数字图像处理-(4).pptVIP

第4章 图像增强2 　　　　　　　　　4.1 　 图像平滑4.1.1 图像噪声　　图像在获取、存储、处理、传输过程中，会受到电气系统和外界干扰而存在一定程度的噪声。图像噪声使得图像模糊，甚至淹没图像特征，给分析带来困难。噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。噪声也可以理解为不可预测的，只能用概率统计方法来认识的随机误差。噪声可以借用随机过程及其概率密度函数来描述，通常用其数字特征，如均值、方差等。　　按照产生原因，图像噪声可分为外部噪声和内部噪声。由外部干扰引起的噪声为外部噪声，如外部电气设备产生的电磁波干扰、天体放电产生的脉冲干扰等。由系统电气设备内部引起的噪声为内部噪声，如内部电路的相互干扰。 　　按照统计特性，图像噪声可分为平稳噪声和非平稳噪声。统计特性不随时间变化的噪声称为平稳噪声。统计特性随时间变化的噪声称为非平稳噪声。　　按噪声和信号之间的关系，图像噪声可分为加性噪声和乘性噪声。假定信号为S(t)，噪声为n(t)，如果混合叠加波形是S(t)+n(t)的形式，则称其为加性噪声； 如果叠加波形为S(t)［1+n(t)］的形式，则称其为乘性噪声。加性噪声与信号强度不相关，而乘性噪声则与信号强度有关。为了分析处理方便，往往将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。 　　图像噪声一般具有以下特点： 　　(1) 噪声在图像中的分布和大小不规则，即具有随机性。　　(2) 噪声与图像之间一般具有相关性。例如，摄像机的信号和噪声相关，黑暗部分噪声大，明亮部分噪声小。又如，数字图像中的量化噪声与图像相位相关，图像内容接近平坦时，量化噪声呈现伪轮廓，但图像中的随机噪声会因为颤噪效应反而使量化噪声变得不很明显。　　(3) 噪声具有叠加性。在串联图像传输系统中，各个串联部件引起的噪声叠加起来，造成信噪比下降。 4.1.2 　模板卷积　　模板可以是一幅小图像，也可以是一个滤波器，或者说是一个窗口，通常用矩阵来表示。每个模板都有一个原点，对称模板的原点一般取模板中心点，非对称模板的原点可根据使用目的选取。模板卷积是数字图像处理中常用的一种邻域运算方式，它是指模板与图像进行类似于卷积或相关(尽管卷积与相关形式上不同，但由于它们之间的相似性，数字图像处理中常认为它们都是卷积)的运算。模板卷积可实现图像平滑、图像锐化、边缘检测等功能。模板卷积中的模板又称为卷积核，卷积核中的元素称为卷积系数或模板系数或加权系数，其大小及排列顺序决定了对图像进行邻域处理的类型。模板卷积的基本步骤如下： 　　(1) 模板在输入图像上移动，让模板原点依次与输入图像中的每个像素重合； 　　(2) 模板系数与跟模板重合的输入图像的对应像素相乘，再将乘积相加； 　　(3) 把结果赋予输出图像，其像素位置与模板原点在输入图像上的位置一致。　　假设模板h有m个加权系数，模板系数hi对应的图像像素为pi，则模板卷积可表示为 　　图4-11是一个模板卷积示例，模板原点在模板中间。当模板原点移至输入图像的圆圈处，卷积核与被其覆盖的区域(如图(a)中心的灰色矩形框)做点积，即0×5 + (-1)×5 + 0×8 + (-1)×5 + 0×1 + 1×7 + 0×5 + 1×6 + 0×8 = 3，将此结果赋予输出图像的对应像素(如图(c)的圆圈处)。模板在输入图像中逐像素移动并进行类似运算，即可得模板卷积结果(如图(c)所示)。 图4-11 模板卷积示例 　　在模板或卷积运算中，需注意两个问题： 　　(1) 图像边界问题。当模板原点移至图像边界时，部分模板系数可能在原图像中找不到与之对应的像素。解决这个问题可以采用两种简单方法： 一种方法是当模板超出图像边界时不作处理； 另一种方法是扩充图像，可以复制原图像边界像素(如图4-11(a)中的灰色部分)或利用常数来填充扩充的图像边界，使得卷积在图像边界也可计算。　　(2) 计算结果可能超出灰度范围。例如，对于8位灰度图像，当计算结果超出［0，255］时，可以简单地将其值置为0或255。 　　模板卷积是一种非常耗时的运算，尤其是模板尺寸较大时。以3×3模板为例，每次模板运算需要9次乘法、8次加法和1次除法。与一幅n×n的图像进行模板卷积时，就需要9n2个乘法，8n2个加法和n2个除法，算法复杂度为O(n2)。当模板尺寸增大且图像较大时，运算量急剧增加。因此，模板卷积时模板不宜太大，一般用3×3或5×5的模板就可以了。另外，可以设法将二维模板分解为多个一维模板，这对减少运算量也是有效的。例如，3×3高斯模板可以分解为一个水平模板和一个垂直模板，即 4.1.3 　邻域平均法　　邻域平均法的思想是用像素及其指定邻域内像素的平均值或加权平均值