基于MATLAB的圖像增強技術處理論文

《基于MATLAB的圖像增強技術處理論文》由會員分享，可在線閱讀，更多相關《基于MATLAB的圖像增強技術處理論文（25頁珍藏版）》請在裝配圖網上搜索。

1、圖像增強技術綜述 內容摘要 數字圖像處理是指將圖像信號轉換成數字格式并利用計算機對其進行處理的過程。圖像增強是數字圖像處理的過程中經常采用的一種方法，它對提高圖像質量起著重要的作用。本文先對圖像增強的原理進行概述，然后對圖像增強的方法分類并給出直方圖增強、對比度增強、平滑和銳化等幾種常用的增強方法的理論基礎，通過Matlab實驗得出的實際處理效果來對比各種算法的優(yōu)缺點，討論不同的增強算法的技術要點，并對其圖像增強方法進行性能評價。 關鍵詞：圖像增強 直方圖增強 對比度增強 平滑 銳化 彩色圖像增強 Abstract Digital image processing

2、 is the procedures of converting image signal into digital format, then using the computer to process it. Image enhancement is digital image processing process often use a method to improve image quality, it plays an important role. This article first introduces the principle of image enhancement an

3、d classification，and then focus on several methods to study such as and histogram enhancement, contrast enhancement, smoothing and sharpening, and other commonly used in learning the basic digital image With the approach, through Matlab experiment that the actual effect of various algorithms to comp

4、are the advantages and disadvantages to discuss the different enhancement algorithm. The application of occasions, and its image enhancement method of performance evaluation. Keywords:Image Enhancement histogram enhancement contrast enhancement smoothing sharpening 1 圖像增強概述 1.1 圖像增強背景及意義

5、在一般情況下，經過圖像的傳送和轉換，如成像、復制、掃描、傳輸和顯示等，經常會造成圖像質量的下降，即圖像失真。在攝影時由于光照條件不足或過度，會使圖像過暗或過亮；光學系統(tǒng)的失真、相對運動、大氣流動等都會使圖像模糊，傳輸過程中會引入各種類型的噪聲。總之輸入的圖像在視覺效果和識別方便性等方面可能存在諸多問題，這類問題不妨統(tǒng)稱為質量問題。圖像增強是指根據特定的需要突出圖像中的重要信息，同時減弱或去除不需要的信息。從不同的途徑獲取的圖像，通過進行適當的增強處理，可以將原本模糊不清甚至根本無法分辨的原始圖像處理成清晰的富含大量有用信息的可使用圖像，有效地去除圖像中的噪聲、增強圖像中的邊緣或其他感興趣的區(qū)域

6、，從而更加容易對圖像中感興趣的目標進行檢測和測量。處理后的圖像是否保持原狀已經是無關緊要的了，不會因為考慮到圖像的一些理想形式而去有意識的努力重現圖像的真實度。圖像增強的目的是增強圖像的視覺效果，將原圖像轉換成一種更適合于人眼觀察和計算機分析處理的形式。它一般要借助人眼的視覺特性，以取得看起來較好地視覺效果，很少涉及客觀和統(tǒng)一的評價標準。增強的效果通常都與具體的圖像有關系，靠人的主觀感覺加以評價。 1.2 圖像增強的應用 目前圖像增強處理的應用已經滲透到醫(yī)學診斷、航空航天、軍事偵察、指紋識別、無損探傷、衛(wèi)星圖片的處理等領域。如對x射線圖片、CT影像、內窺鏡圖像進行增強，使醫(yī)生更容易從中確定

7、病變區(qū)域，從圖像細節(jié)區(qū)域中發(fā)現問題；對不同時間拍攝的同一地區(qū)的遙感圖片進行增強處理，偵查是否有敵人軍事調動或軍事裝備及建筑出現；在煤礦工業(yè)電視系統(tǒng)中采用增強處理來提高工業(yè)電視圖像的清晰度，克服因光線不足、灰塵等原因帶來的圖像模糊、偏差等現象，減少電視系統(tǒng)維護的工作量。圖像增強技術的快速發(fā)展同它的廣泛應用是分不開的，發(fā)展的動力來自穩(wěn)定涌現的新的應用，我們可以預料，在未來社會中圖像增強技術將會發(fā)揮更為重要的作用。 2 圖像增強的基本理論 2.1 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

8、。 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(tǒng)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(tǒng)計量，如：ST轉換，直方圖均衡，中值濾波，微

9、分銳化，高通濾波等等。這樣對應于某些局部區(qū)域的細節(jié)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(qū)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。 2.2 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，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

10、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?；诳沼虻乃惴ㄌ幚頃r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(tài)范圍，擴展對比度。鄰域增強算法分為圖像平滑和銳化兩

11、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(tǒng)計差值法等。 2. 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(qū)間上頻率較大，使得圖像中較暗區(qū)域中的細節(jié)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度級變大，通過調整圖像灰度值的動態(tài)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(jié)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(guī)則修改原

12、來圖像的每一個象素的灰度，從而改變圖像灰度的動態(tài)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(guī)則性的特點。這些噪聲的存在直接影響著后續(xù)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(guī)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；

13、中值濾波是一種非線性空間濾波，其與均值濾波的區(qū)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(tǒng)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。 3 數字圖像的基本概念 3.1 數字圖像的表示 圖像并不能直接用計算機來處理，處理前必須先轉化成數字圖像。早期一般用picture代表圖像，隨著數字技術的發(fā)展，現在都用ima

14、ge代表離散化了的數字圖像。 由于從外界得到的圖像多是二維（2-D）的，一幅圖像可以用一個2-D數組表示。這里x和y表示二維空間XY中一個坐標點的位置，而f則代表圖像在點的某種性質數值。為了能夠用計算機對圖像進行處理，需要坐標空間和性質空間都離散化。這種離散化了的圖像都是數字圖像，即都在整數集合中取值。圖像中的每個基本單元稱為圖像那元素，簡稱像素。 3.2 圖像的灰度 常用的圖像一般是灰度圖，這時f表示灰度值，反映了圖像上對應點的亮度。亮度是觀察者對所看到的物體表面反射光強的量度。作為圖像灰度的量度函數應大于零。人們日?？吹降膱D像一般是從目標上反射出來的光組成的，所以可看成由兩部分構成：

15、入射到可見場景上光的量；場景中目標對反射光反射的比率。確切地說它們分別稱為照度成分和反射成分。與和都成正比，可表示成＝。 將二維坐標位置函數稱為灰度。入射光照射到物體表面的能量是有限的，并且它永遠為正，即0<<；反射系數為0時，表示光全部被物體吸收，反射系數為1時，表示光全部被物體反射，反射系數在全吸收和全反射之間，即0<<1。因此圖像的灰度值也是非負有界的。 3.3 灰度直方圖 灰度直方圖是數字圖像處理中一個最簡單、最有用的工具，它反映了數字圖像中每一灰度級與其出現頻率之間的統(tǒng)計關系?？梢杂嗅槍π缘赝ㄟ^改變直方圖的灰度分布狀況，使灰度均勻地或按預期目標分布于整個灰度范圍空間，從而達到

16、圖像增強的效果。 4 圖像增強方法及算法 4.1 直方圖增強 灰度變換是圖像增強的一種重要手段，使圖像對比度擴展，圖像更加清晰，特征更加明顯。灰度級的直方圖給出了一幅圖像概貌的描述，通過修改灰度直方圖來得到圖像增強。 4.1.1 直方圖 圖像的直方圖是圖像的重要統(tǒng)計特征，它可以認為是圖像灰度密度函數的近似。圖像的灰度直方圖是反映一幅圖像的灰度級與出現這種灰度級的概率之間的關系的圖形。 灰度直方圖是離散函數，一般的來講，要精確的得到圖像的灰度密度函數是比較困難的，在實際中，可以使數字圖像灰度直方圖來代替。歸納起來，直方圖主要有一下幾點性質： （1）直方圖中不包含位置信息。

17、直方圖只是反應了圖像灰度分布的特性，和灰度所在的位置沒有關系，不同的圖像可能具有相近或者完全相同的直方圖分布。 （2）直方圖反應了圖像的整體灰度。直方圖反應了圖像的整體灰度分布情況，對于暗色圖像，直方圖的組成集中在灰度級低（暗）的一側，相反，明亮圖像的直方圖則傾向于灰度級高的一側。直觀上講，可以得出這樣的結論，若一幅圖像其像素占有全部可能的灰度級并且分布均勻，這樣的圖像有高對比度和多變的灰度色調。 （3）直方圖的可疊加性。一幅圖像的直方圖等于它各個部分直方圖的和。 （4）直方圖具有統(tǒng)計特性。從直方圖的定義可知，連續(xù)圖像的直方圖是一位連續(xù)函數，它具有統(tǒng)計特征，例如矩、絕對矩、中心矩、絕對中

18、心矩、熵。 （5）直方圖的動態(tài)范圍。直方圖的動態(tài)范圍是由計算機圖像處理系統(tǒng)的模數轉換器的灰度級決定。 MATLAB圖像處理工具箱提供了imhist函數來計算和顯示圖像的直方圖，灰度直方圖是灰度值的函數，描述的是圖像中具有該灰度值的像素的個數，如圖4.1所示，（b）為圖像（a）的灰度直方圖，其橫坐標表示像素的灰度級別，縱坐標表示該灰度出現的頻率（像素的個數）。 圖4.1 當圖像對比度較小時，它的灰度直方圖只在灰度軸上較小的一段區(qū)間上非零，較暗的圖像由于較多的像素灰度值低，因此它的直方圖的主體出現在低值灰度區(qū)間上，其在高值灰度區(qū)間上的幅度較小或為零，而較亮的圖像情況正好相反

19、。 4.1.2 直方圖均衡化 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。 以下展示了直方圖均衡化的效果： 圖4.2 從直方圖統(tǒng)計可以看出，原始圖的灰度范圍大約是110到250之間，灰度分布的范圍比較狹窄，所以整體

20、上看對比度比較差，而直方圖均衡化后，灰度幾乎是均勻的分布在0到255的范圍內，圖像明暗分明，對比度很大，圖像比較清晰明亮，很好的改善了原始圖的視覺效果。 優(yōu)勢：能夠使得處理后圖像的概率密度函數近似服從均勻分布，其結果擴張了像素值的動態(tài)范圍，是一種常用的圖像增強算法。 不足：不能抑制噪聲。 4.1.3 圖像二值化 圖像的二值化處理就是將圖像上的像素點的灰度值設置為0或255，也就是講整個圖像呈現出明顯的黑白效果。 將256個亮度等級的灰度圖像通過適當的閥值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數字圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的

21、進一步處理，使圖像變得簡單，而且數據量減小，能凸顯出感興趣的目標的輪廓。其次，要進行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。 所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。 下圖為圖像二值化的效果： 圖 4.3 4.2 對比度增強 對比度增強是圖像增強技術中一種比較簡單但又十分重要的方法。這種方法是按一定的規(guī)則修改輸入圖像每一個像素的灰度，從而改變圖像灰度的動態(tài)范圍。它可以是灰度動態(tài)范圍擴展，也可以使其壓縮，或者是對灰度進行分段處理，根據圖像特點和要求在某段區(qū)間

22、中進行壓縮在另外區(qū)間進行擴展。 例如，觀察圖4.4可以發(fā)現，該圖的對比度不高其灰度直方圖沒有低于35或高于210的值，如果將圖像數據映射到整個灰度范圍內，則圖像的對比度將大大增大。 圖4.4 設輸入圖像為f(x,y)，處理后的圖像為g(x,y)，則對比度增強可以表示為下面的數學變幻式： g(X,Y)=T[f(X,Y)] 其中T表示輸入圖像和輸出圖像對應點的灰度映射關系。實際中由于曝光不足或成像系統(tǒng)非線性的影響，通常照片或電子系統(tǒng)生成圖像對比對不良，利用對比度增強變換可以有效地改善圖像的質量。 4.2.1 灰度調整 1. imadjust函數 MATLAB軟件中，imadjus

23、t函數可以實現圖像的灰度變換，通過直方圖變換調整圖像的對比度。 其中，gamma為校正量r，為原圖像中要變換的灰度范圍，指定了變換后的灰度范圍。 以下展示了常用對比度擴展法的結果： 圖4.5 從圖4.5【原圖】可以看出原始圖像動態(tài)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【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(jié)如圖【原圖直方圖均衡化】和【均衡后的灰度直方圖】所示。 優(yōu)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

24、效地抑制噪聲。而且，僅僅利用了圖像中的局部信息。 從原理上講，我們也可以用一些數學上的非線性函數進行變換，如平方、指數、對數等，但其中有實際意義的還是對數變換。 2． 對數變換 對數變化常用來擴展低值灰度，壓縮高值灰度，這樣可以使低值灰度的圖像細節(jié)更容易看清。對數變換的表達式為： g(x,y)=log[f(x,y)+1] 運用對數變換的結果如圖4.6: 圖 4.6 從圖像對數變換前后的效果比較，可以知道，對數變換確實能夠擴展低值灰度，而壓縮高值灰度，使低值灰度的圖像細節(jié)更容易看清。 3 指數變換 指數變換可以擴展低值灰度，壓縮高值灰度，也可以擴展高值灰度，壓縮低值灰度，但是

