数字图像处理复习

• 英译汉

An image to be processed by computer must be represented using an appropriate discrete data structure, for example, a matrix. An image captured by a sensor is expressed as a continuous function f(x, y) of two co-ordinates in the plane. Image digitization means that the function f(x, y) is sampled into a matrix with M rows and N columns. Image quantization assigns to each continuous sample an integer value—the continuous range of the image function f(x, y) is split into K intervals. The finer the sampling (i.e., the larger M and N) and quantization (the larger K), the better the approximation of the continuous image function f(x, y) achieved.

Image function sampling poses two questions. First, the sampling period should be determined—this is the distance between two neighboring sampling points in the image. Second, the geometric arrangement of sampling points (sampling grid) should be set.

为了用计算机来处理，图像必须用合适的离散数据结构来表达，例如，矩阵。传感器获取的图像是平面上两个坐标的连续函数f(x, y)。图像数字化是指将f(x,川采样(sampled) 为一个M行N列的矩阵。图像量化(quantization) 给每个连续的样本数值个 整数数字，图像函数f(x, y)的连续范围被划分为K个区间。采样及量化越精细(即M、N、K越大)，对连续函数f(x, y)的近似就越好。

    图像函数采样有两个问题：

其一是确定采样的间隔，即相邻两个采样图像点的距离:

其二是设置采样点的几何排列(采样栅格)。

二、简答

图像是用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼而产生视知觉的实体。图像是给定条件下被摄目标电磁波性质（反射、辐射、透射）的一种表现形式。广义上讲，图像是对所表示物体的信息描述。数字图像( Digital Image)是由模拟图像数字化或离散化得到的，组成数字图像的基本单位是像素( Pixel)，也就是说，数字图像是像素的集合。

  （1）请简述图像数字化的过程。

数字图像与连续图像联系的桥梁－－数字化

空间位置的对应－把画面分割成小的离散点－采样

属性值的对应－各点的幅度值用离散的整数表示－量

（2）数字图像处理的主要研究内容有哪些？

图像增强，图像几何处理，图像复原，图像压缩编码，图像分割，图像数字化与重建。

（3）数字图像处理的主要应用有哪些？

遥感图像处理，工业与实验图像处理，医学图像处理，办公图像处理，公安图像处理，影视图像处理。

三、

在工程实践中，图像通过变换，改变的表示域或数据表示形式，会给后续问题的处理带来极大的方便。例如，离散余弦变换可以使图像的能量集中在少量数据上，方便数据压缩，为实现高效的图像传输和存储奠定基础；Hough变换利用点——线的对应关系，可以准确地检测出图像中的直线特征，在智能交通中应用广泛。如果用生活中的一句话来直观地描述图像变换，那就是"换个角度看问题，便会海阔天空”。

傅立叶变换是一种常用的正交变换，它的理论完善，应用范围非常广泛。在数字图像处理领域，傅立叶变换起着非常重要的作用，可以进行图像分析、图像增强和图像压缩等。

在图像处理中，频域反映了图像在空域灰度变化的剧烈程度，也就是图像灰度的变化速度，即图像的梯度大小。对图像而言，图像的边缘部分是突变部分，变化较快，因此反映在频域上是高频分量;图像的噪声大部分情况下是高频部分:图像平缓变化部分则为低频分量。图像的频域处理是指根据一定的图像模型，对图像频谱进行不同程度的变换。

利用傅里叶变换，把图像的信号从空域转到频域，使得信号处理中常用的频域处理技术应用到图像处理上，大大拓展了图像处理的思想和方法。离散傅里叶变换(Discrete Fourier Transform, DFT)是图像处理最为常用的一个变换手段。

傅里叶变换提供另外一个角度来观察图像，可以将图像从灰度分布转化到频率分布上来观察图像的特征。傅里叶变换可以被看做是数学上的棱镜，将函数或图像基于频率分解为不同的成分。同样，傅里叶变换能通过频率成分来分析一个函数或图像。

（1）傅立叶变换的物理意义是什么？

从纯粹的数学意义上看，傅立叶变换是将一个图像函数转换为一.系列周期函数来处理的;从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，傅立叶频谱图.上看到的明暗不一的亮点，实际上图像上某点与邻域点差异的强弱，即梯度的大小，也即该点的频率大小。如果频谱图中暗的点数更多，那么实际图像是比较柔和的:反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大。

