数字图像处理技术课件.ppt

1、数字图像处理技术主要内容1.1.图像预处理技术图像预处理技术 图像降噪图像降噪 图像增强图像增强 图像拼接图像拼接2.2.图像区域检测技术图像区域检测技术 图像分割图像分割图像降噪预处理产生原因产生原因数字图像的噪声主要源于图像的获取和传输过程。钢板表面图像噪声主要类型钢板表面图像噪声主要类型高斯噪声：高斯噪声：电子电路噪声和由低照明度和高温带来的传感器噪声。脉冲噪声：脉冲噪声：主要表现在成像中的短暂停留，例如错误的开关操作。基本方法基本方法平滑滤波平滑滤波中值滤波中值滤波图像的平滑1111.1111191作用作用：用于图像的模糊处理，减小噪声。原理原理：通过模板操作实现一种邻域运算，即某个象

2、素点的结果灰度不仅和该象素灰度有关，而且和其邻域点的值有关。如图所示为两种常见的平滑模板（均值滤波），中间的黑点表示中心元素，即，用哪个元素做为处理后的元素。1212.42121161BOX模板，未考虑位置的影响高斯模板，考虑了位置的影响1212.42121161均值滤波图1 原图图2 均值滤波图3 阈值处理图图2 采用采用1515均值模板进行处理均值模板进行处理中值滤波000000000111000016100001110000000000000000所谓中值滤波，是指把以某点所谓中值滤波，是指把以某点(x，y)为中心的小窗口内的所有象素的灰度按为中心的小窗口内的所有象素的灰度按从大到小的顺

3、序排列，将中间值作为从大到小的顺序排列，将中间值作为(x，y)处的灰度值。处的灰度值。原图中值滤波过的图图中数字代表该处的灰度。可以看出原图中间的图中数字代表该处的灰度。可以看出原图中间的6和周围的灰度相差很大，是一和周围的灰度相差很大，是一个噪声点。经过个噪声点。经过31窗口窗口(即水平即水平3个象素取中间值个象素取中间值)的中值滤波，得到右边那幅的中值滤波，得到右边那幅图，可以看出，噪声点被去除了。图，可以看出，噪声点被去除了。000000111001110011100000000000平滑滤波与中值滤波的对比与应用从原图中不难看出左边区域灰度值低，右边区域灰度值高，中间有一条明显的边界从

4、原图中不难看出左边区域灰度值低，右边区域灰度值高，中间有一条明显的边界,这一类图象称之为这一类图象称之为“step”(就象灰度上了个台阶就象灰度上了个台阶)。应用平滑模板后，图象平滑了，。应用平滑模板后，图象平滑了，但是也使边界模糊了。应用中值滤波，就能很好地保持原来的边界。但是也使边界模糊了。应用中值滤波，就能很好地保持原来的边界。11100011434100113231001110001323101211323112198323191132310143410161516111651611211323112114341011001434101323101100原图经Box模板处理后经Gaus

5、s模板处理后经中值滤波处理后平滑滤波与中值滤波的对比与应用1111100000313131313111111不难看出，原图中有很多噪声点不难看出，原图中有很多噪声点(灰度为正代表灰度值高的点，灰度为负代表灰度灰度为正代表灰度值高的点，灰度为负代表灰度值低的点值低的点)，而且是杂乱无章，随机分布的。这也是一类很典型的图，称之为高斯，而且是杂乱无章，随机分布的。这也是一类很典型的图，称之为高斯噪声。经过噪声。经过Box平滑，噪声的程度有所下降。平滑，噪声的程度有所下降。Gauss模板对付高斯噪声非常有效。模板对付高斯噪声非常有效。而中值滤波对于高斯噪声则无能为力。而中值滤波对于高斯噪声则无能为力。

