毕业设计论文-基于matlab图像素描生成算法究

毕业设计论文-基于matlab图像素描生成算法究内容摘要：

处理（ 1）） : （ 1）将真彩图 像 转换为灰度图像； （ 2）对黑白 图像 y)f(x, 进行二维离散傅里叶正变换，对每个像素点的幅值设定为一 个常数； （ 3）对黑白 图像 y)f(x, 进行二维离散傅里叶逆变换； （ 4）对黑白 图像 每个像素点的灰度值进行倒置变换； （ 5）对黑白 图像 进行锐化处理； （ 6）对黑白 图像 进行平滑处理； （ 7）结束。 此算法利用傅 里 叶变换，给出了现实素描效果的一种快速、有效的 图像处理算法。 算法研究与实现 基于空间域的素描算法研究与现实 基于空间域的 图像 素描生成算法基本思路是：通过图像空间域的边缘梯度特征来提取图像的轮廓，再加以风格化的处理，最后生成素描风格化效果。 （ 1） 改进的传统的图像素描生成算法（以下简称算法Ⅰ） 传统的图像素描 生成 算法的思想是轮廓的勾勒是用右下方的梯度做比较的，改进后用右、下、右下三个方向的梯度做处理。 算法Ⅰ具体实现步骤如下： ① 把所 选取 的彩色图像转换成灰度图像； ② 对比当前像素 y)f(x, 与周围像素的灰度，求出其差值。 与当前像素点右、下、右下角的像素进行比较； ③ 如果差值的平方和开方的三分之一大于指定的阈值 T，则证明颜色跳变严重，可以判断出该点是轮廓。 这时就用黑点把它描绘出来，否则将它置为白色。 三步处理后， 可能 图像边缘轮廓会生硬，且噪声信息较多。 ④ 再用高斯滤波作平滑处理，素描效果更好。 实验对比图如图 图 6。 9 图 3 雪人（原图） 图 4 梅花（原图） 图 5 传统的图像素描生成算法 图 6 改进的传统的图像素描生成算法 图 7 传统的图像素描生成算法 (噪声多 ) 图 8 改进的传统的图像素描生成算法 10 算法 I 在对图片 处理 时，取阈值 T 为 5，由图 6 可见，经过该算法处理后，图像基本已具有素描的效果。 但通过对图 8 的观察，经过该算法处理后，有些图像轮廓丢失了。 究其原因，轮廓勾勒算法第二步，当前像素与该点右下角的像素进行比较，也就是一阶微分，可以用于边缘检测，但不适用于图像轮廓跳变不明显的图像。 （ 2） 基于空域 梯度处理的图像素描生成算法（以下简称算法Ⅱ） 基于梯度处理的图像素描生成算法的基本思想是对图片进行梯度处理和反相处理，再将图像灰度化，从而产生一个画面细腻，轮廓元素损失少的素描图像。 其实现步骤如下： ① 通过梯度处理，产生霓虹效果 其原理为：对图片进行梯度处理。 也就是计算图像中原始像素的红、绿、蓝分量与相同行、列的相邻像素的 梯度 ，将其作为新像素的各相应分量的值。 具体描述如下：设原图像像素 y)f(x, 的红、绿、蓝分量为 rl、 gl、 bl，相 同行 y)1,f(x 的红、绿、蓝分量为 rg b2，相同列 1)yf(x,  的红、绿、蓝分量为 r g b3，则处理后图像 y)g(x, 的红、绿、蓝分量为 r、 g、 b，这 3 个分量可以通过式 (1)计算得到： 22 31212 )r(r)r(rr  22 31212 )g(g)g(gg  （ 1） 22 31212 )b(b)b(bb  经过上述步骤， 图像 已具有霓虹效果了。 ② 将图像进行反相处理 对图像的反相处理 ， 可以通过式 (2)计算得到，也就是将图像中的红、绿、蓝分量取反。 设原图像像素 y)f(x, 的红、绿、蓝分量为 rl、 gl、 bl，用 255 分别减去 rl、 gl、 bl 后得到的值作为图像 y)g(x, 的红、绿、蓝分量： 1255rr 1255gg （ 2） 1255bb ③ 将图像灰度化 灰度 (Grayscale)是 指 只含亮度信息，不含色彩信息的图像，就像我们平时看到的黑白照片，它只有亮度从暗到明的变化，而没有色彩信息。 