图像法论文十篇

图像法论文篇1

论文摘要:当点扩展函数未知或不确知的情况下,从观察到的退化图像中恢复原始图像的过程称为图像盲复原。近年来,图像盲复原算法得到了广泛的研究。本文在介绍了盲图像恢复算法的现状的基础上进一步研究其的发展方向。

一、引言

图像恢复是图像处理中的一大领域,有着广泛的应用,正成为当前研究的热点。图像恢复的主要目的是使退化图像经过一定的加工处理,去掉退化因素,以最大的保真度恢复成原来的图像。传统的图像恢复假设图像的降质模型是己知的。而许多情况下,图像的降质模型未知或具有较少的先验知识,必须进行所谓的盲恢复。其重要性和艰巨性而成为一个研究热点。目前所能获取的观测图像是真实图像经过观测系统成像的结果。由于观测系统本身物理特性的限制,同时受观测环境的影响,观测图像和真实图像之间不可避免地存在着偏差和失真,称观测系统对真实图像产生了降质。图像恢复的目的就是根据降质的观测图像分析和计算得出真实图像。

二、图像盲恢复算法的现状

总体来说,图像盲复原方法主要分为以下两类:一是首先利用真实图像的特别特征估计PSF,然后借助估计得到的PSF,采用经典的图像复原方法进行图像的复原。这类方法将PSF的估计与图像的复原过程分为2个不同的过程,因而具有较少计算量的特点；二是PSF辨识和真实图像估计相结合,同时辨识PSF和真实图像。这类算法较为复杂,计算量较大。另外,对于点扩展函数也考虑了空间变化的复杂情况。针对目前的盲复原算法的现状,根据退化模型的特点,重新将算法分为空间不变的单通道盲复原算法、空间不变多通道盲复原算法和空间变化图像盲复原算法3类。

（一）单通道空间不变图像盲复原算法

在这类算法中,最为常用的是参数法和迭代法。

1）参数法。所谓参数法,即模型参数法,就是将PSF和真实图像用某一类模型加以描述,但模型的参数需要进行辨识。在参数法中,典型的有先验模糊辨识法和ARMA参数估计法,前者先辨识PSF的模型参数,后辨识真实图像,属于第1种类型的图像盲复原算法,因而计算量较小；后者同时辨识PSF和真实图像模型参数,属于第2种类型图像盲复原算法。

2）迭代法。所谓的迭代法,不是通过建立模型而是通过算法的迭代过程,加上有关真实图像和PSF的约束来同时辨识PSF和真实图像的方法。迭代法是单通道

图像盲复原算法中应用最广泛的一类算法,它不需建立模型,也不要求PSF为最小相位系统,因而跟实际更为接近。在这类算法中,迭代盲复原算法(IBD),基于非负性和决策域的递归逆滤波器算法(NAR2RIF),基于高阶统计特性的最小

熵算法等最为典型。

（二）多通道二维图像盲复原

多通道二维图像盲复原,这类方法将数字通讯领域应用的一维多通道盲原分离算法扩展到二维情况并用于图像的盲恢复。这类算法中有两种代数方法,一种是先辨识模糊函数,再采用常规的恢复算法进行复原；另一种是直接对逆滤波器进行估计。此类算法的优点在于不需对初始图像进行估计,也不存在稳定性和收敛性问题,对图像以及模糊函数的约束是松弛的,算法具有一般性。但是第1种算法要求采用复原算法具有收敛性；第2种算法对噪声敏感。

（三）空间改变的图像盲复原方法

在许多实际的应用中,模糊往往是空间变化的,但由于处理工作的难度,目前的研究较少,基本有相关转换恢复和直接法两类。

相关转换恢复的基本思想是区域分割,即将整幅图像分为若干局部区域,然后假设在各个局部区域模糊是空间不变的,利用空间不变的图像复原有关算法进行复原。这类方法都是基于窗口的模糊辨识技术,图像的估计取决于窗口的大小,由于模糊参数是连续变化的,在范围较大时空间不变的假设是不成立的,因而模糊的估计精度较差,而且这种方法只能针对部分空间变化的模糊进行处理,缺乏通用性;其次在区域的边上存在振铃现象。

直接法的基本思想是直接对图像进行处理。如采用简化的二维递推卡尔曼滤波器进行图像模型和模糊模型的直接转换方法,其缺点是只能针对有限的模型,而且模型数增加,计算量会显著增大；采用共轭梯度迭代算法,但只见到一个31×31的文本图像处理的结果报道,对于大图像处理效果尚需进一步的研究；将空间变化图像系统建立成马尔苛夫随机模型,对复原过程,采用模拟退火算法进行最大后验估计的方法,这种方法避免了图像的窗口化,并能克服模糊参数不连续性造成的影响,但这种方法只能局限于将模糊过程建立成单参数的马尔苛夫随机模型的情况,而且计算量也较大。

三、图像盲恢复的应用前景

(1)现有算法的改进以及新的算法研究。现有各种算法还存在许多不足,有必要对算法进一步改进。如IBD算法中,如何选择初始条件才能保证算法的收敛;如何选择算法终止条件才能保证恢复的质量;如何选择滤波器中的噪声参数才能减少噪声的影响。又如NAR2RIF算法中,如何进一步解决噪声敏感问题,支持域的确定以及如何将算法扩展到非均匀背景的情况等。提出新的算法更好地解决图像盲复原问题,也是今后研究的热点。

(2)基于非线性退化模型的图像盲复原算法。在实际应用中,严格来讲,所有的退化模型都是非线性的。对模型采用线性化的方法进行近似处理,虽然算法简单,但对非线性严重的情况处理效果并不理想。基于多项式以及神经网络两种参数模型处理非线性信号盲分离算法,算法扩展到二维图像情况需要进一步研究。研究基于非线性退化模型的图像盲复原算法也是下一步研究方向之一。

(3)去噪处理算法研究。加性噪声的存在,使图像的复原问题变成了一个病态问题,而且由于一般假设只知道噪声的统计特性,因此要从退化图像中完全去除噪声是不可能的。另外,由于噪声的存在,恢复的效果并不理想,结合降噪的图像盲恢复的算法研究有很现实的意义,这方面也进行了部分工作。为克服噪声的影响,一般采用先进行降噪,后进行复原；二是将降噪和复原同时进行这两类方法。目前,大多数算法中将噪声描述成高斯噪声进行研究,在实际应用时有较大局限性。对于非高斯情况的研究采用基于噪声的高阶统计特性的去噪算法研究也是很重要的研究方向,也可采用其他类型的方法进行降噪,利用自组织映射的非线性独立组件分析方法进行图像降噪处理算法。

(4)实时处理算法。算法的的复杂性是制约算法应用的一个重要方面。可采用正则化的离散周期Radon变换的方法将二维的卷积转化为一维进行处理,以提高算法的速度；也可采用神经网络的实时处理算法。算法的实时性是算法实际应用的先决条件。

(5)应用研究。算法的应用是推动算法研究的动力。虽然图像盲复原算法在天文学、医学、遥感等方面获得了较大的应用,但将算法应用到一般的工业图像实时检测、机器视觉、网络环境下的图像传输恢复、刑事侦破等方面还有大量的工作要做。

参考文献：

[1]薛梅,杨绿溪.用于含噪二值图像的改进NAS-RIF图像盲复原算[J].数据处理.2006.17.(2).

图像法论文篇2

关键词：混沌；图像加密；研究

中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2016）17-0224-02

1 前言

自从计算机技术出现以来，互联网所具有的特性就被人们所关注。在该环境下，人家可以做各种想做的事情，比如通过互联网对各种文本、视频以及音频等信息进行处理，并且这些信息数据中都包含了需要传输的私密图像信息。但是随着互联网的空间不断开放，传输机密信息的危险性非常大。因此在传输机密图像信息过程中，就必须要对图像加密与解密，才能够确保传输过程的安全性。在这种形势下，研究图像的加密方法具有实用价值。

2 引用混沌密码学的必要性

混沌密码学就是将混沌理论融入到密码学中就成为一种交叉学科，该学科被人们高度关注。因混沌系统拥有的独特特征比较适合密码学。自然也就是被密码学的研究高度重视。但是互联网技术不断安放在，人们从网络中需要传输的信息不断增多，特别是一些图像数据占据着重要比例。主要是混沌比较适合使用在图像加密中；同时人们对传输图像的安全性要求不断提高，因此研究这种图像加密算法属于热点问题。听过研究人员不断努力，混沌理论研究上逐渐趋于成熟，也在该图像加密的算法上获得了一定成就，不断提出了一些经典的加密算法。而且混沌理论就要有为随机性，初值比较敏感等各种特征，而且这些特征和密码学的特征比较吻合。当然引入了混沌理论，也促进了密码学的快速发展。通过这种混沌理论就能够设计出更多的算法，并且各种算法都具备极好的安全和加密速度，同时数字图像不断普及，特别是在互联网中传输的图像不断增多，人们也就更加重视所传输图像自身的安全性，这些因素都能够推动这种加密算法的快速发展。

3 基于混沌的图像加密方法

和本文数据相比较，图像数据具有独特性质，因此对于图像的特性，假如依然采用文本加密算法，根本无法满足效率所需。因此加密算法必须要针对其自身特性，合理选择设计。

3.1 图像加密算法

（1）图像像素空间的置乱；采用二维仿射变化置乱图像的方法主要有：二维Baker图像的置乱变换、二维Fibonacci―Q图像置乱变换以及二维Amold图像置乱变换。而时常所用像素位置的改变置乱方法有：基于Hilbert曲线图像置乱方法，基于生命游戏图像置乱方法，基于换幻方图像置乱方法等等。

首先二维Arnold变换图像置乱方法；假设单位上存在一个点坐标（x，y），可得出点（x，y）变化到点（x’，y’）变换是：

其次改变图像像素的置乱法，这种方法就能够把像素矩阵和某一类矩阵进行变换过程形成对应关系，就能够形成了像素迁移路线，当然要确保首元素与尾元素是不可能形成回路。像素就会顺着转移路线移动，必定改变了像素的位置，如果把原始图像像素从头到尾移动一遍，就完成了图像加密。

（2）扩散图像的像素值；当对图像像素空间实施置乱之后，并没有改变图像的像素值，而且置乱前后图像中直方图并没改变，但是要提升图像加密安全性，还必须要替换图像的像素值，也就是扩散图像的像素值。当然扩散图像的像素值方法并不是唯一的，而是有许多种，可将像素值映射至其他区域来选择计算像素本身，可在相邻像素间采取异或运算等。

3.2 基于混沌的图像加密分析

因混沌系统自身特性与密码学特征比较相似，因此把混沌使用到密码学中具有极大的前景，将这种理论使用到伪随机序列的生成器。无论是置乱图像的像素还是扩散像素，伪随机序列都发挥着重要的作用。尤其是置乱像素过程中，就能够通过这种序列转换矩阵；在扩散像素中，就能够通过这种序列改变像素值，当然也可以采用这种方法为扩散算法实施选择。

实施图像加密的主要目的就是将图像中所携带的信息隐藏起来，就算攻击者通过非法手段获得加密图像，也不可能从图像中获得所需要的任何信息，加密时，大部分都是通过两个步骤实现，即为置乱图像的像素空间和扩散图像的像素值。如果加密系统的安全要求并不高，并且要提升加密速度，处理过程中只需要图像置乱或图像扩散即可。但是系统加密需要的安全性比较高，那么就应该多次迭代图像置乱与图像扩散，从而加强加密的效果。基于混沌的图像加密方法，其一般数学表达式为：[R=Da（Cb（P，Kc），KD）]；该式中P表示明文，R为密文，C为置乱函数，D为扩散函数，[Kc]值为置乱函数的密钥，[KD]为扩散函数的密钥，a为扩散次数，b为置乱次数。基于这种加密的密钥空间，就可采用如下式子进行表示：[S=（Sbc，SaD）]；在此式中，[Sbc]即为置乱秘钥的空间，[SaD]为扩散秘钥的空间。

3.3 设计步骤

因为混沌理论照中包含着许多内容，比较常见的混沌函数有一维，二维以及三维区分，在设计加密算法就只需要采用一个混度系统，当然也可以使用到多个系统之中。因此设计该算法之时，就必须要考虑到加密系数所用环境，还必须要满足加密速度以及安全性的要求。如果加密速度的要求不高，但安全性要求不高，就可以采用一维或者二维混沌系统设计加密算法；但是安全性的要求比较高，加密速度较低，就要设计加密复杂一些，如采用三维混沌系统。本文就以一维Logistic映射函数探讨混沌加密法。

（1） 加密算法

因为一维函数比较简单，就是因为简单研究过程相对比较容易，并且极易进行控制。相对而言，一维函数比较成熟，因此在图像加密算法中使用比较广泛，并且也成为一种比较优秀的加密算法。这种加密算法的速度较快，并且因研究比较透彻，所以算法也比较稳定可靠。其迭代公式为：[XL+1=uX1（1-XL）]。

当3.56994564时，一维混沌迭代序列必然会收敛到一个特定值。该算法加（解）密的流程如下图所示：

图1 算法加（解）密流程图

其一，提取出原始的图像矩阵P，大小是m*n（原始矩阵的行像素数为m，列像素数为n）；

其二，取[x0∈（0，1）]，那么[u∈（3.5699456，4）]；重复迭代计算m*n次，就能够得到一个长度是m*n，具备伪随机性、不重复序列为；

其三如果对多得到的序列X排序时，排序标准可以从小到大顺序，也可从大到小顺序，本文就是以从小到大方式排序，这样就能够获得有序序列；[X=（x1，x2，……，xm*n）]

其四依据X中各元素处于Y中位置，就能够获得索引向量为[Index=（d1，d2，……，dm*n）]；[di∈（1，2，……，m*n）]，而且Index中各个元素都不相等，

而索引向量也是矩阵进行置乱像素的基本依据，把向量Index依照列重构，就能够得到一个矩阵，其大小是m*n，这个矩阵就是位置矩阵。

其五按照位置矩阵中所对应的元素值就能够把原始图像置换成大小相同的矩阵S，S=P（L），最终所得S即为加密图像矩阵。 在这个过程中[x0]与U即为算法中两个密钥。最终结果如图2、图3所示：

参考文献：

图像法论文篇3

1.1.1医学图像处理的特点及重要性

医学图像处理技术包括很多方面,如:图像恢复、图像重建、图像分割、图像提取、图象融合、图象配准、图像分析、图像识别等等。进行医学图像处理的最终目的是实际应用于医学辅助、工业区生产、科学研究等方面,所以其具有较广泛的应用价值和研究意义。医学图像处理的对象是各种不同模态的医学影像。在医学临床的使用中,医学影像主要有超声波(UI)、X-射线(X-CT)、核磁共振成像(MRI)、核医学成像(NMI)等。随着计算机技术的发展,医学影像技术已成为一门新兴交叉学科,目前是计算技术与医学结合技术中发展最快的领域之一。借助有力的医学图像处理技术手段,极大的改善了医学影像的质量和显示方法,其成果使临床医生能更直接、更清晰地观察人体内部组织及病变部位,确诊率也得到了提高。这不仅使医学临床诊断水平在现有的医疗设备的基础上得到极大地提高,并且能使医学研究与教学、医学培训、计算机辅助临床外科手术等实现数字化应用,从而为医学研究与发展提供坚实的基础,在医学应用中具有不可估量的实用价值。

医学图像与普通图像相比,具有以下几方面的特点(1)医学图像具有灰度上的含糊性。表现为两方面:一方面是由于成像技术上的原因带来的噪声扰,往往使物体边缘的高频信号被模糊化;另一方面,由于人体组织的螺动等现象会造成图像在一定程度上产生模糊效应。(2)局部体效应。处于边界上的像素中,通常同时包含了边界和物质,使得难以精确地描述图像中物体的边缘、拐角及区域间的关系,加之假如出现病变组织,则其会侵袭周围正常组织,导致其边缘无法明确界定。

1.2论文的研究目标及工作

1.2.1论文主要涉及的三方面基础理论

论文主要涉及马尔科夫随机场(MRF)理论、模糊集理论及Dempster-shafe证据理论三个方面的基础理论,下面分别作介绍:1)马尔科夫随机场(MRF)理论基于随机场的图像分割方法是一类考虑像素点间的空间关联性的统计学方法。其实质是从统计学的角度出发,将图像中各像素点的灰度值看作是具有一定概率分布的随机变量,从而对数字图像进行建模。Cristian Lorenz等人,在医学图像分割中提出了一种可应用于任意拓扑结构的新型统计模型。根据马尔科夫随机场图像模型,利用最大后验概率准则(MAP),提出一种迭代松弛算法。MRF模型能够区分不同纹理的分布,其特别适用于纹理图像的分割。但使用MRF模型进行分割的关键问题在于参数估计,所以分割的效果往往取决于对参数估计的准确度。为此通常在分割与参数估计间进行轮流迭代计算,例如:先初始化参数,在此基础上分割,再利用分割的结果对参数进行进一步的估计,然后再分割,如此直到满足收敛条件。然而此类方法只能利用单一的图像信息,不能综合利用多种图像信息。

第二章马尔科夫随机场(MRF、理论及其应用

马尔科夫随机场简称,是英文Morkov Random Fields的缩写。它包含了两层意思:一个是马尔科夫(Morkov)性质;一个是随机场性质。它是基于统计学的分割方法在医学图像分割的应用中,最为常用的一种方法。图像具有高度的空间信息相关性,而马尔科夫随机场(肿)恰好具有有效描述空间信息相关性的特点,加之其具有完善的数学理论和性质,所以广泛的被应用于图像的处理中,如:图像的恢复、纹理的提取、模板的匹配和图像的分割等。娜于图像的分割,对噪声有很好的抑制作用;同时是基于模型的方法,所以容易与其它方法结合是它的优点。在本文中主要用于脑部—图像的预处理及前期的分割。下面介绍马尔科夫随机场(MRF )的基本理论及其在本文中的应用。

2.1马尔科夫随机场CMRF )基本理论

2.1.1一维马尔科夫(MARKOV)随机过程

过程(或系统)在Zg时刻(即? = /q)的状态己知,若过程在/Q后面的时刻,即的状态与过程在时刻之前(即

2.2图像中马尔科夫随机场、MRF )模型的建立

2.2.1邻域系统与势团(Cliques)

由本文2.1.2小节中马尔科夫随机场(娜)的定义中,任何满足条件1)非负性的概率都由条件2)中的描述马尔科夫(MARKOV)性的条件概率所唯一确定。条件2)中的条件概率所描述的也称为随机场F (本文中也即数字图像)的局部特性。而条件2)中的条件概率的直接求得是很困难的,由概率论中条件概率的公式可知要求的尸C/i 需要知道即需要知道随机场的联合分布,而马尔科夫随机场)是用条件概率来定义的,不能很好反映的联合分布。也就意味着由马尔科夫随机场(MRF )的局部特性来定义整个场的全局特性是存在困难的。以上问题的解决要归功于Hammersley-Clifford定理,该定理给出了马尔科夫随机场随机场(MRF )与吉布斯随机场(GRF )的等价关系,从而可以用吉布斯(Gibbs)分布来求解中的概率分布问题。

1.1论文研究的目的和意义………………1

1.1.1医学图像处理的特点及重要性……………… 1

1.1.2医学图像分割中存在的问题、现状及发展………2

1.1.3医学图像分割的方法………………

1.2论文的研究目标及工作………………6

1.3本文组织结构………………9

第二章马尔科夫随机场(MRF、理论及其应用………………11

2.1马尔科夫随机场、MRF )基本理论……………… 11

2.2图像中马尔科夫随机场QMRF )模型的建立………12

2.3估计准则与优化算法………………16

2.4本章小结………………19

图像法论文篇4

【关键词】Contourlet变换;D-S证据理论;多聚焦图像融合

Multi-focus Image Fusion Algorithm Based on D-S Evidence Theory

FAN Fu-wei HU Hong-ping BAI Yan-ping

（North University of China， Taiyuan Shanxi 030051，China）

【Abstract】The different characteristics of the image reflect the difference between the image pixels from different angles.We synthesis fusion coefficient using characteristics of different neighborhood of images as the basis of basic probability assignment making use of clusters of D-S evidence theory under Contourlet transformation in my thesis and propose the algorithm of multi-focus image fusion based on the evidence theory.It shows that the algorithm can effectively integrate multiple neighborhood features of the image which is provided with a good fusion effect according to the simulation experiment.

【Key words】Contourlet Transformation; D-S Evidence Theory; Multi-focus Image Fusion

0 引言

图像融合是指综合提取两个或多个多源图像信息，获得对同一场景或者目标准确、全面和可靠的图像，使之更加适合于人眼感知或计算机的后续处理。图像融合充分利用多个被融合图像中所包含的冗余信息和互补信息，是计算机视觉和图像理解领域中一项新技术。图像融合根据所处的阶段不同，通常在三个不同的层次上进行，即像素级融合，特征级融合和决策级融合[1]。

目前，像素级图像融合方法可以分为三类：传统简单的融合方法、基于塔式分解和重建的融合方法和基于小波变换的融合方法[2]。后两种方法都是讲图像分解为低频子带和高频子带，对不同的子带分别不同的融合方法建立融合系数。目前，建立融合系数所依据的邻域特征有邻域方差[2-3]、邻域空间频率[4]、邻域梯度[5]、邻域能量[6]以及邻域信息熵等。各种邻域特征方法均取得较好的融合效果，那么综合多个邻域特征的融合效果是否优于基于单一特征的融合效果？本文利用D-S证据理论的聚集性，有效地合成邻域方差、邻域梯度、邻域能量等三个邻域特征来建立融合系数，提出基于D-S证据理论的多聚焦图像融合算法。

1 基础知识

1.1 D-S证据理论[7]

对于一个待判决的问题，假设人们能够认识到的所有可能结果用集合？专表示，则？专被称为识别框架。

定义：设？专是识别框架，如果映射m∶2？专|[0，1]满足以下两个条件：m（Φ）=0，■m（A）=1，则称m为基本概率赋值（BPA）或mass函数。

m（A）是A的基本概率赋值，它表示证据支持A的信任程度。若m（A）>0，则称A为基本概率赋值m的焦元。需要注意的是，基本概率赋值不是概率，因为它不满足可列可加性。

对于？专的每个子集A，信任函数bel（A）反映了分配到集合A及其子集的总信度：

bel（A）=■m（B）

由于信任函数不满足可列可加性，未分配给A的A的信度并不意味着肯定分配给A，但这些信度潜在地对A进行支持。于是引入似然函数pl（A）描述这种潜在信任程度：

pl（A）=1-bel（A）

定理（D-S证据理论合成公式）：

设m1，m2是识别框架？专上的两个基本概率赋值，则：

m（Φ）=0

m（A）=■■m1（E）m2（F）

是基本概率赋值，其中

N=■m1（E）m2（F）>0

是归一化系数。

合成运算反映了证据的联合作用，如果以？茌表示合成运算，则m=m1？茌m2。

D-S证据理论合成规则的性质：

1）交换性：m1？茌m2=m2？茌m1

2）结合性：（m1？茌m2）？茌m3=m1？茌（m2？茌m3）

交换性与结合性使证据合成不依赖于合成的顺序，因而可以通过增量的方式实现，这极大简化了证据合成的计算量。

3）聚集性：随着证据的积累，不确定程度会逐渐减少，当证据偏向一致时，大部分信息会聚集于少数的焦元，这一特性使得证据理论在信息融合领域得到广泛的应用。

1.2 Contourlet变换[8-9]

离散Contourlet变换也称塔形方向滤波器组（Pyramidal Direction Filter Bank，PDFB），具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等性质其基函数分布于多尺度、多方向上，少量系数即可有效地捕捉图像中的边缘轮廓，而边缘轮廓正是自然图像中的主要特征。Contourlet变换是一种“真正”的图像二维表示方法。

Contourlet分解变换的实现可以看成是两个步骤：拉普拉斯金字塔（LP）分解和方向滤波器组（DFB）滤波。拉普拉斯金字塔变换实现图像的多尺度分析，由此得到一系列的带通及下采样图像。相比临界小波采样，LP分解在高维情况下每层仅产生一个带通图像，避免了扰频现象（因为LP滤波器组仅对低通图像下采样）;二维方向滤波器组将分布在同方向上的奇异点合成为一个系数，它应用于LP分解得到的每一级高频分量上，在任意尺度上分解得到2n数目的方向子带。LP分解与DFB方向滤波器组结合形成的双层滤波器组结构称为塔形方向滤波器组PDFB，由于PDFB实质上是以轮廓段的方式逼近原始图像，因此也称为离散Contourlet变换。源图像经过PDFB分解，得到一个低频分量和分布于多尺度、多方向上的高频分量。Contourlet变换变换滤波器组结构如图1所示：

图1 Contourlet变换变换滤波器组结构

1.3 图像的邻域特征[10]

1.3.1 邻域方差

定义：以（i，j）为中心，大小为m×n的邻域S内的方差为：

IS（i，j）=■

其中，f■（x，y）表示在区域S内对应点的像素值;■是区域S内像素点的平均值。

方差反映了图像的分散程度，方差越大，则图像的细节越丰富。

1.3.2 邻域平均梯度

定义：以（i，j）为中心，大小为m×n的邻域S内的平均梯度为：

G（i，j）=■■■■

图像的平均梯度可敏感地反映图像对微小细节反差的表达能力。G越大，图像层次越大，图像也越清晰。

1.3.3 邻域能量

定义：以（i，j）为中心，大小为m×n的邻域S内的能量为：

E（i，j）=■H（x，y）f■■（x，y）

其中，H=■。图像对应像素的区域能量越大，则图像的纹理特征越明显。

2 证据理论的融合算法

设有两幅不同聚焦的源图像A、B，下面给出了基于证据理论的多聚焦图像融合算法步骤：

1）将源图像A作为待配准图像，源图像B作为参考图像，对A、B进行配准;

2）用Contourlet变换分别对配准后的源图像A和源图像B进行分解，得到低频子带L与高频子带H;

3）对低频子带和高频子带分别采用不同的融和规则进行融合，低频子带L采用邻域能量取大融合规则，高频子带H采用基于证据理论的融合规则;

4）利用融合后的低频子带和高频子带利用Contourlet逆变换重建图像。

2.1 低频子带合成规则

低频子带融合采用基于邻域方差取大的融合方法。首先对源图像A、B的低频子带LA、LB分别提取邻域方差ILA、ILB，然后利用方差取大法建立融合系数ωLA、ωLB，则融合后的低频子带是：

L（x，y）=ωLA（x，y）LA（x，y）+ωLB（x，y）LB（x，y）

其中，ωLA（x，y）=■，ωLB（x，y）=1-ωLA（x，y）。

2.2 高频子带合成规则

图像的高频子带系数反映了图像中物体的形状、纹理、边缘、位置等重要细节信息，图像的局部特征并非单一像素所能表征，而是由某一区域内系数共同体现。本文采用D-S证据理论中的基本概率赋值来确定融合系数。首先，分别对源图像A和源图像B的个高频子带分别提取邻域方差、邻域梯度和邻域能量等三种特征，然后分别对各种特征归一化后作为基本概率赋值的依据。其表达式如下：

■

其中i=1，2，3。式中，F1、F2、F3分别表示邻域方差、邻域梯度、邻域能量;m1，m2，m3分别表示将邻域方差、邻域梯度、邻域能量归一化后的值。

由基本概率赋值的定义可知，将特征归一化后，mi∈[0，1]，可作为基本概率赋值的依据。根据D-S证据理论，本文算法的识别框架是？专={A，B}，？专上各个焦元的基本概率赋值为m1，m2，m3，则利用D-S证据理论合成后的基本概率赋值是

m■=m■■？茌m■■？茌m■■

m■=m■■？茌m■■？茌m■■

则高频子带融合系数为ωHA=m■，ωHB=m■，融合后的高频子带为：

H（x，y）=ωHA（x，y）HA（x，y）+ωHB（x，y）HB（x，y）

3 仿真实验结果及评价

本文采用两幅不同聚焦的256×256的clock图像进行仿真实验。图2为右聚焦源图像，图3为左聚焦源图像，图4为采用本文算法融合后的图像。图5、图6、图7为在高频子带分别利用基于邻域方差、邻域平均梯度、邻域能量建立融和系数融合后的图像。从图中可以看出，本文的算法有较好的融合效果。

表1是对不同融合方法分别采用偏差、互信息、峰值信噪比、信息熵、均方根误差、空间频率等客观评价标准进行了评价对比[2，10]。通过对比可以看出，与采用单一特征的融合算法相比，本文算法具有较好的融合效果。

表1 不同融合算法效果的客观评价

4 结语

本文根据不同的图像特征，利用D-S证据理论建立融合系数对多聚焦图像进行融合。首先对两幅不同聚焦的源图像利用从Contourlet变换进行多尺度分解，得到高频子带与低频子带;然后对不同的子带采用不同的算法进行融合。仿真实验表明，本文提出的融合算法具有较好的融合效果。利用图像融合客观评价标准，通过与单一特征融合算法相比，基于D-S证据理论的融合效果由于单一特征的融合效果，具有一定的理论意义和实际价值。

【参考文献】

[1]韩崇昭，朱洪艳，段战胜，等.多元信息融合[M].清华大学出版社，2010.

[2]马强，刘栋，等.基于最小能量小波框架的多聚焦图像融合算法[J].计算机与数字工程，2013，41（2）：204-207.

[3]白蕊，杨万海，张艳妮，等.基于Contourlet变换的遥感图像融合[J].中国图象图形学报，2009，14（6）：1173-1177.

[4]郑睿，庞全.基于邻域方差加权平均的多聚焦图像融合法[J].机械制造，2009，47（541）：33-36.

[5]张建勋，谢婷婷.基于小波区域梯度的图像融合新算法[J].重庆理工大学学报，2012，26（10）：51-55.

[6]杨扬，戴明，周箩鱼，等.基于均匀离散曲波变换的多聚焦图像融合[J].红外与激光工程，2013，42（9）：2547-2552.

[7]肖文.基于证据理论的多属性决策关联问题研究[D].江西财经大学，2010.

[8]郁梅，易文娟，蒋刚毅.基于Contourlet 变换尺度间相关的图像去噪[J].光电工程，2006，33（6）：73-83.

图像法论文篇5

关键词：成像系统；数据；SAR图像；统计特性；图像压缩

中图分类号：TN391文献标识码：A文章编号：1009-3044(2012) 04-0896-04

Review of Investigation on SAR Image Compression Techniques

LIU Jian, CHENG Ying-lei

(Telecommunication Engineering Institute, Air Force Engineering University, Xi’an 710077, China)

Abstract: The amount of SAR image information has been growing exponentially with the fast development of the spacebore and airbore SAR imaging system, which makes tremendous difficulties for the data collection, storage and transmission during application of the SAR imaging system. In order to overcome the image storage and transfer difficulties，effective image compression techniques have to be adopted. In this paper, the SAR image compression techniques with new advances in the world have been elaborated and summarized in four methods: (1)vector quantization, (2)wavelet transform, (3)content-based coding, (4)compressed sensing. Based on the analysis, statistical property and essential attributes of the SAR image information, we pointed out the main problems in different methods, and the development trends of the SAR image compression algorithm are prospected.

