這是數(shù)字圖像處理ppt應(yīng)用，包括了圖像的讀取和顯示，圖像的點(diǎn)運(yùn)算，圖像的幾何變換，空間域圖像增強(qiáng)，頻率域圖像增強(qiáng)，彩色圖像處理，形態(tài)學(xué)圖像處理，圖像分割，特征提取等內(nèi)容，歡迎點(diǎn)擊下載。

數(shù)字圖像處理ppt應(yīng)用是由紅軟PPT免費(fèi)下載網(wǎng)推薦的一款課件PPT類型的PowerPoint.

數(shù)字圖像處理 圖像分割 Contents Contents 8.1 圖像分割定義 圖像分割處理定義：將數(shù)字圖像劃分成互不相交（不重疊）區(qū)域的過程. 區(qū)域(region) 定義: 像素的連通集。 連通(connectedness)定義 : 在一個(gè)連通集中的任意兩個(gè)像素之間，存住一條完全由這個(gè)集合的元素構(gòu)成的連通路徑。 8.2.1 全局閾值化思想：整個(gè)圖像中將灰度閾值的值設(shè)置為常數(shù)。前提條件：如果背景的灰度值在整個(gè)圖像中可合理地看作為恒定，而且所有物體與背景都具有幾乎相同的對(duì)比度，那么，只要選擇了正確的閾值，使用一個(gè)固定的全局閾值一般會(huì)有較好的效果。 8.2.2 自適應(yīng)閾值改進(jìn)方法：在許多的情況下，背景的灰度值并不是常數(shù)，物件和背景的對(duì)比度在圖像中也有變化，這時(shí)，一個(gè)在圖像中某一區(qū)域效果良好的閾值在其它區(qū)域卻可能效果很差。在這種情況下，把灰度閾值取成一個(gè)隨圖像中位置緩慢變化的函數(shù)值是適宜的。 8.2.3最佳閾值的選擇 除非圖像中的物體有陡峭的邊沿，否則灰度閾值的取值對(duì)所抽取物體的邊界的定位和整體的尺寸有很大的影響。這意味著后續(xù)的尺寸（特別是面積）的測(cè)量對(duì)于灰度閾值的選擇很敏感。由于這個(gè)原因，我們需要一個(gè)最佳的，或至少是具有一致性的方法確定閾值。 1.直方圖技術(shù) 含有一個(gè)與背景明顯對(duì)比的物體的圖像其有包含雙峰的灰度直方圖 直方圖生成 a = imread('d:\pic\i_boat_gray.bmp'); imshow(a) figure imhist(a) 利用灰度閾值T對(duì)物體面積進(jìn)行計(jì)算的定義是: 2. 最大類間方差法(OTSU) OTSU算法定義：該算法是在灰度直方圖的基礎(chǔ)上用最小二乘法原理推導(dǎo)出來的，具有統(tǒng)計(jì)意義上的最佳分割閾值。 OTSU基本原理：以最佳閾值將圖像的灰度直方圖分割成兩部分，是兩部分之間的方差取最大值，即分離性最大。 3. 迭代法求閾值 原理：圖像中前景與背景之間的灰度分布為相互不重疊，在該前提下，實(shí)現(xiàn)對(duì)兩類對(duì)象的閾值分割方法。 8.3基于梯度的圖像分割方法 思路對(duì)比： 區(qū)域分割方法：通過將圖像劃分為內(nèi)部點(diǎn)集和外部點(diǎn)集來實(shí)現(xiàn)分割。邊界方法：利用邊界具有高梯度值的性質(zhì)直接把邊界找出來。 8.3.1邊界跟蹤 算法步驟 1：我們從一個(gè)梯度幅值圖像著手進(jìn)行處理， 這個(gè)圖像是從一幅處于和物體具有反差的 背景中的單一物體的圖像進(jìn)行計(jì)算得來的。 2:搜索以邊界起始點(diǎn)為中心的3×3鄰域，找 出具有最大灰度級(jí)的鄰域點(diǎn)作為第2個(gè)邊界點(diǎn)。 8.3.2梯度圖像二值化如果用適中的閾值對(duì)一幅梯度圖像進(jìn)行二值化，Kirsch的分割法利用了這種現(xiàn)象。算法步驟用一個(gè)中偏低的灰度閾值對(duì)梯度圖像進(jìn)行二值化從而檢測(cè)出物體和背景，物體與背景被處于閾值之上的邊界點(diǎn)帶分開。隨著閾值逐漸提高，就引起物體和背景的同時(shí)增長(zhǎng)。當(dāng)它們接觸上而又不至于合并時(shí)，可用接觸點(diǎn)來定義邊界。這是分水嶺算法在梯度圖像中的應(yīng)用。 Kirsch的分割算法 8.3.3拉普拉斯邊緣檢測(cè) 拉普拉斯算于是對(duì)二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)標(biāo)量算子。它定義為: 一個(gè)無噪聲圖像具有陡峭的邊緣，可用拉普拉斯算子將它們找出來。對(duì)經(jīng)拉普拉斯算子濾波后的圖像用零灰度值進(jìn)行二值化會(huì)產(chǎn)生閉合的、連通的輪廓并消除了所有的內(nèi)部點(diǎn)。但是由于噪聲的存在，在運(yùn)用拉普拉斯算子之前需要先進(jìn)行低通濾波。 選用高斯低通濾波器進(jìn)行預(yù)先平滑是很合適的。由卷積的結(jié)合律可以將拉普拉斯算子和高斯脈沖響應(yīng)組合成一個(gè)單一的高斯拉普拉斯核： 這個(gè)脈沖響應(yīng)對(duì)x和y是可分離的，因此可以有效地加以實(shí)現(xiàn)。 8.4 邊緣檢測(cè)和連接邊緣點(diǎn) ：確定圖像中的物體邊界的另一種方法是 先檢測(cè)每個(gè)像素和其直接鄰域的狀態(tài)， 以決定該像素是否確實(shí)處于一個(gè)物體的 邊界上。