数字图像增强算法分析
数字图像处理实验报告 实验一 图像增强实验
实验一图像增强实验一、实验目标：掌握图像增强的算法。
二、实验目的：1. 了解灰度变换增强和空域滤波增强的Matlab实现方法2. 掌握直方图灰度变换方法3. 掌握噪声模拟和图像滤波函数的使用方法三、实验内容：（1）图像的点操作、邻域操作算法。
（2）图像的直方图处理算法。
四、实验设备：1．PIII以上微机； 2．MATLAB6.5；五、实验步骤：（1）读入图像：用matlab函数实现图像读入（可读入Matlab中的标准测试图像）(原始图像)（2）实现图像点操作运算（如gamma校正，对数校正等）（3）实现图像的邻域处理（实现均值滤波，拉普拉斯滤波）（4）实现直方图均衡处理matlab 源程序clear all;clc;f=imread('girl_noise.jpg');figure,imshow(f),title('原始图像');[m,n]=size(f);f0= im2double(f); % 整型转换为double 类f1=f0;std_i=zeros(1,m-2);%灰线处理for i=2:m-1%灰线处理std_i(i-1)=std(f0(i,:));if(std_i(i-1)<0.1)for j=1:mf0(i,j)=(f0(i-1,j)+f0(i+1,j))/2;endendendfigure,imshow(f0),title('滤除灰线后的图像');fz=f0-f1;[r,c]=find(fz~=0);%寻找灰线噪声的位置f2=f0;change=0;count=0;for i=3:m-2%白线处理for j=1:mif(abs(f0(i,j)-f0(i-1,j))>0.2&&abs(f0(i,j)-f0(i+1,j))>0.2) count=count+1;endif(count>n*0.8)count=0;change=1;break;endendif(change==1)for k=1:mf0(i,k)=(f0(i-1,k)+f0(i+1,k))/2;endchange=0;count=0;endendfigure,imshow(f0),title('滤除白线后的图像');fz1=f2-f0;[r1,c1]=find(fz1~=0); %寻找白线噪声的位置fn = medfilt2(f0); %反射对称填充figure, imshow(fn),title('中值滤波后的图像');f0 = im2double(fn); % 整型转换为double 类g =2*f0- imfilter(f0,w4, 'replicate'); % 增强后的图像figure, imshow(g),title('高提升滤波图像(A=2)');图像处理结果六、结果分析从上面结果可以看出，带状噪声处理部分，已经基本将带状噪声去除。
图像增强原理的应用实验报告
图像增强原理的应用实验报告1. 引言图像增强是数字图像处理中的一项重要技术，通过改善图像质量，使图像在视觉上更加清晰、鲜明和易于解析。
本实验旨在探究图像增强原理的应用，并对不同的图像增强算法进行评估和比较。
2. 实验方法本实验使用Python编程语言，在Jupyter Notebook环境下进行实验，主要使用了以下几个库： - OpenCV：用于图像的读取和处理。
- NumPy：用于数组和矩阵的处理。
- Matplotlib：用于图像的显示和绘图。
实验步骤如下： 1. 导入所需的库。
2. 读取待处理的图像。
3. 实现不同的图像增强算法，包括直方图均衡化、自适应直方图均衡化等。
4. 比较不同算法的效果，包括图像的对比度、亮度和细节增强等方面。
5. 对实验结果进行分析和总结。
3. 实验结果实验中使用了一张室外风景照片作为待处理图像。
下面列出了不同图像增强算法的实验结果：3.1 直方图均衡化直方图均衡化是一种常用的图像增强算法，通过重新分布图像像素的灰度级来增强图像的对比度。
实验结果显示，直方图均衡化可以有效地增强图像的对比度，使暗部和亮部细节更加清晰。
3.2 自适应直方图均衡化自适应直方图均衡化是对传统直方图均衡化算法的改进，它根据图像局部的统计信息进行直方图均衡化，避免了全局均衡化带来的图像过度增强的问题。
实验结果表明，自适应直方图均衡化能够更好地保留图像的细节，并且对于不均匀光照的图像效果更好。
3.3 其他图像增强算法除了直方图均衡化和自适应直方图均衡化，还有许多其他图像增强算法可以应用于不同的图像处理任务，如图像去噪、边缘增强等。
这些算法的实验结果因具体应用场景而异，需要根据实际需要进行选择和评估。
4. 分析与讨论根据实验结果，可以看出不同的图像增强算法对图像的处理效果有所不同。
直方图均衡化能够提高图像的对比度，但对于光照不均匀的图像可能产生过度增强的效果。
自适应直方图均衡化通过局部统计信息进行直方图均衡化，能够更好地保留图像的细节。
数字媒体中的图像去噪与图像增强方法比较
数字媒体中的图像去噪与图像增强方法比较在数字媒体领域中，图像处理是一项重要的技术，旨在改善图像的质量和外观。
在图像处理中，图像去噪和图像增强是两个相关但又略有不同的概念。
图像去噪旨在从图像中消除噪声，以改善图像的清晰度和细节。
而图像增强则是通过增强图像的亮度、对比度和色彩等特征，使图像更加清晰和吸引人。
本文将比较数字媒体中常用的图像去噪和图像增强方法，旨在帮助读者更好地了解各种方法的特点和适用场景。
1. 图像去噪方法比较1.1 统计滤波器法统计滤波器法是一种基于图像的统计特性，通过对图像像素值进行统计分析，判断是否为噪声并进行去除。
其中一种常见的统计滤波器是中值滤波器，它通过计算像素值的中位数来消除孤立的噪声点。
统计滤波器法简单易用，对整体像素值分布影响较小，适用于高斯噪声、椒盐噪声等。
1.2 小波变换法小波变换法是一种基于信号频域特性的滤波方法。
它能够将图像分解成不同尺度和频率的子带，通过控制不同尺度的权重，去除高频噪声和低频噪声。
小波变换法能够有效去除多种类型的噪声，并保持图像的细节信息。
1.3 自适应滤波法自适应滤波法是一种基于邻域像素值的滤波方法。
它通过定义邻域大小和权重函数来计算每个像素的新值，以降低噪声对图像的影响。
自适应滤波法能够在保持图像细节的同时去除噪声，适用于各种类型的噪声。
2. 图像增强方法比较2.1 直方图均衡化直方图均衡化是一种常见的图像增强方法，它通过对图像像素值的分布进行重新调整，使得图像的整体对比度得到增强。
直方图均衡化适用于低对比度的图像，可以使得图像更加清晰明亮，但有时可能会引入噪声。
2.2 高斯滤波高斯滤波是一种平滑图像的方法，通过对图像进行高斯模糊处理，降低噪声干扰，使图像更加平滑。
高斯滤波适用于高斯噪声和孤立噪声的去除，但可能会损失图像的细节。
2.3 锐化增强锐化增强是一种通过增强图像的边缘和细节来改善图像质量的方法。
常用的锐化增强算法包括拉普拉斯算子和梯度算子等。
数字图像细节增强 (DDE)
什么是 DDE？FLIRSystems 研发出一种强大的算法，帮助用户解决在高动态范围场景中定位低对比度目标的难题。
此算法称为数字图像细节增强 (DDE)。
DDE 是一种高级非线性图像处理算法，可以保留高动态范围图像中的细节。
图像细节得到增强，从而与原始图像背景的总动态范围相匹配。
这样即使在温度变化十分显著的场景中，操作员也能够看清细节。
为什么高动态范围会成为问题？答案在于人体视觉系统和典型视频接口的局限性。
人类只能识别图像中约 128 128 级灰阶（7 位）。
对于红外热像仪而言，挑战在于将隐藏在 14 位信号（>15000 级灰阶）中的信息映射为人类可以识别的 7 位信号。
此外，许多模拟和数字视频接口都要求采用 8 位，因此即使最终用户并非人类（例如，目标跟踪器），也需要将动态范围有效地限制为 256 级灰阶。
AGC 、HE 和 DDE 进行比较，起初五个靶标均未显现。
每个靶标温度都比背景温度高约 200mK 。
标准 AGC 算法没有提高图像质量（图 1）。
图 2 所示图像使用直方图均衡化进行了增强。
但不出所料，只能观测到中心靶标，因为它恰好处于此场景的主体动态范围内。
数字图像细节增强 (DDE)使用 FLIR Systems DDE 算法（图 3），就可以同时观测到全部五个靶标。
而且，五个靶标的对比度均匀，而与特定动态范围内的像素数量无关。
正是这一点使得 DDE 无论面对怎样变化的场景，效果依然可期。
传统 AGC 算法会去掉极值，并将动态范围线性地映射到 8 位域上，这对高动态范围的视频效果几乎不起作用。
而直方图均衡化提高了主体温度/辐照度范围中的对比度。
但如果靶标不在主体范围内呢？DDE 增强了预先设定可用对比度的细节。
因此，即使是低对比度对象，也可以获得探测率 恒定的图像效果。
实际例证：我们如何在高动态范围图像中找到低对比度目标？图 4 到 7 中所示的视频系列显示了具有相当高对比度的场景。
基于深度学习技术的图像增强算法研究
基于深度学习技术的图像增强算法研究随着数字摄影技术的发展，人们拍摄出的照片越来越多，但是很多人会发现，照片的质量并不能够满足想要印出来做成相册或是安放在家中展示的需求。
这时候图像增强算法就能够发挥作用了，通过计算机技术对照片进行处理，使得画面更加鲜明、清晰。
