数字图像处理实验报告

2017 年春季学期研究生课程考核（实验报告）考核科目:现代光电子技术实验实验题目:光学图像数字化处理学生所在院（系）:航天学院21系学生所在学科:物理电子学学生姓名:X X学号:16S0210X X学生类别:非委培考核结果阅卷人1. 实验目的通过实验教学进一步加深研究生对光学图像产生的基本理论和技术的理解，培养学生的创新意识和创新能力。

掌握视景仿真和图像处理软件的操作，奠定研究生实际工作中分析问题和解决问题的能力。

2. 实验设备（软件）实验仪器设备主要有：计算机、视景仿真软件和Matlab 图像处理软件。

3. 实验原理（1）视景仿真技术视景仿真技术作为一种新技术,已应用于航空航天、现代制造业、产品展示、医疗、城市规划、工艺模拟、水利等领域, 具有科学直观、可视性强、及时更新、互动性等特点。

景象系统的制作过程可以简单概括为两个部分，模型生成部分使用三维建模软件Multi Creator ，生成含干扰、目标、背景等多个开放式文件的模型库；图像生成部分使用仿真平台Vega 和编程语言Visual C++ 6.0，由Vega 界面软件配置仿真场景信息，如环境、窗口、运动方式、通道、视场角等；最后使用编程语言编写视景驱动程序，载入模型，生成实时红外图像。

（2）噪声分析噪声一般简单可划分为加性噪声和乘性噪声，人们研究最早、最广、也最成熟的是加性噪声，加性噪声较乘性噪声易于抑制。

散斑（speckle ）噪声是一种乘性噪声。

相干激光雷达强度像主要受散斑噪声影响，其概率密度函数服从指数分布。

一些重要噪声的概率密度函数（PDF ）：① 高斯噪声Gaussian noise222/)(21)(σμσπφ--=z e z ② 瑞利噪声Rayleigh noise a z a z e a z b z b a z <≥⎪⎩⎪⎨⎧-=--0)(2)(/)(2φ③ 爱尔兰（伽马）噪声Erlang （Gamman ）noise000)!1()(1<≥⎪⎩⎪⎨⎧-=--z z e b z a z az b b φ④ 指数分布噪声exponetial noise00)(<≥⎩⎨⎧=-z z ae z az φ ⑤ 均匀分布噪声uniform noise其他b z a a b z ≤≤⎪⎩⎪⎨⎧-=01)(φ ⑥脉冲噪声（椒盐噪声）impulse (salt-and-pepper ) noise其他b z a z P P z b a ==⎪⎩⎪⎨⎧=0)(φ（3）噪声抑制一般方法噪声抑制主要有空域处理和频域处理两类。

一般空域滤波直接针对图像分辨率不高的图像。

主要有均值滤波、中值滤波、加权均值滤波、多级中值滤波等。

其中模板大小和形状的选择对去噪效果有较大影响。

频域滤波主要有通过衰减指定图像傅立叶变换或小波变换等变换中高频成分的范围实现的。

典型的利用傅立叶变换的低通滤波器有：理想低通滤波器（ideal lowpass filter ）、巴特沃思低通滤波器（Butterworth lowpass filter ）和高斯低通滤波器。

均值滤波是一种直接在空域上进行平滑去噪的技术。

它认为图像是由许多灰度恒定的小块组成，相邻像素间有很高的空间相关性，而噪声则是统计独立的。

因此，可用滤波器模板（或称窗口）确定的像素邻域内各像素灰度平均值代替该中心像素原来的灰度值。

设图像中某一个中心像素的灰度值是),(y x f ，滤波器模板S 大小为n n ⨯，则平滑后这点的灰度值为：∑∈++=S j i j y i x f n y x f ,2),(1),( （3-9）中值滤波把数字图像中某一像素的灰度值用该点的一个邻域中各个点的中值代替。

滤波窗口为A 的二维中值滤波可定义为：}),(,),(,{}{2)(),(,I j i A s r x Med x Med y s j r i ij j i ∈∈==++图像分析中常用到直方图。

