混合空间增强

  混合图像增强是一种图像处理技术，用于在不损失图像细节的情况下增强图像的对比度和亮度。它通常通过将图像拆分成多个通道，然后对每个通道进行独立处理来实现。

  综合利用平滑滤波，锐化滤波，灰度拉伸等技术对图像进行处理，得到更为理想的效果。

  这里使用人体骨骼扫描图像来说明。具体流程如上图，由于人体全身骨骼扫描图像灰度动态范围很窄，并且有很大的噪声内容，使用单一滤波对其增强效果一般。具体作用如图：

import numpy as np
from skimage import io, filters
from matplotlib import pyplot as plt


# 空间滤波
def corre12d(img, window):
    m = window.shape[0]
    n = window.shape[1]
    # 边界通过0灰度值填充
    img1 = np.zeros((img.shape[0] + m - 1, img.shape[1] + n - 1))
    img1[(m - 1) // 2:(img.shape[0] + (m - 1) // 2), (n - 1) // 2:(img.shape[1] + (n - 1) // 2)] = img
    img2 = np.zeros(img.shape)
    for i in range(img2.shape[0]):
        for j in range(img2.shape[1]):
            tmp = img1[i:i + m, j:j + n]
            img2[i, j] = np.sum(np.multiply(tmp, window))
    return img2


I = io.imread("I3.jpg", as_gray=True)
# 拉普拉斯变换
win = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
I_lap = corre12d(I, win)
I_lap = 255 * (I_lap - I_lap.min()) / (I_lap.max() - I_lap.min())
# 相加得锐化增强图
I_lap_enhance = I + I_lap
# sobel处理
I_sobel = filters.sobel(I)
# 5*5均值滤波器
win_mean = np.ones((5, 5)) / (5 ** 2)
I_sobel_mean = corre12d(I_sobel, win_mean)
# 相乘得到掩蔽图像
I_mask = I_lap_enhance * I_sobel_mean
# 相加得到锐化增强
I_sharp_enhance = I + I_mask
# 进行灰度幂律变换
I_enhance = I_sharp_enhance ** 0.5
# 显示
I_list = [I, I_lap, I_lap_enhance, I_sobel, I_sobel_mean, I_mask, I_sharp_enhance, I_enhance]

i = 0
for grayI in I_list:
    i = i + 1
    plt.subplot(2, 4, i)
    plt.axis('off')
    plt.title(i)
    plt.imshow(grayI, cmap='gray')
plt.show()

 

从左到右，从上到下依次是：

 1：原始图像：

 2：1拉普拉斯变化后：

   图像全身骨骼扫描，图2为原始图像拉普拉斯变换后的结果，细节信息丰富，同时噪音变多。

 3：原始图像与拉普拉斯变换后图像相加得到拉普拉斯锐化增强图像：

 

 

4：原始图像Sobel处理 ：

 

图4为原始图像经过Sobel算子处理后结果，边缘信息丰富。

 5：均值滤波对4进行平滑：

 

图4进行空间平滑滤波得到图5，保留图像边缘信息，同时减小了噪声。

 6：3*5得到的掩蔽图像：

 

将图3与图5相加得到图6，发现图6的强边缘优势和可见噪声相对减少。

7：原图与掩蔽图像相加得到的锐化增强图像：

 

 图像的大部分细节更清晰。

8：对7进行灰度幂律变换得到最终结果：

 

 图8进行幂律变换后增大了一些噪声，但同时人体结构更加清晰完整，人体轮廓清晰度也有一定提高。

 上图更能直观地观察到图像变换后的差异。