第五章图像预处理精编版.docx

第五章图像预处理精编版.docx

《第五章图像预处理精编版.docx》由会员分享，可在线阅读，更多相关《第五章图像预处理精编版.docx（21页珍藏版）》请在冰豆网上搜索。

第五章图像预处理精编版

第五章图像预处理

一般情况下，成像系统获取的图像（即原始图像）由于受到种种条件限制和随机干扰，往往不能在视觉系统中直接使用，必须在视觉的早期阶段对原始图像进行灰度校正、噪声过滤等图像预处理.对机器视觉系统来说,所用的图像预处理方法并不考虑图像降质原因，只将图像中感兴趣的特征有选择地突出，衰减其不需要的特征，故预处理后的输出图像并不需要去逼近原图像.这类图像预处理方法统称为图像增强.图像增强技术主要有两种方法:

空间域法和频率域法.空间域方法主要是在空间域内对图像象素直接运算处理.频率域方法就是在图像的某种变换域对图像的变换值进行运算，如先对图像进行傅里叶变换，再对图像的频谱进行某种计算（如滤波等），最后将计算后的图像逆变换到空间域.本章首先讨论直方图修正方法，然后介绍各种滤波技术，其中对高斯平滑滤波器将作比较深入的讨论。

5.1直方图修正

许多图像的灰度值是非均匀分布的，其中灰度值集中在一个小区间内的图像是很常见的（图5.2（a）所示的对比度很弱的图像）.直方图均衡化是一种通过重新均匀地分布各灰度值来增强图像对比度的方法.经过直方图均衡化的图像对二值化阈值选取十分有利.一般来说，直方图修正能提高图像的主观质量，因此在处理艺术图像时非常有用。

直方图修正的一个简单例子是图像尺度变换：

把在灰度区间[a，b]内的象素点映射到[z1,z2]区间.一般情况下，由于曝光不充分，原始图像灰度区间[a，b]常为空间[z1,z2]的子空间，此时，将原区间内的象素点z映射成新区间内象素点z’的函数表示为

上述函数的曲线形状见图5.1（a）.上述映射关系实际上将[a,b]区间扩展到区间[z1,z2]上，使曝光不充分的图像黑的更黑，白的更白。

如果图像的大多数象素灰度值分布在区间[a,b]，则可以使用图5.1（b）所示的映射

函数

若要突出图像中具有某些灰度值物体的细节，而又不牺牲其它灰度上的细节，可以采用分段灰度变换，使需要的细节灰度值区间得到拉伸，不需要的细节得到压缩，以增强对比度，如图5.1（c）所示.当然也可以采用连续平滑函数进行灰度变换，见图5.1（d）.

这一方法存在的问题是，当直方图被延伸后，所得到的新直方图并不均匀，也就是说，各灰度值所对应的象素数并不相等.因此，更好的方法应该是既能扩展直方图，又能使直方图真正地呈现均匀性。

如果预先设定灰度值分布，那么就可以用下面的方法:

假定p1是原直方图中在灰度级z1上的象素点的数目，q1是要得到的直方图在灰度级A上的象素点的数目.从原直方图的左边起，找到灰度值k1，便得

下一区间象素值zk1，……zk2-1被映射到灰度级z2上.重复这一过程直到原始图像的所有灰度值都得到处理,这一方法的处理结果示于图5.2中.在那里，原始图像对比度很弱，原因是灰度值分布在一小区间内.直方图均衡化通过映射灰度值来逼近均匀分布，从而改善了对比度.但是这一方法在均衡化后的直方图中仍然留下了间隙，除非输入图像中具有同

一灰度级的象素点在输出图中被延伸至几个灰度级。

如果直方图被延伸，则在原始图像中具有相同灰度值的象素点在新的图像中可能会被延伸成不同的灰度值.最简便的方法就是为相同灰度值的每一个象素点分配一个随机的输出值.为了把象素点均匀地分布在n个输出值qk，qk+1，…，qk+n-1的范围内，假定使用一个随机数发生器，其产生的随机数均匀地分布在[0，1）内.输出的象素点标号可以由随机数r通过计算公式k+[n×r]得到.换句话说,对每一次决策，抽出一个随机数，乘以区间内的输出值数目n后四舍五入取整，最后将这一偏移量加到最低标号k上。

5.2图像线性运算

5.2.1线性系统

许多图像处理系统都可以用一个线性系统作为模型:

对于线性系统，当系统输入是一个中心在原点的脉冲

（x，y）时，输出g（x，y）就是系统的脉冲响应.此外，如果系统响应与输入脉冲的中心位置无关，则该系统称为空间不变系统。

如果f（x，y）和h（x,y）表示图像，则卷积就变成了对象素点的加权计算，脉冲响应g[i，j]就是一个卷积模板.对图像中每一象素点[i，j]，输出响应值h（x,y）是通过平移卷积模板到象素点[i，j]处，计算模板与象素点[i，j]邻域加权得到的，其中各加权值对应卷积模板的各对应值.图5.3是模板为3x3的示意图.

