2013-08-09 21:18:31 chendejiao 阅读数 907
  • ArcGIS之数字高程模型(DEM)分析下篇视频课程(GIS...

    课程采用ArcGIS10.3.1进行录制,适用于10.0、10.1、10.2、10.4系列。使得学习者对于坡面地形因子的提取、地形特征点的提取、水文分析、可视性分析都有个深度的掌握。特别是在运用空间分析工具:栅格计算器的不同种运用、邻域分析、区域分析、水文分析、可见性分析、条件分析等等工具与实际项目的运用更加得心应手

    3583 人正在学习 去看看 黄晓军

 转自:http://blog.sina.com.cn/s/blog_7d44748b0100wo0f.html

信号系统中的基本运算相关和卷积,在实际的图像处理中就表现为邻域运算,邻域运算和点运算构成了最基本、最重要的图像处理手段。

    

数字图像处理中的邻域初步



    上图可看出一个点的邻域定义为以该点为中心的一个圆内部或边界上点的集合,这就统一了邻域和点运算。现举例,若中间+点坐标为(x,y),则看下式

数字图像处理中的邻域初步

 

    上式是对中间点及其上下左右四个点构成的邻域进行了均值运算,若再做下列转换:

数字图像处理中的邻域初步

 

    这个更为一般的公式就是我们所熟知的加权平均了,只是这种扯开来的表达形式太过冗长,如是能用矩阵表示则一个矩阵表示某点(x,y)及其上下左右坐标下的f值,将这几个值按制定位置排好;另一个矩阵就是加权的系数了,不同的系数与f作用后就能得到不同的效果或结果,在图像处理中,这个f值一般是灰度值(8bit灰度值为0~255任意一个),而加权的系数矩阵称为滤波器、掩膜、模板或核、窗口,前三个的叫法更普遍,但意思是一样的。

    上面说了,信号系统中的基本运算相关和卷积,在实际的图像处理中就表现为邻域运算,两者是如何一样的呢。

     信号上,两个连续函数f(x)与g(x)的相关记做数字图像处理中的邻域初步

而二者卷积记做数字图像处理中的邻域初步

信号中我们已经知道,相关与卷积是两个完全不同的概念,只是数学公式上的相近使得二者在计算上几乎可以相互通用。

     给定图像f(x,y)大小为N×N,模板T(i,j)大小m×m(m为奇数),常用的相关运算定义为: 使模板中心T((m-1)/2,(m-1)/2)与f(x,y)对应, 则图像中的相关公式为:

数字图像处理中的邻域初步

,如果m取常用的3,则

数字图像处理中的邻域初步


    相关运算是将模板当权重矩阵作加权平均。

    而卷积计算,

数字图像处理中的邻域初步

   

数字图像处理中的邻域初步

    可见卷积是模板先沿纵轴翻转,再沿横轴翻转后再加权平均的。

    但这里有两点需要解释:

    一是相关和卷积中,f(x,y)为何与T(1,1)对应,按理说将系数与f里的位置在标记上就完全对应是很方便记忆的。在讨论原理时确实可以这么定义的,但我们感兴趣的不是模板的原理而是对图像中任意一点(x,y)进行m*m掩膜处理得到相应R,实践中更有简化的记法如下:

数字图像处理中的邻域初步

    其中w为掩膜系数,z为该系数对应的灰度值,mn为掩膜中包含的像素点的总数。系数矩阵这种方便的记法是左上角为w1,右下角为w9,见下面这个图。

数字图像处理中的邻域初步

    第二点需要解释的是“模板先沿纵轴翻转,再沿横轴翻转后再加权平均的”,这纵轴、横轴的中心是上图的W5,这两次翻转的结果就是绕中心点转个180度,然后再与各个像素点下的f值相乘。可见与信号系统上一样,图像上的相关与卷积计算也是可用同一个模板,只是将模板转一个180度就行了,其实转回到信号上,信号中卷积计算时就是其中一个函数先关于y轴对称再计算云云,也就是翻转了180度。

    如果模板是对称的,那么相关与卷积运算结果完全相同。实际上常用的模板如平滑模板、边缘检测模板等都是对称的,因而这种邻域运算实际上就是卷积运算,用信号系统分析的观点来说,就是滤波,对应于平滑滤波或称低通滤波、高通滤波等情况。这里只说了邻域的初步,至于其应用的原理以后再说。

2019-10-14 09:03:50 weixin_35732969 阅读数 367
  • ArcGIS之数字高程模型(DEM)分析下篇视频课程(GIS...

