人类为了扩展感觉器官和思维器官的功能，利用各种传感器及信息处理系统来获取、处理、传递和使用外界的信息。可以说，人们想得到任何一条新闻、一个数据、一幅图像等信息，都必须经过信息处理2*能变为被人们所能利用的有用的信息。可见，没有信息处理技术，就不可能获得有用的信息。因此，光电信息处理技术是光电信息技术的关键组成部分。
图像是自然界中的物和物群，经可见光的照射由人的视觉系统所感知的景物。当然，任何数据场在空间的有序排列都可转化成可视图像。显然，图像是信息表征的绝好形式，其直观性和易理解性是显而易见的，是其他类信息所不能比拟的。
随着信息化进程的飞速发展，作为信息最佳代表形式之一的图像，以及图像处理理论与技术，更加显示出其不可替代的重要地位。在日常生活、工农业生产、科学研究、交通运输及安全防范、医学、生物学、国防建设中，图像处理及其应用司空见惯。图像及图像处理是众多学科领域的交叉点和融合点，光电图像信息处理技术逐步向其他学科领域渗透并为其他学科所利用，是科学发展的必然趋势，因为它与国计民生紧密相连，已经和将要给人类带来巨大的经济与社会效益。
光电信息处理是一门研究以光子为主要载体对信息进行处理的科学分支，是光电子学的一个主要研究领域。早在20世纪60年代初，由于从发射相干光的激光器的问世，以及记录和再现三维波面的全息技术的发明，使得光子不仅作为零维信息的载体，而且作为多维信息的相干载体变为现实。同时，也为信息的光子直接处理，开辟了实质意义上的新途径，并显示出光子比电子处理的无以比拟的优点，从而开拓和迅速地发展了以图像处理为主要内容的光电信息处理学科。
光电信息处理的特征方法和目标
1.光电信息处理的特征与方法
近十年来，由于通信和计算的需要，光电信息的处理也从模拟量向数字量转化；光电信息的传递从空不变到空变交换转化；由于微电子工艺的渗入，光学元件的制作从单个冷加工工艺向大批量复制工艺转化；由于半导体光电器件的发展，光学分立式块结构器件向集成化微结构器件转化等。这些变化，促使光电信息处理技术成为研究内容广泛、目标明确并涉及光学、通信学、计算机学、微电子学、材料学、生物学等的一门交叉性高科技学科，并且可充分利用光子作为信息载体所具有的高速、高效率、高并行能力等，以完成信息处理的诸多功能。由此可见，模拟化处理、数字化处理、模拟和数字混合处理和微结构化处理，是当代光电信息处理的主要技术特征。
以光子为载体对信息进行加工处理，从微计算机角度看，主要可分为硬件和软件处理两种方式，如图7-1所示。由图可知，光电信息处理方式充分发挥了光学处理和电学处理的综合优势，并避免了各自处理的弱点。
图7-1光电信息处理方法
2.光电信息处理的目标
众所周知，图像处理的目的是改善图像质量，提取有用信息，识别预定目标等。从目前信息设备、信息科学技术发展的趋势看，光电信息处理具有如下目标。
（1）不断提高信息处理技术水平，提高空间成像分辨能力。这个目标是：高分辨率、高显示质量；高速度、短处理时间；多维化，三维、四维或更多维；智能化，提高信息识别能力；标准化，便于信息交换、资源共享等。
人眼的能见距离是有限的，一般最远能看清几千米外的目标，再远则只能借助于望远镜。在探测技术上，使用空间分辨力来度量对远距离目标的分辨能力，如角分辨率（目标尺寸相对于观测者距离的张角），它在成像仪器里是每个像元的张角，在1km处，一个像元对应的尺寸为Im时，该张角为1mrad（1毫孤度）。同样，在1000km处，1m的分辨力为1μrad（1微弧度）。20世纪80年代美国为政治需要，搞星球大战（SDI）,大力发展信息获取技术，要在几万千米处对飞行中的导弹头成像。显然，这是目前人类提出的最高级的探测能力。
（2）要与多学科结合，重在应用。如与仿生学密切结合，21世纪又是生物世纪和海洋世纪，研究模仿陆地和海洋生物的特异功能，造福人类。光电信息处理技术致力于应用，将其广泛地应用于国家（包括军事）的各行各业是其自身发展的最高要求和最好途径。
