数字图像处理研究.docxVIP

图像加运算：同一场景多幅图像求平均，降低叠加性质的随机噪声 图像增强的目的：1、改善图像的视觉效果，提高图像的清晰度；2、增强对某些信息的辨别能力； 空间滤波：线性滤波：傅里叶变换 非线性滤波：对领域进行操作 平滑滤波——低通滤波：模糊；去噪 能消除傅里叶高频分量，而不影响低频分量 锐化滤波——高通滤波：增强被模糊的细节（突出图像边缘信息，加强图像轮廓特征） 能消除傅里叶低频分量，而不影响高频分量 空间滤波是通过卷积实现的 将模板中心同某个图像中的某个像素重合 将模板上的系数与模板下对应的系数相乘 将所有的乘积相加 将模板的输出相应赋给模板中心位置对应的像素 线性平滑滤波——领域平均法 非线性平滑滤波——中值滤波 消去噪声，同时边界不模糊 线性锐化滤波 线性高通滤波是最常用的线性锐化滤波 拉普拉斯算子二阶 非线性锐化滤波 梯度模算子 Sobel算子 Prewitt算子 高斯拉普拉斯算子 频率滤波 低通滤波 使低频通过而高频阻止 高通滤波 带通滤波 同态滤波 边缘检测方法：差分边缘检测，roberts边缘检测算子，Sobel边缘检测算子 Prewitt边缘检测算子，lapulasi检测算子，canny检测算子，log算子 差分边缘检测：根据灰度变化处一阶导数达到最大（阶跃边缘情况），要求差分方向和边缘方向垂直，利用倒数算子检测边缘。 roberts边缘检测算子：采用对角线方向相邻两像素之差梯度幅度值检测边缘，检测水平和垂直边缘好于倾斜边缘，但对噪声敏感。 Sobel边缘检测算子 利用像素点上、下、左、右的灰度加权算法，根据在边缘点达到极值这一现象进行边缘检测。在噪声有平滑的作用导致检测出伪边缘，边缘定位精度不高。 Prewitt边缘检测算子 边缘样本检测算子。依次用边缘样本区检测图像，与被检测区域最为相似的样板给出最大值。 lapulasi检测算子 二阶导数算子，对图像的噪声很敏感，容易产生双边缘，且不能提供方向信息 ?不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 ? ? ? ? 在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。 ? ? ? 各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位。 1.Sobel算子 ? ? ? ? 其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，?Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。 ? ? ? ?Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。实际使用中，常用如下两个模板来检测图像边缘。 ? ? ? ? ? ? ? ? ? 检测水平边沿?横向模板?：? ? ? ? ? ?检测垂直平边沿 纵向模板： 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 然后可用以下公式计算梯度方向。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 在以上例子中，如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