Xiongchao99的博客(2)

（1）常见的拉普拉斯锐化的最终掩模矩阵有如下4邻域和8邻域：

4邻域：

8邻域：

根据上述掩模矩阵就可以看出，经过掩模矩阵与覆盖像素的乘积求和后，可以增强某些灰度突变幅度，因此可以实现锐化。

作用：拉普拉斯锐化对于细节增强效果较好，如月球表面成像细节；

（2）梯度法实现锐化的掩模矩阵是一个组合，有两个组成（以3*3为例）：

前者是针对图像中行像素的灰度变化，后者是针对列像素方向的灰度变化；

注意：梯度法的掩模矩阵要保证所有掩模系数之和为0；

z8, z13 z5, z6 z7, z8 z8 z6 z7 z3, z6 z6, z8 z8, z10 z8 z10, z11 z11, z12 z13 z8。对于多级齿轮传动，传动比等于(z2/z1)*(z4/z3)*(z6/z5) =（z2*z4*z6 ）/（z1*z3*z5 ）。原问题为max x=8*z1+10*z2+2*z3s.t. 2*z1+1*z2+3*z3 〈=704*z1+2*z2+2*z3 〈=803*z1+ 1*z3 〈=152*z1+2*z2 〈=50z1。

最终该像素点的锐化值=f(该点像素值)+df；

作用：梯度锐化法对于轮廓边缘增强效果较好，如工业缺陷轮廓检测。

注：梯度处理又称为Sobel处理。

答：分为：空间滤波器与频域滤波器，分别对应空间域和频域中的滤波。

(2)空域滤波增强 空间滤波又称空间域滤波（ spatial filtering ），这是在图像空间几何变量域上直接修改图像数据，抑制噪声，改善图像质量的方法。 （5）均匀噪声： 9.2 图像去噪 图像去噪算法分类： （1）空间域滤波 （2）变换域滤波 （3）偏微分方程 （4）变分法 （5）形态学噪声滤除器 典型图像去噪方法分析 （1）均值滤波器：-----邻域平均法 像素点（x，y），选择一个模板，求模板中所有像素的均值。imgproc-图像处理模块，包括线性非线性滤波，几何图像变化（尺寸变换、仿射、透视、基于表的映射），图像域卷积，直方图等。

频域滤波器实际是将空间域信号转化到频域而成的，这样可以将一些干扰频率段的信号滤掉，实现增强效果。下面部分就准备介绍频域空间滤波；

答：（1）频域信号的物理意义：低频信号的大小主要表示图像的总体灰度级；高频信号主要表示图像的细节部分，如边缘和噪声；这样，在频域内可以容易的实现对高频噪声的滤除或者对低频灰度级的衰减以增强图像；

（2）频域滤波步骤：输入图像->前处理->傅里叶变换为频域信号->频域滤波函数进行滤波->傅里叶反变换转化为空间域信号->后处理->结果图像；

（3）频率滤波器主要分为低通滤波器和高通滤波器。低通会衰减高频信号，故起到平滑作用；高通会衰减低频信号，故起到锐化作用；

（3）频域滤波的意义：有很多情况下，空间域无法实现的滤波要求可以在频域轻松实现，所以频域滤波的作用常常是先用频域信号实现滤波器，然后再进行傅里叶反变换为空间域滤波器。起到一个中间作用，最终还是生成了空间域滤波器。

答：卷积原理：两个函数卷积的傅里叶变换=函数傅里叶变换后的乘积；

∞ - 1 1 j ωt j ω t f [2πδ ω- ω ] 2πδ ω- ω e d ω e 0 0 ∫ 0 2π - ∞ ∞ - 1 1 j ωt - j ω t f [2πδ ω+ ω ] 2πδ ω+ ω e d ω e 0 0 ∫ 0 2π - ∞ 5 若 Φ t 在 t t0 存在 n 阶导数 , 则 ∞ n n n Φ t δ t - t d t - 1 Φ t 2 .6 .10 ∫ 0 0 - ∞由式 2 . 6 . 10 可得 ·13 · 通 信 原 理 ∞ Φ t δ′ t - t d t - Φ′ t 2 .6 .11 ∫ 0 0 - ∞2 . 7 功率信号的傅利叶变换 按照经典数学函数的定义, 功率信号的傅利叶变换是不存在的, 但如果扩大函数定义范围, 引入广义函数 δ t , 则可 以求得功率信号的傅利 叶变换。对提取到的光场数据进行四维傅里叶变化，计算其傅里叶切片，对得到的傅里叶切片进行二维傅里叶逆变化提取重聚焦后的图像。需要注意的是最后一轮并不进行mixcolumns（列混淆变换）解密的基本运算aes解密算法与加密不同，基本运算中除了addroundkey（轮密钥加）不变外，其余的都需要进行逆变换，即invsubbytes（逆字节替代）、invshiftrows（逆行移位）、invmixcolumns（逆列混淆）。

