一、数字图像处理

数字图像处理

图像滤波

作用：

1.消除图像中混入的噪声

2.为图像识别抽取出图像特征

图像滤波分为线性和非线性，用算子实现。算子就是小的矩阵，比如可以从左上角开始卷积运算，每次运算都算出来一个数，新矩阵就是滤波后的结果。

一、平滑滤波

用于降噪

1、简单平均法

取一个九宫格取平均值，滤波后的结果为50，在一定范围内滤除噪音

（90+0+90+0+90+0+90+0+90）/9=50

2、高斯滤波

一维

二维

离中心值距离越远则发生概率越小

用二维高斯分布的公式：

第一个：

中间：

与100为中心的矩阵相乘：4.54+0+0+0+7.07+0+4.54=16.15

算子之和：0.0454+0.0566+0.0454+0.0566+0.0707+0.0566+0.0454+0.0566+0.0454=0.4787

16.15/0.4787=33.73

处理边界时用padding

边缘滤波

常见的又Roberts算子、Prewitt算子、Sobel算子

Roberts算子

在图像增强锐化中作为一阶算子来使用，计算量小，对细节敏感

Prewitt算子

Sobel算子

Canny算子

1. 用高斯滤波平滑图像

2. 用sobel等梯度算子计算梯度幅值和方向

3. 对梯度幅值进行非极大值抑制

   用sobel算子计算出梯度幅值和方向后，梯度方向一定是垂直与潜在边界的方向。遍历图像上所有检测后的像素，判断每个像素，例如：B是否是A、B、C三个点中的最大值，如果是则保留，不是则抑制(梯度设为0)。

   

4. 用双阈值算法检测和连接边缘

   对于梯度设定两个域置T-max和T-min
   ① 若某一像素位置的幅值超过了高阈值，该像素被保留为边缘像素。
   ② 若某一像素位置的幅值小于低阈值，该像素被排除。
   ③ 若某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。

   

from skimage import filters 
from skimage import feature
filters.roberts(img) 
filters.prewitt(img) 
• filters.prewitt_h(img) 
• filters.prewitt_v(img) 
filters.sobel(img) 
• filters.sobel_h(img) 
• filters.sobel_v(img) 
features.canny(img,sigma=0.1)

图像域置分割

基于Otsu算法（大津算法）的阈值分割方法，又称最大类间方差法

• 把图像转成灰度图

灰度分布图，x轴代表一个像素的亮度从0—1(灰度图范围)，y轴是像素为某个灰度值的发生频率。

• 计算全部平均灰度w

• 选定一个阈值T(假设为0.7)把所有像素分成N0,N1两个部分

• 计算N0的平均灰度w0，和N1的平均灰度w1

• 计算类间方差g=N₀(w₀-w)²+N₁(w₁-w)²

  可以精简为g=N₀N₁(w₀-w₁)²

• 采用遍历法找到Tmax使得g最大

from skimage import feature 
theta = filters.threshold_otsu(img_gray,nbins=256) 
#nbins代表将0-1之间切成的份数，遍历密度越大则theta越准，但运算速度会下降
#生成图像大小的矩阵，矩阵所有值设为0
img_seg=np.zeros(img_gray.shape) 
#亮度>theta的设为1
img_seg[img_gray>theta]=1

基本形态学滤波

膨胀与腐蚀

膨胀：例如把1附近的0设为1 腐蚀：例如把0附近的1设为0

膨胀可以扩充边缘，腐蚀可以提取骨干信息

开运算与闭运算

from skimage import morphology 
#膨胀
img_d=morphology.dilation(img,morphology.square(2))
#腐蚀
img_d=morphology.erosion(img,morphology.square(2))
#开运算
img_d=morphology.opening(img_gray,morphology.square(5)) 
#闭运算
img_d=morphology.closing(img_gray,morphology.square(15))

本期内容与深度学习/计算视觉的关联

• 边缘检测—深度学习神经网络卷积层的数学原理

• 阈值图片分割—计算视觉分割任务的经典应用

• 平滑滤波与基本形态学滤波—图像的降噪与数据清洗