图像增强的研究及发展现状毕业论文

图像增强的研究及发展现
状毕业论文
目录
摘要....................................................... 错误!未定义书签。

Abstract ..................................................... 错误!未定义书签。

第1章绪论.. (2)
1.1 课题背景 (2)
1.2 图像增强的研究及发展现状 (4)
1.3 论文工作容 (5)
本章小结..................................................... 错误!未定义书签。

第二章图像增强的基本理论 (6)
2.1 数字图像的基本理论 (6)
2.1.1数字图像的表示 (6)
2.1.2图像的灰度 (7)
2.1.3灰度直方图 (7)
2.2 数字图像增强概述 (8)
2.3 图像增强概述 (10)
2.3.1图像增强的定义 (10)
2.3.2常用的图像增强方法 (11)
2.4 图像增强流程图 (13)
本章小结 (14)
第三章图像增强方法与原理 (15)
3.1 图像变换 (15)
3.1.1离散图像变换的一般表达式 (15)
3.1.2 离散沃尔什变换 (16)
3.2 灰度变换 (17)
3.2.1 线性变换 (18)
3.2.2分段线性变换 (18)
3.2.3非线性变换 (19)
3.3 直方图变换 (20)
3.3.1直方图修正基础 (20)
3.3.2直方图均衡化 (22)
3.3.3直方图规定化 (24)
3.4 图像平滑与锐化 (25)
3.4.1平滑 (25)
3.4.2 锐化 (26)
本章小结 (28)
第四章图像增强算法与实现 (29)
4.1 灰度变换 (29)
4.2 直方图均衡化 (32)
4.3 平滑算法 (33)
4.4 锐化 (35)
本章小结 (36)
结论 (38)
致谢 (39)
参考文献 (41)
附录1 译文 (43)
附录2 英文参考资料 (51)
附录3 源程序代码 (67)
第1章绪论
在网络发展迅速的今天，Google可以搜索到与“image”一词有关的容有五千多万条，然而，“image”至今还没有一个精确的定义。

甚至在webster 词典中，“图像(image)”被等同于“图形(picture)”，被模糊的定义为“一种对绘画或摄影的简单表示”。

人类对于图像的认识和利用还停留在一个较低的层次，对于图像处理技术甚至图像定义本身还需要更多更深入的研究[1]。

1.1 课题背景
数字图像处理技术是20世纪60年代随着计算机技术和VLS（Very Large Scale Integrator}的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用中都取得了巨大的成就[1]。

视觉是人类最重要的感知手段，图像又是视觉的基础。

早期图像处理的目的是改善图像质晕，它以人为对象，以改善人的视觉效果为目的。

图像处理中输入的是质量低的图像，输出的是改善质量后的图像。

常用的图像处理方法有图像增强、复原、编码、压缩等。

首次获得成功应用的是美国喷气推进实验室（JPL）。

他们对航天探测器徘徊者7号在1964年发回的几千月球照片进行图
像处理，如：几何校正、灰度变换、去除噪声，并考虑了太阳位和月球环境的影响，由计算机成功地绘出月球表面地图，获得了巨大的成功。

随后又对探测飞船发回的近十万照片进行更为复杂的图像处理，获得月球的地形图、彩色图及全景镶嵌图，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。

在以后的宇航空间技术探测研究中，数字图像处理技术都发挥巨大的作用[11]。

数字图像处理技术取得的另一个巨大成就是在医学上。

1972年英国EMI 公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）,CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。

