图像阈值分割及去噪的实现毕业论文.doc

《图像阈值分割及去噪的实现毕业论文.doc》由会员分享，可在线阅读，更多相关《图像阈值分割及去噪的实现毕业论文.doc（34页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、本科毕业论文(科研训练、毕业设计) 题 目：图像阈值分割及去噪的实现姓 名： 学 院：物理与机电工程学院系：物理系专 业：物理学年 级：学 号： 图像阈值分割及去噪的实现摘要 图像在成像的过程中会受到各种干扰信号即噪声的影响，从而会使画面质量下降。为了减弱噪声、还原真实的画面，需要对图像进行处理。本文介绍图像灰度变换和区域分割、降噪技术。采用区域阈值分割法，分别用Otsu、Niblack以及Kittler算法实现；选用4种图像降噪方法，包括经典的滤波方法即均值滤波、中值滤波和维纳滤波，以及基于小波变换的降噪技术。通过Matlab仿真，详细分析比较了几种阈值分割和滤波法在图像处理方面的特点。关键

2、词 阈值分割 中值滤波 均值滤波 维纳滤波 小波分析1厦门大学本科毕业论文 AbstractImage Binaryzation and Denoising RealizationAbstract In many cases, the quality of pictures suffers significant debasements in the imaging processing, owing to the noise. In order to reconstitute them, we need to process the cropped images properly. This

3、 paper firstly addresses the image gray scale transformation, region segmentation and noise reduction. Otsu, Niblack, and Kittler algorithm are used to realize the second issue;4 kinds of image noise reduction methods are designed and applied, which are mean filtering, median filtering ,Wiener filte

4、ring, and wavelet denoising. The first three issues belongs to classical filtering theory. Matlab simulation based on these methods is built to research the relative benefits and drawbacks.Keywords Region Segmentation Mean Filtering Median Filtering Wiener Filtering Wavelet Denoising2厦门大学本科毕业论文 目录目录

5、摘要1Abstract2目录3引言4第一章 图像噪音5第二章 图像缩放和灰度变换处理62.1图像缩放处理方法62.2图像灰度变换处理6第三章 图像阈值分割83.1 图像分割技术概要83.2图像阈值分割原理83.3图像阈值分割方法9第四章 图像去噪124.1 滤波原理124.2滤波实现方法12第五章 仿真实验结果和讨论165.1图像二值化算法对比165.2图像去噪效果对比17结论21参考文献22致谢语233厦门大学本科毕业论文 引言引言数字图像处理是从 20 世纪 60 年代以来随着计算机技术和 VLSI 的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用上都取得了巨大的成

6、就，并引起各方面人士的广泛重视1。首先，视觉是人类最重要的感知手段，图像又是视觉的基础。因此数字图像成为心理学、生物医学、计算机科学等诸多方面的学者研究视觉感知的有效工具。其次，数字图像处理在军事、遥感、工业图像处理等大型应用中也有不断增长的需求。为适用特殊的场合和获得较好的视觉效果，常常需要一种有效的方法来对图像进行处理。数字图像处理技术从广义上可看作是各种图像加工技术的总称。它包括利用计算机和其他电子设备完成的一系列工作，如图像分割、图像变换、图像去噪等。本文主要是在整合各种优秀的阈值分割和滤波算法的基础上，实现对图像进行分割和去噪，达到处理和读取图像的目的。在MATLAB仿真的基础上，比

7、对各种分割和去噪方法的优缺点。4厦门大学本科毕业论文 第一章第一章 图像噪声大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。按信号与噪声的关系，噪声主要分为加性噪声和乘性噪声2：1)加性噪声，即与信号存在与否无关，是独立于信号之外的噪声，叠加方式为3： (1.1)其中表示输出信号，表示源信号，表示噪声信号。 比如说放大器噪声。2)乘积性噪声又称为卷积噪声，只有在信号出现在信道中才表现出来，它

8、不会主动对信号形成干扰。叠加方式为4 (1.2)乘积性噪声可以通过同态变换成为加性噪声。比如说胶片颗粒噪声。本文讨论通过对图像施加高斯噪声、椒盐噪声和乘性噪声，来模拟实际应用中图像损毁的部分情况。其中，高斯噪声和椒盐噪声属于加性噪声。33厦门大学本科毕业论文 第二章第二章 图像缩放和灰度变换处理 2.1 图像缩放处理方法在计算机图像处理中，图像缩放（image scaling）是指对数字图像的大小进行调整的过程。图像放大是从一幅低分辨率图像获得其高分辨率版本的一种图像处理技术5。各种插值技术是实现图像放大的最常用的方法，其实质是对源图像建立连续的数学模型，然后按缩放要求进行重采样得到目的图像，

9、如最近邻插值、双线性插值、双三次插值等。最近邻插值是最简便的插值，在这种算法中，每一个插值输出像素的值就是在输入图像中与其最临近的采样点的值，运算量非常小。当图像中包含像素之间灰度级变化的细微结构时，最近邻插值法会在图像中产生人工的痕迹。具体原理为如下5：最近邻点插值的一个隐含的假设条件是任一网格点 p(x,y) 的属性值都使用距它最近的位置点的属性值，用每一个网格节点的最邻点值作为待定节点值。当数据已经是均匀间隔分布，要先将数据转换为SURFER网格文件，可以应用最近邻点插值法；或者在一个文件中,数据紧密完整，只有少数点没有取值，可用最近邻点插值法来填充无值的数据点。最近邻点插值网格化法没有

10、选项,它是均质且无变化的,对均匀间隔的数据进行插值很有用,同时,它对填充无值数据的区域很有效2.2图像灰度变换处理图像的灰度变换(Gray-Scale Transformation GST) 处理是图像增强处理技术中一种非常基础、直接的空间域图像处理方法，也是图像数字化软件和图像显示软件的一个重要组成部分6。灰度变换是指根据某种目标条件按一定变换关系逐点改变原图像中每一个像素灰度值的方法。目的是为了改善画质，使图像的显示效果更加清晰。灰度变换有时又被称为图像的对比度增强或对比度拉伸。例如为了显示出图像的细节部分或提高图像的清晰度，需要将图像整个范围的灰度级或其中某一段灰度级扩展或压缩到，这些都

11、要求采用灰度变换方法。从图像输入装置得到的图像数据，以浓淡表示，各个像素与某一灰度值相对应。设原图像像素的灰度值，处理后图像像素的灰度值。则灰度增强5可表示为： (2.2.1)或 (2.2.2) 要求D和D都在图像的灰度范围之内。函数T称为灰度变换函数，它描述了输入灰度值和输出灰度值之间的转换关系。根据(2.2.1)式可以将灰度变换分为线性变换和非线性变换。本文采取rgb2gray函数来实现灰度变换。其原理如下：以R、G、B为轴建立空间直角坐标系，则RGB图的每个象素的颜色可以用该三维空间的一个点来表示，而Gray图的每个象素的颜色可以用直线R=G=B上的一个点来表示。于是RGB图转Gray图

12、的本质，就是寻找一个三维空间到一维空间的映射6，最直接的方法是射影（即过RGB空间的一个点向直线R=G=B做垂线），matlab中也是如此实现的。并且有 (2.2.3)厦门大学本科毕业论文 第三章第三章 图像阈值分割3.1 图像分割技术概要图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，值得指出的是，没有惟一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适用于某些特殊类型的图像分割。可以说，图像分割结果的好坏直接影响对图像的理解。 在图像研究中，

13、图像分割的方法主要可以分成两大类1。一类是边界方法，这种方法的假设是图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法的假设是图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质，阈值分割方法属于区域分割。不可否认，这两类方法都有优缺点，限于时间和篇幅，本文将采用阈值法来分割图像。从某种角度讲，图像分割的目的之一就是目标提取将人类感兴趣的区域提取出来。从这一点说，区域分割是最直接的方法，利用这种分割方法可以直接得到感兴趣的目标区域。本文介绍其中的一种方法-阈值分割方法。阈值分割这种方法，作为一种图像预处理方式，图像分割并不考虑图象降质，只将图

14、象中感兴趣的特征有选择地突出，衰减其不需要的特征，故预处理后的输出图象并不需要去逼近原图象。3.2 图像阈值分割原理阈值分割的基本想法是确定一个阈值，然后把每个像素点的像素值和阈值相比较，根据比较的结果把该像素划分成两类前景或者背景。一般阈值分割可以分成以下3步7。 （1）确定阈值T。 （2）将阈值T和像素值比较。 （3）把像素归类。 上面的3个步骤，关键的是第一步，如果能确定一个合适的阈值，就可以对图像进行正确、方便的分割。即：设定某一阈值T，用T将图像的数据分成两大部分：大于T的像素群和小于T 的像素群。这是研究灰度变换最特殊的方法，称为图像的二值化（binarization）。阈值处理的

15、操作过程是先由用户指定或通过算法生成一个阈值，如果图像中某像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。 阈值方法分全局阈值和局部阈值两种，如果分割过程中对图像上每个像素所使用的阈值都相等，则为全局阈值方法；如果每个像素所使用的阈值可能不同，则为局部阈值方法。前者较简单，但抑制噪声和不均匀光照的能力较差8。后者则是根据区域灰度分布特性，自适应调节阈值，效果一般好于前者。可以认为局部阈值是全局阈值的一般情况，全局阈值则是最简单的图像分割方法。本文中介绍了三种经典的图像区域阈值分割方法。3.3 图像阈值分割方法一、Otsu算法Otsu是一种全局阈值算法，是

16、在最小二乘法原理基础上推导出来的。这种方法的基本思想是将直方图在某一阈值处分割成两组，一组对应于背景文字部分，当被分成的两组的组内方差最小，组间方差最大时，决定阈值。这种基于两组间最佳分类而决定阈值的方法也成为最大类间方差阈值分割法。设给定图像具有L级灰度值，对1 i L 中的每个i 将1，2， ，L分成两组，计算落在组1的像素个数，平均灰度，方差；落在组2的像素个数，平均灰度，方差。设给定图像的灰度级L ，灰度值为i 的像素数 ，总的像素数为 N，每一个灰度值出现的概率为 ，则有 (3.3.2) (3.3.3) 对1 i L 中的每个 将1，2， ，L分成两组，以为阈值，将像素分为两组，组1

17、为灰度值小于 的像素集合。分别计算落在组1和组2的像素数，平均灰度，方差。设组1出现的概率为 ，平均灰度为 ，方差为 。组2像素灰度值的均值为，方差为 。 是组间方差， 是组间方差，则有 (3.3.4) (3.3.5) (3.3.6)对于一幅给定的图像可以证明 (3.3.7)其中，C为常数。因此只需求出 ，则 自然达到最小9。二、Niblack 算法Niblack 二值化算法是局部阈值法，其基本思想是根据点( x , y)邻域 N N 块内所有像素的灰度值来决定一个阈值。若点( x , y)处的灰度值大于该阈值时被判为白色,否则为黑色。点( x , y)处的阈值这样来计算10: (3.3.8)

18、其中 m( x , y)和 s ( x , y)依次是点( x , y)处的局部邻域的样本平均值和标准差。邻域的大小应当足够小以保存细节,但同时也要足够大来抑制噪声。 值是用户自定义系数，用来调整决定多大的字符目标边界被作为给定目标的一部分。当 的取值不断增大，噪音被完全消除，但是图像的细节也损失越多，越来越模糊不清。所以选取合适的邻域大小和 值对算法的整体效果是非常关键的。三、 Kittler算法即kittler 最小分类错误(minimum error thresholding)全局二值化算法。Otsu方法对目标与背景比例悬殊的图像失效Kitter和Illingworthf 出了适应能力更

19、强的最小误差法11。该方法中，直方图视为目标和背景像素灰度级构成的混合概率密度函数p( i )的估计，通常假设混合集的每个分量服从均值为，标准差为的正态分布。然后定义一个准则函数，寻求使得准则函数达到极小值的灰度级作为阈值。1989年Cho14等人对最小误差法进行了简单的修改。他们修正了模型分布方差的偏估计，修改后的方法改善了原有最小误差法的性能对于双频峰直方图改进效果尤为显著，当然代价是增加了计算复杂度。用 Kittler二值化算法对灰度图像进行二值化处理，该步骤得到全局阈值T，Kittler二值化的处理公式为: (3.3.9)公式 (3.3.9)中: f ( x, y)是原始的灰度图像，

20、表示梯度最大值；在 中， 表示水平方向上的梯度，表示垂直方向上的梯度。T是 Kittler算法得到的全局阈值，Kittler算法比较适合细节丰富的图像，经过实验：如果图像的质量很好或者稍有光照不均的现象，用T进行图像的全局二值化已经能够满足实际要求.但为了进一步的满足实际情况 ,特别是解决那些光照不均较严重的情况 ,还需要进行进一步的局部二值化处理。因为e( x ， y )表征了点（ x ， y ）领域的性质，因此本方法也属于基于区域的全局阈值法厦门大学本科毕业论文 第四章第四章 图像去噪4.1 滤波原理所谓滤波就是去掉或者抑制信号中的某些部分，同时保留或者放大另外的部分。滤波器就是实现滤波功

