空间域图像增强.ppt

编程练习 编程实现相关算法 图像的算术运算 图像的逻辑运算 图像的9种平滑方法 * 二维中值滤波 一维中值滤波的概念很容易推广到二维。一般来说，二维中值滤波器比一维滤波器更能抑制噪声 二维中值滤波器的窗口形状可以有多种，如线状、方形、十字形、圆形、菱形等 * 二维中值滤波 不同形状的窗口产生不同的滤波效果，使用中必须根据图像的内容和不同的要求加以选择。 经验表明，方形或圆形窗口适宜于外轮廓线较长的物体图像，而十字形窗口对有尖顶角状的图像效果好 * 图(a)为原图像；图(b)为加椒盐噪声的图像；图(c)和图(d)分别为3×3、5×5模板进行中值滤波的结果;图(e)和图(f)分别为3×3、5×5模板利用超限像素平均法处理的结果 可见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 * 二维中值滤波 * 图像空间域锐化 在图像的识别中，常需要突出边缘和轮廓信息。图像锐化就是增强图像的边缘或轮廓。 图像平滑通过积分使得图像边缘模糊，图像锐化则通过微分而使图像边缘突出、清晰。 * 图像中的微分 对于一元函数f(x)，一阶导数为 二阶导数为 * 图像中的微分 对于一元函数f(x)，一阶微分对应了导数 二阶微分对应了导数的导数 * 空间域平滑 为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。它可以在空间域和频率域中进行 模 板 * 空间域平滑 本节介绍空间域的几种平滑法 局部平滑法 超限像素平滑法 灰度最相近的K个邻点平均法 梯度倒数加权平滑法 最大均匀性平滑 有选择保持边缘平滑法 空间低通滤波法 多幅图像平均法 中值滤波 * 局部平滑法 局部平滑法是一种直接在空间域上进行平滑处理的技术 假设图像是由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是统计独立的。 因此，可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 * 局部平滑法 设有一幅N×N的图像f(x,y)，若平滑图像为g(x,y),则有 式中x,y=0,1,…,N-1； s为（x,y）邻域内像素坐标的集合； M表示集合s内像素的总数。 可见邻域平均法就是将当前像素邻域内各像素的灰度平均值作为其输出值的去噪方法 * 局部平滑法 例如，对图像采用3×3的邻域平均法，对于像素（m,n)，其邻域像素如下： (m-1,n-1) (m-1,n) (m-1,n+1) (m,n-1) (m,n) (m,n+1) (m+1,n-1) (m+1,n) (m+1,n+1) 则有： * 局部平滑法 其作用相当于用这样的模板同图像卷积。 设图像中的噪声是随机不相关的加性噪声，窗口内各点噪声是独立同分布的，经过上述平滑后，信号与噪声的方差比可望提高M倍 空间域图像处理模板 在待处理图像的每个像素上进行处理，处理的依据是其周边像素值的线性组合 以周边像素集合作为邻域，取出各像素的值f(i,j)，乘以相应的加权系数w(i,j)，最后求和得到处理后的像素值 * * 空间域图像处理模板 加权系数值构成的权值矩阵常被称为： 模板： template 掩膜： mask 卷积核： kernel 滤波器： filter * 局部平滑法 n=3和n=5时，图像中有轻微模糊；n=9，图像更模糊，某些圆圈与背景融合较多；（噪声明显减少字母锯齿状边界与圆圈都平滑了） n=15和35时，图像非常模糊，小尺寸物体就被抹去了 * 局部平滑法 该算法简单，但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。 邻域越大，在去噪能力增强的同时模糊程度越严重 平滑算法对白噪声（高斯噪声）有效，对椒盐噪声效果一般甚至较差。对于椒盐噪声，非线性的处理技术更有效 * 局部平滑法 (a)原图像 (b)加椒盐噪声的图像 (c)3×3邻域平滑 (d) 5×5邻域平滑 * 改进方法 为克服简单局部平均法的弊病，目前已提出许多保边缘、细节的局部平滑算法。 这些算法的出发点都集中在如何选择邻域的大小、形状和方向、参加平均的点数以及邻域各点的权重系数等 * 超限像素平滑法 对邻域平均法稍加改进，可导出超限像素平滑法 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)。其表达式为 * 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。 随着邻域增大，去噪能力增强，但模糊程度也大。 同局部平滑法相比，超限像素平滑法的去椒盐噪声效果更好 * (a)原图像 (b)对(a)加椒盐噪声的图像 (c)3×3邻域平滑 (d) 5×5邻域平滑 (e)3×3超限像素平滑(T=64) (f)5×5超限像素平滑(T=48) * 灰度最相近的K个邻点平均法 在n×n的窗口内，属于