数字图像处理第3章-灰度变换与空间滤波(空间域)

3.1 基本灰度变换函数

反转变换:s=L-1-r
对数变换:s=c\log(1+r)
幂律(伽马)变换:s=cr^{​{\gamma}}
分段线性变换(对比度拉伸、灰度级分层、比特平面分层)

3.2 直方图处理

直方图均衡化:将一副图像的直方图分布通过累积分布函数变成近似均匀分布,从而增强图像的对比度。为了将原图像的亮度范围进行扩展, 需要一个映射函数, 将原图像的像素值均衡映射到新直方图中。
直方图匹配(规定化):用于生成具有规定直方图的图像的方法
局部直方图处理:用于增强图像中几个小区域的细节
直方图统计量增强图像:直接从图像直方图得到的统计量信息可用于增强图像

3.3 空间滤波

空间滤波概念:将每个像素的值替换为该像素及其邻域的函数值来修改图像,若运算为线性,则为线性空间滤波器。大小为m×n的核对大小为M×N的图像的线性空间滤波可以表示为:

g(x,y)=\sum_{s=-a}^{a}\sum\limits_{t=-b}^{b}w(s,t)f(x+s,y+t)

相关操作:
卷积操作(核旋转180°):

当核关于中心对称时,相关和卷积等价。

滤波器核可分离可以减小计算量:
,核w分解为w1和w2且

 3.4 空间域滤波和频率域滤波

空间域和频率域通过傅里叶变换转换,两个基本性质:
1.卷积是空间域滤波的基础,它等效于频率域中的乘法,反之亦然。
2.空间域中振幅为A的冲激,是频率域中值为A的一个常数,反之亦然。

3.5 构建空间滤波器核

构建空间滤波器的三种基本方法:
1.根据数学性质
2.对形状具有所需性质的二维空间函数进行取样
3.设计具有规定频率响应的空间滤波器

3.5.1 平滑(低通)空间滤波器

平滑(也称平均)空间滤波器用于降低灰度的急剧过渡。由于随机噪声通常由灰度的急剧过渡组成,因此平滑的一个明显应用就是降噪。后面的高通、带阻、带通滤波器都可以通过低通得到。

盒式滤波器
        作用:去噪、图像平滑、模糊。
        方法:用一个区域的平均灰度代替中心点的灰度。

低通高斯滤波器
        作用:​​​​​​去噪、图像平滑,同时更好的保留细节信息与强几何分量,边缘过度更平滑。
        方法:借助欧氏距离构建高斯核 ,归一化。

w(s,t)={G}(s,t)={K}\mathbb{e}^{-\frac{s^2+t^{2}}{2{\sigma}^2}}

统计排序(非线性)滤波器
        作用:针对特定随机噪声具有良好降噪性能(椒盐噪声)。
        处理方法:邻域像素集进行排序后的结果选取值代替中心像素(非线性)。
        典型滤波器:中值滤波

3.5.2 锐化(高通)空间滤波器

​​​​​​​锐化的作用是突出灰度过渡区域信息,采用微分(差分)实现,增强边缘以及不连续区域信息,忽略灰度缓慢变化区域。与一阶导数相比,二阶导数可增强更精细的细节,因此是适合于锐化图像的一个理想特性。另外,与实现一阶导数相比,实现二阶导数所需的运算量更少。

梯度(一阶导数)
梯度图像可由M(x,y)=\left\|f\right\|=\operatorname{mag}\left(\nabla f\right)=\sqrt{g_x^2+g_y^2}M(x,y)\approx\begin{vmatrix}g_x\end{vmatrix}+\begin{vmatrix}g_y\end{vmatrix}计算得到。

​​​​​​​
        最普通梯度算子使用的梯度:\begin{array}{c}g_x=z_8-z_5\\ g_y=z_6-z_5\end{array}
        罗伯特交叉梯度算子使用的梯度:\begin{array}{c}g_x=z_9-z_5\\ g_y=z_8-z_6\end{array}
        Sobel算子使用的梯度:\begin{array}{c}g_{x}=\partial f/\partial x=\bigl(z_{7}+2z_{8}+z_{9}\bigr)-\bigl(z_{1}+2z_{2}+z_{3}\bigr)\\ g_{y}=\partial f/\partial y=\bigl(z_{3}+2z_{6}+z_{9}\bigr)-\bigl(z_{1}+2z_{4}+z_{7}\bigr)\end{array}

拉普拉斯锐化(二阶导数)
g(x,y)=f(x,y)+c\begin{bmatrix}\nabla^2f(x,y)\end{bmatrix},式中,f(x,y)g(x,y)分别是输入图像和锐化后的图像​​​​

钝化掩蔽与高提升滤波
从原图像中减去一幅钝化(平滑后的)图像,20世纪30年代以来印刷和出版业一直用来锐化图像,这个过程称为钝化掩蔽。
g_{\mathrm{mask}}(x,y)={f}(x,y)-\bar{f}(x,y)g(x,y)=f(x,y)+kg_{\mathrm{mask}}(x,y)\bar{f}(x,y)表示模糊后的图像,k=1时是钝化掩蔽,k>1时是高提升滤波。

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值