在图像的形成、传输或变换的过程中,由于受多种因素的影响,图像往往与 原始景物之间或图像与原始图像之间产生某种差异。这种差异称为降质或退化。 在对图像进行研究处理前,必须对这些降质的图像进行一些改善图像的预处理。 通常改善方法有两类:一类是不考虑图像降质的原因, 只将图像中感兴趣的特征 有选择的突出, 而衰减其次要信息:另一类是针对图像降质的原因, 设法去补偿 降质因素, 从而使改善后的图像尽可能的逼近原始图像。 第一类方法能提高图像 的可读性, 改善后的图像不一定逼近原始图像, 如突出目标的轮廓, 袁减各种噪 声, 将黑白图像转换成彩色图像等:这类方法通常称为图像增强技术。 第二类方 法能提高图像质量的逼真度,一般称为图像复原技术。

作为我们图像目标分离技术研究, 我们只要对图像中的目标及背景的某些特 征感兴趣,所以我们的预处理为图像增强。

4.1 直方图

在对图像进行处理之前,了解图像整体或局部的 uidu 分布情况是非常必要 的。 对图像的灰度分布进行分析的重要手段就是建立灰度直方图, 利用图像灰度 直方图, 可以直观地看出图像中的像素亮度分布情况, 通过直方图的均衡化、 归 一化的处理等, 可对图像的质量进行调整。 另外, 通过对直方图的分析, 有助于 确定图像域值化处理的域值。

灰度直方图是灰度级的函数,它表示图像中具有某种会的级的像素的个数, 反映了图像中每种灰度出现的频率。图像的直方图具有以下三个重要的性质 : (1) 直方图是一幅图像中各像素灰度值出现次数 (或频数 ) 的统计结果, 它只 反映该图像中不同灰度值出现的次数 (或频数 ) , 而未反映某一灰度值像家所在位 置。 也就是说, 它只包含了该图像中菜一灰度值的像素出现的概率, 而丢失了其 所在位置的信息。

(2) 任一幅图像, 都能惟一地确定出一幅与它对应的宜方图, 但不同的图像, 可能有相同的直方图。也就是说,图像与直方图之间是多对一的映射关系。 (3) 由于直方图是对具有相同灰度值得像素统计得到的,因此,一幅图像各 自去的直方图之和就该等于该图像全图的直方图。

图 4.1是一张 8bit 的位图,在接以后章节的实验中,如果没有另外声明, 图 4.1皆作为图像处理原图。图 4.2为原图的灰度直方图。

图 4.1 实验原图

4.2 灰度变换

一般成像系统只有一定的亮度响应范围, 亮度的最大值与最小值之比称为对 比度。 由于成像系统的限制, 常出现对比度不足的弊病, 使人眼观看图像时视觉 效果很差。 采用灰度变化法可以大大改善人的视觉效果。 灰度变换分为 3种:线 性,分段线性及非线性。

为了突出感兴趣的目标或灰度区间,相对抑制那些不感兴趣的灰度区域,一 般采用分段线性。

图 4.2 原图的灰度直方图

4.3 去除图像噪声

由于时刻存在的各种干扰因素,在获取图像的过程中,噪声总会伴随着图像 一起产生。 而噪声会对图像处理产生不可预见的影响, 所以, 在处理前先要对噪 声进行处理。去除噪声主要有三种方法:

4.3.1模板操作和卷积运算

模板操作时数字图像处理中常用的一种运算方式, 模板操作实现了一种邻域 运算,即某个像素点的结果不仅和本像素灰度有关,而且和其邻域点的值有关。 模板运算的数学含义是卷积 (或互相关 ) 运算。卷积是一种用途很广的算法,可用 卷积来完成各种处理变换,下图说明了卷积的处理过程:

图 4.3 卷积处理过程

卷积运算中的卷积核就是模板运算中的模板,卷积就是作加权求和的过程。 邻域中的每个像素 (假定邻域为 3×3大小,卷积核大小与邻域相同 ) ,分别与卷 积核中的每一个元素相乘, 乘积求和所得结果即为中心像素的新值。 卷积核中的 元素称作加权系数 (亦称为卷积系数 ) , 卷积核中的系数大小及排列顺序, 决定了 对图像进行区处理的类型。 改变卷积核中的加权系数, 会影响到总和的数值与符 号,从而影响到所求像素的新值。

4.3.2 领域平均法

领域平均法是一种利用 Box 模板对图像进行模板操作的图像贫化方法, 所谓 box 模板是指模板中所有系数都去相同值的模板,常用 3X3和 5X5模板。

领域平均法的思想是通过一点和领域内像素点求平均来去除突变的像素点, 从而滤掉一定的噪声, 其主要优点是算法简单, 计算速度快, 但会造成图像一定 程度上的模糊。

4.3.3 中值滤波

中值滤波是一种非线性信号处理方法, 与其对应的中值滤波器也就是一种非 线性滤波器。 它在一定的条件下, 可以克服线性滤波器 (如领域平滑滤波等) 所 带来的图像细节模糊, 而且对滤除脉冲干扰及图像扫描噪声最为有效。 在实际运 算过程中并不需要图像的统计特性, 这也带来不少方便。 但是对一些细节多, 特 别是点、线、尖顶细节多的图像不宜采用中值滤波。

中值滤波就是用一个奇数点的移动窗口, 将窗口中心的值用窗口内各点的中 值代替。假设窗口内有五点,其值为 80、 90、 200、 110和 120,那么此窗口内 各点的中值即为 110。

中值滤波的几个特性:

a. 对某些输入信号中值滤波的不变性

b. 去噪声性

c. 频谱特性

实验证明,算术平均平滑对含有高斯噪声的图像有效;而中值滤波对含有椒 盐噪声图像的去噪声效果较好。

除了以上介绍的三种去噪技术,还有如空间域地同滤波,频率域低通滤波器 等去噪技术,这里不一一叙述了。

4.4 图像锐化

图像锐化处理的目的是使模糊图像变得清晰。 图像模糊的实质上就是受到平 均成积分运算, 因此对其进行逆运算, 如微分运算、 梯度运算, 就可以使图像清 晰。 从频谱角度来分析, 图像模糊的实质是其高额分量被衰减。 因而, 可以用高 频加重滤波来使图像清晰。 但要注意的是, 能够进行锐化处理的图像必须要求有 较高的信噪比, 否则, 图像锐化后, 信噪比更低。 因为锐化将使噪声受到比信号 还强的增强, 故必须小心处理。 一般是先去除或减轻干扰噪声后, 才能进行锐化 处理。

图像锐化一般有微分发,拉普拉斯运算,高通滤波等算法。

4.4.1微分法

微分运算是求信号的变化率, 有加强高频分量的作用, 从而使图像轮廓清晰。 为了把图像中间任何方向伸展的边缘和轮廓的模糊变清晰, 希望对图像的某种导 数运算是各向同性的。 可以证明偏导数的平方和运算具有各向同性特性. 梯度和 拉普拉斯运算也符合上述条件。经微分法图像锐化处理后的原图如下图:

图 4.4 原图经微分法锐化处理后的效果

4.4.2拉普拉斯算子

拉普拉斯算于是常用的边缘增强算子, 拉普拉斯运算也是偏导数运算的线性 组合运而且是一种各向同性 (旋转不变性 ) 的线性运算。拉普拉斯算子为: 22222y f x f f ??+??=

? (4-1) 如果图像的模糊是由扩散现象引起的,则锐化后的图像 g 为:

f k f g 2?-= (4-2)

式中:f,g 分别为锐化前后的图像, k 为与扩善效应有关的系数。

4.4.3 高通滤波

图像中边缘或线条等细节部分与图像频谱的高频分量相对应, 因此采用高通 滤波让高频分量通过, 使图像的边缘或线条等细节变得清楚, 实现图像锐化。 高

通滤波可用空域法或领域法来实现。在空间域是用卷积方法.与低通滤波一样, 只不过其中的模板不同。 类似于低通滤波器, 高通滤波亦可在频率域中实现。 原 图经理想高通滤波后效果如 4.5。

遥感图像的预处理

2007年11月

第4期

吉林师范大学学报(自然科学版)

Journal of Jilin Normal University (Natural Science Edition ) №. 4Nov. 2007

遥感图像的预处理

刘蓉蓉1, 林子瑜2

(1. 核工业北京地质研究院, 北京100029;2. 东华理工大学, 江西南昌344000)

摘　要:由于时间、太阳光强及大气状态的变化, 或者遥感器本身的不稳定性, 致使获取不同遥感图像上的对比

度及亮度值存在差异, 因而有必要对多景相邻图像进行遥感数据的预处理过程, 这有助于后期所需相关指数的一致性提取与准确评价. 作者在ERDAS 软件的支持下, 经研究、对比, 采用回归分析法进行大气辐射校正、自创多样本均值法进行辐射匹配, 最后运用图像镶嵌技术达到完整、美观呈现研究范围的目的. 文章从头至尾, 系统表述了一整套针对多景相邻遥感图像前期预处理的方法过程, 达到较好效果, 值得借鉴.

关键词:遥感图像; 预处理; 多样本均值法中图分类号:P283. 1　　文献标识码:A 　　文章编号:1000-1840-(2007) 04-0006-05遥感数据的预处理又被称作图像纠正和重建.

正, 像[1].

、波谱、时间以及辐射分辨率的限制, 很难精确地记录复杂地表信息, 因而误差不

Erdas Imag 2ine8. 4的支持下完成的. 选用了6景Landsat7号(美国陆地资源卫星) ETM (包括7个多光谱波段Band1～Band7和一个全色波段pan ) 遥感图像数据(已经过几何校正) :ETM139—30(2001. 9. 24) 、ETM139—31(2001.

可避免地存在于数据获取过程中. 这些误差降低了10. 26) 、ETM140—30(2000. 7. 10) 、ETM140—31(2000. 遥感数据的质量, 从而影响了图像分析的精度. 因此7. 10) 、ETM141—30(1999. 9. 1) 、ETM142—30(1999. 8. 在实际的图像分析处理之前, 有必要对遥感原始图23) 进行预处理, 见图

1. 像进行预处理.

文章在ERDAS 软件的支持下, 经研究、对比, 采用回归分析法进行大气辐射处理, 去除了大气的辐射干扰; 基于已有的直方图加减均值差和方差均值两种针对相邻遥感图像的辐射匹配方法, 提出了一种新的多样本均值的辐射匹配方法以降低匹配时存在的人为误差, 达到图像间的平滑过渡. 通过对三种匹配方法结果进行定量性检验, 证明多样本均值的辐射匹配方法能达到较好的匹配效果, 其匹配结果要优于前两种方法, 具有可行性; 最后运用图像镶嵌技术达到完整、美观呈现研究范围的目的.

图1　遥感图像(ETM741)

收稿日期:2007-09-15　　基金项目:国家重点基础研究发展规划(973) 资助项目(2001CB40988)

第一作者简介:刘蓉蓉(1980-) , 女, 天津市人, 现为核工业北京地质研究院矿产普查与勘探专业在读博士研究生. 研究方向:矿床地质.

—6

—

? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

2　遥感数据的预处理

2. 1　大气辐射校正

射上的差异. 目前常见的有:基于相邻图像直方图、基于相邻图像方差、均值等的辐射匹配方法[3].

(1) 直方图匹配法. 图像的直方图匹配法[4]是

由于大气散射、云层反射形成的天空光会和地物目标的辐射能量一起进入遥感探测器, 这部分能量———路径辐射(E path ) 会导致遥感辐射量失真, 使图像对比度下降, 犹如蒙上一层薄纱, 从而降低遥感图像的质量, 影响后期对信息提取的准确性. 为了消除这由大气引起的辐射失真的处理过程就称为大气辐射校正. 在图像的预处理过程中, 这是十分必要的一步.