而近年来，深度学习技术的出现，为图像处理领域带来了更加强大的工具，各种基于深度学习的图像增强算法应运而生。
那么，何为图像增强？简单来说，图像增强就是对图片进行质量提升的过程。
常见的图像增强方法有灰度变换、直方图均衡化、空间域滤波等。
这些方法通过改变像素的灰度值或是结构，以达到改善图像品质的目的。
但使用这些方法也存在一些问题，例如可能出现过度增强、失真等情况。
相比之下，基于深度学习的图像增强算法在一定程度上可以缓解这些问题，其背后的原理是通过大量数据训练神经网络来优化图像增强处理。
在基于深度学习的图像增强算法中，常用的神经网络有CNN、GAN等。
CNN 是卷积神经网络的缩写，主要针对数据类型为图像的情况。
它通过学习图片上的特征后，能够用于图像分类、目标检测、特征提取等应用。
而GAN是生成式对抗网络的缩写，它由生成器与判别器两个部分组成，经过多次迭代后，能够生成最佳的结果。
在图像增强方面，GAN能够模拟出更多的数据，使得处理后的图片更加自然。
近年来，基于深度学习的图像增强算法在各个领域中得到了广泛的应用。
例如在医学影像处理中，基于深度学习的算法能够帮助医生更好地诊断病情；在自动驾驶中，通过算法对图像进行处理，车辆能够更好地感知路况；在安防领域中，图像增强算法能够帮助人们更好地辨认画面中的人脸等。
这些应用的背后都离不开深度学习技术的支持。
总之，基于深度学习的图像增强算法是近年来发展起来的一种新技术，在各行各业中都有广泛的应用。
它通过神经网络的学习，能够对图像进行更加准确、自然的处理，使得人们能够看到更好的画面效果。
当然，也有需要改进的方面，例如对于大规模数据的处理速度等问题，需要我们继续努力去完善。
如何进行高效的图像增强和降噪
如何进行高效的图像增强和降噪图像增强和降噪是数字图像处理中的重要任务之一。
它们的目的是改善图像的视觉质量和可视化细节，并消除图像中的不必要的噪声。
在本文中，我将介绍一些常用的图像增强和降噪技术，以及一些实现这些技术的高效算法。
一、图像增强技术1.灰度变换：灰度变换是一种调整图像亮度和对比度的常用技术。
它可以通过改变灰度级来增加图像的对比度和动态范围，提高图像的视觉效果。
2.直方图均衡化：直方图均衡化是通过重新分配图像灰度级来增加图像对比度的一种方法。
它通过改变图像的直方图来增强图像的细节和对比度。
3.双边滤波：双边滤波是一种能够保留图像边缘信息，同时消除噪声的滤波技术。
它能够通过平滑图像来改善图像的质量，同时保持图像的细节。
4.锐化增强：锐化增强是一种通过增加图像的高频分量来提高图像的清晰度和细节感的方法。
它可以通过增加图像的边缘强度来突出图像的边缘。
5.多尺度增强：多尺度增强是一种通过在多个尺度上对图像进行增强来提高图像视觉质量的方法。
它可以通过提取图像的不同频率分量来增强图像的细节和对比度。
二、图像降噪技术1.均值滤波：均值滤波是一种常见的降噪方法，它通过将像素值替换为其周围像素的均值来减少噪声。
然而，它可能会导致图像的模糊，特别是在对边缘等细节进行处理时。
2.中值滤波：中值滤波是一种基于排序统计理论的降噪方法，它通过将像素值替换为其周围像素的中值来消除噪声。
相比于均值滤波，中值滤波能够在去除噪声的同时保留图像的边缘细节。
3.小波降噪：小波降噪是一种利用小波变换的降噪方法，它在时频域上对图像进行分析和处理。
它能够通过消除噪声的高频分量来降低图像的噪声水平。
4.非局部均值降噪：非局部均值降噪是一种通过将像素值替换为与其相似的像素均值来减少噪声的方法。
它能够通过比较像素的相似性来区分图像中的噪声和细节，并有选择地进行降噪。
三、高效实现图像增强和降噪的算法1.并行计算：利用并行计算技术，如GPU加速、多线程等，在处理图像增强和降噪算法时，可以提高计算效率和算法的实时性。
第四章 遥感图像处理—数字图像增强
同一景物不同波段图像之间的运算—识别地物
图像的差值运算有利于目标与背景反差较小 的信息提取。 如在红光波段，植被和水体难以区 分，在红外波段，植被和土壤难以区分，通过相 减,可以有效的区分出三种地物
2、比值运算 两幅同样行、列数的图像，对应像元的亮度值相除 (除数不为0)就是比值运算，即：
真彩色合成 假彩色合成
彩色合成的原理图
①真彩色合成
红光波段赋成红 绿光波段赋成绿 蓝光波段赋成蓝
真彩色合成 红光波段赋成红
真彩色合成 红光波段赋成红 绿光波段赋成绿
真彩色合成 红光波段赋成红 绿光波段赋成绿 蓝光波段赋成蓝
②假彩色合成 假彩色合成 近红外波段赋成红 红光波段赋成绿 绿光波段赋成蓝
1 图像卷积运算
数字图像的局部
模板
z1 z2 z3
z4 z5 z6 z7 z8 z9
w1 w2 w3 w4 w5 w6 w7 w8 w9
1/9
1/9 1/9
1/9 1/9 1/9 1/9 1/9 1/9
Replace with R
= w1z1 + w2z2 + ….. +w9z9
模板按像元依次向右移动，而后换行，直到整幅图 像全部处理完为止
对于亮点噪音，用中值滤波好
带有椒盐噪声的ikonos图像
中值滤波后的图像
均值平滑后的图像
3
图像锐化
（1）图像锐化的目的是突出图像中景物的边缘、线状目 标或某些亮度变化率大的部分。 （2）边缘或轮廓通常位于灰度突变或不连续的地方，具
有一阶微分最大值和二阶微分为0的特点;
锐化的方法很多，在此只介绍常用的几种：
数字图像增强的几种常见方法
数字图像增强的几种常见方法数字图像增强是图像处理领域中的一项重要任务，它旨在改善图像的质量和可视化效果。
在数字图像增强中，有几种常见的方法被广泛应用，包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
直方图均衡化是一种常见的图像增强方法。
它通过对图像的像素值进行重新分布，以扩展图像的动态范围，从而增强图像的对比度和细节。
直方图均衡化的基本思想是通过将图像像素的累积分布函数映射为均匀分布来调整像素的亮度值。
这种方法特别适用于对比度较低的图像，能够使图像的细节更清晰，并提升图像的质量。
滤波和增强算法也是数字图像增强的常见方法之一。
滤波可以去除图像中的噪声，平滑图像并提高图像的质量。
常见的滤波算法包括均值滤波、中值滤波和高斯滤波等。
这些算法通过对图像进行空间域或频域的滤波处理来改善图像的质量。
增强算法也可以用于提高图像的可视化效果。
例如，锐化算法可以增强图像的边缘和细节，使图像更加清晰。
对比度拉伸算法可以扩展图像的动态范围，增强图像的对比度。
这些算法可以根据不同的图像特征和需求进行选择和组合，以实现更好的图像增强效果。
多尺度变换是另一种常见的图像增强方法。
多尺度变换将图像转换为不同尺度的表示形式，利用图像在不同尺度上的信息来增强图像的质量和对比度。
常见的多尺度变换方法包括小波变换和金字塔变换。
这些方法在图像增强中广泛应用，并在图像去噪、边缘检测等领域取得了良好的效果。
除了传统的增强方法，基于机器学习的方法也在数字图像增强中得到了广泛的应用。
这些方法利用机器学习算法从大量的图像数据中学习图像的增强模型，然后使用该模型对新的图像进行增强。
通过学习大量数据得到的模型可以更准确地理解图像中的内容和结构，并提供更好的增强效果。
综上所述，数字图像增强的几种常见方法包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
这些方法可以根据图像的特点和需求进行选择和组合，以实现图像的质量和可视化效果的改善。
图像处理中的图像增强算法评估与改进
图像处理中的图像增强算法评估与改进图像增强是数字图像处理中的重要内容之一，其目的是改善或增强图像的视觉效果，提高图像的质量和可读性。
图像增强算法根据不同的应用领域和需求，有多种不同的方法和技术。
本文将针对图像增强算法进行评估与改进。
一、图像增强算法评估图像增强算法的评估是为了确定算法的性能和效果，对比不同算法的优劣，并为改进算法提供指导。
图像增强算法的评估可从以下几个方面进行：1. 主观评价：主观评价是通过人眼观察和判断来评估图像增强效果的好坏。
人眼判断的主观性较强，需要评价者具备一定的专业知识和经验。
主观评价通常通过主观评分法、可接受性评估和实验用户调查等方法进行。
2.客观评价：客观评价是通过一些定量的指标或算法对图像增强算法进行评估。
常用的客观评价指标包括图像对比度、图像亮度、锐度等。
另外，也可以使用峰值信噪比（PSNR）、结构相似性指数（SSIM）等公认的客观评价指标来评估图像增强算法的性能。
3.算法速度：算法速度是评估图像增强算法的另一个重要因素。
在实际应用中，图像增强算法需要在较短的时间内完成，因此快速的算法更受欢迎。
算法速度的评估可通过计算算法的执行时间来获得。
综合以上评价指标，可以比较不同图像增强算法的优劣，为改进算法提供依据。
二、图像增强算法的改进1. 基于传统图像增强算法的改进：传统的图像增强算法包括直方图均衡化、灰度拉伸、滤波器等。
对于这些传统算法，可以通过调整参数和改进算法步骤来提升算法的性能。
例如，可以根据图像的特点，改进直方图均衡化算法，使其适用于不同的图像类型。
另外，可以采用基于机器学习的方法来自动调整算法参数，提高算法的鲁棒性和适应性。
2. 基于深度学习的图像增强算法改进：深度学习在图像处理领域取得了巨大的成就。
通过利用神经网络的强大表达能力，可以实现对图像的高级特征学习和表示。
