图形图像通信与处理技术在林火监测中的应用 第12页
图像通信与处理技术在林火监测中的应用研究
干扰不大时，可以将乘法噪声进行泰勒展开，从而将它近似为加性噪声，因此在建
立图像噪声模型只需考虑加性噪声，则
／(，，／)=s(f，／)+门(，，／) (5-26)’
式中：s(，，．，)为原始图像像素点(f，／)的信号幅度；刀(f，／)为(，，／)处的随机干扰噪声，
一般认为是白高斯噪声：／(，，．，)为受噪图像在(，，／)坐标上的灰度值[661。
图像信噪比表示为
，．r 2
SNR=10loglo普t (5-27)
仃H
式中仃；、仃：分别为信号s(f，／)与干扰噪声"(f，／)的方差。 。
5．3．4基于小波理论的图像去噪
图像的轮廓特征主要集中在低频系数上，边缘细节部分体现在高频部分，采用
传统的图像平滑处理方法虽然能够抑制噪声，获得平滑效果，但是边缘细节不能兼
顾，很容易导致边缘或细节模糊。因此在对图像用db4小波分解与重构基础上，可
采用以下几种方案。
1)对原始图像Ao．厂(x，J，)进行单尺度db4小波分解【’引，获取系数．A,J‘(x，J，)、’
DL7r(x，J，)，江1,2,3并编码。如5．1 1图所示，通过全部滤掉图像中的高频部分
D；J’(z，J，)，江1,2,3，即采用编码后低频系数图像彳。／(z，J，)作为处理结果，实现消噪。
但是从图中看到图像的边缘细节部分，因此忽略高频图像，其代价是相当昂贵的。
■0j÷主1一一
图5．1l受噪图像一层分解
2)对原始图像彳。／(x，少)予以多层小波分解，获得低频系数彳．I厂(z，J，)、和一系列高频
系数蟛／(x，J，)，江1，2，3，／=1，2，…，，Ja由于噪声主要存在于高频系数，通过放大
彳，／(z，少)，削减叫／(z，少)，j：=1,2,3，．／=1，2，．．·，，7’可以消除干扰噪声的影响。本文将
彳．／(r，y)放大1．2倍，将高频系数放大0．7倍，利用以下图像处理方法(领域平均法、
东北林业大学硕士学位论文
空间低通滤波、中值滤波、文纳自适应除噪滤波)分别对各个系数去噪和平滑，然
后施以小波逆变换，合并恢复图像0’叭，这样就获得图5．12、5．13、5．14、5．15处理
图。
(1)领域平均法
设／(，，，，，，)为平滑前的M×Ⅳ阵列图片，g(，，，，”)为平滑后的M×Ⅳ阵列图片，它
的每个象素的灰度级又包含在伽，，，)预定领域的几个像素的灰度级的平均值所决定。
g(，，，，，，)=专∑巾，／) (5．28)
‘‘(f．』)Es
式中的，，，：0，l，…，M，，，=0，l，…，Ⅳ；S是沏，，，)点领域中心点的坐标集合；d是S内坐
标点总数。
(2)空间低通滤波
从信号频谱分析可知信号慢变部分在频域属于低频部分，而信号快变部分在频
域是高频部分。图像边缘以及噪声干扰的频率分量在空间频域较高部分，因此可以
采用滤波方法来去除噪声，频率域的滤波可从空间域的卷积来实现，只要适当的选
择空间域系统的单位冲激响应矩阵就可以达到滤掉噪声的效果。
g(，，，，，，)=∑∑／(，，，，功Jl，(x一，，，+1，少一”+1) ． (5—29)
其中： 厅(，，，，，，)为低通卷积模板。 ’
(3)中值滤波
中值滤波可以保护图像的尖锐边缘，能有效地消除尖锐的脉冲噪声。中值滤波
对窗口内所有像素重新进行排序，取排序结果的中间值作为原窗口中心像素的灰度
值。二文中值滤波可表示为
g(朋，刀)。榴(-7r(f，川 ‘5·30)
其中：S为滤波窗口，窗口可以为圆形、方形等，窗口的形状和尺寸对滤波效果影
响很大。
(4)文纳自适应除噪滤波
文纳自适应滤波是建立在统计理论上，通过估计每个像素的局部均值与方差：
