《数字图像处理》结课小论文
数字图像处理结课论文...docx
利用拉普拉斯算法对模糊图像进行锐化处理学院：电气信息工程学院专业：通信工程姓名：田鸿龙学号：20110107 摘要：本文描述了拉普拉斯高斯边缘检测算法结合算法在DelphiG编程环境下对BMP格式的灰度图像进行了边缘检测处理，从而体现其优越性。
彩色图像增强过程中，对图像进行锐化处理是一个重要环节。
介绍了图像锐化处理的槪念和拉普拉斯算子的算法原理。
关键词：边缘检测，图像处理，拉普拉斯高斯算法，Sobel算子。
图像锐化(image sharpening)就是补偿图像的，增强图像的边缘及灰度跳变的部分，使图像变得淸晰，亦分空域处理和频域处理两类。
数字图像的边缘检测是图像分割、区域识别和特征提取等图像分析领域的重要基础。
图像的边缘是图像的最基本的特征，是指图像局部亮度变化最显著的地方，通常与图像亮度或图像亮度的一阶导数的不连续性有关。
对于数字图像灰度值的显著变化可以用梯度来表示，边缘检测很大程度上来说就是求梯度。
边缘检测的好坏直接影响到图像理解和识别的质虽，选择什么样的边缘检测算法就很关键。
本文引入拉普拉斯高斯算法，讨论其工作原理，利用Delphi结合拉普拉斯髙斯算法对BMP格式的灰度图像进行了边缘检测处理并对比其它算法给出了拉普拉斯高斯算子的优越性。
一、图像锐化图像模糊的主要原因是图像中的高频成分低于低频成分，它对图像量的影响体现在两个不同灰度区域的边界部分。
图像锐化处理的目的是加强图像中景物的边缘和轮廓，使模糊的图像变得更淸晰。
它是一种使图像原有信息变换为有利于人眼观察的质蚩:、消除模糊、好的视觉效果、图像边缘轮解分明。
图像的模糊实质就是图像受到平均或积分运算造成的，因此可以对图像进行逆运算如微分运算来使图像清晰化。
从频谱角度来分析，图像模糊的实质是其高频分量被衰减，因而可以通过高通滤波操作来淸晰图像。
但要注意，能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。
数字图像处理相关论文
数字图像处理相关论文“数字图像处理”是一门利用计算机解决图像处理的学科。
并且，现代多媒体计算机中又广泛采用了数字图像处理技术。
下面是店铺给大家推荐的数字图像处理相关论文，希望大家喜欢!数字图像处理相关论文篇一浅谈“数字图像处理”课程教学改革实践摘要：数字图像处理技术是一种发展迅速且应用广泛的新兴技术，就“数字图像处理”课程的特点，从教学内容、教学手段和方法、教学理论和实践等方面进行改革与实践，增强了学生的实践创新能力，提高了教学质量，收到良好的教学效果。
关键词：数字图像处理;教学手段;实践作者简介：刘忠艳(1975-)，女，黑龙江依安人，黑龙江科技学院计算机与信息工程学院，副教授;周波(1963-)，男，黑龙江绥化人，黑龙江科技学院计算机与信息工程学院，教授。
(黑龙江哈尔滨 150027)一、“数字图像处理”概述数字图像处理技术是集微电子学、光学、应用数学和计算机科学等学科的一门综合性边缘技术。
[1，2]是当今信息社会中发展迅速且应用广泛的新兴科学技术。
数字图像处理技术广泛应用到通信、计算机、交通运输、军事、医学和经济等各个领域，在各个领域发挥着越来越重要的作用。
随着计算机技术的迅速发展，图像处理的技术和理论不断完善和丰富，新的理论、技术也不断涌现，并逐渐进行应用。
面对这样一门理论与实际紧密结合的课程，在学习过程中，学生常常会遇到很多问题，既为数字图像处理技术应用的广泛前景所吸引，也时常对课程的抽象理论感到苦恼，渐渐失去学习兴趣。
为了激发学生的学习兴趣，提高教学质量，对该课程进行教学改革，势在必行。
经过两年半的教学改革与实践，取得了一定的教学效果。
二、教学改革措施为了提高“数字图像处理”课程的教学质量，激发学生学习本课程的兴趣，对本门课程进行改革，采取以下措施：1.整合教学内容随着计算机技术的迅速发展，数字图像处理技术也得到快速发展。
近几年来，有很多新的应用点和研究涌现出来，在“数字图像处理”课程中加入新技术的介绍，对于学生了解国际的研究和应用热点，尽快地投入相应的研究与应用中去大有益处。
数字图像处理技术的应用综述--课程论文
《数字图像处理》课程论文题目：数字图像处理技术的应用综述1 绪论1.1数字图像处理简介数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。
到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。
