第三章图像增强(邻域运算)
遥感图像增强实验报告
遥感图像增强实验报告1. 实验目的和内容实验目的：（1）遥感图像的空间域增强：通过直接改变图像中的单个像元及相邻像元的灰度值来增强图像，是图像增强技术的基本组成部分，包括点运算和邻域运算。
（2）遥感图像的频率域增强：通过对频率域的调整对遥感图像进行平滑和锐化，平滑主要是保留图像的低频部分抑制高频部分，锐化则保留图像的高频部分而削弱低频部分。
（3）遥感图像的彩色增强：将黑白图像转换成彩色图像，使地物的差别易于分辨，突出图像的有用信息，从而提高对图像的解译和分析能力。
实验内容：（1）遥感图像的空间域增强：点运算—直方图均衡化、灰度拉伸、任意拉伸，邻域运算—图像平滑、图像锐化。
（2）遥感图像的频率域增强：定义FFT，反向FFT，再进行对比。
（3）遥感图像的彩色增强：多波段影像—彩色合成、单波段影像—伪彩色增强、色彩空间变换、遥感数据融合。
2. 图像处理方法和流程A.遥感图像的空间域增强1.直方图均衡化(1)在主窗口中打开can_tmr.img文件。
(2)以gray形式显示一个波段。
(3)Display窗口>enhance>equalization2.灰度拉伸(1)Display窗口>enhance>interactive stretching(2)弹出的对话框>stretch_type>linear(3)在STRETCH对应的两个文本框中输入需要拉伸的范围，然后单击对话框上的APPLY按钮，图像显示为线性拉伸后的效果。
3.任意拉伸（1）弹出的对话框>stretch_type>Arbitary，在output histogram中单击绘制直方图，右键结束（2）点击apply，结果如图所示4.图像平滑（1）均值平滑，在主窗口中打开can_tmr.img文件。
主窗口>enhance>filter>smooth[3*3]。
结果如图所示（2）中值平滑，在主窗口中打开can_tmr.img文件。
图像增强 image enhancement
图像增强image enhancement 增强图象中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
图像增强可分成两大类：频率域法和空间域法。
前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。
采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。
具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。
图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征，使图像与视觉响应特性相匹配。
在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。
图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法和基于频域的算法两大类。
基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。
基于空域的算法分为点运算算法和邻域去噪算法。
点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。
邻域增强算法分为图像平滑和锐化两种。
平滑一般用于消除图像噪声，但是也容易引起边缘的模糊。
常用算法有均值滤波、中值滤波。
锐化的目的在于突出物体的边缘轮廓，便于目标识别。
常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。
影响图像质量清晰程度有很多因素，室外光照度不均匀会造成图像灰度过于集中；摄像头获得的图像经过数/模转换，线路传输时都会产生噪声污染，图像质量不可避免降低，轻者变现为图像伴有噪点，难于看清图像细节；重者图像模糊不清，连大概物体面貌轮廓都难以看清。
图像增强之空间域锐化
图像增强之空间域锐化1、图像锐化理论图像锐化的⽬的是使图像变得清晰起来，锐化主要⽤于增强图像的灰度跳变部分，这⼀点与图像平滑对灰度跳变的抑制正好相反。
锐化提⾼图像的⾼频分量，增加灰度反差增强图像的边缘和轮廓，以便后期图像识别。
在图像增强过程中，常⽤平滑算法来消除噪声，平滑属于低通滤波，图像的能量主要集中在低频部分，噪声所在频段主要在⾼频部分，同时图像的边缘也集中在⾼频部分，这意味着图像平滑后，⾼频被衰减轮廓会出现模糊。
图像锐化就是为了减少这种现象，通过⾼通滤波使图像边缘和轮廓变得清晰。
2、⼀阶微分图像增强--梯度算⼦其中：梯度的⽅向就是函数f(x,y)最⼤变化率的⽅向。
梯度的幅值作为最⼤变化率⼤⼩的度量，值为：离散的⼆维函数f(i,j)，可以⽤有限差分作为梯度的⼀个近似值。
为了简化计算，可以⽤绝对值来近似。
