数字图像处理与边缘检测英译中.docx

数字图像处理与边缘检测英译中.docx

《数字图像处理与边缘检测英译中.docx》由会员分享，可在线阅读，更多相关《数字图像处理与边缘检测英译中.docx（11页珍藏版）》请在冰豆网上搜索。

数字图像处理与边缘检测英译中

Digital Image Processing and Edge Detection

Digital Image Processing

Interest  in digital image processing methods  stems from two principal  applica- tion areas:

 improvement  of pictorial information  for human interpretation;   and processing of image data for storage, transmission,  and representation   forau- tonomous  machine perception.

An image may be defined  as a two,dimensional  function, f（x, y）, where x and y are spatial （plane）  coordinates,  and the amplitude  of f at any pair of coordinates（x, y） is called the intensity or graylevel of the image at that point. When x, y, and the amplitudevalues of f are all finite, discrete  quantities,  we call the image a digital image. The field of digital image processing refers to processing digital images by means of a digital computer.  Note that a digital image is composed of a finite number  of elements, each of which has a particular  location and value. These elements  are referred  to as picture elements, image elements, pels, and pixels. Pixel is the term most widely used to denote  the elements  of a digital image.

Vision is the most advanced  of our senses, so it is not surprising that images play the single most important rolein human perception.  However,  unlike humans, who are limited to the visual band of the electromagnetic   （EM）  spec- trum, imaging machines  cover almost  the entire  EM spectrum,  ranging  from gamma to radio waves. They can operate  on images generated  by sources that humans  are not accustomed  to associating  with images. Theseinclude  ultra- sound, electron  microscopy, and computergeneratedimages. Thus, digital image processing  encompasses  a wide and varied field of applications.

There is no general  agreement among authors regarding  where image processing stops and other  related  areas, such as image analysis and computer  vi- sion, start. Sometimes  a distinction  is made  by defining image processing  as a discipline in which both the input and output  of a process are images. We believe this to be a limiting and somewhat  artificial boundary.  For example, under  this definition,  even the trivial task of computing  the average  intensity  of an image （which yields a single number）  would not be considered  an image processing operation.  On the other  hand, there  are fields such as computer  vision whose ultimate  goal is to use computers  to emulate  human  vision, including  learning and being able to make inferences  and take actions based on visual inputs. This area itself is a branch  of artificial intelligence  （AI）  whose objective  is to emulate human intelligence. The field of AI is in its earliest stages of infancy in terms of development,  with progress  having been much slower than originally anticipated. The area  of image analysis （also called image understanding）   is in be- tween image processing  and computer  vision.

There  are no clearcut boundaries  in the continuum  from image processing at one end to computer  vision at the other. However,  one useful paradigm  is to consider  three  types  of computerized   processes  in this continuum:

  low-, mid-, and highlevel processes. Lowlevel processes  involve primitive  opera- tions such as image preprocessing  to reduce noise, contrast  enhancement,  and image sharpening.  A lowlevel process  is characterized   by the fact that  both its inputs  and outputs  are images. Midlevel  processing  on images  involves tasks such as segmentation   （partitioning an image  into regions  or objects）, description  of those  objects  to reduce  them  to a form suitable  for computer processing, and classification  （recognition）  of individual  objects. A midlevel process is characterized  by the fact that its inputs generally are images, but its outputs  are attributes  extracted  from those images （e.g., edges, contours,  and the identity  of individual  objects）.  Finally, higherlevel  processing  involves “making  sense” of an ensemble  of recognized  objects, as in image  analysis, and, at the far end of the continuum,  performing  the cognitive functions  normally associated  with vision.

