数字图像处理大作业(DOC)
大作业指导书
题目：数字图像处理
院（系）：物联网工程学院
专业: 计算机
班级：计算机1401-1406
指导老师：
学号：
姓名：
设计时间： 2016-2017学年 1学期
摘要 (3)
一、简介 (3)
二、斑点数据模型
.参数估计与解释 (4)
三、水平集框架 (5)
1.能量泛函映射 (5)
2.水平集传播模型 (6)
3.随机评估方法 (7)
四、实验结果 (8)
五、总结 (11)
基于水平集方法和G0模型的SAR图像分割
Abstract（摘要）
这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。我们假设为SAR图像分割分配参数，并与水平集模型相结合。分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。+
简介
1、Induction（简介）
合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。
对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。
水平集方法的一个重要方面，比如传播模型，可以用来设计SAR图像的分割算法。这个传播函数能够依据伽马和伽马平方根法则将斑点统计进行整合，函数已经被广泛地应用于SAR图像中的均质区域分割。Ayed等基于伽马分布任意建模，设计方案将SAR图像分成多个均质区域。尽管多区分割问题已经解决，该方案人需要一定数量的区域作为输入。Shuai 和Sun在文献[16]中提出对这个方法进行了改进，他们使用了一个有效的传播前收敛判断。Marques等引入了一个类似于含有斑点噪声图像中目标检测的框架，将基于本地区域的斑点噪声统计融合进去。这些作者采用伽马平方根对均质区域进行建模并用一个自适应窗口方案检测本地的同质性。
最近，新的SAR数据模型比如K，G，显示出了优势。经典法则受限于均质区域特性的描述，而最近的法则展现出了在数据建模中更有吸引力的特性。法则允许同构、异构和高度异构幅度SAR数据的建模。这个分布族提供了一组参数，可以描述SAR图像中的不同区域。分布的参数信息，可以被广泛的应用于设计SAR图像处理和分类技术。在文献[21]中，Mejail 等人介绍了SAR监督数据分类器，它基于其参数映射并实现了有趣的结果。Gambini等人在文献[22]中使用这个分布的一个参数来量化SAR数据的粗糙度，通过活动轮廓和B样条差值来检测边缘。然而，这种技术需要一个初始分割步骤，并受拓扑限制。一般来说，活动轮廓方法不能解决不连续区域分割的问题。
本文介绍了一种新的水平集算法来实现SAR图像中均质、异构和极其异构区域分割的目标。由于分布能够描述SAR图像的同质性和规模，我们的方法采用分布对斑点数据进行建模。这些分布参数基于每一个域点进行估计，通过这些信息，我们可以在水平集分割框架内得到一个能量泛函来驱动向前传播(front propagation)。该泛函以最大化不同区域平均能量间的差异作为结束。最终水平集阶段以能量带作为依据得到SAR图像的分割结果。
本文的另一个贡献是随机评估方法，对算法分割的难度以及正确划分区域的能力进行评估。提出的这个随机方法对量化分割方法的性能非常有效。此外，这些方法针对于真实SAR图像有效，对于参考图像或者地表图像可能并不适用。
本文的其余部分组织如下：在下一节中，我们回顾斑点数据模型并着重于样本矩方法的参数评估方法。第三节介绍了提出的基于SAR图像区域统计映射的水平集分割方法。此外，该节介绍了一组随机方法来评估实验。在第四节中，我们给出了实验结果以及随机评估方法。第五节是结论以及总结我们的贡献和未来的进一步工作。
斑点数据模型
2、Background on Speckled Data Models（斑点数据模型背景）
本节简要给出SAR数据模型的介绍，主要基于文献[19][21][22][23][24][25][26]中给出的结果。参数估计和解释也同样有讨论，并指出它们在描述SAR数据中的适用性。
SAR系统返回的Z采用了乘性模型。Z=X·Y，其中后向散射X和噪声Y是独立的随机变量。对于多视振幅SAR图像，三个主要模型证实了其有效性：当传感器传来均质信号时使用伽马平方根（），而和分别对应于异构和极其异构区域。这些模型都是特定情况下的G 幅度分布（），它以密度为特征，令z>0，
其中n是looks的次数，K e(·)表示e阶的第三类贝塞尔函数，(·)是伽马函数。参数空间，和表示如下：
表1给出了为振幅SAR数据建模的各分布之间的关系，其中和分别表示收敛于随机变量Z 的分布和概率。在特定条件下的参数空间，法则收敛于SAR图像中异构区域建模的分布。分布由如下密度函数描述：
对于SAR图像中的均质区域，法则概率收敛于含有广义参数的伽马平方根。的密度函数给出如下：
Frery等人介绍了另一个法则的特殊情况，特别对于异构和极其异构区域，将振幅数据建模后返回Z。这个分布被称为，使用（configure）一个有趣的替换来描述观测数据。Allend等人强调，该方法是最近被接受的均质区域建模方法。
模型由如下密度方程描述：
阶理论力矩存在如果<-/2，则>0且n≥1，它们由下式给出：
累积分布的定义如下：
其中，是Snedecor’s F法则的累积分布函数，其自由度为2n和-2。
和模型给出了解决累积分布函数数学上的限制。换句话说，(7)中给出的累积分布函数在计算上是十分容易处理的，就像它的反函数。函数Υ和Υ-1能够在统计软件平台获得，并且可以实现重要的结果，文献[28]中给出的一个Z～的样本模拟如下：
其中U是一个在(0,1)之间均匀分布的随机变量。
2.1、Parameter Estimation and Interpretation（参数估计与解释）
基于模型的优势，我们假设Z～，其中θ=( )是分布的参数向量。分布的参数和能够分别用于描述SAR图像的粗糙程度和规模。此外，我们已经知道，当→0—时，数据呈现高度异构的灰度。另一方面，在SAR图像的均质区域，。规模参数与后向散射振幅成正比。
模型的参数估计已经在很多文献中被广泛讨论。统计方法可以被应用于其中，比如矩量法（MO，文献[23][19][21]），极大似然法（ML，文献[28]）以及稳健估计法（文献[24][27]）。总之，前面提到的估算技术都有类似的局限性，因为分析解法没有实现，而还会出现数值问题。
对于MO[矩量法]，它可以在弱正则化条件下简单又成功的应用于评估分布参数，还可以提供一致性的评估。
ML[极大似然]估计方法具有一致性并能呈现最佳性能。然而，Mejail等人观察到，不论何时在均质区域的小样本上进行评估，顺序统计和极大似然方法会导致数值上问题。此外，执行参数估计时所需时间的计算是另一个相关问题。
当前的方法应该使用小样本执行大量的估计实验（对每一个图像像素）。使用大样本得到大窗口，在结果数据中会经常导致大量的模糊数据。为了克服这些缺点，参数估计采用了文献[21]中的策略。因此，为了评估粗糙度参数，我们寻找一个其中关系的数值解决方案。
其中表示第r阶样本矩。通过取代(6)中的，得到被估计的规模参数（），其中r=1且。考虑到不可能获得分析估计的标准误差，我们可以使用Bootstrap方法来获得。详细内容可以参见文献[30]。
Looks的次数n通常是个传感器提供的整数，在本文中它是个先验信息。然而，如果没有这个值，looks的数量也可以通过真实数据进行估计来得到，因此称它为looks的等价值（）[19]。由于均质区域遵循法则，MO[矩量]方法通常用于解决下面这个等式
水平集框架
3、The Proposed Level Set Framework（提出的水平集框架）
