3.采样、量化和图像细节的关系
上面的数字化过程,需要确定数值N和灰度级的级数K。
在数字图像处理中,一般都取成2的整数幂,即:
(2.1>
(2.2>
一幅数字图像在计算机中所占的二进制存储位数b为:
(2.3>
例如,灰度级为256级(m=8>的512×512的一幅数字图像,需要大约210万个存储位。
随着N和m的增加,计算机所需要的存储量也随之迅速增加。
因为数字图像是连续图像的近似,从图像数字化的过程可以看到。
这种近似的程度主要取决于采样样本的大小和数量(N值>以及量化的级数K(或m值>。
N和K的值越大,图像越清晰。
2.2数字图像处理概述
数字图像处理(DigitalImageProcessing>是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像处理的产生和迅速发展主要受三个因素的影响:
一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善>;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
2.2.2研究内容
数字图像处理主要研究的内容有以下几个方面:
<1)图像变换。
因为图像阵列很大,直接在空间域中进行处理,涉及计算量很大。
因此,往往采用各种图像变换的方法,如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术,将空间域的处理转换为变换域处理,不仅可减少计算量,而且可获得更有效的处理<如傅里叶变换可在频域中进行数字滤波处理)。
目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性,它在图像处理中也有着广泛而有效的应用。
<2)图像编码压缩。
图像编码压缩技术可减少描述图像的数据量<即比特数),以便节省图像传输、处理时间和减少所占用的存储器容量。
压缩可以在不失真的前提下获得,也可以在允许的失真条件下进行。
编码是压缩技术中最重要的方法,它在图像处理技术中是发展最早且比较成熟的技术。
<3)图像增强和复原。
图像增强和复原的目的是为了提高图像的质量,如去除噪声,提高图像的清晰度等。
图像增强不考虑图像降质的原因,突出图像中所感兴趣的部分。
如强化图像高频分量,可使图像中物体轮廓清晰,细节明显;如强化低频分量可减少图像中噪声影响。
图像复原要求对图像降质的原因有一定的了解,一般讲应根据降质过程建立“降质模型”,再采用某种滤波方法,恢复或重建原来的图像。
<4)图像分割。
图像分割是数字图像处理中的关键技术之一。
图像分割是将图像中有意义的特征部分提取出来,其有意义的特征有图像中的边缘、区域等,这是进一步进行图像识别、分析和理解的基础。
虽然目前已研究出不少边缘提取、区域分割的方法,但还没有一种普遍适用于各种图像的有效方法。
因此,对图像分割的研究还在不断深入之中,是目前图像处理中研究的热点之一。
<5)图像描述。
图像描述是图像识别和理解的必要前提。
作为最简单的二值图像可采用其几何特性描述物体的特性,一般图像的描述方法采用二维形状描述,它有边界描述和区域描述两类方法。
对于特殊的纹理图像可采用二维纹理特征描述。
随着图像处理研究的深入发展,已经开始进行三维物体描述的研究,提出了体积描述、表面描述、广义圆柱体描述等方法。
<6)图像分类<识别)。
图像分类<识别)属于模式识别的范畴,其主要内容是图像经过某些预处理<增强、复原、压缩)后,进行图像分割和特征提取,从而进行判决分类。
图像分类常采用经典的模式识别方法,有统计模式分类和句法<结构)模式分类,近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。
2.2.3基本特点
<1)数字图像处理的信息大多是二维信息,处理信息量很大。
如一幅256×256低分辨率黑白图像,要求约64kbit的数据量;对高分辨率彩色512×512图像,则要求768kbit数据量;如果要处理30帧/秒的电视图像序列,则每秒要求500kbit~22.5Mbit数据量。
因此对计算机的计算速度、存储容量等要求较高。
<2)数字图像处理占用的频带较宽。
与语言信息相比,占用的频带要大几个数量级。
如电视图像的带宽约5.6MHz,而语音带宽仅为4kHz左右。
所以在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本亦高,这就对频带压缩技术提出了更高的要求。
<3)数字图像中各个像素是不独立的,其相关性大。
在图像画面上,经常有很多像素有相同或接近的灰度。
