1、數字圖像處理作業-第三次1、 什么是圖像增強？常見算法有哪些？典型算法的程序實現，其優缺點？結果對比。1.1圖像增強的定義為了改善視覺效果或者便于人和機器對圖像的理解和分析，根據圖像的特點或存在的問題采取的簡單改善方法或者加強特征的措施稱為圖像增強。一般情況下，圖像增強是按特定的需要突出一幅圖像中的某些信息，同時削弱或去除某些不需要的信息的處理方法，也是提高圖像質量的過程。圖像增強的目的是使圖像的某些特性方面更加鮮明、突出，使處理后的圖像更適合人眼視覺特性或機器分析，以便于實現對圖像的更高級的處理和分析。圖像增強的過程往往也是一個矛盾的過程：圖像增強希望既去除噪聲又增強邊緣。但是，增強邊緣的同

2、時會同時增強噪聲，而濾去噪聲又會使邊緣在一定程度上模糊，因此，在圖像增強的時候，往往是將這兩部分進行折中，找到一個好的代價函數達到需要的增強目的。傳統的圖像增強算法在確定轉換函數時常是基于整個圖像的統計量，如：ST轉換，直方圖均衡，中值濾波，微分銳化，高通濾波等等。這樣對應于某些局部區域的細節在計算整幅圖的變換時其影響因為其值較小而常常被忽略掉，從而局部區域的增強效果常常不夠理想，噪聲濾波和邊緣增強這兩者的矛盾較難得到解決。1.2 圖像增強的分類及方法圖像增強可分成兩大類：頻率域法和空間域法。前者把圖像看成一種二維信號，對其進行基于二維傅里葉變換的信號增強。采用低通濾波（即只讓低頻信號通過）法

3、，可去掉圖中的噪聲；采用高通濾波法，則可增強邊緣等高頻信號，使模糊的圖片變得清晰。具有代表性的空間域算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用于去除或減弱噪聲。圖像增強的方法是通過一定手段對原圖像附加一些信息或變換數據，有選擇地突出圖像中感興趣的特征或者抑制(掩蓋)圖像中某些不需要的特征，使圖像與視覺響應特性相匹配。在圖像增強過程中，不分析圖像降質的原因，處理后的圖像不一定逼近原始圖像。圖像增強技術根據增強處理過程所在的空間不同，可分為基于空域的算法和基于頻域的算法兩大類。基于空域的算法處理時直接對圖像灰度級做運算，基于頻域的算法是在圖像的某種變換域內對圖像的變換

4、系數值進行某種修正，是一種間接增強的算法。基于空域的算法分為點運算算法和鄰域去噪算法。點運算算法即灰度級校正、灰度變換和直方圖修正等，目的或使圖像成像均勻，或擴大圖像動態范圍，擴展對比度。鄰域增強算法分為圖像平滑和銳化兩種。平滑一般用于消除圖像噪聲，但是也容易引起邊緣的模糊。常用算法有均值濾波、中值濾波。銳化的目的在于突出物體的邊緣輪廓，便于目標識別。常用算法有梯度法、算子、高通濾波、掩模匹配法、統計差值法等。 1.3 常用的圖像增強方法（1） 直方圖均衡化有些圖像在低值灰度區間上頻率較大，使得圖像中較暗區域中的細節看不清楚。這時可以通過直方圖均衡化將圖像的灰度范圍分開，并且讓灰度頻率較小的灰

5、度級變大，通過調整圖像灰度值的動態范圍，自動地增加整個圖像的對比度，使圖像具有較大的反差，細節清晰。（2） 對比度增強法有些圖像的對比度比較低，從而使整個圖像模糊不清。這時可以按一定的規則修改原來圖像的每一個象素的灰度，從而改變圖像灰度的動態范圍。（3） 平滑噪聲有些圖像是通過掃描儀掃描輸入、或傳輸通道傳輸過來的。圖像中往往包含有各種各樣的噪聲。這些噪聲一般是隨機產生的，因此具有分布和大小不規則性的特點。這些噪聲的存在直接影響著后續的處理過程，使圖像失真。圖像平滑就是針對圖像噪聲的操作，其主要作用是為了消除噪聲，圖像平滑的常用方法是采用均值濾波或中值濾波，均值濾波是一種線性空間濾波，它用一個有

