数字图像处理技术应用课程报告
数字图像处理实验报告
![数字图像处理实验报告](https://img.taocdn.com/s3/m/e311586ccec789eb172ded630b1c59eef8c79a09.png)
数字图像处理实验报告1. 引言数字图像处理是使用计算机来处理和优化图像的一种技术。
在本实验中,我们将探索几种常见的数字图像处理方法,并使用Python编程语言和相关库来实现。
2. 实验目的本实验的主要目的是:1.了解图像的基本特性和数字图像处理的基本原理;2.熟悉Python编程语言和相关图像处理库的使用;3.实现常见的图像处理算法并进行实验验证。
3. 实验方法在本实验中,我们使用Python编程语言和以下相关库来实现图像处理算法:•OpenCV:用于图像读取、显示和保存等基本操作;•Numpy:用于图像数据的处理和算术运算;•Matplotlib:用于图像的可视化和结果展示。
以下是实验涉及到的图像处理方法和步骤:1.图像读取和显示:使用OpenCV库读取图像,使用Matplotlib库显示图像;2.图像的灰度化:将彩色图像转换为灰度图像;3.图像的二值化:将灰度图像转换为黑白二值图像;4.图像的平滑处理:使用平滑滤波器对图像进行平滑处理,如均值滤波和高斯滤波;5.图像的边缘检测:使用边缘检测算法对图像进行边缘检测,如Sobel算子和Canny算子;6.图像的直方图均衡化:对灰度图像进行直方图均衡化,增强图像的对比度。
4. 实验过程和结果4.1 图像读取和显示首先,我们使用OpenCV库读取一张图像,并使用Matplotlib库显示该图像:import cv2import matplotlib.pyplot as plt# 读取图像img = cv2.imread('image.jpg')# 显示图像plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.axis('off')plt.show()4.2 图像的灰度化接下来,我们将彩色图像转换为灰度图像:# 灰度化图像gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 显示灰度图像plt.imshow(gray_img, cmap='gray')plt.axis('off')plt.show()4.3 图像的二值化然后,我们将灰度图像转换为黑白二值图像:# 二值化图像_, binary_img = cv2.threshold(gray_img, 128, 255, cv2.THRESH_BINARY)# 显示二值图像plt.imshow(binary_img, cmap='gray')plt.axis('off')plt.show()4.4 图像的平滑处理接下来,我们使用平滑滤波器对图像进行平滑处理,例如使用5x5的均值滤波器和高斯滤波器:# 均值滤波mean_img = cv2.blur(img, (5, 5))# 高斯滤波gaussian_img = cv2.GaussianBlur(img, (5, 5), 0) # 显示平滑处理后的图像plt.figure(figsize=(10, 5))plt.subplot(121)plt.imshow(cv2.cvtColor(mean_img, cv2.COLOR_BGR2R GB))plt.title('Mean Filter')plt.axis('off')plt.subplot(122)plt.imshow(cv2.cvtColor(gaussian_img, cv2.COLOR_B GR2RGB))plt.title('Gaussian Filter')plt.axis('off')plt.show()4.5 图像的边缘检测然后,我们使用边缘检测算法对图像进行边缘检测,例如使用Sobel算子和Canny算子:# 边缘检测sobel_img = cv2.Sobel(gray_img, cv2.CV_8U, 1, 1, ksize=3)canny_img = cv2.Canny(gray_img, 50, 150)# 显示边缘检测结果plt.figure(figsize=(10, 5))plt.subplot(121)plt.imshow(sobel_img, cmap='gray')plt.title('Sobel Operator')plt.axis('off')plt.subplot(122)plt.imshow(canny_img, cmap='gray')plt.title('Canny Operator')plt.axis('off')plt.show()4.6 图像的直方图均衡化最后,我们对灰度图像进行直方图均衡化,以增强图像的对比度:# 直方图均衡化equalized_img = cv2.equalizeHist(gray_img)# 显示直方图均衡化结果plt.imshow(equalized_img, cmap='gray')plt.axis('off')plt.show()5. 实验总结通过本实验,我们熟悉了数字图像处理的基本方法和步骤,并使用Python编程语言和相关库实现了图像的读取、显示、灰度化、二值化、平滑处理、边缘检测和直方图均衡化等操作。
数字图像处理报告
![数字图像处理报告](https://img.taocdn.com/s3/m/5653f89aaf1ffc4fff47ac58.png)
《数字图象处理》课程项目实施报告题目: 人脸面部自动定位与分割 __________组号: _______________________________________任课教师: _________________________________组长: ________________成员:________________成员:________________成员:________________联系方式:__________________________二O—五年一月十四日星期三目录目录 (I)图目录................................................................ I II —项目介绍 (1)1.1概述 (1)1.2丁力自匕•••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••• 11.3实施要求 (1)二主要设计思想 (2)2」前期准备 (2)2.2人脸肤色区域检测 (2)2.2.1方法一 (2)2.2.2方法二 (2)2.3非人脸区域判别 (3)2.3.1判别规则 (3)2.4脖子区域判别 (3)2.5五官识别-积分投影 (4)三主要实施过程 (4)3.1单人 (4)3.2多人 (7)四结果分析 (8)4」肤色检测 (8)4.1.1方法一 (8)4.1.2方法二 (8)4.1.3肤色检测阶段总结 (9)4.2去除非人脸区域 (9)4.2.1单脸 (9)4.2.2多脸 (9)4.3五官分割 (9)4.3.1眼 (9)4.3.2鼻、嘴 (10)参考文献 (11)参考代码 (12)4.4主程序 (12)4.5同态滤波 (17)4.6肤色检测-简易高斯模型 (19)4.7切割非脸区域 (21)4.8条件判断 (23)图目录Figure 1 (9)Figure 2 (9)Figure 3 (10)Figure 4 (10)Figure 5 (11)Figure 6 (12)Figure 7 (14)项目介绍图像分割是图像处理的主要LI标,本项U综合利用图像采集、图像增强、彩色图像处理、图像分割等知识,根据人脸肤色检测及脸部五官形状,设讣实现人脸照片中的人脸面部检测与五官分割。
