高频强调滤波增强图像

文章目录

 


前言

学习完高频滤波器的设计之后,紧接着就会接触到高频强调滤波的内容,这一块内容相对简单,只需要在高频滤波器的基础上稍加补充即可。


一、基础思路

高频强调就是在高频滤波的基础上对传递函数稍加修改,引入k1、k2两个变量。k1≥0给出了控制距原点的偏移量,k2≥0控制高频的贡献。

二、例题

给出一张胸部X射线图像,试用高频强调滤波增强该图像

三、代码

%由于在之前的文章中已经详细介绍了高斯滤波器的设计思路,在这里就不过多介绍,只介绍高频强调滤波增强部分
%本例体重采用2阶滤波器,D0=40,并令k1=0.5,k2=0.75
I1=imread('chest.tif');
[len,wed]=size(I1);
g=fft2(I1);
g=fftshift(g);
[M,N]=size(g);
m=fix(M/2);
n=fix(N/2);
D0=40;
n1=2
for i=1:M
    for j=1:N
        D=sqrt((i-m)^2+(j-n)^2);
        H1=1-exp((-1)*(D^2/(2*D0^2)));
        H2=0.5+0.75*H1;%根据给定的k1\k2两个系数对传递函数进行修改
        s1(i,j)=H1*g(i,j);
        s2(i,j)=H2*g(i,j);%高频强调滤波是利用修改后的函数进行频域相乘
    end
end
I2=im2uint8(real(ifft2(ifftshift(s1)/255)));
I3=im2uint8(real(ifft2(ifftshift(s2)/255)));
I4=histeq(I3);%高频强调滤波增强和直方图均衡化是常见的搭配处理方式,可以得到更好的图像效果
subplot(221),imshow(I1),title('原图');
subplot(222),imshow(I2),title('高斯高频滤波图');
subplot(223),imshow(I3),title('高斯高频强调滤波图');
subplot(224),imshow(I4),title('直方图均衡化');

四、结果展示


总结

可以看到原本普通的高频滤波之后图像的效果在引入k1、k2两个系数之后得到了明显的增强。

高频强调滤波和直方图均衡化联合使用得到的图像有奇效!

  • 3
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
高频强调滤波是一种用于增强图像高频细节的滤波方法。在Python中,可以使用以下步骤来实现高频强调滤波: 1. 导入所需的库: ```python import numpy as np import cv2 from matplotlib import pyplot as plt ``` 2. 读取图像并进行灰度化处理: ```python image = cv2.imread('image.jpg', 0) ``` 3. 对图像进行二维傅里叶变换: ```python f = np.fft.fft2(image) ``` 4. 将零频率成分移到频谱中心: ```python fshift = np.fft.fftshift(f) ``` 5. 构建高通滤波器,例如巴特沃斯高通滤波器: ```python rows, cols = image.shape crow, ccol = rows // 2, cols // 2 # 创建一个巴特沃斯高通滤波器 D = 30 # 截止频率 n = 2 # 阶数 # 计算距离中心频率的距离 dist = np.zeros((rows, cols)) for i in range(rows): for j in range(cols): dist[i, j] = np.sqrt((i - crow) ** 2 + (j - ccol) ** 2) # 构建滤波器 H = 1 - 1 / (1 + (dist / D) ** (2 * n)) ``` 这里的示例是一个巴特沃斯高通滤波器,通过计算距离中心频率的距离,并根据阶数和截止频率构建滤波器。 6. 将滤波器应用于频域图像: ```python fshift_filtered = fshift * H ``` 7. 将滤波后的频域图像转回原始图像域: ```python f_ishift = np.fft.ifftshift(fshift_filtered) image_filtered = np.fft.ifft2(f_ishift) image_filtered = np.abs(image_filtered) ``` 8. 显示原始图像滤波后的图像: ```python plt.subplot(121), plt.imshow(image, cmap='gray') plt.title('Original Image') plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(image_filtered, cmap='gray') plt.title('Filtered Image') plt.xticks([]), plt.yticks([]) plt.show() ``` 这样就完成了高频强调滤波的过程。你可以根据具体的需求调整截止频率和阶数来控制滤波效果。 希望这个示例对你有帮助!如果还有其他问题,请随时提问。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值