（2）傅立叶变换的基本性质有哪些？

可分离性，平移性，周期性，共轭对称性，旋转不变性，分配性，比例性，卷积性等

（3）[例8-13]灰度图像的傅立叶变换和反变换，其实现的MATLAB代码如下，请实例空格处的代码。

close all; clear all; clc;     %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread('onion.png') ;   读入RGB彩色图像

J=rgb2gray(I) ;          %转换为灰度图像

K=fft2 (J) ;              %傅立叶变换

L=fftshift (K) ;           %平移

M=ifft2 (K) ;            %傅立叶反变换

figure;

subplot (121) ; imshow (uint8 (abs(L)/198));    %显示频谱图

subplot (122) ; imshow (uint8(M)) ;     %号显示反变换后得到的图像

（3）[例8-14]灰度图像傅立叶变换的幅值谱和相位谱，其具体实现的MATLAB代码如下，请实例空格处的代码。

close all; clear all; clc;     %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I= imread (' peppers.png') ;   %读入RGB彩色图像

J=rgb2gray(I) ;            %转换为灰度图像

K=fft2 (J) ;               %傅立叶变换

L= fftshift(K) ;           %平移

fftr=real (L) ;

ffti=imag(L) ;

A=sqrt (fftr.^2+ffti.^2) ;   %幅值谱

A= (A-min (min(A))) / (max (max (A))-min (min(A)) )*255;  %归一化

B=angle(K) ;          %相位谱

figure;

subplot (121) ; imshow(A) ;   %号显示幅值谱

subplot (122) ; imshow(real (B)) ;     %显示相位谱

二维傅里叶变换的应用:相位相关

相关(correlation), 顾名思义，就是两个事物的相关性。在信号处理中，两个信号的卷积就是相关，可以用于表征两个信号的相似程度。

关于图像的相位，我们知道，图像的频率域(傅里叶频谱)包含了模(amplitude)和相位(phase) 信息，模包含图像整体的灰度级信息，而相位信息包含了图像变化的信息。可以说，相位是图像的DNA，不同图像，模有可能是相同的，但相位却是不同的。利用这一点，求取相位的相关，就可以知道图像之间的差别。

由于相关是通过卷积进行计算的，计算量大，所以，一般都先通过傅里叶频谱的内积，然后再做一次傅里叶逆变换就可以求取相位相关。

相位相关用于估计图像的偏移量是由C.D. Kuglin和D.C.Hines在1975年提出的。

利用相位相关求两幅图像偏移量的MATLAB源程序如例程2-13所示，其运行结果

如图2-19所示。

例程2-13

clear all;

%读入图像，并将图像类型转换成双精度型，以便后续进行矩阵运算:

I1= imread(ill1.jpg);

I2= imread(hill2.jpg);

%输入两幅图像的尺寸大小应该相同;

Ia = double(1);

Ib = double([I2);

lin= Ib;

[m,n]=size(lin);

%添加随机噪声:

la= la + 20*randn(m,n);

Ib = lb + 20*randn(m,n);

%添加Hamming窗，以提高信噪比;

window = hamming(m)*hamming(n)";

%进行快速傅里叶变换;

A = f2(la.*window);

B = ff2(lb.*window);

%计算归- -化互功率谱:

S = B.*conj(A) J abs(B.*conj(A);

%转换到空间域;

s = abs(iff2(S));

%查找最大值出现的位置:

M = max(max(5));

[ij]= find(s= M);

%计算信噪比;

avg= mean(mean(s.*s));

snr

= 10*log10(M*M /avg);

%计算图像的偏移量;

x_ sh = floor(m/2)-i; .

y_ sh = floor(n/2)-j;

disp([Estimated translation: ( num2str(x. _sh) ",' num2str(y. _sh) ) pixels; with SNR ' num2str(snr) 'dB' ]);

colormap('gray);

figure(1);

subplot(1,3,1 );imshow([1); title('图像 A);

subplot( I ,3,2);imshow([2);

title(图像B');

subplot(1,3,3);mesh(512*s); title(' 相位相关运算过程");

四、

小波变换的基本思想类似于傅里叶变换，就是用信号在一簇基函数形成空间上的投影表征该信号。经典的傅里叶变换把信号按正弦基展开，将任意函数表示为具有不同频率的谐波函数的线性叠加，能较好地描述信号的频率特性；但它在时域上无任何分辨，不能作局部分析。这在理论和应用上都限制了傅里叶变换的发展。小波变换在时域和频域同时具有良好的局部化性能，有一个灵活可变的时间——频率窗，它与傅里叶变换相比，能更有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析( Multiscale Analysis)，解决了傅里叶变换不能解决的许多问题，因而，小波变换被誉为是“数学显微镜”，它是信号处理发展史上的里程碑。

这里通过一个例子来说明傅里叶变换与小波变换的联系和区别。歌声是一种声音振荡的波函数，其傅里叶变换就是将这个波函数转化成某种乐谱。但遗憾的是，傅里叶变换无法反，映信号在哪一时刻有高音，在哪一时刻有低音，因此结果是所有的音符都挤在了一"起。小波变换有效地克服了傅里叶变换的这一缺点， 信号变换到小波域后，小波不仅能检测到高音与低音，而且还能将高音与低音发生的位置与原始信号相对应。

由于小波分析可以将信号或图像分层按小波基展开，可以根据图像信号的性质和事先给定的处理要求展开到特定的级数，这样不仅可以有效地控制计算量，满足实时处理的需要。而且还可以方便地实现累进传输编码。同时，小波变换具有放大、缩小和平移的数学显微镜的功能，能够很方便地产生各种分辨率的图像，从而适用于不同分辨率图像的I/O 设备和不同传输速率的通信系统。

[例13-3]利用函数wavefun2(计算并显示二维小波函数和尺度函数，其具体实现的

MATLAB代码如下:

close all; clear all; clc; %关闭所有图形窗口，清除工作空间所有变量，清空命令行

set (0, 'defaultFigurePosition', [100, 100, 1000,500]) ;%号修改图形图像位置的默认设置

set (0, ' defaultFigureColor', [1 1 1])

iter = 4; %设置采样点数

wav1 = 'db4' ; %设置小波

wav2 = 'biorl.3' ;

[s,w1,w2,w3,xyval] = wavefun2 (wav1,iter, 'plot') ;  %计算二维小波并显示

[s1,w11, w21,w31,xyva11] = wavefun2 (wav2, iter, 'plot') ;

五、

图像增强的主要目的是提高图像的质量和可辨识度，使图像更有利于观察或进一步分析处理。图像增强技术-.般通过对图像的某些特征，例如边缘信息、轮廓信息和对比度等进行突出或增强，从而更好地显示图像的有用信息，提高图像的使用价值。图像增强技术是在一定标准下，处理后的图像比原图像效果更好。

    传统的图像增强技术大多是基在空间域中对图像进行处理。空域处理方法非常简单，比较容易理解。空间域内的图像增强技术主要有灰度变换方法和直方图方法等。通过调节灰度图像的明暗对比度，灰度图像就变得更加清晰。灰度变换方法也是基于灰度图像的直方图的一种图像增强方法。直方图均衡化和规定化对于改善图像的质量有非常好的效果。

此外，还可以对图像进行滤波，主要包括线性滤波和非线性滤波，其中非线性滤波又包括中值滤波、顺序统计滤波和自适应滤波等。

通过傅立叶变换可以将图像从空间域转换到频域，在频域进行滤波，然后再通过傅立叶反变换转换到空间域。频域滤波主要包括低频滤波、高频滤波、带阻滤波器和同态滤波等。

随着图像处理技术的发展，各种新方法不断出现。例如采用模糊技术和小波变换等进行图像的增强。每种方法都有各自的优缺点，没有一个方法可以完全取代其他方法。一个图像增强算法要做到对所有图像都有很好的增强效果非常的困难。

（1）图像增强方法按其处理的空间不同，可分为空间域法和频率域法两大类:

①空间域法

空间域法是在空间域内直接对像素灰度值进行运算处理，如图所示。常用的空间域法有图像的直接灰度变换、直方图修正、图像空域平滑和锐化处理、伪彩色处理等。

②频率域法

频率域法就是在图像的某种变换域内，对图像的变换值进行运算，然后通过逆变换获得

图像增强效果。这是一种间接处理方法，其过程如图所示。其中, f(x,y)是输人图像函

数，F(u,v)是f(x,y)经变换后的频域函数(这里的变换并不- -定是傅里叶变换,也可能是其

他变换)，G(u,v)是经过频域处理后的函数，g(x,y)是G(u,v)经反变换后得到的空域函数。

（2）[例5-12]通过函数histeq()对图像进行直方图均衡化处理，其具体实现的MATLAB

代码如下:

close all; clear all; clc;   %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread('tire.tif') ;  %读入图像

J=histeq(I) ;        %直方图均衡化

figure;

subplot(121); imshow(uint8 (I)) ;   %显示原始图像

subplot (122); imshow (uint8(J)) ;  %显示结果图像

figure; .

subplot (121) ; imhist(I，64) ;     %原图像的直方图

subplot (122) ;

imhist (J，64) ;          %均衡化后的直方图

（2）[例5-13]通过函数histeq()对图像进行直方图规定化，其具体实现的MATLAB代码

如下:

close all; clear all; clc;   %关闭所有图形窗口， 清除工作空间所有变量，清空命令行

I=imread('tire.tif') ;    %读入图像

hgram=ones(1, 256) ;

J=histeq(I, hgram) ;    %直方图规定化

figure;

subplot (121) ; imshow (uint8 (J) ) ;   %显示图像

subplot (122); imhist(J) ;      %显示直方图

（3）[例5-18]通过函数imfilter()对图像进行平滑，其具体实现的MATLAB代码如下:

close all; clear all; clc; %  关闭所有图形窗口，清除工作空间所有变量，清空命令行

I= imread('coins.png') ;  %读入图像

J=imnoise(I, 'salt & pepper', 0.02) ;   %添加噪声

h=ones (3,3) /5;   %建立模板

h(1,1)=0;

h(1,3)=0;

h(3,1)=0;

h(1,3)=0;

K=imfilter(J, h) ;    %图像的滤波

figure;

subplot (131) ; imshow(I) ;    %显示原始图像

subplot (132) ;。imshow(J) ;  %显示添加噪声后的图像

subplot (133) ; imshow(K) ;   %显示滤波结果

（3）[例5-19]通过函数conv20对图像进行平滑，其具体实现的MATLAB代码如下:

close all; clear all; clc;    %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread(' rice.png') ;    %读入图像

I= im2double (I) ;

J= imnoise(I, 'gaussian', 0, 0.01) ;   %添加噪声

h=ones (3,3) /9;            %产生模板

K=conv2 (J, h) ;       %通过卷积进行滤波

figure;

subplot(131) ; k imshow(I) ;  %显示原始图像

subplot (132); a imshow(J) ;  %显示添加噪声后的图像

subplot (133) ; imshow(K) ;   %显示滤波结果图像

（4）[例5-21]通过 函数medfilt20对图像进行中值滤波，其具体实现的MATLAB代码如下:

close all; clear all; clc;     %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread('coins.png') ;   %读入图像

I=im2double (I) ;

J=imnoise(I，I 'salt & pepper', 0.03) ;   %添加噪声

K=medfilt2 (J) ;     %中值滤波

figure;

subplot (131) ; imshow(I) ;     %显示原始图像

subplot (132) ; imshow(J) ;     %显示添加噪声后的图像

subplot (133) ; imshow(K) ;     %显示滤波后的图像

（4）[例5-23]通过 函数wiener20)对图像进行自适应滤波，其具体实现的MATLAB代码

如下:

close all; clear all; clc;    %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I= imread('coins.png') ;  %读入图像

I= im2double (I) ;

J= imnoise(I, A 'gaussian',0, 0.01) ;    %添加高斯噪声

K=wiener2 (J，[5 5]) ;     %自适应滤波

figure;

subp1ot(131) ; imshow(I) ;   %显示原始图像

subplot(132) ;小imshow(J) ;  %显示噪声图像

subplot (133); imshow(K) ;   %显示滤波后的图像

（4）[例5-24]通过拉普拉斯算 子对图像进行锐化滤波，其具体实现的MATLAB代码如下:

close all; clear all; c1c;   %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread(' rice.png') ;   %读入图像