25、由于與人的視覺特性不太相同，因此不常采用。 4.2.2 Gamma校正 Gamma校正也是數字圖像處理中常用的圖像增強技術。Imadjust函數中的gamma因子即是這里所說的Gamma校正的參數。Gamma因子的取值決定了輸入圖像到輸出圖像的灰度映射方式，即決定了增強低灰度還是增強高灰度。當Gamma等于1時，為線性變換。 圖 4.7 4.3 平滑濾波 平滑技術用于平滑圖像中的噪聲。平滑噪聲可以在空間域中進行，基本方法是求像素灰度的平均或中值。為了既平滑噪聲又保護圖像信號，也有一些改進的技術，比如在頻域中運用低通濾波技術。 4.3.1 線性濾波 輸出圖像的值等于輸入圖像

26、濾波后值的局部平均，各個項具有相同的權。下面是平滑窗口分別為矩形和圓形的情況。 對一些圖像進行線性濾波可以去除圖像中某些類型的噪聲，如采用鄰域平均法的均值濾波器就非常適用于去除通過掃描得到的圖像中的顆粒噪聲。 鄰域平均法是空間域平滑噪聲技術。用一像素鄰域內各像素灰度平均值來代替該像素原來的灰度，即是鄰域平均技術。 另外，頻域處理的基礎是頻域濾波，例如，理想的低通濾波器： 其中。 如圖4.8(a)為線性平滑濾波的例子： 圖 4.8(a) 如圖4.8(b)為利用低通鄰域平均模板進行平滑的例子： 圖 4.8(b) 優(yōu)勢：實現簡單，去噪效果明顯。

27、 不足：去噪的同時會導致結果圖像邊緣位置的改變和細節(jié)模糊甚至丟失。 4.3.2 非線性濾波 中值濾波是一種最常用的圖像增強技術，是非線性濾波。對椒鹽噪聲有很好的去噪效果。下圖是加高斯噪聲后，中值濾波和平均濾波的濾波效果對比： 圖 4.9(a) 如圖可見，對于高斯噪聲，均值濾波效果比均值濾波效果好。原因： (1)高斯噪聲是幅值近似正態(tài)分布，但分布在每點像素上。 (2)因為圖像中的每點都是污染點，所以中值濾波選不到合適的干凈點。 (3)因為正態(tài)分布的均值為0，所以均值濾波可以消除噪聲。（實際上只能減弱，不能消除。） 但對于椒鹽噪聲，中值濾波效果比均值濾波效果好。原因：

28、 (1)椒鹽噪聲是幅值近似相等但隨機分布在不同位置上，圖像中有干凈點也有污染點。 (2)中值濾波是選擇適當的點來替代污染點的值，所以處理效果好。 (3)因為噪聲的均值不為0，所以均值濾波不能很好地去除噪聲點。 中值濾波是基于一個移動窗口并計算輸入圖像在窗口內的像素亮度值的中值作為輸出圖像窗口中心的像素值而產生的。給定的圖像f(x,y)中的每一個點（m,n），取其領域s。設s含有M個像素{a1，a2，?，aM}，將其按大小排序，若M是奇數時，則位于中間的那個象素值就是修改后圖像g(x,y)在點（m,n）處的像素值；若M是偶數則取中間兩個象素的平均值作為修改后圖像g(x,y)在點（m,n）處

29、的象素值。我們在這里先人為的加上一些噪聲，然后在matlab中實現中值濾波的效果圖如下： 圖 4.9(b) 比較經過加入椒鹽噪聲的圖像和經過中值濾波的圖像，可以發(fā)現，圖像的噪聲點被去除；但是比較原始圖像和經過濾波的圖像后會發(fā)現，圖像的邊緣稍微的變得模糊，這是平滑算法不可避免的缺點。 下圖為高通濾波邊緣增強的例子： 圖 4.9(c) 優(yōu)勢：去噪效果明顯，并且能夠較好的保持圖像邊緣位置和細節(jié)。 不足：非線性濾波算法的實現相對線性濾波比較困難。 4.4 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，

