图像处理的自动对焦和自动曝光算法研究

图像伪彩色处理方法研究

中北大学 课程设计说明书 学生：王瑞学号：39 学院：信息商务学院 专业：电子信息工程 题目：图像伪彩色处理方法研究 指导教师：英亮平职称: 副教授

2013 年12 月26 日 中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：王瑞学号：39 学生姓名：齐学号：36 学生姓名：穆志森学号：26 课程设计题目：专业综合实践之多维信息处理部分： 图像伪彩色处理方法研究 起迄日期：2013年12月16 日～2013年12月27日 课程设计地点：电子信息工程专业实验室 指导教师：英亮平 系主任：王浩全

下达任务书日期: 2013年12月15 日课程设计任务书

课程设计任务书

目录 1.1伪彩色图像处理原理 (1) 1.2伪彩色增加的目的 (2) 1.3伪彩色图像处理增强的方法 (2) 2.1 源程序执行原理 (4) 2.2 源程序 (5) 2.3实验结果 (6)

3.1学习心得 (7) 参考文献 (8) 1.1伪彩色图像处理原理 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术，又称为计算机图像处理。扩展了人眼的视觉围，使之跳出传统的可视界限，在人类生活发展的各个方面至关重要。如何用计算机系统解释图像，形成了图像的理解或称为计算机视觉的理解外部世界。 所谓伪彩色图像处理，就是将图像中的黑白灰度级编程不同的彩色，如过分层越多，人眼所能提取的信息也多，从而达到图像增强的效果。这是一种视觉效果明显，又不太复杂的图像增强技术。伪彩色图像处理技术不仅适用于航空摄影和遥感图片，也可用于x光片及云母的判读等处理中。实现伪彩色处理的主要方法主要有密度分割法、灰度级-伪彩色变换法、频域伪彩色处理等多种方法。我

机器视觉与图像处理方法

图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning

单反相机自动对焦系统简史

进入数码时代之后，所有的数码单反相机都有自动对焦功能。用久了习以为常就会觉得这是一项必备功能，于是对自动对焦怎么来的课题就不再深究。事实上，今天的数码单反相机自动对焦系统年纪并不大，从第一台成功打开自动对焦单反市场的美能达Maxxum 7000起（1985年）也不过25年。这25年中自动对焦技术年年进步。目前的数码单反即使是入门级机身，也有多个对焦点及支持拍摄移动物体的各种功能。这在十多年前是高级机身的专利，二十多年前多半是幻想，和最早的Maxxum 7000相比更快速且准确。所以，这是一篇多少有些怀古的文章，大略介绍从最早自动对焦单反相机到独树一帜的康泰时AX（1996年）之间的演变，剩下来的就是大家耳熟能详的发展了。 早期自动对焦原型机和量产机 自动对焦的研究起源甚早，譬如尼康在1971年的Photo Expo（美国芝加哥市）展出了装在F2机身上的自动对焦镜头AF Nikkor 85mm f/4.2（见下图），徕卡也在1976年Photokina 上展出了带自动对焦系统的Correfot原型机、又在1978年Photokina上展出了功能齐全的相机，不过这些机型都没有正式量产上市。 第一台正式量产上市的自动对焦相机是柯尼卡C35 AF（1977年，下左图），这是使用霍尼韦尔的Visitronic自动对焦系统的简单（俗称傻瓜）相机。第一台有自动对焦功能的单反相机是宝丽莱在1978年推出的SX-70 Sonar OneStep（下右图）。它使用装在机顶的声纳（sonar）透过超音波测量对焦距离进行自动对焦。 第一批自动对焦单反镜头

