【正文】 (5)to give an overview of the ponents contained in a typical, generalpurpose image processing system。 (3)to give an idea of the state of the art in image processing by examining some of the principal area in which it is applied。 and processing of image data for storage, transmission, and representation for autonomous machine perception. This chapter has several objectives: (1)to define the scope of the field that we call image processing。 posite ridgelet 1 Introduction Wavelet transforms have been successfully used in many scientific fields such as image pression, image denoising, signal processing, puter graphics,and pattern recognition, to name only a and his coworkers pioneered a wavelet denoising scheme by using soft thresholding and hard thresholding. This approach appears to be a good choice for a number of applications. This is because a wavelet transform can pact the energy of the image to only a small number of large coefficients and the majority of the wavelet coeficients are very small so that they can be set to zero. The thresholding of the wavelet coeficients can be done at only the detail wavelet deposition subbands. We keep a few low frequency wavelet subbands untouched so that they are not thresholded. It is well known that Donoho39。 wavelet transform。它們?cè)诮裉煲I(lǐng)著圖像處理某些最活躍的應(yīng)用領(lǐng)域。倫琴發(fā)現(xiàn)的，由于這一發(fā)現(xiàn)，他獲得了 I901 年諾貝爾物理學(xué)獎(jiǎng)。 X 射線是在 1895 年由威廉當(dāng)物體沿垂直于檢測(cè)器的方向運(yùn)動(dòng)時(shí)就產(chǎn)生一系列這樣的“切片”，這些切片組成了物體內(nèi)部的再現(xiàn)圖像。當(dāng) X射線源旋轉(zhuǎn)時(shí)，重復(fù)這一過(guò)程。計(jì)算機(jī)軸向斷層術(shù)是一種處理方法，在這種處理中，一個(gè)檢測(cè)器環(huán)圍繞著一個(gè)物體 (或病人 )，并且一個(gè) x射線源 (與檢測(cè)器環(huán)同心 )繞著物體旋轉(zhuǎn)。 進(jìn)行空間應(yīng)用的同時(shí)，數(shù)字圖像處理技術(shù)在 20 世紀(jì) 60 年代末和 20世紀(jì) 70年代初開(kāi)始用于醫(yī)學(xué)圖像、地球遙感監(jiān)測(cè)和天文學(xué)等領(lǐng)域。圖 顯示了由“旅行者 7號(hào)”于 1954 年 7 月 31 日上午 (東部白天時(shí)間 )9 點(diǎn) 09 分在光線影響月球表面前約 17 分鐘時(shí)攝取的第一張?jiān)虑驁D像 [痕跡 (稱為網(wǎng)狀痕跡 )用于幾何校正，在第 5章將討論該間題 ]，這也是美國(guó)航天器取得的第一幅月球圖像。利用計(jì)算機(jī)技術(shù)改善空間探測(cè)器發(fā)回的圖像的工作， 始于 1964 年美國(guó)加利福尼亞的噴氣推進(jìn)實(shí)驗(yàn)室。 第一臺(tái)可以執(zhí)行有意義的圖像處理任務(wù)的大型計(jì)算機(jī)出現(xiàn)在 20世紀(jì) 60年代早期。 圖 1929年從倫敦到紐約用 15級(jí)色調(diào)設(shè)備通過(guò)電纜 傳送的 Cenerale Pershing和 Foch的未經(jīng)修飾的照片 伴隨著這些技術(shù)進(jìn)步，大規(guī)模的存儲(chǔ)和顯示系統(tǒng)也隨之發(fā)展起來(lái)。諾依曼開(kāi)始，引發(fā)了一系列重要技術(shù)進(jìn)步，使得計(jì)算機(jī)以強(qiáng)大的功能用于數(shù)字圖像處理領(lǐng)域。今天，它是計(jì)算機(jī)的心臟。(2)條件分支。馮近兩個(gè)世紀(jì)以來(lái)的一些發(fā)展也奠定了計(jì)算機(jī)的基礎(chǔ)。事實(shí)上，數(shù)字圖像要求非常大的存儲(chǔ)和計(jì)算能力，因此數(shù)字圖像處理領(lǐng)域的發(fā)展必 須依靠數(shù)字計(jì)算機(jī)及數(shù)據(jù)存儲(chǔ)、顯示和傳輸?shù)认嚓P(guān)技術(shù)的發(fā)展。 剛才引用的數(shù)字圖像的例子并沒(méi)有考慮數(shù)字圖像處理的結(jié)果，這主要是因?yàn)闆](méi)有涉及到計(jì)算機(jī)。圖 所示的這種典型類(lèi)型的圖像就是用 15 級(jí)色調(diào)設(shè)備得到的。圖 就是用這種方法得到的圖像，對(duì)比圖 ，它在色調(diào)質(zhì)量和分辨率方面的改進(jìn)都很明顯。 這些早期數(shù)字圖像視覺(jué)質(zhì)量的改進(jìn)工作，涉及到打印過(guò)程的選擇和亮度等級(jí)的分布等問(wèn)題。為了用電纜傳輸圖片，首先要進(jìn)行編碼，然后在接收端用特殊的打印設(shè)備重構(gòu)該圖片。 數(shù)字圖像處理的起源 數(shù)字圖像處理最早的應(yīng)用之一是在報(bào)紙業(yè)，當(dāng)時(shí)，圖像第一次通過(guò)海底電纜從倫敦傳往紐約。這樣，本書(shū)定義的數(shù)字圖像處理的概念將在有特殊社會(huì)和經(jīng)濟(jì)價(jià)值的領(lǐng)域內(nèi)通用。在自動(dòng)分析文本時(shí)首先獲取一幅包含文本的圖像，對(duì)該圖像進(jìn)行預(yù)處理，提取 (分割 )字符，然后以適合計(jì)算機(jī)處理的形式描述這些字符，最后識(shí)別這些字符，而所有這些操作都在本書(shū)界定的數(shù)字圖像處理的范圍內(nèi)。這樣，在本書(shū)中，我們界定數(shù)字圖像處理包括輸人和輸出均是圖像的處理，同時(shí)也包括從圖像中提取特征及識(shí)別特定物體的處理。最后，高級(jí)處理涉及在圖像分析中被識(shí)別物體的總體理解，以及執(zhí)行與視覺(jué)相關(guān)的識(shí)別函數(shù) (處在連續(xù)統(tǒng)一體邊緣 )等。中級(jí)處理涉及分割〔 把圖像分為不同區(qū)域或目標(biāo)物 )以及縮減對(duì)目標(biāo)物的描述，以使其更適合計(jì)算機(jī) 處理及對(duì)不同日標(biāo)的分類(lèi) (識(shí)別 )。低級(jí)處理涉及初級(jí)操作，如降低噪聲的圖像預(yù)處理，對(duì)比度增強(qiáng)和圖像尖銳化。 從圖像處理到計(jì)算機(jī)視覺(jué)這個(gè)連續(xù)的統(tǒng)一體內(nèi)并沒(méi)有明確的界線。這一領(lǐng)域本身是人工智能的分支，其目的是模 仿人類(lèi)智能。例如，在這個(gè)定義下，甚至最普通的計(jì)算一幅圖像灰度平均值的工作都不能算做是圖像處理。有時(shí)用處理的輸人和輸出內(nèi)容都是圖像這一特點(diǎn)來(lái)界定圖像處理的范圍。因此，數(shù)字圖像處理涉及各種各樣的應(yīng)用領(lǐng)域。然而，人類(lèi)感知只限于電磁波譜的視覺(jué)波段，成像機(jī)器則可覆蓋幾乎全部電磁波譜，從伽馬射線到無(wú)線電波。在第二章，將用更正式的術(shù)語(yǔ)研究這些定義。當(dāng) x， y 和幅值 f 為有限的、離散的數(shù)值時(shí)，稱該點(diǎn)是由有限的元素組成的，沒(méi)一個(gè)元素都有一個(gè)特定的位置和幅值，這些元素稱為圖像元素、畫(huà)面元素或象素。 數(shù)字圖像處理方法的研究 1 緒論 數(shù)字圖像處理方法的研究源于兩個(gè)主要應(yīng)用領(lǐng)域 :其一是為了便于人們分析而對(duì)圖像信息進(jìn)行改進(jìn)；其二是為了使機(jī)器自動(dòng)理解而對(duì)圖像數(shù)據(jù)進(jìn)行存儲(chǔ)、傳輸及顯示。未來(lái)工作主要是考慮在復(fù)雜圖像應(yīng)用曲波復(fù)雜脊波。實(shí)驗(yàn)結(jié)果表明，復(fù)合脊波能夠提供比VisuShrink， Wiener 2和普通脊波更佳的去噪效果。復(fù)合脊波變換能提供光滑物體和物體邊緣接近理想稀疏性，這使得噪聲脊波閾值系數(shù)的高斯白噪聲去噪接近 最佳方法。復(fù)合脊波變換是通過(guò)一維二元樹(shù)復(fù)合小波變換轉(zhuǎn)換到 Radon 變換系數(shù)獲得。因此，就直線性和曲線的特征和高質(zhì)量的邊緣恢復(fù)方面言，復(fù)合脊波去噪產(chǎn)生的視覺(jué)更清晰的圖像降噪效果比VisuShrink、 普通脊波去噪和 Wiener 2濾波器都更好。這表明，通過(guò)二元樹(shù)復(fù)合小波結(jié)合脊波變換能得到圖像去噪意義的改善，復(fù)合脊波算法比 VisuShrink算 法對(duì)圖像的去噪效果更好，甚至更有意義的是在所有噪聲級(jí)別和測(cè)試圖像。 然而 ， 在這種情況下復(fù)合脊波去噪效果相當(dāng)不錯(cuò) 。 從表 1可看到 ， 復(fù)合脊波去噪算法優(yōu)于 VisuShrink， 普通脊波去噪和 Wiener 2。 j) A(j))2n22552 :。 PSNR定義如下： PSNR = 10 log10Pi。 wiener2函數(shù)適用于 Wiener濾波器（線性濾波器的一種）的圖像自適應(yīng)，剪裁圖像自身的局部圖像方差，信號(hào)的峰值信噪比（ PSNR）的實(shí)驗(yàn)結(jié)果見(jiàn)表 1。 在實(shí)驗(yàn)中使用著名的 Lena圖像，在圖像中將不同噪聲級(jí)別的高斯白噪聲加入到原始無(wú)噪聲圖像產(chǎn)生噪聲圖像。在某些情況下，獲得 峰值信噪比超過(guò)了脊波壓縮算法。惟一差異是采 用 一維 二元樹(shù)復(fù)合小波變換取代一維小波變換，在計(jì)算量上一維二元樹(shù)復(fù)合小波是一維標(biāo)量小波的兩倍。 （ 3）在同一點(diǎn)的圖像去噪的像素值取平均值。 復(fù)合脊波圖像去噪算法的描述如下： （ 1）把圖像分割成 R*R區(qū)域 ,兩相鄰區(qū)域相互垂直重疊 R/2*R 個(gè)像素 ,兩相鄰 區(qū)域水平重疊 R*R/2 個(gè)像素。當(dāng)噪聲δ小于 30 時(shí)，設(shè) k=5 為第一分解尺度并且設(shè)k=4 為其他分解尺度。當(dāng) |yλ |》 kδδ時(shí)，令 yλ =yλ，否則 yλ =0。 對(duì)于復(fù)合的脊波變換的閾值是類(lèi)似于曲波閾值，區(qū)別在于，當(dāng)取復(fù)合脊波系數(shù)尺度的閾值時(shí)，令 yλ是噪聲脊波系數(shù)。對(duì)于一個(gè) n*n 的圖 像，期望每個(gè)方向?yàn)?2n/R 的塊 ,這種分割方法會(huì)產(chǎn)生 4 倍的冗余。 復(fù)合脊波變換可以應(yīng)用于整個(gè)圖像，也可以把圖像分割成若干個(gè)相互重疊正方格并且每個(gè)正方格運(yùn)用脊波變換中。最后一步脊波變換，能夠用一維二元樹(shù)復(fù)合小波變換代替一維標(biāo)量小波變換。 普通的離散小波變換沒(méi)有平移不變性，當(dāng)信號(hào)輸入時(shí)一個(gè)小變化會(huì)導(dǎo)致不同的小波系數(shù)，為了克服這個(gè)問(wèn)題， Kingsbury 引入了一種新型的小波變換方法， 該變換稱為二元樹(shù)復(fù)合小波變換，他闡明了近似的 平移不變性和改善角分辨率。 以數(shù)字?jǐn)?shù)據(jù)為近似的 Radon 變換是基于離散快速傅里葉變換的。 離散脊波變換提供了兩個(gè)光滑物體和物體邊緣的稀疏性近乎理想的描述，它 是高斯噪聲去噪接近于理想方法。實(shí)驗(yàn)結(jié)果在第 3 節(jié)。 這篇文章大體是這樣的。 在脊波變換中結(jié)合了二元樹(shù)復(fù)合小波變換 ， 并把它應(yīng)用于圖像去噪 。=c。 脊波是常數(shù) ， 其方程式為 x1 cos216。 因?yàn)樵谌绱舜蟮男〔ù笙禂?shù)下 ， 采用小波更換噪聲圖像去噪面臨著許多困難 。 實(shí)驗(yàn)表明脊波在直線 特征的表示和提取中非常有效 。 因此 ， Donoho 等在小波變換的理論基礎(chǔ)上建立了一種適合表示奇異性的多尺度方法 ，這種方法 稱為脊波變換 。 但小波變換對(duì)于奇異性問(wèn)題 ， 如數(shù)字圖像中的邊界 以及線狀特征等 ， 不是 非常有效。南京郵電大學(xué)通達(dá)學(xué)院 畢業(yè)設(shè)計(jì) (論文 )外文資料翻譯 學(xué) 院： 南京郵電大學(xué)通達(dá)學(xué)院 專(zhuān) 業(yè)： 軟件工程 學(xué)生姓名： 張 峰 班級(jí)學(xué)號(hào)： 08003019 外文出處： 《物聯(lián)網(wǎng)技術(shù)》 附件： ； 指導(dǎo)教師評(píng)價(jià)： 1．翻譯內(nèi)容與課題的結(jié)合度： □ 優(yōu) □ 良 □ 中 □ 差 2．翻譯內(nèi)容的準(zhǔn)確、流暢： □ 優(yōu) □ 良 □ 中 □ 差 3．專(zhuān)業(yè)詞 匯翻譯的準(zhǔn)確性： □ 優(yōu) □ 良 □ 中 □ 差 4．翻譯字符數(shù)是否符合規(guī)定要求： □ 符合 □ 不符合 指導(dǎo)教師簽名： 年 月 日 復(fù)雜脊波圖像去噪 作者： G. Y. Chen and B. Kegl ，刊名： Pattern Recognition，出版日期： 2021 摘要 脊波變換是在小波變換 的基礎(chǔ)上提出的多尺度分析方法 ， 對(duì)于圖像中直線狀和超平面的奇異性問(wèn)題 ， 脊波變換比小波變換有更好的處理效果 ， 應(yīng)用數(shù)字復(fù)合脊波變換去除嵌入在圖像中的白噪聲 ， 并使用一個(gè)簡(jiǎn)單的復(fù)合脊波系數(shù)的硬閾值來(lái)實(shí)現(xiàn) ， 實(shí) 驗(yàn) 結(jié)果表明 ， 種算法比 VisuShrink 算法 、 普通脊波算法和 Wiener2濾波器圖像去噪的去噪效果更好 ,同時(shí)復(fù)合脊波算法也能應(yīng)用于圖像去噪和模式識(shí)別特征 提取 。 關(guān)鍵詞：圖像去噪；小波變換；脊波變換；復(fù)合脊波 小波變換已成功應(yīng)用到許多科學(xué)領(lǐng)域 ， 如 ： 圖像的壓縮 、 圖像去噪 、 信號(hào)的處理 、 計(jì)算機(jī)繪圖和模式識(shí)別等等 。 這是基于小波的處理方法 ， 如圖像壓縮和去噪 等應(yīng)用中 ， 不可避免地在圖像邊緣和細(xì)節(jié)上有一定程度的模糊 ， 然而這些不連續(xù) 特征恰恰可能是信號(hào)最重要的信息 。 脊波是在小波變換基礎(chǔ)添加了一個(gè)表征方向參數(shù)得到的 ， 因此 ， 它與小波一樣也具有局部時(shí)頻分辨能力 ， 同時(shí)還具有很強(qiáng)的方向選擇和辨識(shí)能力 ， 能非常有效表示信號(hào)中具 方向性的奇異特征 。 經(jīng)過(guò)多年的發(fā)展 ， 脊波變換打破了小波變換的局限性 ， 二維小波變換圖像可生成大的小波系數(shù)并在每個(gè)尺度上進(jìn)行分解 。 目前 ， 脊波變換已成功地應(yīng)用到數(shù)字 圖像分析 ，