简化的大气辐射传输方程为E =E 0+E path (E 为遥感器系统所收集到的辐射能量; E 0为地物目标的辐射能量) . 本次研究采用了回归分析法进行校正处理. 目的就是求出E path , 利用E 0=E -E path 来消除由大气引起的辐射值E path , 使图像能较为真实的反映出地物辐射能量E 0.

由于大气散射影响主要发生在短波段图像(可见光遥感中以蓝、绿波段最甚) , 随波长增长, 散射作

[2]

利用影像的灰度直方图能客观地反映出一幅影像的灰度分布, 相邻影像的重叠区域的灰度直方图在理想条件下应是一致的特点, 通过转换一幅图像的直方图, 使其和另一幅图像的形状相似, 进而使图像间的辐射差异缩小, 最终达到辐射匹配目的.

其中, 利用重叠区对应像元各波段直方图的均值差来进行相邻图像的辐射匹配, 可视为一种简便的直方图匹配方法:首先将两幅图像重叠区对应各波段的均值相减, 得到波段的均值差; 再将其中的一幅图像作为参照图, 另一幅图则以参照图的均值大小为基准, 每个波段相应地加减均值差, 使被调整图像的均值与参照图的相一致, 从而实现两幅图像间辐射匹配. 下面是所选取的相邻两幅分别经过大气校正的ETM 遥感图像, 目视其辐射差异较大, 见图2. -30,

-30. 此时以用逐渐减弱. 在此选取第7波段当作无散射影响的

标准波段, 将其他波段(第1～5波段) , 得到匹配后色

3. 此种匹配方法,

具有

像() 的第1～7波段辐射值; 7波段的辐射值(E 7) 当作X 轴, 第1～5波段(由于第6波段是以地物自身发射的热红外为主, 因此不做处理) 的辐射值(E 1～E 5) 分别作为Y 轴, 进行回归分析, 得出5个波段的回归方程, 回归方程中的5个截距(E path1～E path5) 就是各波段需校正的辐射值, 见表1; 之后利用ERDAS 中的model 模块, 将所得值分别对应带入E 0=E -E path 中, 从而最终得出经大气辐射校正后的图像. 利用此方法, 将6景ETM 遥感图像进行了大气辐射校正.

表2　各波段大气辐射校正值

ETM139-30ETM139-31ETM140-30ETM140-31ETM141-30ETM142-30E path1E path2E path3E path4E path5

图2　相邻两幅ETM 遥感图像(ETM741

)

28. 76719. 93817. 14231. 9485. 1654

35. 07122. 16620. 28619. 4433. 7254

51. 06330. 97619. 6539. 33212. 702

85. 30565. 37675. 38543. 29517. 537

42. 61326. 52514. 70638. 9849. 4389

41. 76725. 78714. 28444. 6038. 4384

2. 2　辐射匹配

2. 2. 1　常见的辐射匹配方法

相邻遥感图像间辐射匹配的方法一般都是以图

像的重叠区域为基础, 通过各种平滑过渡来消除辐

图3　直方图匹配方法(ETM741)

—7

? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

—

操作简易的优点.

(2) 方差均值法. 方差均值法也是一种常见的图像辐射匹配方法(戴昌达等,2004) . 观察方差均值法的原理, 不难发现它与加减均值差的直方图匹配方法非常相似, 即都利用到了图像各波段的中心趋势值　均值进行匹配处理; 不同之处则在于它还考虑到了图像的方差和图像间的协方差. 它是在进一步认识图像内部统计特征和图像间相关程度的基础上进行的. 就相似之处而言, 方差均值也可视为是另一种形式的直方图匹配法. 运用方差均值法原理进行图像的辐射匹配, 也得到了匹配后色调明显变得较为一致的图像———图4, 实现了图像间的辐射匹配

.

截取区域的重叠率大小所造成的同一地物位置配准

误差的影响, 在此提出一种新的、较可行的辐射匹配方法———多样本均值法[5]. 这种方法以选取的多个重叠区样本作为匹配研究对象, 通过对样本的回归分析, 建立了图像间更具普遍代表性的回归匹配方程.

同样以图2为例, 运用其进行辐射匹配的具体步骤如下:

(1) 确定截取的最佳像元数. 在以一个像元为误差的几何配准前提下, 计算截取不同重叠区域时相邻图像间的像元重叠率, 并选取适当像元数, 以期将由重叠率造成的位置配准误差降至最小. 经验证, 在此选用重叠率达96%的, 截取像元数为44344(行3列) , 按地物类别分类截取多个重叠区样本, 这样做有助于各样本内部的辐射统一.

表2　各波段匹配方程

波段

匹配方程

备注　　Y 代表匹配参

140-30各波X 代表待匹配图139-30各波段的均值

R 2代表两图像

第一波段Y =1. 6027x +3. 0293　R 2=0. 93第二波段Y =1. x +9. 337920. Y . +16. 285R 2. 0x 12. 8481

图41. 8353x +0. 33　R 2=0. 917第六波段Y =1. 0157x +36. 743　R =0. 7906第七波段Y =1. 7967x +4. 0337　R 2=0. 8892

2

,

, :(1) 选择重叠区, 以利用该区域内同名地物的灰度值建立相邻图像的辐射匹配方程. 并尽可能大地选择重叠区, 为使方程更具代表性和普遍性且适用于整幅待匹配图像; (2) 选择匹配区域时要尽量避开遥感图像上云或各种噪声的干扰, 以提高辐射匹配精度. 应认真分析对比相邻两图像公共区域的图像质量和特点, 然后采用不规则多边形来界定用于建立匹配方程的图像区域. 这样既可避开云、噪声, 又可获得尽可能大的、有代表性的图像匹配区域, 从而建立准确的辐射匹配方程; (3)

图像辐射匹配时, 首先要以一幅图像为基准, 将其视为参照图像; 然后运用上述方法建立匹配方程, 对另一幅图像的整个区域进行辐射变换. 2. 2. 2　多样本均值的辐射匹配方法

以上所提到的辐射匹配方法都是在以截取一个重叠区样本前提下进行的. 由于在选取样本时存在所不可避免的人为因素(例如重叠区的选取及其大小的不同) , 有时对单个样本的选取并不十分恰当, 这就会造成因此得来的匹配方程存在弊端, 致使最后匹配结果不理想.

为了降低选取样本时人为因素的影响和图像间—8

—

间对应各波段的相关系数的平方

图5　多样本均值辐射匹配方法的匹配模型

(2) 利用回归分析建立匹配方程, 进行辐射匹

配. 利用两幅图中截取的多个重叠区样本对应各波段均值来做回归分析(根据变量之间相互关系来模拟的回归方程具有严密的数学逻辑, 从而能准确反映出变量之间关系[6]) , 分别建立7个波段的均值匹配方程, 见表2, 反映出图像间对应波段相互关系; 并按照匹配方程所反映出的图像间均值关系, 在ERDAS 软件Model 模块中建立匹配模型, 进行6景图像间辐射匹配处理, 见图5.

? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

按照匹配方程所反映出的图像间均值关系建立7个波段的均值误差整体相比是次之较小的; 而有

16个样本区在应用直方图匹配方法时,7个波段的匹配模型, 得到辐射匹配后的图像, 见图

6.

均值误差整体相比是三种方法中最大的; ②标准差比较(Std Dev. ) . 在随机所选取的20个样本区中:有19个样本区在应用多样本均值的辐射匹配方法时,7个波段的标准差误差整体相比为最小; 有20个(即全体) 样本区在应用方差均值的辐射匹配方法时,7个波段的标准差误差整体相比是次之较小的; 而在应用直方图匹配方法时, 有20个(即全体) 样本区的标准差误差整体相比是三种方法中最大的.

由此可见(如表4所示) , 无论是在均值上, 还是

图6　多样本均值的辐射匹配方法(ETM741)

在标准差上, 应用多样本均值的辐射匹配方法, 能极大地缩小与参照图间的均值匹配误差和标准差匹配

误差, 使已匹配图与参照图的统计特征变得最为接

2. 2. 3　对三种辐射匹配方法的匹配结果进行定量

性验证比较

近, 从而获得比运用其它两种方法更为理想的辐射

图3(直方图匹配法) 、图4(方差均值法) 、图6

匹配结果; 应用方差均值的辐射匹配方法, 其匹配结

(多样本均值法) 依次为应用不同辐射匹配方法所得

果与参照图的统计特征接近程度就较为次之; 而应

到的三幅匹配效果图. 单从匹配后图像上观察, 两图

用直方图匹配方法, 像间色调变得较为统一, 辐射差异确实是变小了, 实

现了图像间辐射匹配. 但究竟是哪一种方法的匹配表效果最好, 还要通过下面定量性的验证比较.

(1) 相关性对比

表3　波段第一波段第二波段第三波段第四波段第五波段第六波段第七波段

0. 96440. 95380. 95190. 92090. 95760. 88920. 9430

(均值+标准差) /40

(17+19) /40=36/40

误差次之较小

(16+20) /40=36/40

直方图匹配法误差最大

(16+20) /40=36/40

直方图匹配法

0. 95430. 94150. 93550. 90960. 92440. 88910. 9127

0. 92060. 73500. 88830. 87140. 86140. 87620. 8612

表4说明了在尽量缩小匹配图像间统计特征误

差方面, 多样本均值法占有很大的优势, 它可使图像在大体上(约90%) 的统计特征变得与参照图最为接近; 而在相同大体上(约90%) , 方差均值法使图像间的统计特征变得较为接近, 直方图匹配法使图像间的统计特征接近程度则不及前两种方法. 通过对三种匹配结果的定量性验证比较得出:多样本均值的辐射匹配是继直方图匹配和方差均值法之后的另一种可行的、极具优势的辐射匹配方法.

表3清楚显示出:运用多样本均值的辐射匹配用它来进行图像间的匹配处理, 经证明能达到颇为

方法, 其匹配结果表明图像间具有较高的相关性;

运理想的匹配效果. 另外, 当图像间重叠区的噪声较多用方差均值法, 匹配之后图像间的相关性则低于前时, 匹配时采用选取多个小范围样本的方式———多者, 但高于后者———直方图匹配法. 样本, 能更为灵活的避开噪声的干扰, 建立出适当的

(2) 匹配结果的统计特征对比匹配方程. 随机地在分别用三种匹配方法匹配好的两图像2. 3　遥感图像的镶嵌重叠区域内各选取20个相同的样本区, 通过对各样图像镶嵌(Mosaic ) 是将两景或多景数字图像本均值和标准差的观察来定量地比较不同方法的匹(它们有可能是在不同的摄影条件下获取的) 拼接在配结果. ①均值比较(Mean ) . 在随机所选取的20个一起, 构成一幅整体图像的技术过程[1]. 由于研究样本区中:有17个样本区在应用多样本均值的辐射范围涉及6景图像, 因此对多景遥感图像进行了镶匹配方法时,7个波段的均值误差整体相比为最小; 嵌处理, 以达到整体呈现研究区的目的. 这一环节也有16个样本区在应用方差均值的辐射匹配方法时, 同样利用Erdas 软件中的Mosaic images 模块完成.

—9

? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

—

此外, 在图像的镶嵌过程中需注意以下几点

:

合理正确镶嵌的目的.

至此, 经过以上一系列对遥感图像的大气辐射校正、辐射匹配、6景遥感图像的镶嵌步骤, 得到了预处理之后的完整图像, 见图7.

3　结束语

遥感技术的灵活运用是目前一种较为方便、高效的技术手段(如在地学分析、找矿勘探上) , 但之前对图像的预处理过程却是必不可少的:

大气辐射校正去除了由于大气干扰引起的辐射失真问题, 提升了后期信息提取的准确性; 辐射匹配则使图像间达到平滑过渡, 极大地消除了它们存在

图7　预处理后的遥感图像(ETM741)

的辐射差异, 有助于后期所需相关指数的一致性提

(1) 镶嵌前, 需选定一幅图像作为基准图像. 因

取与准确评价; 而图像镶嵌达到了完整、美观呈现研

为若涉及到相邻图像的跨带问题时, 则镶嵌后的图

究范围的目的.

