图像增强技术的总结与仿真.docx
《图像增强技术的总结与仿真.docx》由会员分享，可在线阅读，更多相关《图像增强技术的总结与仿真.docx（18页珍藏版）》请在冰豆网上搜索。
图像增强技术的总结与仿真
图像增强技术的总结与仿真
（王茗倩控制理论与控制工程112030058）
1引言
随着电子计算机技术的进步，计算机图像处理近年来得到飞跃的发展，已经成功的应用于几乎所有与成像有关的领域，并正发挥着相当重要的作用。
它利用计算机对数字图像进行系列操作，从而获得某种预期的结果。
对图像进行处理时，经常运用图像增强技术以改善图像的质量。
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。
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。
尽管由于目的、观点、爱好等的不同，图像质量很难有统一的定义和标准，但是根据应用要求改善图像质量却是一个共同的目标。
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。
2图像增强概述
2.1图像增强的定义
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；
（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1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。
图1图像处理流程图
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应用领域
通讯领域：
包括图像传输、电视电话、电视会议等，主要是进行图像压缩甚至理解基础上的压缩是把文字、图表、照片等图像通过光电扫描的方式变成电信号加以传送。
遥感：
航空遥感和卫星遥感图像需要用数字技术加工处理，并提取有用的信息。
主要用于地形地质，矿藏探查，森林、水利、海洋、农业等资源调查，自然灾害预测预报，环境污染监测，气象卫星云图处理以及地面军事目标的识别。
生物医学领域：
图像处理在医学界的应用非常广泛，无论是在临床诊断还是病理研究都大量采用图像处理技术。
它的直观、无创伤、安全方便的忧点受到普遍的欢迎与接受。
其主要应用如X射线照片的分析，血球计数与染色体分类等。
目前广泛应用于临床诊断和治疗的各种成像技术，如超声波诊断等都用到图像处理技术。
有人认为计算机图像处理在医学上应用最成功的例子就是X射线CT（X-rayComputedTomography）。
军事、公安等方面的应用：
军事目标的侦察、制导和警戒系统、自动灭火器的控制及反伪装；公安部门的现场照片、指纹、手迹、印章、人像等的处理和辨识；历史文字和图片档案的修复和管理等。
工业生产中的应用：
在生产线中对产品及部件进行无损检测是图像处理技术的重要应用领域。
该领域的应用从70年代起取得了迅速的发展，主要有产品质量检测、生产过程的自动控制、CAD／CAM等。
在产品质量检测方面，如食品、水果质量检查，无损探伤，焊缝质量或表面缺陷。
又如，金属材料的成分和结构分析，纺织品质量检查，光测弹性力学中应力条纹的分析等。
在电子工业中，可以用来检验印刷电路板的质量、监测零件部件的装配等。
在工业自动控制中，主要使用机器视觉系统对生产过程进行监视和控制，如港口的监测调度、交通管理、流水生产线的自动控制等。
总之，图像处理技术应用领域相当广泛，已在国家安全、经济发展、日常生活中充当越来越重要的角色，对国计民生的作用不可低估。
3常用的图像增强方法
3.1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。
基于点运算的灰度变换可表示为：
（1）
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、动态范围调整等。
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。
3.1.1线性变换
假定原图像f（x,y）的灰度范围为[a,b]，变换后的图像g（x,y）的灰度范围线性的扩展至[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。
（2）
3.1.2分段线性变换
为了突出图像中感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换，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，常用的是三段线性变换方法，如图2所示。
图2三段线性变换
其中f（x,y），g（x,y）分别为原图像和变换后的图像的灰度级，maxf、maxg分别为原图像和变换后的图像的最大灰度级。
灰度区间[a,b]为要增强的目标所对应的灰度范围，变换后灰度范围扩展至[c,d]。
变换时对[a,b]进行了线性拉伸，而[0,a]和[b,max]则被压缩，这两部分对应的细节信息损失了。
若这两部分对应的像素数较少，则损失的信息也相应较少。
其数学表达式如式。
（3）
（3）
分段线性变换可以根据用户的需要，拉伸特征物体的灰度细节，虽然其他灰度区间对应的细节信息有所损失，这对于识别目标来说没有什么影响。
下面对一些特殊的情况进行了分析。
令
即它们分别为对应直线段的斜率。
当k1=k3=0时，如图3（a）所示，表示对于[a,b]以外的原图灰度不感兴趣，均令为0，而处于[a,b]之间的原图灰度，则均匀的变换成新图灰度。
当k1=k2=k3=0，但c=d时，如图3（b）所示，表示只对[a,b]间的灰度感兴趣，且均为同样的白色，其余变黑，此时图像对应变成二值图。
这种操作又称为灰度级（或窗口）切片。
当kl=k3＝1，c=d=maxg时，如图3（c）所示，表示在保留背景的前提下，提升[a,b]间像素的灰度级。
它也是一种窗口或灰度级切片操作。
图3三段线性变换
3.1.3非线性变换
非线性变换就是利用非线性变换函数对图像进行灰度变换，主要有指数变换、对数变换等。
指数变换，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满足指数关系，其一般公式为：
（4）
其中b为底数。
为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，以改变变换曲线的初始位置和曲线的变化速率。
这时的变换公式为：
（5）
式中a，b，c都是可以选择的参数，当f（x,y）=a时，g（x,y）=0，此时指数曲线交于X轴，由此可见参数a决定了指数变换曲线的初始位置参数c决定了变换曲线的陡度，即决定曲线的变化速率。
指数变换用于扩展高灰度区，一般适于过亮的图像。
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：
（6）
其中
表示以10为底，也可以选用自然对数
。
为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，这时的变换公式为：
（7）
式中a，b，c都是可以选择的参数，式中f（x,y）+1是为了避免对0求对数，确保
。
当f（x,y）=0时，
，则y=a，则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。
对数变换用于扩展低灰度区，一般适用于过暗的图像。
3.2直方图变换
3.2.1直方图原理
对一幅数字图像，若对应于每－灰度值，统计出具有该灰度值的象素数，并据此绘出象素数-灰度值图形，则该图形称该图像的灰度直方图，简称直方图。
直方图是以灰度值作横坐标，象素数作纵坐标。
有时直方图亦采用某一灰度值的象素数占全图总象素数的百分比（即某一灰度值出现的频数）作为纵坐标。
设变量r代表图像中像素灰度级,在图像中，像素的灰度级可作归一化处理，这样r的值将限定在下述范围之内（0≤r≤1）在灰度级中，r=0代表黑，r=1代表白。
对于一幅给定的图像来说，每一个像素取得[0,1]区间内的灰度级是随机的，也就是说，是一个随机变量。
在离散的形式下，用
代表离散灰度级，用
代表概率密度函数，并且有下式成立：
（8）
式中
为图像中出现
这种灰度的像素数，n是图像中像素总数，
就是概率论中的频数，n是灰度级的总数目。
在直角坐标系中作出
与
的关系图形，就得到直方图。
归纳起来，直方图主要有一下几点性质：
（1）直方图是一幅图像中各像素灰度出现频次的统计结果，它只反映图像中不同灰度值出现的次数，而不反映某一灰度所在的位置。
也就是说，它只包含了该图像的某一灰度像
素出现的概率，而忽略了其所在的位置信息。
（2）任意一幅图像，都有唯一确定的一幅的直方图与之对应。
但不同的图像可能有相同的直方图，即图像与直方图之间是多对一的映射关系。
（3）由于直方图是对具有相同灰度值的像素统计得到的，因此，一幅图像各子区的直方图之和等于该图像全图的直方图。
在实际应用中，有时并不需要考虑图像的整体均匀分布直方图，而只是希望有针对性的增强某个灰度级分布范围内的图像，因此可人为地改变直方图，使之成为某个特定的形状，即实施图像的直方图均衡化，以满足特定的增强效果
3.2.2直方图均衡化
直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。
直方图均衡化算法是图像增强空域法中的最常用、最重要的算法之一。
它以概率理论作基础,运用灰度点运算来实现直方图的变换,从而达到图像增强的目的。
这些方法是不以图像保真为原则的,它们是通过增强处理设法有选择地突出某些对人或机器分析感兴趣地信息,抑制一些无用信息,以提高图像地使有价值。
在实际应用中,应针对不同的图像应采用不同的图像增强方法,或同时采用几种适当的增强算法进行实验,从中选出视觉效果较好的、计算不复杂的、又合乎应用要求的一种算法。
为了改善图像质量，可以对灰度分布进行变换改变，其中一种方法称为直方图均衡化处理。
直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法。
假定变换函数为
（9）
式中ω是积分变量，而T（r）就是r的累积分布函数。
