数字图像处理框架及常用技术

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/IT_job/article/details/78931552

数字图像处理之前需要先进行图像数字化:图像数字化图像数字化是计算机处理图像之前的基本步骤,目的是把真实的图像转变成计算机能够接受的存储格式,数字化过程分为采样和量化两个步骤。

数字图像处理的框架大体分为如下8个部分

 

1.    图像变换

有时候,直接对图像进行处理会遇到一些困难,为了有效和快速地对图像进行处理和分析,需要将原定义在图像空间的图像以某种形式转换到另外的空间,利用空间的特有性质方便地进行一定的加工,最后再转换回图像空间以得到所需的效果。经过变换后的图像往往更有利于特征提取、增强、压缩和编码。

 

常用技术

1.卷积

2.梯度和Sobel导数

3.拉普拉斯变换

4.Canny算子

5.霍夫变换

6.重映射

7.几何操作:拉伸、收缩、扭曲和旋转

8.离散傅里叶变换(DFT)

9.离散余弦变换(DCT)

10.哈儿变换

11斜变换

 

2.    形态学图像处理

数学形态学是一门20世纪60年代发展起来的理论,用于分析和处理离散图像。它定义了一系列运算,用预先定义的形状元素探测图像,从而实现图像的转换。这个结构元素与像素领域的相交方式决定了运算的结果。

 

常用技术

1.平滑处理

2.膨胀与腐蚀

3.开启操作与闭合操作

4.检测边缘和角点

 

3.    图像边缘检测

边缘检测的目标是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反应了属性的重要事件和变化,包括:(1)深度上的不连续(2)表面方向的不连续(3)物质属性变化(4)场景照明变化。

 

常用技术

1.Sobel算子

2.Isotropic Sobel算子

3.Roberts算子

4.Prewitt算子

5.Laplacian算子

6.Canny算子

 

4.     图像增强和复原

利用数字图像处理技术可以将图像中感兴趣部分加以强调,对不感兴趣的部分予以抑制,强调后的部分对使用者更为清晰,甚至能给出一定的数量分析或不同颜色的表示。这种技术常称为图像增强。图像复原是通过图像滤波实现的。

 

常用技术

4.1空间域法

4.1.1点运算算法

4.1.1.1灰度级校正

4.1.1.2灰度变换(又叫对比度拉伸)

4.1.1.3直方图修正

 

4.1.2邻域去噪算法。

4.1.2.1图像平滑

4.1.2.1.1均值滤波

4.1.2.1.2中值滤波

4.1.2.1.3空域滤波

4.1.2.2锐化

4.1.2.2.1梯度算子法、

4.1.2.2.2二阶导数算子法、

4.1.2.2.3高通滤波、

4.1.2.2.4掩模匹配法

 

4.2频率域法

4.2.1理想低(高)通滤波器、

4.2.2巴特沃斯低(高)通滤波器、

4.2.3高斯低(高)通滤波器、

4.2.4指数滤波器

 

5 图像压缩编码

在满足一定保真度的要求下,对图像数据的进行变换、编码和压缩,去除多余数据减少表示数字图像时需要的数据量,以便于图像的存储和传输。即以较少的数据量有损或无损地表示原来的像素矩阵的技术,也称图像编码。

 

常用技术

5.1无损图像压缩方法

5.1.1行程长度编码

5.1.2熵编码法

5.1.3LZW算法

 

5.2有损压缩方法

5.2.1将色彩空间化减到图像中常用的颜色。

5.2.2色度抽样

5.2.3变换编码

5.2.4分形压缩

 

6.     图像分割

在计算机视觉理论中,图像分割、特征提取与目标识别构成了由低层到高层的三大任务.目标识别与特征提取都以图像分割作为基础 ,图像分割结果的好坏将直接影响到后续的特征提取与目标识别图像分割是将图像中有意义的特征或区域提取出来的过程.这些特征可以是图像的原始特征,如像素的灰度值、物体轮廓、颜色、反射特征和纹理等,也可以是空间频谱等,如直方图特征.图像分割的目的是把图像划分成若干互不相交的区域,使各区域具有一致性,而相邻区域间的属性特征有明显的差别

 

常用技术

6.1基于区域的图像分割

6.2基于边缘的图像分割

6.3边缘与区域相结合的图像分割

6.4基于数学形态学的图像分割

6.5基于模糊理论的图像分割

6.6基于神经网络的图像分割

6.7基于支持向量机的图像分割

6.8基于图论的图像分割

6.9基于免疫算法的图像分割

6.10基于粒度计算理论的图像分割

 

7.     图像特征提取与匹配

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征

 

常用技术

7.1颜色特征

7.1.1颜色直方图

7.1.2颜色集

7.1.3颜色矩

7.1.4颜色聚合向量

 

7.2纹理特征

7.2.1灰度共生矩阵

7.2.2几何法

7.2.3模型法

7.2.4信号处理法

 

7.3形状特征

7.3.1边界特征法

7.3.2傅里叶形状描述符法

7.3.3几何参数法

 

7.4空间关系特征

7.4.1基于模型的姿态估计方法

7.4.2基于学习的姿态估计方法

 

8.     图像分类(识别)

根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法

 

常用技术

8.1模版比对:关系结构匹配、特定理论工具的匹配、基于灰度信息匹配、基于亚像元匹配、基于内容特征匹配

 

8.2统计模式识别方法:判别函数法,k近邻分类法,非线性映射法,特征分析法,主因子分析法

 

8.3人工神经网络模式识别:人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解,具有一定的智能化处理的特点

 

8.4句法结构模式识别:又称结构方法或语言学方法。其基本思想是把一个模式描述为较简单的子模式的组合,子模式又可描述为更简单的子模式的组合,最终得到一个树形的结构描述,在底层的最简单的子模式称为模式基元

 

参考

http://blog.csdn.net/hitwengqi/article/details/8292675

http://blog.csdn.net/it_job/article/details/78837414

期刊 数字图像处理技术的研究进展

图像分割的新理论和新方法

百度百科

展开阅读全文

没有更多推荐了,返回首页