滤波器去噪原理和基本方法

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇滤波器去噪原理和基本方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

滤波器去噪原理和基本方法范文第1篇

Li Yaqiang； Zhang Xianye

（①渭南职业技术学院，渭南 714000；②渭南师范学院数学与信息科学院，渭南 714000）

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

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

摘要：本文提出将二维物体的轮廓图像坐标信息转换成基于质心距离的一维向量信息来进行检测。设计了基于双正交对称小波的去噪算法。实验结果表明，这种算法可以有效地去除噪声信号和缓变信号，保留缺陷的突变信息，是一种有效和实用的轮廓缺陷检测算法。

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.

关键词： 小波变换 轮廓 缺陷检测 小波特性 分解层次

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

中图分类号：TP317.4文献标识码：A文章编号：1006-4311（2011）26-0125-02

0引言

物体的图像是二维的，其轮廓缺陷在图像上也表现为二维，本文提出将轮廓的位置表示为到物体质心的幅度，则物体的二维轮廓坐标就变成一维向量。二维轮廓的凸起与凹陷突变就是一种突变信号。

小波变换（wavelet transform）是一种信号的时间―频率分析方法，具有多分辨率分析的特点，而且在时域和频域都具有表征信号局部特征的能力。很适合于探测正常信号中夹带的瞬态反常现象并展示其成分。在图像去噪领域也得到了越来越广泛的应用。本文提出了将小波变换用于检测二维突变点的原理与实现算法。由于轮廓信号中含有不规则的缓变信号，所以这里主要利用小波去噪。光滑轮廓物体作为一个应用实例验证了这一原理和相应实现算法的正确性。

1小波变换原理及小波去噪原理

1.1 小波变换原理小波函数的定义为：设?鬃（t）为一平方可积函数，即?鬃（t）∈L2（R），若其傅立叶变换?鬃（?棕）满足条件：

■■d?棕

则?鬃（t）为一个基本小波或小波母函数，并称（1）式为小波函数的可容许性条件。

1.2 小波的多分辨率分析定义小波函数?鬃（t）伸缩和平移有为：?鬃■（t）=a■?鬃（■），（a>0，?子∈R）（2）

其中，?琢为伸缩因子，?子为平移因子。称?鬃■（t）为依赖于?琢和?子的小波基函数[1]。将任意L2（R）空间中的函数f（t）在小波基下进行展开，称这种展开为函数f（t）的连续小波变换，其表达式为：

WT■（a，?子）==■■f（t）?鬃■dt（3）

多分辨率分析又称为多尺度分析，是建立在函数空间概念上的理论。不同尺度上的高频信号的频率是不同的，需要根据噪声覆盖的频率范围确定小波分解的尺度，以有效地去除高频噪声。

1.3 小波去噪原理

1.3.1 强制去噪算法1989年，Mallat提出了实现小波变换的快速算法―Mallat算法[2]，这样可以利用小波分解与重构的方法滤波去噪。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为滤波器系数矩阵，V0为原始图像的采样值，Vj和Wj分别为尺度j上的逼近系数和小波系数，将含有噪声的采样值在某一尺度下分解到不同的频带内，然后再将噪声所处的频带置零，进行强制消噪处理，再利用相应的重构公式：

V■=H*V■+G*W■，j=J-1，…，1，0（5）

其中H*和G*为重构滤波器，且满足H*H+G*G=1，进行小波重构，从而达到去噪的目的。

1.3.2 小波变换模极大值的去噪方法[3][4]突变点是描述一个瞬态信号的重要特征，信号的奇异点就是信号中的突变点，如何检验信号的突变点具有实际意义。Mallat等人建立了小波变换与刻划信号奇异性的Lipschitz指数之间的关系：设0≤α≤1，存在常数k>0，使信号f（x）的Lipschitz指数与小波变换模极大值满足：

log■W■f（x）?燮log■■+?琢（6）

由式（6）可知，对于一般信号，由于?琢?叟0，小波变换的模极大值将随着j的增大而增大；而对于白噪声?琢

2小波变换尺度选择

小波变换尺度选择与去噪的方式有关，由于轮廓信号的噪声很多，如图1（b）所示，所以采用强制去噪算法，即将某几个尺度上的高频信号全部置为零[5][6]。在轮廓信号中，同时存在轮廓的不规则缓变信号、突变信号和剧烈变化的噪声信号。剧烈变化的噪声，这种噪声变化周期短，剧烈变化的噪声一般在时域中保持的空间跨度不会超过8个像素，所以这里定义突变信号为空间跨度大于8个像素的变化，对于空间跨度小于8个像素的变化作为噪声直接去除，与频域高于1/8的采样率对应，所以进行突变信号检测时，小波分解层次应为3。噪声信号还有轮廓缓变信号，这种噪声的变化幅度较小，据小波分解的层次不同，变化幅度值也不同。为了更有效地区分突变信号和缓变噪声信号，需要对去噪信号再做进一步的处理。

3实验与分析

选择一光滑物体的轮廓，如图1（a）所示，并依连接关系找出边界点的二维坐标，计算其质心点坐标，将轮廓表示成质心―边界点幅值向量，其波形图如图1（b）所示。采用选择的小波，对此向量波形分别进行3层小波分解[5]，如图2（a）所示。从图2（a）中可以看出，突变信号叠加在缓变信号上，采用一维差分即可将缓变信号的干扰去除，如图2（b），再利用突变信号与噪声信号幅值的不同对差分信号去除噪声，如图3所示，即可得到突变信号的宽度与幅度。

4结论

信号的小波去噪方法是众多去噪方法的理想之选，它利用信号小波分解后，各个子带信号的不同特性，选取不同的去噪手段，从而达到较好的去噪效果。但是，它也同样受到去噪和保留有用高频信息两难的困扰。信号的突变信息位于高频段，噪声信号也位于高频段,在信号去噪的同时，尽量保留信号的突变特征。基于突变信号与噪声信号位于不同的高频段，确定小波的分解层次，采用强制去噪算法，得到了比较理想去噪结果。针对轮廓的缓变信号，采用差分及强制去噪算法，将叠加在缓变信号上的突变信号分离，便于突变信号特征的计算。

参考文献：

[1]朱秀昌，刘峰，胡栋.数字图像处理与图像通信[M].北京：北京邮电大学出版社，2002:241.

[2]潘泉，张磊，孟晋丽等.小波滤波方法及应用[M].北京：清华大学出版社，2005:41.

[3]谢杰成，张大力，徐文立.一种小波去噪方法的几点改进[J].清华大学学报（自然科学版），2002，42（9）:1269-1272.

[4]孙兆林.MATLAB 6.0图象处理[M].北京:清华大学出版社，2002:247.

滤波器去噪原理和基本方法范文第2篇

关键词：数学形态学；分水岭算法；图像分割；过分割；梯度重建

中图分类号：TP18 文献标识码：A文章编号：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

图像分割是把图像分成有意义的区域并提取出感兴趣目标的技术和过程，是由图像处理到图像分析的关键步骤。分割结果的优劣直接影响到随后更高层次的分析和理解等问题求解的正确与否。关于图像分割的方法，国内外许多学者做了大量的研究，提出了很多实用的分割方法，如形态学分水岭分割法[1-2]，阈值分割法[3]、区域生长法[4-5]、模糊聚类法[6]、小波变换法[7]、边缘检测法[8-9]等。其中,分水岭变换是一种经典的图像分割方法，采用此种方法通常能得到封闭、连续、单像素宽的物体轮廓线[10]，而且定位比较精确，分割精度高，计算速度快，从而引起人们的高度重视和广泛关注，成为近年来图像分割研究的热点。但是分水岭算法存在过分割和对噪声敏感的缺陷。为了解决这个问题，一些学者对传统分水岭算法进行了改进[11-12]，但是过分割问题并没有被有效地解决。

本文针对分割之前的预处理过程，设计了一种改进的分水岭分割算法。首先，利用数学形态学的方法对待分割图像进行平滑去噪处理；然后，对去噪后图像的梯度图进行标记，重构梯度图像；最后，对重构梯度图像进行分水岭变换，检测前景边缘，提取目标。

1 分水岭算法的基本思想及实现原理

1.1 分水岭算法的基本思想

分水岭算法是数学形态学在图像处理理论中的经典方法，其思想起源于测地学的地形地貌。图像中每一像素点的灰度值可以等同于该点的海拔高度，则可在该图像中模拟自底向上逐渐淹没地形图的过程。图像中边缘点的灰度值较大，可以对应于地形图中的山脊；图像中灰度连续变化的区域可以找到灰度极小点，这里则可对应于地形图中的盆地；由边缘区域过渡到灰度极小点的渐变区域则可对应于地形图中的山坡。在进行图像分割时如果可以准确地找到“山脊”，则可实现对各个“盆地（目标物体）”的分割。

1.2 分水岭算法的实现原理

经典的分水岭分割方法有两种：一种是模拟浸水过程，另一种是模拟降水过程。

1）模拟浸水过程的实现原理。根据前面的分析，如果将图像中所有像素的灰度值对应于地形中的海拔高度，则地形中包括盆地（局部灰度极小点）、山脊（图像边缘）以及盆地和山脊之间的山坡。将这个地形模型垂直放入湖水中，并在各个“盆地”最低处刺上孔洞，则水可以慢慢浸入孔洞中，水面逐步上升。当水位到达“山脊”顶端时，相邻“盆地”的水就会汇合，从而无法分辨出不同的“盆地”。如果要阻止这些水汇合，就要在“山脊”上接着修建“堤坝”，这样“堤坝”将各个“盆地”完全包围。随着水位的上涨，各个“盆地”完全被水浸没，而各个“堤坝”随水位上涨而上涨，最终没有被淹没。这样“堤坝（分水岭）”将各个“盆地（目标物体）”隔离，完成了图像分割。

