基于c的数字图像处理系统的开发

基于c的数字图像处理系统的开发内容摘要：

作，基于点运算的灰度变换可表示为： )],([),( yxfTyxg 。 其中 T 被称为灰度变换函数，它描述了输入灰度值和输出灰度值之间的关系。 一旦灰度变换函数确定，该灰度变换就被完全确 定下来。 根据不同的应用要求，可以选择不同的变换函数，根据函数的性质，灰度变换的方法有： (1)线性灰度变换。 (2)分段线性灰度变换。 (3)非线性灰度变换。 分段线性灰度变换 为了突出图像中感兴趣的目标或者灰度区间，将图像灰度区间分成两段乃至多段分别做线性变换称之为分段线性变换，如图 所示。 图 分段线性变换示意图 分段线性变换的优点是可以根据用户的需要，拉伸特征物体的灰度细节，相对抑制不感兴趣的灰度级。 采用分段线性法，可将需要的图像细节灰度级拉伸，增强对比度，将不需要的细节灰 度级压缩。 其数学表达式如下 ： eyxfbdayxfbedfbyxfacayxfabcdayxfyxfacyxg),(]),([),(]),([),(0),(),( 式 () 张洪铭：基于 C的数字图像处理系统的开发 8 直方图的定义 图像的直方图是图像的重要统计特征，是表示数字图像中每一灰度级与该灰度级出现的频数 (该灰度像素的数目 )间的统计关系。 用横坐标表示灰度级，纵坐标表示频数 (也有用相对频数即频率表示的 )。 式中按照直方图的定义可表示为 : NnrP kk )( (k=0， 1， 2， ......L1) 式 () 式中 N 为一副图像的总像素数； kn 气为第 k 级灰度的像素数； kr 为第 k 级灰度的像素数；为第 k 个灰度级； L 为灰度级数； )(krP 为该灰度级出现的相对频数。 也就是说对每个灰度值，求出在图像中该灰度值的 像素数的图形称为灰度值直方图，或简称直方图。 在图像直方图中， r 代表图像中像素灰度级，若将其做归一化处理， r 的值将限定在 10 r 的范围之内。 在灰度级中， r=0 代表黑， r=1 代表黑。 对于一幅给定的图像中来说，每一个像素取得 [0—1]区间内的灰度级是随机的。 也就是说， r 是一个随机变量。 假定每一个瞬间他们是连续的随机变量，那么，就可以用概率密度函数 )(krP 来。 代表原 始图像的灰度分布。 如果用直角坐标系的横抽代表灰度级 r，用纵抽代表灰度级的概率密度函数 Pr(r)，这样就可以针对一幅图像在这个坐标系中作一曲线。 这条曲线在概率论中就是分布密度函数，如图 所示。 图 图像灰度分布概密度函数 从图像灰度级的分布可以看出一幅图像的灰度分布特性。 例如，从图 (a)和图(b)的两个灰度密度函数中可以看出，图 (a)的大多数像素灰度值取在较暗的区域，所以这幅图像肯定较暗，一般在摄影过程中曝光过强就会造成这种结果；而图(b)的图像像素灰度值集中在亮区，因 此，该图像的特性将偏亮。 2020届电子信息工程 专业 毕业设计 （ 论文 ） 9 直方图均衡化 直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图，然后按均衡直方图修正原图像。 当图像的直方图为一均匀分布时，图像包含的信息量最大，图像看起来就显得清晰。 该方法以累计分布函数为基础，其变换函数取决于图像灰度直方图的累积分布函数。 它对整幅图像进行同一个变换，也称为全局直方图均衡化。 直方图均衡化处理是一种修改图像直方图的方法，它通过对直方图进行均衡化修正，可使图像的灰度间距增大或灰度均匀分布，增大反差，使图像的细节变得清晰。 直方图均衡 化的具体步骤有如下三步 ： 第一步，根据公式计算原图像的灰度直方图或 )(krP )。 NnrP kk )( (k=0， 1， 2， ……255 ） 式 () 其中 n 为原图像像素总数， kr 表示第 k 个灰度级， kn 表示图像中灰度级 kr 出现的像素的个数， )(krP 表示灰度级出现的概率。 第二步，根据公式 计算原图像的灰度累计分布函数，并根据公式 求出灰度变换表。   kjkjjjk nnrps0 0)( （ k=0， 1， 2， ……255 ） 式 () nsg kk /255 式 () 其中 kg 为第 k 个灰度级别变换后的灰度值。 