##一、图像增强概述
###1、定义
图像增强(Image Enhancement)是一个很宽泛的定义,简单来说就是对数字图像进行调整(adjusting)以使图像更适合于显示或后期的图像分析。
图像增强的原因总结有以下几点:
(1)图像细节不清晰
(2)光照不均匀导致图像亮度分布不均匀
(3)图像对比度较差
(4)成像过程中原始图像受噪声污染
(5)感兴趣区域(Region of Interest)不明显
(6)人眼视觉特性
###2、人眼视觉特性
####2.1、韦伯定律
谈及人眼视觉特性我们就不得不提韦伯定律(Weber-Fechner law),又称“感觉阈限定律”。
几个名词定义如下:
阈限:物理刺激能量可以被人觉察的临界点。
绝对阈限:个人对单一刺激引起的感觉经验时,所需最低的刺激强度。
差异阈限:辨别两个刺激之间的差异时,两种刺激最低的差异量。
韦伯定律:在同类刺激之下,其差异预先的大小
Δ
I
\Delta I
ΔI随着标准刺激强弱而成一定比例关系的。
Δ
I
=
K
×
I
\Delta I=K\times I
ΔI=K×I
K
K
K为常数。
简单说就是,人眼感受的亮度与自然亮度并不线性增加,而只有当自然亮度成特定比例增加时,人眼才能感觉是线性增加的。
2.2、gamma校正原因简述
一幅灰度值范围为0-255的灰度图像,人眼对较暗信息比较敏感,而对较亮信息不敏感(因为在较暗的情况下,灰度发生较小变化人就能分辨,而在较亮的情况下,灰度需要发生较大变化人才能分辨,如果还不懂请回头理解韦伯定律)。所以我们在采集图像的时候可以适当多采集较暗的信息,适当少采集较亮信息。
这也就是为什么需要进行
γ
\gamma
γ校正(gamma correction)的原因。在采集图像的时候通过
γ
<
1
\gamma <1
γ<1的gamma变换将低灰度往高灰度扩展,然后在显示的时候通过
γ
>
1
\gamma >1
γ>1将原始灰度复原出来。
3、图像增强方法分类
该图中未包含彩色图像增强,需要注意的是,图中列出的点运算与局部运算并不是绝对区分,如点运算中的直方图均衡操作同样可以进行局部直方图均衡。
二、局部增强
1、定义
利用图像的局部信息,如局域均值、方差、梯度等,获取图像中不同区域的差异情况,从而对图像不同区域进行不同的增强。
几个局部量的数学定义如下:
局部均值
m
x
(
i
,
j
)
=
1
(
2
n
+
1
)
2
∑
k
=
i
−
n
i
+
n
∑
l
=
j
−
n
j
+
n
x
(
k
,
l
)
m_x(i,j)=\frac{1}{(2n+1)^2}\sum_{k=i-n}^{i+n}\sum_{l=j-n}^{j+n}x(k,l)
mx(i,j)=(2n+1)21k=i−n∑i+nl=j−n∑j+nx(k,l)
局部方差
δ
x
2
(
i
,
j
)
=
1
(
2
n
+
1
)
2
∑
k
=
i
−
n
i
+
n
∑
l
=
j
−
n
j
+
n
[
x
(
k
,
l
)
−
m
x
(
i
,
j
)
]
2
\delta_x^2(i,j)=\frac{1}{(2n+1)^2}\sum_{k=i-n}^{i+n}\sum_{l=j-n}^{j+n}[x(k,l)-m_x(i,j)]^2
δx2(i,j)=(2n+1)21k=i−n∑i+nl=j−n∑j+n[x(k,l)−mx(i,j)]2
2、反锐化掩膜算法
反锐化掩膜(Unsharp Masking)算法是一种图像锐化技术。通过高通滤波(或其他方式)得到图像的高频部分,然后与原始图像相加,得到高频部分增强的图像。
数学表达如下:
f
(
i
,
j
)
=
m
(
i
,
j
)
+
C
×
[
x
(
i
,
j
)
−
m
(
i
,
j
)
]
f(i,j)=m(i,j)+C\times [x(i,j)-m(i,j)]
f(i,j)=m(i,j)+C×[x(i,j)−m(i,j)]
其中,
f
(
i
,
j
)
f(i,j)
f(i,j)代表变换后的图像,
x
(
i
,
j
)
x(i,j)
x(i,j)代表原始图像,
m
(
i
,
j
)
m(i,j)
m(i,j)代表图像的高频部分。
C
C
C为增益因子。
上述公式C中为常数,进行的操作是全局操作。通过统计局部信息对增益因子进行不同程度的调整,即为局部反锐化掩模操作。不同的局部反锐化掩膜操作,主要是增益因子
C
C
C和高频部分
m
(
i
,
j
)
m(i,j)
m(i,j)的求解方法不同,接下来会通过几篇博文分别进行介绍。
关于gamma校正的详细讲解请看以下链接:
线性工作流–韩世麟