图像处理课件

1、HUST 图象识别与人工智能研究所1 数字图象处理 第一章 绪 论 第二章 图像变换 第三章 图像增强 第四章 图像复原 第五章 图像编码 第六章 图像分割与描述 HUST 图象识别与人工智能研究所2 第一章第一章 绪论绪论 1 1 图象与数字图象处理图象与数字图象处理 2 2 图象信号数字化图象信号数字化 3 3 数字图象特征描述数字图象特征描述 4 4 数字图象处理系统数字图象处理系统 主要参考书目主要参考书目 HUST 图象识别与人工智能研究所31 1 1 1 1 1 图图图图图图象象象象象象与与与与与与数数数数数数字字字字字字图图图图图图象象象象象象处处处处处处理理理理理理1 1 1

2、1 1 1. . . . . .1 1 1 1 1 1 图图图图图图象象象象象象的的的的的的定定定定定定义义义义义义 图象是客观世界能量或状态以可视化形式在二维平面上的投影，是社会生活中最常见的一种信息媒体。它传递着物理世界的能量和事物状态的信息，是人类获取外界原始信息的主要途径。我们在生产、科研或日常生活中看到的场景图象，包含着物体的“大量”的信息，通过感觉、知觉、记忆、认知、搜索、形成概念，直到最终理解和识别视觉刺激。 对于可见光图象，它是外界光源照射能量与物体或场景表面反射特性综合作用的结果。HUST 图象识别与人工智能研究所41.21.2 人类 视觉人类 视觉人类视觉是人眼对场景可见光

3、能量在视网膜上形成的一种刺激，通过人脑对刺激信号的处理，获取场景的描述和感知。通过长期进化，眼睛和神经系统组成人类视觉的功能已经非常完善，尽管视觉机理还不清楚，但它所表现出的特征和能力，给数字图象处理和计算机视觉研究提供了良好的启示和无限的研究课题。人类视觉特征和能力主要表现在视觉的相对性、选择性、整体性、恒常性、组织性、深度感知以及自学习、自适应、记忆、联想和思维决策等。HUST 图象识别与人工智能研究所5 人类视觉的弱点人类视觉的弱点人类进化过程中，总是把重点放在与生存活动密切相关的方面，视觉功能也不例外。另外，场景图象的复杂性有时也会使人类视觉无能为力。1 人只能感觉可见光波段能量，对其

4、它波段不敏感；2 人眼视场角固定，空间分辨率和灰度分辨率有限；3 人眼有积分效应，对单次图象瞬间变化，快速运动 图象 分析，存储困难；4 准确测量图象参数能力较差；5 受知识水平差异的影响，人对同一图象的响应不同；6 人是有思想的生物体，视觉受情绪和疲劳程度的影响。HUST 图象识别与人工智能研究所61.1. 3 3 图 象 的 数字 化 处 理图 象 的 数字 化 处 理图 象 是 人 类 社 会 活 动 中 最 常 用 的 信 息 载 体 ，我 们 总是 设 法延 伸 视 觉 功能 ，弥 补 视觉 功 能 的 不足 ， 从图 象 中提 取 更 多 的信 息。 传 统的 方 法 如 利用 光

5、 学或 模 拟电 路 对 图 像进 行处 理 ，如 望 远 镜 、显微镜、眼镜，照相机、电视、录象机等。数 字 图 象 处 理 实 际 上 是 利 用 计 算 机（ 或 数 字技 术 ）对 图 象信 息 进 行 加工 处理 ， 以改 善 图 象 质量 、 压 缩 图 象 数 据 或 从 图 象 数 据 中 获 取 更 多 信息 。 随 着 微 机 、 VLSI、 DSP 等 技 术和新 的 理 论 、处 理 方法 不 断发 展 ， 数 字图 象处 理 已经 成 为 一 门独 立 的新 学 科， 并 有 着 广泛 的应 用 ，正 在 空 间 、时间和功能上的扩展人类视觉。HUST 图象识别与人工

6、智能研究所71 改善视觉效果图象增强和恢复，图象变换； 2 提高图象传输和存储效率图象编码，图象变换； 3 进行图象测量、理解与识别图象增强，图象分割与描述，图象变换； 4 特殊目的图象重建。 数数字字图图象象处处理理的的研研究究目目的的与与研研究究内内容容HUST 图象识别与人工智能研究所8* 处理精度高* 可靠性高* 灵活性（时分复用）强* 便于集成化* 不需复杂的阻抗匹配* 抗噪声干扰能力强。图象信号的数字化处理也存在一些缺点，比如处理速度较慢、系统相对比较复杂、信号量化过程中可能引入噪声、量化时损失的信息无法恢复。 图象信号数字处理的优缺点与光学或模拟电信号图像处理方法相比较，数字处理

7、的优点是：HUST 图象识别与人工智能研究所9数字图象处理技术已经有效地应用于工业生产中的加工、装配、拆卸与质量检查等环节。例如机械手的手眼系统、车型识别、信函分拣工业自动控制，印刷电路板、集成电路芯片掩模板、药片外形、汽车零部件等质量自动检查（逐个检查） 。1 4 数字图象处理的应用工业交通HUST 图象识别与人工智能研究所10 医学领域生物医学是数字图象处理应用广泛的领域之一，在诊断、治疗、病理分析和病案管理等方面，使用着大量的数字成象和数字图象处理设备，如 X 射线层析摄影（CT） 、超声成象、血管造影、细胞和染色体自动分类等。这些技术和设备大大提高了治疗诊断水平，减轻了病人的痛苦。HU

