数字图像处理学习笔记第三章灰度转换与空间滤波

最新推荐文章于 2024-08-27 21:36:13 发布

鲸~屿

最新推荐文章于 2024-08-27 21:36:13 发布

阅读量575

点赞数 31

文章标签：学习笔记计算机视觉图像处理

本文链接：https://blog.csdn.net/qq_53034510/article/details/139888894

版权

3.1空域增强技术的概述

1.空域的概念

在图像处理中，空域是指由像素组成的空间。图像的空域增强技术是指直接作用于图像像素的增强技术.

2.空域增强的模型

$g(x,y)=E_{H}[f(x,y)]$

其中：f(x,y)为原始图像，g(x,y)为增强后的图像， $E_{H}$ 为增强操作。空间增强的目的就是增强图像的质量（视觉效果），或将图像转换成更适合于人和机器进行分析的形式。

3.空间增强技术的分类

（1）基于像素的空域增强。 $E_{H}$ 仅定义在每个像素(x,y)上。分为两种操作：其一为像素点操作，表达式为 $g(x,y)=P_{xy}[f(x,y)]$ ，该操作改变当前像素的灰度，输入为当前像素的灰度，或者当前像素的位置；另一种是集合操作，表达式为(x',y')=M(x,y)，集合操作改变了当前像素的位置，输入为当前像素的原始位置，M为几何映射函数。

（2）基于模板的空域增强。 $E_{H}$ 定义在像素(x,y)的某个领域上，其表达式为 $t=E_{H}[s,n(s)]$ ，其中s、t分别为原始图像f和结果图像g在(x,y)处的灰度值，n(s)为图像f在以(x,y)为中心的领域内像素的灰度值集合。

3.2 图像间的运算

1.算术运算

对图像进行的算术运算是逐像素进行的，即两幅图像的对应（位置）像素间进行算术运算。设两幅图像对应位置的像素为p、q，则其算术运算表示如下：

（1）加法：p ➕q

（2）乘法：p ✖ q

（3）减法：p ➖ q

（4）除法：p ➗ q

2.图像间算术运算的应用

（1）图像间加法的运用

去除图像噪声：可用于图像平均以减少或去除图像中的噪声。假设原始图像为f(x,y)，随机噪声为e(x,y)，那么噪声污染图像可得 $g(x,y)=f(x,y)+e(x,y)$ ，此时，可以用图像平均的思想去减少或者去除噪声，即M幅噪声污染图像相加求平均为 $\bar{g}(x,y)=\frac{1}{M}\sum_{i=1}^{M}g_{i}(x,y)$ 。如下图2-26所示，通过观察不同幅噪声图像平均下的Galaxy Pair NGC 3314图像的清晰度，不难发现，当M增大时，即对图像相加次数增加时，去除加性噪声的效果更加明显。

3.3直接灰度映射

1.灰度映射原理

按照某种映射规则或变换函数，将图像中的每个像素点的灰度值转化成另一灰度值。

设原灰度值s和映射后灰度值t的取值范围都为0到L-1。如果变换曲线时从原点到（L-1，L-1）的直线，则变换前后灰度值不变。

2.经典灰度映射——图像求反

图像求反作用是将原图像灰度值翻转，黑变白、白变黑。假设原始图像任意像素点的灰度值为s，经过灰度值映射后的灰度值为r，且灰度映射前后的灰度值取值范围为[0,L-1]，则图像求反的模型为： $t=(L-1)-s$

3.典型灰度映射——分段线性增强

基于像素的图像增强，也即图像的对比度增强，就是增强原图的各部分反差（增强感兴趣的灰度区域，相对抑制不感兴趣的灰度区域）。分段线性增强用于拉伸感兴趣的图像细节的灰度级，同时压缩不感兴趣的图像细节的灰度级，即增强图像细节之间的对比度。

分段线性增强的典型变换函数是三段线性变换函数：

$t=\begin{cases} \frac{t_{1}}{s_{2}}s& \text{ if } 0\leqslant s\leqslant s_{1} \\ \frac{t_{2}-t_{1}}{s_{2}-s_{1}} [s-s_{1}]+t_{1}& \text{ if } s_{1}< s\leqslant s_{2} \\ \frac{L-1-t^{_{2}}}{L-1-s_{2}}[s-s_{1}]+t_{1}& \text{ if }s_{2}< s\leqslant L-1 \end{cases}$

线性变换的斜率不同，所起到的作用不一样。斜率大于1，则提高对比度；斜率小于1，则降低对比度。

4.经典灰度映射——对数变换

原图动态范围太大，超出某些设备的允许动态范围，需要压缩其动态范围。常采用对数变换实现动态范围的压缩，如下：

$t=C\log_{10}(1+|s|)$

其中，C为尺寸比例常数。对数变换将输入中范围较窄的低灰度值映射为输出中较宽范围的灰度值，同时将输入中范围较宽的高灰度值映射为输出中较窄范围的灰度值。该变换可以使用对数变换来扩展图像中的暗像素的值，同时压缩高灰度级的值。

5.经典灰度映射——幂律（伽马）变换

幂律变换函数的一般形式为 $t=c\times s^{\gamma }$ ，其中，C和 $\gamma$ 为正常数。与对数变换类似，部分 $\gamma$ 值（ $\gamma$ <1）的幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值；同时，将较宽范围的亮色输入值映射为较窄范围的输出值。注意 $\gamma$ >1和 $\gamma$ <1的幂律变换效果完全相反。

幂律变换实例：下图中的图像来自于人体断裂脊骨的核磁共振图像。从中可以看到骨骼断裂处，但细节部分比较黑暗，可以采用幂律变换来提升图像细节的质量。

6.经典灰度映射——灰度切割（灰度级分层）

灰度切割用于增强特定范围的对比度，用来突出图像中特定灰度范围的亮度。

方式一，对于感兴趣的灰度级以比较大的灰度值显示，其他的为较小的灰度级显示，公式为 $t=\begin{cases} t_{2} & \text{ if } s_{1}\leqslant s\leqslant s_{2} \\ t_{1} & \text{ if } else \end{cases}$

方式二，对感兴趣的灰度级以较大的灰度值显示，其他不变，表达式为 $t=\begin{cases} t_{2} & \text{ if } s_{1}\leqslant s\leqslant s_{2} \\ s & \text{ if } else \end{cases}$

7.典型灰度映射——阈值化处理

阈值化处理，也即阈值变换，目的在于将感兴趣的物体从背景中分离出来。阈值化处理需要指定一个阈值 $S_{1}$ ，根据这个阈值修改图像的像素值，最终产生一个黑白图像。表达式为 $t=\begin{cases} 0 & \text{ if } s<s_{1} \\ L-1 & \text{ if } s\geqslant s_{1} \end{cases}$

8.典型灰度映射——位图切割

假设图像的像素有8位（比特）表示其灰度值，则图像可以看成由8个单独的1比特平面（简称为位面）组成，其范围从最低有效位的位面0到最高有效位的位面7。其中，每个位面均为二值图像，且位面图像中像素的灰度值等于相应有效位的取值，即：

位面0表示最低位面，仅包含图像中像素的最低位；位面7表示最高位面，仅包含图像中像素的最高位。

实现方法

将图像各像素的灰度值除以各有效的权值 $2^{i}$ （i为有效位的序数，从0计数），如果商的整数部分位奇数，则该灰度值在相应位面中映射为1；如果商的整数部分为偶数（包括零值），则映射为0，即可得到每个位面的二值图像。比如，为了得到位面5的二值图像，可将图像中各像素的灰度值除以 $2^{5}$ ，所得商得整数若为偶数，则将对应的像素灰度映射为0，否则将其映射为1。

3.4直方图修正——直方图均衡化

1.直方图和累积直方图

直方图是图像的一种统计表达，反映了图像中像素的灰度值的分布情况，定义如下：

直方图： $h(k)=n_{k} .............k=0,1,...,L-1$ 。其中， $n_{k}$ 是图像 $f(x,y)$ 中具有灰度值k的像素的个数。

假设某图像的灰度直方图具有二峰性。则表明这个图像较亮的区域和较暗的区域可以较好地分离，取二峰间地谷底为阈值点，可以得到好地二值化处理效果。

归一化直方图： $p(s_{k})=\frac{n_{k}}{n}$ ， $s_{k}=\frac{k}{L-1},0\leqslant s_{k}\leqslant 1$ 。其中， $p(s_{k})$ 为归一化灰度级 $s_{k}$ 在图像中出现的概率（频度）， $n_{k}$ 为图像中灰度级为k的像素的个数，k=0,1,...,L-1，n为图像所有像素的数量， $s_{k}$ 为图像第k个灰度级的归一化值（归一化灰度级）。

累积直方图： $H(k)=\sum_{i=0}^{k}n_{i}$ 。其中， $H(k)$ 表示图像中灰度级小于或等于k的像素点数量， $n_{i}$ 表示图像中灰度级等于i的像素点数量。

归一化累积直方图： $P(s_{k})=\sum_{i=0}^{k}p(s_{i})$ 。其中， $P(s_{k})$ 表示小于或等于 $s_{k}$ 的归一化灰度级在图像中出现的总概率， $s_{i}$ 表示第i级归一化灰度级， $p(s_{i})$ 表示归一化灰度级 $s_{i}$ 在图像中出现的概率。

2.直方图均衡化原理

直方图均衡化原理就是把图像的直方图变换为均匀分布的形式，以此增强动态范围偏小的图像的反差，从而达到对比度增强。

将原始图像的直方图变换为均匀分布的形式，实质上就是选用合适的增强（变换）函数来修正图像灰度级的归一化直方图 $p(s_{k})$ ，从而得到新的灰度级分布图。增强函数往往根据需要来选择，为了能从图像中获得尽量多的信息量（即图像熵尽可能大），要求 $p(s_{k})$ 的常数，即所谓直方图均衡化。

为了实现均衡化，增强函数 $E_{H}(s)$ 需要满足一下两个条件：

（1） $E_{H}(s)$ 必须为单值单增函数，其中 $0\leqslant s \leqslant L-1$ 。各灰度值在变换后仍保持原有的排列次序。

（2） $0\leqslant E_{H}(s) \leqslant L-1$ 。变换前后灰度值动态范围一致。

累积分布函数（CDF）满足以上两条件并能将输入值s的分布转换为输出值t的均匀分布。

$t_{k}=E_{H}(s_{k})=\sum_{i=0}^{k}\frac{n_{i}}{n}=\sum_{i=0}^{k}p(s_{i})$

（1） $t_{k}$ ，即增强函数 $E_{H}(s_{k})$ 是k的单值单增函数

（2）灰度值取值范围一致， $0\leqslant t_{k} \leqslant1$ ， $0\leqslant s_{k} \leqslant1$

（3）将s的分布转换为t的均匀分布

参考书籍：数字图像处理（第三版）冈萨雷斯

鲸~屿

关注

31
点赞
踩
28

收藏

觉得还不错? 一键收藏
0
评论
数字图像处理学习笔记第三章灰度转换与空间滤波

1.空域的概念在图像处理中，空域是指由像素组成的空间。图像的空域增强技术是指直接作用于图像像素的增强技术.2.空域增强的模型其中：f(x,y)为原始图像，g(x,y)为增强后的图像，为增强操作。空间增强的目的就是增强图像的质量（视觉效果），或将图像转换成更适合于人和机器进行分析的形式。3.空间增强技术的分类（1）基于像素的空域增强。仅定义在每个像素(x,y)上。分为两种操作：其一为像素点操作，表达式为，该操作改变当前像素的灰度，输入为当前像素的灰度，或者当前像素的位置；
复制链接

扫一扫