数字图象处理03.doc

第3章 图象的平滑(去噪声)、锐化 3.1 平滑 先举个例子说明一下什么是平滑(smoothing)，如下面两幅图所示：可以看到，图3.2比图3.1柔和一些(也模糊一些)。是不是觉得很神奇？其实实现起来很简单。我们将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度，就能实现上面的效果。 图3.1??? 原图 图3.2???? 经过平滑处理后的图 这么做并非瞎蒙，而是有其道理的。大概想一想，也很容易明白。举个例子，就象和面一样，先在中间加点水，然后不断把周围的面和进来，搅拌几次，面就均匀了。 用信号处理的理论来解释，这种做法实现的是一种简单的低通滤波器(low pass filter)。哇，好深奥呀！不要紧，这些理论的内容并不多，而且知道一些理论也是很有好处的。在灰度连续变化的图象中，如果出现了与相邻象素的灰度相差很大的点，比如说一片暗区中突然出现了一个亮点，人眼能很容易觉察到。就象看老电影时，由于胶片太旧，屏幕上经常会出现一些亮斑。这种情况被认为是一种噪声。灰度突变在频域中代表了一种高频分量，低通滤波器的作用就是滤掉高频分量，从而达到减少图象噪声的目的。 为了方便地叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度”这一操作，我们采用如下的表示方法： (3.1) 这种表示方法有点象矩阵，我们称其为模板(template)。中间的黑点表示中心元素，即，用哪个元素做为处理后的元素。例如[2. 1]表示将自身的2倍加上右边的元素作为新值，而[2 1.]表示将自身加上左边元素的2倍作为新值。 通常，模板不允许移出边界，所以结果图象会比原图小，例如模板是 ，原图是 ，经过模板操作后的图象为 ；其中数字代表灰度，x表示边界上无法进行模板操作的点，通常的做法是复制原图的灰度，不进行任何处理。 模板操作实现了一种邻域运算(Neighborhood Operation)，即某个象素点的结果灰度不仅和该象素灰度有关，而且和其邻域点的值有关。在以后介绍的细化算法中，我们还将接触到邻域运算。模板运算的数学涵义是一种卷积(或互相关)运算，你不需要知道卷积的确切含义，只要有这么一个概念就可以了。 模板运算在图象处理中经常要用到，可以看出，它是一项非常耗时的运算。以 (3.2) 为例，每个象素完成一次模板操作要用9个乘法、8个加法、1个除法。对于一幅n×n(宽度×高度)的图象，就是9n2个乘法，8n2个加法和n2个除法，算法复杂度为O(n2)，这对于大图象来说，是非常可怕的。所以，一般常用的模板并不大，如3×3，4×4。有很多专用的图象处理系统，用硬件来完成模板运算，大大提高了速度。另外，可以设法将二维模板运算转换成一维模板运算，对速度的提高也是非常可观的。例如，(3.2)式可以分解成一个水平模板和一个垂直模板，即， = ? = (3.3) 我们来验证一下。 设图象为 ，经过(3.2)式处理后变为 ，经过(3.3)式处理后变为 ，两者完全一样。如果计算时不考虑周围一圈的象素，前者做了4×(9个乘法，8个加法，1个除法)，共36个乘法，32个加法，4个除法；后者做了4×(3个乘法，2个加法)+4×(3个乘法，2个加法)+4个除法，共24个乘法，16个加法，4个除法，运算简化了不少，如果是大图，效率的提高将是非常客观的。 平滑模板的思想是通过将一点和周围8个点作平均，从而去除突然变化的点，滤掉噪声，其代价是图象有一定程度的模糊。上面提到的模板(3.1)，就是一种平滑模板，称之为Box模板。Box模板虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的9个点都一视同仁，所以平滑的效果并不理想。实际上我们可以想象，离某点越近的点对该点的影响应该越大，为此，我们引入了加权系数，将原来的模板改造成 ，可以看出，距离越近的点，加权系数越大。 新的模板也是一个常用的平滑模板，称为高斯(Gauss)模板。为什么叫这个名字，这是因为这个模板是通过采样2维高斯函数得到的。 设图象为 ，分别用两种平滑模板处理(周围一圈象素直接从原图拷贝)。采用Box模板的结果为 ，采用高斯模板的结果为 。 可以看到，原图中出现噪声的区域是第2行第2列和第3行第2列，灰度从2一下子跳到了6，用Box模板处理后，灰度从3.11跳到4.33；用高斯模板处理后，灰度从3.跳到4.56,都缓和了跳变的幅度，从这一点上看，两者都达到了平滑的目的。但是，原图中的第3，第4行总的来说，灰度值是比较高的，经模板1处理后，第3行第2列元素的灰度变成了4.33，与第3，第4行的总体灰度相比偏小，另外，原图中第3行第2列元素的灰度为6，第3行第3列元素的灰度为4，变换后，后者4.56反而比前者4.33大了。而采用