图像处理与机器学习学习记录

吴艾洛

已于 2023-12-06 20:28:03 修改

阅读量759

点赞数 22

文章标签：机器学习图像处理学习

于 2023-12-06 20:26:46 首次发布

本文链接：https://blog.csdn.net/qq_41829127/article/details/134839957

版权

图像处理与机器学习

2.1 图像增强方法

2.1.1空间域增强

灰度变换(线性变换、非线形变换)
代数运算（加法运算、减法运算、乘法运算）
空间域滤波（低通滤波、高通滤波）

以上三种方法是直接对图像像素的灰度级进行操作，称之为空间域增强

2.1.2频域增强

频域滤波）

2.2.1灰度变换

——简单、常用的空间域图像增强方法

——输入图像像素的灰度级进行变换

s=T[r] r/s: 输入/输出灰度级

T:灰度变换函数 {线形或非线形}

线形变换

灰度拉伸
灰度压缩

非线形变换

对数变换

$s=c\times log(1+r)$

窄带低灰度输入图像–>宽带输出图像

幂次变换

$s=c\times r^\gamma$

高灰度输入图像–>宽带输出图像 $\gamma>1$

窄带低灰度输入图像–>宽带输出图像 $\gamma<1$

直方图均衡

灰度直方图

$H_A(D)$ : 变换之前图像的直方图

$H_B(D):$ 变换之后图像的直方图

$H_B(D_B)=\frac{H_A(D_A)}{f^{’}(D_A)}$

灰度变换后图像直方图是变换前直方图与变换函数导数之比

直方图均衡

灰度级动态范围窄—> 每个灰度级都拥有像素

直方图分布不均匀—>直方图分布均匀

$H_B(D_B)=\frac{H_A(D_A)}{f^{’}(D_A)}=常数=\frac{A_0}{D_m}$

$D_m$ 代表灰度级， $A_0$ 代表图像像素总数

2.2.2代数运算

加法运算

定义——两幅或多幅图像相加

$C (x, y) = A (x, y) + B (x, y)$

应用——去除叠加性噪声

减法运算

定义——两幅图像相减

$C (x, y) = A (x, y) - B (x, y)$

应用——分割特定区域，检测场景变化

乘法运算

定义——两幅图像相乘

$C(x,y)=A(x,y)\times B(x,y)$

应用——获取图像中特定的部分

2.2.3空间域滤波

低通滤波（去噪）

均值滤波

$h(m,n)=\begin{bmatrix}1&1&{1}\\{1}&{1}&{1}\\{1}&{1}&{1}\end{bmatrix}$

应用：提取感兴趣物体

高斯低通滤波（加权平均）

$h(m,n)=\begin{bmatrix}1&2&{1}\\{2}&{4}&{2}\\{1}&{2}&{1}\end{bmatrix}$

应用：图像平滑

中值滤波

–邻域内像素（包括原像素）灰度排序

–取中间值

使突出的亮（暗）点更接近它周边的点，消除孤立的亮点或暗点

去除噪声的同时，比较好地保留边缘

能够有效去除脉冲噪声（黑白点叠加在图像上）

高通滤波（图像锐化）

突出图像的细节特征、增强图像模糊的边缘

Laplace算子

--对噪声敏感

--不能检测边缘的方向

--零交叉性质进行边缘定位

$h(m,n)=\begin{bmatrix}0&-1&0\\-1&4&{-1}\\{0}&{-1}&{0}\end{bmatrix}$

Sobel算子

--对噪声敏感度较低

--可以检测边缘的方向

--无法进行边缘定位

$h(m,n)=\begin{bmatrix}-1&0&1\\-1&0&{2}\\{-1}&{0}&{1}\end{bmatrix}$

2.3 频域增强

2.3.1二维离散傅里叶变换定义

连续周期信号可以表示为一系列不同频率的正弦波的线形叠加

傅里叶级数

$\tilde{x}(t)=\sum_{n=-\infty}^{\infty} C_n \mathrm{e}^{\mathrm{j} n \omega_0 t}$

$C_n=\frac{1}{T_0} \int_{t_1}^{t_1+T_0} \tilde{x}(t) \mathrm{e}^{-\mathrm{j} n \omega_0 t} \mathrm{~d} t$

连续时间非周期信号的傅里叶变换

$x(t)=\frac{1}{2 \pi} \int_{-\infty}^{\infty} X(\mathrm{j} \omega) \mathrm{e}^{\mathrm{j} \omega t} \mathrm{~d} \omega$

$X(\mathrm{j} \omega)=\int_{-\infty}^{\infty} x(t) \mathrm{e}^{-\mathrm{j} \omega t} \mathrm{~d} t$

一维离散信号傅里叶变换

$\quad X[m]=\sum_{k=0}^{N-1} x[k] \cdot e^{-j \frac{2 \pi}{N} m}, \quad m=0,1,2, \quad, N-1$

反变换 $x[k]=\frac{1}{N} \sum_{m=0}^{N-1} X[m] \cdot e^{j \frac{2 \pi}{N} m k}, \quad k=0,1,2，N-1$

二维离散信号傅里叶变换

$v)=\frac{1}{M N} \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x, y) e^{-j2 \pi(u x / M+v y / N)}, \begin{array}{l}u=0,1, \ldots M-1 \\ v=0,1, \ldots N-1\end{array}$
$y)=\sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u, v) e^{j 2 \pi(u x / M+v y / N)}, \begin{array}{l}x=0,1, \ldots M-1 \\ y=0,1, \ldots N-1\end{array}$