工作需要,兴趣所然。
0.视觉的特点:多义性、错觉。
0.1.机器视觉:通过电子化感知和理解(数字)图像。
1.什么是图像处理:
使用计算机对图像进行分析、加工、处理以满足不同的要求。是信号处理的一个分支。
2.图像处理:
低级处理:图像预处理、对比度增强、图像锐化等。
中级处理:分割、特征提取、识别、分类等。
高级处理:图像理解、机器视觉。
3.图像处理一般步骤:
获取-增强-(主观)-复原(客观)-彩色图像处理-小波变换-多分辨率处理-压缩-形态学处理-分割-表示与描述-目标识别
4.取样:数字化坐标值(图像的象素单位)。量化:数字化幅度(每个象素的具体的值)。
5.邻域:4邻域(上下左右)。8邻域(上下左右+左上右上左下右下)
6.距离:
欧式距离D4:d=[(x1-x2)^2+(y1+y2)^2]^1/2
街区距离D4:d=|x1-x2|+|y1-y2|
棋盘距离D8:d=max(|x1-x2|,|y1-y2|)
7.图像增强:对图像(某些)特征进行处理(突出或者去除)。分为空间域处理和频域处理。
空间域:直接对图像象素进行处理。
频域:先进性傅里叶变换,然后进行处理。
7.1:图像增强的方法:灰度变换、代数运算、空间域滤波(空间域增强)、频域滤波(频域增强)。
7.2:灰度变换:线性变换、非线性变换。
7.3:代数运算:加法减法乘法运算。
7.4:空间域滤波和频域滤波:低通、高通等滤波器。
灰度变换:直接对图像像素的灰度级进行操作。
线性变换:反转、灰度拉伸、分段线性变换。
非线性变换:对数变换、幂次变换、直方图均衡。
对数变换:对数函数——对暗区拉伸较大,亮区较小压缩。窄带低灰度图像映射为宽带输出图像。(窄带是指灰度直方图的分布动态范围较窄)
幂次变换:幂函数——r>1对亮区较大的压缩,反之。
直方图均衡:灰度变换之后原灰度和现灰度存在某种函数关系,那原直方图和现直方图之间是否也会存在某种函数关系?经推导现直方图=原直方图/变换函数的导数。所以可以直接通过变换直方图对图像进行增强。也就是使变换之后的直方图分布更加均衡。
D为某个灰度级,Dm是灰度级个数,Db是变化后,Da是原,A0是像素个数。
代数运算:
加法运算:多幅图像相加:去除叠加性噪声。多用于视频图像处理(多幅图像相加求平均)。
减法运算:两幅图像相减:分割特定区域、检测场景变化。
乘法运算:两幅图像相乘:获取图像中特定的部分。
7.5.空间域滤波:从信号与系统之间的关系进行分析。空间域滤波相当于对原图像进行卷积。
空间均值滤波器:卷积核均为1。——去噪、平滑,边缘模糊、提取感兴趣区域物体。
空间 高斯低通滤波器:121——去噪、平滑、边缘模糊、提取感兴趣区域物体(先滤波再二值化等)。
空间中值滤波器:排序取中间值。——去噪同时保留边缘。——消除孤立亮点或暗点。——去除脉冲噪声(黑白点)(椒盐噪声)
空间 高通滤波器:——突出细节,增强边缘(图像锐化)。
低通:积分(求和)运算。
高通:微分(差分)运算,求像素的梯度值(水平和垂直梯度)。
一阶差分的图像增强:一阶导数可以检测某像素点是否在边缘上,二阶导数可以判断像素点在亮或者暗的一边。
算子用来提取边缘,原图像+梯度(边缘)就完成图像的锐化。也就是基于梯度的图像增强。
Robert算子:交叉差分算法。
Prewitt算子:
Sobel算子:对中间点进行加权。对噪声敏感度低,可以检测边缘的方向。无法判断像素在哪一边。
二阶差分的图像增强:
Laplace算子:对噪声敏感,无法检测边缘方向。可以对边缘定位。
7.6.频域滤波:先进行傅里叶变换,再乘以系统函数H,得到结果后再傅里叶逆变换。
频域低通滤波器:去除高频部分,细节被平滑。可以去噪。去除栅格。文本图像中字符失真、断裂修复。
三种低通滤波器:理想低通滤波器,巴特沃斯低通滤波器,高斯低通滤波器。
理想低通滤波器:截至频率之外的频率都无法通过。如何选择截至频率呢?——看某个截至频率内的功率占比。存在振铃现象(根据h看)
巴特沃斯低通滤波器:存在振铃现象(n>3时出现)(根据h看)
高斯低通滤波器:,没有振铃现象,但是相同的截至频率,没有巴特沃斯的效果好。
频域高通滤波器:去除低频成分,增强细节,进行图像锐化。(获得边缘然后与原图进行叠加)
三种高通滤波器:理想高通、巴特沃斯、高斯高通滤波器。
