基于dsp的图像滤波设计与实现方法

基于dsp的图像滤波设计与实现方法内容摘要：

人们从图像中提取信息，因此，非常有必要在利用图像之前消除噪声，而寻求一种行之有效的去噪方法也是人们一直在进行的工作 [5]。 图像滤波国内外研究现状 图像去噪的方法从不同处理域的角度可以划分空域和频域两种处理方法：前者是在图像本身存在的二维空间里对其进行处理，根据不同的性质又可以分为线性处理方法和非线性处理方法；而后者则是用一组正交函数系来逼近原信号函数，获得相应的系数，将对原 信号的分析转化到了系数空间域，即频域中进行。 空间域的线性滤波算法理论发展较为成熟，数字分析简单，对滤除与信号不相关的随机噪声效果显著，但是它本身存在着明显的缺陷，如需要随机噪声的先验统计知识，对图像边缘细节保护能力较差等，特别是后者使得线性滤波无法很好地适应于图像的噪声滤除处理。 与线性滤波相对应的非线性滤波大都考虑到了人的视觉标准和最佳滤波准则，提高了图像分辨率和边缘保护能力，特别是一些改进后的非线性滤波方法一般都具有了一定的自适应性，这就使得非线性滤波的功能更为强大，可以广泛地应用到医学、遥感等领域的 图像处理中。 1971年，图基提出了中值滤波的思想，并首先应用于时间序列的分析中，后来这种方法被引入到图像处理中，用来滤除图像的噪声，收到了良好的效果。 随之而来的是各种中值滤波的改进方案 [2]。 其中有一种被称为自适应加权中值滤波的改进 基于 DSP 的图像滤波设计与实现方法 第 3 页 共 46 页 算法引起了人们的关注，这种方法最突出的特点是具有自适应的性能并且对图像的边缘保护能力较传统算法具有明显提高。 数学形态学和统计学的引入为数字滤波技术开辟了新的途径， 1982年 serra出版的专著《 Image Analysis and Mathematic Morphology》成为 数学形态学应用于数字图像领域的里程碑，由此孕育出很多相关的滤波算法，这些算法大都考虑了像素点附近不同的区域形态并结合统计学的知识，使得算法对图像的处理具有自适应性并且提高了边缘保护能力。 对机器视觉研究的不断深入使人们开始重视偏微分方程的数学理论，在这个领域的实质性创始工作应该归功于 Koenderink和 Witkin各自独立的工作，他们在图像中引入了尺度空间严格的理论，使之成为偏微分方程在数字图像处理学应用的基础。 而在偏微分方程理论应用于数字信号非线性滤波领域中最有影响的人物是 Perona和 Malik。 他们 提出了一种具有非线性滤波能力的偏微分方程，在图像去噪和边缘保护上获得良好效果，后来 Weickert基于他们的理论将这种方程发展成为各向异性扩散方程，进一步提升了去噪能力，并且具有中值滤波、数学形态学滤波以及很多传统算法不具备的图像边缘保护功效。 因此这些方法在不久的后来被广泛地应用到了医学、遥感图像的滤波去噪处理之中，获得了令人满意的结果 [4]。 基于频域的数字滤波方法最早可以追溯到傅里叶变换的使用。 1822年法国数学家Fourier在研究热传导理论时提出并证明了将周期函数展开为正弦级数的原理，奠定了傅里叶变 换的理论基础。 1946年 Gabor在傅里叶变换的基础上提出了一种加窗傅里叶变换(也称为短时傅里叶变换 )，通过特定的平移窗函数来分解信号的频谱，提取出的它的局部信息，提高时间分辨能力。 这种思想为后来的小波多尺度分析信号思想的引入起到了启发作用。 小波分析的概念是由法国从事石油勘测信号处理的地球物理学家 Mallet在1984年提出来的。 1986年著名数学家 Meyer和 Mallat合作建立了构造小波函数的统一方法小波多尺度分析，从此小波分析开始广泛地应用到了信号分析领域并得到了蓬勃发展。 近年来，小波分析已经深入到了 非线性逼近、统计信号处理等领域，其特殊的对频分辨能力已经使它基本取代了昔日传统频域分析方法。 