模糊图像处理（精选12篇）
模糊图像处理 篇1
前言
作为信息技术中的一门系统研究图像理论、技术和应用的新的交叉学科, 图像处理有着举足轻重的地位。其目的是将数字图像利用计算机或者其他的电子设备经过处理后供人观赏, 也就是图像的信宿为人。通过深入分析显示对象, 模糊算法在处理数据时会建立一个模糊型的数学模型, 方便用户比较详细的对各项参数进行对比, 从而利于用户掌握最可靠的图像信息资源。另外, 人的视觉特性和数字图像本身兼具模糊性, 因此在进行图像处理时运用模糊技术, 尤其是在边缘检测及图像分割等方面是非常可观的。再加之当前许多成功算法的实现, 运用模糊算法对图像进行处理是可行的。
图像处理技术的基础和重点
1.图像处理技术的基础
图像处理又名影像处理, 普遍指的是用数字摄像机、扫描仪等电子设备通过采样及数字化所得的一个大的二维数组, 该数组的元素被叫做像素, 这个值是一个整数即灰度值。光学-计算机混合处理法 (运用光学的方法对图像进行预处理后再做精确的处理时采用数字方法, 此法兼具二者的优势) 、CCD模拟处理法 (根据CCD的特性将其作为一个响应的滤波器以便进行信号的处理, 然后改变始终脉冲频率以此来实现模拟, 最后将并列输入的信号转换为串行的序信号使数据信息的重新排列得以实现) 、电学模拟处理法 (首先把光强度信号变换成电信号, 然后对浓度分割、光谱对比、彩色合成和反差放大等进行处理, 此法普遍运用于电视视频信号) 是常见的图像处理方法。
图像压缩, 图像增强和复原以及图像的匹配、描述和识别是图像处理技术的三大部分。
在现已达到的计算机水平上, 图像压缩通过“不失真”和“近似”的方式对图像进行处理。“不失真”即图像在不失真的情况下捕获图像中的空间或者时间相邻像素的差值, 然后通过编码的方式对图像进行进一步的压缩;对图像处理采取“近似”通常是结合交换的方法, 需要多项修剪和加工原始图像。所以, 在图像的储存和传输方面, 图像压缩有着非常重要的地位。
用户对图像进行处理时采取图像增强和复原这两种方式, 可以适当的优化图像质量, 从而保障了图像处理的质量。图像增强是将图像作为一个二维信号, 并对这个二维信号进行信号增强处理, 或者采取低通滤波法消除图像中的噪声;图像复原是依据已经掌握的图像信息, 修改处理原始图像, 这样做利于提高图像的清晰度和完整性。
2.图像处理的重点
图像是人们认识客观事件的重要知识来源, 在社会生产和科研活动中, 人们都要频繁的和图像进行接触。伴随着计算机软硬件技术的更新和提升, 图像处理得到了长远的发展。不管在科学研究、军事国防、工业生产还是现代的管理决策部门, 数字图像处理技术都得到了充分的运用, 而且运用的场合也是极其的广阔。其现正以多样的内容、新颖的形式和齐全的门类向着大型化、小型化、实时化以及远程化等多方面快速发展起来。
图像处理中模糊算法的运用及具体流程
1.图像处理中模糊算法的运用
在图像处理中, 运用传统的处理方法处理图像后得到的信息显示出来不够清晰, 这便让图像整体的清晰度、准确度兼受较大的影响。通过深入分析显示对象, 模糊算法在处理数据时会建立一个模糊型的数学模型, 方便用户比较详细的对各项参数进行对比, 从而利于用户掌握最可靠的图像信息资源。进行图像处理时运用和大力推广模糊算法具有十分便利的条件, 充分符合复杂的图像处理的应用要求。因此, 随着计算机技术的不断更新与发展, 图像处理运用模糊算法更加普遍。
2.运用模糊算法进行图像处理的具体流程
运用模糊算法进行图像处理能起到综合反应的作用, 需要从多个方面表达出原始图像中的信息资源。用户在使用模糊法进行图像处理时首先要设计出一套完整的操作流程, 弄清楚图像数字化、图像编码、图像增强、图像复原和图像分割等需要处理的信息和问题, 接着根据相关的工作经验, 建立具体的操作流程。
(1) 图像录入。图像录入是把需要处理的原始图像中的重要信息进行录入, 进行集中存储, 接着通过计算机等电子操作平台显现出图像的本质状态。对图像进行录入的过程中, 用户需捕捉像素、尺寸、色彩等信息, 寻找关键性的数据, 最后将各项信息通过综合对比掌握完整的图像录入流程。
(2) 建立数学模型。建立数学模型是运用模糊算法进行图形处理中非常关键的工具。因为在处理图像的过程中需要结合建立的数学模型所表达出来的信息, 保障图像处理结果的可靠性。所以在建立模型前要对需要处理的图像进行系统、深层的分析, 以此了解数据元结构和函数关系, 再根据各图像的特征建立模型, 完成处理。
(3) 图像处理。运用模糊算法进行图像处理时, 首先要对处理的图像进行正确有效的模糊算法, 并根据运用算法后得到的结果, 尤其是实施计算任务要参照具体的函数关系。接着判断需要处理的图像相应算法的计算标准时结合图像隶属的函数关系, 最后对重要的参数信息进行指导处理。
需要注意的是在进行图像处理时如果运用图像编码、增强和复原等方法, 需要先对标准的代码进行选用, 然后依据模糊算法的要求进行必要的图像处理。
图像处理中的模糊算法实现
1.模糊算法在图像边缘的检测
作为图像分析中的重要内容, 图像边缘检测在处理图像领域是一种十分重要的预处理技术, 已经在轮廓、特征的抽取以及纹理分析等领域被广泛的运用。利用模糊算法对图像边缘进行检测要通过模糊理论集使得灰度空间变换为模糊空间, 也就是将需要处理的图像作为一个模糊点集阵列。这个模糊点集阵列是M×N, 且有L级灰度的二维图像。然后为了增强边缘两侧的像素灰度的对比度, 减少图像的灰度层次, 可以运用模糊算法增强算子, 在模糊空间中使得模糊增强。处理结束后还需将模糊空间转换成数据空间, 再提取出边界。
这种算法目前还存在着一定的技术缺陷, 还需加强改进, 以便简化计算, 提高速度。
2.图像分割中的模糊技术
作为基本的计算机视觉技术, 图像分割是从图像处理到图像分析的过程中一个非常关键的步骤, 近年来备受人们的重视。这是把需要进行处理的图像分割成各个具有特性的区域, 然后提取出感兴趣目标的技术及过程。当前, 聚类法、区域增长法和直方图阈值法是图像分割技术主要运用的方法。
硬C均值法 (HCM算法) 是在对多源不确定性信息进行分析时, 需要根据其来源对信息进行分类。在此算法的基础上, 图像模糊聚类分割方法是一种依据在图像特征空间中进行模糊聚类的图像分割技术, 其实质利用目标函数将构成图像中的每个像素和聚类中心之间的加权相似度测度。以此作为基础充分发挥了目标函数的非线性迭代的最优化性。
当前, 图像模糊聚类分割方法已初具规模, 有用势函数聚类提供的局部极值点, 也有用硬C均值聚类法所得的去初始化FCM聚类中心等。
作为普遍使用的一种图像分割法, 直方图阈值法往往是利用图像的灰度特征对灰度阈值进行必要的选择, 并将需要进行处理的图像中各个像素分散到适合的类别里。这一方法非常具有计算量少、简便实用实效等特征。同样, 模糊阈值法的基础的图像的模糊数学描述, 再进行模糊熵计算图像选取分割阈值。
通常, 运用图像分割所得的目标以及背景差异需要大一些, 所以便有了Bhandari算法。
运用这一算法, 首先要定义好黑目标模糊集与白背景模糊集, 然后通过标准S函数计算出白背景模糊集的隶属度函数, 并将黑目标模糊集的隶属度函数的背景进行补取。
需要注意的是隶属度函数的形式和取值都和阈值有着密切的关联, 所以对待每个待选的t值都需要求它们相对应的类间模糊散度, 最后把散度值最大的看作最优的分割阈值。
3.高斯模糊算法
高斯模糊是图像处理中非常重要的一种算法, 其充分发挥了高斯函数的线性可分的特征, 通过二维矩阵转换所得的效果, 能在水平方向进行一维高斯矩阵变换, 再加上在竖直方向变换得到的一维高斯矩阵。因为这一特性, 高斯模糊算法通常用来减小图像噪声和降低细节层级, 利用其生成的图像视觉效果像是经过一个半透明的屏幕观察图像, 这在算法实现时将效率提高了约一个数量级。
我们可以把高斯模糊看成是一种图像模糊滤波器, 通过正态分布来计算需要处理图像的每个像素的变换。在理论上, 每个像素的计算都需要含有整幅图像也就说图像中的每点分布都不为零。然而通常在实际的操作过程中, 如计算高斯函数的离散近似值时, 一些像素的计算都可以忽略不做计算。
计算高斯模板、水平方向进行一维高斯变化和垂直方向进行一维高斯变化是实现高斯模糊算法的三步。
结语
综上所述, 在当今, 图像凭借其主观性等相关特征和优势, 且在图像处理和操作方面也变得越来越方便, 所以图像已经成为了计算机用户日常使用的一种信息表达方法。利用模糊算法对图像进行处理, 不仅能提供科学的数据模型给用户, 还可以引导用户对图像进行适当的出来, 以此来提高图像信息的整体清晰度及其完整性。
摘要：图像处理又名影像处理, 普遍指的是用数字摄像机、扫描仪等电子设备通过采样及数字化所得的一个大的二维数组, 该数组的元素被叫做像素, 这个值是一个整数即灰度值。一般的图像处理方式都存在许多不良之处, 严重影响到了用户获取信息的便捷性, 而运用模糊算法对图像进行处理能使图像的处理得到显著的效果提高。所以, 本文意在分析图像处理中模糊算法及实现, 将模糊信息处理技术作为基础, 并对图像处理流程中模糊算法的运用进行阐述, 最终提高原始图像处理的效果。
模糊图像处理 篇2
湖北省荆州市公安县埠河中学 柳祥梅
【摘要】文章根据教学内容和教学需要，巧妙运用“模糊”术，施展教学智慧与教学艺术，引领学生进入最佳教学境界，从而给力高质课堂。
【关键词】模糊处理；英语；要求；规律；细节；冲突
“模糊处理”作为一种教育教学理念，没有准确的解释，其蕴意只可意会不可言传，正如网络红词“纠结”，其意含糊，但它在特定的环境下表达人的一种复杂心情时，却恰到好处。“糊涂”教学亦是如此，它在课堂教学和管理中，灵活性大，实用性强，在促进高质课堂方面起着不可忽视的作用。
一、模糊处理少数教材要求
有些单元重点词汇呈现错位，给在实施任务型语言教学、师生互动过程中带来词汇缺乏上的困难。例如，在七年级上册Unit10教学中，为了更好地掌握重点句型“Can you…？I can’t。和I can…but I can’t…”，需要有关“instruments”的词汇来支撑语言目标训练，但在SectionA中只出现“guitar”一词，多数有关“instruments”的词汇却出现在SectionB（1a）中，如此编排真是糊涂。于是笔者也“模糊”一回，重新整合所谓的权威教材，使“教”与“学”更紧凑，更合理。
部分重点内容要求太高，超出学生学习实际，学生容易产生畏难情绪，进而挫伤学生的学习积极性。例如，八年级下册Unit2 SectionB（2b）有些听力材料偏长，题目设计太难，对学生要求过高，笔者也感到很吃紧，更不用说学生。因此，应对教材稍加处理，把填表形式变换成填空样式，降低难度，学生信心倍增，积极性也很高；教材中有些重点话题离学生生活太远，学生学习兴趣不高，从而出现中学英语教学不适应教材的情况，对此，教师可收集学生感兴趣且能顺利达成教学目标的生活素材来取而代之。
由此看来，对于教学目标模糊、偏难且不易操作的教材内容，教师要“糊涂”大胆，敢于对教材“动手术”，给教材“整容瘦身”，促进课堂教学更轻负，高质，给力！
二、模糊处理有关知识规律
笔者曾到某校听了一节八年级的公开课，授课内容是Unit2（SectionA2a－3b），在3a板块中有句对话Eve：No，I don’t have any money，either。在这里，“either”只作“也”讲，可任教者在此堂公开课上，使出浑身解数，把“either”在初中阶段所有用法即［either①同样地（不…）；②也（不…）任一（的）；③（两方中的）每一方（的）］一一罗列板书，并对其不同用法配以相应例句，之后又把它和生词“neither”用法加以区分。细细分析，该教师教学失误在于对课堂词法规律教学认识不够，该糊涂时不糊涂，对“模糊教学”过于吝啬，结果反而使教学费时低效。如若该教师对词汇教学有全局观，清楚“either”在此作为“也”只用于否定句末尾，而其他用法在以后的教材中会作重点要求，相信“模糊”有价，归纳时只需板书：either也（否定句末尾），并稍微口头加以和已学词汇“（too，also）”的用法区分即可，把更多的时间留给师生互动，留给学生合作探究，此举定会给力高质公开课。
三、模糊处理相关教学细节
在充分进行学情分析、了解学情的基础上，巧妙运用“糊涂教学”，精心布局，把学生引领到预设的教学情境后，自己悄然隐退到幕后，运筹帷幄，放手让学生走向前台，去独立思考，去敢想敢说，去勇于探究，进而创设开放多维的教学纠错、探究的空间。如有关Direct speech and reported speech的教学细节：
1。直接引语和间接引语定义及例句（多媒体呈现）。
2。师生互动：what did Bob say？
Linda：Bob said I（×）would have lunch at school。（初学间接引语，人称变化混淆，预料之中，故作糊涂，忘记纠错，只是重复此句时“I”音调升高拉长，唤起学生注意。）
Jim：She said She wants（×） to go home with her friends。（时态不一致，初学者常见错误，假装糊涂，没有即时纠错，只是用疑惑语气重复“wants”，给学生留下思维的空间。）
3。设局探究：板书典型例句：①Mr Ouyang said I loved my students so much。②My math teacher said I am lazy and I will do better in math。笔者故意犯错，是为了吸引学生注意力，为进入探究间接引语做好铺垫。这一巧妙设局，学生却浑然不知，学习好且细心的学生纷纷举手指出“失误”。笔者感谢并表扬了学生，学生获得了满足感，积极性高涨，此时趁机抛砖引玉，让学生合作学习，探究、归纳直接引语转化成间接引语的规律变化。在笔者的提醒帮助下，经过探究，学生最后归结出：直接引语→间接引语：①人称要相应变化；②时态要变化一致（板书）。每一位学生说出几个例句，以加深对间接引语的理解巩固。对个别同学出现的.小错误，因不影响用间接引语表意，所以笔者故作糊涂，错而不纠。既保护了学生积极参与学习的热情，又使课堂教学更轻松、更流畅。
四、模糊处理某些教学冲突
在现实的课堂教学中，经常会出现个别学生扰乱课堂的意外“事故”。对于这些影响和谐课堂的“事故”，教师需要有足够的教学机智来进行处理，有时候要有意利用这些“事故”对学生进行德育教育切入，才能真正达到“顺学而导，因势而教”的“模糊”境界。有一次，在讲授Unit5时，突然Tom的课桌下面传出“滴，滴，滴……”的响声，互动打断……原来是Tom偷偷玩手机游戏时不小心弄出来的声音。全班愕然，纷纷用责怪的眼光盯着他。Tom涨红着脸，耷拉着头，很是尴尬紧张，气氛霎时凝固。Tom是一个爱面子且有逆反心理的学生，如果在课堂上当着全班同学的面批评他并没收手机，既中断了教学，又弄僵了师生关系，教育效果适得其反，为此，笔者故作一副若无其事的样子，走过去轻拿他的手暗示他来继续接龙。Tom这才晃过神来，老师并没当面批评他，如释重负，很是感激：If I have a mobile phone， I’ll say“sorry” to my teacher on the phone after class。笔者会心一笑，接着隐性地对他进行教育，既委婉批评了Tom的错误，又维护了他的面子，同时拉近了师生距离，和谐了师生关系，还巧妙地做到在“用中学”，“学以致用”中对学生进行德育切入。
当然，教育学生时“模糊处理”，并不是对学生缺点或错误的一味纵容，而是一种智慧，是对犯错孩子的宽容和爱护。让教师的爱更加深沉，更加崇高，寓教于乐，润物无声，用自己的智慧与亲和力，促进师生和谐，给力构建“轻负高质”的和谐课堂。“模糊处理”不是真糊涂，偶尔“模糊”，是一种明智，一种大气。教无定法，“授之以鱼不如授之以渔”，不要拘泥于教学形式，为了达到目的可以不按规则出牌，巧妙运用“糊涂”术，可以使教师在课堂教学中纵横捭阖，处理教学“事故”时游刃有余。必须清醒的是：实施“糊涂”教学，要大智若愚，心明如镜，做到 “糊涂”无痕，从而促进“糊涂”教学真正给力高质课堂。
参考文献：
[1]曾庆玉，陶谦。模糊理论在英语教学中的运用[J].教学与管理，,（27）。
模糊图像处理 篇3
摘要：为了解决高速铁路轨道表面缺陷机器视觉检测系统中采集图像的冗余问题，本文提出一种钢轨表面图像冗余信息的模糊匹配算法。该种算法首先采用竖直投影法提取钢轨表面区域；之后对钢轨表面区域进行预处理并二值化，得到缺陷的位置信息；然后通过感知哈希算法，得到钢轨表面缺陷的形态信息；最后计算缺陷的位置误差和形态相似度，基于模糊匹配算法，得到匹配结果。通过实验验证，该算法能有效识别系统图像中的冗余部分，准确率达到97.5%。
关键词：机器视觉；钢轨；表面缺陷；模糊匹配
中图分类号：U213.4 文献标识码：A
随着铁路列车的不断提速，重载列车和城市地铁轻轨运营的增加，对铁路安全性、可靠性的要求日渐提高。由于受到天气状况恶劣、负载过大、行车速度快等因素影响，钢轨表面容易产生各种类型的缺陷，常见的有疤痕、裂纹、波纹擦伤、褶皱、剥落等。如果不及时对钢轨进行维护和更换，会发展成内部缺陷，造成严重的列车事故。因此，钢轨表面缺陷检测对维护铁路系统的安全运行非常重要。
目前钢轨表面缺陷检测主要依靠有经验的铁道工人目测巡检。这种检测方法不仅效率低、危险性大，还受人为和天气因素影响。随着技术的进步，超声、磁感应、电涡流感应、机器视觉等无损检测技术不断出现，尤其是机器视觉检测技术，已有一些研究人员进行了相应的研究并取得了一定成果。湖南大学采用线扫描相机采集钢轨图像，应用数字图像技术对钢轨表面缺陷进行检测，检测效率高，实时性好。中国铁道科学研究院研究了一种鲁棒实时钢轨表面擦伤检测算法，检测性能较高、速度快。
但是，上述算法仅对缺陷的识别做出了相应研究，对检测系统在采集过程中可能出现的冗余问题没有关注。由于在铁路维护过程中，一段钢轨可能要多次检测，因此会造成钢轨图像的重复采集。在钢轨分段维护中，路段与路段连接处也可能存在冗余信息。
钢轨表面缺陷的检测系统均采用线扫描相机采集钢轨图像，线扫描相机分辨率高，图像数据量大。以本文采集系统为例，若每次检测1000km铁路线路将采集至少25万张图像。所以，在使用大容量存储设备的同时，为了减少钢轨缺陷检测和分析的运算量，增加单次检测的里程，需要减少冗余图像。
在检测系统中图像采集的开始里程由人工输入，而后续里程则通过图像的采集量由系统自动计算，因此图像的冗余会影响采集系统中里程信息的准确性。为了提高钢轨缺陷定位的精度，冗余信息的去除也是非常有必要的。
钢轨缺陷的检测结果是铁路部门制定铁路维护计划的主要参考数据以及铁路损伤相关研究的资料，冗余信息的出现可能会造成缺陷识别结果的重复，影响检测结果的准确性，给后续的工作和研究带来不必要的问题。
因此需要研究一种识别冗余信息的匹配算法，以达到去除冗余信息的目的。由于无缺陷的钢轨图像高度相似，因此钢轨特征信息非常少，基于灰度和梯度信息都很难识别冗余信息。针对钢轨图像的高度相似性，本文通过钢轨缺陷的位置和形态的特异性，提出了一种钢轨表面图像冗余信息的模糊匹配算法，实现了冗余图像的识别功能。
1 成像设备
成像系统由线扫描相机和镜头、光源、控制设备3部分组成。相机选用DSLSA Spyder3GigE Vision线扫描相机，分辨率为1024像素，线扫描频率最高为68kHz，通过千兆以太网接口将图像数据传输到工控机。镜头接口为C口，焦距为25mm，光圈可调。采用超高亮度LED条形光源，对称安装于相机两侧对钢轨进行照明，以减少外界光线影响，提高成像质量。在轨检车车轮上安装旋转编码器，利用编码器信号控制相机的采集频率。轨道检测实验车如图1（a）所示，成像系统如图1（b）所示。
2 模糊匹配算法
匹配算法是将成像系统采集的钢轨图像运用图像处理技术，得到两幅图像中缺陷的位置误差和相似度，通过模糊控制算法，得到匹配结果。由于普通钢轨表面图像的无差别性，只能根据钢轨表面的缺陷识别图像的冗余。体现钢轨缺陷特异性的因素主要有两个：位置和形态。
因为采集过程中图像受光线、震动、噪音等影响，在不同采集情况下采集的缺陷经过图像处理后提取的位置信息不尽相同，因此，仅采用缺陷的位置信息难以判断两缺陷是否相同。缺陷的形态学信息也存在这种问题。故本文采用模糊匹配算法，计算缺陷位置误差及形态相似度并作为模糊匹配算法的两个输入，既可以充分利用缺陷的位置和形态这两个特异性特征，又能弥补单个特征单独使用准确性不足的问题。
匹配算法流程图如图2所示。
匹配算法包括以下步骤：1）钢轨表面区域提取；2）图像预处理、二值化及形态学操作；3）缺陷形态信息和位置信息获取；4）位置误差和相似度计算；5）位置与相似度模糊匹配。
匹配算法步骤中钢轨效果图如图3所示。图中（a）为成像系统采集到的钢轨图像，图像大小为1024×1024；（b）为采用竖直投影法提取到的钢轨表面区域图像；（c）为图像预处理后的钢轨表面区域图像；（d）为二值化后钢轨表面区域图像；（e）为形态学操作后的钢轨表面区域图像。
2.1 钢轨表面区域提取
成像系统采集到的图像如图3（a）所示，钢轨表面区域只占据图像中央一部分，钢轨两侧有很多石子、道钉等干扰物体，这些物体的存在不利于后续处理。因此为了降低后续处理的难度，需要提取钢轨表面区域如图3（b）所示。通过观察，钢轨表面区域与两侧区域的灰度值有明显的差别，因此本文提出了竖直投影法（Vertical Projection，VP）提取钢轨表面区域，主要步骤如下：
1）逐列累加图像f（x，y）中各像素的灰度值，并计算均值，得到图像的各列灰度均值数组Avg（i），Avg（i）如图4所示。
2）统计全部图像的灰度均值Avg_mean。
3）Avg（i）数组二值化，将Avg（i）数组依次与灰度均值Avg_mean比较，大于Avg_mean设为1，小于Avg_mean设为0，得到数组Avg_Val（i）。
在Avg_Val（i）数组中找到第一个连续10个值都是1的点，该点便是钢轨表面图像开始的边缘点Begin_Point；在Avg_Val（i）数组Begin_Point之后找到第一个连续10个值都是0的点，该点便是钢轨表面图像结束的边缘点End_Point，截取钢轨图像Begin_Point列到End_Point列之间的图像即可得到钢轨表面区域图像f1（x，y）。得到的钢轨表面区域图像如图3（b）所示。
2.2 图像预处理、二值化及形态学操作
在钢轨图像的获取过程中，容易受到现场环境、相机质量等因素干扰而产生噪声，影响匹配结果，因此，对钢轨图像f1（x，y）进行3×1中值滤波。为了克服钢轨表面光线反射不均匀的缺点，采用局部零均值法图像增强，得到钢轨图像f2（x，y），如图3（c）所示。采用文献中提出的PEMCV法得到图像的最佳分割阈值T，对滤波及增强后的钢轨图像f2（x，y）进行二值化，得到二值图像f2（x，y），如图3（d）所示。
由于钢轨缺陷周围存在一些亮点噪声，影响位置信息的准确性，使用形态学操作可以去除这些噪声点，而操作过度会导致缺陷的某些结构信息被消除影响形态信息的准确性。经过实验验证，本文使用9×9的椭圆结构元素对二值图像。f3（x，y）进行形态学操作得到图像f4（x，y），如图3（e）所示。
2.3 缺陷形态信息和位置信息获取
由于图像的冗余，在系统中记录钢轨图像采集位置的里程信息将不再准确，但缺陷相对于钢轨两侧边缘的位置不会改变，不同缺陷的位置具有特异性。因此获取缺陷的外接矩形就能得到缺陷相对于钢轨两侧边缘的位置信息。
寻找二值图像f4（x，y）中缺陷的外接矩形，得到钢轨表面第m个缺陷的位置信息Pm（LX，RX，XW，YH），其中，LX为缺陷外接矩形的左侧行坐标，RX为缺陷外接矩形的右侧行坐标，XW为缺陷的宽度即缺陷所跨列数，YH为缺陷的高度即缺陷所跨行数。
通过感知哈希算法，可以得到缺陷的形态数组。感知哈希算法以其高效、快速的优点在图像识别中应用非常广泛。在图像采集过程中，当采集方向不同时，缺陷的图像会发生180°的翻转，因此计算形态数组时需要将缺陷图像翻转180°计算两次。
具体步骤如下：
1）截取缺陷外接矩形内的图像f5（x，y），并将图像归一化到8×8尺寸。
2）计算图像f5（x，y）的哈希值作为缺陷的形态数组Dm1，形态数组是一组64位0或1数组。
3）将图像f5（x，y）翻转180。得到图像f5（x，y）。
4）计算图像f5（x，y）的哈希值作为缺陷的形态数组Dm2。
在钢轨图像中，除缺陷外还有钢轨的缝隙，在缺陷的匹配中钢轨连接缝隙会对匹配结果产生影响，因此需要在匹配前将钢轨缝隙剔除。因为钢轨缝隙为横向细缝，而钢轨缺陷不存在横向擦伤，所以形态数组数值全为1的必是钢轨缝隙。得到缺陷形态数组后检查是否数值全为1，若存在数值全为1的数组，则剔除该缺陷。
2.4 位置误差和相似度计算
对比两个缺陷的位置信息可以得到这两个缺陷的位置误差。对于位置差别较大的缺陷，在求取位置误差之前通过计算缺陷的高度差和宽度差便可初步判断两缺陷是否为同一缺陷，对于高度差或宽度差较大的一组缺陷，匹配算法可以在此结束，以减少匹配步骤，提高效率。
取带有缺陷的两幅缺陷图像Def1和Def2，分别计算得到形态数组Dt1，Dt2，Do1，Do2，及位置信息R（LX，RX，XW，YH），P0（LX，RX，XW，YH）。通过位置信息的对比初步判断两个缺陷是否为同一缺陷；对有可能为同一缺陷的数据进行下一步计算，得到两个缺陷的位置误差和形态相似度。
若Ep>0.2，则Def1与Def2不是同一缺陷，否则计算Def1与Def2的形态相似度S。
3）计算Def1与Def2的形态相似度S。
步骤a：统计形态数组Dt1与Do1中不同位的个数n1。
步骤b：计算Def1与Def2的形态相似度S1，相似度计算公式如下所示：
步骤c：统计形态数组Dt1与Do2中不同位的个数n2，根据公式（4）计算Def1与Def2的形态相似度S2。
步骤d：取S1和S2的最大值为S，若S<0.8则说明Def1与Def2不可能为同一缺陷。
2.5 位置与相似度模糊匹配
模糊匹配算法的输入量为钢轨表面缺陷的位置误差Ep及相似度s，语言模糊子集为{大（L），中（M），小（P）}，位置误差的论域为[0，0.2]，相似度的论域为[0.8，1]。隶属度函数如公式（5）和（6）所示。模糊控制器的输出量为匹配结果，用U表示，模糊子集为{是（Y），否（N）}，由于本算法的匹配结果为是和否两个离散量，因此模糊输出变量不需要反模糊化，N表示实时获取缺陷与已存储缺陷不是同一缺陷，Y表示实时获取缺陷与已存储缺陷是同一缺陷。
模糊逻辑推理规则的结构为：If Sand Ep thenU。当缺陷的位置误差较大时，表明这组缺陷根据位置信息判断为同一缺陷的概率较小，因此只有当相似度也很大时，这组缺陷才可能是同一缺陷。当缺陷位置误差较小时，表明这组缺陷根据位置信息判断为同一缺陷的概率较大，因此只要相似度不是很小，这组缺陷就很有可能是同一缺陷。得到模糊规则如表1所示。
3 实验结果与分析
本文选取了40组带有疤痕缺陷的图像，其中，相同缺陷和不同缺陷的图像各占一半。实验数据如表2所示，表2中1～20组数据为相同缺陷的图像得到的数据，21～40组数据为不同缺陷的图像得到的数据。实验图像举例如图5所示。
由表2中实验数据可知：大部分相同缺陷的位置误差在0.05以下，相似度在0.95以上，如图5（a）所示。大部分不同缺陷的位置误差在0.2以上，相似度在0.8以下，如图5（b）所示。不同缺陷图像第39组位置误差较小，而且相似度较高导致匹配出现错误，这是因为感知哈希算法只保留了图像的低频信息，去除了高频的细节信息，当遇到形状结构相似的两个缺陷时，容易得到一个较高的相似度。
实验结果如表3所示。
实验表明：在实验的图像中，相同缺陷的图像全部被检出，而不同缺陷的图像有一组被检测，说明本文算法对于相同缺陷的冗余图像有很高的检出率，对不同缺陷的图像有一定的误检率。本文算法准确率为97.5%，能有效识别出钢轨图像中的冗余部分，而且误检率和漏检率较低，分别为5%和0%。
4 结论
模糊图像处理 篇4
1 运动模糊参数的辨识
1. 1 运动方向的辨识
变速、非直线运动模糊在一定条件下可以转化为分段匀速直线运动模糊,为方便起见,本文研究内容只针对匀速直线运动模糊,其数学模型可表示为[9]:
式( 1) 中f( x,y) 代表清晰图像; h( x,y) 代表退化函数,也被称为点扩散函数( PSF) ; n( x,y) 代表噪声;·表示卷积,g( x,y) 代表拍摄的运动模糊图像。在相机曝光时间T内,运动模糊在角度 θ 上移动像素λ 的点扩散函数为[8]
式( 2) 可以看出,h( x,y) 取决于运动方向和运动模糊长度,当已知运动方向时,则可利用已知的运动方向来旋转图像,把运动模糊旋转到水平方向,那么可认为运动模糊为水平匀速直线运动模糊,其点扩散函数[10]( PSF) 可表示为
对式( 3) 作傅里叶变换,得到其频域上的表达式。
式( 4) 中点扩散函数( PSF) 的傅里叶变换如下。
可以看出得到的H( u,v) 是一个sinc函数,对应在频域图上会出现一组平行暗条纹。除了中心暗条纹外,其他暗条纹都是等间距的,且运动方向与暗条纹的方向垂直,所以可以通过暗条纹方向来检测运动的方向。本文采用Radon变换来检测运动的方向。图1 为运动模糊图像及其频谱图。
从图1 中可以看出文中分析的暗条纹,为了使暗条纹更加清晰,对图1 进一步处理,即灰度直方图均匀化,如图2( a) 。Radon变换是对亮条纹来做估计的,所以必须对图2( a) 做反色处理,如图2( b) 。
图2( b) 边缘都是亮色,对Radon变换有干扰,为了克服边缘亮色对Radon变换的干扰,截取图2( b) 中间部分。具体方法如下: 图2( b) 可以用矩阵表示为: A,获取A的行数、列数: a、b。为了更好地辨识运动方向,截取图像如图3(a)。对图3(a)进行0°~180°Radon变换,Radon变换的最大值对应垂直于横轴的θ值就是运动方向θ。在图3(b)中可以看出需要检测的振动方向θ,其值为60°。
1. 2 运动模糊尺度的辨识
式( 3) 中可以看出运动模糊长度与点扩散函数( PSF) 密切相关,则运动模糊长度与其频谱上的暗条纹间距也密切相关。因此,根据图像的大小对式( 5) 进行离散化( 假设图像有N行) ,其表达式如下。
令H( u) = 0,则有现假设有2 两个对应频谱图上暗条纹连续的零点u0、u1,则化简可得令D = u1-u0,则可得到关系式( 7) 。
从式( 7) 可以看出,运动模糊长度 λ 可以通过运动模糊图像的行数N除以运动模糊图像频域图中暗条纹间距D得到。
文献[4]中利用中心暗条纹来计算运动模糊长度( 中心暗条纹间距是2D) ,显然只用一组暗条纹间距来计算运动模糊长度是不够精确的。本文针对其不足,利用模糊图像频谱图上所有的暗条纹来计算运动模糊长度。具体做法如下。
第一步: 利用得到的运动方向 θ,将频谱图顺时针旋转 θ 至水平方向。
第二步: 对旋转后的图像进行水平投影,得到水平投影图。
第三步: 在投影图中搜索对应暗条纹的确切极小值点ui( i = 0,1,…) 。
第四步: 利用极小值点计算暗条纹间距,在根据式( 7) 计算运动模糊长度。
对图2( b) 进行测试,第一步将图像旋转 θ 至水平方向得到图4( a) ,第二步将图像像素按列累加到水平方向上得到投影图如图4( b) ,第三步在投影图上搜索对应暗条纹的极小值点ui( i = 0,1,…) 如图4( c) 。第四步计算得到的极小值点之间的像素距离( 中心暗纹间距是2D) ,求取平均值,再利用式( 7) 计算运动模糊长度。
通过图4( c) 中对应暗条纹的极小值点,可以获取暗条纹的间距,列于表1 中。
对表1 中不同暗条纹得到的间距求取平均值( 其中u3u4为2 倍暗条纹间距) ,得到结果为:15. 875,图像行数N = 256,结合式( 7) 计算得到运动模糊长度 λ 约为16. 13,λ 的真实值为16,测量误差不到1个像素,表明按本方法测量运动模糊尺度十分精确。
2 运动模糊图像恢复
相机曝光时间内运动如图5 所示,在曝光过程中,第i行图像的运动形式为AiBi,运动量为di,第i + 1行图像振动形式为Ai + 1Bi + 1,运动量为di + 1。第i行和第i + 1 行有很长一段是重复的,因此在成像过程中每行图像会受相邻图像的影响,为了更好地恢复运动模糊图像采用考虑相邻图像影响的逐行恢复算法来恢复运动模糊图像。
于是对式( 1) 去噪后,分解为
式( 8) 中i代表第i图像; h( x,y) 代表点扩散函数,在进行退化逆过程反卷积运算即可得到第i复原图像,逐行求取之后得到整幅清晰图像。具体做法如下: 以要恢复的第i行图像为中心,上下各取 λ 行( λ 即为运动模糊尺度) ,将所选定的图像范围用h( x,y) 来恢复,恢复后再取图像的中间行作为复原图像的第i行。重复此步骤,依次获取每行复原图像。这样做不仅克服了恢复过程中边界处的振铃效应,同时提高图像的恢复质量,突出了图像的细节特征。
