遺傳算法在圖像處理中的應用研究

1、Y1058t92分類號:聊州鳩#校代鶘:10079女紐:tM華北電力大學北。、碩士學位論文題目:遺傳算法在圖像處理自的應用研究英文趣目:Research on Appliev,tion of Genetlc Algoilmm in:m2魯cProcessing研究生:尚飛專業(yè):信號與信息處理研究方向:史州估q與1二息處刪指導教師t唐皂瑞職稱副教授論文提交日期:2806年12月華北電力凡學 p(擴圖2-1中值濾波幅頻響應日近似統(tǒng)計曲線圖自適應濾波,就是利用潛意識可以獲得的濾波器參數(shù)等結果,自動地調節(jié)現(xiàn)時刻的濾波器參數(shù),以適應信號和噪聲未知的或隨時間變化的統(tǒng)計特性,從而實現(xiàn)最優(yōu)濾波。自適應濾波是近

2、30年來發(fā)展起來的。維納和卡爾曼濾波器等濾波器要求已知關于信號和噪聲統(tǒng)計特性的先驗知識,但在實際應用中常常無法得到信號特征先驗值時,在這種情況下,采用自適應濾波器,能夠得到較好的濾波效果。原始圖像經過均值濾波后,噪聲得到了抑制,圖像也得到了平滑,但同時也使圖像邊緣變得模糊。中值濾波方法簡單,易于實現(xiàn),而且能較好地保護邊界,但對圖像中的細節(jié)處理不理想,有時會失掉圖像中的細線和小塊目標區(qū)域。均值濾波非常適用于去除通過掃描得到的圖像中的顆粒噪聲。中值濾波器對于濾除圖像中的椒鹽噪聲非常有效。如圖2.2所示。自適應濾波具有更好的選擇性,不但使噪聲得到了抑制,且更好地保存圖像的邊緣和高頻細節(jié)信息,使得目標

3、比均值濾波和中值濾波更清晰。 (a隨機噪聲(b隨機噪聲均值濾波(c隨機噪聲中值濾波(d隨機噪聲高斯濾波 (e椒鹽噪聲(f椒鹽噪聲均值濾波(g椒鹽噪聲中值濾波(h椒鹽噪聲高斯濾波圖2-2濾波結果 (aLena原圖(bRoberts算子分割 (cPrewitt算子分割(dSobel算子分割圖2-8邊緣檢測算子圖像分割串行是指在處理圖像時不但利用本身像素的信息,而且還利用前面已經處理過像素的結果。串行邊界分割是指采用串行的方法對目標邊界檢測來實現(xiàn)分割的方法。串行邊界技術通常是通過順序搜索邊緣點來工作的,包括:起始邊緣點的確定、確定搜索下一個邊緣點的的準則和設定中值搜索過程的條件。串行邊界分割技術是一

4、類重要的圖像分割技術。它可以和其他方法結合進行圖像分割。常用的方法是邊界跟蹤。邊界跟蹤是由梯度圖中的一個邊緣點出發(fā),搜索并連接邊緣點進而逐步檢測所有邊界的方法。對于上節(jié)提到的并行邊緣圖像分割方法,邊緣像素不一定能夠組合成封閉曲線,因為邊界上有可能會遇到缺口。缺口可能太大而不能用一條直線或曲 華北電力大學碩士學位論文取法等。(aBabara原圖(b閾值分割串行區(qū)域分割是指采用串行處理策略對目標區(qū)域直接檢測來實現(xiàn)分割的方法。串行區(qū)域分割的特點是整個處理過程可以分解為順序的多個步驟依次進行。串行區(qū)域分割一般可以分成兩種方法;一是區(qū)域生長,二是分裂合并。區(qū)域生長是指從某個像素出發(fā)按照一定的規(guī)則,逐步加

5、入鄰近像素,當滿足一定的條件時,區(qū)域停止生長。2310lO”3i210;lt一赫。疊5598=、?！啊?48:8。k盤妙,十也i221010j;22,1010譬撼S S重疊S8彰:22ll ll7#i22ll ll;i22ll ll;2Z ll lli,(b(c圖2.11區(qū)域生長示例妒”*;%+2222、;2222;2222;+22Z2k W圖2-ll(a中,帶有陰影的像素為初始的種子點,假設生長準則是種子點和所考慮像素灰度值差的絕對值,并且小于或等于某個閾值r,就將該像素包括到該種子像素所在的區(qū)域。圖2-11(beP給出了拈1時的生長結果,圖像被分成了四個區(qū)域。圖2-11(c給出了T=3,種

6、子點為圖2-110中像素值為2和11的兩個像素,結果是整個圖像被分成了2個區(qū)域。圖2-11(d給出了T=5,種子點為圖2-1Ka中像素值為 2的像素,生長的結果是最后全圖變成了一個區(qū)域。 If ObjV=conditionBreak,End為了檢驗本文算法的濾波效果,對256256的Cameraman和512512的Lena256級灰度圖像添加不同密度的椒鹽噪聲,分別進行均值濾波、中值濾波、排序均值濾波、僅采用咐作為隸屬度的模糊排序均值濾波、僅采用啊作為隸屬度的排序均值濾波和本文的算法濾波,實驗結果如圖4-6、圖4.7、圖4-8、圖4-9所示:(aCameraman原圖(b低密度噪聲圖像(D均

7、值濾波(33(d中值濾波(3X3(e排序均值濾波(33(f咐模糊排序均值濾波(g,f模糊排序均值濾波(h本文濾波算法 圖4-6低密度噪聲環(huán)境下Cameraman圖像的各種算法濾波結果華北電力大學碩士學位論文 (a高密度噪聲圖像(b均值濾波(3x3(c中值濾波(3X3 (d排序均值濾波(3X3(euo模糊排序均值濾波(o蜥模糊排序均值濾波 本文濾波算法圖4-8,高密度噪聲環(huán)境下Cameraman圖像的各種算法濾波結果-45.華北電力大學碩士學位論文 (aLena原圖(b低密度噪聲Lena圖像(c均值濾波(3x3 (d中值濾波(3X3(c排序均值濾波(3X3(D%模糊排序均值濾波 (gq模糊排序均

8、值濾波(h本文濾波算法圖4.9低密度噪聲環(huán)境下Lena圖像的各種算法濾波結果-46-華北電力大學碩士學位論文 (a高密度噪聲Lena倒像(b均值濾波(33(c中值濾波(3X3 (d排序均值濾波(3X3(e%模糊排序均值濾波%模糊排序均值濾波 (g本文濾波算法圖4.10高密度噪聲環(huán)境下Lena圖像的各種算法濾波結果從圖中對比可以看出,中值濾波、排序均值濾波都比均值濾波對椒鹽噪聲去噪效果明顯;但是中值濾波和排序均值都不同程度的模糊了圖像,不利于后續(xù)的圖像處理。而通過遺傳算法優(yōu)化“的隸屬函數(shù)的模糊排序均值濾波能夠消除凸起的椒鹽噪聲,但由于某些椒鹽噪聲幅度比圖像細節(jié)變化小,所以只用越f,的隸屬函數(shù)來判斷椒鹽噪聲在圖像細節(jié)處理方面存在一定的局限性;而通過遺傳算法優(yōu)化%的隸屬函數(shù)的模糊排序均值濾波