7/12 数字处理图像笔记(第三章)

灰度变换与空间滤波

背景知识

灰度变换和空间滤波基础

空间域的动作就是直接对图像像素本身直接操作。相对于变换域的复杂操作，空间变换更直观，容易理解，而且需要更少的处理资源。

f(x, y)就是输入图像，g(x, y)就是处理后的图像，T就是在(x, y)该点及其邻域上的一个算子。

他们通称为空间滤波， 其中邻域和预定义的操作（算子）通称为空间滤波器（也称为空间掩膜、核、模板或窗口）。如果我们取极限，另最小邻域的大小为1x1， 那么g仅仅取决于点(x, y)的f值，我们套用刚才的T的公式形成如下的灰度（也称为灰度级或映射）变换函数：

关于本章中的例子

一些基本的灰度变换函数

图像反转

使用图3.3中所示的反转变换，可得到灰度级范围为[0, L- 1]的- -幅图像的反转图像，该反转图像由下式给出:
s=L-1-r

对数变换

-通用公式:s=clog(l+r),
r≥0，c:常数
目的:扩展图像中暗像素的值，同时压缩更高灰度级
的值(其将使比较狭窄的低灰度级范围变得更宽，而较宽的高灰度级范围变得更窄，同时能够压缩像素值变化范围很大的图像，使之像素值分布范围更小。)

幂律变换

分段线性变换

分段线性函数的主要特点是其形式可以任意复杂，主要缺点是其说明需要更多的用户输入。
对比度拉伸变换:
扩展图像灰度级动态范围
用于低对比度图像
光照不足
成像传感器动态范围太小
镜头光圈设置错误等
a)分段线性函数
b)低对照度放大约700倍的花粉SEM图像
c)对比度拉伸结果
(r1, s1)=(rmin,0)
(r2, s2) =(rmax,L-1)
d)灰度阈值化处理
(r1, s1)=(m,0)
(r2, s2) =(m,L-1)

灰度级分层(灰度切割) (slicing):

主要用于突出某个特定的灰度范围，从而增强某个专门的特征。

比特平面分层(位平面切割( bit-plane slicing) ) :

该操作主要是为突出图像中的某个具体的位对整个图像外表的贡献。可以
把一副数字图像分解成位平面的组合，分析图像每个位的相对重要性，从
而在图像量化时可以帮助决定所使用的位数是否足够，这种分解在图像压
缩中也有很大的作用。

图3.14(a)显示了一-幅8比特灰度图像，图3.14(b) 到图3.14(i)是其8个1比特平面，图3.14(b) 对
应于最低阶比特。很明显，4个高阶比特平面，特别是最后两个比特平面，包含了在视觉上很重要的
大多数数据。低阶比特平面在图像中贡献了更精细的灰度细节。原图像有一个灰度为194的灰色边。
注意，对应于某些比特平面的灰度边界是黑色(0)，而其他灰度边界是白色(1)。为了解其原因，考虑
个像素，譬如，图3.14(a)的最低边界的中部。从最高阶平面开始,这些比特平面中的相应像素的
值分别为11000010，它是十进制数194的二进制表示。原图像中任意-个像素的值，可以类似地
由这些比特平面中对应的二进制像素值来重建。

直方图处理

定义:
从图形上来说:直方图是一个二维图，横坐标表示图像中各个
像素点的灰度级，纵坐标为各个灰度级上图像各个像素点出现
的次数。
图像直方图是图像各灰度值统计特性与图像灰度值的函数，它
统计一幅图像中各个灰度级出现的次数。
性质:
直方图描述了每个灰度级具有的像素的个数，但丢失了所有这些
像素点的空间信息。因此，任一特定的图像有唯-的直方图，但
反之并不成立。
除以图像面积来归一化灰度直方图可以得到图像的概率密度函数
(PDF)，PDF与直方图的差别在于纵坐标为各个灰度级上图像各
个像素点出现的概率。

直方图是大量的空域处理技术的基础，直方图处理可以有效地用于图像
增强。除了能提供有关图像的统计特征外，其所包含的信息还能用于其
他很多的图像处理技术，如图像分割、图像压缩等。其软件实现简单，
可以做成固件，使其在实时图像处理中成为最受欢迎的工具。

