图像增强1数字图像处理演示文稿.pptVIP

中值滤波的一些特性 (1) 对大的边缘高度，中值滤波较邻域均值好得多，而对于较小边缘高度，两种滤波只有很少差别。 （2） 中值滤波是非线性的。 （3） 中值滤波在抑制图像随机脉冲噪声方面甚为有效。且运算速度快，便于实时处理。 （4） 中值滤波去除孤立线或点干扰，而保留空间清晰度较平滑滤波为好；但对高斯噪声则不如平滑滤波。 邻域平均和中值滤波的比较 含均匀随机噪声 3?3邻域平均 7?7邻域平均 11?11邻域平均 3?3中值滤波 5?5中值滤波 锐化滤波 主要用于增强图像的边缘及灰度跳变部分 邻域平均方法－积分过程－结果使图像的边缘模糊 锐化方法－微分过程－结果使图像的边缘突出 注意：噪声的影响 先去噪，再锐化操作 梯度运算 微分锐化中常用的方法 设图像f(x,y)在点(x,y)的梯度矢量为G[f(x,y)]： 两个重要性质： （1）梯度的方向是在函数f(x,y)最大变化率方向上（2）梯度的幅度用G[f(x,y)]表示： 对于数字图像，则用离散的式子表示 简化 f(i,j) f(i,j+1) f(i+1,j) f(i,j) f(i,j+1) f(i+1,j) f(i+1,j+1) Roberts梯度算子 结论 梯度的近似值和相邻象素的灰度差成正比，因此在图像变化缓慢区域，其值很小，而在线条轮廓等变化快的部分其值很大，梯度运算可使细节清晰，从、而达到锐化的目的 拉普拉斯算子 一个连续的二元函数f(x,y)，其拉普拉斯运算定义为： 拉普拉斯算子 对于数字图像，拉普拉斯算子可以简化为： g(i,j)=4f(i,j)-f(i+1,j)-f(i-1,j)-f(i,j+1)-f(i,j-1) 也可以表示成卷积形式： g(i,j)=∑f(i,j)H(r,s) 0 H(r,s)= -1 0 -1 4 -1 0 -1 0 其它锐化算子 Sobel算子：S=(dx2+dy2)1/2 dx=[fi-1,j-1+2fi,j-1+fi+1,j-1]-[fi-1,j+1+2fi,j+1+fi+1,j+1] dy=[fi+1,j-1+2fi+1,j+fi+1,j+1]-[fi-1,j-1+2fi-1,j+fi-1,j+1] 用模板表示： 1 0 -1 2 1 0 0 -2 -1 -1 -2 -1 0 1 0 2 0 1 dx= dy= Prewitt算子：S=(dx2+dy2)1/2 用模板表示： 1 0 -1 1 1 0 0 -1 -1 -1 -1 -1 0 1 0 1 0 1 dx= dy= Robert算子：S=(dx2+dy2)1/2 用模板表示： 1 0 0 -1 0 -1 -1 0 dx= dy= 一般产生梯度图是： 缺点：使f(x,y)中所有平滑区域在g(x,y)中变成暗区，梯度值较小的原因 不破坏平滑区域的灰度值，又能有效的强调图像的边缘 图像的边缘增强效果更明显 不受背景的影响，只研究图像边缘灰度级变化 只对边缘的位置感兴趣 实例 Sobel算子 Roberts算子 Prewitt算子 原图 直接求梯度图 阈值为10 阈值为30 阈值为50 原图 与平滑比较 原图像 高斯噪声图的5×5十字中值滤波噪声 椒盐噪声图的5×5十字中值滤波噪声 直接对原始图像锐化 对高斯噪声图像锐化 对椒盐噪声图像锐化 原图像 原图像的直方图 规定直方图 输出图像 输出图像的直方图 直方图中高灰度值一边更密集 由于规定的直方图在高灰度区值较大，所以变换的结果比均衡化更亮 原图像及直方图 均衡后的图像及直方图 图像的反差大了，细节清楚了 在直方图中的表现是直方图灰度范围窄且集中在低灰度值区域。 现在直方图占据了整个图像灰度值的允许范围，增加了图像的动态范围。 原图较暗且动态范围小 总结 直方图均衡化：寻找r和s之间的函数关系 直方图规定化：寻找r和z之间的函数关系 总结 r s v z ＝ 作业：一幅图像共有8个灰度级，每一灰度级的概率分布如下表所示，要求对其进行直方图规定化处理，规定化直方图的数据如表所示。(画出规定化后的直方图) rk Pr（r k） Z k P z（zk） r0＝0 0.29 z0＝0 0 r1＝1/7 0.24 z1＝1/7 0 r2＝2/7 0.17 z2＝2/7 0 r3＝3/7 0.12 z3＝3/7 0 r4＝4/7 0.09 z4＝4/7 0.27 r5＝5/7 0.06 z5＝5/7 0.43 r6＝6/7 0.02 z6＝6/7 0.19 r7＝1 0.01 z7＝1 0.11 原始直方图数据 规定直方图数据 1/7 2/7 3/7 4/7 5/7 6/7 0 1 0.29 0.24 0.17 0.12 0.09 0.06 0.02 0.01 P r (r k ) rk 1/7 2/7 3/7 4/7 5/7 6