2）模拟降水过程的实现原理。依然将图像等同为地貌模型。当此地貌模型上空有水滴落下时，水滴必将沿山坡流入“盆地”底部，水滴经过的路线就是一个连通分支，通往同一谷底的所有连通分支就形成了一个“集水盆地”。通过这个过程也可以找到各个目标区域，实现图像分割。

根据图像特点，本文选用的是模拟浸水过程实现分水岭分割。

2 形态学去噪原理

形态学中包括两种基本的运算――腐蚀和膨胀，形态学的其它运算都以这两种运算为基础。

灰度图像的腐蚀和膨胀运算分别定义为式（1）和式（2）：

（1）

（2）

其中f为一灰度图像，g为一个灰度结构元，“”代表腐蚀运算，“”代表膨胀运算。

在腐蚀和膨胀运算的基础之上，可以定义两个二级运算――开运算和闭运算。这两种运算也构成对偶运算。开运算和闭运算定义为式（3）和式（4）

（3）

（4）

由式（3）可以看出，开运算是先对图像进行腐蚀运算，再进行膨胀运算。开运算之后，背景中的小结构被清除了，前景结构中的主干被保留了下来，这样图像中的孤立噪声点就被滤除了。

而由式（4）可以看出，闭运算和开运算相反，对图像进行了先膨胀、后腐蚀的操作。闭运算后，图像背景中不包含结构元素的部分被填充，这样可消除连通区域中的孔洞。

由于过分割在很大程度上由图像中的噪声点引起，因此在分割之前对图像进行预处理非常重要。本文选用了先开运算、后闭运算并基于重建的滤波方法对图像进行平滑滤波。

3 改进的分水岭分割方法

3.1 改进思路

分水岭算法是一种非常有效的图像分割工具，具有分割速度快，能准确定位目标轮廓并得到封闭轮廓线等特点。但是由于图像本身都存在不同程度的噪声，直接利用分水岭算法对图像进行分割往往会导致过分割，即生成大量的小区域而使目标淹没其中。图1体现了过分割问题，其中图（a）为待分割图像，图（ b）为直接采用分水岭算法的分割结果，可以看出图（b）中出现了许多无意义的小区域。

目前克服过分割的方法主要包括在变换前进行预处理和在变换后进行区域合并。由于后处理的区域合并过程没有固定的准则，而且计算量大，因此本文采用变换前预处理的办法来控制过分割现象。首先用形态学的重建滤波器[13-14]对图像进行去噪处理；接着求取预处理图像的梯度图像，并利用文献[15-16]中提出的方法对得到的梯度图进行修正；最后对梯度图像实施分水岭变换，实现图像分割。

3.2 算法步骤

根据3.1节的改进算法思路，分割关键过程如图2所示：

图2 改进算法的分割过程

算法步骤描述如下：

1）首先对原始图像进行灰度拉伸；

2）运用第2节中提到的形态学开闭重建滤波器去除图像中的噪声点；

3）对（2）中得到的消除噪声的图像求取梯度图像，并利用距离变换和极大值扩展变换分别得到目标区域的外部标记和内部标记，依据内外标记得到修正的梯度图像；

4）在修正后的梯度图像上施以分水岭变换。

4 仿真结果及分析

应用本文设计的改进分水岭分割算法对图1（a）所示的颅脑MRI图像进行分割实验。

图3（a）为采用基于重建的形态学开闭滤波器去噪的结果；图3（b）为预处理图像的梯度图像；图3（c）为根据求得的内外标记对图3（b）修正的结果；图3（d）为在图3（c）上采用分水岭算法得到的分割结果，该结果对于灰质区得到了较为完整的轮廓。可以看出相对于图1（b），采用本文给出的方法得到的分割结果抑制了过分割现象的发生，分割结果更为准确。

5 结论

本文针对分水岭算法的过分割问题，设计了一种改进的分水岭分割方法。该方法基于分割前的预处理工作，采取先清除引起过分割的因素再实施分水岭算法的方法来抑制过分割现象的发生。实验结果表明，应用该方法对颅脑MRI图像进行分割，分割结果具有较为完整的轮廓，并得到了有意义的分割区域，有效地减轻了过分割现象。应用该算法较好地提取了颅脑MRI图像的灰质区，但是白质区轮廓还存在不清晰的现象，这将是下一步工作中要重点解决的问题。

参考文献：

[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,章毓晋,林行刚.基于最大类间后验交叉熵的阈值化分割算法[J].中国图象图形学报,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,黄养成.一种改进的彩色图像区域分割和边缘提取算法[J].装备指挥技术学院学报,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] 应骏,叶秀清,顾伟康.一个基于知识的边沿提取算法[J].中国图象图形学报,1999,4(3):239-242.

[9] 王宇生,卜佳俊,陈纯.一种基于积分变换的边缘检测算法[J].中国图象图形学报,2002,7(2):145-159.

[10] 王忠义.分水岭变换在医学图像分割中的应用[J].电脑知识与技术,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] 王凤娥.改进后的分水岭算法在图像分割中的应用研究[D].山东:山东大学,2008.

[14] 高静.基于形态学分水岭算法的细胞图像分割[D].吉林:吉林大学,2008.

