均值平滑. 为克服简单局部平均法的弊病,目前已提出许多保边缘、细节的局部平滑算法。 ... 中值滤波是对一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,因此它是一种非线性的图像平滑法。 ... m-1. m. m+1. input. Sort ...

好菇娘发布于2018/06/02 00:00

注脚

1.多 媒 体 信 息 处 理 多 媒 体 信 息 处 理 基 础 图像增强 图像分割 形态学 图像处理 数字图像与视频压缩编码原理 数字音频编码技术及标准 数字图像与视频压缩编码标准 数字媒体文件格式 数字水印 基于内容的多媒体信息检索 理论基础 图像处理 多媒体数据压缩与文件格式 多媒体信息的内容保护与检索 结构框图 图 像 匹配

2.2.1 引言 2.2 图像的灰度变换 2.3 图像平滑 2.4 图像锐化 2.5 图像的同态滤波 2.6 彩色增强 第 2 章 图像增强

3.掌握数字图像增强的基本方法和技术。 掌握数字图像灰度的线性与非线性变换的方法及应用。 熟悉直方图均衡化、直方图规定化的步骤。 掌握图像平滑的基本方法,如邻域平均法、中值滤波法、低通滤波。 掌握图像锐化的基本方法,如梯度运算、 Sobel 算子、拉普拉斯算子、高通滤波。 了解图像的同态滤波。 了解伪彩色增强、假彩色增强的基本方法。 本章学习目标

4.图像增强 : 根据一定的要求将图像中感兴趣的部分加以 处理或突出 有用的图像特征(如边缘、轮廓、对比度等), 抑制 不需要的信息,以改善图像的主观视觉效果或便于后续的图像分析和识别。 图像复原 : 针对图像降质的具体原因,设法 补偿 降质因素,从而使改善后的图像尽可能地逼近原始图像。 改善降质图像(退化图像)的方法 : 2.1 引言

5. ( 1 ) 空间域法 : 是在空间域内直接对图像的像素值进行运算操作。 点运算处理法: 是指直接对图像的各像素点逐一进行灰度变换的处理方法。例如,图像的 灰度变换 、 直方图修正 等都采用点运算处理法。 邻域运算处理法: 是对图像像素的某一邻域进行处理的方法。例如, 图像平滑 、 图像锐化 等都采用邻域运算处理法。 图像增强算法分类

6.图像增强算法分类 ( 2 ) 频率域法 : 在 频率 域上对图像的变换系数进行处理,增强感兴趣的频率分量,然后再进行反变换到空间域,得到增强后的图像。 常用的方法包括 低通滤波 、 高通滤波 以及 同态滤波 等。

7.图像增强算法分类 图像增强 点运算处理 灰度变换 直方图修正 邻域运算处理 图像平滑 图像锐化 彩色增强 假彩色增强 伪彩色增强 真彩色增强 空域法 ( 图像域 ) 频域法 低通滤波 高通滤波 同态滤波 ( 变换域 )

8.

9.9 知识点回顾 RGB 三通道分解

10.10 知识点回顾 像素: 数字图像的最小元素

11.11 147 149 152 148 145 151 150 146 146 150 147 136 149 146 137 114 灰度值: 色彩的深浅程度 知识点回顾 147 114

12.灰度的线性变换 假定原图像 f ( x , y ) 的灰度范围为 [ a , b ] ,变换后图像 g ( x , y ) 的灰度范围扩为 [ c , d ] ,则采用线性变换: 图 2-2 灰度的线性变换 (a) 原图像 (b) 变换后的图像

13. 若图像灰度在[ 0, M f ] 范围内,其中大部分像素的灰度级分布在区间[ a,b ],很小部分的灰度级超出了此区间,为改善增强的效果,可令 灰度的线性变换

14. 为了突出感兴趣的目标或灰度区间,相对抑制那些不感兴趣的灰度区域,可采用分段线性变换,如常用的三段线性变换法。 图 2-4 分段线性变换 灰度的线性变换

15.采用非线性变换函数(例如对数函数、幂指数函数等) 对数变换式 a 、 b 、 c 是调整曲线的位置和形状的参数。 指数变换式 a 、 b 、 c 是调整曲线的位置和形状的参数。 灰度的非线性变换

16.直方图修正 1. 直方图的概念 如果将图像中像素亮度(灰度级)看成是一个随机变量,则其分布情况就反映了 图像的统计特性 。 灰度直方图是灰度级的函数,它表示图像中具有 某种灰度级的像素的个数 ,反映了图像中每种灰度级出现的 概率 。