可以利用深度学习模型，对图像增强进行端到端的学习和优化，提高图像增强效果。
例如，可以使用卷积神经网络（CNN）对图像进行超分辨率重建，增强图像的细节和清晰度。
亮度对比度增强算法
亮度对比度增强算法亮度对比度增强算法是数字图像处理中一种常见的算法，旨在改善图像的视觉质量和提升图像的信息表达能力。
通过增强图像的亮度和对比度，可以使图像更加清晰明亮，细节更加丰富。
亮度对比度增强算法的原理是对图像的像素进行一定的变换，使得图像的亮度和对比度得到增强。
在实际应用中，常见的亮度对比度增强算法有直方图均衡化、对比度拉伸、自适应直方图均衡化等。
直方图均衡化是一种常用的亮度对比度增强算法。
它通过对图像的像素值进行重新分布，使得图像的像素值在整个灰度范围内均匀分布，从而增加图像的亮度和对比度。
该算法能够使得图像的亮度变化更加明显，细节更加丰富。
然而，直方图均衡化可能会导致图像的噪声增加和颜色失真等问题。
对比度拉伸是另一种常见的亮度对比度增强算法。
它通过线性变换调整图像的像素值范围，使得图像的对比度得到增强。
该算法能够使得图像的亮度范围更广，细节更加突出。
然而，对比度拉伸可能会导致图像的亮度损失和过曝等问题。
自适应直方图均衡化是一种综合了直方图均衡化和对比度拉伸的亮度对比度增强算法。
它通过将图像分成多个区域，分别对每个区域进行直方图均衡化或对比度拉伸，从而在不同区域中实现不同程度的亮度对比度增强。
该算法能够克服直方图均衡化和对比度拉伸的缺点，使得图像的亮度和对比度增强更加均衡和自然。
总而言之，亮度对比度增强算法在数字图像处理中扮演着重要的角色。
通过改善图像的亮度和对比度，可以提升图像的视觉效果和信息表达能力。
不同的亮度对比度增强算法有不同的原理和特点，需要根据具体应用场景选择合适的算法。
同时，亮度对比度增强算法也需要考虑图像的噪声和失真等问题，以达到最佳的图像增强效果。
数字图像处理中的算法原理与优化
数字图像处理中的算法原理与优化数字图像处理是一门运用计算机算法来对图像进行分析、处理和变换的技术。
它在现代社会的许多领域中发挥着重要作用，如医学影像、图像识别和计算机视觉等。
在数字图像处理中，算法的原理和优化是关键的因素，它们决定了图像处理的质量和效率。
本文将从算法原理与优化的角度来探讨数字图像处理中的相关内容。
一、图像处理基础在了解数字图像处理的算法原理与优化之前，我们首先需要了解一些图像处理的基础概念。
图像可以看作是由像素组成的矩阵，每个像素代表图像中的一个点的颜色或亮度值。
常见的图像处理操作包括图像增强、图像滤波、图像分割和图像压缩等。
这些操作的实现离不开各种算法的支持。
二、图像处理算法原理1. 图像增强算法原理图像增强是通过改善图像的视觉效果来提高图像质量的一种方法。
常用的图像增强算法包括直方图均衡化、对比度增强和锐化等。
直方图均衡化通过调整图像的亮度分布来增强图像的对比度，使图像的细节更加清晰。
对比度增强算法通过增加图像的亮度差异来提高图像的对比度，使图像更加鲜明。
锐化算法通过增强图像的边缘来使图像更加清晰。
2. 图像滤波算法原理图像滤波是对图像进行平滑处理的一种方法，它能够消除图像中的噪声并减小图像的细节。
常用的图像滤波算法包括均值滤波、中值滤波和高斯滤波等。
均值滤波通过计算图像局部区域的像素平均值来实现平滑处理。
中值滤波通过计算图像局部区域的像素中值来实现噪声消除。
高斯滤波通过对图像进行卷积操作来实现平滑处理，其中卷积核是一个高斯函数。
3. 图像分割算法原理图像分割是将图像分成若干个具有独立性的区域的过程，其目标是把具有相似性质的像素组成一个区域。
常用的图像分割算法包括阈值分割、边缘检测和区域生长等。
阈值分割通过设置一个或多个阈值来将图像分成若干个部分。
边缘检测通过寻找图像中的边缘来分割图像。
区域生长通过选择种子点并逐渐生长来分割图像。
4. 图像压缩算法原理图像压缩是将图像的数据表示方式转换为更紧凑的形式的过程，以便减少存储空间和传输带宽的消耗。
数字图像处理之频率域图像增强
图像增强技术广泛应用于医学影 像、遥感、安全监控、机器视觉
等领域。
频率域图像增强的概念
01
频率域图像增强是指在频率域 对图像进行操作，通过改变图 像的频率成分来改善图像的质 量。
02
频率域增强方法通常涉及将图 像从空间域转换到频率域，对 频率域中的成分进行操作，然 后再将结果转换回空间域。
直方图规定化
直方图规定化是另一种频率域图像增强 方法，其基本思想是根据特定的需求或 目标，重新定义图像的灰度级分布，以
达到增强图像的目的。
与直方图均衡化不同，直方图规定化可 以根据具体的应用场景和需求，定制不 同的灰度级分布，从而更好地满足特定
的增强需求。
直方图规定化的实现通常需要先对原始 图像进行直方图统计，然后根据规定的 灰度级分布进行像素灰度值的映射和调
灵活性
频率域增强允许用户针对特定频率成 分进行调整，从而实现对图像的精细 控制。例如，可以增强高频细节或降 低噪声。
总结与展望 数字图像处理之频率域图像增强的优缺点
频谱混叠
在频率域增强过程中，如果不采取适 当的措施，可能会导致频谱混叠现象， 影响图像质量。
计算复杂度
虽然频率域增强可以利用FFT加速， 但对于某些复杂的图像处理任务，其 计算复杂度仍然较高。
傅立叶变换具有线性、平移不变性和周期性等性质，这些性质在图像增强中具有重 要应用。
傅立叶变换的性质
线性性质
傅立叶变换具有线性性质，即两 个函数的和或差经过傅立叶变换 后，等于它们各自经过傅立叶变
换后的结果的和或差。
平移不变性
傅立叶变换具有平移不变性，即 一个函数沿x轴平移a个单位后， 其傅立叶变换的结果也相应地沿
THANKS
图像增强算法综述
图像增强算法综述①靳阳阳, 韩现伟, 周书宁, 张世超(河南大学 物理与电子学院, 开封 475001)通讯作者: 韩现伟摘 要: 图像增强算法主要是对成像设备采集的图像进行一系列的加工处理, 增强图像的整体效果或是局部细节,从而提高整体与部分的对比度, 抑制不必要的细节信息, 改善图像的质量, 使其符合人眼的视觉特性. 首先, 本文从图像增强算法的基本原理出发, 归纳了直方图均衡图像增强、小波变换图像增强、偏微分方程图像增强、分数阶微分的图像增强、基于Retinex 理论的图像增强和基于深度学习的图像增强算法, 并讨论了它们的改进算法. 然后,从视觉效果、对比度、信息熵等方面对几种算法进行了定性和定量的对比, 分析了它们的优势和劣势. 最后, 对图像增强算法的未来发展趋势作了简单的展望.关键词: 图像增强; 直方图均衡; 小波变换; 微分方程; Retinex 理论; 深度学习引用格式: 靳阳阳,韩现伟,周书宁,张世超.图像增强算法综述.计算机系统应用,2021,30(6):18–27. /1003-3254/7956.htmlReview on Image Enhancement AlgorithmsJIN Yang-Yang, HAN Xian-Wei, ZHOU Shu-Ning, ZHANG Shi-Chao(School of Physics and Electronics, Henan University, Kaifeng 475001, China)Abstract : Image enhancement algorithm mainly process the captured images to enhance the overall effect or local details,increasing the overall and partial contrast while suppressing unwanted details. As a result, the quality of the images is improved, conforming to the visual perception of the human eye. Firstly, according to the basic principles of image enhancement algorithms, this study analyzes those based on histogram equalization, wavelet transform, partial differential equations, fractional-order differential equations, the Retinex theory and deep learning, and their improved algorithms.Then, the qualitative and quantitative comparisons between image enhancement algorithms are carried out with regard to visual effect, contrast, and information entropy to indentify the advantages and disadvantages of them. Finally, the future development trend of image enhancement algorithms is briefly predicted.Key words : image enhancement; histogram equalization; wavelet transform; differential equation; Retinex theory; deep learning在全球信息化大幅发展的时代, 对于这个世界的认识越来越依靠于信息的爆炸性传递. 