数字图像处理(MATLAB版)

数字图像处理浙江大学1精选ppt/1、图像的读取和显示/2、图像的点运算/4、空间域图像增强/5、频率域图像增强/6、彩色图像处理/7、形态学图像处理/8、图像分割/9、特征提取/3、图像的几何变换2精选ppt/1、图像的读取和显示一、图像的读取A=imread(FILENAME,FMT)FILENAME指定图像文件的完整路径和文件名。如果在work工作目录下只需提供文件名。FMT为图像文件的格式对应的标准扩展名。I_1=imread('D:\10.06.08nir\TTC10377.BMP');%读入图像二、图像的写入imwrite(A，FILENAME,FMT)FILENAME参数指定文件名。FMT为保存文件采用的格式。imwrite(I6,'nirdilatedisk2TTC10373.bmp');3精选ppt/1、图像的读取和显示三、图像的显示imshow(I,[lowhigh])I为要显示的图像矩阵。[lowhigh]为指定显示灰度图像的灰度范围。高于high的像素被显示成白色；低于low的像素被显示成黑色；介于High和low之间的像素被按比例拉伸后显示为各种等级的灰色。

figure；imshow(I6);title('TheMainPassPartofTTC10373');figure；%创建一个新的窗口figure；subplot（m,n,p）；imshow（I）；Subplot(m,n,p)含义为：打开一个有m行n列图像位置的窗口，并将焦点位于第p个位置上。4精选ppt/1、图像的读取和显示四、图像的格式转换im2bw(I,LEVEL);rgb2gray;从RGB图创建灰度图，存储类型不变。im2uint8将图像转换成uint8类型阈值法从灰度图、RGB图创建二值图。LEVEL为指定的阈值；（0,1）。im2double将图像转换成double类型5精选ppt/2、图像的点运算灰度直方图描述了一副图像的灰度级统计信息，主要应用于图像分割和图像灰度变换等处理过程中。从数学角度来说，图像直方图描述图像各个灰度级的统计特性，它是图像灰度值的函数，统计一幅图像中各个灰度级出现的次数或概率。归一化直方图可以直接反映不同灰度级出现的比率。横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。imhist(I);%灰度直方图I=imread(‘red.bmp’);%读入图像

figure;%打开新窗口[M,N]=size(I);%计算图像大小[counts,x]=imhist(I,32);%计算有32个小区间的灰度直方图counts=counts/M/N;%计算归一化灰度直方图各区间的值stem(x,counts);%绘制归一化直方图一、图像直方图图像直方图归一化6精选ppt7精选ppt/2、图像的点运算二、灰度的线性变换Fa>1时，输出图像的对比度将增大；Fa<1时，输出图像对比度将减小。Fa=1且Fb非零时，所有像素的灰度值上移或下移，使整个图像更暗或更亮。Fa<0，暗区变亮，亮区变暗。8精选ppt9精选ppt10精选ppt/2、图像的点运算三、灰度的对数变换c为尺度比例常数，s为源灰度值，t为变换后的目标灰度值。k为常数。灰度的对数变换可以增强一幅图像中较暗部分的细节，可用来扩展被压缩的高值图像中的较暗像素。广泛应用于频谱图像的显示中。Warning：log函数会对输入图像矩阵s中的每个元素进行操作，但仅能处理double类型的矩阵。而从图像文件中得到的图像矩阵大多是uint8类型的，故需先进行im2double数据类型转换。11精选pptI=imread('nir.bmp');%读入图像F=fft2(im2double(I));%FFTF=fftshift(F);%FFT频谱平移F=abs(F);T=log(F+1);%频谱对数变换figure;imshow(F,[]);title('未经变换的频谱');figure;imshow(T,[]);title('对数变换后');12精选ppt/2、图像的点运算三、灰度的Gamma变换其中，x、y的取值范围为[0,1]。esp为补偿系数，r则为Gamma系数。Gamma变换是根据r的不同取值选择性的增强低灰度区域的对比度或者高灰度区域的对比度。13精选pptJ=imadjust(I,[low_inhigh_in],[low_outhigh_out],gamma)I=imread('nir.bmp');figure;imshow(imadjust(I,[],[],0.75));%gamma=0.5title('Gamma0.5');原NIR图像Gamma0.514精选ppt四、灰度阈值变换及二值化Gamma1.5T为指定阈值BW=im2bw(I,level);%level为人工设定阈值范围为[0,1]thresh=graythresh(I);%自动设定所需的最优化阈值15精选pptOTSU算法：最大类间方差法自动单阈值分割。Kapur算法：一维直方图熵阈值算法niblack算法：局部阈值分割阈值的计算公式是T=m+k*v，其中m为以该像素点为中心的区域的平均灰度值，v是该区域的标准差，k是一个系数。kittlerMet:表示kittler最小分类错误(minimumerrorthresholding)全局二值化算法。

原图像直接阈值分割0.2516精选ppt自动阈值分割OTSU算法分割KittlerMet算法Niblack算法Kapur算法17精选ppt/2、图像的点运算五、直方图均衡化[J,T]=histeq(I);%J为输出图像，T为变换矩阵图像易受光照、视角、方位、噪声等的影响。使得同一类图像的不同变形体之间的差距有时大于该类图像与另一类图像之间的差距，影响图像识别、分类。图像归一化就是将图像转换到唯一的标准形式以抵抗各种变换，从而消除同类图像不同变形体之间的外观差异。也称为图像灰度归一化。原图像及直方图18精选ppt图像变亮后灰度均衡化图像变暗后灰度均衡化19精选ppt/3、图像的几何变换一、图像平移正变换逆变换strel%用来创建形态学结构元素translate(SE,[yx])%原结构元素SE上y和x方向平移imdilate%形态学膨胀20精选ppt/3、图像的几何变换I=imread('nir.bmp');se=translate(strel(1),[180190]);B=imdilate(I,se);figure;subplot(1,2,1),subimage(I);title('原图像');subplot(1,2,2),subimage(B);title('平移后图像');21精选ppt/3、图像的几何变换二、图像镜像B=imtransform(A,TFORM,method);TFORM=makeform(transformtype,Matrix);%空间变换结构参数transformtype指定了变换的类型，常见的’affine’为二维或多维仿射变换，包括平移、旋转、比例、拉伸和错切等。Matrix为相应的仿射变换矩阵。22精选pptA=imread('nir.bmp');[height,width,dim]=size(A);tform=maketform('affine',[-100;010;width01]);B=imtransform(A,tform,'nearest');tform2=maketform('affine',[100;0-10;0height1]);C=imtransform(A,tform2,'nearest');figure;imshow(A);figure;imshow(B);imwrite(B,'nir水平镜像.bmp');figure;imshow(C);imwrite(B,'nir垂直镜像.bmp');原图像水平镜像图像垂直镜像图像23精选pptA=imread('nir.bmp');tform=maketform('affine',[010;100;001]);B=imtransform(A,tform,'nearest');figure;imshow(A);figure;imshow(B);imwrite(B,'nir转置后图像.bmp');/3、图像的几何变换三、图像转置24精选ppt/3、图像的几何变换四、图像中心旋转B=imrotate(A,angle,method,’crop’);angle为旋转角度，正值为逆时针旋转。可选参数method为imrotate函数指定插值方法。‘crop’选项会裁减旋转后增大的图像，保持和原图像同样大小。