8、ST 图象识别与人工智能研究所11 遥感信息处理卫星遥感和航空测量有大量的图象需要处理，处理有两部分内容，一是图象校正，由于卫星、飞机是空中运动物体，装载的成象传感器受卫星飞机的姿态、运动、时间和气候条件等影响，摄取的图象存在畸变，需要自动校正。第二个内容是通过分析、处理遥感图象，有效地进行资源、矿藏勘探、国土规划、灾害调查、农作物估产、气象预报以及军事目标监视等。HUST 图象识别与人工智能研究所12 科学研究数字图象处理作为一个二维或多维信息处理技术，与相关领域知识配合，成为科学研究中学习获取和处理的主要技术手段之一。例如电子显微镜的图象分析和重构，在天文、金相、燃料、生物、流体力学等众多

9、方面都有应用。HUST 图象识别与人工智能研究所13 通讯广播数字图象和数字视频在未来通讯广播中扮演主要角色，而且，现在已经进入我们的社会生活中，常见的数字图象和数字视频设备如可视电话、会议电视、卫星电视、数字电视、 “画中画” 、高清晰度电视、VCD、DVD、多媒体通讯、计算机网络通讯等。HUST 图象识别与人工智能研究所14 军事国防数字图象处理是一种高技术，一般来说，高技术总是首先应用军事国防领域，已经有许多战例说明由数字图象信息处理技术作为核心控制部件的精确制导武器的威力，它是被动方式工作，隐蔽性好，抗干扰能力强，智能化程度高，可以无须人工干预，实现“打了不管” ，能在复杂背景中精确地

10、控制导弹命中目标。HUST 图象识别与人工智能研究所15 其它方面数字图象处理在公安、体育、影视、考古等其它领域也有广泛应用。数字化影视特技可以让我们欣赏到非常壮观的画面；指纹、脸象、手纹、虹膜、耳形、步态、DNA 等人体生物统计特征的提取和识别，为公安人员抓获罪犯提供有用的信息。HUST 图象识别与人工智能研究所16* 图像处理的数据量相当大；* 图象成象和信号数字化过程中有一些特殊问题；* 图象本身的复杂性和视觉信息处理的针对性；* 图象信号在空间、频谱和时间上有相关性，表明图象数据中存在信息冗余；* 许多数字图象处理操作具有空间并行性。1.51.5 数字图象处理工作本身的特点数字图象处理

11、工作本身的特点HUST 图象识别与人工智能研究所17多学科领域交叉综合；新理论新方法不断出现；视觉机理研究深入；实现技术研究进展迅速；应用实用化。1.61.6 数字图象处理新的研究趋势数字图象处理新的研究趋势HUST 图象识别与人工智能研究所18 2 2 图图象象信信号号数数字字化化图象是周围世界在二维平面上的映象,而周围世界是一能量场,因此，图象可表示为: x x表示图象宽度的坐标； y y表示图象高度的坐标；E (x, y, z, t) z z表示图象深度的坐标； 表示记录能量的波长； t t表示记录图象的时限。HUST 图象识别与人工智能研究所19设图象 I 是对 E 一次摄象的结果.

12、其中 x、y、z、和 t 总是处于一定范围的,即 x1xx2 y1yy2I(x, y,)= c E (x, y, z, t) z1zy2 12 t1t 1-对比度扩张 b = 0： a 1对比度压缩 a = 1相当于复制 b 0: 灰度偏置HUST 图象识别与人工智能研究所1111.1.2 1.1.2 分段线性处理分段线性处理与线性变换相类似，都是对输入图象的灰度对比度与线性变换相类似，都是对输入图象的灰度对比度进行拉伸（进行拉伸（Contrast stretchingContrast stretching），只是对不同灰），只是对不同灰度范围进行不同的映射处理。当灰度范围分成三段时度范围进行

13、不同的映射处理。当灰度范围分成三段时，其表达式及演示示意如下：，其表达式及演示示意如下： r1 f(x,y) ; 0ff1 g(x,y) =r2f(x,y)-f1+a ; f1ff2r3f(x,y)-f2+b ; f2ff3 g 0 f1 f2 f3HUST 图象识别与人工智能研究所1121.1.3 1.1.3 对数变换对数变换 （Logarithmic transformationLogarithmic transformation）图象灰度的对数变换将扩张数值较小的灰度范围，压缩数值较大的图象灰度范围。这种变换符合人的视觉特性， 是一种有用的非线性映射变换函数。其映射函数表达式及演示示意如

14、下：g(x,y) = log f(x,y) g 0 fHUST 图象识别与人工智能研究所1.4指数变换指数变换( (Exponential transformation)Exponential transformation)另一种非线性变换，常与对数变换配合使用构成复合滤波操作。其映射表达式如下 g(x,y) = expf(x,y) HUST 图象识别与人工智能研究所114 1.1.5 1.1.5 其它灰度变换函数其它灰度变换函数 灰度倒置变换 门限 锯齿形变换 HUST 图象识别与人工智能研究所115 原 图 处理后图 处理曲线HUST 图象识别与人工智能研究所116 原