3 实验
本实验采用Adept MobileRobots公司的Pioneer3 mobilerobot和灰点公司的FL3 - GE - 03S2C -C相机( 图像像素为648 × 488,像素尺寸为7. 4μm × 7. 4 μm,帧频和曝光时间分别为82FPS、1 s,镜头焦距为8 mm) 搭建实验平台。算法编译环境为matlab 2014a。
为了验证本文算法有效性,利用实验平台[图6( a) ]分别采集清晰图像、水平匀速直线运动模糊图像以及任意运动方向的匀速直线运动模糊图像。图6( b) 为清晰图像,图6( c) 为水平运动模糊图像,图6 ( d) 为任意运动方向的模糊图像。
分别应用文献[2]、文献[3]、文献[5]以及本文算法对水平匀速直线运动模糊图像以及任意运动方向匀速直线模糊图像进行图像复原。
图7 为水平匀速直线运动模糊图像恢复结果。图7( a) 为文献[2]算法恢复结果,图7( b) 为文献[3]算法恢复结果,图7( c) 为文献[5]算法恢复结果,图7( d) 为本文算法恢复结果。
图8 为任意运动方向匀速直线运动模糊图像恢复结果。图8( a) 为文献[2]算法恢复结果,图8( b)为文献[3]算法恢复结果,图8( c) 为文献[5]算法恢复结果,图8( d) 为本文算法恢复结果。
为了客观上评价本文算法恢复图像的有效性,运用均方差( MSE) 和峰值信噪比( PSNR) 作为评价图像质量的指标[11]。分别计算两组实验不同算法恢复图像MSE和PSNR的值,并将水平匀速直线运动模糊图像恢复图像的MSE和PSNR值列于表2中,任意运动方向模糊图像恢复图像的MSE和PSNR值列于表3 中。
从表2 和表3 中的数据看出,本文算法恢复图像的品质优于其他算法,本文算法获取的恢复图像更加清晰、品质更高。
4 结论
针对相机曝光时间内,相机与拍摄目标存在相对运动会造成图像运动模糊,在辨识运动模糊参数的基础上,提出了一种逐行法来恢复运动模糊图像。实验表明,本文算法辨识运动模糊尺度十分精确,误差在一个像素以内; 应用本文算法恢复运动模糊图像效果优异,能够得到细节清晰、品质更好的恢复图像。本文算法适用于不同形式的运动模糊图像。
参考文献
[1]彭青建.运动模糊图像复原算法研究.成都:电子科技大学,2010Peng Qingjian.Study of motion blurred image restoration algorithm.Chengdu:University of Electronic Science and Technology of China,2010
[2]王秋云,王轶群.基于Lucy-Richardson算法的运动模糊图像复原研究.自动化与仪器仪表,2013;(02):13-14Wang Q Y,Wang Y Q.Research on restoration of motion blurred image based on Lucy-Rechardson algorithm.Automation and Instrument,2013;(02):13-14
[3]何蕾,檀结庆,张平.一种改进的最小二乘正则化的图像复原方法.计算机工程与应用,2008;44(1):63-65He L,Tan J Q,Zhang P.Improved method for image restoration based on least-squares and regularization.Computer Engineering and Applications,2008;44(1):63-65
[4]加春燕.运动模糊图像运动长度的频谱估计法.北京工业职业技术学院学报.2015;14(1):51-54Jia Chunyan.Estimation of the blur length for motion-blurred image based on spectral analysis.Journal of Beijing Polytechnic College,2015;14(1):51-54
[5]邹文洁.一种新的基于倒谱法和Richardson-Lucy算法的运动图像盲复原方法.南华大学学报(自然科学版),2010;24(2):61-67Zou W J.A new method of blind restoration of motion image based on cepstrum method and algorithm of Rechardson-Lucy.Journal of University of South China(Science and Technology),2010;24(2):61-67
[6]韩礼,张力军,蔡洪,等.基于维纳滤波的运动模糊星图复原仿真分析.光学技术,2014;40(4):316-317Han L,Zhang L J,Cai H,et al.Simulation analysis on star image restoration of motion blur based on Wiener filtering.Optical Technique,2014;40(4):316-317
[7]陈至坤,逄鹏,王福斌,等.改进逐行法恢复空间移变振动降质图像.科学技术与工程,2014;14(26):104-107Chen Z K,Pang P,Wang F B,et al.Improved line-by-line method to restore space variant degared image of vibration.Science Technology and Engineeing,2014;26(14):104-107
[8]贤光,颜昌翔,张新洁.运动模糊图像点扩散函数的频谱估计法.液晶与显示,2014;5(29):751-754Xian G,Yan C X,Zhang X J.Motion-blurred image point spread function estimation method based on spectral analysis.Chinese Journal of Liquid Crystals and Displays,2004;29(5):751-754
[9] Preey S W,Guan L.Weight assignment for adaptive image restoration by neural network.IEEE Trans Neural Networks,2000;11(1):156-170
[10] Dhanasekar B,Ramamoorthy B.Restoration of blurred images for surface roughness evaluation using machine vision.Tribology International,2010;43(1-2):268-276
模糊图像处理 篇5
基于粒子群算法的污水处理模糊控制研究
为提高污水处理系统的控制性能,提出了基于粒子群优化(PSO)算法的`污水处理模糊控制设计方法,即应用PSO算法全局优化模糊控制器的ka、kb、ku参数和控制规则,提高模糊控制器的控制性能和效果.仿真结果表明,基于PSO算法的模糊控制应用于污水处理需氧量(COD)的控制中,能使COD快速地准确达到期望的要求和较高的控制精度,污水处理性能得到了较大提高.
作 者：乔维德 QIAO Wei-de 作者单位：常州市广播电视大学,江苏,常州,213001 刊 名：水科学与工程技术 英文刊名：WATER SCIENCES AND ENGINEERING TECHNOLOGY 年，卷(期)：2009 “”(6) 分类号：X703.1 关键词：污水处理 粒子群算法 模糊控制 优化模糊图像处理 篇6
关键词：高斯噪声；模糊滤波；直方图
中图分类号：TP301.6 文献标识码：A
1 引 言.
图像在其形成、传输、变换以及终端处理中，经常会受到各种噪声的干扰而降质。随着人们对图像的需求日益增加，对图像质量的要求也越来越高，为了满足人们的要求，对图像进行滤波就显得尤为重要[1-3]。高斯噪声是其中一种重要的噪声类型，其服从高斯分布，特点是密度大、噪声强度的波动范围宽，受高斯噪声污染的图像不仅每一个像素灰度级都会受影响，而且即使是同一灰度级受污染的程度也会不同[4-5]。传统的滤波算法中，均值滤波是常用的去除高斯噪声的滤波方法，其本质是一种低通滤波的方法，在消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[6]，而且算法中用局部窗口内各像素灰度的算术平均值替换中心像素灰度值，没有充分利用图像各像素间的相关性和像素的位置信息。近年来大量学者基于均值滤波存在的不足，提出许多改进方法其中有改进的加权均值滤波算法[7]，算法采用局部阈值优化的方法计算各像素点的权值，将滤波窗口各像素点的灰度值与对应的权值进行加权运算，结果作为窗口中心点的滤波输出；自适应加权均值滤波算法[8]，根据像素间的相关性通过一个分段函数确定权值，根据不同的权值确定中心点像素值。这些算法都一定程度解决了均值滤波没有充分利用像素间相关性的不足。自从1965年美国加里福尼亚大学的控制论专家L. A.扎德教授提出模糊数学以来，模糊技术被广泛地应用于各个领域，模糊滤波算法在去除噪声和保护图像细节这对固有的矛盾上表现出越来越好的效果。其中有模糊加权均值滤波算法[2]，根据像素间的相关性和位置信息指定模糊规则从而确定加权系数，该算法要求知道原期望图像，但在多数情况下，我们是很难得到原期望图像的。文献[9]提出算法在有效去除椒盐噪声的前提下，根据图像直方图确定模糊隶属度函数的阀值，从而实现混合噪声下的模糊滤波；一种新型的模糊滤波算法[10]，根据模糊推理系统确定加权因子。根据以上滤波算法，本文提出了基于图像受噪程度的改进模糊加权均值滤波算法，此算法在不需要期望图像和高斯噪声方差的情况下能有效地去除噪声，并且能够很好地保护图像的的细节信息。
2 基于图像受噪程度的改进模糊加权均值滤波算法
为叙述方便，考虑如下两幅lena图，其中一幅为不含噪声图像，另一幅为含方差为0，均值为0.05的高斯噪声图像，如下所示。
2.1 估计原图像灰度直方图
根据高斯噪声密度大、噪声强度的波动范围宽，且受高斯噪声污染的图像不仅每个像素级都会受影响而且即使是同一灰度级受噪声污染的程度也有很大差异的特点，根据像素间相关性提出了基于受噪程度的灰度直方图估计方法。
采用3*3的滤波窗口，根据下式
