数字图像处理 阮秋琦 期末复习 #2 图像增强

第四章 图像增强

本科目的重点在于研究图像处理的办法，因此首先将图像简化，用没有颜色的单通道的灰度图来表示图像，仅在最后一节讨论了彩色图像的模型。
灰度是一种表示图像亮度或灰暗程度的测量标准。在数字图像中，灰度通常以数字值的形式表示，范围通常在0到255之间。而书本对灰度的定义则采用了概率，首先对灰度进行了归一化处理，每个像素取$[0,1]$区间内的灰度$r_k$，用$P(r_k)$表示灰度的概率分布。
假设一个变换后的图像，则设变换后灰度为$s$，有$$s=T(r),r=T^{-1}(s)$$
取随机变量$\eta ,\xi$分别表示新图像s，原图像p，则根据随机变量的函数可以写出$$F_{\eta }(s)=P(\eta <s)=P[\xi <r]$$
为了让变换是可逆的，且保持各像素的相对位置不变，要求$T(r)$单调递增，即对

有

因此$$F_{\eta }(s)=P(\eta <s)=P[\xi <r]=\underset{-\infty }{\overset{r}{\int }}{p}_r(x)dx$$
对$s$求导得密度函数$p_s(s)$：$$p_s(s)=\frac{dr}{ds}\cdot \frac{d[\underset{-\infty }{\overset{r}{\int }}{p}_r(x)dx]}{dr}=p_r(r)\cdot \frac{dr}{ds}=p_r(r)\cdot \frac{d[T^{-1}(s)]}{ds}$$

4.1 直方图均衡化处理

直方图均衡化是指使图像的整体对比度更均匀，从而提高图像的视觉质量。因此，需要利用直方图获取图片的统计信息。

4.1.1 直方图均衡化原理

1. 变换函数为$$s=T(r)=\underset{0}{\overset{r}{\int }}{p}_r(\omega )d\omega$$
2. 对$r$求导得到$$\frac{ds}{dr}=p_r(r)$$ 反转得到 $$\frac{dr}{ds}=\frac{1}{p_r(r)}$$
3. 代入$$p_s(s)=p_r(r)\cdot \frac{dr}{ds}$$ 即$$p_s(s)=p_r(r)\cdot \frac{1}{p_r(r)}=1$$
4. 得到$s$是在$[0,1]$上的均匀分布

直方图均衡化就是产生一副灰度分布具有均匀概率密度的图像，是直接利用灰度的累积分布函数，可以看作是灰度直方图的内在性质。
这样处理后的图像是一幅灰度层次较为适中，比原始图像清晰，明快得多的图像，认为这样的图像是质量得到了改善。

例题1

4.1.2 直方图均衡化计算

对于数字图像处理而言，灰度值都是离散值，因此要用$\sum$取代$\int dx$
即将函数$p_r(r)$改为分布：$$P_r(r_k)=\frac{n_k}{N},0\le r_k\le 1$$
累计分布$\underset{0}{\overset{r}{\int }}{p}_r(x)dx$改为：$$T(r_k)=S_k=\sum _{i=0}^k{P}_r(r_j)=\frac{\sum _{j=0}^k{n}_j}{N}$$

例题

首先计算灰度的分布列

而后由$$S_k=\sum _{i=0}^k{P}_r(r_j)=\frac{\sum _{j=0}^k{n}_j}{N}$$计算$S_0\dots S_7$，并修正：

$r_i\to s_i$就表示转换后的效果：


处理前后直方图对比如下：

s的直方图高度几乎在一条水平线上，也即“均衡化”处理

使用均衡化处理之后，灰度级的数量通常会减少，这种现象叫做简并现象，主要来自于求$s_k$时使用了舍入归为近似值（以免出现不允许的灰度值）。
因此，减少简并的方法就是增加像素的比特数，允许的灰度值更多，减少灰度层次的损失。

4.2 图像平滑化处理

$$无例题，略$$

4.3 图像尖锐化处理

只介绍微分尖锐化处理。
微分尖锐化属于空域法，用于增强图像边缘和细节，基本思想是通过对图像应用导数运算来突出像素值的变化
$$无例题，略$$

4.4 彩色图像处理

人们对图像进行分析时,人眼能区别的灰度层次 大约只有二十几种，但却能够识别成千上万的色
彩，彩色图像处理被划分为三个主要领域，即

1. 真彩色(True color processing)：被处理的图像一般从全彩色传感器中获得，例如彩色摄影机或彩色扫描仪。
2. 假彩色 (False color processing)： 假彩色并不使用颜色通道，而是将不同的图像信息映射到伪造的颜色上。例如，将高度信息映射到颜色，从而用颜色来表示高度。
3. 伪彩色 (pseudo color processing)：伪彩色通过将单通道的灰度图像映射到彩色图像上，以提供更多视觉信息。通常，通过使用渐变的颜色映射将灰度值映射到不同的颜色，以增强图像的可视化。

