Apr 25th 数字图像处理连载（12）

标签（空格分隔）： 数字图像处理 数字图像处理（冈萨雷斯）

---

3.5.2 统计排序非线性滤波器

基于统计排序的滤波器是一种典型的非线性空间滤波器。这种滤波器本质上是依靠对滤波器包围的图像区域中的包含的像素进行排序，然后使用排序结果作为最后的值来替代中心元素值。一般来说使用最多的就是中值滤波器，这种滤波器其实就是使用像素邻域内的灰度中值（包括原像素）来进行替换。这种方法对于一定程度的随机噪声提供了一些去噪声能力。这种方法同时对于图像整体的模糊程度也不高。这种滤波器对处理脉冲噪声更加有效，也就是椒盐噪声，这种噪声往往以黑白点的形式叠加在图像上。
在图像处理中，中值滤波器不是唯一一种统计排序滤波器。中值一般象征着一系列像素值排序后第50%个值，但是我们根据统计学的知识可以知道，排序也适用不同的情况。

3.6 锐化空间滤波器

锐化操作的主要目的是突出灰度的过度部分。图像锐化对用途很多。我们的图像模糊操作可以通过子啊空间域进行像素邻域平均化进行实现，因为均值处理本身上和积分是类似的。这样子思考的话，我们进行锐化操作可以说是采用空间微分来进行实现。实际上我们是使用数字微分来定义实现锐化算子。基本上来说，微分算子的响应强度和图像在使用算子操作这一点对突变程度成正比，这样子的话图像微分可以增强边缘和其他噪声突变，削弱灰度变化缓慢的部分。

3.6.1 基础

一般来说，我们最感兴趣的部分，是恒定灰度区域中，突变起点和终点（台阶和斜坡突变）以及灰度斜坡处的微分性质。这些突变可以用来我们对于图像之中的噪声点、线、边缘建立模型。这些图像特征过渡部分的性质也很重要。
一般来说，我们对于数字函数的微分定义有很多种方法。然而对于一阶微分的任何定义都需要保证以下几点：

1. 在恒定灰度区域中的微分值为0；
2. 灰度台阶或者斜坡处对微分值非0；
3. 沿着斜坡的微分值非0；

任意二阶微分的定义需要满足以下几点：
1. 恒定区域的微分值为0；
2. 在灰度台阶或者斜坡对起点处微分值非0；
3. 沿着斜坡的微分值非0；
因为我们在这里主要处理的事数字量，所以说值是有限的，所以我们说最大灰度变换也是有限的，并且在变化发生的最短距离是在两个相邻像素之间。
这里的话，我们把以一维函数$f(x)$的一阶微分对基本定义是差值：
$\frac{\partial f}{\partial x} = f(x+1) - f(x)$
这里的话，如果我们为了与二维图像函数$f(x,y)$微分保持一致，那么我们使用偏导符号。这里的话，我们对于一个二维函数来说，我们将要沿着两个空间轴分别来处理偏微分。这里的话，我们把二阶微分定义为如下差分：
$\frac{\partial ^2 f}{\partial x^2} = f(x+1)+f(x-1)-2f(x)$
这里的话，我们通过分析灰度的特性可以看出：
数字图像中的边缘在灰度上类似于胁迫国度，这样子会导致图像一阶微分产生较粗的边缘，因为沿着斜坡的微分不是0；另一方面，二阶微分的产生由0分开的一个像素宽的双边缘。因此我们得出结论：二姐微分在增强细节方面更好，更适合锐化图像。

3.6.2 使用二阶微分锐化图像——拉普拉斯算子

一般来说，我们使用二阶微分来分割图像，这种方法基本上是先定义一个二阶微分的离散公式，然后根据这个公式构造一个滤波器的模版。这里的话，主要采用一种各向同性滤波器，这种滤波器的响应和滤波器的作用图像的突变无关。也就是说，各向同性的滤波器旋转不变，因此的话，我们把原图旋转之后可以得到一个滤波处理后的结果，这与先对图像滤波再旋转的结果相同。这里的话，我们定义一个最简单的各向同性的微分算子：拉普拉斯算子。这里的话，一个二维图像$f(x,y)$的拉普拉斯算子可以被定义为：
$\nabla^2 f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}$
这里的话，我们任意一阶的微分都是线性操作，这样子的话，我们的拉普拉斯变换也是一个线性算子。很多时候，为了满足之前的公式要求，我们必须支持第二个分量。
在$x$方向上，我们通常有：
$\frac{\partial^2 f}{\partial x^2} = f(x+1,y)+f(x-1,y)-2f(x,y)$
类似的话，我们在$y$方向上，通常有：
$\frac{\partial^2 f}{\partial y^2} = f(x,y+1)+f(x,y-1)-2f(x,y)$
这里的话，我们为了满足三个公式的两个变量的离散拉普拉斯算子：
$\nabla^2 f(x,y) = f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)$
这个公式的话我们可以采用滤波模版进行实现，这里的话我们只是实现了以$90 ^\circ$为增量进行旋转的各项同性操作的结果。
因为拉普拉斯是一种微分算子，所以我们主要的应用着重于图像中的灰度突变区域。这样子的操作之后会产生一组暗色背景中叠加浅灰色边线河突变点的图像。通过把原图像和拉普拉斯图像进行叠加的办法，可以复原图像的基本特性而且保持拉普拉斯的瑞华处理效果。但是如果我们所使用的定义中心是负的，为了得到我们想要的锐化效果，就需要从原图像中减去经过了拉普拉斯变换后的图像。
这里的话我们采用公式来表示增强图像的基本方法：
$g(x,y) = f(x,y) + c[ \nabla^2 f(x,y)]$
这个式子中：$f(x,y)$和$g(x,y)$是我们输入图像和锐化后的图像。
一般来说我们为了比较好的使用拉普拉斯进行图像锐化的话，我们一般需要先进行拉普拉斯图像的标定。标定拉普拉斯图像的一个典型方法是：先让其最小值加上一个代替0的最小值，然后把这个结果标定到整个灰度范围$[0,L-1]$。使用了这种方法进行了标定之后，经过了拉普拉斯滤波之后得到的是一幅灰色很多的图像，这样子的话，把原图像和拉普拉斯处理结果相加，就可以把图像中的各个灰度值还原回去，并且增强了图像中的灰度突变出的对比度，最终的结果就是图像细节部分得到了增强。