30、因此可以對圖像進行逆運算，如微分運算以突出圖像細節(jié)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(qū)域，減弱灰度的慢變化區(qū)域。因此，銳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(jié)。 圖4.10展示了在MATLAB中進行圖

31、像銳化的處理結果： 圖4.10 比較原始模糊圖像和經過拉氏算子運算的圖像，可以發(fā)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(fā)生了失真，這也是拉氏算子增強的一大缺點。 4.5 利用sym4函數進行小波變換進行圖像增強 某些傳統(tǒng)圖像增強方法往往帶來比較嚴重的負效應。為此，人們一直在尋找更好的圖像增強方法。小波分析因其分析信號的 “ 數學顯微鏡 ’ 、多分辨分析能力，與圖像增強的結合成為一種必然 。 基于小波分析的圖像增強，就是突出圖像的邊緣細節(jié)，盡可能的消除負面因素，從而達到增強圖像的目的。基于小波分析的圖像增強

32、是采用小波變換，對低頻成分進行特殊處理，以增強圖像中的目標信息。 效果如圖 4.11所示： 圖 4.11 4.6 彩色增強 用于增強圖像對比度的方法很多，要根據應用目的加以選擇。偽彩色變換是增強圖像顯示效果和提高視覺分辨率的一種常用的、最有效的手段，但偽彩色增強不可能增加圖像的有效信息；偽彩色增強的視覺效果由所選擇的彩色映射決定，在選擇映射函數時，盡可能使三通道的函數不相關。偽彩色處理增強視覺效果明顯，常用于醫(yī)學、遙感圖像顯示。 真彩色圖像增強需要考慮彩色特征空間的選擇，同樣的運算在不同的特征空間效果不同。 4.6.1 偽彩色增強 偽彩色（pseudo color），非

33、彩色圖像（灰度、二值）人為映射成彩色圖像。偽彩色增強是將一個波段或單一的黑白圖像變換為彩色圖像，從而把人眼不能區(qū)分的微小的灰度差別顯示為明顯的色彩差異，更便于解譯和提取有用信息。偽彩色增強的方法主要有以下三種： (1)密度分割法： 　　密度分割或密度分層是偽彩色增強中最簡單的一種方法，它是對圖像亮度范圍進行分割，使一定亮度間隔對應于某一類地物或幾類地物從而有利于圖像的增強和分類。它是把黑白圖像的灰度級從0（黑）到M0(白)分成N個區(qū)間Li,i=1,2,…,N。給每個區(qū)間Li指定一種彩色Ci，這樣，便可以把一幅灰度圖像變成一幅偽彩色圖像。此法比較直觀簡單，缺點使變換出的彩色數目有限。

34、(2)空間域灰度級－彩色變換： 　　空間域灰度級－彩色變換是一種更為常用的、比密度分割更有效的偽彩色增強法。它是根據色度學的原理，將原圖像的灰度分段經過紅、綠、藍三種不同變換，變成三基色分量，然后用它們分別去控制彩色顯示器的紅、綠、藍電子槍，便可以在彩色顯示器的屏幕上合成一幅彩色圖像。彩色的含量由變換函數的形狀而定。 (3)頻率域偽彩色增強： 　　頻率域偽彩色增強時先把黑白圖像經傅立葉變換到頻率域，在頻率域內三個不同傳遞特性的濾波器分離成三個獨立分量，然后對它們進行逆傅立葉變換，便得到三幅代表不同頻率分量的單色圖像，接著對這三幅圖像作進一步的處理（直方圖均衡化），最后將它們作為三基色分

35、量分別加到彩色顯示器的紅、綠、藍顯示通道，從而實現頻率域分段的偽彩色增強。效果如圖： 圖 4.12 4.6.2 真彩色增強 真彩色(true-color)是指圖像中的每個像素值都分成R、G、B三個基色分量，每個基色分量直接決定其基色的強度，這樣產生的色彩稱為真彩色。例如圖像深度為24，用R:G:B=8:8:8來表示色彩，則R、G、B各占用8位來表示各自基色分量的強度，每個基色分量的強度等級為28=256種。圖像可容納224=16 M種色彩。這樣得到的色彩可以反映原圖的真實色彩，故稱真彩色。 圖 4.13 4.6.3 假彩色增強 假彩色:有三種形式第一，把真實景物圖