数字图像处理课程报告(matlab)
![数字图像处理课程报告(matlab)](https://img.taocdn.com/s3/m/d93d3b222af90242a895e546.png)
南京理工大学实验报告课程:数字图像处理学生姓名:周一鸣学号:912106840640实验摘要:输入一个图像和一个尺度小的水印图像,对两幅图像求加运算,设置不同透明度,显示加水印的图像。
关键字:图像相加、透明度。
一、实验目的:输入一幅图像,再输入一幅水印图像,水印图像尺寸较小。
之后将两幅图像相加,添加水印到第一幅图像中,之后设置水印图像的透明度,将水印图像显示出来。
二、基本原理:首先,将较小的水印图片进行重采样,使之尺寸与第一幅图像相同,之后两图相加,相加后得到添加水印后的图像,水印可以设置多种透明度。
重采样:水印与图像相加:三、实验算法流程图及算法简介:图像的显示:Matlab显示语句 imshow(I,[low high]) %图像正常显示I为要显示的图像矩阵。
,[low high]为指定显示灰度图像的灰度范围。
高于high 的像素被显示成白色;低于low的像素被显示成黑色;介于high和low之间的像素被按比例拉伸后显示为各种等级的灰色。
subplot(m,n,p)打开一个有m行n列图像位置的窗口,并将焦点位于第p个位置上。
获取图像的尺寸:[m,n]=size(IMG1);重新设置图像的尺寸:IMG2=imresize(IMG2,[m,n]);图像相加运算:IMG3(i,j,1) = IMG1(i,j,1)*ALPHA_PARAM + IMG2(i,j,1)*(1-ALPHA_PARAM);透明度设置:ALPHA_PARAM = 0.85;四、实验结果与分析(该部分是重点,1000字)过程1:程序代码:IMG1 = imread('F:\ronghe\1.jpg'); % 读取RGB文件,小姑娘IMG2 = imread('F:\ronghe\2.jpg'); % 读取RGB文件,水印logo结果:读取了原图像和水印图像。
过程2:程序代码:[m,n]=size(IMG1);IMG2=imresize(IMG2,[m,n]);结果:对较小的水印图片重采样,使之与原图像尺寸相同,才可以相加运算。
《数字图像处理技术课程设计报告》
![《数字图像处理技术课程设计报告》](https://img.taocdn.com/s3/m/0d45becf2cc58bd63186bd32.png)
《数字图像处理技术》课程设计报告设计题目:车牌识别系统班级:数媒姓名:学号:一、目的与要求1、提高分析图像处理问题的能力,进一步巩固在《数字图像处理技术》课程中所掌握的基本原理与方法。
2、掌握并使用一门计算机语言,进行数字图像处理的应用设计。
二、设计的内容1、主要功能:牌照图像的采集和预处理、牌照区域的定位和提取、牌照字符的分割和识别等。
2、系统工作的原理以及过程:(1)当行驶的车辆经过时,触发埋设在固定位置的传感器,系统被唤醒处于工作状态;一旦连接摄像头光快门的光电传感器被触发,设置在车辆前方、后方和侧面的相机同时拍摄下车辆图像;(2)由摄像机或CCD 摄像头拍摄的含有车辆牌照的图像通视频卡输入计算机进行预处理,图像预处理包括图像转换、图像增强、滤波和水平较正等;(3)由检索模块进行牌照搜索与检测,定位并分割出包含牌照字符号码的矩形区域;(4)对牌照字符进行二值化并分割出单个字符,经归一化后输入字符识别系统进行识别。
三、总体方案设计车牌识别的最终目的就是对车牌上的文字进行识别。
主要应用的为模板匹配方法。
因为系统运行的过程中,主要进行的都是图像处理,在这个过程中要进行大量的数据处理,所以处理器和内存要求比较高,CPU要求主频在600HZ及以上,内存在128MB及以上。
系统可以运行于Windows98、Windows2000或者Windows XP操作系统下,程序调试时使用matlab。
1、功能模块的划分:(1)预处理及边缘提取:图象的采集与转换,边缘提取。
(2)牌照的定位和分割:牌照区域的定位,牌照区域的分割,车牌进一步处理。
(3)字符的分割与归一化:字符分割,字符归一化。
(4)字符的识别2、具体功能实现的原理以及流程图:1、预处理及边缘提取预处理及边缘提取流程图(1)图象的采集与转换:考虑到现有牌照的字符与背景的颜色搭配一般有蓝底白字、黄底黑字、白底红字、绿底白字和黑底白字等几种,利用不同的色彩通道就可以将区域与背景明显地区分出来,例如,对蓝底白字这种最常见的牌照,采用蓝色 B 通道时牌照区域为一亮的矩形,而牌照字符在区域中并不呈现。
《数字图像处理》实验报告
![《数字图像处理》实验报告](https://img.taocdn.com/s3/m/aae29df9fc0a79563c1ec5da50e2524de518d032.png)
《数字图像处理》实验报告数字图像处理是一门将图像进行数字化处理的学科,它通过计算机算法和技术手段对图像进行分析、增强、压缩和重建等操作。
在本次实验中,我们学习了数字图像处理的基本概念和常用算法,并通过实验来探索其应用和效果。
首先,我们进行了图像的读取和显示实验。
通过使用Python中的OpenCV库,我们能够轻松地读取图像文件,并将其显示在屏幕上。
这为我们后续的实验奠定了基础。
同时,我们还学习了图像的像素表示方法,了解了图像由像素点组成的原理。
这使我们能够更好地理解后续实验中的算法和操作。
接下来,我们进行了图像的灰度化实验。
灰度化是将彩色图像转换为灰度图像的过程。
在实验中,我们使用了不同的算法来实现灰度化操作,包括平均值法、最大值法和加权平均法等。
通过比较不同算法得到的灰度图像,我们发现不同算法对图像的处理效果有所差异,这使我们深入理解了灰度化的原理和应用。
随后,我们进行了图像的直方图均衡化实验。
直方图均衡化是一种用于增强图像对比度的方法。
在实验中,我们使用了直方图均衡化算法来对图像进行处理,并观察了处理前后的效果变化。
通过实验,我们发现直方图均衡化能够显著提高图像的对比度,使图像更加清晰和鲜明。
在进一步探索图像处理技术的过程中,我们进行了图像的滤波实验。
滤波是一种常用的图像处理操作,它通过对图像进行卷积操作来实现。
在实验中,我们学习了不同类型的滤波器,包括均值滤波器、高斯滤波器和中值滤波器等。
通过比较不同滤波器对图像的处理效果,我们发现每种滤波器都有其适用的场景和效果。
此外,我们还进行了图像的边缘检测实验。
边缘检测是一种用于提取图像边缘信息的方法。
在实验中,我们学习了不同的边缘检测算法,包括Sobel算子、Canny算子和Laplacian算子等。
