디지털 이미지 처리-지식 포인트

* 디지털 이미지: 컴퓨터 행에 표시하고 처리할 수 있는 이미지입니다.

*? 디지털 이미지 처리: 컴퓨터를 사용하여 이미지를 분석, 가공 및 처리하여 다양한 목적을 충족합니다.

*? 디지털 이미지의 특징:

1, 이미지의 정보량

2, 이미지 처리 데이터 양

3, 처리 프로세스 반복 연산 용량

4, 처리 기술 종합

*? 인간 시각 구조:

*? 원추형 세포: 빛과 색을 느껴보십시오. 색에 민감하다.

*? 막대 세포: 빛만 느끼고 색은 느낄 수 없다. (야맹증 부족)

*? 광도: 광선의 명암 정도

*? 색조: 색상 모드에서 원색의 명암 정도 (예: RGB 아래 빨강, 녹색, 파랑, 삼원색의 명암 정도) 입니다.

*? 채도: 색상의 농도.

*? 밝기 대비 효과:

1, 동시 대비 효과: 대비 감각 물체별로 대비를 측정합니다.

2, 마혁대 효과: 시각의 주관은 밝기가 변하는 곳에 필요한 밝거나 어두운 줄무늬가 나타난다는 것을 느꼈다.

*? 이미지 디지털화: 연속 아날로그 신호를 이산식 디지털 신호로 변환합니다.

*? Nyquist 샘플링 정리: < P > 불연속 신호가 연속 신호를 대체하는 조건:

1, 원시 신호는 제한된 대역폭 신호입니다.

2, 샘플링 주파수는 신호 최대 주파수의 2 배 이상이어야 합니다.

*? 공간 해상도:

단위: 픽셀/인치, 픽셀/센티미터, 픽셀 * 픽셀

디지털 이미지 정량화: 회색조를 정수 표현으로 변환합니다.

eg 8 비트는 2 8 개의 그레이스케일 (-256)

진폭 해상도를 나타낼 수 있습니다. 그레이스케일이 많을수록 해상도가 높습니다.

(잘못된 윤곽: 그레이스케일이 너무 적기 때문에 색상 차이가 이산화될 때 커져 윤곽이 비슷한 것이 나타납니다.) 디지털 이미지 분류:

1, 그레이스케일 이미지: 순수한 검은색에서 순백색까지 수량화합니다.

2, 이진 이미지: 흑백

3 만, 컬러 이미지: RGB 이미지와 같이 각 색상 채널은 해당 bits 로 표시됩니다.

* 픽셀 간 기본 관계:

* 위치 관계:

* 인접 요소:

인접 요소:

1, 4 인접 요소 또는 8 인접

2, 그레이스케일 값 유사

경계: 영역 r 에서 하나 이상의 영역 픽셀이 해당 영역에 없는 경우 해당 픽셀은 경계입니다. (위 그림은 모두 경계임)

픽셀 거리:

1, 유럽식 거리

2, 블록 거리 = |x1-x2|+|y1-y2|

3, 보드 거리

빼기: 이미지 변경 감지

곱셈: 매트, 그레이스케일 변경

*? 도트 연산: 개별 픽셀 변환

*? 공간 필터: 도메인 기반 처리

*? 그레이스케일 변환:

원래 픽셀 -> 매핑 함수 -> 변환된 픽셀

적용:

1, 이미지 반전 (네거티브 효과)

8bits 를 예로 들어 변환 픽셀 그레이스케일 = 255-원본 픽셀 그레이스케일

2, 선형 변환 (1)

압축: 반대로 이미지를 부드럽게 합니다.

*? 세그먼트 선형 변환 (2): < P > 3, 비선형 변환: < P > 목적은 서로 다른 그레이스케일 범위의 픽셀을 다양한 정도로 처리하는 것입니다. 예를 들어 어두운 부분과 강조 표시는 그레이스케일 값의 동적 범위를 확대할 필요가 없습니다.

* 대수 확장:

지수 확장:

그레이스케일 히스토그램: 그레이스케일 분포 반영

가로축 그레이스케일, 세로 축 픽셀 수 또는 백분율

* 계산:

히스토그램 평준화

eg 연습 문제 .2

히스토그램 균질화 후 픽셀 분포 찾기:

대답:

균일화 후 그레이스케일 5 개, 1,3,5,6,7 확률:

1: .19,3: < P > 예를 들어, 그레이스케일의 .19 가 대상 템플릿 .2 에 가까우면 대상 템플릿의 그레이스케일 3 이 됩니다. 중간 그레이스케일 1,2,3 을 더하면 .62 가 대상 템플릿의 .6 에 가깝기 때문에 5 가 됩니다.