第一波有自动对焦能力的单反镜头在1981年前后出现，它们是佳能FD 35-70mm f/4 AF和启能AF 50mm f/1.7（后来又加上了AF 35-70mm f/3.3-4.5）；下左照片是佳能AL-1机身配FD 35-70mm f/4 AF，下右是启能CE-4s机身加上AF 50mm f/1.7。 佳能和启能这两个自动对焦镜头前方都有两个小窗。启能镜头使用红外线，一个小窗后面有旋转的红外线发射器，另一个小窗内有接收器（见下图）。自动对焦时，会旋转的红外线发射器不断发出红外线、对焦马达驱动镜头移动，当接收器收到从被摄体反射回来最强的讯号时就停止对焦马达，从发射的角度和两个小窗之间的距离可以算出对焦距离。 佳能的系统比较复杂，不用红外线也没有移动的部份。镜头上两个小窗后面各有一片反光镜，两片反光镜之间是一个反光棱镜，它后面是一个CCD数组（见下图）。被摄体经过两个棱镜反射到反光棱镜、再投射到CCD上产生两个像，如果这两个像相同就表示对焦正确。在对焦时，镜头内的对焦马达驱动镜头，比较投射在CCD上的两个像，直到对焦完成为止，从两个像之间的距离就可以算出对焦距离。 佳能和启能这两个镜头与机身完全没有通信，用户把相机取景器中央的对焦点对准被摄体，再按住镜头上的对焦键进行对焦，成功后会发出提示音或亮灯（取景器中可见），然后按下快门拍摄。因为镜头和机身没有通信，佳能的镜头可以在使用FD接环的机身上自动对焦；同理，启能的镜头可以在使用宾得K接环的机身上对焦。另外，对焦马达都在镜头内，需要安装电池，所以镜头都很大且重，对焦速度相当慢、失误率颇高。更重要的是，两者都不是用镜头拍到的影像对焦，所以常会对错对象，而且近距离时有平行视差。启能镜头由于使用红外线，很容易受被摄体和相机之间的物体（譬如玻璃）干扰导致对焦失误，然而它却可以在全黑的环境中对焦。

图像处理的流行的几种方法

一般来说，图像识别就是按照图像地外貌特征，把图像进行分类.图像识别地研究首先要考虑地当然是图像地预处理，随着小波变换地发展，其已经成为图像识别中非常重要地图像预处理方案，小波变换在信号分析识别领域得到了广泛应用. 现流行地算法主要还有有神经网络算法和霍夫变换.神经网络地方法，利用神经网络进行图像地分类，而且可以跟其他地技术相互融合.个人收集整理勿做商业用途 一神经网络算法 人工神经网络（，简写为）也简称为神经网络（）或称作连接模型（），它是一种模范动物神经网络行为特征，进行分布式并行信息处理地算法数学模型.这种网络依靠系统地复杂程度，通过调整内部大量节点之间相互连接地关系，从而达到处理信息地目地.个人收集整理勿做商业用途 在神经网络理论地基础上形成了神经网络算法，其基本地原理就是利用神经网络地学习和记忆功能，让神经网络学习各个模式识别中大量地训练样本，用以记住各个模式类别中地样本特征，然后在识别待识样本时，神经网络回忆起之前记住地各个模式类别地特征并将他们逐个于样本特征比较，从而确定样本所属地模式类别.他不需要给出有关模式地经验知识和判别函数，通过自身地学习机制形成决策区域，网络地特性由拓扑结构神经元特性决定，利用状态信息对不同状态地信息逐一训练获得某种映射，但该方法过分依赖特征向量地选取.许多神经网络都可用于数字识别，如多层神经网络用于数字识别：为尽可能全面描述数字图像地特征，从很多不同地角度抽取相应地特征，如结构特征、统计特征，对单一识别网络，其输入向量地维数往往又不能过高.但如果所选取地特征去抽取向量地各分量不具备足够地代表性，将很难取得较好地识别效果.因此神经网络地设计是识别地关键.个人收集整理勿做商业用途 神经网络在图像识别地应用跟图像分割一样，可以分为两大类： 第一类是基于像素数据地神经网络算法，基于像素地神经网络算法是用高维地原始图像数据作为神经网络训练样本.目前有很多神经网络算法是基于像素进行图像分割地，神经网络，前向反馈自适应神经网络，其他还有模糊神经网络、神经网络、神经网络、细胞神经网络等.个人收集整理勿做商业用途 第二类是基于特征数据地神经网络算法.此类算法中，神经网络是作为特征聚类器，有很多神经网络被研究人员运用，如神经网络、模糊神经网络、神经网络、自适应神经网络、细胞神经网络和神经网络.个人收集整理勿做商业用途 例如神经网络地方法在人脸识别上比其他类别地方法有独到地优势，它具有自学习、自适应能力，特别是它地自学能力在模式识别方面表现尤为突出.神经网络方法可以通过学习地过程来获得其他方法难以实现地关于人脸识别规律和规则地隐性表达.但该方法可能存在训练时间长、收敛速度慢地缺点.个人收集整理勿做商业用途 二小波变换 小波理论兴起于上世纪年代中期，并迅速发展成为数学、物理、天文、生物多个学科地重要分析工具之一；其具有良好地时、频局域分析能力，对一维有界变差函数类地“最优”逼近性能，多分辨分析概念地引入以及快速算法地存在，是小波理论迅猛发展地重要原因.小波分析地巨大成功尤其表现在信号处理、图像压缩等应用领域.小波变换是一种非常优秀地、具有较强时、频局部分析功能地非平稳信号分析方法，近年来已在应用数序和信号处理有很大地发展，并取得了较好地应用效果.在频域里提取信号里地相关信息，通过伸缩和平移算法，对信号进行多尺度分类和分析，达到高频处时间细分、低频处频率细分、适应时频信号分解地要求.小波变换在图像识别地应用，包括图形去噪、图像增强、图像融合、图像压缩、图像分解和图像边缘检测等.小波变换在生物特征识别方面(例如掌纹特征提取和识别)同样得到了成功应用，部分研究结果表明在生物特征识别方面效果优于、、傅里叶变换等方

数字图像处理算法汇总

形态学运算：基本思想是具用一定结构形状的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。 腐蚀运算：将结构元素中心遍历整个图像，当图像完全包含结构元素时的中心点的轨迹即为腐蚀后的图像，图像变细。腐蚀运算可用于滤波，选择适当大小和形状的结构元素，可以滤除掉所有不能完全包含结构元素的噪声点。当然利用腐蚀滤除噪声有一个缺点，即在去除噪声的同时，对图像中前景物体形状也会有影响，但当我们只关心物体的位置或者个数时，则影响不大。 膨胀运算：将结构元素中心遍历整个图像边缘，中心点的轨迹即为腐蚀后的图像，图像整体变粗。通常用于将图像原本断裂开来的同一物体桥接起来，对图像进行二值化之后，很容易是一个连通的物体断裂为两个部分，而这会给后续的图像分析造成干扰,此时就可借助膨胀桥接断裂的缝隙。 开运算：先腐蚀后膨胀，可以使图像的轮廓变得光滑，还能使狭窄的连接断开和消除细毛刺；但与腐蚀运算不同的是，图像大的轮廓并没有发生整体的收缩，物体位置也没有发生任何变化。可以去除比结构元素更小的明亮细节，同时保持所有灰度级和较大亮区特性相对不变，可用于补偿不均匀的背景亮度。与腐蚀运算相比，开运算在过滤噪声的同时，并没有对物体的形状轮廓造成明显的影响，但是如果我们只关心物体的位置或者个数时，物体形状的改变不会给我们带来困扰，此时腐蚀滤波具有处理速度上的优势。 闭运算：先膨胀后腐蚀，可以去除比结构元素更小的暗色细节。开闭运算经常组合起来平滑图像并去除噪声。可使轮廓变的平滑，它通常能弥合狭窄的间断，填补小的孔洞。腐蚀运算刚好和开运算相反，膨胀运算刚好和闭运算相反，开闭运算也是对偶的，然而与腐蚀、膨胀不同的是，对于某图像多次应用开或闭运算的效果相同。 击中击不中运算：先由结构元素腐蚀原图像，再将结构元素取反去腐蚀原图像的取反图，最后将两幅处理后的图像取交。主要用于图像中某些特定形状的精确定位。 顶帽变换：原图像减去开运算以后的图像。当图像的背景颜色不均匀时，使用阈值二值化会造成目标轮廓的边缘缺失，此时可用开运算（结构元素小于目标轮廓）对整个图像背景进行合理估计，再用原图像减去开运算以后的图像就会是整个图像的灰度均匀，二值化后的图像不会有缺失。 Sobel算子： Prewitt算子： LOG算子： Canny算子：力图在抗噪声干扰和精确定位之间尊求折中方案，主要步骤如下所示： 1、用高斯滤波器平滑图像； 2、用一阶偏导的有限差分来计算梯度的幅值和方向； 3、对梯度幅值进行非极大值抑制； 4、用双阈值算法检测和连接边缘。 Hough变换： 边缘检测：

图像处理技术的研究现状和发展趋势

图像处理技术的研究现状和发展趋势 庄振帅 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开

基于图像处理的相机自动对焦方法研究综述

基于图像处理的相机自动对焦方法研究综述摘要：随着各种成像设备自动化、智能化的迅速发展，自动对焦技术的应用越来越广泛。自动对焦系统一般由分析处理模块和控制驱动模块组成，而分析处理这一块是整个自动对焦系统的重中之重，从传统的测距法到像偏移法，再到近来流行的基于图像处理的自动对焦法都无不体现了自动对焦技术的发展。现在就来简单的介绍一下基于图像处理的自动对焦技术。 关键词：图像处理；自动对焦；对焦评价函数；对焦搜索策略 一自动对焦技术的发展 自动对焦技术是计算机视觉和各类成像系统的关键技术之一, 在照相机、摄像机、显微镜、内窥镜等成像系统中有着广泛的用途。自动对焦技术从20 世纪70 年代后期发展起来, 到现在已经日臻成熟并取得了广泛应用。 1.1 传统的自动对焦方法 （1）测距法： 测距法是通过向被摄物体发射光波或辐射波，并接收反射波来测量目标的距离，然后通过计算机来控制自动对焦，主要包括红外测距法、激光测距法、超声波测距法等。优点：结构简单，可靠性高；缺点：由于所拍物体的吸收和反射能力不同会造成随机噪声。 （2）像偏移法： 像偏移法是利用三角测距原理，由被摄物体发出的光线，同时进入左、右两组接收器，并成像在接收元件上，通过两组信号的对比求得合适的对焦位置。被摄物体的距离信息通过在CCD上成像位置的差异反映出来，可直接由CCD元件进行检测和分辨。优点：结构简单、可靠性高；缺点：CCD元件与光电转换、运算系统的电路技术要求较高，成本也高。

2 焦点检测自动对焦法 焦点检测法主要用于单反相机中，它是在镜头的焦点附近设置自动对焦微型组件，将镜头焦点直接作为探测对象的一种方式，它能够适应各种变焦镜头且拍摄距离大。该方法又分为反差检测和相位检测两种。 焦点检测法的优点是：在一般状况下能够较好地实现对焦，检测装置不需要发射源，能耗少，能够实现远距离对焦。其缺点是：对于运动的、细线条的或者是低反差的拍摄体进行自动对焦有困难，同时对含有偏光特性的物体对焦也比较困难。 二基于图像处理的自动对焦原理 在数字系统里面的自动对焦是基于图像处理的自动对焦，基于数字图像处理的自动对焦方法主要有离焦深度发（DFD,Depth from Defocusing）和对焦深度法（DFF,Depth from Focusing）两种。 1 离焦深度法（DFD） 离焦深度法是一种从离焦图像中取得深度信息从而完成自动对焦的方法。离焦深度法又分为基于图像恢复的离焦深度法和基于离焦量估计的离焦深度法。 离焦深度法的主要缺点是：需要事先获得成像系统精确的数学模型，才能保证对焦的精度，而该数学模型在理论上还不能精确地确定，只能近似估计，从而导致误差极大。 2 对焦深度发（DFF） 对焦深度法是一种建立在搜寻过程上的对焦方式。它通过选取一种适当的评价函数来评价不同对焦位置所获得图像的清晰度，清晰度值最大时对应最佳的对焦位置。 基于图像处理对焦的两大优点：a、调焦更加智能化，聚焦判据更加灵活和多样； b、利用计算机可以很方便地对运动执行机构进行控制，从而避开复杂的调焦电路和机构。