现。

可以说，卷积定理是空间域滤波和频域滤波之间的纽带。

答：频率域中，低通滤波器和高通滤波器的生成实际就是创建合理的频率域滤波函数曲线；

（1）频域低通滤波器有：频域理想低通滤波器、频域巴特沃斯低通滤波器、频域高斯低通滤波器等；

理想低通滤波器的函数曲线是类似脉冲函数，低频和高频间过渡十分剧烈，是无法实现的；

在图像增强问题中， g(x, y) 是待增强的图像，一般是给定的，在利用傅立叶变换获取频谱函数 g(u, v) 后，关键是选取滤波器 h(u, v) ，若利用 h(u, v) 强化图像高频分量，可使图像中物体轮廓清晰，细节明显，这就是高通滤波，若强化低频分量，可减少图像中噪声影响，对图象平滑，这就是低通滤波。 1 、低通滤波 低通滤波又称 “ 高阻滤波器 ” ，它指抑制图像频谱的高频信号而保留低频信号的一种模型（或器件）。1 、低通滤波 低通滤波又称 “ 高阻滤波器 ” ，它指抑制图像频谱的高频信号而保留低频信号的一种模型（或器件）。

（2）频域高通滤波器的滤波函数曲线的纵轴方向取值与低通滤波曲线相反，主要集中在横轴的高频部分，所以对于低频有抑制作用。

频域内的高通滤波器有：频域理想高通滤波器、频域巴特沃斯高通滤波器、频域高斯高通滤波器、频域拉普拉斯滤波器；

频域高通滤波器还有很多改进型，如高斯高通滤波器的改型有：高斯高通加强型滤波器、同态滤波器等。

答：原理：Gabor变换在前面章已经讲过了，就是短时傅里叶变换。正是基于Gabor变换具有时频结合特性，可以同时在时间域和频率域获取局部

(2)空域滤波增强 空间滤波又称空间域滤波（ spatial filtering ），这是在图像空间几何变量域上直接修改图像数据，抑制噪声，改善图像质量的方法。(2)空域滤波增强 空间滤波又称空间域滤波（ spatial filtering ），这是在图像空间几何变量域上直接修改图像数据，抑制噪声，改善图像质量的方法。滤波器组要覆盖整个空间/频率域,尺度和位置参数的选取应该使在频域中同一半径圆周上的各 gabor 滤波器的频带不重叠,在同一径向上不同半径的圆周上的 gabor滤波器的频带也不重叠。

的局部结构信息，从而实现局部高质量滤波；

Gabor滤波器时间窗口选择：根据信号频率确定，频率越高，时间窗口越小；

指纹图像局域 的纹线分布具有较稳定的方向和频率，参数值近似取为常数，可以简化计算， 同时保留其方向和频率滤波的特色。小波基的构造会直接影响到图像纹理分析的效果,但有关这方面的研究报道并不多见,unser 指出滤波器的选择可能会影响图像纹理描述的质量,mojsilovic 讨论了用于纹理描述的最优小波基的选择问题,建立了基于小波纹理描述算法的滤波器选择的相关准则。指纹图像纹理结构在频域的能量集中在一个窄带频率范围，与滤波器 通带设置的频率参数一致，所以指纹图像纹理结构滤波后增强，通带外其它的。

用于边缘检测的线性滤波器。

)遥感数据过程遥感数据过程1 1遥感数据的处理遥感数据的处理  通常是图像形式的遥感数据的处理， 主通常是图像形式的遥感数据的处理，主要包括纠正（包括辐射纠正和几何纠正要包括纠正（包括辐射纠正和几何纠正） 、 增强、 变换、 滤波、 分类等功能） 、 增强、 变换、 滤波、 分类等功能 。所述步骤slo中的中值滤波是一种基于排序统计理论的能有效抑制噪声的非线性信号处理技术直方图匹配原理，是一种常用的图像滤波方法。李树涛、王耀南提出的“图像椒盐噪声的非线性自适应滤除”,该方法先在噪声图像的滤波窗口中去除具有最大和最小灰度。

