第8章 图像平滑和锐化解析.ppt

第八章 图像平滑和锐化 8.1 图像噪声 　　任何一幅原始图像，在其获取和传输等过程中，会受到各种噪声的干扰，使图像恶化，质量下降，图像模糊，特征淹没，对图像分析不利。 　　噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。　　 图像噪声分类 按其产生的原因可分为：外部噪声和内部噪声。 从统计特性可分为：平稳噪声和非平稳噪声。 按噪声和信号之间的关系可分为：加性噪声和乘性噪声。 按其产生的原因 外部噪声：指系统外部干扰从电磁波或经电源传进系统内部而引起的噪声。 内部噪声： 由光和电的基本性质所引起的噪声。 电器的机械运动产生的噪声。 元器件材料本身引起的噪声。 系统内部设备电路所引起的噪声。 按统计特性 平稳噪声：统计特性不随时间变化的噪声。 非平稳噪声：统计特性随时间变化的噪声。 按噪声和信号之间的关系 　加性噪声：假定信号为S(t)，噪声为n(t)，如果混合叠加波形是S(t)+n(t)形式，则称其为加性噪声； 　乘性噪声：如果叠加波形为S(t)［1+n(t)］形式， 则称其为乘性噪声。 常见图像噪声 椒盐噪声的特征: 出现位置是随机的，但噪声的幅值是基本相同的。 高斯噪声的特征： 出现在位置是一定的（每一点上），但噪声的幅值是随机的。 高斯噪声 概率密度函数（PDF) 当z服从上式分布时，其值有70%在 ，有95%落在 范围内。 高斯噪声的产生源于电子电路噪声和由低照明度或高温带来的传感器噪声。 瑞利噪声 概率密度函数（PDF) 伽马噪声 指数分布噪声 均匀分布噪声 脉冲噪声 8.2 均值滤波 主要优点：算法简单，计算速度快。 缺点：降低噪声的同时使图像产生模糊，特别在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。 为克服简单局部平均法的弊病，目前已提出许多保边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参加平均的点数以及邻域各点的权重系数等。 均值滤波器的改进 —— 加权均值滤波 均值滤波器的改进 —— 超限邻域平均 8.3 中值滤波 一般来讲： 形状的选择：对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜。对于包含有尖顶物体的图像， 用十字形窗口。 窗口大小的选择：则以不超过图像中最小有效物体的尺寸为宜。 8.4图像锐化 8.4.1 图像细节的基本特征 几种典型的灰度变化模式及其微分变化模式 8.4.2一阶微分算子 一阶微分的计算公式非常简单： 单方向的一阶微分算子 单方向的一阶梯度算法是指给出某个特定方向上的边缘信息。 因为图像为水平、垂直两个方向组成，所以，所谓的单方向梯度算法实际上是包括水平方向与垂直方向上的锐化。 水平锐化算法 水平方向的锐化非常简单，通过一个可以检测出水平方向上的像素值的变化的模板来实现。 例 题 垂直锐化算法 垂直锐化算法的设计思想与水平锐化算法相同，通过一个可以检测出垂直方向上的像素值的变化的模板来实现。 例 题 单方向锐化算法的后处理 这种梯度算法需要进行后处理，以解决像素值为负的问题。后处理的方法不同，则所得到的效果也不同。 方法1：整体加一个正整数，以保证所有的像 素值均大于零。 这样做的结果是：可以获得类似浮雕的效果。 方法2：将所有的像素值取绝对值。 这样做的结果是，可以获得对边缘的有方向提取。 无方向一阶微分锐化算法 前面的锐化处理结果对于具有矩形特征物体（例如：楼房、汉字等）的边缘的提取很有效。但是，对于不规则形状（如：人物）的边缘提取，则存在信息的缺损。 为了解决上面的问题，就希望提出对任何方向上的边缘信息均敏感的锐化算法。 因为这类锐化方法要求对边缘的方向没有选择，所以称为无方向的锐化算法。 交叉微分算法（Roberts算法） 交叉微分算法计算公式如下： Sobel锐化算法 Sobel微分算子的计算公式如下： Priwitt锐化算法 Priwitt微分算子 的计算公式如下： 一阶梯度算法效果比较 Sobel算法与Priwitt算法的思路相同，属于同一类型，因此处理效果基本相同。 Roberts算法的模板为2×2，提取出的信息较弱。 单方向锐化经过后处理之后，也可以对边界进行增强。 8.4.3 二阶微分算子 二阶微分方法的提出背景 1）对于突变形的细节，通过一阶微分的极大值点，二阶微分的过0点均可以检测出来。 2）对于细线形的细节，通过一阶微分的过0点，二阶微分的极小值点均可以检测出来。 3）对于渐变的细节，一般情况下很难