数字图像处理——第三章灰度变换与空间滤波

ZLiu66

已于 2024-06-29 10:28:25 修改

阅读量807

点赞数 25

分类专栏：数字图像处理文章标签：计算机视觉图像处理人工智能

于 2024-06-23 10:53:15 首次发布

本文链接：https://blog.csdn.net/weixin_46002351/article/details/139883759

版权

数字图像处理专栏收录该内容

8 篇文章 0 订阅

订阅专栏

3.6.2 使用二阶微分进行图像锐化——拉普拉斯算子

3.8 使用模糊技术进行灰度变换和空间滤波

引言

术语空间域指图像平面本身，这类图像处理方法直接以图像中的像素操作为基础。换域的图像处理首先把一幅图像变换到变换域，在变换域中进行处理，然后通过反变换把处理结果返回到空间域。空间域处理主要分为灰度变换和空间滤波两类。

3.1 背景知识

3.1.1 灰度变换和空间滤波基础

本节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。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。本这讨论的空间域处理可由下式表示：

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)的邻域上定义的关千f的一种算子。

3.2 一些基本的灰度变换函数

3.2.1 图像反转

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

对数变换的通用形式为:

s = c log(l + r)

其中c是一个昭攻，并假设r>=0。

3.2.3 幕律（伽马）变换

幕律变换的基本形式为：s = $cr^{\gamma }$ ，其中e和 $\gamma$ 为正常数。也写为s= c(r+ $\varepsilon$ ) $^{\gamma }$ 。

用于校正这些幕律响应现象的处理称为伽马校正。

3.2.4 分段线性变换函数

分段函数的主要缺点是它的技术说明要求用户输入。

对比度拉伸：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、成像传感器动态门范围太小，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阶的处理因此，它可以跨越记录介质和显示装嚣的全部灰度范围。

灰度级分层：突出图像中特定灰度范围的亮度通常是重要的，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（替如 “白色” )，而将其他灰度值显示为另一个值（替如 “黑色” )。

比特平面分层：像素是由比特组成的数字。代替突出灰度级范围．我们可突出特定比特来为整个图像外观作出贡献。这一处理可帮助我们确定用于品化该图像的比特数的充分性。

3.3 直方图处理

灰度级范围为［0, L-1] 的数字图像的直方图是离散函数h( $r_{k}$ )= $n_{k}$ , 其中 $r_{k}$ 是第 K 级灰度值， $n_{k}$
是图像中灰度为 $r_{k}$ 的像素个数。在实践中，经常用乘积MN表示的图像像素的总数除它的每个分量来归一化直方图，通常M和 N是图像的行和列的维数。因此，归一化后的直方图由 p( $r_{k}$ )＝ $n_{k}$ /MN给出，其中k=0, 1,L-1。归一化直方图的所有分量之和应等于1。

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。

在暗图像中，直方图的分拭集中在灰度级的低（暗）端。类似地，亮图像直方图的分址则倾向于灰度级的高端。低对比度图像具有较窄的直方图，且集中于灰度级的中部。对于单色图像，这意味着暗淡，好像灰度被冲淡了一样。

3.3.1 直方图均衡

考虑连续灰度值，并用变蜇 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s=T(r),0<=r<=L-1.

上（灰度映射），对于输入图像中每个具有r值的像素值产生一个输出灰度值s。我们假设

(a) T(r)在区间 0<=r<=L-1上为单调递增函数
(b) 当0<=r<=L-1时，0<=T(r)<=L-1。

条件(a)中要求T(r)为单调递增函数是为了保证输出灰度值不少于相应的输入值，防止灰度反变
换时产生人为缺陷。条件(b)保证输出灰度的范即与输入灰度的范围相同。单调变换函数执行一对一或多对一映射。

3.3.2 直方图匹配（规定化）

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并且这种方法实现起来简单。

现在我们暂时回到连续灰度r和认看成是连续随机变量），并令 $p_{r}(r)$ 和 $p_{z}(z)$ 表示它们所对应的连续概率密度函数。在这种表示方法中， r 和z分别表示输入图像和输出（巳处理）图像的灰度级。我们可以由给定的输入图像估计 $p_{r}(r)$ ，而 $p_{z}(z)$ 是我们希望输出图像所具有的指定概率密度函数。