具有所需特性的像素被標(biāo)為邊 緣點(diǎn)。邊緣圖像:當(dāng)圖像中各個(gè)像素的灰度級(jí)用來反映各 像素符合邊緣像素要求的程度時(shí)，這種 圖像被稱為邊緣圖像。 8.4.1邊緣檢測(cè) 邊緣檢測(cè)算子檢查每個(gè)像素的鄰域并對(duì)灰度變化率進(jìn)行量化，通常也包括方向的確定。有若干種方法可以使用，其中大多數(shù)是基于方向?qū)��?shù)掩模求卷積的方法。 Roherts邊緣算子 其中，f（x，y）是具有整數(shù)像素坐標(biāo)的輸入圖像。其中的平方根運(yùn)算使該處理類似于人類視覺系統(tǒng)中發(fā)生的過程。 Sobel邊緣算子 兩個(gè)卷積核形成了Sobel邊緣算子。圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積。一個(gè)核對(duì)通常的垂直邊緣響應(yīng)最大而另一個(gè)對(duì)水平邊緣響應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出值。運(yùn)算結(jié)果是一幅邊緣幅度圖像。 Sobel邊緣算子圖 Prewitt邊緣算子 Prewitr邊緣算子 Kirsch邊緣算子 圖像中的每個(gè)點(diǎn)均與這8個(gè)模板進(jìn)行卷積，每個(gè)掩模對(duì)某個(gè)特定邊緣方向作出最大響應(yīng)。所有8個(gè)方向中的最大值作為邊緣幅度圖像的輸出。最大響應(yīng)掩模的序號(hào)構(gòu)成了對(duì)邊緣方向的編碼。 Kirsch算子的梯度幅度值 Kirsch邊緣算子 Kirsch邊緣算子 邊緣檢測(cè)器性能:使用兩個(gè)掩模板組成邊緣檢測(cè) 器時(shí)，通常取較大得幅度作為輸出值。這使 得它們對(duì)邊緣的走向有些敏感。取它們的 平方和的開方可以獲得性能更‘致的全方位 響應(yīng)。這與真實(shí)的梯度值更接近。 邊緣提取方法原圖 邊緣提取方法邊緣提取后 8.4.2邊緣連接問題： 如果邊緣很明顯，而且噪聲級(jí)低，那么可以將邊緣圖像二值化并將其細(xì)化為單像素寬的閉合連通邊界圖。然而在非理想條件下，這種邊緣圖像會(huì)有間隙出現(xiàn)，需要加以填充。 填充小的間隙可以簡(jiǎn)單地實(shí)現(xiàn)，通過搜索一個(gè)以某端點(diǎn)為中心的5×5或更大的鄰域，在鄰域中找出其它端點(diǎn)并填充上必要的邊界像素，從而將它們連接起來。 對(duì)具有許多邊緣點(diǎn)的復(fù)雜場(chǎng)景，這種方法可能會(huì)對(duì)圖像過度分割。為了避免過度的分割，可以規(guī)定：兩個(gè)端點(diǎn)只有在邊緣強(qiáng)度和走向相近的情況下才能連接。解決方法啟發(fā)式搜索 曲線擬合 Hough變換 (1) 啟發(fā)式搜索 假定在一幅邊緣圖像的某條邊界上有一個(gè)像間隙的缺口，但是這 個(gè)缺口太長(zhǎng)而不能僅用一條直線填充，它還可能不是同一條邊界 上的缺口，可能在兩條邊界上。作為質(zhì)量的度量，我們可以建立 一個(gè)可以在任意連接兩端點(diǎn)（稱為 A，B）的路徑上進(jìn)行計(jì)算的函數(shù)。 。 如果邊緣質(zhì)量函數(shù)很復(fù)雜而且要評(píng)價(jià)的缺口既多又長(zhǎng)，啟發(fā)式搜索技術(shù)的計(jì)算會(huì)很復(fù)雜。這樣的技術(shù)在相對(duì)簡(jiǎn)單的圖像中性能很好，但不一定能找出兩端點(diǎn)間的全局最佳路徑。 (2) 曲線擬合 假定有一組散布在兩個(gè)特定邊緣點(diǎn)A和B之間的邊緣點(diǎn)，我們希望從中選取一個(gè)子集作為從A到B一條分段線性路徑上的結(jié)點(diǎn)集。 首先：從A到B引一條直線。其次：接著計(jì)算其它的每個(gè)邊緣點(diǎn)到該直線的垂直距離。 (3) Hough變換 直線y=mx+b可用極坐標(biāo)表示為 其中定義了一個(gè)從原點(diǎn)到線上最近點(diǎn)的向量。這個(gè)向量與該直線垂直。 如果有一組位于由參數(shù)確定的直線上的邊緣點(diǎn)，則每個(gè)邊緣點(diǎn)對(duì)應(yīng)了空間的一條正弦型曲線。所有這些曲線必交于點(diǎn)，因?yàn)檫@是它們共享的一條直線的參數(shù)。建立一個(gè)在空間的二維直方圖。對(duì)每個(gè)邊緣點(diǎn)，我們將給所有與該點(diǎn)的Hough變換（正弦曲線）對(duì)應(yīng)的空間的直方圖方格一個(gè)增量。當(dāng)對(duì)所有邊緣點(diǎn)施行完這種操作后，包含的方格將具有局部最大值。然后對(duì)空間的直方圖進(jìn)行局部最大值搜索可以獲得邊界線段的參數(shù)。 hough直線檢測(cè)結(jié)果 原圖 直線檢測(cè)結(jié)果 8.5 區(qū)域增長(zhǎng) 方法：從把一幅圖像分成許多小區(qū)域開始的。這 些初始的區(qū)域可能是小的鄰域甚至是單個(gè) 像素。