目錄

第二章：數(shù)字圖像處理的基本概念

2.3 圖像數(shù)字化

2.4 圖像灰度直方圖

2.5圖像處理算法的形式

第三章 圖像變換

第四章 圖像增強(qiáng)

4.1圖像增強(qiáng)的點(diǎn)運(yùn)算

4.2空間域平滑

4.3圖像空間域銳化

4.4圖像頻率域增強(qiáng)

第五章 圖像復(fù)原和重建

第七章 圖像分割

7.2邊緣檢測(cè)算子

7.4Hough變換

7.5區(qū)域分割法

7.6區(qū)域增長(zhǎng)

第八章 二值圖像處理與形狀分析

8.3形狀特征提取與分析

第九章 影像紋理分析

9.5灰度共生矩陣

---

（知識(shí)點(diǎn)來源：課本《數(shù)字圖像處理》（賈永紅），總結(jié)的內(nèi)容是我們學(xué)校老師劃的期末范圍，主要目的是掌握基本概念）

第二章：數(shù)字圖像處理的基本概念

2.3 圖像數(shù)字化

數(shù)字化是將一幅畫面轉(zhuǎn)化成計(jì)算機(jī)能處理的數(shù)字圖像的過程。

包括：采樣和量化。

2.3.1、2.3.2采樣與量化

1.采樣：將空間上連續(xù)的圖像變換成離散點(diǎn)。（采樣間隔、采樣孔徑）

2.量化：采樣后的圖像被分割成空間上離散的像素，但是灰度是連續(xù)的，量化就是將像素灰度轉(zhuǎn)換成離散的整數(shù)值。

一幅數(shù)字圖像中不同灰度值的個(gè)數(shù)稱為灰度級(jí)。二值圖像是灰度級(jí)只有兩級(jí)的。（通常是0和1）

存儲(chǔ)一幅大小為M×N、灰度級(jí)數(shù)為G的圖像所需的存儲(chǔ)空間：

?（bit）

2.3.3像素?cái)?shù)、量化參數(shù)與數(shù)字化所得到的數(shù)字圖像間的關(guān)系

1.一般來說，采樣間隔越大，所得圖像像素?cái)?shù)越少，空間分辨率低，質(zhì)量差，嚴(yán)重時(shí)會(huì)出現(xiàn)國(guó)際棋盤效應(yīng)。

采樣間隔越小，所的圖像像素?cái)?shù)越多，空間分辨率高，圖像質(zhì)量好，但是數(shù)據(jù)量大。

2.量化等級(jí)越多，圖像層次越豐富，灰度分辨率高，圖像質(zhì)量好，但數(shù)據(jù)量大。

量化等級(jí)越少，圖像層次欠豐富，灰度分辨率低，會(huì)出現(xiàn)假輪廓，質(zhì)量變差，但數(shù)據(jù)量小。

2.4 圖像灰度直方圖

2.4.1定義

灰度直方圖是反映一幅圖像中各灰度級(jí)像素出現(xiàn)的頻率，反映灰度分布情況。

2.4.2性質(zhì)

（1）只能反映灰度分布，丟失像素位置信息

（2）一幅圖像對(duì)應(yīng)唯一灰度直方圖，反之不一定。

（3）一幅圖像分成多個(gè)區(qū)域，多個(gè)區(qū)域的直方圖之和是原圖像的直方圖。

2.4.3應(yīng)用

（1）判斷圖像量化是否恰當(dāng)

（2）確定圖像二值化的閾值

?

（3） 物體部分灰度值比其他部分灰度值大的時(shí)候可以統(tǒng)計(jì)圖像中物體面積。

（4）計(jì)算圖像信息量（熵）

2.5圖像處理算法的形式

2.5.1基本功能形式

（1）單幅->單幅

（2）多幅->單幅

（3）多幅/單幅->數(shù)字或符號(hào)

2.5.2圖像處理的幾種具體算法形式

（1）局部處理（鄰域，如4-鄰域，8-鄰域）（移動(dòng)平均平滑法、空間域銳化等）

（2）迭代處理

反復(fù)對(duì)圖像進(jìn)行某種運(yùn)算直到滿足給定條件。

（3）跟蹤處理

選擇滿足適當(dāng)條件的像素作為起始像素，檢查輸入圖像和已得到的輸出結(jié)果，求出下一步應(yīng)該處理的像素。

特點(diǎn)：依賴起始像素位置，避免徒勞處理，可能會(huì)提高精度，用于邊界線等高線的跟蹤。

（4）位置不變處理/位置可變處理

輸出像素的值的計(jì)算方法與像素位置無關(guān)-位置不變處理。

（5）窗口處理/模板處理

只對(duì)特定部分進(jìn)行處理。（矩形->窗口，任意形狀->模板）

（6）串行處理和并行處理

串行處理：后一像素輸出結(jié)果依賴于前面像素處理的結(jié)果，并且只能依次處理各像素。

并行處理：對(duì)各像素同時(shí)進(jìn)行相同形式運(yùn)算。

第三章 圖像變換

目的：使圖像處理問題簡(jiǎn)化，有利于特征提取。

線性位移不變系統(tǒng)：

傅里葉變換是全局變換。

第四章 圖像增強(qiáng)

目的：改善圖像清晰度，將圖像轉(zhuǎn)換成一種更適合人或者機(jī)器進(jìn)行分析處理的形式。

抑制沒有用的信息，提高圖像使用價(jià)值。

4.1圖像增強(qiáng)的點(diǎn)運(yùn)算

（這一節(jié)在上一篇博客里寫過了，這里不再重復(fù)。）

4.2空間域平滑

噪聲會(huì)使圖像退化、質(zhì)量下降、圖像模糊、特征淹沒。

為了抑制噪聲改善圖像質(zhì)量所進(jìn)行的處理稱為平滑或去噪，可以在空間域和頻率域中進(jìn)行。

（1）局部平滑法（鄰域平滑法/移動(dòng)平均法）

用像素鄰域內(nèi)各像素的灰度平均值代替該像素原來的灰度值，實(shí)現(xiàn)圖像的平滑。

常用的鄰域有4-鄰域、8-鄰域。

clc;clear all; img = imread('412.jpg'); subplot(131),imshow(img),title('原圖'); %添加均值為0，方差為0.02的高斯噪聲。 I = imnoise(img,'gaussian',0,0.02); subplot(132),imshow(I),title('加噪聲'); for i=1:3 J(:,:,i)=filter2(fspecial('average',3),I(:,:,i))/255; end subplot(133),imshow(J),title('均值平滑后的圖像');

主要缺點(diǎn)：降低噪聲的同時(shí)使圖像產(chǎn)生模糊，特別是邊緣和細(xì)節(jié)處。

為了克服簡(jiǎn)單局部平滑法的弊端，有許多保邊緣細(xì)節(jié)的局部平滑算法。

（2）超限像素平滑法

原理：將f(x,y)和g(x,y)之差的絕對(duì)值與選定的閾值進(jìn)行比較，根據(jù)比較結(jié)果確定最后的灰度。

%超限像素平滑法 clc;clear all; img = imread('412.jpg'); I=rgb2gray(img);%灰度化 subplot(221),imshow(I); [m,n]=size(I); l=3; L=ones(1);%1x1模板 S=ones(m-l+1,n-l+1); for i=1:m-l+1for j=1:n-l+1S(i,j)=1/(l*l)*sum(sum(I(i:i+l-1,j:j+l-1)));%求平均end end subplot(222),imshow(S,[]); P=imnoise(I,'salt & pepper',0.05);%椒鹽噪聲 subplot(223),imshow(P); T=30;%設(shè)置閾值 A=P; for i=1:m-2for j=1:n-2if(abs(P(i,j)-S(i,j))>T)A(i,j)=P(i,j);elseA(i,j)=S(i,j);endend end subplot(224),imshow(A)