卷积是线性运算，因为

对任何常量a1和a2都成立.换句话说，和的卷积等于卷积的和，尺度变换后的图像卷积等于卷积后作相应的尺度变换.卷积是空间不变算子，因为在整幅图像中都使用相同的权重系数.但空间可变系统则在图像的不同部分要求不同的滤波权重因子，因此这种运算无法用卷积来表示。

图像域的卷积对应于频率域的乘积，因此，对于图像域中非常费时的大滤波器卷积，若使用快速傅里叶变换（fastfouriertranaform，FFT）,可以大大地提髙计算效率.FFT是许多图像处理应用领域里十分重要的方法.但是在机器视觉中，由于大多数算法是非线性的或空间可变的，因此不能使用傅里叶变换方法.对于视觉模型为线性的、空间不变的系统，由于滤波尺度很小,使用快速傅里叶变换几乎得不到什么益处.因此，在视觉预处理阶段，通常使用线性滤波器（如平滑滤波器等）来完成图像时域卷积。

5.3线性滤波器

图像常被强度随机信号（也称为噪声）所污染.一些常见的噪声有椒盐（Salt&Pepper）噪声、脉冲噪声、高斯噪声等.椒盐噪声含有随机出现的黑白亮度值.而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）.与前两者不同，高斯噪声含有亮度服从高斯或正态分布的噪声（如图5.4所示）.高斯噪声是许多传感器噪声的很好模型，例如摄像机的电子干扰噪声。

线性平滑滤波器去除高斯噪声的效果很好，且在大多数情况下，对其它类型的噪声也

有很好的效果.线性滤波器使用连续窗函数内象素加权和来实现滤波.特別典型的是，同一模式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波.如果图像的不同部分使用不同的滤波权重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的.任何不是象素加权运算的滤波器都属于非线性滤波器.非线性滤波器也可以是空间不变的，也就是说，在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化.5.4节中所提出的中值滤波器就是空间不变的非线性滤波器.下面主要介绍两种线性滤波器，均值滤波器和高斯滤波器。

5.3.1均值滤波器

最简单的线性滤波器是局部均值运算，即每一个象素值用其局部邻域内所有值的均值置换

其中，M是邻域N内的象素点总数.例如，在象素点[i，j]处取3×3邻域，得到

该方程与方程（5.6）对比，对于卷积模板中的每一点[i，j],有g[i，j]=1/9,那么方程（5.6）

就退化成方程（5.10）所示的局部均值运算.这一结果表明，均值滤波器可以通过卷积模板的等权值卷积运算来实现（见图5.5）.实际上，许多图像处理运算都可以通过卷积来实现，

邻域N的大小控制着滤波程度，对应大卷积模板的大尺度邻域会加大滤波程度.作为去除大噪声的代价，大尺度滤波器也会导致图像细节的损失.不同尺度下均值滤波的结果见图5.6.

在设计线性平滑滤波器时，选择滤波权值应使得滤波器只有一个峰值，称之为主瓣，

并且在水平和垂直方向上是对称的.一个典型的3×3平滑滤波器的权值模板如下:

线性平滑滤波器去除了高频成分和图像中的锐化细节，例如：

会把阶跃变化平滑成渐近变化，从而牺牲了精确定位的能力。

空间可变滤波器能调节权值，使得在相对比较均匀的图像区域上加大平滑量，而在尖锐变化的图像区域上减小平滑量。

5.3.2高斯平滑滤波器

高斯平滑滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器，高斯平滑滤波器对去除服从正态分布的噪声是很有效的，一维零均值高斯函数为

其中，高斯分布参数a决定了高斯滤波器的宽度，对图像处理来说，常用二维零均值离散高斯函数作平滑滤波器，这种函数的图形如图5.7所示，函数表达式为

高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用，这些性质表明，高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用。

高斯函数具有五个十分重要的性质，它们是：

①二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的，一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑，旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向。

②髙斯函数是单值函数.这表明，高斯滤波器用象素邻域的加权均值来代替该点的象素值，而每一邻域象素点权值是随该点与中心点的距离单调增减的.这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的象素点仍然有很大作用，则平滑运算会使图像失真。

③离斯函数的傅里叶变换频谱是单瓣的.正如下面所示，这一性质是髙斯函数傅里叶变换等于髙斯函数本身这一事实的直接推论.图像常被不希望的髙频信号所污染（噪声和细纹理）.而所希望的图像特征（如边缘）,既含有低频分量，又含有高频分量.髙斯函数傅里叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号。

④离斯滤波器宽度（决定着平滑程度）是由参数a表征的，而且和平滑程度的关系是非常简单的，a越大，髙斯滤波器的频带就越宽，平滑程度就越好.通过调节平滑程度参数a；，可在图像特征过分模糊（过平滑）与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量（欠平滑）之间取得折衷。

⑤由于髙斯函数的可分离性，大离斯滤波器可以得以有效地实现.二维高斯函数卷积可以分两步来进行，首先将图像与一维离斯函数进行卷积,然后将卷积结果与方向垂直的相同一维髙斯函数卷积.因此,二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。

下面详细解释这些性质.

1.旋转对称性

把高斯函数从直角坐标变换到极坐标，则可以清楚地看到高斯函数的旋转对称特性.二维高斯函数为

它不依赖于极角θ自然也就旋转对称了.如果要求在某一特定的方向上加大平滑量，则应用旋转非对称高斯函数也是可能的.旋转非对称髙斯函数的表达式[Wozencraft1965],它们被用于通讯频道的概率统计分析中。

2.傅里叶变换性质

高斯函数有一个十分有趣的性质，即它的傅里叶变换也是一个髙斯函数.由于髙斯函数的傅里叶变换是一个实函数，所以其傅里叶变换前后的幅值不一样，髙斯函数的傅里叶变换通过下式计算

高斯函数是偶函数，而正弦函数是奇函数，因此第二个积分式的值必然等于零，从而

整个傅里叶变换可简化为

空间域频率参数为ω，髙斯函数在频率域内的散布由v控制,v是空间域散布参数a的倒数.这表明，髙斯函数在空间域越窄，则在频率域里的频谱越宽，反之亦然.这一性质和髙斯滤波器的抑制噪声能力有关.窄带空间域髙斯函数的平滑能力较低，因为在频率域内其频带较宽，能通过更多的高频噪声和细纹理信号.随着高斯函数在空间域的宽度增加，高斯函数的平滑能力也增强了.也就是说，在频率域内，高斯函数越窄，通过高频噪声和细纹理信号就越少.图5.8所示的是不同散布参数a对图像噪声的抑制程度和平滑程度，高斯函数在空间域的宽度与在频率域的频谱宽度之间的简单关系有利于高斯滤波器在实际设计中的应用.高斯函数傅里叶变换的对偶性也解释了为什么空间域单瓣特性在频率域内也成立。

3.高斯函数的可分离性

髙斯函数的可分离性很容易表示为

花括弧里的和式是输人图像f[i，j]与一维水平高斯函数的卷积.这一和式的结果是一个二维图像，该图像在水平方向上被模糊化.将该图像作为输人与相同的一维垂直髙斯函数进行卷积，使得图像在垂直方向上也被模糊化.由于卷积是服从结合律和交换律的，因此卷积次序可以颠倒，即可以先进行垂直卷积,将其结果作为输人再进行水平卷积.图5.9

是高斯函数卷积可分离性示意图。

这一方法可采用两个水平卷积模板来组合完成.首先将输入f[i，j]与一个水平髙斯函数进行卷积，并将其结果进行转置存人一个临时数组，然后将临时数组作为输入，与相同的高斯函数进行卷积，以实现由水平卷积代替垂直卷积的目的.第二次卷积后的输出信息再一次进行转置，就得到了最终的平滑输出图像.分离卷积的结果如图5.10所示.

4.级联高斯函数

与高斯函数有关的一个性质是高斯函数与其自身的卷积会产生一个与a成比例的高斯函数，该性质在一维情况下很容易地表达出来具有散布参数为a的两个髙斯函数的

5.离斯滤波器设计

高斯函数的最佳逼近由二项式展开的系数决定：

换句话说,用杨辉三角形（也称Pascal三角形）的第n行作为髙斯滤波器的一个具有n个点的一维逼近，例如，五点通近为

它们对应于杨辉三角形的第5行.这一摸板被用来在水平方向上平滑图像.在高斯函数可分离性性质中曾指出，二维髙斯滤波器能用两个一维高斯滤波器逐次卷积来实现，一个沿水平方向，一个沿垂直方向.实际中,这种运算可以通过使用单个一维高斯模板，对两次卷积之间的图像和最后卷积的结果图像进行转置来完成。

这一技术在摸板尺寸n约为10时的滤波效果极好.对较大的滤波器，二项式展开系数对大多数计算机来说都太多.但是，任意大的高斯滤波器都能通过重复使用小髙斯滤波器来实现.高斯滤波器的二项式逼近的可用髙斯函数拟合二项式系数的最小方差来计算。

设计高斯滤波器的另一途径是直接从离散高斯分布中计算模板权值[Kohl1992]

为了计算方便，一般希望滤波器权值是整数值.在阵列的一个角点处取一个值，并选择k使得该角点处的值为1.运用上面的例子，我们得到

现在，用k乘余下的权值，有

这是髙斯滤波器卷积模板的最后结果.但是，这一模板的权值之和并不等于1.所以，在进行卷积的时候，象素点的输出值必须用模板的权值来规范化，以确保图像的均匀灰度区域不受影响.从上面的例中，有

其中，g[i，j]的权值为所有的整数值.其它普通滤波器的模板见图5.11.

6.离散离斯波鼉

髙斯滤波器的采样值或者高斯滤波器的二项式展开系数可以形成离散髙斯滤波器.当用离散高斯滤波器进行卷积时，其结果是一个更大的髙斯离散滤波器.若一幅图像用n×n离散高斯滤波器进行平滑，接着再用mXm离散髙斯滤波器平滑的话，那么平滑结果就和用（n+m-1）×（n+m-1）离散高斯滤波器平滑的结果一样.换言之，在杨辉三角形中用第n行和第m行卷积形成了第n+m-1行。

5.4非线性滤波器

昆虫记阅读题及答案均值滤波和髙斯滤波运算的主要问题是有可能模糊图像中的尖锐不连续部分.下面介绍两种非线性滤波算法：

中值滤波和边缘保持滤波算法。

5.4.1非线性滤波器

数字语文资源网中值滤波器的基本思想是用象素点邻域灰度值的中值来代替该象素点的灰度值，该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节，这是因为它不依赖于邻域内那些与典型值差别很大的值.中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似，但滤波过程却不再是加权运算.例如，取3×3函数窗，计算以点[i，j]为中心的函数窗象素中值步骤如下：

数学试卷讲评教案①按亮度值大小排列象素点.

②选择排序象素集的中间值作为点[i，j]的新值.

新教师听公开课这一过程如图5.12所示.一般采用竒数点的邻域来计算中值，但如果象素点数为偶数时，中值就取排序象素中间两点的平均值.采用大小不同邻域的中值滤波器的结果见图5.13。

中值滤波在一定条件下，可以克服线性滤波器（如均值滤波等）所带来的图像细节模

描写学校的成语

糊，而且对滤除脉冲干扰即图像扫描噪声最为有效.在实际运算过程中并不需要图像的统计特性，也给计算带来不少方便.但是对一些细节多，特别是线、尖顶等细节多的图像不宜采用中值滤波。

探索发现生命尔雅答案5.4.2边缘保持滤波器

均值滤波的平滑功能会使图像边缘模糊，而中值滤波在去除脉冲噪声的同时也将图像中的线条细节滤除掉，如图5.14所示.边缘保持滤波器是在上述两种滤波器的基础上发展的一种滤波器，该滤波器在滤除嗓声脉冲的同时，又不致于使图像边缘十分模糊。

昆虫记阅读题及答案边缘保持算法的基本过程如下:

对灰度图像的每一个象素点[i，j]取适当大小的一个邻域（如3×3邻域），分别计算[i，j]的左上角子邻域、左下角子邻域、右上角子邻域和右下角子邻域的灰度分布均匀度V，然后取最小均匀度对应区域的均值作为该象素点的新的灰度值。

计算灰度均匀度的公式为

有趣的线造型美术教案

文成公主进藏教学实录由图中计算可见，分布越均匀，V值越小.左下角邻域全为零，因此，V=0为最小值.象素[i，j]处的灰度值应为左下角邻域灰度值的均值，即f[i，j]=0.图5.16是用边缘保持滤波的实验结果。

暑假放假时间2019小学