图像处理的复习.doc

第一章 概述为什么需要图像处理？显示和打印需要；易于存储和传输；增强和恢复；提取信息。*图像处理：对图像进行一系列的操作以达到预期的目的的技术称作图像处理,包括狭义的图像处理、图像分析与图像理解。*根据对图像作用域的不同，数字图像处理方法大致可分为两大类:1空域算法(1) 邻域处理法: 对图像进行小区域模板的空域滤波等处理，以充分考虑像素邻域像素点对其的影响。(2)点处理法: 直接对图像各像素点进行灰度上的变换处理.2 .变换域算法*图像增强：是指根据一定的要求，突出图像中感兴趣的信息，而减弱或去除不需要的信息，从而使有用信息得到加强的信息处理方法。*图像增强主要方法：直方图增强、空域滤波法、频率域滤波法以及彩色增强法等。图像编码与压缩：图像编码就是利用图像信号的统计特征及人类视觉及人类视觉的生理学和心理学特征图象复原：找出图象降质的起因，并尽可能消除它，使图象恢复本来面目图像重建对输入的某种数据进行处理，得到结果图像。数字图像处理的主要研究内容：1 图像变换。 2 图像增强 。3 图像编码与压缩。 4 图像复原。 5 图像重建。图像变换：将图像从空间域变换到另一个域，然后在变换域对图像进行处理和分析。常用的图像变换：傅立叶变换、DCT变换，小波变换等。数字图像处理的应用实例1 生物医学中的应用。2 遥感领域中的应用。3 工业方面的应用。4 军事公安领域的应用。5 通信中的应用。6 文字识别。7 交通生物医学中的应用最突出的临床应用就是超声、核磁共振、相机和CT等技术。如X射线照片的分析，血球计数与染色体分类等。第二章 2.3图像的数字化扫描，采样，量化，以及各个阶段的意义2.4 数字图像的基本类型有那两种方式位图有四种类型：第三章 图像增强图象增强:是通过某种技术有选择地突出对某一具体应用有用的信息，削弱或抑制一些无用的信息。图像增强的两类方法空域增强:直接在图像所在的二维空间进行处理，即直接对每一像素的灰度值进行处理 。频域增强:首先经过傅里叶变换将图像从空间域变换到频率域，然后在频率域对频谱进行操作和处理，再将其反变换到空间域，从而得到增强后的图像。灰度变换法1.线性灰度变换。2.分段线性灰度变换。3.非线性灰度变换。 线性拉伸将原始输入图像中的灰度值不加区别地扩展。 *分段线性拉伸是仅将某一范围的灰度值进行拉伸，而其余范围的灰度值实际上被压缩了。*灰度直方图 是灰度值的函数，它描述了图像中各灰度值的像素个数。 通常用横坐标表示像素的灰度级别，纵坐标表示对应的灰度级出现的频率（像素的个数）。*直方图均衡化直方图均衡方法的基本思想是：对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的。直方图均衡化的步骤1、计算每个灰度级的像素个数在整个图像中所占的概率(百分比)2、计算图像各灰度级的累计分布概率3、根据 的值判断变换后的灰度值 设图像的灰度级只有8级，因此需用1/7为量化单位进行舍入运算，得到如下结果：Sk的的值落到的那个区间,则对应变换到该灰度值。直方图均衡化实质上是减少图象的灰度级以换取对比度的加大。空间平滑滤波增强1. 邻域平均法2. 中值滤波两种方法的原理和特点，两者的特点和异同（算子的计算方法）题目邻域平均法虽然可以平滑图像，但在消除噪声的同时，会使图像中的一些细节变得模糊。中值滤波则在消除噪声的同时还能保持图像中的细节部分，防止边缘模糊 。图像锐化的目的是使灰度反差增强，从而增强图像中边缘信息，有利于轮廓抽取。梯度算法梯度值正比于像素之差。对于一幅图像中突出的边缘区，其梯度值较大；在平滑区域梯度值小；对于灰度级为常数的区域，梯度为零。Sobel算子是边缘检测中最常用的算子之一。 SX是水平模板,对水平边缘响应最大. SY是垂直模板,对垂直边缘响应最大.拉普拉斯算子是一个标量而不是向量，具有线性特性和旋转不变，即各向同性的性质。重点书本的课后题目第四章 图4.1 图像压缩技术，图4.1静态图像的数据冗余：霍夫曼编码第七章 图像分割技术图像分割概述 目的：把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。通过对分割结果的描述，可以理解图像中包含的信息。图像分割方法和种类：图像的结构分割方法：阈值分割，区域生长，边缘检测，纹理分析边缘检测 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等 ，同时物体的边缘也是不同区域的分界处。 通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈 。根据灰度变化的特点，常见的边缘可分为： 阶跃型、房顶型和凸缘型。边缘检测的方法很多，主要有以下几种: 1、空域微分算子，也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等 。 2、拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。 3、小波多尺度边缘检测。 4、基于数学形态学的边缘检测。 几种常用的边缘检测微分算子Kirsch算子的方向性LOG（Laplacian-Gauss）算子 先用高斯函数对图像进行平滑，然后再用拉普拉斯算子进行运算，形成Laplacian-Gauss算法。 特点： 与高斯滤波器进行卷积，既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。 在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点，用拉普拉斯算子将边缘点转换成零交叉点，通过零交叉点的检测来实现边缘检测。