数字图像处理技术

数字图像处理技术,主要内容,图像预处理技术图像降噪图像增强图像拼接图像区域检测技术图像分割,图像降噪预处理,产生原因数字图像的噪声主要源于图像的获取和传输过程。钢板表面图像噪声主要类型高斯噪声：电子电路噪声和由低照明度和高温带来的传感器噪声。脉冲噪声：主要表现在成像中的短暂停留，例如错误的开关操作。基本方法平滑滤波中值滤波,图像的平滑,作用：用于图像的模糊处理，减小噪声。原理：通过模板操作实现一种邻域运算，即某个象素点的结果灰度不仅和该象素灰度有关，而且和其邻域点的值有关。如图所示为两种常见的平滑模板（均值滤波），中间的黑点表示中心元素，即，用哪个元素做为处理后的元素。,BOX模板，未考虑位置的影响,高斯模板，考虑了位置的影响,均值滤波,图1原图,图2均值滤波,图3阈值处理,图2采用1515均值模板进行处理,中值滤波,所谓中值滤波，是指把以某点(x，y)为中心的小窗口内的所有象素的灰度按从大到小的顺序排列，将中间值作为(x，y)处的灰度值。,原图,中值滤波过的图,图中数字代表该处的灰度。可以看出原图中间的6和周围的灰度相差很大，是一个噪声点。经过31窗口(即水平3个象素取中间值)的中值滤波，得到右边那幅图，可以看出，噪声点被去除了。,平滑滤波与中值滤波的对比与应用,从原图中不难看出左边区域灰度值低，右边区域灰度值高，中间有一条明显的边界,这一类图象称之为“step”(就象灰度上了个台阶)。应用平滑模板后，图象平滑了，但是也使边界模糊了。应用中值滤波，就能很好地保持原来的边界。,原图,经Box模板处理后,经Gauss模板处理后,经中值滤波处理后,平滑滤波与中值滤波的对比与应用,不难看出，原图中有很多噪声点(灰度为正代表灰度值高的点，灰度为负代表灰度值低的点)，而且是杂乱无章，随机分布的。这也是一类很典型的图，称之为高斯噪声。经过Box平滑，噪声的程度有所下降。Gauss模板对付高斯噪声非常有效。而中值滤波对于高斯噪声则无能为力。,原图,Box模板处理后,Gauss模板处理后,中值滤波处理后,平滑滤波与中值滤波的对比与应用,从原图中不难看出，中间的灰度要比两边高许多。这也是一类很典型的图，称之为脉冲。可见，中值滤波对脉冲噪声非常有效。,原图,Box模板处理后,Gauss模板处理后,中值滤波处理后,图像增强,概念：将图像中感兴趣的特征有选择地突出，而衰减其不需要的特征，故处理后输出的图像并不需要去逼近原图像,方法：空间域法：对图像像素直接处理灰度变换直方图处理直方图均衡化直方图规定化频率域法：在图像的某种变换域内对图像进行运算，再对图像的频谱进行某种计算，最后将计算后的图像逆变换到空间域。,图像增强,灰度变换,图像增强,直方图处理,直方图就是表示图像中某一灰度级的像素个数。通常用概率密度来表示，即某一灰度级的像素个数占图像中所有像素个数的百分比。,直方图均衡化,为了使图像的灰度级能跨越更大的范围，采用均匀直方图的基本增强。,直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。把给定图像的直方图分布改变成“均匀”分布直方图分布。,直方图均衡化,算法：,即输出灰度级等于输入灰度级直方图的累加和。,举例：,个数,输入灰度,累积直方图,输出灰度,结论：直方图均衡化可以增大图像灰度的动态范围，增强对比度,直方图匹配,通过指定图像直方图所具有的形状来实现。,原图,直方图均衡过的图,直方图匹配过的图,直方图均衡化能够自动增强整个图像的对比度，但它的具体增强效果不容易控制，处理的结果总是得到全局均匀化的直方图。实际上有时需要变换直方图，使之成为某个特定的形状，从而有选择地增强某个灰度值范围内的对比度。这时可以采用比较灵活的直方图规定化。一般来说正确地选择规定化的函数可以获得比直方图均衡化更好的效果。,图像拼接,图像配准：图像之间的对齐基于区域的配准逐一比较法分层比较法相位相关度法基于特征的配准比值匹配法特征点匹配法图像融合：实现图像的无缝拼接平均值法加权平滑法多分辨样条法：计算量大，时间长，不适合一般的图像拼接,举例（逐一比较法）,I=imread(FResourceLeft.jpg);/读取图像J=imread(FResourceRight.jpg);M=J(1:400,1:50);/指定模板N=I(1:400,181:230)-M;/原图指定区域和模板做差S=sum(sum(abs(N);/相似度算法Min=S;index=0;fori=1:15N=I(1:400,181-i:230-i)-M;S=sum(sum(abs(N);ifSMinMin=S;index=i;/获取相似度最大的匹配位置endendK=I(1:400,1:230-50-index),J(1:400,1:230);/图像拼接,模板,举例,图像拼接之基于特征点的匹配,步骤：,特征选择和提取点特征：像素点在其邻域的各个方向上的灰度变化足够大，例如边缘点、角点、直线交叉点等。