改进后的同态滤波图像处理技术中的应用

合集下载

基于小波的同态滤波器用于图像对比度增强

%
电
子
学
报
%$$’ 年
解级数； % ) 反映了相应的分辨率； ,’ 称为截止系数； *+ 和 *% 分别称为水平权系数和垂直权系数，对于 "!) ， *+ # $， *% # ’；对于 !!) ，对于 ""( ，对于 !") ， *+ # ’， *% # $； *+ # ’， *% # ’； *+ ， ) # ’， …， # $， *% # $（ %， (） # 这种改进符合各级小波分解系数的频域倍频程特性，同时保持了传统高通滤波器中滤波特性与滤波器参数间的对应关系 #
"% #
从频谱分析的角度讲，小波变换的结果是原始信号在一系列倍频程划分的频带上的多个高频带数据和一个低频带数据 # 设图像经过 ( 级小波分解，得 "!) 、（ …， !") 、 !! %， ) ) # ’，和 ""( ，其中 ""( 反映了图像各主要空域范围的亮度分布 (）使光照和基本面貌 # 可以根据图像大小和特性选择适合的 ( ，不均匀引起的缓变信息主要体现在 ""( 区域的小波系数中 # 对不同分辨率下的小波分解系数进行类似的高通滤波处理，可以衰减低频信息，增强高频信息，而且小波变换的空频特性在一定程度上保证了图像整体面貌 #
!
引言
［!］传统的同态增晰是一种基于特征的对比度增强方法，
［-， R］一些图像对比度增强中得到应用 : 本文把一种基于小波
的空频分析方法应用到图像的同态增晰中（图 #） : 处理后的图像具有明显的局部对比度增强效果，同时较好地保持了图像的原始面貌 :

Matlab中的数字图像处理与同态滤波技术详解

Matlab中的数字图像处理与同态滤波技术详解数字图像处理在现代科技领域发挥着重要的作用，它可以对图像进行增强、恢复、分析和理解。

Matlab是一种功能强大的工具，被广泛应用于数字图像处理领域。

同态滤波是数字图像处理中常用的技术之一，它能够有效地改善图像的质量和对比度，并提高图像的功能性。

一. 数字图像处理概述在数字图像处理中，我们通过对图像使用数字计算机算法来改善其质量和表达。

数字图像处理技术可以应用于各个领域，如医学图像处理、安全监控、图像识别等。

Matlab作为一种强大的工具，在数字图像处理中具有举足轻重的地位。

数字图像处理的基本步骤包括图像获取、预处理、增强、分割和表示。

其中，预处理环节是非常重要的。

预处理可以包括图像去噪、平滑、锐化和增强对比度等操作。

Matlab提供了各种强大的函数和工具箱，使得数字图像预处理变得更加简单和高效。

二. 同态滤波原理同态滤波是一种有效的图像增强技术，可以改善图像的对比度和亮度分布。

同态滤波技术能够在去除图像退化的同时，保持图像的细节信息，提高图像的可视性。

同态滤波的原理是对图像进行频率域分解，然后对低频部分和高频部分进行分别处理，最后再将两者合并得到增强后的图像。

同态滤波的核心思想是对数变换，通过对数变换可以将乘法运算转化为加法运算，从而简化计算过程。

三. Matlab中的同态滤波函数Matlab提供了许多用于数字图像处理的函数和工具箱，其中包括同态滤波函数。

下面介绍几个常用的同态滤波函数及其使用方法。

1. imadjust函数imadjust函数是Matlab中用于图像增强的函数之一。

它可以通过调整图像的亮度和对比度来改善图像的视觉效果。

imadjust函数的语法如下：J = imadjust(I,[low_in high_in],[low_out high_out]);其中，I是输入图像，J是输出图像。

[low_in high_in]表示输入图像中要拉伸的亮度范围，[low_out high_out]表示输出图像中的目标亮度范围。

同态滤波在红外图像增强中的应用

影响校正的结果。本文提出一种改进的同态滤波方法消除红外图像中
的噪声场，有效突出人形目标，同时去除了滤波带来的边缘伪迹。
２同态滤波方法
２．１同态滤波原理
图像的同态滤波技术的依据是图像获取过程中的照明反射成像原
理。它属于频域处理，作用是对图像灰度范围进行调整，通过消除图像
上照明不均的问题，增强图像细节。首先建立在光照下获得景物图像的
１引言为了有效的充分利用整个企业的人力、资金、物资等资源，达到人尽其才、物尽其用的目的，更好地为海尔供货，海威电子公司于２００７年决定为企业量身定做一套新的ＥＲＰ（ＥｎｔｅｒｐｒｉｓｅＲｅｓｏｕｒｃｅｓＰｌａｎｎｉｎｇ企业资源计划）系统。新版ＥＲＰ系统包括了从定单销售到车间生产、运输、容器管理、人力资源管理、材料管理、采购管理等除财务之外的全套ＥＲＰ模块，而且能满足多个子公司同时运行的要求［１］。２系统流程及功能模型２．１采购管理流程各部门根据生产实际需要材料填报材料采购申请单，然后经部门领导进行审批，采购科对经过审批的采购单按材料进行汇总，分不同的供应商生成对应的采购单，此张采购单需通过总经理批准，最后进行采购。图１为采购管理的流程图。
基金项目：本文系企业ＥＲＰ横向项目（３Ｒ１０８７４０４５３７），福建省青年人才项目（２００８Ｆ３０６５），华侨大学科研基金资助项目（０８ＢＳ５０９）。作者简介：姜立君（１９７８－），男，工程硕士，助教，主要从事软件管理系统的开发研究。
参考文献［１］徐军，向健华，粱昌洪．最大化背景模型用于检测红外图像中的弱小目标．光子学报，２００２，３１（１２）：１４８４－１４８６．［２］ＷａｌｌｉｓＲ．Ａｎａｐｐｒｏａｃｈｔｏｔｈｅｓｐａｃｅｖａｒｉａｎｔ（下转第３５９页）

2008_数字图像处理论文-同态滤波在图像增强中的应用

计算机科学系2008级通信工程专业数字图像处理课程论文1同态滤波在图像增强中的应用一、摘要：摘自：在频域中利用同态滤波增强图像对比度 --- 【期刊】微计算机信息 2007年摘要内容：在介绍基于照明反射模型的同态滤波模型原理、实现过程和特点的基础上,在频域内通过对高斯高通滤波器、巴特沃斯高通滤波器、指数高通滤波器的改进后得出三种同态滤波器,并对三种同态滤波器通过实验结果给出适用的滤波模型和表达式参数。

由对同一幅照明不良会使图像亮度不足和细节模糊,而且图像信噪比很低,图像对比度明显变差的图像处理结果表明,巴特沃斯同态滤波函数优于其它两种同态滤波函数,对光照不足的图像进行灰度动态范围压缩和对比度增强效果显著。

关键词：同态滤波; 图像对比度增强; 动态范围;二、引言我们人眼能分别得出图像的灰度不仅仅是由于光照函数（照射分量）决定，而且还与反射函数（反射分量）有关，反射函数反映出图像的具体内容。

光照强度一般具有一致性，在空间上通常会有缓慢变化的性质，在傅立叶变换下变现为低频分量，然而不一样的材料的反射率差异较大，经常会引起反射光的急剧变化，从而使图像的灰度值发生变化，这种变化与高低频分量有关。

为了消除不均匀照度的影响，增强图像的高频部分的细节，可以采用建立在频域的同态滤波器对光照不足或者有光照变化的图像进行处理，可以尽量减少因光照不足引起的图像质量下降，并对感兴趣的景物进行有效增强，这样就在很大程度上做到了原图像的图像增强。

三、同态滤波的原理同态滤波是一种在频域中进行的图像对比度增强和压缩图像亮度范围的特殊方法。

同态滤波器能够减少低频并且增加高频，从而能减少光照变化并锐化边缘细节。

图像的同态滤波技术的依据是图像获取过程中的照明反射成像原理。

它属于频域处理,作用是对图像灰度范围进行调整,通过消除图像上照明不均的问题。

非线性滤波器能够在很好地保护细节的同时, 去除信号中的噪声,同态滤波器就是一种非线性滤波器,其处理是一种基于特征的对比度增强方法,主要用于减少由于光照不均匀引起的图像降质,并对感兴趣的景物进行有效地增强。

基于小波变换的同态滤波算法在雨雾图像处理中的应用

（基于小波变换的）同态滤波算法在雨雾图像处理中的应用海博摘要：在薄雾天气的影响下，由于大气对成像光线的作用，而使所获取的图片模糊不清，对比度降低。

本文基于雨雾天气图像的特点，从时频分析的角度出发，提出了一种基于小波变换的同态滤波方法，采用快速小波变换代替传统傅里叶变换，在变换域内用改进的指数滤波器对小波系数进行处理，从而达到增强雾天降质图像的目的。

实验结果表明，本文的方法，能够有效突出雾天图像的细节，增强景物对比度，较好的改善视觉效果。

关键词：同态滤波，小波变换，去雾，图像对比度1.引言对于雨雾天气条件下，通过交通和公共场合摄像头摄取的图像，由于雨雾的影响，图像的对比度降低，而且影响了对远处景物和人物信息的观察和辨别，从而给相关人员的工作带来的一定的阻碍。

而对于图像去雾的方法，国内外学者都做过大量的研究。

常用的方法有直方图均衡，时域频域滤波和基于物理模型的方法。

直方图均衡虽然算法简单，但是由于雨雾而使图像对比度降低与景物的远近并非线性关系，所以该方法的效果并不理想，有时由于将景物的灰度值增强或减弱后反而会影响图像的信息量。

而基于物理模型的方法[1]，此方法由于缺少参数，对视频采集的要求过于苛刻，算法复杂等原因在使用中有诸多的困难。

为了避免这些不足，本文提出基于小波的同态滤波算法，小波变换在时域和频域同时具有良好的局部特性[2]，比傅里叶变换有明显的优势，从而达到去除雨雾对图像的影响。

2.经典同态滤波算法2.1同态滤波原理同态滤波是一种把频率过滤和灰度变换结合起来的图像处理方法，它把图像的照度反射模型作为频域处理的基础，通过对图像的灰度范围的调整，可以有效解决图像上照度不均匀及动态范围过大对图像产生影响的问题，在不损失亮区细节信息的同时，有效增强暗区的细节信息[3]。

一般雨雾天气的图像ƒ(x,y)由两个分量表示：(,)(,)(,)i r f x y f x y f x y = (1) 其中：0(,)i f x y <<∞；0(,)1r f x y <<i ƒ(x,y)：可称为照明函数，频谱处于低频区域，在空间上变化缓慢，描述场景的照明，与景物无关，雨雾信息包含其中。

光照不均匀图像的同态滤波改善方法

分类号：TN911.73 U D C：D10621-408-(2012)1728-0 密级：公开编号：2008031050成都信息工程学院学位论文光强不均匀图像的同态滤波改善方法研究论文作者姓名：田晓振申请学位专业：电子科学与技术申请学位类别：工学学士指导教师姓名（职称）：苏礼坤（副教授）论文提交日期：2012年06月01日光强不均匀图像的同态滤波改善方法研究摘要在图像采集过程中,由于实际环境中成像条件的限制,造成图像的背景光照不均匀，当照度不均匀时,图像上对应照度暗的部分,其细节就较难分辨。

为了消除数字图像中的照度不均匀性,本文对现有数字图像的照度不均匀校正技术进行了归类和讨论,分析了这些方法在计算误差上的内在原因,并在此基础上研究了基于同态滤波的数字图像照度不均匀校正技术。

该技术兼顾了数字图像的频域和空域,使得采用本方法校正后的图像既消除了不足照度的影响而又不损失图像的细节。

结果表明:经处理后的图像,局部对比度增强效果明显,较好地保持了图像的原始面貌,取得了预期的理想滤波效果。

该方法能有效恢复不均匀光照背景,为实际图像处理应用提供了有效的前期处理。

关键词：光照不均匀；图像增强；同态滤波The research of homomorphic filteringto improve light intensity and uneven imageAbstractThe limitation of imaging condition in actual environment causes sometimes the non-uniform back ground light on the images. Aimed at the elimination of uneven illumination in digital images, existing techniques for the correction of unevenness of illumination are classified and discussed, and the basis of its algorithmic error analyzed. A new for the correction of unevenness elimination technique based on homomorphic filtering is proposed. By giving attention both to the frequency domain and space domain of the image, this technique results in better quality, less error in the resulting image,and the time spent is also relatively small. It is shown that the method performs well in enhancing the local contrast of an image while maintaining its global appearance, and the expected filter effect is achieved. Experimental results show that the proposed method can recover the non-uniform lighting background robustly, and is a useful preprocessing step in practical image processing applications.Key words:Non-uniform lighting; Image enhancement; homomorphic filtering目录论文总页数：20页1 引言 (1)1.1课题背景 (1)1.2研究现状及发展趋势 (2)1.3研究方法 (2)2光照不均匀图像目前改善方法 (3)2.1以直方图均衡化法为代表的灰度变换法 (3)2.2基于感知理论（Retinex理论）的增强方法 (4)2.3梯度域图像增强方法 (6)2.4背景拟合法恢复光照不均匀图像 (7)2.5基于小波变换的照度不均匀改善技术 (7)3同态滤波的原理 (8)3.1基本概念 (8)3.2同态信号处理 (8)3.2.1相乘信号的同态滤波处理 (9)3.2.2卷积信号的同态滤波处理 (10)4 用同态滤波技术改善光照不均匀图像 (11)4.1简单的图像形成模型和特性 (11)4.2同态滤波改善图像的数学模型 (12)4.3同态滤波函数的确定 (13)4.4计算机仿真 (14)结论 (18)参考文献 (18)致谢 (20)声明 (21)1引言1.1 课题背景图像是人类获取和交换信息的主要来源，是视觉的基础，而视觉又是人类重要的感知手段，所以，图像成为心理学、生理学、计算机科学等诸多方面学者研究示图感知的有效工具。

