噪声消除法
对于二值图像上的噪声消除
- 二值图像黑白点噪声滤波
- 消除孤立黑像素点
邻域平均法
如果各点噪声是独立等分布的，经过这种方法平滑后，信噪比提高，但是图像的边缘细节会变得很模糊
- 3*3均值滤波
- 超限邻域平均法
- N*N均值滤波器
- 选择式掩模平滑-选择式掩模平滑制作9种窗口，取5*5窗口，计算卷积，得出9类窗口的平均值和方差，采用方差最小的屏蔽窗口进行平均化，这种方法可以区分内容和边界，避免边界模糊化
中值滤波
邻域平均法属于低通滤波的处理方法，在抑制噪声的同时把图像变得模糊，图像的细节被削弱
中值滤波抑制噪声又要保持细节，将窗口中奇数个数按大小顺序排列，处于中心位置的那个数作为处理结果
中值滤波的取值，去一个m长度的移动窗口，然后排序，取这m个数的中值，然后把窗口起始用中值替代
图像上就是对应窗口的灰度值排序取中间值，然后用中间值替代像素点
中值滤波选择窗口
- 方形或圆形窗口：缓变的较长轮廓线物体
- 十字型窗口：含有尖顶物体适用，窗口大小以不超过最小有效物体的尺寸为宜
- 图像中，点，线，尖角细节较多不适合中值滤波
噪声
随机噪声
椒盐噪声
图像锐化处理及边缘检测
锐化处理主要方法：微分运算和梯度锐化以及边缘检测
锐化增强边界提取边界信息
边缘上的变化比较平缓，但是边缘两侧的变化比较快，主要是灰度值，颜色分量和纹理结构的变化
单向微分，两个方向，水平方向和垂直方向
二阶微分，拉普拉斯算子
高斯-拉普拉斯算子是效果更好的边缘检测器，把高斯平滑器和拉普拉斯锐化结合起来，先平滑掉噪声，在进行边缘检测，
图像经过微分运算锐化后，图像非常暗，不适用，既需要图像轮廓清晰，又要求保持目标物体的内部灰度不变，需要用到高频提升滤波器
自适应检测采用多个边缘检测算子，不同检测算子模版采用不同的方向
微分就是做差，得出灰度值变化比较大的区域
梯度锐化
梯度锐化常用的方法：
直接以梯度值代替，辅以门限判断，给边缘规定一个特定的灰度级，给背景规定灰度级，根据梯度二值化图像
常用边缘检测算子
Roberts边缘检测算子
Sobel边缘检测算子
Prewitt边缘检测算子
Krisch比昂预案检测算子
LoG_Laplacian边缘检测算子
图像分割
图像分割的基本策略，基于灰度值两个基本特性 区域之间不连续性和区域内部相似性
相似性：阈值分割法，面向区域分割，数学形态学图像处理
不连续性：边界分割，边缘连接分割
图像分割与测量是图像识别的基础
图像分割共四种方法：
- 边缘检测，检测出边缘，再将边缘像素连接，构成边界形成分割，找出目标物体的轮廓，进行目标的分析，识别，测量
- 阈值分割，最常用方法，有直方图门限选择，半阈值选择图像分割，迭代阈值
- 边界方法：直接确定区域边界，实现分割，有边界追踪法，轮廓提取法
- 区域法：将各像素划归到相应物体或区域的像素聚类方法：区域增长法等
轮廓提取
轮廓提取法--中心像素和边缘像素相同，采取挖空置白的方法
边界跟踪法---确定边界的起始搜索点，起始点的选择很关键，确定合适边界的判别准则和搜索准则，搜索准则搜索下一个边界点，判别准则判断一个点是否是边界点，确定搜索的终止条件
区域增长法
区域分裂合并法
图像测量
纹理特征反映了物体本身的属性，有助于将两种不同的物体区别
形态处理
腐蚀：消除物体边界点
膨胀：对二值化物体边界点扩充
图形细化
变换
一维傅里叶变换
二维傅里叶变换
离散傅里叶变换
离散余弦变换
在频域中，任意波形都可以分解为正弦波的加权和，任意复杂函数都可以用简单的正弦和余弦函数表示
标签：锐化,检测,数字图像处理,杨淑,边缘,图像,算子,窗口 From： https://www.cnblogs.com/tgfoven/p/17742203.html