数字图像处理算法典型实例
Ⅰ 数字图像处理的主要方法
数字图像处理的工具可分为三大类：
第一类包括各种正交变换和图像滤波等方法，其共同点是将图像变换到其它域（如频域）中进行处理（如滤波）后，再变换到原来的空间（域）中。
第二类方法是直接在空间域中处理图像，它包括各种统计方法、微分方法及其它数学方法。
第三类是数学形态学运算，它不同于常用的频域和空域的方法，是建立在积分几何和随机集合论的基础上的运算。
由于被处理图像的数据量非常大且许多运算在本质上是并行的，所以图像并行处理结构和图像并行处理算法也是图像处理中的主要研究方向。
(1)数字图像处理算法典型实例扩展阅读
1、数字图像处理包括内容：
图像数字化；图像变换；图像增强；图像恢复；图像压缩编码；图像分割；图像分析与描述；图像的识别分类。
2、数字图像处理系统包括部分：
输入（采集）；存储；输出（显示）；通信；图像处理与分析。
3、应用
图像是人类获取和交换信息的主要来源，因 此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。
主要应用于航天和航空、生物医学工程、通信 工程、工业和工程、军事公安、文化艺术、机器人视觉、视频和多媒体系统、科学可视化、电子商务等方面。
Ⅱ java数字图像处理常用算法
一 读取bmp图片数据
// 获取待检测图像 数据保存在数组 nData[] nB[] nG[] nR[]中
public void getBMPImage(String source) throws Exception { clearNData(); //清除数据保存区 FileInputStream fs = null; try { fs = new FileInputStream(source); int bfLen = ; byte bf[] = new byte[bfLen]; fs read(bf bfLen); // 读取 字节BMP文件头 int biLen = ; byte bi[] = new byte[biLen]; fs read(bi biLen); // 读取 字节BMP信息头
// 源图宽度 nWidth = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 源图高度 nHeight = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 位数 nBitCount = (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 源图大小 int nSizeImage = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 对 位BMP进行解析 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];键带 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;稿物芦 nIndex += ; } nIndex += nPad; }// Toolkit kit = Toolkit getDefaultToolkit();// image = kit createImage(new MemoryImageSource(nWidth nHeight // nData nWidth));
/*蚂册 //调试数据的读取
FileWriter fw = new FileWriter( C:\Documents and Settings\Administrator\My Documents\nDataRaw txt );//创建新文件 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 获取灰度数组
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 直方图均衡化
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 阶滤波 增强边缘 图像锐化
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 阶增强滤波 增强边缘 增强系数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 局部阈值处理 值化
// 局部阈值处理 值化 niblack s method /*原理 T(x y)=m(x y) + k*s(x y) 取一个宽度为w的矩形框 (x y)为这个框的中心 统计框内数据 T(x y)为阈值 m(x y)为均值 s(x y)为均方差 k为参数(推荐 )计算出t再对(x y)进行切割 / 这个算法的优点是 速度快 效果好 缺点是 niblack s method会产生一定的噪声 */ 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 全局阈值处理 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 垂直边缘检测 sobel算子
