數(shù)字圖像處理課程總結(jié)課件

面向?qū)ο蟮倪b感影像分類面向?qū)ο蟮倪b感影像分類1數(shù)字圖像處理課程總結(jié)課件2圖像復(fù)原圖像復(fù)原定義流程方法將降質(zhì)的圖像以最大的保真度恢復(fù)圖像弄清退化原因建立退化模型反向推演恢復(fù)圖像圖像空間復(fù)原技術(shù)頻率復(fù)原幾何校正粗校正精校正共線方程多項式校正像素坐標變換灰度重采樣逆濾波間接法直接法圖像復(fù)原圖定義流程方法將降質(zhì)的圖像以最大的保真度恢復(fù)圖像弄清3分割技術(shù)兩種取向知識驅(qū)動：自頂向下特定目標提取先驗知識－建立模型－提取目標數(shù)據(jù)驅(qū)動：自底向上影像對象分類影像數(shù)據(jù)－分割無意義對象－實體對象分割技術(shù)發(fā)展中存在的矛盾分割需求上 分割結(jié)果好、速度快分割技術(shù)上 分割方法千差萬別，沒有統(tǒng)一的、廣泛適用的分割標準圖像分割分割技術(shù)兩種取向圖像分割4基于灰度值的不連續(xù)性基于區(qū)域內(nèi)部灰度相似性邊界分割法邊緣連接分割法點、線、邊的檢測對做過邊緣檢測的圖像進行用于連接中斷的邊閾值分割法區(qū)域增長區(qū)域分裂與合并Iff(x,y)Tset255Elseset0直方圖P參數(shù)法最大方差自動取值法通過選擇閾值，找到灰度值相似的區(qū)域先找到點、線（寬度為1）、邊（不定寬度）再確定區(qū)域各種梯度算子用于進行邊緣檢測如Roberts/Prewitt/Sobel/kirschHough變換和廣義Hough變換進行線的檢測高通濾波器進行孤立點的檢測確定區(qū)域的數(shù)目選擇有意義的特征確定相似性準則單一型質(zhì)心型混合型基于四叉樹的思想不斷的進行分裂與合并，直到不能有新的分裂與合并為止。事先不了解區(qū)域的形狀和數(shù)目圖像分割基基邊界分割法邊緣連接分割法點、線、邊的檢測對做過邊緣檢測的5

區(qū)域A

區(qū)域B

種子像素

種子像素區(qū)域生長區(qū)域A區(qū)域B種子像素種子像素區(qū)域生長61）對圖像中灰度級不同的區(qū)域，均分為四個子區(qū)域2）如果相鄰的子區(qū)域所有像素的灰度級相同，則將其合并3）反復(fù)進行上兩步操作，直至不再有新的分裂與合并為止分裂合并

1）對圖像中灰度級不同的區(qū)域，均分為四個子區(qū)域2）如果相7閾值分割－只考慮像元本身的灰度值，沒有考慮空間特征，對噪聲敏感。邊緣檢測－對噪聲敏感,受起始點影響。區(qū)域生長－需人為確定種子點，對噪聲敏感，區(qū)域內(nèi)可能有空洞。串行算法，當目標較大時，分割速度慢。分裂合并－算法較復(fù)雜，計算量大，分裂可能破壞區(qū)域邊界。

圖像分割閾值分割－只考慮像元本身的灰度值，沒有考慮空間特征，對噪聲敏8(1)大多數(shù)分割方法還是針對中、低分辨率遙感影像或SAR影像而提出，對高分辨率影像具有很大的局限性；

(2)遙感影像主要是全色或單波段、多光譜的研究較少；(3)分割算法的復(fù)雜度較大，時間效率較低(4)主要利用影像的光譜信息，很少利用空間上下文信息，對于空間信豐富的高分辨率影像是不適應(yīng)的。

(5)分割局限在單一尺度下，不能滿足不同地物的多尺度特性?，F(xiàn)有圖像分割存在問題(1)大多數(shù)分割方法還是針對中、低分辨率遙感影像或SAR影9

