学位论文 > 优秀研究生学位论文题录展示

图像增强及其在视觉跟踪中的应用

作　者: 陈一平
导　师: 黎湘
学　校: 国防科学技术大学
专　业: 信息与通信工程
关键词: 非局部平均多尺度平均梯度方向图像去噪二值化自适应滤波器 VED结构增强弥散张量 3D跟踪
分类号: TP391.41
类　型: 博士论文
年　份: 2011年
下　载: 182次
引　用: 0次
阅　读: 论文下载

内容摘要

图像增强作为一类基本的图像处理技术,对于图像目标的检测与识别等具有重要的意义。其目的是使感兴趣图像区域(Region of Interest,ROI)的某些特征如边缘、对比度等更加突出,揭示目标更精细的特征,以获得更适于实际应用的图像。由于各类成像系统以及复杂环境中存在着不同程度、不同类型的噪声污染及硬件等因素造成的图像分辨率不高等原因,造成图像的模糊或失真,使得图像增强算法的研究非常复杂。通常,图像增强算法包括利用图像去噪的方法使图像细节增强,以及通过图像修复算法增强图像结构等。针对不同类型的噪声成因、图像破损、序列图像模糊等问题,本文开展了图像噪声去除、图像二值化、结构增强以及视频图像的目标增强和跟踪等研究工作。主要的研究成果总结如下:一、首先针对目前较为先进的非局部平均去噪算法展开研究。利用图像的冗余特性,降低了非局部平均去噪算法的计算量。通过多尺度分块,在计算每个像素时,只需计算被分块的区域权重,而不用搜索整幅图像,既保证了降噪效果的最大化,同时又大幅度提高了非局部平均去噪算法的运算速度和去噪结果的峰值信噪比。非局部平均去噪算法以及所提出的算法,其去噪过程都可归结为基于L2范数的最小化过程。但是L2范数会使去噪结果过度平滑,丢失图像的细节信息。因此我们提出了基于L1范数的去噪模型,使用L1范数的规则项。实验结果表明,相比于基于L2范数的算法,L1范数更能够保持图像的细节结构。二、针对严重破损图像的修复方法进行了研究。不同于传统方法需要把前景从背景分开,本文提出了一种新的破损图像二值化算法,以增强图像质量。该算法分为三个步骤,首先预处理采用改进的非局部平均方法去噪,而后利用基于直方图的自适应阈值算法(adaptive histogram thresholding)进行图像二值化,最后的后处理包括图像去斑、笔划连贯修复和文本区域质量增强。实验表明,与其它方法相比,所提出的算法对严重的破损文档图像具有较好的二值化修复效果。三、研究了图像的局部结构性增强算法,并给出了其在医学图像血管增强中的应用。血管增强弥散滤波器是基于尺度空间理论的多尺度图像局部结构性增强方法之一,在血管结构增强中性能卓越,但是不能保存如血管结点等细小结构。针对血管增强弥散滤波器的不足,提出了一种多尺度框架下增强血管结构,特别是结点等复杂结构的算法。实验结果验证了该方法的有效性。四、如何来评价图像增强算法的性能,对于这些算法的应用有着非常重要的意义。通常的图像增强评价方法包括信噪比(signal and noise ratios,SNR)、峰值信噪比(peak signal and noise ratios,PSNR)、均方误差(mean square error,MSE)和方法噪声(method noise)等。但是这些评价方法都存在不同方面的问题,因此基于对均方误差方法的分析,提出了一种改进的均方误差IMSE评价方法,通过增加图像亮度和对比相似度得到改进的均方误差。通过对五种常用的去噪算法进行性能评价,与PSNR和方法噪声的评价结果比较,提出的评价方法能够更好地准确分析去噪算法的性能。所提的评价方法也对前面提出的几种图像增强算法进行了评价,与PSNR评价结果比较,所提的方法有更高的准确性。五、给出了图像增强的一个具体应用,提出了一种基于图像序列的目标三维视觉跟踪方法。首先利用可移动的单个摄像机获取目标视频图像信息,使用前面提出的图像增强算法对低质量的视频序列进行了增强。然后,采用无迹卡尔曼滤波算法(UKF)建立目标的状态模型和经图像透视投影变换后的量测模型,对目标进行3D跟踪。仿真和实验结果表明该方法可以获得较好的跟踪效果。最后总结了论文的研究成果,指出存在的问题和进一步的研究方向。

