【数字图像处理第四版课后习题答案】第3章 灰度变换与空间滤波（含英文原版）

3.1 暂无

3.2 翻译答案

3.3 翻译答案

(a) 生成各个位平面所需的变换是二进制变量真值表的映射。在该真值表中，图像值 0 至 127 时，第 8 位的值为 0；图像值 128 至 255 时，第 8 位的值为 1。因此，生成最显著（第 8）位平面的变换函数为：r 在 [0,127] 范围内时，T(r)=0；r 在 [128,255] 范围内时，T(r)=1。
继续使用真值表概念，生成第 7 个位平面图像所需的变换是：图像值在 [0,63] 范围内时输出 0，在 [64,127] 范围内时输出 1，在 [128,191] 范围内时输出 0，在 [192,255] 范围内时输出 1。对于第 6 位平面，变换函数对范围 [0,31] 内的图像值输出 0，对范围 [32,63] 内的值输出 1，对范围 [64,91] 内的值输出 0，以此类推。生成第 5 位平面的变换函数将为范围 [0,15] 内的图像值生成 0，为范围 [16,31] 内的图像值生成 1，以此类推。其他位平面也采用类似的方法。最后，根据字节值是偶数还是奇数，最低阶位平面的变换输出会在 0 和 1 之间切换。
可以看出，随着位平面阶数的降低，变换函数中的 "翻转 "次数也在增加。这就是最低阶位平面最 "繁忙 "的原因。
 

3.4 暂无

3.5 翻译答案

(a) 具有不同强度等级值的像素数量会减少，从而导致直方图中低阶箱的计数减少。
由于像素的数量没有变化，这将导致高阶细分盒的计数增加，从而使直方图中较高值的峰值变高。
这会使图像变亮，但色调会降低。

3.6 暂无

3.7 暂无

3.8 暂无

3.9 翻译答案

(b) 如果强度水平 r，k = 1，2...L- 1 都不是 0，那么 T（r；）将是严格单调的。
这意味着正反两方面都是一一映射，即正反变换都是单值的。

3.10 翻译答案

这个简单问题的目的是让学生思考直方图的意义，并得出结论：直方图不包含图像的空间特性信息。
因此，只有当其中一幅（两幅）图像恒定时，才能用问题陈述中的操作形成的图像直方图来确定原始直方图。在 (d) 项中，我们还有一个额外的要求，即 g(x,y) 的任何像素都不能为 0。
假设 g(x,y) 中所有像素的值都是常数 c。
最后，让 u 表示通过问题陈述中给出的任意算术运算形成的图像像素的强度等级。
在上述条件下，直方图的确定过程如下：
(换句话说，h* 的分量值（高度）与 h 的分量值（高度）相同，但它们在强度轴上的位置右移了一个量 c。

3.11 翻译答案

(a)区间 [0,L-1] 的直方图均衡变换：

根据定义，对于 [0,L-1] 范围之外的值，该变换为 0。将输入强度的值平方并除以 (L-1) 将产生一幅图像，其强度 s 具有均匀的 PDF，因为如前所述，这是一种直方图均衡变换。
(b) 我们感兴趣的是具有指定直方图的图像，因此我们接下来发现

在区间 [0,L-1] 上；根据定义，该函数在其他地方为 0。最后，我们要求 G(z)=s，但 G(z)=z^3/(L-1)3，因此 z^3/(L-1) ^2= s，我们有

因此，如果我们将每个直方图均衡化像素乘以 (L-1)^2，并将乘积提高到 1/3 的幂，则图像的强度 z 在区间 [0,L-1] 内具有所需的 PDF p.(z)=3z^2/(L-1)^3。

3.12 暂无

3.13 翻译答案

在图 3.25(b)中，sg 是纵座标，zq 是横座标。图 3.25(b) 中，sg 为纵坐标，zq 为横坐标。因此，该图是以标准方式显示从 zq 到 s 的映射。如果要直观显示根据步骤 2 和步骤 3 构建的从 se 到 zq 的变换，则应选择 $ 作为横轴，zq 作为纵轴。图 3.25(b )只是将两种不同的方向组合成了一幅图。因此，在同一幅图中，这两个函数看起来就像彼此的镜像。
 

