第三讲图象的平滑（去噪声），锐化.docVIP

第三讲 图象的平滑（去噪声），锐化 1．平滑（smoothing） 先举个例子说明一下什么是平滑，如下图所示: 图1. 原图 图2. 经过平滑处理后的图 可以看到，图2比图1柔和一些（也模糊一些）。是不是觉得很神奇？其实实现起来很简单。我们将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度，就能实现上面的效果。这么做并非瞎蒙，而是有其道理的。大概想一想，也很容易明白。举个例子，就象和面一样，先在中间加点水，然后不断把周围的面和进来，搅拌几次，面就均匀了。 用信号处理的理论来解释，这种做法实现的是一种简单的低通滤波器（low pass filter）。哇，好深奥呀！不要紧，这些理论的内容并不多，而且知道一些理论也是很有好处的。在灰度连续变化的图象中，如果出现了与相邻像素的灰度相差很大的点，比如说一片暗区中突然出现了一个亮点，人眼能很容易觉察到。就象看老电影时，由于胶片太旧，屏幕上经常会出现一些亮斑。这种情况被认为是一种噪声。灰度突变在频域中代表了一种高频分量，低通滤波器的作用就是滤掉高频分量，从而达到减少图象噪声的目的。 为了方便的叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度”这一操作，我们用如下的表示方法: (1) 这种表示方法有点象矩阵，我们称其为模板(template)。中间的黑点表示中心元素(此处用*表示)，即，用哪个元素做为处理后的元素。例如表示将自身的2倍加上右边的元素作为新值，而表示将自身加上左边元素的2倍作为新值。通常，模板不允许移出边界，所以结果图象会比原图小，例如模板是，原图是，经过模板操作后的图象为，数字代表灰度，x表示边界上无法进行模板操作的点，通常的做法是复制原图的灰度，不进行任何处理。 模板操作实现了一种邻域运算(Neighborhood Operation)，即，某个像素点的结果不仅和本像素灰度有关，而且和其邻域点的值有关。在以后介绍的细化算法中，我们还将接触到邻域运算。模板运算的数学涵义是一种卷积（或互相关）运算，你不需要知道卷积的确切概念，有这么一个概念就可以了。 模板运算在图象处理中经常要用到，可以看出，它是一项非常耗时的运算。以为例，每个像素完成一次模板操作要用9个乘法，8个加法，1个除法。对于一幅N*N(宽度*高度)的图象，就是9N2个乘法，8N2 个加法和N2 个除法，算法复杂度为 O(N2 )，这对于大图象来说，是非常可怕的。所以，一般常用的模板并不大，如3*3，4*4。有很多专用的图象处理系统，用硬件来完成模板运算，大大提高了速度。另外，可以设法将2维模板运算转换成1维模板运算，对速度的提高也是非常可观的。例如，(2)式可以分解成一个水平模板和一个竖直模板，即， (2) 我们来验证一下,设图象为，经过(2)式处理后变为 ([]xxxxx33.06xx4.564.56xxxxx?faint) 经过(3)式处理后变为[]xxxxx33.06xx4.564.56xxxxx ，两者完全一样。如果计算时不考虑周围一圈的像素，前者做了4*（9个乘法，8个加法，1个除法），共36个乘法，32个加法，4个除法；后者做了4*（3个乘法，2个加法）+4*（3个乘法，2个加法）+4个除法，共24个乘法，16个加法，4个除法，运算简化了不少，如果是大图，效率的提高将是非常客观的。 平滑模板的思想是通过一点和周围8个点的平均来去除突然变化的点，从而滤掉一定的噪声，其代价是图象有一定程度的模糊。上面提到的模板（1），就是一种平滑模板，称之为Box模板。Box模板虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的9个点都一视同仁，所以平滑的效果并不理想。实际上我们可以想象，离某点越近的点对该点的影响应该越大，为此，我们引入了加权系数，将原来的模板改造成 (3) 可以看出，距离越近的点，加权系数越大。新的模板其实也是一个常用的平滑模板，称为高斯(Gauss)模板。为什么叫这个名字，这是因为这个模板是通过采样2维高斯函数得到的。 设图象为，分别用两种平滑模板处理(周围元素直接从原图拷贝)，结果如下： 采用模板1： 采用高斯模板： ([]2222333.06344.564.5655666 faint!) 可以看到，原图中出现噪声的区域是第2行第2列和第3行第2列，灰度从2一下子跳到了6，用Box模板处理后，灰度从3.11跳到4.33；用高斯模板处理后，灰度从3.跳到4.56,都缓和了跳变的幅度，从这一点上看，两者都达到了平滑的目的。但是，原图中的第3，第4行总的来说，灰度值是比较高的，经模板1处理后，第3行第2列元素的灰度变成了4.33， 与第3，第4行的总体