数字图像转换与噪声处理_数字图像噪声-CSDN博客

本文链接：https://blog.csdn.net/crisps_ww/article/details/135536199

一.图像空间转换

1.RGB颜色模型

RGB色彩空间由红色、绿色和蓝色三种基色确定，其他所有的颜色均可由三种基色通过不同比例组合产生。取值在0~255之间。

在笛卡尔坐标系下，原点位置表示黑色，白色位于其对角线另一端，黑白两点的连线表示着灰度等级的变化。

2.归一化RGB色彩模型

由于RGB色彩空间受阴影和光照强度影响较大，故都会用归一化RGB色彩空间降低光照变化对图像处理的影响

设有两个像素点的RGB分量分别为（R1,G1,B1）和（R2,G2,B2），若 $\frac{R1}{R2} = \frac{G1}{G2} = \frac{B1}{B2}$ ，则说明两点的颜色是相同的，只是亮度不同。

归一化RGB能够去掉亮度信息而只保留颜色信息，得 $r=\frac{R}{R+G+B}$ $g=\frac{G}{R+G+B}$ $b=\frac{B}{R+G+B}$ ,且 $r+g+b=1$ 。

3.灰度化

将R、G、B值通过等值转换合并为一个灰度分量得过程，灰度化后仅保留亮度信息，丢失饱和度和色度，同时灰度值限制在0~255内，0为全黑，255为全白

灰度转化公式： $Gray(x,y)=0.299*R(x,y)+0.587*G(x,y)+0.111*B(x,y)$

$Gray(x,y)$ ：灰度化处理后像素点（x,y）的灰度值

4.HSV颜色空间

H：hue，表示色度

S：saturation，表示饱和度，颜色深浅

V：value，表示亮度，明暗程度

二.图像噪声处理

常用空域滤波法（对各个像素的灰度值进行处理）和频域滤波法（把图像从空间域向频域变换）

1.均值滤波

对目标像素给予一个模板，模板内含像素本身和它邻域内的像素。用模板内像素的平均值替换原来的像素值，最终实现去噪。

一般来说，选择的模板窗口越大，图像滤波后边缘就会越模糊，常见模板为3x3和5x5。同时该种滤波方式原理简单，时间复杂度低

2.高斯滤波

图像中每个像素点处与模板匹配的邻域中各点的像素值与模板中对应点的值进行加权平均，并用加权平均后的值代替原像素点的值。

3.中值滤波

将每一点的像素值用给定模板内所有像素值的中值来代替。作为非线性滤波能够保留较多的边缘细节。

三.形态学处理

1.腐蚀运算

图像A与结构元素B作腐蚀运算

结构元素B的理解：

结构元素B是一个小的形状（通常是矩形或圆形）或模板，它在腐蚀运算中用来控制对象的侵蚀程度。结构元素定义了腐蚀操作中的邻域范围和形状。
结构元素通常是二进制的，其中1表示结构元素的一部分，0表示不包括在内的部分。结构元素的大小和形状取决于特定的应用和目标，它可以是正方形、矩形、圆形或其他形状。

腐蚀运算的执行过程：

将结构元素B放置在图像A的一个像素位置上，通常以结构元素的中心为基准。
对于结构元素B中的每个元素，将其与图像A对应位置的像素值进行比较。
如果结构元素B中的所有元素都与图像A中的对应像素匹配（即都为1），则中心像素位置的输出值将设置为1；否则，输出值将设置为0。
将结构元素B沿着图像A的每个像素位置滑动，重复上述过程，直到腐蚀操作对整个图像完成。

2.膨胀运算

膨胀运算与腐蚀运算相反，膨胀运算（Dilation）是图像形态学处理中的一种基本操作，用于扩张图像中的对象或特定区域。它通常与一个称为结构元素（Structuring Element）的小模板或内核一起使用。

膨胀运算（Dilation）是图像形态学处理中的一种基本操作，用于扩张图像中的对象或特定区域。它通常与一个称为结构元素（Structuring Element）的小模板或内核一起使用。下面是膨胀运算的详细介绍：

结构元素B的选择：
- 结构元素B是一个小的形状或模板，它用于控制膨胀操作的扩张程度。它可以是各种形状，如矩形、圆形或自定义形状，取决于应用的需求。结构元素通常是二进制的，其中1表示结构元素的一部分，0表示不包括在内的部分。
膨胀操作的执行：
- 对于输入图像A中的每个像素，将结构元素B的中心放置在该像素的位置上。通常，结构元素的中心与结构元素的几何中心对齐。
- 然后，将结构元素B与图像A的对应区域进行比较。如果结构元素中的任何一个像素与图像A中的对应像素匹配（都为1），则将中心像素位置的输出值设置为1；否则，输出值保持为0。
- 重复上述步骤，将结构元素B在整个图像A上滑动，直到膨胀操作应用于整个图像。
膨胀的效果：
- 膨胀操作的结果是对图像中的对象或特定区域进行扩张。如果结构元素B的形状是圆形或矩形，膨胀将使对象变得更大。膨胀的程度取决于结构元素的大小和形状。
- 膨胀操作通常用于填充图像中的空洞、连接断开的物体、扩展图像的边界等应用。它也可以用于去除小的噪声或断开的细节。

3.开/闭运算

开运算：先先腐蚀再膨胀。可以断开狭窄的连接和消除噪声点

闭运算：先膨胀再腐蚀。可以消除小的孔洞，填补目标轮廓中断裂的部分

开运算代码示例：

import cv2  #导入相关包
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('D:\cg\Scien2.png') #读取图像
grayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  #灰度化处理图像
#kernel = np.ones((5,5),np.uint8) #设置腐蚀运算的内核
kernel = np.ones((3,3),np.uint8)
#先腐蚀后膨胀为开运算
erodsion = cv2.erode(grayImage,kernel,iterations=1)
opening=cv2.dilate(erodsion,kernel,iterations=1)

plt.imshow(opening,cmap=plt.cm.gray),plt.axis('off') #显示图形
plt.show()
cv2.imwrite('D:\cg\Scien2_opening2.png',opening)#将腐蚀运算后结果图片存在对应位置