基于图像特征的人眼定位_毕业设计论文(编辑修改稿)

基于图像特征的人眼定位_毕业设计论文(编辑修改稿)内容摘要：

到最合理的灰度图像。 用MATLAB实现程序如下：I=imread(39。 F:\39。 )。 figure(1),imshow(I)。 I=rgb2gray(I)。 figure(2),imshow(I) (a) 原始图像 (b) 灰度化图像 彩色图像的灰度化 图像灰度求反对图像求反是将原图灰度值翻转，简单说来就是使黑变白，使白变黑。 当被显示图像在低灰度区间呈现高度非线性时，此变换能使原图像低灰度区间的细节转换到高灰度区间。 即假设对灰度范围是的图像求反，就是通过变换将 变换到，变换公式如下： （） (a)原始图像 (b)求反处理的结果图 图像灰度求反结果图 用MATLAB实现程序如下： I=imread(39。 F:\39。 )。 figure(1),imshow(I)。 I=rgb2gray(I)。 figure(2),imshow(I)I=double(I)。 I=2561I。 figure,imshow(uint(I))。 图像灰度拉伸一般，图像看不清楚，多数是由于图像相邻像元的灰度级太接近，称为灰度压缩，即相互之间灰度差远小于人的视觉对灰度分辨能力的限制。 这种图像视觉效果差，人会感觉模糊。 我们可以用映射的方法，把原来压缩的直方图分开一些，也就是灰度拉伸，得到的图像自然会清晰的多。 (a)原始图像 (b) 灰度拉伸结果 图像灰度拉伸结果图 用MATLAB实现程序如下：I=imread(39。 F:\39。 )。 figure,imshow(I)。 I=rgb2gray(I)。 figure,imshow(I)。 I=double(I)。 [m,n]=size(I)。 for i=1:m for j=1:nif I(i,j)=30 I(i,j)=I(i,j)。 elseif I(i,j)=150I(i,j)=(20030)/(15030)*(I(i,j)30)+30。 else I(i,j)=(255200)/(255150)*(I(i,j)150)+200。 endendendfigure,imshow(uint8(I))。 图像平滑去噪图像在生成和传输过程中常受到各种噪声的干扰和影响，使图像质量下降。 为了达到系统的要求，就要抑制噪声，改善图像质量，也就是对图像进行平滑去噪处理。 对于滤除图像中的噪声，人们已经提出了很多的方法。 通常，将数字图像的平滑技术划分为两类。 一类是全局处理，即对噪声图像的整体或大的块进行校正以得到平滑的图像。 例如在变换域中使用wiener 滤波、最小二乘法滤波等。 使用这些技术需要知道信号和噪声的统计模型。 但对大多数图像而言，人们不知道或不可能用简单的随机过程精确地描述统计模型，而且，这些技术的计算量也相当大。 另一类平滑技术是对噪声图像使用局部算子。 当对某一像素进行平滑处理时，仅对它的局部小邻域的一些像素加以运算，其优点是计算效率高，而且可以多个像素并行处理。 因此可实现实时或者准实时处理。 概述 一般，噪声是不可预测的随机信号，通常是通过概率统计的方法对其进行分析，噪声对图像处理十分重要，它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，特别是图像的输入，采集噪声的抑制是十分关键的问题，若输入伴有较大的噪声，必然影响处理全过程及输出的结果，因此，一个良好的图像处理系统，不论是模拟处理还是用计算机进行的数字处理，并不把减少最前一级的噪声作为主攻目标。 图像噪声分类 根据噪声产生的来源，大致可以分为外部噪声和内部噪声两大类。 外部噪声指从处理系统外来的影响，如天线干扰或电磁波从电源线窜入系统的噪声。 内部噪声则有以下四种最常见的形式。 （1）由光和电的基本性质引起的噪声，例如电流可看作电子或空穴运动，这些粒子运动产生随机散粒噪声，导体中电子流动的热噪声，光量子运动的光量子。 （2）有机械运动引起的噪声，例如，接头振动使电流不稳，磁头或磁带，磁盘抖动等。 （3）元器件的噪声，如光学底片的颗粒噪声，磁带，磁盘缺陷噪声，光盘点噪声等。 （4）系统内部电路噪声。 从噪声的分类方法来看是多种多样的，但综合来说，噪声是随机产生的量，所以又可以从统计数学的观点来定义噪声。 凡是统计特性不随时间变化的噪声称为平稳噪声，而统计特性随时间变化的噪声称为非平稳噪声。 图像系统噪声的特点对灰度图像来说，可看作是二维亮度分析，则噪声可看作是对亮度的干扰，用 来表示。 噪声是 随机性的，因而需用随机过程来描述，即要求知道其分布函数或密度函数。 但在许多情况下着些函数很难测出或描述，甚至不可能看到，所以常用统计特征来描述噪声，如均值，方差，总功率等。 设为理想图像，为噪声，实际输出图像为。 对于加性噪声而言，其特点是和图像光强大小无关。 即有 =+ () 对于乘性噪声而言，其特点是和图像光强度相关，随亮度的大小变化而变化。 即有 =[1+]=+ () 乘性噪声模型和它的分析计算都比较复杂。 通常总是假定信号和噪声互相独立的，通常对数变换后当作加性噪声的模型来处理。 按噪声对图像的影 均值滤波均值滤波的方法是对待处理的当前像素选择一个模板，该模板为其近邻的若干像素组成，用模板中的像素的均值代替原像素值的方法。 考虑到数据分析的平衡性，模板一般选择为33，55，待处理像素放在模板的中心，为了使输出像素值保持在原来的灰度值范围之内，模板的饿权值总和应维持为1，因此模板与模板像素的乘积要处以一个系数，通常是模板系数之和，这个过程被称为归一化。 均值滤波处理之后，噪声部分被弱化到周围像素点上，所以得到的结果是噪声值减少，但是总的颗粒面积变大。 另外，均值滤波有一个非常致命的缺点，就是在求均值的计算中，会同时将景物的边缘点同时进行均值处理，这样就使景物的清晰度降低，画面变得模糊。 设为给定的含有噪声的图像，经过简单领域平均处理为，在数学上可表现为： 其中 ()式中 是所取邻域中的各邻近像素的坐标， 是领域中包含的邻近像素的个数。 可以这样说明， 在上按行（或列）对每个像素选取一定尺寸的邻域，并用邻域中邻近像素的平均灰度来置换这一像素值，对全部像素处理后可获得。 对于邻域可以有不同的选取方式。 为了保持平滑处理后的图像的平均值不变，模板内各元素之和为1。 有时，为了突出原点本身的重要性，以便尽量抑制图像中的模糊效应，在模板中心和较近的元素，可以赋以大的加权值。 用MATLAB实现程序如下：I=imread(39。 F:\39。 )。 figure(1),imshow(I)。 I=rgb2gray(I)。 figure(2),imshow(I)K=filter2(fspecial(39。 average39。 ,3),I)。 figure,imshow(uint8(K))。 (a) 原始图像 (b) 均值滤波图像 均值滤波处理结果可见，均值滤波处理时是以图像模糊为代价来换取噪声的减小的，且面积（即模板大小）越大，噪声减少越明显。 如果 处理点是噪声点，其邻近像素灰度与之相差很大，一旦用简单邻域平均法，即邻近像素的平均值来置换它，能明显地将噪声点压制下去，使邻域中灰度接近均匀，起到平滑灰度的作用。 因此，领域平均法具有显著地平滑噪声的效果，邻域平均法是一种有效的平滑技术。 中值滤波中值滤波法也是一种局部平均平滑技术。 它对脉冲干扰和椒盐噪声的抑制效果较好，在抑制随机噪声的同时能使边缘减少模糊。 中值滤波法是一种非线性的图像平滑方法，它对一个滑动窗口内的诸像素灰度排序，用其中值代替窗口中心像素原来的灰度（若窗口中有偶数个像素，则取两个中间值的平均）。 （a） 原始图像 （b）中值滤波 中值滤波处理结果 用MATLAB实现程序如下：I=imread(39。 F:/39。 )。 figure(1)。 imshow(I)。 J=rgb2gray(I)。 figure(2)，imshow(J)。 K=medfilt2(J,[3 3])。 应用中值滤波，就能很好地保持原来边界。 所以说，中值滤波的特点是保护图像边缘的同时去除噪声。 另外，中值滤波对脉冲噪声也非常有效。 虽然，中值滤波容易去除孤立点、线性的噪声，同时保持图像的边缘，并能很好地去除二值噪声，但对高斯噪声无能为力。 要注意的是，当窗口内噪声点的个数大于窗口宽度一半时，中值滤波的效果不好。 因此，正确选择窗。