《數(shù)字圖像處理－岡薩雷斯(第2版)》.doc

目 錄第1章 緒論1教學(xué)目的和要求1關(guān)于數(shù)字圖像處理課程11.1 數(shù)字圖像處理的概念1一、數(shù)字圖像的定義1二、圖像處理、圖像分析、計算機視覺的界定1三、三種典型的計算處理1四、本教材數(shù)字圖像處理涉及的范圍11.2 數(shù)字圖像處理的起源21.3 數(shù)字圖像處理的應(yīng)用實例21.3.1 伽瑪射線成像21.3.2 X射線成像31.3.3 紫外波段成像41.3.4 可見光及紅外線成像51.3.5 微波波段成像91.3.6無線電波成像101.3.7其它圖像模式應(yīng)用的實例111.4 數(shù)字圖像處理的基本步驟121.5 圖像處理系統(tǒng)的部件12第1章 作業(yè)題12第2章 數(shù)字圖像基礎(chǔ)13教學(xué)目的和要求132.1 視覺感知和要素132.1.1 人眼的構(gòu)造132.1.2 眼睛中的圖像形成132.1.3 亮度適應(yīng)和鑒別132.2 光和電磁波譜132.3 圖像感知和獲取132.4 圖像取樣和量化152.4.1 取樣和量化的基本概念152.4.2 數(shù)字圖像表示16課堂實驗2.1 利用MATLAB讀入和顯示圖像162.4.3 空間和灰度級分辨率17課堂實驗2.2 空間分辨率折半17課堂實驗2.3 編寫M函數(shù)實現(xiàn)分辨率折半17課堂實驗2.4 空間分辨率折半并保存圖像172.4.4 混淆的水紋圖樣192.4.5 放大和收縮數(shù)字圖像20課堂實驗2.5 編寫M函數(shù)實現(xiàn)分辨率倍增212.5 像素間的一些基本關(guān)系222.5.1 相鄰像素222.5.2 鄰接性、連通性、區(qū)域和邊界222.5.3 距離度量222.5.4 基于像素的圖像操作222.6 線性和非線性操作22第2章 作業(yè)題23第2章 實驗題23第3章 空間域圖像增強24教學(xué)目的和要求243.1 背景知識24“空間域增強”的含義243.2 某些基本灰度變換243.2.1 圖像反轉(zhuǎn)25課堂實驗3.1 繪制反轉(zhuǎn)圖像253.2.2 對數(shù)變換25課堂實驗3.2 圖像的對數(shù)變換263.2.3 冪次變換26課堂實驗3.3 圖像的伽馬校正27課堂實驗3.4 用冪次變換進行對比度增強273.2.4 分段線性變換函數(shù)283.3 直方圖處理30課堂實驗3.5 圖像的直方圖31課堂實驗3.6 繪制自己的直方圖323.3.1 直方圖均衡化32例3.1 直方圖均衡化舉例32課堂實驗3.7 直方圖均衡化343.3.2 直方圖匹配(規(guī)定化)35課堂實驗3.8 直方圖均衡化的不足353.3.3 局部增強373.3.4 在圖像增強中使用直方圖統(tǒng)計學(xué)373.4 用算術(shù)/邏輯操作增強37例3.2 提取圖像的感興趣區(qū)383.4.1 圖像減法處理38例3.3 圖像相減383.4.2 圖像平均處理38例3.4 用圖像平均減少噪聲393.5 空間濾波基礎(chǔ)39一、線性濾波(Linear Spatial Filtering)40二、非線性濾波(Nonlinear Spatial Filtering)40三、邊緣處理403.6 平滑空間濾波器413.6.1 平滑線性濾波器41課堂實驗3.8 用各種尺寸掩模平滑圖像42課堂實驗3.9 平滑線性濾波與二值圖像(域值處理)433.6.2 統(tǒng)計排序濾波器43課堂實驗3.10 使用函數(shù)medfilt2進行中值濾波44課堂實驗3.11 用函數(shù)ordfilt2進行最大、中值和最小值濾波443.7 銳化空間濾波器443.7.1 基礎(chǔ)443.7.2 基于二階微分的增強拉普拉斯算子45課堂實驗3.12 拉普拉斯銳化46課堂實驗3.13 高提升濾波483.7.3 基于一階微分的圖像增強梯度法49課堂實驗3.14 用于邊緣增強的梯度處理503.8 混合空間增強法50課堂實驗3.15 混合空間增強法51課堂實驗3.16 混合空間增強法(續(xù))52第3章 作業(yè)題53第3章 實驗題54第4章 頻率域圖像增強55教學(xué)目的和要求554.1 背景554.2 傅立葉變換和頻率域的介紹554.2.1 一維傅立葉變換及其反變換55一、連續(xù)傅立葉變換和反變換55二、離散傅立葉變換和反變換55課堂實驗4.1 一維離散傅立葉變換和反變換564.2.2 二維DFT及其反變換56課堂實驗4.2 一個簡單二維函數(shù)的中心譜57課堂實驗4.4 人像的傅立葉變換及反變換584.2.3 頻率域濾波58頻率域的基本性質(zhì)58課堂實驗4.4 頻率域的基本性質(zhì)58課堂實驗4.5 傅立葉譜顯示某些重要特征58課堂實驗4.6 兩矩陣點積.