隨著鄰域增大，去噪能力增強(qiáng)，但是模糊程度也大。

（3）灰度最相近的K個(gè)鄰點(diǎn)平均法

原理：在n×n的窗口內(nèi)屬于同一幾何體的像素，她們灰度值將高度相關(guān)。窗口中心像素的灰度值可以用窗口內(nèi)與中心點(diǎn)灰度最接近的K哥鄰點(diǎn)的平均灰度來代替。

（4）梯度倒數(shù)加權(quán)平滑法

圖像在一個(gè)區(qū)域內(nèi)灰度變化比區(qū)域之間的變化小，在邊緣的梯度絕對(duì)值比區(qū)域內(nèi)部梯度絕對(duì)值高。

在nxn窗口內(nèi)把中心像素點(diǎn)與各個(gè)鄰點(diǎn)之間剃度絕對(duì)值的倒數(shù)定義為各個(gè)鄰點(diǎn)的加權(quán)值，則在區(qū)域內(nèi)部的鄰點(diǎn)加權(quán)值大，邊緣、區(qū)域外的加權(quán)值小。這樣對(duì)加權(quán)后的nxn鄰域進(jìn)行局部平均可以使得圖像得到平滑又不至于邊緣細(xì)節(jié)模糊。

（5）最大均勻性平滑

找出環(huán)繞圖中每個(gè)像素的最均勻區(qū)域（灰度變化最小的鄰域），用這個(gè)區(qū)域的灰度值代替這個(gè)像素原來的灰度值。

優(yōu)點(diǎn)：消除噪聲的同時(shí)保持邊緣的清晰度。

缺點(diǎn)：復(fù)雜形狀的邊界會(huì)過分平滑并且細(xì)節(jié)消失。

（6）有選擇保邊緣平滑法

最大均勻性平滑的改進(jìn)。

（7）空間低通濾波法

（8）多幅圖像平均法

利用對(duì)同一景物的多幅圖像加權(quán)平均來消除噪聲。

（9）中值濾波（非線性的圖像平滑法）

對(duì)一個(gè)滑動(dòng)窗口內(nèi)的各個(gè)像素灰度值排序，用中值代替窗口中心像素的原灰度值。

對(duì)脈沖干擾及椒鹽噪聲的抑制效果好，但是對(duì)點(diǎn)線等細(xì)節(jié)較多的圖像不合適。

特性：

對(duì)離散階躍信號(hào)、斜升信號(hào)不產(chǎn)生影響，連續(xù)個(gè)數(shù)小于窗口長(zhǎng)度一半的離散脈沖將被平滑，三角函數(shù)的頂部平坦化。濾波后信號(hào)頻譜基本不變。

比超限像素平滑法更有效抑制椒鹽噪聲。

4.3圖像空間域銳化

增強(qiáng)邊緣/輪廓。

4.3.1梯度銳化法

對(duì)于一幅圖像突出的邊緣區(qū)，梯度值較大，平滑區(qū)梯度值較小。灰度級(jí)為常數(shù)的區(qū)域，梯度為0。

其他算子：Roberts算子、Sobel算子、Prewitt算子、Laplace算子（線性二階微分算子）等。

4.4圖像頻率域增強(qiáng)

包括：消除噪聲、突出邊緣。

4.4.1頻率域平滑

噪聲主要集中在高頻，所以利用低通濾波器來抑制高頻部分。

常用的頻率域低通濾波器：

（1）理想低通濾波器

（2）巴特沃斯低通

（3）指數(shù)低通

（4）梯形低通

4.4.2頻率域銳化

邊緣細(xì)節(jié)在高頻，圖像模糊是由于高頻成分太弱，所以用高通濾波器使得低頻成分削弱。

常用的高通濾波器：

（1）理想高通

（2）巴特沃斯

（3）指數(shù)

