《5第五章 图像锐化处理.ppt.ppt》由会员分享，可在线阅读，更多相关《5第五章 图像锐化处理.ppt.ppt（65页珍藏版）》请在三一办公上搜索。
1、第五章 图像的锐化处理,景物边界细节的增强方法,图像锐化的目的是加强图像中景物的细节边缘和轮廓。锐化的作用是使灰度反差增强。因为边缘和轮廓都位于灰度突变的地方。所以锐化算法的实现是基于微分作用。,图像锐化的概念,图像的景物细节特征；一阶微分锐化方法；二阶锐化微分方法；一阶、二阶微分锐化方法效果比较。,图像锐化方法,图像细节的灰度变化特性,图像细节的灰度分布特性,图像细节的灰度变化微分特性,一阶微分曲线,二阶微分曲线,一阶微分锐化 基本原理,一阶微分的计算公式非常简单：,离散化之后的差分方程：,考虑到图像边界的拓扑结构性，根据这个原理派生出许多相关的方法。,一阶微分锐化,单方向一阶微分锐化无方向
2、一阶微分锐化 交叉微分锐化 Sobel锐化 Priwitt锐化,单方向的一阶锐化 基本原理,单方向的一阶锐化是指对某个特定方向上的边缘信息进行增强。因为图像为水平、垂直两个方向组成，所以，所谓的单方向锐化实际上是包括水平方向与垂直方向上的锐化。,水平方向的一阶锐化 基本方法,水平方向的锐化非常简单，通过一个可以检测出水平方向上的像素值的变化模板来实现。,水平方向的一阶锐化 例题,1*1+2*2+1*3-1*3-2*0-1*8=-3,问题：计算结果中出现了小于零的像素值,垂直方向的一阶锐化 基本方法,垂直锐化算法的设计思想与水平锐化算法相同，通过一个可以检测出垂直方向上的像素值的变化模板来实现。
3、,垂直方向的一阶锐化 例题,1*1+2*2+1*3-1*3-2*2-1*8=-7,问题：计算结果中出现了小于零的像素值,单方向锐化的后处理,这种锐化算法需要进行后处理，以解决像素值为负的问题。后处理的方法不同，则所得到的效果也就不同。,单方向锐化的后处理,方法1：整体加一个正整数，以保证所有的像 素值均为正。(比如+128，还有255的则视为255处理)这样做的结果是：可以获得类似浮雕的效果。,单方向锐化的后处理,方法2：将所有的像素值取绝对值。这样做的结果是，可以获得对边缘的有方向提取。,水平方向锐化，像素负值取绝对值,Image_Htest(BYTE*image_in,BYTE*image
4、_out,int xsize,int ysize,int w3)int i,j,buf;for(j=1;j255)buf=255;*(image_out+j*xsize+i)=buf;,buf+=128;if(buf255)buf=255;,水平方向锐化，像素负值取绝对值,水平方向锐化，像素值加一整数,垂直方向锐化，像素值加一整数,垂直方向锐化，像素负值取绝对值,交叉锐化，像素值加一整数,无方向一阶锐化 问题的提出,前面的锐化处理结果对于人工设计制造的具有矩形特征物体（例如：楼房、汉字等）的边缘的提取很有效。但是，对于不规则形状（如：人物）的边缘提取，则存在信息的缺损。,无方向一阶锐化 设计思
5、想,为了解决上面的问题，就希望提出对任何方向上的边缘信息均敏感的锐化算法。因为这类锐化方法要求对边缘的方向没有选择，所有称为无方向的锐化算法。,一阶微分,双方向一次微分运算，直接以梯度值代替,理论基础：对灰度图像f在纵方向和横方向两个方向进行微分。该算法是同时增强水平和垂直方向的边缘。利用双方向一次微分运算，算出梯度后让梯度值等于该点的灰度值。该算法的数学表达式为：G(i,j)=sqrtf(i,j)-f(i,j-1)*f(i,j)-f(i,j-1)+f(i,j)-f(i-1,j)*f(i,j)-f(i-1,j)或Gf(i,j)=|f(i,j)-f(i-1,j)|+|f(i,j)-f(i,j-1
6、)|,双向一阶微分，直接梯度运算,Image_HVtest(BYTE*image_in,BYTE*image_out,int xsize,int ysize,int h3,int v3)int i,j,fx,fy;for(j=1;jysize-1;j+)for(i=1;ixsize-1;i+)fx=(int)(*(image_in+(j-1)*xsize+i-1)*h00+*(image_in+(j-1)*xsize+i)*h01+*(image_in+(j-1)*xsize+i+1)*h02+*(image_in+j*xsize+i-1)*h10+*(image_in+j*xsize+i)*
7、h11+*(image_in+j*xsize+i+1)*h12+*(image_in+(j+1)*xsize+i-1)*h20+*(image_in+(j+1)*xsize+i)*h21+*(image_in+(j+1)*xsize+i+1)*h22);fy=(int)(*(image_in+(j-1)*xsize+i-1)*v00+*(image_in+(j-1)*xsize+i)*v01+*(image_in+(j-1)*xsize+i+1)*v02+*(image_in+j*xsize+i-1)*v10+*(image_in+j*xsize+i)*v11+*(image_in+j*xsi
8、ze+i+1)*v12+*(image_in+(j+1)*xsize+i-1)*v20+*(image_in+(j+1)*xsize+i)*v21+*(image_in+(j+1)*xsize+i+1)*v22);*(image_out+j*xsize+i)=(int)(abs(fx)+abs(fy);,fx=0,0,0,0,1,-1,0,0,0;,fx=0,0,0,0,1,0,0,-1,0;,直接以梯度值代替,辅以门限判断,理论基础Gf(i,j)=f(i,j)-f(i-1,j)2+f(i,j)-f(i,j-1)2 1/2或Gf(i,j)=|f(i,j)-f(i-1,j)|+|f(i,j)-f
9、(i,j-1)|Gf(i,j)+100;Gf(i,j)Tg(i,j)=f(i,j);其它 其中，T为门限值，像素的梯度值大于T，则加上100,加上100像素值后若大于255，取255。,梯度大于30，加100,梯度大于30，加100,给边缘规定一个特定的灰度级,理论基础 Gf(i,j)=f(i,j)-f(i-1,j)2+f(i,j)-f(i,j-1)2 1/2或Gf(i,j)=|f(i,j)-f(i-1,j)|+|f(i,j)-f(i,j-1)|La;Gf(i,j)T g(i,j)=（6-13）f(i,j);其它La为一指定的灰度值,梯度大于30，La=255,给背景规定灰度级,Gf(i,j)
10、;Gf(i,j)Tg(i,j)=（6-14）Lb;其它Lb为一对背景指定的灰度值。,根据梯度二值化图像,理论基础 对阶跃边缘，在边缘点其一阶导数取极值。由此，对每个像素取它的梯度值G(i,j)，适当取门限T作如下判断：若G(i,j)T则(i,j)点为阶跃状边缘点,255;Gf(i,j)Tg(i,j)=0;其它,边缘检测,边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，通常也包括方向的确定。大多数是基于方向导数模板求卷积的方法。,将所有的边缘模板逐一作用于图像中的每一个像素，产生最大输出值的边缘模板方向,表示该点边缘的方向，如果所有方向上的边缘模板接近于零，该点处没有边缘；如果所有方向上的
11、边缘模板输出值都近似相等，没有可靠边缘方向。,卷积,卷积可以简单的看成加权求和的过程。,（1）卷积,本节介绍的算子有：Roberts边缘检测算子；Sobel边缘检测算子；Prewitt边缘检测算子；LoG_Laplacian高斯-拉普拉斯算子。,无方向一阶锐化 交叉微分,交叉微分算法（Roberts算法）计算公式如下：,特点：算法简单,该算法的算子如下：,Roberts边缘检测算子,Roberts边缘检测算子,无方向一阶锐化 Sobel锐化,Sobel锐化的计算公式如下：,特点：锐化的边缘信息较强,Sobel边缘检测算子,Sobel边缘检测算子,无方向一阶锐化 Priwitt锐化算法,Priw
12、itt锐化算法 的计算公式如下：,特点：与Sobel相比，有一定的抗干扰性。图像效果比较干净。,Prewitt边缘检测算子,Prewitt边缘检测算子,一阶锐化 几种方法的效果比较,Sobel算法与Priwitt算法的思路相同，属于同一类型，因此处理效果基本相同。Roberts算法的模板为2*2，提取出的信息较弱。单方向锐化经过后处理之后，也可以对边界进行增强。,二阶微分锐化 问题的提出,从图像的景物细节的灰度分布特性可知，有些灰度变化特性一阶微分的描述不是很明确，为此，采用二阶微分能够更加获得更丰富的景物细节。,二阶微分锐化 景物细节特征对应关系,灰度截面,一阶微分,二阶微分,(a)阶跃形(
13、b)细线形(c)斜坡渐变形,二阶微分锐化 景物细节对应关系,1）对于突变形的细节，通过一阶微分的极大值点，二阶微分的过0点均可以检测出来。,二阶微分锐化 景物细节对应关系,2）对于细线形的细节，通过一阶微分的过0点，二阶微分的极小值点均可以检测出来。,二阶微分锐化 景物细节对应关系,3）对于渐变的细节，一般情况下很难检测，但二阶微分的信息比一阶微分的信息略多。,二阶微分锐化 算法推导,二阶微分锐化 Laplacian 算法,由前面的推导，写成模板系数形式形式即为Laplacian算子：,Image_LaplasSharp(BYTE*image_in,BYTE*image_out,int xsi
14、ze,int ysize,int w3)int i,j,df;for(j=1;jysize-1;j+)for(i=1;ixsize-1;i+)df=(int)(*(image_in+(j-1)*xsize+i-1)*w00+*(image_in+(j-1)*xsize+i-1)*w01+*(image_in+(j-1)*xsize+i+1)*w02+*(image_in+j*xsize+i-1)*w10+*(image_in+j*xsize+i)*w11+*(image_in+j*xsize+i+1)*w12+*(image_in+(j+1)*xsize+i-1)*w20+*(image_in
15、+(j+1)*xsize+i)*w21+*(image_in+(j+1)*xsize+i+1)*w22);*(image_out+j*xsize+i)=int(abs(df);,实现效果,灰度渐变,一阶sobel算子,二阶Laplacian算子,二阶微分锐化 Laplacian变形算法,为了改善锐化效果，可以脱离微分的计算原理，在原有的算子基础上，对模板系数进行改变，获得Laplacian变形算子如下所示。,示例,二阶微分锐化 Laplacian锐化边缘提取,经过Laplacian锐化后，我们来分析几种变形算子的边缘提取效果。H1,H2的效果基本相同，H3的效果最不好，H4最接近原图。,示例,
16、二阶微分锐化 Wallis算法,考虑到人的视觉特性中包含一个对数环节，因此在锐化时，加入对数处理的方法来改进。,示例,二阶微分锐化 Wallis算法,在前面的算法公式中注意以下几点：1）为了防止对0取对数，计算时实际上是用log(f(i,j)+1);2）因为对数值很小log(256)=5.45,所以计算 时用46*log(f(i,j)+1)。（46=255/log(256)）,二阶微分锐化 Wallis算法,算法特点：Wallis算法考虑了人眼视觉特性，因此，与Laplacian等其他算法相比，可以对暗区的细节进行比较好的锐化。,示例,一阶与二阶微分的边缘提取效果比较,以Sobel及Laplacian算法为例进行比较。Sobel算子获得的边界是比较粗略的边界，反映的边界信息较少，但是所反映的边界比较清晰；Laplacian算子获得的边界是比较细致的边界。反映的边界信息包括了许多的细节信息，但是所反映的边界不是太清晰。,谢谢大家,
