辽工大数字图像处理复习资料Word文档格式.docx
《辽工大数字图像处理复习资料Word文档格式.docx》由会员分享，可在线阅读，更多相关《辽工大数字图像处理复习资料Word文档格式.docx（19页珍藏版）》请在冰豆网上搜索。
1）点运算：
在局部处理中，当输出值JP（i,j）仅与IP（i,j）有关，则称为点处理。
如
点处理的计算表达式为：
2）邻域运算：
对输入图像IP（i,j）处理时，某一输出像素JP（i,j）值由输入图像像素（i,j）及其邻域N（i,j）中的像素值确定。
这种处理成为局部处理。
局部处理的计算表达式为：
3）窗口运算和模板运算：
单独对图像中选定的矩形区域内的像素进行处理的方式叫做窗口处理。
模板：
任意形状的区域。
模板平面：
一个和处理图像相同大小的二位数组，用来储存模板信息，一般是一幅二值图像。
模板处理：
边参照模板平面边对图像进行某种操作。
13）并行运算
指对图像中各个象素同时进行相同处理的运算方式，运算快，但只能用于处理的结果与处理的顺序无关的场合。
14）串行运算
相对并行运算而言，指的是在图像上按照规定的顺序逐个象素进行处理的运算的形式。
注：
凡是对象素的处理是在对邻域象素处理的基础上进行的处理方法都必须采用串行的运算形式，同时必须规定处理的顺序，处理的顺序不同会产生不同的结果。
第二章、图像增强
1）图像增强的目的
改善图像视觉效果，提高清晰度；
增强感兴趣部分，提高可懂度。
2）图像增强的定义
是指对图像的某些特征，如边缘、轮廓、对比度进行强调或尖锐化，以便于显示、观察或进一步地分析与处理。
3）图像增强的方法
空域增强：
彩色增强（伪彩色增强、假彩色增强、真彩色增强）、点运算（灰度变换、直方图修正）、邻域增强（图像平滑、图像锐化）。
频域增强：
低通滤波、高通滤波、同态滤波。
另：
图像融合
一、点运算
1）概念：
又称灰度比例尺变换，是一种通过改变图像像元的亮度值来改变图像像元对比度，从而改善图像质量的图像处理方法。
2）方法：
灰度变换（线性变换、非线性变换）、直方图修正。
3）灰度变换：
将一个灰度区间映射到另一个灰度区间的变换。
4）直方图修正：
使输入图像灰度值的频率分布（直方图）与所希望的直方图形状一致而变换灰度值的方法。
方法：
直方图均衡化、直方图规定化
5）直方图均衡化：
是对图像中的像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。
从而达到清晰图像的目的。
A基本思想：
使目标图像的直方图具有平直的直方图
B基本方法：
通过灰度r的概率密度函数
，求出灰度变换
，建立等值像素出现的次数与结果图像像素值之间的关系。
C算法：
设f、g分别为原图象和处理后的图像。
a.求出原图f的灰度直方图，设为h。
h为一个256维的向量。
（有256个灰度级，L=256）
b.求出图像f的总体像素个数
（m,n分别为图像的长和宽）。
计算每个灰度级的像素个数在整个图像中所占的百分比。
，
。
c.计算图像各灰度级的累计分布。
d.求出新图像g的灰度值。
6）直方图规定化：
希望通过一个指定的函数（如高斯函数）或用交互图形产生一个特定的直方图。
根据这个直方图确定一个灰度级变换T（r）,使由T产生的新图像的直方图符合指定的直方图。
二、邻域处理（包括图像平滑、图像锐化）
1）图像平滑的方法：
中值滤波、邻域平均法
A中值滤波原理：
用模板区域内象素的中值，作为结果值。
公式：
，强迫突出的亮点（暗点）更象它周围的值，以消除孤立的亮点（暗点）。
B中值滤波算法实现：
a.将模板区域内的象素排序，求出中值。
b.对于同值象素，连续排列。
C中值滤波算法特点：
在去除噪音的同时，可以比较好地保留边的锐度和图像的细节。
2）图像锐化
目的：
是增强图像中景物的边缘或轮廓
特点：
模板内系数有正有负，且系数之和为1.