（3）将对“无纸社会”的形成起促进作用。由于光电信息处理技术推动信息传输、处理、存储和显示技术的进步，用纸上文字来传递、存储和显示信息的功能将大为减弱，同时加快了传递、存储、检索、复制和显示信息的速度。显然，这对文化、教育、科技、医学和宣传等有重要意义。
总之，光电信息处理技术紧跟信息处理技术的前沿，扩展人类的信息器官和思维器官的功能。特别是信息获取与处理技术的发展，使人类对外部世界看得远（超视距本领）、看得清（空间分辨、光谱分辨和立体分辨本领）、不受阻挡（穿透云雾或物体本领）、识别能力强（信息处理技术），把人类获取外界信息的能力提高到空前的高度。
图像数字化及其分析处理的方法和内容
1.数字图像及分析的基本方法
为使计算机能对图像进行处理，必须将模拟图像转化为数字图像。一幅数字化后的图像，其数据量是材（每行像素数）xN（每列像素数）（灰度量化所占用位数）比特。一幅MXN个像素的数字图像，其像素的灰度值可用M行N列的矩阵来表示。这样，对数字图像的各种处理就变成对矩阵的各种运算。
一幅MxN个像素的数字图像，在算法语言中，可用一个A/X'的二维数组IP来表示，数字图像各像素的灰度值可按一定的顺序存放在IP数组中。习惯上，把数字图像左上角的像素定为（1,1）个像素，右下角的像素定为（M,N）个像素。这样，从左上角开始，第/列、第•/行的第（厶J）个像素值，就存储到数组元素1P（/,中。数字图像中的像素与二维数组中的各元素便一一对应起来了。二维数组就是数字图像在程序中的表现形式。
一般，对图像进行分析的基本方法有如下两种。
（1）直方图。设图像的灰度等级范围为0≤I≤M-1,hi如表示灰度级i出现的相对频率，显然hi是i的函数，hi称为图像的直方图，即
hi=mi/nt （7-1）
式中，ni是灰度级为i的像素数，nt为图像的总像素数。如果将图像看成各态历经的随机过程，则九就是图像灰度概率密度函数的估计值。
对一幅数字图像，若对应于每一个灰度值，统计出具有该灰度值的像素个数，并据此给出像素-灰度值图形，则该图形就是图像的灰度直方图，如图7-2所示。直方图是一幅图像全部或部分相同亮度值像素的统计分布图。
图7-2直方图示例
由图7-2可看出，图像总的亮度和对比度情况，以及图像像素值的动态范围等一系列图像的特征信息。值得注意的是，一幅图像对应于一个直方图，但一个直方图可能对多幅图像。直方图是分析图像信号统计特性的最常用方法。所以，直方图是图像处理中的一个很有用的工具。如可设法改变图像像元的灰度分布状况，可使整幅图像的灰度分布趋于均匀，或者趋于所希望的某种分布，从而使得原来模糊的图像变得清晰可辨。
直方图技术包括直方图均衡与直方图定义技术，虽然直方图均衡化大大地改善了图像，但它得到的图像的对比度常常偏高。由于直方图定义技术的灵活性，可得到更加柔和、清晰的结果。尤其在图像已经退化和为了获得好的增强效果而必须控制像素分布的情况下更是如此。如果希望观察图像各个局部细节时，还可釆用局部直方图技术来实现图像的局部增强。
(2)信源嫡。计算图像的信源嫡是分析图像统计特性的另一种常用方法，例如在分析运动补偿效果时，常用原始图像的嫡与预测误差图像的炳进行比较，结论是预测误差图像的嫡值越小，运动补偿预测性能就越好。
设图像的灰度等级范围为0≤I≤M-1,则图像的熵为
式中，P1是灰度为i时的概率，对8比特/像素，其M值为256。图像熵表示图像像素的平均比特数。
2.数字图像处理的主要内容
数字图像处理包括以下主要内容。
(1)预处理。在研究图像时，必须先对获得的图像进行预处理，即要滤去干扰、噪声，作几何、彩色校正等，这样可提高信噪比。
几何处理包括图像的放大、缩小、旋转、移动，多幅图像配准，图像的校正，图像的周长、面积、体积的计算等。
(2)图像增强。图像增强是数字图像处理中最简单和最有吸引力的领域，也是数字图像处理中非常主观的领域，主要是显现那些被模糊了的细节或突出一幅图像中感兴趣的特征，或是增强图像的对比度，使其看起来好一些。