21、能的系统。从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息，是抑制和防止干扰的一项重要措施，这是信号处理中经常采用的主要方法之一，具有十分重要的应用价值。根据滤波器的输出是否为输入的线性函数，可将它分为线性滤波器和非线性滤波器两种。4.2 滤波实现方法一、 均值滤波均值滤波是典型的线性滤波算法，其采用的主要方法为邻域平均法。设一图像是由M幅小图像组成的集合，图像的形式可以表示为12： (4.2.1)式中为理想图像，为噪声图像。由于有噪声存在，导致图像的质量下降。图像噪声概率分布虽不能准确了解，但可假定噪声为互不相关且均值为0的随机噪声。即 (4.2.2) (4.2.3) (4.2.4

22、)式中表示数学期望算子。对M幅图像作平均运算： (4.2.5)显然分析的结果是采用求多幅图像之间的均值得到的，在一幅图像内部，以像素为单位，求周围相邻像素的均值并赋值给中心像素，就会起到类似滤波的效果，当平均处理的噪声图像数目增加时，其统计平均值就越接近原始无噪声图像。 图4.2.1（a）均值滤波模板 图4.2.1（b）均值滤波模板这种运算的实质是求窗口内的所有像素点的平均值，然后将其赋给中心像素点,作为中心像素点的滤波输出。这个取均值的模板其实是一个低通滤波器。因图像细节信息主要分布在高频区域,因此均值滤波的过程会导致图像变模糊。如果模板选取过大,则这种模糊会加剧;模板选择越小,去噪能力会下

23、降。因此模板大小的选择实际上是去噪能力和保留图像细节的一种折中。这种方法在实际应用中的最大困难在于把多幅图像配准,以便使相应的像素能正确地对应排列。二、 中值滤波中值滤波是常用的非线性滤波方法，也是图像处理技术中最常用的预处理技术。它可以克服线性滤波器给图像带来的模糊，在有效清除颗粒噪声的同时，又能保持良好的边缘特性，从而获得较满意的滤波效果，特别适合于去除图像的椒盐噪声。中值滤波是由Turkey在1971年提出，其原理是把序列或数字图像中一点的值，用该点邻域中各点值的中值来替代1。对序列而言中值的定义是这样的：若为一组序列，先把其按大小排列为 (4.2.6)则该序列的中值为 (4.2.7)式

24、(4.2.7)中，若把一个点的特定长度或形状的邻域作为窗口，在一维情况下，中值滤波器是一个含有奇数个像素的滑动窗口。窗口正中间那个像素的值用窗口各像素值的中值来代替，设输入序列为，为自然数集合或子集。窗口长度为，且令，则滤波器的输出为 (4.2.8)式(4.2.8)表明点的中值仅与窗口前后各点的中值有关，为序列的中值。若把中值滤波的概念推广到二维，并利用某种形式的二维窗口。则可对二维中值滤波做如下定义：设表示数字图像各点的灰度值，滤波窗口为，为窗口在点的中值，则 (4.2.9)式(4.2.9)为窗口在点的中值表达式，二维中值滤波的窗口可以取方形，也可以取近似圆形或十字形15。三、 维纳滤波维纳

25、滤波是一种对退化图像进行恢复处理的一种常用算法，也是最早也最为人们熟知的线性图像复原方法。它是利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法15。用表示信号的真实值，表示噪声，其中表示时间，则实际上观测到的信号是为 (4.3.1) 滤波就是要从实测信号中尽可能滤掉噪声，以得到真实信号的良好估值。数学上，滤波问题可以归结为根据来求出的最优估值。维纳滤波中,最优估值是在均方误差的数学期望取极小的一种估值。在假定信号过程与噪声过程为联合平稳和假定在半无限时间区间内能获得的全部观测数据的前提下，维纳滤波给出了计算最优估值的一种方法16。 (4.3.3)这个关系式称为维纳霍夫方程。如

