图像增强理论
图像增强—灰度变换及直方图均衡化试验目的试验原理及知识点
图像增强—灰度变换及直方图均衡化一、实验目的1、了解图像增强的目的及意义，加深对图像增强的感性认识，巩固所学理论知识。
2、掌握直接灰度变换的图像增强方法。
3、掌握灰度直方图的概念及其计算方法；4、掌握直方图均衡化的计算过程；二、实验原理及知识点1、图像增强是指按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。
其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。
图像增强可以在空间域中执行，也可以在变换域中执行。
2、空间域指的是图像平面本身，在空间域内处理图像是直接对图像的像素进行处理。
空间域处理方法分为两种：灰度级变换、空间滤波。
空间域技术直接对像素进行操作，其表达式为g(x,y)=T[f(x,y)]其中f(x,y)为输入图像，g(x,y)为输出图像，T是对图像f进行处理的操作符，定义在点(x,y)的指定邻域内。
定义点(x,y)的空间邻近区域的主要方法是，使用中心位于(x,y)的正方形或长方形区域。
此区域的中心从原点(如左上角)开始逐像素点移动，在移动的同时，该区域会包含不同的邻域。
T应用于每个位置(x,y)，以便在该位置得到输出图像g。
在计算(x,y)处的g值时，只使用该领域的像素。
2、灰度变换T的最简单形式是使用领域大小为1×1，此时,(x,y)处的g值仅由f在该点处的亮度决定，T也变为一个灰度变换函数。
由于灰度变换函数仅取决于亮度的值，而与(x,y)无关，所以亮度函数通常可写做如下所示的简单形式：s=T(r)其中，r表示图像f中相应点(x,y)的亮度，s表示图像g中相应点(x,y)的亮度。
灰度拉伸又叫对比度拉伸是最基本的一种灰度变换，使用简单的分段线性变换函数，可以提高灰度的动态范围，适用于低对比度图像的处理，增强对比度。
3、直方图是多种空间城处理技术的基础。
直方图操作能有效地用于图像增强。
除了提供有用的图像统计资料外，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。
图像处理中的图像增强算法比较研究
图像处理中的图像增强算法比较研究引言：图像增强是图像处理领域的重要任务之一。
图像增强旨在提升图像的视觉质量和可读性。
随着科技的进步，图像增强算法得到了广泛的应用。
本文将比较几种常见的图像增强算法，分析其优缺点，并探讨其在不同应用场景中的适用性。
一、直方图均衡化算法直方图均衡化是一种常用的图像增强方法，通过对图像的像素强度进行转换，使得像素的直方图分布更均匀。
该算法可以扩展图像的动态范围，增强图像的对比度。
优点：1. 简单易实现：直方图均衡化算法的原理简单，易于实现。
2. 高效性：直方图均衡化可以快速地对图像进行处理，适用于实时应用。
3. 对细节增强效果好：直方图均衡化算法能够增强图像的对比度，使得图像细节更加清晰。
缺点：1. 无法保持局部对比度：直方图均衡化算法是全局算法，无法保持图像的局部对比度。
2. 易产生过增强现象：在某些情况下，直方图均衡化算法容易使得图像的背景过亮或过暗。
3. 非线性处理：直方图均衡化是一种非线性处理方法，可能对图像的灰度分布造成较大的变化。
适用场景：1. 增强图像对比度：直方图均衡化算法可以有效增强图像的对比度，使得图像更加清晰。
2. 实时图像处理：由于直方图均衡化算法的高效性，适用于实时图像处理应用。
3. 对细节要求不高的图像：直方图均衡化算法具有一定的局限性，适用于对细节要求不高的图像。
二、拉普拉斯金字塔增强算法拉普拉斯金字塔增强算法是一种基于金字塔理论的图像增强方法。
该算法通过构建图像的拉普拉斯金字塔，对不同层次的图像进行增强处理，最后再重建原始图像。
优点：1. 保留了图像的细节：拉普拉斯金字塔增强算法通过在不同层次上增强图像，可以有效地保留图像的细节。
2. 自适应性：该算法可以根据不同图像的特点自适应地进行增强处理。
3. 对边缘提取效果好：拉普拉斯金字塔增强算法对于边缘的提取有良好的效果。
缺点：1. 计算复杂度高：拉普拉斯金字塔增强算法需要构建金字塔结构，并进行多次图像卷积操作，计算复杂度较高。
图像增强-数字图像处理
图像增强