求出各个像素点的受噪程度ρ（i，j），为方便计算，ρ（i，j）均为百分值，其中y（i，j）为3*3滤波窗口的中间值，y（i+k，j+l）为其领域值其中k，l=1，2，3。根据得到的各个像素点的受噪程度ρ（i，j）和原噪声图像像素点灰度值y（i，j），可以得到原不含噪声图像各个像素点的估计灰度值，公式如下
2.2 建立模糊隶属度函数
根据式（2）得到的像素值做出首次滤波后图像的估计灰度直方图3和第一次滤波后图5，为分析估计直方图的有效性我们做出原不含噪声直方图4，如下图所示从图可以看出，两个直方图形状上大体相似，但是图3中灰度值为0及其附近灰度值像素点的个数明显增多而且在255个灰度级中出现了很多个数小于100的像素点。所以决定采用模糊滤波对图像进行第二次滤波。由于在现实情况下，我们多数是不能明确知道原不含噪声图像的直方图的，所以根据估计的直方图，建立模糊隶属度函数实现第二次滤波。由图3可以看出，其图像与高斯函数的图形大体相似，于是我们可以利用其灰度级为论域建立模糊子集，并在每个模糊子集上定义一个隶属度函数来表达其模糊属性。根据图3的形状和高斯函数的图形特点，将图像按灰度值0—50、51—100、101—250分成3部分，不同的图像根据直方图形状不同，所分区间会有所不同，对这3部分均采用高斯曲线形的函数为其隶属度函数，数学表达式为
f（x）=exp-（x-μ）22σ2（3）
其中μ为高斯函数的均值，σ为其方差。根据图3确定出函数中的参数，使隶属度函数更接近直方图的形状，其步骤如下
1.根据直方图将图像按灰度值0—50、51—100、101—250分成3部分。
2.根据高斯函数的特点，当自变量等于其均值μ1时，函数值达到最大。由其统计特点取σ=μ/3。在第一部分中求出使灰度值函数达到最大的灰度值g1，使得μ1
3.在第二部分中按同样的方法求出g2，使μ2=g2，然后在μ1和μ2之间求出使灰度值函数达到最小的灰度值gmin，使得σ2=|μ24.在第三部分求g3，并令μ3=g3，σ3=（255-μ3）/3。
5.将上述3部分合并为一个模糊隶属度函数，用f（x（i，j））表示。
2.3 改进模糊加权均值滤波
根据第一次滤波后图5可以看出，图像已有较好的滤波效果只是多出了许多黑点，这是因为直方图中增多的0及其附近灰度值的像素点，而数量小于100的像素点是在利用受噪程度估计原不受噪声图像时产生的很小的误差，在图像中不会显现出来。所以我们主要处理直方图中增多的0及其附近灰度值的像素点，不同的图像会有差别，这里我们根据两个直方图选择灰度值小于或等于25的像素点进行模糊加权平均滤波。由此，可得出基于图像受噪程度的改进模糊加权均值滤波的算法步骤如下endprint
1.选取3*3的滤波窗口，找出窗口中的中值和其领域值。
2.利用式（1）求出各个像素点的受噪程度ρ（i，j）
3.根据受噪程度和原噪声图像由式（2）得到第一次滤波后图像和估计的灰度直方图。
4.根据得到的估计灰度直方图求出模糊隶属度函数式f（x（i，j）），计算出加权系数。
5.找出第一次滤波后图像中灰度值小于或者等于25的像素点。
6.采用3*3的滤波窗口根据式（4）对这些像素点进行模糊加权均值滤波，其公式为
其中，x（i，j），y（i，j），ω（i，j）分别为原含噪声图像、滤波后图像、加权系数。
2.4 图像滤波实验结果及分析
为验证本文提出滤波算法的有效性，用MATLAB对其进行仿真。选用具有256灰度级的222*208像素的标准Lena图像和256灰度级的256*256的Cameraman图像作为实验图像。实验时，对原图像加上均值为0，方差分别为0.005，0.01，0.05的高斯噪声，选用3*3的滤波窗口，分别采用均值滤波和本文提出的基于图像受噪程度的改进模糊加权均值滤波对含不同方差的噪声图像进行滤波。如图1为原不含噪声图像，图2为均值为0，方差为0.05的含高斯噪声图像，图6为模糊加权均值滤波图，图7为Lena图像基于本文算法与均值滤波算法效果对比图，图8为Cameraman图像基于本文算法与均值滤波算法效果对比图。为进一步验证本文提出的滤波算法的有效性，分别给出了以上各种滤波算法针对不同等级的高斯噪声的峰值信噪比（PSNR）滤波性能指标数据，如表1。PSNR的计算公式如下
PSNR=10log 10∑Mi=1∑Nj=12552∑Mi=1∑Nj=1（h（i，j）-f（i，j））2 （5）
其中：图像大小为M*N，h（i，j）为原始图像像素点的灰度值；f（i，j）为噪声图像滤波后图像像素点灰度值。
表1中通过改变噪声中的方差并将三种滤波算法的PSNR值进行对比，可以看出本文提出的基于图像受噪程度的改进模糊加权均值滤波算法即使在噪声等级较高的情况依然可以在很好去除噪声的同时保护图像的细节，具有更好的滤波效果，显示了较好的鲁棒性。
3 结 论
基于传统均值滤波算法不仅会使图像模糊而且不能充分的利用图像中各个像素间的相关性及空间位置信息的不足，本文提出了基于图像受噪程度的改进模糊加权均值滤波算法。其算法是根据图像各个像素的受噪程度得到第一次滤波后图像和估计直方图，然后由估计直方图得出模糊隶属度函数作为模糊加权均值滤波算法的加权系数，最后对第一次滤波后的图像中小于或等于25的像素点进行模糊加权均值滤波，得到的最终滤波图像在很好的去除高斯噪声的前提下，保护了图像细节。通过表1可以看出此算法对方差较大的高斯噪声同样具有很好的滤波效果，证明了此滤波算法的可行性。
参考文献
[1] 张昊慧.改进的基于中值滤波喝小波变换的图像降噪方法[J].2012，31（20）：51-53.
[2] 陈大力.图像模糊滤波算法的对比研究与改进[D].沈阳：东北大学，2005.
[3] 卢京晶，方中华，孙胜利.一种自适应的加权均值滤波器[J].传感技术学报，2005，18（4）：880-882..
[4] 张铮，王艳平，薛桂香.数字图像处理与机器视觉[M]——Visual C++与MATLAB实现[M].北京：人民邮电出版社，2010.
[5] 王建勇，周晓光，廖启征.一种有效的混合噪声滤波算法[J].信息技术.2005，29（11）：48-50.
[6] 朱士虎，游春霞.一种改进的均值滤波算法[J].计算机应用与软件.2013，30（12）：97-100.
[7] 沈德海，候建，鄂旭，等.一种改进的加权均值滤波算法 [J].现代电子技术.2015，38（10）： 1-3.
[8] KANG J Y，MIN L Q，LUAN Q X. Novel modified fuzzy cmeans algorithm with applications[J].Digital Signal Processing，2009，19（2） ： 309-319.
[9] 张燕，严勇杰.一种改进滤波算法在图像处理中的应用 [J].信息化研究.2015，41（2）：53-56.
模糊图像恢复的算法研究 篇7
图像去模糊是图像处理中的基本问题, 在成像系统中, 引起图像退化的原因有很多。例如噪声的影响, 就是引起图像降质的主要原因之一, 但另一个主要原因就是在成像系统的散焦, 成像设备与物体的相对运动, 成像器材的固有缺陷或外部干扰等过程中成像产生了模糊。本文主要针对图像恢复中的模糊情况, 对运动模糊图像去模糊的算法进行介绍与研究。
二、算法描述
1.首先对运动模糊图像进行平滑处理, 通过傅里叶变换把模糊图像变换到频域上进行处理, 对其傅里叶变换后的图像采用canny边缘提取对图像进行平滑滤波。
Canny边缘检测器是高斯函数的一阶导数, 是对信噪比与定位之乘积的最优化逼近算子。在Canny法中, 通过两个阈值来分别检测强边缘和弱边缘;当且仅当弱边缘与强边缘连接时, 弱边缘才被在输出。Canny法不容易受噪声干扰, 能够在噪声和边缘检测之间取得较好的平衡, 能够检测到真正的弱边缘。Canny边缘检测算法:
Step1:用高斯滤波器平滑图象;
高斯低通滤波器传递函数为:
其中, σ为标准偏差。通过令σ=D0, 我们可以根据截止参数D0得到表达式:
当D (u, v) =D0时, 滤波器由最大值1将为0.607。
Step2:用有限的一阶偏导差分来计算梯度的幅值和方向;
梯度矢量为:
用分解的方法提高速度, 把∇G的2个滤波卷积模板分解为2个一维的行列滤波器:
其中, k为常数, σ为高斯滤波器参数, 它控制着平滑程度。对于σ小的滤波器, 虽然定位精度高, 但信噪比低;σ大的情况则相反, 因此要根据需要适当的选取高斯低通滤波器参数σ。这里D0经过反复试验得出D0=85时, 效果较好。
Step3:对梯度幅值进行非极大值抑制;
仅仅得到全局的梯度并不足以确定边缘, 因此为确定边缘, 必须保留局部梯度最大的点, 而抑制非极大值。
解决方法:利用梯度的方向。
四个扇区的标号为0到3, 对应3*3邻域的四种可能组合。在每一点上, 邻域的中心象素M与沿着梯度线的两个象素相比。如果M的梯度值不比沿梯度线的两个相邻象素梯度值大, 则令M=0。即:
Step4:阈值化
减少假边缘段数量的典型方法是对N[i, j]使用一个阈值。将低于阈值的所有值赋零值。
解决方法:1.双阈值算法。双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2, 且2τ1≈τ2, 从而可以得到两个阈值边缘图象N1[i, j]和N2[i, j]。由于N2[i, j]使用高阈值得到, 因而含有很少的假边缘, 但有间断 (不闭合) 。双阈值法要在N2[i, j]中把边缘连接成轮廓, 当到达轮廓的端点时, 该算法就在N1[i, j]的8邻点位置寻找可以连接到轮廓上的边缘, 这样, 算法不断地在N1[i, j]中收集边缘, 直到将N2[i, j]连接起来为止。
2.将平滑后的图像转化为二值图后进行hough变换, 这样可以很大程度提高模糊方向的准确估计, 提高图像还原的质量进行hough变换, 根据hough变换原理提取最大峰值, 之后旋转90度, 得到模糊图像方向的估计值。
3.利用步骤2估计的模糊参数psf, 采用最小二乘法对图像进行恢复。
三、仿真结果与分析
根据上面所提算法, 利用MATLAB软件对其进行仿真。仿真采用的原图为128*128的tire.tif图片, 并在原始图像中加入模糊方向为75度, 模糊尺度20个像素的运动模糊参数。如图2所示:
本文所提算法是基于Canny边缘提取的Hough变换对运动模糊图像进行恢复的。Canny算子边缘算法是寻找图像梯度的局部极大值, 梯度是用高斯低通函数的一节微分来计算的。Hough变换是用来在图像中查找直线的, 通过其对Canny提取出的边缘查找直线, 而这个直线的斜向方向就是运动模糊图像的模糊方向, 从而可以通过估计出的糊方向值对模糊图像进行最小二乘法恢复。得出的结论是:从仿真图像看出此方法在对高强度的运动模糊图像恢复取得了较好的效果。M=0 N
摘要：图像的恢复就是去除图像中的噪声, 是图像处理当中很重要的环节。本文采用Canny理论的边缘提取对模糊图像进行平滑滤波, 然后对处理后的图像进行hough变换来提取最大峰值, 从而估计出模糊方向值, 实验结果表明取得了较好的效果.
