二值化简介方法：1、全局二值化2、局部自适应二值化应用一幅图像包括目标物体、背景还有噪声，要想从多值 二值化的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（BINARIZATION）。 图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。1、局二值化一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色（或者黑色），小于T的像素群的像素值设定为黑色（或者白色）。 全局二值化，在表现图像细节方面存在很大缺陷。为了弥补这个缺陷，出现了局部二值化方法。 局部二值化的方法就是按照一定的规则将整幅图像划分为N个窗口，对这N个窗口中的每一个窗口再按照一个统一的阈值T将该窗口内的像素划分为两部分，进行二值化处理。2、部自适应二值化局部二值化也有一个缺陷。这个缺陷存在于那个统一阈值的选定。这个阈值是没有经过合理的运算得来，一般是取该窗口的平局值。这就导致在每一个窗口内仍然出现的是全局二值化的缺陷。为了解决这个问题，就出现了局部自适应二值化方法。 局部自适应二值化，该方法就是在局部二值化的基础之上，将阈值的设定更加合理化。该方法的阈值是通过对该窗口像素的平均值E，像素之间的差平方P，像素之间的均方根值Q等各种局部特征，设定一个参数方程进行阈值的计算，例如：T=a*E+b*P+c*Q，其中a,b,c是自由参数。这样得出来的二值化图像就更能表现出二值化图像中的细节。编辑本段应用二值化是图像处理的基本操作，任何图像处理基本离不开二值化的操作。其应用非常广泛。（转载自百度百科--》二值化）
将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像 。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
matlab论文作者：佚名 转贴自：本站原创 点击数：21256 更新时间：2005-6-20 文章录入wuzechun基于MATLAB 的图像处理与分析X何希平1 , 张琼华2(1. 重庆工商大学实验实习中心,重庆400033 ; 2. 重庆工商大学图书馆,重庆400033)摘 要:介绍了MATLAB 图像处理工具箱中的函数,给出了图像处理与分析的技术实现,如用直方图均衡进行图像增强,通过形态学方法进行图像特征抽取与分析,借助于分水岭图像分割实现目标检测等。关键词:灰度图像;形态学变换;标记;分割;特征抽取中图分类号:TP 317. 4 文献标识码:AMATLAB6. 1(R12. 1) 是一套功能十分强大的工程计算及数据分析软件,其应用范围涵盖了数学、工业技术、电子科学、医疗卫生、建筑、金融、数字图像处理等各个领域。许多工程师和研究人员发现,MATLAB能迅速测试其构思,综合评测系统性能,并能借此快速设计出更多的解决方案,达到更高的技术要求。MATLAB 的图像处理工具箱,功能十分强大,支持的图像文件格式丰富,如3 . BMP , 3 . JPG, 3 . JPEG,3 . GIF , 3 . TIF , 3 . TIFF , 3 . PNG, 3 . PCX , 3 . XWD , 3 . HDF , 3 . ICO , 3 . CUR 等。利用MATLAB 所提理函数,并给出用MATLAB 实现图像处理与分析的应用技术实例。1 MATLAB 的图像处理工具概述MATLAB6. 1(R12. 1) 提供了20 类图像处理函数,涵盖了图像处理的包括近期研究成果在内的几乎所有的技术方法,是学习和研究图像处理的人员难得的宝贵资料和加工工具箱。这些函数按其功能可分为:图像显示;图像文件I/ O ;图像算术运算;几何变换;图像登记;像素值与统计;图像分析;图像增强;线性滤波;线性二元滤波设计;图像去模糊;图像变换;邻域与块处理; 灰度与二值图像的形态学运算;结构元素创建与处理;基于边缘的处理; 色彩映射表操作;色彩空间变换;图像类型与类型转换。2 应用MATLAB 工具箱进行图像分析处理2. 1 用直方图均衡实现图像增强当图像对比度较低,即灰度直方图分布区间较窄时,可用直方图均衡实现灰度分布区间展宽而达到图像增强的效果。下面是实现的源程序及相关功能的注解:%源程序:test1. mX 收稿日期:2003 - 02 - 27 ;修回日期:2003 - 03 - 30作者简介:何希平(1968 - ) ,男,四川人,博士生,重庆工商大学副教授,从事多媒体数据压缩、网络信息系统研究。. 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.clear , close all %清除所有内存变量、图形窗口I = imread(’pout. tif’); %将图像文件pout. tif 的图像像素数据读入矩阵Iimshow( I) %显示图像I ,图像对比度低,如图1afigure , imhist ( I) %在新图形窗口中显示图像I 的直方图,如图1c。可以注意到图像%亮度范围相当狭窄,并未完全覆盖可能的范围[0 ,255 ]I2 = histeq( I) ; %对图像I 做直方图均衡补偿在整个范围内展宽亮度值并输出到矩阵I2 ,因而改进了图像I 的对比度figure , imshow( I2) %在新图形窗口中显示新图像I2 , 如图1bfigure , imhist ( I2) %在新图形窗口中显示图像I2 的直方图, 如图1dimwrite ( I2 , ’pout2. png’); %将对比度调节的结果图像写入PNG格式的文件a 原图 b 直方图均衡结果图 c 原图像的直方图 d 结果图像的直方图图1 直方图均衡补偿消去图像噪声程序运行后,可得如图1 的对比图像。2. 2 用形态学方法进行图像处理与分析以rice. tif 为图像实例,介绍用形态学方法对灰度图像进行处理与分析的技术要点,即对灰度图像进行如下操作:去除图像的不均匀背景;用设置阈值的方法(thresholding) 将结果图像转换成二值图像;通过成分标记(components labeling) 返回图像中的目标对象属性,并计算目标对象的统计数字特征。其算法步骤描述如下:(1) 用工具箱函数imread 和imshow 读取和显示8 位灰度图,如图2a 。(2) 用形态学开运算(Morphological Opening) 估计背景。通过调用imopen 并对输入图像I 执行形态学开运算, 取半径为15 的圆盘结构元素,且结构元素通过函数strel 建立。形态学开运算有消除不能完全包含在半径为15 的圆盘内的目标对象的作用。注意到图像(如图2b) 中央的背景照度(background illumina2tion) 比底部要亮。(3) 用surf 指令察看背景图像。用Surf 指令创建近似背景的彩色表面图(如图2c) ,使人可以看到在一个矩形区域上的数学函数特征。在表面图中,[0 , 0 ] 表示原点, 或图像左上角,曲面图最高部分表示背景的最亮像素(从而rice. tif 的背景的最亮像素出现在图像中央行的附近,而最暗像素出现在图像的底部) 。(4) 从原图像中减去背景图像。须用图像处理工具箱的图像算术函数imsubtract 产生均匀的背景(如图2d) 。(5) 调节图像对比度。用imadjust 指令增大图像对比度(如图2e) 。imadjust 函数需要一个输入图像且也可带两个矢量: [ low high ] 和[ bottom top ] . 输出图像通过将输入图像中low 值映射到输出图像中的bot2tom 值、high 值映射到输出图像中的top 值,并将low 与high 间的值进行线性缩放而产生。(6) 对图像进行阈值处理。先调用graythresh ,自动计算一个适当的阈值;然后使用graythresh 返回的阈值,调用im2bw 执行阈值处理,将灰度图像转换成二值图像(如图2f) 。(7) 确定图像中的目标对象并予以标记。调用bwlabel 寻找连通成份而且用惟一的数字将他们分类标记。bwlabel 接受一个二值图像和指定各目标对象的连通性的值(4 或8 ,表示4 或8 连通) 作为输入。注意: 结果的准确性依赖于许多因素,包括: 目标对象的大小; 近似背景的准确程度; 是否设定连接3 2 第2 期 何希平等: 基于MATLAB 的图像处理与分析. 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.a 原图b 背景性参数为4 或8 ; 是否任何目标对象均相接(在这种情况下他们可能被标记为同一目标对象) ;在该实例中, rice 的一些谷粒正好相接,因此bwlabel 把它们视为了同一目标对象。(8) 查看标记矩阵。看一看bwlabel 产生的标记的近似形状是有用的。调用imcrop 并用鼠标选择包含某一目标对象的一部分及其一些背景的部分图,则所选部分图的像素值会在MAT2LAB 窗口中返回。若查看上面的结果,你会看到c 背景的表面图d 原图与背景的差一个对象的一角标以某数字标记k ,这意味着它是第k 个被bwlabel 分类的目标对象。imcrop 函数也可带矢量指定剪裁矩形的坐标。在这种情况下,它不执行交互式操作。举例来说,rect = [15 25 10 10 ] ; roi = imcrop (labeled ,rect)这个调用指定一个剪裁矩形的左上角坐标始于(15 ,25) ,而且高度和宽度均为10 。一种查看标记矩阵的好方法是将它显示成e 图像对比度调节结果 f 阈值处理后的二值图一种假彩色索引图像(如图2g) 。在假彩色索引图像中,将标记矩阵中区分每一对象的数字映射成了相关色彩映射矩阵中的一种不同的颜色。当把一个标记矩阵看成一个RGB 图像时,图像中的对象是比较容易区别的。为此, 使用la2bel2rgb 函数。