數字圖像處理與Python實現 課件 趙彥玲 第5-9章 圖像增強技術 -數字水印技術

數字圖像處理第五章圖像增強技術5.1圖像增強技術分類5.2直接灰度變換法5.3直方圖修正法5.4鄰域增強5.5頻域增強5.1圖像增強技術分類點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.2.1線性拉伸法全段線性拉伸法全段線性拉伸法(按一種線性關系）分段線性拉伸法（多種線性關系）原圖像：灰度范圍

[a,b]內，變換后：灰度范圍[c,d]內，變換關系為：

g(m,n)=k[f(m,n)-a]+c討論：[a,b]和[c,d]的取值關系

d-c=b-a，則k=1，改變位置

對于b>a，d<c成立，則k<0，明暗取反尤其當k=-1時，g(m,n)即為f(m,n)的取反5.2直接灰度法線性拉伸法非線性拉伸法分段線性拉伸法abcdMfMg

f(x,y)

g(x,y)5.2.1線性拉伸法5.2.1線性拉伸法分段線性拉伸法(a)擴展感興趣的，犧牲其他

(b)擴展感興趣的，壓縮其他分析下面兩種拉伸曲線的效果：(a)原圖

(b)擴展動態(tài)范圍5.2.2非線性拉伸法指數對數如指數函數、對數函數、平方函數、閾值函數或幾種非線性函數的組合等g(x,y)=bC[f(x,y)-a]g(x,y)=loga[f(x,y)]5.2.2非線性拉伸法對數典型應用--傅里葉頻譜，其頻譜值的范圍很大，圖像顯示系統(tǒng)往往不能呈現出；如此大范圍的值，造成很多細節(jié)在顯示時丟失，5.2.2非線性拉伸法對數點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.3.1灰度直方圖對每個灰度值，統(tǒng)計在圖像中具有該灰度值的像素個數，并繪制成圖形5.3直方圖修正法圖像的灰度像素數統(tǒng)計圖，不可逆變換：直方圖是多對一的映射結果，即多個圖像可以生成相同的直方圖，因此反映相鄰點之間的關系。反映了圖像的灰度散布范圍等特征，在很多場合下是重要特征。六個像素定義5.3.1灰度直方圖定義5.3.2灰度直方圖3）邊界閾值的選擇1）2)整幅圖像的直方圖是內部區(qū)域的直方圖之和。T雙峰直方圖用途5.3.2直方圖均衡化動態(tài)范圍寬了，對比度增強了定義把原始圖進行某種灰度變換，為均勻分布的形式，增加像素灰度值的動態(tài)范圍，提高圖像對比度一幅灰度圖像的直方圖分布說法正確的是：（）直方圖的峰值集中在低端，則圖像較暗；反之，圖像較亮。直方圖的峰值集中在某個區(qū)域，不影響圖像清晰度。物體和背景差別很大的圖像，其直方圖具有雙峰特性。直方圖分布越均勻，圖像對比度越好。ABCD提交多選題1分5.3.2直方圖均衡化定義r:原圖像歸一化后的灰度級，則0≤r≤1，r=0為黑（最暗），r=1為白（最亮）；設變換后的圖像灰度級為s，則任意一個r值對應一個s值。設s=T(r)，T(r)為變換函數。應滿足如下條件，可將r的分布轉換為均勻分布。(a)對0≤r≤1，s=T[r]是單調增函數。（保證由黑到白）(b)對0≤r≤1，0≤s=T[r]≤1。（取值范圍一致）5.3.2直方圖均衡化求解變換函數圖像變換前后的直方圖分別記為P(r)和P(s)

5.3.2直方圖均衡化求解變換函數的實例8個灰級，尺寸64*64大小=4096點僅存5個灰級，宏觀拉平，微觀不可能平層次減少，對比度提高。5.3.2直方圖均衡化求解變換函數的實例分析：（1）均衡化后的直方圖比原來均勻很多，但并非完全均勻（2）直方圖均衡化提高了圖像的對比度，但可能會減少圖像的灰度級。（3）原直方圖上像素較少的灰度級被歸并到新的灰度級上，與像素較多的灰度級的間隔被拉大了。（4）均衡化后有些信息會損失，可能導致不良結果?？梢圆捎镁植恐狈綀D均衡化方法。5.3.2直方圖均衡化求解變換函數的實例Python實現：#獲得直方圖hist=cv.calcHist([gray],[0],None,[256],[0,255])#應用直方圖均衡化dst=cv.equalizeHist(gray)思考分析：直方圖均衡化方法是線性變化嗎？是否AB提交單選題1分22思考分析：關于直方圖均衡化方法的說法正確的是（）增加像素灰度值的動態(tài)范圍，但是效果不易控制圖像增強效果一定符合人的視覺特性和具體應用的要求提高圖像對比度為保證效果，可以有選擇地增強某個灰度范圍內的對比度ABCD提交多選題1分點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.4.1鄰域平均值法采用3x3均值濾波濾波核為：5.4鄰域增強法鄰域平均值法，中值濾波法定義

1111/9111

11100000000000000000000000008

00000000000000000000000000000000000000000099999999000000009999999900000000999999990000000099999999000000009999199900000000999999990000000099999999000000009999999900000000000000000000000000000000000000800000000000000000000000000000你發(fā)現了什么？原始圖像均值濾波后、（1）變“平坦”，景物邊緣變得模糊。（2）減少、抑制或者消除噪聲。、、平滑5.4.1鄰域平均值法圖像平滑目的：減少噪聲1）加性噪聲2）乘性噪聲3）量化噪聲4）椒鹽噪聲5）信噪比（SignalNoiseRate）：衡量圖像噪聲，信號與噪聲的功率譜之比，近似估計圖象信噪比：信號與噪聲的方差之比

（在均值為零的情況下，功率就是方差）

1/251/251/251/251/25

111111/251/251/251/251/25111111/251/251/251/251/25或1/25111111/251/251/251/251/25111111/251/251/251/251/25

11111模板尺寸越大，模糊作用越強5.4.1鄰域平均值法5x5均值濾波5.4.1鄰域平均值法鄰域均值濾波加入椒鹽噪聲、高斯噪聲、Speckle噪聲和Poisson噪聲后的圖像鄰域平均值法處理的結果#均值濾波result=cv2.blur(Image,(7,7))5.4.2中值濾波法中值濾波輸出像素是鄰域內像素的中間值而不是平均值步驟:

1）模板游走2）將mask下對應的灰度值（奇數）排序3）用中間值代替f(x,y),消除孤立的噪聲點5.4.2中值濾波法中值濾波示意圖0000000000000000000000000800000000000000000000000000000000000000000099999999000000009999999900000000999999990000000099999999000000009999199900000000999999990000000099999999000000009999999900000000000000000000000000000000000000800000000000000000000000000000?????????????????00000000000000??00000000000000??00000000000000??00009999990000??00099999999000??00099999999000??00099999999000??00099999999000??00099999999000??00099999999000??00009999990000??00000000000000??00000000000000??00000000000000????????????????