|▽f(i,j)|= |f(i+1,j)-f(i,j)| +|f(i,j+1)-f(i,j)|2.1 Robert算⼦|▽f(i,j)|= |f(i+1,j+1)-f(i,j)| +|f(i,j+1)-f(i+1,j)|上⾯算式采⽤对⾓相差的差分法来代替微分，写为滤波模板形式为：其中w1对接近45°的边缘有较强响应，w2对接近-45°的边缘有较强响应。
imgPath = 'E:\opencv_pic\src_pic\pic6.bmp';img = imread(imgPath);img=rgb2gray(img);w1 =[-1,0; 0,1];w2 =[0,-1; 1, 0];G1=imfilter(img, w1, 'corr', 'replicate');G2=imfilter(img, w2, 'corr', 'replicate');G=abs(G1)+abs(G2);subplot(2,2,1),imshow(img), title('原始图像');subplot(2,2,2),imshow(abs(G1)), title('w1图像');subplot(2,2,3),imshow(abs(G2)),title('w2滤波');subplot(2,2,4),imshow(G),title('Robert交叉梯度图像');可见w1滤波后45°的边缘被突出，w2滤波后-45°的边缘被突出。
图像增强的基本原理
图像增强的基本原理图像增强是一种用于改善图像视觉质量或提取目标特征的技术。
它通过改变图像的亮度、对比度、颜色、清晰度等属性来增强图像的可视性和可识别性。
图像增强的基本原理可以归纳为以下几点：1. 空域增强：采用空域操作，即对图像的每个像素进行操作。
常见的空域增强方法有直方图均衡化、灰度拉伸、滤波等。
直方图均衡化通过重新分布图像中像素的亮度来增加图像的对比度，灰度拉伸则通过线性转换将图像的亮度范围拉伸到整个灰度级范围内。
滤波则通过应用低通、高通、中通等滤波器来增强图像的细节和轮廓。
2. 频域增强：采用频域操作，即将图像转换到频域进行处理。
常见的频域增强方法有傅里叶变换、小波变换等。
傅里叶变换可以将图像从空域转换到频域，通过对频谱进行滤波操作来增强图像的细节和边缘。
小波变换则可以将图像分解为不同频率的子带，可以更加灵活地选择性地增强特定频率的信息。
3. 增强算法：通过应用特定的增强算法来增强图像的视觉效果。
常用的增强算法有Retinex算法、CLAHE算法等。
Retinex算法通过模拟人眼对光源的自适应调整能力来增强图像的亮度和对比度，CLAHE算法则通过分块对比度受限的直方图均衡化来增强图像的细节和纹理。
4. 机器学习方法：利用机器学习算法对图像进行增强。
通过训练模型，学习图像的特征和上下文信息，然后根据学习到的模型对图像进行增强处理。
常见的机器学习方法包括卷积神经网络、支持向量机等。
综上所述，图像增强的基本原理包括空域增强、频域增强、增强算法和机器学习方法等。
这些原理可以单独或结合使用，根据图像的特点和需求，选择合适的方法来对图像进行增强处理，以获得更好的图像视觉质量和目标特征提取效果。
数字图像处理 -习题2增强-噪声-几何变换-频域变换
第三章图像增强一.填空题1. 我们将照相机拍摄到的某个瞬间场景中的亮度变化范围，即一幅图像中所描述的从最暗到最亮的变化范围称为____动态范围__。
2.所谓动态范围调整，就是利用动态范围对人类视觉的影响的特性，将动态范围进行__压缩____，将所关心部分的灰度级的变化范围扩大，由此达到改善画面效果的目的。
3. 动态范围调整分为线性动态范围调整和__非线性调整___两种。
4. 直方图均衡化把原始图的直方图变换为分布均匀的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。
基本思想是：对图像中像素个数多的灰度值进行__展宽_____，而对像素个数少的灰度值进行归并，从而达到清晰图像的目的。
5. 数字图像处理包含很多方面的研究内容。
其中，__图像增强_的目的是将一幅图像中有用的信息进行增强，同时将无用的信息进行抑制，提高图像的可观察性。
6. 灰级窗，是只将灰度值落在一定范围内的目标进行__对比度增强___，就好像开窗观察只落在视野内的目标内容一样。
二.选择题1. 下面说法正确的是：（B ）A、基于像素的图像增强方法是一种线性灰度变换；B、基于像素的图像增强方法是基于空间域的图像增强方法的一种；C、基于频域的图像增强方法由于常用到傅里叶变换和傅里叶反变换，所以总比基于图像域的方法计算复杂较高；D、基于频域的图像增强方法比基于空域的图像增强方法的增强效果好。
2. 指出下面正确的说法：（D ）A、基于像素的图像增强方法是一种非线性灰度变换。
B、基于像素的图像增强方法是基于频域的图像增强方法的一种。
C、基于频域的图像增强方法由于常用到傅里叶变换和傅里叶反变换，所以总比基于图像域的方法计算复杂较高。
D、基于频域的图像增强方法可以获得和基于空域的图像增强方法同样的图像增强效果。
