图像增强技术综述-毕业论文

《图像增强技术综述-毕业论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

数字图像处理期中论文图像增强技术综述学院信息工程学院专业电子信息工程方向信息处理方向姓名学号中国传媒大学年月日 图像增强技术综述内容摘要数字图像处理是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。图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。关键词：图像增强直方图增强对比度增强平滑锐化彩色图像增强AbstractDigitalimageprocessingistheproceduresofconvertingimagesignalintodigitalformat,thenusingthecomputertoprocessit.Imageenhancementisdigitalimageprocessingprocessoftenuseamethodtoimproveimagequality,itplaysanimportantrole.Thisarticlefirstintroducestheprincipleofimageenhancementandclassification，andthenfocusonseveralmethodstostudysuchasandhistogramenhancement,contrastenhancement,smoothingandsharpening,andothercommonlyusedinlearningthebasicdigitalimageWiththeapproach,throughMatlabexperimentthattheactualeffectofvariousalgorithmstocomparetheadvantagesanddisadvantagestodiscussthedifferentenhancementalgorithm.Theapplicationofoccasions,anditsimageenhancementmethodofperformanceevaluation.Keywords:ImageEnhancementhistogramenhancementcontrastenhancementsmoothingsharpening1图像增强概述1.1图像增强背景及意义 在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降，即图像失真。在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、相对运动、大气流动等都会使图像模糊，传输过程中会引入各种类型的噪声。总之输入的图像在视觉效果和识别方便性等方面可能存在诸多问题，这类问题不妨统称为质量问题。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。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。1.2图像增强的应用目前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、内窥镜图像进行增强，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。2图像增强的基本理论2.1图像增强的定义为了改善视觉效果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施称为图像增强。一般情况下，图像增强是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。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。2.2图像增强的分类及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。 　　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，可分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内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。　　基于空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，或扩大图像动态范围，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。2.3常用的图像增强方法（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范围分开，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范围，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象素的灰度，从而改变图像灰度的动态范围。