【文章內(nèi)容簡介】 改進(jìn)算法的 仿真結(jié)果 利用改進(jìn)的局域最均勻平滑濾波方法對細(xì)胞圖像進(jìn)行了平滑處理 ,經(jīng)過兩遍平滑處理后 ,平滑效果在視覺上基本一致 ,邊沿銳度及模糊度均與原算法相一致 . 圖 21 仿真結(jié)果 (a) (b) (c) 圖 21 仿真結(jié)果 ,(a)原始圖像，（ b)算法 2 平滑結(jié)果， (c)算法 1 平滑結(jié)果 第 3 章 基于 頻域 的圖像去噪方法 頻域增強(qiáng)的原理 卷積定理是頻域技術(shù)的基礎(chǔ)。設(shè)函數(shù) f(x,y)與線性位不變算子 h(x,y)的卷積結(jié)果是 g(x,y)，即 ? ? ? ? ? ?yxfyxhyxg , ?? ， 那么根據(jù)卷積定理 在頻域有： ? ? ? ? ? ? ? ?1, vuFvuHvuG ? 其中 G(u,v)， H(u,v)， F(u,v)分別是 g(x,y)， h(x,y)， f(x,y)的傅立葉變換。用線性系統(tǒng)理論的話來說， H(u,v)是轉(zhuǎn)移函數(shù)。 在具體的增強(qiáng)應(yīng)用中， f(x,y)是給定的，需要確定的是 H(u,v)，這樣具有所需特性的 g(x,y)就可由式（ 1）算出 G(u,v)而得到： ? ? ??Fyxg , g(x,y)=F1? [H(u,v)F(u,v)] ??2 根據(jù)以上討論，在頻率域中進(jìn)行增強(qiáng)是相當(dāng)直觀的，其主要步驟有： ； 1個轉(zhuǎn)移函數(shù)相乘； 。 巴特沃斯低通濾波 巴特沃斯低通濾波的 原理 n 階巴特沃斯低通濾波器函數(shù)由下式?jīng)Q定： ? ? ? ? ? ?3,11, 20 ???????????????????? nDvuDvuH （ 3） 巴特沃斯特性為連續(xù)性衰減 ,而不像理想低通衰減器那樣陡峭和明顯的不連續(xù)性。采用該濾波器在抑制噪聲的同時，圖像邊緣的模糊程度大大減小，沒有振鈴現(xiàn)象產(chǎn)生。 基 于 MATLAB巴特沃斯低通濾波的代碼實現(xiàn)及分析 J = imread(39。39。)。 % 讀入原始圖像 I = imnoise(J,39。salt amp。 pepper39。)。 %加入椒鹽噪聲 figure, imshow(J) 。 figure, imshow(I) 。 %顯示預(yù)處理圖像 f=double(I)。 g=fft2(f)。 %傅立葉轉(zhuǎn)換 g=fftshift(g)。%轉(zhuǎn)換數(shù)據(jù)矩陣 [N1,N2]=size(g)。 n=2。 d0=50。 n1=fix(N1/2)。 n2=fix(N2/2)。 for i=1:N1 for j=1:N2 d=sqrt((in1)^2+(jn2)^2)。 h=1/(1+*(d/d0)^(2*n))。%計算 butterworth低通轉(zhuǎn)換函數(shù) result(i,j)=h*g(i,j)。 end end result=ifftshift(result)。 x2=ifft2(result)。 x3=uint8(real(x2))。 figure,imshow(x3)。 （ a） （ b） （ c） 圖 3－ 1 butterworth 低通濾波 ,(a)(原始圖像，（ b)加入椒鹽噪聲的圖箱， ( c) butterworth 低通濾波的圖像 顯然， 比較以上三 個 圖可以看出處理后噪聲大大減弱 。 巴特沃斯高通濾波 巴特沃斯高通濾波的 原理 n階巴特沃斯低通濾波器函數(shù)由下式?jīng)Q定： ? ?? ?? ?4,11, 20 ???????????????? nvuDvuH D （ a） （ b） （ c） 圖 3－ 1 butterworth 低通濾波 ,(a)(原始圖像，（ b)加入椒鹽噪聲的圖箱， ( c) butterworth 低通濾波 的圖像 基于 matlab巴特沃斯高通濾 波的代碼實現(xiàn)及分析 J= imread(39。39。)。 % 讀入原始圖像 figure,imshow(J)。 I = imnoise(J,39。salt amp。 pepper39。)。 %加入椒鹽噪聲 figure, imshow(I) 。 %顯示預(yù)處理圖像 f=double(I)。 g=fft2(f)。 %傅立葉轉(zhuǎn)換 g=fftshift(g)。 %轉(zhuǎn)換數(shù)據(jù)矩陣 [N1,N2]=size(g)。 n=2。d0=50。n1=fix(N1/2)。 