图像处理基本方法

图像处理的基本步骤 针对不同的目的，图像处理的方法不经相同。大体包括图像预处理和图像识别两大模块。 一、图像预处理： 结合识别复杂环境下的成熟黄瓜进行阐述，具体步骤如下： · 图像预处理阶段的流程图 对以上的图像流程进行详细的补充说明: 图像预处理的概念: 将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。 图像装换和图像分割以及区域形态学处理都是属于图像处理的基本内容之一。 图像转换：方法：对原图像进行灰度化处理生成灰度矩阵——降低运算速度（有具体的公式和方程），中值滤波去噪声——去除色彩和光照的影响等等。 图像分割：传统方法：基于阈值分割、基于梯度分割、基于边缘检测分割和基于区域图像割等方法。脉冲耦合神经网络 （ＰＣＮＮ）是针对复杂环境下 图像采集 图像采集中注意采集的方法、工具进行介绍。目的是怎样获取有代表性的样本。（包括天气、相机的位置等） 对采集的图像进行特征分析 目标的颜色和周围环境的颜色是否存在干涉的问题、平整度影响相机的拍摄效果、形状 图像转换 图像分割 区域形态学处理

的有效分割方法，分割的时候如果将一个数字图像输入ＰＣＮＮ，则能基于空间邻近性和亮度相似性将图像像素分组，在基于窗口的图像处理应用中具有很好的性能。 区域形态学处理：对ＰＣＮＮ分割结果后还存在噪声的情况下，对剩余的噪声进行分析，归类属于哪一种噪声。是孤立噪声还是黏连噪声。采用区域面积统计法可以消除孤立噪声。对于黏连噪声，可以采用先腐蚀切断黏连部分，再膨胀复原目标对象，在进行面积阙值去噪，通过前景空洞填充目标，最后通过形态学运算，二值图像形成众多独立的区域，进行各连通区域标识，利于区域几何特征的提取。 二、图像识别： 针对预处理图像提取 目标特征 建立LS SVM分类器 得到结果 图像识别流程图 提取目标特征：目标特征就是的研究对象的典型特点，可以包括几何特征和纹理特征。 对于几何特征采用的方法：采用LS-SVM支持向量机对几何特征参数进行处理，通过分析各个参数的分布区间来将目标和周围背景区分开，找出其中具有能区分功能的决定性的几何特征参数。 纹理特征方法：纹理特征中的几个参数可以作为最小二乘支持向量机的辅助特征参数，提高模型的精准度。 最小二乘支持向量机介绍：首先选择非线性映射将样本从原空间映射到特征空间，以解决原空间中线性不可分问题，在此高维空间中把最优决策问题转化为等式约束条件，构造最优决策函数，并引入拉格朗日乘子求解最优化问题，对各个变量求偏微分。 LS SVM分类器：对于p种特征选择q个图像连通区域，作为训练样本。依