Key words: imaging system; data; SAR image; statistic property; image compression

1概述

合成孔径雷达(Synthetic Aperture Radar, SAR)因具有全天候，全天时对地球表面进行观察的能力以及不受天气、光照等条件的限制和空间分辨率高的特点，使得SAR在民用和军事方面发挥着越来越大的作用。自从50年代Wiley首次提出SAR的概念以来，SAR技术不断发展，许多新概念的提出，如运动补偿、自聚焦、聚束照射、多视处理、逆SAR(ISAR)和干涉SAR等不但完善了SAR技术，而且扩展了它的应用范围。纵观国外合成孔径雷（SAR）的发展过程可以看出，合成孔径雷达（SAR）已经开始经历单波段向多波段、单极化向多极化、固定人射角向多人射角、单工作模式向多工作模式的逐渐发展，天线也经历了固定波束视角、机械扫描、一维电扫描及二维相控阵的发展过程[1]。SAR系统获得的数据量是巨大的，美国SAR地面处理系统ASF(Alaska SAR Facility)每天处理的SAR数据为9600MB[2]，早在1991年发射的ERS-1卫星的星载SAR数据率已经达到105Mb／s，机载和星载SAR系统都产生大量的遥感数据，通常SAR的数据传输率为每秒数百兆比特，并且随着国内外合成孔径雷达（SAR）的不断发展，分辨率的不断提高，星载、机载雷达的不断出现，这无论是对大容量存储还是高速传输都提出了巨大挑战，因此研究SAR图像的高效压缩具有重要意义。

与光学图像不同，SAR数据具有高的动态范围、固有斑点噪声、像素相关性小和纹理边缘处具有重要的高频率成分等特性，经典的图像压缩算法并不适应于SAR图像，对SAR图像进行压缩是十分困难的。目前尚未有一种通用的高效SAR图像压缩算法，这便促使当前寻求对SAR图像高效压缩的形势更加迫切。

2 SAR图像的统计特征及其特点

图像的统计特性对压缩编码是十分重要的，因为从数据本身来说，实现数据压缩的本质在于对数据统计冗余的压缩。SAR图像的特征可以由均值、方差、最大值、最小值和相关系数等统计特征来简单描述。其中均值主要反映了SAR图像幅值中直流分量的大小；方差主要体现了SAR图像中内容的活动性；最大值和最小值描述了SAR图像的动态范围。

与光学图像不同，SAR图像服从特定的统计特性，通常说来，单视SAR幅度图像服从瑞利分布,而多视图像服从2N个自由度的Γ分布。同时由于受到乘性相干斑噪声的干扰，使得SAR图像中相邻像素的相关性降低[3],因此相比一般的光学图像，其特点十分显著。

3 SAR图像的压缩编码概述

根据编码方法的不同图像编码技术可分为“第一代”图像编码和“第二代”图像编码的概念，“第一代”图像编码包括熵编码，预测编码，变换编码以及矢量量化编码，是以信息论为理论基础，旨在去除图像数据中统计冗余的一类编码技术。但是，“第一代”图像编码在去除冗余信息的能力已经接近极限，基于SAR图像的上述特点，采用“第一代”的图像压缩方法对SAR图像的压缩是十分困难的，其压缩比不高。“第二代”图像压缩编码包括子带编码，分形编码，小波变换，模型基编码和神经网络等。它并不局限于信息论框架，其充分利用人的视觉生理心理和图像信源的各种特征，因此获得了较高的压缩比。针对SAR图像的特点，近20年来，学者们提出了许多针对SAR图像的压缩方法，它们大多都是对不同编码技术的改进与结合，如基于矢量量化、SAR图像内容、小波变换、压缩感知等SAR图像压缩方法，这些方法都在SAR图像压缩方面展现出一定优势，并且可以根据需要灵活运用于图像的编码过程中，以便提高编码效率和性能。

3.1基于矢量量化编码的SAR图像压缩

矢量量化（VQ）是标量量化的推广，其基本思想是利用像素之间的相关性将输入数据划分为若干组，在量化时以组为单位进行量化，效率较标量量化有显著提高。SAR图像像素之间相关性比较弱，但考虑到矢量量化在信源弱相关的条件下，也能取得比较好 的压缩效果，因此将矢量量化用于SAR图像压缩中取得了一定进展，矢量量化算法已被建议用于SAR图像压缩[5]。针对适量量化算法中码书自适应性不强的特点，文献[6]提出了一种更为高效的新型自适应LBG矢量量化算法,该算法在LBG算法码书中利用点到线的垂线关系基础上进行了改进,进一步的自适应化迭代进而获得了更小的残差，并应用于干涉高光谱图像的无损压缩中，压缩性能有了显著提高。邓云凯[7]提出了一种基于改进矢量量化的SAR图像压缩算法，针对SAR图像纹理丰富，容易受到斑点噪声影响的特点，改进算法将区域整体图像信息从量化空间中分离出来，只对主要是纹理信息的剩余信息进行量化而且删除了每次聚类后含有最少矢量的胞腔。该算法有效的减少了量化空间大小，使生成码字分布更加合理，不仅提高了SAR图像整体压缩效果，同时在斑点噪声抑制方面做出了有益的工作。

但是矢量量化编码技术一个缺点是其复杂度大，并且随着维数的增加呈指数级增加，严重影响高维的矢量量化器的实现。以码书的训练为例，其码书形成过程是非常耗时的，不适应于实时性要求较高的应用。而且码书并不具有通用性，因此，虽然人们提出了许多矢量量化编码技术，但是并未广泛的应用到实际的系统之中。

3.2基于小波的SAR图像压缩

小波变换是变换编码的一种，与傅立叶等变换不同，小波变换具有良好的时频特性，通过伸缩和平移可以对图像进行多尺度分析，能有效的提取图像中的内容，因此在图像编码中得到广泛应用。随着小波包技术、多小波技术、嵌入式小波零树图像编码（EWZ）技术、分层小波树集合分割算法（SPIHT）技术的相继出现，小波图像压缩被认为是当前最有发展前途的图像压缩算之一。JPEG2000于2000年被确定为静态图像的新一代编码标准,其中最大改进是用小波变换代替余弦变换。以小波变换为基础，发展了多种针对SAR图像的压缩算法，文献[8][9]研究使用JPEG2000对SAR图像进行压缩，并针对SAR图像的特点对算法进行相应的调整和优化，其基本思想是在使用JPEG2000对SAR图像进行压缩之前，首先使用滤波器对图像进行平滑处理，减少噪声的影响，这种方法取得了较好的效果。基于分层树的集合划分（Set Partitioning In Hierarachical Trees,SPIHT）算法也是小波变换压缩编码的典型应用，文献[10]给出了利用改进SPIHT算法实现对SAR图像的压缩，运用了统计方法对小波系数按其幅值分布区间进行重排，并设计阈值对重要比特进行优先传送。文献[11]提出了一种基于提升格式小波的SPIHT图像压缩算法,该算法采用Daubechies9/ 7双正交小波的提升格式进行小波变换,然后采用SPIHT算法对变换系数进行编码,可实现任意码率的压缩，对SAR图像实现任意码率的压缩也具有一定指导意义。

为了有效改善小波变换在图像方向性信息方面表示的不足，有学者提出了Contourlet和Bandelet两种变换[12][13]，它们具有多分辨率、局部化和方向性等特征，能很好地刻画图像轮廓和纹理，所以在新一代图像压缩中常与小波变换结合使用。文献[14]提出了一种基于Bandelet和SPIHT算法的压缩方法，文献[15]将第二代Bandelet变换应用到SAR图像压缩上，在bpp值较高的情况下，提高了SAR图像的压缩性能。文献[16][17]研究了基于小波的Contourlet变换，采用传统的张量积小波变换取代其中的拉普拉斯金字塔式变换可获得非冗余的变换形式，然后用方向滤波器组把高频子带分解为多个方向子带，之后对每个方向子带进行Bandelet变换,从而更稀疏表示了图像的边缘和纹理，达到压缩的目的，这对具有丰富纹理特性的SAR图像压缩也具有借鉴意义。

但是小波变换依然存在发展的空间。首先对同一幅图像,使用不同小波基进行图像压缩,效果往往是不同的，如何选择最优的小波基将成为图像压缩成为难点。其次小波图像压缩还远远没有充分利用人眼视觉特性,进一步将人眼视觉特性应用到小波压缩编码中,可更深层次地发掘图像压缩编码的潜力。

3.3基于内容的SAR图像压缩

SAR图像具有极低的相关性，这就导致传统的以去除图像相关性为目标的压缩技术在对SAR图像进行处理时很难在压缩性能上获得突破，因此，新的基于图像内容的压缩方法得到了广泛关注。其基本思想是首先对图像进行分割，分离出目标区域和背景区域，针对不同的区域采用不同的压缩方法，以达到高效压缩的目的，其流程图如图2所示。在基于SAR图像内容的压缩算法中，文献[18]使用自动目标识别算法对目标区域进行检测，并采用子带编码和矢量量化编码为目标区域分配更多的比特，取得了较好的效果。文献[19]对SAR图像使用自动目标识别方法进行分割，并产生目标区域和背景区域，对背景区域进行高倍率有损的压缩，而对目标区域使用无损的压缩，从而使SAR图像得到高效的压缩。

但是基于内容的图像压缩要求寻找到较好的图像分割算法，而当前针对SAR图像的目标自动检测方法也处于发展阶段，没有较通用的算法。因此，将高效图像分割算法与图像压缩算法合理的结合在一起是基于内容的SAR图像压缩方法必须面对的问题。

3.4压缩感知在图像压缩方面的应用

自Donoho、Candes以及Tao等人提出压缩感知（Compressive

Sensing，CS）理论[21][22][23]以来，它便在信号、图像压缩方面起到重要作用。与通常的数据采样定理不同，该理论提出可以用远远少于传统采样定理所需的采样点数或观测点数恢复出原信号或图像， 它将信号的采样、压缩及编码合并在了同一步骤中，在采样的过程中直接提取信号的少量重要信息，并用它们来重构图像。文献[24]分别选取了10K、25K、20K、25K个采样值对Lena图进行压缩，达到了较好的效果。压缩感知算法正处于蓬勃的发展阶段，已在SAR图像成像前的压缩处理中取得了成果，但是针对SAR图像的压缩感知研究仍处于起步阶段，还未能达到其他压缩方法的效果。

4结束语

近几年，国家加大了对机载和星载SAR的研制计划，使得SAR在民用和军事方面发挥着越来越大的作用，现已有可观的SAR系统投入运行，而这些又对SAR图像的传输和存储提出了更高的要求。国内外研究者针对SAR图像提出了许多应用理论，但对其的研究还不够系统、不够细致，没有形成系统的体系。而当前尚未建立起对SAR图像压缩编码系统的性能评估的系统的指标，而是单纯的将光学图像压缩编码的评价指标直接套用于SAR图像，这仍有待于进一步解决。单一的理论并不能彻底的解决SAR图像压缩的瓶颈，在单个理论发展的同时，只有将不同的压缩方法合理的结合在一起，才能在SAR图像压缩中取得更大的进展，目前已有学者将小波理论与分形理论结合在一起，或将小波理论与矢量量化技术结合在一起。值得指出的是，基于内容的SAR图像压缩可以根据实际情况的需要，自适应的选择压缩的方法，这样有利于结合不同编码技术的优点，将会成为未来SAR图像研究的热点。随着感所感知理论的出现，大量研究者已将它运用到信号和图像的压缩中，关于SAR图像的基于压缩感知理论的研究虽然起步不久，但随着对其研究的深入，也必将在SAR图像的压缩史上添上一笔。

参考文献：

[1]张直中.机载和星载SAR导论[M].北京:电子工业出版社,2004.

