图形图像学基础15：图像增强(领域运算)培训资料.ppt

2 中值滤波主要特性 1） 对某些输入信号中值滤波的不变性 对某些特定的输入信号，如在窗口内单调增加或单调减少的序列， 中值滤波输出信号仍保持输入信号不变，即： fi-n≤…≤fi≤…≤fi+n或 fi-n≥…≥fi≥…≥fi+n，则 {yi}={fi}。 2） 中值滤波去噪声性能 中值滤波的输出与输入噪声的密度分布有关。对随机噪声的抑制能力，中值滤波比平均值滤波要差一些。但对脉冲干扰， 特别是脉冲宽度小于m／2、相距较远的窄脉冲干扰，中值滤波的效果较好。 算术平均平滑对含有高斯噪声的图像有效； 而中值滤波对含有“椒盐”噪声图像的去噪声效果较好。 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 a b c d e f g 3 其他统计滤波器 最大值滤波器（发现最亮点，过滤“胡椒”噪声） 最小值滤波器（发现最暗点，过滤“盐”噪声） 中点滤波器（去高斯噪声，随机分布噪声） 图像边缘检测技术 边缘是灰度值发生突变的地方 边缘蕴含丰富信息： 物体表面方向发生改变的地方 物体的轮廓 物体的阴影 边缘提取算法：差分法 梯度法 Laplace 算子 图像梯度 图像的梯度: 梯度的方向是灰度变化最快的方向 梯度的方向为： 梯度方向与边缘方向的关系? 梯度的模表示边缘的强度 梯度的离散近似 如何计算一幅数字图像 f[x,y]的梯度? 用差分来近似计算 幅度： 幅角： 则数字梯度向量： 离散情况下梯度的近似计算（梯度向量的模）： 1）水平垂直差分法 2）罗伯特梯度法（Robert Gradient, 交叉梯度）  同样可近似为 或： Roberts 算子 图像中灰度变化较大的边缘区域其梯度值大 在灰度变化平缓的区域其梯度值较小，而在灰度均匀区域其梯度值为零。 在图像的最后一行和最后一列的各像素的梯度无法求得，一般就用前一行和前一列的梯度值近似代替。 例子：梯度滤波 梯度滤波常用于工业探伤。突出受损部位，滤除渐变的背景信息 原始图像 利用Sobel算子进行滤波后的图像 Sobel 算子 采用梯度微分锐化图像，同时会使噪声、条纹等得到增强， Sobel算子则在一定程度上克服了这个问题。 Sobel算子法的基本原理是： 按下式计算3×3窗口的灰度， 将其作为变换后图像f(i, j)的灰度。 其中 图像二值化(I) 多值图像：具有对个灰度级的单色图像 二值图像：只有黑白两个灰度级的图像 图像二值化的用途：图像分割，图像压缩等等。 图像二值化(II) 基本思想： 在原图像灰度区间[Lmin,Lmax]中设定一个阈值Lt 对图像中逐个像素进行处理，当像素灰度值大于Lt时赋予新灰度值1，否则赋予新灰度值0 基于灰度直方图的二值化 Noise free Low noise High noise 问题：如何自动选取灰度阈值？ 阈值的自动选取 递推法 最大似然法 自适应法 p-tile法 建模法 递推法 1. 为阈值选择一个初值T，T可以是： (i) 整个图像灰度值的均值 (ii) 整个图像灰度值的中值 2. 利用T将整个图像中的像素分成两组: (i) G1 由所有灰度值大于 T 的像素组成 (ii) G2由所有灰度值大于 T 的像素组成 3. 分别计算像素组G1 和 G2 的平均灰度值μ1 和 μ2 4. 利用下式计算新的阈值T 5. 重复步骤2到4直到T的变化量小于一个预定值。 最大似然法(I) 任何一个选定的阈值将直方图分为两部分，每一部分都有自己的统计特征（期望值，方差） 期望值（或称均值）：一个离散随即变量的期望值是变量所有取值乘以该值发生概率之和。 方差：实际值与期望值之差的平方的期望值，反应了变量的离散程度 每个组的方差都反应了本组中像素的同质性。 最优的阈值是使得两个组的方差都最小的阈值。 * T 最大似然法(II) 组 o (object) 由灰度值小于等于 T的像素组成 组 b (background) 由灰度值大于T的像素组成 一个像素具有灰度值 i 的概率为s 其中 h(i) 是一个具有 N 像素图像的灰度直方图 组 o 发生的先验概率为 po(T) 组 b 发生的先验概率为 pb(T) * 自适应法(I) 左下图是一幅电泳图像，图像中暗的区域是我们感兴趣的区域。 如果选择阈值 T = 70，我们得到右下图所示的结果。 自适应法(II) 把整幅图像分成四个子区域。 对每个区域采用