空域增強(qiáng)技術(shù)

空域增強(qiáng)技術(shù)第1頁/共82頁圖象增強(qiáng)

目標(biāo)：改善圖象質(zhì)量/改善視覺效果

標(biāo)準(zhǔn)：相當(dāng)主觀，因人而異 沒有完全通用的標(biāo)準(zhǔn) 可以有一些相對一致的準(zhǔn)則

技術(shù)：“好”，“有用”的含義不相同 具體增強(qiáng)技術(shù)也可以大不相同第4章空域增強(qiáng)技術(shù)

第2頁/共82頁4.1 空域技術(shù)分類空域：指由象素組成的空間

空域增強(qiáng)：

點(diǎn)操作： 灰度點(diǎn)操作 幾何操作第3頁/共82頁4.1 空域技術(shù)分類點(diǎn)操作：

(1)借助對一系列圖象間的操作進(jìn)行變換

(2)將f(·)中的每個(gè)象素按EH操作直接變換 以得到g(·)；

(3)借助f(·)的直方圖進(jìn)行變換模板操作：

第4頁/共82頁4.2

圖象間運(yùn)算

圖象間的運(yùn)算指以圖象為單位進(jìn)行的操作，運(yùn)算的結(jié)果是一幅新圖象

4.2.1算術(shù)和邏輯運(yùn)算 4.2.2圖象間運(yùn)算的應(yīng)用第5頁/共82頁4.2.1算術(shù)和邏輯運(yùn)算1.算術(shù)運(yùn)算

(1)加法：記為p+q

(2)減法：記為p–q

(3)乘法：記為pq

(4)除法：記為p÷q 對整幅圖象的算術(shù)和邏輯運(yùn)算是逐象素進(jìn)行的，即在兩幅圖象的對應(yīng)（位置）象素間進(jìn)行

第6頁/共82頁4.2.1算術(shù)和邏輯運(yùn)算2.邏輯運(yùn)算 (1)補(bǔ)（COMPLEMENT）：記為NOTq (2)與（AND）：記為pANDq

(3)或（OR）：記為pORq (4)異或（XOR）：記為pXORq {圖4.2.1，圖4.2.2}

第7頁/共82頁ABNOT(A)NOT(B)AandB=ABAORB=A+BAXORB=A+B邏輯運(yùn)算舉例第8頁/共82頁第9頁/共82頁邏輯運(yùn)算舉例-檢測邊緣將原圖中目標(biāo)像素右移一個(gè)像素計(jì)算右移后圖像與原圖的邏輯與邏輯與的結(jié)果和原圖求異或上下左右方向重復(fù)進(jìn)行并將結(jié)果用邏輯或結(jié)合起來邊界第10頁/共82頁4.2.2

圖象間運(yùn)算的應(yīng)用1.圖象間加法的應(yīng)用 模型 運(yùn)算均值方差第11頁/共82頁4.2.2

圖象間運(yùn)算的應(yīng)用去除背景(a)背景圖像(b)點(diǎn)燃的蠟燭(c)差圖像2.圖象間減法的應(yīng)用-第12頁/共82頁3.圖象間乘法的應(yīng)用-模板運(yùn)算4.除法4.2.2

圖象間運(yùn)算的應(yīng)用0dL0dL0dL第13頁/共82頁4.3

直接灰度映射

將f(x,y)中的每個(gè)象素灰度按EH

操作直接變換以得到g(x,y)

4.3.1灰度映射原理 4.3.2典型灰度映射第14頁/共82頁4.3.1

灰度映射原理直接灰度映射是一種點(diǎn)操作第15頁/共82頁1、圖象求反 2、

增強(qiáng)對比度3、動態(tài)范圍壓縮 4、灰度切分4.3.2

典型灰度映射第16頁/共82頁在曝光不足或過度的情況下，圖像灰度可能會局限在一個(gè)很小的范圍內(nèi)。這時(shí)在顯示器上看到的將是一個(gè)模糊不清、似乎沒有灰度層次的圖像。下圖是對曝光不足的圖像采用線性變換對圖像每一個(gè)像素灰度作線性拉伸?？捎行У馗纳茍D像視覺效果。第17頁/共82頁灰度修正舉例I=imread(‘cameraman.tif’);%輸入uint8類型的圖像J=imadjust(I,[00.2],[0.51]);%灰度范圍從[0,51]映射到[128,255]subplot(1,2,1);imshow(I);subplot(1,2,2);imshow(J);注：無論I是哪種數(shù)據(jù)類型，指定的灰度值必須是0.00~1.00范圍內(nèi)的數(shù)值，若I為uint8類型的，則真正用于判斷的灰度值將是指定值乘以2^8-1=255的結(jié)果；若I是uint16類型的，則真正用于判斷的灰度值將是指定值乘以65535的結(jié)果。第18頁/共82頁調(diào)節(jié)前后圖像效果對比第19頁/共82頁4.4