I= im2double (I) ;

h=[0,1,0; 1，-4，1; 0，1，0];    %拉普拉斯算子

J=conv2 (I，h，' same') ;     %卷积

K=I-J;

figure;

subplot (121) ; imshow(I) ;     %显示原图像

subplot (122) ; imshow(K) ;    %显示结果图像

（5）[例5-25]利用理想低通滤波器对图像进行滤波，其具体实现的MATLAB代码如下:

close all; clear all; clc;   %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I= imread ('coins .png') ;    %读入图像

I= im2double (I) ;

M=2*size(I,1) ;    %滤波器的行数

N=2*size (I,2) ;    %滤波器的列数

u=-M/2: (M/2-1) ;

v=-N/2: (N/2-1) ;

[U,V] =meshgrid(u, v) ;

D=sqrt (U. ^2+V.^2) ;

D0=80;        %截止频率

H=double(D<=D0) ;  %理想低通滤波器

J=fftshift(fft2(I，size(H， 1) ，size(H， 2))) ;   %时域图像转换到频域

K=J.*H;      %滤波处理

L=ifft2 (ifftshift(K)) ;     %傅立叶反变换

L=L(1:size(I,1)，1:size(I, 2)) ;

figure;

subplot (121) ; imshow(I) ;    %显示原始图像

subplot (122) ; imshow(L) ;    %显示滤波后的图像

六、

在图像的采集、传送和转换过程中，会加入一些噪声，表现为图像模糊、失真和有噪声等。在实际应用中需要复原清晰、高质量的图像。

（1）简述图像复原和图像增强的异同。

图像复原和图像增强都是为了改善图像的质量，但是两者是有区别的。图像复原和图像增强的区别在于:图像增强不考虑图像是如何退化的，而是试图采用各种技术来增强图像的视觉效果。而图像复原不同，需要知道图像退化的机制和过程等先验知识，据此找到一种相应的逆处理方法，从而得到恢复的图像。

（2）

图像复原的过程，就是根据退化模型及原图像的某些知识，设计-一个恢复系统p(x,y),以退化图像g(x,y)作为输入，该系统应使输出的恢复图像f^(x,y)，按某种准则最接近原图像f(x,y)，图像的退化及复原的过程如图所示。其中h(x,y)和p(x,y)分别称为成像系统和恢复系统的冲激响应。

（3）[例6-10]对图像进行算术均值和几何均值滤波，其具体实现的MATLAB代码如下:

close all; clear all; clc; %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread ( 'cameraman. tif') ;   %读入图像

I=. im2double (I) ;

I= imnoise(I, 'gaussian', 0.05) ;   %添加高斯噪声

PSF= fspecial ('average', 3) ;     %产生PSF

J=imfilter(I, PSF) ;      %算术均值滤波

K=exp (imfilter (log(I)，PSF)) ;      %几何均值滤波

figure;

subplot (131) ; imshow(I) ;     %显示含有噪声的图像

subplot (132) ; imshow(J) ;     %号显示算术均值滤波后的结果

subplot (133) ; imshow(K) ;     %显示几何均值滤波后的结果

(3) [例6-12]采用二维中 值滤波对图像进行复原，其具体实现的MATLAB代码如下:

close all; clear all; clc;    %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread( 'cameraman.tif') ;    %读入图像

I= im2double (I) ;

I= imnoise(I, 'salt & pepper', i 0.05) ;    %添加椒盐噪声

J=medfilt2(I, [3， 3]) ;     %二维中值滤波

figure;

subplot(121) ; imshow(I) ;    %显示含有噪声图像

subplot (122) ; imshow(J) ;   %显示滤波后的结果

(4)由于维纳滤波器的复原效果好，计算量较低，并且抗噪性能优良，因而在图像复原领域得到了广泛的应用。许多高效的图像复原算法都是以维纳滤波为基础形成的。

[例6-17]通过维纳滤波对运动模糊图像进行复原，其具体实现的MATLAB代码如下:

close all; clear all; clc;     %关闭所有 图形窗口，清除工作空间所有变量， 清空命令行

I=imread('onion.png') ;   %读入图像

I=rgb2gray(I) ;