[15] 朱俊良,王茂芝,郭科.基于形态预处理和标记提取的分水岭分割算法[J].信息技术,2010(9):17-20.

滤波器去噪原理和基本方法范文第3篇

关键词:边缘检测;数学形态学;噪声图像;结构元素

中图分类号:TP18文献标识码:A文章编号: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

图像边缘是细节信息中最具描述图像特征的部分,也是图像分析中的一个不可缺少的部分,边缘检测在图像分割,目标区域识别,模式识别以及图像编码等领域有着重要的研究价值。传统的边缘检测方法如Roberts、Sobel、Prewitt等一阶检测算子和LoG、Canny等二阶算子,算法简单,检测线条不连续,去除噪声能力差。总体上来说,传统边缘检测算子对含有噪声的图像处理效果不理想,边缘定位有偏差,不能有效抑制噪声。

数学形态学是以积分几何和随机集论为基础,综合了多学科知识的交叉学科;近年来不断发展和完善,使得其在图像处理中的应用越来越广泛。形态学在信号处理上是一种非线性的滤波方法,对图像边缘方向不敏感,能很好的抑制噪声和定位真正的边缘。数学形态学已经成为数字图像处理一个重要的研究领域。

1 数学形态学图像边缘检测原理

数学形态学是建立在严格数学理论上的一门新学科,是一种新型的数学图像处理方法和理论。形态运算中的腐蚀、膨胀、闭、开是基本的边缘检测运算。可以根据需要组合成不同的数学形态算子,从而根据图像的不同情况进行检测。

形态运算的质量取决于所选的结构元和形态变换[2,6],在灰度图像中,设f(x,y)是输入图像,B(i,j)是结构元素,Df和DB分别是函数f和B的定义域。则:

灰度膨胀定义为:

(1)

灰度腐蚀定义为:

(2)

开运算定义为: (3)

闭运算定义为: (4)

由于开运算可以去除比结构元素小的明亮细节,闭运算可以去除比结构元素小的暗色细节,因而可以组合在一起平滑图像噪声。传统的形态学边缘检测算子:(f?茌B)-f,它得到的是图像外边缘;f-(f?专B),它得到图像内边缘;(f?茌B)-( f?专B),它得到的是骑跨在内外边界上的边缘。

2 形态学噪声检测算法

将开运算和闭运算组合可构成形态噪声滤波器,对于灰度图像就是进去形态噪声平滑。形态学边缘检测中的开运算和膨胀可以抑制信号中的尖峰噪声,而形态闭运算和腐蚀可以抑制噪声中的低谷噪声。根据这些性质,可以得到基本的抗噪形态算子。

抗噪膨胀型算子: (5)

抗噪腐蚀型算子: (6)

抗噪膨胀腐蚀型算子: (7)

抗噪膨胀型算子对低谷噪声(负脉冲)的响应为零,抗噪腐蚀型算子对尖峰噪声(正脉冲)的响应为零,而抗噪膨胀腐蚀型算子对正负脉冲噪声的响应都是零[4],这主要受图像的凹凸影响。为了对正负噪声都有抑制作用,可以对基本的算子进行修正然后给出了修正的抗噪算子如下:

修正的抗噪膨胀型算子: (8)

修正的抗噪腐蚀型算子: (9)

形态学边缘检测中最主要的是结构元素,不同的结构元素检测的效果是不一样的。在噪声图像中,为了得到好的滤波效果,采用多尺度多结构是很好的解决方法[3-4,7]。多尺度结构表示为:nB=BB…B(n次),当n=0时,nB={(0,0)}。从中看出,结构元素自身也可以通过膨胀得到大结构元素。多结构是根据结构元素的不同,对图像不同的部位进行边缘检测。结构元素不是越多越好,选择好的结构元素是形态学边缘检测的成功关键。下面给出多结构抗噪形态检测算子:

,其中i=1,2。进行加权求和,即可得到最后的图像边缘。

构建的多结构多尺度的形态边缘检测算子如下:

其中,i=1,2,3,4,即四个方向的结构元素,这样每个方向的边缘都能检测到。每个方向还都可以进行尺度扩展,因而可以得到较完善的边缘检测图像。

3 实验仿真分析

一般图像中的噪声都是随机脉冲噪声,在实验中,采用加椒盐噪声的Lena图。图2是以传统的检测算子提取的图像边缘,从检测的结果来看,传统的检测算子对噪声很敏感,从图2(c)、(d)检测结果来看,噪声完全覆盖边缘;Canny、LoG对高斯噪声有较好的去噪能力的二阶微分算子对椒盐噪声去噪能力也很差,在图2(e)、(f)中可以看到去噪效果不理想。

图3是用数学形态学抗噪算子检测的结果,在图3(c)中,用的是一般的膨胀腐蚀型算子,可以看到相对于传统的算子,检测的结果连续性更好,能更好的去除噪声。图3(d)、(e)、(f)分别是多尺度,多结构和多尺度多结构去噪型算子,相对于普通膨胀腐蚀型检测的结果更细腻,去除噪声的能力更强。