改进同态滤波的矿井监控视频图像增强算法

改进同态滤波的矿井监控视频图像增强算法改进同态滤波的矿井监控视频图像增强算法1. 引言矿井监控旨在确保矿井内工作人员的安全以及监测矿井运行状态的合理性。

而视频图像质量的增强对于提高监控系统的效果具有重要意义。

同态滤波算法作为一种有效的图像增强方法，在矿井监控领域也得到了广泛应用。

本文针对同态滤波算法在矿井监控视频图像增强中存在的问题进行研究，提出改进的同态滤波算法以进一步提升图像质量。

2. 同态滤波算法原理同态滤波算法是一种基于频域的滤波方法，通过将图像的灰度值分解为光照分量和反射分量，然后对两个分量进行滤波处理后再重组得到增强的图像。

同态滤波能够有效增强图像的对比度和清晰度，但在矿井监控视频图像增强中依然存在局限性。

3. 矿井监控视频图像增强问题分析在矿井监控场景中，由于灰尘、烟雾等原因，图像往往出现低对比度、模糊、噪声等问题。

这些问题给矿井监控视频图像增强带来了挑战。

同态滤波算法虽然能够增强图像的对比度，但对于图像的细节以及噪声的抑制效果并不理想。

因此，需要对同态滤波算法进行改进以解决这些问题。

4. 改进的同态滤波算法4.1 基于小波域的同态滤波算法传统的同态滤波算法只考虑图像的灰度值，而对于图像的细节并未进行充分利用。

因此，本文提出了一种基于小波域的同态滤波算法。

该算法首先对矿井监控视频图像进行小波变换，利用小波变换的频域特性对图像进行分析。

然后，在小波域中根据图像的能量分布特点对图像进行增强处理，以提高图像的细节信息。

4.2 基于自适应权重的同态滤波算法同态滤波算法的一个问题是对图像噪声抑制的效果不佳。

因此，本文采用了基于自适应权重的同态滤波算法。

该算法通过对图像的统计分析，获取图像中的噪声分布情况。

然后，根据噪声的统计特征，自适应调整滤波算法中的权重，以达到更好的噪声抑制效果。

5. 实验结果分析本文通过对矿井监控视频图像进行实验，对比了传统的同态滤波算法和改进的同态滤波算法的增强效果。

图像处理之同态滤波

图像处理之同态滤波借别⼈的代码，出处，忘记了，好像是⼀个毕业设计：这个滤波器设计的好像过了！double D0=180;void ILPF(CvMat* src, const double D0){int i, j;int state = -1;double tempD;long width, height;width = src->width;height = src->height;long x, y;x = width / 2;y = height / 2;CvMat* H_mat;H_mat = cvCreateMat(src->height,src->width, CV_64FC2);for(i = 0; i < height; i++){for(j = 0; j < width; j++){if(i > y && j > x){state = 3;}else if(i > y){state = 1;}else if(j > x){state = 2;}else{state = 0;}switch(state){case 0:tempD = (double) (i * i + j * j);tempD = sqrt(tempD);break;case 1:tempD = (double) ((height - i) * (height - i) + j * j);tempD = sqrt(tempD);break;case 2:tempD = (double) (i * i + (width - j) * (width - j));tempD = sqrt(tempD);break;case 3:tempD = (double) ((height - i) * (height - i) + (width - j) * (width - j));tempD = sqrt(tempD);break; default:break;}//⼆维⾼斯⾼通滤波器tempD = 1 - exp(-0.5 * pow(tempD / D0, 2));((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = tempD;((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;//////⼆维理想⾼通滤波器//if(tempD <= D0)//{// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = 0.0;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;//}//else//{// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = 1.0;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;//}// //2阶巴特沃思⾼通滤波器// tempD = 1 / (1 + pow(D0 / tempD, 2 * 2));// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = tempD;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;// //增长率为2⼆维指数⾼通滤波器// tempD = exp(-pow(D0 / tempD, 2));// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = tempD;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;}}cvMulSpectrums(src, H_mat, src, CV_DXT_ROWS); cvReleaseMat(&H_mat);}void CMipImagePro::TongTai_Filter(IplImage* pCelGrayImg){unsigned int i;CString str;IplImage* im = pCelGrayImg;IplImage * realInput;IplImage * imaginaryInput;IplImage * complexInput;int dft_M, dft_N;CvMat* dft_A, tmp, *dft_B;IplImage * image_Re;IplImage * image_Im;double m, M;realInput = cvCreateImage( cvGetSize(im), IPL_DEPTH_64F, 1); imaginaryInput = cvCreateImage( cvGetSize(im), IPL_DEPTH_64F, 1); complexInput = cvCreateImage( cvGetSize(im), IPL_DEPTH_64F, 2); cvScale(im, realInput, 1.0, 0.0);cvZero(imaginaryInput);cvMerge(realInput, imaginaryInput, NULL, NULL, complexInput);dft_M = cvGetOptimalDFTSize( im->height - 1 );dft_N = cvGetOptimalDFTSize( im->width - 1 );dft_B = cvCreateMat( dft_M, dft_N, CV_64FC2 );dft_A = cvCreateMat( dft_M, dft_N, CV_64FC2 );cvZero(dft_A);cvZero(dft_B);image_Re = cvCreateImage( cvSize(dft_N, dft_M), IPL_DEPTH_64F, 1); image_Im = cvCreateImage( cvSize(dft_N, dft_M), IPL_DEPTH_64F, 1);cvGetSubRect( dft_A,&tmp, cvRect(0,0, im->width, im->height)); cvCopy( complexInput, &tmp, NULL );cvDFT( dft_A, dft_A, CV_DXT_FORWARD, complexInput->height ); ILPF(dft_A, D0);cvDFT( dft_A, dft_A, CV_DXT_INVERSE , complexInput->height );cvNamedWindow("win", 0);cvNamedWindow("magnitude", 0);cvShowImage("win", im);cvSplit( dft_A, image_Re, image_Im, 0, 0 );cvMinMaxLoc(image_Re, &m, &M, NULL, NULL, NULL);cvScale(image_Re, image_Re, 1.0/(M-m), 1.0*(-m)/(M-m));//cvGetSubRect( dft_A,&tmp, cvRect(0,0, im->width, im->height));//cvCopy( image_Re, &pCelGrayImg, NULL );cvShowImage("magnitude", image_Re);}。

