一、图像的预处理技术
图像处理按输入结果可以分为两类，即输入输出都是一副图像和输入一张图像输出不再是图像的数据。图像处理是个很广泛的概念，有时候我们仅仅需要对一幅图像做一些简单的处理，即按照我们的需求将它加工称我们想要得效果的图像，比如图像的降噪和增强、灰度变换等等。更多时候我们想要从一幅图像中获取更高级的结果，比如图像中的目标检测与识别。如果我们将输出图像中更高级的结果视为目的的话，那么我们可以把输入输出都是一幅图像看作是整个处理流程中的预处理。下面我们将谈到一些重要的预处理技术。 （一）图像增强与去噪
图像的增强是一个主观的结果，原来的图像按照我们的需求被处理成我们想要的效果，比如说模糊、锐化、灰度变换等等。图像的去噪则是尽可能让图像恢复到被噪声污染前的样子。衡量标准是可以度量的。不管是图像的增强与去噪，都是基于滤波操作的。
1．滤波器的设计方法
滤波操作是图像处理的一个基本操作，滤波又可分为空间滤波和频域滤波。空间滤波是用一个空间模板在图像每个像素点处进行卷积，卷积的结果就是滤波后的图像。频域滤波则是在频率域看待一幅图像，使用快速傅里叶变换将图像变换到频域，得到图像的频谱。我们可以在频域用函数来保留或减弱/去除相应频率分量，再变换回空间域，得到频域滤波的结果。而空间滤波和频域滤波有着一定的联系。频域滤波也可以指导空间模板的设计，卷积定理是二者连接的桥梁。
（1）频域滤波
使用二维离散傅里叶变换（DFT ）变换到频域：
∑∑-=+--==10)//(210),(),(N y N vy M ux i M x e y x f v u F π
使用二维离散傅里叶反变换（IDFT ）变换到空间域：
∑∑-=-=+=1010)//(2),(1),(M u N v N vy M ux i e v u F MN y x f π
在实际应用中，由于该过程时间复杂度过高，会使用快速傅里叶变换（FFT ）来加速这个过程。现在我们可以在频域的角度看待这些图像了。必须了解的是，图像中的细节即灰度变化剧烈的地方对应着高频分量，图像中平坦变化较少的地方对应着低频分量。图像中的周期性图案/噪声对应着某一个频率区域，那么在频域使用合适的滤波器就能去除相应的频率分量，再使用傅里叶反变换就能看到实际想要的结果。
不同的是，在频域的滤波器不再是做卷积，而是做乘积，因为做乘法的目的在于控制频率分量。比较有代表性的有如下几个滤波器：
高斯低通滤波器
222/),(),(σv u D e v u H -=
D 是距离频率矩形中心的距离。该滤波器能保留低频分量，逐渐减小高频分量，对原图像具有模糊作用。
高斯高通滤波器
2022/),(1),(D v u D e v u H --=
可以看出高斯高通滤波器就是高斯低通滤波器的一个上下对称的函数，同理，该滤波器可以保留高频分量，减小低频分量，对图像有锐化的效果。
陷波滤波器
),(),(),(1v u H v u H v u H k Q
k k -=∏=
陷波滤波器就是这样的一些高通滤波器的乘积。每个高通滤波器的中心都被移至希望抑制的频率处，达到选择性滤波的目的。这只是几种典型的滤波器，为了实际需求还有很多不同效果的，不管哪种滤波器，都是为了滤除我们不希望存在的频率分量。
（2）空间滤波
空间滤波的基础是卷积，用一个滤波的模板对图像做卷积。卷积的离散定义如下：
∑∑-=-=--=
?a a s b
b t t y s x f t s w y x f y x w ),(),(),(),( 所以，空间滤波就是使用设计好的模板滑过图像，对每一处都进行卷积操作，计算结果就是滤波后的图像。一些简单的空间滤波器，比如均值滤波器、统计排序滤波器、锐化滤波器等等。
关于空间滤波器的设计，我们须知道，有些滤波器的设计有着很明显的意义。有些则没有那么不容易理解。有直接意义的比如均值滤波器、统计排序滤波器，这类的都很好理解，均值滤波器就是对某个像素的邻域内像素取均值，很容易知道取完均值就能将该像素与邻域像素处灰度接近，也就达到了平滑图像的目的。统计排序滤波器的作用是将一个邻域内的灰度排序后的中值替代中心像素值。可以想象，脉冲噪声可以被轻易的去除。那么在空间滤波器没那么容易直接设计的时候，其实它的设计是和频域滤波密切相关的。下面我们介绍其原理。首先我们介绍一下卷积定理：
),(),(),(),(v u H v u F y x h y x f ??
双箭头代表傅里叶变换对，即两个函数在空间里的卷积的傅里叶变换等价于它们各自傅里叶变换的乘积。
由卷积定理可以知道，在频域进行滤波的时候，滤波的结果等于频域滤波器的傅里叶反变换在空间域对图像进行卷积。也就是说我们可以通过频域的滤波器得到相应的空间滤波器。在这个对应的过程中，需要对相应的空间函数进行取样，并保证模板中的系数之和为零。一旦找到了适用于某个应用的滤波器，可以使用硬件设备直接在空间域实现该滤波器。
2．图像去噪
（1）均值滤波
均值滤波即求某个像素点邻域内像素值的均值，然后赋给该中心点像素。求均值的时候，并不是一定要严格的算术平均值，邻域内像素点可以有不同的权值，但要系数之和为1。均值滤波可以去除由扫描得到的颗粒噪声。但是缺点是会模糊图像。
（2）中值滤波
算法的原理是将某个像素邻域内的像素值排序，取中值替代中心像素值。是一种非线性平滑滤波器，能将与周围差别过大的像素值替代成为与周围像素值相似的值，可以有效去除椒盐噪声。
（3）维纳滤波
计算局部方差，局部方差越强，平滑作用越强，可以使得恢复的图像与原始图像的均方误差最小。相对于均值滤波来说，这种方法对保留图像细节即高频分量有不错的效果，不过计算量大，对于白噪声有不错的抑制效果[1]。
（4）小波阈值去噪法
这种方法的原理如下，将带噪图像进行小波分解将图像信号分解到各个尺度中，然后把每一尺度中属于噪声的小波系数去掉，保留并增强属于图像信号的系数。最后使用小波逆变换重构出图像。在去掉属于噪声的系数的时候，要预先设定一个阈值，若小波系数小于阈值，则认为该系数主要由噪声引起，则去除这部分系数。反之若大于阈值，则保留。阈值的选取方法如下。
全局阈值：
N ln 2αλ=
α为噪声标准方差，N 为信号长度。除了全局阈值还有局部适应阈值，阈值的选取直接影响到去噪的效果[2]。
（5）双边滤波
双边滤波器和经典的高斯滤波器一样运用了局部加权平均，不同之处在于双边滤波器的权值由两部分因子的乘积组成，一部分由像素间的空间距离决定，称之为空间临近度因子；另一部分由像素间的亮度差决定，成为亮度像似度因子。双边滤波器比较于经典的低通滤波器来说，具有保持边缘细节的最大优点，同时有不错的去噪能力。
二、目标识别
（一）传统方法
1．图像特征提取的方法
在数字图像处理中，要想对一幅图像做更高级的处理，即不再是输入输出都是图像的话，就需要对图像转换成利于计算机处理的形式。最基本的思想是将图像的特征提取出来，这一个个特征值组合成一个特征向量，用以标识一幅图像，这样就把图像的分类问题转化成了向量的分类问题。
值得注意的是，传统方法中的特征提取方法很大程度上是基于问题的。比如汽车车型的识别可以通过识别长宽比与顶棚与车长的比；指纹识别中，脊线上的分叉点和端点又成了我们所关注的特征点；人脸识别中，一种简单的办法是选取鼻尖，嘴角，眼珠这些特征点；识别一个物体是不是苹果，那么可以选取圆度率，形状数，纹理的一致性和平均熵度，颜色等等特征。总的来说，传统方法在解决一系列图像识别问题的时候，要具体问题具体分析。
（1）图像分割