直方圖變換 直方圖是圖象的一種統(tǒng)計(jì)表達(dá)

直方圖反映了圖中灰度的分布情況

4.4.1直方圖均衡化 4.4.2直方圖規(guī)定化

第20頁/共82頁ThehistgramoftheCT(CT的灰度直方圖)May:05008000500100100200300200100000000July:05008000500100001002003002001000000像素極性:0為最暗點(diǎn).病情惡化了嗎？第21頁/共82頁灰度統(tǒng)計(jì)直方圖 1-D的離散函數(shù) 提供了圖象象素的灰度值分布情況計(jì)算： 設(shè)置一個(gè)有L個(gè)元素的數(shù)組，對原圖的灰度值進(jìn)行統(tǒng)計(jì)4.4.1

直方圖均衡化第22頁/共82頁TwoDifferentImages-TheSameHistogram直方圖不保留位置信息第23頁/共82頁第24頁/共82頁第25頁/共82頁直方圖均衡化 借助直方圖變換實(shí)現(xiàn)（歸一的）灰度映射 均衡化（線性化）基本思想 變換原始圖象的直方圖為均勻分布

==>大動態(tài)范圍 使象素灰度值的動態(tài)范圍最大

==>增強(qiáng)圖象整體對比度（反差）4.4.1

直方圖均衡化第26頁/共82頁直方圖均衡化是將原圖像通過某種變換，得到一幅灰度直方圖為均勻分布的新圖像的方法。

直方圖均衡化第27頁/共82頁 歸一化直方圖

增強(qiáng)函數(shù)

(1)

EH(s)：單值單增函數(shù)，

各灰度級在變換后仍保持排列次序

(2)

變換前后灰度值動態(tài)范圍一致4.4.1

直方圖均衡化第28頁/共82頁 （歸一化）累積直方圖 (1) tk是k

的單值單增函數(shù)

(2)

灰度取值范圍一致，0≤

tk

≤1(3) 將s的分布轉(zhuǎn)換為t的均勻分布4.4.1

直方圖均衡化{表4.4.1}第29頁/共82頁4.4.1

直方圖均衡化第30頁/共82頁sknkpr(rk)=nk/ntk計(jì)tk并tknskpk(t)s0=07900.190.191/7t0=1/77900.19s1=1/710230.250.443/7t1=3/710230.25s2=2/78500.210.655/7t2=5/78500.21s3=3/76560.160.816/7

s4=4/73290.080.896/7t3=6/79850.24s5=5/72450.060.951

s6=6/71220.030.981

s7=1810.021.001t4=14480.11例假定有一幅總像素為n=64×64的圖像，灰度級數(shù)為8，各灰度級分布列于表中。對其均衡化計(jì)算過程如下：？若在原圖像一行上連續(xù)8個(gè)像素的灰度值分別為：0、1、2、3、4、5、6、7，則均衡后，他們的灰度值為多少？第31頁/共82頁原圖像的直方圖均衡后圖像的直方圖第32頁/共82頁直方圖均衡化示例

第33頁/共82頁直方圖均衡化第34頁/共82頁直方圖均衡化第35頁/共82頁直方圖均衡化舉例I=imread(‘tire.tif’);J=histeq(I);subplot(2,2,1),imshow(I);subplot(2,2,2),imhist(I,64);subplot(2,2,3),imshow(J);subplot(2,2,4),imhist(J,64);第36頁/共82頁第37頁/共82頁思考與練習(xí)如何用邏輯運(yùn)算檢測圖像邊緣？圖像的算術(shù)運(yùn)算各有什么作用？灰度映射曲線對圖像灰度變化有什么影響？假設(shè)工業(yè)檢測中工件的圖像受到零均值不相關(guān)噪聲的影響。如果圖像采集裝置每秒可采集30幅圖，要采用圖像平均方法將噪聲的均方差減少到1/10，那么工件需保持多長時(shí)間固定在采集裝置前？試采用邏輯運(yùn)算提取圖像中一個(gè)長方形的輪廓。第38頁/共82頁 借助直方圖變換實(shí)現(xiàn)規(guī)定/特定的灰度映射 (1)對原始直方圖進(jìn)行灰度均衡化 (2)規(guī)定需要的直方圖，計(jì)算能使規(guī)定直方

