图像预处理学习笔记

确定图像旋转角度

图像旋转

图像剪切

图像的光照不均匀校正

由于在实验数据获取的时候不可避免的会有光照不均匀的情况出现，所以在对图像进
行预处理的时候，很重要的一个环节就是对图像中的不均匀亮度进行校正。首先对原始图像f(x，Y)的背景亮度做粗略的估计，将原始图像f(x，Y)分成大小为32x32的不重叠的方块，取子块中的最小值作为图像背景的照度，形成一个粗略估计的背景图像，将此背景图像扩展成和原图像f(x，y)大小相同的矩阵g(x，Y)，使用三次插值函数对矩阵g(x，y)中的数据进行平滑，然后从原始图像f(x，Y)中减去经过数据平滑后的矩阵g(x，y，)，即：q(x，y)=f(x，y) -g(x，y)，通过对比可以看出处理后的结果中背景亮度分布均匀，工件纹理与背景之间的对比更加明显，纹理清晰易于辨别处理。

图像增强

图像增强(image enhancement)技术是不考虑图像降质的原因，只将图像中感兴趣的
特征有选择的突出，而衰减其不需要的特征，所以改善后的图像不一定要去逼近原图像。比如突出目标轮廓，去除各类噪声等等。从图像质量评价观点来看，图像增强的主要目的是提高图像的可懂度，更有利于人的视觉感知。

图像增强技术有两类方法：空间域法(Spatial Domain)和频率域法(Frequence
Domain)。

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，如先对图像进行傅立叶变换，再对图像的频域进行滤波处理，最后将滤波处理后的图像变换值反变换到空间域，从而获得增强后的图像。这是一种间接处理方法，其原理过程如图3．3所示。
图像增强

空间域法

空间域法主要在空间域内对像素灰度值直接运算处理，如图像的灰度变换、直
方图修正、图像空域平滑和锐化处理等。

灰度修正

灰度修正是对图像在空间域进行增强的简单而效果明显的方法。根据图像不同降质现
象以及所需要的不同图像特征，可采用不同的修正方法。常用的方法主要有两种：
(1)针对图像某一部分或整幅图像曝光不足而使用的灰度级变换，其目的是增加图
像的对比度。
(2)直方图修正，能够使图像具有所需要的灰度分布，从而有选择的突出所需要的
图像特征，来满足人们的需要。

a．灰度变换

工件图像的对比度常常不理想，这是由于图像所包含的灰度范围较窄或像素的灰度分
布的非线性造成的。灰度变换就是利用点运算来修改图像像素的灰度，用来增强原图的各部分的反差，用于改善对比度。点运算是按逐个像元把一幅输入图像的亮度值f(x，Y)的动态范围，按函数映射或变换成输出图像g（x，y)，使其动态范围扩展至指定范围或整个范围，可表示为：g(x，y)=@(x，y)
g(x，y)上每一点像素与f(x，y)上的像素对应相同的坐标位置。算子@有 线性，分段线性
和非线性等几种形式。本文所用到的是分段线性变换，如图3-4所示。(没图)

b．直方图修正

l、直方图概念
输入图像中某一灰度的像素数目ni所占总像素数目N的份额,p称为该灰度像素在该图像中出现的概率密度，它随灰度交换的函数称为输入图像的概率密度函数：p=ni／N （i=0，1⋯，L-1）其中L为灰度级总数目。
直方图变换是以概率理论为基础演绎出来的对灰度进行变换的又一种对比度增强技
术。为了改善一些目标的对比度，可修改各部分的灰度的比例关系，即可通过改造直方图的办法来实现。特别是把原图像直方图两端加以扩展，而中间峰值区域加以压缩，使得输出图像的概率密度见(蜀)所构成的整个直方图呈现均衡分布，如图3-6所示，则输出图像的清晰度会明显提高。
工件图像的直方图均衡化
对工件图像进行直方图均衡化，（具体公式要再看）

图像平滑

图像平滑(Smoothing)的主要目的是减少噪声。工件图像在拍摄以及传输的过程中，
一定会受到噪声的干扰，另外，工件表面的一些毛刺以及粘在工件表面的细小切屑在图像中都会以噪声的形式出现，所以需要对工件图像进行消除噪声的处理。
a，均值滤波 b．中值滤波√

中值滤波，高斯滤波（要再看下）

图像分割（特征提取？？）

图像分割(Image Segmentation)是把图像分割成若干个特定的、具有独特性质的区
域并提取出感兴趣目标的技术和过程。在对图像的研究和应用中，人们往往仅对图像的某些部分感兴趣(目标或背景)，它们一般对应图像中特定的、具有独特性质的区域。为了
分析和识别目标，需要将它们分割并提取出来
图像分割的基本概念是将图像中有意义的特征或者需要应用的特征提取出来。这些特
征可以是图像场的原始特征，如物体占有区的像素灰度值、物体轮廓曲线和纹理特征等；也可以是空间频谱，或直方图特征等。
图像分割是由图像处理转到图像分析的关键阶段。一方面，它是目标图像表达的基础，
对特征测量有重要的影响。另一方面，图像分割和分割的目标表达、特征提取和参数测量等将原始图像转化为数学表达式，使得利用计算机进行图像分析和理解成为可能。
例如有把分割算法分成三类的，①边缘检测②阈值分割和③区域生长。但事实上阈值分割的方法在本质上也是一种区域提取方法，所以③实际上包含了①。另外也有把分割算法分成六部分讨论的①阈值分割②像素分类③深度图像分割④彩色图像分割⑤边缘检测和⑥基于模糊集的方法。从算法的角度来看，各部分内容是有重叠的。

a．边缘检测的梯度算法

l、梯度边缘检测算法基本步骤
梯度边缘检测算法有以下四个步骤：
(1)滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。
(2)增强：增强边缘的基础是确定图像各点领域强度的变化值。增强算法可以将领域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度来完成的。
(3)检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判断。
(4)定位：如果某一应用场合要求确定边缘位置，则边缘检测的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。
在边缘检测算法中，前三个步骤用的十分普遍。这是因为大多数场合下，仅仅需要边
缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方
向。

b 灰度阈值分割

只用一个阈值分割称为单阈值分割方法，如果用多个阈值分割称为多阈值分割方法
可将取阈值分割方法分为如下三类：
(1)基于各像素值得阈值阈值仅根据f(x，Y)来选取，所得到的阈值仅与全图各
像素的本身性质(像素值)有关。
(2)基于区域性质的阈值阈值是根据f(x，Y)和p(x，Y)来选取的，所得的阈值与
区域性质(区域内各像素的值，相邻像素值的关系等)有关。
(3)基于坐标位置的阈值阈值进一步(除根据f(x，y)和p(x，y)来选取外)还与x，Y
有关，即阈值要考虑位置(x，Y)来确定，则所得的闽值是与像素空间坐标有关的。确定第一类阈值的技术有时称为点相关技术，而确定第二类阈值的技术有时称为区域相关技术，确定第三类阈值的技术有时称为动态阈值技术。前两类也有称为全局闽值的，第三类也有叫局部阈值的。在一定意义上可以认为局部阈值化是全局阈值化技术的局部化特征。

全局阈值

l、极小值点阈值
将图像的灰度直方图的包络看作一条曲线，则选取直方图的谷可借助求曲线极小值的
方法。设用^(z)代表直方图，那么极小值点应同时满足：一阶导数=0，二阶导数>0
2、最优阈值
有时图像中目标和背景的灰度值有部分交错，这时如用一个全局阈值进行分割则总会
产生一定的误差。实际中常希望能尽可能减小误分割的概率，而选取最优阈值是一种常用的方法。设有这样一幅混有加性高斯噪声的图像，背景和目标的概率密度分别是n(z)和
见(z)，整幅图像的混合概率密度：(2007年论文里找，没网弄不上图)
其中H和鲍分别是背景和目标区域的平均灰度值，q和吼分别是关于均值的均方差，丑
和昱分别是背景和目标区域灰度值的先验概率。根据概率定义有号+最=1，所以混合概
率密度式(3．29)中有5个未知的参数。如果能求得这些参数就可以确定混合概率密度。