同态滤波及其实现

同态滤波及其实现一、同态滤波对于一幅由物理过程产生的图像f(x,y)，可以表示为照射分量i(x,y)和反射分量r(x,y)的乘积。

0<i(x,y)<∞，0<r(x,y)<1。

i(x,y)描述景物的照明，变化缓慢，处于低频成分。

r(x,y)描述景物的细节，变化较快，处于高频成分。

因为该性质是乘性的，所以不能直接使用傅里叶变换对i(x,y)和r(x,y)进行控制，因此可以先对f(x,y)取对数，分离i(x,y)和r(x,y)。

令z(x,y) = ln f(x,y) = ln i(x,y) + ln r(x,y)。

在这个过程中，由于f(x,y)的取值范围为[0, L-1]，为了避免出现ln(0)的情况，故采用ln ( f(x,y) + 1 ) 来计算。

然后取傅里叶变换，得到 Z(u,v) = Fi(u,v) + Fr(u,v)。

然后使用一个滤波器，对Z(u,v)进行滤波，有S(u,v) = H(u,v) Z(u,v) = H(u,v)Fi(u,v) + H(u,v)Fr(u,v)。

滤波后，进行反傅里叶变换，有 s(x, y) = IDFT( S(u,v) )。

最后，反对数（取指数），得到最后处理后的图像。

g(x,y) = exp^(s(x,y)) = i0(x,y)+r0(x,y)。

由于我们之前使用ln ( f(x,y)+1)，因此此处使用exp^(s(x,y)) - 1。

i0(x,y)和r0(x,y)分别是处理后图像的照射分量和入射分量。

二、滤波器H(u,v)由于我们会得到动态范围很大，但我们感兴趣的部分很暗，无法辨认细节的图像。

这可以认为或者实际上就是由于光照不均所造成的。

为了减少光照的影响，增强图像的高频部分的细节，我们可以使用同态滤波来增强对比度，增强细节。

在此情况下，我们可以通过衰减低频成分，增强高频成分来达到我们的目的。

通常可以采用如下高斯高通滤波器的变形滤波来对图像进行处理。

同态滤波

同态滤波的原理及应用
Principle and application of homomorphic filtering
计量测试工程学院研一6班田珀睿
同态滤波的原理
The principle of homomorphic filtering
同态变换
同态变换一般是指将非线性组合信号通过某种变换，使其变成线性组合信号，从而可以更方便的运用线性操作对信号进行处理。
S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)
逆变到空间域
s(x,y)=F-1(S(u,v))
再取指数得最终处理结果
f’(x,y)=exp(s(x,2
04
一般来说，图像通常由物体反射的光组成。图像F(x，y)的基本性质可分为两个部分： (1)被观察场景的光源入射量—照射强度i（illumination）； (2)场景中物体反射的光量—反射强度r（reflection）；这部分光被称为照明和反射分量，分别表示为i(x，y)和r(x， y)。函数i和r以乘法方式组合给出图像函数f： z(x,y) = i(x,y)r(x,y)
同态滤波的应用
The application of homomorphic filtering
同态滤波广泛应用在图像、语言、雷达，地震等邻域中
在生活中会得到这样的图像，它的动态范围很大(即：黑的部分很黑，白的部分很白)，而感兴趣的部分的灰度又很暗(即灰度级范围很小)，分不清物体的灰度层次和细节。
同态滤波
同态滤波是一种非线性滤波，首先由某种特征系统把按某种运算规则（乘法或卷积）混杂在一起的信号变换成叠加性的信号，再运用特征系统的逆系统进行变换，把原始信号恢复出来

基于同态滤波的彩色图像增强算法的改进与实现

技术平台与其他边坡支护类型相比，土钉支护施工技术的优势更加明显，在该工程基坑施工过程中，根据地质情况合理选用适合的土钉，采用击入钉不注浆，加强施工质量监控，提高了土钉支护的抗压力和承载力，使得基坑施工质量更加安全，边坡更加稳固，土钉性能更加稳定，大大加快了施工进度，极大地缩短了工程工期，该项技术的应用使得施工单位对土地的占用量极小，降低了工程造价，为施工单位带来更大的经济效益，同时实现了更好的社会效益，值得借鉴和广泛推广。

参考文献：［1］王涛,杨江帆.土钉墙支护技术在建筑工程软土基坑开挖施工中的应用［J］.企业技术开发,2013,(5).［2］袁翔君.探讨基坑边坡支护施工技术的应用［J］.城市建筑,2012,32(90).［3］曾军.探讨建筑工程基坑边坡支护施工技术应用［J］.中华民居,2013,(6).［4］秦先.如何加强基坑边坡支护施工的安全措施［J］.陕西建筑,2012,32 (68). 基于同态滤波的彩色图像增强算法的改进与实现韩美林，杨琳（商洛学院电子信息与电气工程学院，陕西商洛 726000）摘要：彩色图像较灰度图像而言其视觉效果更符合人眼特性且利于分析研究，但传统同态滤波算法对彩色图像的改善效果并不理想。

因此本文首先对决定图像增强效果的传递函数进行改进，对传递函数采用一种新的S型曲线。

虽然图像改善效果并不明显，但改进后的算法减少了运行时间和参数。

最后，提出了一种结合有限对比度自适应直方图均衡（CLAHE）和改进型同态滤波的算法。

仿真结果表明，利用CLAHE对经过改进的同态滤波算法进行修正，在较少的参数下，修正后的图像不仅有效提升了彩色图像的亮度和对比度，而且也满足人眼的视觉效果。

关键词：图像增强；同态滤波；有限对比度自适应直方图均衡1 传递函数的同态滤波 1.1 构造新传递函数彩色图像较灰度图像而言其视觉效果更符合人眼特性且利于分析研究，彩色图像的同态滤波（Homomorphic filtering）不仅避免了由傅里叶变换带来的失真，此外使彩色图像在不损失图像细节的基础上增强了图像细节，并且消除了照明不均的问题。

遗传算法和同态滤波在原木端面图像处理中的应用1)

ＫｅｙｗｏｒｄｓＨｏｍｏｍｏｒｐｈｉｃｉｌｆｔｅｒ；Ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；Ｌｏｇｓｅａｌｉｎｇ；Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ
原木材积检测在现代木材工业中占有重要的地
位。目前，材积检测技术主要有人工检测、光电检测、激光检测和计算机视觉检测。随着现代木材工业的发展，计算机视觉检测由于其劳动强度低，检尺精度
高而得到广泛研究．为当前原木检测技术的研究热
点．是实现数字化检尺的基础。原木检尺的一个主要参数是径级．即原木端面直
１成堆原木端面图像特征及现有算法分析
成堆的原木端面图像是２５６级灰度图像，主要由端面和黑色背景组成。端面的灰度值与周围背景的灰度值有着明显差异，其背景灰度值非常低，而端面灰度值较高。图１给出了一个采集到的正常堆放原木端面图像，该图像的分辩率是４４６ｘ４４６像素。可以看出，原木端面为浅色，背景为深色，但由于上
颜色会有很大改变，给基于阈值的图像分割造成一定困难。并且，有些原木的端面留有采伐茬口，采集到
的图像中会出现台阶。另外，在生产过程中有的原木
第４２卷第２期
２０１４年２月
东
北
林
业
大
学
学

