濾波器去噪原理和基本方法

前言：想要寫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，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

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)技術學院，渭南 714000；②渭南師范學院數(shù)學與信息科學院，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信息轉換成基于質心距離的一維向量信息來進行檢測。設計了基于雙正交對稱小波的去噪算法。實驗結果表明，這種算法可以有效地去除噪聲信號和緩變信號，保留缺陷的突變信息，是一種有效和實用的輪廓缺陷檢測算法。

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.

關鍵詞： 小波變換 輪廓 缺陷檢測 小波特性 分解層次

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

中圖分類號：TP317.4文獻標識碼：A文章編號：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心的幅度，則物體的二維輪廓坐標就變成一維向量。二維輪廓的凸起與凹陷突變就是一種突變信號。

小波變換（wavelet transform）是一種信號的時間―頻率分析方法，具有多分辨率分析的特點，而且在時域和頻域都具有表征信號局部特征的能力。很適合于探測正常信號中夾帶的瞬態(tài)反常現(xiàn)象并展示其成分。在圖像去噪領域也得到了越來越廣泛的應用。本文提出了將小波變換用于檢測二維突變點的原理與實現(xiàn)算法。由于輪廓信號中含有不規(guī)則的緩變信號，所以這里主要利用小波去噪。光滑輪廓物體作為一個應用實例驗證了這一原理和相應實現(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?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）滿足條件：

■■d?棕

則?鬃（t）為一個基本小波或小波母函數(shù)，并稱（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?鬃■（t）為依賴于?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）在小波基下進行展開，稱這種展開為函數(shù)f（t）的連續(xù)小波變換，其表達式為：

WT■（a，?子）==■■f（t）?鬃■dt（3）

多分辨率分析又稱為多尺度分析，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的頻率是不同的，需要根據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 強制去噪算法1989年，Mallat提出了實現(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，然后再將噪聲所處的頻帶置零，進行強制消噪處理，再利用相應的重構公式：

V■=H*V■+G*W■，j=J-1，…，1，0（5）

其中H*和G*為重構濾波器，且滿足H*H+G*G=1，進行小波重構，從而達到去噪的目的。

1.3.2 小波變換模極大值的去噪方法[3][4]突變點是描述一個瞬態(tài)信號的重要特征，信號的奇異點就是信號中的突變點，如何檢驗信號的突變點具有實際意義。Mallat等人建立了小波變換與刻劃信號奇異性的Lipschitz指數(shù)之間的關系：設0≤α≤1，存在常數(shù)k>0，使信號f（x）的Lipschitz指數(shù)與小波變換模極大值滿足：

log■W■f（x）?燮log■■+?琢（6）

由式（6）可知，對于一般信號，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，由于輪廓信號的噪聲很多，如圖1（b）所示，所以采用強制去噪算法，即將某幾個尺度上的高頻信號全部置為零[5][6]。在輪廓信號中，同時存在輪廓的不規(guī)則緩變信號、突變信號和劇烈變化的噪聲信號。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域中保持的空間跨度不會超過8個像素，所以這里定義突變信號為空間跨度大于8個像素的變化，對于空間跨度小于8個像素的變化作為噪聲直接去除，與頻域高于1/8的采樣率對應，所以進行突變信號檢測時，小波分解層次應為3。噪聲信號還有輪廓緩變信號，這種噪聲的變化幅度較小，據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)分突變信號和緩變噪聲信號，需要對去噪信號再做進一步的處理。

3實驗與分析

選擇一光滑物體的輪廓，如圖1（a）所示，并依連接關系找出邊界點的二維坐標，計算其質心點坐標，將輪廓表示成質心―邊界點幅值向量，其波形圖如圖1（b）所示。采用選擇的小波，對此向量波形分別進行3層小波分解[5]，如圖2（a）所示。從圖2（a）中可以看出，突變信號疊加在緩變信號上，采用一維差分即可將緩變信號的干擾去除，如圖2（b），再利用突變信號與噪聲信號幅值的不同對差分信號去除噪聲，如圖3所示，即可得到突變信號的寬度與幅度。

4結論

信號的小波去噪方法是眾多去噪方法的理想之選，它利用信號小波分解后，各個子帶信號的不同特性，選取不同的去噪手段，從而達到較好的去噪效果。但是，它也同樣受到去噪和保留有用高頻信息兩難的困擾。信號的突變信息位于高頻段，噪聲信號也位于高頻段,在信號去噪的同時，盡量保留信號的突變特征。基于突變信號與噪聲信號位于不同的高頻段，確定小波的分解層次，采用強制去噪算法，得到了比較理想去噪結果。針對輪廓的緩變信號，采用差分及強制去噪算法，將疊加在緩變信號上的突變信號分離，便于突變信號特征的計算。

參考文獻：

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

[2]潘泉，張磊，孟晉麗等.小波濾波方法及應用[M].北京：清華大學出版社，2005:41.

[3]謝杰成，張大力，徐文立.一種小波去噪方法的幾點改進[J].清華大學學報（自然科學版），2002，42（9）:1269-1272.

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

濾波器去噪原理和基本方法范文第2篇

關鍵詞：數(shù)學形態(tài)學；分水嶺算法；圖像分割；過分割；梯度重建

中圖分類號：TP18 文獻標識碼：A文章編號：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的技術和過程，是由圖像處理到圖像分析的關鍵步驟。分割結果的優(yōu)劣直接影響到隨后更高層次的分析和理解等問題求解的正確與否。關于圖像分割的方法，國內外許多學者做了大量的研究，提出了很多實用的分割方法，如形態(tài)學分水嶺分割法[1-2]，閾值分割法[3]、區(qū)域生長法[4-5]、模糊聚類法[6]、小波變換法[7]、邊緣檢測法[8-9]等。其中,分水嶺變換是一種經典的圖像分割方法，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[10]，而且定位比較精確，分割精度高，計算速度快，從而引起人們的高度重視和廣泛關注，成為近年來圖像分割研究的熱點。但是分水嶺算法存在過分割和對噪聲敏感的缺陷。為了解決這個問題，一些學者對傳統(tǒng)分水嶺算法進行了改進[11-12]，但是過分割問題并沒有被有效地解決。

本文針對分割之前的預處理過程，設計了一種改進的分水嶺分割算法。首先，利用數(shù)學形態(tài)學的方法對待分割圖像進行平滑去噪處理；然后，對去噪后圖像的梯度圖進行標記，重構梯度圖像；最后，對重構梯度圖像進行分水嶺變換，檢測前景邊緣，提取目標。

1 分水嶺算法的基本思想及實現(xiàn)原理

1.1 分水嶺算法的基本思想

分水嶺算法是數(shù)學形態(tài)學在圖像處理理論中的經典方法，其思想起源于測地學的地形地貌。圖像中每一像素點的灰度值可以等同于該點的海拔高度，則可在該圖像中模擬自底向上逐漸淹沒地形圖的過程。圖像中邊緣點的灰度值較大，可以對應于地形圖中的山脊；圖像中灰度連續(xù)變化的區(qū)域可以找到灰度極小點，這里則可對應于地形圖中的盆地；由邊緣區(qū)域過渡到灰度極小點的漸變區(qū)域則可對應于地形圖中的山坡。在進行圖像分割時如果可以準確地找到“山脊”，則可實現(xiàn)對各個“盆地（目標物體）”的分割。

1.2 分水嶺算法的實現(xiàn)原理

經典的分水嶺分割方法有兩種：一種是模擬浸水過程，另一種是模擬降水過程。

1）模擬浸水過程的實現(xiàn)原理。根據前面的分析，如果將圖像中所有像素的灰度值對應于地形中的海拔高度，則地形中包括盆地（局部灰度極小點）、山脊（圖像邊緣）以及盆地和山脊之間的山坡。將這個地形模型垂直放入湖水中，并在各個“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。當水位到達“山脊”頂端時，相鄰“盆地”的水就會匯合，從而無法分辨出不同的“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“盆地”完全包圍。隨著水位的上漲，各個“盆地”完全被水浸沒，而各個“堤壩”隨水位上漲而上漲，最終沒有被淹沒。這樣“堤壩（分水嶺）”將各個“盆地（目標物體）”隔離，完成了圖像分割。

2）模擬降水過程的實現(xiàn)原理。依然將圖像等同為地貌模型。當此地貌模型上空有水滴落下時，水滴必將沿山坡流入“盆地”底部，水滴經過的路線就是一個連通分支，通往同一谷底的所有連通分支就形成了一個“集水盆地”。通過這個過程也可以找到各個目標區(qū)域，實現(xiàn)圖像分割。

根據圖像特點，本文選用的是模擬浸水過程實現(xiàn)分水嶺分割。

2 形態(tài)學去噪原理

形態(tài)學中包括兩種基本的運算――腐蝕和膨脹，形態(tài)學的其它運算都以這兩種運算為基礎。

灰度圖像的腐蝕和膨脹運算分別定義為式（1）和式（2）：

（1）

（2）

其中f為一灰度圖像，g為一個灰度結構元，“”代表腐蝕運算，“”代表膨脹運算。

在腐蝕和膨脹運算的基礎之上，可以定義兩個二級運算――開運算和閉運算。這兩種運算也構成對偶運算。開運算和閉運算定義為式（3）和式（4）

（3）

（4）

由式（3）可以看出，開運算是先對圖像進行腐蝕運算，再進行膨脹運算。開運算之后，背景中的小結構被清除了，前景結構中的主干被保留了下來，這樣圖像中的孤立噪聲點就被濾除了。