（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内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内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内所有像素点灰度值的中间值代替。（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。3数字图像的基本概念3.1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数组表示。这里x和y表示二维空间XY中一个坐标点的位置，而f则代表图像在点 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，即都在整数集合中取值。图像中的每个基本单元称为图像那元素，简称像素。3.2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和反射成分。与和都成正比，可表示成＝×。将二维坐标位置函数称为灰度。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<<；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<<1。因此图像的灰度值也是非负有界的。3.3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范围空间，从而达到图像增强的效果。4图像增强方法及算法4.1直方图增强灰度变换是图像增强的一种重要手段，使图像对比度扩展，图像更加清晰，特征更加明显。灰度级的直方图给出了一幅图像概貌的描述，通过修改灰度直方图来得到图像增强。4.1.1直方图图像的直方图是图像的重要统计特征，它可以认为是图像灰度密度函数的近似。图像的灰度直方图是反映一幅图像的灰度级与出现这种灰度级的概率之间的关系的图形。灰度直方图是离散函数，一般的来讲，要精确的得到图像的灰度密度函数是比较困难的，在实际中，可以使数字图像灰度直方图来代替。归纳起来，直方图主要有一下几点性质： （1）直方图中不包含位置信息。直方图只是反应了图像灰度分布的特性，和灰度所在的位置没有关系，不同的图像可能具有相近或者完全相同的直方图分布。（2）直方图反应了图像的整体灰度。直方图反应了图像的整体灰度分布情况，对于暗色图像，直方图的组成集中在灰度级低（暗）的一侧，相反，明亮图像的直方图则倾向于灰度级高的一侧。直观上讲，可以得出这样的结论，若一幅图像其像素占有全部可能的灰度级并且分布均匀，这样的图像有高对比度和多变的灰度色调。（3）直方图的可叠加性。一幅图像的直方图等于它各个部分直方图的和。（4）直方图具有统计特性。从直方图的定义可知，连续图像的直方图是一位连续函数，它具有统计特征，例如矩、绝对矩、中心矩、绝对中心矩、熵。（5）直方图的动态范围。直方图的动态范围是由计算机图像处理系统的模数转换器的灰度级决定。MATLAB图像处理工具箱提供了imhist函数来计算和显示图像的直方图，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4.1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）。图4.1当图像对比度较小时，它的灰度直方图只在灰度轴上较小的一段区间上非零，较暗的图像由于较多的像素灰度值低，因此它的直方图的主体出现在低值灰度区间上，其在高值灰度区间上的幅度较小或为零，而较亮的图像情况正好相反。4.1.2直方图均衡化直方图均衡化过程如下：（1）计算原图像的灰度直方图； （2）计算原图像的灰度累积分布函数，进一步求出灰度变换表；（3）根据灰度变换表，将原图像各灰度级映射为新的灰度级。在MATLAB中，histeq函数可以实现直方图均衡化。该命令对灰度图像I进行变换，返回有N级灰度的图像J，J中的每个灰度级具有大致相同的像素点，所以图像J的直方图较为平坦，当N小于I中灰度级数时，J的直方图更为平坦，缺省的N值为64。以下展示了直方图均衡化的效果：图4.2从直方图统计可以看出，原始图的灰度范围大约是110到250之间，灰度分布的范围比较狭窄，所以整体上看对比度比较差，而直方图均衡化后，灰度几乎是均匀的分布在0到255的范围内，图像明暗分明，对比度很大，图像比较清晰明亮，很好的改善了原始图的视觉效果。优势：能够使得处理后图像的概率密度函数近似服从均匀分布，其结果扩张了像素值的动态范围，是一种常用的图像增强算法。不足：不能抑制噪声。4.1.3图像二值化图像的二值化处理就是将图像上的像素点的灰度值设置为0或255，也就是讲整个图像呈现出明显的黑白效果。 将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。下图为图像二值化的效果：图4.34.2对比度增强对比度增强是图像增强技术中一种比较简单但又十分重要的方法。这种方法是按一定的规则修改输入图像每一个像素的灰度，从而改变图像灰度的动态范围。它可以是灰度动态范围扩展，也可以使其压缩，或者是对灰度进行分段处理，根据图像特点和要求在某段区间中进行压缩在另外区间进行扩展。例如，观察图4.4可以发现，该图的对比度不高其灰度直方图没有低于35或高于210的值，如果将图像数据映射到整个灰度范围内，则图像的对比度将大大增大。