最新数字图像处理复习Word下载.docx

最新数字图像处理复习Word下载.docx

《最新数字图像处理复习Word下载.docx》由会员分享，可在线阅读，更多相关《最新数字图像处理复习Word下载.docx（33页珍藏版）》请在冰豆网上搜索。

填空：

图像处理是一个从图像到图像的过程。

图像分析：

对图像中感兴趣的目标进行提取和分割，获得目标的客观信息，建立对图像的描述。

是从图像到数据的过程。

图像理解：

研究图像中个目标的性质和它们之间的相互联系；

得出图像内容含义的理解及原来客观的场景的解释。

一幅图像可以定义为一个二维函数f（x,y），其中x,y是空间坐标，而在任何一对空间坐标（x,y）处的幅值f称为图像在该点出的强度或灰度。

当x,y和灰度值f是有限的离散数值时，称该图像为数字图像。

图像处理系统由图像输入、图像存储、图像通信、图像处理和分析、图像输出五个模块组成。

应用实例：

伽马射线成像：

医学（核医学），天文观测

X射线成像：

医学诊断，工业，天文观测

紫外波段成像：

平板印刷术，工业检测，显微镜方法，激光，生物成像,天文观测

可见光及红外波段成像：

光显微镜方法，天文学（天气预报与观测，卫星多光谱成像），遥感，工业检测

微波波段成像：

雷达：

不受气候、光照条件影响，可以穿透云层，透过植被、冰层和极干燥地区

无线电波成像：

医学（超声波），地质勘探

第二章

人眼对不同亮度的适应和鉴别能力：

亮→暗：

适应慢；

暗→亮：

适应快

f（xy）=i（xy）r（xy）（入射光分量i（x,y）：

0<

i（x,y）<

∞；

反射光分量r（x,y）：

r（x,y）<

1）

存储一幅大小为M×

N，有2k个不同灰度级的图像所用的比特数为：

b=M×

N×

k

最近邻内插方法：

在原图上寻找最靠近的像素并把它的灰度值赋给栅格上的新像素：

v（x’,y’）=v（x,y）

双线性内插：

用4个最近邻去估计给定位置的灰度：

v（x,y）=ax+by+cxy+d

双三次内插：

包括16个最邻近点：

v（x,y）=∑j=0-3∑j=0-3axyx’y’

三种距离度量函数：

欧氏距离：

De（p,q）=[（x-s）2+（y-t）2]1/2

D4距离（城区距离）：

D4（p,q）=|x-s|+|y-t|

D8距离（棋盘距离）：

D8（p,q）=max（|x-s|,|y-t|）

（Dm距离用点间的最短通路定义）

D8距离<

欧氏距离<

D4距离

主观亮度是进入人眼光强度的对数函数。

虽然条带的强度恒定，但实际感觉到了一幅带有毛边的图形，即边缘处亮的一边更亮，暗的一边更暗，称之为马赫带效应。

同时对比现象：

感觉的亮度区域不是简单地取决于强度。

传感器装置用来把照射量变为数字图像。

三种主要传感器：

单个成像传感器、条带传感器、阵列传感器。

空间坐标的离散化称为取样；

灰度的离散化称为量化.

对传感器输出的量化就完成了产生数字图像的过程。

灰度级的取值范围一般称为图像的动态范围。

空间分辨率：

图像空间中可分辨的最小细节的度量。

一般用单位长度上采样的像素数目或单位长度上的线对数目表示。

灰度分辨率：

图像灰度级中可分辨的最小变化。

一般用灰度级或比特数表示。

像素的相邻仅说明了两个像素在位置上的关系，若在加上取值相同或相近，则称两个像素邻接。

两个像素邻接的条件：

位置相邻；

灰度值相近（p,q∈V{v1,v2,,,,vn}）

三种邻接类型：

4邻接、8邻接、m邻接（混合邻接）

M邻接消除了8邻接产生的二义性。

若S是图像中的一个像素子集，对任意的p,q∈S，如果存在一条由S中像素组成的从p到q的通路，则称p在图像集S中与q连通，连通也分为4连通和8连通。

R是图像中的像素子集。

如果R是连通集，则称R为一个区域。

距离度量函数满足的条件：

正定性、对称性、距离三角不等式

取样和量化的原则：

当限定数字图像的大小时，为了得到质量较好的图像，一般可采用如下原则：

对于有大量细节的图像只需要少数的灰度级。

（1）对缓变的图像，应该细量化，粗采样，以避免假轮廓。

（2）对细节丰富的图像，应细采样，粗量化，以避免模糊（混叠）。

第三章

灰度变换函数：

图像反转：

S=L-1-r；

（增强嵌入于图像暗色区域的白色或灰色细节）

对数变换：

S=clog（1+r）；

（扩展图像中的暗像素，同时压缩跟高灰度级的值）

幂次变换：

S=crγ

直方图的性质：

（1）不能反映某一灰度值像素所在的位置

（2）图像与直方图之间是多对一的映射关系

（3）整幅图像的直方图是各区域直方图之和

直方图匹配（直方图规定化处理）：

使处理后的图像具有指定灰度直方图的增强方法。

均值滤波器（平滑线性滤波器）：

用包含在滤波掩模邻域内的像素的平均灰度值去代替每个像素点的值。

统计排序滤波器：

响应基于图像滤波器包围的图像区域中像素的排序，然后由统计排序结果代替中心像素的值。

（中值滤波器：

使拥有不同灰度的点看起来更接近于它的邻域：

用于去除“椒盐”噪声）

锐化处理的主要目的：

突出灰度的过渡部分，增强图像中的细节

拉普拉斯算子应用：

强调图像中灰度的突变及衰减灰度慢变化区域的灰度。

（这将产生一幅把图像中的浅灰色边线和突变点叠加到暗背景中的图像）将原始图像和拉普拉斯图像叠加在一起的方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息。