大部分人认识世界的主要途径还是眼睛的可视性, 人眼所看到的一切都可以化作图像的形式. 图像的获取、生成、压缩、存储、变换过程自然会受到各种状况的影响, 例如获取图像时会因为天气原因, 不同光照条件, 图像亮度也有着细微的变化, 同样由于仪器设备的质量, 参数的设置, 人员的操作都会使图像质量在一定程度上的损伤, 影响图像的质量. 图像增强算法的出现, 无疑是对受损的图像做一个“修补”的工作, 以此来满足各样的需求. 图像增强的目的是为了适应人眼的视觉特性,且易于让机器来进行识别. 近些年来, 图像增强的发展计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(6):18−27 [doi: 10.15888/ki.csa.007956] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 收稿时间: 2020-10-12; 修改时间: 2020-11-05; 采用时间: 2020-11-17; csa 在线出版时间: 2021-06-01涉及了很多领域, 其中包括了遥感卫星成像领域、医学影像领域、影视摄影等各领域[1].要想真正地实现图像增强的效果, 首先对于整个图像来讲, 要提高图像部分和整体的对比度, 细节也不能忽略; 其次应提高图像的信噪比, 抑制噪声的产生,对“降质”的图像处理; 然后是对于增强过的图像来讲,避免出现局部增强不适, 影响人眼的观看模式.下面我们将列出几类典型的且应用范围比较广的图像增强算法以及改进的算法. 直方图均衡(HE)技术原理是对原图像的灰度直方图从比较集中的某个灰度区间转换为全部灰度区域内的均匀分布[2]; 由此算法进行转化的局部直方图均衡化[3], 符合图像局部特性; Kim 等提出的保持亮度的双直方图均衡算法(BBHE)[4],最大亮度双直方图均衡(MMBEBHE)算法有效地保持图像亮度[5]; 迭代阈值的双直方图均衡算法(IBBHE)[6]用迭代的方法达到增强对比度和亮度保持的效果; 彩色图像直方图均衡算法[7], 运算复杂度很低, 合并图像的视觉效果很好. 基于偏微分方程(PDE)的增强方法是把图像作为水平集或高维空间中的曲面, 再根据曲线和曲面演化逐步来增强图像的对比度[8]; 基于全变分模型插值的图像增强方法[9], 保留原图像的细节, 提高了对比度; 基于HE的偏微分方程增强方法, 在梯度域增强对比度基础上[10]提出新梯度变换函数. 小波变换中增强本质是图像信号分解为不同频段图像分量[11]; 小波变换图像多聚集模糊增强方法[12], 增强后的图像较为清晰; 基于离散余弦变换(DCT)和离散小波变换(DWT)的图像增强方法, 提高图像的质量, 同时减少计算复杂度和内存使用量[13]; 基于小波分析和伪彩色处理的图像增强方法[14], 在降噪增强的同时进一步提高图像分辨率. 基于量子力学偏微分方程的缺陷图像增强的研究[15]. 基于PDE的红外图像增强, 很好改进了传统对比度增强方法的不足[16]; 基于PDE平滑技术是一种新兴的图像增强滤波技术, 实质性、开创性的研究在图像增强滤波中引入的尺度空间理论[17]. 基于LBPV (Local Binary Pattern Variance)的分数阶微分图像增强算法[18],在图像纹理和细节方面处理效果比现有分数阶算法效果更好; 自适应分数阶微分理论指纹图像增强算法改进了传统分数阶微分形式, 提高了计算精度[19]. 基于多尺度Retinex的HSV彩色快速图像增强算法, 在HSV 颜色模型中有与Multi-Scale Retinex (MSR)等同的结果, 处理时间短[20]; 基于多尺度Retinex的数字射线照相增强算法, 改善对比度, 抑制噪声[21]; MSR与颜色恢复(MSRCR)算法增强的图像在复杂的情况下进行识别物体[22]; 基于变分Retinex方法的图像增强, 良好结合了MSRCR和变分方法的优点, 保证图像自然度[23].近年来, 基于深度学习的图像处理算法迎来了一个新的时代[24]. Hu等利用超分辨卷积神经网络(SRCNN)方法提高了风云卫星亮温图像的峰值信噪比, 结果较传统方法更精细[25]; Li等利用深度学习来增强低光图像, 提出利用深度的卷积神经网络进行学习, 提高图像质量[26].1 图像增强算法的介绍1.1 直方图均衡算法直方图均衡化算法, 简言之就是对图像直方图的每个灰度级来进行统计[3]. 实现归一化的处理, 再对每一灰度值求累积分布的结果, 可求得它的灰度映射表,由灰度映射表, 可对原始图像中的对应像素来进行修正, 生成一个修正后的图像.1.1.1 传统标准直方图均衡算法f HE传统直方图均衡算法是通过图像灰度级的映射,在变换函数作用下, 呈现出相对均匀分布的输出图像灰度级, 增强了图像的对比度. 该算法是相对于图1中n=1, 均衡函数为的简化模型[27], 即:f HEX k= {X0,X1,···,X L−1}其中, 函数代表直方图均衡过程, 其大致过程为: 已知输入和输出图像为X和Y, 总灰度级为L, 则存在, 均衡后输出和输入图之间有如下变换关系:c(X k)其中, 展现的累积概率分布表示函数输入图像灰度级.图1 全局均衡算法的模型L=∞如果输入图像看作一个连续随机变量, 即,则输出图像自然是一个随机变量, 输出图像灰度级均衡后的概率分布将趋于均匀, 则输出图像的亮度均值为:2021 年 第 30 卷 第 6 期计算机系统应用得到均衡后图像的均值分布与原图像无关, 由此可知其不能有效保持原始图像的亮度, 由于原图像各灰度级概率密度的差异, 简并现象的产生明显变多.1.1.2 保持亮度的双直方图均衡算法BBHE 实质是利用两个独立的子图像的直方图等价性[4]. 两个子图像的直方图等价性是根据输入图像的均值对其进行分解得到, 其约束条件是得到均衡化后的子图像在输入均值附近彼此有界作为基于图像均值进行的分割, 均衡后图像均值偏离原始图像均值的现象不会出现, 达到了亮度保持的目的, 其算法流程如下:G mean 1)计算输入图像均值, 根据均值将原始直方图分为左右两个子直方图.P L (i )P R (i )2)分别计算左右两个子直方图的灰度分布概率直方图和, 即:N L N R 其中, 和分别表示左右两个子直方图的总像素数,L 表示图像总灰度级数.cd f L (i )cd f R (i )3)计算左右两子直方图的累积分布直方图和, 即:tab L (i )tab R (i )4)计算左右两个映射表和, 合并之后得到最终的映射表tab , 其中round 表示四舍五入取整, 即:对于一些低照度和高亮的图像, 均值会处于较低和较高的地方, 若此时基于均值进行分割并分别均衡的话, 很大程度上会导致一个有大量数据的子直方图在小范围内进行均衡的情况出现, 另一个只有少量数据的子直方图却在较宽的范围内均衡.1.2 小波变换图像增强算法19世纪80年代Morlet 提出小波变换的概念, 数学家Merey 在十几年后提出小波基构造思想, 随着Mallat 的加入, 两个人共同建立了小波变换算法. 通过小波逆变换将同态滤波处理的低频分量和经自应阈值噪、改进模糊增强的高频分量得到增强处理后的红外图像[28].1.2.1 标准小波变换图像增强小波理论具有低熵和多分辨率的性质, 处理小波系数对降噪有一定作用, 噪声主要在高通系数中呈现,对高低通子带均需要增强对比度和去噪处理. 标准小波变换图像增强(WT)将图像分解为1个低通子图像和3个具有方向性的高通子图像, 高通子图像包括水平细节图像、垂直细节图像和对角细节图像[29]. 小波变换最大的特点是能较好地用频率表示某些特征的局部特征, 而且小波变换的尺度可以不同[30].1.2.2 改进后的小波变换图像增强算法针对传统方法对图像多聚焦模糊特征进行增强会出现图像不清晰、细节丢失现象, 小波变换图像多聚焦模糊特征增强方法, 利用背景差分法将目标图像的前景区域提取出来, 背景区域亮度会随时间发生变化,进而完成背景区域特征更新; 根据全局像素点熵值和预设阈值校正加强模糊特征, 突出小波变换图像边界局部纹理细节信息, 完成增强变换. 基于小波变换域的医学图像增强方法[31], 是基于Shearlet 变换改进的Gamma 校正, 采用改进的伽玛校正对低频进行处理, 利用模糊对比函数增强图像细节, 增强图像的对比度.二进小波变换简单的对信号尺度参数实现了离散化, 不过仍具备和连续小波变换同样的平移不变特性.利用二进小波变换将指纹图像分解[32], 步骤如下:1)首先将获取的指纹图像进行尺度的分解, 这样得到的频率分量为一低三高;2)对低频分量进行直方图均衡;3)对3个高频分量先进行高斯拉普拉斯掩膜锐化, 得到锐化后的图像;4)直方图均衡后的低频分量和处理后的3个高频分量进行二进小波逆变换重构, 得到增强后的图像.1.3 偏微分方程图像增强算法u (x 1,x 2,···,x n )关于未知函数的偏微分方程是形如式(11)的等式:计算机系统应用2021 年 第 30 卷 第 6 期x =(x 1,x 2,···,x n )Du =u x 1,u x 2,···,u x n 其中, , , F 是关于x 和未知函数u 加上u 的有限多个偏导数的基础函数. 偏微分方程(Partial Differential Equation, PDE)是微分方程的一种, 如果一个微分方程出现多元函数的偏导数, 这种方程就是偏微分方程[33].1.3.1 标准偏微分方程图像增强V l o (p )V l (p )l o V l o (p )V l (p )l o l o l o 假设和分别为两幅图像和l 的对比度场, 若与在每一点上具有相同的梯度方向,但前者大小均大于后者, 则图像应该比l 具有更高的对比度, 可以将看作l 的增强图像. 实际上, 从图像l 到图像的过程就是标准PDE 图像增强实现的过程,可以由以下式子来描述它们的关系:V l o (p )式中, 为增强后图像的对比度场; k 为增强因子,一般情况下k ＞1, 过大的话会增大噪声. 对于式(12),图像l 是已知的, 其解为:φl o (p )式中, 是一个与坐标无关的常数. 可看到两幅图像之间的动态范围存在k 倍的差距. 对于可在计算机屏幕上显示的数字图像, 其动态范围为0 ~ 255. 我们要做到先要对的对比度场进行约束, 之后开始按照步骤运算, 最后才能得到比较准确的数据.1.3.2 改进的偏微分方程增强方法∇u max ∥∇u ∥min为避免增强图像梯度场同时造成噪声的危害加剧,寻找一种比较适合的增强方法. 定义原图像的数值梯度函数为, 梯度模的最大值为, 最小值为, 增强之后的图像梯度为S [10]:∥∇u ∥[min ∥∇u ∥,max ∥∇u ∥][0,max ∥∇u ∥]式中, 表示梯度场的方向信息. 经过改进的梯度函数梯度场从的区域内映射到内. 原本纹理突显出来的同时保留梯度值较大的边缘.基于量子力学偏微分方程的缺陷图像增强研究方法[15]. 航空材料缺陷的图像增强对缺陷的定性和定量性能起着至关重要的作用, 由于复合材料分布不均匀,将导致缺陷成像对比度不高, 会让识别和量化的难度加大. 算法主要分为两个步骤: 首先是根据量子力学理论, 计算图像边缘的量子概率; 在此基础上, 建立融合各向异性量子概率的偏微分方程来增强航空材料缺陷图像. 此算法可以在有效抑制噪声和减少成像不均匀性的同时, 更好保留缺陷的特征, 增强图像的对比度.1.4 分数阶微分方程增强算法近些年, 分数阶微积分在多领域都有了突破性进展[34]. 分数阶微分不仅可以提升图像中的高频分量, 还可以以一种非线性形式保留图像中低频分量所带有的性能. 常用的分数阶微分定义有G-L 、R-L 、Caputo 三种定义, 其中最常用的是采用非整型分数阶微积分的G-L 定义[35].1.4.1 图像增强的分数阶微分算子构造m ×n 让图像像素邻域中任一像素与对应系数进行乘法运算, 得到的结果再进行和运算, 得到像素点所在位置的回复, 当邻域的大小为, 要求的系数会很多. 这些系数被排列成一个矩阵, 称为滤波器、模板或者掩模[36].f (x ,y )在整数阶微分方程的增强算子中, 有一类是拉普拉斯算子, 对任一二元连续函数来讲, 其拉氏变换可表示为:f (x ,y )f (x ,y )f (x ,y )x ∈[x 1,x 2]y∈[y 1,y 2]n x =[x 2−x 1]n y =[y 2−y 1]由于在图像中, 两个相邻像素点之间灰度产生差异的距离最小, 因此图像在它的x 和y 方向上灰度值的变化只能以像素之间的最小距离为单位来进行数值度量和分析, 所以的最小等分间隔只能设为: h =1, 如果图像中x 和y 方向的持续区间分别为和, 则最大等分份数分别为和.将上式拉普拉斯变换写成离散的表示形式, 对x 方向和y 方向重新定义, 得到它的二阶微分表示:根据以上定义, 可以得到:拉氏算子还要对处理前后的图像完成进一步的叠加, 其方式如下:2021 年 第 30 卷 第 6 期计算机系统应用在雾天图像中应用算子增强图像, 边缘轮廓还有纹理部分的效果会很容易看到, 不过若是图像像素中某一范围灰度变化不明显, 细节可能受到损失. 因此,构建图像增强的分数阶微分算子, 将整数阶微分扩展到分数阶微分上并且应用于图像增强中[37].1.4.2 改进的分数阶微分算子增强图像相比传统的分数阶微分算法的不足, 提出新的改进算法, 在极端条件处理拍摄的交通图像时, 具有良好效果. 上文提到的指纹图像增强算法, 对传统形式加以改造, 在计算精度上有所提升, 进而构造了更加高精度的分数阶微分掩模. 通过对像素周围的纹理对比从而逐点选择微分阶, 明确的选择了具有二阶精度的分数阶微分形式来构造IRH 算子, 并对算子结构进行相应的改进, 之后利用图像的梯度信息和局部统计信息, 结合中心像素对相邻像素的影响, 建立自适应分数阶微分的自适应函数, 此法保留了指纹纹线和图像纹理细节, 对于降噪起到很好的作用.1.5 Retinex 图像增强算法S (x ,y )L (x ,y )R (x ,y )S (x ,y )L (x ,y )Retinex 是retina(视网膜)和cortexv(大脑皮层)组成的, Retinex 算法由美国物理学家提出[38]. Retinex 理论的基础是人类视觉系统的色彩恒常性, 人类视觉感知系统的色知觉存在“先入为主”的特性, 即光源条件发生改变, 视网膜接收到的彩色信息也会被人们的大脑驳回. Retinex 理论的依据就是是原始图像可以分解为照射图像和反射图像, 最重要的就是让摆脱的影响, 以便得到图像的反射属性.1.5.1 经典的Retinex 图像增强对数域进行操作可以把乘法运算变成简单的加法运算, 进而出现了多种Retinex 算法. 经典的有: 单尺度Retinex 算法(SSR)、多尺度Retinex 算法(MSR)和带色彩恢复的多尺度Retinex 算法(MSMCR)等[39].针对运算速度缓慢的问题, 在1986年, Jobson 等[40]将高斯低通滤波与Retinex 结合, 改进了Land 提出的中心环绕Retinex 算法(Center/Surround Retinex), 提出了单尺度Retinex(SSR)算法. 在SSR 算法中, Jobson 等创新的使用高斯函数与图像进行卷积的方式来近似实现了入射分量的表达. 它的数学表达式如式(20)表示:I i (x ,y )i ∈(R ,G ,B )G (x ,y ,c )∗L i (x ,y )其中, 表示原始图像的第i 个通道分量的像素值,颜色通道中的一个, 表示中心环绕函数, 是一种卷积操作表示, 入射分量的表达可以借用Jobson 等的成果, 则可以看做入射图像的第i 个通道分量. SSR 的实现过程如式(21)至式(23)所示:由于SSR 算法处理要对图像细节对比度和色彩的保留做到很好的发展, 而尺度c 又相对难做到极好的运用, MSR 算法的出现, 在很大程度上解决了这一问题, 起到了平衡图像色彩和细节的良好效果.1.5.2 改进的Retinex 图像增强Retinex 算法对于图像增强的效果需要经过精确且复杂的计算, 最后的结果精确度越高, 增强效果将会更好. 文献[20]中基于多尺度Retinex 的HSV 彩色快速图像增强算法. 在HSV 模型中用多尺度Retinex 进行图像增强, 由于颜色转换的非线性, 计算起来非常复杂. 使用亮度校正的MSR 算法基于HSV 颜色模型和修正的V 频道输出图像的RGB 分量的线性形式减少30–75%的平均处理时间, MSR 算法在Haar 小波变换低频区域应用亮度校正的处理速度有很明显优势, 平均加速度接近3倍. 文献[22,23]中介绍了MSRCR 算法. 由于传统均值移位算法有不少的不足, 改进后, 对要增强的图像可以在情况复杂下进行识别物体, 增强对比度的同时, 光晕现象的产生被消灭, 噪声得到抑制,保证图像自然度. 基于Retinex 提出一种自适应的图像增强方法, 其中包括如下4个步骤: (1)用引导滤波器估计其照度分量; (2)提取图像的反射分量; (3)对反射分量进行颜色恢复校正; (4)后处理. 由于雾霾和照度较低, 自然生成的图像质量比较差, 而此法不管是在定量还是定性上都突出了更好的优势. 此算法最终的结果图像具有清晰的对比度和生动自然的颜色[41].1.6 基于深度学习的图像增强算法在当今社会经济科技奋进之时, 深度学习的发展可谓是如日中天, 特别是在图像增强方面.1.6.1 卷积神经网络图像增强算法神经网络(neural networks)最基本的组成结构是计算机系统应用2021 年 第 30 卷 第 6 期神经元(neuron), 神经元概念源于生物神经网络[42]. 卷积神经网络(Convolutional Neural Network, CNN)在传统神经网络基础上, 引入了卷积(convolution)和池化(pooling), CNN 的建筑灵感来自于视觉感知[43]. CNN 是深度学习领域最重要的网络之一, CNN 在计算机视觉和自然语言处理等诸领域都有很大成就. 卷积神经网络的特性比较突出, 除了可以实现权值共享外, 可调的参数相对来说不多, 对二维图像这类的, 它的平移、倾斜、缩放包括其他形变都拥有着极高的不变性.CNN 相比于一般的神经网络, 具有很大优势[44]: (1)局部连接. 每个神经元只与少数神经元相连, 有效地减少了参数, 加快了收敛速度; (2)重量共享. 一组连接可做到同时分享相同的权值, 进一步降低了所需的参数;(3)降采样降维. 池化层利用图像部分相关的依据对图像进行降采样, 降低运算数据量, 留存有效的信息值.卷积神经网络大致包含4部分, 卷积层、池化层、全连接层以及反卷积层, 各自具有不同作用, 承担独自的工作. 深度越深, 网络性能越好; 随着深度增加, 网络性能逐渐饱和.1.6.2 基于深度学习图像增强的改进算法f o=F (g )F (g )Hu 等基于深度学习方法增强MMSI 亮温图像, 设计卷积神经网络重建风云四号卫星MMSI 的亮温图像和风云三号卫星微波成像仪亮温图像[25]. 在根据SRCNN进行实现映射函数, 式中, g 为监测的天线温度的图像, 可用于复原, 使其尽可能接近地面真实高分辨率亮温图像f . 映射函数F 的完成可以依据学习思想, 构建一种卷积神经网络, 为了让观测图像数据重新构建为理想的高分辨数据, 需要对卷积神经网络进行一系列特征变换, 此过程即达成卷积核的卷积操作.相比古老的插值方法而言, SRCNN 方法除了提高图像的峰值信噪比之外, 在提高图像细节较古老的方法也有很大的提高.2 图像增强算法的评价和对比2.1 各种算法增强效果的分析通过对论文文献研究比对, 以及对于其中的经典算法以及改进的算法, 对应用广泛的上述6大类图像增强算法进行较概括的研究分析.图2是几种不同算法得到的增强图像. 从增强图像的效果来看, HE 增强效果是对图像的动态范围进行拉大实现的, 增强效果随动态范围增加而变差. BBHE算法均衡后的图像在增强对比度的同时很好保持原图像的平均亮度. IBBHE 根据各子图像的直方图分别进行独立的均衡化处理, IBBHE 增强效果更好. WT 算法增强图像细节信息, 但是增加了噪声. 小波变换图像多聚集模糊增强方法, 对图像增强后, 图像较为清晰, 细节没有丢失, 效果较好. PDE 和TVPDE 算法放大了图像对比度场, 增强后图像都有较高对比度[45]. 自适应分数阶微分可以很好降噪. SSR 和MSR 算法去除了图像中照度分量影响, 还原景物本身的亮度信息, MSRCR 处理后的图像比原图像细节增加了, 亮度有所提高, 颜色有一定矫正, 对颜色的恢复存在失真现象. 基于深度学习的图像增强算法通过复杂的神经网络, 进行大量的训练, 得到的模型同时减少了训练时间, 取得了更好的精度.2.2 算法增强效果的对比对一幅图像的增强效果来讲, 需要对图像对比度和信息熵来进行评价和比较, 可以对图像有很好认识.图像对比度的计算公式:I i ,j 其中, 为中心像素点的灰度值, N 为图像局部块内像素点的个数. 为了计算一幅完整图像的对比度, 需要对图像中所有部分块对比度总体的平均值来表示.图像的信息熵公式如下:p (k )式中, 为灰度级k 的概率密度, M 为最大的灰度级.表1中为第一幅图通过不同算法得到的图像质量的客观结果评价, 评价指标为对比度和信息熵. 通过对文献中算法的研究以及本文中对增强算法的分析对比, 我们得到表2中对不同算法优缺点的总结.3 增强算法发展趋势及有意义的研究方向根据上文所介绍的不同图像增强算法及实验分析对比结果, 可预见未来的图像增强算法发展将有以下特点: 超分辨率、多维化、智能化和超高速.1)超分辨率, 对获得的低分辨率图像进行增强从而得到超高分辨率的图像, 重点是对采集分辨率以及显示分辨率做进一步的提升, 突破技术壁垒限制, 向时空感知超分辨率迈进.2021 年 第 30 卷 第 6 期计算机系统应用。
数字图像处理算法中的细节增强
数字图像处理算法中的细节增强数字图像处理是指通过计算机算法对数字图像进行处理和改进的过程。
其中，细节增强是一种常见且重要的处理方式，旨在突出图像中的细节信息，提高图像的质量和清晰度。
本文将介绍数字图像处理算法中的细节增强方法以及它们的原理和应用。
一、直方图均衡化（Histogram Equalization）直方图均衡化是一种广泛应用于图像增强的方法。
其基本原理是通过重新分布图像中像素的灰度级，使得图像中的灰度值按照均匀分布的方式出现，从而增加图像的对比度并凸显细节。
具体来说，直方图均衡化分为以下几个步骤：1. 计算图像的直方图，即每个灰度级出现的次数；2. 计算图像的累积直方图，即每个灰度级出现的累积次数；3. 根据累积直方图以及图像的最大最小灰度级，重新分布像素的灰度级；4. 更新图像的像素值，使得图像的灰度级按照均衡化的直方图进行分布。
直方图均衡化的优点是简单易实现，并且适用于大部分的图像。
然而，由于其对整个图像的统计信息进行处理，可能会导致图像的噪声增加和背景细节丢失的问题。
为解决这些问题，后续的算法提出了更加复杂的细节增强方法。
二、自适应直方图均衡化（Adaptive Histogram Equalization，AHE）自适应直方图均衡化是一种改进的直方图均衡化方法，它能针对不同区域的图像进行不同的处理，以保持细节并减少噪声。
其基本原理是将图像分割成许多小的局部区域，并对每个区域进行直方图均衡化。
具体来说，自适应直方图均衡化分为以下几个步骤：1. 将图像分割成大小相等的小区域；2. 对每个小区域进行直方图均衡化，使得每个区域中的灰度级分布均匀；3. 将各个小区域重新合并为原始尺寸的图像。
与传统的直方图均衡化相比，自适应直方图均衡化通过适应不同区域的直方图均衡化保留了更多的细节信息，同时避免了噪声的引入。
然而，自适应直方图均衡化存在一些问题，如对于过亮或过暗的区域处理效果较差。
三、双边滤波（Bilateral Filtering）双边滤波是一种基于图像的空间和灰度相似性的滤波方法，常在图像细节增强中应用。
图像处理中的图像增强算法综述与比较
图像处理中的图像增强算法综述与比较概述：图像增强是数字图像处理领域的一个重要研究方向，目的是通过改善图像的视觉效果或提取出对应的有效信息。
在现实应用中，图像增强算法被广泛应用于医学图像处理、安防监控、遥感图像分析、电视视频处理等多个领域。
本文将综述与比较目前常用的图像增强算法，包括直方图均衡化、滤波器、Retinex 与算法、小波变换以及深度学习方法。
直方图均衡化：直方图均衡化是一种基本且被广泛使用的图像增强方法。
它通过对图像像素的灰度值分布进行调整，使得图像的像素灰度值能够均匀分布在整个灰度级范围内，从而改善图像的对比度和亮度。
传统的直方图均衡化算法可以有效地增强图像的整体对比度，但往往过度增强细节，导致图像出现失真。
滤波器：滤波器分为线性滤波器和非线性滤波器两种类型。
线性滤波器通常通过卷积运算来修改图像的空间频率特征，常用的线性滤波器包括均值滤波器、高斯滤波器和中值滤波器等。
非线性滤波器如边缘增强滤波器可以通过检测图像的边缘信息来增强图像的细节。
滤波器方法简单直观，但在处理图像噪声、复杂纹理、低对比度等问题时，效果有一定限制。
Retinex 算法：Retinex 算法是一种模拟人眼感知机制的图像增强方法，它主要专注于提高图像的亮度、对比度和颜色鲜艳度。
该算法基于假设，认为图像的亮度和颜色信息可以被分离开来，并通过增强亮度的同时保持颜色信息的稳定性。
Retinex 算法具有较好的图像局部细节增强效果，但对于整体对比度改善不够显著，且在对比度较低的图像上效果不佳。
小波变换：小波变换是一种基于时间-频率分析的图像增强方法，它将图像分解为多个不同频率的子带图像，然后对每个子带图像进行增强处理，并通过逆变换得到最终增强后的图像。
小波变换方法可以有效地增强图像的对比度和细节，能够提取出不同尺度的细节信息，并具有很好的图像重构能力。
但小波变换方法需要选择合适的小波基和阈值参数，且对图像处理时间较长。
深度学习方法：深度学习方法在图像增强领域取得了显著的成果。
基于直方图均衡化的图像增强算法
基于直方图均衡化的图像增强算法图像增强是数字图像处理领域中的一个重要任务，其目标是提高图像的视觉质量、增强图像的细节信息，使得图像更具观赏性和可辨识度。
直方图均衡化是一种常用的图像增强算法，通过重新分配图像的像素值，增强图像的对比度和动态范围。
本文将详细介绍基于直方图均衡化的图像增强算法的原理、步骤和应用。
一、直方图均衡化的原理直方图均衡化是一种通过拉伸图像的像素值分布来增强图像对比度的方法。
其基本原理是将原始图像中的像素经过变换后，使其灰度级分布更加均匀，从而增强图像的细节和对比度。
直方图均衡化的核心思想是将图像的像素累积函数进行非线性变换，使得原始图像中灰度级分布不均匀的区域得到均匀化，从而实现图像的增强效果。
二、直方图均衡化的步骤直方图均衡化算法主要包括以下几个步骤：1. 计算原始图像的灰度直方图：通过统计每个灰度级对应的像素个数，得到原始图像的灰度直方图。
2. 计算原始图像的累积分布函数(CDF)：对灰度直方图做累积求和，得到原始图像的累积分布函数。
3. 计算像素值映射函数：将CDF进行归一化处理，得到像素值的映射函数，该映射函数描述了原始图像像素值与增强后图像像素值的对应关系。
通过该映射函数，可以将原始图像的每个像素值映射到增强后的像素值。
4. 对原始图像进行像素值映射：根据像素值映射函数，将原始图像的每个像素值进行映射，得到增强后的图像。
