數(shù)字圖像處理與Python實現(xiàn) 課件 第5、6章-圖像增強、圖像形態(tài)學操作

數(shù)字圖像處理課程內容入門認識第7章圖像壓縮第8章圖像分割基本操作應用第9章圖像水印第10章指紋識別第11章深度學習綜合案例2第五章圖像增強技術5.1圖像增強技術分類5.2直接灰度變換法5.3直方圖修正法5.4鄰域增強5.5頻域增強5.1圖像增強技術分類點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數(shù)圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.2.1線性拉伸法全段線性拉伸法全段線性拉伸法(按一種線性關系）分段線性拉伸法（多種線性關系）原圖像：灰度范圍

[a,b]內，變換后：灰度范圍[c,d]內，變換關系為：

g(m,n)=k[f(m,n)-a]+c討論：[a,b]和[c,d]的取值關系

d-c=b-a，則k=1，改變位置

對于b>a，d<c成立，則k<0，明暗取反尤其當k=-1時，g(m,n)即為f(m,n)的取反5.2直接灰度法線性拉伸法非線性拉伸法分段線性拉伸法abcdMfMg

f(x,y)

g(x,y)5.2.1線性拉伸法5.2.1線性拉伸法分段線性拉伸法(a)擴展感興趣的，犧牲其他

(b)擴展感興趣的，壓縮其他分析下面兩種拉伸曲線的效果：(a)原圖

(b)擴展動態(tài)范圍5.2.2非線性拉伸法指數(shù)對數(shù)如指數(shù)函數(shù)、對數(shù)函數(shù)、平方函數(shù)、閾值函數(shù)或幾種非線性函數(shù)的組合等g(x,y)=bC[f(x,y)-a]g(x,y)=loga[f(x,y)]5.2.2非線性拉伸法對數(shù)典型應用--傅里葉頻譜，其頻譜值的范圍很大，圖像顯示系統(tǒng)往往不能呈現(xiàn)出；如此大范圍的值，造成很多細節(jié)在顯示時丟失，5.2.2非線性拉伸法對數(shù)點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數(shù)圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.3.1灰度直方圖對每個灰度值，統(tǒng)計在圖像中具有該灰度值的像素個數(shù)，并繪制成圖形5.3直方圖修正法圖像的灰度像素數(shù)統(tǒng)計圖，不可逆變換：直方圖是多對一的映射結果，即多個圖像可以生成相同的直方圖，因此反映相鄰點之間的關系。反映了圖像的灰度散布范圍等特征，在很多場合下是重要特征。六個像素定義5.3.1灰度直方圖定義5.3.2灰度直方圖3）邊界閾值的選擇1）2)整幅圖像的直方圖是內部區(qū)域的直方圖之和。T雙峰直方圖用途5.3.2直方圖均衡化動態(tài)范圍寬了，對比度增強了定義把原始圖進行某種灰度變換，為均勻分布的形式，增加像素灰度值的動態(tài)范圍，提高圖像對比度一幅灰度圖像的直方圖分布說法正確的是：（）直方圖的峰值集中在低端，則圖像較暗；反之，圖像較亮。直方圖的峰值集中在某個區(qū)域，不影響圖像清晰度。物體和背景差別很大的圖像，其直方圖具有雙峰特性。直方圖分布越均勻，圖像對比度越好。ABCD提交多選題1分5.3.2直方圖均衡化定義r:原圖像歸一化后的灰度級，則0≤r≤1，r=0為黑（最暗），r=1為白（最亮）；設變換后的圖像灰度級為s，則任意一個r值對應一個s值。設s=T(r)，T(r)為變換函數(shù)。應滿足如下條件，可將r的分布轉換為均勻分布。(a)對0≤r≤1，s=T[r]是單調增函數(shù)。（保證由黑到白）(b)對0≤r≤1，0≤s=T[r]≤1。（取值范圍一致）5.3.2直方圖均衡化求解變換函數(shù)圖像變換前后的直方圖分別記為P(r)和P(s)