像投影则会以基准图像为准; (2) 镶嵌时, 若相邻图

三个步骤相辅相成, 互相配合、成效明显, 为后

像间的图像外围存在附加的干扰灰度值, 可灵活运

期图像的进一步分析、处理奠定了良好基础,

因而值

用AO I (感兴趣区) 来去除外围的干扰灰度值, 达到

得借鉴.

参

考

文

[1]赵英时, 章　申, 秦大河, 等. [M :[2]戴昌达, 姜小光, . [M ].[3]章孝灿, 昕, . [M 杭州,1997. [4]汤国安, , , 等. [M ].北京:科学出版社,2004. [5]朱祯玺, 赵振伦. 回归分析和相关分析[M ].大连:东北财经大学出版社,1991.

The R emote Sensing Im age Preprocessing

L IU Rong -rong 1, L I Zi -yi ng 1, L IN Zi -yu 2

(1. Beijing Research Institute of Uranium G eology ,Beijing 100029,China ;2. East China University of Technology ,Fuzhou 344000,China )

Abstract :There are differences about the contrast and brightness value among the remote sensing images because of time , sun 2

light and atmos phere. It can help consistent extraction and exact evaluation of the index b y image preprocessing. Supported by the ERDAS 8. 4software

,author make use of regression analysis to adjust the atmospheric radiation , multisam ple -mean method to match images and image mosaic to show the whole field of resarch. This paper gives the image preprocessing method which is worth useing becasue of better effect.

K ey w ords :remote sensing image ;image preprocessing ;multisample -mean method

—10—

? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

基于Matlab的图像预处理

基于 Matlab 的图像预处理算法实现

目 录

第一章 绪 论 ........................................................... 1 1.1何谓数字图像处理 .................................................. 1 1.2数字图像处理的特点及其应用 ........................................ 1 1.2.1 数字图像处理的特点 ............................................ 1 1.2.2图像预处理的内容 .............................................. 2 1.2.3 数字图像处理的应用 ............................................ 3 1.3MATLAB ............................................................ 4 1.3.1 matlab简述 ................................................... 4 1.3.2 matlab处理图像的特点 ......................................... 5 第二章 数字图像处理的灰度直方图 ........................................ 6 2.1灰度的定义 ........................................................ 6 2.2直方图定义 ........................................................ 6 2.2.1直方图的典型用途 .............................................. 6 2.2.2灰度直方图的计算 .............................................. 7 2.2.3图像直方图实现代码 ............................................ 7 2.3直方图均衡 ........................................................ 8 2.3.1 直方图均衡原理 ................................................ 8 2.3.2直方图均衡的实现 .............................................. 8 第三章 图像平滑与图像锐化 ............................................. 12 3.1图像的平滑 ....................................................... 12 3.1.1领域平均法基础理论 ........................................... 12 3.1.2算法实现 ..................................................... 13 3.2图像锐化 ......................................................... 15 3.2.1图像锐化的目的和意义 ......................................... 15 3.2.2图像锐化算法 ................................................. 15 3.2.3图像锐化的实现代码 ........................................... 16 第四章 图像噪声与噪声的处理 ........................................... 18

4.1噪声的概念 ....................................................... 18 4.2图像噪声对图像的影响 ............................................. 18 4.3噪声来源 ......................................................... 18 4.4噪声图像模型及噪声特性 ........................................... 19 4.4.1 含噪模型 ..................................................... 19 4.4.2 噪声特性 ..................................................... 20 4.5图像二值化 ....................................................... 20 4.5.1理论基础 ..................................................... 20 4.5.2图像二值化的实现代码 ......................................... 20 4. 6二值图像的去噪 .................................................. 21 4.6.1理论基础 ..................................................... 21 4.6.2二值图像去噪的实现代码 ....................................... 22 第五章 结论 ........................................................... 24 参考文献 .............................................................. 25

第一章 绪 论

1.1何谓数字图像处理

数字图像处理(Digital Image Processing) ,就是利用数字计算机或则其 他数字硬件, 对从图像信息转换而得到的电信号进行某些数学运算, 以提高图像 的实用性。 例如从卫星图片中提取目标物的特征参数, 三维立体断层图像的重建 等。总的来说,数字图像处理包括点运算、几何处理、图像增强、图像复原、图 像形态学处理、 图像编码、 图像重建、 模式识别等。 目前数字图像处理的应用越 来越广泛,已经渗透到工业、医疗保健、航空航天、军事等各个领域,在国民经 济中发挥越来越大的作用。

1.2 数字图像处理的特点及其应用

在计算机出现之前, 模拟图像处理占主导地位。 随着计算机的发展, 数字图 像处理发展速度越来越快。 尽管目前一般采用顺序处理的计算机, 对大数据量的 图像处理速度不如光学方法快, 但是其处理的精度高, 实现多种功能的、 高度复 杂的运算求解非常灵活方便。 在其短短的历史中, 它却成功的应用于几乎所有与 成像有关的领域,并正发挥相当重要的作用。

1.2.1 数字图像处理的特点

同模拟图像处理相比,数字图像处理有很多优点。主要表现在:

1. 精度高

不管是对 4bit 还是 8bit 和其他比特图像的处理, 对计算机程序来说几乎是 一样的。 即使处理图像变大, 只需改变数组的参数, 而处理方法不变。 所以从原 理上不管处理多高精度的图像都是可能的。 而在模拟图像处理中, 要想使精度提 高一个数量级,就必须对处理装置进行大幅度改进。

2. 再现性好

不管是什么图像, 它们均用数组或集合表示。 将它们输入到计算机内, 用计 算机容易处理的方式表示。 在传送和复制图像时, 只在计算机内部进行处理, 这 样数据就不会丢失或遭破坏, 保持了完好的再现性。 而在模拟图像处理中, 就会 因为各种干扰及设备故障而无法保持图像的再现性。

3. 通用性、灵活性高

不管是可视图像还是 X 线照片、 红外线热成像、 超声波图像等不可见光成像, 尽管这些图像成像体系中的设备规模和精度各不相同, 但当把图像信号直接进行 A/D变换,或记录成照片再数字化,对于计算机来说都能用二维数组表示,不管 什么样的图像都可以用同样的方法进行处理, 这就是计算机处理的通用性。 另外, 对处理程序自由加以改变,可进行各种各样的处理。如上下滚动、漫游、拼图、 合成、变换、放大、缩小和各种逻辑运算等,所以灵活性很高。

1.2.2图像预处理的内容

在图像分析中, 对输入图像进行特征抽取、 分割和匹配前所进行的处理。 图 像预处理的主要目的是消除图像中无关的信息, 恢复有用的真实信息, 增强有关 信息的可检测性和最大限度地简化数据, 从而改进特征抽取、 图像分割、 匹配和 识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增 强等步骤。

1. 数字化

一幅原始照片的灰度值是空间变量(位置的连续值)的连续函数。在 M×N点阵上对照片灰度采样并加以量化(归为 2b 个灰度等级之一),可以得到计算 机能够处理的数字图像。 为了使数字图像能重建原来的图像 , 对 M 、 N 和 b 值的大 小就有一定的要求。 在接收装置的空间和灰度分辨能力范围内 ,M 、 N 和 b 的数值 越大 , 重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期 的一半时, 重建图像的频谱等于原始图像的频谱, 因此重建图像与原始图像可以 完全相同。由于 M 、 N 和 b 三者的乘积决定一幅图像在计算机中的存储量,因此 在存储量一定的条件下需要根据图像的不同性质选择合适的 M 、 N 和 b 值,以获 取最好的处理效果。

2. 几何变换

用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。 对 于卫星图像的系统误差, 如地球自转、 扫描镜速度和地图投影等因素所造成的畸 变 , 可以用模型表示 , 并通过几何变换来消除。 随机误差如飞行器姿态和高度变化 引起的误差, 难以用模型表示出来, 所以一般是在系统误差被纠正后, 通过把被 观测的图和已知正确几何位置的图相比较, 用图中一定数量的地面控制点解双变 量多项式函数组而达到变换的目的。

3.归一化

使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。 图像的 某些性质,例如物体的面积和周长,本来对于坐标旋转来说就具有不变的性质。 在一般情况下, 某些因素或变换对图像一些性质的影响可通过归一化处理得到消 除或减弱,从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片,

灰度直方图的归一化对于图像分析是十分必要的。 灰度归一化、 几何归一化和变 换归一化是获取图像不变性质的三种归一化方法。

4. 图像平滑

消除图像中随机噪声的技术。 对平滑技术的基本要求是在消去噪声的同时不 使图像轮廓或线条变得模糊不清。常用的平滑方法有中值法、局部求平均法和 k 近邻平均法。局部区域大小可以是固定的,也可以是逐点随灰度值大小变化的。 此外,有时应用空间频率域带通滤波方法。

5. 复原

校正各种原因所造成的图像退化, 使重建或估计得到的图像尽可能逼近于理 想无退化的像场。 在实际应用中常常发生图像退化现象。 例如大气流的扰动, 光 学系统的像差, 相机和物体的相对运动都会使遥感图像发生退化。 基本的复原技 术是把获取的退化图像 g(x, y) 看成是退化函数 h(x, y) 和理想图像 f(x, y) 的 卷积。它们的傅里叶变换存在关系 G(u, v =H(u, v)F(u, v) 。根据退化机理确 定退化函数后, 就可从此关系式求出 F(u, v) , 再用傅里叶反变换求出 f(x, y) 。 通常把 称为反向滤波器。实际应用时,由于 H(u, v) 随离开 uv 平面原点的距离 增加而迅速下降,为了避免高频范围内噪声的强化,当 u2+v2大于某一界限值 W 娿时,使 M(u, v) 等于 1。 W0的选择应使 H(u, v) 在 u2+v2≤W 范围内不会出现 零点。图像复原的代数方法是以最小二乘法最佳准则为基础。寻求一估值 , 使优 度准则函数值最小。 这种方法比较简单, 可推导出最小二乘法维纳滤波器。 当不 存在噪声时,维纳滤波器成为理想的反向滤波器。

6. 增强

对图像中的信息有选择地加强和抑制, 以改善图像的视觉效果, 或将图像转 变为更适合于机器处理的形式, 以便于数据抽取或识别。 例如一个图像增强系统 可以通过高通滤波器来突出图像的轮廓线, 从而使机器能够测量轮廓线的形状和 周长。 图像增强技术有多种方法, 反差展宽、 对数变换、 密度分层和直方图均衡 等都可用于改变图像灰调和突出细节。 实际应用时往往要用不同的方法, 反复进 行试验才能达到满意的效果。

1.2.3 数字图像处理的应用

计算机图像处理和计算机、 多媒体、 智能机器人、 专家系统等技术的发展紧 密相关。 近年来计算机识别、 理解图像的技术发展很快, 也就是图像处理的目的 除了直接供人观看 (如医学图像是为医生观看作诊断) 外, 还进一步发展了与计 算机视觉有关的应用, 如邮件自动分检, 车辆自动驾驶等。 下面仅罗列了一些典 型应用实例,而实际应用更广。