3.指出下面正确的说法：（D ）①基于像素的图像增强方法是一种非线性灰度变换。
②基于像素的图像增强方法是基于空域的图像增强方法的一种。
数字图像处理冈萨雷斯空间域图像增强(共104张PPT)
例如每个象素点的灰度值用8bit表示，假设某像素点的灰度值为00100010,分解处理 如下 :
00100010
00000000(0) 00000010(2)
00000000(0)
00000000(0) 00000000(0)
001000(0302) 00000000(0)
这样这个位置的像素，就分解 成了8局部，各局部的值转成
1时 ， 该 变 换 将
低 灰 度 值 （ 暗 值 ） 进 行 拉 伸
例 ： 0.4时 ， 该 变 换 将 动 态 范 围
从 [0,L5]扩 展 到 [0,L2]
1时 ， 该 变 换 将
L5
高 灰 度 值 （ 亮 值 ） 进 行 拉 伸
3.2 根本灰度变换
幂次变换应用 (伽马)校正 s cr
00000000(0)
十进制就是该点在该位平面上
的灰度值。
④分段线性变换函数
3.2 根本灰度变换
位图切割
位图切割例如
位图切割在图像压缩和重建中的应用
重建：
①第n个bit平面的每个像素 2 n1 ；
②所有bit平面相加；
MATLAB 例子:线性变换
I=imread('pout.tif');
pout=double(I);
随机变量:不一定是均匀分布的
根据该方程可以由原图像的各像素灰度值直接得到直方图 均衡化后各灰度级所占的百分比
➢直方图均衡化处理的计算步骤如下：
(1)统计原始图象的直方图
是rk 输入图象灰度级； (2)计算直方图累积分布曲线
pr
rk
nk n
3.3 直方图处理
sk T(rk)j k0pr(rj)j k0nnj
邻域变换的名词解释
邻域变换的名词解释邻域变换，又称局部变换或局部操作，是一种图像处理中常见的操作方法。
它通过对图像中的每个像素及其周围一定范围内的像素进行处理，从而改变图像的外观或特征。
邻域变换广泛应用于图像增强、去噪、分割以及特征提取等领域，具有重要的理论和实际意义。
一、邻域变换的基本原理和方法邻域变换的基本原理是基于图像的空间域，通过对像素的局部环境进行处理，以实现对整个图像的改变。
邻域变换的方法有很多种，常见的包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而有效的邻域变换方法，它通过计算邻域内像素的平均值来替代中心像素的灰度值。
均值滤波主要用于图像去噪的应用，能够减少图像中的噪声，平滑图像的细节和纹理。
2. 中值滤波中值滤波是一种非线性的邻域变换方法，它通过计算邻域内像素的中值来替代中心像素的灰度值。
相对于均值滤波，中值滤波能够更好地保留图像的边缘和细节信息，常用于去除图像中的椒盐噪声。
3. 高斯滤波高斯滤波是一种基于高斯函数的邻域变换方法，它通过对邻域内的像素赋予权重来计算中心像素的灰度值。
高斯滤波能够产生平滑的效果，常用于图像增强和去噪的处理。
二、邻域变换在图像增强中的应用邻域变换在图像增强中具有重要作用，能够改善图像的质量和视觉效果。
以下介绍几种常见的邻域变换方法在图像增强中的应用。
1. 直方图均衡化直方图均衡化是一种常用的邻域变换方法，通过对图像的灰度值进行重新分配，增强图像的对比度和亮度。
直方图均衡化能够使图像整体变得更加清晰明亮，常被应用于图像显示和图像识别等领域。
2. 锐化滤波锐化滤波是一种通过对图像进行邻域变换来增强图像细节的方法。
它通过对图像进行高通滤波，使得图像中的边缘和纹理更加清晰和突出。
锐化滤波常用于图像增强和特征提取等任务中。
3. 维纳滤波维纳滤波是一种理想的、最优的邻域变换方法。
它基于统计模型，能够在去除图像噪声的同时保持图像的细节信息。
维纳滤波广泛应用于图像去噪和图像复原等领域，但对于复杂的噪声情况和模糊图像可能效果有限。
图像增强-数字图像处理
图像增强
2.图像噪声的特点 (1)噪声在图像中的分布和大小不规则,即具有随机性。 (2)噪声与图像之间一般具有相关性。 (3)噪声具有叠加性。
图像增强
3.3.2 模板卷积 模板操作是数字图像处理中常用的一种邻域运算方式,
灰度变换就是把原图像的像素灰度经过某个函数变换成 新图像的灰度。常见的灰度变换法有直接灰度变换法和直方 图修正法。直接灰度变换法可以分为线性变换、分段线性变 换以及非线性变换。直方图修正法可以分为直方图均衡化和 直方图规定化。
图像增强
3.1.1 线性变换 假定原图像f(x,y)的灰度范围为[a ,b],希望变换后图像
ቤተ መጻሕፍቲ ባይዱ
图像增强
例如,假定一幅大小为64×64、灰度级为8个的图像,其灰 度分布及均衡化结果如表3-1 所示,均衡化前后的直方图及变 换用的累积直方图如图3-10所示,则其直方图均衡化的处理 过程如下。
图像增强
图像增强 由式(3-12)可得到一组变换函数:
依此类推:s3=0.81,s4=0.89,s5=0.95,s6=0.98,s7=1.0。变换函 数如图3-10(b)所示。