Based on the preceding  comments, we see that a logical place of overlap between  image processing  and image analysis is the area  of recognition  of individual regions  or objects  in an image. Thus, what we call in this book  digital image processing encompasses  processes  whose inputs and outputs  are images and, in addition, encompasses  processes that extract attributes  from images, up to and including  the recognition  of individual  objects. As a simpleillustration to clarify these  concepts,  consider  the area of automated   analysis of text. The processes  of acquiring  an image of the area containing  the text, preprocessing that  image, extracting  （segmenting）  the individual  characters,  describing  the characters  in a form suitable  for computer  processing,  and recognizing  those individual  characters  are in the scope of what we call digital image processing in this book. Making sense of the content  of the page may be viewed as being in the domain  of image analysis and even computer  vision, depending  on the level of complexity  implied by the statement  “making  sense.” As will become evident shortly, digital image processing, as we have defined  it, is used successfully in a broad range of areas of exceptional  social and economic value.

The areas of application of digital image processing are so varied that some form of organization is desirable in attempting to capture the breadth  of this field. One of the simplest ways to develop a basic understanding  of the extent of image processing  applications  isto categorize images according to their source （e.g., visual, Xray, andso on）. The principal energy source for images in use today is the electromagnetic   energy spectrum.  Other  important  sources of energy include acoustic, ultrasonic,  and electronic  （in the form of electron  beams used in electron  microscopy）. Synthetic images, used for modeling and visualization, are generated  by computer.  In this section we discuss briefly how images are generated in these various categories  and the areas in which they are applied.

Images based on radiation  from the EM spectrum  are the most familiar, es- pecially images in the Xray and visual bands of the spectrum. Electromagnetic waves can be conceptualized   as propagating  sinusoidal  waves of varying wavelengths, or they can be thought  ofas astream of massless particles, each traveling ina wavelike patternand moving at the speed of light. Each massless particle  contains  a certain  amount  （or bundle）  of energy. Each bundle  of energy is called a photon.  If spectral  bands are grouped according  to energyper photon,  we obtain  the spectrum  shown in fig. below, ranging  from gamma  rays （highest  energy）  at one end to radio  waves （lowest  energy）  at the other. The bands are shown shaded  to conveythe fact that bands of the EM spectrum  are not distinct but rather  transition  smoothly  from one to the other.

Image acquisition  is the first process. Note that acquisition  could be as simple as being given an image that is already in digitalform. Generally,  the image acquisition  stage involves preprocessing,  such as scaling.

Image enhancement is among the simplest and most appealingareas of digital image processing. Basically, the idea behind  enhancement   techniques  is to bring out detail that is obscured, or simply to highlight certain features  of interest in an image. A familiar example  of enhancement   is when we increase  the contrast of an image because “it looks better.”  It is important  to keep in mind that enhancement  is a very subjective area of image processing. Image restoration is an area  that  also deals with improving  the appearance of an image. However, unlike enhancement,  which is subjective, image restoration is objective,  in the sense that  restoration  techniques  tend  to be based  on mathematical  or probabilistic models ofimage degradation.  Enhancement,   on the other  hand, is based onhuman  subjective preferences regarding what constitutes  a “good” enhancement   result.

Color image processing is an area  that  has been  gaining in importance  because of the significant increase  in the use of digital images over the Internet. It covers a number  of fundamental  concepts  in color models and basic color processing  in a digital domain. Color is used also in later chapters  as the basis for extracting  features  of interest  in an image.

Wavelets are the foundation  for representing   images in various  degrees  of resolution.  In particular,  this material  is used in this book for image data compression and for pyramidal  representation,   in which images are subdivided successively into smaller regions.

Compression, as the name implies, deals with techniques for reducing the storage required to save an image, or the bandwidth required to transmi it.Although storage technology  has improved  significantly over the past decade, the same cannot  be said for transmission  capacity. This is true particularly  in uses of the Internet,  which are characterized  by significant pictorial  content.  Image compression  is familiar （perhaps  inadvertently）   to most users of computers  in the form of image file extensions, such as the jpg file extension  used in the JPEG （Joint  Photographic  Experts  Group）  image compression  standard.

Morphological  processing deals with tools for extracting  image components that are useful in the representation   and description  of shape. The material  in this chapter  begins a transition  from processes that output  images to processes that output  image attributes.

Segmentation  procedures  partition  an image into its constituent  parts or objects.