3.14 翻译答案

邻域中第 k 个强度等级对应的直方图分量值为

k= 0,1,2.... .K-1.，其中 n 是强度等级为 r 的像素数，n 是邻域中像素的总数，K 是可能的强度等级总数。假设将邻域向右移动一个像素（我们假设邻域为矩形），这将删除最左边的一列，并在右边引入新的一列。更新后的直方图变为

k=0,1,2.....K-1，其中 n 是级别 r 在左侧列中出现的次数，ng 是右侧列中类似的数量。上述等式也可写成

对于 k=0,1,2.....K-1。同样的概念也适用于其他邻域运动模式：

k=0,1,2..... .K-1.，其中 ap 是移动删除的邻域中值为 re 的像素数量，b 是移动引入的相应数量。
 

3.15 暂无

3.16 暂无

3.17 翻译答案

图 3.28 内核旋转 180°后重绘：

展开公式 (3-34)：

请注意，这些结果与上图排列的乘积之和是一致的。
 

3.18 翻译答案

(a)

(b) 由于内核大小仅为 3×3，因此所需的最小填充是在图像四周添加一个元素为 0 的边框。这样，原始图像中的（2,3）点就变成了填充图像中的（3,4）点。我们用符号 f 表示 7×7 填充图像：

根据公式(3-34)：

其中第二个等式对应于内核以填充图像的（3.4）点为中心。唯一不为 0 的乘积总和值是w（0,0）f,(3,4)=(4)(1)=4 和 w（-1,0）f(4,4)=(2)(1)=2。

因此，当核以 (2,3) 为中心时，卷积值为 (wv* f)(3.4)=4+2= 6：

3.19 翻译答案

相关性和卷积的大小是相同的，因此我们只对相关性证明公式(3-36)和(3-37)的有效性。让 w 表示大小为 m xn 的核，让 和 f 表示大小为 M xN 的图像。我们假设 msM 和 n<N。我们首先证明 S 的有效性。假设 wo 的右下角点与图像的原点重合，而原点位于图像的左上角。要完成 w 与 f 第一行的关联，使 wo 的最左下角点与 f 第一行的最右边点重合，我们必须将 w 向右移动 n-1 次。
图像的宽度为 N，因此第一行相关结果的总宽度为 N+n-1，当然所有行的宽度是相同的。
因此，如公式（3-37）所示，相关结果的图像宽度为 S, = N+n-1。
垂直方向的类似分析表明，相关结果的高度为 S, = M +m-1，如式（3-36）所示。
请记住，这些结果适用于这样的协同配置，即我们以 w 的最右下角点与 f 的原点（顶部，左侧）重合为起点，以 o 的左上角点与 f 的右下角像素重合为终点。
 

3.20 翻译答案

(a) 通过检查，

注： 在求解本问题的（b）和（c）部分时，假设起始配置的内核中心与未填充图像的原点重合，如图 3.30 所示。

3.21 暂无

3.22 翻译答案

(a) 根据定义，可分离核是以 vw "的形式形成的。所以，是的，核是可分离的。
另一种回答方法是，由两个向量的外积形成的矩阵总是秩 1。
秩为 1 的核是可分离的。
 

3.23 翻译答案

(a) 正如第 3.4 节中题为 "可分离滤波器核 "的小节开头所述，如果函数 G（x，y）可以写成 G（x，y）=G（x）G（y），那么它就是可分离的。
二维高斯函数可以写成

因此，高斯核是可分离的。

3.24 翻译答案

让列向量用

行向量为

它们的外积为

从图 3.28 中，我们知道两个二维函数的卷积是将其中一个函数旋转 180°，然后滑过另一个函数，使一个函数的每个元素都 "访问 "另一个函数的每个元素。[这就是 "完全卷积"，与公式 (3-36) 和 (3-37) 有关。］ 如果将 r 旋转 180°，我们可以得到

