当前位置: 首页>编程语言>正文

图像增强模型的优化方法 图像增强原理

数字图像处理之图像增强理论理解篇

图像增强目的:
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

图像增强方法:
空间域增强:直接对图像各像素点进行处理
频率域增强:对图像经过傅里叶变换后频谱成分进行处理,然后逆傅里叶变换得到所需图像。

1、空间域灰度变换

(1)灰度线性变换

g(x,y)=[(d-c)/(b-c)]*[f(x,y)-a]+c

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_直方图,第1张

对比度扩展

增强原图各部分的反差,即增强原图里的两个灰度值间的动态范围来拉伸感兴趣的区间,相对抑制不感兴趣的区域

(2)灰度非线性变换

非线性变换往往以牺牲某些灰度范围的图像信息(灰度压缩),来换取其他灰度范围的图像信息的改善(灰度拉伸)

例如对数函数作为图像的映射函数

g(x,y)=a+(ln[f(x,y)+1])/(b*lnc)

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_直方图_02,第2张

引入常量a,b,c是为了调整曲线的位置和形状

这个是用来对图像低灰度区域进行拉伸而对高灰度区域进行压缩,它能使图像灰度分布与人的视觉特性相匹配例如指数函数作为图像的映射函数

g(x,y)=b^(c*[f(x,y)-a])-1

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_灰度_03,第3张

这里常量a,b,c用来调整曲线的位置和形状,这种变换能对图像的高灰度区域给予较大的拉伸,而对低灰度区域进行一定的压缩

(3)直方图修正

直方图:表示图像中不同灰度级出现的相对频率(点数)

直方图是多对一的映射结果,即多个图像可以生成相同的直方图

不同灰度的图片可以有相同的直方图

直方图改变后,图片内容也会随之改变

直方图拉伸之后,图片的对比度增加
图像的对比度是指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,即指一幅图片的灰度反差大小。差异范围越大代表对比度越大,差异范围越小代表对比度越小

直方图修正法包括直方图均衡化和直方图规定化两类。

直方图的均衡化实际上也是一种灰度变换的过程,将当前的灰度分布通过一个变换函数,也就是将原图像的直方图修改为在整个灰度区间大致均匀分布,增强图像的对比度

直方图均衡是把原始图像的直方图变换为均匀分布的形式,增加像素的灰度值的动态范围,提高图像的对比度

通常直方图选择的变换函数是灰度的概率累积函数

直方图均衡化是一种非线性变换

直方图均衡的特点:
增加像素灰度值的动态范围,提高图像的对比度

matlab实现

y=x;%图像
for i=1:256
	I=find(x==i-1);
	y(I)=sum(p(1:i)/s)*255;
end

直方图均衡化后,图像的熵变大
(这里我期待大家跟我一起讨论一下,我们老师讲变大,当然我也在网上看见有变小的推导)

2、空间域

(1)图像平滑

低通滤波器
目的:在提取较大目标前去除太小的细节或将目标内的小间断连接起来消除噪声

噪声:
加性噪声
乘性噪声
量化噪声
盐和胡椒噪声

独立同分布的高斯白噪声,均值为0,方差为a

(2M+1)*(2M+1)的模板

(a)邻域滤波

有8邻域和4邻域两种,用来消除麻点噪声

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_低通滤波器_04,第4张

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_直方图_05,第5张

(b)均值滤波

在像素领域内求均值

可以有加权

特点:

可以在图像中消除或抑制噪声,同时,图像中景物边缘也会不同程度变得模糊

模板越大,模糊作用越强,因为模板越大,中心元素占比越小,越平滑

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_图像增强模型的优化方法_06,第6张

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_图像增强模型的优化方法_07,第7张

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_图像增强模型的优化方法_08,第8张

(c)中值滤波

目的:既要消除噪声又要保持图像细节
特点:可以消除杂散噪声点而不会或较小程度地造成边缘模糊
窗口形状:方形,十字形,圆形,圆环形
滤波机理:
在图像局部中,杂散噪声点的灰度值较大或较小,求中值可以自动地消除。
但中值滤波不同于均值滤波,中值滤波直接取自某个像素的灰度值,能较好保持图像景物原状

(d)多图像平均法

利用对同一景物的多幅图像去平均值来消除噪声产生的高频成分,在图像采集中常应用这种方法消除噪声

(2)图像锐化

高通滤波器
目的:增强被模糊的细节
边缘锐化
补偿图像的轮廓,突出图像中景物的边缘或文理,是图像清晰
空域的高通滤波,俗称勾边处理

图像模糊原因:图像被平均或积分
实现图像锐化,需要微分,增强高频分量,使图像边缘清晰,但同时也增加了噪声

条件:原图像有较高的SNR

噪声也属于高频分量,往往会随着高频增强而突出,因此往往需要去噪后再锐化(微分)

微分算子是各向同性的,即其微分效果不随特征方向不同而不同
偏导数的平方和是各向同性的,剃度运算和拉普拉斯运算都满足

(a)梯度法
(b)拉普拉斯运算法

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_低通滤波器_09,第9张

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_直方图_10,第10张

3、频率域

(1)低通滤波

(a)理想低通滤波器

副作用:图像模糊,出现振铃效果

(b)巴特沃斯低通滤波器

其带通与带阻之间无明显的不连续性,因此无振铃现象,模糊程度减少,它的尾部有较多的高频,通过降低截止频率达到一定平滑效果

(c)指数低通滤波器

具有较低的过度带,为此平滑后的图像无振铃现象,且比巴特沃斯滤波器有更快的衰减特性,比巴特沃斯稍模糊些

(d)梯形低通滤波器

有较轻振铃现象 ,图像模糊程度轻

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_灰度_11,第11张

(e)高斯低通滤波器

(2)高通滤波

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_低通滤波器_12,第12张

(a)理想滤波器
(b)巴特沃斯滤波器
(c)指数滤波器
(d)梯形滤波器
(e)高斯高通滤波器

4、同态增晰

作用:消除图像上照明不均的问题,增加暗区的图像细节,同时又不损失亮区的图像细节,它在频域中同时将亮度范围进行压缩和将图像对比度增强

图像增强模型的优化方法 图像增强原理,图像增强模型的优化方法 图像增强原理_灰度_13,第13张

ln函数是把低灰度部分拉伸,高灰度部分压缩,在频域上进行,所以要傅里叶变换,再逆傅里叶变换,再通过反函数exp变换回来

反映图像细节的分量处于高频区

如果图像照明不均,图像上各部分的亮度会有起伏,压缩照度分量的灰度范围或频域上消弱照度分量的频谱分量。因反射分量反映细节,利用对比度增强这一分量的对比度或频域上加大反射频谱成分,使暗区细节增强,并保留亮区图像细节

5、彩色增强

(1)伪彩色增强

(a)亮度切割
(b)灰度到彩色的变换

(2)真彩色增强

彩色到彩色的一种转换
目的:引起人们的特别关注,人眼对不同颜色的灵敏度不同



https://www.xamrdz.com/lan/5d41934562.html

相关文章: