计算机视觉基础~图像预处理（上）

最新推荐文章于 2020-12-16 21:39:54 发布

量子孤岛

最新推荐文章于 2020-12-16 21:39:54 发布

阅读量1.8k

点赞数

分类专栏： Computer Vision 文章标签：预处理卷积点运算形态学

本文链接：https://blog.csdn.net/fly_wt/article/details/82183366

版权

Computer Vision 专栏收录该内容

24 篇文章 8 订阅

订阅专栏

图像预处理

内容提要:

图像显示与存储原理
图像增强的目标
点运算：基于直方图的对比度增强
形态学处理
空间域处理：卷积
卷积的应用（平滑、边缘检测、锐化等）
频率域处理：傅里叶变换、小波变换
应用案例：平滑、边缘检测、CLAHE等

1.图像的显示与储存原理

（1）颜色空间

RGB：越叠加越亮

CMYK:Cyan(青),Magenta(品红),Yellow,Key

HSV:Hue(色调，颜色种类)，Saturation(饱和度，色彩的纯度),Value(明度，色彩的明亮度)

（2）颜色存储原理

Gray = R*0.3 + G*0.59 + B*0.11（典型的比例分配）

常见的存储的格式有：bmp, jpg, png, tiff, gif, pcx, tga, exif, fpx, svg, psd, cdr, pcd, dxf, ufo, eps, ai, raw, WMF, webp等

BMP：采用位映射存储格式，不采用其他任何压缩，所占用的空间很大。
JPG：最常见的有损压缩格式，能够将图像压缩到很小的空间，压缩比可达10:1到40:1之间。
GIF：基于LZW算法的连续色调的无损压缩格式，其压缩率一般在50%左右。
PNG：是比较新的图像文件格式，能够提供长度比GIF小30%的无损压缩图像文件

2.图像增强的目标

改善图像的视觉效果； 

转换为更适合于人或机器分析处理的形式；  

突出对人或机器分析有意义的信息；

抑制无用信息，提高图像的使用价值

常见操作有：平滑、锐化、去噪、对比度增强（灰度调整）

图像处理方法：

3.点运算：直方图均衡化（HE）

直方图均衡化：实质上是对图像进行非线性拉伸

重新分配各个灰度单位中的像素点数量，使一定灰度范围像素点数量的值大致相等。

直方图均衡的经典算法对整幅图像的像素使用相同的变换，如果图像中包括明显亮的或者暗的区域，则经典算法作用有限。

自适应直方图均衡化（AHE）

移动模板在原始图片上按特定步长滑动；
每次移动后，模板区域内做直方图均衡，映射后的结果赋值给模板区域内所有点
每个点会有多次赋值，最终的取值为这些赋值的均值。

限制对比度自适应直方图均衡(CLAHE)

AHE会过度放大图像中相对均匀区域的噪音,与普通的自适应直方图均衡相比，CLAHE的不同地方在于直方图修剪过程，用修剪后的直方图均衡图像时，图像对比度会更自然。

小黑点的灰度直接由映射函数计算得到；
粉色区域内点的灰度由映射函数计算而得；
绿色区域内点的灰度由相邻2块灰度映射值线性插值而得；
其他区域所有点的灰度由相邻4块的灰度映射值双线性插值而得

CLAHE算法步骤

1.图像分块，以块为单位；

2.先计算直方图，然后修剪直方图，最后均衡；

3.遍历操作各个图像块，进行块间双线性插值；

4.与原图做图层滤色混合操作。（可选）

4.形态学处理

膨胀是图像中的高亮部分进行膨胀，类似于领域扩张。

腐蚀是原图的高亮部分被腐蚀，类似于领域被蚕食。

开运算：先腐蚀再膨胀，可以去掉目标外的孤立点

闭运算：先膨胀再腐蚀，可以去掉目标内的孔

通常，当有噪声的图像用阈值二值化后，所得到的边界是很不平滑的，物体区域具有一些错判的孔洞，背景区域散布着一些小的噪声物体，连续的开和闭运算可以显著的改善这种情况。

5.空间域处理及其变换

首先明确几个相同表达意思的黑话

卷积=滤波

卷积核 = 卷积模板 = 扫描窗 = 滤波核 = 滤波模板

• 参数解释

• x, y是像素在图片中的位置/坐标

• k, l是卷积核中的位置/坐标 ,中心点的坐标是（0,0）

• f[k, l]是卷积核中在（k, l）上的权重参数

• I[x+k, y+l]是与f[k, l]相对应的图片像素值

• h[x, y]是图片中(x, y)像素的滤波/卷积结果

不同功能需要定义不同函数：

平滑/去噪
梯度/锐化
边缘、显著点、纹理
模式检测

边界填充策略

补零（zero-padding）
边界复制（replication）
镜像（reflection）
块复制（wraparound）

平滑均值滤波/卷积

特征：3*3，扫描步长：1，边框补0

均值滤波本身存在缺陷，既没有很好地去除噪声点，也破坏了图像的细节反而使图像变得模糊

特点：奇数尺寸 • 3x3，5x5，7x7，2n-1 x 2n-1

• 参数和为：1

import cv2 as cv
import  numpy as np
# 均值模糊
def blur_demo(img):
    dst = cv.blur(img, (5, 5))
    cv.imshow("blur image", dst)

平滑中值滤波/卷积

• 奇数尺寸

• 3x3，5x5，7x7，2n-1 x 2n-1

• 操作原理

• 卷积域内的像素值从小到大排序

• 取中间值作为卷积输出

• 有效去除椒盐噪声

将领域矩阵中的N个像素进行排序，并将这个矩阵的中心点赋值为这N个像素的中值。

import cv2 as cv
import  numpy as np
# 中值模糊
def median_blur_demo(img):
    dst = cv.medianBlur(img, 5)
    cv.imshow("median_blur_demo", dst)

平滑高斯滤波/卷积

• 奇数尺寸

• 3x3，5x5，7x7，2n-1 x 2n-1

• 模拟人眼，关注中心区域

• 有效去除高斯噪声

• 参数

• x, y是卷积参数坐标

• 标准差 $\sigma$

$\large G_{\sigma }= \frac{1}{2\pi \sigma ^{2}}e^{-\frac{x^{2}+y^{2}}{2\sigma ^{2}}}$

$\sigma$ 越小，关注区域越集中

分解特性（级联高斯）

2D卷积拆分成两个相同的1D卷积

• 列卷积

• 行卷积

降计算

• 2D卷积：KxK次计算

• 2x1D卷积：2K次计算