数字图像处理.ppt
《数字图像处理.ppt》由会员分享,可在线阅读,更多相关《数字图像处理.ppt(78页珍藏版)》请在三一文库上搜索。
1、数字图像处理,第七章 邻域运算,CH7 邻域运算,一、引言 二、平滑 三、中值滤波 四、边缘检测 五、细化 上机实习,1 引言,1)邻域运算 定义 输出图像中每个像素是由对应的输入像素及其一个邻域内的像素共同决定时的图像运算。 通常邻域是远比图像尺寸小的一规则形状。如下面情况中,一个点的邻域定义为以该点为中心的一个圆内部或边界上点的集合。,邻域运算与点运算一起构成最基本、最重要的图像处理方法。,点+的邻域,点+的邻域,1 引言,1 引言,举例 进一步的表达,$进一步阅读:Gonzalez, p91.,1 引言,2)相关与卷积 信号与系统分析中基本运算相关与卷积,在实际图像处理中都表现为邻域运算
2、。 两个连续函数f(x)和g(x)的相关记作: 两个连续函数f(x)和g(x)的卷积定义为:,1 引言,3)模板(template,filter mask)的相关与卷积运算 给定图像f(x,y)大小N*N,模板T(i,j)大小m*m(m为奇数)。 常用的相关运算定义为:使模板中心T(m-1)/2,(m-1)/2) 与f(x,y)对应。,演 示,1 引言,相关运算,1 引言,卷积运算定义为:,1 引言,4)相关与卷积的物理含义 相关运算是将模板当权重矩阵作加权平均; 而卷积先沿纵轴翻转,再沿横轴翻转后再加权平均。 如果模板是对称的,那么相关与卷积运算结果完全相同。 邻域运算实际上就是卷积和相关运
3、算,用信号分析的观点就是滤波。,2 平滑,图像平滑的目的 是消除或尽量减少噪声的影响,改善图像的质量。 假设 在假定加性噪声是随机独立分布的条件下,利用邻域的平均或加权平均可以有效的抑制噪声干扰。 从信号分析的观点 图像平滑本质上低通滤波。将信号的低频部分通过,而阻截高频的噪声信号。 问题 往往图像边缘也处于高频部分。,2 平滑,1)邻域平均(矩形邻域和圆形邻域) 注意:大卷积模板可以加大滤波程度,但也会导致图像细节的损失。,2 平滑,有高斯噪声的朱家角风光,无噪声朱家角风光,2 平滑,通过T3邻域平均后的朱家角风光,通过T5邻域平均后的朱家角风光,2 平滑,2)高斯滤波(Gaussian F
4、ilters) 采用高斯函数作为加权函数。 原因一:二维高斯函数具有旋转对称性,保证滤波时各方向平滑程度相同; 原因二:离中心点越远权值越小。确保边缘细节不被模糊。,2 平滑,设计离散高斯滤波器的方法: 设定2和n,确定高斯模板权值。如2 =2和n=5:,2 平滑,整数化和归一化后得:,2 平滑,经过高斯滤波后的朱家角风光,通过T5邻域平均后的朱家角风光,3 中值滤波,1)什么是中值滤波 与加权平均方式的平滑滤波不同,中值滤波用一个含有奇数点的滑动窗口,将邻域中的像素按灰度级排序,取其中间值为输出像素。 2)中值滤波的要素 中值滤波的效果取决于两个要素:邻域的空间范围和中值计算中涉及的像素数。
5、(当空间范围较大时,一般只用某个稀疏矩阵做计算)。 3)中值滤波的优点 中值滤波能够在抑制随机噪声的同时不使边缘模糊。但对于线、尖顶等细节多的图像不宜采用中值滤波。,3 中值滤波,例,有椒盐噪声的朱家角风光,用3*3的滤波窗口对上图做二维中值滤波,4 边缘检测,1)什么是边缘检测 边缘是指图像中灰度发生急剧变化的区域。图像灰度的变化可以用图像的梯度反映。 边缘检测:求连续图像f(x,y)梯度的局部最大值和方向。,$进一步阅读:Gonzalez, p463.,4 边缘检测,4 边缘检测,梯度最大值及其方向,4 边缘检测,最简单的梯度近似计算为:,4 边缘检测,2)梯度算子 在离散情况下常用梯度算
6、子来检测边缘,给定图像f(m,n)在两个正交方向H1和H2上的梯度1(m,n)和2(m,n)如下: 则边缘的强度和方向由下式给出:,4 边缘检测,3)常用边缘检测算子 Roberts算子: 其卷积模板分别是: Roberts算子特点是边缘定位准,对噪声敏感。,4 边缘检测,Prewitt算子:采用3x3模板。 Prewitt算子:平均、微分对噪声有抑制作用。,4 边缘检测,Sobel算子:与Prewitt算子类似,采用了加权。 Isotropic Sobel算子: Sobel算子在实际中最常用。 Sobel Roberts Gradient Prewitt,4 边缘检测,4 边缘检测,Lenn
7、a的Sobel边界,思考一下:产生出这幅图还需要什么中间步骤?,4 边缘检测,Lenna的Prewitt边界,4 边缘检测,Lenna的Roberts边界,4 边缘检测,4)边缘检测算法的基本步骤 (1)滤波。边缘检测主要基于导数计算,但受噪声影响。但滤波器在降低噪声的同时也导致边缘强度的损失。 (2)增强。增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。 (3)检测。但在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。 (4)定位。精确确定边缘的位置。,4 边缘检测,4 边缘检测,5)二阶算子(拉普拉斯算子),直方图法,梯度阈值法,二阶过零点法
8、,4 边缘检测,一阶导数的局部最大值对应着二阶导数的零交叉点(Zero crossing)。这样通过求图像的二阶导数的零交叉点就能找到精确边缘点。 在二维空间,对应二阶导数算子有拉普拉斯算子。,4 边缘检测,是不依赖边缘方向的二阶微分算子,是一个标量而不是一个向量,具有旋转不变性即各向同性的性质。,4 边缘检测,用卷积模板表示为:,注意:与梯度算子的不同, 只需要一个卷积模板,4 边缘检测,例:在下列图像中,判断一阶差分梯度算子和Laplacian算子的区别。图中处表示1,其他为0。 其中一阶差分梯度算子采用,4 边缘检测,4 边缘检测,A图中对孤立的点,输出的是一个扩大略带模糊的点和线。 B
9、图和C图中对线的端点和线,输出的是加粗了的端点和线。 D中对阶跃线,输出的只有一条线。 对梯度运算,梯度算子的灰度保持不变。而对拉氏算子,孤立点增加4倍,端点增加3倍,线增加2倍,界线不变。 拉氏算子在实际应用中对噪声敏感。因此在实际中通常不直接使用。(请思考二阶导数的定义?),4 边缘检测,6)过零点检测:Marr算子(LoG算法) (1)基本原理 A) 对有噪声信号,先滤波 B) 再对g(x)求一阶或二阶导数以检测边缘点,4 边缘检测,因此下面两步骤在数学上是等价的: 求图像与滤波器的卷积,再求卷积的拉氏变换。 求滤波器的拉氏变换,再求与图像的卷积。 C) 滤波器h(x)应满足以下条件,4
10、 边缘检测,4 边缘检测,(2)Marr边缘检测算法 step1:平滑滤波器采用高斯滤波器; step2:边缘增强用二阶导数(二维拉普拉斯函数); step3:边缘检测判据是二阶导数零交叉点; step4:采用线性插值的方法估计边缘的位置。 因为采用Laplacian算子,故有LoG(Laplacian of Gaussian)滤波器。,4 边缘检测,离散拉普拉斯高斯模板(5*5,delta=2),4 边缘检测,(3)为符合人类视觉生理,用DoG逼近,Difference of Gaussian,4 边缘检测,(4)Marr过零点检测的优缺点 过零点(Zero-crossing)的检测所依赖的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数字图像 处理
![提示](https://www.31doc.com/images/bang_tan.gif)
链接地址:https://www.31doc.com/p-3182805.html