这里，累积分布函数是r的函数，并且单调地从0增加到1，所以这个变换函数满足T（r）在0≤r≤1内单值单调增加。
可以证明，用r的累积分布函数作为变换函数可产生一幅灰度级分布具有均匀概率密度的图像。
其结果扩展了像素取值的动态范围。
通常把为得到均匀直方图的图像增强技术叫做直方图均衡化处理或直方图线性化处理。
用离散形式表示累积分布函数为：
3.3图像平滑与锐化
3.3.1平滑
一幅原始图像在获取和传愉过程中会受到各种噪声的干扰,使图像质量下降,时分析图像不利。
这些噪声干扰使图像退化,质量下降。
表现为图像模糊,特征淹没,对图像分析不利为了抑制噪声、改善图像质童,要时图像进行平滑处理。
图像平滑处理的方法多种多样,有邻域平均法、掩膜平滑法，低通滤波、噪声门限法、中值滤波法，多幅图像平均法等。
在空间域平滑滤波有很多种算法,其中最常见的有线性平滑、非线性平滑、自适应平滑。
（1）邻域平均法
邻域平均法是一种局部空间域处理的算法。
设一幅图像f（x,y）为N×N的阵列，平滑后的图像为f（x,y），它的每个像素的灰度级由包含在（x,y）的预定邻域的几个像素的灰度级的平均值所决定，即用下式得到平滑的图像。
（11）
式中的
是
点邻域中心点的坐标的集合[不包括点
]，M是S内坐标点的总数。
以上方法简单，计算速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别在边沿和细节处，邻域越大，模糊越厉害。
为了减少这种效应，可以采用阈值法。
这样平滑后的图像会比邻域平均法模糊度减少。
当某些点的灰度值与各邻点灰度的均值差别较大时，它必然是噪声，则取其邻域平均值作为该点的灰度值，它的平滑效果仍然是很好的。
为了克服简单局部平均的弊病，目前己提出许多保边沿保细节的局部平滑算法，它们讨论的课题都在如何选择邻域的大小、形状和方向，如何选择参加平均的点数以及邻域各点的权重系数等，它们有：
灰度最相近的及个邻点平均法，梯度倒数加校平滑，最大均匀性平滑，小斜面模型平滑等等．如果将受噪声干扰的图像看成是一个二维随机场，则可以运用统计理论来分析受噪声干扰的图像平滑后的信噪比问题，一般的噪声属于加性噪声，在独立和分布的高斯噪声的情况下，我们定义信噪比为含噪图像的均值与噪声方之比，则含噪图像经邻域平均法平滑之后，其信噪比将提高M1/2倍（M为邻域中包含的像素数目），可见邻域取得愈大，像点愈多，则信噪比提高愈大，平滑效果好.
（2）中值滤波法
中值滤波也是一种典型的空间域低通滤波器,它的目的是保护图像边缘的同时去除噪声。
所谓中值滤波,就是指把以某点（X×Y）了为中心的小窗口内的所有像素的灰度按从大到小的顺序排列,将中间值作为少处的灰度值若窗口中有偶数个像素,则取两个中间值的平均。
例：
采用1×3窗口进行中值滤波
原图像为：
22621244424
处理后为：
22222244444
它对脉冲干扰及椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。
但它对点、线等细节较多的图像却不太合适。
对中值滤波法来说，正确选择窗口尺寸的大小是很重要的环节。
一般很难事先确定最佳的窗口尺寸，需通过从小窗口到大窗口的中值滤波试验，再从中选取最佳的。
中值滤波容易去除孤立点、线的噪声,同时保持图像的边缘,它能很好地去除二值噪声,但对高斯噪声无能为力。
要注意的是,当窗口内噪声点的个数大于窗口宽度一半时,中值滤波的效果不是太好。
（3）多图像平均法
多幅图像平均法是利用对同一景物的多幅图像相加取平均来消除噪声产生的高频成分。
多幅图像取平均处理常用于摄像机的视频图像中,以减少电视摄像机光电摄像管或CCD器件所引起的噪声。
这时对同一景物连续摄取多幅图像并将其数字化,再对多幅图像求平均,一般选用幅图像取平均,这种方法在实际应用中的难点在于如何把多幅图像配准,以便使相应的像素能正确地对应排列。
设g（x,y）为有噪声图像，
为噪声，
为原始图像，可用下式表示：
（12）
多图像平均法是把一系列有噪声的图像｛
｝迭加起来，然后再取平均值以达到平滑的目的.当作平均处理的噪声图像数目增加时，其统计平均值就越接近原始无噪声图像。
这种方法在实际应用中的最大因难在于把多幅图像配准，以便使相应的像素能正确地对应排列。
（4）噪声门限法
噪声门限法是一种简单易行的消除噪声的方法，它对于因噪声传感器或者信道引起的呈现离散分布的单点噪声具有较好的效果，运用噪声门限法进行图像平滑时，首先设定门限值，然后顺序检测图像中的每一个像素，将该像素与其他像素进行比较判断，以确定是否为噪声点；若为噪声点，则以其邻域内所有像素灰度平均值代替，否则，以原灰度值输出。
假设像素
出的灰度为
以给该像素为中心取一个N×N的窗口
该窗口内的和计数器像素点组成集合A，定义灰度差值门限T,误差计算器Cnt和计数器门限值Y。
对每个窗口，Cnt的初始值都是0。
对集合A中的每一个像素点
的灰度
，若满足
（13）
（14）
则误差计算器加1，位置（i,j）的输出为
（15）
当窗口顺序移过整幅图像，即可完成噪声平滑。
需要注意的是，该方法中门限值T的选择至关重要，T太大，则噪声平滑不够，T太小，平滑图像就会变得模糊，计数器门限值的选择一般在窗口内像素的一半附近。
