【文章內(nèi)容簡(jiǎn)介】 具欄和調(diào)試工具欄。 本章小結(jié)本章首先對(duì)數(shù)字圖像處理作了一個(gè)簡(jiǎn)單的概述，介紹了數(shù)字圖像處理的特點(diǎn)、目的及其主要研究的內(nèi)容，對(duì)數(shù)字圖像處理有一個(gè)初步的認(rèn)識(shí)；然后分析了用VC++語(yǔ)言進(jìn)行軟件開(kāi)發(fā)的優(yōu)勢(shì)；最后對(duì)要使用的集成開(kāi)發(fā)環(huán)境VC++ 進(jìn)行了大致的介紹，以便于后面的使用。第四章 算法分析與描述圖像銳化處理的目的是為了使圖像的邊緣。輪廓線以及圖像的細(xì)節(jié)變得清晰。經(jīng)過(guò)平滑處理的圖像變得模糊的根本原因是圖像受到了平均或積分運(yùn)算，因此對(duì)其進(jìn)行逆運(yùn)算（微分運(yùn)算）就可以使圖像變得清晰。為了要把圖像中間任何方向延伸的邊緣和輪廓線變得清晰，必須選擇那些不具備空間方向性的和具有旋轉(zhuǎn)不變的線性微分算子。最基本的一類邊緣檢測(cè)算子是微分類算子。包括： Sobel算子、Robel梯度算子、Prewitt邊緣檢測(cè)算子、Laplacian算子等。從頻率域來(lái)考慮，圖形模糊的實(shí)質(zhì)是因?yàn)槠涓哳l分量被衰減，因此可以用高通濾波器來(lái)使圖像變得清晰。這里介紹3種常用的頻域高通濾波器，分別是理想高通濾波器（IHPF）、巴特沃思高通濾波器（BHPE）。 空域微分銳化方法圖像的模糊相當(dāng)于圖像被平均或被積分，為實(shí)現(xiàn)圖像的銳化，必須用它的反運(yùn)算“微分”，加強(qiáng)高頻分量的作用，從而使圖像輪廓清晰。由于模糊圖像的特征（如邊沿的走向等）各不相同，要進(jìn)行銳化，應(yīng)該采用各向同性、具有旋轉(zhuǎn)不變的線性微分算子。圖像處理中最常用的微分方法是求梯度。對(duì)于圖像f(x,y),它所在的梯度是一個(gè)矢量，定義為點(diǎn)（x,y）梯度的幅度為梯度的模，即 對(duì)數(shù)字圖像用微分運(yùn)算不方便，一般用差分來(lái)近似。常用的梯度差分有： 為了運(yùn)算簡(jiǎn)便，可以簡(jiǎn)化為或者利用Roberts 梯度算子 Roberts 算子也可以簡(jiǎn)化為常用的梯度算子還有Laplacian 算子。Lapalacian 算子是仿效屬性上的，它是用二階差分實(shí)現(xiàn)的。用模板算子來(lái)表示為：也可以推廣Laplacian 算子，考慮進(jìn)對(duì)角線方向，這樣它就是一個(gè)8 鄰域的算子，其模板為L(zhǎng)aplacian 算子有兩個(gè)缺點(diǎn)，一個(gè)是邊沿的方向被丟失，另一個(gè)是Laplacian 算子為二階差分，雙倍加強(qiáng)了圖中的噪聲影響。優(yōu)點(diǎn)是各向同性，即旋轉(zhuǎn)不變。梯度算子一旦算出后，就可以根據(jù)不同的需要生成不同的梯度增強(qiáng)圖像。最簡(jiǎn)單的就是用該點(diǎn)的梯度幅度代替此點(diǎn)的灰度。此方法的缺點(diǎn)是增強(qiáng)的圖像僅僅顯示灰度變換比較陡峭的邊沿輪廓，而灰度變化比較平緩或者比較均勻的地方則呈現(xiàn)黑色。人們又提出了一些改進(jìn)的方法，例如 其中T 是一個(gè)非負(fù)的閾值。適當(dāng)?shù)倪x取T，即可使明顯的邊沿輪廓得到突出，并且不會(huì)破壞原來(lái)灰度變換比較平緩的背景。拉式算子是一個(gè)刻畫圖像灰度的二階商算子，它是點(diǎn)、線、邊界提取算子，亦稱為邊界提取算子。