毕业设计（论文）-基于Matlab的织物疵点检测系统

目录

摘要.........................................................................................................................1ABSTRACT..............................................................................................................1第一章绪论.............................................................................................................2第1.1节织物瑕疵检测简介..............................................................................2第1.2节图像处理技术......................................................................................4第1.3节本文的主要内容以及章节安排..........................................................6第二章基础知识.....................................................................................................7

第2.1 节MATLAB 的介绍................................................................................7第2.2 节图像处理工具箱和小波工具箱..........................................................8

第3.2节主要分析流程....................................................................................13第3.3节基于小波变换的瑕疵检测过程........................................................14第四章总结...........................................................................................................21参考文献.................................................................................................................22致谢.......................................................................................................................23附录.......................................................................................................................24

摘要

在纺织品生产中，织物疵点检测是很重要的一个环节。本文在对图像处理技术以及织

物瑕疵检测特征值的提取方法一定理解基础上，借助Matlab中的图像处理工具箱和小波

分析工具箱,重点分析了织物瑕疵检测的过程。实验表明该方法可以识别简单的织物瑕疵。

关键词：织物瑕疵检测 图像处理 小波变换

Abstract

Fabricdefect detection plays an important part in the production process of

thefabric. In this paper, on the basis of understanding of imageprocessing

technology and the method of character extraction for the fabric defects,the process of fabric defect detection is analyzed with the help of image processing toolbox and wavelet toolbox in Matlab. The experiments show that this method can

论文

第一章绪论

第1.1节 织物瑕疵检测简介

一、 织物瑕疵检测的背景及意义
在纺织品生产中，织物的瑕疵检测是质量控制的一项重要内容，而织物疵点又是检验的重点.在现代科学技术的推动下，纺织行业的生产效率有了大幅提高，但织物疵点检测却依然停留在人工检测阶段。由于该方法存在检测速度低、误检率和漏检率高、检验结果受人员主观因素影响大等缺点，织物疵点的检测技术已成为当今制约纺织行业进一步发展的“瓶颈”。而根据我国国情和纺织业的实际情况，研究并开发适合我国纺织工业情况的

疵点自动检测系统，对提高纺织品的质量、增强出口竞争力，兼具重要的社会和经济意义。 自20 世纪70 年代初，国内外的研究人员开始注重织物疵点检测技术，到90 年代后期二、 国外织物瑕疵检测技术的发展现状

织物疵点自动检测系统的开发给予了理论指导。并且国外研究人员通过对计算机理论、模式识别、自动控制理论的深入研究和综合运用，推出了织物疵点检测的商业化产品，如以色列埃尔博特(EVS)公司的I-TEX验布系统[2]、瑞士Uster公司Fabriscan自动验布系统和比利时BARCO公司的验布系统。但真正适用于实际生产并被市场接纳的并不多，市场主要占有者为以色列的EVS公司。

三、国内织物瑕疵检测技术的发展现状
国内对于织物疵点自动检测也进行了大量的研究，如东华大学、华中科技大学、浙江理工大学、苏州大学等学校的学者对此都有比较深入的研究，在对图像的识别上已经取得了很好的成果，但鲜有成熟的自动检测系统出现。因此，织物疵点的自动检测是近年来国内外学者共同关注和研究的热门课题之一。

四、 织物瑕疵的种类 织物瑕疵的种类有很多，如叉绞(如图1.1)、缺经(如图1.2)、跳梭(如图1.3)和带纬(如 图1.4)和坍纬拔出(图1.5)等等。

论文

图1.1叉绞 图1.2缺经

图1.5坍纬拔出

论文

第1.2节 图像处理技术

所谓计算机图像处理是指将图像信号转换成数字格式，并利用计算机对其进行处理的过程。其内容是十分丰富的，包括数字图像变形技术、图像的傅立叶分析技术、图像的平滑处理、图像的锐化处理、图像分割、边缘检测、形状描述、形态学分析、图像压缩编码、彩色图像处理等等。计算机图像处理可以直观地对图像进行变换，这一新兴的技术已在各行业中得以广泛应用。

近10年来，数字图像处理技术的发展进一步深入、广泛和迅速，人们已充分认识到图像处理技术是认识世界、改造世界的重要手段之一。图像信息处理技术已广泛应用于许多社会领域，如工业、农业、国防军事、社会、科研、生物医学、通信邮电等等。因此把图像处理应用于织物疵点的识别是有基础和前景的，事实证明也是可行的。

一般来讲，基于图像处理的疵点检测过程为采集织物图像、图像预处理、图像分析和疵点检测分类等阶段，包括训练或学习过程和检测过程(如图1.6所示)，织物疵点检测的

核心技术是图像特征值的提取。 待检测图像预处 理 练 物 图 特 图 图 像 征 像 神经网络分类器 像 处 提 预 采 理 取 处 集 检测分类结果 理

统计结果

图1.6织物瑕疵自动检测和分类的工作过程
目前提取方法有：灰度共生矩阵法、Markov随机场法、灰度直方图统计法、灰度匹配法[3]、二维傅立叶变换法、Gabor变换法和小波变换法。

灰度共生矩阵法[4]——用灰度等级共同发生矩阵提取织物组织图像中织物疵点特征参数，来评价织物疵点种类。灰度共生矩阵中可得出的纹理特征系数有以下几种：角二阶
矩，反映了图像灰度分布均匀程度和纹理粗细度；对比度，反映了图像的清晰度和纹理的
沟纹深浅；熵，它度量图像纹理的随机性，熵的最大值暗示图像中灰度分布非常随机；逆

论文

差矩，它度量图像纹理局部变化的多少。还有和熵、熵、差平均、差方差等特征值。此方法是分析纹理结构的基本方法，不足之处是计算量非常大，不适宜在线高速织物疵点检测。

Markov随机场法[4、5]——通过对正常织物图像的分析，得出织物纹理的MRF(Gauss-MarkoRandomField)参数，作为特征值用于检测。不足之处在于仅仅通过随机场模型并不能最大限度地降低图像分析的计算复杂度和提高图像处理的速度，因而还不能实现织物疵点的快速自动检测。Cohen等人使用的统计纹理模型(高斯马尔可夫随机场)于牛仔布和地毯疵点的检测中。

灰度直方图统计法[]4、5、6]——运用织物图像的直线纹理特征，由概率统计生成直方图，有效的提取织物图像的特征波形，和无疵点的织物图像进行比较能确定织物纹理结构的异常位置，正确识别织物疵点。该识别算法原理简单、运算快捷、可靠稳定，且适应性强但并不能识别所有类型的疵点。

灰度匹配法[5、6]——选择一个标准的织物图像作为摸板，先把待检图像与模板相减，再通过一个低通滤波器，通过统计残余图像的灰度分布情况得出特征值。这种方法比较简洁，但它对外界条件要求高，不足之处是必须保证无疵点图像与摸板是一致的。如Takoto

spatial－frequency)的分析能力。它的缺点是对域值的选取很敏感，误检率较高，并傅立叶变换法[7、8]——这种方法具有空域定位能力，具有空频域结合(joint 等人研究的一种灰度匹配算法。 该滤波器对待检图形进行处理，在得到的图像中疵点图像被增强，而正常纹理图像被减弱. 且计算量很大。

最后通过图像阈值化得到疵点的位置和形状信息。

小波变换法[9]——小波变换具有时间-频率都局部化的特点，适合进行图像空域和频域的多分辨率分析。小波变换能更有效的从图像中提取出信息，并且可通过缩放、平移等对图像进行多尺度细化分析处理，最终达到高频部分的空间细分、低频部分的频率细分，从而实现对图像的自适应的分析，甚至可以根据需要而聚焦到图像的任意细节。小波变换综合了泛函分析、傅立叶分析和数值分析等理论的优点，是纯粹数学和应用数学完美结合的又一个成功范例，解决了以前许多由傅立叶变换无法实现的难题，在工程界被公认是继傅立叶变换后又一个里程碑的发现。小波变换有灵活性强，适应范围广，并且容易实现的优点，但其缺点是小波变换不提供具体的频率信息，它只是在不同的尺度上提供信号的细节。如东华大学的黄秀宝等研究的利用了二维连续小波变换方法和基于织物自适应正交小波的方法来检测织物疵点。

