图像预处理方法
计算机视觉技术的实时图像处理方法与优化策略
计算机视觉技术的实时图像处理方法与优化策略计算机视觉技术在当今数字化时代中起着不可忽视的作用。
随着图像和视频数据的爆炸式增长，实时图像处理成为一项关键技术。
实时图像处理的目标是在最短的时间内对大量的图像进行高质量的处理和分析，以满足各种应用需求。
本文将介绍计算机视觉技术中常用的实时图像处理方法和优化策略。
一、实时图像处理方法1. 图像预处理图像预处理是实时图像处理的第一步，目的是对原始图像进行去噪、增强和尺度标准化等操作，以提高后续处理的精度和准确性。
常用的图像预处理方法包括噪声去除算法、直方图均衡化和图像归一化等。
2. 特征提取特征提取是计算机视觉中的关键步骤，目的是从图像中提取出能够表征物体或场景的特征。
实时图像处理中常用的特征提取方法包括边缘检测、角点检测、纹理特征提取和光流估计等。
这些方法可以通过分析图像的局部特征、颜色和纹理等信息，识别目标并进行分类。
3. 目标检测与识别目标检测与识别是计算机视觉中的重要任务。
实时图像处理中，目标检测与识别需要在实时性的同时保证准确性。
常用的目标检测与识别方法包括基于特征的方法、基于机器学习的方法和深度学习方法等。
这些方法可以通过对图像进行分类和定位，实现对感兴趣目标的检测和识别。
4. 图像分割图像分割是将图像分割成不同的区域或对象的过程。
实时图像处理中常用的图像分割方法包括基于阈值的方法、边缘检测和区域生长等。
这些方法可以将图像分割成一系列的连通区域，用于定位、分析和识别感兴趣的目标。
二、优化策略1. 并行计算并行计算是实现实时图像处理的关键策略之一。
通过将图像处理任务划分为多个子任务，并行处理可以显著提高图像处理的速度和效率。
常用的并行计算方法包括并行编程模型、GPU加速和分布式计算等。
2. 算法优化算法优化是实现实时图像处理的另一个重要策略。
通过对常用算法进行优化和改进，可以提高图像处理的速度和质量。
常用的算法优化方法包括快速算法、近似算法和算法并行化等。
自然科学中图像处理与图像分析的技巧和方法
自然科学中图像处理与图像分析的技巧和方法在自然科学研究中，图像处理和图像分析是非常重要的技术手段。
图像处理和图像分析的目的是通过对图像的处理和分析，提取出图像中的有用信息，从而帮助科学家们更好地理解和解释现象，推进科学研究的进展。
本文将介绍一些常用的图像处理和图像分析的技巧和方法。
一、图像预处理图像预处理是图像处理的第一步，其目的是通过对图像进行一系列的预处理操作，消除图像中的噪声和干扰，同时增强图像的对比度和清晰度。
常用的图像预处理技术包括滤波、增强和去噪等。
滤波技术可以通过对图像进行低通滤波或高通滤波，去除图像中的高频噪声或低频噪声。
增强技术可以通过对图像进行直方图均衡化或对比度拉伸等操作，增强图像的对比度和清晰度。
去噪技术可以通过使用中值滤波或小波变换等方法，去除图像中的噪声，提高图像的质量。
二、图像分割图像分割是将图像划分成若干个不同的区域或对象的过程。
图像分割可以帮助科学家们从图像中提取出感兴趣的目标区域，进而进行进一步的分析和研究。
常用的图像分割方法包括阈值分割、边缘检测和区域生长等。
阈值分割是将图像中的像素根据其灰度值与预设的阈值进行比较，将像素分为不同的区域。
边缘检测是通过检测图像中的边缘信息，将图像分割成不同的区域。
区域生长是从图像中的种子点开始，根据一定的生长准则，将与种子点相连的像素逐渐生长为一个区域。
三、图像特征提取图像特征提取是将图像中的信息转化为一组数值特征的过程。
通过提取图像的特征，可以将图像中的信息转化为计算机可以处理的形式，从而进行进一步的分析和建模。
常用的图像特征提取方法包括颜色特征、纹理特征和形状特征等。
颜色特征可以通过提取图像中的颜色直方图或颜色矩等统计信息，描述图像中的颜色分布情况。