2.图像噪声的特点 (1)噪声在图像中的分布和大小不规则,即具有随机性。 (2)噪声与图像之间一般具有相关性。 (3)噪声具有叠加性。
图像增强
3.3.2 模板卷积 模板操作是数字图像处理中常用的一种邻域运算方式,
灰度变换就是把原图像的像素灰度经过某个函数变换成 新图像的灰度。常见的灰度变换法有直接灰度变换法和直方 图修正法。直接灰度变换法可以分为线性变换、分段线性变 换以及非线性变换。直方图修正法可以分为直方图均衡化和 直方图规定化。
图像增强
3.1.1 线性变换 假定原图像f(x,y)的灰度范围为[a ,b],希望变换后图像
ቤተ መጻሕፍቲ ባይዱ
图像增强
例如,假定一幅大小为64×64、灰度级为8个的图像,其灰 度分布及均衡化结果如表3-1 所示,均衡化前后的直方图及变 换用的累积直方图如图3-10所示,则其直方图均衡化的处理 过程如下。
图像增强
图像增强 由式(3-12)可得到一组变换函数:
依此类推:s3=0.81,s4=0.89,s5=0.95,s6=0.98,s7=1.0。变换函 数如图3-10(b)所示。
图像增强
１
图像增强
图3-1 灰度线性变换
图像增强
图3-2 灰度线性变换示例
图像增强
3.1.2 分段线性变换 为了突出感兴趣的灰度区间,相对抑制那些不感兴趣的
灰度区间,可采用分段线性变换。常用的3段线性变换如图33所示,L 表示图像总的灰度级数,其数学表达式为
图像增强
图3-3-分段线性变换
图像增强
设r 为灰度变换前的归一化灰度级(0≤r≤1),T(r)为变换函 数,s=T(r)为变换后的归一化灰度级(0≤s≤1),变换函数T(r)满足 下列条件:
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。
利用直方图均衡化进行图像的增强[正文、开题、任务、翻译]
![利用直方图均衡化进行图像的增强[正文、开题、任务、翻译]](https://img.taocdn.com/s3/m/849895b076eeaeaad1f330cd.png)
BI YE SHE JI 利用直方图均衡化进行图像的增强院（系）：计算机科学与工程专业：计算机科学与技术班级：学生：学号：指导教师：任务书1.毕业设计（论文）题目：利用直方图均衡化进行图像的增强2.题目背景和意义：图像增强是数字图像处理技术中最基本的内容之一，是图像预处理方法之一，图像预处理是相对于图像识别、图像理解而言的一种前期处理，直方图均衡化就是把一已知灰度概率分布的图像经过一种变换，使之演变成一副具有均匀灰度概率分布的新图像。
清晰柔和的图像的直方图分布比较均匀。
为了使图像变得清晰，通常可以通过变换使图像的灰度动态范围增大，并且让灰度频率较小的灰度级经变换后，其频率变得大一些，使变换后的图像灰度直方图在较大的动态范围内趋于均化。
直方图均衡化处理是一种修改图像直方图的方法，它通过对直方图进行均衡化修正，可使图像的灰度间距增大或灰度均匀分布、增大反差，使图像的细节变得清晰。
本课题就是利用直方图均衡化进行图像的增强。
3.设计(论文)的主要内容（理工科含技术指标）：主要内容有：（1）了解、熟悉并掌握图像直方图、图像增强的概念。
（2）给一副图像，能够得到图像的直方图，并能够对图像进行直方图的均衡化，进而对图像进行增强，掌握其原理并实现其过程。
（3）完成不同色彩空间下均衡化效果的优劣对比，给出一个较好的均衡化算法。
（4）完成1.5万字毕业论文，完成与课题相关的外文资料的翻译。
4.设计的基本要求及进度安排（含起始时间、设计地点）：本次课题从2012年12月开始，在校内完成，具体的进度安排如下：第1～3周：查阅书籍资料，学习相关软件，准备开题报告。
第4周：分析设计任务，设计总体方案，研究算法。
第5～12周：模块设计、完成3000个单词以上的相关外文资料翻译；中期总结。
第13～15周：模块设计、系统调试。
第16～17周：系统测试、撰写毕业论文第18周：对论文排版和打印，制光盘；论文答辩。
5.毕业设计（论文）的工作量要求① 实验（时数）*或实习（天数）：② 图纸（幅面和张数）*：③ 其他要求：指导教师签名：年月日学生签名：年月日系（教研室）主任审批：年月日说明：1本表一式二份，一份由学生装订入附件册，一份教师自留。
运用计算机视觉技术进行图像增强的方法分享
运用计算机视觉技术进行图像增强的方法分享图像增强是计算机视觉领域中的一个重要任务，它旨在通过调整图像的各种属性和特性，提高图像的质量和可视化效果。
计算机视觉技术在图像增强中扮演着关键角色，它提供了各种方法和算法来改善图像的亮度、对比度、清晰度等关键特性。
在本文中，我们将探讨几种常见的运用计算机视觉技术进行图像增强的方法。
一、灰度变换灰度变换是最简单但也是最常见的图像增强方法之一。
通过对图像像素的灰度级进行变换，可以调整图像的亮度和对比度。
常用的灰度变换方法包括线性变换、非线性变换和直方图均衡化。
线性变换是通过对每个像素进行乘法和加法操作来改变图像的亮度和对比度。
常用的线性变换方法有亮度调整和对比度拉伸。
亮度调整可以通过将每个像素乘以一个常数来增加或减少亮度。
对比度拉伸则通过对像素值进行线性伸缩来增加图像的对比度。
非线性变换通常涉及到像素值的幂次、指数、对数等运算。
这些操作可以用来调整图像的亮度和对比度，同时改变像素值的分布。
例如，幂次变换可以通过将每个像素值的幂次来调整图像的亮度和对比度。
指数变换则可以用来调整图像的亮度和增强细节。
直方图均衡化是一种常用的非线性灰度变换方法，它通过调整图像的灰度级分布来增强图像的对比度。
直方图均衡化可以使图像的灰度级更均匀地分布在整个灰度范围内，从而提高图像的可视化效果。
二、滤波器应用滤波器应用是另一种常见的图像增强方法。
滤波器可以通过对图像进行卷积操作来改变图像的特征和属性。
常用的滤波器包括平滑滤波器、锐化滤波器和边缘检测滤波器。
平滑滤波器主要用于降低图像的噪声和去除细节。
平滑滤波器通过计算周围像素的平均值或加权平均值来减少图像的噪声。
常用的平滑滤波器包括均值滤波器和高斯滤波器。
锐化滤波器用于增强图像的细节和边缘。
锐化滤波器通过计算图像中不同方向的梯度，从而增强图像中的边缘信息。
常用的锐化滤波器包括拉普拉斯滤波器和Sobel滤波器。
边缘检测滤波器用于检测图像中的边缘和轮廓。
第4章 图像增强2
第4章 图像的增强 4.2 直接灰度变换 章
g (x, y) Mg d A c 0 a b f (x, y) Mf 0 a Mg
2. 分段线性变换
g (x, y) A f (x, y) b Mf
1) 对比度扩展
g (x, y) Mg f (x, y) 0 a Mf 0 Mg
2) 削波
g (x, y)
1 将非均匀密度变换为均匀密度 r
第4章 图像的增强 章
4.3 直方图修正法
2. 直方图均衡化
由概率论理论可知，如果已知随机变量 的概率密度为 的概率密度为p 由概率论理论可知，如果已知随机变量r的概率密度为 r(r),而 而 随机变量s是 的函数 的函数， 的概率密度 的概率密度p 可以由 可以由p 求出 求出。 随机变量 是r的函数，则s的概率密度 s(s)可以由 r(r)求出。 假定随机变量s的分布函数用 表示， 假定随机变量 的分布函数用Fs(s)表示，根据分布函数定义 的分布函数用 表示
f (x, y) a Mf
3) 阈值化
4) 灰度窗口变换
第4章 图像的增强 章
1. 灰度直方图 图像灰度直方图 直方图的作法
4.3 直方图修正法
1. 灰度直方图
直方图反映了图像的像素的灰度分布
rk = k , k = 0,1,L , L − 1 L −1
a)将图像的灰度级归一化 将图像的灰度级归一化
0.21 0.16 0.08 0.06 0.65 0.81 0.89 0.95 6 5 6 7 2→5 3,4→６ 3,4→６ 1023 0.25
5,6,7→7 850 985 448 0.21 0.24 0.11
第4章 图像的增强 章
pr(rk)
第五讲 图像增强
g(x, y) M ed f (x, y)
f (x, y)为二维数据序列， g(x, y)为窗口中心点滤波后的值。
图像增强
二维中值滤波比一维的更能抑制噪声。 一维中值滤波窗口比较单一，只是窗口的长度不 同；二维窗口的选择则有多种，如线性、方形、十字 形等。窗口的选择比较重要，不同的窗口有不同的滤 波效果。
图像的邻域平均：对原始图像的待处理像素点取 一个邻域（4像素或8像素），计算邻域内所有像素的 灰度值之和，然后求平均值作为待处理像素点进行邻 域平均运算后的灰度值。
其数学表达式为：
图像增强
gi, j 1 f x, y
M x, y S
f(x,y)为邻域内的像素， g(i,j)为邻域平均后的像 素，M为参与运算的像素的个数，也包括中心点在 内，S为该邻域。
