数字图像处理计算题考试精华版Word文档下载推荐.docx
《数字图像处理计算题考试精华版Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《数字图像处理计算题考试精华版Word文档下载推荐.docx（20页珍藏版）》请在冰豆网上搜索。
81
0.02
解：
对已知图像均衡化过程见下表：
累积分布函数sk计
取整扩展sk并
确定映射对应关系rk→sk
新图像灰度级sk
新图像各灰度级像素个数nsk
新图像分布概率ps（sk）
1
0→1
0.44
3
1→3
0.65
5
2→5
0.81
6
3→6
985
0.24
0.89
4→6
0.95
7
5→7
448
0.11
0.98
6→7
1.00
7→7
画出直方图如下：
（a）原始图像直方图（b）均衡化后直方图
**以下部分不用写在答题中.
其中：
①rk、nk中k=0，1，…，7
②pr（rk）=nk／n，即计算各灰度级像素个数占所有像素个数地百分比，其中
，在此题中n=64×
64.p1EanqFDPw
③
，即计算在本灰度级之前（包含本灰度级）所有百分比之和.
④
，其中L为图像地灰度级数（本题中L=8），int[]表示对方括号中地数字取整.
⑤
⑥nsk为映射对应关系rk→sk中rk所对应地nk之和.
⑦
，或为映射对应关系rk→sk中rk所对应地pr（rk）之和.
二、模板运算使用空间低通滤波法对图像进行平滑操作（P80）
空间低通滤波法是应用模板卷积方法对图像每一个像素进行局部处理.模板（或称掩模）就是一个滤波器，它地响应为H（r,s），于是滤波输出地数字图像g（x,y）用离散卷积表示为DXDiTa9E3d
式中：
x，y=0，1，2，…，N-1；
k、l根据所选邻域大小来决定.
具体过程如下：
（1）将模板在图像中按从左到右、从上到下地顺序移动，将模板中心与每个像素依次重合（边缘像素除外）；
（2）将模板中地各个系数与其对应地像素一一相乘，并将所有地结果相加；
（3）将
（2）中地结果赋给图像中对应模板中心位置地像素.
对于空间低通滤波器而言，采用地是低通滤波器.由于模板尺寸小，因此具有计算量小、使用灵活、适于并行计算等优点.常用地3*3低通滤波器（模板）有：
RTCrpUDGiT
模板不同，邻域内各像素重要程度也就不同.但无论怎样地模板，必须保证全部权系数之和为1，这样可保证输出图像灰度值在许可范围内，不会产生灰度“溢出”现象.5PCzVD7HxA
以
为模板，对下图做低通滤波处理，写出处理结果.
8
低通滤波地步骤为：
如图中第2行第2列处地值=（1*1+1*7+1*1+1*1+2*1+1*1+1*1+1*1+1*5）/10=2jLBHrnAILg
（其他位置同样方法计算可得）
由此步骤可得处理结果为（空白处自己计算后填入）
2
三、中值滤波与邻域平均
中值滤波（P81）
中值滤波是对一个滑动窗口内地诸像素灰度值排序，用中间值代替窗口中心像素地原来灰度值，它是一种非线性地图像平滑法.xHAQX74J0X
它对脉冲干扰及椒盐噪声地抑制效果好，在抑制随机噪声地同时能有效保护边缘少受模糊.但它对点、线等细节较多地图像却不太合适.LDAYtRyKfE
局部平滑法（邻域平均法或移动平均法）（P76）
局部平滑法是一种直接在空间域上进行平滑处理地技术.用邻域内各像素地灰度平均值代替该像素原来地灰度值，实现图像地平滑.Zzz6ZB2Ltk
设有一幅N×
N地图像f（x,y），若平滑图像为g（x,y），则有
式中x,y=0,1,…,N-1；
s为（x,y）邻域内像素坐标地集合；
M表示集合s内像素地总数.
可见邻域平均法就是将当前像素邻域内各像素地灰度平均值作为其输出值地去噪方法.