1. 在生物医学中的应用

主要包括显微图像处理; DNA 显示分析;红、白血球分析计数;虫卵及组织 切片的分析;癌细胞的识别;染色体分析等等。

2. 遥感航天中的应用

军事侦察、定位、导航、指挥等应用;多光谱卫星图像分析;地形、地图、 国土普查;地质、矿藏勘探;天文、太空星体的探测及分析等。

3. 工业应用

CAD 和 CAM 技术用于模具、 零件制造、 服装、 印染业; 零件、 产品无损检测, 焊缝及内部缺陷检查;交通管制、机场监控;火车车皮识别等。

4. 军事公安领域中的应用

巡航导弹地形识别; 指纹自动识别; 警戒系统及自动火炮控制; 反伪装侦察; 手迹、人像、印章的鉴定识别;过期档案文字的复原;集装箱的不开箱检查等。 5. 其他应用

图像的远距离通信;多媒体计算机系统及应用;电视电话;服装试穿显示; 理发发型预测显示;电视会议;办公自动化、现场视频管理等。

1.3 MATLAB

1.3.1 matlab简述

MATLAB 是矩阵实验室(Matrix Laboratory )的简称,是美国 MathWorks 公 司出品的商业数学软件, 用于算法开发、 数据可视化、 数据分析以及数值计算的 高级技术计算语言和交互式环境,主要包括 MATLAB 和 Simulink 两大部分。 MATLAB 是由美国 mathworks 公司发布的主要面对科学计算、可视化以及交 互式程序设计的高科技计算环境。 它将数值分析、 矩阵计算、 科学数据可视化以 及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环 境中, 为科学研究、 工程设计以及必须进行有效数值计算的众多科学领域提供了 一种全面的解决方案, 并在很大程度上摆脱了传统非交互式程序设计语言 (如 C 、 Fortran )的编辑模式,代表了当今国际科学计算软件的先进水平。

MATLAB 和 Mathematica 、 Maple 并称为三大数学软件。它在数学类科技应用 软件中在数值计算方面首屈一指。 MATLAB 可以进行矩阵运算、绘制函数和数据、 实现算法、创建用户界面、连接其他编程语言的程序等,主要应用于工程计算、 控制设计、 信号处理与通讯、 图像处理、 信号检测、 金融建模设计与分析等领域。 MATLAB 的基本数据单位是矩阵,它的指令表达式与数学、工程中常用的形 式十分相似, 故用 MATLAB 来解算问题要比用 C , FORTRAN 等语言完成相同的事情 简捷得多,并且 MATLAB 也吸收了像 Maple 等软件的优点 , 使 MATLAB 成为一个强

大的数学软件。在新的版本中也加入了对 C , FORTRAN , C++ , JAVA 的支持。可 以直接调用 , 用户也可以将自己编写的实用程序导入到 MATLAB 函数库中方便自 己以后调用,此外许多的 MATLAB 爱好者都编写了一些经典的程序,用户可以直 接进行下载就可以用。

1.3.2 matlab处理图像的特点

第一, MATLAB 的基本数据单位是矩阵,它的指令表达式与数学 , 工程中常用 的形式十分相似 , 故用 MATLAB 来解算问题要比用 C,FORTRAN 等语言完成相同的事 情简捷得多。

第二,友好的工作平台和编程环境。 MATLAB 由一系列工具组成。这些工具 方便用户使用 MATLAB 的函数和文件,其中许多工具采用的是图形用户界面。包 括 MATLAB 桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于 用户浏览帮助、工作空间、文件的浏览器。

第三,简单易用的程序语言。 Matlab 一个高级的距阵 /阵列语言,它包含控 制语句、 函数、 数据结构、 输入和输出和面向对象编程特点。 用户可以在命令窗 口中将输入语句与执行命令同步, 也可以先编写好一个较大的复杂的应用程序 (M文件 ) 后再一起运行。

第四,强大的科学计算机数据处理能力。 MATLAB 是一个包含大量计算算法 的集合。 其拥有 600多个工程中要用到的数学运算函数, 可以方便的实现用户所 需的各种计算功能。

第五,出色的图形处理功能, MATLAB 自产生之日起就具有方便的数据可视 化功能, 以将向量和距阵用图形表现出来, 并且可以对图形进行标注和打印。 高 层次的作图包括二维和三维的可视化、 图象处理、 动画和表达式作图。 可用于科 学计算和工程绘图。

第六,应用广泛的模块集合工具箱, MATLAB 对许多专门的领域都开发了功 能强大的模块集和工具箱。 一般来说, 他们都是由特定领域的专家开发的, 用户 可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。 文章主要分为四部分, 其中, 文章的开头简单介绍了数字图像应用的发展过 程,还对本文应用的 matlab 开发工具的发展进行简单讲述。文章的第二部分主 要针对图像预处理系统中怎么做到灰度转换及灰度直方图的构建。 第三部分讲的 是图像的预处理技术,其中包括图像平滑、锐化等。第四部分讲的是噪声处理, 噪声特性以及 matlab 去除噪声的方法。

第二章 数字图像处理的灰度直方图

2.1灰度的定义

灰度使用黑色 调表示物体。 每个灰度对象都 具有从 0%(白色)到

图 2.1灰度条

100%(黑色)的亮度值。 使用黑白或灰度扫描仪生成的图 像通常以灰度显 示。使用灰度 还可将彩色图稿转换为高质量黑 白图稿。

灰度级变换 (点运算 ) 的定义

★对于输入图象 f(x, y) ,灰度级变换 T 将产生一个输出图像 g(x, y) ,且 g(x, y) 的每一个像素值都是由 f(x, y) 的对应输入像素点的值决定的, g(x, y)=T(f(x, y)) 。

★对于原图象 f(x, y) 和灰度值变换函数 T(f(x, y)) , 由于灰度值总是有限 个 (如:O ~2 5 5),非几何变换可定义为:R=T(r)。

2.2直方图定义

直方图:图像直方图是图像处理中一种十分重要的图像分析工具, 它描述了 一幅图像的灰度级内容, 任何一幅图像的直方图都包含了丰富的信息, 它主要用 在图象分割,图像灰度变换等处理过程中。

从数学上来说图像直方图是图像各灰度值统计特性与图像灰度值的函数, 它 统计一幅图像中各个灰度级出现的次数或概率; 从图形上来说, 它是一个二维图, 横坐标表示图像中各个像素点的灰度级, 纵坐标为各个灰度级上图像各个像素点 出现的次数或概率。直方图的纵坐标都对应着该灰度级在图像中出现的概率。 2.2.1直方图的典型用途

对图像进行数字化时, 利用直方图可以检查输入图像的灰度值在可利用的灰 度范围内分配得是否适当。

在医学方面,为了改善 X 射线操作人员的工作条件,可采用低辐射 X 射线 曝光,但这样获得的 X 光片灰度级集中在暗区,导致某些图像细节无法看清, 判读困难。通过直方图修正使灰度级分布在人眼合适的亮度区域,便可使 X 片 中的细节清晰可见。

可以根据直方图确定二值化的阈值; 当物体部分的灰度值比其它部分的灰度 值大时, 可以用直方图求出物体的面积 (实际上是象素数 =灰度大于和等于 q 的象 素的总和 ) ;当物体部分的灰度值比其它部分的灰度值大时,可以用直方图求出 物体的面积 (实际上是象素数 =灰度大于和等于 q 的象素的总和 ) ;利用色彩直方 图可以进行基于颜色的图象分割。

2.2.2灰度直方图的计算

若图象具有 L 级灰度 (通常 L=256,即 8位灰度级 ) ,则大小为 m(n的灰度图 象 f(x, Y) 的灰度直方图 H[k],k=0?L -1,可按如下步骤计算获得:

1) 初始化数据,清空表中所以内容;

2) 对图像中的各个像素中的灰度级进行统计,并把其相各个灰度级中所对 应的像素点统计下来;

3) 用横坐标表示图像中各个像素点的灰度级,纵坐标表示各个灰度级上图 像各个像素点出现的次数或概率。

2.2.3图像直方图实现代码

[A,map]=imread('f:\234.bmp');

imshow(A,map),

image=double(A);

for i=1:256,

a(i)=0;

end,

for i=1:256,

for j=1:256,

b=image(i,j)+1;

a(b)=a(b)+1;

end,

end,

for k=1:256,

p(k)=a(k)/(256^2);

end,

figure,stem(p);

用上述代码生成图 2.2的直方图,结果如图 2.3所示。

图 2.2 原图 图 2.3 直方图

2.3直方图均衡

中文名称:直方图均衡

英文名称:histogram equalization

定 义:使原直方图变换为具有均匀密度分布的直方图, 然后按该直方图调整 原图像的一种图像处理技术。

2.3.1 直方图均衡原理

直方图均衡化是灰度变换的一个重要应用, 广泛应用在图像增强处理中, 它 是以累计分布函数变换为基础的直方图修正法, 可以产生一幅灰度级分布具有均 匀概率密度的图像,扩展了像素的取值动态范围。若像素点的原灰度为 R ,变换 后的灰度为 S ,需要注意的是 R 、 S 是归一化后的灰度值,其灰度变换函数 T(R)为:

?=-≤≤===∑∑

==1, 010) () (0k l R n n R p R T S j k

o j j j k j r ; ; (2-1)

式中, ) (j R P r 是第 j 级灰度值的概率, j n 是图像中 j 级灰度的像素总数, l

是图像中灰度级的总数目, n 是图象中像素的总数。 对变换后的 S 值取最靠近的 一个灰度级的值, 建立灰度级变换表, 将原图像变换为直方图均衡的图像。 下面 是实现图像直方图均衡化函数的源代码和效果图:

2.3.2直方图均衡的实现

(1) 对给定的待处理图像统计其直方图,求出 ()N n r P k k r /=.

(2) 根据统计出的直方图采用累积分布函数作变换 , 求变换后的新灰度;

) () (0k j k

j r k R p R T S ∑==

= (2-2)

(3) 用新灰度代替旧灰度,求出 Ps(s),这一步是近似过程,应根据处理目 的尽量做到合理,同时把灰度值相等或近似地合并到一起。

[A,map]=imread('f:\456.bmp');

imshow(A,map),

title('原图 ');

image=double(A);

for i=1:256,

n(i)=0;

end,

for i=1:256,

for j=1:256,

s=image(i,j)+1;

n(s)=n(s)+1;

end,

end,

for k=1:256,

p(k)=n(k)/(256^2);

end,

figure,bar(p,'r');

title('直方图 ');

for k=1:256,

q(k)=0;

end,

for k=1:256,

for j=1:k,

q(k)=q(k)+p(j);

end,

end,

figure,bar(q,'y');

title('累积直方图 ');

N=256;

for k=1:256,

o(k)=round((N-1)*q(k)+0.5);

end,

for i=1:256,

for j=1:256,

rimage(i,j)=(image(i,j));

end

end

figure,imshow(uint8(rimage));

title('均衡化后的图 ');

for i=1:256,

n(i)=0;

end,

for i=1:256,

for j=1:256,

s=rimage(i,j)+1;

n(s)=n(s)+1;

end,

end,

for k=1:256,

p(k)=n(k)/(256^2);

end,

figure,bar(p,'b');

title('均衡化的直方图 ');

图 2.4 原图 图 2.5 原始图象的直方图

图 2.6 直方图均衡化后的效果图 图 2.7 均衡化后的直方图

从上述效果图可以看出, 经过直方图均衡化处理后, 图像变的清晰了, 从直 方图来看,处理后的 LENA 的图像直方图分布更均匀了,在每个灰度级上图像都 有像素点。但是直方图均衡化存在着两个缺点:

(1)变换后图像的灰度级减少,某些细节消失;

(2)某些图像,如直方图有高峰,经处理后对比度不自然的过分增强。

第三章 图像平滑与图像锐化

3.1图像的平滑

图像的平滑方法是一种实用的图像处理技术, 能减弱或消除图像中的高频率 分量, 但不影响低频率分量。 因为高频率分量主要对应图像中的区域边缘等灰度 值具有较大较快变化的部分, 平滑滤波将这些分量滤去可减少局部灰度起伏, 使 图像变得比较平滑。 实际应用中, 平滑滤波还可用于消除噪声, 或者在提取较大 目标前去除过小的细节或将目标内的小间断连接起来。 它的主要目的是消除图像 采集过程中的图像噪声, 在空间域中主要利用邻域平均法、 中值滤波法和选择式 掩模平滑法等来减少噪声; 在频率域内, 由于噪声主要存在于频谱的高频段, 因 此可以利用各种形式的低通滤波器来减少噪声。 本节主要介绍常用的空间域图像 平滑方法。

3.1.1领域平均法基础理论

最简单的平滑滤波是将原图中一个像素的灰度值和它周围邻近 8个像素的 灰度值相加,然后将求得的平均值(除以 9)作为新图中该像素的灰度值。它采 用模板计算的思想, 模板操作实现了一种邻域运算, 即某个像素点的结果不仅与 本像素灰度有关, 而且与其邻域点的像素值有关。 模板运算在数学中的描述就是 卷积运算,这里不再赘述。邻域平均法也可以用数学公式表达:

设 ) , (j i f 为给定的含有噪声的图像,经过邻域平均处理后的图像为 ) , (j i g , 则 :

M j i N j i f j i g ∈=

∑) , (, ) , () , (, (3-1) M 所取邻域中各邻近像素的坐标, N 是邻域中包含的邻近像素的个数。邻

域平均法的模板为:????

