图像处理文献综述

文献综述

近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。

视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率[1,2]。因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。

一般来说，一个信号的显著性可以表示为其和周围环境的差异性。正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。基于当前场景的视觉显著性机制是低级的，慢速的。而基于先验知识的显著性机制通常是和高层次的任务关联在一起的，其效率通常低于由视觉信号驱动的显著性机制。人眼视觉系统通过显著性原理来处理复杂的视觉感知是不争的事实，这种显著性的处理机制使得复杂背景下的目标检测、识别有了很大程度的提升。

在模式识别、计算机视觉等领域，越来越多的计算机工作者致力于开发显著性计算模型，用以简单的表达图像的主要信息。这些显著性模型的检测结果是一个显著性灰度图，其每个像素点的灰度值表示了该像素的显著性，灰度值越大，表明该像素越显著。从信息处理的方式看，显著性模型大致可以分为两类：自顶向下（任务驱动）和自底向上（数据驱动）的方法。

自顶向下的显著性检测方法之所以是任务驱动，这是因为该类模型通常是和某一特定的任务相关。在同样的场景或模式下，检测到的结果因任务的不同而不同是自顶向下模型最突出的特点。例如在目标检测中，检测者需要首先告诉需要检测的目标是什么，检测到的显著性图则表示目标可能出现的位置。自顶向下的显著性检测方法的依据是：如果研究者事先知道需要检测目标的颜色、形状或者方向等特征，那么该检测算法自然会高效的检测到需要检测的目标。因此，自顶向下的算法通常需要人工标记，或是从大量的包含某种特定目标的图像中学习该类目标的特征信息，这些学习方法一般是监督的；然后求测试图像对于训练学习得到的信息的响应，从而得到测试图像的显著性图。现存的一些自顶向下的算法在某些特定的目标上取得了一定的效果，不过这些算法往往只对某些特定的目标有效，对于复杂多变的自然图像，该类算法存在很大的缺陷。自顶向下的模型是慢速的、任务驱动的，有意识的，以及封闭回路的。由于自顶向下模型的特点，其应用受到了很大的限制。

相对于自顶向下的显著性模型，自底向上的模型检测到的显著性图是依据当前的图像和图像的低级特征得到的，和特定的任务没有任何的相关性，因此更具一般性，目前也是研究者们研究的重点。由于是由低级视觉信号驱动的，自底向上模型被认为是一种无意识的视觉处理过程，它和记忆没有任何的关系，信号显著性仅仅由当前的视觉信号本身所决定。在自底向上模型中，吸引我们注意的感兴趣区域一定和周围的环境有着极大的差别。因此，自底向上模型通常采用中央-周围对比算法来模拟图像显著性，该方法通过计算某一像素或区域相对于周围领域的对比度来模拟其相应的显著性。此外，一些研究者通过采用活动窗口的领域方法来提高定位目标的准确性。另一种常用的自底向上的显著性方法是信息最大化法，该方法通过心理学的研究，认为人类往往将注意力放在图像中信息量最大的位置——例如图像中央区域，从而进行有效的分析。自底向上注意模型是快速的、无意识的，以及大多数是前向反馈的。自底向上的图像显著性估计算法适用于对图像目标的模式或位置没有任何信息的情况。

经过多年的研究，显著性检测已经应用于计算机视觉的许多方向。如感兴趣区域检测[3]、目标定位 [4]、图像分类[5]、图像或视频分割 [6] 图像或视频压缩 [7,8] 等等。例如在文献[9] 中，N.Ouerhani等人将显著性检测应用到图像压缩这个新的领域中，其目的是将图像中的显著性部分在解压缩的过程中拥有更好的重建质量。随后，Itti等人[8] 提出了一种新的基于显著性的图像压缩方法，该方法对视频序列的每帧都进行显著性检测，将距离显著性区域较远的地方做模糊处理，这样就能使得显著性区域大部分保证不变，而其他区域进行高质量的压缩。R Miau和L. It ti [10] 为进行目标识别，将显著性检测作为其预处理操作，然后使用生物动力系统HMAX [11] 来进行目标的识别。Salah等人[12] 将显著性检测和人工神经网络结合起来，用于识别人脸是手写数字。在文献[13] 中，N.Ouerhani 等人将显著性检测用于交通标志的识别。图像分割是将图像中的前景物体提取出来的一种技术，传统的图像分割需要人工给予交互信息，在文献[14] 中，N. Ouerhani等人利用显著性检测作为人工交互信息，实现了对图像的自动分割。正是由于显著性检测的诸多重要的应用，使得大量的研究人员将极大的热情投入到显著性检测的研究中来。

近年来，自底向上和自顶向下显著性模型取得了很大的发展，研究者们用不同的数学模型、思想来让计算机模拟人类视觉系统，下面就分别介绍关于自顶向下和自底向上模型的发展：

自底向上的显著性检测方法：

早期C.Koch等人通过研究人类视觉自底向上阶段的机制，提出了人类视觉显著性机理，希望模拟人类的视觉特点，计算出人类感兴趣的区域。这是非常有影响力的生物启发模型，但该模型仅仅停留在理论阶段，并没有通过计算机实现。

Itti等人的基本模型[15] 利用三个特征通道来模拟显著性。他们首先将图像用不同尺度上的的颜色、强度和方向这三个属性来表征，然后利用中心-周围算法对每个特征进行处理得到多个特征图，最后，将这些特征图经过线性迭加后得到最终的显著性图。这个模型是显著性检测方面的一个里程碑，之后的大部分模型都以其为基准。该模型也是第一次完整的实现C.Koch等人提出的显著性生物启发系统。

Bruce等人[16] 根据香农的自信息理论，提出了AIM（Attention based on Information Maximization）模型，研究了人眼注视行为和信息量的显著性之间的关系。他们首先基于大量的自然图像的图像块，利用独立分量分析（ICA）算法从中学习出一系列的滤波器，然后将测试图像和滤波器进行卷积，得到测试图像一系列的特征，最后根据图像对滤波器的响应计算自信息得到最终的显著性图。

Harel等人[17] 提出了基于图的视觉显著性（GBVS）。他们在多尺度空间下提取图像的特征图形成一个全连通的图，图像中的像素点是图的节点，两个节点之间的权重由他们特征值的相似性和空间距离共同决定。然后利用随机游走计算图像的显著性。虽然该模型对人眼关注点能较好的预测，但是具有很大的时间复杂度。

Hou等人[18] 提出了基于谱残余的模型，第一次在变换域的方面考虑图像的显著性。该模型首先对图像进行傅里叶变换得到图像振幅谱，接着让对数频谱通过一个领域的滤波器，并和对数频谱相减得到谱残差，最后利用傅里叶反变换结合皮平滑高斯滤波器得到最终的显著性图。该算法简单高效，其matlab核心代码只有五行。

Guo等人[19] 证明了用傅里叶变换的相位谱来代替振幅谱能取得更好的显著性预测效果。随后，Guo和Zhang等人[7] 提出了用四元数将图像的颜色、强度和运动特征联系起来的模型——基于相位谱的四元数傅里叶变换模型，该模型可以计算时空的显著性并用于视频处理。

Zhang等人[20] 提出了经典SUN（Saliency Using Natural statistics）方法，改方法也是利用香农自信息理论衡量图像显著性。首先由DoG或ICA得到自然图像的一系列统计特性，然后结合贝叶斯框架得到最终的显著性图。该模型给许多模型提出了一个基本的框架。

Achanta等人[21] 利用图像的颜色和强度两种低级特征，实现了频率调谐的显著性区域检测算法。此方法用某个像素和整个图像的平均色的色差来直接定义显著性值。单该方法只考虑了一阶平均颜色，不足以分析复杂多变的自然图像。

Cheng等人[22] 提出了基于区域对比度的视觉显著性区域检测算法。该方法首先依据与其他像素的色彩差异来分配像素的显著性值，然后将图像分割成若干区域，最后利用颜色距离和空间距离的加权来定义图像最终的显著性。该算法同时考虑了全局对比度和空间相干性。作者还将得到的显著性图应用于图像分和和基于内容的图像缩放，都取得了比较好的效果。

Goferman等人[23] 提出了基于上下文的显著性检测模型。该模型同时对局部底线线索、全局考虑、视觉组织规划以及表层特征进行建模来突出显著性物体。

Xie等人[24] 通过研究图像中的低层和中层信息，结合在贝叶斯框架，提出了一种新模型。该模型采取由粗到细的策略。首先，利用角点计算得到目标的大致区域，进而计算该大致区域得到粗糙的显著性图。然后，结合这个粗糙的显著性图和由低层信息计算得到观测性似然概率，从而得到每个像素处的显著值。

Mai 等人[25]利用条件随机场框架，提出了一个数据驱动的显著性检测方法。该方法基于两个发现：一是不同的显著性检测方法在显著性分析中有不同的表现，二是显著性分析方法的性能随着图片的不同而变化着。因此该方法考虑不同模型之间的性能差异，以及各类模型在单类图像上的性能依赖，通过数据驱动的方法来进行显著性融合。

Zhang等人[26]提出了一个基于布尔图的显著性检测模型（BMS）。该模型认为图像可以由一系列的二值图像表示，这些二值图像是通过对图像的颜色通道进行随机阈值生成。因此，该方法基于图形—背景分割的格式塔准则，通过分析布尔图的拓扑结构计算最终的显著性图。该算法在5个眼动点数据库集上都取得了比较好的效果，在显著性目标检测上也有很好的优势。

Ren等人[27]提出了一个基于区域的显著性检测算法。该算法首先用自适应均值分割算法对图像进行超像素分割，并用平均颜色表示超像素；然后将超像素集合最为高斯混合模型（GMM）的输入，得到k个聚类，并计算每个聚类的紧密度作为聚类的显著性值；最后利用页排序得到最终的显著性图。

自顶向下的显著性检测方法：

Gao等人[28] 研究发现对某些特征的边缘分布，感兴趣区域的出现对其有很大的影响，即某一类显著性信息能够很好的被某些特征表征。通过训练改感兴趣目标的这一特征，最终能够得到比较有区分度的显著性图。

在文献[20] 中，Zhang等人提出了基于贝叶斯框架的目标检测模型，在这个模型中，通过似然函数表征需要检测的目标。

Marchessotti等人[29] 通过自然图像之间的视觉相似性来模拟显著性。在该模型中，需要测试的图像是已知的，他们首先在测试数据库中选择和测试图像看起来比较相似的一些图片。然后利用Fisher核函数来训练一个简单的分类器，改分类器能够大致将前景与背景区分开。最后将该分类器运用到测试图片中，就能较好的计算得到显著性图。该模型不需指定特定的目标，但是在图片检索，尤其是相似图片的检索中，是一项非常大的挑战，同时分类器的训练需要占用大量的计算资源，使得算法的时间复杂度比较大。

