个人复习笔记，如有错误欢迎批评指正
第四章 图像增强
图像增强方法从增强的作用域出发，可分为空间域增强和频率域增强两种
- 空间域增强是直接对图像各像素进行处理；
- 频率域增强是对图像经傅立叶变换后的频谱成分进行处理，然后逆傅立叶变换获得所需的图像。
【1】点运算
1、灰度变换
灰度变换可调整图像的灰度动态范围或图像对比度，是图像增强的重要手段之一
【线性变换】
令图像
f
(
i
，
j
)
f(i，j)
f(i，j)的灰度范围为
[
a
,
b
]
[a,b]
[a,b]，
线性变换后图像
g
(
i
，
j
)
g(i，j)
g(i，j)的范围为
[
a
´
,
b
´
]
[a´,b´]
[a´,b´]，如图，
g
(
i
，
j
)
g(i，j)
g(i，j)与
f
(
i
，
j
)
f(i，j)
f(i，j)之间的关系式为：
【分段线性变换】
目的：为了突出感兴趣目标所在的灰度区间，相对抑制那些不感兴趣的灰度区间
设原图像
f
(
x
,
y
)
f(x,y)
f(x,y)在
[
0
，
M
f
]
[0，Mf]
[0，Mf],感兴趣目标的灰度范围在
[
a
,
b
]
[a,b]
[a,b],欲使其灰度范围拉伸到
[
c
,
d
]
[c,d]
[c,d],则对应的分段线性变换表达式为：
[通过细心调整折线拐点的位置及控制分段直线的斜率，可对任一灰度区间进行拉伸或压缩]
【非线性灰度变换】
当用某些非线性函数如对数函数、指数函数等，作为映射函数时，可实现图像灰度的非线性变换
（abc是为了调整曲线的位置和形状而引入的参数）
- ①对数变换
g
(
i
,
j
)
=
a
+
ln
(
f
(
i
,
j
)
+
1
)
b
ln
c
g(i,j)=a+ \frac{\ln \left(f(i,j)+1 \right)}{b\ln c}
g(i,j)=a+blncln(f(i,j)+1)
- ②指数变换
g
(
i
,
j
)
=
b
c
(
f
(
i
,
j
)
−
a
)
−
1
g(i,j)=b^{c(f(i,j)-a)}-1
g(i,j)=bc(f(i,j)−a)−1
2、直方图修整法：直方图均衡化、直方图规定化
【直方图均衡化】将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法
- 连续变化图像的均衡化问题
0
≤
r
,
s
≤
1
0\leq r,s\leq 1
0≤r,s≤1
r ：归一化了的原图像灰度
s ：经直方图修正后的图像灰度
在
[
0
,
1
]
[0,1]
[0,1]区间内的任一个r值，都可产生一个s值，且
s
=
T
(
r
)
s=T(r)
s=T(r),
T
(
r
)
T(r)
T(r)作为变换函数，满足下列条件：
- ①在 0 ≤ r ≤ 1 0\leq r \leq 1 0≤r≤1内为单调递增函数，保证灰度级从黑到白的次序不变；
- ②在 0 ≤ r ≤ 1 0\leq r \leq 1 0≤r≤1内，有 0 ≤ T ( r ) ≤ 1 0\leq T(r) \leq 1 0≤T(r)≤1，确保映射后的像素灰度在允许的范围内。
反变换关系为：
r
=
T
−
1
(
s
)
r=T^{-1}(s)
r=T−1(s)，
T
−
1
(
s
)
T^{-1}(s)
T−1(s)对
s
s
s同样满足上述两个条件.
- 离散数字图像
【直方图规定化】使原图像灰度直方图变成规定形状的直方图而对图像作修正
【2】图像的空间域平滑
为了抑制噪声、改善图像质量所进行的处理称图像平滑或去噪
1、局部平滑法：直接在空间域上进行平滑处理的技术
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。
其作用相当于用下图的模板同图像做卷积操作
（优）算法简单
（缺）在降低噪声的同时使图像产生模糊，特别在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重
【为克服简单局部平均法的弊病，目前已提出许多保边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参加平均的点数以及邻域各点的权重系数等，下面简要介绍几种算法。】
2、超限像素平滑法：对邻域平均法稍加改进，可导出超限像素平滑法
它是将
f
(
x
,
y
)
f(x,y)
f(x,y)和邻域平均
g
(
x
,
y
)
g(x,y)
g(x,y)差的绝对值与选定的阈值进行比较，根据比较结果决定点
（
x
,
y
）
（x,y）
（x,y）的最后灰度
g
´
(
x
,
y
)
g´(x,y)
g´(x,y)。其表达式为 ：
(优)对抑制椒盐噪声比较有效，对保护仅有微小灰度差的细节及纹理也有效
(缺）可见随着邻域增大，去噪能力增强，但模糊程度也大
3、灰度最相近的K个邻点平均法
该算法的出发点是：在n×n的窗口内，属于同一集合体的像素，它们的灰度值将高度相关。因此，可用窗口内与中心像素的灰度最接近的K个邻像素的平均灰度来代替窗口中心像素的灰度值。这就是灰度最相近的K个邻点平均法。
- 较小的K值使噪声方差下降较小，但保持细节效果较好；
- 而较大的K值平滑噪声较好，但会使图像边缘模糊
实验证明，对于3×3的窗口，取K=6为宜。
4、最大均匀性平滑
为避免消除噪声引起边缘模糊，该算法先找出环绕图像中每像素的最均匀区域（如下图所示），然后用这区域的灰度均值代替该像素原来的灰度值。
5、有选择保边缘平滑法
该方法对图像上任一像素(x,y)的5×5邻域，采用9个掩模，其中包括一个3×3正方形、4个五边形和4个六边形。计算各个掩模的均值和方差，对方差进行排序，最小方差所对应的掩模区的灰度均值就是像素（x,y) 的输出值。
该方法以方差作为各个区域灰度均匀性的测度。
- 若区域含有尖锐的边缘，它的灰度方差必定很大
- 不含边缘或灰度均匀的区域，它的方差就小
那么最小方差所对应的区域就是灰度最均匀区域。
此方法既能够消除噪声，又不破坏区域边界的细节
6、空间低通滤波法
邻域平均法可看作一个掩模作用于图像
f
(
x
,
y
)
f(x,y)
f(x,y)的低通空间滤波，掩模就是一个滤波器，它的响应为
H
(
r
,
s
)
H(r,s)
H(r,s)，于是滤波输出的数字图像
g
(
x
,
y
)
g(x,y)
g(x,y)用离散卷积表示为
7、中值滤波
对一个滑动窗口内的诸像素灰度值排序，用中值代替窗口中心像素的原来灰度值，因此它是一种非线性的图像平滑法
【3】图像空间域锐化：增强图像的边缘或轮廓
- 图像平滑通过积分过程使得图像边缘模糊
- 图像锐化则通过微分而使图像边缘突出、清晰
1、梯度锐化法
对于图像
f
(
x
，
y
)
f(x，y)
f(x，y)，在
(
x
，
y
)
(x，y)
(x，y)处的梯度定义为
梯度是一个矢量，其大小和方向为
多种输出形式
-
g
(
x
,
y
)
=
g
r
a
d
(
x
,
y
)
g(x,y)=grad(x,y)
g(x,y)=grad(x,y)
缺点：增强的图像仅显示灰度变化比较徒的边缘轮廓，而灰度变化比较平缓或均匀的区域则呈黑色 
适当选取T，可使明显的边缘轮廓得到突出，又不会破坏原来灰度变化比较平缓的背景- 明显边缘用一固定的灰度级LG来表现
- 将背景用一个固定的灰度级 LB来表现，便于研究边缘灰度的变化
- 将明显边缘和背景分别用灰度级LG和LB表示，生成二值图像，便于研究边缘所在位置
2、 Laplacian增强算子
对离散的数字图像而言，二阶偏导数可用二阶差分近似，可推导出Laplacian算子表达式为：
其特点是：
- 1、在灰度均匀的区域或斜坡中间 ▽ 2 f ( x ， y ) ▽^2f(x，y) ▽2f(x，y)为0，增强图像上像元灰度不变；
- 2、在斜坡底或低灰度侧形成“下冲”；而在斜坡顶或高灰度侧形成“上冲”。
3、 高通滤波法
用高通滤波算子和图像卷积来增强边缘。常用的算子有：
【4】图像的频率域增强
目的：
- ①消除噪声，改善图像的视觉效果
- ②突出边缘，有利于识别和处理
1、频率域平滑
常用的频率域低滤波器H(u,v)有四种：
【理想低通滤波器】
【Butterworth低通滤波器】
【指数低通滤波器】
【梯形低通滤波器】
2、频率域锐化
常用的高通滤波器有：
【理想高通滤波器】
【巴特沃斯高通滤波器】
【指数滤波器】
【梯形低通滤波器】
3756
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
