信息方向课程设计报告数字图像处理

课程设计报告题目： 数字图像处理 物联网工程 学院 电子信息工程 专业学 号 班 级 学生姓名 指导老师二一一年七月信息方向课程设计报告一、 课程设计目的数字信号处理和图象处理是电子信息工程专业必修的基础课 ,学好这些课程对于学生解决信息 系统中信号的传输与处理问题是绝对必需的。然而 , 这些课程在着重培养学生掌握信号与系统物理模型的数学描述、分析、求解及相应的物理解释之外 , 在培养学生的实验技能方面 也应提出明确的要求。鉴于这门课程偏重理论分析和计算求解的特点 , 本课程的设计环节侧重软件 , 兼顾硬件 , 软硬结合 , 这不仅会明显地巩固理论教学中所学的基本概念和分析方法, 而且将与其它课程实验一起共同为本科生毕业设计和研究生论文工作的开展打下良好基础。二.课程设计任务1、自适应系统仿模：绘制出Ek2对k变化的LMS学习曲线。2、对Lena图像的若干增强处理：（1）、直方图均衡化增强图像对比度的MATLAB程序： （2）、采用邻域平滑算法增强图像的MATLAB程序（3）、采用边界锐化算法增强图像的MATLAB程序3、对tout图像进行增强处理。三、课程设计的主要内容1 自适应系统仿模对于一个离散时间系统，可定义期待响应dk为一个希望自适应系统的输出如与之相接近的信号，其中k为采样时刻。 如图1.1所示，系统由一个自适应线性组合器和一个相减器组成，在k时刻的系统输出误差 (1.1)而自适应线性组合器的输出 (1.2)其中分别为自适应系统在k时刻的输入信号向量和权问量，于是系统输出均方误差图1.1 利用MSE性能测度的自适应系统 (1.3)这里，权向量Wk可以是随时间变化的，但为确知向量，故在式(1.1)中可将Wk置于统计平均符号之外。 考虑平稳随机信号，系统输入信号Xk及期待响应dk统计量的计算应和时刻k无关，故有 (1.4) 定义期待响应和输入信号之间的互相关向量为 (1.5)由此，在图1.1组成的系统中，其均方误差输出的性能测量为权向量的二次函数。且该系统的性能函数(W)为 (1.6)由上式可知，等号右边三项均为实数，且前面两项之和必大于或等于第三项，故性能函数(W)必为大于或等于零的实数。 可以看出让性能函数(W)达到最小的最佳权向量Wopt可以用对它求梯度的方法得到。事实上，由式(1.6)并利用梯度的运算式可知 (1.7)在最佳权向量处的梯度值应为零，于是自适应系统在最小均方误差输出情况下的最佳权向量Wopt满足维纳一霍夫(Wiener-Hopf)方程 (1.8)式中，相关矩阵R必须是满秩的，即必须有逆。 将式(1. 8)代入式(1. 6)，且考虑到为实数，于是最小均方误差为 (1.9)对于LMS算法，可以简单地直接利用单次采样数据| k |2来代替均方误差。于是在自适应过程的每次迭代中，其梯度估值具有如下形式： (1.11)采用这个简单的梯度估值，可以导出一种最速下降法类型的自适应算法。可得 (1.12)称上式为LMS算法。是一个用于控制自适应速度和稳定性的增益常数。由于在每次迭代权时是基于不准确的梯度估值，因而这个自适应过程是带噪的。一个单输入单输出的未知系统(或称被控系统)的自适应模拟(Adaptive modeling)示于图1.2，未知被控系统与自适应滤波器(即图中的自适应模拟)由相同的输入激励。自适应滤波器调整自身以得到一个与未知系统相匹配的输出，通常是得到一个未知系统输出最好的最小均方拟合。这种拟合的程度与自适应系统的可调权数(即“自由度”)有关。图1.2 单输入单输出的自适应模拟模型对于如图1.2所示系统，令xkRANDOM(1)0.5，让L2，µ0.2µmax，考虑噪声nk是一个功率为Enk20.01的白噪声序列。绘制出Ek2对k变化的LMS学习曲线。2 对Lena图像的若干增强处理 图像增强是指按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。图像增强技术主要有直方图修改处理、图像平滑化处理、图像尖锐化处理和彩色处理技术等。本实验以直方图均衡化增强图像对比度的方法为主要内容，其他方法可以在课后自行练习。直方图是多种空间域处理技术的基础。直方图操作能有效地用于图像增强。除了提供有用的图像统计资料外，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。直方图在软件中易于计算，也适用于商用硬件设备，因此，它们成为实时图像处理的一个流行工具。直方图是图像的最基本的统计特征，它反映的是图像的灰度值的分布情况。直方图均衡化的目的是使图像在整个灰度值动态变化范围内的分布均匀化，改善图像的亮度分布状态，增强图像的视觉效果。灰度直方图是图像预处理中涉及最广泛的基本概念之一。图像的直方图事实上就是图像的亮度分布的概率密度函数，是一幅图像的所有象素集合的最基本的统计规律。直方图反映了图像的明暗分布规律，可以通过图像变换进行直方图调整，获得较好的视觉效果。直方图均衡化是通过灰度变换将一幅图像转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。（1）直方图均衡化增强图像对比度的MATLAB程序： （2）采用邻域平滑算法增强图像的MATLAB程序（3）采用边界锐化算法增强图像的MATLAB程序3. 对tout图像进行增强处理一幅256X256的灰度图像,将060灰度级压缩到030范围内,压缩比1/2;60180的灰度级扩大到30240,比率为190/120;将180255灰度级压缩到240255范围内,压缩比为15/75。增强图象对比度实际上拉伸图像中一些灰度细节，相对抑制不感兴趣的部分。这可以通过分段线性变换得到。四课程设计的仿真及结果1.自适应系统仿模程序：clcclear close allN=5; %滤波器阶数sample_N=2048; %采样点数xt=randn(1,2048);b=0.1 0.2 0.3 0.4 0.5;Y=filter(b,1,xt);dk=Y+0.01*randn(1,2048);M=length(xt); %M为接收数据长度u=0.00182; %计算能够使LMS算法收敛的u y=zeros(1,M);w=zeros(1,N); %LMS滤波器系数for n=N:M %系数调整LMS算法 x1=xt(n:-1:n-N+1); %LMS算法 y(n)=w*x1' e(n)=dk(n)-y(n); w=w+u*e(n)*x1; enderror=e.2; %LMS算法每一步迭代的均方误差figure(1)plot(error);axis(0 3000 0 3);ylabel('e2');仿真结果：2 .对Lena图像的若干增强处理（1）直方图均衡化增强图像对比度程序：clear allclose allI = imread('lena.bmp');I=rgb2gray(I);subplot(2,2,1),imshow(I),title('Original Image') %原始图像J = histeq(I);subplot(2,2,2),imshow(J),title('Equalized Image') %直方图均衡化后的图像subplot(2,2,3),imhist(I),title('Original Histogram') %归一化的直方图subplot(2,2,4),imhist(J);title('Equalized Histogram')%直方图均值化后的直方图仿真结果：（2）、采用邻域平滑算法增强图像程序：I=imread('lena.bmp'); %读原始图像J=imnoise(I,'salt & pepper',0.02); %添加均值为0，方差为0.02的噪声 h=ones(5,5)/25; %定义邻域为5×5I2=imfilter(J,h); %邻域平均subplot(1,2,1);imshow(J);subplot(1,2,2);imshow(I2); 仿真结果：有噪声图像 邻域平均后的图像（3）采用边界锐化算法增强图像程序：clear allclose all%直方图I=imread('lena.bmp');I1=rgb2gray(I); %I的灰度图figure(1)%边界锐化I1=double(I1);h1=0 1 0, 1 -4 1, 0 1 0; %Laplacian算子J3=conv2(I1,h1,'same'); %进行卷积运算h2=-1 -1 -1, -1 9 -1, -1 -1 -1 ; %高通滤波法，选择H2滤波器 J4=conv2(I1,h2,'same'); %进行卷积运算figure(3)subplot(2,2,1),imshow(I),title('Original Image') %原始图像subplot(2,2,2),imshow(J3),title('Sharpened Image1') %用Laplacian算子锐化后的图像subplot(2,2,3),imshow(J4),title('Sharpened Image2') %用高通滤波法锐化后的图像仿真结果：3. 对tout图像进行增强处理程序：clear allclose allI=imread('pout.jpg');m,n,k=size(I);J=zeros(m,n,k);I=double(I);fa=60; fb=180;ga=30; gb=240;k1=ga/fa;k2=(gb-ga)/(fb-fa);k3=(255-gb)/(255-fb);for i=1:mfor j=1:n for k=1:3if I(i,j,k)<=60 J(i,j,k)= k1*I(i,j,k);elseif 60<I(i,j,k)<=180 J(i,j,k)= k2*( I(i,j,k)-fa)+ ga;else J(i,j,k)= k3*( I(i,j,k)-fb)+ gb;endendendendJ=uint8(J);subplot(1,2,1),imshow('pout.jpg'),title('Original Image');subplot(1,2,2),imshow(J),title('Transmitted Image');仿真结果：五关于课程设计的讨论课程设计仿真过程中遇到几个问题：1) 输出图像的实际灰度变化范围很难达到图像格式所允许的最大灰度变化范围。 2) 输出图像的灰度分布直方图虽然接近均匀分布, 但其值与理想值1/n仍有可能存在较大的差异, 并非是最佳值。 3) 输出图像的灰度级有可能被过多地合并。由于灰度的吞噬也易造成图像信息的丢失。 六.课程设计的心得体会在这次的课程设计中不仅检验了我所学习的知识，也培养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。通过这次数字图像处理课程设计，本人在多方面都有所提高。通过这次课程设计，综合运用本专业所学课程的理论。在图像处理过程中，使用相对应的方法去获得自己需要的效果，在这次设计过程中，体现出自己的能力以及综合运用知识的能力，体会了学以致用、突出自己劳动成果的喜悦心情，从中发现自己平时学习的不足和薄弱环节，从而加以弥补。首先加深了我对于数字图像处理这门课程的认识，通过对相关知识的进一步了解和掌握，清楚的认识到这门课程在实际应用的广泛性。同时，这次课程设计让我明白，理论知识往往是不够的，只有把所学的理论与实际行动相结合，才会提高自己的综合实际能力和独立思考能力。在课程设计的过程中我们都会遇到很多的问题，但往往是一个小问题都会导致实验的失败，这就要我们花大量的时间去思索和改正，这是一个很艰辛的过程，但同时也是你收获最大的过程。实验往往是一个苦中作乐的过程，我希望在以后的实验学习中自己能独立思考，同时也要认真完成，这样既能学到知识，也能让自己的实践操作得到锻炼。最后感谢老师的细心指导和同学们的帮助，让我顺利完成课程设计。