通过比较不同算法对图像的处理效果,我们发现每种算法都有其独特的特点和应用。
最后,我们进行了图像的压缩实验。
图像压缩是一种将图像数据进行压缩以减小文件大小的方法。
数字图像处理-课程设计报告
![数字图像处理-课程设计报告](https://img.taocdn.com/s3/m/3ae9b4e66294dd88d0d26b42.png)
数字图像处理 - 课程设计报告1.实现目标
1.1算法功能
(针对什么问题,应用需求是什么,算法的所有功能)
1.2技术指标
2.研究现状分析
2.1国内外研究现状
(调研有代表性的算法)
2.2目前存在的问题
(分析现有算法的优缺点)
3.算法描述
3.1总体思路
3.2详细分析
3.3算法流程图
4.算法的实现
4.1功能函数和调用关系
(列举出编写的算法中所有的功能函数,及其调用关系)
4.2输入输出数据的格式
(采用的输入输出数据的格式)
4.3框架集成
(编写的算法DLL与Demo框架集成,单帧算法如何获取数据,多帧算法如何获取数据,如何返回结果)
(实验课上已经演示过,不会的同学来D406问)
4.4运行效果
(实际运行时截图)
5.实验结果分析
5.1实验结果
(给出测试结果)
5.2算法对比
(与其他算法对比,准确度、时间、空间…,以表格形式给出)
5.3 结果分析
6.展望
(总结本次课程设计,提出可能存在的改进点)。
数字图像处理B课程报告--
![数字图像处理B课程报告--](https://img.taocdn.com/s3/m/3d43864e69eae009581bec5d.png)
数字图像处理(B)课程报告年月日实验一:直方图均衡化目标:选择图像并对其进行灰度直方图均衡化以增强图像显示效果原理:将原始图像的直方图变为均衡分布的形式,将一个已知灰度概率密度分布的图像经过变换得到一幅具有均匀概率密度分布的新图像,从而增强整个图像的对比度,提升图像的亮度。
代码:clear all;Image = imread('Lena.jpg');Image = rgb2gray(Image);figure(1),imshow(Image);[M,N]=size(Image);total = M*N;count=0;imshow(Image);%计算各个灰度级出现的机率Point = zeros(1,256);for i=0:255for j=1:Mfor k=1:Nif(Image(j,k)==i)count=count+1;endendendPoint(i+1)=count/total;count=0;endcount=0;figure(2),bar(0:255,Point,'g');title('原始图像直方图');xlabel('灰度值');ylabel('出现频率');%计算对应的Skpre=0;for i=1:256Point(i)=Point(i)+pre;pre=Point(i);endSk=round((Point*256));%使用均值化后的像素值代替原先图像中的像素值即可Image2 = Image;for i=0:255for j=1:Mfor k=1:Nif(Image(j,k)==i)Image2(j,k)=Sk(i);endendendendfigure(3),imshow(Image2);%重新计算各个灰度级出现的机率Last = zeros(1,256);for i=0:255for j=1:Mfor k=1:Nif(Image2(j,k)==i)count=count+1;endendendLast(i+1)=count/total;count=0;endfigure(4),bar(0:255,Last,'g');title('均衡后图像直方图');xlabel('灰度值');ylabel('出现频率');实验结果:原图与增强后图像直方图分布实验二:空间域方法滤波增强目标:选择图像并对使用空间域方法――均值滤波进行边缘增强原理:使用均值滤波对含有随机噪声的灰度图像进行平滑处理,采用窗口平移处理使用高频部分的信息被周围的像素点灰度值所制约,从而使高频部分的信息被消除,保留低频信息。
数字图像处理实验报告图像处理
![数字图像处理实验报告图像处理](https://img.taocdn.com/s3/m/5f25e932cdbff121dd36a32d7375a417866fc1c8.png)
数字图像处理实验报告图像处理数字图像处理实验报告实验报告书实验类别数字图像处理学院信息工程学院专业通信工程班级通信1005班姓名叶伟超指导教师聂明新2013 年 6 月 3 日篇二:数字图像处理实验报告数字图像处理实验报告课程:班级:学号:姓名:指导老师:日期:实验一内容一MATLAB数字图像处理初步一、实验目的与要求1.熟悉及掌握在MATLAB中能够处理哪些格式图像。
2.熟练掌握在MATLAB中如何读取图像。
3.掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。
4.掌握如何在MATLAB中按照指定要求存储一幅图像的方法。
5.图像间如何转化。
二、实验内容及步骤1.利用imread( )函数读取一幅图像,假设其名为flower.tif,存入一个数组中;解:读取图像,存入数组I中:I = imread('flower.tif');2.利用whos 命令提取该读入图像flower.tif的基本信息;解:查询数组I的信息:3.利用imshow()函数来显示这幅图像;解:因为imshow()方法不能直接显示tif图像矩阵,因此要先转换成RGB模式,再调用imshow()显示。
代码如下:I1 = I(:,:,1);I2 = I(:,:,2);I3 = I(:,:,3);RGB = cat(3,I1,I2,I3);imshow(RGB);显示的图像为:4.利用imfinfo函数来获取图像文件的压缩,颜色等等其他的详细信息;解:代码如下:imfinfo('flower.tif')结果截图:5.利用imwrite()函数来压缩这幅图象,将其保存为一幅压缩了像素的jpg文件,设为flower.jpg;语法:imwrite(原图像,新图像,‘quality’,q), q取0-100。
解:代码:imwrite(RGB,'flower.jpg','quality',80);结果截图:6.同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp 图像,设为flower.bmp。
数字图像处理实验报告
![数字图像处理实验报告](https://img.taocdn.com/s3/m/739ca9775b8102d276a20029bd64783e08127d6f.png)
数字图像处理实验报告引言数字图像处理是一门研究如何对图像进行数字化处理的学科,它的应用广泛,涵盖了图像的获取、增强、压缩、分割等多个方面。
本次实验旨在探索数字图像处理的基本原理和常用技术,并通过实践操作加深对数字图像处理的理解。
实验目的1.学习掌握数字图像处理的基本原理;2.熟悉常用的数字图像处理工具和方法;3.实践应用数字图像处理技术解决实际问题。
