数字图像去噪典型算法仿真与分析
个人信息*********
摘要：图像去噪是数字图像处理中的重要环节和步骤。本文首先介绍了常见的图像噪声；然后，在介绍图像去噪的基本方法和原理的基础上，讨论了均值滤波、中值滤波和维纳滤波三种典型的图像去噪方法；最后，对包含有高斯噪声和椒盐等噪声的图像进行去噪，并对其去噪效果进行了仿真和分析比较，得出了三种方法各自的适用性特点。
关键词：图像去噪；均值滤波；中值滤波；维纳滤波
Simulation and Analysis of Image De-noising Methods
in Digital Image
Name:***
(个人信息****)
Abstract: Image denoising is one of the most important parts and steps of image processing. Firstly, the paper introduces the common image noise. Then, based on the principle and methods of eliminating image noise, it discusses mean filtering, median filtering, and Wiener filtering which are typical image donoising. Finally, it uses these methods to eliminate image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes the applicability of each method in different application.
Key words: image denoising; mean filtering; median filtering; Wiener filtering
0 引言
数字图像是现代人们获取信息的主要来源。由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会收到多种噪声的污染。一般来说，现实中的图像都是带噪图像。噪声使图像变得模糊，甚至淹没图
像特征，给后面图像区域分割、分析判断等工作带来了困难。因此，在边缘检测、图像分割、特征提取、模式识别等高层次处理之前，选用适当的方法尽量地去除噪声干扰是一个非常重要的环节和步骤，也一直是图像处理研究领域进行的主要课题之一。
在图像去噪的研究方面，国内外的一些学者提出了大量的算法，如一些典型的图像去噪算法，均值滤波、中值滤波、维纳滤波、小波变换等[1-5]。近年来，一些改进的、新型的算法也被许多学者提出。文[6]提出了一种改进的均值滤波算法，该算法针对均值滤波在抑制噪声的过程中会损失图像的边缘等细节信息问题，在计算局部窗口内中心像素灰度均值时，既考虑了窗口内各像素与中心像素间的灰度差异，又顾及了窗口内各像素与中心像素间的距离；但是容易导致图像细节因过度平滑而变得模糊。对于复杂的噪声图像，文[7]提出了一种基于同性质点个数的噪声点检测算法，这是一种改进的中值滤波算法，该算法对于脉冲噪声来说不仅在滤除噪声方便有较好的效果，保持图像细节信息方面也取得了一定的成就；但对未知噪声类型的图像进行滤除时其效果就不明显。针对经典维纳滤波器存在的不足，文[8]提出了一种新的自适应维纳滤波器，该滤波器能够根据不同的图像特性在给定的多个模板之间自适应的选择模板，使得滤波效果更加理想；但是对于不太复杂的图像，新的自适应维纳滤波和普通维纳滤波相比，改善空间不是很大，效果不是很明显。
综上，现有的图像去噪方法大致可以分为两类：一类是空间域方法，另一类是频率域方法。本文主要围绕着空间域的去噪方法，分析几种典型的空间域去噪方法，研究总结各算法的优缺点、适用性及处理效率等，并通过MATLAB进行仿真和分析比较。
1 噪声
噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种因素。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”[9]。
1.1 图像系统中的常见噪声
依据噪声产生的原因，将经常影响图像质量的噪声源分为三类：阻性元器件内部产生的高斯噪声；光电转换过程中的泊松噪声（椒盐噪声）；感光过程中产
生的颗粒噪声。根据噪声和信号的关系也可以将其分为两种形式：一类是加性噪声，另一类是乘性噪声。
1.2 图像去噪的意义
噪声在图像处理中是一个非常重要的问题，它对图像的输入、采集、处理的各个环节以及最终的输出结果都会产生一定的影响。特别是在图像的输入、采集过程中，噪声是个十分关键的问题，若输入伴有较大噪，必然影响之后的处理以及最终的处理效果。因此，任何一个良好的图像处理系统，无论是模拟处理还是计算机处理无不把减少最前一级的噪声作为主攻目标。去噪处理已成为图像处理中极其重要的环节和步骤。
2 图像去噪典型算法
现有的图像去噪方法大致可以划分为两类：一类是空间域方法，主要采用各种图像平滑模板对图像进行卷积处理，以达到压抑或消除噪声的目的；另一类是频率域方法，主要通过对图像进行变换后，选用适当的频率带通滤波器进行滤波处理，再经过反变换得到去噪后图像。本文的工作主要围绕着空间域方法，对三种典型的空间域去噪方法，均值滤波、中值滤波和维纳滤波，进行讨论、仿真与分析。
2.1 均值滤波
均值滤波也称为线性滤波，其采用的主要方法为邻域平均法[1-4]。均值滤波的基本思想是用领域几个像素值的均值来代替原图像中的各个像素值，其领域的选取通常为像素的4领域和8领域。