所谓图像分割是根据灰度、色彩、纹理和几何形状等特征把图像划分成若干个互不相交的区域，使得在同一区域内的特征具有相似性，而在不同区域间表现得不同[3]。灰度图像有两个基本性质：不连续性和相似性。关注图像的不连续性的话，则以灰度突变为基础来分割一幅图像；如果关注相似性的话，则根据预定义的准则将图像分割为相似的区域，这类方法有阈值处理，区域生长，区域分类和聚合等，最实用的是阈值处理技术。
①基于灰度突变的边缘检测
图像的大部分信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，即图像中会的变化较为剧烈的地方。因此我们把边缘定义为图像中灰度发生急剧变化的区域边界[4]。目前几种常用的边缘检测算法有基于梯度的边缘检测、高斯拉普拉斯（LoG ）算子、坎尼边缘检测算法。
1）基于梯度的边缘检测
Sobel 算子是一种一阶微分算子，通过计算临近像素与中心像素的插值来近似该点的一阶导数。这个过程可以通过一个Sobel 卷积模板来实现。该模板形式如下。
算法过程为：对图像进行预处理即平滑操作，通过Sobel 模板来计算出每个像素点的梯度，再根据预设的阈值来对梯度值进行取舍。
2）高斯拉普拉斯（LoG ）算子
由于噪声点对边缘检测影响较大，所以由高斯滤波和拉普拉斯算子结合，形成高斯拉普拉斯算子。 由高斯函数根据拉普拉斯算子的公式求导可得。
22222224211),(σσπσy x e y x y x LoG +-??????+--=
用LoG 滤波器对图像进行滤波这个过程实际上是该滤波函数与图像进行卷积。由于高斯拉普拉斯两个操作是线性的，所以这个过程可以变换为先对图像进行高斯低通滤波，再计算其拉普拉斯。
σ是二维高斯函数的标准差，也称空间常数。在实际应用中，通常用一个二维空间模板来近似LoG ，对该函数的值进行取样，并保证模板中各个系数之和为零。下图为一个5?5模板。
这个模板可以是n ?n 的，在做完这一步后，需要寻找零交叉，方法是在每个像素点的3?3
领域内，测试左右、上下、两个对角这四对像素值，要求至少有两对满足以
∑==k i i
p k P 01)(下要求：两值符号不同，且两者差的绝对值要大于某个预设的阈值。这时就找到了一个零交叉像素。使用零交叉可以检测出大部分主要的边缘，而滤掉了一些弱的边缘信息。比如粗糙的纹理也会产生的一些“无关”的边缘。
3）坎尼边缘检测算法 这个算法的主要步骤为：用高斯滤波器平滑输入图像；计算梯度幅度和方向；对梯
度幅值图像采用非最大抑制，此举是为了细化边缘；最后使用双阈值处理和连接分析来检测并连接边缘。这个算法的有点事输出的边缘质量很高，保留了主要的边缘，消除了非主要的“伪边缘”，但是算法实现起来更为复杂，运行速度偏慢，可能会满足不了一些应用中的实时性要求。
②阈值处理
基于阈值法的分割图像是一种十分简单却又有效的分割算法。这种算法根据图像中不同区域具有不同的灰度级这一特性，按照灰度级来对图像进行划分，灰度级相近的被视为同一个区域。在一些注重效率的场合，这种方法得到了广泛的应用[5]。这里介绍一种最经典的方法，即otsu 法，现今的很多新的方法都是在此基础上进行了改进。
Otsu 法的算法流程如下：
1.计算图像的直方图，并标记各个分量。
2.对各个分量计算分到类别1中的概率，这个类别1和类别2是被一个阈值k 划分开的，计算方法为
3.计算全局灰度均值，i 为灰度级。
∑-==1
0L i i G ip m
4.计算类间方差，m(k)和mG 的计算方法相同。
)]
(1)[()]()([1112k p k p k m k p m G B --=σ 5.选取使得类间方差最大的k 值，即为Otsu 阈值。 一旦阈值选取，则按阈值对图像进行划分。对Otsu 法的改进有二维Otsu 算法，这
是基于二维灰度直方图来寻找最佳阈值。 总的来说，无论用那种阈值方法，我们总期望于找到一个最佳的阈值，即能使得各
个灰度级聚合的区域尽可能的分开。但阈值法也有个问题在于，如果目标物体和背景的
灰度级差别很小时，或者目标区域和背景的灰度级存在着交叉的时都会导致阈值法的效 果变得很差。
（2）目标特征的表示和描述方法
对于我们感兴趣额目标区域，我们必须使用某些方法来将里面的特征进行表示和描述，这可以被视为特征提取的关键步骤，对于特征，我们之前也已经谈过了，特征是基于问题的，不同的具体问题，我们需要的特征信息也不尽相同。但我们需要的特征信息大致可以分为：点和线的几何形状特征（这个几何特征既包括空间位置关系也包括几何形状特征），区域特征（比如目标区域的纹理信息，某些情况下即使几何信息一致，纹理信息不一致我们也不会将其识别为同一个物体），PCA 分析，结构方法等。
①边界的表示方法
在对边界信息进行表示描述之前，我们必须得进行一些准备工作，因为边界本质上是由边界像素的集合构成的，所以，我们需要首先找到这样一个边界像素的序列，方法是用边界追踪算法，在每个像素点处寻找八领域内的下一个边界点，不停的迭代，直到回到起始点。这些边界点，我们可以使用链码来表述。
对于一个形状很复杂的边界来说，将每个细节都纳入我们要表示的范围是一件很不明智的事情，这个时候就需要对这个复杂的形状进行简化，一种经典的算法是MMP 算法，使用最小周长多边形来表示边界。这种方法的直观效果是将这个近似边界想象成一个可以收缩的橡皮筋，当出于边界内的橡皮筋收缩的时候，橡皮筋便会紧贴猪边缘的“外墙”和“内墙”，由于有些原始边界总体方向没变，但在局部反复变化，这种方法就能用一条线来替代原始的复杂边，达到简化边界的目的。
还有一些方法比如使用类似于极坐标系的标记图来将二维的像素点转化为一维的函数，方便使用。对于一些简单的区域，可以使用形态学的细化方法来将该区域转化成为一个“骨架”，这样就用这个简单的骨架线段来表示出了该区域的形状特征。用少量的线段表示出了一个区域的形状特征，虽然当表示出后处理起来会比较快，但是这个细化出“骨架”的过程并不是那么有效率的。
②区域的表示方法
一些简单的描述比如边界的周长、面积。表示区域致密性的圆度率，即面积和周长平方之比。还有一些比如灰度的均值、中值、最大最小值等等。关于区域，我们有时候还会关心这些区域里面拓扑性质。比如图像中联通分量的数目。
关于一个区域，一个很重要的描述特征是该区域的纹理特征。关于纹理，我们常用以下几个度量：
平均灰度：∑-==1
0)(L i i ip m i 代表灰度级。
关于均值的i 的n 阶矩：)()
()(10i p m i z L i n n ∑-=-=μ，其中，二阶矩是对比度的度量。
三阶矩是直方图偏斜度的度量，四阶矩则是直方图相对平坦度的度量。
一致性度量：∑-==102)()(L i i p
z U ，值越大代表一致性越高，也就是纹理越平滑。
平均熵度：∑-=-=102)(log
)()(L i i p i p z e ，熵度和一致性相反，代表纹理特征的混乱
程度，熵度越高代表纹理越粗糙。
此外，除了这几个度量以外，我们还希望能够度量纹理的“形状”，因为基于统计的以上几个度量只能分析出区域纹理的总体灰度分布情况，得不到像素彼此之间的相对位置的特征。如果想衡量这个特征，可以用共生矩阵来度量。
2．模式分类器
模式就是描绘子的组合，即特征的组合。我们的识别问题在这样的特征描述机制下
就转变成为了模式的分类问题。目标图像和模板图像如果“匹配”，那么我们说识别到了目标图像，在模式的角度来看，则是，这两个模式向量很接近，我们可以把它划分到一类模式中，那么这个模式向量就被识别了。
（1）基于线性可分问题的分类器
决策面是指将各个模式向量分开的那个面或者超平面。一些简单的分类器用单个的决策面来划分模式向量，常用的有最小距离分类器、贝叶斯分类器、单层感知机等。
