《图像增强技术》数字图像期末课题报告.docx

《图像增强技术》数字图像期末课题报告.docx

《《图像增强技术》数字图像期末课题报告.docx》由会员分享，可在线阅读，更多相关《《图像增强技术》数字图像期末课题报告.docx（24页珍藏版）》请在冰豆网上搜索。

《图像增强技术》数字图像期末课题报告

《数字图像处理》期末课题报告

题目：

图像增强技术

学院：

xxxxxxxxxxxxxxxxxx

专业：

xxxxxxxxxxxxxxxxxx

姓名学号：

xxx

xxxxxxxxxxxxxxxxxx

班级：

xxxxxxxx

2017年6月20日

一、研究意义

随着电子技术和计算机技术的发展，数字图像的采集和应用，特别是加工技术近年来得到了极大的重视和长足的发展，出现了很多有关的新理论、新方法、新算法、新手段和新设备，并使得数字图像技术在科学研究、工业生产、医疗卫生等各方面产生了深远的意义。

其中图像增强技术是图像处理领域研究的重点和热点之一，在图像处理中，图像增强技术对于提高图像的质量起着重要作用。

图像增强从处理的作用域出发，可分为空间域和频域两大类，增强图像中的有用信息，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。

随着科技的不断进步，尤其是计算机技术的发展，不断促进图像增强技术向前发展，图像增强技术逐步涉及人类生活和社会生产的各个方面。

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。

二、研究目标与内容

2.1研究目标

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。

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。

通过本课题的研究能够使图像有更好的视觉感受效果是本文的最终目的。

2.2研究内容

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。

后者空间域法中具有代表性的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。

空域法是对图像中的像素点进行操作，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。

经过本次作业能够训练正确地使用MATLAB进行仿真设计，培养解决图像增强具体问题的能力，能够通过所做基于图像增强技术的频域滤波器算法的设计,可以加强对图像增强技术的认识，培养逻辑思维能力，提高了综合运用所学知识分析与解决实际问题的能力；对基本技能水平有了进一步提高，例如MATLAB的编程，调试等，使理论联系实际，用理论来指导实践。

本文通过MATLAB对所设计的图像增强算法进行验证，分别从图像增强基本理论、空域变换增强、空域滤波增强、频域滤波相关理论和设计方法进行研究。

三、图像增强的基本理论

3.1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。

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“有用”信息，同时削弱或去除某些不需要信息的处理方法，以达到扩大图像中不同物体特征之间的差别，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。

由于具体应用的目的和要求不同，因而“有用”的含义和标准也不尽相同。

值得注意的是，图像增强算法并不能增加原始图像的信息，而是通过某种技术手段有选择地突出对某一具体应用有价值的信息。

即图像增强只通过突出某些信息以增强对这些信息的辨识能力，而其他信息则被压缩了。

也就是说，图像的增强处理并不是一种无损的处理。

例如，图像平滑处理算法中经常采用低通滤波法，虽然消除了图像的噪声，但图像的空间纹理特性却被削弱了，图像从整体上比较模糊。

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：

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。

3.2图像增强处理分类

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。

基于频域的算法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，使模糊的图片变得更加清晰可见。

四、空域变换增强

4.1空域变换增强基本原理

空域的变换增强算法直接修改图像象素点灰度级的一种简单而有效的算法。

这类算法主要可分为灰度级修正算法、灰度级映射变换算法以及基于直方图的变换算法三大类。

其中，图像的灰度变换处理是图像增强处理技术中一种非常基础，直接的空间域图像处理法，也是图像数字化软件和图像显示软件的一个重要组成部分。

灰度变换是指根据某种目标条件按一定变换关系逐点改变原图像中每一个像素灰度值的方法。

目的是为了改善画质，使图像的显示效果更加清晰。

对于不同的灰度可以根据不同的规则将其映射，常用的三种映射规则有3种，分别为图像求反、增强对比度和压缩动态范围。

而直方图均衡化是借助直方图变换实现灰度映射从而达到图像增强目的的方法。

4.2图像灰度映射

4.2.1图像求反

1.原理

对图像求反是将原来的灰度值翻转，简单的说就是使黑变白，使白变黑。

其变换曲线如图4-1，原来具有接近L-1的较大灰度的像素在变换后其灰度接近0，而原来较暗的像素变换后成为较亮的像素，普通的黑白底片和照片就是这样的关系。

具体的变换就是将图像中每个像素的灰度值根据变换曲线进行映射。

4-1图像求反变换曲线

2.MATLAB实现

X1=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;

f1=200;

g1=256;

k=g1/f1;

[m,n]=size（X1）;