影像分析的不同主題都有其特定的空間尺度，每一個主題都需要分割所生成的影像對象用最恰當?shù)某叨葋砻枋雠c傳遞影像的最佳信息，因此在影像分析中總是希望在適宜的尺度上進行。多尺度分割中采用不同的分割尺度值生成不同尺度影像對象層，使得具有固定分辨率的影像數(shù)據(jù)可由不同尺度的數(shù)據(jù)結(jié)構(gòu)組成，從而構(gòu)建了一個與地表實體相似的層次等級結(jié)構(gòu)，實現(xiàn)了原始象元信息在不同空間尺度間的傳遞，以適應(yīng)特定的應(yīng)用需要。多尺度分割影像分析的不同主題都有其特定的空間尺度10多尺度分割多尺度分割11數(shù)字圖像處理課程總結(jié)課件12圖像特征良好特征可區(qū)分性可靠性獨立性數(shù)量少顏色特征紋理特征形狀特征顏色直方圖顏色矩灰度共生矩陣灰度梯度共生矩陣圖像自相關(guān)函數(shù)分形紋理特征歐拉數(shù)區(qū)域內(nèi)部空間域分析凸凹性距離區(qū)域測量面積周長圓形度形狀復(fù)雜度區(qū)域內(nèi)部變換分析法矩法投影和截口區(qū)域邊界的形狀特征描述鏈碼Hough變換顏色分布前三階矩特征提取特征選擇特征提取圖良可區(qū)分性顏色特征紋理特征形狀特征顏色直方圖顏色矩灰度共生13圖像識別模板匹配用計算機代替人去識別圖像和找出一幅圖像中人們感興趣的目標用途方法定義

根據(jù)圖案與一幅圖像的各部分的相似度判斷其是否存在，并求得對象物在圖像中位置的操作叫模板匹配幾何變換中檢測對應(yīng)點、圖像配準、立體影像分析、圖像中對象物檢測模板和圖像重合部分的相似度或非相似度高速模板匹配方法基于圖案輪廓特征的高精度匹配統(tǒng)計模式識別定義研究每一個模式的各種測量數(shù)據(jù)的統(tǒng)計特征，按照統(tǒng)計決策理論來進行分析流程方法監(jiān)督分類非監(jiān)督分類根據(jù)預(yù)先已知類別訓練樣本,求出各類在特征空間分布,再分類判別函數(shù)距離函數(shù)歐氏距離、絕對值距離、馬氏等線性判別函數(shù)最大似然判別函數(shù)聚類分類K均值聚類等遙感影像分類收集地面參考信息選擇適合的分類方法計算統(tǒng)計特征監(jiān)督分類分類后處理精度評價采樣方法混淆矩陣隨機、分層、聚點或集群采樣圖模板匹配用計算機代替人去識別圖像和找出一幅圖像中人們感興趣14統(tǒng)計模式識別流程統(tǒng)計模式識別流程15課程考核課程考核16面向?qū)ο蟮倪b感影像分類面向?qū)ο蟮倪b感影像分類17數(shù)字圖像處理課程總結(jié)課件18圖像復(fù)原圖像復(fù)原定義流程方法將降質(zhì)的圖像以最大的保真度恢復(fù)圖像弄清退化原因建立退化模型反向推演恢復(fù)圖像圖像空間復(fù)原技術(shù)頻率復(fù)原幾何校正粗校正精校正共線方程多項式校正像素坐標變換灰度重采樣逆濾波間接法直接法圖像復(fù)原圖定義流程方法將降質(zhì)的圖像以最大的保真度恢復(fù)圖像弄清19分割技術(shù)兩種取向知識驅(qū)動：自頂向下特定目標提取先驗知識－建立模型－提取目標數(shù)據(jù)驅(qū)動：自底向上影像對象分類影像數(shù)據(jù)－分割無意義對象－實體對象分割技術(shù)發(fā)展中存在的矛盾分割需求上 分割結(jié)果好、速度快分割技術(shù)上 分割方法千差萬別，沒有統(tǒng)一的、廣泛適用的分割標準圖像分割分割技術(shù)兩種取向圖像分割20基于灰度值的不連續(xù)性基于區(qū)域內(nèi)部灰度相似性邊界分割法邊緣連接分割法點、線、邊的檢測對做過邊緣檢測的圖像進行用于連接中斷的邊閾值分割法區(qū)域增長區(qū)域分裂與合并Iff(x,y)Tset255Elseset0直方圖P參數(shù)法最大方差自動取值法通過選擇閾值，找到灰度值相似的區(qū)域先找到點、線（寬度為1）、邊（不定寬度）再確定區(qū)域各種梯度算子用于進行邊緣檢測如Roberts/Prewitt/Sobel/kirschHough變換和廣義Hough變換進行線的檢測高通濾波器進行孤立點的檢測確定區(qū)域的數(shù)目選擇有意義的特征確定相似性準則單一型質(zhì)心型混合型基于四叉樹的思想不斷的進行分裂與合并，直到不能有新的分裂與合并為止。事先不了解區(qū)域的形狀和數(shù)目圖像分割基基邊界分割法邊緣連接分割法點、線、邊的檢測對做過邊緣檢測的21