关键词：图像恢复,运动模糊图像,边缘检测
参考文献
[1]阮秋琦.数字图像处理 (matlab版) .北京:电子工业出版社, 2005:94, 319-320
[2]章毓晋.图像处理和分析.北京:清华大学出版社, 2004:84-85
[3]高成.matlab图像处理与应用 (第二版) .北京:国防工业出版社, 2007:172-173
运动模糊图像复原算法研究 篇8
关键词：运动模糊,图像滤波,图像复原
0 引言
随着多媒体技术的迅猛发展,图像与我们的生活的联系越来越紧密。在日常生活中,照相机已经成为我们生活中的一部分。但是由于图像的质量会受到大气中噪声的影响,以及在拍摄过程中,相机的抖动、焦距失焦以及拍摄对象的运动等均可能造成图像质量的下降,而在一些重要的应用中,对图像质量的要求又很高,图像复原技术便应运而生。
1 维纳滤波图像复原
1.1 维纳滤波原理
维纳滤波[1](wiener)综合了退化函数和噪声统计特征两个方面进行复原处理。方法是寻找一个滤波器,使得复原后的图像f(x,y)与原始图像f(x,y)的均方误差最小即:
其中E[·]是数学期望算子。这里假定:噪声和图像不相关,其中一个有零均值,估计的灰度级是退化图像灰度级的线性函数。在这些条件下,上式中误差函数的最小值在频域中用下式计算:
这里,应用了这样一个事实:一个复数量与它的共轭的乘积等于复数量幅度的平方。这个结果就是维纳滤波,由括号里边的项组成的滤波器通常叫做最小均方误差滤波器。上式中各项说明如下。
H(u,υ):退化函数
G(u,υ):退化函数的傅里叶变换
H*(u,υ):H(u,υ)的复共轭
Sη(u,υ)=|N(u,υ)|2:噪声的功率谱
Sf(u,υ)=|F(u,υ)|2:原始图像的功率谱
1.2 维纳滤波优缺点
维纳滤波器的优点是适应面较广,无论平稳随机过程是连续的还是离散的,是标量的还是向量的,都可应用。对某些问题,还可求出滤波器传递函数的显式解,并进而采用由简单的物理元件组成的网络构成维纳滤波器。维纳滤波器的缺点是,要求得到半无限时间区间内的全部观察数据的条件很难满足,同时它也不能用于噪声为非平稳的随机过程的情况,对于向量情况应用也不方便。
1.3 维纳滤波实验结果
将一幅清晰图像与点扩散函数进行卷积,可以得到人工模糊的图像。在恢复人工模糊图像的时候,可以得到相对较好的恢复结果。为了验证Wiener滤波图像复原结果,分别对其加载(40,30)的运动模糊。
虽然Wiener滤波能在一定程度上复原得到原始的清晰图像,但也存在着缺点。因为维纳滤波采用均方误差准则复原图像,而均方误差准则对所有误差,不管其在图像中的位置如何,都会赋以同样的权值。但是人眼对高梯度区域和暗处的误差比其他区域的误差具有较大的容忍性。由于使MSE最小化,Wiener滤波器以一种并非最适合人眼的方式对图像进行了平滑。
2 Lucy—Richardson滤波复原法
2.1 Lucy—Richardson滤波复原原理
Lucy-Richardson算法[2]是目前应用最广泛的图像复原技术之一,它是一种迭代的方法。利用加速收敛的Lucy-Richardson算法对图像进行恢复,算法能够按照泊松噪声统计标准求出与给定PSF卷积后最有可能成为输入模糊图像的图像。当PSF己知而图像噪声信息未知时,也可以采用此算法进行有效的恢复。本方法由于迭代产生的噪声放大,是这类最大可能性数据逼近法的常见问题。在低信噪比条件下,恢复图像可能会出现一些斑点,这些斑点不代表图像上的真实信息,而是恢复图像过于逼近噪声所产生的结果。所以适当地选择迭代次数对图像的恢复很重要。
Lucy-Richardson算法也称为L-R算法,它是从最大似然公式中引出来的,在这种方法中,图像是用泊松统计加以模型化的。Lucy-Richardson算法的原理可用下面的公式3来表示
公式(3)是一次迭代的过程,其中∩f(m,n)是迭代的上一次结果,当第一次迭代的时候,这个值可以取初始输入的模糊图像g(m,n),h(-m,-n)可以用h(HX-m,HY-n)来表示,其中HX和HY分别表示系统函数的高度和宽度,公式中的所有乘均为矩阵点乘,卷积为二维的卷积,卷积尺寸控制为图像的尺寸。如果将上面的结果迭代多次,那么我们最终可以选择较好的结果图像作为最终的输出图像。
2.2 Lucy—Richardson滤波复原实验结果
3 图像评价
通过MAE,MSE,NMSE,SNR,PSNR等参数对原始图像和复原图像进行比较,对复原图像做出客观评价。
由表1知,在无噪声条件下维纳滤波复原的效果比Lucy-Richardson复原效果更好一些。
4 结论
文章从理论对运动模糊图像的恢复工作进行了较为深入的研究和讨论。通过两种算法实现了运动模糊图像的复原算法。算法设计简单,实用性好,广泛应用于工业控制、道路监控、军事、医学以及刑侦等领域。
参考文献
[1]吴淑艳.运动模糊图像复原算法研究[D].上海:上海师范大学,2009.
车辆运动模糊图像复原方法 篇9
在实际环境中,摄像机获取的车辆图像,由于车辆和摄像机之间的相对运动,往往造成图像模糊。为了有效地利用这些图像,需要对运动模糊图像进行复原,从而得到可视效果较好的图像。模糊图像复原的常用方法是维纳滤波[1,2],参数估计是模糊图像复原的关键,文献[3]采用人工方法选取维纳滤波中的噪信功率比参数。文献[4]使用图像空间梯度方法估计点扩展函数的长度参数。文献[5]对运动模糊图像的频谱进行累加增强,然后利用观察,估计点扩展函数长度参数。
笔者研究了1种运动模糊图像复原方法,采用维纳滤波进行复原,使用误差-参数分析法估计点扩展函数的长度参数,基于概率统计的方法估计噪声参数,并对振铃效应进行处理,实验结果表明,该方法在信噪比较低的情况下仍能准确地估计模糊长度参数,对噪信功率比参数具有较强的鲁棒性,对运动模糊图像具有较好的复原效果。
1 图像复原建模
1.1 图像降质与复原模型
运动模糊图像降质模型可以描述为:
式中:f(x,y)为原始图像;g(x,y)为模糊图像;h(x,y)为点扩展函数;n(x,y)为加性噪声。
式(2)为式(1)在频域中的表达式,大写字母为相应原函数的傅里叶变换。
使用维纳滤波进行图像复原的频域模型为:
式中:|H(u,v)|2=H*(u,v)H(u,v),H*(u,v)为H(u,v)的复共轭。Sn(u,v)为噪声功率谱,Sf(u,v)为未退化图像功率谱。
1.2 点扩展函数参数估计
运动模糊的点扩展函数可以表示为:
式(4)为1个水平方向运动模糊的点扩展函数,d是运动模糊长度。若运动模糊的方向不在水平方向,则可通过坐标变换转换到水平方向。
本文采用误差-参数分析法[6]辩识点扩展函数,该方法在观测图像的信噪比较低、运动模糊长度较大时也可得到较好的估计效果。误差-参数分析法利用误差度量E估计参数d,其步骤如下:
1) 选定1个长度参数搜索范围,用长度初始值d0、步长Δd和搜索步数k来表示。
2) 由参数d产生点扩展函数h,实施复原算法,依据h和观测图像g决定复原图像的估计值f′。计算复原误差e=‖g-f′×h‖2或频域误差E=‖G-F′H‖2。
3)作出E-d曲线,曲线在d的真实值附近的变化率将显著变小,由此估计点扩展函数的参数d值,并获得相应的点扩展函数。
为了能得到较为准确的估计值,常设定几个不同的信噪比参数,以获得多条曲线,从而便于曲线的分析和观察。在估计点扩展函数的参数d时,常取E-d曲线中较平缓的位置作为估计值,在估计点扩展函数范围时,一般无法做到十分精确,当设定搜索范围较大时,有时会出现几个可能的估计值,需要通过实验对其进行筛选。
1.3 噪声参数估计
实际图像由于受多种因素影响,维纳滤波复原模型中的噪信功率比参数往往难以得到,可以利用降质图像估计噪信功率比[7]计算降质图像中各局部方差,取局部方差的最大值作为图像方差σ
在实际应用中,由于受平坦区域寻找的合理性、噪声类型等影响,对估计的图像噪信功率比参数往往还需进行一定的修正。
2 振铃效应处理
图像复原时,在图像灰度变换剧烈的地方出现了干扰条纹,称之为振铃效应,若不对其进行处理,会对复原结果造成很大的影响。在离散傅里叶变换中,要求图像数据具有周期性,而实际图像无法满足这个要求,必须在图像边缘补充像素点以满足傅里叶变换的要求。若直接使用维纳滤波,扩展部分像素点默认为0,会带来很大的边缘误差,可以通过采用平滑的方法来解决这个问题。
设原始图像为,平滑边缘后图像为。
按此规律将图像进行扩展,这样既可以满足傅里叶变换的要求,又可以减小灰度变换剧烈的边缘,有效的抑制振铃效应。
3 实验结果
为检验本文图像复原方法的有效性,分别对实验图像和实际图像进行测试。
首先,对1幅清晰车牌图像加模糊长度为10像素、方向为45°的运动模糊,并加均值为0、方差为0.000 1的高斯噪声,如图1所示,此时降质图像的噪信功率比为0.008 8。
观察模糊图像及其频谱(如图2),可得到关于模糊图像方向和模糊长度范围的大致信息。从频谱信息可以得到运动模糊的方向(与条纹呈90°夹角),约为45°。根据第1.2节介绍的方法计算E-d曲线(如图3),选取曲线变化较为平缓处的值为7像素和9.5像素。利用1.3节介绍的方法估计噪声参数,得到噪信功率比为0.001 7。
依据上述得到的参数,利用维纳滤波对模糊图像进行复原,复原结果见图4。从图4可以看出,模糊长度取7像素时,复原效果不佳,模糊长度取9.5像素时取得了较好的复原效果,图5是图4(b)振铃处理后的结果,可见振铃处理使条纹减弱,图像恢复效果更佳。本文方法的信噪比估计值为0.001 7,调整至真实值0.008 8,复原效果如图6所示,可以看出,调整噪信功率比参数后,复原图像在细节上更加清晰。
为了进一步验证复原效果,对实际拍摄的运动模糊图像进行复原。图7(a)是模糊图像,由模糊图像的频谱信息和E-d曲线,估计运动模糊方向为130°、模糊长度为21像素、噪信功率比为0.002,复原结果见图7(b),可见本文方法具有很好的复原效果。
4 结 论
本文研究了1种运动模糊图像处理方法,该方法对运动模糊图像具有较好的复原效果。实验结果表明:①采用E-d曲线可以较准确地估计模糊长度参数;②基于概率统计方法估计信噪比参数虽然存在一定误差,但使用维纳滤波对图像进行复原仍可得到较好的复原效果,维纳滤波复原模型对信噪比参数具有较强的鲁棒性;③通过平滑边界的方法可减小振铃效应,改善复原效果。
参考文献
[1]张德丰,张葡青.维纳滤波图像恢复的理论分析与实现[J].中山大学学报,2006,45(6):44-47
[2]Furuya,Hiroko.Image restoration via wiener filte-ring in the frequency domin[J].WSEAS Transac-tion on Signal Processing,2009,5(2):63-73
[3]明文华,孔晓东,屈磊,等.运动模糊图像的恢复方法研究[J].计算机工程,2004,30(7):133-135
[4]陈前荣,陆启生,成礼智,等.运动模糊图像点扩散函数尺度鉴别[J].计算机工程与应用,2004,40(23):15-19
[5]蔡慧敏,张艳宁,王志印,等.一种匀速直线运动模糊参数估计方法[J].计算机工程与应用,2008,44(19):175-177
[6]Zou Mouyan,Unbehauen R.An iterative method ofblur identification and image restoration[C]//Pro-ceedings of the International Conference on ImageProcessing,Switzerland:1996
运动模糊图像复原技术介绍 篇10
