图像色彩操作

图像色彩调整

  • 亮度调整
    • 直接将彩色图像灰度化,也可以得到代表图像亮度的灰度图进行图像处理,计算量比 HSV 颜色空间变化低。
    • 但在 HSV 空间中进行处理可以得到增强后的彩色图像。
  • 饱和度调整
    • 对 HSV 空间的 S 分量进行处理可以实现对图像饱和度的增强。
    • 饱和度的调整通常是在 S 原始值上乘以一个修正系数。
  • 色调调整
    • 对 HSV 空间的 H 分量进行处理可以实现对图像色调的增强。
    • 色相 H 的值对应的是一个角度,并且在色相环上循环。所以色相的修正可能会造成颜色的失真。

图像灰度化

  • 分量法,三分量的亮度作为三个灰度图像的灰度值,然后根据需要选择使用。
  • 最大值法,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。
  • 平均值法,将彩色图像中的三分量亮度求平均得到一个灰度值。
  • 加权平局法,根据重要性及其它指标,将三个分量以不同的权值进行加权平均。例如,由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按下式对 RGB 三分量进行加权平均能得到较合理的:$f ( i , j ) = 0 . 3 0 R ( i , j ) + 0 . 5 9 G ( i , j ) + 0 . 1 1 B ( i , j )$
    灰度图像。

二值化/反二值化

  • 大于临界值设为1,小于则设为0。

直方图均衡化

  • 直方图均衡化将原始图像的直方图,即灰度概率分布图,进行调整,使之变化为均衡分布的样式,达到灰度级均衡的效果,可以有效增强图像的整体对比度。
  • 直方图均衡化能够自动的计算变化函数,通过该方法自适应得产生有均衡直方图的输出图像。能够对图像过暗、过亮和细节不清晰的图像得到有效的增强。

图像形态操作

仿射与透视变换

  • 仿射
    • 通过平移镜像旋转等多种操作后依然能够保持平直性和平行性(直线还是直线,平行线仍然是平行线)
  • 透视
    • 透视变换是将图片投影到一个新的视平面,也称作投影映射.它是二维(x,y)到三维 (X,Y,Z),再到另一个二维 (x’,y’) 空间的映射。
    • 相对于仿射变换,它提供了更大的灵活性,将一个四边形区域映射到另一个四边形区域(不一定是平行四边形).透视变换可用于图像形状校正。

图像算数计算

  • 图像加法
    • 图像加法可以用于多幅图像平均去除噪声。
    • 也可以实现水印的叠加。
  • 图像减法
    • 实现背景消除和运动检测。

图像缩放

  • 图像放大
    • 最邻近插值法,取最近点的灰度值,计算量小,但精确度不高,并且可能破坏图像中的线性关系。
    • 双线性插值法
      • 使用新的像素点 $(x’,y’)$ 最邻近的四个像素值进行插值计算,假设为 $(i,j),(i+1,j)(i,j+1),(i+1,j+1)$, 则 $u=x’-i,v=y’-j$.
  • 图像缩小
    • 删行删列

腐蚀与膨胀

  • 图像腐蚀
    • 是最基本的形态学操作之一,它能够将图像的边界点消除,使图像沿着边界向内收缩,也可以将小于指定结构体元素的部分去除。腐蚀用来 “收缩” 或者 “细化”二值图像中的前景,借此实现去除噪声、元素分割等功能。
  • 图像膨胀
    • (dilate) 是指根据原图像的形状,向外进行扩充。如果图像内两个对象的距离较近,那么在膨胀的过程中,两个对象可能会连通在一起。膨胀操作对填补图像分割后图像内所存在的空白相当有帮助。
  • 图像开运算
    • 开运算进行的操作是先将图像腐蚀,再对腐蚀的结果进行膨胀。开运算可以用于去噪、计数等。也可用于取出主题图像之间细小的连接。
  • 图像闭运算
    • 闭运算是先膨胀、后腐蚀的运算,它有助于关闭前景物体内部的小孔,或去除物体上的小黑点,还可以将不同的前景图像进行连接。
  • 形态学梯度
    • 形态学梯度运算是用图像的膨胀图像减腐蚀图像的操作,该操作可以获取原始图像中前景图像的边缘。
  • 礼帽运算
    • 礼帽运算是用原始图像减去其开运算图像的操作。礼帽运算能够获取图像的噪声信息,或者得到比原始图像的边缘更亮的边缘信息。
  • 黑帽运算
    • 黑帽运算是用闭运算图像减去原始图像的操作。黑帽运算能够获取图像内部的小孔,或前景色中的小黑点,或者得到比原始图像的边缘更暗的边缘部分。

图像梯度处理

图像梯度计算的是图像变化的速度。对于图像的边缘部分,其灰度值变化较大,梯度值也较大;相反,对于图像中比较平滑的部分,其灰度值变化较小,相应的梯度值也较小。一般情况下,图像梯度计算的是图像的边缘信息。

模板运算
模板(滤波器)是一个尺寸为 n*n 的小图像 W(n 一般取奇数,称为模板尺寸),每个位置上的值 w 被称为权重。在进行计算时,将模板的中心和像素 P 对齐,选取原始图像中和模板相同范围的邻域 N 的像素值作为输入。

  • 类似深度学习中的卷积层

均值滤波

  • 3*3 均值

高斯滤波

  • 高斯分布的模板/滤波器

中值滤波

  • 取相邻像素排序后的中位数
  • 在实现降噪操作的同时,保留了原始图像的锐度,不会修改原始图像的灰度值。
  • 中值滤波的使用非常普遍,它对椒盐噪声的抑制效果很好,在抑制随机噪声的同时能有效保护边缘少受模糊。但中值滤波是一种非线性变化,它可能会破坏图像中线性关系,对于点、线等细节较多的图像和高精度的图像处理任务中并不太合适。

边沿检测

  • 通过梯度计算可以获取图像中细节的边缘。为在锐化边缘的同时减少噪声的影响,通过改进梯度法发展出了不同的边缘检测算子:
  • 一阶梯度:Prewitt 梯度算子、Sobel梯度算子。
  • 二阶梯度:Laplacian梯度算子。

锐化

  • 图像锐化与图像平滑是相反的操作,锐化是通过增强高频分量来减少图像中的模糊,增强图像细节边缘和轮廓,增强灰度反差,便于后期对目标的识别和处理。锐化处理在增强图像边缘的同时也增加了图像的噪声。
  • 将求取的边缘按照一定系数比例叠加到原始图像上,即可实现对图像的锐化操作。

图像轮廓

轮廓拟合

最小包围圆形

最优拟合椭圆

逼近多边形