《filter》.doc

图像滤波的作用 图像滤波 刚获得的图像有很多噪音。这主要由于平时的工作和环境引起的，图像增强是减弱噪音，增强对比度。想得到比较干净清晰的图像并不是容易的事情。为这 个目标而为处理图像所涉及的操作是设计一个适合、匹配的滤波器和恰当的阈值。常用的有高斯滤波、均值滤波、中值滤波、最小均方差滤波、Gabor滤波。 由于高斯函数的傅立叶变换仍是高斯函数, 因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。均值滤波是对是对信号进行局部平均, 以平均值来代表该像素点的灰度值。矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转化 ,得到一幅单位矢量图。这个 512×512的矢量图被划分成一个 8×8的小区域 ,再在每一个小区域中 ,统计这个区域内的主要方向 ,亦即将对该区域内点方向数进行统计,最多的方向作为区域的主方向。于是就得到了一个新的64×64的矢量图。这个新的矢量图还可以采用一个 3×3模板进行进一步的平滑。 中值滤波是常用的非线性滤波方法 ,也是图像处理技术中最常用的预处理技术。它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘。加权中值滤波能够改进中值滤波的边缘信号保持效 果。但对方向性很强的指纹图像进行滤波处理时 ,有必要引入方向信息,即利用指纹方向图来指导中值滤波的进行。 最小均方差滤波器,亦称维纳滤波器,其设计思想是使输入信号乘响应后的输出,与期望输出的均方误差为最小。 Gabor变换是英国物理学家 Gabor提出来的,由“测不准原理”可知,它具有最小的时频窗,即Gabor函数能做到具有最精确的时间-频率的局部化；另外, Gabor函数与哺乳动物的视觉感受野相当吻合,这一点对研究图像特征检测或空间频率滤波非常有用。恰当的选择其参数, Gabor变换可以出色地进行图像分割、识别与理解。如文献提出的基于Gabor滤波器的增强算法。 图象滤波 在图象采集模块中，当使用CCD摄像头采集图象时，由于目标图象本身变形或模糊，或存在微小而粗糙的障碍物附在目标图象或CCD摄 像头镜片上时，使得采集到的图象与理想的原始图象相比，图象质量劣化。由于本文讨论的是静态图象，且目标图象所处的工作环境稳定，所以只考虑由于微小而粗 糙的颗粒依附于目标图象所产生的图象质量劣化，而这些微小颗粒就是图象的噪声。这种噪声称为随机噪声，它具有以下性质： ?????? ⑴?? 噪声在图象中的位置随机 ?????? ⑵?? 噪声的形状大小不规则 ?????? 在本文中，采用空间滤波器方法进行图象滤波，以达到滤除随机噪声，使图象平滑的效果，并为后继的直方图阈值提取和边缘检测做准备。 ?????? 在图象滤波中，目前有两种主要方法。一种是空域滤波，还有一种是频域滤波。 ?????? 频域滤波利用图象的频谱信息进行图象滤波处理。频域滤波以卷积理论为基础。根据卷积定理，设函数 与线形位不变算子 的卷积结果为 ，则在频域有： ???????????????????? (5-1) 其中 ， ， 分别是 ， ， 的傅立叶变换。同时，若给定 和 ，则可由傅立叶反变换得到 ，如下式： ?????????????????? (5-2) ?????? 因此，由以上讨论我们可以得到频域滤波的方法为：首先对需要滤波的图象 进行傅立叶变换，得到 ；然后 与一个合适的滤波器函数 相乘得到 ，以滤除图象噪声；最后再对 进行傅立叶反变换，以得到滤波后的图象 。 ?????? 在进行图象频域滤波时，我们都是在对整幅图象进行操作，而且在确定转换函数时也是基于整个图象的统计量，进行整幅图象的卷积运算，因此需要较长的处理时间，并且无法保证某些局部区域内的噪声被完全滤除。 ?????? 空 域滤波是在图象空间中利用模板进行图象滤波，它同样也利用了卷积理论，使用模板对图象象素进行卷积运算。具体的滤波过程为：首先将模板在图象中游动，顺序 将模板中心与图象中的某个象素位置重合；其次，将该象素值与对应模板值进行某种运算；最后，将运算结果赋给图象中对应模板中心的象素。 ?????? 在本文中，采用高斯（Gauss）模板进行图象平滑处理。高斯模板通过采样2维高斯函数得到，它可以有效滤除随机分布的噪声点，并能有效保持图象的边缘点。高斯模板的矩阵形式为： ????????????????????????? (5-3) 为提高模板运算速度，将上述矩阵形式进行变换，如下所示： ?????????????? (5-4) 图5.1是微孔图象的原始灰度直方图，图5.2是进行平滑处理后的灰度直方图，如下所示： 图5.1原始灰度直方图 图5.2平滑处理后的灰度直方图 如上所示，背景区域分布在0到150灰度