数字图像处理-杨淑莹(二)

噪声消除法

对于二值图像上的噪声消除

1. 二值图像黑白点噪声滤波
2. 消除孤立黑像素点

邻域平均法

​ 如果各点噪声是独立等分布的，经过这种方法平滑后，信噪比提高，但是图像的边缘细节会变得很模糊

1. 3*3均值滤波
2. 超限邻域平均法
3. N*N均值滤波器
4. 选择式掩模平滑-选择式掩模平滑制作9种窗口，取5*5窗口，计算卷积，得出9类窗口的平均值和方差，采用方差最小的屏蔽窗口进行平均化，这种方法可以区分内容和边界，避免边界模糊化

中值滤波

邻域平均法属于低通滤波的处理方法，在抑制噪声的同时把图像变得模糊，图像的细节被削弱

中值滤波抑制噪声又要保持细节，将窗口中奇数个数按大小顺序排列，处于中心位置的那个数作为处理结果

中值滤波的取值，去一个m长度的移动窗口，然后排序，取这m个数的中值，然后把窗口起始用中值替代

图像上就是对应窗口的灰度值排序取中间值，然后用中间值替代像素点

中值滤波选择窗口

1. 方形或圆形窗口：缓变的较长轮廓线物体
2. 十字型窗口：含有尖顶物体适用，窗口大小以不超过最小有效物体的尺寸为宜
3. 图像中，点，线，尖角细节较多不适合中值滤波

噪声

随机噪声

椒盐噪声

图像锐化处理及边缘检测

锐化处理主要方法：微分运算和梯度锐化以及边缘检测

锐化增强边界提取边界信息

边缘上的变化比较平缓，但是边缘两侧的变化比较快，主要是灰度值，颜色分量和纹理结构的变化

单向微分，两个方向，水平方向和垂直方向

二阶微分，拉普拉斯算子

高斯-拉普拉斯算子是效果更好的边缘检测器，把高斯平滑器和拉普拉斯锐化结合起来，先平滑掉噪声，在进行边缘检测，

图像经过微分运算锐化后，图像非常暗，不适用，既需要图像轮廓清晰，又要求保持目标物体的内部灰度不变，需要用到高频提升滤波器

自适应检测采用多个边缘检测算子，不同检测算子模版采用不同的方向

微分就是做差，得出灰度值变化比较大的区域

梯度锐化

梯度锐化常用的方法：

直接以梯度值代替，辅以门限判断，给边缘规定一个特定的灰度级，给背景规定灰度级，根据梯度二值化图像

常用边缘检测算子

Roberts边缘检测算子

Sobel边缘检测算子

Prewitt边缘检测算子

Krisch比昂预案检测算子

LoG_Laplacian边缘检测算子

图像分割

图像分割的基本策略，基于灰度值两个基本特性 区域之间不连续性和区域内部相似性

相似性：阈值分割法，面向区域分割，数学形态学图像处理

不连续性：边界分割，边缘连接分割

图像分割与测量是图像识别的基础

图像分割共四种方法：

1. 边缘检测，检测出边缘，再将边缘像素连接，构成边界形成分割，找出目标物体的轮廓，进行目标的分析，识别，测量
2. 阈值分割，最常用方法，有直方图门限选择，半阈值选择图像分割，迭代阈值
3. 边界方法：直接确定区域边界，实现分割，有边界追踪法，轮廓提取法
4. 区域法：将各像素划归到相应物体或区域的像素聚类方法：区域增长法等

轮廓提取

轮廓提取法--中心像素和边缘像素相同，采取挖空置白的方法

边界跟踪法---确定边界的起始搜索点，起始点的选择很关键，确定合适边界的判别准则和搜索准则，搜索准则搜索下一个边界点，判别准则判断一个点是否是边界点，确定搜索的终止条件

区域增长法

区域分裂合并法

图像测量

纹理特征反映了物体本身的属性，有助于将两种不同的物体区别

形态处理

腐蚀：消除物体边界点

膨胀：对二值化物体边界点扩充

图形细化

变换

一维傅里叶变换

二维傅里叶变换

离散傅里叶变换

离散余弦变换

在频域中，任意波形都可以分解为正弦波的加权和，任意复杂函数都可以用简单的正弦和余弦函数表示