图形图像学基础15：图像增强(领域运算).pptVIP

图像二值化(I) 多值图像：具有对个灰度级的单色图像 二值图像：只有黑白两个灰度级的图像 图像二值化的用途：图像分割，图像压缩等等。 图像二值化(II) 基本思想： 在原图像灰度区间[Lmin,Lmax]中设定一个阈值Lt 对图像中逐个像素进行处理，当像素灰度值大于Lt时赋予新灰度值1，否则赋予新灰度值0 基于灰度直方图的二值化 阈值的自动选取 递推法 最大似然法 自适应法 p-tile法 建模法 递推法 1. 为阈值选择一个初值T，T可以是： (i) 整个图像灰度值的均值 (ii) 整个图像灰度值的中值 2. 利用T将整个图像中的像素分成两组: (i) G1 由所有灰度值大于 T 的像素组成 (ii) G2由所有灰度值大于 T 的像素组成 3. 分别计算像素组G1 和 G2 的平均灰度值μ1 和 μ2 4. 利用下式计算新的阈值T 5. 重复步骤2到4直到T的变化量小于一个预定值。 自适应法(I) 自适应法(II) 模板操作和卷积运算(邻域运算) 模板操作实现了一种邻域运算，即某个像素点的结果不仅和本像素灰度有关，而且和其邻域点的值有关。 模板运算的数学含义是卷积（或互相关）运算: 设模板窗口大小为 ， ， ，a,b为非负整数。对于在 图像上，用此模板进行滤波： 问题 1 图像边界问题 解决方法 一种方法是忽略图像边界数据 另一种方法是在图像四周复制原图像边界像素的值，从而使卷积核悬挂在图像四周时可以进行正常的计算。 像素值的动态范围 对此可简单地将其值置为0或255即可。 空间滤波 使用模板进行的图像处理称为空间滤波，模板称为空间滤波器 平滑滤波器 均值滤波 顺序统计滤波 锐化滤波器 梯度法 拉普拉斯算子 邻域平均法 邻域平均法的数学含义可用下式表示： 算术均值 几何均值 总结 算术均值滤波器和几何均值滤波器适合于处 理高斯或均匀等随机噪声 顺序统计滤波器 2 中值滤波主要特性 1） 对某些输入信号中值滤波的不变性 对某些特定的输入信号，如在窗口内单调增加或单调减少的序列， 中值滤波输出信号仍保持输入信号不变，即： fi-n≤…≤fi≤…≤fi+n或 fi-n≥…≥fi≥…≥fi+n，则 {yi}={fi}。 2） 中值滤波去噪声性能 中值滤波的输出与输入噪声的密度分布有关。对随机噪声的抑制能力，中值滤波比平均值滤波要差一些。但对脉冲干扰， 特别是脉冲宽度小于m／2、相距较远的窄脉冲干扰，中值滤波的效果较好。 算术平均平滑对含有高斯噪声的图像有效； 而中值滤波对含有“椒盐”噪声图像的去噪声效果较好。 3 其他统计滤波器 最大值滤波器（发现最亮点，过滤“胡椒”噪声） 图像边缘检测技术 边缘是灰度值发生突变的地方 边缘蕴含丰富信息： 物体表面方向发生改变的地方 物体的轮廓 物体的阴影 边缘提取算法：差分法 梯度法 Laplace 算子 图像梯度 图像的梯度: 梯度的方向是灰度变化最快的方向 梯度的离散近似 如何计算一幅数字图像 f[x,y]的梯度? 用差分来近似计算 离散情况下梯度的近似计算（梯度向量的模）： 1）水平垂直差分法 Roberts 算子 图像中灰度变化较大的边缘区域其梯度值大 在灰度变化平缓的区域其梯度值较小，而在灰度均匀区域其梯度值为零。 在图像的最后一行和最后一列的各像素的梯度无法求得，一般就用前一行和前一列的梯度值近似代替。 例子：梯度滤波 梯度滤波常用于工业探伤。突出受损部位，滤除渐变的背景信息 Sobel 算子 采用梯度微分锐化图像，同时会使噪声、条纹等得到增强， Sobel算子则在一定程度上克服了这个问题。 4.3 Prewitt梯度算子——3x3的梯度模板 拉普拉斯算子 Laplacian: Laplacian与边缘方向无关 Laplacian的符号反应出灰度变化的方向 Laplacian突出高频信息（图像细节部分） 对数字图像来讲，f (x, y)的二阶偏导数可表示为 边缘的检测 边缘的定位 计算图像的一阶二阶差分 对于一阶差分，边缘位于差分的局部最大值处 对于二阶差分，边缘位于差分变换符号时过零的位置 一维差分 一阶差分 二阶差分 小结 一阶差分产生粗的边缘 二阶差分对细节处的灰度变化有更强的响应 一阶差分对灰度的阶梯变化响应更强 二阶差分对灰度阶梯变化有二次响应 图像增强技术(I) 利用Laplacian的图像锐化 图像增强技术(II) 综合运用各种处理 噪声平滑实验图像