图像滤波论文英文文献

是的格式的更好的发生过

Canny边缘检测教程 作者：比尔绿色（ 2002 ） 主页电子邮件 本教程假定读者： （ 1 ）知道如何发展的源代码阅读栅格数据 （ 2 ）已经阅读我Sobel边缘检测教程 本教程将教你如何： （ 1 ）实施Canny边缘检测算法。 导言 边的特点，因此，边界问题，根本的重要性在图像处理中。在图像的边缘地区，强度强的反差？猛增强度从一个像素的下一个。边缘检测的图像大大减少了大量的数据，并过滤掉无用的信息，同时保持重要的结构性能的形象。这也是我在索贝尔和拉普拉斯边缘检测教程，但我只是想再次强调这一点的，为什么您要检测的边缘。 的Canny边缘检测算法是众所周知的许多人视为最佳边缘检测。精明的意图是要加强许多边缘探测器已经在的时候，他开始了他的工作。他很成功地实现他的目标和他的思想和方法中可以找到他的论文“计算方法的边缘检测” 。在他的文件中，他遵循的标准清单，以改善目前的边缘检测方法。第一个也是最明显的错误率低。重要的是，发生在图像边缘不应错过的，没有任何反应，非边缘。第二个标准是，边缘点很好地本地化。换言之，之间的距离边缘像素作为探测器发现和实际边缘要在最低限度。第三个标准是，只有一个回应单一优势。这是第一次实施，因为并没有实质性的2足以完全消除的可能性，多反应的优势。 根据这些标准， Canny边缘检测器的第一个平滑的图像，以消除和噪音。然后认定的形象，以突出地区梯度高空间衍生物。该算法然后轨道沿着这些地区和抑制任何像素这不是在最高（ nonmaximum制止） 。梯度阵列现在进一步减少滞后。磁滞用来追踪沿其余像素，但没有压制。磁滞使用两个阈值，如果规模低于第一道门槛，这是设置为零（发了nonedge ） 。如果是规模以上的高门槛，这是一个优势。如果震级之间的2阈值，那么它设置为零，除非有一条从这个像素一个像素的梯度上述时刻。 第1步 为了落实Canny边缘检测算法，一系列步骤必须遵循。第一步是筛选出任何噪音的原始图像在寻找和发现任何边缘。而且因为高斯滤波器可以用一个简单的计算面具，它是专门用于在Canny算法。一旦合适的面罩已计算，高斯平滑可以用标准的卷积方法。阿卷积掩模通常远远小于实际的形象。因此，该面具是下跌的形象，操纵一个正方形像素的时间。较大的宽度高斯面具，较低的是探测器的敏感性噪音。定位误差检测边缘也略有增加的高斯宽度增加。高斯遮罩使用我在执行下面显示。 第2步 经过平滑的形象，消除噪音，下一步就是要找到优势兵力，采取梯度的形象。的Sobel算子进行二维空间梯度测量的形象。然后，大约绝对梯度幅度（边缘强度）各点可以找到。 Sobel算子的使用对3x3卷积口罩，一个梯度估计在X方向（栏）和其他的梯度估计的Y方向（行） 。它们如下所示： 的规模，或EDGE强度，梯度近似然后使用公式： | G | = | GX的| + |戈瑞| 第3步 寻找边缘方向是小事，一旦梯度在X和Y方向是众所周知的。然而，你会产生错误时sumX等于零。因此，在代码中必须有一个限制规定只要发生。每当梯度在x方向等于零，边缘的方向，必须等于90度或0度，取决于什么的价值梯度的Y方向等于。如果青的值为零，边缘方向将等于0度。否则边缘方向将等于90度。公式为寻找边缘方向是： 论旨= invtan （戈瑞/ GX的） 第4步 一旦边缘方向众所周知，下一步是与边缘方向为方向，可以追溯到在一个图像。因此，如果一个5x5像素图像对齐如下： x x x x x x x x x x x x 1 x x x x x x x x x x x x 然后，可以看到看像素的“ A ” ，只有4个可能的方向时，描述了周围的像素- 0度（水平方向） ， 45度（沿积极对角线） ， 90度（垂直方向） ，或135度（沿负对角线） 。所以，现在的边缘方向已经得到解决纳入其中四个方向取决于哪个方向，它是最接近于（如角被发现有3度，使零摄氏度） 。认为这是采取了半圆形和分裂成5个地区。 因此，任何先进的方向范围内的黄色范围（ 0至5月22日＆ 至180度）设置为0度。任何先进的方向下滑的绿色范围（ 至度）设置为45度。任何先进的方向下滑的蓝色范围（ 至度）设置为90度。最后，任何先进的方向范围内的红色范围（ 到度）设置为135度。 第5步 在被称为边缘方向， nonmaximum制止目前适用。 Nonmaximum抑制是用来追踪沿边缘方向和制止任何像素值（套等于0 ）这是不被认为是优势。这将让细线在输出图像。 第6步 最后，滞后是用来作为一种手段，消除条纹。裸奔是打破的边缘轮廓线的经营者造成的产量波动上面和下面的门槛。如果一个门槛， T1讯号适用于图像，并具有优势的平均强度相等的T1 ，然后由于噪声，将先进的情况下，逢低低于阈值。同样它也将延长超过阈值决策的优势看起来像一个虚线。为了避免这种情况，滞后使用2的门槛，高和低。任何像素的图像，其值大于表＃ t1推定为边缘像素，并标示为这种立即。然后，任何像素连接到这个边缘像素，并有一个值大于时刻还选定为边缘像素。如果您认为以下的优势，您需要一个梯度的时刻开始，但你不停止直到触及梯度低于表＃ t1 。

针对给出的图像（）或者自行选择的灰度图像： 1）：给图像分别添加高斯噪声和椒盐噪声。 2）：对加噪图像的中心区域（100*100）进行空间滤波，尽最大可能消除噪声。 3）：对加噪图像的中心区域（100*100）进行频域滤波，尽最大可能消除噪声。技术描述：对图像进行加高斯噪声和椒盐噪声处理；对包含高斯噪声和椒盐噪声的图片进行处理，使处理后的图像比原图像清晰。所需应用到的技术，包括：a>对图片加噪声b>选取中心区域c>对选取的区域进行降噪处理d>重新生成图像。e>构造高斯低通滤波器时用到了高斯公式：exp(-(u^2+v^2)/(2*(D0^2)))结果讨论：以下是对不同的滤波器针对不同噪点处理的测试结果。参考下面的试验结果，进行讨论：A(011)是使用fspecial('gaussian’)平滑空域滤波处理效果，不过效果不是最好，由于最大程度降噪，导致图像模糊；A(012)是频域滤波处理后的结果，因为使用了高斯低通滤波器，所以会有条黑线，处理一般；A(021)是使用medfilt2（）空域中值滤波器效果，降噪效果很不错，图像也很清晰；A(022) 是频域滤波处理后的结果，同A(012)，因为使用了高斯低通滤波器，所以会有条黑线，效果一般。试验结果: 高斯加噪和椒盐加噪处理图分别如下: 如图: 图(A00):原图 图(A01):高斯加噪 图(A011):对图(A01)进行中心100*100空域滤波 图(A012):对图(A01)进行中心100*100频域滤波（A0） （A01）（A011） (A012) 如图: 图(A00):原图 图(A02):椒盐加噪 图(A021):对图(A02)进行中心100*100空域滤波 图(A022):对图(A02)进行中心100*100频域滤波(A00) (A02) (A021) (A022)附录：源代码1 ：对高斯噪声的处理f=imread('');J=imnoise(f,'gaussian',);%添加高斯噪声%空域滤波r=[219 319 319 219];c=[129 129 229 229];BW=roipoly(J,c,r);h=fspecial('gaussian',[5 5]);A011=roifilt2(J,h,BW);figure,imshow(A011);%频域滤波f1=imcrop(fn,[129 219 99 100]);%截取100*100大小的窗口图片f2=[255 255];%建立一个新的图像f2=uint8(f2);f2=padarray(f2,[50 49],255);%将新建图像拓展到100*100的黑色图片f2=padarray(f2,[218 129],0);%在新建图片周围添加白色使之大小为moon图片的大小fn=fn-f2;%得到中心100*100区域内为黑色的moon图片PQ=paddedsize(size(f1));[u,v]=dftuv(PQ(1),PQ(2));D0=*PQ(2);hh=exp(-(u.^2+v.^2)/(2*(D0^2)));%构造高斯低通滤波器h1=dftfilt(f1,hh);A012=padarray(h1,[218 129],0);%将h1拓展到moon图片大小A012=uint8(A012)+fn;%得到中心100*100区域处理后的moon图片figure,imshow(A012);源代码2 ：对椒盐噪声的处理f=imread('');fn=imnoise(f,'salt & pepper',);%添加椒盐噪声%空域滤波f1=imcrop(fn,[129 219 99 100]);%截取100*100大小的窗口图片f2=[255 255];%建立一个新的图像f2=uint8(f2);f2=padarray(f2,[50 49],255);%将新建图像拓展到100*100的黑色图片f2=padarray(f2,[218 129],0);%在新建图片周围添加白色使之大小为moon图片的大小fn=fn-f2;%得到中心100*100区域内为黑色的moon图片h=medfilt2(f1,'symmetric');%对f1进行中值处理A021=padarray(h,[218 129],0);%将h拓展到moon图片大小A021=A021+fn;%得到中心100*100区域处理后的moon图片figure,imshow(A021);%频域滤波f1=imcrop(fn,[129 219 99 100]);%截取100*100大小的窗口图片f2=[255 255];%建立一个新的图像f2=uint8(f2);f2=padarray(f2,[50 49],255);%将新建图像拓展到100*100的黑色图片f2=padarray(f2,[218 129],0);%在新建图片周围添加白色使之大小为moon图片的大小fn=fn-f2;%得到中心100*100区域内为黑色的moon图片PQ=paddedsize(size(f1));[u,v]=dftuv(PQ(1),PQ(2));D0=*PQ(2);hh=exp(-(u.^2+v.^2)/(2*(D0^2)));%构造高斯低通滤波器h1=dftfilt(f1,hh);A022=padarray(h1,[218 129],0);%将h1拓展到moon图片大小A022=uint8(A022)+fn;%得到中心100*100区域处理后的moon图片figure,imshow(A022);

Zhu W , , Multiresolution watermarking for image and video 1999(04)2. Wang H-J , , Wavelet-Based digital image watermarking 1998(12)3. Swanson , , A Multimedia data embedding and watermarking technologies [外文期刊] 1998(06)4. Wolfgang , , E Perpetual watermarks for digital images and video 1999(07)5. Delaigle , B Watermarking algorithm based on a human visual model [外文期刊] 1998(03)6. Podilchuk , W Image-Adaptive watermarking using visual models [外文期刊] 1998(04)7. Shapiro J M Embedded image coding using zerotrees of wavelet coefficients [外文期刊] 1993(12)8. Zou H Discrete orthogonal M-Band wavelet decompositions [外文会议] 19929. Mallat , S Characterization of signals form multiscale edges 1992(07)10. Cox , , T Secure spread spectrum watermarking for multimedia [外文期刊] 1997

Digital ImageProcessing SecendEdition