15、 图 处理后图 处理曲线HUST 图象识别与人工智能研究所117 1.2 1.2 直方图修整法直方图修整法 1.2.1 1.2.1 直方图均衡化直方图均衡化 (Histogram equalization)图象直方图描述图象中各灰度级出现的相对频率.基于直方图的灰度变换,是调整图象直方图到一个预定的形状.例如,一些图象由于其灰度分布集中在较窄的区间，对比度很弱,图象细节看不清楚.此时,可采用图像灰度直方图均衡化处理,使得图象的灰度分布趋向均匀,图像所占有的象素灰度间距拉开,加大了图像反差，改善视觉效果,达到增强目的。HUST 图象识别与人工智能研究所118 直方图均衡化处理算法描述：直方图均衡

16、化处理算法描述：原始图象灰度级r归一化在0 1之间，即0 r 1 . pr( r) 为原始图象灰度分布的概率密度函数, 直方图均衡化处理实际上就是寻找一个灰度变换函数T，使变化后的灰度值S = T( r ),其中，归一化为0 s 1,即建立r与s之间的映射关系，要求处理后图象灰度分布的概率密度函数ps( s ) = 1，期望所有灰度级出现概率相同。HUST 图象识别与人工智能研究所119从下页图中可以看出在灰度变换的dr和ds区间内，象素点个数是不变的，因此有：dsssdrrrjjsjjrdsspdrrp)()(当dr 0 ， ds 0 ，略去下标j有 )()(sprpdrdssr)()(rp

17、drrdTrrdrrrTS0)Pr()(由于 s = T(r) ps(s) = 1，则 最终得到直方图均衡化的灰度变换函数为 它是原始图象灰度r的累积分布函数（CDF）。HUST 图象识别与人工智能研究所120 sjdS jSSSjr)( sPs sPs rT rPrdrrjHUST 图象识别与人工智能研究所121对于数字图象离散情况，其直方图均衡化处理的计算步骤如下：1、 统计原始图象的直方图 rk 是归一化的输入图象灰度级；2、计算直方图累积分布曲线 3、用累积分布函数作变换函数进行图像灰度变换根据计算得到的累积分布函数，建立输入图象与输出图象灰度级之间的对应关系，并将变换后灰度级恢复成原

18、先数范围。,/)(nnrpkkrkjkjjjrkknnrpTSr00)()(HUST 图象识别与人工智能研究所122kj 0k原象灰级 k归一化灰级 (rk)第k象素级象素个数nr(rk)Sk= nr(rk)变换后灰级 00/7=07900.190.19S1 11/7=0.142810230.250.44S3 22/7=0.28568500.210.65S5 33/7=0.42856560.160.81S6 44/7=0.57143290.080.89S6 55/7=0.71422450.060.95S7 66/7=0.85711220.030.98S7 77/7=1810.021S7例子 6

19、4*64 8级灰度 的均衡化HUST 图象识别与人工智能研究所123 Sk50.100.05 0 1/7 1 rk 1/7 3/7 5/7 6/7 1 原图直方图 处理曲线 处理后直方图 概述：1）、变换后直方图趋向平坦，灰级减少，灰度合并。 2）原始象零灰度级象素个数多于n/m+1,变换后零灰度级消失，含有象素数多的几个灰级间隔被拉大了，压缩的只是象素数少的几个灰度级，实际视觉能够接收的信息量大大地增强了。HUST 图象识别与人工智能研究所124 原 图 处理后图HUST 图象识别与人工智能研究所125 1.2.2 1.2.2直方图规定化处理直方图规定化处理（Histo

20、gram specification）将输入图象灰度分布变换成规定一个期望的灰度分布直方图，pr(r) 为原图的灰度密度函数，pz(z) 为希望得到的灰度密度函数 首先分别对p(r) ，p(z)作直方图均衡化处理则有： S = T(r)= 0r1 V = G(z)= 0z1rrdrrp0)(zzdrzp0)(经上述变换后的灰度S及V，其密度函数是相同的均匀密度，再借助于直方图均衡化结果作媒介，实现从pr(r)到pz(z)的转换。HUST 图象识别与人工智能研究所126利用S = T(r)= ， V = G(z)= 分布相同的特点建立r z的 联系，即 Z=G-1(v)= G-1(s)= G-1

21、(T(r)实现步骤：1） 直方图均衡化输入图象，计算Rj-Sj对应关系；2） 对规定直方图pz(z)作均衡化处理，计算Zk-Vk的对 应关系；3） 选择适当的Vk和Sj点对，使VkSj；4） 由逆变换函数Z=G-1(S)=G-1(T( r )，计算流程如下：rrdrrp0)(zzdrzp0)( Rj Sj Vk Zk 均衡 求近似相等 求逆变换 均衡 Pz(x) HUST 图象识别与人工智能研究所127 原图象的灰度分布 Pr(r) r S S,V rz Ps(s) Pv(v) Pz(z) 希望得到的灰度分布 z HUST 图象识别与人工智能研究所128 原 图 处理后图 处理背景图HUST

