数字图像处理

1.噪声 1.1噪声分类 噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生，也可能在量化等处理中产生。 根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。) 1)加性噪声,此类噪声与输入图像信号无关，含噪图像可表示为f(x,y)=g(x,y)+ n(x,y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声。 2)乘性噪声,此类噪声 与图像信号有关,含噪图像可表示为f(x,y)=g(x,y)+ n(x,y)g(x,y),飞点扫描器扛描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。 3)量化噪声,此类噪声 与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生。 1.2椒盐噪声 椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割弓|起。去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。 路面图像属于结构光图像,使用区域分割技术中的阈值分割法消除白噪声及部分椒盐噪声,而不能使用中值滤波对白噪声及椒盐噪声进行滤波,因为滤波模板在图像中漫游时会改变光条中像素的真实灰度分布,给随后的重心法细化过程带来负面影响。 大量的实验研究发现,由摄像机拍摄得到的图像受离散的脉冲

1.直方图处理概念 灰度级范围为[0,L-1]的数字图像的直方图是离散函数h（rk）=nk，其中rk是第k级灰度值，nk是图像中灰度为rk的像素个数。在实践中，经常用乘积MN表示的图像像素的总数除它的每个分量来归一化直方图，通常M和N是图像的行和列的维数。因此，归一化后的直方图由p（rk）=nk/MN给出，其中k=0,1,…,L-1。简单来说，p（rk）是灰度级rk在图像中出现的概率的一个估计。归一化直方图的所有分量之和应等于1。 在直方图中，暗图像集中分布在灰度级的低端；亮图像集中分布在灰度级的高端。低对比度图像具有较窄的直方图，且集中于灰度级的中部；高对比度图像的直方图分量则覆盖了很宽的灰度级范围。 2.直方图性质 (1)直方图反映了图像中的灰度分布规律。它描述每个灰度级具有的像元个数，但不包含这些像元在图像中的位置信息。 (2)任何一幅特定的图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图。 (3)如果一幅图像有两个不相连的区域组成，并且每个区域的直方图已知，则整幅图像的直方图是该两个区域的直方图之和。 3.直方图的应用 (1)对于每幅图像都可做出其灰度直方图。 (2)根据直方图的形态可以大致推断图像质量的好坏。由于图像包含有大量的像元，其像元灰度值的分布应符合概率统计分布规律。假定像元的灰度值是随机分布的，那么其直方图应该是正态分布。 (3

图像反转 灰度图像就是图像从黑到白的256种过度，即[0，255]，图像反转就是将黑变成白，白变成黑。举例：原来的灰度值为0，进行图像反转变换后灰度值就变为255。即X=255-Y。 Image_original = imread('1.png'); I = 255 - Image_original; subplot(121) imshow(Image_original) subplot(122) imshow(I) 2.对数变换 对数变换将输入中范围较窄的低灰度值映射为输出中较宽范围的灰度值，相反，对高的输入灰度值也是如此。也就是说，该变换扩展图像的低灰度范围，同时压缩图像的高灰度范围。 公式：X = c log(1 + Y)，其中c为常数，且假设Y≥ 0. r = imread('1.png'); s=2*log(1+double(r)); subplot(121); imshow(r); subplot(122); imshow(s,[]); 3.幂律变换 X=c*Y^n 对于 γ < 1，扩展低灰度范围，压缩高灰度范围；对于 γ > 1，压缩低灰度范围，扩展高灰度范围。 对于 γ < 1，扩展低灰度范围，压缩高灰度范围；对于 γ > 1，压缩低灰度范围，扩展高灰度范围。 f = imread('1.png'); f_g = mat2gray(f); f_gama = f_g

图像技术 图像的采集、获取、编码、存储和传输，图像的合成和产生，图像的显示和输出，图像的变换、增强、恢复（复原）和重建，图像的分割，目标的检测、表达和描述，特征的提取和测量，序列图像的矫正，3D景物的重建和复原，图像数据库的建立、索引和抽取，图像的分类、表示和识别，图像模型的建立和匹配，图像和场景的解释与理解，以及基于它们的判断决策和行为规划等等。 图像技术还可包括为完成上述功能而进行的硬件设计及制作等方面的技术。 图像工程 三层次： 图像处理（图像–>图像） 图像分析（图像–>数据（特征）） 图像理解（图像–>解释（目标的性质和相互关系）） 来源： CSDN 作者： richowe 链接： https://blog.csdn.net/richowe/article/details/104526182

