图像测量中去噪与边缘检测方法研究

论文摘要

图像测量过程中,图像的获取容易受到噪声的污染,给后续的图像特征提取、分析带来困难,此外边缘检测方法的优劣也将直接影响图像特征提取的精度,因此如何有效地对图像进行去噪与边缘提取在图像测量中具有十分重要的意义。本文将围绕如何改进图像去噪与边缘检测方法进行研究。本文首先对传统的去噪方法进行研究,重点对小波阈值去噪方法进行研究,并对它们的去噪效果进行比较和分析。针对传统的小波阈值去噪方法的不足,提出了一种以高密度小波变换结合双变量收缩函数的小波阈值去噪方法。通过实验验证及比较,该方法能取得更高的峰值性噪比,具有更好的去噪效果。然后对几种典型的边缘检测方法进行比较分析,对利用小波变换进行边缘检测的原理及方法进行研究,最后提出了一种基于多孔算法的小波边缘检测方法,通过实验仿真验证,新方法能有效的提取边缘特征,保留图像细节,连续性好。对图像测量系统的硬件构成进行了研究,分析其主要功能模块的作用及影响。以微型齿轮为对象进行测量,得到主要尺寸参数,将其与在其它典型方法下得出的结果进行比较和分析,具有最小相对误差,精度更高。进一步验证了本文去噪与边缘检测方法的可行性及有效性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题的背景及研究意义
• 1.2 图像测量技术研究的现状及发展趋势
• 1.3 论文的研究内容
• 2 图像测量的理论基础
• 2.1 图像增强
• 2.1.1 直方图修正
• 2.1.2 对比度增强
• 2.1.3 彩色增强
• 2.2 图像分割
• 2.2.1 基于阈值的分割
• 2.2.2 基于区域的分割
• 2.2.3 彩色图像的分割
• 2.3 本章小结
• 3 改进的小波阈值去噪方法研究
• 3.1 常用的图像去噪方法
• 3.1.1 图像平滑
• 3.1.2 中值滤波
• 3.1.3 自适应滤波
• 3.1.4 频域滤波
• 3.2 改进的小波阈值去噪方法
• 3.2.1 小波去噪
• 3.2.2 二维高密度离散小波变换
• 3.2.3 双变量收缩阈值
• 3.3 改进去噪方法的实现
• 3.3.1 改进方法的实现步骤
• 3.3.2 改进方法验证
• 3.4 改进去噪方法与传统方法的比较与分析
• 3.4.1 与各种小波阈值法的比较与分析
• 3.4.2 与传统去噪方法的比较与分析
• 3.5 本章小结
• 4 改进的小波边缘检测方法研究
• 4.1 常用的边缘检测方法
• 4.2 改进的小波边缘检测算法
• 4.3 改进算法验证
• 4.4 与典型方法的比较与分析
• 4.5 本章小结
• 5 改进方法在实际测量中的验证
• 5.1 图像测量系统的结构
• 5.1.1 照明系统
• 5.1.2 图像采集系统
• 5.1.3 实验条件
• 5.2 图像去噪方法验证
• 5.3 图像边缘检测方法验证
• 5.3.1 改进方法实现
• 5.3.2 参数测量
• 5.4 比较及误差分析
• 5.5 本章小结
• 6 总结与展望
• 致谢
• 参考文献
• 附录