图像增强技术(MATLAB)—论文

图像增强技术(MATLAB)—论文 数字图像处理期中论文 图像增强技术综述 学 院 信息工程学院 专 业 电子信息工程 方 向 信息处理方向 姓 名 何 娜 娜 学 号 200710113081 中 国 传 媒 大 学 2010 年 11 月 27 日 图像增强技术综述 内容摘要 数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。图像 增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本 文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增 强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果 来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能 评价。 关键词:图像增强 直方图增强 对比度增强 平滑 锐化 彩色图像增强 Abstract Digital image processing is the procedures of converting image signal into digital format, then using the computer to process it. Image enhancement is digital image processing process often use a method to improve image quality, it plays an important role. This article first introduces the principle of image enhancement and classification，and then focus on several methods to study such as and histogram enhancement, contrast enhancement, smoothing and sharpening, and other commonly used in learning the basic digital image With the approach, through Matlab experiment that the actual effect of various algorithms to compare the advantages and disadvantages to discuss the different enhancement algorithm. The application of occasions, and its image enhancement method of performance evaluation. Keywords:Image Enhancement histogram enhancement contrast enhancement smoothing sharpening 1 图像增强概述 1.1 图像增强背景及意义 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，即图像失真。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。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 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 。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。 1.2 图像增强的应用 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。 2 图像增强的基本理论 2.1 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。 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: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 图像增强的分类及方法 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。具有代 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 性的空间域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。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。 2. 3 常用的图像增强方法 (1) 直方图均衡化 有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。 (2) 对比度增强法 有些图像的对比度比较低，从而使整个图像模糊不清。这时可以按一定的规则修改原来图像的每一个象素的灰度，从而改变图像灰度的动态范围。 (3) 平滑噪声 有些图像是通过扫描仪扫描输入、或传输通道传输过来的。图像中往往包含有各种各样的噪声。这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。这些噪声的存在直接影响着后续的处理过程，使图像失真。图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波;中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。 (4) 锐化 平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用 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 和统计差值的方法，使图像增强锐化。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，通过高通滤波器去除低频分量，也可以达到图像锐化的目的。 3 数字图像的基本概念 3.1 数字图像的表示 图像并不能直接用计算机来处理，处理前必须先转化成数字图像。早期一般用picture代表图像，随着数字技术的发展，现在都用image代表离散化了的数字图像。 f(x,y)由于从外界得到的图像多是二维(2-D)的，一幅图像可以用一个2-D数组表示。这 (x,y)里x和y表示二维空间XY中一个坐标点的位置，而f则代表图像在点的某种性质数值。为了能够用计算机对图像进行处理，需要坐标空间和性质空间都离散化。这种离散化了的图 f(x,y)像都是数字图像，即都在整数集合中取值。图像中的每个基本单元称为图像那元素，简称像素。 3.2 图像的灰度 常用的图像一般是灰度图，这时f表示灰度值，反映了图像上对应点的亮度。亮度是观察者对所看到的物体表面反射光强的量度。作为图像灰度的量度函数应大于零。人f(x,y)们日常看到的图像一般是从目标上反射出来的光组成的，所以可看成由两部分构f(x,y) 成:入射到可见场景上光的量;场景中目标对反射光反射的比率。确切地说它们分别称为照度成分和反射成分。与和都成正比，可表示成i(x,y)r(x,y)f(x,y)i(x,y)r(x,y)f(x,y),×。 i(x,y)r(x,y) 将二维坐标位置函数称为灰度。