數(shù)字圖像處理[圖像銳化].ppt

圖像的銳化處理,銳化可使景物邊界細(xì)節(jié)增強(qiáng)，不但提高圖像的視覺效果，而且還便于對圖像的形狀特征更好地識別。,圖像銳化的目的是加強(qiáng)圖像中景物的細(xì)節(jié)邊緣和輪廓。 銳化的作用是使灰度反差增強(qiáng)。 因?yàn)檫吘壓洼喞嘉挥诨叶韧蛔兊牡胤健Ｋ凿J化算法的實(shí)現(xiàn)是基于微分作用。,圖像銳化的概念,圖像的景物細(xì)節(jié)特征； 一階微分銳化方法； 二階銳化微分方法； 一階、二階微分銳化方法效果比較。,圖像銳化方法,圖像細(xì)節(jié)的灰度變化特性,掃描線,圖像細(xì)節(jié)的灰度變化微分特性,一階微分曲線,二階微分曲線,返回,一階微分銳化 基本原理,一階微分的計算公式非常簡單：,離散化之后的差分方程：,考慮到圖像邊界的拓?fù)浣Y(jié)構(gòu)性，根據(jù)這個原理派生出許多相關(guān)的方法。,一階微分銳化,單方向一階微分銳化 無方向一階微分銳化 交叉微分銳化（Roberts算子） Sobel銳化 Priwitt銳化,返回,單方向的一階銳化 基本原理,單方向的一階銳化是指對某個特定方向上的邊緣信息進(jìn)行增強(qiáng)。 因?yàn)閳D像為水平、垂直兩個方向組成，所以，所謂的單方向銳化實(shí)際上是包括水平方向與垂直方向上的銳化。,水平方向的一階銳化 基本方法,水平方向的銳化非常簡單，通過一個可以檢測出水平方向上的像素值的變化模板來實(shí)現(xiàn)。,水平方向的一階銳化 例題,1*1+2*2+1*3-1*3-2*0-1*8=-3,問題：計算結(jié)果中出現(xiàn)了小于零的像素值,垂直方向的一階銳化 基本方法,垂直銳化算法的設(shè)計思想與水平銳化算法相同，通過一個可以檢測出垂直方向上的像素值的變化模板來實(shí)現(xiàn)。,垂直方向的一階銳化 例題,1*1+2*2+1*3-1*3-2*2-1*8=-7,問題：計算結(jié)果中出現(xiàn)了小于零的像素值,單方向銳化的后處理,這種銳化算法需要進(jìn)行后處理，以解決像素值為負(fù)的問題。 后處理的方法不同，則所得到的效果也就不同。,單方向銳化的后處理,方法1：整體加一個正整數(shù)，以保證所有的像 素值均為正。 這樣做的結(jié)果是：可以獲得類似浮雕的效果,單方向銳化的后處理,方法2：將所有的像素值取絕對值。 這樣做的結(jié)果是，可以獲得對邊緣的有方向提取。,返回,無方向一階銳化 問題的提出,前面的銳化處理結(jié)果對于人工設(shè)計制造的具有矩形特征物體（例如：樓房、漢字等）的邊緣的提取很有效。但是，對于不規(guī)則形狀（如：人物）的邊緣提取，則存在信息的缺損。,無方向一階銳化 設(shè)計思想,為了解決上面的問題，就希望提出對任何方向上的邊緣信息均敏感的銳化算法。 因?yàn)檫@類銳化方法要求對邊緣的方向沒有選擇，所有稱為無方向的銳化算法。,無方向一階銳化 交叉微分（Roberts算法）,交叉微分算法（Roberts算法）計算公式如下：,特點(diǎn)：算法簡單,無方向一階銳化 Sobel銳化,Sobel銳化的計算公式如下：,特點(diǎn)：銳化的邊緣信息較強(qiáng),無方向一階銳化 Priwitt銳化算法,Priwitt銳化算法 的計算公式如下：,特點(diǎn)：與Sobel相比，有一定的抗干擾性。圖像效果比較干凈。,一階銳化 幾種方法的效果比較,Sobel算法與Priwitt算法的思路相同，屬于同一類型，因此處理效果基本相同。 Roberts算法的模板為2*2，提取出的信息較弱。 單方向銳化經(jīng)過后處理之后，也可以對邊界進(jìn)行增強(qiáng)。,示例,返回,二階微分銳化 問題的提出,從圖像的景物細(xì)節(jié)的灰度分布特性可知，有些灰度變化特性一階微分的描述不是很明確，為此，采用二階微分能夠更加獲得更豐富的景物細(xì)節(jié)。,二階微分銳化 景物細(xì)節(jié)特征對應(yīng)關(guān)系,灰度截面,一階微分,二階微分,(a) 階躍形 (b) 細(xì)線形 (c) 斜坡漸變形,二階微分銳化 景物細(xì)節(jié)對應(yīng)關(guān)系,1）對于突變形的細(xì)節(jié)，通過一階微分的極大值點(diǎn)，二階微分的過0點(diǎn)均可以檢測出來。,二階微分銳化 景物細(xì)節(jié)對應(yīng)關(guān)系,2）對于細(xì)線形的細(xì)節(jié)，通過一階微分的過0點(diǎn)，二階微分的極小值點(diǎn)均可以檢測出來。,二階微分銳化 景物細(xì)節(jié)對應(yīng)關(guān)系,3）對于漸變的細(xì)節(jié)，一般情況下很難檢測，但二階微分的信息比一階微分的信息略多。,二階微分銳化 算法推導(dǎo),二階微分銳化 Laplacian 算法,由前面的推導(dǎo)，寫成模板系數(shù)形式即為Laplacian算子：,示例,二階微分銳化 Laplacian變形算法,為了改善銳化效果，可以脫離微分的計算原理，在原有的算子基礎(chǔ)上，對模板系數(shù)進(jìn)行改變，獲得Laplacian變形算子如下所示。