6、313131000919191313131000000000000111000313131111原图Box模板处理后Gauss模板处理后中值滤波处理后平滑滤波与中值滤波的对比与应用121021131131121021从原图中不难看出，中间的灰度要比两边高许多。这也是一类很典型的图，称之从原图中不难看出，中间的灰度要比两边高许多。这也是一类很典型的图，称之为脉冲为脉冲。可见，中值滤波对脉冲噪声非常有效。可见，中值滤波对脉冲噪声非常有效。313314313531753133143134156415297294156415222333222原图Box模板处理后Gauss模板处理后中值滤波处理后图像增

7、强概念：将图像中感兴趣的特征有选择地突出，而衰减其不需要的概念：将图像中感兴趣的特征有选择地突出，而衰减其不需要的特征，故处理后输出的图像并不需要去逼近原图像特征，故处理后输出的图像并不需要去逼近原图像方法：方法：空间域法：对图像像素直接处理空间域法：对图像像素直接处理 灰度变换灰度变换直方图处理直方图处理u直方图均衡化直方图均衡化u直方图规定化直方图规定化频率域法：在图像的某种变换域内对图像进行运算，再对图像频率域法：在图像的某种变换域内对图像进行运算，再对图像 的频谱进行某种计算，最后将计算后的图像逆变换到空间域。的频谱进行某种计算，最后将计算后的图像逆变换到空间域。图像增强n灰度变换灰度

8、变换图像增强n直方图处理直方图处理直方图就是表示图像中某一灰度级的像素个数。通常用概率密度来表示，直方图就是表示图像中某一灰度级的像素个数。通常用概率密度来表示，即某一灰度级的像素个数占图像中所有像素个数的百分比。即某一灰度级的像素个数占图像中所有像素个数的百分比。直方图均衡化n为了使图像的灰度级能跨越更大的范围，采用均匀直方图的基本增强。为了使图像的灰度级能跨越更大的范围，采用均匀直方图的基本增强。直方图均衡化处理的直方图均衡化处理的“中心思想中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的

9、均匀分布。对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。把给定图像的均匀分布。对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。把给定图像的直方图分布改变成直方图分布改变成“均匀均匀”分布直方图分布。分布直方图分布。直方图均衡化1,2,1,0)(0LknnrTskjjkkkskr算法：算法：即输出灰度级 等于输入灰度级 直方图的累加和。举例：举例：个数2551639183541817045702570237015705805030151210252028105输入灰度累积直方图输出灰度结论：直方图均衡化可以增大图像灰度的动态范围，增强

10、对比度结论：直方图均衡化可以增大图像灰度的动态范围，增强对比度直方图匹配n通过指定图像直方图所具有的形状来实现。通过指定图像直方图所具有的形状来实现。原图直方图均衡过的图直方图匹配过的图直方图均衡化能够自动增强整个图像的对比度，但它的具体增强效果不容易控制，处理的结果总是直方图均衡化能够自动增强整个图像的对比度，但它的具体增强效果不容易控制，处理的结果总是得到全局均匀化的直方图。实际上有时需要变换直方图，使之成为某个特定的形状，从而有选择地增得到全局均匀化的直方图。实际上有时需要变换直方图，使之成为某个特定的形状，从而有选择地增强某个灰度值范围内的对比度。强某个灰度值范围内的对比度。这时可以采

11、用比较灵活的直方图规定化。一般来说正确地选择规定化这时可以采用比较灵活的直方图规定化。一般来说正确地选择规定化的函数可以获得比直方图均衡化更好的效果。的函数可以获得比直方图均衡化更好的效果。图像拼接 图像配准：图像之间的对齐图像配准：图像之间的对齐 基于区域的配准基于区域的配准u 逐一比较法逐一比较法u 分层比较法分层比较法u 相位相关度法相位相关度法 基于特征的配准基于特征的配准u 比值匹配法比值匹配法u 特征点匹配法特征点匹配法 图像融合：实现图像的无缝拼接图像融合：实现图像的无缝拼接u 平均值法平均值法u 加权平滑法加权平滑法u 多分辨样条法：多分辨样条法：计算量大，时间长，不适合一般的

12、图像拼接I=imread(FResourceLeft.jpg);/读取图像J=imread(FResourceRight.jpg);M=J(1:400,1:50);/指定模板N=I(1:400,181:230)-M;/原图指定区域和模板做差S=sum(sum(abs(N);/相似度算法Min=S;index=0;for i=1:15 N=I(1:400,181-i:230-i)-M;S=sum(sum(abs(N);if SMin Min=S;index=i;/获取相似度最大的匹配位置 endendK=I(1:400,1:230-50-index),J(1:400,1:230);/图像拼接模板

13、图像拼接之基于特征点的匹配步骤：步骤：特征选择和提取特征选择和提取点特征：像素点在其邻域的各个方向上的灰度变化足够大，例如边缘点、点特征：像素点在其邻域的各个方向上的灰度变化足够大，例如边缘点、角点、直线交叉点等。角点、直线交叉点等。特征匹配特征匹配在指定相似度算法的基础上进行特征匹配。在指定相似度算法的基础上进行特征匹配。图像拼接之基于特征点的匹配基于边缘点特征的图像匹配算法基于边缘点特征的图像匹配算法 经过Canny算子提取边缘点后，我们得到了图像的边缘特征。但是图像边缘点数量很多，还是不利于我们图像间的匹配。所以需要对边缘点进行筛选，得到最具代表性的特征点。设图像 为参考图像，图像 为待

14、配准图像，设它们的宽和高分别为 和 ，提取特征点步骤为：首先，将图像 中每一列的边缘点找出，并将每一列的边缘点纵坐标(行值)存入数组 中，例如 存储第2列边缘点的纵坐标。然后，根据数组 中所记录的第 列边缘点的位置，求出每一列梯度值最大的边缘点，即为特征点，并记录该点的梯度值和纵坐标，对于图像中任意边缘点 ，梯度值由下式给出：式中，是点 的灰度值，这样可得到长度为 的二维数组 ，数组中第一行的元素是图像中该列上最大梯度值，第二行的元素是图像中该列上梯度最大点的纵坐标。同理可得 的特征数组 。),(1yxf),(2yxf1W1G),(1yxf)(jV121Wj)2(V)(jVj),(ji222)

15、1,()1,(2),1(),1(),(jifjifjifjifjiM),(jif),(ji1W1M),(2yxf2M图像融合平均值法平均值法算法：算法：令I1(x,y)，I2(x,y)和I(x,y)分别表示第一幅图像、第二幅图像和融合图像在点(x,y)处的像素值，则融合图像中各点的像素值按下式确定。3212211),(),(),(),(),(),(21),(),(RyxRyxRyxyxIyxIyxIyxIyxI式中，R1表示第一幅图像中未与第二幅图像重叠的图像区域，R2表示第一幅图像与第二幅图像重叠的图像区域，R3表示第二幅图像中未与第一幅图像重叠的图像区域。图像融合WixWxW/1)(1)(

16、12加权平滑法：加权平滑法：使颜色逐渐过渡，避免图像模糊和明显的边界。算法：算法：在重叠部分由前一幅图像慢慢过渡到第二幅图像，即将图像重叠区域的 像素值按一定的权值相加合成新的图像。相邻图像I1、I2在区间x1,x2上重叠，W1(x)、W2(x)为加权函数，一个常用的加权函数的形式为：其中0iW，W为重叠区域的宽度。那么重叠通向I在这个区间上(x,y)点的像素值如式：)(*),()(*),(),(2211xWyxIxWyxIyxI图像分割概念：就是在一幅图像中，把目标从背景中分离出来，以便于进一步概念：就是在一幅图像中，把目标从背景中分离出来，以便于进一步 处理。处理。方法：方法：基于边缘检测

17、的图像分割基于边缘检测的图像分割基于阈值的图像分割基于阈值的图像分割基于区域增长法的图像分割基于区域增长法的图像分割基于变形模型的图像分割基于变形模型的图像分割基于聚类法的图像分割基于聚类法的图像分割基于遗传算法的图像分割基于遗传算法的图像分割基于模糊集理论的图像分割基于模糊集理论的图像分割基于神经网络的图像分割基于神经网络的图像分割边缘检测作用作用钢板边界检测钢板边界检测缺陷边缘检测缺陷边缘检测方法方法梯度法（梯度法（Roberts算子、算子、Prewitt算子、算子、Sobel算子、算子、Kirsch算子、算子、高斯拉普拉斯（高斯拉普拉斯（LOG）算子）。）算子）。Canny边缘检测法边缘

18、检测法小波分析技术小波分析技术差影技术：先腐蚀，再做差差影技术：先腐蚀，再做差图像平滑技术图像平滑技术梯度算子1.01，254254254254011253253255255000254254253254111254254254255100给出一幅图像，对其进行模板运算，模板为：图1 原图图2 结果图像图1中不难发现左边暗，右边亮，中间存在着一条明显的边界。图2中可以看出，第3、4列比其他列的灰度值高很多，人眼观察时，就能发现一条很明显的亮边，其它区域都很暗，这样就起到了边沿检测的作用。1.01，模板称作梯度算子。xxxxxxxx00254253122255255010252253001253

19、2551Roberts算子1000.00001模板：模板：特点：特点：0010.00100Robert 算子是一种梯度算子算子是一种梯度算子,它用交叉的差分表示梯度它用交叉的差分表示梯度,对具有对具有陡峭的噪声的图像效果最好。陡峭的噪声的图像效果最好。Prewitt算子1011.01101prewitt 算子是平均算子算子是平均算子,对噪声有抑制作用对噪声有抑制作用,但是像素平均相当但是像素平均相当于对图像进行滤波操作于对图像进行滤波操作,所以所以prewitt 算子对边缘的定位不如算子对边缘的定位不如robert 算子。算子。特点：特点：模板：模板：1110.00111检测水平边沿检测垂直边

20、沿Sobel算子1210.00121模板：模板：1012.02101检测水平边沿检测垂直边沿特点：特点：对邻域采用带权方法计算差分；能进一步抑止噪声；但检测的边缘较宽。对邻域采用带权方法计算差分；能进一步抑止噪声；但检测的边缘较宽。X,Y 方向各用一个模板方向各用一个模板,两个模板组合起来构成两个模板组合起来构成1 个梯度算子。个梯度算子。X 方向模方向模板对垂直边缘影响最大板对垂直边缘影响最大,Y 方向模板对水平边缘影响最大。方向模板对水平边缘影响最大。Sobel算子对于象素的位置的影响做了加权，因此效果比算子对于象素的位置的影响做了加权，因此效果比Prewitt算子算子更好。更好。Kirs

21、ch算子模板：模板：特点：特点：3353.053353333.035553335.035535335.035333333.053553553.053335553.033335535.033338个模板形成了个模板形成了Kirsch 边缘检测算子，图像中的每个像素都用这边缘检测算子，图像中的每个像素都用这8个个模板进行操作，每个模板都对某个特定边缘方向作出最大响应，所有模板进行操作，每个模板都对某个特定边缘方向作出最大响应，所有8个方向的最大值作为该点的输出值。最大响应掩模的序号构成了边个方向的最大值作为该点的输出值。最大响应掩模的序号构成了边缘方向的编码。缘方向的编码。高斯拉普拉斯算子模板：模

22、板：定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个正数，定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个正数，而且其周围像素的系数为负数，系数之和必为而且其周围像素的系数为负数，系数之和必为0。对于一个。对于一个3x3的区域，经的区域，经验上被推荐最多的形式是：验上被推荐最多的形式是：0101.410101111.81111 Gauss-Laplacian算子是各向同性的算子是各向同性的,能对任何走向的界线和线条进行锐化能对任何走向的界线和线条进行锐化,无无方向性。这是高斯拉普拉斯算子区别于其他算法的最大优点。方向性。这是高斯拉普拉斯算子区别于其他算法的最大优点。

23、特点：特点：Canny边缘检测法Canny 边缘检测是一种比较新的边缘检测算子边缘检测是一种比较新的边缘检测算子,具有很好的边缘监测性能具有很好的边缘监测性能,在图像处理中得到了越来越在图像处理中得到了越来越广泛的应用。它依据图像边缘检测最优准则设计广泛的应用。它依据图像边缘检测最优准则设计Canny 边缘检测算法边缘检测算法:(1)首先用首先用2D 高斯滤波模板进行卷积以消除噪声。高斯滤波模板进行卷积以消除噪声。(2)利用导数算子找到图像灰度地沿着两个方向的偏导数利用导数算子找到图像灰度地沿着两个方向的偏导数(Gx,Gy),并求出梯度的大小并求出梯度的大小。(3)利用利用(2)的结果计算出梯

24、度的方向。的结果计算出梯度的方向。(4)一旦知道了边缘的方向一旦知道了边缘的方向,就可以把边缘的梯度方向大致分为四种就可以把边缘的梯度方向大致分为四种:水平、竖直、水平、竖直、45 度方向、度方向、135 度方度方向。通过梯度的方向向。通过梯度的方向,就可以找到这个像素梯度方向的邻接像素。就可以找到这个像素梯度方向的邻接像素。(5)遍历图像遍历图像,若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的,那么这个像那么这个像素值置为素值置为0,即不是边缘。即不是边缘。(6)使用累计直方图计算两个阈值使用累计直方图计算

25、两个阈值,大于高阈值的一定是边缘大于高阈值的一定是边缘,小于低阈值的一定不是边缘小于低阈值的一定不是边缘,介于之间的介于之间的,看这个像素的邻接像素中有没有超过高阈值的边缘像素看这个像素的邻接像素中有没有超过高阈值的边缘像素,如果有的话那么它就是边缘了如果有的话那么它就是边缘了,否则它就不是边否则它就不是边缘。缘。算法：算法：特点：特点：Canny 方法不容易受噪声干扰方法不容易受噪声干扰,能够检测到真正的弱边缘。优点在于能够检测到真正的弱边缘。优点在于,使用两使用两种不同的阈值分别检测强边缘和弱边缘种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时并且当弱边缘和强边缘相连时,才将

26、弱才将弱边缘包含在输出图像中。边缘包含在输出图像中。边缘提取算子举例比较原图Prewittcannyrobertslogsobel边缘连接处理方法：方法：基于局部处理的图像边缘连接基于局部处理的图像边缘连接基于模糊判决的基于模糊判决的图像图像边缘连接边缘连接基于人类感知的基于人类感知的图像图像边缘连接边缘连接基于自适应数学形态学的基于自适应数学形态学的图像边缘连接图像边缘连接基于视觉感知的双层次阈值的基于视觉感知的双层次阈值的图像边缘连接图像边缘连接基于边缘生长的基于边缘生长的图像边缘连接：效果较好图像边缘连接：效果较好目的与意义：目的与意义：边缘检测处理后，由于噪音的原因，边界的特征很少能够

27、被完整地描述，在亮度边缘检测处理后，由于噪音的原因，边界的特征很少能够被完整地描述，在亮度不一致的地方会中断。需要连接过程用来归整边像素，成为有意义的边。不一致的地方会中断。需要连接过程用来归整边像素，成为有意义的边。基于局部处理的边缘连接设定设定A（方向角）、（方向角）、T（梯度）的阈值大小，确定邻域的大小。（梯度）的阈值大小，确定邻域的大小。当梯度值和方向角都是相似的，则点当梯度值和方向角都是相似的，则点(x，y)，与边点界，与边点界(x，y)是连接的。是连接的。原理原理u对做过边检测的图象的每个点对做过边检测的图象的每个点(x，y)的特性进行分析。的特性进行分析。u分析在一个小的邻域（分

