数字与图像处理第三章-灰度变换与空间滤波

最新推荐文章于 2024-07-12 16:55:56 发布

wastec

最新推荐文章于 2024-07-12 16:55:56 发布

阅读量651

点赞数 9

文章标签：图像处理人工智能

本文链接：https://blog.csdn.net/wastec/article/details/139905276

版权

3.6.2使用二阶微分进行图像锐化-拉普拉斯算子

3.1知识背景

本章讨论的所有图像处理技术都是在空间域进行的。空间域就是简单的包含图像像素的平面，空间域技术直接在图像像素上操作。通常，空间域技术在计算上更有效，且在执行上需要较少的处理资源。

空间域处理可以由下式表示：g（x，y）=T[f(x,y)],其中f(x,y)是输入图像，g(x,y)是处理后的图像，T是在点(x,y)的邻域上定义的关于f的一种算子。

灰度变换是一种图像处理技术，通过改变图像中每个像素的灰度级别，如调整亮度或对比度，来增强图像的视觉效果或准备用于进一步分析。
空间滤波技术则是基于局部像素集合的一种图像处理方法，通过应用特定的滤波器（如平滑或锐化滤波器）来改变图像的空间域特征，以实现图像增强、噪声消除或边缘检测等目的。

3.2一些基本的灰度变换函数

灰度变换是所有图像处理技术中最简单的技术。r和s分别代表处理前后的像素值。这些值与s=T(r)表达式的形式有关，其中T是把像素值r映射到像素值s的一种变换。

3.2.1图像反转

使用图3.3中所示的反转变换，可得到灰度级范围为[0,L-1]的一幅图像的反转图像，该反转图像由下式给出：s=L-1-r。使用这种方式反转一幅图像的灰度级，可得到等效的照片底片。

3.2.2对数变换

图3.3中的对数变换的通用形式为：s=c log(1+r)，其中c是一个常数，并假设r≥0。图3.3中对数曲线的形状表明，该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，相反地，对高的输入灰度值也是如此。我们使用这种类型的变换来扩展图像中的暗像素的值，同时压缩更高灰度级的值。反对数变换的作用与此相反。

3.2.3幂律变换（伽马变换）

幂律变换的基本形式为： $s=cr^\gamma$ .c(r+e)。对于不同的γ值，s与r的关系曲线如图3.6所示。与对数变换的情况类似，部分γ值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，相反地，对于输入高灰度级值时也成立。然而，与对数函数不同的是.我们注意到，随着γ值的变化。将简单地得到一族可能的变换曲线。

3.2.4分段线性变换函数

分段线性函数较我们已经讨论过的函数类型的的主要优点是分段线性函数的形式可以是任意复杂的。分段函数的主要缺点是它的技术说明要求用户输入。最简单的分段线性函数之一是对比度拉伸变换。低对比度图像可由照明不足、成像传感器动态范围太小，甚至在图像获取过程中镜头光圈设置错误引起。对比度拉伸是扩展图像灰度级动态范围的处理，因此，它可以跨越记录介质和显示装置的全部灰度范围。

突出图像中特定灰度范围的亮度通常是重要的，其应用包括增强特征，和X射线图像中的缺陷。通常称之为灰度级分层的处理可以有许多方法实现，但是它们中的大多数是两种基本方法的变形。一种方法是将感兴趣范围内的所有灰度值显示为一个值(譬如“白色”),而将其他灰度值显示为另一个值(譬如“黑色”)。如图3.11(a)所示，该变换产生了一幅二值图像。第二种方法以图3.11(b)所示的变换为基础，使感兴趣范围的灰度变亮(或变暗),而保持图像中的其他灰度级不变。

3.3直方图处理

直方图是多种空间域处理技术的基础。直方图操作可用于图像增强，若一幅图像的像素倾向于占据整个可能的灰度级并且分布均匀，则该图像会有高对比度的外观并展示灰色调的较大变化。最终效果将是一幅灰度细节丰富且动态范围较大的图像。很快将会证明，仅仅依靠输入图像直方图中的可用信息就可开发出一个变换函数来自动地实现这种效果。

3.3.1直方图均衡

考虑连续灰度值，并用变量r表示待处理图像的灰度。通常，我们假设r的取值区间为[0,L-1],
且r=0表示黑色，r=L-1表示白色。在r满足这些条件的情况下，我们将注意力集中在变换形式上：
s=T(r),0≤r≤L-1。