1.2数字图像处理技术的基本特点1）处理信息量很大。
数字图像处理的信息大多是二维信息，处理信息量很大。
如一幅256×256低分辨率黑白图像，要求约64kbit的数据量；对高分辨率彩色512×512图像，则要求768kbit数据量；如果要处理30帧/秒的电视图像序列，则每秒要求500kbit～22.5Mbit数据量。
因此对计算机的计算速度、存储容量等要求较高。
2）占用频带较宽。
数字图像处理占用的频带较宽。
与语言信息相比，占用的频带要大几个数量级。
如电视图像的带宽约5.6MHz，而语音带宽仅为4kHz左右。
所以在成像、传输、存储、处理、显示等各个环节的实现上，技术难度较大，成本亦高，这就对频带压缩技术提出了更高的要。
3）各像素相关性大。
数字图像中各个像素是不独立的，其相关性大。
在图像画面上，经常有很多像素有相同或接近的灰度。
就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数可达0.9以上，而相邻两帧之间的相关性比帧内相关性一般说还要大些。
因此，图像处理中信息压缩的潜力很大。
4）无法复现三维景物的全部几何信息。
由于图像是三维景物的二维投影，一幅图象本身不具备复现三维景物的全部几何信息的能力，很显然三维景物背后部分信息在二维图像画面上是反映不出来的。
因此，要分析和理解三维景物必须作合适的假定或附加新的测量，例如双目图像或多视点图像。
在理解三维景物时需要知识导引，这也是人工智能中正在致力解决的知识工程问题。
数字图像处理结课论文
郑州航空工业管理学院结课设计（论文）2008 级专业班级课程数字图像处理姓名学号指导教师职称讲师二О一一年十月三十号彩色图像特效处理技术研究与设计摘要数字图像处理是指用计算机对图像进行处理，它广泛用于几乎所有与成像有关的领域。
本文介绍用Visual Basic语言编程的数字图像处理环境，设计并实现了一个彩色图像的特效处理系统，展示如何通过编程实现对图形图像的各种处理。
论述了利用编写的程序实现图像文件（bmp、jpg、gif等）逆反处理、平滑处理、霓虹处理、边缘锐化、浮雕处理、镶嵌处理、曝光处理、扩散处理等功能操作。
关键字：数字图像处理、Visual Basic语言编程、特效处理、逆反处理、平滑处理、霓虹处理、边缘锐化、浮雕处理、镶嵌处理、曝光处理、扩散处理1、简介彩色图像的特效处理是对一幅彩色图像的各像素值的R、G、B分量按一定的算法进行变换，并将变换后的新图像值重新显示出来，则可实现不同效果图像的显示。
逆反处理的目的是使整幅图像的颜色产生逆反效果；平滑处理的目的是将图像的边界变得平缓，使整幅图像变得更柔和，更模糊，具有朦胧感；霓虹处理的目的是为了突出图像的边界，淡化图像内部的颜色，使图像产生夜晚霓虹灯的效果；边缘锐化是为了图像边界，并保留图像内部的颜色，使图像变得更清晰；浮雕处理的目的也是为了突出边界，使图像具有凹凸效果；镶嵌处理的目的是使图像的分辨率降低，具有马赛克效果；曝光处理是使图像整体变亮，产生类似胶片曝光的效果；扩散处理是使图像具有油画效果。
2、系统总体分析本系统实现了对图像（bmp、jpg、gif等）进行选择、读取、退出操作、图像的逆反处理、平滑处理、霓虹处理、边缘锐化、浮雕处理、镶嵌处理、曝光处理、扩散处理（油画处理）的功能操作，以及特效处理后确定、恢复、保存操作，整个界面如图1所示：图1，系统界面2.1、文件读取本部分用Visual Basic语言编程读取图像信息并显示在Picture控件中，图片框用于显示图像，命令按钮“选择文件”用于选择指定图形文件，命令按钮“读图像”用于读入图像数据并存入数组，并且将图像显示在图片框中。
数字图像处理课程论文
彩色图像处理【摘要】本文主要介绍了彩色图像处理中的全彩色处理，包括三色成像的原理，常见的三种颜色模型——RGB模型、CMY模型和HSI模型，并给出描述颜色空间的转换关系的算法，还介绍了基于彩色增强以及彩色图像复原的滤波，并在Matlab上进行仿真。
【关键字】RGB模型滤波彩色增强图像复原1 引言大千世界五彩斑斓，大多数物体都具有丰富的色彩。
彩色图像提供了比灰度图像更多的信息，伴随信息技术的发展，彩色图像的处理已成为一个重要的研究领域。
由于彩色图像处理的研究范围非常广泛，因此，本文只对几个方面进行了综述性的介绍。
2 彩色基础人眼最内层是视网膜，其表面分布着大量的光敏细胞。
按照形状，光敏细胞可以分为锥状细胞和杆状细胞。