纹理特征可以通过提取图像中的纹理统计信息或使用纹理滤波器等方法，描述图像中的纹理特征。
形状特征可以通过提取图像中的边缘信息或使用形状描述子等方法，描述图像中的形状特征。
四、图像分类与识别图像分类与识别是将图像分为不同的类别或识别出图像中的目标的过程。
电脑技术用于图像处理的方法与技巧
电脑技术用于图像处理的方法与技巧随着电脑技术的不断发展，图像处理成为了一个重要的领域。
无论是在娱乐、医疗、安全还是工程设计等领域，图像处理都发挥着重要的作用。
本文将探讨一些电脑技术用于图像处理的方法与技巧，帮助读者更好地理解和应用这些技术。
一、图像预处理图像预处理是图像处理的第一步，其目的是对原始图像进行去噪、增强和校正等操作，以提高后续处理的效果。
常用的图像预处理方法包括：灰度化、平滑滤波、边缘检测和直方图均衡化等。
灰度化是将彩色图像转换为灰度图像的过程。
在灰度图像中，每个像素点的数值代表了其亮度信息，而不再包含颜色信息。
这样做的好处是可以减少处理的复杂性，提高处理速度。
平滑滤波是一种常用的去噪方法，它通过对图像进行模糊操作，减少图像中的噪声。
常见的平滑滤波方法有均值滤波、中值滤波和高斯滤波等。
选择合适的滤波方法取决于图像的特点和处理的需求。
边缘检测是一种常用的增强方法，它可以提取图像中物体的边界信息。
常见的边缘检测算法有Sobel算子、Prewitt算子和Canny算子等。
这些算子通过对图像进行卷积操作，将边界区域的像素值增强，从而使边界更加清晰。
直方图均衡化是一种常用的校正方法，它通过调整图像的灰度分布，使得图像中的亮度信息更加均匀。
这样做的好处是可以提高图像的对比度，使得图像更加清晰。
二、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。
图像分割可以将图像中的目标物体从背景中提取出来，为后续的目标识别、目标跟踪等任务提供基础。
常用的图像分割方法有阈值分割、区域生长和边缘检测等。
阈值分割是一种简单而有效的图像分割方法，它根据像素的灰度值与预设的阈值进行比较，将像素分为目标和背景两类。
阈值的选择对分割结果有重要影响，可以通过试验和分析来确定合适的阈值。
区域生长是一种基于像素相似性的图像分割方法，它从种子点开始，逐渐将与种子点相似的像素合并成一个区域。
区域生长方法可以根据不同的相似性度量来进行，如灰度相似性、颜色相似性和纹理相似性等。
图像识别中常见的预处理技术(九)
图像识别中常见的预处理技术图像识别是计算机视觉领域的一个重要研究方向，它通过对图像进行处理和分析，使计算机能够理解和识别图像中的内容。
在图像识别中，预处理技术起着至关重要的作用。
本文将介绍图像识别中常见的预处理技术，并分析其应用和效果。
一、图像去噪图像去噪是图像预处理的一项基础工作。
图像中的噪声会影响到图像的质量和后续处理的效果，因此在进行图像识别之前，首先需要对图像进行去噪处理。
常用的图像去噪方法有中值滤波、均值滤波和高斯滤波等。
中值滤波通过计算像素邻域的中值来去除噪声，适用于椒盐噪声等。
均值滤波通过计算像素邻域的平均值来去除噪声，适用于高斯噪声等。
高斯滤波通过计算像素邻域的加权平均值来去除噪声，并能保持图像的细节特征。
二、图像增强图像增强是指对图像的明暗、对比度等参数进行调整，以提高图像的视觉效果。
图像增强可以改善图像的可视化效果，同时也能提高图像在识别算法中的准确性。
常见的图像增强方法有直方图均衡化、对数变换和伽马变换等。
直方图均衡化通过将直方图拉伸到整个灰度范围内，来增强图像的对比度。
对数变换通过对图像的像素值进行对数变换，来增强图像的低对比度区域。
伽马变换通过对图像的灰度级进行非线性映射，来增强图像的亮度和对比度。
三、图像标准化图像标准化是指对图像的尺度、方向和光照等进行校正，以便于后续的图像识别。
图像标准化可以消除因图像采集设备和环境等因素引起的差异，提高图像识别的鲁棒性。
常见的图像标准化方法有尺度标准化、方向标准化和光照标准化等。
尺度标准化通过将图像缩放到固定的尺寸，来消除尺度的差异。
方向标准化通过计算图像的梯度方向，来将图像的方向统一到一个范围内。
光照标准化通过对图像的亮度进行校正，来消除光照的差异。
四、图像分割图像分割是将图像划分成若干个具有独立特征的区域或对象的过程。
图像分割可以将复杂的图像场景分解为易于识别的子图像，提高图像识别的准确性和效率。
常见的图像分割方法有阈值分割、边缘检测和区域生长等。
图像处理技术的数据处理与预处理方法
图像处理技术的数据处理与预处理方法图像处理技术是计算机科学中重要的研究领域之一，它涉及将数字图像转化为更易于分析、更容易理解的形式。
数据处理和预处理是图像处理的重要组成部分，它们涉及对原始图像数据进行处理，以获得更好的视觉效果和更准确的分析结果。
本文将介绍图像处理技术中常用的数据处理和预处理方法。
数据处理方法包括图像增强、图像降噪和图像压缩等。
图像增强是通过改变图像的亮度、对比度、色彩饱和度等属性来使图像更加清晰、明亮和有吸引力。
常用的图像增强方法包括直方图均衡化、灰度拉伸和滤波器等。
直方图均衡化可以通过重新分配图像像素的灰度级来扩展图像的动态范围，从而增强图像的对比度和细节。
灰度拉伸是通过线性变换来拉伸图像的灰度范围，以增强图像的对比度。
滤波器方法包括均值滤波器、中值滤波器和高斯滤波器等，它们可以去除图像中的噪声和伪像，使图像更清晰。
图像处理的预处理方法包括图像去噪、图像对齐和图像分割等。
图像去噪是通过抑制或去除图像中的噪声，以改善图像质量。
常用的图像去噪方法包括均值滤波、中值滤波和小波去噪等。
对于局部噪声，均值滤波器可以通过计算像素周围区域的平均值来抑制噪声。
中值滤波器可以通过计算像素周围区域的中值来去除噪声。
小波去噪是基于小波变换的方法，它利用小波变换的多尺度分解特性来提取图像中的噪声，并去除它们。
图像对齐是指将多幅图像进行准确的位置对齐，以便进行后续的处理和分析。
图像分割是将图像划分成不同的区域或对象，以便进行单独的处理和分析。
常用的图像分割方法包括阈值分割、边缘检测和区域生长等。
图像处理的数据处理和预处理方法还涉及图像特征提取和图像重建等技术。
图像特征提取是指从原始图像中提取有用的信息或特征，以便进行图像分析和识别。
常用的图像特征包括颜色、纹理和形状等。
图像重建是指通过图像处理技术从低质量的图像重建出高质量的图像。
图像重建常用的方法包括插值、超分辨率和深度学习等。
总之，图像处理技术的数据处理和预处理方法对于获取更好的视觉效果和更准确的分析结果至关重要。
遥感图像处理和分析的技术方法
遥感图像处理和分析的技术方法遥感图像处理和分析技术是利用遥感技术获取的图像数据进行数字化处理和分析的一种方法。
随着卫星遥感技术的发展和应用范围的不断扩大，遥感图像处理和分析已经成为了自然资源调查、环境监测、城市规划等领域中不可或缺的技术手段。
本文将介绍一些常用的遥感图像处理和分析的技术方法。
一、图像预处理图像预处理是指在进行图像分析前对图像进行一系列的处理，以消除图像噪声、增强图像特征、纠正图像畸变等。
常见的图像预处理方法有去噪、增强、几何校正等。
去噪是图像预处理的重要一步。
常用的去噪方法有中值滤波、均值滤波等。
中值滤波是通过取像素周围区域内的中值来替代原始像素值，从而实现去除噪声的效果。
而均值滤波是通过取像素周围区域内的平均值来替代原始像素值。
根据图像的特点和需求，可以选择不同的去噪方法。
增强是为了使图像中的目标更加清晰可见。
常用的增强方法有直方图均衡化、滤波处理等。
