数字图象处理第4章图像增强.ppt

第四章图像增强 本章主要内容 1 空间域点运算2 空间域邻域运算3 变换域运算4 彩色增强 第四章图像增强 图像增强是指对图像的某些特征 如边缘 轮廓 对比度等 进行强调或尖锐化 以便于显示 观察或进一步地分析与处理 增强不增加图像数据中的相关信息 但它改变所选择特征的动态范围 从而使这些特征检测或识别更加容易 第四章图像增强 图像增强有两大基本应用 第一类应用以在大量细胞中识别个别变异细胞为代表 它要求图像无噪声 能清晰辨识 平滑 第二类应用以监视跟踪航天飞行器轨迹为代表 它只需要图像的特征 为此 常将图像二值化以适应计算机处理 同时使处理后的图像轮廓过冲 这时图像发生了畸变 锐化 所以说图像增强的目的是不管图像是否发生畸变 只要满足看得舒服和找出图像特征两个目的即可 第四章图像增强 图像增强的困难是 很难对增强结果加以量化描述 只能靠经验 人的主观感觉加以评价 同时 要获得一个满意的增强结果 往往要靠人机的交互作用 然而 这丝毫没有减少图像增强在图像处理中的重要性 事实上 它常常作为许多后续分析与处理的基础 第四章图像增强 设输入图像为f x y 输出图像为g x y 其中f x y g x y 表示在 x y 点的灰度 则图像增强可表示为 g x y EH f x y 第四章图像增强 l点处理 EH定义在每一个 x y 上 在 x y 点的处理与其他点无关 l空间滤波 邻域运算 EH定义在 x y 的邻域 最常用的邻域为正方形 即变换后的图像在 x y 的灰度值不仅与 x y 点的灰度有关 还与 x y 周围点的灰度有关 若邻域取一个象素 空间滤波就变为点处理 点处理是空间滤波的特例 第四章图像增强 l变换域处理 图像空间 频域 增强变换 图像空间 第四章图像增强 1 空间域点运算 1 1 引言点运算将输入图像映射为输出图像 输出图像每个象素点的灰度值仅由对应的输入象素点的值决定 它常用于改变图像的灰度范围及分布 是图像数字化及图像显示的重要工具 1 空间域点运算 点运算实际上是灰度到灰度的映射过程 设输入图像为A x y 输出图像为B x y 则点运算可表示为 B x y f A x y 即点运算完全由灰度映射函数s f r 决定 显然点运算不会改变图像内象素点之间的空间关系 1 空间域点运算 由于点运算在处理与显示中的重要性 图像处理系统都有专门的处理硬件与之对应 以便能够以视频速率实时完成操作 这样的部件称为查找表 LUT LookUpTable 通常图像处理系统都有成组的查找表供编程使用 在通用的计算机上 没有查找表可以直接利用 通过软件逐点处理来实现 1 空间域点运算 点运算的几种方法 1 1 直接灰度变换 1 图像求反图像求反就是将原图灰度翻转 黑 白 2 对比度增强 增加原图各部分的反差 增加原图中某两个灰度值之间的动态范围 1 原图中r0和r1之间点的灰度动态范围增大 对比度增强2 若s0 r0s1 r1EH为斜率为1的直线 图像不变 3 阈值化 变换后图像只有2个灰度级 黑 白 对比度增强 但细节丢失 r0 0 s L 1 r L 1 3 阈值化 阈值化处理是最常用的一种非线性运算 它的功能是选择一阈值 将图像二值化 用于图像分割及边缘跟踪等处理 如下图所示 4 其他 4 其他 4 其他 4 其他 1 2 直方图处理 1 2 1 灰度直方图灰度直方图 histogram 是灰度的函数 它表示图像中具有每种灰度的象素的个数 反映图像中每种灰度出现的频率 是一个1 D的离散函数 1 2 1 灰度直方图 定义 k 0 1 L 1为灰度级数Sk为图像f x y 的第k级灰度 nk是f x y 中具有灰度Sk的象素的个数 n是图像象素总数 如下图所示 灰度直方图的横坐标是灰度级 纵坐标是该灰度出现的频率 是图像的最基本的统计特征 1 2 1 灰度直方图 根据图像的直方图 可以了解1幅图的整个分布情况 例如某一场景的不同图像对应的直方图如下 