计算机图像处理与机器视觉复习重点
计算机图像处理与计算机视觉原理
计算机图像处理与计算机视觉原理计算机图像处理是指利用计算机技术对图像进行处理、分析和理解的过程。
它涉及到数字图像处理、图像分析、图像识别等多个领域，旨在使计算机能够更好地理解和处理图像信息。
1.数字图像处理基础–图像的数字化：图像的采样、量化、表示和存储–图像的基本运算：加法、减法、乘法、除法、灰度转换、二值化等–图像的增强：对比度增强、锐化、平滑、滤波等–图像的边缘检测：Sobel算子、Canny算子、Prewitt算子等2.图像的形态学处理–形态学基本操作：腐蚀、膨胀、开运算、闭运算等–形态学滤波：去除噪声、填充缺陷等–形态学重建：通过迭代算法重建图像的形状3.图像的压缩与编码–图像压缩的必要性：数据量庞大、存储和传输困难–图像压缩方法：无损压缩、有损压缩、混合压缩等–图像编码技术：JPEG、PNG、H.264等4.计算机视觉原理–计算机视觉的定义：让计算机具备人类视觉功能的技术–视觉感知模型：基于生物视觉原理的感知模型–特征提取：颜色、纹理、形状、运动等特征的提取方法–目标检测与识别：基于特征的 target detection and recognition algorithms，如 Haar-like features、SIFT、SURF 等5.机器学习与深度学习在计算机视觉中的应用–机器学习方法：监督学习、非监督学习、半监督学习等–深度学习网络：卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等–计算机视觉任务：图像分类、目标检测、语义分割、人脸识别等6.计算机视觉的应用领域–工业自动化：机器视觉检测、质量控制、机器人导航等–生物医学：细胞图像分析、病理图像检测、手术辅助等–安全监控：人脸识别、行为识别、车辆检测等–无人驾驶：环境感知、目标识别、路径规划等7.计算机图像处理与计算机视觉的发展趋势–实时性：随着硬件性能的提升，计算机视觉技术的实时性需求日益凸显–深度学习与迁移学习：利用预训练的深度学习模型进行特定任务的建模与训练–多模态融合：结合多种传感器数据，提高计算机视觉任务的性能–跨领域研究：与人工智能、认知科学、生物学等领域的研究相结合，提高计算机视觉的理解和应用能力习题及方法：1.习题：图像的数字化过程中，下列哪一项是图像采样的一部分？A. 将图像从连续域转换到离散域B. 将图像从二维转换为一维C. 确定图像的分辨率D. 将图像的颜色通道分离方法：图像的数字化过程包括采样、量化和表示。
计算机图像处理与机器视觉复习重点
第一章概述点运算：在图像处理中，只输入该像素本身的灰度的运算方式。
领域运算：在图像处理中，不仅输入该像素f0本身的灰度，还要以该像素f0为中心的某局部领域(即邻域)中的一些像素的灰度进行运算的方式。
对比度/清晰度：画面黑与白的比值，也就是从黑到白的渐变层次。
比值越大，从黑到白的渐变层次就越多，从而色彩表现越丰富。
【维基百科，课件上没找到】第二章图像预处理一、灰度变换（点运算）目的：改善图像的灰度对比度或满足图像上灰度的某些特殊要求（问题：灰度偏暗或偏亮；范围不足；局部层次差）1、灰度范围移动处理g(i,j)=f(i,j)+d当d>0时，灰度范围向高端移动，图像变亮；当d<0时，灰度范围向低端移动，图像变暗；2、灰度线性变换（1）整体灰度线性变换（g a=0,g b=255）（2）局部灰度线性变换a. 限幅灰度拉伸-局部感兴趣（局部灰度拉伸到最大限度，而无用信息被抑制为黑色或白色的单一灰度）b. 锯齿形灰度拉伸将输入图像中不同灰度区间[f1,f2]、[f2,f3]、[f3,f4]进行同样的灰度拉伸，使各个灰度区间都扩展到允许的整个灰度范围[g a,g b]。
使输入图像中原来是缓慢变化的灰度，经变换后在这些区间的f1、f2、f3等分割点的两端灰度发生了突变。
c. 阈值灰度拉伸-二值图像3、灰度非线性变化 （1）对数变化g(i,j)=log[f(i,j)]变换后的图像中低灰度区的灰度值得到了拉伸，即对比度增强，而高灰度区 的灰度值被压缩，并且高低灰度区的灰度 过度平滑。
（2）连续函数变化 （3）二次变化G(x,y)=f(x,y)2，0<f(x,y)<255 图像 二、直方图变换 1、直方图基本概念：灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中每种灰度出现的频率。
灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频度。
⏹ 灰度级频数：指该灰度级在图像中出现的像素个数； ⏹ 灰度级频率：指该灰度级的频数占图像总像素的百分比 特性：只含图像各灰度值像素出现的概率，无位置信息（总体明亮度、对比度、可分性）；图像与直方图间为多对应映射。
图像处理与计算机视觉的基础知识
图像处理与计算机视觉的基础知识随着计算机技术的飞速发展，图像处理和计算机视觉技术日益成为人们关注的焦点。
图像处理是指对图像进行数字化处理，改变图像的特性或增强图像的质量。
而计算机视觉是通过计算机对图像和视频进行分析和理解，模仿人类的视觉系统来实现某种目标。
图像处理与计算机视觉的基础知识包括图像采集、图像预处理、图像增强、图像压缩、图像分割、特征提取、目标检测和分类等内容。
首先，图像采集是图像处理与计算机视觉的起点。
图像可以通过光电传感器、摄像头或扫描仪等设备采集。
其中，光电传感器是一种将物理量转化为电信号的装置，常见的光电传感器有CCD和CMOS。
摄像头的原理与光电传感器相似。
扫描仪可以将纸质图像转换为数字图像。
其次，图像预处理是为了减少噪声、增加对比度等目的对图像进行预处理的过程。
主要包括去噪、增加对比度、图像平滑等操作。
去噪可以通过滤波操作实现，常见的滤波方法有均值滤波、中值滤波和高斯滤波等。
增加对比度可以通过直方图均衡化等方法实现。
图像平滑可以通过平滑滤波器实现，减少图像中的噪声。
然后，图像增强是为了改善图像质量，使图像更加清晰、鲜艳等。
常见的图像增强方法包括直方图均衡化、直方图匹配、对比度拉伸等。
直方图均衡化是一种调整图像灰度级分布的方法，可以增强图像的对比度。
直方图匹配是通过将目标图像的直方图与参考图像的直方图进行匹配，从而改变图像的特性。
对比度拉伸是根据图像的像素值范围进行非线性拉伸，使得图像的对比度更加明显。
随后，图像压缩是为了减少图像数据量，提高图像存储和传输的效率。
常见的图像压缩算法有无损压缩和有损压缩。
无损压缩算法能保证压缩后的图像与原始图像完全一致，常见的无损压缩算法有LZW算法、RLE算法等。
而有损压缩算法则会在压缩过程中丢失一定的信息，常见的有损压缩算法有JPEG算法和HEVC算法等。
接着，图像分割是将图像划分成若干区域的过程。
图像分割可用于物体检测、图像分析和目标跟踪等应用中。
图像处理期末复习资料
图像处理期末复习资料在学习图像处理的课程中，期末考试是一个重要的考核方式。
为了取得好成绩，我们需要仔细准备，并且对于课程重点和难点要有深入了解。
以下是本文提供的图像处理期末复习资料，从基础概念到常用算法，让我们深入了解图像处理的核心知识。
1. 图像的基本概念图像是人类所理解的视觉信息在计算机系统中的表示，一般由像素组成。
分辨率是图像的重要属性之一，通常用像素的数量来衡量。
图像还有灰度、色彩、亮度、对比度等属性。
在图像处理中，我们需要对这些属性进行分析和操作。
2. 图像预处理技术在进行图像处理之前，通常需要进行图像预处理。
预处理技术包括图像滤波、直方图均衡化、边缘检测、图像分割等。
这些操作对于后续的图像处理具有重要作用。
3. 数字图像处理基础算法数字图像处理基础算法包括图像灰度变换、点处理、直方图处理、滤波等操作。
其中，图像灰度变换是将图像像素的灰度值进行变换的操作，点处理是基于每个像素进行的处理，而滤波是将一定范围内的像素进行运算，以得到特定的图像效果。
4. 常见图像处理算法常见图像处理算法包括边缘检测算法、图像分割算法、图像增强算法等。
其中，边缘检测算法是检测图像中的边缘并进行标记，图像分割算法是将图像分成若干个区域，图像增强算法则是对图像进行增强以提高图像质量。
5. 图像压缩算法图像压缩算法是指将图像数据压缩以减小其占用的空间。
其中，无损压缩算法是指压缩后的数据可以还原为原始数据，常见的有LZW压缩算法等。
而有损压缩算法则是指压缩后的数据不能完全还原为原始数据，常见的有JPEG压缩算法等。
总结图像处理是计算机视觉领域中的重要组成部分，对于人们的日常生活和各个行业都具有重要意义。
期末考试是检验我们掌握图像处理知识的一个重要方式，理解并掌握相关知识和技能对于提高我们的学术水平和实际应用能力都具有重要的作用。
希望本文提供的图像处理期末复习资料能够帮助大家更好地备战期末考试。
计算机视觉基础复习资料汇总.