图像增强
PS
S
＝Pr
r
dr dS
r
T
1
s
为了保证图像灰度直方图为均匀分布，即 PS(Biblioteka )=1，则灰度变换公式为：r
s T r pr d 0 r 1
0
图像增强
证明：ds dr
pr r
dr ds
1
pr r
ps s
pr r
1
pr r
r T 1 s
1,
0 s 1
例5－1：已知一幅图灰度级的概率分布密度，对其
令r代表原图像灰度, S代表经直方图修正后的图 像灰度，二者是归一化了的，则：0≤r,S ≤1 。
直方图修正函数可以表示为：S=T(r) 变换函数T(·)满足以下两个条件： 1、在有效区间内为单值单调增加函数；（保持由黑到白） 2、在有效区间内0≤ T(r) ≤1 。（灰度值在允许范围内） （T(r)可逆，r=T-1(S)）
15-16第三章图像处理技术(3.7 图像增强)
3.7 图像增强
3）空域滤波增强 空域滤波是在图像空间借助模板进行邻域操作完成，根 据其特点可分成线性滤波和非线性滤波两类。各种空域滤波 器根据功能可分成平滑和锐化滤波器。平滑滤波器可用低通 滤波实现。平滑的目的又可分为两类，一类是模糊化，目的 是在提取较大的目标前去除太小的细节或将目标内的小断点 连接起来。另一类是消除噪声。锐化可用高通滤波实现，锐 化的目的是为了增强模糊的细节。
可以证明，图像直方图的累积分布函数满足上述两 个条件并能将变换后的灰度值均匀地分布在灰度级范围 内
3.7 图像增强
直方图均衡化的实现步骤为: ➢ 统计图像各灰度值的计数，即得到图像的直方图。 ➢ 计算图像各灰度值的累积分布函数值。 ➢ 遍历原图像，对于图像中每个像素，都用该像素灰 度值对应的累积分布函数值与最大灰度值(如8位灰度图 像，这个最大值为5)的乘积来替换它。
3.7 图像增强
锐化(高通)滤波器:它能减弱或消除傅里叶空间的低 频分量，但不影响高频分量。因为低频分量对应图像中 灰度值缓慢变化的区域，因而与图像的整体特性，如整 体对比度和平均灰度值等有关，高通滤波器将这些分量 滤去可使图像锐化。
3.7 图像增强
① 平滑滤波器
图6、平滑滤波
a、均值滤波
3.7 图像增强
3.7 图像增强
图2、空域滤波与频域滤波的比较
3.7 图像增强
1、空域图像增强 空域法是直接对图像中的像素进行处理，从根本上说是 以图像的灰度映射变换为基础的。 以下将主要从空域变换、图像代数、空域滤波二个方面 进行展开，使读者对于使用空域点对点变换和直方图修正变 换来增强图像有一个系统深人的了解。其中空域变换包括直 接灰度变换和直方图处理，前者属于点对点变换，后者属于 直方图修正变换；图像代数是一种点对点变换；空域滤波实 际是一种频率域处理转化为空间域点对点模板预算的增强算 法。
图像处理理论与图像分析
图像处理理论是关于图像处理的基本原理和方法的研究。
它包括了图像获取、图像增强、图像压缩、图像复原以及图像分析等内容。
图像获取是指通过图像设备（如摄像机、扫描仪）获取到的原始图像数据。
图
像获取涉及到硬件设备的选择、参数设置等问题。
图像增强是指通过各种方法对原始图像进行改善，使得图像更加适合于后续处
理或观察。
图像增强可以通过增加图像的对比度、提高图像的清晰度等方式来实现。
图像压缩是指通过各种方法对图像数据进行压缩，以减少存储空间或传输带宽。
图像压缩方法可以分为有损压缩和无损压缩两种。
图像复原是指通过对损坏或退化的图像进行恢复，使其尽可能接近或恢复到原
始图像的状态。
图像复原涉及到图像的模型建立、退化模型的估计以及复原算法的设计等问题。
图像分析是指通过对图像进行特征提取、目标检测或目标识别等方式来获取图
像中包含的信息。
图像分析涉及到特征提取的方法、目标检测的算法以及目标识别的模型等内容。
总之，图像处理理论与图像分析是关于图像处理的基本原理和方法的研究，可
以应用于各种图像处理领域，如计算机视觉、医学影像处理、遥感图像分析等。
图像增强ppt课件
编辑课件
38
均值降噪
编辑课件
39
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）
编辑课件
一维窗口
编辑课件
28
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
编辑课件
29