入射光照射到物体表面的能量是有限的，并且f(x,y) ,它永远为正，即0<<;反射系数为0时，表示光全部被物体吸收，反射系数为1i(x,y) 时，表示光全部被物体反射，反射系数在全吸收和全反射之间，即0=150); I(J)=255; subplot(1,3,3); imshow(I); title(' 图像二值化 ( 域值为150 ) '); 4、 图 4.5 %imadjust函数 I=imread('D:\image\rice.bmp');%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=imadjust(I,[0.3 0.7],[]);%对图像进行灰度变换 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'); 5、 图 4.6 %对数变换 I=imread('beauty.tif');%读取图像 I=mat2gray(I);%对数变换不支持uint8类型数据，将一个矩阵转化为灰度图像的数据格式 (double) J=log(I+1); subplot(1,2,1); Imshow(I);%显示图像 title('原图'); subplot(1,2,2); Imshow(J); title('对数变换后的图像') 6、图 4.7 %Gamma校正 for i=0:255; f=power((i+0.5)/256,1/2.2); LUT(i+1)=uint8(f*256-0.5); end img=imread('gg.bmp'); img0=rgb2ycbcr(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); Y=img0(:,:,1); Yu=img0(:,:,1); [x y]=size(Y); for row=1:x for width=1:y for i=0:255 if (Y(row,width)==i) Y(row,width)=LUT(i+1); break; end end end end img0(:,:,1)=Y; img1=ycbcr2rgb(img0); R1=img1(:,:,1); G1=img1(:,:,2); B1=img1(:,:,3); subplot(1,2,1); imshow(img);%显示图像 title('原图'); subplot(1,2,2); imshow(img1); title('Gamma后的图像') 7、图 4.8(a) %线性平滑滤波 I=imread('beauty.tif'); J=imnoise(I,'salt & pepper',0.02); subplot(221),imshow(I) title('原图像') subplot(222),imshow(J) title('添加椒盐噪声图像') K1=filter2(fspecial('average',3),J)/255;%应用3*3邻域窗口法 subplot(223),imshow(K1) title('3x3窗的邻域平均滤波图像') K2=filter2(fspecial('average',7),J)/255;%应用7*7邻域窗口法 subplot(224),imshow(K2) title('7x7窗的邻域平均滤波图像') 图 4.8(b) %利用低通邻域平均模板进行平滑 I=imread('girl.bmp'); I=rgb2gray(I); 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'); 8、图 4.9(a) %中值滤波和平均滤波 I=imread('girl.bmp'); I=rgb2gray(I); J=imnoise(I,'gaussian',0,0.01); subplot(2,2,1); imshow(I); title('原图'); subplot(2,2,2); imshow(J); title('noise'); K=fspecial('average',5); K1=filter2(K,J)/255; subplot(2,2,3); imshow(K1); title('平均滤波'); L=medfilt2(J,[3 5]); subplot(2,2,4); imshow(L); title('中值滤波'); 图 4.9(b) %二维中值滤波 hood=3; [P,map]=imread('leno.bmp'); I=rgb2gray(P); imshow(I,map); noisy=imnoise(I,'salt & pepper',0.05); %加入强度为0.05的椒盐噪声 subplot(221); imshow(noisy,map); title('加入椒盐噪声'); filtered1=medfilt2(noisy,[hood hood]);%3×3窗口二维中值滤波 subplot(222); imshow(filtered1,map); title('3×3窗口'); hood=5; filtered2=medfilt2(noisy,[hood hood]); %5×5窗口二维中值滤波 subplot(223); imshow(filtered2,map); title('5×5窗口'); hood=7; filtered3=medfilt2(noisy,[hood hood]); %7×7窗口二维中值滤波 subplot(224); imshow(filtered3,map); title('7×7窗口'); I=imread('leno.bmp'); figure; imshow(I); title('原图'); 图 4.9(c) %高通滤波边缘增强 I=imread('girl.bmp'); I=rgb2gray(I); subplot(2,2,1); imshow(I); title('original pic'); J=fspecial('average',3); J1=conv2(I,J)/255; subplot(2,2,2); imshow(J1); title('3*3lowpass'); K=fspecial('prewitt'); K1=filter2(K,J1)*5; subplot(2,2,3); imshow(K1); title('prewitt'); L=fspecial('sobel'); L1=filter2(L,J1)*5; subplot(2,2,4); imshow(L1); title('sibel'); 9、图 4.10 %锐化 a=imread('dowels.tif'); subplot(131); imshow(a); title('原图'); b=double(a);%将图像矩阵转化为double类型 s=size(b); c=zeros(s(1,1),s(1,2)); for x=2:s(1,1)-1 for y=2:s(1,2)-1 c(x,y)=(-b(x+1,y)-b(x-1,y)-b(x,y+1)-b(x,y-1)+4*b(x,y)); end end%用拉氏算子对图像进行滤波，这个过程相当于运用了一个3×3的掩膜[0，,1，0;,1， 4，,1;0，,1，0] subplot(132); imshow(c); title('Laplace锐化滤波图像'); d=b+c;%当拉普拉斯掩膜中心系数为正时，增强图像为原图像于拉氏算子滤波图像之和 d=uint8(d);%将图像矩阵变回uint8格式 subplot(133); imshow(d); title('Laplace锐化滤波结果'); 10、图 4.11 %利用sym4函数进行小波变换进行图像增强 x=imread('dowels.tif'); subplot (121) ; imshow(x); title ('原始图像') ; %画出原图像 % 对图像进行N层分解 [c,l] = wavedec2(x,3,'sym4'); c_size = size(x); % 弱化不重要的分解系数，增强重要的分解系数，这里假设阈值选取为k for i=1:c_size(2) if (c(i)>2) c(i)=2*c(i); %这里假设增强两倍 else c(i)=0.5*c(i); end end %重构图像 x1=waverec2(c,l,'sym4'); subplot(122); imshow(x1,[]); title ('增强图像'); 11、图 4.12 %伪彩色增强 I=imread('dowels.tif'); figure; imshow(I); title('原图'); X=grayslice(I,16) figure; imshow(X,hot(16)); title('伪彩色增强'); 12、图 4.13 %真彩色图像的分解 RGB=imread('peppers.png'); subplot(221),imshow(RGB) title('原始真彩色图像') subplot(222),imshow(RGB(:,:,1)) title('真彩色图像的红色分量') subplot(223),imshow(RGB(:,:,2)) title('真彩色图像的绿色分量') subplot(224),imshow(RGB(:,:,3)) title('真彩色图像的蓝色分量') 13、图 4.14 %假彩色增强处理 [RGB]=imread('peppers.png'); imshow(RGB); RGBnew(:,:,1)=RGB(:,:,3); RGBnew(:,:,2)=RGB(:,:,1); RGBnew(:,:,3)=RGB(:,:,2); subplot(121); imshow(RGB); title('原图'); subplot(122); imshow(RGBnew); title('假彩色增强');