第一章 PPTP11 什么是计算机视觉1. 采用计算机实现人类视觉的功能2. 让计算机理解图像和视频P12 计算机视觉与图像处理的区别图像处理侧重在“处理”图像：如增强，还原，去噪，分割，等等；而计算机视觉在于使用计算机（也许是可移动式的）来模拟人的视觉，因此模拟才是计算机视觉领域的最终目标。
要实现这个目标，至少有两件事要做，第一是图像处理，第二是图像理解。
比如一个机器人眼睛读入的数据可能是模糊的，可能是有噪声的，那么首先要进行去噪和还原。
之后机器人要能理解这个图像意味着什么，比如特定的军事目标，那么它可能要进行分割，然后用统计学的方式进行模式识别。
显然识别这个部分就属于图像理解，而非单纯的图像处理了。
P14-20 计算机视觉中存在哪些难点和挑战外观，大小形状，运动，复杂的姿态，外观变化，视点变化P23-28 图像中存在哪些计算机视觉线索深度线索：直线透视，空间透视远近顺序线索：遮挡形状线索：纹理梯度形状和光照线索：阴影位置和光照线索：投影P30-46 计算机视觉有哪些典型应用智能汽车，无人驾驶车人脸识别，表情识别，机器人P48 CCD/CMOS传感器的成像原理：光电转换P49-54 采样与量化影响图像的哪些属性采样：采样的频率量化：灰度级P61 图像坐标系图像左上角为图像坐标系原点，即(0,0点P75-78 像素距离与邻域关系欧式距离：城区距离：棋盘距离：4邻域，对角邻域，8邻域习题第三章 PPTP11 薄透镜成像模型P17-21 射影几何中哪些物理信息丢失和保留了？丢失：长度，角度保留:直线特性，交比不变性P22-24 灭点和灭线的概念场景中的平行线投影到图像平面后，会聚于“灭点” 场景中无尽远处的天与地连接成线，灭线。
P46-49 像机成像过程中包含了哪些内参和外参？像机内参fx ： u轴尺度因子，或称u轴归一化焦距fy ： v轴尺度因子，或称v轴归一化焦距γ ： u轴和v轴的不垂直因子，通常为0u0, v0 ：光学中心像机外参R：像机旋转矩阵T ：像机平移矩阵P51 像机标定的目的，思路和基本方法目的：确定像机的内参和外参。
计算机视觉与图像处理复习资料
计算机视觉与图像处理复习资料计算机视觉和图像处理是两个紧密相关但又有所不同的领域，它们在当今的科技发展中发挥着至关重要的作用。
无论是在医疗诊断、自动驾驶、安防监控，还是在娱乐产业等众多领域，都能看到这两个技术的身影。
下面我们就来系统地复习一下这两个领域的相关知识。
一、计算机视觉的基本概念计算机视觉旨在让计算机从图像或视频中获取有价值的信息和理解。
简单来说，就是要让计算机像人类一样“看懂”世界。
这包括对物体的识别、分类、定位，以及对场景的理解和分析等。
计算机视觉的实现依赖于一系列的技术和方法。
首先是图像采集，通过摄像头、扫描仪等设备获取图像数据。
然后是图像预处理，这一步通常包括去噪、增强对比度、调整亮度等操作，以提高图像的质量和可识别性。
二、图像处理的基础图像处理则更侧重于对图像本身的处理和操作，以改善图像的质量、增强某些特征或提取有用的信息。
常见的图像处理操作有图像变换，如傅里叶变换、小波变换等；图像增强，如直方图均衡化、锐化等；图像压缩，以减少图像数据的存储空间和传输带宽；图像分割，将图像分成不同的区域或对象。
在图像处理中，像素是最基本的单位。
每个像素都有其特定的颜色和亮度值。
通过对像素的操作和处理，可以实现各种图像处理效果。
三、计算机视觉中的特征提取特征提取是计算机视觉中的关键步骤。
常见的特征包括边缘、角点、纹理等。
边缘检测可以帮助我们找到图像中物体的轮廓；角点检测则对于图像的匹配和跟踪非常有用；纹理特征可以用于描述物体的表面特性。
SIFT（ScaleInvariant Feature Transform，尺度不变特征变换）和SURF（Speeded Up Robust Features，加速稳健特征）是两种常用的特征提取算法。
它们具有对尺度、旋转和光照变化的鲁棒性，能够在不同条件下提取出稳定的特征。