I=im2double (I) ;

LEN=25;         %参数设置

THETA=20;

PSF= fspecial (' motion', LEN, THETA) ;    %产生PSF

J=imfilter(I, PSF, 'conv', 'circular') ;        %运动模糊

NSR=0;

K=deconvwnr (J，PSF, NSR) ;            %维纳滤波复原

figure;

subplot (131); imshow(I) ;    %显示原图像

subplot (132); imshow(J) ;    %显示退化图像

subplot (133) ;imshow(K) ;    %显示复原图像

[例6-20]通过约束最 小二乘法进行图像复原，其具体实现的MATLAB代码如下:

close all; clear all; clc;    %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread(' rice.png') ;      %读入图像

I=im2double (I) ;

PSF= fspecial ('gaussian', 8，4) ;    %产生PSF

J=imfilter (I，PSF， 'conv') ;       %图像退化

figure;

subplot (121) ; imshow(I) ;      %显示原图像

subplot (122) ; imshow(J) ;      %显示退化后图像

v=0.02;

K=imnoise(J, 'gaussian', 0，v) ;   %添加噪声

NP=v*prod(size (I) ) ;

L=deconvreg(K，PSF， NP) ;    %图像复原

figure;

subplot (121) ; imshow(K) ;      %显示结果

subplot (122) ; imshow(L) ;      %显示结果

七、

图像分割就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间其性质具有明显的区别。

（1）典型而传统的分割方法可以分为哪几类？

图像分割的方法已有上千种，每年还有许多新方法出现，典型而传统的分割方法可以分为基于阈值的方法、基于边缘的方法和基于区域的分割方法等。

（2）边缘检测是利用物体和背景在某种图像特性上的差异来实现的，图像边缘是由于相邻像素间灰度值剧烈变化引起的。灰度变化较大的边缘区域其梯度值大，在灰度变化平缓的区域其梯度值较小，而在灰度均匀的区域其梯度值为零。常用的梯度（微分）算子有Sobel算子、Prewitt 算子和Roberts 算子，请分别写出。

（3）[例7-3]采用 Prewitt算子进行图像的边缘检测，其具体实现的MATLAB代码如下:

close all; clear all; clc; %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I= imread (' cameraman.tif') ;     %读入图像

I=im2double (I) ;

[J, thresh]=edge(I, 'prewitt',[], 'both') ; %采用prewitt算子边缘检测

figure;

subplot (121) ; imshow(I) ;     %显示原图像

subplot (122) ; imshow(J) ;     %显示边缘图像

（3）[例7-4]采用Sobel算子进行图像的水平边缘检测，其具体实现的MATLAB代码如下:

close all; clear all; clc; %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I= imread('gantrycrane.png') ;    %读入图像

I=rgb2gray(I) ;     %转换为灰度图像

I= im2double (I) ;

[J, thresh]=edge(I, 'sobel', []，'horizontal') ;     %采用sobel算子检测边缘

figure;

subplot (121) ; imshow (I) ;    %显示灰度图像

subplot (122) ;] imshow(J) ;    %显示水平边缘图像

（4）区域生长是一种串行区域分割的图像分割方法。区域生长的基本思想是将具有相似性质的像素集合起来构成区域。区域增长方法根据同一物体区域内像素的相似性质来聚集像素点的方法，从初始区域(如小邻域或单个像素)开始，将相邻的具有同样性质的像素或其他区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其他小区域为止。区域内像素的相似性度量可以包括平均灰度值、纹理和颜色等信息。

区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。此外，区域生长法的缺点是往往会造成过度分割，即将图像分割成过多的区域。区域生长的好坏决定于三类，第一类为初始种子点的选取，第两类为生长规则，第三类为终止条件。