图像增强
１
图像增强
图3-1 灰度线性变换
图像增强
图3-2 灰度线性变换示例
图像增强
3.1.2 分段线性变换 为了突出感兴趣的灰度区间,相对抑制那些不感兴趣的
灰度区间,可采用分段线性变换。常用的3段线性变换如图33所示,L 表示图像总的灰度级数,其数学表达式为
图像增强
图3-3-分段线性变换
图像增强
设r 为灰度变换前的归一化灰度级(0≤r≤1),T(r)为变换函 数,s=T(r)为变换后的归一化灰度级(0≤s≤1),变换函数T(r)满足 下列条件:
数字图像处理知识点
数字图像处理知识点课程重点：图像数字化，图像变换，图像增强，图像的恢复与重建，图像的编码，图像的分割与特征提取，图像识别。
数字图像处理的基本内容：1、图像获取。
举例：摄像机+图像采集卡、数码相机等。
2、图像增强。
显示图像中被模糊的细节，或是突出图像中感兴趣的特征。
3、图像复原。
以图像退化的数学模型为基础，来改善图像质量。
4、图像压缩。
减小图像的存储量，或者在图像传输时降低带宽。
5、图像分割。
将一幅图像划分为几个组成部分或分割出目标物体。
6、图像的表达与描述。
图像分割后，输出分割标记或目标特征参数。
7、目标识别。
把目标进行分类的过程。
8、彩色图像处理。
9、形态学处理。
10、图像的重建。
第一章导论图像按照描述模型可以分为:模拟图像和数字图像。
1)模拟图像，模拟图像可用连续函数来描述。
其特点：光照位置和光照强度均为连续变化的。
2)数字图像，数字图像是图像的数字表示，像素是其最小的单位,用矩阵或数组来描述图像处理：对图像进行一系列的操作,以达到预期的目的的技术。
内容：研究图像信息的获取、传输、存储，变换、显示、理解与综合利用”的一门崭新学科。
三个层次：狭义图像处理，图像分析，图像理解。
狭义图像处理主要指对图像进行各种操作以改善图像的视觉效果，或对图像进行压缩编码以减少所需存储空间或传输时间、传输通路的要求。
图像分析主要是对图像中感兴趣的目标进行检测和测量，从而建立对图像的描述。
图像分析是一个从图像到数值或符号的过程。
图像理解则是在图像分析的基础上，进一步研究图像中各目标的性质和它们之间的相互联系，并得出对图像内容含义的理解以及对原来客观场景的解译，从而指导和规划行动;图像分析主要是以观察者为中心研究客观世界，图像理解在一定程度上是以客观世界为中心，借助知识、经验等来把握整个客观世界。
图像处理的三个层次：低级图像处理内容：主要对图像进行各种加工以改善图像的视觉效果、或突出有用信息，并为自动识别打基础，或通过编码以减少对其所需存储空间、传输时间或传输带宽的要求。
使用计算机视觉技术进行图像增强的实用方法介绍
使用计算机视觉技术进行图像增强的实用方法介绍计算机视觉技术是指利用计算机和相关算法对图像进行分析、处理和理解的一门学科。
图像增强是计算机视觉领域中的一个重要任务，它可以通过改善图像的质量和细节来提高图像的可视化效果。
本文将介绍一些实用的方法，以帮助读者了解如何使用计算机视觉技术进行图像增强。
1. 图像锐化图像锐化是一种常用的图像增强技术，它可以增强图像的边缘和细节。
常见的图像锐化算法包括拉普拉斯锐化和锐化掩模等。
拉普拉斯锐化通过计算像素值的二阶导数来增强图像的边缘，而锐化掩模则通过在原始图像上叠加高频成分来增强图像的细节。
这些算法可以通过调整参数来获得不同的效果。
2. 对比度增强对比度增强是一种常见的图像增强方法，它通过调整图像的灰度级别范围来增强图像的对比度。
线性变换和直方图均衡化是常用的对比度增强算法。
线性变换通过将原始图像的灰度级别映射到一个新的范围内来调整图像的对比度，而直方图均衡化通过重新分布图像的像素值来增强图像的对比度。
这些算法在提高图像的可视化效果方面非常有效。
3. 去噪图像噪声是指在图像采集或传输过程中引入的随机干扰，它会降低图像的质量和细节。
去噪是图像增强中的一个重要任务，它通过滤波等方法来减少图像中的噪声。
常见的去噪算法包括中值滤波和高斯滤波等。
中值滤波通过将每个像素的值替换为其邻域像素值的中值来减少图像中的噪声，而高斯滤波则通过对像素周围区域进行加权平均来实现去噪效果。
4. 图像修复图像修复是一种通过填补缺失或损坏区域来恢复图像的方法。
它在修复受损图像或恢复老照片等方面具有重要作用。
常见的图像修复算法包括纹理合成和图像插值等。
纹理合成通过从已知区域中提取纹理信息并将其应用于缺失区域来修复图像，而图像插值则通过在已知像素值之间进行推断来填充缺失的像素值。
这些算法在修复受损图像方面非常有用。
总结：使用计算机视觉技术进行图像增强可以改善图像的质量和细节，从而提高图像的可视化效果。
图像增强与边缘检测
数字图像处理作业----第三次1、 什么是图像增强？常见算法有哪些？典型算法的程序实现，其优缺点？结果对比。
1.1图像增强的定义为了改善视觉效果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施称为图像增强。
