一种用于图像滤噪的Kalman滤波器设计【开题报告+文献综述+毕业设计】.Doc

PAGE I 毕业设计开题报告 电气工程与自动化 一种用于图像滤噪的Kalman滤波器设计 一、选题的背景与意义 卡尔曼滤波是一种最优递归数据处理运算法则。Kalman 滤波理论作为一种最重要的最优估计理论应用于各种领域，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。对于解决很大部分的问题，它是最优，效率最高甚至是最有效的。 在概念上，卡尔曼滤波器所做的是，对嘈杂环境中提供的数据进行最优估计，“最优”意味着在某些方面最大限度减少误差。 二、研究的基本内容与拟解决的主要问题： 本课题针对一副给定图像，用卡尔曼技术对图像的采用两种扫描方式进行滤波处理。由于一般来说图像象素与象素之间（或行与行之间）的相关性特别强，所以将这些元素作为状态变量建立状态空间函数，采用卡尔曼递归滤波方式进行噪音滤除。课题中图像处理部分将使用 MATLAB来实现算法。课题的结果将对给定含有噪声的图像设计一个卡尔曼滤波器对器滤噪，使滤波后的图像噪声减少程度要达到设计要求。 拟解决的主要问题： 给定下列不含噪声的图像，大小为m行n列。 首先对其加上噪声（高斯白噪）。 设计一个Kalman滤波算法，尽可能滤除这些噪声。 Kalman滤波算法中，考虑用两种变量，来作为状态变量： 以每一个象素，每行从左至右，然后每行从上至下扫描。 以每一行象素，从上至下扫描。 4.对去噪后的图像与带噪图像进行比较，算出信噪比。 三、研究的方法与技术路线： 图1.1描述了一个典型情况，卡尔曼滤波器可以有利得被使用。某一类系统被一些已知的控制和测量设备所驱动，这些测量设备提供了相关的数量值。这些输入输出信息是可以从物理系统中明确获得，并用于估计用途的。 控制系统误差源 控制 系统误差源 系统状态（期望的，但未知） 测量设备 系 统 测量误差源 观察到的 测量值 卡尔曼滤波器 系统状态的最优估计 现在需要一个滤波器已经很明显了。往往一些关键变量，和描述系统状态的有限数量值是不可能被直接测量的，所以从获得的数据推断这些值的方法必须被产生。举例来说，一个大气数据系统直接提供静态和皮托压力，来推断速度。这个推理是复杂的，事实上系统是由除了我们已知的控制和输入来驱动，而且各种状态，变量和测量输出之间的关系是被认为具有一定程度的不确定性。此外，任何测量都会伴随一些噪声，偏离和设备不精确，所以从一个带噪声的信号提取有价值的信息这一手段也必须被提供。也有一些不同的测量装置，每个都有其自己特殊的动态误差特性，即提供了一些信息对于某一特定变量，而且，以一种系统最优方式结合它们的输出，这是值得的。卡尔曼滤波器结合了所有可用的测量数据，加上事先系统和测量设备的信息，来产生一个期望值的估计，以这种方式使误差在统计学上减至最低。换句话说，如果我们选用其它和很多滤波器来进行同样的应用，然后卡尔曼滤波器的平均结果将会比其它任何滤波器的平均结果都要好。 研究本课题首先给定不含噪声的图像,对其加上噪声（高斯白噪）,然后设计一个Kalman滤波算法，尽可能滤除这些噪声,再然后在Kalman滤波算法中，考虑用两种变量来作为状态变量：1.以每一个象素，每行从左至右，然后每行从上至下扫描;2.以每一行象素，从上至下扫描。最后对除噪后的图像与带噪图像进行比较，算出信噪比. 四、研究的总体安排与进度： 2010年11月至2010年12月：查阅文献资料、撰写开题报告； 2011年02月至2011年03月：设计及实验； 2011年03月至2011年04月：撰写并提交毕业论文，做答辩准备； 2011年05月至2011年05月：毕业答辩。 五、主要参考文献： Brown, R. G. and P. Y. C. Hwang. 1992. Introduction to Random Signals and Applied Kalman Filtering, Second Edition, John Wiley Sons, Inc. Gelb, A. 1974. Applied Optimal Estimation, MIT Press, Cambridge, MA. Grewal, Mohinder S., and Angus P. Andrews (1993). Kalman Filtering Theory and Practice. Upper Saddle River, NJ USA, Prentice Hall. Jacobs, O. L. R. 1993. Introduction to Control Theory, 2nd Edition. Oxford University Press. 蒋志凯，数字滤波与卡尔曼滤波[M]，中国科学技术出版社，1993，3： 174-221.