第6章图像增强课件

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第,6,章 图像的增强,目的,采用一系列技术去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处理的形式。图像增强并不以图像保真为准则，而是有选择地突出某些对人或机器分析有意义的信息，抑制无用信息，提高图像的使用价值。,图像增强研究的内容,图像增强,空间域,点运算,区域运算,灰度变换,直方图修正法,彩色变换增强,伪彩色增强,假彩色增强,同态滤波增强,低通滤波,高通滤波,频率域,彩色增强,代数运算,平滑,锐化,6.4 平滑（Smoothing）,区域增强算法包括,平滑算法和锐化算法。,从频率域看，,低通滤波可以对图像进行平滑去噪处理,高通滤波可对图像进行边缘锐化处理。,本节将介绍,邻域平均法,中值滤波,边界保持类滤波等。,6.4 图像噪声,数字图像往往要经过采集、处理、存储、传输等一系列加工变换，而由电气系统和外界引入的图像噪声也将在这些过程中随之引入，可能严重影响图像的质量。,这些过程将使得图像噪声的精确分析变得十分复杂。,图像噪声消除或减低在图像预处理中的地位显得十分重要,1,图像噪声的分类,（,1,）按其产生的原因，可以分为,外部噪声和内部噪声。,（,2,）按统计特性是否随时间变化，可以分为,平稳噪声和非平稳噪声。,（,3,）按噪声幅度随时间分布形状来定义，有,高斯噪声、瑞利噪声、泊松噪声等。,（,4,）按噪声频谱形状来分类，有,白噪声、,1/f,噪声、三角噪声等。,（,5,）按噪声和信号之间的关系，可分为,加性噪声和乘性噪声。,2,MATLAB,为图像加噪声的函数,函数形式为,J=imnoise(I,type,parameters),其中，,I,为原图像的灰度矩阵，,J,为加噪声后的灰度矩阵。,type,为噪声种类，,parameters,是允许修改的参数，可以默认。,type,可以有五种。,6.4 平 滑,平滑是一种区域增强的算法，平滑算法有：邻域平均法，中值滤波和边界保持类滤波等。,6.4.1 邻域平均法,大部分的噪声都可以看作是随机信号，它们对图像的影响可以看作是孤立的。对于某一像素而言，如果它与周围像素点相比，有明显的不同，我们就认为该点被噪声感染了。,【,例,】,分别采用上述,4,种模板对图像进行处理,解：,程序如下：,I1=imread(g:Miss.bmp);,I=imnoise(I1,salt%,对图像加椒盐噪声,imshow(I);,h1=0.1 0.1 0.1;0.1 0.2 0.1;0.1 0.1 0.1;%,定义,4,种模板,h2=1/16.*1 2 1;2 4 2;1 2 1;,h3=1/8.*1 1 1;1 0 1;1 1 1;,h4=1/2.*0 1/4 0;1/4 1 1/4;0 1/4 0;,I2=filter2(h1,I);%,用,4,种模板进行滤波处理,I3=filter2(h2,I);,I4=filter2(h3,I);,I5=filter2(h4,I);,figure,imshow(I2,)%,显示处理结果,figure,imshow(I3,),figure,imshow(I4,),figure,imshow(I5,),显示了处理前的图和,4,种模板处理后的结果图。,（,a,）有噪声的图像 （,b,）模板,1,处理的结果图 （,c,）模板,2,处理的结果图,（,d,）模板,3,处理的结果图 （,e,）模板,4,处理的结果图,平滑处理的例子,图6.19 平滑处理的实例,（a）原始图像（b）有噪声的图像（c）用模板1处理后的图像,（d）用模板2处理后的图像（e）用模板3处理后的图像（f）用模板4处理后的图像,2,频率域分析,对式（4.29）进行二维DFT，则将空间域的卷积关系转化为频率域的乘法关系：,G,(,u,v,)=,H,(,u,v,),F,(,u,v,),式中，,H,(,u,v,)=DFT,h,(,u,v,)为低通滤波器。,由于图像的细节也趋向于高频段，所以选择低通滤波器的截止频率时要特别小心，兼顾解决降噪和保持图像细节的矛盾。,图6.20 频率域平均去噪原理框图,2,）典型低通滤波器,a,理想低通滤波,2,）典型低通滤波器,振铃程度,图像模糊程度,噪声平滑效果,理想的低通滤波器,严重,严重,最好,梯形滤波器,较轻,轻,好,指数滤波器,无,较轻,一般,巴特沃兹滤波器,无,很轻,一般,图6.21 指纹图像的频率域增强,（,a,）指纹原图 （,b,）频率域增强后的指纹图像,频率域图像增强,理想低通滤波器举例,理想低通滤波器举例-振铃现象,巴特沃斯低通滤波器 n=2,高斯低通滤波器,频率域图像增强,低通滤波器的应用实例：模糊,平滑等,字符识别：,通过模糊图像，桥接断裂字符的裂缝,印刷和出版业：,从一幅尖锐的原始图像产生平滑、柔和的外观，如人脸，减少皮肤细纹的锐化程度和小斑点,处理卫星和航空图像：,尽可能模糊细节，而保留大的可识别特征。低通滤波通过消除不重要的特征来简化感兴趣特征的分析,字符识别,人脸图像处理,目的：尽可能模糊细节，而保留大的可识别特征,6.4.2 中值滤波,在邻域平均法中，在去噪的同时也使边界变得模糊了，中值滤波是非线性的处理方法，在去噪的同时可以兼顾到边界信息的保留。,首先选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把该窗口中所含的像素点按灰度级的升（或降）序排列，取位于中间的灰度值，来代替该点的灰度值。即,例如选择滤波用的窗口,W,如下图所示，是一个一维的窗口，待处理像素的灰度取这个模板中灰度的中值，滤波过程为：,一维窗口,除上述窗口外，常用的窗口还有方形、十字形、圆形和环形等等，如下图所示。,图 中值滤波的常用窗口,中值滤波是一种非线性运算。它对于消除孤立点和线段的干扰十分有用。特别是对于二进噪声尤为有效，对于消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，还可以多次使用不同的中值滤波，然后通过适当的方式综合所得的结果作为输出，这样可以获得更好的平滑和保护边缘的效果。,【,例,】,选用,33,的窗口进行中值滤波。,解：,程序如下：,I1=imread(g:Miss.bmp);,%,加噪声密度为,0.02,的盐椒噪声,I=imnoise(I1,salt,imshow(I);,K=medfilt2(I);%,中值滤波,figure,imshow(K);,（,a,）原图 （,b,）结果图,中值滤波,下图显示了中值滤波的结果。,6.4.3 边界保持类滤波,1.K近旁均值滤波器（KNNF）,该算法的思想是：在mm的窗口中，属于同一集合类的像素，他们的灰度值将高度相关。基于此思想，被处理的像素（对应于窗口中心的像素）可以用窗口内与中心像素灰度最接近的k个邻近像素的平均灰度来代替。,其步骤如下：,（1）作一个mm的作用模板。,（2）在其中选择K个与待处理像素的灰度差为最小的像素。,（3）用这K个像素的灰度均值替换掉原来的值。,下图是模板为,33,，,k,3,的,K,近旁均值滤波器的例子。,图,K,近旁均值滤波器,2.K,近旁中值滤波器,(KNNMF),在,K,近旁均值滤波器中我们不选,k,个邻近像素的平均灰度来代替，而选,k,个邻近像素的中值灰度来代替，则这个滤波器就变成了,K,近旁中值滤波器。