计算机视觉|视频图像的预处理

欢迎点击「算法与编程之美」↑关注我们！

本文首发于微信公众号："算法与编程之美"，欢迎关注，及时了解更多此系列文章。

1、图像预处理的意义

在分析图像问题时，由于环境和拍摄自身因素影响，使得在需要处的图像存在一定的问题，同时由于操作的要求，需要对图像进行一定的转换，所以，在处理图像之前，要对图像做出预处理，方便后期操作。

2、图像预处理的主要方面

2.1图像灰度化

图像灰度化的原理就是在RGB模型中，假定三个通道的值相等，然后用统一的灰度值表征该点的色彩信息，灰度值的范围是0到255。

图像灰度化的方法主要有平均值法、加权平均法和最大值法三种，由于平均值法和最大值法在灰度化时的效果较加权平均法效果较差，所以这里主要介绍加权平均法。

实际中加权平均法RGB灰度化的公式为：        

以上公式中表示三个通道的权值，且三者之和为1。

根据YUV颜色空间和RGB颜色空间的转换关系，确定各权值分别为0.3008、0.5958、0.1133时，简化公式如下：

下面是图像灰度化前后的对比：

                  图2.1                            图2.2

2.2图像去噪声：

在摄像机拍摄图像时，由于环境中光线、镜头表面灰尘以及传输信号问题的影响，不可避免的会存在一些噪声，这些噪声对图像处理既有直接影响，因此，去噪的操作对图像处理必不可少。

图像噪声主要包括两类，一类是椒盐噪声，即由图像传感器、传输通道以及解码操作等环节产生的亮暗点噪声，它们的幅值基本相同且分布较为随机；第二类是高斯噪声，这类噪声的幅度服从高斯分布。

图像过滤噪声，一般有空间域滤波、频率域滤波以及形态学运算等等。空间域滤波是指直接通过原图像中像素点的灰度值进行数据运算去除噪声的方法,常见的空间域滤波方法主要有均值滤波、中值滤波、高斯低通滤波等；频率域滤波则是指将图像从空间域转换到频率域，通过处理相关变换系数去除噪声的方法，其主要方法有傅里叶变换、余弦变换、小波变换等；而形态学运算则是利用形态学的开、闭运算去除噪声的方法。下面主要介绍中指滤波。

中值滤波的本质就是一种基于统计排序理论的非线性滤波法，其基本原理就是将图像中以某像素点为中心的窗口范围内的所有像素点的灰度值(包括该中心像素点)进行排序,然后将灰度序列的中间值赋给该中心像素点。与其他线性滤波考量每个像素不同，中值滤波会忽略那些相对邻域(此处设为n*n窗口)内大部分像素点而言,亮度偏暗或偏亮,且所占区域小于总像素点一半(即n2/2)的像素点的影响,从而有效滤除孤立的噪声点。中值滤波法对于某些类型的随机噪声，如图像扫描噪声等等，具有良好的去噪效果，并且对于滤除噪声同时导致的模糊效应也有较好的克服作用，因而其应用非常广泛。

虽然中值滤波法拥有以上诸多优点，但其也存在容易丢失图像细节的缺陷。对此，我们亦可采用基于个数的中值滤波法加以改善。基于个数的中值滤波法实质就是通过设定一阈值T限制邻域内像素点与中心像素点灰度差绝对值的范围，从而将含噪图像中的像素点的属性划分为平坦区域、图像边缘以及噪点这三类。以3*3大小的窗口为例，假设中心像素点的8邻域中，与中心像素点灰度差分的绝对值大于阈值T的相邻像素点的个数为m，则当m≤2时,该中心像素点为平坦区域点;当2