直方图均衡化是根据图像的直方图将图像的灰度值进行重新分配，从而达到增强图像对比度的效果。
滤波处理可以通过选择合适的滤波算子对图像进行滤波，从而增强图像的边缘和细节。
几何校正是对图像进行坐标或形状方面的纠正。
常见的几何校正方法有正射纠正、影像配准等。
正射纠正是将原始图像的像素映射到地面坐标上，从而实现图像上的长度、面积等量的真实测量。
影像配准是通过寻找图像间的对应关系，将多幅图像进行几何纠正，使它们在坐标和形状上保持一致。
二、图像分类图像分类是指将遥感图像中的像素按照一定的规则和方法进行划分、归类的过程。
常见的图像分类方法有基于像素的分类、基于对象的分类等。
基于像素的分类是将遥感图像中的每个像素单元独立地进行分类。
常用的基于像素的分类方法有最大似然分类、支持向量机（SVM）分类等。
最大似然分类是根据统计学原理，通过最大化每个像素像属于某个类别的概率来进行分类。
而SVM分类则是通过构建一个超平面，将不同类别之间的间隔最大化，从而实现分类。
生物医学工程中的图像处理技术方法总结
生物医学工程中的图像处理技术方法总结生物医学工程是一门综合学科，通过应用工程技术和生物医学的原理，致力于发展用于诊断、监测和治疗的医疗设备和技术。
其中，图像处理技术在生物医学工程中扮演着重要的角色。
本文将对生物医学工程中常用的图像处理技术方法进行总结。
1. 图像预处理图像预处理是指在进行后续处理之前，对原始图像进行降噪、增强和几何校正等操作。
其中，降噪是常用的预处理步骤，包括中值滤波、高斯滤波和小波去噪等方法。
增强可以通过直方图均衡化、对比度增强和锐化等技术来改善图像的质量。
几何校正主要涉及到图像的旋转、缩放和校正等操作，用于纠正图像中的畸变。
2. 图像分割图像分割是将图像划分为具有相似特征的区域的过程。
在生物医学工程中，图像分割常用于提取感兴趣的区域，如病灶、组织器官等。
传统的图像分割方法包括阈值分割、边缘检测和区域生长等。
近年来，基于机器学习和深度学习的图像分割方法也得到了广泛应用，如基于像素级分类的卷积神经网络（CNN）和全卷积网络（FCN）等。
3. 特征提取特征提取是从图像中提取与目标有关的信息的过程。
在生物医学工程中，特征提取可用于识别病理特征、分析组织结构等。
传统的特征提取方法包括形态学处理、纹理特征提取和形状描述等。
近年来，基于深度学习的特征提取方法也取得了重大突破，如卷积神经网络的卷积层提取图像特征，并通过全连接层进行分类或回归。
4. 图像配准图像配准是将多幅图像根据一个参考图像进行对齐的过程。
在生物医学工程中，图像配准可用于融合多模态图像、纠正运动伪影等。
常用的图像配准方法包括基于特征的配准、基于相似度度量的配准和基于变换模型的配准等。
其中，基于特征的配准方法利用特征点或特征描述子进行匹配和对齐；基于相似度度量的配准方法通过最小化图像间的差异度量来实现对齐；基于变换模型的配准方法通过拟合变换模型实现对齐。
5. 目标检测与识别目标检测与识别是在图像中寻找和识别特定目标的过程。
在生物医学工程中，目标检测与识别广泛应用于医学影像分析、肿瘤检测、细胞分析等领域。
医学影像处理方法及其应用教程
医学影像处理方法及其应用教程医学影像处理是一种运用计算机科学和图像处理技术来处理医学图像以获取有用信息的方法。
随着医学影像技术的快速发展，影像处理在医学诊断、研究和治疗中的应用越来越广泛。
本文将介绍医学影像处理的基本方法及其在不同领域的应用。
一、医学影像处理方法1. 图像预处理图像预处理是医学影像处理的第一步，旨在优化图像质量，减少噪声和其他干扰因素。
常用的预处理方法包括：- 图像去噪：采用滤波算法去除图像中的噪声，如中值滤波、高斯滤波等。
- 图像增强：通过调整图像的对比度、亮度和色彩等参数来提高图像的可视化效果。
