《数字图象处理》第三章 图象的平滑（去噪声）、锐化

第3章图象的平滑(去噪声)、锐化 3.1平滑 先举个例子说明一下什么是平滑( smoothing),如下面两幅图所示:可以看到,图3.2比图3.1 柔和一些(也模糊一些)。是不是觉得很神奇?其实实现起来很简单。我们将原图中的每一点 的灰度和它周围八个点的灰度相加,然后除以9,作为新图中对应点的灰度,就能实现上面 的效果 图31原图 图3.2经过平滑处理后的图 这么做并非瞎蒙,而是有其道理的。大概想一想,也很容易明白。举个例子,就象和面一样, 先在中间加点水,然后不断把周围的面和进来,搅拌几次,面就均匀了。 用信号处理的理论来解释,这种做法实现的是一种简单的低通滤波器( ow pass filter)。哇 好深奧呀!不要紧,这些理论的内容并不多,而且知道一些理论也是很有好处的。在灰度连 续变化的图象中,如果出现了与相邻象素的灰度相差很大的点,比如说一片暗区中突然出现 了一个亮点,人眼能很容易觉察到。就象看老电影时,由于胶片太旧,屏幕上经常会出现 些亮斑。这种情况被认为是一种噪声。灰度突变在频域中代表了一种高频分量,低通滤波器 的作用就是滤掉高频分量,从而达到减少图象噪声的目的。 为了方便地叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加,然后除 以9,作为新图中对应点的灰度”这一操作,我们采用如下的表示方法: 这种表示方法有点象矩阵,我们称其为模板 template)中间的黑点表示中心元素,即,用 哪个元素做为处理后的元素。例如[2.1表示将自身的2倍加上右边的元素作为新值,而[21] 表示将自身加上左边元素的2倍作为新值

第 3 章 图象的平滑(去噪声)、锐化 3.1 平滑 先举个例子说明一下什么是平滑(smoothing)，如下面两幅图所示：可以看到，图 3.2 比图 3.1 柔和一些(也模糊一些)。是不是觉得很神奇？其实实现起来很简单。我们将原图中的每一点 的灰度和它周围八个点的灰度相加，然后除以 9，作为新图中对应点的灰度，就能实现上面 的效果。 图 3.1 原图 图 3.2 经过平滑处理后的图 这么做并非瞎蒙，而是有其道理的。大概想一想，也很容易明白。举个例子，就象和面一样， 先在中间加点水，然后不断把周围的面和进来，搅拌几次，面就均匀了。 用信号处理的理论来解释，这种做法实现的是一种简单的低通滤波器(low pass filter)。哇， 好深奥呀！不要紧，这些理论的内容并不多，而且知道一些理论也是很有好处的。在灰度连 续变化的图象中，如果出现了与相邻象素的灰度相差很大的点，比如说一片暗区中突然出现 了一个亮点，人眼能很容易觉察到。就象看老电影时，由于胶片太旧，屏幕上经常会出现一 些亮斑。这种情况被认为是一种噪声。灰度突变在频域中代表了一种高频分量，低通滤波器 的作用就是滤掉高频分量，从而达到减少图象噪声的目的。 为了方便地叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加，然后除 以 9，作为新图中对应点的灰度”这一操作，我们采用如下的表示方法： (3.1) 这种表示方法有点象矩阵，我们称其为模板(template)。中间的黑点表示中心元素，即，用 哪个元素做为处理后的元素。例如[2. 1]表示将自身的 2 倍加上右边的元素作为新值，而[2 1.] 表示将自身加上左边元素的 2 倍作为新值

