[理学]第四讲 图像增强.pptVIP

第四章 图像增强 直方图均衡 图像平滑 图像锐化 频域增强 4. 1　直方图均衡 　灰度直方图（histogram）定义： 灰度直方图是灰度级的函数，它表示图象中具有每种灰度级的象素的个数，反映图象中每种灰度出现的频率。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率。 灰度直方图是图象的最基本的统计特征。 灰度直方图 灰度直方图 直方图的特点: 1．容易计算,每一灰度级的像素个数可直接计算得到。 2．直观明了, 一幅图像的像素灰度分布情况直观地显示出来,便于进行图像的灰度调整,如直方图均衡化 、灰度图像转化为黑白图像时的阈值选择等。 3 ．没有考虑图像的空间信息。 颜色直方图 颜色是图像的重要视觉信息。颜色直方图是三变量函数，用于统计图像中每种颜色出现的频率，即颜色的概率分布信息。在一幅图像中出现频率最高的颜色可能代表了图像的主色调。因此颜色直方图可用于彩色图像的主色调提取。 颜色直方图 练习： 设Z =R *256*256+G *256+B 代表了颜色编号。统计一幅大小为 M X N 的彩色图像的颜色直方图。 直方图均衡化 直方图均衡方法的基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的。 直方图均衡化 直方图均衡化 直方图均衡化 （2）求出图像f的总体像素个数 Nf=MxN （M,N分别为图像的长和宽） 计算每个灰度级的像素个数在整个图像中 所占的百分比。 hs(i)=h(i)/Nf (i=0,1,…,255) 直方图均衡化 （3）计算图像各灰度级的累计分布hp。 直方图均衡化 （4）求出新图像g的灰度值。 直方图均衡化 直方图均衡化的效果 4.2 图像平滑 图像在拍摄、传输和存储中受到干扰，造成噪声。通常通过平滑平滑抑制或消除图像噪声。 图像平滑的方法有均值滤波、中值滤波和K近邻均值滤波等。 均值滤波器 　 均值滤波是指在图像上对待处理的像素给一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。 均值滤波器 均值滤波器 均值滤波器的效果 中值滤波器 将图像中每个像素的一定范围领域内的像素按灰度值大小排序，用中间像素的灰度值代替该像素的灰度值，是一种非线性滤波中。 中值滤波器 原图像为：　2 2 6 2 1 2 4 4 4 2 4 处理后为： 中值滤波器 二维中值滤波： 做3*3的模板，对9个数排序，取第5个数替代原来的像素值。 中值滤波器的效果 K近邻(KNN)均值滤波器 经过平滑滤波处理之后，图像会变得模糊,其原因是在滤除噪声的同时也模糊了图像的边缘。既保持图像边缘不被模糊，又能滤除噪声是一对矛盾。 (1) 以待处理像素为中心，作一个m*m的作用模板。 (2) 在模板中，选择K个与待处理像素的灰度差为最小的像素。 (3) 将这K个像素的灰度均值（中值）替换掉原来的像素值。 3*3模板，k=5 KNN均值滤波器的效果 4.3 图像锐化 图象锐化是将图象中景物的边缘和轮廓增强，其目的是通过锐化，提取边缘、轮廓、线条等信息，供进一步识别或通过加重图像轮廓克服降质，以达到更好的视觉效果。由于边缘和轮廓都位于灰度突变的地方，所以实现锐化的算法是基于微分运算。 一阶微分算法 水平方向的锐化 一阶微分算法 垂直方向的锐化 一阶微分算法 交叉微分算法（Roberts梯度算法） Prewitt算法效果 Kirsch 算法效果图 4.4 频域滤波增强 -1 0 0 1 0 -1 1 0 频域滤波处理的一般方法： G(u,v)=H(u,v)F(u,v) f(x,y) F(u,v) G(u,v) g(x,y) 变换 H(u,v) 反变换 频域滤波处理的关键是选取合适的滤波器函数 H(u,v) 低通滤波： H(u,v) = 式中D0是一个非负整数，D(u,v)是从点(u,v) 到频率平面原点的距离。 1 当D(u,v)≦D0 0 当D(u,v) D0 D(u,v)＝(u2+v2)1/2 * * 图象的灰度统计直方图是1个1-D的离散函数： 式中fk为图象f (x, y)的第k级灰度值，nk是图象f (x, y)中具有灰度值fk的象素的个数，n是图象象素总数。 6 6 4 6 3 1 3 2 6 6 4 1 6 6 6