22、图象识别与人工智能研究所129 原 图 处理后图 处理直方图HUST 图象识别与人工智能研究所130 1.3 1.3伪彩色处理伪彩色处理 （PseudocoloringPseudocoloring） 人对图象灰度的分辨能力比较低，而对色彩的辨别能力却非常强。为了更有效地提取图形信息，图象增强中伪彩色处理就是把单色（黑白）图象的不同灰度级按照线性或非线性映射函数变换成不同的彩色。即 灰度 彩色三基色(R、G、B)HUST 图象识别与人工智能研究所131伪彩色增强技术也是一种点处理操作，只是需要三个相互独立的映射函数，将一个灰度图象变换成红、绿、蓝三基色比例不同的彩色图象。定义三个映射函数为TR(

23、)、TG()、T B()，输入灰度图象为f（x，y），则三基色分量为： R(x,y) = TR( f(x,y) ) G(x,y) = TG( f(x,y) ) B(x,y) = TB( f(x,y) ) 伪彩色增强过程示意图如下： TG 复合f(x,y) TG 视频 合成 TG 同步信号HUST 图象识别与人工智能研究所132伪彩色除了可以用不同色彩表现不同灰度之外，也可用于表示不同频率成分。例如，图象f（x，y）付氏变换所得频谱经三个不同频率特性的滤波器滤波，再经逆变换得到的灰度值分别代表图象的不同频率分量，设计适当的伪彩色映射函数，就可以用色彩表现出图象的不同频率成分。如下图：滤波滤波 I

24、FFTIFFTR R T TR R f(x,y) FFT f(x,y) FFT 滤波滤波 IFFTIFFTG G T TG G 复 显示显示 合 滤波滤波 IFFTIFFTB B T TB BHUST 图象识别与人工智能研究所1331.4 1.4 点处理操作的快速实现点处理操作的快速实现存储器RAM或ROM)中所有的点处理操作都是灰度映射过程，可以通过“查表”方式实现，表(即内容就是映射函数，这样将输入图象灰度级作为地址对存储器表进行寻址，存储器输出是灰度变换的输出，便可完成灰度映射。硬件实现的粗框图和稍细致流程分别如下： 输入 切换 存储介质 切换 输出 CPU数据线 切换 CPU数据线 表

25、T原灰度级 新灰度级 HUST 图象识别与人工智能研究所1342 图象平滑（Image smoothing） 图象平滑是一种图象邻域操作，非递归邻域操作可用函数表示为 g(x,y)=x,y,f(x,y):(x,y)N(x,y) 其中N(x,y)是以（x，y）为中心的某邻域象素集合，f(x,y)是集合内象素灰度值，g(x,y)是处理结果图象。HUST 图象识别与人工智能研究所1352.1 2.1 局部平均局部平均 （Spatial AveragingSpatial Averaging） 其中f(x,y)为原始图象,g(x,y)是平滑后的图象，h(i,j)为邻域模板内对应点加权系数，N为该邻域内象

26、素个数,邻域模板尺寸取(2M+1)(2M+1)，一般取M=1,即33模板。对应于四连通域和八连通域，有如下图模板示例。 或者 四邻域 八邻域 MMiMMjjihjyixfNyxg),(),(1),(10101101051),(jih11111111191),(jihHUST 图象识别与人工智能研究所136局部平滑的降噪能力分析局部平滑的降噪能力分析假设f(x,y)= f(x,y)+ n(x,y) 其中，f(x,y)为无噪图象，n(x,y)为均值为0，方差为2的独立同分布的噪声图象。可以得到g(x,y)= = 已知E = 0，则Eg（x，y）=E = f(x,y)而Dg（x，y）=D =2/N

27、MMiMMjyxnyxfN),(),( 1 MMiMMjMMiMMjyxnNyxfN),(1),( 1 MMiMMjyxnN),(1 MMiMMjyxnN),(1 MMiMMjyxgN),(1HUST 图象识别与人工智能研究所137例：用八邻域模板处理图例另外的几种平滑处理模板： 1111211111011111011118112124212116100100011101111101110001001310101000101000101003/13/13/23/13/103/13/13/23/13/103/13/13/23/13/101111112221122211222111111341HU

28、ST 图象识别与人工智能研究所138平滑处理模板的滤波作用例，模板 处理原始图像 121242121161)2, 1() 1, 1(), 1() 1, 1()2,() 1,(),() 1,()2, 1() 1, 1(), 1() 1, 1(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxf)2, 1()2, 1() 1, 1() 1, 1() 1, 1(), 1() 1, 1(), 1(161)2,() 1,(81)1,(),(81)2, 1(), 1()2, 1(), 1(161)1, 1()2,(),() 1, 1(81) 1,(41), 1() 1, 1() 1,(

29、) 1,(), 1(81)1, 1() 1, 1() 1, 1() 1, 1(161),(41) 1,(),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxgyxgHUST 图象识别与人工智能研究所139假设Df表示输入图象f(x,y)相邻象素的灰度最大绝对差； Dg表示处理后图象g(x,y) 相邻象素的灰度绝对差， 则上述方程有 平滑处理后相邻象素灰度差别只会减小不会加大，起到平滑作用。 ffffgDDDDD241618381HUST 图象识别与人工