就电视画面而言,同一行中相邻两个像素或相邻两行间的像素,其相关系数可达0.9以上,而相邻两帧之间的相关性比帧内相关性一般说还要大些。
因此,图像处理中信息压缩的潜力很大。
<4)因为图像是三维景物的二维投影,一幅图象本身不具备复现三维景物的全部几何信息的能力,很显然三维景物背后部分信息在二维图像画面上是反映不出来的。
因此,要分析和理解三维景物必须作合适的假定或附加新的测量,例如双目图像或多视点图像。
在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识项目问题。
<5)数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大。
因为人的视觉系统很复杂,受环境条件、视觉性能、人的情绪爱好以及知识状况影响很大,作为图像质量的评价还有待进一步深入的研究。
另一方面,计算机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究。
例如,什么是感知的初始基元,基元是如何组成的,局部与全局感知的关系,优先敏感的结构、属性和时间特征等,这些都是心理学和神经心理学正在着力研究的课题。
2.2.4主要应用
计算机图像处理和计算机、多媒体、智能机器人、专家系统等技术的发展紧密相关。
近年来计算机识别、理解图像的技术发展很快,也就是图像处理的目的除了直接供人观看<如医学图像是为医生观看作诊断)外,还进一步发展了与计算机视觉有关的应用,如邮件自动分检,车辆自动驾驶等。
下面仅罗列了一些典型应用实例,而实际应用更广。
<1)在生物医学中的应用
主要包括显微图像处理;DNA显示分析;红、白血球分析计数;虫卵及组织切片的分析;癌细胞的识别;染色体分析等等。
<2)遥感航天中的应用
军事侦察、定位、导航、指挥等应用;多光谱卫星图像分析;地形、地图、国土普查;地质、矿藏勘探;天文、太空星体的探测及分析等。
<3)工业应用
CAD和CAM技术用于模具、零件制造、服装、印染业;零件、产品无损检测,焊缝及内部缺陷检查;交通管制、机场监控;火车车皮识别等。
<4)军事公安领域中的应用
巡航导弹地形识别;指纹自动识别;警戒系统及自动火炮控制;反伪装侦察;手迹、人像、印章的鉴定识别;过期档案文字的复原;集装箱的不开箱检查等。
<5)其他应用
图像的远距离通信;多媒体计算机系统及应用;电视电话;服装试穿显示;理发发型预测显示;电视会议;办公自动化、现场视频管理等。
2.3.2图像类型
MATLAB中,一幅图像可能包含一个数据矩阵,也可能包含一个颜色映射表矩阵。
MATLAB中有四种基本的图像类型:
<1)索引图像
索引图像包括图像矩阵与颜色图数组,其中,颜色图是按图像中颜色值进行排序后的数组。
对于每个像素,图像矩阵包含一个值,这个值就是颜色图中的索引。
颜色图为m*3双精度值矩阵,各行分别指定红绿蓝Colormap=[R,G,B],R,G,B为值域为[0,1]的实数值。
图像矩阵与颜色图的关系依赖于图像矩阵是双精度型还是uint8<无符号8位整型)类型。
如果图像矩阵为双精度类型,第一点的值对应于颜色图的第一行,第二点对应于颜色图的第二行,依次类推。
如果图像矩阵是uint8,有一个偏移量,第0点值对应于颜色图的第一行,第一点对应于第二行,依次类推;uint8长用于图形文件格式,它支持256色。
<2)灰度图像
在MATLAB中,灰度图像是保存在一个矩阵中的,矩阵中的每一个元素代表一个像素点。
矩阵可以是双精度类型,其值域为[0,1];也可以为uint8类型,其数据范围为[0,255]。
矩阵的每个元素代表不同的亮度或灰度级。
<3)二进制图像
二进制图像中,每个点为两离散值中的一个,这两个值代表开或关。
二进制图像保存在一个由二维的由0<关)和1<开)组成的矩阵中。
从另一个角度讲,二进制图像可以看成为一个仅包括黑与白的灰度图像,也可以看作只有两种颜色的索引图像。
二进制图像可以保存为双精度或uint8类型的双精度数组,显然使用uint8类型更节省空间。
在图像处理工具箱中,任何一个返回二进制图像的函数都是以uint8类型逻辑数组来返回的。
<4)RGB图像
与索引图像一样,RGB图像分别用红,绿,蓝三个亮度值为一组,代表每个像素的颜色。
与索引图像不同的是,这些亮度值直接存在图像数组中,而不是存放在颜色图中。
图像数组为M*N*3,M,N表示图像像素的行列数。
4图像增强
图像增强是一类基本的图像处理技术,其目的是对图像进行加工,以得到对具体应用来说视觉效果更好、更有用的图像。
这里的好和有用要因具体的应用目的和要求而异,并且所需的具体增强技术也可不同。