（4）分水岭算法借鉴了形态学理论，是一种较新的基于区域的图像分割算法。在该方法中，将一幅图像看成一个地形图，灰度值对应地形的高度值，高灰度值对应着山峰，低灰度值对应着山谷。水总是朝地势低的地方流动，直到某个局部低洼处，这个低洼处就是盆地。最终所有的水都会处于不同的盆地，盆地之间的山脊称为分水岭。分水岭分割相当于是一个自适应的多阈值分割算法。

[例7-14]采用分水岭 算法分割图像，其具体实现的MATLAB代码如下:

close all; clear all; clc;   %关闭所有图形窗口，清除工作空间所有变量，清空命令行

I=imread('circbw. tif') ;   %读入图像

J=watershed(I，8) ;      %分水岭分割

figure;

subplot(121) ; imshow(I) ;     %显示原图像

subplot (122) ; imshow(J) ;     %显示分割结果

八、

为了描述目标物的二维形状，通常采用的方法是利用目标物的边界来表示物体，即所谓的边界描述。当一个目标区域边界上的点已被确定时，就可以利用这些边界点来区别不同区域的形状。这样做既可以节省存储信息，又可以准确的确定物体。请写出下图所示图像边界Freeman编码的8方向链码，并计算其一阶差分链码。

从B开始顺时针依次写出如图所示图像边界Freeman编码的8方向链码为00765332；相邻两码依次求差，可得一阶差分链码为07776076

九、

纹理一般是指人们所观察到的图像像素(或子区域)的灰度变化规律。

纹理特征描述图像或图像区域所对应景物的表面性质，是从图像中计算出来的一个值，它对区域内部灰度级变化的特征进行量化。图像的纹理特征常具有周期性，反映物品的质地，如粗糙度、光滑度、颗粒度、随机性和规范性等。纹理分析是指通过一定的图像处理技术抽取出纹理特征，从而获得纹理的定量或定性描述的处理过程。图像的纹理分析应用范围十分广泛，例如对卫星遥感地表图像的分析常采用纹理分析，这是因为地表的山脉、河流、森林、城市建筑等均表现了不同的纹理特征。

为了能更直观地以共生矩阵描述纹理状况，通常可以用一-些标量来表征灰度共生矩阵

的特征，典型的有以下几种：能量、对比度、相关、熵、均匀度

十、

霍夫曼编码的步骤如下: .

(1)将信源符号按出现概率从大到小排成- -列， 然后把最末两个符号的概率相加，合

成一个概率。

(2)把这个符号的概率与其余符号的概率按从大到小排列，然后再把最末两个符号的

概率加起来，合成一个概率。

(3)重复上述做法，直到最后剩下两个概率为止。

(4)从最后一步剩下的两个概率开始逐步反向进行编码。每步只需对两个分支各赋予

一个二进制码，如对概率大的赋予码I,对概率小的赋予码0。

十一、

算术编码的主要步骤如下:

(1)先将数据符号当前区间定义为[0,1)。

(2)对输入流中的每个符号s重复执行两步操作，首先把当前区间分割为长度正比于

符号概率的子区间;然后为s选择-一个子区间，并将其定义为新的当前区间。.

(3)当整个输入流处理完毕后，输出的即为能唯一确定当前区间的数字。

十二、英译汉

As recently as the mid-1980s, numerous models of image processing systems being sold throughout the world were rather substantial peripheral devices that attached to equally substantial host computers. Late in the 1980s and early in the 1990s, the market shifted to image processing hardware in the form of single boards designed to be compatible with industry standard buses and to fit into engineering workstation cabinets and personal computers. In the late 1990s and early 2000s, a new class of add-on boards, called graphics processing units (GPUs) were introduced for work on 3-D applications, such as games and other 3-D graphics applications. It was not long before GPUs found their way into image processing applications involving large-scale matrix implementations, such as training deep convolutional networks. In addition to lowering costs, the market shift from substantial peripheral devices to add-on processing boards also served as a catalyst for a significant number of new companies specializing in the development of software written specifically for image processing.