外文翻译----数字图像处理方法的研究

The research of digital image processing technique 1 Introduction Interest in digital image processing methods stems from two principal application areas: improvement of pictorial information for human interpretation; and processing of image data for storage, transmission, and representation for autonomous machine perception. This chapter has several objectives: (1)to define the scope of the field that we call image processing; (2)to give a historical perspective of the origins of this field; (3)to give an idea of the state of the art in image processing by examining some of the principal area in which it is applied; (4)to discuss briefly the principal approaches used in digital image processing; (5)to give an overview of the components contained in a typical, general-purpose image processing system; and (6) to provide direction to the books and other literature where image processing work normally is reporter. 1.1What Is Digital Image Processing? An image may be defined as a two-dimensional function, f(x, y), where x and y are spatial (plane) coordinates, and the amplitude of f at any pair of coordinates (x, y) is called the intensity or gray level of the image at that point. When x, y, and digital image. The field of digital image processing refers to processing digital images by means of a digital computer. Note that a digital image is composed of a finite number of elements, each of which has a particular location and value. These elements are referred to as picture elements, image elements, pels, and pixels. Pixel is the term most widely used to denote the elements of a digital image. We consider these definitions in more formal terms in Chapter2. Vision is the most advanced of our senses, so it is not surprising that images play the single most important role in human perception. However, unlike human who are limited to the visual band of the electromagnetic (EM) spectrum, imaging machines cover almost the entire EM spectrum, ranging from gamma to radio waves. They can operate on images generated by sources that human are not accustomed to associating with image. These include ultrasound, electron microscopy, and computer-generated images. Thus, digital image processing encompasses a wide and varied field of application. There is no general agreement among authors regarding where image processing stops and other related areas, such as image analysis and computer vision, start. Sometimes a distinction is made by defining image processing as a discipline in which both the input and output of a process are images. We believe this to be a limiting and somewhat artificial boundary. For example, under this definition, even the trivial task of computing the average intensity of an image (which yields a single number) would not be considered an image processing operation. On the other hand, there are fields such as computer vision whose ultimate goal is to use computer to

图像处理方法

i=imread('D:\00001.jpg'); >> j=rgb2gray(i); >> warning off >> imshow(j); >> u=edge(j,'roberts'); >> v=edge(j,'sobel'); >> w=edge(j,'canny'); >> x=edge(j,'prewitt'); >> y=edge(j,'log'); >> h=fspecial('gaussian',5); >> z=edge(j,'zerocross',[],h); >> subplot(2,4,1),imshow(j) >> subplot(2,4,2),imshow(u) >> subplot(2,4,3),imshow(v) >> subplot(2,4,4),imshow(w) >> subplot(2,4,5),imshow(x) >> subplot(2,4,6),imshow(y) >> subplot(2,4,7),imshow(z)

>> %phi:地理纬度lambda:地理经度delta：赤纬omega：时角lx 影子长，ly 杆长 >> data=xlsread('D:\附件1-3.xls','附件1'); >> X = data(:,2); >> Y = data(:,3); >> [x,y]=meshgrid(X,Y); %生成计算网格 >> fxy = sqrt(x.^2+y.^2); >> %[Dx,Dy] = gradient(fxy); >> Dx = x./fxy; >> Dy = y./fxy; >> quiver(X,Y,Dx,Dy); %用矢量绘图函数绘出梯度矢量大小分布>> hold on >> contour(X,Y,fxy); %与梯度值对应,绘出原函数的等值线图