而由式（4）可以看出，閉運算和開運算相反，對圖像進行了先膨脹、后腐蝕的操作。閉運算后，圖像背景中不包含結構元素的部分被填充，這樣可消除連通區(qū)域中的孔洞。

由于過分割在很大程度上由圖像中的噪聲點引起，因此在分割之前對圖像進行預處理非常重要。本文選用了先開運算、后閉運算并基于重建的濾波方法對圖像進行平滑濾波。

3 改進的分水嶺分割方法

3.1 改進思路

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，能準確定位目標輪廓并得到封閉輪廓線等特點。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圖像進行分割往往會導致過分割，即生成大量的小區(qū)域而使目標淹沒其中。圖1體現(xiàn)了過分割問題，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果，可以看出圖（b）中出現(xiàn)了許多無意義的小區(qū)域。

目前克服過分割的方法主要包括在變換前進行預處理和在變換后進行區(qū)域合并。由于后處理的區(qū)域合并過程沒有固定的準則，而且計算量大，因此本文采用變換前預處理的辦法來控制過分割現(xiàn)象。首先用形態(tài)學的重建濾波器[13-14]對圖像進行去噪處理；接著求取預處理圖像的梯度圖像，并利用文獻[15-16]中提出的方法對得到的梯度圖進行修正；最后對梯度圖像實施分水嶺變換，實現(xiàn)圖像分割。

3.2 算法步驟

根據3.1節(jié)的改進算法思路，分割關鍵過程如圖2所示：

圖2 改進算法的分割過程

算法步驟描述如下：

1）首先對原始圖像進行灰度拉伸；

2）運用第2節(jié)中提到的形態(tài)學開閉重建濾波器去除圖像中的噪聲點；

3）對（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展變換分別得到目標區(qū)域的外部標記和內部標記，依據內外標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 仿真結果及分析

應用本文設計的改進分水嶺分割算法對圖1（a）所示的顱腦MRI圖像進行分割實驗。

圖3（a）為采用基于重建的形態(tài)學開閉濾波器去噪的結果；圖3（b）為預處理圖像的梯度圖像；圖3（c）為根據求得的內外標記對圖3（b）修正的結果；圖3（d）為在圖3（c）上采用分水嶺算法得到的分割結果，該結果對于灰質區(qū)得到了較為完整的輪廓。可以看出相對于圖1（b），采用本文給出的方法得到的分割結果抑制了過分割現(xiàn)象的發(fā)生，分割結果更為準確。

5 結論

本文針對分水嶺算法的過分割問題，設計了一種改進的分水嶺分割方法。該方法基于分割前的預處理工作，采取先清除引起過分割的因素再實施分水嶺算法的方法來抑制過分割現(xiàn)象的發(fā)生。實驗結果表明，應用該方法對顱腦MRI圖像進行分割，分割結果具有較為完整的輪廓，并得到了有意義的分割區(qū)域，有效地減輕了過分割現(xiàn)象。應用該算法較好地提取了顱腦MRI圖像的灰質區(qū)，但是白質區(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解決的問題。

參考文獻：

[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.基于最大類間后驗交叉熵的閾值化分割算法[J].中國圖象圖形學報,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.一種改進的彩色圖像區(qū)域分割和邊緣提取算法[J].裝備指揮技術學院學報,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] 應駿,葉秀清,顧偉康.一個基于知識的邊沿提取算法[J].中國圖象圖形學報,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算法[J].中國圖象圖形學報,2002,7(2):145-159.

[10] 王忠義.分水嶺變換在醫(yī)學圖像分割中的應用[J].電腦知識與技術,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.改進后的分水嶺算法在圖像分割中的應用研究[D].山東:山東大學,2008.

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

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

濾波器去噪原理和基本方法范文第3篇

關鍵詞:邊緣檢測;數(shù)學形態(tài)學;噪聲圖像;結構元素

中圖分類號:TP18文獻標識碼:A文章編號: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不可缺少的部分,邊緣檢測在圖像分割,目標區(qū)域識別,模式識別以及圖像編碼等領域有著重要的研究價值。傳統(tǒng)的邊緣檢測方法如Roberts、Sobel、Prewitt等一階檢測算子和LoG、Canny等二階算子,算法簡單,檢測線條不連續(xù),去除噪聲能力差。總體上來說,傳統(tǒng)邊緣檢測算子對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)學形態(tài)學是以積分幾何和隨機集論為基礎,綜合了多學科知識的交叉學科;近年來不斷發(fā)展和完善,使得其在圖像處理中的應用越來越廣泛。形態(tài)學在信號處理上是一種非線性的濾波方法,對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)學形態(tài)學已經成為數(shù)字圖像處理一個重要的研究領域。