最小距离分类器简单的说，就是比较目标向量与两个平均向量之间的距离，两个平均向量来自两组样本的平均。只有当两组样本类相关性很小，且每个类呈“球状”比较均匀地分布在均值附近时分类效果会很好。
贝叶斯分类器是基于统计方法的分类器，是根据变量与变量间的因果关系进行建模[6]，这种分类器的思想是为目标模式向量计算平均损失，将该向量以最低损失赋给相应
的类，那么总体平均损失会是最低的。这种方法由于将平均损失降到最低，故具有最小的错误率，但这是建立在假设向量分布为高斯的基础上，在某些问题上效果不好。
（2）一些分类能力更强的分类器
但不是每个问题都是线性可分的，在这种情况之下，简单的解决线性可分问题的分类器是没办法胜任的。我们需要分类器必须具有将这些相关性很强的模式向量分开的能力。目前来说，比较常用的有SVM支持向量机、多层神经网络等技术。
①SVM支持向量机
SVM的最大亮点在于引进了核函数和结构风险函数。核函数的作用是向量映射到另一个向量空间，并且保证这种映射可以将之前的线性不可分在另一个向量空间变得线性可分，是线性到非线性的桥梁。结构风险函数的引入不但使得分类误差最小，还要是所有决策面中最优的，这个最优体现在对样本点的分布结构进行趋近。这也提高了机器学习的泛化能力[7]。
②级联分类器
级联分类器的思想就是将多个强弱分类器进行串联组合，最终通过所有分类器的话则被视为检测到了目标。一般来说，弱分类器会被置于级联分类器的前级，被任何一个分类器“否决”的特征被视为肯定不是目标的特征。简单地说就是，被任意一个分类器“承认”的特征不一定是目标的特征，但是被否决的一定不是目标的特征，所以前级的弱分类器可以快速地滤除非目标的检测窗口。
在目标检测这类的问题中。最大的问题是该如何确定目标的位置。很容易想到的办法是，用一个能容纳待检测目标的窗口在图像上滑动，使得窗口的中心滑过每个像素点，然后在每一步都检测该窗口内是否含有待检测的目标。但是问题是，一幅图像上的像素点数目十分庞大，如果在每个像素点处都进行目标检测判定，是肯定不能满足实时性需求的。问题在于每次检测都很费时，所以这种级联结构很适合处理目标检测类的问题。它通过简单的前级分类器就将大量的不包含待检测目标的窗口排除，而那些可能包含待检测目标的窗口则被送到后级更复杂的分类器中进行判定[8]。这大大加快了检测速度。这类级联分类器在行人检测和人脸检测等问题中已经有了很成功的应用。
③多层前馈神经网络
人工神经网络的最基本的组成单位是一个神经元。神经元的基本结构由输入连接、加法器、激活函数组成。输入连接是来自输入模式向量或者上一层神经元的输出。将输入信号在加法器中进行加权求和，每根连接上都有特定的权值。激活函数是加法器结果
和该神经元输出的一个映射函数，常见的激活函数有Sigmoid、Tanh、ReLU等。ReLU 由于简单有效获得了广泛的应用。
人工神经网络就是由若干个神经元排列连接构成。每一层的神经元都按照上述方法计算输出值，该输出就作为下一层神经元的输入，按照这样的方法计算，直到神经网络的最后一层，若最后一层的第i个输出为高，而其它输出为低，则网络将模式向量x识别为类w i 。
人工神经网络的学习也称为训练，方法是调整每个连接上的参数。调整的算法为反向传播算法。该算法的主要思想是计算输出层中的期望值和真实值的误差平方，与误差关于权重的偏导数成比例地调整权重，能达到使得误差函数取得最小值的目的。每层都按照这一规则来调整，反向地调整整个网络的连接权值。在系统在使用训练集进行训练后，就可以使用这一网络来对目标的模式向量来进行分类。
我们来分析一下多层神经网络的分类能力，即它的决策机制。我们知道一个单层感知机可以实现用一个超平面来划分模式向量。如果将网络层数增加的话，决策面就会变得相应的复杂，理论上，三层网络可以实现任意复杂的决策面。正是由于这个特性，多层神经网络的分类能力相比于传统分类器来说，计算速度更快、分类能力更强。
（二）深度学习在图像处理中的应用
近些年深度学习在涉及人工智能的各个领域都取得了广泛的应用，在图像处理这个领域，不得不谈的是卷积神经网络。卷积神经网络最大的优点是自带低层特征提取这一能力。可以直接将整个图片输入系统，由系统自己去提取该图片具有的特征并进行识别
[9]。我们在前一节介绍过多层前馈式神经网络的结构和性能，而卷积神经网络和传统的
多层神经网络结构相比，对模式的分类能力没有任何下降，因为卷积神经网络在最后也有全连接层，相当于传统的多层神经网络，而在前级层中，为提取图像特征增加了卷积层和池化层，卷积层是特征提取的关键，卷积在图像处理中有着特殊的作用，卷积和相关操作都有一个重要的能力就是“匹配”，将模板滑过图像进行卷积，卷积的结果值代表了目标区域和模板的“相关性”，值越高则匹配结果越好，池化层则是做到一个将计算结果进行取样的作用，就这样一层卷积层一层池化层不断重复的结构，就能将图像的特征由最初的边缘特征到更高级的特征，层层“理解”图像，最终得到一个最终的特征向量，再在全连接层里对该模式向量进行分类，以达到识别整张图像的目的。接下来我们将对卷积神经网络的技术细节进行简单的表述。
卷积神经网络的结构
卷积神经网络的结构如下图所示，通过这个结构也能看清整个图像的处理流程。首先我们来看卷积层。卷积层是卷积神经网络特征提取的关键所在。我们以第一层卷积层为例，输入一张待处理的图像，然后放入第一层卷积层进行卷积处理。卷积单元的结构类似以一个“手电筒”，一个手电筒里面有若干个卷积模板，每个手电筒只能“看见”
一个固定大小的区域，有这样若干个完全一样的手电筒，一起点亮了整幅图像。若每个手电筒里面有四个模板，则点亮四次后，可以输出四张卷积后的图像，这种被一种模板滤波处理后的图像我们成为特征图。每一幅特征图通过ReLU（修正线性单元）处理之后送入下一层即池化层中进行下采样。池化层将特征图的大小减小。就这样循环往复地
层层处理，最后得到尺寸很小的一串特征图。然后将这一串特征图转换成相应的向量，最后在全连接层中进行向量的分类。
卷积层
卷积层的处理过程如上图所示，这个过程和空间滤波本质上是一样的，空间滤波输出就是我们想要的图像，而这个卷积层是为了提取边缘特征，输出的图像称为特征图。值得注意的是，在卷积之前可以对图像进行0填充，这样的好处是卷积后的图像大小与输入的图像大小保持了一致，就不会在多次卷积时让图像的信息丢失。特征降维的工作就交给池化层来做。
池化层
池化层的作用是减小特征图的大小。这里介绍一种常用的方法。比如MaxPooling，这种方法是将特征图分割成大小一致的小方块，每个块内选取最大的值，将这个值代替整个区域的值，就可以将特征图进行有效的尺寸减小。这一操作原因是可以减少最后的特征向量的维数，还有个重要的原因是提高了网络提取特征的泛化能力，不容易出现过拟合的现象[10]。
和全连接神经网络相比，卷积神经网络的训练要复杂一些。但训练的原理是一样的：利用链式求导计算损失函数对每个权重的偏导数（梯度），然后根据梯度下降公式更新权重。
训练算法依然是反向传播算法。卷积神经网络在进行训练之前，需要使用一些不同的小的随机数对网络中的权值和偏置值进行随机初始化，保证网络不会进入饱和状态导致训练失败。
目前有很多的开源框架可以供研发人员使用，这些框架将神经网络实现的底层代码封装起来，留下一些主要的接口，使用起来比较的方便，大大降低了使用神经网络的门槛。目前比较好的框架有Theano、PyTorch、Tensortflow、Caffe和Keras等等。
参考文献：
[1]方莉,张萍.经典图像去噪算法研究综述[J].工业控制计算机,2010,23(11):73-74.