由于图像的传送和转换,总要造成图像的降质。在拍摄期间,如果相机与景物之间存在足够大的相对运动,就会造成照片的模糊,即为图像的运动模糊。运动模糊是造成图像退化的重要原因之一,对运动模糊图像的复原研究早已成为图像复原领域的热点,退化模型的建立方法特别是退化参数(运动模糊方向和运动模糊距离)的估计已经有了比较成熟的方法,噪声滤除技术也在不断地发展和完善。本文则对几种参数估计方法和滤波方法进行概括和对比总结,以便于在以后的研究中更具有针对性。
1 几种求退化函数的方法介绍
1.1 图像的方向微分原理及自相关的点扩散函数尺度鉴别原理鉴别运动模糊参数[3]
由于存在着惯性,在摄取图像的短暂曝光时间内,物体的运动方向一般认为是不变的,即近似为直线运动。若能由已知的运动模糊图像准确地估计出运动模糊方向,通过图像旋转,将运动模糊方向旋转到水平轴方向,这样的旋转可以把原来二维的运动模糊点扩散函数转变为一维函数,同样,整个图像复原工作就由二维问题转化为一维问题,经过这样的处理大大降低了模糊图像复原的难度,并为图像复原的并行计算创造有利条件。
这里定义物体运动的水平方向为0度,实际运动方向与水平方向的夹角记为a,这里规定上为负、下为正,并且按照顺时针增大。一般来讲,匀速直线运动的点扩散函数是矩形函数,在其对应的频域上存在周期性的零值,运用方向微分算子不但可以有效地估计匀速直线运动、加速运动物体的运动方向和点扩散函数,而且具有自动鉴别性能良好的抵抗噪声。
基于方向微分的鉴别方法的基本思想是:把原图像的自相关函数及其功率谱密度看作是各向同性的一阶马尔可夫过程。由于物体的运动方向与零值条纹方向相垂直,当物体在运动过程中出现运动模糊时,运动方向上图像的高频成分被降低,而其他方向上图像的高频成分影响较小,特别是对运动方向垂直的部分高频成分没有任何影响。在此条件下对模糊图像进行方向性的高通滤波(方向微分),在运动模糊方向上,由于此方向模糊图像对应的高频成分最少,滤波(方向微分)之后模糊图像在此方向上的能量损失最大,得到的微分图像灰度值(绝对值)之和必然最小,而在其他的方向上,能量损失相对较少,所以得到最小的图像灰度值(绝对值)之和便得到了运动模糊方向。
知道了运动模糊方向以后,接下来需要对模糊尺度进行识别。所谓的模糊尺度是指物体与相机之间的相对运动距离,也就是相对运动模糊带的长度。它与模糊函数的自相关函数大小有关。在求模糊尺度之前,首先对模糊图像进行模糊带增强的预处理,即对模糊图像在垂直于运动方向进行求导运算。然后再沿运动方向进行求导(后面一个像素点的灰度值减去前面一个像素点的灰度值),大多数模糊图像的背景的像素点有很强的相关性,得到的导数是在模糊带端点(i=1,n-1)正负相反的两个冲激函数,两个最低点之间距离的二分之一即为我们所求的模糊距离。
利用方向微分鉴别运动模糊方向,利用求导和自相关等技术确定运动模糊点扩散函数尺度,不但可以有效地鉴别匀速运动、加速运动、振动等各种运动的模糊方向,而且可以很好的估计出模糊尺度,此方法具有很强的抗干扰能力,鉴别范围大,精度高、鲁棒性强。
1.2 三次样条插值方法求运动模糊方向[7]
在实验中发现方向微分方法鉴别结果误差较大,通过观察方向微分图的直方图,在方向微分方法的基础上,给出了一种新的鉴别模糊方向的算法,它可以鉴别匀速直线运动、变加速运动、振动等各种运动的模糊方向,在计算需要插值处的灰度值时,给出了插值精度比较高的三次样条插值的计算方法。经过实验证明,该算法具有更高的鉴别精度。
三次样条曲线是由分段的三次曲线并接而成。一维的三次样条插值函数S(x)∈C[x0,xn],且在每个小区间[xj,xj+1](j=0,1,…,n-1上是三次多项式,其中x0
其中系数Aj、Bj、Cj、Dj待定。根据差值公式便可以微分图像的灰度值,从而实现模糊图像的方向鉴别。令:
通过观察不同角度的微分图像的直方图,可以发觉越靠近真实运动模糊方向,其最大绝对灰度值越小。于是考虑用微分图像的最大绝对灰度值M(Δf)θ来代替绝对灰度值之和I(Δf)θ作为鉴别条件。
从理论上也可以证明这一点,越接近真实运动模糊方向,高频成分越少,微分图像像素就越集中分布在低灰度区,而运动方向上的最大绝对灰度值也越小。
1.3 光流方程借鉴法[5]
光流方程借鉴法是近年来出现的一种应用比较广泛的方法,它能很好的确定运动模糊图像的点扩散函数(PSF),它的基本思想是:利用原始图像作为初始值来研究运动模糊的形成过程。通过对模糊图像的分析可以发现,在图像中存在大量的方向平行于运动方向的直线,也就相当于沿着运动方向整幅图像在做刚体运动。在此方向上用Hough变换检测模糊角度,从而确定运动模糊方向。模糊图像沿运动方向的导数等于原始图像与其移位的差,两者之间的距离恰为模糊尺度。从而得到模糊核和点扩散函数(PSF)。
在运动方向的检测上,因为运动方向基本上与模糊图像刚体运动方向平行,并且模糊图像中存在着大量的平行于运动方向的直线,因此,检测这些直线的方向就可以确定运动模糊的方向。模糊图像中运动物体的边缘一般都不是很分明,可以先对模糊图像进行边缘检测,这样可以更好的突出运动物体的运动轨迹。
下面是对一幅运动模糊图像进行实验的实验结果,首先应用Sobel算子进行边缘检测,分别对模糊长度为20、35、45、60的运动模糊的方向进行估计,模糊方向区间设定为[-90°,90°),实验以10°为间隔,规定线段至少有10个像素才能检测出来,当存在4个像素的间断点时,做连接处理,于此同时用Hough变换进行遍历检测,这里设其间隔角度为0.5°实验结果如图示1所示。
从实验结果中可以看出,Hough变换能够很好的检测出平行的直线,但是在实际的应用当中,特别是在复杂背景下原始图像中本身存在的线条也会影响方向检测的估计结果,并且这种影响会随着模糊程度的加深而变得越来越小。
在此方法中,运动模糊尺度的估计方法和自相关的点扩散函数尺度鉴别法有相近的地方,其原理也是先把退化图像旋转-θ,从而把运动模糊方向转化到水平方向,然后应用自相关函数进行模糊长度的估计。模糊图像沿运动方向的导数等于原始图像与其移位图像的差,两者之间的距离即为模糊尺度。考虑到原始图像自身的相关性对运动方向的影响,这里加入一个滤波器来抑制因上边的差分而产生的扩大化的噪声,对求导后的图像沿水平方向进行差分,并计算其自相关函数,每行取均值。把这些均值进行对比在其中心两边将分别出现一个最小值。这个最值与中心的距离既是所要找的模糊尺度。
此方法应用Hough变换和自相关函数来估计模糊角度和尺度。Hough的遍历检测能够很好的抑制噪声,自相关函数的均值比较使得检测结果受误差影响很小,因此这种算法能够达到精确检测的目的。
1.4 种植迭代算法在空间域内求H函数[4]
设原始图象为f,退化算子为H,它包括图象本身的退化和乘性噪声所引起的退化,加性噪声为n,退化图象为g,则图象退化模型可表述为:g=Hf+n当图象退化模式已知,且不考虑噪声影响时,公式可以变为g=Hf由于H是一个相当大的矩阵,一般的算法计算相当的复杂,在这里借助于方程组的超松驰迭代法来求解方程,从而可以在g和H已知的情况下恢复出原始图像f。
下面介绍一下超松驰迭代法求解原理。我们将上边提到的方程变换为Hf=g则方程便成为一个以f为未知数的方程组,如果图象大小仍为256*256,则f为256*256向量,方程组的未知数个数为256*256,设经过第k次迭代后方程组的解为fk,引入剩余向量rk=g-Hfk,则下一迭代值可以表示为:fk+1=fk+rk。
上式实质上是用)次迭代后的剩余向量来改进fk。对上式引入加速因子w得到超松驰迭代法如下式:fk+1=fk+w(g-Hfk)
其中w亦称为松驰因子。
把上边的原理应用于图像处理中,应用信噪比来评估,信噪比公式为:
其中f,g,分别为原始图象、退化图象和恢复图象。
实验结果表明,迭代次数越多则恢复图象质量越获得改善,此方法对图像的改进有很好的作用。
2 几种去除噪声的方法介绍
在求得了系统的退化函数H以后下一步的工作就是对图像的噪声进行滤除,根据不同的噪声特点采用不同的滤波方法,在面就对几种常用的滤波方法进行介绍和总结。
2.1 均值滤波方法
这种滤波方法是在图像上,对待处理的像素给定一个模板,该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。它主要包括以下几种类型:算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器等。其中算术均值滤波器和几何均值滤波器应用较为广泛。
在实际用用中发现因为均值滤波对所有的点都是同等对待,在将噪声点分摊的同时,将景物的边界点也分摊了,所以它会使图像变的模糊。但是又因为高斯噪声的幅值近似正态分布,其均值为零,且污染点分布在每点像素上。所以均值滤波对高斯噪声有很好的滤除作用。
2.2 中值滤波方法
中值滤波方法主要的思想就是:在某个模板中,对像素进行由小到大排列的重新排列,那么最亮的或者是最暗的点一定被排在两侧,取模板中排在中间位置上的像素的灰度值替代待处理像素的值,就可以达到滤除噪声的目的。它最常用的公式是:
自适应中值滤波器是中值滤波器中最主要的一种,自适应中值滤波器不但可以工作在矩形窗口区sxy,而且它还可以在进行滤波处理时依据一定的条件改变sxy的大小。因此可以弥补前边滤波器的不足。对于椒盐噪声来说,由于它是幅值近似相等但随机分布在不同位置上,噪声均值不为零,所以用均值滤波器的滤波效果要好很多。
2.3 逆滤波
逆滤波法是经典的图像复原算法,它是用退化图像的傅立叶变换来计算原始图像的傅立叶变换的估计,对于复原模型来说当忽略噪声的影响时,退化模型的傅氏变换为:
H(x,y)称为系统的传递函数,从频域角度来看,它使图像退化,由上式可得复原图像的谱F(x,y)=G(x,y)/H(x,y),其中1/H(x,y)称为逆滤波器,对F(x,y)进行傅氏反变换即可得到复原图像f(x,y)。
实际应用中由于噪声的影响使得此种滤波方法存在这病态问题,也就是说当有噪声存在且H(x,y)等于零或者非常小的数值点上时,噪声就会被放大。这就意味着F(x,y)将变成无穷大或非常大的数。而噪声的干扰就会被放得很大,有可能使恢复的图像和f(x,y)相差很大,甚至面目全非。系统中存在噪声有逆滤波复原的表达式为:
解决该病态问题的唯一方法就是避开H(x,y)的零点即小数值的H(x,y),途径有两种:一是,使H(x,y)具有低通滤波的性质。二是,在H(x,y)=0及其附近,人为地仔细设置H-1(x,y)的值,使N(x,y)*H-1(x,y)不会对复原产生太大的影响。
逆滤波方法是一种简单实用,物理意义明确的滤波方法,被广泛应用到工业领域,
不过由于算法自身的原因,存在着许多局限性,使得它的使用受到一定的限制。
2.4 维纳滤波
维纳滤波又称为最小均方误差滤波,它用于图像复原的基本思想是:假设信号是平稳随机的,按照准备恢复的图像与原图像的均方差最小原则来实现滤波。目标是寻找一个使统计误差函数:e2=E{(f-f軇)}最小的估计了f軇(x,y),E是期望值,f是未退化图像。该表达式在频域可表示为:
式中:|H(u,v)|2=H*(u,v)H(u,v),H*(u,v)
表示H(u,v)的复共扼;sη(u,v)=|N(u,v)|2
表示噪声的功率谱;sf(u,v)=|F(u,v)|2
表示未退化图像的功率谱。
但是实际应用中大多并不知道信号和噪声的分布状态,则上边得式子可以简化为:
从上式可得,只要知道了H(u,v),确立适当的K值,作相应的逆傅里叶变换,即可得到复原图像。虽然维纳滤波算法能够以低的代价获得较好的复原效果,但它必须提前知道系统的点扩散函数,所以其应用性得到了很大的限制。
3 结束语
图像复原是图像处理中非常重要的一部分,对图像复原的研究具有十分重要的现实意义。本文只是将近几年来应用比较广泛的一些退化函数求法和滤波方法进行了总结和比较,希望能为以后的学习提供一些参考。当然,因为图像复原本身具有一定的难度,因此,在这方面还有很多技术需进一步的研究以便达到更优化的效果。
参考文献
[1]冈萨雷斯.数字图像处理[M].2版.北京:电子工业出版社,2007.
