计算机视觉实战的深度学习实战二：图像预处理

图像预处理

 

更多精彩内容请关注微信公众号：听潮庭。
在这里插入图片描述
写在前面：

  1. 图像显示与存储原理
  2. 图像增强的目标
  3. 点运算：基于直方图的对比度增强
  4. 形态学处理
  5. 空间与处理：卷积
  6. 卷积的应用（平滑、边缘检测、锐化等）
  7. 频率域处理：傅里叶变换，小波变换
  8. 应用案例：平滑、边缘检测、CLAHE等

一、颜色空间

1、RGB颜色空间

 
 
  • 加法混色（越叠加越白：255，255，255=白色），彩色显示
  • 3个通道 (后面提到一张图片有三个维度，长，宽和通道（r，g，b）)
    • Red通道
    • Green通道
    • Blue通道
  • 一个像素颜色值
    • （b,g,r）
  • 取值范围
    • [0, 255]
    • [0.0, 1.0]

2、CMYK颜色空间

 
  • 减法混色，多用于印刷
  • 4通道
    • Cyan通道
    • Magenta通道
    • Yellow通道
    • Key通道
  • 一个像素颜色值
    • （c,y,m,k）
  • 取值范围
    • [0, 255]
    • [0.0, 1.0]

3、HSV颜色空间

 
  • 人类视觉概念，画家配色
  • 3各要素
    • H/Hue：色调，颜色种类
    • S/Saturation：饱和度，颜色的纯度
    • V/Value：明度，颜色明亮度
  • 一个像素颜色值
    • （h，s，v）
  • 取值范围
    • [0, 255]
    • [0.0, 1.0]

4、CIE-XYZ颜色空间

 
  • 国际照明协会，1931
  • 基于人类颜色视觉的直接测定
  • 其他颜色空间基础
  • 人类视觉系统-视锥细胞
    • 短波（S，420-440nm）
    • 中波（M，530-540nm）
    • 长波（L，560-580nm）
  • 3色刺激值通道
    • X，Y，Z约略对应于红色，绿色，蓝色
    • 一种波的刺激等于几种波的混合刺激

二、图片存储原理

 

1、主流颜色空间

  • RGB三通道彩色图

    • 图片->3维矩阵（[0,255]）

    在这里插入图片描述
    在这里插入图片描述

  • 单通道灰度图

    • 亮度信息[0,255]
    • Gray=R×0.3+G×0.59+B×0.11（常用的图片灰度化转换公式）

在这里插入图片描述

三、图像增强的目标

 
  1. 改善图像的视觉效果
  2. 转换为更适合人或机器分析处理的形式
  3. 突出对人或机器分析有意义的信息
  4. 抑制无用信息，提高图像的使用价值
  5. 具体包括图像锐化，平滑，去噪，灰度调整（对比度增强）

四、图像处理的方法

 

在这里插入图片描述

1、特征提取方法

 

  1. 直方图Histogram

    • 对图片数据/特征分布的一种统计
      • 灰度、颜色
      • 梯度/边缘、形状、纹理
      • 局部特征点、视觉词汇
    • 区间bin
      • 具有一定的统计或物理意义
      • 一种数据或特征的代表
      • 需要预定义或基于数据进行学习
      • 数值是一种统计量：概率、频数、
    • 对数据空间bin进行量化

  2. 直方图均衡化

    • 直方图均衡化是指：利用图像直方图对对比度进行调整德方法
    • 直方图均衡化通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比图相当接近的时候
    • 直方图均衡化以后，亮度可以更好的在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效的扩展常用的亮度来实现这种功能
    • 直方图均衡化：实质上是对图像进行非线性拉伸
    • 重新分配各个灰度单位中的像素点数量，是一定的灰度范围像素点数量的值大致相等
    • 在这里插入图片描述

  3. 自适应直方图均衡

    • 直方图均衡的经典算法对整幅图像的像素使用相同的变换，如果图像中包括明显亮的或者暗的区域，则经典算法有限
    • 自适应直方图均衡（AHE）算法通过对局部区域进行直方图均衡，来解决上述问题；
      • 移动模板在原始图片上按特定步长滑动
      • 每次移动后，模板区域内做直方图均衡，映射后的结果赋值给模板区域内所有点
      • 每个点会有多次赋值，最终的取值为这些赋值的均值。