使用该函数时,可以指定色彩映射表,背景颜色,以及标记矩阵中的对象如何映射为色彩映射表中的颜色。(9) 测量图像中的对象属性。regionprops 指令可测量图像中的对象或区域的属性,并返回一g 假彩色标记图h 谷粒大小分布图图2 形态学图像处理的对比分析结果个结构数组。当将其作用于一个图像成分的标记矩阵时,它为每个成分建立一个结构元素,而每一结构元素包含一个标记成分的一些基本属性。regionprops 函数支持对许多不同的属性予以测量, 但是设定属性参数为’basic’旨在返回最常用的三个量: 面积(Area) , 质心或块中心(Centroid) 和边框(BoundingBox) 。边框Bounding2Box 表示能容纳一个区域(所举实例中的谷粒)的最小长方形, 为四元素矢量: [ left top widthheight ] 。(10) 在图像中计算目标对象的统计特性。使用MATLAB 函数max , mean , 和hist 可计算被阈值处理的目标对象的一些统计属性(如图2h) 。图像处理工具箱也有一些统计函数,如mean2 和std2 ,适用于图像数据,因为他们对二维空间的数据返回单一值。下面是算法实现的程序代码:%程序代码:test2. mclear , close all ,I = imread(’rice. tif’); imshow( I) %读取和显示8 位灰度图rice. tif4 2 重庆工商大学学报 (自然科学版) 第20 卷. 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.background = imopen( I ,strel (’disk’,15) ) ; %取半径为15 的圆盘结构元素对图像用开运算估计背景figure ,imshow(background) %显示背景图figure , surf (double (background (1 :8 : end ,1 :8 : end) ) ) ,zlim( [ 0 255 ]) ; %显示背景的彩色表面图,对8 ×8 格点取样set(gca ,’ydir’,’reverse’);I2 = imsubtract ( I ,background) ; figure , imshow( I2) %从原图像中减去背景图像,并显示结果图I3 = imadjust ( I2 , stretchlim( I2) ,[0 1 ]) ;figure , imshow( I3) ; %调节图像对比度,并显示结果图level = graythresh( I3) ;bw = im2bw( I3 ,level) ; figure , imshow(bw) %将灰度图像转换成二值图像[ labeled ,numObjects ] = bwlabel(bw ,4) ; % 成分标记,4 具体指定4 - 连通成分.grain = imcrop (labeled) % 用鼠标选取实现交互式剪裁标记成分的一部分RGB-label = label2rgb(labeled , @spring , ’c’, ’shuffle’); %把一个标记矩阵转换成一个RGB 图像figure ,imshow(RGB-label) ;graindata = regionprops(labeled ,’basic’)%调用regionprops ,为rice 的每一经阈值处理%的谷粒返回一个基本属性的结构。由BoundingBox 的域返回四元素矢量: [ left top width height ]。graindata (51) . Area , graindata(51) .BoundingBox , graindata(51) . Centroidallgrains = [graindata. Area ] %用点号存取graindata 的所有元素的面积域并将该数据存入%新的矢量allgrains。这个步骤简化了对面积量的分析,因为不必使用域名存取面积。max(allgrains) %找最大谷粒的大小。allgrains 中的数据是一维的, 故函数mean 和std 是适用的。biggrain = find(allgrains = = ans) %使用find 指令返回该最大谷粒的成分标记mean(allgrains) %求平均粒径hist (allgrains ,20) %作包含20 个方柱的显示谷粒大小分布的直方图。直方图表明,在rice 图像中谷粒最通常的%大小在300 到400 个像素的范围内(如图2h) 。2. 3 用分水岭分割法检测连通目标在一个图像中检测目标是图像分割的一个例子。为分割连通目标,时常用Watershed 变换。如果把一幅图像看做一个具有山(高亮度) 和低谷(低亮度) 的表面,那么这个变换在一幅图像中找亮度低谷。实现包括下列步骤:(1) 读图像。读入图像afmsurf . tif , 它是一幅原子能显微镜下的衣料表面图像(如图3a) 。(2) 对比度最大化。注意到图像中有许多彼此连通的不同大小的对象。为使通过watershed 变换找到的低谷数目最小,我们使感兴趣的对象的对比度达到最大。对比度增强的一个常用的技术是综合应用top- hat 和bottom - hat 变换。top - hat 变换定义为原图像和它的开之差。图像的开是一与特定结构元素匹配的图像前景部分的集合(如图3b) 。bottom - hat 变换定义为在原图像和它的闭之间的差。图像的闭是一与特定结构元素匹配的图像背景的集合(如图3c) 。通用的结构元素是正方形,长方形,圆盘,菱形,球和线。既然图像中我们感兴趣的目标对象看起来像圆盘,我们用strel 函数建立一个半径为15 个像素的圆盘形结构元素。这个圆盘尺度是图像中的目标对象的平均半径的一个估计。(3) 图像相加减。看到top - hat 图像含有与结构元素匹配的对象的”巅峰”。相反,bottom - hat 图像显示出感兴趣的目标对象之间的间隙。为使目标对象与分隔它们的间隙之间的对比达到最大,用“原图+ top - hat 图像- bottom - hat 图像”得到增强的结果图(如图3d) 。(4) 转换感兴趣的对象。调用watershed 变换找出图像的亮度”低谷”,把imcomplement 函数作用于增强过的图像上,将感兴趣的目标对象转换为亮度低谷,得到增强图的补图(如图3e) 。(5) 检测亮度低谷。对所得补图运用imextendedmin 函数检测低于某特别阈值的所有亮度低谷。imextendedmin 函数的输出是一个二值(逻辑值) 图像(如图3f) 。二值图像中重要的是区域的位置而非区域的大小。用imimposemin 函数把补图改为只含有那些由imextendedmin 函数找到的低谷,并将低谷的像素值变为0 (8 位图像可能的深谷) (如图3g) 。(6) Watershed 分割。通过watershed 变换,可找出来所有含有强加给最小值的区域。用watershed 函数实现Watershed 分割。watershed 函数返回一个标记矩阵,它含有对应于watershed 区域的非负数。凡未落入5 2 第2 期 何希平等: 基于MATLAB 的图像处理与分析. 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.图3 用Watershed 分割法检测连通目标的图像渐近过程任何watershed 区域的像素均被赋予像素值0。用label2rgb把一个标记矩阵变为一幅图像(如图3h) 。(7) 从标记矩阵中抽取目标对象的特征。可用region2props 函数从标记矩阵中抽取特征。比如说,可以计算两个量(面积和方向) 并把他们看成彼此的一个函数。下面给出算法的实现代码:%程序代码:test3. mafm = imread (’afmsurf . tif’); figure , imshow(afm) , title (’surface im2age’);se = strel (’disk’, 15) ;Itop = imtophat (afm , se) ; figure , imshow( Itop , [ ]) , title (’top - hat im2age’);Ibot = imbothat (afm , se) ; figure , imshow( Ibot , [ ]) , title (’bottom - hatimage’);Ienhance = imsubtract (imadd ( Itop , afm) , Ibot) ; figure , imshow( Ien2hance) , title (’original + top - hat - bottom - hat’);Iec = imcomplement ( Ienhance) ; figure , imshow( Iec) , title (’complementof enhanced image’);Iemin = imextendedmin( Iec , 22) ; figure , imshow( Iemin) , title (’extend2ed minima image’);Iimpose = imimposemin ( Iec , Iemin) ; figure , imshow( Iimpose) , title ( ’imposed minima image’);wat = watershed( Iimpose) ;rgb = label2rgb(wat) ; figure , imshow(rgb) ;title (’watershed segmented image’);stats = regionprops (wat , ’Area’, ’Orientation’); area = [ stats ( :) .Area ] ; orient = [ stats( :) . Orientation] ;figure , plot (area , orient , ’b 3 ’); title (’Relationship of Particle Orienta2tion to Area’);xlabel (’particle area (pixels) ’); ylabel (’particle orientation (degrees) ’);参考文献:[1 ] 孙兆林.MATLAB 6. x 图像处理[M] . 