30、智能研究所140以下在频域对模板h(i,j)进行分析： 相当于f与h卷积 已知f f* *h h F FH H ，f f F F ，h h H H， g g G G根据傅立叶变换的卷积性质有 G G(u,v)= F F(u,v)H H(u,v) 以下从H H(u,v)来分析h（x，y）的频率特性 MMiMMjjihjyixfNyxg),(),(1),(HUST 图象识别与人工智能研究所141)2exp(1)2exp(1)2exp(1)2exp(1)02exp(2)2exp(1)2exp(1)2exp(1)(2exp(1)2exp(),()2exp(),(),(11111010NvujNujNv

31、ujNvjNjNvjNvujNujNvujNvyuxjyxhNvyuxjyxhvuHxyNxNy 以模板 为例，计算其传递函数 。根据 ，则 111121111101)exp()exp(21cosjxjxxNvNuNvNuNvuNuNvNvuvuH2cos2cos42cos22cos22)(2cos22cos22cos2)(2cos22),(HUST 图象识别与人工智能研究所1422cos2cos22cos2cos1 51),(NvNuNvNuvuH 代入系数110后， 令v =0，则 再令 则 w = 0o时， H = 1 w = 90o时， H = 2/5 w = 131o时， H = 0

32、 /2 w = 180o时， H = -1/5可见该模板为低通的传递函数。例如输入图象和处理后图象分别如下输入图象：0 1 0 1 0 1 0 处理后 6/10 4/10 6/10 4/10 6/10 0 1 0 1 0 1 0 6/10 4/10 6/10 4/10 6/10 0 1 0 1 0 1 0 6/10 4/10 6/10 4/10 6/10输入图象 0 1 1 0 1 1 0 处理后 6/10 7/10 7/10 6/10 7/10 0 1 1 0 1 1 0 6/10 7/10 7/10 6/10 7/10 0 1 1 0 1 1 0 6/10 7/10 7/10 6/10 7

33、/10)2cos32(51NuHNuw2)cos32(51wHHUST 图象识别与人工智能研究所1431212421211610010001110111110111000100131 原 图 用模板 及 处理后的两幅图 HUST 图象识别与人工智能研究所1442.2 2.2 门门 限限 去去 噪噪如前所述，图象平滑在去除噪声的同时，也将图象本身变模糊。如何区分开图象与噪声，加大对噪声平滑力度，维持图象本身不变或少变，是一个感兴趣的研究内容。以下给出一些处理方法示例。例如一种超限象素平滑（Out range pixel smoothing）方法其它方法: 1) K最近邻法：与中心象素灰度接近的K

34、个象素灰度求平 均。一般，33窗口，K6。 2) 在窗口中划分子窗口,将方差最小子窗口象素取均值。其它),(),(1),(),(1),(yxfTjifNyxfifjifNyxgiSjiSjHUST 图象识别与人工智能研究所1452.3 2.3 多帧平均法多帧平均法图象采集过程中，出现噪声是不可避免的，特别在采用信噪比较低的传感器时。在加性噪声情况下，如果处理静止场景图象，则可将多帧图象进行加权求平均的方法，降低噪声影响。其运算表达式为：fi(x,y)为一批静止图象，i i为帧号，噪声是随机加性g（x，y）是平滑处理的输出图象。 平滑后噪声方差下降M倍，而且，参与平均的图象愈多，噪声抑制的效果愈

35、好。),(.),(),(1),(21yxfyxfyxfMyxgMMng22HUST 图象识别与人工智能研究所1462.4 2.4 二值图象平滑二值图象平滑 ( (BilevelBilevel image smoothing) image smoothing)二值图象是多灰度级图象分割处理得到仅有“1”和“0”两个灰度的“目标/背景”图象。分割难免不出错误，目标区域可能混入个别的背景象素点或小区，在目标区图象出现一些为“0”的单点或空洞；背景区域也可能出现个别的目标象素点或小区。这些都相当于噪声干扰，会影响后续的特征提取和识别。二值图象平滑去噪的典型过程如下：1、 填充单点空洞对原始图象八邻域都

36、为“”的中心象素赋“”;2、 收缩象素八邻域全为“”时，将收缩图象对应象素点位置赋值“”；3、 扩张收缩图象中为“”的像素其对应扩张图象位置及其相邻点象素全赋值为“”。HUST 图象识别与人工智能研究所147 原 图 二值图象平滑 处理后图HUST 图象识别与人工智能研究所1482.5 2.5 图象平滑的电路设计图象平滑的电路设计图象平滑等图像邻域操作都属于低层象素级处理，是一种简单重复、处理数据量大的费时操作。如果用软件完成，可能很难满足实时性的要求。为此可设计硬件电路，按象素时钟频率实时完成平滑任务。下面给出图象平滑处理电路的通用框图：输入 行延迟 DFF DFF DFF 平 滑 网 行延

