数字图像处理的基本方法
数字图像处理-图像基本运算
数字图像处理_图像基本运算图像基本运算1点运算线性点运算是指输⼊图像的灰度级与输出图像呈线性关系。
s=ar+b（r为输⼊灰度值，s为相应点的输出灰度值）。
当a=1，b=0时，新图像与原图像相同；当a=1，b≠0时，新图像是原图像所有像素的灰度值上移或下移，是整个图像在显⽰时更亮或更暗；当a＞1时，新图像对⽐度增加；当a＜1时，新图像对⽐度降低；当a＜0时，暗区域将变亮，亮区域将变暗，点运算完成了图像求补； ⾮线性点运算是指输⼊与输出为⾮线性关系，常见的⾮线性灰度变换为对数变换和幂次变换，对数变换⼀般形式为：s=clog（1+r）其中c为⼀常数，并假设r≥0.此变换使窄带低灰度输⼊图像映射为宽带输出值，相对的是输出灰度的⾼调整。
1 x=imread('D:/picture/DiaoChan.jpg');2 subplot(2,2,1)3 imshow(x);4 title('原图');5 J=0.3*x+50/255;6 subplot(2,2,2);7 imshow(J);8 title('线性点变换');9 subplot(2,2,3);10 x1=im2double(x);11 H=2*log(1+x1);12 imshow(H)13 title('⾮线性点运算');%对数运算幂次变换⼀般形式：s=cr^γ幂级数γ部分值把窄带暗值映射到宽带输出值下⾯是⾮线性点运算的幂运算1 I=imread('D:/picture/DiaoChan.jpg');2 subplot(2,2,1);3 imshow(I);title('原始图像','fontsize',9);4 subplot(2,2,2);5 imshow(imadjust(I,[],[],0.5));title('Gamma=0.5');7 imshow(imadjust(I,[],[],1));title('Gamma=1');8 subplot(2,2,4);9 imshow(imadjust(I,[],[],1.5));title('Gamma=1.5');2代数运算和逻辑运算加法运算去噪处理1 clear all2 i=imread('lenagray.jpg');3 imshow(i)4 j=imnoise(i,'gaussian',0,0.05);5 [m,n]=size(i);6 k=zeros(m,n);7for l=1:1008 j=imnoise(i,'gaussian',0,0.05);9 j1=im2double(j);10 k=k+j1;11 End12 k=k/100;13 subplot(1,3,1),imshow(i),title('原始图像')14 subplot(1,3,2),imshow(j),title('加噪图像')15 subplot(1,3,3),imshow(k),title(‘求平均后的减法运算提取噪声1 I=imread(‘lena.jpg’);2 J=imnoise (I,‘lena.jpg’,0,0.02);3 K=imsubtract(J,I);4 K1=255-K;5 figure;imshow(I);7 figure;imshow(K1);乘法运算改变图像灰度级1 I=imread('D:/picture/SunShangXiang.jpg')2 I=im2double(I);3 J=immultiply(I,1.2);4 K=immultiply(I,2);5 subplot(1,3,1),imshow(I);subplot(1,3,2),imshow(J);6 subplot(1,3,3);imshow(K);逻辑运算1 A=zeros(128);2 A(40:67,60:100)=1;3 figure(1)4 imshow(A);5 B=zeros(128);6 B(50:80,40:70)=1;7 figure(2)8 imshow(2);9 C=and(A,B);%与10 figure(3);11 imshow(3);12 D=or(A,B);%或13 figure(4);14 imshow(4);15 E=not(A);%⾮16 figure(5);17 imshow(E);3⼏何运算平移运算实现图像的平移1 I=imread('lenagray.jpg');2 subplot(1,2,1);3 imshow(I);4 [M,N]=size(I);g=zeros(M,N);5 a=20;b=20;6for