机器学习第三章.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 平滑空间滤波器 作用 模糊处理:去除图像中一些不重要的细节 减小噪声 平滑空间滤波器的分类 平滑线性滤波器：均值滤波器 统计排序滤波器（非线性滤波器）：最大值滤波器，中值滤波器，最小值滤波器 平滑线性滤波器 包含在滤波器领域内像素的平均值，也称为均值滤波器 作用 减小图像灰度的“尖锐”变化，减小噪声 由于图像边缘是由图像灰度尖锐变化引起的，所以也存在边缘模糊的问题 平滑线性滤波器 盒滤波器： 加权均值滤波器： 平滑线性滤波器 用各种尺寸的掩模平滑图像 平滑线性滤波器 提取感兴趣物体而模糊图像 统计排序滤波器 什么是统计排序滤波器？ 是一种非线性滤波器 基于滤波器所在图像区域中像素的排序，由排序结果决定的值代替中心像素的值 分类 中值滤波器： 用像素领域内的中间值代替该像素 最大值滤波器：用像素领域内的最大值代替该像素 最小值滤波器：用像素领域内的最小值代替该像素 统计排序滤波器 中值滤波器 主要用途：去除噪声 计算公式：R = mid {zk | k = 1,2,…,9} 最大值滤波器 主要用途：寻找最亮点 计算公式：R = max {zk | k = 1,2,…,9} 最小值滤波器 主要用途：寻找最暗点 计算公式：R = min {zk | k = 1,2,…,9} 中值滤波器 强迫突出的亮点（暗点）更象它周围的值，以消除孤立的亮点（暗点） 在去除噪音的同时，可以比较好地保留边的锐度和图像的细节（优于均值滤波器） 够有效去除脉冲噪声：以黑白点叠加在图像上 中值滤波器 空间域图像增强 本章要点 背景知识 点运算 直方图处理 算术/逻辑操作增强 空间滤波基础 平滑空间滤波 锐化空间滤波 混合空间增强 锐化滤波器 主要用途 突出图像中的细节，增强被模糊了的细节 印刷中的细微层次强调。弥补扫描对图像的钝化 超声探测成像，分辨率低，边缘模糊，通过锐化来改善 图像识别中，分割前的边缘提取 锐化处理恢复过度钝化、暴光不足的图像 尖端武器的目标识别、定位 锐化滤波器 均值产生钝化的效果，而均值与积分相似，由此而联想到，微分能不能产生相反的效果，即锐化的效果？结论是肯定的。 一阶微分的定义需满足的条件： 平坦区域必为零； 在灰度阶梯或斜坡的起始点处微分值非零； 沿斜坡面微分值非零； 二阶微分的定义需满足的条件： 平坦区域必为零； 在灰度阶梯或斜坡的起始点处微分值非零； 沿斜坡面微分值非零； 锐化滤波器 一阶微分定义： 二阶微分定义： 锐化滤波器 锐化滤波器 一阶微分和二阶微分的性质 一阶微分产生较粗的边缘 二阶微分对细节有更为强烈的响应 一阶微分对灰度阶梯有较强的响应 二阶微分对灰度阶梯产生双响应 二阶微分滤波器：拉普拉斯算子 图像函数的拉普拉斯变换定义为 拉普拉斯算子是一个标量而不是向量，具有线性特性和旋转不变，即各向同性的性质 拉普拉斯算子 拉普拉斯算子 拉普拉斯变换对图像增强的基本方法 (1)用于拉普拉斯模板中心系数为负 (2)用于拉普拉斯模板中心系数为正 拉普拉斯算子 拉普拉斯算子 拉普拉斯算子 梯度算子 梯度通过一个二维列向量来定义 向量的模值 梯度算子 考虑一个3×3的图像区域，z代表灰度级，上式在点z5的?f值可用数字方式近似。 组合为： 梯度算子 向量模值的近似计算：用绝对值替换平方和平方根有 梯度算子 Roberts交叉梯度算子 Prewitt梯度算子——3x3的梯度模板 Sobel梯度算子——3x3的梯度模板 梯度算子 梯度算子 空间域图像增强 本章要点 背景知识 点运算 直方图处理 算术/逻辑操作增强 空间滤波基础 平滑空间滤波 锐化空间滤波 混合空间增强 混合空间增强 混合空间增强 THANKS! Any Questions?? * 直方图均衡化 直方图均衡化是通过灰度变换将一幅图象转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果 使用的方法是灰度级变换：s = T(r) 直方图均衡化 设函数s = f(r) (0≤r≤ 1)满足： f(r) (0≤r≤ 1) 单值且单调递增； 当0≤r≤ 1 时， 0≤f(r)≤ 1 （条件1保证原图各灰度级在变换后仍保持从黑到白（或从白到黑）的排列次序；条件2保证变换前后灰