Canny（坎尼）算子 首先用2D高斯滤波模板进行卷积以平滑图像；利用微分算子，计算梯度的幅值和方向；对梯度幅值进行非极大值抑制。即遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大，那么这个像素值置为0，即不是边缘；使用双阈值算法检测和连接边缘。即使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值，那就要看这个像素的邻接像素中有没有超过高阈值的边缘像素，如果有，则该像素就是边缘，否则就不是边缘。阈值与图像分割阈值选取依据:1、仅取决于图像灰度值，仅与各个图像像素本身性质相关的阈值选取全局阈值。2、取决于图像灰度值和该点邻域的某种局部特性，即与局部区域特性相关的的阈值选取 局部阈值。 3、除取决于图像灰度值和该点邻域的某种局部特性之外，还取决于空间坐标，即得到的阈值与坐标相关动态阈值或者自适应阈值。阈值分割原理 阈值分割算法是区域分割算法中具有代表性的一类非常重要的分割算法。以一定的图像模型为依托，通过取阈值后得到的图像，各个区域可以分离开。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。全局阈值的实现步骤1、确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）；2、将大于等于阈值的像素作为物体或背景，生成一个二值图像。自动获取全局阈值的实现步骤，基本自适应阈值的实现步骤，阈值分割法的特点： 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体）分水岭阈值算法分水岭阈值算法和直接在最佳阈值处分割不同，它是一种特殊的自适应迭代阈值分割算法。算法的主要目标是找出分水线。 分水岭算法的基本思想： 假设在每个区域最小值的位置上打一个洞，并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将只能到达大坝的顶部处与水线之上的程度。这些大坝的边界对应于分水岭的分割线。 基于区域的分割*区域生长 所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。 基本思想 以一组生长点（可以是单个像素，也可以是某个小区域）开始，搜索其邻域，把图像分割成特征相似的若干区域，比较相邻区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。以此方式将特征相似的区域不断合并、直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。在实际应用时，要解决三个问题：1）确定区域的数目，也就是选择一组能正确代表所需区域的生长点像素；2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括进来的方式；3）确定相似性准则，即获取生长过程停止的准则。 将灰度相关的值作为区域生长准则，区域生长可分为：1、单一型(像素与像素)2、质心型(像素与区域) 3、混合型(区域与区域) 简单区域生长的步骤： (1)对图像进行扫描，找出尚没有归属的像素。当寻找不到这样的像素时结束操作。(2)把这个像素灰度同其周围(4-邻域或8-邻域)不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。(3)从新合并的像素开始，反复进行(2)的操作，直到区域不能再合并为止。(4)返回(1)操作，寻找能作为新区域出发点的像素。质心型区域生长：与简单区域生长不同，它是比较单个像素的特征与其相邻区域的特征，若相似则将像素归并到区域中。 操作步骤类似简单区域生长法，唯一不同的是在上述(2)的操作中，改为比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。若差值小于阈值，则合并。*混合型区域生长： 把图像分割成小区域，比较相邻小区域的相似性，如果相似则合并。两种混合型区域生长的方法，具体的实现步骤1. 不依赖于起始点的方法2. 假设检验法*二值图像的形态学分析方法腐蚀膨胀开运算与闭运算连通域的计算膨胀设计思想 设计一个结构元素，结构元素的原点定位在背景像素上，判断是否覆盖有目标点，来确定是否该点被膨胀为目标点。膨胀 算法步骤1）扫描原图，找到第一个像素值为0的背景点；2）将预先设定好形状以及原点位置的结构元素的原点移到该点；3）判断该结构元素所覆盖的像素值是否存在为1的目标点： 如果是，则膨胀后图像中的相同位置上的像素值为1； 如果不是，则膨胀后图像中的相同位置上的像素值为0；4）重复2）和3），直到所有原图中像素处理完成。膨胀处理可以将断裂开的目标物进行合 并，便于对其整体的提取。*（膨胀例题）腐蚀 是一种消除连通域的边界点，使边界向内收缩的处理。腐蚀设计思想 设计一个结构元素，结构元素的原点定位在待处理的目标像素上，通过判断是否覆盖，来确定是否该点被腐蚀掉。腐蚀算法步骤：1）扫描原图，找到第一个像素值为1的目标点；2）将预先设定好形状以及原点位置的结构元素的原点移到该点；3）判断该结构元素所覆盖的像素值是否全部为1： 如果是，则腐蚀后图像中的相同位置上的像素值为1； 如果不是，则腐蚀后图像中的相同位置上的像素值为0；4） 重复2）和3），直到所有原图中像素处理完成。腐蚀处理可以将粘连在一起的不同目标物分离，并可以将小的颗粒噪声去除。*（腐蚀例题）开运算 算法原理 开