图4.4 设输入图像为f(x,y)，处理后的图像为g(x,y)，则对比度增强可以表示为下面的数学变幻式：g(X,Y)=T[f(X,Y)]其中T表示输入图像和输出图像对应点的灰度映射关系。实际中由于曝光不足或成像系统非线性的影响，通常照片或电子系统生成图像对比对不良，利用对比度增强变换可以有效地改善图像的质量。4.2.1灰度调整1.imadjust函数MATLAB软件中，imadjust函数可以实现图像的灰度变换，通过直方图变换调整图像的对比度。其中，gamma为校正量r，为原图像中要变换的灰度范围，指定了变换后的灰度范围。以下展示了常用对比度扩展法的结果：图4.5 从图4.5【原图】可以看出原始图像动态范围较小，整体较暗，反映在直方图上像素主要集中在低灰度的一侧，如【原图的灰度直方图】所示。经过对比度调整，图像变亮，可以看到更多的细节如图【原图直方图均衡化】和【均衡后的灰度直方图】所示。优势：可以充分利用图像中的亮度信息，明显改善图像质量，是一种常用的图像增强算法。不足：对于受噪声影响明显的图像，该算法增强效果不明显。即不能有效地抑制噪声。而且，仅仅利用了图像中的局部信息。从原理上讲，我们也可以用一些数学上的非线性函数进行变换，如平方、指数、对数等，但其中有实际意义的还是对数变换。2．对数变换对数变化常用来扩展低值灰度，压缩高值灰度，这样可以使低值灰度的图像细节更容易看清。对数变换的表达式为：g(x,y)=log[f(x,y)+1]运用对数变换的结果如图4.6:图4.6从图像对数变换前后的效果比较，可以知道，对数变换确实能够扩展低值灰度，而压缩高值灰度，使低值灰度的图像细节更容易看清。3指数变换指数变换可以扩展低值灰度，压缩高值灰度，也可以扩展高值灰度，压缩低值灰度，但是由于与人的视觉特性不太相同，因此不常采用。4.2.2Gamma校正Gamma校正也是数字图像处理中常用的图像增强技术。Imadjust函数中的gamma因子即是这里所说的Gamma校正的参数。Gamma因子的取值决定了输入图像到输出图像的灰度映射方式，即决定了增强低灰度还是增强高灰度。当Gamma等于1时，为线性变换。 图4.74.3平滑滤波平滑技术用于平滑图像中的噪声。平滑噪声可以在空间域中进行，基本方法是求像素灰度的平均或中值。为了既平滑噪声又保护图像信号，也有一些改进的技术，比如在频域中运用低通滤波技术。4.3.1线性滤波输出图像的值等于输入图像滤波后值的局部平均，各个项具有相同的权。下面是平滑窗口分别为矩形和圆形的情况。对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑噪声技术。用一像素邻域内各像素灰度平均值来代替该像素原来的灰度，即是邻域平均技术。另外，频域处理的基础是频域滤波，例如，理想的低通滤波器：其中。 如图4.8(a)为线性平滑滤波的例子：图4.8(a)如图4.8(b)为利用低通邻域平均模板进行平滑的例子：图4.8(b)优势：实现简单，去噪效果明显。不足：去噪的同时会导致结果图像边缘位置的改变和细节模糊甚至丢失。4.3.2非线性滤波中值滤波是一种最常用的图像增强技术，是非线性滤波。对椒盐噪声有很好的去噪效果。下图是加高斯噪声后，中值滤波和平均滤波的滤波效果对比： 图4.9(a)如图可见，对于高斯噪声，均值滤波效果比均值滤波效果好。原因：(1)高斯噪声是幅值近似正态分布，但分布在每点像素上。(2)因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。(3)因为正态分布的均值为0，所以均值滤波可以消除噪声。（实际上只能减弱，不能消除。）但对于椒盐噪声，中值滤波效果比均值滤波效果好。原因：(1)椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。(2)中值滤波是选择适当的点来替代污染点的值，所以处理效果好。(3)因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。中值滤波是基于一个移动窗口并计算输入图像在窗口内的像素亮度值的中值作为输出图像窗口中心的像素值而产生的。给定的图像f(x,y)中的每一个点（m,n），取其领域s。设s含有M个像素{a1，a2，⋯，aM}，将其按大小排序，若M是奇数时，则位于中间的那个象素值就是修改后图像g(x,y)在点（m,n）处的像素值；若M是偶数则取中间两个象素的平均值作为修改后图像g(x,y)在点（m,n）处的象素值。我们在这里先人为的加上一些噪声，然后在matlab中实现中值滤波的效果图如下： 图4.9(b)比较经过加入椒盐噪声的图像和经过中值滤波的图像，可以发现，图像的噪声点被去除；但是比较原始图像和经过滤波的图像后会发现，图像的边缘稍微的变得模糊，这是平滑算法不可避免的缺点。下图为高通滤波边缘增强的例子：图4.9(c) 优势：去噪效果明显，并且能够较好的保持图像边缘位置和细节。不足：非线性滤波算法的实现相对线性滤波比较困难。4.4锐化图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算以突出图像细节使图像变得更为清晰。由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的慢变化区域。