?可以消除雜散噪聲點而不會或較小程度地造成邊緣模糊。你發(fā)現了什么？5.4.2中值濾波法中值濾波實例類似中值濾波：最大值濾波法和最小值濾波法#中值濾波img_median=cv.medianBlur(src,5)

點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素對圖像變換后的系數圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.4.3微分運算法梯度運算法梯度運算和拉普拉斯運算對于圖像f(x,y)，在(x,y)處的梯度定義為：G[f(x,y)]是一個矢量，常用幅值表示梯度為：Roberts、Prewitt和Sobel算子(i,j)(i+1,j)(i,j+1)(i,j)(i+1,j)(i,j+1)(i+1,j+1)5.4.3微分運算法梯度運算法實例#Sobel算子x=cv2.Sobel(grayImage,cv2.CV_16S,1,0)#對x一階求導y=cv2.Sobel(grayImage,cv2.CV_16S,0,1)#對y一階求導absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Sobel=cv2.addWeighted(absX,0.5,absY,0.5,0)銳化5.4.3微分運算法圖像銳化邊緣銳化的原理邊緣或紋理是灰度值發(fā)生突變的地方，采用差分或梯度計算來檢測邊緣。若在原圖上（或一定的灰度值上）疊加該檢測結果有勾邊效果。5.4.3微分運算法圖像銳化注意噪聲亦屬高頻分量，往往會隨高頻增強而突出。因此往往需要去噪后再銳化邊緣銳化的缺點：

邊緣突出的同時圖像中噪聲也會被突出。關于圖像銳化和圖像平滑的說法，正確的是（）圖像銳化和平滑都不屬于圖像增強的方式圖像銳化用于增強邊緣，導致高頻分量增強，會使圖像清晰圖像平滑可用于消除圖像噪聲圖像平滑可造成圖像模糊ABCD提交多選題1分點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素

（5.5）對圖像變換后的系數圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象5.5頻域增強法在頻率域空間對圖像進行濾波，以傅里葉變換為例低通濾波高通濾波帶通與帶阻濾波、同態(tài)濾波5.5.1低通濾波法圖像的頻域平滑：消除圖像中的隨機噪聲、削弱邊緣效應，平滑圖像計算機中可模擬實現，實際無法實現從1到0陡變截斷頻率過渡比較平坦和光滑，振鈴效應不明顯。它尾部保留有較多高頻。具有更快的衰減特性，處理的圖像稍模糊。圖像清晰度較理想低通濾波器有所改善，振鈴效應有所減弱。通過調整D1值，平滑圖像又能保持較好的清晰度。5.5.2高通濾波法5.5.2高通濾波法（1）理想高通濾波器：突變，存在較強的振鈴現象。（2）巴特沃斯高通濾波器（Butterworth）：變化較平滑，在階數較低時所得的高頻圖像只產生輕微振鈴現象，且圖像較為清晰。（3）指數型高通濾波器：比Butterworth高通濾波器更為平滑，高頻圖像無振鈴現象。（4）梯形高通濾波器：性能介于理想高通濾波器和具有平滑過渡的濾波器之間，得到的高頻圖像既有一定的模糊，也存在一定的振鈴現象。5.5.3帶通和帶阻濾波法5.5.4同態(tài)濾波法消除圖像上照明不均的問題，增加暗區(qū)的圖像細節(jié)，同時又不損失亮區(qū)的圖像細節(jié)，它在頻域中同時將圖像亮度范圍進行壓縮和將圖像對比度進行增強。

a)同態(tài)濾波處理前b)同態(tài)濾波處理后（壓縮圖像的動態(tài)范圍，增加了圖像各部分之間的對比度）點運算算法鄰域增強算法（5.4）圖像增強灰度圖像增強彩色圖像增強空域圖像增強頻域圖像增強直接對圖像像素

（5.5）對圖像變換后的系數圖像平滑圖像銳化均值濾波、中值濾波直接灰度變換方法（5.2）基于直方圖的灰度變換（5.3）圖像平滑圖像銳化一二階微分算子低通濾波高通濾波帶通與帶阻濾波同態(tài)濾波作用域處理對象線性非線性直方圖均衡數字圖像處理課程內容入門認識第7章圖像壓縮第8章圖像分割基本操作應用第9章圖像水印第10章指紋識別第11章深度學習綜合案例第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用研究對象：圖像的形態(tài)特征研究方法：用具有一定形態(tài)的結構元素去量度和提取對應形狀，

實現對圖像的分析和識別。效果評價：特殊的數字圖像處理方法和理論。

理論雖然較為復雜，但基本思想卻簡單而完美。6.1概述圖像形態(tài)學方法與其他空域或頻域方法相比，具有明顯優(yōu)勢：基于數學形態(tài)學的邊緣信息提取處理優(yōu)于基于微分運算的邊緣提取算法；它不像微分算法對噪聲那樣敏感，提取的邊緣比較光滑；利用數學形態(tài)學方法提取的圖像骨架也比較連續(xù)，斷點少等。

6.1.1圖像形態(tài)學基礎1.集合與元素6.1.1圖像形態(tài)學基礎2.擊中與擊不中6.1.1圖像形態(tài)學基礎3.平移和對稱B的對稱集：B中元素(x,y)的對稱點(-x,-y)構成的集合6.1.1圖像形態(tài)學基礎4.結構元素（收集圖像信息的探針）使用說明：cv2.getStructuringElement（結構元素類型，原點坐標）參數說明：結構元素形狀：方形：MORPH_RECT；十字形：MORPH_CROSS；圓形：MORPH_ELLIPSE第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用基本運算：膨脹、腐蝕、開與閉運算基于基本運算推導和組合成各種圖像形態(tài)學運算方法。6.2

