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 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 255 If k = r Then npixel(k) = npixel(k) + 1 Next k Next j Next i For 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 + 1 hisform.hc.Data = npixel(i * 32 + j) Next j Next i 2、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- 1 1,,1,02550)(*255*255)(0 0-=≤≤===∑ ∑==l k r r p n n r T s j k j j r k j j k k For i = 0 To n - 1 r = f (i, j) For k = 0 To 255 If k = r Then hd(k) = hd(k) + 1 Next k Next i Next 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 255 p(i) = hd(i) / (m *n) ′计算该灰度级频率 For j = 0 To i q(i) = q(i) + p(j) ′累计该灰度级前所有的灰度级的频率值 Next j q(i) = Int(q(i) * 100) / 100 ‘取整 Next i For j = 0 To m - 1 For i = 0 To n – 1 r1=q(f(I,j))*255 For k = 0 To 255 If k = r1 Then hd1(k) = hd1(k) + 1 Next 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。 规则： 灰度相似合并法【每次合并后小区域的平均灰度值作为相似特性的依据】将像素或相对图像来说很小的，可以看作是特性一致的微区域作为基本单元，由此出发，根据区域的相连性，比较相邻的基本单元的特性值，将相似的单元合并成小区域，再从合并后的小区域出发，以合并后小区域的平均灰度值作为相似特性的依据，不断重复上述处理，直到找不到相似特性的单元为止。 判别准则 ?灰度差判别准则 C=|f(i,j)-f(u,v)| ?灰度分布相似性判别准则 KS判别【累加直方图函数最大绝对】；平滑差判别【累加直方图函数差值绝对之和】 二、二值图像分析 1、二值图像 特点： ?只有两个灰度值【背景-0，对象物-1-255】 ?特征如边缘、轮廓可用二值图像表示 ?处理算法简单，所需内存小，计算速度快 ?视觉系统技术可用于灰度图像视觉系统 获取：硬件【敏感元二值输出，电路二值化】；软件【阈值分割】 2、二值图像的分割 （1）连接性 在一个像素列中，如果所有像素值都相同（0或1），并依次互为邻点，那么这个像素列中的任意两个像素间都认为存在连接关系的；否则，两者为非连接关系。 通过一系列相邻像素间的连接关系来确定 4连通：从区域上一点出发，可通过4个方向，即上、下、左、右移动的组合，在不越出区域的前提下，到达区域内的任意像素； 8连通：从区域上一点出发，可通过左、右、上、下、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。 （2）连接成分：二值图像中有连接关系的像素的集合 ?1-像素连接成分：指对象物，也称图形分量； ?0-像素连接成分：指背景或孔。 （3）连通成份标记算法：递归算法和序贯算法—具体算法见PPT 3、二值图像的平滑—收缩&扩张 （1）噪声表现形式 ?小孔：指相对面积较小的被对象物包围的0-像素连接成分 ?点状图形：指相对面积较小的1-像素连接成分。 （2）处理方法 ?图形表面：指图形分量中与0-像素相邻的那些像素的集合 ?图像表面像素：邻点中存在0-像素的1-像素 ?收缩处理：反复去除图形表面像素，将图形逐步缩小，以达到消去点状图形的效果 ?扩张处理：将图形表面不断扩散，以达到去除小孔的效果 ?交叉使用： 收缩（能消去点状图形，但会扩大小孔）与扩张（能消去小孔，但会扩大点状图形）得到是两种相反的处理结果，因而在二值图像的平滑过程，必须对两者进行适当的组合，交叉使用。 4、细线化 用细线条来构成的线图形来表示图像的方法； （1）优点：存储量小，便于识别； （2）基本要求： ?线宽为一个像素； ?细线位置基本处于原线宽的中心； ?保持图形的连接性不变，并且不能出现孔和点的新出现或消失现象； ?图形端部基本不缩短。 （3）实质：是一个在保持图像的连接性和图形长度不变的前提下求出图形的中心线 （4）连接数N C：在中心为1-像素x0的3*3邻域中，与x0有连接关系的图形分量（不包含x0）的个数 保持连接性条件：N C=1 （5）算法 5、边缘检测 区域VS边缘：区域利用特性相似得到，而边缘利用特性的差异得到。 线VS边缘：边缘可以看成是线的一种，即封闭线；而线可以看作是边缘的组成部分。 类型：边界、线、折线变化、缓慢的平滑变化 变化规律： a、阶梯状(阶跃不连续)-一阶倒数 b、脉冲状(线条不连续)-二阶倒数 基本过程： 滤波（求导）→增强（计算梯度幅值）→检测（阈值）→定位（子像素分辨率） 实质上：从该集合中去除附近像素得到精确边缘，并将边缘连接成线，得到连续、完整边缘的过程 处理方法： （1）差分阈值法 a. 阶梯状边缘—梯度算子E(i，j)/ 罗伯特算子R(i,j)/索伯尔算子S(i,j) b. 