  4. CLAHE

    • AHE会过度放大图像中相对均匀区域的噪声，可采用限制对比度自适应直方图均衡（CLAHE）。
    • 与普通自适应直方图均衡相比，CLAHE的不同地方在于直方图修剪过程，用修剪后的直方图均衡图像时，图像对比度会更自然
    • 在这里插入图片描述等面积挪到下面垫高
    • 如下图
    • 在这里插入图片描述
    • 小黑点的灰度直接由映射函数计算得到
    • 粉色区域内点的灰度由映射函数计算得到
    • 绿色区域内点的灰度由相邻两块灰度映射值线性插值得到
    • 其他区域所有点的灰度由相邻四块的灰度映射值双线性插值而得、
    • CLAHE算法步骤
      • 1、图像分块，以块为单位
      • 2、先计算直方图，然后修建直方图，最后均衡
      • 3、遍历操作各个图像块，进行块间双线性插值
      • 4、与原图做图层绿色混合操作。（可选）

  5. 形态学运算

    • 开运算：先腐蚀在膨胀，可以去掉目标外的孤立点
    • 闭运算：先膨胀再腐蚀，可以去掉目标内的孔
    • 通常，当有噪声的图像用阈值二值化后，所得到的边界是很不平滑的，物体区域具有一些错判的孔洞，背景区域散布着一些小的噪声物体，连续的开和闭运算可以显著的改善这种情况

  6. 空间域处理及其变换

    • 滤波/卷积
      • 在每个图片位置（x，y）上进行基于邻域的函数计算
        1. 滤波函数->权重相加
          • 卷积核、卷积模板
          • 滤波器、滤波模板
          • 扫描窗
      • 不同功能需要定义不同的函数
        1. 平滑/去噪
        2. 梯度/锐化
        3. 边缘、显著点、纹理
        4. 模式检测
    • 在这里插入图片描述
    • 参数解释
      • x,y是像素在图片中的位置/坐标
      • k,l是卷积核中的位置/坐标，中心点的坐标是（0，0）
      • f(k,l)是卷积核中在（k,l）上的权重参数
      • I(x+k,y+l)是与f(k,l)相对应的图片像素值
      • h(x,y)是图片中(x,y)像素的滤波/卷积结果
      • 在这里插入图片描述
        在这里插入图片描述
    • 边界填充（Padding） 将卷积核的中心对上顶点
      • 获得同尺寸输出的情况下
      • 卷积核越大，补充越多
    • 补充类型
      • 补零（zero-padding） 目前用的最多
      • 边界复制（replication）
      • 镜像（reflection）
      • 块复制（wraparound）

  7. 均值滤波

    • 平滑均值滤波/卷积

      • 3*3

      • 扫描步长：1

      • 边框补零

      • 在这里插入图片描述

      • 均值滤波本身存在缺陷，既没有很好的去除噪声点，也破坏了图像的细节反而使图像变得模糊

      • 奇数尺寸：3×3、5×5，7×7，2n-1×2n-1

      • 参数和为：1

      • 在这里插入图片描述

      • 在这里插入图片描述

  8. 平滑中值滤波/卷积

    • 奇数尺寸：3×3、5×5，7×7，2n-1×2n-1
    • 操作原理：
      • 卷积域内的像素值从小到大排序
      • 取中间值作为卷积输出
    • 有效去除椒盐噪声
    • 在这里插入图片描述
    • 将领域矩阵中的N个像素进行排序，并将这个矩阵的中心点赋值为这N个像素的中值
    • 在这里插入图片描述

  9. 平滑高斯滤波/卷积

    • 奇数尺寸：3×3、5×5，7×7，2n-1×2n-1

    • 模拟人眼，关注中心区域

    • 有效去除高斯噪声

    • 参数

      • x,y是卷积参数坐标
      • 标准差σ /`sigma/
      • 在这里插入图片描述
      • 人眼特性：离关注中心越远，感受精度越模糊
      • 在这里插入图片描述
      • σ 越小 关注区域越集中
      • 在这里插入图片描述
      • 分解特性（级联高斯）
        • 2D卷积拆分成两个相同的ID卷积
          • 列卷积
          • 行卷积
        • 降计算
          • 2D卷积：K×K次计算
          • 2×1D卷积：2K次计算
          • 在这里插入图片描述
            -在这里插入图片描述

  10. 梯度Prewitt滤波/卷积

    • 水平梯度/垂直边缘 梯度：某一函数在该点处的方向导数
    • 在这里插入图片描述
    • 垂直梯度/水平边缘
    • 在这里插入图片描述

  11. 梯度Laplacian滤波/卷积

    • 二阶微分算子
      • 一阶导数极值
      • 在这里插入图片描述
    • 作用
      • 团块检测：周边高于（低于）中心点
      • 边缘检测：像素值快速变化的区域
      • 在这里插入图片描述
        -在这里插入图片描述
      • Laplacian滤波器条件，相加等于0；
      • Laplacian滤波锐化
      • 在这里插入图片描述

  12. 其他滤波/锐化

    • 左移位滤波
      • 在这里插入图片描述
    • 锐化
      • 在这里插入图片描述
posted @ 2019-05-12 16:33  ThinkInPakho  阅读(2973)  评论(0)  编辑  收藏  举报