《基于-MATLAB的图像预处理技术研究》由会员分享，可在线阅读，更多相关《基于-MATLAB的图像预处理技术研究（9页珍藏版）》请在金锄头文库上搜索。
1、 基于MATLAB的图像预处理技术研究图像识别技术：其对研究对象进行图像获取，然后根据研究对象的自身特征信息进行分类和识别。这门技术的研究对象十分广泛，只要可以进行图像获取并对特征进行分析便可以应用图像识别技术。举例说明：医学上X光片的图像诊断、智能交通系统中车辆牌照的图像识别分类、卫星拍摄的湖泊森林遥感图像处理、人脸识别、身份识别。图像识别系统的概述：包含三个主要部分：1，图像的获取；(进行最初的图像采集，将最原始的对象转换为图像信息；将最初的数据材料带入图像信息中)2，对获取的图像进行前期预处理，提取有用的信息。(对原始的图像中的噪声以及非相关特征信息进行过滤，减少所获取原始图像的信息量，
2、从而为后期最终特征信息的分类减少干扰。即将图像分为多个区域，并且每个区域只包含一定数量的特征信息。)3，根据研究对象的先验特征信息对图像中的噪声以及非相关特征信息进行查找识别。(主要是在前期获取的图像信息预处理结束后，根据相关的先验知识，利用计算机技术快速实时地对图像中的特征信息进行提取分类。在这部分中，对于识别的特征信息的正确率有一定的要求，以减少分类识别错误，其中特征的矢维函数、字符串数等需要不断的简化，从而以最简单的模式划分特征信息）分类识别：将原始的图像根据特征信息进行分类。图像预处理技术1，图像的灰度化 (获取不含彩色信息的灰度图像，灰度图像只含有亮度信息) 通过采集过程获取的一般都
3、是彩色图像。并以Jpg或者Bmp格式进行存储。以Bmp格式的图像为例进行分析，假设采集获取得一幅彩色图像的像素为1280*960，那么其在硬盘上的存储空间需要1280*960*3，即3686400个字节，(灰度图每个像素仅由一个8位字节表示该像素的亮度值.)。其占用的存储空间比灰度图像大的很多，所以为节省空间并减小计算量，一般要将彩色图像转化为灰度图像，只选择三个颜色分量进行图像的色彩区分，具体的转换方式为Y=R*0.299+G*0.587+B*0.114,这个过程就是对获取的彩色图像的灰度化处理过程。2，图像的灰度拉伸由于光照等因素,许多图像成像时光照不足,使得整幅图像变暗,或者成像时光照过
4、强,使得整幅图变亮。为了增强图像的对比度,使其明暗鲜明,有利于对图像的特征信息进行识别,需要对灰度化的图像进行灰度线性变换,以便突出图像的特征信息的部分。灰度线性变换采用的变换公式一般为:的值由输入图像的灰度值动态范围决定。对于8位灰度图像则有：式中，为原图像的灰度值，为变换后的灰度值；和是分段灰度线性函数的两个阈值。实验测试证明,当和时灰度拉伸效果较好,不仅可有效地改善图像的质量,提高图像区域的对比度,而且有利于后续的图像边缘提取。3，图像平滑处理过程 在图像采集以及后期传输的过程中，容易引入外界的干扰噪声，从而使图像的原始特征信息被湮灭。有时在模拟图像在进行数字转换的过程中也会引入噪声。这
5、些干扰可能会使原始图像中的连续的均匀分布的灰度在某点突然变大或者陡然减小，这是在物体轮廓边缘才能够发生的灰度陡变，所以为了避免这种情况的发生，要采取一定得措施来消除噪声，提高图像质量。 图像则是由像素较为连续的小块构成的，像素点灰度一般应该是连续变化的。对于随机的噪声点，可以采用图像的平滑滤波进行处理。 图像去噪常用的方法有领域平均法和中值滤波法。在这里我们用的是中值滤波法。因为领域平均法在去除噪声的同时,会使图像中的一些细节变得模糊。中值滤波则在去除噪声同时还能保持图像中的细节部分,防止边缘模糊。 平滑滤波处理中，中值滤波是一种较为常用的非线性图像平滑处理技术，中值滤波在过滤掉图像中的噪声的
6、同时对图像中的轮廓边缘信息不产生干扰。中值滤波的原理是利用一个W窗口，通过W在图像上进行全方位的扫描，把窗口内的图像所有像素点的灰度值按照大小进行排序，在排序中居中的灰度值为当前窗口位置的中心灰度，具体的公式如下： 通常W窗口内的像素点数目为奇数，这样容易获取中间像素点的灰度，但是如果窗口内的像素点数目为偶数，则可以取最中间两个点的灰度值的平均值。窗口大小与平滑效果直接相关,窗口越大,平滑效果越明显,但会造成图像边缘信息的损失,窗口的大小要在保证去除噪声的前提下尽可能的保持图像的边缘信息,中值滤波可以消除图像中孤立的噪声点的同时降低处理后图像的模糊效果。由于中值滤波在图像中处理只是进行排序以及
7、简单的运算，所以处理速度非常快。4，图像锐化图像的锐化处理(image sharpening)就是对图像中的轮廓边缘以及特征信息进行强化，增强灰度在边缘处的对比度，从而便于分析轮廓等信息。在这个过程可以理解为是图像平滑处理的反过程，处理过程可分为空域处理和频域处理两类。既然是图像平滑处理的反过程，就需要加大像素点中的高频信息，最直接的方法就是采取高频滤波器，对高频像素点进行过滤放大，但在进行过滤放大时要先将噪声点滤除，再进行锐化处理，否则噪声会随着锐化处理被放大，常用的锐化高通滤波器的卷积模板有：等 在图像锐化处理中，还有一种常用的方法就是微分法，微分法是基于Roberts的梯度算子的微分锐化
8、方法。该方法的具体原理是：首先设原始图像上的点定义在处的梯度矢量为：设一个判断阈值为变化后的图像g定义为通过公式可以看出梯度锐化可以让模糊的边缘变得清楚，梯度锐化具备一定得去噪声能力，但同时会对字符的边缘有所损伤。5，图像的二值化 为了突出图像特征,便于进行图像的特征信息的识别,需要把图像二值化。图像的二值化是将图像转换为只有两级灰度(黑白)的图像。二值化一般在图像灰度操作之后进行。二值化的具体方法有很多,这里采用比较常用的是全局阈值处理方法。为自动选择一个阈值,Gonzalez和Woods描述了如下迭代：步骤:1)为选一个初始估计值(建议初始估计值为图像中最大亮度值和最小亮度值的中间值)。2
9、)使用分割图像。这会产生两组像素:亮度值的所有像素组成的,亮度值的所有像素组成的。3)计算和范围内的像素平均亮度值和。4)计算一个新阈值:5)重复步骤2到步骤4,直到连续迭代中的差比预先指定的参数小为止。图像的预处理中涉及到的滤波方法1，高斯滤波高斯滤波是一种线性平滑滤波，适用于滤除高斯白噪声，已广泛应用于图像处理的预处理阶段。按照本人的理解，对图像进行高斯滤波就是对图像中的每个点的像素值进行计算，计算的准则是，由该点本身的灰度值加权平均所得，而加权平均的权系数由二维离散高斯函数采样并归一化后所得。2，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。线性滤波的基本原理是用均值代替
10、原图像中的各个像素值，即对待处理的当前的像素点，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点，作为处理后图像在该点上的灰度值，即，m为该模板中包含当前像素在内的像素总个数。这样的方法可以平滑图像，速度快，算法简单。但是无法去掉噪声，但是能微弱的减弱它。3，中值滤波中值滤波法是一种非线性平滑技术，它将每一个像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。其实现过程为：1) 通过从图像中的某个采样窗口取出奇数个数据进行排序2) 用排序后的中值作为当前像素点的灰度值在图像处理中，中值滤波常用来保护边缘信息，是经典的平滑噪声的方法，该方法对
11、消除噪声非常有效，但在条纹中心分析方法中作用不大。4，双边滤波(Bilateral filter)双边滤波是一种可以保边去噪的滤波器。之所以可以达到这样的效果，是因为该滤波器是由两个函数构成，一个函数是由几何空间距离决定滤波器的系数，另一个由像素差决定滤波器系数。在前面几种讲述的滤波方法中，像素点的灰度值均是由该点邻域内其他点的灰度值决定的，比如高斯滤波和均值滤波都可以看作是加权平均，中值滤波取的是邻域灰度中值。双边滤波则不但考虑邻域范围内点的灰度值，同样考虑这些点距离中心点的几何距离，这样可以得到滤波后的点的灰度值表达公式为：其中K为归一化系数，其表达式为：和分别为滤波后和滤波前对应点的灰度值；表示中心点与其邻域内点的空间相似度；表示中心点与其邻域内点的灰度相似度；在实现过程中，和函数均可以用高斯函数实现，即其定义如下： 4，图像预处理技术在图像识别系统中的应用 一般把图像作为一个二维数据矩阵来处理。