四种典型灰度图像的直方图特征:
(a)暗图像; ©低对 照度图像;
(b)亮图像; (d)高对 照度图像

直方图均衡处理

直方图均衡化是指将-一个已知灰度分布的图像使用某种非线性灰
度变换函数进行计算，使得运算结果变成–幅具有均匀灰度分布
的新图像。
考虑连续灰度值，并用变量r表示待处理图像的灰度。通常，我们]假设r的取值区间为[0,L-1],
且r=0表示黑色，r=L-1表示白色。在r满足这些条件的情况下，我们将注意力集中在变换形式
s=T®,0≤r≤L- 1上(灰度映射),对于输人图像中每个具有r值的像素值产生一个输出灰度值s。我们假设
(a) T®在区间0≤r≤L-1上为单调递增函数。
(b)当0≤r≤L-1时, 0≤T®≤L-1。
在稍后讨论的一些公式中，我们用反函数
r=T(s),0≤s≤L- 1
在这种情况下，条件(a)改为
(a’) T® 在区间0≤r≤L-1上是-一个严格单调递增函数。

直方图匹配

直方图匹配是指对一幅图像进行变换，使其直方图与另一幅图像的直方图或特定函数形式的直方图相匹配。
在一些模式识别问题中，为了增强数据的一致性，有时需要对图象的直方图进行匹配处理，即使得输入的图象经过变换后具有与参考图象相同的直图，然后再进行后续处理。直方图匹配是通过以直方图均衡化变换为中介来实现的。另外，直方图的规定没有什么规则可循。一般，可以根据特定的增强任务，采用试凑的方法来得到想要的直方图规定。

令P®为原始图像的灰度密度函数，P(z)是期望通过匹配的图像灰度密度函数。对P®及P(z)作直方图均衡变换，通过直方图均衡为桥梁，实现P® 与P(z)变换。
步骤：
1.由输人图像得到p®，并由式

求得s的值。
2.使用式

中指定的PDF求得变换函数G(z)。
3.求得反变换函数z=G-(s);因为z是由s得到的，所以该处理是s到z的映射，而后者正是我们期望的值。
4.首先用式

对输入图像进行均衡得到输出图像;该图像的像素值是s值。对均衡后的图
像中具有s值的每个像素执行反映射z=G-’(s)，得到输出图像中的相应像素。当所有的像素都处理完后，输出图像的PDF将等于指定的PDF。

局部增强

前面所说的两种处理技术都是全局处理，用于整体增强。在某些情况下，用于增强某个小区域细节的局部增强技术是需要的。局部增强其实就是基于邻域的空间域操作，前面的方法同样可以使用，但此时处理的是一副图像中的某个子区域。
简单实例:

空间滤波

空间滤波根据其特点一般可分成线性的和非线性的2类。线性滤波器的设计常基于对傅里叶变换的分析，非线性空间滤波器则一般直接对邻域进行操作。另外各种空间滤波器根据功能又主要分成平滑的和锐化的。平滑可用低通滤波实现。锐化可用高通滤波实现。结合上述2种分类法，可将空间滤波增强方法分成4类，见表:

空间滤波器的工作原理可借助频域进行分析。它们的基本特点都是让图象在傅里叶空间某个范围内的分量受到抑制而让其它分量不受影响，从而改变输出图的频率分布，达到增强的目的。

空间相关与卷积

平滑空间滤波器

平滑滤波通常被用作模糊图像和减少噪声。
模糊处理通常用在预处理阶段，如在目标抽取前用于移除小的细节，或者把线和曲线间的间隙连接起来。
噪声减少可以用线性的或非线性的滤波器来完成。
a)线性平滑滤波器
线性低通滤波中最常用的是线性平滑滤波器—邻域平均:
f(i,j)一表示(,j)点的实际灰度值
g(i,j)一变换后输出图像(i,j)点的实际灰度值
以(i, j)点为中心取一个NXN的窗口(N=3,7…)，窗口内像素
组成的点集以4来表示，经邻域平均法滤波后，像素(i, i)的输
出为:

假设图像是由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是统计独立的。因此，可用邻域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。
线性平滑滤波器作用：减小图像灰度的“尖锐”变化，减小噪声
由于图像边缘是由图像灰度尖锐变化引起的，所以也存在边缘模糊的问题
非线性滤波器：最大值滤波器、中值滤波器、最小值滤波器
应用
去噪：使噪声小的部位变模糊，从而达到去噪目的
提取感兴趣部分（使用想要去除部位点大小的滤波器使图像变模糊(如图b)，再阈值处理变二值图像(如图c)）

