图像增强
目的是要改善图像的视觉效果, 针对给定图像的应用场合, 有目的地强调图像的整体或局部特性, 将原来不清晰的图像变得清晰或强调某些感兴趣的特征, 扩大图像中不同物体特征之间的差别, 抑制不感兴趣的特征, 使之改善图像质量, 丰富信息量, 加强图像判读和识别效果, 满足某些特殊分析的需要.
图像增强的方法是通过一定手段对原图像附加一些信息或变换数据, 有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征, 使图像与视觉响应特性相匹配. 在图像增强过程中, 不分析图像降质的原因, 处理后的图像不一定逼近原始图像. 图像增强技术根据增强处理过程所在的空间不同, 可分为基于空域的算法和基于频域的算法两大类.
图像增强可分成两大类:频率域法和空间域法.
基于空域的算法处理时直接对图像灰度级做运算. 基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正, 是一种间接增强的算法.
频率域法把图像看成一种二维信号, 对其进行基于二维傅里叶变换的信号增强.采用低通滤波(即只让低频信号通过)法, 可去掉图中的噪声; 采用高通滤波法, 则可增强边缘等高频信号, 使模糊的图片变得清晰.
基于空域的算法分为点运算算法和邻域去噪算法. 点运算算法即灰度级校正, 灰度变换和直方图修正等, 目的或使图像成像均匀, 或扩大图像动态范围, 扩展对比度. 邻域增强算法分为图像平滑和锐化两种. 平滑一般用于消除图像噪声, 但是也容易引起边缘的模糊. 常用算法有均值滤波, 中值滤波. 锐化的目的在于突出物体的边缘轮廓, 便于目标识别. 常用算法有梯度法, 算子, 高通滤波, 掩模匹配法, 统计差值法等。
相关方法:
1.对比度变换:线性变换、非线性变换
2.空间滤波：图像卷积运算、平滑、锐化
3.彩色变换：单波段彩色变换、多波段彩色运算、HIS
4.多光谱变换：K-L变换、K-T变换
5.图像运算：插值运算、比值运算、分形算法
影响图像质量清晰程度有很多因素, 室外光照度不均匀会造成图像灰度过于集中; 摄像头获得的图像经过数/模转换, 线路传输时都会产生噪声污染, 图像质量不可避免降低, 轻者变现为图像伴有噪点, 难于看清图像细节; 重者图像模糊不清, 连大概物体面貌轮廓都难以看清. 因此，对图像进行分析处理之前, 必须对图像进行改善, 即增强图像. 图像增强并不考虑图像质量下降的原因, 只是将图像中感兴趣的重要特征有选择性的突出出来, 同时衰减不需要的特征, 目的就是提高图像的可懂度.
图像增强的方法分为空域法和频域法两种, 空域法是对图像中的像素点进行操作, 用公式描述如下:
g(x,y)=f(x,y)*h(x,y) 其中是f(x,y)原图像; h(x,y)为空间转换函数; g(x,y)表示进行处理后的图像.
频域法是间接的处理方法, 是先在图像的频域中对图像的变换值进行操作, 然后变回空域. 例如, 先对图像进行傅里叶变化到频域, 再对图像的频谱进行某种滤波修正, 最后将修正后的图像进行傅里叶反变化到空域, 以此增强图像.
---------空间域
---------------点运算
--------------------灰度变换
--------------------------线性变换
--------------------------非线性变换
--------------------------------对数变换
--------------------------------幂次变换
--------------------------------指数变换
--------------------------阈值变换
--------------------直方图修正法
--------------------------均衡化
--------------------------规范化
--------------------局部统计法
---------------局部运算
--------------------图像平滑
--------------------图像锐化
---------频率域
---------------高通滤波
---------------低通滤波
---------------同态滤波增强
---------彩色增强
---------------假彩色增强
---------------伪彩色增强
---------------彩色变换及应用
---------图像的代数运算
转自
http://baike.baidu.com/view/286854.htm
http://3352101.blog.163.com/blog/static/1267530972010328111345822/?latestBlog
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
