反锐化掩模方法用于图像增强

f 其中： ( x, y) 为输入的图像， ( x, y )为原图像的模糊图像或近似图像， f
g g mask ( x, y )为原图的细节图像或高频图像， ( x, y ) 为变换后的图像
k可以是常数，也可以是一个矩阵。当k为一个矩阵时，上式也可以写作：
g ( x, y ) = f ( x, y ) + k ( x, y ) * g mask ( x, y )
2 2 1 2 H (m, n) = 其中： 40 2 2
2 2 2 2 1 1 1 2 1 0 1 2 1 1 1 2 2 2 2 2
由以上的求解，可以得到基于区域分割的反锐化掩模的增强图像：
g(x, y) = f (x, y) + k(x, y) * gmask(x, y)
E (m, n) = A1 I (m, n) + A2 F (m, n) I (m, n) F max
F ( m, n) = w0 I 0 − w1 I1 − w2 I 2
I 0 = I 2α 0 (m, n)
( w0 , w1 , w2 > 0)
I1 = I 2α1 (m − 1, n) + I 2α1 (m + 1, n) + I 2α1 (m, n − 1) + I 2α1 (m, n + 1) I 2 = I 2α 2 (m − 1, n − 1) + I 2α 2 (m + 1, n − 1) + I 2α 2 (m + 1, n − 1) + I 2α 2 (m + 1, n + 1)
反锐化掩模方法用于图像增强
目录
传统的反锐化掩模方法
基于区域分割的反锐化掩模方法
非线性反锐化掩模
基于区域分割的反锐化掩模方法
传统的反锐化掩模方法
1、传统的反锐化掩模方法
g mask ( x, y ) = f ( x, y ) − f ( x, y )
g ( x, y ) = f ( x, y ) + k * g mask ( x, y )
其中I (m, n)为输入的原始图像，E (m, n)为增强以后的图像，F (m, n)为原图像通过 非线性滤波器以后的输出图像， F
max
为F (m, n)的最大值，A1、A2、w0、w1、w2、
α 0、α 1、α 2 为常数。
非线性反锐化掩模(NLUM)
如果用PLIP算子（右表）中 ~ ~ ⊕ 和 ⊗ 代替#1和#2，则：
分段线性函数的曲线
分段线性变换的结果
分段线性函数可以将感兴趣的区域扩展，也可以将不感兴趣的区域压缩。 （3）S-shape函数
S-shape函数的曲线
S-shape变换的结果
S-shape函数同分段线性函数类似，也可以将感兴趣的区域扩展，或将不感 兴趣的区域压缩。
试验及结果 2、直方图修正 （1）Байду номын сангаас方图均衡化
1 n +1 m +1 2 vi (n, m) = ∑ ∑ [x(i, j ) − x (n, m)] 9 i = n −1 j = m −1
根据vi (n, m)的大小，可以将图像分成三个区域，即：vi (n, m) < τ 1，τ 1 ≤ vi (n, m) < τ 2 和vi (n, m) ≥ τ 2。其中τ 1、τ 2 (τ 1 < τ 2 )为自己设定的门限值。vi (n, m) < τ 1的区域为低频 区域，一般为图像的背景等，不希望将其增强。τ 1 ≤ vi (n, m) < τ 2的区域为中频区域， 一般为边缘区域，希望能得到很大的增强。vi (n, m) ≥ τ 2的区域为高频部分，希望得 到较大的增强。因此根据不同的区域设定增强系数K ' ( x, y )：
即k(x,y)可以是一个常数矩阵，也可以是一个与坐标点位置有关的权值矩阵。当 k(x,y)为常数时，得到的图像即为传统的反锐化掩模增强图像。 传统的反锐化掩模方法可以增强图像的细节和边缘部分，但同时对于噪 声和某些不希望增强的区域同样增强很明显。因此人们提出了很多改进 的反锐化掩模方法。
基于区域分割的反锐化掩模方法 2、基于区域分割的反锐化掩模方法 基于区域分割的反锐化掩模方法(unsharp masking based on region segmentation)。 首先将图像分出若干的区域（这里分出三个区域：低频的区域、中频的边界区域、 高频的噪声区域），然后对不同的区域选取不同的增强系数k(x,y)。 这里根据局部方差将图像进行划分： 局部方差定义为一个给定的窗口内的所有像素的方差，比如一个3×3窗口的局 部方差为：
（2）对比度受限自适应直方图均衡化 直方图均衡化对于图像的整体 增强效果比较好，但对于细节 增强效果不好。对比度受限自 适应直方图均衡化对于细节增 强很好，但同时也增强了噪 声。
谢谢！
以下是基于区域分割的反锐化掩模的算法框图
输入图像 局部方差 1+λ 增强系数
+ ×
输出图像
×
低通滤波器
-
非线性反锐化掩模(NLUM) 3、非线性反锐化掩模(NLUM)
输入图像
#2
A1 F(m,n)
#1 #2
A2
输入图像
非线性滤波器
归一化
非线性反锐化掩模的框图
NLUM的框图如上图：#1和#2是两个操作算子，包括＋、－、×、÷以及其它定 义的算子，如PLIP算子。根据应用的不同，可以选择不同的操作算子及非线性滤 波器。如选择＋和×代替图中的#1和#2，并选择一种非线性滤波器，则：
vi (n, m) < τ 1 1 τ 1 ≤ vi (n, m) < τ 2 K ' ( x, y ) = α dh α (α < α ) v (n, m) ≥ τ dh i 2 dl dl
基于区域分割的反锐化掩模方法
对于高频细节信号，使用下式求解：
g mask ( x , y ) = (1 + λ ) f ( x , y ) − B ( x , y ) B ( x, y ) = f ( x, y ) H ( x, y )
试验及结果
4、试验及结果 1、灰度变换 本周主要对空间域图像增强的几种方法进行了实验： （1）gamma函数
gamma变换曲线
gamma实验结果
gamma值大于1可以扩展亮值区，压缩暗值区。gamma值越大， 对于亮值区的扩展越大，同时对于暗值区压缩也越大。gamma小 于1则恰好相反。
试验及结果 （2）分段线性函数