理想高通滤波器:振铃现象严重。
巴特沃斯滤波器:存在振铃现象。
高斯高通滤波器:无振铃现象。
低通滤波器和高通滤波器只能解决加性噪声,不能解决乘性噪声或者卷积噪声。
7.7.同态滤波:基于图像的成像模型,在频域压缩灰度动态范围,增强对比度。
图像的成像模型:
在设计H时,对低频进行压缩,对高频进行增强,增强对比度。
8.图像处理的三个基本函数:
线性处理:所有象素统一处理
对数处理:不同象素不同处理
幂次函数处理:不同象素不同处理
9.图像反转:s=l-1-r(l为象素级(8、16、256等)r为原像素值)
245=256-1-10
10.幂次变换:伽马校正:显像管时显示并非线性以及更好的显示亮度,所有在显示时进行伽马校正还原。伽马校正(Gamma Correction)_Jeff-Chow000的博客-CSDN博客_伽马校正
11.分段线性变换:
灰度切割:提高自己所关心区域的灰度值。
位图切割:不提高灰度范围的亮度,而是通过对特定位(特定灰度值)提高亮度。
12.直方图处理:每个灰度的个数统计图。
直方图均衡化:把图像的亮暗调均衡。用于图像增强。也可以用于图像分割。
13.局部增强:
用算数/逻辑操作增强:提取感兴趣区域。(与或非模板,加法或减法)
减法:增强两幅图像的差异。
14.平滑空间滤波器:积分
模糊处理/降噪:线性/非线性。
平滑线性滤波器:均值:用某个邻域内的某个值来代替此象素。——处理高斯噪声(白噪声)。
非线性滤波器:中值、最大值、最小值、中点、统计滤波器:某邻域内的值进行排序之后的某值代替此象素。——处理椒盐噪声(黑白点)。
15.空间锐化滤波器:微分(二阶好于一阶)——象素的突变程度、突出或者增强细节。
一阶算子:Reborts、Sobel、Prewitt算子
二阶算子:Laplace、LOG算子
16.加性噪声:不管有无信号,噪声都存在。
乘性噪声:信号没有噪声就没有。
17.频域图像增强:前处理——傅里叶变换——滤波器——傅里叶逆变换——后处理。
18.形态学处理:可以用来边界提取,识别物体形状(击中击不中变换对)。
腐蚀——减少——消除粘连、去除区域、去噪。与运算,求交集。
膨胀——增加——连接间隙、填充小洞。或运算,求并集。
开运算:先腐蚀后膨胀:去噪,断开连接。消除小物体,平滑边界。
闭运算:先膨胀后腐蚀:填充;连接邻近物体;锐化。
19.图像分割:提取感兴趣区域,然后进行识别。
基于阈值的分割方法:灰度或者颜色区别。
基于边缘的分割方法:找到边缘利用边缘进行分割。
基于区域的分割方法:内部扩张到外部。
基于学习的方法:预处理,特征提取,分类器训练。
19.1.基于阈值的分割方法:
基于全局的阈值/基于局部的阈值/基于动态的阈值。
选取阈值:直方图技术、最小误差阈值法、最大方差阈值法。
直方图技术:灰度差别大。
基于直方图的全局阈值法:确定初始阈值,将像素分为两组,然后计算两组的平均灰度为新的阈值,重复步骤,直到阈值差很小或者小于某个设定值。
最小误差阈值法:需要知道概率分布。
最大方差:先用直方图选取初始阈值,分为两组像素,计算两组像素之间的方差,找到方差最大时的阈值。(常用)
19.2.基于边缘的分割:找到边缘,利用边缘分割。
点检测:
线检测:
边缘提取:一阶或者二阶导数、高通滤波器。
canny算子:多级边缘检测算子。
Canny算子过程:先降噪(高斯低通);计算梯度(四个方向);非极大值抑制(沿着梯度方向找局部最大值);边缘跟踪(双阈值检测+边缘跟踪)
霍夫变换:解决边界点不连续(需要连接边界点,构成完整的边界——找多个点的共线)可以检测直线或者曲线。可以进行图像校正。
霍夫变换:将原方程转换到参数平面,在参数平面相交直线最多的点,对应原平面的直线为所求的直线。
优点:抗噪强,检测直线或曲线。
缺点:需要进行二值化以及边缘检测,会损失信息。
19.3.基于区域的图像分割:区域生长法、分裂合并法。
区域生长法:选取种子点、判断周围像素是否相似、合并相似点、迭代。
如何确定种子?人机交互法/基于直方图
如何判断相似?基于区域灰度差/基于区域灰度分布统计性质(先将像素分为不重叠的小区域,基于不同区域之间的灰度直方图的相似性进行合并)
区域分裂合并法:先将图像分为不重叠的区域,然后合并或者分裂这些区域(根据某种条件)