通常,模板不允许移出边界,所以结果图象会比原图小,例如模板是[01,原图是 3333x 22222 5555x 33333 7777x 经过模板操作后的图象为 [Xx xx对」:其中数字代表灰度,x 表示边界上无法进行模板操作的点,通常的做法是复制原图的灰度,不进行任何处理。 模板操作实现了一种邻域运算( Neighborhood Operation),即某个象素点的结果灰度不仅和该 象素灰度有关,而且和其邻域点的值有关。在以后介绍的细化算法中,我们还将接触到邻域 运算。模板运算的数学涵义是一种卷积(或互相关)运算,你不需要知道卷积的确切含义,只 要有这么一个概念就可以了。 模板运算在图象处理中经常要用到,可以看出,它是一项非常耗时的运算。以 21 16 为例,每个象素完成一次模板操作要用9个乘法、8个加法、1个除法。对于一幅n×n(宽 度×高度)的图象,就是9m2个乘法,8n2个加法和m2个除法,算法复杂度为O(m),这对于 大图象来说,是非常可怕的。所以,一般常用的模板并不大,如3×3,4×4。有很多专用 的图象处理系统,用硬件来完成模板运算,大大提高了速度。另外,可以设法将二维模板运 算转换成一维模板运算,对速度的提高也是非常可观的。例如,(3.2)式可以分解成一个水平 模板和一个垂直模板,即 16 4 16 12 我们来验证一下 X 设图象为5666,经过(32)式处理后变为[xx少 4645 4.564.56 ,经过(33)式处 X 3.06 x4.564.56x 理后变为[xxx对,两者完全一样。如果计算时不考虑周围一圈的象素,前者 做了4×(9个乘法,8个加法,1个除法),共36个乘法,32个加法,4个除法:后者做了4

通常，模板不允许移出边界，所以结果图象会比原图小，例如模板是 ，原图是 ，经过模板操作后的图象为 ；其中数字代表灰度，x 表示边界上无法进行模板操作的点，通常的做法是复制原图的灰度，不进行任何处理。 模板操作实现了一种邻域运算(Neighborhood Operation)，即某个象素点的结果灰度不仅和该 象素灰度有关，而且和其邻域点的值有关。在以后介绍的细化算法中，我们还将接触到邻域 运算。模板运算的数学涵义是一种卷积(或互相关)运算，你不需要知道卷积的确切含义，只 要有这么一个概念就可以了。 模板运算在图象处理中经常要用到，可以看出，它是一项非常耗时的运算。以 (3.2) 为例，每个象素完成一次模板操作要用 9 个乘法、8 个加法、1 个除法。对于一幅 n×n(宽 度×高度)的图象，就是 9n2 个乘法，8n2 个加法和 n 2 个除法，算法复杂度为 O(n2 )，这对于 大图象来说，是非常可怕的。所以，一般常用的模板并不大，如 3×3，4×4。有很多专用 的图象处理系统，用硬件来完成模板运算，大大提高了速度。另外，可以设法将二维模板运 算转换成一维模板运算，对速度的提高也是非常可观的。例如，(3.2)式可以分解成一个水平 模板和一个垂直模板，即， = × = (3.3) 我们来验证一下。 设图象为 ，经过(3.2)式处理后变为 ，经过(3.3)式处 理后变为 ，两者完全一样。如果计算时不考虑周围一圈的象素，前者 做了 4×(9 个乘法，8 个加法，1 个除法)，共 36 个乘法，32 个加法，4 个除法；后者做了 4

×(3个乘法,2个加法)+4×(3个乘法,2个加法)+4个除法,共24个乘法,16个加法,4 个除法,运算简化了不少,如果是大图,效率的提高将是非常客观的。 平滑模板的思想是通过将一点和周围8个点作平均,从而去除突然变化的点,滤掉噪声,其 代价是图象有一定程度的模糊。上面提到的模板(3,1),就是一种平滑模板,称之为Box模 板。Box模板虽然考虑了邻域点的作用,但并没有考虑各点位置的影响,对于所有的9个点 都一视同仁,所以平滑的效果并不理想。实际上我们可以想象,离某点越近的点对该点的影 24.2 响应该越大,为此,我们引入了加权系数,将原来的模板改造成 可以看 出,距离越近的点,加权系数越大 新的模板也是一个常用的平滑模板,称为高斯( Gauss)模板。为什么叫这个名字,这是因为 这个模板是通过采样2维高斯函数得到的。 22221 3233 4645 设图象为 5666 分别用两种平滑模板处理(周围一圈象素直接从原图拷贝)。采用 33.113.223 333.063 44334565 44564565 Box模板的结果为[566 ,采用高斯模板的结果为566 可以看到,原图中出现噪声的区域是第2行第2列和第3行第2列,灰度从2一下子跳到了 6,用Box模板处理后,灰度从3.11跳到4.33:用高斯模板处理后,灰度从3.跳到4.56,都 缓和了跳变的幅度,从这一点上看,两者都达到了平滑的目的。但是,原图中的第3,第4 行总的来说,灰度值是比较高的,经模板1处理后,第3行第2列元素的灰度变成了4.33, 与第3,第4行的总体灰度相比偏小,另外,原图中第3行第2列元素的灰度为6,第3行 第3列元素的灰度为4,变换后,后者4.56反而比前者4.33大了。而采用高斯模板没有出 现这些问题,究其原因,就是因为它考虑了位置的影响 举个实际的例子:下图中,从左到右分别是原图,用高斯模板处理的图,用Boⅹ模板处理 的图,可以看出,采用高斯模板,在实现平滑效果的同时,要比Box模板清晰一些。 在学习锐化后,我们将给出一个通用的3×3模板操作的程序