17.图 2-10 图像的灰度直方图 2. 直方图的概念

18.设图像总像素个数为 n ,共有 L 级灰度, r k 为图像的第 k 级灰度值,并且具有灰度级 r k 的像素数为 n k ,则: 2. 灰度直方图的定义

19.提问:直方图? 1 2 3 4 5 6 4 5 2 1 6 3 1 4 5 7 6 8 6 8 5 7 4 7 1 4 3 6 4 8 3 2 5 7 1 4

20.( 1 )直方图是一幅图像中各像素灰度值出现的频数的 统计 结果,它只反映该图像中 不同灰度值出现的次数 ,而未反映某一灰度值像素所在的位置。 ( 2 )任一幅图像,都能唯一地确定出一幅与它对应的直方图,但不同的图像,可能有相同的直方图。 ( 3 )如果一幅图像由两个不连续的区域组成,并且每个区域的直方图已知,则整幅图像的直方图是这两个区域的直方图之和。 3. 直方图的性质

21.图 2-11 图像与直方图间的多对一关系

22.直方图均衡化 : 将原图像的直方图通过变换函数修正为均匀的直方图, 从而增加像素灰度值的动态范围 , 达到增强图像整体对比度的效果 。 直方图均衡化 后,图像的直方图是平直的,即各灰度级具有相同的出现频数,那么由于灰度级具有均匀的概率分布,图像看起来就更清晰了。 4. 直方图均衡化

23.2.1 引言 雾、霾等恶劣天气 对比度下降 清晰度下降 颜色改变  图片质量下降 是否有消除轻度雾霾的方法

24.0 500 1000 1500 0 50 100 150 200 250 0 200 400 600 800 1000 0 50 100 150 200 250 偏灰偏白,灰度值集中分布 100~255 黑白分明,灰度值均匀分布 0~255

25.25 定量分析 变换函数 s=T ( r ) 在 0≤ r ≤1 中, T ( r ) 是单调递增函数,且 0≤ T ( r )≤1 ; 反变换 r = T -1 ( s ) , T -1 ( s ) 也为单调递增函数, 0≤ s ≤1 。 r 1 r k s s k 1 s=T ( r ) r 1 r k s s k 1

26.26 连续灰度变换函数 假设连续随机变量 r 的概率密度函数为 p ( r ), 且变换函数 s=T ( r ) , 变换后的图像灰度级概率密度函数 上限积分导数 , 变换函数 = 原图像累积积分 原图像累积积分  概率密度均匀化

27.为使变换后的灰度仍保持从黑到白的单一变化顺序,且变换范围与原先一致,以避免整体变亮或变暗。必须规定: ( 1 )在 0≤ r ≤1 中, T ( r ) 是单调递增函数,且 0≤ T ( r )≤1 ; ( 2 )反变换 r = T -1 ( s ) , T -1 ( s ) 也为单调递增函数, 0≤ s ≤1 。 用累计分布函数 (Cumulative Distribution Function, CDF) 作为灰度变换函数 s=T ( r ), 从而将原始图像的关于 灰度 r 的分布直方图 ,转换为关于 灰度 s 的均匀分布 。 累计分布函数

28.28 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 0 1 2 3 4 5 6 7 归一化灰度级 概率 离散灰度变换函数 灰度值 r 的概率密度函数为 p ( r ) 变换函数

29.29 直方图修正步骤 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 0 1 2 3 4 5 6 7 归一化灰度级 概率 归一化灰度级,并求灰度级 r k 的概率密度函数 , 累计积分 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 归一化灰度级 累积积分

30.30 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 s 0 1 2 3 4 5 6 7 8 9 1 0 p s (s) -0.2 0 0.2 0.4 0.6 0.8 1 1.2 0 1 2 3 4 5 6 7 归一化灰度级 概率 按照 近似原则 , s k 转化为标准灰度级 求新图像的各灰度级的像素数目 求新图像中各灰度级的分布概率 2.1 直方图修正步骤

31.31 均衡前直方图 均衡后直方图 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 1 2 3 4 5 6 7 灰度级 直方图 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 1 2 3 4 5 6 7 灰度级 直方图 修正后对比 修正 后灰度值均匀分布

