图像处理文献综述
【图像复原技术研究文献综述2000字】
图像复原技术研究国内外文献综述作为日常生活中广泛使用的技术，图像修复技术汇集了国内外许多重要技术。
实际上，图像复原分为三种标准：首先是搭建其劣化图像的图像模型；其次去研究和筛选最佳的图像复原方法；最后进行图像复原。
所有类型的成像模型和优化规则都会导致应用于不同领域的不同图像恢复算法。
我们对现有的图像复原方法大致做了总结，如利用线性代数知识的线性代数复原技术、搭建图像退化模型的去卷积图像恢复技术以及不考虑PSF的图像盲解卷积算法等。
其中，去卷积方法主要包括功率谱均衡、Wiener滤波和几何平均滤波等，然而这些方法需要许多预信息和噪声稳定假设，这在现实当中我们不可能利用计算机去做到的的事情，因此它们只适用于线性空间不变的理想系统，仅当噪声与信号无关时才能达到很好的效果。
但是在一些条件恶化的情况下，就不能满足图像修复的效果了。
在图像恢复领域当中，另一个重要且常见的方法是盲去卷积复原法。
它的优势是在没有预先了解退化函数和实际信号的知识前提下，可以根据劣化图像直接估计劣化函数和初始信号。
实际上，现在有几个算法通过不充分的预测信息来恢复劣化图像。
由于我们需要对图像和点扩展函数的一些相关信息进行假设和推导，所以这就导致图像恢复的解通常并不存在唯一性，并且我们已知的初始条件和对附加图像假设的选择也会对解的优劣产生很大的关系。
与此同时，由于信道中不可避免的加性噪声的影响，会进一步导致盲图像的复原变差，给图像复原造成许多困难。
也就是说，如果我们直接利用点扩展函数进行去卷积再现初始图像，则一般会导致高频噪声放大，导致算法的性能恶化，恢复不出清晰的图像。
因此，我们要尽可能的提高图像的信噪比，从而提高图像复原的效果。
基于已知的降质算子和加性噪声的某些统计性质从而恢复清晰的图像，我们将这种方法叫做线性代数恢复方法，并且这种线性代数恢复方法在一定程度上提出了用于恢复滤波器的数值计算从而使得模糊图像恢复到与清晰图像一致的新的设计思想。
图像压缩文献综述
《数字图像处理和模式识别》期末大作业题目：图像压缩文献综述班级：数字媒体学院计算机技术姓名：徐德荣学号：6141603020图像压缩文献综述1 图像压缩编码概述图像信息的压缩编码，是根据图像信号固有的统计特性和人类的视觉特性进行的。
图像信号固有的统计特性表明，其相邻像素之间、相邻行之间或者相邻帧之间，都存在较强的相关特性。
利用某种编码方法在一定程度上消除这些相关特性，便可实现图像信息的数据压缩。
这个过程也就是尽量去除与图像质量无关的冗余信息，属于信息保持（保持有效信息）的压缩编码。
另一种考虑是，图像最终是由人眼或经过观测仪器来观看或判决的。
根据视觉的生理学、心理学特性，可以允许图像经过压缩编码后所得的复原图像有一定的图像失真，只要这种失真是一般观众难以察觉的。
这种压缩编码属于信息非保持编码，因为它使图像信息有一定程度的丢失。
由此可见，图像压缩编码的研究重点是：怎样利用图像固有的统计特性，以及视觉的生理学、心理学特性，或者记录设备和显示设备等的特性，经过压缩编码从原始图像信息中提取有效信息，尽量去除那些无关的冗余信息，并且在保证质量（能从这些数据中恢复出与原图像差不多的图像）的前提下，用最低的数码率或最少的存储容量，实现各类图像的数字存储、数字记录或数字传输。
2 图像编码研究现状图像压缩编码技术可以追溯到1948年提出的电视信号数字化,到今天己经有五十多年的历史。
五十年代和六十年代的图像压缩技术由于受到电路技术等的制约,仅仅停留在预测编码、亚采样以及内插复原等技术的研究,还很不成熟。
1969年在美国召开的第一届“图像编码会议”标志着图像编码作为一门独立的学科诞生了。
到了70年代和80年代,图像压缩技术的主要成果体现在变换编码技术上;矢量量化编码技术也有较大发展,有关于图像编码技术的科技成果和科技论文与日俱增,图像编码技术开始走向繁荣。
自80年代后期以后,由于小波变换理论,分形理论,人工神经网络理论,视觉仿真理论的建立,人们开始突破传统的信源编码理论,例如不再假设图像是平稳的随机场。
图像处理文献综述
文献综述近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。
在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。
在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。
尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。
视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。
人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。
传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率 [1,2]。
因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。
受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。
图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。
一般来说，一个信号的显著性可以表示为其和周围环境的差异性。
正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。
另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。
基于当前场景的视觉显著性机制是低级的，慢速的。
数字图像处理文献综述
数字图像处理技术综述摘要：随着计算机的普及，数字图像处理技术也获得了迅速发展，逐渐走进社会生产生活的各个方面。
本文是对数字图像处理技术的一个总体概述，包括其内涵、优势、主要方法及应用，最后对其发展做了简单的总结。
关键词：数字图像、图像处理技术、处理方法、应用领域Overview of digital image processing technologyAbstract: With the popularization of computer, digital image processing technology also won the rapid development, and gradually go into all aspects of social life and production. This paper is a general overview of the digital image processing technology, including its connotation, advantage, main method and its application. And finally, I do a simple summary of the development.Keywords: digital image, image processing technology, processing method, application field前言：图像处理技术被分为模拟图像处理和数字图像处理两大类。
数字图像处理技术一般都用计算机处理或实时的硬件处理，因此也称之为计算机图像处理[1]。
而时至今日，随着计算机的迅速普及，数字图像处理技术也飞速发展着，因为其用途的多样性，可以被广泛运用于医学、交通、化学等各个领域。
一、数字图像处理技术的概念内涵数字图像处理技术是指将一种图像信号转变为二进制数字信号，经过计算机对而其进行的图像变换、编码压缩、增强和复原以及分割、特征提取等处理，而高精准的还原到显示器的过程[2]。
图像处理文献综述
文献综述近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。
在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。
在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。
尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。
视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。
人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。
传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率[1,2]。
因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。
受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。
图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。
一般来说，一个信号的显著性可以表示为其和周围环境的差异性。
正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。
另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。
基于当前场景的视觉显著性机制是低级的，慢速的。
图像处理文献综述
文献综述近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。
在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。
在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。
尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。
视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。
人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。
传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率[1,2]。
因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。
受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。
图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。
一般来说，一个信号的显著性可以表示为其和周围环境的差异性。
正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。
另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。
基于当前场景的视觉显著性机制是低级的，慢速的。
图像分割方法综述【文献综述】
文献综述电子信息工程图像分割方法综述摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。
活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。
鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。
最后指出了图像分割的算法还有一些进一步优化的研究发展方向。
关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集1.引言对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。
其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。
图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。
水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。
一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。
2、整体性。
能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。
3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。
基于matlab的图像预处理技术研究文献综述
毕业设计文献综述题目：基于matlab的图像预处理技术研究专业：电子信息工程1前言部分众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络、优化计算、模糊逻辑、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。
果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。
图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。
视觉是人类从大自然中获取信息的最主要的手段。
拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。
由此可见，视觉信息对人类非常重要。
同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。
通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。
图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。
图像处理它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。