一幅图像的灰度级可看成是区间[0,L-1]内的随机变量。随机变量的基本描绘子是其概率密度函数(PDF)。令p,(r)和p₈(s)分别表示随机变量r和s的概率密度函数，其中p的下标用于指示p,和p,是不同的函数。由基本概率论得到的一个基本结果是，如果p,(r)和T(r)已知，且在感兴趣的值域上T(r)是连续且可微的，则变换(映射)后的变量s的PDF可由下面的简单公式得到：
$p_s(s)=p_r(r)\left | \frac{dr}{ds}\right |$

这样，我们看到，输出灰度变量s的PDF就由输入灰度的PDF和所用的变换函数决定[回忆可知r和s由T(r)关联起来].在图像处理中特别重要的变换函数有如下形式：

$s=T(r)=(L-1)\int_{0}^{r}p_r(w)dw$ 其中，w是积分的假变量。公式右边是随机变量r的累积分布函数(CDF)。

3.3.2直方图匹配

如前所述，直方图均衡能自动地确定变换函数，该函数寻求产生有均匀直方图的输出图像。当需要自动增强时，这是一种好方法，因为由这种技术得到的结果可以预知。对于某些应用，采用均匀直方图的基本增强并不是最好的方法。特别地，有时我们希望处理后的图像具有规定的直方图形状可能更有用。这种用于产生处理后有特殊直方图的方法称为直方图匹配或直方图规定化。

令s为一个有如下特性的随机变量： $s=T(r)=(L-1)\int_{0}^{r}p_r(w)dw$ (3.3-10)

接着，我们定义一个有如下特性的随机变量z: $G(z)=(L-1)\int_{0}^{r}p_z(t) d t=s$ (3.3-11)

其中，t为积分假变量。由这两个等式可得G(z)=T(r),因此z必须满足下列条件： $z=G^{-1}[T(r)]=G^{-1}(s)$ (3.3-12)

式(3.3-10)到式(3.3-12)表明，使用下列步骤，可由一幅给定图像得到一幅其灰度级具有指定概率密度函数的图像：
1.由输入图像得到p,(r),并由式(3.3-10)求得s的值。
2.使用式(3.3-11)中指定的PDF求得变换函数G(z)。
3.求得反变换函数 $z=G^{-1}(s)$ ;因为z是由s得到的，所以该处理是s到z的映射，而后者正是我们期望的值。
4.首先用式(3.3-10)对输入图像进行均衡得到输出图像；该图像的像素值是s值。对均衡后的图像中具有s值的每个像素执行反映射 $z=G^{-1}(s)$ 得到输出图像中的相应像素。当所有的像素都处理完后，输出图像的PDF将等于指定的PDF。

3.3.3局部直方图处理

虽然全局方法适用于整个图像的增强，但存在这样的情况，增强图像中小区域的细节也是需要的。这些区域中，一些像素的影响在全局变换的计算中可能被忽略了，因为全局变换没有必要保证期望的局部增强。解决方法是以图像中每个像素的邻域中的灰度分布为基础设计变换函数。该过程是定义一个邻域，并把该区域的中心从一个像素移至另一个像素。在每个位置，计算邻域中的点的直方图，并且得到的不是直方图均衡化，就是规定化变换函数。这个函数最终用于映射邻域中心像素的灰度。然后，邻域的中心被移至一个相邻像素位置，并重复该过程。

3.3.4在图像增强中使用直方图统计

直接从直方图获得的统计参数可用于图像增强。令r表示在区间[0,L-1]上代表灰度值的一个离散随机变量，并令p( $r_i$ )表示对应于 $r_i$ 值的归一化直方图分量。

r关于其均值n阶矩定义为： $\mu _n(r)= \sum_{i=0}^{L-1}(r_i-m)p(r_i)$

其中，m是r的均值(平均灰度，即图像中像素的平均灰度): $m=\sum_{i=0}^{L-1}r_ip(r_i)$

二阶矩阵特别重要： $\mu _2(r)=\sum_{i=0}^{L-1}(r_i-m)^2p(r_i)$

3.4空间滤波基础

空间滤波是图像处理领域应用广泛的主要工具之一。滤波一词借用于频域处理，频率域处理是下一章的主题，在下一章中，“滤波”是指接受(通过)或拒绝一定的频率分量。例如，通过低频的滤波器称为低通滤波器。低通滤波器的最终效果是模糊(平滑)一幅图像。

3.4.1空间滤波机理

空间滤波器由(1)一个邻域(典型地是一个较小的矩形),(2)对该邻域包围的图像像素执行的预定义操作组成。滤波产生一个新像素，新像素的坐标等于邻域中心的坐标，像素的值是滤波操作的结果"。滤波器的中心访问输入图像中的每个像素，就生成了处理(滤波)后的图像。如果在图像像素上执行的是线性操作，则该滤波器称为线性空间滤波器。一般来说，使用大小为mxn的滤波器对大小为M×N的图像进行线性空间滤波，可由下式表示：