图 a 偏暗图 b 偏亮 c 图像动态范围偏小图 d 动态范围正常 1 2 1 灰度直方图 图 a 对应的例子如下图 1 2 1 灰度直方图 图 b 对应的例子如下图 1 2 1 灰度直方图 直方图的性质 1 直方图没有位置信息 不同图像的直方图有可能相同2 直方图是总体灰度的概念 如 整幅图像偏暗 偏亮 3 直方图可叠加性 如把一幅图分为四个区 每区分别做直方图 那么原图像的直方图为四个分区直方图的和 4 彩色图像 若由RGB三幅所合成 则有RGB三幅直方图 计算机处理时也是RGB分开处理再合成 1 2 2 直方图的修改 1 直方图的均衡化直方图均衡化的基本思想是把给定图像的直方图分布改造成均匀分布的直方图 从而增加象素灰度值的动态范围 达到增强图像整体对比度的效果 反映在图像上就是图像有较大的反差 许多细节可以看的比较清晰 由信息学的理论来解释 具有最大熵 平均信息量 的图像为均衡化图像 直方图均衡化可表示为 t某个象素变换后的灰度 s该象素变换前的灰度 1 直方图均衡化 该灰度变换函数应满足如下两个条件 1 f s 在范围内是单值单增函数 2 对有条件1 保证原图各灰度在变换后仍保持从黑到白 或从白到黑 的排列顺序 条件2 保证变换前后灰度值动态范围的一致性 1 直方图均衡化 可以证明累积分布函数 cumulativedistributionfunctionCDF 满足上述两个条件并能将s的分布转换为t的均匀分布 事实上 s的CDF就是原始图的累积直方图 即 其中 k 0 1 L 1根据这个公式 可以直接算出直方图均衡化后各象素的灰度值 需要取整以满足数字图像的要求 1 直方图均衡化 例1 一幅64 64 8个灰度级的图像 其直方图见图 a 1 直方图均衡化 1 直方图均衡化 进行直方图均衡化 所用的均衡化变换函数 即累积直方图 和均衡化后得到的直方图分别见图 b 和 c 1 直方图均衡化 注意 由于不能将同一个灰度值的各个象素变换到不同灰度 所以图像直方图均衡化的结果一般只是近似均衡的直方图 我们可试比较图 d 中的粗折线 实际均衡化结果 与水平直线 理想均衡化的结果 1 直方图均衡化 上节中飞机的例子 经图像均衡化后结果如下图所示 1 直方图均衡化 可以看出 直方图均衡化增加了图像灰度动态范围 所以增加了图像的对比度 反映在图像上就是图像有较大的反差 许多细节可以看得比较清楚 2 直方图规定化 所谓直方图规定化 就是通过一个灰度映射函数Gnew f Gold 将原灰度直方图改造成所希望的直方图 从而有选择的增强某个灰度值范围内的对比度 直方图均衡化自动增强整个图像的对比度 增强效果不易控制 直方图规定化主要有三个步骤 在此只考虑 M N分别为原图与规定图中的灰度等级 且N M的情况 2 直方图规定化 1 象均衡化方法中那样 对原始图的直方图进行均衡化 k 0 1 M 12 规定需要的直方图 并计算能使规定直方图均衡化地变换l 0 1 N 13 将原始直方图映射到规定的直方图 即将所有的对应到 2 直方图规定化 在此关键问题是 原始直方图与规定的直方图如何映射 常用的方法是先找到使下式最小的k lk 0 1 M 1l 0 1 N 1然后将对应到 2 直方图规定化 2 直方图规定化 下边举例说明直方图规定化方法 考虑直方图均衡化例子中的图像 原始直方图如图 a 规定直方图如图 b 图 c 是采用上述方法规定化后的直方图 与规定的直方图误差较大 原因是不能将一个灰度的所有象素整体变换到另外一个灰度带来的 1 2 3色彩直方图 色彩直方图是高维直方图的特例 它统计色彩的出现频率 即色彩的概率分布信息 通常这需要一定的量化过程 将色彩分成若干互不重叠的种类 一般不直接在RGB色彩空间中统计 而是在将亮度分离出来后 对代表色彩部分的信息进行统计 如在HSI空间的HS子空间 YUV空间的UV子空间 以及其它反映人类视觉特点的彩色空间表示中进行 例如 下图是统计肤色分布情况的例子 1 2 3色彩直方图 