×(3 个乘法，2 个加法)+4×(3 个乘法，2 个加法)+4 个除法，共 24 个乘法，16 个加法，4 个除法，运算简化了不少，如果是大图，效率的提高将是非常客观的。 平滑模板的思想是通过将一点和周围 8 个点作平均，从而去除突然变化的点，滤掉噪声，其 代价是图象有一定程度的模糊。上面提到的模板(3.1)，就是一种平滑模板，称之为 Box 模 板。Box 模板虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的 9 个点 都一视同仁，所以平滑的效果并不理想。实际上我们可以想象，离某点越近的点对该点的影 响应该越大，为此，我们引入了加权系数，将原来的模板改造成 ，可以看 出，距离越近的点，加权系数越大。 新的模板也是一个常用的平滑模板，称为高斯(Gauss)模板。为什么叫这个名字，这是因为 这个模板是通过采样 2 维高斯函数得到的。 设图象为 ，分别用两种平滑模板处理(周围一圈象素直接从原图拷贝)。采用 Box 模板的结果为 ，采用高斯模板的结果为 。 可以看到，原图中出现噪声的区域是第 2 行第 2 列和第 3 行第 2 列，灰度从 2 一下子跳到了 6，用 Box 模板处理后，灰度从 3.11 跳到 4.33；用高斯模板处理后，灰度从 3.跳到 4.56,都 缓和了跳变的幅度，从这一点上看，两者都达到了平滑的目的。但是，原图中的第 3，第 4 行总的来说，灰度值是比较高的，经模板 1 处理后，第 3 行第 2 列元素的灰度变成了 4.33， 与第 3，第 4 行的总体灰度相比偏小，另外，原图中第 3 行第 2 列元素的灰度为 6，第 3 行 第 3 列元素的灰度为 4，变换后，后者 4.56 反而比前者 4.33 大了。而采用高斯模板没有出 现这些问题，究其原因，就是因为它考虑了位置的影响。 举个实际的例子：下图中，从左到右分别是原图，用高斯模板处理的图，用 Box 模板处理 的图，可以看出，采用高斯模板，在实现平滑效果的同时，要比 Box 模板清晰一些。 在学习锐化后，我们将给出一个通用的 3×3 模板操作的程序

图3.3高斯模板和Box模板的对比图 3中值滤波 中值滤波也是一种典型的低通滤波器,它的目的是保护图象边缘的同时去除噪声。所谓中值 滤波,是指把以某点(xy)为中心的小窗口内的所有象素的灰度按从大到小的顺序排列,将中 间值作为(xy)处的灰度值(若窗口中有偶数个象素,则取两个中间值的平均)。中值滤波是如 何去除噪声的呢?举个例子就很容易明白了。 原图 处理后的图 0000000 00000 0000000 00000 0011100 01 0016100 0011100 0000000 图中数字代表该处的灰度。可以看出原图中间的6和周围的灰度相差很大,是一个噪声点 经过3×1窗口(即水平3个象素取中间值)的中值滤波,得到右边那幅图,可以看出,噪声 点被去除了。 下面将中值滤波和上面介绍的两种平滑模板作个比较,看看中值滤波有什么特点。我们以 维模板为例,只考虑水平方向,大小为3×I(宽x高,。B0x模板为11.1 高斯模 板为4121 先考察第一幅图: 原图 经Box模板处理后经Gaus模板处理后经中值滤波处理后

