数字图像处理之图像增强处理

图像增强的主要目的是提高图像的质量和可辨识度，使图像更有利于观察或者进一步分析处理

边缘信息、轮廓信息和对比度进行突出或者增强，

空间域图像增强技术主要有灰度变换和直方图方法

图像质量评价

主观评价法主观质量评分法人类视觉感受缺乏稳定性

客观评价法误差分析法

均方误差（MSE）

峰值信噪比（PSN）

图像灰度操作函数

imadjust() 可以进行灰度调整，改变图像的亮暗度，对彩色图像进行增强处理

stretchlim()获取灰度图像的最佳区间

直方图增强法

imhist();

[counts,x]=imhist();

stem(x,counts);

直方图均衡化

histeq(I,m)

直方图规定化

histeq(I,hgram);

图像的统计特性

mean2()计算灰度图像和彩色图像的灰度或颜色均值

std()计算向量的标准差

std2()计算矩阵的标准差

图像的相关系数

corr2()计算两个图像之间的相关系数或者相似度

图像的等高线

imcontour(I,n)

空间域滤波总结（邻域就是空间域）空间域滤波和邻域处理边界处理

什么是噪声？

一般来说，图像具有局部连续性质，即相邻像素的数值相近，而噪声的存在使得在噪声点处产生灰度跳跃

边界处理

执行滤波操作时，要注意当模版位于图像边缘时，模版的某些元素很可能会位于图像之外的情况，这时要对边缘附近执行滤波操作单独处理

以避免引用到本不属于图像的无意义的值，有三种策略1.收缩处理范围，处理时忽略位于图像f边界附近会引起问题的那些点

2.使用常数填充图像。自动添加虚拟边界，保证模版在移动过程中时钟不会时钟超出边界

3.使用复制像素的方法填充图像，复制图像f本身边界的模式

什么是卷积滤波？

普通的滤波是相关滤波。

卷积和普通空间域滤波在本质有不同，卷积时模版是相对其中心点做镜像后再对f位于模版下的子图像做加权和的，或者说在做加权和之前，模板先要以其中心点为原点旋转180度。

注意，只有当模板本身是关于中心点对称时相关和卷积的结果才会相同。

模版矩阵注意点

每个模板矩阵都必须满足其矩阵元素之和为1，这样就能让新图像同原始图像保持在一个灰度范围

-------------------------------------------------------------------------------------------------------------------------

线性空域滤波------对应于频域中的低通滤波信号的低频部分通过，阻止高频部分通过

图像边缘处于高频部分，线性平均滤波后，会造成图像边缘的模糊

imfilter() 完成滤波操作

g = imfilter(原图像矩阵，滤波矩阵，option1,option2)选项有边界选项，尺寸选项，模式选项。

conv2(待处理图像，滤波矩阵) 可以对灰度图像进行滤波操作

filter2(滤波器,图像矩阵)

fspecial(滤波类型，参数)

思路：使用fspecial()生成滤波模版，使用filter2(滤波器,图像矩阵)或者imfilter()

执行滤波操作

图像平滑：就是消弱图像的灰度跳变部分，平滑的是噪声，希望不要涉及边缘

均值平滑:平均模板---对邻域的像素一视同仁，

标准高斯平滑：高斯模板---适当的加大模版中心点的权重，随着原理中心点，权重迅速减小，从而可以确保中心点看起来更接近于与它距离更近的点

》》》》》自适应的高斯平滑滤波：有算法思想，但是matlab中还没有实现。

只在噪声局部区域进行平滑，而在无噪声局部区域不进行平滑，将模糊的影响降到最小

局部存在噪声的判据：

1.局部区最大值与最小值之差大于某一阀值T，则认为该局部区域存在噪声

2.局部区域方差大于某一阀值T

||算法：

逐行扫描图像；

对每一个像素，以该像素作为中心，计算其周围区域R

的统计特征，如最大值，最小值和方差；

如果区域R的特征满足特定的噪声判据

根据选定的模版计算邻域甲醛和作为该点的响应

否则

不处理该点

非线性空域滤波-------中值滤波（统计排序滤波器），顺序统计滤波和自适应滤波

中值滤波--保护边缘的非线性图像平滑方法（对于原图像中的某一点（i,j）,中值滤波以该点为中心的邻域内的所有像素的统计排序中值作为（i,j）点的响应）

中值滤波在降噪同时引起的模糊效应较低。在中值滤波中噪声点则常常是直接被忽略掉的，而在均值滤波等线性平滑滤波中，噪声参与了运算，影响最终的响应。所以中值滤波一般常用于去除椒盐噪声，效果优于均值滤波

二维中值滤波

medfilt2(图像矩阵)