二值圖像中基本形態(tài)學處理Python習慣設定前景（物體）是白色，背景為黑色。意義相同的兩幅圖6.2.1膨脹1.概念

將與前景（物體）邊界接觸的背景像素點合并到物體中，邊界向外擴張。膨脹后，物體目標變大，可以填充圖像中的小孔及在圖像邊緣處的小凹陷部分。膨脹可合并裂縫、填補或縮小內部空洞。6.2.1膨脹2.膨脹過程6.2.1膨脹3.Python實現膨脹使用格式：cv2.dilate（圖像，結構元素類型，迭代次數）參數說明：輸入圖像：輸入圖像數據，imread()返回圖像數據結構元素類型：矩形：MORPH_RECT；十字形：MORPH_CROSS；橢圓形：MORPH_ELLIPSE。膨脹次數：默認值為1矩形結構元素：使輪廓的水平或垂直拐點處膨脹后依然整齊、垂直；橢圓結構元素：使輪廓的拐點處具有平滑和圓潤的弧線，更好地保持原始輪廓曲線；十字結構元素傾向于使輪廓的拐點處具有十字結構形狀的鋸齒形狀。因此，膨脹之后的圖像拐點處的輪廓形狀與結構元素的形狀有關。6.2.2腐蝕1.概念所有使B平移x后仍在A中的全體x的集合。即，用B來腐蝕A得到的集合是B完全包括在A中時B的原點位置的集合。膨脹運算的對偶。消除邊界點，使邊界向內部收縮的過程。本質上使目標區(qū)域范圍“變小”，目標中的空洞、縫隙將會變大，可能會造成原來連接較窄的部分斷開。

6.2.2腐蝕2.腐蝕過程原點6.2.2腐蝕3.Python實現腐蝕使用格式：cv2.erode(輸入圖像，結構元素類型，迭代次數)參數說明：輸入圖像：輸入圖像數據，imread()函數返回值結構元素類型：矩形：MORPH_RECT；

十字形：MORPH_CROSS；

橢圓形：MORPH_ELLIPSE。腐蝕次數：默認為1矩形結構元素，只剩下部分拐點處的散點沒有腐蝕掉十字形和橢圓形結構元素：腐蝕后物體的整個輪廓仍較為清晰，

腐蝕能力較弱。結構元素增大，小于結構元素的物體相繼消失。選擇合適大小和形狀的結構元素，可將其用于濾波。利用腐蝕濾波去除噪聲點同時，圖像中前景物體的形狀會發(fā)生改變。如果只關心物體的位置或個數，該應用不受影響。/live/cctv13/index.shtml?spm=C28340.P2qo7O8Q1Led.S87602.81&stime=1682139600&etime=1682143200&type=lbacks6.2.3開運算1.概念膨脹：填充圖像中比結構元素小的孔洞以及圖像邊緣處的小凹陷，使圖像擴大；腐蝕：消除圖像邊緣的某些小區(qū)域，并將圖像縮小。膨脹和腐蝕并非互逆運算，可級聯使用。結構元素B對A的開運算：使用相同的結構元素，對圖像先腐蝕再膨脹，

記作：A?B

6.2.3開運算2.開運算過程開運算：圖像的輪廓變得光滑，斷開狹窄的連接和消除細毛刺。開運算與腐蝕不同：圖像大的輪廓并沒有整體變小，物體位置也沒有發(fā)生任何變化6.2.3開運算3.

Python下實現cv2.MORPH_OPEN，morphologyEx(輸入圖像，開運算，結構元素)，參數說明：輸入圖像：輸入圖像數據，imread()返回函數值。img為原始待處理二值圖像。開運算：cv2.MORPH_OPEN：開運算(open)，先腐蝕后膨脹的過程。結構元素：十字形、矩形、橢圓形開運算可以用來消除小黑點或比結構元素小的部分，在纖細點處分離物體，平滑較大物體的邊界的同時并不明顯改變其面積。6.2.4閉運算1.概念閉運算是開運算的對偶運算。結構元素B對A的閉運算：使用相同的結構元素，對圖像先膨脹再腐蝕，

記作：A

B。

6.2.4閉運算2.閉運算過程使輪廓變得光滑，但與開運算相反，它通常能夠彌合狹窄的間斷，填充小的孔洞6.2.4閉運算3.

Python下實現cv.MORPH_CLOSE，morphologyEx(輸入圖像，閉運算，結構元素)參數說明：輸入圖像：輸入圖像數據，imread()返回函數值。img為原始待處理二值圖像。閉運算：cv2.MORPH_CLOSE，先膨脹后腐蝕的過程。結構元素：十字形、矩形、橢圓形能夠填充圖像中的小區(qū)域、黑洞或者窄縫，總的位置和形狀不變第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用F(x,y)代表輸入圖像，S(x,y)代表結構元素。F(x,y)和S(x,y)不再只代表形狀的集合，是二維函數。(x,y)表示圖像中像素點的坐標。二值圖像形態(tài)學中基本的交運算、并運算：在灰度形態(tài)學中分別用最大極值(maximum)和最小極值(minimum)代替。6.3.1灰度膨脹1.概念求鄰域內最大值作為輸出。用結構元素函數S(x,y)對輸入圖像F(x,y)進行膨脹運算，表示為(F⊕S)

DF、DS分別為F和S的定義域，

a和b必須在結構元素S的定義域之內，平移參數x-a和y-b要求在F的定義域之內?；叶扰蛎涍\算后，圖像函數F(x,y)在其定義域內每一點(x,y)處的取值：

以(x,y)為中心、在結構元素函數S(x,y)規(guī)定的局部鄰域內元素的最大值。6.3.1灰度膨脹2.實現過程選用二值結構元素，點(x,y)處的灰度膨脹運算簡化為：以(x,y)為中心、在結構元素函數S(x,y)規(guī)定的鄰域內的像素最大值。灰度圖像的膨脹運算使一個孤立的高亮噪音擴大化。6.3.1灰度膨脹3.

Python實現使用格式：cv2.dilate（輸入圖像，結構元素類型，迭代次數）參數說明：輸入圖像：輸入圖像數據，imread()返回圖像數據；結構元素類型：矩形結構元素；膨脹迭代次數：默認值為1。灰度圖像膨脹操作使得：灰度圖像被暗區(qū)包圍的亮區(qū)面積變大，較小的暗色區(qū)域面積變小?；叶扰蛎泴叶茸兓^大的區(qū)域，更明顯。6.3.2灰度腐蝕1.概念灰度圖像腐蝕是灰度圖像膨脹的對偶操作，求出鄰域內的最小值作為輸出，鄰域仍由各種算子模板來定義。DF、DS分別為F和S的定義域，

a和b必須在結構元素S的定義域之內，平移參數a+x和b+y要求在F的定義域之內?；叶扰蛎涍\算后，圖像函數F(x,y)在其定義域內每一點(x,y)處的取值為：以(x,y)為中心、在結構元素函數S(x,y)規(guī)定的局部鄰域內對應像素的最小值。

6.3.2灰度腐蝕2.實現過程6.3.2灰度腐蝕3.Python實現使用格式：cv2.erode(圖像，結構類型，迭代次數)參數說明：輸入圖像：輸入圖像數據，imread()函數返回值結構類型：方形、圓形、十字形腐蝕次數：默認值為1。腐蝕操作使：原始圖灰度像的較小的亮色區(qū)域面積會縮小，暗色區(qū)域面積會增大。同灰度膨脹相似，灰度腐蝕對圖像灰度變化快的區(qū)域效果更明顯。6.3.3灰度圖像開、閉1.概念

6.3.3灰度圖像開、閉2.