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。
2）典型低通滤波器
理想的低通滤波器 梯形滤波器 指数滤波器
巴特沃兹滤波器
振铃程度 图像模糊 噪声平 程度 滑效果
严重
严重
最好
较轻
轻
好
无
较轻
一般
无
很轻
一般
编辑课件
17
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
编辑课件
18
频率域图像增强
编辑课件
19
理想低通滤波器举例
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
编辑课件
47
• 值得注意的是：所得到的 γ 值不一定 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。
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
图像增强基本理论综述
摘 要 ： 增强是数 字 图像 处理 的最基 本的方 法之 一， 图像 本文 总结 了图像 增强 的基本 理论 ， 并对 新的 图像增 强的 方法作 了 简单 介绍 。
Ａｂ ｔａ ｔ Ｉ ｇ ｅ ｈ ｎ ｅ ｎｔ ｓ ｆ ｎ ａ ｎｔｌ ｎ ｉ ｏｔｎ ｔｃ ｎ ｌｇ ｉ ｉ ｇ ｐ ｏ ｅ ｓｎ ｆｅｄ Ｓ ｆ ｎ ａ ｎｔｌ ｈ ｏｙ ｎ ｓｍｅ ｅ ｓｒ ｃ ： ｍａ ｅ ｎ ａ ｃ ｍｅ ｉ ａ ｕ ｄ ｍｅ ａ ａ ｄ ｍｐ ｒａ ｔ ｅ ｈ ｏｏ ｙ ｎ ｍａ ｅ ｒｃ ｓ ｉｇ ｉｌ ． ｏ ｕ ｄ ｍｅ ａ ｔｅ ｒ ａ ｄ ｏ ｎ ｗ
…【 ｆ ｆ ａ
，
＝
３ 图像 增 强 的基 本 理 论 图 像 增 强 技 术 主 要 包 括 ： 度 变换 ， 方 图修 正 ， 灰 直 图像 平 滑 ， 图
像 锐 化 及彩 色增 强 等 。从 图像 增 强 的作 用域 出发 可 分 为 两 类 ： 空 ① 除梯度算子 以外 ，还可采用 Ｒ ｂｒ 、ｒｗｔ和 Ｓｂ ｌ ｏ ｅ ｓＰｅ ｉ ｔ ｔ ｏ ｅ 算子计算 域 处理 法 ； 频域 处 理 法 。 ② 梯度 ， 未增 强边 缘 。 ３１空 间域 图像 增 强 技 术 空 间域 指 的是 平 面 本 身 ，空 间 域 图 ． ②高通滤波法。 高通滤波法就是用高通滤波算子和图像卷积来 像 增 强 方法 是 对 图像 的像 素 进行 处理 。 可 以定 义 为 ｆ ０ —１ ０ １ ｆ 一１ —１ —１ １ ｇｘＹ）ＴｆｘＹ】 （， ： 【 ，） （ （） １ 增强边缘。常用的算子有：Ｉｌ１５— Ｉ Ｈ＝— Ｈ：一 １ ２１１ ９— ｌ １ 其 中 ， ｘＹ 是输 入 图 像 ，（， ） 处理 后 的 图像 ， ｆ ，） （ ｇｘ Ｙ是 Ｔ是 对 ｆ 一 的 ０— ０ｊ １ 【１— １ 一 １— Ｊ 种 操作 。 空 间域 图 像增 强技 术 又 可 分 为点 处 理 和 邻域 处理 。 ３２频 域 图 像 增 强技 术 频 域 （ － 变换 域 ） 像 增 强 操 作 的 基 本原 图
遥感图像处理_第3讲(图像增强)
空间滤波
图像卷积运算 是在空间域上对图像作局部检测的运算， 以实现平滑和锐化的目的。具体作法是 选定一卷积函数，又称“模板”，实际 上是一个M×N图像。二维的卷积运算是 在图像中使用模板来实现运算的。
空间滤波
r (i, j ) (m, n)t (m, n)
m 1 n 1
从图像左上角开始开一与模板同样大小 的活动窗口，图像窗口与模板像元的亮 度值对应相乘再相加。假定模板大小为 M*N，窗口为Φ (m,n)，模板为t(m，n)， 则模板运算为: M N
线性变换
一般情况下，当线性 变换时，变换前图像 的亮度范围xa为a1～a2， 变换后图像的亮度范 围 xb 为 b1 ～ b2 ， 变 换 关系是直线，则变换 方程为
xb b1 xa a1 b2 b1 a2 a1
b2 b1 xb ( xa a1 ) b1 a2 a1
非线性变换
指数变换 其意义是在亮度值较高 的部分xa 扩大亮度间隔， 属于拉伸，而在亮度值 较低的部分xb 缩小亮度 间隔，属于压缩，其数 学表达式为
xb be
axa
c
a，b，c为可调参数，可以改变指数函数曲线 的形态，从而实现不同的拉伸比例。
非线性变换