图像处理基础 一、软件安装 在计算机视觉课程中要在python的环境下面进行图像处理，所以需要选择可以编辑python语句的软件，在此选择的是PyCharm的可视化界面，除此之外，还有VScode,Sublime等编辑器 PyCharm要编译的话需要在Setting的Project interprete解释器中选择python.exe。在PyCharm中是没有自带的，所以使用PyCharm之前需要有python。 二、环境配置 python环境配置 ，可以选择去官网下载最新python或者使用Anaconda，Anaconda可以直接配置好Python 环境、pip 包管理工具、常用的库、配置好环境路径等等，对于新手比较友好。 1.Anaconda安装 使用Anaconda2-5.0.0版本一直安装失败，具体原因不是很清楚，后来换了一个镜像Anaconda2-5.3.1安装就虽然没有出错了，但是在编译代码后出现了这样的错误 UnicodeDecodeError: 'ascii' codec can't decode byte 0xcd in position 9: ordinal not in range(128) 解决办法：python2经常会遇见乱码的问题，并且一遇到中文就乱码。所以我们在安装的时候要注意，无论是解释器interpretor的安装路径还是用户项目的路径

文章目录 频域滤波基础 说明 傅立叶变换 频率域滤波 低通滤波 理想低通滤波器 巴特沃斯低通滤波 高斯低通滤波器 高通滤波 理想高通滤波器 巴特沃斯高通滤波器 高斯高通滤波器 频域滤波基础 说明 将自己学习的心得和理解写出来于我而言是一件令人开心的事情 博主似乎不大喜欢复杂的数学公式和公示的推导过程，所以他的文章里秉着能不出现就不出现的原则进行写作，因此将注重某种方法的逻辑与效果介绍 如果文章对你有用的话记得不要白嫖博主，点个👍在走吧 傅立叶变换 傅立叶变换由法国数学家傅立叶提出，他指出任何周期函数都可以表示为不同频率的正弦和或者余弦之和的形式。 频率域滤波 频率域滤波指先修改一幅图像的傅立叶变换，然后计算反变换，得到处理的结果。 这样说太难理解，首先将图像由空间域转化到频率域，什么是频率域呢？我们知道一幅图像由单个的像素拼凑组成一幅图像，而在这幅图像里，比如有一幅蓝天白云的照片，那么这幅图片上一定会有最少两个小像素点的值绝对相同，简单来说就是这两个小像素他们的颜色相同，所以可以认为变换后这两个小像素会被规划在频谱图的同一频段。例子二，在一幅充满相同角度的斜线的白纸上，进行频率域滤波，频谱图会帮我们直观的总结出规律，因为在这些斜线的边界，像素的灰度发上剧烈变化，这是频谱图与原始的空间图最紧密的联系——边界，或者称为轮廓，为什么呢？因为灰度的剧烈变化

数字图像基础 一、人眼结构 二、电磁波谱和光 2.1 电磁波谱 2.2 光 三、图像的数学模型 四、图像的取样和量化 4.1 取样和量化的概念 4.2 数字图像表示 4.3 空间和灰度分辨率 4.4 图像内插 4.5 像素间的一些基本关系 4.5.1 相邻像素 4.5.2 邻接性、联通性、区域和边界 4.5.3 距离度量 五、数字图像处理中的数学工具介绍 5.1 阵列与矩阵操作 5.2 线性操作和非线性操作 5.3 算术操作 5.4 集合和逻辑操作 5.4.1 集合操作 5.4.2 逻辑操作 5.5 空间操作 5.5.1 单像素操作 5.5.2 邻域操作 5.5.3 几何空间变换和图像配准 5.6 向量和矩阵操作 5.7 图像变换 5.8 概率方法 一、人眼结构 眼睛由三层膜包裹：角膜与巩膜外壳、脉络膜和视网膜。 角膜 是一种硬而透明的组织，覆盖着眼睛的前表面，巩膜是一层包围眼球其余部分的不透明膜。 脉络膜 包含血管网，是眼睛的重要滋养源。 视网膜 是眼睛最里面的膜。眼睛适当聚焦时，来自眼睛外部物体的光在视网膜上成像。感受器通过感受视网膜表面分布的不连续光形成图案。 光感受器分为： 锥状体和杆状体 。 每只眼睛中的锥状体数量约为600~700万个， 对颜色高度敏感 。使用锥状体人可以充分 分辨图像细节 （每个锥状体都连接到自身的神经末梢）。锥状体视觉称为 白昼视觉或亮视觉 。

