图像处理预处理

2017-12-18 20:54:01 IT_job 阅读数 19238

       图像分析中,图像质量的好坏直接影响识别算法的设计与效果的精度,因此在图像分析(特征提取、分割、匹配和识别等)前,需要进行预处理。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性、最大限度地简化数据,从而改进特征提取、图像分割、匹配和识别的可靠性。一般的预处理流程为:1灰度化->2几何变换->3图像增强

1灰度化

       对彩色图像进行处理时,我们往往需要对三个通道依次进行处理,时间开销将会很大。因此,为了达到提高整个应用系统的处理速度的目的,需要减少所需处理的数据量。在图像处理中,常用的灰度化方法:1.分量法2.最大值法3.平均值法4.加权平均法

2几何变换

        图像几何变换又称为图像空间变换,通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理,用于改正图像采集系统的系统误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差。此外,还需要使用灰度插值算法,因为按照这种变换关系进行计算,输出图像的像素可能被映射到输入图像的非整数坐标上。通常采用的方法有最近邻插值、双线性插值和双三次插值

3图像增强

       增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。图像增强算法可分成两大类:空间域法和频率域法。

3.1空间域法

       空间域法是一种直接图像增强算法,分为点运算算法邻域去噪算法。点运算算法即灰度级校正、灰度变换(又叫对比度拉伸)和直方图修正等。邻域增强算法分为图像平滑锐化两种。平滑常用算法有均值滤波、中值滤波、空域滤波。锐化常用算法有梯度算子法、二阶导数算子法、高通滤波、掩模匹配法等。

3.2频率域法

        频率域法是一种间接图像增强算法,常用的频域增强方法有低通滤波器高通滤波器。低频滤波器有理想低通滤波器、巴特沃斯低通滤波器、高斯低通滤波器、指数滤波器等。高通滤波器有理想高通滤波器、巴特沃斯高通滤波器、高斯高通滤波器、指数滤波器。
2018-11-19 15:09:43 YeziTong 阅读数 747

概述:

 

1)预处理是指处于最低抽象层次的图像上所进行的操作,这时处理的输入和输出都是亮度图像

2)预处理并不会增加图像的信息量预处理有助于抑制与特殊的图像处理或分析任务无关的信息。因此预处理的目的是改善图像数据,抑制不需要的变形或者增强某些对于后续处理重要的图像特征。

图像预处理方法按照在计算新像素亮度时所使用的像素邻域的大小可以分为四类:

1)像素亮度变化

2)几何变换

3)局部邻域预处理

4)图像复原

(1)像素亮度变化

 

1)有两类像素亮度变换

   亮度矫正

   灰度级变换

2)亮度矫正在修改像素的亮度时要考虑该像素原来的亮度和其在图像中的位置

3)灰度级变换在修改像素的亮度时无须考虑其位置

4)常用的亮度变换有:

   亮度阈值化

   直方图均衡化

   对数的灰度级变换

   查找表变换

   伪彩色变换

5)直方图均衡化目的是创建一幅在整个亮度范围内具有相同的亮度图像

 

(2)几何变换

 

1)几何变换可以消除图像获取时所出现的几何变形

2)几何变换一般是由两个基本步骤组成:

   像素坐标变换

   亮度插值

3)像素坐标变换将输入图像像素映射到输出图像,常使用“仿射变换”和“双线性变化”

4)经过变换,输出点的坐标一般并不符合数字离散光栅;插值被用来确定输出像素的亮度。常使用“最近邻”、“线性”、“双三次”。

 

3)局部预处理

 

1)局部预处理方法是使用输入图像中一个像素的小邻域来产生输出图像中新的亮度数值的方法。

2)预处理常见的有两组:“平滑”和“边缘检测”。

3)平滑的目的在于抑制噪声或其他小的波动,这等同于在傅里叶频域抑制高频部分,

4)基于直接平均的平滑方法会模糊边缘。改进的方法通过在一致性的局部区域内平均来减小模糊。

5)“中值”滤波是一种非线性操作,它用邻域中亮度的中值代替图像当前的点来减少模糊。

6)“梯度算子”确定“边缘”,边缘是亮度函数发生急剧变化的位置。它们的效果类似于在傅里叶频域抑制低频部分。

7)边缘是赋给单个像素的性质,它既有“幅值(强度)”又有“方向”。

8)多数梯度算子可以用“卷积掩膜”来表达,例子包括Roberts、Laplace、Prewitt、Sobel、Kirsch算子。

9)卷积边缘检测子的主要缺点是依赖尺度且对噪声敏感。选择某个最好的局部邻域算子尺度并不是那么容易决定的。

10)二阶导数“过零点”比小尺度的梯度检测子更稳定,可以用Laplace ofGaussians(LoG)或difference ofGaussians(DoG)来计算

