图像学习总结.pptVIP

基本内容 一、图像基础 二、图像增强 三、图像缩放 四、运动目标检测 五、程序演示 学习工具介绍 MATLAB、OpenCV 颜色模型 一、图像基础 RGB模型、YUV模型 RGB YUV RGB图像转换为灰度图像 图像像素的邻域 图像倒置和转置 空域增强 二、图像增强 算法：第 个灰度级 出现的频数为 表示，对应概率 为： 直方图均衡化 均衡化表达式： 直方图均衡化效果对比 原图 均衡化后图像 图像平滑 空域滤波增强 图像锐化 邻域平均法 中值滤波 多图像平均法 梯度算子 高通滤波器、巴特沃斯、指数高通滤波器 像素邻域 4－邻域 N4(p) 例：对1个坐标为(x,y)的象素p，它可以有4个水平和垂直的近邻象素。它们的坐标为(x+1,y) (x-1,y) (x,y+1) (x,y-1)如图(a)示： ND(p) 对角近邻象素 8－邻域 N8(p) 图像平滑 基本低通滤波器（线性平滑滤波器） 所用平滑模板尺寸增大时，对噪声的消除有所增强，但所得图像更加模糊，细节锐化程度逐步减弱。 以模块运算系数表示即： 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 3 4 4 4 5 6 6 7 8 图像平滑 中值滤波器 算法： 属于低通滤波，在去除噪音的同时也钝化了边和尖锐的细节. 用一个含有奇数点的滑动窗口，将邻域中的像素按灰度级排序，取其中间值为输出像素。具体步骤如下： (1)将模板在图中漫游，并将模板中心与图中某个象素位置重合; (2)读取模板下各对应象素的灰度值； (3)将这些灰度值从小到大排成1列； (4)找出这些值里排在中间的1个； (5)将这个中间值赋给对应模板中心位置的象素。 图像锐化 空间域高通滤波（梯度算子） Roberts交叉梯度算子 Prewitt梯度算子 Sobel梯度算子 梯度算子 Roberts交叉梯度算子 ?f ? |z5 - z9| + |z6 - z8| 梯度计算由两个模板组成，第一个求得梯度的第一项，第二个求得梯度的第二项，然后求和，得到梯度。 两个模板称为Roberts交叉梯度算子 Sobel梯度算子——3x3的梯度模板 ?f ? |(z7 +2z8 + z9) - (z1 + 2z2 + z3) | + |(z3 +2z6 + z9) - (z1 + 2z4 + z7) | 梯度算子 图像缩放 最近邻插值 缺点： 放大后的图像有很严重的马赛克，缩小后的图像有很严重的失真；效果不好的根源就是其简单的最临近插值方法引入了严重的图像失真。 取待测样点周围4 个相邻像素点（4邻域）中距离最近1 个相邻点的灰度值作为待测样点的像素值。 图像缩放 双线性插值 缺点： 计算量稍大一些，算法复杂些，程序运行时间也稍长些，但缩放后图像质量高，图像的高频分量受到损失, 图像边缘在一定程度上变得较为模糊。 对于一个目的像素，映射得到的浮点坐标为(i+u,j+v) 其中i、j均为非负整数，u、v为[0,1]区间的浮点数， 则 f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1) 运动目标检测 帧差法 背景差分法 单高斯背景建模法 混合高斯背景建模法 帧差法 获取当前帧图像，将其与背景相减得到前景，再将当前帧作为背景。 帧差法测试结果： 利用帧差法检测出的是的人体的轮廓，但人形轮廓不连续。 演示 减背景法（Background Subtraction） 将图像分为背景和前景，对背景进行建模，然后把当前帧与背景模型进行逐像素的比较。 背景模型固定的情况 对于静态背景有很好的区分效果，检出的前景是人体，但是在人体的不断运动过程中，在某些点会留下痕迹，如上图foreground窗口中人体身后的白点。