数字图像处理复习.ppt

数字图像处理复习 直方图均衡化 方图均衡化实质上是： （1）直方图均衡后的灰度级数量(动态范围)并没有减少。 （2）减少非零频数的灰度级数以换取对比度的加大。 （3）在均衡过程中，原来的直方图上频数较小的灰度级被归入很少几个或一个灰度级内故得不到增强。若这些灰度级所构成的图象细节比较重要，则需采用局部区域直方图均衡 （1）输入灰度值为lk ,出现的频数为nk ,（2）归一化灰度值rk =lk/(L-1), 概率（3）p(rk)=nk/n ,累计概率分布（4）Sk=T(rk)=p(r0)+p(r1)+…+p(rk) ,（5）输出灰度值sk=lk’=[Sk*(L-1)], 作业 假定有64*64大小的图象,灰度为8级,概率分布如下,用直方图均衡化处理,并画出处理前后的直方图. 作业 假定有64*64大小的图象,灰度为8级,概率分布如下,用直方图均衡化处理,并画出处理前后的直方图. 直方图均衡的关键：累计频数作为转换函数 修改一幅图象的直方图，使得它与另一幅图象的直方图匹配或 具有一种预先规定的函数形状。 目标：突出我们感兴趣的灰度范围，使图象质量改善。 直方图匹配（规定化） 加法运算 主要应用 – 图像相加可以将一幅图像内容加到另一幅图像上，以达到二次暴光的要求（double exposure）。 – 图像相加可以对同一场景的多幅图像求平均值，以降低加性（additive）随机噪声。 – 图像相减可去除图像中不需要的加性图案。 – 图像相减也可用于运动检测。 加法运算应用 噪声期望 图像存储量的计算: M*N*k 2.5 Some Basic Relationships Between Pixels 2.5.2 邻接性、连通性、区域和边界 假设V是用于定义邻接性的灰度值集合。 4邻接：如果q在N4(p)中，则具有V中数值的两个像素p和q是4邻接的。 8邻接：如果q在N8(p)中，则具有V中数值的两个像素p和q是4邻接的。 m邻接(混合邻接)，如果 （1）邻点q与p 4邻接； （2）q在ND(p)中，并且集合N4(p)与N4(q)相交的像素里，没有V值的像素。 m邻接是8邻接的修订，它消除了应用8邻接可能引起的模糊性，如图2.26b（4或8邻接共存）。 2.5 Some Basic Relationships Between Pixels 2.5.2 邻接性、连通性、区域和边界 m邻接是8邻接的修订，它消除了应用8邻接可能引起的模糊性，如图2.26b（4或8邻接共存）。 2.5.2 Adjacency, Connectivity, Regions, and Boundaries 邻接、连通性、区域与边界 区域R：图像中的一些像素构成的集合R,如果R是一个连通集合，则称R是一个区域。 区域R的边界是该区域中的一组像素，它们各自都有一个或一个以上的邻点不在R中。如果R刚好是整个图像，则图像的第一和最后一行/列就是它的边界。 边界不是边缘 2.5.3 Distance Measures, 距离度量 对像素p(x,y), q(s,t)和z(v,w), 距离函数D应满足: D(p,q)=0 (D(p,q)=0, iff p=q) D(p,q)=D(q,p), and D(p,z)=D(p,q)+D(q,z) 例如用LM范数表示的通用Minkowski距离: M=1,2,?的LM距离最有用,分别对应: 2.5.3 Distance Measures, 距离度量 对像素p(x,y), q(s,t)和z(v,w), 距离函数D应满足: D(p,q)=0 (D(p,q)=0, iff p=q) D(p,q)=D(q,p), and D(p,z)=D(p,q)+D(q,z) 例如用LM范数表示的通用Minkowski距离: M=1,2,?的LM距离最有用,分别对应: 欧氏euclidean距离L2: 等距为圆: bw = zeros(200,200); bw(50,50) = 1; bw(50,150) = 1; bw(150,100) = 1; D1 = bwdist(bw); 准欧氏距离: quasi-euclidean 等距为8边形 D2 = bwdist(bw,quasi-uclidean); 街区City-Block距离L1: 等距为4角星 棋盘chessboard距离L? : 等距为矩形 第三章 空域图像增强 第三章 空间域图像增强 空间域——构成图像的全体像素。 空间域处理：G(x,y)=T[f(x,y)] 当邻域为1*1时，T有最简单形式——点运算 点运算 某象素上值的改变只和该象素上的值及其位置有关，和邻域无关。 反差增强的一些基