精华内容
下载资源
问答
  • FPGA与数字图像处理技术

    千次阅读 2017-09-17 08:44:55
    数字图像处理方法重要性源于两个主要应用领域: 改善图像信息以便解释。 为存储、传输和表示而图像数据进行处理,以便于机器自动理解。 图像处理(image processing): 用计算机图像...

    数字图像处理方法的重要性源于两个主要应用领域:

      • 改善图像信息以便解释。

      • 为存储、传输和表示而对图像数据进行处理,以便于机器自动理解。

    图像处理(image processing):

    用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别3个部分。

    常用方法:

      • 图像变换:由于图像阵列很大,直接在空间域中进行处理,涉及计算量很大。因此,往往采用各种图像变换的方法,如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术,将空间域的处理转换为变换域处理,不仅可减少计算量,而且可获得更有效的处理(如傅立叶变换可在频域中进行数字滤波处理)。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性,它在图像处理中也有着广泛而有效的应用。

      • 图像编码压缩:图像编码压缩技术可减少描述图像的数据量(即比特数),以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得,也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法,它在图像处理技术中是发展最早且比较成熟的技术。

      • 图像增强和复原:图像增强和复原的目的是为了提高图像的质量,如去除噪声,提高图像的清晰度等。图像增强不考虑图像降质的原因,突出图像中所感兴趣的部分。如强化图像高频分量,可使图像中物体轮廓清晰,细节明显;如强化低频分量可减少图像中噪声影响。图像复原要求对图像降质的原因有一定的了解,一般讲应根据降质过程建立“降质模型”,再采用某种滤波方法,恢复或重建原来的图像。

      • 图像分割:图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来,其有意义的特征有图像中的边缘、区域等,这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法,但还没有一种普遍适用于各种图像的有效方法。因此,对图像分割的研究还在不断深入之中,是目前图像处理中研究的热点之一。

      • 图像描述:图像描述是图像识别和理解的必要前提。作为最简单的二值图像可采用其几何特性描述物体的特性,一般图像的描述方法采用二维形状描述,它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。随着图像处理研究的深入发展,已经开始进行三维物体描述的研究,提出了体积描述、表面描述、广义圆柱体描述等方法。

      • 图像分类(识别):图像分类(识别)属于模式识别的范畴,其主要内容是图像经过某些预处理(增强、复原、压缩)后,进行图像分割和特征提取,从而进行判决分类。图像分类常采用经典的模式识别方法,有统计模式分类和句法(结构)模式分类,近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。

    图像分类:

    在计算机中,按照颜色和灰度的多少可以将图像分为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型。

    二值图像:

    一幅二值图像的二维矩阵仅由0、1两个值构成,“0”代表黑色,“1”代白色。由于每一像素(矩阵中每一元素)取值仅有0、1两种可能,所以计算机中二值图像的数据类型通常为1个二进制位。二值图像通常用于文字、线条图的扫描识别(OCR)和掩膜图像的存储。


    二值图像

    灰度图像:

    灰度图像矩阵元素的取值范围通常为[0,255]。因此其数据类型一般为8位无符号整数的,这就是人们经常提到的256灰度图像。“0”表示纯黑色,“255”表示纯白色,中间的数字从小到大表示由黑到白的过渡色。二值图像可以看成是灰度图像的一个特例。


    灰度图像

    索引图像:

    索引图像的文件结构比较复杂,除了存放图像的二维矩阵外,还包括一个称之为颜色索引矩阵MAP的二维数组。是一种把像素值直接作为RGB调色板下标的图像。索引图像可把像素值“直接映射”为调色板数值。索引图像一般用于存放色彩要求比较简单的图像,如Windows中色彩构成比较简单的壁纸多采用索引图像存放,如果图像的色彩比较复杂,就要用到RGB真彩色图像。索引图像细节不在赘述。

    索引图像

     RGB彩色图像:

    RGB图像与索引图像一样都可以用来表示彩色图像。与索引图像一样,它分别用红(R)、绿(G)、蓝(B)三原色的组合来表示每个像素的颜色。但与索引图像不同的是,RGB图像每一个像素的颜色值(由RGB三原色表示)直接存放在图像矩阵中,由于每一像素的颜色需由R、G、B三个分量来表示,M、N分别表示图像的行列数,三个M x N的二维矩阵分别表示各个像素的R、G、B三个颜色分量。 

    彩色图像

    数字图像空间域处理:

    空间域处理分为灰度变换和空间滤波。

    灰度变换:

    灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。目的是为了改善画质,使图像的显示效果更加清晰。 图像的灰度变换处理是图像增强处理技术中的一种非常基础、直接的空间域图像处理方法。

    变换函数法:

      • 图像反转

      • 对数变换

      • 幂律(伽马)变换

      • 分段线性变换 

    灰度变换函数曲线图

    直方图处理法:

      • 直方图均衡

      • 直方图匹配

      • 局部直方图处理

      • 直方图统计


        matlab直方图均衡处理

        空间滤波:

        空间滤波,就是直接在灰度值上,做一些滤波操作。滤波一词,其实来源于频域,将某个频率成分滤除的意思。大部分线性的空间滤波器(比如均值滤波器),是在空间上进行一些灰度值上的操作,这个线性空间滤波器与频域滤波器有一一对应的关系(比如均值滤波器其本质就是低通滤波器)。

        通常分为低通滤波(平滑化)、高通滤波(锐化)。

        平滑滤波器:

        在空间域上考虑,所指的平滑滤波器,有平均滤波与加权平均滤波两种形式。


                                                                                            原始图像                                                                                         平均滤波


    加权平均滤波

    统计排序滤波器:

    统计排序滤波器的运用也广泛,其是很典型的非线性滤波器。主要包括了,最大值滤波器,最小值滤波器,中央值滤波器等等。这里作为代表的,主要说中央值滤波器,中央值滤波对于去除椒盐噪声特别有效。

    所谓中央值滤波器,就是将滤波器范围内的像素的灰度值,进行排序,选出中央值作为这个像素的灰度值。同理可解释最大值滤波器与最小值滤波器。


    原始图像


    椒盐噪声


    中值滤波器

    锐化滤波器:

    所谓的锐化,即是将图像的细节强调出来。主要算子----拉普拉斯算子。

    图像锐化

    图像频率域滤波:

    所谓的图像频率,就是这个图空间上的灰度变换的快慢。

    为什么要在频率域中进行图像处理?

    可以利用频率成分和图像外表之间的对应关系。一 些在空间域表述困难的增强任务,在频率域中变得非常普通 。

    滤波在频率域更为直观,它可以解释空间域滤波的某些性质 。

    可以在频率域指定滤波器,做反变换,然后在空间域使用结果滤波器作为空间域滤波器的指导。

    主要变换为傅里叶变换。傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。


    时域与频域

    频域滤波器分为:

      • 理想低通滤波器

      • 巴特沃斯低通滤波器

      • 高斯低通滤波器

      • 理想高通滤波器

      • 巴特沃斯高通滤波器

      • 高斯高通滤波器

      • 带阻滤波器

      • 带通滤波器

      • 陷波滤波器

    其他图像处理相关:

    图像处理与重建

    彩色图像处理

    小波和多分辨率处理

    图像压缩

        霍夫曼编码

        Golomb编码

        算术编码

        块变换编码

        小波编码

        余弦变换

    形态学图像处理

        腐蚀、膨胀

        边界提取

        空洞填充

        连通分量的提取

        细化与粗化

    图像分割

        边缘检测

        阈值处理

        区域分割

    目标识别 

    FPGA技术:

    一般地,图像处理大致可以分为低级处理和高级处理:低级处理的数据量大,算法简单,存在着较大的并行性;高级处理的算法复杂,数据量小。在图像处理的实现手段上,图像低级处理阶段,利用软件来实现是一个很耗时的过程,但是利用硬件实现,就可以对大量数据进行并行处理,能够极大的提高处理速度;而图像高级处理阶段,利用软件来实现则具有较高的性价比。因此,图像处理系统中可以利用高速硬件模块(如FPGA)承担图像低级处理任务。这样对大量图像数据进行了低级处理,使系统在减少数据传输量的同时还极大的提高了实时性能。

    通用计算机:

    通用计算机是基于冯.诺依曼结构的,通过高级语言(C,C++等)编写程序代码,整个执行过程是单指令单数据的串行处理过程,在很多情况下该系统结构上的局限性使它对低级图像的处理不能够满足高速处理的要求,它适合各种图像处理算法的验证,适用于一些实时性要求不高的场合。

    并行处理机:

    在许多场合下,单个CPU不能够实现实时数据处理的时候,采用多个CPU同时工作的并行处理为解决此问题提供了可能。各国学者在这方面作了大量的工作,并己经研究出多种并行结构和编程语言,它克服了单个处理器串行工作的局限性,提高了系统的性能。虽然对并行处理进行了大量的研究,但这个领域仍不成熟。处理单元负载不均衡,并行算法编程困难,理论上并行处理所应达到的性能和实际性能相比有较大差距。

    专用集成电路:

    专用集成电路是针对于某一固定算法或应用而专门设计的硬件芯片。许多图像处理算法采用通用处理器和DSP来实现难以满足速度需要,而必须采用ASIC来实现,在各种算法实现方案中使用ASIC来实现是最快的。但是,ASIC在实际应用中也有其缺点:ASIC从设计到应用需要较长的时间周期;ASIC因为属于专用硬件芯片,所以需求数量较少,成本也就非常高;由于ASIC是为专用目的设计的,当设计成型并且流片成功就不能改动,所以在设计中当算法因故需要改变时就要设计者重新设计芯片和硬件电路;当ASIC里存在硬件设计的错误时,并且在投入生产前未能发现的话,唯一解决的办法是把产品回收,而这样做的后果往往是芯片商付出沉重的经济代价。ASIC较低的灵活度往往使其局限于非常有限的应用中并容易产生性能瓶颈,因此由ASIC构建的图像处理系统,缺乏灵活性。

    数字信号处理器:

    数字信号处理器(DSP),是专门为快速实现各种数字信号处理算法而设计的、具有特殊结构的微处理器,通常使用C语言进行编程,其处理速度可达到2000MIPS,比最快的CPU还快10-50倍。数字信号处理器的内部采用专用硬件实现一些数字信号处理常用的运算,所以它进行这些运算速度非常快,如乘加(MAC)运算只需要一个时钟周期。但是从根本上来说,DSP只是对某些固定的运算提供硬件优化,其体系仍是串行指令执行系统,并且这些固定优化运算并不能够满足众多算法的需要,这使得它的使用受到限制。

    现场可编程门阵列(FPGA):

    FPGA器件是当今运用极为广泛的可编程逻辑器件,也被称为可编程ASIC。FPGA器件在结构上具有逻辑功能块排列,可编程的内部连线连接这些功能模块来实现一定的逻辑功能。FPGA器件的功能由逻辑结构的配置数据决定。工作时,这些配置数据存放在片内的SILAM中。使用SRAM的FPGA器件,在工作前需要从芯片外部加载配置数据,配置数据可以存储在片外的EPROM或其他存储体上,设计者可以控制加载过程,在现场修改器件的逻辑功能,即所谓现场编程。利用它用户不仅可以方便地设计出所需的硬件逻辑,而且可以进行静态重复编程和动态在系统重配置,使系统的硬件功能可以像软件一样编程来修改,从而可以实时地进行灵活而方便的更新和开发,大大提高了系统设计的灵活性和通用性。与此同时,FPGA自身也在迅速发展,其集成度、工作速度不断提高,包含的资源越来越丰富,可实现的功能也越来越强。

    FPGA与图像处理
    FPGA能在设计上实现硬件并行和流水线(pipeline)技术,而这些都不能在DSP上实现。因此,对于实时图像处理而言,与本质上仍然是依靠串行执行指令来完成相应图像处理算法的DSP系统相比,FPGA有很强的灵活性,可以根据需要进行重构配置,有较强的通用性,适于模块化设计;同时其开发周期短,系统易于维护和扩展,适合实时的信号处理,能够大大提高图像数据的处理速度,满足系统的实时性要求,因此采用FPGA器件是个不错的选择。

    文章来源:卿萃科技FPGA极客空间 微信公众号

    版权所有权归卿萃科技,转载请注明出处。

    作者:卿萃科技ALIFPGA



    展开全文
  • 基于OpenCV+MFC实现数字图像基本操作及图像变换 实验要求: 参照附件提供程序,理解并实现JPG、BMP类型图像文件进行读出、显示、存储操作。 充分理解附件程序中傅里叶变换,并在此基础上完成傅立叶反变换...

    前言

    因为记录自己作业这个系列的博客刚刚想到要做,而实验一几天前就做完了,不想花时间再去整理,就简单处理一下吧。

    基于OpenCV+MFC实现数字图像基本操作及图像变换
    实验要求:

    1. 参照附件提供的程序,理解并实现对JPG、BMP类型的图像文件进行读出、显示、存储的操作。
    2. 充分理解附件程序中的傅里叶变换,并在此基础上完成傅立叶反变换。
    3. 充分理解附件程序中的离散余弦变化,并在此基础上完成离散余弦反变换。
    4. 实现数字图像的沃尔什哈达吗变换

    过程中用到的博客:

    windows:Opencv3.4.1+VS2017环境配置

    MFC使用OpenCV在文档窗口中显示图像(支持多图片格式)

    C++ OpenCV cvtColor CV_BGR2GRAY未声明的标识符的解决办法(四)

    OpenCV:imwrite函数保存图片

    GDI+ 使用指南(basic guiding of GDI plus )

    基本上参考了这些文章,然后加上和同学们的一些交流,做完了自己的实验一作业。

    下面是CSDN资源下载,也就是自己的完整程序:

    数字图像基本操作及图像变换

    展开全文
  • 本人作业完成,包括源代码和实验报告,供以后同学使用! 二、实验要求 1. 参照附件提供程序,理解并实现JPG、BMP类型图像文件进行读出、显示、存储操作。...4. 实现数字图像的沃尔什哈达吗变换
  • 直方图处理是多种空间域处理技术的基础,可以直接用于图像的增强以及图像的压缩和分割。在灰度级范围为[0,L-1]的数字图像的直方图可以表示为:其中rk是第k级灰度值,nk是图像中灰度为rk的像素的个数,M和N分别是图像...

    图像的直方图

    图像的直方图处理是从概率统计的角度出发,对图像灰度级的概率分布进行变换,从而达到使图像细节丰富、动态范围较大、便于观测和理解的目的。

    直方图处理是多种空间域处理技术的基础,可以直接用于图像的增强以及图像的压缩和分割。在灰度级范围为[0,L-1]的数字图像的直方图可以表示为:


    其中rk是第k级灰度值,nk是图像中灰度为rk的像素的个数,MN分别是图像的行和列数。

    我们首先对下列图像进行观测。我们可以看到,在亮图像中,直方图的分量集中在灰度级的高端,而在暗图像中,中直方图的分量倾向于灰度级的低端。低对比度的图像具有较窄的直方图,且集中于灰度级的中部。对于单色图像,这就意味着暗淡,好像灰度被冲淡了一样。而高对比度的图像的直方图的分量覆盖了很宽的灰度级范围,而且像素的分布比较均匀。因此,若一幅图像的像素倾向于占据整个可能的灰度级并且分布均匀,那么该图像会有高对比度的外观并展示灰色调的较大变化。最终效果将是一幅灰度细节丰富且动态范围较大的图像。


    下面是图像直方图绘制的Matlab程序,其中numel(image)是求取图像的M×N的值,imhist是求取图像的直方图,这里进行了归一化处理,使每个值处于[0,1]范围内。bar()用于显示直方图。

    clear
    clc
    %%读取图像数据
    Cells_bright=imread('细胞亮.jpg');
    Cells_dark=imread('细胞暗.jpg');
    Cells_low_contrast=imread('细胞低对比度.jpg');
    Cells_hight_contrast=imread('细胞高对比度.jpg');
    
    %%灰度化
    Cells_bright_gray=rgb2gray(Cells_bright);
    Cells_dark_gray=rgb2gray(Cells_dark);
    Cells_low_contrast_gray=rgb2gray(Cells_low_contrast);
    Cells_hight_contrast_gray=rgb2gray(Cells_hight_contrast);
    
    %%求直方图
    h_bright         =imhist(Cells_bright_gray)/numel(Cells_bright_gray);
    h_dark           =imhist(Cells_dark_gray)/numel(Cells_dark_gray);
    h_low_contrast   =imhist(Cells_low_contrast_gray)/numel(Cells_low_contrast_gray);
    h_hight_contrast =imhist(Cells_hight_contrast_gray)/numel(Cells_hight_contrast_gray);
    
    %%绘制直方图
    h=0:255;
    figure(1)
    subplot(1,2,1)
    imshow(Cells_bright)
    title('细胞亮')
    subplot(1,2,2)
    bar(h,h_bright);
    title('直方图')
    axis([0,255,0,0.1])
    
    figure(2)
    subplot(1,2,1)
    imshow(Cells_dark_gray)
    title('细胞暗')
    subplot(1,2,2)
    bar(h,h_dark);
    title('直方图')
    axis([0,255,0,0.1])
    
    figure(3)
    subplot(1,2,1)
    imshow(Cells_low_contrast_gray)
    title('细胞低对比度')
    subplot(1,2,2)
    bar(h,h_low_contrast);
    title('直方图')
    axis([0,255,0,0.1])
    
    figure(4)
    subplot(1,2,1)
    imshow(Cells_hight_contrast_gray)
    title('细胞高对比度')
    subplot(1,2,2)
    bar(h,h_hight_contrast);
    title('直方图')
    axis([0,255,0,0.1])

    图像的直方图均衡




    注意,我们的目的是为了使图像的直方图分量覆盖整个灰度级且分布均匀,因此其等价于使得Ps(s)的直方图分布律为:


    因此利用上述两个公式可以得到:



    可以看到,变换后的图像的直方图概率分布为均匀分布。

    对于离散的数字图像可以通过下式进行变换。


    下面是原书中给的一个例子:


    下面我们以图像“细胞亮”为实例,通过Matlab实现图像的均衡。这里的histeq可以实现对原图像的直方图均衡。我们可以看到,直方图均衡后的图像显示了更多细节,且直方图分量分布更加均匀。

    %%直方图均衡
    hist_equilibrium=histeq(Cells_bright_gray);
    
    %%直方图
    Image_equilibrium_hist=imhist(hist_equilibrium)/numel(hist_equilibrium);
    %%绘制直方图均衡后图像
    figure(5)
    subplot(1,2,1)
    imshow(g)
    title('细胞亮直方图均衡后的图片')
    subplot(1,2,2)
    bar(h,Image_equilibrium_hist);
    title('直方图')
    axis([0,255,0,0.1])

    直方图规定化

    上述我们实现了对某张图像进行直方图均衡,使图像的直方图分量分布均匀。但是有时对图像进行直方图均衡效果不佳。例如:

    clear
    clc
    %%读取图像数据
    Mars=imread('火星.jpg');
    
    %%灰度化
    Mars_gray=rgb2gray(Mars);
    
    %%直方图
    h=0:255;
    h_Mars=imhist(Mars_gray)/numel(Mars_gray);
    figure(1)
    subplot(1,2,1)
    imshow(Mars_gray)
    title('火星灰度图')
    subplot(1,2,2)
    bar(h,h_Mars);
    title('直方图')
    axis([0,255,0,1])
    
    %%直方图均衡
    hist_equilibrium=histeq(Mars_gray);
    Mars_equilibrium_hist=imhist(hist_equilibrium)/numel(hist_equilibrium);
    figure(2)
    subplot(1,2,1)
    imshow(hist_equilibrium)
    title('火星直方图均衡')
    subplot(1,2,2)
    bar(h,Mars_equilibrium_hist);
    title('直方图')
    axis([0,255,0,1])
    如图显示了火星卫星(Phobos)的图像,图像中的大部分是暗色区域,如果我们采用直方图均衡的方式进行图像增强,会使得把非常窄的暗像素区域映射到输出图像灰度级的高端。直方图的规定化就是解决这类问题。

    直方图的规定化可以理解为指定一种直方图分布律(自己可以根据实际需要设计),将原图像的直方图分布变换为我们规定的分布律。其实现方式也是显而易见的,由于直方图均衡是一一对应的结果,因此原图像可以通过直方图均衡由P(r)→P(s)(再次强调是一一对应的),同理,我们设计的直方图分布律也可以进行直方图均衡P(z)→P(s),而由于直方图均衡的一一对应的特性,我们可以找到这样的映射:P(s)→P(z)。因此我们可以通过这样的路线实现直方图规定化。

    (1)P(r)→P(s)

    (2)P(z)→P(s),P(s)→P(z)

    (3)P(r)→P(s)→P(z)

    下面是原书中的示例:


    下面我们对上述火星卫星图像进行直方图规定化操作:

    %%指定直方图分布律
    p(1:100)=-16/50/50*(h(1:100)-50).^2+18;
    p(101:256)=2;
    p=p/sum(p);
    figure(3)
    plot(h,p);
    title('指定的直方图')
    
    %%直方图匹配
    hist_matching=histeq(Mars_gray,p);
    Mars_matching_hist=imhist(hist_matching)/numel(hist_matching);
    figure(4)
    subplot(1,2,1)
    imshow(hist_matching)
    title('火星直方图匹配')
    subplot(1,2,2)
    bar(h,Mars_matching_hist);
    title('直方图')
    axis([0,255,0,1])

    我们可以看到直方图规定化具有较好的效果。

    局部直方图均衡

    局部直方图均衡是为了解决在全局处理情况下使得图像大面积引入噪声的问题。例如下图所示。这里可以通过在某个局部邻域内进行均衡操作。具体代码可以参考后面讲解的直方图统计进行局部修改。


    直方图统计

    直方图统计的方式增强图像是借助图像中的数据的统计量进行分析计算。例如图像的平均值和二阶矩(方差)等统计量。

    图像的取样均值可以表示为:


    方差可以表示为:


    其中均值表示了图像整体的明暗程度,方差可以理解为图像中的对比度。

    例如下面是一幅放大了约130倍钨丝的SME图像,可以看到图像中央的钨丝及其支架可以很清楚并容易的分析,然而图像的右侧存在的另一根钨丝的结构由于过暗而不宜观测。倘若我们希望图像中央钨丝结构不变,仅仅对暗区纹理部分进行增强,而图像的全局均衡化虽然对暗区进行了增强,却影响了中央钨丝的区域。这时我们可以通过图像的直方图统计的方式实现。

    clear
    clc
    %%读取图像数据
    Tungsten=imread('放大约130倍钨丝的SME图像.jpg');
    
    %%灰度化
    Tungsten_gray=rgb2gray(Tungsten);
    
    %%直方图
    h=0:255;
    h_Tungsten=imhist(Tungsten_gray)/numel(Tungsten_gray);
    %%绘制直方图
    figure(1)
    subplot(1,2,1)
    imshow(Tungsten_gray)
    title('放大约130倍钨丝的SME图像')
    subplot(1,2,2)
    bar(h,h_Tungsten);
    title('直方图')
    axis([0,255,0,0.1])
    
    %%全局直方图均衡
    hist_equilibrium=histeq(Tungsten_gray);
    Tungsten_equilibrium_hist=imhist(hist_equilibrium)/numel(hist_equilibrium);
    figure(2)
    subplot(1,2,1)
    imshow(hist_equilibrium)
    title('全局直方图均衡')
    subplot(1,2,2)
    bar(h,Tungsten_equilibrium_hist);
    title('直方图')
    axis([0,255,0,1])


    具体做法如下,首先取某个大小为n×n的邻域,求取其均值和标准差,若其均值小于平均值的k0倍,则说明该区域过暗,可以表示为:

    若考虑该区域的对比度,则通过以下公式:

    K2>1则表示增强亮区域,若k2<1则表示增强暗区域。
    当然,我们需要限制能够接受的最低的对比度值,否则该过程会试图增强标准差为0的恒定区域。

    对于满足上述所有条件的区域,可以通过将该像素值乘以指定常数E来处理,以便增强或减小该区域灰度值。

    因此,综上所述,我们可以表示为:


    下面对上述钨丝图进行操作:

    首先求取全局均值和标准差,其次设置k0、k1、k2和E,设置邻域范围为n=3。这里的wextend()用于扩展图像,否则图像的边缘点,如点(1,1)无法得到计算。然后根据上述公式进行计算。可以看到通过直方图统计的方式增强了图像右侧的暗区域。

    %%直方图统计
    Tungsten_gray=double(Tungsten_gray);    %格式转化,便于后期计算
    Tungsten_mean_G =mean(Tungsten_gray(:));  %全局平均值
    k0=0.25;
    Tungsten_std_G=std(Tungsten_gray(:));   %全局标准差
    k2=0.4;
    k1=0.02;
    E=4.0;
    if k1>=k2
        disp(['输入错误,k1>k2'])
    end
    
    n=3;    %局部均衡邻域范围
    st=floor(n/2);           %以像素所在位置为(2,2)为例,其邻域为[1:3,1:3]。
    image_extend=wextend('2D','sym',Tungsten_gray,n);%%扩展
    Tungsten_result=Tungsten_gray;              %用于得到结果
    [row,col]=size(image_extend);              %扩展后的图像大小
    for i=1+n:row-n
        for j=1+n:col-n
            img_temp=image_extend(i-st:i+st,j-st:j+st);   %获取像素(i,j)的邻域
            img_temp_mean=mean(img_temp(:));         %求局部均值
            img_temp_std=std(img_temp(:));           %求局部标准差
            if img_temp_mean<=k0*Tungsten_mean_G && img_temp_std<=k2*Tungsten_std_G &&img_temp_std>=k1*Tungsten_std_G;
                Tungsten_result(i-n,j-n)=img_temp(st+1,st+1)*E;  %将该像素增强E倍
            end
            
        end
    end
    Tungsten_result=uint8(Tungsten_result);
    Tungsten_result_hist=imhist(Tungsten_result)/numel(Tungsten_result);
    figure(3)
    subplot(1,2,1)
    imshow(Tungsten_result)
    title('局部直方图统计增强后的图像')
    subplot(1,2,2)
    bar(h,Tungsten_result_hist);
    title('直方图')
    axis([0,255,0,0.1])

    改变参数,可以得到下图。
    k0=0.4;
    k2=0.4;
    k1=0.02;
    E=4.0;

    我们也可以仅对右侧一半进行局部直方图统计增强。使j加了列数的一半。则可以得到下图。

    j=1+n+floor(col/2):col-n

    展开全文
  • MATLAB数字图像处理.pdf

    2019-11-28 20:58:06
    数字图像处理技术的研究内容涉及光学系统、微电子技术、计算机科学、数学分析等领域,是一门综合性很强的边缘学科。随着计算机的迅猛发展,图像处理技术已经广泛应用于各个领域。 “数字图像处理”课程内容主要包括...
  • 数字图像处理知识点总结第一章 导论1. 图像:客观对象一种相似性生动性描述或写真。2. 图像分类:按可见性(可见图像、不可见图像),按波段数(单波段、多波段、超波段),按空间坐标和亮度连续性(模拟和数字...

    数字图像处理知识点总结

    第一章 导论

    1. 图像:对客观对象的一种相似性的生动性的描述或写真。

    2. 图像分类:按可见性(可见图像、不可见图像),按波段数(单波段、多波段、超波段),按空间坐标和亮度的连续性(模拟和数字)。

    3. 图像处理:对图像进行一系列操作,以到达预期目的的技术。

    4. 图像处理三个层次:狭义图像处理、图像分析和图像理解。

    5. 图像处理五个模块:采集、显示、存储、通信、处理和分析。

    第二章 数字图像处理的基本概念

    6. 模拟图像的表示:f(x,y)=i(x,y)×r(x,y),照度分量0< i(x,y)< ∞ ,反射分量0

    7. 图像数字化:将一幅画面转化成计算机能处理的形式——数字图像的过程。它包括采样量化两个过程。像素的位置和灰度就是像素的属性。

    8. 将空间上连续的图像变换成离散点的操作称为采样采样间隔采样孔径的大小是两个很重要的参数。采样方式:有缝、无缝和重叠。

    9. 将像素灰度转换成离散的整数值的过程叫量化

    10. 表示像素明暗程度的整数称为像素的灰度级(或灰度值或灰度)。

    11. 数字图像根据灰度级数的差异可分为:黑白图像灰度图像彩色图像

    12. 采样间隔对图像质量的影响:一般来说,采样间隔越大,所得图像像素数越少,空间分辨率低,质量差,严重时出现像素呈块状的国际棋盘效应;采样间隔越小,所得图像像素数越多,空间分辨率高,图像质量好,但数据量大。

    13. 量化等级对图像质量的影响:量化等级越多,所得图像层次越丰富,灰度分辨率高,图像质量好,但数据量大;量化等级越少,图像层次欠丰富,灰度分辨率低,会出现假轮廓现象,图像质量变差,但数据量小。但在极少数情况下对固定图像大小时,减少灰度级能改善质量,产生这种情况的最可能原因是减少灰度级一般会增加图像的对比度。例如对细节比较丰富的图像数字化。

    14. 数字化器组成:

    1) 采样孔:保证单独观测特定的像素而不受其它部分的影响。

    2) 图像扫描机构:使采样孔按预先确定的方式在图像上移动。

    3) 光传感器:通过采样孔测量图像的每一个像素的亮度。

    4) 量化器:将传感器输出的连续量转化为整数值。

    5) 输出存储体:将像素灰度值存储起来。它可以是固态存储器,或磁盘等。

    15. 灰度直方图反映的是一幅图像中各灰度级像素出现的频率。以灰度级为横坐标,纵坐标为灰度级的频率,绘制频率同灰度级的关系图就是灰度直方图。

    16. 直方图的性质:

    1) 灰度直方图只能反映图像的灰度分布情况,而不能反映图像像素的位置,即丢失了像素的位置信息。

    2) 一幅图像对应唯一的灰度直方图,反之不成立。不同的图像可对应相同的直方图

    3) 一幅图像分成多个区域,多个区域的直方图之和即为原图像的直方图。

    17. 直方图的应用:

    1) 用于判断图像量化是否恰当

    2) 用于确定图像二值化的阈值

    3) 计算图像中物体的面积

    4) 计算图像信息量:熵H

    18. 图像处理基本功能的形式:单幅图像 → 单幅图像 ,多幅图像 →单幅图像,单(或多)幅图像→数字或符号。

    19. 邻域:对于任一像素(i,j),该像素周围的像素构成的集合{(i+p,j+q),p、q取合适的整数},叫做该像素的邻域。

    20. 图像处理的几种具体算法:

    1) 局部处理:移动平均平滑、空间域锐化。

    2) 点处理:图像对比度增强、图像二值化。

    3) 大局处理:傅里叶变换。

    4) 迭代处理:细化。

    5) 跟踪处理

    6) 位置不变处理和位置可变处理:输出像素JP(i,j)的值的计算方法与像素的位置(i,j)无关的处理称为位置不变处理或位移不变处理

    7) 窗口处理模板处理

    21. 图像的数据结构与特征 :

    1) 组合方式:一个字长存放多个像素灰度值的方式。它能起到节省内存的作用,但导致计算量增加,使处理程序复杂。

    2) 比特面方式:按比特位存取像素,即将所有像素的相同比特位用一个二维数组表示,形成比特面。

    3) 分层结构:由原始图像开始依次构成像素数愈来愈少的一幅幅图像,就能使数据表示具有分层性,其代表有锥形(金字塔)结构。

    4) 树结构:对于一幅二值图像的行、列接连不断地二等分,如果图像被分割部分中的全体像素都变成具有相同的特征时,这一部分则不再分割

    5) 多重图像数据存储:逐波段存储,分波段处理时采用;逐行存储,行扫描记录设备采用;逐像素存储,用于分类。

    22. 图像的特征:

    1) 自然特征:光谱特征、几何特征、时相特征;

    2) 人工特征:直方图特征,灰度边缘特征,线、角点、纹理特征;

    3) 特征的范围:点特征、局部特征、区域特征、整体特征。

    4) 特征提取:获取图像特征信息的操作。把从图像提取的m个特征量y1,y2,…,ym,用m维的向量Y=[y1 y2…ym]t表示称为特征向量。另外,对应于各特征量的m维空间叫做特征空间

    23. 对比度:一幅图像中灰度反差的大小,对比度=最大亮度/最小亮度

    第三章 图像变换

    24. 图像变换通常是一种二维正交变换。

    1) 正交变换必须是可逆的;

    2) 正变换和反变换的算法不能太复杂;

    3) 正交变换的特点是在变换域中图像能量集中分布在低频率成分上,边缘、线状信息反映在高频率成分上,有利于图象处理

    25. 图像变换的目的在于:

    1) 使图像处理问题简化;

    2) 有利于图像特征提取;

    3) 有助于从概念上增强对图像信息的理解。

    第四章 图像增强

    26. 图像增强是采用一系列技术去改善图像的视觉效果,或将图像转换成一种更适合于人或机器进行分析和处理的形式。

    27. 空间域增强是直接对图像各像素进行处理;

    28. 频率域增强是先将图像经傅立叶变换后的频谱成分进行某种处理,然后经逆傅立叶变换获得所需的图像。

    29.

    1c2969815bb3942ac1741ace269f17ed.png

    30. 灰度变换用来调整图像的灰度动态范围或图像对比度,是图像增强的重要手段之一。

    1) 线性变换:对图像每一个像素灰度作线性拉伸,将有效改善图像视觉效果。

    2) 分段线性变换:为了突出感兴趣目标所在的灰度区间,相对抑制那些不感兴趣的灰度区间,可采用分段线性变换。

    3) 非线性灰度变换:对数变换(当希望对图像的低灰度区较大的拉伸而对高灰度区压缩时,可采用这种变换,它能使图像灰度分布与人的视觉特性相匹配)。 指数变换(对图像的高灰度区给予较大的拉伸)

    31. 直方图修整包括直方图均衡化直方图规定化两类。

    32. 直方图均衡化:将原图像通过某种变换,得到一幅灰度直方图为均匀分布的新图像的方法。

    33. 直方图均衡化变换函数,满足下列条件:

    1) 在0≤r≤1内为单调递增函数,保证灰度级从黑到白的次序不变;

    2) 在0≤r≤1内,有0≤T(r)≤1,确保映射后的像素灰度在允许的范围内。

    34. 直方图均衡化原理:输出图像的概率密度函数可以通过变换函数T(r)控制原图像灰度级的概率密度函数得到,并改善原图像的灰度层次。

    35. 一幅图像的sk与rk之间的关系称为该图像的累积灰度直方图。

    36. 直方图规定化是使原图像灰度直方图变成规定形状的直方图而对图像作修正的增强方法。

    37. 利用直方图规定化方法进行图像增强的主要困难在于要构成有意义的直方图。图像经直方图规定化,其增强效果要有利于人的视觉判读或便于机器识别。

    38. 为了抑制噪声改善图像质量所进行的处理称图像平滑去噪

    39. 用邻域内各像素的灰度平均值代替该像素原来的灰度值,实现图像的平滑,又称邻域平均法

    40. 超限像素平滑法:将f(x,y)和邻域平均g(x,y)差的绝对值与选定的阈值进行比较,根据比较结果决定点(x,y)的最后灰度g´(x,y)。

    41. 灰度最相近的K个邻点平均法:可用窗口内与中心像素的灰度最接近的K个邻像素的平均灰度来代替窗口中心像素的灰度值。

    42. 最大均匀性平滑:为避免消除噪声引起边缘模糊,该算法先找出环绕图像中每像素的最均匀区域,然后用这区域的灰度均值代替该像素原来的灰度值。具体可选任一像素(x,y)的5个有重叠的3*3邻域,用梯度衡量它们灰度变化的大小。

    43. 有选择保边缘平滑法:对图像上任一像素(x,y)的5×5邻域,采用9个掩模:一个3×3正方形、4个五边形和4个六边形。计算各个掩模的均值和方差,对方差进行排序,最小方差所对应的掩模的灰度均值就是像素(x,y) 的输出值。

    44. 空间低通滤波法:应用模板卷积方法对图像每一像素进行局部处理。不管什么样的掩模,必须保证全部权系数之和为单位值,这样可保证输出图像灰度值在许可范围内,不会产生“溢出”现象。

    45. 中值滤波:是对一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,因此它是一种非线性的图像平滑法。离散阶跃信号、斜升信号没有受到影响。离散三角信号的顶部则变平了。对于离散的脉冲信号,当其连续出现的次数小于窗口尺寸的一半时,将被抑制掉,否则将不受影响。

    46. 各种空间域平滑算法效果比较:

    1) 局部平滑法算法简单,但它的主要缺点是在降低噪声的同时使图像产生模糊,特别在边缘和细节处。而且邻域越大,在去噪能力增强的同时模糊程度越严重。

    2) 超限像素平滑法对抑制椒盐噪声比较有效,对保护仅有微小灰度差的细节及纹理也有效。并且随着邻域增大,去噪能力增强,但模糊程度也大。超限像元平滑法比局部平滑法去椒盐噪声效果更好。

    3) 灰度最相近的K个邻点平均法:较小的K值使噪声方差下降较小,但保持细节效果较好;而较大的K值平滑噪声较好,但会使图像边缘模糊。

    4) 最大均匀性平滑经多次迭代可增强平滑效果,在消除图像噪声的同时保持边缘清晰性。但对复杂形状的边界会过分平滑并使细节消失。

    5) 有选择保边缘平滑法既能够消除噪声,又不破坏区域边界的细节。

    6) 中值滤波对脉冲干扰及椒盐噪声的抑制效果好,在抑制随机噪声的同时能有效保护边缘少受模糊。但它对点、线等细节较多的图像却不太合适。中值滤波法能有效削弱椒盐噪声,且比邻域、超限像素平均法更有效

    47. 图像空间域锐化增强图像的边缘或轮廓。

    48. 图像平滑通过积分过程使得图像边缘模糊,图像锐化则通过微分而使图像边缘突出、清晰。

    49. 梯度锐化法:梯度为grad(x,y)=Max(|fx′|,|fy′|) 或grad(x,y)=|fx’|+|fy|。有梯度算子、Roberts、Prewitt和Sobel 算子计算梯度,来增强边缘

    50. Laplacian增强算子:g(x,y)=f(x,y)- ▽2f(x,y)=5f(x,y)-[f(x+1,y)+ f(x-1,y)+f(x,y+1)+ f(x,y-1)]

    51. Laplacian增强算子特点:

    1) 在灰度均匀的区域或斜坡中间▽2f(x,y)为0,增强图像上像元灰度不变;

    2) 在斜坡底或低灰度侧形成“下冲”;而在斜坡顶或高灰度侧形成“上冲”

    52. 高通滤波法就是用高通滤波算子和图像卷积来增强边缘。

    53. 频率域平滑:由于噪声主要集中在高频部分,为去除噪声改善图像质量,滤波器采用低通滤波器H(u,v)来抑制高频成分,通过低频成分,然后再进行逆傅立叶变换获得滤波图像,就可达到平滑图像的目的:

    54. 频率域低滤波器H(u,v)有四种:理想低通滤波器、Butterworth低通滤波器、指数低通滤波器、. 梯形低通滤波器。

    55. 各种滤波器效果比较;

    1) 理想低通滤波器:在去噪声的同时将会导致边缘信息损失而使图像边模糊,并产生振铃效应。

    2) Butterworth低通滤波器的特性是连续性衰减,而不象理想滤波器那样陡峭变化,即明显的不连续性。因此采用该滤波器滤波在抑制噪声的同时,图像边缘的模糊程度大大减小,没有振铃效应产生。