32.直方图均衡化的实现步骤 1. 统计原始图像的直方图: 其中, 是归一化的输入图像灰度级。 2. 计算直方图累积分布曲线 3. 用累积分布函数作变换函数进行图像灰度变换:根据计算得到的累积分布函数,建立输入图像与输出图像灰度级之间的对应关系,即重新定位累计分布函数 (与归一化灰度等级 比较,寻找最接近的一个作为原灰度级 k 变换后的新灰度级)。

33.例题:直方图均衡( 8 个灰度级) 2 1 6 5 3 5 3 4 6 5 2 3 5 6 6 5

34.例题:直方图均衡( 8 个灰度级) 2 1 6 5 3 5 3 4 6 5 2 3 5 6 6 5

35.35 修正后对比 0 500 1000 1500 0 50 100 150 200 250

36.36 修正后对比 — 灰度图

37.37 修正后对比 — 彩色图像

38.37 修正后对比 — 彩色图像

39.2.3 图像平滑

40.Gaussian noise( 随机噪声 ) 160 157 158 161 160 159 160 161 162 160 157 160 162 161 159 158 192 159 117 180 136 149 143 176 150 118 158 161 225 102 193 137 I([20:23],[20:23]) M=0,V=0.01 104 215 83 255 0 155 255 0 39 89 212 147 238 211 0 246 M=0,V=0.4

41.Salt & Pepper Noise( 脉冲噪声 ) 160 157 158 161 160 159 160 161 162 160 157 160 162 161 159 158 160 157 255 0 0 159 255 161 0 0 0 255 162 161 0 158 160 157 158 161 160 255 160 161 162 160 157 160 162 161 159 158 d=0.4 d=0.01

42.2.3 图像平滑 2.3.1 模板操作和卷积运算 模板操作实现了一种邻域运算,即某个像素点的运算结果不仅与本像素灰度有关,而且与其邻域点的值有关。模板操作的数学含义是卷积(或互相关)运算。 常用的模板有:

43.建立一个含有由系数矩阵或权重因子矩阵构成的移动窗口。这些矩阵被认为是算子 (operators) 或内核 (kernels), 且它们的大小一般为奇数个像元 内核在原始图像上移动,而且另一幅输出图像的内核中心灰度值,可以用原始图像中相对应的像元灰度值乘以内核内的对应系数,然后再将所有结果相加而得到 针对原始图像中的每一个像元值进行 2.3.2 图像卷积运算

44.针对原始图像中的每一个像元值,内核在原始图像上移动,输出图像的内核中心灰度值,用原始图像中相对应的像元灰度值乘以内核内的对应系数,然后再将所有结果相加而得到 算子 (operators) 或内核 (kernels) :含有由系数矩阵或权重因子矩阵构成的移动窗口

45.2.3.2 邻域平均法

46. 邻域平均法 是一种局部空间域处理的算法。 基本思想 :用邻域像素灰度的平均值代替每个像素的灰度值。假定有一幅 N × N 像素的图像 f ( x , y ) ,平滑处理后得到一幅图像 g ( x,y ) : 式中, x , y =0 , 1,2,…, N -1 ; S 是以点 ( x , y ) 为中心的邻域的集合 ,但不包括点 ( x , y ) ; M 是集合内坐标点的总数。 2.3.2 邻域平均法

47.邻域平均法 优点:算法简单 ,计算速度快 。 缺点:在降低噪声的同时容易模糊图像边沿和细节处。 改进:采用 阈值法 式中 T 是一个非负阈值,当一些点和它们邻值的差值小于 T 时,保留这些点的像素灰度值。

48.原图(部分)

49.噪声 图(部分)

50.去噪 图(部分)

51.原图(部分) 噪声 图(部分) 去噪 图(部分)

52.(a) 原始图像 (b) 邻域平均后的结果 图 2-20 采用邻域平均法的效果

53.(a) W=3 (b ) W=5 图 2-20 采用邻域平均法的效果

54.(a) Salt&Pepper 噪声图像

55.(a) Salt&Pepper 噪声图像 (b) 邻域平均后的结果

56.原始图像 均值平滑 为克服简单局部平均法的弊病,目前已提出许多保边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参加平均的点数以及邻域各点的权重系数等

57.2.3.4 中值滤波

58.2.3.4 中值滤波

59.59 椒盐噪声 随机分布 概率密度函数 每次只改变一个像素 黑/白 147 149 152 148 145 151 150 146 146 150 147 136 149 146 137 114 147 255 152 148 145 151 0 146 146 150 147 136 149 146 137 114 椒盐噪声

