成都理工大学数字图像处理2012-1013

2.图像锐化处理的目的：增强图像边缘与图像细节。

3.图像平滑处理后图像结果是：抑制了图像噪声也平滑了目标图

像边缘。

4.傅里叶变换的条件有：具有有限个间断点、具有有限个极值

点、绝对可积。

5.无损压缩：Huffman、算术编码、香农-费诺编码、游程编码、

LZW编码

有损压缩：预测编码

6.对点扩散函数加高斯噪声的图像退化复原，效果更好的方法

是：自相关函数的维纳滤波方法。

7.基于四叉树的-合并法依据原则：当相邻的子区域满足一致

性特征时则将它们合成一个大区域,直至所有区域不

再满足合并的条件为止. 　

8.图像复原的目的：改善图像质量。

9.实现图像边缘检测的算法：LOG算子、Canny算子、Prewitt算

子、Sobel算子、零交叉算法。

10.图像复原方法：维纳滤波（最小二乘方滤波）、逆滤波（反向

滤波）、正则滤波、LR算法、盲区卷积。

11.图像直方图相等，则图像：不能作为判别依据。

12.能较好地消除图像椒盐噪声的算法：中值滤波法。

13.用掩模空域平均法作图像增强：越大越平滑，噪声平滑效果越

差。

14.预测编码和huffman编码相比压缩比高，原因是：

15.中值滤波方法（去除噪声）属于图像滤波的：非线性滤波方

法。

矩阵名（开始行：终止行，开始列：终止列）。矩阵分割

2.图像增强中，空间域平均方法对于抑制噪声有效。

3.一阶二阶微分算子对于突出图像的细节、边缘有效。

.傅里叶变换中，低频部分反映图像的轮廓信息，高频部分反映图像的边缘、跳跃部分、颗粒噪声。

5.图像压缩方法中属于统计编码的有1.香农-菲诺 2.定长编码3.霍

夫曼编码4.算术编码5.Lempel-Ziv编码

6.FFT算法思想是把原始点序列依次按N/2 分解一系列的短序列，

然后得到其Fourial变化，分解方法有按时间抽取和

按频率抽取分解。

7.图像分割中的区域生长法是依据每个种子点有相似属性像强

度、灰度级、纹理颜色等的相邻像素合并到此区域

（阈值），判别识别点是否是生长点。

8通常产生图像主要有__数学函数产生、不可见光__和物体光谱特性几类

9.W越大，噪声滤波效果越好，边缘定位越不准确。

10.canny算子边缘检测优于零交叉，是因为canny采用方向导数G

与图像F（x,y）的卷积在边缘梯度方向上的最大

值。

1.图像平滑处理和锐化处理区别：平滑和锐化处理同属图像增强

技术。平滑处理主要用于去除搭载在图像信号上的

噪声分量，有可能使本来聚焦清晰的图像变得模糊

起来。利用锐化技术来突出国像中人们感兴趣的信

息，即增强代表图像纫节的分量，包括清晰度强调

和细微层次强调等操作内容。

2.直方图规定化是在运用均衡化原理的基础上，通过建立原始

图像和期望图像之间的关系，选择地控制直方图，使原

始图像的直方图变成规定的形状，从而弥补了直方图均

衡不具备交互作用的特性。均衡化图象的动态范围扩大

了，但其本质是扩大了量化间隔，而量化级别反而减少

了，因此，原来灰度不同的象素经处理后可能变的相

同，形成了一片的相同灰度的区域，各区域之间有明显

的边界，从而出现了伪轮廓。

3.图像增强不考虑图像质量下降的原因，只将图像中感兴趣的

特征有选择的突出，而衰减不需要的特征，它的目

的主要是提高图像的可懂度。图像复原是利用退化

现象的某种先验知识，建立退化现象的数学模型，

再根据模型进行反向的推演运算，以恢复原来的景

物图像。因而，图像复原可以理解为图像降质过程

的反向过程。建立图像复原的反向过程的数学模

型，就是图像复原的主要任务。

4.图像边缘分为：1.阶跃性边缘2.屋顶状边缘。对于阶跃性边

缘，二阶方向导数在边缘处呈零交叉；而对于屋顶

状边缘，二阶方向导数在边缘处取极值。

中值滤波原理

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，

中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个临域中各点值的中值代替，

让周围的像素值接近的值，从而消除孤立的噪声点。

处理步骤

1：通过从图像中的某个采样窗口取出奇数个数据进行排序

2：用排序后的中值取代要处理的数据

例子

为了演示中值滤波器的工作过程，我们给下面的数组加上观察窗 3 ，重复边界的数值：　x = [2 80 6 3]

y[1] = Median[2 2 80] = 2　

y[2] = Median[2 80 6] = Median[2 6 80] = 6　

y[3] = Median[80 6 3] = Median[3 6 80] = 6　

y[4] = Median[6 3 3] = Median[3 3 6] = 3　

于是　y = [2 6 6 3]　其中 y 是 x 的中值滤波输出

费诺编码的方法1.将信源消息符号按其出现的概率大小依次排列。

2.将依次排列的信源符号按概率值分为两大组，使两个组的概率之和近

似相同，并对各组赋予一个二进制码元“0”和“1”。

3.将每一大组的信源符号再分为两组，使划分后的两个组的概率之和近

似相同，并对各组赋予一个二进制符号“0”和“1”。

4.如此重复，直至每个组只剩下一个信源符号为止。

5.信源符号所对应的码字即为费诺码。

区域生长法：

步骤1：使用阈值集合将图像分割为R1，R2，R，…，Rm。

步骤2：从图像的分割描述中生成区域邻接图（region adjacency graphics，RAG）。

步骤3：对于每个Rj，i = 1，2，…，m，从RAG中确定所有Rj，j≠i，如Ri和Rj邻接。

步骤4：对于所有i和j，计算在Ri和Rj之间合适的相似性度量Sij。

步骤5：如果Sij>T,那么合并Ri和Rj

步骤6：根据相似性标准，重复步骤3~步骤5，直到没有合并的区域为止。

img = imread('e:\\image.jpeg');%读取图像

igray = rgb2gray(img);%灰度转换

figure(1);imshow(img);%显示原图像

figure(2);

imshow(igray);%显示灰度图像

h = im2uint8(mat2gray(1./(1 + (100./(double(img) + eps)).^0.9))); figure,imshow(h);%显示对比度拉伸图像

%绘制直方图

[m,n]=size(img);

GP=zeros(1,256);

for k=0:255

GP(k+1)=length(find(PS==k))/(m*n);

end

figure,bar(0:255,GP,'g') %绘制直方图

%直方图均衡化

S1=zeros(1,256);

for i=1:256

for j=1:i

S1(i)=GP(j)+S1(i);

end

end

S2=round((S1*256)+0.5);

for i=1:256

GPeq(i)=sum(GP(find(S2==i)));

end

figure,bar(0:255,GPeq,'b') %显示均衡化后的直方图

%图像均衡化

PA=img;

for i=0:255

PA(find(img==i))=S2(i+1); %将各个像素归一化后的灰度值赋给这个像素

end

figure,imshow(PA) %显示均衡化后的图像

P2=imnoise(img,'salt & pepper',0.15) %加入椒盐躁声

figure,imshow(P2) %%加入椒盐躁声后显示图像

h1 = imfilt(img,[5 5]); %空间滤波figure,imshow(h1)

h2 = medfilt2(img,[5 5]); %中值滤波figure,imshow(h2)

imwrite(PA,'filename); %保存均衡化处理图像