    3) 指数低通滤波器:图像边缘的模糊程度较用Butterworth滤波产生的大些,无明显的振铃效应。

    4) 梯形低通滤波器的性能介于理想低通滤波器和指数滤波器之间,滤波的图像有一定的模糊和振铃效应。

    56. 频率域锐化:采用高通滤波器让高频成分通过,使低频成分削弱,再经逆傅立叶变换得到边缘锐化的图像。包括:理想高通滤波器、巴特沃斯高通滤波器、指数滤波器、梯形滤波器。

    57. 彩色增强技术是利用人眼的视觉特性,将灰度图像变成彩色图像或改变彩色图像已有彩色的分布,改善图像的可分辨性。彩色增强方法可分为伪彩色增强假彩色增强两类

    58. 伪彩色增强是把黑白图像的各个不同灰度级按照线性或非线性的映射函数变换成不同的彩色,得到一幅彩色图像的技术。

    59. 伪彩色增强的方法主要有密度分割法、频率域伪彩色增强三种

    60. 密度分割法是把黑白图像的灰度级从0(黑)到M0(白)分成N个区间Ii(i=1,2,…,N),给每个区间Ii指定一种彩色Ci,这样,便可以把一幅灰度图像变成一幅伪彩色图像。

    61. 灰度级一彩色变换将原图像f(x,y)的灰度范围分段,经过红、绿、蓝三种不同变换TR(•)、TG(•)和TB(•),变成三基色分量IR(x,y)、IG(x,y)、IB(x,y),然后用它们分别去控制彩色显示器的红、绿、蓝电子枪,便可以在彩色显示器的屏幕上合成一幅彩色图像。

    62. 密度分割法比较简单、直观。缺点是变换出的彩色数目有限。

    63. 假彩色增强是对一幅自然彩色图像或同一景物的多光谱图像,通过映射函数变换成新的三基色分量,彩色合成使感兴趣目标呈现出与原图像中不同的、奇异的彩色。

    64. 假彩色增强目的:

    1) 使感兴趣的目标呈现奇异的彩色或置于奇特的彩色环境中,从而更引人注目

    2) 使景物呈现出与人眼色觉相匹配的颜色,以提高对目标的分辨力

    65. 伪彩色增强与假彩色增强有何区别:伪彩色处理主要解决的是如何把灰度图变成伪彩色图的问题,最简单的办法是选择对应于某一灰度值设一彩色值来替代,可称之为调色板替代法.另外一种比较好的伪彩色处理方法是设定三个独立的函数 ,给出一个灰度值,便由计算机估算出一个相应的RGB值. 假彩色(false color)处理是把真实的自然彩色图像或遥感多光谱图象处理成假彩色图像.假彩色处理的主要用途是:
    (1)景物映射成奇异彩色,比本色更引人注目.
    (2)适应人眼对颜色的灵敏度,提高鉴别能力.可把细节丰富的物体映射成深浅与亮度不一的颜色.
    (3)遥感多光谱图象处理成假彩色,可以获得更多信息.

    66. 像素级影像融合是采用某种算法将覆盖同一地区(或对象)的两幅或多幅空间配准的影像生成满足某种要求的影像的技术。

    67. 颜色可以用R、G、B三分量来表示,也可以用亮度(I)、色别(H)和饱和度(S)来表示,它们称为颜色的三要素。把彩色的R、G、B变换成I、H、S称为HIS正变换,而由I、H、S变换成R、G、B称为HIS反变换

    第五章 图像复原与重建

    68. 图像的退化是指图像在形成、传输和记录过程中,由于成像系统、传输介质和设备的不完善,使图像的质量变坏。

    69. 图像复原就是要尽可能恢复退化图像的本来面目,它是沿图像退化的逆过程进行处理。

    70. 图像复原过程如下:找退化原因→建立退化模型→反向推演→恢复图像

    71. 图像复原和图像增强的区别:

    1) 图像增强不考虑图像是如何退化的,而是试图采用各种技术来增强图像的视觉效果。因此,图像增强可以不顾增强后的图像是否失真,只要看得舒服就行。

    2) 而图像复原就完全不同,需知道图像退化的机制和过程等先验知识,据此找出一种相应的逆处理方法,从而得到复原的图像。

    3) 如果图像已退化,应先作复原处理,再作增强处理。

    4) 二者的目的都是为了改善图像的质量。

    72. 点源的概念:一幅图像可以看成由无穷多极小的像素所组成,每一个像素都可以看作为一个点源成像,因此,一幅图像也可以看成由无穷多点源形成的。

    73. 当输入的单位脉冲函数延迟了αβ单位,即当输入为δ(xαyβ)时,如果输出为h(xαyβ),则称此系统为位移不变系统

    74. 线性位移不变系统的输出等于系统的输入和系统脉冲响应(点扩散函数)的卷积。即:g(x,y)=f(x,y)*h(x,y)。

    75. 图像退化的数学模型 g(xy)= f(xy)* h(xy)+ n(xy)

    76. 采用线性位移不变系统模型的原由:

    1)由于许多种退化都可以用线性位移不变模型来近似,这样线性系统中的许多数学工具如线性代数,能用于求解图像复原问题,从而使运算方法简捷和快速。

    2)当退化不太严重时,一般用线性位移不变系统模型来复原图像,在很多应用中有较好的复原结果,且计算大为简化。

    3)尽管实际非线性和位移可变的情况能更加准确而普遍地反映图像复原问题的本质,但在数学上求解困难。只有在要求很精确的情况下才用位移可变的模型去求解,其求解也常以位移不变的解法为基础加以修改而成。

    77. 频率域恢复方法应注意:若噪声存在,而且H(u,v)很小或为零时,则噪声被放大。这意味着退化图像中小噪声的干扰在H(u,v)较小时,会对逆滤波恢复的图像产生很大的影响,有可能使恢复的图像和f(x,y)相差很大,甚至面目全非。

    78. 图像在获取过程中,由于成像系统本身具有非线性、拍摄角度等因素的影响,会使获得的图像产生几何失真,可分为:系统失真非系统是真。系统失真是有规律的、能预测的;非系统失真则是随机的。

    79. 对图像进行几何校正的必要性:当对图像作定量分析时,就要对失真的图像先进行精确的几何校正(即将存在几何失真的图像校正成无几何失真的图像),以免影响定量分析的精度。

    80. 几何校正分两步:

    1) 图像空间坐标变换;首先建立图像像点坐标(行、列号)和物方(或参考图)对应点坐标间的映射关系,解求映射关系中的未知参数,然后根据映射关系对图像各个像素坐标进行校正;

    2) 确定各像素的灰度值(灰度内插)

    81. 图像空间坐标变换当n=1时,畸变关系为线性变换,式子中包含a00、a10、a01、b00、b10、b016个未知数,至少需要3个已知点来建立方程式,解求未知数。当n=2时,畸变关系式包含12个未知数,至少需要6个已知点来建立关系式,解求未知数。

    82. 几何校正方法可分为直接法间接法两种。

    83. 常用的像素灰度内插法有最近邻元法双线性内插法三次内插法三种。

    84. 像素灰度内插法效果比较:

    1) 最近邻内插:最简单,效果尚佳,但校正后的图像边缘有明显锯齿状,即存在灰度不连续性。

    2) 双线性内插法:较复杂,计算量较大,没有灰度不连续性的缺点,结果令人满意。但它具有低通滤波性质,使高频分量受损,图像轮廓有一定模糊。

    3) 三次内插:计算量最大,但内插效果最好,精度最高。

    85. 图像重建有三种模型:透射模型发射模型反射模型

    86. 透射模型建立于能量通过物体后有一部分能量会被吸收的基础之上,透射模型经常用于X射线、电子射线及光线和热辐射的情况下,它们都遵从一定的吸收规则。

    87. 发射模型可用来确定物体的位置。这种方法已经广泛用于正电子检测,通过在相反的方向分解散射的两束伽马射线,则这两束射线的渡越时间可用来确定物体的位置。

    88. 反射模型可以用来测定物体的表面特征,例如光线、电子束、激光或超声波等都可以用来进行这种测定。

    89. 从多个断面恢复三维形状的方法有Voxel 法(体素法)分块的平面近似法。

    第六章 图像编码与压缩

    90. 数据压缩的研究内容包括数据的表示、传输、变换和编码方法,目的是减少存储数据所需的空间和传输所用的时间。

    91. 图像编码与压缩就是对图像数据按一定的规则进行变换和组合,达到以尽可能少的代码(符号)来表示尽可能多的图像信息。

    92. 冗余数据有:编码冗余、像素间冗余、心理视觉冗余3种。

    93. 根据解压重建后的图像和原始图像之间是否具有误差,图像编码压缩分为无误差(亦称无失真、无损、信息保持)编码和有误差(有失真或有损)编码两大类。

    94. 根据编码作用域划分,图像编码为空间域编码变换域编码两大类。

    95. 描述解码图像相对原始图像偏离程度的测度一般称为保真度,可分为两大类:客观保真度准则主观保真度准则。

    96. 最常用的客观保真度准则是原图像和解码图像之间的均方根误差均方根信噪比两种。

    97. 理论上最佳信息保持编码的平均码长可以无限接近图像信息熵H。但总是大于或等于图像的熵H。

    98. 霍夫曼编码:在信源数据中出现概率越大的符号,编码以后相应的码长越短;出现概率越小的符号,其码长越长,从而达到用尽可能少的码符表示信源数据。它在无损变长编码方法中是最佳的。

    99. 行程编码的基本原理:将一行中颜色值相同的相邻像素用一个计数值和该颜色值来代替。

    100.一维行程编码只考虑了消除行内像素间的相关性.没有考虑其它方向的相关性.

    101.二维行程编码就是利用图像二维信息的强相关性,按照一定的扫描路径遍历所有的像素形成一维的序列,然后对序列进行一维行程编码的方法。

    102.混合编码:既具有行程编码的性质又是变长编码。

    第七章 图像分割

    103.图像分析:对图像中感兴趣的目标进行检测和测量,以获得它们的客观信息,从而建立对图像的描述.

    104.图像分割:把图像分成互不重叠的区域并提取感兴趣目标的技术。

    105.记忆图像分割所需满足的五个条件。

    106.分割算法基于灰度值的两个基本特性:不连续性和相似性

    107.检测图像像素灰度级的不连续性,找到点、线(宽度为1)、边(不定宽度)。

    108.检测图像像素的灰度值的相似性,通过选择阈值,找到灰度值相似的区域,区域的外轮廓就是对象的边。

    109.图像分割的方法:

    1) 基于边缘的分割方法:先提取区域边界,再确定边界限定的区域。

    2) 区域分割:确定每个像素的归属区域,从而形成一个区域图。

    3) 区域生长:将属性接近的连通像素聚集成区域

    4) 分裂-合并分割:综合利用前两种方法,既存在图像的划分,又有图像的合并。

    110.边缘:图像中像素灰度有阶跃变化屋顶变化的那些像素的集合。

    111.边缘检测算子:梯度算子、Roberts算子、Prewitt算子、Sobel算子、Kirsch算子(方向算子)、Laplacian算子、Marr算子。

    112.边缘检测算子比较:

    1) 梯度算子仅计算相邻像素的灰度差,对噪声比较敏感,无法抑止噪声的影响

    2) Roberts算子与梯度算子检测边缘的方法类似,对噪声敏感,但效果较梯度算子略好

    3) Prewitt算子在检测边缘的同时,能抑止噪声的影响

    4) Sobel算子:对4邻域采用带权方法计算差分;能进一步抑止噪声;但检测的边缘较宽

    5) 方向算子在计算边缘强度的同时可以得到边缘的方向;各方向间的夹角为45º

    6) 拉普拉斯算子:优点,各向同性、线性和位移不变的;对细线和孤立点检测效果较好。缺点,对噪音的敏感,对噪声有双倍加强作用;不能检测出边的方向;常产生双像素的边缘。

    7) Marr算子:σ的选择很重要, σ小时边缘位置精度高,但边缘细节变化多;σ大时平滑作用大,但细节损失大,边缘点定位精度低。应根据噪声水平和边缘点定位精度要求适当选取σ。

    8) 曲面拟合法:其过程是求平均后再求差分,因而对噪声有抑制作用。

    113.由于梯度算子Laplace算子都对噪声敏感,因此一般在用它们检测边缘前要先对图像进行平滑

    114.曲面拟合法:用平面或高阶曲面来拟合图像中某一小区域的灰度表面,求这个拟合平面微分或二阶微分检测边缘,可减少噪声影响。其过程是求平均后再求差分,因而对噪声有抑制作用。

    115.边缘跟踪:将检测的边缘点连接成线就是边缘跟踪。

    116.直角坐标系中的一条直线对应极坐标系中的一点,这种线到点的变换就是Hough变换

    117.Hough变换特点:

    1) 对ρ、θ量化过粗,直线参数就不精确,过细则计算量增加。因此,对ρ、θ量化要兼顾参数量化精度和计算量。

    2) Hough变换检测直线的抗噪性能强,能将断开的边缘连接起来。

    3) 此外Hough变换也可用来检测曲线。

    118.区域生长:单一型、质心型、混合型。

    119.单一缺点是区域增长的结果与起始像素有关,起始位置不同则分割结果有差异。

    120.区域分裂合并法无需预先指定种子点,它按某种一致性准则分裂或者合并区域.可以先进行分裂运算,然后再进行合并运算;也可以分裂和合并运算同时进行,经过连续的分裂和合并,最后得到图像的精确分割效果.

    121.分裂合并法对分割复杂的场景图像比较有效.

    第八章 二值图像处理与形状分析

    122.在二值图像中,把互相连接的像素的集合汇集为一组,于是具有若干个0值的像素(0像素)和具有若干个1值的像素(1像素)的组就产生了。把这些组叫做连接成分

    123.二值图像上改变一个像素的值后,整个图像的连接性并不改变(各连接成分既不分离、不结合,孔也不产生、不消失),则这个像素是可删除的。

    124.孤立点B(p)= 1的像素p,在4/8邻接的情况下,当其4/8邻接的像素全是0时,像素p称作孤立点。其连接数Nc(p)=0。

    125.内部点B(p)= 1的像素p,在4/8邻接的情况下,当其4/8邻接的像素全是1时,称作内部点。内部点的连接数Nc(p)=0。

    126.边界点:在B(p)= 1的像素中,把除了孤立点和内部点以外的点叫做边界点。边界点的连接数属于[1,4]。

    1) 删除点或端点;

    2) 连接点;

    3) 分支点;

    4) 交叉点。

    127.为区分二值图像中的连接成分,求得连接成分个数,对属于同一个1像素连接成分的所有像素分配相同的编号,对不同的连接成分分配不同的编号的操作,叫做连接成分的标记。

    128.膨胀就是把连接成分的边界扩大一层的处理。

    129.收缩则是把连接成分的边界点去掉从而缩小一层的处理。

    130.距离变换是求二值图像中各1像素到0像素的最短距离的处理。

    131. 在经过距离变换得到的图像中,最大值点的集合就形成骨架,即位于图像中心部分的线像素的集合,也可以看作是图形各内接圆中心的集合。反映了原图形的形状。给定距离和骨架就能恢复该图形,但恢复的图形不能保证原始图形的连接性。常用于图形压缩、提取图形幅宽和形状特征等。

    132.细化是从二值图像中提取线宽为1像素的中心线的操作。

    133.为了求得区域间的连接关系,必须沿区域的边界点跟踪像素,称之为边界(或边缘)跟踪。

    134.形状分析是指用计算机图像处理与分析系统对图像中的诸目标提取形状特征,对图像进行识别和理解。

    135.区域形状特征的提取有三类方法:

    1) 区域内部(包括空间域和变换域)形状特征提取;

    2) 区域外部(包括空间域和变换域)形状特征提取;

