中值类有关论文范文例文,与基于自适应开关中值滤波算法的工程图像处理相关毕业论文参考文献格式范文

该文是论文模板专业中值论文范文，主要论述了中值类有关本科论文开题报告,与基于自适应开关中值滤波算法的工程图像处理相关论文范文例文，适合中值及噪声及算法方面的的大学硕士和本科毕业论文以及中值相关开题报告范文和职称论文写作参考文献资料下载。

摘 要 ：工程施工图像在获取、传输等过程中存在一定程度的噪声干扰.通过对标准中值滤波算法进行分析,得到了一种基于自适应开关中值的图像滤波算法,能够在去除椒盐噪声的同时保持图像细节.该算法用迭代实现了开关中值滤波算法中阈值的自动选取,可有效提高噪声点检测的准确率.通过MATLAB仿真实验,证实了该算法相较于传统滤波算法能够更好地保护图像细节和改进图像清晰度.

关 键 词 ：噪声检测；噪声滤除；自适应阈值；非线性滤波；中值滤波

中图分类号：TP312

文献标识码：A 文章编号：1672-7800（2014）003-0055-04

0 引言

随着科学技术的日益发展,以及人们对工程施工自动化要求的不断提高,机器人化成为高性能工程机械的一个重要发展方向.工程机械常具有复杂的臂架结构,如混凝土泵车、起重机、消防车等,通过臂架输送物料或人力至指定施工地点.对于大范围作业的多臂架工程机械,在传统施工模式下,操作者无法清楚全面地观察到施工现场情况,需要借助其他人员的远距离指挥,施工精准度不高,安全性能低下.借助工程机械自动化控制系统,利用图像处理技术获取清晰的施工现场影像,是工程机械机器人化的前提.传统的图像处理技术滤波算法对图像噪声点和边缘不加区分,容易造成图像模糊、信号丢失.因而,如何滤除噪声获取清晰的工程图像,成为图像处理领域的瓶颈.

1.图像噪声概述

工程机械产品由于其系统组成复杂、工作环境恶劣,原始图像通过获取系统、传输系统后,往往存在一定程度的噪声污染.噪声恶化了图像质量,使图像模糊,甚至淹没特征,给分析带来了困难.因此,不对图像去噪而直接对图像进行处理是毫无意义的,甚至会因图像信息的错误或者不完整造成安全事故.

图像去噪是数字图像处理领域中的一个重要研究方向,它是光学、电子学、图像学、数学和计算机科学的交叉学科,在众多科学和工程领域具有重要应用.图像去噪在很大程度上决定了后续图像处理,如特征提取、模式识别和分析效果.

按照噪声产生的原因,可以分为内部噪声和外部噪声；按照频谱特性,可以分为低频、中频、高频噪声以及工频噪声；按照幅值大小的分布统计函数,可以分为高斯噪声、伽马噪声、瑞利噪声、指数噪声、均匀分布噪声和脉冲噪声（椒盐噪声）等；按照噪声和信号的关系,可以分为乘性噪声和加性噪声.

椒盐噪声是图像去噪领域一类典型的噪声,国内外学者都曾对其进行过深入研究,本文也将就椒盐噪声的滤波问题提出解决方案.

脉冲噪声是指突发出现的幅度高而持续时间短的非连续离散脉冲.它的主要特征是突发脉冲幅度大、持续时间短,突发脉冲或噪声尖峰出现不规律,相邻突发脉冲之间有较长的安静时段.脉冲噪声主要来自机电交换机和各种电磁干扰、电力线感应等,其主要表现在成像的短暂停留中,如错误的开关操作.设加噪前后的图像分别为F（i,j）和A（i,j）,则它们满足公式（1）.

2.中值滤波

中值滤波（Medianfilter）是基于统计滤波最常见的一种非线性去噪方法,它提供了一种优秀的去噪能力,比小尺寸线性平滑滤波的模糊程度明显要低,对处理椒盐噪声非常有效.正如其名,它是将滤波模板中心像素邻域内所有像素按灰度值大小进行升序排列,用序列中间值替换该滤波模板中心像素的值,使图像中的点看起来与它的邻近像素相似,去除那些相对于其邻域像素更亮或更暗的点,从而达到去噪的目的.中值滤波的数学表达式如公式（3）所示.

A（i,j）等于Median（AH（i,j））（3）

其中设AH（i,j）为邻域内像素灰度值,Median （AH（i,j））为序列AH（i,j）的中值.

中值滤波的主要实现方法为：①将滤波模板在图像中滑动,获得模板中心点像素的灰度值；②从滤波模板读取模板中心点邻域像素的灰度值；③将滤波模板中模板中心点像素及其邻域像素的灰度值按升序排序；④确定序列的中值；⑤将排序后的中值赋予模板中心位置的像素.

