第五章图像增强2程序.ppt

数字图像处理基础 第4章 图像增强 图像细节的灰度变化特性 由这个定义出发，如果给定一个函数 f x,y ，在坐标 x,y 上的梯度可定义为一个矢量 在用计算机计算梯度时，通常用绝对值运算代替式 4—42 ，所以，有式 4—43 所示的近似公式 则这一点就取其梯度值作为灰度值，如果梯度值小于 T 时则仍保留原 f x,y 值。这样，通过合理地选择 T 值，就有可能既不破坏平滑区域的灰度值又能有效地强调了图像的边缘。 Soble算子 4．3．4 Prewitt算子 1970 年， Prewitt提出了一个边缘检测算子， 两个卷积形成了该算子，图像中的每个像素都用这两个核作卷积，一个核对垂直边缘影响最大，另一个对水平边缘影响最大。两个卷积的最大值作为该点的输出值。Prewitt算子使用两个有向算子 一个水平的，一个是垂直的，一般称为模板 如下： 即： 如果我们用 Prewitt 算子检测图像 M 的边缘的话，我们可以先分别用水平算子和垂直算子对图像进行卷积，得到的是两个矩阵，在不考虑边界的情形下也是和原图像同样大小的 M1，M2，他们分别表示图像 M 中相同位置处的两个偏导数。 然后把 M1，M2 对应位置的两个数平方后相加得到一个新的矩阵G，G 表示 M 中各个像素的灰度的梯度值 一个逼近 。然后就可以通过阈值处理得到边缘图像。总的过程是： 我们可以这样解释这些模板： 假设图像的灰度满足下面这个关系： 定义垂直算子和水平算子形如： 利用这两个模板对当前像素进行卷积，得到的方向导数为: 显然要有： 2 2a + b 1 如果我们取 a b 1/6 则得到的模板就是 1/6 乘 Prewitt 算子。 4．3．5 经典的kirsch算子 1971 年，R.Kirsch提出了一种边缘检测的新方法：它使用了 8 个模板来确定梯度和梯度的方向，是一种最佳匹配的边缘检测。用分别与图像的各对应元素相乘，去计算该结果的最大值作为中央像素的强度边缘。 8个卷积核形成了Krisch算子，图像的每个像素都用这8个掩模进行卷积，每个掩模都对某个特定边缘方向作出最大响应，所有8个方向的最大值作为该点的输出值。最大响应掩模的序号构成了边缘方向的编码。 假设，原来的3×3子图像如下： 其中， 在进行边缘提取时, 将上述模板分别与图像中的一个3×3区域相乘, 选取输出值为最大的模板。然后，把这一最大输出值作为中央像素点上的边缘强度，把取得最大值的边缘模板的方向ｋ ｋ的取值如图4－33所示 ，作为其边缘方向。 假设图像中一点Ｐ ｉ,ｊ 及其八邻域的灰度如图4－34所示，并设 qk ｋ 0,1,…,7 为图像经过kirsch算子第ｋ个模板处理后得到的ｋ方向上的边缘强度，则Ｐ ｉ,ｊ 的边缘强度为Ｓ ｉ,ｊ max qk ｋ 0,1,…,7 ，而相应的边缘方向Ｄ ｉ,ｊ k| qk 为最大值 。 图4－33 边缘方向 图4－34 窗口设置示意图 该算法处理所需的运算量可以这样估计，首先，分析图中的任一点A的计算量。计算A点的灰度值所需运行的加法运算次数为PA 7×8＝56（次），乘法运算次数为MA 2×8＝16（次）。由此，处理一幅Ｎ×Ｎ的图像所需的运算量为：加法运算次数为56 次,乘法运算次数为16 次。 与低通滤波器相对应，常用的高通滤波器有理想高通滤波器、布特沃斯高通滤波器、指数高通滤波器和梯形高通滤波器等。这里只讨论径向对称的零相移滤波器。 4—59 式中 D0 为截频,参数 n 控制着 H u,v 的增长率。 指数高通滤波器的传递函数如图4—34所示。 同样，式中 。D0 和 D1 为规定值，并且D0 D1 ，定义截频为D0 ，D1 是任选的，只要满足 D0 D1 就可以了。梯形高通滤波器的传递函数径向剖面图如图4—35所示。 此后，对式 4—69 两端再进行傅立叶变换，得 处理后，将式 4—72 再施以傅立叶反变换，则 梯形高通滤波器 梯形高通滤波器的传递函数用下式表示 4—62 图4—31梯形高通滤波器传递函数径向剖面图 则梯度是（ ）。 显然，当前3×3邻域内像素值为 之所以这样定义是为了满足对称性和电路设计的需要。 因此当前像素处的梯度的大小为 则边缘的梯度大小为： 上面的下标如果超过 7 就用 8 去除取余数。 注意到 k 0，1，...7，其实就是使用了 8 个模板，如下： 4.3.1 微分尖锐化处理 4.3.2 高通滤波法 因为图像中的边缘及急剧变化部分与高频分量有关，所以当利用高通滤波器衰减图像信号中的低频分量时就会相对地强调其高频分量，从而加强了图像中的边缘