数字图像处理技术.docx
《数字图像处理技术.docx》由会员分享，可在线阅读，更多相关《数字图像处理技术.docx（11页珍藏版）》请在冰点文库上搜索。
数字图像处理技术
数字图像处理技术
班级：
姓名：
学号：
数字图像处理指的是应用数字计算机对图像进行分析、加工和处理。
人们采集、表现与传送数据比较完整方便的途径主要来自于图像，伴着计算机技术开发程度的日益加深，数字图像处理技术的适用范围越来越广。
人们要想简捷、实时的采集源自全球各处的图像，且确保图像的质量和清晰程度，就应当不断对数字图像处理技术进行研究。
其中可以应用一些特殊的数学计算，以此对图像数据实现加工与分析，满足人们的视觉感受与现实需求。
此外，还可以使用光学中的一些理论方法，对图像进行加工处理，然而其加工过程相对数字处理更加复杂，且存在很多限制性，不如数字图像处理灵活方便。
1、数字图像处理的发展现状
数字图像处理发展情况一般包括下面几个内容:
第一，是图像的变换。
因为一般来说图像所包含的数据信息量比较丰富复杂，如果直接对在空间域里的信号进行处理将导致过多的运算，所以在数字图像处理过程中经常利用图像变换的技术把空间域计算变换到其它域中进行处理，以此得到更为理想的处理结果，其间比较常用的算法是小波分析;第二，比如动图，高分辨率图像的处理，经常会导致储存空间不足与传送效率过低等情况，这对于后期图像特征甄别采集有着一定程度的限制，所以需要对其进行压缩编码处理，而且还需要确保图像质量，保障图像不失真;第三，对于图像中人们感兴趣的局部信息进行定量处理，应用图像加强技术对其品质进行改善，得到清晰有效的边界和需要的局部信息，对于图像中质量不高的局部区域，可以构建相应的模型，不断对其优化来生成理想的图像，利用图像还原技术来对其进行处理。
此外，数字图像处理还包括了图像表达和分析、图像类型识别、图像重建与图像分割等内容，这些技术在处理图像时有效方便，灵活度高，能够恰当地引用数学理论来对图像进行合理地处理。
2、数字图像处理的发展趋势
当前，数字图像处理有关技术的发展和改进，使其被普遍应用到了各行业中，能够预测到未来的数字图像处理定会获得迅速的发展和前进，且在各个领域中占据重要位置。
就目前情况来看，国内对数字图像处理方面的研究比较偏于理论层面，在现实的应用方面并不多，因此，要想真正推动数字图像处理的发展，就应当把理论和实际结合在一起，不断进行创新和研发，使其具备科学化、高效化、自动化与规范化的优势。
其中主要表现在下面几个内容中:
第一，数字分析应当更加深入的与计算机视觉相结合，由于国内计算机技术水平的提升，人工智能水平也逐渐提高，数字图像处理系统将获得更完善的搭建。
机器人视觉系统是智能机器人不可缺少的采集信息工具，能够为其观察和甄别周围事物提供分析系统，这同时是当前的研究重点之一，可以将其拓展到军事侦察领域，家庭服务领域中。
由于人们自身对视觉的认识十分有限，所以，计算机视觉是一个相对具有创新意义的研究热点，需要有关技术人员对其不断探索;第二，在虚拟现实领域中，也将使用到数字图像处理。
虚拟现实是一种通过计算机搭建而成的虚拟区域，当前，虚拟现实由于计算机技术水平的提升而获得了很大程度上的发展，虚拟现实这个理念将会得到愈来愈多的关注和认识，也定会在将来发挥出重要作用。
利用信息采集装置和在机器人内部装配摄像装置，工程师便能够观察到机器人所在的周围环境，并通过操作系统对机器人下达动作命令，因此虚拟现实是将来的关键研究方向之一;第三，数字图像处理技术还可以与三维重构联系起来，人们对世界万物的了解和对工具的使用，大多是为了使其为我所用，且经过本身的现实操作来实现相应的生产与改进，所以，把本来是平面的实物转换成空间实物来重现，这定会变为科技发展的方向与趋势。
由于科学水平的迅速提升，数字图像处理技术已经被普遍地使用到人类的实际生产过程中，这让数字图像处理技术和人类社会的发展产生了紧密的联系。
正是如此，数字图像处理的作用才显得如此重要，它让人们的生活更加精彩、多元化、自动化、数据化与合理化。
数字图像处理技术和相关理论研究得到了更多专家的重视，目前面对的主要问题是探索新的技术方法，创建一个适应时代的系统，让其真正满足人们和社会的需要。
3、基于FPGA的数字图像处理