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; //中心的九个像素点 //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 图像平滑 * 掩模处理（平均处理） 降低噪声
lishixin/Article/program/Java/hx/201311/26286
Ⅲ 数字图像处理的基本算法及要解决的主要问题
图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。
图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。
传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。
目录
[隐藏]
* 1 解决方案
* 2 常用的信号处理技术
o 2.1 从一维信号处理扩展来的技术和概念
o 2.2 专用于二维（或更高维）的技术和概念
* 3 典型问题
* 4 应用
* 5 相关相近领域
* 6 参见
[编辑] 解决方案
几十年前，图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性，至今他们仍然在很多应用领域占有核心地位，例如 全息摄影。但是由于计算机速度的大幅度提高，这些技术正在迅速的被数字图像处理方法所替代。
从通常意义上讲，数字图像处理技术更加普适、可靠和准确。比起模拟方法，它们也更容易实现。专用的硬件被用于数字图像处理，例如，基于流水线的计算机体系结构在这方面取得了巨大的商业成功。今天，硬件解决方案被广泛的用于视频处理系统，但商业化的图像处理任务基本上仍以软件形式实现，运行在通用个人电脑上。
[编辑] 常用的信号处理技术
大多数用于一维信号处理的概念都有其在二维图像信号领域的延伸，它们中的一部分在二维情形下变得十分复杂。同时图像处理也具有自身一些新的概念，例如，连通性、旋转不变性，等等。这些概念仅对二维或更高维的情况下才有非平凡的意义。
图像处理中常用到快速傅立叶变换，因为它可以减小数据处理量和处理时间。
[编辑] 从一维信号处理扩展来的技术和概念
* 分辨率(Image resolution|Resolution)
* 动态范围(Dynamic range)
* 带宽(Bandwidth)
* 滤波器设计(Filter (signal processing)|Filtering)
* 微分算子(Differential operators)
* 边缘检测(Edge detection)
* Domain molation
* 降噪(Noise rection)
[编辑] 专用于二维（或更高维）的技术和概念
* 连通性(Connectedness|Connectivity)
* 旋转不变性(Rotational invariance)
[编辑] 典型问题
* 几何变换（geometric transformations）：包括放大、缩小、旋转等。
* 颜色处理（color）：颜色空间的转化、亮度以及对比度的调节、颜色修正等。
* 图像合成（image composite）：多个图像的加、减、组合、拼接。
* 降噪（image denoising）：研究各种针对二维图像的去噪滤波器或者信号处理技术。
* 边缘检测（edge detection）：进行边缘或者其他局部特征提取。
* 分割（image segmentation）：依据不同标准，把二维图像分割成不同区域。
* 图像制作（image editing）：和计算机图形学有一定交叉。
* 图像配准（image registration）：比较或集成不同条件下获取的图像。
* 图像增强（image enhancement）：
* 图像数字水印（image watermarking）：研究图像域的数据隐藏、加密、或认证。
* 图像压缩（image compression）：研究图像压缩。
[编辑] 应用
* 摄影及印刷 (Photography and printing)
* 卫星图像处理 (Satellite image processing)
* 医学图像处理 (Medical image processing)
* 面孔识别, 特征识别 (Face detection, feature detection, face identification)
* 显微图像处理 (Microscope image processing)
* 汽车障碍识别 (Car barrier detection)
[编辑] 相关相近领域
* 分类（Classification）
* 特征提取（Feature extraction）
* 模式识别（Pattern recognition）
* 投影（Projection）
* 多尺度信号分析（Multi-scale signal analysis）
* 离散余弦变换（The Discrete Cosine Transform）
Ⅳ C#数字图像处理算法典型实例的目录
第1章绪论
1.1数字图像处理概述
1.2C#概述
1.2.1C#特点
1.2.2WinForm编程