∥。去。，姜∥∽
仃z：去∑厂：(f，／)一∥：
动(，磊；”～。
(5．3 1)
图像通信与处理技术在林火监测中的应用研究
则滤波估计式为
北／)：∥+掣[朋，／)一∥】 。 (5．32)
<)．。
其中：S为图像中每个像素的口×6局部领域，’，为噪声方差。
图5．12领域平均法
图5．13空间低通滤波
图5．14巾值滤波 图5．15文纳自适应滤波
3)噪声信号存在于高频段，采用上述方法能得到比一般图像处理方法更好的效果，
但也存有一定缺陷，因为图像边缘、细节也在高频段。所以在分解后，只对各高频
系数采用自适应或中值滤波，爿。／(x，J，)不作处理，最后将其恢复。从图5．1 6、5．1 7
所示，轮廓和边缘细节得以很好的保持。
图5．16文纳自适应滤波
图5．1 7巾值滤波
5．4图像分割
图像分割(Segmentation)的日的是把图像空间分成一些有意义的子区域，每个
东北林业大学硕士学位论文
子区域都具有一定的相似性，且对应于某一物体或物体的某一部分，图像分割又称
图像分类、图像分群。设M×^r个像素组成的一幅图像，尺表示一幅图像中所有像
素点的集合，则
尺：{(f，歹)，f=l，2，…，M；jf=l，2，…，Ⅳj (5—33)
设墨，尺：，…，尺-为尺集合中的若干个非空子集。则
．J．
尺=UR，凡≠(1)，R r-、吩=tl'(七≠／，七，歹=l，…，J) (5—34)
I=l
图像分割常见有边缘法、区域法、边界法和阈值法【。JI’8儿，7舻9lf6们。
边缘法有利用一文或二文微分算子提取边缘特征，获取图像区域。Rober_Is算子、
Sobel算子、Prewitt算子和Kirsch算子是最常见的一阶微分算子，Log算子是二阶
微分算子。
最常见的区域法有金字塔数据结构和四叉树数据结构。金字塔数据结构是小波
分析理论中的一种算法，它对图像进行层层分解，假设图像大小为2Ⅳ×2Ⅳ，在金字
塔最底层的尺寸和数据就是原始图像的大小和像素的灰度值，其上一层的图像尺寸
为2肛’×2Ⅳ‘’，其中每一节点值是所属下层对应的相邻四点的平均值，在金字塔顶层
只有一个点。而四叉树数据结构主要将长宽相等的图像分割成不重叠四个不同相同
的子图像，若每个子图像内性质不同的图像存在，就将其继续分割，持续这个过程
直到没有可再分割的条件为止，接着将具有性质又相邻的子区域合并，直到无法再
合并为止。
边界法有轮廓跟踪法。在图像中物体的边界是连续的，一个边界象素可能与左、
左上、上、右上、右、右下、下以及左下八个方向上的象素相接。从图像边界上任
一象素始，按顺时针寻迹方向探测八个方向，辨别是否为边界，最后确定所有边界
象素并保证结束在起始象素上。如果没有新的边界象素与当前的象素相接，则当前
的象素退回到前一个象素。如果新的边界象素是起始象素，整个边界象素搜索过程
结束。
由于每种方法都有特殊的要求，只能在特定条件下才能获得一定的处理效果。
这三种方法在对森林火灾图像处理中，获取火焰区域效果不佳，主要因为火焰区域
非常复杂，火焰零星点很多，边缘不太明显，另外在图像中背景物很多。本文就上
述三种方法不予阐述，就森林火灾图像的特殊性探讨基于Otsu阈值法的图像分割法
和基于神经元网络技术的图像分类法。基于神经元网络技术的图像分类可分为监督
方式和无监督方式，在图像分割这～块，我们只探讨基于自组织竞争思想的无监督
分类方法，而将监督方式用于图像识别中。
<< 上一页 [11] [12] [13] [14] [15] [16] [17] [18] 下一页
图形图像通信与处理技术在林火监测中的应用 第12页下载如图片无法显示或论文不完整，请联系qq752018766