[2] Nancy I de,Jean Veronis.Introduction to the Special Issue on Word Sense Disambiguation: The State of the Art[J].Computational Linguistics,1998,24(1):l-40.

[3]谢海慧.SAR相干斑抑制及图像压缩的小波域方法[D].成都:电子科技大学,2004.

[4]余楚才.SAR图像数据压缩技术研究[D].成都:电子科技大学,2009.

[5] U Benz,K Strodl,A parison of Several Algorithms for SAR Raw Data Compression[J].IEEE Trans. Geoscience and Remote Sensing,1995,33(9):1266-1276.

[6]温佳,马彩文.改进自适应LBG矢量量化算法在干涉高光谱图像压缩中的应用[J].光谱学与光谱分析,2011,31(4):1033-1037.

[7]邓云凯.基于改进矢量量化的SAR图像压缩算法[J].系统仿真学报,2010,22(1):179-187.

[8] Peng Zhou,Baojun Zhao.Novel Scheme for Sar Image Compression Based on JPEG2000[C].The Ninth International Conference on Electronic Measurement & Instruments,2009:204-209.

[9] H. Xingsong,L. Guizhong,Z. Yiyang.SAR Image Data Compression Using Wavelet Packet Transform and Universal Trellis Coded Quantization[J].IEEE Transactions on Geoscience and Remote Sensing, November,2004,42(11):2632-2642.

[10] C. Namrata Mahender,Mohammed Hamzah Abed.SAR Image Compression using SPIHT Algorithm[J].International Journal of Computer Applications,2011,22(8).

[11]余平,马小虎.基于LS9/7小波的图像压缩算法研究[J].微电子学与计算机,2008,25(9):109-111.

[12] Do M N.Vetterli M.The contourlet transform:an efficient directional multiresolution image representations[J].IEEE Transactions on Image Processing,2005(12):2091-2106.

[13] Pennec E,L,S Mallat.Image Compression with Geometrical Wavelets[J].In Proc.of ICIP’2000,Vancouver, Canada,2000,1(9):661-664.

[14] L. Hanqiang,H. Biao,W. Shuang,J. Licheng.SAR Image Compression Using Bandelets and SPIHT[C].Proceedings of 2006 CIE Interna? tional Conference on Radar,Shanghai,China,2006.

[15]金海燕,王彬.基于第二代Bandelet变换的SAR图像去噪压缩[J].微电子学与计算机,2010,27:104-108.

[16]宋蓓蓓,许录平.一种基于小波的Contourlet变换的图像压缩算法[J].西安交通大学学报,2007,41(4):480-483.

[17]孙文方,宋蓓蓓.联合Contourlet和Bandelet的变换在图像压缩中的应用[J].西安电子科技大学学报,2007,34(4):611-615.

[18] N. Jin-Woo.Optimized Encoder Design Algorithm for Joint Compression and Recognition[J].Proc,SPIE,Signal Processing,Sensor Fusion, and Target Recognition,1995,7(2484):236-245.

[19] Nasser M N,Joseph P S,Heesung K.High Compression of SAR Imagery for Battlefield Surveillance[C].Proc.SPIE, Algorithms for Synthet? ic Aperture Radar Imagery III,1996,2757:397-408.

[20] W. Aili,Z. Ye,G. Yanfeng.SAR Image Compression Using HVS Model[C].Proceedings of 2006 CIE International Conference on Radar, Shanghai,China.

[21] Donoho pressed sensing[J].IEEE Trans Information Theory,2006,52(4):1289-1306.

[22] Baraniuk R.A lecture on compressive sensing[J].IEEE Signal Processing Magazine,2007,24(4):118-121.

图像法论文篇6

关键词：谱聚类；SAR图像；图像分割

中图分类号：TP391.41 文献标识码：A 文章编号：1006-8937（2015）29-0046-02

1 谱聚类算法

谱聚类算法基于谱图划分理论，它将聚类问题看成是图的划分问题，使用数据样本的相似度矩阵的特征向量进行聚类。该算法对凸型的球形空间或非凸的任意空间的聚类表现不敏感，易于得到全局最优解，较传统聚类算法（K-means和最大期望值EM算法）优势明显，是当前流行的一种高性能聚类算法。利用谱聚类算法实现图像的分割是人们较感兴趣的一个研究方向。

图的最优划分其实是一个NP难问题，有效的解决办法就是对原问题进行实数域松弛，进而可将图的划分转换为求解矩阵的特征值和特征向量问题。对于合成孔径雷达图像（简称SAR图像）的分割来讲，谱聚类算法除了要考虑图像的光谱特性、空间特征等因素，还要考虑算法的计算速度及内存消。

2 谱聚类理论及算法实现

2.1 谱聚类理论算法

得到图G的一个最优二分图即是对公式（1）最小化，但这种做法倾向于获得不均衡、歪斜的划分。基于2-way划分的规范割判据（Ncut）可以克服这种现象，其目标函数为：

将x松弛至连续实数域 ，求解minNcut（A，B）的问题可以转化为下式（4）的优化问题：

根据Rayleigh商原理的知识，我们可将对（4）式的优化问题转化为式（5）征值和特征向量的求解问题。

2.2 谱聚类的图像分割方法实现步骤

虽然第二最小特征值？姿2所对应的特征向量x2（也称Fiedler向量）包含了丰富的图划分信息。但仅仅根据x2对数据进行迭代性聚类，不仅计算效率低且聚类结果不稳定。研究发现，同时使用多个特征向量可以避免由于信息损失造成的不稳定性，并且直接进行k路分割可以得到更好的聚类效果。一种基于多路划分谱聚类的图像分割方法实现步骤。

2.2.1 预处理

2.2.2 谱映射

2.2.3 聚 类

将Y的每一行看成是k维空间Rk中的一个样本，通过K-Means算法将这些样本聚成k类，当且仅当Y的第i行被分配为j类时才将图像的像素点vi分配为j类。

3 关于SAR图像分割的两大问题

SAR图像不同于医学图像、纹理图像和彩色图像的分割，由于其图像本身的特点，如成像机理、对比度、一致性、信息熵、灰度共生矩阵、小波能量等特征，直接采用传统的分割方法往往不能够得不出较好的分割结果。针对SAR图像的分割问题值得讨论。

3.1 构造相似度问题

对于SAR图像的分割缺乏标准统一的相似度构造函数，目前针对这方面的研究，国内外许多研究、科研人员进行的大量工作。如：提取一窗口大小中像素点的小波能力、灰度共生矩阵等特征，并计算窗口内像素点的平均特征构造相似度矩阵；另一种方法是，首先对采用分水岭算法得出的特征块集合X聚成k 个子集合进行预处理，再使用高斯核函数构造相似度矩阵。3.2 时空复杂度问题

对于一个包含n个像素点的图像（如一副256×256的图像，n=28×28）来讲，算法的计算复杂度数量级为n3，往往致使计算机内存溢出和处理器计算时间过长。对内存的高消耗和处理器的计算速度优化问题显得尤为重要。典型的一种减少计算复杂度的方法是Fowlkes等人提出的Nystrom算法，该方法使用优化标准割准则对目标函数进行优化、逼近，并对矩阵特征矩阵进行稀疏，提取出典型特征方式来减少计算量。另一种是基于形态学分水岭的技术，并结合谱聚并结合谱聚类算法的聚类优势得出的一种多阶段聚类算法。该算法也能够大大降低构造相似性矩阵时的计算量。

4 结 语

本文介绍了谱聚类的理论基础及算法实现原理，并给出了基于谱聚类的SAR图像分割方法。最后，对SAR图像的分割问题加以分析，并对SAR图像的分割研究方向加以引导，对基于谱聚类算法的合成孔径雷达图像和航拍图像的目标定位和识别研究具有一定的理论参考和指导意义。

参考文献：

[1] Luxburg U V.A tutorial on spectral clustering [J].Statistics and Computing，2007，（4）.

[2] 葛洪伟，李志伟，杨金龙.基于局部密度估计和近邻关系关系传播的 谱聚类[J].模式识别与人工智能，2014，（9）.

[3] 李志伟，葛洪伟，杨金龙.基于邻里关系传播与模式合并的谱聚类[J].计算机工程，2014，（6）.

[4] 李志伟.基于近邻传播和密度信息的谱聚类算法研究与应用[D].无 锡：江南大学物联网工程学院，2014.

[5] Shi Jianbo，Malik J.Normalized cuts and image segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，（8）.

图像法论文篇7

关键字:图像融合;小波变换;融合质量评价

中图分类号:TP391 文献标识码:A 文章编号:1009-3044(2009)35-10075-02

Image Fusion Based on Wavelet Transform Method

WANG Chen,QI De-ning,CHU Bin-bin,PANG Lu-lu

(Artillery Academy of PLA Information Engineering Teaching and Research,Hefei 230031,China)

Abstract: This paper introduces the basic principles of image fusion, the structure models and applications, the brief image of the Mallat wavelet decomposition and reconstruction algorithms. The Matlab7.0 environment, the use of Daubechies wavelet (dB4) filter treatment of fusion images of the three orthogonal wavelet decomposition, using edge-preserving low-frequency coefficients, high-frequency coefficients of the largest energy, based on the rules of regional integration, and integration of image quality evaluation.

Key words: image fusion; wavelet transform; integration of quality assessment

20世纪90年代以来,随着图像传感器技术的迅猛发展,多传感器图像融合技术引起了人们越来越多的关注。特别是近年来,数字图像处理技术、数据融合技术及小波变换等理论的发展,使图像融合技术研究更加成为众多研究者的研究热点。图像融合在遥感、自动目标识别、计算机视觉、机器人智能、网络安全、工业检测、等领域都起着重要的作用,尤其在军事指挥领域,以多传感器图像融合为核心内容的战场感知技术已成为现代战争中最具影响力的军事高科技技术[1-2]。

图像融合就是根据某一算法,将来自不同传感器(或同一传感器在不同时间或不同观测角度)对同一目标或场景观测得到的多幅图像进行处理,从而得到一幅新的、达到某种要求的、对目标或场景的描述更加准确、更加全面、更加可靠的图像。数字图像融合充分利用了多个被融合图像包含的互补信息,大大增加了融合图像包含的信息量,同时也将多幅被融合图像中的冗余信息去除掉,提高了系统的可靠性,从而高效利用由多传感器获取的图像信息。数字图像融合系统结构模型如图1所示。该模型将图像融合评价的信息加入到融合规则的选取和参数的选择过程中,可以更充分地利用信息源提供的信息[1-3]。

1 图像的小波分解与重构[1,4]

对二维图像信号进行小波分解与重构,即在空间L2(R2)对信号进行二维可分离正交多分辨率分析,Mallat算法的实现使得小波在图像处理领域的应用成为可能。图像Mallat算法一层小波分解即对图像矩阵先进行行小波变换,再进行列小波变换得到图像的四个频带――低频近似部分子图LL,高频细节部分水平方向子图HL、垂直方向子图LH和对角线方向子图HH,如图2所示,下一层分解仅在LL子图上进行。

设{Vj}j∈Z 是L2(R)的一个多分辨率分析,?准为尺度函数,?鬃为小波函数,{hk}k∈Z 为对应尺度函数的低通滤波器系数,{gk}k∈Z 为对应小波函数的高通滤波器系数,图像小波分解的Mallat算法如下:

图像小波重构的Mallat算法如下:

2 基于小波变换的图像融合

2.1 融合规则的确定[1,5]

图像融合过程中,融合规则的选择对于最终的融合图像的质量是至关重要,设计图像融合的融合规则的理论基础是小波变换后低频子带表征的是图像近似部分,而高频子带表征的是图像的细节信息。高频子带的系数在零值左右波动,绝对值越大的系数表示该处灰度变化越剧烈,即包含图像的重要信息,如图像的边缘、线条以及区域的边界。另外,同一场景经过不同的传感器得到的图像,其低频近似部分的系数值差别不大,而高频细节部分却存在显著差异。因此,本文采用小波域低频系数采用边缘保持,高频系数采用基于区域能量最大的规则。

2.2 图像融合步骤[3,6]

对二维图像进行N层小波分解,最终有(3N+1)个不同频带,其中包含3N个高频带和一个低频带。基于小波多尺度分解图像融合方案如图3所示,图像融合的基本步骤为:

1)将待融合图像进行小波塔式分解;

2)按融合规则对各频带层分别进行融合,得到融合后各高频带和低频带小波系数;

3)将融合后各高频带和低频带小波系数进行图像重构,得到融合后的图像。

2.3 图像融合实验

待融合图像如图4(a)(b)所示,在Matlab7.0环境下,采用Daubechies小波(dB4)滤波器组对待融合图像进行了3级正交小波分解,对两个分解后的图像以小波域低频系数取平均、高频系数模值取大的融合规则进行融合,经过小波逆变换,重建图像,实验结果如图4(d)所示。图4(c)为对应像素灰度值取大的空域直接融合结果,从视觉感受而言,小波域融合能够取得较好的效果。

2.4 融合图像质量评价

融合后图像效果的质量评价研究,对于在实际应用中选择适当的融合算法,以及对现有融合算法的改进和研究新的融合算法都具有十分重要的意义[2,4],一般有主观评价和客观评价两类。主观评价是由专家进行诸如好、较好、一般、不好等定性的等级评分,主观因素造成评价标准的不同一,具有很大局限性;从信息理论与图像处理的角度出发,依据评定方法所需条件的不同,图像融合效果的客观质量评价分为基于标准参考图像的质量评价和无参考质量评价[2,3]。通常情况下,不存在标准参考图像,因此无参考质量评价更具有实际意义,本文在无标准参考图像的情况下,根据图像自身统计特性对其进行评价,选取以下四个常用评价指标(设融合图像用F表示,L表示图像F的总灰度级数,行数M、列数为N)。本文实验选取各图像的客观评价指标见表1。

1)灰度均值:指图像中所有像素灰度值的算术平均,对人眼反映为平均亮度,其定义为:

2)标准差(Standard Error):反映灰度相对于灰度均值的离散情况,即图像反差的大小,标准差越大,则图像灰度级分布越分散,包含更多的信息。其定义为:

3)图像信息熵(Entropy):反映其包含的信息量的多少,熵值越大,信息量越多,定义为:

其中,p(i)表示灰度值为i的像素数目与图像总像素数之比。

4)清晰度,又称为平均梯度,反映图像细节反差程度和纹理变化特征,一般来说,平均梯度值越大,表明图像越清晰。定义如下:

其中,ΔFx ΔFy分别为融合图像F在X与Y方向上的差分。

3 结束语

根据图像多分辨率分析理论,在小波域采用低频系数取平均、高频系数模值取大的融合规则进行融合实验,相对于空域直接融合,取得了较好的效果,但基于区域特性的融合规则大大增加了运算量。近年来,多尺度几何分析开始应用于图像处理领域[7],该理论的发展将为图像融合技术提供新的思路和解决方案。

参考文献:

[1] 敬忠良,肖刚,李振华.图像融合―理论与应用[M].北京:高等教育出版社,2007:10.

[2] Shi Wenzhong, Zhu ChangQing, Tian Yan.Wavelet-based Image Fusion and Quality Assessment[J].International Journal of Applied Earth Observation and Geoinformation,2005(6):241-251.

[3] 李伟.像素级图像融合方法及应用研究[D].华南理工大学博士论文,2006.

[4] 孙延奎著,小波分析及其应用[M].北京:机械工业出版社,2005.

[5] 胥妍.基于小波变换技术的图像融合方法的研究与应用[D].山东师范大学硕士论文,2008.

图像法论文篇8

关键词：视觉文化；语图关系

本雅明在《机械复制时代的艺术作品》中宣称，社会和文化机械复制时代的艺术已经取代了传统社会那种“讲故事”的传统。本雅明对“讲故事”传统的日渐衰落感到惋惜，对以电影为代表的机械复制时代新艺术的到来持欢迎态度。文中所描述的电影是新视觉文化的代表，这种文化表征代替了以说故事和阅读的话语文化趋势，这不只是电影本身的力量或胜利，更意味着电影以图像或影像来传递信息、解释世界或感悟事件的方式变得越来越重要，或者可以说，视觉理解和解释变成我们理解世界的主要方式。从文化研究的角度来看，这是一个由从语言中心的文化向图像中心的文化的深刻转变。

一、视觉文化的定义及研究方法

贝尔在1976年的著作《资本主义文化矛盾》中就预言：“我相信，当代文化正在变成一种视觉文化，而不是一种印刷文化，这是千真万确的事实。”①视觉文化中的“视觉”既可以被定为“图像”又可以被理解为“眼睛的观察能力”，这并不意味着视觉文化研究是混乱的，从“图像”角度来研究可以返观眼睛的“观看能力”，所以在视觉文化研究中，不能片面强调“视觉”的某一个方面，应该把“视觉”相关的“视觉”和“观看能力”联系在一起。所以视觉文化是一种以图像为主因来表达理解和解释事物的文化形态，它既包含书面印刷文化，又与其处在对立的立场之上，形成了一种互为涵摄的复杂关系。

周宪认为“从逻辑层面说，视觉文化是一种图像的文化，它的相对概念是一种话语的文化；从历史的层面看，视觉文化和当代传媒的发展以及消费社会的趋向关系密切。”②作为跨学科的领域，视觉文化研究兴起于20世纪80年代后期，“视觉文化研究”不是一般意义上的针对“视觉”或“视觉文化”的研究，而是一种针对“视觉性”的文化研究，是对“视觉性”进行的一次后现代质疑。视觉文化研究的对象并非视觉产品本身，而是隐藏在一切文化文本中的“视觉性”，而对构成视觉性的“视觉政体”的解构和批判。

关于视觉文化研究的具体定义存在争议，不像文化学研究那样过分重视社会意义，缺少马克思主义研究方法的政治说教，而更偏向本雅明和罗兰巴特的那种偏重于视觉问题的艺术史研究方法。

二、西方视觉哲学的发展

看是人的一种日常行为，在不同的历史时期人们都可以遇到视觉文化，每一个时代都存在者绘画、雕塑、建筑等等各种视觉艺术的繁荣时期，每个时代的人们都会接触到来自不同方面的图像符号。到了现代，大众传媒渗透到社会生活的各个方面，难以计数的图像符号开始占据人类生活中最醒目的位置，并对人们的思维方式、生活方式、审美趣味、情感状态产生了深远的影响。

图像化并非专属于现代和后现代图景中的状况，在古希腊时期，柏拉图和亚里士多德建立了感官等级制度，确立了视觉隐喻在古希腊世界中处于核心地位，确立了西方哲学的视觉中心主义传统。

对视觉文化的分析主要是从艺术史中显现出来的，在西方马克思主义、法兰克福学派、苏联时期展开的符号语言学和后结构主义的影响下，后者试图跳出形式主义的框架，从而把注意力转向艺术作用的社会环境。70年代晚期和80年代早期，对艺术品的分析与意识形态联系起来，根据福柯对权利和监督的解释和罗兰巴特的符号学，阿尔都塞的认识论来解释艺术品，图像是对权利的实现，而不是对权利的表达。

在80年代晚期和90年代早期，美国的哲学家和艺术史家出版了一系列的著作，这些著作致力于研究视觉转向、凝视、视觉霸权、视觉中心论等。但事实上，拉康、萨特和福柯都是以反视觉中心主义的，目的就是为了证明视觉也是权利的方式，或者是终将战胜想象，达到符号的标准。