虽然在图像边缘检测领域有许多边缘检测算子,但它们都没有绝对优势的方法,传统的检测算子检测的精度不高,抗噪性能很差。数学形态学边缘检测去除噪声性能较好,但是有时候定位精度有不够,有些边缘在检测的时候变的模糊,即细化的功能不够,这个和结构元素的选取有关系。可见,没有一种通用的检测算法来解决,只能在定位精度和去噪之间找某种平衡。所以无论哪种边缘检测算法都存在不同类型的缺陷。

4 结论

该文主要是对数学形态学在含有噪声的图像上现有算法进去较为详细的分析和阐述,并比较了各种算法的特点。并在仿真中和传统的检测算法结果进行比较。实验表明,数学形态学在去除噪声的同时,也能很好的解决图像的边缘连续问题,本文最后给出的多尺度多结构算法,不仅能滤除噪声还能很好的定位图像边缘,可见数学形态学边缘检测算子是一种很好的边缘检测工具。

参考文献:

[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.多方位形态学结构元素在图像边缘检测中的应用[[J].云南大学学报:自然科学版,1999,21(5):392-394.

[5] 付永庆,王咏胜.一种基于数学形态学的灰度图像边缘检测算法[J].哈尔滨工程大学学报,2005,26(5):685-687.

滤波器去噪原理和基本方法范文第4篇

关键词：虚拟无线电；　超高频；　射频识别；　读写器；　电子标签

中图分类号：TN9234 文献标识码：A 文章编号：1004373X（2012）22002304

近年来，随着多核CPU的出现与应用，个人计算机在计算能力和性能上大幅度提高，在某种程度上可以与传统的专用数字信号处理器媲美，因此在一台计算机上设计通用的软件无线电平台已成为一种可能。研究基于多核PC的软件无线电平台，能够在在一台计算机上实现多种通信协议，而且易于开发和软件升级，无论从开发者角度讲，还是从用户角度讲，都极大地方便了各自的工作和体验，具有重要的研究价值和商业应用价值。虚拟无线电是一种真正意义上的软件无线电［1］。它采用高性能的模/数和数/模转换器，对宽带射频信号直接进行变换，　所有无线电功能用运行于工作站或个人计算机上的应用程序来实现。虚拟无线电技术主要有如下特点［2］：易于实验；开发快捷；与其他应用结合；改进功能实现。无线射频识别技术（Radio　Frequency　Identification，RFID）是一种非接触的射频识别技术，其基本原理是通过射频信号与空间耦合传输特性，实现对被识别物体的自动识别［3］。现有的RFID读写器一般采用ASIC，DSP，FPGA或ARM对基带信号进行处理，此方法处理基带信号方法不灵活，且需要设计人员掌握每种嵌入式系统的开发方法，因此技术门槛比较高，开发周期较长。随着通用计算机性能的不断提高，使得基于通用处理器实现通信系统成为可能，根据虚拟无线电的上述特点，本文提出了基于虚拟无线电实现RFID读写器的方案。

1　RFID系统结构与工作原理

常见的RFID系统［4］包括4部分：标签、天线、读写器和控制器（即PC主机）组成。如图1所示。

图1　基本的RFID系统RFID系统的工作原理为读写器通过天线发出含有信息的一定频率的射频信号，当标签进入读写器的识别区域内，标签周围形成电磁场，其天线通过耦合产生感应电流，从而获得能量激活内部微芯片电路。此时标签根据读写器发出的信息决定是否响应，即是否反向散射数据；需要响应时，标签通过天线将存储在标签中的信息转换成电磁波，然后发送给读写器；读写器接收到标签反射的信号时，将信号进行解调和解码，识别出标签反向散射的数据，然后通过标准的网络接口传送给控制器；控制器根据逻辑运算判断该标签的合法性，针对不同的设定对这些数据进行管理和控制。

按照读写器发射频率的不同，RFID系统可以分为低频（135　kHz以下），高频（13.56　MHz），超高频（860～960　MHz）和微波（2.4　GHz以上）等几大类。其中，超高频RFID系统一般采用电磁反向散射原理来实现读写器和电子标签之间的通信过程。

本文介绍的基于虚拟无线电实现的RFID读写器符合ISO/IEC　180006C标准［5］。ISO/IEC　180006C标准是信息技术领域关于超高频RFID技术的空中通信技术标准。该标准采用开放的体系结构，充分考虑了标签低处理能力、低功耗和低成本要求，在射频频段选择、物理层数据编码及调制方式、防冲突算法、标签访问控制和隐私保护等技术方面采取了一系列改进；其中，读写器到标签的前向链路的调制方式为ASK，采用PIE编码，标签到读写器的反向链路的调制方式为ASK或PSK，采用FM0编码或者Miller编码，并对传输数据采用差错控制编码技术（CRC16校验）。本文介绍的读写器到标签的前向链路采用ASK调制方式和PIE编码，标签到读写器的反向链路采用ASK调制方式和FM0编码。