实验环境在本次实验中,我们使用了以下环境和工具:- 操作系统:Windows 10 - 编程语言:Python - 图像处理库:OpenCV实验步骤步骤一:图像获取与显示首先,我们需要获取一张待处理的图像,并对其进行显示。
在Python中,我们可以使用OpenCV库来实现图像的读取和显示。
以下是示例代码:import cv2# 读取图像image = cv2.imread('image.jpg')# 显示图像cv2.imshow('Image', image)cv2.waitKey(0)cv2.destroyAllWindows()步骤二:图像增强图像增强是数字图像处理中常用的技术之一,旨在改善图像的质量和可视化效果。
常见的图像增强技术包括灰度转换、直方图均衡化、滤波器等。
以下是示例代码:import cv2# 读取图像image = cv2.imread('image.jpg')# 灰度转换gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GR AY)# 直方图均衡化equalized_image = cv2.equalizeHist(gray_image)# 高斯滤波器blurred_image = cv2.GaussianBlur(equalized_image, (5, 5), 0)# 边缘增强enhanced_image = cv2.Canny(blurred_image, 100, 20 0)# 显示图像cv2.imshow('Enhanced Image', enhanced_image)cv2.waitKey(0)cv2.destroyAllWindows()步骤三:图像压缩图像压缩是数字图像处理中的重要话题,旨在减少图像的存储空间和传输带宽。
《数字图像处理》课程学习报告
![《数字图像处理》课程学习报告](https://img.taocdn.com/s3/m/421c421be3bd960590c69ec3d5bbfd0a7856d577.png)
《数字图像处理》课程学习报告1.“绪论”学习总结本章节主要学习了图像、像素和数字图像处理的基本概念,了解了自然界中图像的亮度、色彩和空间分布等指标都是以模拟形式出现,模拟图像可以利用光学和电子两种方式进行处理。
图像是由许多个大小和形状一致的像素组成,分辨率可以用单位长度的像素点数表示,也可以用行数×列数来表示图像的大小和分辨率。
利用计算机或者数字设备对图像进行加工分析以满足需求的操作叫做图像处理。
数字图像处理的发展是从20世纪20年代首次实现了图像压缩技术开始,数字图像处理技术最开始应用在航天领域,随着科技发展逐渐扩展到人们生活的各个领域之中。
数字图像处理的目的、任务与特点。
图像处理的目的包含了提高图像的视觉质量、提取图像中某些特征、对图像和视频信息进行压缩、信息可视化和信息安全需要。
图像处理的任务是获取客观世界的景象并转换成数字图像,进行一定的技术手段使其转化成具有新意义的图像。
数字图像处理具有精度高、重现性能好、灵活性高、处理结果可供人观察、技术适用面宽等特点。
数字图像处理主要应用领域有航空航天、生物医学工程、通讯工程、工业自动化和机器人、军事公安、材料科学、生活娱乐以及智能交通。
涉及图像处理的相关技术包括视频、计算机图形、动画、VR、AR等。
2.“图像处理基本知识”学习总结本章节主要学习了人类视觉与色度学基础。
眼睛是人类重要和敏感的感觉器官,人类视觉对颜色的主观感觉可以直观的用色调、色饱和度和亮度来表达。
学习了三基色原理对光通量、发光强度、视敏度、亮度、照度等光度学基本知识有了全面了解。
图像处理硬件和图像处理软件组成了计算机或专用数字设备对图像信息进行处理的系统叫做数字图像处理系统。
学习了数字图像的图像大小、灰度平均值、协方差、灰度标准差以及图像的相关系数统计特征表达算式。
3.“图像的数字化与显示”学习总结本章在了解了图像数字化的基本过程前提下,主要学习了图像数字化的方法,尤其是图像量化中的标量量化和向量量化方法,标量量化的特点是每次只量化一个采样,前后采样间的量化互相独立,向量量化是将一组采样的信号幅度向量在容许的误差范围内用更少的离散向量替代。
数字图像处理实验报告
![数字图像处理实验报告](https://img.taocdn.com/s3/m/22efae3153ea551810a6f524ccbff121dc36c560.png)
数字图像处理实验报告一、引言数字图像处理是一门涉及图像获取、图像处理和图像分析的重要学科,广泛应用于计算机科学、电子工程、通信技术等领域。
本报告旨在介绍并总结我所进行的数字图像处理实验,讨论实验的目的、方法、结果和分析。
二、实验目的通过本次实验,旨在掌握和理解数字图像处理的基本原理和常见技术,包括灰度变换、空间域滤波、频域滤波等,以及层次分割、边缘检测和形态学处理等高级应用技术。
三、实验方法1. 寻找合适的图像在实验中,我选用了一张自然风景图像作为处理对象。
这张图像包含丰富的纹理和颜色信息,适合用于多种图像处理方法的验证和比较。
2. 灰度变换灰度变换是数字图像处理中常见的基础操作,可以通过对图像的像素灰度值进行线性或非线性变换,来调整图像的对比度、亮度等特征。
在实验中,我利用线性灰度变换方法将原始彩色图像转换为灰度图像,并进行对比度的调整,观察处理结果的变化。
3. 空间域滤波空间域滤波是一种基于像素邻域的图像处理方法,常用于图像去噪、边缘增强等应用。
我使用了平滑滤波和锐化滤波两种方法,并针对不同的滤波算子和参数进行了实验和比较,评估其对图像细节和边缘保留的影响。
4. 频域滤波频域滤波是一种基于图像的频谱特征的图像处理方法,广泛应用于图像增强、去噪和特征提取等方面。
我利用傅里叶变换将图像从空间域转换到频域,采用理想低通滤波器和巴特沃斯低通滤波器进行图像的模糊处理,并进行了实验对比和分析。
5. 高级应用技术在实验中,我还研究了数字图像处理中的一些高级应用技术,包括层次分割、边缘检测和形态学处理。
通过应用不同的算法和参数,我实现了图像区域分割、提取图像边缘和形态学形状变换等效果,评估处理结果的准确性和稳定性。
四、实验结果与分析通过对以上实验方法的实施,我获得了一系列处理后的图像,并进行了结果的比较和分析。
在灰度变换实验中,我发现线性变换对图像的对比度有较大影响,但对图像的细节变化不敏感;在空间域滤波实验中,平滑滤波可以有效降噪,但会导致图像细节损失,而锐化滤波可以增强图像的边缘效果,但也容易引入噪声;在频域滤波实验中,理想低通滤波对图像的模糊效果明显,而巴特沃斯低通滤波器可以在一定程度上保留图像的高频细节信息;在高级应用技术实验中,边缘检测和形态学处理对提取图像边缘和形状变换非常有效,但参数的选择会对结果产生较大影响。
《数字图像处理》实验一报告1
![《数字图像处理》实验一报告1](https://img.taocdn.com/s3/m/12a1671210a6f524ccbf8550.png)
成绩:数字图像处理实验报告实验一:图像文件认识学号:0967118218姓名:宁志强同组人:电脑编号:实验时间:2012年6 月18 日星期1数字图像处理实验报告一、实验名称图像文件认识二、实验目的1、掌握文本编辑工具UltraEdit的基本使用方法2、掌握BMP格式图像的基本组成3、掌握使用UltraEdit查看BMP格式图像的方法三、实验平台Windows XP、UltraEdit 16.20四、实验内容一、安装UltraEdit软件1、下载并安装UltraEdit软件。