圖均衡化的變換 (3)將原始直方圖對應(yīng)映射到規(guī)定直方圖4.4.2

直方圖規(guī)定化三個(gè)步驟第39頁/共82頁思路已知原圖像(灰度為r)和修正圖像(灰度為u）的灰度直方圖，求轉(zhuǎn)換函數(shù)。rsvz=?第40頁/共82頁

兩種映射/對應(yīng)規(guī)則

(1)單映射規(guī)則

(2)組映射規(guī)則（I(l)：整數(shù)函數(shù)）4.4.2

直方圖規(guī)定化{表4.4.2}第41頁/共82頁4.4.2

直方圖規(guī)定化第42頁/共82頁rj→sknkps(sk)zkpz(zk)vkzk并nkpz(zk)r0→s0=1/77900.19z0=00.000.00z000.00r1→s1=3/710230.25z1=1/70.000.00z100.00r2→s2=5/78500.21z2=2/70.000.00z200.00r3→s3=6/7

z3=3/70.150.15z3→s0=1/77900.19r4→s3=6/79850.24z4=4/70.200.35z4→s1=3/710230.25r5→s4=1

z5=5/70.300.65z5→s2=5/78500.21r6→s4=1

z6=6/70.200.85z6→s3=6/79850.24r7→s4=14480.1110.151.00z7→s4=14480.11第43頁/共82頁直方圖規(guī)定化第44頁/共82頁映射誤差

對應(yīng)映射間數(shù)值的差值（取絕對值）的和 單映射規(guī)則：最大誤差pu(uj)

/

2 組映射規(guī)則：最大誤差ps(si)

/

2

∵N

≤

M，∴ps(si)/2≤pu(uj)/2 單映射規(guī)則：有偏的映射規(guī)則 組映射規(guī)則：統(tǒng)計(jì)無偏的映射規(guī)則

4.4.2

直方圖規(guī)定化第45頁/共82頁直方圖規(guī)定化vs.直方圖均衡化 直方圖均衡化：自動增強(qiáng) 效果不易控制 總得到全圖增強(qiáng)的結(jié)果 直方圖規(guī)定化：有選擇地增強(qiáng) 須給定需要的直方圖 可特定增強(qiáng)的結(jié)果4.4.2

直方圖規(guī)定化第46頁/共82頁4.5

線性濾波 利用象素本身以及其鄰域象素的灰度關(guān)系進(jìn)行增強(qiáng)的方法常稱為濾波 4.5.1技術(shù)分類和實(shí)現(xiàn)原理

模板卷積，鄰域操作

4.5.2線性平滑濾波器

減弱或消除圖象中的噪聲

第47頁/共82頁4.5.1

技術(shù)分類和實(shí)現(xiàn)原理 在圖象空間借助模板進(jìn)行鄰域操作 分類1： (1)

線性：如鄰域平均

(2)

非線性：如中值濾波 分類2：

(1)

平滑：模糊，消除噪聲

(2)

銳化：增強(qiáng)被模糊的細(xì)節(jié)第48頁/共82頁濾波器實(shí)現(xiàn)——>鄰域運(yùn)算：4.5.1

技術(shù)分類和實(shí)現(xiàn)原理第49頁/共82頁鄰域平均 系數(shù)都是正的 保持灰度值范圍（所有系數(shù)之和為1）

例：33模板4.5.2線性平滑濾波器{圖4.5.2}第50頁/共82頁模板第51頁/共82頁(m-1,n-1)(m-1,n)(m-1,n+1)(m,n-1)

(m,n)(m,n+1)(m+1,n-1)(m+1,n)(m+1,n+1)例如，對圖像采用3×3的鄰域平均法，對于像素（m,n)，其鄰域像素如下：則有：第52頁/共82頁平滑舉例I=imread(‘eight.tif’);I=imnoise(I,’gaussian’,0,0.5);%添加噪聲subplot(1,2,1);imshow(I);h=ones(3,3)/9;%產(chǎn)生濾波模板J=conv2(I,h);subplot(1,2,2);imshow(J,[]);第53頁/共82頁第54頁/共82頁(a)原圖像(b)對(a)加椒鹽噪聲的圖像(c)3×3鄰域平滑(d)5×5鄰域平滑

