信息方向課程設(shè)計報告---數(shù)字圖像處理

1、<p><b>　　課程設(shè)計報告</b></p><p>　　題目： 數(shù)字圖像處理</p><p>　　信息方向課程設(shè)計報告</p><p><b>　　課程設(shè)計目的</b></p><p>　　數(shù)字信號處理和圖象處理是電子信息工程專業(yè)必修的基礎(chǔ)課 ,學(xué)好這些課程對于學(xué)生解決信息 系統(tǒng)中

2、信號的傳輸與處理問題是絕對必需的。然而 , 這些課程在著重培養(yǎng)學(xué)生掌握信號與系統(tǒng)物理模型的數(shù)學(xué)描述、分析、求解及相應(yīng)的物理解釋之外 , 在培養(yǎng)學(xué)生的實驗技能方面 也應(yīng)提出明確的要求。鑒于這門課程偏重理論分析和計算求解的特點 , 本課程的設(shè)計環(huán)節(jié)側(cè)重軟件 , 兼顧硬件 , 軟硬結(jié)合 , 這不僅會明顯地鞏固理論教學(xué)中所學(xué)的基本概念和分析方法, 而且將與其它課程實驗一起共同為本科生畢業(yè)設(shè)計和研究生論文工作的開展打下良好基礎(chǔ)。</p>

3、;<p><b>　　二.課程設(shè)計任務(wù)</b></p><p>　　1、自適應(yīng)系統(tǒng)仿模：繪制出E[εk2]對k變化的LMS學(xué)習(xí)曲線。</p><p>　　2、對Lena圖像的若干增強處理：</p><p>　?。?）、直方圖均衡化增強圖像對比度的MATLAB程序：</p><p>　?。?）、采用鄰域平滑算

4、法增強圖像的MATLAB程序</p><p>　?。?）、采用邊界銳化算法增強圖像的MATLAB程序</p><p>　　3、對tout圖像進行增強處理。</p><p>　　三、課程設(shè)計的主要內(nèi)容</p><p><b>　　1 自適應(yīng)系統(tǒng)仿模</b></p><p>　　對于一個離散時間系統(tǒng)，

5、可定義期待響應(yīng)dk為一個希望自適應(yīng)系統(tǒng)的輸出如與之相接近的信號，其中k為采樣時刻。</p><p>　　如圖1.1所示，系統(tǒng)由一個自適應(yīng)線性組合器和一個相減器組成，在k時刻的系統(tǒng)輸出誤差</p><p><b>　　(1.1)</b></p><p>　　而自適應(yīng)線性組合器的輸出</p><p><b>　　(

6、1.2)</b></p><p><b>　　其中</b></p><p>　　分別為自適應(yīng)系統(tǒng)在k時刻的輸入信號向量和權(quán)問量，于是系統(tǒng)輸出均方誤差</p><p>　　圖1.1 利用MSE性能測度的自適應(yīng)系統(tǒng)</p><p><b>　　(1.3)</b></p>&l

7、t;p>　　這里，權(quán)向量Wk可以是隨時間變化的，但為確知向量，故在式(1.1)中可將Wk置于統(tǒng)計平均符號之外。</p><p>　　考慮平穩(wěn)隨機信號，系統(tǒng)輸入信號Xk及期待響應(yīng)dk統(tǒng)計量的計算應(yīng)和時刻k無關(guān)，故有</p><p><b>　　(1.4)</b></p><p>　　定義期待響應(yīng)和輸入信號之間的互相關(guān)向量為</p>

8、;<p><b>　　(1.5)</b></p><p>　　由此，在圖1.1組成的系統(tǒng)中，其均方誤差輸出的性能測量為權(quán)向量的二次函數(shù)。且該系統(tǒng)的性能函數(shù)ξ(W)為</p><p><b>　　(1.6)</b></p><p>　　由上式可知，等號右邊三項均為實數(shù)，且前面兩項之和必大于或等于第三項，故性能函

9、數(shù)ξ(W)必為大于或等于零的實數(shù)。</p><p>　　可以看出．讓性能函數(shù)ξ(W)達到最小的最佳權(quán)向量Wopt可以用對它求梯度的方法得到。事實上，由式(1.6)并利用梯度的運算式可知</p><p><b>　　(1.7)</b></p><p>　　在最佳權(quán)向量處的梯度值應(yīng)為零，于是</p><p>　　自適應(yīng)系統(tǒng)在

10、最小均方誤差輸出情況下的最佳權(quán)向量Wopt滿足維納一霍夫(Wiener-Hopf)方程</p><p><b>　　(1.8)</b></p><p>　　式中，相關(guān)矩陣R必須是滿秩的，即必須有逆。</p><p>　　將式(1. 8)代入式(1. 6)，且考慮到為實數(shù)，于是最小均方誤差為</p><p><b&g

11、t;　　(1.9)</b></p><p>　　對于LMS算法，可以簡單地直接利用單次采樣數(shù)據(jù)| εk |2來代替均方誤差。于是在自適應(yīng)過程的每次迭代中，其梯度估值具有如下形式：</p><p><b>　　(1.11)</b></p><p>　　采用這個簡單的梯度估值，可以導(dǎo)出一種最速下降法類型的自適應(yīng)算法。可得</p&g

12、t;<p><b>　　(1.12)</b></p><p>　　稱上式為LMS算法。μ是一個用于控制自適應(yīng)速度和穩(wěn)定性的增益常數(shù)。由于在每次迭代權(quán)時是基于不準確的梯度估值，因而這個自適應(yīng)過程是帶噪的。</p><p>　　一個單輸入單輸出的未知系統(tǒng)(或稱被控系統(tǒng))的自適應(yīng)模擬(Adaptive modeling)示于圖1.2，未知被控系統(tǒng)與自適應(yīng)濾波器

13、(即圖中的自適應(yīng)模擬)由相同的輸入激勵。自適應(yīng)濾波器調(diào)整自身以得到一個與未知系統(tǒng)相匹配的輸出，通常是得到一個未知系統(tǒng)輸出最好的最小均方擬合。這種擬合的程度與自適應(yīng)系統(tǒng)的可調(diào)權(quán)數(shù)(即“自由度”)有關(guān)。</p><p>　　圖1.2 單輸入單輸出的自適應(yīng)模擬模型</p><p>　　對于如圖1.2所示系統(tǒng)，令xk＝RANDOM(1)－0.5，讓L＝2，µ＝0.2µmax，

14、考慮噪聲nk是一個功率為E[nk2]＝0.01的白噪聲序列。繪制出E[εk2]對k變化的LMS學(xué)習(xí)曲線。</p><p>　　2 對Lena圖像的若干增強處理</p><p>　　圖像增強是指按特定的需要突出一幅圖像中的某些信息，同時，消弱或去除某些不需要的信息的處理方法。其主要目的是處理后的圖像對某些特定的應(yīng)用比原來的圖像更加有效。圖像增強技術(shù)主要有直方圖修改處理、圖像平滑化處理、圖像尖

15、銳化處理和彩色處理技術(shù)等。本實驗以直方圖均衡化增強圖像對比度的方法為主要內(nèi)容，其他方法可以在課后自行練習(xí)。</p><p>　　直方圖是多種空間域處理技術(shù)的基礎(chǔ)。直方圖操作能有效地用于圖像增強。除了提供有用的圖像統(tǒng)計資料外，直方圖固有的信息在其他圖像處理應(yīng)用中也是非常有用的，如圖像壓縮與分割。直方圖在軟件中易于計算，也適用于商用硬件設(shè)備，因此，它們成為實時圖像處理的一個流行工具。</p><p

16、>　　直方圖是圖像的最基本的統(tǒng)計特征，它反映的是圖像的灰度值的分布情況。直方圖均衡化的目的是使圖像在整個灰度值動態(tài)變化范圍內(nèi)的分布均勻化，改善圖像的亮度分布狀態(tài)，增強圖像的視覺效果。灰度直方圖是圖像預(yù)處理中涉及最廣泛的基本概念之一。</p><p>　　圖像的直方圖事實上就是圖像的亮度分布的概率密度函數(shù)，是一幅圖像的所有象素集合的最基本的統(tǒng)計規(guī)律。直方圖反映了圖像的明暗分布規(guī)律，可以通過圖像變換進行直方圖調(diào)

17、整，獲得較好的視覺效果。</p><p>　　直方圖均衡化是通過灰度變換將一幅圖像轉(zhuǎn)換為另一幅具有均衡直方圖，即在每個灰度級上都具有相同的象素點數(shù)的過程。</p><p>　?。?）直方圖均衡化增強圖像對比度的MATLAB程序：</p><p>　?。?）采用鄰域平滑算法增強圖像的MATLAB程序</p><p>　?。?）采用邊界銳化算法增

