前言：想要寫(xiě)出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇濾波器去噪原理和基本方法范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

濾波器去噪原理和基本方法范文第1篇

Li Yaqiang； Zhang Xianye

（①渭南職業(yè)技術(shù)學(xué)院，渭南 714000；②渭南師范學(xué)院數(shù)學(xué)與信息科學(xué)院，渭南 714000）

（①Weinan Professional Technology Institute，Weinan 714000，China；

②Department of Mathematic and Information，Weinan Normal University，Weinan 714000，China）

摘要：本文提出將二維物體的輪廓圖像坐標(biāo)信息轉(zhuǎn)換成基于質(zhì)心距離的一維向量信息來(lái)進(jìn)行檢測(cè)。設(shè)計(jì)了基于雙正交對(duì)稱(chēng)小波的去噪算法。實(shí)驗(yàn)結(jié)果表明，這種算法可以有效地去除噪聲信號(hào)和緩變信號(hào)，保留缺陷的突變信息，是一種有效和實(shí)用的輪廓缺陷檢測(cè)算法。

Abstract: The two-dimensional contour imaging coordinate information is transferred to one-dimensional vector of the centroid-based distance, which is proposed in the paper. The de-noising algorithm based on symmetric bi-orthogonal wavelet is designed. The experimental results show that the detecting result of this algorithmcan effectively remove the noise signal and the gentle change signal with the deficient mutant information retained. It is an effective and practical contour defect detection algorithm.

關(guān)鍵詞： 小波變換 輪廓 缺陷檢測(cè) 小波特性 分解層次

Key words: wavelet transform；profile；defect detection；wavelet features；decomposition level

中圖分類(lèi)號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2011）26-0125-02

0引言

物體的圖像是二維的，其輪廓缺陷在圖像上也表現(xiàn)為二維，本文提出將輪廓的位置表示為到物體質(zhì)心的幅度，則物體的二維輪廓坐標(biāo)就變成一維向量。二維輪廓的凸起與凹陷突變就是一種突變信號(hào)。

小波變換（wavelet transform）是一種信號(hào)的時(shí)間―頻率分析方法，具有多分辨率分析的特點(diǎn)，而且在時(shí)域和頻域都具有表征信號(hào)局部特征的能力。很適合于探測(cè)正常信號(hào)中夾帶的瞬態(tài)反常現(xiàn)象并展示其成分。在圖像去噪領(lǐng)域也得到了越來(lái)越廣泛的應(yīng)用。本文提出了將小波變換用于檢測(cè)二維突變點(diǎn)的原理與實(shí)現(xiàn)算法。由于輪廓信號(hào)中含有不規(guī)則的緩變信號(hào)，所以這里主要利用小波去噪。光滑輪廓物體作為一個(gè)應(yīng)用實(shí)例驗(yàn)證了這一原理和相應(yīng)實(shí)現(xiàn)算法的正確性。

1小波變換原理及小波去噪原理

1.1 小波變換原理小波函數(shù)的定義為：設(shè)?鬃（t）為一平方可積函數(shù)，即?鬃（t）∈L2（R），若其傅立葉變換?鬃（?棕）滿(mǎn)足條件：

■■d?棕

則?鬃（t）為一個(gè)基本小波或小波母函數(shù)，并稱(chēng)（1）式為小波函數(shù)的可容許性條件。

1.2 小波的多分辨率分析定義小波函數(shù)?鬃（t）伸縮和平移有為：?鬃■（t）=a■?鬃（■），（a>0，?子∈R）（2）

其中，?琢為伸縮因子，?子為平移因子。稱(chēng)?鬃■（t）為依賴(lài)于?琢和?子的小波基函數(shù)[1]。將任意L2（R）空間中的函數(shù)f（t）在小波基下進(jìn)行展開(kāi)，稱(chēng)這種展開(kāi)為函數(shù)f（t）的連續(xù)小波變換，其表達(dá)式為：

WT■（a，?子）==■■f（t）?鬃■dt（3）

多分辨率分析又稱(chēng)為多尺度分析，是建立在函數(shù)空間概念上的理論。不同尺度上的高頻信號(hào)的頻率是不同的，需要根據(jù)噪聲覆蓋的頻率范圍確定小波分解的尺度，以有效地去除高頻噪聲。

1.3 小波去噪原理

1.3.1 強(qiáng)制去噪算法1989年，Mallat提出了實(shí)現(xiàn)小波變換的快速算法―Mallat算法[2]，這樣可以利用小波分解與重構(gòu)的方法濾波去噪。由Mallat算法的分解公式：V■=H?V■W■=G?W■ j=0，1，…，J-1（4）

其中H和G為濾波器系數(shù)矩陣，V0為原始圖像的采樣值，Vj和Wj分別為尺度j上的逼近系數(shù)和小波系數(shù)，將含有噪聲的采樣值在某一尺度下分解到不同的頻帶內(nèi)，然后再將噪聲所處的頻帶置零，進(jìn)行強(qiáng)制消噪處理，再利用相應(yīng)的重構(gòu)公式：

V■=H*V■+G*W■，j=J-1，…，1，0（5）

其中H*和G*為重構(gòu)濾波器，且滿(mǎn)足H*H+G*G=1，進(jìn)行小波重構(gòu)，從而達(dá)到去噪的目的。

1.3.2 小波變換模極大值的去噪方法[3][4]突變點(diǎn)是描述一個(gè)瞬態(tài)信號(hào)的重要特征，信號(hào)的奇異點(diǎn)就是信號(hào)中的突變點(diǎn)，如何檢驗(yàn)信號(hào)的突變點(diǎn)具有實(shí)際意義。Mallat等人建立了小波變換與刻劃信號(hào)奇異性的Lipschitz指數(shù)之間的關(guān)系：設(shè)0≤α≤1，存在常數(shù)k>0，使信號(hào)f（x）的Lipschitz指數(shù)與小波變換模極大值滿(mǎn)足：

log■W■f（x）?燮log■■+?琢（6）

由式（6）可知，對(duì)于一般信號(hào)，由于?琢?叟0，小波變換的模極大值將隨著j的增大而增大；而對(duì)于白噪聲?琢

2小波變換尺度選擇

小波變換尺度選擇與去噪的方式有關(guān)，由于輪廓信號(hào)的噪聲很多，如圖1（b）所示，所以采用強(qiáng)制去噪算法，即將某幾個(gè)尺度上的高頻信號(hào)全部置為零[5][6]。在輪廓信號(hào)中，同時(shí)存在輪廓的不規(guī)則緩變信號(hào)、突變信號(hào)和劇烈變化的噪聲信號(hào)。劇烈變化的噪聲，這種噪聲變化周期短，劇烈變化的噪聲一般在時(shí)域中保持的空間跨度不會(huì)超過(guò)8個(gè)像素，所以這里定義突變信號(hào)為空間跨度大于8個(gè)像素的變化，對(duì)于空間跨度小于8個(gè)像素的變化作為噪聲直接去除，與頻域高于1/8的采樣率對(duì)應(yīng)，所以進(jìn)行突變信號(hào)檢測(cè)時(shí)，小波分解層次應(yīng)為3。噪聲信號(hào)還有輪廓緩變信號(hào)，這種噪聲的變化幅度較小，據(jù)小波分解的層次不同，變化幅度值也不同。為了更有效地區(qū)分突變信號(hào)和緩變?cè)肼曅盘?hào)，需要對(duì)去噪信號(hào)再做進(jìn)一步的處理。

3實(shí)驗(yàn)與分析

選擇一光滑物體的輪廓，如圖1（a）所示，并依連接關(guān)系找出邊界點(diǎn)的二維坐標(biāo)，計(jì)算其質(zhì)心點(diǎn)坐標(biāo)，將輪廓表示成質(zhì)心―邊界點(diǎn)幅值向量，其波形圖如圖1（b）所示。采用選擇的小波，對(duì)此向量波形分別進(jìn)行3層小波分解[5]，如圖2（a）所示。從圖2（a）中可以看出，突變信號(hào)疊加在緩變信號(hào)上，采用一維差分即可將緩變信號(hào)的干擾去除，如圖2（b），再利用突變信號(hào)與噪聲信號(hào)幅值的不同對(duì)差分信號(hào)去除噪聲，如圖3所示，即可得到突變信號(hào)的寬度與幅度。

4結(jié)論

信號(hào)的小波去噪方法是眾多去噪方法的理想之選，它利用信號(hào)小波分解后，各個(gè)子帶信號(hào)的不同特性，選取不同的去噪手段，從而達(dá)到較好的去噪效果。但是，它也同樣受到去噪和保留有用高頻信息兩難的困擾。信號(hào)的突變信息位于高頻段，噪聲信號(hào)也位于高頻段,在信號(hào)去噪的同時(shí)，盡量保留信號(hào)的突變特征?；谕蛔冃盘?hào)與噪聲信號(hào)位于不同的高頻段，確定小波的分解層次，采用強(qiáng)制去噪算法，得到了比較理想去噪結(jié)果。針對(duì)輪廓的緩變信號(hào)，采用差分及強(qiáng)制去噪算法，將疊加在緩變信號(hào)上的突變信號(hào)分離，便于突變信號(hào)特征的計(jì)算。

參考文獻(xiàn)：

[1]朱秀昌，劉峰，胡棟.數(shù)字圖像處理與圖像通信[M].北京：北京郵電大學(xué)出版社，2002:241.

