纵轴代表概率密度函数pr.PPTVIP

动手实践 用IPP实现图像加法,乘法 用ImgCX实现两个图像的相加 动手实践 用IPP实现分段线性拉伸 用ImgCX实现分段线性拉伸 动手实践 用IPP做直方图均衡化。 课后作业： 用ImgCX实现图像直方图均衡化算法 * * 1 2 1 4 3 1 2 2 3 4 5 4 6 8 9 5 7 8 4 8 5 6 7 8 9 3、统计排序滤波器 （2）中值滤波器 ？ * * ( 3) 中值滤波去噪声性能 对于零均值正态分布的噪声输入， 中值滤波输出的噪声方差σ2med近似为 式中：σ2i为输入噪声功率（方差），m为中值滤波窗口长度（点数）， 为输入噪声均值，  为输入噪声密度函数。 * * 而均值滤波的输出噪声方差σ20为 比较公式，可以看出，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。 * * 中值滤波消除雀斑 * * （3）实例及结论 观察以下几个实例，对比中值滤波和邻域平均滤波的各自特点。 * * 噪声平滑实验图像 （a） Lena原图； （b） 高斯噪声； （c） 椒盐噪声； (d) 对(c)平滑；(e) 对(b)平滑； (f) 对(b) 中值滤波； (g) 对(c) 中值滤波 a b c d e f g * * 结论： 1、与平滑滤波器相比，中值滤波在去除噪声的同时，能更好地保持图像的噪声。 2、中值滤波器适用于椒盐噪声污染的图像，平滑滤波适用于高斯噪声污染的噪声。 课堂作业：用Python实现中值滤波 * * 3.1 图像运算 3.2 灰度变换 3.3 直方图增强 3.4 图像平滑 3.5 图像锐化 第3章 图像增强 * * 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 3.5 锐化滤波 * * 锐化空间滤波其的性能： （1）突出图像中的细节或增强被模糊的细节； （2）加大了图像中的噪声。 * * 1 锐化数学基础 （1）微分的性质 A、在平坦段，微分值为零； B、在灰度变化段，微分值非零。 （2）一阶微分和二阶微分的差分定义： 2、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) 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 * * （1）Roberts（罗伯特）算子 利用局部差分算子寻找边缘的算子。梯度幅值计算近似方法如图所示: (i,j)为当前像素的位置，其计算公式如下： 它是由两个模板组成 : 标注 的是当前像素的位置 * * 为了统一运算，也可以归入模板法，在空域处理（卷积）。因此，上面的差分计算公式通常可以用模板进行描述： * * 2、Prewitt梯度算子 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= * * * * 3.Sobel算子 Sobel算子梯度幅值计算如图3-33所示。(i,j)为当前像素点，梯度幅值计算公式如下： 用卷积模板来实现： * * 是水平模板，对水平边缘响应最大； 是垂直模板，对垂直边缘响应最大。 Sobel算子是边缘检测中最常用的算子之一。 * * 设16x16点阵的假想图像如右图所示 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0