目录
怎么画一幅图像的直方图?从图像的直方图中,我们可以获得什么信息?
同态滤波的原理是什么?可以用来消除什么? 怎么进行同态滤波?
图像平滑和图像锐化的卷积过程中采用的算子(内核)有什么区别?算子有什么特点?
理想滤波器,Butterworth滤波器,指数滤波器,梯形滤波器的特点是?
RGB 模型, HSI 模型, YUV, HSV 模型的含义是什么? RGB和HSI 模型的物理解释?
对彩色图像进行直方图均衡的时候,适合用哪一种模型?为什么不用RGB模型?
图像增强概述:
图像增强:
数字图像处理通常可在什么域上面进行?
空域和变换域
点运算、邻域运算、频域运算的含义。
- 点运算是指只对一个像素进行操作。比如:直方图均衡化,直方图规定化,灰度变换
- 领域运算是指在空域上对一个点以及其周围的其他点同时进行操作,运算。比如:所有与卷积相关的算法,中值滤波和均值滤波。图像平滑图像锐化。
- 频域运算是指将图片傅里叶变换后在频域进行运算。比如:理想滤波器,Butterworth滤波器,指数滤波器,梯形滤波器,同态滤波
怎么画一幅图像的直方图?从图像的直方图中,我们可以获得什么信息?
灰度级的直方图就是反映一幅图像中的灰度级与出现这种灰度的概率之间的关系的图形。——灰度的分步情况
对每个灰度级求频数——Nk/N
Nk——该灰度级占的像素个数
N——全部像素个数
直方图特点:
- 直方图具有位置缺失性,且与图像可以一对多,缺失了位置信息。
- 直方图反映了图像的明暗分布规律,当直方图均匀分布时,图像细节更清晰
灰度变换函数应该满足什么条件? 为什么?
直方图均衡化: 对图像的灰度进行非线性变换,使其直方图变成均匀分布,以增加图像灰度值的动态范围,从而增强图像整体对比度,使图像变得更清晰。
设非线性变化函数为T(r) 即灰度变换函数。则T(r)应满足
- 单调递增(为了使得图像pattern不变)
- 对 0≤r≤1, 0≤s=T[r]≤1(保证变换后,像素灰度值在允许的范围内)
直方图均衡化处理技术是用累积分布函数作变换函数的直方图修正方法;用累积分布函数作为变换函数可产生一幅灰度级分布具有均匀概率密度的图像。
直方图均衡采用的灰度变换函数是?
累积分布函数
ps:最后的灰度级不能是1-8,否则1/8 - 1 不是 0-1的概率密度了
直方图均衡和直方图规定化的目标分别是?操作过程?【用表格,考计算,必考】
直方图均衡是为了让均衡后的图片直方图近似均匀分布。
直方图均衡化处理计算步骤:
- 列出原始图像和变换后图像的灰度级:i,j=0,1,…,L-1,其中L是灰度级的个数
- 统计原图像各灰度级的像素个数ni
- 计算原始图像直方图,n为原始图像像素总个数;(求出了r的概率密度函数)
- 计算累积直方图:(累计分布函数)
- 利用灰度变换函数计算变换后的灰度值,并四舍五入:
- 确定灰度变换关系i->j,据此将原图像的灰度值f(m,n)=i修正为g(m,n)=j;(均衡化)
- 统计变换后各灰度级的像素个数nj
- 计算变换后图像的直方图:(变换统计)(记下来表格)
【以上步骤都不能省略,然后考试时候会让画均衡后的直方图,按最后两行参数即可画出】
直方图规定化是为了让规定化后的图片的直方图成特定分布。步骤如下:
(1)将原始图像作均衡化处理;
(2)规定希望的灰度概率密度函数 pz(z),并求变换函数 G-1(u) ;
(3)将逆变换函数 z≈G-1( s) 用到 (1)得到的灰度级s。
(4) z ≈G-1[T(r)]
例题:直方图规定化
原始图像各灰度级对应的概率分步
原始灰度级 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
像素 | 790 | 1023 | 850 | 656 | 329 | 245 | 122 | 81 |
概率 | 0.19 | 0.25 | 0.21 | 0.16 | 0.08 | 0.06 | 0.03 | 0.02 |
累计原始直方图V1 | 0.19 | 0.44 | 0.65 | 0.81 | 0.89 | 0.95 | 0.98 | 1 |
规定直方图概率(已知) | 0.00 | 0.00 | 0.00 | 0.2 | 0.00 | 0.6 | 0.00 | 0.2 |
规定直方图累计概率V2 | 0.00 | 0.00 | 0.00 | 0.2 | 0.2 | 0.8 | 0.8 | 1 |
规定直方图灰度级 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
映射V1-V2绝对值最小 | 3 (V1(0)=0.19 V2(3)=0.2) | 4 (V1(1)=0.44 V2(4)=0.2) | 5 (V1(2)=0.65 V2(5)=0.8) | 6 (V1(3)=0.81 V2(6)=0.8) | 6 (V1(4)=0.89 V2(6)=0.8) | 7 (V1(5)=0.95 V2(7)=1) | 7 (V1(6)=0.98 V2(7)=1) | 7 (V1(7)=1 V2(7)=1) |
确定映射关系 | 0->3 | 1->4 | 2->5 | 3/4->6 | 5/6/7->7 |
|
|
|
变化后直方图 | 0 | 0 | 0 | 0.19 | 0.25 | 0.21 | 0.24 | 0.11 |
为什麼会有简并现象? 如何缓解简并现象?
变换后的灰度级减少了,这种现象叫做“简并”现象。
产生简并现象的根源是利用变换公式求新灰度时,所得到的 sk 往往不是允许的灰度值,这时就要采用舍入的方法求近似值,以便用与它最接近的允许灰度来代替它。
在舍入的过程中,一些相邻的 Sk 值变成了相同的Sk`值,这就发生了简并现象,于是也就造成了一些灰度层次的损失。
减少简并现象的简单方法是增加像素的比特数。
同态滤波:
同态滤波的原理是什么?可以用来消除什么? 怎么进行同态滤波?
原理:在压缩动态范围的同时,增强图像的对比度,既增强暗区的图像细节,同时又不损失亮区的图像细节。
图像的灰度由照射分量和反射分量合成。照度i (x, y) (即光照,照射分量在空间上通常均具有缓慢变化的性质。一般为低频分量),反射系数r (x, y) (反射分量反映图像内容,随图像细节不同在空间上作快速变化。一般为高频分量),所以整幅图像可以表示为f(x,y)=i(x,y)r(x,y)
消除不均匀照度的影响, 增强图像细节
步骤:f(x,y)-->ln(f(x,y))-->FFT(ln(f(x,y)))*H(u,v)【同态滤波器】-->FFT-1-->exp--》g(x,y)
- 对图像取对数,f(x,y)=i(x,y)r(x,y) ,则z(x,y)=ln(f(x,y))=ln(i(x,y))+ln(r(x,y))【分开照射分量和反射系数】
- 傅里叶变换 F(z(x,y))=F(ln(i(x,y)))+F(ln(r(x,y))),则Z(u,v) = I(u,v)+R(u,v)
- 在频率域修正。压缩i(x,y)分量的变化范围,削弱I (u, v),增强r(x,y)分量的对比度,提升R (u, v),增强细节。确定H (u, v),将图像频谱乘以传递函数为H (u, v)的同态滤波器。 S(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)
- 傅立叶反变换 i`(x,y) =F-1(H(u,v)I(u,v)) r`(x,y)=F-1(H(u,v)R(u,v))
- 求指数 i0(x,y)= exp[i`(x,y)] r0(x,y)= exp[r`(x,y)] g(x,y)= i0(x,y)r0(x,y)
针对图像本身特性以及实际需要选择不同形状的滤波特性H (u, v) ,就会对整个图像灰度级范围进行不同程度的压缩,对感兴趣部分的灰度级进行扩展,从而得到合适的层次和细节。
图像滤波:
平滑和锐化的区别,我们介绍了哪些相应的算法?