5. 输出增强后的图像：将经过像素值映射后的图像进行输出显示或保存，得到最终的增强图像。
三、基于直方图均衡化的图像增强应用直方图均衡化算法在图像增强领域有着广泛的应用。
下面介绍几个典型的应用场景。
1. 医学图像增强：医学图像通常需要提高图像的对比度和细节信息，以便医生更好地进行诊断。
直方图均衡化可以增强医学图像中的血管、肿瘤等细节信息，提升图像的识别能力。
2. 目标检测与识别：图像中的目标通常需要具备清晰的边缘和丰富的纹理信息，以便目标检测和识别算法能够准确地进行处理。
数字图像处理中的图像增强算法技巧
数字图像处理中的图像增强算法技巧图像增强是数字图像处理中的一个重要任务，旨在改善图像的视觉质量并提高图像的可读性。
图像增强算法通过改变图像的像素值，调整图像的对比度、亮度、色彩等属性，以获得更好的视觉效果。
本文将介绍几种常用的图像增强算法技巧，包括直方图均衡化、滤波、锐化和去噪等。
1. 直方图均衡化直方图均衡化是一种常用的图像增强方法，它根据图像的像素值分布情况，将像素值重新映射到更广的范围内，从而增强图像的对比度。
该方法利用图像的直方图来调整像素值的分布，使得像素值更加均匀分布，提高图像的细节和对比度。
直方图均衡化可以应用于灰度图像和彩色图像，具有简单易实现、计算效率高的优点。
2. 滤波滤波是一种常用的图像增强方法，它通过卷积操作对图像进行平滑和锐化处理。
平滑滤波器可以用来去除图像中的噪声，例如均值滤波器、中值滤波器等。
平滑滤波可以通过对像素周围的邻域像素进行平均或中值操作来实现。
锐化滤波器可以增强图像的边缘和细节，例如拉普拉斯滤波器、Sobel滤波器等。
滤波可以在时域和频域中进行，选择适当的滤波器和参数可以根据图像特点实现不同的增强效果。
3. 锐化锐化是一种图像增强方法，通过增强图像的边缘和细节以提高图像的清晰度和细节显示。
图像锐化可以通过增加图像的高频分量来实现，例如使用拉普拉斯滤波器或高通滤波器。
锐化操作可以使图像的边缘变得更加清晰，增强细节显示。
然而，过度的锐化可能会导致图像的噪声增加和伪影出现，因此，在选择锐化滤波器和参数时需要谨慎。
4. 去噪去噪是一种常用的图像增强方法，它旨在减少图像中的噪声并提高图像的质量。
图像噪声可能由于图像采集过程中的传感器噪声、信号传输过程中的干扰和图像处理过程中的误差等原因引起。
常见的去噪方法包括中值滤波、高斯滤波、小波去噪等。
中值滤波可以有效地去除椒盐噪声，通过对像素周围的邻域像素进行排序并选择中间值来实现。
高斯滤波通过对像素周围的邻域像素进行加权平均来实现，对高斯噪声有较好的去除效果。
数字图像处理方法-图像增强2
求出：k1和k2 求出：l1和l2
第五章 图像增强
23
空域处理—彩色图像增强
彩色平衡实现的算法
9 分别对R、G、B图像实施变换：
*=
+
R(x, y) k1*R(x, y) k 2
B(x, y)* = l1*B(x, y) + l2
G(x, y)* = G(x, y)
9 得到彩色平衡图像
第五章 图像增强
直方图均衡化的技术要点：
公理：直方图p(rk )，为常数的图像对比度最好
目标：寻找一个灰度变换函数T(r)，使结果图像 的直方图p(sk )为一个常数
第五章 图像增强
3
空域处理—直方图增强
直方图均衡—灰度变换函数
1) 求出原图 f 的灰度直方图，设为h。h为一个256维的向 量。
2) 求出图像 f 的总体像素个数， Nf=m ×n
第五章 图像增强
32
空域处理—彩色图像增强
伪彩色增强
人类可以分辨比灰度层次更多的颜色种类 将灰度图像变换为彩色图像——伪彩色图像 方法：伪彩色变换，密度分割
伪彩色变换法—独立映射表变换法
9对灰度图像 f(x, y)，建立颜色映射表：
IR
=
T (I ) R
IG
=
T (I ) G
I = T (I )
B
B
9形成RGB图像各分量为： R (x , y ) = T R ( f (x , y
))
第五章 图像增强
G (x, y ) = TG( f (x, y ))
B(x, y) = TB( f (x, y
33
))
空域处理—彩色图像增强
伪彩色变换流程
数字图像处理中的纹理分析与增强算法研究
数字图像处理中的纹理分析与增强算法研究摘要：纹理在图像中广泛存在，对图像的分析和增强有着重要的作用。
本文主要研究数字图像处理中的纹理分析与增强算法，包括纹理特征提取、纹理分类和纹理增强等方面的内容，并结合实例进行详细讨论。
1. 引言数字图像处理中的纹理分析与增强是一项重要的研究内容，具有广泛的应用价值。
在许多领域中，如医学图像分析、工业检测、图像搜索等都需要对图像中的纹理进行准确的分析和增强。
因此，研究数字图像处理中的纹理分析与增强算法具有很高的实用性和研究意义。
2. 纹理特征提取算法纹理特征提取是纹理分析的关键步骤之一。
通过提取纹理特征，可以有效表示纹理的结构和特点。
常用的纹理特征提取算法包括自相关矩阵、灰度共生矩阵和小波变换等方法。
2.1 自相关矩阵自相关矩阵是一种常用的纹理特征提取方法，用于描述图像中像素之间的相关性。
通过计算图像的自相关矩阵，可以得到图像的纹理特征。
在自相关矩阵中，各个元素表示图像中两个像素灰度值的相关性。
根据自相关矩阵的统计特性，可以提取出多个纹理特征，如对比度、协方差和能量等。
2.2 灰度共生矩阵灰度共生矩阵是另一种常用的纹理特征提取方法，它描述了图像中不同位置像素间的灰度值共生关系。
通过计算灰度共生矩阵，可以得到图像的纹理特征。
根据灰度共生矩阵的统计特性，可以提取出多个纹理特征，如对比度、相关性和能量等。
2.3 小波变换小波变换是一种基于时间频率分析的信号处理方法，也可以用于纹理特征提取。
通过对图像进行小波变换，可以得到不同尺度和方向上的纹理特征。
小波变换可以提取出图像的局部纹理特征，对于纹理分析具有一定的优势。
3. 纹理分类算法在图像处理中，纹理分类是指将图像分为不同的纹理类别。
纹理分类是纹理分析的一项重要任务，对于精确描述和识别图像中的纹理非常有帮助。
常用的纹理分类算法包括统计方法、神经网络和支持向量机等。
3.1 统计方法统计方法是一种常用的纹理分类方法，它通过计算纹理特征的统计量来实现纹理分类。
基于图像处理的数字摄影图像增强算法研究
基于图像处理的数字摄影图像增强算法研究数字摄影技术的快速发展和普及使得摄影爱好者和专业摄影师能够轻松拍摄出高质量的照片。
然而，在现实生活中，影响照片质量的因素时有发生，例如光照不足、场景复杂、摄影手法不当等。
因此，对于数字摄影图像进行增强处理成为了提升照片质量和美感的重要手段。
近年来，图像处理技术的发展为数字摄影图像增强提供了广阔的空间。
基于图像处理的数字摄影图像增强算法可以通过自动或半自动的方式，对图像进行色彩、对比度、锐利度等方面的加强，从而改善图像的质量。
在数字摄影图像增强算法的研究中，基于图像处理的方法被广泛应用。
该方法利用图像处理技术对图像进行调整和优化，以获得更好的视觉效果。
首先，色彩增强是数字摄影图像增强中的一个重要步骤。
我们知道，光照条件对于照片色彩的还原及表现有非常重要的影响。
图像处理算法可以根据图像的色彩信息，通过调整亮度、对比度和饱和度等参数，使图像在色彩上更加鲜明、丰富。
另外，对比度增强是数字摄影图像增强中的另一个关键步骤。
适当的对比度可以使图像中的细节更加清晰，增强图像的层次感和立体感。
图像处理算法可以通过直方图均衡化、拉伸等技术，调整图像的黑白层次和对比度，以达到更好的观感效果。
此外，锐化处理也是数字摄影图像增强中的一个重要环节。
在拍摄过程中，由于诸多因素的影响，摄影图像可能会存在一定程度的模糊。
为了使图像更加清晰，图像处理算法可以运用高通滤波器等方法，增强图像的边缘和细节，提高图像的清晰度和清晰度。
值得注意的是，对于不同类型的图像，基于图像处理的数字摄影图像增强算法也可以有所不同。
例如，对于景观照片，我们通常希望增强图像的色彩饱和度和对比度，突出自然景色的美丽和多样性。
而对于人物照片，我们可能更关注皮肤细节和肤色的真实还原。
因此，在研究中，我们需要根据不同的应用场景和需求，选择合适的图像处理算法来实现图像增强。
总之，基于图像处理的数字摄影图像增强算法为提高照片质量和美感提供了有效的手段。
- 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)。
数字图像增强算法分析马 琳,于 宁(哈尔滨市勘察测绘研究院,黑龙江哈尔滨150000)摘 要:在阐明图像增强处理基本方法基础上,对几种有代表性的图像增强算法(基于直方图均衡化图像增强算法,基于模糊集理论的图像增强算法,基于小波变换的图像增强算法,基于人眼视觉特性的彩色图像增强算法及基于神经网络的图像增强算法)做简单介绍,对现有直方图的均衡化算法进行分析、对比,综合多种算法对现有直方图均衡化算法做改进,得出一种新的直方图均衡化方法。
