图像处理与机器学习课程笔记——图像增强

直方图

数字图像定义：以空间位置(x,y)为自变量的二维函数f(x,y)
不同灰度级分布构成不同图像
统计灰度级出现的次数

灰度直方图定义

灰度级的函数， 具有该灰度级的像素个数。

$$h(r_k)=n_k$$
$r_k$为灰度级，$n_k$为该灰度级的像素个数。

• 灰度直方图反映了图像灰度的分布
  
• 直方图归一化(Histogram Normalization)
  问题：数据集中在0处，图像全体会偏暗，数据集中在255附近，会偏亮。如果直方图有所偏向，那么动态范围就会较低。为了使人能更清楚的看见图片，让直方图归一化，平坦化十分必要
  方法：这种归一化直方图的操作被称作灰度变换(grayscale Transformation)。像素点从[c,d]转换到[a,b]的过程由下式定义。此处将图片的灰度扩展到[0,255]范围
  $$xout=\{\begin{array}{ll}a& xin<a\\ \frac{b-a}{d-c}\ast (xin-c)& c<=xin<=d\\ b& d<xin\end{array}$$

直方图均衡是将输入图像中的灰度概率分布p®转换成均匀概率分布$p(s)=\frac{1}{L-1}$。
$$f(x)=\{\begin{array}{ll}\frac{b}{a}& a<x<b\\ 0& else\end{array}$$
为此，选择的变换函数为：
$$s=T(r)=(L-1){\int }_0^r{p}_r(\omega )d\omega$$
离散空间
变换函数$s_k$为
$$s_k=T(r_k)=(L-1)\sum _{j=0}^k{p}_r(r_j)=\frac{L-1}{MN}\sum _{j=0}^k{n}_j$$
M、N为图像的宽高。k为灰度级，$k\in [0,L-1]$。$n_j$为当前灰度级的像素点数量。
利用上门的变换函数计算出的灰度值可能是小数，因此需要最近取整。
直方图均衡，用于人脸识别前的图像增强，增强识别成功的效率

空间域滤波

平滑空间滤波器

低通滤波器—均值滤波，用于模糊处理和降低噪声。但降低了图像灰度的尖锐变换。
中值滤波
统计排序滤波器—中值滤波，对椒盐噪声处理非常有效。

锐化空间滤波器

常用梯度算子

拉普拉斯算子

Laplace算子

• 对噪声敏感
• 不能检测边缘的方向----各向同性微分算子
• 零交叉性质进行边缘定位
  Sobel算子
• 对噪声敏感度较低
• 可以检测边缘的方向
• 无法进行边缘定位

Retinex滤波