大部分的锥状细胞集中在视轴线和视网膜的交界处，即中央凹区。
中央凹区对光有较高的分辨力，能识别图像的细节。
锥状细胞将电磁光谱的可见部分分成三个波段：红、绿和蓝。
所以，这三种颜色被称为人类视觉的三原色。
三色成像的原理如下：物体的颜色是由该物体所反射的光的波长来决定的，由于物体对光的吸收和反射的属性不同，所以表现出不同的颜色。
电磁波波长范围很大，但是只有波长在400～760nm范围内的电磁波，使人产生视觉，感觉到明亮和颜色。
这个波长范围内的电磁波叫可见光。
人眼的锥状细胞将可见光分成红、绿、蓝三色。
自然界中常见的各种色光都可以用这三原色按照不同比例混合得到。
同样，绝大多数色光也可以分解成红、绿、蓝三种色光，这就是三原色原理。
该原理是T.Young在1802年提出的，其基本内容是：任何颜色都可以用3种不同的基本颜色按不同的比例混合得到，即321cC bC aC C ++=, a,b,c ≥0 (1) 其中1C 、2C 、3C 为三原色（又称为三基色），而a 、b 、c 为三种原色的权值（即三原色的比例或浓度），C 为所合成的颜色，可为任意颜色。
三原色原理指出：1）自然界中的可见颜色都可以用三种原色按一定的比例混合得到；反之，任意一种颜色都可以分解为三种原色。
数字图像处理论文
数字图像处理论文数字图像处理在计算机视觉和图像分析领域中扮演着重要角色。
随着数字图像处理算法的不断发展和改进，对于图像的处理和分析有了更深入的理解。
本篇论文主要介绍了数字图像处理的一些基础概念、方法和应用。
首先，数字图像处理是基于计算机的图像处理技术，旨在改善图像的质量、增强图像的特征以及从图像中提取有用的信息。
数字图像处理的基本步骤包括图像获取、预处理、特征提取和图像重建等。
在图像获取的阶段，通过传感器或数码相机等设备获取图像的原始数据。
在预处理的阶段，对图像进行去噪、平滑和增加对比度等操作，以消除图像中的噪声和提高图像的视觉效果。
在特征提取的阶段，根据图像的特定特征，如边缘、纹理和颜色等，进行特征的提取和描述。
在图像重建的阶段，利用图像处理算法对图像进行重建和恢复。
常见的图像处理算法包括滤波、变换和编码等。
滤波算法主要用于图像平滑和去噪，如均值滤波、中值滤波和高斯滤波等。
变换算法主要用于提取图像的频域特征，如傅里叶变换和小波变换等。
编码算法主要用于图像的压缩和存储，如JPEG、PNG和GIF等。
除了基本的图像处理方法，数字图像处理还有许多应用领域。
其中之一是医学图像处理，包括医学图像的分割、配准和识别等。
另一个应用是遥感图像处理，用于地理信息系统和环境监测等领域。
此外，数字图像处理还在安全和认证、图像检索和图像合成等领域发挥重要作用。
总之，数字图像处理是一门研究如何使用计算机技术对图像进行处理和分析的学科。
通过了解数字图像处理的基本概念、方法和应用，可以更好地理解图像的特性和结构，提高图像处理的效果和精度，并在各个领域中发挥重要作用。
《数字图像处理》结课小论文题目汇总及要求
《数字图像处理》结课测试题目题目的路径：首先在Matlab的Command window中键入“demo”，进入demo 窗口。
然后在树形选择框中选择“Toolboxes\Image Processing”和“Blocksets\ Video and Image Processing”。
最后逐个查看并选择自己感兴趣的题目。
所有题目汇总如下：图像去模糊1. Deblurring Images Using the Blind Deconvolution Algorithm基于盲解卷算法的图像去模糊2. Deblurring Images Using the Lucy-Richardson Algorithm使用LR算法进行图像去模糊3. Deblurring Images Using a Regularized Filter使用正则滤波器进行图像去模糊4. Deblurring Images Using the Wiener Filter使用维纳滤波器进行图像去模糊图像增强5. Contrast Enhancement Techniques图像对比度增强技术6. Correcting Nonuniform Illumination如何对不均匀光照进行校正7. Enhancing Multispectral Color Composite Images多谱(卫星遥感) 图像增强技术图像配准8. Finding the Rotation and Scale of a Distorted