為克服簡單局部平均法的弊病，目前已提出許多保邊緣、細(xì)節(jié)的局部平滑算法。它們的出發(fā)點(diǎn)都集中在如何選擇鄰域的大小、形狀和方向、參加平均的點(diǎn)數(shù)以及鄰域各點(diǎn)的權(quán)重系數(shù)等第55頁/共82頁這算法對抑制椒鹽噪聲比較有效，對保護(hù)僅有微小灰度差的細(xì)節(jié)及紋理也有效。可見隨著鄰域增大，去噪能力增強(qiáng)，但模糊程度也大。

同局部平滑法相比，超限像元平滑法去椒鹽噪聲效果更好。超限像素平滑法第56頁/共82頁(a)原圖像

(b)對(a)加椒鹽噪聲的圖像(c)3×3鄰域平滑

(d)5×5鄰域平滑(e)3×3超限像素平滑(T=64)(f)5×5超限像素平滑(T=48)第57頁/共82頁該算法的出發(fā)點(diǎn)是：在n×n的窗口內(nèi)，屬于同一集合體的像素，它們的灰度值將高度相關(guān)。因此，可用窗口內(nèi)與中心像素的灰度最接近的K個(gè)鄰像素的平均灰度來代替窗口中心像素的灰度值。這就是灰度最相近的K個(gè)鄰點(diǎn)平均法。較小的K值使噪聲方差下降較小，但保持細(xì)節(jié)效果較好；而較大的K值平滑噪聲較好，但會使圖像邊緣模糊。實(shí)驗(yàn)證明，對于3×3的窗口，取K=6為宜?；叶茸钕嘟腒個(gè)鄰點(diǎn)平均法第58頁/共82頁最大均勻性平滑為避免消除噪聲引起邊緣模糊，該算法先找出環(huán)繞圖像中每像素的最均勻區(qū)域，然后用這區(qū)域的灰度均值代替該像素原來的灰度值。第59頁/共82頁該方法對圖像上任一像素(x,y)的5×5鄰域，采用9個(gè)掩模，其中包括一個(gè)3×3正方形、4個(gè)五邊形和4個(gè)六邊形。計(jì)算各個(gè)掩模的均值和方差，對方差進(jìn)行排序，最小方差所對應(yīng)的掩模區(qū)的灰度均值就是像素（x,y)的輸出值。該方法以方差作為各個(gè)區(qū)域灰度均勻性的測度。若區(qū)域含有尖銳的邊緣，它的灰度方差必定很大，而不含邊緣或灰度均勻的區(qū)域，它的方差就小，那么最小方差所對應(yīng)的區(qū)域就是灰度最均勻區(qū)域。因此有選擇保邊緣平滑法既能夠消除噪聲，又不破壞區(qū)域邊界的細(xì)節(jié)。另外，五邊形和六邊形在（x,y）處都有銳角，這樣，即使像素（x,y）位于一個(gè)復(fù)雜形狀區(qū)域的銳角處，也能找到均勻的區(qū)域。從而在平滑時(shí)既不會使尖銳邊緣模糊，也不會破壞邊緣形狀。有選擇保邊緣平滑法第60頁/共82頁例如，某像素5×5鄰域的灰度分布如圖，經(jīng)計(jì)算9個(gè)掩模區(qū)的均值和方差為最小方差為0，對應(yīng)的灰度均值3，采用有選擇保邊緣平滑，該像素的輸出值為3。均值443234233對應(yīng)的方差54717172831232603642147324841?434215343216第61頁/共82頁常用的掩模有掩模不同，中心點(diǎn)或鄰域的重要程度也不相同，因此，應(yīng)根據(jù)問題的需要選取合適的掩模。但不管什么樣的掩模，必須保證全部權(quán)系數(shù)之和為單位值，這樣可保證輸出圖像灰度值在許可范圍內(nèi)，不會產(chǎn)生“溢出”現(xiàn)象。

