第2章数字图像基础最终版.ppt

SEIE-TJU * 乘法的定义 C(x,y) = A(x,y) * B(x,y) 主要应用举例 乘以常数，增加其平均灰度级； 图像的局部显示； 用二值模板图像与原图像做乘法，更为广泛的模板操作。 除法简单地定义为一幅取反图像后与另一幅图像相乘。 Matlab 函数： immultiply(I, J ) ： 两幅图像相乘，或在一幅图像乘以常数 基于像素的图像操作：乘法 SEIE-TJU * 求反的定义 (对于8bit图像) g(x,y) = 255 - f(x,y) g(x,y) = L - 1 - f(x,y) 主要应用举例 获得一个负图像 获得一个子图像的补图像 Matlab 函数：imcomplement(I) 基于像素的图像操作 SEIE-TJU * 像素逻辑操作：仅用于二值图像掩蔽，获得外形和形状分析。 非(NOT) 或(OR) 与(AND) 异或 (XOR) 基于像素的图像操作 SEIE-TJU * 或运算的定义 g(x,y) = f(x,y) + h(x,y) 主要应用举例：模板 合并子图像 提取子图像 + = 基于像素的图像操作 SEIE-TJU * 与运算的定义 g(x,y) = f(x,y) . h(x,y) 主要应用举例：模板 求两个子图像的相交子图 提取子图像 . = 基于像素的图像操作 SEIE-TJU * 异或运算的定义 g(x,y) = f(x,y) ? h(x,y) 主要应用举例 获得相交子图像 ? = 基于像素的图像操作 1 1 0 0 0 0 1 0 1 0 1 1 SEIE-TJU * 本章小结 DIP基础 人眼生理和视觉特性 光和电磁波特性有助于理解图像来源 图像的获取模型、取样和量化，理解时域和频域特性。 影响图像质量的因素和图像的分类 像素间的操作 SEIE-TJU * 第2章 数字图像基础作业 试简述人眼的构造，并简述锥状细胞和杆状细胞的功能。 简述：人眼亮度适应特性、韦伯定理 、马赫带效应、视在对比度、视觉暂留等人眼视觉特性的含义。 课后习题2.9 (p59)。 试述最近邻内插和双线性内插的原理和特点。 5. 试计算下图所示p点和q点的欧式距离、r点和s点的城区距离、m点和n点的棋盘距离。 SEIE-TJU * Thanks！ SEIE-TJU * 数字图像种类 矢量图 数学公式表示的点、线、曲线、多边形等构成的 位图、点阵图 SEIE-TJU * 数字图像的放大和缩小 空间分辨率的改变：放大和缩小 放大：内插操作 创建新的像素位置 对这些新位置赋值（内插算法，例如最近邻域内插法/双线性内插法） 缩小：丢点操作 行-列删除 Matlab 函数：Ip = imresize(I, M, method) 返回 M 倍大小的图像，M 可大于或小于 1.0，对应放大或缩小 支持的内插算法： ‘nearest’ (缺省)： 最近邻域插值法，1 个像素 ‘bilinear’ ：双线性内插法，4 个像素 ‘bicubic’ ：双三次内插法，16 个像素 SEIE-TJU * 最近邻域插值法 在原图像上寻找最靠近的像素，并把它的灰度值赋给新像素，对于整数倍放大也就是最临近点重复。 缺点是易于产生块效应，特别是高倍数时。 数字图像的放大和缩小 SEIE-TJU * 数字图像的放大和缩小 %Example：最近邻域内插法 I = imread(lena.tif); Ip = imresize(I,5); imwrite(Ip, lena5n.jpg, quality, 75); subplot(2,1,1), imshow(I) subplot(2,1,2), imshow(Ip) SEIE-TJU * 数字图像的放大和缩小 双线性内插：利用 4 个最邻近点产生新的像素点。 双线性内插 (Bilinear Interpolation) 是线性内插的扩展，实现规则网格上两个变量（x，y）的内插。 已知网格的四个顶点 Q11=(x1,y1), Q12=(x1,y2), Q21=(x2,y1)， Q22=(x2,y2) ，求网格内部点 P=(x，y) 处的未知函数 f = ？ 首先在 x 方向进行线性内插 然后计算 y 方向的线性内插 SEIE-TJU * 数字图像的放大和缩小 原始 最近邻域 双线性 SEIE-TJU * 并不像名字所暗示的那样双线性内插是线性的，其实它不是线性的，它的一般形式为两个线性函数的乘积： 数字图像的放大和缩小 双线性内插与两个线性内插的先后顺序无关，先进行 y 方向，再进行 x 方向，也获得相同的结果。 最近邻域内插(3倍) 4个像素内插(3倍)，但加权一样 双