11)Canny边缘检测算子对受白噪声影响的阶跃型边缘是最优的。最优性标准是基于如下要求:“检测”重要边缘、小的“定位”误差、“单边缘响应”。该检测子与一个对称2D高斯做卷积,再沿梯度方向微分;接着步骤包括“非最大边缘抑制”、“滞后阈值化处理”和“特征综合”。

12)在多光谱图像中也可以检测边缘

13)其他局部预处理运算包括“线条寻找”、“线条细化”、“线条补缺”以及“兴趣点检测”

14)一幅图像中诸如角点和最大稳定极值区域等结构包括更丰富的信息,检测边缘更为稳定。它们常用于图像匹配。

 

 

(4)图像复原

 

1)图像复原旨在利用有关退化性质知识来抑制退化。多数图像复原方法是基于整幅图像上的全局性“去卷积”的方法。

2)有三种典型的退化具有简单的函数形式:物体相对于摄像机作近似均速的运动、不当的镜头焦距、大气扰动。

3)“逆滤波”假设退化是由线性函数引起的。

4)“维纳滤波”给出了对未被噪声污染的原始图像的一个最小均方误差估计;一般而言,它是退化图像的非线性函数。

 

2016-02-24 21:04:01 jly58fgjk 阅读数 3142

学习了数字图像图像处理一段时间,下面是我对预处理方面的一些总结。

首先,了解了预处理对数字图像有什么影响?

预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。下面是我对图像增强的总结。

图像增强有很多种方法,针对不同图像要采取不同的方法,直方图均衡化、对比度拉伸是常用到的方法,使灰度图像颜色更加分明,针对含有噪声的图像。可以采用滤波,包含平滑滤波和锐化滤波。

一、直方图处理

1、直方图均衡化

直方图均衡化就是一种能仅靠输入图像直方图信息自动达到这种效果的变换函数。

它的基本思想是对图像中像素个数多的灰度级进行展宽,而对图像中像素个数少的灰度进行压缩,从而扩展像原取值的动态范围,提高了对比度和灰度色调的变化,使图像更加清晰。直方图均衡化是一种对图像的非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。

       函数:histeq

实现代码如下:I=imread('2.jpg');
                               I=rgb2gray(I);
                             %K=16; 
                            %H=histeq(I,K); 
                            H=histeq(I);

                    figure,,imshow(H); 

2、对比度拉伸   

函数:imadjust

代码例如:

I=imadjust(I2,stretchlim(I2),[0,1]);

二、滤波法

均值滤波

均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值。

模板有3*3、5*5、7*7三种。

实现代码如下:

clc;clear;close all;
img=rgb2gray(imread('lena1.jpg'));
figure;imshow(img);  
img_noise=double(imnoise(img,'gaussian',0.006));%添加高斯噪声 
figure,imshow(img_noise,[]); 
img_mean=imfilter(img_noise,fspecial('average',3)); %均值模板3*3
figure;imshow(img_mean,[]);title('de-noise by mean filter');
imag_mean=exp(imfilter(log(img_noise),fspecial('average',5)));%模板5*5 
figure;imshow(img_mean,[]),title('de-noise by mean filter');
Q=-1.5;  
img_mean=imfilter(img_noise.^(Q+1),fspecial('average',3))./imfilter(img_noise.^Q,fspecial('average',3)); 
figure;imshow(img_mean,[]);title('de-noise by mean filter'); 
Q=1.5;  img_mean=imfilter(img_noise.^(Q+1),fspecial('average',3))./imfilter(img_noise.^Q,fspecial('average',3)); 
figure;imshow(img_mean,[]);title('de-noise by mean filter');

中值滤波

中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)} ,其中,f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为3*3,5*5区域,也可以是不同的的形状,如线状,圆形,十字形,圆环形等。