进入20世纪之后，现代传媒的高度发展，尤其是电影、电视到商品广告的影像文化开始全面渗透进我们的日常生活，这也启发了哲学对视觉的重新重视，由此产生了一种反视觉的倾向，在法国尤其兴盛，自柏格森开始，到萨特、梅洛・庞蒂和列维纳斯，再到拉康、福柯、德里达和巴塔耶等，都对视觉中心提出了质疑。拉康和福柯是代表人物，他们的观点也成为后来视觉文化研究围绕的核心。拉康在20世纪30年代提出的“镜像阶段”理论是对柏拉图的“洞穴比喻”的改写，这促使视觉文化研究围绕质疑视觉中心来进行。

目前，西方视觉文化理论有西方研究学者对视觉文化的研究方法有很多总结，包括巴拉兹对视觉文化的界定、贝尔的资本主义文化矛盾、齐美尔的都市文化与视觉互动、本雅明的“机械复制”、马尔维的男性凝视研究、福柯的后现代与凝视理论、米歇尔的图像理论、伯曼的有关现代主义和后现代主义的阐释、杰姆逊的后现代主义和视觉文化的论述、波德里亚的仿像和超现实性理论等。

豪厄尔斯在《视觉文化》一书中还总结出了偏重视觉文本主题和内容分析的图像学方法、偏重视觉文本表达形式的研究法、意识形态研究法、艺术史研究法、符号学研究法和解释学研究法等等。此外，神话学、精神分析、结构主义和解构主义等都可以用于视觉文化研究。

目前国内对视觉文化大多从批评角度来研究，注重视觉文化对传统纸质文化的倾覆、与大众文化合流、感官刺激和身体崇拜等，及由此带来的审美能力和阅读能力的衰退等等，但却缺少理论上的构建。

三、读图时代的文图之争

米歇尔・德赛图曾在《日常生活实践》一书中提到：“从电视到报纸、从广告到各类商业形象，我们的社会充斥着像癌症一样疯长的视觉形象，所有东西的价值都取决于显示或被显示的能力，谈话也被转化为视觉过程。这是一种眼睛的史诗，阅读冲动的史诗。”③随着技术的不断进步，以互联网为代表的图像文化日渐发达，人们越来越多地依赖图像来理解世界。图像符号无所不在，甚至影响到了人们的语言能力和理解能力，图像对文学的排挤也越来越严重。可以说，图像危机已经成为我们不得不面对的重大考验。

有人形象地把这个时代称之为“读图时代”，读的本应该是文字，但是当下阅读不再局限于文字，而是包括了图像，人们甚至更热爱“阅读”图像。从广义上说，一切视觉影像都属于这种“阅读”的对象，“读图时代”这一表述揭示了图像成为我们“阅读”的重要领域。所谓“读图”，就是说印刷物本身的图像化趋向正在改变我们的阅读习惯，把目光转向种种替代或诠释文字的图像。“读图”正在成为当代文化的一种趋势。

视觉文化研究不仅涉及到印刷文化，更多的是对眼睛的“观看能力”的研究。从本雅明对电影的研究中也指出了以电影为代表的新艺术正在占据越来越重要的位置。视觉文化时代正是影视产业空前发达的时代，在影视作品的巨大冲击下，纯文学读物面临着“边缘化”的趋势，人们对文学作品的了解更多地是通过影视作品。更值得注意的是，文学的“电影化”趋向越来越明显，“电影化”同时也“成就”了文学。在过去，文学作品或电影剧本很大程度上决定着电影的质量，文学性是电影性的基础，在今天视觉文化时代，则变成是电影为文学“增势”。

这一关系的转变意味着文学本身的进一步衰落和边缘化。可以说，文学很大程度上不再依赖语言价值获得成功，文学正在遭到来自非文学力量的打压。因此，有人说文字的魅力要靠图像来增色是文学衰落的前兆，在视觉文化时代，文字正在慢慢地沦为图像的脚注。在“文图相争”的过程中，图像成为主角，而文字不得不担当配角。

这种说法虽然有一定的道理，但指示对某种现象的总结，而不是对当代视觉文化中“文图相争”现象的深度探讨。

图像看似凌越在文字之上，但图像的表达却有局限性。图像凌越文字表明了视觉文化与感性的、直观的和的文化之间的内在联系。从对阅读文字的快乐转向观看图像的乐趣，揭示了社会文化的转变逻辑。语言是线性的、抽象的和思考性的，阅读语言可以引起读者的反思，同时也为读者提供了更多的想象空间。而影视图像的传递是单向的，是从影视作品到观众；图像是动感的，而文字是静态的，图像提供了感性直观的当下体验，同时也让观众失去了深度思考的机会。

在网络上红极一时的视觉诗是当代文图相争关系的最好写照，视觉诗是一种通过对文字的特殊排版以产生特殊视觉效果的诗体。从表达形式上看来，这是图像对文字凌越的产物，但实际上却证明了图像的表达作用离不开文字。

图表1 《出口》

《出口》这首诗写的是警报拉响后，在狭窄的出口，人群挤在一起，没有人能走得出去。作者用几十个“人”字和许多动词“挤”“踩”“骂”“掀”等叠放在一起，呈现了一副混乱的图画，直观地再现了当时人群的骚动。如果没有最后的点睛之笔“没有一个人出的去”，之前文字排列而成的形状便毫无文学价值可言。大多数的视觉诗的文学价值都产生于文字对文本图像形式的描述，这可以说明虽然视觉诗中文字以图像的形式而存在，但最终的结果还是文学语言借助图像这一形式实现了自身更好的表达，图像反而成为语言的表达工具。

赵教授曾经总结道：“语图互文的体现在语言和图像的互仿中，语言失去的只是自身的非直观性，它所得到的却是‘图像直观’这一忠诚的侍臣。”④视觉诗中“形式”虽然功不可没，但如果“图文不符”就毫无意义，图像的意指功能也要依靠文字的解释来完成。

当前我们正处在读图时代，技术的发展日新月异，语图的结合会更加紧密，会出现更多的新元素为文学创作增色添彩。视觉诗融合了绘画、文学、设计等多个艺术门类，是富有创造性的文学形式，也会随着时代的变化迎来新的面貌。读图时代，我们会为文学的命运感到担忧，但视觉诗等文学形式的繁荣证明文学不会走向没落，反而会借助强势的图像迎来新的发展。（作者单位：四川大学）

注解：

① 转引自高燕：《视觉隐喻与空间转换――思想史视野中的当代视觉文化》，复旦大学出版社2009年版，第122页。

② 周宪：文化的转向：当代传媒与视觉文化看的方式与视觉意识形态[J].福建论坛・人文社会科学版，2001年第3期，第21页。

③ 德赛图.日常生活实践[C]陆扬，译.大众文化研究.北京：三联书店，2001：91

④ 赵.语图互仿的顺势与逆势――文学与图像关系新论[J].中国社会科学，2011（3）：171-184.

参考文献：

[1] 高燕：视觉隐喻与空间转换――思想史视野中的当代视觉文化[M].复旦大学出版社2009年版

[2] 周宪：文化的转向：当代传媒与视觉文化看的方式与视觉意识形态[J].福建论坛・人文社会科学版，2001年第3期：21-23

[3] 周宪.视觉文化与消费社会[J].福建论坛（人文社会科学版），2001，（2）：29-35

图像法论文篇9

【关键词】扫描地形图；SSR算法；匀光

引言

当前城市变化日新月异，城市环境也同步变迁，为了更好的服务于城市的整体规划布局，参考本城市的历史地形图便成为一项非常有现实意义的工作。历史地形图是以大量纸质地形图的形式存在，年代久远，经扫描成电子地形图后，往往存在图面亮度分布不均，并不同程度的存在折痕，从而造成图面质量不佳。因此对这些数量庞大的灰度图进行快速匀色处理，以提高图面质量，成为一个现实而且急迫的问题。

图像增强的常用方法，有直方图均衡法、直方图规定化及非线性拉伸方法。直方图均衡化法对整幅图像进行全局增强，效果不易控制，不能有重点的突出图像信息；直方图规定化方法，虽然从理论上可以增强图像中的特定信息，但实际上对于如何选择一种有效的直方图却很困难；而非线性拉伸方法，可以突出特定信息，但会照成对比度过于增强。以上几种方法，对于直方图中间突起的扫描地形图有其很大的局限性，效果不理想。本文针对扫描地形图自身特点，采用正态截取拉伸单尺度Retinex（SSR）算法对图像进行了增强处理，提高了对比度，获得了很好的视觉效果，同时便于实时化。

一、Retinex理论与单尺度Retinex理论

1 Retinex理论

Retinex理论[1，2]是基于色彩恒常的一种代表性计算理论，其全称是视网膜皮层理论（Retinal-cortex theory），最初由Land于20世纪70年代初提出。Retinex理论认为人类感知到的物体颜色与物体表面的反射性质有着密切的关系，而与投射到人眼的光谱特性关系不大.根据简单图像形成模型，一幅图像可以表示为

（1）

式中， 是图像中任一像素的坐标； 表示照度； 表示物体的反射特性； 则是反射光，其被图像传感器获取即形成图像。由于大气等的影响，使得 在不同条件下变化较大。由Retinex理论可知， 受 的影响要远大于 ，若能够从 中估计出 ，然后将其去除，就可以在不考虑照度发生变化的情况下还原出清晰的图像，这也正是Retinex理论付诸实现的理想所在。如果将 表示为纸质地形图对扫描仪光源的反射特性， 表示为大气对扫描仪光源的综合作用，那就可以采用式（1）来描述红外图像的成像过程。

自Retinex理论提出以来，E.H.Land、J.Frankle、J.McCann、D.J.Jobson等人从不同角度提出和发展了Retinex算法[1，2，3]。其中，较近的版本是Jobson等人提出的单尺度Retinex（SSR）算法，以及在此基础上发展起来的多尺度Retinex（MSR）算法。本文主要采用SSR算法来实现扫描图像的匀色处理。

2 SSR算法

由于待处理的图像是灰度图像，采用单尺度Retinex算法便可以较好地达到匀色要求。SSR算法可以表示为：

（2）

其中， 是Retinex的输出， 是图像分布，即 位置的亮度值，“*”表示卷积运算， 代表高斯模板卷积函数，其形式如式（3）所示。

（3）

式中： 为归一化常数， 为环绕尺度因子，使得 满足

（4）

因此，SSR的性能在很大程度上取决于环绕因子 。

二、SSR算法在扫描灰度图像中的应用

由式（3）可知， 的大小决定了卷积核的作用范围， 越大，则卷积核范围越大，在计算某一像素点时考虑的周围的影响范围就越大，则图像处理的整体效果就越好；反之则呈现局部锐化现象。经实验表明，当尺度因子 较小时，图像的局部细节较突出，可实现较大的动态范围压缩；当 较大时，图像细节突出不够，但整体效果较为自然。因此选择一个合适的尺度便成为相当重要的问题。