[2]潘泉，張磊，孟晉麗等.小波濾波方法及應(yīng)用[M].北京：清華大學(xué)出版社，2005:41.

[3]謝杰成，張大力，徐文立.一種小波去噪方法的幾點(diǎn)改進(jìn)[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2002，42（9）:1269-1272.

[4]孫兆林.MATLAB 6.0圖象處理[M].北京:清華大學(xué)出版社，2002:247.

濾波器去噪原理和基本方法范文第2篇

關(guān)鍵詞：數(shù)學(xué)形態(tài)學(xué)；分水嶺算法；圖像分割；過(guò)分割；梯度重建

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)16-3920-03

Image Segmentation Based on Improved Watershed Algorithm

LI Ran

(School of Electronic and Communication Engineering, North China Electric Power University, Baoding 071003, China)

Abstract: With regard to the over-segmentation of traditional watershed algorithm, an improved watershed algorithm based on pre-processing is proposed aiming to human brain MRI image. Noise is considered as direct factor of over-segmentation in this paper. Firstly, morphological opening operation and closing operation are used to denoise. Then, calculate the gradient image for the denoised image. Subsequencely, amend the gradient image according to inside and outside marks. Finally, implement watershed transformation on the amended gradient image. The results show that this method can effectively restrain the over-segmentation of traditional watershed algorithm.

Key words: mathematical morphology; watershed algorithm; image segmentation; over-segmentation; gradient reconstruction

圖像分割是把圖像分成有意義的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程，是由圖像處理到圖像分析的關(guān)鍵步驟。分割結(jié)果的優(yōu)劣直接影響到隨后更高層次的分析和理解等問(wèn)題求解的正確與否。關(guān)于圖像分割的方法，國(guó)內(nèi)外許多學(xué)者做了大量的研究，提出了很多實(shí)用的分割方法，如形態(tài)學(xué)分水嶺分割法[1-2]，閾值分割法[3]、區(qū)域生長(zhǎng)法[4-5]、模糊聚類(lèi)法[6]、小波變換法[7]、邊緣檢測(cè)法[8-9]等。其中,分水嶺變換是一種經(jīng)典的圖像分割方法，采用此種方法通常能得到封閉、連續(xù)、單像素寬的物體輪廓線(xiàn)[10]，而且定位比較精確，分割精度高，計(jì)算速度快，從而引起人們的高度重視和廣泛關(guān)注，成為近年來(lái)圖像分割研究的熱點(diǎn)。但是分水嶺算法存在過(guò)分割和對(duì)噪聲敏感的缺陷。為了解決這個(gè)問(wèn)題，一些學(xué)者對(duì)傳統(tǒng)分水嶺算法進(jìn)行了改進(jìn)[11-12]，但是過(guò)分割問(wèn)題并沒(méi)有被有效地解決。

本文針對(duì)分割之前的預(yù)處理過(guò)程，設(shè)計(jì)了一種改進(jìn)的分水嶺分割算法。首先，利用數(shù)學(xué)形態(tài)學(xué)的方法對(duì)待分割圖像進(jìn)行平滑去噪處理；然后，對(duì)去噪后圖像的梯度圖進(jìn)行標(biāo)記，重構(gòu)梯度圖像；最后，對(duì)重構(gòu)梯度圖像進(jìn)行分水嶺變換，檢測(cè)前景邊緣，提取目標(biāo)。

1 分水嶺算法的基本思想及實(shí)現(xiàn)原理

1.1 分水嶺算法的基本思想

分水嶺算法是數(shù)學(xué)形態(tài)學(xué)在圖像處理理論中的經(jīng)典方法，其思想起源于測(cè)地學(xué)的地形地貌。圖像中每一像素點(diǎn)的灰度值可以等同于該點(diǎn)的海拔高度，則可在該圖像中模擬自底向上逐漸淹沒(méi)地形圖的過(guò)程。圖像中邊緣點(diǎn)的灰度值較大，可以對(duì)應(yīng)于地形圖中的山脊；圖像中灰度連續(xù)變化的區(qū)域可以找到灰度極小點(diǎn)，這里則可對(duì)應(yīng)于地形圖中的盆地；由邊緣區(qū)域過(guò)渡到灰度極小點(diǎn)的漸變區(qū)域則可對(duì)應(yīng)于地形圖中的山坡。在進(jìn)行圖像分割時(shí)如果可以準(zhǔn)確地找到“山脊”，則可實(shí)現(xiàn)對(duì)各個(gè)“盆地（目標(biāo)物體）”的分割。

1.2 分水嶺算法的實(shí)現(xiàn)原理

經(jīng)典的分水嶺分割方法有兩種：一種是模擬浸水過(guò)程，另一種是模擬降水過(guò)程。

1）模擬浸水過(guò)程的實(shí)現(xiàn)原理。根據(jù)前面的分析，如果將圖像中所有像素的灰度值對(duì)應(yīng)于地形中的海拔高度，則地形中包括盆地（局部灰度極小點(diǎn)）、山脊（圖像邊緣）以及盆地和山脊之間的山坡。將這個(gè)地形模型垂直放入湖水中，并在各個(gè)“盆地”最低處刺上孔洞，則水可以慢慢浸入孔洞中，水面逐步上升。當(dāng)水位到達(dá)“山脊”頂端時(shí)，相鄰“盆地”的水就會(huì)匯合，從而無(wú)法分辨出不同的“盆地”。如果要阻止這些水匯合，就要在“山脊”上接著修建“堤壩”，這樣“堤壩”將各個(gè)“盆地”完全包圍。隨著水位的上漲，各個(gè)“盆地”完全被水浸沒(méi)，而各個(gè)“堤壩”隨水位上漲而上漲，最終沒(méi)有被淹沒(méi)。這樣“堤壩（分水嶺）”將各個(gè)“盆地（目標(biāo)物體）”隔離，完成了圖像分割。

2）模擬降水過(guò)程的實(shí)現(xiàn)原理。依然將圖像等同為地貌模型。當(dāng)此地貌模型上空有水滴落下時(shí)，水滴必將沿山坡流入“盆地”底部，水滴經(jīng)過(guò)的路線(xiàn)就是一個(gè)連通分支，通往同一谷底的所有連通分支就形成了一個(gè)“集水盆地”。通過(guò)這個(gè)過(guò)程也可以找到各個(gè)目標(biāo)區(qū)域，實(shí)現(xiàn)圖像分割。

根據(jù)圖像特點(diǎn)，本文選用的是模擬浸水過(guò)程實(shí)現(xiàn)分水嶺分割。

2 形態(tài)學(xué)去噪原理

形態(tài)學(xué)中包括兩種基本的運(yùn)算――腐蝕和膨脹，形態(tài)學(xué)的其它運(yùn)算都以這兩種運(yùn)算為基礎(chǔ)。

灰度圖像的腐蝕和膨脹運(yùn)算分別定義為式（1）和式（2）：

（1）

（2）

其中f為一灰度圖像，g為一個(gè)灰度結(jié)構(gòu)元，“”代表腐蝕運(yùn)算，“”代表膨脹運(yùn)算。

在腐蝕和膨脹運(yùn)算的基礎(chǔ)之上，可以定義兩個(gè)二級(jí)運(yùn)算――開(kāi)運(yùn)算和閉運(yùn)算。這兩種運(yùn)算也構(gòu)成對(duì)偶運(yùn)算。開(kāi)運(yùn)算和閉運(yùn)算定義為式（3）和式（4）

（3）

（4）

由式（3）可以看出，開(kāi)運(yùn)算是先對(duì)圖像進(jìn)行腐蝕運(yùn)算，再進(jìn)行膨脹運(yùn)算。開(kāi)運(yùn)算之后，背景中的小結(jié)構(gòu)被清除了，前景結(jié)構(gòu)中的主干被保留了下來(lái)，這樣圖像中的孤立噪聲點(diǎn)就被濾除了。

