图像预处理
写在前面:
图像显示与存储原理
图像增强的目标
点运算: 基于直方图的对比度增强
形态学处理
空间与处理: 卷积
卷积的应用(平滑, 边缘检测, 锐化等)
频率域处理: 傅里叶变换, 小波变换
应用案例: 平滑, 边缘检测, CLAHE 等
一, 颜色空间
1,RGB 颜色空间
加法混色(越叠加越白: 255,255,255 = 白色), 彩色显示
3 个通道 (后面提到一张图片有三个维度, 长, 宽和通道(r,g,b))
Red 通道
Green 通道
Blue 通道
一个像素颜色值
(b,g,r)
取值范围
- [0, 255]
- [0.0, 1.0]
2,CMYK 颜色空间
减法混色, 多用于印刷
4 通道
Cyan 通道
Magenta 通道
Yellow 通道
Key 通道
一个像素颜色值
(c,y,m,k)
取值范围
- [0, 255]
- [0.0, 1.0]
3,HSV 颜色空间
人类视觉概念, 画家配色
3 各要素
H/Hue: 色调, 颜色种类
S/Saturation: 饱和度, 颜色的纯度
V/Value: 明度, 颜色明亮度
一个像素颜色值
(h,s,v)
取值范围
- [0, 255]
- [0.0, 1.0]
4,CIE-XYZ 颜色空间
国际照明协会, 1931
基于人类颜色视觉的直接测定
其他颜色空间基础
人类视觉系统 - 视锥细胞
短波(S,420-440nm)
中波(M,530-540nm)
长波(L,560-580nm)
3 色刺激值通道
X,Y,Z 约略对应于红色, 绿色, 蓝色
一种波的刺激等于几种波的混合刺激
二, 图片存储原理
1, 主流颜色空间
RGB 三通道彩色图
图片 ->3 维矩阵([0,255])
单通道灰度图
亮度信息[0,255]
Gray=R*0.3+G*0.59+B*0.11(常用的图片灰度化转换公式)
三, 图像增强的目标
改善图像的视觉效果
转换为更适合人或机器分析处理的形式
突出对人或机器分析有意义的信息
抑制无用信息, 提高图像的使用价值
具体包括图像锐化, 平滑, 去噪, 灰度调整(对比度增强)
四, 图像处理的方法
1, 特征提取方法
直方图 Histogram
对图片数据 / 特征分布的一种统计
灰度, 颜色
梯度 / 边缘, 形状, 纹理
局部特征点, 视觉词汇
区间 bin
具有一定的统计或物理意义
一种数据或特征的代表
需要预定义或基于数据进行学习
数值是一种统计量: 概率, 频数,
对数据空间 bin 进行量化
直方图均衡化
直方图均衡化是指: 利用图像直方图对对比度进行调整德方法
直方图均衡化通常用来增加许多图像的局部对比度, 尤其是当图像的有用数据的对比图相当接近的时候
直方图均衡化以后, 亮度可以更好的在直方图上分布. 这样就可以用于增强局部的对比度而不影响整体的对比度, 直方图均衡化通过有效的扩展常用的亮度来实现这种功能
直方图均衡化: 实质上是对图像进行非线性拉伸
重新分配各个灰度单位中的像素点数量, 是一定的灰度范围像素点数量的值大致相等
自适应直方图均衡
直方图均衡的经典算法对整幅图像的像素使用相同的变换, 如果图像中包括明显亮的或者暗的区域, 则经典算法有限
自适应直方图均衡 (AHE) 算法通过对局部区域进行直方图均衡, 来解决上述问题;
移动模板在原始图片上按特定步长滑动
每次移动后, 模板区域内做直方图均衡, 映射后的结果赋值给模板区域内所有点
每个点会有多次赋值, 最终的取值为这些赋值的均值.
CLAHE
AHE 会过度放大图像中相对均匀区域的噪声, 可采用限制对比度自适应直方图均衡(CLAHE).
