图像名词解释加问答.docVIP

图像名词解释加问答 2、当在白天进入一个黑暗剧场时，在能看清并找到空座位时需要适应一段时间，试述发生这种现象的视觉原理。 答：人的视觉绝对不能同时在整个亮度适应范围工作，它是利用改变其亮度适应级来完成亮度适应的。即所谓的亮度适应范围。同整个亮度适应范围相比，能同时鉴别的光强度级的总范围很小。因此，白天进入黑暗剧场时，人的视觉系统需要改变亮度适应级，因此，需要适应一段时间，亮度适应级才能被改变。 3、简述梯度法与Laplacian算子检测边缘的异同点？ 答：梯度算子和Laplacian检测边缘对应的模板分别为 梯度算子是利用阶跃边缘灰度变化的一阶导数特性，认为极大值点对应于边缘点；而Laplacian算子检测边缘是利用阶跃边缘灰度变化的二阶导数特性，认为边缘点是零交叉点。（2分） 相同点都能用于检测边缘，且都对噪声敏感。（1分） 2． 举例说明直方图均衡化的基本步骤。 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。 直方图均衡化变换：设灰度变换s=f(r)为斜率有限的非减连续可微函数，它将输入图象Ii(x，y)转换为输出图象Io(x，y)，输入图象的直方图为Hi(r)，输出图象的直方图为Ho(s)，则根据直方图的含义，经过灰度变换后对应的小面积元相等：Ho(s)ds=Hi(r)dr 直方图修正的例子 假设有一幅图像，共有6 4(6 4个象素，8个灰度级，进行直方图均衡化处理。 根据公式可得： s2=0.19+0.25+0.2l=0.65，s3=0.19+0.25+0.2l+0.16=0.8l，s4=0.89,s5=0.95，s6=0.98，s7=1．00 由于这里只取8个等间距的灰度级，变换后的s值也只能选择最靠近的一个灰度级的值。因此，根据上述计算值可近似地选取： S0≈1／7，s 1≈3／7，s2≈5／7，s3≈6／7， s4≈6／7，s5≈1，s6≈l，s7≈1。 可见，新图像将只有5个不同的灰度等级，于是我们可以重新定义其符号： S0’=l／7，s1’=3／7，s2’=5／7，s3’=6／7，s4’=l。 因为由rO=0经变换映射到sO=1／7，所以有n0=790个象素取sO这个灰度值；由rl=3／7映射到sl=3／7，所以有1 02 3个象素取s 1这一灰度值；依次类推，有850个象素取s2=5／7这一灰度值；由于r3和r4均映射到s3=6／7这一灰度值，所以有656+329=98 5个象素都取这一灰度值；同理，有245+1 22+81=448个象素都取s4=1这一灰度值。上述值除以n=4096，便可以得到新的直方图。 4． 简述数学形态学在图像处理中的应用？ 近年来，数学形态学在图像处理方面得到了日益广泛的应用。下面主要就数学形态学在边缘检测、图像分割、图像细化以及噪声滤除等方面的应用做简要介绍。 （1）边缘检测 边缘检测是大多数图像处理必不可少的一步，提供了物体形状的重要信息。数学形态学运算用于边缘检测，存在着结构元素单一的问题。它对与结构元素同方向的边缘敏感，而与其不同方向的边缘（或噪声）会被平滑掉，即边缘的方向可以由结构元素的形状确定。但如果采用对称的结构元素，又会减弱对图像边缘的方向敏感性。所以在边缘检测中，可以考虑用多方位的形态结构元素，运用不同的结构元素的逻辑组合检测出不同方向的边缘。 （2）图像分割 基于数学形态学的图像分割算法是利用数学形态学变换，把复杂目标X分割成一系列互不相交的简单子集X1，X2，…，XN。对目标X的分割过程可按下面的方法完成：首先求出X的最大内接“圆”X1，然后将X1从X中减去，再求X-X1的最大内接“圆”X2，…，依此类推，直到最后得到的集合为空集为止。 数学形态学用于图像分割的缺点是对边界噪声敏感。为了改善这一问题，刘志敏等人提出了基于图像最大内切圆的数学形态学形状描述图像分割算法和基于目标最小闭包结构元素的数学形态学形状描述图像分割算法，并使用该算法对二值图像进行了分割，取得了较好的效果。 （3）形态骨架提取 形态骨架描述了物体的形状和方向信息。它具有平移不变性、逆扩张性和等幂性等性质，是一种有效的形状描述方法。二值图像A的形态骨架可以通过选定合适的结构元素B，对A进行连续腐蚀和开启运算来求取，形态骨架函数完整简洁地表达了形态骨架的所有信息，因此，根据形态骨架函数的模式匹配能够实现对不同形状物体的识别。算法具有位移不变性，因而使识别更具稳健性。 （4）噪声滤除 对图像中的噪声进行滤除是图像预处理中不可缺少的操作。将开启和闭合运算结合起来可构成形态学噪声滤除器。滤除噪声就是进行形态学平滑。实际中常用开启运算消除与结构元素相比尺寸较小的亮细节