出版社:段大高、 王建勇 北京邮电大学出版社 (2013-01出版)
ISBN:9787563533893
作者:段大高,王建勇
页数:150页
作者简介
本书详细介绍了图像滤波基础, 重点研究了基于两级检测的脉冲噪声滤波算法和基于中值等。
书籍目录
第1章绪论 1.1研究背景 1.1.1图像处理与计算机视觉 1.1.2图像处理与计算机视觉的应用 1.2国内外研究现状 1.2.1图像降噪算法 1.2.2图像中的边缘检测 1.2.3图像中的直线特征检测 参考文献 第2章图像滤波基础 2.1 引言 2.2噪声的种类及数学模型 2.3非线性滤波技术 2.3.1基于排序统计的滤波方法 2.3.2基于数学形态学的滤波方法 2.3.3基于模糊理论的滤波方法 2.3.4基于小波分析的滤波方法 2.3.5其他方法 2.4滤波性能的评估 2.4.1客观评价方法 2.4.2主观评价方法 2.5本章小结 参考文献 第3章脉冲噪声的非线性滤波算法研究 3.1引言 3.2脉冲噪声的模型及特点分析 3.3中值型脉冲噪声滤波算法的发展 3.4基于两级检测的脉冲噪声滤波算法 3.4.I关于脉冲噪声图像的假设 3.4.2脉冲噪声检测 3.4.3噪声滤除 3.4.4实验结果及分析 3.5本章小结 参考文献 第4章混合噪声的滤波算法研究 4.1 引言 4.2混合噪声滤波算法 4.3模糊技术及混合噪声滤波 4.3.1模糊理论在图像处理中的应用 4.3.2模糊滤波技术 4.4两种基于中值一模糊技术的混合噪声滤除算法 4.4.1 MF—Ⅰ混合噪声滤波算法 4.4.2 MF—Ⅱ混合噪声滤波算法 4.4.3实验结果及分析 4.5本章小结 参考文献 第5章边缘检测算法研究 5.1引言 5.2边缘检测基础 5.2.1边缘检测的几个定义 5.2.2边缘的分类 5.2.3边缘点的梯度 5.2.4边缘检测的基本步骤 5.3边缘检测算法中的参数选择 5.3.1高斯滤波器尺度参数的选择 5.3.2边缘检测中的阈值选择 5.4基于梯度统计信息的边缘检测算法 5.4.1灰度直方图与梯度直方图 5.4.2算法步骤 5.4.3算法的调整 5.4.4实验结果及分析 5.5基于有限元边缘的融合算法 5.5.1 问题的提出 5.5.2小波变换图像边缘包络带 5.5.3 自适应网格规划 5.5.4多尺度边缘融合准则 5.5.5实验结果及分析 5.6本章小结 参考文献 第6章基于Hough变换的直线检测算法研究 6.1 引言 6.2标准Hough变换 6.2.1 Hough变换原理 6.2.2 Hough变换的实现步骤 6.2.3标准Hough变换存在的问题 6.3几种改进HT的性能分析 6.4一种基于HT的直线检测改进算法 6.4.1几个假设 6.4.2算法具体步骤 6.4.3算法性能分析 6.4.4实验结果及分析 6.5本章小结 参考文献 第7章图像处理应用 7.1邮件分拣机系统简介 7.2分拣机视频检测系统硬件设计方案 7.3动态图像检测算法简介 7.4基于动态图像处理的邮件检测算法 7.4.1预处理 7.4.2边界特征提取 7.4.3 自适应多直线匹配方法 7.4.4邮件的提取 7.4.5邮件单像素轮廓提取和边界跟踪 7.4.6面积和中心位置的计算 7.4.7实验结果及分析 7.5错误隐藏 7.6 H.264错误隐藏研究进展 7.6.1错误检测 7.6.2错误隐藏 7.7基于边缘分析的错误隐藏算法 7.7.1局部边缘走向分析 7.7.2错误隐藏算法 7.7.3实验结果及分析 7.8基于残差恢复的错误隐藏算法 7.8.1算法原理 7.8.2时域隐藏 7.8.3残差恢复算法 7.8.4实验结果及分析 7.9本章小结 参考文献
编辑推荐
《图像处理与应用》体系结构完整，注重理论联系实际，可作为电子信息工程、计算机应用、工业自动化、机械电子工程等相关专业的工程技术人员、科研人员、研究生和高年级本科生参考用书。
章节摘录
版权页： 插图： 7.4.1 预处理 预处理主要包括降噪声处理、几何畸变校正等，在本系统中，几何畸变很小，主要是降噪处理。一幅图像不可避免地要受到噪声的干扰，图像处理过程中也可能产生新的噪声，因此对图像进行滤波十分重要。 传统的中值滤波因为良好的滤波性能且具有一定的边缘保护能力而被广泛应用，但也有其不足之处，这在诸多的文献中均有论述。在图像检测的应用中，不仅要求有效地滤除噪声，同时还要保护好图像的边缘特征，本算法中采用第3章中介绍的保细节的两级检测滤波算法进行降噪处理。 中值滤波的主要计算量耗费在排序上，当窗口尺寸增大时，计算量将按4次方递增，本书第3章中介绍的两级检测滤波算法同样存在类似的排序问题，解决该问题的一个有效方法就是减少参与排序的像素个数。如图7.6所示，在此采用了一种简化的滤波方法，滤波窗口变为十字型，其滤波处理步骤与第3章相同，首先在邻域内进行极值检测，若中心像素为极值点，则进一步比较其与相邻像素的灰度差异程度，若差异较大则可认为是噪声点并进行滤波处理，否则可能是边缘点或平滑区域点，不作处理。应该指出，这种方法在提高运算速度的同时，也使得对非水平或竖直边缘的保护能力降低，但因为用于定位的小车的边界多为水平或竖直方向，所以用于此处是可以接受的。 7.4.2 边界特征提取 从某种意义上说，图像的大部分信息都集中在边界上，边界的确定对场景的理解非常重要。在采集到的邮件图像中，智能小车的边界线是最明显的特征，因此可以用小车的边界线作为匹配的基准。 本算法中采用第5章介绍的基于梯度统计信息的算法进行边缘检测。由于邮件图像中主要的边界线均为水平、竖直直线，因此可以只选择水平和竖直两个方向的梯度空间进行运算，以减小计算复杂度，提高运算速度。同时，将原图像均匀划分为4个相等的子区域，根据每个子区域的梯度统计信息依照式（5.11）计算相应的阈值。为了只提取出最主要的几条边界线，参数k选取较大值以减少不重要的短边界的影响，此处取k=3.5。对不含邮件的原始图像边缘提取效果如图7.7所示，提取出的边缘宽度为单像素，便于后续处理中的定位。