26、果所讨论的各随机过程均具有各态历经性，则式中的和均是已知的。计算最优估值,可归结为从维纳-霍夫积分方程中解出未知函数。的拉普拉斯变换就是所要决定的维纳滤波器的传递函数。 对于一般问题,维纳-霍夫方程往往不易求解。但当给定问题的随机过程的功率谱密度是有理分式函数时，的显式解就可比较容易地定出，信号的最优估值则可由相应关系式定出。维纳滤波器的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。四、 基于小波变换的去噪技术小波变换是通过缩放母小波（Mother wavelet）的宽度来获得信号的频率特征17， 通过平移母小波来获得信号的时间信息。对母小波的缩放和平移操

27、作是为了计算小波系数，这些小波系数反映了小波和局部信号之间的相关程度。小波分析就是把一个信号分解为将母小波经过缩放和平移之后的一系列小波，因此小波是小波变换的基函数。小波变换可以理解为用经过缩放和平移的一系列小波函数代替傅立叶变换的正弦波和余弦波进行傅立叶变换的结果18。 小波变换在图像信号去噪领域已得到越来越广泛的应用。小波阈值去噪方法的思想就是对小波分解后各层系数中模值大于或者小于某阈值的系数分别处理,然后对处理完的小波系数再进行反变换,重构出经过去噪后的图像信号19。小波去噪方法一般按照如下步骤进行:(1) 图像的小波包分解。选择1个小波并确定小波包分解的层次N，然后对图像进行N 层小波

28、包分解。(2) 确定最优小波包基，即对于1个给定的熵标准计算最优树。(3) 小波包分解系数的阈值量化。对于每个小波包分解系数，选择1个适当的阈值并对其系数进行量化。(4) 小波包重构。根据经过量化处理后的低层和高层小波包系数进行小波包重构20。在上述4个步骤之中，最关键的是如何选取阈值和如何进行阈值量化，因为量化和选取目的是为滤掉噪声的小波包系数，保留原图像小波包系数，因此它直接关系到图像去噪的质量21。阈值处理的关键之一是对于阈值的选取。如果阈值太小，去噪后仍有噪声，阈值太大，图像的重要细节会丢失，引起偏差。直观上说，得到噪声的小波包系数越大，阈值选取也应该越大。并且阈值的选取是针对1 组小

29、波包系数，并根据这组小波包系数的统计特性，计算出1个阈值。目前使用的阈值可以分成全局阈值和局部自适应阈值19两类。其中，全局阈值对各层所有的小波包系数或同一层内各结点的小波包系数都是统一的，而局部自适应阈值是根据当前系数周围的实际情况来确定的。厦门大学本科毕业论文 第五章第五章 仿真实验结果和讨论5.1 图像阈值分割算法对比选用Matlab软件作为编程实现平台，选取一幅有代表性的图像处理结果为例，来分析不同的图像阈值分割的效果。 (a) Origin Image (b) Otsu法-0.50s (c) Niblack 法55s (d)Kittler法0.94s图5.1 二值化效果图经过多次实验

30、，总结得到如下结论：在对图像进行阈值分割的过程中，Otsu算法的效果能够有效提取想要的图像信息，算法简单高效，运行时间最短为0.50s；Niblack法保留较多的图像细节，但是在局部处理上不恰当，经验取值需要改进，运算处理时间较长；相比于Otsu算法，Kittler算法在有效提取图像信息的基础上，能够保留更多的细节，运行时间较为理想。综上所述，阈值分割法是一种简单且非常有效的方法，它的主要局限是，最简单形式的阈值法只能产生二值图像来区分2个不同的类。另外，它只考虑像素本身的值一般都不考虑图像的空间特性，这样就对噪声很敏感。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有

31、相对应的分割方法对其分割，同时，某些分割方法也只是适用于某些特殊类型的图像分割。5.2 图像去噪效果对比选用Matlab软件作为编程实现平台，对图像分别添加高斯噪声、椒盐噪声和乘性噪声。选取具有代表性的图像处理结果为例，来分析不同的滤波方法的去噪效果。一、 添加高斯噪声的处理图 (a) 原始图像 (b) 添加高斯噪声图 (c) 均值滤波效果图 (d) 中值滤波效果 (e) 维纳滤波效果 （f）强制去噪效果 (g) 全局阈值去噪效果 (h) 给定阈值去噪效果可知，均值滤波、维纳滤波，对于高斯噪声有较好的抑制作用，并且图像光照效果保留较好，对图像的还原度优秀。本文所述三种基于小波变换的滤波法，减弱

