數字圖像處理演算法典型實例
Ⅰ 數字圖像處理的主要方法
數字圖像處理的工具可分為三大類：
第一類包括各種正交變換和圖像濾波等方法，其共同點是將圖像變換到其它域（如頻域）中進行處理（如濾波）後，再變換到原來的空間（域）中。
第二類方法是直接在空間域中處理圖像，它包括各種統計方法、微分方法及其它數學方法。
第三類是數學形態學運算，它不同於常用的頻域和空域的方法，是建立在積分幾何和隨機集合論的基礎上的運算。
由於被處理圖像的數據量非常大且許多運算在本質上是並行的，所以圖像並行處理結構和圖像並行處理演算法也是圖像處理中的主要研究方向。
(1)數字圖像處理演算法典型實例擴展閱讀
1、數字圖像處理包括內容：
圖像數字化；圖像變換；圖像增強；圖像恢復；圖像壓縮編碼；圖像分割；圖像分析與描述；圖像的識別分類。
2、數字圖像處理系統包括部分：
輸入（採集）；存儲；輸出（顯示）；通信；圖像處理與分析。
3、應用
圖像是人類獲取和交換信息的主要來源，因 此，圖像處理的應用領域必然涉及到人類生活和工作的方方面面。隨著人類活動范圍的不斷擴大，圖像處理的應用領域也將隨之不斷擴大。
主要應用於航天和航空、生物醫學工程、通信 工程、工業和工程、軍事公安、文化藝術、機器人視覺、視頻和多媒體系統、科學可視化、電子商務等方面。
Ⅱ java數字圖像處理常用演算法
一 讀取bmp圖片數據
// 獲取待檢測圖像 數據保存在數組 nData[] nB[] nG[] nR[]中
public void getBMPImage(String source) throws Exception { clearNData(); //清除數據保存區 FileInputStream fs = null; try { fs = new FileInputStream(source); int bfLen = ; byte bf[] = new byte[bfLen]; fs read(bf bfLen); // 讀取 位元組BMP文件頭 int biLen = ; byte bi[] = new byte[biLen]; fs read(bi biLen); // 讀取 位元組BMP信息頭
// 源圖寬度 nWidth = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 源圖高度 nHeight = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 位數 nBitCount = (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 源圖大小 int nSizeImage = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 對 位BMP進行解析 if (nBitCount == ){ int nPad = (nSizeImage / nHeight) nWidth * ; nData = new int[nHeight * nWidth]; nB=new int[nHeight * nWidth]; nR=new int[nHeight * nWidth]; nG=new int[nHeight * nWidth];鍵帶 byte bRGB[] = new byte[(nWidth + nPad) * * nHeight]; fs read(bRGB (nWidth + nPad) * * nHeight); int nIndex = ; for (int j = ; j < nHeight; j++){ for (int i = ; i < nWidth; i++) { nData[nWidth * (nHeight j ) + i] = ( & xff) << | (((int) bRGB[nIndex + ] & xff) << ) | (((int) bRGB[nIndex + ] & xff) << ) | (int) bRGB[nIndex] & xff; nB[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex]& xff; nG[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]& xff; nR[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]& xff;稿物蘆 nIndex += ; } nIndex += nPad; }// Toolkit kit = Toolkit getDefaultToolkit();// image = kit createImage(new MemoryImageSource(nWidth nHeight // nData nWidth));
/*螞冊 //調試數據的讀取
FileWriter fw = new FileWriter( C:\Documents and Settings\Administrator\My Documents\nDataRaw txt );//創建新文件 PrintWriter out = new PrintWriter(fw); for(int j= ;j<nHeight;j++){ for(int i= ;i<nWidth;i++){ out print(( * +nData[nWidth * (nHeight j ) + i])+ _ +nR[nWidth * (nHeight j ) + i]+ _ +nG[nWidth * (nHeight j ) + i]+ _ +nB[nWidth * (nHeight j ) + i]+ ); } out println( ); } out close();*/ } } catch (Exception e) { e printStackTrace(); throw new Exception(e); } finally { if (fs != null) { fs close(); } } // return image; }
二由r g b 獲取灰度數組
public int[] getBrightnessData(int rData[] int gData[] int bData[]){ int brightnessData[]=new int[rData length]; if(rData length!=gData length || rData length!=bData length || bData length!=gData length){ return brightnessData; } else { for(int i= ;i<bData length;i++){ double temp= *rData[i]+ *gData[i]+ *bData[i]; brightnessData[i]=(int)(temp)+((temp (int)(temp))> ? : ); } return brightnessData; } }
三 直方圖均衡化
public int [] equilibrateGray(int[] PixelsGray int width int height) { int gray; int length=PixelsGray length; int FrequenceGray[]=new int[length]; int SumGray[]=new int[ ]; int ImageDestination[]=new int[length]; for(int i = ; i <length ;i++) { gray=PixelsGray[i]; FrequenceGray[gray]++; } // 灰度均衡化 SumGray[ ]=FrequenceGray[ ]; for(int i= ;i< ;i++){ SumGray[i]=SumGray[i ]+FrequenceGray[i]; } for(int i= ;i< ;i++) { SumGray[i]=(int)(SumGray[i]* /length); } for(int i= ;i<height;i++) { for(int j= ;j<width;j++) { int k=i*width+j; ImageDestination[k]= xFF | ((SumGray[PixelsGray[k]]<< ) | (SumGray[PixelsGray[k]]<< ) | SumGray[PixelsGray[k]]); } } return ImageDestination; }
四 laplace 階濾波 增強邊緣 圖像銳化
public int[] laplace DFileter(int []data int width int height){ int filterData[]=new int[data length]; int min= ; int max= ; for(int i= ;i<height;i++){ for(int j= ;j<width;j++){ if(i== || i==height || j== || j==width ) filterData[i*width+j]=data[i*width+j]; else filterData[i*width+j]= *data[i*width+j] data[i*width+j ] data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]; if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } }// System out println( max: +max);// System out println( min: +min); for(int i= ;i<width*height;i++){ filterData[i]=(filterData[i] min)* /(max min); } return filterData; }
五 laplace 階增強濾波 增強邊緣 增強系數delt
public int[] laplaceHigh DFileter(int []data int width int height double delt){ int filterData[]=new int[data length]; int min= ; int max= ; for(int i= ;i<height;i++){ for(int j= ;j<width;j++){ if(i== || i==height || j== || j==width ) filterData[i*width+j]=(int)(( +delt)*data[i*width+j]); else filterData[i*width+j]=(int)(( +delt)*data[i*width+j] data[i*width+j ]) data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]; if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i= ;i<width*height;i++){ filterData[i]=(filterData[i] min)* /(max min); } return filterData; } 六 局部閾值處理 值化
// 局部閾值處理 值化 niblack s method /*原理 T(x y)=m(x y) + k*s(x y) 取一個寬度為w的矩形框 (x y)為這個框的中心 統計框內數據 T(x y)為閾值 m(x y)為均值 s(x y)為均方差 k為參數(推薦 )計算出t再對(x y)進行切割 / 這個演算法的優點是 速度快 效果好 缺點是 niblack s method會產生一定的雜訊 */ public int[] localThresholdProcess(int []data int width int height int w int h double coefficients double gate){ int[] processData=new int[data length]; for(int i= ;i<data length;i++){ processData[i]= ; } if(data length!=width*height) return processData; int wNum=width/w; int hNum=height/h; int delt[]=new int[w*h]; //System out println( w; +w+ h: +h+ wNum: +wNum+ hNum: +hNum); for(int j= ;j<hNum;j++){ for(int i= ;i<wNum;i++){ //for(int j= ;j< ;j++){ //for(int i= ;i< ;i++){ for(int n= ;n<h;n++) for(int k= ;k<w;k++){ delt[n*w+k]=data[(j*h+n)*width+i*w+k]; //System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ ); } //System out println(); /* for(int n= ;n<h;n++) for(int k= ;k<w;k++){ System out print( data[ +((j*h+n)*width+i*w+k)+ ]: +data[(j*h+n)*width+i*w+k]+ ); } System out println(); */ delt=thresholdProcess(delt w h coefficients gate); for(int n= ;n<h;n++) for(int k= ;k<w;k++){ processData[(j*h+n)*width+i*w+k]=delt[n*w+k]; // System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ ); } //System out println(); /* for(int n= ;n<h;n++) for(int k= ;k<w;k++){ System out print( processData[ +((j*h+n)*width+i*w+k)+ ]: +processData[(j*h+n)*width+i*w+k]+ ); } System out println(); */ } } return processData; }
七 全局閾值處理 值化
public int[] thresholdProcess(int []data int width int height double coefficients double gate){ int [] processData=new int[data length]; if(data length!=width*height) return processData; else{ double sum= ; double average= ; double variance= ; double threshold; if( gate!= ){ threshold=gate; } else{ for(int i= ;i<width*height;i++){ sum+=data[i]; } average=sum/(width*height); for(int i= ;i<width*height;i++){ variance+=(data[i] average)*(data[i] average); } variance=Math sqrt(variance); threshold=average coefficients*variance; } for(int i= ;i<width*height;i++){ if(data[i]>threshold) processData[i]= ; else processData[i]= ; } return processData; } }
八 垂直邊緣檢測 sobel運算元