论文

第1.3节 本文的主要内容以及章节安排

本文在了解织物瑕疵检测的相关知识、掌握织物瑕疵检测主要技术基础上，重点研究了小波变换在织物瑕疵检测中的应用。

本文的内容安排如下：
第一章：绪论，介绍织物瑕疵检测的背景、意义、国内外的发展现状和图像处理的相关知识。

第二章：相关基础知识简介，简单介绍Matlab、图像处理工具箱、小波工具箱。 第三章：基于小波变换的织物瑕疵检测，通过实验具体分析小波变换在瑕疵检测中的应用。

第四章：总结，总结本次实验中成果、出现的问题以及自己的心得。

论文

第二章基础知识

第2.1节 MATLAB的介绍

Matlab语言是由美国MathWord公司推出的计算机软件，经过多年的逐步发展与不断完善，现已经成为国际公认的最优秀的科学计算与数学应用软件之一。Matlab之所以成为世界流行的科学计算与数学应用软件，是因为它有着下列强大的功能[

9]：

(1)高质量、强大和值计算功能
为满足复杂科学计算任务的需要，Matlab汇集了大量常用的科学和工程计算算法，从各种函数到复杂运算，包括矩阵求逆、矩阵特征值、工程计算函数以及快速傅

(2) 数据分析和科学计算可视化功能立叶变换等。 经常需要分析大量的原始和数值计算结果，MA (4) 较强的开放性和可扩展性

M-文件是可见的Matlab程序，所以用户啊可以查看源代码。开放的系统设计使用户能够检查算法的正确性，修改已存在的函数，或者加入新部件。

(5) 特殊应用工具箱
Matlab的工具箱加强了对工程科学中特殊应用的支持。工具箱也和Matlab一样是完全用户化的，可扩展性强。将某个或多个工具箱与Matlab联合使用，可以得到一个功能强大的计算组合包，以满足特殊需求。

论文

第2.2节 图像处理工具箱和小波工具箱

Matlab工具箱(MatlabToolbox):为了支持不同的专业领域的用户，Matlab还提供了大量的面向专业领域的工具箱。使用Matlab语言和Matlab工具箱，用户可以专注

于算大研究，编程只需要几行就可以完成，而且可以很快画出图形，从而迅速地进行多种

算法的比较，从中找到最好的方案。Matlab工具箱中的大多数函数都是通过M文件编写

的，用户可以查看其中的源代码，通过适当的修改，便可以形成自己的特殊算法。

一、Matlab中的图像处理工具箱
图像处理工具箱[9、10、11](ImageProcessing Toolbox)包括：二维滤波器设计和

滤波、图像恢复增强、色彩、集合及形态操作、二维变换、图像分析和统计。

相关的函数主要有：

（1）Imshow：显示图像。

其语法格式为： Imshow(I,n); Imshow(I,[low high]);

（2）Imread：从图像文件中读取图像。

其语法格式为：

A=imread(filename,fmt);
[X,map]=imread(filename,fmt);
[…]=imread(filename);
[…]=imread(…,idx)(TIFTonly);
[…]=imread(…,ref)(HDFonly);
（3）rgb2gray：转换RGB图像或颜色映像表为灰度图像。

其语法格式为：

I= rgb2gray(RGB);

newmap = rgb2gray(map);（4）imhist：显示图像的直方图。 其语法格式为：

论文

Imhist=(I,n);
Imhist=(X,map);
[counts,x]=imhist(RGB);
（5）Colorbar：用该函数来给坐标轴添加色彩条。色彩条用来指示图像中不同颜色所对