Image计算失真图像的旋转参数和尺度参数9. Registering an Aerial Photo to an Orthophoto基于控制点的多幅航拍图像的配准10. Registering an Image Using Normalized Cross-Correlation使用归一化交叉相关法来配准图像图像分割11. Batch Processing Image Files Using Distributed Computing分布式计算对图像序列进行批处理12. Color-Based Segmentation Using the L*a*b* Color Space基于Lab色彩空间的彩色图像分割13. Color-Based Segmentation Using K-Means Clustering 基于K-均值聚类的彩色图像分割14. Detecting a Cell Using Image Segmentation使用图像分割技术来检测细胞15. Finding Vegetation in a Multispectral Image多谱图像(卫星遥感)上的农作物区域分割16. Marker-Controlled Watershed Segmentation基于标记控制的分水岭分割算法17. Texture Segmentation Using Texture Filters基于纹理滤波器的纹理图像分割图像几何变换18. Creating a Gallery of Transformed Images常见的图像几何变换简介19. Exploring a Conformal Mapping图像的保角变换(共形映射)20. Extracting Slices from a 3-Dimensional MRI Data Set 如何从3维MRI数据集中提取切片图21. Padding and Shearing an Image Simultaneously图像的剪切变换和填充操作图像的测量22. Finding the Length of a Pendulum in Motion从单摆图像序列中计算摆长23. Granulometry of Snowflakes使用形态学方法对雪花的颗粒度进行测量24. Identifying Round Objects在图像中计算物体的“似圆度”25. Measuring Angle of Intersection在图像中计算钢梁的交叉角度26. Measuring the Radius of a Roll of Tape如何用图像方法测量胶带的半径图像的Radon变换27. Reconstructing an Image from Projection Data基于拉东(Radon)变换的CT图像重建视频检测和跟踪28. Abandoned Object Detection遗弃物体检测技术29. Motion Detection基于SAD的运动检测系统30. Lane Departure Warning System车道偏离预警系统31. Lane Detection and Tracking基于Hough变换的车道检测和跟踪32. Traffic Warning Sign Recognition交通警示牌自动识别技术33. People Tracking基于背景差分的行人检测技术34. Color Segmentation基于色彩分割的人体检测35. Tracking Cars Using Background Estimation 基于背景估计的汽车检测36. Tracking Cars Using Optical Flow基于光流法的汽车检测37. Surveillance Recording基于主帧检测的监控记录技术38. Pattern Matching基于模板匹配的PCB检测系统压缩技术39. Video Compression基于DCT变换的视频压缩技术40. Image Compression基于DCT变换的图像压缩技术视频分析技术41. Histogram Display图像直方图的实时显示42. Concentricity Inspection光纤的同心性检测系统43. Edge Detection边缘检测技术简介44. Video Focus Assessment视频自动聚焦参量计算视频增强45. Video Stabilization基于模板的电子稳像技术46. Periodic