4.4.1 颜色模型

通常使用的多数彩色模型或者是面向硬件设备(例如彩色监视器或打印机)，或者是面向应用的。
通常与硬件有关的模型有：

1. RGB 模型：这种模型用在彩色监视器和彩色摄相机等领域。
2. CMY 模型：用在彩色打印机上。
3. YIQ 模型：用于彩色电视广播。该模型中，Y表示亮度，而I和Q是正交的两个颜色分量。
4. HSI 模型：常用于彩色图像模拟。

在图像处理中常用的模型是RGB、YIQ和HSI模型。

4.4.2 RGB模型

RGB 模型使用红色（R）、绿色（G）、蓝色（B）三个通道来表示颜色，书本规定每个通道的强度常在$[0,1]$的范围内。

书本对灰度、颜色等指标的定义都采取的是$[0,1]$的随机变量，而不是现实应用中$[0,255]$的离散值。
可能是考虑到可以采用更高或更低的分辨率或比特数，才将这一维度抽象出来。

优势：

• RGB图像由三个独立的图像平面构成，当原图像本身（如摄像机）就是由三原色（光谱数据）描述时，数字图像处理中运用RGB模型就很有意义。
• 对人脸的彩色图像进行增强处理，部分图像隐藏在阴影中，可以对它进行直方图均衡化，把每个图像平面单独地进行直方图均衡，所有可能隐藏在阴影中的图像部分都将被增强。

劣势：

• 三个图像平面的强度改变的同时也将不同地改变颜色性能(如色调)，显示在RGB 监视器上的图片就不再是自然和谐的了。

4.4.3 CMY模型

RGB到CMY的转换表示为：
$$\left[\begin{array}{c}C\\ M\\ Y\end{array}\right]=\left[\begin{array}{c}1\\ 1\\ 1\end{array}\right]-\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$$

4.4.4 YIQ模型

YIQ 模型包括亮度（Y）、色度（I、Q）三个分量。亮度（Y）表示图像的亮度信息，而色度（I、Q）表示颜色信息。
RGB到YIQ的转换表示为：$$\left[\begin{array}{c}Y\\ I\\ Q\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ 0.596& -0.275& -0.321\\ 0.212& -0.523& 0.311\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$$

优势：

• YIQ 模型利用人的可视系统对亮度变化比对色调和饱和度变化更敏感而设计，表示Y时 给予较大的带宽，表示I 、Q 时赋予较小的带宽。
• 去掉了亮度( Y )和颜 色信息( I 和Q )间的紧密联系，使得处理图像的亮度成分时能在不影响颜色成分的情况下进行。

4.4.5 HSI模型

HSI 模型包括**色相（Hue）、饱和度（Saturation）、亮度（Intensity）**三个分量。色相表示颜色的基本色调，饱和度表示颜色的纯度，亮度表示颜色的明亮度。
RGB到HSI的转换表示为： H = c o s − 1 { 1 2 [ ( R − G ) + ( R − B ) ] [ ( R − G ) 2 + ( R − B ) ( G − B ) ] 1 2 } H=cos^{-1}\lbrace \frac{\frac{1}{2} [(R-G)+(R-B)]}{[(R-G)^2 + (R-B)(G-B)]^{\frac{1}{2}}} \rbrace H=cos−1{[(R−G)2+(R−B)(G−B)]21​21​[(R−G)+(R−B)]​} $$S=1-\frac{3\cdot min(R,G,B)}{(R+G+B)}$$ $$I=\frac{1}{3}(R+G+B)$$
色相 H 的范围是 $[0°,360°)$，饱和度 S 和亮度 I 的范围是 [0, 1]。
模型的颜色分量（色调（hue）和饱和度 （saturation））的定义与三原色模型有关。颜色点的$H$是该向量与红色轴的夹角。因此，当$H=0°$ 时，为红色，$H=120°$时，为绿色，240为蓝色，60为黄色。

图片的亮度由垂直于三角形并通过其中心的直线表示，从下到上由暗变亮。