- 图像配准：将同一个患者在不同时间或不同成像设备上获得的图像进行空间上的对齐，以便进行比较和分析。
2. 特征提取特征提取是医学影像处理的关键步骤，目的是从图像中提取出有助于诊断和分析的有意义的信息。
常用的特征提取方法包括：- 边缘检测：检测图像中的边界，常用的边缘检测算法有Sobel、Canny等。
- 区域分割：将图像分割成不同的区域，以便进行单独的分析，常用的分割算法有阈值分割、区域生长等。
- 特征描述：提取图像中的纹理、形状、颜色等特征，常用的描述方法有Gabor滤波器、小波变换等。
3. 影像三维重建影像三维重建是将二维医学影像转化为三维模型的方法，可以更全面地呈现患者的解剖结构和病变信息。
常用的三维重建方法包括：- 体素匹配法：将二维图像堆叠起来，重建出一个三维体素矩阵，利用体素之间的相关关系进行插值。
- 隐式曲面重建：根据二维图像的边缘等特征，重建出一个连续的三维曲面模型。
- 基于纹理的重建：根据二维图像中的纹理信息，生成一个具有表面纹理的三维模型。
二、医学影像处理的应用1. 医学诊断医学影像处理在医学诊断中具有重要的应用价值。
通过对医学图像进行处理和分析，医生可以更准确地诊断疾病和评估治疗效果。
例如，利用影像处理方法可以检测肿瘤的位置、大小和形态，帮助医生制定更有效的治疗方案。
- 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)。
预处理就是在图像分析中，对输入图像进行特征抽取等前所进行的处理。
输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。
另外，距离远近，焦距大小等又使得人脸在整幅图像中间的大小和位置不确定。
为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。
图像预处理的主要目的是消除图像中无关的信息，滤除干扰、噪声，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取的可靠性.人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。
人脸扶正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别。
归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像[4]。
2.1 几何规范化由于图像在提取过程中易受到光照、表情、姿态等扰动的影响,因此在识别之前需要对图像做归一化的预处理[4],通常以眼睛坐标为基准点,通过平移、旋转、缩放等几何仿射变换对人脸图像进行归一化。
因为人脸虽然是柔性的三维曲面,同一人脸因表情变化会有差异,但相对而言人的两眼之间的距离变化不会很大,因此双眼的位置及眼距,就成为人脸图像归一化的依据。
定位眼睛到预定坐标,将图像缩放至固定大小。
通过平移、旋转、缩放等几何仿射变换,可以对人脸图像做几何规范化处理,仿射变换的表达式为:]100][1,,[]1,,[323122211211a a a a a a v u y x = (2-1) 其中(u,v)表示输入图像中像素的坐标(x,y)表示输出图像中像素的坐标。
将上式展开可得322212312111u a x a v a u a y a v a ++=++= (2-2)平移变换就是给图像中的所有点的坐标都加上u ∆和v ∆ ,其变换表达式为]1u 010001][1,,[]1,,[v v u y x ∆∆= (2-3)将图像中的所有点相对于坐标原点逆时针旋转θ角的变换表达式为]1000cos sin 0sin cos ][1,,[]1,,[θθθθ-=v u y x (2-4) 缩放变换既是将图像按给定的比例r 放大或缩小,当1>r 时图像被放大,当10<<r 时图像被缩小,其变换表达式为]1000000r ][1,,[]1,,[r v u y x = (2-5)本论文在对人脸图像特征提取之前，首先对所有的图像进行几何规范化，将两个人眼的位置固定在同一位置上，结果如图2.1,图2.2所示。
