一种新的低照度彩色图像增强算法(精)
第28卷第9期2011年9月计算机应用研究
Application Research of Computers Vol．28No．9Sep．2011
一种新的低照度彩色图像增强算法
李小霞，李铖果，邹建华，韩雪梅
（西南科技大学信息工程学院，四川绵阳621010）
摘
*
要：为了增强彩色图像而不引起色彩失真，在HSV 颜色空间中保持色相不变，提出了采用分段对数变换增
采用边缘保持增强色调的低照度彩色图像增强算法。实验结果强饱和度结合在多尺度Retinex 算法的基础上，
表明，该方法在保持图像色相和图像边缘的情况下，显著改善了图像的视觉效果，提高了图像的亮度和对比度。25幅低照度图像的平均亮度、20．93%和29．88%，标准偏差和对比度分别提高了94．95%、相对于带色彩恢复的多尺度Retinex 算法的熵和对比度增量分别提高了7．34%和151．51%，效果优于Retinex 算法。关键词：低照度；彩色图像增强；分段对数变换；边缘保持；饱和度；色调；Retinex 算法中图分类号：TP391
文献标志码：A
文章编号：1001-3695（2011）09-3554-02
doi ：10．3969/j．issn．1001-3695．2011．09．100
New low illumination color image enhancement algorithm
LI Xiao-xia ，LI Cheng-guo ，ZOU Jian-hua ，HAN Xue-mei
（School of Information Engineering ，Southwest University of Science ＆Technology ，Mianyang Sichuan 621010，China ）
Abstract ：In order to avoid the color distortion during the image enhancement ，this paper proposed a new low illumination color image enhancement method combining the saturation enhancement with segment logarithmic transformation and value en-hancement with edge retaining （S_log-V_edge）based on the multi-scale Retinex （MSR ）algorithm without changing the hue
in the HSV color space．Results show that this method can improve the low illumination images ’visual effect and enhance the image brightness and contrast while retaining the image hue and edge．The 25low illumination images average value ，standard
20．93%and 29．88%individually ，the entropy and con-deviation and contrast incremental value are increased by 94．95%，
showing trast incremental value are 7．34%and 151．51%more than the multi-scale Retinex with color restoration （MSRCR ），
the effects are better than Retinex methods．
Key words ：low illumination ；color image enhancement ；segment logarithmic transformation ；edge retainment ；saturation ；value ；Retinex algorithm
0引言
在图像采集或视频监控的应用中，经常会有夜视或背光等
V_edge）对低照基于边缘保持的色调分量增强的方法（S_log-度彩色图像进行增强。
采集到的图像信噪比和对比度都较低，需要进低照度的情况，
行图像增强处理后才能进行特定的应用。图像增强就是扩大图像的灰度范围和提高图像的整体亮度，改善图像的主观质量，使得无法辨识的图像细节能够被人眼或机器识别。常用的
［1］［2］
图像增强算法有直方图变换法、灰度变换法、神经网络、Retinex 算法［3 5］和基于HSV （色相、饱和度和色调）颜色空间
1图像增强算法
低照度彩色图像增强过程可以主要分为三个步骤：a ）将