在每個(gè)區(qū)域中，對(duì)經(jīng)過適當(dāng)定義的 能反映一個(gè)物體內(nèi)成員隸屬程度的性質(zhì) （度量）進(jìn)行計(jì)算。用于區(qū)分不同物體內(nèi)像 素的性質(zhì)（度量）包括平均灰度值，紋 理，或顏色信息。 區(qū)域增長(zhǎng)算法主要分成兩類 (1)簡(jiǎn)單連接 這是基于單個(gè)像素的區(qū)域增長(zhǎng)法，它從滿足的 檢測(cè)的點(diǎn)（連接核）開始，考察其周圍(4鄰域或8鄰域)的不屬于任何一個(gè)區(qū)域的點(diǎn)，如果其特性符合接收準(zhǔn)則，就把它作為同一個(gè)區(qū)域加以合并，形成連接核，繼而檢測(cè)周圍的點(diǎn)，并把符合接入準(zhǔn)則的點(diǎn)并入，產(chǎn)生新的核。重復(fù)上述過程，直到?jīng)]有可并入的點(diǎn)時(shí)，生產(chǎn)過程結(jié)束。 （2）子區(qū)合并法 合并過程： 首先：將圖像分割成個(gè)，大小為的小區(qū)域（簡(jiǎn) 稱子區(qū)）。其次：從左上角第一個(gè)子區(qū)開始，分別計(jì)算子 區(qū)和相鄰子區(qū)的灰度統(tǒng)計(jì)量，然后做相 似性判定。若兩者的灰度分布相似且符 合接收準(zhǔn)則。相鄰子區(qū)并入當(dāng)前子區(qū)， 形成下一輪判定合并時(shí)的當(dāng)前子區(qū)。 如果某個(gè)相鄰子區(qū)不符合接收準(zhǔn)則，就打上“未分割標(biāo)記”。繼續(xù)新一輪判定，使當(dāng)前子區(qū)不斷“生長(zhǎng)”，知道沒有可歸并的子區(qū)為止，一個(gè)區(qū)域分割完畢。最后：搜索圖像全域，對(duì)凡具有“未分割標(biāo)記” 的子區(qū)重復(fù)上述步驟。 相似性判定準(zhǔn)則一般是： 8.6 二值圖像處理 二值圖像也就是只具有兩個(gè)灰度級(jí)的圖像，它是數(shù)字圖像的一個(gè)重要子集。一個(gè)二值圖像（例如，一個(gè)剪影像或一個(gè)輪廓圖）通常是由一個(gè)圖像分割操作產(chǎn)生的。如果初始的分割不夠令人滿意，對(duì)二值圖像的某些形式的處理通常能提高其質(zhì)量。 形態(tài)學(xué)圖像處理術(shù)語 1. 集合論術(shù)語(Definition) 形態(tài)學(xué)處理語言中，二值圖像B和結(jié)構(gòu)元素S都是定義在二維笛卡兒網(wǎng)格上的集 合，“1”是這些集合中的元素。 當(dāng)一個(gè)結(jié)構(gòu)元素的原點(diǎn)位移到點(diǎn)(x，y)處時(shí)，我們將其記作。形態(tài)學(xué)運(yùn)算的輸出是另一個(gè)集合，這個(gè)運(yùn)算可用一個(gè)集合論方程來確定。 2. 腐蝕和膨脹(Dilation and Erosion) (1) 腐蝕 一般意義的腐蝕概念定義為： E =B S={x，y| B} 如果S的原點(diǎn)位移到點(diǎn)(x，y)，那么S將完全包含于B中。使用基本的3×3結(jié)構(gòu)元素時(shí)，一般意義的腐蝕簡(jiǎn)化為簡(jiǎn)單腐蝕。 (2) 膨脹一般膨脹定義為： E =B S={x，y| B} S對(duì)B膨脹產(chǎn)生的二值圖像D是由這樣的點(diǎn)（x，y）組成的集合，如果S的原點(diǎn)位移到(x，y)，那么它與B的交集非空。采用基本的3×3結(jié)構(gòu)造元素時(shí)，一般膨脹簡(jiǎn)化為簡(jiǎn)單膨脹。 8.6.2開運(yùn)算和閉運(yùn)算開運(yùn)算 ：先腐蝕后膨脹的過程稱為開運(yùn)算。它具有消除細(xì)小物體、在纖細(xì)點(diǎn)處分離物體、和平滑較大物體的邊界時(shí)又不明顯改變其面積的作用。開運(yùn)算定義為： 閉運(yùn)算 ：先膨脹后腐蝕的過程稱為閉運(yùn)算。它具有填充物體內(nèi)細(xì)小空洞、連接鄰近物體、在不明顯改變物體面積的情況下平滑其邊界的作用。閉運(yùn)算定義為： 8.6.3腐蝕和膨脹的變體 通常反復(fù)施以腐蝕運(yùn)算，將使一個(gè)物體變得不存在。類似地，反復(fù)膨脹將把一幅圖像中的所有物體合并為一個(gè)。然而，這些過程可以改變一下，以便在一些應(yīng)用中產(chǎn)生更合適的結(jié)果。 (1) 收縮 定義： 當(dāng)腐蝕以一種不觸及單像素物件的方式執(zhí)行時(shí)，這個(gè)過程稱為收縮。 收縮可以迭代方式為一個(gè)包含近似圓形物體的二值圖像生成物體尺寸的分布。 收縮時(shí)會(huì)使非常不圓的物體（如啞鈴狀的物體）分解，因此這種技術(shù)存它的局限性。 (2) 細(xì)化定義:將一個(gè)曲線形物體細(xì)化為一條單像素寬的 線，從而圖形化地顯示出其拓?fù)湫再|(zhì)。 腐蝕可編程過程： 第一步：足一個(gè)正常的腐蝕。 第二步：只將那些消除后并不破壞連通性的點(diǎn)消 除，否則保留。 (3) 抽骨架 定義：一個(gè)與細(xì)化有關(guān)的運(yùn)算，也稱為中軸變 換(Medialaxis transform)或焚燒草地 技術(shù)(grass-fire technigue)。抽骨架的實(shí)現(xiàn)與細(xì)化相似．可采用一個(gè)兩步有條件腐蝕實(shí)現(xiàn)，但是刪除像素的規(guī)則略有不同。 (4) 剪裁細(xì)化和抽骨架過程會(huì)在所生成的阿中留下毛刺。 毛刺是由邊界上單像素尺寸的起伏造成的，這些起伏產(chǎn)生了小的分支。它們可通進(jìn)一系列的消除端點(diǎn)的3×3運(yùn)算（導(dǎo)致所有的分支縮短）除去，然后再重建那些留下的分支。 (5) 粗化 一些分割技術(shù)傾向于用緊貼的邊界擬臺(tái)物體以避免錯(cuò)誤地合并它們。通常孤立物體的最佳邊界太緊貼并不利于后續(xù)測(cè)量。粗化可在不合并彼此分離的物體的前提下擴(kuò)大邊界，從而修正了這種不足。 原圖 腐蝕 膨脹 開操作 閉操作 8.7 分割圖像的結(jié)構(gòu)希望制作一幅新圖像，以顯示物體是如何調(diào)整的，或者用單獨(dú)的圖像顯示每個(gè)物體。甚至還可能希望對(duì)單個(gè)物體逐個(gè)地進(jìn)行進(jìn)一步的測(cè)量或其它處理。在這些情況下，就需要抽取并以更方便的形式存儲(chǔ)各個(gè)物體。通常，每個(gè)物體在被檢測(cè)時(shí)都應(yīng)該標(biāo)以一個(gè)序號(hào)。這個(gè)物體編號(hào)可用來識(shí)別和跟蹤景物中的物體。在這一節(jié)，我們討論三種對(duì)分割圖像進(jìn)行結(jié)構(gòu)化的方法。 8.7.1分水嶺算法 分水嶺算法 分水嶺算法不是簡(jiǎn)單地將圖像在最佳灰度級(jí)進(jìn)行閾值處理，而是從一個(gè)偏低但仍然能正確分割各個(gè)物體的閾值開始。然后隨著閾值逐漸上升到最佳值，使各個(gè)物體不會(huì)被合并。這個(gè)方法可以解決那些由于物體靠得太近而不能用全局閾值解決的問題。 如果初始的閾值太低，那么低對(duì)比度的物體開始時(shí)會(huì)被丟失，然后隨著閾值的增加就會(huì)和相鄰的物體合并。如果初始閾值太高，物體一開始便會(huì)被合并。最終的閾值決定了最后的邊界與實(shí)際物體的吻合程度。分水嶺方法和距離變換方法分割相互連接圖像 二進(jìn)制圖像 距離變換方法 分水嶺方法 8.7.2 物體隸屬關(guān)系圖在物體隸屬關(guān)系圖中，每個(gè)像素的灰度級(jí)按其在原始圖像中所對(duì)應(yīng)的像素所屬的物體序號(hào)進(jìn)行編碼。 隸屬關(guān)系圖技術(shù)通用性很強(qiáng)，但它不是一種對(duì)保存分割信息特別緊湊的方法。它需要一幅附加的全尺寸的數(shù)字圖像來描述甚至只包含一個(gè)小物體的場(chǎng)景。如果僅對(duì)物體的大小和形狀感興趣，分割后可舍棄原始圖像。如果僅有一個(gè)物體或物體不需要區(qū)分，還可以進(jìn)一步減少數(shù)據(jù)量。 8.7.3邊界鏈碼 鏈碼是從在物體邊界上任意選取的某個(gè)起始點(diǎn)的(x，y)坐標(biāo)開始的。這個(gè)起始點(diǎn)有8個(gè)鄰接點(diǎn)，其中至少有一個(gè)是邊界點(diǎn)。邊界鏈碼規(guī)定了從當(dāng)前邊界點(diǎn)走到下一個(gè)邊界點(diǎn)這一步驟必須采用的方向。生成邊界鏈碼時(shí)，由于必須在整幅圖像中跟蹤邊界，所叫常常需要對(duì)輸入圖像進(jìn)行隨機(jī)存取。采用圖像分割中的邊界跟蹤技術(shù)時(shí)，鏈碼的生成是一個(gè)自然的副產(chǎn)品。采用二值方法確定邊界時(shí)，鏈碼的生成不適于對(duì)存儲(chǔ)在磁盤上的圖像進(jìn)行逐行處置。 小結(jié)(Chapter Summary) 圖像分割是一個(gè)將一幅數(shù)字圖像劃分為不交疊的、連通的像素集的過程，其中一個(gè)對(duì)應(yīng)于背景，其它的則對(duì)應(yīng)于圖像中的各個(gè)物體。利用為物體指定其像差或找出物體之間（或物體和背景之間）邊界的方法來實(shí)現(xiàn)圖像分割；在圖像分割之間進(jìn)行背景平滑和噪聲消除，常常能改善分割時(shí)的性能。圖像分割中采用自適應(yīng)閾值方法較采用直方圖分割具有較好的分割效果。針對(duì)較為復(fù)雜的圖像我們則可以采用區(qū)域分割技術(shù)來實(shí)現(xiàn)，針對(duì)圖像分割結(jié)果我們則可以通過采用隸屬關(guān)系圖，邊界鏈碼，或線段編碼來存儲(chǔ)。 第9章 彩色圖像處理 （Color Image Processing） 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision） 白光 在17世紀(jì)，牛頓通過三棱鏡研究對(duì)白光的折射就已發(fā)現(xiàn)： 白光可被分解成一系列從紫到紅的連續(xù)光譜，從而證明白光是由不同顏色（而且這些顏色并不能再進(jìn)一步被分解）的光線相混合而組成的。 