3.1、Energy Functional Map（能量泛函映射）
令是振幅SAR图像，其中我们可以定义图像区域集，各区域互不相交，并涵盖整个区域。接下来的命题在文献[31]进行了阐述，不同图像区域的样本被不同的分布描述。如果是SAR 图像的不同区域，则随机变量遵循分布并分别包含不同的参数向量和。此外，对于任一点，参数向量能够被如，所以有，。
就像之前提到过的，对于其他任一点呈现相似的粗糙度和规模模式也是合情合理的。因此，两个不同点，概率（）之间的关系为：
换句话说，如果且，和描述不同的区域；即，累积分布是不同的。基于累积分布的单一性（CDF），我们观察到，它可以用于区分为不同区域的概率分布模型。图1中曲线下方的高亮区域表示函数的识别能力。基于这个假设，我们设计了一个粗糙度和规模项进行描述的能量泛函，去映射不同区域间的差异。如此，这个泛函给出如下：
. (z,,,1)的两个分布族。=1时用实线表示，=10时用虚线表示。（是规模参数，越小，模型的密度函数越大。）
实线虚线分别包括三个不同的粗糙度模式，均质=－12.5用蓝色线表示，异构=－4.5用绿色线表示，极其异构=－1.5用红色线表示。
粗糙度和规模参数可以基于每一个像素被估计出来，以及两个参数映射（和）都已在文献[21]中给出。因此，文献[12]中定义的能量映射如下：
其中n和是中的常量。图1中显示了不同粗糙度值的两族分布。曲线下方的面积与能量值一致。如图1中所示，当，数据极其异构的并且另外，如果，则。这些关系可以通过分析分布的偏态和峰态来总结概括。前者是在文献[21]中提出，后者在其附录B中得到，文献可以在计算机协会数字图书馆中找到，网址是
分布的峰态(Kurtosis)
随粗糙度参数增加，但不依赖于粗糙度参数。结果与概率的增加和粗糙度参数的减小有着直接的关系。然而，如文献[12]中说明的那样，规模参数的增加导致分布函数的变化并因此会使能量（泛函）减小。
这样的考虑让我们假设能量振幅的变化应该在区域边界处达到最大值。然而，这种波动被限制在较低值的区域内。因此，区域边界的能量震动可以从总的能量变化中评估出来：
其中是空间梯度的大小，由下式给出：
由于是图像梯度，且代表累计分布函数的导数，我们可以把总能量变化写作：
并且当符合下面这个条件时，新颖的方程能提供最大的辨别力：
累积分布函数的行为。
（a）是基于任意参数=1.5，(b)是提出的方法给出的估计值（=0.7089）
a)展示了在几个参数向量（）以及任意参数=1.5时函数的行为。图3(b)给出了与提出的准则相符，=0.7089时所计算出的能量值。图3(b)中的表面显现出了更好的曲率，因此它能更好的分辨出不同的参数向量。
图4 (a)合成SAR图像由四个函数族建模，参数分别设置为n=1，，且。(b)负粗糙值（）时的估计映射。(c)规模（）。(d)能量（）
图4(a)显示了一个SAR图像的四个基于法则的模拟样本。规模参数的设置从上到下分别是100和1000。粗糙度参数设置为左侧=－4.5，右侧为=－1.5。这些值分别代表异构和高度异构数据。图4(b)和图4(c)分别说明了估计的粗糙度和规模映射。图4(d)中可以观察到计算出
来的能量映射，这个新的映射提高了图像区域间的辨识度。为了提高可视化，图4(a)(b)(c)中的图像都进行了增强对比度处理，但(d)中并没有进行加强。
与文献[21]中Mejail等人提到的一致，规模参数可以用于区分区域中具有相似粗糙度模式的不同目标。另外，粗糙度参数为复杂图像分割提供相关联的信息。事实上，对SAR图像区域来说，对粗糙度参数以及规模参数进行有效设计是十分必要的。基于这样的假设，就能够被正确估计，能量泛函能够通过不同的粗糙度和规模模式区分图像区域。
3.1.1 、Algorithm Issues算法问题
算法1总结了计算新能量泛函的主要步骤。
算法1.能量映射估计
第一步为力矩和参数估计设置邻域大小，这在第2~5步中会用到。我们强调，（式9）会与多个域中点的数据不一致；因此，估计值就不会被得到。为了克服这个问题，就如文献[22]中介绍的那样我们为那些估计失败的点分配了从邻域粗糙值中获得的中间值。
在步骤6中，SAR图像的梯度大小被计算出来，而步骤7返回一个初始的估计值。在本文中，我们为初始估计分配了图像直方图模式。此外，由于默认直方图的组距为1，我们使用整型图像。如果得到的直方图是多峰的，则使用最小的模值作为初始估计。为了最大化（式17），在步骤8中我们使用一个基于Broyden-Fletcher-Goldfarb-Shanno常规方法(BFGS)的数值解决方案（numerical routine）。
3.2 、The Level Set Propagation Model（水平集传播模型）
水平集方法是基于变分系统的解决方案。在这个问题中，与成本函数一致，动态系统的评估是为了最小化能量状态。在文献[11]中，Sethian阐述了基于哈密顿-雅克比方程的水平集方法。在这个方法中，闭曲线上的每一个点都以速度（）进行演化，其中（）是与垂直的单位向量。
在水平集方法中，的向前移动是曲面运动的结果，而已经依据下式潜入到了中：
其中是参数曲线的的坐标，是演化时间。过程由下式表示[11]：
其中，是时间步长，是水平集函数，而是演化函数。
传统上，是由初始曲线簇转化莱尔符号距离函数。演化函数（）由基于的曲率的正则化项、水平对流项和传播项（）组成。在本文中，我们根据文献[33]中提到的，采用高斯滤波器来正则化水平集函数。正则化的演化函数在文献[34]中定义如下：
其中，是狄克拉函数（Dirac function）的近似，表示如下：
式中，是一个正则化常数。
过程开始于由下式给出的零水平集
其中，和分别代表初始曲线内部和外部区域，相当于区域边缘。
提出传播函数的目的是最大化区域间平均能量的变化。这个标准是的提出是依据在同一区域内函数行为变化最小。在反复试验之后我们发现，线性成本函数对于惩罚有意义的区域间差异已足够，并且不会放大区域内的随机差异。这个相关的成本函数可以表示如下：
其中是第i个区域的平均能量，给出如下：
式中，是区域的总能量，而是区域面积。
我们的水平集模型的演化与文献[16][18]中的相类似，封闭参数曲线上的成本函数，由下面的表达式来最小化：
举个例子，对于二值分割，N=2，成本函数可以写作，其中。则（式25）中的导数可以演化为：
其中，
由于面积导数在下面给出，因此（式27）中右边的项可以被解决：
因此，
其中，是与正交的单位向量。
最终的演化模型给出如下：
实际上，水平集函数的演化遵循（式19）以及（式33）中表达的。
我们提出的方法在条件下收敛，其中是最近一次迭代的平均成本，是收敛阈值。接下来，算法2总结了我们提出的水平集框架。
3.3 、Stochastic Assessment Methodology（随机评估方法）
本节介绍了量化分割算法性能的评价方法。我们提出的评价措施依赖于算术-几何距离，并且，已经利用这些措施对我们提出的方法的测试执行进行了评估。根据Frery等人在文献[31]以及Nascimento等人在文献[35]中的介绍，与使用stochastic-inspired距离对斑点数据进行量化相比，这个距离展现了最好的辨别能力。
在区域和之间的算数-几何距离由下式给出：
接下来，我们在算数-几何距离[34]的基础上得到评价方法。
分割距离（SD）。它对分割结果和相关区域之间的统计距离进行测量。由（式34）可以得到：
式中，是参考前景（reference foreground），而是被分割的区域。
分割难度（DoS）。它将分割前景（）和背景（）的难度进行量化。当区域对比度低时，意味着减小；结果是，分割的难度上升。困难度的度量可以为表示为：
（跨）区域拟合（CRF）。对该方法正确分割区域能力的量化结合了分割距离和分割难度。由下式给出：