36、像的象元逐個地映射為另一種顏色。第二，把多光譜圖像中任三個光譜圖像映射為可見光rgb，在合成為一幅彩色圖像第三，把黑白圖像，用灰度級映射或頻譜映射而成為類似真實彩色的處理。 偽彩色，相當于假彩色中的一個特例，即指定某灰度為某種彩色。相當于第三中形式。 圖 4.14 5 圖像增強小結 　　增強圖象中的有用信息，它可以是一個失真的過程，其目的是要改善圖像的視覺效果，針對給定圖像的應用場合，有目的地強調圖像的整體或局部特性，將原來不清晰的圖像變得清晰或強調某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質量、豐富信息量，加強圖像判讀和識別效果

37、，滿足某些特殊分析的需要。 　　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，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

38、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?；诳沼虻乃惴ㄌ幚頃r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(tài)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(tǒng)計差值

39、法等。 6 源程序： 1、 圖 4.1 %灰度直方圖 I=imread(D:\image\rice.bmp);%讀取圖像 subplot(2,1,1); Imshow(I);%顯示圖像 title((a)原圖); subplot(2,1,2); imhist(I);%繪制圖像的灰度直方圖 title((b)原圖的灰度直方圖); 2、 圖 4.2 %灰度直方圖均衡化 I=imread(D:\image\bubbles.bmp);%讀取圖像 subplot(2,2,1); Imshow(I);%顯示圖像 title(原圖); subplot(2,2,2);

40、 imhist(I);%繪制圖像的灰度直方圖 title(原圖的灰度直方圖); 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J Imshow(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); 3、圖 4.3 %圖像二值化 （選取一個域值，(5) 將圖像變?yōu)楹诎讏D像） I=imread(beauty.tif); bw=im2bw(I,0.5);%選取閾值為0.5 subplot(1,3,1

41、); imshow(I); title(原圖); subplot(1,3,2); imshow(bw); title(顯示二值圖像); J=find(I<150); I(J)=0; J=find(I>=150); I(J)=255; subplot(1,3,3); imshow(I); title( 圖像二值化 ( 域值為150 ） ); 4、 圖 4.5 %imadjust函數 I=imread(D:\image\rice.bmp);%讀取圖像 subplot(2,2,1); Imshow(I);%顯示圖像 title(原圖); subplot(2,

42、2,2); imhist(I);%繪制圖像的灰度直方圖 title(原圖的灰度直方圖); subplot(2,2,3); J=imadjust(I,[0.3 0.7],[]);%對圖像進行灰度變換 Imshow(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); 5、 圖 4.6 %對數變換 I=imread(beauty.tif);%讀取圖像 I=mat2gray(I);%對數變換不支持uint8類型數據，將一個矩陣轉化為灰度圖像的數據格式(double)

43、 J=log(I+1); subplot(1,2,1); Imshow(I);%顯示圖像 title(原圖); subplot(1,2,2); Imshow(J); title(對數變換后的圖像) 6、圖 4.7 %Gamma校正 for i=0:255; f=power((i+0.5)/256,1/2.2); LUT(i+1)=uint8(f*256-0.5); end img=imread(gg.bmp); img0=rgb2ycbcr(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3);

44、 Y=img0(:,:,1); Yu=img0(:,:,1); [x y]=size(Y); for row=1:x for width=1:y for i=0:255 if (Y(row,width)==i) Y(row,width)=LUT(i+1); break; end end end end img0(:,:,1)=Y; img1=ycbcr2rgb(img0); R1=img1(:,:,1); G1=img1(:,:

45、,2); B1=img1(:,:,3); subplot(1,2,1); imshow(img);%顯示圖像 title(原圖); subplot(1,2,2); imshow(img1); title(Gamma后的圖像) 7、圖 4.8（a） %線性平滑濾波 I=imread(beauty.tif); J=imnoise(I,salt & pepper,0.02); subplot(221),imshow(I) title(原圖像) subplot(222),imshow(J) title(添加椒鹽噪聲圖像) K1=filter2(fspecial(av

46、erage,3),J)/255;%應用3*3鄰域窗口法 subplot(223),imshow(K1) title(3x3窗的鄰域平均濾波圖像) K2=filter2(fspecial(average,7),J)/255;%應用7*7鄰域窗口法 subplot(224),imshow(K2) title(7x7窗的鄰域平均濾波圖像) 圖 4.8（b） %利用低通鄰域平均模板進行平滑 I=imread(girl.bmp); I=rgb2gray(I); subplot(1,3,1); imshow(I); title(原圖); J=fspecial(average)