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）可見光 可見光是由電磁波譜中相對(duì)較窄的波段組成，如果一個(gè)物體比較均衡地反射各種光譜，則人看到的物體是白的； 而如果一個(gè)物體對(duì)某些可見光譜反射的較多，則人看到的物體就呈現(xiàn)相對(duì)應(yīng)的顏色。 例如，綠色物體反射具有500~570nm（納米）范圍的光，吸收其他波長(zhǎng)光的多數(shù)能量。 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision） 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）人眼的吸收特性： 人眼的錐狀細(xì)胞是負(fù)責(zé)彩色視覺的傳感器，人眼的錐狀細(xì)胞可分為三個(gè)主要的感覺類別。 大約65%的錐狀細(xì)胞對(duì)紅光敏感，33%對(duì)綠光敏感，只有2%對(duì)藍(lán)光敏感。 由于人眼的這些吸收特性，被看到的彩色是所謂的原色紅（R，red）、綠(G，green)和藍(lán)（B，blue）的各種組合。 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）三原色原理 其基本內(nèi)容是： 任何顏色都可以用3種不同的基本顏色按照不同比例混合得到，即 C=aC1+bC2+cC3 (9.1) 式中a，b，c >=0 為三種原色的權(quán)值或者比例，C1、C2、C3為三原色（又稱為三基色）。 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）三原色原理指出 自然界中的可見顏色都可以用三種原色按一定比例混合得到；反之，任意一種顏色都可以分解為三種原色。作為原色的三種顏色應(yīng)該相互獨(dú)立，即其中任何一種都不能用其他兩種混合得到。 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）三原色原理 為了標(biāo)準(zhǔn)化起見，國際照明委員會(huì)（CIE）規(guī)定用波長(zhǎng)為700nm、546.1nm、435.8nm的單色光分別作為紅(R)、綠(G)、藍(lán)(B)三原色。 紅綠藍(lán)三原色按照比例混合可以得到各種顏色，其配色方程為： C=aR+bG+cB (9.2) 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）三原色原理 原色相加可產(chǎn)生二次色。 例如：紅色+藍(lán)色=深紅色(M，magenta)，綠色+藍(lán)色=青色(C，cyan)，紅色+綠色=黃色(Y，yellow)。以一定的比例混合光的三種原色或者以一種二次色與其相反的原色相混合可以產(chǎn)生白色(W，white)，即：紅色+綠色+藍(lán)色=白色。 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）彩色到灰度的轉(zhuǎn)換 相同亮度的三原色，人眼看去的感覺是，綠色光的亮度最亮，而紅色光其次，藍(lán)色光最弱。如果用Y來表示白色光，即光的亮度(灰度)，則有如下關(guān)系： Y=0.299R+0.587G+0.114B 9.1 彩色基礎(chǔ) （Fundamentals of Color and Vision）區(qū)分顏色常用三種基本特性量 亮度：如果無彩色就只有亮度一個(gè)維量的變化。 色調(diào)：是光波混合中與主波長(zhǎng)有關(guān)的屬性，色調(diào)表示觀察者接收的主要顏色。這樣，當(dāng)我們說一個(gè)物體是紅色、橘黃色、黃色時(shí)，是指它的色調(diào)。 飽和度：與一定色調(diào)的純度有關(guān)，純光譜色是完全飽和的，隨著白光的加入飽和度逐漸減少。 9.2 彩色模型（Color Models）彩色模型（也稱彩色空間或彩色系統(tǒng)）的用途是在某些標(biāo)準(zhǔn)下用通�？山邮艿姆绞胶�(jiǎn)化彩色規(guī)范。本質(zhì)上，彩色模型是坐標(biāo)系統(tǒng)和子空間的規(guī)范。位于系統(tǒng)中的每種顏色都由單個(gè)點(diǎn)來表示。本節(jié)主要討論幾種圖像處理應(yīng)用的主要模型。 9.2.1 RGB模型（RGB Color Model） RGB模型 RGB模型是目前常用的一種彩色信息表達(dá)方式，它使用紅、綠、藍(lán)三原色的亮度來定量表示顏色。該模型也稱為加色混色模型，是以RGB三色光相互疊加來實(shí)現(xiàn)混色的方法，因而適合于顯示器等發(fā)光體的顯示。 9.2.1 RGB模型（RGB Color Model） 9.2.1 RGB模型（RGB Color Model） 圖9.3中，R，G，B位于三個(gè)角上；二次色深紅(Magenta)、青(Cyan)、黃(Yellow)位于另外3個(gè)角上，黑色在原點(diǎn)處，白色位于離原點(diǎn)最遠(yuǎn)的角上（點(diǎn)（1，1，1））。 在本模型中，不同的顏色處在立方體上或其內(nèi)部，并可用從原點(diǎn)分布的向量來定義。