定义:数字图像可以定义为与之相对应的物体的数字表示。通常用一个二维数组表示一幅图像,也可以认为一幅图像就是一个二维矩阵。二维矩阵的每个位置对应于图像上的每个像素点,而二维矩阵每个位置上存储的数值对应于图像上每个像素点所具有的信息,比如:灰度等等。 既然数字图像可以用二维矩阵来表示,那么数字图像的处理就可以认为是对对二维矩阵的操作。
图像的数字化:
将一幅图像进行数字化的过程就是在计算机上创建生成一个二维矩阵的过程。数字化过程包括三个步骤:扫描、采样、量化。
扫描:就是按照一定的先后顺序(如:行优先)对图像进行遍历的过程。像素是遍历过程中寻址的最小单位,对应于数组寻址的单位。
采样:即遍历过程中在在图像的每个最小寻址单位即像素位置上测量灰度值,采样的结果是得到每一像素的灰度值。
量化:就是将采样得到的像素灰度值经过模数转换等器件转化为离散的整数值。
数字图像处理中的基本图像类型:
二值图像:二值图像的矩阵仅有两个值构成即“0”和“1”。0 表示黑,1表示白。因此二值图像在计算机中的数据类型为一个二进制位。
灰度图像:灰度图像的二维矩阵每个元素的值可能都不一样,它有一个范围【0~255】,其中0表示纯黑,255表示纯白,中间数字表示由黑到白的过度。其数据类型一般为8位无符号数。
索引图像:索引图像可以表示彩图像,其结构比较复杂,除了存储图像数据的二维矩阵以外,还有一个存储RGB颜的二维矩阵,称为颜索引矩阵(COLORMAP)。存储数据的二维矩阵里面存储的仍然是图像各个像素的灰度值,而颜索引矩阵是一个【256】【3】形式的二维矩阵,256对应于0~255个灰度值,而每行的三个分量表示对应
于每个灰度值的像素点,它的RGB分量的值。例如:COLORMAP[38][0~2]表示灰度值为38的像素点的RGB各分量值。由于每个像素只有256个灰度值,而每个灰度值决定了一种颜,所以索引图像最多有256种颜。
RGB图像:它与索引图像一样可以表示彩图像,分别用R,G,,B三原表示每个像素的颜,但是他们的数据结构不同。RGB图像的数据结构是一个三维矩阵,它的每一像素的颜值直接存储在矩阵中。因此这个矩阵可用M*N*3来表示。M:表示矩阵每行的像素数,N:表示每列的像素数,3表示每一像素的三个颜分量。由于每个像素的颜值都
直接放在图像矩阵中,所以其颜理论上多达(2*2*2)种。
图像的统计特征:
1. 信息量:一幅图像如果共有q种灰度值并且出现的概率分别是,,,…,
则根据香农定理,这幅图像的信息量可有下式表示:
(1);
H 通称为熵,当图像中个灰度值出现的概率彼此相等时,图像的熵最大。
2. 计算灰度平均值:灰度平均值是指一幅图像中所有像素灰度值的算术平均数,它反应图像中不同物体的平均反射强度,一般用下式表示:
(2)
3. 计算灰度中值:灰度中值是指图像中所有灰度处于中间的值,当当灰度级数为偶数时,则取中间的两个灰度的平均值。
4. 计算灰度众数:灰度众数就是指图像中出现次数最多的灰度值,它是一幅图像中面积占优的物体的灰度特征的反应。循环流化床锅炉技术
5. 计算灰度标准差:灰度标准差是反映各像素灰度值与图像平均灰度值的总的离散程度,它与熵一样是衡量一幅图像信息量大小的主要指标,是图像统计特征中最重要的统计量之一。一般情况下,标准差越大图像信息量越大。计算公式如下:
(3)
包装箱制作6.计算灰度值域:灰度值域是图像最大灰度与最小灰度的差值,即
(4)
计算多为图像的统计特征:
1. 计算协方差矩阵:设和是大小为的两幅图像,则两者之间的协方差计算公式为:
(5)
式中和 ——图像和的均值