1975年EMI 公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。

1979年，这项无损伤诊断技术被授予诺贝尔奖，以表彰它对人类做出的划时代贡献。

从20世纪70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理技术向更高、更深层次发展。

人们已开始研究如何用计算机系统解释图像，类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。

很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少的重要的研究成果。

其中代表性的成果是70年代末MIT的Marr 提出的视觉计算理沦，这个理论成为计算机视觉领域其后十多年的主导思想[3]。

20世纪80年代末期，人们开始将其应用于地理信息系统，研究海图的自动读入、自动生成方法。

数字图像处理技术的应用领域不断拓展。

数字图像处理技术的大发展是从20世纪90年代初开始的。

自1986年以来，小波理论和变换方法迅速发展，它克服r傅里叶分析不能用于局部分析等方面的不足之处，被认为是调和分析半个世纪以来工作之结晶。

Ma11at于1988年有效地将小波分析应用于图像分解和重构。

小波分析被认为是信号，图像分析在数学方法上的重大突破。

随后数字图像处理技术迅猛发展，到目前为止，图像处理在图像通讯、办公自动化系统、地理信息系统、医疗设备、卫星照片传输及分析和工业自动化领域的应用越来越多。

进入21世纪，随着计算机技术的迅猛发展和相关理论的不断完善，数字图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就。

属于这些领域的有航空航天、生物医学、机器人视觉、公安司法、军事制导、文化艺术等。

该技术成为一门引人注目、前景远大的新学科。

1.2 图像增强的研究及发展现状
图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。

从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量[4]。

处理后的图像是否保持原状已经是无关紧要的了，不会因为考虑到图像的一些理想形式而去有意识的努力重现图像的真实度。

图像增强的目的是增强图像的视觉效果，将原图像转换成一种更适合于人眼观察和计算机分析处理的形式。

它一般要借助人眼的视觉特性，以取得看起来较好地视觉效果，很少涉及客观和统一的评价标
准。

增强的效果通常都与具体的图像有关系，靠人的主观感觉加以评价[6]。

图像增强处理的应用已经渗透到医学诊断、航空航天、军事侦察、指纹识别、无损探伤、卫星图片的处理等领域。

如对x射线图片、CT影像、窥镜图像进行增强，使医生更容易从中确定病变区域，从图像细节区域中发现问题；对不同时间拍摄的同一地区的遥感图片进行增强处理，侦查是否有敌人军事调动或军事装备及建筑出现；在煤矿工业电视系统中采用增强处理来提高工业电视图像的清晰度，克服因光线不足、灰尘等原因带来的图像模糊、偏差等现象，减少电视系统维护的工作量。

图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用[5]。

在图像处理过程中，图像增强是十分重要的一个环节。

本文的主要容就是围绕图像增强部分的一些基本理论和算法而展开。

基于MATLAB的图像增强算法研究。

1.3 论文工作容
图像增强的过程往往也是一个矛盾的过程：图像增强既希望去除噪声又增强边缘。

但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。

传统的图像增强算法在确定转换函数时常是图像变换、灰度变换、直方图变换、图像平滑与锐化、色彩增强等。

常用的一些图像增强方法是学习图像增强的基础，至今它们对于改善图像质量仍发挥着重要的作用。

本文着重研究了
这些增强方法对图像进行增强处理，针对图像增强的普遍性问题，研究和实现常用的图像增强方法及其算法，讨论不同的增强算法的适用场合，并对其图像增强方法进行性能评价。