28、析在一个小的邻域（3x3或或5x5）中进行。）中进行。u所有相似的点被连接，形成一个享有共同特性象素的边界。所有相似的点被连接，形成一个享有共同特性象素的边界。u用比较梯度算子的响应强度和梯度方向确定两个点是否同属一条边。用比较梯度算子的响应强度和梯度方向确定两个点是否同属一条边。阈值分割法基本思想：基本思想：确定一个合适的阈值确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。（阈值选定的好坏是此方法成败的关键）。将大于等于阈值的像素作为物体或背景，生成一个二值图像。将大于等于阈值的像素作为物体或背景，生成一个二值图像。If f(x，y)T set 255 Else set 0特点：特

29、点：适用于物体与背景有较强对比的情况，重要的是背景或物体的灰适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。度比较单一。阈值的选取是图像阈值分割方法中的关键技术。阈值的选取是图像阈值分割方法中的关键技术。阈值分割法：阈值获取方法直方图法直方图法基本思想：边界上的点的灰度值出现次数较少基本思想：边界上的点的灰度值出现次数较少取值的方法：取直方图谷底取值的方法：取直方图谷底(最小值最小值)的灰度值为阈值的灰度值为阈值T。缺点：会受到噪音的干扰，导致最小值不是预期的阈值，而偏离期望的缺点：会受到噪音的干扰，导致最小值不是预期的阈值，而偏离期望的值。值。阈值分割法：阈值获取方法最大

30、类间方差法：最大类间方差法：它被认为是阈值分割中的经典算法。最佳熵阈值方法：最佳熵阈值方法：此算法无需先验知识，且对于呈非理想双峰直方图的图像也可以进行较好的分割。但是，该算法在确定阈值，特别是多阈值时，存在计算量相当大、分割结果对阈值的变化较为敏感等不足。P-tile法：法：是早期的基于灰度直方图的自动阈值选择方法。该方法计算简单，抗噪声性能较好。其不足之处是要预先知道给定目标与整幅图像的面积比P。因此在P未知或P随不同图像改变时，该方法不适用。均匀化误差阈值选取方法均匀化误差阈值选取方法基于基于Otsu准则及图像熵的阈值分割算法准则及图像熵的阈值分割算法基于人工免疫的图像分割算法：基于人工

31、免疫的图像分割算法：该算法在生物免疫的思想上加入了人工免疫算子，不但能找到最优的阈值，而且分割时间是传统的1.8。其他方法其他方法面向区域的分割目标：将区域目标：将区域R划分为若干个子区域划分为若干个子区域R1,R2,Rn，这些子区域，这些子区域满足满足5个条件：个条件：1)完备性：完备性：2)连通性：每个连通性：每个Ri都是一个连通区域；都是一个连通区域；3)独立性：对于任意独立性：对于任意i j，Ri Rj=；4)单一性：每个区域内的灰度级相等；单一性：每个区域内的灰度级相等；5)互斥性：任两个区域的灰度级不等。互斥性：任两个区域的灰度级不等。概念：概念：RRnii1区域增长法该算法涉及区

32、域增长方式的选择。最简单的方式是通过灰度判断，如小于给定该算法涉及区域增长方式的选择。最简单的方式是通过灰度判断，如小于给定阈值则连接，否则不连接。阈值则连接，否则不连接。算法：算法：1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点2）选择一个描述符（条件）3）从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合4）上一过程进行到不再有满足条件的新结点加入集合为止区域分裂与合并法算法：算法：1）对图像中灰度级不同的区域，均分为四个子区域。）对图像中灰度级不同的区域，均分为四个子区域。2）如果相邻的子区域所有像素的灰度级相同，则将其合并。）如果相邻的子区域所有像素的灰度级相同，则将其合并。3）反复进行上两步操作，直至不再有新的分裂与合并为止。）反复进行上两步操作，直至不再有新的分裂与合并为止。谢 谢！