5.3.2直方圖均衡化求解變換函數(shù)的實例8個灰級，尺寸64*64大小=4096點僅存5個灰級，宏觀拉平，微觀不可能平層次減少，對比度提高。5.3.2直方圖均衡化求解變換函數(shù)的實例分析：（1）均衡化后的直方圖比原來均勻很多，但并非完全均勻（2）直方圖均衡化提高了圖像的對比度，但可能會減少圖像的灰度級。（3）原直方圖上像素較少的灰度級被歸并到新的灰度級上，與像素較多的灰度級的間隔被拉大了。（4）均衡化后有些信息會損失，可能導致不良結果?？梢圆捎镁植恐狈綀D均衡化方法。5.3.2直方圖均衡化求解變換函數(shù)的實例Python實現(xiàn)：#獲得直方圖hist=cv.calcHist([gray],[0],None,[256],[0,255])#應用直方圖均衡化dst=cv.equalizeHist(gray)思考分析：直方圖均衡化方法是線性變化嗎？是否AB提交單選題1分23思考分析：關于直方圖均衡化方法的說法正確的是（）增加像素灰度值的動態(tài)范圍，但是效果不易控制圖像增強效果一定符合人的視覺特性和具體應用的要求提高圖像對比度為保證效果，可以有選擇地增強某個灰度范圍內的對比度ABCD提交多選題1分點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數(shù)圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.4.1鄰域平均值法采用3x3均值濾波濾波核為：5.4鄰域增強法鄰域平均值法，中值濾波法定義

1111/9111

11100000000000000000000000008

00000000000000000000000000000000000000000099999999000000009999999900000000999999990000000099999999000000009999199900000000999999990000000099999999000000009999999900000000000000000000000000000000000000800000000000000000000000000000你發(fā)現(xiàn)了什么？原始圖像均值濾波后、（1）變“平坦”，景物邊緣變得模糊。（2）減少、抑制或者消除噪聲。、、平滑5.4.1鄰域平均值法圖像平滑目的：減少噪聲1）加性噪聲2）乘性噪聲3）量化噪聲4）椒鹽噪聲5）信噪比（SignalNoiseRate）：衡量圖像噪聲，信號與噪聲的功率譜之比，近似估計圖象信噪比：信號與噪聲的方差之比

（在均值為零的情況下，功率就是方差）

1/251/251/251/251/25

111111/251/251/251/251/25111111/251/251/251/251/25或1/25111111/251/251/251/251/25111111/251/251/251/251/25

11111模板尺寸越大，模糊作用越強5.4.1鄰域平均值法5x5均值濾波5.4.1鄰域平均值法鄰域均值濾波加入椒鹽噪聲、高斯噪聲、Speckle噪聲和Poisson噪聲后的圖像鄰域平均值法處理的結果#均值濾波result=cv2.blur(Image,(7,7))5.4.2中值濾波法中值濾波輸出像素是鄰域內像素的中間值而不是平均值步驟:

1）模板游走2）將mask下對應的灰度值（奇數(shù)）排序3）用中間值代替f(x,y),消除孤立的噪聲點5.4.2中值濾波法中值濾波示意圖0000000000000000000000000800000000000000000000000000000000000000000099999999000000009999999900000000999999990000000099999999000000009999199900000000999999990000000099999999000000009999999900000000000000000000000000000000000000800000000000000000000000000000?????????????????00000000000000??00000000000000??00000000000000??00009999990000??00099999999000??00099999999000??00099999999000??00099999999000??00099999999000??00099999999000??00009999990000??00000000000000??00000000000000??00000000000000????????????????

?可以消除雜散噪聲點而不會或較小程度地造成邊緣模糊。你發(fā)現(xiàn)了什么？5.4.2中值濾波法中值濾波實例類似中值濾波：最大值濾波法和最小值濾波法#中值濾波img_median=cv.medianBlur(src,5)

點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數(shù)圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.4.3微分運算法梯度運算法梯度運算和拉普拉斯運算對于圖像f(x,y)，在(x,y)處的梯度定義為：G[f(x,y)]是一個矢量，常用幅值表示梯度為：Roberts、Prewitt和Sobel算子(i,j)(i+1,j)(i,j+1)(i,j)(i+1,j)(i,j+1)(i+1,j+1)5.4.3微分運算法梯度運算法實例#Sobel算子x=cv2.Sobel(grayImage,cv2.CV_16S,1,0)#對x一階求導y=cv2.Sobel(grayImage,cv2.CV_16S,0,1)#對y一階求導absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Sobel=cv2.addWeighted(absX,0.5,absY,0.5,0)銳化5.4.3微分運算法圖像銳化邊緣銳化的原理邊緣或紋理是灰度值發(fā)生突變的地方，采用差分或梯度計算來檢測邊緣。若在原圖上（或一定的灰度值上）疊加該檢測結果有勾邊效果。5.4.3微分運算法圖像銳化注意噪聲亦屬高頻分量，往往會隨高頻增強而突出。因此往往需要去噪后再銳化邊緣銳化的缺點：

邊緣突出的同時圖像中噪聲也會被突出。關于圖像銳化和圖像平滑的說法，正確的是（）圖像銳化和平滑都不屬于圖像增強的方式圖像銳化用于增強邊緣，導致高頻分量增強，會使圖像清晰圖像平滑可用于消除圖像噪聲圖像平滑可造成圖像模糊ABCD提交多選題1分點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素

（5.5）對圖像變換后的系數(shù)圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.5頻域增強法在頻率域空間對圖像進行濾波，以傅里葉變換為例低通濾波高通濾波帶通與帶阻濾波、同態(tài)濾波5.5.1低通濾波法圖像的頻域平滑：消除圖像中的隨機噪聲、削弱邊緣效應，平滑圖像計算機中可模擬實現(xiàn)，實際無法實現(xiàn)從1到0陡變截斷頻率過渡比較平坦和光滑，振鈴效應不明顯。它尾部保留有較多高頻。具有更快的衰減特性，處理的圖像稍模糊。圖像清晰度較理想低通濾波器有所改善，振鈴效應有所減弱。通過調整D1值，平滑圖像又能保持較好的清晰度。5.5.2高通濾波法5.5.2高通濾波法（1）理想高通濾波器：突變，存在較強的振鈴現(xiàn)象。（2）巴特沃斯高通濾波器（Butterworth）：變化較平滑，在階數(shù)較低時所得的高頻圖像只產生輕微振鈴現(xiàn)象，且圖像較為清晰。（3）指數(shù)型高通濾波器：比Butterworth高通濾波器更為平滑，高頻圖像無振鈴現(xiàn)象。（4）梯形高通濾波器：性能介于理想高通濾波器和具有平滑過渡的濾波器之間，得到的高頻圖像既有一定的模糊，也存在一定的振鈴現(xiàn)象。5.5.3帶通和帶阻濾波法5.5.4同態(tài)濾波法消除圖像上照明不均的問題，增加暗區(qū)的圖像細節(jié)，同時又不損失亮區(qū)的圖像細節(jié)，它在頻域中同時將圖像亮度范圍進行壓縮和將圖像對比度進行增強。

a)同態(tài)濾波處理前b)同態(tài)濾波處理后（壓縮圖像的動態(tài)范圍，增加了圖像各部分之間的對比度）點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素

（5.5）對圖像變換后的系數(shù)圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象線性非線性直方圖均衡數(shù)字圖像處理課程內容入門認識第7章圖像壓縮第8章圖像分割基本操作應用第9章圖像水印第10章指紋識別第11章深度學習綜合案例第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用研究對象：圖像的形態(tài)特征研究方法：用具有一定形態(tài)的結構元素去量度和提取對應形狀，

實現(xiàn)對圖像的分析和識別。效果評價：特殊的數(shù)字圖像處理方法和理論。

理論雖然較為復雜，但基本思想?yún)s簡單而完美。6.1概述圖像形態(tài)學方法與其他空域或頻域方法相比，具有明顯優(yōu)勢：基于數(shù)學形態(tài)學的邊緣信息提取處理優(yōu)于基于微分運算的邊緣提取算法；它不像微分算法對噪聲那樣敏感，提取的邊緣比較光滑；利用數(shù)學形態(tài)學方法提取的圖像骨架也比較連續(xù)，斷點少等。