写中值论文的方法
播放:38047次 评论:7757人

中值滤波结果对比如图2所示.可知,图2（c） 用3×3窗口中值滤波的结果,与图2（b）所示图像相比,改进是显而易见的；图2（d）所示图像与图2（c）相比更加清晰,但是随着滤波窗口的增大,图2（e）与图2（f）所示图像却模糊起来.因而中值滤波的效果与窗口大小选择有关,窗口不是越大越好,也不是越小越好.在一定程度内,滤波窗口增大时,滤波效果更好,图像也更清晰.但窗口过大时,滤波效果反而变差,图像出现模糊.图像中存在细小细节时,滤波窗口选择过大,会把这些细节误当作噪声滤除,使图像中细节丢失过多,图像变得模糊.

中值滤波的主要原理是如果存在一个亮点（暗点）噪声,排序时一般会排在序列的最右边或最左边,序列中间位置一般都不是噪声点,使图像中的点看起来与其邻近像素相似,从而可以消除孤立的噪声点.该方法能有效滤除图像中孤立颗粒、线段的干扰,特别是能有效抑制处于平坦区域的椒盐噪声.中值滤波是一种非线性滤波方法,它不是简单地取像素灰度值的平均值,因而相较于线性均值滤波错误概率和误差幅度都要小,产生的图像模糊较少,能够有效消除椒盐噪声,防止边缘模糊,达到保护图像细节的目的.这种滤波方法的优点是运算简单、实现方便,而且速度较快.

但是中值滤波算法模板形状较为单一,不区分噪声点和图像边缘,滤波前不预先对噪声点进行检测判断,对窗口覆盖区域都做了平滑处理,对非噪声点也进行了平滑处理,从而使图像的边缘变得模糊,特别是对于包含尖角较多的工程图像来说,中值滤波的效果就不那么好了.针对中值滤波算法的不足和工程图像的特点,本文提出了改进的方法——自适应开关中值滤波算法.

3.自适应开关中值滤波算法

开关中值滤波的基本思想是通过噪声检测过程,将受噪声污染图像中的噪声点与信号点区分开,然后对检测出的噪声点进行滤波处理,而保留未被噪声污染的信号点.标准中值滤波算法则对于所有像素采用统一的滤波处理,在对噪声点进行滤波处理的同时,对正常未受污染的信号点也进行了滤波处理,容易导致图像细节丢失,破坏图像的视觉效果.而开关中值滤波算法的主要思想源于图像相邻点之间具有相关性,某个像素点与其邻域的灰度值应该基本相同,不应该有急剧改变.也就是说在一幅图像中,如果某个像素点的值与其邻域的灰度值相比发生了急剧改变,这个像素点与其周围点的相关性很小,那么该点就可能是噪声点.反之,如果一个像素点的值与周围点的灰度值接近,那么该点就应该是信号点.阈值T用以检测该像素点是否为噪声点.将相邻点像素的灰度值之差与阈值T进行比较,如果小于阈值T,则为信号点,反之为噪声点. 阈值T的选取决定了后续滤波算法的效果,若阈值T选取过大,会造成漏判,有些噪声点被当作信号点；若阈值T选取过小,会造成误判,有些信号点又被当作噪声点.阈值T的选取对开关中值滤波算法的准确度非常重要.因此,本文采用迭代法来实现开关中值滤波算法中阈值T的自适应选择.迭代法自动选取阈值实现流程如图3所示.

受污染的图像经过公式（4）后,被标记出噪声点和信号点.然后对经过噪声检测后图像中标记的噪声点进行标准中值滤波,图像中标记的信号点不做任何处理.

自适应开关中值滤波算法根据图像自身特点自动选取噪声检测阈值,而不是人为设定阈值,消除了主观因素带来的影响.采用自适应开关中值滤波算法,去噪平滑效果更好,且能够更好地保留图像的细节信息.

4.实验结果及对比分析

为了对比标准中值滤波算法和自适应阈值开关中值滤波算法滤波能力的优劣,本文在MATLAB软件平台上对密度为5%的椒盐噪声（图1 （d））进行了仿真实验,并从检测噪声、去噪效果两方面进行了比较分析.

4.1 噪声检测性能对比

通过误判率、漏判率、准确率、错误率这几个检测参数,可以比较某种滤波算法噪声检测能力的优劣.

对一幅加入噪声密度为0.05椒盐噪声的工程图像进行标准中值滤波和自适应开关中值滤波处理后,检测结果如表1所示.

由表1可知,采用同样滤波窗口时,自适应开关中值滤波算法的噪声检验效果明显优于标准中值滤波.自适应开关中值滤波算法误判率、漏判率、错误率较标准中值滤波都较低,准确率较高.且两种中值滤波算法采用5×5滤波窗口的效果均优于采用3×3滤波窗口&