数字图像处理第三章＜一＞、灰度变换

第三章 灰度变换和空间滤波

本章主要介绍图像增强空间域处理的基本知识

一、背景知识

空间域处理基本表达式：$g(x,y)=T[f(x,y)]$ 其中：
f(x,y)：输入图像
g(x,y)：输出图像
T：点（x,y）的一个邻域上定义的一个算子

对于任何指定的位置（x,y),输出图像g在这些坐标处的值等于将T应用到f中原点为（x,y)的邻域的结果。

上面的公式也可以写成更一般的形式：$S=T(r）$
s 、 r ：分别表示输出图像和源图像
操作T ：灰度变换函数，可以是对邻域的操作

如果结果只涉及一个点的处理方法叫点处理技术，涉及领域点的叫做邻域处理技术。

二、 灰度变换

2.1、图像反转

对于灰度级别为[0,L-1]的图像，其反转图像：$s=L-1-r$

图像反转特别适用于增强嵌入图像暗色区域中的白色或灰色细节，特别是当黑色面积在尺寸上占主导地位时。

2.2、对数变换

对数变换通用形式：$s=clog(1+r),r\ge 0,c=const$
将输入中范围较窄的低灰度值映射为输出中范围较宽的灰度值；或将输入中范围较宽的高灰度值映射为输出中范围较窄的灰度值。(扩展暗像素，压缩亮像素)。

反对数变换： 与对数变换相反。

对数变换可用于傅里叶频谱的校正（傅里叶频谱输出值很大级别)会丢失灰度值小的像素信息（因为只用8bit存储），但取对数后可以压缩为个位数防止信息丢失过多）

2.3、幂律（伽马）变换

幂律（伽马）变换形式：$s=c{r}^y,c=+const,y=+const$

• $\gamma >1$和$\gamma <1$时的效果完全相反 c=$\gamma$=1时变换形式变为恒等变换
• 用于伽马矫正，压缩一些灰度范围，扩展一些灰度范围
• 可以增强对比度
• $\gamma >1$时增强暗部，减少亮部 $\gamma <1$时增强亮部，减少暗部；$\gamma$越小越亮，$\gamma$越大越暗
• 伽马校正：使用$s=r^{(}0.4)$ 来预处理图像，产生外观上接近原图像的输出图像

$\gamma >1$不同值时r和s的关系曲线

2.4、分段线性变换

图像对比度：指的是 一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，即指一幅图像灰度反差的大小。差异范围越大代表对比越大，差异范围越小代表对比越小，好的对比率120:1就可容易地显示生动、丰富的色彩，当对比率高达300:1时，便可支持各阶的颜色。

优点：形式可以任意复杂
缺点：要求用户输入很多参数

2.4.1、对比度拉伸

2.4.2、灰度级分层

有时需要突出图像中的特定灰度区域，主要有两种方法实现：

1. 将感兴趣的范围内的所有灰度值显示为一个值（如白色），再将其他灰度值显示为另外一个值（如黑色）如下左图；
2. 将感兴趣的范围内的所有灰度值变亮（或变暗），其他的灰度值不变 如下右图
   

2.4.3、比特平面分层

像素值是由比特组成的整数。和之前突出灰度级范围不同的是，我们也可以突出特定比特对整个图像外观的贡献。按照图像像素字节的高低位分层图像，如下图所示：

实例：

而这种分解对图像压缩也是有用的。

结论：存储4个最高有效比特平面，就能以可接受的细节和色调重建原图像；而存储这四个图像只是存储原图像的50%。

三、直方图处理

直方图

直方图表示数字图像中每一灰度级像素出现的频次。

直方图反映了图像的清晰程度。直方图均匀分布时，图像最清晰。

令$r_k,k=0,1,2...,L-1$表示一幅L级灰度数字图像$f(x,y)$的灰度。$f$的非归一化直方图定义为：$h(r_k)=n_k,k=0,1,2..,L-1$
其中$n_k$是$f$中灰度为$r_k$的像素的数量。

对一幅灰度图像，其直方图反映了该图像中不同灰度级出现的统计情况。图2给出了一个直方图的示例，其中图(a)是一幅图像，其灰度直方图可表示为图(b)，其中横轴表示图像的各灰度级，纵轴表示图像中各灰度级像素的个数。（需要注意，灰度直方图表示了在图像中各个单独灰度级的分布，而图像对比度则取决于相邻近像素之间灰度级的关系。）

$f$的归一化直方图定义为：$p(r_k)=h(r_k)/MN=n_k/MN$
其中M和N分别是图像的行数和列数。

通常将归一化直方图简称为直方图。

对k的所有值，$p(r_k)$的和总是1，也就是MN=这幅L级灰度数字图像$f(x,y)$的像素和。

事实上，$p(r_k)$就是对图像中出现的灰度级的概率的估计。

3.1、直方图均衡化

介绍：直方图均衡化是一种简单有效的图像增强技术，通过改变图像的直方图来改变图像中各像素的灰度，主要用于增强动态范围偏小的图像的对比度。原始图像由于其灰度分布可能集中在较窄的区间，造成图像不够清晰。采用直方图均衡化，可以把原始图像的直方图变换为均匀分布（均衡）的形式，这样就增加了像素之间灰度值差别的动态范围，从而达到增强图像整体对比度的效果。

原理：对在图像中像素个数多的灰度值（即对画面起主要作用的灰度值）进行展宽，而对像素个数少的灰度值（即对画面不起主要作用的灰度值）进行归并，从而增大对比度，使图像清晰，达到增强的目的。

理论基础

一个相关结论：

1.灰度连续

变换函数：

结论： $p_s(s)$是一个均匀的密度函数

2.灰度离散

变换函数：

实例：

我们生活中常常遇到的是离散型的。

3.1、直方图匹配（规定化）

从上面可以看出，直方图的均衡化自动的确定了变换函数，可以很方便的得到变换后的图像，且结果可以预知，但是在有些应用中这种自动的增强并不是最好的方法。有时候，需要图像具有某一特定的直方图形状（也就是灰度分布），而不是均匀分布的直方图，这时候可以使用直方图规定化。

步骤：