DIP03 空域图像增强(下).ppt

* 图3.42 高提升滤波技术的掩模实现 当A=1时，高提升滤波处理就是标准的拉普拉斯变换。随着 A 超过1不断增大，锐化处理的效果越来越不明显，使图像整体的平均灰度增加，提高图像的亮度。最终，当 A 足够大时，高提升图像将近似等于常数调制的图像。 基于反锐化掩蔽的图像增强 * 用高提升滤波器增强图像的示例 较暗的 原始图像 拉普拉斯掩模 (A=0) (高频细节图像) 高通滤波掩模 (A=1) (标准拉普拉斯变换图像) 高提升滤波图像 (A=1.7) 基于反锐化掩蔽的图像增强 * 基于一阶微分的图像增强 — 梯度法 前面所述的拉普拉斯算子是基于二阶微分的，而一阶微分在图像处理中最常用的应用是计算梯度。 对于函数 f(x,y)，在其坐标(x,y)上的梯度是通过一个二维列向量定义： 向量的模值 尽管梯度向量本身是线性算子，但向量的模值不是线性的，因为平方和开方运算。 梯度向量中的偏导数并非各向同性的（旋转不变），但梯度向量的模值却是各向同性的。 一般把梯度矢量的模值称为梯度。 * 考虑一个 3×3 的图像区域，z 代表灰度级，上式在点 z5 的 ?f 值可用数字方式近似。 (?f / ?x) 用（z5 – z6）近似 (?f / ?y) 用（z5 – z8）近似，组合为： ?f ? [(z5 - z6)2 + (z5 - z8)2]1/2 z2 z8 z5 z3 z9 z6 z1 z7 z4 用绝对值替换平方和平方根 有： ?f ? |z5 - z6| + |z5 - z8| 另外一种计算方法是使用交叉差： ?f ? [(z5 - z9)2 + (z6 - z8)2]1/2 ?f ? |z5 - z9| + |z6 - z8| z2 z8 z5 z3 z9 z6 z1 z7 z4 基于一阶微分的图像增强 — 梯度法 * Roberts 交叉梯度算子 ?f ? |z5 - z9| + |z6 - z8| 梯度计算由两个模板组成，第一个求得梯度的第一项，第二个求得梯度的第二项，然后求和，得到梯度。 两个模板称为 Roberts 交叉梯度算子 z2 z8 z5 z3 z9 z6 z1 z7 z4 0 1 -1 0 -1 0 0 1 微分滤波器：用于边缘检测 Roberts 交叉梯度算子 Prewitt 梯度算子 Sobel 梯度算子 基于一阶微分的图像增强 — 梯度法 * 基于一阶微分的图像增强 — 梯度法 原始图像 Robert 算子 提取边缘 * Prewitt 算子：对几个样点取平均，以提高 估计的可靠性和连续性（限于：二维信号和图像处理）： 提取水平边缘 上述表述可以得到如下空间掩模： 基于一阶微分的图像增强 — 梯度法 * 基于对梯度 ?f(x,y) 近似的概念，提出了一系列空间掩模滤波器 Prewitt 算子 提取水平边缘 提取垂直边缘 像素位置 Prewitt 算子（表达式） 基于一阶微分的图像增强 — 梯度法 * (a)原始图像 (b) Prewitt 掩模滤波后的图像 对(b) 图像应用所示的两个变换函数 基于一阶微分的图像增强 — 梯度法 * 原始图像 垂直边缘提取 水平边缘提取 基于一阶微分的图像增强 — 梯度法 * Sobel 算子 提取水平边缘 提取垂直边缘 像素位置 Sobel算子（表达式） 更多加强当前 y 位置 更多加强当前 x 位置 基于一阶微分的图像增强 — 梯度法 * 隐形眼镜的光学图像 Sobel梯度 缺陷位置 突出图像中的小缺陷，并去除缓慢变化的背景，用于工业检测、辅助人工检测缺陷。 基于一阶微分的图像增强 — 梯度法 * 基于一阶微分的图像增强 — 梯度法 原始图像 Robert 算子 Sobel 算子 * 其它算子 检测对角线边缘 检测对角线边缘 像素位置 表达式 基于一阶微分的图像增强 — 梯度法 * 基于一阶微分的图像增强 Matlab 函数 前面讲述了线性空间滤波函数：imfilter g = imfilter(f, w, filtering_mode, boundary_options, size_options) 其中，w 是滤波掩模，可以自己定义，也有专门的函数生成 Matlab 预先定义了一些二维线性空间滤波器，生成滤波掩模 w 的函数 fspecial，其语法为： w = fspecial(type, parameters) 其中，‘type’ 表示滤波器类型，parameters 进一步定义了指定的滤波器。 * 基于一阶微分的图像增强 Matlab 函数 % Pre