    课程采用ArcGIS10.3.1进行录制,适用于10.0、10.1、10.2、10.4系列。使得学习者对于坡面地形因子的提取、地形特征点的提取、水文分析、可视性分析都有个深度的掌握。特别是在运用空间分析工具:栅格计算器的不同种运用、邻域分析、区域分析、水文分析、可见性分析、条件分析等等工具与实际项目的运用更加得心应手

    3583 人正在学习 去看看 黄晓军

彩色图像处理有两个主要邻域:一个是全彩色处理,通常要求图像用全彩色传感器获取;另一个是伪彩色处理,它是对一种灰度会灰度范围赋予一种颜色。

数字图像处理中,常用发模型是RGB(红、绿、蓝)模型和HSI(色调、饱和度、亮度)模型,其中HSI模型可以解除图像中颜色和灰度信息的联系,使其更适合许多灰度处理技术。

RGB彩色模型(红、绿、蓝)

RGB彩色模型基于笛卡尔坐标系,并假设所有颜色值都归一化了,即R、G、B的所有值都假定在范围[0,1]内。彩色子空间是如下图的立方体:

在RGB彩色模型中,用于表示每个像素的比特数称为像素深度。如果一幅RGB图像,其中每一幅红、绿、蓝图像都是一幅8比特图像,则每个像素有24比特的深度。全彩色图像通常用来表示一幅24比特的GRB彩色图像。

HSI彩色模型(色调、饱和度、亮度)

色调是描述一种纯色(纯黄色,纯橙色,纯红色)的颜色属性;饱和度是一种纯色被白光稀释的程度的度量;亮度是主观的描述子,实际上是不可度量的,体现了无色强度概念。而强度(灰度级)是单色图像最有用的描述子,是可以度量的。HSI彩色模型可以从彩色信息中消去强度分量的影响。

考虑前面提到的彩色立方图,强度(灰度级)是沿连接白色定点(1,1,1)和黑色顶点(0,0,0)的直线分布的,要确定任何彩色点的强度分量,可以通过一个垂直于强度轴并包含该彩色点的平面,该平面与强度轴的交点就给出了[0,1]内的强度值。并且,一种颜色的饱和度(纯度)以强度轴的距离为函数儿增大。强度轴的上的点的饱和度为0,沿着强度轴的所有点都是灰度。

上图中,显示了由3个点(黑、白和青)定义的一个平面,可以知道包含在由强度轴和立方体边界定义的平面段内的所有点都有相同的色调(在这种情况下是青色),因为有如下结论:所有颜色都是由位于这些颜色定义的三角形中的3种颜色产生的。如果这些点中的两点是黑点和白点,第三点是彩色点,那么三角形上的所有点都有相同的色调,因为黑白分量不能改色调。我们可以得出这样的结论:形成SHI空间所要求的色调、饱和度和强度值可由RGB彩色立方体得到。

HSI空间由一个强度轴和位于与该强度轴垂直的平面内的彩色点的轨迹表示。当平面沿强度轴上下移动时,由每个平面与立方体表面构成的横截面定义的边界不是三角形就是六边形,如下图:

通常,与红轴的0°角指定为0色调,从这开始色调逆时针增长;饱和度(距垂直轴的距离)是从原点到该点的向量长度。HSI彩色模型的重要分量是垂直强度轴、到一个彩色点的向量长度和该向量与红轴的夹角。

HSI和RGB之间的转换

从RGB到HSI的彩色转换:

每个RGB像素的色调分量H为:

H = \begin{cases} \theta, & B\leqslant G \\ 360-\theta, & B>G \end{cases}

其中,

\theta = \arccos \left \{ \frac{\frac{1}{2}[(R-G)+(R-B)]}{[(R-G)^{2}+(R-B)(G-B)]^{1/2}} \right \}

饱和度分量S为:

S = 1 - \frac{3}{R+G+B}[\min\{R,G,B\}]

强度分量I为:

I = \frac{1}{3}(R+G+B)

假定RGB值已归一化到区间[0,1]内,且角度\theta根据HSI空间的红轴来度量,则可以把求到的色调H除以360°归一化到[0,1]内,而其他两个值已经在[0,1]内。

从HSI到RGB的彩色转换:

假定HSI值在[0,1]内,把H乘以360°,使色调回到原来的[0°,360°]内。

当H的值在RG扇区(0 ^{\circ} \leqslant H <120 ^{\circ}),RGB分量为:

B = I(1-S)

R = I\left [ 1+\frac{S\cos H}{\cos(60^{\circ}-H)} \right ]

G = 3I-(R+B)

当H在GB扇区(120 ^{\circ} \leqslant H <240 ^{\circ}),首先从H中减去120°,即:

H = H-120^{\circ}

RGB分量为:

R = I(1-S)

G = I\left [ 1+\frac{S\cos H}{\cos(60^{\circ}-H)} \right ]

B = 3I-(R+G)

当H在BR扇区(240 ^{\circ} \leqslant H <360 ^{\circ}),首先从H中减去240°,即:

H = H-240^{\circ}

RGB分量为:

G = I(1-S)

B = I\left [ 1+\frac{S\cos H}{\cos(60^{\circ}-H)} \right ]

R = 3I-(G+B)

伪彩色图像处理

伪彩色图像处理是指基于一种指定的规则对灰度值赋以颜色的处理。

灰度分层:

对上图中平面的每一侧赋以不同的颜色,平面上面的灰度级的像素将编码成一种彩色,平面下面的像素编码成另一种颜色,平面上的像素赋以两种色彩之一。

确切说来,令[0,L-1]表示灰度级,令l_{0}代表黑色[f(x,y) = 0],并令l_{L-1}代表白色[f(x,y) = L-1]。假定垂直于灰度轴的P个平面定义为灰度级l_{1},l_{2},...,l_{p}0<P<L-1,P个平面将灰度级分为P+1个区间V_{1},V_{2},...,V_{P+1}。灰度级到彩色赋值按如下进行:

f(x,y) = c_{k},f(x,y)\in V_{k}

其中,c_{k}是与第k个灰度区间V_{k}有关的颜色,V_{k}由位于l = k-1和l=k处的分割平面定义。

灰度到彩色的变换:对任何输入像素的灰度执行3个独立的变换,然后将3个变换结果分别送入红绿蓝通道,产生一幅合成图像。如下图:

全彩色图像处理简介

全彩色图像处理方法分为两种。一种是分别处理每一幅分量图像,然后把处理结果合成彩色图像;另一种是直接处理彩色图像。RGB彩色空间中的一个任意向量:

c =\begin{bmatrix} c_{R}\\ c_{G}\\ c_{B} \end{bmatrix} = \begin{bmatrix} R\\ G\\ B \end{bmatrix}

彩色分量是坐标(x,y)的函数:

c(x,y) =\begin{bmatrix} c_{R}(x,y)\\ c_{G}(x,y)\\ c_{B}(x,y) \end{bmatrix} = \begin{bmatrix} R(x,y)\\ G(x,y)\\ B(x,y) \end{bmatrix}

对于大小为M*N的图像,有M*N个这样的向量c(x,y),其中,x=0,1,2,...,M-1;y=0,1,2,...,N-1。

我们可以用标准的灰度图像处理方法分别处理彩色图像的每一个分量,但这种处理结果并不总等同于彩色空间中的直接处理,这时就要采取新的表达方法。

为了使每种彩色分量处理和基于向量 处理等同,必须满足两个条件:1、处理必须对向量和标量都可用;2、对向量每一分量的操作对于其他分量必须是独立的。如平均操作。

微信交流
多谢打赏

 

2017-12-17 17:44:21 Errors_In_Life 阅读数 3656
  • ArcGIS之数字高程模型(DEM)分析下篇视频课程(GIS...

    课程采用ArcGIS10.3.1进行录制,适用于10.0、10.1、10.2、10.4系列。使得学习者对于坡面地形因子的提取、地形特征点的提取、水文分析、可视性分析都有个深度的掌握。特别是在运用空间分析工具:栅格计算器的不同种运用、邻域分析、区域分析、水文分析、可见性分析、条件分析等等工具与实际项目的运用更加得心应手

    3583 人正在学习 去看看 黄晓军

写在前面:

由于实习,近半年没有写博客了,接下来想在:图像描述 方面有所开拓,姑且用这篇简单的博客来做个入门准备吧;


问题:

图像标识在图像描述领域算是一个先前步骤:在图像预处理(亮度、对比度、清晰度、几何位置)之后,经过分割,就要对分割的区域进行分类,就需要经过图像标识——于此,很容易遇到两个概念:4邻域标记法 和 8邻域标记法;而这两种标记法都会对输入的灰度图进行两次扫描,得出同一前景目标的连通域,而且两者算法思路一致,所以下文用4邻域标记法的两次扫描作为例子分析;


算法思路:

1、什么是4邻域和8邻域?

用格子表示一张输入图片的像素点;姑且用下面的图表示:


如图左边A像素点周围的四个点为:A像素点的4邻域;

如图左边B像素点周围的八个点为:B像素点的8邻域;


2、什么是4邻域模板和8邻域模板?

用格子表示一张输入图片的像素点;姑且用下面的图表示:


如图左边是4邻域扫描模板,右边是8邻域的扫描模板;所谓扫描模板就类似于腐蚀、或者卷积的模板一样,在原输入图像左上角开始扫过去,用有色区域和原图对应区域进行比较,或者运算;


3、第一次扫描算法思路?

a、输入图片(二值灰度图)目标像素点的值:非0;背景像素点的值:0;

b、建立一个等价集合:用来存放相同标签的连通区域有哪些;

     eg.标签1和标签3为同一个连通域;标签2和标签5为同一个连通域;标签4为一个连通域;

     记为:{{1,3}、{2,5}、{4}}

c、开始扫描

     i)用4邻域扫描模板扫描,如果A点不为0,上方和左方的点为0,则A点标记为一个新的标签(第一个标签为1,由此类推);

     ii)如果A点不为0,上方和左方的点有且只有一个不为0,则A 被赋予不为0者的值;

     iii)如果A点不为0,上方和左方的点都不为0,则A 被赋予两者中最小值;并且将左方、上方的标签放在同一个小类中,(其实就是A点连接了上方的标签和左方的标签)eg.A点不为0,上方为1,左方为0,则A被赋值最小者:1,并且形成{1,3}的小类;


4、第二次扫描算法思路?

a、继续扫描,如果A不等于0,则将邻域中不同标签取最小者,即:合并集合;

     eg.把{{1,3}、{2,5}、{4}}简化成:{{1}、{2}、{4}}

     动态过程如下图所示:



5、手稿例子:假设阴影部分是原图像中的三个目标,其他格子值为0;(背景)


2018-11-24 08:56:38 shanlepu6038 阅读数 916
  • ArcGIS之数字高程模型(DEM)分析下篇视频课程(GIS...

    课程采用ArcGIS10.3.1进行录制,适用于10.0、10.1、10.2、10.4系列。使得学习者对于坡面地形因子的提取、地形特征点的提取、水文分析、可视性分析都有个深度的掌握。特别是在运用空间分析工具:栅格计算器的不同种运用、邻域分析、区域分析、水文分析、可见性分析、条件分析等等工具与实际项目的运用更加得心应手

    3583 人正在学习 去看看 黄晓军

一、前言

空间域指图像平面本身。这类图像处理方法直接以图像中的像素操作为基础。这是相对于变换域中的图像处理而言的。变换域的图像处理首先把一幅图像变换到变换域,在变换域中进行处理,然后通过反变换把处理结果返回到空间域
空间域处理主要分为灰度变换和空间滤波两类。
灰度变换在图像的单个像素上操作,主要以对比度和阈值处理为目的;
空间滤波涉及改善性能的操作,如通过图像中每一个像素的邻域处理来锐化图像。

ps:空间滤波是一种采用滤波处理的影像增强方法。其理论基础是空间卷积和空间相关。目的是改善影像质量,包括去除高频噪声与干扰,及影像边缘增强、线性增强以及去模糊等。分为低通滤波(平滑化)、高通滤波(锐化)和带通滤波。