??????11111111191,中间的黑点表示以该像素为中心元素,即该像 素是要进行处理的像素。 在实际应用中, 也可以根据不同的需要选择使用不同的 模板尺寸,如 3×3、5×5、7×7、9×9等。

邻域平均处理方法是以图像模糊为代价来减小噪声的, 且模板尺寸越大, 噪 声减小的效果越显著。如果 ) , (j i f 是噪声点,其邻近像素灰度与之相差很大,采 用邻域平均法就是用邻近像素的平均值来代替它, 这样能明显消弱噪声点, 使邻 域中灰度接近均匀, 起到平滑灰度的作用。 因此, 邻域平均法具有良好的噪声平 滑效果,是最简单的一种平滑方法。

3.1.2算法实现

程序中采用的是 3×3的模板,即把当前图像 )

,

(j

i

f 和它周围 8个像素的灰 度值相加,然后将求得的平均值(除以 9)作为该点的像素值。

[A,map]=imread('f:\234.bmp');

figure(1);

imshow(A,map),

title('原图 ');

image=double(A);

for i=1:256,

a(i)=0;

end,

for i=2:255,

for j=2:255,

b=image(i-1,j-1)+image(i-1,j)+image(i-1,j+1)

+image(i,j-1)+image(i,j)+image(i,j+1)

+image(i+1,j-1)+image(i+1,j)+image(i+1,j+1);

b=b/9;

image(i,j)=b;

end,

end,

figure(2);

imshow(image,map),

title('平滑 ');

使用上述代码对含有高斯噪声的图像 3.1分别利用邻域平均法的不同尺寸 模板进行平滑后的实验结果,图 3.2、图 3.3显示的是分别使用了 3×3、5×5模板平滑后的图像。 从实验结果可以看出, 当所用平滑模板尺寸增大时, 对噪声 的消除效果也有所增强, 但同时会带来图像的模糊, 边缘细节逐步减少, 且运算 量增大。在实际应用中,可以根据不同的应用场合选择合适的模板大小。

原 图

图 3.1 含有噪声的原始图像 平 滑 3*3

图 3.2 3×3邻域平均法的平滑图像 平 滑 5*5

图 3.3 5×5邻域平均法的平滑图像

3.2图像锐化

3.2.1图像锐化的目的和意义

图像锐化是一种补偿轮廓、突出边缘信息以使图像更为清晰的处理方法 . 锐 化的目标实质上是要增强原始图像的高频成分 . 常规的锐化算法对整幅图像进行 高频增强 , 结果呈现明显噪声 . 为此 , 在对锐化原理进行深入研究的基础上 , 提出 了先用边缘检测算法检出边缘 , 然后根据检出的边缘对图像进行高频增强的方法 . 实验结果表明 , 该方法有效地解决了图像锐化后的噪声问题

锐化的目的在于使图像中对象轮廓上的像素灰度大的更大, 小的更小, 但对 轮廓外的像素不起作用。 由于这一原因, 图像的锐化对孤立点或对孤立线条的 边 缘增强作用十分明显,但在一定程度上也会对噪声信号产生增强作用。

图像锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细节。 模 糊可能是由于错误操作,或者是由于图像获取方法的固有影响所导致的。例如, 当图像的分辨率有限时, 所获得的像素值不是一点的亮度, 而是周围景物亮度的 平均值。

图像平滑往往使图像中的边界、 轮廓变的模糊, 为了减少这类不利效果的影 响, 这就需要利用图像鋭化技术, 使图像的边缘变的清晰。 图像銳化处理的目的 是为了使图像的边缘、 轮廓线以及图像的细节变的清晰, 经过平滑的图像变得模 糊的根本原因是因为图像受到了平均或积分运算, 因此可以对其进行逆运算 (如 微分运算) 就可以使图像变的清晰。 从频率域来考虑, 图像模糊的实质是因为其 高频分量被衰减,因此可以用高通滤波器来使图像清晰。

3.2.2图像锐化算法

为了要把图像中间任何方向伸展的的边缘和轮廓线变得清晰, 我们希望对图 像的某种运算是各向同性的。可以证明偏导平方和的运算是各向同性的,既 :

2

222???? ????+??? ????=???? ??'??+??? ??'??y f x f y f x f (3-2) 式中 ()y x , 是图像旋转前的坐标, ()y x '', 是图像旋转后的坐标。梯度运算就是在 这个式子的基础上开方得到的。图像(x , y )点的梯度值:

f k f g 2?-=τ (3-3)

为了突出物体的边缘, 常常采用梯度值的改进算法, 将图像各个点的梯度值 与某一阈值作比较, 如果大于阈值, 该像素点的灰度用梯度值表示, 否则用一个 固定的灰度值表示。 我们在对图像增强的过程中, 采用的是一种简单的高频滤波

增强方法:

()()()()()1, , , 1, , 2

1

22+-++-≈???????????? ????+??? ????=y x f y x f y x f y x f y f x f y x G (3-4)

式中 f , g 分别为锐化前后的图像, τk 是与扩散效应有关的系数。 f 2?表示 对图像 f 进行二次微分的拉普拉斯算子。 这表明不模糊的图像可以由模糊的图像 减去乘上系数的模糊图像拉普拉斯算子来得到。 2?可以用下面的模板 H={{1, 4, 1}, {4, -20, 4}, {1, 4, 1}}来近似。在具体实现时,上述模板 H 中的各个系 数可以改变, τk 这个系数的选择也很重要,太大了会使图像的轮廓过冲,太小 了则图像锐化不明显。实验表明, τk 选取 2-8之间往往可以达到比较满意的效 果。下面给出 τk 等于 4的情况下的实现代码和效果图。

3.2.3图像锐化的实现代码

[A,map]=imread('f:\234.bmp');

figure(1);

imshow(A,map),

title('原图 ');

image=double(A);

for i=2:255,

for j=2:255,

b=image(i,j)-2*[1*image(i-1,j-1)+4*image(i-1,j)+1*image(i-1,j+1)+4*image(i,j-1)-20*image(i,j)+4*image(i,j+1)+1*image(i+1,j-1)+4*image(i+1,j)+1*i

mage(i+1,j+1)];

image(i,j)=b;

end,

end,

figure(2);

imshow(image,map),

title('锐化 ');

原 图

图 3.5原图

图 3.6锐化图

从上述效果图可以看出,经过拉普拉斯锐化处理后,图像变的色彩浓密了, 从拉普拉斯锐化图来看,处理后的 LENA 的图像像素点对比度更明显了,图像的 边缘和轮廓都变的清晰了,每个像素点都被体现了出来。

第四章 图像噪声与噪声的处理

4.1噪声的概念

目前大多数数字图像系统中, 输入图像都是采用先冻结再扫描方式将多维图 像变成一维电信号, 再对其进行处理、 存储、 传输等加工变换。 最后往往还要在 组成多维图像信号, 而图像噪声也将同样受到这样的分解和合成。 在这些过程中 电气系统和外界影响将使得图像噪声的精确分析变得十分复杂。 另一方面图像只 是传输视觉信息的媒介, 对图像信息的认识理解是由人的视觉系统所决定的。 不 同的图像噪声,人的感觉程度是不同的,这就是所谓人的噪声视觉特性课题。 图像噪声在数字图像处理技术中的重要性越来越明显,如高放大倍数航片的判 读,X射线图像系统中的噪声去除等已经成为不可缺少的技术步骤。

4.2图像噪声对图像的影响

人类获取外界信息有视觉、听觉、触觉、味觉等多种方法,但绝大部分 (约 80%)是来自视觉所接收的图像信息, 即所谓“百闻不如一见”。 而图像处理就是 对图像息进行加工处理, 以满足人的视觉心理和实际应用的要求。 因此, 图像处 理技术的广泛研究和应用是必然的趋势。 在分析和使用图像之前, 需要对图像信 号进行一系列处理。 比如调整图像存储的格式, 对图像进行去噪等等。 图像处理 是针对性很强的技术, 根据不同用途、 不同要求采用不同的处理方法。 采用的方 法是综合各学科较先进的成果而成的, 如数学、 物理学、 心理学、 生理学、 医学、 计算机科学、通信理论、信号分析、控制论和系统工程等,各学科相互补充、相 互渗透才使数字图像处理技术飞速发展。

一般来说,在图像采集、编码、传输、恢复的几个基本步骤中,影响图像质 量的因素很多。 例如, 现实图像中无用的信息对我们而言就是噪声, 设备、 环境、 获取方法等因素也会引入许多噪声干扰。 如电磁干扰、 相片颗粒噪声、 采集图像 信号的传感器噪声、 信道噪声、 甚至滤波器产生的噪声等等。 所以, 为了提高图 像的质量以及后续更高层次的处理,对图像进行去噪处理是不可缺少的重要环 节,而寻求一种行之有效的去噪方法也是人们一直在进行的工作。

4.3噪声来源

4.4 噪声图像模型及噪声特性

4.4.1 含噪模型

现实中的数字图像在数字化和传输过程中, 常受到成像设备与外部环境噪声 干扰等影响, 成为含噪图像。 去除或减轻在获取数字图像中的噪声称为图像去噪 , 在图像去噪之前我们先要建立一个含噪图像的模型, 为了简便, 我们研究如下的 加性噪声模型,即含噪图像仅由原始图像叠加上一个随机噪声形成 :

()()()y

x

y

x

f

y

x

g ,

,

, ν

+

=(4-2)

()y

x

f , 表示图像, ()y

x

v , 为噪声,含噪图像记为 ()y

x

g , 。

4.4.2 噪声特性

在对这个含噪模型进行研究之前, 我们有必要了解一下噪声的一些特性, 经 常影响图像质量的噪声源可分为三类。 人们对其生成原因及相应的模型作了大量 研究 :

1、电子噪声。在阻性器件中由于电子随机热运动而造成的电子噪声是三种 模型中最简单的, 一般常用零均值高斯白噪声作为其模型, 它可用其标准差来完 全表征。

2、光电子噪声。由光的统计本质和图像传感器中光电转换过程引起,在弱 光照的情况下常用具有泊松分布的随机变量作为光电噪声的模型,在光照较强 时,泊松分布趋向于更易描述的高斯分布。

3、感光片颗粒噪声。由于曝光过程中感光颗粒只有部分被曝光,而其余部 分则未曝光, 底片的密度变化就由曝光后的颗粒密集程度变化所决定, 而算曝光 颗粒的分布呈现一种随机性。 在大多数情况下, 颗粒噪声可用高斯白噪声作为有 效模型。

通过以上分析可以看出, 绝大多数的常见图像噪声都可用均值为零, 方差不 同的高斯白噪声作为其模型, 因而为了简便和一般化, 我们采用零均值的高斯白 噪声作为噪声源。

4.5 图像二值化

4.5.1理论基础

图像包括目标、 背景还有噪声 , 怎样从多值的数字图像中仅提取出目标 , 常用 的方法就是设定某一阈值 T, 用 T 将图像的数据分成 2大部分 :大于 T 的像素群和 小于 T 的像素群 . 这种方法称为图像的二值化 . 二值化处理就是把图像分成目标 和背景 2个区域 . 二值化是数字图像处理中一项最基本的变换方法 , 通过非零取 一固定阈值、双固定阈值等不同的阈值化变换方法 , 使一幅灰度图像变成了黑白 二值图像 , 将我们所需的目标从复杂的图像背景中提取出来 . 阈值 [5-6]处理的操 作过程是指定一个阈值 , 如果图像中某像素的灰度值小于该阈值 , 则将该像素的 灰度值设置为 0或 255, 否则灰度值设置为 255或 0.