,图,K,近旁中值滤波器,3.,最小均方差滤波器,该方法对图像上待处理的像素（,m,，,n,）选它的,55,邻域，在此邻域中采用下图所示的模板（其中有,1,个,33,正方形，,4,个五边形和,4,个六边形，共,9,个邻域），计算各个模板的均值和方差，按方差排序，最小方差所对应的模板的灰度均值就是像素（,m,，,n,）的输出值。,图 最小均方差滤波器模,板,其计算步骤如下,（,1,）按上图做出,9,个模板，计算出各自的方差。,（,2,）选出方差为最小的模板,（,3,）用该模板的灰度均值代替原像素的灰度值,其均值和方差公式如下,其中 是指对应的模板，,N,是模板中像素的数量。,该方法以方差作为各个邻域灰度均匀性的测度。若邻域含有尖锐的边缘，它的灰度方差必定很大，而不含边缘或灰度均匀的邻域，它的方差就很小，那么最小方差所对应的邻域就是灰度最均匀邻域。因此通过这样的平滑既可以消除噪声，又能够不破坏邻域边界的细节。,均值降噪,补充1 图像的,校正,我们知道，数字图像信息的获取通常都是通过光电传感器,(,如：,CCD),来完成的。但是，由于传感器的输入输出特性不是线性的。所以，如果不进行,校正处理,的话，将无法得到好的图像效果,。,（同理，加洗照片不对颜色进行校正配准，所以效果都会略差一些）,1.1,光电传感器的输入输出特性,设,CCD,的输入（入射光强度）为,L,，输出（电流强度）为,I,，则有：,当我们得到信号,I,之后，必须对其进行校正，使得后面处理的信息为,L,或估计的近似,L,。,1.2,校正的原理,因此，,校正的关键是确定,值。,1.3,校正方法,1.,值的确定,1）理论确定方法,即logI与logL成线性关系。选线性区的斜率来计算,值。,1.3,校正方法,2）实际中,值的确定方法,通常CCD的,值在0.4,0.8之间，,值越小，,画面的效果越差,。根据画面对比度的观察与分析，可以大致得到该设备的,值（或依据设备的参考,值）。,例 题,4,6,9,9,9,5,4,6,8,6,6,8,0,8,7,8,9,5,0,7,5,9,5,8,0,原始信息,L,=0.4,1,3,9,9,8,2,1,3,7,3,3,6,0,6,4,6,8,2,0,5,2,9,2,6,0,CCD,的输出信息,I,如果不进行校正的话，会有,11/25=44%,的数据畸变严重。,从上面的数据规律可以看出，会导致对比度的减小。,1.3,校正方法,2.对输入信息进行,校正,在实际中，通常是根据预先设计好的速查表来完成校正。,例 题,4,6,9,9,9,5,4,6,8,6,6,8,0,8,7,8,9,5,0,7,5,9,5,8,0,1,3,9,9,9,2,1,3,6,3,3,6,0,6,5,6,9,2,0,5,2,9,2,6,0,CCD,的输出信息,I,1,3,9,9,8,2,1,3,7,3,3,6,0,6,4,6,8,2,0,5,2,9,2,6,0,校正后的信息,原始信息,=0.4,校正后的误差为计算误差，是不得已的，可忽略的误差,值得注意的是：所得到的,值不一定准确，那么我们来看一下，,值不准确时,，进行校正后的图像效果。,图像空间域锐化,6.5 图像锐化,1,目的,:,使边缘和轮廓线模糊的图像变得清晰，从而使其细节清晰。,2,图像锐化的方法,1,）微分运算,2,）加重高频分量来使图像清晰,3,注意事项：,能够进行锐化处理的图像必须要求有较高的信噪比，否则图像锐化后，图像信噪比更低。,6.5 图像锐化,空间域处理:,所谓空间域处理是直接在图像域内利用各种微分算子实现图像的边缘增强。,频域处理：,所谓频域处理是,在频域内通过各种高通滤波器的滤波处理来实现图像的边缘增强。