[2]陈晓曦,王延杰,刘恋.小波阈值去噪法的深入研究[J].激光与红外,2012,42(01):105-110.
[3]图像分割算法研究综述[J].计算机工程与科学,2009,(12):58-61.
DOI:10.3969/j.issn.1007-130X.2009.12.017.
[4]段瑞玲,李庆祥,李玉和.图像边缘检测方法研究综述[J].光学技术,2005,(3):415-419.
DOI:10.3321/j.issn:1002-1582.2005.03.028.
[5]韩思奇,王蕾.图像分割的阈值法综述[J].系统工程与电子技术,2002,(6):91-94,102.
DOI:10.3321/j.issn:1001-506X.2002.06.027.
[6]董立岩,苑森淼,刘光远,贾书洪.基于贝叶斯分类器的图像分类[J].吉林大学学报(理学
版),2007(02):249-253.
[7]孙德山. 支持向量机分类与回归方法研究[D].中南大学,2004.
[8]何磊. 基于级联分类器的目标检测方法研究[D].电子科技大学,2015.
[9]马冬梅.基于深度学习的图像检索研究[D].内蒙古大学,2014.
[10]李飞腾.卷积神经网络及其应用[D].大连理工大学,2014.
数字图像处理 课程编码：3073009223 课程名称：数字图像处理 总学分： 2 总学时：32 (讲课28，实验4) 课程英文名称：Digital Image Processing 先修课程：概率论与数理统计、线性代数、C++程序设计 适用专业：自动化专业等 一、课程性质、地位和任务 数字图像处理课程是自动化专业的专业选修课。本课程着重于培养学生解决智能化检测与控制中应用问题的初步能力，为在计算机视觉、模式识别等领域从事研究与开发打下坚实的理论基础。主要任务是学习数字图像处理的基本概念、基本原理、实现方法和实用技术，并能应用这些基本方法开发数字图像处理系统，为学习图像处理新方法奠定理论基础。 二、教学目标及要求 1．了解图像处理的概念及图像处理系统组成。 2．掌握数字图像处理中的灰度变换和空间滤波的各种方法。 3．了解图像变换，主要是离散和快速傅里叶变换等的原理及性质。 4．理解图像复原与重建技术中空间域和频域滤波的各种方法。 5. 理解解彩色图像的基础概念、模型和处理方法。 6. 了解形态学图像处理技术。 7. 了解图像分割的基本概念和方法。 三、教学内容及安排 第一章：绪论（2学时） 教学目标：了解数字图像处理的基本概念，发展历史，应用领域和研究内容。通过大量的实例讲解数字图像处理的应用领域；了解数字图像处理的基本步骤；了解图像处理系统的组成。 重点难点：数字图像处理基本步骤和图像处理系统的各组成部分构成。 1.1 什么是数字图像处理 1.2 数字图像处理的起源
1.3.1 伽马射线成像 1.3.2 X射线成像 1.3.3 紫外波段成像 1.3.4 可见光及红外波段成像 1.3.5 微波波段成像 1.3.6 无线电波成像 1.3.7 使用其他成像方式的例子 1.4 数字图像处理的基本步骤 1.5 图像处理系统的组成 第二章：数字图像基础（4学时） 教学目标：了解视觉感知要素；了解几种常用的图像获取方法；掌握图像的数字化过程及其图像分辨率之间的关系；掌握像素间的联系的概念；了解数字图像处理中的常用数学工具。 重点难点：要求重点掌握图像数字化过程及图像中像素的联系。 2.1 视觉感知要素（1学时） 2.1.1 人眼的构造 2.1.2 眼镜中图像的形成 2.1.3 亮度适应和辨别 2.2 光和电磁波谱 2.3 图像感知和获取（1学时） 2.3.1 用单个传感器获取图像 2.3.2 用条带传感器获取图像 2.3.3 用传感器阵列获取图像 2.3.4 简单的图像形成模型 2.4 图像取样和量化（1学时） 2.4.1 取样和量化的基本概念 2.4.2 数字图像表示 2.4.3 空间和灰度级分辨率 2.4.4 图像内插 2.5 像素间的一些基本关系（1学时） 2.5.1 相邻像素 2.5.2 临接性、连通性、区域和边界 2.5.3 距离度量 2.6 数字图像处理中所用数学工具的介绍 2.6.1 阵列与矩阵操作
数字图像处理技术试题库 一、单项选择题：(本大题 小题, 2分/每小题,共 分) 1.自然界中的所有颜色都可以由（）组成 A.红蓝绿 B.红黄绿 C.红黄蓝绿 D.红黄蓝紫白 2. 有一个长宽各为200个象素，颜色数为16色的彩色图，每一个象素都用R(红)、G(绿)、B(蓝)三个分量表示，则需要（）字节来表示 A.100 B.200 C.300 D. 400 3.颜色数为16种的彩色图，R(红)、G(绿)、B(蓝)三个分量分别由1个字节表示，则调色板需要（）字节来表示 A.48 B.60 C.30 D. 40 4.下面哪一个不属于bmp 文件的组成部分 A ．位图文件信息头 B. 位图文件头 C.调色板 D. 数据库标示 5.位图中，最小分辨单元是 A.像素 B.图元 C.文件头 D.厘米 6.真彩色的颜色数为 A.888?? B. 161616?? C.128128128?? D.256256256?? 7.如果图像中出现了与相邻像素点值区别很大的一个点，即噪声，则可以通过以下方式去除 A.平滑 B.锐化 C. 坐标旋转 D. 坐标平移 8.下面哪一个选项不属于图像的几何变换() A.平移 B.旋转 C. 镜像 D. 锐化 9.设平移量为x x t t (,)，则平移矩阵为() A .1 0 00 1 0 1x y t t ?????????? B. 1 0 00 -1 0 1x y t t ??-???????? C.1 0 00 1 0 - 1x y t t ????????-?? D.1 0 00 1 0 - -1x y t t ?????????? 10.设旋转角度为a ，则旋转变换矩阵为() A ．cos() sin() 0sin() cos() 00 0 1a a a a -?????????? B ．cos() sin() 0sin() cos() 00 0 1a a a a ?????????? C ．sin() cos() 0 sin() cos() 0 0 0 1a a a a -?????????? D ．cos() sin() 0sin() cos() 00 0 1a a a a -????-?????? 11.下面哪一个选项是锐化模板 A ．-1 -1 -1-1 9 -1-1 -1 -1??????????g B ．-1 -1 -1-1 -9 -1-1 -1 -1??????????g C ．-1 -1 -1-1 8 -1-1 -1 -1??????????g D ．-1 -1 -1-1 6 -1-1 -1 -1?????????? g 12.真彩色所能表示的颜色数目是 A ．128128? B ．256256256 ?? C ．256 D ．6059
（2011 至2012 学年第__1__学期） 课程名称：数字图像处理考试时间： 110 分钟 课程代码：试卷总分： 100 分 考试形式：闭卷学生自带普通计算器: 否 一、选择题（在每个小题四个备选答案中选出一个正确答案）（本大题共10小题，每小题2分，总计20分） 1、下列哪种图像属于数字图像：C A. 电影胶片 B. 普通照片 C. 手机拍照 D. 眼前看到的景物； 2、一幅800×600的24位真彩色图像，其红色分量数据量为 A Byte。 A. 800×600； B. 800×600×3； C. 800×600×8 D. 800×600×3×8 3、下列属于“点运算”的图像处理技术是：B A 图像旋转 B 直方图修改 C 图像平滑 D 左右两像素之间作减法 4、下列那种图像处理技术需要进行“插值”运算：D A. 加运算 B. 直方图均衡 C. 中值滤波 D. 几何变换 5、可完成消除点或细线状噪声的操作是：C A. 多幅图像均值 B. 平滑运算 C. 中值滤波 D. 边缘增强； 6、下列那种操作能抑制噪声但同时使得边缘退化：B A. 图像锐化 B. 图像平滑 C. 中值滤波 D. 点运算 7、下列哪种图像代数运算可以完成“二次暴光”效果：A A. 加运算 B. 减运算 C. 乘运算 D. 除运算 8、下列哪种图像代数运算可以完成“运动检测”：B A. 加运算 B. 减运算 C. 乘运算 D. 除运算 9、下列那种数学形态学操作能在二值图像中检测出某特定形状的对象：D A. 开运算 B. 闭运算 C. 边界提取 D. 击中击不中变换 10、下列那种数学形态学操作能去除二值图像中物体外部的细小突出物：A A. 开运算 B. 闭运算 C. 膨胀运算 D. 腐蚀运算 二、判断题（判断每个小题所给出说法的正确与错误，正确答案正确的划“√”，错误的划“×”）（本大题共10小题，每小题2分，总计20分） 1、数字化过程中采样是指将模拟图像的空间坐标离散化，只采集其中整数坐标值的点。√ 2、灰度图像中，一个像素的存储空间越大，则其能表现的光强层次越丰富。√ 3、一幅数字图像，即可求出其灰度直方图；反之，亦然。× 4、图像中每个像素的位置是整数，其灰度值也必须是整数。× 5、图像的几何变换只需要进行“空间变换”；。× 6、通过图像平滑运算，可以完全消除图像中的噪声。× 7、中值滤波时，如需滤掉水平细线，则需要“十”型窗口。×
