1. 圖像的灰度化

在數字圖像處理當中，一個像素用三個字節來表示，每個字節對應著R,G,B,分量的亮度。灰度圖像是將亮度值量化為0~225共256個級別。圖像灰度化處理的方法主要有平均值法、加權平均值法和最大、最小值法。

平均值法就是將RGB三個分量的平均值作為灰度值，加權平均法就是對每個分量乘以不同的系數然后取平均值作為灰度值，最大、最小值法就是分別取RGB分量的最大或者最小值來作為灰度值。

2. 圖像的平滑處理

圖像在獲取、轉換和傳輸的過程中，會因為其所在的環境和拍攝設備等原因而受到噪聲干擾的問題，圖像所含的信息會受到影響。因此需要對圖像進行平滑處理，圖像平滑處理有兩個作用：

為后續圖像特征提取和識別做準備

消除圖像數字時產生噪音以滿足計算機處理要求

圖像平滑處理不可能在完全消除噪聲的同時保留完整的信息包括圖像的輪廓和邊緣信息。因此在平滑處理時應該：

盡可能的保留原始圖像的信息包括輪廓和邊緣信息等

使得圖像清晰，視覺良好

圖像平滑處理的算法有很多種，例如中值濾波算法、自適應中值濾波算法和小波降噪等。

2.1 中值濾波算法

中值濾波的本質是一種統計排序濾波器，原理是對一個滑動窗口內的全部像素點灰度值按照從大到小的順序進行排序，排序的中值作為該窗口中心像素的灰度值。如果滑動窗口內像素點的總個數為偶數個，那么將取中間兩個像素點的灰度值的平均值來作為該窗口中心像素的灰度值。一般滑動窗口的像素點個數都是奇數，例如方形窗口3 X 3,5 X 5,7 X 7。

中值濾波的關鍵點在于窗口大小的選取，事先我們很難確定窗口的大小，需要從小窗口到大窗口進行逐次實驗，然后選擇較優結果的滑動窗口。經實驗驗證一般情況下滑動窗口像素點越多，圖像會越來越模糊。

2.2 自適應中值濾波算法

自適應中值濾波算法是在中值濾波算法的基礎上加入了一個判斷操作，主要判斷的對象為窗口像素的中值以及濾波處的像素點灰度是否為脈沖降噪，并對兩者進行分別處理。該算法能夠很好的保留原始圖像的細節，減少圖像信息的失真。

2.3小波降噪算法

小波降噪算法主要是以噪聲和圖像信息在頻域內有不同的分布區域為根據，圖像信息主要位于頻率低的區域，而噪聲則位于頻率高的區域，但是與次同時圖像的一些細節信息，也位于頻率高的區域。小波降噪的優點就是不僅能夠有效去除高頻區域的噪聲，還能將圖像的細節信息得以保留。

圖像小波降噪的過程：

選取適當的小波函數和分解層數，對含噪聲圖像進行小波分解，獲得含有噪聲圖像的小波變換系數；

修改小波系數，對小波分解后的各層高頻系數選取適當的閾值進行閾值量化，進而得到降噪后處理后的小波變換系數。

將修改后的小波域進行小波逆變換處理，并對小波進行重構，得到噪聲處理后的圖像。

2.4 降噪效果的標準評估

人類對于圖像質量的視覺感受成為視覺質量，視覺質量是一種主觀標準，不能用數字來表述，因此需要一種客觀標準來評價降噪的效果。通常用于評價降噪效果有兩種方法，分別是最小化平方誤差（MSEMean Squard Error）和峰值信噪比。

3. 圖像的銳化

圖像銳化的目的是為了增強圖像中的細節信息以增強經過圖像平滑后被模糊的圖像細節信息。圖像的邊緣是圖像中重要的特種之一，是圖像特性階躍性變化或屋脊性變化的像素集合。圖像輪廓邊緣信息對圖像識別起著重要的作用，因有必要對圖像進行銳化，突出輪廓邊緣，使得細節更為清晰。圖像銳化的常用方法有兩種，分別是：基于一階微分的梯度法和基于二階微分的拉普拉斯算子法。

4. 圖像分割

圖像分割的目標是將圖像劃分為與其含有的真實世界當中的物體或者具有很強相關性的區域。圖像分割根據所使用的主要特征可以分為三種方法：

一是有關圖像或者部分的全局知識，分割的主要特征是圖像直方圖信息；

二是根據圖像輪廓邊緣的分割；

三是基于區域的分割；

其中閾值分割算法，分割方法理論完善，計算機計算代價小，計算速度快，因此被廣泛應用。閾值分割的步驟有以下三步：

確定灰度閾值T，即在圖像灰度區間內找到一個最佳的灰度值，

將圖像所有像素點的灰度值與該閾值進行比較，

圖像中像素點灰度值大于閾值T的歸為一類，并將其灰度值設置為255，圖像中像素灰度值小于閾值T的將其歸為一類，并將其灰度值設置為0，若像素中像素點的灰度值與閾值T相等，則可以將其分為任意一類。

閾值化分割最為重要的是閾值T的確定，常用的三種確定的方法有：

灰度直方圖閾值法

迭代選擇閾值法

自適應閾值法（較優）