第二章 数字图像处理(精品·公开课件).ppt

采样：将空间上连续的图像变换成离散点的操作称为采样。 采样间隔和采样孔径的大小是两个很重要的参数。 取样和量化后的数字信号应尽可能代表原始的连续图像信号，且能够使取样后的离散图像信号无失真地恢夏原始信号，因此采样间隔的选取就非常重要。 不同形状的采样孔径 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。 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。  一个好的近似图像，需要多少采样分辨率和灰度级 胡昂[1965]实验： 实验方法 选取一组细节多少不同的、不同N、M、G的图象 让观察者根据他们的主观质量感觉给这些图象排序 实验结论 随着采样分辨率和灰度级的提高，主观质量也提高 对有大量细节的图象，质量对灰度级需求相应降低 x’=-x 或 x’=x y’=y y’=-y 3平移变换 x’=xcosθ-ysinθ y’=xsinθ+ycosθ 旋转变换的推导 二维平移变换无法用普通矩阵乘法形式表示，需引入齐次坐标。用三维空间矢量来研究二维平面矢量的方法称为二维齐次坐标表示法。更一般的，用n+1维矢量来研究n维平面矢量的方法称为n维齐次坐标表示法。 设一点普通坐标为P(x,y),齐次坐标为 P( X, Y, H ),普通坐标与齐次坐标的关系为: x = X/H y = Y/H 二维变换的矩阵表示 其它变换（1/6） 对称变换 关于x轴的对称变换 关于y轴的对称变换 二维变换的复合(例一） 二维变换的复合(例二） 二维变换的复合（小结） 向前映射计算法 g(x’,y’) = f(a(x,y), b(x,y)); 从原图象坐标计算出目标图象坐标，即将输入像素的灰度一个个地转移到输出图像中，如果一个输入像素被映射到四个输出像素之间的位置，则其灰度值就按插值法在四个输出像素之间进行分配 镜像、平移变换使用这种计算方法 向后映射计算法 g(a’(x,y), b’(x,y)) = f(x,y); 从结果图象的坐标计算原图象的坐标，即，将输出像素逐个地映射回输入图像中，若输出像素被映射到四个输入像素之间的位置，则其灰度由它们的插值来确定。 旋转、拉伸、放缩可以使用 解决了漏点的问题，出现了马赛克 在实际中，通常采用后向映射法 最邻近插值法 双线性插值（一阶插值） 高阶插值 双线性插值（一阶插值） 已知正方形的4个顶点，求正方形内部的点，有双线 性方程： f(x,y) = ax + by + cxy + d 设4个顶点的坐标为： (x0,y0), (x1,y0), (x0,y1), (x1,y1) f(x, y0) = f(x0,y0)+x[f(x1,y0)–f(x0,y0)] / (x1–x0) f(x, y1) = f(x0,y1)+x[f(x1,y1)–f(x0,y1)] / (x1–x0) ……. f(x, y) = f(x, y0) + y[f(x, y1) – f(x, y0)] / (y1 – y0) 双线性插值（一阶插值） 高阶插值 双线性插值的缺陷 平滑作用使图象细节退化，尤其在放大时 不连续性会产生不希望的结果 高阶插值的实现 用三次样条插值 常用卷积来实现 将大大增加计算量 透视投影是一种中心投影法，在日常生活中，我们观察外界的景物时，常会看到一些明显的透视现象。 如：站在笔直的大街上,向远处看去,会感到街上具有相同高度的路灯柱子,显得近处高,远处矮,越远越矮。这些路灯柱子,即使它们间的距离相等,但是视觉产生的效果是近处的间隔显得大,远处的间隔显得小,越远越密。观察道路的宽度,也会感到越远越窄,最后汇聚于一点。这些现象,称之为透视现象。 图中,AA’,BB’,CC’为一组高度和间隔都相等,排成一条直线的电线杆,从视点E去看,发现 ∠AEA?∠BEB?∠