假定有一幅由L*H个像素组成的图像f(x,y)，令Sxy表示中心在(x,y)点，尺寸为M*N的滑动模板窗口。均值滤波过程就是计算模板中所有像素的均值g(x,y)，由公式1给出；然后将g(x,y)代替该点(x,y)原来的像素值f(x,y)，得到去噪后图像
F(x,y)，如公式2所示。
这个操作可以用其系数1/M*N 的卷积模板来实现。由上式可知，经过均值处理后，噪声的均值不变，方差变小，说明噪声的强度减弱了，即噪声得到了抑制。当然，这种方法在平滑噪声的同时，也会模糊信号的细节和边缘，即在清除噪声的同时也会对图像的高频细节成分造成破坏和损失，使图像模糊。
2.2 中值滤波
中值滤波是一种非线性信号处理方法，它的基本原理是把数字图像或数字序列中的一点的值用该点的一个邻域中的各点值的中值代替。通俗地讲中值滤波就是用一个活动窗口沿图象移动，窗口中心位置的象素灰度用窗口内所有象素灰度的中值来代替。
其算法步骤为：首先确定一个以某个像素(x,y)为中心点的邻域，常用的有方形、十字形和圆形等邻域；然后将邻域中的各个像素的灰度值进行排序，取其中间值作为中心点像素灰度的新值，这里的邻域通常被称为窗口，这个窗口可以是3*3、5*5等；当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理[1-4]。它是一种邻域运算，类似于卷积，但计算的不是加权求和，而是把邻域中的像素按灰度级进行排序然后选择该组的中间值作为输出像素值。
即用该像素的相邻像素的灰度中值来代替该像素的值，由公式3给出。
(,)(,)((,))xy
x y S f x y median f x y -∈= (3) 领域的大小决定在多少个数值中求中值，窗口的形状决定在什么样的几何空间中去元素计算中值。窗口的大小和形状有时对滤波效果影响很大。
2.3 维纳滤波
维纳(Wiener)滤波器是一种自适应滤波器，它根据图像的局部方差调整滤波器的输出，它的最终目标是使恢复图像g(x,y)与原始图像f(x,y)的均方差最小。所谓自适应滤波，就是利用潜意识可以获得的滤波器参数等结果，自动的调节现时刻的滤波器参数，以适应信号的噪声未知的或随时间变换的统计特性。
Wiener 算法[1] [5]首先估计出像素的局部矩阵均值和方差：
然后，对于每一个像素利用Wiener滤波器估计出其像素值：
这里，v2是图像中噪声的方差。维纳滤波去噪方法根据图像的局部方差来调整滤波器的输出，当局部方差大时，滤波器的平滑效果较弱；当局部方差小时，滤波器平滑效果较强。它比线性滤波器具有更好的选择性，可以更好地保存图像的边缘和高频细节信息。
3 仿真结果及分析
利用MATLAB图像处理工具箱的函数可以非常方便地实现以上三种滤波方法。但是，为了加深对这三种滤波方法的理解和运用，本文采用了自编的MATLAB程序来进行仿真，其中Wiener滤波器采用MATLAB自带函数。
为了比较以上几种不同图像去噪的方法的优劣，本文对同一幅图像利用MATLAB工具箱人为添加不同的图像噪声；然后分别采用均值滤波、中值滤波、维纳滤波等平滑处理办法对图像进行去噪复原，得到了丰富的实验结果。限于篇幅，本文只给出了对添加有均值为零的高斯噪声和椒盐噪声的Leda图像进行三种滤波算法处理的结果，如图1、图2、图3所示。
图1 Leda原始图像和添加噪声图像
数字图像去噪典型算法仿真与分析 个人信息********* 摘要：图像去噪是数字图像处理中的重要环节和步骤。本文首先介绍了常见的图像噪声；然后，在介绍图像去噪的基本方法和原理的基础上，讨论了均值滤波、中值滤波和维纳滤波三种典型的图像去噪方法；最后，对包含有高斯噪声和椒盐等噪声的图像进行去噪，并对其去噪效果进行了仿真和分析比较，得出了三种方法各自的适用性特点。 关键词：图像去噪；均值滤波；中值滤波；维纳滤波 Simulation and Analysis of Image De-noising Methods in Digital Image Name:*** (个人信息****) Abstract: Image denoising is one of the most important parts and steps of image processing. Firstly, the paper introduces the common image noise. Then, based on the principle and methods of eliminating image noise, it discusses mean filtering, median filtering, and Wiener filtering which are typical image donoising. Finally, it uses these methods to eliminate image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes the applicability of each method in different application. Key words: image denoising; mean filtering; median filtering; Wiener filtering 0 引言 数字图像是现代人们获取信息的主要来源。由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会收到多种噪声的污染。一般来说，现实中的图像都是带噪图像。噪声使图像变得模糊，甚至淹没图
研究生课程论 文 基于滤波的图像降噪算法的研究 课程名称专业文献阅读与综述 姓名张志化 学号1200214006 专业模式识别与智能系统 任课教师钟必能 开课时间2018.9——2018.11 教师评阅意见： 论文成绩评阅日期 课程论文提交时间：2018 年11月11日
基于滤波的图像降噪算法的研究 摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。 关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。 数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一
数字图像处理与分析实验作业 作业说明：作业题目分为基本题和综合应用题。基本题主要是考察大家对教材涉及的一些基本图像处理技术的理解和实现。而综合应用题主要是考察大家综合利用图像处理的若干技术来解决实际问题的能力。 注：所有实验用图像均可从网上下载，文档中的图片只是示例。 作业要求： 编程工具：Matlab或者VC(可以使用OpenCV：https://www.doczj.com/doc/bf3548007.html,/）。因为很多基本的图象处理算法已经集成在很多的编程工具中，而编程训练中基本题的目的是让同学们加深对这些算法的理解，所以基本题要求同学们只能使用图像读取和显示相关的函数（例如Matlab的imread imshow，imwrite，OpenCV的cvCreateImage，cvLoadImage，cvShowImage），而不要直接调用相关的API（例如二维DFT，图象均衡等等），但在综合应用题中则无此限制。 上交的作业包括：实验报告和程序。其中实验报告要求写出算法分析（必要时请附上流程图），函数说明（给出主要函数的接口和参数说明），实验结果（附图）及讨论分析。提交的程序，一定要确保可以运行，最好能写个程序说明。 基本题一共有10道，可以从中任选2道题来完成。综合应用题有2道，可以从中任选1道来完成。 请各位同学务必独立完成，切忌抄袭！ 基本题 一、直方图变换 要求对原始Lena 图像实现以下三种取整函数的直方图均衡化： 线性函数： t k= int[(L -1) t k+ 0.5]； 对数函数： t k= int[( L-1)log(1+9t k) + 0.5] ； 指数函数： t k= int[(L -1)exp( t k-1) + 0.5] ； 要求给出： 1、原始图像和分别采用上述三种方式均衡化后的图像； 2、原始图像的直方图和上述三种方式对应均衡化后的直方图。
基于数字图像处理 的目标识别 通过这半个学期对数字图像处理这门课程的学习，我了解了有关数字图像处理的知识，并且对数字图像处理的相关仿真软件——matlab有了更加深入的了解，可以更加熟练的使用matlab软件处理实际问题，从而促进我对数字图像处理这门课程产生更加浓烈的兴趣，也让我对这种仿真软件有了更加全面的认识，了解它更多的功能。在课程结束之际，我利用自己在课堂上学习的一些知识和在课下学习的东西写出以下总结。希望老师给予耐心指导。 一、数字图像处理技术 数字图像处理(Dital Image Processing)又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。从接近人们日常生活的照相，电视图像显示，到工业上面对某些零件的处理等，再到军事类的人像识别，雷达目标识别等，这些都离不开数字图像处理的身影。 图像处理的信息量很大，对处理速度的要求也比较高。Matlab强大的运算和图形展示功能，使图像处理变得更加的简单和直观。本文基于
MATLAB的数字图像处理环境，设计并实现了一个图像处理系统，展示如何通过利用Matlab的工具函数和多种算法实现对图形图像的各种处理。论述了利用设计的系统实现图像文件（bmp、jpg、tiff、gif等）进行打开、保存、另存、打印、退出等功能操作，图像预处理功能（包括彩色图像的灰度化变换等、一般灰度图像的二值化处理、色彩增强等），图像分割，图像特征提取等图像处理。 图像的数学表达式可表示为：f(x，y)表示幅图像。x,y,f为有限、离散值。黑白图像可用二维函数f(x，y)表示，其中x,y是平面的二维坐标，f(x，y)表示点(x，y)的亮度值(灰度值)。对模拟图像来讲，f(x,y)显然是连续函数。为了适应数字计算机的处理，必须对连续图像函数进行空间和幅值数字化。空间坐标(x,y)的数字化称为图像采样，而幅值数字化被称为灰度级量化。经过数字化后的图像称为数字图像(或离散图像)。 F(x,y,z)表示三维的图像，f 为点的分布，有限，离散值，为彩色图像的表示方式。 (1)数字图像的灰度图像的阵列表示法。 设连续图像f(x，y)按等间隔采样，排成MxN阵列(一般取方阵列NxN) 图像阵列中每个元素都是离散值，称为像素(pix—el)。在数字图像处理中，一般取阵列N和灰度级C都是2的整数幂，即取N=及G=。对一般电视图像，N取256或512，灰度级C取64级(m=6bit)至256级m=8bit)，即可满足图像处理的需要。对特殊要求的图像，如SAR图片取 10000×10000，灰度级m取8bit或者16bit。