》》》》》》一种改进的中值滤波策略 --- 自适应中值滤波，可以完美滤除噪声，还能更好的保留图像细节，以及边缘。

噪声点和边缘点同样是灰度变化较为剧烈的像素，普通的中值滤波在改变噪声点灰度值的时候，会一定程度地改变边缘像素灰度值。

但是噪声点几乎都是邻域像素的极致，而边缘往往不是。因此可以利用这个特性来限制中值滤波。

||算法：

逐行扫描图像：

当处理每一个像素时，判断该像素是否是滤波窗口所覆盖下邻域像素的极大或者极小值。如果是，则采用正常的中值滤波处理该像素；如果不是，则不去处理。石建忠这种方法能够非常有效地去除突发噪声点，尤其是椒盐噪声，而几乎不影响边缘。

《《《作为非线性滤波，中值滤波有可能会改变图像的性质，因而一般不适用于像军事图像处理、医学图像处理。

排序滤波

ordfilt2()

ordfilt2(I,madian(1:m*n,[m,n])等价于medfilt() wiener2(); 自适应滤波，根据局部方差来调整滤波器的输出

----------------------------

图像锐化就是增强图像的灰度跳跃，锐化的对象是边缘，希望处理不要涉及噪声

对于模糊的图像，通过锐化滤波器能够补偿图像的轮廓，让图像变得清晰

Robert交叉梯度

w1 = [-1 0; 0 1] 对接近45度边缘有较强响应

w2 = [0 -1; 1 0] 对接近-45度边缘有较强响应

G = G1+G2;

Sobel梯度

w1 = [-1 -2 -1; 0 0 0 ; 1 2 1]对水平边缘有较大响应的竖直梯度

w2 = [-1 0 1 ;-2 0 2; -1 0 1] 对竖直边缘有较大响应的水平梯度

锐化滤波器常用拉普拉斯算子

f(i,j) = f(i+1,j) +f(i-1,j) +f(i,j+1) +f(i,j-1) +-4f(i,j)

滤波模版

H = [0 1 0;1 -4 1; 0 1 0] 这种模版对于90度的旋转是各向同性的

H1 = [ 1 1 1;1 -8 1;1 1 1] 这种模版对于45度的旋转是各向同性的

H2 = [1 4 1;4 -20 4 ;1 4 1] 高斯平滑模版的思想

高提升滤波

把增强边缘和细节的同时仍然保留原图像中的信息

注意：无论是基于一阶微分的Robert,Sobel模版还是基于二姐微分的拉普拉斯模版，其中各系数和均为0，

这说明算子在灰度恒定区域的响应为0，即在锐化处理后的图像中，原图像的平滑区域近乎于黑色，

而原图中所有的边缘，细节和灰度跳变点都作为黑背景中的高灰度分布突出显示

思路：

1，图像锐化

2，原图像与锐化图像的按比例混合

3，混合后的灰度调整（归一化至[0~255]）

高斯-拉普拉斯变换（LoG）

问题：锐化在增强了边缘和细节的同时也往往增强了噪声，因此区分开噪声和边缘是锐化中要解决的一个核心问题。

解决：“强强联合”，可以先用高斯平滑进行平滑滤波，再进行锐化增强边缘和细节。

频率域图像增强

首先通过傅立叶变换将图像从空间域转换为频率域，然后在频率域内对图像进行处理，最后通过傅立叶反变换转换到空间域。

频率域内的图像增强通常包括低通滤波、高通滤波和同态滤波

在空间域的卷积运算变成了在频率域的乘积运算

低通滤波----低频通，高频阻止

效果：图像去噪声平滑增强，但同时也抑制了图像边界，造成图像不同程度上的模糊

理想低通滤波器

巴特沃斯低通滤波器

高斯低通滤波器

高通滤波----高频通，低频阻

效果：使图像得到锐化处理，突出图像的边界，

缺点：经过理想高频滤波后的图像把信息丰富的低频去掉了,丢失了许多必要的信息，

高通滤波器加上一个全通滤波器组成，高频加强滤波

理想高通滤波器

巴特沃斯高通滤波器

高斯高通滤波器

带阻滤波器是用来抑制距离频域中心一定距离的一个圆环区域的频率，用来消除一定频率范围的周期噪声。

理想带阻滤波器

巴特沃斯带阻滤波器

高斯带阻滤波器

同态滤波----用于压缩图像灰度的动态范围，且增强对比度

因为人眼视觉系统对图像亮度具有类似于对数运算的非线性特性

照射分量和光源有关，通常用来表示慢的动态变化，决定一幅图像中像素能达到的动态范围。

反射分量由物体本身特性决定，表示灰度的急剧变化部分

照射分量和傅立叶变换后的低频分量相关，反射分量和高频分量相关