低照度图像由RGB 颜色空间转换到HSV 颜色空间；b ）保持色相H 分量不变，分别对饱和度分量S 和色调分量V 进行增强；c ）将图像由HSV 颜色空间转换回RGB 空间。具体算法如图1所示。1. 1
饱和度分量增强
饱和度增强算法是对饱和度归一化后，根据饱和度的大小0．25＜S ＜0．5、0．5＜S ＜0．75、将图像分为四个区域：S ＜0．25、
0．75＜S 。将高饱和度的区域进行保持或降低，适当提高低饱可达到更好的视觉效果。常用于饱和度分量增强的和度区域，
方法有分段线性变换和基于饱和度区域像素统计。针对低照度图像增强，本文对分段线性变换增强方法作了改进，提出了一种分段对数变换饱和度分量增强方法，将图像转换到对数域来进行处理，如下：
的增强算法
［6］
等。直方图变换法最常见的为直方图均衡化，
能自适应地提高图像灰度动态范围，在图像增强中被广泛使用，其缺点是变换后图像的灰度级减少，某些细节消失。灰度在灰度动态范围宽的低照变换法中最常见的就是对比度拉伸，
度图像中对图像对比度拉伸效果非常有限。带色彩恢复的多尺度Retinex 算法主观增强效果很好，但会降低图像对比度，边缘细节保持不理想。HSV 颜色空间是直接面向用户的色彩空CYMK 模型更符合人的视觉心理感受。间，较RBG 、
本文在HSV 色彩空间，根据图像饱和度分量和色调分量的不同性质，提出了基于分段对数变换的饱和度分量增强结合
收稿日期：2011-01-27；修回日期：2011-02-25
基金项目：单目高精度大型物体彩色三维数字化测量原理研究（60808020）
作者简介：李小霞（1976-），女，四川安岳人，副教授，博士，主要研究方向为模式识别、图像处理（lixiaoxia@swust．edu．cn ）；李铖果（1987-），女，硕士研究生，主要研究方向为模式识别与图像处理；邹建华（1984-），女，硕士，主要研究方向为图像处理；韩雪梅（1979-），女，硕士，主要研究方向为信号处理．
第9期李小霞，等：一种新的低照度彩色图像增强算法·3555·
S enh （x ，y ）=
{
log （1+S （x ，y ））a ? log （1+S （x ，y ））b ? log （1+S （x ，y ））log （1+S （x ，y ））
S （x ，y ）≤0．250．25＜S （x ，y ）≤0．50．5＜S （x ，y ）≤0．75S
（x ，y ）＞0．75
（1）
其中：P i 表示第i 个灰度级的概率。
对比度增量是用来度量增强后图像的对比度与原图对比反映了图像变换前后对比度的变化程度，如果对比度的关系，
度增量大于1，表明图像的对比度在原图的基础上有所增强，更有利于人眼观察，如下：
K =C processed /C original
（8）
该方法对饱和度过低和过高的区域只取对数运算，对较低a 和b 和较高区域进行对数变换后，再进行一定程度的拉伸，为拉伸系数。若整幅图像饱和度过低，则a 和b 选择较大的值；反之选择较小的值。1. 2
色调分量增强
色调分量包含了原图大部分的边缘细节信息，保持或者增强边缘对提高低照度图像的可见性和可分辨性具有重要意义。SSR 、色调分量增强的方法有全局线性变换、分段线性变换、MSR 和基于饱和度反馈的自适应色调增强方法。考虑到图像本文在MSR 算法的基础上进行了改进，改进边缘信息的保持，算法如图2所示
。
其中：C 是用3? 3大小的滑动窗口按照（max －min ）/（max +min ）来计算局部对比度的平均值。
3实验结果及分析
本文分别采用带色彩恢复的多尺度MSR （MSRCR ）、分段
V_MSR）、线性变换饱和度增强与MSR 色调增强（S_linear-分V _段线性变换饱和度增强与边缘保持色调增强（S _linear-V_edge ）、分段对数变换饱和度增强与MSR 色调增强（S_log-MSR ）和分段对数变换饱和度增强与边缘保持色调增强（S_log-V_edge）五种算法对图3（a ）进行增强，
分段对数变换的参b =0．8，数a =1．2，结果如图3所示。
首先对图像的色调分量进行多尺度Retinex 变换，如下：
r （x ，y ）=∑w i ? ｛log ［L （x ，y ）］－log ［L （x ，y ）? G i （x ，
y ）］｝
i =1N
（2）
y ）是原始图像；N 表示尺度的个数，其中：L （x ，通常采用三个尺度；w i 是加权系数，通常假定各个尺度的权重是相等的，即w 1=w 2=w 3=1/3。高斯函数G i （x ，y ）为
G i （x ，y ）=λ? e －
（x 2+y 2）c i
（3）
从图3中可以看出主观上这五种算法都提高了图像亮度，能够看清楚原图中的暗区域，且都能够在一定程度上恢复原图（c ）和的颜色。图3（b ）MSRCR 算法存在明显的过饱和现象，（e ）增强的边缘不如（d ）和（f ）明显，（f ）比如建筑物的边缘，（d ）的层次更加清晰，色彩更加真实。
采用本文提出的算法对25幅图像（http ：//dragon．larc．nasa．gov