1 數(shù)學形態(tài)學圖像邊緣檢測原理

數(shù)學形態(tài)學是建立在嚴格數(shù)學理論上的一門新學科,是一種新型的數(shù)學圖像處理方法和理論。形態(tài)運算中的腐蝕、膨脹、閉、開是基本的邊緣檢測運算。可以根據需要組合成不同的數(shù)學形態(tài)算子,從而根據圖像的不同情況進行檢測。

形態(tài)運算的質量取決于所選的結構元和形態(tài)變換[2,6],在灰度圖像中,設f(x,y)是輸入圖像,B(i,j)是結構元素,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)

開運算定義為: (3)

閉運算定義為: (4)

由于開運算可以去除比結構元素小的明亮細節(jié),閉運算可以去除比結構元素小的暗色細節(jié),因而可以組合在一起平滑圖像噪聲。傳統(tǒng)的形態(tài)學邊緣檢測算子:(f?茌B)-f,它得到的是圖像外邊緣;f-(f?專B),它得到圖像內邊緣;(f?茌B)-( f?專B),它得到的是騎跨在內外邊界上的邊緣。

2 形態(tài)學噪聲檢測算法

將開運算和閉運算組合可構成形態(tài)噪聲濾波器,對于灰度圖像就是進去形態(tài)噪聲平滑。形態(tài)學邊緣檢測中的開運算和膨脹可以抑制信號中的尖峰噪聲,而形態(tài)閉運算和腐蝕可以抑制噪聲中的低谷噪聲。根據這些性質,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)

抗噪膨脹型算子對低谷噪聲(負脈沖)的響應為零,抗噪腐蝕型算子對尖峰噪聲(正脈沖)的響應為零,而抗噪膨脹腐蝕型算子對正負脈沖噪聲的響應都是零[4],這主要受圖像的凹凸影響。為了對正負噪聲都有抑制作用,可以對基本的算子進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)學邊緣檢測中最主要的是結構元素,不同的結構元素檢測的效果是不一樣的。在噪聲圖像中,為了得到好的濾波效果,采用多尺度多結構是很好的解決方法[3-4,7]。多尺度結構表示為:nB=BB…B(n次),當n=0時,nB={(0,0)}。從中看出,結構元素自身也可以通過膨脹得到大結構元素。多結構是根據結構元素的不同,對圖像不同的部位進行邊緣檢測。結構元素不是越多越好,選擇好的結構元素是形態(tài)學邊緣檢測的成功關鍵。下面給出多結構抗噪形態(tài)檢測算子:

,其中i=1,2。進行加權求和,即可得到最后的圖像邊緣。

構建的多結構多尺度的形態(tài)邊緣檢測算子如下:

其中,i=1,2,3,4,即四個方向的結構元素,這樣每個方向的邊緣都能檢測到。每個方向還都可以進行尺度擴展,因而可以得到較完善的邊緣檢測圖像。

3 實驗仿真分析

一般圖像中的噪聲都是隨機脈沖噪聲,在實驗中,采用加椒鹽噪聲的Lena圖。圖2是以傳統(tǒng)的檢測算子提取的圖像邊緣,從檢測的結果來看,傳統(tǒng)的檢測算子對噪聲很敏感,從圖2(c)、(d)檢測結果來看,噪聲完全覆蓋邊緣;Canny、LoG對高斯噪聲有較好的去噪能力的二階微分算子對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)學形態(tài)學抗噪算子檢測的結果,在圖3(c)中,用的是一般的膨脹腐蝕型算子,可以看到相對于傳統(tǒng)的算子,檢測的結果連續(xù)性更好,能更好的去除噪聲。圖3(d)、(e)、(f)分別是多尺度,多結構和多尺度多結構去噪型算子,相對于普通膨脹腐蝕型檢測的結果更細膩,去除噪聲的能力更強。

雖然在圖像邊緣檢測領域有許多邊緣檢測算子,但它們都沒有絕對優(yōu)勢的方法,傳統(tǒng)的檢測算子檢測的精度不高,抗噪性能很差。數(shù)學形態(tài)學邊緣檢測去除噪聲性能較好,但是有時候定位精度有不夠,有些邊緣在檢測的時候變的模糊,即細化的功能不夠,這個和結構元素的選取有關系。可見,沒有一種通用的檢測算法來解決,只能在定位精度和去噪之間找某種平衡。所以無論哪種邊緣檢測算法都存在不同類型的缺陷。