结合研究生期间所做的项目，下面介绍一下基于FPGA的数字图像处理。
3.1发展及现状
随着数字多媒体技术的不断发展，数字图像处理技术被广泛应用于各种军用、民用、商用及工业生产领域中。
图像处理技术的日益普及是和图像处理系统的不断完善分不开的。
图像处理系统一般包括两个部分：
图像采集部分和图像处理部分。
图像采集部分由专用的视频处理器、图像缓存和控制接口电路组成。
它的主要作用是将实时视觉传感器获取的模拟视频信号转化为数字图像信号，并将这些数字图像信号传送给计算机或者专用的图像处理器件进行处理。
图像处理部分可以是计算机，也可以是专用图像处理器件，或者是两者的结合。
专用的图像处理器件主要有专用集成芯片（ASIC,ApplicationSpecificIntegratedCircuit）、数字信号处理器（DSP,DigitalSignalProcess）和现场可编程门阵列（FPGA，FieldProgrammableGateArray）以及相关电路组成。
它们可以实时高速完成各种图像处理算法。
近年来，微电子技术和超大规模的集成电路制造技术的发展，特别现场可编程门阵列FPGA的发展，为提高图像处理系统各种性能提供了新的思路和方法。
由于底层图像处理的数据量很大，要求处理速度快，但运算结果相对比较简单，以FPGA作为主要处理芯片的图像处理系统非常适合于对图像进行处理。
一般地，图像处理大致可以分为低级处理和高级处理：
低级处理的数据量大，算法简单，存在着较大的并行性；高级处理的算法复杂，数据量小。
在图像处理的实现手段上，图像低级处理阶段，利用软件来实现是一个很耗时的过程，但是利用硬件实现，就可以对大量数据进行并行处理，能够极大的提高处理速度；而图像高级处理阶段，利用软件来实现则具有较高的性价比。
因此，图像处理系统中可以利用高速硬件模块（如FPOA）承担图像低级处理任务。
这样对大量图像数据进行了低级处理，使系统在减少数据传输量的同时还极大的提高了实时性能。
第一阶段大体上是20世纪60年代末到80年代中期，当时的代表产品是美国和英国的一些公司推出的各种图像计算机以及图像分析系统。
由于这些系统采用机箱式结构，所以系统的体积比较大，虽然功能比较强，但价格比较昂贵。
在中国，图像处理系统的研制起步比较晚，主要有清华大学研制的图像采集系统和图像计算机。
第二阶段是从80年代中期到90年代初期，该阶段的特点是小型化，外部结构不再是机箱式而是插卡式。
通过把图像卡插到计算机内，即可和计算机构成图像采集系统。
在国内，80年代末到90年代初，中科院自动化研究所和清华大学都成功研制了一系列的图像采集卡。
由于图像卡体积小、价格低、使用方便，所以很受用户欢迎。
这阶段的图像卡大都开始采用大规模集成电路甚或是专用集成电路。
第三阶段是从90年代初开始，这阶段的产品出现两大类，一种仍是采用插卡式，随着PCI总线技术的成熟，采用PCI总线的产品逐步取代采用ISA总线接口的产品。
在国内，很多公司等都推出各自的PCI图像卡产品。
该类产品的特点是：
采用PCI总线，在Windows平台上编制图像处理软件。
另一种图像卡是采用大规模集成电路或专用芯片取代计算机的脱机图像处理系统。
随着专用集成芯片（ASIC）、数字信号处理器（DSP）和现场可编程门阵列（FPGA）芯片集成度、运算速度的大幅度提高，价格大幅度降低，这些芯片成为脱机图像系统的主流处理器。
美国TI公司在DSP市场上的主导地位使得TI公司的图像处理平台在世界上处于领先地位。
国内的DSP技术起步较晚，但发展很快。
90年代末就有比较成熟的产品出现。
由于PCI总线的诸多优点，在没有特殊限制的场合，采用计算机+PCI图像采集卡仍将是图像处理系统的主流配置。
3.2图像处理平台的选择
对于图像算法的处理可以用软件或者硬件来实现。
通常来说，出于简便和成本考虑，一般利用软件来实现大部分操作，除非需要更高的速度以满足性能指标。
软件可以优化，但有时是不够的。
一般来说，图像处理速度的提高，主要有两种手段，一是改变图像处理算法，使算法更简单。
但最为耗时的图像低级处理算法已经相当成熟，其运算的复杂性也相对固定，所以改变算法同时又能够保证精度是非常困难的。
二是改变实现算法的手段。
目前，实现图像处理算法的手段针对不同的应用需求主要有以下几种：