/retinex/pao/news/）进行增强实验，通过亮度、熵、标准偏差和对比度增量这四个客观指标对增强效果进行评估，如表1所示。
表1
增强方法原图
MSRCR S_linear-V_MSRS_log-V_MSR S_linear-V_edgeS_log-V_edge
c i 取不同的值则称为多尺度；λ是使得高其中：c i 是尺度常量，斯函数归一化的常量矩阵。
y ）d x d y =1∫∫G （x ，
（4）
然后进行锐化处理，为了防止单纯的边缘锐化而带来的边缘扭曲和噪声放大，对提取的边缘进行高斯平滑，以滤除部分噪声。
最后将MSR 处理和高斯平滑后的图像进行迭加，边缘与附近像素的灰度落差拉大，这样就能突出图像的边缘部分，并使得图像中非边缘部分更亮。
25幅图片平均增强指标
亮度
228．16494．19459．46441．89462．41444．79
熵6．786．776．936．977．247．27
标准偏差8．6610．3510．3610．4210．4710．47
对比度增量
10．520．630．691．251．30
2图像增强效果评价指标
采用亮度、标准差、熵和对比度增量这四个指标来评估图
像增强算法的客观效果。亮度即图像矩阵的平均值，其值表明图像的明暗程度，如下：
L =
3M N 1
n ，i ）∑∑∑I （m ，
3? M ? N i =1m =1n =1
（5）
从表1可以看出，五种增强方法都提高了图像的亮度、熵S_log-V_edge的熵和标准偏差都略高于其他四种和标准偏差，
说明增强后的图像比原图含有更多的细节信息；特别是方法，
V_对比度增量提高明显，两种采用了边缘保持的方法S_linear-edge 和S_log-V_edge对比度增量都大于1，提高了图像的对比S_linear-V_MSR和S_log-V_MSR 的对比度较度，而MSRCR 、V_edge较原图平均亮度、原图有所降低。S_log-熵、标准偏差7．28%、20．93%和29．88%，和对比度分别提高了94．95%、相熵和对比度增量分别提高了7．34%和比于MSRCR 方法，151. 51%。
（下转第3558页）
N 表示图像的长和宽，i 是通道数。其中：M 、
标准差可反映图像中黑白反差的程度，标准差越大说明图像的对比度越大，更利于人眼的观察，如下：
S =
∑（x －x ）n i =1i
1n
∑x ）n i =1i
熵用来度量图像中信息量大小、图像细节的丰富程度，熵越大说明图像的信息含量越大，图像包含的细节越多，如下：
entrop =－∑P i log P i
i =0255
2
（x =（6）
（7）
·3558·
计算机应用研究第28卷
的肺部CT 临床数据构建实验数据集。每层数据均为512? CT 512像素，层厚2mm ，像素间距0．6825mm 。在数据集中，层数最少30，最多64，平均每位患者48层CT 数据。2. 2
实验结果比较
本节对快速边界行进算法和自适应边界行进算法的实验结果进行了比较。图5是快速边界行进算法和自适应边界行进算法的实验结果，共选择了三组实验结果（第一组（a ）（d ）、第二组（b ）（e ）、第三组（c ）（f ））进行比较。其中（a ）（c ）是（d ）（f ）是快速边界行进自适应边界行进算法的实验结果，
算法的实验结果。实验中设置步长L =750，自适应阈值λ0=0．33，惩罚因子δ=0．75
。
行进算法时间的2 6倍。表1中可以看到对每张CT 图片，自适应边界行进算法平均计算时间为快速边界行进算法时间的1. 8368倍，P 关键点提取算这个值略小于理论值，这是因为D-法需要一定的时间开销。
表1
算法
自适应边界行进算法快速边界行进算法
5050
时间性能比较
总时间/s
58．750131．9847
平均时间/s/张
1．1750
0．6397
CT 图片数/张
3结束语
肺部CT 图像的肺实质分割是肺部图像预处理的关键步
来骤。从已实现的《孤立肺结节智能检测和辅助诊断系统》看，肺实质分割占用时间开销占到处理整个图像时间的50% 80%。因此，改善肺实质分割算法的分割性能，降低其时间开销对于医疗图像处理领域的进步能具有非常重要的意义。
P 算法和自适应本文提出的快速边界行进算法结合了D-边界行进算法，不仅有效地分割出了与胸膜和纵膈相连的肺结同时又大大降低了肺部分割的时间开销。快速边界行进算节，
速度快的优点，更能准确有效地分割出与法具有人机交互少、
纵膈和胸膜连接的肺结节。快速边界行进算法还可以被应用到一切需要通过几何桥接方式平滑边缘的应用上来。参考文献：
［1］陈兆学，赵晓静，聂生东．一种基于CT 图像的肺实质自动分割的
J ］．计算机应用与软件，2010，27（3）：78-79，113．简易方法［
［2］BAE K T ，KIM J S ，NA Y H ，et al．Pulmonary nodules ：automated de-tection on CT images with morphologic matching algorithm-preliminary 2005，236（1）：286-294．results ［J ］．Radiology ，