一般情况下，图像增强是按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，也是提高图像质量的过程。
图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。
图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。
但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。
传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。
这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。
1.2 图像增强的分类及方法图像增强可分成两大类：频率域法和空间域法。
前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。
采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。
具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。
图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征，使图像与视觉响应特性相匹配。
在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。
图像处理中的边缘检测与图像增强技术
图像处理中的边缘检测与图像增强技术边缘检测是图像处理领域中的重要技术，它主要用于提取图像中的边缘信息，帮助我们分析和理解图像。
图像增强则是通过改变图像的亮度、对比度等参数，使得图像更加明亮和清晰。
本文将介绍边缘检测和图像增强的原理、常用算法和应用领域。
一、边缘检测技术边缘是图像中灰度变化比较大的区域，通常表示物体边界或者纹理的边界。
边缘检测的目标是在图像中找到这些边缘，并将其提取出来。
常见的边缘检测算法有Sobel算子、Prewitt算子、Roberts算子和Canny算子。
1. Sobel算子Sobel算子是一种最简单和最常用的边缘检测算法之一。
它通过在图像中进行卷积运算，通过计算像素点与其邻域像素点之间的差异来作为边缘的强度。
Sobel算子有水平和垂直两个方向的算子，通过计算两个方向上的差异来得到最终的边缘值。
2. Prewitt算子Prewitt算子也是一种常用的边缘检测算法，它与Sobel算子类似，也是通过计算像素点与其邻域像素点之间的差异来作为边缘的强度。
不同之处在于Prewitt算子使用了不同的卷积核，其结果可能会略有差异。
3. Roberts算子Roberts算子是一种简单的边缘检测算法，它使用了一个2x2的卷积核。
通过计算相邻像素点之间的差异，Roberts算子可以提取图像中的边缘信息。
然而，Roberts算子相对于其他算法来说，其结果可能会较为粗糙。
4. Canny算子Canny算子是一种边缘检测的经典算法，由于其较好的性能和效果，被广泛应用于边缘检测领域。
Canny算子主要包括以下几步：首先，对图像进行高斯滤波，以平滑图像；其次，计算图像的梯度和边缘方向；然后，通过非极大值抑制去除不是边缘的像素；最后，通过双阈值算法将边缘连接为一条连续的线。
二、图像增强技术图像增强是指通过改变图像的亮度、对比度等参数，使得图像更加明亮和清晰。
图像增强可以提高图像的质量，使得图像更适合用于后续的分析和处理。
遥感实验作业--图像增强与变换
《遥感原理与应用》课程上机ENVI初步学习和影像增强处理一. 实验目的学习ENVI软件的基本操作，能够将图像进行相应变换和增强处理，在此操作中加深对理论知识的理解和掌握二.数据介绍介绍实验数据为软件自带数据，实习前应将实验数据所用图像改为本人姓名拼音原始图像三. 实验过程（一）空间域增强点运算1.线性对比度拉伸Linear Contrast Stretch）线性变换所用的变换函数是线性的或分段线性的，是将像元值的变动范围按线性关系扩展到指定范围，变换函数y=a*x+b.目的是为了改善图像的对比度，改变图像像元的灰度值。
线性对比度拉伸是系统默认的交互式拉伸。
线性拉伸的最小和最大值分别设置为 0 和 255，两者之间的所有其它值设置为中间的线性输出值具体做法如下所示：Enhance->interactive stretching,从 Interactive Contrast Stretching 对话框内，选择Stretch_Type > Linear Contrast Stretch，要限定最小和最大输入值，点击“Apply” ，把拉伸应用于显示的数据。
如图2分段线性对比度拉伸（Piecewise Linear Contrast Stretch）分段线性变换就是在一些灰度段拉伸，另一些灰度段压缩分段线性对比度拉伸可以通过使用鼠标在输入直方图中放置几个点进行交互地限定。
