冈萨雷斯《数字图像处理》学习笔记（2）--灰度变换与空间滤波

一、对数及对比度拉伸变换

对数拉伸变换公式：

$$g=c*log(1+f)$$
其中，c是常数（拉伸幅度），g是输出图像的灰度值，f是输入图像的灰度值

对比度拉伸变换公式：

$$s=\frac{1}{1+(\frac{m}{r})^E}$$
其中，E是常数（控制函数斜率，即拉伸幅度），s是输出图像的灰度值，r是输入图像的灰度值，m为自设定的阈值

从公式可以看出：

• 对数变换可以压缩动态范围。例如可以将 10^6的动态范围压缩至14左右 ( $ln(10^6)=13.8$ )。
• 我们通过下面两幅图来看对比度变换，图3.4(a)所示的函数称为对比度拉伸变换函数，因为该函数可将窄范围的输入灰度级拓展为宽范围的输出灰度级。而图3.4(b)我们称为阈值处理函数，因为它将小于 m 的灰度值变为 0，大于 m 的变为 1（即输出一幅二值图像）。
  

二、直方图均衡化和规定化（匹配）

直方图均衡化公式：

$$连续：s=(L-1)\int_0^rp_r(w)dw$$
$$离散：s_k=(L-1)\sum_0^k \frac{n_j}{n}$$
其中，w是积分虚变量， $p_r(r)$ 是图像灰度级的概率密度函数， $n_j$ 是第 j 个灰度级的出现次数（频数），n 为像素总个数， L 控制均衡幅度（可令为256）， s 和 $s_k$ 为输出图像的灰度值。

计算步骤：

1. 计算每一个灰度级出现的频率 $h_s$（灰度级从小到大排序）；
2. 计算各个灰度级的累积分布率 $h_p$；
3. s_k= (L-1)* $h_p$ 即为输出对应的灰度值。

具体例子参考这篇blog

直方图规定化公式：

$$H(z)=\int_0^z p_z(w)dw=s$$
$$z=H^{-1}(s)$$
其中，s 为直方图均衡化后的输出，H(z)为指定的直方图分布。
很明显，直方图匹配即生成具有特定直方图的图像的方法。

三、空间滤波

空间滤波（邻域处理）包括:

1. 取中心(x,y);
2. 对预先定义的以 (x,y) 为中心的邻域内的像素进行运算;
3. 令运算结果为该点处的响应；
4. 对图像每一个点重复此步骤。

根据执行的计算是否为线性，我们可以分为线性空间滤波和非线性空间滤波。学过dl的读者可以这样认为，线性空间滤波类似于卷积（只是旋转180度后再进行同样的操作），非线性空间滤波类似于最大池化和平均池化（取邻域的最大值，平均值或中值这样的非线性操作）。

我们根据下图进行解释：

图2.14(a)显示了一个一维函数 f 和一个掩模 w 。假设 f 的原点为其左侧的点。为求两个函数的相关，我们可移动 w，使 w 最右侧的点与f的原点重合，如图2.14(b)所示。注意，这两个函数之间有一些点未重叠。处理这种问题通用方法是在 f 中填充足够多的零，以保证 w 在 f 中移动时，总存在相应的点。这种情形如图2.14(c)所示。

相关的第一个值是在图2.14(c)所示位置上两个函数乘积的累加和。此时，乘积的累加和为0。接着，我们将 w 向右移动一个位置并重复上述步骤 [见图2.14(d) ], 乘积的累加和仍为0。经过4次移动后 [见图2.14(e) ]，我们首次得到了相关的非零值，即(2)(1)=2。按照这种方式操作下去，直至 w 全部移过图像 f ，我们就可得到如图2.14(g)所示的结果。这组值即为 w 与 f 的相关。而卷积操作则旋转了180度后再进行相同的操作。

在图2.14(g)所示的相关中，‘full’ 表示相关操作按刚描述的方式计算时使用的是经过充零后的图像。‘same’表示，它产生一个大小与I相同的相关。这种计算同样也使用经过充零后的图像，但起始点位于掩模的中心点(在 w 中标为3的点)，掩模的中心点则与 f 的原点对齐。最后的计算是使 f 的最后一个点与掩模的中心点对齐。

二维的同理，可以参考卷积神经网络的操作。

非线性空间滤波也基于邻域操作的，也可通过定义一个大小为mxn的邻域，以其中心点滑过一幅图像的方式进行操作。线性空间滤波基于计算乘积之和(这是一个线性操作)，而非线性空间滤波则基于非线性操作，这种操作包含了一个邻域的像素。例如，令每个中心点处的响应等于其邻域内的最大像素值的操作即为非线性滤波。另一个基本区别是，掩模的概念在非线性处理中并不流行。滤波的概念仍然存在，但“滤波器”应看做是一个基于邻域像素操作的非线性函数，其响应组成了在邻域的中心像素处操作的响应。