图像平滑和锐化.ppt

前面的锐化处理结果对于具有矩形特征物体（例如：楼房、汉字等）的边缘的提取很有效。但是，对于不规则形状（如：人物）的边缘提取，则存在信息的缺损。01为了解决上面的问题，就希望提出对任何方向上的边缘信息均敏感的锐化算法。02因为这类锐化方法要求对边缘的方向没有选择，所以称为无方向的锐化算法。03无方向一阶微分锐化算法交叉微分算法（Roberts算法）交叉微分算法计算公式如下：特点：算法简单用模板形式描述：01Sobel微分算子的计算公式如下：02特点：锐化的边缘信息较强Sobel锐化算法01Priwitt微分算子的计算公式如下：02特点：与Sobel相比，有一定的抗干扰性。图像效果比较干净。Priwitt锐化算法01Sobel算法与Priwitt算法的思路相同，属于同一类型，因此处理效果基本相同。Roberts算法的模板为2×2，提取出的信息较弱。单方向锐化经过后处理之后，也可以对边界进行增强。0203一阶梯度算法效果比较clearall;[I,map]=imread(lena.bmp);subplot(231),imshow(I,map);title(原始图像);I=double(I);[IX,IY]=gradient(I);GM=sqrt(IX.*IX+IY.*IY);meth1=GM;subplot(232),imshow(meth1,map);title(第1种方法);meth2=I;J=find(GM10);meth2(J)=GM(J);subplot(233),imshow(meth2,map);title(第2种方法);meth3=I;J=find(GM10);meth3(J)=255;subplot(234),imshow(meth3,map);title(第3种方法);meth4=I;J=find(GM10);meth4(J)=255;subplot(235),imshow(meth4,map);title(第4种方法);meth5=I;J=find(GM10);meth5(J)=255;Q=find(GM10);OUTS(Q)=0;subplot(236),imshow(meth5,map);title(第5种方法);二阶微分算子对于突变形的细节，通过一阶微分的极大值点，二阶微分的过0点均可以检测出来。二阶微分方法的提出背景对于细线形的细节，通过一阶微分的过0点，二阶微分的极小值点均可以检测出来。3）对于渐变的细节，一般情况下很难检测，但二阶微分的信息比一阶微分的信息略多。二阶微分算法01Laplacian算法02由前面的推导，写成模板系数形式，即为Laplacian算子：为了改善锐化效果，可以脱离微分的计算原理，在原有的算子基础上，对模板系数进行改变，获得Laplacian变形算子如下所示。01经过Laplacian锐化后，我们来分析几种变形算子的边缘提取效果。02L1，L2的效果基本相同，L3的效果最不好，L4最接近原图。以Sobel及Laplacian算法为例进行比较。Sobel算子获得的边界是比较粗略的边界，反映的边界信息较少，但是所反映的边界比较清晰；Laplacian算子获得的边界是比较细致的边界。反映的边界信息包括了许多的细节信息，但是所反映的边界不是太清晰。一阶微分与二阶微分的边缘提取效果比较在计算出图像f(x,y)的梯度值后，应如何突出图像的轮廓，可根据以下介绍的方法选择使用，即:梯度图像直接输出g(x,y)=G［f(x,y)］优点：突出边缘、轮廓缺点：灰度变化平缓的区域呈现黑色。0302010405式中：T是一个非负的阈值。优点：适当选取T，既可使明显的边缘轮廓得到突出，又不会破坏原灰度变化比较平缓的背景。0(b)加阈值的梯度输出式中：T是根据需要指定的一个灰度级，它将明显边缘用一固定的灰度级LG来实现。1使边界清晰、轮廓突出、背景不破坏。2轮廓灰度规定化输出logo(d)背景灰度规定化输出此法将背景用一个固定灰度级LB来实现，便于研究边缘灰度的变化。此法将背景和边缘用二值图像表示，便于研究边缘所在位置。01一般取LG=255,LB=0。如字符识别等。02(e)二值图像输出加权平均示意图如果某个像素的灰度值大于其邻域像素的平均值，且达到了一定水平，则判断该像素为噪声，继而用邻域像素的均值取代这一像素值。T为阈值，T太小，噪声消除不干净；T太大，易使图像模糊。均值滤波器的改进

——超限邻域平均MATLAB图像处理工具箱采用filter2