Noise Reduction针对周期噪声的图像降噪算法47. Histogram Equalization基于直方图均衡的图像增强48. Rotation Correction基于Hough变换的旋转图像校正基于形态学的视频分割技术49. Cell Counting细胞自动计数系统50. Feature Extraction如何自动计算视频中扇形的数目51. Object Counting如何自动计算订书钉的数目52. Object Extraction and Replacement视频目标的实时提取和替换视频回放处理53. Continuous Image Rotation图像连续旋转效果的实现54. Projecting Videos onto a Rotating Cube 如何将视频投影到旋转的立方体上55. Visual Effects图像浮雕效果的实现56. Picture in Picture画中画效果的实现57. Panorama Creation全景照片技术58. Bouncing Balls如何在图像上叠加动画《数字图像处理》结课测试报告规范1.内容要求（1）本报告（论文）的名字，系统功能、实现了什么结果。
数字图像处理论文
数字图像处理论文数字图像处理论文篇一：数字图像增强技术摘要：数字图像处理是指利用计算机技术对图像进行各种操作和处理的过程。
图像增强是数字图像处理中的一项重要技术，旨在改善图像的质量和视觉效果。
本文针对数字图像增强技术进行了综述，包括直方图均衡化、滤波和锐化等常用方法。
此外，还介绍了一些新近提出的图像增强算法，如基于深度学习的方法。
最后，对数字图像增强技术的发展趋势进行了展望。
关键词：数字图像处理；图像增强；直方图均衡化；滤波；锐化；深度学习1.引言数字图像处理是计算机科学和图像处理领域的重要研究方向。
随着数字图像在各个领域的广泛应用，对图像质量和视觉效果的要求也越来越高。
图像增强是数字图像处理的一项基础技术，通过改善图像的对比度、亮度和细节等特征，提高图像的可视化效果。
图像增强技术已被广泛应用于医学影像、无人驾驶、图像识别等领域。
2.直方图均衡化直方图均衡化是一种常用的图像增强方法，通过调整图像的像素值分布，提高图像的对比度和显示效果。
其基本思想是将原始图像的像素值映射到一个新的像素值域，使得新图像具有均匀分布的像素值。
直方图均衡化可以有效地增强图像的细节和纹理特征，但在一些情况下会导致图像过度增强或噪声增加。
3.滤波技术滤波是图像处理中常用的一种方法，通过对图像进行平滑或者锐化处理，改善图像的质量和视觉效果。
常用的滤波方法有均值滤波、中值滤波和高斯滤波等。
均值滤波通过计算像素点周围邻域像素的平均值来更新像素的值，可用于图像的平滑处理。
中值滤波通过计算像素点周围邻域像素的中值来更新像素的值，可有效地去除图像中的椒盐噪声。
高斯滤波通过对图像进行加权平均处理，对图像进行平滑和去噪。
4.锐化技术锐化是图像处理中常用的一种技术，通过增加图像中的高频成分，提高图像的边缘和细节等特征。
常用的锐化方法有拉普拉斯算子、Sobel算子和Canny算子等。
拉普拉斯算子通过计算图像的二阶导数来增强图像的边缘和细节。
Sobel算子通过计算图像的一阶导数来提取图像的边缘特征。
- 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)。
2013-2014年第一学期《数字图像处理》科目考查卷专业：通信工程班级：任课教师：王新新姓名：学号：成绩：一 Deblurring Images Using the Wiener Filter——使用维纳滤波器进行图像去模糊简介在人们的日常生活中，常常会接触很多的图像画面，而在景物成像的过程中有可能出现模糊，失真，混入噪声等现象，最终导致图像的质量下降，我们现在把它还原成本来的面目，这就叫做图像还原。
引起图像的模糊的原因有很多，举例来说有运动引起的，高斯噪声引起的，斑点噪声引起的，椒盐噪声引起的等等，而图像的复原也有很多，常见的例如逆滤波复原法，维纳滤波复原法，约束最小二乘滤波复原法等等。
它们算法的基本原理是，在一定的准则下，采用数学最优化的方法从退化的图像去推测图像的估计问题。
因此在不同的准则下及不同的数学最优方法下便形成了各种各样的算法。
而我接下来要介绍的算法是一种很典型的算法，维纳滤波复原法。
它假定输入信号为有用信号与噪声信号的合成，并且它们都是广义平稳过程和它们的二阶统计特性都已知。
维纳根据最小均方准则，求得了最佳线性滤波器的的参数，这种滤波器被称为维纳滤波器。
维纳滤波器是最小均方差准则下的最佳线性滤波器，它在图像处理中有着重要的应用。
本文主要通过介绍维纳滤波的结构原理，以及应用此方法通过MATLAB 函数来完成图像的复原。
关键词：维纳函数、图像复原。
二维纳滤波器结构维纳滤波自身为一个FIR或IIR滤波器，对于一个线性系统，如果其冲击响应为h（n），则当输入某个随机信号x (n)时，式（1）这里的输入式（2）式中s(n)代表信号，v(n)代表噪声。
我们希望这种线性系统的输出是尽可能地逼近s(n)的某种估计，并用s^(n)表示，即式（3）因而该系统实际上也就是s(n)的一种估计器。
这种估计器的主要功能是利用当前的观测值x(n)以及一系列过去的观测值x(n-1),x(n-2),……来完成对当前信号值的某种估计。
维纳滤波属于一种最佳线性滤波或线性最优估计，是一最小均方误差作为计算准则的一种滤波。
设信号的真值与其估计值分别为s(n)和)s^(n)，而它们之间的误差式（4）则称为估计误差。
估计误差e(n)为可正可负的随机变量，用它的均方值描述误差的大小显然更为合理。
而均方误差最小，也就是式（5）最小。
利用最小均方误差作为最佳过滤准则比较方便，它不涉及概率的描述，而且以它导出的最佳线性系统对其它很广泛的一类准则而言是属最佳。
图1 维纳滤波器一般结构三、维纳滤波器的局限维纳滤波复原法存在着几个实质性的局限。
第一，最有标准是基于最小均方误差的且对所有误差等权处理，这个标准在数学上可以接受，但却是个不适合人眼的方式，原因在于人类对复原错误的感知在具有一致灰度和亮度的区域中更为严重，而对于出现在暗的和高梯度区域的误差敏感性差得多。
第二，空间可变的退化不能用维纳滤波复原法复原，而这样的退化是常见的。
第三，维纳滤波不能处理非平稳信号和噪声。
四、模拟仿真运行程序及结果% 读入图像The example reads in an RGB image and crops it to be 256-by-256-by-3. The deconvwnr function can handle arrays of any dimension.I = imread('peppers.png');I = I(10+[1:256],222+[1:256],:);figure;imshow(I);title('Original Image');图2 原始图像% 图像模拟模糊处理。
模拟一个真实的图像,可以模糊。
摄像机运动。
示例创建一个point-spread函数PSF,对应直线运动在31个像素(LEN = 31),在11度角(θ= 11)。
模拟模糊,过滤器是使用imfilter convolved与形象。
Simulate a a real-life image that could be blurred e.g., by camera motion. The example creates a point-spread function, PSF, corresponding to the linear motion across 31 pixels (LEN=31), at an angle of 11 degrees (THETA=11). To simulate the blur, the filter is convolved with the image using imfilter. LEN = 31;THETA = 11;PSF = fspecial('motion',LEN,THETA);Blurred = imfilter(I,PSF,'circular','conv');figure; imshow(Blurred);title('Blurred');图3图像模拟模糊处理%恢复模糊图像。
真正的PSF由模糊变清晰,这个例子执行三个修复wnr1 = deconvwnr(Blurred,PSF);figure;imshow(wnr1);title('Restored, True PSF');图4恢复模糊图像% 第二个恢复使用估计PSF,模拟运动模糊长度的两倍长(LEN)。
wnr2=deconvwnr(Blurred,fspecial('motion',2*LEN,THETA)); figure;imshow(wnr2);title('Restored, "Long" PSF');图5两倍长模糊处理%第三恢复使用估计PSF,模拟运动两倍陡峭的角度模糊角度(θ)。