基于改进同态滤波的无人机影像清晰化

（3. Jiangxi Province Key Lab for Di Affected by the bad weather，such as smoke，fog and the like，the quality of UAV image is seriously reduced， which affects the subsequent use. In this paper，based on the principle of the homomorphic filter，a new filter function is designed to process the low frequency components of regional smog and the high frequency region of different degree of scenery inhibition and en⁃ hancement respectively，so as to achieve the purpose of clear image detail enhancement. It is proposed to achieve UAV image clarity. Experimental results show that proposed algorithm has better color fidelity and clarity，and improves the efficiency of the algorithm.
Key Words clarity，homomorphic filtering，UAV image Class Number TP751.1
1 引言
近年来遥感技术的迅速发展，使得无人机遥感系统技术已成为遥感技术发展热门方向。凭借其灵活性、适应性、经济性等优势，无人机遥感技术被广泛应用于土地利用规划，灾害抢险，应急抢险等方面，对快速准确地做出决策提供了第一手重要数据支撑。无人机技术应用如此广泛，针对其影像的利用成为了研究者的热点方向之一。在滑坡泥石流等灾害抢险方面，由于受灾区往往天气情况较差，常常伴随有大量烟雾，这就使得无人机影像整体对比度低，细节信息模糊，目标特征不清晰和色彩失真等现象，对于后续无人机影像高效地处理和利用带来极大影响。因此根据降质的单幅影像恢

基于同态滤波的图像去雾方法本科毕业论文

本科毕业设计（论文）题目：基于同态滤波的图像去雾方法基于同态滤波的图像去雾方法摘要在雾霭等天气条件下获得的图像，模糊不清、颜色失真，影响视觉效果。

因此有必要对图像进行去雾研究。

图像去雾是通过一定的手段去除图像中雾的干扰，达到快速有效的去雾和清晰度恢复的作用，从而得到高质量的图像。

图像去雾的方法众多，同态滤波是一种在频域中进行的图像对比度增强和压缩图像亮度围的特殊滤波方法。

这种方法能减少低频并增加高频，即尽量保留低频中的灰度级（保存图像原貌），又锐化细节，从而达到去雾的效果。

本文把基于同态滤波的去雾算法，与全局均衡化的图像去雾算法等方法进行对比，借鉴其他算法的优点，优化同态滤波算法，使图像去雾效果更加理想。

实验结果表明，同态滤波能较好的锐化细节，同时保持原图概况。

若要使图片达到更好的清晰度，需结合多种算法，叠加运行。

关键词：图像去雾；图像增强；同态滤波；直方图均衡化Image defog method based on the method of image filterinAbstractThe image obtained in bad weather conditions such as fog, blur, color distortion, visual effects.Therefore, it is necessary to study images defogging.Images defogging is through a certain means of removing fog interference and achieve rapid recovery of fog and clarity of role, resulting in high quality images. Homomorphic filtering is an image in the frequency domain of contrast enhancement and special filtering method of image brightness range, homomorphic filtering can reduce the frequency and increase the frequency, that is, try to keep the low frequencyof gray levels (save the original image) and sharpen details, so as to achieve the effect of fog.This fog based on homomorphic filtering method, and global equalization algorithm for images defogging method compares the advantages of other algorithms, optimizing the homomorphic filter algorithm, making the image to fog effect is more ideal. Experimental results show that the homomorphic filtering can be used to sharpen detail, while keeping the original profile. To make the image better definition, should be combined with a variety of algorithms, stacking operation.Key words: image, image enhancement, image enhancement, image enhancement, image enhancement, histogram equalization.目录1引言11.1课题研究的背景和意义.................... 错误!未定义书签。

计算机图形学与图形图像处理技术的应用

计算机图形学与图形图像处理技术的应用摘要：在上世纪五十年代，计算机图形处理技术就开始被人们所使用了，在这么多年对计算机进行深度探究的过程中，图形处理方面计算机技术也变得越来越成熟，在图形图像及美学方面的社会需求也推动了信息技术的发展。

随着技术进一步的优化，人们在搜集信息和处理信息方面也逐渐开始使用图形图像处理技术，在计算机技术进一步完善的过程中，人们在图形图像处理技术方面取得了重大的突破——相关技术更加符合当代社会发展和审美的需要，在众多领域之中加强对图形图像处理技术的使用和研发，推动了我国当前的生产与发展。

关键词：计算机；图形学；图形图像处理技术引言以往二维图形只能显示正面的投影，但如今随着数字化社会的不断进步，一种新型技术应运而生，即利用三维模型对图形进行立体化处理，也就是利用计算机视觉来对图像本身进行投影处理。

这与以前的网络构架相比，其校正精度是很高的，被广泛应用于处理图形图像的过程中。

1计算机图形图像处理技术概述与计算机图形学1.1概念计算机图形图像处理技术指的是借助计算机技术或计算机平台系统对图形图像进行处理分析，能够进一步提取出处理图像包含的信息。

目前，该技术已经渗透到社会各个领域，通过利用优秀的计算能力完成二维、三维图像设计和存储，能够增强图像展示完美性。

计算机图形图像处理技术能够产生两种效果图，分别是数字化图像和模拟图像。

其中，数字化图像具有较高精确度，且具有处理方式简单的特点；模拟图像具有输出简单的特点，但具有较大局限性。

计算机图像处理技术的主要工作内容：运用光学对图片进行预处理，然后再进行数字化处理，通过几何变换、数字建模、明暗处理等方式增强图像识别性和清晰度。

目前的计算机图像处理技术已经趋向于成熟，可以应用到各领域的科研、开发、生产过程中。

1.2计算机图形图像处理技术分类第一，图形图像去噪技术。

顾名思义是去掉图像的噪声干扰，是图像复原技术的重要组成部分。

在图形图像采集过程中，由于系统硬件等物理因素干扰，会导致图形图像采集过程中出现噪音，去噪技术是通过同态滤波操作和维纳滤波操作提升已退化的图像质量，进而达到去噪效果。

同态滤波在人脸识别中的应用研究

同态滤波在人脸识别中的应用研究摘要：论文首先对人脸识别进行了介绍，通过对人脸识别系统的分析指出预处理在人脸识别中的重要性。

然后对已有的人脸识别预处理法作了详细的介绍，并对各种方法进行比较。

最后针对光照对人脸图像的影响还提出了同态滤波的方法，在预处理阶段消除光照对人脸图像的影响，实验结果表明，此种方法可以提高识别率。

关键词：人脸识别；图像预处理；同态滤波homomorphic filtering application stusy on face recognition lin junxiong(southern power grid shantou power supplybureau,shantou,china)abstract:firstly,face recognition,the face recognition system that the importance of pretreatment in face recognition.and then gave a detailed description of existing face recognition preprocessing method,and comparison of methods.finally,the impact of illumination on the face images homomorphic filtering method in the preprocessing stage to eliminate the impact of illumination on human face images,experimental results show that,this method can improve the recognition rate.keywords:face recognition;image pre-processing;homomorphic filtering一、引言随着计算机技术的不断发展和网络的普及，一些重要部门（银行、机场、军政机关、重点控制地区）的进出、重要信息的存储与提取，都需要可靠的人身鉴别。