37、迟 DFF DFF DFF 络 行延迟 DFF DFF DFFHUST 图象识别与人工智能研究所149 2.6 2.6 中值滤波中值滤波( (Median filtering)Median filtering)中值滤波是一种保边缘的非线性图象平滑方法,在图象增强中广泛应用..1定义和计算方法定义和计算方法一维数据x1,xn按大小排序,x1x2xn,则 例如：Med( 0 3 4 0 7 ) = 3;均值滤波和中值滤波的处理结果比较：输 入： 0 0 8 0 0 2 3 2 0 2 3 2 0 3 5 3 0 3 5 3 0 0 2 3 4 5 5 5 5 5 0 0 0 均值滤

38、波：0 2 2 2 0 1 2 1 1 1 2 1 1 2 3 2 2 2 3 2 1 0 1 3 4 4 5 5 5 3 1 0 0 中值滤波: 0 0 0 0 0 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 0 0 2 3 4 5 5 5 5 5 0 0 0 为偶数为奇数nxxnxxxMedynnnn21).(1221HUST 图象识别与人工智能研究所150中值和均值滤波都属于排序统计滤波，排序统计滤波定义为其中2n+1为窗口象素个数。Xik表示中心位置为k 排序后的象素值。ai为权系数，则yk中心位置为k,长度2n+1的子序列的滤波输出。中值滤波可去掉椒盐噪声，平滑效果优

39、于均值滤波，在抑制随机噪声的同时能保持图象边沿少受模糊。 二维情况： S为整个图象，A为滤波窗口。 N个数比较的次数为121nikixiaky,).,(),(),(SxyAklkylxfMedyxfMedyxg8) 1(32NHUST 图象识别与人工智能研究所151 中值滤波快速算法：中值滤波快速算法： 窗口33直方图h(z) (Z为灰度级0(n-1) 窗口在图象上从左上角逐象素逐行向右下移动，初始值 h(z)=0。 、 首次计算窗口在最左侧位置上的Med，统计h(z)和比Med小的象素个数NLM，用MED作中值输出。 、 窗口右移一象素,窗口内图象直方图调整 hf(x-1,y-1) = hf

40、(x-1,y-1) - 1 hf(x,y-1) = hf(x,y-1) - 1 hf(x+1,y-1) = hf(x+1,y-1) - 1 HUST 图象识别与人工智能研究所152 if f(x-1,y-1) MED then NLM = NLM - 1 if f(x,y-1) MED then NLM = NLM - 1 if f(x+1,y-1) MED then NLM = NLM - 1 即原来窗口内比原中值小的象素移出后，应从NLM中减去。 令y = y+1, 对移入三个新象素进行处理： hf(x-1,y+1) = hf(x-1,y+1) + 1 hf(x,y+1) = hf(x,y

41、+1) + 1 hf(x+1,y+1) = hf(x+1,y+1) + 1 if f(x-1,y+1) MED then NLM = NLM + 1 if f(x,y+1) MED then NLM = NLM + 1 if f(x+1,y+1) n, 表明原先中值偏大 MED = MED 1, NLM = NLM h(MED) 再比较NLMn? 直到NLMn为止，即得到新的中值。 B如果NLMn需再看NLM+h(MED) n? 如果满足此条件则中值不变，不满足则说明原中值偏小 ，则 NLM = NLM +h(MED)，MED = MED +1。再返回查看条件B 。 C重复上述2、3操作，直到

42、本行末再移至 下行，初始h(z) = 0，返回。HUST 图象识别与人工智能研究所15 中值滤波的组合 将被处理窗口进一步分解成若干子区域Ak ,k=1,2K, 在每一个子区域内计算中值，然后对这些中值再进行第二次处理，包括子区中值的线性或非线性组合。线性组合 ak为实系数， f(x,y)Ak非线性组合 例： 按行分成三个子区，每 个子区三个象素。首先，对每个子区进行中值滤波；然后，对得到的三个子区中值再求中值，这种方法亦称可分离中值滤波或准中值滤波。KkAkyxfMedayxgK1),(),(),(),(yxfMedMedyxgKA321321321CCCBBBAAAHUST

43、 图象识别与人工智能研究所155 1 8 9 8 2 3 5 3 6 说明：不是很准确， 6 4 7 6 正确的概率78 。 2 4 7 4可分离中值滤波计算简单，还具有保物体图象边角的功能。如对于图象 0 0 0 标准形output为0，边角被滤掉。 1 1 0 而非线性组合则output为1，边角保留。 1 1 0 HUST 图象识别与人工智能研究所156另一种组合中值滤波方法称最大中值滤波，它的输出是各子区中值中的最大值。 数学描述为 例： A1 A2 A3 按图示分为四个子区，分别计算 中值，再求它们的最大值。 B1 B2 B3 C1 C2 C3 最大中值滤波实现的框图： B1 B2

44、B3 A2 B2 C2 A1 B2 C3 A3 B2 C1 Med Med Med Med Max 最大中值),(),(yxfMedMaxyxgKA HUST 图象识别与人工智能研究所15伪中值滤波伪中值滤波 中值滤波处理过程相当于图象形态学的“开”或“闭”操作，即求分解子序列中最小（大）值的最大（小）值。 例如 长度为3的序列分解成3个长度为2的子序列，长度为5的序列分解成10个长度为3的子序列，长度为7的序列分解成35个长度为4的序列，长度为9的序列分解成126个长度为5的子序列等。处理是相当费时的。定义一种伪中值滤波：),(),(),(),(caMincbM