实现代码如下:

img_median=medfilt2(img_noise);%中值滤波 
      figure;imshow(img_median,[]);title('de-noise by median filter')%中值滤波结果; 
     img_median2=medfilt2(img_midian); 
     figure;imshow(img_median2,[]);title('de-noise by median filter');

上述两种为平滑滤波

锐化滤波

  锐化用于补偿和增加图像的高频成分,使图像中的地物边界、区域边缘、线条、纹理特征和精细结构特征等更加清晰、鲜明。

利用算子prewitt、sobert、拉普拉斯算子实现

clc;clear;close all;
I=imread('lena.jpg');
%I=rgb2gray(I); 
subplot(221),imshow(I); title('原图');
hs=fspecial('sobel');
S=imfilter(I,hs);
hp=fspecial('prewitt'); 
P=imfilter(I,hs); 
A=double(I);%双精度型  
H=[0 1 0,1 -4 1,0 1 0];%拉普拉斯算子 
J=conv2(I,H,'same'); 
K=I-J;  
subplot(222),imshow(J); title('拉普拉斯锐化图像');
subplot(223),imshow(S); title('sobel算子锐化图像');
subplot(224),imshow(P); title('prewitt算子锐化图像');


低通滤波(平滑)

下面为巴特沃斯低通滤波的实现代码:

clc;clear;close all;
I=imread('lena1.jpg');
I=rgb2gray(I);
figure,imshow(I);
I1=fftshift(fft2(I));
[M,N]=size(I1);
n=2;d0=30;
n1=floor(M/2);
n2=floor(N/2);
for i=1:M
    for j=1:N
        d=sqrt((i-n1)^2+(j-n2)^2);
        H=1/(1+(d/d0)^(2*n));
        I2(i,j)=H*I1(i,j);
    end
end
I2=ifftshift(I2);
I3=real(ifft2(I2));
figure,imshow(I3,[]);

高通滤波(锐化)

下面代码为巴特沃斯高通滤波的实现代码:

clc;clear;close all;
f1=imread('lena1.jpg');
f1=rgb2gray(f1);
F= double(f1);     % 数据类型转换,MATLAB不支持图像的无符号整型的计算  
G = fft2(F);        % 傅立叶变换   
G = fftshift(G);     % 转换数据矩阵  
[M,N]=size(G);    
nn = 2;           % 二阶巴特沃斯(Butterworth)高通滤波器  
d0 = 5;  
m = fix(M/2);  
n = fix(N/2);  
for i = 1 : M       
    for j = 1 : N     
        d = sqrt((i-m)^2+(j-n)^2);   
        if (d == 0)      
             h = 0;   
        else
            h=1/(1+0.414*(d0/d)^(2*nn));% 计算传递函数   
        end;      
        result(i,j) = h * G(i,j);     
    end;  
end; 
result = ifftshift(result);   
J2= ifft2(result); 
J3= uint8(real(J2));
subplot(121);imshow(f1); title('灰色图像'); 
subplot(122);imshow(J3);  % 滤波后图像显示
title('滤波后的图像');

高斯滤波

部分代码:

%gaussian低通滤波
H=fspecial('gaussian',7,3);
F{2}=double(filter2(H,I));
figure,imshow(F{2},[]);


滤波部分实现代码网址

http://wenku.baidu.com/link?url=3U5MZxgxbursdIBYSVden1i8rxSxFlBaf_glnibz8Me2hG6vADZz5419XQIRlc5OrpGM8uibQI_siBwoiFvaDVPM1ewwgRV48voh7sgIoIi

http://wenku.baidu.com/link?url=esi3wmkrucc4k3lbHFtSGL2OWFMjZwz_hoB_aQQh6GiXDwxni9GFnMGhJVOWgBa6Ulm3Vf1qB0auBjKRyCY_EBKPpgMZphXeovcTRG1WyHK


 

2018-08-28 15:50:34 joaming 阅读数 27903

图像分析中,图像质量的好坏直接影响识别算法的设计与效果的精度,因此在图像分析(特征提取、分割、匹配和识别等)前,需要进行预处理。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性、最大限度地简化数据,从而改进特征提取、图像分割、匹配和识别的可靠性。一般的预处理流程为:1灰度化->2几何变换->3图像增强

1灰度化

灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有分量法 最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。

       对彩色图像进行处理时,我们往往需要对三个通道依次进行处理,时间开销将会很大。因此,为了达到提高整个应用系统的处理速度的目的,需要减少所需处理的数据量。

1.分量法

将彩色图像中的三分量的亮度作为三个灰度图像的灰度值,可根据应用需要选取一种灰度图像。

f1(i,j)=R(i,j)f2(i,j)=G(i,j)f3(i,j)=B(i,j)

其中fk(i,j)(k=1,2,3)为转换后的灰度图像在(i,j)处的灰度值。

彩色图像:

彩色图的三分量灰度图:

(a)R分量灰度图 (b)G分量灰度图 (c)B分量灰度图

2.最大值法

将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

f(i,j)=max(R(i,j),G(i,j),B(i,j))

3.平均值法

将彩色图像中的三分量亮度求平均得到一个灰度值。

f(i,j)=(R(i,j)+G(i,j)+B(i,j)) /3

4.加权平均法

根据重要性及其它指标,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

2几何变换

        图像几何变换又称为图像空间变换,通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理,用于改正图像采集系统的系统误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差。此外,还需要使用灰度插值算法,因为按照这种变换关系进行计算,输出图像的像素可能被映射到输入图像的非整数坐标上。通常采用的方法有最近邻插值、双线性插值和双三次插值

3图像增强

       增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。图像增强算法可分成两大类:空间域法和频率域法。

3.1空间域法

       空间域法是一种直接图像增强算法,分为点运算算法邻域去噪算法。点运算算法即灰度级校正、灰度变换(又叫对比度拉伸)和直方图修正等。邻域增强算法分为图像平滑锐化两种。平滑常用算法有均值滤波、中值滤波、空域滤波。锐化常用算法有梯度算子法、二阶导数算子法、高通滤波、掩模匹配法等。

3.2频率域法

        频率域法是一种间接图像增强算法,常用的频域增强方法有低通滤波器高通滤波器。低频滤波器有理想低通滤波器、巴特沃斯低通滤波器、高斯低通滤波器、指数滤波器等。高通滤波器有理想高通滤波器、巴特沃斯高通滤波器、高斯高通滤波器、指数滤波器。

 

图像增强可分成两大类:频率域法和空间域法。

前者把图像看成一种二维信号,对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法,可去掉图中的噪声;采用高通滤波法,则可增强边缘等高频信号,使模糊的图片变得清晰。

后者空间域法中具有代表性的算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等,它们可用于去除或减弱噪声。

方法

图像增强的方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。

在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同,可分为基于空域的算法和基于频域的算法两大类。

空域法是对图像中的像素点进行操作,用公式描述如下:

g(x,y)=f(x,y)*h(x,y)

其中是f(x,y)是原图像;h(x,y)为空间转换函数;g(x,y)表示进行处理后的图像。

基于空域的算法处理时直接对图像灰度级做运算,基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正,是一种间接增强的算法。

基于空域的算法分为点运算算法 [1]  和邻域去噪算法 [2]  。

点运算算法灰度级校正、灰度变换和直方图修正等,目的或使图像成像均匀,或扩大图像动态范围,扩展对比度。

邻域增强算法分为图像平滑锐化两种

平滑一般用于消除图像噪声,但是也容易引起边缘的模糊。常用算法有均值滤波中值滤波。锐化的目的在于突出物体的边缘轮廓,便于目标识别。常用算法有梯度法算子高通滤波、掩模匹配法、统计差值法等。

2017-10-25 08:15:33 WangR0120 阅读数 34245

第一章 图像预处理

1.        数字图像处理是用计算机来处理所获取的视觉信息的技术。其优点有能精确处理,结果具有再现性。容易控制,通过程序能够自由设定和变更各种控制参数。灵活性,基于已有的程序根据实际需求进行变更,就能够实现各种各样的处理,也可以组合已有的算法和程序,开发自己的新系统。但难点在于图像数据量大、运算量大。

2.        噪声的分类

噪声按噪声源分类

凡统计特征不随时间变化的噪声称为平稳噪声,而统计特征随时间变化的噪声称作非平稳噪声。可使用统计意义上的均值与方差来描述噪声,均值表明图像中噪声的总体强度,方差表示噪声分布的强弱差异。


