【机器学习】图像预处理

sword_csdn

已于 2022-08-11 12:50:16 修改

阅读量9.7k

点赞数 9

分类专栏：机器学习文章标签：机器学习计算机视觉图像处理

于 2020-10-21 15:30:14 首次发布

本文链接：https://blog.csdn.net/sword_csdn/article/details/109194143

版权

机器学习专栏收录该内容

40 篇文章

订阅专栏

参考

华为云学院

图像处理的形式

（1）单幅图像输入->单幅图像输出
（2）多幅图像输入->单幅图像输出
（3）单幅图像输入->数字或符号等内容输出
（4）多幅图像输入->数字或符号等内容输出
其中（1），（2）对数据的形式没有做出改变，所以属于图像的预处理。

图像预处理

图像预处理的方法包括：灰度变化，几何矫正，图像增强，图像滤波等。

灰度变换

将原始图像中一个点的灰度值，根据特定映射函数映射到另一个灰度值

反转

“黑色变为白色，白色变为黑色”
在这里插入图片描述

对比度增强

如下图像所示，(d2-d1)>(s2-s1)，原始图像中灰度级出于[s1,s2]区间内的像素点呗拉伸到[d1,d2]区间，达到对比度增强的效果
在这里插入图片描述

对比度压缩

在这里插入图片描述

伽马矫正

在这里插入图片描述
伽马矫正的函数是y=cs^r，当r>1时，原本比较亮的地方的灰度被拉伸，对比度增强，可以“看得比较清楚”。暗的地方被压缩，对比度减弱，“越来越看不清楚”。当0<r<1时，情况刚好相反。

直方图

以灰度级为横坐标，纵坐标为灰度级出现频率的关系图称为灰度直方图，它反映了图像灰度的分布情况。针对直方图的图像变换是一种基于概率论的方法。相对于灰度变换只针对单独的像素操作，直方图变换中和考虑了全图的灰度图分布。
在这里插入图片描述

彩色直方图

在这里插入图片描述

直方图均衡化

调整原始图像的直方图，使之呈均衡分布的样式，可以有效增强图像的整体对比度。
在这里插入图片描述

直方图规定化

调整原始图像的直方图，使得概率分布逼近目标直方图的概率分布

空间滤波

灰度变换是点变换，输出值和指定像素点相关，直方图变换是全局处理，输出值和整幅图像相关。空间滤波是一种局部处理方式，像素p的输出值由p机器领域N的像素值确定（卷积核）。
计算方法是将领域N的像素值和同样尺寸的子图像进行模板运算。子图像呗称为“模板”、“核”或“滤波器”，常用的有模板卷积核模板排序。

模板运算

记滤波器是一副nxn的图像w，n一般为奇数，每个位置上值称为权重w，原始图像的灰度值为s，计算后的值为d，则p点的输出值为：
在这里插入图片描述
模板排序将邻域N的像素值进行排序，然后选择特定序号的灰度值。

均值滤波

用于图像平滑，去噪声，但是如果模板尺寸增大，图像会变得模糊，也用于图像的模糊化。
在这里插入图片描述

高斯滤波

高斯滤波可以减少模糊化。
在这里插入图片描述

中值滤波

属于模板排序范畴，对椒盐噪声的抑制效果很好，但是这种处理方式是非线性的，所以会破坏像素点之间的线性关系，不适用于点、线等细节较多的图像或高精度图像。
在这里插入图片描述

图像锐化

突出图像中的边缘、轮廓线和图像细节，最常用的方法是梯度法。对于离散图像的梯度，一阶偏导数采用一阶差分近似表示
在这里插入图片描述

二阶差分

边缘检测

边缘检测的算子主要有：Prewitt算子（一阶）、Sobel（一阶）、Laplacian（二阶）
在这里插入图片描述

图像锐化实现

将求取的边缘按照一定系数比例叠加到原始图像上，即可实现对图像的锐化。
在这里插入图片描述

坐标转换

图像的坐标变换称为图像的几何计算，常见的包括：平移、旋转、镜像、缩放等。
这些变换都可以通过坐标向量和变换矩阵的乘法操作实现。

平移

在这里插入图片描述

镜像

水平镜像和垂直镜像的变换矩阵分别如下：
在这里插入图片描述

旋转

在这里插入图片描述
如果旋转轴不处于原点，变换矩阵的计算会比较复杂，可借助平移来简化操作
（1）通过平移将旋转轴移动至原点。
（2）基于旋转轴为原点的旋转变换。
（3）通过平移将旋转轴恢复到原始位置。

缩放

将分辨率为(w,h)的图像，缩放为(w’,h’)。则水平方向的缩放系数Sx = w’/w，垂直方向的缩放系数为Sy = h’/h
在这里插入图片描述

实际上数字图像中的(x,y)的值都是整数，但是坐标变换后的(x’,y’)不一定是整数，非整数坐标处的像素值需要用周围整数坐标的像素值来计算，这个过程叫“插值”。