,示例,二階微分銳化 Laplacian銳化邊緣提取,經(jīng)過Laplacian銳化后，我們來分析幾種變形算子的邊緣提取效果。 H1,H2的效果基本相同，H3的效果最不好，H4最接近原圖。,示例,二階微分銳化 Wallis算法,考慮到人的視覺特性中包含一個對數(shù)環(huán)節(jié)，因此在銳化時，加入對數(shù)處理的方法來改進(jìn)。,示例,二階微分銳化 Wallis算法,在前面的算法公式中注意以下幾點(diǎn)： 1）為了防止對0取對數(shù)，計算時實(shí)際上是用log(f(i,j)+1); 2）因?yàn)閷?shù)值很小log(256)=5.45,所以計算 時用46*log(f(i,j)+1)。 （46=255/log(256)）,二階微分銳化 Wallis算法,算法特點(diǎn)： Wallis算法考慮了人眼視覺特性，因此，與Laplacian等其他算法相比，可以對暗區(qū)的細(xì)節(jié)進(jìn)行比較好的銳化。,示例,返回,Laplacian銳化算子對圖像中的噪聲非常敏感，故在做銳化增強(qiáng)之前，需對圖像進(jìn)行平滑以消除或減弱噪聲的影響。 高斯-拉普拉斯算子將平滑運(yùn)算和銳化運(yùn)算結(jié)合在一起，非常適合被噪聲污染的圖像進(jìn)行銳化增強(qiáng),二階微分銳化 高斯-拉普拉斯算子,一階與二階微分的邊緣提取效果比較,以Sobel及Laplacian算法為例進(jìn)行比較。 Sobel算子獲得的邊界是比較粗略的邊界，反映的邊界信息較少，但是所反映的邊界比較清晰； Laplacian算子獲得的邊界是比較細(xì)致的邊界。反映的邊界信息包括了許多的細(xì)節(jié)信息，但是所反映的邊界不是太清晰。,返回,其他銳化算法,1、空間域高通濾波,圖像邊緣與高頻分量相對應(yīng)，故使用空間域高通濾波可讓高頻分量通過，限制低頻分量，從而達(dá)到銳化目的,其他銳化算法,2、方向模板匹配,原理：將8個方向的模板，在銳化時順序作用于同一圖像窗口，對每一個模板都進(jìn)行相應(yīng)的運(yùn)算，用最大的輸出來作為窗口中心點(diǎn)像素的銳化輸出值 典型的模板有Robison、Prewitt、Krisch模板,小結(jié),上機(jī)實(shí)驗(yàn) 圖像銳化,Sobel算子、Prewitt算子以及高斯-拉普拉斯算子實(shí)現(xiàn)圖像銳化 上機(jī)參考程序1 實(shí)驗(yàn)效果圖1 上機(jī)參考程序2 實(shí)驗(yàn)效果圖2,水平浮雕效果,垂直浮雕效果,返回,水平邊緣的提取效果,垂直邊緣的提取效果,返回,非矩形目標(biāo)物的單方向銳化,返回,交叉銳化效果圖例1,交叉銳化效果圖例2,交叉銳化與水平銳化的比較,交叉銳化,水平銳化,返回,Sobel銳化效果示例1,交叉銳化,Sobel銳化,Sobel銳化效果示例2,Sobel銳化,交叉銳化,返回,Priwitt銳化效果圖例,Priwitt銳化,Sobel銳化,返回,一階銳化方法的效果比較,(a) 原圖 (b) Sobel算法 (c) Priwitt算法,(d) Roberts算法 (e) 水平銳化 (f) 垂直銳化,返回,Laplacian銳化效果圖例,返回,Laplacian變形算子銳化效果,h1,h2,h3,h4,返回,Laplacian算子邊緣提取效果,返回,Wallis算法效果示例,返回,Wallis算法與Laplacian算法的比較,Wallis算法,Laplacian算法,返回,Sobel與Laplacian邊緣提取效果,Sobel銳化,Laplacian銳化,返回,上機(jī)參考程序1,I=imread(cameraman.tif); BW1 = edge(I, sobel ); BW2 = edge(I, prewitt); BW3 = edge(I,log); subplot(2,2,1),imshow(I); subplot(2,2,2),imshow(BW1); subplot(2,2,3),imshow(BW2); subplot(2,2,4),imshow(BW3);,返回,上機(jī)參考程序2,I=imread(cameraman.tif); subplot(2,2,1);imshow(I);title(original); K=fspecial(laplacian,0.7);K1=filter2(K,I)/100; subplot(2,2,2);imshow(K1);title(laplacian); L=fspecial(sobel);L1=filter2(L,I)/200; subplot(2,2,3);imshow(L1);title(sobel); M=fspecial(prewitt);M1=filter2(M,I)/200; subplot(2,2,4);imshow(L1);title(prewitt);,返回,實(shí)驗(yàn)效果圖1,返回,實(shí)驗(yàn)效果圖2,返回,