江南大学数字图像处理期末整合Word格式.docx
- 文档编号:16677272
- 上传时间:2022-11-25
- 格式:DOCX
- 页数:17
- 大小:409.68KB
江南大学数字图像处理期末整合Word格式.docx
《江南大学数字图像处理期末整合Word格式.docx》由会员分享,可在线阅读,更多相关《江南大学数字图像处理期末整合Word格式.docx(17页珍藏版)》请在冰豆网上搜索。
是增强图象的边缘或轮廓。
19.直方图规定化(匹配):
用于产生处理后有特殊直方图的图像的方法
20.数据压缩:
指减少表示给定信息量所需的数据量。
二.简答题(20=5×
4)
1.图像锐化滤波的几种方法。
答:
(1)直接以梯度值代替;
(2)辅以门限判断;
(3)给边缘规定一个特定的灰度级;
(4)给背景规定灰度级;
(5)根据梯度二值化图像。
2.伪彩色增强和假彩色增强有何异同点。
伪彩色增强是对一幅灰度图像经过三种变换得到三幅图像,进行彩色合成得到一幅彩色图像;
假彩色增强则是对一幅彩色图像进行处理得到与原图象不同的彩色图像;
主要差异在于处理对象不同。
相同点是利用人眼对彩色的分辨能力高于灰度分辨能力的特点,将目标用人眼敏感的颜色表示。
3.图像编码基本原理是什么?
数字图像的冗余表现有哪几种表现形式?
虽然表示图像需要大量的数据,但图像数据是高度相关的,或者说存在冗余(Redundancy)信息,去掉这些冗余信息后可以有效压缩图像,同时又不会损害图像的有效信息。
数字图像的冗余主要表现为以下几种形式:
空间冗余、时间冗余、视觉冗余、信息熵冗余、结构冗余和知识冗余。
4.什么是中值滤波,有何特点?
特点:
它是一种非线性的图像平滑法,它对脉冲干扰级椒盐噪声的抑制效果好,在抑制随机噪声的同时能有效保护边缘少受模糊。
5.什么是直方图均衡化?
将原图象的直方图通过变换函数修正为均匀的直方图,然后按均衡直方图修正原图象。
图象均衡化处理后,图象的直方图是平直的,即各灰度级具有相同的出现频数,那么由于灰度级具有均匀的概率分布,
图象看起来就更清晰了。
6、图像增强的目的是什么?
图像增强目的是要改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
7、什么是中值滤波及其它的原理?
中值滤波法是一种非线性平滑技术,它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。
8、图像锐化与图像平滑有何区别与联系?
区别:
图像锐化是用于增强边缘,导致高频分量增强,会使图像清晰;
图像平滑用于消除图像噪声,但是也容易引起边缘的模糊。
联系:
都属于图像增强,改善图像效果。
9、在彩色图像处理中,常使用HSI模型,它适于做图像处理的原因有:
1、在HIS模型中亮度分量与色度分量是分开的;
2、色调与饱和度的概念与人的感知联系紧密。
10、图像复原和图像增强的主要区别是:
图像增强主要是一个主观过程,而图像复原主要是一个客观过程;
图像增强不考虑图像是如何退化的,而图像复原需知道图像退化的机制和过程等先验知识
11、图像增强时,平滑和锐化有哪些实现方法?
平滑的实现方法:
邻域平均法,中值滤波,多图像平均法,频域低通滤波法。
锐化的实现方法:
微分法,高通滤波法。
12.简述直方图均衡化的基本原理。
直方图均衡化方法的基本思想是,对在图像中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。
因为灰度分布可在直方图中描述,所以该图像增强方法是基于图像的灰度直方图。
13、当在白天进入一个黑暗剧场时,在能看清并找到空座位时需要适应一段时间,试述发生这种现象的视觉原理。
人的视觉绝对不能同时在整个亮度适应范围工作,它是利用改变其亮度适应级来完成亮度适应的。
即所谓的亮度适应范围。
同整个亮度适应范围相比,能同时鉴别的光强度级的总范围很小。
因此,白天进入黑暗剧场时,人的视觉系统需要改变亮度适应级,因此,需要适应一段时间,亮度适应级才能被改变。
14、说明一幅灰度图像的直方图分布与对比度之间的关系
直方图的峰值集中在低端,则图象较暗,反之,图象较亮。
直方图的峰值集中在某个区域,图象昏暗,而图象中物体和背景差别很大的图象,其直方图具有双峰特性,总之直方图分布越均匀,图像对比度越好。
15、简述梯度法与Laplacian算子检测边缘的异同点?