图 3.3 高斯模板和 Box 模板的对比图 3.2 中值滤波 中值滤波也是一种典型的低通滤波器，它的目的是保护图象边缘的同时去除噪声。所谓中值 滤波，是指把以某点(x,y)为中心的小窗口内的所有象素的灰度按从大到小的顺序排列，将中 间值作为(x,y)处的灰度值(若窗口中有偶数个象素，则取两个中间值的平均)。中值滤波是如 何去除噪声的呢？举个例子就很容易明白了。 原图 处理后的图 图中数字代表该处的灰度。可以看出原图中间的 6 和周围的灰度相差很大，是一个噪声点。 经过 3×1 窗口(即水平 3 个象素取中间值)的中值滤波，得到右边那幅图，可以看出，噪声 点被去除了。 下面将中值滤波和上面介绍的两种平滑模板作个比较，看看中值滤波有什么特点。我们以一 维模板为例，只考虑水平方向，大小为 3×1(宽×高)。Box 模板为 ，高斯模 板为 。 先考察第一幅图： 原图 经 Box 模板处理后 经 Gauss 模板处理后 经中值滤波处理后

12 000111 441001 11211 9339123312 11211 44 12331216161616 44 000111 12 001 44 从原图中不难看出左边区域灰度值低,右边区域灰度值高,中间有一条明显的边界,这一类 图象称之为stepˇ(就象灰度上了个台阶)。应用平滑模板后,图象平滑了,但是也使边界模 糊了。应用中值滤波,就能很好地保持原来的边界。所以说,中值滤波的特点是保护图象边 缘的同时去除噪声 再看第二幅图: 原图 经Box模板处理后经 Gauss模板处理后经中值滤波处理后 000 111 33333 000 9 00000 000 000 111 000 333 不难看出,原图中有很多噪声点(灰度为正代表灰度值高的点,灰度为负代表灰度值低的点 而且是杂乱无章,随机分布的。这也是一类很典型的图,称之为高斯噪声。经过Box平滑, 噪声的程度有所下降。 Gauss模板对付高斯噪声非常有效。而中值滤波对于髙斯噪声则无能 为力。 最后看第三幅图: 原图 经Box模板处理后经 Gauss模板处理后经中值滤波处理后 131413 121021 333 4 4 222 131131 333 121021 131413 2 6 333 4 4 从原图中不难看出,中间的灰度要比两边高许多。这也是一类很典型的图,称之为脉冲 ( impulse)。可见,中值滤波对脉冲噪声非常有效。 综合以上三类图,不难得出下面的结论:中值滤波容易去除孤立点,线的噪声同时保持图象 的边缘:它能很好的去除二值噪声,但对高斯噪声无能为力。要注意的是,当窗口内噪声点 的个数大于窗口宽度的一半时,中值滤波的效果不好。这是很显然的。 下面的程序实现了中值滤波,参数Hori是一个布尔变量,若为真,做水平中值滤波,否则 做垂直中值滤波。 BOOL Median Filter(HWND hWnd, BOOL Hori)

从原图中不难看出左边区域灰度值低，右边区域灰度值高，中间有一条明显的边界,这一类 图象称之为“step”(就象灰度上了个台阶)。应用平滑模板后，图象平滑了，但是也使边界模 糊了。应用中值滤波，就能很好地保持原来的边界。所以说，中值滤波的特点是保护图象边 缘的同时去除噪声。 再看第二幅图： 原图 经 Box 模板处理后 经 Gauss 模板处理后 经中值滤波处理后 不难看出，原图中有很多噪声点(灰度为正代表灰度值高的点，灰度为负代表灰度值低的点)， 而且是杂乱无章，随机分布的。这也是一类很典型的图，称之为高斯噪声。经过 Box 平滑， 噪声的程度有所下降。Gauss 模板对付高斯噪声非常有效。而中值滤波对于高斯噪声则无能 为力。 最后看第三幅图： 原图 经 Box 模板处理后 经 Gauss 模板处理后 经中值滤波处理后 从原图中不难看出，中间的灰度要比两边高许多。这也是一类很典型的图，称之为脉冲 (impulse)。可见，中值滤波对脉冲噪声非常有效。 综合以上三类图，不难得出下面的结论：中值滤波容易去除孤立点，线的噪声同时保持图象 的边缘；它能很好的去除二值噪声，但对高斯噪声无能为力。要注意的是，当窗口内噪声点 的个数大于窗口宽度的一半时，中值滤波的效果不好。这是很显然的。 下面的程序实现了中值滤波，参数 Hori 是一个布尔变量，若为真，做水平中值滤波，否则， 做垂直中值滤波。 BOOL MedianFilter(HWND hWnd,BOOL Hori)