*? 공역 필터/템플릿: 행렬

*? 필터 프로세스:

1, 이미지의 픽셀

2, 컨볼 루션 (해당 픽셀에 K 곱하기, 마지막 합계)

3, 필터 중간에 해당하는 이미지 픽셀

*? 가장자리 문제: 필터가 이미지 범위를 벗어날 수 없기 때문에 가장자리를 필터링할 수 없습니다.

*? 처리 방법:

1, 무시

2, 가상 가장자리 외부에 가장자리 그레이스케일 값과 같은 픽셀 < P > 공역 필터 분류:

1, 부드러운 필터: 이미지를 부드럽게 하고 고주파 구성요소를 제거하여 이미지 그레이스케일 값의 변화를 크게 줄이면서 노이즈를 줄입니다.

2, 선명 필터: 저주파 컴포넌트를 제거하여 이미지 대비가 증가하고 가장자리가 뚜렷해집니다.

1, 영역 평균법 < P > 은 노이즈를 줄일 수 있지만 이미지도 흐릿합니다.

2, 가중 평균법 < P > 위치마다 그레이스케일 중요성 (가중치) 이 다릅니다. 중간이 가장 중요하고 옆에 있는 중요도가 낮아집니다.

3, 비선형 스무딩 필터

1, 차이를 사용하여 인접한 픽셀의 그레이스케일 변화 크기 (연속 변화 정도를 미분이라고 하고 이산을 차이라고 하지만 실제로는 차이다. 개념)

2, 차이를 통한 출력 그라데이션입니다. (그라데이션은 가장자리 픽셀 그레이스케일이 많이 변경되기 때문에 가장자리를 감지하는 데 사용할 수 있습니다.)

3, 각진 픽셀 그레이스케일 값 = 원래 픽셀 그레이스케일 값+선명도 계수 * 그라데이션

실제 적용:

1,

2, 2 차 차이 템플릿- 앞에서 사용한 매트릭스 필터는 공역에서 이미지를 처리하는데, 지금은 주파수 영역으로 옮겨야 한다.

> 주파수 영역을 이해하지 못하는 학우에 대해서는 알고 수색할 수 있다.

> 간단한 소개:

> 천재 수학자 푸리에 (Furier) 는 어떤 주기 신호도 사인 함수 급수로 표현될 수 있고, 어떤 비주기 신호도 사인 신호의 가중 적분으로 표현될 수 있다는 것을 발견했다.

> 따라서 이러한 사인 함수의 분포는 주파수 영역의 개념을 생성합니다. < P > 이미지 2D 이산 푸리에 변환 후: < P > 네 개의 각도, 저주파 부분입니다. 중심은 주파수가 가장 높은 곳이다. < P > 가장 밝은 것은 저주파 에너지가 가장 높다는 것을 보여준다 (사진, 검은 코트, 배경 등 회색 음영 변화가 적은 픽셀이 대다수를 차지하며 저주파 성분이다). < P > 2D DFT 의 주기성과 * * * 멍에 대칭성으로 인해 주파수 스펙트럼을 중심화할 수 있습니다.

스펙트럼 그래프의 종횡성:

* 주파수 필터 기준

단계:

1, 이미지 공간 회전 주파수 영역

2, 주파수 필터에 스펙트럼 곱하기

3, 푸리에 역변환 결과 이미지

주파수 영역 필터 분류:

1, 저역 통과 필터

2, 하이 패스 필터

3, 대역 통과 및 대역 차단 필터

4, 동형 필터

* 트랩 필터 < P > 사상: 소음 및 가장자리

분류:

1, 이상적인 저역 통과 필터

여기서 D 은 인위적으로 결정된 차단 주파수

단점: 벨소리 현상

벨소리 현상의 원인:

2, Butterworth 저통과 그러나 이상적인 저통보다 낫다. 저주파와 고주파 사이에는 과도하게 매끄럽기 때문이다. 차수가 높을수록 매끄러움이 낮기 때문에 벨소리가 향상됩니다.

3, 가우스 저통과 필터 (GLPF)

단점: 스무딩 효과는 처음 두 개의 < P > 스무딩 효과와 컷오프 주파수의 관계만큼 좋지 않습니다. < P > 고주파 통과, 저주파 필터링 선명 효과를 실현하다. < P > 하이 패스 필터 템플릿 = 1-로우 패스 필터 템플릿 < P > 효과: < P > 같은 IHPF 에 벨소리 현상이 있습니다. < P > 하이 패스 필터는 가장자리 정보일 뿐, 비가장자리 정보는 모두 검게 변했다. 향상된 선명 이미지를 얻기 위해 고주파 향상 필터 방법을 사용합니다.