梯度算子和Laplacian检测边缘对应的模板分别为
-1
1
-4
(梯度算子)
(Laplacian算子)
梯度算子是利用阶跃边缘灰度变化的一阶导数特性,认为极大值点对应于边缘点;
而Laplacian算子检测边缘是利用阶跃边缘灰度变化的二阶导数特性,认为边缘点是零交叉点。
(2分)相同点都能用于检测边缘,且都对噪声敏感。
16.对于椒盐噪声,为什么中值滤波效果比均值滤波效果好?
椒盐噪声是复制近似相等但随机分布在不同的位置上,图像中又干净点也有污染点。
中值滤波是选择适当的点来代替污染点的值,所以处理效果好。
因为噪声的均值不为0,所以均值滤波不能很好地去除噪声。
17.什么是区域?
什么是图像分割?
区域可以认为是图像中具有相互连通、一致属性的像素集合。
图像分割时把图像分成互不重叠的区域并提取出感兴趣目标的技术。
18.什么是图像运算?
具体包括哪些?
图像的运算是指以像素点的幅度值为运算单元的图像运算。
这种运算包括点运算、代数运算和几何运算。
19.图像处理与计算机图形学的区别与联系是什么?
所谓数字图像处理,就是指有数字计算机及其他有关的数字技术,对图像施加某种运算和处理,从而达到某种预期的目的。
而计算机图形学是研究用计算机生成、处理和显示图形的一门科学。
二者区别:
①研究对象不同。
计算机图形学的研究对象是能在人的视觉系统中产生视觉印象的事物,包括自然景物、拍摄到的图片、用数学方法描述的图形等。
而数字图像处理研究对象是图像。
②研究内容不同。
计算机图形学研究内容为图形生成、透视、消阴等。
而数字图像处理研究内容为图像处理、图像分割、图像分析等。
③过程不同。
计算机图形学是由数学公式生成仿真图形或图像。
而数字图像处理是由原始图像处理出分析结果。
计算机图形学与图像处理是逆过程。
二者联系:
虽然二者目前仍然是两个相对独立的学科分支,但它们的重叠之处越来越多。
如,它们都是用计算机进行点、面处理,都使用光栅显示器等。
在图像处理中,需要用计算机图形学中的交互技术和手段输入图形、图像和控制相应的过程。
计算机图形学中,也经常采用图像处理操作来帮助合成模型的图像。
图形和图像处理算法的结合是促进计算机图形学和图像处理技术发展的重要趋势之一。
21.图像都有哪些特征?
①幅度特征。
在所有的图像特征中最基本的是图像的幅度特征。
可以在某一像素点或其邻域内作出幅度的测量,可以直接从图像像素的灰度值,或从某些线性、非线性变换后构成新的图像幅度的空间来求得各式各样的图像的幅度特征图。
②直方图特征。
一幅数字图像可以看作是一个二维随机过程的一个样本,可以用联合概率分布来描述。
通过对图像的各像素幅度值可以设法估计出图像的概率分布,从而形成图像的直方图特征。
③变换系数特征。
由于图像的二维变换得出的系数反映了二维变换后图像在频率域的分布情况,因此常常用二维的傅里叶变换作为一种图像特征的提取方法。
④点和线条的特征。
图像中点的特征含义是,其幅度与其邻区的幅度有显著的不同;
图像中线条的特征意味着它在截面上的幅度分布出现凹凸状,也就是说在线段的法向上幅度有明显的起伏。
⑤灰度边沿特征。
图像的灰度、纹理的改变或不连续是图像的重要特征,它可以指示图像内各种物体的实际情况。
⑥纹理特征。
纹理可以分为人工纹理和自然纹理。
人工纹理是由自然背景上的符号排列组成,这些符号可以是线条、点、字母、数字等。
自然纹理是具有重复性排列现象的自然景象。
22.简述基于边缘检测的霍夫变换的原理。
把直线上点的坐标变换到过点的直线的系数域,通过利用共线和直线相交的关系,使直线的提取问题转化为计数问题。
23.假彩色增强和伪彩色增强的区别是什么?
