【视觉入门】 |
您所在的位置:网站首页 › cost*cost卷积的图像 › 【视觉入门】 |
目录
空域图像增强邻域运算(或模板操作)滤波实现方法——模板卷积
空间平滑滤波——不影响低频分量均值滤波器高斯滤波器中值滤波器——非线性滤波其他滤波器(统计排序、中点、边缘保持)
空间锐化滤波基于一阶微分的图像增强——梯度法基于二阶微分的图像增强——拉普拉斯算子结论
边缘检测器
二值图像分析及形态学图像处理灰度图像的二值化处理二值图像的几何特性二值图像的编码二值图像算法形态学图像处理
空域图像增强邻域运算(或模板操作)
利用像素本身以及其邻域像素的灰度关系进行增强的方法。常称为空间滤波。 滤波技术分类: 线性非线性平滑线性平滑非线性平滑锐化线性锐化非线性锐化平滑滤波: 特点:削弱或消除图像中的高频分量,但不影响低频分量。作用: 消除噪声使图像变得柔和提取大目标之前去除太小的细节将目标内小间断连接起来锐化滤波: 特点:削弱或消除图像中的低频分量,但不影响高频分量 。作用:增强被模糊的细节或目标的边缘 滤波实现方法——模板卷积实现步骤: 建立一个尺寸为n×n(n一般为奇数)模板(卷积核)将模板在图中从左向右、从上到下逐点移动,并使模板中心与图像中某个像素位置重合;将模板上的各个系数与模板下各对应像素的灰度相乘;将所有乘积相加;将和赋给图像中对应模板中心位置的像素。
常见图像噪声类型: 椒盐噪声:含有随机出现的黑白亮度值的噪声。脉冲噪声:含有随机的白强度值(正脉冲)或黑强度值(负脉冲)的噪声。高斯噪声:含有亮度服从高斯或正态分布的噪声。高斯噪声是许多传感器噪声的很好模型(如摄像机的电子干扰噪声)。 均值滤波器简单平均模板、加权平均模板: 均值滤波器去除了图像中的高频成分和图像中的锐化细节,消除噪声的同时,也会使图像中的边界信息变得模糊。在使用时,一定要选择恰当的移动窗口和权值。 空间均值滤波的重要应用之一:为了对感兴趣物体得到一个粗略的描述而模糊一幅图像,使较小物体与背景混合在一起: 高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对去除服从正态分布的噪声很有效。 中值滤波器的基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节。 ![]() ![]() 作用: 使图像变得细节明晰,突出图像的边缘细节及轮廓。便于对图像进行边缘检测(可以使用空间微分来完成) 基于一阶微分的图像增强——梯度法梯度是函数变化的一种度量。 记函数f(x,y)在其坐标(x,y)上 梯度定义为: 梯度向量的方向:在(x,y)处f的最大变化率的方向 梯度向量的大小(幅值): 对于数字图像,由差分代替微分,梯度近似表达式: Roberts交叉算子、Prewitt算子、Sobel算子的模板比较: 二维图像的拉普拉斯变换: 滤波器的响应与滤波器作用的图像突变方向无关。各向同性滤波器具有旋转不变性 二维拉普拉斯算子模板(卷积核): LoG边缘检测器: 高斯型函数:![]() ![]() Canny检测器: Canny边缘检测器是高斯函数的一阶导数。 用高斯滤波器平滑图像: 用2×2一阶有限差分近似式来计算梯度的幅值和方向 对梯度幅值沿灰度梯度方向进行非极大值抑制 用双阈值算法检测和连接边缘 ** 阈值(Threshold)的概念**: 阈值(T),即门限值: 图像二值化处理的关键在于阈值的选取,不同阈值得到不同的二值化结果。 通常利用灰度直方图选择阈值 ![]() ![]() 惯性矩: ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() 形态学(Morphology)是研究动物和植物的形态和结构的学科。这里使用同一词语表示数学形态学(Mathematical Morphology )的内容,是将数学形态学作为工具,从图像中提取对于表达和描述区域形状有用的图像分量。 膨胀 : 图像集合A用结构元素B来膨胀,其定义为: 关操作 :用同一结构元对图像进行膨胀后再腐蚀的操作(可填满图像中比结构元小的空洞和凹状区) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |