1、* 第 1 页第五章 图像的自动识别技术2018/5/7 1 图像滤波与去噪 图像分割技术 特征提取 分类器设计主要内容2018/5/7 2第一节 图像滤波与去噪 空间域滤波去噪 变换域去噪方法 小波变换和图像滤波去噪 基于矢量尺度的图像滤波去噪* 第 3 页2018/5/7 3空间域滤波去噪 空间域滤波定义图像的空间域去噪是在原图像上直接进行数据运算，对像素的灰度值进行处理。其中常用到的是线性滤波器和非线性滤波器。 空间域滤波种类：主要有三种： 非线性滤波： 非线性滤波器是基于对输入信号的一种非线性映射关系，常可以把某一特定的噪声近似地映射为零而保留信号的主要特征。 中值滤波： 标准中值滤波
2、算法的基本思想是将滤波窗口内的最大值和最小值均视为噪声，用滤波窗口内的中值代替窗口中心像素点的灰度，在一定程度上抑制了噪声。 形态学滤波： 充分利用形态学运算所具有的几何特征和良好的代数性质，主要采用态学开、闭运算进行滤波操作 。* 第 4 页2018/5/7 4变换域去噪方法 变换域去噪定义图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像噪声的目的。 空域转换到变换域的方法 傅里叶变换 沃尔什一哈达玛变换 余弦变换 K L变换 Ridgelet变换 小波变换* 第 5 页2018/5/7 5
3、小波变换和图像滤波去噪 小波变换定义小波变换是在傅里叶变换基础上发展起来的一种具有多分辨率分析特点的时一频分析方法。 小波变换基本思想基本思想 ： 通过伸缩、平移运算对信号进行多尺度细化，最终达到高频处时间细分、低频处频率细分的目的，能自适应地聚焦到信号的任意细节、由于小波变换在时、频域都具有表征信号局部特征的能力和多分辨率分析的特点。被誉为 “ 数学最微镜 ” 。* 第 6 页2018/5/7 6 小波阈值去噪法的理论依据信号的小波系数幅值大于噪声的系数幅值。幅值比较小的系数很大程度上是噪声。因此设定阈值可以把信号系数保留，噪声系数归零。 小波阈值图像去噪过程 将带噪图像在各尺度上进行小波分
4、解，保留大尺度低分辨率下的全部小波系数 对于各尺度高分辨率下的小波系数设定一个阈值，幅值低于该阈值的小波系数置 0，高于则保留 将处理后获得的小波系数利用逆小波变换进行重构得到去噪后图像 小波阈值去噪 优缺点 优点： 实现简单，计算量较小 ， 噪声抑制 效果好 阈值法去噪能够得到理想图像的近似最优估计，因而在实际中得到了广泛应用。 缺点： 总存在恒定偏差，影响了重构信号与真实信号的逼近程度。* 第 7 页2018/5/7 7基于矢量尺度的图像滤波去噪 矢量图像滤波已有三种滤波 矢量中值滤波器 (VMF) 基本矢量方向滤波器 (BVDF) 方向距离滤波器 (DDF) 基于矢量尺度的图像滤波去噪定
5、义在图像的不同区域，自适应地调节滤波窗口的大小，从而达到既能有效抑制噪声，又能保护图像细节和边缘的目的。* 第 8 页2018/5/7 8第二节 图像分割技术 基于区域和边缘的图像分割技术 基于形变模型的图像分割技术 基于数学形态学的图像分割技术 模糊理论和图像分割技术 基于神经网络的图像分割技术 基于图论的图像分割方法 基于粒度计算理论的图像分割方法* 第 9 页2018/5/7 9基于区域和边缘的图像分割技术 图像区域分割提取形式 区域生长 ： 从单个像素出发，逐步合并以形成所需要的分割区域 全局出发 ： 逐步切割至所需的分割区域 边缘检测 概念通过检测不同区域的边缘来解决问题，通常不同的区域之间的边缘上灰度值的变化往往比较大，这是边缘检测方法得以实现的主要假设之一 边缘检测基本思想先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。* 第 10 页2018/5/7 10