而由式（4）可以看出，閉運(yùn)算和開(kāi)運(yùn)算相反，對(duì)圖像進(jìn)行了先膨脹、后腐蝕的操作。閉運(yùn)算后，圖像背景中不包含結(jié)構(gòu)元素的部分被填充，這樣可消除連通區(qū)域中的孔洞。

由于過(guò)分割在很大程度上由圖像中的噪聲點(diǎn)引起，因此在分割之前對(duì)圖像進(jìn)行預(yù)處理非常重要。本文選用了先開(kāi)運(yùn)算、后閉運(yùn)算并基于重建的濾波方法對(duì)圖像進(jìn)行平滑濾波。

3 改進(jìn)的分水嶺分割方法

3.1 改進(jìn)思路

分水嶺算法是一種非常有效的圖像分割工具，具有分割速度快，能準(zhǔn)確定位目標(biāo)輪廓并得到封閉輪廓線(xiàn)等特點(diǎn)。但是由于圖像本身都存在不同程度的噪聲，直接利用分水嶺算法對(duì)圖像進(jìn)行分割往往會(huì)導(dǎo)致過(guò)分割，即生成大量的小區(qū)域而使目標(biāo)淹沒(méi)其中。圖1體現(xiàn)了過(guò)分割問(wèn)題，其中圖（a）為待分割圖像，圖（ b）為直接采用分水嶺算法的分割結(jié)果，可以看出圖（b）中出現(xiàn)了許多無(wú)意義的小區(qū)域。

目前克服過(guò)分割的方法主要包括在變換前進(jìn)行預(yù)處理和在變換后進(jìn)行區(qū)域合并。由于后處理的區(qū)域合并過(guò)程沒(méi)有固定的準(zhǔn)則，而且計(jì)算量大，因此本文采用變換前預(yù)處理的辦法來(lái)控制過(guò)分割現(xiàn)象。首先用形態(tài)學(xué)的重建濾波器[13-14]對(duì)圖像進(jìn)行去噪處理；接著求取預(yù)處理圖像的梯度圖像，并利用文獻(xiàn)[15-16]中提出的方法對(duì)得到的梯度圖進(jìn)行修正；最后對(duì)梯度圖像實(shí)施分水嶺變換，實(shí)現(xiàn)圖像分割。

3.2 算法步驟

根據(jù)3.1節(jié)的改進(jìn)算法思路，分割關(guān)鍵過(guò)程如圖2所示：

圖2 改進(jìn)算法的分割過(guò)程

算法步驟描述如下：

1）首先對(duì)原始圖像進(jìn)行灰度拉伸；

2）運(yùn)用第2節(jié)中提到的形態(tài)學(xué)開(kāi)閉重建濾波器去除圖像中的噪聲點(diǎn)；

3）對(duì)（2）中得到的消除噪聲的圖像求取梯度圖像，并利用距離變換和極大值擴(kuò)展變換分別得到目標(biāo)區(qū)域的外部標(biāo)記和內(nèi)部標(biāo)記，依據(jù)內(nèi)外標(biāo)記得到修正的梯度圖像；

4）在修正后的梯度圖像上施以分水嶺變換。

4 仿真結(jié)果及分析

應(yīng)用本文設(shè)計(jì)的改進(jìn)分水嶺分割算法對(duì)圖1（a）所示的顱腦MRI圖像進(jìn)行分割實(shí)驗(yàn)。

圖3（a）為采用基于重建的形態(tài)學(xué)開(kāi)閉濾波器去噪的結(jié)果；圖3（b）為預(yù)處理圖像的梯度圖像；圖3（c）為根據(jù)求得的內(nèi)外標(biāo)記對(duì)圖3（b）修正的結(jié)果；圖3（d）為在圖3（c）上采用分水嶺算法得到的分割結(jié)果，該結(jié)果對(duì)于灰質(zhì)區(qū)得到了較為完整的輪廓?？梢钥闯鱿鄬?duì)于圖1（b），采用本文給出的方法得到的分割結(jié)果抑制了過(guò)分割現(xiàn)象的發(fā)生，分割結(jié)果更為準(zhǔn)確。

5 結(jié)論

本文針對(duì)分水嶺算法的過(guò)分割問(wèn)題，設(shè)計(jì)了一種改進(jìn)的分水嶺分割方法。該方法基于分割前的預(yù)處理工作，采取先清除引起過(guò)分割的因素再實(shí)施分水嶺算法的方法來(lái)抑制過(guò)分割現(xiàn)象的發(fā)生。實(shí)驗(yàn)結(jié)果表明，應(yīng)用該方法對(duì)顱腦MRI圖像進(jìn)行分割，分割結(jié)果具有較為完整的輪廓，并得到了有意義的分割區(qū)域，有效地減輕了過(guò)分割現(xiàn)象。應(yīng)用該算法較好地提取了顱腦MRI圖像的灰質(zhì)區(qū)，但是白質(zhì)區(qū)輪廓還存在不清晰的現(xiàn)象，這將是下一步工作中要重點(diǎn)解決的問(wèn)題。

參考文獻(xiàn)：

[1] Vincent L,Soille P.Watersheds in digital spaces:An efficient algorithm based on immersion simulations[J].IEEE Transactions on PAMI,1991,13(5):538-598.

[2] Haris K,Efstratiadis S.Hybrid image segmentation using watersheds and fast region merging[J].IEEE Transactions on Image processing,1998,7(12):1685-1699.

[3] 薛景浩,章毓晉,林行剛.基于最大類(lèi)間后驗(yàn)交叉熵的閾值化分割算法[J].中國(guó)圖象圖形學(xué)報(bào),1999,4(2):110-114.

[4] Iseki F.Extraction of 3D tree structure of blood vessels in lung area from chest CT images[C]//Lemke HU.Proceedings of the 12th International Symposium and Exhibition of Computer Assisted Radiology and herland:Elsevier Science,1998,45-48.

[5] 王楠,黃養(yǎng)成.一種改進(jìn)的彩色圖像區(qū)域分割和邊緣提取算法[J].裝備指揮技術(shù)學(xué)院學(xué)報(bào),1999,10(4):106-110.

[6] Chen CW,Luo J,Parker KJ,et al. A knowledge-based approach to volumetric medical image segmentation[C].IEEE International conference on Image processing, 1994,3:493-497.

[7] Song J,Shao QM,Zhou YH.Multiscale zero-crossings representation of wavelet transform and its application in ultrasound medical image segmentation[J]. J Fudan Univ(Natural Science),2001,40(1):40-43.

[8] 應(yīng)駿,葉秀清,顧偉康.一個(gè)基于知識(shí)的邊沿提取算法[J].中國(guó)圖象圖形學(xué)報(bào),1999,4(3):239-242.

[9] 王宇生,卜佳俊,陳純.一種基于積分變換的邊緣檢測(cè)算法[J].中國(guó)圖象圖形學(xué)報(bào),2002,7(2):145-159.

[10] 王忠義.分水嶺變換在醫(yī)學(xué)圖像分割中的應(yīng)用[J].電腦知識(shí)與技術(shù),2009,5(12):3221-3223.

[11] HIEU T,MARCEL M,REIN V.Watersnakes:Energy-driven watershed segmentation[J].IEEE Transaction on pattern Analysis and Machine Intelligence,2003,25(3):330-342.

[12] Haris K,Efstratiadis S.Hybrid image segmentation using watersheds and fast region merging [J].IEEE Transaction on Image Processing,1998,7(12):1684-1698.

[13] 王鳳娥.改進(jìn)后的分水嶺算法在圖像分割中的應(yīng)用研究[D].山東:山東大學(xué),2008.

[14] 高靜.基于形態(tài)學(xué)分水嶺算法的細(xì)胞圖像分割[D].吉林:吉林大學(xué),2008.

[15] 朱俊良,王茂芝,郭科.基于形態(tài)預(yù)處理和標(biāo)記提取的分水嶺分割算法[J].信息技術(shù),2010(9):17-20.

濾波器去噪原理和基本方法范文第3篇

關(guān)鍵詞:邊緣檢測(cè);數(shù)學(xué)形態(tài)學(xué);噪聲圖像;結(jié)構(gòu)元素

中圖分類(lèi)號(hào):TP18文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2010)17-4758-02

The Image Edge Detection Based on the Mathematical Morphology

SUN Xiao-fei, ZHANG Hong-qun

(College of Electronic & Information Engineering, Nanjing University of Information Science & Technology, Nanjing, 210044 China)

Abstract: Image edge detection is the key technology of image processing. Edge extraction is always the most classically studied projects in the computer vision and image procession field. In this paper, the applied research of the morphology is introduced in the noisy image. Finally, through simulation results, analyze its properties and give the comparison to the operators of conventional edge detection and analyze its advantages and disadvantages.