18、強圖像的MATLAB程序</p><p>　　3. 對tout圖像進行增強處理</p><p>　　一幅256X256的灰度圖像,將0~60灰度級壓縮到0~30范圍內(nèi),壓縮比1/2;60~180的灰度級擴大到30~240,比率為190/120;將180~255灰度級壓縮到240~255范圍內(nèi),壓縮比為15/75。</p><p>　　增強圖象對比度實際上拉伸圖像中一

19、些灰度細節(jié)，相對抑制不感興趣的部分。這可以通過分段線性變換得到。</p><p>　　四．課程設(shè)計的仿真及結(jié)果</p><p><b>　　1.自適應(yīng)系統(tǒng)仿模</b></p><p><b>　　程序：</b></p><p><b>　　clc</b></p>

20、<p><b>　　clear </b></p><p><b>　　close all</b></p><p>　　N=5; %濾波器階數(shù)</p><p>　　sample_N=2048; %采樣點數(shù)</p>&l

21、t;p>　　xt=randn(1,2048);</p><p>　　b=[0.1 0.2 0.3 0.4 0.5];</p><p>　　Y=filter(b,1,xt);</p><p>　　dk=Y+0.01*randn(1,2048);</p><p>　　M=length(xt); %M為接收數(shù)

22、據(jù)長度</p><p>　　u=0.00182; %計算能夠使LMS算法收斂的u </p><p>　　y=zeros(1,M);</p><p>　　w=zeros(1,N); %LMS濾波器系數(shù)</p><p>　　for n=N:M

23、 %系數(shù)調(diào)整LMS算法</p><p>　　x1=xt(n:-1:n-N+1); %LMS算法</p><p>　　y(n)=w*x1';</p><p>　　e(n)=dk(n)-y(n);</p><p>　　w=w+u*e(n)*x1; </p><p><b>　

24、　end</b></p><p>　　error=e.^2; %LMS算法每一步迭代的均方誤差</p><p><b>　　figure(1)</b></p><p>　　plot(error);</p><p>　　axis([0 3000 0 3]);</p&

25、gt;<p>　　ylabel('e^2');</p><p><b>　　仿真結(jié)果：</b></p><p>　　2 .對Lena圖像的若干增強處理</p><p>　?。?）直方圖均衡化增強圖像對比度</p><p><b>　　程序：</b></p>

26、<p><b>　　clear all</b></p><p><b>　　close all</b></p><p>　　I = imread('lena.bmp');</p><p>　　I=rgb2gray(I);</p><p>　　subplot(2,2,1),

27、imshow(I),title('Original Image') %原始圖像</p><p>　　J = histeq(I);</p><p>　　subplot(2,2,2),imshow(J),title('Equalized Image') %直方圖均衡化后的圖像</p><p>　　subplot(2,2,3)

28、,imhist(I),title('Original Histogram') %歸一化的直方圖</p><p>　　subplot(2,2,4),imhist(J);title('Equalized Histogram')%直方圖均值化后的直方圖</p><p><b>　　仿真結(jié)果：</b></p><p>　

29、?。?）、采用鄰域平滑算法增強圖像</p><p><b>　　程序：</b></p><p>　　I=imread('lena.bmp'); %讀原始圖像</p><p>　　J=imnoise(I,'salt & pepper',0.02); %添加均值為0，方差為0.02的噪聲 &

30、lt;/p><p>　　h=ones(5,5)/25; %定義鄰域為5×5</p><p>　　I2=imfilter(J,h); %鄰域平均</p><p>　　subplot(1,2,1);</p><p>　　imshow(J);</p><p>　　subpl

31、ot(1,2,2);</p><p>　　imshow(I2); </p><p><b>　　仿真結(jié)果：</b></p><p>　　有噪聲圖像 鄰域平均后的圖像</p><p>　?。?）采用邊界銳化算法增強圖像</p><p><b>

32、　　程序：</b></p><p><b>　　clear all</b></p><p><b>　　close all</b></p><p><b>　　%直方圖</b></p><p>　　I=imread('lena.bmp');</

33、p><p>　　I1=rgb2gray(I); %I的灰度圖</p><p><b>　　figure(1)</b></p><p><b>　　%邊界銳化</b></p><p>　　I1=double(I1);</p><p>　　h1=[

34、0 1 0, 1 -4 1, 0 1 0]; %Laplacian算子</p><p>　　J3=conv2(I1,h1,'same'); %進行卷積運算</p><p>　　h2=[-1 -1 -1, -1 9 -1, -1 -1 -1 ]; %高通

