3：图像信号处理.ppt

卡尔曼滤波 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。 1956年提出卡尔曼滤波算法。 卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列提炼或预测出物体的坐标位置及速度.在许多解决类似问题的方法中，它是最优，效率最高甚至是最有用的。 它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至雷达系统以及导弹追踪等等。 Kalman滤波方程 状态方程 状态更新 测量方程 状态的一步预测 协方差一步预测 协方差更新 增益矩阵 残差计算 冷色LENA与暖色LENA 增减饱和度 增减明暗度 图像增强 许多时候，信号比较微弱，因此需要对其增强。 比如：夜间低能见度条件下的图像增强。 图像增强 雾霭条件下的增强 图像信号增强的方法有多种，这里介绍基于频域变换的同态滤波方法。 先看图像的形成过程： 人眼观察到的物体颜色与物体表面的反射性质有着密切的关系，而与投射到人眼的光谱特性关系不大，即人眼感觉到物体的颜色不受照明环境变化的影响，即色彩是恒定。根据此理论，一幅图像I(x, y)可以定义为： 其中，E表示入射光；R表示物体表面的反射性质。 因此：可以从图像I中获得物体表面的反射性质R，即抛开入射光性质获得物体的本来面貌。 对上式施加对数变换： ln[I(x,y)] = ln[E(x,y)] + ln[R(x,y)] ln[I(x,y)] = ln[E(x,y)] + ln[R(x,y)] 一般而言，入射光强度分量E(x,y)对所有(x,y)而言均为定值或变化很缓慢，而反射光强度分量R(x,y)则变化较大，特别是在不同物体间的交接处。 对上式取傅里叶变换，则低频傅里叶变换效果反应在ln[E(x,y)]上，高频傅里叶变换效果反应在ln[R(x,y)]上。 傅里叶变换 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。 在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。 傅里叶变换在物理学、电子类学科、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用。 在信号处理中，傅里叶变换的典型用途是将信号分解成幅值谱——显示与频率对应的幅值大小。 一维信号的频谱 二维信号的频谱 ln[I(x,y)] = ln[E(x,y)] + ln[R(x,y)] 低频傅里叶变换效果反应在ln[E(x,y)]上，高频傅里叶变换效果反应在ln[R(x,y)]上。 高通滤波器：让某一频率以上的信号分量通过，而对该频率以下的信号分量大大抑制的滤波器。 采用巴特沃斯高通滤波器来增强图像 目标检测 跟踪火箭 跟踪飞机 监控系统 （图像）信号序列 时刻1 （图像）信号序列 时刻2 （图像）信号序列 时刻3 （图像）信号序列 时刻4 差分检测法 差分法是在运动目标检测中使用得最多的一类算法。其突出特点为实现简单、运算速度快，在大多数情况下检测效果较好。基本原理是：将两帧图像对应像素点的灰度值相减，在环境亮度变化不大的情况下，如果对应像素灰度相差很小，可以认为此处景物是静止的，如果图像区域某处的灰度变化很大，则认为这是由于图像中运动物体引起的，将这些像素差较大的区域标记下来，利用这些标记区域，就可以求出运动目标在图像中的位置。 通过对运动区域的提取，可以获得目标位置，记为（x,y） ；对一个时间序列内的信号连续做差分检测，可以获得关于目标位置的连续信息，记为（x1,y1）、 （x2,y2） 、 （x3,y3）…. 由于信号的形成及检测过程中均可能存在干扰因素，因此上述（x1,y1）、 （x2,y2） 、 （x3,y3）….也不够准确。 有没有办法来提高每一个（xi,yi）的精度呢？ 图像去噪 噪声类型 平均滤波法 中值滤波法★ 其它滤波法 噪声的类型 典型噪声1—胡椒盐噪声（低频） 典型噪声2—高斯噪声（高频） 此外，还有冲击噪声、量化噪声等。 噪声的影响 图像的视觉质量 后续图像处理算法 平均滤波 实质： 在一定范围内做均值平滑处理，让表现为高频特征的噪声被滤除。根据滤波器模板的尺寸大小，平均滤波器模板可有3×３、５×５，７×７等多种。下图为典型的3×３平均滤波器模板。但是，越大的模板对图像的模糊效果也随之增强。 3*3模板滤波结果 5*5模板滤波结果 7*7模板滤波结果 中值滤波 基本思想： 中值滤波器模板也可有3×３、５×５