    3) 利用图像层次型数据结构,提取形状特征。

    136.拓扑描绘子:欧拉数;凹凸性;区域的测量;区域的大小及形状描述量(面积、周长、圆形度)。

    137.区域的拓扑性质对区域的全局描述是很有用的,欧拉数是区域一个较好的描述子。

    第九章 影像纹理分析

    138.局部不规则而宏观有规律的特性称之为纹理;以纹理特性为主导的图像,常称为纹理图像;以纹理特性为主导特性的区域,常称为纹理区域

    139.纹理作为一种区域特性,在图像的一定区域上才能反映或测量出来。

    140.纹理分析方法:统计分析法和结构分析法前者从图像有关属性的统计分析出发;后者则着力找出纹理基元,然后从结构组成上探索纹理的规律。也有直接去探求纹理构成的结构规律的。

    141.Laws的纹理能量测量法: f(x,y)à微窗口滤波àF(x,y)à能量转换àE(x,y)à分量旋转àC(x,y)à分类àM(x,y)

    142.自相关函数:

    1) 当纹理较粗时,ρ(d)随d的增加下降速度较慢;

    2) 当纹理较细时,ρ(d)随着d的增加下降速度较快。

    143.灰度共生矩阵就是从图像 (x,y)灰度为i的像素出发,统计与距离为δ=(Δx2+Δy2)1/2、灰度为j的像素同时出现的概率P(i,j,δ,θ)。

    144.灰度共生矩阵必然是对称阵,且对角线上均为偶数。

    第十章 模板匹配

    145.当对象物的图案以图像的形式表现时,根据该图案与一幅图像的各部分的相似度判断其是否存在,并求得对象物在图像中位置的操作叫做模板匹配

    来源于百度文库

    链接:https://wenku.baidu.com/view/3ea27a1e59eef8c75fbfb3c1.html

    41d3478a8648c709bee80d37df70bf01.png

    End

    声明:部分内容来源于网络,仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥,请联系删除。

    展开全文
  • 数字图像处理是通过计算机图像进行去除噪声、增强、复原、分割、提取特征等处理方法和技术。一副图像可定义为一个二维函数f(x,y),x,y为空间平面坐标,而在任何一对空间坐标(x,y)处幅值f称为图像在该点处...
  • 图像平滑主要目的是减少噪声(噪声:你就理解图像杂质)。图像噪声种类很多,对图像信号幅度和相位影响十分复杂,有些噪声和图像信号不相关,有些是相关,噪声之间也可能相关。因此要减少图像的噪声...
  • 变化编码 概念: 在图像变换域进行编码,相当于频域方法。 框图与步骤: 变换编码步骤:分离子图像图像...非自适应变换编码:变换编码步骤所有子图像都是固定 变换选择: 一般选择DCT(离散余弦变换) 理解...
  • 图像处理中,傅里叶变换一种有效而重要方法,如:图像特征提取,频率域滤波,周期性噪声去除,图像恢复等。可以将图像从空间域转换到频率域进行处理。 至于傅里叶变换其他概念和具体实现细节,这里不多
  • 数字图像处理实验(四)图像锐化 实验目的 进一步加深理解和掌握图像锐化的的概念,掌握常用空域锐化增强技术。观 察和理解图像锐化处理加强图像中目标边缘和图像细节作用。理解图象锐 化增强处理过程和特点...
  • 对数字图像处理的每个主题,本书都是从理论知识到实际应用方式进行讲解,先介绍数学表达式,再给出简要伪代码算法,最后给出完整Java程序。 本书不仅特别适合作为计算机与信息技术类专业高年级本科生或者...
  • 图像 客观对象一种相似性生动性描述或写真。 图像分类 按可见性(可见图像、不可见图像),按波段数(单波段、多波段、超波段),按空间坐标和亮度...将一幅画面转化成计算机能处理的形式——数字图像的...
  • 图像增强:采用一系列技术,改善图像的视觉效果,或者将图像转换成一种更适合于人或者机器进行分析和处理的形式。 图像增强方法:1.空间域增强:直接对图像各像素进行处理;2.对图像进行傅里叶变换后频谱成分进行...
  • VC++数字图像处理与工程应用

    热门讨论 2008-12-30 22:21:02
    近几年来,随着计算机和各个相关领域研究迅速发展,科学计算可视化、多媒体技术等研究和应用兴起,数字图像处理从一个专门领域学科,变成了一种新型科学研究和人机界面工具。. Visual C++是Microsoft公司...
  • 目录 1 光谱分辨率、空间分辨率、时间分辨率 2 全色图像、多光谱图像、...遥感技术利用搭载在遥感平台上面传感器目标地物发射或反射电磁波信息记录下来从而形成遥感影像(或其他遥感数据)。其中分辨率作为...
  • 图像分割概述间断检测图像分割方法:边缘检测阈值处理基于区域分割区域生长用形态学分水岭分割 概述 1.在对图像的研究和应用中,人们往往仅对图像某些部分感兴趣,这些部分一般称为目标或前景。 2.为了...
  • 文献[7]中智能交通系统的核心技术——汽车牌照识别技术进行了研究,在图像处理技术的基础上,着重研究了车牌区域定位技术,析了日前有代表性的车牌定位方法,介绍了利用粒子图像测速关联PIV(Particle Image ...
  • 另外,针对Visual C++ 2005下的数字图像处理开发,《数字图像处理原理与实践:基于Visual C++开发》还设备无关位图、图形设备接口、OpenCV及ImageMagick等在实际开发中常用具体技术进行了讲解,并辅以大量实例...
  • 选取CT图像部分:20世纪70年代发明“计算机轴向断层术”简称计算机断层(CT),是数字图像处理在医学诊断领域最重要应用之一。 2.数字图像基础 图像函数表述——f(x,y) 灰度级256下,分辨率从2014*1024降到32*32...
  • 数字图像处理第二章灰度变换与空间滤波灰度变换与空间滤波1 背景知识2 灰度变换2.1基本灰度变换函数2.2 直方图处理 灰度变换与空间滤波 本章我们将学习空间域处理中主要两类方法灰度变换和空间滤波,灰度变换...
  • 3) 有助于从概念上增强图像信息的理解。 图像增强 是采用一系列技术去改善图像的视觉效果,或将图像转换成一种更适合于人或机器进行分析和处理的形式。(包括灰度变换、空域增强、频域增强等方法) 图像处理的几种...
  • 1.3 数字图像处理系统基本组成结构 9 第2章 相关的图像处理技术 10 2.1 图像分割技术 10 2.1.1 阈值与图像分割 10 2.1.2 梯度与图像分割 11 2.1.3 边界提取与轮廓跟踪 11 2.1.4 Hough变换 12 2.1.5 ...
  • 数字图像处理方法重要性源于两个主要应用领域:改善图示信息以便人们解释;为存储、传输和表示而图像数据进行处理,以便于机器自动理解。 基本图像处理系统包括图像输入、图像存储、图像输出、图像通信、图像...
  • 本书对数字图像处理进行了较新的完整介绍。本书不仅适用于那些希望得到坚实基础的初学者,而且考虑到了那些希望了解重要技术的关键分析和现代应用的从业人员。这是原德文版本的第一个英文版本,该书已经被以下人员...
  • 摄像头与成像——做图像处理必须了解数字成像系统...  本期主要对数字成像系统进行概述总结,行文主要分为:数字成像系统组成、摄像头关键部位概述、ISP概述、关于摄像头相关的技术指标概述以及总结。现在互联网...
  • 通过复制一个人脑来实现人工智能在目前阶段是不切实际,人工智能是计算机科学一个分支,主要研究、开发用于模拟、延伸和扩展人类智能理论、方法、技术及应用系统 主要领域: 感知:模拟人感知能力,...
  • MATLAB图像处理 姓名 院系 班级 学号 一 设计题目 MATLAB用于图像处理 二 设计背景 图像是一种重要的信息源图像处理的最终目的就是要帮助人类理解信息的内涵数字图像处理技术的研究内容 涉及光学系统 微电子技术 ...
  •  在图像分类领域有两个很实用的技术:人工神经网络(ANN-Artificial Neural Networks)和支持向量机(SVM-SupportVector Mechine),近期在学习过程中梳理了ANN一些基础知识,以便实际应用中更为清楚其理论和...

空空如也

空空如也

1 2 3 4 5 ... 11
收藏数 205
精华内容 82
关键字:

对数字图像处理技术的理解