做网站然后推广,网站代,门户网站导航建设方案,手机网页链接制作生成什么是数字图像处理
改善图像信息#xff0c;便于作出解释 方便对图像传输#xff0c;储存#xff0c;方便机器理解
什么是数字图像
#xff08;1#xff09;模拟图像#xff1a;连续二维函数 f#xff08;x#xff0c;y#xff09;表示#xff0c;其中 x#xf…什么是数字图像处理
改善图像信息便于作出解释 方便对图像传输储存方便机器理解
什么是数字图像
1模拟图像连续二维函数 fxy表示其中 xy 是平面坐标f 代表图像在某点的某种性质的数值 2数字图像对模拟图像red离散化的结果 r 表示图形的行c 表示图像的列I 表示离散后的 f可以用矩阵或者数组来描述数字图像 像素数字图像的元素
数字图像处理的任务
1图像获取 2图像预处理 3图像滤波与增强 4图像复原 5彩色图像处理 6图像压缩 7图像分割 8图像描述与识别
机器视觉
用机器来模拟视觉使用算法对于采集到的图像进行分析处理并做出合适决策 计算机视觉侧重于对于理论的研究而机器视觉侧重于对于实际场景的使用强调算法的重要性 一个完整的机器视觉系统包括 1光学系统 2图像采集模块 3图像处理系统 4交互界面 光学系统通常包括光源相机和镜头突出被拍摄物体的特征方便后期处理 图像采集模块使用图像采集卡将来自相机的模拟信号或者数字信号转为图像数据流 图像处理系统通过视觉处理软件对于图像进行多种运算并对得到的特征进行检测定位测量等处理 交互界面显示最终的结果
工业应用中机器视觉的特点
1综合技术 2实用性 3实时性
处理基础
图像感知与获取
通过传感器将输入能源变为电压再进行数字化处理
图像取样与量化
大多数传感器的输出是连续电压波形为了产生图像需要把连续的模拟信号转为离散的数字信号 取样图像空间坐标的数字化 量化对于图像函数值 f的数字化 数字图像只是对于真实场景的近似取样点越多量化的灰度级越多图像质量越好 对于表示模拟图像的函数 f ( s , t ) f(s,t) f(s,t)通过采样和量化转化为 M 行 N 列离散灰度级数为 L 的数字图像其中 M、N 必须为正整数灰度级数 L 2 k L2^k L2k等间隔 1灰度跨越的值域为动态范围 图像中最大可度量灰度 图像中最小可检测灰度 \frac{图像中最大可度量灰度}{图像中最小可检测灰度} 图像中最小可检测灰度图像中最大可度量灰度 2可度量灰度的上限取决于饱和度超过了饱和度的灰度级将被剪切掉下限取决于噪声因为噪声掩盖了可检测的最低真实灰度级 3对比度图像中最高的灰度级与最低的灰度级之间的灰度差 L 2 k L2^k L2k储存数字图像所需要的 bit 数为 M ∗ N ∗ k M*N*k M∗N∗k E.G.对于 32*32 的二值图像黑白两种元素的图像 k1则其大小为 3 2 2 ∗ 1 1024 b i t s 256 b y t e s 32^2*11024bits256bytes 322∗11024bits256bytes
空间分辨率
图像的空间分辨率代表着对于图像中可辨别的最小单位的度量由采样方式确定 1视觉任务像素尺寸 2平面设计DPIdots per Inch
灰度分辨率
灰度分辨率则是指在灰度级中可以分辨的最小变化灰度分辨率越大图像的细节区分度就越好
图像中灰度级变小会如何图像的明暗过度会越来越明显同时可能出现一些不属于正常物体边缘的伪轮廓呈现细小山脊状是灰度级不够平滑造成的
图像内插
用于图像的放大缩小旋转矫正等任务同时也可以相对应的改变图像的分辨率 插值通过已知的图像数据来对改变后的位置数据进行处理
最近邻插值
将原图中最相邻的灰度值赋给新位置当对于边缘来说可能造成严重的失真 插值过程 1对于一张 500x500 的图像将其放大为 750x750 2采用原图的间隔创建 750*750 的网格 3将新图像收缩到和原图相同的大小此时新网格的单位边长小于原网格 4对每个新网格中的点找到其最近的原网格的点为其赋值 5将新网格扩展到 750x750 的大小此时就获得了放大后的图片 总体来说过程就是放大-缩小-放大
线性插值
已知点(x0y0与 x1y1计算[x0x1]区间上的任意直线上一点的插值 y x 1 − x x 1 − x 0 ⋅ y 0 x − x 0 x 1 − x 0 ⋅ y 1 y \frac{x_1-x}{x_1-x_0}\cdot{y_0}\frac{x-x_0}{x_1-x_0}\cdot y_1 yx1−x0x1−x⋅y0x1−x0x−x0⋅y1 则认为 f ( P ) x 1 − x x 1 − x 0 ⋅ f ( P 0 ) x − x 0 x 1 − x 0 ⋅ f ( P 1 ) f(P) \frac{x_1-x}{x_1-x_0}\cdot f(P_0)\frac{x-x_0}{x_1-x_0}\cdot f(P_1) f(P)x1−x0x1−x⋅f(P0)x1−x0x−x0⋅f(P1)
双线性插值
用 4 个最近邻来估计给定位置的灰度值相当于将 y 轴也算作灰度值插值就不用考虑需要在直线上的条件只要在 xy 构成的平面内即可 首先还是在 x 方向进行线性插值获得两个辅助点 R1 和 R2然后再利用这两个辅助点在 y 方向上插值从而得到最终的插值结果 我们也可以推出在三维空间中是三线性插值
双三次插值
了解即可采用 16 个最近邻点来进行计算效果比双线性插值更好但是速度更慢
像素间的基本关系
主要分为 4 邻域D 邻域和 8 邻域 对于 1 而言 4 邻域2468 号格 D 邻域3579 号格 8 邻域4 邻域D 邻域 在灰度级中我们一般考虑 3 种像素的邻接方法 14 邻接两个像素互在对方的 4 邻域中 28邻接两个像素互在对方的 8 邻域中 3m 邻接混合邻接分为两种情况1.4 邻接 2.两个像素互在对方的 D 邻域中且 4 邻域的交集中像素值为 0 目的对于8邻接在寻找两个点的路径或者计算路径长度的时候会出现二义性的问题m邻接可以去除二义性 如果使用8邻接那么A-D的距离计算就会产生歧义但是对于m邻接A-C不能直接联通因为他们的4邻域的交集中有B所以A-D的路径为A-B-C-D
通路与连通集
对于刚刚我们提到的路径我们把其叫做通路通路的长度即为其包含的像素个数 1)如果起始点和终点是同一个点那么我们就认为这条通路是闭合通路使用了哪种邻接方式就被称为x-通路 2给定一个像素集合S对于任何一个属于S的像素q通路中连接到像素q的像素集被称为S的连通分量 3如果S仅有一个连通分量则S称为连通集 4R为图像的一个像素子集且刚好构成连通集则将其称为一个区域两个区域合在一起成为一个连通集则这两个区域称为邻接区域
前景与背景
一幅图像中有k个不连接的区域它们均不与图像的边界相接令 R u R_u Ru代表k个区域的并集 ( R u ) c (R_u)^c (Ru)c表示其补集 则称 R u R_u Ru为前景$(R_u)^c为背景
图形的边界
对于图像中的一部分区域已经定义了其邻接方式若在此邻接方式下区域的某像素的邻接区域中出现背景像素则称该像素为该区域的边界
对于距离的定义
在图中对于像素有 1不是同一个点之间的距离必然大于0 2A到B的距离等于B到A的距离 3两边之和大于第三边
欧式距离
就是传统的计算距离的方式勾股定理
D4距离城市街区距离 D 4 ( p , q ) ∣ X p − X q ∣ ∣ Y p − Y q ∣ D4(p,q) |X_p-X_q||Y_p-Y_q| D4(p,q)∣Xp−Xq∣∣Yp−Yq∣
D8距离棋盘距离 D 8 ( p , q ) m a x ( ∣ x p − x q ∣ , ∣ y p − y q ∣ ) D8(p,q) max(|x_p-x_q|,|y_p-y_q|) D8(p,q)max(∣xp−xq∣,∣yp−yq∣)
Dm距离
两点间的最短通路