我们可以看到，将 r 滑过 c 的第一行会产生卷积元素

等于上述乘积的第一行。
不难看出，当 r 滑过 c 的第二行时，将产生乘积的第二行，以此类推，在卷积过程结束时，我们将产生两个向量的整个乘积。

3.25 翻译答案 

(a) 对于两个函数，表 3.6 显示两个函数乘积的均值和方差为

和

如果在乘积中包含第三个函数，则得出

和

这种模式可以推广到

和

标准差是方差的平方根。

3.26 翻译答案

(a) 在右侧图像中，黑白区域之间的边界点数量要多得多。当图像被模糊时，边界点会给右侧图像带来更多不同的值，因此两幅模糊图像的直方图也会不同。

3.27 翻译答案

(a) 根据公式 (3-39) 和 (3-40)，复合内核的大小为

正如我们在第 3.5 节中对高斯低通内核的讨论所知，一个尺寸仅为 3o x3r 的内核将具有介于箱形内核和高斯内核之间的行为。我们需要 6r x6o 的数量级才能获得具有平滑裙边的核的优势。

3.28 翻译答案

(a) 是的。如表 3.6 所示，高斯的卷积就是高斯。
此外，正如我们在第 3.5 节中对高斯低通核的讨论所知，一个核的大小不在 6o x6o 的数量级上，就不会有高斯核的长裙优势。
本问题中的核将具有介于盒核和高斯核之间的行为。
 

3.29 翻译答案

研究空间滤波器重复应用的最简单方法之一就是使用叠加法。为方便起见，假设图像大小为 N xN 的正方形图像，我们可以将 f(x,y) 表示为最多 N2 个图像的总和，其中每个图像只有一个非零像素（最初，我们假设 N 可以是无限的）。那么，使用核 w 进行滤波的过程由以下卷积给出

为便于说明，假设 f 的中心值为 1，而图像中的其他像素值为 0（见图 P3.29(a)）。 29(b)），那么用 f 对 w 进行卷积将产生一幅图像，该图像的中心为 1/9 的 3x3 阵列，其他地方为 Os，如图 P3.29(c) 所示。如果现在将 w 应用于这幅图像，得到的图像将如图 P3.39(d) 所示。请注意，图 P3.29(C)和(d)中的非零像素之和是相同的，并且等于原始像素的值。因此，直观地看出，连续应用 w 将 "扩散 "f 的非零值（这并不是一个意料之外的结果，因为 w 是一个模糊核）。在 k = 1、2、....、N2 的情况下，将所有卷积 f 相加，就得到了总结果。

每迭代模糊一次，数值就会从起点向外进一步扩散。在极限情况下，数值会变得无限小，但由于平均值保持不变，这就需要无限空间比例的动画。虽然问题陈述中没有要求，但在课堂上讨论对有限比例的图像连续应用 w 的效果还是很有启发的。最终的结果是，由于数值无法越过图像的边界向外扩散，连续应用平均化的分母最终会超过像素值，从而使图像在极限情况下归零。
图 P3.29(e)给出了一个简单的例子，它显示了一个大小为 1x7 的数组，通过连续应用 1x3 内核 w=[1 1 1]/3 进行模糊处理。我们可以看到，只要模糊的 1 的值可以扩散出去，得到的像素总和 S 就是 1。
但是，当遇到边界时，必须假设如何处理边界上的核运算。
在这里，我们采用了一种常见的假设，即紧贴边界的像素值为 0。
然而，内核操作并没有超出边界。在这个例子中，我们看到像素值的总和开始随着连续应用内核而减少。在极限情况下，1/(3y 项将超过像素值之和，从而产生一个 0 的数组。

3.30 暂无

3.31 翻译答案

我们假设完全卷积，如公式 (3-36) 和 (3-37) 所解释的那样。让一般核的系数用 e;,e,Cz....ex 表示。我们知道，在完全卷积中，核中的每个系数都会对输入图像中的每个像素进行一次乘法运算。因此，如果我们展开卷积求和，将所有项相加，并收集乘以原始图像中每个像素 f(i, j) 的系数，我们会发现它们如下所示：