Key words: edge detection; mathematical morphology; noisy image; structural elements

圖像邊緣是細(xì)節(jié)信息中最具描述圖像特征的部分,也是圖像分析中的一個(gè)不可缺少的部分,邊緣檢測(cè)在圖像分割,目標(biāo)區(qū)域識(shí)別,模式識(shí)別以及圖像編碼等領(lǐng)域有著重要的研究?jī)r(jià)值。傳統(tǒng)的邊緣檢測(cè)方法如Roberts、Sobel、Prewitt等一階檢測(cè)算子和LoG、Canny等二階算子,算法簡(jiǎn)單,檢測(cè)線(xiàn)條不連續(xù),去除噪聲能力差。總體上來(lái)說(shuō),傳統(tǒng)邊緣檢測(cè)算子對(duì)含有噪聲的圖像處理效果不理想,邊緣定位有偏差,不能有效抑制噪聲。

數(shù)學(xué)形態(tài)學(xué)是以積分幾何和隨機(jī)集論為基礎(chǔ),綜合了多學(xué)科知識(shí)的交叉學(xué)科;近年來(lái)不斷發(fā)展和完善,使得其在圖像處理中的應(yīng)用越來(lái)越廣泛。形態(tài)學(xué)在信號(hào)處理上是一種非線(xiàn)性的濾波方法,對(duì)圖像邊緣方向不敏感,能很好的抑制噪聲和定位真正的邊緣。數(shù)學(xué)形態(tài)學(xué)已經(jīng)成為數(shù)字圖像處理一個(gè)重要的研究領(lǐng)域。

1 數(shù)學(xué)形態(tài)學(xué)圖像邊緣檢測(cè)原理

數(shù)學(xué)形態(tài)學(xué)是建立在嚴(yán)格數(shù)學(xué)理論上的一門(mén)新學(xué)科,是一種新型的數(shù)學(xué)圖像處理方法和理論。形態(tài)運(yùn)算中的腐蝕、膨脹、閉、開(kāi)是基本的邊緣檢測(cè)運(yùn)算。可以根據(jù)需要組合成不同的數(shù)學(xué)形態(tài)算子,從而根據(jù)圖像的不同情況進(jìn)行檢測(cè)。

形態(tài)運(yùn)算的質(zhì)量取決于所選的結(jié)構(gòu)元和形態(tài)變換[2,6],在灰度圖像中,設(shè)f(x,y)是輸入圖像,B(i,j)是結(jié)構(gòu)元素,Df和DB分別是函數(shù)f和B的定義域。則:

灰度膨脹定義為:

(1)

灰度腐蝕定義為:

(2)

開(kāi)運(yùn)算定義為: (3)

閉運(yùn)算定義為: (4)

由于開(kāi)運(yùn)算可以去除比結(jié)構(gòu)元素小的明亮細(xì)節(jié),閉運(yùn)算可以去除比結(jié)構(gòu)元素小的暗色細(xì)節(jié),因而可以組合在一起平滑圖像噪聲。傳統(tǒng)的形態(tài)學(xué)邊緣檢測(cè)算子:(f?茌B)-f,它得到的是圖像外邊緣;f-(f?專(zhuān)B),它得到圖像內(nèi)邊緣;(f?茌B)-( f?專(zhuān)B),它得到的是騎跨在內(nèi)外邊界上的邊緣。

2 形態(tài)學(xué)噪聲檢測(cè)算法

將開(kāi)運(yùn)算和閉運(yùn)算組合可構(gòu)成形態(tài)噪聲濾波器,對(duì)于灰度圖像就是進(jìn)去形態(tài)噪聲平滑。形態(tài)學(xué)邊緣檢測(cè)中的開(kāi)運(yùn)算和膨脹可以抑制信號(hào)中的尖峰噪聲,而形態(tài)閉運(yùn)算和腐蝕可以抑制噪聲中的低谷噪聲。根據(jù)這些性質(zhì),可以得到基本的抗噪形態(tài)算子。

抗噪膨脹型算子: (5)

抗噪腐蝕型算子: (6)

抗噪膨脹腐蝕型算子: (7)

抗噪膨脹型算子對(duì)低谷噪聲(負(fù)脈沖)的響應(yīng)為零,抗噪腐蝕型算子對(duì)尖峰噪聲(正脈沖)的響應(yīng)為零,而抗噪膨脹腐蝕型算子對(duì)正負(fù)脈沖噪聲的響應(yīng)都是零[4],這主要受圖像的凹凸影響。為了對(duì)正負(fù)噪聲都有抑制作用,可以對(duì)基本的算子進(jìn)行修正然后給出了修正的抗噪算子如下:

修正的抗噪膨脹型算子: (8)

修正的抗噪腐蝕型算子: (9)

形態(tài)學(xué)邊緣檢測(cè)中最主要的是結(jié)構(gòu)元素,不同的結(jié)構(gòu)元素檢測(cè)的效果是不一樣的。在噪聲圖像中,為了得到好的濾波效果,采用多尺度多結(jié)構(gòu)是很好的解決方法[3-4,7]。多尺度結(jié)構(gòu)表示為:nB=BB…B(n次),當(dāng)n=0時(shí),nB={(0,0)}。從中看出,結(jié)構(gòu)元素自身也可以通過(guò)膨脹得到大結(jié)構(gòu)元素。多結(jié)構(gòu)是根據(jù)結(jié)構(gòu)元素的不同,對(duì)圖像不同的部位進(jìn)行邊緣檢測(cè)。結(jié)構(gòu)元素不是越多越好,選擇好的結(jié)構(gòu)元素是形態(tài)學(xué)邊緣檢測(cè)的成功關(guān)鍵。下面給出多結(jié)構(gòu)抗噪形態(tài)檢測(cè)算子:

,其中i=1,2。進(jìn)行加權(quán)求和,即可得到最后的圖像邊緣。

構(gòu)建的多結(jié)構(gòu)多尺度的形態(tài)邊緣檢測(cè)算子如下:

其中,i=1,2,3,4,即四個(gè)方向的結(jié)構(gòu)元素,這樣每個(gè)方向的邊緣都能檢測(cè)到。每個(gè)方向還都可以進(jìn)行尺度擴(kuò)展,因而可以得到較完善的邊緣檢測(cè)圖像。

3 實(shí)驗(yàn)仿真分析

一般圖像中的噪聲都是隨機(jī)脈沖噪聲,在實(shí)驗(yàn)中,采用加椒鹽噪聲的Lena圖。圖2是以傳統(tǒng)的檢測(cè)算子提取的圖像邊緣,從檢測(cè)的結(jié)果來(lái)看,傳統(tǒng)的檢測(cè)算子對(duì)噪聲很敏感,從圖2(c)、(d)檢測(cè)結(jié)果來(lái)看,噪聲完全覆蓋邊緣;Canny、LoG對(duì)高斯噪聲有較好的去噪能力的二階微分算子對(duì)椒鹽噪聲去噪能力也很差,在圖2(e)、(f)中可以看到去噪效果不理想。

圖3是用數(shù)學(xué)形態(tài)學(xué)抗噪算子檢測(cè)的結(jié)果,在圖3(c)中,用的是一般的膨脹腐蝕型算子,可以看到相對(duì)于傳統(tǒng)的算子,檢測(cè)的結(jié)果連續(xù)性更好,能更好的去除噪聲。圖3(d)、(e)、(f)分別是多尺度,多結(jié)構(gòu)和多尺度多結(jié)構(gòu)去噪型算子,相對(duì)于普通膨脹腐蝕型檢測(cè)的結(jié)果更細(xì)膩,去除噪聲的能力更強(qiáng)。

雖然在圖像邊緣檢測(cè)領(lǐng)域有許多邊緣檢測(cè)算子,但它們都沒(méi)有絕對(duì)優(yōu)勢(shì)的方法,傳統(tǒng)的檢測(cè)算子檢測(cè)的精度不高,抗噪性能很差。數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)去除噪聲性能較好,但是有時(shí)候定位精度有不夠,有些邊緣在檢測(cè)的時(shí)候變的模糊,即細(xì)化的功能不夠,這個(gè)和結(jié)構(gòu)元素的選取有關(guān)系?？梢?jiàn),沒(méi)有一種通用的檢測(cè)算法來(lái)解決,只能在定位精度和去噪之間找某種平衡。所以無(wú)論哪種邊緣檢測(cè)算法都存在不同類(lèi)型的缺陷。

4 結(jié)論

該文主要是對(duì)數(shù)學(xué)形態(tài)學(xué)在含有噪聲的圖像上現(xiàn)有算法進(jìn)去較為詳細(xì)的分析和闡述,并比較了各種算法的特點(diǎn)。并在仿真中和傳統(tǒng)的檢測(cè)算法結(jié)果進(jìn)行比較。實(shí)驗(yàn)表明,數(shù)學(xué)形態(tài)學(xué)在去除噪聲的同時(shí),也能很好的解決圖像的邊緣連續(xù)問(wèn)題,本文最后給出的多尺度多結(jié)構(gòu)算法,不僅能濾除噪聲還能很好的定位圖像邊緣,可見(jiàn)數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算子是一種很好的邊緣檢測(cè)工具。

參考文獻(xiàn):

[1] Canny J. A computational approach to edge detection.IEEE Transactions on Pattern Analysis Machine Intelligence,1986,8(6):679-698.

[2] Robert M H, Linda G S. Morphologic edge detection[J].Journal of Robotics and Automation,1987,3(2):142-156.

[3] Jiang M Y, Yuan D F. A Multi-Grade Mean Morphologic Edge Detection[C].In: Proceedings of the 6th International Conference on Signal Processing. Beijing, China.2002:1079-1082.

[4] 梁勇,李天牧.多方位形態(tài)學(xué)結(jié)構(gòu)元素在圖像邊緣檢測(cè)中的應(yīng)用[[J].云南大學(xué)學(xué)報(bào):自然科學(xué)版,1999,21(5):392-394.

[5] 付永慶,王詠勝.一種基于數(shù)學(xué)形態(tài)學(xué)的灰度圖像邊緣檢測(cè)算法[J].哈爾濱工程大學(xué)學(xué)報(bào),2005,26(5):685-687.

濾波器去噪原理和基本方法范文第4篇

關(guān)鍵詞：虛擬無(wú)線(xiàn)電；　超高頻；　射頻識(shí)別；　讀寫(xiě)器；　電子標(biāo)簽

中圖分類(lèi)號(hào)：TN9234 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004373X（2012）22002304

近年來(lái)，隨著多核CPU的出現(xiàn)與應(yīng)用，個(gè)人計(jì)算機(jī)在計(jì)算能力和性能上大幅度提高，在某種程度上可以與傳統(tǒng)的專(zhuān)用數(shù)字信號(hào)處理器媲美，因此在一臺(tái)計(jì)算機(jī)上設(shè)計(jì)通用的軟件無(wú)線(xiàn)電平臺(tái)已成為一種可能。研究基于多核PC的軟件無(wú)線(xiàn)電平臺(tái)，能夠在在一臺(tái)計(jì)算機(jī)上實(shí)現(xiàn)多種通信協(xié)議，而且易于開(kāi)發(fā)和軟件升級(jí)，無(wú)論從開(kāi)發(fā)者角度講，還是從用戶(hù)角度講，都極大地方便了各自的工作和體驗(yàn)，具有重要的研究?jī)r(jià)值和商業(yè)應(yīng)用價(jià)值。虛擬無(wú)線(xiàn)電是一種真正意義上的軟件無(wú)線(xiàn)電［1］。它采用高性能的模/數(shù)和數(shù)/模轉(zhuǎn)換器，對(duì)寬帶射頻信號(hào)直接進(jìn)行變換，　所有無(wú)線(xiàn)電功能用運(yùn)行于工作站或個(gè)人計(jì)算機(jī)上的應(yīng)用程序來(lái)實(shí)現(xiàn)。虛擬無(wú)線(xiàn)電技術(shù)主要有如下特點(diǎn)［2］：易于實(shí)驗(yàn)；開(kāi)發(fā)快捷；與其他應(yīng)用結(jié)合；改進(jìn)功能實(shí)現(xiàn)。無(wú)線(xiàn)射頻識(shí)別技術(shù)（Radio　Frequency　Identification，RFID）是一種非接觸的射頻識(shí)別技術(shù)，其基本原理是通過(guò)射頻信號(hào)與空間耦合傳輸特性，實(shí)現(xiàn)對(duì)被識(shí)別物體的自動(dòng)識(shí)別［3］。現(xiàn)有的RFID讀寫(xiě)器一般采用ASIC，DSP，F(xiàn)PGA或ARM對(duì)基帶信號(hào)進(jìn)行處理，此方法處理基帶信號(hào)方法不靈活，且需要設(shè)計(jì)人員掌握每種嵌入式系統(tǒng)的開(kāi)發(fā)方法，因此技術(shù)門(mén)檻比較高，開(kāi)發(fā)周期較長(zhǎng)。隨著通用計(jì)算機(jī)性能的不斷提高，使得基于通用處理器實(shí)現(xiàn)通信系統(tǒng)成為可能，根據(jù)虛擬無(wú)線(xiàn)電的上述特點(diǎn)，本文提出了基于虛擬無(wú)線(xiàn)電實(shí)現(xiàn)RFID讀寫(xiě)器的方案。

1　RFID系統(tǒng)結(jié)構(gòu)與工作原理

常見(jiàn)的RFID系統(tǒng)［4］包括4部分：標(biāo)簽、天線(xiàn)、讀寫(xiě)器和控制器（即PC主機(jī)）組成。如圖1所示。

圖1　基本的RFID系統(tǒng)RFID系統(tǒng)的工作原理為讀寫(xiě)器通過(guò)天線(xiàn)發(fā)出含有信息的一定頻率的射頻信號(hào)，當(dāng)標(biāo)簽進(jìn)入讀寫(xiě)器的識(shí)別區(qū)域內(nèi)，標(biāo)簽周?chē)纬呻姶艌?chǎng)，其天線(xiàn)通過(guò)耦合產(chǎn)生感應(yīng)電流，從而獲得能量激活內(nèi)部微芯片電路。此時(shí)標(biāo)簽根據(jù)讀寫(xiě)器發(fā)出的信息決定是否響應(yīng)，即是否反向散射數(shù)據(jù)；需要響應(yīng)時(shí)，標(biāo)簽通過(guò)天線(xiàn)將存儲(chǔ)在標(biāo)簽中的信息轉(zhuǎn)換成電磁波，然后發(fā)送給讀寫(xiě)器；讀寫(xiě)器接收到標(biāo)簽反射的信號(hào)時(shí)，將信號(hào)進(jìn)行解調(diào)和解碼，識(shí)別出標(biāo)簽反向散射的數(shù)據(jù)，然后通過(guò)標(biāo)準(zhǔn)的網(wǎng)絡(luò)接口傳送給控制器；控制器根據(jù)邏輯運(yùn)算判斷該標(biāo)簽的合法性，針對(duì)不同的設(shè)定對(duì)這些數(shù)據(jù)進(jìn)行管理和控制。

按照讀寫(xiě)器發(fā)射頻率的不同，RFID系統(tǒng)可以分為低頻（135　kHz以下），高頻（13.56　MHz），超高頻（860～960　MHz）和微波（2.4　GHz以上）等幾大類(lèi)。其中，超高頻RFID系統(tǒng)一般采用電磁反向散射原理來(lái)實(shí)現(xiàn)讀寫(xiě)器和電子標(biāo)簽之間的通信過(guò)程。

本文介紹的基于虛擬無(wú)線(xiàn)電實(shí)現(xiàn)的RFID讀寫(xiě)器符合ISO/IEC　180006C標(biāo)準(zhǔn)［5］。ISO/IEC　180006C標(biāo)準(zhǔn)是信息技術(shù)領(lǐng)域關(guān)于超高頻RFID技術(shù)的空中通信技術(shù)標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)采用開(kāi)放的體系結(jié)構(gòu)，充分考慮了標(biāo)簽低處理能力、低功耗和低成本要求，在射頻頻段選擇、物理層數(shù)據(jù)編碼及調(diào)制方式、防沖突算法、標(biāo)簽訪(fǎng)問(wèn)控制和隱私保護(hù)等技術(shù)方面采取了一系列改進(jìn)；其中，讀寫(xiě)器到標(biāo)簽的前向鏈路的調(diào)制方式為ASK，采用PIE編碼，標(biāo)簽到讀寫(xiě)器的反向鏈路的調(diào)制方式為ASK或PSK，采用FM0編碼或者M(jìn)iller編碼，并對(duì)傳輸數(shù)據(jù)采用差錯(cuò)控制編碼技術(shù)（CRC16校驗(yàn)）。本文介紹的讀寫(xiě)器到標(biāo)簽的前向鏈路采用ASK調(diào)制方式和PIE編碼，標(biāo)簽到讀寫(xiě)器的反向鏈路采用ASK調(diào)制方式和FM0編碼。

2　基于虛擬無(wú)線(xiàn)電實(shí)現(xiàn)讀寫(xiě)器的方法

2.1　讀寫(xiě)器的結(jié)構(gòu)