因的数据值。

其语法格式为：

Colorbar在当前的figure中添加或修改（已存在）色彩条，并调整坐标轴到合适的

位置以适应色彩条；

Colorbar（…，‘peer’,axes_handle）创建一个关联于axes_handle坐标轴的

色彩条。

二、Matlab中的小波工具箱
小波工具箱[12、13](WaveletToolbox)[5]包括：基于小波的分析和综合、图形界

面和命令行接口、连续和离散小波变换及小波包、一维及二维小波、自适应去噪和压缩。

相关的函数主要有：

（1）Dwt2：该函数为单层二维离散小波变换。 其语法格式为： [cA,cH,cV,cD]=dwt2(X,’wname’) 计算图像X 指定小波基的单层二维离散小 [cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D) 以指定的低通滤波器Lo_D 和高通滤波

器Hi_D计算图像X的二维小波分解。

（2）Wavedec2：该函数为多层二维离散小波分解。

其语法格式为：

[C,S]=wavedec2(X,N,’wname’)用指定的小波基计算图像X的N层二维离散小波分解。参数N为正整数。输出结构中包括小波分解数据矩阵C和相应的标记矩阵S。

[C,S]=wavedec2(X,N,Lo_D,Hi_D)Lo_D和Hi_D分别是分解的高通滤波器

和低通滤波器。

（3）Appcoef2：用来提取二维信号小波分解的近似系数。

其语法格式为：

A= Appcoef2(C,S,’wname’,N) 从多层小波分解结构[C,S]中提取第N层的近
似系数。参数‘wname’为采用的小波名称。当N省略是，表示提取最高层近似系
数。

论文

A=Appcoef2(C,S,Lo_D,Hi_D) Lo_D和Hi_D分别是分解的高通滤波器和低

通滤波器。

（4）Detcoef2：用来提取信号分解的细节系数。

其语法格式为：

D=Detcoef2(O,C,S,N)从小波分解结构中提取水平、垂直、对角等细节系数。N必须为整数，形如：0≤ N≤ size(s,1)-2。

[H,V,D]=Detcoef2(‘all’,C,S,N) 返回水平细节系数H、垂直细节系数V和对角细节系数D（N层）。

（5）Wcodemat：该函数为扩展的伪彩色矩阵比例。

其语法格式为：

Y=Wcodemat(X,NBCODES,OPT,ABSOL)返回输入矩阵X的编码(ABSOL

=0 时)或返回ABS(X) （ABSOL

≠

0 时）。

Y=Wcodemat(X,NBCODES，OPT)等价于Y=Wcodemat(X,NBCODES，OPT，1);Y=Wcodemat(X)等价于Y=Wcodemat(X,16,‘mat’,1)。

论文

第三章基于小波变换的织物瑕疵检测

第3.1节 二维小波变换

二维离散小波变换[14]是从原始信号s开始在每个层次之分解上一层次的近似系

数，与一维小波变换不同的是，在对每个进行分解的时候，需要在两个维度分别作用

两次滤波器。这样就得到如下四组系数

[

cA i

,

cD i H

,

cD i V

,

cD i D

]

,其中，

cA i

是第层的近似

系数，是低通滤波器在两个维度上作用得到的，

cD i H

,

cD i V

,

cD i D

分别叫做水平细节系

数、垂直细节系数和对角细节系数，

cD i H

是在横向用低通、纵向作用高通滤波器的结

果，

cD i V

是在横向用高通、纵向低通滤波器的结果，

cD i D

是在两个维度都用高通滤波

器得到的细节系数。在处理二维信号的过程中，需要分别去除横向的、纵向的和两个方向的关联信息，那么就生成了一组近似系数和三组细节系数。分解层析图如图3.1所示，二维小波变换的算法如图3.2 所示。 图3.1 二维小波变换的二层分解示意图