4.5.2图像二值化的实现代码

图像二值化的实现步骤如下:

(1)取得原图的数据区指针

(2)每个像素依次循环 , 若该像素灰度值为 0, 则不变 ; 若该像素灰度值不为 0,

则置为 255。

图像二值化代码如下 :

[A,map]=imread('f:\521.bmp'); figure(1);

imshow(A,map), title('原图 '); image=double(A); for i=1:600, for j=1:600,

if (image(i,j) > 200) image(i,j)=255; else

image(i,j)=0; end; end, end, figure(2);

imshow(image,map), title('二值化

');

原

图

二 值 化

图 4.1原图 图 4.2二值化处理后图

4. 6 二值图像的去噪

4.6.1理论基础

图像在形成、传输、接收和处理的过程中 , 不可避免地存在着外部以及内部 的干扰 , 比如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程的量化噪 声、传输过程中的误差 , 还有人为的因素等等 , 均会存在着一定程度的噪声干扰 . 噪声恶化了图像质量 , 致使图像模糊 , 特征不明显。 例如在车牌识别的处理过程中 噪声带来的影响可以通过二值化去噪得到很好的处理效果。

4.6.2二值图像去噪的实现代码

二值图像去噪的实现步骤如下:

(1)取得图像大小、数据区指针 , 并把数据区复制到缓冲区去

(2)循环取得各点的像素值

(3)取得该点周围 8像素的平均值

(4)把缓冲区中改动的数据复制到原数据区中

程序代码如下 :

clear;

close all;

I=imread('f:\54.bmp');

I=rgb2gray(I);

imwrite(I,'f:\544.bmp');

[A,map]=imread('f:\544.bmp');

figure(1);

imshow(A,map),

title('原图 ');

image=double(A);

for i=1:170,

for j=1:486,

if (image(i,j) > 90)

image(i,j)=255;

else

image(i,j)=0;

end;

end,

end,

figure(2);

imshow(image,map),

title('二值化去噪 ');

图 4.3 二值图像

图 4.4 二值图像去噪后图

利用 matlab 实现了上述算法 , 通过实验证明 , 利用 matlab 编写的这些程序 , 执行效率很高 , 所以对车牌进行实时识别能够满足这些要求 , 并且经过对车牌图 像的二值化以及去噪等处理 , 车牌识别的准确率有了很大的提高 .

第五章 结论

图像在人类的日常生活中以处于不可以缺少的部分, 本文为获得高质量的图 像而进行一系列的研究,从而一步一步解决图像中所存在的问题。

第一章简单的介绍了图像处理, 图像处理的重要意义以及图像处理在人们日 常生活中不可缺少的位置;并简单介绍了 matlab 的基本操作以及用 matlab 做图 像处理的特点,从而让我更深一步的了解了 matlab 的操作和图片的优化。 第二章介绍了灰度及直方图, 它在图像处理中也至关总要, 通过用直方图的 对比让我们轻松了解到图像前后的差异以及图像中所存在的不足之处!

第三章向我们展示的了图像的平滑与锐化, 图像的平滑有邻域平均法、 中值 滤波法和选择式掩模平滑法等来减少噪声, 本文主要讲解了邻域平均法, 邻域平 均处理方法是以图像模糊为代价来减小噪声的, 且模板尺寸越大, 噪声减小的效 果越显著。 图像锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细 节。

第四章讲述了噪声的定义, 噪声对图像的影响以及去噪的方法, 从不同角度 介绍了图像中噪声的来源和模型, 以及如何计算信噪比及编程实现随机噪声和椒 盐噪声的添加。通过 matlab 从而减少图像中的噪声而获得高质量的图像。通过 用实验证明,领域平均法去噪是可行的!

参考文献

[1] 何东健,数字图像处理,西安电子科技大学出版社, 2007.

[2] 求是科技 苏彦华, Visual C++数字图像识别技术典型案例, 2004.

[3] 张慧明,图像处理算法的快速验证平台 [D].西安电子科技大学, 2007.

[4] 曾莹,陈晓柱, VC++下的图像处理算法 [J].电脑与电信, 2007.

[5] 王广新,基于 FPGA 的声纳图像处理卡的设计与实现 [D].哈尔滨工程大学, 2009. [6] 谭林秋,基于 VC++的数字图像处理系统的开发及算法研究 [J].西安理工大学, 2008. [7] 聂絮飞,基于 VC++的图像数据采集与界面化显示研究 [J]。黑龙江科技信息, 2010. [8] 张凯, VC++在图像处理技术方面的应用 [J].内江科技, 2006.

[9] 王宇含, 金声震, 基于 FPGA 的高速图像预处理系统设计 [J].电子科技大学学报, 2005. [10] 杨文强,吴冰,陈步威, Visual C++在图像处理中的应用研究 [J].河南理工大学学报, 2008.

[11] 杨文杰,刘浩学 . JJ 数字图像处理系统的研制 [J].北京印刷学院学报, 2002.

致 谢

在毕业论文完成之际, 我首先要感谢黄光亚老师的悉心指导, 她严谨的治学 态度, 一丝不苟的敬业精神给我留下了深刻的印象。 感谢她在百忙之中甚至在怀 孕期间也一直督促关心着我的本科论文的写作。 她的博学、 勤勉以及平和的为人, 使我油然而生敬意。

再次感谢黄光亚老师给我这个机会加入到图像预处理项目中来, 使我能够学 习到许多图像处理学科前沿的知识, 而且通过实际项目开发, 积累了宝贵的实践 经验,提高了我用 matlab 的操作和编程能力。

感谢宁兵兵同学, 在与他的交流和讨论中我受益匪浅, 同时也被他刻苦钻研 的精神所深深感染。 他乐于助人, 耐心的解答我提出的问题, 对我的论文提出了 许多中肯的修改意见,并对一些技术上的细节给予了很大的帮助。

感谢我的父母,是他们给予了我无私的奉献、支持和鼓励。

遥感图像预处理的意义

遥感图像预处理的意义

遥感是利用地物电磁波辐射水平的灰度信息，通过处理、分析、解译，达到地物识别和专题研究的目的。但是，影像的成像过程受到很多因素的影响，如卫星速度变化、电磁波与大气的相互作用、随机噪声等，实际的图像灰度值并不完全是地物辐射电磁波能量大小的反映，造成影像的辐射失真和几何畸变。因此，在进行遥感图像处理前，还需要进行校正处理，包括图像的辐射量校正和几何校正。

遥感图像处理(processing of remote sensing image data) 是对遥感集市中的图像进行辐射校正和几何纠正、图像整饰、投影变换、镶嵌、特征提取、分类以及各种专题处理等一系列操作，以求达到预期目的的技术。遥感图像处理可分为两类：一是利用光学、照相和电子学的方法对遥感模拟图像(照片、底片) 进行处理，简称为光学处理；二是利用计算机对遥感数字图像进行一系列操作，从而获得某种预期结果的技术，称为遥感数字图像处理遥感图像预处理又被称作图像纠正和重建，包括辐射校正、几何纠正等。目的是纠正原始图像中的几何与辐射变形，即通过对图像获取过程中产生的变形、扭曲，模糊和噪音的纠正，以得到一个尽可以在几何和辐射上真实的图像。

通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。

1．图像配准

为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上, 这个过程叫做配准。

（1）影像对栅格图像的配准

将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。

（2）影像对矢量图形的配准

将一幅遥感影像配准到相同地区一幅矢量图形中，使其在空间位置上能进行重合叠加显示。

2．几何粗纠正

这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.

3．几何精纠正

为准确对遥感数据进行地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。

（1）图像对图像的纠正

利用已有准确地理坐标和投影信息的遥感影像，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。

（2）图像对地图（栅格或矢量）

利用已有准确地理坐标和投影信息的扫描地形图或矢量地形图，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。

由于遥感系统空间、波谱、时间以及辐射分辨率的限制，很难精确地记录复杂地表的信息，因而会在数据获取的过程中产生误差。这些误差降低了遥感数据的质量，从而影响了图像分析的精度。因此在图像分析和处理之前需要进行遥感原始影像的预处理。

车牌图像的预处理实现

第21卷第12期 2008年12月

武汉科技学院学报

JOURNAL OF WUHAN UNIVERSITY 0F SCIENCE AND ENGINEERING

、,r01.21N012 Dec.2008

车牌图像的预处理实现

杨亚莉 夏勇

(武汉科技学院电子信息工程学院,湖北武汉430073)

摘要:车牌图像预处理是车牌识别中的一个必不可少的环节,预处理效果的好坏直接影响到最 后的识别环节。本文介绍了图像灰度化,图像去噪,图像增强,边缘化,二值化等预处理算法, 并用MATLAB语言加以实现,实现效果明显,有利于后续图像处理工作的进行。

关■词:预处理 图像灰度化 图像去噪 图像增强 边缘化 二值化

中圈分类号:TSl05文献标识码:A 文章缩号:1009-5160(2008)-0031-03 I

1.?引言

近年来计算机技术的飞速发展和数字图像技 术的日趋成熟,为传统的交通管理带来巨大转变, 先进的计算机处理技术,不但可以将人力从繁琐的 人工观察、监测中解放出来,而且能够大大提高其 精确度,汽车牌照自动识别系统在这样的背景与目 的下发展飞速。汽车牌照信息的采集和识别对于交 通车辆管理、园区车辆管理、停车场管理等都有着 重要的作用。对车牌图像的预处理能有效地提取其 中的有用信息,增强识别的可靠性。车牌图像预处 理是车牌识别系统的前提条件,它直接关系着系统 后续字符分割和识别的准确性。…

2.车牌图像的预处理流程

车牌图像的预处理主要流程如图1所示,主要 包括图像灰度化,图像去噪,图像增强,边缘化, 二值化等。

图1车牌图像的预处理流程

3.预处理算法

3.1圈像灰度化

作者简介:杨亚莉(1979一),女,讲师,研究方向:信号与信息处理

汽车图像样本,目前大都是通过摄像机、数码 相机等设备拍摄获取的,因而预处理前的图像都是 彩色图像。真彩色图像又称RGB图像,它是利用R,

G,B 3个分量表示一个像素的颜色,R,G,B分 别代表红、绿、蓝3种不同的颜色,通过三基色可 以合成出任意颜色。由于图像的每个像素都具有三 个不同的颜色分量,存在许多与识别无关的信息, 不但在存储上开销很大,而且在处理上也会降低系 统的执行速度,不便于进一步的识别工作,因此在 对图像进行识别等处理中经常将彩色图像转变为 灰度图像,以加快处理速度。

彩色图像灰度化的处理方法主要有如下三种: (1)最大值法:使R,G,B的值等于三值中最大 的一个,即:R2G=B=max(R,G,B)

(2)平均值法:使R,G,B的值等于三值和的平 均值,即:R=G=曰2(月,G,B)/3, (3)2n权平均值法:根据重要性或其它指标给R, G,B赋予不同的权值,并使R,G,B等于它们的值 的加权和平均,即:

R=G=B=(%+%+%)/:3

其中%,%?,%分别为R,G,B的权值。由于人眼 对绿色的敏感度最高,对红色的敏感度次之,对蓝 色的敏感度最低,当%:0.30,W G:0.59, wB=0.11时,能得到最合理的灰度图像。因此,用 g

表示灰度化后的灰度值, 则 g 20.3R+0?59G+o.1iB。

3.2圈像去曛

对车牌图像进行处理,通常情况下采用空间域

万方数据

法对车牌图像进行滤波,目的足去除图像中的噪 声。

本文采用的去噪方法是利用MATI.AB提供的 图像处理1:具箱中的wiener2函数,对有恒定能量 加性噪声的图像进行低通滤波,根据每个像素局部 领域的估汁进行像素式自适应维纳滤波,可使图像 整体较为平滑。

维纳滤波的具体算法:首先估计出像素的局部 矩 阵 和 方差 :∥=嘉。聊一u ’

矿2丽1。丢。‘%慢1一∥,77是图像中每个像素的M术N 领域:再对每个像素利用滤波器估计灰度值:

6(,z1.,2z)2∥+一0_

实验表明,用这种方法滤波后的灰度图像进行 二值化处理有很好的效果二

3.3图像增强

车牌图像增强的方法有很多,结合实际需要以 及处理的效果,选用了灰度拉伸8作为图像增强的 方法、、

灰度拉伸其实是一种线性变换:变换函数为:

/(,t)

、且』

旦二生(p√。)+y.

tX

2~X?