灰度级为[0,L-1]范围的数字图像处理的直方图是离散函数k k n r h =)(，r k 是第k 级灰度，n k 第k 级灰度的像素个数。

它描述的是图像中该灰度级的像素数。

即：横坐标表示灰度级，纵坐标表示图像中该灰度级出现的个数。

（4）图像分割基本思想图像分割主要根据图像在各个区域的不同特性，对其进行边缘或区域上的分割，从中提取出所关心的目标。

图像分割算法必须符合：分割产生的所有区域之和包括了原始图像中的所有像素；分割后的结果互不重叠；分割后的各个区域有其独立的特性；分割后的区域是一个连通集。

图像分割是依据亮度值的两个基本特性：不连续性和相似性。

基于亮度的不连续性分割图像，如图像的边缘检测等。

依据事先制定的准则将图像分割为相似的区域，如门限处理、区域生长、区域分离和聚合等。

Sobel 算子：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=101202101x G ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=121000121y G 4. 实验步骤（1）通过视景仿真软件观察视场不同时的红外和可见光图像，获得图像数据。

要求掌握视景仿真软件获得所需图像数据的方法。

（2）利用Matlab 软件，对获得的图像数据进行添加高斯、椒盐、指数分布等噪声实验，观察加入噪声前后的图像及其直方图。

要求了解噪声特性，尤其掌握高斯噪声中方差和均值对图像的作用。

（3）采用中值滤波和均值滤波进行图像去噪实验，观察两种方法的去噪效果。

要求掌握两种算法的应用特性。

（4）采用Sobel 和LOG 算子进行边缘检测实验，观察两种方法的边缘检测效果。

要求了解二阶微分算子和一阶微分算子对噪声的适应性。

（5）独立应用Matlab 软件，进行图像处理练习，获得除上面（1）-（4）提及算法的处理结果。

要求了解图像与图像处理方法的依赖关系。

5. 实验原始数据、处理结果与分析进入图形5-1的视景仿真软件，选择目标为坦克红外图像。

1.图像生成在软件中选择生成坦克红外图像，设置距离为15米，观察高度为2米。

视角为35°。

得到的图像如图1所示。

图1 原始图像（左）和原图直方图（右）2.加入噪声加入高斯噪声。

首先设置均值为0，方差为0.01，得到的带噪声图像如图2(a)所示；然后改变均值为0不变，方差为0.05，得到的噪声图像如图2(b)所示；然后改变均值为0.05，方差为0.01，得到的带有高斯噪声的图像如图2(c)所示。

观察三幅高斯噪声图像。

(a) 加入均值为0、方差为0.01的高斯噪声 (b) 加入均值为0、方差为0.05的高斯噪声(c) 加入均值为0、方差为0.05的高斯噪声图2 加入不同均值和方差的高斯噪声由图像可以看出图2(a)和图2(c)中图像比较清晰，能分辨出坦克的部分细节，如主炮和履带轮。

但是增大方差会使噪声增多，明显看出图像变粗糙，坦克履带轮变得模糊了。

分析是由于高斯噪声增大，使图像变得模糊，细节不明显。

再来比较三幅图像的灰度直方图。

如图3所示，观察比较三个直方图。

(a) 均值为0，方差为0.01 (b) 均值为0，方差为0.05(c) 均值为0.05，方差为0.01图3 加入不同均值方差的高斯噪声的灰度直方图由图3可以看出，由于均值为0，所以（a），（b）两图的在灰度值上呈对称分布，而（c）图的中心偏右侧的个数要多于左侧，这是因为其均值为0.05。