為方便起見，假定所有的顏色值都?xì)w一化，即所有R，G，B的值都在[0，1]范圍內(nèi)取值。 9.2.1 RGB模型（RGB Color Model） 考慮RGB圖像，其中每一幅紅、綠、藍(lán)圖像都是一幅8bit圖像，在這種條件下，每一個(gè)RGB彩色像素有24bit深度（3個(gè)圖像平面乘以每平面比特?cái)?shù)，即3×8）。 24bit的彩色圖像也稱全彩色圖像。在24bitRGB圖像中顏色總數(shù)是224=16777216。 9.2.1 RGB模型（RGB Color Model） 一幅m*n（m，n為正整數(shù)，分別表示圖像的高度和寬度）的RGB彩色圖像可以用一個(gè)m*n*3的矩陣來描述，圖像中的每一個(gè)像素點(diǎn)對(duì)應(yīng)于紅、綠、藍(lán)三個(gè)分量組成的三元組。 在Matlab中，不同的圖像類型，其圖像矩陣的取值范圍也不一樣。例如若一幅RGB圖像是 double類型的，則其取值范圍在[0， 1]之間，而如果是uint8或者uint16類型的，則取值范圍分別是[0， 255]和[0， 65535]。 9.2.1 RGB模型（RGB Color Model）在Matlab中要生成一幅RGB彩色圖像可以采用cat函數(shù)來得到。 其基本語法如下： B=cat(dim， A1， A2， A3， …) 其中，dim為維數(shù)，cat函數(shù)將A1，A2，A3等矩陣連接成維數(shù)為dim的矩陣。 9.2.1 RGB模型（RGB Color Model）對(duì)圖像生成而言，可以取dim=3，然后將三個(gè)分別代表RGB分量的矩陣連接在一起： I=cat(3， rgb_R， rgb_G， rgb_B) 在這里，rgb_R，rgb_G，rgb_B分別為生成的RGB圖像I的三個(gè)分量的值，可以使用下列語句： rgb_R=I(:， :， 1); rgb_G=I(:， :， 2); rgb_B=I(:， :， 3); 9.2.1 RGB模型（RGB Color Model）例：生成一幅128*128的RGB圖像，該圖像左上角為紅色，左下角為藍(lán)色，右上角為綠色，右下角為黑色。 9.2.2 HSI模型（HSI Color Model） HSI(Hue-Saturation-Intensity，HSI)模型用H、S、I三參數(shù)描述顏色特性。 H定義顏色的波長(zhǎng)，稱為色調(diào)； S表示顏色的深淺程度，稱為飽和度； I表示強(qiáng)度或亮度。 9.2.2 HSI模型（HSI Color Model） HSI模型在圖像處理和識(shí)別中廣泛采用 主要基于兩個(gè)重要的事實(shí)： 其一 I分量與圖像的彩色信息無關(guān)；其二 H和S分量與人感受顏色的方式是緊密相連的。 9.2.2 HSI模型（HSI Color Model）包含彩色信息的兩個(gè)參數(shù)是色度(H)和飽和度(S)。色度H由角度表示，彩色的色度反映了該彩色最接近什么樣的光譜波長(zhǎng)（即彩虹中的那種顏色）。不失一般性，可以假定0o的彩色為紅色，120o的為綠色，240o的為藍(lán)色。色度從0o~360o覆蓋了所有可見光譜的彩色。 9.2.2 HSI模型（HSI Color Model） 飽和度S表示顏色的深淺程度，飽和度越高，顏色越深，如深紅，深綠等。飽和度參數(shù)是色環(huán)的原點(diǎn)（圓心）到彩色點(diǎn)的半徑的長(zhǎng)度。 如圖9.9所示。在環(huán)的外圍圓周是純的或稱飽和的顏色，其飽和度值為1。在中心是中性（灰色），即飽和度為0。 亮度I是指光波作用于感受器所發(fā)生的效應(yīng)，其大小由物體反射系數(shù)來決定。反射系數(shù)越大，物體的亮度越大，反之越小。 9.2.2 HSI模型（HSI Color Model） 1. 從RGB模型轉(zhuǎn)換到HSI模型 2. 從HSI模型轉(zhuǎn)換到RGB模型 9.3 偽彩色處理 （Pseudocolor Image Processing） 9.3 偽彩色處理 （Pseudocolor Image Processing） 9.3.1 強(qiáng)度分層（Intensity Slicing） 9.3.2 灰度級(jí)到彩色變換（ Transformation of Gray Levels to Color ） 9.3.2 灰度級(jí)到彩色變換（ Transformation of Gray Levels to Color ） 9.3.2 灰度級(jí)到彩色變換（ Transformation of Gray Levels to Color ） 9.4 全彩色圖像處理 （Full-Color Image Processing）全彩色圖像處理研究分為兩大類。 第一類—— 分別處理每一分量圖像，然后，從分別處理過的分量圖像形成合成彩色圖像。第二類—— 直接對(duì)彩色像素進(jìn)行處理。 