特征匹配在指定相似度算法的基础上进行特征匹配。,图像拼接之基于特征点的匹配,基于边缘点特征的图像匹配算法,经过Canny算子提取边缘点后，我们得到了图像的边缘特征。但是图像边缘点数量很多，还是不利于我们图像间的匹配。所以需要对边缘点进行筛选，得到最具代表性的特征点。设图像为参考图像，图像为待配准图像，设它们的宽和高分别为和，提取特征点步骤为：首先，将图像中每一列的边缘点找出，并将每一列的边缘点纵坐标(行值)存入数组中，例如存储第2列边缘点的纵坐标。然后，根据数组中所记录的第列边缘点的位置，求出每一列梯度值最大的边缘点，即为特征点，并记录该点的梯度值和纵坐标，对于图像中任意边缘点，梯度值由下式给出：式中，是点的灰度值，这样可得到长度为的二维数组，数组中第一行的元素是图像中该列上最大梯度值，第二行的元素是图像中该列上梯度最大点的纵坐标。同理可得的特征数组。,图像融合,平均值法,算法：令I1(x,y)，I2(x,y)和I(x,y)分别表示第一幅图像、第二幅图像和融合图像在点(x,y)处的像素值，则融合图像中各点的像素值按下式确定。,式中，R1表示第一幅图像中未与第二幅图像重叠的图像区域，R2表示第一幅图像与第二幅图像重叠的图像区域，R3表示第二幅图像中未与第一幅图像重叠的图像区域。,图像融合,加权平滑法：使颜色逐渐过渡，避免图像模糊和明显的边界。,算法：在重叠部分由前一幅图像慢慢过渡到第二幅图像，即将图像重叠区域的像素值按一定的权值相加合成新的图像。,相邻图像I1、I2在区间x1,x2上重叠，W1(x)、W2(x)为加权函数，一个常用的加权函数的形式为：,其中0iW，W为重叠区域的宽度。那么重叠通向I在这个区间上(x,y)点的像素值如式：,图像分割,概念：就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。,方法：基于边缘检测的图像分割基于阈值的图像分割基于区域增长法的图像分割基于变形模型的图像分割基于聚类法的图像分割基于遗传算法的图像分割基于模糊集理论的图像分割基于神经网络的图像分割,边缘检测,作用钢板边界检测缺陷边缘检测,方法梯度法（Roberts算子、Prewitt算子、Sobel算子、Kirsch算子、高斯拉普拉斯（LOG）算子）。Canny边缘检测法小波分析技术差影技术：先腐蚀，再做差图像平滑技术,梯度算子,给出一幅图像，对其进行模板运算，模板为：,图1原图,图2结果图像,图1中不难发现左边暗，右边亮，中间存在着一条明显的边界。图2中可以看出，第3、4列比其他列的灰度值高很多，人眼观察时，就能发现一条很明显的亮边，其它区域都很暗，这样就起到了边沿检测的作用。,模板,称作梯度算子。,Roberts算子,模板：,特点：,Robert算子是一种梯度算子,它用交叉的差分表示梯度,对具有陡峭的噪声的图像效果最好。,Prewitt算子,prewitt算子是平均算子,对噪声有抑制作用,但是像素平均相当于对图像进行滤波操作,所以prewitt算子对边缘的定位不如robert算子。,特点：,模板：,检测水平边沿,检测垂直边沿,Sobel算子,模板：,检测水平边沿,检测垂直边沿,特点：,对邻域采用带权方法计算差分；能进一步抑止噪声；但检测的边缘较宽。X,Y方向各用一个模板,两个模板组合起来构成1个梯度算子。X方向模板对垂直边缘影响最大,Y方向模板对水平边缘影响最大。Sobel算子对于象素的位置的影响做了加权，因此效果比Prewitt算子更好。,Kirsch算子,模板：,特点：,8个模板形成了Kirsch边缘检测算子，图像中的每个像素都用这8个模板进行操作，每个模板都对某个特定边缘方向作出最大响应，所有8个方向的最大值作为该点的输出值。最大响应掩模的序号构成了边缘方向的编码。,高斯拉普拉斯算子,模板：,定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个正数，而且其周围像素的系数为负数，系数之和必为0。对于一个3x3的区域，经验上被推荐最多的形式是：,Gauss-Laplacian算子是各向同性的,能对任何走向的界线和线条进行锐化,无方向性。这是高斯拉普拉斯算子区别于其他算法的最大优点。,特点：,Canny边缘检测法,Canny边缘检测是一种比较新的边缘检测算子,具有很好的边缘监测性能,在图像处理中得到了越来越广泛的应用。它依据图像边缘检测最优准则设计Canny边缘检测算法:(1)首先用2D高斯滤波模板进行卷积以消除噪声。(2)利用导数算子找到图像灰度地沿着两个方向的偏导数(Gx,Gy),并求出梯度的大小。(3)利用(2)的结果计算出梯度的方向。(4)一旦知道了边缘的方向,就可以把边缘的梯度方向大致分为四种:水平、竖直、45度方向、135度方向。通过梯度的方向,就可以找到这个像素梯度方向的邻接像素。(5)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的,那么这个像素值置为0,即不是边缘。(6)使用累计直方图计算两个阈值,大于高阈值的一定是边缘,小于低阈值的一定不是边缘,介于之间的,看这个像素的邻接像素中有没有超过高阈值的边缘像素,如果有的话那么它就是边缘了,否则它就不是边缘。,算法：,特点：,Canny方法不容易受噪声干扰,能够检测到真正的弱边缘。优点在于,使用两种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中。,边缘提取算子举例比较,原图,Prewitt,canny,roberts,log,sobel,边缘连接处理,方法：基于局部处理的图像边缘连接基于模糊判决的图像边缘连接基于人类感知的图像边缘连接基于自适应数学形态学的图像边缘连接基于视觉感知的双层次阈值的图像边缘连接基于边缘生长的图像边缘连接：效果较好,目的与意义：,边缘检测处理后，由于噪音的原因，边界的特征很少能够被完整地描述，在亮度不一致的地方会中断。需要连接过程用来归整边像素，成为有意义的边。,基于局部处理的边缘连接,设定A（方向角）、T（梯度）的阈值大小，确定邻域的大小。当梯度值和方向角都是相似的，则点(x，y)，与边点界(x，y)是连接的。,原理,对做过边检测的图象的每个点(x，y)的特性进行分析。分析在一个小的邻域（3x3或5x5）中进行。所有相似的点被连接，形成一个享有共同特性象素的边界。用比较梯度算子的响应强度和梯度方向确定两个点是否同属一条边。,阈值分割法,基本思想：,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）。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。Iff(x，y)Tset255Elseset0,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。阈值的选取是图像阈值分割方法中的关键技术。,阈值分割法：阈值获取方法,直方图法,基本思想：边界上的点的灰度值出现次数较少取值的方法：取直方图谷底(最小值)的灰度值为阈值T。缺点：会受到噪音的干扰，导致最小值不是预期的阈值，而偏离期望的值。,阈值分割法：阈值获取方法,最大类间方差法：它被认为是阈值分割中的经典算法。最佳熵阈值方法：此算法无需先验知识，且对于呈非理想双峰直方图的图像也可以进行较好的分割。但是，该算法在确定阈值，特别是多阈值时，存在计算量相当大、分割结果对阈值的变化较为敏感等不足。P-tile法：是早期的基于灰度直方图的自动阈值选择方法。该方法计算简单，抗噪声性能较好。其不足之处是要预先知道给定目标与整幅图像的面积比P。因此在P未知或P随不同图像改变时，该方法不适用。均匀化误差阈值选取方法基于Otsu准则及图像熵的阈值分割算法基于人工免疫的图像分割算法：该算法在生物免疫的思想上加入了人工免疫算子，不但能找到最优的阈值，而且分割时间是传统的1.8。,其他方法,面向区域的分割,目标：将区域R划分为若干个子区域R1,R2,Rn，这些子区域满足5个条件：1)完备性：2)连通性：每个Ri都是一个连通区域；3)独立性：对于任意ij，RiRj=；4)单一性：每个区域内的灰度级相等；5)互斥性：任两个区域的灰度级不等。,概念：,区域增长