尽管分割难度和分割距离能够对分割方法进行评估，但它们只是相对量。作为替换，区域拟合误差对分割算法的评估不论针对参考图像还是地表实况图像，都将引用参数和考虑在内。这个方法对于真实SAR图像的参考图像或者地表实况图像可能不可用。
为了在分割合成数据时提供一个参考测量，我们提出了区域拟合误差，给出如下：
区域拟合误差（Region Fitting Error，RFE）提供了待分割的前景区域面积和参考区域面积之间的量化的差异。RFE方法是success of shape fit方法的修改版本，若时会导致计算错误。
实验结果
4、 Experimental Results（实验结果）
为了评估新方法我们将其与其他基于水平集的SAR图像分割方法进行了对比。所有方法和评估措施都使用Matlab平台进行开发。
4.1、Synthetic Speckled Image Segmentation（合成斑点图像分割）
4.1.1、Monte Carlo Experiment（蒙地卡罗实验）
仿真测试在蒙地卡罗实验的指导下进行，使用的SAR数据样本是由一组可调节大小的49
幅二值图像产生的。斑点图像遵循收敛性判定准则，水平集方法的参数设置为：=50，=0.05，，=0.5。
前景和背景区域分别遵循不同的分布和。参数设为，，。下面是被测试的三个配置：
对于其中每一种配置，都用27种不同的污染模式被复制到那一组49幅二值图像中。蒙地卡罗实验包括3969个测试，也就是每一种配置进行了1323次测试。图5显示了分割结果中效果最好的一些。图6显示了用于评估实验的区域拟合误差和随机方法的直方图。
对于同一组参数，我们提出得方法在93%的测试中都是收敛的，也就是说，3969次测试有3691次都收敛。这样的性能可以通过调整等参数进行提高。在图6(a)中，通过RFE直方图可以看出，80%左右的测试出现的误差都在0.1左右，最小和最大误差分别在0.0054和0.5070左右。图6(b)中SD（分割距离）和CRF（区域拟合）的直方图显示了相似的结果。
从蒙特卡罗过程我们可知，图6(a)(b)(c)中的结果显示出随机距离强化了所给方法的良好表现。此外，SD和CRF的直方图说明了方法的分割精度。图6(d)中CRF和DoS的对比分析说明了该方法在对比度很低的图像中分割区域的能力。
4.1.2、Comparative Analysis of Level Set Method for Synthetic Data（合成数据水平集方法的对比分析）
图7给出了一幅256×256的合成斑点图像。它用四种不同的返回模式模拟了一副图像，基于法则，用均质背景（=－10）以及三种不同粗糙度（=－1.5，－4，－5）。的斑点。同样需要注意的还有，对比度的增强能够提高图像的可视化效果。
从区域到模拟模式趋于呈现分割难度逐渐增加，这企鹅方面起因于不同的粗糙度（）参数值。文献[16]中水平集方法的性能与图7(d)中展示出来的并不完全一致，它检测#2和#3区域失败了。在图7(e)中我们可以看到文献[37]中的水平集方法是准确的，但是，分割过程中的残留噪声依然存在。这些方法的性能依然不够好，尤其是在对比度低的区域（#2和#3），但是就像图7(c)中显示的那样，它们都能正确的检测到区域边缘。表格2中指出了我们提出的方法在不同难度水平时的最佳性能的数值结果。总之，我们提出的方法的结果展现了最小的RFE（区域拟合误差）值，并且对于不同统计属性的区域有很好的分割性，尤其体现在分割难度（DoS）值高时。
初步的分割结果表明，一系列有效的措施比如RFE（区域拟合误差），DoS（分割难度）和CRF（区域拟合）能够量化准确度、测试难度以及基于它们统计特征的区域分割的正确性。此外，DoS（分割难度）和CRF（区域拟合）可以通过在背景和前景中选择适当的参考样本，应用于真实SAR图像的分割结果。
表3显示了在2.4GHz以及4GB RAM的计算时间的平均值，和表2中总结的实验的水平集迭代次数。基于水平集技术的方法都呈现相似的结果。然而，文献[37]中提出的传播模型需要经验参数来引导几次图像的分割。此外，在文献[16]和[37]中，算法的收敛性判断依据并不明确，并需要充足的迭代次数来实现这一（收敛）过程。我们提出的方法，需要额外的时间来执行算法1来进行能量映射计算；但是，收敛性判断依据避免了过多的计算成本，并能得到一致的结果。
4.2、Real SAR Image Segmentation（真实SAR图像分割）
我们提出的方法已经被应用到单视（single-look）和多视（multilook）SAR图像中。图8(ａ)
中显示了一个通过ESAR传感器获得的真实单视图像，图8(b)显示的是它的能量映射。我
们收集了不同区域的样本，基于估计参数进行随机评估。结果在表4中列举出来，值得强调的是，我们选择的样本同样适用于所有允许可靠分析的方法。
按照DoS方法，我们可以得出这样的结论：图8(a)中的#2区域跟背景相比对比度比较小，这对分割算法来说是个挑战。总之，根据CRF值，我们提出的方法呈现出了背景前景分离性的最好结果。
图9(a)和图9(b)显示的图像是通过RADATSAT卫星获取的4视图像，每个像素需要2个字节的分辨率，并且两个场景都是512×515像素。图9(a)显示的高亮区域被认为是近海石油平台，而图9(b)显示了巴西东北海岸的水上浮油（油膜）。图9(c)给出了一个由JERS传感器获得的巴西亚马逊河上的3视SAR图。图像中深色的部分被分类为二级的边界清晰的森林。图9中展示的结果说明，我们提出的方法，不论分割高亮目标点，小区域还是低对比度的场景都能给出令人满意的结果。表5概括了图9中的对比结果。图9(b)中展示的水面浮油图像，其DoS=2.1e18，这将需要一个难度更大的测试。根据CRF指数，我们的方法有最小的分割误差。此外，这些结果都显示，我们的技术能够成功的分割不同的目标。事实上，该方法为目标探测测试提供了有趣的结果。因此，目标能量映射说明了我们提出的泛函有获取SAR区域特征并加以识别的能力。因此，分割过程可以看做是能量带的分割，尤其是对于高能量值和低能量值。
总结
5、Concluding Remarks and Future Works（结论和未来工作）
本文中，我们介绍了一种使用传播模型的水平集分割方法，其中包含振幅SAR图像的斑点统计。此外，我们由SAR数据的统计模型得出了一个能量泛函，它遵循法则极其参数。该泛函被用于推动水平集分割均质和异构区域。该泛函的能量值高低是区分SAR区域的判别依据。
实验结果包括对合成和真实SAR图像的的测试，表明了我们所提出的方法的准确性。从蒙特卡罗实验中我们观察到，使用相同的一组水平集参数，算法执行令人满意的程度是93%。此外，我们提出的评估方法的结果，与RFE系数一致，这说明基于噪声统计信息的随机方法是非常有前景的评估工具。
未来将研究我们所提出的泛函在SAR图像过滤和分类任务上的适用性。此外，不同的能量泛函可以通过不同的统计模型来得到，比如被分配给测定偏振的SAR图像的泛函。
数字图像处理大作业
大作业指导书 题目：数字图像处理 院（系）：物联网工程学院 专业: 计算机 班级：计算机1401-1406 指导老师： 学号： 姓名： 设计时间： 2016-2017学年 1学期
摘要 (3) 一、简介 (3) 二、斑点数据模型 .参数估计与解释 (4) 三、水平集框架 (5) 1.能量泛函映射 (5) 2.水平集传播模型 (6) 3.随机评估方法 (7) 四、实验结果 (8) 五、总结 (11)