4 結論

該文主要是對數(shù)學形態(tài)學在含有噪聲的圖像上現(xiàn)有算法進去較為詳細的分析和闡述,并比較了各種算法的特點。并在仿真中和傳統(tǒng)的檢測算法結果進行比較。實驗表明,數(shù)學形態(tài)學在去除噪聲的同時,也能很好的解決圖像的邊緣連續(xù)問題,本文最后給出的多尺度多結構算法,不僅能濾除噪聲還能很好的定位圖像邊緣,可見數(shù)學形態(tài)學邊緣檢測算子是一種很好的邊緣檢測工具。

參考文獻:

[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)學結構元素在圖像邊緣檢測中的應用[[J].云南大學學報:自然科學版,1999,21(5):392-394.

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

濾波器去噪原理和基本方法范文第4篇

關鍵詞：虛擬無線電；　超高頻；　射頻識別；　讀寫器；　電子標簽

中圖分類號：TN9234 文獻標識碼：A 文章編號：1004373X（2012）22002304

近年來，隨著多核CPU的出現(xiàn)與應用，個人計算機在計算能力和性能上大幅度提高，在某種程度上可以與傳統(tǒng)的專用數(shù)字信號處理器媲美，因此在一臺計算機上設計通用的軟件無線電平臺已成為一種可能。研究基于多核PC的軟件無線電平臺，能夠在在一臺計算機上實現(xiàn)多種通信協(xié)議，而且易于開發(fā)和軟件升級，無論從開發(fā)者角度講，還是從用戶角度講，都極大地方便了各自的工作和體驗，具有重要的研究價值和商業(yè)應用價值。虛擬無線電是一種真正意義上的軟件無線電［1］。它采用高性能的模/數(shù)和數(shù)/模轉換器，對寬帶射頻信號直接進行變換，　所有無線電功能用運行于工作站或個人計算機上的應用程序來實現(xiàn)。虛擬無線電技術主要有如下特點［2］：易于實驗；開發(fā)快捷；與其他應用結合；改進功能實現(xiàn)。無線射頻識別技術（Radio　Frequency　Identification，RFID）是一種非接觸的射頻識別技術，其基本原理是通過射頻信號與空間耦合傳輸特性，實現(xiàn)對被識別物體的自動識別［3］。現(xiàn)有的RFID讀寫器一般采用ASIC，DSP，F(xiàn)PGA或ARM對基帶信號進行處理，此方法處理基帶信號方法不靈活，且需要設計人員掌握每種嵌入式系統(tǒng)的開發(fā)方法，因此技術門檻比較高，開發(fā)周期較長。隨著通用計算機性能的不斷提高，使得基于通用處理器實現(xiàn)通信系統(tǒng)成為可能，根據虛擬無線電的上述特點，本文提出了基于虛擬無線電實現(xiàn)RFID讀寫器的方案。

1　RFID系統(tǒng)結構與工作原理

常見的RFID系統(tǒng)［4］包括4部分：標簽、天線、讀寫器和控制器（即PC主機）組成。如圖1所示。

圖1　基本的RFID系統(tǒng)RFID系統(tǒng)的工作原理為讀寫器通過天線發(fā)出含有信息的一定頻率的射頻信號，當標簽進入讀寫器的識別區(qū)域內，標簽周圍形成電磁場，其天線通過耦合產生感應電流，從而獲得能量激活內部微芯片電路。此時標簽根據讀寫器發(fā)出的信息決定是否響應，即是否反向散射數(shù)據；需要響應時，標簽通過天線將存儲在標簽中的信息轉換成電磁波，然后發(fā)送給讀寫器；讀寫器接收到標簽反射的信號時，將信號進行解調和解碼，識別出標簽反向散射的數(shù)據，然后通過標準的網絡接口傳送給控制器；控制器根據邏輯運算判斷該標簽的合法性，針對不同的設定對這些數(shù)據進行管理和控制。

按照讀寫器發(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。其中，超高頻RFID系統(tǒng)一般采用電磁反向散射原理來實現(xiàn)讀寫器和電子標簽之間的通信過程。

本文介紹的基于虛擬無線電實現(xiàn)的RFID讀寫器符合ISO/IEC　180006C標準［5］。ISO/IEC　180006C標準是信息技術領域關于超高頻RFID技術的空中通信技術標準。該標準采用開放的體系結構，充分考慮了標簽低處理能力、低功耗和低成本要求，在射頻頻段選擇、物理層數(shù)據編碼及調制方式、防沖突算法、標簽訪問控制和隱私保護等技術方面采取了一系列改進；其中，讀寫器到標簽的前向鏈路的調制方式為ASK，采用PIE編碼，標簽到讀寫器的反向鏈路的調制方式為ASK或PSK，采用FM0編碼或者Miller編碼，并對傳輸數(shù)據采用差錯控制編碼技術（CRC16校驗）。本文介紹的讀寫器到標簽的前向鏈路采用ASK調制方式和PIE編碼，標簽到讀寫器的反向鏈路采用ASK調制方式和FM0編碼。

2　基于虛擬無線電實現(xiàn)讀寫器的方法

2.1　讀寫器的結構

該讀寫器的結構如圖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。主控部分：主控部分選擇通用PC，標簽識別層數(shù)據處理和基帶信號處理在PC中完成，通過PCIe接口和邏輯控制模塊連接；FPGA邏輯控制模塊：主要負責有AD/　DA控制、RF切換、功放、發(fā)送和接收數(shù)據控制的功能；射頻前端模塊：其中射頻收發(fā)功能采用LMS6002D芯片實現(xiàn)，該芯片集成LNA/PA驅動、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。

圖2　讀寫器的結構2.2　工作流程

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

讀寫器發(fā)送指令的工作流程：

（1）　應用層程序發(fā)出調用標簽識別層模塊的命令，標簽識別層模塊產生要發(fā)送的訪問標簽的指令，并將指令送至基帶處理模塊；

（2）　基帶處理模塊對標簽識別層指令進行編碼調制，生成基帶信號，基帶信號分成I，Q兩路通過PCIe接口傳入FPGA的FIFO；

（3）　FIFO中的數(shù)據被打包成串行基帶信號送至射頻前端模塊；

（4）　串行基帶信號進入射頻前端模塊經過DA變換、功率放大、上變頻后被調制到超高頻頻段，然后送至帶通濾波器進行濾波；

（5）　濾波以后，信號被送至功率放大器放大，然后送至天線發(fā)送出去。

讀寫器接收標簽反向散射的數(shù)據信息的工作流程：

（1）　標簽接收到讀寫器發(fā)來的信號，獲得能量被上電激活，開始執(zhí)行讀寫器命令，并進行判斷是否需要應答，需要應答時，將應答信息以反向散射方式通過天線送至射頻前端模塊；

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

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

（4）　基帶信號處理模塊對接收到的數(shù)字基帶信號進行解調，將結果傳遞給標簽識別層；

（5）　標簽識別層根據接收到的標簽反向散射的數(shù)據進行CRC校驗，解出標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　主控部分軟件設計

系統(tǒng)的主控部分為PC，結構圖如圖2讀寫器的結構圖左邊部分所示。主控部分的工作主要包括：完成基帶信號處理、標簽識別處理和驅動層與應用層的數(shù)據通信。

工作原理：啟動時，通過PC配置射頻參數(shù)，射頻參數(shù)存入緩沖區(qū)寄存器中，初始化內存；應用程序發(fā)出對標簽的應用功能指令，該指令通過應用程序接口調用標簽識別處理模塊，標簽識別處理模塊發(fā)出相應的指令給基帶處理模塊，基帶處理模塊對指令進行編碼調制形成基帶信號，通過PCIe接口將基帶信號發(fā)送給射頻板；主控部分通過PCIe接口接收射頻板傳送來的基帶信號，基帶處理模塊對基帶信號進行解調，形成標簽反向散射的指令格式，傳至標簽識別處理模塊，標簽識別處理模塊對指令進行相關CRC校驗對做出相應的響應。軟件流程如圖3所示。

為防止多個標簽同時響應，讀寫器發(fā)送的Query指令中令Q不等于0，Q為（0～15），標簽接收到Query指令后，會選擇（0～2Q-1）給Slot　Counter，當Slot　Counter=0時，標簽反向散射數(shù)據，Slot　Counter不為0時標簽不響應，如果標簽無響應，則連續(xù)發(fā)送QueryReq，每發(fā)送一次QueryReq，標簽的Slot　Counter的值會減1，直到Slot　Counter=0，標簽響應為止。其流程圖如圖4所示。

接收端算法：接收端接收的信號為（A/2）g（t），經過I/Q兩路解調、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，當接收信號的相位和本振信號的相位相差θ為90°或者0°，則接收到的信號（A/2）g（t）sin　θ或（A/2）g（t）cos　θ可能始終為0，即有用信號沒有解調出來。為了避免射頻場中存在的盲點，系統(tǒng)接收端采用兩路正交混頻結構［6］，即：（（A/2）g（t）sin　θ）2+（（A/2）g（t）cos　θ）2=

（A2/4）g2（t）

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

對于本方案，接收端基帶信號處理在PC中完成，PC中接收到的I，Q兩路的數(shù)據存在一個數(shù)組RECEIVE［N］中，針對接收端算法的具體實現(xiàn)步驟如圖5所示。