32、了其原来的光照亮度，清晰度降低，对高斯噪声的过滤作用较小。二、添加椒盐噪声的处理图 (a) 原始图像 (b) 添加椒盐噪声图 (c) 均值滤波效果 (d) 中值滤波效果 (e) 维纳滤波效果 (f) 强制去噪效果 (g) 全局阈值去噪效果 (h) 给定阈值去噪效果可知，对于添加椒盐噪声的图像，中值滤波和基于小波变换的强制去噪的处理效果较好，能够较大程度上去除椒盐噪声干扰，图像清晰并且层次分明，保留原有信息最理想，经滤波后的图像既适合人眼的视觉感觉，又能够消除图像的干扰影响。维纳滤波对椒盐噪声几乎没有抑制作用。三、添加乘性噪声的处理图 (a) 原始图像 (b) 添加乘性噪声图 (c) 均值滤波效

33、果 (d) 中值滤波效果 (d) 维纳滤波效果 (e) 强制去噪效果 (f) 全局阈值去噪效果 (g) 给定阈值去噪效果可知，对于添加乘性噪声的图像，维纳滤波和基于小波变换去噪方法的处理效果较好，图像清晰并且细节明显，保留原有信息最理想。均值滤波和中值滤波对于乘性噪声的抑制作用较弱。综上所述，对于受不同噪声干扰的图像，要选择合适的滤波方法。对于高斯噪声，均值滤波和维纳滤波有较好的处理效果；中值滤波和小波去噪法对椒盐噪声有良好的抑制作用；而维纳滤波和小波去噪法对于乘性噪声的抑制效果好。不同类型的图像，有对应的过滤方法对其去噪，同时，某些过滤方法也只是适用于某些特殊类型的图像。要针对图像的特点，选

34、用合适的过滤方法，并且不断改进算法和经验取值，才能得到更理想的效果。厦门大学本科毕业论文 结论结论阈值分割法是一种简单且非常有效的方法，它的主要局限是，最简单形式的阈值法只能产生二值图像来区分2个不同的类。在处理前景与背景有较强对比的图像时，这种方法特别有用，需要的计算复杂度小。当物体的灰度级比较集中时，简单设置灰度级阈值提取物体是一个有效方法。上面提到的这些阈值化方法无论是全局的还是局部的阈值，当图像的复杂性提高、信噪比递减，或由于照明等因素的影响，仅利用灰度值分布得到的阈值往往不能得到满意的分割效果，甚至还可能产生严重的分割错误。上述滤波方法虽有一定的降噪效果，但都有其局限性。事实上，不管

35、滤波器具有什么样的频率响应，均不可能做到噪声完全滤掉，使信号波形不失真。但我们可以不断地改进滤波的技术，如实际应用中常用一些改进型的滤波方法如小波导向、多级门限检测来提高去噪的效果从而最大可能地恢复出原始图像。本文介绍的算法不可能是标准的算法，也不可能是对任何一幅图像都能成功分割和滤波的算法。处理结果的好坏需要根据具体的场合及要求衡量，并且算法本身也需要不断改进，仪器得到更理想的效果。相信随着各种理论的不断发展、完善以及新理论的尝试应用，图像处理技术会更成熟。厦门大学本科毕业论文 参考文献参考文献：1 Visual C+数字图像获取、处理及实践应用M.北京：人民邮电出版社，2002.2 阮秋琦

36、.数字图像处理学M. 北京：电子工业出版社，2001.3 赵荣椿.数字图像处理导论M.成都： 西北工业大学出版社，2000.4 董卫军等.一种新的基于小波变换的图像放大算法J.计算机应用与软件，2007(04).5 莫宇. 自然样条和小波相结合的图像放大算法及实现D. 吉林大学, 2008 .6 罗会信，曹艳力.一种高效的图像插值算法J.计算机与现代化，2004.5(5):1-27 陈丹 ,张峰 ,贺贵明.一种改进的文本图像二值化算法J .计算机工程 ,2003 ,29 (13) :85868 W Niblack. An Introduction to Digital Image Processing M. New Jersey : Prentice Hall ,1986 :115116。9 周敬.图像分割中阈值法的研究J.机电技术，2010(01).10 阴国富.基于阈值法的图像分割技术J. 现代电子技术, 2007,(23).11 Kittler J, Illingworth J, Foglein J, Paler K. An automatic thresholding algorithm and its performance. In: Proc 7ICP4, 1984; 1: 287-289. 12