四、图像处理中的滤波技术滤波在图像处理中起着重要作用。
均值滤波可以用于平滑图像，去除噪声；高斯滤波在平滑图像的同时能更好地保留边缘信息；中值滤波则对椒盐噪声有较好的去除效果。
机器视觉知识点归纳总结
机器视觉知识点归纳总结一、基本概念1. 图像与视频的基本概念图像是指由像素组成的二维数据，每个像素表示图像中的一个点的亮度和颜色。
而视频则是由一系列相继的图像组成的，每秒钟包含25~30帧图像。
在机器视觉中，图像和视频是最基本的数据类型，因此理解图像和视频的基本概念对于学习机器视觉至关重要。
2. 特征提取与描述特征是指图像或视频中的局部区域或结构，特征提取是指从原始图像中抽取出具有代表性和区分性的特征。
通常包括几何特征、颜色特征、纹理特征等。
特征描述是指用向量或矩阵等数据结构对提取出的特征进行表示和储存，以便进行后续的分析和处理。
3. 图像处理与分析图像处理是指采用数字图像处理技术对图像进行一系列的操作，如去噪、增强、分割、配准等。
图像分析则是指对图像进行解释和理解，包括目标检测、目标识别、目标跟踪等。
4. 神经网络与深度学习神经网络是一种模拟人脑神经元网络的数学模型，深度学习则是指基于多层神经网络的学习算法。
在机器视觉中，深度学习技术已经取得了很大的成功，如卷积神经网络（CNN）在图像识别、目标检测等领域的广泛应用。
5. 三维视觉三维视觉是指利用多个二维图像或视频重构出三维物体的形状和结构的技术。
它包括立体视觉、结构光、多视点等技术，常用于虚拟现实、医学影像学等领域。
二、常用算法1. 图像处理算法（1）滤波算法：用于去除图像中的噪声，如均值滤波、中值滤波、高斯滤波等。
（2）边缘检测算法：用于检测图像中的边缘结构，如Sobel算子、Canny算子等。
（3）图像分割算法：将图像分割成多个区域或对象，如基于阈值的分割、基于边缘的分割、基于区域的分割等。
（4）配准算法：用于将多幅图像进行配准，以便进行后续的处理和分析。
2. 特征提取与描述算法（1）HOG特征：Histogram of Oriented Gradients，是一种用于目标检测的特征描述方法。
（2）SIFT特征：Scale Invariant Feature Transform，是一种用于图像匹配和目标识别的特征描述方法。
图像处理技术考试总结复习资料
图像处理技术考试总结复习资料1、图像概念：“图”是物体投射或反射光的分布，“像”是人的视觉系统对图的接受在大脑中形成的印象或反映。
因此，图像是客观和主观的结合。
2、分类：1)从视觉特点，分为可见图像和不可见图像。
2) 从图像空间坐标和明暗程度的连续性，可分为模拟图像和数字图像。
3) 按波段多少，图像可分为单波段、多波段和超波段图像。
3、单波段图像在每个点只有一个亮度值。
多光谱图像上每一个点不止一个特性。
4、I (r , c)是对f ( x , y) 的离散化后的结果。
r表示图像的行，c表示图像的列。
I表示离散后的f；I , r, c的值只能是整数。
数字图像可用矩阵或数组进行描述。
5、图像处理：对图像进行一系列的操作以达到预期的目的的技术称作图像处理。
6、数字图像处理：利用计算机对图像进行去除噪声、增强、复原、分割、提取特征等的理论、方法和技术称为数字图像处理7、图像进行加工和分析目的：1）提高图像的视感质量，以达到赏心悦目的目的。
去除图像中的噪声，改变图像的亮度、颜色，增强图像中的某些成份、抑制某些成份,对图像进行几何变换等，从而改善图像的质量，以达到真实、或清晰、或色彩丰富等效果2）对图像数据进行变换、编码和压缩，以便于图像的存储和传输3）提取图像中所包含的某些特征或特殊信息，以便于分析.8、数字图像处理的特点：1）处理精度高，再现性好2）处理方法的多样性3）图像数据量庞大 4）处理费时 5）图像处理技术综合性强9、数字图像处理的主要研究内容：1）图像获取、表示和表现。