該讀寫(xiě)器的結(jié)構(gòu)如圖2所示，主要由4部分組成：主控部分、FPGA邏輯控制模塊、射頻前端模塊及天線(xiàn)。主控部分：主控部分選擇通用PC，標(biāo)簽識(shí)別層數(shù)據(jù)處理和基帶信號(hào)處理在PC中完成，通過(guò)PCIe接口和邏輯控制模塊連接；FPGA邏輯控制模塊：主要負(fù)責(zé)有AD/　DA控制、RF切換、功放、發(fā)送和接收數(shù)據(jù)控制的功能；射頻前端模塊：其中射頻收發(fā)功能采用LMS6002D芯片實(shí)現(xiàn)，該芯片集成LNA/PA驅(qū)動(dòng)、TX　/RX混頻器、TX　/RX濾波器、頻率綜合器、接收增益控制發(fā)送功率控制等子模塊，能夠完成射頻模擬前端的大部分功能；天線(xiàn)。

圖2　讀寫(xiě)器的結(jié)構(gòu)2.2　工作流程

讀寫(xiě)器工作流程分為讀寫(xiě)器發(fā)送指令與接收標(biāo)簽反向散射的數(shù)據(jù)信息2部分。

讀寫(xiě)器發(fā)送指令的工作流程：

（1）　應(yīng)用層程序發(fā)出調(diào)用標(biāo)簽識(shí)別層模塊的命令，標(biāo)簽識(shí)別層模塊產(chǎn)生要發(fā)送的訪(fǎng)問(wèn)標(biāo)簽的指令，并將指令送至基帶處理模塊；

（2）　基帶處理模塊對(duì)標(biāo)簽識(shí)別層指令進(jìn)行編碼調(diào)制，生成基帶信號(hào)，基帶信號(hào)分成I，Q兩路通過(guò)PCIe接口傳入FPGA的FIFO；

（3）　FIFO中的數(shù)據(jù)被打包成串行基帶信號(hào)送至射頻前端模塊；

（4）　串行基帶信號(hào)進(jìn)入射頻前端模塊經(jīng)過(guò)DA變換、功率放大、上變頻后被調(diào)制到超高頻頻段，然后送至帶通濾波器進(jìn)行濾波；

（5）　濾波以后，信號(hào)被送至功率放大器放大，然后送至天線(xiàn)發(fā)送出去。

讀寫(xiě)器接收標(biāo)簽反向散射的數(shù)據(jù)信息的工作流程：

（1）　標(biāo)簽接收到讀寫(xiě)器發(fā)來(lái)的信號(hào)，獲得能量被上電激活，開(kāi)始執(zhí)行讀寫(xiě)器命令，并進(jìn)行判斷是否需要應(yīng)答，需要應(yīng)答時(shí)，將應(yīng)答信息以反向散射方式通過(guò)天線(xiàn)送至射頻前端模塊；

（2）　射頻前端模塊將接收到的信號(hào)送至帶通濾波器進(jìn)行濾波，濾波后通過(guò)低噪放、下變頻、AD變換等部分，載波信號(hào)恢復(fù)為基帶信號(hào)并傳入FPGA的FIFO；

（3）　FIFO中的數(shù)據(jù)通過(guò)PCIe接口被送至PC中的基帶處理模塊；

（4）　基帶信號(hào)處理模塊對(duì)接收到的數(shù)字基帶信號(hào)進(jìn)行解調(diào)，將結(jié)果傳遞給標(biāo)簽識(shí)別層；

（5）　標(biāo)簽識(shí)別層根據(jù)接收到的標(biāo)簽反向散射的數(shù)據(jù)進(jìn)行CRC校驗(yàn)，解出標(biāo)簽反向散射的信息并做出判斷，決定下一次發(fā)送的指令。

2.3　主控部分

2.3.1　主控部分軟件設(shè)計(jì)

系統(tǒng)的主控部分為PC，結(jié)構(gòu)圖如圖2讀寫(xiě)器的結(jié)構(gòu)圖左邊部分所示。主控部分的工作主要包括：完成基帶信號(hào)處理、標(biāo)簽識(shí)別處理和驅(qū)動(dòng)層與應(yīng)用層的數(shù)據(jù)通信。

工作原理：?jiǎn)?dòng)時(shí)，通過(guò)PC配置射頻參數(shù)，射頻參數(shù)存入緩沖區(qū)寄存器中，初始化內(nèi)存；應(yīng)用程序發(fā)出對(duì)標(biāo)簽的應(yīng)用功能指令，該指令通過(guò)應(yīng)用程序接口調(diào)用標(biāo)簽識(shí)別處理模塊，標(biāo)簽識(shí)別處理模塊發(fā)出相應(yīng)的指令給基帶處理模塊，基帶處理模塊對(duì)指令進(jìn)行編碼調(diào)制形成基帶信號(hào)，通過(guò)PCIe接口將基帶信號(hào)發(fā)送給射頻板；主控部分通過(guò)PCIe接口接收射頻板傳送來(lái)的基帶信號(hào)，基帶處理模塊對(duì)基帶信號(hào)進(jìn)行解調(diào)，形成標(biāo)簽反向散射的指令格式，傳至標(biāo)簽識(shí)別處理模塊，標(biāo)簽識(shí)別處理模塊對(duì)指令進(jìn)行相關(guān)CRC校驗(yàn)對(duì)做出相應(yīng)的響應(yīng)。軟件流程如圖3所示。

為防止多個(gè)標(biāo)簽同時(shí)響應(yīng)，讀寫(xiě)器發(fā)送的Query指令中令Q不等于0，Q為（0～15），標(biāo)簽接收到Query指令后，會(huì)選擇（0～2Q-1）給Slot　Counter，當(dāng)Slot　Counter=0時(shí)，標(biāo)簽反向散射數(shù)據(jù)，Slot　Counter不為0時(shí)標(biāo)簽不響應(yīng)，如果標(biāo)簽無(wú)響應(yīng)，則連續(xù)發(fā)送QueryReq，每發(fā)送一次QueryReq，標(biāo)簽的Slot　Counter的值會(huì)減1，直到Slot　Counter=0，標(biāo)簽響應(yīng)為止。其流程圖如圖4所示。

接收端算法：接收端接收的信號(hào)為（A/2）g（t），經(jīng)過(guò)I/Q兩路解調(diào)、低通濾波、隔直流后分別為（A/2）g（t）sin　θ和（A/2）g（t）cos　θ，如果只采用單路接收信號(hào)，當(dāng)接收信號(hào)的相位和本振信號(hào)的相位相差θ為90°或者0°，則接收到的信號(hào)（A/2）g（t）sin　θ或（A/2）g（t）cos　θ可能始終為0，即有用信號(hào)沒(méi)有解調(diào)出來(lái)。為了避免射頻場(chǎng)中存在的盲點(diǎn)，系統(tǒng)接收端采用兩路正交混頻結(jié)構(gòu)［6］，即：（（A/2）g（t）sin　θ）2+（（A/2）g（t）cos　θ）2=

（A2/4）g2（t）

（1）將I，Q兩路信號(hào)平方后求和得出（A2/4）g2（t），無(wú)論接收信號(hào)的相位和本振信號(hào)的相位相差θ為多少，總能解調(diào)出有用信號(hào)。

對(duì)于本方案，接收端基帶信號(hào)處理在PC中完成，PC中接收到的I，Q兩路的數(shù)據(jù)存在一個(gè)數(shù)組RECEIVE［N］中，針對(duì)接收端算法的具體實(shí)現(xiàn)步驟如圖5所示。

圖5　接收端算法實(shí)現(xiàn)步驟（1）　首先解調(diào)出I，Q兩路信號(hào)。即：

RECEIVE_I=RECEIVE（1，1：2：N）

RECEIVE_Q=RECEIVE（1，2：2：N）

RECEIVE_data2=RECEIVE_I2+RECEIVE_Q2

//N為接收數(shù)據(jù)所在數(shù)組的大小

（2）　求接收信號(hào)的均值，即求信號(hào)的直流分量

sum=0

for　i=1：N/2

sum=sum+RECEIVE_data［i］

end

ave_sum=（sum/（N/2））

（3）　去直流分量

RECEIVE_data　=　RECEIVE_data-ave_sum

（4）　做相關(guān)，找到同步點(diǎn)

在該系統(tǒng)中，標(biāo)簽反向散射的數(shù)據(jù)有加短前導(dǎo)Frame_Sync和長(zhǎng)前導(dǎo)Preamble兩種形式，讀寫(xiě)器發(fā)送的Query指令中的TRext位決定了標(biāo)簽反向散射的數(shù)據(jù)的前導(dǎo)形式，本方案中標(biāo)簽反向散射的數(shù)據(jù)采用加前導(dǎo)Preamble的方式。