二、获取4种形式BMP格式图像文件1、查找一副自己喜欢的图像,并用Windows自带的画图板软件打开;2、将打开的图像分别另存为24位、256色、16色、黑白两色BMP格式位图,命名规则为“文件名-图像位数内科大24位图内科大256色图内科大16色内科大单色图五、实验分析一、24位BMP格式图像文件名:图像-24.bmp工具:UE Studio位图文件头:0-1字节:42 4D:说明该图像文件的类型,即字符串“BM”。
2-5字节:7E EA 08 00:说明该文件的大小,即584318字节。
6-7字节:00 00:保留字,不用考虑。
8-9字节:00 00:保留字,不用考虑。
10-13字节:36 00 00 00:说明文件头到实际位图数据的偏移字节数,即54字节.位图信息头:0-3字节:28 00 00 00:说明该图形文件的结构的长度,即40。
4-7字节:D2 03 00 00:说明该图像的宽度,即978像素。
8-11字节:C7 00 00 00:说明该文件的高度,即199像素。
12-13字节:01 00:说明该图像的位平面数为1。
14-15字节:18 00:说明指定颜色位数为24。
16-19字节:00 00 00 00:说明该图像的压缩情况。
20-23字节:00 00 00 00:说明实际的位图数占用的字节数。
24-27字节:C4 0E 00 00:说明显示器的水平分辨率3780像素平米。
数字图像处理--图像处理课程设计 报告
![数字图像处理--图像处理课程设计 报告](https://img.taocdn.com/s3/m/f41396eb360cba1aa811daa4.png)
《数字图像处理》课程设计1、课程设计目的1、提高分析问题、解决问题的能力,进一步巩固数字图像处理系统中的基本原理与方法。
2、熟悉掌握一门计算机语言,可以进行数字图像的应用处理的开发设计。
2、课程设计要求1、要充分认识课程设计对培养自己的重要性,认真做好设计前的各项准备工作。
尤其是对编程软件的使用有基本的认识。
2、既要虚心接受老师的指导,又要充分发挥主观能动性。
结合课题,独立思考,努力钻研,勤于实践,勇于创新。
3、独立按时完成规定的工作任务,不得弄虚作假,不准抄袭他人内容,否则成绩以不及格计。
4、在设计过程中,要严格要求自己,树立严肃、严密、严谨的科学态度,必须按时、按质、按量完成课程设计。
5.2实施要求1、理解各种图像处理方法确切意义。
2、独立进行方案的制定,系统结构设计要合理。
3、在程序开发时,则必须清楚主要实现函数的目的和作用,需要在程序书写时说明做适当的注释。
如果使用matlab来进行开发,要理解每个函数的具体意义和适用范围,在写课设报告时,必须要将主要函数的功能和参数做详细的说明。
4、通过多幅不同形式的图像来检测该系统的稳定性和正确性。
用图像平均的方法消除噪声编程:J=imread('1036032.jpg');I = rgb2gray(J);[m,n]=size(I);II1=zeros(m,n);for i=1:16II(:,:,i)=imnoise(I,'gaussian',0,0.01);II1=II1+double(II(:,:,i));if or(or(i==1,i==4),or(i==8,i==16));figure;imshow(uint8(II1/i));endend迭加零均值高斯随机噪声图像4幅同类图像加平均8幅同类图像加平均16幅同类图像加平均用平滑滤波方法消除噪声编程:I=imread('001122.jpg');I=rgb2gray(I);J=imnoise(I,'gaussian',0,0.02);subplot(231),imshow(I);title('原图像');subplot(232),imshow(J);title('添加高斯噪声图像');k1=filter2(fspecial('average',3),J);k2=filter2(fspecial('average',5),J);k3=filter2(fspecial('average',7),J);k4=filter2(fspecial('average',9),J);subplot(233),imshow(uint8(k1));title('3*3模板平滑滤波'); subplot(234),imshow(uint8(k2));title('5*5模板平滑滤波'); subplot(235),imshow(uint8(k3));title('7*7模板平滑滤波'); subplot(236),imshow(uint8(k4));title('9*9模板平滑滤波');用中值滤波方法消除噪声编程:I=imread('1036032.jpg');I=rgb2gray(I);J=imnoise(I,'gaussian',0,0.01);subplot(231),imshow(I);title('原图像');subplot(232),imshow(J);title('添加高斯白噪声图像');k1=medfilt2(J);k2=medfilt2(J,[5 5]);k3=medfilt2(J,[7 7]);k4=medfilt2(J,[9 9]);subplot(233),imshow(k1);title('3×3模板中值滤波') subplot(234),imshow(k2);title('5×5模板中值滤波') subplot(235),imshow(k3);title('7×7模板中值滤波') subplot(236),imshow(k4);title('9×9模板中值滤波')用理想低通滤波方法消除噪声编程:I=imread('001122.jpg');J= rgb2gray(I);J=imnoise(J,'gaussian',0,0.02);subplot(331);imshow(J);J=double(J);f=fft2(J);g=fftshift(f);subplot(332);imshow(log(abs(g)),[]),color(jet(64)); [M,N]=size(f);n1=floor(M/2);n2=floor(N/2);d0=5;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);if d<=d0h=1;elseh=0;endg(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(333);imshow(g);I=imread('001122.jpg');J= rgb2gray(I);J=imnoise(J,'gaussian',0,0.02);subplot(331);imshow(J);J=double(J);f=fft2(J);g=fftshift(f);subplot(332);imshow(log(abs(g)),[]),color(jet(64)); [M,N]=size(f);n1=floor(M/2);n2=floor(N/2);d0=15;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);if