北京:清华大学出版社,2002[2 ] 崔屹. 图像处理与分析———数学形态学方法及其应用[M] . 北京:科学出版社,2000[3 ] 张远鹏,董海,周文灵. 计算机图像处理技术基础[M] . 北京:北京大学出版社,1996Image processing and analysis based on MATLABHE Xi - ping1 , ZHANG Qiong - hua2(1. Center of Experiment and Practice ,ChongQing Technology and Business University ,ChongQing 400033 ,China ;2. Library , ChongQing Technology and Business University , ChongQing 400033 ,China)Abstract :This paper first introduces the functions of MATLAB image processing toolbox , then presents sometechniques in image processing and analysis , such as image enhancement by using histogram equalization , image fea2ture extracting and analysis with morphological methods , and objects detection through watershed image segmentation.Key words : grayscale intensity image ; morphological transform; labeling ; segmentation ; feature extraction责任编辑:杨祖彬6 2 重庆工商大学学报 (自然科学版) 第20 卷. 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.收稿日期:2002208224MATLAB 及其在图像处理中的应用许志影,李晋平(中国矿业大学资源学院,江苏徐州 221008)摘要: 介绍了MATLAB 的特点和功能,分析了MATLAB 在图像处理中的应用,并结合实例说明了MATLAB 在图像处理中关键词: MATLAB ; 图像处理; 边缘提取中图分类号: TN911. 73 文献标识码: AMATLAB and Its Application to Digital Image ProcessingXU Zhi2ying ,LI Jin2ping(School of Resource & Geoscience ,China University of Mining and Technology ,Xuzhou 221008 ,China)Abstract :Introduces properties and functions of MATLAB ,and analyses its applications to digital image processing ,finally ,displays the a2bility of MATLAB in image processing with an example.Keywords :MATLAB ;image processing ;edge detectionMATLAB 软件由美国Math Works 公司于1984 年推出,历经十几年的发展和竞争,现已成为( IEEE) 国际公认的最优秀的科技应用软件之一。作为一个跨平台的软件,MATLAB 已推出Unix、Windows 9x/ NT、Linux 和Mac 等十多种操作系统平台下的版本,大大方便了在不同操作系统平台下的研究工作。目前基于Windows 系统的最新版本已上升到MATLAB6. 5 ,它继承了以往版本的优点,非常容易使用。现在,MATLAB 已经发展成为一个系列产品:MATLAB 主包和各种工具箱(TOOLBOX) 。目前已经推出了30 多个工具箱,这些工具箱可分为两大类:功能性工具箱和学科性工具箱。功能性工具箱主要用来扩充其符号计算功能、图示建模仿真功能、文字处理功能以及硬件实时交互功能,能用于多种学科。而学科性工具箱是专业比较强的,如控制工具箱、信号处理工具箱、图像处理工具箱和小波工具箱等多个学科的专业工具箱。借助于这些工具箱,各个层次的研究人员就可方便地进行研究工作,提高工作效率。本文将简要介绍MATLAB6. 5 及其在图像处理中的应用,希望对从事图像处理工作的研究人员有所帮助。1 MATLAB 概述MATLAB 最初是作为矩阵实验室(Matrix Labora2tory) 用来提供通往LINPACK和EISPACK矩阵软件包接口的。后来,它逐渐发展成为通用科技计算和图视交互系统的程序语言,其数据的基本单元是矩阵。它的指令表达与数学、工程中常用的习惯形式十分相似,从而使许多用C 或Fortran 实现起来十分复杂和费时的问题用MATLAB 就可以轻松地解决。MAT2LAB 的典型应用包括:数学计算、算法研究、数据分析和计算结果可视化、建模与仿真等。1. 1 MATLAB的特点MATLAB 有三大特点:一是功能强大。主要包括数值计算和符号计算、计算结果和编程可视化、数学和文字统一处理、离线和在线计算。二是界面友好,编程效率高。MATLAB 是一种以矩阵为基本单元的可视化程序设计语言,语法结构简单,数据类型单一,指令表达与标准教科书的数学表达式相近。三是开放性强。MATLAB 有很好的可扩充性,可以把它当成一种更高级的语言去使用。使用它很容易编写各种通用或专用应用程序。1. 2 MATLAB的主要功能MATLAB 之所以成为世界顶级的科学计算与数学应用软件,是因为它随着版本的升级与不断完善而具有愈来愈强大的功能。我的回答超过数字没办法
单个RGB-D图像的深度补全 主页：
Github：
Paper：
Goal --complete the depth channel of an RGB-D image
Problem --Commodity-grade depth cameras often fail to sense depth for shiny, bright, transparent, and distant surfaces
Method --takes an RGB image as input and predicts dense surface normals and occlusion boundaries. Those predictions are then combined with raw depth observations provided by the RGB-D camera to solve for depths for all pixels, including those missing in the original observation
Goal: to complete the depth channel of an RGB-D image captured with a commodity camera (i.e., fill all the holes) 填充深度图的空缺
以前的depth inpainting (深度修复)方法 使用 hand-tuned（手工调整）来解决，该方法通过 外推边界表面、马尔可夫图像合成；来fill holes
深度网络已经用于depth estimation，但还未用来depth completion,因为有以下几个难点：
对于和 补全的深度图 配对的 捕获的RGB-D图像，这样的大规模训练数据不易获得
这样 depth estimation只能重现 observed depth，不能估计 unobserved 深度信息
本文引入了新数据集，105432张RGB-D 图像，且与在72个真实环境中从大规模表面重建计算出的完整深度图像对应
深度表示
直接用FCN回归depth不work尤其是对图1中缺失那么大的一片区域，因为即使对人类来说，从单眼 color image 估计精确深度也很难啊 所以本文先用网络预测depth的 局部微分属性：表面法线&遮挡边界
以前没有人去训练一个端对端网络去从RGB-D图像补全深度
一个想法是扩展一下前人color to depth 的网络，但是
这里的 不对齐 具体指啥，有空间位置的不对齐吗.有颜色信息的像素不一定有深度信息？
本文是 只将 color image 作为输入，先预测 local surface normals and occlusion boundaries with supervision,因为 从颜色信息预测局部特征是深度网络可以胜任的 。然后通过一个把这些预测和输入depth组合起来的全局优化问题来complete depth
Main Insight
好处：这样做smaller relative error ，网络独立于observed depth，不需要因为新的depth sensors再次训练 ?
