数字图像课程设计2..docVIP

数字图像处理课程设计 模糊车牌识别 通过观察，我们发现六块车牌中t03.png与t03sp.png有明显的椒盐噪声，t01.png，t02.png，t04.png为运动模糊噪声，而t05.png则包含了这两种噪声。 （一）t03.png与t03sp.png（对椒盐噪声的处理） （1）中值滤波是降低图像中椒盐噪声的一种有用工具，这里我们先导入t03.png，并将图像数据转换为浮点型，然后对其进行自适应中指滤波处理，程序代码： f=imread(t03.png); f=tofloat(f); f1=adpmedian(f,7); imshow(f1),title(去噪后) figure,imshow(f),title(去噪前); 得到的结果为： 很明显，去噪后的图像变的清晰。 （2）对t03sp.png进行相同的处理，程序代码如下： f=imread(t03sp.png); f=tofloat(f); f1=adpmedian(f,7); imshow(f1),title(去噪后) figure,imshow(f),title(去噪前); 得到的结果为： （二）t01.png，t02.png，t04.png（对运动模糊图像的处理） （1）对于运动模糊图像的处理，我们一般从模糊距离和模糊角度两方面来去噪，而在实验的过程中，这两方面并不能定量的给出，只能通过定性的观察来估计这两个数据。 首先是模糊角度的观察，以图像形式显示的谱的可视化分析是频率域分析工作的重要部分。考虑t01.png，先对图像进行灰度化处理，然后计算他的傅里叶变换，并使用下列命令显示其频谱图： f1=imread(t01.png); f=mat2gray(f1); img_gray=im2double(f); img_fft=fftshift(fft2(img_gray)); N=abs(img_fft); P=(N-min(min(N)))/(max(max(N))-min(min(N)))*225; figure;imshow(P); 得到的频谱图为： 通过频谱图，我们估计模糊角度在30到45之间。 第二步是模糊距离的观察，使用系列命令显示其实部二维图： h=fspecial(sobel); img_double=double(img_gray); J=conv2(img_double,h,same); IP=abs(fft2(J)); S=fftshift(real(ifft2(IP))); figure;plot(S); 得到的实部二维图为： 观察图像中两个低谷的坐标，我们估计模糊距离的范围在15到30之间。 最后，在确定了模糊距离和模糊角度的范围后，我们人为的尝试不同的值缩小范围来获得最清晰的图。下面以确定模糊距离为20度为例，尝试用模糊角度为30,35,45来比较获得最清晰图像，程序代码如下： w=fspecial(motion,20,30); % g=deconvwnr(f,w,0.0001); g=deconvlucy(f,w,14); g=mat2gray(g); w=fspecial(motion,20,35); % g=deconvwnr(f,w,0.0001); g1=deconvlucy(f,w,14); g1=mat2gray(g1); w=fspecial(motion,20,45); % g=deconvwnr(f,w,0.0001); g2=deconvlucy(f,w,14); g2=mat2gray(g2); figure figure subplot(222),imshow(g),title(模糊长度20，模糊角度30); subplot(221),imshow(f1),title(原图); subplot(223),imshow(g1),title(模糊长度20，模糊角度35); subplot(224),imshow(g2),title(模糊长度20，模糊角度45); 得到的比较图为： 明显第三幅图最为清晰，所以最佳模糊角度为35，模糊距离为20。 根据以上推算出的两个参数得到最适合的点扩散函数PSF。w=fspecial(motion,20,35); 再对运动模糊图像复原采用两种方法:1. Lucy-Richardson算法 2.维纳滤波 并相互比较，去最好的效果图。 img2=deconvlucy(f,w,15); img3=deconvwnr(f,w,0.0001); subplot(121); imshow(img2);title(Lucy-Richardson算法) subplot(122); imshow(img3);title(维纳滤波) 图如下所示： 结果