$g(x,y)=\sum_{s=-a}^{a}\sum_{t=-b}^{b}w(s,t)f(x+s,y+t)$

3.4.2空间相关与卷积

相关是滤波器模板移过图像并计算每个位置乘积之和的处理。卷积的机理相似，但滤波器首先要旋转180°。

1.空间相关：在图像处理中，空间相关是指在图像的空间域（即像素的二维排列）内，对局部像素集合进行运算或处理的过程。例如，计算某个像素周围邻域像素的平均值或加权平均值。
2.卷积：卷积是一种数学运算，通常用于图像处理中的滤波操作。在图像处理中，卷积操作通过滑动一个滤波器（也称为卷积核）在图像的每一个像素点上，并将滤波器与其覆盖的像素进行乘积和求和。这个过程可以用来实现图像的模糊、边缘检测、锐化等处理。

3.4.3线性滤波的向量表示

$R=w_1z_1+w_2z_2+....+w_{mn}z_{mn}=\sum_{k=1}^{mn}w_kz_k=w^tz$

其中w项是一个大小为m×n的滤波器的系数，z为由滤波器覆盖的相应图像的灰度值。

3.3.4空间滤波器模版的产生

生成一个大小为m×n的线性空间滤波器要求指定mn个模板系数，这些系数是根据该滤波器支持什么样的操作来选择的，我们使用线性滤波所能做的所有事情是实现乘积求和操作。

平均灰度： $R=\frac{1}{9}\sum_{i=1}^{9}z_i$

在某些应用中，我们有一个具有两个变量的连续函数，其目的是基于该函数得到一个空间滤波模板。例如，一个具有两个变量的高斯函数有如下基本形式： $h(x,y)=e^{-\frac{x^2+y^2}{2\sigma ^2}}$

3.5平滑空间滤波器

平滑滤波器用于模糊处理和降低噪声。模糊处理经常用于预处理任务中。

3.5.1平滑线性滤波器

平滑线性空间滤波器的输出(响应)是包含在滤波器模板邻域内的像素的简单平均值。这些滤波器有时也称为均值滤波器。正如前节提到的那样，也可以把它们归入低通滤波器。平滑滤波器的基本概念非常直观。它使用滤波器模板确定的邻域内像素的平均灰度值代替图像中每个像素的值，这种处理的结果降低了图像灰度的“尖锐”变化。图3.32显示了两个3×3平滑滤波器。第一个滤波器产生模板下方的标准像素平均值。 $R=\frac{1}{9}\sum_{i=1}^{9}z_i$

3.5.2统计排序滤波器

统计排序滤波器是一种非线性空间滤波器，这种滤波器的响应以滤波器包围的图像区域中所包含的像素的排序(排队)为基础，然后使用统计排序结果决定的值代替中心像素的值。这一类中最知名的滤波器是中值滤波器，正如其名暗示的那样，它是将像素邻域内灰度的中值(在中值计算中包括原像素值)代替该像素的值。

3.6锐化空间滤波器

锐化处理的主要目的是突出灰度的过渡部分。图像锐化的用途多种多样，应用范围从电子印刷和医学成像到工业检测和军事系统的制导等。

3.6.1基础

数字函数的微分可以用不同的术语定义。也有各种方法定义这些差别。然而，对于一阶微分的任何定义都必须保证以下几点：(1)在恒定灰度区域的微分值为零；(2)在灰度台阶或斜坡处微分值非零；(3)沿着斜坡的微分值非零。类似地，任何二阶微分的定义必须保证以下几点：(1)在恒定区域微分值为零；(2)在灰度台阶或斜坡的起点处微分值非零；(3)沿着斜坡的微分值非零。因为我们处理的是数字量，其值是有限的，故最大灰度级的变化也是有限的，并且变化发生的最短距离是在两相邻像素之间。

对于一维函数f(x),其一阶微分的基本定义是差值： $\frac{\delta f}{\delta x}=f(x+1)-f(x)$

二阶微分定义如下： $\frac{\delta ^2}{\delta ^2}=f(x+1)+f(x+1)-2f(x)$

3.6.2使用二阶微分进行图像锐化-拉普拉斯算子

可以证明(Rosenfeld and Kak[1982]),最简单的各向同性微分算子是拉普拉斯算子。一个二维图像函数f(x,y)的拉普拉斯算子定义为：

$\Delta ^2f=\frac{\delta ^2f}{\delta ^2x}+\frac{\delta ^2f}{\delta y^2}$

两个变量的离散拉普拉斯算子是: $\Delta ^2f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)$