2 空间域邻域运算 2 1 引言邻域运算是指当输出图像中每个象素是由对应的输入象素及其一个邻域内的象素共同决定时的图像运算 通常邻域是远比图像尺寸小的一规则形状 如正方形2x2 3x3 4x4或用来近似表示圆及椭圆等形状的多边形 通常将这个形状构成的运算规则称为模板 2 1 引言 下图a给出1幅图像的一部分 其中所标为一些象素的灰度值 现设有一个3 3的模板如图b所示 模板内所标为模板系数 如将k0所在位置与图中灰度值为s0的象素重合 模板的输出响应为 a b c 2 1 引言 将R赋给增强图 作为在 x y 位置的灰度值 如果对原图中每个象素都进行这样的运算 就可得到增强图所有位置的新灰度值 如果我们给模板的系数赋予不同的值 就可得到不同的高通或低通效果 2 1 引言 信号与系统分析中的基本运算相关与卷积 在实际的图像处理中都表现为邻域运算 邻域运算与点运算一起形成了最基本 最重要的图像处理工具 围绕模板 filtermask template 的相关与卷积运算为 2 1 引言 相关运算定义为 使模板中心T m 1 2 m 1 2 与f x y 对应当m 3时 i 2 1 引言 卷积运算定义为 使模板中心T m 1 2 m 1 2 与f x y 对应当m 3时 i 2 1 引言 相关运算是将模板当权重矩阵作加权平均 而卷积与相关不同的只是在于需要将模板沿中心反叠 先沿纵轴翻转 再沿横轴翻转 即沿次对角线翻转 后再加权平均 如果模板是对称的 那么相关与卷积运算结果完全相同 实际上常用的模板如平滑模板 边缘检测模板等都是对称的 因而这种邻域运算实际上就是卷积运算 用信号系统分析的观点来说 就是滤波 对应于平滑滤波或称低通滤波 锐化滤波或称高通滤波等情况 2 2 平滑 图像平滑的目的是消除或尽量减少噪声的影响 改善图像质量 图像平滑实际上是低通滤波 让主要是信号的低频部分通过 阻截属于高频部分的噪声信号 平滑过程将会导致边缘模糊化 显然 在减少随机噪声点影响的同时 由于图像边缘部分也处在高频部分 也会导致边缘模糊化 邻域平均法 局部平滑法 平滑噪声 大部分噪声 如由敏感元件 传输通道 整量化器等引起的噪声 大多是随机性的 它们对某个象素点的影响可以看作孤立的 通常可用邻域平均的方法检测孤立点 并用适当的方法消除发现的噪声 在假定加性噪声是随机独立分布的条件下 利用邻域的平均或加权平均可以有效地抑制噪声干扰 邻域平均法 局部平滑法 对邻域进行加权计算的加权函数 也称作 空域低通滤波法 习惯上称为模板 掩模 常用的掩模有 邻域平均法 局部平滑法 邻域平均法的改进 邻域平均方法可用下式改进 其他 称为门限 可以根据对误差的允许程度来选定 邻域平均法 局部平滑法 例如 选为图像均方差的若干倍 即 或者用实验的方法 选为灰度级的一个百分数 即 L为总灰度级数 A为大于0的正数 通常邻域不能选的过大 过大会丢失图像灰度突变的有用信息 如景物边缘变模糊 邻域平均法 局部平滑法 模板的取法不同 中心点与邻域的重要程度不同 在实际处理时 因为图像边框象素3 3邻域会超出像幅 无法确定结果 为此可以采用边框象素强迫置0或补充边框外象素的值 如取与边框象素值相同或0 进行处理 中值滤波 选用低通滤波器 过滤噪声的同时 会使边界变模糊 反之为了提升边缘轮廓 要用高通滤波器 但同时加强了噪声 中值滤波是这样一种低通滤波器 它能在保护图像边缘的同时去除噪声 中值滤波 所谓中值滤波是把以某点 x y 为中心的小窗口内的所有像素的灰度按从大到小的顺序排列 将中间值作为 x y 处的灰度值 若窗口中有偶数个像素 则取两个中间值的平均 用公式表示即 中值滤波 中值滤波举例 原图处理后的图 中值滤波 上图中左边是原图 数字代表该处的灰度 可以看出中间的6和周围的灰度相差很大 如果是一个噪声点 经过1 3窗口 即水平3个像素取中间值 的中值滤波 得到右边那幅图 可以看出 噪声点被去除了 中值滤波 拿中值滤波和邻域平滑模板做个比较 