因此，锐化处理可选择拉普拉斯算子对原图像进行处理产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像。拉普拉斯锐化的基本方法可以由下式表示：这种简单的锐化方法既可以产生拉普拉斯锐化处理的效果，同时又能保留背景信息：将原始图像叠加到拉普拉斯变换的处理结果中去，可以使图像中的各灰度值得到保留、灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节。图4.10展示了在MATLAB中进行图像锐化的处理结果：图4.10比较原始模糊图像和经过拉氏算子运算的图像，可以发现，图像模糊的部分得到了锐化，特别是模糊的边缘部分得到了增强，边界更加明显。但是，图像显示清楚的地方，经过滤波发生了失真，这也是拉氏算子增强的一大缺点。4.5利用sym4函数进行小波变换进行图像增强某些传统图像增强方法往往带来比较严重的负效应。为此，人们一直在寻找更好的图像增强方法。小波分析因其分析信号的“数学显微镜’、多分辨分析能力，与图像增强的结合成为一种必然。 基于小波分析的图像增强，就是突出图像的边缘细节，尽可能的消除负面因素，从而达到增强图像的目的。基于小波分析的图像增强是采用小波变换，对低频成分进行特殊处理，以增强图像中的目标信息。效果如图4.11所示：图4.114.6彩色增强用于增强图像对比度的方法很多，要根据应用目的加以选择。伪彩色变换是增强图像显示效果和提高视觉分辨率的一种常用的、最有效的手段，但伪彩色增强不可能增加图像的有效信息；伪彩色增强的视觉效果由所选择的彩色映射决定，在选择映射函数时，尽可能使三通道的函数不相关。伪彩色处理增强视觉效果明显，常用于医学、遥感图像显示。真彩色图像增强需要考虑彩色特征空间的选择，同样的运算在不同的特征空间效果不同。4.6.1伪彩色增强伪彩色（pseudocolor），非彩色图像（灰度、二值）人为映射成彩色图像。伪彩色增强是将一个波段或单一的黑白图像变换为彩色图像，从而把人眼不能区分的微小的灰度差别显示为明显的色彩差异，更便于解译和提取有用信息。伪彩色增强的方法主要有以下三种：(1)密度分割法：　　密度分割或密度分层是伪彩色增强中最简单的一种方法，它是对图像亮度范围进行分割，使一定亮度间隔对应于某一类地物或几类地物从而有利于图像的增强和分类。它是把黑白图像的灰度级从0（黑）到M0(白)分成N个区间Li,i=1,2,…,N。给每个区间Li指定一种彩色Ci，这样，便可以把一幅灰度图像变成一幅伪彩色图像。此法比较直观简单，缺点使变换出的彩色数目有限。(2)空间域灰度级－彩色变换：　　空间域灰度级－彩色变换是一种更为常用的、比密度分割更有效的伪彩色增强法。它是根据色度学的原理，将原图像的灰度分段经过红、绿、蓝三种不同变换，变成三基色分量，然后用它们分别去控制彩色显示器的红、绿、蓝电子枪，便可以在彩色显示器的屏幕上合成一幅彩色图像。彩色的含量由变换函数的形状而定。(3)频率域伪彩色增强：　　频率域伪彩色增强时先把黑白图像经傅立叶变换到频率域，在频率域内三个不同传递特性的滤波器分离成三个独立分量，然后对它们进行逆傅立叶变换，便得到三幅代表不同频率分量的单色图像，接着对这三幅图像作进一步的处理（直方图均衡化），最后将它们作为三基色分量分别加到彩色显示器的红、绿、蓝显示通道，从而实现频率域分段的伪彩色增强。 效果如图：图4.124.6.2真彩色增强真彩色(true-color)是指图像中的每个像素值都分成R、G、B三个基色分量，每个基色分量直接决定其基色的强度，这样产生的色彩称为真彩色。例如图像深度为24，用R:G:B=8:8:8来表示色彩，则R、G、B各占用8位来表示各自基色分量的强度，每个基色分量的强度等级为28=256种。图像可容纳224=16M种色彩。这样得到的色彩可以反映原图的真实色彩，故称真彩色。图4.134.6.3假彩色增强假彩色:有三种形式第一，把真实景物图像的象元逐个地映射为另一种颜色。第二，把多光谱图像中任三个光谱图像映射为可见光rgb，在合成为一幅彩色图像第三，把黑白图像，用灰度级映射或频谱映射而成为类似真实彩色的处理。伪彩色，相当于假彩色中的一个特例，即指定某灰度为某种彩色。相当于第三中形式。 图4.145图像增强小结　　增强图象中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。　　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。　　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，可分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内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。　　基于空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，或扩大图像动态范围，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。 