通常圖像和對(duì)他實(shí)施拉式算子后的結(jié)果組合后產(chǎn)生一個(gè)銳化圖像。拉式算子用來(lái)改善因擴(kuò)散效應(yīng)的模糊特別有效，因?yàn)樗辖抵颇Ｐ?。擴(kuò)散效應(yīng)是成像過(guò)程中經(jīng)常發(fā)生的現(xiàn)象。最簡(jiǎn)單的二階各向同性微分算子是拉普拉斯微分算子，具有旋轉(zhuǎn)不變性。二維圖像f（x,y）的拉普拉斯微分算子定義為：寫成模板系數(shù)形式形式即為L(zhǎng)aplacian算子：其上形式為離散拉普拉斯算子的模板，另外還有擴(kuò)展模板，表示如下：從模板形式容易看出，如果在圖像中一個(gè)較暗的區(qū)域中出現(xiàn)了一個(gè)亮點(diǎn)，那么用拉普拉斯運(yùn)算就會(huì)使這個(gè)亮點(diǎn)變得更亮。因?yàn)閳D像中的邊緣就是那些灰度發(fā)生跳變的區(qū)域，所以拉普拉斯銳化模板在邊緣檢測(cè)中很有用。一般增強(qiáng)技術(shù)對(duì)于陡峭的邊緣和緩慢變化的邊緣很難確定其邊緣線的位置。但此算子卻可用二次微分正峰和負(fù)峰之間的過(guò)零點(diǎn)來(lái)確定，對(duì)孤立點(diǎn)或端點(diǎn)更為敏感，因此特別適用于以突出圖像中的孤立點(diǎn)、孤立線或線端點(diǎn)為目的的場(chǎng)合。同梯度算子一樣，拉普拉斯算子也會(huì)增強(qiáng)圖像中的噪聲，有時(shí)用拉普拉斯算子進(jìn)行邊緣檢測(cè)時(shí)，可將圖像先進(jìn)行平滑處理。laplace算子是與方向無(wú)光的各向同性邊緣檢測(cè)算子,若只關(guān)心邊緣點(diǎn)的位置而不顧其周圍的實(shí)際灰度差時(shí),:各向同性,線性和位移是不變的,對(duì)線性和孤立點(diǎn)檢測(cè)效果好,但邊緣方向信息丟失,常產(chǎn)生雙像素的邊緣,對(duì)噪聲有雙倍的加強(qiáng)作用。 Roberts交叉微分算子函數(shù)Roberts算子模板是一個(gè)22的模板，左上角的是當(dāng)前待處理像素f()，則交叉微分算子定義如下：其模板可以表示為：，例如：已知原始圖像F，求：用Roberts交叉微分算子的處理結(jié)果。 Prewitt微分算子函數(shù)(平均差分法)Prewitt微分算子的思路與Sobel微分算子的思路類似，是在一個(gè)奇數(shù)大小的模板中定義其微分運(yùn)算。 Priwitt微分算子定義如下：因?yàn)槠骄軠p少或消除噪聲，Prewitt梯度算子法就是先求平均，再求差分來(lái)求梯度。水平和垂直梯度模板分別為： 利用檢測(cè)模板可求得水平和垂直方向的梯度，再通過(guò)梯度合成和邊緣點(diǎn)判定，就可得到平均差分法的檢測(cè)結(jié)果。prewitt算子為在檢測(cè)邊緣的同時(shí)減少噪聲的影響，從加大邊緣檢測(cè)算子的模板大小出發(fā)，由2*2擴(kuò)大到3*3來(lái)計(jì)算差分算子，采用prewitt算子能檢測(cè)到邊緣點(diǎn)，還可以抑制噪聲。 Sobel微分算子函數(shù)（加權(quán)平均差分法）Sobel算子具有一定的噪聲抑制能力，在檢測(cè)階躍邊緣時(shí)得到的邊緣寬度至少為二像素，它不依賴于邊緣方向的二階微分算子，是一個(gè)標(biāo)準(zhǔn)量而不是向量，具有旋轉(zhuǎn)不變即各向同性的性質(zhì)。在圖像處理中常被用于提取圖像的邊緣。Sobel算子是典型的基于一階導(dǎo)數(shù)的邊緣檢測(cè)算子，由于該算子中引入了類似局部平均的運(yùn)算，因此對(duì)噪聲具有平滑作用，能很好的消除噪聲的影響。Sobel算子包含兩組3x3的矩陣，分別為橫向及縱向模板，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。Sobel微分算子定義如下： （式1） （式2） 如果用圖像處理的模板來(lái)表示，則有：　　　　　 （式3）下面以一個(gè)簡(jiǎn)單的例子來(lái)體會(huì)該算法。設(shè)原圖像為 對(duì)中模板罩不住的地方其處理結(jié)果令為0，其它的像素一次按照式（式1）進(jìn)行計(jì)算。例如，對(duì)的模板下的圖像子塊為：計(jì)算結(jié)果為 最終處理結(jié)果為單獨(dú)使用Sobel算子做邊緣檢測(cè)，邊緣定位精度不高，有時(shí)還可能對(duì)非邊緣像素的響應(yīng)大于某些邊緣處的響應(yīng)或者響應(yīng)差別不是很大，造成漏檢或誤檢，但是它對(duì)噪聲具有較好的魯棒性。Prewitt算子和Sobel算子提取邊緣的結(jié)果差不多。在提取邊緣的同時(shí)它對(duì)噪聲具有平滑作用，能夠抑制一定的噪聲。由于Prewitt邊緣檢測(cè)算子是通過(guò)八個(gè)方向模板對(duì)圖像進(jìn)行卷積運(yùn)算，因此運(yùn)算量比較大。sobel算子在prewitt算子基礎(chǔ)上能檢測(cè)邊緣點(diǎn)，且能進(jìn)一步抑制噪聲的影響，但檢測(cè)的邊緣較寬。梯度算子和laplacian算子都對(duì)噪聲敏感，因此一般用它們檢測(cè)邊緣前要先對(duì)圖像進(jìn)行平滑。 頻域高通濾波銳化方法這里所講的高通濾波是指頻域的高通濾波，也是圖像銳化處理中常用的一種方法。圖形中的邊緣和線條與圖像頻譜中的高頻分量相對(duì)應(yīng)，因此可以通過(guò)高通濾波的方法，使低頻分量得到抑制，從而達(dá)到增強(qiáng)高頻分量，使圖像的邊緣或線條變得清晰的目的。其數(shù)學(xué)表達(dá)式。這里G(u,v)為高通濾波器處理后的圖像；H（u,v）為頻域高通濾波器的傳遞函數(shù)；F（u,v）為原始圖像f(u,v)的傅氏變換。其傳遞函數(shù)H(u,v)可以表示為： 為截止頻率，根據(jù)需要選擇。 是頻率平面上點(diǎn)（u,v）到原點(diǎn)（0,0）的距離。n階巴特沃思高通濾波器的傳遞函數(shù)H(u,v)可以表示為：為截止頻率，n為級(jí)數(shù)。指數(shù)高通濾波器的傳遞函數(shù)H(u,v)可以表示為：為截止頻率，n為級(jí)數(shù)。第五章 詳細(xì)設(shè)計(jì)過(guò)程圖像銳化處理源圖像如下：圖51源圖像利用前面介紹的微分算子就可以輕松地實(shí)現(xiàn)空域中圖像銳化。在這里，我們利用Lapacian 算子來(lái)進(jìn)行示例。下面的函數(shù)LinearSharp()利用Lapacian 算子實(shí)現(xiàn)了圖像的銳化，其具體代碼實(shí)現(xiàn)如下所示。/*************************************************************************** \函數(shù)名稱：* LinearSharpen()** \輸入?yún)?shù):* LPBYTE lpImage 指向圖像數(shù)據(jù)得指針* int nWidth 圖像數(shù)據(jù)寬度* int nHeight 圖像數(shù)據(jù)高度** \返回值:* 無(wú)** \說(shuō)明:* 線性銳化圖像增強(qiáng)* 本函數(shù)采用拉普拉斯算子對(duì)圖像進(jìn)行線性銳化* 在原來(lái)圖像上加上拉普拉斯算子銳化的信息***************************************************************************/void LinearSharpen (LPBYTE lpImage, int nWidth, int nHeight){// 遍歷圖像的縱坐標(biāo)int y。