2）图像复原3 图像增强4）图像分析 5）图像重建6）图像压缩编码10、图像编码：主要是利用图像信号的统计特性及人类视觉的生理学及心理学特性，对图像信号进行高效编码，即研究数据压缩技术，目的是在保证图像质量的前提下压缩数据，便于存储和传输，以解决数据量大的矛盾。
11、图像编码的目的：1）减少数据存储量；2）降低数据率以减少传输带宽；3）压缩信息量，便于特征提取，为后续识别作准备12、图像处理的应用：1）航天航空：登月、火星照片处理、飞机遥感、卫星遥感、气象预报2）生物医学工程：CT、MRI（核磁共振）、B超、显微图像：红细胞、白细胞、染色体的分析、X光、心电图3）通讯领域多媒体通讯：数字电视、高清析度电视(HDTV)、多媒体信息处理,可视电话、会议电视、电话、电视、计算机三网合一4）工业：印刷电路板、机器人视觉、零件检测、邮政信件的自动检测5）军事公安;导弹制导、侦察照片的处理、指纹识别、人脸识别6）文化艺术：电视画面的数字编辑、动画制作、游戏、纺织工艺品设计、发型设计、文物资料图片的修复13、图像数字化：指将模拟图像的连续图像函数进行空间和幅值上的离散化之后，得到用数字表示的图像，以适应数字计算机的处理。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第一章概述点运算：在图像处理中，只输入该像素本身的灰度的运算方式。
领域运算：在图像处理中，不仅输入该像素f0本身的灰度，还要以该像素f0为中心的某局部领域(即邻域)中的一些像素的灰度进行运算的方式。
对比度/清晰度：画面黑与白的比值，也就是从黑到白的渐变层次。
比值越大，从黑到白的渐变层次就越多，从而色彩表现越丰富。
【维基百科，课件上没找到】第二章图像预处理一、灰度变换（点运算）目的：改善图像的灰度对比度或满足图像上灰度的某些特殊要求（问题：灰度偏暗或偏亮；范围不足；局部层次差）1、灰度范围移动处理g(i,j)=f(i,j)+d当d>0时，灰度范围向高端移动，图像变亮；当d<0时，灰度范围向低端移动，图像变暗；2、灰度线性变换（1）整体灰度线性变换（g a=0,g b=255）（2）局部灰度线性变换a. 限幅灰度拉伸-局部感兴趣（局部灰度拉伸到最大限度，而无用信息被抑制为黑色或白色的单一灰度）b. 锯齿形灰度拉伸将输入图像中不同灰度区间[f1,f2]、[f2,f3]、[f3,f4]进行同样的灰度拉伸，使各个灰度区间都扩展到允许的整个灰度范围[g a,g b]。
使输入图像中原来是缓慢变化的灰度，经变换后在这些区间的f1、f2、f3等分割点的两端灰度发生了突变。
c. 阈值灰度拉伸-二值图像3、灰度非线性变化 （1）对数变化g(i,j)=log[f(i,j)]变换后的图像中低灰度区的灰度值得到了拉伸，即对比度增强，而高灰度区 的灰度值被压缩，并且高低灰度区的灰度 过度平滑。
（2）连续函数变化 （3）二次变化G(x,y)=f(x,y)2，0<f(x,y)<255 图像 二、直方图变换 1、直方图基本概念：灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中每种灰度出现的频率。
灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频度。
⏹ 灰度级频数：指该灰度级在图像中出现的像素个数； ⏹ 灰度级频率：指该灰度级的频数占图像总像素的百分比 特性：只含图像各灰度值像素出现的概率，无位置信息（总体明亮度、对比度、可分性）；图像与直方图间为多对应映射。
程序实现：For i = 0 To p1.ScaleWidth For j = 0 To p1.ScaleHeight c = p1.Point(i, j) r = (c And &HFF) For k = 0 To 255If k = r Then npixel(k) = npixel(k) + 1 Next k Next j Next iFor i = 0 To 7 ‘行数为8 For j = 0 To 31 ‘列数为32 hisform.hc.Row = i + 1 hisform.hc.Column = j + 1hisform.hc.Data = npixel(i * 32 + j) Next j Next i2、直方图均衡化处理基本概念：指灰度分布比较集中的输入图像变换为直方图近似均匀分布的输入图像的处理方法。