Python實現cv2.MORPH_OPEN和cv2.MORPH_CLOSE灰度腐蝕：會在去除圖像細節(jié)的同時使得整體灰度下降，灰度膨脹：會增強圖像的整體亮度，灰度開運算：常用于去除那些小于結構元素S的亮區(qū)域，而對于較大的亮區(qū)域影響不大。灰度閉運算：常用于去除圖像中的暗細節(jié)部分，而高亮度部分基本不受影響。開閉運算：保證圖像的整體灰度基本不變。第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用（邊界提取、區(qū)域填充）6.4.1邊界提取1.輪廓輪廓：對物體形狀的有力描述，對圖像分析和識別十分有用，圖像處理領域經典問題之一。邊界提取算法可以有效獲得圖像中前景物體的邊界輪廓。提取邊界：最常用的方法是將所有前景物體內部的點刪除（即用背景色表示），可采用逐行掃描原圖像的方式進行。6.4.1邊界提取2.實現過程判斷依據：若當前位置為前景點（即黑色點）其8個鄰域位置都是黑色，則當前點為內部點，應在目標輪廓中將其刪除。過程描述：采用一個3×3的結構元素對原圖像腐蝕，使得只有8個鄰域都有黑點的內部點被保留。再用原圖像減去腐蝕后的圖像，即可刪除內部點，保留前景物體的邊界像素。6.4.1邊界提取3.

Python實現r=cv2.erode(img,kernel,iterations=1)e=img-rcv2.imshow('img',img)cv2.imshow('edge',e)6.4.2區(qū)域填充1.輪廓區(qū)域填充可視為邊界提取的反過程，是在邊界已知的情況下得到邊界包圍的整個區(qū)域的過程。6.4.2區(qū)域填充2.實現過程設二值圖像中含有一個目標區(qū)域的邊界，其值為1，非邊界為0，邊界點的集合記為集合A，從邊界內一點P開始，令X0=P=1，采用如下迭代式進行區(qū)域填充。Xk=(Xk-1?B)?Ack=1,2,3,…上式中，B為對稱結構元素，上式迭代至Xk=Xk-1時停止，每一步與A的補集（Ac）的交集把結果限制在感興趣的區(qū)域內；最后，集合A和Xk的并集即為邊界及填充部分，算法最后產生一個單連通域。6.4.2區(qū)域填充3.

Python實現第六章圖像形態(tài)學操作6.1概述6.2二值圖像中基本形態(tài)學處理6.3灰度圖像中基本形態(tài)學處理6.4圖像形態(tài)學處理應用（邊界提取、區(qū)域填充）數學形態(tài)學是一門建立在嚴格數學理論基礎上的學科，并已經發(fā)展成為一種新的圖像處理方法和理論，是數字圖像處理及分形理論的一個重要研究領域。其在計算機文字識別、計算機顯微圖像分析、醫(yī)學圖像處理（例如細胞檢測、心臟的運動過程研究、脊椎骨癌圖像自動數量描述）、指紋檢測等方面都取得了成功的應用。數字圖像處理課程內容入門認識第8章圖像壓縮第7章圖像分割基本操作應用第9章圖像水印第10章指紋識別第11章深度學習綜合案例第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割7.3基于區(qū)域的圖像分割7.1.1圖像分割定義

數字圖像信號??(??,??)，將其分割為滿足以下5個約束條件的若干相連的、非空子集（即圖像子區(qū)域）??_1,??_2,??_3,?,??_??的過程，稱為圖像分割。每個像素都可以被分割到確定的子區(qū)域中；各個子區(qū)域內圖像像素是連通的；確保一個圖像元素不會同時被分割到多個子區(qū)域；屬于同一個子區(qū)域的像素應該具有某些相似性；屬于不同子區(qū)域的屬性應該不同。7.1.2圖像分割分類按照是否考慮語義：分為非語義分割和語義分割。根據被分割圖像的種類不同：灰度圖像分割，彩色圖像分割；根據被分割圖像的狀態(tài)不同：靜態(tài)圖像分割，動態(tài)圖像分割；根據分割的粒度不同：

以識別物體輪廓為準則的粗分割，

以顏色、紋理等的高度相似性為準則、適宜壓縮編碼的細分割；按照被分割圖像的應用領域不同：

遙感圖像分割、醫(yī)學圖像分割、交通圖像分割、工業(yè)圖像分割、安防圖像分割等；根據分割目標不同：語義分割、實例分割、全景分割；按照分割方法不同：

基于邊緣的圖像分割、基于區(qū)域的圖像分割、基于顯著性分析的圖像分割、基于深度學習的圖像分割等。7.1.2圖像分割分類（1）非語義分割：

在圖像分割中所占比重更高，目前算法也非常多，研究時間較長，而且算法也比較成熟。代表算法：閾值分割：簡單，給定輸入圖像一個特定閾值，如果大于這個閾值，則設定為前景像素值，否則為背景像素值。區(qū)域分割有代表性的算法有兩種：區(qū)域生長和區(qū)域分裂合并。區(qū)域生長算法的核心思想是給定子區(qū)域一個種子像素，作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素(可以根據預先設定的規(guī)則，比如基于灰度差)合并到種子所在的區(qū)域中。區(qū)域分裂合并基本上就是區(qū)域生長的逆過程，從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現目標提取。聚類：聚類是一個應用非常廣泛的無監(jiān)督學習算法，該算法在圖像分割領域也有較多的應用。聚類的核心思想就是利用樣本的相似性，把相似的像素點聚合成同一個子區(qū)域。7.1.2圖像分割分類（1）非語義分割：

在圖像分割中所占比重更高，目前算法也非常多，研究時間較長，而且算法也比較成熟。邊緣分割這是圖像分割中較為成熟，而且較為常用的一類算法。邊緣分割主要利用圖像在邊緣處灰度級會發(fā)生突變來對圖像進行分割。常用的方法是利用差分求圖像梯度，而在物體邊緣處，梯度幅值會較大，所以可以利用梯度閾值進行分割，得到物體的邊緣。對于階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分算子進行邊緣檢測。常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和Kirsh算子等。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。因此用微分算子檢測邊緣前要對圖像進行平滑濾波。LoG算子和Canny算子是具有平滑功能的二階和一階微分算子，邊緣檢測效果較好，因此Canny算子也是應用較多的一種邊緣分割算法。參考網址：/article/8750657.1.2圖像分割分類（2）語義分割：