其中,M、N分别为图像的行数和列数。

噪声的模型按照对信号的影响可分为加性噪声模型和乘性噪声模型两大类。

加性噪声模型

乘性噪声模型

乘性噪声也许是图像中最普通的噪声,加性噪声通常为脉冲噪声或高斯噪声,常用中值滤波器去除脉冲噪声,用平滑滤波器降低高斯噪声。

3.        噪声消除:

噪声消除方法可归为空间域和频域两种类型。空间域法如均值滤波器法、中值滤波器法。频域方法利用数字图像的有用信息大部分在低频部分来进行噪声消除。

1)       均值滤波

也称线性滤波,主要采用邻域平均法,均值滤波的核心思想是其将整个图像看成是由很多灰度恒定的小块组成,相邻像素间相关性很强,但噪声具有统计独立性。故可用邻域的均值替代原图像中的各个像素值,


其中g(x,y)为灰度值,S为模板,M为该模板中包含当前像素在内的像素总个数。

该方法非常适用于去除通过扫描得到的图像中的颗粒噪声,对此算法进行改进算法,如加权均值滤波器、灰度最小方差均值滤波器,K近邻均值滤波器,对称近邻均值滤波器。这些滤波器在进行平滑处理时,刻意避开了对景物边界的平滑处理,可以大大降低对图像的模糊。注意,均值滤波算法可使噪声幅值减小,但范围变大,因此图像边缘变得模糊。

均值滤波的一般实现步骤


2)       中值滤波:

中值滤波不仅可以较好的消除脉冲干扰噪声,且在有效抑制脉冲干扰的同时也可一定程度上减轻图像边沿的模糊。是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,对椒盐噪声有效,。


中值滤波器的优点是在滤除叠加白噪声和长尾叠加噪声时有优势,但当图像中细节多比如点、线和尖顶多时不宜采用。改进算法有权重中值滤波、基于排序阈值的开关中值滤波算法、自适应中值滤波器。

中值滤波的一般实现步骤




中值滤波与均值滤波相比,算法虽然复杂,但是画面更加清晰。

中值的求取采用了分治的算法,分治法的原理是对于一个规模为n的问题,若该问题可以容易地解决则直接解决;否则将其分解为k个规模较小的问题并逐个解决,最后合并各个子问题的解,得到原问题的解。

对于彩色图像,采用矢量中值滤波算法。


这个算法在彩色图像上的降噪上可以很好的保护色彩。

4.        频域处理

频域处理大多采用二维低通、阻或带通滤波器(依据噪声的频谱特性而定)来消除噪声。从信号频谱角度看,信号的缓慢变化部分在频率域属于低频部分,信号快速变化部分在频率域属于高频部分。频率域的滤波就是采用空间域滤波器冲激响应矩阵与输入图像的卷积来实现。

频域的处理方程:


理想的二维低通滤波器的传递函数为: ,其中D(u,v)表示从频域的原点到(u,v)距离, 。理想的低通滤波器是指以截止频率Do为半径的圆内的所有频率都能无损地通过,而在截止频率之外的频率分量完全被衰减。

巴特沃斯低通滤波器 ,在高低频率间的过渡比较光滑,故用巴特沃斯滤波器得到的输出图像,振铃效应(输出图像的灰度剧烈变化处产生的震荡,就好像钟被敲击后产生的空气震荡)不明显。常用的两个截断频率值为使H(u,v)值为0.5或 时的频率。

5.        直方图均衡:

灰度直方图用来表示数字图像中各灰度级(横坐标)与其出现的频数(纵坐标)(处于该灰度级的像素数目)间的统计关系。图像灰度值的分布函数定义为:

直方图修正也是常用的图像增强方法。通过构造灰度级变换,改造原图像的直方图,而使变换后的图像直方图达到一定的要求。

直方图均衡化是一种通过重新均匀地分布各灰度值来增强图像对比度的方法,经过直方图均衡化的图像对二值化阈值选取十分有利。

直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化后,增加了对比度,使图像中包含的信息明朗化,在后续处理中不易丢失有用信息。

主要有四个步骤:

1)       生成直方图:建立维度为256初始值为0的数组ihist[256],以像素灰度值k为数组下标,将数组元素加1运算ihist[k]++统计图像的灰度信息,建立灰度直方图。

