CV03图像预处理(修改).ppt

第三章 图像预处理Chapter 3 Image Preprocessing 图像增强 目的 突出感兴趣特征，服务于机器视觉 方法 （1）直接灰度变换（比例变换）（2）直方图修正 空域：直接对图像各像素进行处理 （3）滤波 频域：先转换处理，再逆变换为图像 直接灰度变换 通过灰度变换函数将图像各灰度映射为新的值 令图像f(i，j)的灰度范围为[a,b]，线性变换后图像g(i，j) 的范围为[a′,b′] g(i，j)与f(i，j)之间的关系式为： 相关与卷积 1）邻域运算 输出图像中每个像素是由对应的输入像素及其一个邻域内的像素共同决定时的图像运算。通常邻域是远比图像尺寸小的一规则形状。 相关与卷积 2）相关与卷积 信号与系统分析中基本运算相关与卷积，在实际图像处理中都表现为邻域运算。 两个连续函数f(x)和g(x)的相关记作： 两个连续函数f(x)和g(x)的卷积定义为： 相关与卷积 3）模板（template，filter mask） 给定图像f(x,y)大小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。 卷积运算 相关与卷积 4）相关与卷积的物理含义 相关运算是将模板当权重矩阵作加权平均； 而卷积先沿纵轴翻转，再沿横轴翻转后再加权平均。 如果模板是对称的，那么相关与卷积运算结果完全相同。 邻域运算实际上就是卷积和相关运算，用信号分析的观点就是滤波。 图像平滑 图像平滑的目的 是消除或尽量减少噪声的影响，改善图像的质量。 假设 噪声是随机独立分布的，利用邻域的平均或加权平均可以 有效的抑制噪声干扰。 从信号分析的观点 图像平滑本质上低通滤波。将信号的低频部分通过，而阻 截高频的噪声信号。 边缘检测 边缘检测算法的基本步骤 （1）滤波:边缘检测主要基于导数计算，但受噪声影响。但滤波器在降低噪声的同时也导致边缘强度的损失。 （2）增强:增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。 （3）检测:但在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。 （4）定位:精确确定边缘的位置。 边缘检测 最简单的梯度近似计算为： Canny 边缘检测 Canny边缘检测——最优的阶梯型边缘检测算法 基本原理 图像边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。 根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。 类似于LoG边缘检测方法，也属于先平滑后求导数的方法。 Canny 边缘检测 Canny边缘检测算法 step1:用高斯滤波器平滑图像； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； step4:用双阈值算法检测和连接边缘。 Canny边缘检测 step2:一阶差分卷积模板： Canny边缘检测 step3:非极大值抑制 仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。（non-maxima suppression,NMS） 解决方法：利用梯度的方向。 Canny边缘检测 四个扇区的标号为0到3，对应3*3邻域的四种可能组合。 在每一点上，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0。 即： Canny边缘检测 step4:阈值化 减少假边缘段数量的典型方法是对N[i，j]使用一个阈值。将低于阈值的所有值赋零值。但问题是如何选取阈值？ 解决方法：双阈值算法。 在T1中收取边缘，将T2中所有间隙连接起来。 Canny边缘检测 边缘检测 评价边缘检测器性能的测度 （1）假边缘概率； （2）丢失边缘概率； （3）边缘方向角估计误差； （4）边缘估计值到真边缘的距离平方均值； （5）畸变边缘和其他诸如角点和结点的误差范围。 边缘表示 离散 边缘点有序集——链码 连续（曲线） 用几何曲线表示边缘或多采用分段逼近策略 曲线段形式 （1）直线 （2）二次曲线（圆弧，圆锥） （3）样条曲线（三次样条，B－样条） …… 链码表示 链码定义：一系列具有特定长度和方向的相连的直线段。用相邻边缘点组成的方向序列来表示边缘． 类型：4-连通对应四方向链码；8-连通对应八方向