第62頁/共82頁4.6

非線性濾波邏輯的、幾何的、代數(shù)的非線性濾波器基于集合的、基于形狀的、基于排序的 4.6.1非線性平滑濾波器 4.6.2非線性銳化濾波器

第63頁/共82頁4.6.1

非線性平滑濾波器 既消除噪聲又保持細(xì)節(jié)（不模糊）

中值（median）濾波器 (1)將模板中心與象素位置重合 (2)讀取模板下各對應(yīng)象素的灰度值 (3)將這些灰度值從小到大排成1列 (4)找出這些值里排在中間的1個(gè) (5)將這個(gè)中間值賦給模板中心位置象素{圖4.6.1}第64頁/共82頁例：采用1×3窗口進(jìn)行中值濾波原圖像為：22621244424處理后為：22222244444

它對脈沖干擾及椒鹽噪聲的抑制效果好，在抑制隨機(jī)噪聲的同時(shí)能有效保護(hù)邊緣少受模糊。但它對點(diǎn)、線等細(xì)節(jié)較多的圖像卻不太合適。對中值濾波法來說，正確選擇窗口尺寸的大小是很重要的環(huán)節(jié)。一般很難事先確定最佳的窗口尺寸，需通過從小窗口到大窗口的中值濾波試驗(yàn)，再從中選取最佳的。

4.6.1

非線性平滑濾波器第65頁/共82頁原圖像中值濾波一維中值濾波的幾個(gè)例子（N=5）離散階躍信號、斜升信號沒有受到影響。離散三角信號的頂部則變平了。對于離散的脈沖信號，當(dāng)其連續(xù)出現(xiàn)的次數(shù)小于窗口尺寸的一半時(shí)，將被抑制掉，否則將不受影響。第66頁/共82頁一維中值濾波的概念很容易推廣到二維。一般來說，二維中值濾波器比一維濾波器更能抑制噪聲。二維中值濾波器的窗口形狀可以有多種，如線狀、方形、十字形、圓形、菱形等（見圖）。不同形狀的窗口產(chǎn)生不同的濾波效果，使用中必須根據(jù)圖像的內(nèi)容和不同的要求加以選擇。從以往的經(jīng)驗(yàn)看，方形或圓形窗口適宜于外輪廓線較長的物體圖像，而十字形窗口對有尖頂角狀的圖像效果好。第67頁/共82頁中值（median）濾波器的模板 中值濾波器的消噪聲效果與模板的尺寸及參與運(yùn)算的象素?cái)?shù)有關(guān) 圖象中尺寸小于模板尺寸一半的過亮或過暗區(qū)域?qū)跒V波后會被消除掉4.6.1

非線性平滑濾波器第68頁/共82頁圖(a)為原圖像；圖(b)為加椒鹽噪聲的圖像；圖(c)和圖(d)分別為3×3、5×5模板進(jìn)行中值濾波的結(jié)果?？梢娭兄禐V波法能有效削弱椒鹽噪聲，且比鄰域、超限像素平均法更有效。第69頁/共82頁百分比（percentile）濾波器 中值濾波器是一個(gè)特例 最大值 最小值中點(diǎn)濾波器-對高斯噪聲、均勻噪聲都有效

4.6.1

非線性平滑濾波器第70頁/共82頁1、非線性銳化濾波器 利用微分可以銳化圖象（積分平滑圖象）

梯度：對應(yīng)一階導(dǎo)數(shù)最常用的微分矢量 （需要用2個(gè)模板分別沿X和Y方向計(jì)算）

4.6.2

非線性銳化濾波器Prewitt算子第71頁/共82頁1、非線性銳化濾波器 模以2為范數(shù)/模計(jì)算（對應(yīng)歐氏距離）以1為范數(shù)（城區(qū)距離）以為范數(shù)（棋盤距離）4.6.2

非線性銳化濾波器第72頁/共82頁3、最大-最小銳化變換 將最大值濾波器和最小值濾波器結(jié)合使用可以銳化模糊的邊緣并讓模糊的目標(biāo)清晰起來迭代實(shí)現(xiàn)：4.6.2

非線性銳化濾波器第73頁/共82頁一階銳化舉例I=imread(‘eight.tif’);roberts1=[-10;01];%roberts算子模板1roberts2=[0-1;10];%roberts算子模板2robout1=conv2(I,roberts1);robout2=conv2(I,roberts2);robout=edge(I,’roberts’);subplot(2,2,1);imshow(I);title(‘原圖‘）；subplot(2,2,2);imshow(robout1);title(‘模板1濾波‘）；subplot(2,2,3);imshow(robout2);title(‘模板2濾波‘）；subplot(2,2,4);imshow(robout);title(‘梯度‘）；第74頁/共82頁第75頁/共82頁3*3模板銳化舉例I=imread(‘