同态滤波预处理在微粒场全息图图像处理中的应用

同态滤波预处理在微粒场全息图图像处理中的应用
陈智;王国志;丰善;高宏文
【期刊名称】《光子学报》
【年(卷),期】2004(33)2
【摘要】针对粒子场全息图像亮度不均匀产生的原因进行理论分析 ,采用同态滤波图像增强方法对微粒场全息图像亮度不均匀进行校正 ,消除了对图像处理中的二值化处理结果带来的影响 ,提高了原图像的象质 ,为进一步提取图像中的特征信息打下了良好的基础通过计算机模拟分析和验证。

【总页数】4页(P167-170)
【关键词】同态滤波;图像处理;全息图
【作者】陈智;王国志;丰善;高宏文
【作者单位】中国科学院西安光学精密机械研究所瞬态光学技术国家重点实验室【正文语种】中文
【中图分类】O438.1
【相关文献】
1.遗传算法和同态滤波在原木端面图像处理中的应用1） [J], 赵亚凤;任洪娥
2.改进后的同态滤波图像处理技术中的应用 [J], 史经俭;王盼攀
3.改进的同态滤波在指针式仪表图像预处理中的应用 [J], 郭贵法;汪仁煌;王欢
4.图像分割技术在全息图像处理中的应用 [J], 罗振雄;叶雁
5.同态滤波图象增强在微粒场全息图图象处理中的应用 [J], 郝志琦
因版权原因，仅展示原文概要，查看原文内容请购买。

