灰度图、RGB
图像变换:平移、旋转、缩放、仿射变换、投影变换
平移、旋转、缩放:像素坐标位置的一个变换。
仿射变换:前三者的叠加
投影变换:投影矩阵
感兴趣区域:
图像增强:直方图均衡化、增强对比度、处理失焦图像
直方图均衡化:将每个像素值出现的次数用直方图统计出来,然后处理图像直方图,使像素值分布的更加均匀。这样,图像看起来就更加的明亮了。
增强对比度:对图像的边缘和细节进行增强,使其更加明显。
处理失焦图像:对焦不准的图像可能存在模糊不清的问题,这是需要考虑图像锐化操作,对图像的边缘进行增强。
图像的平滑与去噪:滤波
图像处理:中值滤波&均值滤波_qinghuaci666的博客-CSDN博客_中值滤波
消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的,而在较高频段,感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求,消除图像数字化时所混入的噪声。而对滤波处理的要求也有两条:一是不能损坏图像的轮廓及边缘等重要信息;二是使图像清晰视觉效果好。
均值滤波:缺陷:均值滤波本身存在着固有的缺陷,即它不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。特别是椒盐噪声,均值滤波对高斯噪声表现较好
中值滤波:椒盐噪声很好的被平滑了,而且也没均值那样模糊化太过于严重。中值滤波采用非线性的方法,它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘,选择适当的点来替代污染点的值,所以处理效果好,对椒盐噪声表现较好,对高斯噪声表现较差。
高斯滤波:
常见的噪声:
常见的噪声:高斯、泊松和椒盐噪声_秀呀秀的博客-CSDN博客_椒盐噪声
什么是图像噪声:噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般,噪声信号与要研究的对象不相关,它以无用的信息形式出现,扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。
噪声来源—两个方面:
(1)图像获取过程中
两种常用类型的图像传感器CCD和CMOS采集图像过程中,由于受传感器材料属性、工作环境、电子元器件和电路结构等影响,会引入各种噪声,如电阻引起的热噪声、场效应管的沟道热噪声、光子噪声、暗电流噪声、光响应非均匀性噪声。
(2)图像信号传输过程中
由于传输介质和记录设备等的不完善,数字图像在其传输记录过程中往往会受到多种噪声的污染。另外,在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。
常见噪声介绍:
高斯噪声,泊松噪声,乘性噪声,椒盐噪声。
高斯噪声:
产生原因:
1)图像传感器在拍摄时市场不够明亮、亮度不够均匀;
2)电路各元器件自身噪声和相互影响;
3)图像传感器长期工作,温度过高。
泊松噪声:
泊松噪声,就是符合泊松分布的噪声模型,泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数,电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等
乘性噪声:
乘性噪声一般由信道不理想引起,它们与信号的关系是相乘,信号在它在,信号不在他也就不在。
椒盐噪声:
椒盐噪声,椒盐噪声又称脉冲噪声,它随机改变一些像素值,是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。
颜色不均匀:
硬件解决
软件:分离三个通道,每个通道单独均衡化处理。
图像分割:阈值处理、区域生长法、分水岭算法
阈值处理:全局阈值
基于直方图的自动阈值分割:
自动全局阈值分割:
局部阈值分割:
区域生长法:
4.1图像分割之区域生长法_阿兵-AI医疗的专栏-CSDN博客_区域生长
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。 区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长点开始(生长点可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。
生长点和相似区域的相似性判断依据可以是灰度值、纹理、颜色等图像信息。所以区域生长算法关键有三个:
1、选择合适的生长点
2、确定相似性准则即生长准则
3、确定生长停止条件
分水岭算法:
图像处理——分水岭算法_fengye2two的专栏-CSDN博客_分水岭算法
分水岭算法是一种图像区域分割法,在分割的过程中,它会把跟临近像素间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近(求梯度)的像素点互相连接起来构成一个封闭的轮廓。分水岭算法常用的操作步骤:彩色图像灰度化,然后再求梯度图,最后在梯度图的基础上进行分水岭算法,求得分段图像的边缘线。
梯度图:
颜色与纹理:色彩空间、通道的处理、纹理分析
图像的形态学处理:腐蚀与膨胀、开运算与闭运算、顶帽与黑帽、灰度图像的形态学运算
特征提取:区域形状特征、灰度值特征、图像纹理特征
边缘检测:像素级边缘提取、亚像素级边缘提取、轮廓处理
模板匹配:灰度值、相关性、形状、组件、描述符、点
图像金字塔:【OpenCV学习笔记】之图像金字塔(Image Pyramid)_zhu_hongji的博客-CSDN博客_图像金字塔
模板匹配的步骤
图像分类:分类器、
相机标定
深度学习: