第3章 空域图像增强技术

null第3章 空域图像增强技术第3章 空域图像增强技术图像增强的目的是使处理后的图像更适合于具体的应用，是面向问题的，例如：适合于处理X射线的技术并不一定适合于处理空间探测器传送的图像。图像增强是最有趣的和最生动的图像处理技术之一。判断标准：人的主观视觉 图像增强技术从总体上说，可以分为两大类：空域增强和频域增强。 空域增强是直接对图像平面中的像素进行处理，像前面已经介绍过的直方图均衡、匹配等方法，都属于空域增强技术。 频域增强则是将原定义在图像空间中的图像以某种形式转换（Fourier 变换）到其它空间（频率域）中，利用该空间的特有性质方便地进行图像处理，最后再转回原图像空间中。 另外，两大类中的某些方法通常也被结合在一起来进行增强操作。3.1 基础3.1 基础空域增强的一般数学 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 达式：算子T操作在(x,y)的某个邻域(neighborhood)上，例如3×3领域， 或一输入图像集上null当领域为1×1，即只包含当前象素自己时，T成为灰度级变换函数，此时的处理成为点处理。当更大的邻域被考虑时，往往成为掩码处理(mask processing)或者滤波。两个常用的灰度级变换函数：对照度拉伸和阈值函数3.2 一些基本的灰度变换3.2 一些基本的灰度变换3.2.1 负变换3.2.1 负变换S=L-1-r, 这里图像的灰度范围为[0, L-1]3.2.2 对数变换3.2.2 对数变换其将使比较狭窄的低灰度级范围变得更宽，而较宽的高灰度级范围变得更窄，同时能够压缩象素值变化范围很大的图像，使之象素值分布范围更小。Fourier谱(0~1.5*106)经过对数变换后：0~6.23.2.3 幂律变换3.2.3 幂律变换c＝1，而变化 时的各种变换规律null幂律变换的一个最好应用是伽马校正(Gamma correction) 被广泛使用在图像捕捉、打印和显示设备上。＝2.5＝0.4nullGamma变换用于通常的对照度操作null3.2.4 分段线性变换3.2.4 分段线性变换分段线性函数的主要有点是其形式可以任意复杂，主要缺点是其说明需要更多的用户输入。对照度拉伸变换：分段线性函数 低对照度放大约700倍的花粉SEM图像 对照度拉伸结果 灰度阈值化处理 null灰度切割(slicing):主要用于突出某个特定的灰度范围，从而增强某个专门的特征，如卫星图像中的水团。null位平面切割(bit-plane slicing):该操作主要是为突出图像中的某个具体的位对整个图像外表的贡献。可以把一副数字图像分解成位平面的组合， 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 图像每个位的相对重要性，从而在图像量化时可以帮助决定所使用的位数是否足够，这种分解在图像压缩中也有很大的作用。null3.3 直方图处理3.3 直方图处理直方图是大量的空域处理技术的基础，直方图处理可以有效地用于图像增强。除了能提供有关图像的统计特征外，其所包含的信息还能用于其他很多的图像处理技术，如图像分割、图像压缩等。其软件实现简单，可以做成固件，使其在实时图像处理中成为最受欢迎的工具。定义：性质：null直方图描述了每个灰度级具有的像素的个数，反映的是图像灰度的统计信息，但丢失了所有这些像素点的空间信息，即像素点的相对位置。因此，任一特定的图像有唯一的直方图，但反之并不成立。null直方图反映的总体性质：明暗程度、细节是否清晰、动态范围大小等null四种典型灰度图像的直方图特征： (a)暗图像；(b)亮图像； (c)低对照度图像；(e)高对照度图像null直方图的计算： 通过面积求直方图（做实验）：null直方图的用途： 1）数字化参数的选择：2）边界阈值的选取：例：null3.3.1 直方图均衡处理(equalization)3.3.1 直方图均衡处理(equalization)用于直方图均衡化的函数s=T(r)必须满足两个条件: T(r)是一个单调递增的单值函数 0＝ T(r) <＝1， 对0＝ r <＝1; 以上s和r；分别表示输入和输出图像的规一化灰度，即在[0,1]范围 可以证明，概率累计分布函数就是所要的直方图均衡函数： null在离散情况下：以上，k表示某个灰度级，L是整个灰度级的数目，在通常的8位图像下，为256。以上的方程就是通常所说的直方图均衡化或者线性化。很显然，该方程满足前面所说的两个条件。 特点：虽然不象连续情况下时输出灰度完全满足均匀分布，但从该方程明显可以看出，均衡化后的图像比原图像所跨越的灰度级范围更宽。另外，直方图处理是完全“自主”性质的，即该过程所需的参数完全来自图像本身，不需要任何额外的参数，是一种有力的自适应增强工具。。还有，该技术实现起来也很简单。null例：设图象有64*64=4096个象素，有8个灰度级，灰度分布如表所示。进行直方图均衡化。例：设图象有64*64=4096个象素，有8个灰度级，灰度分布如表所示。进行直方图均衡化。例rk r0=0 r1=1/7 r2=2/7 r3=3/7 r4=4/7 r5=5/7 r6=6/7 r7=1 nk 790 1023 850 656 329 245 122 81p(rk) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02步骤：步骤：rk r0=0 r1=1/7 r2=2/7 r3=3/7 r4=4/7 r5=5/7 r6=6/7 r7=1 nk 790 1023 850 656 329 245 122 81p(rk) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02例1. 由（2-2）式计算sk。1. 由（2-2）式计算sk。rk r0=0 r1=1/7 r2=2/7 r3=3/7 r4=4/7 r5=5/7 r6=6/7 r7=1 nk 790 1023 850 656 329 245 122 81p(rk) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02sk计算 0.19 0.44 0.65 0.81 0.89 0.95 0.98 1.00例nullrk r0=0 r1=1/7 r2=2/7 r3=3/7 r4=4/7 r5=5/7 r6=6/7 r7=1 nk 790 1023 850 656 329 245 122 81p(rk) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02sk计算 0.19 0.44 0.65 0.81 0.89 0.95 0.98 1.00sk舍入 1/7 3/7 5/7 6/7 6/7 1 1 12. 把计算的sk就近安排到8个灰度级中。例nullrk r0=0 r1=1/7 r2=2/7 r3=3/7 r4=4/7 r5=5/7 r6=6/7 r7=1 nk 790 1023 850 656 329 245 122 81p(rk) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02sk计算 0.19 0.44 0.65 0.81 0.89 0.95 0.98 1.00sk舍入 1/7 3/7 5/7 6/7 6/7 1 1 1sk s1 s3 s5 s6 s7 nsk 790 1023 850 985 448 p(sk) 0.19 0.25 0.21 0.24 0.11 3. 重新命名sk，归并相同灰度级的象素数。例null直方图均衡化均衡化前后直方图比较例null例：nullnull 直方图均衡化实质上是减少图象的灰度级以换取对比度的加大。在均衡过程中，原来的直方图上频数较小的灰度级被归入很少几个或一个灰度级内，故得不到增强（？！） 。若这些灰度级所构成的图象细节比较重要，则需采用局部区域直方图均衡。  3.3.2 直方图匹配/规定(specification)3.3.2 直方图匹配/规定(specification) 另外，直方图的规定没有什么规则可循。一般，可以根据特定的增强任务，采用试错的方法来得到想要的直方图规定。连续灰度的直方图原图连续灰度的直方图原图连续灰度的直方图规定连续灰度的直方图规定null   令P(r) 为原始图象的灰度密度函数，P(z)是期望通过匹配的图象灰度密度函数。对P(r) 及P(z) 作直方图均衡变换，通过直方图均衡为桥梁，实现P(r) 与P(z) 变换。null直方图匹配变换公式推导图示null 步骤： （1）由 将各点灰度由 r映射成s。 （2）由 将各点灰度由 z映射成v。 null 步骤： （3）根据v=G(z), z=G-1(v) 由于v, s有相同的分布，逐一取 v=s，求出与r对应的z=G-1(s)。null离散灰度级情况： 由（1）、（2）计算得两张表，从中选取一对vk, sj，使vk≈sj，并从两张表中查得对应的rj，zk。于是，原始图象中灰度级为rj 的所有象素均映射成灰度级zk。最终得到所期望的图象。nullnull3.3.3 局部增强3.3.3 局部增强前面所说的两种处理技术都是全局处理，用于整体增强。在某些情况下，用于增强某个小区域细节的局部增强技术是需要的。局部增强其实就是基于邻域的空间域操作（更详细的讨论在3.5节），前面的方法同样可以使用，但此时处理的是一副图像中的某个子区域。 简单实例：3.3.4 直方图统计量用于增强3.3.4 直方图统计量用于增强m是图像平均灰度级的测度； 而方差，通常表示为2，则代表了图像的平均对照度。这两个量的更有力的应用是在局部增强中，不仅简单、灵活性大，而且局部均值和方差与图像的外观存在紧密的、可预测的对应关系。例： null绕在支撑物上钨丝的SEM图像（放大130倍）使用统计量的局部增强结果3.4 代数和逻辑运算增强3.4 代数和逻辑运算增强 逻辑操作(二进制掩膜，binary masking)基于点运算，对两副图像的单个象素进行操作（此时每个象素的值都被看成逻辑值），基本包括与、或、非三者，其他任何逻辑操作都可通过三者之间的组合来完成。逻辑操作通常用于选择ROI (region of interest)，也常与形态学处理相结合。null3.4.1 图像加3.4.1 图像加nullnull3.4.2 图像减3.4.2 图像减图像减的重要作用之一是突出图像间的差异，最成功的商业应用是医学图像中的掩码模式X光成像。null3.4.3 图像乘3.4.3 图像乘3.4.4 图像乘3.4.4 图像乘3.4.5 代数运算的应用－平均去噪3.4.5 代数运算的应用－平均去噪null3.5 空间滤波3.5 空间滤波null基本步骤：不过当 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 的边界超出图像的边界时，要注意边界问题的处理，最常用的方法是填充(padding)，但其会影响图像的边界，影响程度随模板尺寸的增大而增加。null也称做滤波器(filter)、核(kernel)、模板(template)、窗口(window)。对m×n的掩码（通常要求m,n必须是奇数）：这里：a=(m-1)/2，b=(n-1)/2，这种线性空间滤波也通常指“把图像与掩码进行卷积”，掩码也叫“卷积掩码”。 从滤波器响应的角度讲，上式也可以简写称：3.5.1 空间平滑滤波器3.5.1 空间平滑滤波器线性平滑滤波器平滑滤波通常被用作模糊图像和减少噪声。模糊处理通常用在预处理阶段，如在目标抽取前用于移除小的细节，或者把线和曲线间的间隙连接起来。噪声减少可以用可以用线性的或非线性的滤波器来完成。null邻域平均相当于模板的元素全为1的情况，当还包含其他整数时，更适合的叫法是加权平均。平均法在一定程度上抑制了噪声，但同时也会引起模糊线性，其程度与邻域半径成正比。null从左至右，从上到下分别为500×500象素的原图像，和用大小分别为3、5、9、15和35的平方平均滤波器模板对原图像平滑的结果。null超限（基于阈值的）邻域平均法：nullb) 排序统计滤波器是一种非线性操作，其响应是基于模板所包含图像区域内象素的排序结果来定的，用得最多的是中值滤波器，此外还有最大、最小滤波器等。中值滤波对脉冲噪声和椒盐噪声(salt-and pepper noise)特别有效。null中值滤波的基本步骤：null一般来讲：3.5.2 空间锐化滤波器3.5.2 空间锐化滤波器一阶导数和二阶导数的特征： 1)一阶导数产生更厚的边缘；2）二阶导数对细的细节，如细线和孤立点的响应更强；3）一阶导数对灰度的阶跃变化响应更强烈，而二阶导数则会在此产生双响应；4）二阶导数在灰度变化相似时，其对线的响应要强于阶跃变化，对点的响应又强于线。 null3.5.2.1 二阶导数增强－Laplacian算子3.5.2.1 二阶导数增强－Laplacian算子具有各向同性特征的线性变换算子:Laplacian算子（相当于线性高通滤波器）离散实现：其具有90度旋转不变性，当对角方向的不变性（45度方向）也加上时，即得到如下右图的掩码：null通过把原图像与锐化处理结果相减，可以既保留锐化效果，同时能恢复图像的背景特征。null反锐化掩膜和高提升滤波（unsharp masking and high-boost filtering) 见教材p132，自学3.5.2.2 一阶导数增强－梯度算子3.5.2.2 一阶导数增强－梯度算子在不再特殊说明时，通常把梯度矢量的幅度称为梯度。其具有旋转不变性。实际实现时通常采用如下近似：尽管其计算简单，也能反映灰度变化，但丧失了各向同性特征一阶导数算子的数字近似：a) Robert 交叉梯度算子b) Sobel梯度算子null3×3掩模图：null一阶导数 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 隐形眼镜边缘缺陷3.6 空间增强方法的联合应用（实验）3.6 空间增强方法的联合应用（实验）Frequently, a given enhancement task will require application of several complementary enhancement techniques in order to achieve an acceptable result. The image shown left is a nuclear whole body bone scan, used to detect diseases such as bone infection and tumors. The objective is to enhance this image by sharpening it and by bringing out more of the skeletal detail. The narrow dynamic range of the low gray levels and high noise content make this image difficult to enhance.nullThe StrategyUtilize the Laplacian to highlight fine detail Utilize the gradient to enhance prominent edges Combine Laplacian and gradient to get the detail-enhanced and noise-compressed image Increase the contrast of low gray levels by using a gray-level transformation.nullLaplacian EnhancementA rather noisy sharpened image is expected. Median filter is incapable of removing noise in such medical imagesnullSmoothed Gradient as a MaskThe response of the gradient to noise and fine detail is lower than the Laplacian’s and can be lowered further by smoothing the gradient with an averaging filter.We can smooth the gradient and multiply it by the Laplacian enhanced image. In this case the smoothed gradient may be viewed as a mask image.nullThe Sharpen Enhanced ImageThe final sharpen enhanced image can be obtained from the sum of original image and the sharpened image which comes from the product of Laplacian enhanced image and the smoothed Sobel gradient.nullContrast Stretch and the final ResultThe final step in this enhancement task is to increase the contrast of the sharpened image.There are a number of gray level transformation functions that can accomplish this objective. The dark characteristics of the images lend themselves to a power-law transformation.Significant new detail is visible in the result, including the faint definition of the outline of the body, and of body tissue.nullOverview of the Processing Flow in the Last ExampleOriginal imageLaplacian enhancedSobel gradientBox filter smoothedSharpendedSharpen enhancedPower-law stretchOutputThe way in which the results are used depends on the application and the user. Enhanced images are quite useful in highlighting details that can serve as clues for further analysis in the original image or sequence of images. There are many areas in which the enhanced result may indeed be the final product, and the principal objective of enhancement is to obtain an image with a higher content of visual detail.nullSummaryThis area of image processing is a dynamic field, and new techniques and applications are reported routinely in professional literature and in new product announcements. For this reason, the topics included in this lecture were selected for their value as fundamental material that would serve as a foundation for understanding the state of the art in enhancement techniques, as well as for further study in this field.The material in this lecture is representative of spatial domain techniques commonly used in practice for image enhancement. In addition to enhancement, this lecture served the purpose of introducing a number of concepts, such as filtering with spatial masks, that will be used in numerous occasions throughout the remainder of the lectures. 3.7 本章 总结 初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf 3.7 本章总结基本的灰度变换函数 直方图处理 图像的算术和逻辑操作 空间平滑滤波 空间锐化滤波数字图像处理是一个迅速发展的动态领域，不断有新的技术和应用见于报道。本章所讲的只是图像增强技术的一些最基本理论和方法，从而为了解该领域的最新发展和后面的学习打下一个坚实的基础。 空域增强技术也可借助频率域进行分析和理解，图像平滑也就是增强图像的低频成分，但也会造成模糊；锐化相当于增强高频成分，但也会加强噪声，因为噪声一般集中在高频段。 下一章讲解频率域增强技术。