数字图像处理——物体识别和邻域运算的关系

分析小邻域内灰度值的空间关系，为图像中的物体识别提供了第一条线索。我们以一个包含均匀辐射度物体的场景为例，简单来说，如果小邻域内的灰度值没有变化，则该邻域位于物体内部。然而，如果灰度值发生显著变化，则物体的边缘会穿过邻域。通过这种方式，我们识别出灰度值恒定的区域和边缘。

仅仅通过点运算处理图像中的单个像素并不能提供这类信息。点运算仅作为图像处理的初始步骤，用于校正成像传感器的不均匀性和非线性响应，以交互方式操作图像进行检查，或改善视觉外观。

需要一类新的运算，以适当的方式组合小邻域的像素，并产生形成新图像的结果。这类运算属于通用的邻域运算(neighborhood operations)。邻域运算是底层图像处理的核心工具。

任何邻域运算的结果仍然是图像。然而，其内容已被改变。例如，一个设计合理的用于检测边缘的邻域运算(或邻域算子)应该在属于物体边缘的像素处显示亮值，而所有其他像素(无论其灰度值如何)都应显示低值。此示例说明，应用邻域算子通常会丢失信息。我们无法再推断原始灰度值。这就是为什么邻域运算也称为滤波器的原因。它们从图像中提取一定量的感兴趣的特征。因此，由邻域算子生成的图像也被称为特征图像。

显然，将相邻像素组合起来形成新图像的操作可以执行截然不同的图像处理任务：

• 检测简单的局部结构，例如边缘、角点、线条和灰度值恒定的区域。

• 运动判定。

• 纹理分析。

• 使用间接成像技术(例如断层扫描)拍摄的图像重建。

• 恢复因散焦、运动模糊或类似图像采集过程中的错误而质量下降的图像。

• 校正由图像采集或传输过程中的错误引起的干扰。此类错误会导致少数像素的灰度值不正确。