在圖像分割中所占比重更高，目前算法也非常多，研究時間較長，而且算法也比較成熟。語義分割和非語義分割的共同之處都是要分割出圖像中物體的邊緣，但是二者也有本質的區(qū)別，用通俗的話介紹就是非語義分割只想提取物體的邊緣，但是不關注目標的類別。而語義分割不僅要提取到邊緣像素級別，還要知道這個目標是什么。因此，非語義分割是一種圖像基礎處理技術，而語義分割是一種機器視覺技術，難度也更大一些，目前比較成熟且應用廣泛的語義分割算法有以下幾種：Grabcut

MaskR-CNN

U-Net

FCN

SegNet參考網址：/article/875065第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割7.3基于區(qū)域的圖像分割7.2.1邊緣分割基本原理邊緣有方向和幅度兩個特性：沿著邊緣走向的灰度值不變或者緩慢變化，垂直于邊緣走向的灰度值存在突變。按突變形式不同，邊緣可表現為階躍式、漸變式（斜升和斜降式）、脈沖式、屋頂式等類型，邊緣包括：

數字圖像中目標物體或某區(qū)域的角點、輪廓、交界等處，代表了圖像局部不連續(xù)性特征。邊緣分割方法：

假設各子區(qū)域一定會有明顯的邊緣存在，

通過采用數學求導的方法提取圖像中灰度或結構等信息突變（即不連續(xù)）的部分像素來實現。邊緣與導數關系一階微分算子有Roberts算子、Prewitt算子、Sobel算子、Kirsch算子等；二階微分算子有Laplace算子、LoG算子等7.2.1邊緣分割基本原理7.2.2Canny算子邊緣與導數關系一階微分算子有Roberts算子、Prewitt算子、Sobel算子、Kirsch算子等；二階微分算子有Laplace算子、LoG算子等Canny算子，非微分邊緣檢測算子，圖像邊緣檢測算法最經典、先進的算法之一。

是在滿足一定約束條件下推導出來的邊緣檢測最優(yōu)化算子7.2.2Canny算子3個最優(yōu)準則（1）最優(yōu)檢測：

應盡可能檢測出圖像的真實邊緣，漏檢真實邊緣和誤檢非邊緣的概率都要盡可能小。（2）最優(yōu)定位準則：

檢測出的邊緣要盡可能接近真實邊緣，由于噪聲影響形成的檢測誤差最小。（3）檢測點與邊緣點一一對應：

檢測出的邊緣點與實際邊緣點要盡可能一一對應。7.2.2Canny算子步驟：（1）圖像去噪對圖像進行平滑濾波（2）計算梯度幅值和方向尋找圖像中灰度強度變化最強的位置，即梯度方向，（Sobel算子計算）（3）非極大值抑制為了使模糊的邊界變得清晰，需要保留局部最大梯度，在每個像素點上抑制除極大值外的其他梯度值。非極大值抑制圖7.2.2Canny算子步驟：（4）雙閾值（更加精確地檢測邊緣）設置兩個閾值，一個是閾值上界，一個是閾值下界。像素點大于閾值上界，稱為強邊界，則認為必然是邊界；小于閾值下界，則必然不是邊界；

兩者之間的稱為弱邊界，則認為是候選項，需要進一步處理。（5）邊界跟蹤（進一步處理弱邊界點）弱邊界可能是真邊緣，也可能是噪聲或者顏色變化引起。通常：真實邊緣的弱邊界與強邊界是連通的，其他則不連通。一個弱邊界點的8連通像素，只要有強邊界點存在，則弱邊界點是真實邊緣并保留。其余的弱邊界則被抑制。最終得到Canny算子邊緣檢測結果。7.2.2Canny算子步驟：使用格式：cv2.Canny(輸入圖像,最小閾值,最大閾值,[sobel算子（卷積核）大小])參數說明：輸入圖像：輸入圖像數據，imread()函數返回值；最小閾值、最大閾值：雙閾值設置；Sobel算子卷積核大?。嚎蛇x項，用于查找圖像梯度的Sobel核的大小，默認為3，該值越大，保留信息越多優(yōu)點是可以檢測出真正的弱邊緣，而且是細化后的單邊緣，減少了邊緣中斷現象。對于對比度較低的圖像，通過合理選擇參數，也能有很好的邊緣檢測效果。第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割7.3基于區(qū)域的圖像分割不同區(qū)域內像素的屬性不同，同一個區(qū)域內像素都應該具有相似或相同的屬性。7.3基于區(qū)域的圖像分割根據分割特征不同，分為閾值法、聚類法、生長合并法等。1.生長合并法概念生長合并法主要考慮圖像區(qū)域的連通性進行分割，常見的方法有區(qū)域生長法、分裂合并法、分水嶺法等。區(qū)域生長法：

根據圖像像素之間的連通性，按照事先定義的準則，將部分像素或者子區(qū)域聚合成更大區(qū)域以達到圖像分割的目的。分裂合并法：適合事先完全不了解區(qū)域形狀和數目的情況，首先將圖像分解成互不重疊的區(qū)域，然后對各個區(qū)域進行合并或分裂，得到最終的分割結果。7.3.1生長合并法2.分水嶺法將圖像看成一張地形圖,灰度值對應地形圖中的海拔高度值高灰度值對應著山峰，低灰度值對應著山谷，水總是從地勢高朝著地勢低的地方流動，直到某個局部低洼處，形成盆地；最終所有水都會處于不同的盆地中，各盆地之間的山脊稱為分水嶺。自適應的多閾值圖像分割算法，有很多實現算法，大多是模擬水從下而上的浸入過程。假設在每個盆地表面，刺穿一個小孔，然后把整個模型慢慢浸人水中，最后在兩個盆地匯合處構筑大壩，即形成分水嶺。3.Python下實現分水嶺法（c）對圖像進行“開運算”后再膨脹，得到確定的背景區(qū)域（d）通過與背景像素的距離矩陣閾值化尋找確定的前景區(qū)域（e）bg與fg相減,得到前景和背景的邊緣區(qū)域，

定為未確定區(qū)域（f）用分水嶺算法提取輪廓像素，并顯示為特定顏色標識圖像分割問題比較復雜，存在兩個主要問題：（1）缺乏效果好、通用性強的圖像分割算法；（2）因應用場景的不同，評價圖像分割效果的標準不統(tǒng)一；

