【正文】 選擇錯了可能會引起災(zāi)難性的后果。諧波均值濾波器對“鹽”噪聲效果更好,但是不適用于“胡椒”噪聲。) 1 均值濾波器采用鄰域平均法的均值濾波器非常適用于去除通過掃描得到的圖象中的顆粒噪聲。)subplot(224)imshow(xd,map)title(39。subplot(223)imshow(k,map)title(39。sym439。gbl39。,k)。,39。)[thr,sorh,keepapp] = ddencmp(39。)subplot(222)imshow(xd,map)title(39。subplot(221)imshow(J,map)title(39。sym439。gbl39。,J)。,39。[thr,sorh,keepapp] = ddencmp(39。gaussian39。,)。salt amp。l=b(:,:,1)* + b(:,:,2)* + b(:,:,3)*。39。這樣，利用小波變換,噪聲信息大多集中在次低頻、次高頻、以及高頻子塊中,特別是高頻子塊,幾乎以噪聲信息為主,為此,將高頻子塊置為零,對次低頻和次高頻子塊進行一定的抑制,則可以達到一定的噪聲去除效果。小波變換利用非均勻的分辨率，即在低頻段用高的頻率分辨率和低的時間分辨率（寬的分析窗口）；而在高頻段利用低的頻率分辨率和高的時間分辨率（窄的分析窗口），這樣就能有效地從信號（如語言、圖像等）中提取信息，較好地解決了時間和頻率分辨率的矛盾。高斯噪聲中值濾波處理39。椒鹽噪聲中值濾波處理39。 K2 = medfilt2(k)。,0,)。 k = imnoise(l,39。 pepper39。 imshow(b) J = imnoise(l,39。)。如下即分別為用中值濾波對加有高斯噪聲、椒鹽噪聲的圖像處理后的對比圖： 圖 9 圖 10代碼如下： b = imread(39。假設(shè)其排序為:,取排好序的序列的中間值作為中心點像素灰度的新值,這里的鄰域通常被稱為窗口。其實現(xiàn)原理如下:將某個像素鄰域中的像素按灰度值進行排序,然后選擇該序列的中間值作為輸出的像素值,讓周圍像素灰度值的差比較大的像素改取與周圍的像素值接近的值,從而可以消除孤立的噪聲點。3*3高斯噪聲均值濾波39。,7),k)/255。) K2= filter2(fspecial(39。 subplot(121),imshow(K1) title(39。average39。,0,)。 k = imnoise(l,39。 pepper39。 imshow(b) J = imnoise(l,39。)。如下即分別為用均值濾波對加有高斯噪聲、椒鹽噪聲的圖像處理后的對比圖: 圖 7 圖 8 代碼如下： b = imread(39。如下即分別為用均值濾波對加有高斯噪聲、椒鹽噪聲的圖像處理后的對比圖: 圖3 圖4 圖5 圖6(1) 均值濾波均值濾波也稱為線性濾波,其采用的主要方法為鄰域平均法。一般軟閾值估計定義為 實驗結(jié)果均值濾波也稱為線性濾波,其采用的主要方法為鄰域平均法。因此，通常的去噪辦法是尋找一個合適的數(shù)λ作為閾值（門限），把低于λ的小波函數(shù)Wj,k（主要由信號n(k)引起），設(shè)為零，而對于高于λ的小波函數(shù)Wj,k（主要由信號s(k)引起），則予以保留或進行收縮，從而得到估計小波系數(shù)，它可理解為基本由信號s(k)引起的，然后對進行重構(gòu)，就可以重構(gòu)原始信號。Donoho提出了一種非常簡潔的方法對小波系數(shù)Wj,k進行估計。其中最常用的就是閾值法去噪。小波去噪的方法有多種，如利用小波分解與重構(gòu)的方法濾波降噪、利用小波變換模極大值的方法去噪、利用信號小波變換后空域相關(guān)性進行信噪分離、非線性小波閾值方法去噪、平移不變量小波去噪法，以及多小波去噪等等?，F(xiàn)在小波分析已經(jīng)滲透到自然科學、應(yīng)用科學、社會科學等領(lǐng)域。利用H(u,v)使F(u,v)的高頻分量得到衰減，得到G(u,v)后再經(jīng)過反變換就得到所希望的圖像g(x,y)了。(2) 頻域低通濾波法在分析圖像信號的頻率特性時，一幅圖像的邊緣，跳躍部分以及顆粒聲代表圖像信號的高頻分量，而大面積的背景區(qū)則代表圖像信號的低頻分量。使用二維中值濾波最值得注意的是保持圖像中有效的細線狀物體。二維數(shù)據(jù)的中值濾波可以表示為： 在實際使用窗口時，窗口的尺寸一般先用33再取55逐漸增大，直到其濾波效果滿意為止。此例若用平均濾波，窗口也是取5，那么平均濾波輸出為(0+3+4+0+7)/5=。設(shè)有一個一維序列，…，取窗口長度為m(m為奇數(shù))，對此序列進行中值濾波，就是從輸入序列中相繼抽出m個數(shù)，…，…，…，…，其中為窗口的中心位置，v=(m1)/2,，再將這m個點按其數(shù)值大小排列，取其序號為正中間的那作為出。但是對一些細節(jié)多，特別是點、線、尖頂細節(jié)多的圖像不宜采用中值濾波的方法。中值濾波首先是被應(yīng)用在一維信號處理技術(shù)中，后來被二維圖像信號處理技術(shù)所應(yīng)用。另外，圖像鄰域平均法算法簡單，計算速度快，但它的主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊，特別在邊緣和細節(jié)處，鄰域越大，模越厲害。圖像鄰域平均法的處理效果與所用的鄰域半徑有關(guān)。 （1）空域濾波1 均值濾波鄰域平均法是一種局部空間域處理的算法。前者即是在原圖像上直接進行數(shù)據(jù)運算，對像素的灰度值進行處理。時域描述信號強度隨時間的變化，頻域描述在一定時間范圍內(nèi)信號的頻率分布。通過以上分析可以看出，絕大多數(shù)的常見圖像噪聲都可用均值為零，方差不同的高斯白噪聲作為其模型，因而為了簡便和一般化，我們采用零均值的高斯白噪聲作為噪聲源。由于曝光過程中感光顆粒只有部分被曝光，而其余部分則未曝光，底片的密度變化就由曝光后的顆粒密集程度變化所決定，而算曝光顆粒的分布呈現(xiàn)一種隨機性。由光的統(tǒng)計本質(zhì)和圖像傳感器中光電轉(zhuǎn)換過程引起，在弱光照的情況下常用具有泊松分布的隨機變量作為光電噪聲的模型，在光照較強時，泊松分布趨向于更易描述的高斯分布。在阻性器件中由于電子隨機熱運動而造成的電子噪聲是三種模型中最簡單的，一般常用零均值高斯白噪聲作為其模型，它可用其標準差來完全表征。在對這個含噪模型進行研究之前，我們有必要了解一下噪聲的一些特性，經(jīng)常影響圖像質(zhì)量的噪聲源可分為三類。 噪聲特性 噪聲是圖象干擾的重要原因。 實際圖像中，多少都會存在一些噪聲，而使圖像模糊，從而使實驗結(jié)果不是那么直觀，影響我們判斷。 圖像去噪 現(xiàn)實中的數(shù)字圖像在數(shù)字化和傳輸過程中常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。f(i,j)=(i,j)+(i,j)+(i,j)) 24在這里，我們只用加權(quán)平均法對裂縫圖像進行處理，其主要代碼如下： function J = rgb2gray2(I) J = * I(:,:,1) + * I(:,:,2) + * I(:,:,3)。f(i,j)=(R(i,j)+G(i,j)+B(i,j)) /3 23 根據(jù)重要性及其它指標，將三個分量以不同的權(quán)值進行加權(quán)平均。 將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值。f2(i,j)=G(i,j)。一般有以下四種方法對彩色圖像進行灰度化： 將彩色圖像中的三分量的亮度作為三個灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像?；叶然梢圆捎矛F(xiàn)行標準的平均值法。 圖像灰度化一般攝像頭得到的裂縫圖像是24位真彩色圖，需轉(zhuǎn)換成灰度圖，一方而便于后續(xù)的更快速圖像處理，另一方而也是對處理多種顏色路面裂縫進行了統(tǒng)一。預(yù)處理的基本方法有：圖像的頻域特性、直方圖變換、灰度變換、圖像平滑、圖像銳化、偽彩色和假彩色處理等。由于我們拍攝的裂縫圖片大多都存在噪聲等各種問題，直接進行提取處理效果不理想。總之，輸入的圖像在視覺效果和識別方便性等方面可能存在諸多問題，這類問題不妨統(tǒng)稱為“質(zhì)量”問題。不論采用何種裝置，輸入的圖像往往不能令人滿意。該技術(shù)成為一門引人注目、前景遠大的新型學科。進入21世紀，隨著計算機技術(shù)的迅猛發(fā)展和相關(guān)理論的不斷完善，數(shù)字圖像處理技術(shù)在許多應(yīng)用領(lǐng)域受到廣泛重視并取得了重大的開拓性成就。小波分析被認為是信號與圖像分析在數(shù)學方法上的重大突破。自1986年以來，小波理論與變換方法迅速發(fā)展，它克服了傅立葉分析不能用于局部分析等方面的不足之處，被認為是調(diào)和分析半個世紀以來工作之結(jié)晶。數(shù)字圖像處理技術(shù)的應(yīng)用領(lǐng)域不斷拓展。其中代表性的成果是70年代末MIT的Marr提出的視覺計算理論，這個理論成為計算機視覺領(lǐng)域其后十多年的主導(dǎo)思想。人們已開始研究如何用計算機系統(tǒng)解釋圖像，類似人類視覺系統(tǒng)理解外部世界，這被稱為圖像理解或計算機視覺。