二、一些基本的灰度变换函数

灰度变换是所有图像处理技术中最简单的技术。r和s分别代表处理前后的像素值,这些值与s = T® 有关,其中T是把像素值r映射到像素值s的一种变换。由于我们处理的是数字量,所以变换函数的值通常存储在一个一维阵列中,且r到s的映射是通过查找表实现的。对于8比特环境,包含T的值的一个查找表将有256条记录。
常用的灰度变换函数主要有以下三类:线性函数(反转和恒等变换)、对数函数(对数和反对数变换)、和幂律函数(n次幂和n次根变换)
在这里插入图片描述
上图已经给大家有个直观的感受了,下面依据上图给出公式:

  1. 图像反转
    s = L - 1 - r
    使用这种方式反转一幅图像的灰度级,可得到等效的照片底片。这种类型的处理特别适用于增强嵌入在一幅图像的暗区域中中的白色或灰色细节,特别是黑色面积在尺寸上占主导地位时。
  2. 对数变换
    s = clog(1+r) c为一常数,且r非负
    该变换将输入中范围较窄的低灰度值映射为输出汇总较宽范围的灰度值,相反的,对高的输入灰度值也是如此。我们使用这种类型的变换来扩展图像中的暗像素的值,同时压缩更高灰度级的值。反对数变换的作用正好相反
  3. 幂律(伽马)变换
    s = crgamma 其中,c和gamma是常数
    与对数变换的情况类似,部分gamma值的幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值,相反的,对输入高灰度级值时也成立。
    然而,与对数函数不同的是,随着gamma的变化,将简单的得到一族可能的变换曲线。gamma>1所生成的曲线和gamma<1所生成的曲线的效果完全相反。并且,当c=gamma=1的时候简化为了恒等变换
    在这里插入图片描述
  4. 分段线性函数
    特点是其形式可以是任意复杂的,主要缺点是它的技术说明要求用户输入
    对比度拉伸
    低对比度图像可由照明不足,成像传感器动态范围太小,甚至在图像获取过程中镜头光圈设置错误引起。对比度拉伸是扩展图像灰度级动态范围的处理,因此,它可以跨越记录介质和显示装置的全部灰度范围。
    在这里插入图片描述

至此,博主想要介绍的灰度变换函数都已经介绍完了,下一篇内容计划将以直方图为主题

2019-07-11 08:46:32 weixin_39504171 阅读数 123
  • ArcGIS之数字高程模型(DEM)分析下篇视频课程(GIS...

    课程采用ArcGIS10.3.1进行录制,适用于10.0、10.1、10.2、10.4系列。使得学习者对于坡面地形因子的提取、地形特征点的提取、水文分析、可视性分析都有个深度的掌握。特别是在运用空间分析工具:栅格计算器的不同种运用、邻域分析、区域分析、水文分析、可见性分析、条件分析等等工具与实际项目的运用更加得心应手

    3583 人正在学习 去看看 黄晓军

图像处理13:非极大值抑制

(1)非极大值抑制的含义:            

            非极大值抑制,就是抑制不是极大值的元素,可以理解为局部最大搜索,这个局部代表的是一个邻域,邻域有两个参数可变,一是邻域的维数,二是邻域的大小。           

            非极大值抑制可以帮助抑制除局部最大值之外的所有梯度值(通过将它们设置为0) ,使其指示具有最强烈的强度值变化的位置。

 

(2)为什么要使用非极大值抑制:           

             以目标检测为例,目标检测的过程中在同一目标的位置上会产生大量的候选框,这些候选框相互之间可能会有重叠,此时我们需要利用非极大值抑制找到最佳的目标边界框,消除冗余的边界框。

 

(3)如何使用非极大值抑制:

             前提:目标边界框列表及其对应的置信度得分列表,设定國值,阈值用来删除重叠较大的边界框。

             loU: intersection-over-union,即两个边界框的交集部分除以它们的并集。            

             非极大值抑制的流程如下:                    

                    根据置信度得分进行排序;                    

                    选择置信度最高的比边界框添加到最终输出列表中,将其从边界框列表中删除;                   

                    计算所有边界框的面积; 

                    计算置信度最高的边界框与其它候选框的loU;  

                    删除loU大于國值的边界框;重复上述过程,直至边界框列表为空。

没有更多推荐了,返回首页