在前面都是用的灰度变换函数来增强图像。且针对的是单一图像。
-
图像中的算术/逻辑操作主要是以像素对像素为基础在两幅或多幅图像间进行(其中不包含逻辑“非”操作,它在单一影像中进行)。
-
图像对逻辑操作:或 | 与 | 非,这三种逻辑算子完全是函数化的。换句话说,任何其他的逻辑算子都可以由这三个基本算子来实现。当我们对灰度级图像进行逻辑操作时,像素值作为一个二进制字符串来处理。
逻辑操作
“与”操作和“或”操作通常用作模板,即通过这些操作可以从一幅图像中提取子图像。在“与”和“或”图像模板中,亮的表示二进制码1,黑的表示二进制码0。
与
或
模板处理有时可以作为一种感兴趣区处理。就增强而言,模板主要用于分离要处理的区域,这时突出一个区域来区别图像的其他区域。
算术操作
图像减法处理
两幅图像, f ( x , y ) f(x,y) f(x,y)与 h ( x , y ) h(x,y) h(x,y)的差异表示为: g ( x , y ) = f ( x , y ) − h ( x , y ) g(x,y) = f(x,y) - h(x,y) g(x,y)=f(x,y)−h(x,y)
图b显示了从原始图像中去除四个最后有效比特面(置0)的结果。两幅图像对应像素间的差别示于图c。直方图均衡化的结果示于图d。
上述方法一种如果不可以完全覆盖256个灰度级,那么会带来问题:图像对比度不高。
上述第二种方法可以与前面提到的灰度变换–分段线性变换函数中的对比拉伸。
图像平均处理
考虑一幅将噪声 η ( x , y ) \eta(x,y) η(x,y)加入到原始图像, f ( x , y ) f(x,y) f(x,y)形成的带有噪声的图像 g ( x , y ) g(x,y) g(x,y),即:
g ( x , y ) = f ( x , y ) + η ( x , y ) g(x,y) = f(x,y) + \eta(x,y) g(x,y)=f(x,y)+η(x,y)
这里假设每个坐标点
(
x
,
y
)
(x,y)
(x,y)上的早上都不相关且均值为零。
如果对M幅不同的噪声图像取平均形成图。
g ˉ ( x , y ) = 1 M ∑ i = 1 M g i ( x , y ) \bar{g}(x,y) = \frac{1}{M}\sum_{i=1}^{M}g_i(x,y) gˉ(x,y)=M1∑i=1Mgi(x,y)
E { g ˉ ( x , y ) } = f ( x , y ) E\{\bar{g}(x,y)\} = f(x,y) E{gˉ(x,y)}=f(x,y)
σ g ˉ ( x , y ) = 1 M σ η ( x , y ) \sigma_{\bar{g}(x,y)} = \frac{1}{\sqrt M}\sigma_{\eta(x,y)} σgˉ(x,y)=M1ση(x,y)