基于水平集方法和G0模型的SAR图像分割 Abstract（摘要） 这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。我们假设为SAR图像分割分配参数，并与水平集模型相结合。分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。+ 简介 1、Induction（简介） 合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。 对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。 水平集方法的一个重要方面，比如传播模型，可以用来设计SAR图像的分割算法。这个传播函数能够依据伽马和伽马平方根法则将斑点统计进行整合，函数已经被广泛地应用于SAR图像中的均质区域分割。Ayed等基于伽马分布任意建模，设计方案将SAR图像分成多个均质区域。尽管多区分割问题已经解决，该方案人需要一定数量的区域作为输入。Shuai 和Sun在文献[16]中提出对这个方法进行了改进，他们使用了一个有效的传播前收敛判断。Marques等引入了一个类似于含有斑点噪声图像中目标检测的框架，将基于本地区域的斑点噪声统计融合进去。这些作者采用伽马平方根对均质区域进行建模并用一个自适应窗口方案检测本地的同质性。 最近，新的SAR数据模型比如K，G，显示出了优势。经典法则受限于均质区域特性的描述，而最近的法则展现出了在数据建模中更有吸引力的特性。法则允许同构、异构和高度异构幅度SAR数据的建模。这个分布族提供了一组参数，可以描述SAR图像中的不同区域。分布的参数信息，可以被广泛的应用于设计SAR图像处理和分类技术。在文献[21]中，Mejail 等人介绍了SAR监督数据分类器，它基于其参数映射并实现了有趣的结果。Gambini等人在文献[22]中使用这个分布的一个参数来量化SAR数据的粗糙度，通过活动轮廓和B样条差值来检测边缘。然而，这种技术需要一个初始分割步骤，并受拓扑限制。一般来说，活动轮廓方法不能解决不连续区域分割的问题。 本文介绍了一种新的水平集算法来实现SAR图像中均质、异构和极其异构区域分割的目标。由于分布能够描述SAR图像的同质性和规模，我们的方法采用分布对斑点数据进行建模。这些分布参数基于每一个域点进行估计，通过这些信息，我们可以在水平集分割框架内得到一个能量泛函来驱动向前传播(front propagation)。该泛函以最大化不同区域平均能量间的差异作为结束。最终水平集阶段以能量带作为依据得到SAR图像的分割结果。
数字图像处理课后参考答案
数字图像处理 第一章 1、1解释术语 (2) 数字图像:为了便于用计算机对图像进行处理,通过将二维连续(模拟)图像在空间上离散化,也即采样,并同时将二维连续图像的幅值等间隔的划分成多个等级(层次)也即均匀量化,以此来用二维数字阵列并表示其中各个像素的空间位置与每个像素的灰度级数的图像形式称为数字图像。 (3)图像处理:就是指对图像信息进行加工以满足人的视觉或应用需求的行为。 1、7 包括图像变化、图像增强、图像恢复、图像压缩编码、图像的特征提取、形态学图像处理方法等。彩色图像、多光谱图像与高光谱图像的处理技术沿用了前述的基本图像处理技术,也发展除了一些特有的图像处理技术与方法。 1、8基本思路就是,或简单地突出图像中感兴趣的特征,或想方法显现图像中那些模糊了的细节,以使图像更清晰地被显示或更适合于人或及其的处理与分析。 1、9基本思路就是,从图像退化的数学或概率模型出发,研究改进图像的外观,从而使恢复以后的图像尽可能地反映原始图像的本来面目,从而获得与景物真实面貌相像的图像。 1、10基本思路就是,,在不损失图像质量或少损失图像质量的前提下,尽可能的减少图像的存储量,以满足图像存储与实时传输的应用需求。 1、11基本思路就是,通过数学方法与图像变换算法对图像的某种变换,以便简化图像进一步处理过程,或在进一步的图像处理中获得更好的处理效果。 1、12基本目的就是,找出便于区分与描述一幅图像中背景与目标的方法,以方便图像中感兴趣的目标的提取与描述。 第二章 2、1解释下列术语 (18)空间分辨率:定义为单位距离内可分辨的最少黑白线对的数目,用于表示图像中可分辨的最小细节,主要取决于采样间隔值的大小。 (19)灰度分辨率:就是指在灰度级别中可分辨的最小变化,通常把灰度级数L称为图像的灰度级分辨率。 (20)像素的4邻域:对于图像中位于(x,y)的像素p来说,与其水平相邻与垂直相邻的4个像素称为该像素的4邻域像素,她们的坐标分别为(x-1,y)(x,y-1)(x,y+1)(x+1,y)。 (21)像素的8邻域:对于图像中位于(x,y)的像素p来说,与其水平相邻与垂直相邻的8个像素称为该像素的8邻域像素,她们的坐标分别为(x-1,y-1)(x-1,y)(x-1,y+1)(x,y-1)(x,y+1)(x+1,y-1)(x+1,y)(x+1,y+1)。 (28)欧氏距离:坐标分别位于(x,y)与(u,v)处的像素P与像素q之间的欧氏距离定义为:D e(p,q)=[(x-u)2+(y-v)2]1/2 (29)街区距离:欧氏距离:坐标分别位于(x,y)与(u,v)处的像素P与像素q之间的街区距离定义为:D4(p,q)=|x-u|+|y-v|。 (30)棋盘距离:欧氏距离:坐标分别位于(x,y)与(u,v)处的像素P与像素q之间的欧氏距离定义为:D8(p,q)=max(|x-u|,|y-v|)。 (33)调色板:就是指在16色或者256色显示系统中,将图像中出现最频繁的16种或者256种颜色组成的一个颜色表,并将她们分别编号为0~15或0~255,这样就使每一个4位或者8位的颜色编号或者颜色表中的24位颜色值相对应。这种4位或者8位的颜色编号称为颜色的索引号,由颜色索引号及对应的24位颜色值组成的表称为颜色查找表,即调色板。 2、7对图像进行描述的数据信息一般应至少包括: (1)图像的大小,也即图像的宽与高 (2)表示每个像素需要的位数,当其值为1时说明就是黑白图像,当其值为4时说明就是16色或16灰度级图像,当其值为8时说明就是256色或256灰度级图像,当其值为24就是说明就是真彩色图像。 同时,根据每个像素的位数与调色板的信息,可进一步指出就是16色彩色图像还就是16灰度级图像;就是256色彩色图像还就是256灰度级图像。 (3)图像的调色板信息。 (4)图像的位图数据信息。 对图像信息的描述一般用某种格式的图像文件描述,比如BMP等。在用图像文件描述图像信息时,相应的要
数字图像处理 作业1汇总
数字图像处理 报告标题：01 报告编号： 课程编号： 学生姓名： 截止日期： 上交日期：
摘要 （1）编写函数计算灰度图像的均方误差（MSE）、信噪比（SNR）、峰值信噪比（PSNR）、平均绝对误差（MAE）；（2）编写函数对灰度图像经行降采样，直接消除像素以及消除像素前进行简单平滑滤波；（3）编写函数对图像进行放大，分别使用像素直接复制和双线性插值的方法：（4）编写函数用题目给出的量化步骤Q去量化灰度图像，并给出相应的MSE和直方图；（5）编写函数对灰度图像执行直方图均衡化，显示均衡前后的直方图。同时，熟悉使用MATLAB，并且熟练操作对图像进行各种修改变换等。 KEY WORD :MATLAB MSE、PSNR 直方图量化