结合Top-hat变换改善同态滤波的方法

结合Top-hat变换改善同态滤波的方法张欣;杜天宇【摘要】同态滤波是处理照度不均匀引起图像质量下降的有效方法,可以平滑背景,提升对比度,增强图像细节.在实际使用中,每个图像成像的物理条件都不尽相同,同态滤波最佳参数的选择,需要经过大量实验确定,否则效果不佳.Top-hat变换有助于平滑背景,增强图像阴影部分的细节.提出了结合Top-hat变换改善同态滤波的方法,以减少因滤波参数选取所带来的开销.使用Matlab软件进行仿真,通过图像三维可视化效果、均值、标准差、信息熵、图像对比度客观评价处理后的图像.实验表明,此方法不仅降低了同态滤波对参数的依赖同时也增强了滤波效果.【期刊名称】《河北大学学报（自然科学版）》【年(卷),期】2014(034)006【总页数】6页(P662-667)【关键词】照度不均匀;同态滤波;Top-hat变换;图像增强【作者】张欣;杜天宇【作者单位】河北大学电子信息工程学院,河北保定071002;河北大学电子信息工程学院,河北保定071002【正文语种】中文【中图分类】TP391.4光照条件，包括光源的方向、明暗和色彩等都会对采集到的图像产生很大影响，有效克服光照影响是图像处理中不可缺少的环节，也是计算机视觉中尚未有效解决的技术难点之一[1-3].同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法,其优点是兼顾了图像的频域和空域，使滤波后的图像既消除了光照不均匀的影响而又不损失图像的细节；缺点是最优滤波参数需要大量实验才能确定，当成像条件发生变化时，选定的最优参数又达不到理想的效果.形态学中开运算能平滑图像的轮廓，消除尺寸较小的亮细节.Top-hat变换定义为图像与图像开运算之差，可以消除背景[4]，突出细节，缺点是会降低图像整体的灰度，以致降低图像的对比度.综上所述，考虑到同态滤波和Top-hat变换的优势与不足，以及两者都可以解决图像背景不匀均、突出细节等共同点，两者结合使用，这样不仅同态滤波提升对比度的优势可以很好地弥补Top-hat变换降低对比度的不足，同时Top-hat变换消除背景的作用又有效降低了同态滤波对参数的依赖性，还可以使图像细节更加突出.本文选取航拍遥感图像为实验对象.使用不同的同态滤波参数处理图像，进行对比，各自经过结构元素相同的Top-hat变换后，再进行对比，根据Matlab仿真的几种客观评价结果，验证了即使同态滤波参数选取有所偏差，再经Top-hat变换改善后，也能得到理想的结果.1 算法原理1.1 同态滤波用f(x,y)二维函数形式表示图像，其值是非零有限的，0<f(x,y)<∞.可由2个分量表示：i(x,y)表示入射光(低频分量)，r(x,y)表示反射光(高频分量)，f(x,y)=i(x,y)r(x,y).同态滤波的流程如图1所示.改善同态滤波的主要方法为采用改进的二阶巴特沃斯滤波器[5-8]来优化滤波函数H(u,v)，虽然此方法可改善滤波效果，但是对滤波参数的要求同样苛刻，参数选择有所偏差，滤波效果同样不佳.本文选用常规的改进型高斯滤波函数，避免滤波函数的优化对同态滤波的影响，来验证本文中方法的作用.滤波函数为H(u,v)=(rH-rL)[1-e-c(D2(u,v)/D02)]+rL.(1)图像的入射分量i(u,v)通常表示空间域缓慢变化的背景，而反射分量r(u,v)往往表示细节，特别在不同物体的连接部分.这些特性导致图像对数的傅里叶变换后的低频成分与照度相联系，高频成分与反射相联系.所以同态滤波器的传递函数在高频部分应大于1，低频部分应小于1，即rH>1，rL<1，这样可以减小低频和增强高频，使得图像整体灰度范围压缩，而对比度增强.其中D(u,v) 表示截止频率，D0为u0，v0为0时的D(u,v)的值.D0的选择则与i(x,y)和r(x,y)有关，需要大量实践比较选择合适的值.c为锐化系数，影响rL到rH过渡段的斜率，c越大，斜率越大，反之斜率越小.其中D0，rH，rL，c等4个参数需要尽可能设置最优，否则滤波效果就会不理想.图1 同态滤波流程 Fig.1 Flow chat of Homomorphic filtering1.2 Top-hat变换开运算可去除较小的细节，同时相对保持整体的灰度级和较大的明亮区域不变，产生对整个图像背景的合理估计，故Top-hat变换可消除背景，突出细节.令f表示灰度图像，S为结构元素.对于灰度图像而言，S(x,y)是二维函数，其定义域指明了结构元素的形状，函数值指明了结构元素的高度信息.本文使用平坦(高度为0)的结构元素，这种结构元素只由0和1组成，为1的区域指明了运算涉及的范围[9].灰度开运算fos=(f⊖s)⊕s.(2)Top-hat变换h=f-(fos).(3)2 实验及对比分析2.1 同态滤波参数选取同态滤波参数选取的方法一般是：首先根据参考值选取滤波参数，其次根据客观实验数据评价所选参数，再根据D0，rH，rL，c的作用调整所选参数，反复上述步骤，经过几次或多次调整，最后得到合适的滤波参数.根据文献[10]略作调整，选取D0，rH，rL，c不尽相同的5组数据如表1所示.表1 同态滤波参数Tab.1 Homomorphic filtering parameters参数1组数据2组数据3组数据4组数据5组数据D03015303030c331.533rH3331.53rL0.80.80.80.80.4按照表1所列参数经同态滤波后图像效果如图2所示.a.原图；b.1组参数滤波效果；c.2组参数滤波效果；d.3组参数滤波效果；e.4组参数滤波效果；f.5组参数滤波效果.图2 采用不同滤波参数经同态滤波后的图像Fig.2 Image by homomorphic filtering with different parameters图2a为原图，对比各图发现：D0偏小，则有些入射分量无法衰减，同时rH>1，这些分量还会加强，不能很好地解决图像背景不均匀的问题，由图像三维可视化效果图4c可以很直观的说明图2c这一现象.D0偏大，背景衰减严重，图像对比度不高.c值偏小，会使背景衰减严重，不能很好地提升图像的对比度，如图2d所示.c值偏大，会使图像变得不够平滑.当rH，rL较高时，入射分量衰减小，反射分量提升大，图像的整体灰度较高，如图2b，c所示.当rH，rL较低时，入射分量衰减大，反射分量提升小，图像的整体灰度较低，如图2e，f所示.图像成像时，其入射分量的灰度值要比反射分量的灰度值高，背景衰减小的图像要比背景衰减大的图像灰度值高，故图2c比图2b灰度值高，图2e比图2f灰度值高.图2各图的效果验证了同态滤波参数选择对滤波效果的决定作用，而且同态滤波各参数相互影响作用，想要找到一个理想的平衡点，有效地解决图像背景不均匀的问题，开销很大.由于Top-hat变换和同态滤波都有平滑背景、突出细节的作用，而且Top-hat变换的参数选择要比同态滤波简便.因此，在进行1次同态滤波的基础上再进行1次Top-hat变换，这样既能改善同态滤波的效果，又能降低同态滤波对参数的依赖性.2.2 Top-hat变换结构元素选取由形态学运算原理可知，结构元素S的选择，是腐蚀和膨胀操作的关键因素，其形状、大小和方向直接影响处理结果.若结构元素选值较小，其尺寸小于想要突出的细节，则Top-hat变换后细节不能很好的突出，且会出现类似结构元素的噪声，若结构元素选值较大，其尺寸大于或与背景尺寸相当，则Top-hat变换后不能有效地消除背景.观察原图，图中想要突出的细节为方形的房屋，且排列成一定的角度.在实验中发现，圆形结构元素可以很好地包含大小相近、形状和角度各异的细节，故实验中选择高度为0，半径为40像素的圆形结构元素，对图2各图像进行Top-hat变换，结果如图3所示.a.原图的Top-hat；b.1组参数效果；c.2组参数效果；d.3组参数效果；e.4组参数效果；f.5组参数效果.图3 Top-hat变换后的图像 Fig.3 Image by Top-hat transformation对比图3b-f，可以看到，尽管同态滤波参数选择不尽相同，但再经过Top-hat变换后，效果却很相近，细节比只使用同态滤波更为突出.对原图直接进行Top-hat变换的效果如图3a所示，较低的对比度说明仅对图像进行Top-hat变换处理，不如本文方法效果好.3 图像质量的客观评价使用图像三维可视化效果、均值、标准差、信息熵、图像对比度值客观评价处理后的图像，进一步验证本文方法的有效性.3.1 图像三维可视化效果以表1中第2组数据为例给出本文方法各阶段图像的三维可视化效果图.横轴表示图像各像素点，纵轴表示各像素点对应的灰度值.观察图4a可以发现，原图的峰谷差小表示对比度不高，谷不位于一个平面上表示背景不均匀.图4b是非理想参数下同态滤波的图像效果，峰谷差增加表示对比度提高，但是谷仍不平坦，说明背景不均匀问题没有得到有效解决.图4c表示经Top-hat变换改进后的同态滤波图像效果，图像的峰谷差与图4b图持平，谷基本在一个平面上，这样不仅解决了背景不匀均的问题，也使对比度得到了增加.a.原图三维图；b.图2c三维图；c.图3c三维图.图4 三维可视化效果 Fig.4 Three dimensional visualization effect of image3.2 图像的均值、标准差、信息熵、对比度图像的均值m主要反映了图像像素的集中趋势.图像像素的标准差std主要反映了图像灰度相对于灰度均值的离散程度，反映了图像的细节信息，该值越大，渐变层次就越多，细节表现越丰富.熵I[g(x,y)]是信息量的度量，图像的熵越大，信息量越大，图像细节越丰富[11-12].(x,y)，(4)，(5)I[g(x,y)·log2(Pi).(6)一般情况下，图像对比度值CT大的图像要比小的图像具有更高的清晰度.对比度的计算公式为δ(i,j)Pδ(i,j)，(7)其中，δ(i,j)=│i-j│即相邻像素间灰度差的绝对值；Pδ(i,j)是灰度差绝对值为δ的像素点分布概率(像素相邻可以是四邻域或八邻域)，本文按照四邻域计算[13].表2 各图的均值、标准差、信息熵、对比度Tab.2 Mean value, standard deviation, entropy and contrast value of each image图号均值标准差信息熵对比度图2a144.763 29.472 75.242 92.170 0图2b113.159 418.321 26.203 76.372 9图2c120.518 821.397 16.426 66.561 4图2d111.867 116.51406.055 56.221 1图2e111.201 010.722 85.447 94.128 4图2f52.930 014.862 45.892 35.717 9图3a13.748 19.314 55.044 82.168 5图3b91.494 256.720 67.677 517.650 7图3c88.172 058.740 67.679 116.168 8图3d92.281256.337 27.684 718.340 6图3e96.743 057.200 17.695 820.380 3图3f92.623 156.224 57.679 718.349 0表2中图3b-f是采用本文方法处理图像的计算结果，较之传统的同态滤波和Top-hat变换，信息熵逐步提高，比原图增加了46%，更有效地表现了图像丰富的细节；标准差是原图的5～6倍，图像的层次感更强、细节更加突出；对比度是原图的8～10倍，说明图像更加清晰；均值明显减小，说明入射分量得到有效衰减，图像背景不均匀的问题得到改善.4 结论使用Top-hat变换改善同态滤波，弱化了同态滤波中参数选择不当的影响，降低了解决图像背景不均匀问题的难度.本文中的方法仍需要选择一个合适的结构元素，细节特征的大小、形状、方向不尽相同，如何准确选取Top-hat变换的结构元素，能否根据图像信息自适应选择理想的结构元素是本文下一步工作重心所在.参考文献:[1] YUAN Qiping, YANG Xiaoping, GAO Lijuan, et al. Color image single-channel encryption based on tricolor grating theory [J]. Optoelectronics Letters, 2009,5(2):147-149.[2] HANMANDLU M, JHA D. An optimal fuzzy system for color image enhancement [J]. IEEE Transactions on Image Processing,2006,15(10):2956-2966.[3] 梁晓辉，游志胜. 自适应的彩色图像光照补偿新方法[J]. 光电工程，2006,33(2):94-97.LIANG Xiaohui, YOU Zhisheng. Self-adaptive illumination compensation method for color images [J]. Opto-Electronic Engineering, 2006,33(2):94-97.[4] 陈箫枫，潘保昌，郑胜林，等. 用顶帽变换估计并消除图像背景[J]. 微计算机信息，2008,24(3-3)：310-311.CHEN Xiaofeng, PAN Baochang, ZHENG Shenglin, et al. Estimate and eliminate background of image with Top-hat transformation [J]. Microcomputer Information, 2008,24(3-3):310-311.[5] 沈文水，周新志. 基于同态滤波的遥感薄云去除算法[J]. 强激光与粒子束，2010,1:45-48.[6] 张金泉，杨进华，王晓坤. 图像烟雾弱化方法研究[J]. 中国图象图形学报，2010,15(12)：1733-1737.ZHANG Jinquan, YANG Jinhua, WANG Xiaokun. Research on the weakening of smoke in images [J]. Journal of Image and Graphics,2010,15(12):1733-1737.[7] 朱锡芳，吴峰，陶纯堪. 基于小波阈值理论的光学图像去云处理新算法[J]. 光子学报，2009,38(12)：3312-3317.[8] VOICU L I, MYLER H R, WEEKS A R. Practical considerations on colorimage enhancement using homomorphic filtering [J]. Journal of Electronic Imaging, 1997,6(1):108-113.[9] 张铮，倪红霞，苑春苗，等. 精通Matlab数字图像处理与识别[M].北京：人民邮电出版社，2013:244-250.[10] GONZALEZ RC, WOODS R E. 数字图像处理[M].阮秋琦，阮宇智，译.2版.北京:电子工出版社，2007:152-154.GONZALEZ RC, WOODS R E. Digital Image Processing [M]. RUAN Qiuqi, RUAN Yuzhi, translated. 2nd ed. Beijing:China Machine Press, 2007:152-154.[11] 范有臣，李迎春，韩意，等. 提升小波的同态滤波在图像烟雾弱化中的应用[J]. 中国图象图形学报，2012,17(5):635-640.FAN Youchen, LI Yingchun, HAN Yi, et al. Weakening of smoke for homomorphic filtering [J]. Journal of Image and Graphics, 2012,17(5):635-640.[12] 韩丽娜. 基于统计特性的路面图像光照不均匀校正算法[J]. 科学技术与工程，2013,13(26)：7875-7879.HAN Lina. The algorithm of correcting uneven illumination pavement image based on statistical properties [J]. Science Technology and Engineering, 2013,13(26):7875-7879.[13] 李庆忠，葛中峰. 基于水下光照不匀均成像模型的图像清晰化算法[J]. 光电子· 激光，2011,22(12)：1862-1866.LI Qingzhong, GE Zhongfeng. A visibility improving algorithm based on underwater imaging model with non-uniform illumination [J]. Journal ofOptoelectronics·Laser, 2011,22(12):1862-1866.。