但假设系数之和为 1。因此，如果我们对图像中的所有位置（i.j）进行上述计算，并将结果相加，我们就可以得出结论：滤波后图像中的像素总和将等于原始图像中的像素总和。

3.32 暂无

3.33 暂无

3.34 暂无

3.35 暂无

3.36 翻译答案

(a) nxn 中值滤波器中有 n' 个点。由于 n 为奇数，中值，; ，使得有 (n'-1)/2 个点的值小于或等于 f，而有相同数量的点的值大于或等于 f。然而，由于簇中的面积 A（点数）小于 n 的二分之一，而 A 和 n 均为整数，因此 A 总是小于或等于 (n'-1)/2。
因此，即使在极端情况下，即所有集群点都被滤波器包含在内，集群中也没有足够的点等于中值（请记住，我们假设所有集群点的颜色都比背景点浅）。
因此，如果滤波器中的中心点是一个群集点，那么它就会被中值（即背景阴影）所包围，从而被从群集中剔除。
这一结论显然也适用于不太极端的情况，即中值滤波所包含的聚类点数量小于聚类的最大规模。
 

3.37 翻译答案

(a) 对 n2 个数值进行数值排序。中位数为

3.38 暂无

3.39 翻译答案

拉普拉斯算子的定义为

表示未旋转坐标，而

表示旋转坐标。计算公式如下

其中 0 是旋转角度。我们要证明前两个方程的右边相等。
我们从

再次求出这个表达式关于 x 的偏导数，得到

接下来，我们计算

再次求出该表达式关于 y 的导数，得到

最后，将两个表达式的二阶导数相加，就得到了结果：

这证明了拉普拉斯算子与旋转无关。

3.40 翻译答案

中心为-4 的拉普拉斯核在水平和垂直方向上的运算与微分成正比。暂且考虑一个 3×3 的 "拉普拉斯 "核，其中心为-2，中心上下为 1，其他元素均为 0。其他元素均为 0。
这种核仅在一个方向上执行微分，而忽略正交方向上的强度转换。
拉普拉斯核的中心为 -4，垂直和水平方向为 1，显然会产生两个方向都锐化的图像，而且总体上会比前一个核更锐化。
同样，中心点为 -8，水平、垂直和对角线方向均为 1 的核将检测到与中心点为 -4 的核相同的强度变化，但此外，它还能检测到沿对角线方向的变化，因此一般会产生更锐利的效果。
 

3.41 翻译答案

参考公式 (3-55) 和 (3-56)，并使用 k= 1，我们可以写出以下解遮蔽方程：

用图 P3.58(a)中的核卷积 f(x, y) 得到 f(x, y) 。用图 3.31(a) 中的核卷积 f(x. y) 得到 f(x,y)。然后，由于这些操作都是线性的，我们可以使用叠加法，从上式可以看出，使用图 3.41(a)形式的两个核和图 3.31(a)中的核可以得到图 3.41(b)中的复合核。将该核与 f(x, y) 相卷积，得到 g(x, y)，即非锐化结果。

3.42 暂无

3.43 翻译答案

(a) 梯度的大小为

为未旋转坐标，而

为旋转坐标。根据问题 3.39 的说明

其中 8 是旋转角度。我们要证明前两个方程的右边相等。
我们首先写出

和

由此可知

或

从而证明梯度的大小是一个各向同性的算子。
 

3.44 翻译答案

(对于图 3.50(d)中的核，使核等于 vw 的向量 v 和 w 是：v=[1 0 -1]w=[-1 -2 -1]。对于图 3.50(e)中的核，向量为 v=[-1 -2 -1] 和 w=[1 0 -1]。

3.45 翻译答案

(a) 最极端的情况是，内核被放置在一个 3 像素间隙的中心像素上，沿着一个较细的区段，在这种情况下，一个 3×3 的内核将包含一个完全空白的区域。
由于已知这是最大的间隙，所以下一个（奇数）尺寸的内核一定会包含该段中的一些像素。
因此，能满足要求的最小内核是 5×5 平均内核。
 

3.46 暂无

3.47 暂无

【英文原版答案】