1.2.3GDI+
1.3补充说明
第2章C#数字图像处理的3种方法
2.1C#图像处理基础
2.1.1Bitmap类
2.1.2BitmapData类
2.1.3Graphics类
2.2彩色图像灰度化
2.3彩色图像灰度化编程实例
2.3.1使用图像
2.3.2图像处理的3种方法
2.4小结
第3章点运算及直方图
3.1灰度直方图
3.1.1灰度直方图定义
3.1.2灰度直方图编程实例
3.2线性点运算
3.2.1线性点运算定义
3.2.2线性点运算编程实例
3.3全等级直方图灰度拉伸
3.3.1灰度拉伸定义
3.3.2灰度拉伸编程实例
3.4直方图均衡化
3.4.1直方图均衡化定义
3.4.2直方图均衡化编程实例
3.5直方图匹配
3.5.1直方图匹配定义
3.5.2直方图匹配编程实例
3.6小结
第4章几何运算
4.1图像平移
4.1.1图像平移定义
4.1.2图像平移编程实例
4.2图像镜像
4.2.1图像镜像变换定义
4.2.2图像镜像编程实现
4.3图像缩放
4.3.1图像缩放定义
4.3.2灰度插值法
4.3.3图像缩放编程实例
4.4图像旋转
4.4.1图像旋转定义
4.4.2图像旋转编程实现
4.5小结
第5章数学形态学图像处理
5.1图像腐蚀运算
5.1.1图像腐蚀运算定义
5.1.2图像腐蚀运算编程实例
5.2图像膨胀运算
5.2.1图像膨胀运算定义
5.2.2图像膨胀运算编程实例
5.3图像开运算与闭运算
5.3.1图像开运算与闭运算定义
5.3.2图像开运算编程实例
5.3.3图像闭运算编程实例
5.4击中击不中变换
5.4.1击中击不中变换定义
5.4.2击中击不中变换编程实例
5.5小结
第6章频率变换
6.1二维离散傅里叶变换
6.2快速傅里叶变换
6.2.1快速傅里叶变换概述
6.2.2快速傅里叶变换编程实例
6.3幅度图像和相位图像
6.4频率成分滤波
6.4.1频率成分滤波原理
6.4.2频率成分滤波编程实例
6.5频率方位滤波
6.5.1频率方位滤波原理
6.5.2频率方位滤波编程实例
6.6小结
第7章图像平滑与去噪
7.1噪声模型
7.1.1噪声概述
7.1.2噪声模型编程实例
7.2均值滤波与中值滤波
7.2.1均值滤波与中值滤波原理
7.2.2均值滤波与中值滤波编程实例
7.3灰度形态学滤波
7.3.1灰度形态学原理
7.3.2灰度形态学去噪原理
7.3.3灰度形态学去噪编程实现
7.4小波变换去噪
7.4.1小波变换概述
7.4.2小波变换去噪原理
7.4.3小波变换去噪编程实例
7.5高斯低通滤波
7.5.1高斯低通滤波原理
7.5.2高斯低通滤波编程实例
7.6统计滤波
7.6.1统计滤波原理
7.6.2统计滤波编程实例
7.7小结
第8章边缘检测
8.1模板算子法
8.1.1模板算子法原理
8.1.2模板算子法编程实例
8.2高斯算子
8.2.1高斯算子原理
8.2.2高斯算子编程实例
8.3Canny算子
8.3.1Canny边缘检测原理
8.3.2Canny算子编程实例
8.4形态学边缘检测
8.4.1形态学边缘检测原理
8.4.2形态学边缘检测编程实例
8.5小波变换边缘检测
8.5.1小波变换边缘检测原理
8.5.2小波变换边缘检测编程实例
8.6金字塔方法
8.6.1金字塔方法原理
8.6.2金字塔方法编程实例
8.7小结
第9章图像分割
9.1Hough变换
9.1.1Hough变换原理
9.1.2Hough变换编程实例
9.2阈值法
9.2.1自动阈值选择法原理
9.2.2阈值分割法编程实例
9.3特征空间聚类法
9.3.1K-均值聚类法原理
9.3.2ISODATA聚类法原理
9.3.3特征空间聚类法编程实例
9.4松弛迭代法
9.4.1松弛迭代法原理
9.4.2松弛迭代法编程实例
9.5小结
第10章图像压缩编码
10.1哈夫曼编码
10.1.1哈夫曼编码原理
10.1.2哈夫曼编码编程实例
10.2香农编码
10.2.1香农编码原理
10.2.2香农编码编程实例
10.3香农-弗诺编码
10.3.1香农-弗诺编码原理
10.3.2香农-弗诺编码编程实例
10.4行程编码
10.4.1行程编码原理
10.4.2行程编码编程实例
10.5LZW编码
10.5.1LZW编码原理
10.5.2LZW编码编程实例
10.6预测编码
10.6.1DPCM原理
10.6.2预测编码编程实例
10.7傅里叶变换编码
10.7.1傅里叶变换编码原理
10.7.2傅里叶变换编码编程实例
10.8小波变换编码
10.8.1小波变换编码原理
10.8.2小波变换编码编程实例
10.9小结
第11章彩色图像处理
11.1彩色空间
11.1.1RGB彩色空间和HSI彩色空间
11.1.2彩色空间转换编程实例
11.1.3彩色空间分量调整编程实例
11.2伪彩色处理
11.2.1伪彩色处理原理
11.2.2伪彩色处理编程实例
11.3彩色图像直方图均衡化
11.3.1彩色图像直方图均衡化原理
11.3.2彩色图像直方图均衡化编程实例
11.4彩色图像平滑处理
11.4.1彩色图像平滑处理原理
11.4.2彩色图像平滑处理编程实例
11.5彩色图像锐化处理
11.5.1彩色图像锐化处理原理
11.5.2彩色图像锐化处理编程实例
11.6彩色图像边缘检测