图2.1 几何规范化之前的人脸图像图2.2 几何规范化后的人脸图像2.2 灰度级插值图像经过空间变换后,变换后的空间中各像素的灰度值应该等于变换前图像对应位置的像素值。
但实际情况中,图像经过几何变换后,某些像素会挤压在一起或者分散开来,使得变换后图像的一些像素对应于变换前图像上非整数坐标的位置,为此需要通过插值求出这些像素的灰度值,通常采用的方法有最近邻插值、双线性插值和双三次插值。
2.2.1 最近邻插值最近邻插值是一种最简单的插值方法,输出的像素灰度值就是输入图像中预期最邻近的像素的灰度值,这种方法的运算量非常小,但是变换后图像的灰度值有明显的不连续性,能够放大图像中的高频分量,产生明显的块状效应。
2.2.2 双线性插值双线性插值输出像素的灰度值是该像素在输入图像中2*2领域采样点的平均值,利用周围四个相邻像素的灰度值在垂直和水平两个方向上做线性插值。
这种方法和最近邻插值法相比,计算量稍有增加,变换后图像的灰度值没有明显的不连续性,但双线性插值具有低通滤波的性质,会导致高频分量信息的部分丢失,图像轮廓变得模糊不清。
2.2.3 双三次插值双三次插值利用三次多项式来逼近理论上的最佳正弦插值函数,其插值邻域的大小为4*4,计算时用到周围16个相邻像素的灰度值,这种方法的计算量是最大的,但能克服前两种插值方法的缺点,计算精度较高。
2.3 灰度规范化灰度规范化是通过图像平滑、直方图均衡化、灰度变换等图像处理方法来改善图像质量,并将其统一到给定的水平。
2.3.1 图像平滑图像平滑处理的目的是为了抑制噪声,改善图像质量,可以在空间域和频域中进行。
常用的方法包括:邻域平均、空域滤波和中值滤波等。
邻域平均法是一种局部空间域处理的方法,它用像素邻域内各像素的灰度平均值代替该像素原来的灰度值,实现图像的平滑。
由于图像中的噪声属于高频分量,空域滤波法采用低通滤波的方法去除噪声实现图像平滑。
中值滤波是一种非线性处理技术，能抑制图像中的噪声。
它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是由像素较多、面积较大的小块构成[12]。
无论是直接获取的灰度图像，还是由彩色图像转换得到的灰度图像，里面都有噪声的存在，噪声对图像质量有很大的影响。
进行中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于实验中的人脸图像。
中值滤波的步骤：（1）将模板在图中漫游，并将模板中心与图中某个像素位置重合；（2）读取模板下各对应像素的灰度值；（3）将这些灰度值从小到大排成一列；（4）找出这些值里排在中间的一个；（5）将这个中间值赋给对应模板中心位置的像素。
由以上步骤可以看出，中值滤波的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，所以它对孤立的噪声像素的消除能力是很强的。
由于它不是简单的取均值，所以产生的模糊比较少。
换句话说，中值滤波即能消除噪声又能保持图像的细节[13]。
实例如下：图2.3 原始图像与5*5中值滤波后的效果图2.3.2 直方图均衡化灰度直方图反映了图像中每一灰度级与具有该灰度级的像素出现的频率之间的关系,可以表示为：Nn P k k =)r ( (2-6) 其中,k r 表示第k 个灰度级,k n 为第k 级灰度的像素数,N 为一幅图像的像素总数,灰度直方图是图像的重要统计特征,可以被认为是图像灰度概率密度函数的近似,直方图均衡化就是将图像的灰度分布转换为均匀分布。
