图像增强方法介绍

基本概念

• 图像增强：使图像更适合于特定应用的图像处理技术
• 不存在对任何图像都通用的增强理论

图像增强分类

• 空间域图像增强

  • 空间域：图像平面本身

  • 表示为：$g(x,y)=T[f(x,y)]$

    T一般表示f在像素(x,y)邻域的一种操作，T有时也表示图像集(图像算数/逻辑操作增强)。

  • 主要以图像像素直接处理为基础

  • 空间域图像增强分为两大类：

    • 点运算：基本灰度变换，直方图处理

      算术/逻辑操作增强属于多图像集点运算

      • 灰度变换是对图像对比度进行处理的方法，任何一个像素变换后的值s，只与该像素变换前的值r相关，即：$s=T(r)$
      • 灰度级变换函数的三种类型
        • 线性（正比或反比）
        • 对数（对数或反对数）
        • 幂次（n次幂或n次方根）

    • 邻域运算：平滑空间滤波器，锐化(边缘)空间滤波器

      • 邻域一般定义为以某像素为中心的二维阵列，一般取3×3，当邻域为1×1的运算，称为点运算，其余称为邻域运算。

• 频率域图像增强

  • 修改图像的傅里叶变换

基本灰度变换

图像反转

• 灰度级范围为[0, L-1]的图像，反转变换为$s=L-1-r$
• 适合增强嵌入于图像暗色区域的白色细节，特别是当黑色面积占主导地位

对数变换

• 灰度级范围为[0, L-1]的图像，对数变换为$s=clog(1+r)$
• 使窄带低灰度输入图像值映射为一宽带输出值

幂次变换

• 灰度级范围为[0, L-1]的图像，幂次变换为$s=c{r}^{\gamma }$
• 幂次变换也叫伽马矫正，是一种更加灵活的对比度增强方法
• 幂次变换对图像偏亮和偏暗的图像都可以进行增强

分段线性变换函数

• 由多个折线组成
• 按需要，将集中在某些段的对比度增强

算数/逻辑操作

图像逻辑运算

图像逻辑运算指对两幅输入图像,每对点（像素）进行逻辑处理（按位求与、按位求或、输出最大值、按位求异或、相加求模等），最终得到一幅新的输出图像的运算。

• 与运算：$g(x,y)=a=AND[f(x,y),h(x,y)]$
• 或运算：$g(x,y)=a=OR[f(x,y),h(x,y)]$
• 求最大值运算：$g(x,y)=a=MAX[f(x,y),h(x,y)]$
• 异或运算：$g(x,y)=a=XOR[f(x,y),h(x,y)]$
• 求模运算：$g(x,y)=a=[f(x,y)+128]mod256$

图像算术运算

图像算术运算指两幅输入图像进行点对点的加、减、乘、除计算而得到输出图像的运算。

• 图像相加运算：$g(x,y)=f(x,y)+h(x,y)$
• 图像相减运算：$g(x,y)=f(x,y)-h(x,y)$
• 图像相乘运算：$g(x,y)=f(x,y)\times h(x,y)$
• 图像相除运算：$g(x,y)=f(x,y)/h(x,y)$

图像减运算

• 减去背景噪声

  当一光学系统存在背景噪声时，可以将由该光学系统拍摄的相片与背景相处相减，除去背景噪声（缓慢变化的加性非随机噪声）

• 减去背景

  当只需要观察前景图像时,将背景图像减去

• 运动检测

  当一场景有运动物体时，可以通过与没有任何运动物体时拍摄下来的照片相减，检测出运动的物体

  将时间较近的两幅图像相减也可以检测出是否存在运动的物体

• 求差值图像

  将两幅在对应像素上具有相关性的图像(如视频在时间上较近的两幅图像等)相减,得到的差值图像(幅值一般都较小)

图像加运算

• 求平均值降噪

  • 当某一静止场景的多幅图像被随机噪声所污染，可以通过将这些图像相加，提高图像的信噪比，降低随机噪声对图像的干扰
  • 假设单幅图像的功率信噪比为p(x,y)， 则M幅图像相加求平均值后，功率信噪比提高M倍，即等于M x p(x,y)

• 图像叠加

  将两幅图像透明叠加在一起(相当于二次曝光)

图像乘运算

• 图像标定

  图像数字化仪器对一幅图像各点的敏感程度有可能不同，对每一点（像素）乘上一个系数，可以纠正这一影响

• 图像掩膜

  • 在需要被完整保留下来的区域，掩膜图像的值为1，而在需要抑制掉的区域，掩膜图像的值为0。将原图像乘掩膜图像，可抹去图像的相应部分。
  • 利用一个互补的掩膜图像，乘上另一幅图像
  • 将两幅图像相加，可得到一幅新的图像