45、inbaMinMaxcbaMed),(),(),(),(),(),(),(),(),(),(),(edcMinedbMinecbMindcbMinedaMinecaMindcaMinebaMindbaMincbaMinMaxedcbaMed),(),(21),(),(21),(cbMaxbaMaxMincbMinbaMinMaxcbaPMed),(),(),(21),(),(),(21),(edcMaxdcbMaxcbaMaxMinedcMindcbMincbaMinMaxedcbaPMedHUST 图象识别与人工智能研究所158 其中： 其中：),(),(),(),(21),(),(),()

46、,(21),(gfedMaxfedcMaxedcbMaxdcbaMaxMingfedMinfedcMinedcbMindcbaMinMaxgfedcbaPMed),(),(),(),(dcMincbMinbaMinMindcbaMin),(),(),(),(dcMaxcbMaxbaMaxMaxdcbaMax),(),(),(),(),(21),(),(),(),(),(21),(ihgfeMaxhgfedMaxgfedcMaxfedcbMaxedcbaMaxMinihgfeMinhgfedMingfedcMinfedcbMinedcbaMinMaxihgfedcbaPMed),(),(),()

47、,(edcMaxdcbMaxcbaMaxMaxedcbaMax),(),(),(),(edcMindcbMincbaMinMinedcbaMinHUST 图象识别与人工智能研究所15 并行处理实现中值滤波对于3*3的中值滤波处理窗口，如 令： 则电路实现并行中值滤波的框图见下页：321321321CCCBBBAAA)3,2,1(),3,2,1(),3,2,1(CCCMaxBBBMaxAAAMaxMinp )3,2,1(),3,2,1(),3,2,1(CCCMedBBBMedAAAMedMedq )3,2,1(),3,2,1(),3,2,1(CCCMinBBBMinAAAMinM

48、axr ),(rqpMed中值HUST 图象识别与人工智能研究所160 A1 A2 A3 B1 B2 B3 C1 C2 C3 H M L H M L H M L L M H M MedianHUST 图象识别与人工智能研究所161 堆栈滤波器假设象素灰度为0 （M-1），共M级，用1（M-1）将象素进行门限化处理，得到（M-1）层二进制数字序列，分别对这些数字序列进行二进制数的中值滤波，将所有结果对应位求和，即得到中值。例： 1 1 0 2 3 3 1 2 2 1 1 1 2 3 3 2 2 2阈值 3：0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 阈值

49、 2：0 0 0 1 1 1 0 1 1 0 0 0 1 1 1 1 1 1阈值 1：1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1HUST 图象识别与人工智能研究所162 逐位比较的中值滤波 图像数据用二进制数表示，从最高位开始逐位比较每一位“0”和“1”的个数，保留多数所在的图像数据，淘汰少数所在数据，令中值为该位为个数多的数，直到所有位数比较完毕。记录淘汰数据个数，最终确定中值。 例：48 1 1 0 0 0 0 1 1 0 0 0 0 37 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0 1 0 156 1 1 1 0 0 0 1 1

50、1 0 0 0 28 0 1 1 1 0 0 24 0 1 1 0 0 0 32 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 49 1 1 0 0 0 1 1 1 0 0 0 1 35 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 133 1 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1HUST 图象识别与人工智能研究所163 逐位修改的中值滤波图像数据用二进制数表示，从最高位开始逐位比较为“0”或为“1”的个数，

51、对少数数据进行修改，该位为“0”则修改为全“0”，该位为“1”则修改为全“1”，中值该位与图像数据该位多数相同。例： 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 1 0 1 1 0 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 逐位修改中值滤波的工作流程图见下页.HUST 图象识别与人工智能研究所164 START R=1 第k位为1的象素个数 X 第k位为0的象素个数 Y Y XY N Mk=1 Mk=0 Y k = L STOP N Y N X Y? 第k位为0的 第k位为1的 所有数改为0 所有数改为1 k

52、 = k + 1 HUST 图象识别与人工智能研究所165 .3小结：小结： 1、 中值滤波是非线性滤波器 MedX(u)+Y(u)MedX(u)+ MedY(u) 2、 窗口内噪声个数大于窗口内元素数1/2时，中值滤 波效果下降。 3、 中值滤波对脉冲噪声有效。HUST 图象识别与人工智能研究所166 原 图 中值滤波 处理后图HUST 图象识别与人工智能研究所1672.7 自适应加权平滑空间移不变平滑算子对图象所有象素作同样处理，这种与图象内容无关的操作在平滑掉噪声的同时，也模糊了物体区域的边缘。平滑算子的设计，实际上是在去噪和保物体图象边缘之间的折中，我们希望能根据图象局

53、部特性自适应调整图像平滑强度，使物体区域内部平滑强度大一些，而区域边缘处平滑强度小一点，这样既去除了噪声，又不致于明显模糊了边缘或图象细节。 局部特征统计 图象输入 平滑输出 图象平滑 先验知识 HUST 图象识别与人工智能研究所168)21,21,(.)21, 0 ,(.)21, 121,()21,21,(.)0 ,21,(.)0 , 0 ,(.)0 , 121,()0 ,21,(.) 121,21,(.) 121, 0 ,(.) 121, 121,() 121,21,()21,21,(.)21, 0 ,(.)21, 121,()21,21,(nnyxWnyxWnnyxWnnyxWnyxWy

