图像处理实验报告
- 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)。
2016 年春季学期研究生课程考核
(读书报告、研究报告)
考核科目:图像处理与分析
学生所在院(系):理学院数学系
学生所在学科:计算数学
学生姓名:
学号:
导师:
学生类别:
考核结果阅卷人
第 1 页 (共 27 页)
1 实验目的
过MATLAB 软件编程熟悉MATLAB 图像处理的一般过程,例如图像的导入,对源图像进行手动加各种噪声(高斯噪声、瑞丽噪声、伽马噪声、指数噪声、椒盐噪声),通过热传导方程,热传导逆方程,PM 模型,TV 模型,LAPLACE 模型,P_LAPLACE 模型,P(x)_LAPLACE 模型,在对图像进行处理的过程中引入Signal_Noise_Ratio (信噪比SNR )、Peak_Signal_Noise_Ratio (峰值信噪比PSNR )、Mean_Absolute_Error (绝对均差MAE )对处理后的图像质量进行评判。
2 实验原理
2.1热传导方程模型
Tikhonov 和Arsenin 提出如下模型:能量泛函
22min ()||||2u
E u u dx u f dx λ
Ω
Ω
=∇+
-⎰⎰
其对应的Euler_Lagrange 方程
0()
|0dE u v d εεε
=+= 由最速下降法求解可转化为如下的线性方程:
(),(,)(0,)(,0),0,(,)(0,)du
u u f x t T dt u x f x du x t T dn
λ⎧=∆--∈Ω⨯⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎩ 注意:在用最速下降法推导方程的过程中左端项应该为:
0(),(,)(0,)(,0),0,(,)(0,)u u f x t T u x f x du x t T dn
λ⎧
⎪=∆--∈Ω⨯⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎩ 其中n 为外法向向量。然而,当时间t 足够长时,上述两种形式方程等价,
即后者是前者的稳定状态时的方程。
2.2热传导逆方程模型
(),(,)(0,)(,0),0,(,)(0,)du
u u f x t T dt u x f x du x t T dn
λ⎧=-∆--∈Ω⨯⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎩ 在时间足够长时,上述方程等价于:
0(),(,)(0,)(,0),0,(,)(0,)u u f x t T u x f x du x t T dn
λ⎧
⎪=-∆--∈Ω⨯⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎩ 2.3 PM 模型
((||))u
div C u u t
∂=∇∇∂ 其中
2
1
C(s)1(/)s K =
+
该方程的局部坐标表达式为:
2222||1()1||||(1())1()
NN TT u u K U U u u t K K
∇-∂=+∇∇∂++
其中,U NN 为沿着等灰度水平线的法向N 的方向导数,U TT 为沿着等灰度水平线的切向T 的方向导数。
2.4 TV 模型
Ridin ,Osher 和Fatemi 首次提出全变差(TV )模型
2min ()||||2u
E u u dx u f dx λ
Ω
Ω
=∇+
-⎰⎰
其对应的Euler_Lagrange 方程:
0()
|0dE u v d εεε
=+=
有最速下降法求解可转化为如下的线性方程:
2()(),(,)(0,)||(,0),0,(,)(0,)p
u
u div u f x t T t u u x f x du x t T d n
λ-∂∇⎧=--∈Ω⨯⎪∂∇⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎪⎩ 注意:在用最速下降法推到方程的过程中左端项应该为:
20()(),(,)(0,)||(,0),0,(,)(0,)p u div u f x t T u u x f x du x t T d n λ-∇⎧=--∈Ω⨯⎪∇⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎪⎩
其中n 为外法向向量。
2.5 P_Laplace 模型
2min ()||||2p u
E u u dx u f dx λ
Ω
Ω
=∇+
-⎰⎰
其对应的Euler_Lagrange 方程:
0()
|0dE u v d εεε
=+=
有最速下降法求解可转化为如下的线性方程:
2()(),(,)(0,)||(,0),0,(,)(0,)p
u
u div u f x t T t u u x f x du x t T d n
λ-∂∇⎧=--∈Ω⨯⎪∂∇⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎪⎩ 注意:在用最速下降法推到方程的过程中左端项应该为:
20()(),(,)(0,)||(,0),0,(,)(0,)p u div u f x t T u u x f x du x t T d n
λ-∇⎧=--∈Ω⨯⎪∇⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎪⎩ 其中n 为外法向向量。然而,当时t 足够长时,上述两种形式方程等价,即后者是前者的稳定状态时的方程。
2.6 P(x)_Laplace 模型
已知P_Laplace 模型
2()(),(,)(0,)||(,0),0,(,)(0,)p u
u div u f x t T t u u x f x du x t T d n λ-∂∇⎧=--∈Ω⨯⎪∂∇⎪⎪
=∈Ω
⎨⎪⎪=∈∂Ω⨯⎪⎩
观察在P_Laplace 模型中的缺陷是:在计算过程中,参数P 的值是人们事先取定的,没有根据图像的实际特定进行更新,自然就联想到当P 的值随着处理图像位置的不同而进行更新,根据PM 模型和TV 模型的处理图像的特点,对于P_Laplace 模型知道如下事实:
① 当p 趋近于1时,该模型的效果近似于TV 模型的结果; ② 当p 趋近于2时,该模型的效果近似于PM 模型的结果。 所以修改P_Laplace 模型如下: