【数字图像处理】【Matlab】【实验三】图像增强（2）

最新推荐文章于 2024-03-31 20:33:08 发布

zoxiii

最新推荐文章于 2024-03-31 20:33:08 发布

阅读量1.2k

点赞数 1

分类专栏：图像处理文章标签：图像处理 matlab

本文链接：https://blog.csdn.net/qq_41315788/article/details/114907390

版权

图像处理专栏收录该内容

12 篇文章 19 订阅

订阅专栏

author：zox
实验环境：Matlab2019a

图像增强（2）

一、实验目的
二、实验题目
三、实验内容
四、实验心得

一、实验目的

理解并掌握直方图均衡化实现图像增强。
掌握傅里叶变换和离散余弦变换。

二、实验题目

对一幅分辨率低的图像采用直方图均衡化方法实现图像增强，分别采用系统函数和自己编写函数实现相应用功能。
对一幅图像分别进行傅里叶变换和离散余弦变换，并把傅里叶变换直流分量移到频谱中心。

三、实验内容

3.1 相关知识

1.直方图均衡化的过程

灰度级直方图是图像的一种统计表达，它反映了该图中不同灰度级出现的统计概率。

直方图均衡化的过程如下：
首先，统计各灰度级 $r_k$ 的像素数目 $n_k$ ；
计算各灰度级的概率 $P_r\left(r_k\right)=\frac{n_k}{n}$ ;
计算累计分布直方图各项值 $S_k=\sum_{j=0}^{k}\frac{n_j}{n}$ ;
拓展取整 $S_k=int[\left(\left(L-1\right)-0\right)\ast S_k+0.5]$ ；
确定映射对应关系；
计算新的概率，即均衡化直方图；
得到均衡化后的输出数据；

直方图均衡化是一种适应性很强的增强工具。对于具有相同内容而具有不同直方图的图像，经过直方图均衡化处理后可以得到视觉上相似的结果。

2.傅里叶变换

傅立叶变换是一种常见的分析方法，傅立叶变换将满足一定条件的函数表示为一些函数的加权和（或者积分）。可以分为四个类别：

非周期连续性信号：对应于傅里叶变换，频域连续非周期
周期性连续性信号：对应于傅立叶级数，频域离散非周期
非周期离散信号：对应于 $D T F T$ （离散时间傅立叶变换），频域连续周期
周期性离散信号：对应于 $D F T$ （离散时间傅立叶变换），频域离散周期

对图像进行傅里叶变换，也就是二维离散傅里叶变换，其公式如下：
$F(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2π\left(\frac{ux}{M}+\frac{vy}{N}\right)}$
而离散傅里叶逆变换为：
$F(x,y)=\frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}f(u,v)e^{-j2π\left(\frac{ux}{M}+\frac{vy}{N}\right)}$
经过傅里叶变换之后，可以获得原图像信号的频域分布情况，经过逆变换后又会恢复到原图像，但图像的灰度值发生了变化。二维傅里叶变换可以处理较为复杂的图像，快速傅里叶变换会使运算相对简单化，图像经过离散傅立叶变换会得到该图像的频谱图。图像经过傅立叶变换后,得到的是图像的频域。也就是频率成分。这个频率成分表示的意义就是相邻像数之间数值（颜色，亮度等等）的变化，也就是说图像在空间上变化的越快，他对应在频域上的数值就越大。

3.离散余弦变换

图像的离散余弦变换广泛用于图像的压缩。对原始图像进行离散余弦变换，变换后 $D C T$ 系数能量主要集中在左上角，其余大部分系数接近于零， $D C T$ 具有适用于图像压缩的特性。将变换后的 $D C T$ 系数进行门限操作，将小于一定值得系数归零，这就是图像压缩中的量化过程，然后进行逆 $D C T$ 运算，可以得到压缩后的图像。
离散余弦变换的公式如下：
$F(u,v)=\frac{2}{N}\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)·cos\frac{(2x+1)uπ}{2N}·cos\frac{(2y+1)vπ}{2N}$

离散余弦变换是先将整体图像分成 $N * N$ 像素块，然后对 $N * N$ 像素块逐一进行离散余弦变换。由于大多数图像的高频分量较小，相应于图像高频分量的系数经常为零，加上人眼对高频成分的失真不太敏感。所以可用更粗的量化。因此，传送变换系数的数码率要大大小于传送图像像素所用的数码率。到达接收端后通过反离散余弦变换回到样值。