35、濾波法，選擇H2濾波器 </p><p>　　J4=conv2(I1,h2,'same'); %進行卷積運算</p><p><b>　　figure(3)</b></p><p>　　subplot(2,2,1),imshow(I),title('Original

36、Image') %原始圖像</p><p>　　subplot(2,2,2),imshow(J3),title('Sharpened Image1') %用Laplacian算子銳化后的圖像</p><p>　　subplot(2,2,3),imshow(J4),title('Sharpened Image2') %用高通濾波法銳化后

37、的圖像</p><p><b>　　仿真結(jié)果：</b></p><p>　　3. 對tout圖像進行增強處理</p><p><b>　　程序：</b></p><p><b>　　clear all</b></p><p><b>　　clo

38、se all</b></p><p>　　I=imread('pout.jpg');</p><p>　　[m,n,k]=size(I);</p><p>　　J=zeros(m,n,k);</p><p>　　I=double(I);</p><p>　　fa=60; fb=180;&l

39、t;/p><p>　　ga=30; gb=240;</p><p><b>　　k1=ga/fa;</b></p><p>　　k2=(gb-ga)/(fb-fa);</p><p>　　k3=(255-gb)/(255-fb);</p><p><b>　　for i=1:m</b

40、></p><p>　　for j=1:n </p><p><b>　　for k=1:3</b></p><p>　　if I(i,j,k)<=60</p><p>　　J(i,j,k)= k1*I(i,j,k);</p><p>　　elseif 60<I(i,j,k)&

41、lt;=180</p><p>　　J(i,j,k)= k2*( I(i,j,k)-fa)+ ga;</p><p><b>　　else </b></p><p>　　J(i,j,k)= k3*( I(i,j,k)-fb)+ gb;</p><p><b>　　end</b></p>

42、<p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　J=uint8(J);</p><p>　　subplot(1,2,1),imshow('pout.jpg'

43、;),title('Original Image');</p><p>　　subplot(1,2,2),imshow(J),title('Transmitted Image');</p><p><b>　　仿真結(jié)果：</b></p><p>　　五．關(guān)于課程設(shè)計的討論</p><p>

44、　　課程設(shè)計仿真過程中遇到幾個問題：</p><p>　　1) 輸出圖像的實際灰度變化范圍很難達到圖像格式所允許的最大灰度變化范圍。 </p><p>　　2) 輸出圖像的灰度分布直方圖雖然接近均勻分布, 但其值與理想值1/n仍有可能存在較大的差異, 并非是最佳值。 </p><p>　　3) 輸出圖像的灰度級有可能被過多地合

45、并。由于灰度的吞噬也易造成圖像信息的丟失。 </p><p>　　六.課程設(shè)計的心得體會</p><p>　　在這次的課程設(shè)計中不僅檢驗了我所學(xué)習(xí)的知識，也培養(yǎng)了我如何去把握一件事情，如何去做一件事情，又如何完成一件事情。通過這次數(shù)字圖像處理課程設(shè)計，本人在多方面都有所提高。通過這次課程設(shè)計，綜合運用本專業(yè)所學(xué)課程的理論。在圖像處理過程中，使用相對應(yīng)的方法去獲得自己需要的效果，在這次設(shè)計

46、過程中，體現(xiàn)出自己的能力以及綜合運用知識的能力，體會了學(xué)以致用、突出自己勞動成果的喜悅心情，從中發(fā)現(xiàn)自己平時學(xué)習(xí)的不足和薄弱環(huán)節(jié)，從而加以彌補。首先加深了我對于數(shù)字圖像處理這門課程的認識，通過對相關(guān)知識的進一步了解和掌握，清楚的認識到這門課程在實際應(yīng)用的廣泛性。</p><p>　　同時，這次課程設(shè)計讓我明白，理論知識往往是不夠的，只有把所學(xué)的理論與實際行動相結(jié)合，才會提高自己的綜合實際能力和獨立思考能力。在課程

47、設(shè)計的過程中我們都會遇到很多的問題，但往往是一個小問題都會導(dǎo)致實驗的失敗，這就要我們花大量的時間去思索和改正，這是一個很艱辛的過程，但同時也是你收獲最大的過程。</p><p>　　實驗往往是一個苦中作樂的過程，我希望在以后的實驗學(xué)習(xí)中自己能獨立思考，同時也要認真完成，這樣既能學(xué)到知識，也能讓自己的實踐操作得到鍛煉。</p><p>　　最后感謝老師的細心指導(dǎo)和同學(xué)們的幫助，讓我順利完成課