- 1、本文档共81页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
数字图像处理第二章讲述
在数码影像中,如果主体中有密纹的纹理,常常会出现莫名其妙的水波一样的条纹和奇怪的色彩,如果有密纹的纹理,常常会出现莫名其妙的水波样条纹。这就是摩尔纹(moiré)。无论是用高级数码相机拍摄的影像,或是扫描的影像,均有可能出现该现象。当物体上的细致图样(如织物上的编织纹路,或建筑物上非常靠近的平行线)与成像元件上的图样相重叠时,可产生此现象。如果两个图样重叠,通常会产生另一种新图样。这种新图样通常叫作摩尔波纹。 * 分别使用最近邻插值和双线性插值,从 128 * 128, 64 * 64, 32 * 32 放大到1024 *1024 * Spatial and Gray-Level Resolution 空间分辨率变小,灰度量化级数(灰阶数)不变。 对上例中的空间分辨率上采样(重复行列) 空间分辨率不变,灰度分辨率下降。但人眼能同时分辨的灰阶数一般在32级之内,因此… 以上演示了N或k变化的效果,为考察N和k之间可能存在的联系,看 Fig.2.22 低、中、高度细节的三种不同图像 一些观察者对3组低中高细节图像在N和k变化时的主观评价。 在同一曲线上的N-k组合的图像具有相同的主观质量。可见: 高细节的图像对k的变化不敏感 中低细节两类图像在一段同质曲线上,k下降而N上升。 Aliasing and Moire Patterns 混叠与莫尔条纹 Zooming and Shrinking Digital Images 图像放大的最近邻插值(上行)和双线性插值效果(下行) 2.5 Some Basic Relationships Between Pixels 2.5.1 相邻像素 假设位于坐标(x,y)的一个像素p。 (1)P的4邻域,记为N4(p): (x+1, y), (x-1, y), (x, y+1), (x, y-1) (2)P的对角线邻域,记为ND(p): (x+1, y+1), (x-1, y-1), (x-1, y+1), (x+1, y-1) (3)P的8邻域,记为N8(p): (x+1, y), (x-1, y), (x, y+1), (x, y-1), (x+1, y+1), (x-1, y-1), (x-1, y+1), (x+1, y-1) p p 2.5 Some Basic Relationships Between Pixels 2.5.2 邻接性、连通性、区域和边界 假设V是用于定义邻接性的灰度值集合。 4邻接:如果q在N4(p)中,则具有V中数值的两个像素p和q是4邻接的。 8邻接:如果q在N8(p)中,则具有V中数值的两个像素p和q是4邻接的。 m邻接(混合邻接),如果 (1)邻点q与p 4邻接; 或者 (2)q在ND(p)中,并且集合N4(p)与N4(q)相交的像素里,没有V值的像素,则具有V中数值的两个像素p和q是m邻接的 m邻接是8邻接的修订,它消除了应用8邻接可能引起的模糊性,如图2.26b(4或8邻接共存)。 2.5 Some Basic Relationships Between Pixels 2.5.2 邻接性、连通性、区域和边界 m邻接是8邻接的修订,它消除了应用8邻接可能引起的模糊性,如图2.26b(4或8邻接共存)。 2.5.2 Adjacency, Connectivity, Regions, and Boundaries 邻接、连通性、区域与边界 区域R:图像中的一些像素构成的集合R,如果R是一个连通集合,则称R是一个区域。 区域R的边界是该区域中的一组像素,它们各自都有一个或一个以上的邻点不在R中。如果R刚好是整个图像,则图像的第一和最后一行/列就是它的边界。 边界不是边缘 2.5.3 Distance Measures, 距离度量 对像素p(x,y), q(s,t)和z(v,w), 距离函数D应满足: D(p,q)=0 (D(p,q)=0, iff p=q) D(p,q)=D(q,p), and D(p,z)=D(p,q)+D(q,z) 例如用LM范数表示的通用Minkowski距离: M=1,2,?的LM距离最有用,分别对应: 欧氏euclidean距离L2: 等距为圆: bw = zeros(200,200); bw(50,50) = 1; bw(50,150) = 1; bw(150,100) = 1; D1 = bwdist(bw); 准欧氏距离: quasi-euclidean 等距为8边形 D2 = bwdist(bw,quasi-uclidean); 街区City-Block距离L1: 等距为4角星 棋盘chessboard距离L? : 等距为矩形 2.6 Linear and Nonl
文档评论(0)