第三步，根据灰度变换表，将原图像各灰度级映射为新的灰度级，即可完成直方图均衡化。 大多数自然图像由于其灰度分布集中在较窄的区间 ，引起图像细节不够清晰。 采用直方图均衡化后可使图像的灰度间距拉开或使灰度均匀分布，从而增大反差，使图像细节清晰，达到增强的目的。 伪彩色增强 对于彩色图像的 灰度化 ，可以 先读取彩色图像中每个像素的颜色值 ， 然后通过下面的公式得到灰度值 ： P =R+G+B， 式中 P 为最终的灰度值 ，R、 G 和 B 分别为该像素中的红色、绿色和蓝色分量值。 最后再把该灰度值 P 分别赋予 R、 G 和 B。 张洪铭：基于 C的数字图像处理系统的开发 10 对于 灰度图像转换为彩色图像，技术上称为灰度图像的伪彩色处理，这是一种视觉效果明显而技术又不是很复杂的图像增 强技术。 灰度图像中，如果相邻像素点的灰度相差不大，但包含了丰富的信息的话，人眼则无法从图像中提取相应的信息，因为人眼分辨灰度的能力很差，一般只有几十个数量级，但是人眼对彩色信号的分辨率却很强，这样将黑白图像转换为彩色图像人眼可以提取更多的信息量。 这种映射实际上是输入和输出图像对应像素间的一对一映射变换，不涉及像素空间位置的改变。 变换后所获得的伪彩色图像的颜色与原始物体的颜色不存在一致关系。 RGB 颜色模型 RGB 模型是数字色彩最典型、也是最常用的彩色空间，该模型结合人眼的感知系统，将所有颜色看 作三基色红 (R)、绿 (G)、蓝 (B)的组合。 RGB 彩色模型可以用一个三维的立方体来描述 ，如图 所示。 图 RGB彩色模型 彩色图像显示的基础是三原色 RGB 原理。 客观世界中的所有颜色都可以由红(Red)、绿 (Green)、蓝 (Blue)三原色组合而成，简称 RGB 三原色。 有的颜色含有红色成分多一些，其他成分少一些。 针对含有红色成分的多少，可以分成 0 到 255 共256 个等级， 0 级表示不含红色成分， 255 级表示含 100％红色成分。 同样，绿色和蓝色也可以分成 256 级。 这样，根据红、绿、蓝各种不同的组合 我们就能表示出256256256（约 1600 万）种颜色。 当一幅图像中的每个像素 点 被赋予不同的 RGB值时 ， 就能呈现出五彩缤纷的颜色了，这就形成了彩色图像。 2020届电子信息工程 专业 毕业设计 （ 论文 ） 11 调色板 调色板就是图像每一点 RGB 值在内存中存储的表，比如 640480 像素，颜色数为 16 的彩色图，每一个像素都用 R、 G、 B 三个分量表示 ，有 2 种方法： 方法一：由于每个分量有 256 个级别，需要一个字节（ byte）来表示，所以每个像素需要用 3 个字节，整个图像要用 6404803，为 900K 字节的内存空间。 方法二：因为这是一个 16 位图，也就 是说这幅图中最多只有 16 种颜色，因此可以用一个表，表中的每一行记录一种颜色的 R、 G、 B 值。 这样当我们表示一个像素的颜色时，只需要指出该颜色在表中的索引值即可。 例如，假设表的第 0 行为红色， RGB 值为（ 255， 0， 0），那么当某个像素为红色时，只需要标明第 0 行即可。 这样计算一下： 16 种颜色可以用 4 位二进制数表示，一个像素只要用半个字节。 整个图像要用 640480，约 150K 字节，再加上表所占用的字节为 316=48字节，整个图像所占内存空间约为前面的 1/6。 很明显，节省了很多存储空间。 第二种方法就是 采用了所谓的调色板的原理。 而 对于真彩色图像，颜色为 256256256= 242 种，每个像素的颜色要用 3 个字节表示，即（ R、 G、 B） 3 个分量，即表示一个像素要用 24 位。 若用调色板方法，对于 242 种颜色，调色板有 224 行，和直接用（ R、 G、 B） 3 个分量表示的字节数一样，还要加上一个 242 3 个字节的大调色板，所以真彩色图直接用（ R、 G、 B） 3 个分量表示，而不使用调色板，它又叫做 24 位图。 