图像增强课程设计.docx
《图像增强课程设计.docx》由会员分享，可在线阅读，更多相关《图像增强课程设计.docx（16页珍藏版）》请在冰豆网上搜索。
图像增强课程设计
数字图像处理课程报告
题目：
图像增强
姓名：
****
学号:
*********
*******
2011年10月20日
一、实验原理
图像增强是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和处理的形式。
例如采用一系列技术有选择地突出某些感兴趣的信息，同时抑制一些不需要的信息，提高图像的使用价值。
图像增强的首要目标是处理图像，使其比原图像更适合于特定应用。
图像增强方法从增强的作用域出发，可分为空间域增强和频率域增强两种。
1、空间域增强：
对图像像素进行直接处理，增强构成图像的像素。
空域处理可由定义式：
g（x,y）=T[f（x,y）]。
其中f（x,y）是输入图像，g（x,y）是处理后的图像，T是对f的一种操作，其定义在（x,y）的邻域。
此类方法包括基本灰度变换、直方图均衡处理、算术/逻辑操作增强、平滑空间滤波、锐化空间滤波，实验中采用了基本灰度变换、直方图均衡处理以及平滑空间滤波的方法，下面重点介绍这三种方法的基本原理。
（1）用直接灰度变换方法进行对比度增强，设计分段线性变换函数，做增强处理；直接灰度变换的常用方法有：
图像求反，对数变换，幂次变换，增强对比度，动态范围压缩，灰度切分。
本报告中采用图像求反的方法。
（2）在数字图像处理中，灰度直方图是最简单且最有用的工具，可以说，对图像的分析与观察直到形成一个有效的处理方法，都离不开直方图。
灰度直方图是灰度级的函数，描述的是图像中该灰度级的像素个数或该灰度级像素出现的频率，即：
横坐标表示灰度级，纵坐标表示图像中该灰度出现的个数或该灰度级像素出现的频率，这个关系图就是灰度直方图。
它反映了图像灰度分布的情况。
直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。
直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。
这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。
通过这种方法，亮度可以更好地在直方图上分布。
这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
（3）平滑滤波器用于模糊处理和减少噪声。
模糊处理经常用于预处理，例如，在提取大的目标之前去除图像中一些琐碎的细节、桥接直线或曲线的缝隙。
通过线性滤波器和非线性滤波器的模糊处理可以减小噪声。
采用线性滤波如邻域平滑滤波，对受到噪声污染而退化图像复原，在很多情况下是有效的。
但大多数线性滤波器具有低通特性，去除噪声的同时也使图像的边缘变模糊了。
而另一种非线性滤波器如中值滤波，在一定程度上可以克服线性滤波器所带来的图像模糊问题，在滤除噪声的同时，较好的保留了图像的边缘信息。
均值滤波：
把每个像素周围的8个像素来做均值操作，可以平滑图像，速度快，算法简单，但是无法去掉噪声，只能微弱的减弱它。
中值滤波：
是常用的非线性滤波方法，也是图像处理技术中最常用的预处理技术。
它在平滑脉冲噪声方面非常有效，同时它可以保护图像尖锐的边缘。
加权中值滤波器能够改进中值滤波的边缘信号保持效果。
2、频域增强方法：
将图像经傅立叶变换后的频谱成分进行处理，然后逆傅立叶变换获得所需的图像。
频域增强方法包括频域平滑滤波、频域锐化滤波和同态滤波。
图像的平滑除了在空间域中进行外，也可以在频率域中进行。
由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器H（u,v）来抑制高频成分，通过低频成分，然后再进行逆傅立叶变换获得滤波图像，就可达到平滑图像的目的。
常用的频域低通滤波器有理想低通滤波器、巴特沃斯低通滤波器、高斯低通滤波器。
二维理想低通滤波器的传递函数为：
D0是指定非负数值，D（u，v）是（u，v）点距频率中心的距离。
如果要研究的图像尺寸为MXN，则它的变换也有相同的尺寸。
在半径为D0的圆内，所有频率无衰减地通过滤波器，而在此半径之外的所有频率完全被衰减掉。
巴特沃斯低通滤波器的传递函数为：
式中D0为截止频率距远点距离。
一阶巴特沃斯滤波器没有振铃。
在二阶中振铃通常很微小，但在阶数增高时振铃便成为一个重要因素。
高斯低通滤波器传递函数为：
D（u，v）是距傅立叶变换中心原点的距离。
D0是截止频率。
高斯低通滤波器的傅立叶变换也是高斯的。
二、实验内容
1、图像求反函数：
（1）%x1=y1时斜率k=1的效果：
f1=imread（'0_lena.bmp'）;%读取原图像
f1=rgb2gray（f1）;%rgb2gray删除图像中的色调和饱和度信息而保留亮度信息，从而将图像转换为灰度图。
subplot（1,2,1）,imshow（f1）;title（'原图像'）;
x1=256;%设置求反函数灰度级的阈值
y1=256;
subplot（1,2,2）,plot（[0,x1],[y1,0]）%显示求反函数曲线
axistight,xlabel（'x'）,ylabel（'y'）
title（'图像求反函数曲线'）;
k=y1/x1;%取k=1
[m,n]=size（f1）;
fori=1:
m
forj=1:
n
x=f1（i,j）;
y（i,j）=0;
if（x>=0）&（x<=x1）
y（i,j）=y1-k*x;%求反函数表达式
else
y（i,j）=0;
end
end
end
figure,imshow（mat2gray（y））%使用mat2gray函数实现图像矩阵的归一化操作
显示结果：
经过求反后的图像
（2）x11的效果：
x1=200,x1=150,x1=100效果对比如下：
X1=200时X1=150时X1=100时
（3）x1>y1时斜率k<1的效果：
x1=400,x1=350,x1=300效果对比如下：
X1=400时X1=350时X1=300时
结果分析：
从显示结果中可以看出使用这种方法可以倒转图像的强度，可产生图像反转的对等图像，而且当y1一定时，x1越大图像越亮。
这种处理尤其适用于增强嵌入于图像暗色区域的白色或灰色细节，特别是当黑色面积占主导地位时。
2、统计原图的灰度直方图，并利用直方图均衡方法进行图象增强；
f=imread（'0_lena.bmp'）;
b=rgb2gray（f）;%rgb2gray删除图像中的色调和饱和度信息而保留亮度信息，从而将图像转换为灰度图
subplot（2,2,1）;imshow（b）;title（'原图像'）;
subplot（2,2,2）;imhist（b）;title（'原图像灰度直方图'）;%利用imhist（）函数统计原图的灰度直方图
axis（[025501600]）;
g=histeq（b）;%利用histeq（）函数直方图均衡。
subplot（2,2,3）;imshow（g）;title（'均衡后图像'）;
subplot（2,2,4）;imhist（g）;title（'均衡后图像灰度直方图'）;
axis（[025501600]）;
实验结果：
结果分析：
比较均衡前后两幅图像以及各自的灰度直方图，可以明显看出：
直方图均衡有提高图像对比度的效果，把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
3、利用Matlab函数IMNOISE（），在原图上分别叠加高斯噪声和椒盐噪声，对比线性平滑滤波器和非线性平滑滤波器（中值滤波）的性能；
（1）线性平滑滤波
加入高斯噪声后的均值滤波：
利用MATLAB为用户提供的专门函数实现均值滤波。
源程序：
h=imread（'mag.JPG'）;%读入图片
subplot（2,2,1）,imshow（h）;%显示原始彩色图片
c=rgb2gray（h）;%把彩色图片转化成灰度图片，256级
subplot（2,2,2）,imshow（c）,title（'原灰度图像'）;%显示原始灰度图像
g=imnoise（c,'gaussian',0.1,0.01）;%加入高斯噪声
subplot（2,2,3）,imshow（g）,title（'加入高斯噪声之后的图像'）;%显示加入高斯噪声之后的图像
A=fspecial（'average',3）;%生成系统预定义的3X3滤波器
Y=filter2（A,g）/255;%用生成的滤波器进行滤波，并归一化
subplot（2,2,4）,imshow（Y）,title（'均值滤波后的图像'）;%显示滤波后的图像
结果显示：
加入椒盐噪声后的均值滤波：
h=imread（'mag.JPG'）;%读入图片
subplot（2,2,1）,imshow（h）;%显示原始彩色图片
c=rgb2gray（h）;%把彩色图片转化成灰度图片，256级
subplot（2,2,2）,imshow（c）,title（'原灰度图像'）;%显示原始灰度图像
g=imnoise（c,'salt&pepper',0.05）;%加入椒盐噪声
subplot（2,2,3）,imshow（g）,title（'加入椒盐噪声之后的图像'）;%显示加入椒盐噪声之后的图像
A=fspecial（'average',3）;%生成系统预定义的3X3滤波器
Y=filter2（A,g）/255;%用生成的滤波器进行滤波，并归一化
subplot（2,2,4）,imshow（Y）,title（'均值滤波后的图像'）;%显示滤波后的图像
显示结果：
结果分析：
均值滤波算法简单，可以直接使用。
这种方法可以平滑图像，速度快，但是无法去掉噪声，只能微弱的减弱它。
滤波后的图像还是有很多噪声。
（2）非线性平滑滤波
加入高斯噪声后的中值滤波：
img=imread（'c1.png'）;%读入图片
img_0=rgb2gray（img）;%把彩色图片转化成灰度图片，256级
img_1=imnoise（img_0,'gaussian',0.1,0.01）;%加入高斯噪声
img_2=medfilt2（img_1）;%图像经过中值滤波
subplot（2,2,1）;imshow（img）;title（'原始图像'）;
subplot（2,2,2）;imshow（img_0）;title（'灰度图像'）;
subplot（2,2,3）;imshow（img_1）;title（'加入噪声后图像'）;
subplot（2,2,4）;imshow（img_2）;title（'中值滤波后图像'）;