坠三(,...H v 1 255一’,. 一

在}二i砸式__iFmt,∽,川和(』二’J’二J是分段嘲数的 分段点坐标。采用的拉伸算法为:

(1)统计出该灰度图像的直力1图;

(2}取像素密度阈值为0.05,由低到高求出灰度 区间旷127的峰值‘mx(相当于上商坐标图的x1); (3)取同样像素密度阈值0.05,南高到低求l中I灰 度区问128—255的峰值’ITRlX(相当于上图中的 X 2);

(4)求m拉仲比ra!e=255/(’lllax—I rllax);

㈣若/‘(工,y)<7nm则让它等于零,若 。)="">rnax则让它等于255,否则采用公式 .,‘(工j’)=rate术(。,、(工,Y)-1。。)

3。4图像边缘化

图像的边缘是图像最基本的特征。所谓边缘(或 边沿)是指其周尉像素灰度有阶跃变化或“屋顶”变 化的那些像素的集合:边缘广泛存在于物体与背景 之间、物体与物体之间、基元与基元之间。因此, 它是图像分割所依赖的重要特征,

住车牌图像中边缘相对要少得多,而背景部分 俘在有大量的边缘,通过对图像进行边缘检测的处 理以后.车牌部分得到了加强,非车牌部分在很大 程度}:被削弱。

常用的检测算子有Robert算子、Sobel算子、 Prewitt算子等”I。其中Robert算子是2*2算子,对 具有陡蛸的低噪声图像响应最好。另外两个算子都 是3*3算子,对灰度渐变和噪声较多的图像处理得 较好一考虑到实际处理情况,在这里选用RobelTf算 子完成边缘检测的』二作=Robert边缘检测算子是.? 种利用局部差分算子寻找边缘的算子。它由下式给 H{:

}防百,习一而而而降

其中八工?)’)是具有整数像素坐标的输入图像,平方 根运算使该处理类似于在人类视觉系统中发生的 过程:经过运算,得到了边缘检测后的车牌灰度罔. 这时的车牌部分被强化。

3.5图像二值化

二值罔像是指整幅图像内仅黑,白二值的图 像:在数字图像处理中二值阿像处理占有非常重要 的地位 在实际的车牌处J;l}|r f{-进行图像二:值化的 关键是确定合适的阈值,使得7F符与背景能够分割 开来,而且二二值变换结果图像必须具备良好的保形 性。小丢掉任何形状信息,不会产生额外的空缺等 等同时,采用二值罔像处理,大大提高处理效率, 适应当冉订乍牌处理系统的要求:

二值化处理就是利用图像中要提取的目标物 体‘孑背景之间灰度上的差异计算出一个闽值或一 个阈值范围,用计算出来的闽值或阈值范围把原始 图像分为对象物和背景两部分。设图像『(kj),其 灰度级范同为[Z,.Z,1,在Z 1和Z 2之问选择一个合 适的灰度阈值t,则二值化后的图像t,∽y)可以表示 为:

“¨)={㈡∑i:或

小.、):O,。‘。、‘yj>7

…~

l ,(一.)’)≤,

万方数据

第t2期 杨亚莉,等:车牌图像的预处理实现

其中阈值的选取直接影响分割的结果,因此在预处

理中非常重要。我们采用全局动态阈值法确定阈

值。

4.利用MATLAB实现车牌图像的预 处理

应用MATLAB语言来实现车牌图像预处理工 作。无论是车牌定位还是字符识别,都要对原有的 图像加以处理、净化、分析,然后在此基础上采用 适当的方法来提高车牌处理的效率和速度。 MATLAB的图像处理工具包中含有众多的图像处 理函数,具有极其强大的图像处理能力,如图像的 二值化、边缘检测、噪声处理、图像增强、形态运 算及文件格式的转换等。因此在车牌定位或字符识 别的初期,利用MATLAB语言分析图像探求识别方 法是一个比较好的捷径,可以大大缩短程序的开发 周期。H1

图2给出了进行车牌预处理的典型结果, a)采集的彩色车牌网像

(|))灰度化后图像

(c)去噪后图像

㈤d图像增强后图像

(e)边缘检测后图像

④二值化后图像

图2车牌预处理的典型结果

5.结束语

汽车牌照信息的采集和识别对于交通车辆管 理、园区牵辆蟹理、停车场管理等都有着重要的作 用。对车牌霉豫的预处理能有效地提取其中的有用 信息,增强识舅g酌霹靠性。本文介绍并完成了车牌 图像预处理酶整个过程,其中包括图像灰度化,图 像去噪,霭像增强0边缘化,二值化.字符处珲等j

此预处理过程速;嚏抉,聪翔短,效果好。 万方数据

车牌图像的预处理实现

作者:杨亚莉 , 夏勇

作者单位:武汉科技学院电子信息工程学院,湖北,武汉,430073

刊名:

武汉科技学院学报

英文刊名:JOURNAL OF WUHAN UNIVERSITY OF SCIENCE AND ENGINEERING

年,卷(期):2008,21(12)

引用次数:0次

参考文献(12条)

1. 阎建国 . 高亮 . 卢京潮 图象处理技术在车牌识别中的应用 [期刊论文]-电子技术应用 2000(1)

2. 王建平 . 盛军 . 朱程辉 基于小波分析的视频图像字任特征提取方法研究 2002(4)

3. 周金萍 MATLAB6,5图形图像处理与应用实例 2003

4. 孙兆林 MATLAN6.x图像处理 2002

5. 章毓晋 图像工程(上册):图像处理与分析 1999

6. 徐建华 图像处理与分析 1992

7. I Yoshimura. M YoshimuraWriter Identification Based on the ARC Pattern Transformation

8. H E S Said. T N Tan. K D BakerPersonal Identifieation Based on Handwriting

9. M Tuceryan. A K JainTexture Analysis

10. Anil K Jain. Lin HongSharath Pankanti.Biometrics:Promising frontiers for emerging identification market,[MSU-CSE-00-2]

11. R Plamondon. G LorreteAutomatic Signature Verification and Writer Identification-the State of the Art 1989

12. Amit Jain. Aditya KamatPersonal Identification Based on Handwriting 2000

相似文献(10条)

1.学位论文 张远夏 基于BP神经网络的车牌自动识别的应用研究 2008

基于BP神经网络的车牌自动识别技术是当代计算机、图像处理、人工智能、模式识别等理论发展起来的新型图像处理技术,是在传统的图像识别方 法的基础上融合神经网络算法的一种图像识别方法,在高速公路收费管理、高速公路超速自动化监管、城市交通路口的“电子警察”、停车场收费管理 等面有着广阔的应用前景。车牌识别的难点在于对车牌区域的正确分割和字符识别,本文针对这些问题都进行了相应的研究。

本文主要研究了车牌的定位,车牌字符分割和利用BP神经网络对车牌字符进行识别的三大内容,采用理论与实际实验相结合的方法,对上述三大主 要内容都进行的仿真实验,仿真实例实验证明了该方法的可行性,以及该方法具有的良好鲁棒性,并取得了一些比较有益的结果。

本文分为五个章节,各章节主要是根据图像识别系统中处理环节的顺序进行安排;第一章介绍了智能交通的发展和内容,以及本论文计划要完成的 研究任务。第二章介绍了车牌图像的预处理,包括图像灰度化、图像滤波、图像二值化、边缘提取和数学形态学的基础理论,并对部分算法进行了仿真 实验。第三章主要在对现有车牌定位技术进行分析研究的基础上,利用灰度累积投影与边缘图像跳变统计的车牌定位方法对车牌进行定位,实验证明 ,效果比较理想。第四章首先分析了车牌字符的规律和几何特征,分析了车牌的这些先验知识之后,利用数学形态学处理和图像垂直投影分布的方法对 车牌字符进行分割。第五章主要介绍了神经网络的基本知识和BP算法,并讨论了BP算法的优缺点,针对BP算法存在的缺点进行了改进,最终利用BP神经 网络对字符进行识别,并进行了试验,得出的结果证明了本文提出的方法的有效性。最后在总结中,对全文的研究工作进行了总结和展望。

2.期刊论文 张荣华 . 潘如如 . 刘基宏 基于FCM的针织物花纹自动分割 -针织工业 2010(1)

介绍了模糊C均值聚类算法的基本概念.由于企业在利用针织物CAD系统对来样产品进行花纹仿制时,一般采用人工仿制的方法,耗时耗力,为解决此问 题提出了采用图像处理技术,结合FCM算法,对针织物表面的花纹进行自动分割的方法,其中包括:图像采集、图像预处理和织物纹理分割,在图像预处理中 详细说明了图像灰度化和傅立叶低通滤波的过程.经过试验检验,结果表明,相对于传统的方法,该分割方法对于不同颜色、不同类型的针织物都有良好的 花纹识别效果,具有较好的通用性.