脉冲状边缘—拉普拉斯算子L(i,j) c. 高斯-拉普拉斯(LOG)算子—高斯平滑滤波器和拉普拉斯锐化滤波 器结合起来，先平滑掉噪声，再进行边缘检测 d. Canny 边缘检测器—在抗噪声干扰和精确定位之间提供最佳折衷方案，它就是高斯函数的一阶导数。 基本过程: ①用高斯滤波器平滑图像； ②用一阶偏导有限差分计算两个个阵列P与Q，再计算梯度幅值和方向； ③对梯度幅值应用非极大值抑制—细化幅值图像中的屋脊带（Ridge），即只保留幅值局部变化最大的点，生成细化的边缘； 如果在邻域中心点处的幅值M[i,j]不比沿梯度线方向（由邻域的中心点处的扇区值ζ[i,j]）给出）上的两个相邻点幅值大，则M[i,j]＝0．这一过程可以把M[i,j]宽屋脊带细化成只有一个像素点宽。 ④用双阈值算法检测和连接边缘。 在高阈值边缘图中将边缘连接成轮廓，出现断点时，在低阈值边缘图中的8邻点域搜寻边缘点，直到将N2[i,j] 连接起来为止 （2）模板匹配法 用预先给定的几种模板在图像上各局部区域进行匹配运算的方法 形状模板检测原理： 通过求出形状模板在图像各位置的匹配值，来判断对象物存在的位置。 方向模板—线模板（4个）、点模板（1个）、特定形状模板 第四章图像特征提取 一、纹理 目的：为了分割和识别场景或物体表面类型而产生的一种视觉标记 （1）纹理图像：在局部区域内呈现了不规则性，而在整体上表现出某种规律性 (1)某种局部的序列性，在该序列更大的区域内不断重复； (2)序列是由基本部分非随机排列组成的； (3)各部分大致都是均匀的统一体，纹理区域内任何地方都有大致相同的结构尺寸。 描述：定性词如粗糙、精细、光滑、方向性、规则性和粒度等等 基本特征：区域属性，与分辨率密切相关 （2）两大问题 ?纹理分类 从给定的一组纹理集中识别特定的问题区域 ?纹理分割 自动确定图像中各种问题区域之间的边界 （3）分析方法 ①统计分析方法—纹理基元小/微纹理 ?灰度共生矩阵(co-occurrence matrix)p(i,j,d,θ) 计算在规定的d和θ条件下元 素组合p(i,j)出现的次数 特征系数：二阶矩（灰度共生矩阵像素值平方和，亦称为能量；纹理较粗时值较大），熵（测量灰度级分布随机性；无纹理值为0，纹理较少，值较少），对比（图像的清晰度，纹理沟纹越深，值越大），相关（衡量灰度共生矩阵的元素在行或列的方向的相似程度） ?自相关函数 描述纹理的周期以及纹理基元的大小（纹理越粗糙，下降越缓慢） ②句式结构分析方法—大纹理基元 首先确定基元的形状和性质，然后再确定控制这些基元的位置规则，形成宏纹理 基本过程：图像增强→基元提取→计算纹理基元的特征参数及构成纹理的结构参数 ③分型理论—典例Koch曲线 纹理模式在不同尺度 下具有自相似性质 自相似性：如果一个集合能被分解为n个非重叠子集的并集，其中每一个子集是原集合的拷贝，但尺度缩小r倍，则该集合具有自相似性。分形维D—度量纹理的粗细度。 分形维越大，纹理越粗糙。 （3）纹理分割—Hurst函数（纹理变化比较小时，Hurst系数也比较小） 二、形状特征描述 图形矩： （1）位置—质心 1阶矩(m10, m01)表示物体的质心 （2）周长—区域的边界长度 ? 隙码 ? 面积 ? 链码 奇数：；偶数：1 （3）面积— 像素计数&边界坐标 （4）长轴和短轴—最小外接矩形（MER ） 将物体的边界以每次3°左右的增量在90°范围内旋转，取面积最小的外接矩形的参数为主轴意义下的长度和宽度 （5）距离 （6）矩形度R —反映物体对其外接矩形的充满程度 （7）长宽比r —区分细长物体与圆形或方形物体 （8）圆形度 （9）边界链码 利用一系列具有特定长度和方向的相连的直线段来表示目标的边界 （10）欧拉数E 空洞数H ，连接部分数C ，E ＝C-H ? 形状特征提取步骤 （1）图像获取 （2）图像预处理 彩色图像转换为灰度图像→去除噪声→图像二值化 （3）图像特征参数测定 尺寸标定→跟踪边界生成边界链码→计算周长→计算面积→计算圆形度 三、颜色特征提取 可见光（400nm~700nm ）彩色 （1）非彩色 指白色、黑色和各种深浅不同的灰色组成的纯白到浅灰、中灰、深灰直至纯黑色的颜色 系列。 特性：光源用亮度来形容，表面色用明度来形容。 物体表面颜色的形成：物体表面对可见光谱的反射率来确定 （2）彩色—指黑白系列之外的所有其它颜色 特性：表面色-明度、色调、饱和度或彩度；色光-亮度、色调、饱和度 明度：一个能量的量度，如物体表面反射的能量愈高，物体的明度愈高 色调：彩色相互区分的特性；取决于其光谱的组成对人眼作用所产生的结果；取决于光源的光谱组成和物体表面对光源光谱的反射率的能量分布 饱和度：指某种彩色与对应色调的单色光接近的程度，也就是指彩色的沌洁度；取决于表面的光谱反射率对某种单色波长的选择性；选择性由反射率形成的波峰高度一半处的半峰宽度来决定，宽度愈小，其选择性愈好，饱和度愈高 （3）三基色学说 3种不同波长的光谱色或色饱和的颜料，能够混合出其他各种饱和色、中间色、混合色。根据红、绿、蓝三基色得出的颜色系统称为混加系统。 （4）CIE 颜色表示系统（CIE 国际照明委员会） ①RGB —加色合成法 所有的颜色，包括黑白系列的各种灰色，各种色调与饱和度的彩色，都可以用红、绿、蓝三种原色混合、匹配产生的一个色度学系统。 原点—黑色 距离原点最远的顶点—白色 灰度线—两者的连线 优点是直接采用与硬件相同的颜色系统，因而所采集的图像数据，无需经过颜色系统间的变换，可直接作为图像处理的原始数据。 ②HIS H 表示色调(Hue)，S 表示饱和度(Saturation)， I 表示亮度(Intensity ，对应成像亮度和图像灰度) 1) I 分量与图像的彩色信息无关； 2) H 和S 分量与人感受颜色的方式是紧密相联的。 优点：HSI 模型非常适合借助人的视觉系统来感知彩色特性的图像处理算法。 ③CMYK 表色系统—印刷工业，减色合成法 青色(Cyan)、品红色(Magenta)、黄色(Yellow)和黑色（Black） 处理图像时，一般不用CMYK模式，主要是因为这种模式的文件大，占用的磁盘空间和内存大。这种模式一般在印刷时使用。 ④YUV色彩系统—电视信号 将R、G、B改组成亮度信号和色度信号。PAL制式将R、G、B三色信号改组成Y、U、V信号，其中Y信号表示亮度，U、V信号是色差信号 ⑤Lab表色系 Lab 颜色由亮度或光亮度分量L 和a、b两个色度分量组成。其中a在的正向数值越大表示越红，在负向的数值越大则表示越绿；b在的正向数值越大表示越黄，在负向的数值越大表示越蓝。 优点：与设备无关 基于颜色特征的分类：（PPT第六章10~14） 利用R-B、G-B、R-G的相互关系来看，背景与水果之间有区别，可用于图像分割。 第五章模板匹配与图像识别 图像匹配：利用相关函数，评价两块图像的相似性以确定目标的位置。首先取出标准目标的图像数据，然后取出待测影像中以待测点为中心的相应区域的图像数据，计算两者的相关系数，以相关系数最大值对应的相应区域中心点为目标的位置。 两种方法： 差平方和法 取两影像窗口相应位置灰度差的平方和为相关函数值。定义如下(越小越相似) 相关系数法 取两影像窗口灰度的相关系数为相关函数值。相关系数定义如下（越大越相似） 图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning 《数字图像处理》复习 第一章绪论 数字图像处理技术的基本内容：图像变换、图像增强、图象恢复、图像压缩编码、图像分割、图像特征提取（图像获取、表示与描述）、彩色图像处理和多光谱及高光谱图像处理、形态学图像处理 第二章数字图像处理基础 2-1 电磁波谱与可见光 1.电磁波射波的成像方法及其应用领域： 无线电波（1m-10km）可以产生磁共振成像，在医学诊断中可以产生病人身体的横截面图像☆微波（1mm-1m）用于雷达成像，在军事和电子侦察领域十分重要 红外线（700nm-1mm）具有全天候的特点，不受天气和白天晚上的影响，在遥感、军事情报侦察和精确制导中广泛应用 可见光（400nm-700nm）最便于人理解和应用最广泛的成像方式，卫星遥感、航空摄影、天气观测和预报等国民经济领域 ☆紫外线（10nm-400nm）具有显微镜方法成像等多种成像方式，在印刷技术、工业检测、激光、生物学图像及天文观测 X射线（1nm-10nm）应用于获取病人胸部图像和血管造影照片等医学诊断、电路板缺陷检测等工业应用和天文学星系成像等 伽马射线（0.001nm-1nm）主要应用于天文观测 2-2 人眼的亮度视觉特征 2.亮度分辨力——韦伯比△I/I（I—光强△I—光照增量），韦伯比小意味着亮度值发生较小变化就能被人眼分辨出来，也就是说较小的韦伯比代表了较好的亮度分辨力 2-3 图像的表示 3. 黑白图像：是指图像的每个像素只能是黑或白，没有中间的过渡，一般又称为二值图像 （黑白图像一定是二值图像，二值图像不一定是黑白图像） 灰度图像：是指图像中每个像素的信息是一个量化了的灰度级的值，没有彩色信息。 彩色图像：彩色图像一般是指每个像素的信息由R、G、B三原色构成的图像，其中的R、B、G是由不同的灰度级来描述的。 4.灰度级L、位深度k L=2^k 5.储存一幅M×N的数字图像所需的比特 b=M×N×k 例如，对于一幅600×800的256灰度级图像，就需要480KB的储存空间（1KB=1024Byte 1Byte=8bit） 2-4 空间分辨率和灰度级分辨率 6.空间分辨率是图像中可分辨的最小细节，主要由采样间隔值决定，反映了数字化后图像的实际分辨率。一种常用的空间分辨率的定义是单位距离内可分辨的最少黑白线对数目(单位是每毫米线对数)，比如每毫米80线对。对于一个同样大小的景物来说，对其进行采样的空间分辨率越高，采样间隔就越小，图片的质量就越高。 7.灰度级分辨率是指在灰度级别中可分辨的最小变化，通常把灰度级级数L称为图像的灰度级分辨率（灰度级通常是2的整数次幂） 8.在图像空间分辨率不变的情况下，采样数越少，图像越小。同时也证实了，在景物大小不变的情况下，图像阵列M×N越小，图像的尺寸就越小； 随着空间分辨率的降低，图像大小尺寸不变，图像中的细节信息在逐渐损失，棋盘格似的粗颗粒像素点变得越来越明显。由此也说明，图像的空间分辨率越低，图像的视觉效果越差；随着灰度分辨率的降低，图像的细节信息在逐渐损失，伪轮廓信息在逐渐增加。由于伪轮 计算机视觉与图像理解 摘要 精确的特征跟踪是计算机视觉中的许多高层次的任务，如三维建模及运动分析奠定了基础。虽然有许多特征跟踪算法，他们大多对被跟踪的数据没有错误信息。但是，由于困难和空间局部性的问题，现有的方法会产生非常不正确的对应方式，造成剔除了基本的后处理步骤。我们提出了一个新的通用框架，使用Unscented转换，以增加任意变换特征跟踪算法，并使用高斯随机变量来表示位置的不确定性。我们运用和验证了金出武雄，卢卡斯- Tomasi 的跟踪功能框架，并将其命名为Unscented康莱特（UKLT）。UKLT能跟踪并拒绝不正确的应对措施。并证明对真假序列的方法真确性，并演示UKLT能做出正确不误的判断出物体的位置。 1．简介 在计算机视觉，对问题反映的准确性取决于于图像的准确测定。特征跟踪会随时间变化对变化的图像进行处理，并更新每个功能的变化作为图像的位置判断。