基于小波变换的图像边缘检测毕业设计稿.docVIP

第一章 绪 论 1．1研究背景及意义 视觉，是人类取得信息的最主要来源。统计数据显示，在人类大脑获取的信息之中，大约60%为视觉信息，20%为听觉信息，其他的例如味觉信息、触觉信息等加起来约占20%。由此可见，视觉信息对人们的重要性。然而在所有获取视觉信息的途径中，图像无疑是最主要的方式。我们每天都是在报纸、杂志、书籍、电视等大量的图像信息中度过来的。可以说，图像是用各种观测系统以不同的形式和手段观测客观世界而获得的，可以直接或者间接作用于人眼并进而产生视知觉的实体。 边缘【1】【1】【2】【4】如掌纹突纹在局部形成的奇异点及纹形。纹理特征，是指比纹线更短、更细的一些纹线，【3】掌纹可以被认为是无规则但在个体间独一无二的一种纹理。目前有很多方法是针对纹理分析处理掌纹图像的傅立叶变换小波变换等方法。随着信息技术和网络技术的高速发展，信息安全显示出前所未有的重要性。生物识别技术以其特有的稳定性、唯一性和方便性，得到越来越广泛的应用。掌纹识别作为一项新兴的生物识别技术，因具有采样简单、图像信息丰富、用户接受程度高、不易伪造、受噪声干扰小等特点受到国内外研究人员的广泛关注。但是由于掌纹识别技术起步较晚，目前尚处于学习和借鉴其他生物特征识别技术的阶段。【7】作为图像的数学表示。表示在特定点处的函数值，用来表征图像在该点相应的颜色强度或者灰度。而所谓的图像变换就是指把图像转换为另一种数学表达方式的操作。 在图像的处理技术中，正交变换技术有着广泛的应用，是图像处理的一种重要工具。通过改变图像的表示域及表示数据，可以给后续的工作带来很大的便利。比如，Fourier变换可以使处理工作在频率中进行，简化了运算；Gabor变换用开窗的方法作为Fourier变换的一种简单局部化，使计算更为方便。此外，随着小波分析方法在图像处理中的应用不断发展成熟，基于小波的图像处理成为当前研究的热门，也正是本文讨论的课题。本章，先对传统的Fourier变换和Gabor变换做初步的研究，为后面的小波理论打下基础。 2．1 Fourier变换 Fourier分析【9】在数学与工程技术中有广泛的应用。本节主要讲述Fourier分析的一些基础知识和它在图像处理中的一些应用。 2．1．1 Fourier变换的定义 Fourier级数主要表征的是周期信号的性质，但在工程应用中大量的却是非周期性信号。因此，引入了Fourier变换对非周期信号进行分析。 经典的Fourier变换（FT）定义为： = （2-1） 当然，根据传统的Fourier变换，原信号f(t)还必须满足狄里赫里条件【】是一个包含两个离散空间变量和的函数，则有该函数的二维Fourier变换的定义如下： （2-2） 式中，是复变函数，其变量和的周期均为。正因为这种周期性的存在，在图像显示时，这两个变量的取值范围是，。 由于在实际的数字图像处理中，需要借助计算机辅助计算，所以我们一般采用离散傅里叶变换（DFT）用做计算机处理Fourier变换的方法。理由如下： （1）DFT的输入/输出均为离散值，非常适合于计算机的运算操作。 （2）离散Fourier变换可以用一种快速算法实现，即快速Fourier变换（FFT）。 2．1．2 Fourier变换在图像处理中的应用 （1）线性滤波器频率响应 由信号与系统中的知识可知，滤波器冲激响应的Fourier变换就是该滤波器的频率响应。在MATLAB中可以调用函数freqz2的来计算和显示滤波器的频率响应，这样可以很方便的得到线性滤波器的各种特性。 （2）快速卷积 能够实现快速卷积是Fourier变换的另一个重要应用。我们知道时域中卷积，频率中就是相乘，即Fourier变换后的乘积。将该性质与FFT结合起来，便可以快速计算函数的卷积。 假设A为矩阵，B为矩阵，则它们的卷积C为矩阵。MATLAB中提供了函数conv2来实现二维矩阵的卷积。 （3）图像特征识别 Fourier变换可以用于与卷积密切联系的相关运算。在数字图像处理中，相关运算常用于匹配模板，可以用于对某些模板对应的特征进行定位。例如：将图像text.png与包含字母“a”的图像进行相关运算，即对这两张图像先进行Fourier变换。再利用快速卷积的方法计算它们的卷积，提取卷积运算的峰值，得到在图像text.png中字母“a”的定位（白色小点），程序执行的结果如下： 图2-1 图像text.png 图2-2 字母“a”的图像 图2-3 快速卷积结果