源程序：1、图4.1%灰度直方图I=imread('D:imagerice.bmp');%读取图像subplot(2,1,1);Imshow(I);%显示图像title('(a)原图');subplot(2,1,2);imhist(I);%绘制图像的灰度直方图title('(b)原图的灰度直方图');2、图4.2%灰度直方图均衡化I=imread('D:imagebubbles.bmp');%读取图像subplot(2,2,1);Imshow(I);%显示图像title('原图');subplot(2,2,2);imhist(I);%绘制图像的灰度直方图title('原图的灰度直方图');subplot(2,2,3);J=histeq(I,64);%对图像进行均衡化处理，返回有64级灰度的图像JImshow(J);%显示图像title('原图直方图均衡化');subplot(2,2,4);imhist(J);%绘制图像的灰度直方图title('均衡后的灰度直方图');3、图4.3%图像二值化（选取一个域值，(5)将图像变为黑白图像）I=imread('beauty.tif');bw=im2bw(I,0.5);%选取阈值为0.5subplot(1,3,1);imshow(I);title('原图');subplot(1,3,2);imshow(bw);title('显示二值图像');J=find(I<150);I(J)=0;J=find(I>=150);I(J)=255; subplot(1,3,3);imshow(I);title('图像二值化(域值为150）');4、图4.5%imadjust函数I=imread('D:imagerice.bmp');%读取图像subplot(2,2,1);Imshow(I);%显示图像title('原图');subplot(2,2,2);imhist(I);%绘制图像的灰度直方图title('原图的灰度直方图');subplot(2,2,3);J=imadjust(I,[0.30.7],[]);%对图像进行灰度变换Imshow(J);%显示图像title('原图直方图均衡化');subplot(2,2,4);imhist(J);%绘制图像的灰度直方图title('均衡后的灰度直方图');5、图4.6%对数变换I=imread('beauty.tif');%读取图像I=mat2gray(I);%对数变换不支持uint8类型数据，将一个矩阵转化为灰度图像的数据格式(double)J=log(I+1);subplot(1,2,1);Imshow(I);%显示图像title('原图');subplot(1,2,2);Imshow(J);title('对数变换后的图像')6、图4.7%Gamma校正fori=0:255;f=power((i+0.5)/256,1/2.2);LUT(i+1)=uint8(f*256-0.5);endimg=imread('gg.bmp');img0=rgb2ycbcr(img);R=img(:,:,1);G=img(:,:,2);B=img(:,:,3); Y=img0(:,:,1);Yu=img0(:,:,1);[xy]=size(Y);forrow=1:xforwidth=1:yfori=0:255if(Y(row,width)==i)Y(row,width)=LUT(i+1);break;endendendendimg0(:,:,1)=Y;img1=ycbcr2rgb(img0);R1=img1(:,:,1);G1=img1(:,:,2);B1=img1(:,:,3);subplot(1,2,1);imshow(img);%显示图像title('原图');subplot(1,2,2);imshow(img1);title('Gamma后的图像')7、图4.8（a）%线性平滑滤波I=imread('beauty.tif');J=imnoise(I,'salt&pepper',0.02);subplot(221),imshow(I)title('原图像')subplot(222),imshow(J)title('添加椒盐噪声图像')K1=filter2(fspecial('average',3),J)/255;%应用3*3邻域窗口法subplot(223),imshow(K1)title('3x3窗的邻域平均滤波图像')K2=filter2(fspecial('average',7),J)/255;%应用7*7邻域窗口法subplot(224),imshow(K2)title('7x7窗的邻域平均滤波图像')图4.8（b）%利用低通邻域平均模板进行平滑I=imread('girl.bmp');I=rgb2gray(I); subplot(1,3,1);imshow(I);title('原图');J=fspecial('average');J1=filter2(J,I)/255;subplot(1,3,2);imshow(J1);title('3*3滤波');K=fspecial('average',9);K1=filter2(K,I)/255;subplot(1,3,3);imshow(K1);title('9*9滤波');8、图4.9(a)%中值滤波和平均滤波I=imread('girl.bmp');I=rgb2gray(I);J=imnoise(I,'gaussian',0,0.01);subplot(2,2,1);imshow(I);title('原图');subplot(2,2,2);imshow(J);title('noise');K=fspecial('average',5);K1=filter2(K,J)/255