LPBITMAPINFOHEADER Iplmg Data; LPSTR HLOCAL LPBITMAPINFOHEADER Ip Templmg Data; LPSTR Ip TempPtr HDC HFILE g, gl, g2, g3 OrbIts为 BITMAPINFOHEADER结构长度加调色板的大小 OffBits-bf. bfOffBits-sizeof(BITMAPFILEHEADER) BufSize- OffBits+bi. biHeight *LineBytes,∥要开的缓冲区的大小 if((hTemplmg Alloc(LHND, BufSize))==NULL) Message Box(hWnd, Error alloc memory! " " Error Message", MB OK MB ICONEXCLAMATION) return False lplmg Data=(LPBITMAPINFOHEADER)GlobalLock(hlmg Data) lpTemplmg Data(LPBITMAPINFOHEADER)LocalLock(hTemplmg Data ∥拷贝头信息及位图数据 Dy(lp Templmg Data, lplmg Data, BufSize); ∥/注意边界点不处理,所以y从1到高度-2,x类似 for(y=l; y<bi. biHeight-l; y++) for(x=l; x<bi. biWidth-1; x++) lpPtr=(char *)lplmg Data+( BufSsize-LineBytes-y*Line Bytes)+x; BufSize-LineBytes-y*Line Bytes)+x; g2=(unsigned char)*(IpPtr) if(Hori){∥水平方向 gl=( unsigned char)( (pPtr-1);∥左邻点 g3=( unsigned char)*( (pPtr+1);∥右邻点 else{∥垂直方向 gl= unsigned char))*( lpPtr-+ Line Bytes;∥上邻点 g3=( unsigned char)(pPr- Line Bytes),∥下邻点

{ DWORD OffBits,BufSize; LPBITMAPINFOHEADER lpImgData; LPSTR lpPtr; HLOCAL hTempImgData; LPBITMAPINFOHEADER lpTempImgData; LPSTR lpTempPtr; HDC hDc; HFILE hf; LONG x,y; int g,g1,g2,g3; //OffBits 为 BITMAPINFOHEADER 结构长度加调色板的大小 OffBits=bf.bfOffBits-sizeof(BITMAPFILEHEADER); BufSize=OffBits+bi.biHeight*LineBytes;//要开的缓冲区的大小 if((hTempImgData=LocalAlloc(LHND,BufSize))==NULL) { MessageBox(hWnd,"Error alloc memory!","Error Message",MB_OK| MB_ICONEXCLAMATION); return FALSE; } lpImgData=(LPBITMAPINFOHEADER)GlobalLock(hImgData); lpTempImgData=(LPBITMAPINFOHEADER)LocalLock(hTempImgData); //拷贝头信息及位图数据 memcpy(lpTempImgData,lpImgData,BufSize); //注意边界点不处理，所以 y 从 1 到高度-2，x 类似 for(y=1;y<bi.biHeight-1;y++) for(x=1;x<bi.biWidth-1;x++){ lpPtr=(char *)lpImgData+(BufSize-LineBytes-y*LineBytes)+x; lpTempPtr=(char*)lpTempImgData+ (BufSize-LineBytes-y*LineBytes)+x; g2=(unsigned char)*(lpPtr); if(Hori){ //水平方向 g1=(unsigned char)*(lpPtr-1); //左邻点 g3=(unsigned char)*(lpPtr+1); //右邻点 } else{ //垂直方向 g1=(unsigned char)*(lpPtr+LineBytes); //上邻点 g3=(unsigned char)*(lpPtr-LineBytes); //下邻点

