【图像增强】同态滤波+Retinex+模糊技术图像增强【含Matlab源码 1013期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、 图像增强技术简介

1 图像增强
图像增强是对图像的某些特征，如边缘、轮廓、对比度等进行强调或锐化，以便于显示、观察或进一步分析与处理。通过对图像的特定加工，将被处理的图像转化为对具体应用来说视觉质量和效果更“好”或更“有用”的图像。
图像增强是最基本最常用的图像处理技术，常用于其他图像处理的预处理阶段。

（1）高通平滑、低通锐化；平滑模糊、锐化突出图像细节
（2）滤波器还有带通、带阻等形式
（3）根据噪声（椒盐噪声、高斯噪声…）的不同，选用不同的滤波
（4）邻域有4-邻域、对角邻域、8-邻域，相对应的有邻接，即空间上相邻、像素灰度相似
（5）图像边缘处理：忽略不处理、补充、循环使用
（6）目前尚未图像处理大多基于灰度图像

2 同态滤波
同态滤波采用的是照射-反射模型， 即通过同时减小图像的灰度范围和增强图像的对比度来对图像增强. 图像可表示为照射i(x,y)和反射r(x,y) 两部分的乘积

将其变换到对数域， 并进行傅里叶变换得

式中： I(u,v)和R(u,v)分别是In(i(x,y))和In(r(x,y)) 的傅里叶变换， 借助滤波函数H(u,v)对F(u,v)进行滤波， 可以分离得到入射分量和反射分量

滤波后， 进行傅里叶逆变换得

对式(25)取指数后， 得到滤波后的图像

3 Retinex增强处理
基于全局直方图、局部直方图的图像去雾算法在理论及实现上比较简单，能起到一定的去雾处理效果。为了进行对比， 实验中采取了Retin ex图像增强算法来进行对比， 该算法可以平衡图像灰度动态范围压缩、图像增强和图像颜色恒常三个指标，能够实现对含雾图像的自适应性增强。因此， Retin ex增强处理通过对RGB图像的R、G、B三层通道分别应用Retin ex算法进行处理， 再整合到新的图像的方式来进行。

4 图像的直觉模糊增强算法
模糊范数在模糊集的理论体系中占有重要地位，YAGER通过“最大-最小”算子定义了模糊范数

HAMACHER通过纯代数运算定义模糊范数

对于一幅大小为M×N的灰度图像B(彩色图像取其亮度),其灰度值范围为[0,L-1],则图像B的模糊域的隶属函数可定义为

式中：gmin和gmax分别为图像灰度值的最小值和最大值；gi j为像素(i,j)的灰度值。
直觉模糊集：设X是一个给定论域，则X上的一个直觉模糊集A为
A={<x,μA(x),γA(x)>|x∈X} (6)
式中：μA(x)∈[0,1]为隶属函数，γA(x)∈[0,1]为非隶属函数，且对于A上的所有x∈X,0<μA(x)+γA(x)≤1,πA(x)=1-μA(x)-γA(x)为犹豫度。

式中：0≤α≤1,α用来调节隶属度μ(gi j)本身包含的模糊性，经实验验证，当0.6<α≤0.8时，图像增强效果较好。
利用式(4)的Hamacher模糊范数，可合成隶属度

直觉模糊增强图像的步骤为： 1) 通过式(5)计算图像每个像素点的隶属度；2) 通过式(7)和式(8)计算图像每个像素点的隶属度的下限和上限；3) 通过式(9)将图像每个像素点的隶属度的下限和上限合成为像素点的隶属度；4) 通过式(10)计算图像每个像素点的隶属度对应的灰度值。

⛄二、部分源代码

Image=(imread(‘gugong1.jpg’)); %打开图像并转换为double数据
imshow(Image);
[height,width,c]=size(Image);
RI=double(Image(:,:,1)); GI=double(Image(:,:,2)); BI=double(Image(:,:,3));
sigma=100; filtersize=[height,width];%高斯滤波器参数
gaussfilter=fspecial(‘gaussian’,filtersize,sigma); %构造高斯低通滤波器
Rlow=imfilter(RI,gaussfilter,‘replicate’,‘conv’);
Glow=imfilter(GI,gaussfilter,‘replicate’,‘conv’);
Blow=imfilter(BI,gaussfilter,‘replicate’,‘conv’);
minRL=min(min(Rlow)); minGL=min(min(Glow)); minBL=min(min(Blow));
maxRL=max(max(Rlow)); maxGL=max(max(Glow)); maxBL=max(max(Blow));
RLi=(Rlow-minRL)/(maxRL-minRL);
GLi=(Glow-minGL)/(maxGL-minGL);
BLi=(Blow-minBL)/(maxBL-minBL);
Li=cat(3,RLi,GLi,BLi);
figure;imshow(Li);title(‘估计光照分量’);
imwrite(Li,‘light.bmp’);
Image=(imread(‘gugong1.jpg’)); %打开图像并转换为double数据
imshow(Image);title(‘原始图像’);
[height,width,c]=size(Image);
RI=double(Image(:,:,1)); GI=double(Image(:,:,2)); BI=double(Image(:,:,3));
beta=0.4;
alpha=125;
CR=beta*(log(alpha*(RI+1))-log(RI+GI+BI+1));
CG=beta*(log(alpha*(GI+1))-log(RI+GI+BI+1));
CB=beta*(log(alpha*(BI+1))-log(RI+GI+BI+1));
Rhigh=zeros(height,width);
Ghigh=zeros(height,width);
Bhigh=zeros(height,width);

end
Image=imread(‘Beautiful.jpg’);
imshow(Image),title(‘原始图像’);
[height width]=size(Image);
Image=double(Image);
xmax=max(max(Image));
Fe=2;%指数模糊因子
xc=mean2(Image);
Fd=(xmax-xc)/(2^(1/Fe)-1);
u=(1+(xmax-Image)/Fd).^(-Fe); %空间域变换到模糊域
times=2;%设置迭代次数
for k=1:times
for i=1:height %模糊域增强算子
for j=1:width

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黄明杨.图像去模糊技术及相关图像增强系统[D].北京邮电大学

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合