技术探讨 数字图像处理是基于Matlab来实现的，由于Matlab 独特的功能和对矩阵，图像，函数灵活的处理，因而用于图像的处理相当的方便。 task1 均方误差（MSE）,信噪比（SNR）,峰值信噪比（PSNR）,平均绝对误差（MAE）。可以使用使用for循环语句，分别计算图像MSE/SNR/PSNR/MAE，具体的计算公式见附录代码，下面只附运算原理代码 均方误差（MSE）： sum=sum+(a(i,j)-b(i,j))^2; MSE=sum/(M*N) 信噪比（SNR）： sum2=sum2+a(i,j)^2; SNR=10*log10(sum2/MSE) 峰值信噪比（PSNR）： sum=sum+(a(i,j)-b(i,j))^2; PSNR=10*log10(255^2/MSE) 平均绝对误差（MAE）： sum=sum+a(i,j)+b(i,j); MAE=sum/(M*N) 在每次对同一个图像处理时它们的均方误差（MSE）,信噪比（SNR）,峰值信噪比（PSNR）,平均绝对误差（MAE）都会有所不同，因为它是原图像与加噪后的图像比较，而电脑的每次操作都会对加噪过得图像有影响。 task3 按比例缩小灰度图像 （1）直接消除像素点： I1=g(1:m:end,1:m:end);I1 为缩小后的图像，g为原图。 （2）先平滑滤波再消除像素点： 滤波函数，g=imfilter(I,w,'corr','replicate'); task4 对图像的放大运用了pixel repetition法以及双线性插值法： 它有三种插值法：即最近邻插值（pixel repetition）、双线性插值、双三次插值(缩放倍数为0.5) ;缩放与放大由给定的参数来确定。 ;缩放与放大由给定的参数来确定。而缩小则同样适用I1=g(1:m:end,1:m:end); 而放大的代码为“J=imresize(I,m,'nearest');%使用pixel repetition法”和“J=imresize(I,m,'bilinear');%使用双线性插值法” 放大倍数更改m值即可 task4 对图像的量化，使用“J=histeq(I,x); ”，x为可变的量化步长 task5 灰度图像的量化和直方图均衡化直接调用函数。“J=histeq(I)”“imhist(I,64)”
数字图像处理大作业.doc
-------------精选文档 ----------------- 1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请 给出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。 解：步骤与思路： ○1.进行模糊处理，消除噪声 ○2.边缘检测，进行图像增强处理 ○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。 ○4.采用横向标号法，根据值为1 像素在标号中的相邻位置可以确定间距 I=imread('xz mjt.bmp'); I1=medfilt2(I);%对图像中值滤波 imshow(I1); [m,n]=size(I1); for i=1:m for j=1:n if(I1(i,j)<100)% 阈值为 100 I1(i,j)=255; else I1(i,j)=0;%进行二值化
-------------精选文档 ----------------- end end end figure; imshow(I1); Y1=zeros(1,25); y2=y1; c=y2; i=100; for j=1:1200 if (I1(i,j)==255&&I1(i,j+1)==0) Y1=j+1; end if (I1(i,j)==0&&I1(i,j+1)==255) Y2=j; end end for i=1:25 c=Y2(i)-Y1(i) end c%找出每两个条纹之间的距离
2.现有 8 个待编码的符号 m0,,m7, 它们的概率分别为 0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。 3.请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。
数字图像处理大作业
1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请给 出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。 解：步骤与思路： ○1.进行模糊处理，消除噪声 ○2.边缘检测，进行图像增强处理 ○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。 ○4.采用横向标号法，根据值为1像素在标号中的相邻位置可以确定间距 I=imread('xz mjt.bmp'); I1=medfilt2(I); %对图像中值滤波 imshow(I1); [m,n]=size(I1); for i=1:m for j=1:n if(I1(i,j)<100) %阈值为100 I1(i,j)=255; else I1(i,j)=0; %进行二值化 end end end figure; imshow(I1);
Y1=zeros(1,25); y2=y1; c=y2; i=100; for j=1:1200 if (I1(i,j)==255&&I1(i,j+1)==0) Y1=j+1; end if (I1(i,j)==0&&I1(i,j+1)==255) Y2=j; end end for i=1:25 c=Y2(i)-Y1(i) end c %找出每两个条纹之间的距离
2. 现有8个待编码的符号m0,……,m7,它们的概率分别为0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。 3. 请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。
数字图像处理部分作业答案
3.数字化图像的数据量与哪些因素有关？ 答：数字化前需要决定影像大小（行数M、列数N）和灰度级数G的取值。一般数字图像灰度级数G为2的整数幂。那么一幅大小为M*N，灰度级数为G的图像所需的存储空间M*N*g(bit),称为图像的数据量 6.什么是灰度直方图？它有哪些应用？从灰度直方图你能获得图像的哪些信息？ 答：灰度直方图反映的是一幅图像中各灰度级像素出项的频率之间的关系。以灰度级为横坐标，纵坐标为灰度级的频率，绘制频率同灰度级的关系图就是灰度直方图。 应用：通过变换图像的灰度直方图可以，使图像更清晰，达到图像增强的目的。 获得的信息：灰度范围，灰度级的分布，整幅图像的平均亮度。但不能反映图像像素的位置。 2. 写出将具有双峰直方图的两个峰分别从23和155移到16和255的图像线性变换。 答：将a=23,b=155 ;c=16,d=255代入公式： 得 1，二维傅里叶变换有哪些性质？二维傅里叶变换的可分离性有何意义？ 周期性，线性，可分离性，比例性质，位移性质，对称性质，共轭对称性，差分，积分，卷积，能量。 意义：分离性表明：二维离散傅立叶变换和反变换可用两组一维离散傅立叶变换和反变换来完成。 8.何谓图像平滑？试述均值滤波的基本原理。 答：为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。 均值滤波是一种局部空间域处理的算法，就是对含有噪声的原始图像f(x,y)的每个像素点取一个领域S，计算S中所有像素的灰度级平均值，作为空间域平均处理后图像g(x,y)像素值。 9.何谓中值滤波？有何特点？ 答：中值滤波是对一个滑动窗口内的诸像素灰度值排序，用中值代替窗口中心像素的原来灰度值，它是一种非线性的图像平滑法。 它对脉冲干扰及椒盐噪声的的图像却不太合适。抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。但它对点、线等细节较多 6图像几何校正的一般包括哪两步？像素灰度内插有哪三种方法？各有何特点？ 答：1）建立失真图像和标准图像的函数关系式，根据函数关系进行几何校正。 2）最近邻插值，双线性插值，三次卷积法 3）最近邻插值：这种插值方法运算量小，但频域特性不好。 3、若f(1,1)=4，f(1,2)=7，f(2,1)=5，f(2,2)=6,分别按最近邻元法、双线性插值法确定点(1.2,1.6)的灰度值。 最近邻元法：点(1.2,1.6)离(1,2)最近,所以其灰度值为7.双线性法：f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1) 将i=1,j=1,u=0.2,v=0.6代入,求得：f(i+u,j+v)=5.76。四舍五入取整后，得该点其灰度值为6