∥三者取中 if(g1>g2){ if(g2>g3)g=g2 if(g1>g3)g=g3 else g=g else( glg3)g=gl if(g2>g3)= else g=g IpTempPtr=(BYTE)g,∥入新的缓冲区内 hDc=GetDC(h Wnd) if(hBitmap!=NULL) DeleteObject(hBitmap); ∥产生新的位图 hBitmap=CreateDI Bitmap(hDc, (LPBITMAPINFOHEADER)IpTemplmg Data, (LONG)CBM INIT (LPSTR)Ip TemplmgData+ sizeof( BITMAPINFOHEADER)+ Num Colors*sizeof(RGBQUAD) (LPBITMAPINFO)Ip TemplmgData DIB RGB COLORS) if(Hori)∥取不同的结果文件名 hf- creat("c: \ median. bmp",0) hf- Creat("c: llvmedian bmp",0) Iwrite(hf, (LPSTR)&bf, sizeof( BITMAPFILEHEADER)) Iwrite(hf, (LPSTR)IpTemplmg Data, BufSize) Iclose(hf) ∥释放内存及资源 ReleaseD(hWnd, hDc)

} //三者取中 if(g1>g2){ if(g2>g3) g=g2; else{ if(g1>g3) g=g3; else g=g1; } } else{ //g1g3) g=g1; else{ if(g2>g3) g=g3; else g=g2; } } *lpTempPtr=(BYTE)g; //存入新的缓冲区内 } hDc=GetDC(hWnd); if(hBitmap!=NULL) DeleteObject(hBitmap); //产生新的位图 hBitmap=CreateDIBitmap(hDc,(LPBITMAPINFOHEADER)lpTempImgData, (LONG)CBM_INIT, (LPSTR)lpTempImgData+ sizeof(BITMAPINFOHEADER)+ NumColors*sizeof(RGBQUAD), (LPBITMAPINFO)lpTempImgData, DIB_RGB_COLORS); if(Hori) //取不同的结果文件名 hf=_lcreat("c:\\hmedian.bmp",0); else hf=_lcreat("c:\\vmedian.bmp",0); _lwrite(hf,(LPSTR)&bf,sizeof(BITMAPFILEHEADER)); _lwrite(hf,(LPSTR)lpTempImgData,BufSize); _lclose(hf); //释放内存及资源 ReleaseDC(hWnd,hDc);

LocalUnlock(hTemplmg Data) LocalFree(hTemplmg Data) GlobalUnlock(hImg Data) return TRUE. 33锐化 锐化( sharpening)和平滑恰恰相反,它是通过增强高频分量来减少图象中的模糊,因此又称 为高通滤波( high pass filter)。锐化处理在增强图象边缘的同时增加了图象的噪声 常用的锐化模板是拉普拉斯( Laplacian模板(见(3.4)式),又是个数学家的名字,可见学好数 学,走遍天下都不怕。 容易看出拉普拉斯模板的作法:先将自身与周围的8个象素相减,表示自身与周围象素的差 别:再将这个差别加上自身作为新象素的灰度。可见,如果一片暗区出现了一个亮点,那 锐化处理的结果是这个亮点变得更亮,增加了图象的噪声。 因为图象中的边缘就是那些灰度发生跳变的区域,所以锐化模板在边缘检测中很有用,这 点将在后面详细介绍。 图3.1经过拉普拉斯模板处理后,如图3.4所示 图34锐化 下面给出的程序是一个通用的3×3模板的函数,其中第二参数为模板类型,为如下定义的 常量 # define TEMPLATE SMOOTH BOX1Box平滑模板 # define TEMPLatE SMOOTH GaUSS2/高斯平滑模板 # define TEMPLatE Sharpen LaPlaCian3∥拉普拉斯锐化模板 对应的模板数组如下

LocalUnlock(hTempImgData); LocalFree(hTempImgData); GlobalUnlock(hImgData); return TRUE; } 3.3 锐化 锐化(sharpening)和平滑恰恰相反，它是通过增强高频分量来减少图象中的模糊，因此又称 为高通滤波(high pass filter)。锐化处理在增强图象边缘的同时增加了图象的噪声。 常用的锐化模板是拉普拉斯(Laplacian)模板(见(3.4)式)，又是个数学家的名字，可见学好数 学，走遍天下都不怕。 (3.4) 容易看出拉普拉斯模板的作法：先将自身与周围的 8 个象素相减，表示自身与周围象素的差 别；再将这个差别加上自身作为新象素的灰度。可见，如果一片暗区出现了一个亮点，那么 锐化处理的结果是这个亮点变得更亮，增加了图象的噪声。 因为图象中的边缘就是那些灰度发生跳变的区域，所以锐化模板在边缘检测中很有用，这一 点将在后面详细介绍。 图 3.1 经过拉普拉斯模板处理后，如图 3.4 所示 图 3.4 锐化 下面给出的程序是一个通用的 3×3 模板的函数，其中第二参数为模板类型，为如下定义的 常量： #define TEMPLATE_SMOOTH_BOX 1 //Box 平滑模板 #define TEMPLATE_SMOOTH_GAUSS 2 //高斯平滑模板 #define TEMPLATE_SHARPEN_LAPLACIAN 3 //拉普拉斯锐化模板 对应的模板数组如下