关键词:图像增强;直方图均衡化;M AT LA B;对比度增强中图分类号:P 211 文献标识码:A 文章编号:1008 5696(2011)01 0122 04Analysis of Digital Image Enhancement AlgorithmM A Lin,YU Ning(H arbin City P ro specting and M apping Resear ch I nstit ute,Har bin 150000,China)Abstract:Based on the ex po sitio n for the fundam ental methods o f im ag e enhancem ent pr ocessing ,it sim ply introduces sever al kinds of representative image enhancement alg orithm (im ag e enhancement algo rithm based on histo gram equalization,image enhancement algorithm based on fuzzy set theor y,im ag e enhance m ent alg orithm based on w avelet transform ,image enhancem ent algor ithm based on hum an visual property and image enhancement algo rithm based on artificial neural netw o rk).Carries o n the analysis and contr ast to the ex isting histog ram equalization algo rithm.Finally,w e synthesize m any kinds of algor ithms to make som e improvements to the ex isting histog ram equalization alg orithm and o btain one new histog ram equali zing method.Key words:im age enhancement;histog ram equalizatio n;M AT LAB;contr ast enhancem收稿日期:2010 09 10作者简介:马 琳(1982-),女,助工,研究方向:测绘工程.1 研究目的和意义图像增强的目的是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,扩大图像中不同物体特征之间的差别,满足某些特殊分析的需要。
其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,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,是一种间接增强算法[1]。
2 直方图与直方图均衡化2.1 直方图1)直方图又称质量分布图,是一种几何形图表,它是根据从生产过程中收集来的质量数据分布情况,画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。
2)图像的直方图。
以灰度图为例,假设图中一共只有0、1、2、3、4、5、6、78种灰度,0代表黑色,7代表白色,其它数字代表0~7之间不同深浅的灰度,见图1。
统计的结果如下,横轴标示灰度级别(0~7),纵轴标示每种灰度的数量,见图2。
Photoshop(PS)中的显示,见图3。
第1期马 琳,等:数字图像增强算法分析2.2 直方图均衡化2.2.1 直方图均衡化的定义直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图,然后按均衡直方图修正原图像。
当图像的直方图为一均匀分布时,图像包含的信息量最大,图像看起来就显得清晰。
该方法以累计分布函数为基础,其变换函数取决于图像灰度直方图的累积分布函数。
它对整幅图像进行同一个变换,也称为全局直方图均衡化[5 7]。
2.2.2 对现有直方图均衡化算法进行改进第一步根据需要在灰度区间[M ,N ]上进行直方图粗均衡。
根据需要设定一个灰度区间[M ,N ],对用(1.1)计算过后的t k 进行整合变为t k ,其中k 为新的直方图的灰度数,区间[M ,N ]和k 需满足下式0 k [M,N] L -1.(1)主要是为了保证变换后灰度的次序不变,在上述的前提下,我们可以在区间[M ,N ]中根据k 等分区间长度,进行强制直方图的均衡。
因此,我们先要求的就是等分的长度h,可用下式求得h =int [(N -M)/(k +1)].(2)然后就只需根据一定的映射关系改变t i 的灰度值,进行新的直方图均衡化,映射关系如下t k =M +k n.(3)经整理t k =M +k int [(N -M )/(k +1)].(4)具体的实现过程如下:1)给出原始图像的所有灰度级k =0,1,2, ,L -1;2)统计原始图像各灰度级的像素数n k ;3)用p (t k )=n k /n 计算原始图像的直方图;4)用(4.11)式计算原始图像的累积直方图;5)用(4.12)式进行取整计算;6)用t k =M +k int [(N -M )/(k +1)]进行均衡化;7)用p (t k )=n k /n 计算新的直方图。
由于灰度的范围一般为0~255,因此,在本文的实验中取M =0,N =255,所使用的数据来源于网络。
在实际应用中,可根据需要灵活的改变N 和M 的取值,以求达到最佳效果。
第二步通过一定得映射关系在尽可能保留原图像像素的基础上进行二次均衡,以达到拓展使用的灰度空间。
减少转换过程中出现的像素个数较少的灰度被其周围的像素个数较多的灰度吞噬而造成信息丢失,以及由此而产生的变换后图像所用灰度个数减少,造成图像灰度层次感不强的现象,是对传统算法的一个改进。
通过分析式(1)可知:对于任意相邻两灰度i 和i +1,如果ik=0r k Q 与 i+1k=0r k Q之间的差距大于一阈值,就不会出现灰度被吞噬的情况,该阈值与图像的大小以及所使用的灰度级数有关。
对于一幅256 256的拥有256个灰度级的图像来说,只要两者之间的差距大于1/256,就不会出现灰度被吞噬的情况,也就可以更多地保留原始图像中的信息和维持图像的层次感。
采用的方法是建立一个满足下列要求的映射:假设原始图像中灰度i 所具有的像素个数为r i ,映射后为r i ,它们之间的关系为r i =f (r i )<r i .(5)对映射f 的要求是其值域为正实数域。
为了与原始图像保持一致,该映射同时要求为单调递增。
虽然每个r i 都比以前小,但Q =m -1k=0rk比以前的Q123交通科技与经济 第13卷小得多,如果映射合适,总可以使得 i k=0r k Q 与 i+1k=0 r kQ之间的差距相对变大。
满足上述条件的映射关系很多,本文采用对数映射关系,其作用是使得灰度变换函数中的 i k=0r k Q 项尽可能分散开,从而使得变换后的灰度也分散开,尽可能减少被周围灰度淹没的现象发生。
在传统算法中采用式(1)进行灰度转换,其灰度转换规则不能充分利用灰度的低值部分,如原始图像中的灰度为0,极易被转换成非0灰度值,且灰度为0的像素在原始图像中所占比重越大,其转换后的值也就越大。
因此将转换规则修正为f i=(n-1) i-1k=0r k/Q-r i,(6)Q= m-1k=0r k.由式(6)所确定的灰度转换可以使转换后的灰度值分布于整个灰度空间,这样可以将原始图像中的最大灰度值和最小灰度值分别映射成0灰度值和图像格式可以提供的最大灰度值n-1,从而拓展了所使用的灰度空间。
第三步首先,用分频滤波器将图像分成低频和高频两个部分,只对低频分量进行直方图均衡化,然后,将处理过的低频部分和高频部分进行合并,再对合并后的信息进行中值滤波,去除噪声,得到最终增强的图像,既保留了图像整体对比度和细节信息,又去除了噪声放大的问题。
1)将原始图像分频。
由于高斯低通滤波器在时域和频域上都具有比较好的平滑性能,因此,采用高斯低通滤波器对图像进行分频,这样不会导致图像的细微结构发生极性反转。
设原始图像为f(x, y),经过分频处理后,图像f(x,y)被分为两部分:低频部分f L(x,y)和高频部分f H(x,y)。
低频部分f L(x,y)含有原始图像的大部分灰度信息,高频部分f H(x,y)含有图像的少部分灰度信息。
原始图像f(x,y)与低频部分f L(x,y)、高频部分f H (x,y)间的关系可表示为f(x,y)=f H(x,y)+f L(x,y).(7)2)将低频部分进行直方图均衡化。
对低频部分f L(x,y)进行直方图均衡化(H E)处理。
设均衡化之后的低频图像为f L(x,y),则f L(x,y)=H E[f l(x,y)].(8)此时,低频图像f L(x,y)包含着的原始图像的大部分像素灰度级被均衡化分布,动态范围得到提高,大大改善了原始图像的对比度。
高频部分f H(x, y)含有原始图像的少部分灰度信息,这少部分灰度信息包含着图像细节和图像噪声。
3)将低频信息和高频信息合并。
将低频信息和高频信息进行合并,设合并后的图像为g(x,y),则g(x,y)=f L(x,y)+f H(x,y),(9)由于f L(x,y)=H E[f l(x,y)],所以g(x,y)=H E[f L(x,y)]+f H(x,y).(10)合并后的图像g(x,y)与原始图像相比,既提高了整体图像的对比度,又强化了图像细节,但是含有高频部分的图像噪声。
4)将合并后的图像进行中值滤波。