图像在获取和传输过程中，不可避免地会受到噪声污染，致使图像质量下降，严重影响了后续图像处理工作(如图像超分辨率、图像分割、图像识别、特征提取等。 为了提高图像质量，为后续图像处理提供更可靠真实的图像，对图像进行去噪处理就成为图像处理中一项基础而重要的研究工作。图像去噪的目的是根据观察到的降质图像估计恢复原始真实图像，即在去除噪声同时更好保持图像中的重要结构信息。研究如何更好保持图像的边缘、纹理等重要结构信息的图像去噪模型和算法具有重要的理论意义和实用价值。 本论文以刻画边缘和纹理的图像先验建模

目录 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主

第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主要步骤

针对纹理特征的方向无序性，提出了一种基于多向梯度模算子的快速算法。在图像预处理的基础上对亮度进行修正，消除亮度的非均匀性对纹理特征提取造成的干扰。利用多向梯度算子在局部区域运算确定梯度方向，并构建二维灰度梯度矩阵。最后，通过统计矩阵灰度信息建立分级模型。实验结果表明，该方法能较好地提取羽毛的纹理特征并进行分级，可以满足实时检测应用的需要。