［3］KIM D Y ，KIM J H ，NOH S M ，et al．Pulmonary nodule detection
using chest CT images ［J ］．Acta Radiologica ，2003，44（3）：252-257．
［4］WIEMKER R ，ROGALLA P ，ZWARTKRUIS A ，et al．Computer-aided
lung nodule detection on high-resolution CT data ［C ］//Procof the SPIE on Image Processing ，Medical Imaging．2002：677-688．［5］YIM Y ，HONG H．Correction of segmented lung boundary for inclusion
of pleural nodules and pulmonary vessels in chest CT images ［J ］．Computers in Biology and Medicine ，2008，38（8）：845-857．［6］PU J ，ROOS J ，YI C
A ，et al．Adaptive border marching algorithm ：au-tomatic lung segmentation on chest CT images ［J ］．Computerized Medical Imaging and Graphics ，2008，32（6）：452-462．
［7］詹自熬．基于凸包的线状要素化简的一种改进算法［J ］．河南科
2009，27（12）：1555-1558．学，
［J ］．红外与激光工程，2008，37（2）：308-311．
［2］毛伟民，赵勋杰．基于神经网络的低照度彩色图像增强算法［J ］．
2010，36（2）：225-228．光学技术，
［3］RAHMA Z A ，JOBSON D J ，WOODELL G A．Retinex processing for
．Journal of Electronic Imaging ，automatic image enhancement ［J ］2004，13（1）：100-110．
［4］李学明．基于Retinex 理论的图像增强算法［J ］．计算机应用研
2005，22（2）：235-237．究，
［5］陈雾．基于Retinex 理论的图像增强算法研究［D ］．南京：南京理
2006．工大学，
［6］乔香磊，．电子宋刚．基于人眼视觉特性的彩色图像增强算法［J ］
2007，33（10）：63-65．技术应用，
实验结果表明，快速边界行进算法和自适应边界行进算法并且修补后的边缘更贴近真实的肺都能准确地分割出肺实质，
实质边缘，如图5（a ）和（d ）所示。快速边界行进算法相对于自适应边界行进算法而言，采用了边缘关键点而不是完整的边缘在局部区域内对同一段曲线段，快速边界行进算法计算信息，
的点更少，并且只需要计算边缘上的关键点，更能排除局部噪声的影响，自适应边界行进算法是用完整的边缘信息，需要计容易受到局部噪声的影响。实验结果图5（b ）与算所有的点，
（e ）、（c ）与（f ）的对比显示，快速边界行进算法分割结果（e ）和
（f ）的边缘更贴近于实际边缘。2. 3
时间性能比较
本节对快速边界行进算法和自适应边界行进算法时间性能进行了比较。自适应边界行进算法的时间复杂度为O （n ? l ），n 为边缘点个数，l 为步长。D-P 关键点提取算法压理论上缩边缘前边缘点数量为压缩边缘后的2 6倍。因此，自适应边界行进算法每张CT 图片平均计算时间为快速边界
（上接第3555页）
4结束语
本文在HSV 颜色空间实现了结合分段对数变换饱和度分
V_edge）的低照度量增强和基于边缘保持的色调增强（S_log-彩色图像增强算法。该方法主观上能有效地提高低照度图像的对比度，丰富图像的细节信息，色彩效果更加自然；客观上提高了图像的亮度、细节和对比度，效果优于MSRCR 方法，为低照度图像在特定场合的应用奠定了基础。参考文献：
［1］宋岩峰，邵晓鹏，徐军．基于双平台直方图的红外图像增强算法
matlab图像处理实验报告
图像处理实验报告 姓名：陈琼暖 班级：07计科一班 学号：20070810104
目录： 实验一：灰度图像处理 (3) 实验二：灰度图像增强 (5) 实验三：二值图像处理 (8) 实验四：图像变换 (13) 大实验：车牌检测 (15)
实验一：灰度图像处理题目：直方图与灰度均衡 基本要求： （1） BMP灰度图像读取、显示、保存； （2）编程实现得出灰度图像的直方图； （3）实现灰度均衡算法. 实验过程： 1、BMP灰度图像读取、显示、保存； ?图像的读写与显示操作：用imread( )读取图像。 ?图像显示于屏幕：imshow( ) 。 ?