看看中值滤波有什么特点 我们以一维模板为例 只考虑水平方向 大小为1 3 矩形模板为1 3 111 中值滤波 原图经矩形模板处理后的图经中值滤波处理后的图 应用平滑模板 图像平滑了 但是也使边界模糊了 应用中值滤波 就能很好地保持原来的边界 所以说 中值滤波的特点是保护图像边缘的同时去除噪声 中值滤波 再看第二类图 原图经Box模板处理后的图经中值滤波处理后的图 从原图中不难看出 中间的灰度要比两边高许多 这也是一类很典型的图 称之为Impulse 脉冲 可见 中值滤波对Impulse噪声非常有效 中值滤波 综合以上二类图 不难得出下面的结论 中值滤波在去除孤立点 线的噪声同时保持图像的边缘 它能很好的去除椒盐噪声 中值滤波 常用中值滤波的窗口还有 注意 当窗口内噪声点的个数大于窗口宽度的一半时 中值滤波的效果不好 中值滤波会删除一些图像细节如 细线 拐角等 中值滤波 中值滤波是一种非线性滤波 即两幅图像不满足 对于细节较多的复杂图像 可以多次使用不同的中值滤波得到的综合结果作为输出 可以获得更好的平滑和保护边缘的效果 如 线性组合中值滤波 中值滤波 线性组合中值滤波 利用形状和大小不同的窗口对同一幅图像进行多次中值滤波 结果进行线性组合 表示第k种窗口 ak是加权系数 灰度最相近的k个邻点平均法 思想 在n n的窗口内 属于同一集合体的象素 它们的灰度值高度相关 因此 窗口中心的象素值可用窗口内与中心点灰度最接近的K个邻点的平均灰度来代替 若K取得较小 保持细节较好 K取得较大 平滑噪声较好 但会使图像边缘模糊 对3 3的窗口 取K 6较为适宜 梯度倒数加权平滑法 设点 x y 的灰度值为f x y 在它的3 3邻域内 定义梯度倒数为 这里i j 1 0 1 但i和j不能同时为0 计算 x y 同8个邻点的g x y i j 值 若f x i y j f x y 梯度为0 则定义g x y i j 2 因此g x y i j 范围在 0 2 之间 梯度倒数加权平滑法 思想 图像在一个区域内的灰度变化比在区域之间变化要小 所以在边缘处梯度的绝对值比区域内部梯度的绝对值高 在一个n n的窗口内 若把中心象素与其各邻点之间梯度绝对值的倒数定义为各邻点的加权值 这样区域内的点加权值大 边缘附近和区域外的点 加权值小 这样对加权后n n邻域进行局部平均 可使图像得到平滑 又不致于使边界和细节有明显模糊 梯度倒数加权平滑法 定义一个归一化的权重矩阵W作为平滑掩模 规定w x y 1 2 其余8个加权元素之和为1 2 使w各元素总和为1 于是有 i j 1 0 1 且i j不同时为0 最大均匀性平滑 思想 为避免消除噪声引起边缘模糊 处理时先找出环绕图中每象素最均匀区域 然后用这区域的灰度均值代替该象素原来的灰度值 最大均匀性平滑 举例说明如下 对图像中任一象素 x y 的5个重叠的3 3方形邻域 用梯度算子计算它们灰度变化的大小 把其中灰度变化最小的邻域作为最均匀的区域 用它的平均灰度代替象素 x y 的值 这种算法在消除图像噪声的同时可以保持边缘清晰度 缺点 对复杂形状的边界会过分平滑并使细节消失 有选择保边缘平滑法 思想 是对最大均匀平滑法的一种改进 对图像中任一象素 x y 的5 5邻域 采用9个模板 包括一个3 3正方形 4个五边形 4个六边形 计算各个模板的均值和方差 对方差进行排序 最小方差对应的掩模区的灰度均值就是象素 x y 的输出值 有选择保边缘平滑法 有选择保边缘平滑法 这种方法以方差作为各个区域灰度均匀性的测度 若区域含有尖锐的边缘 它的灰度方差很大 而不含边缘或灰度均匀的区域 它的方差就小 因此它能够消除噪声 又不破坏区域边界的细节 另外 五边形和六边形在 x y 处都有锐角 这样 即使象素位于一个复杂形状区域的锐角处 也能找到均匀的区域 从而在平滑时既不会使尖锐边缘模糊 也不会破坏边缘形状 2 3 锐化 sharpening 锐化的目的是加强图像中景物的边缘和轮廓 锐化和平滑恰恰相反 它是通过增强高频分量来减少图像中的模糊 因此又称为高通滤波 锐化处理在增强图像边缘的同时也会增强图像的噪声 2 3 锐化 sharpening 图像中的边缘和轮廓就是那些灰度发生跳变的区域 用灰度差分可以提取 但差分一般有方向性 而边缘和轮廓可能具有任意的轮廓 所以希望找到各向同性的检测算子 它们对任意方向的边缘 轮廓具有相同的检测能力 常用的具有这种性质的算子有梯度 拉普拉斯 Laplacian 等 用梯度对图像进行锐化处理 二元函数f x y 在坐标点 x y 处的梯度向量定义为 梯度的幅值 用梯度对图像进行锐化处理 可以证明 梯度幅值具有各向同性或旋转不变性 而且给出了该象素点灰度的最大变化率 图像处理中 所指的梯度是梯度幅值 而不是梯度向量 用差分近似代替微分 x方向 y方向 用梯度对图像进行锐化处理 采用差分公式计算 计算量很大 实用中采用简化的方法 也可以用交叉梯度 Roberts 计算 所有梯度值与相邻象素间的灰度差分成比例 因此 利用梯度值可以增强图像中景物的边界 用梯度对图像进行锐化处理 梯度图像的形成方法 1 梯度图像就取坐标 x y 处的梯度作为新图像的灰度 即这种取法的缺点是 在灰度变化比较平缓的区域 梯度很小 将显示很黑的一片 用梯度对图像进行锐化处理 梯度图像的形成方法 2 选取一个门限值 使得 当时其他适当选择T 可以有效地增强边界而不影响平滑的背景信息 用梯度对图像进行锐化处理 梯度图像的形成方法 3 用一个选定地灰度代替梯度值当时其他可以得到边界清晰而又不影响平滑的背景信息 用梯度对图像进行锐化处理 梯度图像的形成方法 4 若取 当时其他只对边界位置感兴趣 用拉普拉斯算子进行锐化处理 二元函数f x y 在坐标点 x y 处的拉普拉斯算子定义为 称为拉普拉斯算子 同样具有旋转不变性 用拉普拉斯算子进行锐化处理 数字图像中 拉普拉斯算子可以简化为 用模板形式表示 也是一种空间滤波形式 用拉普拉斯算子进行锐化处理 当这样的模板放在图像中灰度值为常数或变化很小区域时 其输出值为零或很小的值 处理中会有一部分象素值小于零 由于在图像处理中我们一般只考虑正的灰度值 所以还需将输出图像灰度值范围通过尺度变换回到 0 L 1 范围 用拉普拉斯算子进行锐化处理 常用的拉普拉斯模板有 边缘提取 所有系数之和为0 用拉普拉斯算子进行锐化处理 锐化 所有系数之和为1 用拉普拉斯算子进行锐化处理 容易看出用来锐化的拉普拉斯模板含义 先将自身与周围的8个像素相减 表示自身与周围像素的差别 再将这个差别加上自身作为新像素的灰度 可见 如果一片暗区出现了一个亮点 那么锐化处理的结果是这个亮点变得更亮 增加了图像的噪声 用拉普拉斯算子进行锐化处理 原图锐化后的图像 其它锐化算子 Sobel算子 Prewitt算子 其它锐化算子 Isotropic算子 3 变换域运算 变换增强的一般步骤是 图像 变换域 滤波 增强的图像 常用方法 通带滤波 根滤波 同态滤波 3 1 通带滤波 包括低通频域滤波 髙通频域滤波 低通滤波去处高频噪声 髙通滤波可以提升边缘 轮廓 3 1 通带滤波 1 理想的低通滤波器圆柱D0是一个非负整数 称为截断频率 3 1 通带滤波 2 理想的高通滤波器 3 1 通带滤波 理想的滤波器 其脉冲响应呈衰减振荡特性 以灰度表示其响应幅度 则脉冲响应的图像将具有许多同心亮环 用这样的滤波器处理图像 会产生振铃效应 3 1 通带滤波 用1 D滤波器来说明 由于理想滤波器频率响应具有垂直的锐截止边 为了减少 消除振铃效应 滤波器频率响应应具有光滑的缓慢下降特性 频域通带滤波器特性 3 2 根滤波 若图像的付氏变换为 则当变换的振幅取 次方时 即令 若取 1时 它相当于低通滤波器 3 3 同态滤波 图像的灰度函数f x y 可以看成由入射分量和反射分量两部分组成 即 入射光取决于光源 反射光取决于物体的性质 就是说景物的亮度特征主要取决于反射光 3 3 同态滤波 另一方面 