第四章 空间域图像增强.ppt

反锐化掩蔽 在出版业中使用的锐化处理是将图像模糊形式从原始图像中去除。这种图像锐化方式称为反锐化掩蔽 高提升滤波 高提升滤波 如果 是拉普拉斯滤波后增强了的图像，则 当A=1时，高提升滤波就是拉普拉斯变换。随着A的增大，锐化的效果越来越不明显。 用途 在图像锐化的同时，提高图像的亮度。适用于亮度特别暗的图像的锐化增强。 中心系数为负 中心系数为正 应用举例 应用举例 梯度算子 梯度法是一种基于一阶微分的图像锐化方法。 对于二维图像函数f(x,y)，在坐标点（x,y）处的梯度是一个二维的列向量 梯度向量的模为： 梯度的特点 梯度向量的各个分量本身是线性算子，但梯度向量的模却不是线性的。 梯度向量的分量不是各向同性的，但是其模值确是各向同性的。 对于图像锐化而言，梯度向量的模值是一种合适的一阶微分算子。 在以后的讨论中，一般把梯度矢量的模值称为“梯度”。 梯度滤波器 在对图像中所有的像素点求取其模值时，由于要进行平方和开方运算，运算量很大，通常用绝对值来近似梯度的模值。 梯度的离散形式为： -1 1 0 0 -1 0 1 0 罗伯茨（Roberts）梯度 是一种交叉梯度 -1 0 0 1 0 -1 1 0 Sobel算子 是一种基于一阶微分的尺寸为3×3的滤波器 -1 -2 -1 0 0 0 1 2 1 -1 0 1 -2 0 2 -1 0 1 应用举例 * * * * * * * * * * * 模板 模板可以看作是一幅m×n的子图像，通常m和n都为奇数。常用的模板尺寸为3×3，5×5，7×7。 如果用m×n的模板对图像进行线性滤波，则滤波器的输出可以用下式来表示： 其中，a=(m-1)/2, b=(n-1)/2 由公式可以看出，线性空间滤波和卷积运算的概念很相似，因此线性空间滤波通常也称为“图像与模板的卷积 空间滤波 在实践中，通常用如下形式来简化表达式： 进行空间滤波容易出现的问题 当模板中心靠近图像边缘时，模板的一些行或列会处于图像平面之外。这样是使得图像边缘的这些像素难以进行模板操作。 解决方法 限制模板中心点的移动范围，模板中心与图像边缘的距离不小于（n-1）/2像素。滤波后的图像比原始图像尺寸要小 在图像的边缘以外再补上一行或一列数据。这一行或一列数据可以为常数，也可以是图像边缘的复制。这种方法可以保证尺寸上相等，但是会给图像边缘的部分带来不良影响，这种影响随模板尺寸的增加而增大。 平滑空间滤波器的作用 去除或削弱噪声 大部分噪声是在采集和量化（如传感器件、传输通道、量化器等）过程中引起的，多半是随机性的。噪声点一般是孤立的，和邻近各点相比，噪声点的灰度值有显著的不同。 提取大目标前，去除图像中一些琐碎的无关重要的细节。 负面作用就是使得图像中的边缘轮廓和线条模糊。 分类 线性滤波器 非线性滤波器 模糊 平滑线性滤波器 平滑线性滤波器的输出响应是包含在滤波模板邻域内的像素的平均值。 其实质就是用图像中某点邻域内所有像素的平均灰度值来替代该点的灰度值。 这种滤波器通常也称为“均值滤波器”，用这种滤波器对图像进行处理的方法称为“邻域平均法”。 均值滤波器可以用来去除图像中不相干的细节，但前提是这些不相干细节所占据的像素区域要小于滤波器的尺寸。 典型的均值滤波器 该滤波器中的所有像素均为1，通常也称为“盒滤波器”。 邻域中所有像素点对结果的贡献是相同的，或者说它们重要程度相同。 典型的均值滤波器 从滤波器的系数来看，邻域中的一些像素比另一些更重要，对滤波结果的贡献也不同。 这种滤波器称为“加权平均”滤波器。 邻域中像素的重要性和该像素与邻域中心点的距离有关。距离增加，权值减小，可在一定程度上减轻边缘和轮廓的模糊程度。 常见的加权均值滤波器 滤波器中各系数的取法不同，中心点或邻域的重要程度也不同，因此应根据问题的需要选取合适的滤波器系数。但不管取什么样的系数，必须保证全部权系数之和为单位值。 均值滤波器应用举例一 原始图像 n=3 n=5 n=9 均值滤波器应用举例一 n=15 n=35 均值滤波器应用举例二 用15×15的均值滤波器去除小目标，提取大目标，通过设定阈值进行二值化，来完成对图像的分割 统计排序滤波器 统计排序滤波器是一类非线性空间滤波器，它的响应基于滤波器所包围的图像区域中像素的灰度级排序，然后由统计排序结果所决定的值来替代中心像素的值。 统计排序滤波器中最常用的是中值滤波器。 中值滤波器对一定类型的随机噪声提供了优秀的去噪能力，而且比小尺寸的线性平滑滤波器的模糊程度要轻。 中值滤波器对处理脉冲噪声（椒盐噪声）非常有效，这种噪声以黑白点叠加到图像上的。 中值滤波器 原理 用像素邻域内灰度的中值来替