47、; J1=filter2(J,I)/255; subplot(1,3,2); imshow(J1); title(3*3濾波); K=fspecial(average,9); K1=filter2(K,I)/255; subplot(1,3,3); imshow(K1); title(9*9濾波); 8、圖 4.9(a) %中值濾波和平均濾波 I=imread(girl.bmp); I=rgb2gray(I); J=imnoise(I,gaussian,0,0.01); subplot(2,2,1); imshow(I); title(原圖); subp

48、lot(2,2,2); imshow(J); title(noise); K=fspecial(average,5); K1=filter2(K,J)/255; subplot(2,2,3); imshow(K1); title(平均濾波); L=medfilt2(J,[3 5]); subplot(2,2,4); imshow(L); title(中值濾波); 圖 4.9(b) %二維中值濾波 hood=3; [P,map]=imread(leno.bmp); I=rgb2gray(P); imshow(I,map); noisy=imnoise(I,

49、salt & pepper,0.05); %加入強度為0.05的椒鹽噪聲 subplot(221); imshow(noisy,map); title(加入椒鹽噪聲); filtered1=medfilt2(noisy,[hood hood]);%33窗口二維中值濾波 subplot(222); imshow(filtered1,map); title(33窗口); hood=5; filtered2=medfilt2(noisy,[hood hood]); %55窗口二維中值濾波 subplot(223); imshow(filtered2,map); title(5

50、5窗口); hood=7; filtered3=medfilt2(noisy,[hood hood]); %77窗口二維中值濾波 subplot(224); imshow(filtered3,map); title(77窗口); I=imread(leno.bmp); figure; imshow(I); title(原圖); 圖 4.9(c) %高通濾波邊緣增強 I=imread(girl.bmp); I=rgb2gray(I); subplot(2,2,1); imshow(I); title(original pic); J=fspecial(av

51、erage,3); J1=conv2(I,J)/255; subplot(2,2,2); imshow(J1); title(3*3lowpass); K=fspecial(prewitt); K1=filter2(K,J1)*5; subplot(2,2,3); imshow(K1); title(prewitt); L=fspecial(sobel); L1=filter2(L,J1)*5; subplot(2,2,4); imshow(L1); title(sibel); 9、圖 4.10 %銳化 a=imread(dowels.tif); sub

52、plot(131); imshow(a); title(原圖); b=double(a);%將圖像矩陣轉化為double類型 s=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)); end end%用拉氏算子對圖像進行濾波，這個過程相當于運用了一個33的掩膜[0，－1，0；－1，4，－1；0，－1，0] subplot(132); imshow(c

53、); 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 subplot(133); imshow(d); title(Laplace銳化濾波結果); 10、圖 4.11 %利用sym4函數進行小波變換進行圖像增強 x=imread(dowels.tif); subplot (121) ; imshow(x); title (原始圖像) ; %畫出原圖像 % 對圖像進行N層分解 [c,l] = wavedec2(x,3,sym4);

54、 c_size = size(x); % 弱化不重要的分解系數，增強重要的分解系數，這里假設閾值選取為k for i=1:c_size(2) if (c(i)>2) c(i)=2*c(i); %這里假設增強兩倍 else c(i)=0.5*c(i); end end %重構圖像 x1=waverec2(c,l,sym4); subplot(122); imshow(x1,[]); title (增強圖像); 11、圖 4.12 %偽彩色增強 I=imread(dowels.tif); figur

55、e; imshow(I); title(原圖); X=grayslice(I,16) figure; imshow(X,hot(16)); title(偽彩色增強); 12、圖 4.13 %真彩色圖像的分解 RGB=imread(peppers.png); subplot(221),imshow(RGB) title(原始真彩色圖像) subplot(222),imshow(RGB(:,:,1)) title(真彩色圖像的紅色分量) subplot(223),imshow(RGB(:,:,2)) title(真彩色圖像的綠色分量) subplot(224),imshow(RGB(:,:,3)) title(真彩色圖像的藍色分量) 13、圖 4.14 %假彩色增強處理 [RGB]=imread(peppers.png); imshow(RGB); RGBnew(:,:,1)=RGB(:,:,3); RGBnew(:,:,2)=RGB(:,:,1); RGBnew(:,:,3)=RGB(:,:,2); subplot(121); imshow(RGB); title(原圖); subplot(122); imshow(RGBnew); title(假彩色增強);