int Template Smooth Box 9=(,l,l, l,l, 1,1,1, 1y int Template Smooth Gauss[ 9]=(1, 2, 1, 2, 4, 2, 1, 2, 13 int Template Sharpen Laplacian[9]=(-1, -1, -1,-1, 9, -1,-1-1,-1: 以后我们碰到其它的模板,仍然要用这个函数,所做的操作只是增加一个常量标识,及其对 应的模板数组 要注意的是,运算后如果出现了大于255或者小于0的点,称为溢出,溢出点的处理通常是 截断,即大于255时,令其等于255:小于0时,取其绝对值 这段程序和前几章介绍的代码许多地方是很相似的,所以注释简单一些。程序中并没有用到 那种分解成两个一维模板的快速算法,你如果有兴趣,可以自己编着试试 BOOL Template Operation(HWND hWnd, int Template Type) OftBits bufs LPBITMAPINFOHEADER Iplmg, LPSTR HLOCAL hTemplmgData; LPBITMAPINFOHEADER IpTemplmgData hD HFILE float oef,∥模板前面所乘的系数 CoefArrayl9;∥模板数组 float TempI switch( Template Type){∥判断模板类型 case TEMPLatE SMooth boX:∥Box平滑模板 Coef Array, T Smooth Box, 9*sizeof(int)); cpy(filename, c: mbox. bmp") break. case TEMPLATE SMOOTH GAUSS:∥高斯平滑模板 coef=(float(1.0/16.0 memcpy( CoefArray, Template Smooth Gauss, 9*sizeof(int)); cpy(filename, c: IIsmgauss bmp"); break. case TEMPLATE SHARPEN LAPLACIAN:∥拉普拉斯锐化模板 memcpy( Coef Array, Template Sharpen Laplacian, 9*sizeof(int)

int Template_Smooth_Box[9]={1,1,1,1,1,1,1,1,1}; int Template_Smooth_Gauss[9]={1,2,1,2,4,2,1,2,1}; int Template_Sharpen_Laplacian[9]={-1,-1,-1,-1,9,-1,-1,-1,-1}; 以后我们碰到其它的模板，仍然要用这个函数，所做的操作只是增加一个常量标识，及其对 应的模板数组。 要注意的是，运算后如果出现了大于 255 或者小于 0 的点，称为溢出，溢出点的处理通常是 截断，即大于 255 时，令其等于 255；小于 0 时，取其绝对值。 这段程序和前几章介绍的代码许多地方是很相似的，所以注释简单一些。程序中并没有用到 那种分解成两个一维模板的快速算法，你如果有兴趣，可以自己编着试试。 BOOL TemplateOperation(HWND hWnd, int TemplateType) { DWORD OffBits,BufSize; LPBITMAPINFOHEADER lpImgData; LPSTR lpPtr; HLOCAL hTempImgData; LPBITMAPINFOHEADER lpTempImgData; LPSTR lpTempPtr; HDC hDc; HFILE hf; LONG x,y; float coef; //模板前面所乘的系数 int CoefArray[9]; //模板数组 float TempNum; char filename[80]; switch(TemplateType){ //判断模板类型 case TEMPLATE_SMOOTH_BOX: //Box 平滑模板 coef=(float)(1.0/9.0); memcpy(CoefArray,Template_Smooth_Box,9*sizeof(int)); strcpy(filename,"c:\\smbox.bmp"); break; case TEMPLATE_SMOOTH_GAUSS: //高斯平滑模板 coef=(float)(1.0/16.0); memcpy(CoefArray,Template_Smooth_Gauss,9*sizeof(int)); strcpy(filename,"c:\\smgauss.bmp"); break; case TEMPLATE_SHARPEN_LAPLACIAN: //拉普拉斯锐化模板 coef=(float)1.0; memcpy(CoefArray,Template_Sharpen_Laplacian,9*sizeof(int));

