数字图像处理总结.pdf

图像的概念：图像是对客观存在的物体的一种相似性的生动模仿或描述，是物体的一种不完全、不精确，但在某种意义上是适当的表示。 图像处理的基本概念：①将一幅图像变为另一幅经过加工的图像,是图像到图像的过程②将一幅图像转化为一种非图像的表示,如语义信息或决策. 计算机图形学：用计算机将由概念所表示的物体（不是实物）图像进行处理和显示；侧重于根据给定的物体描述模型、光照及想象中的摄像机的 成像几何，生成一幅图像；图像数字化：是指将模拟图像经过离散化之后，得到用数字表示的图像。图像的数字化包括了空间离散化（即采样） 和明暗表示数据的离散化（即量化）。 ——采样是指将在空间上连续的图像转换成离散的采样点（即像素）集的操作（在 x 轴和 y 轴两个方向上进行，一般等间隔）。采样间隔太小， 则增大数据量；太大，会发生信息的混叠，导致细节无法辨认。 ——量化是将各个像素所含的明暗信息离散化后，用数字来表示。一般的量化值为整数（8bit 量化: 0-255）。（3bit 以下的量化，会出现伪轮廓现 象。）非均匀量化：对灰度变化比较平缓的部分用比较多的量化级，在灰度变化比较剧烈的地方用比较高的分辨率。 灰度直方图：所有的空间信息全部丢失且不可逆。 直方图均衡化方法基本思想：对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的。（原因： 充分利用了所有的灰度级） 直方图均衡化计算：（1）求出图像f 的总体像素个数N = 长×宽；（2 ）计算每个灰度级的像素个数在整个图像中所占的百分比；（3 ）计算图像各 f 灰度级的累计分布h ；（4 ）新图像g 的灰度值g(i,j) = 255 ×h (k). p p 对比度展宽和动态范围调整均需要提前获知感兴趣的灰度范围[a,b]；在现实生活中，这个范围因为图像的复杂性较难获取。 直方图均衡化不需要提前的假设，因此在应用中被广泛应用消除光照不均匀等现象。 椒盐噪声用中值滤波：原因：1.椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。均值将改变干净点的值；2. 因 为噪声分布的均值不为0 ，所以均值滤波不能很好地去除噪声点。高斯噪声用均值滤波。 边界保持类平滑滤波器的提出：经过平滑滤波处理之后，图像就会变得模糊（包括边界）。边界点与噪声点有一个共同的特点是，都具有灰度的 跃变特性。所以平滑处理会同时将边界也模糊了。 K 近邻平滑滤波器： ——→ 缺点：算法复杂度增加。 图像锐化的目的：使灰度反差增强，加强图像中景物的细节边缘和轮廓。 单方向锐化的后处理：解决像素值为负的问题。方法1 ：整体加一个正整数，以保证所有的像素值均为正。可以获得类似浮雕的效果。方法2 ： 将所有的像素值取绝对值。可以获得对边缘的有方向提取。PS：有方向一阶锐化对于人工设计制造的具有矩形特征物体（如楼房、汉字等）的边 缘的提取很有效。对于不规则形状（如：人物）的边缘提取，则存在信息的缺损。 无方向一阶锐化：（1）交叉微分锐化（Roberts 算法）（2 ）Sobel 锐化（3 ）Prewitt 锐化。 （1） （2 ） （3 ） Sobel 与Prewitt 思路相同，处理效果基本相同。Roberts 模板为2*2，提取出的信息较弱。 二阶微分锐化：能够获得更丰富的景物细节。1）突变形的细节，通过一阶微分的极大值点，二阶微分的过零点均可以检测出来。2 ）细线形的细 节，通过一阶微分的过零点，二阶微分的极小值点均可以检测出来。对于渐变的细节，一般很难检测，但二阶微分的信息比一阶微分的信息略多。 Laplacian 算法： 变形算子： H1,H2 的效果基本相同，H3 的效果最不好，H4 最接近原图。 Sobel 算子获得比较粗略的边界，反映的边界信息较少，但是所反映的边界比较清晰；Laplacian 算子获得比较细致的边界。反映的边界信息包括 了许多的细节信息，但是所反映的边界不是太清晰。 边缘检测：边缘是指图像局部强度变化最显著的部分。 LoG （Laplacian of Gau