X2=double（X1）;

fori=1:

m

forj=1:

n

f=X2（i,j）;

g（i,j）=0;

if（f>=0）&（f<=f1）

g（i,j）=g1-k*f;

else

g（i,j）=0;

end

end

end

subplot（1,2,1）;

imshow（X1）;

title（'原图'）;

subplot（1,2,2）;

imshow（mat2gray（g））

title（'图像求反后的图像'）

实验效果如图4-2所示：

图4-2图像求反

对比两幅图像，很容易看出照片的效果，通过增强对比度使人物更加明显、突出，利用对比度增强变换可以有效地改善图像的质量。

4.2.2增强对比度

1.原理

增强对比度实际是增强原图像的各部分的反差。

实际中往往是通过原图中某两个灰度值之间的动态范围来实现的，典型的增强对比度曲线如图4-3（这里是1条折线），可以看出通过这样一个变换，原图中灰度值中间折线部分动态范围增加了，从而使得这个范围内的对比度增强了。

图4-3增强对比度

2.MATLAB实现

X1=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;

f0=0;g0=0;

f1=70;g1=30;

f2=180;g2=230;

f3=255;g3=255;

r1=（g1-g0）/（f1-f0）;

b1=g0-r1*f0

r2=（g2-g1）/（f2-f1）;

b2=g1-r2*f1;

r3=（g3-g2）/（f3-f2）;

b3=g2-r3*f2;

[m,n]=size（X1）;

X2=double（X1）;

fori=1:

m

forj=1:

n

f=X2（i,j）;

g（i,j）=0;

if（f>=0）&（f<=f1）

g（i,j）=r1*f+b1;

elseif（f>=f1）&（f<=f2）

g（i,j）=r2*f+b2;

elseif（f>=f2）&（f<=f3）

g（i,j）=r3*f+b3;

end

end

end

subplot（1,2,1）;

imshow（X1）;

title（'原图'）;

subplot（1,2,2）;

imshow（mat2gray（g））

title（'增强对比度后的图像'）

实验效果如图4-4所示：

图4-4增强对比度所得图像

在图4-4中可以看出，通过变换可以使原图的较高的和较低的灰度值的动态范围减小了，而原图在二者之间的动态范围增加了，从而其范围的对比度增加了。

4.3直方图均衡化

1.原理

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。

它的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。

这里增强函数需要满足2个条件：

（1）在

范围内是1个单值单增函数。

这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白（或从白到黑）的排列。

（2）对于

有

，这个条件保证变换前后灰度值动态范围的一致性。

可以证明累积分布函数即满足上述2个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。

此时的直方图均衡化映射函数为:

　　上述求和区间为0到k，根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。

在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布求出

到

的灰度映射关系。

在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。

2.实现代码（matlab）

I=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;%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J

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'）;

实验效果如图4-5所示：

图4-5直方图的均衡化对比

从灰度图像直方图可以看出：

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。

从直方图对比可以看出，原始图的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250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。

所以直方图均衡化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。

五、空域滤波增强

5.1空域滤波基本原理

空域滤波是基于邻域处理的增强方法，直接在图像所在的二维空间进行处理，即对每一个像素的灰度值进行处理。

它应用某一模版对每个像素与其周围邻域的所有像素进行某种数学运算得到该像素的灰度值，新的灰度值的大小不仅域该像素的灰度值有关，而且还与其领域内的像素值值的灰度有关。

 空域滤波是在图像空间通过邻域操作完成的，最常用的运算是模版运算，基本思路是将某个像素的值作为它本身的灰度值和其相邻像素灰度值的函数。

模版可以看作是n*n的小图像，最基本的尺寸为3*3，更大的尺寸如5*5，7*7，最常用的是卷积模版，其基本步骤如下：

（1）将模板在图中漫游，并将模板中心与图中某个像素位置重合。

（2）将模板上的各个像素与模板下的各对应像素的灰度值相乘。

（3）将所有乘积相加（为保持图像的灰度范围，常常将灰度值除以模版中像素的个数）得到的结果赋给图中对应模板中心位置的像素。

5.2空域滤波分类

空域滤波是在图像空间借助模板进行卷积操作完成的，根据其特点一般可分为线性和非线性2类，线形滤波器的设计常基于对傅立叶变换的分析，非线形空域滤波器则一般直接对邻域进行操作。

另外，各种滤波器根据功能又主要分成平滑滤波和锐化滤波。

平滑可用低通来实现，锐化可用高通来实现，平滑滤波器能减弱或消除傅立叶空间的高频分量，但不影响在低频分量。

因为高频分量对应图像中的区域边缘等灰度值具有较大较快变化的部分，滤波器将这些分量滤去可使图像平滑。

锐化滤波器能减弱或消除傅立叶空间的高频分量。

结合这两类分类法，可将空间滤波增强方法分成4类，如表5-1所示：

表5-1

功能特点

线性

非线性

平滑

线性平滑

非线性平滑

锐化

线性锐化

非线性锐化

5.3线性平滑滤波器

1.原理

线性低通滤波器是最常用的线性平滑滤波器。

这种滤波器的所有系数都是正的。

对3*3的模板来说，最简单的操作是取所有系数都为1。

为保证输出图像仍在原来的灰度范围内，在计算R后要将其除以9再进行赋值。

这种方法称为邻域平均法。

 线性平滑滤波所用的卷积模板均为正值，分为邻域平均和加权平均两种。

 邻域平均：

将原图中一个像素的灰度值和它周围邻近的像素的灰度值相加，然后将求得的平均值作为新图中该像素的灰度值。

在实际应用，可以根据不同的需要选择使用不同的模板尺寸，如3×3、5×5、7×7、9×9等。

 邻域平均处理方法是以图像模糊为代价来减小噪声的，且模板尺寸越大，噪声减小的效果越显著。

如果

 是噪声点，其邻近像素灰度与之相差很大，采用邻域平均法就是用邻近像素的平均值来代替它，这样能明显消弱噪声点，使邻域中灰度接近均匀，起到平滑灰度的作用。

因此，邻域平均法具有良好的噪声平滑效果，是最简单的一种平滑方法。

加权平均：

对同一尺寸模板，对不同位置的系数用不同的数值，一般认为离对应模板中心像素近的像素对滤波有较大的贡献，所以系数较大；而模板边界附近的系数应比较小。

2.线性平滑滤波matlab实现代码举例

（1）给图像加入椒盐噪声

I=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;

J=imnoise（I,'salt&pepper',0.02）;

subplot（121）,imshow（I）,title（'原始图像'）;

subplot（122）,imshow（J）,title（'加入椒盐噪声的图像'）;

实验效果如图5-1所示：

图5-1加入椒盐噪声

由图可见，加入椒盐噪声后的图像产生了黑白相间的亮暗点噪声

（2）对一个图像进行不同大小模板的均值滤波，并比较结果：

I=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;

J=imnoise（I,'salt&pepper',0.02）;

subplot（221）,imshow（J）,title（'噪声图像'）;

K1=filter2（fspecial（'average',3）,J）/255;%进行3*3模板的均值滤波

K2=filter2（fspecial（'average',5）,J）/255;%进行5*5模板的均值滤波

K3=filter2（fspecial（'average',7）,J）/255;%进行7*7模板的均值滤波

subplot（222）,imshow（K1）,title（'3*3模板均值滤波'）;

subplot（223）,imshow（K2）,title（'5*5模板均值滤波'）;

subplot（224）,imshow（K3）,title（'7*7模板均值滤波'）;

实验效果如图5-2所示：

图5-2不同模板均值滤波

由图可知，均值滤波能够有效滤除图像中的加性噪声，但也依然存在着缺陷，不能很好的保护图像细节，破坏了图像的细节部分，使图像变得模糊了。

（3）利用低通邻域平均模板进行平滑的例子：

I=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;

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'）;

实现效果如图5-3所示：

图5-3低通邻域平均模板平滑效果

由图可知，去噪明显，但是去噪的同时也导致细节模糊。

5.4非线性平滑滤波器

1.原理

线性滤波在消除图像噪声的同时也会模糊图像的细节，利用非线性平滑滤波可在消除图像中噪声的同时较好的保持图像的细节。

最常用的非线性滤波是中值滤波。

中值滤波的具体步骤：

（1）将模板在图像中漫游，并将模板中心和图像某个像素的位置重合；

（2）读取模板下对应像素的灰度值；

（3）将这些灰度值从小到大排成一列；

（4）找出这些值排在中间的一个；

（5）将这个中间值赋给对应模板中心位置的像素。

中值滤波是一种最常用的图像增强技术，是非线性滤波。

对椒盐噪声有很好去噪效果。

2.MATLAB实现

（1）加上一些噪声后，然后在matlab中实现中值滤波

I=imread（'C:

\Users\Administrator\Desktop\a.jpg'）;

J=imnoise（I,'salt & pepper',0.02）;  

subplot（221）,imshow（J）,title（'噪声图像'）;  

K1=medfilt2（J,[3 3]）;  %进行3*3模板的中值滤波  

K2=medfilt2（J,[5 5]）;  %进行5*5模板的中值滤波  

K3=medfilt2（J,[7 7]）;  %进行7*7模板的中值滤波  

subplot（222）,imshow（K1）,title（'3*3模板中值滤波'）;  

subplot（223）,imshow（K2）,title（'5*5模板中值滤波'）;  

subplot（224）,imshow（K3）,title（'7*7模板中值滤波'）; 

中值滤波的结果如图5-4所示。

图5-4中值滤波

比较经过