A=imread('nir.bmp');B=imrotate(A,30,'nearest','crop');figure;imshow(B);imwrite(B,'逆时针中心旋转30度.bmp');逆时针30度25精选ppt/4、空间域图像增强一、噪声添加h=imnoise(I,type,parameters);type为噪声类型，合法值如下：添加高斯白噪声添加椒盐噪声26精选ppt/4、空间域图像增强二、空间域滤波滤波过程就是在图像f(x,y)中逐点移动模板，使模板中心和点(x,y)重合，滤波器在每一点(x,y)的响应是根据模板的具体内容并通过预先定义的关系来计算的。27精选pptB=imfilter(f,w,option1,option2,…);f为要进行滤波操作的图像。w为滤波操作使用的模板，为一个二维数组，可自己定义。option1……是可选项，包括：1、边界选项（’symmetric’、’replicate’、’circular’）2、尺寸选项（’same’、’full’）3、模式选项（’corr’、’conv’）原图像滤波后图像28精选ppt三、滤波器设计/4、空间域图像增强h=fspecial(type,parameters)parameters为可选项，是和所选定的滤波器类型type相关的配置参数，如尺寸和标准差等。type为滤波器的类型。其合法值如下：29精选ppt/4、空间域图像增强四、中值滤波h=medfilt2(I1,[m,n]);m和n为中值滤波处理的模板大小，默认3*3中值滤波本质上是一种统计排序滤波器。中值不同于均值，是指排序队列中位于中间位置的元素的值。中值滤波并非线性滤波器。对于某些类型的随机噪声具有非常理想的降噪能力。典型的应用就是消除椒盐噪声。30精选ppt/4、空间域图像增强五、图像锐化图像锐化主要用于增强图像的灰度跳变部分，主要通过运算导数（梯度）或有限差分来实现。主要方法有：Robert交叉梯度，Sobel梯度，拉普拉斯算子，高提升滤波，高斯-拉普拉斯变换。Robert交叉梯度w1对接近正45°边缘有较强响应，w2对接近负45°边缘有较强响应。31精选pptSobel交叉梯度对水平边缘有较大响应对垂直边缘有较大响应拉普拉斯算子32精选pptI=imread('nir.bmp');I=double(I);%双精度化w1=[-10;01];w2=[0-1;10];G1=imfilter(I,w1,‘corr’,‘replicate’);%正45°梯度G2=imfilter(I,w2,‘corr’,‘replicate’);%负45°梯度G=abs(G1)+abs(G2);%计算Robert梯度figure;imshow(G,[]);figure;imshow(abs(G1),[]);figure;imshow(abs(G2),[]);Robert交叉梯度I=imread('nir.bmp');Id=double(I);%双精度化h_1=fspecial('log',5,0.5);%大小为5，sigma=0.5的LOG算子I_1=imfilter(Id,h_1,'corr','replicate');figure;imshow(uint8(abs(I_1)),[]);h_2=fspecial('log',5,2);%大小为5，sigma=2的LOG算子I_2=imfilter(Id,h_2,'corr','replicate');figure;imshow(uint8(abs(I_2)),[]);高斯-拉普拉斯锐化33精选ppt/5、频率域图像增强用傅里叶变换表示的函数特征可以完全通过傅里叶反变换进行重建而不丢失任何信息吉布斯现象Gibbsphenomenon（又叫吉布斯效应）：将具有不连续点的周期函数（如矩形脉冲)进行傅立叶级数展开后，选取有限项进行合成。当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点。当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9%。这种现象称为吉布斯现象。34精选ppt幅度谱相位谱功率谱35精选ppt一、傅里叶变换/5、频率域图像增强I=fft2(x);%快速傅里叶变换I=fft2(x,m,n);x为输入图像；m和n分别用于将x的第一和第二维规整到指定的长度。当m和n均为2的整数次幂时算法的执行速度要比m和n均为素数时快。I1=abs(I);%计算I的幅度谱I2=angle(I);%计算I的相位谱Y=fftshift(I);%频谱平移I=ifft2(x);%快速傅里叶逆变换I=ifft2(x,m,n);36精选ppt幅度谱相位谱平移后的相位谱37精选pptfunctionout=imidealflpf(I,freq)%imidealflpf函数构造高斯频域低通滤波器[M,N]=size(I);out=ones(M,N);fori=1:Mforj=1:Nif(sqrt(((i-M/2)^2+(j-N/2)^2))>freq)out(i,j)=0;endendend理想低通functionout=imgaussflpf(I,sigma)%imgaussflpf函数构造高斯频域低通滤波器[M,N]=size(I);out=ones(M,N);fori=1:Mforj=1:Nout(i,j)=exp(-((i-M/2)^2+(j-N/2)^2)/2/sigma^2);endend高斯低通38精选ppt/6、彩色图像处理色彩模型：RGB模型、CMY模型、CMYK模型、HIS模型、HSV模型、YUV模型、YIQ模型。RGB模型国际照明委员会（CIE）规定以蓝（435.8nm）、绿（546.1nm）和红（700nm）作为主原色。39精选pptRGB_image=cat(3,PR,PG,PB);%将PR、PG、PB三个矩阵在第3个维度上进行级联，进行图像合成PR=RGB_image(:,:,1);%提取红色分量PG=RGB_image(:,:,2);%提取绿色分量PB=RGB_image(:,:,3);%提取蓝色分量Matlab中一幅RGB图像可表示为一个M*N*3的3维矩阵。其中每一个彩色像素都在特定空间位置的彩色图像中对应红、绿、蓝3个分量。CMY模型CMY模型是采用（Cyan、Magenta、Yellow）青、品红、黄色3中基本原色按一定比例合成颜色。由于色彩的显示是由光线被物体吸收掉一部分之后反射回来的剩余光线产生，故CMY模型又称为减色法混色模型。当光都被吸收时成为黑色，都被反射时为白色。40精选pptCMY模型主要用于彩色打印机和复印机等。CMYK模型CMY模型在实际使用中，青、品红和黄色等比例混合后的黑色并不纯，为产生真正的黑色，专门加入第四种颜色—黑色。得到CMYK模型。用于四色打印。cmy=imcomplement(rgb);%rgb转成cmyrgb=imcomplement(cmy);cmy转成rgb41精选pptHSI模型HIS模型是从人的视觉系统出发，直接使用颜色三要素色调（Hue）、饱和度（Saturation）和亮度（Intensity）来描述颜色。亮度指人眼感觉光的明暗程度。光的能量越大，亮度越大。色调由物体反射光线中占优势的波长决定。反映颜色的本质。饱和度指颜色的深浅和浓淡程度，饱和度越高，颜色越深。HIS色彩空间比RGB彩色空间更符合人的视觉特性。亮度和色度具有可分离特性，使得图像处理和机器视觉中大量灰度处理算法都可在HIS彩色空间中方便使用。42精选ppt色调亮度饱和度其中43精选ppt/7、形态学图像处理一、二值图像腐蚀I2=imerode(I,SE);SE=strel(shape,parameters);I为原始图像，可以是二值或者灰度图像。shape指定了结构元素的形状。parameters是和输入shape有关的参数。44精选ppt/7、形态学图像处理二、二值图像膨胀I2=imdilate(I,SE);SE=strel(shape,parameters);I为原始图像，可以是二值或者灰度图像。shape指定了结构元素的形状。parameters是和输入shape有关的参数。原图像腐蚀后膨胀后45精选ppt/7、形态学图像处理三、其他二值图像运算SE=strel(shape,parameters);I2=imopen(I,SE);%开运算I3=imclose(I,SE);%闭运算Ihm=bwhitmiss(I,SE1,SE2);%击中击不中变换四、连通分量提取[Lnum]=bwlabel(Ibw,conn);Ibw为一幅输入二值图像。conn为可选参数，指明提取连通分量是4连通还是8连通。默认为8。L为连通分量标注图像。num为二值图像Ibw中连通分量个数。46精选ppt/7、形态学图像处理五、bwmorph函数Iout=bwmorph(I,operation,n)47精选ppt/7、形态学图像处理六、顶帽变换解决非均匀光照问题。顶帽变换定义为图像f与图像f的开运算之差。a=imread('red.bmp');I=rgb2gray(a);figure,surf(double(I(1:8:end,1:8:end))),zlim([0255])，colormapgray;%显示图像I的三维可视化效果bg=imopen(I,strel(‘disk’,15));%开运算Itophat=imsubtract(I,bg);%顶帽变换figure,imshow(Itophat);figure,surf(double(Itophat(1:8:end,1:8:end))),zlim([0255]);I2=imadjust(Itophat);figure,imshow(I2);48精选ppt原图像三维可视化效果顶帽变换后的三维可视化效果顶帽变换后图像对比度拉伸后效果49精选ppt/8、图像分割一、图像分割概述图像分割一般采用的方法有边缘检测（edgedetection）、边界跟踪（edgetracing）、区域生长（regiongrowing）、区域分离和聚合等。

图像分割算法一般基于图像灰度值的不连续性或其相似性。

不连续性是基于图像灰度的不连续变化分割图像，如针对图像的边缘有边缘检测、边界跟踪等算法。

相似性是依据事先制定的准则将图像分割为相似的区域，如阈值分割、区域生长等。二、边缘检测图像的边缘点是指图像中周围像素灰度有阶跃变化或屋顶变化的那些像素点，即灰度值导数较大或极大的地方。

边缘检测可以大幅度的减少数据量，并且剔除不相关信息，保留图像重要的结构属性。

边缘检测基本步骤：平滑滤波、锐化滤波、边缘判定、边缘连接。50精选ppt边缘检测算法：基于一阶导数：Roberts算子、Sobel算子、Prewitt算子基于二阶导数：高斯-拉普拉斯边缘检测算子Canny边缘检测算法Matlab实现1）、基于梯度算子的边缘检测BW=edge(I,type,thresh,direction,’nothinning’)thresh是敏感度阈值参数，任何灰度值低于此阈值的边缘将不会被检测到。默认值为空矩阵[]，此时算法自动计算阈值。51精选pptdirection指定了我们感兴趣的边缘方向，edge函数将只检测direction中指定方向的边缘，其合法值如下：可选参数’nothinning’，指定时可以通过跳过边缘细化算法来加快算法运行的速度。默认是’thinning’，即进行边缘细化。2）、基于高斯-拉普拉斯算子的边缘检测BW=edge(I,’log’,thresh,sigma)sigma指定生成高斯滤波器所使用的标准差。默认时，标准差为2。滤镜大小n*n，n的计算方法为：n=ceil(sigma*3)*2+1。52精选ppt3）、基于Canny算子的边缘检测BW=edge(I,’canny’,thresh,sigma)thresh是敏感度阈值参数，默认值为空矩阵[]。此处为一列向量，为算法指定阈值的上下限。第一个元素为阈值下限，第二个元素为阈值上限。如果只指定一个阈值元素，则默认此元素为阈值上限，其0.4倍的值作为阈值下限。如阈值参数没有指定，则算法自行确定敏感度阈值上下限。b1=imread('nir.bmp');h58=fspecial('gaussian',5,0.8);b=imfilter(b1,h58);bw1=edge(b,‘sobel’);%sobel算子bw2=edge(b,‘prewitt’);%prewitt算子bw3=edge(b,‘roberts’);%roberts算子bw4=edge(b,‘log’);%log算子bw5=edge(b,‘canny’);%canny算子figure;imshow(bw1);imwrite(bw1,'nirbwsobel.bmp');figure;imshow(bw2);imwrite(bw2,'nirbwprewitt.bmp');figure;imshow(bw3);imwrite(bw3,'nirbwroberts.bmp');figure;imshow(bw4);imwrite(bw4,'nirbwlog.bmp');figure;imshow(bw5);imwrite(bw5,'nirbwcanny.bmp');53精选pptSobel算子roberts算子prewitt算子log算子canny算子54精选ppt分析1、边缘定位精度方面：Roberts算子和Log算子定位精度较高。Roberts算子简单直观，Log算子利用二阶导数零交叉特性检测边缘。但Log算子只能获得边缘位置信息，不能得到边缘方向信息。2、边缘方向的敏感性：Sobel算子、Prewitt算子检测斜向阶跃边缘效果较好，Roberts算子检测水平和垂直边缘效果较好。Log算子不具有边缘方向检测功能。Sobel算子能提供最精确的边缘方向估计。3、去噪能力：Roberts算子和Log算子虽然定位精度高，但受噪声影响大。Sobel算子和Prewitt算子模板相对较大因而去噪能力较强，具有平滑作用，能滤除一些噪声，去掉一部分伪边缘，但同时也平滑了真正的边缘，降低了其边缘定位精度。总体来讲，Canny算子边缘定位精确性和抗噪声能力效果较好，是一个折中方案。