2)       得到累加分布直方图:从原始的灰度直方图建立灰度累加分布的直方图数组,即这个新数组中下标为k的元素保存了灰度从O到k的像素总数。

3)       规则化:将累加分布的直方图均衡化到0--255,也就是将累加分布的直方图中的每个元素去除以图像的像素总数,得到均衡化的直方图。

4)       反向映射回源图像:用均衡化的直方图作为查找表。扫描源图像,将源图像中的像素灰度为查找表数组下标,取出查找表中的元素作为灰度填回到源图像,完成图像的灰度均衡。

6.        图像的二值化

图像二值化就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。图像的二值化按如下公式进行:

式中, 是原图像中位于(i,j)处像素的灰度; 是二值化后该处的像素值,只可取0或1。T为用于二值化处理的阈值。关键问题:阈值的选取

1)       阈值的选取

方法:p参数法;状态法;微分直方图法;判别分析法;双固定阈值法

①p参数法

设要变换的图像的面积为 ,需从图像中划分出来的对象图形面积为S,则p= ,先指定一个p值,再算直方图,从直方图按指定的p值可得阈值T。

②状态法

如果给定图像的直方图上存在两个峰值的灰度分布,则两个峰值之间谷底那点的灰度值可选为二值图像的阈值T。


③微分直方图法

当图像中对象图形和背景的边界处于灰度急剧变化的部分(边缘)时,不能直接利用图像的灰度值,而是利用微分值(灰度的变化率)来决定灰度值。


④判别分析法

在灰度直方图中将灰度的集合用阈值T分成两组,一组的灰度值低于阈值值T,另一组高于阈值T。根据两组灰度平均值的方差(称为组间方差)和各组的方差(称为组内方差)的比来求出最佳分离阈值T的,当组间方差与组内方差之比为最大时,对应的灰度分离值T就是最佳分离值。

⑤双固定阈值法

使用两个固定的阈值Tl与T2(TI<T2),当图像中的某一像素g(i,j)的值小于Tl时,像素值置0(或1);当图像中的像素值在TI与T2之间时,新的像素值置1(或0);当图像中的像素大于T2时像素置0(或1)。

7.        OTSU算法:

OTSU算法可进行改进完成二值化图像阈值的选取。OTSU法也称为最大类间方差法或最小类内方差法,其中心思想是阈值T应使目标与背景两类的类间方差最大。按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,使类间方差最大的分割意味着错分概率最小。

8.        数学形态学滤波:

在数字图像处理中,数学形态学算法有平滑轮廓、填充洞孔、连接断裂区域等特性。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。其基本运算有4种,即膨胀、腐蚀、开运算和闭运算。

形态学运算主要用于如下几个目的:


1)       膨胀和腐蚀

形态学变换膨胀采用向量加法对两个集合进行合并。膨胀的算符是⊕,图像X用结构元素B来膨胀写作X⊕B,是所有可能向量加之和的集合,向量加法的两个操作数分别来自于X和B,并且取到任意可能的组合。膨胀用来填补物体中小的空洞和狭窄的缝隙。它使物体的尺寸增大。


腐蚀 是对集合元素采用向量减法,将两个集合合并,腐蚀是膨胀的对偶运算。


腐蚀和膨胀都不是可逆运算

腐蚀还有另一种等价的定义,Bp表示B平移P:

为用结构元素B扫描整幅图像X,若B平移P后仍属于X,则平移后的B的代表点属于腐蚀结果图像。

2)       开运算和闭运算

先腐蚀再膨胀称为开运算,记为 。开运算用于消除图像中小于结构元素的细节部分,物体的局部形状保持不变。

先膨胀再腐蚀称为闭运算,记为 。闭运算用来连接邻近的物体,填补小空洞,填平窄缝隙使得物体边缘更平滑。

若图像X关于B做开运算后仍保持不变,则称其关于B是开的。同样若图像X关于B做闭运算后仍保持不变,则称其关于B是闭的。

开运算和闭运算也是一对对偶变换: ,反复采用开运算或闭运算,其结果是幂等的,也就是说反复进行开运算或闭运算,结果并不改变。形式化地写为:


人脸图像的预处理

阅读数 28483