浅议数字图像去噪技术及其应用 数字图像去噪技术一直以来都是数字图像处理研究领域的一个热点问题，该技术在当代已经越来越重要，并广泛应用到人们生活的方方面面。笔者在数字图像去噪技术方面也做了一点粗浅的研究，本文就结合笔者的认识和体会谈一谈几种数字图像去噪方法和数字图像去噪技术在现实中的应用。 标签：数字图像；图像噪声；去噪技术；中值滤波；小波滤波 在数字化发展的今天，信息在人们生活和工作中的作用越来越突出，并逐渐改变着人们的生活和工作方式，其中最主要、最直观的信息就是图像信息。然而，在实际应用中数字图像经常会由于元器件、电阻、电磁干扰等设备因素，温度、光照等外界环节因素以及人为因素的影响产生图像噪声，从而使得图像质量不理想，偏离了原始图片。因此，数字图像去噪就成为一个亟待解决的问题，具有很强的现实意义。下面笔者就谈一谈几种数字图像去噪方法和数字图像去噪技术在现实中的应用。 1 数字图像去噪方法 当前，数字图像去噪的方法有很多，从本质上讲这些方法都是低通滤波的方法。低通滤波既有有利的地方，也有不利的地方，它既能消除图像噪声，又能消除图像中一些有用的高频信息。因而，我们所研究的各种数字图像去噪方法从根本上来说就是权衡去噪和保留高频信息。在数字图像去噪方法中，我们比较常见的有以下几种方法： 1.1 中值滤波算法 中值滤波算法最早是由Turky于1971年提出来的，是一种典型的非线性空间域去噪算法。其算法利用了像素点和噪声点之间的灰度值差别很大这一特性。中值滤波算法的主要原理是：以一个像素为中心取其邻域，然后对邻域中各像素的灰度值进行排序，取中值作为中心像素的灰度值，换句话说就是中心像素点的灰度值被邻域像素点灰度值的中值所替代。这种方法能很好的消灭噪声，但同时也损坏了图像的边缘，造成了部分细节的丢失。因此，部分科学家和学者在此基础上又提出了中心加权中值滤波算法、开关中值滤波算法、极值中值滤波算法等等，这些方法都是针对中值滤波算法的缺陷提出来的，具有很强的实用价值。 1.2 维纳滤波算法 维纳滤波算法是由Wiener提出来的，是一种典型的线性滤波方法。其理论依据是最小均方误差准则，该准则的具体含义是：将含有噪声的信号运用滤波变换后得到的恢复后的估计信号与原信号相比，它们之间有最小的均方差误差。维纳滤波算法既适用于连续平稳随机过程，也适用于离散平稳随机过程。但是，对于非平稳态的随机过程，一般来说，维纳滤波算法不太适用。
去噪算法的分析与实现 摘要为了进一步提高一些图像处理效果如边缘检测质量和适用性，也对噪声滤波处理进行了分析，实验结果标明，在去除椒盐噪声方面，中值滤波优于双边滤波；双边滤波对低频的噪声却有很好的效果；高斯滤波对高斯噪声有很好的处理效果；双边滤波用处理时间的代价换取了边缘磨平少的效果，而高斯滤波恰恰相反。 关键词噪声；滤波；图像处理 1 选题背景 图像的滤波重建是图像处理学的一个重要分支，早在20世纪40年代，N.Wiener就阐明了再平稳条件下的线性滤波理论，即Wiener滤波器理论，这些理论在控制领域得到了广泛的应用。但是Wiener要求储量大，计算的复杂度高，在后来的图像处理领域逐渐诞生了双边滤波，高斯滤波，中值滤波等算法。 优化边缘检测算法，加入了各种滤波算法，通过编写一些小的程序实现各种滤波的过程，这是优化图像的一种方式也是图像处理的一般步骤，滤波的目的是减少图像上噪声和失真，但是使用滤波算法或多或少都会减少边缘的强度，因而图像的增强和滤波之间是一个折衷的选择。滤波的图像效果会有些模糊，也称为模糊处理。 实现滤波的算法有很多种，CV_BLUR（简单滤波）、CV_BLUR_NO_SCALE （简单无缩放变换的滤波）、CV_MEDIAN（中值滤波）、CV_GAUSSIAN（高斯滤波）、CV_BILATERAL（双边滤波）。 2 主要滤波算法原理分析 2.1 高斯滤波 滤波算法中，周围局部领域的像素值决定了目标点的像素值。具体实现在2D高斯滤波中分别将不同的高斯权重值也就是加权平均之后得到的当前点的最后结果。然而此处的高斯权重因子是利用了两个像素之间的空间距离得出的。通过高速分布曲线我们可以看出，离目标像素越远的点对最终结果的贡献越小，反之则越大。 2.2 双边滤波 双边滤波是在高斯滤波中加入一部分权重来得到更好的处理效果，应用了卷积原理。先对其进行离散化，这个步骤是在处理前完成的。而且没有必要对每一个局部像素从整张图像上都用加权操作这个过程，从距离上，如果像素超了一定程度，其实实际上对目标像素的影响是非常非常小的，几乎可以忽略不计。
基于数字图像处理的车牌识别系统
基于数字图像处理的车牌识别系统 言经官 电气学院电子112 摘要：车牌识别系统（License Plate Recognition 简称LPR）技术基于数字图像处理，是智能交通系统中的关键技术，同时他的发展也十分迅速，已经逐渐融入到我们的现实生活中。文章介绍了车牌识别系统的意义、图像去噪处理以及图像二值化方法,并通过仿真试验模拟了图像处理的过程。本文所做的工作在于前期的图像预处理工作。本次设计着重在于图像识别方面, 中心工作都为此而展开,文中没有进行车牌的定位处理,而是采用数码相机直接对牌照进行正面拍照,获取原始车牌图像。之后利用Matlab编程对图片进行了大小的调整、彩色图片转化成灰度图片、图片去噪、以及图片二值化等工作。其中,去噪与二值化是关系图像识别率的关键。 关键字：车牌识别系统；图像预处理；字符识别；Matlab；去噪；二值化 引言 智能交通系统（ITS）是当今世界交通管理体系发展的必然趋势，而作为智能交通系统中的重要组成部分之一的车牌自动识别技术，目前已被广泛应用于城市道路监控、高速公路收费与监控、小区与停车场出入口管理、公安治安卡口等场合，成为研究的热点。 伴随我国国民经济的高速发展，国内高速公路、城市道路、停车场建设越来越多，对交通控制，安全管理的要求也日益提高。因此迫切需要采用高科技手段,对违法违章车辆牌照进行登记, 在这种情况下，作为信息来源的自动检索，图像识别技术越来越受到人们的重视。车牌识别系统的出现成为了交通管制必不可少的有力武器。 1 车牌识别系统的目标 利用计算机等辅助设备进行的自动汽车牌照自动识别就是在装备了数字摄像设备和计算机信息管理系统等软硬件平台的基础之上，通过对车辆图像的采集，采用先进的图像处理、模式识别和人工智能技术，在图像中找到车牌的位置，提取出组成车牌号码的全部字符图像，再识别出车牌中的文字、字母和数字，最后给出车牌的真实号码。