第2章 传统图像处理方法.pptx

第2章传统图像处理方法

目录CONTENTS2.1图像增强2.2图像分类2.3目标检测2.4图像分割

第2章传统图像处理方法图像处理是计算机视觉领域的关键技术之一,它涵盖了一系列操作,旨在改善图像的质量、提取有用信息、识别对象及理解图像内容。本章将继续深入探讨传统图像处理方法,这些方法是计算机视觉的基础,可以为许多高级应用提供重要的理论支撑。小知识图像处理、图形学和模式识别是计算机视觉的三大子领域。

图像增强2.1

图像增强是图像处理的重要领域,旨在通过算法改善图像质量和信息。这些算法分为基于空间域的方法和基于频率域的方法。基于空间域的方法直接处理像素,包括点运算和邻域处理。点运算是对像素进行灰度值映射,而邻域处理考虑周围像素灰度值,可以是线性或非线性、低通或高通滤波。这些技术有助于增强图像清晰度和突出关键特征,可广泛应用于各种不同领域。本节将介绍一些常见的图像增强方法,包括直方图均衡化、图像的平滑和图像的锐化等。小知识图像特征提取是计算机视觉中的关键步骤，常用的特征描述符有SIFT、HOG等。2.1图像增强

2.1.1直方图均衡化直方图均衡化采用单调的非线性映射,该映射通过重新分配输入图像的像素强度值,使输出图像的强度分布均匀(直方图平坦),从而增强图像的对比度。如下代码演示了如何使用scikit-image的曝光模块进行直方图均衡化。直方图均衡化的实现有两种不同的风格:第一种是对整个图像的全局操作;第二种是局部(自适应)操作,将图像分割成块,并在每个块上运行直方图均衡化。(1)包含Conda。2.1图像增强

2.1图像增强

2.1图像增强程序运行结果如图2-1所示。原始图像、直方图均衡化后的图像和自适应直方图均衡化后的图像如图2-1(a)至图2-1(c)所示。原始图像、直方图均衡化和自适应直方图均衡化像素分布的情况如图2-1(d)至图2-1(f)所示(横轴代表像素值,纵轴代表相应的频率)。可以看到,经过直方图均衡化后,输出图像的直方图均匀分布;与全局直方图均衡化后的图像相比,自适应直方图均衡化后的图像更清晰地展示了图像的细节。

2.1图像增强

2.1.2图像的平滑2.1图像增强图像平滑的主要目的是减小噪声。图像中的噪声种类很多,对图像信号幅度和相位的影响十分复杂,有些噪声和图像信号互相独立,有些则是相关的,噪声本身之间也可能相关。因此,要减小图像中的噪声,必须针对具体情况采用不同的方法,否则很难获得满意的处理效果。两种常见的图像噪声类型是椒盐噪声和高斯噪声。椒盐噪声又称脉冲噪声,经常出现在图像中,它表现为随机的白点或黑点,可能是明亮区域的黑色像素或暗区域的白色像素,也可能同时存在。椒盐噪声可能由各种原因引起,如突然的强干扰、传感器故障或数据传输错误等。另一种常见的噪声是高斯噪声,它的概率密度函数服从高斯分布。高斯噪声通常是由随机因素引起的,其特点是呈正态分布,因此在图像中呈现为一种较为平滑的随机扰动。针对图像噪声选取不同的平滑滤波方法,下面介绍几种常见的图像平滑方法。

均值滤波器也被称为盒式滤波器,是一种常用的平滑滤波方法。它的原理是用每个像素周围邻域像素的平均值来替代该像素的值,从而实现图像的平滑效果。通过这种平均化的方式,均值滤波器有助于减少图像中的噪声,并在某种程度上模糊清晰的特征(如边缘),从而实现空间平滑。这一过程有助于提高图像质量并减少不必要的细节。以下代码使用PIL的ImageFilter.Kernel()函数和大小为3×3、5×5的均值滤波器来平滑噪声图像:1.基于盒模糊核均值化平滑2.1图像增强

2.1图像增强

程序运行结果如图2-2所示。可以看到,大尺寸的盒模糊核的平滑效果比小尺寸盒模糊核的平滑效果好。2.1图像增强

与简单的均值滤波器不同的是,高斯模糊滤波器它采用核窗口内像素的加权平均值来平滑一个像素(相邻像素的权重随着相邻像素与像素的距离呈指数递减)。PIL的ImageFilter.GaussianBlur()函数可用不同半径参数值的核实现对较大噪声图像的平滑,具体代码如下:2.基于高斯模糊滤波器平滑2.1图像增强

2.1图像增强程序运行结果如图2-3所示。可以看到,随着半径的增大,高斯模糊滤波器去除的噪声越来越多,图像变得更加平滑,也变得更加模糊。

2.1图像增强

中值滤波器用邻域像素值的中值替换每个像素。尽管这种滤波器可能会去除图像中的某些小细节,但它可以极好地去除椒盐噪声。使用中值滤波器时,首先要给邻域强度一个优先级,然后选择中间值。中值滤波对统计异常值具有较强的平复性,适应性强,模糊程度较低,易于实现。PIL的ImageFilter模块的MedianFilter()函数可从有噪声的panda图像中