60.60 中值滤波的定义为 其中 median 表示取中值。其输出结果是滑动 窗口内 的像素大小排序后的中值。 数学 定义

61.2.3.3 中值滤波 中值滤波 是对一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,因此它是一种 非线性 的图像平滑法 。 在一定的条件下,中值滤波可以克服线性滤波器所带来的图像细节模糊,而且对滤除脉冲干扰及图像椒盐噪声非常有效;但是,对一些细节多,特别是点、线、尖顶细节较多的图像则不宜采用中值滤波的方法。中值滤波的作用是在保护图像边缘的同时,去除噪声。

62.2.3.3 中值滤波 中值滤波 是对一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,因此它是一种 非线性 的图像平滑法 。 在一定的条件下,中值滤波可以克服线性滤波器所带来的图像细节模糊,而且对滤除脉冲干扰及图像椒盐噪声非常有效;但是,对一些细节多,特别是点、线、尖顶细节较多的图像则不宜采用中值滤波的方法。中值滤波的作用是在保护图像边缘的同时,去除噪声。

63.2.3.3 中值滤波 中值滤波 是对一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,因此它是一种 非线性 的图像平滑法 。 在一定的条件下,中值滤波可以克服线性滤波器所带来的图像细节模糊,而且对滤除脉冲干扰及图像椒盐噪声非常有效;但是,对一些细节多,特别是点、线、尖顶细节较多的图像则不宜采用中值滤波的方法。中值滤波的作用是在保护图像边缘的同时,去除噪声。

64.中值滤波步骤 ( 一维 ) : 6 10 2 5 8 input

65.中值滤波步骤: 选择一个奇数长度的窗口 6 10 2 5 8 input m-1 m m+1

66.中值滤波步骤: 2. 按照从小到大的顺序排列 6 10 2 5 8 m-1 m m+1 input Sort 2 5 10

67.中值滤波步骤: 3. 用排列后中间的数值代替原来窗口中心的数值 6 10 2 5 8 m-1 m m+1 input Sort 2 5 10 Replace 6 10 5 5 8 output

68.Replace 6 6 5 5 8 output input Sort 2 6 10 6 10 2 5 8 m-1 m m+1

69.Replace 6 6 5 5 8 output Sort 6 10 2 5 8 input m-1 m m+1 2 5 8

70.中值滤波 ( 二维 ) 139 141 144 149 147 255 152 148 137 121 140 145 149 154 145 151 0 146 127 104 255 165 172 162 146 150 147 136 113 74 180 199 255 171 149 146 137 114 92 54 204 211 205 193 169 147 129 89 64 47 215 218 219 216 207 176 113 70 47 42 213 216 220 221 221 202 148 63 42 42 214 217 217 218 218 0 184 80 34 35 226 226 226 218 218 210 184 80 38 38 233 232 231 227 220 220 215 159 48 255

71.中值滤波步骤 ( 二维 ) 207 176 113 70 221 202 113 63 218 0 184 80 218 210 184 80 0 63 70 80 113 148 176 184 202 207 176 113 70 221 202 148 63 218 0 184 80 218 210 184 80 148

72.207 176 113 70 221 202 113 63 218 202 184 80 218 210 184 80 0 148 184 184 202 218 218 202 221 207 176 113 70 221 202 148 63 218 0 184 80 218 210 184 80

73.202 169 129 70 216 184 113 70 218 202 148 80 218 212 184 112 207 176 113 70 221 202 148 63 218 0 184 80 218 210 184 80 受椒盐噪声污染的矩阵 中值滤波后的矩阵

74.202 169 129 70 216 184 113 70 218 202 148 80 218 212 184 112 207 176 113 70 221 202 148 63 218 0 184 80 218 210 184 80 受椒盐噪声污染的矩阵 中值滤波后的矩阵

75.受椒盐噪声污染的矩阵 中值滤波后的矩阵

76.原图 滤波后的图

77.回头看中值滤波算法各步骤 1. 选择 奇数 长度的窗口 --- 必须是奇数 2. 将窗口所包含的数字按照 从小到大 的顺序排列 --- “从小到大”还是“从大到小”选个你喜欢的 3. 将排列后的中间值替换算子覆盖的中心值

78.1. 如果窗口变长,会怎么样 回头看中值滤波算法各步骤 6 10 2 5 8 input 6 10 2 5 8 input 6 10 6 5 8 output 6 10 5 5 8 output

79.回头看中值滤波算法各步骤 中值滤波中窗口大小至关重要!