2　基于虚拟无线电实现读写器的方法

2.1　读写器的结构

该读写器的结构如图2所示，主要由4部分组成：主控部分、FPGA逻辑控制模块、射频前端模块及天线。主控部分：主控部分选择通用PC，标签识别层数据处理和基带信号处理在PC中完成，通过PCIe接口和逻辑控制模块连接；FPGA逻辑控制模块：主要负责有AD/　DA控制、RF切换、功放、发送和接收数据控制的功能；射频前端模块：其中射频收发功能采用LMS6002D芯片实现，该芯片集成LNA/PA驱动、TX　/RX混频器、TX　/RX滤波器、频率综合器、接收增益控制发送功率控制等子模块，能够完成射频模拟前端的大部分功能；天线。

图2　读写器的结构2.2　工作流程

读写器工作流程分为读写器发送指令与接收标签反向散射的数据信息2部分。

读写器发送指令的工作流程：

（1）　应用层程序发出调用标签识别层模块的命令，标签识别层模块产生要发送的访问标签的指令，并将指令送至基带处理模块；

（2）　基带处理模块对标签识别层指令进行编码调制，生成基带信号，基带信号分成I，Q两路通过PCIe接口传入FPGA的FIFO；

（3）　FIFO中的数据被打包成串行基带信号送至射频前端模块；

（4）　串行基带信号进入射频前端模块经过DA变换、功率放大、上变频后被调制到超高频频段，然后送至带通滤波器进行滤波；

（5）　滤波以后，信号被送至功率放大器放大，然后送至天线发送出去。

读写器接收标签反向散射的数据信息的工作流程：

（1）　标签接收到读写器发来的信号，获得能量被上电激活，开始执行读写器命令，并进行判断是否需要应答，需要应答时，将应答信息以反向散射方式通过天线送至射频前端模块；

（2）　射频前端模块将接收到的信号送至带通滤波器进行滤波，滤波后通过低噪放、下变频、AD变换等部分，载波信号恢复为基带信号并传入FPGA的FIFO；

（3）　FIFO中的数据通过PCIe接口被送至PC中的基带处理模块；

（4）　基带信号处理模块对接收到的数字基带信号进行解调，将结果传递给标签识别层；

（5）　标签识别层根据接收到的标签反向散射的数据进行CRC校验，解出标签反向散射的信息并做出判断，决定下一次发送的指令。

2.3　主控部分

2.3.1　主控部分软件设计

系统的主控部分为PC，结构图如图2读写器的结构图左边部分所示。主控部分的工作主要包括：完成基带信号处理、标签识别处理和驱动层与应用层的数据通信。

工作原理：启动时，通过PC配置射频参数，射频参数存入缓冲区寄存器中，初始化内存；应用程序发出对标签的应用功能指令，该指令通过应用程序接口调用标签识别处理模块，标签识别处理模块发出相应的指令给基带处理模块，基带处理模块对指令进行编码调制形成基带信号，通过PCIe接口将基带信号发送给射频板；主控部分通过PCIe接口接收射频板传送来的基带信号，基带处理模块对基带信号进行解调，形成标签反向散射的指令格式，传至标签识别处理模块，标签识别处理模块对指令进行相关CRC校验对做出相应的响应。软件流程如图3所示。

为防止多个标签同时响应，读写器发送的Query指令中令Q不等于0，Q为（0～15），标签接收到Query指令后，会选择（0～2Q-1）给Slot　Counter，当Slot　Counter=0时，标签反向散射数据，Slot　Counter不为0时标签不响应，如果标签无响应，则连续发送QueryReq，每发送一次QueryReq，标签的Slot　Counter的值会减1，直到Slot　Counter=0，标签响应为止。其流程图如图4所示。

接收端算法：接收端接收的信号为（A/2）g（t），经过I/Q两路解调、低通滤波、隔直流后分别为（A/2）g（t）sin　θ和（A/2）g（t）cos　θ，如果只采用单路接收信号，当接收信号的相位和本振信号的相位相差θ为90°或者0°，则接收到的信号（A/2）g（t）sin　θ或（A/2）g（t）cos　θ可能始终为0，即有用信号没有解调出来。为了避免射频场中存在的盲点，系统接收端采用两路正交混频结构［6］，即：（（A/2）g（t）sin　θ）2+（（A/2）g（t）cos　θ）2=

（A2/4）g2（t）

（1）将I，Q两路信号平方后求和得出（A2/4）g2（t），无论接收信号的相位和本振信号的相位相差θ为多少，总能解调出有用信号。

对于本方案，接收端基带信号处理在PC中完成，PC中接收到的I，Q两路的数据存在一个数组RECEIVE［N］中，针对接收端算法的具体实现步骤如图5所示。

图5　接收端算法实现步骤（1）　首先解调出I，Q两路信号。即：

RECEIVE_I=RECEIVE（1，1：2：N）

RECEIVE_Q=RECEIVE（1，2：2：N）

RECEIVE_data2=RECEIVE_I2+RECEIVE_Q2

//N为接收数据所在数组的大小

（2）　求接收信号的均值，即求信号的直流分量

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）　做相关，找到同步点

在该系统中，标签反向散射的数据有加短前导Frame_Sync和长前导Preamble两种形式，读写器发送的Query指令中的TRext位决定了标签反向散射的数据的前导形式，本方案中标签反向散射的数据采用加前导Preamble的方式。