6.1.1圖像形態(tài)學基礎1.集合與元素6.1.1圖像形態(tài)學基礎2.擊中與擊不中6.1.1圖像形態(tài)學基礎3.平移和對稱B的對稱集：B中元素(x,y)的對稱點(-x,-y)構成的集合6.1.1圖像形態(tài)學基礎4.結構元素（收集圖像信息的探針）使用說明：cv2.getStructuringElement（結構元素類型，原點坐標）參數(shù)說明：結構元素形狀：方形：MORPH_RECT；十字形：MORPH_CROSS；圓形：MORPH_ELLIPSE第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用基本運算：膨脹、腐蝕、開與閉運算基于基本運算推導和組合成各種圖像形態(tài)學運算方法。6.2

二值圖像中基本形態(tài)學處理Python習慣設定前景（物體）是白色，背景為黑色。意義相同的兩幅圖6.2.1膨脹1.概念

將與前景（物體）邊界接觸的背景像素點合并到物體中，邊界向外擴張。膨脹后，物體目標變大，可以填充圖像中的小孔及在圖像邊緣處的小凹陷部分。膨脹可合并裂縫、填補或縮小內部空洞。6.2.1膨脹2.膨脹過程6.2.1膨脹3.Python實現(xiàn)膨脹使用格式：cv2.dilate（圖像，結構元素類型，迭代次數(shù)）參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()返回圖像數(shù)據(jù)結構元素類型：矩形：MORPH_RECT；十字形：MORPH_CROSS；橢圓形：MORPH_ELLIPSE。膨脹次數(shù)：默認值為1矩形結構元素：使輪廓的水平或垂直拐點處膨脹后依然整齊、垂直；橢圓結構元素：使輪廓的拐點處具有平滑和圓潤的弧線，更好地保持原始輪廓曲線；十字結構元素傾向于使輪廓的拐點處具有十字結構形狀的鋸齒形狀。因此，膨脹之后的圖像拐點處的輪廓形狀與結構元素的形狀有關。6.2.2腐蝕1.概念所有使B平移x后仍在A中的全體x的集合。即，用B來腐蝕A得到的集合是B完全包括在A中時B的原點位置的集合。膨脹運算的對偶。消除邊界點，使邊界向內部收縮的過程。本質上使目標區(qū)域范圍“變小”，目標中的空洞、縫隙將會變大，可能會造成原來連接較窄的部分斷開。

6.2.2腐蝕2.腐蝕過程原點6.2.2腐蝕3.Python實現(xiàn)腐蝕使用格式：cv2.erode(輸入圖像，結構元素類型，迭代次數(shù))參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()函數(shù)返回值結構元素類型：矩形：MORPH_RECT；

十字形：MORPH_CROSS；

橢圓形：MORPH_ELLIPSE。腐蝕次數(shù)：默認為1矩形結構元素，只剩下部分拐點處的散點沒有腐蝕掉十字形和橢圓形結構元素：腐蝕后物體的整個輪廓仍較為清晰，

腐蝕能力較弱。結構元素增大，小于結構元素的物體相繼消失。選擇合適大小和形狀的結構元素，可將其用于濾波。利用腐蝕濾波去除噪聲點同時，圖像中前景物體的形狀會發(fā)生改變。如果只關心物體的位置或個數(shù)，該應用不受影響。/live/cctv13/index.shtml?spm=C28340.P2qo7O8Q1Led.S87602.81&stime=1682139600&etime=1682143200&type=lbacks6.2.3開運算1.概念膨脹：填充圖像中比結構元素小的孔洞以及圖像邊緣處的小凹陷，使圖像擴大；腐蝕：消除圖像邊緣的某些小區(qū)域，并將圖像縮小。膨脹和腐蝕并非互逆運算，可級聯(lián)使用。結構元素B對A的開運算：使用相同的結構元素，對圖像先腐蝕再膨脹，

記作：A?B

6.2.3開運算2.開運算過程開運算：圖像的輪廓變得光滑，斷開狹窄的連接和消除細毛刺。開運算與腐蝕不同：圖像大的輪廓并沒有整體變小，物體位置也沒有發(fā)生任何變化6.2.3開運算3.