如果将图像中像素灰度级看成是一个随机变量，则其取值分布情况就反映了图像的统计特性，这一特性可用灰度直方图来描述。

灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中每种灰度出现的频率。

模板又称滤波器、核、掩模、窗口等，是一个小的二维阵列。

模板的系数值决定了增强处理的性质，如平滑、锐化等，这种增强方法又称空间域滤波。

直方图均衡化，是指寻找一个灰度变换函数：

s=T（r）使变换后的图像的像素值占有全部的灰度级并且分布均匀，从而得到一幅灰度级丰富且动态范围大的图像（即高对比度图像）

使用空间模板进行的图像处理，被称为空间滤波。

模板本身被称为空间滤波器。

平滑滤波器用于模糊处理和降低噪声。

为什么要增强图像？

图像在传输或者处理过程中会引入噪声或使图像变模糊，从而降低了图像质量，甚至淹没了特征，给分析带来了困难。

图像增强的基本方法：

空间域处理：

灰度变换（直接灰度变换、直方图均衡等），空间滤波（线性、非线性平滑和锐化等）；

频域处理：

高、低通滤波、同态滤波。

图像增强的目的：

（1）改善图像的视觉效果，提高图像的清晰度；

（2）将图像转换成更合适于人眼观察和及其分析识别的形式，以便从图像中获取更有用的信息。

直方图与图像清晰性的关系?

直方图反映了图像的清晰程度，当直方图均匀分布时，图像清晰。

第四章

频率：

图像灰度值随坐标空间变化的快慢。

对图像进行二维傅里叶变换得到的频谱图，就是图像梯度的分布图。

傅里叶频谱图上的明暗不一的亮点，实际上是图像上某一点与邻域灰度值差异的强弱，即梯度的大小。

如果频谱图中暗点多，那么实际图像是比较柔和的；

反之，如果频谱图中亮点多，那么实际图像一定是尖锐的。

频率域样本间的间隔与空间样本间的间和样本数成反比。

二维离散傅里叶变换的性质：

平移性：

用指数项乘以f（x,y）将使DFT的原点移到点（u0,v0）；

反之，用负指数乘以F（u,v）将使f（x,y）的原点移到点（x0,y0）；

旋转不变形：

若f（x,y）旋转Θ0角度，则F（x,y）也旋转相同的角度；

周期性：

二维傅里叶变换及其反变换在u方向和v方向时无限周期的；

对称性：

傅里叶变换是以原点为中心的共轭对称；

傅里叶谱和相角：

谱是关于原点的偶对称，相角是关于原点的奇对称

（可分离性；

比例性质）

频谱移中的好处：

清晰地看出图像频率分布；

分离出有周期性规律干扰的信号。

卷积：

空域和频域之间的基本联系。

（傅里叶变换乘积的IDFT是f和h的二维空间卷积；

空间卷积的DFT是频率域中相应变换的乘积）

频率域滤波基础：

修改傅里叶变换以达到特殊目的，然后计算IDFT回到图像域。

频域滤波：

实际上就是讲原始图像f（x,y）进行DFT变换，得到频域的F（u,v），然后将F（u,v）与频域滤波器H（u,v）相乘得到滤波后频谱G（u,v），最后将G（u,v）进行IDFT变换即可得到频域滤波后的图像。

频域滤波与空域滤波的关系：

（1）空间域和频率域中的滤波器组成了傅里叶变换对；

（2）给出在频率域的滤波器，可以通过反鼓励也变换得到在空间域对应的滤波器，反之亦然；

（3）滤波在频率域中更为直观，但在空间域一般使用更小的滤波器模板；

（4）可以在频率域指定滤波器，做反变换，然后在空间域使用结果滤波器作为在空间域构建小滤波器模板的指导。

振铃现象：

中心成分主要决定模糊；

周围集中、呈周期性分布的成分主要决定了理想滤波的振铃现象的特性。

布特沃斯低通滤波的作用：

平滑处理（BLPF的平滑效果好于ILPF）

低通滤波的实际应用：

字符识别；

修复字符；

（对于人脸）减少皮肤细纹的锐化程度和小斑点；

锐化滤波器（高通滤波器）即保留图像的高频成分，可以看做是低通滤波器的反操作：

第五章

图像退化的过程：

图像f（x,y）乘以退化函数h（x,y），加上加性噪声项η（x,y）

几种噪声的应用：

高斯噪声：

电子电路噪声；

低照明度或高温带来的传感器噪声；

瑞利噪声：

对分布在图像范围内特征化噪声有用；

伽马噪声，指数噪声：

激光成像噪声；

均匀分布噪声：

模拟随机数产生器的基础；

脉冲噪声：

成像中的短暂停留

图像复原方法：

逆滤波：

通过将频率限制在原点附近可以减少遇到零值的概率；

最小均方误差（维纳）滤波：

综合考虑退化函数和噪声统计特征，避免了逆滤波中出现的对噪声过多的放大作用。

（维纳滤波要求未退化图像和噪声的功率必须是已知的）

约束最小二乘方滤波：

仅要求知道噪声的方差和均值，对于其应用的每一幅图像都能产生最优结果。

信噪比（SNR）：

携带信息的信号功率水