图像增强不考虑引起图像降质的原因，而是突出图像中所感兴趣的部分，如提高图像高频分量，可使图像中物体轮廓清晰，细节明显；强化低频分量可降低图像中噪声的影响。
图像增强处理包括按需要将图像进行轮廓增强、灰度增强或作伪彩色处理，以提高对图像的辨识能力。总之，增强的目的是为了提供一个满足一定要求的图像，或者对图像进行变换，以便分析。
(3)图像复原与重建。为了给观察者以清晰的图像，还要对图像进行改善，即进行复原处理，也就是把己经退化了的图像加以重建或恢复的过程，以便改进图像的保真度。
图像复原也是改进图像外貌的一个处理领域，但不像增强是主观的，图像复原是客观的。在某种意义上说，复原技术倾向于以图像退化的数学或概率模型为基础，而增强则以怎样构成好的效果这种人的主观偏爱为基础。
图像复原或恢复的目的是尽可能恢复图像本来面目，它是对图像整体而言。在复原处理时必须研究图像降质的原因，以便根据降质过程建立降质模型，再采取相应的措施，如采用某种滤波方法，恢复或重建原来的图像。例如，由于某种原因使摄取的图像有几何失真，或由于被
摄取的物体和摄像设备有相对运动而造成的模糊图像，这就需要进行各种校正处理，以恢复为原来不失真的图像。这些处理，在遥感电视图像上己被广泛地应用。
图像重建是图像处理技术在另一方向的发展，它是对一些三维物体，应用X射线、超声波等物理方法获取物体内部结构数据，再将此数据进行运算处理而构成物体内部某些部位的图像。最成功的实例是计算机断层扫描成像技术，俗称CT技术。
（4）图像分割。图像分割是将一幅图像划分为组成部分或目标物，是将图像中包含的物体按其灰度或几何特征进行分割，即将图像中有意义的特征部分提取出来。这些有意义的特征包括图像中的边缘、区域、纹理等，这是进一步进行图像处理如模式识别、机器视觉等技术基础。
通常，自主分割是数字图像处理中最为困难的任务之一。分割越准确，识别越成功。将图像进行分割处理，就是进行定位和分离，以分出不同的信息，即从中提取有效分量或数据等有用信息，而便于进行图像识别、分析和理解。随着图像处理应用领域的不断扩展，对图像分割的研究还在不断深入，因而是目前数字图像处理研究的热点问题之一。
（5）图像编码压缩。图像编码压缩是适应信号传输通道和压缩图像信号传送频带（或数码率）的处理。图像编码是利用图像信号的统计特性、人类视觉的生理学及心理学特性对图像信号进行编码，编码是压缩技术中最重要的方法，是在图像处理技术中发展较早且比较成熟的技术。研究图像编码压缩技术的目的是：
- 减少数据存储量。
- 降低码流以减少传输带宽。
- 压缩信息量，便于识别和理解。
图像编码压缩技术可以减少描述图像的数据量，以便节省图像传输、处理的时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。当前，已岀现很多压缩编码的方法，如MPEG1/2/4,M-JPEG、H263/264.Wavelet等。
（6）图像描述。图像描述是图像识别和理解的必要前提，表示与描述几乎总是跟随在分割步骤的输出后边，通常这一输出是未加工的数据，其构成不是区域的边缘（区分一个图像区域和另一个区域的像素集），就是其区域本身的所有点。
一般，图像描述方法采用二维形状描述，有边界描述与区域描述，即必须首先确定数据是应该被表现为边界还是整个区域。当注意的焦点是外部形状特性（如拐角和曲线）时，则边界表示的图像描述是合适的；当注意的焦点是内部特性（如纹理或骨骼形状）时，则区域表示的图像描述是合适的。在某些应用中，这些表示方法是互补的。
描述也叫作特征选择，涉及提取特征，该特征是某些感兴趣的定量信息或是区分一组目标与其他目标的基础。对于最简单的二值图像，可以釆用其几何特性描述物体的特性。对于特殊的纹理图像，多采用二维纹理特征描述。
随着图像处理技术研究的深入发展，现己进行三维物体描述的研究，并提出了体积描述、表面描述、广义圆柱体描述等方法。目前，形态学处理涉及提取图像元素的工具，它在表现和描述形状方面非常有用。
