第4章空域增强技术2.ppt

4.4.2 直方图规定化 思路 已知原图像(灰度为r )和修正图像(灰度为u）的灰度直方图，求转换函数。 4.4.2 直方图规定化 4.4.2 直方图规定化 直方图规定化 4.4.2 直方图规定化 4.4.2 直方图规定化 4.5 线性滤波 4.5.1 技术分类和实现原理 4.5.1 技术分类和实现原理 4.5.2 线性平滑滤波器 平滑举例 I=imread(‘eight.tif’); I=imnoise(I,’gaussian’,0,0.5);%添加噪声 subplot(1,2,1);imshow(I); h=ones(3,3)/9;%产生滤波模板 J=conv2(I,h); subplot(1,2,2);imshow(J,[]); 4.6 非线性滤波 4.6.1 非线性平滑滤波器 4.6.1 非线性平滑滤波器 4.6.1 非线性平滑滤波器 4.6.2 非线性锐化滤波器 4.6.2 非线性锐化滤波器 4.6.2 非线性锐化滤波器 一阶锐化举例 I=imread(‘eight.tif’); roberts1=[-1 0;0 1];%roberts算子模板1 roberts2=[0 -1;1 0];%roberts算子模板2 robout1=conv2(I,roberts1); robout2=conv2(I,roberts2); robout=edge(I,’roberts’); subplot(2,2,1);imshow(I);title(‘原图‘）； subplot(2,2,2);imshow(robout1); title(‘模板1滤波‘）； subplot(2,2,3);imshow(robout2); title(‘模板2滤波‘）； subplot(2,2,4);imshow(robout); title(‘梯度‘）； 3*3模板锐化举例 I=imread(‘eight.tif’); sob1=[-1 0 1;-1 0 1;-1 0 1]; sob2=[-1 -1 -1;0 0 0;1 1 1]; figure; subplot(2,2,1),imshow(I); sobout1=conv2(I,sob1); subplot(2,2,2),imshow(sobout1); sobout2=conv2(I,sob2); subplot(2,2,3),imshow(sobout2); sobelout=fspecial(‘sobel’);%生成预定义的滤波器 ss=filter2(sobelout,I);%对指定图像进行二维滤波 subplot(2,2,4),imshow(ss); 几种梯度算子的比较 I=imread(eight.tif); subplot(2,2,1);imshow(I); title(原始图像); h1=fspecial(sobel); I1=filter2(h1,I); subplot(2,2,2); imshow(I1); title(sobel算子); h2=fspecial(prewitt); I2=filter2(h2,I); subplot(2,2,3);imshow(I2); title(prewitt算子); h3=fspecial(laplacian); I3=filter2(h3,I); subplot(2,2,4);imshow(I3); title(laplacian算子); 4.7 局部增强 思考与练习 什么是灰度直方图？ 为什么一般情况下对离散图像的直方图均衡化并不能产生完全平坦的直方图？ 如何用直方图分析图像中物象的面积？ 什么是直方图均衡化？能起到什么作用？掌握其方法。 试定义5*5的模板分别对图像进行平滑和锐化，输出结果。 图(a)为原图像；图(b)为加椒盐噪声的图像；图(c)和图 (d)分别为3×3、5×5模板进行中值滤波的结果。 可见中值滤波法能有效削弱椒盐噪声，且比邻域、超限像素平均法更有效。 百分比（percentile）滤波器 中值滤波器是一个特例 最大值 最小值 中点滤波器-对高斯噪声、均匀噪声都有效 1、非线性锐化滤波器 利用微分可以锐化图象（积分平滑图象） 梯度：对应一阶导数 最常用的微分矢量 （需要用2个模板分别沿 X和 Y 方向计算） Prewitt 算子 1、非线性锐化滤波器 模以2为范数/模计算（对应欧氏距离） 以1为范数（城区距离） 以?为范数（棋盘距离） 3、最大-最小锐化变换 将最大值滤波器和最小值滤波器结合使用 可以锐化模糊的边缘并让模糊的目标清晰起来