具体做法：T(r)为r 的累积分布函数，s 为新灰度值 For j = 0 To m- 11,,1,02550)(*255*255)(00-=≤≤===∑∑==l k r r p n n r T s j kj j r k j j k kFor i = 0 To n - 1 r = f (i, j)For k = 0 To 255If k = r Then hd(k) = hd(k) + 1 Next kNext iNext j ′提取各像素的灰度值，并统计该灰度值的像素数For i = 0 To 255p(i) = hd(i) / (m *n) ′计算该灰度级频率 For j = 0 To iq(i) = q(i) + p(j) ′累计该灰度级前所有的灰度级的频率值 Next jq(i) = Int(q(i) * 100) / 100 ‘取整 Next iFor j = 0 To m - 1 For i = 0 To n – 1 r1=q(f(I,j))*255 For k = 0 To 255If k = r1 Then hd1(k) = hd1(k) + 1Next k ′取变换后的新灰度Next i Next j 三、锐化目的：增强图像的边缘和线条（灰度差大，突变），使图像的边缘和线条由模糊转化为清晰的处理方法。
1、卷积定义：对图像各像素的邻域进行加权求和的计算 做法-PPT问题：卷积值超过灰度范围；负值；边界像素 2、差分法数学上用离散函数的数值计算方法对连续函数微分运算的一种近似⏹ 一阶差分：指数字图像上相邻像素间的灰度差；∆1垂直；水平方向的边缘情况； ∆2水平；垂直方向的边缘情况； ∆3、 ∆4对角边⏹ 二阶差分：指一阶差分的差值 。
差分算子—实现增强图像边缘的锐化（1）梯度算子E(i，j)—阶差分绝对算子方法一：g(x, y)=E［f(x, y)］特点是增强的图像仅显示灰度变化比较陡的边缘轮廓，而灰度变化平缓的区域则呈黑色(0)方法二：特点可使明显的边缘轮廓得到突出，又不会破坏原灰度变化比较平缓的背景。
方法三：特点明显边缘用一固定的灰度级L G来实现。
方法四：特点将背景用一个固定灰度级LG来实现，便于研究边缘灰度的变化。
方法五：特点将背景和边缘用二值图像表示，便于研究边缘所在位置。
（2）罗伯特算子R(i,j)—一阶差分算子（3）索伯尔算子S(i,j)特点采用梯度微分锐化图像，同时会使噪声、条纹得到增强，在一定程度上克服了这个问题。
优点1由于引入了平均因素，因而对图像中的随机噪声有一定的平滑作用。
2由于它是相隔两行或两列之差分，边缘两侧元素得到了增强，边缘粗而亮。
（4）拉普拉斯算子L(i,j)—二阶差分算子,为垂直方向和水平方向二阶差分之和3、高通滤波—卷积运算由于边缘的高频特性可知，为使图像得到锐化效果，可对图像进行高通滤波，使高频分量顺利通过，而低频分量受到抑制，从而达到突出高频分量的目的。
⏹空域高通滤波：指在空间域对图像进行高通滤波处理的方法；采用高通滤波模板的卷积运算来实现⏹频域高通滤波：指在频率域对图像进行高通滤波处理的方法。
四、平滑噪声：图像上孤立像素的灰度突变：即颗粒噪声。
高频特性，灰度差较大，空间不相关性。
目的：根据噪声在图像上的表现，用简单的方法去除或消弱噪声在图像上的表现，减少相邻像素间的灰度差，并保持边缘的清晰的处理。
1、均值平滑算子⏹领域均值算子——求平均数运算简单，但图像细节被钝化了，而且所取邻域越大，图像越模糊。
⏹阈值平滑算子—根据颗粒噪声出的灰度突变较大2、低通滤波噪声具有高频特性，采用低通滤波可阻断高频分量通过，达到抑制噪声的效果。