depth estimation from a monocular color image 单目彩色图像
Shape-from-defocus
Others
-Old methods
Auto-encoder
GAN
先前的方法没有研究depth images的inpainting，由于depth images缺少鲁棒的特征strong features 和 大规模训练数据，这是比较难的问题
Markov random fields
Shape-from-shading
Segmentation
Dictionary methods
尽管一些方法可以被用来 depth completion，但两者的关注点是不同的。
其他工作已经研究了用稀疏深度测量集增强的彩色图像的深度重建。
但是该研究的motivation是降低一定设置下的传感成本（例如 节省机器人的成本），而不是depth completion
对应于introduction提到的三个难点，本文的研究也聚焦于以下三个问题：
但这方法昂贵耗时，这个类型的public dataset只包含少量的 indoor scenes
for example: Matterport3D [6], ScanNet [10], SceneNN [28], and SUN3D[22,67]
这就得到了包含 RGB-D & D* 图像对的数据集！
疑问：多视点的 RGB-D images 的结合 是需要图像之间的 配准regirstration 吧？难道这个得到mesh的过程是原来的数据集现成的？全局表面重建是数据集现有的 参见
由于表面重建以与深度相机的分辨率相当的3D网格尺寸构造，因此在完成的深度图像中通常不会损失分辨率。 然而，当投影到视平面上时，相同的3D分辨率为远离相机的表面提供了有效的更高像素分辨率 。 因此，完成的深度图像可以在渲染高分辨率网格时利用子像素抗锯齿来获得比原始图像更精细的分辨率（请注意图3中家具中的细节）。 WHY
本文的数据集有 117516 RGB-D images with rendered completions： Training set:105432;Test set:12084
然而difficult to predict absolute depth from monocular images,
本文是预测每个像素的局部属性，表面法线、遮挡边界
why use 表面法线 遮挡边界：
so,的工作在从颜色图像到表面法线的密集预测效果不错 [1,15,34,66,75]
那么，如何从surface normals & occlusion boundary 计算深度：
a) What loss should be used to train the network
two choices: trained only on holes vs all pixels:
trained with rendered normals VS raw normals ? 详见论文附件
对比实验结果：
b) What image channels should be input to the network
实验表明如果用RGB-D作为输入来预测法线，在holes部分像素的预测很差（尽管对于observed pixels work），推测这种网络只是从RGB-D中的depth channel预测normals，所以对于hole就不能work了
图5的结论启发作者仅用color image 预测 surface normals
separating “prediction without depth” from “optimization with depth” is compelling for two reasons：好处
前面的网络预测得到 surface normal image N 和 occlusion boundary image B(==长什么样子？==)
求解一个方程组
目标函数由 四个 平方误差的加权求和
$E_D$ ：估计的深度和原始观察到的深度的距离
$E_N$ ：预测的深度 和表面法线的一致性 by 切线 点乘 法线
$E_S$ ：促使相邻像素有相似的深度值
B： $B ∈ [0, 1] $ down- weights the normal terms based on the predicted probability a pixel is on an occlusion boundary $(B(p))$
==提问：如果在边界， 实际是不满足法线垂直切线，所以减小他的权重 ？极端情况只考虑在遮挡边界的 $E_N$ ??==
==疑问：本来平方误差不就已经是非线性了吗==
目标函数的矩阵形式 是 稀疏 且 对称正定的，所以可使用==a sparse Cholesky factorization [11] 稀疏 Cholesky 分解== 来求解 近似的目标含函数
Evaluation metrics
(以上衡量depth error,下面是衡量surface normals)
table 1展示了不同输入下的结果（表中箭头向上 越大越好；反之，越小越好）
例如 normal 的 median error 17.28 < 23.59；depth的 Rel 0.089<0.09
==补充材料==里还展示了不同loss 设置下(observed only VS unobserved only)，这个优势依然存在
作者认为当为observed depth时，网络会学习进行插值而不是在holes合成新的depth。
++这个实验结果促使本文将整个方法 分为两个步骤 two stage system++ !!
表二 注意这里的D是从depth 预测 depth
以Rel为例 N 0.089 < N+DD 0.092 < DD 0.100 < D 0.167。
作者认为由于表面法线只代表了orientation of surfaces ，比较好预测，详见[31]；而==且他不随深度的变化而变化，在不同的视图里更一致==
表2 yes 表示有B，No 表示没有down-weights 对比 0.089<0.110，提升约 19%。 occlusion boundaries ==区域的surface normals是 嘈杂，不准确的？== 图6
第2列是网络输出的法线和遮挡边界，第2行第3、4列为 是否有boundary weight 的对比。第1行的3、4列是从输出的深度图计算的surface normal。遮挡（闭塞）边界==提供了深度不连续性信息，有助于保持边界的清晰度/锐度==看从深度计算的法线图
图 7
图像横轴是图像中具有深度的像素的个数（未被masked），左图展示了predicted depth accuracy of observed pixels,右图为predicted depth accuracy of unobserved pixels
显然unobserved 的accuracy 低于 observed；但是只要有一小部分的输入depth(==2000 depths 只占all pixels 的 2.5%==) .这从侧面说明即使是其他depth sensors designs with sparse measurements，也能得到比较客观的预测效果，==也不用重训练网络（网络输入只是颜色啊）== 但是你训练网络时的ground truth normals 来自rendered depth image 啊？？如果只做个测试感觉确实不特别依靠raw depth的数目
表3
表中的对比方法分别是 联合双线性滤波、快速双边求解、全局边缘感知能量优化 发现Rel是所有方法中最小的
图8展示了与 联合双线性滤波的比较
图8展示的结果看，本文方法的深度图边界更精确
和color to depth的深度估计方法对比
表 4
本文方法个指标都为最佳，提升23-40%。 Y表示 observed depth N表示 unobserved 这也表明 预测法线 对于深度估计问题也是不错的方法
注意看，不仅预测的深度更准确，而且通过对比计算出的surface normals，说明本文方法学习到了更好的场景几何结构
搭建桥梁沟通了彩色图和深度图信息 桥就是normals!
显而易见，这是一个牺牲时间换取图像质量的游戏
1.速度很慢。
分辨率320x256的图像，使用NVIDIA TITAN X GPU还需要大约0.3秒；Intel Xeon 2.4GHz CPU上大约1.5秒.
2.依赖高性能硬件。难以控制成本
基于深度学习的单目深度估计在近几年是比较热门的研究方向之一，MIT的Diana Wofk等人在ICRA 2019上提出了一种用于嵌入式系统的深度估计算法FastDepth，在保证准确率的情况下，大大提高了模型的计算效率。 论文： FastDepth: Fast Monocular Depth Estimation on Embedded Systems Offical Pytorch： 模型的整体结构比较简单，采用了Encoder-Decoder的架构。Encoder部分采用了MobileNet模型提取到7x7x1024的特征；Decoder部分采用了5次上采样，中间三次上采样结果通过Skip Connections的方法分别与Encoder部分的特征进行了特征融合，为了减小上采样部分的通道特征，还使用了5x5的卷积来降维；最后使用1*1的卷积得到深度图。 使用Keras实现基本的FastDepth模型： Decoder部分的结构如下所示： 为了减小模型体积，提高运算效率，使得模型更适用于嵌入式设备，使用 NetAdapt 算法对FastDepth进行了裁剪。 模型在NYU Depth V2 dataset上进行了训练，基本实验结果如下图所示。可以看出论文提出的FastDepth算法相较当前准确率最高的算法低了4%，但是运算速度有着大幅提升，因此特别适用于嵌入式设备。 下图是深度估计的可视化效果： 下图是不同方法下Encoder和Decoder部分的运算效率和准确率，可以看出论文提出的方法运算速度非常快，而且Depthwise、Skip Connections和网络裁剪这三个技巧可以大幅提高运算效率而且对准确率的影响比较小。