i=1:M7for j=1:N8if((i-a>0)&(i-a<M)&(j-b>0)&(j-b<N)) 9 g(i,j)=I(i-a,j-b);10else11 g(i,j)=0;12 end13 end14 end15 subplot(1,2,2);imshow(uint8(g));⽔平镜像变换1 I=imread('lena.jpg');2 subplot(121);imshow(I);3 [M,N]=size(I);g=zeros(M,N);4for i=1:M5for j=1:N6 g(i,j)=I(i,N-j+1);7 end8 end9 subplot(122);imshow(uint8(g));垂直镜像变换1 I=imread('lena.jpg');2 subplot(121);imshow(I);3 [M,N]=size(I);g=zeros(M,N);4for i=1:M5for j=1:N6 g(i,j)=I(M-i+1,j);7 end8 end9 subplot(122);imshow(uint8(g));图像的旋转1 x=imread('D:/picture/DiaoChan.jpg');2 imshow(x);3 j=imrotate(x,45,'bilinear');4 k=imrotate(x,45,'bilinear','crop');5 subplot(1,3,1),imshow(x);6 title(‘原图')7 subplot(1,3,2),imshow(j);8 title(‘旋转图(显⽰全部)')9 subplot(1,3,3),imshow(k);10 title(‘旋转图(截取局部)')⼏种插值法⽐较1 i=imread('lena.jpg');2 j1=imresize(i,10,'nearest');3 j2=imresize(i,10,'bilinear');4 j3=imresize(i,10,'bicubic');5 subplot(1,4,1),imshow(i);title(‘原始图像')6 subplot(1,4,2),imshow(j1);title(‘最近邻法')7 subplot(1,4,3),imshow(j2);title(‘双线性插值法')8 subplot(1,4,4),imshow(j3);title(‘三次内插法')放缩变换1 x=imread('D:/picture/ZiXia.jpg')2 subplot(2,3,1)3 imshow(x);4 title('原图');5 Large=imresize(x,1.5);6 subplot(2,3,2)7 imshow(Large);8 title('扩⼤为1.5');9 Small=imresize(x,0.1);10 subplot(2,3,3)11 imshow(Small);12 title('缩⼩为0.3');13 subplot(2,3,4)14 df=imresize(x,[600700],'nearest');15 imshow(df)16 title('600*700');17 df1=imresize(x,[300400],'nearest');18 subplot(2,3,5)19 imshow(df1)20 title('300*400');后记：（1）MATLAB基础知识回顾1：crtl+R是对选中的区域注释，ctrl+T是取消注释2：有的代码中点运算如O=a.*I+b/255 ，其中b除以255原因是：灰度数据有两种表式⽅法：⼀种是⽤unit8类型，取值0~255；另⼀种是double类型，取值0~1。
计算机图像处理的基本原理和方法
计算机图像处理的基本原理和方法计算机图像处理是通过数字图像处理技术对图像进行获取、处理、分析和干预的过程。
它是计算机视觉领域中的重要研究方向之一。
本文将详细介绍计算机图像处理的基本原理和方法。
一、图像获取图像获取是指使用数字相机、扫描仪等设备将现实中的图像转化为数字形式。
常见的图像获取方式包括光学传感器原理、电子转换和光电转换。
具体的步骤包括：1. 设置相机或扫描仪的参数，如曝光时间、ISO感光度等。
2. 对被摄物体进行定位和对焦。
3. 采集图像数据，并将其存储在计算机内存中。
二、图像预处理图像预处理是为了增强图像的质量和消除噪声，以便更好地进行后续处理和分析。
常见的图像预处理方法包括：1. 灰度化：将图像从彩色转变为灰度图像，简化计算过程。
2. 平滑滤波：通过消除图像中的高频噪声，使图像更加清晰。
3. 锐化增强：通过增强图像的边缘和细节，提高图像的观感。
三、图像增强图像增强是改善图像的视觉效果和提取图像信息的过程。
常见的图像增强方法包括：1. 空域增强：对图像的每个像素进行操作，如直方图均衡化、灰度拉伸等。
2. 频域增强：利用频域滤波器对图像进行增强，如傅里叶变换、小波变换等。
3. 借助机器学习技术进行图像增强，如深度学习和卷积神经网络等。
四、图像分割图像分割是将图像分成若干个互不重叠的区域的过程。
图像分割可以提取出感兴趣的目标，为后续处理和分析提供基础。
常见的图像分割方法包括：1. 基于阈值的分割：通过设定阈值来将图像分成不同的区域。
2. 区域生长法：从种子点开始，根据像素邻域的相似性递归合并区域。
3. 基于边缘的分割：提取图像的边缘信息，将边缘作为分割的依据。
五、目标识别与分类目标识别与分类是将图像中的目标对象识别和分类的过程。
常见的目标识别与分类方法包括：1. 特征提取：通过提取目标对象的特征信息，如形状、纹理、颜色等，作为分类的依据。
2. 机器学习算法：使用分类算法，如支持向量机、决策树和随机森林等，对目标对象进行分类。
数字图像处理技术解析
数字图像处理技术解析第一章：数字图像处理基础知识数字图像处理是一门研究如何处理和操作数字图像的学科。
数字图像是离散的表示了光的强度和颜色分布的连续图像。
数字图像处理技术可以应用于许多领域，如医学影像、机器视觉、遥感图像等。
1.1 数字图像表示与存储数字图像可以使用像素（pixel）来表示，每个像素包含一定数量的位元（bit），用于表示图像的灰度值或颜色信息。
常见的像素表示方法有灰度图像和彩色图像。
在计算机中，数字图像可以以不同的方式进行存储，如位图存储、压缩存储等。
1.2 数字图像处理的基本操作数字图像处理的基本操作包括图像增强、图像恢复、图像压缩和图像分割等。
图像增强可以改善图像的质量，使其更适于人眼观察或用于其他应用。
图像恢复是指通过去除图像中的噪声、模糊等不良因素，使图像恢复到原始清晰状态。
图像压缩可以减少图像的存储空间和传输带宽。
图像分割是将图像分成几个具有独立特征的区域，用于目标检测、目标跟踪等应用。
第二章：数字图像增强技术数字图像增强技术可以提高图像的质量和信息内容，使其更适合进行后续处理或人眼观察。
常用的图像增强方法包括灰度变换、直方图均衡化和空域滤波等。
2.1 灰度变换灰度变换是通过对图像的灰度值进行变换，来改变图像的对比度和亮度。
常见的灰度变换方法包括线性变换、非线性变换和直方图匹配等。
线性变换通过对灰度值进行线性和平移变换，可改变图像的对比度和亮度。
非线性变换使用非线性函数对灰度值进行变换，如对数变换、反转变换等。
直方图匹配是将图像的直方图变换为期望直方图，以达到对比度和亮度的调整。
2.2 直方图均衡化直方图均衡化是一种常用的图像增强方法，可以通过对图像的直方图进行变换，使得图像的灰度分布更加均匀。
直方图均衡化可以增加图像的对比度，使得图像细节更加清晰。
该方法适用于灰度图像和彩色图像。
2.3 空域滤波空域滤波是一种基于像素的图像处理方法，通过对图像的局部像素进行加权平均或非线性操作，来改变图像的特征。
数字图像处理基本知识
数字图像处理基本知识数字图像处理基木知识图像处理最早出现于20世纪50年代，当时的电子计算机己经发展到一定水平，人们开始利用计算机来处理图形和图像信息。
数字图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
数字图像处理常用方法：1）图像变换：由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。
因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。
目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用。
2）图像编码压缩：图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。
压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。
编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。
3）图像增强和复原：图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。
图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。
如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。
图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。
4）图像分割：图像分割是数字图像处理中的关键技术之一。
图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。
虽然目前己研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。
数字图像处理在医学影像中的应用：技术、原理与应用研究
数字图像处理在医学影像中的应用：技术、原理与应用研究引言数字图像处理在医学影像中的应用已经成为医学领域中不可或缺的一部分。
随着技术的发展和进步，数字图像处理在医学影像中的应用越来越广泛，为医生提供了更多的信息和工具来辅助诊断、治疗和研究。
本文将介绍数字图像处理在医学影像中的技术、原理和应用研究。
一、数字图像处理的基础知识1.1 数字图像处理的定义和概念数字图像处理是将图像的采集、处理、存储和传输等过程转化为数字形式，并利用计算机进行处理和分析的技术。
它包括图像增强、图像恢复、图像压缩、图像分割、图像配准等多个方面。
1.2 数字图像处理的基本原理数字图像处理的基本原理是通过对图像的像素点进行操作，利用数学方法和算法对图像进行处理和分析。
常见的数字图像处理方法包括灰度变换、滤波、傅里叶变换等。
二、数字图像处理在医学影像中的技术与方法2.1 图像增强技术图像增强技术是指通过对图像进行处理，提高图像的质量、清晰度和对比度，使医生能够更好地观察和分析图像。
常用的图像增强技术包括直方图均衡化、线性滤波、非线性滤波等。
2.2 图像分割技术图像分割技术是指将图像划分为不同的区域或物体，用于定位和识别不同的组织结构和病变。
常用的图像分割技术包括阈值分割、边缘检测、区域生长等。
2.3 图像配准技术图像配准技术是指将不同位置、不同时间或不同模态的图像进行对齐和匹配，以实现图像的比较和融合。
常用的图像配准技术包括基于特征的配准、基于相似度度量的配准等。
2.4 图像压缩技术图像压缩技术是指通过减少图像数据的冗余性和冗长性，以减小图像文件的尺寸，使得图像的存储和传输更加高效。
常用的图像压缩技术包括无损压缩和有损压缩。
三、数字图像处理在医学影像中的应用研究3.1 诊断辅助数字图像处理在医学影像中的应用最主要的是辅助医生进行疾病的诊断。
通过对医学影像进行处理和分析，可以提取更多的信息和特征，帮助医生更准确地判断病变的位置、形状和大小，从而提高诊断的准确性和可靠性。
数字图像处理基本流程第一步
数字图像处理基本流程第一步下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor. I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!图像获取是数字图像处理的第一步，它的目的是将现实世界中的图像转换为数字形式，以便计算机进行处理和分析。
数字图像处理
数字图像处理概述数字图像处理是一项广泛应用于图像处理和计算机视觉领域的技术。
它涉及对数字图像进行获取、处理、分析和解释的过程。
数字图像处理可以帮助我们从图像中提取有用的信息，并对图像进行增强、复原、压缩和编码等操作。
本文将介绍数字图像处理的基本概念、常见的处理方法和应用领域。
数字图像处理的基本概念图像的表示图像是由像素组成的二维数组，每个像素表示图像上的一个点。
在数字图像处理中，我们通常使用灰度图像和彩色图像。
•灰度图像：每个像素仅包含一个灰度值，表示图像的亮度。
灰度图像通常表示黑白图像。
•彩色图像：每个像素包含多个颜色通道的值，通常是红、绿、蓝三个通道。
彩色图像可以表示图像中的颜色信息。
图像处理的基本步骤数字图像处理的基本步骤包括图像获取、前处理、主要处理和后处理。
1.图像获取：通过摄像机、扫描仪等设备获取图像，并将图像转换为数字形式。
2.前处理：对图像进行预处理，包括去噪、增强、平滑等操作，以提高图像质量。
3.主要处理：应用各种算法和方法对图像进行分析、处理和解释。
常见的处理包括滤波、边缘检测、图像变换等。
4.后处理：对处理后的图像进行后处理，包括去隐私、压缩、编码等操作。