滤波器仅有一个峰值（主瓣），水平垂直方向对称3、高斯滤波—正态分布噪声重要性质：旋转对称性；宽度由参数σ表征（σ越大，频带越宽，平滑程度越好）滤波器设计—PPT（左上角值定义为1）4、中值滤波—非线性特点：克服线性了滤波器所带来的图像细节模糊，对滤除脉冲干扰及图像扫描噪声最为有效。
但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波；窗口形状和尺寸对滤波效果影响较大（先小后大）方法：将一个包含奇数个像素的窗口A在图像上依次移动，在每一个位置上对窗口内的像素的灰度值按小到大排列，然后将位于中间灰度值作为窗口中心像素的输出值5、边缘保持滤波器特点：均值滤波的平滑功能会使图像边缘模糊，而中值滤波在去除脉冲噪声的同时也将图像中的线条细节滤除掉，克服两者的缺点方法：对灰度图像的每一个像素点[i,j]取适当大小的一个邻域（如3×3邻域），分别计算[i,j]的左上角子邻域（2×2）、左下角子邻域、右上角子邻域和右下角子邻域的灰度分布均匀度V，然后取最小均匀度对应区域的均值作为该像素点的新的灰度值。
五、伪彩色变换目的：为了提高对图像细节的分辨能力，将灰度图像变为伪彩色图像的变换方法。
1、灰度分割一幅图像看作一个二维亮度函数，用一些平行于图像坐标平面的平面，每一平面在与函数相交处分割函数。
原图像灰度转换成16级灰度colorIndex=16* Pixel(i,j) /maxGray→Qbcolor(n)2、灰度级彩色变换将灰度图像送入具有不同变换特性的红、绿、蓝3个变换器，再将3个变换器的不同输出分别送到彩色显像管的红、绿、蓝电子枪第三章图像分割目的：理解图像内容，提取感兴趣对象传统方法：基于像素灰度值、区域、边界的分割技术最简形式：把灰度图转换为二值图一、区域生成⏹区域: 相互连结的具有相似特性的一组像素⏹边缘：区域边界上的像素⏹区域生成：利用像素特性的相似性，将图像划分出背景区域和各个有意义的区域，并分别加上不同的标记过程。
方法【灰度阈值分割、合并、复合、松弛】灰度阈值分割—关键是怎样选择阈值（1）基于直方图的双峰法一般而言，背景和对象物在图像的灰度直方图上各自形成一个波峰，即区域与波峰一一对应。
而每两个波峰之间形成一个低谷，因选择双峰间低谷处所对应的灰度值为阈值，可将两个区域分离。
局限性：恒定灰度值；没有利用图像强度的空间信息（直方图特性）（2）迭代式阈值法（3）自适应阈值化1.把图像分成m×m个子图像，求出子图像的阈值。
2.分割的最后结果是所有子图像分割后的逻辑合并。
（4）区域增长的双阈值法先使用一个保守的阈值T1来分离物体图像（物体图像核），然后使用另一个阈值T2来吸收图像核像素的邻接像素，以增长物体图像。
⏹区域表示（1）阵列表示通过标记一个与原始图像一样大小的阵列或模板叠加原始图像（每个区域所对应二值图像）来表示（2）层级表示不同分辨率（低分辨率—图像特性计算，高分辨率—某选定区域精细计算）应用：图像浏览、传输a.金字塔型—L层的像素是通过对L+1层的若干像素组合得到（在顶层或0层，图像表示为单一像素；而底层则是原始图像或未被递减的图像）b.四叉树型一个区域可以分裂成大小一样的四个子区域；每一个子区域，如果其所有点全是白或黑，则不再进行分裂；若同时包含有黑白两种点，则为灰度区域，进一步分裂成四个子区域。
（3）基于特征区域表示常用特征：最小外接矩形、中心矩、欧拉数、灰度均值、方差、相邻区域的相互位置关系、边缘等。
（4）图像分割数据结构超级网格结构表示边界；（2n＋1）×（2n＋1）阵列；每一个像素被八个位于超级网格上的非像素点包围，非像素点用来表示两个像素之间的边界和边界方向⏹分裂与合并组合算法可以实现自动细化分割运算（1）合并—把相似的邻接区域组合起来评价方法【几何代数法（灰度均值；曲面拟合）和统计法（灰度值的概率分布函数）】（2）分裂计算灰度值方差⏹区域增长像素聚类：从一个种子像素点出发，按照某种连通方式和规则P来检查周围邻近的像素点，如果具有和种子像素点相似的性质，就说明它们属于同一区域。