灰度变换与空间滤波范例.ppt

辛明琴 2015.10.27 小结 图像反变换：暗---亮，亮---暗 对数变换：压缩像素值变化较大的图像的动态范围 幂律变换：伽马大于1---拉伸高灰度级范围 伽马小于1---拉伸低灰度级范围 分段线性变换：根据图像和用户需求设定线性变换函数调整灰度值 a’）T(r)是一个严格单调递增的单值函数 当r2r1时，T(r2)=T(r1)，则函数T(r)是单调递增； 当r2r1时，T(r2)T(r1)，则函数T(r)是严格单调递增； 令P(r) 为原始图像的灰度密度函数，P(z)是期望通过匹配的图像灰度密度函数。对P(r)及P(z)作直方图均衡变换，通过直方图均衡为桥梁，实现P(r)与P(z)变换。 步骤： （1）由 将各点灰度由r映射成s。 （2）由 将各点灰度由 z映射成v。 （3）根据v=G(z), z=G-1(v) 由于v, s有相同的分布，逐一取 v=s，求出与r对应的z=G-1(s)。 滤波的概念 频域处理 接受（通过）或拒绝一定的频率分量 低通滤波器----接受低通成分，接受高通成分 效果：图像平滑（模糊） 高通滤波器----接受高通成分，拒绝低通成分 效果：图像的细节成分（图像边缘） 空间滤波器：空间掩膜，核，模板，窗口 基本的灰度变换函数 直方图处理 空间平滑滤波 空间锐化滤波 局部增强 前面所说的两种处理技术都是全局处理，用于整体增强。在某些情况下，用于增强某个小区域细节的局部增强技术是需要的。局部增强其实就是基于邻域的空间域操作，前面的方法同样可以使用，但此时处理的是一副图像中的某个子区域。 简单实例： 空间滤波 空间滤波 也称做滤波器(filter)、核(kernel)、模板(template)、窗口(window)。对m×n的掩码（通常要求m,n必须是奇数）： 这里：a=(m-1)/2，b=(n-1)/2。 从滤波器响应的角度讲，上式也可以简写成： 空间滤波器的组成 （1）一个邻域（一般为矩形） （2）对该邻域包围的图像像素所执行的预定义操作 空间平滑滤波器 线性平滑滤波器 平滑滤波通常被用作模糊图像和减少噪声。模糊处理通常用在预处理阶段，如在目标抽取前用于移除小的细节，或者把线和曲线间的间隙连接起来。噪声减少可以用可以用线性的或非线性的滤波器来完成。 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。 从左至右，从上到下分别为500×500象素的原图像，和用大小分别为3、5、9、15和35的矩形平均滤波器模板对原图像平滑的结果。 线性平滑滤波算法简单，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。 观察：模板大小与目标尺寸 b)统计排序滤波器 是一种非线性操作，其响应是基于模板所包含图像区域内象素的排序结果来定的，用得最多的是中值滤波器，此外还有最大、最小滤波器等。 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。 例：采用1×3窗口进行中值滤波（边界对称扩展） 原图像为：　2 2 6 2 1 2 4 4 4 2 4 处理后为： 2 2 2 2 2 2 4 4 4 4 4 优势： 对脉冲干扰及椒盐噪声(salt-and pepper noise)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。 缺点： 它对点、线等细节较多的图像却不太合适。 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。 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。 优势： 对脉冲干扰及椒盐噪声(salt-and pepper noise)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。 缺点： 它对点、线等细节较多的图像却不太合适。 空间锐化滤波器 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