【数字图像处理——第三章：空间域图像增强(2)】

空间域图像增强

直方图运算

直方图：

图像灰度直方图是反映一幅图像中的灰度级与出现这种灰度级的像素的概率之间的关系的图形。

可表示为：
$$P(k)=\frac{n_k}{n},k=0,1,...,L-1$$
其中k为图像的第k级灰度值，n_k是图像中灰度值为k的像素个数，n是图像的总像素个数，L是灰度级数。

可反映各灰度级出现频数的分布情况，进而反映图像对比（清晰）度，但不反映各灰度级的空间位置分布。

直方图性质：

1. 直方图的位置缺失性

   只反映图像中不同灰度值出现的次数，而未反应某一灰度值像素所在的位置。

2. 直方图与图像的一对多特性

   任一幅图像，都能唯一地确定出一幅与它对应的直方图，但不同的图像，可能又相同的直方图。

3. 直方图的可叠加性

   一幅图像分成多个区域，多个区域的直方图之和即为原图像的直方图。

直方图用途：

1. 数字化参数

   可用来判断一幅图像是否合理地利用了全部被允许的灰度级范围。一幅图像应利用几乎全部的灰度级。

2. 边界阈值选取

   假设某图像的灰度直方图具有二峰性，则表明这个图像的较亮的区域和较暗的区域可以较好地分离。

直方图反映了图像的清晰程度，当直方图均匀分布时，图像最清晰。由此，我们可以利用直方图来达到使图像清晰的目的 。

直方图均衡化处理：

• 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
• 基本思想是把原始图的直方图变换为均匀分布的形式，这样就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
• 使用的方法是灰度级变换：$s=T(r)$

s=$T(r)$ : 将原始图像 f(x,y) 每一像素点的像素级r变成一个新的图像 g(x,y) 上对应像素点的新的像素级s。

$T(r)$满足条件：

1. $T(r)$在区间$0\le r\le 1$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（或从白到黑）的排列次序

2. 当$0\le r\le 1$时，$0\le T(r)\le 1$

   保证变换前后灰度值动态范围的一致性

求$T(r)$:

数字图像为离散图，
$$S_k=T(r_k)=\sum _{i=1}^k\frac{n_i}{n}$$
N为总像素点的个数，n_i为第i灰度级像素点的个数；$j={\int }_0^r[(L-1)P_j+0.5]$

均衡化缺陷：

1. 直方图均衡化的缺陷： 不能用于 交互方式 的图像增强应用，因为直方图均衡化只能产生唯一一个结果；
2. 直方图均衡并不总是能产生希望的结果。尤其当原始图像的直方图十分集中时，直方图均衡后将产生 假边沿或区域 。

直方图规定化处理（匹配）：

希望找到灰度增强（变换）函数，使原图像的直方图变成某个给定的形式，从而有选择地增强某个灰度值范围内的对比度。

直方图匹配又叫直方图规定化：

是指对一副图像进行变换，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进行匹配。

• 假设P_r$(r)$和P_z(z)分别为原始图像和希望得到的图像的概率密度函数（r和z分别代表原始图像和希望得到图像的灰度级）

• 首先对原始图像进行直方图均衡化，即求变换函数
  $$s=T(r)={\int }_0^r{P}_r(r)dr$$

• 假定已得到了所希望的图像，对它进行直方图均衡化处理，即

$$v=G(z)={\int }_0^z{P}_z(z)dz$$

• 由于都是进行均衡化处理，处理后的原图像概率密度函数P_s(s)及理想图像概率密度函数P_v(v)是相等的。
• 所以，我们可以用变换后的原始图像灰度级s代替v，即

$$z=G^{-1}(s)=G^{-1}(T(r))$$

• 这时的灰度级z便是所希望的图像的灰度级
  

局部直方图处理：

有时需要对图像小区域细节的局部增强。解决的办法就是在图像中每一个像素的邻域中, 根据灰度级分布设计变换函数，然后利用前面介绍的技术来进行局部增强。

步骤：

1. 定义一个 方形或矩形的区域(邻域), 该区域的中心位置在某个像素点
2. 计算该邻域的直方图, , 利用前面介绍的技术来得到变换函数
3. 使用该变换函数来映射该区域的中心象素的灰度
4. 把该区域的中心从一个像素移动至另一像素

空间域滤波

空间域滤波就是在待处理图像中逐点地移动掩模，在每一点(x,y)处，滤波器在该点的响应通过事先定义的关系计算.

使用空间域模板进行的图像处理，被称为空间域滤波。
模板本身被称为空间域滤波器 。

分为：

1. 平滑空间滤波器：用于模糊处理和减少噪声

   • 线性滤波器：均值滤波器
   • 非线性滤波器：
     • 最大值滤波器：用像素领域内的最大值代替该像素
     • 中值滤波器：用像素领域内的中间值代替该像素
     • 最小值滤波器：用像素领域内的最小值代替该像素

2. 锐化空间滤波器：用于突出图像中的细节或增强被模糊了的细节

线性滤波器：

包含在滤波器邻域内像素的平均值，也称为均值滤波器

• 作用： 减小图像灰度的 “ 尖锐 ”变化，减少噪声

注意：

• 模板尺寸越大，图像越模糊，图像细节丢失越多

• 如果图像处理的目的是去除噪音，那么平滑滤波在去除噪音的同时也钝化了图像的边缘和尖锐的细节

非线性滤波器：

基于滤波器所在图像区域中像素的排序，由排序结果决定的值代替中心像素的值

1. 中值滤波器：去除噪声（椒盐噪声、脉冲噪声）

   • 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）更像它周围的值，以消除孤立的亮点（暗点）

   算法实现：将模板区域内的像素排序，求出中间值

   算法特点：在去除噪音的同时，可以比较好地保留边的锐度和图像的细节（优于均值滤波器）；能够有效去除脉冲噪声：以黑白点叠加在图像上

2. 最大值：寻找最亮点

3. 最小值：寻找最暗点

锐化滤波器：

用于突出图像中的细节或增强被模糊了的细节

分类：

1. 一阶微分滤波器——梯度算子
2. 二阶微分滤波器——拉普拉斯算子

原理：

均值产生钝化的效果，均值与积分相似；而微分能产生相反的效果，即锐化

微分算子的相应强度与图像在该点的突变程度有关：

• 增强了边缘和其它突变（噪声）
• 削弱了灰度变化缓慢的区域

梯度：

在图像处理中应用微分最常用的方法是计算梯度。

拉普拉斯算子：

二阶微分算子实际就是Laplace 算子。

微分滤波器模版系数设计：

• Roberts交叉梯度算子
• Prewitt梯度算子
• Sobel梯度算子

锐化滤波器主要用途：

1. 突出图像中的细节，增强被模糊了的细节
2. 印刷中的细微层次强调。弥补扫描对图像的钝化
3. 超声探测成像，分辨率低，边缘模糊，通过锐化来改善
4. 图像识别中，分割前的边缘提取
5. 锐化处理恢复过度钝化、曝光不足的图像
6. 尖端武器的目标识别、定位