6、奇數點的掩模在圖像上滑動，將掩模中心對應像素點的灰度值用掩模內所有像素點灰度的平均值代替，如果規定了在取均值過程中掩模內各像素點所占的權重，即各像素點所乘系數，這時就稱為加權均值濾波；中值濾波是一種非線性空間濾波，其與均值濾波的區別是掩模中心對應像素點的灰度值用掩模內所有像素點灰度值的中間值代替。（4） 銳化平滑噪聲時經常會使圖像的邊緣變的模糊，針對平均和積分運算使圖像模糊，可對其進行反運算采取微分算子使用模板和統計差值的方法，使圖像增強銳化。圖像邊緣與高頻分量相對應，高通濾波器可以讓高頻分量暢通無阻，而對低頻分量則充分限制，通過高通濾波器去除低頻分量，也可以達到圖像銳化的目的。1.4 實驗（

7、一）直方圖均衡化，過程如下：（1）計算原圖像的灰度直方圖；（2）計算原圖像的灰度累積分布函數，進一步求出灰度變換表；（3）根據灰度變換表，將原圖像各灰度級映射為新的灰度級。在MATLAB中，histeq函數可以實現直方圖均衡化。該命令對灰度圖像I進行變換，返回有N級灰度的圖像J，J中的每個灰度級具有大致相同的像素點，所以圖像J的直方圖較為平坦，當N小于I中灰度級數時，J的直方圖更為平坦，缺省的N值為64。代碼： %灰度直方圖均衡化I=imread('source.jpg');%讀取圖像subplot(2,2,1);imshow(I);%顯示圖像title('原圖'

8、;);subplot(2,2,2);imhist(I)%繪制圖像的灰度直方圖title('原圖的灰度直方圖'); imhist(I)%顯示原始圖像直方圖subplot(2,2,3);J=histeq(I,64);%對圖像進行均衡化處理，返回有64級灰度的圖像Jimshow(J);%顯示圖像title('原圖直方圖均衡化');subplot(2,2,4);imhist(J);%繪制圖像的灰度直方圖title('均衡后的灰度直方圖');效果圖：結果分析：從上圖【原圖】可以看出原始圖像動態范圍較小，整體較暗，反映在直方圖上像素主要集中在低灰度的一側，如

9、【原圖的灰度直方圖】所示。經過對比度調整，圖像變亮，可以看到更多的細節如圖【原圖直方圖均衡化】和【均衡后的灰度直方圖】所示。優勢：可以充分利用圖像中的亮度信息，明顯改善圖像質量，是一種常用的圖像增強算法。不足：對于受噪聲影響明顯的圖像，該算法增強效果不明顯。即不能有效地抑制噪聲。而且，僅僅利用了圖像中的局部信息。（2） 銳化圖像銳化處理的作用是使灰度反差增強，從而使模糊圖像變得更加清晰。圖像模糊的實質就是圖像受到平均運算或積分運算，因此可以對圖像進行逆運算，如微分運算以突出圖像細節使圖像變得更為清晰。由于拉普拉斯是一種微分算子，它的應用可增強圖像中灰度突變的區域，減弱灰度的慢變化區域。因此，銳