显著性检测目前存在的技术难点：

尽管目前的自底向上和自顶向下的显著性检测算法取得了不错的效果,但仍存在几个问题需要解决：

首先,已有的方法不能比较均匀的强调整个显著区域或目标,原因在于信息量最大化的显著性检测算法倾向于检测人眼凝视的点而非整个显著性区域,而由于较大的对比度往往出现在目标的边缘,一般的基于中心一周围差异性原则的检测方法更强调目标边界,容易忽略目标内部区域；

其次,当背景比较杂乱时,已往的算法由于只依赖于低层次的视觉信息,鲁棒性不高,会对许多无关的低级视觉信号做出回应而且易一丢失感兴趣的目标的信息；

最后,一些自底向上的显著性算法还有计算冗余的问题,比如由目标大小未知带来的多尺度邻域对比计算以及在整幅图像中通过滑动窗搜索每个图像块重复计算每个像素的显著度引入的计算量。

参考文献：

[1]宋雁斓.视觉注意模型及其在图像分类中的应用[D].上海：上海交通大学，2008.

[2]冯辉.视觉注意力机制及其应用研宄[D].河北：华北电力大学，2011.

[3] C. M. Privitera and L. W. Stark, “Algorithms for defining visual regionsof-interest:

Comparison with eye fixations,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 9, pp.

970–982, Sep. 2000.

[4] D. Gao, S. Han, and N. Vasconcelos, “Discriminant saliency, the detection of suspicious

coincidences, and applications to visual recognition,”IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 6, pp. 989–1005, Jun. 2009.

[5] C. Siagian and L. Itti, “Rapid biologically-inspired scene classification using features shared

with visual a ttention,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 2, pp. 300–312, Feb. 2007.

[6] E. Rahtu, J. Kannala, M. Salo, and J. Heikkil?, “Segmenting salient objects from imagesand

videos,”in Proc. Eur. Conf. Comput. Vis., 2010, pp. 366–379.

[7] C. Guo and L. Zhang, “A novel multiresolution spatiotemporal saliency detection model and

its applications in image and video compressio n,”IEEE Trans. Image Process., vol. 19, no. 1, pp. 185–198, Jan. 2010.

[8] L. Itti, “Automatic foveation for video compression using a neurobiological model of visual attention,” IEEE Trans. Image Process., vol. 13, no. 10, pp. 1304–1318, Oct. 2004.

[9] N. Ouerhani, J. Bracamonte, H. HUgli, et al. Adaptive Color Image Compression Based on

Visual Attention [C]. In Proc. 11th Int. Conf. on Image Analysis and Processing, 2001,

416-42L

[10] F. Miau, L. Itti. A Neural Model Combining Attentional Orienting to Object Recognition:

Preliminary Explorationson the Interplay Between Where and What [C]. In Proc. IEEE Engineeringin Medicine and Biology Society(EMBS), 2001，789-792.

[11] M. Riesenhuber, T. Poggio. Hierarchical models of object recognition in cortex [J]. Nature Neuroscience,1999, 11:1019-1025.

[12] Salah，A.A.，E. Alpaydin，et al. A Selective Attention Based Method for Visual Pattern

Recognition with Application to Handwritten Digit Recognition and Face Recognition [J].

IEEE Trans. Pattern Analysis andMachine Intelligence, 2002，24, 3:420-425.

[13] N. Ouerhani. Visual Attention: from bio-inspired Modeling to Real-Time Implementation

[D]. University de Neuchatel, 2003.

[14] N. Ouerhani, N. Archip, H. Htigli，et al. Visual Attention Guided Seed Selection for Color

Image Segmentation[C]. In Proc. Conference Computer Analysis of Images and Patterns, 2001.

[15] L. Itti, C. Koch, and E. Niebur, “A Model of Saliency-Based Visual Attention for Rapid

Scene Analysis,”IEEE Trans. Pattern Analysis and Machine Inte lligence, vol. 20, no. 11, pp.

1254-1259, Nov. 1998.

[16] N. D. B. Bruce, J. K. Tsotsos. Saliency Based on Information Maximization [C]. In Advances

in Neural Information Processing Systems, 2005.

[17] J. Harel, C. Koch, and P. Perona, “Graph-Based Visua l Saliency,” Neural Information

p rocessing Systems, vol. 19, pp. 545-552, 2006.

[18] X. Hou, L. Zhang. Saliency Detection: A Spectral Residual Approach [C]. In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2007.

[19] C. Guo, Q. Ma, and L. Zhang, “Spatio-Temporal Saliency Detection Using Phase Spectrum

ofQuaternion Fourier Transform,” Proc. IEEE Conf. Computer Vision and Pattern

Recognition, 2008.

[20] L. Zhang, M. H. Tong, T. K. Marks, et al. SUN: A Bayesian Framework for Saliency Using Natural Statistics [J]. J. of Vision, 2008, 8(7), 32:1-20.

[21] R. Achanta, S.S. Hemami, F.J. Estrada, and S. Su¨ sstrunk, “Frequency-Tuned Salient Region Detection,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2009.

[22] M. M. Cheng, G. X. Zhang, N. J. Mitra, et al. Global contrast based salient region detection

[C]. In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2011,

09-416.

[23] S. Goferman, L. Zelnik-Manor, and A. Tal, “Context-Aware Saliency Detection,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2010.

[24] Y. Xie, H. Lu，M. Yang. Bayesian Saliency via Low and Mid Level Cues [J]. IEEE

Transaction On Image Processing, 2013，22, 5:1689-1698.

[25]Long. M Y.Niu and Feng.L: Saliency Aggregation: A Data-driven Approach. In CVPR

(2013)

[26]Jianming Zhang and Stan Sclaroff: Saliency Detection: A Boolean Map Approach. In ICCV

(2013)

[27]Zhixiang Ren, Shenghua Gao, et.al. , “Region-Based Saliency Detection and ItsApplication

in Object Recognition”. IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, VOL. 24, NO. 5, MAY 2014, 769-779

[28] D. Gao, V. Mahadevan, and N. Vasconcelos, The Discriminant Center-Surround Hypothesis

for bottom-upSaliency [c]. in Advance in Neural Processing Systems, 2007, 20:497-504. [29] L. Marchesotti, C. Cifarelli, and G. Csurka, “A framework for visual saliency detection with

applications to image thumbnailing,” in Proc. IEEE Int. Conf. Comput. Vis., Dec. 2010, pp.

2232–2239.

数字图像处理的发展现状及研究内容概述

数字图像处理的发展现状及研究内容概述人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20%，视觉信息占60%，所以作为传递信息的重要媒体和手段——图像信息是十分重要的，俗话说“百闻不如一见”、“一目了然”，都反映了图像在传递信息中独到之处。 目前，图像处理技术发展迅速，其应用领域也愈来愈广，有些技术已相当成熟并产生了惊人的效益，当前图像处理面临的主要任务是研究心的处理方法，构造新的处理系统，开拓更广泛的应用领域。 数字图像处理（Digital Image Processing）又称为计算机数字图像处理，它是指将数字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。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和数字图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的数字图像处理的目的是改善数字图像的质量，它以人为对象，以改善人的视觉效果为目的。数字图像处理中，输入的是质量低的数字图像，输出的是改善质量后的数字图像，常用的数字图像处理方法有数字图像增强、复原、编码、压缩等。 1:数字图像处理的现状及发展 数字图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使数字图像处理成为一门引人注目、前景远大的新型学科。随着数字图像处理技术

的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。 人们已开始研究如何用计算机系统解释数字图像，实现类似人类视觉系统理解外部世界，这被称为数字图像理解或计算机视觉。很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。数字图像理解虽然在理论方法研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，人类本身对自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新领域。如今数字图像处理技术已给人类带来了巨大的经济和社会效益。不久的将来它不仅在理论上会有更深入的发展，在应用上意识科学研究、社会生产乃至人类生活中不可缺少的强有力的工具。 数字图像处理进一步研究的问题，不外乎如下几个方面： （1）在进一步提高精度的同时着重解决处理速度问题。如在航天遥感、气象云图处理方面，巨大的数据量和处理速度任然是主要矛盾之一。 （2）加强软件研究、开发新的处理方法，特别要注意移植和借鉴其他学科的技术和研究成果，创造新的处理方法。 （3）加强边缘学科的研究工作，促进数字图像处理技术的发展。如：人的视觉特性、心理学特性等的研究，如果有所突破，讲对团向处理技术的发展起到极大的促进作用。

图像处理综述.

图像噪声分类及去噪方法综述 2013552070 王跃洋数字图像中，噪声主要来源于图像的获取或传输过程。成像传感器的性能受各种因素的影响，如图像获取过程中的环境条件和传感元器件自身的质量。例如，在使用CCD摄像机获取图像时，光照水平和传感器温度是影响结果图像中噪声数量的主要因素。图像在传输中被污染主要是由于传输信道中的干扰。例如，使用无线网络传输的图像可能会因为光照或其他大气因素而污染。 图像噪声的分类 图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，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。图像噪声是多种多样的，其性质也千差万别，所以了解噪声的分类是很有必要的。 一．按产生的原因分类 1.外部噪声， 即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电气设备，天体放电现象等引起的噪声。 2.内部噪声，一般有四个源头： a)由光和电的基本性质所引起的噪声。如电流的产生是由电子或空穴粒子的集合，定向运动所形成。因这些粒子运动的随机性而形成的散粒噪声；导体中自由电子的无规则热运动所形成的热噪声；根据光的粒子性，图像是由光量子所传输，而光量子密度随时间和空间变化所形成的光量子噪声等。 b)电器的机械运动产生的噪声。如各种接头因抖动引起电流变化所产生的噪声；磁头、磁带等抖动或一起的抖动等。 c)器材材料本身引起的噪声。如正片和负片的表面颗粒性和磁带磁盘表面缺陷所产生的噪声。随着材料科学的发展，这些噪声有望不断减少，但在目前来讲，还是不可避免的。

d)系统内部设备电路所引起的噪声。如电源引入的交流噪声；偏转系统和箝位电路所引起的噪声等。 这种分类方法有助于理解噪声产生的源头，有助于对噪声位置定位，对于降噪算法只能起到原理上的帮助。 二．按噪声频谱分类 频谱均匀分布的噪声称为白噪声； 频谱与频率成反比的称为1/f噪声；而与频率平方成正比的称为三角噪声等等。 三．按噪声与信号的关系分类 1.加性噪声：加性嗓声和图像信号强度是不相关的，如运算放大器， 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； 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，由于载送每一个象素信息的载体的变化而产生的噪声受信息本身调制。在某些情况下，如信号变化很小，噪声也不大。 为了分析处理方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相统计独立。 四．按概率密度函数（PDF）分类 1.高斯噪声：在空间域和频域中，由于高斯噪声(也称为正态噪声)在数学上的易处理性，这种噪声模型经常被用于实践中。 高斯随机变量z 的PDF有下式给出： 其中，z表示灰度值，表示z的均值，σ表示z的标准差。标准差的平方成为z的方差。 2.瑞利噪声：瑞利密度对于近似偏移的直方图十分适用。 瑞利噪声的PDF由下式给出：