动态阈值

当图像中有如下一些情况：有阴影、光照不均匀、各处的对比度不同、突发噪声、背
景灰度变化等等，如果只用一个固定的全局阈值对整幅图像进行分割，则由于不能兼顾图
像各处的情况而使分割效果受到影响。有一种解决办法是用与坐标相关的一组阈值来对图
像各部分分别进行分割。这种与坐标相关的阈值也叫动态阈值，这种取阈值的分割方法也
叫变化阈值法【31】。
l、阈值插值
具体步骤如下：
(1)将整幅图像分成一系列互相之间有50％重叠的子图像；
(2)做出每个子图像的直方图；
(3)检测各个子图像的直方图是否为双峰，如果是就进行阈值选取，否则不处理；
(4)根据对直方图为双峰的子图像得到的阈值，通过插值得到所有的子图像的阈值：
(5)根据各子图像的阂值，再通过插值得到所有像素的阂值，然后对图像进行分割。
2、水线阈值算法
水线(也称为分水岭或流域，Watershed)阈值算法和直接在最佳阈值处分割不同，它是一种特殊的白适应迭代阈值分割算法。实际中水线算法首先用一个比较高但得到的结构仍能把每个目标孤立开的阈值进行分割。然后，当阈值逐渐减小并且逼近最佳阈值时，不再合并原已分开的目标。这样就可以解决采用全局阈值方法在目标很接近时造成的目标合并问题。

总结

本章对常用的图像预处理算法进行了研究、分析和比较，从理论基础和实验分析两方
面对工件图像的几何变换、图像增强、边缘检测、图像分割等问题进行了阐述，并且找出了适用于工件图像的预处理算法，为后续章节的图像特征提取奠定了基础。本章的主要工作如下：
(1)由于诸多原因造成实验所得到的工件图像只有中间区域可用，所以介绍了工件图像的剪切方法，并简要介绍了工件图像光照不均匀校正的有效方法。
(2)在图像增强方法中，主要包括灰度修正(改善对比度)和图像平滑(消噪)两方面，通过对工件图像进行具体算法处理，比较之后得到了适用于工件图像增强的最佳办法。在实际应用中，我们选用灰度变换的方法来改善工件图像的对比度，选用中值滤波的方法对工件图像进行消噪。
(3)在图像分割方法中，简要地介绍了图像分割方法的基本概念，并对工件图像进行了边缘检测和灰度闽值分割算法的处理，结果比较之后发现在进行边缘检测时，Canny算子的检测结果最好，它能把比较细节的边缘检测出来，另外在对工件图像进行阈值分割时，最佳的方法为全局阈值法。

纹理分析的基本方法介绍

信号处理的角度 空域分析+时域分析
模式识别的角度 统计聚类√+文法推理
纹理算法 统计分析√+结构分析

像素空间投影统计分析法

适用性：针对纹理比较单一，方向性比较强的纹理
方法：1，强化边缘；2.提取单一行/列像素信息（归一化；2维->1维）；3累计面积计算

灰度共生矩阵法

灰度共生矩阵是一幅图像的二次统计
将二阶直方图的频率表示改算成频数表示，然后将其表示成矩阵形式，这个矩阵就被称为灰度共生矩阵。这个矩阵是这样定义的：对于取定的方向Q和距离d，在方向为Q的直线上，一个像素灰度为i，另一个与其相距为d的像素的灰度为j的点对出现的频数作为这个矩阵的第（i，j)阵元的值，灰度共生矩阵的元素p(i，j| d，Q)描述在Q方向上，相隔d个像素距离的一对像素分别具有灰度层i和j的出现概率(频数)。
越均匀，频数越大，灰度共生矩阵法正是建立在估计图像的二阶组合条件概率密度函数基础上的一种重要的纹理分析方法。该方法是纹理分析的重要方法之一，它能够较精确地反映纹理粗糙程度和重复方向。
选不同方向的，就是不同角度的灰度共生矩阵，主对角线上元素很大
沿纹理方向的共生矩阵中，主对角线元素值很大，而其他元素的值全为零，这正说明了沿纹理方向上没有灰度变化。可见，大的主对角线元素提供了识别纹理方向的可能性。

元素值的离散性

灰度共生矩阵中元素值相对于主对角线的分布可用离散性来表示，它常常反映纹理的
粗细程度。离主对角线远的元素的归一化值高，即元素值的离散性大，也就是说，一定位置关系的两像素间灰度差大的比例高。离散性大意味着相邻像素问灰度差大的比例高，说明图像上垂直于该方向的纹理较细：相反，则图像上垂直于该方向上的纹理较租。当非主对角线上的元素的归一化结果全部为零时，元素值的离散性最小，即图像上垂直于该方向上不可能出现纹理。总的