10、化處理可選擇拉普拉斯算子對原圖像進行處理產生描述灰度突變的圖像，再將拉普拉斯圖像與原始圖像疊加而產生銳化圖像。拉普拉斯銳化的基本方法可以由下式表示： 這種簡單的銳化方法既可以產生拉普拉斯銳化處理的效果，同時又能保留背景信息：將原始圖像疊加到拉普拉斯變換的處理結果中去，可以使圖像中的各灰度值得到保留、灰度突變處的對比度得到增強，最終結果是在保留圖像背景的前提下，突現出圖像中小的細節。代碼：a=imread('source.jpg');subplot(221);imshow(a);title('原圖');b=double(a);%將圖像矩陣轉化為double類型s=

11、size(b);c=zeros(s(1,1),s(1,2);for x=2:s(1,1)-1 for y=2:s(1,2)-1 c(x,y)=(-b(x+1,y)-b(x-1,y)-b(x,y+1)-b(x,y-1)+4*b(x,y); endend%用拉氏算子對圖像進行濾波，這個過程相當于運用了一個3×3的掩膜0，1，0；1，4，1；0，1，0subplot(222);imshow(c);title('Laplace銳化濾波圖像');d=b+c;%當拉普拉斯掩膜中心系數為正時，增強圖像為原圖像于拉氏算子濾波圖像之和d=uint8(d);%將圖像矩陣變回uint8格式

12、subplot(223);imshow(d);title('Laplace銳化濾波結果');效果圖;結果分析：比較原始模糊圖像和經過拉氏算子運算的圖像，可以發現，圖像模糊的部分得到了銳化，特別是模糊的邊緣部分得到了增強，邊界更加明顯。但是，圖像顯示清楚的地方，經過濾波發生了失真，這也是拉氏算子增強的一大缺點。2 邊緣檢測 邊緣是圖像上灰度變化最劇烈的地方，傳統的邊緣檢測就是利用了這個特點，對圖像各個像素點進行微分或求二階微分來確定邊緣像素點。一階微分圖像的峰值處對應著圖像的邊緣點；二階微分圖像的過零點處對應著圖像的邊緣點。根據數字圖像的特點，處理圖像過程中常采用差分來代替導數運

13、算，對于圖像的簡單一階導數運算，由于具有固定的方向性，只能檢測特定方向的邊緣，所以不具有普遍性。為了克服一階導數的缺點，我們定義圖像的梯度為梯度算子，它是圖像處理中最常用的一階微分算法。圖像梯度的最重要性質是梯度的方向是在圖像灰度最大變化率上，它恰好可以反映出圖像邊緣上的灰度變化。2.1 邊緣檢測的基本步驟 1. 濾波：邊緣和噪聲同屬圖像中強度變化劇烈的部位因此邊緣檢測算子對邊緣和噪聲都很敏感，因此必須使用濾波器來改善與噪聲有關的邊緣檢測算子的性能。2. 增強：增強邊緣的基礎是確定圖像各點鄰域強度的變化值。增強算法可以將鄰域(或局部)強度之有顯著變化的點突顯出來。3. 檢測：在圖像中有許多點的

14、梯度幅值比較大，而這些點在特定的應用領域中并不都是邊緣，所以應該用某種方法來確定哪些點是邊緣點。最簡單的邊緣檢測判據是利用梯度幅值的閾值作為判據。4. 定位：邊緣定位即確定邊緣點的具體位置，除此之外還應包括邊緣細化、連接。圖.邊緣檢測的流程常用邊緣檢測算法經典的邊緣檢測算法主要有微分法和最優算子法，微分法是通過利用經典的微分算子檢測圖像的邊緣，主要包括Roberts算子、Sobel算子、Prewitt算子、Kirsch算子和Laplacian算子等，最優算子法則是微分算子發展和優化，主要有LOG算子和Canny算子等。1 .Roberts算子 邊緣，是指周圍像素灰度有階躍變化或屋頂等變化的那些