*與積*的區(qū)別58頻率域中的濾波基礎(chǔ)59一些基本的濾波器及其性質(zhì)59課堂實驗4.7 陷波濾波器59課堂實驗4.8 頻域濾波產(chǎn)生的折疊現(xiàn)象60課堂實驗4.9 折疊現(xiàn)象的解決方法161課堂實驗4.10 折疊現(xiàn)象的解決方法2624.2.4 空間域濾波和頻率域濾波之間的對應(yīng)關(guān)系644.3 平滑的頻率域濾波器644.3.1 理想低通濾波器64課堂實驗4.11 計算D4距離的方法64課堂實驗4.12 理想低通濾波器的M函數(shù)65課堂實驗4.12 理想低通濾波654.3.2 巴特沃思低通濾波器67課堂實驗4.13 巴特沃思低通濾波器的M函數(shù)67課堂實驗4.14 巴特沃思低通濾波674.3.3 高斯低通濾波器68第4章 作業(yè)題69第4章 實驗題71第5章 圖像復(fù)原72教學(xué)目的和要求725.1 圖像退化/復(fù)原處理的模型725.2 噪聲模型725.2.1 噪聲的空間和頻率特性725.2.2 一些重要的噪聲的概率密度函數(shù)72課堂實驗5.1 樣本噪聲圖像和它們的直方圖745.2.3 周期噪聲74課堂實驗5.2 周期噪聲及其頻譜755.2.4 噪聲參數(shù)的估計75課堂實驗5.3 估計噪聲參數(shù)估計755.3 噪聲存在下的唯一空間濾波復(fù)原765.3.1 均值濾波器76一、算術(shù)均值濾波器76二、幾何均值濾波器76三、諧波均值濾波器76四、逆諧波均值濾波器76例5.1 編程M函數(shù)實現(xiàn)幾何均值濾波器76課堂實驗5.4 算術(shù)和幾何均值濾波器76課堂實驗5.5諧波和逆諧波均值濾波器775.3.2 順序統(tǒng)計濾波器78中值濾波器78最大值和最小值濾波器78中點濾波器78修正后的阿爾法均值濾波器785.3.3 自適應(yīng)濾波器78課堂實驗5.6 自適應(yīng)中值濾波器795.4 頻域濾波削減周期噪聲795.4.1 帶阻濾波器795.4.2 帶通濾波器80第5章 作業(yè)題80第5章 實驗題80第6章 彩色圖像處理816.1 彩色基礎(chǔ)816.2 彩色模型856.2.1 RGB彩色模型856.2.2 CMY和CMYK模型886.2.3 HSI模型89課堂實驗6.1 HSI的特點演示93課堂實驗6.2 無顏色失真的“祛斑”936.3 偽彩色處理94第6章 作業(yè)題94第6章 實驗題94第9章 形態(tài)學(xué)圖像處理959.1 序言959.1.1 集合論中的幾個基本概念959.1.2 二值圖像的邏輯運算95課堂實驗9.1 二值圖像的邏輯運算969.2 膨脹與腐蝕969.2.1 膨脹96例9.1 膨脹操作的圖示197例9.2 膨脹操作的圖示297課堂實驗9.2 二值圖像的膨脹操作989.2.2 腐蝕99例9.3 腐蝕操作的圖示99結(jié)構(gòu)元素用到的函數(shù)strel99課堂實驗9.3 二值圖像的腐蝕操作1009.3 開操作和閉操作100課堂實驗9.4 二值圖像的開、閉操作1019.4 擊中和擊不中變換102例9.3 擊中和擊不中變換(補充)102課堂實驗9.5 擊中和擊不中變換1039.5 一些基本的形態(tài)學(xué)算法1049.5.1 邊界提取104課堂實驗9.6 邊界提取1049.5.2 區(qū)域填充104課堂實驗9.7 區(qū)域填充的原理圖示1049.5.3 連通分量的提取106第9章 作業(yè)題106第9章 實驗題1064 第1章 緒論(Introduction)教學(xué)目的和要求課時數(shù)1教學(xué)課型理論課教學(xué)目的和要求讓學(xué)生了解圖像處理、圖像分析、計算機視覺的界定，各種成像方式的原理及其主要應(yīng)用領(lǐng)域。教學(xué)重點數(shù)字圖像處理的含義教學(xué)難點無教學(xué)方法、手段、媒介以多媒體為主，加上黑板板書補充教學(xué)過程和內(nèi)容見教材作業(yè)題見第1章 作業(yè)題關(guān)于數(shù)字圖像處理課程1、課時68 = 授課51 + 實驗172、實驗工具MATLAB或Visual Studio中的Visual C+3、關(guān)于作者4、參考資料(1) 本教材對應(yīng)的英文原版Digital Image Processing, 2nd ed.的支持主頁/DIP-2E/dip2e_main_page.htm可以下載教材中使用的圖像、復(fù)習(xí)資料和PowerPoint教案。(2) Digital Image Processing Using MATLAB, 1st Edition/DIPUM-1E/dipum1e_main_page.htm(3) MATLAB7.0在圖象處理中的應(yīng)用羅家輝，馮平，哈力旦A等編著1.1 數(shù)字圖像處理的概念一、數(shù)字圖像的定義 = 灰度值或顏色值二、圖像處理、圖像分析、計算機視覺的界定1、圖像處理輸入是圖像，輸出也是圖像。