外文翻译

毕业论文外文资料翻译

学 院： 电子工程学院 专业班级： 电子信息工程 电子102 学生姓名： 李怀明 学 号： 031091208 指导教师： 李丰林(副教授) 外文出处： 科学杂志

附 件： 1.外文资料翻译译文； 2.外文原文

指导教师评语： 签名： 年 月 日

译文：

一种有效地自动图像增强方法

1.简介

基于集装箱裂纹的自动视觉检测(AVICC)是一个应用机器视觉技术。要实现我们的目标,必须使用四种基本的操作-图像预处理、目标检测、特征描述和破裂对象最终分类。图像增强是为了提供一个比原始图像中的具体应用更合适的结果。这篇关于图像增强文章的主要目的是获得较高质量的感兴趣的内容而最大的减少噪声。冈萨雷斯所论述图像增强方法分为两大类：空间域和频率域的方法。伯顿适的人脸识别系统图像应用技术,使它能够识别变化大面孔。Centeno提出了一种自适应图像增强算法,该算法改变了分割图像增强和锐化的缺点,避免了噪音和模糊边界。Munteanu应用人工智能技术,提供去噪图像增强的功能。除了空间域方法、频域处理的相似度也可以用来做定量比较图像分割算法。

在本文中,我们提出了一种改进的空间低通滤波器。最优参数滤波的判别准则确定见参考书[9]。这款面膜Convolving图像,能够简易地去除不感兴趣的背景而使感兴趣的部分被保留。其余的组织提出如下:Sect.2提出了如何提高一个输入图像在理论的基础的算法。Sect.3证明了Sect.2方法的有效性。最后,在Sect.4提出了相关结论。 2.图像增强

2.1对所学知识回顾

预处理后图像的质量直接影响之后的工作。因此,应该给出输入图片的相关特性。一个标准的容器破裂图如(A)所示。从图像中,我们看到破裂的部分只占一个小区域。在图片中出现了如铁锈、阴影、涂片等许多噪声。然而,在粗糙的反光下我们发现灰度洞口比其他部分模糊。进一步研究图像的灰度像素可以看出边上的孔洞像素最小。

a)是有裂纹容器的标准灰度图像。 b)是图一的直方图 2.2分析

本节主要是介绍基本的内容。传统的空间过滤器使用一个3×3的模板与输入

图像进行卷积。该方法可以处理一些适用方程(1)的图像:

G(x,y)?I(x,y)?N(x,y) （1）

I是我们感兴趣的部分,N是高斯白噪声,(x,y)表示一对坐标。通过得到G我们可以消除N .但我们的目的不仅是消除白噪声,而且要消除其他不相关的背景噪声。因此通过方程(2)改善方程(1):

G'(x,y)?I'(x,y)?N'(x,y) （2）

F(x,y)在这方程式里面I’是我们想要得到的,N '是噪声。图2(c)显示一个改进的

模板参数。我们稍后会说明适当调整是为了促进对象的分割。光滑函数可以用方程(3)来表示:

If(x,y)?m??1n??1??11G'(x,y)F(x?m,y?n) （3）

F(x,y)表示平滑滤波，模板显示如图2（c）。现在,我们只考虑灰度图像,并定义Mg为一个最大灰度级。下列方程是用来区分感兴趣和不敢兴趣部分:

'f??If,if?If?MgI?? （4）

M,if?I?M?fg?g 本质上,卷积算子是一个低通滤波过程,通过一个模板与图像卷积使图像模糊。但为什么会使每一个像素的灰度值不相同幅度的提高呢？。原因是它不考虑相邻像素间的关系。当噪声点发生,提高其灰度，噪声点将直接保存。实验说明后者的方法将不能删除许噪声点,但前者方法可以。

现在,我们将搜索最优参数最大限度地分离目标体和背景。并用用L灰度水平描绘一个图像。处于i灰度级的像素数目被改成n灰度级水平每一灰度级描述如【9】所示:

Pi?ni/N,Pi?0,?Pi?1 （5）

i?1l假设我们将图像的像素分成两组C0和C1（客体和背景）,K为分界点，C0表示1至K，C1表示K+1至L，可能频率分别为w1和w2，灰度级分别用u0和u1表示，方程式如下：

?0=?Pi=??k? （6）

i?1nn ?1=?Pi=1-??k? （7）

i?k?1k ?0=(?iPi)/?0=??k?/??k? （8）

i?1L ?1=(?iPi)/?1=[?????k??/[1-??k?? （9）

i?1（10） ??=?iPi

i?1L ?=[?(i??0)2pi]/?0 （11）

20i?1K ?=[?(i??1)2pi]/?1 （12）

21i?1K其中ut是图像像素的总平均值

22 ?=?B （13） /?T2（14） ?B??0(?0??T)2??1(?1??T)2??0?1(?1??0)2 22??BT其中和都变量

L?=?(i??T)2pi （15）

2Ti?1获得最佳效果的程序是基于为每一个过滤的图象获得最佳阈值。确定最优阈值最大的使得物体和背景分离，使用下列判别准则，详见[9]:

?(k*)?max?(k) （16）

1?k?L方程(16)是选取灰度判别准则使一张图片目标体和背景之间最大的分离。本文介绍了一个参数,方程(6)~(9),(11)~(14),(16)是参数化方程：(10),(15)是参数化条件。所以方程(13)可以改写为:

22???B(para,k)/?T(para,k) （17）

22其中?T不再是一个常数，但不能忽视，一些计算可以通过?B(para,k)和

2?T(para,k)简化。

我们想找到适合的参数使图像过滤后得到更好的效果，改善判别标准如下：

?*?max(k*) （18）

1?k?L在上面的表达式中参数设置非常重要,因为最优参数能最大的分离对象和背景,使得最后能进行有效的分割,这使得阈值分割法能更有效地从大背景中分离小目标体，这可以从增强后的图像直方图观察到 2.3对Para和k的分析

以上问题寻求降低阈值k *情况下,这使得在方程(18)中判别准则最大化。讨论以上图像至少要分为两种情况。但以下两种情况下不发生,因为（1）w0或者w1是初始值为0，这种情况下只有一类；(2)w0或者w1没有确定的数值，在这种情况下也只有一类。以上两种情况可如下描述：

A?{?Para,k?|?Para,k??Para,k??0,1/???2n?1?*?2n?1????Para??,0?k?L?1}这里主要是讨论A，所以必须有一个确定的参数K使得标准最大化。

3.实验

本文是针对单色图像的，首先初始值已经给出。其他有些值需设定：Para=1/9,Mg=L=256,使用上述算法我们可以计算K*的每个值和与之对应参数