（1）通用计算机
通用计算机是基于冯．诺依曼结构的，通过高级语言（C，C++等）编写程序代码，整个执行过程是单指令单数据的串行处理过程，在很多情况下该系统结构上的局限性使它对低级图像的处理不能够满足高速处理的要求，它适合各种图像处理算法的验证，适用于一些实时性要求不高的场合。
（2）并行处理机
在许多场合下，单个CPU不能够实现实时数据处理的时候，采用多个CPU同时工作的并行处理为解决此问题提供了可能。
各国学者在这方面作了大量的工作，并已经研究出多种并行结构和编程语言，它克服了单个处理器串行工作的局限性，提高了系统的性能。
虽然对并行处理进行了大量的研究，但这个领域仍不成熟。
处理单元负载不均衡，并行算法编程困难，理论上并行处理所应达到的性能和实际性能相比有较大差距。
（3）专用集成电路
专用集成电路是针对于某一固定算法或应用而专门设计的硬件芯片。
许多图像处理算法采用通用处理器和DSP来实现难以满足速度需要，而必须采用ASIC来实现，在各种算法实现方案中使用ASIC来实现是最快的。
但是，ASIC在实际应用中也有其缺点：
ASIC从设计到应用需要较长的时间周期；ASIC因为属于专用硬件芯片，所以需求数量较少，成本也就非常高；由于ASIC是为专用目的设计的，当设计成型并且流片成功就不能改动，所以在设计中当算法因故需要改变时就要设计者重新设计芯片和硬件电路；当ASIC里存在硬件设计的错误时，并且在投入生产前未能发现的话，唯一解决的办法是把产品回收，而这样做的后果往往是芯片商付出沉重的经济代价。
ASIC较低的灵活度往往使其局限于非常有限的应用中并容易产生性能瓶颈，因此由ASIC构建的图像处理系统，缺乏灵活性。
（4）数字信号处理器
数字信号处理器（DSP），是专门为快速实现各种数字信号处理算法而设计的、具有特殊结构的微处理器，通常使用C语言进行编程，其处理速度可达到2000MIPS，比最快的CPU还快10-50倍。
数字信号处理器的内部采用专用硬件实现一些数字信号处理常用的运算，所以它进行这些运算速度非常快，如乘加（MAC）运算只需要一个时钟周期。
但是从根本上来说，DSP只是对某些固定的运算提供硬件优化，其体系仍是串行指令执行系统，并且这些固定优化运算并不能够满足众多算法的需要，这使得它的使用受到限制。
（5）现场可编程门阵列（FPGA）
FPGA器件是当今运用极为广泛的可编程逻辑器件，也被称为可编程ASIC。
FPGA器件在结构上具有逻辑功能块排列，可编程的内部连线连接这些功能模块来实现一定的逻辑功能。
FPGA器件的功能由逻辑结构的配置数据决定。
工作时，这些配置数据存放在片内的SILAM中。
使用SRAM的FPGA器件，在工作前需要从芯片外部加载配置数据，配置数据可以存储在片外的EPROM或其他存储体上，设计者可以控制加载过程，在现场修改器件的逻辑功能，即所谓现场编程。
利用它用户不仅可以方便地设计出所需的硬件逻辑，而且可以进行静态重复编程和动态在系统重配置，使系统的硬件功能可以像软件一样编程来修改，从而可以实时地进行灵活而方便的更新和开发，大大提高了系统设计的灵活性和通用性。
与此同时，FPGA自身也在迅速发展，其集成度、工作速度不断提高，包含的资源越来越丰富，可实现的功能也越来越强。
FPGA能在设计上实现硬件并行和流水线技术，而这些都不能在DSP上实现。
因此，对于实时图像处理而言，与本质上仍然是依靠串行执行指令来完成相应图像处理算法的DSP系统相比，FPGA有很强的灵活性，可以根据需要进行重构配置，有较强的通用性，适于模块化设计；同时其开发周期短，系统易于维护和扩展，适合实时的信号处理，能够大大提高图像数据的处理速度，满足系统的实时性要求，因此采用FPGA器件是个不错的选择。
随着近些年来多媒体技术的发展，人们对视频信息的需求愈来愈强烈，图像采集与处理显得越来越重要。
依托计算机技术、通信技术和网络条件的发展以及数字信号处理的快速发展，图像处理系统出现以下发展趋势：
（1）随着硬件的发展，图像处理系统的性能会越来越高，价格会逐步降低；
（2）图像处理系统的功能都会集成在一个便于携带使用方便的电子设备上，不需要PC和各种辅助设备；
（3）由于网络的普及，图像处理系统将和网络结合，实现远程的图像采集和传输；
（4）图像处理系统内部将集成开发软件，使得用户更加容易根据自己的需要开发相应的图像处理算法，系统的效率更高。
4、图像处理算法分析
4．1图像处理的方法
通常情况下，当图像被系统采集到时，系统获取的图像由于经过传输和随机干扰，使图像质量下降。
为了稳定地进行特征抽取，提高精度等必须消除噪声。
同时为了取出图像的几何学各种特征，便于图像识别，提高识别的速度，必须进行图像的滤波和边缘检测等图像处理方法。
目前，图像的增强处理方法很多，主要可以分为频率域法和空间域法两大类。
频域处理法就是在图像的某种变换域内，对图像的变换值进行运算，然后通过逆变换获得图像增强效果。
这是一种间接处理方法。
在频率域，由于噪声频谱多集中在高频段，因此主要用低通滤波方法来减少噪声。
空间域处理法是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的，所用的映射变换取决于增强的目的，例如增加图像的对比度，改善图像的灰度层次等处理均属于空域处理法的范畴。
目前，在空间域主要采用邻域平均法和中值滤波法来消除噪声。
图像处理，主要是通过对像素的一些运算提高图像质量，在图像处理过程中，虽然处理算法简单，但参与运算的数据量大，数据需多次重复使用，因此，图像处理往往是图像处理系统中最为耗时的环节，对整个系统速度影响较大。
由于图像中的所有元素均可施以同样的操作，存在固有的并行性，非常适合于映射到FPGA架构中由硬件算法实现，使得图像的处理速度大大加快，本章主要对中值滤波和边缘检测图像增强处理算法的FPGA实现进行分析研究。
4．2中值滤波算法
系统获取的图像在形成、传输、接收和处理的过程中，不可避免地存在着外部干扰和内部干扰。
各种噪声随之而来，如图像传感器、信道传输、A／D转换等所产生的脉冲噪声、数字化过程中的量化噪声还有来自外部的电磁波干扰等。
图像中的加性和乘性噪声与信号交织在一起，这些噪声极大地降低了图像质量，对图像分割、特征提取、图像识别等处理产生不可预料的影响，因而消除噪声在图像处理中占有重要的地位。
目前去除噪声的方法主要是进行图像滤波，而对图像滤波的要求是：
既能去除图像以外的噪声，同时又要尽量保持图像的细节。
中值滤波算法在去除脉冲噪声、椒盐噪声的同时又能保留图像的边缘细节，可以克服均值滤波方法所带来的图像细节模糊，同时实现起来也简单可行。
中值滤波器是最常见的一种滤波器，它是将像素（原像素也包括在内）邻域内灰度的中值代替该像素的值。
中值滤波器的使用非常普遍，这是因为对于一定类型的随机噪声，它提供了一种优秀的去噪能力，比小尺寸的线性平滑滤波器的模糊程度明显要低。
中值滤波器对椒盐噪声非常有效，因为这种噪声是以黑白点叠加在图像上的。
一个数值集合的中值median是这样的值，在数值集合中，有一半小于或等于median，还有一半大于或等于median。
为了对一幅图像的某个像素做中值处理，必须将邻域内所有的像素包括正在被处理的像素排序，确定出中值，并将该中值赋予该像素点。
中值滤波器的主要功能是使拥有不同灰度的点看起来更接近它的邻近值，它的实质在于，对于一个
的中值滤波器，它能够去除相对于邻域更亮或更暗，并且其区域小于
（滤波器区域的一半1的孤立像素集，使这些像素的灰度强制变为邻域的灰度的中值。
中值滤波算法在实现时一般是对窗口内的像素值进行排序操作。
排序的过程就是对像素作比较和交换的过程。
序列中像素之间的比较次数是影响排序速度的重要原因。
传统的中值滤波方法是使用冒泡法对窗口内像素值进行排序，对于一个像素数为13的窗口数列，第一步遍历整个数列，记录最大值；第二步将上一步骤得到的最大值除去再遍历数列，记录第二大的值，如此循环直到剩下最后一个值为止，这时取出第
个数，即为中值输出。
在整个比较过程中，总共做了
次像素比较操作。
实际上，小于中值的数对于后面运算无意义，只需要排序
次即可，此方法实现速度与滤波窗口大小有关。
4．3图像边缘检测算法
边缘检测是图像处理的重要环节，是模式识别和计算机视觉的基础。
图像边缘是图像特性（如像素灰度、纹理等）分布不连续处、图像周围特性有阶跃或屋脊变化的那些像素的集合，是图像识别信息最集中的地方。
由于边缘表示图像信号的突变，因此其中包含了大量的信息，这些信息可以用于图像分析、目标识别以及图像滤波。
边缘检测的好坏直接决定了后续处理的结果。
对这种变化最有用的两个特征是灰度的变化率和方向，它们分别以梯度向量的幅度和方向来表示。
因此，图像灰度值的显著变化可以用梯度的离散逼近函数来检测。
5、各种算子的研究及对比
5.1Roberts算子
Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。
常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。
其缺点是对边缘的定位不太准确，提取的边缘线条较粗。
Roberts算子的模板分为水平方向和垂直方向，从其模板可以看出，Roberts算子能较好的增强正负45度的图像边缘。
详细计算公式如下所示：
Roberts算子像素的最终计算公式如下：
在Python中，Roberts算子主要通过Numpy定义模板，再调用OpenCV的filter2D（）函数实现边缘提取。
5.2Prewitt算子
Prewitt是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。
由于Prewitt算子采用33模板对区域内的像素值进行计算，而Robert算子的模板为22，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。
Prewitt算子适合用来识别噪声较多、灰度渐变的图像，其计算公式如下所示。
在Python中，Prewitt算子的实现过程与Roberts算子比较相似。
通过Numpy定义模板，再调用OpenCV的filter2D（）函数实现对图像的卷积运算，最终通过convertScaleAbs（）和addWeighted（）函数实现边缘提取。
5.3Sobel算子
Sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。
该算子用于计算图像明暗程度近似值，根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘。
Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。
Sobel算子的边缘定位更准确，常用于噪声较多、灰度渐变的图像。
其算法模板如公式所示，其中dx表示水平方向，dy表示垂直方向。
Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。
对噪声具有平滑作用，提供较为精确的边缘方向信息。
5.4Laplacian算子
拉普拉斯（Laplacian）算子是n维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。
它通过灰度差分计算邻域内的像素，基本流程是：
判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作。
在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系，最后通过梯度运算的结果对像素灰度进行调整。
Laplacian算子分为四邻域和八邻域，四邻域是对邻域中心像素的四方向求梯度，八邻域是对八方向求梯度。
其中，四邻域模板如公式所示：
通过模板可以发现，当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。
对卷积运算的结果用适当的衰弱因子处理并加在原来中心像素上，就可以实现图像的锐化处理。
Laplacian算子的八邻域模板如下：
6、总结
随着数字多媒体技术的不断发展,数字图像处理技术被广泛应用于航空航天、通信、医学及工业生产等领域中。
图像处理系统一般包括两个部分:
图像采集部分和图像处理部分。
图像采集部分由专用的视频处理器、图像缓存和控制接口电路组成。
图像处理部分可以是计算机,也可以是专用图像处理器件,或者是两者的结合。
由于底层图像处理的数据量很大,要求处理速度快,但运算结果相对比较简单,以FPGA作为主要处理芯片的图像处理系统非常适合于对图像进行处理。
升级会员 