《数字图像处理》习题解答
胡学龙编著 《数字图像处理（第 3 版）》思考题与习题参考答案 目录 第 1 章概
述 (1) 第 2 章图像处理基本知识 (4) 第 3 章图像的数字化与显示 (7) 第 4 章图像变换与二维数字滤波 (10) 第 5 章图像编码与压缩 (16) 第 6 章图像增强 (20) 第 7 章图像复原 (25) 第 8 章图像分割 (27) 第 9 章数学形态学及其应用 (31) 第 10 章彩色图像处理 (32)
第1章概述 连续图像和数字图像如何相互转换 答：数字图像将图像看成是许多大小相同、形状一致的像素组成。这样，数字图像可以 用二维矩阵表示。将自然界的图像通过光学系统成像并由电子器件或系统转化为模拟图像 （连续图像）信号，再由模拟/数字转化器（ADC）得到原始的数字图像信号。图像的数字 化包括离散和量化两个主要步骤。在空间将连续坐标过程称为离散化，而进一步将图像的幅 度值（可能是灰度或色彩）整数化的过程称为量化。 采用数字图像处理有何优点 答：数字图像处理与光学等模拟方式相比具有以下鲜明的特点： 1．具有数字信号处理技术共有的特点。（1）处理精度高。（2）重现性能好。（3）灵活性高。 2．数字图像处理后的图像是供人观察和评价的，也可能作为机器视觉的预处理结果。 3．数字图像处理技术适用面宽。 4．数字图像处理技术综合性强。 数字图像处理主要包括哪些研究内容 答：图像处理的任务是将客观世界的景象进行获取并转化为数字图像、进行增强、变换、编码、恢复、重建、编码和压缩、分割等处理，它将一幅图像转化为另一幅具有新的意义的 图像。 说出图像、视频（video）、图形（drawing）及动画（animation）等视觉信息之间的联系和区别。 答：图像是用成像技术形成的静态画面；视频用摄像技术获取动态连续画面，每一帧可
数字图像处理大作业
大作业要求 1.数字图像处理中的图像增强、图像分割、数学形态学、图像编码这几个章节中，围绕你所感兴趣的题目写一篇综述。 2.要求： （1）在中国知网上下载5篇以上相关文章，结合上课所学内容，确定综述的内容。（2）文字3000字以上，包含 a. 课题背景和概述 b. 国内外研究现状 c. 技术应用（可以实现哪些功能，实 现的方法及结果 d. 结论 e. 学习体会 f．参考文献 （3）综述的排版： 正文层次格式如下： 1（空两格）×××××（居中，三号宋体，加粗，占4行） 1.1×××（左顶格，四号宋体，加粗，占 2.5行，不接排） 1.1.1×××（左顶格，小四号宋体，加粗，占2行，不接排） a.（左空两格，a.后空一格）×××(小4号宋体，加粗) （正文）×××××(小4 号宋体，接排)
(1)（左空两格，(1)后空一格）×××(小4号宋体，加粗) （正文）×××××(小4号宋体，接排) 1)（左空两格，1）后空一格）(小4号宋体，加粗) （正文）×××××(小4号宋体，接排) 正文中段落一律段前、段后0磅，行距为20磅，对齐方式：两端对齐。小4号字体。 论文中的图和表居中，并且有图题和表题。 例如： 图 1 主站工作过程（5号字体，加粗） 表1 不同总线速率下从站的延迟时间（5号字体，加粗） 速率（Kbit/s ） 9.6 19.2 93.75 187.5 500 1500 1200SDR minT (bit T ) 11 11 11 11 11 11 11 SDR maxT (bit T ) 60 60 60 60 100 150 800 参考文献按照下面形式给出： 参考文献 （居中，三号，宋体，加粗，占4行）
(完整版)数字图像处理大作业
数字图像处理 1.图像工程的三个层次是指哪三个层次？各个层次对应的输入、输出对象分别是什么？ ①图像处理 特点：输入是图像，输出也是图像，即图像之间进行的变换。 ②图像分割 特点：输入是图像，输出是数据。 ③图像识别 特点：以客观世界为中心，借助知识、经验等来把握整个客观世界。“输入是数据，输出是理解。 2.常用的颜色模型有哪些（列举三种以上）？并分别说明颜色模型各分量代表的意义。 ①RGB（红、绿、蓝）模型 ②CMY（青、品红、黄）模型 ③HSI（色调、饱和度、亮度）模型 3.什么是图像的采样？什么是图像的量化？ 1．采样 采样的实质就是要用多少点来描述一幅图像，采样结果质量的高低就是用前面所说的图像分辨率来衡量。简单来讲，对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构，所形成的微小方格称为像素点。一副图像就被采样成有限个像素点构成的集合。例如：一副640*480分辨率的图像，表示这幅图像是由640*480＝307200个像素点组成。 2．量化 量化是指要使用多大范围的数值来表示图像采样之后的每一个点。量化的结果是图像能够容纳的颜色总数，它反映了采样的质量。 针对数字图像而言： 采样决定了图像的空间分辨率，换句话说，空间分辨率是图像中可分辨的最小细节。 量化决定了图像的灰度级，即指在灰度级别中可分辨的最小变化。 数字图像处理（第三次课）
调用图像格式转换函数实现彩色图像、灰度图像、二值图像、索引图像之间的转换。 图像的类型转换： 对于索引图像进行滤波时，必须把它转换为RGB图像，否则对图像的下标进行滤波，得到的结果是毫无意义的; 2.用MATLAB完成灰度图像直方图统计代码设计。
《数字图像处理》复习大作业及答案
2014年上学期《数字图像处理》复习大作业及参考答案 ===================================================== 一、选择题（共20题） 1、采用幂次变换进行灰度变换时，当幂次取大于1时，该变换是针对如下哪一类图像进行增 强。（B） A 图像整体偏暗 B 图像整体偏亮 C图像细节淹没在暗背景中D图像同时存在过亮和过暗背景 2、图像灰度方差说明了图像哪一个属性。（B ） A 平均灰度 B 图像对比度 C 图像整体亮度D图像细节 3、计算机显示器主要采用哪一种彩色模型（ A ） A、RGB B、CMY或CMYK C、HSI D、HSV 4、采用模板［-1 1］T主要检测（ A ）方向的边缘。 A.水平 B.45? C.垂直 D.135? 5、下列算法中属于图象锐化处理的是：( C ) A.低通滤波 B.加权平均法 C.高通滤波 D. 中值滤波 6、维纳滤波器通常用于（ C ） A、去噪 B、减小图像动态范围 C、复原图像 D、平滑图像 7、彩色图像增强时， C 处理可以采用RGB彩色模型。 A. 直方图均衡化 B. 同态滤波 C. 加权均值滤波 D. 中值滤波 8、__B__滤波器在对图像复原过程中需要计算噪声功率谱和图像功率谱。 A. 逆滤波 B. 维纳滤波 C. 约束最小二乘滤波 D. 同态滤波 9、高通滤波后的图像通常较暗，为改善这种情况，将高通滤波器的转移函数加上一常数量以 便引入一些低频分量。这样的滤波器叫B。 A. 巴特沃斯高通滤波器 B. 高频提升滤波器 C. 高频加强滤波器 D. 理想高通滤波器 10、图象与灰度直方图间的对应关系是 B __ A.一一对应 B.多对一 C.一对多 D.都不 11、下列算法中属于图象锐化处理的是：C A.低通滤波 B.加权平均法 C.高通滤 D. 中值滤波 12、一幅256*256的图像，若灰度级数为16，则存储它所需的比特数是：( A ) A、256K B、512K C、1M C、2M 13、噪声有以下某一种特性（ D ） A、只含有高频分量 B、其频率总覆盖整个频谱 C、等宽的频率间隔内有相同的能量 D、总有一定的随机性 14. 利用直方图取单阈值方法进行图像分割时：（B） a.图像中应仅有一个目标 b.图像直方图应有两个峰 c.图像中目标和背景应一样大 d. 图像中目标灰度应比背景大 15. 在单变量变换增强中，最容易让人感到图像内容发生变化的是（ C ）