2、圖像分析(圖像理解)圖像分割、表示與描述。3、計算機視覺模擬人類視覺，包括理解和推理并根據(jù)視覺輸入采取行動。三、三種典型的計算處理1、低級處理輸入、輸出都是圖像。2、中級處理涉及分割(把圖像分為不同區(qū)域和目標(biāo)物)縮減對目標(biāo)物的描述，以使其更適合計算機處理及對不同目標(biāo)的分類。3、高級處理涉及在圖像分析中被識別的物體的總體理解，以及執(zhí)行與視覺相關(guān)的識別函數(shù)。四、本教材數(shù)字圖像處理涉及的范圍包括圖像處理和圖像分析。1.2 數(shù)字圖像處理的起源1.3 數(shù)字圖像處理的應(yīng)用實例1.3.1 伽瑪射線成像放射性同位素，正電子放射斷層(PET) 放射出伽瑪射線，見Figure1.6。1.3.2 X射線成像電子撞擊原子核時放射出X射線，見Figure1.7。1.3.3 紫外波段成像電子撞擊原子核時放射出X射線，見Figure1.8。紫外光成像的例子：(a) 正常谷物(b)被“真菌”感染的谷物 (c)天鵝星座環(huán)1.3.4 可見光及紅外線成像1.3.5 微波波段成像雷達。1.3.6無線電波成像1.3.7其它圖像模式應(yīng)用的實例碳?xì)浠衔锍暡娮语@微鏡分形1.4 數(shù)字圖像處理的基本步驟1.5 圖像處理系統(tǒng)的部件(略)第1章 作業(yè)題1、使用關(guān)鍵字描述各種成像方式的原理及其主要應(yīng)用領(lǐng)域。2、數(shù)字圖像處理的基本步驟及各步驟的主要任務(wù)。第2章 數(shù)字圖像基礎(chǔ)(Digital Image Fundamentals)教學(xué)目的和要求課時數(shù)3教學(xué)課型理論課教學(xué)目的和要求讓學(xué)生了解圖像處理、圖像分析、計算機視覺的界定，各種成像方式的原理及其主要應(yīng)用領(lǐng)域。教學(xué)重點數(shù)字圖像處理的含義，像素間的一些基本關(guān)系。教學(xué)難點m鄰接教學(xué)方法、手段、媒介以多媒體為主，加上黑板板書補充教學(xué)過程和內(nèi)容見本文檔。作業(yè)題見第2章 作業(yè)題2.1 視覺感知和要素2.1.1 人眼的構(gòu)造視網(wǎng)膜上存在桿狀細(xì)胞、錐狀細(xì)胞。2.1.2 眼睛中的圖像形成晶狀體相當(dāng)于光學(xué)透鏡，具有聚焦功能。2.1.3 亮度適應(yīng)和鑒別瞳孔2.2 光和電磁波譜2.3 圖像感知和獲取獲取的圖像總存在噪聲。2.4 圖像取樣和量化2.4.1 取樣和量化的基本概念連續(xù)的電壓(或電流)波形數(shù)字化，包括取樣和量化。數(shù)字化坐標(biāo)值稱為取樣，數(shù)字化幅度值稱為量化。隨機變化是由圖像噪聲引起的。2.4.2 數(shù)字圖像表示一、本書的坐標(biāo)約定二、灰度級別一幅圖像有級灰度時，稱該圖像是比特圖像。保存一幅分辨率為的比特圖像需要的比特數(shù)為課堂實驗2.1 利用MATLAB讀入和顯示圖像 第1步 在MATLAB的Current Directory窗口中將工作目錄改變到圖像所在目錄。第2步 在Command Windows窗口中運行dir來查看工作目錄下的文件和子目錄信息。第3步 接著運行f = imread(Fig2.07(a).jpg)或f = imread(Fig2.07(a).jpg);讀入圖像文件Fig3.15(a)1top.jpg到內(nèi)存，并保存到f中。注意：上面的區(qū)別僅在于一個有分號，另一個沒有分號。第4步 接著運行whos f可查看圖像f的信息。第5步 再運行imshow(f)顯示圖像f于新窗口Figure 1。第6步 再運行打開一個新的窗口，準(zhǔn)備用于顯示下一幅圖像g。否則下一幅圖像g將覆蓋圖像f。第7步 再運行g(shù) = imread(Fig2.08(a).jpg);第8步 再運行figure,imshow(g)打開一個新的窗口Figure 2，并顯示圖像g。若運行imshow(g)則圖像g將覆蓋圖像f，并顯示于原窗口Figure 1。第9步 最后運行doc imshow可以獲得函數(shù)imshow的使用方法。2.4.3 空間和灰度級分辨率一、空間分辨率(Spatial Resolution 7rezE5lju:FEn)由取樣(Sampling)決定,是圖像中可辨別的最小細(xì)節(jié)。例如：行列的圖像的空間分辨率為。