数字图像压缩技术的研究及进展摘要：数字图像压缩技术对于数字图像信息在网络上实现快速传输和实时处理具有重要的意义。本文介绍了当前几种最为重要的图像压缩算法：JPEG、JPEG2000、分形图像压缩和小波变换图像压缩，总结了它们的优缺点及发展前景。然后简介了任意形状可视对象编码算法的研究现状，并指出此算法是一种产生高压缩比的图像压缩算法。关键词：JPEG；JPEG2000；分形图像压缩；小波变换；任意形状可视对象编码一 引 言 随着多媒体技术和通讯技术的不断发展，多媒体娱乐、信息高速公路等不断对信息数据的存储和传输提出了更高的要求，也给现有的有限带宽以严峻的考验，特别是具有庞大数据量的数字图像通信，更难以传输和存储，极大地制约了图像通信的发展，因此图像压缩技术受到了越来越多的关注。图像压缩的目的就是把原来较大的图像用尽量少的字节表示和传输，并且要求复原图像有较好的质量。利用图像压缩，可以减轻图像存储和传输的负担，使图像在网络上实现快速传输和实时处理。 图像压缩编码技术可以追溯到1948年提出的电视信号数字化，到今天已经有50多年的历史了[1]。在此期间出现了很多种图像压缩编码方法，特别是到了80年代后期以后，由于小波变换理论，分形理论，人工神经网络理论，视觉仿真理论的建立，图像压缩技术得到了前所未有的发展，其中分形图像压缩和小波图像压缩是当前研究的热点。本文对当前最为广泛使用的图像压缩算法进行综述，讨论了它们的优缺点以及发展前景。二 JPEG压缩 负责开发静止图像压缩标准的“联合图片专家组”（Joint Photographic Expert Group,简称JPEG），于1989年1月形成了基于自适应DCT的JPEG技术规范的第一个草案，其后多次修改，至1991年形成ISO10918国际标准草案，并在一年后成为国际标准，简称JPEG标准。1．JPEG压缩原理及特点 JPEG算法中首先对图像进行分块处理，一般分成互不重叠的 大小的块，再对每一块进行二维离散余弦变换（DCT）。变换后的系数基本不相关，且系数矩阵的能量集中在低频区，根据量化表进行量化，量化的结果保留了低频部分的系数，去掉了高频部分的系数。量化后的系数按zigzag扫描重新组织，然后进行哈夫曼编码。JPEG的特点优点：（1）形成了国际标准；（2）具有中端和高端比特率上的良好图像质量。缺点：（1）由于对图像进行分块，在高压缩比时产生严重的方块效应；（2）系数进行量化，是有损压缩；（3）压缩比不高，小于50。 JPEG压缩图像出现方块效应的原因是：一般情况下图像信号是高度非平稳的，很难用Gauss过程来刻画，并且图像中的一些突变结构例如边缘信息远比图像平稳性重要，用余弦基作图像信号的非线性逼近其结果不是最优的。2． JPEG压缩的研究状况及其前景 针对JPEG在高压缩比情况下，产生方块效应，解压图像较差，近年来提出了不少改进方法，最有效的是下面的两种方法：（1）DCT零树编码 DCT零树编码把 DCT块中的系数组成log2N个子带，然后用零树编码方案进行编码。在相同压缩比的情况下，其PSNR的值比 EZW高。但在高压缩比的情况下，方块效应仍是DCT零树编码的致命弱点。（2）层式DCT零树编码 此算法对图像作 的DCT变换，将低频 块集中起来，做 反DCT变换；对新得到的图像做相同变换，如此下去，直到满足要求为止。然后对层式DCT变换及零树排列过的系数进行零树编码。 JPEG压缩的一个最大问题就是在高压缩比时产生严重的方块效应，因此在今后的研究中，应重点解决 DCT变换产生的方块效应，同时考虑与人眼视觉特性相结合进行压缩。三 JEPG2000压缩 JPEG2000是由ISO/IEC JTCISC29标准化小组负责制定的全新静止图像压缩标准。一个最大改进是它采用小波变换代替了余弦变换。2000年3月的东京会议，确定了彩色静态图像的新一代编码方式—JPEG2000图像压缩标准的编码算法。1．JPEG2000压缩原理及特点 JPEG2000编解码系统的编码器和解码器的框图如图1所示。编码过程主要分为以下几个过程：预处理、核心处理和位流组织。预处理部分包括对图像分片、直流电平（DC）位移和分量变换。核心处理部分由离散小波变换、量化和熵编码组成。位流组织部分则包括区域划分、码块、层和包的组织。 JPEG2000格式的图像压缩比，可在现在的JPEG基础上再提高10%~30%，而且压缩后的图像显得更加细腻平滑。对于目前的JPEG标准，在同一个压缩码流中不能同时提供有损和无损压缩，而在JPEG2000系统中，通过选择参数，能够对图像进行有损和无损压缩。现在网络上的JPEG图像下载时是按“块”传输的，而JPEG2000格式的图像支持渐进传输，这使用户不必接收整个图像的压缩码流。由于JPEG2000采用小波技术，可随机获取某些感兴趣的图像区域（ROI）的压缩码流，对压缩的图像数据进行传输、滤波等操作。2．JPEG2000压缩的前景 JPEG2000标准适用于各种图像的压缩编码。其应用领域将包括Internet、传真、打印、遥感、移动通信、医疗、数字图书馆和电子商务等。JPEG2000图像压缩标准将成为21世纪的主流静态图像压缩标准。四 小波变换图像压缩1．小波变换图像压缩原理小波变换用于图像编码的基本思想就是把图像根据Mallat塔式快速小波变换算法进行多分辨率分解。其具体过程为：首先对图像进行多级小波分解，然后对每层的小波系数进行量化，再对量化后的系数进行编码。小波图像压缩是当前图像压缩的热点之一，已经形成了基于小波变换的国际压缩标准，如MPEG-4标准，及如上所述的JPEG2000标准 。2．小波变换图像压缩的发展现状及前景 目前3个最高等级的小波图像编码分别是嵌入式小波零树图像编码（EZW），分层树中分配样本图像编码（SPIHT）和可扩展图像压缩编码（EBCOT）。（1）EZW编码器 1993年，Shapiro引入了小波“零树”的概念，通过定义POS、NEG、IZ和ZTR四种符号进行空间小波树递归编码，有效地剔除了对高频系数的编码，极大地提高了小波系数的编码效率。此算法采用渐进式量化和嵌入式编码模式，算法复杂度低。EZW算法打破了信息处理领域长期笃信的准则：高效的压缩编码器必须通过高复杂度的算法才能获得，因此EZW编码器在数据压缩史上具有里程碑意义。（2）SPIHT编码器 由Said和Pearlman提出的分层小波树集合分割算法（SPIHT）则利用空间树分层分割方法，有效地减小了比特面上编码符号集的规模。同EZW相比，SPIHT算法构造了两种不同类型的空间零树，更好地利用了小波系数的幅值衰减规律。同EZW编码器一样，SPIHT编码器的算法复杂度低，产生的也是嵌入式比特流，但编码器的性能较EZW有很大的提高。（3）EBCOT编码器优化截断点的嵌入块编码方法（EBCOT）首先将小波分解的每个子带分成一个个相对独立的码块，然后使用优化的分层截断算法对这些码块进行编码，产生压缩码流，结果图像的压缩码流不仅具有SNR可扩展而且具有分辨率可扩展，还可以支持图像的随机存储。比较而言，EBCOT算法的复杂度较EZW和SPIHT有所提高，其压缩性能比SPIHT略有提高。小波图像压缩被认为是当前最有发展前途的图像压缩算法之一。小波图像压缩的研究集中在对小波系数的编码问题上。在以后的工作中，应充分考虑人眼视觉特性，进一步提高压缩比，改善图像质量。并且考虑将小波变换与其他压缩方法相结合。例如与分形图像压缩相结合是当前的一个研究热点。五 分形图像压缩 1988年，Barnsley通过实验证明分形图像压缩可以得到比经典图像编码技术高几个数量级的压缩比。1990年，Barnsley的学生A.E.Jacquin提出局部迭代函数系统理论后，使分形用于图像压缩在计算机上自动实现成为可能。1． 分形图像压缩的原理 分形压缩主要利用自相似的特点，通过迭代函数系统（Iterated Function System, IFS）实现。其理论基础是迭代函数系统定理和拼贴定理。 分形图像压缩把原始图像分割成若干个子图像，然后每一个子图像对应一个迭代函数，子图像以迭代函数存储，迭代函数越简单，压缩比也就越大。同样解码时只要调出每一个子图像对应的迭代函数反复迭代，就可以恢复出原来的子图像，从而得到原始图像。2．几种主要分形图像编码技术 随着分形图像压缩技术的发展，越来越多的算法被提出，基于分形的不同特征，可以分成以下几种主要的分形图像编码方法。（1）尺码编码方法 尺码编码方法是基于分形几何中利用小尺度度量不规则曲线长度的方法，类似于传统的亚取样和内插方法，其主要不同之处在于尺度编码方法中引入了分形的思想，尺度 随着图像各个组成部分复杂性的不同而改变。（2）迭代函数系统方法 迭代函数系统方法是目前研究最多、应用最广泛的一种分形压缩技术，它是一种人机交互的拼贴技术，它基于自然界图像中普遍存在的整体和局部自相关的特点，寻找这种自相关映射关系的表达式，即仿射变换，并通过存储比原图像数据量小的仿射系数，来达到压缩的目的。如果寻得的仿射变换简单而有效，那么迭代函数系统就可以达到极高的压缩比。（3）A-E-Jacquin的分形方案 A-E-Jacquin的分形方案是一种全自动的基于块的分形图像压缩方案，它也是一个寻找映射关系的过程，但寻找的对象域是将图像分割成块之后的局部与局部的关系。在此方案中还有一部分冗余度可以去除，而且其解码图像中存在着明显的方块效应。3．