由于入射光较均匀 随空间位置变化较小 而反射光 由于物体性质和结构特点不同 迎光 背光 遮光 边界 轮廓 不向颜色 而反射强弱不同的光 因此光的强弱随空间位置变化较剧烈 所以 在空间频率域 入射光占据低频段 反射光占据相对高频段比较宽的范围 为此 只要我们能把入射光和反射光分开 然后分别对它们施加不同的影响 例如 压制较低频段 放大较高频段 就能使反映物体性质的反射光得到增强 而压低不必要的入射光成份 3 3 同态滤波 如何用FFT技术研究两个分量频率域的性质 如果直接对上式取傅立叶变换 无法把等式右边两项分开 为了达到将它们分开处理的目的 对上式两侧取对数 有 两边进行傅立叶变换有 3 3 同态滤波 假设用一个传递函数合适的滤波器H u v 对信号z x y 进行处理 则滤波器输出为 再进行反变换 得到空域信号 再进行反对数运算 得到真正的空域信号 3 3 同态滤波 这种方法的关键是用取对数的方法把两个乘积项分开 然后用一个滤波函数 同时对两部分进行滤波 并施加不同的影响 最后再经指数运算还原出处理结果 这种系统称为同态系统 该滤波函数便称为同态滤波函数 同态滤波的过程 F x y g x y 3 3 同态滤波 由于入射分量取对数后的付里叶变换主要分布于频率平面的低频部分 而反射分量对数的付里叶变换 却大半占据着相对的高频部分 因此 只要我们适当地选取同态滤波函数便能以不同方式 对两部分施加不同的影响 使用合适的同态滤波器 就可以在获得尽可能大的对比度的同时 压制低频部分 增强高频部分 减小其动态范围 从而增加图像的清晰度 4 彩色增强 4 1 真彩色增强真彩色 truecolor 增强是将一幅彩色图像映射为另一幅彩色图像 从而达到增强对比度的目的 4 1 真彩色增强 在彩色图像模型HSI中 亮度分量与色度分量是分开的 色调和饱和度的概念与人的感知是紧密相关的 如果将RGB图转化为HSI图 亮度分量和色度分量就分开了 前面讨论的对灰度图增强的方法都可以使用 一种简便常用的真彩色增强方法的基本步骤为 1 将R G B分量图转化为H S I分量图 2 用对灰度图增强的方法增强其中的I分量 3 将结果转化为R G B分量图来显示 4 1 真彩色增强 尽管对R G B各分量直接使用对灰度图增强的方法可以增加图中的可视细节亮度 但得到的增强图中的色调有可能完全没有意义 这是因为在增强图中对应同一个象素的R G B这3个分量都发生了改变 他们的相对数值与原来不同 从而导致图像颜色的较大改变 4 2 假彩色增强 假彩色 falsecolor 增强一般有2种 将真实景物图像的象素逐个指定为另一种颜色 使目标在原图中更突出 如将蓝天映射为红色 将蓝天上的飞机映射为蓝色 只要对突出飞机有利就可以 把多光谱图像中任意3个光谱图像映射为RGB三个可见光谱段的信号 再合成一幅彩色图像 例如遥感卫星有的波段不在可见光范围之内 可映射到可见光范围去模拟自然彩色才可以观看 4 3 伪彩色增强 伪彩色增强 pseudocolor 是将灰度图像的不同灰度级映射成彩色图像 常用于遥感及医学图像处理中 突出兴趣区域或待分析的数据段 以便更直观地观察和分析图像数据 如下两图所示 4 2 伪彩色增强 1 亮度切割法亮 密 度切割法 强度切割法 是伪彩色图像处理中一种最基本 最简单的方法 基本思想 将一幅灰度图看作一个2 D的亮度函数 用平行于坐标平面的平面将图像的灰度分成若干个区域 为每个区域分配一种颜色 4 2 伪彩色增强 2 灰度级 彩色变换更常用 比密度切割更易于在广泛的彩色范围内达到增强图像的目的 根据色度学原理 将原图像f x y 的灰度分别经过R G B三种不同的变换 变成三基色分量 再合成为一幅彩色图像 4 2 伪彩色增强 典型变换函数如下 由图中可以看出 在灰度为零时呈蓝色 灰度为L 2时呈绿色 灰度为L时呈红色 其他为三基色混合成的色调 4 2 伪彩色增强 3 频率域滤波法在频域将图像灰度的不同频率成分被编成不同的颜色