課堂實驗2.2 空間分辨率折半a = imread(Fig2.19(a).jpg );imshow(a)whos a for i = 1 : 512for j = 1 : 512b(i,j) = a(2*i-1,2*j-1);endendimshow(b)whos b課堂實驗2.3 編寫M函數(shù)實現(xiàn)分辨率折半命令edit halfsize.m用來生成一個新文件halfsize.m，該文件內(nèi)容如下：function g = halfsize(f)imax = size(f,1) / 2;jmax = size(f,2) / 2;for i = 1:imax for j = 1:jmax g(i,j) = f(2*i-1,2*j-1); endend課堂實驗2.4 空間分辨率折半并保存圖像b = halfsize(a);imshow(b)size(b)d = halfsize(halfsize(b);imshow(d)size(d)imwrite(d,Fig2.19(d).jpg,quality,100);clear dd = imread(Fig2.19(d).jpg);imshow(d)whos d二、灰度分辨率(Gray-level Resolution)2.4.4 混淆的水紋圖樣一、香農(nóng)采樣定理(Shannon Sampling Theorem)來源于維基百科 1、香農(nóng)采樣定理采樣過程所應(yīng)遵循的規(guī)律，又稱取樣定理、抽樣定理。采樣定理說明采樣頻率與信號頻譜之間的關(guān)系，是連續(xù)信號離散化的基本依據(jù)。采樣定理是1928年由美國電信工程師H.奈奎斯特首先提出來的，因此稱為奈奎斯特采樣定理(Nyquist Sampling Theorem。1948年信息論的創(chuàng)始人C.E.香農(nóng)對這一定理加以明確地說明并正式作為定理引用，因此在許多文獻中又稱為香農(nóng)采樣定理。采樣是將一個信號（即時間或空間上的連續(xù)函數(shù)）轉(zhuǎn)換成一個數(shù)值序列（即時間或空間上的離散函數(shù)）。采樣定理指出，如果信號是帶限的(bandlimited)，并且采樣頻率高于信號帶寬的兩倍，那么，原來的連續(xù)信號可以從采樣樣本中完全重建出來。更高的采樣頻率沒有意義，屬于浪費。采樣定理是指，如果信號帶寬不到采樣頻率的一半(即奈奎斯特頻率)，那么此時這些離散的采樣點能夠完全表示原連續(xù)信號。高于或處于奈奎斯特頻率的頻率分量會導(dǎo)致混疊現(xiàn)象。大多數(shù)應(yīng)用都要求避免混疊，混疊問題的嚴(yán)重程度與這些混疊頻率分量的相對強度有關(guān)。2、采樣簡介從信號處理的角度來看，此采樣定理描述了兩個過程：其一是采樣，這一過程將連續(xù)時間信號轉(zhuǎn)換為離散時間信號；其二是信號的重建，這一過程離散信號還原成連續(xù)信號。信號的重建是對樣本進行插值的過程，即從離散的樣本中，用數(shù)學(xué)的方法確定連續(xù)信號。從采樣定理中，我們可以得出以下結(jié)論：如果已知信號的最高頻率，采樣定理給出了保證完全重建信號的最低采樣頻率。這一最低采樣頻率稱為臨界頻率或奈奎斯特采樣率，通常表示為。 相反，如果已知采樣頻率，采樣定理給出了保證完全重建信號所允許的最高信號頻率。 以上兩種情況都說明，被采樣的信號必須是帶限的，即信號中高于某一給定值的頻率成分必須是零，或至少非常接近于零，這樣在重建信號中這些頻率成分的影響可忽略不計。 在第一種情況下，被采樣信號的頻率成分已知，比如聲音信號，由人類發(fā)出的聲音信號中，頻率超過5kHz的成分通常非常小，因此以10 kHz的頻率來采樣這樣的音頻信號就足夠了。在第二種情況下，我們得假設(shè)信號中頻率高于采樣頻率一半的頻率成分可忽略不計。這通常是用一個低通濾波器來實現(xiàn)的。3、混疊如果不能滿足上述采樣條件，采樣后信號的頻率就會重疊，即高于采樣頻率一半的頻率成分將被重建成低于采樣頻率一半的信號。這種頻譜的重疊導(dǎo)致的失真稱為混疊，而重建出來的信號稱為原信號的混疊替身，因為這兩個信號有同樣的樣本值。一個頻率正好是采樣頻率一半的弦波信號，通常會混疊成另一相同頻率的波弦信號，但它的相位和幅度改變了以下兩種措施可避免混疊的發(fā)生：(1) 提高采樣頻率，使之達到最高信號頻率的兩倍以上； (2) 引入低通濾波器或提高低通濾波器的參數(shù)；該低通濾波器通常稱為抗混疊濾波器 抗混疊濾波器可限制信號的帶寬，使之滿足采樣定理的條件。從理論上來說，這是可行的，但是在實際情況中是不可能做到的。因為濾波器不可能完全濾除奈奎斯特頻率之上的信號，所以，采樣定理要求的帶寬之外總有一些“小的”能量。不過抗混疊濾波器可使這些能量足夠小，以至可忽略不計。4、減采樣當(dāng)一個信號被減采樣時，必須滿足采樣定理以避免混疊。為了滿足采樣定理的要求，信號在進行減采樣操作前，必須通過一個具有適當(dāng)截止頻率的低通濾波器。這個用于避免混疊的低通濾波器，稱為抗混疊濾波器。二、選通函數(shù)三、水紋圖樣和水紋效應(yīng)2.4.5 放大和收縮數(shù)字圖像放大可以看作過采樣，收縮可以看作欠采樣。一、放大灰度賦值方法有最近鄰域內(nèi)插法和雙線性內(nèi)插法。1、最近鄰內(nèi)插法速度快，但會出現(xiàn)棋盤格效應(yīng)。