分形图像压缩的前景 虽然分形图像压缩在图像压缩领域还不占主导地位，但是分形图像压缩既考虑局部与局部，又考虑局部与整体的相关性，适合于自相似或自仿射的图像压缩，而自然界中存在大量的自相似或自仿射的几何形状，因此它的适用范围很广。六 其它压缩算法 除了以上几种常用的图像压缩方法以外，还有：NNT（数论变换）压缩、基于神经网络的压缩方法、Hibert扫描图像压缩方法、自适应多相子带压缩方法等，在此不作赘述。下面简单介绍近年来任意形状纹理编码的几种算法[10]~ [13]。（1）形状自适应DCT（SA-DCT）算法 SA-DCT把一个任意形状可视对象分成 的图像块，对每块进行DCT变换，它实现了一个类似于形状自适应Gilge DCT[10][11]变换的有效变换，但它比Gilge DCT变换的复杂度要低。可是，SA-DCT也有缺点，它把像素推到与矩形边框的一个侧边相平齐，因此一些空域相关性可能丢失，这样再进行列DCT变换，就有较大的失真了[11][14][15]。（2）Egger方法 Egger等人[16][17]提出了一个应用于任意形状对象的小波变换方案。在此方案中，首先将可视对象的行像素推到与边界框的右边界相平齐的位置，然后对每行的有用像素进行小波变换，接下来再进行另一方向的小波变换。此方案，充分利用了小波变换的局域特性。然而这一方案也有它的问题，例如可能引起重要的高频部分同边界部分合并，不能保证分布系数彼此之间有正确的相同相位，以及可能引起第二个方向小波分解的不连续等。（3）形状自适应离散小波变换（SA-DWT） Li等人提出了一种新颖的任意形状对象编码，SA-DWT编码[18]~[22]。这项技术包括SA-DWT和零树熵编码的扩展（ZTE），以及嵌入式小波编码（EZW）。SA-DWT的特点是：经过SA-DWT之后的系数个数，同原任意形状可视对象的像素个数相同；小波变换的空域相关性、区域属性以及子带之间的自相似性，在SA-DWT中都能很好表现出来；对于矩形区域，SA-DWT与传统的小波变换一样。SA-DWT编码技术的实现已经被新的多媒体编码标准MPEG-4的对于任意形状静态纹理的编码所采用。 在今后的工作中，可以充分地利用人类视觉系统对图像边缘部分较敏感的特性，尝试将图像中感兴趣的对象分割出来，对其边缘部分、内部纹理部分和对象之外的背景部分按不同的压缩比进行压缩，这样可以使压缩图像达到更大的压缩比，更加便于传输。七 总结 图像压缩技术研究了几十年，取得了很大的成绩，但还有许多不足，值得我们进一步研究。小波图像压缩和分形图像压缩是当前研究的热点，但二者也有各自的缺点，在今后工作中，应与人眼视觉特性相结合。总之，图像压缩是一个非常有发展前途的研究领域，这一领域的突破对于我们的信息生活和通信事业的发展具有深远的影响。参考文献：[1] 田青. 图像压缩技术[J]. 警察技术, 2002, (1)：30-31.[2] 张海燕, 王东木等. 图像压缩技术[J]. 系统仿真学报, 2002, 14(7)：831-835.[3] 张宗平, 刘贵忠. 基于小波的视频图像压缩研究进展[J]. 电子学报, 2002, 30(6)：883-889.[4] 周宁, 汤晓军, 徐维朴. JPEG2000图像压缩标准及其关键算法[J]. 现代电子技术, 2002, (12)：1-5.[5] 吴永辉, 俞建新. JPEG2000图像压缩算法概述及网络应用前景[J]. 计算机工程, 2003, 29(3)：7-10.[6] J M Shaprio. Embedded image coding using zerotree of wavelet coefficients[J]. IEEE Trans. on Signal Processing, 1993, 41(12): 3445-3462.[7] A Said, W A Pearlman. A new fast and efficient image codec based on set partitioning in hierarchical trees[J]. IEEE Trans. on Circuits and Systems for Video Tech. 1996, 6(3): 243-250.[8] D Taubman. High performance scalable image compression with EBCOT[J]. IEEE Transactions on Image Processing, 2000, 9(7): 1158–1170.[9] 徐林静, 孟利民, 朱建军. 小波与分行在图像压缩中的比较及应用. 中国有线电视, 2003, 03/04：26-29.[10] M Gilge, T Engelhardt, R Mehlan. Coding of arbitrarily shaped image segments based on a generalized orthogonal transform[J]. Signal Processing: Image Commun., 1989, 1(10): 153–180.[11] T Sikora, B Makai. Shape-adaptive DCT for generic coding of video[J]. IEEE Trans. Circuits Syst. Video Technol., 1995, 5(1): 59–62.[12] T Sikora, S Bauer, B Makai. Efficiency of shape-adaptive 2-D transforms for coding of arbitrarily shaped image segments[J]. IEEE Trans. Circuits Syst. Video Technol., 1995, 5(3): 254–258.[13]邓家先 康耀红 编著 《信息论与编码》
题目基于小波变换的图像去噪方法研究学生姓名陈菲菲学号 1113024020 所在学院物理与电信工程学院专业班级通信工程专业1 101 班指导教师陈莉完成地点物理与电信工程学院实验中心 201 5年5月 20日 I 毕业论文﹙设计﹚任务书院(系) 物理与电信工程学院专业班级通信 1 101 班学生姓名陈菲菲一、毕业论文﹙设计﹚题目基于小波变换的图像去噪方法研究二、毕业论文﹙设计﹚工作自 201 5年3月1日起至 201 5年6月20 日止三、毕业论文﹙设计﹚进行地点: 物理与电信工程学院实验室四、毕业论文﹙设计﹚的内容 1、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。一般图像的能量主要集中在低频区域中,只有图像的细节部的能量才处于高频区域中。因为在图像的数字化和传输中常有噪声出现,而这部分干扰信息主要集中在高频区域内,所以消去噪声的一般方法是衰减高频分量或称低通滤波,但与之同时好的噪方法应该是既能消去噪声对图像的影响又不使图像细节变模糊。为了改善图像质量,从图像提取有效信息,必须对图像进行去噪预处理。设计任务: (1 )整理文献,研究现有基于小波变换的图像去噪算法,尝试对现有算法做出改进; (2 )在 MATLAB 下仿真验证基于小波变换的图像去噪算法。 2 、要求以论文形式提交设计成果,应掌握撰写毕业论文的方法, 应突出“目标,原理,方法,结论”的要素,对所研究内容作出详细有条理的阐述。进度安排: 1-3 周:查找资料,文献。 4-7 周:研究现有图像去噪技术,对基于小波变换的图像去噪算法作详细研究整理。 8-11 周: 研究基于小波的图像去噪算法,在 MATLAB 下对算法效果真验证。 12-14 周:分析试验结果,对比各种算法的优点和缺点,尝试改进算法。 15-17 周:撰写毕业论文,完成毕业答辩。指导教师陈莉系(教研室) 系( 教研室) 主任签名批准日期 接受论文( 设计) 任务开始执行日期 学生签名 II 基于小波变换的图像去噪方法研究陈菲菲( 陕西理工学院物理与电信工程学院通信 1 101 班,陕西汉中 72300 0) 指导教师: 陈莉[摘要] 图像去噪是信号处理中的一个经典问题, 随着小波理论的不断完善,它以自身良好的时频特性在图像去噪领域受到越来越多的关注。基于小波变换的去噪方法有很多
图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。学术堂在这里为大家整理了一些图像处理本科毕业论文题目，希望对你有用。1、基于模糊分析的图像处理方法及其在无损检测中的应用研究2、数字图像处理与识别系统的开发3、关于数字图像处理在运动目标检测和医学检验中若干应用的研究4、基于ARM和DSP的嵌入式实时图像处理系统设计与研究5、基于图像处理技术的齿轮参数测量研究6、图像处理技术在玻璃缺陷检测中的应用研究7、图像处理技术在机械零件检测系统中的应用8、基于MATLAB的X光图像处理方法9、基于图像处理技术的自动报靶系统研究10、多小波变换及其在数字图像处理中的应用11、基于图像处理的检测系统的研究与设计12、基于DSP的图像处理系统的设计13、医学超声图像处理研究14、基于DSP的视频图像处理系统设计15、基于FPGA的图像处理算法的研究与硬件设计
黑白上色（一）为皮肤上色打开原图—新建图层1（前景为黑色）—将图层1改为皮肤色（R205、G173、B126如果怕色彩把握不住，可以另外打开一张人物照片，用吸管工具吸人皮肤颜色，其他地方可用同样方法获得颜色）—填充前景色—更改图层的混合模式为颜色—图层1上填加蒙版[用黑色绘制内容被隐藏、用白色绘制内容被显示、用灰色色调绘制的内容以各级透明度显示][完成图层蒙版创建后可保留可仍掉]—选择图层1的图层蒙版（前景设为黑色）将蒙版填充为黑色—画笔上色（前景换为白色在皮肤上涂抹（二）为人物其他部分上色用同样的方法为其他部分上色（三）调整细节选择嘴唇蒙版—画笔（降低不透明度）修改人物皮肤—指甲上色（四）合并图层链接所有图层—合并链接图层合并成背景层（五）填充背景魔棒—选取人物背景（注意容差）—填充前景—OK