;subplot(2,2,3);imshow(K1);title('平均滤波');L=medfilt2(J,[35]);subplot(2,2,4);imshow(L);title('中值滤波');图4.9(b)%二维中值滤波hood=3;[P,map]=imread('leno.bmp');I=rgb2gray(P);imshow(I,map);noisy=imnoise(I,'salt&pepper',0.05);%加入强度为0.05的椒盐噪声subplot(221);imshow(noisy,map); title('加入椒盐噪声');filtered1=medfilt2(noisy,[hoodhood]);%3×3窗口二维中值滤波subplot(222);imshow(filtered1,map);title('3×3窗口');hood=5;filtered2=medfilt2(noisy,[hoodhood]);%5×5窗口二维中值滤波subplot(223);imshow(filtered2,map);title('5×5窗口');hood=7;filtered3=medfilt2(noisy,[hoodhood]);%7×7窗口二维中值滤波subplot(224);imshow(filtered3,map);title('7×7窗口');I=imread('leno.bmp');figure;imshow(I);title('原图');图4.9(c)%高通滤波边缘增强I=imread('girl.bmp');I=rgb2gray(I);subplot(2,2,1);imshow(I);title('originalpic');J=fspecial('average',3);J1=conv2(I,J)/255;subplot(2,2,2);imshow(J1);title('3*3lowpass');K=fspecial('prewitt');K1=filter2(K,J1)*5;subplot(2,2,3);imshow(K1);title('prewitt');L=fspecial('sobel');L1=filter2(L,J1)*5;subplot(2,2,4);imshow(L1);title('sibel');9、图4.10 %锐化a=imread('dowels.tif');subplot(131);imshow(a);title('原图');b=double(a);%将图像矩阵转化为double类型s=size(b);c=zeros(s(1,1),s(1,2));forx=2:s(1,1)-1fory=2:s(1,2)-1c(x,y)=(-b(x+1,y)-b(x-1,y)-b(x,y+1)-b(x,y-1)+4*b(x,y));endend%用拉氏算子对图像进行滤波，这个过程相当于运用了一个3×3的掩膜[0，－1，0；－1，4，－1；0，－1，0]subplot(132);imshow(c);title('Laplace锐化滤波图像');d=b+c;%当拉普拉斯掩膜中心系数为正时，增强图像为原图像于拉氏算子滤波图像之和d=uint8(d);%将图像矩阵变回uint8格式subplot(133);imshow(d);title('Laplace锐化滤波结果');10、图4.11%利用sym4函数进行小波变换进行图像增强x=imread('dowels.tif');subplot(121);imshow(x);title('原始图像');%画出原图像%对图像进行N层分解[c,l]=wavedec2(x,3,'sym4');c_size=size(x);%弱化不重要的分解系数，增强重要的分解系数，这里假设阈值选取为kfori=1:c_size(2)if(c(i)>2)c(i)=2*c(i);%这里假设增强两倍elsec(i)=0.5*c(i);endend%重构图像x1=waverec2(c,l,'sym4');subplot(122); imshow(x1,[]);title('增强图像');11、图4.12%伪彩色增强I=imread('dowels.tif');figure;imshow(I);title('原图');X=grayslice(I,16)figure;imshow(X,hot(16));title('伪彩色增强');12、图4.13%真彩色图像的分解RGB=imread('peppers.png');subplot(221),imshow(RGB)title('原始真彩色图像')subplot(222),imshow(RGB(:,:,1))title('真彩色图像的红色分量')subplot(223),imshow(RGB(:,:,2))title('真彩色图像的绿色分量')subplot(224),imshow(RGB(:,:,3))title('真彩色图像的蓝色分量')13、图4.14%假彩色增强处理[RGB]=imread('peppers.png');imshow(RGB);RGBnew(:,:,1)=RGB(:,:,3);RGBnew(:,:,2)=RGB(:,:,1);RGBnew(:,:,3)=RGB(:,:,2);subplot(121);imshow(RGB);title('原图');subplot(122);imshow(RGBnew);title('假彩色增强');