public int[] verticleEdgeCheck(int []data int width int height int sobelCoefficients) throws Exception{ int filterData[]=new int[data length]; int min= ; int max= ; if(data length!=width*height) return filterData; try{ for(int i= ;i<height;i++){ for(int j= ;j<width;j++){ if(i== || i== || i==height || i==height ||j== || j== || j==width || j==width ){ filterData[i*width+j]=data[i*width+j]; } else{ double average; //中心的九個像素點 //average=data[i*width+j] Math sqrt( )*data[i*width+j ]+Math sqrt( )*data[i*width+j+ ] average=data[i*width+j] sobelCoefficients*data[i*width+j ]+sobelCoefficients*data[i*width+j+ ] data[(i )*width+j ]+data[(i )*width+j+ ] data[(i+ )*width+j ]+data[(i+ )*width+j+ ]; filterData[i*width+j]=(int)(average); } if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i= ;i<width*height;i++){ filterData[i]=(filterData[i] min)* /(max min); } } catch (Exception e) { e printStackTrace(); throw new Exception(e); } return filterData; }
九 圖像平滑 * 掩模處理（平均處理） 降低雜訊
lishixin/Article/program/Java/hx/201311/26286
Ⅲ 數字圖像處理的基本演算法及要解決的主要問題
圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基於光學理論的處理方法依然佔有重要的地位。
圖像處理是信號處理的子類，另外與計算機科學、人工智慧等領域也有密切的關系。
傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬於二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。
目錄
[隱藏]
* 1 解決方案
* 2 常用的信號處理技術
o 2.1 從一維信號處理擴展來的技術和概念
o 2.2 專用於二維（或更高維）的技術和概念
* 3 典型問題
* 4 應用
* 5 相關相近領域
* 6 參見
[編輯] 解決方案
幾十年前，圖像處理大多數由光學設備在模擬模式下進行。由於這些光學方法本身所具有的並行特性，至今他們仍然在很多應用領域佔有核心地位，例如 全息攝影。但是由於計算機速度的大幅度提高，這些技術正在迅速的被數字圖像處理方法所替代。
從通常意義上講，數字圖像處理技術更加普適、可靠和准確。比起模擬方法，它們也更容易實現。專用的硬體被用於數字圖像處理，例如，基於流水線的計算機體系結構在這方面取得了巨大的商業成功。今天，硬體解決方案被廣泛的用於視頻處理系統，但商業化的圖像處理任務基本上仍以軟體形式實現，運行在通用個人電腦上。
[編輯] 常用的信號處理技術
大多數用於一維信號處理的概念都有其在二維圖像信號領域的延伸，它們中的一部分在二維情形下變得十分復雜。同時圖像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。
圖像處理中常用到快速傅立葉變換，因為它可以減小數據處理量和處理時間。
[編輯] 從一維信號處理擴展來的技術和概念
* 解析度(Image resolution|Resolution)
* 動態范圍(Dynamic range)
* 帶寬(Bandwidth)
* 濾波器設計(Filter (signal processing)|Filtering)
* 微分運算元(Differential operators)
* 邊緣檢測(Edge detection)
* Domain molation
* 降噪(Noise rection)
[編輯] 專用於二維（或更高維）的技術和概念
* 連通性(Connectedness|Connectivity)
* 旋轉不變性(Rotational invariance)
[編輯] 典型問題
* 幾何變換（geometric transformations）：包括放大、縮小、旋轉等。
* 顏色處理（color）：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。
* 圖像合成（image composite）：多個圖像的加、減、組合、拼接。
* 降噪（image denoising）：研究各種針對二維圖像的去噪濾波器或者信號處理技術。
* 邊緣檢測（edge detection）：進行邊緣或者其他局部特徵提取。
* 分割（image segmentation）：依據不同標准，把二維圖像分割成不同區域。
* 圖像製作（image editing）：和計算機圖形學有一定交叉。
* 圖像配准（image registration）：比較或集成不同條件下獲取的圖像。
* 圖像增強（image enhancement）：
* 圖像數字水印（image watermarking）：研究圖像域的數據隱藏、加密、或認證。
* 圖像壓縮（image compression）：研究圖像壓縮。
[編輯] 應用
* 攝影及印刷 (Photography and printing)
* 衛星圖像處理 (Satellite image processing)
* 醫學圖像處理 (Medical image processing)