- 为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪;
- 锐化是提高图像中某一部位的清晰度,也称为边缘增强;
- 平滑——使图像边缘模糊 ;锐化——使图像边缘突出、清晰
- 强调图像中的低频分量使图像得到平滑,对应积分或者求和
- 强调图像中的高频分量使图像的边缘得到增强(锐化),对应着微分或者求差
算法:
- 平滑:中值滤波,均值滤波,局部平滑算法,理想低通滤波器,Butterworth低通滤波器,指数低通滤波器,梯形低通滤波器
- 锐化:梯度法,罗伯特梯度,拉普拉斯算子,理想高通滤波器,Butterworth高通滤波器,指数高通滤波器,梯形高通滤波器
局部平滑算法:出发点都集中在如何选择邻域的大小、形状和方向、参加平均的点数以及邻域各点的权重系数
常见噪声椒盐噪声、高斯噪声、周期噪声的区别?
高斯噪声是指噪声服从高斯分布,即某个强度的噪声点个数最多,离这个强度越远噪声点个数越少,且这个规律服从高斯分布。高斯噪声是一种加性噪声,即噪声直接加到原图像上,因此可以用线性滤波器滤除。
椒盐噪声类似把椒盐撒在图像上,因此得名,是一种在图像上出现很多白点或黑点的噪声,如电视里的雪花噪声等。椒盐噪声可以认为是一种逻辑噪声,用线性滤波器滤除的结果不好,一般采用中值滤波器滤波可以得到较好的结果。周期噪声表现为图像中周期性的冲击
通常怎么处理椒盐噪声?
中值滤波
中值滤波是怎么运算的?和均值有什么区别?
中值滤波:将每个像元在以其为中心的邻域内,(排序后)取中间亮度值来代替该像元值
均值滤波:将每个像元在以其为中心的区域内,取平均值来代替该像元值
- 中值滤波特点:不同形状的窗口产生不同的滤波效果,使用中必须根据图像的内容和不同的要求加以选择。方形或圆形窗口适宜于外轮廓线较长的物体图像,而十字形窗口对有尖顶角状的图像效果好;中值滤波对椒盐噪声的抑制效果好,在抑制随机噪声的同时能有效保护边缘少受模糊;但它对点、线等细节较多的图像却不太合适 对中值滤波法来说,正确选择窗口尺寸的大小是很重要的环节。一般很难事先确定最佳的窗口尺寸,需通过从小窗口到大窗口的中值滤波试验,再从中选取最佳的。
- 均值滤波特点:算法简单,但它的主要缺点是在降低噪声的同时使图像产生模糊,特别在边缘和细节处。而且邻域越大,在去噪能力增强的同时模糊程度越严重
图像平滑和图像锐化的卷积过程中采用的算子(内核)有什么区别?算子有什么特点?
平滑算子:
- 平滑算子:,可以看成积分。
锐化算子:
- 普通梯度:检测y方向,检测x方向 (x方向水平向右,y方向竖直向下)
- 罗伯特梯度:一种交叉差分法。 (1-4,2-3),一阶微分算子。
- 拉普拉斯算子:或,二阶微分算子。
PS:不管什么样的算子,必须保证全部权系数之和为单位值,这样可保证输出图像灰度值在许可范围内,不会产生“溢出”现象
理想滤波器,Butterworth滤波器,指数滤波器,梯形滤波器的特点是?