在醫(yī)學圖像分割領域，分割的評價標準和普通圖像不同。7.4小結語義或實例級的分割結果：圖像分割的FCN、U-net、SegNet、TransDeepLab等學習模型，在自動駕駛、視頻監(jiān)控、醫(yī)療影像等場景下都取得了較好的應用效果。第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割（Canny算子）7.3基于區(qū)域的圖像分割（分水嶺算法）數字圖像處理課程內容入門認識第8章圖像壓縮第7章圖像分割基本操作應用第9章圖像水印第10章指紋識別第11章深度學習綜合案例第八章圖像壓縮8.1圖像壓縮基礎8.2常見的壓縮編碼技術8.3小結一幅24位高清圖像，分辨率為1920×1080，所占空間為()。1920×1080×24/8=6220800byte=6075KB≈5.93MB1920×1080×24/1024/1024≈49.76MB1920×1080×24/8/1024/1024≈5.93M1920×1080×24/1024=48600MB1920×1080×24/8/1024=6072MBABCD提交單選題1分一段時長1分鐘、24位色、分辨率為1920*1080、幀頻為30fps的高清視頻。1920*1080*24*30*60/8/1024/1024/1024≈10.428GB。若沒有壓縮，所占存儲容量大約是：圖像壓縮：以較少的比特有損或無損地表示原來的像素矩陣的技術，

也稱圖像編碼。圖像和視頻在存儲、傳輸、處理等過程所需資源呈現爆炸式增長，所以對數字圖像和視頻數據進行壓縮是非常必要。8.1.1數據冗余相關概念壓縮率（又稱壓縮比），表示壓縮后數據量與壓縮前數據量的比值：

數據冗余，表示壓縮減少的數據量占壓縮前數據量的比值：

8.1.1數據冗余相關概念數字圖像冗余形式：編碼冗余、空間冗余、時間冗余、視覺冗余等。編碼冗余（又稱信息熵冗余）：圖像中平均每個像素使用的比特數大于圖像的信息熵，比如，灰度圖中用于表示灰度的8比特編碼往往要多于表示灰度所需要的比特數?？臻g冗余（又稱幾何冗余：由圖像內部相鄰像素之間存在較強的相關性造成的冗余。比如，一幅圖像中存在一片連續(xù)的像素顏色相同的區(qū)域，則空間冗余較多。時間冗余（又稱幀間冗余）：視頻圖像序列中由相鄰幀之間相關性造成的冗余。比如，同一鏡頭內，相鄰視頻序列過渡比較緩慢，相鄰幀具有極大的相似性。視覺冗余：人眼敏感度較低或者不能感知的那部分圖像信息。8.1.2數據壓縮模型編碼器負責把原圖像進行編碼壓縮；解碼器負責將壓縮后的圖像進行解碼操作。映射器：減少圖像空間和時間冗余，是可逆操作；量化器：根據映射器輸出的精確度進一步降低映射器輸出的精度，排除無關信息；符號編碼器：將量化器輸出的頻率高的值賦予短位數編碼，達到減少編碼冗余的目的。8.1.3圖像格式和壓縮標準常見的圖像格式有：BMP、TIFF、JPEG、GIF等，

在本書第一章中已有介紹；常用的壓縮標準主要有：JPEG、JEPG2000、DV、H.261、H.262、H.263、H.264、MPEG-1、MPEG-2、MPEG-4、MPEG-4AVC等。1.JPEG編碼JPEG（JointPhotographicExpertsGroup）是最常用的圖像文件格式，后綴名為.jpg或.jpeg，其是JPEG標準的產物。JPEG標準是面向連續(xù)色調靜止圖像的一種壓縮標準，由國際標準化組織（ISO）制訂。JPEG文件格式在本書第一章中已有介紹。常見的實現編碼算法有基于圖像塊的變換編碼、哈夫曼（Huffman）編碼、行程編碼等。8.1.3圖像格式和壓縮標準由國際標準化組織（ISO）制訂；最常用的圖像文件格式，后綴名為.jpg或.jpeg，其是JPEG標準的產物；面向連續(xù)色調靜止圖像的一種壓縮標準；常見的編碼算法：

基于圖像塊的變換編碼、哈夫曼（Huffman）編碼、行程編碼等。1.JPEG編碼（JointPhotographicExpertsGroup）8.1.3圖像格式和壓縮標準MPEG：是ISO與IEC（國際電工委員會，InternationalElectrotechnicalCommission）于1988年成立的專門針對運動圖像和語音壓縮制定國際標準的組織；MPEG標準主要有：MPEG-1、MPEG-2、MPEG-3、MPEG-4等。編碼技術主要利用了具有運動補償的幀間壓縮編碼技術以減小時間冗余度，利用DCT技術以減小圖像的空間冗余度，利用熵編碼在信息表示方面減小統(tǒng)計冗余度。這些技術的綜合運用，大大提高了壓縮性能。2.MPEG編碼（MovingPictureExpertsGroup）8.1.3圖像格式和壓縮標準由ITU-T視頻編碼專家組(VCEG)和MPEG聯合組成的聯合視頻組(JVT，JointVideoTeam)提出。以高壓縮高質量和支持多種網絡的流媒體傳輸被廣泛使用。在ITU的標準里稱為H.264，在MPEG的標準里為MPEG-4Part10，又稱AVC（AdvancedVideoCodec）。因此H.264也常常稱為MPEG-4或AVC。壓縮方法主要包括：幀內預測壓縮，解決空域數據冗余問題；幀間預測壓縮（運動估計與補償），解決時域數據冗余問題；整數離散余弦變換，將空間上的相關性變?yōu)轭l域上無關的數據，然后再進行量化。3.H.2648.1.4圖像壓縮編碼技術分類（1）有損編碼（不可逆編碼）1.根據壓縮過程有無信息損失：壓縮時部分信息丟失，導致解碼重新構造的圖像存在一定失真。有損壓縮多用于數字電視、靜止圖像通信等領域。代表性算法包括有損預測編碼、變換編碼等。壓縮過程沒有信息的損失，解壓后的還原圖像與原始圖像完全相同。常用于工業(yè)檢測、醫(yī)學圖像、存檔圖像等領域的圖像壓縮中。代表性算法包括哈夫曼編碼、游程編碼、無損預測編碼等。（2）無損編碼（可逆編碼）8.1.4圖像壓縮編碼技術分類（1）統(tǒng)計編碼2.根據圖像壓縮編碼原理進行劃分：出現概率高的事件用短碼表示，出現概率低的事件用長碼表示。常見的統(tǒng)計編碼方法有哈夫曼編碼和算術編碼。利用空間和時間高度相關性，以近鄰像素值為參考，預測當前像素值，然后量化、編碼預測誤差。應用于運動圖像、視頻編碼中，如數字電視、視頻電話等。（2）預測編碼（3）變換編碼空域數據經正交轉換到另一個變換域（頻率域），然后對系數進行編碼處理第八章圖像壓縮8.1圖像壓縮基礎8.2常見的壓縮編碼技術8.3小結8.2.1霍夫曼編碼1.算法原理根據符號的出現概率構建一棵二叉樹：出現概率越高的符號離根節(jié)點越近，出現概率越低的符號離根節(jié)點越遠。每個葉子節(jié)點，構建一個編碼，由從根節(jié)點到該葉子節(jié)點的路徑上的所有邊構成。出現概率高的符號就用較短的編碼表示，出現概率低的符號則需要較長的編碼表示。(1925-1999)個人成就：（1）霍夫曼編碼,