,6.5 锐 化,在图像增强中，有时候还需要加强图像中景物的边缘和轮廓。而边缘和轮廓常常位于图像中灰度突变的地方，因而我们可以直观的想到用灰度的差分对边缘和轮廓进行提取。这就是锐化处理的内容。,6.5.1 梯度锐化法,二元函数 在坐标点 处的梯度定义为,这个梯度向量的幅度由下式给出：,为了降低图像的运算量，因此，在实际操作中，常用绝对值或最大值运算代替平方与平方根运算近似求梯度的幅度：,对于数字图像处理微分将用差分代替，沿,x,和,y,方向的一阶差分可分别表示为,沿,x,和,y,方向的一阶差分,Roberts,差分,不管上述哪种表示法，所有梯度值都和相邻像素之间的灰度差分成比例。这说明我们可以利用它来增强图像中景物的边界。,采用梯度进行图像增强的方法有：,第一种方法是使其输出图像的各点等于该点处的梯度。即,这种方法的缺点是输出的图像在灰度变化比较小的区域，很小，显示的是一片黑色。,第二种方法是对梯度值超过某阈值,T,的像素选用梯度值，而小于该阈值,T,时选用原图像的像素点值。即,适当的选取,T,，可以有效地增强边界而不影响比较平滑的背景。,第三种方法是对梯度值超过某阈值,T,的像素选用固定灰度 代替，而小于该阈值,T,时仍选用原图像的像素点值。即,这种方法可以使边界清晰，同时又不损害灰度变化比较平缓区域的图像特性。,第四种方法是将梯度值超过某阈值,T,的像素选用梯度值，而小于该阈值,T,时选用固定的灰度 。即,这种方法将背景用一个固定的灰度级 来表示，便于研究边缘灰度的变化。,第五种方法是将梯度值超过某阈值,T,的像素选用固定灰度 ，而小于该阈值,T,时选用固定的灰度 。即,这种方法生成的是二值图，根据阈值将图像分成边缘和背景，便于研究边缘所在的位置。,【,例,】,利用,Roberts,梯度对图像进行锐化处理。,解,:,程序如下,:,I=imread(g:Miss.bmp);,imshow(I);,BW1=edge(I,roberts,0.1);,%,对输入的图像求,Roberts,梯度，然后进行二值处理，阈值,0.1,figure,imshow(BW1);,（,a,）原图像 （,b,）结果图,Roberts,梯度的锐化,6.5.2 拉普拉斯算子（Laplacian）,除上述一阶微分外，我们还可以选用二阶微分算子，比如拉普拉斯算子。一个连续的二元函数 ，其拉普拉斯运算定义为,对于数字图像，拉普拉斯算子可以简化为,上式也可以表示为卷积的形式，即,其中，,k,1,，,l,1,，取下式,除此，还有拉普拉斯的增强算子：,其对应的模板为：,【,例,】,应用拉普拉斯算子进行图像锐化处理。,解,:,程序如下,I=imread(g:Miss.bmp);,imshow(I);,h=0-1 0;-1 4-1;0-1 0;,I2=imfilter(I,h);,figure,imshow(I2);,锐化处理的结果见下图,（,a,）原图像 （,b,）结果图,图 拉普拉斯算子的锐化,6.5.3 高通滤波,常用的高通模板有：,6.5.4 其他锐化算子,1.Sobel算子,用模板来表示,2.Prewitt,算子,用模板表示 ，如下,3.Isotropic,算子,用模板表示 ，如下,【,例,】,利用,Sobel,算子和,Prewitt,算子对图像进行锐化处理,解,采用,Sobel,算子和,Prewitt,算子进行处理。,MATLAB,的程序如下：,I=imread(g:Miss.bmp);,imshow(I);,hs=fspecial(sobel);,S=imfilter(I,hs);,hp=fspecial(prewitt),P=imfilter(I,hp);,figure,imshow(S,);,figure,imshow(P,);,（,a,）,Lena,原图,(b)Sobel,算子 （,c,）,Prewitt,算子,锐化结果,6.6,伪彩色与假彩色处理,伪彩色与假彩色处理,伪彩色,(pseudocolor),处理：,把黑白图像处理成伪彩色图像。,假彩色,(false color),处理：,把真实的自然彩色图像或遥感多光谱图像处理成假彩色图像。,优点：人眼,分辨,灰度级能力较差，但对彩色分辨率较强，因此将图像中的黑白灰度级变换成不同的彩色，人眼就能提取较多的信息，从而达到图像增强的效果,缺点：因光照等条件不同，形成不同的灰度级，结果出现了不同彩色，往往产生错误的判断。,6.6.1 伪彩色处理,人眼只能区分,40,多种不同等级的灰度，却能区分几千种不同色度、不同亮度的色彩。,伪彩色处理就是把黑白图像的灰度值映射成相应的彩色。,（一）灰度分层法,(,密度分层法,),灰度分层法,MATLAB,实现,I=imread(,g:Miss.bmp,);,Imshow(I);,G2C=grayslice(I,8);,Figure;,Imshow(G2C,hot(8);%,显示伪彩色图像,伪彩色处理,（二）灰度变换法,伪彩色处理,灰度变换法示意图,T,G,(,),f(x,y),T,R,(,),T,B,(,),R(x,y),G(x,y),B(x,y),伪彩色处理,灰度变换曲线,L,L,L/4,3L/4,L/2,0,G,B,R,灰度变换法,MATLAB,实现,实 例,6.6.2 基于亮度表示的伪彩色方法,仿照对温度的描述方式，当温度比较低，我们会想到蓝色（又称冷色调），当温度较高的时候，会想到红色（又称暖色调）。根据人感官上的这一特性，将亮度低的影射为蓝色，亮度高的影射为红色。,6.6.2,基于亮度表示的伪彩色方法,由此，可以按照如下所示的影射关系进行伪彩色处理。,255,0 63 127 191 255,f,g,R,255,0 63 127 191 255,f,g,G,255,f,g,B,0 63 127 191 255,6.6.3 基于区域表示的伪彩色方法,这种伪彩色技术在医学诊断中常被用到，目的是,突出病灶,，提高诊断率。,该伪彩色技术是对原图进行了预处理，将识别出属于,不同性质,的区域给不同的色彩。,6.6.4 假彩色处理,把真实的自然彩色图像或遥感多光谱图像处理成假彩色图像。,用途：,（,1,）景物映射成奇异彩色，比本色更引人注目。,用途：,（,2,）适应人眼对颜色的灵敏度，提高鉴别能力。,如人眼对绿色亮度响应最灵敏，可把细小物体映射成绿色。人眼对蓝光的强弱对比灵敏度最大。可把细节丰富的物体映射成深浅与亮度不一的蓝色。,用途：,（,3,）遥感多光谱图像处理成假彩色，以获得更多信息。,表示：,真彩色图像处理成假彩色图像：,例：,表示：,遥感四波段图像处理成假彩色图像：,假彩色处理,用计算机上口红,原图,假彩色处理,给舌头上口红？,作 业,1,、已知一幅图像为：,对图像进行中值滤波，均值滤波和锐化。,6,.3,，6,.7,，6,.,8，6,.11,灰级窗效果示意图,原 图,肺 窗,肌肉窗,骨 窗,灰级窗切片效果示意图,原 图,肺 区,骨 区,肌肉区,灰度级的修正,非线性动态范围调整,直方图均衡化的效果,线性动态范围调整效果,基于亮度表示的伪彩色效果图,无校正,CCD,图像效果示意图,不同,值的效果示意图,原图,=0.8,=0.4,按,=0.8校正,不准确,值的校正（估计的,偏大）,=0.4,按,=0.6校正,按,=0.4校正,不准确,值的校正（估计的,偏小）,=0.8,按,=0.4校正,按,=0.6校正,按,=0.8校正,基于区域表示的伪彩色技术,基于区域表示的伪彩色技术,基于区域表示的伪彩色技术,