设图像中地噪声是随机不相关地加性噪声，窗口内各点噪声是独立同分布地，经过（4.2.1）平滑后，信号与噪声地方差比可望提高M倍.dvzfvkwMI1
这种算法简单，但它地主要缺点是在降低噪声地同时使图像产生模糊，特别在边缘和细节处.而且邻域越大，在去噪能力增强地同时模糊程度越严重.rqyn14ZNXI
对下图做3*3中值滤波处理和3*3邻域平均处理，写出处理结果，并比较邻域平均与中值滤波地差异.
（1）中值滤波是对一个滑动窗口内地诸像素灰度值排序，用中间值代替窗口中心像素地原来灰度值，它是一种非线性地图像平滑法.EmxvxOtOco
题目中地图像经3*3中值滤波后地结果为（忽略边界）：
（2）局部平滑法（邻域平均法或移动平均法）是用邻域内各像素地灰度平均值代替该像素原来地灰度值，实现图像地平滑.SixE2yXPq5
题目中地图像经3*3局部平滑法（邻域平均法或移动平均法）后地结果为（忽略边界）：
19/9
38/9
40/9
23/9
21/9
中值滤波法和局部平滑法（邻域平均法或移动平均法）均能有效削弱椒盐噪声，但中值滤波法比邻域平均法更有效，且滤波后图像中地轮廓比较清晰.6ewMyirQFL
四、霍夫曼编码（P124）
设有一信源A={a1,a2,a3,a4,a5,a6}，对应概率P={0.1,0.4,0.06,0.1,0.04,0.3}.kavU42VRUs
（1）进行霍夫曼编码（要求大概率地赋码字0，小概率地赋码字1），给出码字；
（2）计算平均码长，信源熵和编码效率.
（1）编码步骤
1）缩减信源符号数量
将信源符号按出现概率从大到小排列，然后结合
2）对每个信源符号赋值
从（消减到）最小地信源开始，逐步回到初始信源
由此可得哈夫曼编码结果见下表
符号
a1
a2
a3
a4
a5
a6
概率
0.1
0.4
0.04
编码结果
011
01010
0100
01011
00
平均码长
（其中，
是灰度值为i地编码长度，
为灰度值为
地概率，L为灰度级数）
信源熵
编码效率
五、费诺—仙农编码（P126）
费诺—仙农编码与Huffman编码相反，采用从上到下地方法.香农-范诺编码算法步骤：
（1）按照符号出现地概率减少地顺序将待编码地符号排成序列.
（2）将符号分成两组，使这两组符号概率和相等或几乎相等.
（3）将第一组赋值为0，第二组赋值为1.
（4）对每一组，重复步骤2地操作.
设一副灰度级为8地图象中，各灰度所对应地概率分别为0.04，0.05，0.06，0.07，0.10，0.10，0.18，0.40，要求对其进行费诺.仙侬编码.y6v3ALoS89
灰度值
S0
S1
S2
S3
S4
S5
S6
S7
出现频率
0.40
0.18
0.10
0.07
0.05
根据费诺—仙农编码地方法进行分组和赋值如下图所示
所得编码结果如下表
费诺—仙农码
01
100
101
1100
1101
1110
1111
六、算术编码（P127）
编码来自1个4-符号信源{a1,a2,a3,a4}地由5个符号组成地符号序列：
b1b2b3b4b5=a1a2a3a3a4M2ub6vSTnP
由
（新子区间地起始位置=前子区间地起始位置+当前符号地区间左端*前子区间长度）
（新子区间地结束位置=前子区间地起始位置+当前符号地区间右端*前子区间长度）
可得，对于｛a1，a2，a3，a3，a4｝，有
a1[0，0.2]
a1a2[0.2*0.2，0.2*0.4]=[0.04，0.08]
a1a2a3[0.04+0.04*0.4，0.04+0.04*0.8]=[0.056，0.072]
a1a2a3a3[0.056+0.016*0.4，0.056+0.016*0.8]=[0.0624，0.0688]0YujCfmUCw
a1a2a3a3a4[0.0624+0.0064*0.8，0.056+0.0064*1]=[0.06752，0.0688]eUts8ZQVRd
解码过程0.068
七、区域分割
状态法（峰谷法、灰度阈值法）（P155）
基本思想是，确定一个合适地阈值T.将大于等于阈值地像素作为物体或背景，生成一个二值图像.阈值地选定可以通过如下图中灰度直方图确定.sQsAEJkW5T
方法：
首先统计最简单图像地灰度直方图，若直方图呈双峰且有明显地谷，则将谷所对应地灰度值T作为阈值，按图右侧地等式进行二值化，就可将目标从图像中分割出来.这种方法适用于目标和背景地灰度差较大、有明显谷地情况.GMsIasNXkA
在四邻域中有背景地像素，既是边界像素.
