论文部分内容阅读
现今人类的生活环境处于信息高度发展的阶段,数字媒体中的图像处理技术满足了人类对事物特征纹理的欣赏和信息的表达需求,在人们的日常生活和工作中起到了至关重要的作用,图像处理技术已经深入各个领域,它研究的基本问题包括图像去噪、边缘检测、图像增强、图像分割、图像识别等,其中图像去噪和边缘检测是诸多图像处理任务的前提。因此,本课题针对基于结构特征描述的图像去噪和边缘检测方法进行研究,以提高现有的图像去噪和边缘检测算法性能,为数字图像处理技术的理论完善提供依据。本文的主要内容包括以下几个方面:(1)简要介绍了图像处理的背景和应用领域,并对图像去噪和边缘检测基本研究现状进行阐述,同时给出了本文各章节的内容安排。(2)简要介绍了图像处理的基础知识,包括数字图像的基本概念,如图像和分辨率、图像邻域和图像边缘等,以及基于Matlab的图像处理基础知识,如Matlab环境下图像的类型、图像信息的读取、显示和存储等函数。(3)针对传统的非局部均值滤波算法存在算法效率低,算法运行时间过长,相似性的权值不够精准的缺陷,实现了一种基于结构相似性度量(SSIM)的非局部均值滤波方法。方法采用结构相似性度量(SSIM)对像素点间进行相似性度量,通过亮度,对比度和结构信息得出像素点间相似性的权值。实验结果显示,该算法采用的基于结构相似性度量的非局部均值滤波对图像去噪时能够在有效去除噪声的情况下,将图像的细节特征信息保持在较好的状态。通过峰值信噪比等质量评价标准对去噪结果进行量化比较进一步验证了该算法的有效性。(4)针对传统的LOG边缘检测算子在图像边缘检测时存在抑制噪声的同时会将图像的边缘弱化的问题,提出了一种基于Zernike矩的LOG边缘检测方法。该方法采用Zernike矩对图像进行结构特征描述,并用其作为LOG算子中高斯滤波权值的计算依据;在此基础上,对平滑图像采用Laplacian算子和零点交叉法检测图像边缘。通过对一些图像的测试,该算法通过采用基于Zernike矩的权值计算方法能够更好地保持高斯滤波在平滑图像时弱化的边缘特征,使得LOG算子在抑制噪声的同时更加有效地提取图像边缘。(5)对本文的研究内容进行了总结,并对未来的工作方向进行了展望,包括如何进一步改进本文提出的非局部均值滤波方法以及LOG边缘检测方法,以及将结构特征的描述方法应用在图像处理的其他问题等。