9.4.1 全彩色圖像處理基礎(chǔ) （Basics of Full-Color Image Processing） 9.4.2 彩色圖像直方圖處理 （Color Image Histogram Processing） 9.4.2 彩色圖像直方圖處理 （Color Image Histogram Processing） 9.4.3 彩色圖像平滑 （Color Image Smoothing） 9.4.3 彩色圖像平滑 （Color Image Smoothing）用空間濾波法--鄰域平均進(jìn)行彩色圖像平滑濾波。 其主要Matlab程序?qū)崿F(xiàn)如下： r gb=imread('flower608.jpg'); fR=rgb(:，:，1); fG=rgb(:，:，2); fB=rgb(:，:，3); w=fspecial('average'); fR_filtered=imfilter(fR，w); fG_filtered=imfilter(fG，w); fB_filtered=imfilter(fB，w); rgb_filtered=cat(3，fR_filtered，fG_filtered，fB_filtered); 9.4.3 彩色圖像平滑 （Color Image Smoothing） 9.4.3 彩色圖像平滑 （Color Image Smoothing）彩色圖像平滑中兩種方法的比較。 9.4.4 彩色圖像銳化 （Color Image Sharpening） 銳化的主要目的是突出圖像的細(xì)節(jié)。 在這一節(jié)考慮用Laplacian算子的銳化處理，其它銳化算子的處理類似。 從向量分析知道向量的Laplacian被定義為一向量，其分量等于輸入向量的獨(dú)立標(biāo)量分量的Laplacian微分。 9.4.4 彩色圖像銳化 （Color Image Sharpening）在RGB彩色系統(tǒng)中，向量c的Laplacian變換為： 9.4.4 彩色圖像銳化 （Color Image Sharpening）使用經(jīng)典的Laplacian濾波模板分別對(duì)每個(gè)分量圖像進(jìn)行銳化。 其主要Matlab程序?qū)崿F(xiàn)如下： rgb=imread('flower608.jpg'); fR=rgb(:，:，1); fG=rgb(:，:，2); fB=rgb(:，:，3); lapMatrix=[1 1 1;1 -8 1;1 1 1]; fR_tmp=imfilter(fR，lapMatrix，'replicate'); fG_tmp=imfilter(fG，lapMatrix，'replicate'); fB_tmp=imfilter(fB，lapMatrix，'replicate'); rgb_tmp=cat(3，fR_tmp，fG_tmp，fB_tmp); rgb_sharped=imsubtract(rgb，rgb_tmp); 9.4.4 彩色圖像銳化 （Color Image Sharpening） 9.4.4 彩色圖像銳化 （Color Image Sharpening）彩色圖像銳化中兩種方法的比較 a | b | c 圖9.13 彩色圖像銳化。（a）處理每一個(gè)RGB通道的結(jié)果，（b）僅處理強(qiáng)度分量而色調(diào)和飽和度分量不變，并轉(zhuǎn)換為RGB的結(jié)果，（c）兩種結(jié)果的差別 9.5 彩色圖像分割 （Color Image Segmentation）彩色圖像分割圖像分割是把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。 9.5.1 HSI彩色空間分割 （Segmentation in HSI Color Space） HSI模型（HSI Model）是面向顏色處理的，用色調(diào)(Hue)、飽和度(Saturation) 、亮度(Intensity)來描述顏色。用色調(diào)和飽和度描述色彩，用亮度描述光的強(qiáng)度。這個(gè)模型有二個(gè)特點(diǎn)： （1）I分量與圖像的彩色信息無關(guān)； （2）H和S分量與人感受顏色的方式是緊密相連的。 這些特點(diǎn)使得HSI模型非常適合于借助人的視覺系統(tǒng)來感知彩色特性的圖像處理算法。 9.5.1 HSI彩色空間分割 （Segmentation in HSI Color Space）圖像中用色度描述彩色。以飽和度作為一個(gè)模板圖像，從色調(diào)圖像中分離出感興趣的特征區(qū)。由于強(qiáng)度不攜帶彩色信息，彩色圖像分割一般不使用強(qiáng)度圖像。 下面是在HSI系統(tǒng)中進(jìn)行分割的例子。 9.5.1 HSI彩色空間分割 （Segmentation in HSI Color Space） 在HSI空間的圖像分割。假定興趣是分割圖9.25中紅色花朵。注意：我們感興趣的區(qū)域有相對(duì)高的色度值。 9.5.1 HSI彩色空間分割 （Segmentation in HSI Color Space）以飽和度作為一個(gè)模板圖像：在飽和度圖像中選擇門限值等于最大飽和度的30%，任何比門限大的像素值賦1值(白 )，其他賦0值(黑)。從色調(diào)圖像中分離出感興趣的特征區(qū)：用飽和度二值模板作用于色調(diào)圖像就產(chǎn)生出紅色花朵分割的結(jié)果。 