论文

（1）Dwt2：用于二维信号的单层分解。

（2）Wavedec2：用于二维信号的多层分解。

在Wavedec2中，分解后各个系数的排列规则如图3.3所示。

论文

c

An

c

H n

c V n

c

Dn

c

H n 1

c V n 1

c

Dn 1

c

An

c

An

c

An

32

32

x

32

32

256

256

256

256

图3.3Wavedec2在N层后的系数存在

C的排列方式：C=[A(N)|H(N)|V(N)|D(N)|…H(N-1)|V(N-1)|D(N-1)|…

H(1)| V(1)|D(1)|，其中，A 是近似系数，H 是水平细节系数，V 是竖直细节系
数，D 是对角细节系数。 矩阵S 的形式：

第3.2节 主要分析流程

1、图像获取：在Matlab中通过读函数imread和显示函数imshow把已知的图片显示出来。

2、灰度图像转换:通过函数rgb2gray把彩色图像转变成灰度图像：提出了一种对彩色图像进行有选择灰度化的方法，并采用Matlab实现了该算法。该方法可以将选中的任意颜色灰度化为黑色，而与该颜色距离越远的颜色，其灰度值越高。利用该方法可以较好

地提取出彩色图像中不同颜色所反映的信息，便于基于颜色的图像信息传输和处理。 3、小波变换:通过小波变换函数wavedec2对图像做小波分解，也就是求得图像的每
个象素在四个方向上的系数，作为四幅子图像的灰度值。采用函数appcoef2和detcoef2
将四个方向上的系数提取出来。

论文

4、区域划分:由于这次设计中涉及的织物瑕疵是分布在水平方向和垂直方向上的，所以只需要分析这两个方向上的子图象,这两个子图象划分为3*3的区域。

5、量化:求取每个区域的灰度累加和，考虑噪声影响，对小于100的值作归零处理。6、疵点识别:量化后对经度纬度两幅子图像分别求3*3区域的平均值，判断大于平均值20%的区域为检测存在问题。表达为“X”，没有问题的区域表示为“O”。

a.定义经度子图像中，中间竖排三个区域全部为“X”的情况为叉绞或缺经。b.定义经度子图像中，中间横排三个区域全部为“X”的情况为跳梭。

c.定义纬度子图像中，中间横排三个区域全部为“X”的情况为带纬或坍纬拔出。其他情况视为正常织物。

第3.3节 基于小波变换的瑕疵检测过程

1、以叉绞及叉绞对应的正常图像为例,分析基于小波变换的瑕疵检测过程。

(1)通过函数获取织物叉绞图像及对应的正常图像,分别如图1.1和图3.4 所示:

图3.4叉绞对应的正常图像

在原始图片彩色效果上，凭肉眼是可以区分出叉绞和正常织品情况的。

(2)小波变换是建立在灰度图像基础之上的，而BMP图像读入内存后，都是彩色图片，所以需要做灰度化处理,结果如图3.5、图3.6所示:

论文

图3.5 叉绞的灰度图

图3.6 叉绞对应的正常图像的灰度图

(3)对图像做小波变换,可以分为四幅子图像。如下所示:

图 3.7 叉绞的灰度图经过小波变换 图3.8 对应正

常图像的灰度图经过
后得到的四个方向上的系数 小波变换后得到的四个方向上的系数

图3.7和图3.8中,左下一象限为低频系数，右下二象限是小波经度方向系数，左上三象限为小波纬度方向系数，右上四象限是小波高频系数。

(4)在检测算法中，只需要考虑小波变换后经度和纬度方向两幅子图像的情况，所以舍去低频系数和高频系数，然后对经、纬两个子图像划分为3*3共9个区域，如图3.9和图3.10所示。

论文

图3.9为把图3.7的经度和纬度方向的两幅子图像划分成3*3的区域

图3.10 为把图3.8 的经度和纬度方向的两幅子图像划分成3*3 的区域

图3.11计算图3.9中经度和纬度方向的两幅子图像每个区域的象素和

论文

图3.12计算图3.10中经度和纬度方向的两幅子图像每个区域的象素和

(6)瑕疵类型识别,如下图所示: 为异常的区域，用“X”表示;小于或者等于平均值的区域为正常区域,用“O”表示。根据

“X”的所在区域判别瑕疵的类型,如图3.13所示,右下二象限系数出现中间竖排连续异常

的情况，识别为缺经或者叉绞。而图3.14则识别为无瑕疵图像。

2、以带纬及带纬对应的正常图象为例,分析基于小波变换的瑕疵检测过程。

(1)通过函数获取织物图象带纬及带纬对应的正常图像,如图1.3,图3.15 所示:

论文

图3.15带纬对应的正常图像
(2)小波变换是建立在灰度图像基础之上的，而BMP图像读入内存后，都是彩色图片，所以需要做灰度化处理,结果如图3.16、图3.17所示:

图3.16带纬的灰度图像 图3.17带纬对应的正常图象的灰度图像

(3)对

图3.16和

图3.17 做依次

小波变换,可以

分为四幅		如下所示:

图3.18带纬的灰度图经过小波变换后得图3.19带纬对应正常图像的灰度图经过

到的四个方向上的系数 上的系数 (4)在检测算法中，只需要考方向两幅子图像的情况。对每个域。如下图所示:

小波变换后得到的四个方向 虑小波变换后，经度和纬度 子图像划分为 3*3 共9 个区

论文

图3.20 为把图3.18 的经度和		纬度方向的两幅子图像划分
成3*3 的区域,其他两幅子图像忽		略
图3.21为把图3.19的经度和纬		度方向的两幅子图像划分成

数的做累加和。(5)量化计算: 量化依据在每为避免噪声影响，个分块小区域中，将小波系滤掉了系数小于100 的值。3*3 的区域,其他两幅子图像忽略 结果如下图所示:
图3.22 计算图3.20 中经度和纬度		方向的两幅子图像每个区域
的象素和

论文

图		3.23 计算		图3.21 中经度
和纬度		方向的两		幅子图像每个
区域的		象素和		型识别,如下图
		(6)瑕疵类
所示:

论文

图3.24 图3.25
由图3.24中可知道,在左上三象限系数出现中间一横排连续出现异常,因此识别为带纬或坍纬拔出。而图3.25则识别为无瑕疵图像。

论文

第四章总结

通过查阅有关织物瑕疵检测的背景、意义及国内外的发展现状等相关文献，让我对织物瑕疵检测有了较深的理解。织物瑕疵检测的核心技术是图像特征值的提取，因此介绍了图像处理技术的主要类型以及这些技术的优缺点。有了这层了解，更有利于后面的研究工作。

本课题主要研究的是应用小波变换对图象进行分解,计算以及提取特征值,根据特征值判断瑕疵的类型。由于但由于自身的主观因素和方法的缺陷,使得做出的结果也只是初步的结论,不能进一步确定瑕疵的种类。

检测瑕疵的技术有许多，我们所做的工作只是对其中一种方法进行研究，至少到目前为止，小波变换是种比较有效的方法。随着计算机技术和数学理论的不断发展，将越来越多的技术综合应用于织物疵点的检测。我们借此良好开端对织物疵点检测知识客观化做些深入的研究。有利于以后研究出快速有效的检测方法，以较低成本的系统硬件，配以高质

方向。 量的检测软件，开发适应性强且稳定的检测系统应该是织物疵点自动检测这一领域的发展

论文

参考文献

[1]李立轻,黄秀宝. 图像处理用于织物疵点自动检测的研究进展[J]. 东华大学学

报:自然科学版,2002 , 28 (4) : 118-121.

[2]刘呈健,张贵彬.坯布自动检测系统简介[J]. 棉纺织技术,2005,33(3) :63-.

[3]孙远,周刚慧,赵立初等.灰度图像匹配的快速算法[J]. 上海交通大学学报,2000

,34 (5) : 702-704.

[4]王家文，李仰军著Mtlab7.0图形图像处理[M].北京：国防工业出版社，2004

[5]董长虹,赖志国,余啸海.Matlab图像处理与应用[M]. 北京:国防工业出版社,

2004.

[6]张远鹏，董海，周文灵.计算机图像处理技术基础[M].北京：北京大学出版社，

1996董长虹,赖志国,余啸海.Matlab图像处理与应用[M]. 北京:国防工业出版社,

2004. 31 (2) : 48～ 49. [7] 韩鸿哲, 李彬, 王志良等. 基于傅立叶描述子的步态识别[J ]. 计算机工程, 2005, [10] 董维过 编著.深入浅出Matlab7.x混合编程[M].北京： 机械工业出版,2005.