80.中值滤波的依据 :噪声以孤立点的形式出现,这些点对应的像素数很少,而图像则是由像素数较多、面积较大的块构成。中值滤波的目的就是要把这些孤立的点去除掉。 中值滤波方法 :选一个含有 奇数 点的窗口 W ,将这个窗口在图像上移动,把该窗口中所含的像素点按灰度值进行升(或降)序排列, 取位于中间的灰度值,来代替该点的灰度值 。将原图像中所有的像素点都执行上述操作后就得到中值滤波的结果图像。 2.3.3 中值滤波

81.Salt& Pepper noise 中值滤波 邻域滤波

82.思考 1 受 高斯噪声污染的图片适合用中值滤波还是均值滤波?为什么? 含有椒盐噪声的图片适合用中值滤波还是均值滤波?为什么?

83.思考 2 :边缘的灰度值怎么进行均值滤波 170 171 170 155 128 170 171 170 155 128 170 0 170 155 128 170 171 170 155 128 170 171 170 155 128

84.84 改变取值位置 最大值滤波 :取出 最大值 最小值 滤波:取出 最小值 最 值滤波

85.n %=1/9 n %=4/9 n %=9/9 85 滤波结果是序列上某个统计量 (n% 个值 ) 深浅 n% 统计 排序滤波

86.2.4 图像锐化

87.2.4 图像锐化

88.突出边缘和轮廓、线性目标或某些亮度变化率大的部分,可以采用锐化的方法。锐化使图像上边缘与线性目标的反差提高,因此也称为边缘增强 平滑 —— 使图像边缘模糊 锐化 —— 使图像边缘突出、清晰 图像锐化

89.图像锐化概述 图像变模糊原因: 成像系统聚焦不好或者信道过窄 平均或积分运算 使目标物轮廓变模糊,细节轮廓不清楚 目的:加重目标物轮廓,使图像变清楚 方法: 空域微(差)分法 — 模糊图像的实质是受到平均或积分运算,故对其进行逆运算(微分) 频域高通滤波法 – 模糊图像的实质是高频分量被减弱

90.5 10 15 20 25 0 1 2 3 4 5 6 7 灰度值 一阶微分 : 基本定义 ---- 差值 知识点回顾 90 5 10 15 20 -10 -5 0 5 10 灰度值 5 5 4 3 2 1 0 0 0 6 0 0 0 0 1 3 1 0 0 0 0 7 7 7 7 0 -1 -1 -1 -1 -1 0 0 6 -6 0 0 0 1 2 -2 -1 0 0 0 7 0 0 0 图像条带灰度值 一阶微分 渐变 点 线 突变 渐变 线 突变 点

91.水平方向的一阶锐化 水平方向的锐化非常简单,通过一个可以检测出水平方向上的像素值的变化模板来实现。

92.1 2 3 2 1 2 1 2 6 2 3 0 8 7 6 1 2 7 8 6 2 3 2 6 9 0 0 0 0 0 0 -3 -13 -20 0 0 -6 -13 -13 0 0 1 12 5 0 0 0 0 0 0 1*1+2*2+1*3-1*3-2*0-1*8=-3 问题:计算结果中出现了小于零的像素值

93.垂直一阶锐化 垂直锐化算法的设计思想与水平锐化算法相同,通过一个可以检测出垂直方向上的像素值的变化模板来实现。

94.1 2 3 2 1 2 1 2 6 2 3 0 8 7 6 1 2 7 8 6 2 3 2 6 9 0 0 0 0 0 0 -7 -17 4 0 0 -16 -25 5 0 0 -17 -22 -3 0 0 0 0 0 0 1*1+2*2+1*3-1*3-2*2-1*8=-7 问题:计算结果中出现了小于零的像素值

95.单方向锐化的后处理 方法 1 : 整体加一个正整数 ,以保证所有的像素值均为正。 这样做的结果是:可以获得 类似浮雕 的效果。 20 20 2 0 20 20 20 17 7 0 20 20 14 7 7 20 20 21 32 25 20 20 2 0 20 2 0 20 0 0 0 0 0 0 -3 -13 -20 0 0 -6 -13 -13 0 0 1 12 5 0 0 0 0 0 0

96.单方向锐化的后处理 方法 2 :将所有的像素值 取绝对值 。 这样做的结果是,可以获得对 边缘 的有方向提取。 0 0 0 0 0 0 3 13 20 0 0 6 13 13 0 0 1 12 5 0 0 0 0 0 0 0 0 0 0 0 0 -3 -13 -20 0 0 -6 -13 -13 0 0 1 12 5 0 0 0 0 0 0