9.5.1 HSI彩色空間分割 （Segmentation in HSI Color Space） 9.5.2 RGB彩色空間分割 （Segmentation in RGB Color Space）雖然在HSI空間彩色圖像較直觀。通常用RGB彩色向量進(jìn)行分割。方法： 9.5.2 RGB彩色空間分割 （Segmentation in RGB Color Space）令這個(gè)平均彩色用RGB向量a來表示。分割的目標(biāo)是對(duì)給定圖像中每一個(gè)RGB像素進(jìn)行分類。這就需要一個(gè)相似性度量。令z代表RGB空間中的任意一點(diǎn)，如果它們之間的距離小于特定的閾值D0，我們就說z與a是相似的。最簡(jiǎn)單的度量之一是歐氏距離， z和a之間的距離可以是歐氏距離，如： 9.5.2 RGB彩色空間分割 （Segmentation in RGB Color Space） 9.5.2 RGB彩色空間分割 （Segmentation in RGB Color Space）對(duì)一幅RGB彩色圖像，選擇要分割的區(qū)域，計(jì)算該區(qū)域中的彩色點(diǎn)的平均向量a。盒子的中點(diǎn)在a，它的尺度沿每一個(gè)RGB軸以沿相應(yīng)軸的數(shù)據(jù)標(biāo)準(zhǔn)差的1.25倍選擇。例如，令R代表樣點(diǎn)紅分量的標(biāo)準(zhǔn)偏差，aR代表平均向量a的紅分量： （aR-1.25R，aR+1.25R），這里在整個(gè)彩色圖像中編碼每一點(diǎn)的結(jié)果為：如果點(diǎn)位于盒子表面或內(nèi)部為白色，否則為黑色。 9.5.2 RGB彩色空間分割 （Segmentation in RGB Color Space） rgb=imread('flower608.jpg'); rgb1=im2double(rgb); r=rgb1(:，:，1); g=rgb1(:，:，2); b=rgb1(:，:，3); r1=r(129:256，86:170); r1_u=mean(mean(r1(:))); [m，n]=size(r1); sd1=0.0; for i=1:m for j=1:n sd1=sd1+(r1(i，j)-r1_u)*(r1(i，j)-r1_u); end end r1_d=sqrt(sd1/(m*n)); r2=zeros(size(rgb1，1)，size(rgb1，2)); ind=find((r>r1_u-1.25*r1_d)&(rDBt紅軟基地

數(shù)字圖像處理姚敏ppt：這是數(shù)字圖像處理姚敏ppt，包括了概述，連續(xù)圖像模型，連續(xù)圖像的頻譜，圖像采樣，圖像量化，數(shù)字圖像中的基本概念等內(nèi)容，歡迎點(diǎn)擊下載。

數(shù)字圖像處理ppt課件：這是一個(gè)關(guān)于數(shù)字圖像處理ppt課件，包括了數(shù)字圖像處理的研究目的，數(shù)字圖像處理的重要性，數(shù)字圖像處理的起源，數(shù)字圖像處理的應(yīng)用，數(shù)字圖像的特點(diǎn)，數(shù)字圖像處理技術(shù)，圖像技術(shù)及分類，數(shù)字圖像處理的發(fā)展趨勢(shì)等內(nèi)容，數(shù)字圖像處理曾志斌 教材參考圖像處理基礎(chǔ)教程 章毓晉 清華出版社 數(shù)字圖像處理 郭文強(qiáng) 西安電子科技大學(xué)出版社 數(shù)字圖像處理與分析 楊帆 北京航天大學(xué)出版社 數(shù)字圖像處理教學(xué)目的了解數(shù)字圖像處理的基本原理，熟悉基本的數(shù)字圖像處理算法，拓展視野. 為從事相關(guān)行業(yè)及基于該基礎(chǔ)的集成電路設(shè)計(jì)工作打下良好的基礎(chǔ)。 緒論數(shù)字圖像處理的研究目的數(shù)字圖像處理的重要性數(shù)字圖像處理的起源數(shù)字圖像處理的應(yīng)用數(shù)字圖像的特點(diǎn)數(shù)字圖像處理技術(shù)圖像技術(shù)及分類數(shù)字圖像處理的發(fā)展趨勢(shì) 數(shù)字圖像處理研究目的對(duì)兩大應(yīng)用領(lǐng)域進(jìn)行研究 便于人們分析而對(duì)圖像信息進(jìn)行改進(jìn) 為使機(jī)器自動(dòng)理解而對(duì)圖像數(shù)據(jù)進(jìn)行存儲(chǔ)、傳輸及顯示數(shù)字圖像處理的重要性1) 人類傳遞信息的主要媒介是語音和圖像，歡迎點(diǎn)擊下載數(shù)字圖像處理ppt課件哦。

數(shù)字圖像處理技術(shù)PPT：這是一個(gè)關(guān)于數(shù)字圖像處理技術(shù)PPT，01、圖像處理技術(shù)概述，02 、圖像處理技術(shù)發(fā)展現(xiàn)狀，03、圖像處理技術(shù)的利用，數(shù)字圖像處理技術(shù)（Digital Image Processing），多媒體計(jì)算機(jī)技術(shù)，數(shù)字圖像處理技術(shù)論文答辯ppt模板。答辯是相對(duì)起訴而言的，是被告針對(duì)原告起訴的事實(shí)和理由向人民法院提出的答復(fù)和辯解。

​