同态滤波空域算法分析和改进

同态滤波空域算法分析和改进同态滤波空域算法分析和改进秦国亮张治国骆德全四川大学计算机学院!"##!$!摘要"在频域图像处理中!线形滤波器对消除加性高斯噪声很有效!但噪声和图像也常以非线性的方式结合"此时可采用同态滤波器"通常在空域中实现同态滤波会采用邻域平均算法实现低通滤波"本文对此采用中值滤波器!利用滑动窗口思想对算法做出了一定的改进"!关键词"同态滤波邻域平均算法中值滤波器滑动窗口思想"基于照度%反射模型的同态滤波算法在频域空间!图像的信息表现为不同频率分量的组合"如果能让某个范围内的分量或某些频率的分量受到抑制而让其他分量不受影响!就可以改变输出图的频率分布!达到不同的增强目的"对一幅图像来说!其灰度值可以看作是由入射光分量和反射光分量的乘积!其中入射光取决于光源!它比较均匀!随空间的位置变化较小!所以入射光占据频率域的低频部分!对应图像背景"而反射光取决于物体本身的性质!也就是说景物的亮度特征主要取决于反射光"同态滤波增强就是基于这个成像模型"根据这个模型!图像!#"#$$可以表示成它的照度分量%#"#$$与反射分量&&"’$(的乘积%!&")$$*%&"#$$&&"#$$!可以用下列方法把两个分量分开来并分别进行滤波’图"%"同态滤波流程图可见增强后的图像是由分别对应照度分量与反射分量的两部分叠加而成%+$(再将上式两边取指数!得’&",$(这里称作同态滤波函数!它可以分别作用于照度分量和反射分量上!因为一般照度分量在空间缓慢变化!而反射分量在不同的物体的交界处急剧变化!所以图像对数的傅立叶变换后的低频部分主要对应照度分量!而高频部分主要对应反射分量%一方面减弱低频而另一方面增强高频!最终结果是同时压缩了图像整体的动态范围和增进了图像相邻各部分之间的对比度%同态滤波的增强效果可由下图所示’但是!频域算法有一些明显的缺点!比如需要两次傅立叶变换!占用较大的运算空间!增强效果只有在处理完整幅图像后才可以看到% -空域算法正是因为频域算法存在这几个缺点!通常将同态滤波放到空间域上来操作和实现%同态滤波的空域算法的大致思想是先对图像做低通滤波!再用原图减去低通滤波后的图像!得到的结果基本上可以反映出压制低频而增强高频的效果%首先我们把图像的灰度函数用下式表示’其中是入射光分量!是反射光分量!%#是入射光常量!是为了在最后处理得到的图像中保留一定的低频分量!以便得到较好的显示效果%我们用原图减去低通滤波图后!将会失去绝大部分低频信息!这样得到的结果类似于仅对原图作高通滤波!而并非我们期望的压制低频而增强高频!所以这里%#分量是必需的%接下来仍然利用取对数的方法将入射光和反射光分量分离’因为入射光分量对应图像的低频部分!而反射光分量对应图像的高频部分!于是当我们对进行低通滤波后!就能近似地将入射光分量&即图像的低频部分$分离出来!见下式’得到低通滤波的图像后!我们便很容易得到高频增强的图像’最后!因为开始利用取对数将入射光和反射光分量分离!所以还要对结果做指数运算!才能得到最终的结果’同态滤波的空域算法中!影响处理效果的步骤是低通滤波器的选择以及入射光常量%#的指定!影响速度的关键在低通滤波一步%空域同态滤波算法要解决的主要问题就是滤波的速度问题%.低通滤波的实现通常我们会用邻域平均法来近似地实现低通滤波!见下式’邻域平均平滑滤波虽然简单!但是!邻域平均滤波的时间复杂度是与所选择的卷积模板尺寸的大小成正比的!所以!一旦模板增大!滤波所花费的时间也会增多%但要得到比较好的效果的话!邻域就必须取得比较大!否则在减轻低通图像后会损失很多低频信息!即时乘上了入射光常量%#也无法弥补%我们可以采用中值滤波来近似地实现低通滤波%一个-%/中值滤波器的输出为’中值滤波器的平滑效果不仅与模板的尺寸有关!也与模板中参与运算的像素有关%因此!当使用给定尺寸的模板时!我们可以仅利用其中一部分百家论坛".!%%。