对数变换 与指数变换相反，它的 意义是在亮度值较低的 部分拉伸，而在亮度值 较高的部分压缩，其数 学表达式为
数字图像增强
数字图象增强目的
增强目视效果 提高图像质量和突出所需信息，
有利于分析判读或作进一步的处理
数字图象增强
对比度变换 空间滤波 图像运算 多光谱变换
对比度变换
是一种通过改变图像像元的亮度值来改 变图像像元对比度，从而改善图像质量 的图像处理方法。因为亮度值是辐射强 度的反映，所以也称之为辐射增强。常 用的方法有对比度线性变换和非线性变 换。
数字图像处理 第四章图像增强
Pr（rk） 0.19 0.25 0.21 0.16 0.08 0.06
0.03
0.02
计算每个sk对应的像素数目 计算均衡化后的直方图
Tr
Sk并
sk
nsk Ps（sk）
0.19
1/7
0.44
3/7
S0=1/7 S1=3/7 S2=5/7
790 0.19 1023 0.25 850 0.21
0.65
✓ 校正后的原始图像 f (i, j) C g(i, j) gc(i, j)
9
灰度级校正注意问题：
对降质图像进行逐点灰度级校正所获得的图像， 其中某些像素的灰度级值有可能要超出记录器 件或显示器输入灰度级的动态范围，在输出时 还要采用其他方法来修正才能保证不失真地输 出。
降质图像在数字化时，各像素灰度级都被量化 在离散集合中的离散值上，但经校正后的图像 各像素灰度极值并不一定都在这些离散值上， 因此必须对校正后的图像进行量化。
），使得结果图像s的直方图Ps(s)为一个常数
Pr(r)
Ps(s)
直方图均衡化 T(r)
r
s
26
直方图均衡化理论基础
-1 由概率论可知，若Pr(r)和变换函数s=T(r)已知，r=T (s)是单 调增长函数，则变换后的概率密度函数Ps(s)可由Pr(r)得到：
分 布 函 数 Fs(s)sp（ s s） ds=rp（ r r） dr
✓ 计算均衡后的直方图
s k 计
T（ rk）
k
=
i 0
P（r
r
）
i
k i 0
ni n
s k并
round（ sk计 * (L L 1
1)）
j
- 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)。
第一章 绪论图像增强研究现状图像增强是图像处理的基本内容之一，图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是使得处理后的图像对某种特定的应用，比原始图像更合适。
处理的结果使图像更适应于人的视觉特性或机器的识别系统。
图像增强主要可分为三类:频域图像增强方法、小波域图像增强方法、空域图像增强方法。
1.1频域图像增强方法频域图像增强是对图像经傅立叶变换后的频谱成分进行操作，然后逆傅立叶变换获得所需结果。
其原理如下图所示：频域图像增强原理图常用的频域增强方法有低通滤波技术，是利用低通滤波器去掉反映细节和跳变性的高频分量。
但其在去除图像尖峰细节的同时也将图像边缘的跳变细节去除掉了，而使得图像较模糊。
低频滤波有理想低通滤波器、Butterworth 滤波器、指数滤波器等。
高通滤波器技术是利用高通滤波器来忽略图像中过度平缓的部分，突出细节和跳变等的高频部分，使得增强后的图像边缘信息分明清晰。
高通滤波技术进行增强处理后的图像，视觉效果不好，较适用于图豫中物体的边缘提取。
高通滤波器有理想高通滤波器、梯形滤波器、指数滤波器等。
频域增强方法中还有带通和带阻滤波、同态滤波等，一般是用来解决光动态范围过大或者光照不均而引起的图像不清等情况。
频域变换的基础是卷积处理，因此其基本原理为:设原始图像为),(y x f ，处理后图像为),(y x g ，而),(y x h 是线性不变算子。
则根据卷积定理，有:),(*),(),(y x h y x f y x g = （1-1） 其中*代表卷积。
若),(v u G 、),(v u H 、),(v u F 分别是),(y x g 、),(y x h 、),(y x f 的傅立叶变换，则上式的卷积关系表示成变换域中为:),(*),(),(v u F v u H v u G = （1-2）其中),(v u H 用线性系统理论来说，是转移函数。
在具体的增强中，),(y x f 是给定的，则),(v u F 也可通过变换求出。