数字图像处理计算题复习精华版

30452 计算题复习
一、 直方图均衡化（P68）
对已知图像进行直方图均衡化修正。
例：表 1 为已知一幅总像素为 n=64×64 的 8bit 数字图像（即灰度级数为 8），各灰度级（出现的频率）分布
列于表中。要求将此幅图像进行均衡化修正（变换），并画出修正（变换）前后的直方图。
表1
原图像灰
度级 rk
r0=0 r1=1 r2=2 r3=3 r4=4 r5=5 r6=6 r7=7
原各灰度级 原分布概率
像素个数 nk pr(rk)
790
0.19
1023
0.25
850
0.21
656
0.16
329
0.08
245
0.06
122
0.03
81
0.02
解：对已知图像均衡化过程见下表：
原图像灰
度级 rk
原各灰度级 原分布概率 累积分布函
像素个数 nk
pr(rk)
数 sk 计
取整扩展
sk 并
r0=0
790
0.19
0.19
1
r1=1
1023
0.25
0.44
3
r2=2
850
0.21
0.65
5
r3=3
656
0.16
0.81
6
r4=4
329
0.08
0.89
6
r5=5
245
0.06
0.95
7
r6=6
122
0.03
0.98
7
r7=7
81
0.02
1.00
7
画出直方图如下：
确定映射 对应关系
rk→sk
0→1 1→3 2→5 3→6 4→6 5→7 6→7 7→7
新图像灰
度级 sk
1 3 5
新图像各灰 度级像素个
数 nsk
790 1023 850
新图像分 布概率
ps(sk)
0.19 0.25 0.21
6
985
0.24
7
448
0.11
1

数码相机自动对焦模式详解

数码相机自动对焦模式详解 要把远近不同的物体拍清楚就要调整照相机镜头的焦点，这个过程就叫对焦，也叫调焦。老式相机是用手转动镜头筒,直到取景器里看到最清楚的影像,这叫手动对焦(MF)。现在的相机有强大的自动对焦功能，相机能自动测量到被摄主体的距离，利用马达驱动镜头里的一些镜片移动位置以往主体最清晰。 自动对焦的不同方式叫对焦模式。常用的基本对焦模式有两种单次对焦模式(AF—S)和连续对焦模式(AF—c），有的相机还有一种自动对焦模式(AF—A}。在相机的菜单里面可以选择相机的对焦模式。 1．单次对焦模式 单次对焦模式(佳能标记为0NE SHOT 尼康标记为AF—s)在半按快门按钮时相机完成对焦，半按快门的手指不松开(也不继续按下去)就会锁定焦点，这时不管怎样转动方向，或者镜头前的景物移动位置对焦点都不会改变。单次对焦模式下取景器里选定的对焦点会闪亮，一般情况是，焦点无法对准时对焦框变成黄色。焦点已经对准时对焦框变成绿色。 在拍摄实践中拍摄对象的主体部分并不总在画面中央，而是经常偏左或偏右一些，比如在拍摄留念照时。如果直接对着前方半按快门那么相机就会以正前方的物体为对焦点把距离较远的建筑树术等拍得很清晰而较近的．人物反而模糊了。 解决这个问题的方法就是采用单次对焦模式。首先把相机对准站在画面边上的人物轻轻半按下快门这时取景器里会在人物身上显示出一个绿框表示焦点对在这里，然后手指不要动，轻轻转动相机取景把人和背景都放在台适的位置，再轻轻地彻底按下快门，这样拍摄的照片，焦点就在较近的人物身上，人物是最清楚的。所以，单次对焦模式适台拍摄对象静止可以从容构图的情况。 2．连续对焦模式 连续对焦模式下{佳能标记为AI SERVO，又称人工智能伺服AF尼康标记为AF-C),在半按下快门按钮的时候相机对拍摄对象持续进行对焦,拍摄对象在画面里即使不断改变位置和距离。相机也时刻保持它最清晰。随时完全按下快门，都可以拍到主体清晰的照片。我们可以在安静的地方试验一下，这种模式下半按快门，可以听到相机里面的吱吱声，这就是自动对焦系统在连续工作。AI伺服模式下取景器里选定的对焦框不闪亮，即使对焦目标不移动，自动对焦系统仍然“吱吱”地连续工作。 比如有一个人从对面跑过来，在他离我们15米远的时候我们对准他半按快门，这时相机就锁定他为对焦点，他继续往前跑，离我们越来越近，这时相机就会始终把他作为对焦点持续进行调整，不管他离你8米还是5米，你随时彻底按下快门拍下照，片中跑步的人都是清晰的。因为这个模式下相机一直在对焦，所以如果我们拍摄的对象是固定的这种模式反：想用好连续对焦模式就要深入了解其特性。相机取景器里面分布着很多对焦点每种相机大约是从3个到51个不等，用户可以激活任何一个对焦点，也可以激活全部对焦点。 A.激活一个对焦点：半按快门时始终由这个对焦点进行对焦，移动镜头，面对的景物发生了变化，相机就对新的目标进行对焦。比如一个人从我们面前跑过，一开始他在对焦点上，

