确的模态频率和阻尼参数。采用了一个二层楼仿真算例和在欧洲广为人知的瑞士Z24公路大桥实测算例来验证FSDD 算法。 关键词:模态参数识别;运行模态分析;频域空间域;最小二乘拟合中图分类号:V 214.4+2 文献标识码:A Abstract:A frequency and spat ial domain deco mpo sitio n (FSDD )method fo r o per atio nal modal analy sis (O M A)is presented in t his paper ,which is an ex tension of Co mplex M ode Indicator Functio n (CM I F)method for ex perimental mo dal analysis (EM A ).Sing ular value deco mpo sitio n is ado pted to separ at e the signal space from t he noise space.T he sing ular values plot is a go od indicato r for lo cat ing modal fr equencies.T he singular vector s ar e employ ed as a weight function to obtain an enhanced power spectr um density (PSD),fr om which accurate mo dal frequency and damping r atio ar e g ot thro ug h the least square fitting in fr equency do main.A simulatio n case of a tw o sto rey building and an application case of t he famous Z24highw ay br idge are emplo yed to validate the FSDD algo rithm. Key words:mo dal par amet ers identification;operational modal analy sis;frequency and spatial domain;least squar e fitting 模态分析发展至今已有30多年的历史,主要可归纳为3大类方法:一是基于计算机仿真的有 限元分析(Finite Element Analysis,FEA )法;二是基于输入(激励)输出(响应)模态试验的试验模态分析法(Experimental Mo dal Analy sis,EMA);三是基于仅有输出(响应)模态试验的运行模态分析(Operational M odal Analysis,OM A )法。FEA 属结构动力学正问题,随着计算机技术的快速发展得到了极大的提高,但受无法准确描述复杂边界条件、结构物理参数和部件连接状态等不确定性因素的限制,难以达到很高的精度。EM A 和OM A 属结构动力学反问题,基于真实结构的模态试验,因而能得到更准确的结果。 EM A 是传统的模态分析方法,通常在实验室内完成,试验状态易于控制,测量信噪比较高。 OM A 则通常在外场进行,尽管受到测量噪声大等不利条件的影响,但本身具有一系列突出的优点。首先,OMA 仅测量输出响应,不再需要昂贵的激励设备。事实上,对于大跨桥梁、高层建筑、大型坝体等结构,施加人工激励是非常困难的。其次,用于OM A 的输出响应往往是由于风、交通等自然激励引起的,天然具有多输入多输出(M ultiple Input/M ultiple Output,M IM O)的特性,因而能够识别近频甚至重频模态。第三,OM A 往往在结构的运行状态下进行,能够揭示结构的真实动力学特性,非常适合于大型结构的健康监测和故障诊断。例如,飞行中的飞机主要靠机翼支承,而实验室条件下主要由起落架支承,两种情况下的动力特性显著不同,只有OM A 才
3‐2从空间滤波器获得频率域滤波器一、实验目的掌握从空间滤波器获得频率域滤波器的方法 二、实验内容 1. 从 Sobel 空间滤波器用 freqz2 获得频率域滤波器 2. 观察空间滤波器和对应的频率域滤波器的滤波结果 三、实验步骤 1. 执行如下代码,实现空间域滤波和频域滤波的比较: 1 读入原始图像: clc clear f = imread('lena.jpg'; imshow (f title('原始图像 ' 2 进行傅里叶变换: F = fft2(f; S = fftshift(log(1+abs(F; S = gscale(S; imshow (S title('傅立叶频谱图像 '
3 使用 f = im2double(f 之后再进行处理的傅立叶频谱图像 : f = im2double(f; % 转换为 F = fft2(f; S = fftshift(log(1+abs(F; S = gscale(S; imshow (S title('使用 f = im2double(f 之后再进行处理的傅立叶频谱图像 ' 2. freqz2 P90 增强垂直边缘 sobel H = freqz2(h,PQ(1,PQ(2: 1 产生的滤波器原点在矩阵中心处 读入图像: clc clear
f = imread('lena.jpg'; imshow (f 进行傅里叶变换: F = fft2(f; S = fftshift(log(1+abs(F; S = gscale(S; Imshow(S 增强垂直边缘: h = fspecial('sobel''; % 增强垂直边缘 figure,freqz2(h; % uses [n2 n1] = [64 64]. PQ = paddedsize(size(f; H = freqz2(h,PQ(1,PQ(2; % 产生的滤波器原点在矩阵中心处 H1 = ifftshift(H; % 迁移原点到左上角 figure,mesh(abs(H1(1:20:400,1:20:400 imshow (abs(H,[] imshow (abs(H1,[] gs = imfilter(double(f,h;; gf = dftfilt(f,H1; imshow (gs,[] imshow (gf,[]
. 数字图像的空间域滤波和频域滤波
三、实验过程 1. 平滑空间滤波： 1) 读出一幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。 椒盐噪声： def salt_pepperNoise(src): dst = src.copy() num = 1000 # 1000个噪声点 ndim = np.ndim(src) row, col = np.shape(src)[0:2] for i in range(num): x = np.random.randint(0, row) # 随机生成噪声点位置 y = np.random.randint(0, col) indicator = np.random.randint(0, 2) # 灰度图像 if ndim == 2: if indicator == 0: dst[x, y] = 0 else: dst[x, y] = 255 # 彩色图像 elif ndim == 3: if indicator == 0: dst[x, y, :] = 0 else: dst[x, y, :] = 255 return dst 高斯噪声： def addGaussianNoise(image,sigma): mean = 0.0 row, col ,ch= image.shape gauss = np.random.normal(mean, sigma, (row, col,ch)) gauss = gauss.reshape(row, col,ch) noisy = image + gauss return noisy.astype(np.uint8)