（7）图像分类与识别。图像识别属于模式识别的范畴，其主要内容是在图像经过某些预处理（压缩、增强、复原）后，再将图像中所需物体的特征进行分割、选择、然后进行判别分类。
图像分类是图像处理技术的深入和发展，常釆用经典的模式识别方法，有统计模式分类和句法结构模式分类，近几年新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。
识别，实际上是基于目标的描述，是给目标赋以符号的过程。
(8)图像理解。图像理解是由模式识别发展起来的，其处理过程的输入是图像，输出是一种描述。这种描述并不仅是单纯的用符号做出详细的描绘，而且要根据客观世界的知识，利用计算机进行联想、思考和推论，从而理解图像所表现的内容。
图像理解有时也称为景物理解，在这一领域还需要进行深入研究。
安防监控图像处理的基本方法——像素处理
由于图像是由像素构成的，所以很多情况下是对像素直接处理的，像素处理又可分为点处理和区处理。这种像素处理的方法，也常用于安防监控图像的处理。
1.图像的点处理
图像的点处理又称为直接对原像素值进行处理，是一种最基本的图像处理操作，算法比其他算法简单。点处理算法是指仅根据图像中像素的原值(有时还要考虑该像素在图像中的位置)按一定规则(或变换)来确定其新值的一种算法。也就是说，单个像素的新值仅仅依赖于该像素原值的大小。由于像素原值与新值之间算法上的这种联系，点处理算法一般是可逆的，并釆取逐点扫描图像像素的方式来完成各像素的变换处理。
由于点处理变换是一种仅仅依赖于像素原值的变换，所以这种变换过程可借助于查找表(LUT)来快速实现。如果点处理算法中还要考虑像素的位置，则除了查找表外，还要用到计算公式。一般地，点处理算法并不改变一幅图像中各像素之间的空间关系，因而点处理算法不能用于修饰图像中所包含的细节。
点处理仅是用输入像素值产生输出像素值，它是图像处理最简单最有效的方法。点处理的应用包括图像灰度变换、色度变换、直方图分析等。下面讨论点处理方法实现的图像亮度调整、图像亮度反置、图像阈值化、图像对比度拉伸、图像伪彩色处理等图像处理算法。
(1)图像亮度调整。这是一种点处理，处理时对图像中每个像素加上(或减去)一个常数。设像素亮度为厶则变化按式(7-3)进行。
I=I+b (7-3)
式中，方是亮度常数，可为正数或负数。若人为正数，则像素亮度增加；若力为负数，则像素亮度减少。
(2)图像亮度反置。类似于根据照片制作负片一样，是一种很简单的点处理技术。用这种方法对图像进行处理后，图像亮的部分变暗，暗的部分变亮，较亮的部分变成较暗，较暗的部分变成较亮。其处理方法是：用可能的最大像素值减去像素的值作为该像素的新值。图像中最暗的部分，其像素值为0,处理后变成最亮的部分，其像素值为63；反之，图像中最亮的部分经变换后反置成最暗的部分。
(3)图像阈值化。这是一种将连续色调图像变成黑白图像的方法。其基本思想是使像素值小于指定阈值的像转换成黑像素，像素值等于或大于指定阈值的像素转换成白像素。这一方法在诸如桌面印刷、机器视觉等领域都有广泛的应用。
在机器视觉领域内，对图像进行边缘检测之前，一般先对其进行二值化处理。在这种情况下，阈值处理能够消除图像中那些可能会干扰边界检测处理的信息。正确地选择阈值很重要，它可保证在阈值处理中不至于损失太多的信息。
（4）图像对比度拉伸。一幅图像的对比度与该图像中亮的部分和暗的部分的分布情况有关。当一幅图像大部分区域都很亮或大部分区域都很暗时，该图像显示出对比度低的特点；而当-幅图像中较亮的部分与较暗的部分所占比重相当时，该图像显示出对比度高的特点，连续色调图像只有充分利用所有灰度色调范围，才能显现出对比度高的特点。