11.6.1彩色图像边缘检测原理
11.6.2彩色图像边缘检测编程实例
11.7彩色图像分割
11.7.1彩色图像分割原理
11.7.2彩色图像分割编程实例
11.8小结
Ⅳ 数字图像处理——图像插值
网上有很多介绍插值算法的，但感觉收获都不大
介绍三种图像插值算法：最近邻内插，双线性内插，双三次内插（双立方内插）
三次插值即用三阶多项式拟合原函数（也应该有其他用途）。假设三次拟合函数为
在matlab中，图像被定义为一个三维向量，若不考虑图像的通道数，可以将图像看作一个二维矩阵处理。matlab图像矩阵中坐标值映射到二维坐标系中，每一个像素块对应的是一个点，但实际的像素块是有一定尺寸的。
在进行双线性插值和双三次插值时，需要用坐标值拟合函数，为了简化计算，总是选取 作为局部坐标系原点，其中 为待插值坐标。
当出现这些情况时，补充这些像素的灰度值为图像内最相邻像素块的灰度值。
进行坐标变换后，选取与内插点 欧式距离最近的像素值进行插值。在程序中，使用将 按照四舍五入的舍入方式选取最近邻的像素块。
双线性内插是线性内插的二维实现，在x维度先进行线性插值，再由得到的值对y维度进行插值。在局部坐标系中，选取 相邻的四个像素进行双线性内插。由在数学原理中的推导可知
双三次内插是三次插值的二维实现。选取与 相邻的16个像素进行双三次内插，局部坐标系中x与y坐标范围均为 。由数学原理中的推到可知
最近邻插值法的优点是计算量很小，运算速度较快。但它仅使用离待测采样点最近的像素的灰度值作为该采样点的灰度值，而没考虑其他相邻像素点的影响，因而重新采样后灰度值有明显的不连续性，会产生明显的马赛克和锯齿现象。
双线性插值法效果要好于最近邻插值，计算量较大。缩放后图像质量高，基本克服了最近邻插值灰度值不连续的特点，因为它考虑了待测采样点周围四个直接邻点对该采样点的相关性影响。但是，此方法未考虑到各邻点间灰度值变化率的影响, 具有低通滤波器的性质, 从而导致缩放后图像的高频分量受到损失, 图像边缘在一定程度上变得较为模糊，丢失了一些细节信息。
双立方插值计算量最大，运算速度慢。双立方插值用三阶函数逼近，不仅考虑到周围四个直接相邻像素点灰度值的影响，还考虑到它们灰度值变化率的影响，能够产生比双线性插值更为平滑的边缘，计算精度很高，处理后的图像细节损失最少，效果最佳。
Ⅵ 数字图像处理的常用方法
数字处理常用的方法有：图像变换、图像编码压缩、图像增强和复原、图像分割。
1、图像变换：
由于图像阵列比较大，如果直接在空间域中进行图像处理，这样涉及的计算量会比较大。因此，我们一般采用各种图像变换的方法，如沃尔什变换、傅立叶变换、离散余弦变换等一些间接处理技术，将空间域的处理转变为变换域处理，不仅可减少计算仿老量，而且可获得更有效的处理(如傅立叶变换可在频域中进行数字滤波处理)。
2、图像编码压缩：
图像编码压缩技术能够减少描述图像的数据量，从而可以节省图像传输、处理时间和减少所占用的存储器容量。图像编码压缩能够在不失真的基础上获得，同时也可以在允许的失真条件下开始。编码是压缩技术中镇毁最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。
3、图像增强和复原：
图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显;如强化低频分量可减少图像中噪声影响。
图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。
4、图像分割：
图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。
数字图像处理概述
简单来说，一幅图像可以认为就是一个二维函数f(x,y)，x，y表示位置，函数值就表示该位置处的图像的灰度值或者是强度。当，x，y , f 都是离散值的时候，我们将该图像称为数字图像，也就是说灰度值是由有限数量的组成的，每个灰度值都有其特定的位置和幅值。数字图像处理就是指我们使用计算机来处理这些数字图像。
图像处理具体止步于哪些领域或者其他相关领域（比如图像分析或者是计算机视觉）从哪里开始，并没有一致的看法。有时，用输入和输出都是图像这一规范来对数字图像处理的范围进行界定。这是人为的认定，其实并不准确，比如，在这种定义下，连求一幅图像的平均值（输出是一个数）都不能算是图像处理的范围。
计算机视觉的目标是使用计算机来模拟人的视觉，包括理解并且根据输入采取行动。图像分析领域则是处在图像处理和计算机视觉之间。
从图像处理到计算机视觉这个连续的统一体并没有明确的界限。一种有用的做法是在这个连续的统一体中考虑三种典型的计算处理，即低级、中级、高级处理。低级处理涉及一些基本操作，比如图像降噪，对比度增强，图像锐化等，低级处理御大备输入和输出都是图像为特征。
中级处理涉及的范围比较广，如对图像进行分割（将图像不同的区域或者目标分离），而后对不同的目标进行分类，中级处理是以图像作为输入，但是输出是从这些图像中提取到不同特征，比如图像的轮廓信息，各个物体的标识。而高级图像处理涉及到“理解”图像上的内容，形成一些认知功能。
本书中，将数字图像处理的范围界定为，输入和输出都是图像的处理，也包括从图像中提取特征的处理，也包括图像中各个目标的识别。