毕业论文--基于VC++的图像增强算法实现.doc

前 言 1. 图像增强及其分类 由于各种外界因素的影响，如光照，传感器分辨率等，使获得的原始图像不同程度地存在边缘模糊，局部或整体的对比度不足等问题。图像增强作为图像处理常用的技术，可以消除原始图像边缘模糊，对比度差等缺点，从而增强图像的视觉效果。 目前常用的增强技术根据其处理的方法，可分为空间域法和频率域法。空间域法主要是在空间域中对图像像素灰度值直接进行处理运算。例如：将包含某点的一个小区域内的各点灰度值进行平均运算，用所得的平均值来代替该点的灰度值，这就是通常所说的平滑处理。空间域法的图像增强技术可以用下式来描述： g(x,y)=f(x,y)*h(x,y) （0-1） 其中f(x,y)是处理前的图像：g(x,y)表示处理后的图像；h(x,y)为空间运算函数。 图像增强的频率域法就是在图像的某种变换域中（通常是频率域中）对图像的变换值进行某种运算处理，然后变换回空间域。例如：可以先对图像进行傅立叶变换，再对图像的频谱进行某种修正（如滤波等），最后再将修正后的图像进行傅立叶反变换回空间域中，从而增强该图像。 图像增强技术作为一大类基本的图像处理技术，其目的是对图像进行加工，以得到对具体应用来说视觉效果更“好”，更“有用”的图像。由于具体应用的目的和要求不同，因而这里“好”和“有用”的含义也不同，并且所需要的具体增强技术也可以大不相同，从根本上说，并没有图像增强的通用标准，观察者是某种增强技术优势优劣的最终判断者，所以主观评价是图像增强中主要评价方法。 2. 图像增强的研究现状 对于某个特定的应用，我们通常根据增强处理需要达到的目标选择合适的增强算法，但总体上，图像增强问题可以归纳为以下3个方面： (1)消除脉冲噪声。 (2)非脉冲噪声的平滑。 (3)边缘增强和明显的结构信息的保护 噪声滤波和边缘增强常常是相互冲突的处理，噪声的平滑会破坏边缘细节，而边缘锐化会增强噪声。 传统的图像增强算法在确定变换或转移函数时常是基于整个图像的统计量，如：ST 变换，直方图均衡，中值滤波器，微分锐化滤波器，高通滤波器等等。这样，对应与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。 近年来，许多新的增强算法都充分利用了周围领域这一非常重要的信息，形成了局部处理的灰度调整算法，研究的热点主要集中在3大类增强算法。 （a）即能平滑噪声又能保护边缘的自适应滤波器。自适应滤波的基本思想是滤波器的参数可根据像素所在的邻域的情况而自适应选取。自适应滤波常可被描述为加劝平均滤波器。 （0-2） 其中w。是X,相应的权值，N是窗口中像素的数量w。的选取常常决定了算法的性能。 在提高算法的抗噪声能力方面，文献[4]-[5]介绍了几种权值的计算方法。这些方法可以较好的平滑噪声区域，并能保持较显著的边缘，但对图像细节的保护较差。在提高算法的细节保护能力方面，Saint-Marc[6]利用梯度来决定权重，建立了以e指数形式的权函数，较好的保护了图像细节，但这种方法对脉冲噪声敏感，而且模型的性能受指数参数K的影响比较大。Li和Chen[7]提出用时变的参数K（t）来解决此问题。另外，文献[8]-[9]还提出了各项异性扩散思想的改进方法，需要求解热传导方程。这些改进算法多数集中在权值的自适应选取上，但由于自适应调整的参数较少，仍然不能很好的解决细节保护和多种噪声的滤波问题。 （b）基于图像建模和估计理论的增强算法。这类方法的基本思想是提出一个图像的模型，如果这个模型的参数由一种鲁棒（robust）估计方法估计出来，则窗口中心点的灰度值可由估计出来的参数计算得到。这类方法中最简单的例子就是中值滤波器。中值滤波器的突出特点是对脉冲噪声具有较好的抗噪能力，但对类似细线状的细节保护能力较差。在提高算法细节保护能力方面Koivunen[10]引入最小截尾平方估计方法提出了多项式逼近的图像模型，其算法的细节保护能力较好。另外，在提高对非脉冲噪声的抗噪能力方面，Bovik[11]提出了自适应截尾中值滤波器来改进标准中值滤波器对高斯噪声的平滑效果，这类算法由于是估计理论为基础，因此所采用的估计方法的鲁棒好坏对算法的性能具有较大的影响。新的算法中选用的估计趋于复杂，使的增强算法整体也较为复杂。 （c）基于模糊集合论的增强滤波器。近年来，模糊集合理论的模式识别和计算机视觉中得到广泛应用，在基于模糊理论的图像处理方法中