国外的车牌识别研究始于80 年代，90 年代始已有不少成套的产品出现。由于我国车牌的组成及组合的方式与国外的车牌不一致，使得我们不能直接使用国外的车辆牌照识别系统，而必须针对我国车牌重新设计相应的车辆牌照识别系统。车牌识别的使用环境、背景各有差异，目前还没有一种算法能在不同环境、各种复杂背景条件下达到非常高的车牌识别率，因而车牌识别技术仍然是研究的重点。 2 MATLAB 及其图像处理工具概述 MATLAB 是MAT rix LABora tory( 矩阵实验室) 的缩写, 是Ma thWorks 公司开发的一种功能强、效率高、简单易学的数学软件。MATLAB 7. 1 是一套功能十分强大的工程计算及数据分析软件, 其应用范围涵盖了数学、工业技术、电子科学、医疗卫生、建筑、金融、数字图像处理等各个领域。MATLAB 的图像处理工具箱, 功能十分强大, 支持的图像文件格式丰富, 如* .BMP、* . JPG、* . JPEG、* . GIF、* . ti;f% 95% 94、* . ti;f%95%94F、* . PNG、* . PCX、* . XWD、* . HDF、* . ICO、* .CUR 等。本文将给出MATLAB的图像处理工具箱中的图像处理函数实现图像处理与分析的应用技术实例。
数字图像去噪典型算法仿真与分析 1 个人信息********* 2 3 摘要：图像去噪是数字图像处理中的重要环节和步骤。本文首先介绍了常见 4 5 的图像噪声；然后，在介绍图像去噪的基本方法和原理的基础上，讨论了均值 6 滤波、中值滤波和维纳滤波三种典型的图像去噪方法；最后，对包含有高斯噪 7 声和椒盐等噪声的图像进行去噪，并对其去噪效果进行了仿真和分析比较，得8 出了三种方法各自的适用性特点。 9 关键词：图像去噪；均值滤波；中值滤波；维纳滤波 Simulation and Analysis of Image De-noising Methods 10 11 in Digital Image 12 Name:*** 13 (个人信息****) 14 Abstract: Image denoising is one of the most important parts and steps 15 of image processing. Firstly, the paper introduces the common image noise. 16 Then, based on the principle and methods of eliminating image noise, it 17 discusses mean filtering, median filtering, and Wiener filtering which 18 are typical image donoising. Finally, it uses these methods to eliminate 19 image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes 20 21 the applicability of each method in different application.
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
第一章 1.连续图像中，图像为一个二维平面，(x,y)图像中的任意一点，f（x,y）为图像于(x,y)于处的值。 连续图像中，(x,y)的取值是连续的，f(x,y)也是连续的 数字图像中，图像为一个由有限行有限列组成的二维平面，（i,j)为平面中的任意一点，g（i,j)则为图像在（i,j)处的灰度值，数字图像中，（i,j) 的取值是不连续的，只能取整数，对应第i行j 列,g（i,j) 也是不连续的，表示图像i行j列处图像灰度值。 联系：数字图像g(i,j)是对连续图像f(x,y)经过采样和量化这两个步骤得到的。其中 g(i,j)=f(x,y)|x=i,y=j 2. 图像工程的容可分为图像处理、图像分析和图像理解三个层次，这三个层次既有联系又有区 别，如下图所示。 图像处理的重点是图像之间进行的变换。尽管人们常用图像处理泛指各种图像技术，但比较狭义的图像处理主要是对图像进行各种加工，以改善图像的视觉效果并为自动识别奠定基础，或对图像进行压缩编码以减少所需存储空间 图像分析主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息，从而建立对图像的描述。如果说图像处理是一个从图像到图像的过程，则图像分析是一个从图像到数据的过程。这里的数据可以是目标特征的测量结果，或是基于测量的符号表示，它们描述了目标的特点和性质。 图像理解的重点是在图像分析的基础上，进一步研究图像中各目标的性质和它们之间的相互联系，并得出对图像容含义的理解以及对原来客观场景的解释，从而指导和规划行动。 如果说图像分析主要以观察者为中心来研究客观世界，那么图像理解在一定程度上是以客观世界为中心，借助知识、经验等来把握整个客观世界(包括没有直接观察到的事物)的。