55精选ppt三、Hough变换直线检测/8、图像分割步骤：利用hough（）函数执行霍夫变换，得到霍夫矩阵；利用houghpeaks（）函数在霍夫矩阵中寻找峰值点；利用houghlines（）函数在之前两步结果的基础上得到原二值图像中的直线信息。[H,theta,rho]=hough(BW,param1,val1,param2,val2)1、霍夫变换(针对二值图像)56精选ppt2、寻找峰值—houghpeakspeaks=houghpeaks(H,numpeaks,param1,val1,param2,val2)peaks是一个Q*2的矩阵，每行的两个元素分别为某一峰值点在Hough矩阵中的行、列索引，Q为找到的峰值点的数目。3、提取直线段—houghlineslines=houghlines(BW,theta,rho,peaks,param1,val1,param2,val2)57精选ppt返回值lines的结构58精选pptI1=imread('004.jpg');I=rgb2gray(I1);%旋转图像并寻找边缘rotI=imrotate(I,33,'crop');BW=edge(rotI,'canny');%执行Hough变换并显示Hough矩阵[H,T,R]=hough(BW);figure;imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit');xlabel('\theta'),ylabel('\rho');axison,axisnormal,holdon;%在Hough矩阵中寻找前5个大于Hough矩阵中最大值0.3倍的峰值P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));x=T(P(:,2));y=R(P(:,1));%由行、列索引转换成实际坐标plot(x,y,'s','color','white');%在Hough矩阵图像中标出峰值位置%找出并绘制直线lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7);%合并距离小于5的线段，丢弃所有长度小于7的直线段figure,imshow(rotI),holdonmax_len=0;59精选pptfork=1:length(lines)%依次标出各条直线段

xy=[lines(k).point1;lines(k).point2];plot(xy(:,1),xy(:,2),'x','LineWidth',2,'Color','green');

%绘制线段端点

plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');%确定最长的线段

len=norm(lines(k).point1-lines(k).point2);if(len>max_len)max_len=len;xy_long=xy;endend%高亮显示最长线段plot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan');60精选ppt原图像Hough矩阵旋转并检测最长直线段61精选ppt/9、特征提取特征提取的一般原则：选择在同类图像之间差异较小（较小的类内距），在不同类别的图像之间差异较大（较大的类间距）的图像特征。一、简单区域描绘子周长：区域边界上的像素数目。面积：区域中像素数目。致密性：（周长）^2/面积。区域的质心。灰度均值：区域中所有像素的平均值。灰度中值：区域中所有像素的排序中值。包含区域的最小矩形。最小或最大灰度级。大于或小于均值的像素数。欧拉数：区域中的对象数减去这些对象的孔洞数。62精选pptD=regionprops(L,properties);L为一个标记矩阵，通过连通1区域标注函数bwlabel得到。二、主成分分析（PrincipalComponentAnalysis，PCA）[COEFF,SCORE,latent]=pincomp(X);63精选pptX为原始样本组成n*d的矩阵，其每一行是一个样本特征向量，每一列表示样本特征向量的一维。COEFF：主成分分量，也是样本协方差矩阵的本征向量。SCORE：主成分，X的低维表示。latent：一个包含着样本协方差矩阵本征值的向量。X=[1,2;3,3;3,5;4,5;5,6;6,5;8,7;9,3;7,6];X[COEFF,SCORE,latent]=princomp(X);%主成分分析COEFF%主成分分量SCORE%主成分latent%X样本协方差矩阵的本征值64精选ppt图像分割65精选pptContents

8.1图像分割定义

8.2使用阈值进行图像分割

8.3基于梯度的图像分割方法8.4边缘检测和连接66精选pptContents

8.5区域增长(RegionGrowing)

8.6二值图像处理(BinaryImageProcessing)

8.7分割图像的结构小结67精选ppt8.1图像分割定义

图像分割处理定义：将数字图像划分成互不相交（不重叠）区域的过程.区域(region)定义:像素的连通集。连通(connectedness)定义:在一个连通集中的任意两个像素之间，存住一条完全由这个集合的元素构成的连通路径。68精选ppt

8.2.1全局阈值化思想：整个图像中将灰度阈值的值设置为常数。前提条件：如果背景的灰度值在整个图像中可合理地看作为恒定，而且所有物体与背景都具有几乎相同的对比度，那么，只要选择了正确的阈值，使用一个固定的全局阈值一般会有较好的效果。69精选ppt8.2.2自适应阈值改进方法：在许多的情况下，背景的灰度值并不是常数，物件和背景的对比度在图像中也有变化，这时，一个在图像中某一区域效果良好的阈值在其它区域却可能效果很差。在这种情况下，把灰度阈值取成一个随图像中位置缓慢变化的函数值是适宜的。70精选ppt8.2.3最佳阈值的选择除非图像中的物体有陡峭的边沿，否则灰度阈值的取值对所抽取物体的边界的定位和整体的尺寸有很大的影响。这意味着后续的尺寸（特别是面积）的测量对于灰度阈值的选择很敏感。由于这个原因，我们需要一个最佳的，或至少是具有一致性的方法确定阈值。71精选ppt1.直方图技术含有一个与背景明显对比的物体的图像其有包含双峰的灰度直方图72精选ppt直方图生成a=imread('d:\pic\i_boat_gray.bmp');imshow(a)figureimhist(a)利用灰度阈值T对物体面积进行计算的定义是:73精选ppt2.最大类间方差法(OTSU)OTSU算法定义：该算法是在灰度直方图的基础上用最小二乘法原理推导出来的，具有统计意义上的最佳分割阈值。74精选pptOTSU基本原理：以最佳阈值将图像的灰度直方图分割成两部分，是两部分之间的方差取最大值，即分离性最大。75精选ppt3.迭代法求阈值原理：图像中前景与背景之间的灰度分布为相互不重叠，在该前提下，实现对两类对象的阈值分割方法。76精选ppt8.3基于梯度的图像分割方法思路对比：

区域分割方法：通过将图像划分为内部点集和外部点集来实现分割。边界方法：利用边界具有高梯度值的性质直接把边界找出来。77精选ppt8.3.1边界跟踪

算法步骤1：我们从一个梯度幅值图像着手进行处理，这个图像是从一幅处于和物体具有反差的背景中的单一物体的图像进行计算得来的。2:搜索以边界起始点为中心的3×3邻域，找出具有最大灰度级的邻域点作为第2个边界点。78精选ppt8.3.2梯度图像二值化如果用适中的阈值对一幅梯度图像进行二值化，Kirsch的分割法利用了这种现象。算法步骤用一个中偏低的灰度阈值对梯度图像进行二值化从而检测出物体和背景，物体与背景被处于阈值之上的边界点带分开。随着阈值逐渐提高，就引起物体和背景的同时增长。当它们接触上而又不至于合并时，可用接触点来定义边界。这是分水岭算法在梯度图像中的应用。

79精选pptKirsch的分割算法80精选ppt8.3.3拉普拉斯边缘检测

拉普拉斯算于是对二维函数进行运算的二阶导数标量算子。它定义为:81精选ppt一个无噪声图像具有陡峭的边缘，可用拉普拉斯算子将它们找出来。对经拉普拉斯算子滤波后的图像用零灰度值进行二值化会产生闭合的、连通的轮廓并消除了所有的内部点。但是由于噪声的存在，在运用拉普拉斯算子之前需要先进行低通滤波。82精选ppt选用高斯低通滤波器进行预先平滑是很合适的。由卷积的结合律可以将拉普拉斯算子和高斯脉冲响应组合成一个单一的高斯拉普拉斯核：这个脉冲响应对x和y是可分离的，因此可以有效地加以实现。83精选ppt8.4边缘检测和连接边缘点：确定图像中的物体边界的另一种方法是先检测每个像素和其直接邻域的状态，以决定该像素是否确实处于一个物体的边界上。具有所需特性的像素被标为边缘点。边缘图像:当图像中各个像素的灰度级用来反映各像素符合边缘像素要求的程度时，这种图像被称为边缘图像。84精选ppt8.4.1边缘检测边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，通常也包括方向的确定。有若干种方法可以使用，其中大多数是基于方向导数掩模求卷积的方法。85精选pptRoherts边缘算子

其中，f（x，y）是具有整数像素坐标的输入图像。其中的平方根运算使该处理类似于人类视觉系统中发生的过程。86精选pptSobel边缘算子

两个卷积核形成了Sobel边缘算子。图像中的每个点都用这两个核做卷积。一个核对通常的垂直边缘响应最大而另一个对水平边缘响应最大。两个卷积的最大值作为该点的输出值。运算结果是一幅边缘幅度图像。87精选pptSobel边缘算子图88精选pptPrewitt边缘算子

Prewitr边缘算子89精选pptKirsch边缘算子

图像中的每个点均与这8个模板进行卷积，每个掩模对某个特定边缘方向作出最大响应。所有8个方向中的最大值作为边缘幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编码。Kirsch算子的梯度幅度值90精选pptKirsch边缘算子91精选pptKirsch边缘算子92精选ppt边缘检测器性能:使用两个掩模板组成边缘检测器时，通常取较大得幅度作为输出值。这使得它们对边缘的走向有些敏感。取它们的平方和的开方可以获得性能更‘致的全方位响应。这与真实的梯度值更接近。93精选ppt边缘提取方法原图94精选ppt

边缘提取方法边缘提取后95精选ppt8.4.2边缘连接问题：如果边缘很明显，而且噪声级低，那么可以将边缘图像二值化并将其细化为单像素宽的闭合连通边界图。然而在非理想条件下，这种边缘图像会有间隙出现，需要加以填充。96精选ppt填充小的间隙可以简单地实现，通过搜索一个以某端点为中心的5×5或更大的邻域，在邻域中找出其它端点并填充上必要的边界像素，从而将它们连接起来。对具有许多边缘点的复杂场景，这种方法可能会对图像过度分割。为了避免过度的分割，可以规定：两个端点只有在边缘强度和走向相近的情况下才能连接。97精选ppt解决方法启发式搜索曲线拟合Hough变换98精选ppt(1)启发式搜索

假定在一幅边缘图像的某条边界上有一个像间隙的缺口，但是这个缺口太长而不能仅用一条直线填充，它还可能不是同一条边界上的缺口，可能在两条边界上。作为质量的度量，我们可以建立一个可以在任意连接两端点（称为A，B）的路径上进行计算的函数。。

99精选ppt

如果边缘质量函数很复杂而且要评价的缺口既多又长，启发式搜索技术的计算会很复杂。这样的技术在相对简单的图像中性能很好，但不一定能找出两端点间的全局最佳路径。100精选ppt(2)曲线拟合假定有一组散布在两个特定边缘点A和B之间的边缘点，我们希望从中选取一个子集作为从A到B一条分段线性路径上的结点集。首先：从A到B引一条直线。其次：接着计算其它的每个边缘点到该直线的垂直距离。101精选ppt(3)Hough变换

直线y=mx+b可用极坐标表示为其中定义了一个从原点到线上最近点的向量。这个向量与该直线垂直。102精选ppt如果有一组位于由参数确定的直线上的边缘点，则每个边缘点对应了空间的一条正弦型曲线。所有这些曲线必交于点，因为这是它们共享的一条直线的参数。建立一个在空间的二维直方图。对每个边缘点，我们将给所有与该点的Hough变换（正弦曲线）对应的空间的直方图方格一个增量。当对所有边缘点施行完这种操作后，包含的方格将具有局部最大值。然后对空间的直方图进行局部最大值搜索可以获得边界线段的参数。103精选ppthough直线检测结果

原图直线检测结果104精选ppt8.5区域增长

方法：从把一幅图像分成许多小区域开始的。这些初始的区域可能是小的邻域甚至是单个像素。在每个区域中，对经过适当定义的能反映一个物体内成员隶属程度的性质（度量）进行计算。用于区分不同物体内像素的性质（度量）包括平均灰度值，纹理，或颜色信息。105精选ppt区域增长算法主要分成两类(1)简单连接这是基于单个像素的区域增长法，它从满足的检测的点（连接核）开始，考察其周围(4邻域或8邻域)的不属于任何一个区域的点，如果其特性符合接收准则，就把它作为同一个区域加以合并，形成连接核，继而检测周围的点，并把符合接入准则的点并入，产生新的核。重复上述过程，直到没有可并入的点时，生产过程结束。

