第6章 图像增强

（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。

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
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

数字图像往往要经过采集、处理、存储、 传输等一系列加工变换，而由电气系统和 外界引入的图像噪声也将在这些过程中随 之引入，可能严重影响图像的质量。 这些过程将使得图像噪声的精确分析变得 十分复杂。 图像噪声消除或减低在图像预处理中的地 位显得十分重要


1．图像噪声的分类

（1）按其产生的原因，可以分为
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）。
设CCD的输入（入射光强度）为L，输出（电 流强度）为I，则有：
I CL

当我们得到信号I之后，必须对其进行校正， 使得后面处理的信息为L或估计的近似L。
1.2 γ校正的原理
I C L L C I 1/
• 因此，γ校正的关键是确定γ值。
1.3 γ校正方法
1. γ值的确定 1）理论确定方法

函数形式为


J = imnoise(I, type, parameters)
其中，

I为原图像的灰度矩阵，J为加噪声后的灰度矩 阵。
type为噪声种类，parameters是允许修改的参数， 可以默认。


type可以有五种。
6.4 平 滑
平滑是一种区域增强的算法 ，平滑算法 有：邻域平均法，中值滤波和边界保持类滤 波等。 6.4.1 邻域平均法 大部分的噪声都可以看作是随机信号， 它们对图像的影响可以看作是孤立的。对于 某一像素而言，如果它与周围像素点相比， 有明显的不同，我们就认为该点被噪声感染 了。
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 பைடு நூலகம் 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
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 1 1 1 H 1 10 1 2 1 1 1 1
1 2 1 1 H 2 16 2 4 2 1 2 1
0 0 1 1 1 H4 2 4 1 4 1 0 0 4
1 4
1 1 1 1 H 3 8 1 0 1 1 1 1
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
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：
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。

从频率域看，



本节将介绍



6.4 图像噪声
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
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
%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
准确，那么我们来看一下， γ 值不准确 时，进行校正后的图像效果。
图像空间域锐化
1 1 1 1 9 1 1 1 1
6.5 图像锐化
1 目的: 使边缘和轮廓线模糊的图像变得清晰，从而使其 细节清晰。 2 图像锐化的方法 1）微分运算
2）加重高频分量来使图像清晰
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
【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,[])
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。


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。
均值降噪
补充1

图像的γ校正
我们知道，数字图像信息的获取通常都 是通过光电传感器(如：CCD)来完成的。 但是，由于传感器的输入输出特性不是 线性的。所以，如果不进行校正处理的 话，将无法得到好的图像效果。
（同理，加洗照片不对颜色进行校正配准，所以效果 都会略差一些）
1.1 光电传感器的输入输出特性



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
第6章 图像的增强
目的
采用一系列技术去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
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。
（d）用模板2处理后的图像 （e）用模板3处理后的图像（f）用模板4处理后的图像
2．频率域分析

对式（4.29）进行二维DFT，则将空间域的 卷积关系转化为频率域的乘法关系： G(u, v) = H(u, v) F(u, v)

式中，H(u, v) = DFT[h(u, v)]为低通滤波器。