伪彩色实现方法 由色度学原理可知，各种彩色均可由红、绿、蓝这三种基色按适当的比例合成。 伪彩色处理就是使图像灰度映射到三维色度空间，用三基色的某种合成色彩来表示某一灰度。 为此，对原始图像 f(x,y)的像素，按某一给定的函数逐点进行三个独立的映射变换，得到相应的三基色分量 ( , )Rxy ， ( , )Gxy ， ( , )Bxy (分别表示红、绿、蓝分量 )。 ( , ) [ ( , ) ]( , ) [ ( , ) ]( , ) [ ( , ) ]RGBR x y T f x yG x y T f x yB x y T f x y 式 () 张洪铭：基于 C的数字图像处理系统的开发 12 这样就完成了灰度到彩色的映射变换。 式中， RT ， GT ， BT 分别为产生 R、 G、 B 三基色分量的映射变换函数。 适当地选择三个变换函数，使不同的灰度值映射成不同的三基色组合，然后加以合成即可获得不同的色彩。 在转换过程中，经常采用的技术是灰度级 —— 彩色变 换，意思就是对黑白图像上的每一个像素点，取得该点的灰度值并送入三个通道经过实施不同的变换，产生相应的 R、 G、 B 的亮度值，即所求彩色图像对应像素点的彩色值，具体变换公式很多， 本软件 采用的是最常用的一种，变换曲线 如图 所示。 图 一种典型的 伪 彩色的变换函数示意图 图像的平滑 图像平滑的主要目的就是去除或衰减图像上的噪音和假轮廓，即衰减高频分量，增强低频分量，故图像平滑也成为低通滤波。 图像平滑处理在消除或减弱图像噪音和假轮廓的同时，对图像细节也有一定的衰减作用。 因此，图像平滑的直观效果是图 像噪音和假轮廓得以去除或衰减，但同时图像变得比处理前模糊了，模糊的程度要看对高频成分的衰减程度而定。 就同一平滑方法而言，去除或衰减噪音和假轮廓的效果越好，图像就越模糊，因而图像的细节损失越大。 所以在图像处理时要兼顾两者。 噪声模型 数字图像的噪声主要来源于图像的获取 (数字化过程 )和传输过程。 图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。 例如，使用 CCD 摄像机获取图像，光照程度和传感器温度是生成图像中产生大量噪声的主要因素。 图像在传输过程中主要由于所用的传输信 道的干扰受到噪声污染。 噪声一般是不可预测的随机信号，通常采用概率统计方法对其进行分析。 图像去除2020届电子信息工程 专业 毕业设计 （ 论文 ） 13 噪声的处理从整个图像分析的流程上来讲属于图像的预处理阶段 ， 从数字图像处理的技术角度来说属于图像恢复的技术范畴，对图像进行去噪处的意义主要表现在： 1)由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声。 这些噪声的存在影响着人们对图像的观察，干扰人们对图像信息的理解。 噪声重的时候，图像几乎产生变形，更使得图像失去了存储信息的本质意义。 显然对图像进行去噪处理，是正确识别图像信息的必要保证。 2)除了能提高人视 觉识别信息的准确性，对图像进行去噪的意义还在于是对图像作进一步处理的可靠保证。 如果对一幅含有噪声的图像进行特征提取配准或者图像融合等处理其结果肯定不能令人满意，所以图像去噪是必需的。 本软件加噪模块涉及到的图像噪声的模型有以下 2 种： 1)高斯噪声 (正态噪声 ) 这是一种常用的噪声模型，典型的例子如电子设备的噪声或传感器 (由于不良照明或高温度 )的噪声。 高斯噪声模型在数学上比较容易处理，许多分布接近高斯分布的噪声也常用高斯噪声模型近似地来处理，其概率密度函数 (PDF)为： ]2 )(e xp [21)( 22  zzp 式 () 其中， z 表示灰度值，  表示 z 的平均值或期望值，  表示 z 的标准差。 标准差的平方 2 称为 z 的方差。 高斯函数的曲线如图 所示 ： 当 z 服从 式 ()的分布时，其值有 70%落在 )](),[(   范围内，且有 95%落在 )]2(),2[(   范围内。 图 高斯噪声 概率密度函数曲线 2)脉冲噪声 (椒盐噪声 ) (双极 )脉冲噪声的 PDF 为： 张洪铭：基于 C的数字图像处理系统的开发。