发布时间 : 星期一 文章数字图像处理与分析习题及答案更新完毕开始阅读cfa2f77ef121dd36a22d8242
1.已知
的图像数据如图所示，请计算：（15分）
a、的离散傅里叶变换；
b、的哈德玛变换。
题3图
答：1
令，
则，
（5分）
7. 在 MATLAB 环境中，完成图像的增亮、变暗处理。 解：MATLAB 程序如下：
A=imread('pout.tif'); %读入图像 imshow(A);
figure,imhist(A);
%显示图像 %显示图像的直方图
J1=imadjust(A,[0.3 0.7],[]);
%将图像在 0.3×255~0.7×255 灰度之间的值通过线性变换映射到 0~255 之间 figure,imshow(J1);
%输出图像效果图
figure,imhist(J1) %输出图像的直方图
J2=imadjust(A,[],[0 0.7]);
%使用此函数，将图像灰度通过线性变换映射到 0~255×0.7 之间 figure,imshow(J2); figure,imhist(J2)
%输出图像效果图 %输出图像 第五章 图像复原
3.试述逆滤波复原的基本原理。它的主要难点是什么？如何克服？
基本原理：假定图像经过线性操作而退化，先通过傅立叶变换将退化后且带有噪声的图像g(x)变换成G(u,v)，在频率域中经过复原(G(u,v)/H(u,v))操作后为F(u,v)，再通过傅立叶逆变换将F(u,v)变换成f(x,y)。
主要难点：若噪声为零，则采用逆滤波恢复法能完全再现原图像。若噪声存在，而且H(u,v）很小或为零时，则噪声被放大。这意味着退化图像中小噪声的干扰在H(u,v)较小时，会对逆滤波恢复的图像产生很大的影响，有可能使恢复的图像和f(x,y)相差很大，甚至面目全非。 克服：1）在H(u,v）=0及其附近，人为地仔细设置H-1(u,v)的值，使N(u,v)*H-1(u,v)不会对产生太大影响。 2）使H(u,v)具有低通滤波性质
维纳滤波的最优准则是以图像和噪声的相关矩阵为基础的，所得到的结果是对一族图像在平均的意义上是最佳的，同时要求图像和噪声都属于随机场，并且它的频谱密度是已知的。 在实际情况下，人们往往没有这一方面的先验知识，一般很难得到，除非采取适当的功率谱模型。
1.图像退化（为什么要恢复）
（1）图像的退化是指图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏。
（2）图像复原就是要尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理。（3）图像退化的数学模型为：g(x,y)=f(x,y)*h(x,y)+n(x,y) 典型的图像复原定义：是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，得到质量改善的图像。**图像复原过程如下：找退化原因→建立退化模型→反向推演→恢复图像 2.图像复原和图像增强的主要区别是：
答：图像增强主要是一个主观过程，而图像复原主要是一个客观过程；图像增强不考虑图像是如何退化的,而图像复原需知道图像退化的机制和过程等先验知识
4.逆滤波时，为什么在图像存在噪声时，不能采用全滤波？试采用逆滤波原理说明，并给出
正确的处理方法。
复原由退化函数退化的图像最直接的方法是直接逆滤波。在该方法中，用退化函数除退化图像的傅立叶变换来计算原始图像的傅立叶变换。
F?u,v??^G?u,v?N?u,v?
?F?u,v??H?u,v?H?u,v?由上式可以看到，即使我们知道退化函数，也可能无法准确复原未退化的图像。因为噪声是一个随机函数，其傅氏变换未知。当退化为0或非常小的值，N(u,v)/H(u,v)之比很容易决定
?F?u,v?的值。一种解决该问题的方法实现值滤波的频率时期接近原点值。
5.简述线性位移不变系统逆滤波恢复图像原理。
答：设退化图象为g(x,g)，其傅立叶变换为G(u,v),若已知逆滤波器为1/H(u,v)则对G(u,v)作逆滤波得F(u,v)=G(u,v)/H(u,v) （2分） 对上式作逆傅立叶变换得逆滤波恢复图象f(x,y) f(x,y)=IDFT[F(u,v)] 以上就是逆滤波恢复图象的原理。 （2分）
若存在噪声，为避免H(u,v)=0,可采用两种方法处理。（0.5分） ② H(u,v)=0时,人为设置1/H(u,v)的值； ②使1/H(u,v)具有低同性质。即 H(u,v)=1/H(u,v) 当D≤D0
H(u,v)=0 当D>D0 (0.5分)
-1-1
1.什么是区域？什么是图像分割？
答：区域可以认为是图像中具有相互连通、一致属性的像素集合。图像分割时把图像分成互不重叠的区域并提取出感兴趣目标的技术。 2.区域生长
区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 区域生长的原理
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起点，然后将种子像素和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继续上面的过程，直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。
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。 3.Canny边缘检测器
答：Canny边缘检测器是使用函数edge的最有效边缘检测器。该方法总结如下：1、图像使用带有指定标准偏差σ的高斯滤波器来平滑，从而可以减少噪声。2、在每一点处计算局部梯度g（x,y）=[G2x+G2y]1/2 和边缘方向α（x,y）=arctan（Gy/Gx）。边缘点定义为梯度方向上其强度局部最大的点。3、第2条中确定的边缘点会导致梯度幅度图像中出现脊。然后，算法追踪所有脊的顶部，并将所有不在脊的顶部的像素设为零，以便在输出中给出一条细线，这就是众所周知的非最大值抑制处理。脊像素使用两个阈值T1和T2做阈值处理，其中T1 2.根据所学过的图像处理和分析方法，设计一套算法流程来实现汽车牌照的定位和数字的识别（给出设计思想即可）。 答：要点: Step 1：定位汽车牌照。 通过高通滤波，得到所有的边缘，对边缘细化（但要保持连通关系），找出所有封闭的边缘，对封闭边缘求多边形逼近。在逼近后的所有4边形中，找出尺寸与牌照大小相同的四边形。牌照被定位。 Step 2：识别数字。 对牌照区域中的细化后的图像对象进行识别（如前面所介绍的矩阵模糊识别法等）。