（2）霍夫曼算法，二叉最優(yōu)搜索樹算法效率最高,

是動態(tài)規(guī)劃的一個范例（3）獲得計算機先驅獎,

IEEE的McDowell獎（4）加州大學的SantaCruz分校計算機科學系的創(chuàng)始人無損編碼8.2.1霍夫曼編碼1.算法原理在圖像壓縮中，圖像由若干個像素值組成，統(tǒng)計每個像素值的出現頻率，將其轉化為概率分布。根據概率分布構建霍夫曼樹，得到每個像素值的哈夫曼編碼。將每個像素值替換成對應的哈夫曼編碼，即可實現對圖像的壓縮。8.2.1霍夫曼編碼2.算法步驟（1）統(tǒng)計像素值出現的頻率：統(tǒng)計每個像素值出現的次數。（2）根據頻率建立哈夫曼樹：使用像素值出現的頻率作為權值，建立哈夫曼樹。（3）對每個像素值進行編碼：從哈夫曼樹根節(jié)點向下遍歷，可設定左子樹編碼為0，右子樹編碼為1，直到葉子節(jié)點。（4）生成編碼表：將每個像素值對應的編碼保存到編碼表中。（5）壓縮圖像：根據編碼表將像素值轉換為對應的哈夫曼編碼，拼接起來，得到壓縮后數據。（6）存儲壓縮數據：將壓縮后的數據保存到文件中，同時保存編碼表。（7）解壓縮：

讀取壓縮數據和編碼表，根據編碼表轉換為像素值，將所有像素值拼接得到解壓縮圖像。8.2.1霍夫曼編碼3.具體實現（1）統(tǒng)計各符號出現概率，并由大到小排隊。（2）編碼：從最小概率的兩符號開始，選其中一個支路為0，另一支路為1。（3）將已編碼的兩支路的概率合并，并重新排隊.（4）多次重復使用上述方法，直至合并概率歸一時為止。8.2.1霍夫曼編碼4.

Python實現編碼之后的圖像數據量與原始圖像數據量之比為0.9968.2.2算術編碼1.算法原理將區(qū)間[0,1）連續(xù)劃分成多個子區(qū)間，每個字符區(qū)間代表一個字符，區(qū)間大小與這個字符出現的概率成正比。消息越長，編碼表示它的間隔就越小，表示這一間隔所需的二進制位就越多。在保留字符排列順序的同時，對于更高頻出現的字符，賦予更大的小數區(qū)間。無損編碼8.2.2算術編碼2.算法步驟（1）以二進制的方式讀取文件，計算出文件中不同字節(jié)的頻數和累計頻數；（2）按照不同字節(jié)出現的頻率，將[0,1)區(qū)間劃分成若干個子區(qū)間，每個子區(qū)間代表一個上述字節(jié)，區(qū)間的大小正比于這個字節(jié)出現的頻率，且所有的子區(qū)間加起來正好是[0,1)；（3）編碼從初始區(qū)間[0,1)開始，不斷讀入原始數據的字符，每讀入一個信號，找到該字符所在區(qū)間，然后把該區(qū)間作為新的區(qū)間間隔，然后按照字符出現的頻率將字符等比例的縮小到最新得到的間隔中；（4）在最新的區(qū)間中重復步驟（3），繼續(xù)將該區(qū)間進行劃分，不斷重復這個過程，直到最后信號中的信源信號全部讀完為止，最后將得到的區(qū)間中任意一個小數以二進制形式輸出即得到編碼的數據。8.2.2算術編碼3.算法實現假設存在四種信源信號分別為A、B、C、D，概率分別為：0.2、0.3、0.4和0.1。對字符串ACBD進行算術編碼的過程：8.2.2算術編碼4.解碼算法假設存在四種信源信號分別為A、B、C、D，概率分別為：0.2、0.3、0.4和0.1。根據編碼值0.154判斷其所在的原始區(qū)間在[0,0.2)內，可以得到其首位字符為A；按照信源信號概率分布進一步劃定“新的區(qū)間”，并判斷編碼值落在“新的區(qū)間”中的位置，得到第二位字符；重復以上步驟，直到編碼長度達到要求為止。如果編碼長度不限制的話，可以一直編碼下去，可以無損還原出原始信息。8.2.2算術編碼5.

Python實現顯示壓縮比為0.7388.2.3行程編碼1.算法原理又稱游程編碼、變動長度編碼或行程長度編碼等，是一種統(tǒng)計編碼。在數據圖像的編碼中尋找連續(xù)的重復數值，并用出現次數和顏色編號取代這些連續(xù)的值。例如，一串字母表示的數據為“aaaaabbcccddddccddbb”，