重要的是所选择图像的功能，有足够的信息来跟踪，而且不遭受光圈问题的影响。[1] 在金出武雄，卢卡斯- Tomasi（康莱特）是最知名的跟踪和研究方法之一。它采用一对匹配准则刚性平移模型，它是相当于窗口强度的平方差之和最小化的基础。特征点的正确选择，可大大提高算法的性能。[3] Shi与Tomasi 将初始算法考虑仿射模型，并提出了技术监测的功能对质量进行跟踪。如果第一场比赛中的图像区域之间和当前帧残留超过阈值时，该功能将被拒绝。在随后的工作中，对模型进行了扩展且考虑了光照和反射的变化。 不幸的是，这些算法没有考虑在跟踪的不确定性，和估计的可靠性。如果我们能够考虑到这些问题，我们将能从混乱的数据中提取出更准确的数据。在没有不确定性特设技术条件下，有些研究员试图从中提取有用的数据但是结果都不能令人满意。但是理论上有声音的不确定性为特征跟踪，是可以应用于不同的功能类型的方法。 在一个闭塞，模糊，光照变化的环境中，即使是最复杂的特征跟踪算法一败涂地无法准确跟踪。这些问题导致错误的匹配，就是离群值。虽然有几种方法来减轻异常值的影响，但是其计算成本通常较高[7] [8]。[9]采用随机抽样一致性[10]的方法来消除图像序列异常值。Fusiello提出的康莱特，增加了一种自动拒绝规则功能，所谓的X84。虽然有许多离群排斥的方法，但没有一个单一的算法，尽管该算法在所有情况下都表现良好。 在本文中我们将研究范围扩大，运用高斯随机变量（GRVs）与Unscented变换（SUT 的），计算在一个非线性变换的分布传播，运用标准康莱特算法。采用随机变量来描述图像特征的位置和它们的不确定性既提高了精度又提高了鲁棒性的跟踪过程。虽然我们不知道什么是真正的分布，被测系统为我们提供了理论保证，前两个时刻的估计是正确的。另外，使用异常检测被测样品确定性使我们没有增加任何额外费用。 2．不确定度表示 我们现在引入一个新的通用框架，增强了任意特征跟踪算法，以代表和跟踪高斯随机变量（GRVs）功能的位置。然后，我们说明它可以被应用到最常用的方法，康莱特之一[1]。 GRVs是一种用于图像的特征定位概率分布函数描述的不错选择。他们有一个简单易懂的数学公式（平均向量和协方差矩阵）和紧凑的计算实施。他们也有一个确切的封闭使用的线性代数运算的代数线性变换的制定，并以此作为其参数表示的两个分布的第一时刻。Haralick [13]虽然提出了在计算机视觉中使用协方差传递，但他只考虑一阶线性化。 易用性外，还出现了一些有效的文献，它质疑从本地的图像灰度信息测量协方差是否可以代表的功能位置的不确定性[6]。 机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程： 成都理工大学数字图像处理复习资料 本页仅作为文档封面，使用时可以删除 This document is for reference only-rar21year.March 遥感与数字图像处理基础知识 一、名词解释： 数字影像：物体光辐射能量的数字记录形式或像片影像经采样量化后的二维数字灰度序列图像采样：将空间上连续的图像变换成离散点的操作称为采样 灰度量化：将像素灰度转换成离散的整数值的过程叫量化 像素：将地面信息离散化而形成的格网单元 二、填空题： 1、光学图像是一个连续的光密度函数。 2、数字图像是一个离散的光密度函数。 3、通过成像方式获取的图像是连续的，无法直接进行计算机处理。此外，有些遥感图像是通过摄影方式获取的，保存在胶片上。只有对这些获取的图像（或模拟图像）进行数字化后，才能产生数字图像。数字化包括两个过程：采样和量化。 4、一般来说，采样间距越大，图像数据量小，质量差；反之亦然。 5、一幅数字图像为8位量化，量化后的像素灰度级取值范围是0——255的整数。设该数字图像为600行600列，则图像所需要的存储空间为__ 360000______字节。 6、设有图像文件为200行，200列，8位量化，共7个波段，则该图像文件的大小为280000bit。 三、不定项选择题：(单项或多项选择) 1、数字图像的_____4___。 ①空间坐标是离散的，灰度是连续的②灰度是离散的，空间坐标是连续的 ③两者都是连续的④两者都是离散的 2、采样是对图像___2_____。 ①取地类的样本②空间坐标离散化③灰度离散化 3、量化是对图像____2____。 ①空间坐标离散化②灰度离散化③以上两者。 4、图像灰度量化用6比特编码时，量化等级为____2____。 ①32个②64个③128个④256个 《图像理解与计算机视觉》习题 1. 一幅图像的象素灰度级为256、大小为1024×1024的图象的数据量多少MB？假设网络的平均传输速率为1Mbit/s，需要多少秒才能传送完毕？每个像素可以用8比特表示。 解答：图像的数据量是1024×1024×8/8=1 MB，需要8 秒才能传送完毕。 2. 通过你对生活的观察，举出一个书本描述之外的图像处理应用的领域和例子。 解答： 医院CT检查，等。 I f x y z t的各个参数的具体含义，反映的图像类型有多 3. 请说明图像亮度函数(,,,,) 少？ 解答： I f x y z t中，(x,y,z)是空间坐标，λ是波长，t 是时间，I 是 图像数学表达式(,,,,) 光点(x,y,z)的强度（幅度）。上式表示一幅运动(t) 的、彩色/多光谱(λ) 的、立体（x,y,z）图像。 I f x y z t表示一幅运动(t) 的、彩色/多光谱(λ) 的、立体（x,y,z）图像。对 (,,,,) 于静止图像，则与时间t 无关；对于单色图像(也称灰度图像)，则波长λ为一常数；对于平面图像，则与坐标z 无关，故f(x,y)表示平面上的静止灰度图像，它是一般图像I f x y z t的一个特例。 (,,,,) 4. 色彩具有哪几个基本属性，表述这些属性的含义。 解答： 色相（H）：色相是与颜色主波长有关的颜色物理和心理特性，它们就是所有的色相，有时色相也称为色调。 饱和度（S）：饱和度指颜色的强度或纯度，表示色相中灰色成分所占的比例，用0%-100%（纯色）来表示。 亮度（B）：亮度是颜色的相对明暗程度，通常用0%（黑）-100%（白）来度量。 5. 请解释马赫带效应。 解答： 所谓“马赫带效应（Mach band effect）”是指视觉的主观感受在亮度有变化的地方 第2章机器视觉系统与数字图像处理 2.1机器视觉系统 2.1．1机器视觉系统简介 机器视觉系统是指利用机器替代人眼做出各种测量和判断。机器视觉是工程领域和科学领域中的一个非常重要的研究领域，它是一门涉及光学、机械、计算机、模式识别、图像处理、人工智能、信号处理以及光电一体化等多个领域的综合性学科，其能以及应用范围随着工业自动化的发展逐渐完善和推广，其中母子图像传感器、CMOS和CCD摄像机、DSP、ARM嵌入式技术、图像处理和模式识别等技术的快速发展，有力地推动了机器视觉的发展。机器视觉是一种比较复杂的系统。因为大多数系统监控对象都是运动物体，系统与运动物体的匹配和协调动作尤为重要，所以给系统各部分的动作时间和处理速度带来了严格的要求。在某些应用领域，例如机器人、飞行物体导制等，对整个系统或者系统的一部分的重量、体积和功耗都会有严格的要求。 机器视觉系统通过图像摄取装置将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号。机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成。在生产线上，人来做此类测量和判断会因疲劳、个人之间的差异等产生误差和错误，但是机器却会不知疲倦地、稳定地进行下去；在一些不适合人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。机器视觉系统就其检测性质和应用范围而言，分为定量和定性检测两大类，每类又分为不同的子类。机器视觉在工业在线检测的各个应用领域十分活跃，如：印刷电路板的视觉检查、钢板表面的自动探伤、大型工件平行度和垂直度测量、容器容积或杂质检测、机械零件的自动识别分类和几何尺寸测量等。此外，在许多其它方法难以检测的场合，利用机器视觉系统可以有效地实现。机器视觉的应用正越来越多地代替人去完成许多工作，这无疑在很大程度上提高了生产自动化水平和检测系统的智能水平 机器视觉系统的优点有：1.非接触测量，对于被检测对象不会产生任何损伤，而且提高了系统能够的可靠性；2.较宽的光谱响应范围，例如使用人眼看不见的红外测量，扩展人眼的视觉范围；3.长时间稳定工作，人类难以长时间对同一对象进行观察，而机器视觉系统则可以长时间地作测量、分析和识别任务。机器视觉系统的应用领域越来越广泛。在工业、农业、国防、交通、医疗、金融甚至体育、娱乐等等行业都获得了广泛的应用，可以说已经深入到我们的生活、生产和 什么是机器视觉技术？试论述其基本概念和目的。答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉技术最大的特点是速度快、信息量大、功能多。机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。机器视觉系统一般由哪几部分组成？试详细论述之。答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。 该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS采 集物体影像。 图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。 输出显示或控制：主要是将分析结果输出到显示器或控制机构等输出设备。试论述机器视觉技术的现状和发展前景。 答：。机器视觉技术的现状：机器视觉是近20?30年出现的新技术，由于其固有的柔性好、 非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。 发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。价格持续下降、功能逐渐增多、成品小型化、集成产品增多。 机器视觉技术在很多领域已得到广泛的应用。请给出机器视觉技术应用的三个实例并叙述之。答：一、在激光焊接中的应用。通过机器视觉系统，实时跟踪焊缝位置，实现实时控制，防止偏离焊缝，造成产品报废。 二、在火车轮对检测中的应用，通过机器视觉系统抓拍轮对图像，找出轮对中有缺陷的轮对，提高检测精度和速度，提高效率。 三、大批量生产过程中的质量检查，通过机器视觉系统，对生产过程中的产品进行质量检查 跟踪，提高生产效率和准确度。 什么是傅里叶变换，分别绘出一维和二维的连续及离散傅里叶变换的数学表达式。论述图像傅立叶变换的基本概念、作用和目的。 答：傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。一维连续函数的傅里叶变换为：一维离散傅里叶变换为：二维连续函数的傅里叶变换为：二维离散傅里叶变换为： 图像傅立叶变换的基本概念：傅立叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被喻为描述图像信息的第二种语言，广泛应用于图像变换，图像编码与压缩，图像分割，图像重建等。