* 面孔識別, 特徵識別 (Face detection, feature detection, face identification)
* 顯微圖像處理 (Microscope image processing)
* 汽車障礙識別 (Car barrier detection)
[編輯] 相關相近領域
* 分類（Classification）
* 特徵提取（Feature extraction）
* 模式識別（Pattern recognition）
* 投影（Projection）
* 多尺度信號分析（Multi-scale signal analysis）
* 離散餘弦變換（The Discrete Cosine Transform）
Ⅳ C#數字圖像處理演算法典型實例的目錄
第1章緒論
1.1數字圖像處理概述
1.2C#概述
1.2.1C#特點
1.2.2WinForm編程
1.2.3GDI+
1.3補充說明
第2章C#數字圖像處理的3種方法
2.1C#圖像處理基礎
2.1.1Bitmap類
2.1.2BitmapData類
2.1.3Graphics類
2.2彩色圖像灰度化
2.3彩色圖像灰度化編程實例
2.3.1使用圖像
2.3.2圖像處理的3種方法
2.4小結
第3章點運算及直方圖
3.1灰度直方圖
3.1.1灰度直方圖定義
3.1.2灰度直方圖編程實例
3.2線性點運算
3.2.1線性點運算定義
3.2.2線性點運算編程實例
3.3全等級直方圖灰度拉伸
3.3.1灰度拉伸定義
3.3.2灰度拉伸編程實例
3.4直方圖均衡化
3.4.1直方圖均衡化定義
3.4.2直方圖均衡化編程實例
3.5直方圖匹配
3.5.1直方圖匹配定義
3.5.2直方圖匹配編程實例
3.6小結
第4章幾何運算
4.1圖像平移
4.1.1圖像平移定義
4.1.2圖像平移編程實例
4.2圖像鏡像
4.2.1圖像鏡像變換定義
4.2.2圖像鏡像編程實現
4.3圖像縮放
4.3.1圖像縮放定義
4.3.2灰度插值法
4.3.3圖像縮放編程實例
4.4圖像旋轉
4.4.1圖像旋轉定義
4.4.2圖像旋轉編程實現
4.5小結
第5章數學形態學圖像處理
5.1圖像腐蝕運算
5.1.1圖像腐蝕運算定義
5.1.2圖像腐蝕運算編程實例
5.2圖像膨脹運算
5.2.1圖像膨脹運算定義
5.2.2圖像膨脹運算編程實例
5.3圖像開運算與閉運算
5.3.1圖像開運算與閉運算定義
5.3.2圖像開運算編程實例
5.3.3圖像閉運算編程實例
5.4擊中擊不中變換
5.4.1擊中擊不中變換定義
5.4.2擊中擊不中變換編程實例
5.5小結
第6章頻率變換
6.1二維離散傅里葉變換
6.2快速傅里葉變換
6.2.1快速傅里葉變換概述
6.2.2快速傅里葉變換編程實例
6.3幅度圖像和相點陣圖像
6.4頻率成分濾波
6.4.1頻率成分濾波原理
6.4.2頻率成分濾波編程實例
6.5頻率方位濾波
6.5.1頻率方位濾波原理
6.5.2頻率方位濾波編程實例
6.6小結
第7章圖像平滑與去噪
7.1雜訊模型
7.1.1雜訊概述
7.1.2雜訊模型編程實例
7.2均值濾波與中值濾波
7.2.1均值濾波與中值濾波原理
7.2.2均值濾波與中值濾波編程實例
7.3灰度形態學濾波
7.3.1灰度形態學原理
7.3.2灰度形態學去噪原理
7.3.3灰度形態學去噪編程實現
7.4小波變換去噪
7.4.1小波變換概述
7.4.2小波變換去噪原理
7.4.3小波變換去噪編程實例
7.5高斯低通濾波
7.5.1高斯低通濾波原理
7.5.2高斯低通濾波編程實例
7.6統計濾波
7.6.1統計濾波原理
7.6.2統計濾波編程實例
7.7小結
第8章邊緣檢測
8.1模板運算元法
8.1.1模板運算元法原理
8.1.2模板運算元法編程實例
8.2高斯運算元
8.2.1高斯運算元原理
8.2.2高斯運算元編程實例
8.3Canny運算元
8.3.1Canny邊緣檢測原理
8.3.2Canny運算元編程實例
8.4形態學邊緣檢測
8.4.1形態學邊緣檢測原理
8.4.2形態學邊緣檢測編程實例
8.5小波變換邊緣檢測
8.5.1小波變換邊緣檢測原理
8.5.2小波變換邊緣檢測編程實例
8.6金字塔方法
8.6.1金字塔方法原理
8.6.2金字塔方法編程實例
8.7小結
第9章圖像分割
9.1Hough變換
9.1.1Hough變換原理
9.1.2Hough變換編程實例
9.2閾值法
9.2.1自動閾值選擇法原理
9.2.2閾值分割法編程實例
9.3特徵空間聚類法
9.3.1K-均值聚類法原理
9.3.2ISODATA聚類法原理
9.3.3特徵空間聚類法編程實例
9.4鬆弛迭代法
9.4.1鬆弛迭代法原理
9.4.2鬆弛迭代法編程實例
9.5小結
第10章圖像壓縮編碼
10.1哈夫曼編碼
10.1.1哈夫曼編碼原理
10.1.2哈夫曼編碼編程實例
10.2香農編碼
10.2.1香農編碼原理
10.2.2香農編碼編程實例
10.3香農-弗諾編碼
10.3.1香農-弗諾編碼原理
10.3.2香農-弗諾編碼編程實例
10.4行程編碼
10.4.1行程編碼原理
10.4.2行程編碼編程實例
10.5LZW編碼
10.5.1LZW編碼原理
10.5.2LZW編碼編程實例
10.6預測編碼
10.6.1DPCM原理
10.6.2預測編碼編程實例
10.7傅里葉變換編碼
10.7.1傅里葉變換編碼原理
10.7.2傅里葉變換編碼編程實例
10.8小波變換編碼
10.8.1小波變換編碼原理
10.8.2小波變換編碼編程實例
10.9小結
第11章彩色圖像處理
11.1彩色空間
11.1.1RGB彩色空間和HSI彩色空間
11.1.2彩色空間轉換編程實例
11.1.3彩色空間分量調整編程實例
11.2偽彩色處理
11.2.1偽彩色處理原理
11.2.2偽彩色處理編程實例
11.3彩色圖像直方圖均衡化
11.3.1彩色圖像直方圖均衡化原理
11.3.2彩色圖像直方圖均衡化編程實例
11.4彩色圖像平滑處理
11.4.1彩色圖像平滑處理原理
11.4.2彩色圖像平滑處理編程實例
11.5彩色圖像銳化處理
11.5.1彩色圖像銳化處理原理
11.5.2彩色圖像銳化處理編程實例
11.6彩色圖像邊緣檢測
11.6.1彩色圖像邊緣檢測原理
11.6.2彩色圖像邊緣檢測編程實例
11.7彩色圖像分割
11.7.1彩色圖像分割原理
11.7.2彩色圖像分割編程實例
11.8小結
Ⅳ 數字圖像處理——圖像插值
網上有很多介紹插值演算法的，但感覺收獲都不大
介紹三種圖像插值演算法：最近鄰內插，雙線性內插，雙三次內插（雙立方內插）
三次插值即用三階多項式擬合原函數（也應該有其他用途）。假設三次擬合函數為
在matlab中，圖像被定義為一個三維向量，若不考慮圖像的通道數，可以將圖像看作一個二維矩陣處理。matlab圖像矩陣中坐標值映射到二維坐標系中，每一個像素塊對應的是一個點，但實際的像素塊是有一定尺寸的。
在進行雙線性插值和雙三次插值時，需要用坐標值擬合函數，為了簡化計算，總是選取 作為局部坐標系原點，其中 為待插值坐標。
當出現這些情況時，補充這些像素的灰度值為圖像內最相鄰像素塊的灰度值。
進行坐標變換後，選取與內插點 歐式距離最近的像素值進行插值。在程序中，使用將 按照四捨五入的舍入方式選取最近鄰的像素塊。
雙線性內插是線性內插的二維實現，在x維度先進行線性插值，再由得到的值對y維度進行插值。在局部坐標系中，選取 相鄰的四個像素進行雙線性內插。由在數學原理中的推導可知
雙三次內插是三次插值的二維實現。選取與 相鄰的16個像素進行雙三次內插，局部坐標系中x與y坐標范圍均為 。由數學原理中的推到可知
最近鄰插值法的優點是計算量很小，運算速度較快。但它僅使用離待測采樣點最近的像素的灰度值作為該采樣點的灰度值，而沒考慮其他相鄰像素點的影響，因而重新采樣後灰度值有明顯的不連續性，會產生明顯的馬賽克和鋸齒現象。
雙線性插值法效果要好於最近鄰插值，計算量較大。縮放後圖像質量高，基本克服了最近鄰插值灰度值不連續的特點，因為它考慮了待測采樣點周圍四個直接鄰點對該采樣點的相關性影響。但是，此方法未考慮到各鄰點間灰度值變化率的影響, 具有低通濾波器的性質, 從而導致縮放後圖像的高頻分量受到損失, 圖像邊緣在一定程度上變得較為模糊，丟失了一些細節信息。
雙立方插值計算量最大，運算速度慢。雙立方插值用三階函數逼近，不僅考慮到周圍四個直接相鄰像素點灰度值的影響，還考慮到它們灰度值變化率的影響，能夠產生比雙線性插值更為平滑的邊緣，計算精度很高，處理後的圖像細節損失最少，效果最佳。
Ⅵ 數字圖像處理的常用方法
數字處理常用的方法有：圖像變換、圖像編碼壓縮、圖像增強和復原、圖像分割。
1、圖像變換：
由於圖像陣列比較大，如果直接在空間域中進行圖像處理，這樣涉及的計算量會比較大。因此，我們一般採用各種圖像變換的方法，如沃爾什變換、傅立葉變換、離散餘弦變換等一些間接處理技術，將空間域的處理轉變為變換域處理，不僅可減少計算仿老量，而且可獲得更有效的處理(如傅立葉變換可在頻域中進行數字濾波處理)。
2、圖像編碼壓縮：
圖像編碼壓縮技術能夠減少描述圖像的數據量，從而可以節省圖像傳輸、處理時間和減少所佔用的存儲器容量。圖像編碼壓縮能夠在不失真的基礎上獲得，同時也可以在允許的失真條件下開始。編碼是壓縮技術中鎮毀最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。
3、圖像增強和復原：
圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯;如強化低頻分量可減少圖像中雜訊影響。
圖像復原要求對圖像降質的原因有一定的了解，一般講應根據降質過程建立「降質模型」，再採用某種濾波方法，恢復或重建原來的圖像。
4、圖像分割：
圖像分割是數字圖像處理中的關鍵技術之一。圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。雖然目前已研究出不少邊緣提取、區域分割的方法，但還沒有一種普遍適用於各種圖像的有效方法。
數字圖像處理概述
簡單來說，一幅圖像可以認為就是一個二維函數f(x,y)，x，y表示位置，函數值就表示該位置處的圖像的灰度值或者是強度。當，x，y , f 都是離散值的時候，我們將該圖像稱為數字圖像，也就是說灰度值是由有限數量的組成的，每個灰度值都有其特定的位置和幅值。數字圖像處理就是指我們使用計算機來處理這些數字圖像。
圖像處理具體止步於哪些領域或者其他相關領域（比如圖像分析或者是計算機視覺）從哪裡開始，並沒有一致的看法。有時，用輸入和輸出都是圖像這一規范來對數字圖像處理的范圍進行界定。這是人為的認定，其實並不準確，比如，在這種定義下，連求一幅圖像的平均值（輸出是一個數）都不能算是圖像處理的范圍。
計算機視覺的目標是使用計算機來模擬人的視覺，包括理解並且根據輸入採取行動。圖像分析領域則是處在圖像處理和計算機視覺之間。
從圖像處理到計算機視覺這個連續的統一體並沒有明確的界限。一種有用的做法是在這個連續的統一體中考慮三種典型的計算處理，即低級、中級、高級處理。低級處理涉及一些基本操作，比如圖像降噪，對比度增強，圖像銳化等，低級處理御大備輸入和輸出都是圖像為特徵。
中級處理涉及的范圍比較廣，如對圖像進行分割（將圖像不同的區域或者目標分離），而後對不同的目標進行分類，中級處理是以圖像作為輸入，但是輸出是從這些圖像中提取到不同特徵，比如圖像的輪廓信息，各個物體的標識。而高級圖像處理涉及到「理解」圖像上的內容，形成一些認知功能。
本書中，將數字圖像處理的范圍界定為，輸入和輸出都是圖像的處理，也包括從圖像中提取特徵的處理，也包括圖像中各個目標的識別。