图像处理第四章空域增强(下).pptVIP

第四章 空域增强（下） 4.5 线性滤波 4.6 非线性滤波 4.7 局部增强 平滑空间滤波 锐化空间滤波 混合空间增强 4.5.1 技术分类和实现原理 4.5.2 线性平滑滤波器 优点：算法简单，计算速度快； 缺点：降低噪声的同时使图像产生模糊，特别在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。 4.5.2 线性平滑滤波器 公式： 4-邻域： 8-邻域： 4.5.2 线性平滑滤波器 4-邻域平均 模板运算例子 已知原图象块f(x,y)（包含点噪声） ※用模板M1处理，结果为g1(x,y): 中值滤波器： 主要用途：去除噪声 计算公式：R = mid {zk | k = 1,2,…,n} 最大值滤波器： 主要用途：寻找最亮点 计算公式：R = max {zk | k = 1,2,…,n} 最小值滤波器： 主要用途：寻找最暗点 计算公式：R = min {zk | k = 1,2,…,n} 课堂练习 1 1 2 2 1 1 9 2 1 10 2 2 1 1 2 2 常用梯度算子- Roberts交叉算子 Prewitt 算子（平均差分） ▽ f ≈ |Gx|+|Gy| = |(z7 +z8 + z9) - (z1 + z2 + z3) | +|(z3 +z6 + z9) - (z1 + z4 + z7) | Sobel梯度算子——3x3的梯度模板 ? f ≈ |Gx|+|Gy| = |(z7 +2z8 + z9) - (z1 + 2z2 + z3) | +|(z3 +2z6 + z9) - (z1 + 2z4 + z7) | 权值2用于通过增加中心点的重要性而实现某种程度的平滑效果 ※ 锐化/空域高通滤波器，具有去模糊、增强图像边缘与细节特性的功能； ※ 空域高通滤波器能实现高频增强的原因是微分运算，离散图像中由差分实现； ※ 一阶微分算子的阶跃边缘检测能力更强； ※ 在细线的增强以及去聚焦模糊等应用中二阶微分算子的效果更好； ※ 空域高通滤波器在增强信号的同时对噪声的放大也很严重，因此要结合平滑滤波设计复合型的算子才能在使用中取得较好的效果。 4.7 局部增强 1）将图像分成子图像，再对每个子图像具体增强； 2）直接利用局部信息以达到不同局部不同增强。 例如：邻域内像素均值和方差的特性应用。 作业： 假定有64*64大小的图像，灰度为16级，概率分布如下，试进行直方图均衡化。（列表计算） 1、4邻域平均法 2、8邻域平均法 3、加权平均法：用模板M1处理 4、中值滤波法：用模板M2处理 锐化空间滤波器 主要目的：是为了突出图像中的细节或者增强被模糊了的细节。这种模糊不是由于错误的操作，而是特殊的图像获取方法的固有影响。 均值滤波－－积分－－平滑 微分－－锐化 一、基 础 我们感兴趣的微分的性质是在恒定区域（平坦段）、突变的开头与结尾（阶梯和斜坡突变）及沿着灰度级斜坡处的特性。 对于一元函数f(x)的一阶微分定义为一个差值： 类似地，用差分定义二阶微分： 一、基于一阶微分的图像增强－－梯度法（非线性） 在图像处理中，一阶微分是通过梯度法来实现的。对于函数f(x,y)，其在(x,y)处的梯度是通过一个二维向量来定义的： 该向量的模值为： 注意：一般将梯度的模值称为梯度。 近似算法： z9 z8 z7 z6 z5 z4 z3 z2 z1 图像的3x3区域(z是灰度值)和用来计算标记为z5的点梯度的掩模，正如所期望的微分算子那样，所有掩模的系数之和为0. Roberts交叉算子 Sobel算子 梯度计算由两个模板组成，第一个求得梯度的第一项，第二个求得梯度的第二项，然后求和，得到梯度。 0 -1 1 0 -1 0 0 1 1 1 1 0 0 0 -1 -1 -1 1 0 -1 1 0 -1 1 0 -1 常用梯度算子- Prewitt 算子 1 2 1 0 0 0 -1 -2 -1 1 0 -1 2 0 -2 1 0 -1 常用梯度算子- Sobel梯度算子 (a)隐形眼镜的光学图像（注意，在边缘处类似时钟4点和5点处的缺陷，(b)Sobel梯度 原图像 |Gx|，x方向上的梯度分量，水平细节非常清楚 |Gy|，y方向上的梯度分量，垂直细节非常清楚 梯度图像|Gx|+|Gy|，水平和垂直细节都非常清楚 问题：砖墙等图像细节对边缘提取不必要 处理办法：对图像进行平滑处理 原图像经过5×5的均值滤波器进行平滑处理 |Gx|，x方向上的梯度分量，