在数字图像处理中,很多算法是一脉相承或有着密切联系的,搞清楚这些来龙去脉以及相互联系,有利于加强对算法的理解以及改进创新。
那么,如何把握这些联系呢?首先要清楚每种算法的提出背景,即“这种算法为什么会被提出”或是“这种算法是针对什么问题而提出的”。以本书第2章中数字图像变换中的内容为例,这一问题是从图像的空间变换讲起的,但是空间变换无法反映图像的频率分布信息,随着傅里叶变换的诞生,这一问题得到了解决,傅里叶变换也被研究者誉为是“图像处理的第二种语言”。正在人们为之欢欣鼓舞之时,研究者有发现傅里叶变换也存在着不足,它在空域上无任何分辨,不能作局部分析。为此,D.Gabor于1946年提出了加窗傅里叶变换,也就是著名的Gabor变换,它通过引入一个时间局部化“窗函数”改进了傅里叶变换的不足,但其窗口大小和形状都是固定的,没有从根本上弥补傅里叶变换的缺陷。此时,小波变换的提出从根本上解决了这一难题,它有一个灵活可变的时间—频率窗,能有效地从信号中提取信息,通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析,“数学显微镜”的美誉也因此得来。如果读者能够把这些联系梳理清楚,那么,在学习小波变换时就会豁然开朗,应用也会游刃有余。难道小波变换就那么完美吗?答案当然是否定的,当前有很多算法就如何提高小波变换的效能提出了改进。按照上述的“联系”方式(见图7-3),就不难建立起完备的知识体系。
图7-3 图像分析联系示意图
谈过了“追根溯源”,再来聊聊“比较总结”,这里以本书4.3节图像的边缘检测为例来进行说明。在4.3节中,介绍了7种常用的边缘检测方法,每一种方法都能实现边缘检测,但对于同一幅图像,每一种边缘检测方法的效果又不尽相同。这是为什么呢?原来,每一种边缘检测的方法都有自己优点和不足,都有自己特定的应用背景,可以对其进行列表比较,如表7-1所示。
表7-1 边缘检测算子比较(www.xing528.com)
对各种边缘检测算子进行比较后,它们各自的特点便一目了然,在何种情况下运用哪种边缘检测算子效果最佳便做到了心中有数。
在比较完各种边缘检测算子的“个性”之后,再来总结一下它们的“共性”。尽管边缘检测的方法有很多,但各种方法的共同目的都是要检测出图像灰度变化剧烈的区域。从数学的角度来看,就是对数字图像进行差分;从信号处理角度看,就是用高通滤波器来保留高频信号。
学习的过程讲究循序渐进,温故知新,对数字图像处理技术的学习也不例外。但是,数字图像处理技术又有自身的特点,即理论深、角度广、更新快,因此,良好的学习方法可以使数字图像处理的学习事半功倍。在学习数字图像处理技术时,读者不妨尝试着去追根溯源、比较总结,相信定会受益匪浅。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。