数字图像处理第3章课件.pptVIP

输出为生的，半熟的和熟的隶属度函数 颜色z和生熟v的 成熟性隶属度 是两个隶属度函数的通解 求一个特定颜色输入的输出 Q3表示特定规则R3和一个特定z0输入导致的模糊输出. Q3的唯一变量是生熟v 全部响应是这三个模糊集合的并集 给定颜色z0的一种水果的成熟度约为v0 V0=72.3 基于规则的模糊逻辑 系统的五个步骤: Fuzzification Logical operation Implication Aggregation Defuzzification 模糊化 逻辑运算(与/或) 推断 聚合 去模糊 3.8.4使用逻辑集合进行灰度变换 基于规则的对比度增强: (a)输入的隶属度函数，(b)输出的隶属度函数 规则： if 一个像素是暗的，then使它更暗； if 一个像素是灰的，then使它还是灰的； if 一个像素是亮的，then使它更亮。 图3.54 (a)低对比度图像，(b)直方图均衡后的结果，(c)基于规则的模糊集合对比度增强的结果。 简化推断，聚合和去模糊（后三步） 图3.55 (a)(b)图3.54(a)和(b) 的直方图， (c)叠加在图(a)上的输入隶属度函数，(d)图3.54(c)的直方图 3.8.5 使用模糊集合进行空间滤波 图3.57 (a)模糊集合”0”ZE的隶属度函数； (b)模糊集合“黑色”BL和“白色”WH的隶属度函数 (b)用图3.57中的隶属度函数和图3.58中的规则的模糊滤波的结果 (c)灰度范围扩展到[0,L-1] 图3.59第2行中的“边缘”应该是“图框/轮廓”之误。’borders’ are not ‘edges’ Homework 2 121 习题 3.1，3.3(a,b) 3.4 3.11 3.17 3.22 * 3.3.4 用直方图统计量进行图像增强 钨丝缠绕的扫描电镜图像(SEM) p(r)是对应灰度值r的归一化的局部直方图分量，S表示某邻域； k?[0,1], M,D是整图的均值,方差 (b) (a) (c) 实验数据： K0=0.4 K1=0.02 K2=0.4 E=4.0 比较原图：虽然亮部不变，只有一些暗部被增强，但也包括一些不该增强的。 本例的思想可以举一反三，用于其它局部增强。 3.4 Basics of Spatial Filtering 掩模/ 模板 掩模下 的子图 线性滤波的通式（3.4-1） m*n是滤波器的大小, a=(m-1)/2, b=(n-1)/2 使用时，g(x,y) 要除以比例因子 点(x,y)周围像素的加权和 模板卷积 图象f(x,y) 大小N×N 模板(filter mask, template), m×m 相关：模板T(i,j) 其中x=1,2,…N-m+1; y=1,2,…N-m+1．当m=3时， 卷积： 当m,n为奇数（2a+1)和(2b+1)时： 演示：lectures_2D_3_linear_filtering_1up.pdf 模板 w(i, j) , m×n 3.4.3 线性滤波器的向量表示:点积 w z 3.5 平滑空间滤波器 两个平滑滤波器 平均滤波器大小从3、 5、9、15到35的平滑效果 太空望远镜图像 平滑 二值化 3.5.2 Order-Statistics Filter 排序统计量滤波器 +椒盐噪声 均值滤波 中值滤波 需要用Photoshop实例演示， Linear filtering in Matlab help？ 3.6 Sharpening Spatial Filters 3.6.1 Foundation 锐化 一段信号的一阶和二阶微分 3.6.2 利用二阶微分作图像增强——Laplacian算子 用Laplacian算子做增强： 其中： 3.6.3 Unsharp masking high-boost filtering 钝化/非锐化? k1 Unsharp masking high-boost filtering unsharp masking high-boost filtering 在Matlab中定义特定类型的２维滤波器H = FSPECIAL(TYPE) 类型： 　 average averaging filter disk circular averaging filter gaussian Gaussian lowpass filter laplacian filter approximating the 2-D Laplacian operator log Laplacian of Gaussian filter motion