1.3 数字图像处理的基本内容和基本步骤

数字图像处理（Digital Image Processing）是指应用计算机来合成、变换已有的数字图像，从而产生一种新的效果，并把加工处理后的图像重新输出，这个过程称为数字图像处理，也称之为计算机图像处理（Computer Image Processing）。数字图像处理系统的组成架构如图1-5所示。数字图像处理模块是该系统的核心模块，它的研究水平直接决定该系统的质量。

1.3.1 基本内容

数字图像处理的基本内容包括图像增强、图像复原、图像分割、图像特征提取、图像匹配和图像识别等。

（1）图像增强

图像增强（Image Enhancement）的目的是改善图像质量，突出图像中感兴趣的区域或特征，使图像更加符合人类的视觉效果，从而提高图像判读和识别效果的处理方法。图像增强方法分为两类：一类是空间域处理法；另一类是频域处理法。空间域是直接对图像的像素进行处理，基本上是以灰度映射变换为基础的。空间变换可以看成图像中物体（或像素）空间位置改变，如对图像进行缩放、旋转、平移、镜像翻转等。频域处理法（如傅里叶变换、小波变换、沃尔什变换、离散余弦变换等）将空间域的处理转换为变换域处理，对变换后的系数进行运算，然后再反变换到原来的空间域，得到增强的图像。频域处理不仅可减少计算量，而且可以更有效地进行运算。

（2）图像复原

图像复原（Image Restoration）也是改进图像质量的一种重要技术，主要是利用退化过程的先验知识，去恢复已被退化图像的本来面目。图像的复原和图像的增强存在类似的地方，二者都是为了提高图像的整体质量。但是，图像增强具有主观色彩，根据观看者的喜好或者测量的需求来对图像进行处理，提供所谓的视觉效果好的图像；而图像复原技术则是通过去模糊函数去除图像中的模糊部分，还原图像的本真。图像复原的基本思路是先建立退化的数学模型，然后利用该模型对退化图像进行拟合。

（3）图像分割

图像分割（Image Segmentation）是根据灰度、颜色、纹理和形状等特征把图像划分为有意义的若干区域或部分。图像分割是进行图像识别、分析和理解的基础。常用的分割方法有阈值法、区域生长法、边缘检测法、聚类方法、基于图论的方法等。图像分割是图像分析的关键步骤，也是图像处理技术中最古老的和最困难的问题之一。近年来，许多研究人员致力于图像分割方法的研究，但是到目前为止还没有一种普遍适用于各种图像的有效方法，也没有用来判断分割是否成功的客观标准。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。分割技术未来发展的趋势是除了研究新理论和新方法外还要实现多特征融合、多分割算法的融合。

（4）图像特征提取

图像特征既包括图像承载的自然目标及背景材质的反射和吸热特性，各组成部分表面的光滑与粗糙程度，各组成部分的形状、结构和纹理等特征在图像上的表象，也包括人们为了便于对图像进行分析而定义的属性和统计特征。图像特征提取是图像目标识别的基础。

（5）图像匹配

图像匹配是通过对影像内容、特征、结构、关系、纹理及灰度等对应关系以及相似性和一致性的分析，寻求相似影像目标的方法。图像匹配主要可分为基于灰度相关的模板匹配方法、基于变换域的模板匹配方法和基于特征相关的模板匹配方法。基于灰度相关的模板匹配是基于像素的，基于变换域的模板匹配方法是基于变换域特征的，基于特征相关的模板匹配方法则是基于区域的，特征相关匹配在考虑像素灰度的同时还应考虑诸如空间整体特征、空间关系等因素。

（6）图像识别

图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。图像识别问题的数学本质属于模式空间到类别空间的映射问题。图像识别是以图像的主要特征为基础的。图像经过某些预处理（增强、复原）后，进行图像分割和特征提取，从而进行判决分类。目前主要的识别方法有：统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别等。

1.3.2 基本步骤

针对图像检测问题，通常要按照图像获取、图像预处理、图像分割、图像特征提取、图像分类与识别的步骤进行数字图像处理，如图1-6所示。当然上述各处理步骤的处理方法要根据实际需求来选择，且有些检测问题可以省略其中的一些步骤。

图像获取是指通过对图像采集方案的设计（包括相机、光源、镜头等硬件的选择），搭建合适的图像采集系统，最终获得满意的、能够用于后续处理和检测识别的高质量图像。该部分内容将在本书的第2章进行介绍。

图像预处理主要是对采集到的图像进行去噪、增强、变换等一系列的操作，其主要目的是根据检测需求来增强感兴趣的目标信息。本书的第3章至第6章均涉及与图像预处理相关的知识内容。

图像分割主要是利用阈值化、边缘检测等算法将图像的目标分割出来。该部分的内容将在本书的第7章进行介绍。

图像特征提取主要包括颜色特征、几何特征和纹理特征的提取，其主要目的是提取出能够表征检测目标的特征信息，用于目标的分类和识别。该部分内容将在本书的第8章进行介绍。

图像分类与识别是利用图像匹配技术、聚类分析、神经网络等模式识别方法对图像目标进行分类和识别，得到最终的检测结果。该部分内容将在第9章和第10章中讲述。

在掌握了一定数字图像处理的方法和处理步骤之后，就可以对实际工程问题进行分析和求解了。本书的第11章至第15章介绍了多个工程应用案例，从不同的实际需求出发，详细剖析了图像处理实际工程问题的设计思路、处理步骤和实现过程。