三、彩色增强：
（包括：
伪彩色增强、假彩色增强、真彩色增强）
1）伪彩色增强：
把黑白图像变换成彩色图像的处理称为伪彩色处理。
A伪彩色增强的方法：
灰度分层法、灰度变化法
B伪彩色增强的实现过程：
输入图像→显示直方图→确定分割的等级数并计算分隔的距离→像元亮度值转换→为像元新值赋色。
2）假彩色增强：
对一幅自然彩色图像或同一景物的多光谱图像，通过映射函数变换成新的三基色分量，彩色合成使感兴趣目标呈现出与人眼色觉相匹配的颜色，以提高对目标的分辨力。
3）伪彩色与假彩色区别
伪彩色处理主要解决的是如何把灰度图变成伪彩色图的问题,最简单的办法是选择对应于某一灰度值设一彩色值来替代,可称之为调色板替代法。
另外一种比较好的伪彩色处理方法是设定三个独立的函数,给出一个灰度值,便由计算机估算出一个相应的RGB值.
假彩色处理是把真实的自然彩色图像或遥感多光谱图象处理成假彩色图像.假彩色处理的主要用途是:
（1）景物映射成奇异彩色,比本色更引人注目。
（2）适应人眼对颜色的灵敏度,提高鉴别能力。
可把细节丰富的物体映射成深浅与亮度不一的颜色.
（3）遥感多光谱图象处理成假彩色,可以获得更多信息.
四、频率增强
流程：
（1）通过傅里叶变换将原图像
变换成
；
（2）利用滤波器函数
进行滤波增强
（3）
经过傅里叶逆变换变换成
五、图像融合
1）定义：
是将多种遥感平台，多时相遥感数据之间以及遥感数据与非遥感数据之间的信息组合匹配的技术。
2）内容：
空间配准、内容融合。
3）目的：
信息互补、突出有用的专题信息，消除或抑制无关的信息，改善目标识别的图像环境。
4）融合方法：
代数法、图像变换法。
5）遥感与非遥感信息的融合主要步骤
A地理数据的网格化
a.网格数据生成
b.与遥感数据配准
B配准融合
a.栅格数据与栅格数据
b.栅格数据与矢量数据。
6）K-L变换：
又称主成分变换，它是对某一多光谱图像X.利用K-L变换矩阵A进行线性组合,而产生一组新的多光谱图像Y。
7）K-L变换的特点：
（1）变换后的主分量空间与变换前的多光谱空间坐标系相比旋转了一个角度。
新坐标系的坐标轴指向数据量较大的方向。
（2）变换后的新波段主分量而言，它们所包括的信息量不同，呈逐渐减少趋势。
第一主分量往往集中了最大的信息量，第二、三主分量的信息量依次很快递减，到了第n分量，信息几乎为零。
（3）各主成分之间不相关。
8）K-L变换应用：
数据压缩：
较少的波段包含了更多波段的信息
信息融合：
不同分辨率的图像融合
图像增强：
消除噪声
第三章、图像复原
1、定义
图像复原就是要尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理。
2、流程
找退化原因→建立退化模型→反向推演→恢复图像
3、方法（图像空间复原技术、频率复原技术[略]）
图像空间复原技术：
（1）几何校正：
是指从具有几何畸变的图像中消除畸变的过程，即定量地确定图像上像元坐标（图像坐标）与目标物的地理坐标（地图坐标等）的对应关系（坐标变换式）。
（分粗校正和精校正）
（2）几何校正的步骤：
A确定校正方法：
以图像中所含的几何畸变的性质及用于校正的数据来确定。
包括系统校正（粗校正）GCP点精确校正及复合校正三种方法。
B确定校正公式：
确定校正式（图像坐标和地图坐标的变换式等）的结构，根据控制点数据等求出校正式参数。
在三种方法中，各自方法中又有多种校正公式进行几何校正。
C验证校正方法、校正式的有效性。
D重采样、内插：
由于计算的对应位置的坐标不是整数值，所以必须通过对周围的像元值进行插补求出图像。
（3）几何校正的方法：
系统性校正、非系统性校正、复合校正。
（4）几何精校正：
利用控制点的影像坐标和地图坐标的对应关系，近似地确定所给的影像坐标系和应输出的坐标系之间的变换公式（几何精校正）。
几何精校正的方法：
共线方程、多项式校正。
第四章、图像分割
把图像分解成构成它的部件和对象的过程，有选择性地定位感兴趣对象在图像中的位置和范围。
2、基本思路
从简到难，逐级分割；
控制背景环境，降低分割难度；
把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上
3、方法
A基于区域间灰度值的不连续性
a.思路：
先找到点、线（宽度为1）、边（不定宽度）、再确定区域
b.方法：
边界分割法：
点、线、边的检测
边缘连接分割法：
通常对做过边缘检测的图像进行，用于连接中断的线。
B基于区域内部灰度间的相似性
通过选择阈值，找到灰度值相似的区域、区域的外轮廓就是对象的边。
域值分割法：
关键是域值的确定直方图得到域值、P参数法得到域值，最大方差自动取值法，区域增长法
区域分裂与合并
第五章、图像特征提取
1、图像特征：
图像的原始特征或属性。
2、特征表示与描述：
把图像分割后，为了进一步的处理，分割后的图像一般要进行形式化的表达和描述。
3、特征选择
:
从原始特征中挑选出一些最有代表性，分类性能最好的特征。
穷举法、最大最小类对距离法。
4、特征选择特点
不改变原始特征值的物理意义，因此不会影响分类器设计者对所用特征的认识，有利于分类器设计，便于对分类结果的进一步分析。
5、特征提取
从减少特征之间的相关性和浓缩信息量的角度出发，根据原始数据的统计特性，用尽可能少的新特征来最大限度的包含所有原始数据的统计特征。
6、良好特征定义
可区分性：
对于属于不同类别的图像，他们的特征应该具有明显的差异性。
可靠性：
对于同类的图像，它们的特征值应比较相近。
独立性：
所使用的各特征之间应彼此无关。
数量少：
图像识别的复杂度随着特征的个数迅速增长。
7、图像特征
一、纹理特征（局部不具有规律性而宏观具有规律性的特征）
1）纹理特征提取：
通过一定的图像处理技术，抽取出纹理特征，从而获得纹理的定性或定量的描述。
2）灰度共生矩阵：
从图像
灰度为i的像素出发，统计与距离为δ，灰度为j的像素
同时出现的概率
，数学式为：
3）计算
纹理A：
纹理B：
4）归一化
5）矩阵大小
L×
L（L为灰度级）在实际应用中为了减少运算量，可先减少灰度级数，再计算共生矩阵。
6）灰度共生矩阵特点
A对称性（只限以上提到的四个方向）
B主对角线元素的作用：
沿着纹理方向的灰度共生矩阵主对角线上的元素较大，在垂直纹理方向上的共生矩阵主对角线的元素可以判断纹理的粗细。
C元素值的离散性：
离开主对角线上的元素的归一化值高，离散性大，也就是说一定位置关系的两象素间灰度差大的比例高，说明垂直于该方向的纹理较细。
7）由灰度共生矩阵派生出的纹理特征参数
二阶矩、对比度、相关、熵、逆矩阵
8）灰度—梯度共生矩阵：
灰度直方图和边缘梯度直方图的结合。
二、颜色特征（几种常用的表色系统：
RGB、HIS、YUV、YCbCr）
三、形状特征
第六章、二值图像处理与形状分析
1、二值图像增强处理的流程：
2、概念
1）邻域：
对于任意像素（i，j），把像素的集合{（j+p，j+q）}（p,q为适当整数）叫做像素（i，j）的邻域。
2）4邻域：
像素p的上、下、左、右四个像素；
互为4邻域的两个像素叫做4邻接（或4连通）；
3）8邻域：
像素p的上、下、左、右四个像素和四个对角线像素；
互为8邻域的两个像素叫做8邻接（或8连通）；
4）连接成分：
在二值图像中，把互相连接的像素的集合汇集为一组，于是具有若干个0值的像素（0像素）和具有若干个1值的像素（1像素）的组就产生了。
把这些组叫做连接成分。
5）欧拉数：
E=C-H（连接成分数C减去孔数H）
6）像素的可删除性：
改变一个像素的值后，整个图像的连接性并不改变，则这个像素是可删除的。
像素的可删除性可用像素的连接数来检测。
7）膨胀和收缩：
膨胀就是把连接成分的边界扩大一层的处理。
收缩则是把连接成分的边界点去掉从而缩小一层的处理。
若输出图像为
则它们的定义式为
膨胀和腐蚀的反复使用就可检测或清除二值图像中的小成分或孔。
第七章、图像识别
1、模式识别分类：
模板匹配（最基本）、统计模式识别、结构模式识别、模糊模式识别、智能模式识别（神经网络识别）
2、模板匹配的定义：
根据图案与一幅图像的各部分的相似度判断其是否存在，并求得对象物在图像中位置的操作叫模板匹配。
3、统计模式识别的定义：
是研究每一个模式的各种测量数据的统计特性，按照统计决策理论来进行分类。
4、统计识别的流程：
5、统计识别的方法：
1）监督分类：
选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。
2）常用的判别函数—距离判别函数：
距离判别函数是特征空间中像元数据和分类类别特征的相似程度。
距离最小即相似程度最大。
包括：
绝对值距离
、欧氏距离、马氏距离、混合距离。
3）非监督分类：
在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似的像元归为一类）的方法。
4）监督分类的优缺点：
优点：
可根据应用目的和区域，有选择地决定分类类别；
可通过检查样本来决定是否精确分类；
避免了非监督分类对光谱群组的重归类。
缺点：
分类系统的确定和样本的选择，人为主观因素较强；
训练样本的选择和评估需要花费较多的人力和时间；
只能识别训练样本所定义的类别。
5）非监督分类的优缺点：
不需要对所要分类的区域有广泛的了解；
人为误差的机会较少；
独特的、覆盖量较小的类别也能被识别。
分析者较难对类别进行控制；
图像中的光谱特征会随时间和空间发生变化，不同的图像之间的对比困难。
6）监督分类与非监督分类方法比较
根本区别在于是否利用训练场地来获取先验的类别知识。
监督分类的关键是选择训练场地。
训练场地要有代表性，样本数目要能够满足分类要求。
有时很难做到，这是监督分类的不足之处。
非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。
当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。
6、遥感影像分类：
将图像中的每个像元按照其性质特征，应用某种规则或者算法划分为不同的类别。
7、分类流程：
（1）制定分类系统，确定分类类别
（2）选择合适的图像数据
（3）收集地面信息
（4）选择合适分类方法
（5）计算特征
（6）对遥感图像中各像素进行分类
（7）分类后处理
（8）精度评价
8、精度评价
1）分类误差：
一是位置误差，即各类别边界的不准确；
另一类是属性误差，即类别识别错误。
2）混淆矩阵：
是用来表示精度评价的一种标准格式，是n*n的矩阵，其中n代表类别的数量。
3）采样的方法：
简单随机采样、分层采样、聚点或集群采样。
（要进行扩充）
4）总体分类精度：
具有概率意义的一个统计量，表述的是每一个随机样本，所分类的结果与地面所对应区域的实际类型相一致的概率。
5）用户精度（对于第i类，使用者精度）：
表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的概率。
6）制图精度（对于第j类，生产者精度）：
表示相对于地面获得的实际资料中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率。
7）漏分误差：
指对于地面观测的某种类型，在分类图上任取一样本，其被错划分为其它不同类型的概率，即实际的某一类地物有多少被错误地分到其它类别；
8）错分误差：
指对于所分出的某一类型，任取一样本，它与实际地面观测类型不同的概率，即图像中被划为某一类地物实际上有多少应该是别的类别
9、采用Matlab编程应用最短距离分类器进行分类：
1）裁剪样本
2）计算样本特征
（1）确定选择什么特征，如灰度、纹理等。
如确定采用基于灰度共生矩阵的对比度特征
（2）计算每个样本的灰度共生矩阵，并计算相应的对比度特征
（3）将所有的样本点对应到特征空间中
3）确定判别函数
（1）本例采用最短距离分类器
（2）归到距离最近的那一类
（3）注意采用的哪一种距离，
升级会员 