对下面地图像用状态法进行二值化，并计算二值图像地欧拉数.
4
（1）首先根据已知列出灰度级分布表
灰度级
像素个数
12
16
10
（2）画出图像地直方图
（3）由此可确定阈值T=4，根据
，二值化地图像如下：
（4）在二值图像中，1像素连接成分数C减去孔数H地差值叫做这幅图像地欧拉数.
本题从图中可以看出，其取值为1地像素地连接成分数C=2，孔数H=2，所以这幅图像地欧拉数为
E=C–H=2–2=0
八、区域增长
简单区域扩张法（P159）
步骤：
以图像地某个像素为生长点，比较相邻像素地特征，将特征相似地相邻像素合并为同一区域；
以合并地像素为生长点，继续重复以上地操作，最终形成具有相似特征地像素是最大连通集合.这种方法称简单（单一型）区域扩张法.TIrRGchYzg
（1）从图像最左上角开始，对图像进行光栅扫描，找到不属于任何地像素.
（2）把这个像素灰度同其周围（4邻域或8邻域）不属于其他区域地像素地灰度值和已存在区域地像素灰度平均值进行比较，若灰度差值小于阈值，则合并到同一区域，并对合并地像素赋予标记.7EqZcWLZNX
（3）从新合并地像素开始，反复进行
（2）地操作.
（4）反复进行
（2）、（3）地操作，直至不能再合并.
（5）返回
（1）操作，寻找新区域出发点地像素.
对下面地图像采用简单区域生长法进行区域生长，给出灰度差值①T=1；
②T=3；
③T=8三种情况下地分割图像.lzq7IGf02E
以8邻域为比较范围，①当阈值T=1时，图像分割结果如下图所示6个区域：
②当阈值T=3时，图像分割结果如下图所示为2个区域
③当阈值T=8时，图像分割结果如下图所示为1个区域
九、分裂合并
分裂合并法（基于四叉树思想地方法）（P161）
算法实现：
1）对于图像中灰度级不同地区域，均分为四个子区域.
2）如果相邻地子区域所有像素地灰度级相同，则将其合并.
3）反复进行上两步操作，直至不再有新地分裂与合并为止.
用分裂合并法分割图像，并给出对应分割结果地四叉树.
四叉树法分裂结果如下：
030
031
02
033
032
300
301
31
20
21
303
302
33
32
23
22
对应四叉树为：
合并后结果为：
②
①
其中背景区域①包括四叉树中00、01、030、033、1、21、22、23、32、33、300、303子块zvpgeqJ1hk
图像区域②包括四叉树中031、032、02、20、301、302、31子块
一十、膨胀和腐蚀、开运算和闭运算（P172）
1）膨胀
膨胀就是把二值图像各1像素连接成分地边界扩大一层地处理.
膨胀地原理：
设二值图像为F，结构元素为B，Bs代表B关于原点对称地结构元素.当结构元素Bs地原点移到（x,y）处时，结构元素用
表示.则图像F被结构元素B膨胀地定义式为：
NrpoJac3v1
（即Bs击中F，均指各自地非零像素）
其含义是：
当结构元素Bs地原点移动到（x,y）位置时，如果
所覆盖范围内地F地子图像与结构元素
相应位置上至少有一个元素相同且不为0，则把该子图像中与
地原点位置对应地（x,y）点地那个像素位置标注为1，否则为0.图像F上标注出地所有这样地像素组成地集合，即为膨胀运算地结果.1nowfTG4KI
膨胀运算地基本过程是：
（a）求结构元素B关于其原点地反射集合Bs；
（b）每当结构元素在目标图像F上平移后，结构元素Bs与其覆盖地子图像中至少有一个元素相交时，就将目标图像中与结构元素Bs地原点对应地那个位置地像素值置为“1”，否则置为0.fjnFLDa5Zo
注意：
（a）结构元素中原点位置所对应地目标图像子图像位置处地值是0时，仍可进行膨胀运算，无需强求是1.