数字图像处理技术从基础到实战 本课程包含图像处理的基础知识以及案例应用，通过视频教程+在线交流的形式展现，力求为读者提供最便捷、直接的技术支持，解决学员在图像处理相关研发过程中遇到的最具体、实际的技术难点，争取与广大学员分享研发过程中所涉及的功能模块及某些成熟的系统框架，为读者进行科学实验、项目开发提供一定的技术支持。 课程大纲： 第1课数字图像处理概述 1、数字图像处理发发展史 2、数字图像处理是概述？ 3、数字图像处理工具箱介绍？ 4、数字图像处理常用技能 5、数字图像在计算机中怎么表示？ 6、数字图像常用计算机表示类型 7、数字图像转换技巧 8、数字图像数组处理技巧 9、案例演示：常用图像处理技术GUI编程 第2课图像时域变换 1、时域空间概述 2、常见的灰度变换函数 3、直方图的概念 4、时域空间滤波基础 5、什么是平滑空间滤波器？ 6、什么是锐化空间滤波器？ 7、什么是混合空间增强？ 8、案例演示：图像去雾 第3课图像频域变换 1、什么是频域空间？ 2、常用的基本概念 3、什么是傅里叶变换？ 4、离散傅里叶变换用法 5、多维傅里叶变换用法 6、案例演示：图像频域滤波可视化编程 第4课图像复原和重建技术 1、常见的图像噪声模型 2、空间滤波图像复原 3、频域滤波图像复原 4、逆滤波图像复原 5、维纳滤波图像复原
6、约束的最小二乘滤波图像复原 7、Lucy-Richardson图像复原 8、案例演示：盲卷积图像复原 第5章彩色图像处理 1、彩色图像概述 2、常见的彩色模型 3、伪彩色图像处理 4、全彩色图像处理 5、彩色变换 6、平滑和锐化 7、基于彩色的图像分割 8、彩色图像中的噪声处理 9、彩色图像压缩 10、案例演示：彩色图像处理 第6课小波和多分辨率处理 1、图像中的小波 2、多分辨率处理 3、一维小波变换 4、快速小波变换 5、二维小波变换 6、案例演示：基于小波分解的图像融合案例 第7课图像压缩处理技术 1、压缩处理原理 2、图像压缩处理常用方法 3、案例演示：数字图像水印嵌入及提取案例 第8课形态学图像处理 1、图像形态学概述？ 2、腐蚀和膨胀 3、开操作与闭操作 4、击中或击不中变换 5、常见形态学算法 6、灰度级形态学 7、案例演示：图像形态学去噪 第9课图像分割处理技术 1、图像分割注意事项 2、点、线和边缘检测 3、阈值处理 4、基于区域的分割 5、使用形态学分水岭的分割
数字图像处理技术练习
1． 图像中每个像素点的灰度值如下图所示： 分别求经过邻域平滑模板、邻域高通模板和中值滤波处理后的结果。其中不能 处理的点保持不变如果处理后的值为负数则变为0。邻域平滑模 板01011 14010H ????=??????，邻域高通模板010141010H -????=--????-?? ，中值滤波窗口取3×3矩阵，窗口中心为原点。 2． 图像中每个像素点的灰度值如下图所示： 分别求经过邻域平滑模板、邻域高通模板和中值滤波处理后的结果。其 中不能处理的点保持不变如果处理后的值为负数则变为0。邻域平滑模 板11111018111H ????=??????，邻域高通模板111181111H ---????=--????---?? ，中值滤波窗口取3×3矩阵，窗口中心为原点。 3．设有以下信源符号w1,w2,w3,w4,w5和概率P(w1)=0.3, P(w2)=0.2, P(w3)=0.2, P(w4)=0.2, P(w5)=0.1。请对此信源进行Huffman 编码，并计 算熵，平均码长和编码效率。 (log 20.3= -1.737,log 20.2= -2.322,log 20.1=-3.322) 4．设有以下信源符号w1,w2,w3,w4,w5和概率P(w1)=0.5, P(w2)=0.2, P(w3)=0.1, P(w4)=0.1, P(w5)=0.1, 请对此信源进行Huffman 编码，并计算熵，平均码
幅 4．一个灰度变换形式如下图所示，该灰度变换的作用是（ B ）。 A ．灰度反转 B ．二值化 C ．灰度均衡 D ．对比度增强 5．一个灰度变换形式如下图所示，该灰度变换的作用是（ A ）。 A ．灰度反转 B ．二值化 C ．灰度均衡 D ．对比度增强 6．一个三段线性变换如下图所示,横轴表示原始灰度，纵轴表示变换后灰度。以下关于该变换的说法错误的是（ A ）。 A ．(0,80)区间的灰度对比度增强 B ．（80，130）区间的灰度对比度增强 C ．(130,255)区间的灰度对比度降低 D ．变换后的灰度的区间还是（0，255） 7．将灰度或单一波段的图像变换为彩色图像，从而把人眼不能区分的微小的灰度差别显示为明显的彩色差异。这种处理方法称为（ C ）。 A ．真彩色增强 B ．假彩色增强 C ．伪彩色增强 D ．彩色图像灰度化 8．灰度图像的高帽变换的定义为THT()()f f f g =-，该变换的作用是0 320255
数字图像处理技术现状及发展趋势 摘要现今是计算机技术、网络技术以及多媒体技术高速发展的时代，更多高科技技术正在全面发展，数字图像处理技术作为一种新式技术，如今已经广泛地应用于人们的生产生活中。数字图像处理技术的应用和发展为人们的生活发展带来了很多的便利，在遥感技术、工业检测方面发展迅速，在医学领域，气象通信领域也有很大的成就。由此，本文主要探讨数字图像处理技术的现状及发展趋势。 关键词数字图像处理技术；现状；发展趋势 现今是计算机和网络技术高速发展的时代，计算机的应用给人们的生产生活带来了很大的便利，人们应用计算机处理各种复杂的数据，将传统方式不能处理的问题以全新的技术和方式有效解决[1]。数字图像处理技术是应用较为广泛的一种技术，在具体应用过程中，能够经过增强、复原、分割等过程对数据进行处理，且具有多样性、精度高、处理量大的显著优势，本文对数字图像处理技术的现状及发展趋势进行研究和探讨。 1 数字图像处理技术发展现状 数字图像处理技术是近年来发展较为迅速的一种技术，具体是指应用计算机对图像进行一系列的处理，最终达到人们要求的水平，在具体的处理过程中，以改善图像的视觉效果为核心，最终呈现出人们想要表达的意思。笔者查阅国内外诸多文献库，发现对数字图像处理技术的研究多数集中于图像数字化、图像增强、图像还原、图像分割等领域[2]。最初数字图像处理技术产生于20世纪20年代，当时普遍将其应用于报纸业，发展至20世纪50年代，图像处理技术跟随着计算机的发展而迅速发展，也有更多的人开始关注和应用该技术，当时在各国的太空计划中发挥了巨大作用，尤其是对月球照片的处理，获得了很大的成功。发展到20世纪70年代时，数字图像处理技术的应用已经很普遍了，尤其是在计算机断层扫面（CT）等方面，该技术的应用得到了一致好评，而现今，数字图像处理技术随处可见，已广泛应用在各行各业中。 2 数字图像处理技术的特点 数字图像处理技术有以下几个特点：①图像处理的多样性特点。数字图像处理技术可以编写多样的算法，以不同的程序模式施加于数字图像技术上，根据实际需求对图像进行处理，因此最终获取的图像效果也截然不同。②图像处理精度高。应用数字图像处理技术处理的图像，其精度和再现性都提高了一个层次，尤其是在各种算法和程序的支撑下，进一步确保了计算的精度和正确性。③交叉融合了多门学科和新技术。数字图像处理的应用基础包含了众多学科和技术，其中数学和物理是关键，而通信、计算机、电子等技术则是确保其处理质量的关键技术。④数据处理量大[3]。图像本身就包含了大量的信息，数字图像处理技术可以更好地区分有用信息和冗余信息，从而获取处理的关键性信息。
数字图像处理实验和matlab程序代码 目录 实验一MATLAB数字图像处理初步 (2) 实验二图像的代数运算 (6) 实验三图像增强—灰度变换 (9) 实验四图像增强—直方图变换 (11) 实验五图像增强—空域滤波 (13) 实验六图像的傅立叶变换 (17) 实验七图像增强—频域滤波 (19) 实验八彩色图像处理 (21) 实验九图像分割 (24) 实验十形态学运算 (27)
实验一 MATLAB数字图像处理初步 一、实验目的与要求 1．熟悉及掌握在MATLAB中能够处理哪些格式图像。 2．熟练掌握在MATLAB中如何读取图像。 3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。 4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。 5．图像间如何转化。 二、实验内容及步骤 1．利用imread( )函数读取一幅图像，假设其名为flower.tif，存入一个数组中； 2．利用whos 命令提取该读入图像flower.tif的基本信息； 3．利用imshow()函数来显示这幅图像； 4．利用imfinfo函数来获取图像文件的压缩，颜色等等其他的详细信息； 5．利用imwrite()函数来压缩这幅图象，将其保存为一幅压缩了像素的jpg 文件,设为flower.jpg；语法：imwrite(原图像，新图像，‘quality’,q), q取0-100。 6．同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像，设为flower.bmp。 7．用imread()读入图像：Lenna.jpg 和camema.jpg； 8．用imfinfo()获取图像Lenna.jpg和camema.jpg 的大小； 9．用figure,imshow()分别将Lenna.jpg和camema.jpg显示出来，观察两幅图像的质量。 10．用im2bw将一幅灰度图像转化为二值图像，并且用imshow显示出来观察图像的特征。 11．将每一步的函数执行语句拷贝下来，写入实验报告，并且将得到第3、 9、10步得到的图像效果拷贝下来 三、考核要点 1、熟悉在MATLAB中如何读入图像、如何获取图像文件的相关信息、如何显示图像及保存图像等，熟悉相关的处理函数。 2、明确不同的图像文件格式，由于其具体的图像存储方式不同，所以文件的大小不同，因此当对同一幅图像来说，有相同的文件大小时，质量不同。 五、实验仪器与软件
第一章数字图像处理概论 *图像是对客观存在对象的一种相似性的、生动性的描述或写真。 *模拟图像 空间坐标和明暗程度都是连续变化的、计算机无法直接处理的图像 *数字图像 空间坐标和灰度均不连续的、用离散的数字（一般整数）表示的图像（计算机能处理）。是图像的数字表示，像素是其最小的单位。 *数字图像处理（Digital Image Processing） 利用计算机对数字图像进行（去除噪声、增强、复原、分割、特征提取、识别等）系列操作，从而获得某种预期的结果的技术。（计算机图像处理） *数字图像处理的特点（优势） （1）处理精度高，再现性好。（2）易于控制处理效果。（3）处理的多样性。（4）图像数据量庞大。（5）图像处理技术综合性强。 *数字图像处理的目的 （1）提高图像的视感质量，以达到赏心悦目的目的 a.去除图像中的噪声； b.改变图像的亮度、颜色； c.增强图像中的某些成份、抑制某些成份； d.对图像进行几何变换等，达到艺术效果； （2）提取图像中所包含的某些特征或特殊信息。 a.模式识别、计算机视觉的预处理 （3）对图像数据进行变换、编码和压缩，以便于图像的存储和传输。 **数字图像处理的主要研究内容 （1）图像的数字化 a.如何将一幅光学图像表示成一组数字，既不失真又便于计算机分析处理 b.主要包括的是图像的采样与量化 （2*）图像的增强 a.加强图像的有用信息，消弱干扰和噪声 （3）图像的恢复 a.把退化、模糊了的图像复原。模糊的原因有许多种，最常见的有运动模糊，散焦模糊等（4*）图像的编码 a.简化图像的表示，压缩表示图像的数据，以便于存储和传输。 （5）图像的重建 a.由二维图像重建三维图像（如CT） （6）图像的分析 a.对图像中的不同对象进行分割、分类、识别和描述、解释。 （7）图像分割与特征提取 a.图像分割是指将一幅图像的区域根据分析对象进行分割。 b.图像的特征提取包括了形状特征、纹理特征、颜色特征等。 （8）图像隐藏 a.是指媒体信息的相互隐藏。 b.数字水印。 c.图像的信息伪装。 （9）图像通信
数字图像处理技术的现状及其发展方向 一、数字图像处理历史发展 数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理。 1.起源于20世纪20年代。 2.数字图像处理作为一门学科形成于20世纪60年代初期，美国喷气推进实验室(JPL)推动了数字图像处理这门学科的诞生。 3.1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置即CT(Computer Tomograph)，1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。 4.从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展，人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界，其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论。 二、数字图像处理的主要特点 1．目前数字图像处理的信息大多是二维信息,处理信息量很大,对计算机的计算速度、存储容量等要求较高。 2.数字图像处理占用的频带较宽,在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本也高,这就对频带压缩技术提出了更高的要求。 3.数字图像中各个像素是不独立的,其相关性大。因此,图像处理中信息压缩的潜力很大。 4.由于图像是三维景物的二维投影,一幅图像本身不具备复现三维景物的全部几何信息的能力,要分析和理解三维景物必须作合适的假定或附加新的测量。在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识工程问题。 5．一方面，数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大，作为图像质量的评价还有待进一步深入的研究；另一方面，计算机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究,这些都是心理学和神经心理学正在着力研究的课题。 三、数字图像处理的优点 1.再现性好；图像的存储、传输或复制等一系列变换操作不会导致图像质量的退化。 2.处理精度高；可将一幅模拟图像数字化为任意大小的二维数组,现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高。 3.适用面宽；图像可以来自多种信息源，图像只要被变换为数字编码形式后,均是用二维数组表示的灰度图像组合而成,因而均可用计算机来处理。 4.灵活性高；数字图像处理不仅能完成线性运算,而且能实现非线性处理,即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 四、数字图像处理过程及其主要进展 常见的数字图像处理有:图像的采集、数字化、编码、增强、恢复、变换、
（注：以下两套模拟题仅供题型参考，请重点关注选择填空以及判断题、名词解释，蓝色下划线内容肯定不考） 《数字图像处理》模拟试卷（A 卷） 一、单项选择题（从下列各题四个备选答案中选出一个正确答案，并将其代号填在题前的括号内。答案选错或未作选择者，该题不得分。每小题1分，共10分） ( d )1.一幅灰度级均匀分布的图象，其灰度范围在[0，255]，则该图象的信息量为： a. 0 b.255 c.6 d.8 ( b )2.图象与灰度直方图间的对应关系是： a.一一对应 b.多对一 c.一对多 d.都不对 ( d )3.下列算法中属于局部处理的是： a.灰度线性变换 b.二值化 c.傅立叶变换 d.中值滤波 ( b )4.下列算法中属于点处理的是： a.梯度锐化 b.二值化 c.傅立叶变换 d.中值滤波 ( ) 5.一曲线的方向链码为12345，则曲线的长度为 a.5 b.4 c.5.83 d.6.24 ( c )6. 下列算法中属于图象平滑处理的是： a.梯度锐化 b.直方图均衡 c. 中值滤波 https://www.doczj.com/doc/5f909564.html,placian增强 ( )7.下列图象边缘检测算子中抗噪性能最好的是： a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( c)8.采用模板［-1 1］主要检测____方向的边缘。 a.水平 b.45° c.垂直 d.135° ( d )9.二值图象中分支点的连接数为： a.0 b.1 c.2 d.3 ( a )10.对一幅100′100像元的图象，若每像元用８bit表示其灰度值，经霍夫曼编码后压缩图象的数据量为40000bit，则图象的压缩比为： a.2:1 b.3:1 c.4:1 d.1:2 二、填空题（每空1分，共15分） 1.图像锐化除了在空间域进行外，也可在频率域进行。 2.图像处理中常用的两种邻域是4-邻域和8-邻域。 3.直方图修正法包括直方图均衡和直方图规定化两种方法。 4.常用的灰度差值法有最近邻元法、双线性内插法和三次内插法。 5.多年来建立了许多纹理分析法，这些方法大体可分为和结构分析法两大类。 6.低通滤波法是使高频成分受到抑制而让低频成分顺利通过，从而实现图像平滑。 7.检测边缘的Sobel算子对应的模板形式为和。 8.一般来说，采样间距越大，图象数据量少，质量差；反之亦然。 三、名词解释（每小题3分，共15分） 1.数字图像是将一幅画面在空间上分割成离散的点（或像元），各点（或像元）的灰度值经量化用离散的整数来表示，形成计算机能处理的形式。 2.图像锐化是增强图象的边缘或轮廓。 3.从图象灰度为i的像元出发，沿某一方向θ、距离为d的像元灰度为j同时出现的概率
数字图像处理课程心得 本学期，我有幸学习了数字图像处理这门课程，这也是我大学学习中的最后一门课程，因此这门课有着特殊的意义。人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20%,视觉信息占60%，其它如味觉、触觉、嗅觉信息总的加起来不过占20%。可见图像信息是十分重要的。通过十二周的努力学习，我深刻认识到数字图像处理对于我的专业能力提升有着比较重要的作用，我们可以运用Matlab对图像信息进行加工，从而满足了我们的心理、视觉或者应用的需求，达到所需图像效果。 数字图像处理起源于20世纪20年代，当时通过海底电缆从英国伦敦到美国纽约采用数字压缩技术传输了第一幅数字照片。此后，由于遥感等领域的应用，使得图像处理技术逐步受到关注并得到了相应的发展。第三代计算机问世后，数字图像处理便开始迅速发展并得到普遍应用。由于CT的发明、应用及获得了备受科技界瞩目的诺贝尔奖，使得数字图像处理技术大放异彩。目前数字图像处理科学已成为工程学、计算机科学、信息科学、统计学、物理、化学、生物学、医学甚至社会科学等领域中各学科之间学习和研究的对象。随着信息高速公路、数字地球概念的提出以及Internet的广泛应用，数字图像处理技术的需求与日俱增。其中，图像信息以其信息量大、传输速度快、作用距离远等一系列优点成为人类获取信息的重要来源及利用信息的重要手段，因此图像处理科学与技术逐步向其他学科领域渗透并为其它学科所利用是必然的。 数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。图像处理科学是一门与国计民生紧密相联的应用科学，它给人类带来了巨大的经济和社会效益，不久的将来它不仅在理论上会有更深入的发展，在应用上亦是科学研究、社会生产乃至人类生活中不可缺少的强有力的工具。它的发展及应用与我国的现代化建设联系之密切、影响之深远是不可估量的。在信息社会中，数字图象处理科学无论是在理论上还是在实践中都存在着巨大的潜力。近几十年，数字图像处理技术在数字信号处理技术和计算机技术发展的推动下得到了飞速的发展，正逐渐成为其他科学技术领域中不可缺少的一项重要工具。数字图像处理的应用领域越来越广泛，从空间探索到微观研究，从军事领域到工农业生产，从科学教育到娱乐游戏，越来越多的领域用到了数字图像处理技术。 虽然通过一学期的课程学习我们还没有完全掌握数字图像处理技术，但也收获了不少，对于数字图像处理方面的知识有了比较深入的了解，当然也更加理解了数字图像的本质，即是一些数字矩阵，但灰度图像和彩色图像的矩阵形式是不同的。对于一些耳熟能详的数字图像相关术语有了明确的认识，比如常见的：像素（衡量图像的大小）、分辨率（衡量图像的清晰程度）、位图（放大后会失真）、矢量图（经过放大不会失真）等大家都能叫上口却知识模糊的名词。也了解图像处理技术中一些常用处理技术的实质，比如锐化处理是使模糊的图像变清晰，增
数字图像处理技术的研究现状与发展方向 孔大力崔洋 （山东水利职业学院，山东日照276826） 摘要：随着计算机技术的不断发展，数字图像处理技术的应用领域越来越广泛。本文主要对数字图像处理技术的方法、优点、数字图像处理的传统领域及热门领域及其未来的发展等进行相关的讨论。 关键词：数字图像处理；特征提取；分割；检索 引言 图像是指物体的描述信息，数字图像是一个物体的数字表示，图像处理则是对图像信息进行加工以满足人的视觉心理和应用需求的行为。数字图像处理是指利用计算机或其他数字设备对图像信息进行各种加工和处理，它是一门新兴的应用学科，其发展速度异常迅速，应用领域极为广泛。 数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。 1数字图像处理的目的 一般而言，对图像进行加工和分析主要有以下三方面的目的[1]： (1)提高图像的视感质量，以达到赏心悦目的目的。如去除图像中的噪声，改变图像中的亮度和颜色，增强图像中的某些成分与抑制某些成分，对图像进行几何变换等，从而改善图像的质量，以达到或真实的、或清晰的、或色彩丰富的、或意想不到的艺术效果。 (2)提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析，例如，常用做模式识别和计算机视觉的预处理等。这些特征包含很多方面，如频域特性、灰度/颜色特性、边界/区域特性、纹理特性、形状/拓扑特性以及关系结构等。 (3)对图像数据进行变换、编码和压缩，以便于图像的存储和传输。 2数字图像处理的方法 数字图像处理按处理方法分，主要有以下三类，即图像到图像的处理、图像到数据的处理和数据到图像的处理[2]。 （1）图像到图像。图像到图像的处理，其输入和输出均为图像。这种处理技术主要有图像增强、图像复原和图像编码。 首先，各类图像系统中图像的传送和转换中，总要造成图像的某些降质。第一类解决方法不考虑图像降质的原因，只将图像中感兴趣的特征有选择地突出，衰减次要信息，提高图像的可读性，增强图像中某些特征，使处理后的图像更适合人眼观察和机器分析。这类方法就是图像增强。例如，对图像的灰度值进行修正，可以增强图像的对比度；对图像进行平滑，可以抑制混入图像的噪声；利用锐化技
《数字图像处理技术基础》课程教学大纲 一、课程基本信息 二、课程教学目标 学习数字图像处理的基本概念、基本原理、实现方法和实用技术，并能应用这些基本方法开发数字图像处理系统，为学习图像处理新方法奠定理论基础。具体包括：1．了解图像处理的概念及图像处理系统组成。2．掌握数字图像处理中的灰度变换和空间滤波的各种方法。3．了解图像变换，主要是离散和快速傅里叶变换等的原理及性质。4．理解图像复原与重建技术中空间域和频域滤波的各种方法。 5. 理解解彩色图像的基础概念、模型和处理方法。 6. 了解形态学图像处理技术。7. 了解图像分割的基本概念和方法。 三、教学学时分配 《数字图像处理技术基础》课程理论教学学时分配表
＊理论学时包括讨论、习题课等学时。 《数字图像处理技术基础》课程实验内容设置与教学要求一览表
四、教学内容和教学要求 以“章节”为单位说明本章节的主要内容，重点、难点，各节相应习题要点，有关实验和实践环节的主要内容。并按“了解”、“理解”、“掌握”三个层次写明本章节的教学要求。具体格式如下： 第一章绪论（2学时） （一）教学要求 通过本章内容的学习，了解数字图像处理研究对象、目的、发展简史与研究现状；理解数字图像处理相关的学科和领域，掌握图像处理的概念。 （二）教学重点与难点
教学重点：数字图像处理的研究目的与研究内容。 教学难点：图像处理与计算机图像学的区别和联系。 （三）教学内容 第一节数字图像处理的发展及应用 1．数字图像处理的发展概况 2．数字图像处理的主要应用 第二节数字图像处理 1．数字图像处理的基本特点 2．数字图像处理的研究目的与研究内容 第三节相关学科和领域 1．图形处理的几个术语 2．计算机图形学 3．图像处理与计算机图形学的区别和联系 本章习题要点：熟悉图像处理的相关概念及方向。 第二章图像的基本知识（6学时） （一）教学要求 了解图像的基本格式，理解计算机图像数据处理的方式；掌握数字图像获取及数字化的方法；掌握彩色空间的两种模型。 （二）教学重点与难点 教学重点：图像的获取及数字化的方法及彩色空间的两种模型 教学难点：：图像数字化的方法 （三）教学内容 第一节图像获取、图像数字化、数字图像的描述 1．图像获取 2．图像函数 3．图像数字化 4．数字图像的描述 第二节计算机图像数据处理 1．数字图像的矩阵表示 2．二维数组和数字图像的关系