可以参考下面方法用美图秀秀将黑白照片修成彩色照片：
操作工具：联想电脑B475e，美图秀秀网页版
电脑系统：win10系统
1、首先电脑打开百度，搜索输入【美图秀秀】打开它的网页。
2、然后在美图秀秀网页，点击【美化图片】。
3、出现窗口，点击【打开一张图片】。
4、从电脑选择一张黑白照片，点击【打开】。
5、照片上传之后，点击上面的【局部处理】，再点击【局部变色笔】。
6、在出现的选项中，点击【选择其他颜色】就可以挑选彩色颜色。
7、颜色选择后，鼠标点击图片，用画笔涂抹图片改变颜色，再点击【确定】。
8、按照以上方法，把各种颜色分别涂抹到黑白照片上，就可以改变它的颜色，再点击【对比】就可以看到已经修为彩色照片了。
9、点击“对比”返回美化页面，再点击【保存与分享】就可以保存彩色照片了。
1、需要使用PS软件，首先ctrl+o，打开一张黑白图片。 2、按W，魔棒的快速选择工具，选出人体皮肤的外露的部分。 3、选区选定后按下ctrl+m，进去曲线，调整红绿，会发现皮肤颜色发生变化。然后调整到皮肤的颜色。 4、按W，魔棒的快速选择工具，选出衣服的部分。 5、选区选定后按下ctrl+m，进去曲线，调整红绿蓝，根据喜好调整衣服的颜色。 6、根据同样的方法调整裤子跟头发。
1、为照片加上颜色
19世纪80年代，瑞士发明家汉斯·雅各布·施密特（Hans Jakob Schmid）发明了一种通过将负片直接照相转印到印刷版上，从而将黑白照相底片变成彩色图像的方法，这是一种照相的变体，也被称为“光致变色”（Photochrom）。
最开始，光致变色技术的上色过程相当神秘，甚至只有一家公司被授权使用这项技术。通过将多种不同的石灰石进行分次曝光而产生多种色调，一张黑白照片往往需要用6-15种不同的石灰石来完成彩色化。
2、为旧照片找回颜色
上世纪20年代，成本更低、更新的印刷技术陆续面世，导致了掌握光致变色技术的底特律印刷公司破产，世界上最后一台光致变色打印机也最终于1970年停工。取而代之的是彩色胶卷横行，人们随手拍的都是彩色的照片，已经不再需要对黑白照片进行返工彩色化。
利用现代技术对图像进行数字化重建的艺术家们，首先需要庞大的数据库来还原历史的真实。今天，像Photoshop这样的软件背后，最有力的支持正是大量的在线资源。信息越丰富，艺术家便能够重建准确度更高的图像。
注意事项：
如果没有细致的历史研究，历史照片的上色便会丧失原本的意义，而成为纯粹的艺术形式。而重重历史帷幕的揭开，则需要一大批历史、美术、技术人员的合作。
即使是我们看起来简单的人体皮肤也同样包含了多达20层的粉红色、黄色、绿色、红色和蓝色的混合，才能真正还原一个拥有真实血肉的人看上去的样子。
完成这样的工程需要数小时甚至数天，最长的则将近一个月。而有时恶劣的存储条件和久远的时间所造成的裂痕、划痕等还必须经过专业的处理。
另外，除了细致的研究、恢复和色彩混合工作，还原者还需要充分考虑历史上那一天的真实光照情况。因为就算还原了正确的颜色，如果当天的光照不对，也会影响我们对颜色的感知。
姓名：寇世文 学号：21011110234 【嵌牛导读】：随着人工智能技术的不断发展，智能机器人领域也得到了空前的发展。尤其是深度神经网络广泛应用于视觉系统中后，取得了许多很明显的成效。对于自主移动机器人来说，视觉系统有着十分重要的作用，而图像分割技术更是在这个系统中担任着十分重要的角色。传统的图像分割技术基本上已经能够将图像的前景和后景分隔开来，但是近年来随着深度学习算法的发展，人们开始将其应用到图像分割中，提出了很多分割网络，也达到了很好的分割效果。在实现图像分割的基础上，人们还使得分割具有了语义类别和标签，就是现在的语义分割。本文在介绍了语义分割的基础上又引出了新的任务分割场景，实例分割和全景分割。并且介绍了最近研究的热点三维点云的语义分割问题，阐述了其实现的必要性。 【嵌牛鼻子】智能机器人，图像分割、语义分割、计算机视觉 【嵌牛提问】图像分割技术的传统常见方法 【嵌牛正文】 一、引言 计算机视觉，即computer vision，就是通过计算机来模拟人的视觉工作原理，来获取和完成一系列图像信息处理的机器。计算机视觉属于机器学习在视觉领域的应用，是一个多学科交叉的研究领域，其涉及数学、物理、生物、计算机工程等多个学科。 计算机视觉的主要应用有无人驾驶、人脸识别、无人安防、车辆车牌识别、智能传图、3D重构、VR/AR、智能拍照、医学图像处理、无人机、工业检测等。人驾驶又称自动驾驶，是目前人工智能领域一个比较重要的研究方向，让汽车可以进行自主驾驶，或者辅助驾驶员驾驶，提升驾驶操作的安全性。人脸识别技术目前已经研究得相对比较成熟，并在很多地方得到了应用，且人脸识别准确率目前已经高于人眼的识别准确率。安防一直是我国比较重视的问题，也是人们特别重视的问题，在很多重要地点都安排有巡警巡查，在居民小区以及公司一般也都有保安巡查来确保安全。车辆车牌识别目前已经是一种非诚成熟的技术了，高速路上的违章检测，车流分析，安全带识别，智能红绿灯，还有停车场的车辆身份识别等都用到了车辆车牌识别。3D重构之前在工业领域应用比较多，可以用于对三维物体进行建模，方便测量出物体的各种参数，或者对物体进行简单复制。计算机视觉还有很多应用，随着技术的发展，应用领域也会越来越多。在工业领域的应用，在机器人技术方面的应用等。 对于传统的图像分割过程，通常可以分为5个步骤，即特征感知、图像预处理、特征提取、特征筛选和推理预测与识别。通过研究发现，在视觉的早期的发展过程中，人们对于图像中的特征并没有表现出足够的关注。且传统的分割过程是把特征提取和分类分开来做的，等到需要输出结果的时候再结合到一起，可想而知其实现的困难程度。 在深度学习算法出来之后，卷积神经网络被广泛应用于计算机视觉技术中，也因此衍生出了很多的研究方向。深度学习主要是以特征为基础来进行比对，如在人脸识别方面，使用卷积神经网络分别对两张人脸进行不同位置的特征提取，然后再进行相互比对，最后得到比对结果。目前的计算机视觉的主要研究方向有图像分类、目标检测、图像分割、目标跟踪、图像滤波与降噪、图像增强、风格化、三维重建、图像检索、GAN等。本文主要是针对图像分割这一领域，进行简要的概述。 图像分割技术是计算机视觉领域的个重要的研究方向，是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。近些年来随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，该技术相关的场景物体分割、人体前背景分割、人脸人体Parsing、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。 二、发展现状 近来已经有很多学者将图像分割技术应用到移动机器人的控制中，能够做到在机器人运动的同时定位、构建地图并分割出不同的前景和后景，使视觉系统扫描到的图像具有语义信息。并有学者也致力于分割得更为准确和精细，不仅能够做到区分不同类的物体，也能够实现对同类的不同物体的分类，甚至可以做到在此基础上加上对背景的分割。由于我们生活的世界是三维空间，还有学者将图像场景还原到三维中，然后使用相关方法对整个三维场景进行分割。作为计算机视觉的研究中的一个较为经典的难题，图像分割这一领域也越来越被人们所关注。 首先是传统的图像分割方法。在传统分割方面，人们使用数字图像处理、拓扑学、数学等方面的知识来进行图像分割。虽然现在的算力逐渐增加且深度学习不断发展，一些传统的分割方法所取得的效果不如深度学习，但是其分割的思想仍有很多值得我们去学习的。 第一种方法是基于阈值的图像分割方法。这种方法的核心思想是想根据图像的灰度特征来给出一个或多个灰度阈值，将此阈值作为一个标准值与图像中的每个像素逐一进行比较。很容易想到，通过这个逐一比较过程能够得到两类结果，一类是灰度值大于阈值的像素点集，另一类是灰度值小于阈值的像素点集，从而很自然地将图像进行了分割。所以，不难发现，此方法的最关键的一步就是按照一定的准则函数来得到最佳灰度阈值，这样才能够得到合适的分类结果。值得一提的是，如果图像中需要分割的目标和背景分别占据了不同的灰度值甚至是不同的等级，那使用这种方法会得到很好的效果。并且，假如对于一张图像的处理，我们只需要设定一个阈值时，可以将其称为单阈值分割。但是图像中如果不止一个目标，即有多个目标需要进行提取的时候，单一阈值分割就无法做到将它们都分割开来，此时应选取多个阈值对其进行处理，这个分割的过程为多阈值分割。总的来说，阈值分割法有着其独特的特点，其计算简单、效率较高。但是，由于这种方法只考虑的是单个像素的灰度值及其特征，而完全忽略了空间特征，这也就导致了其对噪声比较敏感且鲁棒性不高。 第二种方法是基于区域的图像分割方法。这种方法具有两种基本形式：一种是区域生长，这种分割方法是从单个像素出发，逐渐将相似的区域进行合并，最终得到需要的区域。另一种方法是直接从图像的全局出发，一点一点逐步切割至所需要的区域。区域生长指的是，给定一组种子像素，其分别代表了不同的生长区域，然后让这些种子像素逐渐合并邻域里符合条件的像素点。如果有新的像素点添加进来，同样把它们作为种子像素来处理。 区域分裂合并的分割过程可以说是区域生长的逆过程，这种方法是从图像的全局出发通过不断分裂得到各个子区域，然后提取目标的过程。此外，在此过程中，还需要合并前景区域。 在区域分割方法中还有一种分水岭算法。受启发于分水岭的构成，这种分割方法将图像看作是测地学上的拓扑地貌，这样图像中每一个像素点对应的海拔高度可以用该点的灰度值来表示。