答：（1）退化模型函数g=f*h+n；

即：输入图像f被退化函数h进行了卷积运算，然后又加上噪声函数n的干扰，就是我们采集输出的图像g；

要复原图像就要进行反操作：减去噪声函数n，然后进行卷积逆变换。

复原模型的生成步骤：预估噪声模型和退化函数->逆操作->复原图像；

（2）噪声模型估计：

噪声模型的选择需要根据图像的傅里叶频谱情况进行估计。

常见的噪声模型包括：高斯噪声、瑞利噪声、伽马噪声、指数噪声、均匀噪声和脉冲噪声等。估计时根据情况选择前面所述近似的模型即可。

当退化模型中只存在噪声模型时，图像复原就和图像增强没有区别了，即只需要消除噪声就可，此时可直接进行空间滤波即可。如：均值滤波（算术均值、几何均值、谐波均值逆谐波均值滤波）、统计排序滤波（中值、最大最小值、中点、修正阿尔法滤波）、自适应滤波。

（3）退化函数估计：

退化函数估计方法有：观察法、试验法、数学建模法。

（4）常见的复原方法和模型有：

逆滤波器、最小均方误差滤波（维纳滤波）器、约束最小二乘方滤波器、几何均值滤波器（最广义化的复原模型）；

有的产品不仅上下和左右变宽时都能校正，而且投影时还能够通过倾斜传感器检测机身角度，自动校正图像失真。按照匹配算法的具体实现又可以分为直接法和搜索法两大类，直接法主要包括变换优化法，它首先建立两幅待拼接图像间的变换模型，然后采用非线性迭代最小化算法直接计算出模型的变换参数，从而确定图像的配准位置。这些图像文件被有序的发送给软件层，软件层接到消息后，先对图像进行拼接、反色、校正等处理，再调用ocr识别核心，进行图像文字识别。

以车牌矫正或文本识别为例：车牌字符要实现良好分割，就需要保证车牌是水平的，所以车牌矫正必不可少。

1）哈夫变换法：对矩形车牌进行边缘提取，然后对矩形长边缘进行哈夫直线检测，根据检测到的最长直线首尾坐标可以求得斜率，从而就可获知车牌倾斜度；

2）radon变换（或叫拉东变换）：就是投影法，原理：对倾斜目标的图像在不同的倾斜角度（0：179°）范围内进行投影，然后查找使投影结果具有最大峰值的那个投影角度。记录这一角度，就是倾斜的角度。

拉东变换原理：如下图，白色方块代表图片目标，箭头代表投影方向，坐标轴x始终与投影方向垂直，坐标上的投影曲线是每条射线方向像素点灰度的累加和。由图可知，只有顺着长方形图像目标长边方向的投影才可以得到最大峰值，因此该投影方向可以看做方块的方向角。

车牌或文字方向校正，都可以参考这种方法。

3）K-最近邻法（KNN）：先找出目标区域内所有的连通区域（文本识别中每一个连通区就是一个字符），然后将所有连通区中K个最邻近的连通区中心点两两相连成矢量，计算矢量方向角度并绘制直方图，直方图的峰值就是目标区域倾斜角度。

答：①RGB颜色空间：

该颜色空间主要用于计算机图形学中，它是指图像中每一个像素都具有R,G,B三个颜色分量，这三个分量大小均为[0,255]，以这三个分量为坐标轴，构建一个三维颜色空间，这样，颜色空间中每一个三维坐标都将表示一种颜色。但RGB并不能表示所有颜色；

RGB图像的每个像素有三个分量组成，所以可以看作是一个向量，而不是一个点。

②HSI颜色空间：

HSI颜色空间是从人的视觉系统出发，用色调(Hue)、色饱和度(Saturation)、亮度 (Intensity)来描述色彩（HSI就是三者简写组合）。

HSI色彩空间可以用一个圆锥空间模型来描述，这种色彩空圆锥模型相当复杂，但确能把色调、亮度和色饱和度的变化情形表现得很清楚；

HSI最大的好处就是可以颜色空间分为彩色和灰度信息，这样就可以利用彩色特征进行图像处理，例如车牌识别中常根据车牌的色彩信息进行定位车牌。

③YUV颜色空间：

该颜色空间是PAL制式和SECAM制式采用的颜色空间，其中Y代表亮度，UV代表色度。“亮度”是通过RGB输入信号来建立的，方法是