图像处理论文

图像处理技术近期发展及应用 摘要：图像处理技术的研究和应用越来越收到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术近期的发展及应用现状，列举了数字图像处理技术的主要优点和制约其发展的因素，同时设想了图像处理技术在未来的应用和发展。 关键字：图像处理发展技术应用 1.概述 1.1图像的概念 图像包含了它所表达的物体的描述信息。我们生活在一个信息时代，科学研究和统计表明，人类从外界获得的信息约有百分之七十来自视觉系统，也就是从图像中获得，即我们平常所熟知的照片，绘画，动画。视像等。 1.2图像处理技术 图像处理技术着重强调在图像之间进行的变换，主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的目标自动识别打基础，或对图像进行压缩编码以减少图像存储所需要的空间或图像传输所需的时间。图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。 1.3优点分析 1．再现性好。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。 2．处理精度高。按目前的技术，几乎可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，这意味着图像的数字化精度可以达到满足任一应用需求。 3．适用面宽。图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像（例如X射线图像、射线图像、超声波图像或红外图像等）。从图像反映的客观实体尺度看，可以小到电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。 4．灵活性高。图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。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，即凡是可以用数学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。 2.近期发展及应用领域

机器视觉技术发展现状文献综述

机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程：

数字图像处理技术的研究现状及其发展方向

目录 绪论 (1) 1数字图像处理技术 (1) 1.1数字图像处理的主要特点 (1) 1.2数字图像处理的优点 (2) 1.3数字图像处理过程 (3) 2数字图像处理的研究现状 (4) 2.1数字图像的采集与数字化 (4) 2.2图像压缩编码 (5) 2.3图像增强与恢复 (8) 2.4图像分割 (9) 2.5图像分析 (10) 3数字图像处理技术的发展方向 (13) 参考文献 (14)

绪论 图像处理技术基本可以分成两大类：模拟图像处理和数字图像处理。数字图像处理是指将图像信号转换成数字信号并利用计算机进行处理的过程。其优点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力，一般来说只要改变软件就可以改变处理内容。困难主要在处理速度上，特别是进行复杂的处理。数字图像处理技术主要包括如下内容：几何处理、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别、图像理解。数字图像处理技术的发展涉及信息科学、计算机科学、数学、物理学以及生物学等学科，因此数理及相关的边缘学科对图像处理科学的发展有越来越大的影响。 数字图像处理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。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。近年来，数字图像处理技术日趋成熟，它广泛应用于空间探测、遥感、生物医学、人工智能以及工业检测等许多领域，并促使这些学科产生了新的发展。 1数字图像处理技术 1.1数字图像处理的主要特点 (1)目前数字图像处理的信息大多是二维信息，处理信息量很大，因此对计

图像处理文献综述

文献综述 理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显着的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不尽如人意。20世纪80年代，Marr和Canny相继提出了一些更为系统的理论和方法，逐渐使人们认识到边缘检测的重要研究意义。随着研究的深入，人们开始注意到边缘具有多分辨性，即在不同的分辨率下需要提取的信息也是不同的。通常情况下，小尺度检测能得到更多的边缘细节，但对噪声更为敏感，而大尺度检测

图像处理文献综述

文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不

图像处理文献综述

文献综述 近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。 视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率 [1,2]。因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。 一般来说，一个信号的显著性可以表示为其和周围环境的差异性。正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。基于当前场景的视觉显著性机制是低级的，慢速的。而基于先验知识的显著性机制通常是和高层次的任务关联在一起的，其效率通常低于由视觉信号驱动的显著性机制。人眼视觉系统通过显著性原理来处理复杂的视觉感知是不争的事实，这种显著性的处理机制使得复杂背景下的目标检测、识别有了很大程度的提升。 在模式识别、计算机视觉等领域，越来越多的计算机工作者致力于开发显著性计算模型，用以简单的表达图像的主要信息。这些显著性模型的检测结果是一个显著性灰度图，其每个像素点的灰度值表示了该像素的显著性，灰度值越大，表明该像素越显著。从信息处理的方式看，显著性模型大致可以分为两类：自顶向下（任务驱动）和自底向上（数据驱动）的方法。 自顶向下的显著性检测方法之所以是任务驱动，这是因为该类模型通常是和某一特定的任务相关。在同样的场景或模式下，检测到的结果因任务的不同而不同是自顶向下模型最突出的特点。例如在目标检测中，检测者需要首先告诉需要检测的目标是什么，检测到的显著性图则表示目标可能出现的位置。自顶向下的显著性检测方法的依据是：如果研究者事先知道需要检测目标的颜色、形状或者方向等特征，那么该检测算法自然会高效的检测到需要检测的目标。因此，自顶向下的算法通常需要人工标记，或是从大量的包含某种特定目标的图像中学习该类目标的特征信息，这些学习方法一般是监督的；然后求测试图像对于训练学习得到的信息的响应，从而得到测试图像的显著性图。现存的一些自顶向下的算法在某些特定的目标上取得了一定的效果，不过这些算法往往只对某些特定的目标有效，对于复杂多变的自然图像，该类算法存在很大的缺陷。自顶向下的模型是慢速的、任务驱动的，有意识的，以及封闭回路的。由于自顶向下模型的特点，其应用受到了很大的限制。