直方图是检查图像对比度的一个理想工具，因此，通常将直方图与对比度拉伸点处理算法配套使用，以增强图像的对比度。进行对比度拉伸时，需要先用直方图来判定低对比度图像中像素值的分布主要集中在哪个区域。一般地，这个区域周围往往有像素值没有用的区。为了拉伸对比度，需分别从直方图的左端向右（即0〜63）和右端（最大像素处）向左（即63〜0）扫描直方图，分别找到超过给定阈值的第一个像素。像素值小于较低的那个阈值的像素，其像素值置0,像素值大于较高的那个阈值的像素其像素值置63。像素值介于两个阈值之间的像素，按比例放大，使其填满0〜63区间，经过上述处理后的图像较好地利用了整个灰度范围，视觉效果亦明显改善。
（5）图像伪彩色处理。它是用色度来代替像素灰度值的一种技术，即将黑白图像变为彩色图像，并用不同的色彩来代替黑白图像的不同灰度等级，以达到图像增强的目的。这样做是基于人眼对彩色的分辨率远远高于对灰度的分辨率，因为一般人对于黑白的图像只能觉察出几卜种灰度变化，但却能分辨出几百种甚至上千种不同光强的色彩。将黑白图像用彩色显示的图像进行处理，是非常有效而实用的，例如，有一幅电灯灯丝图像，已知像素与温度有一定的关系，可利用伪彩色技术来区分不同的温度，如最高温度可用红色表示，较低一些的温度可用绿色表示，最低温度用蓝色表示。经过伪彩色处理后的图像总的信息量保持不变，但是其温度信息对人眼就变得更加直观了。
伪彩色处理技术有密度分割法、灰度级到彩色的变换法、滤波法。后两种处理技术实现起来要困难一些，但效果要好得多。由于这些方法介绍较多，这里就不再一一叙述。
2.图像的区处理
所谓图像的区处理，是指对成组的多个像素进行处理，经过某种变换处理后，得到图像中某一点的像素值。区处理变换中釆用的像素组称为邻域，邻域-般是由像素组成的二维矩阵，该矩阵每一维的大小均为奇数。中心像素（即所谓感兴趣的像素）位于邻域的正中央，变换后中心像素的值将被经过一定算法计算得到的新值所代替。邻域中心像素周围的那些像素值在 二维方向上提供了图像的亮度变化趋势信息，在大多数区处理中要用到这些信息。
这种亮度变化的趋势信息就是空间频率。空间频率定义为像素的亮度在一定距离上的变化速率。一幅图像空间频率具有垂直和水平两个分量。一幅具有高空间频率的图像通常是在很短的距离内其像素值有急剧变化。例如，一幅黑白相间的棋盘图像其空间频率就很高，棋盘的方格越小，图像的空间频率就越高。一幅空间频率低的图像其像素值通常保持不变或者变化缓慢,如云的图像其空间频率通常很低。
由于区处理能对空间频率信息进行处理，所以区处理可用来减缓或增强图像中某些特定的频率分量。正因为如此，大多数区处理都属于空间滤波器。空间滤波在图像处理中有很多应用：如可提取图像特征（边界增强和检测），进行图像锐化、图像平滑、图像模糊及去除图像中的随机噪声等。
区域处理是使用输入像素中的每个像素值产生输出像素值，典型应用包括离散卷积运算、图像变换、图像滤波、边缘检测等。下面介绍三个区处理算法：卷积、中值滤波和sobel边缘检测。
（1）卷积处理。卷积是一种用途很广的算法，可用卷积来完成各种区处理变换，如低通空间滤波、高通空间滤波、边缘增强、图像模糊等。
理解卷积的一种最好的方法是将它看作加权求和的过程。邻域中的每个像素（假定邻域为3X3）大小，其卷积核大小与邻域相同（参见图7-3）,它分别与卷积核每个元素相乘，乘积求和所得结果即为中心像素的新值。卷积核中的元素称为加权系数（亦称为卷积系数），卷积核中的卷积系数的大小及排列顺序决定了对图像数据进行区处理的类型。改变卷积核中的加权系数，会影响到总和的数值与符号，从而影响到所求像素的新值。
图7-3卷积过程示意图
图7-4给出了几种不同卷积核及其代表的各种变换。从图中可看出，大多数常用的卷积核都是3*3的，所有卷积核的行数和列数均为奇数，这些格式的卷积核已经成为工业标准，加大卷积核可使卷积处理更为灵活。从应用角度可不考虑构成这些卷积核背后的复杂数学理论，而直接使用这些卷积核，来解决所面临的实际问题。
图7-4几种不同的卷积核（除了LAP3外，其余卷积的卷积系数之和均为0）