数字图像处理作业 1
数字图像处理作业 1 1.基本问题 a.什么是数字图像处理，英语全称是什么？ 数字图像处理：对图像进行一些列的操作，以达到预期目的的技术，可分为模拟图像处理和数字图像处理两种方式。英文全称：Image Processing b.数字图像处理与什么领域的发展密切相关？ 数字图像处理与数字计算机的发展，医学，遥感，通信，文档处理和工业自动化等许多领域的发展密切相关。 c.人类主要通过什么来感知获取信息的？ 主要通过人的视觉、味觉、嗅觉、触觉、听觉以及激光、量子通信、现代计算机网络、卫星通信、遥感技术、数码摄影、摄像等来获取信息。 d.数字图像处理技术与哪些学科领域密切相关？ 与数学、物理学、生理学、心理学、电子学、计算机科学等学科密切相关 e.数字图像处理在哪些领域得到广泛应用？ 数字图像处理的应用越来越广泛，已渗透到工程、工业、医疗保健、航空航天、军事、科研、安全保卫等各个领域。 f.数字图像处理起源于什么年代？ 20世纪20年代 g.现代大规模的图像处理需要具备哪些计算机能力？ 需要具备图像处理、图像分析、图像理解计算机能力 h.根据人的视觉特点，图像可分为哪两种图像？ 分为可见图像和不可见图像。 i.根据光的波段，图像可分为哪几种图像？ 分为单波段、多波段和超波段图像。 j.图像数字与模拟图像的本质区别是什么？ 区别： 模拟图像：空间坐标和明暗程度都是连续变化的、计算机无法直接处理。 数字图像：空间的坐标和灰度都不连续、用离散的数字表示，能被计算机处理。 2.通过互联网，查下数字图像处理有哪些应用？选一个应用范例即可。具体描绘如何通过数字图像处理技术来实现其应用。要有图像范例说明。 数字图像处理主要应用领域有：生物医学，遥感领域，工业方面，军事公安领域，通信领域，交通领域等。我就生物医学领域做一个简单介绍。 自伦琴1895年发现X射线以来，在医学领域可以用图像的形式揭示更多有用的医学信息医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展，现代医学已越来越离不开医学图像的信息处理，医学图像在临床诊断、教学科研等方面有重要的作用。目前的医学图像主要包括CT (计算机断层扫描) 图像、MRI( 核磁共振)图像、B超扫描图像、数字X 光机图像、X 射线透视图像、各种电子内窥镜图像、显微镜下病理切片图像等。 医学图像处理跨计算机、数学、图形学、医学等多学科研究领域，医学图像处理技术包括图像变换、图像压缩、图像增强、图像平滑、边缘锐化、图像分割、图像识别、图像融合等等。在此联系数字图像处理的相关理论知识和步骤设计规划系统采集和处理的具体流程同时充分考虑到图像采集设备的拍摄效果以及最终处理结果的准确性。下面是关于人体微血管显微图像的采集实例。
数字图像处理大作业要点
数字图像处理实验报告 学院：信息学院 专业：电科1004班 姓名： 学号： 辅导老师： 完成日期： 2013年6月29日 空域图像增强 实验要求:
(1)选择若干图像（两幅以上），完成直方图均衡化。 (2)选择若干图像（两幅以上），对图像文件分别进行均值滤波、中值滤波和拉 普拉斯锐化滤波操作。 (3)添加噪声，重复上述过程观察处理结果。 实验原理： (1)图像增强是图像处理的基本内容之一，图像增强是指按特定的需要突出一幅 图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是使得处理后的图像对某种特定的应用，比原始图像更合适。处理的结果使图像更适应于人的视觉特性或机器的识别系统。图像增强主要可分为三类:频域图像增强方法、小波域图像增强方法、空域图像增强方法。 (2)空域图像增强主要包括:直方图均衡化、平滑滤波和锐化滤波等方法。 (3)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。直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。 (4)平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另 一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。 (5)均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板， 该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。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原图像中的各个像素值，即对待处理的当前像素点（x，y），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（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y） m为该模板中包含当前像素在内的像素总个数。 (6)中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技 术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。 (7)拉式算子是一个刻画图像灰度的二阶商算子，它是点、线、边界提取算子， 亦称为边界提取算子。通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。 拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。一个二维
西安交通大学大学数字图像处理大作业
数字图像处理
目录 作业一 (1) 一作业要求 (1) 二源代码 (1) 三运行结果 (3) 作业二 (5) 一作业要求 (5) 二算法描述 (5) 三源代码 (7) 四运行结果 (10)
作业一 一作业要求 在图像的空间域滤波操作中，会出现有部分掩膜矩阵在图像外面的情况，所以需要给图像先加入一个边界，执行完操作之后，再去掉这个边界，保证图像中所有的像素都参与矩阵运算。 二源代码 byte[,] filter(byte[,]f,float[,]mask) { int w = f.GetLength(0); int h = f.GetLength(1); byte[,] g = new byte[w,h]; int M = mask.GetLength(0)/2; int N = mask.GetLength(1)/2; for (int y=N;y