假彩色增强是将一幅彩色图像映射到另一幅彩色图像,从而达到增强彩色对比,使某些图像达到更加醒目的目的。
伪彩色增强是把一幅黑白域不同灰度级映射为一幅彩色图像的技术手段。
24.图像编码基本原理是什么?
虽然表示图像需要大量的数据,但图像数据是高度相关的,或者说存在冗余(Redundancy)信息,去掉这些冗余信息后可以有效压缩图像,同时又不会损害图像的有效信息。
25.什么是中值滤波?
中值滤波有何特点?
给出下图采用3×
3中值滤波的结果。
中值滤波法是一种非线性平滑技术,它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.中值滤波能够较好的处理脉冲状噪声,其优点主要在于去除图像噪声的同时,还能保护图像的边缘信息。
5
7
8
9
解:
(1)边缘取0
(2)其他行、列均做如下处理
以第二行第二列的1为例,其经锐化后得:
1⨯1+2⨯2+3⨯1+2⨯0+1⨯0+2⨯0+3⨯(-1)+0⨯(-2)+8⨯(-1)=-3
三.计算题
上图中的中值滤波公式g(X,Y)=Median[x1,x2,x3………]
5.计算存储一幅800*600的24位彩色图像所需的字节数
800*600=480000像素
480000*24=11520000bit
11520000/8=1440000字节(Byte)
四、简答题(后来WORD文档加的)
1、逆滤波时,为什么在图像存在噪声时,不能采用全滤波?
试采用逆滤波原理说明,并给出正确的处理方法。
复原由退化函数退化的图像最直接的方法是直接逆滤波。
在该方法中,用退化函数除退化图像的傅立叶变换来计算原始图像的傅立叶变换。
由上式可以看到,即使我们知道退化函数,也可能无法准确复原未退化的图像。
因为噪声是一个随机函数,其傅氏变换未知。
当退化为0或非常小的值,N(u,v)/H(u,v)之比很容易决定
的值。
一种解决该问题的方法实现值滤波的频率时期接近原点值。
4、将高频加强和直方图均衡相结合是得到边缘锐化和对比度增强的有效方法。
上述两个操作的先后顺序对结果有影响吗?
为什么?
有影响,应先进行高频加强,再进行直方图均衡化。
高频加强是针对通过高通滤波后的图像整体偏暗,因此通过提高平均灰度的亮度,使图像的视觉鉴别能力提高。
再通过直方图均衡化将图像的窄带动态范围变为宽带动态范围,从而达到提高对比度的效果。
若先进行直方图均衡化,再进行高频加强,对于图像亮度呈现较强的两极现象时,例如多数像素主要分布在极暗区域,而少数像素存在于极亮区域时,先直方图均衡化会导致图像被漂白,再进行高频加强,获得的图像边缘不突出,图像的对比度较差。
五、问答题(共35分)
1、设一幅图像有如图所示直方图,对该图像进行直方图均衡化,写出均衡化过程,并画出均衡化后的直方图。
若在原图像一行上连续8个像素的灰度值分别为:
0、1、2、3、4、5、6、7,则均衡后,他们的灰度值为多少?
