图像增强（二）

图像增强的优劣评估主要采用主观方法。一般包括以下几种图像增强方法：

1. 对比度增强
     该方法按照一定规则逐点改变像素灰度，从而改变像素灰度范围，达到增强对比度的目的。若输入图像为f(x,y)，输出图像为g(x,y)，则对比度增强可以表示为：
     g(x,y)=T[f(x,y)]
     其中T[.]表示输出像素灰度和对应的输入像素灰度之间的映射关系。该映射关系有以下几种：
   1) 线形映射
      若原图像的灰度范围为[B1,E1]，而期待的输出灰度范围为[B2,E2]，则线形变换
      g(x,y) = [(E2-B2)/(E1-B1)]*[f(x,y)-B1]+B2;
      可以满足这一要求。
   2) 分段线形映射
   3) 非线形映射
      从原理上讲，T[.]可以为任何非线形数学函数，例如平方、指数、对数、幂等变换等，但通常我们使用的是对数变换或幂变换。
      g(x,y) = Clog[f(x,y)+1]
     式中C用于使变换后的像素灰度在合适的范围。常见的珈玛校正用的就是对数变换。
   4) 其它映射关系
      <1> 灰度切片
          即取出一小段灰度范围对其加以拉伸后进行观察。
      <2> 锯齿型变换
     
2. 修正直方图增强
      直方图增强技术使用图像直方图作为图像增强的依据，使变换后的图像的直方图成为期望的形状。这种技术可以增加对比度并消除噪声。
   1) 直方图均衡
   2) 直方图规定化
      有两点要注意：其一，该方法要求函数的反函数，在离散的数字图像上比较容易处理。其二，定制合适的直方图比较困难。
   
3. 平滑
   平滑技术用于消除图像中的噪声。可以在时域通过求邻域平均实现，也可以在频域通过低通滤波实现。
   1) 邻域平均
      该方法比较简单。这里提几点对该方法的改进以避免对图像信号本身的平滑（主要是减小边界信息的损失）：
      <1> 门限法
          当像素灰度高出平均值某个值时才进行替代，否则保持其原始值不变。
      <2> 加权法
          即按照距离或其它因素对像素和其邻域赋予不同的权重。
      <3> 选择平均法
          即不必使用窗口内的所有像素点，而是有选择性的使用。比如最接近中心像素灰度的几个像素点，或与之灰度差小于方差的那些像素点。
      <4> 子窗统计法
          即将窗口内像素排序后分为两组：A和B，计算其灰度平均值，若两平均值之差过大，则该子窗包含边界，中心像素与A组的5点进行6点平均，否则应进行9点平均。
   
   另外还有一些非线形的邻域平均方法，例如几何均值和逆滤波均值法，但其计算量相对较大。
   
   2) 中值滤波
      中值滤波是滤除椒盐噪声的有效方法，但也会滤除细线和小的目标区域。实验表明，当出现的正负脉冲噪声概率超过20%时，使用中值滤波后可能产生比较严重的失真，此时应考虑改进的中值滤波算法——自适应中值滤波。
      自适应中值滤波的步骤如下：
      设A0为对像素点(i,j)进行中值滤波的工作窗口，f(i,j)为像素点(i,j)的灰度值，f_med为A0窗口中的中值，f_min,f_max分别为最大和最小值，A_max为允许的最大窗口。
      <1> 计算z1 = f_med - f_min，z2 = f_med - f_max；
      <2> 若z1 > 0和z2 < 0，则转到<3>；否则增大窗口A0尺寸，若A0<A_max，则重复<1>和<2>，否则输出f(i,j)；
      <3> 计算g1 = f(i,j) - f_min, z2 = f(i,j) - f_max；
      <4> 若g1>0和g2<0，则输出f(i,j)，否则输出f_med；
   在上述算法中，若f_min<f_med<f_max，则表明f_med不是噪声，转至<3>，然后判断f(i,j)是否是噪声，当f_med和f(i,j)均不为噪声时，优先输出f(i,j)。
   
   (3) 频域滤波
       主要在于对图像做FFT变换。