令s为一个有如下特性的随机变量： $s=T(r)=(L-1)\int_{0}^{f}p_{r}(w)dw$ ,其中，如前面一样，w为积分假变量。

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

$z=G^{-1}[T(r)]=G^{-1}(s)$

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 $p_{r}(r)$ ,并求得 s 的值。

2.使用指定的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,而后者正是我们期待的值。

4.首先对输人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

在某种意义上，像素被基千整幅图像的灰度分布的变换函数修改。虽然这种全局方法适用于整个图像的增强，但存在这样的清况，增强图像中小区域的细节也是需要。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。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设计变换函数。

前面描述的直方图处理技术很容易适应局部增强。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。当邻域进行逐像素平移时，由千只有邻域中的一行或一列改变．所以可在每一步移动中，以新数据更新前一个位置得到的直方图。

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。如前面指出的那样，我们可以把 $p(r_{i})$ 看成是得到直方图的那幅图像的灰度 $r_{i}$ 出现的概率的估计。

r关于其均值的n阶矩定义为： $\mu _{n}(r)=\sum_{i=1}^{L-2}(r_{i}-m)^{n}p(r_{i})$ ，二阶矩特别注意

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

使用局部均值和方差进行图像处理的一个重要方面是它的灵活性、它们提供了简单而强有力的基于统计度量的增强技术，而统计度量与图像的外观有紧密的、可预测的关系。

3.4 空间滤波基础

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。我们可以用空间滤波器（也称为空间掩模、核、模板和窗口）直接作用于图像本身而完成类似的平滑。

3.4.1 空间滤波机理

空间滤波器由(I)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。否则，滤波器就称为非线性空间滤波器。

一般来说，使用大小为mxn的滤波器对大小为MxN的图像进行线性空间滤波，可由下式表示：

$g(x,y)=\sum_{s=-a}^{a}\sum_{t=-b}^{b}w(s,t)f(x+s,y+t)$ , x和y是可变的，以便w中的每个像素可访问J中的每个像素。

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°。

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，例如在（大）目标提取之前去除图像中的一些琐碎细节，以及桥接直线或曲线的缝隙。通过线性滤波和非线性滤波模糊处理，可以降低噪声。

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索的简单平均值。这些滤波
器有时也称为均值滤波器。

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伯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。由于典梨的随机噪声由灰度级的急剧变化组成，因此，常见的平滑处理应用就是降低噪声。

一幅MxN的图像经过一个大小为mxn(m和n是奇数）的加权均值滤波器滤波的过程可由下式给出：

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

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。在逻辑上，我们可以得出锐化处理可由空间微分来实现这一结论。

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：（I）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)沿若斜坡的微分值非零。类似地，任何二阶微分的定义必须保证以下几点：（l）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员，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。

一阶微分的基本定义是差值： $\frac{\partial f}{\partial x}=f(x+1)-f(x)$

二阶微分定义为如下差分： $\frac{\partial^2 f}{\partial x^2}=f(x+1)+f(x-1)-2f(x)$

3.6.2 使用二阶微分进行图像锐化——拉普拉斯算子

一个二维图像函数f(x,y)的拉普拉斯算子定义为： $\bigtriangledown ^{2}f=\frac{\partial^2 f}{\partial x^2}+\frac{\partial^2 f}{\partial y^2}$

因为任意阶微分都是线性操作,所以拉普拉斯变换也是一个线性算子。为了以离散形式描述这一公式。在 x方向上： $\frac{\partial^2 f}{\partial x^2}=f(x+1,y)+f(x-1,y)-2f(x,y)$

类似地，在y方向上有: $\frac{\partial^2 f}{\partial y^2}=f(x,y+1)+f(x,y-1)-2f(x,y)$

遵循这三个公式,两个变撮的离散拉普拉斯算子是:

$\bigtriangledown ^{2}f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)$

3.8 使用模糊技术进行灰度变换和空间滤波

模糊集合在解决那些不以精确概念为基础来表述的问题时．为体现人类知识提供了一个框架。

空集：当且仅当Z中的隶属度函数等于零，模糊集合为空集。
相等：当且仅当对于所有的z $\in$ Z有 $\mu _{A}(z)=\mu _{B}(z)$ ，两个模糊集合A和B相等。

补集：由A或NOT(A）表示模糊集合A的补集(NOT) ，定义为其隶属度函数是

$\mu _{\bar{A}}(z)=1-\mu _{A}(z)$

ZLiu66

关注

25
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
数字图像处理——第三章灰度变换与空间滤波

术语空间域指图像平面本身，这类图像处理方法直接以图像中的像素操作为基础。换域的图像处理首先把一幅图像变换到变换域，在变换域中进行处理，然后通过反变换把处理结果返回到空间域。空间域处理主要分为灰度变换和空间滤波两类。
复制链接

扫一扫