基于数字图像处理的车牌识别系统 言经官 电气学院电子112 摘要：车牌识别系统（License Plate Recognition 简称LPR）技术基于数字图像处理，是智能交通系统中的关键技术，同时他的发展也十分迅速，已经逐渐融入到我们的现实生活中。文章介绍了车牌识别系统的意义、图像去噪处理以及图像二值化方法,并通过仿真试验模拟了图像处理的过程。本文所做的工作在于前期的图像预处理工作。本次设计着重在于图像识别方面, 中心工作都为此而展开,文中没有进行车牌的定位处理,而是采用数码相机直接对牌照进行正面拍照,获取原始车牌图像。之后利用Matlab编程对图片进行了大小的调整、彩色图片转化成灰度图片、图片去噪、以及图片二值化等工作。其中,去噪与二值化是关系图像识别率的关键。 关键字：车牌识别系统；图像预处理；字符识别；Matlab；去噪；二值化 引言 智能交通系统（ITS）是当今世界交通管理体系发展的必然趋势，而作为智能交通系统中的重要组成部分之一的车牌自动识别技术，目前已被广泛应用于城市道路监控、高速公路收费与监控、小区与停车场出入口管理、公安治安卡口等场合，成为研究的热点。 伴随我国国民经济的高速发展，国内高速公路、城市道路、停车场建设越来越多，对交通控制，安全管理的要求也日益提高。因此迫切需要采用高科技手段,对违法违章车辆牌照进行登记, 在这种情况下，作为信息来源的自动检索，图像识别技术越来越受到人们的重视。车牌识别系统的出现成为了交通管制必不可少的有力武器。 1 车牌识别系统的目标 利用计算机等辅助设备进行的自动汽车牌照自动识别就是在装备了数字摄像设备和计算机信息管理系统等软硬件平台的基础之上，通过对车辆图像的采集，采用先进的图像处理、模式识别和人工智能技术，在图像中找到车牌的位置，提取出组成车牌号码的全部字符图像，再识别出车牌中的文字、字母和数字，最后给出车牌的真实号码。国外的车牌识别研究始于80 年代，90 年代始已有不少成套的产品出现。由于我国车牌的组成及组合的方式与国外的车牌不一致，使得我们不能直接使用国外的车辆牌照识别系统，而必须针对我国车牌重新设计相应的车辆牌照识别系统。车牌识别的使用环境、背景各有差异，目前还没有一种算法能在不同环境、各种复杂背景条件下达到非常高的车牌识别率，因而车牌识别技术仍然是研究的重点。 2 MATLAB 及其图像处理工具概述 MATLAB 是MAT rix LABora tory( 矩阵实验室) 的缩写, 是Ma thWorks 公司开发的一种功能强、效率高、简单易学的数学软件。MATLAB 7. 1 是一套功能十分强大的工程计算及数据分析软件, 其应用范围涵盖了数学、工业技术、电子科学、医疗卫生、建筑、金融、数字图像处理等各个领域。MATLAB 的图像处理工具箱, 功能十分强大, 支持的图像文件格式丰富, 如* .BMP、* . JPG、* . JPEG、* . GIF、* . ti;f% 95% 94、* . ti;f%95%94F、* . PNG、* . PCX、* . XWD、* . HDF、* . ICO、* .CUR 等。本文将给出MATLAB的图像处理工具箱中的图像处理函数实现图像处理与分析的应用技术实例。
今天看了下Altium Designer的电路仿真功能，发现它还是蛮强大的，按着help里面的文档《TU0106 Defining & running Circuit Simulation 》跑了一下，觉得还行，所以就把这个文档翻译下。。。。。 其中包含了仿真功能的介绍，元件仿真模型的添加与修改，仿真环境的设置，等等。本人对SPICE仿真了解的不多，里面涉及到SPICE的文件如果有什么错误，欢迎提出！ 一、电路仿真功能介绍 Altium Designer的混合电路信号仿真工具，在电路原理图设计阶段实现对数模混合信号电路的功能设计仿真，配合简单易用的参数配置窗口，完成基于时序、离散度、信噪比等多种数据的分析。Altium Designer 可以在原理图中提供完善的混合信号电路仿真功能 ,除了对XSPICE 标准的支持之外，还支持对Pspice模型和电路的仿真。 Altium Designer中的电路仿真是真正的混合模式仿真器，可以用于对模拟和数字器件的电路分析。仿真器采用由乔治亚技术研究所（GTRI）开发的增强版事件驱动型XSPICE仿真模型，该模型是基于伯克里SPICE3代码，并于且SPICE3f5完全兼容。 SPICE3f5模拟器件模型：包括电阻、电容、电感、电压/电流源、传输线和开关。五类主要的通用半导体器件模型，如diodes、BJTs、JFETs、MESFETs和MOSFETs。 XSPICE模拟器件模型是针对一些可能会影响到仿真效率的冗长的无需开发局部电路，而设计的复杂的、非线性器件特性模型代码。包括特殊功能函数，诸如增益、磁滞效应、限电压及限电流、s域传输函数精确度等。局部电路模型是指更复杂的器件，如用局部电路语法描述的操作运放、时钟、晶体等。每个局部电路都下在*.ckt文件中，并在模型名称的前面加上大写的X。 数字器件模型是用数字SimCode语言编写的，这是一种由事件驱动型XSPICE模型扩展而来专门用于仿真数字器件的特殊的描述语言，是一种类C语言，实现对数字器件的行为及特征的描述，参数可以包括传输时延、负载特征等信息；行为可以通过真值表、数学函数和条件控制参数等。它来源于标准的XSPICE代码模型。在SimCode中，仿真文件采