作用和目的：图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。图像灰度变换主要有哪几种形式？各自的特点和作用是什么？ 答：灰度变换:基于点操作，将每一个像素的灰度值按照一定的数学变换公式转换为一个新的灰度值。灰度变换是图像增强的一种重要手段，它可以使图像动态范围加大，使图像的对比度扩展， 一、 1.什么是计算机视觉？理解计算机视觉问题的产生原理。 研究用计算机来模拟生物视觉功能的技术学科。具体来说，就是让计算机具有对周围世界的空间物体进行 传感、抽象、分析判断、决策的能力，从而达到识别、理解的目的。 2.直方图的均衡化 处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方 图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是 把给定图像的直方图分布改变成“均匀”分布直方图分布。 是将原图像通过某种变换，得到一幅灰度直方图更为均匀分布的新图像的方法。设图像均衡化处理后，图像的直方图 是平直的，即各灰度级具有相同的出现频数，那么由于灰度级具有均匀的概率分布，图像看起来就更清晰了。 二、 1.常见的几何变换：平移T x为点（x，y）在x方向要平移的量。 旋转 变尺度：x轴变大a倍，y轴变大b倍。 2.卷积掩膜技术：(,) (,)(,)(,) m n f i j h i m j n g m n =-- ∑∑ 对应相乘再相加掩膜的有效应用——去噪问题 3. 均值滤波器（低通）：抑制噪声 主要用于抑制噪声，对每一个目标像素值用其局部邻域内所有像素值的加权均值置换。con命令高斯滤波器：一个朴素的道理，距离目标像素越近的点，往往相关性越大，越远则越不相干。所以，高斯 滤波器根据高斯函数选择邻域内各像素的权值 medfilt1 。 区别方法是：高通滤波器模板的和为0，低通滤波器模板的和为1 常用的非线性滤波器：中值滤波；双边滤波；非局部滤波 4.边缘检测算子：通过一组定义好的函数，定位图像中局部变换剧烈的部分（寻找图像边缘）。主要方法有：Robert 交叉梯度，Sobel梯度，拉普拉斯算子，高提升滤波，高斯-拉普拉斯变换（都是高通滤波器） 1100 cos sin0 [1][1]sin cos0 001 x y x y θθ θθ - ?? ? = ? ? ?? 1100 00 [1][1]00 00 a x y x y b ab ?? ? = ? ? ?? (,) 1 [,][,] k l N h i j f k l M∈ =∑ ? ? ? ? ? ? ? = 1 1 1 ]1 [ ]1 [ 1 1 y x T T y x y x 机器视觉概述 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 【应用领域】 机器视觉广泛应用于各个方面，广泛应用于微电子、PCB生产、自动驾驶、印刷、科学研究和军事等领域。 【基本构造】 一个典型的工业机器视觉系统包括：光源、镜头、CCD 照相机、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯/ 输入输出单元等。系统可再分为、主端电脑(Host Computer)、影像获取卡(Frame Grabber)与影像处理器、影像摄影机、CCTV镜头、显微镜头、照明设备、Halogen光源、LED光源高周波萤光灯源、闪光灯源、其他特殊光源、影像显示器、LCD、机构及控制系统、PLC、PC-Base控制器、精密桌台、伺服运动机台。 以上涵盖大部分的机器视觉系统组成部分，在本实验室中机器视觉的主要系统组成为：光源、工控机、工业相机、镜头；其中在进行算法设计时尽量的减少对于光源条件的依赖（实验室的光源性能一般，光照条件良好）。 图1 典型的机器视觉系统 图2 本实验室的机器视觉的主要组成 尽量以本实验室现有的实验条件为主，其他需要的部分按实际要求也可以添加。 【工作原理】 机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/ 不合格、有/ 无等，实现自动识别功能。 【机器视觉系统的典型结构】 一个典型的机器视觉系统包括以下五大块： 1.照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。 1、点运算是否会改变图像内像素点之间的空间位置关系？ 点运算是一种像素的逐点运算，它与相邻的像素之间没有运算关系，点运算不会改变图像内像素点之间的空间位置关系。 2、对图像灰度的拉伸，非线性拉伸与分段线性拉伸的区别？ 非线性拉伸不是通过在不同灰度值区间选择不同的线性方程来实现对不同灰度值区间的扩展与压缩，而是在整个灰度值范围内采用统一的非线性变换函数，利用函数的数学性质实现对不同灰度值区间的扩展与压缩。 3.图像获取即图像的数字化过程，包括扫描、采样和量化。 4.图像获取设备由5个部分组成：采样孔，扫描机构，光传感器，量化器和输出存储体。 5.采样间隔越大，所得图像像素数越少，空间分辨率低，质量差，严重时出现马赛克效应 6.采样间隔越小，所得图像像素数越多，空间分辨率高，图像质量好，但数据量大 7.量化等级越多，所得图像层次越丰富，灰度分辨率高，图像质量好，但数据量大 8.量化等级越少，图像层次欠丰富，灰度分辨率低，会出现假轮廓现象，图像质量变差，但数据量小. 9.三种灰度插值方法—最近邻法、双线性插值法和三次内插法 10.图像增强的目的： 采用某种技术手段，改善图像的视觉效果，或将图像转换成更适合于人眼观察和机器分析识别的形式，以便从图像中获取更有用的信息。 11.空间域平滑滤波器方法分类： 1）局部平滑法 2) 超限像素平滑法 3) 灰度最相近的K个邻点平均法 4) 空间低通滤波法 12.图像平滑通过积分过程使得图像边缘模糊，图像锐化则通过微分而使图像边缘突出、清晰。 13.图像恢复和图像增强一样，都是为了改善图像视觉效果，以及便于后续处理。只是图像增强方法更偏向主观判断，而图像恢复则是根据图像畸变或退化原因，进行模型化处理 14. (1)成象系统的象差、畸变、带宽有限等造成图像图像失真； (2)由于成象器件拍摄姿态和扫描非线性引起的图像几何失真； (3)运动模糊，成象传感器与被拍摄景物之间的相对运动，引起所成图像的运动模糊； 数字图像处理考试要点 第二章 1、在实际采样过程中，采样点间隔的选取很关键。应满足采样定 理（二维采样定理：Nyguist准则）：采样频率大于信号中最高 频率的2倍。 2、量化分为等间隔量化、非等间隔量化，非等间隔量化包括对数 量化、Max量化、锥形量化。 3、图像质量评估方法与标准分两类：主观评价、客观测量 噪声的定义：不可预测，只能用概率统计方法来认识的随机误差。图像噪声：妨碍人们视觉器官对所接收的信源信息理解的因素。 第三章 4、一般人的眼睛可以感知的电磁波的波长在400～760nm之间， 可见光的波长范围为380nm~780nm。 5、瞳孔——光圈，透明体(晶状体)——透镜 6、眼球是由一系列曲率半径和折光指数都不相同的折光体所组 成的折光系统。 7、6米以外直至无限远处的物体发出或反射出的光线到眼的折光 系统时近于平行，可在视网膜上形成清晰的像。 8、但人眼不是无条件的看清任何远处的物体，因为：1）光线过 弱，不足以兴奋感光细胞；2）距离过大，小到视网膜分辨能 力的限度以下。 9、比6米近的物体，折射后的成像位置在主焦点，即视网膜位置 之后，尚未聚焦，物像是模糊的。 10、人眼视觉模型 11、人从亮处进入暗室，最初看不清楚东西，经过一段时间，恢复 了在暗处的视力，这称为暗适应；相反，从暗处到亮处是明适应。 12、人眼对蓝光的灵敏度远远低于对红光和绿光的灵敏度，对波长 为550nm左右的黄绿色最为敏感。红（700nm），绿（546.1nm），蓝（435.8nm） 13、从人的主观感觉角度，颜色包含三个要素：色调、饱和度、明 亮度。 14、颜色模型是用来精确标定和生成各种颜色的一套规则和定义， 某种颜色模型所标定的所有颜色就构成了一个颜色空间。15、对于人来说，可以通过色调、饱和度、亮度来定义颜色（HSL 颜色模型）；对于显示设备来说，可以用红、绿、蓝磷光体的发光量来描述颜色（RGB颜色模型）；对于打印设备来说，可以用青色、品红、黄色和黑色颜料的用量来指定颜色（CMYK颜色模型）。 16、理论上，青色、品红和黄色三种基本色素等量混合能得到黑色。 但实际上，因为所有打印油墨都会包含一些杂质，这三种油墨 数字图像处理与机器视觉 2015-2016期末试卷参考答案南昌大学研究生2015,2016年第2学期期末考试试卷 试卷编号: (开)卷课程名称: 数字图像处理与机器视觉适用班级: 2015级硕士研究生姓名: 学号: 专业: 学院: 机电工程学院考试日期: 题号一二三四五六七八九十总分累分人 签名题分 10 15 15 10 20 30 100 得分 考生注意事项:1、本试卷共4页，请查看试卷中是否有缺页或破损。如有请报告以便更换。 2、使用A4答题纸，注意装订线。 一、单项选择题(从下列各题四个备选答案中选出一个正确答案，并将其 代号填在题前的括号内。每小题1分，共10分) ( b )1.图像与灰度直方图间的对应关系是: a.一一对应 b.多对一 c.一对多 d.都不对 ( d )2. 下列算法中属于图象平滑处理的是: a.Hough变换法 b.状态法 c.高通滤波 d. 中值滤波 ( c )3.下列算法中属于图象锐化处理的是: a.局部平均法 b.最均匀平滑法 c.高通滤波 d. 中值滤波 ( d )4. 下列图象边缘增强算子中对噪声最敏感的是: a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( b )5. 下列算法中属于点处理的是: a.梯度锐化 b.二值化 c.傅立叶变换 d.中值滤波 ( d )6.下列算子中利用边缘灰度变化的二阶导数特性检测边缘的是: a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( c )7.将灰度图像转换成二值图像的命令为: a.ind2gray b.ind2rgb c.im2bw d.ind2bw ( d )8.数字图像处理的研究内容不包括: a.图像数字化 b.图像增强 c.图像分割 d.数字图像存储 ( d )9.对一幅100?100像元的图象，若每像元用,bit表示其灰度值，经霍夫曼编码后图象的压缩比为2:1，则压缩图象的数据量为: a.2500bit b.20000bit c.5000bit d.40000bit ( b )10.图像灰度方差说明了图像哪一个属性: a.平均灰度 b.图像对比度 c.图像整体亮度 d.图像细节 第 1 页 二、填空题(每空1分，共15分) l. 图像处理中常用的两种邻域是 4-邻域和 8-邻域。 2.图象平滑既可在空间域中进行，也可在频率域中进行。 3.常用的灰度内插法有最近邻元法、双线性内插法和三次内插法。 4. 低通滤波法是使高频成分受到抑制而让低频成分顺利通过，从而实现图像平滑。 5.Prewitt边缘检测算子对应的模板是和。 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 -1 0 1 (不分先后) 6.