106精选ppt（2）子区合并法合并过程：首先：将图像分割成个，大小为的小区域（简称子区）。其次：从左上角第一个子区开始，分别计算子区和相邻子区的灰度统计量，然后做相似性判定。若两者的灰度分布相似且符合接收准则。相邻子区并入当前子区，形成下一轮判定合并时的当前子区。107精选ppt如果某个相邻子区不符合接收准则，就打上“未分割标记”。继续新一轮判定，使当前子区不断“生长”，知道没有可归并的子区为止，一个区域分割完毕。最后：搜索图像全域，对凡具有“未分割标记”的子区重复上述步骤。108精选ppt相似性判定准则一般是：109精选ppt8.6二值图像处理

二值图像也就是只具有两个灰度级的图像，它是数字图像的一个重要子集。一个二值图像（例如，一个剪影像或一个轮廓图）通常是由一个图像分割操作产生的。如果初始的分割不够令人满意，对二值图像的某些形式的处理通常能提高其质量。110精选ppt形态学图像处理111精选ppt术语1.集合论术语(Definition)形态学处理语言中，二值图像B和结构元素S都是定义在二维笛卡儿网格上的集合，“1”是这些集合中的元素。当一个结构元素的原点位移到点(x，y)处时，我们将其记作。形态学运算的输出是另一个集合，这个运算可用一个集合论方程来确定。112精选ppt2.腐蚀和膨胀(DilationandErosion)113精选ppt(1)腐蚀一般意义的腐蚀概念定义为：E=BS={x，y|B}如果S的原点位移到点(x，y)，那么S将完全包含于B中。使用基本的3×3结构元素时，一般意义的腐蚀简化为简单腐蚀。114精选ppt(2)膨胀一般膨胀定义为：E=BS={x，y|B}S对B膨胀产生的二值图像D是由这样的点（x，y）组成的集合，如果S的原点位移到(x，y)，那么它与B的交集非空。采用基本的3×3结构造元素时，一般膨胀简化为简单膨胀。115精选ppt8.6.2开运算和闭运算开运算：先腐蚀后膨胀的过程称为开运算。它具有消除细小物体、在纤细点处分离物体、和平滑较大物体的边界时又不明显改变其面积的作用。开运算定义为：116精选ppt闭运算：先膨胀后腐蚀的过程称为闭运算。它具有填充物体内细小空洞、连接邻近物体、在不明显改变物体面积的情况下平滑其边界的作用。闭运算定义为：117精选ppt8.6.3腐蚀和膨胀的变体

通常反复施以腐蚀运算，将使一个物体变得不存在。类似地，反复膨胀将把一幅图像中的所有物体合并为一个。然而，这些过程可以改变一下，以便在一些应用中产生更合适的结果。118精选ppt(1)收缩定义：当腐蚀以一种不触及单像素物件的方式执行时，这个过程称为收缩。收缩可以迭代方式为一个包含近似圆形物体的二值图像生成物体尺寸的分布。收缩时会使非常不圆的物体（如哑铃状的物体）分解，因此这种技术存它的局限性。119精选ppt(2)细化定义:将一个曲线形物体细化为一条单像素宽的线，从而图形化地显示出其拓扑性质。腐蚀可编程过程：第一步：足一个正常的腐蚀。第二步：只将那些消除后并不破坏连通性的点消除，否则保留。120精选ppt(3)抽骨架定义：一个与细化有关的运算，也称为中轴变换(Medialaxistransform)或焚烧草地技术(grass-firetechnigue)。抽骨架的实现与细化相似．可采用一个两步有条件腐蚀实现，但是删除像素的规则略有不同。121精选ppt(4)剪裁细化和抽骨架过程会在所生成的阿中留下毛刺。毛刺是由边界上单像素尺寸的起伏造成的，这些起伏产生了小的分支。它们可通进一系列的消除端点的3×3运算（导致所有的分支缩短）除去，然后再重建那些留下的分支。122精选ppt(5)粗化一些分割技术倾向于用紧贴的边界拟台物体以避免错误地合并它们。通常孤立物体的最佳边界太紧贴并不利于后续测量。粗化可在不合并彼此分离的物体的前提下扩大边界，从而修正了这种不足。123精选ppt原图腐蚀124精选ppt膨胀开操作125精选ppt

闭操作126精选ppt8.7分割图像的结构希望制作一幅新图像，以显示物体是如何调整的，或者用单独的图像显示每个物体。甚至还可能希望对单个物体逐个地进行进一步的测量或其它处理。在这些情况下，就需要抽取并以更方便的形式存储各个物体。通常，每个物体在被检测时都应该标以一个序号。这个物体编号可用来识别和跟踪景物中的物体。在这一节，我们讨论三种对分割图像进行结构化的方法。127精选ppt8.7.1分水岭算法

分水岭算法128精选ppt分水岭算法不是简单地将图像在最佳灰度级进行阈值处理，而是从一个偏低但仍然能正确分割各个物体的阈值开始。然后随着阈值逐渐上升到最佳值，使各个物体不会被合并。这个方法可以解决那些由于物体靠得太近而不能用全局阈值解决的问题。如果初始的阈值太低，那么低对比度的物体开始时会被丢失，然后随着阈值的增加就会和相邻的物体合并。如果初始阈值太高，物体一开始便会被合并。最终的阈值决定了最后的边界与实际物体的吻合程度。129精选ppt分水岭方法和距离变换方法分割相互连接图像二进制图像距离变换方法分水岭方法130精选ppt8.7.2物体隶属关系图在物体隶属关系图中，每个像素的灰度级按其在原始图像中所对应的像素所属的物体序号进行编码。隶属关系图技术通用性很强，但它不是一种对保存分割信息特别紧凑的方法。它需要一幅附加的全尺寸的数字图像来描述甚至只包含一个小物体的场景。如果仅对物体的大小和形状感兴趣，分割后可舍弃原始图像。如果仅有一个物体或物体不需要区分，还可以进一步减少数据量。131精选ppt8.7.3边界链码