(15分)
①
,k=0,1,…7,用累积分布函数(CDF)作为变换函数T[r]处理时,均衡化的结果使动态范围增大。
r0=0
0.174
1/7
s0=1/7
r1=1/7
0.088
0.262
2/7
r2=2/7
0.086
0.348
s1=2/7
r3=3/7
0.08
0.428
3/7
r4=4/7
0.068
0.496
s2=3/7
0.148
r5=5/7
0.058
0.554
4/7
r6=6/7
0.062
0.616
s3=4/7
0.120
r7=1
0.384
s4=1
②均衡化后的直方图:
③0、1、2、3、4、5、6、7均衡化后的灰度值依次为1、2、2、3、3、4、4、7
OTSU算法
OTSU算法(大津法或最大类间方差法)
一、Otsu最大类间方差法原理
利用阈值将原图像分成前景,背景两个图象。
前景:
用n1,csum,m1来表示在当前阈值下的前景的点数,质量矩,平均灰度
后景:
用n2,sum-csum,m2来表示在当前阈值下的背景的点数,质量矩,平均灰度
当取最佳阈值时,背景应该与前景差别最大,关键在于如何选择衡量差别的标准,而在otsu算法中这个衡量差别的标准就是最大类间方差(英文简称otsu,这也就是这个算法名字的来源),在本程序中类间方差用sb表示,最大类间方差用fmax
关于最大类间方差法(otsu)的性能:
类间方差法对噪音和目标大小十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。
当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,但是类间方差法是用时最少的。
最大类间方差法(otsu)的公式推导:
记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;
背景点数占图像比例为w1,平均灰度为u1。
则图像的总平均灰度为:
u=w0*u0+w1*u1。
前景和背景图象的方差:
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式。
可参照概率论课本上面的g的公式也就是下面程序中的sb的表达式。
当方差g最大时,可以认为此时前景和背景差异最大,此时的灰度t是最佳阈值sb=w0*w1*(u1-u0)*(u0-u1)
算法实现1:
unsafe
public
int
GetThreshValue(Bitmap
image)
{
BitmapData
bd
=
image.LockBits(new
Rectangle(0,
0,
image.Width,
image.Height),
ImageLockMode.WriteOnly,
image.PixelFormat);
byte*
pt
(byte*)bd.Scan0;
int[]
pixelNum
new
int[256];
//图象直方图,共256个点
byte
color;
pline;
n,
n1,
n2;
total;
//total为总和,累计值
double
m1,
m2,
sum,
csum,
fmax,
sb;
//sb为类间方差,fmax存储最大方差值
k,
t,
q;
threshValue
1;
//
阈值
step
switch
(image.PixelFormat)
case
PixelFormat.Format24bppRgb:
3;
break;
PixelFormat.Format32bppArgb:
4;
PixelFormat.Format8bppIndexed:
}
//生成直方图
for
(int
i
0;
<
image.Height;
i++)
pline
+
*
bd.Stride;
j
image.Width;
j++)
color
*(pline
step);
//返回各个点的颜色,以RGB表示
pixelNum[color]++;
//相应的直方图加1
//直方图平滑化
(k
k
255;
k++)
total
(t
-2;
t
2;
t++)
//与附近2个灰度做平滑化,t值应取较小的值
q
t;
if
(q
0)
//越界处理
>
255)
pixelNum[q];
//平滑化,左边2个+中间1个+右边2个灰度,共5个,所以总和除以5,后面加0.5是用修正值
pixelNum[k]
(int)((float)total
/
5.0
0.5);
//求阈值
sum
csum
0.0;
n
//计算总的图象的点数和质量矩,为后面的计算做准备
//x*f(x)质量矩,也就是每个灰度的值乘以其点数(归一化后为概率),sum为其总和
+=
(double)k
(double)pixelNum[k];
pixelNum[k];
//n为图象总的点数,归一化后就是累积概率
fmax
-1.0;
//类间方差sb不可能为负,所以fmax初始值为-1不影响计算的进行
n1
k++)
//对每个灰度(从0到255)计算一次分割后的类间方差sb
//n1为在当前阈值遍前景图象的点数
(n1
==
{
continue;
}
//没有分出前景后景
n2
-
n1;
//n2为背景图象的点数
//n2为0表示全部都是后景图象,与n1=0情况类似,之后的遍历不可能使前景点数增加,所以此时可以退出循环
(n2
//前景的“灰度的值*其点数”的总和
m1
//m1为前景的平均灰度
m2
(sum
csum)
//m2为背景的平均灰度
sb
(double)n1
(double)n2
(m1
m2)
m2);
//sb为类间方差
(sb
fmax)
//如果算出的类间方差大于前一次算出的类间方差
//fmax始终为最大类间方差(otsu)
k;
//取最大类间方差时对应的灰度的k就是最佳阈值
image.UnlockBits(bd);
image.Dispose(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 江南 大学 数字图像 处理 期末 整合