目前常用的增强技术根据其处理所进行的空间不同,可分为基于图像域的方法和基于变化域的方法。
第一类,直接在图像所在的空间进行处理,也就是在像素组成的空间里直接对像素进行操作;第二类,在图像的变化域对图像进行间接处理。
空域增强方法可表示为:
g(x,y>=EH[f(x,y>]
其中f4.1空域变换增强
4.1.1增强对比度
增强对比度实际是增强原图像的各部分的反差。
实际中往往是通过原图中某两个灰度值之间的动态范围来实现的<如图4-1)。
图4-1增强对比度
在图4.1.1中可以看出,通过变换可以使原图的较高的和较低的灰度值的动态范围减小了,而原图在二者之间的动态范围增加了,从而其范围的对比度增加了。
MATLAB代码所示:
X1=imread('pout.tif'>。
figure,imshow(X1>
f0=0。
g0=0。
f1=70。
g1=30。
f2=180。
g2=230。
f3=255。
g3=255。
r1=(g1-g0>/(f1-f0>。
b1=g0-r1*f0。
r2=(g2-g1>/(f2-f1>。
b2=g1-r2*f1。
r3=(g3-g2>/(f3-f2>。
b3=g2-r3*f2。
[m,n]=size(X1>。
X2=double(X1>。
fori=1:
m
forj=1:
n
f=X2(i,j>。
g(i,j>=0。
if(f>=0>&(f<=f1>
g(i,j>=r1*f+b1。
elseif(f>=f1>&(f<=f2>
g(i,j>=r2*f+b2。
elseif(f>=f2>&(f<=f3>
g(i,j>=r3*f+b3。
end
end
end
figure,imshow(mat2gray(g>>
图像处理图示(如图4-2和图4-3>
图4-2原图图4-3增强对比度所得图像
4.1.2图像求反
对图像求反是将原来的灰度值翻转,简单的说就是使黑变白,使白变黑。
普通的黑白底片和照片就是这样的关系。
具体的变换就是将图像中每个像素的灰度值根据变换曲线进行映射。
MATLAB代码所示:
X1=imread('pout.tif'>。
f1=200。
g1=256。
k=g1/f1。
[m,n]=size(X1>。
X2=double(X1>。
fori=1:
m
forj=1:
n
f=X2(i,j>。
g(i,j>=0。
if(f>=0>&(f<=f1>
g(i,j>=g1-k*f。
else
g(i,j>=0。
end
end
end
figure,imshow(mat2gray(g>>
图像处理图如图4-4所示:
图4-4图像求反后
4.2空域滤波增强
一般情况下,像素的邻域比该像素要大,也就是说这个像素的邻域中除了本身以外还包括其他像素。
在这种情况下,g(x,y>在(x,y>位置处的值不仅取决于f(x,y>在以(x,y>为中心的邻域内所有的像素的值。
如仍以s和t分别表示f(x,y>在(x,y>位置处的灰度值,并以n(s>代表f(x,y>在(x,y>邻域内像素的灰度值,则t=EA[s,n(s>]
为在邻域内实现增强操作,常可利用模板与图像进行卷积。
每个模板实际上是一个二维数组,其中各个元素的取值定了模板的功能,这种模板操作也称为空域滤波。
4.2.1基本原理
空域滤波可分为线形滤波和非线形滤波两类。
线形滤波器的设计常基于对傅立叶变换的分析。
非线形空域滤波器则一般直接对邻域进行操作。
另外各种滤波器根据功能又主要分成平滑滤波和锐化滤波。
平滑可用低通来实现,锐化可用高通来实现
平滑滤波器:
它能减弱或消除傅立叶空间的高频分量,但不影响在低频分量。
因为高频分量对应图像中的区域边缘等灰度值具有较大较快变化的部分,滤波器将这些分量滤去可使图像平滑。
锐化滤波器:
它能减弱或消除傅立叶空间的高频分量
空域滤波器都是利用模板卷积,主要步骤如下:
<1)将模板在图中漫游,并将模板中心与图中某个像素位置重合;
<2)将模板上的系数与模板下对应的像素相乘;
<3)将所有的乘积相加;
<4)将和<模板的输出响应)赋给图中对应的模板中心位置像素。
下面分别介绍在MATLAB中如何应用平滑和锐化滤波器。
4.2.2线性平滑滤波器
线性低通滤波器是最常用的线性平滑滤波器。
这种滤波器的所有系数都是正的。
对3*3的模板来说,最简单的操作是取所有系数都为1。
为保证输出图像仍在原来的灰度范围内,在计算R后要将其除以9再进行赋值。
这种方法称为邻域平均法。
MATLAB实现均值过滤器的代码所示:
I=imread('saturn.tif'>。
J=imnoise(I,'salt&pepper',0.02>。
imshow
figure,imshowK1=filter2(fspecial('average',3>,J>/255。
figure,imshow(K1>
title('3*3的均值滤波器'>
原图像,加入椒盐噪声的图像和均值滤波的图像分别如图4-5、图4-6和图4-7所示。
图4-5原图图4-6加入椒盐噪声图像
图4-73*3的均值滤波器处理结果
4.2.3非线性平滑滤波器
中值滤波器是最常用的非线性平滑滤波器。
它是一种临域运算,类似于卷积,但计算的不是加权求和,而是把邻域中的像素按灰度级进行排序,然后选择改组的中间值作为输出的像素值。
具体步骤:
<1)将模板在图像中漫游,并将模板中心和图像某个像素的位置重合;
<2)读取模板下对应像素的灰度值;
<3)将这些灰度值从小到大排成一列;
<4)找出这些值排在中间的一个;
<5)将这个中间值赋给对应模板中心位置的像素。
MATLAB实现中值滤波器代码所示:
I=imread('saturn.tif'>。
J=imnoise(I,'salt&pepper',0.02>。
K1=medfilt2(J,[3,3]>。
figure,imshow(K1>
中值滤波的结果如图4-8所示。
图4-8中值滤波结果
4.2.4线性锐化滤波器
线性高通滤波器是最常用的线性锐化滤波器。
这种滤波器的中心系数都是正的,而周围的系数都是负的。
对3*3的模板来说,典型的系数取值是:
[-1–1–1;-18–1;-1–1-1]
事实上这是拉普拉斯算子,所有的系数之和为0。
当这样的模板放在图像中灰度值是常数或变化很小的区域时,其输出为0或很小。
这个滤波器将原来的图像中的零频域分量去除了,也就是将输出的图像的平均值变为0,这样就会有一部分像素的灰度值小于0。
在图像处理中我们一般只考虑正的灰度值,所以还有将输出图像的灰度值范围通过尺度变回到所要求的范围。
MATLAB代码所示:
I=imread('saturn.tif'>。
m=fspecial('laplacian'>
I1=filter2(m,I>
h=fspecial('unsharp',0.5>。
I2=filter2(h,I>/255。
subplot(1,2,1>。
imshow(I1>。
title('高通滤波laplacian算子'>
subplot(1,2,2>。
imshow(I2>。
title('高通滤波unsharp'>
处理结果如图4-9所示:
图4-9空域高通滤波
4.3频域增强
4.3.1基本原理
卷积理论是频域技术的基础。
设函数f=h(x,y>*f(x,y>
那么根据卷积定理在频域有:
G(x,y>=H(u,v>F(u,v>
其中G(x,y>、H(u,v>、F(u,v>分别是g(x,y>、h(x,y>、f(x,y>的傅立叶变换。
频域增强的主要步骤是:
<1)技术所需增强图的傅立叶变换;
<2)将其与一个<根据需要设计的)转移函数相乘;
<3)再将结果进行傅立叶反变换以得到增强的图。
频域增强的两个关键步骤:
<1)将图像从空域转换到频域所需的变换及将图像从频域空间转换回空域所需的变换;
<2)在频域空间对图像进行增强加工操作。
常用的频域增强方法有低通滤波和高通滤波。
以下分别介绍在MATLAB中如何实现。
4.3.2低通滤波
图像的能量大部分集中在幅度谱的低频和中频度,而图像的边缘和噪声对应于高频部分。
因此能降低高频成分幅度的滤波器就能减弱噪声的影响。
Butterworth低通滤波器是一种物理上可以实现的低通滤波器,n阶,截断频率为d0的Butterworth低通滤波器的转移函数为:
H
用MATLAB实现Butterworth低通滤波器的代码所示:
I1=imread('Saturn.tif'>。
figure,imshow(I1>
I2=imnoise(I1,'salt'>。
figure,imshow(I2>
f=double(I2>。
g=fft2(f>。
g=fftshift(g>。
[N1,N2]=size(g>。
n=2。
d0=50。
n1=fix(N1/2>。
n2=fix(N2/2>。
fori=1:
N1
forj=1:
N2
d=sqrt((i-n1>^2+(j-n2>^2>。
h=1/(1+0.414*(d/d0>^(2*n>>。
result(i,j>=h*g(i,j>。
end
end
result=ifftshift(result>。
X2=ifft2(result>。
X3=uint8(real(X2>>。
figure,imshow(X3>
原图和处理结果如图4-10和图4-11所示
图4-10加噪图4-11去噪
4.3.3高通滤波
高通滤波也称高频滤波器,