首先，生成本地的Preamble信號(hào)，即編碼調(diào)制后為Preamble［m］，將Preamble［m］與接收到的RECEIVE_data做相關(guān)，找到最大點(diǎn)，取出標(biāo)簽反向散射的數(shù)據(jù)。

Cor=0

for　i=1：N/2

Cor=　Cor+RECEIVE_data（i：i+m）*Preamble（1：m）

end

Correlation_Value=　Cor2

//取出最大的　Correlation_Value，此時(shí)假設(shè)i=k

RECEIVE_data=RECEIVE_data（1，k：k+Data_Length）

//Data_Length為標(biāo)簽反向反射的數(shù)據(jù)去掉前導(dǎo)后的長(zhǎng)度

以讀寫(xiě)器發(fā)送Query指令為例，在采樣率為10　MHz，標(biāo)簽反向鏈路頻率為200　kHz時(shí)，標(biāo)簽響應(yīng)時(shí)反向散射信號(hào)Preamble+RN16（16位隨機(jī)碼），通過(guò)上述過(guò)程，解調(diào)出數(shù)據(jù)如圖6所示，顯示方式為：數(shù)據(jù)以?xún)陕稟，B方式，其中A為上部分，B為下部分，如RN16［N］，則有：

A=RN16（1，1：2：N）；

//N為RN16的采樣點(diǎn)數(shù)

B=RN16（1，2：2：N）；

圖6　做相關(guān)后的RN16（5）　解調(diào)標(biāo)簽反向散射的數(shù)據(jù)

根據(jù)射頻部分的采樣率和標(biāo)簽反向散射數(shù)據(jù)的調(diào)制方式，對(duì)0和1進(jìn)行編碼調(diào)制，生成0和1的本地基帶信號(hào)，將其與接收的數(shù)據(jù)進(jìn)行相關(guān)，并進(jìn)行判斷，解調(diào)出標(biāo)簽反向散射的數(shù)據(jù)。

Cor_0=0；　Cor_1=0

for　i=1：n

Cor_0　=　Cor_0　+　zero_1（1，1：n）　*RECEIVE_data（1，1+i：n+i）

Cor_1　=　Cor_1　+　one_1（1，1：n）　*　RECEIVE_data（1，1+i：n+i）

end

判斷Cor_0與Cor_1的大小；

Cor_0大時(shí)　RECEIVE_d為0；Cor_1大時(shí)　RECEIVE_d為1

對(duì)圖6中的數(shù)據(jù)進(jìn)行解調(diào)得出此次標(biāo)簽反向散射的隨機(jī)數(shù)為：1101　0001　0100　0011。

4　結(jié)　語(yǔ)

本文提出的基于虛擬無(wú)線(xiàn)電的RFID讀寫(xiě)器的實(shí)現(xiàn)方案，從系統(tǒng)級(jí)角度對(duì)基于虛擬無(wú)線(xiàn)電的RFID讀寫(xiě)器的硬件平臺(tái)及主控部分進(jìn)行了闡述，并對(duì)接收端算法進(jìn)行了研究與實(shí)現(xiàn)。虛擬無(wú)線(xiàn)電技術(shù)易于實(shí)驗(yàn)、開(kāi)發(fā)快捷、與其他應(yīng)用結(jié)合、改進(jìn)功能的特點(diǎn)，使得基于虛擬無(wú)線(xiàn)電的超高頻RFID讀寫(xiě)器具有靈活處理基帶信號(hào)、支持開(kāi)發(fā)多種協(xié)議的優(yōu)點(diǎn)。實(shí)踐結(jié)果表明，基于虛擬無(wú)線(xiàn)電實(shí)現(xiàn)超高頻RFID讀寫(xiě)器的方案具有可行性。

參　考　文　獻(xiàn)

［1］　TAN　Kun，　ZHANG　Jiansong，　FANG　Ji，　et　al.　Sora：　high　performance　software　radio　using　general　purpose　multicore　processors?。躘J＼].　Communications　of　the　Association　for　Computing　Machinery，　2011，　54（1）：　99107.

［2］　張麗.虛擬無(wú)線(xiàn)電接收機(jī)的實(shí)現(xiàn)與算法研究［D］.西安：西安電子科技大學(xué)，2007.

［3］　FINKENZELLER　K.射頻識(shí)別（　RFID）技術(shù)：無(wú)線(xiàn)電感應(yīng)的應(yīng)答器和非接觸IC卡的原理與應(yīng)用［M］.陳大才，譯.北京：電子工業(yè)出版社，2001.

［4］　HUNT　V　D，　PUGLIA　Mike，　PUGLIA　Albert.　A　guide　to　radio　frequency　identification　＼[M＼].　United　States　of　America：?。躘s.n.＼]，　2007.

［5］　EPCglobal　Inc.　Specification　for　RFID　air　interface?。躘R＼].　＼[S.l.＼]：　EPCglobal　Inc.，　2005.

［6］　陳逆，張春，王敬超.超高頻RFID讀寫(xiě)器基帶處理器的設(shè)計(jì)［J］.半導(dǎo)體技術(shù)，2009，34（4）：370374.

［7］　唐志軍，席在芳，詹杰.無(wú)源反向散射RFID系統(tǒng)識(shí)別距離的影響因素分析［J］.計(jì)算機(jī)工程與應(yīng)用，2011（8）：9597.

濾波器去噪原理和基本方法范文第5篇

朱炯，北京電影學(xué)院攝影學(xué)院副教授。

雖然數(shù)字技術(shù)應(yīng)用到攝影領(lǐng)域已經(jīng)有十多年的時(shí)間，但是國(guó)內(nèi)攝影界對(duì)數(shù)字技術(shù)的研究和探討還處于初級(jí)階段，雖然廣大的攝影愛(ài)好者幾乎全部拿起了數(shù)碼相機(jī)，但他們對(duì)數(shù)字技術(shù)的理解和認(rèn)知卻急待提高。為此，《數(shù)碼攝影》雜志請(qǐng)北京電影學(xué)院副教授朱炯老師開(kāi)設(shè)了專(zhuān)欄“數(shù)字革命”，用通俗易懂的語(yǔ)言和文字來(lái)解讀數(shù)字技術(shù)中的原理和技巧，希望能讓影友學(xué)習(xí)到實(shí)用的知識(shí)和經(jīng)驗(yàn)。

數(shù)字影像是整個(gè)攝影領(lǐng)域的一場(chǎng)技術(shù)革命。它最顯著的特征是影像成像核心方式的變革，即數(shù)字編碼成像替代化學(xué)銀鹽影像。不僅如此，重要的是數(shù)字影像產(chǎn)生了一系列新的攝影技術(shù)用語(yǔ)、方法及技術(shù)標(biāo)準(zhǔn)來(lái)控制影像品質(zhì)，形成數(shù)字影像的技術(shù)體系。同時(shí)數(shù)字影像的技術(shù)手段也帶來(lái)了攝影方式及視覺(jué)文化傳播的新特色。攝影產(chǎn)業(yè)是研發(fā)數(shù)字影像的重要推動(dòng)力，同時(shí)也在這場(chǎng)攝影技術(shù)革命中承受著顛覆性的變革。在新舊技術(shù)的較量過(guò)程中，大型攝影器材企業(yè)全球大洗牌，新興攝影產(chǎn)業(yè)應(yīng)運(yùn)而生。但是在這個(gè)欄目開(kāi)始之初，我還是想先告訴大家，數(shù)字影像存在三個(gè)不可回避的缺陷。

噪點(diǎn)與雜色

什么是噪點(diǎn)：

噪點(diǎn)也稱(chēng)雜色，是數(shù)字影像在暗部出現(xiàn)的雜亂、粗糙的彩色紋理。噪點(diǎn)展現(xiàn)的是非感光的影像像素，其形狀可能是斑點(diǎn)或者條紋狀干擾紋，畫(huà)面因此而顯得臟，清晰度差，影像質(zhì)量低。

噪點(diǎn)與顆粒形成原因的比較：

數(shù)字影像中的噪點(diǎn)和銀鹽影像中的顆粒有相似之處，都在高感光度畫(huà)面中出現(xiàn)。但數(shù)字影像還會(huì)在長(zhǎng)時(shí)間曝光情況下出現(xiàn)，當(dāng)設(shè)置為低感光度、長(zhǎng)時(shí)間曝光的噪點(diǎn)很明顯。數(shù)字影像在后期銳化過(guò)程中會(huì)產(chǎn)生噪點(diǎn)。在影像中噪點(diǎn)和顆粒的視覺(jué)質(zhì)感不同，我們常由此判斷照片是數(shù)字影像還是銀鹽影像。