基于matlab的图像预处理技术研究文献综述

毕业设计文献综述 题目：基于matlab的图像预处理技术研究 专业：电子信息工程 1前言部分 众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络、优化计算、模糊逻辑、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。 图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。视觉是人类从大自然中获取信息的最主要的手段。拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。由此可见，视觉信息对人类非常重要。同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。 图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。 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。图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在 1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动

数字图像处理技术的现状及其发展方向(笔记)

数字图像处理技术的现状及其发展方向 一、数字图像处理历史发展 数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理。 1.起源于20世纪20年代。 2.数字图像处理作为一门学科形成于20世纪60年代初期，美国喷气推进实验室(JPL)推动了数字图像处理这门学科的诞生。 3.1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置即CT(Computer Tomograph)，1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。 4.从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展，人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界，其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论。 二、数字图像处理的主要特点 1．目前数字图像处理的信息大多是二维信息,处理信息量很大,对计算机的计算速度、存储容量等要求较高。 2.数字图像处理占用的频带较宽,在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本也高,这就对频带压缩技术提出了更高的要求。 3.数字图像中各个像素是不独立的,其相关性大。因此,图像处理中信息压缩的潜力很大。 4.由于图像是三维景物的二维投影,一幅图像本身不具备复现三维景物的全部几何信息的能力,要分析和理解三维景物必须作合适的假定或附加新的测量。在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识工程问题。 5．一方面，数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大，作为图像质量的评价还有待进一步深入的研究；另一方面，计算机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究,这些都是心理学和神经心理学正在着力研究的课题。 三、数字图像处理的优点 1.再现性好；图像的存储、传输或复制等一系列变换操作不会导致图像质量的退化。 2.处理精度高；可将一幅模拟图像数字化为任意大小的二维数组,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。 3.适用面宽；图像可以来自多种信息源，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,因而均可用计算机来处理。 4.灵活性高；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,即凡是可以用数学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。 四、数字图像处理过程及其主要进展 常见的数字图像处理有:图像的采集、数字化、编码、增强、恢复、变换、

数字图像处理试题集2(精减版)资料讲解

第一章概述 一.填空题 1. 数字图像是用一个数字阵列来表示的图像。数字阵列中的每个数字，表示数字图像的一个最小单位，称为__________。 5. 数字图像处理包含很多方面的研究内容。其中，________________的目的是根据二维平面图像数据构造出三维物体的图像。 解答:1. 像素5. 图像重建 第二章数字图像处理的基础 一.填空题 1. 量化可以分为均匀量化和________________两大类。 3. 图像因其表现方式的不同，可以分为连续图像和________________两大类。 5. 对应于不同的场景内容，一般数字图像可以分为________________、灰度图像和彩色图像三类。 解答: 1. 非均匀量化 3. 离散图像 5. 二值图像 二.选择题 1. 一幅数字图像是：( ) A、一个观测系统。 B、一个有许多像素排列而成的实体。 C、一个2-D数组中的元素。 D、一个3-D空间的场景。 3. 图像与灰度直方图间的对应关系是：（） A、一一对应 B、多对一 C、一对多 D、都不对 4. 下列算法中属于局部处理的是：（） A、灰度线性变换 B、二值化 C、傅立叶变换 D、中值滤波 5. 一幅256*256的图像，若灰度级数为16，则该图像的大小是：（） A、128KB B、32KB C、1MB C、2MB 6. 一幅512*512的图像，若灰度级数为16，则该图像的大小是：（） A、128KB B、32KB C、1MB C、2MB 解答:1. B 3. B 4. D 5. B 6. A 三.判断题 1. 可以用f(x,y)来表示一幅2-D数字图像。（） 3. 数字图像坐标系与直角坐标系一致。（） 4. 矩阵坐标系与直角坐标系一致。（） 5. 数字图像坐标系可以定义为矩阵坐标系。（） 6. 图像中虚假轮廓的出现就其本质而言是由于图像的灰度级数不够多造成的。（） 10. 采样是空间离散化的过程。（） 解答:1. T 3. F 4. F 5. T 6. T 10. T 1、马赫带效应是指图像不同灰度级条带之间在灰度交界处存在的毛边现象（√） 第三章图像几何变换 一.填空题 1. 图像的基本位置变换包括了图像的________________、镜像及旋转。 7. 图像经过平移处理后，图像的内容________________变化。（填“发生”或“不发生”） 8. 图像放大是从小数据量到大数据量的处理过程，________________对许多未知的数据的估计。（填“需要”或“不需要”） 9. 图像缩小是从大数据量到小数据量的处理过程，________________对许多未知的数据的估计。（填“需要”或“不需要”） 解答:1. 平移7. 不发生8. 需要9. 不需要

数字图像处理主题综述汇总

数字图像处理主题综述 姓名: 学号: 201203284 班级: 计科11202 序号: 31 院系: 计算机科学学院 主题: 医学图片处理

目录 1.引言 (3) 2.医学图像三维可视化技术 (3) 3.医学图像分割 (4) 4.医学图像配准和融合 (6) 5.医学图像纹理分析 (8) 6.应用 (9) 7.总结 (10) 8.参考文献 (10)

1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明 曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。 2.2关键技术： 图像分割是三维重构的基础，分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域，由于医学图像的各区域没有清楚的边界，为了解决在医学图像分割中遇到不确定性的问题，引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状，自动或半自动的图像分割方法是非常重要的。在实际应用中有聚类法、统计学模型、

基于matlab数字图像处理的开题报告

毕业设计(论文)开题报告 题目：基于Matlab的数字图像处理 学生姓名：学号： 专业：通信工程 指导教师： 2011年 3 月 13 日

一．文献综述： 随着人类社会的进步和科学技术的发展，人们对信息处理和信息及交流的要求越来越高。人们传递信息的主要媒介是语音和图像。在接受的信息中，听觉信息占20%，视觉信息占60%，其它如味觉，嗅觉，触觉总的加起来不超过20%。图像信息处理是人们视觉延续的重要手段。人的眼睛只能看到波长为380到780nm的可见光部分，而迄今为止人类发现可成像的射线已有很多种，他们扩大了人类认识客观世界的能力。 数字图像处理是一个跨科学的前沿科技领域，在工程学，计算机科学，信息学，统计学，物理，化学，生物医学，地址，海洋，气象，农业，冶金等许多科学中的应用取得了巨大的成功和显著地经济效益。 图像是当光辐射能量照在物体上，经过他的反射或透射，或有发光物体本身发出的光能量，在人的视觉器官中所重现出的物体的视觉信息。图像一般用Image表示，是视觉景物的某种形式的标记和记录。通俗的说，图像是指利用技术手段把目标原封不动的再现。由于图像感知的主题是人类，所以不仅可以将图像看作是二维平面上或三维立体空间中具有明暗或颜色变化的分布，还可以包括人的心理因素对图像接收和理解所产生的影像。 一般认为图片是图像的一种类型，在一些教科书中将其定义为“经过核实的光照后可见物体的分布”，图片强调了现实世界中的可见物体。图形是指人为的图形，如图画，动画等人造的二维或三维图形，他强调应用一定的数学模型生成图形。图形学是研究应用计算机生成，处理和显示图形的一门学科。它涉及利用计算机将有概念或数学描述所表示的物体图像进行处理和现实的过程，侧重点在于根据给定的物体描述数学模型，光照及想象中的摄像机的成像几何，生成一幅图像的过程。 而图像处理进行的却是与其相反的过程，提示基于画面进行二维或三维物体模型的重建，这在很多场合是十分重要。 从20世纪60年代起，随着电子计算机技术的进步，数字图像处理技术得到了飞跃发展。数字信号处理（DSP）技术通常是指利用采集，滤波，检测，均衡，变换，调制，压缩，去噪，估计等处理，已得到符合人们需要的信号形式。图像信号的数字处理是指将图像作为图像信号的数学处理技术，按照人们通常的习惯，也成为数字图像处理技术。最常见的使用计算机对图像进行处理，他是在以计算机为中心的包括各种输入，输出，存储及显示设备内的数学图像处理系统上进行的。

数字图像处理发展及现状

数字图像处理的发展及现状 网络092 张海波 0904681468 摘要： 简述了数字图像处理技术的发展及应用现状，系统分析了数字图像处理技术的主要优点，不足及制约其发展的因素，阐述了数字图像处理技术研究的主要内容和将来的研究重点，概述了数字图像处理技术未来的应用领域，并提出了该技术未来的研究方向。 关键词：数字图像；图像处理；现状与展望；计算机技术 1 前言： 图像处理技术基本可以分成两大类：模拟图像处理（Analog Image Processing）和数字图像处理（Digtal Image Processing）。数字图像处理是指将图像信号转换成数字信号并利用计算机进行处理的过程。其优点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力，一般来说只要改变软件就可以处理内容[1]。困难主要在处理速度上，特别是进行复杂的处理。数字图像处理技术主要包括如下内容：几何处理（Geometrical Processing）、算术处理（Arithmetic Processing）、图像增强（Image Enhancement）、图像复原（Image Restoration）、图像重建（Image Reconstruction）、图像编码（Image Encoding）、图像识别(Image Recognition)、图像理解（Image Understanding）。数字图像处理技术的发展涉及信息科学、计算机科学、数学、物理学以及生物学等学科[2]，因此数理及相关的边缘学科对图像处理科学的发展有越来越大的影响。近年来，数字图像处理技术日趋成熟，它广泛应用于空间探测、遥感、生物医学、人工智能以及工业检测等许多领域，并促使这些学科产生了新的发展。 2 数字图像处理技术发展： 数字图像处理技术使20世纪60年代随着计算机技术和 VLSY Very Large Scale Integration的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用中都取得了很大的成就。 视觉是人类最重要的感知手段，图像又是视觉的基础[3]。早期图像处理的目的是改善图像质量，它以人为对象，以改善人的视觉效果为目的。图像处理中输入的是质量低的图像，输出的是改善质量后的图像。常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片进行图像处理，如几何校正、灰度变换、去除噪声等，并考虑了太阳位置和月球环境的影响。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，获得了月球的地形图、彩色图及全景镶嵌图，为人类登月创举奠定了基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术探测研究中，数字图像处理技术都发挥了巨大的作用。 数字图像处理技术取得的另一个巨大成就是在医学上。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT

数字图像处理文献综述

数字图像处理技术综述 摘要：随着计算机的普及，数字图像处理技术也获得了迅速发展，逐渐走进社会生产生活的各个方面。本文是对数字图像处理技术的一个总体概述，包括其内涵、优势、主要方法及应用，最后对其发展做了简单的总结。 关键词：数字图像、图像处理技术、处理方法、应用领域 Overview of digital image processing technology Abstract: With the popularization of computer, digital image processing technology also won the rapid development, and gradually go into all aspects of social life and production. This paper is a general overview of the digital image processing technology, including its connotation, advantage, main method and its application. And finally, I do a simple summary of the development. Keywords: digital image, image processing technology, processing method, application field

前言： 图像处理技术被分为模拟图像处理和数字图像处理两大类。数字图像处理技术一般都用计算机处理或实时的硬件处理，因此也称之为计算机图像处理[1]。而时至今日，随着计算机的迅速普及，数字图像处理技术也飞速发展着，因为其用途的多样性，可以被广泛运用于医学、交通、化学等各个领域。 一、数字图像处理技术的概念内涵 数字图像处理技术是指将一种图像信号转变为二进制数字信号，经过计算机对而其进行的图像变换、编码压缩、增强和复原以及分割、特征提取等处理，而高精准的还原到显示器的过程[2]。在数字图像处理中，图像被分割成像素（每英寸的像素的数目取决于图像的分辨率） [7].可以说图像处理是对图像数据的一种操作或者运算，一般是由计算机或者专用图像处理硬件来实现的。我国常用的数字图像处理技术主要有两种，一种是光学处理法，一种是数字（电子）处理法。当前，数字图像处理技术已经逐步完善。数字图像处理技术与人们的生活紧密相关，如常用的数字电视、数码照相机、数码摄像机等所输出的图像都是数字图像，即数字像处理技术的成果。目前数字图像处理已发展成为信息处理技术的一个综合性边缘学科，成为了信息处理的一个重要的学科分支，并与相关学科相互联系、相互交叉。如计算机图形学、模式识别、计算机视觉等学科的研究内容均与图像电信号转变、图像数据描述、图像信息输出等有关，所以，它们之间各有侧重而又相互补充，并在各项新理论、新技术的支持下得到了长足发展[3]。 数字图像处理最早出现于20世纪70年代，当时是以人为对象的，为了改善图像的视觉效果。到目前为止，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，使图像处理成为一门引人注目、前景远大的新型学科[4]。而它发展至今，在原有的基础上又有了新的技术支持，已经逐渐覆盖至方方面面，在各个学科都有着难以忽视的作用。 二、数字图像处理技术的优势 数字图像处理技术之所以发展如此迅速，是因为它具有许多的优点，可以带来极大便利，而这些优点也使得数字图像处理的应用越来越广泛。 第一，再现性好。数字图像处理技术不会因对图像进行的变换操作而导致图像质量退化，数字图像能始终保持图像的再现[3]； 第二，处理精度高。数字图像处理的是由计算机进行的，因而可以处理极高精度的数据，而且精度可以随着计算机计算能力的增强而增加。可以快速准确地拍摄照片，可以精确测量数百万像素的强度[8]；

人脸识别文献综述

文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理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

数字图像处理技术的研究现状与发展方向

数字图像处理技术的研究现状与发展方向 孔大力崔洋 （山东水利职业学院，山东日照276826） 摘要：随着计算机技术的不断发展，数字图像处理技术的应用领域越来越广泛。本文主要对数字图像处理技术的方法、优点、数字图像处理的传统领域及热门领域及其未来的发展等进行相关的讨论。 关键词：数字图像处理；特征提取；分割；检索 引言 图像是指物体的描述信息，数字图像是一个物体的数字表示，图像处理则是对图像信息进行加工以满足人的视觉心理和应用需求的行为。数字图像处理是指利用计算机或其他数字设备对图像信息进行各种加工和处理，它是一门新兴的应用学科，其发展速度异常迅速，应用领域极为广泛。 数字图像处理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。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。 1数字图像处理的目的 一般而言，对图像进行加工和分析主要有以下三方面的目的[1]： (1)提高图像的视感质量，以达到赏心悦目的目的。如去除图像中的噪声，改变图像中的亮度和颜色，增强图像中的某些成分与抑制某些成分，对图像进行几何变换等，从而改善图像的质量，以达到或真实的、或清晰的、或色彩丰富的、或意想不到的艺术效果。 (2)提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析，例如，常用做模式识别和计算机视觉的预处理等。这些特征包含很多方面，如频域特性、灰度/颜色特性、边界/区域特性、纹理特性、形状/拓扑特性以及关系结构等。 (3)对图像数据进行变换、编码和压缩，以便于图像的存储和传输。 2数字图像处理的方法 数字图像处理按处理方法分，主要有以下三类，即图像到图像的处理、图像到数据的处理和数据到图像的处理[2]。 （1）图像到图像。图像到图像的处理，其输入和输出均为图像。这种处理技术主要有图像增强、图像复原和图像编码。 首先，各类图像系统中图像的传送和转换中，总要造成图像的某些降质。第一类解决方法不考虑图像降质的原因，只将图像中感兴趣的特征有选择地突出，衰减次要信息，提高图像的可读性，增强图像中某些特征，使处理后的图像更适合人眼观察和机器分析。这类方法就是图像增强。例如，对图像的灰度值进行修正，可以增强图像的对比度；对图像进行平滑，可以抑制混入图像的噪声；利用锐化技