// 遍歷圖像的橫坐標(biāo)int x。double * pdGrad 。pdGrad = new double[nWidth*nHeight]。// 初始化為0memset(pdGrad, 0, nWidth*nHeight*sizeof(double)) 。// 設(shè)置模板系數(shù)static int nWeight[3][3] 。nWeight[0][0] = 1 。nWeight[0][1] = 1 。nWeight[0][2] = 1 。nWeight[1][0] = 1 。nWeight[1][1] = 8 。nWeight[1][2] = 1 。nWeight[2][0] = 1 。nWeight[2][1] = 1 。nWeight[2][2] = 1 。//這個(gè)變量用來(lái)表示Laplacian 算子像素值int nTmp[3][3]。// 臨時(shí)變量double dGrad。// 模板循環(huán)控制變量int yy 。int xx 。for(y=1。 ynHeight1 。 y++ )for(x=1 。 xnWidth1 。 x++ ){dGrad = 0 。// Laplacian 算子需要的各點(diǎn)像素值// 模板第一行nTmp[0][0] = lpImage[(y1)*nWidth + x 1 ] 。nTmp[0][1] = lpImage[(y1)*nWidth + x ] 。nTmp[0][2] = lpImage[(y1)*nWidth + x + 1 ] 。// 模板第二行nTmp[1][0] = lpImage[y*nWidth + x 1 ] 。nTmp[1][1] = lpImage[y*nWidth + x ] 。nTmp[1][2] = lpImage[y*nWidth + x + 1 ] 。// 模板第三行nTmp[2][0] = lpImage[(y+1)*nWidth + x 1 ] 。nTmp[2][1] = lpImage[(y+1)*nWidth + x ] 。nTmp[2][2] = lpImage[(y+1)*nWidth + x + 1 ] 。// 計(jì)算梯度f(wàn)or(yy=0。 yy3。 yy++)for(xx=0。 xx3。 xx++){dGrad += nTmp[yy][xx] * nWeight[yy][xx] 。}// 梯度值寫入內(nèi)存*(pdGrad+y*nWidth+x)=dGrad。}for(y=0。 ynHeight 。 y++ ){for(x=0 。 xnWidth 。 x++ ){lpImage[y*nWidth+x] = (unsigned char)max(0,min(255,(lpImage[y*nWidth+x]+ (int)pdGrad[y*nWidth+x]) ))。}}delete []pdGrad 。pdGrad = NULL 。}實(shí)現(xiàn)函數(shù)LinearSharp()后，在菜單“圖像增強(qiáng)”添加菜單項(xiàng)“圖像銳化”。向類CimageProcessingView 中添加該菜單的點(diǎn)擊