3.学位论文 牟雪娇 奇异值分解和主成分分析在车型识别中的应用 2008

在智能交通系统中,车辆信息的计算和获取对车辆自动监控和全自动收费系统的建立起着关键的指导作用,而车型识别技术是实现公路交通自动化 的重要方面,这项技术的深入研究对提高公路交通的自动化程度,促进智能交通系统的发展具有重大的实际意义。然而,由于车辆图像背景复杂多变 ,车辆外形种类繁多,车型识别是一个一直没有完全解决的问题。本文正是在这一背景下,对车型识别的两种算法和识别技术进行了研究,主要的研究 工作包括以下几个方面:

(1) 车辆图像预处理:针对本文研究的车辆图像的特点,车辆图像预处理主要包括图像灰度化和去除背景两部分。图像灰度化即是将真彩色的车辆 图像转变成灰度图像,目的是减少其电脑存储空间和提高运算效率。本文提出采用相位一致法去除车辆图像中的背景,实验结果表明这种方法能够有效 的去除背景图像。

(2) 特征提取:本文采用了两种特征提取方法,奇异值分解和主成分分析方法。奇异值分解是基于代数特征的特征提取,经过对车辆图像矩阵的奇 异值分解,再经过奇异值降维压缩和奇异值矢量排序,最后建立了用于识别的特征子空间。主成分分析是基于统计理论的特征提取,经过对车辆图像矢 量的主成分分析,得到用于识别的车辆图像的主成分。实验结果表明两种方法都是很有效的特征提取方法,在识别准确率和效率方面奇异值分解方法稍 好于主成分分析方法,但针对大量图像样本时,主成分分析方法在算法复杂度和运行效率方面更具优势。

(3) 识别分类方法:本文针对两种不同的特征提取方法提出了不同的分类方法。针对奇异值分解的特征提取采用的是最小距离分类法,针对主成分 分析的特征提取采用的是截断误差分类法。实验结果表明这两种算法都是准确有效的。

4.学位论文 王浩华 基于机器视觉的自动报靶系统应用研究 2008

本文根据部队实弹射击训练的立项需要,研究一套基于机器视觉(图像处理)技术的自动报靶系统。本系统主要目标是实现计算机自动报靶,减少 传统射击训练中效率低、安全性差等不利因素的影响,保证训练安全,降低保障难度,提高训练效益。因此自动报靶系统的研制,对于军队的现代化建 设具有重要意义。在实弹射击的过程中,利用摄像机不间断地对靶面进行观测,根据采集目标靶图像帧的特点和变化,利用计算机图像几何配准技术 ,进行畸形校正,再将当前帧与前一帧对比,从而检测出靶面图像中新的弹着点,然后通过弹着点在靶面图中的位置来对着弹点区域进行编码。在观测 过程中,采用图像灰度配准、增强技术来解决由于光照变化、大风等干扰因素对识别精度的影响,从而提高性能与精度。在计算机对数字图像进行处理 之前,要进行图像采集,图像采集功能将模拟连续图像变换为数字离散图像。得到数字图像后,需对目标靶数字图像进行预处理,从而改善图像质量 ,为图像识别做准备。本系统用到的预处理技术包括:图像灰度化、直方图均衡化、图像二值化,中值滤波和数学形态学滤波等。经过预处理后的图像 ,再进行图像配准与识别,从目标靶图像中找出弹着点,最后计算出弹着区域。在此过程中采用多分辨率配准算法,解决图像变形较大时系统识别率低 的问题。当系统程序完成后进行调试、试验。调试中,首先对图像处理的各种算法分别调试,取得各算法参数,再进行综合调试,微调各种算法参数 ,考查系统的实时性;其次对程序的各功能模块进行调试。试验表明,各种算法高效、处理效果好,程序模块可靠性高。

5.学位论文 任岩 粒子图像测速技术在水泵水轮机内部流场测量中的应用 2005

本文通过对研究水力机械内部流动的方法进行分析比较,最终采用粒子图像测速(PIV)技术对水泵水轮机内部流动进行研究。粒子图像测速技术的主 要特点是突破了空间单点测量技术的局限性,可在同一时刻记录下整个测量平面的相关信息,从而可以获得流动的瞬时平面速度场、涡量场等。

　　在实验室已有部分设备的基础上,作者建立了一套研究水泵水轮机内部流动的可视化PIV系统,该系统由水泵水轮机可视化实验模型、光源系统、图 像采集系统和软件系统等四部分组成。

　　获得高质量的粒子图像是本系统的关键问题之一,它直接关系到对水泵水轮机内部流动测量的准确度和精确度。本文采用各种数字图像处理的方法 对采集到的水泵水轮机内部流动图像进行预处理,采用相关法对预处理后的图像进行速度矢量的提取。其中,采用的数字图像处理方法有图像灰度化、 图像的平滑、锐化、中值滤波等方法,提取速度矢量的相关法采用CCF、SAD、MSE等方法。

　　由于采集设备曝光不当、示踪粒子分布不均、噪音干扰、计算方法等各种原因,将导致流动图像质量的降低,因此,获得的速度矢量图中难免会产 生一些错误矢量,本文采用最佳相关域法及综合评价系数对错误矢量进行识别。

　　最后,利用本文所建立的水泵水轮机内部流动可视化PIV系统对水泵水轮机转轮内部流动进行研究,分析研究了转轮内部的流态与运行工况的关系及 流动的稳定性与运行工况的关系。

6.学位论文 马永力 图像处理在车牌识别系统中的应用 2006

本文通过对车辆牌照图像进行分析,得出一系列特征信息,并根据这些特征信息,应用图像处理技术,研究了车牌识别的各项关键环节,包括汽车 图像预处理、车牌定位,字符分割和字符识别等,在继承了前人研究成果的基础上,针对研究对象,提出了新的方法。

在对图像进行各种综合处理的基础上,利用图像灰度化及纠偏、以及加权的中值滤波等图像增强的预处理方法,较好地消除了图像的噪音,提高了 图像质量。通过对车牌特征的研究,对现有的各种定位算法进行了比较和分析,并总结了这些算法的特点。在此基础上,提出了自己的定位方法,该方 法包括粗定位和精定位,并且采用了基于纹理边缘检测的和形态学处理的精定位相结合的新方法。

在分析了现有的几种典型的分割方法后,提出了将连通区域法、投影法和固定边界法相结合的方法,实现了车牌字符的精确定位。并且把车牌字符 分为汉字识别和字符(字母与数字)识别:提出把汉字识别的模板匹配与字符识别的特征匹配相结合的改进的识别方法。通过对字符图像进行数学形态学 闭运算、细化等预处理,然后对预处理后的图像进行字符结构特征提取,设计简单的分类器,直接把字符识别出来。这种方法速度快、识别率高,使用 效果比较理想。本算法对牌照的倾斜、变形、字符的污染、模糊有较强的抗干扰能力,对于外界光线强度和图像对比度的变化有较强的适应能力。

7.期刊论文 郭金泉 . 伍宏涛 车辆图像识别预处理方法研究 -通信市场 2008(7)

本文主要针对车辆图像识别技术中的图像灰度化、图像增强、图像平滑处理这些预处理环节进行了研究分析,以便为车牌定位等后续图像处理工作打 下良好基础.

8.学位论文 王雪茹 车牌自动识别技术的研究与实现 2009

车牌识别(License Plate Recognition,LPR)技术是计算机视觉和模式识别技术在现代智能交通系统(Intelligent Transportation Systems,ITS)中的一项重要研究课题,是实现交通管理智能化的重要环节。典型的车牌识别系统一般包括图像预处理、车牌定位,字符分割和字符识 别四个模块,本文从这四个方面对车牌自动识别技术进行了深入研究,最终确定一系列有效的算法对车牌进行识别,并实现了计算机软件的仿真,各部 分均能得到有效的结果。

在车牌定位前需要对原始图像进行预处理,以降低图像噪声、提高图像质量、强化车牌区域。图像预处理工作包括图像灰度化、图像二值化、图像 的中值滤波、图像的边缘检测四个方面。

在车牌定位方面,分析比较了基于边缘检测、基于神经网络、基于灰度特征以及基于颜色特征的多种车牌定位方法。并提出了一种利用边缘检测与 线扫描相结合的车牌定位方法,满足实时性和准确率的要求。

在字符分割方面,首先介绍了车牌图像二值化、倾斜校正、去除边框等算法,然后根据车牌字符具有固定宽度和间距这一特点,提出了一种垂直投 影与车牌尺寸先验知识相结合的车牌字符分割方法,取得了较好的分割效果。

在字符识别方面,分析比较了两种常用的车牌字符识别方法。并提出一种组合的字符识别思想,即对汉字、字母和数字分别采用不同的方法进行识 别。对于汉字采用支持向量机的方法进行识别;而对于字母和数字,通过分析字符的结构特征,提出一种基于字符形态的识别方法,获得了较高的识别 率。

本文算法对牌照的倾斜、变形、模糊等情况有较强的抗干扰能力,特别地对光照不均、背景复杂的车辆图像具有很强的鲁棒性。

9.学位论文 陈扬 基于数字图像处理的车牌识别关键技术研究 2009

随着我国经济的发展,高速公路、城市道路、停车场建设越来越多,对交通控制、安全管理的要求日益提高。智能交通系统已成为当前交通管理发 展的主要方向。汽车牌照自动识别技术(LPR)是智能交通系统中的一个重要环节,它不但可以广泛地应用于交通流量检测,而且还可以应用于交通控制 与诱导,机场、港口、小区的车辆管理,不停车自动收费,闯红灯等违章车辆监控以及车辆安全防盗等领域。因此,具有广阔的应用前景。本文对图像 处理的汽车牌识别系统进行了研究。车牌识别一般可以分为车牌预处理、车牌的定位、车牌的字符分割和字符识别四个主要部分。本文在分析近年来一 些典型的车牌识别系统的算法基础上,最终确定了一套有效的车牌识别算法。本文研究的主要内容和创新点包括:

⑴在车牌预处理阶段,本文首先对车牌图像进行图像灰度化和均衡化的处理,然后采用了一种新的去除噪声的方法——基于偏微分方程去除噪声。 该方法步骤虽然比较复杂,但是可以很好的解决图像预处理中存在的平滑和保边界细节之间的矛盾问题。

⑵在车牌图像定位和提取方面,本文设计了2种车牌定位方法。基于颜色特征的车牌定位是在传统的投影分析方法的基础上结合HSI颜色空间中的H信 息,将此作为车牌的特征,从而截取到车牌。基于灰度跳变特征的车牌定位则是利用车牌中字符的灰度变化来确定车牌位置。

⑶在车牌字符分割过程中,由于车牌字符分割中存在边框、铆钉和车牌旋转等问题,而这些问题又容易造成分割不准确和分割错误等后果。因此 ,针对这些问题,本文采用了一种新的字符分割方法——数字形态学中的连通区域法进行字符分割,并结合现有方法提出一个完整的、行之有效的字符 分割方案。

⑷在车牌字符识别方面,本文首先对切割下来的字符进行特征提取,然后再利用所提取的特征值对神经网络进行训练,最后利用这个训练结果对其 它车牌上的字符进行识别。

10.学位论文 姜海珍 三维纺织复合材料预制件缝合机器人视觉跟踪系统的研究 2008

为提高三维纺织复合材料预制件缝合机器人的灵活性和智能性,本文应用结构光视觉跟踪技术设计了缝合机器人视觉跟踪系统。该系统包括视觉传感 系统、图像处理系统、偏差识别与控制系统和执行机构。

视觉传感系统采用主动光视觉法,激光作为辅助光源照射在接缝前方,CCD摄像机接收从工件表面反射的激光带图像,经过量化处理变成数字图像存储 在计算机内存中。

针对纺织复合材料图像噪声的特点,设计了一套行之有效的图像预处理方法。采用图像灰度化、对比度增强、中值滤波、二值化、开启运算对纺织复 合材料激光图像进行预处理,基本消除了由毛刺和花节引起的噪声。

试验表明预处理后的缝合物激光线宽度不均匀、非连续,不能直接进行特征点提取。本系统采用数学形态学的细化算法提取激光线中心线。由于激光 中心线曲折且非连续,斜率分析等一般的方法不再适用的特点,本文采用纵坐标比较法快速检测接缝特征点位置。

根据透镜成像原理和三角原理,计算特征点左右和垂直方向的偏移量,即缝针相对与基准缝合位置的偏移量,并转化成控制量输出给执行机构。执行机 构引导单面缝纫机运动,实现了对缝合物接缝的自动跟踪。

本系统软件基于Visual C++6.0平台开发,精度高,性能稳定。经试验和分析,验证了图像处理算法和控制算法的有效性。整个过程所需时间少于 250ms,在1秒钟时间内可大约提取出4副基本准确处理的接缝实时图像,可以满足机器人缝合系统实时性的要求。

本文链接:http://d.g.wanfangdata.com.cn/Periodical_whkjxyxb200812009.aspx

下载时间:2010年5月22日

转载请注明出处范文大全网 » 图像的预处理