97.梯度定义:对于 图像 f ( x,y ), 它在点 ( x,y ) 处的梯度是一个二维列向量,定义为 方向: 97 ( x,y ) (x,y+1) (x+1,y) 幅度: 知识点回顾

98.梯度算子:对于 图像 f ( x,y ), 离散 梯度可以表示为 -1 1 0 0 -1 0 1 0 梯度算子 98 知识点回顾

99.-1 1 0 0 -1 0 1 0 卷积运算 99 0 1 1 1 1 1 0 0 1 1 1 1 0 0 0 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 梯度 算子使 边缘 增宽

100.卷积运算 — 含噪声 100 0 1 0 1 1 1 1 0 1 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 2 1 1 1 0 0 1 1 1 0 0 1 2 0 2 1 0 0 0 1 1 1 0 0 0 0 0 1 梯度 算子会放大噪声

101.椒盐噪声 无噪声 目标图像 梯度算子 锐化效果 101

102.中心点对称性质,采用 3×3 像素窗口 -1 0 1 -1 0 1 -1 0 1 -1 -1 -1 0 0 0 1 1 1 Prewitt 算子 102    

103.卷积运算 103 0 1 1 1 1 1 0 0 1 1 1 1 0 0 0 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 -1 0 1 -1 0 1 -1 0 1 -1 -1 -1 0 0 0 1 1 1 4 4 2 0 0 0 2 4 4 2 0 0 0 2 4 4 2 0 0 0 2 4 4 2 0 0 0 2 4 4 0 0 0 0 2 4 Prewitt 算子使 边缘 增宽

104.Prewitt 算子 — 含噪声 104 0 1 0 1 1 1 1 0 1 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 0 0 0 1 0 1 0 0 0 0 0 0 -1 -1 -1 0 0 0 1 1 1 -1 0 1 -1 0 1 -1 0 1 3 1 2 1 1 2 2 1 3 1 0 1 1 1 2 2 1 2 1 0 1 4 4 2 2 1 2 2 3 2 0 0 0 1 2 3       Prewitt 算子会放大噪声 有效的阈值可以降低噪声影响

105.锐化效果 椒盐噪声 无噪声 梯度 算子 105 Prewitt 算子

106.-1 0 1 -1 0 1 -1 0 1 -1 0 1 索贝尔算子 106 1 1 1 垂直 方向 Prewitt 算子缺点的根源 -1 0 1 1 2 1 -1 0 1 -2 0 2 -1 0 1

107.107 -1 0 1 -2 0 2 -1 0 1 -1 -2 -1 0 0 0 1 2 1 Sobel 算子定义 采用 3×3 像素窗口

108. Sobel 算子 — 含噪声 108 0 1 0 1 1 1 1 0 1 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 0 0 0 1 0 1 0 0 0 0 0 0 -1 -1 -1 0 0 0 1 1 1 -1 0 1 -1 0 1 -1 0 1 4 2 2 2 2 2 2 2 4 0 0 2 2 0 4 4 2 2 2 0 2 6 6 2 2 2 2 2 4 4 0 0 0 2 2 4 Sobel 算子可以抑制噪声    

109.  锐化效果 -- 矩阵对比 109 0 1 0 1 1 1 1 0 1 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 0 0 0 1 0 1 0 0 0 0 0 0 4 2 2 2 2 2 2 2 4 0 0 2 2 0 4 4 2 2 2 0 2 6 6 2 2 2 2 2 4 4 0 0 0 2 2 4 Sobel 算子可以抑制噪声 3 1 2 1 1 2 2 1 3 1 0 1 1 1 2 2 1 2 1 0 1 4 4 2 2 1 2 2 3 2 0 0 0 1 2 3 Prewitt 算子 Sobel 算子

110.由梯度的计算可知 : 在灰度变化 平缓 的区域其 梯度值较小 , 图像中灰度变化较大的 边缘 区域其 梯度值大 , 而在灰度 均匀 区域其 梯度值为零 。    注意: 以上两种梯度近似算法在图像的最后一行和最后一列的各像素的梯度无法求得,一般就用前一行和前一列的梯度值近似代替。 小结

user picture
  • 好菇娘
  • Apparently, this user prefers to keep an air of mystery about them.

相关Slides