15、像素的集合。圖像的邊緣對應著圖像灰度的不連續性。顯然圖像的邊緣很少是從一個灰度跳到另一個灰度這樣的理想狀況。真實圖像的邊緣通常都具有有限的寬度呈現出陡峭的斜坡狀。 邊緣的銳利程度由圖像灰度的梯度決定。梯度是一個向量，f指出灰度變化最快的方向和變化量。 梯度大小由 確定。而梯度方向則由 確定。因此最簡單的邊緣檢測算子是用圖像的垂直和水平差分來逼近梯度算子： 因此當我們尋找邊緣的時候，最簡單的方法是對每一個像素計算出（2.1.4）的向量,然后求出它的絕對值。利用這種思想就得到了Roberts算子： 2 .Prewitt算子Roberts算子是直觀的也是簡單的，但是對噪聲多的情況顯然效果不好。實踐中

16、人們做了大量的實踐，總結出了一些經驗，后來Prewitt提出了一個算子，這就是Prewitt算子。 Prewitt邊緣檢測算子使用兩個有向算子(一個水平的，一個是垂直的，一般稱為模板)，每一個逼近一個偏導數： 如果我們用Prewitt算子檢測圖像 M 的邊緣的話，我們可以先分別用水平算子和垂直算子對圖像進行卷積，得到的是兩個矩陣，在不考慮邊界的情形下也是和原圖像同樣大小的 M1，M2，他們分別表示圖像M中相同位置處的兩個偏導數。然后把M1，M2 對應位置的兩個數平方后相加得到一個新的矩陣G,G表示M中各個像素的灰度的梯度值(一個逼近)。然后就可以通過閥值處理得到邊緣圖像。我們假設圖像的灰度滿足

17、下面這個關系： 則梯度是(,) 。 顯然,當前像素 3×3 鄰域內像素值為： 定義垂直算子和水平算子形如： 利用這兩個模板對當前像素進行卷積，得到的方向導數為 ： 因此當前像素處的梯度的大小為 ： 顯然要有： 2（2a+b）= 1 我們取 a=b=1/6則得到的模板就是1/6乘Prewitt算子。3. Kirsch算子Kirsch算子由8個3×3窗口模扳組成、每個模板分別代表一個特定的檢測方向，其模板算子如圖2.3.1所示。 在進行邊緣檢測時，把M0-M7所表示的邊緣模板(加權矩陣)分別與圖像中的一個3×3區域相乘，選取輸出值為最大的模板。然后，把這一最大輸出值作

18、為中央像素點上的邊緣強度，把取得最大值的邊緣模板Mk的方向k(k的取值如圖2.3.2所示)作為其邊緣方向。假設圖像中一點P(i，j)及其八鄰域的灰度如圖3.3.3所示，并設Qk(k0，1，7)為圖像經過kirsch算子第k個模板處理后得到的k方向上的邊緣強度，則P(i,j)的邊緣強度為s(i,j)=max|qk|(k=0,1，7)，而相應的邊緣方向D(i，j)=k|qk為最大值 圖2.3.1 圖2.3.2 圖2.3.34 canny算法Canny 的目標是找到一個最優的邊緣檢測算法，最優邊緣檢測的含義是：(1)最優檢測：算法能夠盡可能多地標識出圖像中的實際邊緣，漏檢真實邊緣的概率和誤檢非邊緣的

19、概率都盡可能小；(2)最優定位準則：檢測到的邊緣點的位置距離實際邊緣點的位置最近，或者是由于噪聲影響引起檢測出的邊緣偏離物體的真實邊緣的程度最小；(3)檢測點與邊緣點一一對應：算子檢測的邊緣點與實際邊緣點應該是一一對應。為了滿足這些要求 Canny 使用了變分法（calculus of variations），這是一種尋找優化特定功能的函數的方法。最優檢測使用四個指數函數項表示，但是它非常近似于高斯函數的一階導數。算法大致流程：1、求圖像與高斯平滑濾波器卷積:2、使用一階有限差分計算偏導數的兩個陣列P與Q：3、幅值和方位角:4、非極大值抑制（NMS ） ：細化幅值圖像中的屋脊帶，即只保留幅值局部變化