2、雙線性內(nèi)插法常用4個最近鄰點的雙線性內(nèi)插法。公式如下：還可以使用更多鄰點的插值。課堂實驗2.5 編寫M函數(shù)實現(xiàn)分辨率倍增function g = doublesize(f)imax = size(f,1);jmax = size(f,2);for i = 1:imax for j = 1:jmax g(2*i-1,2*j-1) = f(i,j);% 最近鄰內(nèi)插法計算擴充3點的灰度 g(2*i-1,2*j) = f(i,j);g(2*i,2*j-1) = f(i,j);g(2*i,2*j) = f(i,j); endend二、收縮比較24位彩色立方體在Word中的收縮和在Windows的畫筆中的收縮情況。2.5 像素間的一些基本關(guān)系2.5.1 相鄰像素（Neighbors of a Pixel）4鄰域、8鄰域的含義。2.5.2 鄰接性、連通性、區(qū)域和邊界一、鄰接性(AdjacencyE5dVeisEnsi)4鄰接、8鄰接和鄰接。m鄰接就是有4鄰接點則選擇之，沒有時才選擇8鄰接點。二、連通性(ConnectivitykEnek5tiviti)1、通路和通路的長度2、閉合通路三、區(qū)域(Regions5ri:dVEn)和邊界(Boundaries)1、連通分量和連通集2、區(qū)域和邊界3、邊界和邊緣的區(qū)別2.5.3 距離度量(Distance Measures)1、歐氏距離(Euclideanju:5klidiEn Distance)2、距離(城市街區(qū)距離City-block Distance)3、距離(棋盤距離Chessboard Distance)2.5.4 基于像素的圖像操作2.6 線性和非線性操作(Linear and Nonlinear Operations)若則為線性函數(shù)。第2章 作業(yè)題1、編寫doublesize.m函數(shù)，實現(xiàn)將輸入圖像的尺寸倍增(參考課堂實驗2.5)，并且對課堂實驗2.5的棋盤格現(xiàn)象有所改進。2、P56 2.113、P57 2.15第2章 實驗題實驗題目：圖像的放大實驗要求：編寫doublesize.m函數(shù)，實現(xiàn)將輸入圖像的尺寸倍增(參考課堂實驗2.5)，并且對課堂實驗2.5的棋盤格現(xiàn)象有所改進。第3章 空間域圖像增強(Image Enhancement in the Spatial Domain)教學(xué)目的和要求課時數(shù)8教學(xué)課型理論課教學(xué)目的和要求讓學(xué)生了解空間域的圖像的基本方法。教學(xué)重點直方圖均衡化，空間域掩模濾波。教學(xué)難點混合空間增強法教學(xué)方法、手段、媒介以多媒體為主，加上黑板板書補充教學(xué)過程和內(nèi)容見教材作業(yè)題見第3章 作業(yè)題3.1 背景知識“空間域增強”的含義1、鄰域操作注意MATLAB的坐標(biāo)是原點在左上角，軸由上向下，軸由左向右。2、二值圖像閾值函數(shù)3、模板3.2 某些基本灰度變換3.2.1 圖像反轉(zhuǎn)(Image Negatives)課堂實驗3.1 繪制反轉(zhuǎn)圖像 a = imread(Fig3.04(a).jpg);imshow(a)% 反轉(zhuǎn)圖像b = imcomplement(a);% 或用b = imadjust(a,0,1,1,0);figure,imshow(b)3.2.2 對數(shù)變換(Log Transformations)課堂實驗3.2 圖像的對數(shù)變換a = imread(Fig3.05(a).jpg)imshow(a)mean(a(:) % 或者用mean2(a)，若用mean(a)，則計算a的每個列向量的均值% 取以e為底的對數(shù)，min(a1(:)=0, max(a1(:)=5.5452a1 = log(1+double(a); % 最低灰度0變成0，最大灰度5.5452變成1.0，變成intensity imagea2 = mat2gray(a1); % 0變成0，1.0變成255b = im2uint8(mat2gray(log(1+double(a);figure,imshow(b)mean2(b) % mean2(b) = mean(mean(b)3.2.3 冪次變換(Power-law Transformations)伽馬校正(Gamma Correction)課堂實驗3.3 圖像的伽馬校正% 原圖像a = imread(Fig3.07(a).jpg);imshow(a)% 監(jiān)視器存在偏差，顯示圖像偏暗b = imadjust(a,2.5);figure,imshow(b)% 先進行伽馬校正c = imadjust(a,0.4);figure,imshow(c)% 正確顯示原圖像d = imadjust(c,2.5);figure,imshow(d)課堂實驗3.4 用冪次變換進行對比度增強(見教材P65的例3.2)% “沖淡”的原圖像f = imread(Fig3.09(a).jpg);% 歸一化圖像a = im2double(f);imshow(a)% 伽馬校正，基本適合，亮區(qū)細(xì)節(jié)比c好b = imadjust(a,3);figure,imshow(b)% 伽馬校正，基本適合，暗區(qū)細(xì)節(jié)比b好c = imadjust(a, 4);figure,imshow(c)% 伽馬校正，過暗，丟失了主道路左邊的暗區(qū)的一些細(xì)節(jié)d = imadjust(a,5);figure,imshow(d)3.2.4 分段線性變換函數(shù)(Piecewise-Linear Transformation Functions)一、對比拉伸(Contrast5kCntrAst stretching)提高圖像處理時灰度級的動態(tài)范圍。二、灰度切割(Gray-level Slicing)提高特定范圍內(nèi)的亮度。三、位圖切割(Bit-plane Slicing)對特定位提高亮度。3.3 直方圖處理(Histogram5histEurAm Processing)一、直方圖的含義灰度級為范圍的數(shù)字圖像的直方圖是離散函數(shù)，這里是第級灰度歸一化對應(yīng)的值，是圖像中灰度為的像素個數(shù)。二、非歸一化的直方圖橫坐標(biāo)為絕對灰度級別，而縱坐標(biāo)為。課堂實驗3.5 圖像的直方圖% 暗圖像a1 = imread(Fig3.15(a)1top.jpg);subplot(4,2,1)imshow(a1);subplot(4,2,2)imhist(a1)% 亮圖像a2 = imread(Fig3.15(a)2.jpg);subplot(4,2,3)imshow(a2);subplot(4,2,4)imhist(a2)% 低對比度圖像a3 = imread(Fig3.15(a)3.jpg);subplot(4,2,5)imshow(a3);subplot(4,2,6)imhist(a3)% 高對比度圖像a4 = imread(Fig3.15(a)4.jpg);subplot(4,2,7)imshow(a4);subplot(4,2,8)imhist(a4)三、歸一化的直方圖經(jīng)常以圖像中像素的總數(shù)目來除它的每一個值得到歸一化的直方圖，歸一化的直方圖實際上就是圖像的灰度級的概率密度函數(shù)圖。概率密度函數(shù)(PDF, Probability Distribution Function)為，是灰度級發(fā)生的概率估計值，也就是各灰度級出現(xiàn)的頻度。四、繪制自己的直方圖有時我們并不希望繪制每個灰度級的像素個數(shù)或頻度，而是灰度區(qū)間的像素個數(shù)或頻度，此時自己編寫代碼繪制直方圖。例如：我們需要繪制0-9,10-19,240-249,250-255等灰度區(qū)間的像素個數(shù)或頻度。課堂實驗3.6 繪制自己的直方圖% 利用imhist繪制的直方圖a = imread(Fig3.15(a)4.jpg);figure,subplot(1,2,1)imhist(a)h = imhist(a);% 利用bar繪制的自己的直方圖h1 = h(1:10:256)subplot(1,2,2)bar(1:10:256,h1)% 手工設(shè)置坐標(biāo)軸的取值范圍和刻度線axis(0 255 0 max(h)% 自動設(shè)置坐標(biāo)軸的取值范圍和刻度線xlim(auto)ylim(auto)3.3.1 直方圖均衡化(Histogram Equalization7i:kwElai5zeiFEn, -li5zeiFEn)直方圖均衡化是一種使圖像直方圖近似服從均勻分布的變換算法，主要工作是在輸入圖像的歸一化的直方圖的基礎(chǔ)上建立輸入圖像的灰度級與輸出圖像的灰度級之間的轉(zhuǎn)換關(guān)系。假設(shè)是輸入圖像的歸一化的灰度級，輸入圖像的PDF為，令經(jīng)過均衡化得到的輸出圖像的灰度級為，則例3.1 直方圖均衡化舉例若某8位的圖像灰度為0的像素有4500個，圖像灰度為10的像素有100個，灰度為20的像素有200個，灰度為100的像素為1000個，沒有其它灰度值的像素點。即，其它不難計算輸入圖像的總像素為則PDF為則均衡化得到的輸出圖像的灰度級為為表示向下取整，當(dāng)然也可以采用其它取整方法。