第二章 第二章的笔记 其中横轴是从晶状体中心到视网膜的直线与视轴的角度，参照下图。 从这幅图里可以看到人眼中有一处盲点既没有锥状体，也没有杆状体。但是平时你却感受不到这处盲点。一个是因为大脑的脑部，还有一个是因为你的双眼视野刚好相互覆盖了盲点区域，所以要感受到这处盲点，需要蒙住一只眼睛。具体可以参考这个链接中的操作https://zhuanlan.zhihu.com/p/28105827 o是物距， object distance f是焦距,focal distance i是像距, image distance 相机中成像是通过改变镜头和成像平面的距离，改变i 而眼球中成像是通过晶状体改变f。 光的波长频率公式 波长=光速/频率， c是光速，v是频率。 电磁波谱各个分量的能量公式 E是能量，h是普朗克常数（6.62607015×10-34 J·s），v是频率。 常用的能量单位是电子伏特，即一个电子经过1伏特的电位差变化的动能。常用的焦耳是一库伦正电荷通过1伏特的电位差变化的动能。一个电子带电约1.6×10 -19 C的负电荷。 可以看出能量和频率成正比，就是频率越高，能量越大（微波炉能加热，但是衰减快，长波能通信，但是能量低）。 单色光指的是黑白灰，而不是彩色。 彩色光的电磁谱在0.43μm（紫色，微米，10 -3 mm）到0.79μm（红色）之间。

•​ 图1是一幅包含指纹的真实图像，请使用所学的图像处理技术进行处理，满足下面的要求： •​ 1. 使图像中的指纹更加清晰； •​ 2. 考虑到冬季皮肤粗糙的情况（成像时存在噪声，请自行添加噪声点），尽可能去除其中的噪声。 图1 基础题图像 目录 1需求分析... 3 1.1给指纹图像加噪声点... 3 1.2 指纹图像去除噪点... 3 1.3 图片转为灰度图... 4 1.4 灰度直方图... 4 1.5 图像分割... 4 1.6断点连接... 5 1.7 使得指纹图像平滑... 5 2 实现代码... 5 2.1 添加高斯噪声... 5 2.2 去除高斯噪声... 6 2.3 转换为灰度图... 6 2.4 计算灰度直方图... 7 2.5 指纹断点连接处理... 7 2.6 图片进行形态学开操作... 8 3 实验结果及分析... 8 4 附录... 13 4.1 代码目录... 13 1需求分析 根据题目要求，使得图像中的指纹更加清晰。给图像指纹加噪声点，尽可能去除其中的噪点。 1.1给 指纹图像加噪声点 使用高斯噪声给图片添加噪声点，高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性

一、 数字图像处理的主要目的 改善图示信息以便人们解释 为存储、传输和表示而对图像进行处理，便于机器自动理解 二、数字图像及其处理 2.1 数字图像定义 一幅图像可定义为一个二维函数f(x,y)，其中x，y为坐标，f为任一坐标处的幅值，用来表示图像在该坐标点处的强度或灰度。当x，y和灰度值f是有限的离散数值时，称图像为数字图像。 借助数字计算机来处理数字图像称为数字图像处理。 2.2 数字图像分类 二值图像：每个像素的灰度用一个数值来表示，数值为0或255，0表示黑，255表示白 灰度图像：每个像素的灰度用一个数值来表示，数值的取值范围为0~255之间，0表示纯黑，255表示纯白，其他值表示介于纯黑和纯白之间的灰度 彩色图像：用红绿蓝三元组的二维矩阵表示，三元组的每个数值也是介于0~255之间，0表示相应的基色在该像素中没有，255表示相应的基色在该像素中取得最大值。 2.3 处理分类 主要分为低级（图像处理）、中级（图像分析）、高级（图像理解）处理。 低级处理：输入输出都是图像。涉及初级操作，如降噪、对比度增强、图像锐化等。 中级处理：输入为图像，输出是从输入图像中提取的特征（边缘、轮廓及各物体的标识等）。如图像分割，减少目标物的描述，以使其更适合计算机处理及对不同目标物的分类（识别）。 高级处理：涉及“理解”已识别目标的总体，执行与视觉相关的认知功能。 三