全文目录

中文摘要  12-14
Abstract  14-16
第一章绪论  16-36
  1.1 研究背景及意义  16-18
  1.2 图像增强技术研究现状  18-30
    1.2.1 图像去噪研究现状  19-25
    1.2.2 图像二值化修复研究现状  25-26
    1.2.3 图像结构增强研究现状  26-29
    1.2.4 图像评价方法研究现状  29-30
  1.3 视觉跟踪的研究现状  30-33
  1.4 论文主要内容与结构安排  33-36
第二章多尺度及梯度映射图像去噪研究  36-60
  2.1 引言  36-38
  2.2 非局部平均去噪方法  38-39
  2.3 多尺度非局部平均去噪方法  39-49
    2.3.1 多尺度分割  40-41
    2.3.2 相似性距离  41-42
    2.3.3 阈值估计  42-44
    2.3.4 实验结果与分析  44-49
  2.4 基于梯度映射的L1范数图像去噪  49-56
    2.4.1 图像去噪问题阐述  51
    2.4.2 图像去噪模型  51-52
    2.4.3 基于L1范数的去噪方法  52-54
    2.4.4 实验结果与分析  54-56
  2.5 本章小结  56-60
第三章基于直方图的Wellner 模型破损图像修复研究  60-76
  3.1 引言  60-61
  3.2 Wellner 图像修复模型  61-63
  3.3 基于直方图的自适应阈值图像修复算法  63-69
    3.3.1 破损图像预处理  63-65
    3.3.2 基于直方图的自适应阈值法  65-67
    3.3.3 破损图像修复处理  67-69
  3.4 实验结果与分析  69
  3.5 本章小结  69-76
第四章基于弥散张量的结构保持图像增强研究  76-88
  4.1 引言  76-77
  4.2 血管增强弥散滤波器（VED）  77-81
    4.2.1 Hessian 矩阵  77-78
    4.2.2 Hessian 矩阵特征值及其数学意义  78-79
    4.2.3 基于特征值的结构保持图像增强算法  79
    4.2.4 多尺度理论VED 模型  79-81
  4.3 改进的VED 结构保持模型  81-82
    4.3.1 定义结构张量  81-82
    4.3.2 结构保持的VED 模型  82
  4.4 实验结果与分析  82-86
  4.5 本章小结  86-88
第五章基于图像分析的图像质量新评价方法  88-98
  5.1 引言  88-89
  5.2 相关工作  89-91
    5.2.1 信噪比（SNR）  89-90
    5.2.2 峰值信噪比（PSNR）  90
    5.2.3 均方误差（MSE）  90-91
    5.2.4 方法噪声（Method Noise）  91
  5.3 IMSE 图像评价方法  91-92
    5.3.1 定义亮度估计  91-92
    5.3.2 定义对比相似度估计  92
    5.3.3 IMSE 方法  92
  5.4 实验结果与分析  92-97
  5.5 本章小结  97-98
第六章视频序列图像增强与视频目标3D 跟踪  98-114
  6.1 引言  98-100
  6.2 视频序列图像增强  100-101
    6.2.1 视频暗区信息估计  100
    6.2.2 伽马校正亮度图像  100-101
    6.2.3 非局部平均算法去噪  101
    6.2.4 视频序列增强实验结果  101
  6.3 无迹卡尔曼滤波（UKF）  101-106
    6.3.1 UT 变换  103
    6.3.2 Sigma 点采样  103-104
    6.3.3 由Sigma 集获得统计量  104-105
    6.3.4 UKF 初始化与循环  105-106
  6.4 基于UKF 的视频目标3D 跟踪  106-109
    6.4.1 系统模型  106
    6.4.2 基于UKF 的视频目标跟踪算法  106-109
  6.5 实验结果与分析  109-112
    6.5.1 仿真结果  109-110
    6.5.2 实验结果  110-112
  6.6 本章小结  112-114
第七章结束语  114-118
  7.1 工作与创新点总结  114-115
  7.2 下一步工作  115-118
致谢  118-120
参考文献  120-134
作者在学期间取得的学术成果  134-136
作者在学期间参与的主要科研项目  136-138
附录A 梯度映射法  138-139

图像增强及其在视觉跟踪中的应用

内容摘要

全文目录

相似论文