①低通空间滤波器。低通空间滤波器是一种保留图像低频成分，减少图像高频成分的姓理算法。低通空间滤波器可用来降低图像中的视觉噪声，也可用来除去图像中的高频成分，以便更好地观察图像的低频成分。这是因为除去图像的高频成分后，图像中的那些不明显的低频变化就更容易识别了。低通空间滤波器的频率截止点由卷积核的大小及卷积系数决定。图7-4给出了三种不同的低通空间滤波器卷积核。
应该注意到，所有的低通滤波卷积核，其卷积系数之和均为1,这一点对于理解低通滤波器的工作原理很重要。对图像中没有高频成分的区域来说，这个区域中的像素值应该保持不变或者变化缓慢。当用一个低通滤波器对这个区域进行卷积时，加权系数与邻域像素分别相乘并求和，即可得到邻域中心像素的新值。如果邻域中所有像素的值都相同（保持恒定不变），则中心像素的新值与原值相同。这就是为什么加权系数和为1的原因，即卷积处理后保留了图像的低频部分。当卷积核移到图像的高频区域时，像素值的任何快速变化经过卷积计算，与邻域中其他像素取平均，这样就降低了高频成分。从视觉效果来看，图像经过低通滤波器处理后，显得有些模糊。这种现象的出现，是由于削弱了图像的高频成分，像素值的突变被平均值所代替的缘故。
②高通空间滤波器。当需要观察图像中具有高频成分之目标时，可采用高通空间滤波器对图像进行处理，处理后的图像中，频率较高的部分更突出了，而频率较低的部分被削弱了。图7-4给出了三个高频滤波器的卷积核。在高频滤波器中卷积核中心点的值最大的那个卷积系数起着关键的作用。当这个卷积系数经过图像中的高频部分(即灰度值有突变部分)时，由于卷积核中心点卷积系数很大，所以与像素值相乘后，在卷积结果中占了很大的比重(卷积核中除中心点以外其余各负的卷积系数值只是对上述放大效应起一些削弱作用)，卷积结果是使已有的灰度突变变得更突岀。也就是说，经过处理后，图像中像素值间的灰度差得到增强，而对像素值较恒定的区域则保持不变。也就是说，图像中像素值变化不大的区域(低频成分区域)不受此变换的影响。
③拉普拉斯边缘增强。采用卷积方法的另一种区处理就是边缘增强，在对图像进行特征提取之前，一般要进行边缘增强，然后进行二值化处理，以提取图像特征。边缘增强算法处理的目的是要突出图像的边缘。常用的边缘增强算法之一是拉普拉斯边缘增强算法。
拉普拉斯边缘增强算法是一种各向同性的增强算法。即其边缘的增强程度与边缘的方向无关。不论图像灰度梯度是正的还是负的，拉普拉斯边缘增强方法都能使边缘得到增强。
函数f(x,y)的拉普拉斯变换，其数学表达式为
式中d2f/dx2是f相对于X的二次偏导数，d2f是f相对于y的二次偏导数。对于离散函数来讲，二次偏导数可近似地用差分表示为
因此，拉普拉斯变换可近似地表示为
式(7-6)等效于一个与作卷积运算的卷积核。卷积核可写成
(2)中值滤波。中值滤波是一种区处理方法，但是它不属于卷积。中值滤波也是丁种根据邻域中各像素的值来决定中心像素值大小的方法。但是，它并不需要根据邻域值用算术方法计算出新像素值，而是一种按邻域中的像素排序后的中位像素(即排序后处于正中的那个像素值)作为中心像素新值的方法。
经过中值滤波后，图像中的随机噪声将被有效地消除。这是因为邻域中亮度值发生随机突变的像素，经过排序后，要么排在队列的队首，要么排在队列的队尾；而中心像素的新值，是取自队列中位的那个像素值。理论与实践证明，许多图像经过中值滤波处理后，都能得到较好的视觉效果。
(3)Sobel边缘检测法增强。Sobel边缘检测算法，是一种非线性边缘检测算法，该算法效率很高，而且用途很广。Sobel边缘检测算法中计算两个不同的卷积核，即
计算检测出来的边界强度和方向为
用Sobel边缘检测算法对图像中每一个像素进行处理后，得到的输岀图像通常还要进行同值化处理。当中心像素新值(即所计算的差值绝对值的最大值)等于或大于给定的阈值时，输出像素为白：当如小于给定的阈值，则输出像素为黑。经过Sobel算法和阈值处理后，最后的结果是一幅只包含边缘信息的黑白二值图。
3.图像的帧处理
图像的帧处理是用视频信号的前后帧(一帧或多帧)来处理本帧，它广泛应用于视频压缩中，如运动补偿、帧内插等。