首先，生成本地的Preamble信号，即编码调制后为Preamble［m］，将Preamble［m］与接收到的RECEIVE_data做相关，找到最大点，取出标签反向散射的数据。

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，此时假设i=k

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

//Data_Length为标签反向反射的数据去掉前导后的长度

以读写器发送Query指令为例，在采样率为10　MHz，标签反向链路频率为200　kHz时，标签响应时反向散射信号Preamble+RN16（16位随机码），通过上述过程，解调出数据如图6所示，显示方式为：数据以两路A，B方式，其中A为上部分，B为下部分，如RN16［N］，则有：

A=RN16（1，1：2：N）；

//N为RN16的采样点数

B=RN16（1，2：2：N）；

图6　做相关后的RN16（5）　解调标签反向散射的数据

根据射频部分的采样率和标签反向散射数据的调制方式，对0和1进行编码调制，生成0和1的本地基带信号，将其与接收的数据进行相关，并进行判断，解调出标签反向散射的数据。

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

判断Cor_0与Cor_1的大小；

Cor_0大时　RECEIVE_d为0；Cor_1大时　RECEIVE_d为1

对图6中的数据进行解调得出此次标签反向散射的随机数为：1101　0001　0100　0011。

4　结　语

本文提出的基于虚拟无线电的RFID读写器的实现方案，从系统级角度对基于虚拟无线电的RFID读写器的硬件平台及主控部分进行了阐述，并对接收端算法进行了研究与实现。虚拟无线电技术易于实验、开发快捷、与其他应用结合、改进功能的特点，使得基于虚拟无线电的超高频RFID读写器具有灵活处理基带信号、支持开发多种协议的优点。实践结果表明，基于虚拟无线电实现超高频RFID读写器的方案具有可行性。

参　考　文　献

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

［2］　张丽.虚拟无线电接收机的实现与算法研究［D］.西安：西安电子科技大学，2007.

［3］　FINKENZELLER　K.射频识别（　RFID）技术：无线电感应的应答器和非接触IC卡的原理与应用［M］.陈大才，译.北京：电子工业出版社，2001.

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

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

［6］　陈逆，张春，王敬超.超高频RFID读写器基带处理器的设计［J］.半导体技术，2009，34（4）：370374.

［7］　唐志军，席在芳，詹杰.无源反向散射RFID系统识别距离的影响因素分析［J］.计算机工程与应用，2011（8）：9597.

滤波器去噪原理和基本方法范文第5篇

朱炯，北京电影学院摄影学院副教授。

虽然数字技术应用到摄影领域已经有十多年的时间，但是国内摄影界对数字技术的研究和探讨还处于初级阶段，虽然广大的摄影爱好者几乎全部拿起了数码相机，但他们对数字技术的理解和认知却急待提高。为此，《数码摄影》杂志请北京电影学院副教授朱炯老师开设了专栏“数字革命”，用通俗易懂的语言和文字来解读数字技术中的原理和技巧，希望能让影友学习到实用的知识和经验。

数字影像是整个摄影领域的一场技术革命。它最显著的特征是影像成像核心方式的变革，即数字编码成像替代化学银盐影像。不仅如此，重要的是数字影像产生了一系列新的摄影技术用语、方法及技术标准来控制影像品质，形成数字影像的技术体系。同时数字影像的技术手段也带来了摄影方式及视觉文化传播的新特色。摄影产业是研发数字影像的重要推动力，同时也在这场摄影技术革命中承受着颠覆性的变革。在新旧技术的较量过程中，大型摄影器材企业全球大洗牌，新兴摄影产业应运而生。但是在这个栏目开始之初，我还是想先告诉大家，数字影像存在三个不可回避的缺陷。

噪点与杂色

什么是噪点：

噪点也称杂色，是数字影像在暗部出现的杂乱、粗糙的彩色纹理。噪点展现的是非感光的影像像素，其形状可能是斑点或者条纹状干扰纹，画面因此而显得脏，清晰度差，影像质量低。

噪点与颗粒形成原因的比较：

数字影像中的噪点和银盐影像中的颗粒有相似之处，都在高感光度画面中出现。但数字影像还会在长时间曝光情况下出现，当设置为低感光度、长时间曝光的噪点很明显。数字影像在后期锐化过程中会产生噪点。在影像中噪点和颗粒的视觉质感不同，我们常由此判断照片是数字影像还是银盐影像。

数字影像噪点的成因及控制的方法与银盐影像处理微粒的方法不同。影像传感器感光生成影像的过程中产生噪点。但由于厂家设计能力的不同，CCD/CMOS的面积尺寸不同，其计算和形成数字文件的方式决定了数字影像噪点产生的强弱多少。数字影像的噪点比银盐影像的颗粒更容易产生，在于数字相机影像传感器一般比35毫米胶片尺寸小，且能够方便地选择高感光度拍摄。

除噪与微粒的不同手段：

在银盐影像系统中控制颗粒的手段有限，如可选择大幅面底片、低感光度胶片拍摄，冲洗时采用微粒显影液。

数字影像系统的除噪空间较大，方法多样，基本分为三个步骤。首先是数字相机自身的除噪能力提高，这是相机生产厂家的工作，能够在高感光度（ISO800-1600）下生成低噪数字影像越来越成为数字相机的一项重要技术性能。其次是在拍摄时，选择影像传感器面积大的相机，在一定的曝光时间范围内选择低感光度拍摄，选择高品质文件存储格式都可以有效降低暗部噪点。最后是在计算机后期图形图像软件中进行降噪操作，如采用Photoshop等软件，按照色彩通道逐一柔化噪点等方法。

摩尔纹

数字影像是完全不同于银盐影像的一种对现实世界影像再现的系统，其影像再现的原理、方法、程序的不同，导致影像再现的效果有所不同。在数字影像的视觉再现中，出现了一些银盐影像中没有的视觉现象。数字影像和银盐影像与现实景象都有不同程度的差异。

数字相机拍摄有密纹的纹理时，画面中常常出现人眼视觉观察景物时看不到的彩色水波样条纹，这就是摩尔纹。摩尔纹会出现在密布栏杆、屋顶波浪板、布料以及其他物体有规律、密集排列的景物中。这种杂乱影像是银盐胶片系统不会产生的。其原因是影像传感器CCD和CMOS上的成像单元像素是整齐地排列成一个平面，在记录相同线条规则排列的平面时产生错位。

Moiré 一词出自法文，1570 年前后被用来描述安哥拉山地羊毛特殊的织布，也有引伸为规则纹路的意思。一直到 1823 年这个字被用来说明规则波纹的形容词。今天我们使用“摩尔纹”一词，就是“波浪纹”的意思。计算机屏幕或电视在显示密集条纹时也会出现摩尔纹，甚至如果你将数码相机对准电视屏幕以非垂直的角度拍摄，你也会发现摩尔纹的存在。

摩尔纹是数字影像成像的缺陷，也表明数字影像技术处于发展阶段，有很多不成熟的地方。目前数码相机厂家对此从设计环节上进行解决，通常会在影像传感器前安装低通滤波器，改变信号的频率来去除条纹的产生，或者在镜头前加防锯齿滤镜，但会在一定程度上降低画面锐度。已经生成摩尔纹的影像可以通过软件在电脑后期对其进行消除。

紫边

数码相机成像的另一个缺陷，是在拍摄高反差的景物时，明暗交界的边缘部分会出现异常的彩色晕边，通常为紫红色。这在银盐胶片成像上并不明显。低端数码相机成像的紫边效果更为突出，这是因为影像传感器面积小以及数码相机内部信号处理方法的缺陷所导致的。相机镜头的色散情况也是影响紫边形成的一个因素。广角镜头边缘光线倾斜入射到CCD/CMOS上，破坏了传感器要求光线垂直入射的条件，这都经常会强化紫边的效果。影像中紫边的产生，是数码相机结构和工作原理所致。使用数字镜头，这是厂家专门为解决数字影像成像缺陷而设计的镜头，就可以有效地减少紫边现象。另外，拍摄时采用RAW格式，然后在Photoshop或其他图像软件中进行后期处理，也可以有效消除紫边。

数字影像系统的发展历史还较为短暂，但数字影像技术的进步是以一种数字倍率的速度进行着。二十一世纪初，当数码相机已经在中国新闻媒体业普及的时候，摄影师考虑选择数字影像文件的存储格式、文件大小等问题的标准都与今天完全不同。例如RAW格式的使用只是在这两三年来才被重视。数字影像技术能力在现阶段还有很多问题甚至缺陷，噪点、摩尔纹和紫边就是典型代表。噪点问题可以跟银盐影像中的颗粒问题相对应，但是其产生原因和解决办法却大相径庭。摩尔纹和紫边完全是数字相机的成像缺陷，它们成为现阶段人们对数字影像能力怀疑的重要因素。不过，如果我们对比银盐影像发展的同等历史阶段，在19世纪末，摄影诞生后的三、四十年，银盐影像成像能力也是非常有限的，完全不是二十世纪九十年代成熟期的影像视觉状况。事实已经证明，数字影像的缺陷随着技术的飞速发展已经得到了很大的解决。在现阶段，解决影像缺陷的工作更多的是在改进数字相机成像能力和影像处理软件的工作能力上。

和银盐影像系统相比较，数字影像品质的控制方式，是规范化前期拍摄技术，强化后期影像技术处理能力。数字影像在成像时的编码特性，为后期电脑处理提供了基本的平台。目前数字影像在生成时的各种问题，大多可以在计算机上进行处理。也就是说，即便是数字技术发展不成熟的今天，数字影像后期处理的能力也已经可以弥补其不足，例如专业的降噪软件，多种手段的去紫边的方法。因此数字影像的成像特征和现阶段缺陷，都给我们一个明显的提示，即数字影像具有巨大的后期处理空间。