再看图（b）相对于其（a）、（c）两图而言其形状相对平缓,这是因为其方差为0.05，大于其它两图的0.01。

可见高斯均值和方差的变化会直接引起像素点个数的分布情况，均值越大，灰度值分布就越不对称；方差越大，灰度分布直方图就越平缓，灰度分布就越分散。

接下来在图像上加入椒盐噪声。

加入椒盐噪声的图像及其灰度直方图如图4所示。

从图4(a)可以看出，椒盐噪声并不影响图像的整体辨识度，只是图像加了一些噪点，就像撒了一层椒盐。

在灰度直方图中，加入椒盐噪声与原图相比差别不大。

仅仅添加了一些灰度值为0和255的像素，说明椒盐噪声是在图像上均匀添加的一些白点和黑点。

(a) 加入椒盐噪声(b) 加入椒盐噪声的灰度直方图图4 加入椒盐噪声的图像及灰度直方图3.中值滤波和均值滤波先用中值滤波对均值为0，方差为0.05的高斯噪声和椒盐噪声的图片进行处理。

再用中值滤波对这两幅图片进行处理。

高斯噪声下的图像采用中值滤波后，并未能很好的从噪声中提取出坦克的轮廓，跟含有噪声的图像相比没有很大的变化。

只不过3*3模板的中值滤波结果比5*5模板的结果更加锐利。

(a) 高斯噪声3*3中值滤波处理后 (b) 高斯噪声5*5中值滤波处理后图5 高斯噪声中值滤波(a) 椒盐噪声3*3中值滤波处理后 (b) 椒盐噪声5*5中值滤波处理后图6 椒盐噪声中值滤波而椒盐噪声采用中值滤波处理后，发现图像中的噪点被很好地清除。

图像变得很清晰，并且3*3模板比5*5模板处理后的坦克细节表现更好。

(a) 高斯噪声3*3中值滤波直方图 (b) 高斯噪声5*5中值滤波直方图图7 高斯噪声中值滤波直方图(a) 椒盐噪声3*3中值滤波直方图 (b) 椒盐噪声5*5中值滤波直方图图8 椒盐噪声中值滤波直方图观察灰度直方图发现：高斯噪声图像经过中值滤波，直方图出现两个峰，而且5*5模板的峰比3*3的更高，5*5模板的谷比3*3的更低；椒盐噪声图像经过中值滤波，直方图中灰度值为0和255的像素点数没有了。

说明经过中值滤波，黑白的椒盐噪声减弱，整体噪声减弱了。

由以上处理可以发现：中值滤波抑制效果较好，画面的清晰度基本保持；缺点是对高斯噪声的抑制效果不是很好。

再用均值滤波进行处理。

从图9的（a）、（b）可见，均值滤波对高斯噪声有一定的去除能力，因为高斯噪声具有随机性，周围像素点的取平均值会有效的抑制高斯噪声，从而提取出图像。

而由图10则可以看出椒盐噪声被处理成了小气泡，同时图像变得模糊了。

通过以上分析可以看出均值滤波在降低噪声的同时使图像产生模糊，特别是景物的边缘和细节部分。

(a) 高斯噪声3*3均值滤波 (b) 高斯噪声5*5均值滤波图9 高斯噪声均值滤波(a) 椒盐噪声3*3均值滤波 (b) 椒盐噪声5*5均值滤波图10 椒盐噪声均值滤波(a) 高斯噪声3*3均值滤波直方图 (b) 高斯噪声5*5均值滤波直方图图11 高斯噪声均值滤波直方图(a) 椒盐噪声3*3均值滤波直方图 (b) 椒盐噪声5*5均值滤波直方图图12 椒盐噪声均值滤波直方图从均值处理后的直方图可以看出，高斯噪声处理后灰度图依然出现两个峰，椒盐噪声灰度直方图中灰度分布发生了变化，这些都是经过均值处理的结果。

4.边缘检测对原始图像进行边缘检测。

可见这两个算子下都可以有效的将坦克的轮廓提取出来。

对于坦克履带轮和主炮的细节提取，log算子表现更好一些，它对坦克的内在轮廓有着更清晰的提取；而使用sobel算子进行边缘检测，坦克的主炮轮廓比较模糊，是不连续的点，坦克的履带轮细节也不够好，总体来说sobel算子对坦克背景下的线条轮廓检测稍微有点弱。