第五篇 章 图像预处理 机器视觉课件.pptVIP

第五章 图像预处理 5.1直方图修正 5.2 图像线性运算 5.3线性滤波器 5.4非线性滤波 图像增强技术主要有两种方法：空间域法和频率域法．空间域方法主要是在空间域内对图像像素直接运算处理．频率域方法就是在图像的某种变换域，对图像的变换值进行运算，如先对图像进行付立叶变换，再对图像的频谱进行某种计算(如滤波等)，最后将计算后的图像逆变换到空间域 5．1直方图修正 直方图均衡化是一种通过重新均匀地分布各灰度值 来增强图像对比度的方法． 直方图修正的一个简单例是图像尺度变换：把在灰 度区间[a,b]内的像素点映射到区间 。一般情况下 函数曲线如图5.1（a）；当大部分象素灰度值都在区间 [a,b]内时，可用图5.1（b）所示的函数；（c）为分段 灰度变换；（d）为连续平滑函数。 图5．1 灰度变换 图5．2 上图为原始图像及其直方图．下图为直方图均衡化后的图像及其直方图 如果系统响应与输入脉冲的中心位置无关，则该系统 称为空间不变系统： 空间不变系统 输入 输出 线性空间不变系统(Linear Space Invariant，LSI)完全能用其脉冲响应来描述： LSI系统 g(x,y) 输入 输出 如果 和 表示图像，则卷积就变成了对 像素点的加权计算，脉冲响应就是一个卷积模板．图 5．3是模板为的示意图. 图5．3 阶的卷积模板示意图，卷积模板原点对应于位置E,而权A,B…I是g[-k,-l]的值，其中k,l=-1,0,+1． 5．2．2 付立叶变换 付立叶变换对每一个频率分量的幅值和相位进行编码 , 定义为 快速付立叶变换 FFT是许多图像处理应用领域里十分重要的方法 ，但是在机器视觉中，由于大多数算法是非线性的或空间可变的，因此不能使用付立叶变换方法．因此，在视觉预处理阶段，通常使用线性滤波器（如平滑滤波器等）来完成图像时域卷积． 5．3线性滤波器 图像常常被强度随机信号（也称为噪声）所污染． 一些常见的噪声有椒盐（Salt Pepper）噪声、脉冲噪声、 高斯噪声(如图5.4)等．线性平滑滤波器去除高斯噪声的效 果很好。 图5．4 被高斯噪声所污染的图像．(a) 原始图像，(b)高斯噪声． ５．３．１　均值滤波器 最简单的线性滤波器是局部均值运算，即每一个像素值 用其局部邻域内所有值的均值置换： 其中，M是邻域N内的像素点总数 。 均值滤波器可以通过卷积模板的等权值卷积运算来实现(见图5．5）． 图5．5 采用3×3邻域的均值滤波器示意图 邻域N的大小控制着滤波程度，对应大卷积模板的大尺度邻域会加大滤波程度．作为去除大噪声的代价，大尺度滤波器也会导致图像细节的损失．不同尺度下均值滤波的结果见图5．6． 图5．6 用，窗函数对图5．4噪声图像进行均值滤波后的结果 线性平滑滤波器去除了高频成分和图像中的锐化细节。空间可变滤波器能调节权值，使得在相对比较均匀的图像区域上加大平滑量，而在尖税变化的图像区域上减小平滑量。 ５．３．２　高斯平滑滤波 高斯滤波器是一类根据高斯函数的形状来选择权值的 线性平滑滤波器，对去除服从正态分布的噪声很有效。 常用二维零均值离散高斯函数作平滑滤波器．这种函 数的图形如图5．7所示，函数表达式为： 图5．7二维零均值高斯函数示意图 高斯函数具有五个十分重要的性质，它们是： 1、二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的。 2、高斯函数是单值函数。 3、高斯函数的付立叶变换频谱是单瓣的。 4、高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，σ越大，高斯滤波器的频带就越宽，平滑程度就越好． 5、高斯函数的可分离性。大高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． 下面详细解释这些性质： 1、旋转对称性 把高斯函数从直角坐标变换到极坐标，极坐标表达式为： 它不依赖于极角θ，所以旋转对称． 旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向。 2、付立叶变换性质 高斯函数的付立叶变换也是一个高斯函数，其付立叶 变换可简化为： 高斯函数在空间域越窄，则在频率域里的频谱越宽，通过高频噪声和细纹理信号就越多。图5.8