區(qū)域A

區(qū)域B

種子像素

種子像素區(qū)域生長區(qū)域A區(qū)域B種子像素種子像素區(qū)域生長221）對圖像中灰度級不同的區(qū)域，均分為四個子區(qū)域2）如果相鄰的子區(qū)域所有像素的灰度級相同，則將其合并3）反復(fù)進行上兩步操作，直至不再有新的分裂與合并為止分裂合并

1）對圖像中灰度級不同的區(qū)域，均分為四個子區(qū)域2）如果相23閾值分割－只考慮像元本身的灰度值，沒有考慮空間特征，對噪聲敏感。邊緣檢測－對噪聲敏感,受起始點影響。區(qū)域生長－需人為確定種子點，對噪聲敏感，區(qū)域內(nèi)可能有空洞。串行算法，當目標較大時，分割速度慢。分裂合并－算法較復(fù)雜，計算量大，分裂可能破壞區(qū)域邊界。

圖像分割閾值分割－只考慮像元本身的灰度值，沒有考慮空間特征，對噪聲敏24(1)大多數(shù)分割方法還是針對中、低分辨率遙感影像或SAR影像而提出，對高分辨率影像具有很大的局限性；

(2)遙感影像主要是全色或單波段、多光譜的研究較少；(3)分割算法的復(fù)雜度較大，時間效率較低(4)主要利用影像的光譜信息，很少利用空間上下文信息，對于空間信豐富的高分辨率影像是不適應(yīng)的。

(5)分割局限在單一尺度下，不能滿足不同地物的多尺度特性?，F(xiàn)有圖像分割存在問題(1)大多數(shù)分割方法還是針對中、低分辨率遙感影像或SAR影25

影像分析的不同主題都有其特定的空間尺度，每一個主題都需要分割所生成的影像對象用最恰當?shù)某叨葋砻枋雠c傳遞影像的最佳信息，因此在影像分析中總是希望在適宜的尺度上進行。多尺度分割中采用不同的分割尺度值生成不同尺度影像對象層，使得具有固定分辨率的影像數(shù)據(jù)可由不同尺度的數(shù)據(jù)結(jié)構(gòu)組成，從而構(gòu)建了一個與地表實體相似的層次等級結(jié)構(gòu)，實現(xiàn)了原始象元信息在不同空間尺度間的傳遞，以適應(yīng)特定的應(yīng)用需要。多尺度分割影像分析的不同主題都有其特定的空間尺度26多尺度分割多尺度分割27數(shù)字圖像處理課程總結(jié)課件28圖像特征良好特征可區(qū)分性可靠性獨立性數(shù)量少顏色特征紋理特征形狀特征顏色直方圖顏色矩灰度共生矩陣灰度梯度共生矩陣圖像自相關(guān)函數(shù)分形紋理特征歐拉數(shù)區(qū)域內(nèi)部空間域分析凸凹性距離區(qū)域測量面積周長圓形度形狀復(fù)雜度區(qū)域內(nèi)部變換分析法矩法投影和截口區(qū)域邊界的形狀特征描述鏈碼Hough變換顏色分布前三階矩特征提取特征選擇特征提取圖良可區(qū)分性顏色特征紋理特征形狀特征顏色直方圖顏色矩灰度共生29圖像識別模板匹配用計算機代替人去識別圖像和找出一幅圖像中人們感興趣的目標用途方法定義

根據(jù)圖案與一幅圖像的各部分的相似度判斷其是否存在，并求得對象物在圖像中位置的操作叫模板匹配幾何變換中檢測對應(yīng)點、圖像配準、立體影像分析、圖像中對象物檢測模板和圖像重合部分的相似度或非相似度高速模板匹配方法基于圖案輪廓特征的高精度匹配統(tǒng)計模式識別定義研究每一個模式的各種測量數(shù)據(jù)的統(tǒng)計特征，按照統(tǒng)計決策理論來進行分析流程方法監(jiān)督