經過行程編碼處理后可表示為“5a2b3c4d2c2d2b”。8.2.3行程編碼1.算法原理數字圖像而言，同一幅圖像某些連續(xù)的區(qū)域顏色相同，即圖像中，同一掃描行中許多連續(xù)的像素都具有同樣的顏色值。只要存儲像素的顏色值、相同顏色像素的位置以及相同顏色的像素數目即可，把具有相同灰度值（顏色值）的相連像素序列稱為一個行程。8.2.3行程編碼2.算法分類行程編碼分為：定長行程編碼和變長行程編碼兩種。（1）定長行程編碼：編碼的行程所使用的二進制位數固定。如果灰度連續(xù)相等的像素個數超過了固定二進制位數所能表示的最值，則進行下一輪行程編碼。（2）變長行程編碼：對不同范圍的行程使用不同位數的二進制位數進行編碼，需要增加標志位來表明所使用的二進制位數。8.2.3行程編碼（RunLengthEncoding，RLE)3.算法特點相當直觀和經濟，運算簡單，解壓縮速度很快。譯碼規(guī)則與編碼時相同，還原后得到的數據與壓縮前的數據完全相同。RLE所能獲得的壓縮比有多大，取決于圖像本身的特點。RLE一般不直接應用于顏色豐富的自然圖像（多灰度圖像），但適合于二值圖像的編碼。無損編碼8.2.3行程編碼（RunLengthEncoding，RLE)3.算法特點有時行程編碼與其他一些編碼方法混合使用。8.2.3行程編碼（RunLengthEncoding，RLE)5.算法缺點缺點：（1）對傳輸差錯很敏感，如果其中一位符號發(fā)生錯誤，就會影響整個編碼序列的正確性，使行程編碼無法還原回原始數據，一般要用行同步、列同步的方法，把差錯控制在一行一列之內。（2）像ABCDBACADB使用這種算法文件會增大，就是1A1B1C1D1B1A1C1A1D1B了，達不到壓縮的效果。8.2.3行程編碼（RunLengthEncoding，RLE)6.算法實現壓縮比為0.50478.2.4小波圖像編碼1.子帶編碼小波變換在20世紀90年代初期已較成熟8.2.4小波圖像編碼S.Mallat于1988年提出了多分辨率分析的概念，從空間上形象地說明了小波的多分辨率的特性，提出了正交小波的構造方法和快速算法，稱為Mallat算法。1.多分辨率編碼8.2.4小波圖像編碼1.多分辨率編碼8.2.4小波圖像編碼2.小波圖像編碼小波變換符號編碼器符號解碼器小波反變換量化器壓縮后圖像解碼后圖像原圖像（1）對圖像進行多級小波分解，得到相應的小波系數；（2）對每層小波系數進行量化，得到量化系數對象；（3）對量化后的系數對象進行編碼，得到壓縮結果。第八章圖像壓縮8.1圖像壓縮基礎8.2常見的壓縮編碼技術8.3小結8.3.1編碼技術發(fā)展數字圖像和視頻壓縮編碼解碼技術和芯片，廣泛應用于數碼相機、數字電視、多媒體移動通訊等領域。但其核心技術、芯片和有關標準長期掌握在少數發(fā)達國家手里。2003年10月，我國第一片具有完全自主知識產權的數字圖像與視頻壓縮編碼解碼芯片在湖南中芯數字技術有限公司誕生，這標志著西方少數國家壟斷該技術和核心芯片的時代已經結束，對發(fā)展我國的高清晰電視以及數字圖像傳輸等視頻產業(yè)有著重大意義。中芯公司研制的“中國芯”，除了擁有完全原創(chuàng)自主知識產權外，其表現已超過了當時西方國家的最新壓縮技術標準JPEG2000的性能，技術性能指標在當時也達到了國外同類產品的領先水平。8.3.1編碼技術發(fā)展2002年6月，原信息產業(yè)部批準成立數字音視頻編解碼技術標準工作組（AVS工作組），旨在打破國際專利對我國音視頻產業(yè)發(fā)展的制約，滿足我國在信息產業(yè)方面的需求。AVS工作組已主導制定了一系列視頻壓縮編碼標準——AVS1、AVS+、AVS2和AVS3。2021年發(fā)布的AVS3是面向4K/8K超高清應用的編碼標準，編碼效率比前一代標準高一倍左右，是國際上第一個正式發(fā)布的同類標準。AVS3將為新興的5G媒體應用、虛擬現實媒體等提供技術規(guī)范，在未來五到十年中引領8K超高清、VR視頻產業(yè)的發(fā)展。8.3.1編碼技術發(fā)展數字圖像處理課程內容入門認識第8章圖像壓縮第7章圖像分割基本操作應用第9章圖像水印第10章指紋識別第11章深度學習綜合案例第九章圖像水印技術9.1數字水印概念9.2空域數字水印算法9.3頻域數字水印技術9.4水印技術發(fā)展現狀卡登格子隱藏法王先生：

來信收到，你的盛情真是難以報答，我已經在昨天抵達廣州，秋雨連綿，每天需要備傘一把方能上街，苦矣，大約本月中旬我才能返回，屆時再見。情報在雨把傘中蘆花叢中一扁舟，俊杰俄從此地游。義士若能知此理，反躬難逃可無憂。藏頭詩9.1.1信息隱藏技術1.概念9.1.1信息隱藏技術信息隱藏在多媒體數據中，有必要嗎？9.1.1信息隱藏技術信息隱藏在多媒體數據中，有可能嗎？9.1.1信息隱藏技術2.模型空(時)域變換域盲隱藏非盲隱藏隱寫術數字水印文本圖像聲音視頻密鑰分類對稱隱藏公鑰隱藏嵌入域提取要求載體類型保護對象9.1.1信息隱藏技術3.分類9.1.1信息隱藏技術4.用途9.1.1信息隱藏技術被衛(wèi)星收集的蘇聯戰(zhàn)略轟炸機載體圖像機密信息隱蔽分發(fā)9.1.1信息隱藏技術版權保護-跟蹤9.1.1信息隱藏技術版權保護-認證和篡改檢測公元前440年出現用頭發(fā)掩蓋信息的方法將信函隱藏在信使的鞋底、衣服皺褶，婦女頭飾、首飾中在信函中改變字母筆畫的高度，或在字母上（下）面挖非常小的孔17世紀的無形墨水：在特定的字母上制作非常小的斑點19世紀的微縮膠片化學方式實現的高級隱寫術（用筆蘸淀粉水寫紙上，噴上碘水后顯字）藝術作品中隱寫術（變形夸張的繪畫作品，二戰(zhàn)女鋼琴家慰問演出等）5.發(fā)展9.1.1信息隱藏技術理論發(fā)展：1992年，國際上正式提出信息隱藏的概念；1994年，第一篇關于數字圖像水印的文章發(fā)表；1996年，英國劍橋大學牛頓研究所召開了第一屆信息隱藏學術會議（IH），標志著信息隱藏學的正式誕生。2001年，數字取證與數字水印頂級國際會議IWDW召開（第20屆將于北京2021.11召開）2013年開始，IH和MMSec會議合并成IH&MMSec，并已舉辦9屆（Online,2021.06）9.1.1信息隱藏技術信息隱藏引起了各國政府、大學和研究機構的重視。美國的麻省理工學院、普渡大學、英國的劍橋大學、NEC研究所、IBM研究所都進行了大量研究。在國內，許多高等院校和研究機構進行了深入的研究。從1999年到2019年，已召開15屆全國信息隱藏研討會（CIHW）。9.1.1信息隱藏技術應用技術和軟件：

美國Digimarc公司1995年開發(fā)了水印制作技術，是當時唯一一家擁有這一技術的公司，并在