（b）当结构元素在目标图像上平移时，允许结构元素中地非原点像素超出目标图像范围.
结构元素形状对膨胀运算结果地影响:
当目标图像不变，但所给地结构元素地形状改变时；
或结构元素地形状不变，而其原点位置改变时，膨胀运算地结果会发生改变.tfnNhnE6e5
2）腐蚀（或收缩）
腐蚀是把二值图像各1像素连接成分地边界点去掉从而缩小一层地处理.
腐蚀地原理：
设F为目标图像，B为结构元素，则目标图像F被结构元素B腐蚀可定义为
（即B包含于F，均指各自地非零像素）
当结构元素B地原点移动到目标图像F中地（x,y）位置时，如果（x,y）处像素值为1，并且Bxy所覆盖范围内地F地子图像地其他像素能够包含Bxy地其他像素或与Bxy地其他像素完全相同，则保留该子图像中与Bxy地原点位置对应地（x,y）点地像素值1，否则均为0.图像F上保留地所有这样值为1地像素组成地集合，即为腐蚀运算地结果.HbmVN777sL
这里地“包含”是指结构元素B和目标图像F地子图像中值为1地像素两两之间地对应关系.
腐蚀运算地基本过程是：
把结构元素B看作为一个卷积模板，每当结构元素平移到其原点位置与目标图像F中那些像素值为“1”地位置重合时，就判断被结构元素覆盖地子图像地其它像素地值是否都与结构元素相应位置地像素值相同；
只有当其都相同时，就将结果图像中地那个与原点位置对应地像素位置地值置为“1”，否则置为0.V7l4jRB8Hs
（a）结构元素中地原点位置处地像素值可以不为1，但要求目标图像中地子图像与结构元素B地原点对应地那个位置地像素值是1.83lcPA59W9
（b）当结构元素在目标图像上平移时，结构元素中地任何元素不能超出目标图像地范围.
腐蚀运算地结果不仅与结构元素地形状（矩形、圆形、菱形等）选取有关，而且还与原点位置地选取有关.
3）膨胀和腐蚀地作用：
膨胀地作用是使孔洞收缩，目标扩大.对消除图像目标中地小颗粒噪声和填补凹陷非常有效.
腐蚀地左右是使目标收缩，孔洞扩大.对去除图像小颗粒噪声和目标之间地粘连非常有效.
4）开运算V.S.闭运算
A、开运算（先腐蚀再膨胀）：
作用：
光滑目标轮廓、消除小目标（如去掉毛刺和孤立点等），在纤细点处分离物体，同时并不明显改变目标面积；
mZkklkzaaP
B、闭运算（先膨胀再腐蚀）：
在保持原目标地大小与形态地同时，填充凹陷、弥合孔洞和裂缝.
例1：
用结构元素B对目标图像F进行腐蚀运算.结构元素B中红色为原点.
例2：
结构元素不同时地腐蚀运算
例3：
结构元素原点不同时地腐蚀运算
例4：
用结构元素B对目标图像F进行膨胀运算.结构元素B中红色为原点.
图8.10膨胀运算实例
例5
例6
版权申明
本文部分内容，包括文字、图片、以及设计等在网上搜集整理.版权为个人所有
Thisarticleincludessomeparts,includingtext,pictures,anddesign.Copyrightispersonalownership.AVktR43bpw
用户可将本文地内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律地规定，不得侵犯本网站及相关权利人地合法权利.除此以外，将本文任何内容或服务用于其他用途时，须征得本人及相关权利人地书面许可，并支付报酬.ORjBnOwcEd
Usersmayusethecontentsorservicesofthisarticleforpersonalstudy,researchorappreciation,andothernon-commercialornon-profitpurposes,butatthesametime,theyshallabidebytheprovisionsofcopyrightlawandotherrelevantlaws,andshallnotinfringeuponthelegitimaterightsofthiswebsiteanditsrelevantobligees.Inaddition,whenanycontentorserviceofthisarticleisusedforotherpurposes,writtenpermissionandre
升级会员 