对于对比度较小的图像来说,其灰度直方图分布集中在某一较小的范围之内,经过均衡化处理后,图像所有灰度级出现的概率相同,此时图像的熵最大,即图像包含的信息量最大。
以r 和s 分别表示归一化了的原图像灰度和直方图均衡化后的图像灰度,T(r)为变换函数,则在[0,1]区间内任意一个r 经变换后都对应一个s ,)(r T s =。
)(r T 应满足下列条件:1.s 在[0,1]区间内为单调递增函数;2.在[0,1]区间内,反变换)(1s T r -=也存在,且为单调递增函数。
条件1保证了灰度级从黑到白的次序,条件2确保了映射后的像素灰度在允许的范围内。
有概率论论可知，已知随机变量r 的概率密度函数为)(r P r ，而随机变量s 是r 的函数，则随机变量s 的概率密度函数)(s P s 可由)(r P r 求出。
假定随机变量s 的分布函数)(s F s ，根据分布函数的定义：dr r P ds s P s F rr s s s ⎰⎰∞-∞-==)()()( (2-7) 根据概率密度函数和分布函数之间的倒数关系，将上式两边对s 求导得：)(s-1|)()(s T r r s ds dr r P s P -=∞=⎰ (2-8) 从上式可以看出，通过变换函数)r (T 可以控制图像灰度的概率密度函数，因为直方图均衡化有1)(=s P s ，则：)]([)(r T d dr r P ds r == (2-9) 两边积分得：⎰==rr r P r T 0)()(s (2-10) 上式表明变换函数为原图像直方图的累计函数。
对于灰度为离散的数字图像来说，用频率代替概率，变换函数)(r T 的离散形式可以表示为：∑∑=====k l l k l l r k k Nn r P r T s 00)()( (2-11) 式中：1r 0≤≤k ，L L k ,1...2,1,0-=,L 为灰度级数目。
示例如下：图2.4 直方图均衡化前后的图像由两幅图像处理前后的效果变化可以看出经过直方图均衡化后，图像的细节更加清楚，直方图各灰度等级的分布更加平衡。
2.3.3 灰度变换 灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的是最简单的分段线性变换函数，它是将原图像亮度值动态范围按线性关系扩展到指定的范围或整个动态范围。
它的主要思想是提高图像处理时灰度级的动态范围，适用于低对比度图像的处理，一般由两个基本操作组成：⑴ 直方图统计，来确定对图像进行灰度拉伸的两个拐点；⑵ 灰度变换，根据步骤⑴确定的分段线性变换函数进行像素灰度值的映射。
实例如下：图2.5 原始图像以及灰度拉伸处理后的效果由两幅图像处理前后的效果变化可以看出灰度拉伸后增强了图像的对比度，使得图像细节更加的突出。
通过灰度变换,将不同图像的灰度分布参数统一调整到预定的数值,称为灰度归一化,通常是调整图像灰度分布的均值和均方差分别为0和1。
设一幅尺寸为N M *的图像的灰度值分布可以用矩阵),i (j I 形式表示,N J M ≤≤≤≤1;i 1,矩阵每个元素值即为图像中该点的像素值,则图像的灰度值分布概率密度函数的均值和均方差分别为∑∑∑∑====-==M i N j M i N j j i I MN j i I MN 11211)),((1),(1μσμ (2-12)2.4本章小结本章对图像预处理技术进行了简单的介绍，包括不同方法对图像的作用区域和作用效果都做了介绍，并对其中比较常用的图像处理技术进行效果图展示，在对图像进行定位之前，图像处理的好坏也能影响到定位的精准度，选择合适的图像处理方法，有效地减少光照、图像质量等对定位的影响，也成为本文研究的一个重点。