chap4图像增强-partII.pptVIP

* * 模 板 4.2 图像的空间域平滑 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。 为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。它可以在空间域和频率域中进行。本节介绍空间域的几种平滑法。 4.2.1局部平滑法 局部平滑法是一种直接在空间域上进行平滑处理的技术。假设图像是由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是统计独立的。因此，可用邻域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。 设有一幅N×N的图像f(x,y)，若平滑图像为g(x,y),则有 式中x,y=0,1,…,N-1； s为（x,y）邻域内像素坐标的集合； M表示集合s内像素的总数。 可见邻域平均法就是将当前像素邻域内各像素的灰度平均值作为其输出值的去噪方法。 (m+1,n+1) (m+1,n) (m+1,n-1) (m,n+1) (m,n) (m,n-1) (m-1,n+1) (m-1,n) (m-1,n-1) 例如，对图像采用3×3的邻域平均法，对于像素 （m,n)，其邻域像素如下： 则有： 其作用相当于用这样的模板同图像卷积。 设图像中的噪声是随机不相关的加性噪声，窗口内各点噪声是独立同分布的，经过上述平滑后，信号与噪声的方差比可望提高M倍。 这种算法简单，但它的主要缺点是在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。如图4.2.1(c)和(d)。 (a)原图像 (b) 对(a)加椒盐噪声的图像 (c)3×3邻域平滑 (d) 5×5邻域平滑 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，下面简要介绍几种算法。 4.2.2 超限像素平滑法 对邻域平均法稍加改进，可导出超限像素平滑法。它是将f(x,y)和邻域平均g(x,y)差的绝对值与选定的阈值进行比较，根据比较结果决定点（x,y）的最后灰度g′(x,y)。其表达式为 这算法对抑制椒盐噪声比较有效，对保护仅有微小灰度差的细节及纹理也有效。可见随着邻域增大，去噪能力增强，但模糊程度也大。 同局部平滑法相比，超限像元平滑法去椒盐噪声效果更好。 (a)原图像 (b)对(a)加椒盐噪声的图像 (c)3×3邻域平滑 (d) 5×5邻域平滑 (e)3×3超限像素平滑(T=64) (f)5×5超限像素平滑(T=48) 4.2.3 灰度最相近的K个邻点平均法 该算法的出发点是：在n×n的窗口内，属于同一集合体的像素，它们的灰度值将高度相关。因此，可用窗口内与中心像素的灰度最接近的K个邻像素的平均灰度来代替窗口中心像素的灰度值。这就是灰度最相近的K个邻点平均法。 较小的K值使噪声方差下降较小，但保持细节效果较好；而较大的K值平滑噪声较好，但会使图像边缘模糊。 实验证明，对于3×3的窗口，取K=6为宜。 4.2.4 最大均匀性平滑 为避免消除噪声引起边缘模糊，该算法先找出环绕图像中每像素的最均匀区域，然后用这区域的灰度均值代替该像素原来的灰度值。 4.2.5 有选择保边缘平滑法 该方法对图像上任一像素(x,y)的5×5邻域，采用9个掩模，其中包括一个3×3正方形、4个五边形和4个六边形。计算各个掩模的均值和方差，对方差进行排序，最小方差所对应的掩模区的灰度均值就是像素（x,y) 的输出值。 该方法以方差作为各个区域灰度均匀性的测度。若区域含有尖锐的边缘，它的灰度方差必定很大，而不含边缘或灰度均匀的区域，它的方差就小，那么最小方差所对应的区域就是灰度最均匀区域。因此有选择保边缘平滑法既能够消除噪声，又不破坏区域边界的细节。另外，五边形和六边形在（x,y）处都有锐角，这样，即使像素（x,y）位于一个复杂形状区域的锐角处，也能找到均匀的区域。从而在平滑时既不会使尖锐边缘模糊，也不会破坏边缘形状。 例如，某像素5×5邻域的灰度分布如图4.2.4，经计算9个掩模区的均值和方差为 最小方差为0，对应的灰度均值3， 采用有选择保边缘平滑，该像素的输出值为3。 4.2.6 空间低通滤波法 邻域平均法可看作一个掩模作用于图像f(x,y)的低通空间滤波，掩模就是一个滤波器，它的响应为H(r,s)，于是滤波输出的数字图像g(x,y)用离散卷积表示为 均值 4 4 3 2