一，背景 随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。 图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。 二，图像去噪理论基础 2.1 图像噪声概念 噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。例如，一幅黑白图片，其平面亮度分布假定为f(x，y)，那么对其接收起干扰作用的亮度分布R(x，y)，即可称为图像噪声。但是，噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。通常是用其数字特征，即均值方差，相关函数等。因为这些数字特征都可以从某些方面反映出噪声的特征。 2.2 常见的图像噪声 在我们的图像中常见的噪声主要有以下几种： （1），加性噪声 加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声的。这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和，即： （2），乘性噪声 乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是： （3），量化噪声 量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异，减少这种嗓声的最好办法就是采用按灰度级概率密度函数选择化级的最优化措施。 （4），“椒盐”噪声 此类嗓声如图像切割引起的即黑图像上的白点，白图像上的黑点噪声，在变换域引入的误差，使图像反变换后造成的变换噪声等。
图像去噪去噪算法研究论文开题报告 （1）选题的目的、意义 目的： 由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响了图像的视觉效果，甚至妨碍了人们正常识别。另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块[1]。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。 意义： 噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量[2] [3]。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要[4] [5]。图像去噪作为图像处理的一个重要环节，可以帮助人们更加准确地获得我们所需的图像特征，使其应用到各个研究领域，帮助解决医学、物理、航天、文字等具体问题。如何改进图像去噪算法，以有效地降低噪声对原始图像的干扰程度，并且增强视觉效果，提高图像质量，使图像更逼真，仍存在继续研究的重要意义。 （2）国内外对本课题涉及问题的研究现状 针对图像去噪的经典算法，科学工作者通过努力，提出了一些的改进算法，比如模拟退火法[6]。但是模拟退火法存在的问题是计算过程复杂，计算量大，即使使用计算机代替人工计算也会耗用大量时间。后来在众多研究者的努力下，产生了很多其他不同的方法。而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。 目前常用的降噪方法有在空间域进行的，也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。其中频域里的滤波需要涉及复杂的域转换运算，相对而言硬件实现起来会耗费更多的资源和时间。在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。实践证明，这些方法虽有一定的降噪效果，但都有其局限性。比如加权均值在细节损失上非常明显；而中值仅对脉冲干扰有效，对高斯噪声却无能为力[10] [11] [12] [13]。实上，图像噪声总是和有效数据交织在一起，若处理不当，就会使边界轮廓、线条等变得模糊不清，反而降低了图像质量。 对于去除椒盐噪声，主要使用中值滤波算法。中值滤波是在1970年由Tukey提出的一种一维滤波器。它主要是指用实心邻域范围内的所有值的中值代替所作用的点值，但是必须注意的是邻域内的点的个数是正奇数，这是为了保证取中值的便利性，若是偶数，则中值就会产生两个[14] [15]。中值滤波以一种简单的非线性平滑技术。它是以排序统计理论作为基础，有效抑制噪声的非线性处理数字信号技术。中值滤波对消除椒盐噪声非常有效。在图像处理中，常用中值滤波保护图像边缘信息，它是一种经典的去除图像噪声算法[16]。但是它在去除图像噪声过程中，往往会将图像的细节比如细线、棱角的地方破坏掉。后来
德州学院毕业论文开题报告书 2011年3月16日院（系）物理系专业电子信息工程 姓名田程程学号200700802041 论文题目图像椒盐噪声与高斯噪声去噪方法研究 一、选题目的和意义 图像去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。 二、本选题在国内外的研究现状和发展趋势 随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。
三、课题设计方案 本设计为图像椒盐噪声与高斯噪声去噪方法研究 一、研究高斯噪声和椒盐噪声特性 二、研究去噪算法，提出适合去除高斯噪声和椒盐噪声的算法 三、计算机仿真 四、计划进度安排 第一周至第二周：根据寒假期间针对论文题目收集的有关资料，认真分析和整理资料，形成撰写论文的大体框架。对论文的撰写形成明确地认识，认真书写开题报告，完成开题报告并上交。 第三周至第五周：学习和研究图像椒盐噪声与高斯噪声去噪方法。 第六周至第十一周：对前期的关于图像椒盐噪声与高斯噪声去噪方法的研究进行总结。 第十二周：根据论文指导意见和建议对论文进行修改和完善后形成论文终稿。
