《机器视觉算法与应用》第3章 机器视觉算法之图像增强——学习笔记

本节可参考我另一篇博客：《HALCON机器视觉与算法原理编程实践》第5章 图像预处理-学习笔记

3.2 图像增强

在第2章中讲述了提高采集图像的质量的各种途径。光源，镜头，相机，图像采集卡等都起到了至关重要的作用。尽管我们尽力来选择最佳的硬件设置，但是有时图像还是不够好，因此，本节我们将介绍几种通用的图像增强技术。

3.2.1 灰度值变换

除控制照明光源外， 某些情况下通过算法调整图像的灰度值是必要的。调整图像灰度值的一个原因是由于图像对比度太弱，通过对照明光源的调整， 这个问题通常只会局部发生，所以，我们也许只需增强局部的对比度。

调整灰度值的另一个原因是图像的对比度或者亮度同最初系统设定时相比已经发生了变化。

线性灰度值变换的参数必需根据不同的应用以及不同的照明进行合理地选择。

灰度值直方图显示每一灰度值在图像中出现的频率。

鲁棒的灰度归一化处理是一种非常有效的方法，例如，在光学字符识别中进行特征提取 时，采用本方法可以便OCR特征提取不受照明变化的影响。但是，它需要对图像的灰度值进行变换，这需要大量的计算。如想要使一个算法在光照变化下更加鲁棒，通常更可行的方法是通过调整该算法的参数以适应光照变化。

3.2.2 辐射标定

在实验室配置中，传统的方法是采用经过标定的目标物（典型的标定目标物是灰阶卡）来进行辐射标定。因此，相应的算法被称作基于图表的标定算法，它测量不同梯度条的灰度值并将这些灰度值与这些梯度条已知的反射系数进行比较。

不同的曝光既可以通过改变镜头的光圈也可通过改变摄像机曝光时间来实现。 因为改变光圈比使用不同长度的曝光时间精度低，且因为大部分工业摄像机可以通过软件来精确地设定曝光时间的长度， 所以设定不同长度的曝光时间以得到不同曝光条件下的一系列图像是我们的首选方法。本算法的好处是既不需要标定极， 也不需要在视野内有均匀的照明。

3.2.3 图像平滑

每幅图像都包含某种程度的噪声。为了达成本章的叙述目标，我们将噪声看作是由多种原因造成的灰度值的随机变化，比如由光子通量的随机性而产生的噪声。在大多数情况下，图像中的噪声必须通过图像平滑处理进行抑制。

均值滤波

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。

我们把空间平均处理的过程称为均值滤波，但并没有说明此处的滤波一词是指什么。滤波指的是一个操作，此操作采用某个函数作为输入并产生某个函数作为输 出。既然图像能被看作是函数，所以，滤波可以将一幅图像变换成另一幅图像。

均值滤波器是线性滤披器中的一个例子。线性洁、被器的特点如下：应用 一个滤波器到两幅输入图像的一个线性组合上所产生 的结果，与对这两幅 图像分别应用此蜡波器后将结果按同 一线性规则进行组合得到的结果完全 一致。

尽管均值滤波器提供了不错的结果，但它还不是最适宜的平滑滤波器。

由于均值滤波器有上述缺点，自然会出现这样一个问题，即采用何种平滑滤披器最理想。一个解决办法是先定义一组自然准则，平滑滤波器必须完全满足这些准则。然后寻找可以完全满足这些准则的全部滤披器。第一个自然准则就是滤波器应眩是线性的，这是因为我们能想象一幅图像是由多个物体以相加的方式组合而戚，因此，滤被处理的输出应该是输入的一个线性组合。而且，滤波应是与位置无关的，也就是说无论一个物体出现在图像中的哪个位置，滤波都应该能产生同样的结果。线性滤波器是可以满足这个标准的。

高斯滤波

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。 高斯滤波后图像被平滑的程度取决于标准差。它的输出是领域像素的加权平均，同时离中心越近的像素权重越高。因此，相对于均值滤波（mean filter）它的平滑效果更柔和，而且边缘保留的也更好。

高斯滤披器产生了相对锐利的边缘。因此，高斯滤波器能输 出更好的结果，在更关注结果的质量时， 高斯滤波器是首选的平滑滤波器， 而在更关注执行速度时，首选使用均值滤披器。

中值滤波

中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值.
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为33，55区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。

3.2.4 傅里叶变换

在前面，我们已经看到了均值滤波器和高斯滤波器的频率响应。本节里，我们将讨论用来推导频率响应的理论：傅立叶变换。一维函数h(x）的傅立叶变换由下式 给出：

它将函数h(x）从空间域转换到频率域，即将位置z的函数h(x）转换到频率f的函数H(f）。注意H(J）通常是复数。由（3.25）和恒等式cosx + i sinx，我们可以认为h(x）是由不同频率和不同振幅的正弦和余弦波组成。H(J）精确描述了各个频率以何种振幅和相位叠加（叠加相同频率的正弦项和余弦项即得到一个相位移动的正弦波）。从频率域到空间域的傅立叶逆变换由下式给出：

因为傅立叶变换是可逆变换，将h(x)和H(f） 视为同一函数的两种不同表现形式。

二维傅立叶变换和逆变换如下：

到目前为止，我们假定图像数据是连续的。但是真正的图像数据是离散的。这个微小的发现会与傅立叶变换的结果存在着较大的牵连。

实际的图像不但是离散的，而且是在矩形区域ω × h内被定义的，ω是图像的宽，h是图像的高，这意味着傅立叶变换不再是连续的。

推荐阅读：奈奎斯特采样定理