图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
首次获得实际成功应用的是美国喷气推进实验室（JPL）。
他们对航天探测器徘徊者7号在 1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文献综述
1.1理论背景
数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。
物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。
图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。
根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。
1.2、图像边缘检测技术研究的目的和意义
数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。
边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。
首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。
前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。
两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。
早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。
早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了
最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。
边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测
结果并不尽如人意。
20世纪80年代，Marr和Canny相继提出了一些更为系统
的理论和方法，逐渐使人们认识到边缘检测的重要研究意义。
随着研究的深
入，人们开始注意到边缘具有多分辨性，即在不同的分辨率下需要提取的信息
也是不同的。
通常情况下，小尺度检测能得到更多的边缘细节，但对噪声更为
敏感，而大尺度检测则与之相反。
1983年Witkin首次提出尺度空间的思想，
为边缘检测开辟了更为宽广的空间，繁衍出了很多可贵的成果。
随着小波理论
的发展，它在边缘检测技术中也开始得到重要的应用。
MALLAT造性地将多尺度
思想与小波理论相结合，并与LoG, Canny算子相统一，有效地应用在图像分解与重构等许多领域中。
这些算子现在依然应用于计算几何各个现实领域中，如遥感技术、生物医学工程、机器人与生产自动化中的视觉检验、零部件选取及过程控制等流程、军事及通信等。
在图像边缘检测的过程中老算法也出现了许多的问题。
经过多年的发展，现在已经出现了一批新的图像边缘检测算法。
如小波变换和小波包的边缘检测、基于形态学、模糊理论和神经网络的边缘检测等，这些算法扩展了图像边缘检测技术在原有领域中的运用空间，同时也使它能够适应更多的运用需要。
1.3国内外研究现状分析
数字图像边缘检测技术在二十世纪六十年代因客观需要而兴起，到二十一世纪初期，它已经处于发展的全盛时期。
图像边缘检测技术进一步发展的另一个原因是计算机硬件的开发与软件系统的进一步完善，导致数字图像技术的精度更高、成本更低、速度更快及灵活性更好。
由于数字图像边缘检测包括很多方面，所以该文主要针对图像边缘检测进行研究和分析。
图像的边缘检测是图像最基本的特征，精度的提取出图像边缘可以对图像进行更多方面的研究。
早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。
经典的边缘检测算法是对原始图像中像素的某小领域来构造边缘检测算子，常用的边缘检测算子有Roberts算子、Sobel算子、Prewitt算子Kirsch算子、Laplacian算子、LOG算子、Canny算子等。
虽然这些算法已经提出并应用了很多年，不过任然有其发展空间。
近年来随着数学理论以及人工智能的发展，又涌现出了许多新的边缘检测的方法，如小波变换和小波包的边缘检测、基于数学形态学、模糊理论和神经
网络的边缘检测法。
小波变换和小波包的边缘检测方法：在数字图像边缘检测中，需要分析的图像往往结构复杂、形态各异，提取的图像边缘不仅要反应目标的整体轮廓，目标的局部细节也不能忽视，这就需要更多尺度的边缘检测，而小波变换具有天然的多尺度特征，通过伸缩平移运算对信号进行细化分析，达到高频处时间细分，低频出频率细分。
所以，小波变换非常适合复杂图像的边缘检测。
在Coifman、Meyer、Wickhauser引入小波理论后，小波包分解则更是为精细的一种图像分解方法，可以满足不同分辨率下对局部细节进行边缘检测提取的需要，尤其是含噪图像，提取图像边缘对抑制图像噪声更好。
基于数学形态学的边缘检测方法：数学形态学是图像边缘检测和模式识别领域中一门新兴的学科，具有严格的数学理论基础，现已在图像工程中得到广泛的运用。
基本思想是用具有一定形态学的结构元素去度量和提取图像中的对应形状已达到对图像分析和识别的目的。
获得的图像结构信息与结构元素的尺寸和形状都有关系，构造不同的结构元素，便可完成不同的图像分析。
数学形态学包括二值形态学、灰度形态学和彩色形态学，基本变换包括膨胀、腐蚀、开启、闭合四种运算，并由这四种运算演化出开、闭、薄化、厚化等，从而完成复杂的形态变换。
目前随着二值形态学的运用越来越成熟，灰度和彩色形态学在边缘检测中的运用也越来越引起人们的关注并逐渐走向成熟。
由于边缘本身检测本身所具有的难度，使研究没有多大的突破性的进展。
仍然存在的问题主要有两个:其一是没有一种普遍使用的检测算法；其二没有一个好的通用的检测评价标准。
从边缘检测研究的历史来看，可以看到对边缘检测的研究有几个明显对策
趋势：一是对原有算法的不断改进；二是新方法、新概念的引入和多种方法的
有效综合利用。
人们逐渐认识到现有的任何一种单独的边缘检测算法都难以从
一般图像中检测到令人满意的边缘图像，因而很多人在把新方法和新概念不断
的引入边缘检测领域的同时也更加重视把各种方法总和起来运用。
在新出现的
边缘检测算法中，基于小波变换的边缘检测算法是一种很好的方法。
三是交互
式检测研究的深入。
由于很多场合需要对目标图像进行边缘检测分析，例如对
医学图像的分析，因此需要进行交互式检测研究。
事实证明交互式检测技术有
着广泛的应用。
四是对特殊图像边缘检测的研究越来越得到重视。
目前有很多
针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究，也有对运动图像及视频图像中目标分割的研究，还有对深度图像、纹理（Texture）图像、计算机断层扫描（CT）、磁共振图、共聚焦激光扫描显微镜图像、合成孔径雷达图像等特殊图像的边缘检测技术的研究。
五是对图像边缘检测评价的研究和对评价系数的研究越来越得到关注。
相信随着研究的不断深入，存在的问题会很快得到圆满的解决。