名词解释 数字图像:是将一幅画面在空间上分割成离散的点（或像元），各点（或像元)的灰度值经量化用离散的整数来表示,形成计算机能处理的形式。 1.数字图像:一幅图像ｆ（x,y),当ｘ,ｙ和幅值ｆ为有限的离散数值时,称该图像为数字图像。 图像:是自然生物或人造物理的观测系统对世界的记录，是以物理能量为载体,以物质为记录介质的信息的一种形式。 数字图像处理：采用特定的算法对数字图像进行处理,以获取视觉、接口输入的软硬件所需要数字图像的过程。 图像增强:通过某种技术有选择地突出对某一具体应用有用的信息，削弱或抑制一些无用的信息。 无损压缩:可精确无误的从压缩数据中恢复出原始数据。 灰度直方图:灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数。或：灰度直方图是指反映一幅图像各灰度级像元出现的频率。 细化:提取线宽为一个像元大小的中心线的操作。 8、8-连通的定义:对于具有值V的像素p和q ，如果ｑ在集合N8（p)中,则称这两个像素是8-连通的。 9、中值滤波:中值滤波是指将当前像元的窗口(或领域)中所有像元灰度由小到大进行排序,中间值作为当前像元的输出值。 10、像素的邻域: 邻域是指一个像元（x,y)的邻近(周围）形成的像元集合。即{（ｘ=p,ｙ＝q）}ｐ、q为任意整数。像素的四邻域:像素p(x，ｙ）的4－邻域是:(x+１,y)，（x-1，ｙ） ,(x，ｙ+1), (ｘ，ｙ-1) １１、灰度直方图:以灰度值为自变量，灰度值概率函数得到的曲线就是灰度直方图。 1２.无失真编码:无失真编码是指压缩图象经解压可以恢复原图象，没有任何信息损失的编码技术。 1３.直方图均衡化:直方图均衡化就是通过变换函数将原图像的直方图修正为平坦的直方图,以此来修正原图像之灰度值。 14.采样：对图像f（x，y）的空间位置坐标(x,ｙ)的离散化以获取离散点的函数值的过程称为图像的采样。 １５.量化：把采样点上对应的亮度连续变化区间转换为单个特定数码的过程，称之为量化，即采样点亮度的离散化。 16．灰度图像:指每个像素的信息由一个量化的灰度级来描述的图像，它只有亮度信息,没有颜色信息。 １7.色度:通常把色调和饱和度通称为色度，它表示颜色的类别与深浅程度。 18.图像锐化：是增强图象的边缘或轮廓。 19.直方图规定化(匹配）：用于产生处理后有特殊直方图的图像的方法 20. 数据压缩：指减少表示给定信息量所需的数据量。 像素的邻域:邻域是指一个像元(x,y)的邻近(周围）形成的像元集合。即{（ｘ=p,y=q)｝p、q为任意整数。 像素的四邻域:像素p(x，y)的4-邻域是:（ｘ+１，y),(x-1,y) ，(x,ｙ+1)，(x，ｙ-1) 灰度直方图:灰度直方图是指反映一幅图像各灰度级像元出现的频率。?、中值滤波:中值滤波是指将当前像元的窗口(或领域)中所有像元灰度由小到大进行排序,中间值作为当前像元的输出值。 像素数字图像是由有限的元素组成的,每个元素都有一个特定的位置和幅值，这些元素称为图像元素、画面元素或像素。 4.空间分辨率:是图像中可辨别的最小细节。
论文（设计）题目： 基于MATLAB的数字图像处理系统设计 姓名宋立涛 学号２０１２１１８６７ 学院信息学院 专业电子与通信工程 年级２０１２级 ２０１３年６月１６日
基于MATLAB的数字图像处理系统设计 摘要 MATLAB 作为国内外流行的数字计算软件，具有强大的图像处理功能，界面简洁，操作直观，容易上手，而且是图像处理系统的理想开发工具。 笔者阐述了一种基于MATLAB的数字图像处理系统设计，其中包括图像处理领域的大部分算法，运用MATLAB 的图像处理工具箱对算法进行了实现，论述了利用系统进行图像显示、图形表换及图像处理过程，系统支持索引图像、灰度图像、二值图像、RGB 图像等图像类型；支持BMP、GIF、JPEG、TIFF、PNG 等图像文件格式的读，写和显示。 上述功能均是在MA TLAB 语言的基础上，编写代码实现的。这些功能在日常生活中有很强的应用价值，对于运算量大、过程复杂、速度慢的功能，利用MATLAB 可以既能快速得到数据结果，又能得到比较直观的图示。 关键词：MATLAB 数字图像处理图像处理工具箱图像变换
第一章绪论 1.1 研究目的及意义 图像信息是人类获得外界信息的主要来源，近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多地利用图像信息来认识和判断事物，解决实际问题，由此可见图像信息的重要性，数字图像处理技术将会伴随着未来信息领域技术的发展，更加深入到生产和科研活动中，成为人类生产和生活中必不可少的内容。 MATLAB 软件不断吸收各学科领域权威人士所编写的实用程序，经过多年的逐步发展与不断完善，是近几年来在国内外广泛流行的一种可视化科学计算软件。MATLAB 语言是一种面向科学与工程计算的高级语言，允许用数学形式的语言来编写程序，比Basic、Fortan、C 等高级语言更加接近我们书写计算公式的思维方式，用MATLAB 编写程序犹如在演算纸上排列出公式与求解问题一样。它编写简单、编程效率高并且通俗易懂。 1.2 国内外研究现状 1.2.1 国内研究现状 国内在此领域的研究中具有代表性的是清华大学研制的数字图像处理实验开发系统TDB-IDK 和南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件。 TDB-IDK 系列产品是一款基于TMS320C6000 DSP 数字信号处理器的高级视频和图像系统，也是一套DSP 的完整的视频、图像解决方案，该系统适合院校、研究所和企业进行视频、图像方面的实验与开发。该软件能够完成图像采集输入程序、图像输出程序、图像基本算法程序。可实现对图像信号的实时分析，图像数据相对DSP独立方便开发人员对图像进行处理，该产品融合DSP 和FPGACPLD 两个高端技术，可以根据用户的具体需求合理改动，可以分析黑白和彩色信号，可以完成图形显示功能。 南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件可实现数字图像的采集、传输与处理。可利用软件及图像采集与传输设备，采集图像并实现点对点的数字图像传输，可以观察理解多种图像处理技术的效果和差别，