图像处理第四章空域增强(下)课件.ppt

(a)椒盐噪声污染的电路板X光图像，(b)用3x3均值去除噪声， (c)用3x3中值滤波器去除噪声（去噪效果好且保持住了边缘） 邻域平均与中值滤波的比较 a b c d e f g 图4-24 噪声平滑实验图像 （a） Lena原图； （b） 高斯噪声； （c） 椒盐噪声； (d) 对(b)平均平滑；  (e) 对(c)平均平滑； (f) 对(b)5×5中值滤波； (g) 对(c)5×5中值滤波 均值，中值，最频值 中值滤波器： 主要用途：去除噪声 计算公式：R = mid {zk | k = 1,2,…,n} 最大值滤波器： 主要用途：寻找最亮点 计算公式：R = max {zk | k = 1,2,…,n} 最小值滤波器： 主要用途：寻找最暗点 计算公式：R = min {zk | k = 1,2,…,n} （2）最大值滤波 （3）最小值滤波 锐化空间滤波器 主要目的：是为了突出图像中的细节或者增强被模糊了的细节。这种模糊不是由于错误的操作，而是特殊的图像获取方法的固有影响。 均值滤波－－积分－－平滑 微分－－锐化 对于一元函数f(x)的一阶微分定义为一个差值： 类似地，用差分定义二阶微分： 一、基于一阶微分的图像增强－－梯度法（非线性） 在图像处理中，一阶微分是通过梯度法来实现的。对于函数f(x,y)，其在(x,y)处的梯度是通过一个二维向量来定义的： 该向量的模值为： 注意：一般将梯度的模值称为梯度。 近似算法： z1 z2 z3 z4 z5 z6 z7 z8 z9 常用梯度算子- Roberts交叉算子 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。 0 1 -1 0 1 0 0 -1 Prewitt 算子（平均差分） ▽ f ≈ |Gx|+|Gy| = |(z7 +z8 + z9) - (z1 + z2 + z3) | +|(z3 +z6 + z9) - (z1 + z4 + z7) | -1 -1 -1 0 0 0 1 1 1 -1 0 1 -1 0 1 -1 0 1 常用梯度算子- Prewitt 算子 Sobel梯度算子——3x3的梯度模板 ? f ≈ |Gx|+|Gy| = |(z7 +2z8 + z9) - (z1 + 2z2 + z3) | +|(z3 +2z6 + z9) - (z1 + 2z4 + z7) | 权值2用于通过增加中心点的重要性而实现某种程度的锐化效果 -1 -2 -1 0 0 0 1 2 1 -1 0 1 -2 0 2 -1 0 1 常用梯度算子- Sobel梯度算子 (a)隐形眼镜的光学图像（注意，在边缘处类似时钟4点和5点处的缺陷，(b)Sobel梯度 原图像 |Gx|，x方向上的梯度分量，水平细节非常清楚 |Gy|，y方向上的梯度分量，垂直细节非常清楚 梯度图像|Gx|+|Gy|，水平和垂直细节都非常清楚 问题：砖墙等图像细节对边缘提取不必要 处理办法：对图像进行平滑处理 原图像经过5×5的均值滤波器进行平滑处理 |Gx|，x方向上的梯度分量，突出水平细节 |Gy|，y方向上的梯度分量，突出垂直细节 梯度图像|Gx|+|Gy|，突出水平和垂直细节 二、基于二阶微分的图像增强－－拉普拉斯算子 推导离散形式： x方向上： y方向上： 二维拉普拉斯算子的离散形式为： 1 1 1 1 -8 1 1 1 1 0 1 0 1 -4 1 0 1 0 0 -1 0 -1 4 -1 0 -1 0 -1 -1 -1 -1 8 -1 -1 -1 -1 (a) (b) (c) (d) (a)拉普拉斯变换所用的滤波器掩模，(b)扩展掩模，包括对角线邻域，(c)和(d)其他两种拉普拉斯的实现 将原始图像与拉普拉斯图像叠加在一起的简单方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息。 使用拉普拉斯算子对图像增强的基本方法可以表示为： (a)月球北极的图像； (b)拉普拉斯滤波后的图像； (c)为显示目的标定后的拉普拉斯图像； (d)增强后的图像。 简化 0 -1 0 -1 5 -1 0 -1 0 -1 -1 -1 -1 9 -1 -1 -1 -1 0 -1 0 -1 A+4 -1 0 -1 0 -1 -1 -1 -1 A+8