[11]徐飞，施晓红．MATLAB应用图像处理［M］．西安电子科技大学出版社，2002．

[12]董长虹,高志,余啸海.Matlab 小波分析工具箱原理与应用[M]. 北京:国防工

业出版社,2004.

[13]飞思科技产品研发中心.Matlab6. 5辅助小波分析与应用[M].北京:电子工业

出版社,2003.

[14]胡昌华，张军波，夏伟,张伟.基于Matlab的系统分析与设计——小波分析[M].

西安：西安电子科技大学出版社，2000

[15]秦前清，杨宗凯，实用小波分析[M].西安：西安电子科技大学出版社，2001

论文

致谢

我首先要感谢朱伟芳老师，本课题在选题及研究过程中得到了朱老师的悉心指导。朱老师多次询问研究进程，并为我指点迷津，帮助我开拓研究思路，精心点拨、热忱鼓励。朱老师一丝不苟的作风，严谨求实的态度，踏踏实实的精神，不仅授我以文，而且教我做人，给以终生受益无穷之道。对朱老师的感激之情是无法用言语表达的。感谢电子信息学院所有关心和帮助过我的老师们，你们的教诲使我终身难忘!

同时，还要感谢同班同系的所有同学，在四年的大学学习生活中，他们给了我巨大的帮助和鼓励。并对所有给予我关心和支持的同窗学友们表示真诚的感谢!

最后要感谢的是我的父母，他们不仅培养了我对中国传统文化的浓厚的兴趣，让我在漫长的人生旅途中使心灵有了虔敬的归依，而且也为我能够顺利的完成毕业论文提供了巨大的支持与帮助。在未来的日子里，我会更加努力的学习和工作，不辜负父母对我的殷殷期望！我一定会好好孝敬和报答他们！

2009 年5 月于苏大文正学院 俞天虹

论文

附录

程序1：
clearall;

[X,map]=imread('4a.bmp'); imshow(X,map); newmap=rgb2gray(map); [C,S]=wavedec2(X,5,'db1');

%打开原始图像 % X 包含原始图像信息 %map 包含打开的色图% 对图像X 执行二层分解，小波为db1

A=appcoef2(C,S,'db1',2);
D=detcoef2('d',C,S,2);
H=detcoef2('h',C,S,2);
V=detcoef2('v',C,S,2);

figure subplot(221) imshow(A,newmap) imshow(H,newmap)

title('水平细节系数')
subplot(223)
imshow(V,newmap)
title('垂直细节系数')
subplot(224)
imshow(D,newmap)
title('对角细节系数')

论文

程序2：
clearall;
[X,map]=imread('4a.bmp');
imshow(X,map);
newmap=rgb2gray(map);
[C,S]=wavedec2(X,5,'db1');
A=appcoef2(C,S,'db1',2);
D=detcoef2('d',C,S,2);
H=detcoef2('h',C,S,2);
V=detcoef2('v',C,S,2);
nbcol= size(map,1);
cod_X1= wcodemat(X,nbcol);
cod_cA1= wcodemat(A,nbcol);

cod_cH1 = wcodemat(H,nbcol); cod_cV1 = wcodemat(V,nbcol); cod_cD1 = wcodemat(D,nbcol);

title('近似细节系数')
subplot(222)
imshow(cod_cH1,newmap)
title('水平细节系数')
subplot(223)
imshow(cod_cV1,newmap)
title('垂直细节系数')
subplot(224)
imshow(cod_cD1,newmap)
title('对角细节系数')

count=0; for x=1:42:86 for y=1:42:86

论文

pixelSum=0;
fori=x:x+42
forj=y:y+42
pixelSum=pixelSum+int32(A(i,j));
end
end
count=count+1;
q(count)=pixelSum;
end
end
w(3,3)=0;
count=0;
forn=1:3
form=1:3

count=count+1; end w(m,n)=q(count);

论文