数字图像处理的灰度化和平滑处理

1. 图像的灰度化

在数字图像处理当中，一个像素用三个字节来表示，每个字节对应着R,G,B,分量的亮度。灰度图像是将亮度值量化为0~225共256个级别。图像灰度化处理的方法主要有平均值法、加权平均值法和最大、最小值法。

平均值法就是将RGB三个分量的平均值作为灰度值，加权平均法就是对每个分量乘以不同的系数然后取平均值作为灰度值，最大、最小值法就是分别取RGB分量的最大或者最小值来作为灰度值。

2. 图像的平滑处理

图像在获取、转换和传输的过程中，会因为其所在的环境和拍摄设备等原因而受到噪声干扰的问题，图像所含的信息会受到影响。因此需要对图像进行平滑处理，图像平滑处理有两个作用：

为后续图像特征提取和识别做准备

消除图像数字时产生噪音以满足计算机处理要求

图像平滑处理不可能在完全消除噪声的同时保留完整的信息包括图像的轮廓和边缘信息。因此在平滑处理时应该：

尽可能的保留原始图像的信息包括轮廓和边缘信息等

使得图像清晰，视觉良好

图像平滑处理的算法有很多种，例如中值滤波算法、自适应中值滤波算法和小波降噪等。

2.1 中值滤波算法

中值滤波的本质是一种统计排序滤波器，原理是对一个滑动窗口内的全部像素点灰度值按照从大到小的顺序进行排序，排序的中值作为该窗口中心像素的灰度值。如果滑动窗口内像素点的总个数为偶数个，那么将取中间两个像素点的灰度值的平均值来作为该窗口中心像素的灰度值。一般滑动窗口的像素点个数都是奇数，例如方形窗口3 X 3,5 X 5,7 X 7。

中值滤波的关键点在于窗口大小的选取，事先我们很难确定窗口的大小，需要从小窗口到大窗口进行逐次实验，然后选择较优结果的滑动窗口。经实验验证一般情况下滑动窗口像素点越多，图像会越来越模糊。

2.2 自适应中值滤波算法

自适应中值滤波算法是在中值滤波算法的基础上加入了一个判断操作，主要判断的对象为窗口像素的中值以及滤波处的像素点灰度是否为脉冲降噪，并对两者进行分别处理。该算法能够很好的保留原始图像的细节，减少图像信息的失真。

2.3小波降噪算法

小波降噪算法主要是以噪声和图像信息在频域内有不同的分布区域为根据，图像信息主要位于频率低的区域，而噪声则位于频率高的区域，但是与次同时图像的一些细节信息，也位于频率高的区域。小波降噪的优点就是不仅能够有效去除高频区域的噪声，还能将图像的细节信息得以保留。

图像小波降噪的过程：

选取适当的小波函数和分解层数，对含噪声图像进行小波分解，获得含有噪声图像的小波变换系数；

修改小波系数，对小波分解后的各层高频系数选取适当的阈值进行阈值量化，进而得到降噪后处理后的小波变换系数。

将修改后的小波域进行小波逆变换处理，并对小波进行重构，得到噪声处理后的图像。

2.4 降噪效果的标准评估

人类对于图像质量的视觉感受成为视觉质量，视觉质量是一种主观标准，不能用数字来表述，因此需要一种客观标准来评价降噪的效果。通常用于评价降噪效果有两种方法，分别是最小化平方误差（MSEMean Squard Error）和峰值信噪比。

3. 图像的锐化

图像锐化的目的是为了增强图像中的细节信息以增强经过图像平滑后被模糊的图像细节信息。图像的边缘是图像中重要的特种之一，是图像特性阶跃性变化或屋脊性变化的像素集合。图像轮廓边缘信息对图像识别起着重要的作用，因有必要对图像进行锐化，突出轮廓边缘，使得细节更为清晰。图像锐化的常用方法有两种，分别是：基于一阶微分的梯度法和基于二阶微分的拉普拉斯算子法。

4. 图像分割

图像分割的目标是将图像划分为与其含有的真实世界当中的物体或者具有很强相关性的区域。图像分割根据所使用的主要特征可以分为三种方法：

一是有关图像或者部分的全局知识，分割的主要特征是图像直方图信息；

二是根据图像轮廓边缘的分割；

三是基于区域的分割；

其中阈值分割算法，分割方法理论完善，计算机计算代价小，计算速度快，因此被广泛应用。阈值分割的步骤有以下三步：

确定灰度阈值T，即在图像灰度区间内找到一个最佳的灰度值，

将图像所有像素点的灰度值与该阈值进行比较，

图像中像素点灰度值大于阈值T的归为一类，并将其灰度值设置为255，图像中像素灰度值小于阈值T的将其归为一类，并将其灰度值设置为0，若像素中像素点的灰度值与阈值T相等，则可以将其分为任意一类。

阈值化分割最为重要的是阈值T的确定，常用的三种确定的方法有：

灰度直方图阈值法

迭代选择阈值法

自适应阈值法（较优）