数字图像处理课件-Course Review.ppt

* 线检测 见如下模板，它们分别可对不同方向的线段进行检测，可使用其中之一检测某特定方向的线段 * 线检测 * 边缘跟踪的概念 将检测的边缘点连接成线就是边缘跟踪 线是图像的一种中层符号描述 由边缘形成线特征的两个过程 可构成线特征的边缘提取 将边缘连接成线 连接边缘的方法 光栅跟踪 全向跟踪 * Hough变换检测法 基本思想 * Hough变换检测法 算法实现： 使用交点累加器，或交点统计直方图，找出相交线段最多的参数空间的点，然后找出该点对应的xy平面的直线线段。 * 算法步骤： 1．在ρ、θ的极值范围内对其分别进行m，n等分，设一个二维数组的下标与ρi、θj的取值对应； 2．对图像上的所有边缘点作Hough变换，求每个点在θj(j＝0，1，…，n)Hough变换后的ρi ，判断(ρi、θj)与哪个数组元素对应，则让该数组元素值加1； 3．比较数组元素值的大小，最大值所对应的(ρi、θj)就是这些共线点对应的直线方程的参数。 * The Ends * 频率域伪彩色变换 在不同的频率分量与颜色之间经过一定的变换建立一种对应关系。 * 图像退化与复原 图像的退化是指图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏 图像复原就是要尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理 * 图像退化与复原 典型的图像复原是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，得到质量改善的图像 图像复原过程如下： 找退化原因→建立退化模型→反向推演→恢复图像 可见，图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度，体现在建立的退化模型是否合适 * 图像复原和图像增强的区别： 图像增强不考虑图像是如何退化的，而是试图采用各种技术来增强图像的视觉效果 图像复原需知道图像退化的机制和过程等先验知识，并据此找出一种相应的逆处理方法，从而得到复原的图像 二者的目的都是为了改善图像的质量 * 图像退化/复原过程的模型 退化模型：退化过程可以被模型化为一个退化函数和一个加性噪声项 退化函数：即图像质量退化的原因，非常复杂，为了处理简单，一般考虑用线性系统近似 噪声：同样为了简单处理，采用几类典型数学模型概括 * 图像退化/复原过程的模型 空间域退化模型（线性系统+噪声） 频率域退化模型（线性系统+噪声） * 噪声模型 数字图像的噪声主要来源于图像的获取（包括数字化过程）和传输过程 噪声的产生地点和强度都是不确定的，因此需要采用概率分布来描述，即我们把噪声当作随机变量来处理 假设噪声独立于空间坐标，且与图像本身无关联 * 噪声分布模型 * 测试图，只有三种不同的灰度级，因此它的直方图只有三条线条 噪声模型 * 噪声模型 * 噪声模型 * 噪声模型 噪声的估计 从传感器的规格说明中获取 通过傅立叶频谱检测 使用一张标准图像检测成像系统的噪声参数，例如黑色背景下的一个白色方块图 利用图像本身的信息？ ——截取图像区域中较为平台的一个子区域，作为标准测试图像，检测噪声直方图形状 * 噪声模型 * 只存在噪声的空间滤波复原——去噪复原 当仅有加性噪声时，可考虑空间滤波方法，利用图像的相似性，使用像素周边信息对降低噪声的影响，甚至去除噪声 均值滤波 统计排序滤波 自适应局部噪声消除滤波器 自适应中值滤波器 * 只存在噪声的空间滤波复原——去噪复原 直接减去噪声并不现实，因为噪声是随机的，我们并不确切地知道噪声在和处，强度是多少 如果是周期噪声，有可能在频率域将周期噪声和图像本身分离开，从而减去噪声的频率分量，实现图像的去噪复原 * 自适应滤波器 前面讨论的滤波器并不考虑每个像素点的局部特点，而是每个像素点采用相同的处理。显然我们可以统计每个像素点周边的情况，然后采取不同的对策处理相应的响应。 自适应滤波优于前面所讲述的各种均值滤波。它们的行为变化基于由m x n矩形窗口，Sxy定义的区域内图像的统计特性 * 自适应局部噪声消除滤波器 滤波器作用于局部区域Sxy,，滤波器在中心化区域中任何点（x，y）上的滤波器响应基于以下4个量 ——噪声图像在点(x,y)上的值 ——干扰f(x,y)以形成g(x,y)的噪声方差 ——在Sxy上像素点的局部均值 ——在Sxy上像素点的局部方差 * 自适应局部噪声消除滤波器 分析： 如果 为零，则滤波器应该简单地返回 的值。在 下零噪声的情况等同于 如果局部方差与 相比要更高，则滤波器应返回一个 的近似值，一个典型的高局部方差是与边缘相关，并且这