} float[,] averagingMask(intM,int N) { float[,] mask = new float[2*M+1,2*N+1]; for (int m=-M;m<=M;m++) for (int n=-N;n<=N;n++) mask[M+m,N+n] = 1.0f/((2*M+1)*(2*N+1)); return mask; } byte[,] addboard(byte[,] f,intM,int N) { int w=f.GetLength(0); int h=f.GetLength(1); intgw=w+2*M; intgh=h+2*N; byte[,] g=new byte[gw,gh]; //add top board and bottom board for(inti=0;i [HW5][24]SA11009045_张海滨 大作业 1、行模糊、锐化、和直方图均衡化。 程序： I=imread('E:\研一\数字图像处理\作业\HW5\DSC00003.JPG'); figure,imshow(I),title('原始图像'); I1=rgb2gray(I); I1=imresize(I1,0.5); figure,imshow(I1),title('灰度图像'); h=ones(5,5)/25; I2=imfilter(I1,h); figure,imshow(I2),title('模糊处理'); J=double(I1); h1=fspecial('laplacian'); I3=filter2(h1,J); figure,imshow(I3),title('锐化处理'); I4 = histeq(I1,256); figure,imhist(I1),title('原图像直方图'); figure,imshow(I4),title('均衡化处理'); figure,imhist(I4),title('均衡化后直方图'); 进行运算的结果为： 原始图像 此为进行处理的原始图像。进行图像灰度化并把图像的大小进行调整为原来的一半，得到图像： 对图像分别进行均值滤波器模糊、拉普拉斯算子锐化处理，得到的结果如下图： 方图如下所示。 2、边缘检测，程序： I=imread('F:\研一\数字图像处理\作业\HW5\DSC00003.JPG'); I1=rgb2gray(I); I1=imresize(I1,0.5); J=double(I1); H=[0 1 0;1 -4 1;0 1 0]; J=conv2(J,H,'same'); J=I1-J; subplot(1,2,1); imshow(I1),title('灰度图像'); subplot(1,2,2); imshow(J),title('Laplace算子边缘检测'); G1 = [-1 -2 -1;0 0 0;1 2 1]; G2 = G1'; Iedge=I1; I2x = filter2(G1,Iedge); I2y = filter2(G2,Iedge); I2=abs(I2x+I2y); I22 = mat2gray(I2); 数字图像处理每章课后题参考答案 第一章和第二章作业：1.简述数字图像处理的研究内容。 2.什么是图像工程？根据抽象程度和研究方法等的不同，图像工程可分为哪几个层次？每个层次包含哪些研究内容？ 3.列举并简述常用表色系。 1.简述数字图像处理的研究内容？ 答：数字图像处理的主要研究内容，根据其主要的处理流程与处理目标大致可以分为图像信息的描述、图像信息的处理、图像信息的分析、图像信息的编码以及图像信息的显示等几个方面， 将这几个方面展开，具体有以下的研究方向： 1.图像数字化， 2.图像增强， 3.图像几何变换， 4.图像恢复， 5.图像重建， 6.图像隐藏， 7.图像变换， 8.图像编码， 9.图像识别与理解。 2.什么是图像工程？根据抽象程度和研究方法等的不同，图像工程可分为哪几个层次？每个层次包含哪些研究内容？ 答：图像工程是一门系统地研究各种图像理论、技术和应用的新的交叉科学。 根据抽象程度、研究方法、操作对象和数据量等的不同，图像工程可分为三个层次：图像处理、图像分析、图像理解。 图像处理着重强调在图像之间进行的变换。比较狭义的图像处理主要满足对图像进行各种加工以改善图像的视觉效果。图像处理主要在图像的像素级上进行处理，处理的数据量非常大。图像分析则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。图像分析处于中层，分割和特征提取把原来以像素描述的图像转变成比较简洁的非图形式描述。 图像理解的重点是进一步研究图像中各目标的性质和它们之间的相互联系，并得出对图像内容含义的理解以及对原来客观场景的解释，从而指导和规划行为。图像理解主要描述高层的操作，基本上根据较抽象地描述进行解析、判断、决策，其处理过程与方法与人类的思维推理有许多相似之处。 第三章图像基本概念 数字图像处理 实验报告 实验选题：选题二 组员： 学号： 班级： 指导老师： 实验日期：2019年5月22日 一、实验目的及原理 1.识别出芯片的引脚 2.熟悉并掌握opencv的某些函数的功能和使用方法 原理：通过滤波、形态学操作得到二值图，再在二值图中设置条件识别引脚部分。 二、实现方案 对图片滤波、调节阈值做边缘检测过滤掉一部分图片中干扰元素；然后通过膨胀、腐蚀操作来减少引脚的空心部分；再通过findContours()函数找到引脚的边缘并得到轮廓的点集，设置特定的长宽比和矩形面积识别引脚部分。 三、实验结果 四、源码 #include 第二章 （2.1、2.2略） 2.4 图像逼真度就是描述被评价图像与标准图像的偏离程度。 图像的可懂度就是表示它能向人或机器提供信息的能力。 2.5 所以第一副图像中的目标人眼观察时会觉得更亮些。 第三章 3.1 解：（a ）??+-= y x dxdy vy ux j y x f v u F ,)](2exp[),(),(π （b ） 由（a ）的结果可得： 根据旋转不变性可得： （注：本题由不同方法得到的最终表达式可能有所不同，但通过变形可以互换） 3.2 证：作以下代换： ?? ?==θθ s i n c o s r y r x ，a r ≤≤0，πθ20≤≤ 利用Jacobi 变换式，有： 3.3 二维离散傅立叶变换对的矩阵表达式为 当4N =时 3.4 以3.3 题的DFT 矩阵表达式求下列数字图像的 DFT: 解：(1) 当N=4 时 (2) 3.5解： 3.6 解： 3.11 求下列离散图像信号的二维 DFT , DWT,DHT 解： （1） (2) 第四章 4.1阐述哈夫曼编码和香农编码方法的理论依据，并扼要证明之。 答：哈夫曼编码依据的是可变长度最佳编码定理：在变长编码中，对出现概率大的信息符号赋予短码字，而对出现概率小的信息符号赋予长码字。如果码字长度严格按照所对应符号出现概率大小逆序排列，则编码结果平均码字长度一定小于其它排列方式。 香农编码依据是：可变长度最佳编码的平均码字长度。 证明：变长最佳编码定理 课本88页，第1行到第12行 变长最佳编码的平均码字长度 课本88页，第14行到第22行 4.2设某一幅图像共有8个灰度级，各灰度级出现的概率分别为数字图像处理大作业
(完整版)数字图像处理每章课后题参考答案
数字图像处理大作业报告
数字图像处理习题解答
相关文档
- 数字图像处理大作业
- 《数字图像处理》复习大作业及答案
- 【VIP专享】数字图像处理作业(matlab)
- 数字图像处理matlab大作业
- 数字图像处理大作业
- 数字图像处理大作业
- 数字图像处理大作业.c
- 数字图像处理大作业-昆明理工大学-尚振宏
- 数字图像处理处理 大作业实验报告
- 数字图像处理复习大作业及答案
- 《数字图像处理》大作业
- 数字图像处理大作业
- matlab数字图像处理 课程设计论文 期中大作业要点
- 数字图像处理大作业
- 数字图像处理-降噪滤波-大作业要点
- 数字图像处理大作业
- 数字图像处理期中大作业(邓建平)
- 数字图像处理大作业报告
- 数字图像处理实验报告maap数字图像处理大作业期末论文
- 数字图像处理大作业