而),(v u H 通过不同的滤波器来确定，则 由式(1-2)可得:)],(),([),(1v u F v u H F y x g -= （1-3）1.2小波域图像增强方法小波是近几年发展起来的一种时频分析工具，它同时具有时频局部化能力和多分辨率分析的能力，因此它更适用于信号处理领域。
之前的图像降噪大多采用低通滤波器直接滤除高频信息，因此使得在去除噪声的同时，也去掉了一些有用的高频信息，损失了图像的细节。
而采用小波进行去噪，由于其多分辨率特性，它用不同中心频率的带通滤波器对信号进行滤波，把主要反映噪声频率的尺度系数去掉，再把剩余尺度的系数结合起来做反变换，从而使得噪声得到很好的抑制。
小波的反锐化掩模法是一种即简单、增强效果也不错的方法，但该算法对噪声非常敏感，而且会出现过冲现象(处理后图像有很明显的人工处理痕迹)。
S.K.Mitra提出了一种基于Teager算法的非线性算子，来代替线性高通滤波器，对减小噪声和增强细节进行了这种考虑。
G.Ramponi提出了一种立方反锐化掩膜方法进行图像增强，该方法用一个对边缘敏感的平方滤波器算子乘以拉普拉斯算子，只增强局部亮度变化区域的图像细节，从而相对减少噪声。
柯丽等人提出了基于小波变换的图像增强方法，该算法主要针对CR图像，先将CR图像进行小波变换分解，针对各子图像的特征，对高频和低频部分采用不同的处理，最后进行小波变换得到增强后的CR图像。
董卫军等人提出了基于多小波的图像增强算法，由于多小波的对称性和短支撑性，因此多小波在图像处理方面比单小波更有优势。
1.3空域图像增强方法空域是指组成图像的像素的集合，空域图像增强直接对图像中像素灰度值进行运算处理，基本上是以灰度映射变换为基础的。
空域图像增强知识本文在第二章中会有详细介绍，这里简略介绍一下。
空域图像增强主要有灰度变换和直方图均衡化处理。
灰度变换的原理就是通过改变灰度的动态范围，达到增强图像灰度级细节部分的方法。
一般的变换函数包括线性变换、非线性变换、分段线性变换。
具体函数的选择与图像的成像系统和相应的应用场合有关。
直方图均衡化是空域图像增强中应用最广泛的一种方法，其基本原理是使得处理后的图像灰度级近似均匀分布，来达到图像增强效果。
但由于其变换函数采用的是累积分布函数，因此它产出的近似均匀直方图都很相似，这必然限制了它的功能。
为了适应图像的局部特性，基于局部变换的图像增强方法应运而生，如局部直方图均衡化、对比度受限自适应直方图均衡化、利用局部统计特性的噪声去除方法。
这些方法对图像细节部分的增强均有很好的效果，但均有一个共同的缺点，算法运算量较大，图像处理时间相对较长，使得这些算法不能适用于实时处理系统中。
近年来，一类基于直方图分割的算法受到大家的广泛关注，该算法处理图像的侧重点在处理后图像的亮度保持上，使得处理后图像更适合人眼特性观察。
但该方法应用到低照度图像增强上，对图像整体亮度的提高效果不明显。
第二章图像增强理论2.1引言图像增强是用来提高图像的视觉效果，或将图像转换成适用于人眼、机器分析的形式的一门技术。
目前，已有很多技术用于图像增强，但从传统的图像增强技术分类来看，总体上可以分为两个大类:空域增强方法和频域增强方法两大类。
空域增强方法是直接对图像中的像素进行处理，从根本上说是以图像的灰度映射变换为基础的，所用的映射变换类型取决于增强的目的。
频域增强方法首先将图像空间中的图像以某种形式转换到其他空间中，然后利用该空间的特有性质进行图像处理，最后再转换到原来的图像空间中，从而得到处理后的图像。
空间域增强方法因其处理的直接性，相对于频域增强复杂的空间变化，运算量相对要少一些，因此更广泛的应用于实际中。
（本章主要介绍了空间域增强中的一些基本方法，并对其中应用最广泛的直方图均衡化进行一定的改进，使其更适用于低照度图像的处理）。
（这里需要改进）2.2基本灰度变换灰度变换可使图像动态范围增大，对比度得到扩展，使图像清晰、特征明显，是图像增强的重要手段之一。
它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。
灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度变换函数进行之外，可以看作是“从像素到像素”的复制操作。
2.2.1背景知识在图像处理中，空域是指由像素组成的空间。
空域增强方法是直接对图像中的像素进行处理，从根本上说是以图像的灰度映射变换为基础的，所用的映射变换类型取决于增强的目的。