统计排序滤波器
统计排序滤波器是一种非线性滤波器，这种滤波器的响应以滤波器包围的图像区域中多包含的像素的排序为基础，然后使用统计排序结果决定的值代替中心像素的值。是将像素邻域内灰度的中值代替该像素的值。
分类：
①中值滤波器： 用像素领域内的中间值代替该像素
主要用途：去除噪声（尤其是椒盐噪声[即以黑白点的形式叠加在图像上的]）
计算公式：R = mid { zk| k = 1,2,…,n}
②最大值滤波器：用像素领域内的最大值代替该像素
主要用途：寻找最亮点
计算公式：R = max {zk| k = 1,2,…,n}
③最小值滤波器：用像素领域内的最小值代替该像素
主要用途：寻找最暗点
计算公式：R = min {zk| k = 1,2,…,n}
中值滤波器
中值滤波器的使用非常普遍，这是因为对于一定类型的随机噪声，提供了一种优秀的去噪能力，而且比相同尺寸的线性平滑滤波器的模糊程度明显要低。中值滤波器对处理脉冲噪声非常有效，该种噪声也称为椒盐噪声，因为这种噪声是以黑白点的形式叠加在图像上的。
主要功能：是使拥有不同灰度的点看起来更接近于它的相邻点。
原理：用模板区域内像素的中间值，作为结果值
强迫突出的亮点（暗点）更象它周围的值， 以消除孤立的亮点（暗点）
简单来讲就是用于处理周围暗点中的级亮点或周围亮点中的级暗点

中值滤波算法的特点
优势:
对脉冲干扰及椒盐噪声(salt-and pepper noise)的抑制效果好，在抑制随机
噪声的同时能有效保护边缘少受模糊。
缺点:
它对点、线等细节较多的图像却不太合适。

锐化空间滤波器

锐化处理的主要目的：是突出图像中的细节或者增强被模糊的细节，突出灰度的过渡部分。
原理：锐化处理可由空间微分来实现。微分算子的响应强度与图像在该点的突变程度有关。这样一来，图像微分增强了边缘和其他突变，并削弱了灰度变化缓慢的区域。
一阶微分：

二阶微分：

通过比较一阶微分和二阶微分处理的响应，可以得出以下结论：
一阶微分处理通常会产生较宽的边缘；二阶微分处理对细节有较强的响应，如细线和孤立点；
一阶微分处理一般对灰度阶梯有较强的响应；二阶微分处理对灰度阶梯变化产生双响应，同时在图像灰度级变化相似时，二阶微分对线的响应要比对阶梯强，且点比线响应强。
基于一阶微分的图像增强——梯度法
在图像处理中，一阶微分是通过梯度法来实现的。对于函数f(x, y)，在其坐标(x, y)上的梯度是通过一个二维列向量来定义的：

梯度向量的分量本身是线性算子，但这一向量的模值显然不是线性的，这是由于用到了平方和开方运算。在实际操作用，常用绝对值代替平方和开方运算。
梯度处理常用语工业检测、辅助人工检测缺陷或者更为通用的自动监测的预处理。
基于二阶微分的图像增强——拉普拉斯算子
拉普拉斯：是一种微分算子，它的应用强调图像中灰度的突变及降低灰度慢变化的区域，这将产生一幅把图像中的浅灰色边线和突变点叠加到暗背景中的图像，将原始图像和拉普拉斯图像叠加到一起的简单方法可以保护拉普拉斯锐化处理的效果，同时又可以复原背景信息。
最简单的各向同性微分算子是拉普拉斯算子，一个二元图像函数f(x, y)的拉普
拉斯变换定义为：

为了更适合数字图像处理，这一方程需要表示为离散形式，由x方向和y方向的两个分量相加得到：

使用模糊技术进行灰度转换和空间滤波

模糊集合：一个由z值和（赋予z成员等级的）相应隶属度函数组成的序对，即

基于规则的模糊逻辑应用的主要步骤：
1.模糊输入
2.执行任何需要的模糊逻辑操作
3.应用一种推断方法
4.对来自步骤3的模糊集合应用一种聚合方法
5.对最后输出的模糊集合去模糊

使用模糊集合进行灰度转换

应用：增强对比度，同时保持图像中的部分细节。
灰度级图像对比度增强过程的规则：

使用模糊集合进行空间滤波

应用：图像锐化（边缘增强）、图像分割。
基于模糊集合概念的边缘提取算法：如果一个像素属于平滑区，则令其为白色，否则使其为黑色；其中”黑色“和”白色“是模糊集合。
定义：zi表示像素邻域点；di表示第i个邻点和中心点间的灰度差（di=zi-z5）。

四个IF-THEN规则和一个ELSE规则：