总体说来，数字滤波技术是以数学理论为依托，涉及数学领域不同方面的知识，随着各种理论的不断成熟和完善，数字滤被技术已经获得了长足的进步，并广泛地应用到了医学、遥感、红外等多个领域。 现在国内外很多大学、科研机构都设有专门的机器视觉实验室对这方面的技术进行更加深入的研究，相信随着这方面研究的不断深入，更新更好的方法将会不断被提出和应用。 基于 DSP 的图像滤波设计与实现方法 第 4 页 共 46 页 本文工作内容 (1) 滤波技术是常用的图像增强技术，掌握中值滤波的算法及原理。 (2) DSP是一种具有快速处理能力的信号处理专用芯片，尤其对于图像这种大数据量的信号处理，要求使用 DSP对图像进行快速处理。 (3) 掌握基于 TMS320DM642的视频开发平台的原理，开发流程。 (4) 设计一种优化的中值滤波器，并进行数值算法设计，综合 DSP技术，使用视频 处理开发平台，实现交通系统中汽车图像的滤波，并对结果进行分析。 基于 DSP 的图像滤波设计与实现方法 第 5 页 共 46 页 2 数字图像滤波技术 噪声图像 噪声主要在数字图像的获取 (量化 )和传输中产生，可以理解为妨碍人的视觉器官或系统 传感器对所接收图像源信息进行理解或分析的各种因素，一般是不可预测的随机信号，只能用概率统计的方法去认识。 噪声对图像处理十分重要，影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程。 图像噪声按不同方法可以分成不同类别，如果从数学角度按照使图像退化的方式可分为加性噪声和乘性噪声。 这两种关系可由下式表示： nff ~ （ 21） nff ~ （ 22） 其中 n代表噪声， (21)代表加性噪声， (22)代表乘性噪声。 如果按照噪声产生的物理因素来划分，可以分成如下几类： (1) 电子噪声：由图像采集电路阻性器件中的电子运动发热而产生的噪声。 (2) 光电子噪声：由图像的光电转换器引起，特别是在弱光的条件下，噪声尤为强 烈。 (3) 感光颗粒噪声：一般存在胶片图像中。 它是由于在胶片曝光和显影中，感光剂 卤化银颗粒转化为金属银颗粒时的形状不均和分布的随机性造成的。 (4) 散斑噪声：在一些相干成像系统 (如医学超声成像、合成孔径雷达成像、激光成像 )中，由于声波或者光波的相干作用而在图像中产生的噪声。 它还与成像组织表面的粗糙度有关系。 Goodman分析了辐照度相关情况下散斑噪声的性质， Abbott和 Thurstone指出了激光散斑和超声散斑在干涉和形成方面的区别 [7]。 滤波方法分 类 图像的去噪处理方法基本上可分为空间域法和变换域法两大类。 前者是在原图像上直接进行数据运算，对像素的灰度值进行处理。 它又分为两类：一类是对图像作逐点运算，称为点运算；另一类是在与处理像素点邻域有关的空间域上进行运算，称为局部运算。 交换域法是在图像的变换域上进行变换，对变换后的系数进行相应的处理，然后进 基于 DSP 的图像滤波设计与实现方法 第 6 页 共 46 页 行反变换达到图像去噪的目的。 在图像滤波中，目前有两种方法。 一种是空域滤波，还有一种是频域滤波。 频域滤波是利用图像的频谱信息进行图像滤波处理。 频域滤波以卷积定理为基础。 频域滤波过程如下 [8]： (1) 需要滤 波的图像 ),( yxf 进行傅里叶变换，得到 ),( yxF ； (2) 选定一个滤波器函数 ),( vuH 与 ),( vuF 相乘得到 ),( vuG ，滤除图像噪声； (3) 对 ),( vuG 进行傅里叶反变换，得到滤波后的图像 ),( yxg ； 在进行图像频域滤波时，通常针对整幅图像，而且在确定转换函 数时也是基于整个图像的统计量，这样进行卷积运算，需要长时间的处理，并且难于保证局部区域内的噪声被完全滤除。 而空域滤波是在图像空间中利用模板进行图像滤波，它同样也利用了卷积定理，使用模板对像素进行卷积运算。 空域滤波则可以克制频域滤波长时间处理这一缺点。 空域滤波的过程如下： (1) 将模板在图像中游动，顺序将模板中心与图像中的某个像素位置重合； (2) 将该像素值与对应模板值进行某种运算； (3) 将运算结果赋给图像中对应模板中心的像素； 空间域滤波 均值滤波 邻域平均法是一种局部空间域处 理的算法。 设一幅图像 ),( yxf 为 NM 的阵列，处理后的图像为 ),( yxg ，它的每个像素的灰度值由包含 ),( yx 邻域的几个像素的灰度值的平均值所决定。 即用下式得到处理后的图像：  Sji jifnyxg ),( ),(1),( （ 23）其中 Mx1 ， Ny1 ， S 是以 ),( yx 为中心的邻域的集合， n 是 S 内坐标点的总数。 有 4邻域点和 8邻域点的集合。 图像均值滤波的处理效果与所用的邻域半径有关。 半径越大，则图像的模糊程度也越大。 另外图像邻域平均法算法简单，计算速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别在边缘和图像细节 处，邻域越大，模糊越厉害。 为了减少这种 基于 DSP 的图像滤波设计与实现方法 第 7 页 共 46 页 效应，可以采取阈值法，也就是根据下列准则形成处理图像。   其他若),(),(1),(),(1),(),(),(yxfTjifnyxfjifnyxgSjiSji （ 24） 其中 T是一个规定的非负阈值，当一些点和它们邻值的差值不超过规定的 T阈值时，仍保留这些点的像素灰度值。 这样处理后的图像比直接采用式 (23)的模糊度要小。 当某些点的灰度值与各邻点灰度的均值差别较大时，它很可能是噪声，则取其邻域平均值作为该点的灰度值，它的处理效果仍然是很好的。 多幅图像平均法 多幅图像平均法是利用对同一景物的多幅图像平均来消除噪声。 设原图像为),( yxg ，图像噪声为加性噪声 ),( yxn ，则有噪声的图像 ),( yxg 可表示为： ),(),(),( yxnyxfyxg  （ 25）若图像噪声是互不相关的加信噪声，且均值为 0，则 )],([),( yxgEyxf  （ 26） 其中 )],([ yxgE 是 ),( yxg 的期望值，对 M 幅有噪声的图像平均后有： ),(1),(),([),( yxgMyxgyxgEyxfi （ 27） 2 ),(2 ),( 1 yxnyxg M   （ 28） 式中 2 ),( yxg 和 2 ),( yxn 是 g 和 n 在点 ),( yx 处的方差。 式 （ 28） 表明对 M 幅图像平均可把噪声方差减少 M 倍，当 M 增大时， ),( yxg 将更加接近于 ),( yxg。 多幅图像取平均处理常用于摄像机的视频图像中，用以减少电视摄像机光电摄像管或 CCD器件所引起的噪声。 这时对同一景物连续摄取多幅图像并数字化，再对多幅图像平均，一般选用 8幅图像取平均，这种方法的实际应用中的难点在于如何把多幅图像配准起来，以便使相应的像素能正确地对应排列 [7]。 中值滤波 中值滤波的基本原理是把图像或序列中心点的的灰度值用该点某种邻域的中值替代。 它把模板中心的值改为与周围像素接近的值 (即中值 )，从而可消除奇异的点状噪声。 该方法中的模板形状和大小的选择很重要，若选择不当，会丢失掉图像中的细线和小块 基于 DSP 的图像滤波设计与实现方法 第 8 页 共 46 页 区域，降低滤波效果。 通常模板的形状根据图像的统计特征来选择，而模板的尺寸则根据图像中的噪声宽度来确定。 中值滤波的优点是运算简单、速度快、滤波效果好，但在滤除噪声的同时也损失了信号的高频信息，使图像的边缘细节模糊，为此，提出了很多改进的中值滤波方案。 顺序统计滤波器也是空域滤波理论发展的一个重要成果。 该滤波器的响应是基于由滤波器包围的图像区域中像素点的排序 ，滤波器在任何点的响应由排序结果。