当在点之间提供线性拉伸时，线段在点处连接起来。
具体做法如下所示：选择Stretch_Type > Piecewise Linear.，要限定最小和最大输入值，点击“Apply” ，把拉伸应用于显示的数据。
如图3高斯对比度拉伸（Gaussian Contrast Stretch）系统默认的 Gaussian 拉伸是围绕DN平均值127的三个标准差的数据分布（centered at a mean DN of 127 with the data distributed over a range of 3 standard deviations）。
第三章图像增强(邻域运算)
• 平滑空间滤波器 • 锐化空间滤波器
去除噪声，平滑不需要的细节 增强细节
图像噪声
噪声： 妨碍人们感觉器官对所接收的信源信息理解的因素。不可 预测，只能用概率统计方法来认识的随机误差。
描述：可以借用随机过程及其概率分布函数和概率密度函数，通常： 数字特征，即均值方差、相关函数等。
图像噪声
一些重要的噪声：
0 -1 0 -1 5 -1 0 -1 0
(a) 在灰度均匀的区域或斜坡中间▽2 f(x， y)为0，增强图像上像元灰度不变；
(b) 在斜坡底或低灰度侧形成“下冲”； 而在斜坡顶或高灰度侧形成“上冲” 。
拉普拉斯增强算子
梯度算子
(x, y) arctan(Gy Gx )
梯度的方向：在函数f(x, y)最 大变化率的方向上。
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
邻域
z1 z2 z3 z4 z5 z6 z7 z8 z9
邻域
w1 w2 w3 w4 w5 w6 w7 w8 w9
mask
空间域滤波
基于空间域滤波的图像增强 过程，就是选取合适的模板， 将模板与输入图像进行卷积 的过程。
w1 w2 w3 w4 w5 w6 w7 w8 w9 模板（空间滤波器）
原点o y
f
卷积
模板（mask）
x
输入图像
一维信号卷积
邻域运算（模板运算）
原点o
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
y
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
空间域图象增强的方式
空间域图象增强的方式图象增强的方式大体可分为空间域处置及频域处置两类。
空间域处置是直接对原图象的灰度级别进行数据运算，它分为两类，一类是与象素点邻域有关的局部运算，如光滑，中值滤波，锐化等；另一类是对图象做逐点运算，称为点运算如灰度对比度扩展，削波，灰度窗口变换，直方图均衡化等。
现对主要方式作简单介绍：1、光滑图像在生成和传输进程中会受到各类噪声源的干扰和影响，使图像质量变差。
反映在图像上，噪声使本来均匀和持续转变的灰度突然变大或变小，形成一些虚假的物体边缘或轮廓。
抑制或消除这些噪声而改善图像质量的进程称为图像的光滑。
主要有（1）邻域平均法在邻域平均法中，假定图像是由许多灰度恒定的小块组成，相邻像素间有很强的空间相关性，而噪声是统计独立地加到图像上的。
因此，可用像素邻域内个像素灰度值的平均来代表原来的灰度值。
（2）低通滤波法从频谱上看，噪声特别是随机噪声是一种具有较高频率分量的信号。
光滑的目的就是通过必然的手腕滤去这种信号。
一个很自然的想法就是使图像通过一个二维的低通数字滤波器，让高频信号取得较大的衰减。
在空间域上进行的这种滤波实际上就是对图像和滤波器的冲击响应函数进行卷积。
(3)中值滤波法中值滤波的思想是对一个窗口内的所有像素的灰度值进行排序，取排序结果的中间值作为原窗口中心点处像素的灰度值。
这种光滑方式对脉冲干扰和椒盐类干扰噪声的效果较好。
中值滤波的关键在于选择适合的窗口大小和形状。
但一般很难事前肯定窗口的尺寸，一般是从小到大进行多次尝试。
窗口的形状可选为正方形，也可选为十字形。
2、尖锐化在图像判断和识别中，需要有边缘鲜明的图像。
图像尖锐化技术常常利用来对图像的边缘进行增强。
主要方式有：（1）微分法在图像的判断和识别中，边缘是由不同灰度级的相邻像素点组成的。
因此，若想增强边缘，就应该突出相邻点间的灰度级转变。
微分运算可用来求信号的转变率，具有增强高频分量的作用。
若是将其应用在图像上，可使图像的轮廓清楚。
15-16第三章图像处理技术(3.7 图像增强)
3.7 图像增强
3）空域滤波增强 空域滤波是在图像空间借助模板进行邻域操作完成，根 据其特点可分成线性滤波和非线性滤波两类。各种空域滤波 器根据功能可分成平滑和锐化滤波器。平滑滤波器可用低通 滤波实现。平滑的目的又可分为两类，一类是模糊化，目的 是在提取较大的目标前去除太小的细节或将目标内的小断点 连接起来。另一类是消除噪声。锐化可用高通滤波实现，锐 化的目的是为了增强模糊的细节。
3.7 图像增强
1）空域变换增强 ① 直接灰度变换 直接灰度变换中有线性灰度变换、分段线性灰度变 换及非线性灰度变换。 a.图像求反 b.线性灰度增强 c.分段线性灰度增强
3.7 图像增强
分段线性灰度增强将原图像灰度范围划分为两段或 更多段，对感兴趣的目标或灰度区间进行增强，对其他 不感兴趣的灰度区间进行抑制。该方法在红外图像的增 强中应用较多，可以突出感兴趣的红外目标。
a.直方图均衡化
图4、直方图均衡化
3.7 图像增强
很多情况下，一幅图像的灰度变化范围比较狭窄， 直方图均衡化的思想是把原始图像的灰度直方图均匀地 扩充到整个灰度级范围中，从而达到增强图像整体对比 度的效果，更好地体现图像的细节信息。这里增强函数 须满足两个条件:
3.7 图像增强
➢ 它在灰度级范围内是一个单值单调不减的函数，这 是为了保证原图像各灰度级的明暗变化趋势在变换后不 会发生改变。 ➢ 变换后的灰度值必须保证在原来的灰度级范围内， 这个条件保证变换前后灰度值动态范围的一致性。
3.7 图像增强
例如，有些地物在单波段图像内的亮度差异极小， 用常规方法难以区分它们。但如果把两波段图像相除， 其比值的差异变大，就很容易将它们区分开。比值处理 还能用于消除山影、云影及显示隐伏构造。比值处理若 与彩色合成技术相结合，增强效果将更佳。目前国内外 已将比值彩色合成法成功地用于寻找铁、铀、铜等探矿 领域。
图像增强之各种算子
图像增强之各种算⼦图像增强：⽬的，改善图像的视觉效果或转变成更利于分析的形式。
⼀.空域增强1. 对⽐度增强：如直⽅图均衡化等2. 图像平滑：使边缘等变的模糊中值滤波⾼斯滤波等3. 图像锐化：使边缘变得突出，最常⽤的是梯度法。
1. ⼀阶的有Prewwit算⼦，sobel算⼦，canny算⼦等；2. ⼆阶的有laplace算⼦，laplace of Gauss算⼦(LOG）⼆.频域增强1. 低通滤波及⾼通滤波图像处理API的C++实现：opencv API的介绍及调⽤详细介绍：1.⾼斯平滑0）⾼斯滤波函数 对于图像来说，⾼斯滤波器是利⽤⾼斯核的⼀个2维的卷积算⼦，⽤于图像模糊化（去除细节和噪声）。
1) ⾼斯分布 ⼀维⾼斯分布： ⼆维⾼斯分布： 2) ⾼斯核（需要归⼀化） 理论上，⾼斯分布在所有定义域上都有⾮负值，这就需要⼀个⽆限⼤的卷积核。
实际上，仅需要取均值周围3倍标准差内的值，以外部份直接去掉即可。
如下图为⼀个标准差为1.0的整数值⾼斯核。
3）⾼斯滤波性质 ⾼斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有⽤．这些性质表明，⾼斯平滑滤波器⽆论在空间域还是在频率域都是⼗分有效的低通滤波器，且在实际图像处理中得到了⼯程⼈员的有效使⽤．⾼斯函数具有五个⼗分重要的性质，它们是： （1）⼆维⾼斯函数具有旋转对称性，即滤波器在各个⽅向上的平滑程度是相同的．⼀般来说，⼀幅图像的边缘⽅向是事先不知道的，因此，在滤波前是⽆法确定⼀个⽅向上⽐另⼀⽅向上需要更多的平滑．旋转对称性意味着⾼斯平滑滤波器在后续边缘检测中不会偏向任⼀⽅向． （2）⾼斯函数是单值函数．这表明，⾼斯滤波器⽤像素邻域的加权均值来代替该点的像素值，⽽每⼀邻域像素点权值是随该点与中⼼点的距离单调增减的．这⼀性质是很重要的，因为边缘是⼀种图像局部特征，如果平滑运算对离算⼦中⼼很远的像素点仍然有很⼤作⽤，则平滑运算会使图像失真． （3）⾼斯函数的傅⽴叶变换频谱是单瓣的．正如下⾯所⽰，这⼀性质是⾼斯函数付⽴叶变换等于⾼斯函数本⾝这⼀事实的直接推论．图像常被不希望的⾼频信号所污染(噪声和细纹理)．⽽所希望的图像特征（如边缘），既含有低频分量，⼜含有⾼频分量．⾼斯函数付⽴叶变换的单瓣意味着平滑图像不会被不需要的⾼频信号所污染，同时保留了⼤部分所需信号． （4）⾼斯滤波器宽度(决定着平滑程度)是由参数σ表征的，⽽且σ和平滑程度的关系是⾮常简单的．σ越⼤，⾼斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(⽋平滑)之间取得折衷． （5）由于⾼斯函数的可分离性，较⼤尺⼨的⾼斯滤波器可以得以有效地实现．⼆维⾼斯函数卷积可以分两步来进⾏，⾸先将图像与⼀维⾼斯函数进⾏卷积，然后将卷积结果与⽅向垂直的相同⼀维⾼斯函数卷积．因此，⼆维⾼斯滤波的计算量随滤波模板宽度成线性增长⽽不是成平⽅增长．4 ）⾼斯滤波应⽤ ⾼斯滤波后图像被平滑的程度取决于标准差。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中值滤波器
中值滤波器
中值滤波器
最大值滤波器
最大值滤波可以去除图像中的暗斑，同时也 会使亮斑增大；
最小值滤波器
最小值滤波可以去除图像中的亮斑，同时也会增大暗斑。
最大值、最小值滤波器
噪声
中值滤波
最大值滤波
最小值滤波
锐化空间滤波器
锐化空间滤波器
锐化空间滤波器
锐化空间滤波器
锐化滤波器
(a) 一幅纵向 边缘的图像
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
邻域
z1 z2 z3 z4 z5 z6 z7 z8 z9
邻域
w1 w2 w3 w4 w5 w6 w7 w8 w9
mask
空间域滤波
基于空间域滤波的图像增强 过程，就是选取合适的模板， 将模板与输入图像进行卷积 的过程。
w1 w2 w3 w4 w5 w6 w7 w8 w9 模板（空间滤波器）
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
原点o
y f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
• 平滑空间滤波器 • 锐化空间滤波器
去除噪声，平滑不需要的细节 增强细节
图像噪声
噪声： 妨碍人们感觉器官对所接收的信源信息理解的因素。不可 预测，只能用概率统计方法来认识的随机误差。
描述：可以借用随机过程及其概率分布函数和概率密度函数，通常： 数字特征，即均值方差、相关函数等。
图像噪声
一些重要的噪声：
锐化滤波器
0 0 0
(b) 每行像素的 灰度剖面图
(c) 一阶导数 (d) 二阶导数
梯度对应一阶导数 拉普拉斯对应于二阶导数
锐化滤波器
拉普拉斯（Laplacian ）算子
2
f
(x,
y)
2 f (x,y) x2
2 f (x,y) y 2
拉普拉斯（Laplacian ）算子
2
f
(x,
y)
2 f (x,y) x2
平滑图像去除噪声的依据：相邻像素间存在很高的空间相关性，而噪声 则是统计独立的。
均值滤波器
原点o y
f
卷积
x
输入图像
加权 平均
均值滤波器
(a) 原始图像；
(b)均值滤波后的结果
均值滤波器
优点：算法简单。
缺点：图像产生模糊， 特别在边缘和细 节处；邻域越大， 模糊程度越严重。
统计排序滤波器
统计排序滤波器
原点o y
f
卷积
模板（mask）
x
输入图像
一维信号卷积
邻域运算（模板运算）
原点o
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
y
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
空间域滤波
• 平滑空间滤波器的作用：
• 平滑空间滤波器的分类： • 均值滤波器 • 统计排序滤波器
均值滤波器
设有一幅 N ×N 的图像 f ，若平滑图像为 g ,则有
g(x, y) 1 f (x, y) M x, ys
S 为（x,y）邻域内像素坐标的集合； M 表示集合S内像素的总数。
图像噪声
w1 w2 w3 w4 w5 w6 w7 w8 w9
模板（mask）
...
x
输入图像
图像边缘补零、忽略或复制边界点值
空间域滤波
把以上图像卷积的过程用公式表达：
空间域滤波的简化形式：
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
原点o y
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
0
0 00
...
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
0
f (x,y-1) f (x,y) f (x,y+1)
y
0
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
0
0
权重：weight
2 f (x,y) y 2
二阶偏导数定义为如下差分：
2 f (x, y) [ f (x 1, y) f (x, y)] [ f (x, y) f (x 1, y)] x2 f (x 1, y) f (x 1, y) 2 f (x, y)
2 f y2
f (x, y 1)+ f (x, y 1) 2 f (x, y)
2 f (x,y) y 2
一阶偏导数的基本定义为差值：
f f (x 1, y) f (x, y) x
f f (x, y 1) f (x, y) y
f (x, y) f (x, y+1) f (x 1, y) f (x 1, y+1)
拉普拉斯（Laplacian ）算子
2
f
(x,
y)
2 f (x,y) x2
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
原点o
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
y
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
第三章 空间域图像增强 （邻域运算）
图像增强
图像增强
去除噪声、模糊不需要的细节
图像增强
增强细节
图像增强的方法
图像增强
空间域
点运算
灰度变换 直方图均衡化
邻域运算 （空域滤波）
图像平滑 图像锐化
频率域
低通滤波 高通滤波
去除噪声，平滑 不需要的细节增强细节邻域运 Nhomakorabea（模板运算）
邻域运算（模板运算）