直方图定义

定义1

一个灰度级在范围$[0,L-1]$的数字图像的直方图是一个离散函数$h(r_k)=n_k$

其中，$n_k$是图像中灰度级为$r_k$的像素个数，$r_k$是第k个灰度级，$k=0,1,2,...,L-1$

由于$r_k$的增量为1，直方图表示为：$p(k)=n_k$

定义2

一个灰度级在范围$[0,L-1]$的数字图像的直方图是一个离散函数$p(r_k)=n_k/n$

其中，$n$是图像的像素总数，$n_k$是图像中灰度级为$r_k$的像素个数，$r_k$是第k个灰度级，$k=0,1,2,...,L-1$

对比

对比上面两种定义，定义2将其映射至了[0,1]区间，函数值范围于像素总数无关，给出了灰度级$r_k$在图像中的概率密度统计。

注意：直方图没有描述像素的空间关系，仅仅描述灰度级分布。

直方图均衡化

基本思想

希望一幅图像的像素占有全部可能的灰度级且分布均匀，能够具有高对比度。

把原始图的直方图变换为均匀分布的形式，增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。

其中，我们使用灰度级变换进行实现：$s=T(r),0\le r\le 1$

灰度级变换

$T(r)$满足两个条件：

1. $T(r)$在区间$0\le r\le 1$中为单值且单调递增

   保证原图各灰度级在变换后仍保持从黑到白/从白到黑的排列次序

2. 当$0\le r\le 1$时，$0\le T(r)\le 1$

   保证变换前后灰度动态范围的一致性

均衡化计算

对于离散值：$p_r(r_k)=\frac{n_k}{n}$

为了将离散值的范围增大，分布更加均匀从而提高对比度，我们利用累加的方式，其变换函数的离散形式为：

$s_k=T(r_k)=(L-1){\sum }_{j=0}^k{p}_r(r_j)=(L-1){\sum }_{j=0}^k\frac{n_j}{n}$

其中，$k=0,1,...,L-1$

通过$s_k$，根据像素点的原灰度值k作为索引，可以得到对应的均衡化后的灰度值$s_k$，从而得到均衡化后的图像

直方图规定化

针对直方图均衡化的存在的一些问题，将原始图像的直方图转化为规定的直方图的形式。一般目标图像的直方图的确定需要参考原始图像的直方图，并利用多高斯函数得到。

同态滤波器

图像的灰度图像f(x,y)可以看做为入射光分量和反射光分量两部分组成：f(x,y)=i(x,y)r(x,y).入射光比较的均匀，随着空间位置变化比较小，占据低频分量段。反射光由于物体性质和结构特点不同从而反射强弱很不相同的光，随着空间位置的变化比较的剧烈。占据着高频分量。基于图像是由光照谱和反射谱结合而成的原理设计的。

基于HSV空间的彩色图像增强方法

针对于灰度图像，我们主要有以上的几种处理方法，但是针对于彩色图像，由于存在RGB分量，故而不能直接将灰度图像的处理方法应用。因为直接对每一个分量使用灰度增强的方法会导致颜色的紊乱发生。

而我们可以将RGB图像转化为其他空间的图像，比如：我们可以将RGB空间的图像转换为HSV空间的图像。HSV分别指色调，饱和度，亮度。由于调整HSV三个不同的量，我们可以得到比较直观的。

基于滤波的图像增强方法

• 局部二值模式（LBP）

  1996年由Ojala提出的特征提取方法，具有灰度不变性和旋转不变性，主要用于纹理特征提取。其基本思想是：用中心像素的灰度值作为阈值，与它的邻域相比较得到的二进制码来表述局部纹理特征。

  以中心点为基准，在3*3的窗口内，与8个相邻点进行比较，若小于中心点，则该位置被置0，否则被置1，这样可以得到一个8位二进制数，即共256种的LBP码。然后利用这个LBP值来反映该区域的纹理信息，值得注意的是，LBP值是顺时针组成的二进制数。

• 均值滤波

  均值滤波器是包含在滤波器邻域内像素的平均值，其作用是减小图像灰度的“尖锐”变化，减小噪声，但也会存在边缘模糊的问题。

• 非线性滤波

  非线性滤波器包括了中值滤波器、最大值滤波器和最小值滤波器，分别是用像素领域内的中间值、最大值、最小值代替像素，作用分别是去除噪声、寻找最亮点、寻找最暗点。

  Ø 中值滤波

  用像素领域内的中间值代替像素

  Ø 最大值滤波

  用像素领域内的最大值代替像素

  Ø 最小值滤波

  用像素领域内的最小值代替像素

• 高斯滤波

  高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制效果，通常我们都会假定白噪声为高斯噪声，实际应用中常用高斯滤波来抑制噪声。

  例如标准差为1.3的3*3大小的整数形式的高斯滤波器，不难发现，最重要的参数是高斯分布的标准差σ，当σ越小，生成的算子中心系数较大，平滑的效果不会很明显；当σ越大，生成的算子各个系数相差较小，平滑效果会更加明显。

• 图像锐化

  与前几个滤波作用（平滑）相反的是，我们可以对图像进行锐化操作，突出图像的边缘。具体实现方法包括了一阶导数和二阶导数，分别利用Sobel算子和Laplacian算子进行滤波。

  Ø Sobel算子

  Sobel算子包括横向和纵向两种算子，分别提取竖直边缘和水平边缘。

  Ø Laplacian算子

  Laplacian算子的操作过程域Sobel算子基本一致，它具有4邻域算子和8邻域算子。

• Gabor滤波

  Gabor滤波也是用来提取图像边缘的方法.

实验1

不调用库函数，自己动手编程实现图像增强相关方法，并与OpenCV的库函数进行效果对比分析；

• 图像增强相关方法，与opencv库函数进行效果对比分析
  • 方法介绍
  • 代码实现
  • 对比分析
    • 直方图分析
    • 增强效果分析
    • 平均耗时