常见的图像处理方法滤波滤波是数字图像处理中常用的方法之一，用于去除图像中的噪声或平滑图像。
常见的滤波方法包括均值滤波、中值滤波、高斯滤波等。
•均值滤波：用一个模板覆盖当前像素周围的像素，计算平均灰度值或颜色值作为当前像素的值。
•中值滤波：将模板中的像素按照灰度值或颜色值大小进行排序，取中值作为当前像素的值。
•高斯滤波：通过对当前像素周围像素的加权平均值来平滑图像，权重由高斯函数确定。
边缘检测边缘检测是用于寻找图像中物体边缘的方法。
常用的边缘检测算法包括Sobel 算子、Prewitt算子、Canny算子等。
•Sobel算子：通过对图像进行卷积运算，提取图像中的边缘信息。
•Prewitt算子：类似于Sobel算子，也是通过卷积运算提取边缘信息，但采用了不同的卷积核。
数字图像处理技术的基本原理和应用
数字图像处理技术的基本原理和应用随着科技的不断发展，数字图像处理技术在各个领域得到了广泛应用，例如计算机视觉、医学、遥感、安防等。
数字图像处理技术可以对图像进行各种处理和分析，以提取有用的信息。
本文将介绍数字图像处理技术的基本原理和应用。
一、数字图像处理技术的基本原理数字图像处理技术是利用计算机对数字图像进行处理和分析的一种技术。
数字图像是以数字的形式表示的图像，可以由数字相机、扫描仪等设备生成。
数字图像通常由像素组成，每个像素包含了图像的信息。
数字图像处理技术的基本原理包括以下几个方面。
1. 图像采集图像采集是将实际场景中的图像转换为数字图像的过程。
现代数字相机、扫描仪等设备可以将图像转换为数字信号。
数字信号存储在计算机中，可以进行进一步的处理和分析。
2. 图像预处理图像预处理是对数字图像进行预处理的过程。
常见的图像预处理包括去噪、平滑、增强等。
去噪是指去除图像中的噪声，可以通过滤波等方法实现。
平滑是指将图像中的峰谷等不规则部分去除，可以通过平滑滤波器等方法实现。
增强是指提高图像的对比度等，可以通过直方图均衡化等方法实现。
3. 图像处理图像处理是对数字图像进行处理的过程，包括图像分割、特征提取、相似性匹配等。
图像分割是将图像分成若干个部分的过程，可以通过阈值分割、区域生长等方法实现。
特征提取是从图像中提取出有用的信息，例如边缘、纹理等。
相似性匹配是将两幅图像进行匹配，以比较它们之间的相似程度。
4. 图像分析图像分析是对数字图像进行分析的过程，例如目标检测、物体跟踪等。
目标检测是从图像中检测出目标的位置、大小等信息。
物体跟踪是跟踪目标的运动轨迹。
二、数字图像处理技术的应用数字图像处理技术在各个领域得到了广泛应用。
以下列举几个例子。
1. 计算机视觉计算机视觉是利用计算机对图像进行处理和分析的一种技术。
计算机视觉可以实现自动驾驶、人脸识别、图像搜索等功能。
例如，自动驾驶的核心技术之一就是计算机对道路、路标等信息进行分析和识别。
- 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)。
一、图像的预处理技术图像处理按输入结果可以分为两类，即输入输出都是一副图像和输入一张图像输出不再是图像的数据。
图像处理是个很广泛的概念，有时候我们仅仅需要对一幅图像做一些简单的处理，即按照我们的需求将它加工称我们想要得效果的图像，比如图像的降噪和增强、灰度变换等等。
更多时候我们想要从一幅图像中获取更高级的结果，比如图像中的目标检测与识别。
如果我们将输出图像中更高级的结果视为目的的话，那么我们可以把输入输出都是一幅图像看作是整个处理流程中的预处理。
下面我们将谈到一些重要的预处理技术。
（一）图像增强与去噪图像的增强是一个主观的结果，原来的图像按照我们的需求被处理成我们想要的效果，比如说模糊、锐化、灰度变换等等。
图像的去噪则是尽可能让图像恢复到被噪声污染前的样子。
衡量标准是可以度量的。
不管是图像的增强与去噪，都是基于滤波操作的。
1．滤波器的设计方法滤波操作是图像处理的一个基本操作，滤波又可分为空间滤波和频域滤波。
空间滤波是用一个空间模板在图像每个像素点处进行卷积，卷积的结果就是滤波后的图像。
频域滤波则是在频率域看待一幅图像，使用快速傅里叶变换将图像变换到频域，得到图像的频谱。
我们可以在频域用函数来保留或减弱/去除相应频率分量，再变换回空间域，得到频域滤波的结果。
而空间滤波和频域滤波有着一定的联系。
频域滤波也可以指导空间模板的设计，卷积定理是二者连接的桥梁。