방법:

k * 하이 패스 필터+c

k 는? > 1 의 계수, C 는 상수 < P > 입니다. 동적 범위가 큰 이미지 (검은색은 검은색, 흰색은 흰색) 에 대한 세부 사항은 검은색이나 흰색 부분입니다.

그레이스케일 확장을 사용하여 대비를 높이고 이미지 동적 범위를 더욱 넓힙니다.

동적 범위는 작아지지만 세부 사항은 더 잘 구분할 수 없는 그레이스케일을 압축합니다. < P > 이제 주파수 필터링과 그레이스케일 변환을 결합해야 합니다. 동형 필터입니다.

* 이론적 근거:

이미지는 조도/반사도 모델을 기반으로 합니다.

조도: 태양광 또는 기타 광원으로, 일반적으로 변동이 적고 저주파입니다. < P > 반사도: 물체의 표면 재질에 의해 결정되며, 변화가 커서 고주파입니다. < P > (예를 들어, 창밖을 보면 햇빛이 모든 물체를 비추는 빛은 거의 일치한다. 그러나 나타나는 세부 사항 등은 화초집 같은 반사율에 의해 결정됨) < P > 그렇다면 < P > 입사광 i(x, Y) 를 낮추면 그레이스케일 범위를 줄일 수 있다. < P > 어떻게 강한 반사광 r(x, Y) 이 이미지 대비를 높일 수 있습니까? < P > 프로세스: < P > 이 동형 필터는 저주파 입사광을 자동으로 약하게 하여 동적 범위를 줄입니다. 고주파를 강화하여 대비를 높이다. < P > 이미지 저하: 이미지가 생성, 저장, 전송 중 장치 등의 미비로 인해 이미지 품질이 손상됩니다. < P > 이미지 복원: 이미지 퇴화 모델을 기반으로 선험적 지식을 바탕으로 퇴화 모델을 만든 다음 역연산을 수행하여 원본 이미지를 복원합니다.

* 이미지 향상과 이미지 복원과의 연결 및 차이 < P > 연락처: 모두 이미지의 시각적 품질 향상 < P > 차이: 향상은 주관적이며 이미지 퇴화 원인에 관계없이 주관적입니다. 복원은 객관적이며, 목적은 원본 이미지로 최대한 되돌리는 것이다.

이미지 열화 모형:

확률 밀도 함수를 사용하여 설명합니다.

분류:

1, 가우스 소음

2, 레일리 소음

3, 감마 소음

4, 균일 분산 소음

5, 임펄스 소음 (프레첼 소음) < p] 가우스 소음 모델입니다. < P > 가산잡음 처리 (가우스 소음, 균일한 분산 소음)-공역 필터

1, 산술 평균

2, 기하 평균 필터, 기하 평균 < P > 이점: 기하 평균 필터 이미지 세부 정보 보존

3, 고조파 평균 필터 < P > 는 "소금" 소음을 처리하는 데 효과적이며 "고추" 소음에는 적용되지 않습니다.

4, 역 고조파 평균 필터

Q- 필터 순서:

Q > "고추" 소음 처리

Q == 산술 평균 필터

Q < 처리 "소금" 소음 (Q == -1, 고조파 평균 필터)

5, 통계 정렬 필터: < P > 중앙값 필터: 같은 크기에서 평균 필터보다 블러가 적습니다. 펄스 소음을 처리하는 것은 매우 효과적이다. 그러나 여러 번 사용하면 이미지가 흐려집니다.

최대 필터: "고추" 소음 처리 효과는 좋지만 검은 물체의 가장자리에서 검은 색소가 제거됩니다.

최소 필터: "소금" 소음 처리 효과는 좋지만 흰색 물체의 가장자리에서 일부 흰색 색소를 제거합니다. < P > 중간점 필터: 필터 템플릿에서 가장 큰 값의 최소값을 계산하는 산술 평균은 중간점 값입니다. 가우스 및 균일 노이즈를 처리하는 것이 가장 좋습니다.

6, 어댑티브 필터 (현재 처리 중인 픽셀 정보에 따라 복구 강도를 결정할 수 있음) < P > 효과:

7, 어댑티브 중앙값 필터 < P > 템플릿에서 중앙값 찾기, 중앙값이 펄스가 아닌 경우 중심값 Zxy 가 펄스인지 확인합니다. 중심 값 Zxy 예