54、xWnyxWnyxWnnyxWnyxWnnyxWnnyxWnnyxWnyxWnnyxWnnyxWW 首先判断局部处理窗口是否存在边缘，定义窗口中心像素与邻域内其它点之间的梯度的绝对值的倒数定义为权值，则物体区域内部象素权值大，而处于边缘附近的象素点权较小。定义f(x,y)在nn邻域内的梯度倒数g（x，y；I，j）：二者相等二者不等.0.),(),(1),(yxfjyixfjiyxgHUST 图象识别与人工智能研究所16911)0 , 0 ,(kyxw规定0),(),()11 (),(,jijiyxgjiyxgkjiyxwji有不同时为零时对ijjyixfjiyxwyxf),(),(),(_自适

55、应平滑公式自适应平滑公式:HUST 图象识别与人工智能研究所170 原 图 自适应加权平滑 处理后图HUST 图象识别与人工智能研究所171 3 3边缘增强边缘增强 ( (Image Sharpening/Edge EnhancementImage Sharpening/Edge Enhancement) 图象边缘是图象的基本特征之一，它包含对人类视觉和机器识别有价值的物体图象边缘信息。边缘是图象中特性（如象素灰度、纹理等）分布的不连续处，图象周围特性有阶跃变化或屋脊状变化的那些象素集合。图象边缘存在于目标与背景、目标与目标、基元与基元的边界，它标示出目标物体或基元的实际含量，是图象识别信息最

56、集中的地方。边缘增强是要突出图象边缘，抑制图象中非边缘信息，使图象轮廓更加清晰。由于边缘占据图象的高频成分，所以边缘增强通常属于高通滤波。HUST 图象识别与人工智能研究所172 3.13.1线性滤波方法线性滤波方法 如前所述,图象锐化是要增强图象频谱中的高频部分，就相当于从原图象中减去它的低频分量，即原始图象经平滑处理后所得的图象。选择不同的平滑方法，会有不同的图象锐化结果。 或 g（x，y）是输出图象。当K=1时，上式： 平滑窗口 图象锐化模板),(),(),(_yxfyxfyxg为平滑后图象为原象，),(),(_yxfyxf),(),(),(yxfyxKfyxgLp11118111181

57、11110111181000010000HUST 图象识别与人工智能研究所173这个图象锐化算子的传递函数为： 令Wu=0,则 相当于高通滤波器，其传递函数幅值示意图如右：h w 其它图象锐化模板)coscos2cos(cos441),(vuvuWWWWvuH)cos1 (43),(wvuH0101410104111111111111124111111111111241HUST 图象识别与人工智能研究所174 原 图 用模板 进行边缘增强的处理后图11118111181HUST 图象识别与人工智能研究所1753.23.2梯度增强梯度增强 对于图象灰度特性，边缘是灰度梯度较大的地方。定义图象f（

58、x，y）的梯度为 。对于离散图像有 梯度定义可简化为 或简化为 梯度计算的另一种近似表达式为Roberts梯度算子，其定义为：2)(2)(xfxff), 1(),(),(yxfyxfyxxfxf) 1,(),(),(yxfyxfyxyfyf) 1,(),(), 1(),(yxfyxfyxfyxfyxf,yxMaxf), 1() 1,() 1, 1(),(yxfyxfyxfyxffHUST 图象识别与人工智能研究所1763.3 3.3 LaplacianLaplacian算子算子 拉普拉斯算子定义图象f（x，y）梯度为： 对于离散图象： 相当于原图象与模板 卷积 。 Laplacian算子边缘的

59、方向信息被丢失，对孤立噪声点的响应是阶跃边缘的四倍，对单象素线条的响应是阶跃边缘的二倍，对线端和斜向边缘的响应大于垂直或水平边缘的响应。22222yfxff),(),(222yxfyxffyx),(2), 1(), 1(),(), 1(),(2yxfyxfyxfyxfyxfyxfxxx),(2) 1,() 1,(),(), 1(),(2yxfyxfyxfyxfyxfyxfyyy).(4) 1,() 1,(), 1(), 1(2yxfyxfyxfyxfyxff010141010HUST 图象识别与人工智能研究所177 原 图 Laplacian算子 处理后图HUST 图象识别与人工智能研究所17

60、83.4 Sobel3.4 Sobel算子算子Sobel相当于先对图象进行加权平均在做差分, 对于图象的33窗口 ,设 则定义sobel算子为: , 也可简化为 另外模板可写成 分别与图像 卷积，然后取绝对值求和， k可取1或2。ihgfedcba)2()2(gdaifcX)2()2(ihgcbaY2122)(),(YXyxgYXyxg),(11000111010101kkkk和HUST 图象识别与人工智能研究所179 原 图 Sobel算子 处理后图HUST 图象识别与人工智能研究所180 3.5 LOG 3.5 LOG算子算子 (Laplacian of Guanssian(Laplaci