与普通自适应直方图均衡相比, CLAHE 的不同地方在于直方图修剪过程, 用修剪后的直方图均衡图像时, 图像对比度会更自然
等面积挪到下面垫高
如下图
小黑点的灰度直接由映射函数计算得到
粉色区域内点的灰度由映射函数计算得到
绿色区域内点的灰度由相邻两块灰度映射值线性插值得到
其他区域所有点的灰度由相邻四块的灰度映射值双线性插值而得,
CLAHE 算法步骤
1, 图像分块, 以块为单位
2, 先计算直方图, 然后修建直方图, 最后均衡
3, 遍历操作各个图像块, 进行块间双线性插值
4, 与原图做图层绿色混合操作.(可选)
形态学运算
开运算: 先腐蚀在膨胀, 可以去掉目标外的孤立点
闭运算: 先膨胀再腐蚀, 可以去掉目标内的孔
通常, 当有噪声的图像用阈值二值化后, 所得到的边界是很不平滑的, 物体区域具有一些错判的孔洞, 背景区域散布着一些小的噪声物体, 连续的开和闭运算可以显著的改善这种情况
空间域处理及其变换
滤波 / 卷积
在每个图片位置 (x,y) 上进行基于邻域的函数计算
滤波函数 ->权重相加
卷积核, 卷积模板
滤波器, 滤波模板
扫描窗
不同功能需要定义不同的函数
平滑 / 去噪
梯度 / 锐化
边缘, 显著点, 纹理
模式检测
参数解释
x,y 是像素在图片中的位置 / 坐标
k,l 是卷积核中的位置 / 坐标, 中心点的坐标是(0,0)
f(k,l)是卷积核中在 (k,l) 上的权重参数
I(x+k,y+l)是与 f(k,l)相对应的图片像素值
h(x,y)是图片中 (x,y) 像素的滤波 / 卷积结果
边界填充(Padding) 将卷积核的中心对上顶点
获得同尺寸输出的情况下
卷积核越大, 补充越多
补充类型
补零(zero-padding) 目前用的最多
边界复制(replication)
镜像(reflection)
块复制(wraparound)
均值滤波
平滑均值滤波 / 卷积
3*3
扫描步长: 1
边框补零
均值滤波本身存在缺陷, 既没有很好的去除噪声点, 也破坏了图像的细节反而使图像变得模糊
奇数尺寸: 3*3,5*5,7*7,2n-1*2n-1
参数和为: 1
平滑中值滤波 / 卷积
奇数尺寸: 3*3,5*5,7*7,2n-1*2n-1
操作原理:
卷积域内的像素值从小到大排序
取中间值作为卷积输出
有效去除椒盐噪声
将领域矩阵中的 N 个像素进行排序, 并将这个矩阵的中心点赋值为这 N 个像素的中值
平滑高斯滤波 / 卷积
奇数尺寸: 3*3,5*5,7*7,2n-1*2n-1
模拟人眼, 关注中心区域
有效去除高斯噪声
参数
x,y 是卷积参数坐标
标准差σ /`sigma/
人眼特性: 离关注中心越远, 感受精度越模糊
σ 越小 关注区域越集中
分解特性(级联高斯)
2D 卷积拆分成两个相同的 ID 卷积
列卷积
行卷积
降计算
2D 卷积: K*K 次计算
2*1D 卷积: 2K 次计算
-
梯度 Prewitt 滤波 / 卷积
水平梯度 / 垂直边缘 梯度: 某一函数在该点处的方向导数
垂直梯度 / 水平边缘
梯度 Laplacian 滤波 / 卷积
二阶微分算子
一阶导数极值
作用
团块检测: 周边高于 (低于) 中心点
边缘检测: 像素值快速变化的区域
-
Laplacian 滤波器条件, 相加等于 0;
Laplacian 滤波锐化
其他滤波 / 锐化
左移位滤波
锐化
来源: https://www.cnblogs.com/thinkinpakho/p/10852692.html