全文共分六章，具体安排如下。

第一章引言。

介绍图像增强技术的课题背景和意义、本文的研究容。

第二章图像增强的基本理论。

阐述图像增强中用到的有关数字图像的一些基本概念；概述常用的一些图像增强方法及其特点，如灰度变换、直方图均衡化。

第三章图像增强方法与原理。

针对图像增强过程中遇到的问题，提出相应的解决方法。

第四章图像增强算法与实现。

最后是总结与致谢，论文的结尾附有源程序代码。

第二章图像增强的基本理论
2.1 数字图像的基本理论
2.1.1数字图像的表示
图像并不能直接用计算机来处理，处理前必须先转化成数字图像。

早期一般用picture代表图像，随着数字技术的发展，现在都用image代表离散化了的数字图像。

由于从外界得到的图像多是二维（2-D ）的，一幅图像可以用一个2-D 数组),(y x f 表示。

这里x 和y 表示二维空间X 、Y 中一个坐标点的位置，而f 则代表图像在点),(y x 的某种性质数值。

为了能够用计算机对图像进行处理，需要坐标空间和性质空间都离散化。

这种离散化了的图像都是数字图像，即),(y x f 都在整数集合中取值。

图像中的每个基本单元称为图像的元素，简称像素[3]。

2.1.2图像的灰度
常用的图像一般是灰度图，这时f 表示灰度值，反映了图像上对应点的亮度。

亮度是观察者对所看到的物体表面反射光强的量度。

作为图像灰度的量度函数),(y x f 应大于零。

人们日常看到的图像一般是从目标上反射出来的光组成的，所以),(y x f 可看成由两部分构成：入射到可见场景上光的量；场景中目标对反射光反射的比率。

确切地说它们分别称为照度成分),(y x i 和反射成分),(y x r 。

),(y x f 与),(y x i 和),(y x r 都成正比，可表示成),(y x f ＝),(y x i ×),(y x r 。

将二维坐标位置函数),(y x f 称为灰度。

入射光照射到物体表面的能量是有限的，并且它永远为正，即0<),(y x i < ；反射系数为0时，表示光全部被物体吸收，反射系数为1时，表示光全部被物体反射，反射系数在全吸收和全反射之间，即0<),(y x r <1。

因此图像的灰度值也是非负有界的[7]。

2.1.3灰度直方图
灰度直方图是数字图像处理中一个最简单、最有用的工具，它反映了数字图像中每一灰度级与其出现频率之间的统计关系。

可以有针对性地通过改变直方图的灰度分布状况，使灰度均匀地或按预期目标分布于整个灰度围空间，从
而达到图像增强的效果[16]。

灰度直方图是灰度值的函数，描述的是图像中具有该灰度值的像素的个数，如图2.1所示，（b）为图像（a）的灰度直方图，其横坐标表示像素的灰度级别，纵坐标表示该灰度出现的频率（像素的个数）。

（a） (b)
图2.1 a为原图像 b为a的灰度直方图
2.2 数字图像增强概述
随着数字技术的不断发展和应用，现实生活中的许多信息都可以用数字形式的数据进行处理和存储，数字图像就是这种以数字形式进行存储和处理的图像。

利用计算机可以对它进行常现图像处理技术所不能实现的加工处理，还可以将它在网上传输，可以多次拷贝而不失真[8]。

数字图像处理亦称为计算机图像处理，指将图像信号转换成数字格式并利用计算机对其进行处理的过程。

数字图像处理系统主要由图像采集系统、数字计算机及输出设备组成[5]。

如图2.2所示。

（图要自己画）
图2.2 数字图像处理系统
图2.2仅仅是图像处理的硬件设备构成，图中并没有显示出软件系统，在图像处理系统中软件系统同样是非常重要的。

在图像获取的过程中，由于设备的不完善及光照等条件的影响，不可避免地会产生图像降质现象。

影响图像质量的几个主要因素是：
(1)随机噪声，主要是高斯噪声和椒盐噪声，可以是由于相机或数字化设备产生，也可以是在图像传输过程中造成的；
(2)系统噪声，由系统产生，具有可预测性质；
(3)畸变，主要是由于相机与物体相对位置、光学透镜曲率等原因造成的，可以看作是真实图像的几何变换。

数字图像处理流程如图2.3所示，从一幅或是一批图像的最简单的处理，如特征增强、去噪、平滑等基本的图像处理技术，到图像的特征分析和提取，进而产生对图像的正确理解或者遥感图像的解译，最后的步骤可以是通过专家的视觉解译，也可以是在图像处理系统中通过一些知识库而产生的对图像的理解[9]。

图2.3 图像处理流程图
数字图像处理技术起源比较早，但真正发展是在八十年代后，随着计算机技术的高速发展而迅猛发展起来。

到目前为止，图像处理在图像通讯、办公自动化系统、地理信息系统、医疗设备、卫星照片传输及分析和工业自动化领域
的应用越来越多。

但就国的情况而言，应用还是很不普遍，人们主要忙于从事于理论研究，诸如探索图像压缩编码等，而对于将成熟技术转化为生产力方面认识还远远不够。

California大学的Tony chen教授认为，目前国际上最常用的三种图像处理框架是：基于变换的图像处理框架；基于偏微分方程（PDE）的图像处理框架；基于统计学的图像处理框架。

其中基于变换的图像处理框架主要在实现图像压缩上有优势，而基于偏微分方程（PDE）的图像处理框架在图像的噪声去除、边缘提取、图像分割上有优势。

事实上，除了这三种工具以外，数学形态学、神经网络等学科在图像去噪及图像分割方面也存在特有的优势[10]。

2.3 图像增强概述
2.3.1图像增强的定义
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的信息的处理方法，也是提高图像质量的过程[9]。

图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。

图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。

但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的[10]。

传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。

这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较
小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。

2.3.2常用的图像增强方法
图像增强可分成两大类：频率域法和空间域法。

前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。

采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。

具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声[9]。

图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征，使图像与视觉响应特性相匹配。

在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。

图像增强技术根据增强处理过程所在的空间不同，可分为基于空间域的算法和基于频率域的算法两大类。

基于空间域的算法处理时直接对图像灰度级做运算；基于频率域的算法是在图像的某种变换域对图像的变换系数值进行某种修正，是一种间接增强的算法[9]。

基于空间域的算法分为点运算算法和邻域去噪算法。

点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态围，扩展对比度。

邻域增强算法分为图像平滑和锐化两种。

平滑一般用于消除图像噪声，但是也容易引起边缘的模糊。

常用算法有均值滤波、中值滤波。

锐化的目的在于突出物体的边缘轮廓，便于目标识别。

常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等[9]。

(1)直方图均衡化
有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。

这时可以通过直方图均衡化将图像的灰度围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。

(2)对比度增强法
有些图像的对比度比较低，从而使整个图像模糊不清。

这时可以按一定的规则修改原来图像的每一个像素的灰度，从而改变图像灰度的动态围。

(3)平滑噪声
有些图像是通过扫描仪扫描输入或传输通道传输过来的。

图像中往往包含有各种各样的噪声。

这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。

这些噪声的存在直接影响着后续的处理过程，使图像失真。

图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模所有像素点灰度值的中间值代替[9]。

(4)锐化
平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用模板和统计差值的方法，使图像增强
锐化。

图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，通过高通滤波器去除低频分量，也可以达到图像锐化的目的[10]。

2.4 图像增强流程图
图2-1 图像增强流程图
本章小结
对图像增强基本理论进行了阐述，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的信息的处理方法，也是提高图像质量的过程。

图像增强可分成两大类：频率域法和空间域法。

本章对图像增强的基本理论进行了逐步分析，阐明了图像的增强方法的种类及常用的几种
方法。

第三章 图像增强方法与原理
3.1 图像变换
人与电脑对事物的理解是不同的，对于人来说，文字信息要比图像信息抽象，但是对于电脑来说，图像信息要比文字信息抽象。

因此，对于计算机来说，要对图像进行处理，并不是一件容易的事情。

为了快速有效的对图像进行处理和分析，我们通常都需要对图像进行一些变换，把原来的图像信息变为另一形式，使计算机更容易理解、处理和分析。

这种变换就是所谓的图像变换。

图像变换是指图像的二维正交变换，它在图像增强、复原、编码等方面有着广泛的应运。

如傅立叶变换后平均值正比于图像灰度的平均值，高频分量则表明了图像中目标边缘的强度和方向，利用这些性质可以从图像中抽取出特征；又如在变换域中，图像能量往往集中在少数项上，或者说能量主要集中在低频分量上，这时对低频成分分配较多的比特数，对高频成分分配较少的比特数，即可实现图像数据的压缩编码。