关于数字图像处理的理论基础及常用处理方法 数字图像处理(DigitalImageProcessing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响:一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善);三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 摘要：本文介绍了数字信号处理的起源、发展，并简要概述了数字图像处理所研究的内容和处理数字图像的几大模块。同时，也大致介绍了常用的处理数字图像的方法。最后展望了数字图像处理的发展前景。 Abstract: This paper describes the origin of digital image processing, development, and a brief overview of digital image processing of the content and process digital images of several modules. Also a broad overview of the commonly used method of processing digital images. Finally, looking ahead the future prospects for the development of digital image processing. 关键词：数字图像处理（Digital Image Processing）；理论基础；处理方法 一、数字图像处理的起源及发展 数字图像处理（Digital Image Processing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。 数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。但是50年代的计算机主要还是用于数值计算，满足不了处理大量数据图像的要求。 数字图像处理作为一门学科大约形成于20世纪60年代初期。伴随着第三代计算机的研制成功，以及快速傅里叶变换算法的的发现和应用使得对图像的某些计算得以实际实践。 早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。在70年代图像技术有了长足进展，80年代，硬件的发展使得人们不仅能处理2-D图像而且能处理3-D图像，许多能获取3-D图像的设备和处理分析3-D图像的系统研制成功，图像技术得到广泛应用。 二、数字图像处理的研究内容 数字图象处理，就是采用计算机对图象进行信息加工。图象处理的主要内容有：图像的采集、增强、复原、变换、编码、重建、分割、配准、嵌拼、融合、特征提取、模式识别和图象理解。 对图像进行处理(或加工、分析)的主要目的有三个方面：
数字图像处理结课论文 ：X.X.X 学号：0.0.0.0.0.0.0.0专业：通信工程
浅谈学习数字图像处理技术的认识 摘要 数字图像处理技术是一门将图像信号转换成数字信号并利用计算机对其进行 处理的技术。图像信息是人类获得外界信息的主要来源，因为大约有70%的信息是通过人眼获得的，而人眼获得的都是图像信息。i通过数字图像处理技术对获得的图像信息进行处理来满足或者实现人们的各种需要。从某些方面来说，对图像信息的处理甚至比图像信息本身更重要，尤其是在这个科技迅猛发展的21世纪。 Abstract Digital image processing technology is a keeper image signals into digital signals and processed by computer technology. Images are a major source of human access to outside information, because some 70% of information was obtained through human eyes, are the image information obtained by the human eye. By means of digital image processing technology to obtain image information processing to meet or achieve people's various needs.In some ways, image information processing even more important than the image itself, especially in the rapid development of science and technology of the 21st century. 关键词 数字图像、处理、应用 引言 经过一个学期的学习，我对数字图像处理技术有了一个更加深刻的了解，做了几次MATLAB数字信号处理实验，知道了如何利用MATLAB编程来实现数字图像处理技术的一些基本方法，以及如何使用PHOTOSHOP软件来做一些简单的图像处理。 本文主要研究数字图像处理的特点，数字图像处理的分类, 数字图像处理的容，数字图像处理的实例，数字图像处理的具体实验举例，以及数字图像处理技术在日常生活中的一点应用 一、数字图像处理的特点 1.0处理精度高 按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。对计算机而言，不论数组大小，也不论每个像素的位数多少，其处理程序几乎是一样的。换言之，从原理上讲不论图像的精度有多高，处理总是能实现的，只要在处理时改变程序中的数组参数就可以了。试想一下图像的模拟处理，为了要把处理精度提高一个数量级，就要大幅度地改进处理装置，这在经济上是极不合算的。
一、图像的预处理技术 图像处理按输入结果可以分为两类，即输入输出都是一副图像和输入一张图像输出不再是图像的数据。图像处理是个很广泛的概念，有时候我们仅仅需要对一幅图像做一些简单的处理，即按照我们的需求将它加工称我们想要得效果的图像，比如图像的降噪和增强、灰度变换等等。更多时候我们想要从一幅图像中获取更高级的结果，比如图像中的目标检测与识别。如果我们将输出图像中更高级的结果视为目的的话，那么我们可以把输入输出都是一幅图像看作是整个处理流程中的预处理。下面我们将谈到一些重要的预处理技术。 （一）图像增强与去噪 图像的增强是一个主观的结果，原来的图像按照我们的需求被处理成我们想要的效果，比如说模糊、锐化、灰度变换等等。图像的去噪则是尽可能让图像恢复到被噪声污染前的样子。衡量标准是可以度量的。不管是图像的增强与去噪，都是基于滤波操作的。 1．滤波器的设计方法 滤波操作是图像处理的一个基本操作，滤波又可分为空间滤波和频域滤波。空间滤波是用一个空间模板在图像每个像素点处进行卷积，卷积的结果就是滤波后的图像。频域滤波则是在频率域看待一幅图像，使用快速傅里叶变换将图像变换到频域，得到图像的频谱。我们可以在频域用函数来保留或减弱/去除相应频率分量，再变换回空间域，得到频域滤波的结果。而空间滤波和频域滤波有着一定的联系。频域滤波也可以指导空间模板的设计，卷积定理是二者连接的桥梁。 （1）频域滤波 使用二维离散傅里叶变换（DFT ）变换到频域： ∑∑-=+--==10)//(210),(),(N y N vy M ux i M x e y x f v u F π 使用二维离散傅里叶反变换（IDFT ）变换到空间域： ∑∑-=-=+=1010)//(2),(1),(M u N v N vy M ux i e v u F MN y x f π 在实际应用中，由于该过程时间复杂度过高，会使用快速傅里叶变换（FFT ）来加速这个过程。现在我们可以在频域的角度看待这些图像了。必须了解的是，图像中的细节即灰度变化剧烈的地方对应着高频分量，图像中平坦变化较少的地方对应着低频分量。图像中的周期性图案/噪声对应着某一个频率区域，那么在频域使用合适的滤波器就能去除相应的频率分量，再使用傅里叶反变换就能看到实际想要的结果。 不同的是，在频域的滤波器不再是做卷积，而是做乘积，因为做乘法的目的在于控制频率分量。比较有代表性的有如下几个滤波器： 高斯低通滤波器 222/),(),(σv u D e v u H -= D 是距离频率矩形中心的距离。该滤波器能保留低频分量，逐渐减小高频分量，对原图像具有模糊作用。