課堂實驗3.7 直方圖均衡化 (見教材P75的圖3.17)% 暗圖像a1 = imread(Fig3.15(a)1top.jpg);subplot(4,3,1)imshow(a1);b1 = histeq(a1);subplot(4,3,2)imshow(b1);subplot(4,3,3)imhist(b1)% 亮圖像a2 = imread(Fig3.15(a)2.jpg);subplot(4,3,4)imshow(a2);b2 = histeq(a2);subplot(4,3,5)imshow(b2);subplot(4,3,6)imhist(b2)% 低對比度圖像a3 = imread(Fig3.15(a)3.jpg);subplot(4,3,7)imshow(a3);b3 = histeq(a3);subplot(4,3,8)imshow(b3);subplot(4,3,9)imhist(b3)% 高對比度圖像a4 = imread(Fig3.15(a)4.jpg);subplot(4,3,10)imshow(a4);b4 = histeq(a4);subplot(4,3,11)imshow(b4);subplot(4,3,12)imhist(b4)3.3.2 直方圖匹配(規(guī)定化)(Histogram Matching, Histogram Specification)一、均勻直方圖的不足直方圖均衡化是通過輸入圖像的灰度級到較寬亮度尺度的變化范圍來實現(xiàn)圖像增強。這種方法并不總能得到成功的結(jié)果。課堂實驗3.8 直方圖均衡化的不足見教材例3.4% 原圖像及其直方圖a = imread(Fig3.20(a).jpg);subplot(2,2,1)imshow(a)subplot(2,2,2)imhist(a)% 均衡化后的圖像及其直方圖b = histeq(a,256);subplot(2,2,3)imshow(b)subplot(2,2,4)imhist(b)% 原因：大量像素的灰度值接近0ha = imhist(a);ha(1) size(a(:),1)n = ha(1) / size(a(:),1)n = round(n * 256)hb = imhist(b);hb(1:n-1) hb(n:256)原因：大量的像素灰度很接近0。二、直方圖規(guī)定化可以指定希望處理的圖像所具有的直方圖形狀，叫做直方圖匹配或直方圖規(guī)定化處理?？梢杂煤瘮?shù)histeq(I,hgram)，用一維向量hgram指定輸出圖像的直方圖。hgram應(yīng)該與輸入圖像的直方圖形狀相似，只是均衡一些，因此直方圖規(guī)定化的難點是生成hgram。3.3.3 局部增強(Local Enhancement)選定整幅圖像的某個矩形區(qū)域(當(dāng)然其它形狀的區(qū)域也可以)或者是每一個像素的鄰域進行圖像的增強處理（比如直方圖均衡化處理)。3.3.4 在圖像增強中使用直方圖統(tǒng)計學(xué)(Histogram Statistics)統(tǒng)計圖像灰度的全局的平均值和方差，以及局部(子圖像)的平均值和方差。主要應(yīng)用于局部增強。3.4 用算術(shù)/邏輯操作增強(Enhancement Using Arithmetic/Logic Operations)算術(shù)操作包括圖像減法、加法和乘法以及取平均處理，邏輯操作包括“與”、“或”、“非”。例3.2 提取圖像的感興趣區(qū)上面是使用“與”提取圖像的感興趣區(qū)(ROI,Region of Interest)，即子圖像。下面是使用“或”提取子圖像。區(qū)別是得到的不感興趣區(qū)一個為黑色，一個為白色。3.4.1 圖像減法處理兩幅8位灰度級圖像的差的灰度范圍為-255,255，需要重新標(biāo)定到0,255。例3.3 圖像相減(a)是從病人頭頂上拍攝的注射碘元素之前的X光照片，而(b)是注射碘元素之后的照片與之前的照片的差圖像。3.4.2 圖像平均處理對同一場景拍攝多幅圖像，然后取平均值。但存在需要解決“配準(zhǔn)”的問題，否則會造成模糊。例3.4 用圖像平均減少噪聲 (a)為原始圖像，(b)是被均值為0、方差64的高斯噪聲污染的圖像，(c)-(f)是8、16、24、128幅(b)圖取平均的結(jié)果。圖(f)與(a)幾乎沒有區(qū)別。3.5 空間濾波基礎(chǔ)(Basics of Spatial Filtering)子圖像可以稱為濾波器filter、掩模mask、核kernel、模板template或窗口window。一、線性濾波(Linear Spatial Filtering)圖像大小為，濾波器掩模大小為，通常為奇數(shù)，所以，不妨令，并且通常還相等則濾波處理后的圖像為空間線性濾波處理與頻率域的卷積(Convolution)類似。當(dāng)時，可以寫成響應(yīng)，是灰度值，見圖FIGURE 3.33。二、非線性濾波(Nonlinear Spatial Filtering)見后面的3.6.2，如取(排序后的)中值Median(不是平均值Mean)、最大值或最小值，即與不存在線性關(guān)系。三、邊緣處理1、處理后的圖像比原圖像小2、處理后的圖像與原圖像一樣大(1) 部分濾波掩模(2) 原圖像補上若干行和若干列見本章作業(yè)題。3.6 平滑空間濾波器模糊處理常用于預(yù)處理，提取大的目標(biāo)之前去除圖像中一些瑣碎的細(xì)節(jié)或減少噪聲。簡言之，平滑處理的目的通常是減噪，但會造成邊緣模糊的負(fù)面效應(yīng)。3.6.1 平滑線性濾波器(Smooth Linear Filters)也稱均值濾波器(Averaging Filters)。第1種是盒濾波器，第2種是加權(quán)平均。課堂實驗3.8 用各種尺寸掩模平滑圖像f = imread(Fig3.35(a).jpg);imview(f)doc fspecialw = fspecial(average,3)g = imfilter(f, w);imview(g)w=fspecial(average,35)g=imfilter(f,w); imview(g)課堂實驗3.9 平滑線性濾波與二值圖像(域值處理)a = imread(Fig3.36(a).jpg);imview(a)f = im2bw(a,0.3);imview(f)w = fspecial(average,15)b = imfilter(a, w); imview(b)c = im2bw(b,0.3);imview(c)doc imview3.6.2 統(tǒng)計排序濾波器(Order-Statistics Filters)是一種非線性的空間濾波器，最常見的例子是中值濾波器(Median filter)，有優(yōu)秀的去除隨機噪聲(Random noise)的能力，特別是脈沖噪聲(Impulse5impQls noise)，俗稱椒鹽噪聲(Salt-and-pepper noise)。一、中值濾波器二、最大值濾波器三、最小值濾波器課堂實驗3.10 使用函數(shù)medfilt2進行中值濾波f = imread(Fig3.37(a).jpg);w = fspecial(average,3)g = imfilter(f,w); imview(g)imview(f)g = medfilt2(f);imview(g)此外，常用的非線性濾波器的函數(shù)還有ordfilt2(統(tǒng)計排序濾波器)。課堂實驗3.11 用函數(shù)ordfilt2進行最大、中值和最小值濾波% 原圖像clear ff = imread(Fig3.37(a).jpg);subplot(2,2,1)imshow(f)% 最大值濾波圖像，效果很差，一片白max = ordfilt2(f,9,ones(3,3); subplot(2,2,2)imshow(max)% 中值濾波圖像med = ordfilt2(f,5,ones(3,3); subplot(2,2,3)imshow(med)% 最小值濾波圖像，效果很差，一片黑min = ordfilt2(f,1,ones(3,3); subplot(2,2,4)imshow(min)3.7 銳化空間濾波器(Sharpening Spatial Filters)增強被模糊了的細(xì)節(jié)。均值處理與積分類似，銳化處理通過空間微分來處理。3.7.1 基礎(chǔ)一階微分處理和二階微分處理的區(qū)別。(1) 一階微分處理通常產(chǎn)生較寬的邊緣；(2) 二階微分處理對細(xì)節(jié)有較強的響應(yīng)，如細(xì)線和孤立點；(3) 一階微分處理一般對灰度階梯有較強的響應(yīng)；(4) 二階微分處理對灰度階梯變化產(chǎn)生雙響應(yīng)。3.7.2 基于二階微分的增強拉普拉斯算子各向同性濾波器的含義一、處理方法拉普拉斯變換而一階差分所以二階差分同理因此第1種和第3種90旋轉(zhuǎn)各向同性，第2種和第4種45旋轉(zhuǎn)各向同性。課堂實驗3.12 拉普拉斯銳化a = imread(Fig3.40(a).jpg);imshow(a)w8 = 1 1 1; 1 -8 1; 1 1 1b = imfilter(a,w8,replicate);figure,imshow(b)figure,imshow(b,) % Figure 3.40 (c)d = a - b;figure,imshow(d)注意：在MATLAB中%符號表示注釋。imshow(b)與imshow(fb,)的區(qū)別是本章的作業(yè)題之一。二、簡化掩模鄰域運算與減法合并。三、反銳化掩蔽與高提升濾波處理反銳化掩蔽進一步的普遍形式稱為高提升濾波。課堂實驗3.13 高提升濾波a = imread(Fig3.43(a).jpg);imshow(a)mean(a(:)w = -1 -1 -1;-1 8 -1;-1 -1 -1b = imfilter(a,w,replicate);figure,imshow(b)w(2,2) = 9c = imfilter(a,w,replicate);figure,imshow(c)mean(c(:)w(2,2) = 9.7d = imfilter(a,w,repli