4.实验中直接使用的函数

（1）imread(path)函数：从图像所在路径读取图像的数据信息存为矩阵。
（2）imshow(image)函数：将读取到的图像显示到figure中。
（3）subplot(m,n,p)函数
subplot函数是将多个图画到一个平面上的工具。其中m、n表示一个m行n列的大画框，可显示 $m * n$ 个图，p表示图所在位置。
（4）构造函数
function[输出形参]=函数名([输入形参])
函数体
（5）size()函数
[m,n] = size(X)
返回矩阵X的尺寸信息，并存储在m、n中。其中m中存储的是行数，n中存储的是列数。
（6）zeros(m,n)函数：产生 $m * n$ 的double类型零矩阵。
（7）double(x)：增加数据的精度，使计算更加准确。
（8）floor()：向下取整
（9）colorbar()：画图像的灰度条
（10）fft()：一维傅里叶变换
（11）dct2(I)：%计算二维 $D C T$ 变换
（12）idct2(J)：重构图像

3.2 实验代码

【sy3.m】

clear all;close all;clc;
%% 1、对一幅分辨率低的图像采用直方图均衡化方法实现图像增强，分别采用系统函数和自己编写函数实现相应用功能。
I=imread('Fig0208(a).tif');            %读取一幅分辨率低的灰度图像
H=myhisteq(I);                         %直方图均衡化
figure,suptitle('自编写');             %Figure 1
subplot(131),imshow(I),axis on,title('原图（分辨率低）'); 
subplot(132),imshow(H),title('使用自编写的myhisteq变换后的图像');
subplot(133),myimhist(H),title('图像的直方图'); 
%对比测试
K=histeq(I,256);                       %histeq是实现直方图均衡的系统函数
figure,suptitle('系统函数');            %Figure 2
subplot(131),imshow(I),axis on,title('原图（分辨率低）') ; 
subplot(132),imshow(K),axis on,title('使用函数histeq变换后的图像');
subplot(133),imhist(K),title('图像的直方图') ; 
%% 2、对一幅图像分别进行傅里叶变换和离散余弦变换，并把傅里叶变换直流分量移到频谱中心。
I=imread('Fig0517(a).tif');
F=myfft2(I);          %傅里叶变换
A=sqrt(real(F).^2+imag(F).^2);
F1=(A-min(min(A)))/(max(max(A))-min(min(A)))*225;
F=myfftshift(F);      %将频谱图中零频率成分移动至频谱图中心
A=sqrt(real(F).^2+imag(F).^2);
F2=(A-min(min(A)))/(max(max(A))-min(min(A)))*225;
F3=real(ifft2(ifftshift(F)));  %频率域反变换到空间域，并取实部
F3=im2uint8(mat2gray(F3));    %更改图像类型
figure,suptitle('傅里叶变换');           %Figure 3
subplot(221),imshow(I),axis on,title('原图') ; 
subplot(222),imshow(F1),axis on,title('傅里叶变换频谱图');
subplot(223),imshow(F2),axis on,title('频移后的频谱图') ; 
subplot(224),imshow(F3),axis on,title('逆傅里叶变换');
J = dct2(I);%计算二维 DCT 变换、图像大部分能量集中在上左角处
J(abs(J)<0.1) = 0;%把变换矩阵中小于 10 的值置换为 0，对灰度矩阵进行量化
K = idct2(J)/255;%然后用 idct2 重构图像
figure,suptitle('离散余弦变换');          %Figure 4
subplot(131),imshow(I),axis on,title('原图') ; 
subplot(132),imshow(log(abs(J))),axis on,title('余弦变换系数');
subplot(133),imshow(K),title('余弦反变换恢复图像') ;

【myhisteq.m】

% 函数myhisteq:直方图均衡化（包括对彩色图像的处理）
% 输入参数:I:原图像
% 输出参数:OUT：处理后的图片数据
% 使用函数:size(I):求矩阵大小
%         double(I):增加精度计算更准确
%         floor():向下取整
%         myhisteq():画图像的频率分布直方图
function OUT = myhisteq(I)
%% 初始化数据
[x,y,m] = size(I);                      % 图像大小x*y
L = 256;                                % 灰度级256级
I = double(I);                          % 增加精度计算更准确
Result = zeros(L,5);                  % 定义处理过程相关数据的矩阵
if m==1                                 %当为灰度图像时
%% Result第一列：灰度级别
Result(1:L,1) = 0:L-1;          
%% Result第二列：不同灰度级别统计的数目
for c = 1:x                     
    for r = 1:y
        for k = 0:L-1  
            if ( I(c,r) == k)
                Result(k+1,2) =  Result(k+1,2) +1;
            end
        end
    end
end
%% Result第三列：不同灰度级别统计的概率
Result(1:L,3) = Result(1:L,2)/(x*y);
%% Result第四列：不同灰度级别累积分布
for k = 0:L-1                           
    for j = 1:k+1
        Result(k+1,4) = Result(k+1,4)+Result(j,3); 
    end
end
%% Result第五列：映射
Result(1:L,5) = floor(((L-1)-0)*Result(1:L,4)+0.5);
%% 得到均衡化的数据为：
J = zeros(r,c,1);
for c = 1:x                     
    for r = 1:y
        for k = 0:L-1  
            if ( I(c,r) == k)
                J(c,r) =  Result(k+1,5);
            end
        end
    end
end
%% 将均衡化的数据图像转换为灰度图像
OUT = im2uint8(mat2gray(J));
elseif m == 3                   %彩色图像均衡化
    OUT =I;
    R=I(:,:,1);%提取红色分量
    G=I(:,:,2);%提取绿色分量
    B=I(:,:,3);%提取蓝色分量  
    R=myhisteq(R);
    G=myhisteq(G);
    B=myhisteq(B);
    OUT(:,:,1)=R;
    OUT(:,:,2)=G;
    OUT(:,:,3)=B;
end
end

【myimhist.m】

% 函数myimhist:画图像的频率分布直方图（包括对彩色图像的处理）
% 输入参数:I:原图像
% 输出参数:OUT：处理后的图片数据
% 使用函数:size(I):求矩阵大小
%         double(I):增加精度计算更准确
%         colorbar():画图像的灰度条
%         zeros():建全0矩阵 
function OUT=myimhist(I)
[x,y,m] = size(I);                      % 图像大小x*y
L = 256;                                % 灰度级256级
I = double(I);                          % 增加精度计算更准确
Result = zeros(L,2);                    % 定义处理过程相关数据的矩阵
if m == 1
Result(1:L,1) = 0:L-1;                  %Result第一列：灰度级别 
for c = 1:x                     
    for r = 1:y
        for k = 0:L-1  
            if ( I(c,r) == k)
                Result(k+1,2) =  Result(k+1,2) +1;%Result第二列：不同灰度级别统计的数目
            end
        end
    end
end
OUT = Result(:,2);
elseif m == 3
    R=I(:,:,1);%提取红色分量
    G=I(:,:,2);%提取绿色分量
    B=I(:,:,3);%提取蓝色分量  
    Result(:,2) = myimhist(R) + myimhist(G) + myimhist(B);%RGB分量统计后相加
OUT = Result(:,2);
end
%% 显示
bar(0:L-1,Result(:,2),0.3,'r'),xlabel('灰度值'),ylabel('出现次数'),title('图像的直方图');
colormap gray;                                          %灰度条
c=colorbar('location','southoutside');caxis([0,255]);   %灰度条位置

【myfft2.m】

%  fft function;  
% 函数myfft2:二维离散傅里叶变换
% 输入参数:I:原图像
% 输出参数:F：处理后的图片数据
% 使用函数:size(I):求矩阵大小
%         ones():建全1矩阵 
%         im2double()：双精度
%         fft():一维傅里叶变换
function F = myfft2(I)
I=im2double(I);
[x,y] = size(I);
Ax = ones(x,y);
ans = ones(x,y);
com = 0+1i;%虚部
% 对每一列进行DFT  
for m=1:y
	Ax(:,m) = fft(I(:,m));%一维傅里叶变换
end
% 对每一行进行DFT    
for k=1:x
	ans(k,:) = fft(Ax(k,:));
end
F=ans;
end

【myfftshift.m】

% 函数myfftshift:变换频谱中心
% 输入参数:I:原图像
% 输出参数:F：处理后的图片数据
% 使用函数:size(I):求矩阵大小
function A = myfftshift(I)
sz = ceil(size(I)/2);
A = I([sz(1)+1:end, 1:sz(1)], [sz(2)+1:end, 1:sz(2)]);
end

3.3 实验结果

在这里插入图片描述

图1 自编写函数实现直方图均衡化

在这里插入图片描述

图2 系统函数实现直方图均衡化

在这里插入图片描述

图3 傅里叶变换

在这里插入图片描述

图4 离散余弦变换

四、实验心得

自编写函数对图像进行均衡化观察结果图片的差别不大，但在图像数据上还是有细微差别的。
对原始图像进行离散余弦变换，由结果可知，变换后DCT系数能量主要集中在左上角，其余大部分系数接近于零，这说明DCT具有适用于图像压缩的特性。将变换后的DCT系数进行门限操作，将小于一定值得系数归零，这就是图像压缩中的量化过程，然后进行逆DCT运算，得到压缩后的图像。

zoxiii

关注

1
点赞
踩
16

收藏

觉得还不错? 一键收藏
打赏
0
评论
【数字图像处理】【Matlab】【实验三】图像增强（2）

author：zox实验环境：Matlab2019a图像增强（2）一、实验目的二、实验题目三、实验内容3.1 相关知识3.2 实验代码3.3 实验结果四、实验心得一、实验目的二、实验题目三、实验内容3.1 相关知识3.2 实验代码3.3 实验结果四、实验心得...
复制链接

扫一扫