（1）频域滤波使用二维离散傅里叶变换（DFT ）变换到频域：∑∑-=+--==10)//(210),(),(N y N vy M ux i M x e y x f v u F π使用二维离散傅里叶反变换（IDFT ）变换到空间域：∑∑-=-=+=1010)//(2),(1),(M u N v N vy M ux i e v u F MN y x f π在实际应用中，由于该过程时间复杂度过高，会使用快速傅里叶变换（FFT ）来加速这个过程。
现在我们可以在频域的角度看待这些图像了。
必须了解的是，图像中的细节即灰度变化剧烈的地方对应着高频分量，图像中平坦变化较少的地方对应着低频分量。
图像中的周期性图案/噪声对应着某一个频率区域，那么在频域使用合适的滤波器就能去除相应的频率分量，再使用傅里叶反变换就能看到实际想要的结果。
不同的是，在频域的滤波器不再是做卷积，而是做乘积，因为做乘法的目的在于控制频率分量。
比较有代表性的有如下几个滤波器：高斯低通滤波器222/),(),(σv u D e v u H -=D 是距离频率矩形中心的距离。
该滤波器能保留低频分量，逐渐减小高频分量，对原图像具有模糊作用。
高斯高通滤波器2022/),(1),(D v u D e v u H --=可以看出高斯高通滤波器就是高斯低通滤波器的一个上下对称的函数，同理，该滤波器可以保留高频分量，减小低频分量，对图像有锐化的效果。
陷波滤波器),(),(),(1v u H v u H v u H k Qk k -=∏=陷波滤波器就是这样的一些高通滤波器的乘积。
每个高通滤波器的中心都被移至希望抑制的频率处，达到选择性滤波的目的。
这只是几种典型的滤波器，为了实际需求还有很多不同效果的，不管哪种滤波器，都是为了滤除我们不希望存在的频率分量。
（2）空间滤波空间滤波的基础是卷积，用一个滤波的模板对图像做卷积。
卷积的离散定义如下：∑∑-=-=--=⊗a a s bb t t y s x f t s w y x f y x w ),(),(),(),( 所以，空间滤波就是使用设计好的模板滑过图像，对每一处都进行卷积操作，计算结果就是滤波后的图像。
一些简单的空间滤波器，比如均值滤波器、统计排序滤波器、锐化滤波器等等。
关于空间滤波器的设计，我们须知道，有些滤波器的设计有着很明显的意义。
有些则没有那么不容易理解。
有直接意义的比如均值滤波器、统计排序滤波器，这类的都很好理解，均值滤波器就是对某个像素的邻域内像素取均值，很容易知道取完均值就能将该像素与邻域像素处灰度接近，也就达到了平滑图像的目的。
统计排序滤波器的作用是将一个邻域内的灰度排序后的中值替代中心像素值。
可以想象，脉冲噪声可以被轻易的去除。
那么在空间滤波器没那么容易直接设计的时候，其实它的设计是和频域滤波密切相关的。
下面我们介绍其原理。
首先我们介绍一下卷积定理：),(),(),(),(v u H v u F y x h y x f ⇔⊗双箭头代表傅里叶变换对，即两个函数在空间里的卷积的傅里叶变换等价于它们各自傅里叶变换的乘积。
由卷积定理可以知道，在频域进行滤波的时候，滤波的结果等于频域滤波器的傅里叶反变换在空间域对图像进行卷积。
也就是说我们可以通过频域的滤波器得到相应的空间滤波器。
在这个对应的过程中，需要对相应的空间函数进行取样，并保证模板中的系数之和为零。
一旦找到了适用于某个应用的滤波器，可以使用硬件设备直接在空间域实现该滤波器。
2．图像去噪（1）均值滤波均值滤波即求某个像素点邻域内像素值的均值，然后赋给该中心点像素。
求均值的时候，并不是一定要严格的算术平均值，邻域内像素点可以有不同的权值，但要系数之和为1。
均值滤波可以去除由扫描得到的颗粒噪声。
但是缺点是会模糊图像。
（2）中值滤波算法的原理是将某个像素邻域内的像素值排序，取中值替代中心像素值。
是一种非线性平滑滤波器，能将与周围差别过大的像素值替代成为与周围像素值相似的值，可以有效去除椒盐噪声。
（3）维纳滤波计算局部方差，局部方差越强，平滑作用越强，可以使得恢复的图像与原始图像的均方误差最小。
相对于均值滤波来说，这种方法对保留图像细节即高频分量有不错的效果，不过计算量大，对于白噪声有不错的抑制效果[1]。
（4）小波阈值去噪法这种方法的原理如下，将带噪图像进行小波分解将图像信号分解到各个尺度中，然后把每一尺度中属于噪声的小波系数去掉，保留并增强属于图像信号的系数。
最后使用小波逆变换重构出图像。
在去掉属于噪声的系数的时候，要预先设定一个阈值，若小波系数小于阈值，则认为该系数主要由噪声引起，则去除这部分系数。
反之若大于阈值，则保留。
阈值的选取方法如下。
全局阈值：N ln 2αλ=α为噪声标准方差，N 为信号长度。