d<=d0h=1;elseh=0;endg(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(334);imshow(g);I=imread('001122.jpg');J= rgb2gray(I);J=imnoise(J,'gaussian',0,0.02);subplot(331);imshow(J);J=double(J);f=fft2(J);g=fftshift(f);subplot(332);imshow(log(abs(g)),[]),color(jet(64)); [M,N]=size(f);n1=floor(M/2);n2=floor(N/2);d0=45;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);if d<=d0h=1;elseh=0;endg(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(335);imshow(g);I=imread('001122.jpg');J= rgb2gray(I);J=imnoise(J,'gaussian',0,0.02);subplot(331);imshow(J);J=double(J);f=fft2(J);g=fftshift(f);subplot(332);imshow(log(abs(g)),[]),color(jet(64)); [M,N]=size(f);n1=floor(M/2);n2=floor(N/2);d0=65;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);if d<=d0h=1;elseh=0;endg(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(336);imshow(g);用巴特沃斯低通滤波方法消除噪声I=imread('001122.jpg');I=rgb2gray(I);J=imnoise(I,'gaussian',0,0.04); subplot(121);imshow(J);title('高斯白噪声图像');J=double(J);f=fft2(J);g=fftshift(f);[M,N]=size(f);n=3;d0=20;n1=floor(M/2);n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2); h=1/(1+(d/d0)^(2*n));g(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(122);imshow(g);title('巴特沃斯低通滤波');峰值信噪比PSNR程序:function result=psnr(in1,in2)in1=imread('a.jpg'); %a为原图像%in2=imread('b.jpg'); %b为调制之后的图像% z=mse(in1,in2);result=10*log10(255.^2/z);function z=mse(x,y)x=double(x);y=double(y);[m,n]=size(x);z=0;for i=1:mfor j=1:nz=z+(x(i,j)-y(i,j)).^2;endendz=z/(m*n);方法一图像平均的方法处理得到信噪比分别如下:ans =7.1689ans =7.2601ans =7.2789ans =7.2876方法二平滑滤波方法处理得到信噪比分别如下:ans =6.0426ans =6.0713ans =6.0955ans =6.1052方法三中值滤波方法处理得到信噪比分别如下:ans =7.1708ans =7.2487ans =7.2830ans =7.3065ans =7.3290方法四理想低通滤波方法处理得到的信噪比:ans =5.9024ans =6.3146ans =6.1266ans =6.0586ans =6.0479方法五巴特沃斯低通滤波方法处理得到的信噪比:ans =5.9042ans =6.2459。
《数字图像处理》实验报告
![《数字图像处理》实验报告](https://img.taocdn.com/s3/m/e9cefd58a9114431b90d6c85ec3a87c241288a54.png)
《数字图像处理》实验报告数字图像处理是计算机科学与技术领域中的一个重要分支,它涉及到对图像进行获取、处理、分析和显示等一系列操作。
在本次实验中,我们将学习和探索数字图像处理的基本概念和技术,并通过实验来加深对这些概念和技术的理解。
首先,我们需要了解数字图像的基本概念。
数字图像是由像素组成的二维矩阵,每个像素代表图像中的一个点,像素的灰度值或颜色值决定了该点的亮度或颜色。
在实验中,我们将使用灰度图像进行处理,其中每个像素的灰度值表示了该点的亮度。
在数字图像处理中,最基本的操作之一是图像的获取和显示。
我们可以通过摄像头或者从文件中读取图像数据,然后将其显示在计算机屏幕上。
通过这种方式,我们可以对图像进行观察和分析,为后续的处理操作做好准备。
接下来,我们将学习一些常见的图像处理操作。
其中之一是图像的灰度化处理。
通过将彩色图像转换为灰度图像,我们可以减少图像数据的维度,简化后续处理的复杂度。
灰度化处理的方法有多种,例如将彩色图像的RGB三个通道的像素值取平均值,或者使用加权平均值的方法来计算灰度值。
另一个常见的图像处理操作是图像的平滑处理。
图像平滑可以减少图像中的噪声,并使得图像更加清晰。
常用的图像平滑方法包括均值滤波和高斯滤波。
均值滤波通过计算像素周围邻域像素的平均值来平滑图像,而高斯滤波则使用一个高斯核函数来加权平均邻域像素的值。
除了平滑处理,图像的锐化处理也是数字图像处理中的一个重要操作。
图像的锐化可以增强图像的边缘和细节,使得图像更加清晰和鲜明。
常用的图像锐化方法包括拉普拉斯算子和Sobel算子。
这些算子通过计算像素周围邻域像素的差异来检测边缘,并增强边缘的灰度值。
此外,我们还将学习一些图像的变换操作。
其中之一是图像的缩放和旋转。
通过缩放操作,我们可以改变图像的尺寸,使其适应不同的显示设备或应用场景。
而旋转操作可以将图像按照一定的角度进行旋转,以达到某种特定的效果。
最后,我们将学习一些图像的特征提取和分析方法。
数字图像处理实验报告通用
![数字图像处理实验报告通用](https://img.taocdn.com/s3/m/6390b3712f3f5727a5e9856a561252d380eb20b5.png)
数字图像处理实验报告通用数字图像处理实验报告通用数字图像处理是现代科学技术发展过程中的一个重要方向,它广泛地涉及到了计算机、数学、物理、电子等多个学科。
数字图像处理实验是数字图像处理领域中不可或缺的重要研究手段之一。
为了更好地展示实验结果和数据,以下是数字图像处理实验报告通用模板,以供参考。
1. 实验目的本次实验的目的是掌握数字图像处理的基本概念、算法以及其应用,在实践中学习数字图像处理的基础操作和技巧。
通过实验,学生可以更深入地理解数字图像处理的原理,并掌握数字图像处理应用的方法和技术。
2. 实验原理数字图像处理是将数字信号处理和图像处理结合起来的技术。
主要基于数字通信和数字信号处理原理,将二维图像进行数字化,并对其进行处理,实现图像的获取、传输、分析和显示等功能。
3. 实验流程(1) 图像获取和预处理:获取需要处理的图像,并进行基本的预处理,包括降噪、锐化、自适应增强等。
(2) 图像增强:通过滤波、直方图均衡化、灰度拉伸等操作,增强图像的亮度、对比度等特征。
(3) 图像变换:包括几何变换(旋转、平移、缩放等)、色彩空间变换(RGB空间、HSV空间等)等。
(4) 特征提取和分类:从图像中提取出感兴趣的特征,进行分类判别、目标检测等。
(5) 结果展示和分析:将处理后的图像结果进行展示和分析,分析图像特征和处理效果。
4. 实验结果(1) 原始图像(2) 预处理后的图像(3) 增强后的图像(4) 变换后的图像(5) 提取出的特征及分类结果(6) 结果展示和分析5. 实验总结通过本次实验,我们对数字图像处理的基本概念、算法和应用有了更深的理解,并掌握了数字图像处理的基础操作和技巧。
对于未来的科学研究和工程技术领域,数字图像处理具有广泛的应用前景,我们有信心在这个领域不断深耕,为社会的发展进步做出更大的贡献。
数字图像处理实验报告
![数字图像处理实验报告](https://img.taocdn.com/s3/m/dca9987e5627a5e9856a561252d380eb63942376.png)
数字图像处理实验报告数字图像处理实验报告第一章总论数字图像处理是计算机图形学、数字信号处理等学科交叉的一门学科。
它是基于数字计算机对图像信号进行数字处理的一种方法。
数字图像处理技术已广泛应用于医学影像诊断、遥感图像处理、图像识别、安防监控等领域,在当今社会中具有不可替代的重要作用。
本次实验主要介绍了数字图像处理的基本方法,包括图像采集、图像增强、图像恢复、图像分割、图像压缩等几个方面。
在实验过程中,我们采用了一些常用的数字图像处理方法,并通过 Matlab 图像处理工具箱进行实现和验证。
第二章实验过程2.1 图像采集在数字图像处理中,图像采集是一个重要的步骤。
采集到的图像质量直接影响到后续处理结果的准确性。
本次实验使用的图像是一张 TIF 格式的彩色图像,通过 Matlab 读取图像文件并显示,代码如下:```Matlabim = imread('test.tif');imshow(im);```执行代码后,可以得到如下图所示的图像:![image_1.png](./images/image_1.png)2.2 图像增强图像增强是指利用某些方法使图像具有更好的视觉效果或者变得更适合某种应用。
本次实验我们主要采用直方图均衡化、灰度变换等方法进行图像增强。
2.2.1 直方图均衡化直方图均衡化是一种常用的增强方法,它可以增加图像的对比度和亮度,使图像更加清晰。
代码实现如下:```Matlabim_eq = histeq(im);imshow(im_eq);```执行代码后,会得到直方图均衡化后的图像,如下图所示:![image_2.png](./images/image_2.png)可以看出,经过直方图均衡化处理后,图像的对比度和亮度得到了明显提高。
2.2.2 灰度变换灰度变换是一种用于调整图像灰度级别的方法。
通过变换某些像素的灰度级别,可以增强图像的视觉效果。
本次实验我们采用对数变换和幂函数变换两种方法进行灰度变换。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
集中稀疏表示的图像恢复董伟胜中国西安电子科技大学电子工程学院wsdong@张磊香港理工大学计算机系cslzhang@.hk石光明中国西安电子科技大学电子工程学院gmshi@摘要本文对于图像恢复任务提出了一种新的称为集中稀疏表示(CSR)的稀疏表示模型。
为了重建高还原度的图像,通过给定的字典,退化图像的稀疏编码系数预计应该尽可能接近那些未知的原始图像。
然而,由于可用的数据是原始图像的退化版本(如噪声、模糊和/或者低采样率),正如许多现有的稀疏表示模型一样,如果只考虑局部的稀疏图像,稀疏编码系数往往不够准确。
为了使稀疏编码更加准确,通过利用非局部图像统计,引入一个集中的稀疏性约束。
为了优化,局部稀疏和非局部稀疏统一到一个变化的框架内。
大量的图像恢复实验验证了我们的CSR模型在以前最先进的方法之上取得了令人信服的改进。
1、介绍图像恢复(IR)目的是为了从,比如说通过一个低端摄像头或者在有限条件下得到图像的图像退化版本(例如噪声、模糊和/或者低采样率),来恢复一副高质量的图像。
对于观察的图像y,IR问题可以表示成:y = Hx + v (1)其中H是一个退化矩阵,x是原始图像的矢量,v是噪声矢量。
由于IR的病态特性,尝试把观察模型和所需解决方案的先验知识合并到一个变分公式的正则化技术,已经被广泛地研究。
对于正则方法,对自然图像适当的先验知识进行寻找和建模是最重要的关注点之一,因此学习自然图像先验知识的各种方法已经被提出来了【25,5,6,12】。
近年来,对于图像恢复基于建模的稀疏表示已经被证明是一种很有前途的模型【9,5,13,20,16,21,27,15,14】。
在人类视觉系统【23,24】的研究中,已经发现细胞感受区域使用少量的从一个超完备的编码集中稀疏选出的结构化基元来编码自然图像。
在数学上,一个x ∈ R N的信号可以表示为一个字典Φ中的几个原子的线性组合,例如,X ≈Φα,用|0 最小化:αx = argmin ||α||0, s.t.||x −Φα||2< ε, (2)α其中||⋅||0 对α中的非零系数进行统计,ε是一个很小的平衡稀疏性和近似误差的常数。
在实践中,为了高效的凸优化【13,9】,|0范数通常被|1 范数所替代。
另一方面,对照分析设计字典(比如小波字典)、学习字典【1,21,19】,例如图像分块可以更好地适应信号x和描述图像结构特征。
在IR的方案中,我们有原始图像x的一些退化观察值y,即y = Hx + v。
为了从y中重建x,首先y通过求解下列最小化问题从Φ进行稀疏编码:αy = argmin ||α||1, s.t.||y −HΦα||2< ε, (3)α然后重构的x,由xˆ表示,得到xˆ=Φαy。
显然,式(3)中的αy预期上与αx非常接近,所以估算的图像xˆ可以与真实图像x非常接近。
不幸的是,因为y受噪声干扰,是模糊和不完整的,式(3)中的编码矢量αy可能与所需矢量αx偏差很大,导致图像x的恢复不准确。
换句话说,模型式(3)可以确保式αy是稀疏的,但不能确保αy 与αx无限接近。
在本文中,我们介绍稀疏噪音编码(SCN)的概念来方便问题讨论。
y的SCN定义为:V a = αx - αy, (4)我们可以看到在给定的字典Φ中,IR的结果取决于SCN V a的水平,因为图像重建误差V x=xˆ-x≈Φαy-Φαx=ΦV a。
SCN V a的定义还表明了一种提高IR质量的方法,即降低V a的水平。
常规的稀疏表示模型,比如在式(2)或式(3)中的,主要利用了自然图像(基于分块)的局部稀疏性。
每一个图像块独立编码,不考虑其他块。
尽管如此,稀疏编码系数α不是随机分布的,因为图像局部分块是非局部相关的。
非局部平均值(NLM)方法,其目的是利用图像非局部冗余,已经成功地运用在许多图像处理应用中,特别是在去噪方面【6】。
这意味着可以利用图像的非局部相似性来减少SCN,因此,复原图像的质量可以得到改善。
事实上,最近的一些研究工作,比如【10】和【20】,都是基于这样的考虑的。
例如,在【20】中提出了一组能够同时编码相似的块的稀疏编码方案,并取得了很好的去噪效果。
在本文中,我们提出了一个能够有效减少SCN的集中系数表示(CSR)模型,从而提高了基于稀疏的IR性能。
其基本思想是将图像的局部稀疏约束(即一个局部块可以被一些从一个字典稀疏选择的原子进行编码)和集中稀疏约束(即稀疏编码系数应该接近其平均值)整合到一个统一的变化的优化框架中。
具体而言,除了要求每个局部块的编码系数是稀疏的之外,我们也通过利用非局部相似性引起的稀疏性来强制让稀疏编码系数具有小的SCN,这一点可以用|1 范数来表示其特征。
通过进行大量的IR实验,实验结果表明,所推荐的CSR算法明显优于许多最顶尖的IR方法。
2、集中稀疏表示模型2.1 图像恢复的稀疏编码噪音按照【16】中所用的符号,我们用x∈R N表示原始图像,用x i=x R i表示在一个大小为n×n的图像块中位置为i,其中R i在i位置上的从x提取的矩阵块x i,给定一个字典Φ∈R n×M,n<M,通过使用一些稀疏编码算法【13,9】,每个块可以被稀疏编码成X≈Φα这样的格式。
然后整个图像x可以用稀疏编码集合{αi}稀疏表示。
如果块允许重叠,我们得到一个非常冗余的基于块的图像表示。
然后从稀疏代码集{αi}重建x是一个超定体系,一个简单明了的最小二乘解是【16】:其中αx表示所有αi的连接。
上面的公式只是说明整体图像已经通过平均x i的每一个重建块完成了重建。
(a)(b)(c) (d)图1. Lena 图像(a )是有噪音和模糊时的SCN 分布;(b )是低采样率时的。
(c )和(d )分别表示在log 域中的(a )和(b )的相同分布。
在IR 的应用中,x 是不能编码的,我们所有的只是观察的退化的y=Hx + v 。
x 的稀疏编码是基于y 通过最小化αy = argmin { || y - H Φ◦α ||2 2 + λ|| α||1 }, (6) α然后图像就被重建成x ˆ =Φ◦αy 。
正如我们在式(4)中所定义和讨论的,系数αy 将偏离αx ,并且稀疏编码噪声(SCN )V a = αy-αx 决定了xˆ的图像恢复质量。
在此我们进行了一些实验来调查SCN V a 的统计。
我们使用Lena 图像作为例子。
原始图像x 首先被模糊(用一个标准差为1.6的高斯模糊内核),再加上一个标准差为2的高斯白噪声来获得一个有噪声和模糊的图像y 。
然后我们分别通过最小化αx = argmin { || x -Φ◦α ||22 + λ || α||1 }, (7) α和式(6)计算αx 和αy 。
DCT 字典在这个实验被采用。
然后通过V a=αy-αx 计算SCN 。
在图1(a )中,我们绘出对应字典中的第四个原子(其他原子的分布类似)对应的V a 分布。
在图1(b )中,当观察的数据y 刚开始模糊(由一个标准差为1.6的高斯模糊内核)然后采样后绘出V a 分布。
我们可以看到SCN V a 的实验分布在零处达到最高值,拉普拉斯算子函数可以很好地表示其特点,但高斯函数有很多更大的拟合误差。
在图1(c )和(d )中我们log 域显示这些分布以便更好地观察拟合的尾巴。
这个观察促使我们使用之前的拉普拉斯算子来对SCN 建模,这些将在第三节介绍。
2.2 集中稀疏表示很明显,抑制SCN V a 有助于改善IR 的输出xˆ,然而困难在于系数矢量αx 是未知的,所以不能直接测量V a 。
但是,如果我们能进行一些对αx 的合理估计,用αˆ x 表示,然后就可以用αy − αˆ x 表示αx 的一个近似值。
直观的说,为了抑制αx 和提高αy 的精确度,有一个新的稀疏编码模型:其中γ 是一个常数,l p (p 可以是1或2)范数用来测量α与αˆ x 间的距离。
与式(6)相比,式(8)使αy 接近αˆ x (因此SCN V a 能被抑制)从而使αy 是稀疏的,因此致使稀疏编码比通过求解式(6)得来的更为可取。
如果αˆ x =0并且p=1,式(8)的模型将简化为式(6)的常规模型。
现在问题转化为如何找到一个未知矢量αx 的合理估计。
通过将αx 看做一个随机变矢量,αx 的一个很好的无偏估计自然是它的平均值;也就是说,我们可以令αˆ x =E[αx ]。
事实上,我么可以通过假设SCN 的V a 几乎是零均值(请参阅2.1节中的经验观察值)来由E[αy ]近似E[αx ],并有αˆ x =E[αx ]≈E[αy ]。
然后式(8)可以转化为我们把上面的模型称为集中稀疏表示(CSR ),因为它使稀疏编码系数α强制接近其分布中心(即平均值)。
对于每一个图像块i 的稀疏编码αi ,如果我们有足够的αi 的样本,E[αi ]是可以近似计算的。
幸运的是,给定的块i 在自然图像中通常有许多非局部相似块。
然后E[αi ]可以通过与块i 相关的非局部相似块(包括块i )的那些稀疏编码矢量的加权平均数来计算。
为此,我们可以对每一个块i 通过块匹配而形成一个簇,用C i 表示,然后计算每个簇里稀疏编码的平均值。
用αi,j 表示找到的与块i 相似的块j 的稀疏编码。
然后我们用所有αi,j 的加权平均值来近似于E[αi ],即μ i =j i ja wC j i ,i,∈∑ (10)其中w i,j 是权重。
与非局部平均方法【6】中相似,w i,j 可以被设置成与块i 与块j 间距离成反比:w i,j = exp( - || x ˆi - x ˆi,j ||2 2/h) / W , (11)其中xˆi = Φαˆi和xˆi,j = Φαˆi,j 是块i和块j的估计,W是一个归一化因数,h是一个预定的标量。
通过用μ i 作为E[αi]的估计,式(9)中的CSR模型可以写成:从式(12)中我们可以更清楚地看到CSR模型结合局部稀疏性(即||α||1)和非局部相似性诱导稀疏性(即||αi-μi||l p)到一个统一的变化公式。
通过利用局部和非局部的冗余,更好的IR结果是可以预期的。
实际上式(12)表明了一个CSR模型的迭代最小化方法。
我们初始化μ i为0,即μ i(-1) =0。
然后从一些初始的稀疏编码结果,表示为αy(0),我们可以得到x的初始估计,表示为x(0),通过x(0)=Φ◦αy(0)。
在x(0)的基础上,我们可以找到每一个局部块i的相似块,并因此每个块的非局部平均编码矢量,即μi,就可以根据αy(0)通过式(10)和式(11)来更新。
更新后的平均值由μi(0)表示,将会在CSR模型的下一轮稀疏编码处理中用到。
这个步骤被重复使用直到收敛为止。