分水岭的形成过程实际上可以通过模拟浸入过程来实现。具体做法是，在每个局部极小值的表面都刺穿一个小孔，然后把模型慢慢浸入水中，随着水慢慢浸入其中，分水岭就随之形成了。 第三种方法是基于边缘检测的分割方法。边缘检测的思想就是试图通过检测不同物体的边缘来将图像分割开来，这种方法是人们最先想到的也是研究最多的方法之一。如果我们将图片从空间域变换到频率域中去，其中物体的边缘部分就对应着高频部分，很容易就能够找到边缘信息，因此也使得分割问题变得容易。边缘检测的方法能够实现快而且准确的定位，但是其不能保证边缘的连续性和封闭性，且当一幅图像的细节信息过多时，其就会在边缘处产生大量的细碎边缘，在形成完整的分割区域时就会有缺陷。 第四种图像分割方法结合了特定的工具。这里所说的特定工具是各种图像处理工具以及算法等，随着图像分割研究工作的深入，很多学者开始将一些图像处理的工具和一些算法应用到此工作中，并取得了不错的结果。小波变换在数字图像处理中发挥着很重要的作用，它能够将时域和频域统一起来研究信号。尤其是在图像边缘检测方面，小波变换能够检测二元函数的局部突变能力。其次是基于遗传算法的图像分割，遗传算法主要借鉴了生物界自然选择和自然遗传机制的随机化搜索方法。其模拟了由基因序列控制的生物群体的进化过程，其擅长于全局搜索，但是局部搜多能力不足。将遗传算法应用到图像处理中也是当前研究的一个热点问题，在此选择这种方法的主要原因是遗传算法具有快速的随机搜索能力，而且其搜索能力与问题的领域没有任何关系。 除此之外，还有基于主动轮廓模型的分割方法，这种方法具有统一的开放式的描述形式，为图像分割技术的研究和创新提供了理想的框架。此方法也是对边缘信息进行检测的一种方法，主要是在给定图像中利用曲线演化来检测目标。
图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。 图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。 基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。 常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。 设原始图像为f(x，y)，按照一定的准则f(x，y)中找到特征值T，将图像分割为两个部分，分割后的图像为： 若取：b0=0(黑)，b1=1(白)，即为我们通常所说的图像二值化。 阈值分割方法实际上是输入图像f到输出图像g的如下变换： 其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。 阈值分割的优点是计算简单、运算效率较高、速度快。有着各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 阈值处理技术参看： 区域分割是讲图像按照相似性准则分成不同的区域，主要包括区域增长，区域分裂合并和分水岭等几种类型。 区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1. 初始点（种子点）的选取。 2. 生长准则。 3. 终止条件 。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。 区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。 图1是区域增长的示例。 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域 区域生长实现的步骤如下: 区域分裂合并算法的基本思想是先确定一个分裂合并的准则，即区域特征一致性的测度，当图像中某个区域的特征不一致时就将该区域分裂成4个相等的子区域，当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至所有区域不再满足分裂合并的条件为止。当分裂到不能再分的情况时，分裂结束，然后它将查找相邻区域有没有相似的特征，如果有就将相似区域进行合并，最后达到分割的作用。在一定程度上区域生长和区域分裂合并算法有异曲同工之妙，互相促进相辅相成的，区域分裂到极致就是分割成单一像素点，然后按照一定的测量准则进行合并，在一定程度上可以认为是单一像素点的区域生长方法。区域生长比区域分裂合并的方法节省了分裂的过程，而区域分裂合并的方法可以在较大的一个相似区域基础上再进行相似合并，而区域生长只能从单一像素点出发进行生长（合并）。 反复进行拆分和聚合以满足限制条件的算法。 令R表示整幅图像区域并选择一个谓词P。对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域，直到对任何区域Ri，有P(Ri)=TRUE。这里是从整幅图像开始。如果P(R)=FALSE，就将图像分割为4个区域。对任何区域如果P的值是FALSE．就将这4个区域的每个区域再次分别分为4个区域，如此不断继续下去。这种特殊的分割技术用所谓的四叉树形式表示最为方便(就是说，每个非叶子节点正好有4个子树)，这正如图10.42中说明的树那样。注意，树的根对应于整幅图像，每个节点对应于划分的子部分。此时，只有R4进行了进一步的再细分。 如果只使用拆分，最后的分区可能会包含具有相同性质的相邻区域。这种缺陷可以通过进行拆分的同时也允许进行区域聚合来得到矫正。就是说，只有在P(Rj∪Rk)=TRUE时，两个相邻的区域Rj和Rk才能聚合。 前面的讨论可以总结为如下过程。在反复操作的每一步，我们需要做： 可以对前面讲述的基本思想进行几种变化。例如，一种可能的变化是开始时将图像拆分为一组图象块。然后对每个块进一步进行上述拆分，但聚合操作开始时受只能将4个块并为一组的限制。这4个块是四叉树表示法中节点的后代且都满足谓词P。当不能再进行此类聚合时，这个过程终止于满足步骤2的最后的区域聚合。在这种情况下，聚合的区域可能会大小不同。这种方法的主要优点是对于拆分和聚合都使用同样的四叉树，直到聚合的最后一步。 分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。 分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。 分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即 分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。 为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。 为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。即 程序可采用方法：用阈值限制梯度图像以达到消除灰度值的微小变化产生的过度分割，获得适量的区域，再对这些区域的边缘点的灰度级进行从低到高排序，然后在从低到高实现淹没的过程，梯度图像用Sobel算子计算获得。对梯度图像进行阈值处理时，选取合适的阈值对最终分割的图像有很大影响，因此阈值的选取是图像分割效果好坏的一个关键。缺点：实际图像中可能含有微弱的边缘，灰度变化的数值差别不是特别明显，选取阈值过大可能会消去这些微弱边缘。 参考文章： 图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。 图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。 由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好， 在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向．边缘检测误差通常是指边缘误分类误差，即把假边缘判别成边缘而保留，而把真边缘判别成假边缘而去掉．边缘估计误差是用概率统计模型来描述边缘的位置和方向误差的．我们将边缘检测误差和边缘估计误差区分开，是因为它们的计算方法完全不同，其误差模型也完全不同． Roberts算子 ：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。 Prewitt算子 ：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。 Sobel算子 ：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。 Isotropic Sobel算子 ：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。 在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的 。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的 。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。 1971年，R.Kirsch[34]提出了一种能检测边缘方向的Kirsch算子新方法：它使用了8个模板来确定梯度幅度值和梯度的方向。 图像中的每个点都用8个掩模进行卷积，每个掩模对某个特定边缘方向作出最大响应。所有8个方向中的最大值作为边缘幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编码。 Kirsch算子的梯度幅度值用如下公式： 不同检测算子的对比： 参考文章： 文章引用于 木夜溯 编辑 Lornatang 校准 Lornatang