经SSR处理后图像的对比度和亮度通常较低，为了获取较好的显示效果，还需要进一步提高其亮度。线性对比度拉伸是一种简单有效的方法，对于扫描地形图，

（5）

其中， 和 分别为输入输出， 表示输出设备的动态范围，扫描地形图中该值为255， 和 分别为欲获取图像灰度值的最大和最小值。显然， 和 的选取将直接影响到SSR增强处理的效果。通过实验，可知SSR输出图像的直方图呈近似正态分布，因此可以通过计算灰度值的均值和方差来确定 和 。根据正态分布特性，取

（6）

这样，经正态截取拉伸SSR处理后，扫描地形图的对比度和亮度均得到了较大的提升，且具有良好的视觉效果。

整个算法流程如图1所示：

图1 基于单尺度的Retinex匀色处理算法流程图

其中， 为输入的扫描地形图， 为经过正态截取拉伸后获得的最终图像。

三、实验结果

扫描地形图图幅较大，达到3938×3938，故提取图幅中一块大小为300*300的区域予以说明。经前期实验，环绕因子 选取20，对图像采用正态截取SSR匀色处理。同时与传统的图像增强处理算法进行比较

四、结语

由于各个部门存在着大量的宝贵的纸质历史地形图，经扫描成电子地图后，越是年代久远的扫描地形图，越是存在着，对比度、亮度较低的问题，且由于纸质地形图通常都是折叠保存，故在扫描成电子地图后，不可避免的存在着折痕，因此，提高扫描地形图的亮度、对比度的同时，尽可能消除折痕便成了一项非常有现实意义的工作。本文提出了一种基于单尺度Retinex的扫描地形图的匀色处理算法，区别于传统的Retinex算法，在本文中，单独提取出反射率分量图像，对于图像对比度和灰度偏低的问题，采用了正态截取对比度线性拉伸方法，有效提高了对比度和亮度，获得了较好的视觉效果。

但由于图幅较大，数据量很多，采用传统的提取照度分量的方法，速度较慢，耗时较多，因此建议采用FFTW先对图像进行傅立叶快速变换，以获取照度分量，同时结合使用多cpu的多线程处理技术，从而最终达到实时处理目的。

参考文献：

[1] 王密.潘俊 一种数字航空影像的匀光方法 2004（9

图像法论文篇10

关键词：边缘检测；图像去噪；形态学；色差；模糊理论

中图法分类号：TP391

在图像获取和传输过程中，由于受图像摄取设备和传输设备的影响，图像中或多或少都存在着噪声，噪声的存在是影响人的视觉感官对图像分析和处理的关键因素之一，并且由于噪声一般情况是不可预测的随机信号，一般只能用概率统计的方法去认识噪声，因而在整个图像处理领域包括图像边缘检测中如何消除噪声的影响一直以来是许多研究人员努力致力于解决的问题。

多年来人们对消除包括图像边缘检测中噪声的影响进行了不懈努力，取得了许多研究成果[1][2]，但是由于图像边缘和噪声在图像中有着紧密的联系，首先是图像边缘和噪声在空间域方面灰度都有较大的变化值，其次在频域上都表示为高频信号，因而要很好地将在图像边缘的噪声提取出来，并不容易，为了进一步改善图像边缘检测中的消噪效果，本文对当前图像边缘检测中三类主要的消噪方法进行了研究。

1 基于形态学图像边缘检测中噪声的消除方法

将形态学应用于图像边缘检测中消除噪声，是将数学形态学作为工具从图像中提取对于表达和描绘区域形状有用的边缘图像分量，由于采用结构元素的方法实现其边缘检测，因而能从形态上将噪声和边缘就能区别出来，具体过程中主要采用形态学梯度的方法，但单一的基于广义形态边缘检测算子[3]在噪声污染较严重时能将噪声和图像边缘较好检测出来，但在噪声污染不是很严重时效果并不理想，文献[4]采用在多尺度中运用非均值加权的方法结合形态学中各结构元素的相异性，在广义形态学的基础上提出了在图像边缘检测中采用多方向多尺度非均值加权的方法，该方法不仅对解决图像边缘和噪声不易分开的问题起了重要作用，而且对无方向性的噪声能有效抑制，对有方向性的边缘也能有效检测出，但此算法速度较经典算子慢，实现也较复杂，如何寻找高效、简便的算法仍然是以后的目标。

2 基于色差图像边缘检测中噪声的消除方法

传统的边缘检测基本上是通过处理灰度图像来进行图像边缘检测的，即使是彩色图像也要转化为灰度图像，而现在的数字图像大多数都是彩色图像，由于传统图像边缘检测算法没有考虑色彩信息，因而在彩色图像边缘检测中效果并不如人意，虽然近年来，人们对彩色图像边缘检测进行了大量研究，但大多数边缘检测算法都是在原有灰度梯度算子上的基础上用色差代替亮度差，通过比较固定阈值和算子模板内核值差，来判断边缘点的方法进行改进的[5][6]，由于这些算法对阈值的选取都是在整个图像处理中采用的一个固定的色差阈值，因此会造成人眼对图像边缘和噪声难以分辨，对本来是视觉不敏感的区域也当成边缘检测出来，将本来不是边缘点判断为边缘点，为了解决上述问题，出现了一些改进方法，如文献[7]以计算每个像素邻域点均值亮度为基础，分别构造了两个权重函数，将原色彩梯度算子中亮度差进行改进，用Lab色差进行代替，最后将所得的色差阈值在基于色差的几种典型算子中进行实验，实验证明此算法能有效地将边缘和噪声分离出来，以前算法中由于噪声而引起的干扰信息大大降低，但是此算法虽然通过将噪声和边缘分离，对图像边缘检测的性能也有所提高，但实现比较复杂，运算量较大，速度较慢并且其自适应局部色差可视阈值的实现并不容易，其效率还有待提高。

3 基于模糊理论图像边缘检测中噪声的消除方法

模糊理论（FuzzyTheory）是指运用连续隶属度函数和模糊集合基本概念的理论，而由于实际的数字图像边缘中有许多模糊的数据，这刚好和人类视觉感受图像边缘的特性相符合，这也就是人类通过自身视觉感官的模糊性和图像边缘的模糊性来成功判断图像边缘的原因，目前模糊理论运用于图像边缘检测噪声消除中已取得了一些进展[8]，但这些算法对噪声消除方面效果并不明显，基本上都是在某一个范围内对消除噪声有一定效果，并且在图像边缘检测中对边缘点检测的正确率较低，存在有较多的漏检点，后来研究人员又进行了深入研究作了许多改进，在消除图像边缘检测中噪声影响方面，有了一定提高，如文献[9]采用非重叠层窗口将模糊矩阵分块，再通过模糊图像增强提高图像各区域之间的层次性，让边缘点更清晰，从实验效果来看，能有效地抑制噪声，也能明显消除噪声点，相比其他方法有着较强的抗噪性能，但此方法依然存在诸多问题，首先是此算法运算量大，速度慢，没有进行降噪预处理，当噪声不是很强时，效果还是较好的，但当噪声较强时效果大大折扣，同时迭代次数过多会使得边缘细节消失，在隶属度定义中和非线性变换中，都还存在缺乏适应性问题，在边缘提取算子方面，也还需要选取更适合的算子，但是人类眼与脑多年的进化形成的一套适合在各种条件下识别各种物体轮廓的机制，用模糊逻辑来表示是最合适不过的了，因此将模糊理论运用于图像边缘检测将是一个有希望的研究方向。

4 结论

图像边缘检测是图像分析和理解的重要内容，也是图像处理中一项重要课题，而消除其噪声影响将对提高图像边缘检测效果有着重要作用，本文对边缘检测中几类主要的消噪方法进行了研究，但这几类方法都不是通用的算法，要研究出通用的算法，就要采用多种方法相结合，如文献[10]将模糊理论和形态学方法相结合，降噪效果相比模糊理论和形态学单独运用于图像边缘检测任何一种都好，因此将各类方法优势互补应用于图像边缘检测，将是以后图像边缘中消除噪声研究的主要方向。

本文就图像边缘检测中消除噪声影响的各类主要方法作出了详尽论述，这些研究有助于深入理解图像边缘检测中噪声的本质，从而促进人们对现有方法进行改进。

参考文献：

[1]Bai X Z，Zhou F.Edge detection based on mathemat ical morphology and iterat ive thres holding[A].2006 Internat ional Conf erence on Computational Intelligence and S ecu rity.NY：IEEE，2006：1849-1852.

[2]Li Z H，Yan g Y P，Jian g W.Multi Scale morphologic t racking approach for edge detect ion[A].The 4th Internat ional Conf erence on Image and Graphics.NY：IEEE，2007：358-362.

[3]杨述斌，彭复员.噪声污染图像中的广义形态边缘检测器[J].计算机工程与应用，2002，17：91-92.

[4]王亮亮，李明，高昕.基于多方向多尺度的强噪声图像边缘检测算法[J].飞行器测控学报，2010，4（29）：33-36.

[5] Zeng J and Li D.Color image edge detection method using VTV denoising and color difference[J].Optik-International Journal for Light and Electron Optics，2011，doi：10.1016/j.ijleo.2011，10.0093.

[6]曾俊，李德华.彩色图像SUSAN边缘检测方法[J].计算机工程与应用，2011，47（15）：194-196.

[7]杨娴，李勃，丁文，陈启美.基于局部自适应色差阈值的彩色图像边缘检测[J].电子与信息学报，2012，9（34）：2058：2063.

[8]罗玉玲，唐贤英.基于阈值优化的图像模糊边缘检测算法[J].微计算机信息，2007，23：286-288.

[9]刘小凤.基于模糊理论的图像边缘检测[J].人工智能及识别技术，2012，22：77-79.

[10]王佐成，唐素，薛丽霞，张喜平，杨帆.改进的模糊形态学边缘检测算法[J].计算机工程与应用，2011，16：185-188.

作者简介：刘笃晋（1971-），男，四川渠县人，四川文理学院计算机科学系，助教，硕士，研究方向：数字图像处理、模式识别。