将N个波段相互间的协方差排列在一起所组成的矩阵称为协方差矩阵印染在线,即
(6)
2.计算相关系数
相关系数是描述图像波段间的相关程度的统计量,反映了两个波段图像所含信息的重叠程度。如果两个波段的相关系数较大,则说明仅选择一个波段就可以表示两个波段的信息。特别的,一个波段与其本身的相关系数是1,表明完全重叠。计算公式为:
(7)
式中、——图像、的标准差
——图像、的协方差
将N个波段相互间的相关系数排列在一起组成的矩阵称为相关矩阵R,即
(8)
另外,图像的统计特征还包括直方图特征,直方图指图像中所有灰度值的概率分布,对于数字图像来说,实际上就是图像灰度值的概率密度函数的离散化图形。
图像处理
图像处理的一般步骤:
1. 获取原始图像
2. 预处理
a) 滤波降噪
b) 图像增强
蚕豆剥皮机c) 图像分割
3. 特征提取
4. 数据融合,包括三个方面:像素级融合,特征级融合,决策级融合。
5. 分类决策
下面着重讲述图像分割:
图像分割:就是依据图像的灰度、颜、纹理、边缘等特征,把图像分成各自满足某种相似性准则或具有某种共同特征的连通区域集合的过程。
设R代表某个图像区域,对R的分割可看作将R分成若干个满足以下条件的非空子集(子区域)R1,R2,……Rn。
(1)。即分割成的所有子区域的并集能够构成原来的区域R。
(2)对于所有的和以及,有。即分割成的各子区域互不重叠。
(3)对于i=1,2,3,……n;有P(Ri)=TURE。即分割得到的属于同一区域的像素应具有某些相同的特性。
(4)对于i≠j,有P(Ri∪Rj)=FALSE。即分割得到的属于不同区域的像素应具有不同的性质
(5)对于i=1,2,……n;Ri是联通的区域。即同一子区域的像素应当是连通的。
图像分割的方法:
图像分割的方法有很多,总体上讲有如下几类比较常用:基于边缘检测的图像分割、基于阈值的图像分割、基于跟踪的图像分割、基于区域的图像分割(基于聚类的图像分割)。
一:基于边缘检测的图像分割
图像边缘:图像边缘意味着图像中一个区域的结束和另一个区域的开始,图像中相邻区域之间的像素集合构成了图像的边缘。图像边缘即图像的灰度发生空间突变的像素的集合
图像边缘有两个特征:方向和幅度。
沿边缘走向,像素值变化比较缓慢;
沿垂直于边缘走向,像素值变化比较剧烈。
一般常用一阶和二阶导数来描述和检测边缘,而导数可利用微分算子来计算。对于数字图像来说,通常利用差分来近似微分。
一介微分梯度边缘检测:
设f(x,y)为连续图像函数,Gx 和Gy 分别为x方向和y方向的梯度,且在点(x, y)处的梯度可以表示为一个矢量,并有其梯度定义:
(9)
对应于欧式距离的梯度幅值:
(10)
对应于棋盘距离的梯度幅值:
(11)
对应于街区距离的梯度幅值:
(12)
有梯度矢量幅角表示的梯度方向是函数f(x, y)增加最快的方向:
(13)
几个常用算子:
(1) Roberts 算子
是一个交叉算子,其在点(i, j)的梯度幅值表示为:
(14)
卷积模板可表示为:
(15)
其中, Gx和Gy分别为:
(16)
(2) Sobel算子
Sobel算子在点(i, j)的梯度幅值表示为:
(17)
羟基氧化钴简化的卷积模板表示形式:玻璃房
(18)
其中,Sx 和 Sy分别是x方向和y方向梯度的模板表示:
(19)
(2) Prewitt 算子
(3) Prewitt算子在点(i, j)的梯度幅值表示为:
(20)
简化的卷积模板表示形式为:
(21)
其中,Sx和Sy分别是X方向和Y方向提督的模板形式:
(22)
二阶微分边缘检测:
拉普拉斯二阶导数算子:
(23)