圖5　接收端算法實現(xiàn)步驟（1）　首先解調出I，Q兩路信號。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)據所在數(shù)組的大小

（2）　求接收信號的均值，即求信號的直流分量

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，找到同步點

在該系統(tǒng)中，標簽反向散射的數(shù)據有加短前導Frame_Sync和長前導Preamble兩種形式，讀寫器發(fā)送的Query指令中的TRext位決定了標簽反向散射的數(shù)據的前導形式，本方案中標簽反向散射的數(shù)據采用加前導Preamble的方式。

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

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，此時假設i=k

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

//Data_Length為標簽反向反射的數(shù)據去掉前導后的長度

以讀寫器發(fā)送Query指令為例，在采樣率為10　MHz，標簽反向鏈路頻率為200　kHz時，標簽響應時反向散射信號Preamble+RN16（16位隨機碼），通過上述過程，解調出數(shù)據如圖6所示，顯示方式為：數(shù)據以兩路A，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的采樣點數(shù)

B=RN16（1，2：2：N）；

圖6　做相關后的RN16（5）　解調標簽反向散射的數(shù)據

根據射頻部分的采樣率和標簽反向散射數(shù)據的調制方式，對0和1進行編碼調制，生成0和1的本地基帶信號，將其與接收的數(shù)據進行相關，并進行判斷，解調出標簽反向散射的數(shù)據。

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　RECEIVE_d為0；Cor_1大時　RECEIVE_d為1

對圖6中的數(shù)據進行解調得出此次標簽反向散射的隨機數(shù)為：1101　0001　0100　0011。

4　結　語

本文提出的基于虛擬無線電的RFID讀寫器的實現(xiàn)方案，從系統(tǒng)級角度對基于虛擬無線電的RFID讀寫器的硬件平臺及主控部分進行了闡述，并對接收端算法進行了研究與實現(xiàn)。虛擬無線電技術易于實驗、開發(fā)快捷、與其他應用結合、改進功能的特點，使得基于虛擬無線電的超高頻RFID讀寫器具有靈活處理基帶信號、支持開發(fā)多種協(xié)議的優(yōu)點。實踐結果表明，基于虛擬無線電實現(xiàn)超高頻RFID讀寫器的方案具有可行性。

參　考　文　獻

［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］　張麗.虛擬無線電接收機的實現(xiàn)與算法研究［D］.西安：西安電子科技大學，2007.

［3］　FINKENZELLER　K.射頻識別（　RFID）技術：無線電感應的應答器和非接觸IC卡的原理與應用［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：　＼[s.n.＼]，　2007.

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

［6］　陳逆，張春，王敬超.超高頻RFID讀寫器基帶處理器的設計［J］.半導體技術，2009，34（4）：370374.

［7］　唐志軍，席在芳，詹杰.無源反向散射RFID系統(tǒng)識別距離的影響因素分析［J］.計算機工程與應用，2011（8）：9597.

濾波器去噪原理和基本方法范文第5篇

朱炯，北京電影學院攝影學院副教授。

雖然數(shù)字技術應用到攝影領域已經有十多年的時間，但是國內攝影界對數(shù)字技術的研究和探討還處于初級階段，雖然廣大的攝影愛好者幾乎全部拿起了數(shù)碼相機，但他們對數(shù)字技術的理解和認知卻急待提高。為此，《數(shù)碼攝影》雜志請北京電影學院副教授朱炯老師開設了專欄“數(shù)字革命”，用通俗易懂的語言和文字來解讀數(shù)字技術中的原理和技巧，希望能讓影友學習到實用的知識和經驗。

數(shù)字影像是整個攝影領域的一場技術革命。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銀鹽影像。不僅如此，重要的是數(shù)字影像產生了一系列新的攝影技術用語、方法及技術標準來控制影像品質，形成數(shù)字影像的技術體系。同時數(shù)字影像的技術手段也帶來了攝影方式及視覺文化傳播的新特色。攝影產業(yè)是研發(fā)數(shù)字影像的重要推動力，同時也在這場攝影技術革命中承受著顛覆性的變革。在新舊技術的較量過程中，大型攝影器材企業(yè)全球大洗牌，新興攝影產業(yè)應運而生。但是在這個欄目開始之初，我還是想先告訴大家，數(shù)字影像存在三個不可回避的缺陷。