链码是从在物体边界上任意选取的某个起始点的(x，y)坐标开始的。这个起始点有8个邻接点，其中至少有一个是边界点。边界链码规定了从当前边界点走到下一个边界点这一步骤必须采用的方向。生成边界链码时，由于必须在整幅图像中跟踪边界，所叫常常需要对输入图像进行随机存取。采用图像分割中的边界跟踪技术时，链码的生成是一个自然的副产品。采用二值方法确定边界时，链码的生成不适于对存储在磁盘上的图像进行逐行处置。132精选ppt小结(ChapterSummary)

图像分割是一个将一幅数字图像划分为不交叠的、连通的像素集的过程，其中一个对应于背景，其它的则对应于图像中的各个物体。利用为物体指定其像差或找出物体之间（或物体和背景之间）边界的方法来实现图像分割；在图像分割之间进行背景平滑和噪声消除，常常能改善分割时的性能。图像分割中采用自适应阈值方法较采用直方图分割具有较好的分割效果。针对较为复杂的图像我们则可以采用区域分割技术来实现，针对图像分割结果我们则可以通过采用隶属关系图，边界链码，或线段编码来存储。133精选pptThankYou!134精选ppt第9章彩色图像处理

（ColorImageProcessing）

9.1彩色基础（FundamentalsofColorandVision）

9.2彩色模型（ColorModels）9.3

伪彩色处理（PseudocolorImageProcessing）9.4全彩色图像处理（Full-ColorImageProcessing）9.5彩色图像分割（ColorImageSegmentation）135精选ppt9.1彩色基础

（FundamentalsofColorandVision）白光

在17世纪，牛顿通过三棱镜研究对白光的折射就已发现：

白光可被分解成一系列从紫到红的连续光谱，从而证明白光是由不同颜色（而且这些颜色并不能再进一步被分解）的光线相混合而组成的。136精选ppt可见光

可见光是由电磁波谱中相对较窄的波段组成，如果一个物体比较均衡地反射各种光谱，则人看到的物体是白的；而如果一个物体对某些可见光谱反射的较多，则人看到的物体就呈现相对应的颜色。例如，绿色物体反射具有500~570nm（纳米）范围的光，吸收其他波长光的多数能量。9.1彩色基础

（FundamentalsofColorandVision）137精选ppt图9.1可见范围电磁波谱的波长组成9.1彩色基础

（FundamentalsofColorandVision）138精选ppt人眼的吸收特性：

人眼的锥状细胞是负责彩色视觉的传感器，人眼的锥状细胞可分为三个主要的感觉类别。大约65%的锥状细胞对红光敏感，33%对绿光敏感，只有2%对蓝光敏感。由于人眼的这些吸收特性，被看到的彩色是所谓的原色红（R，red）、绿(G，green)和蓝（B，blue）的各种组合。

9.1彩色基础

（FundamentalsofColorandVision）139精选ppt三原色原理

其基本内容是：任何颜色都可以用3种不同的基本颜色按照不同比例混合得到，即

C=aC1+bC2+cC3(9.1)

式中a，b，c>=0为三种原色的权值或者比例，C1、C2、C3为三原色（又称为三基色）。9.1彩色基础

（FundamentalsofColorandVision）140精选ppt三原色原理指出自然界中的可见颜色都可以用三种原色按一定比例混合得到；反之，任意一种颜色都可以分解为三种原色。作为原色的三种颜色应该相互独立，即其中任何一种都不能用其他两种混合得到。9.1彩色基础

（FundamentalsofColorandVision）141精选ppt三原色原理为了标准化起见，国际照明委员会（CIE）规定用波长为700nm、546.1nm、435.8nm的单色光分别作为红(R)、绿(G)、蓝(B)三原色。红绿蓝三原色按照比例混合可以得到各种颜色，其配色方程为：

C=aR+bG+cB(9.2)9.1彩色基础

（FundamentalsofColorandVision）142精选ppt三原色原理原色相加可产生二次色。

例如：红色+蓝色=深红色(M，magenta)，绿色+蓝色=青色(C，cyan)，红色+绿色=黄色(Y，yellow)。以一定的比例混合光的三种原色或者以一种二次色与其相反的原色相混合可以产生白色(W，white)，即：红色+绿色+蓝色=白色。9.1彩色基础

（FundamentalsofColorandVision）143精选ppt彩色到灰度的转换相同亮度的三原色，人眼看去的感觉是，绿色光的亮度最亮，而红色光其次，蓝色光最弱。如果用Y来表示白色光，即光的亮度(灰度)，则有如下关系：Y=0.299R+0.587G+0.114B

9.1彩色基础

（FundamentalsofColorandVision）144精选ppt区分颜色常用三种基本特性量

亮度：如果无彩色就只有亮度一个维量的变化。色调：是光波混合中与主波长有关的属性，色调表示观察者接收的主要颜色。这样，当我们说一个物体是红色、橘黄色、黄色时，是指它的色调。

饱和度：与一定色调的纯度有关，纯光谱色是完全饱和的，随着白光的加入饱和度逐渐减少。9.1彩色基础

（FundamentalsofColorandVision）145精选ppt色调和饱和度一起称为彩色，因此，颜色用亮度和彩色表征。形成任何特殊颜色需要的红、绿、蓝的量称做三色值，并分别表示为X，Y，Z。进一步，一种颜色可用它的3个色系数表示，它们分别是：从以上公式可得：

x+y+z=1146精选ppt1931年CIE制定了一个色度图，如图9.4所示，图中波长单位是nm，用组成某种颜色的三原色的比例来规定这种颜色。图中横轴代表红色色系数，纵轴代表绿色色系数，蓝色系数可由z=1-(x+y)求得。例如，图9.4中标记为绿的点有62%的绿和25%的红成分，从而得到蓝的成分约为13%。147精选ppt9.2彩色模型（ColorModels）彩色模型（也称彩色空间或彩色系统）的用途是在某些标准下用通常可接受的方式简化彩色规范。本质上，彩色模型是坐标系统和子空间的规范。位于系统中的每种颜色都由单个点来表示。本节主要讨论几种图像处理应用的主要模型。148精选ppt9.2.1RGB模型（RGBColorModel）RGB模型RGB模型是目前常用的一种彩色信息表达方式，它使用红、绿、蓝三原色的亮度来定量表示颜色。该模型也称为加色混色模型，是以RGB三色光相互叠加来实现混色的方法，因而适合于显示器等发光体的显示。

149精选ppt9.2.1RGB模型（RGBColorModel）图9.2RGB混色效果图

150精选ppt9.2.1RGB模型（RGBColorModel）

图9.3中，R，G，B位于三个角上；二次色深红(Magenta)、青(Cyan)、黄(Yellow)位于另外3个角上，黑色在原点处，白色位于离原点最远的角上（点（1，1，1））。在本模型中，不同的颜色处在立方体上或其内部，并可用从原点分布的向量来定义。为方便起见，假定所有的颜色值都归一化，即所有R，G，B的值都在[0，1]范围内取值。

151精选ppt9.2.1RGB模型（RGBColorModel）考虑RGB图像，其中每一幅红、绿、蓝图像都是一幅8bit图像，在这种条件下，每一个RGB彩色像素有24bit深度（3个图像平面乘以每平面比特数，即3×8）。24bit的彩色图像也称全彩色图像。在24bitRGB图像中颜色总数是224=16777216。152精选ppt9.2.1RGB模型（RGBColorModel）一幅m*n（m，n为正整数，分别表示图像的高度和宽度）的RGB彩色图像可以用一个m*n*3的矩阵来描述，图像中的每一个像素点对应于红、绿、蓝三个分量组成的三元组。在Matlab中，不同的图像类型，其图像矩阵的取值范围也不一样。例如若一幅RGB图像是double类型的，则其取值范围在[0,1]之间，而如果是uint8或者uint16类型的，则取值范围分别是[0,255]和[0,65535]。153精选ppt9.2.1RGB模型（RGBColorModel）在Matlab中要生成一幅RGB彩色图像可以采用cat函数来得到。其基本语法如下：

B=cat(dim,A1,A2,A3,…)其中，dim为维数，cat函数将A1，A2，A3等矩阵连接成维数为dim的矩阵。154精选ppt9.2.1RGB模型（RGBColorModel）对图像生成而言，可以取dim=3，然后将三个分别代表RGB分量的矩阵连接在一起：I=cat(3,rgb_R,rgb_G,rgb_B)在这里，rgb_R，rgb_G，rgb_B分别为生成的RGB图像I的三个分量的值，可以使用下列语句：rgb_R=I(:,:,1);rgb_G=I(:,:,2);rgb_B=I(:,:,3);155精选ppt9.2.1RGB模型（RGBColorModel）例：生成一幅128*128的RGB图像，该图像左上角为红色，左下角为蓝色，右上角为绿色，右下角为黑色。程序：clearrgb_R=zeros(128,128);rgb_R(1:64,1:64)=1;rgb_G=zeros(128,128);rgb_G(1:64,65:128)=1;rgb_B=zeros(128,128);rgb_B(65:128,1:64)=1;rgb=cat(3,rgb_R,rgb_G,rgb_B);figure,imshow(rgb),title('RGB彩色图像');

结果：156精选ppt9.2.2HSI模型（HSIColorModel）HSI(Hue-Saturation-Intensity，HSI)模型用H、S、I三参数描述颜色特性。H定义颜色的波长，称为色调；S表示颜色的深浅程度，称为饱和度；I表示强度或亮度。

157精选ppt9.2.2HSI模型（HSIColorModel）HSI模型在图像处理和识别中广泛采用主要基于两个重要的事实：其一I分量与图像的彩色信息无关；其二H和S分量与人感受颜色的方式是紧密相连的。158精选ppt9.2.2HSI模型（HSIColorModel）包含彩色信息的两个参数是色度(H)和饱和度(S)。色度H由角度表示，彩色的色度反映了该彩色最接近什么样的光谱波长（即彩虹中的那种颜色）。不失一般性，可以假定0o的彩色为红色，120o的为绿色，240o的为蓝色。色度从0o~360o覆盖了所有可见光谱的彩色。

159精选ppt9.2.2HSI模型（HSIColorModel）

饱和度S表示颜色的深浅程度，饱和度越高，颜色越深，如深红，深绿等。饱和度参数是色环的原点（圆心）到彩色点的半径的长度。

如图9.9所示。在环的外围圆周是纯的或称饱和的颜色，其饱和度值为1。在中心是中性（灰色），即饱和度为0。

亮度I是指光波作用于感受器所发生的效应，其大小由物体反射系数来决定。反射系数越大，物体的亮度越大，反之越小。160精选ppt9.2.2HSI模型（HSIColorModel）如果把亮度作为色环的垂线，那么H、S、I构成一个柱形彩色空间。HSI模型的三个属性定义了一个三维柱形空间，如图9.10所示：图9.10柱形彩色空间161精选ppt1.从RGB模型转换到HSI模型从RGB到HSI的变换是一个非线性变换。对任何三个在[0，1]范围内的R，G，B值，其中：162精选ppt2.从HSI模型转换到RGB模型若设H，S，I的值在[0，1]之间，R，G，B的值也在[0，1]之间，则从HSI到RGB的转换公式为：(1)当H在[0，2/3]之间B=I(1-S)G=3I-(B+R)

(2)当H在[2/3，4/3]之间(3)当H在[4/3，2]之间163精选ppt9.3伪彩色处理

（PseudocolorImageProcessing）伪彩色（pseudocoloring，也称为假彩色）处理定义：指将灰度图像转化为彩色图像，或者将单色图像变换成给定彩色分布的图像。目的：为了提高人眼对图像的细节分辨能力，以达到图像增强的目的。164精选ppt9.3伪彩色处理

（PseudocolorImageProcessing）基本原理：将灰度图像或者单色图像的各个灰度级匹配到彩色空间中的一点，从而使单色图像映射成彩色图像。设f(x，y)为一幅灰度图像，R(x，y)，G(x，y)，B(x，y)为f(x，y)映射到RGB空间的三个颜色分量，则伪彩色处理可以表示为：R(x，y)=fR(f(x，y))(9.20)G(x，y)=fG(f(x，y))(9.21)B(x，y)=fB(f(x，y))(9.22)其中fR，fG，fB为某种映射函数。给定不同的映射函数就能将灰度图像转化为不同的伪彩色图像。伪彩色处理虽然能将灰度转化为彩色，但这种彩色并不是真正表现图像的原始颜色，而仅仅是一种便于识别的伪彩色。伪彩色处理方法主要有强度分层和灰度级到彩色变换。165精选ppt9.3.1强度分层（IntensitySlicing）强度分层强度分层技术是伪彩色图像处理最简单的例子之一。如果一幅图像被描述为空间坐标（x，y）的强度函数f(x，y)，分层的方法可以看成是放置一些平行于图像坐标平面(x，y)的平面，然后每一个平面在相交的区域中切割图像函数。图9.12