就在20世纪80年代中期，在世界各地销售的许多型号的图像处理系统都是连接到同样强大的主计算机的相当强大的外围设备。在20世纪80年代末和90年代初，市场转向单板形式的图像处理硬件，其设计目的是与行业标准总线兼容，并适合工程工作站机柜和个人计算机。在20世纪90年代末和21世纪初，一种新的附加板被引入，称为图形处理单元(GPU)，用于处理3D应用程序，如游戏和其他3D图形应用程序。没过多久，GPU就找到了进入图像处理应用程序的方法，涉及大规模矩阵实现，例如训练深度卷积网络。除了降低成本，市场从大量外围设备向附加处理板的转变也成为大量专门开发专门为图像处理编写的软件的新公司的催化剂。

The trend continues toward miniaturizing and blending of general-purpose small computers with specialized image processing hardware and software. Figure 1.24 shows the basic components comprising a typical general-purpose system used for digital image processing. The function of each component will be discussed in the following paragraphs, starting with image sensing.

通用小型计算机与专门的图像处理硬件和软件的小型化和混合化的趋势仍在继续。图1.24显示了用于数字图像处理的典型通用系统的基本组件。每个组件的功能将在下面的段落中讨论，首先从图像传感开始。

Two subsystems are required to acquire digital images. The first is a physical sensor that responds to the energy radiated by the object we wish to image. The second, called a digitizer, is a device for converting the output of the physical sensing device into digital form. For instance, in a digital video camera, the sensors (CCD chips) produce an electrical output proportional to light intensity. The digitizer converts these outputs to digital data.

获取数字图像需要两个子系统。第一种是物理传感器，它对我们想要成像的物体辐射的能量做出反应。第二种称为数字化仪，是一种将物理传感设备的输出转换为数字形式的设备。例如，在数码摄像机中，传感器(ccd芯片)产生与光强度成正比的电输出。数字转换器将这些输出转换为数字数据。

Specialized image processing hardware usually consists of the digitizer just mentioned, plus hardware that performs other primitive operations, such as an arithmetic logic unit (ALU), that performs arithmetic and logical operations in parallel on entire images. One example of how an ALU is used is in averaging images as quickly as they are digitized, for the purpose of noise reduction. This type of hardware sometimes is called a front-end subsystem, and its most distinguishing characteristic is speed. In other words, this unit performs functions that require fast data throughputs (e.g., digitizing and averaging video images at 30 frames/s) that the typical main computer cannot handle. One or more GPUs (see above) also are common in image processing systems that perform intensive matrix operations.

专门的图像处理硬件通常包括刚才提到的数字化仪，以及执行其他基本操作的硬件，例如对整个图像并行执行算术和逻辑操作的算术逻辑单元(ALU)。ALU如何使用的一个例子是，为了降低噪声的目的，图像被数字化后以同样快的速度进行平均。这种类型的硬件有时被称为前端子系统，其最显著的特征是速度。换句话说，这个单元执行的功能需要快速的数据吞吐量(例如，以30帧/秒的速度数字化和平均视频图像)，这是典型的主计算机无法处理的。一个或多个GPU(如上所述)在执行密集矩阵运算的图像处理系统中也很常见。

The computer in an image processing system is a general-purpose computer and can range from a PC to a supercomputer. In dedicated applications, sometimes custom computers are used to achieve a required level of performance, but our interest here is on general-purpose image processing systems. In these systems, almost any well-equipped PC-type machine is suitable for off-line image processing tasks.

图像处理系统中的计算机是通用计算机，范围从PC到超级计算机。在专用应用程序中，有时使用定制计算机来实现所需级别的性能，但这里我们感兴趣的是通用图像处理系统。在这些系统中，几乎任何配备齐全的PC型机器都适合离线图像处理任务。

Software for image processing consists of specialized modules that perform specific tasks. A well-designed package also includes the capability for the user to write code that, as a minimum, utilizes the specialized modules. More sophisticated software packages allow the integration of those modules and general-purpose software commands from at least one computer language. Commercially available image processing software, such as the well-known MATLAB® Image Processing Toolbox, is also common in a well-equipped image processing system.
    图像处理软件由执行特定任务的专用模块组成。设计良好的包还包括用户编写代码的能力，这些代码至少使用专门的模块。更复杂的软件包允许将这些模块和至少一种计算机语言的通用软件命令集成在一起。在装备齐全的图像处理系统中，市面上可买到的图像处理软件也很常见，例如著名的MatLab®图像处理工具箱。