噪點與雜色

什么是噪點：

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

噪點與顆粒形成原因的比較：

數(shù)字影像中的噪點和銀鹽影像中的顆粒有相似之處，都在高感光度畫面中出現(xiàn)。但數(shù)字影像還會在長時間曝光情況下出現(xiàn)，當設置為低感光度、長時間曝光的噪點很明顯。數(shù)字影像在后期銳化過程中會產生噪點。在影像中噪點和顆粒的視覺質感不同，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程中產生噪點。但由于廠家設計能力的不同，CCD/CMOS的面積尺寸不同，其計算和形成數(shù)字文件的方式決定了數(shù)字影像噪點產生的強弱多少。數(shù)字影像的噪點比銀鹽影像的顆粒更容易產生，在于數(shù)字相機影像傳感器一般比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，基本分為三個步驟。首先是數(shù)字相機自身的除噪能力提高，這是相機生產廠家的工作，能夠在高感光度（ISO800-1600）下生成低噪數(shù)字影像越來越成為數(shù)字相機的一項重要技術性能。其次是在拍攝時，選擇影像傳感器面積大的相機，在一定的曝光時間范圍內選擇低感光度拍攝，選擇高品質文件存儲格式都可以有效降低暗部噪點。最后是在計算機后期圖形圖像軟件中進行降噪操作，如采用Photoshop等軟件，按照色彩通道逐一柔化噪點等方法。

摩爾紋

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

數(shù)字相機拍攝有密紋的紋理時，畫面中常常出現(xiàn)人眼視覺觀察景物時看不到的彩色水波樣條紋，這就是摩爾紋。摩爾紋會出現(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)不會產生的。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平面，在記錄相同線條規(guī)則排列的平面時產生錯位。

Moiré 一詞出自法文，1570 年前后被用來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 年這個字被用來說明規(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。計算機屏幕或電視在顯示密集條紋時也會出現(xiàn)摩爾紋，甚至如果你將數(shù)碼相機對準電視屏幕以非垂直的角度拍攝，你也會發(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)字影像技術處于發(fā)展階段，有很多不成熟的地方。目前數(shù)碼相機廠家對此從設計環(huán)節(jié)上進行解決，通常會在影像傳感器前安裝低通濾波器，改變信號的頻率來去除條紋的產生，或者在鏡頭前加防鋸齒濾鏡，但會在一定程度上降低畫面銳度。已經生成摩爾紋的影像可以通過軟件在電腦后期對其進行消除。

紫邊

數(shù)碼相機成像的另一個缺陷，是在拍攝高反差的景物時，明暗交界的邊緣部分會出現(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)碼相機成像的紫邊效果更為突出，這是因為影像傳感器面積小以及數(shù)碼相機內部信號處理方法的缺陷所導致的。相機鏡頭的色散情況也是影響紫邊形成的一個因素。廣角鏡頭邊緣光線傾斜入射到CCD/CMOS上，破壞了傳感器要求光線垂直入射的條件，這都經常會強化紫邊的效果。影像中紫邊的產生，是數(shù)碼相機結構和工作原理所致。使用數(shù)字鏡頭，這是廠家專門為解決數(shù)字影像成像缺陷而設計的鏡頭，就可以有效地減少紫邊現(xiàn)象。另外，拍攝時采用RAW格式，然后在Photoshop或其他圖像軟件中進行后期處理，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)字影像技術的進步是以一種數(shù)字倍率的速度進行著。二十一世紀初，當數(shù)碼相機已經在中國新聞媒體業(yè)普及的時候，攝影師考慮選擇數(shù)字影像文件的存儲格式、文件大小等問題的標準都與今天完全不同。例如RAW格式的使用只是在這兩三年來才被重視。數(shù)字影像技術能力在現(xiàn)階段還有很多問題甚至缺陷，噪點、摩爾紋和紫邊就是典型代表。噪點問題可以跟銀鹽影像中的顆粒問題相對應，但是其產生原因和解決辦法卻大相徑庭。摩爾紋和紫邊完全是數(shù)字相機的成像缺陷，它們成為現(xiàn)階段人們對數(shù)字影像能力懷疑的重要因素。不過，如果我們對比銀鹽影像發(fā)展的同等歷史階段，在19世紀末，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，完全不是二十世紀九十年代成熟期的影像視覺狀況。事實已經證明，數(shù)字影像的缺陷隨著技術的飛速發(fā)展已經得到了很大的解決。在現(xiàn)階段，解決影像缺陷的工作更多的是在改進數(shù)字相機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)字影像品質的控制方式，是規(guī)范化前期拍攝技術，強化后期影像技術處理能力。數(shù)字影像在成像時的編碼特性，為后期電腦處理提供了基本的平臺。目前數(shù)字影像在生成時的各種問題，大多可以在計算機上進行處理。也就是說，即便是數(shù)字技術發(fā)展不成熟的今天，數(shù)字影像后期處理的能力也已經可以彌補其不足，例如專業(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，都給我們一個明顯的提示，即數(shù)字影像具有巨大的后期處理空間。