首先需要创建一个灰度图的调色 11 板，然后根据公式 (3)进行转换： BCGCRCY 321  （ 3） (其中 C1 取 0． 299， C2 取 0． 587， C3 取 O． 114) 图 图 4 的两张 图像 经过上述的算法 II 处理后如图 图 10 所示。 由图 图 10 可见， 对 图 图 4 的两张图像的处理，都已获得比较好的素描效果，画面细腻，没有出现算法Ⅰ的丢失轮廓现象。 图 9 基于空域梯度处理的图像素描生成算法 图 10 基于空域梯度处理的图像素描生成算法 基于频域的素描算法的研究与实现 基于频域的图像素描生成算法的基本思路是：对 图像频域变换，低频信息描述了图像在光滑部位的整体灰 度 信息，而高频部分则反映了图像在边缘、噪声等细节方面的表现。 首先对图像进行频域变换，然后去除低频部分，保留高频部分，最后进行频域的逆变换，这样就可以提取图像的大致轮廓了。 接着对图像进行风格化处理，生成图像素描效果。 （ 1）基于 DFT 的图像素描生成算法 离散傅立叶变换（ Discrete Fourier Transform，简称 DFT）在数字信号处理和数字图像处理中应用十分 广泛 ，它建立了离散时域和离散频域之间的联系。 在数字图像处理中，二维离散傅立叶被广泛的应用于 图像增强、复原、编码和分类中。 基于 DFT 的 图像 素描效果生成算法， 其实现步骤如下： ① 将真彩图像转换为灰度图像 真彩图转换为灰 度 图的实现用 MATLAB 提供的 rgb2gray函数即可实现，如果原图为 12 灰度图则跳过此步。 ② 将图像进行傅里叶正变换 在数字图像处理 中 ，像素点是二维离散的，对一图像 f(x， y)，设图像尺寸为 MxN 个像素点，则该图像可表示成一个二维的离散点序列，用下列表示： ),Mf ( N),f ( N),f ( N),Mf(),f(),f(),Mf(),f(),f(f ( x , y )111101111101101000 对于图像的像素点 ),( yxf ，其二维傅立叶正 变换可写为：      10 10Mx Ny )NvyMuxj2 π2f (x ,y )e x pF (u,v ) （ 4） 其中： 1,2,1,01,2,1,0   Ny Mx ③ 将图像进行高通滤波 进行高通滤波是为了滤掉图像 的 低频信息，理想低通滤波器（ ILPF， Ideal Lowpass Filter）具有传递函数：  00),(0 ),(1 DvuD DvuD(u ,v )H lp （ 5） 其中， D0 为截止参数。 高斯低通滤 波器（ GLPF， Gaussian Lowpass Filter）的传递函数为： 22 2 σ( u ,v ) /Dlp e(u ,v)H  （ 6） 其中，  为标准差。 通过令 0D ，我们可以根据截止参数 D0 得到表达式 202 2 D( u ,v ) /Dlp e(u ,v )H  （ 7） 当 0.),( DvuD  时，滤波器由其最大值 1 降为。 则高通滤波器的传递函数为 (u,v)HH lphp 1 （ 8） 通过公式（ 5）、（ 7）、（ 8），我们下面给出理想高通滤波器和高斯高通滤波器的对比图形。 13 图 11 理想高通滤波 器 500 D 图 12 高斯高通滤波器 500 D 图 13 高斯高通滤波器 1000 D 14 由图 11 理想高通滤波器、图 12 高斯高通滤波器的比较，并结合信号处理的相关知识知：用理想滤波器处理后的图片信息有振铃现象。 故本实验我们采用的是高斯滤波器，不用理想滤波器。 此外，截止参数 D0会影响滤 波器的尖锐情况。 图 1图 13 结果分析表明，对于高通滤波器，当截止参数 D0越小时，滤波器通频带越宽。 当截止参数 D0越大时，滤波器较的通频带越窄。 ④ 将图像进行傅里叶逆变换 离散傅立叶反变换由下式给出：      1M 0u 1N 0v )NvyMuxj2 π2F (u,v )e x pMN1f (x ,y ) （ 9） 其中： 12101210   ,N,y ,M,x 图 1图 15 是原图经过傅里叶正变换、高通滤波，再做傅里叶逆变换的效果图，两图 比较 可以看出，用理想滤波器对图像 进行高通滤波处理会产生振铃现象，故我们采用高斯高通滤波器，图 15 可以证明，通过高斯高通滤波处理的图像边缘清晰，没有理想滤波处理后的振铃现象。 图 14 理想滤波器处理 图 15 高斯滤波器处理 ⑤ 将灰度值倒置求反变换 图像通过傅里叶变换得到的图像还只能实现图像的大致轮廓，只能用于图像边缘检测和图像的识别。 图像区域中，灰度值变化不大的区域为黑色，变化较大的部 15 分，即边缘部分为白色，这与素描效果是相反的。 因为灰度值中， 0 代表黑色， 255代 表白色。 为了实现素描效果，可以对每点的灰度值倒置求反，记像素点原来的灰度值为 y)f(x, ，通过倒置求反变化，即 f(x,y)f(x,y) 255 为该点的新灰度值。 ⑥ 对图像锐化处理 图像的素描效果，必须要清晰地显示图像中物体的轮廓。 我们经过前面几步变换得到的图像，可显示图像的大概轮廓，为了对图像中物体轮廓的增强，可对图像进行锐化处理。 因为图像轮廓区域存在较明显的灰度差，可采用离散型的二 阶差分法进行锐化处理。 记像素点原来的灰度值为 y)f(x, ，则采用二阶差分法处理，新灰度值为 f ( x , y ))f ( x , y )f ( x , y, y )f ( x , y )f ( xf ( x , y ) 41111  （ 10） 对图像每个像素点如上处理，可实现图像中边缘轮廓的增强。 ⑦ 对图像平滑处理 对图像实现素描效果，即使图像中物体的轮廓要清晰显示出来，而对其它一些非重要的部分可用模糊的方式表示出来。 这里我们采用高斯平滑滤波，即可实现图像的平滑效果。 在此之前可 以进行二值化处理，这样可以更好的清晰图像边缘，消除噪声。 通过以上几步的处理，就可以很好的实现图像的素描效果了。 通常情况下，当滤波器较小时，空间域滤波要比频域滤波更快速有效，所以算法Ⅲ可能会有算法耗时大等缺点。 算法处理效果图如图 1图 17 所示。 图 16 基于 DFT 的图像素描生成算法 图 17 基于 DFT 的图像素描生成算法 16 （ 2） 基于 DWT 的图像素描生成算法 （以下简称：算法Ⅳ） 离散小波变换（ Discrete Wavelet Transform，简称 DWT)是指在特定 子集上采取缩放和平移的小波变换，是一种兼具时域和频域多分辨率能力的信号分析工具。 小波在信号分析中的应用也十分广泛。 它可以用于边界的处理与滤波、信噪分离与提取弱信号以及多尺度边缘检测等。 基于 DWT 的图像素描效果生成算法，首先将真彩色图像转换为灰度图像，通过快速小波正变换、去除低频系数，快速小波反变换等处理提取图像边缘；然后将每点灰度值倒置求反，再对图像进行锐化和平滑等处理来实现图像的素描效果。 其操作步骤如下： ① 将真彩图像转换为灰度图像 真彩图转换为灰度图的实现用 MATLAB 提供的 rgb2gray函数即可 实现，如果原图为灰度图则跳过此步。 ② 将图像进行快速小波正变换 对任意函数 f(t) 的离散小波变换为：  R j , kj , kf dt(t )Ψf (t )f, Ψ(j ,k )WT （ 11）  ,fWT j k 为离散小波变换系数。 ③ 去除低频系数 低频信息描述了图像在光滑部位的整体灰度信息，而高频部分则反映了图像在边缘、噪声等细节方面的表现。 我们去 除低频系数，则保留下来的就是图像的边缘大概轮廓了。 ④ 将图像进行快速小波逆变换 若离散小波序列  , ,jk j k Z 构成一个框架，设其上、下界分别为“ A”和“ B”，则当A=B时 (此时框架为紧框架 )，离散小波变换的逆变换公式为：   j , k j , kfj , k。