空域增强方法可表示为:Tfy(yg=(2-1)xx,)][(),其中)xg是处理后的图像，T是对f的一种操作，(y,,(yxf是输入图像，)其定义在)x的邻域。
另外，T能对输入图像集进行操作。
例如，为了增强整(y,幅图像的亮度而对图像进行逐个像素的操作。
定义一个点)(y,x点的正方形或矩形子(y,x邻域的主要方法是利用中心在)图像，如下图所示（缺图）。
图2-1图像中点)x的3(y,3⨯领域T操作最简单的形式是针对单个像素，这时也就是在11⨯领域中。
在这种情况下，g仅仅依赖于f在点)x的值，T操作成为灰度级变换函数，形式为:,(ys=(2-2)T(r)这里，令r和s是所定义的变量，分别是)g在任意点),(yxx的(y,(yx,f和)灰度级。
例如，如果)T有如图2-2(a)所示的形状，这种变换将会产生比原始图(r像更高的对比度，进行变换时，在原始图像中，灰度级低于m时变暗，而灰度级在m以上时变亮。
在这种对比度扩展技术里，在m以下的r值将被变换函数压缩在s的较窄范围内，接近黑色。
对m以上的r值执行相反的操作。
在极限情况下，如图2-2(b)所示，)T产生了两级(二值)图像。
这种形式的映射关系叫做阑值函(r数。
有的相当简单，却有很大作用，处理方法可以用灰度变换加以公式化。
因为在图像任意点的增强仅仅依赖于该点的灰度，这类技术常常是指点处理（缺图）。
图2-2对比度增强的灰度变换函数更大的邻域会有更多的灵活性。
一般的方法是，利用点),(y x 事先定义的邻域里的一个函数来决定g 在),(y x 的值，其公式化的一个主要方法是以利用所谓的模板(也指滤波器、核、掩模或窗口)为基础的。
从根本上说，模板是一个33⨯二维阵列，如图2-1所示，图中，模板的系数值决定了处理的性质，如图像尖锐化等。
以这种方法为基础的增强技术通常是指模板处理或滤波。
2.2.2线性变换假定原图像),(y x f 的灰度范围为],a [b ，变换后的图像),(y x g 的灰度范围线性的扩展至],[d c ，如图2-3所示。
则对于图像中的任一点的灰度值),(y x f ，一变换后为),(y x g ，其数学表达式如式2-3所示。
c y x f b cd y x g +-⨯--=]a ),([a),( (2-3) 若图像中大部分像素的灰度级分布在区间],a [b 内，max f 为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令⎪⎪⎩⎪⎪⎨⎧≤≤≤≤+-⨯--≤≤=f y x f b d by x f c y x f b c d y x f c y x g max ),(..........................................................),(a ......................]a ),([aa ),(0..........................................................),((2-4) 在曝光不足或过度的情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是一个模糊不清、似乎没有灰度层次的图像。
采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果（缺图）。
图2-3线性变换2.2.3非线性变换非线性变换是利用非线性变换函数对图像进行灰度变换，主要有对数变换、指数变换、幂次变换等。
对数变换，是指输出图像的像素点的灰度值与对应的输入图像的像素灰度值之间为对数关系，其一般公式为:)],(lg[),(y x f y x g = (2-5)为了增加变换的动态范围，在上述公式中可以加入一些调制参数，这时变换函数变为:cb y x f y x g ln ]1),(ln[a ),(⋅++= (2-6) 式中a 、b 、c 都是可以选择的参数，a 为Y 轴上的截距，确定了变换曲线的初始位置的变换关系，b 、c 两个参数确定变换曲线的变化速率。
对数变换在很大程度上压缩了图像像素值的动态范围，它较适用于过暗的图像。
指数变换函数1),(]a ),([-=-y x f c b y x g ，a 、b 、c 是按需要可以调整的参数。