strcpy (filename, "c: \shlaplac bmp") OffBitsbf. bfoffBits-Sizeof( BITMAPFILEHEADER) BufSize=offBits+ bi. biHeight"Line Bytes if((hTemplmg Data=LocalAlloc(LHND, BufSize))==NULL) Message Box(hWnd, "Error alloc memory! "," Error Message", MB OK MB ICONEXCLAMATION return False Iplmg Data=(LPBITMAPINFOHEADER)GlobalLock(hlmg Data); lpTemplmg Data=(LPBITMAPINFOHEADER)LocalLock(hTemplmg Data IpPtr=(char *)Iplmg Data Ip TempPtr=(char *)IpTemplmg Data; ∥先将原图直接拷贝过来,其实主要是拷贝周围一圈的象素 for(y=ly< bi biweight-ly++)/注意y的范围是从1到bi. biEi ght2 for(x=1;x< bi bi width-1;x+){∥注意x的范围是从1到 bi. biidth-2 IpPtr=(char )Iplmg Data+( BufSize-LineBytes-y*Line Bytes)+x; IpTempPtr(char*)IpTemplmgData+ BufSize-Line Bytes-y*Line Bytes)+x TempNum(float)((unsigned char)*(IpPtr+LineBytes-D))* CoefArraylol TempNum+(float)(unsigned char)*(IpPtr+Line Bytes) CoefArray[1 Temp Num+=(float) ((unsigned char )*(IpPtr+LineBytes+ I)* CoefArray 2 Temp Num+=(float) ((unsigned char)*(IpPtr-1)*CoefArray3] TempNum+=(float)((unsigned char) *IpPtr)*CoefArray[4 TempNum+=(float ((unsigned char )*(IpPtr+1)*CoefArray[5 TempNum+=(float)((unsigned char )*(IpPtr-Line Bytes-1D)) CoefArrayl6 Temp Num+(float )((unsigned char)"(lpPtr-LineBytes))* CoefArray[71 TempNum+=(float ((unsigned char )*(IpPtr-Line Bytes+I))* CoefArrayl 8 ∥最后乘以系数

strcpy(filename,"c:\\shlaplac.bmp"); break; } OffBits=bf.bfOffBits-sizeof(BITMAPFILEHEADER); BufSize=OffBits+bi.biHeight*LineBytes; if((hTempImgData=LocalAlloc(LHND,BufSize))==NULL) { MessageBox(hWnd,"Error alloc memory!","Error Message",MB_OK| MB_ICONEXCLAMATION); return FALSE; } lpImgData=(LPBITMAPINFOHEADER)GlobalLock(hImgData); lpTempImgData=(LPBITMAPINFOHEADER)LocalLock(hTempImgData); lpPtr=(char *)lpImgData; lpTempPtr=(char *)lpTempImgData; //先将原图直接拷贝过来，其实主要是拷贝周围一圈的象素 memcpy(lpTempPtr,lpPtr,BufSize); for(y=1;y<bi.biHeight-1;y++) //注意 y 的范围是从 1 到 bi.biHeight-2 for(x=1;x<bi.biWidth-1;x++){ //注意 x 的范围是从 1 到 bi.biWidth-2 lpPtr=(char *)lpImgData+(BufSize-LineBytes-y*LineBytes)+x; lpTempPtr=(char*)lpTempImgData+ (BufSize-LineBytes-y*LineBytes)+x; TempNum=(float)((unsigned char)*(lpPtr+LineBytes-1))* CoefArray[0]; TempNum+=(float)((unsigned char)*(lpPtr+LineBytes))* CoefArray[1]; TempNum+=(float)((unsigned char)*(lpPtr+LineBytes+1))* CoefArray[2]; TempNum+=(float)((unsigned char)*(lpPtr-1))*CoefArray[3]; TempNum+=(float)((unsigned char)*lpPtr)*CoefArray[4]; TempNum+=(float)((unsigned char)*(lpPtr+1))*CoefArray[5]; TempNum+=(float)((unsigned char)*(lpPtr-LineBytes-1))* CoefArray[6]; TempNum+=(float)((unsigned char)*(lpPtr-LineBytes))* CoefArray[7]; TempNum+=(float)((unsigned char)*(lpPtr-LineBytes+1))* CoefArray[8]; //最后乘以系数