wnr3=deconvwnr(Blurred,fspecial('motion',LEN,2*THETA)); figure;imshow(wnr3);title('Restored, Steep');图6两倍陡峭的角度处理% 模拟加性噪声。
模拟使用态分布随机数相加噪声,并将它添加到模糊图像,模糊。
noise = 0.1*randn(size(I));BlurredNoisy = imadd(Blurred,im2uint8(noise));figure;imshow(BlurredNoisy);title('Blurred & Noisy');图7模拟加性噪声处理%恢复图像模糊处理。
恢复模糊和噪声图像使用一个逆滤波器,假设zero-noise,并比较这第一个结果实现了在步骤3中,wnr1。
噪声呈现在原始的数据显著放大。
wnr4 = deconvwnr(BlurredNoisy,PSF);figure;imshow(wnr4);title('Inverse Filtering of Noisy Data');图8恢复噪声图像%控制噪声放大,NSR功能提供了信噪比。
NSR = sum(noise(:).^2)/sum(im2double(I(:)).^2); wnr5 = deconvwnr(BlurredNoisy,PSF,NSR);figure;imshow(wnr5);title('Restored with NSR');图9 NSR功能恢复噪声图像%不同NSR值影响恢复的结果。
小NSR值放大噪声wnr6 = deconvwnr(BlurredNoisy,PSF,NSR/2);figure;imshow(wnr6);title('Restored with NSR/2');图10 小NSR功能恢复噪声图像%使用自相关来提高图像恢复改进模糊的恢复和嘈杂的图像,提供完整的自相关函数(ACF)噪音,NCORR,和信号,ICORR NP = abs(fftn(noise)).^2;NPOW = sum(NP(:))/prod(size(noise)); % noise powerNCORR = fftshift(real(ifftn(NP))); % noise ACF, centeredIP = abs(fftn(im2double(I))).^2;IPOW = sum(IP(:))/prod(size(I)); % original image powerICORR = fftshift(real(ifftn(IP))); % image ACF, centeredwnr7 = deconvwnr(BlurredNoisy,PSF,NCORR,ICORR);figure;imshow(wnr7);title('Restored with ACF');图11 自相关来提高图像恢复%探索修复提供了有限的统计信息:权力的噪音,NPOW,和一个单维的自相关函数的真实形象,ICORR1ICORR1 = ICORR(:,ceil(size(I,1)/2));wnr8 = deconvwnr(BlurredNoisy,PSF,NPOW,ICORR1);figure;imshow(wnr8);title('Restored with NP & 1D-ACF');图12 单维自相关来提高图像恢复五、结论与心得体会通过这个实验，使我们更加深刻和具体的了解到了维纳滤波的原理，功能以及在图像处理方面的应用。
维纳滤波器是对噪声背景下的信号进行估计，它是最小均方误差准则下的最佳线性滤波器。
在实验的过程中，我发现采用维纳滤波复原可以得到比较好的效果，这个算法可以使估计的点扩散函数值更加接近它的真实值。
但实现维纳滤波的要求是输入过程是广义平稳的；输入过程的统计特性是已知的。
根据其他最佳准则的滤波器也有同样的要求。
然而，由于输入过程取决与外界信号，干扰环境，这种环境的统计特性常常是未知的，变化的，因而这两个要求很难满足，这就促使人们研究自适应滤波器。
通过本次实验，深深地了解了图像处理是一门既有用又有难度的一门学科，需要我们认真的学习，自己在学习上还有很多的漏洞，在以后的学习中会更加的努力上进，做一个引以为自豪的人。
参考文献《数字图像处理》，2007年，清华大学出版社。
《数字图像处理（第3版）》，2010年，科教出版社。
《基于0penCV的计算机视觉技术实现》，2001，科学出版社。
《计算机图像处理》，2005，武汉大学出版社。
11。