3.1.1离散图像变换的一般表达式
对于二维离散函数
),(y x f x=0,1,2,…,M-1；y=0,1,2,…,N-1 (3.1)
有变换对
∑∑-=-==1
010)
,,,(),(),(N y M x v y u x g y x f v u T (3.2)
u=0，1，2，…，M-1 v ＝0，1，2，…，N-1
∑∑-=-==1010),,,(),(),(N v M u v y u x h v u T v u T (3.3)
x=0，1，2，…，M-1 y ＝0，1，2，…，N-1
变换核可分离的离散图像变换表示为：
⎪⎪⎪⎩⎪⎪⎪⎨⎧-=-==-=-==∑∑∑∑-=-=-=-=1,2,1,01,2,1,0),(),(),(),(1,2,1,01,2,1,0)
,(),(),(),(102110102110N y M x v y h v u T u x h y x f N v M u v y g y x f y x g v u T N v M u N y M x (3.4)
如此，二维离散变换就可以用两次一维变换实现。

3.1.2 离散沃尔什变换
由于傅立叶变换的变换核由正弦余弦函数组成，运算速度受影响。

要找另一种正交变换，要运算简单且变换核矩阵产生方便。

Walsh Transform 矩阵简单，只有1和－1，矩阵容易产生，有快速算法[1]。

一维离散沃尔什变换
假如N=2n
，则离散 f(x) （ x=0,1, 2,…,N-1）的沃尔什变换 ∑-=---=∑-=10
)(110)()1)((1)(N x u b b i n n i x i x f N u W u=0，1，2，…，N-1 (3.5)
∑-=---=∑-=10)()(110)1)((1)(N u u b x b i n n i i u W N x f x=0，1，2，…，N-1 (3.6)
二维离散沃尔什变换
∑∑-=-==1
010)
,,,(),(),(N y M X v y u x g y x f v u W (3.7)
（u=0,1,2…,M-1 v=0,1,2…,N-1）
∑∑-=-==1010),,,(),(),(N v M u v y u x h v u W y x f (3.8)
（x=0,1,2…,M-1 y=0,1,2…,N-1）
这里假定了M=2m ，N ＝2n
从上式可知，反正变换核具有可分离性，即 ),(),(),(),(),,,(),,,(2121v y h u x h v y g u x g v y u x h v y u x g ===
)]
()([)]()([11
111
1)1(1
)1(1
v b x b u b x b j n n i j i m m i i N M ---+---+∑-∑-= (3.9) 所以，二维离散沃尔什变换可由两次变换来实现。

3.2 灰度变换
灰度变换可使图像动态围增大，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。

基于点运算的灰度变换可表示为[1]：
)],([),(y x f T y x g = (3.10)
其中T 被称为灰度变换函数，它描述了输入灰度值和输出灰度值之间的转换关系。

一旦灰度变换函数确定，该灰度变换就被完全确定下来。

灰度变换包含的方法很多，如逆反处理、阈值变换、灰度拉伸、灰度切分、
灰度级修正、动态围调整等。

虽然它们对图像的处理效果不同，但处理过程中都运用了点运算，通常可分为线性变换、分段线性变换、非线性变换。

3.2.1 线性变换
假定原图像f(x,y)的灰度围为[a,b]，变换后的图像g(x,y)的灰度围线性的扩展至[c,d]，如图3 .11所示。

则对于图像中的任一点的灰度值P(x,y)，变换后为g(x,y)，其数学表达式如下所示[1]。

c a y x f y x g a b c
d +-⨯=--]),([),( (3.11) 若图像中大部分像素的灰度级分布在区间[a,b]，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 b y x f a c a y x f a y x f o c y x g a b c d max ),(,),(]),([),(),( (3.12) 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围，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。

3.2.2分段线性变换
为了突出图像中感兴趣的目标或灰度区间，相对抑制不感兴趣的灰度区间，可采用分段线性变换，它将图像灰度区间分成两段乃至多段分别作线性变换。

进行变换时，把0-255整个灰度值区间分为若干线段，每一个直线段都对应一个局部的线性变换关系。

如图3.1所示，为二段线性变换，(a)为高值区拉伸，(b)为低值区拉伸[9]。