除了全局阈值还有局部适应阈值，阈值的选取直接影响到去噪的效果[2]。
（5）双边滤波双边滤波器和经典的高斯滤波器一样运用了局部加权平均，不同之处在于双边滤波器的权值由两部分因子的乘积组成，一部分由像素间的空间距离决定，称之为空间临近度因子；另一部分由像素间的亮度差决定，成为亮度像似度因子。
双边滤波器比较于经典的低通滤波器来说，具有保持边缘细节的最大优点，同时有不错的去噪能力。
二、目标识别（一）传统方法1．图像特征提取的方法在数字图像处理中，要想对一幅图像做更高级的处理，即不再是输入输出都是图像的话，就需要对图像转换成利于计算机处理的形式。
最基本的思想是将图像的特征提取出来，这一个个特征值组合成一个特征向量，用以标识一幅图像，这样就把图像的分类问题转化成了向量的分类问题。
值得注意的是，传统方法中的特征提取方法很大程度上是基于问题的。
比如汽车车型的识别可以通过识别长宽比与顶棚与车长的比；指纹识别中，脊线上的分叉点和端点又成了我们所关注的特征点；人脸识别中，一种简单的办法是选取鼻尖，嘴角，眼珠这些特征点；识别一个物体是不是苹果，那么可以选取圆度率，形状数，纹理的一致性和平均熵度，颜色等等特征。
总的来说，传统方法在解决一系列图像识别问题的时候，要具体问题具体分析。
（1）图像分割所谓图像分割是根据灰度、色彩、纹理和几何形状等特征把图像划分成若干个互不相交的区域，使得在同一区域内的特征具有相似性，而在不同区域间表现得不同[3]。
灰度图像有两个基本性质：不连续性和相似性。
关注图像的不连续性的话，则以灰度突变为基础来分割一幅图像；如果关注相似性的话，则根据预定义的准则将图像分割为相似的区域，这类方法有阈值处理，区域生长，区域分类和聚合等，最实用的是阈值处理技术。
①基于灰度突变的边缘检测图像的大部分信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，即图像中会的变化较为剧烈的地方。
因此我们把边缘定义为图像中灰度发生急剧变化的区域边界[4]。
目前几种常用的边缘检测算法有基于梯度的边缘检测、高斯拉普拉斯（LoG）算子、坎尼边缘检测算法。
1）基于梯度的边缘检测Sobel算子是一种一阶微分算子，通过计算临近像素与中心像素的插值来近似该点的一阶导数。
这个过程可以通过一个Sobel卷积模板来实现。
该模板形式如下。
算法过程为：对图像进行预处理即平滑操作，通过Sobel 模板来计算出每个像素点的梯度，再根据预设的阈值来对梯度值进行取舍。
2）高斯拉普拉斯（LoG ）算子由于噪声点对边缘检测影响较大，所以由高斯滤波和拉普拉斯算子结合，形成高斯拉普拉斯算子。
由高斯函数根据拉普拉斯算子的公式求导可得。
22222224211),(σσπσy x e y x y x LoG +-⎥⎦⎤⎢⎣⎡+--=用LoG 滤波器对图像进行滤波这个过程实际上是该滤波函数与图像进行卷积。
由于高斯拉普拉斯两个操作是线性的，所以这个过程可以变换为先对图像进行高斯低通滤波，再计算其拉普拉斯。
σ是二维高斯函数的标准差，也称空间常数。
在实际应用中，通常用一个二维空间模板来近似LoG ，对该函数的值进行取样，并保证模板中各个系数之和为零。
下图为一个5⨯5模板。
这个模板可以是n ⨯n 的，在做完这一步后，需要寻找零交叉，方法是在每个像素点的3⨯3领域内，测试左右、上下、两个对角这四对像素值，要求至少有两对满足以下要求：两值符号不同，且两者差的绝对值要大于某个预设的阈值。
这时就找到了一个零交叉像素。
使用零交叉可以检测出大部分主要的边缘，而滤掉了一些弱的边缘信息。
比如粗糙的纹理也会产生的一些“无关”的边缘。
3）坎尼边缘检测算法这个算法的主要步骤为：用高斯滤波器平滑输入图像；计算梯度幅度和方向；对梯度幅值图像采用非最大抑制，此举是为了细化边缘；最后使用双阈值处理和连接分析来检测并连接边缘。
这个算法的有点事输出的边缘质量很高，保留了主要的边缘，消除了非主要的“伪边缘”，但是算法实现起来更为复杂，运行速度偏慢，可能会满足不了一些应用中的实时性要求。
②阈值处理基于阈值法的分割图像是一种十分简单却又有效的分割算法。
这种算法根据图像中不同区域具有不同的灰度级这一特性，按照灰度级来对图像进行划分，灰度级相近的被视为同一个区域。
在一些注重效率的场合，这种方法得到了广泛的应用[5]。
这里介绍一种最经典的方法，即otsu 法，现今的很多新的方法都是在此基础上进行了改进。
Otsu 法的算法流程如下：∑==k i ip k P 01)(1.计算图像的直方图，并标记各个分量。