Python下實現(xiàn)cv2.MORPH_OPEN，morphologyEx(輸入圖像，開運算，結構元素)，參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()返回函數(shù)值。img為原始待處理二值圖像。開運算：cv2.MORPH_OPEN：開運算(open)，先腐蝕后膨脹的過程。結構元素：十字形、矩形、橢圓形開運算可以用來消除小黑點或比結構元素小的部分，在纖細點處分離物體，平滑較大物體的邊界的同時并不明顯改變其面積。6.2.4閉運算1.概念閉運算是開運算的對偶運算。結構元素B對A的閉運算：使用相同的結構元素，對圖像先膨脹再腐蝕，

記作：A

B。

6.2.4閉運算2.閉運算過程使輪廓變得光滑，但與開運算相反，它通常能夠彌合狹窄的間斷，填充小的孔洞6.2.4閉運算3.

Python下實現(xiàn)cv.MORPH_CLOSE，morphologyEx(輸入圖像，閉運算，結構元素)參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()返回函數(shù)值。img為原始待處理二值圖像。閉運算：cv2.MORPH_CLOSE，先膨脹后腐蝕的過程。結構元素：十字形、矩形、橢圓形能夠填充圖像中的小區(qū)域、黑洞或者窄縫，總的位置和形狀不變第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用F(x,y)代表輸入圖像，S(x,y)代表結構元素。F(x,y)和S(x,y)不再只代表形狀的集合，是二維函數(shù)。(x,y)表示圖像中像素點的坐標。二值圖像形態(tài)學中基本的交運算、并運算：在灰度形態(tài)學中分別用最大極值(maximum)和最小極值(minimum)代替。6.3.1灰度膨脹1.概念求鄰域內最大值作為輸出。用結構元素函數(shù)S(x,y)對輸入圖像F(x,y)進行膨脹運算，表示為(F⊕S)

DF、DS分別為F和S的定義域，

a和b必須在結構元素S的定義域之內，平移參數(shù)x-a和y-b要求在F的定義域之內。灰度膨脹運算后，圖像函數(shù)F(x,y)在其定義域內每一點(x,y)處的取值：

以(x,y)為中心、在結構元素函數(shù)S(x,y)規(guī)定的局部鄰域內元素的最大值。6.3.1灰度膨脹2.實現(xiàn)過程選用二值結構元素，點(x,y)處的灰度膨脹運算簡化為：以(x,y)為中心、在結構元素函數(shù)S(x,y)規(guī)定的鄰域內的像素最大值。灰度圖像的膨脹運算使一個孤立的高亮噪音擴大化。6.3.1灰度膨脹3.

Python實現(xiàn)使用格式：cv2.dilate（輸入圖像，結構元素類型，迭代次數(shù)）參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()返回圖像數(shù)據(jù)；結構元素類型：矩形結構元素；膨脹迭代次數(shù)：默認值為1。灰度圖像膨脹操作使得：灰度圖像被暗區(qū)包圍的亮區(qū)面積變大，較小的暗色區(qū)域面積變小?；叶扰蛎泴叶茸兓^大的區(qū)域，更明顯。6.3.2灰度腐蝕1.概念灰度圖像腐蝕是灰度圖像膨脹的對偶操作，求出鄰域內的最小值作為輸出，鄰域仍由各種算子模板來定義。DF、DS分別為F和S的定義域，

a和b必須在結構元素S的定義域之內，平移參數(shù)a+x和b+y要求在F的定義域之內?；叶扰蛎涍\算后，圖像函數(shù)F(x,y)在其定義域內每一點(x,y)處的取值為：以(x,y)為中心、在結構元素函數(shù)S(x,y)規(guī)定的局部鄰域內對應像素的最小值。

6.3.2灰度腐蝕2.實現(xiàn)過程6.3.2灰度腐蝕3.Python實現(xiàn)使用格式：cv2.erode(圖像，結構類型，迭代次數(shù))參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()函數(shù)返回值結構類型：方形、圓形、十字形腐蝕次數(shù)：默認值為1。腐蝕操作使：原始圖灰度像的較小的亮色區(qū)域面積會縮小，暗