（5）掩膜平滑法
图像中存在这样一个基本事实：
同一区域内部的像素之间灰度变化平缓，起伏较小，统计方差小；在区域边缘，像素之间灰度值得起伏变化大，统计方差大。
掩膜平滑法的目的在于进行滤波操作的同时，尽可能不破坏区域边缘的细节。
掩膜平滑以一个5×5的窗口为基准，中心位置为
在这个窗口中确定9种不同的掩膜模版。
在平滑时，首先计算各模版的均值和方差。
（16）
（17）
式中，i表示掩膜板编号，Q对应掩膜模版中包含像素的个数，（m,n）为掩膜模版中像素相对于中心像素（j,k）的位移量。
也就是说，掩膜平滑的输出为具有最小方差的模版所对应的灰度均值。
当同样的方法作用于图中的每一个像素后，即可得到平滑的图像，平滑图像中相对很好的保留了图像区域边缘的细节。
（6）频域低通滤波法
从信号的角度看,信号缓慢变化主要分布在频率域的低频部分,而信号迅速变化的部分主要集中在高频部分。
对图像来说,它的边缘以及噪声干扰的频率分量都处于频率较高的部分,因此可以用低通滤波方法去除噪声。
而频率域滤波可以用空间域的卷积来实现,为此只要恰当地设计空间域系统冲激响应矩阵就可以达到滤波的效果。
设
为带有噪声的原始图像（大小N×N），
为经滤波后的输出图像（大小M×M），
为滤波系统的脉冲响应函数（大小L×L），则存在
（18）
其中
是含有噪声图像的博里叶变换，
是平滑处理后的图像之傅里叶变换，
是传递函数。
选择传递函数
，利用
使
的高频分量得到衰减，得到
后再经反傅里叶变换就可以得到所希望的平滑图像
。
根据前面的分析，显然
应该具有低通滤波特性，所以这种方法被称之为低通滤波法平滑化处理。
3.3.2锐化
图像平滑往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像边缘变得清晰。
图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是图像受到了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变得清晰。
从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。
为了要把图像中间任何方向伸展的边缘和轮廓变得清晰，我们希望对图像的某种运算是各向同性的。
（1）拉普拉斯算子
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：
（19）
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。
（2）高通滤波
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，从而达到图像锐化的目的。
建立在离散卷积基础上的空间域高通滤波关系式如下：
（20）
式中
为锐化输出；
为输入图像；
为冲击响应阵列（卷积阵列）。
4matlab仿真
4.1灰度变换（增强对比度）
clear;
I=imread（'cameraman.tif'）;
I3=imadjust（I,stretchlim（I）,[0,1]）;
figure,imshow（I3）;
图4（a）原始图像（b）对比度增强后的图像
4.2直方图均衡化
J=histeq（I）;
subplot（2,2,1）,imshow（I）;
subplot（2,2,2）,imshow（J）
subplot（2,2,3）,imhist（I,256）;
subplot（2,2,4）,imhist（J,256）;
（a）（b）
（c）（d）
图5（a）原图像，（b）直方图均衡化后的图像，（c）原图直方图，（d）均衡化后的直方图
4.3平滑
4.3.1中值滤波
I=imread（'zhenhuan.jpg'）;
I1=rgb2gray（I）;
imshow（I1）;
J=imnoise（I1,'salt&pepper',0.05）;%加入强度为0.05的椒盐噪声
figure,imshow（J）;
F1=medfilt2（J,[33]）;%3×3窗口二维中值滤波
figure,imshow（F1）;
F2=medfilt2（J,[55]）;%5×5窗口二维中值滤波
figure,imshow（F2）;
（a）（b）
（c）（d）
图6（a）原图像，（b）加入椒盐噪声后的图像，（c）3×3窗口中值滤波后的图像，（d）5×5中值滤波后的图像
4.3.2低通滤波
clear;
I=imread（'zhenhuan.jpg'）;
I1=rgb2gray（I）;
imshow（I1）;
J=imnoise（I1,'gaussian'）;
figure,imshow（J）;
I2=im2double（J）;
T=dctmtx（8）;
B=blkproc（I2,[8,8],'P1*x*P2',T,T'）;
figure,imshow（B）;
mask=[11110000
11100000
11000000
10000000
00000000
00000000
00000000
00000000];
B2=blkproc
升级会员 