[2]张毓晋.数字图像处理[M].北京科学出版社,2001.
[3]张云霞.运动模糊图像的复原与重构[D].大连理工大学硕士学位论文,2006.
[4]彭钧.一种图象运动模糊恢复的简易有效算法[J].电脑开发与应用,2002,15(10).
[5]陈波.一种新的运动模糊图像恢复方法[D].计算机应用,2008,28(8).
[6]孙跃.图像降晰参数估计和复原方法的研究[D].重庆大学硕士学位论文,2007.
[7]姜华,刘国庆,成孝刚.图像运动模糊方向的检测方法[J].计算机应用,2008(S1).
模糊图像处理 篇11
（1）由上而下对比评判相邻的两个评价要素，然后把之前的一个评价因素的对比评判结果设为暂定重要性系数。A的重要性是B重要性的1.5倍； 同理B 是C 的2. 5倍； C是D 的2. 0倍。
（2）修正暂定重要性系数。指定最后一个评价因素即政策法规为1.0 。由于C 的重要性是刀的重要性的2.0倍， 故因素C 的修正重要性系数是2。同理， 由下而上依次定出全部评价因素之间的修正重要性系数。
（3）计算得到所有评价因素的修正重要性系数的总和为15.5 ，然后计算各因素的重要性权数[5]，即分别将各评价因素的修正重要性系数依次除以这个总和。（下转440页）
174，很差为0.1。根据最大隶属度原则，结论为合理。对于新方案，合理的程度为0.595，较合理为0.179，不太合理为0.126，很差为0.1。根据最大隶属度原则，结论为合理。对于原方案和新方案，结论都为合理，由于新方案的合理程度要比原方案的大，所以新方案相对于原方案更合理。
3 结论
采用的模糊综合评判方法对厨余垃圾处理设备选址合理性进行评价，可以避免凭经验进行目标选择所固有的主观性，使厨余垃圾处理设备选址更加科学合理，而且由于模糊的方法非常接近东方人的思维习惯，因此很适应于对社会经济系统问题进行评价。因此，在政府对厨余垃圾放置选址问题中可以得到很好的应用。
参考文献
[1] 韩冉冉，基于模糊综合评价的农产品物流中心选址研究[J]，农产品加工学刊，2012.
[2]梅丽，基于模糊综合评价法的市郊铁路客运站选址研究[M]，价值工程，2011.
模糊图像处理 篇12
关键词：图像重构,运动模糊,并行计算,OpenMP
运动模糊图像的重构是图像处理中很重要的一个部分,他在照相机防抖、拍摄高清晰图像及运动物体的检测方面都有很重要的作用。运动模糊,即采集图像时由于采集设备与目标发生相对运动而产生的图像模糊,导致图像质量的降低,即退化。因此,要想在运动过程中采集到清晰度高的图像,就必须要对模糊图像进行处理,即运动模糊图像的重构。
目前,对运动模糊图像重构的关键之一是测量出运动模糊幅度,这主要是靠测量运动模糊图像的频谱中“条纹”,即能量谱的间距。本文提出一种自动提取运动幅度的方法,他带有预处理运动图像频谱的能力,这样可以避免Hough识别直线中出现识别集中的现象。
最后,本文将运动模糊图像的整个算法进行并行化处理,使之能在多核处理器上获得最大的执行效率。本文主要针对水平模糊图像进行重构,并行化处理也只针对水平方向,但由于水平与竖直方向的处理几乎一致,故竖直方向的并行化处理也类似。
1 运动模糊图像重构算法
1.1 运动模糊图像的数学模型
运动模糊图像复原的基本思路:先建立退化的数学模型,然后根据该模型对退化图像进行拟合。图像复原模型可以用离散数学处理,处理项的实现可在空间域卷积,或在频域相乘。胶片上的总曝光量是在快门开闭期间的积分,即运动模糊成像表示为: 成像系统与物体间相对运动造成的像模糊,如图1所示。
设只有像函数f(x,y)相对系统的移动,设:Δx(t)为x方向的移动分量;Δy(t)为y方向的移动分量。在不考虑噪声的情况下,原始图像的退化模型表示为:
undefined
再简化一次,让物体仅在x方向做直线匀速运动,且在曝光时间T内的总位移量为a,物体沿x方向的变换分量为:
undefined
let:undefined
则:
undefined
where:undefined
为沿x方向造成运动模糊的点扩散函数:
undefined
为运动物体沿x方向移动时的图像退化模型。
对运动模糊图像进行重构,首先要确定运动模糊图像的运动幅度。由上面的分析可知,运动模糊图像的运动幅度是以在频域中的条纹,即能量谱数目来表现。因此,要确定运动幅度,只需确定图像在频域中的条纹数目。而由于各个条纹间的距离是固定的,只需要确定图像最中间的两条直线间的间距即可。一般的方法是依靠霍夫变换检测直线的方法,对图像反复霍夫变换去检测条纹,最终识别出中间的两条直线,并计算出他们之间的距离。
1.2 含预处理的自动识别频谱条纹算法
虽然Hough变换可以识别直线,但是如果不对原始图像先进行一次检测,就可能会出现识别直线在“波谷”处过于集中的情况。对此,设计了一种预处理的方法,检测条纹间的“波谷”,这种算法可以写为:
最后,逐行扫描每一个像素,如果该像素所在列的波谷数量超过某一个值,并且该点的亮度值小于一定范围(不能是亮点),那么判定该点为“可能波谷点”,经过上面的一步筛选之后,再用Hough变换来识别这些“可能波谷点”的点所构成的直线,如图2所示。再经过计算,可得到图像的运动幅度。
由于运动幅度已经确定,逆滤波处理相对简单。这里设定逆滤波的h(x,y)为:
其中,N为运动幅度。再经过FFT(将零点与高频部分设为0.5),做相除运算最后经IFFT把图像复原,如图3所示。
1.3 程序算法流程图
程序的算法主要包括几个部分:对图像的快速傅里叶变换,将图像由空间域转换为频域,为以后做频域处理打基础;对图像的频域做运动幅度检测,利用霍夫变换检测直线深谷,最后检测出中间两条直线间的距离,进而判断出运动幅度;在运动幅度以及方向都确定的情况下,采用逆滤波处理进行图像重建,最终将图像重建。算法流程图如图4所示。
2 运动模糊图像重构算法的并行化处理
当今的处理器时代已经由单核向多核发展,应用程序及算法向多核处理器上进行移植,并获取最大执行效率是当前所有研究学者需要考虑的工作之一。算法在多核处理器进行优化,主要依靠多线程技术将算法进行单个任务拆分为多个认为,使得操作系统可以平均分配多核CPU的工做负载。
由上面对运动模糊图像重构的算法分析不难发现,此算法的各个环节都包含着大量的重复并独立的工作,比如快速傅里叶变换,逆滤波处理,可以直接进行算法上的并行化处理;而采用霍夫变换做直线识别,由于识别次数较多,可以进行功能并行。本文中的并行化处理采用OpenMP编译制导语言自动完成。采用OpenMP简单而高效,他可以自动分析当前线程并创建用于执行程序的并行化多线程。
2.1 快速傅里叶变换的并行化处理
由于图像是二维空间的,其傅里叶变换需要横竖2次才能完成。由于行与行之间,列与列之间是独立的,因此采用对行列的并行化处理。这里没有采用碟型网格等高级的并行算法,这主要是考虑到算法执行完毕后需要直接对其结果进行处理,采用碟型网格会带来一些不便,需要额外的处理工作。同时采用行列之间的简单并行已经可以很好的提升并行化效率。图像快速傅里叶变换的程序流程图如图5所示:
程序首先读入图像数据至缓冲区,并将其以二维数组的形式存储。然后首先对水平方向进行FFT处理,由于快速傅立叶变换的可并行特点,因此对每行的FFT的处理可以全部并行化。对竖直方向每列的并行化也如此。未并行与并行之后的CPU使用记录及程序执行时间如表1所示。
2.2 运动检测过程的并行化处理
由于需要采用霍夫变换来进行10次直线,那么对霍夫变换的并行化处理就显得非常重要。虽然霍夫变换具有一定的可并行性,但由于重复次数较多,功能并行对于加速比的提升要高于对霍夫变换算法本身的并行。未并行与并行之后的CPU使用记录及程序执行时间如表2所示。
2.3 逆滤波处理的并行化处理
逆滤波处理过程是整个程序中最费时间的部分,他包括快速傅里叶变换,频域运算和快速傅里叶反变换3部分。幸运的是,这些环节内部均是可独立并行的,因此可对整个逆滤波处理做局部的并行化处理。并行化流程图如图6所示:
程序首先对图像进行快速傅里叶变换,这部分的并行化处理前面已经提到了。接着进行逆滤波处理的相关运算,由于这部分算法的迭代次数较多,运算量较大,所以适合进行对迭代部分的并行化处理。最后对快速傅里叶逆变换的并行,可按照傅里叶变换的并行化处理方法。
2.4 整个程序的CPU运行状态和运行时间
通过用OpenMP将傅里叶变换并行化,运动检测并行化以及逆滤波处理并行化,程序的执行速度大大提升。整个算法并行化前后的CPU使用记录及程序执行时间如表3所示。
3 结 语
随着现代社会数字化技术的普及,数字图像在人们的生活中不可或缺。因此,数字图像处理技术在社会中的应用将越来越广泛。他不仅要求处理的精确性,还要求快速性。精确性主要依靠算法的设计理论,而快速性不仅依靠算法效率,与对其优化的结果也有很大关系。
本文提出一种新的运动幅度检测的方法,在运动模糊图像重构上有一定应用价值。同时,本文对现有的运动模糊图像重构算法进行了并行化处理,使之能够借助多核处理器的强大处理能力,提升算法执行速度。
参考文献
[1]阮秋琦.数字图像处理学[M].北京:电子工业出版社,2001.
[2][美]Rafael C Gonzalez.数字图像处理[M].北京:电子工业出版社,2007.
[3]向世明.Visual C++数字图像与图形处理[M].北京:电子工业出版社,2006.
[4][美]Michael J Quinn.MPI与OpenMP并行程序设计[M].北京:清华大学出版社,2004.
[5]毋立芳.二值运动模糊图像参数提取[J].北京工业大学学报,1996,12(22),4-6.