1979年，這項無損傷診斷技術(shù)被授予諾貝爾獎，以表彰它對人類做出的劃時代貢獻。CT的基本方法是根據(jù)人的頭部截面的投影，經(jīng)計算機處理來重建截面圖像，成為圖像重建。數(shù)字圖像處理技術(shù)取得的另一個巨大成就是在醫(yī)學上。隨后又對探測飛船發(fā)回的近十萬張照片進行更為復(fù)雜的圖像處理，獲得了月球的地形圖、彩色圖及全景鑲嵌圖，為人類登月創(chuàng)舉奠定了基礎(chǔ)，也推動了數(shù)字圖像處理這門學科的誕生。首次獲得成功應(yīng)用的是美國噴氣推進實驗室（JPL）。圖像處理中輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像。視覺是人類最重要的感知手段，圖像又是視覺的基礎(chǔ)。 基于機器視覺圖像處理的應(yīng)用圖像是人類獲取和交換信息的主要來源，因此，圖像處理的應(yīng)用領(lǐng)域必然涉及到人類生活和工作的方方面面。與一般線狀目標相比，路面裂縫具有自身的特點:寬度小、對比度低、連續(xù)性差、有分叉和不規(guī)則，它只在宏觀上呈現(xiàn)出線狀特征[17,85]。因此，本文專門針對低信噪比的路面裂縫的增強與提取進行研究，對提高裂縫檢測的自動化水平具有重要意義。 傳統(tǒng)的基于閩值化、邊緣檢測、小波變換等的裂縫自動檢測算法假設(shè)路面裂縫在路面影像中具有較高的對比度和較好的連續(xù)性，但這種假設(shè)在工程實踐中往往不成立。基于影像的檢測手段已逐步成為路面裂縫檢測的重要手段，然而由于路面裂縫具有細小不連續(xù)、對比度低、分叉且不規(guī)則等特點，使得傳統(tǒng)的線狀目標提取與識別算法不能滿足要求。路面裂縫的傳統(tǒng)檢測方式是定期的人工檢測，由于人工檢測效率低、主觀性大、安全性差等，它無法滿足路面破損快速檢測的要求。 在公路養(yǎng)護管理中，路面破損狀況指數(shù)(PCI)是決策養(yǎng)護方案的最重要的數(shù)據(jù)?！豆匪方煌ā笆晃濉笨萍及l(fā)展規(guī)劃》將“道路預(yù)防性養(yǎng)護與快速維修技術(shù)、無損檢測技術(shù)、多功能養(yǎng)護設(shè)備研究開發(fā)”作為重大專題攻關(guān)項目。隨著公路的建成通車，路面養(yǎng)護與管理已成為保障道路服務(wù)水平的關(guān)鍵，公路路面狀況的基礎(chǔ)數(shù)據(jù)調(diào)查迫切需要先進的技術(shù)和科學的方法作為支撐。 。 。 3) pavement crack due to the vehicle load DRUMthe role of pressure, weathering degradation resulting in decreased contrast, continuity is these reasons, the cracks in the pavement image performance of linear low signaltonoise ratio target has brought great difficulties to the automatic identification of order to solve these problems, we have developed a geodesic shadow removal algorithm to remove the shadow of the road, while retaining the cracks. Then remove the shadow cracks after pretreatment, the final crack extraction.Keyword:crack ,the shadow of pavement ,Geodesy,shadow removal,Cracks extraction目 錄摘要 iAbstract iii第一章 緒論........................................................1 引言.................................................................1 研究的目的與意義.....................................................2 國內(nèi)外研究現(xiàn)狀.......................................................2 線狀目標的增強與提取...............