初学图像处理,如有写的不正确的地方请多纠正
图像增强
1:图象不清晰、不突出是多种因素造成的:采集中未突出所需部分,有干扰(噪音、散斑、运动模糊等等)。
2:目标是比原图像更适合于特定的应用,便于识别,人工或后继处理。
3:不同的问题适合采用不同的方法,评价结果好坏没有统一的标准。
改善降质图像的方法
图像增强:不考虑降质原因,关心有用信息,抑制次要部分,去干扰,增强对比度。不一定要去逼近原图像。
复原技术:针对降质原因,设法补偿降质因素,尽可能逼近原始图像,恢复原图。
二者有重叠部分:增强带有恢复性质,突出有用信息上,且是局部性恢复。
图像灰度变换
按一定变换关系,逐点改变原图像中每一个像素灰度值的方法。是图像增强处理技术中一种非常基础、直接的空间域图像处理方法。目的是为了改善画质,使图像的显示效果更加清晰。
点运算
输入图像为 f ( x , y ) f(x ,y) f(x,y),输出图像为 g ( x , y ) g(x ,y) g(x,y)。
点运算算法为:
g ( x , y ) = T [ f ( x , y ) ] (0) g(x ,y)=T[f(x,y)] \tag{0} g(x,y)=T[f(x,y)](0)
点运算是一种像素的逐点运算。描述了输入和输出值之间的转换关系。不改变空间位置关系。点运算又称为“对比度增强”、 “对比度拉伸”、“灰度变换”。
灰度变换
根据 g ( x , y ) = T [ f ( x , y ) ] g(x ,y)=T[f(x,y)] g(x,y)=T[f(x,y)] ,可以将灰度变换分为线性变换和非线性变换。
常见的几种灰度转换:
灰度线性变换
输出灰度级与输入灰度级呈线性关系的点运算。
g ( x , y ) = T [ f ( x , y ) ] = a f ( x , y ) + b (1) g(x ,y)=T[f(x,y)] =af(x,y)+b \tag{1} g(x,y)=T[f(x,y)]=af(x,y)+b(1)
当 f ( x , y ) = 0 时 , g ( x , y ) = b 。 f(x,y)=0时,g(x,y) = b。 f(x,y)=0时,g(x,y)=b。
当 a > 1 时 a>1时 a>1时,输出图像的对比度增大。
当 a < 1 时 a<1时 a<1时,输出图像的对比度减小。
当 a = 1 , b ≠ 0 a=1,b≠0 a=1,b=0,使所有像素的灰度值上移或下移,使整个图像更暗或更亮。
当 a = 1 , b = 0 时 a=1,b=0时 a=1,b=0时,输出、输入图像相同。
当 a < 0 时 a<0时 a<0时,暗区域将变亮,亮区域将变暗。
t a n θ = ( g 0 − g f 0 − f ) (2) tan \theta=\left(\frac{g_0-g}{f_0 -f} \right)\tag{2} tanθ=(f0−fg0−g)(2)
Δ F = f ( x , y ) − f (3) \Delta F = f(x,y)-f\tag{3} ΔF=f(x,y)−f(3)
g ( x , y ) = g + Δ F t a n θ = g + ( g 0 − g f 0 − f ) ( f ( x , y ) − f ) = t a n θ ∗ f ( x , y ) + ( g − f t a n θ ) (4) g(x,y) = g+ \Delta Ftan \theta = g + \left(\frac{g_0-g}{f_0 -f} \right)( f(x,y)-f) =tan \theta *f(x,y)+(g-ftan \theta ) \tag{4} g(x,y)=g+ΔFtanθ=g+(f0−fg0−g)(f(x,y)−f)=tanθ∗f(x,y)+(g−ftanθ)(4)
反转变换
g ( x , y ) = 255 − f ( x , y ) (5) g(x,y) = 255 - f(x,y)\tag{5} g(x,y)=255−f(x,y)(5)
分段线性变换
目的:为了突出感兴趣的区间,抑制不感兴趣区域,可采用分段线性变换。
g ( x , y ) = { c a f ( x , y ) f < a d − c b − a ( f ( x , y ) − a ) + c a ≤ f ≤ b M g − d M f − b ( f ( x , y ) − b ) + d b ≤ f ≤ M f (6) g(x,y)= \begin{cases} \frac{c}{a} f(x,y) &&&&f<a \\\\ \frac{d-c}{b-a}( f(x,y) -a)+c&&&& a\leq f\leq b \\\\ \frac{M_g-d}{M_f-b}( f(x,y) -b)+d&&&& b\leq f\leq M_f \end{cases}\tag{6} g(x,y)=⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧acf(x,y)b−ad−c(f(x,y)−a)+cMf−bMg−d(f(x,y)−b)+df<aa≤f≤bb≤f≤Mf(6)
有时为了保持f(x, y)灰度低端和高端值不变,用下式:
g ( x , y ) = { d − c b − a ( f ( x , y ) − a ) + c a ≤ f ≤ b f ( x , y ) (7) g(x,y)= \begin{cases} \frac{d-c}{b-a}( f(x,y) -a)+c&&&& a\leq f\leq b \\\\ f(x,y) \end{cases}\tag{7} g(x,y)=⎩⎪⎨⎪⎧b−ad−c(f(x,y)−a)+cf(x,y)a≤f≤b(7)
非线性变换
输出灰度级与输入灰度级呈非线性关系的点运算。
某图像的像素集中于中间灰度部分,而其他部分的像素数很少。可以压缩像素数少的部分,扩展像素数集中的部分。如果只想很仔细的解析图像的某一部分,例如图像的高灰度部分时,只要进行增加高灰度部分的灰度级数的变换,压缩其他部分,就能得到增强高灰度部
分的图像。这种变化又称为图像的局部增强。本章中所介绍的非零元素取一法、固定阈值法、双固定阈值法都属于非线性灰度变换。
具体应用中采用何种非线性灰度变换,需要根据变换的要求而定。
1:灰度对数变换
g ( x , y ) = c l o g a ( 1 + f ( x , y ) ) + b (8) g(x,y) = clog_a(1+f(x,y)) + b\tag{8} g(x,y)=cloga(1+f(x,y))+b(8)
2:灰度指数运算(伽马变换)
g ( x , y ) = a f ( x , y ) + b − 1 (9) g(x,y) = a^{f(x,y)} + b-1\tag{9} g(x,y)=af(x,y)+b−1(9)
3:其他非线性恢复值变换