图像压缩系统是有编码器和解码器两个截然不同的结构块组成的。 7.灰度直方图的纵坐标是该灰度出现的频率。 8.依据图象的保真度，图象编码可分为无失真(无损)编码和有失真(有损)编码两 种。 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 数字图像处理知识点总结 第一章导论 1. 图像：对客观对象的一种相似性的生动性的描述或写真。 2. 图像分类：按可见性 (可见图像、不可见图像) ，按波段数(单波段、多波段、超波段)，按空间坐标和亮度的连续性(模拟和数字) 。 3. 图像处理：对图像进行一系列操作，以到达预期目的的技术。 4. 图像处理三个层次：狭义图像处理、图像分析和图像理解。 5. 图像处理五个模块：采集、显示、存储、通信、处理和分析。 第二章数字图像处理的基本概念 6. 模拟图像的表示：f(x , y) = i(x , y) x r(x , y)，照度分量0 视觉检测技术基础》课程教学大纲 一、课程基本信息 1、课程代码：MI420 2 、课程名称（中/ 英文）：视觉检测技术基础/ Foundation of visual measurement technique 3、学时/ 学分：27/1.5 4、先修课程：高等数学，大学物理 5、面向对象：电子信息类专业本科生 6、开课院（系）、教研室：电子信息与电气工程学院仪器系自动检测技术研究所 7、教材、教学参考书：自编讲义 《机器视觉》，贾云得著，科学出版社，2000 《计算机视 觉》，马颂德著，科学出版社，1997 《图像工程》，章毓晋 著，清华大学出版社，2002 二、本课程的性质和任务 《视觉检测基础》是电子信息学院仪器系四年级本科生的选修课，通过本课程的学习，使学生初步了解视觉检测系统的构成及基本原理，每个组成部分如何选择设计，掌握相应的图像处理方法，增加学生的专业知识。通过上机实践提高学生的实际编程能力，增强感性认识，为以后科研、工作中遇到的相关问题提供一个解决的思想，并能实际运用。 三、本课程教学内容和基本要求 1. 基本要求 《视觉检测基础》作为本科生的选修课，应当主要立足于对学生知识的普及，主要讲述计算机视觉系统的组成、设计、处理等方面的基本知识，以课堂讲述为主，讲述中应结合日常生活实际，提高学生的学习兴趣，让学生掌握基本的处理过程及算法，并辅以实验手段进一步增强学生对视觉检测技术的了解，增加感性认识， 2. 教学内容 (1) 课堂教学部分 第一讲计算机视觉概述 一、什么是计算机视觉 二、计算机视觉的应用 三、计算机视觉的研究内容 1 、主要研究内容 2 、与其它学科的关系 第二讲成像原理与系统 一、成像几何基础 1、透视投影 2、正交投影 二、输入设备 1 、镜头 2 、摄像机 机器视觉与图像分析技术详解 一、要点1．与视觉相关的项目并非全都需要咨询专家的服务；在硬件供应商和开发工具供应商的帮助下，缺乏视觉系统开发经验的开发者通常也可以完成大部分（即使不是全部）开发工作，并且为他们的公司节省费用。2．在开始视觉系统开发之前，你必须回答大约五六个问题；你的答案将基本决定系统的硬件成本。3．你只要选择能够在菜单驱动环境中能使你开始设备开发工作，然后通过图形编程或语法编程来完善程序，就可大大提高效率。4．习惯 一、要点 1．与视觉相关的项目并非全都需要咨询专家的服务；在硬件供应商和开发工具供应商的帮助下，缺乏视觉系统开发经验的开发者通常也可以完成大部分（即使不是全部）开发工作，并且为他们的公司节省费用。 2．在开始视觉系统开发之前，你必须回答大约五六个问题；你的答案将基本决定系统的硬件成本。 3．你只要选择能够在菜单驱动环境中能使你开始设备开发工作，然后通过图形编程或语法编程来完善程序，就可大大提高效率。 4．习惯于视觉系统在安装之后需要悉心呵护的观念；你常常无法预见在系统运行一段时间之后可能有必要调整算法的各种理由。 成功地开发一种基于视觉的设备可能需要很多专业知识，以致许多打算这样做的开发者都不愿意尝试这种任务，而转向求助于那些通过掌握技术的方方面面细微差别建立自己职业生涯的咨询专家。通常，一位咨询专家不仅可以为你节省数倍咨询费的费用，而且还可以节省大量宝贵的时间。即使这样，有些适用于基于视觉的系统开发的紧缩包裹型软件包却使那些没有机器视觉或图像分析经验的人能泰然承担的项目数量不断增加。 如果你缺乏适当的经验，则要走好的第一步是设法确定哪些任务需要外界帮助，哪些任务是你有可能用预包装软件自己迅速完成的。提供开发工具和硬件的厂商通常可以帮助你做出这种判断。在很多情况下，这些厂商的网站都有帮助做出这种决定的工具。给一个这样的厂商打个电话，你通常就可以与一位能搜集有关你设备信息的应用工程师取得联系。在适当的时候，大多数厂商会向你推荐他们熟悉其工作情况的咨询专家。通常，最经济的办法就是，某个项目中仅仅某些部分使用咨询帮助，例如照明部分。 图像分析和机器视觉是相关而又不同的两个领域。从某种意义上说，图像分析是机器视觉的一部分。然而，从另一种意义上说，图像分析是一门更广的学科。实际上，这两领域的分界线常常是模糊不清的。机器视觉与图像处理方法
数字图像处理复习重点整理
计算机视觉与图像理解
机器视觉技术发展现状文献综述
成都理工大学数字图像处理复习资料
《图像理解与计算机视觉》习题
机器视觉系统与数字图像处理
完整版机器视觉思考题及其答案
计算机视觉期末复习
机器视觉简介
数字图像处理知识点
数字图像处理要点
数字图像处理与机器视觉 2015-2016期末试卷参考答案
计算机图像处理与机器视觉复习重点
数字图像处理知识点总结(20200608132636)
《计算机视觉与图象处理》.
机器视觉与图像分析技术详解.