n2=fix(N2/2)。 for i=1:N1 for j=1:N2 d=sqrt((in1)^2+(jn2)^2)。 if d==0 h=0。 else h=1/(1+(d0/d)^(2*n))。 %計算 butterworth低通轉(zhuǎn)換函數(shù) end result(i,j)=h*g(i,j)。 end end result=ifftshift(result)。 x2=ifft2(result)。 x3=uint8(real(x2))。 figure,imshow(x3)。 （ a） （ b） （ c） 圖 3－ 2 butterworth高通濾波去噪圖像 （ a）原始圖像，（ b）加入噪聲圖像， butterworth高通濾波去噪圖像 從圖中可以看出，圖像比較昏暗，很多細(xì)節(jié)都看不清了。這是因為如前所述，圖像的大部分能量集中在低頻區(qū)域，經(jīng)過高通濾波后，雖然各區(qū)域邊界得到了增強(qiáng)，但是圖像 中的低頻部分被濾波，原圖的灰度動態(tài)范圍被壓縮，所以圖像比較昏暗。 第 4 章 基于 小波域 的圖像去噪方法 小波閾值去噪 傳統(tǒng)的閾值化方法 傳統(tǒng)的閾值化方法 總分為兩類： 軟閾值化是： ? ? ? ? ? ?10s g n???? ???????WWWWW 而硬閾值化是： ? ?20 ??? ?????? WWWW 其中：δ為閾值， W為小波系數(shù) 矩陣。 采用軟閾值化為 0時，雖然保持連續(xù)、無斷點，不會發(fā)生奇變，但是它對絕對值大于閾值δ的小波系數(shù)用δ來縮減，使圖像失真；而采用硬閾值化 0時，在跳躍點處產(chǎn)生奇變，在圖像上引起高頻變化，其優(yōu)點是對絕對值大于閾值 D的小波系數(shù)，保留的小波系數(shù)與原始系數(shù)相同，使圖像保真。總的來說，硬閾值方法可以很好保留圖像邊緣等局部特征；而軟閾值方法處理結(jié)果則相對平滑得多，但可能會造成邊緣模糊等失真現(xiàn)象。這種方法我們具體應(yīng)用在印刷品圖像檢測系統(tǒng)中。由于在圖像處理時需多次用到圖像的重要控制信息，如邊緣信息等，故選用硬閾值化方法去除圖 像噪聲。 閾值的選取 閾值的選取是個關(guān)鍵問題。因為閾值選得過大，會造成有用的高頻信息（如邊緣信息）丟失，使圖像變得模糊；而閾值選得過小，又會保留過多的噪聲，使去噪效果不明顯。目前使用的閾值可以分成全局閾值和局部適應(yīng)閾值兩類。全局閾值是對各層所有的小波系數(shù)或同一層內(nèi)的小波系數(shù)都是統(tǒng)一的；而局部適應(yīng)閾值是根據(jù)當(dāng)前系數(shù)周圍的局部情況來確定閾值。 全局閾值主要有以下四種： δ =σ Nln2 ，其中σ為噪聲標(biāo)準(zhǔn)方差， N 為信號的尺寸或長度 分布的置信區(qū)間閾值 分析上述四類方法，方法 1和 2在去噪過程中，存在“過扼殺”小波系數(shù)，容易造成較大的重建誤差。方法 3 和 4 是需要預(yù)先知道原信號的，因為我們研究的應(yīng)用場合是印刷品質(zhì)量檢測系統(tǒng)，圖像的原信號我們是可以預(yù)先知道，所以后兩種方法較為合適。本文采用理想閾值法中的 GCV（ GeneralizedCross Validation） 閾值公式求取最優(yōu)閾值。用這種方法得到的閾值趨向于理想閾值，而且不需要對噪聲方差進(jìn)行估計。 GCV 閾值： ? ? ? ? ? ?31,m i n202??????????NT NNJJGC V ? ?? 其中， N 是某一系數(shù)層中小波系數(shù)的個數(shù) ,N0代表信號在閾值萎縮中被置為0的系數(shù)個數(shù)， ω 和 ω δ 分別代表帶噪小波系數(shù)和閾值萎縮后的系數(shù)。 算法 圖像經(jīng)過小波變換后，能量主要集中在最低分辨率子帶圖像上，而圖像的加性隨機(jī)噪聲經(jīng)過小波變換后，能量則分散在各個高分辨率子帶圖像上。因此，若設(shè)定一個閾值，將絕對值小于閾值的小波系數(shù)當(dāng)作噪聲去除，從而達(dá)到去噪的效果?；谛〔ㄗ儞Q的圖像去噪是由以下三個主要步驟來完成的： 處理 ，從而得到降噪圖像 具體算法的提出 : 圖像的噪聲有很多種，可以分為兩大類：加性噪聲和乘性噪聲。在實際應(yīng)用中，圖像的噪聲一般是加性的高斯白噪聲，這樣圖像含噪模型可以建立：? ? ? ? ? ? ? ?4, yxyxfyxg ??? 其中： f(x,y)為原始圖像， g(x,y)為含噪圖像， δ(x,y) 為加性高斯白噪聲。