低通:
- 理想滤波器:由于高频成分包含有大量的边缘信息,因此采用该滤波器在去噪声的同时将会导致边缘信息损失而使图像边缘模糊,产生振铃效应。
- Butterworth滤波器:连续性衰减,而不象理想滤波器那样陡峭变化,即明显的不连续性。因此采用该滤波器滤波在抑制噪声的同时,图像边缘的模糊程度大大减小,无明显的振铃效应
- 指数低通滤波器:采用该滤波器滤波在抑制噪声的同时,图像边缘的模糊程度比用Butterworth滤波产生的大些,无明显的振铃效应 。
- 梯形低通滤波器:是理想低通滤波器和完全平滑滤波器的折中。它的性能介于理想低通滤波器和指数滤波器之间,滤波的图像有一定的模糊和振铃效应
高通:
- 理想高通有明显振铃现象,即图像的边缘有抖动现象
- Butterworth高通滤波效果较好,但计算复杂,其优点是有少量低频通过,H(u,v)是渐变的,振铃现象不明显
- 指数高通效果比Butterworth差些,振铃现象不明显
- 梯形高通会产生微振铃效果,但计算简单,较常用 一般来说,不管在图像空间域还是频率域,采用高频滤波不但会使有用的信息增强,同时也使噪声增强。因此不能随意地使用
共同性:
- 理想滤波器有明显的振铃效应。
- Butterworth滤波器是连续的衰减,不像理想滤波器变化陡峭,没有明显的振铃效应。
- 指数滤波器效果比butterworth差一点,也无明显的振铃效应。
- 梯形滤波器是理想和完全平滑的这种,介于理想滤波器和指数滤波器,有一定的模糊和振铃效应。
彩色图像处理:
RGB 模型, HSI 模型, YUV, HSV 模型的含义是什么? RGB和HSI 模型的物理解释?这些模型适用于什么场景? 对彩色图像进行直方图均衡的时候,适合用哪一种模型?为什么不用RGB模型?
RGB模型:
含义:模型上每一个点代表不同颜色。对角线上都是灰度图像,比如(0,0,0)上的是黑
物理解释:红(R)、绿(G)、蓝(B)三基色混合
适用场景【书本例子】:获取数字图像的彩色摄像机和彩色监视器都是适用RGB格式。适用于航天和卫星多光谱图像数据的处理。不适用于对人脸的彩色图像处理。一般使用与硬件使用有关的都是RGB模型
HSI模型【如下图模型中的点P】:
含义:它的色度(H)是(a)图中的角度 ;饱和度(S)是它离三角形中心的距离 、亮度/强度(I)是(b)图中的中心轴,中心轴上是灰度图像。
HSI颜色模型的重要性:第一。去掉了强度成分(I)在图像中与颜色信息的联系;第二、色调和饱和度成分与人们获得颜色的方式密切相关
适用场景【书本例子】:自动判断果蔬的成熟度的图像处理系统;用颜色样本匹配或检测彩色产品品质的图像处理系统。只要是把系统操作建立在颜色特性上,使人们通过这些特性完成特定任务的,都可以用这个模型。一般彩色图像模拟都用HSI模型
对彩色图像进行直方图均衡的时候,适合用HSI模型,因为RGB的比例不同,颜色就会变化,而HSI中把强度分量(I)和颜色信息分开,所以可以直接对I进行均衡化处理。
YIQ模型: 亮度(Y)、色度(IQ)。特点是将强度和色度分开,常用于彩色电视广播,为了有效传输并与黑白电视兼容。
对于彩色图像的增强依据处理对象的不同可分为:真彩色增强、伪彩色增强和假彩色增强三类。
- 真彩色增强:全彩色图像
-
为了避免破坏图像的彩色平衡,真彩色的增强通常选择在HSI模型下进行。
-
依据选择增强分量和增强目的的不同,可将真彩色增强分为亮度增强、色调增强和饱和度增强三种
- 伪彩色增强:灰度图像
- 假彩色增强:得到的彩色图像不再能反映原图像的真实色彩,实质是从一幅彩色图像映射到另一幅彩色图像
PS:彩色图像平滑HSI模型中,仅对图像的亮度信息进行混合才有意义。
怎么把一幅图像从模拟信号转变为数字信号。
抽样保持量化编码