3.6.3非锐化掩蔽和搞提升滤波

在印刷和出版界已用了多年的图像锐化处理过程是从原图像中减去一幅非锐化(平滑过的)版本。这个称为非锐化掩蔽的处理过程由下列步骤组成：
1.模糊原图像。
2.从原图像中减去模糊图像(产生的差值图像称为模板)。
3.将模板加到原图像上。

如图解释了飞锐化掩蔽是如何工作的：

3.6.4使用一阶微分队图像锐化-梯度

图像处理中的一阶微分是用梯度幅值来实现的。对于函数f(x,y),f在坐标(x,y)处的梯度定义为二维列向量： $\Delta f\equiv grad(f)\equiv \begin{bmatrix} g_x\\ g_y \end{bmatrix}=\begin{bmatrix} \frac{\delta f}{\delta x}\\ \frac{\delta f}{\delta y} \end{bmatrix}$

向量Vf的幅度值(长度)表示为M(x,y),即: $M(x,y)=mag(\Delta f)=\sqrt{{g_x^2}+{g_y^2}}$

3.7混合空间增强法

通常，为了达到令人满意的结果，对给定的任务需要应用多种互补的图像增强技术。

在一些领域，增强处理后的结果可能就是最终的“产品”。在印刷工业、基于图像的产品检测、法院取证、显微、监视及其许多他领域，增强的主要目的是得到一幅具有较高视觉细节内容的图像。

3.8使用模糊技术进行灰度变换和空间滤波

具体来说，模糊集合理论与传统的集合论不同之处在于，它允许一个元素部分地属于一个集合，而不是像传统集合论那样只有属于或不属于两种状态。模糊集合通过模糊隶属函数来描述元素对集合的隶属程度，这个函数通常取值在0到1之间，表示元素属于集合的可能性大小。

考虑对比度增强这样的一般问题，这是灰度变换的主要应用之一。我们可以用如下规则说明灰度级图像对比度增强的过程：
IF一个像素是暗的，THEN使它较暗。

IF一个像素是灰的，THEN使它仍是灰的。

IF一个像素是亮的，THEN使它较亮。

在输出项中，我们可以将“较暗”考虑为暗灰度值的程度(100%的黑是暗色调的极限值),将“较亮”考虑为亮色调的程度(100%的白是极限值),将“灰的”视为中间灰度级中灰度的程度。这里，所谓的“程度”是一种特定灰度的数量。例如，80%的黑是非常暗的灰色。如图3.53(b)所示，当作为恒定灰度来解释被修改的强度时，输出隶属度函数是单一值(隶属度函数是常数)。在区间[0,1]内，当单一值被来自相应规则的响应强度裁剪时，会出现各种程度的灰度。

图3.45(a)显示了一幅图像，由于该图像的灰度只占灰度级很窄的范围[见图3.55(a)中的直方图],给出的是一幅低对比度外观的图像。作为对比的基础，图3.54(b)是直方图均衡后的结果。正如该结果的直方图显示的那样[见图3.55(b)],扩展整个灰度级的确增加了对比度，但在高端和低端引入了使图像“过度感光”的外观。例如，爱因斯坦教授的前额和头发的细节大部分都缺失了。图3.54(c)显示了使用前几段讨论的基于规则的对比度修改方法的结果。图3.55(c)显示了所用的叠加在原图像的直方图上的输入隶属度函数。输出单一值选择为：va=0(黑),vg=127(中间灰度)和v₀=255(白)。

比较图3.54(b)和图3.54(c),我们看到后者在色调上有相当大的改进。例如，注意前额和头发中的细
节与图3.54(b)中相同区域的对比。通过研究示于图3.55(d)的3.54(c)的直方图可很容易地解释这种改进的原因。不像均衡过的图像的直方图那样，该直方图保留了原图像直方图的相同的基本特征。然而，暗级别(直方图低端的几个高峰值)的左移很明显，从而暗化了级别。对于亮级别则相反。中间灰度稍微地分离了，比直方图均衡化小了很多。

wastec

关注

9
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
数字与图像处理第三章-灰度变换与空间滤波

图3.45(a)显示了一幅图像，由于该图像的灰度只占灰度级很窄的范围[见图3.55(a)中的直方图],给出的是一幅低对比度外观的图像。在输出项中，我们可以将“较暗”考虑为暗灰度值的程度(100%的黑是暗色调的极限值),将“较亮”考虑为亮色调的程度(100%的白是极限值),将“灰的”视为中间灰度级中灰度的程度。这里，所谓的“程度”是一种特定灰度的数量。统计排序滤波器是一种非线性空间滤波器，这种滤波器的响应以滤波器包围的图像区域中所包含的像素的排序(排队)为基础，然后使用统计排序结果决定的值代替中心像素的值。
复制链接

扫一扫