图像处理之三种常见双立方插值算法

图像处理之三种常见双立方插值算法 图像处理之三种常见双立方插值算法双立方插值计算 涉及到16个像素点，其中(i’, j’)表示待计算像素点在源图像 中的包含小数部分的像素坐标，dx表示X方向的小数坐标，dy表示Y方向的小数坐标。具体可以看下图： 根据上述图示与双立方插值的数学表达式可以看出，双立方插值本质上图像16个像素点权重卷积之和作为新的像素值。其中R(x)表示插值表达式，可以根据需要选择的表达式不同。常见有基于三角取值、Bell分布表达、B样条曲线表达式。1. 基于三角形采样数学公式为 最简单的线性分布，代码实现如下：[java] view plain copy private double triangleInterpolation( double f ) { f = f / 2.0; if( f < 0.0 ) { return ( f + 1.0 ); } else { return ( 1.0 - f ); } } 2.基于Bell分布采样的数学公式如下： Bell分布采样数学公式基于三次卷积计算实现。代码实现如下：[java] view plain copy private double bellInterpolation( double x ) { double f = ( x / 2.0 ) * 1.5; if( f > -1.5 && f < -0.5 ) { return( 0.5 * Math.pow(f + 1.5, 2.0)); } else if( f > -0.5 && f < 0.5 )

毕业设计---基于小波变换的图像处理方法研究

基于小波变换的图像处理方法研究 摘要 图像增强是图像处理的一个重要分支，它对提高图像的质量起着重要的作用。它通过有选择地强调图像中某些信息而抑制另一些信息，以改善图像的视觉效果，将图像转换成一种更适合于人眼观察和计算机进行分析处理的形式。传统的方法在增强图像对比度的同时也会增强图像噪声，而小波变换是多尺度多分辨率的分解方式，可以将噪声和信号在不同尺度上分开，根据噪声分布的规律就可以达到图像增强的目的。 本文首先对传统图像增强理论进行概述，并给出直方图均衡化与灰度变换算法，通过matlab来观察其处理效果的特点，然后提出四种基于小波变换的图像增强方法，并分析它们与传统图像增强方法相比的优缺点，最后基于传统小波变换只能增强图像边缘部分而无法增强细节部分的缺点，引出了基于分数阶微分和小波分解的图像增强方法，并通过matlab观察了这种算法的处理效果。 关键词：图像增强；直方图均衡化；小波变换；分数阶微分

Image enhancement based on wavelet transformation Abstract Image enhancement is an important branch in image processing.It plays an important role in improving the quality of the images.It will improve the image visual effect through emphasizing the image information and inhibitting some other information selectively.It will converse images into a form more suitable for the human eye observation and computer analysis processing.The traditional method of image enhancement will enhance image contrast,image noise as well,while wavelet transform is a decompositon method of multi-scale and multi-resolution,it can separet noise from signal in different scale so that it can arrive the purpose of image enhancement according to the distribution of the noise. In the paper,firstly, I will summarize the image enhancement theory and give the Histogram equalization algorithm,at the same time,I will analyze the disadvantages of the treatment effect through the Matlab.Then,I will give an image enhancement method based on the wavelet transform and analyze its advantages and disadvantages compared with traditional methods.Finally,because traditional wavelet transformation can only strengthen the edge of images instead of the details,we will introduce the image enhancement based on wavelet decomposition and fractional differentials.At the same time,we will observe the treatment effect of this algorithm by the matlab.. Keywords: Image enhancement; Histogram equalization; Wavelet transform; Fractional differenti