數(shù)字影像噪點(diǎn)的成因及控制的方法與銀鹽影像處理微粒的方法不同。影像傳感器感光生成影像的過(guò)程中產(chǎn)生噪點(diǎn)。但由于廠(chǎng)家設(shè)計(jì)能力的不同，CCD/CMOS的面積尺寸不同，其計(jì)算和形成數(shù)字文件的方式?jīng)Q定了數(shù)字影像噪點(diǎn)產(chǎn)生的強(qiáng)弱多少。數(shù)字影像的噪點(diǎn)比銀鹽影像的顆粒更容易產(chǎn)生，在于數(shù)字相機(jī)影像傳感器一般比35毫米膠片尺寸小，且能夠方便地選擇高感光度拍攝。

除噪與微粒的不同手段：

在銀鹽影像系統(tǒng)中控制顆粒的手段有限，如可選擇大幅面底片、低感光度膠片拍攝，沖洗時(shí)采用微粒顯影液。

數(shù)字影像系統(tǒng)的除噪空間較大，方法多樣，基本分為三個(gè)步驟。首先是數(shù)字相機(jī)自身的除噪能力提高，這是相機(jī)生產(chǎn)廠(chǎng)家的工作，能夠在高感光度（ISO800-1600）下生成低噪數(shù)字影像越來(lái)越成為數(shù)字相機(jī)的一項(xiàng)重要技術(shù)性能。其次是在拍攝時(shí)，選擇影像傳感器面積大的相機(jī)，在一定的曝光時(shí)間范圍內(nèi)選擇低感光度拍攝，選擇高品質(zhì)文件存儲(chǔ)格式都可以有效降低暗部噪點(diǎn)。最后是在計(jì)算機(jī)后期圖形圖像軟件中進(jìn)行降噪操作，如采用Photoshop等軟件，按照色彩通道逐一柔化噪點(diǎn)等方法。

摩爾紋

數(shù)字影像是完全不同于銀鹽影像的一種對(duì)現(xiàn)實(shí)世界影像再現(xiàn)的系統(tǒng)，其影像再現(xiàn)的原理、方法、程序的不同，導(dǎo)致影像再現(xiàn)的效果有所不同。在數(shù)字影像的視覺(jué)再現(xiàn)中，出現(xiàn)了一些銀鹽影像中沒(méi)有的視覺(jué)現(xiàn)象。數(shù)字影像和銀鹽影像與現(xiàn)實(shí)景象都有不同程度的差異。

數(shù)字相機(jī)拍攝有密紋的紋理時(shí)，畫(huà)面中常常出現(xiàn)人眼視覺(jué)觀(guān)察景物時(shí)看不到的彩色水波樣條紋，這就是摩爾紋。摩爾紋會(huì)出現(xiàn)在密布欄桿、屋頂波浪板、布料以及其他物體有規(guī)律、密集排列的景物中。這種雜亂影像是銀鹽膠片系統(tǒng)不會(huì)產(chǎn)生的。其原因是影像傳感器CCD和CMOS上的成像單元像素是整齊地排列成一個(gè)平面，在記錄相同線(xiàn)條規(guī)則排列的平面時(shí)產(chǎn)生錯(cuò)位。

Moiré 一詞出自法文，1570 年前后被用來(lái)描述安哥拉山地羊毛特殊的織布，也有引伸為規(guī)則紋路的意思。一直到 1823 年這個(gè)字被用來(lái)說(shuō)明規(guī)則波紋的形容詞。今天我們使用“摩爾紋”一詞，就是“波浪紋”的意思。計(jì)算機(jī)屏幕或電視在顯示密集條紋時(shí)也會(huì)出現(xiàn)摩爾紋，甚至如果你將數(shù)碼相機(jī)對(duì)準(zhǔn)電視屏幕以非垂直的角度拍攝，你也會(huì)發(fā)現(xiàn)摩爾紋的存在。

摩爾紋是數(shù)字影像成像的缺陷，也表明數(shù)字影像技術(shù)處于發(fā)展階段，有很多不成熟的地方。目前數(shù)碼相機(jī)廠(chǎng)家對(duì)此從設(shè)計(jì)環(huán)節(jié)上進(jìn)行解決，通常會(huì)在影像傳感器前安裝低通濾波器，改變信號(hào)的頻率來(lái)去除條紋的產(chǎn)生，或者在鏡頭前加防鋸齒濾鏡，但會(huì)在一定程度上降低畫(huà)面銳度。已經(jīng)生成摩爾紋的影像可以通過(guò)軟件在電腦后期對(duì)其進(jìn)行消除。

紫邊

數(shù)碼相機(jī)成像的另一個(gè)缺陷，是在拍攝高反差的景物時(shí)，明暗交界的邊緣部分會(huì)出現(xiàn)異常的彩色暈邊，通常為紫紅色。這在銀鹽膠片成像上并不明顯。低端數(shù)碼相機(jī)成像的紫邊效果更為突出，這是因?yàn)橛跋駛鞲衅髅娣e小以及數(shù)碼相機(jī)內(nèi)部信號(hào)處理方法的缺陷所導(dǎo)致的。相機(jī)鏡頭的色散情況也是影響紫邊形成的一個(gè)因素。廣角鏡頭邊緣光線(xiàn)傾斜入射到CCD/CMOS上，破壞了傳感器要求光線(xiàn)垂直入射的條件，這都經(jīng)常會(huì)強(qiáng)化紫邊的效果。影像中紫邊的產(chǎn)生，是數(shù)碼相機(jī)結(jié)構(gòu)和工作原理所致。使用數(shù)字鏡頭，這是廠(chǎng)家專(zhuān)門(mén)為解決數(shù)字影像成像缺陷而設(shè)計(jì)的鏡頭，就可以有效地減少紫邊現(xiàn)象。另外，拍攝時(shí)采用RAW格式，然后在Photoshop或其他圖像軟件中進(jìn)行后期處理，也可以有效消除紫邊。

數(shù)字影像系統(tǒng)的發(fā)展歷史還較為短暫，但數(shù)字影像技術(shù)的進(jìn)步是以一種數(shù)字倍率的速度進(jìn)行著。二十一世紀(jì)初，當(dāng)數(shù)碼相機(jī)已經(jīng)在中國(guó)新聞媒體業(yè)普及的時(shí)候，攝影師考慮選擇數(shù)字影像文件的存儲(chǔ)格式、文件大小等問(wèn)題的標(biāo)準(zhǔn)都與今天完全不同。例如RAW格式的使用只是在這兩三年來(lái)才被重視。數(shù)字影像技術(shù)能力在現(xiàn)階段還有很多問(wèn)題甚至缺陷，噪點(diǎn)、摩爾紋和紫邊就是典型代表。噪點(diǎn)問(wèn)題可以跟銀鹽影像中的顆粒問(wèn)題相對(duì)應(yīng)，但是其產(chǎn)生原因和解決辦法卻大相徑庭。摩爾紋和紫邊完全是數(shù)字相機(jī)的成像缺陷，它們成為現(xiàn)階段人們對(duì)數(shù)字影像能力懷疑的重要因素。不過(guò)，如果我們對(duì)比銀鹽影像發(fā)展的同等歷史階段，在19世紀(jì)末，攝影誕生后的三、四十年，銀鹽影像成像能力也是非常有限的，完全不是二十世紀(jì)九十年代成熟期的影像視覺(jué)狀況。事實(shí)已經(jīng)證明，數(shù)字影像的缺陷隨著技術(shù)的飛速發(fā)展已經(jīng)得到了很大的解決。在現(xiàn)階段，解決影像缺陷的工作更多的是在改進(jìn)數(shù)字相機(jī)成像能力和影像處理軟件的工作能力上。

和銀鹽影像系統(tǒng)相比較，數(shù)字影像品質(zhì)的控制方式，是規(guī)范化前期拍攝技術(shù)，強(qiáng)化后期影像技術(shù)處理能力。數(shù)字影像在成像時(shí)的編碼特性，為后期電腦處理提供了基本的平臺(tái)。目前數(shù)字影像在生成時(shí)的各種問(wèn)題，大多可以在計(jì)算機(jī)上進(jìn)行處理。也就是說(shuō)，即便是數(shù)字技術(shù)發(fā)展不成熟的今天，數(shù)字影像后期處理的能力也已經(jīng)可以彌補(bǔ)其不足，例如專(zhuān)業(yè)的降噪軟件，多種手段的去紫邊的方法。因此數(shù)字影像的成像特征和現(xiàn)階段缺陷，都給我們一個(gè)明顯的提示，即數(shù)字影像具有巨大的后期處理空間。