2.第二章-数字图像预处理答题.ppt

第二章 图像预处理 图像增强 目的 突出感兴趣特征，服务于机器视觉 方法 （1）直接灰度变换（比例变换）（2）直方图修正 空域：直接对图像各像素进行处理 （3）滤波 频域：先转换处理，再逆变换为图像 直接灰度变换 通过灰度变换函数将图像各灰度映射为新的值 令图像f(i，j)的灰度范围为[a,b]，线性变换后图像g(i，j) 的范围为[a′,b′] g(i，j)与f(i，j)之间的关系式为： 卷积 两个连续函数f(x)和g(x)的卷积定义为： 若为离散函数，上式变为 图像卷积 图像平滑 图像平滑的目的 是消除或尽量减少噪声的影响，改善图像的质量。 假设 噪声是随机独立分布的，利用邻域的平均或加权平均可以 有效的抑制噪声干扰。 从信号分析的观点 图像平滑本质上低通滤波。将信号的低频部分通过，而阻 截高频的噪声信号。 边缘检测 边缘检测算法的基本步骤 （1）滤波:边缘检测主要基于导数计算，但受噪声影响。但滤波器在降低噪声的同时也导致边缘强度的损失。 （2）增强:增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。 （3）检测:但在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。 （4）定位:精确确定边缘的位置。 边缘检测 最简单的梯度近似计算为： Canny 边缘检测 Canny边缘检测——最优的阶梯型边缘检测算法 基本原理 图像边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。 根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。 类似于LoG边缘检测方法，也属于先平滑后求导数的方法。 Canny 边缘检测 Canny边缘检测算法 step1:用高斯滤波器平滑图像； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； step4:用双阈值算法检测和连接边缘。 边缘检测 step2:一阶差分卷积模板： 边缘检测 step3:非极大值抑制 仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。（non-maxima suppression,NMS） 解决方法：利用梯度的方向。 边缘检测 四个扇区的标号为0到3，对应3*3邻域的四种可能组合。 在每一点上，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0。 即： 边缘检测 step4:阈值化 减少假边缘段数量的典型方法是对N[i，j]使用一个阈值。将低于阈值的所有值赋零值。但问题是如何选取阈值？ 解决方法：双阈值算法。 在T1中收取边缘，将T2中所有间隙连接起来。 边缘检测 边缘检测 边缘检测 评价边缘检测器性能的测度 （1）假边缘概率； （2）丢失边缘概率； （3）边缘方向角估计误差； （4）边缘估计值到真边缘的距离平方均值； （5）畸变边缘和其他诸如角点和结点的误差范围。 例如采用一系列技术有选择地突出某些感兴趣的信息，同时抑制一些不需要的信息，提高图像的使用价值。 用途： 去除噪音、边缘增强、提高对比度、增加亮度、改善颜色效果、改善细微层次等——通常与改善视觉效果相一致 在计算机视觉中，对图像的变换大多在空域进行，对频域变换比较少，所以我们也主要介绍空域上的变换，不介绍频域上的变换 灰度变换可调整图像的灰度动态范围或图像对比度，是图像增强的重要手段之一。 在曝光不足或过度的情况下，图像灰度可能会局限在一个很小的范围内。这时在显示器上看到的将是一个模糊不清、似乎没有灰度层次的图像。采用线性变换对图像每一个像素灰度作线性拉伸，可有效地改善图像视觉效果。 为了突出感兴趣目标所在的灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换。 把你所感性趣的灰度范围拉开，使得该范围内的图象有足够的灰度级来表示 当用某些非线性函数如对数函数、指数函数等，作为映射函数时，可实现图像灰度的非线性变换。 这里a,b,c是为了调整曲线的位置和形状而引入的参数。 对数变换动态范围压缩 这里参数a,b,c用来调整曲线的位置和形状。 指数扩展可以对图像的高亮度区进行大幅扩展 实质是图像灰度统计分布的一种表示,大多数像素灰度值取在较暗区域，图像肯定较暗.图像的像素灰度值集中在亮区,图像将偏亮. 为实现图像增强提供了手段，首先修改直方图，然后根据直方图的修改实现灰度变换 直方图均衡化：转变直方图成均匀分布,改变图像整体偏暗