（4）梯形

第五章 圖像復(fù)原和重建

一般過程：分析退化原因->建立退化模型->反向推演->恢復(fù)圖像

圖像復(fù)原和圖像增強(qiáng)的區(qū)別：

二者的目的都是為了改善圖像質(zhì)量，但是圖像增強(qiáng)不考慮圖像是怎么退化的，只是通過試探各種技術(shù)來增強(qiáng)圖像的視覺效果。圖像增強(qiáng)可以不顧增強(qiáng)后的圖像是否失真。圖像復(fù)原必須要知道圖像退化的機(jī)制和過程的先驗(yàn)知識(shí)，找出一種相應(yīng)的逆過程方法，從而得到復(fù)原的圖像。如果圖像退化，需要先復(fù)原，再增強(qiáng)。

第七章 圖像分割

圖像分析：

（1）把圖像分割成不同區(qū)域/把不同對(duì)象分開。

（2）找出分開的各區(qū)域的特征。

（3）識(shí)別圖像中要找的對(duì)象/圖像分類。

（4）對(duì)不同區(qū)域進(jìn)行描述/尋找不同區(qū)域的相互聯(lián)系，進(jìn)而找出相似結(jié)構(gòu)/相關(guān)區(qū)域連成一個(gè)有意義的結(jié)構(gòu)。

（2）是指各個(gè)子區(qū)域不重疊。

（3）是指同一個(gè)區(qū)域的像素應(yīng)該有某些相同的特征。

（4）是指不同區(qū)域的像素應(yīng)該有一些不同的特征。

分割方法：

（1）基于邊緣提取的分割法-先提取區(qū)域邊界

（2）區(qū)域分割

（3）區(qū)域增長(zhǎng)

（4）分裂-合并（2,3的組合）

7.2邊緣檢測(cè)算子

（和圖像銳化差不多，這里不寫出來了。）

7.3邊緣跟蹤（將檢測(cè)的邊緣點(diǎn)連接成線）

有：光柵掃描跟蹤\全向跟蹤法。

7.4Hough變換

7.5區(qū)域分割法

7.5.1最簡(jiǎn)單圖像的區(qū)域分割法

（1）P參數(shù)法（目標(biāo)所占圖像面積已知）

（2）狀態(tài)法（灰度直方圖雙峰/有明顯的谷）

（3）判斷分析法（不能反映圖像幾何結(jié)構(gòu)）

（4）最佳熵自動(dòng)閾值法

（5）最小誤差分割（感興趣目標(biāo)灰度級(jí)服從正態(tài)分布）

（6）局部閾值法

7.6區(qū)域增長(zhǎng)

區(qū)域增長(zhǎng)/擴(kuò)張法有：單一性、質(zhì)心型、混合型。

第八章 二值圖像處理與形狀分析

8.1.3連接成分

0像素和1像素要采用互反的連接形式。

孔：0像素的連接成分中如果存在和圖像外圍的1列/行的0像素不相連接的成分稱為孔。

不含孔的1像素連接成分叫單連接，否則是多連接成分。

8.1.4歐拉數(shù)

歐拉數(shù)/示性數(shù)：二值圖像中，1像素連接成分?jǐn)?shù)C減去孔數(shù)H的值。

E=C-H

8.3形狀特征提取與分析

分為：區(qū)域內(nèi)部形狀特征提取、區(qū)域外部形狀特征提取

第九章 影像紋理分析

9.5灰度共生矩陣

在圖像中任意一點(diǎn)（x,y）及偏離它的一點(diǎn)(x+a,y+b)(其中a，b為整數(shù)，認(rèn)為定義)構(gòu)成點(diǎn)對(duì)。設(shè)該點(diǎn)對(duì)的灰度值為(f1,f2),假設(shè)圖像的最大灰度級(jí)為L(zhǎng),則f1與f2的組合共有L*L種。對(duì)于整福圖像，統(tǒng)計(jì)每一種(f1,f2)值出現(xiàn)的次數(shù)，然后排列成一個(gè)方陣，再用(f1,f2)出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(f1,f2)，由此產(chǎn)生的矩陣為灰度共生矩陣。
摘錄自：「sunny_develop」我覺得他寫的很好，可以參考這個(gè)。

鏈接：https://blog.csdn.net/guanyuqiu/article/details/53117507

?

總結(jié)

以上是生活随笔為你收集整理的数字图像处理-知识点总结的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。