前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >数字图像处理:

数字图像处理:

作者头像
和蔼的zhxing
发布2018-09-04 11:24:43
1.8K2
发布2018-09-04 11:24:43
举报
文章被收录于专栏:和蔼的张星的图像处理专栏

冈萨里斯数字图像处理的那本书的一小点点东西,数字图像处理其实是学过了的,这里我只是把这本书完整看一遍,也是略略的看,查漏补缺,前两张略过了,从第三章开始。

3.灰度变换和空间滤波。

3.2.一些基本的灰度变换函数。

这里面没有什么说的,无非是一些灰度变换函数,用作图像增强,其中有一个比特平面分层值得一看。P71. 比特平面分层就是把8位(举例)图像的每一位拿出来形成二值图像,其实是相当于一些阈值化,比如所有的最低位拿出来,所有最高位拿出来,8位图像就会行程8张比特平面,每一层都代表一个图像,有什么用呢,主要是用来图像压缩,可以用比特平面重构图像,重构的方法就是把各位换算成10进制然后加起来,这样就能重构图像,一般用最高四位就能重构出比较好的图像了。

3.3.直方图

直方图统计就不说了,主要说两个,直方图均衡化和直方图规定化。公式也不写了,只说过程:

直方图规定化

实际上就是一个映射的过程,直方图均衡化要比直方图规定化还要再简单一些,只需把原始图的累积直方图乘以7然后四舍五入就是它们的映射结果。 还有一个东西是局部直方图处理(P84),和空域滤波的方式相同,有一个框,定义一个区域,统计区域中的直方图,用均衡化的最中间的值来映射中心元素的像素值。

使用直方图统计的局部增强 这个在P87,以前也没有仔细看,主要是利用局部特性来做的。 对于一张图,有亮的地方也有暗的地方,我们需要暗部对比度增强,亮部不变,可以采用局部增强的方式。 首先是如何得到增强候选区域:采用这样一个策略:我们假设整张图的均值是m,局部均值是m(x,y),如果满足m(x,y)<k_0m,则认为是一个暗部候选点。但不是这样的区域都要增强的,还需要用方差进行筛选,我们知道,方差越大的话表明图像的对比度越强。 假设整张图的对比度是d,局部对比度是d(x,y),满足d(x,y)<k_2d条件的像素作为增强的候选点,最后,我们还需要限制对比度的最低对比度值,排除标准差为零的恒定区域。

这个设定中是一个比较暗的值,所以E设置为比较小的值,比如4,5等,保证乘了之后还是一个比较暗的值,保证整个图不会有很大的变化。

3.4:空域滤波

空域滤波就是模板卷积,这个操作应该很熟悉。分为平滑滤波和锐化滤波。

  1. 平滑滤波。 ① 均值滤波 ②加权平均1/16[1,2,1;2,4,2;1,2,1] ③统计排序滤波器。比如中值滤波器,最大值,最小值滤波器,其中中值滤波器对于椒盐噪声的效果很好。
  2. 锐化滤波。 考虑一阶微分和二阶微分,对于恒定灰度区域来说,其微分都是0,对于一阶微分来说的,连续变化的地方微分不是0。对于二阶微分来说,连续变化如果变化率恒定的话,二阶微分为0,如果变化率不恒定,那么二阶微分也不是零,综上来说,二阶微分在增强细节上要比一阶微分好得多。 二阶拉普拉斯算子。 打公式截图太麻烦,我从word里直接粘贴过来。

这里的A就是相当于把原图加上来。

  1. 非锐化掩蔽和高提升滤波。 这个方法非常简单,在印刷和出版业已经用过多年,具体操作方法为: ①模糊原图像。 ②从原始图像中减去模糊图像。(得到的称之为模板)。 ③把模板加到原图上。 这样也很好理解。
  2. 使用一阶微分锐化。 这个主要就是梯度了。 ①平均差分法。prewitt法。

②加权差分法。sobel算子。

③roberts交叉微分。

实际上使用的时候,这样不对称的微分没有中心点,其实用的很少。

4.频域滤波。

这里我直接略过去了,还是粗粗看了一遍,不过这部分公式太多了,不写公式的话完全就说不清楚,而且频域的东西真正使用的确实不是很多,所以就在书上做了做标记,略过去。

5.图像复原和重建

这里和空域滤波的那一部分有一点关系,这张图很重要。

5.1.噪声模型

这一块主要是介绍一些噪声,主要有高斯,瑞丽,伽马,指数,均匀,椒盐,周期等,可以看这个图:

一些噪声以及其直方图分布,其中椒盐噪声是唯一一个从视觉上可区分的噪声类型,对于只存在噪声的图像来说,一般可以采用空间滤波的方式来去掉噪声。 ①算术均值滤波器。

很容易理解,我们是在一个局部区域求图像的举止,所以取均值可以有效把噪声减小(平摊到均值中),一个副作用就是会模糊图像。 ②几何均值滤波器。

局部区域作连乘然后开方,这种方式也可以有效降低噪声,且与算术均值相比的话丢失的细节要少些。 ③谐波均值滤波

对高斯噪声类似的噪声处理不好,对盐粒噪声效果好,对胡椒噪声处理不好。 ④逆谐波均值滤波器。

与阶数有关,当Q为正时,可以消除胡椒噪声影响,为负时,可以消除盐粒噪声,但不能同时消除这两者,当Q为0时,退化成算术均值滤波,当Q=-1时,退化成谐波均值滤波。 ⑤中值滤波器。 ⑥最大值滤波器。 ⑦最小值滤波器。 这三个没什么说的,都是常用的统计排序滤波器,中值滤波就是选择局部均值来代替当前锚点像素,所以对于椒盐噪声特别有用。 ⑧中点滤波器。

和中值稍有区别,是选择最大值和最小值的中点,适用于处理随机分布的噪声,比如高斯或者均匀噪声。 ⑨修整的阿尔法均值滤波器。 和均值滤波器不同的是,去掉d/2个最大值,去掉d/2个最小值,然后再做平均,这个对混合多种情况的噪声很有用,比如椒盐噪声和高斯噪声,去掉排序的两端可以有效针对椒盐噪声,而做均值对高斯噪声有很好的的消除作用。

5.2.自适应滤波器。

自适应滤波以均值和方差作为基础。


未完待续!

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018.03.14 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 3.灰度变换和空间滤波。
    • 3.2.一些基本的灰度变换函数。
      • 3.3.直方图
        • 3.4:空域滤波
        • 4.频域滤波。
        • 5.图像复原和重建
          • 5.1.噪声模型
            • 5.2.自适应滤波器。
            相关产品与服务
            图像处理
            图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档