显示结果：
加入椒盐噪声后的中值滤波：
img=imread（'c1.png'）;%读入图片
img_0=rgb2gray（img）;%把彩色图片转化成灰度图片，256级
img_1=imnoise（img_0,'salt&pepper',0.05）;%加入椒盐噪声
img_2=medfilt2（img_1）;%图像经过中值滤波
subplot（2,2,1）;imshow（img）;title（'原始图像'）;
subplot（2,2,2）;imshow（img_0）;title（'灰度图像'）;
subplot（2,2,3）;imshow（img_1）;title（'加入噪声后图像'）;
subplot（2,2,4）;imshow（img_2）;title（'中值滤波后图像'）;
显示结果：
线性与非线性对比：
对比以上滤波前后的图像，可以看出非线性滤波有更好的去噪声的效果。
4、频域图像增强
（1）理想低通滤波器函数：
h=imread（'0_lena.bmp'）;%读入图片
c=rgb2gray（h）;%把彩色图片转化成灰度图片，256级
figure,imshow（c）,title（'原始灰度图像'）;%显示原始图像
s=fftshift（fft2（c））;%进行傅立叶变换
[M,N]=size（s）;%·分别返回s的行数到M中，列数到N中
n1=floor（M/2）;%对M/2进行取整
n2=floor（N/2）;%对N/2进行取整
%ILPF滤波，d0=5，15，30（程序中以d0=30为例）
d0=30;%初始化d0
fori=1:
M
forj=1:
N
d=sqrt（（i-n1）^2+（j-n2）^2）;%点（i,j）到傅立叶变换中心的距离
ifd<=d0%点（i，j）在通带内的情况
h=1;%通带变换函数
else%点（i，j）在阻带内的情况
h=0;%阻带变换函数
end
s（i,j）=h*s（i,j）;%ILPF滤波后的频域表示
end
end
s=ifftshift（s）;%对s进行反FFT移动
%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数
s=uint8（real（ifft2（s）））;
figure;%
imshow（s）;%显示滤波后的图像
title（'ILPF滤波（d0=30）'）
显示结果：
（2）巴特沃斯低通
h=imread（'0_lena.bmp'）;%读入图片
c=rgb2gray（h）;%把彩色图片转化成灰度图片，256级
subplot（1,2,1）;imshow（c）,title（'原始灰度图像'）;%显示原始图像
s=fftshift（fft2（c））;
[M,N]=size（s）;%·分别返回s的行数到M中，列数到N中
n=2;%对n赋初值
%BLPF滤波，d0=5，15，30，80（程序中以d0=30为例）
d0=30;%初始化d0
n1=floor（M/2）;%对M/2进行取整
n2=floor（N/2）;%对N/2进行取整
fori=1:
M
forj=1:
N
d=sqrt（（i-n1）^2+（j-n2）^2）;%点（i,j）到傅立叶变换中心的距离
h=1/（1+（d/d0）^（2*n））;%BLPF滤波函数
s（i,j）=h*s（i,j）;%BLPF滤波后的频域表示
end
end
s=ifftshift（s）;%对s进行反FFT移动
%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数
s=uint8（real（ifft2（s）））;
subplot（1,2,2）;%创建图形图像对象
imshow（s）;%显示BLPF滤波处理后的图像
title（'BLPF滤波（d0=30）'）;
显示结果：
（3）高斯低通滤波函数
%GLPF滤波，d0=5，15，30（程序中以d0=30为例）
d0=30;%初始化d0
n1=floor（M/2）;%对M/2进行取整
n2=floor（N/2）;%对N/2进行取整
fori=1:
M
forj=1:
N
d=sqrt（（i-n1）^2+（j-n2）^2）;%点（i,j）到傅立叶变换中心的距离
h=1*exp（-1/2*（d^2/d0^2））;%GLPF滤波函数
s（i,j）=h*s（i,j）;%GLPF滤波后的频域表示
end
end
s=ifftshift（s）;%对s进行反FFT移动
%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数
s=uint8（real（ifft2（s）））;
subplot（1,2,2）;%创建图形图像对象
imshow（s）;%显示GLPF滤波处理后的图像
title（'GLPF滤波（d0=30）'）；
结果显示：
实验结果分析：
（1）对于理想的低通滤波器，当截止频率D0较低的时候，图像严重模糊，被滤去的高频部分的能量包含了图像的主要的边缘信息，同时振铃效应也非常的明显。
随着截止频率的增加，模糊地程度减少，这是因为保留的边缘信息增加了。
（2）巴特沃思滤波器和高斯滤波器滤去的频率和通过的频率之间没有明显的不连续性，图像的模糊程度降低，而且也没有振铃效应，这是由于在低频和高频之间，滤波器平滑过渡的缘故。
升级会员 