第6章 图像增强

9 6 6 0 6
9 3 5 5 0
1 2 3 6 2
3 1 6 8 9
9 3 0 2 2
9 7 6 0 6
8 3 4 5 0
L ' ( I / 3.8)1/ 0.4
6 2
CCD的输出信息I
γ校正后的信息
原始信息
• 校正后的误差为计算误差，是不得已的，可忽略的误差
• 值得注意的是：所得到的 γ 值不一定
f (m k , n l ), (k , l ) W g (m, n) Median
例如选择滤波用的窗口W如下图所示，是一 个一维的窗口，待处理像素的灰度取这个模 板中灰度的中值，滤波过程为：
一维窗口
除上述窗口外，常用的窗口还有方形、 十字形、圆形和环形等等，如下图所示。
图 中值滤波的常用窗口


I1 = imread('g:\Miss.bmp'); %加噪声密度为0.02的盐椒噪声 I=imnoise(I1,'salt & pepper',0.02); imshow(I); K = medfilt2(I); %中值滤波 figure,imshow(K);
下图显示了中值滤波的结果。
下图是模板为3×3，k＝3的K近旁均值 滤波器的例子。
图 K近旁均值滤波器
2. K近旁中值滤波器(KNNMF) 在K近旁均值滤波器中我们不选k个邻 近像素的平均灰度来代替，而选k个邻近像 素的中值灰度来代替，则这个滤波器就变 成了K近旁中值滤波器。
图 K近旁中值滤波器
3. 最小均方差滤波器 该方法对图像上待处理的像素（m，n） 选它的5×5邻域，在此邻域中采用下图所示 的模板（其中有1个3×3正方形，4个五边形 和4个六边形，共9个邻域），计算各个模板 的均值和方差，按方差排序，最小方差所对 应的模板的灰度均值就是像素（m，n）的输 出值。
1.3 γ校正方法
2. 对输入信息进行γ校正
I CL

1/
L (I / C )
CI
1/
• 在实际中，通常是根据预先设计好的速查表来完成校正。
例 题
4
6
9
9
9
5 6
8 5
4 8
9 9
6 0
5 5
8 8
0 8
6 7
7 0
γ=0.4
1 2 3
3 1 6 9 9
9 3 0 2 2



字符识别
人脸图像处理

目的：尽可能模糊细节，而保留大的可识别特征
6.4.2 中值滤波 在邻域平均法中，在去噪的同时也使边界 变得模糊了，中值滤波是非线性的处理方法， 在去噪的同时可以兼顾到边界信息的保留。 首先选一个含有奇数点的窗口W，将这个窗 口在图像上扫描，把该窗口中所含的像素点按 灰度级的升（或降）序排列，取位于中间的灰 度值，来代替该点的灰度值。即
%对图像加椒盐噪声
%定义4种模板
%用4种模板进行滤波处理
%显示处理结果
显示了处理前的图和4种模板处理后的结果图。
（a）有噪声的图像
（b）模板1处理的结果图
（c）模板2处理的结果图
（d）模板3处理的结果图
（e）模板4处理的结果图
平滑处理的例子
图6.19 平滑处理的实例

（a）原始图像 （b）有噪声的图像 （c）用模板1处理后的图像

外部噪声和内部噪声。 平稳噪声和非平稳噪声。 高斯噪声、瑞利噪声、泊松噪声等。 白噪声、1/f噪声、三角噪声等。 加性噪声和乘性噪声。

（2）按统计特性是否随时间变化，可以分为


（3）按噪声幅度随时间分布形状来定义，有


（4）按噪声频谱形状来分类，有


（5）按噪声和信号之间的关系，可分为

2．MATLAB为图像加噪声的函数
图 最小均方差滤波器模板
其计算步骤如下 （1）按上图做出9个模板，计算出各自的方差。 （2）选出方差为最小的模板 （3）用该模板的灰度均值代替原像素的灰度值 其均值和方差公式如下
1 f N

i
fi
2
1 N
2 ( f f ) i
其中 是指对应的模板，N是模板中像素的数量。 该方法以方差作为各个邻域灰度均匀性的测度。若 邻域含有尖锐的边缘，它的灰度方差必定很大，而不 含边缘或灰度均匀的邻域，它的方差就很小，那么最 小方差所对应的邻域就是灰度最均匀邻域。因此通过 这样的平滑既可以消除噪声，又能够不破坏邻域边界 的细节。
例 题
1 2 3 6 3 1 6 8 9 3 0 2 9 7 6 0 8 3 4 5
γ=0.4
4
6
9
9
9
5
6
4
8 9 9
6
0 5 5
8
8 0 8
6
7 7 0
2
9
2
6
0
I 3.8 L0.4
8 5
原始信息L
CCD的输出信息I
• 如果不进行校正的话，会有11/25=44% 的数据畸变严重。 • 从上面的数据规律可以看出，会导致对比度的减小改善图像的视觉效果，或 将图像转换成一种更适合于人或机器进行 分析处理的形式。图像增强并不以图像保 真为准则，而是有选择地突出某些对人或 机器分析有意义的信息，抑制无用信息， 提高图像的使用价值。
图像增强研究的内容
灰度变换 点运算 直方图修正法 空间域 区域运算 锐化 高通滤波 频率域 图像增强 低通滤波
中值滤波是一种非线性运算。它对于消 除孤立点和线段的干扰十分有用。特别是对 于二进噪声尤为有效，对于消除高斯噪声的 影响效果不佳。对于一些细节较多的复杂图 像，还可以多次使用不同的中值滤波，然后 通过适当的方式综合所得的结果作为输出， 这样可以获得更好的平滑和保护边缘的效果。 【例】选用3×3的窗口进行中值滤波。 解：程序如下：
【例】分别采用上述4种模板对图像进行处理
解：程序如下：
I1 = imread(‘g:\Miss.bmp'); I=imnoise(I1,'salt & pepper'); imshow(I); h1= [0.1 0.1 0.1; 0.1 0.2 0.1; 0.1 0.1 0.1]; h2=1/16.*[1 2 1;2 4 2;1 2 1]; h3=1/8.*[1 1 1;1 0 1;1 1 1]; h4=1/2.*[0 1/4 0;1/4 1 1/4;0 1/4 0]; I2=filter2(h1,I); I3=filter2(h2,I); I4=filter2(h3,I); I5=filter2(h4,I); figure,imshow(I2,[]) figure,imshow(I3,[]) figure,imshow(I4,[]) figure,imshow(I5,[])
巴特沃兹滤波器
无
很轻
一般
图6.21 指纹图像的频率域增强
（a）指纹原图
（b）频率域增强后的指纹图像
频率域图像增强
理想低通滤波器举例
理想低通滤波器举例--振铃现 象
巴特沃斯低通滤波器 n=2
高斯低通滤波器
频率域图像增强

低通滤波器的应用实例：模糊,平滑等
字符识别：通过模糊图像，桥接断裂字符的裂缝 印刷和出版业：从一幅尖锐的原始图像产生平滑、柔和的 外观，如人脸，减少皮肤细纹的锐化程度和小斑点 处理卫星和航空图像：尽可能模糊细节，而保留大的可识 别特征。低通滤波通过消除不重要的特征来简化感兴趣特 征的分析
3 注意事项：
能够进行锐化处理的图像必须要求有较高的信噪 比，否则图像锐化后，图像信噪比更低。
6.5 图像锐化
空间域处理: 所谓空间域处理是直接在图像域内利用各种微分算 子实现图像的边缘增强。 频域处理： 所谓频域处理是在频域内通过各种高通滤波器的滤 波处理来实现图像的边缘增强。
50
（a） 原图 中值滤波
（b）结果图
6.4.3 边界保持类滤波 1. K近旁均值滤波器（KNNF） 该算法的思想是：在m×m的窗口中，属于同 一集合类的像素，他们的灰度值将高度相关。基于 此思想，被处理的像素（对应于窗口中心的像素） 可以用窗口内与中心像素灰度最接近的k个邻近像 素的平均灰度来代替。 其步骤如下： （1）作一个m×m的作用模板。 （2）在其中选择K个与待处理像素的灰度差为最小 的像素。 （3）用这K个像素的灰度均值替换掉原来的值。
由于图像的细节也趋向于高频段，所以选 择低通滤波器的截止频率时要特别小心， 兼顾解决降噪和保持图像细节的矛盾。
图6.20 频率域平均去噪原理框图
2）典型低通滤波器 a 理想低通滤波
1 H u, v 0 D u ,v D0 D u ,v D0
2）典型低通滤波器 振铃程度 理想的低通滤波器 梯形滤波器 指数滤波器 严重 较轻 无 图像模糊 程度 严重 轻 较轻 噪声平 滑效果 最好 好 一般
I CL

log I r log L C

即logI与logL成线性关系。选线性区的 斜率来计算γ值。
tan
1.3 γ校正方法
2）实际中 γ值的确定方法

通常CCD的γ值在0.4 ~ 0.8之间，γ值 越小，画面的效果越差。根据画面对比 度的观察与分析，可以大致得到该设备 的γ值（或依据设备的参考γ值）。
平滑
同态滤波增强
假彩色增强 彩色增强 伪彩色增强 彩色变换增强 代数运算
6.4 平滑（Smoothing）

区域增强算法包括

平滑算法和锐化算法。
低通滤波可以对图像进行平滑去噪处理 高通滤波可对图像进行边缘锐化处理。 邻域平均法 中值滤波 边界保持类滤波等。