2、编程实现得出灰度图像的直方图； 3、实现灰度均衡算法； ?直方图均衡化可用histeq( )函数实现。 ?imhist(I) 显示直方图。直方图中bin的数目有图像的类型决定。如果I是个灰度图像，imhist将 使用默认值256个bins。如果I是一个二值图像，imhist使用两bins。 实验总结： Matlab 语言是一种简洁，可读性较强的高效率编程软件，通过运用图像处理工具箱中的有关函数,就可以对原图像进行简单的处理。 通过比较灰度原图和经均衡化后的图形可见图像变得清晰，均衡化后的直方图形状比原直方图的形状更理想。
实验二：灰度图像增强 题目：图像平滑与锐化 基本要求： （1）使用邻域平均法实现平滑运算； （2）使用中值滤波实现平滑运算； （3）使用拉普拉斯算子实现锐化运算. 实验过程： 1、 使用邻域平均法实现平滑运算； 步骤：对图像添加噪声，对带噪声的图像数据进行平滑处理； ? 对图像添加噪声 J = imnoise(I,type,parameters)
基于Matlab基本图像处理程序
图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表 图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像 图像增强 一．图像的全局描述 直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。 灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图 像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像
彩色图像分割介绍
第一章绪论 计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型： 一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。 另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优
基于MATLAB图像处理报告.docx
基于M A T L A B图像处理报告一、设计题目 图片叠加。 二、设计要求 将一幅礼花图片和一幅夜景图片做叠加运算，使达到烟花夜景的美图效果。 三、设计方案 3.1、设计思路 利用matlab强大的图像处理功能，通过编写程序，实现对两幅图片的像素进行线性运算，利用灰度变换的算法使图片达到预期的效果。 3.2、软件介绍 MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。 MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB 也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用，用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户直接进行下载就可以用。
数字图像处理算法汇总
形态学运算：基本思想是具用一定结构形状的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。 腐蚀运算：将结构元素中心遍历整个图像，当图像完全包含结构元素时的中心点的轨迹即为腐蚀后的图像，图像变细。腐蚀运算可用于滤波，选择适当大小和形状的结构元素，可以滤除掉所有不能完全包含结构元素的噪声点。当然利用腐蚀滤除噪声有一个缺点，即在去除噪声的同时，对图像中前景物体形状也会有影响，但当我们只关心物体的位置或者个数时，则影响不大。 膨胀运算：将结构元素中心遍历整个图像边缘，中心点的轨迹即为腐蚀后的图像，图像整体变粗。通常用于将图像原本断裂开来的同一物体桥接起来，对图像进行二值化之后，很容易是一个连通的物体断裂为两个部分，而这会给后续的图像分析造成干扰,此时就可借助膨胀桥接断裂的缝隙。 开运算：先腐蚀后膨胀，可以使图像的轮廓变得光滑，还能使狭窄的连接断开和消除细毛刺；但与腐蚀运算不同的是，图像大的轮廓并没有发生整体的收缩，物体位置也没有发生任何变化。可以去除比结构元素更小的明亮细节，同时保持所有灰度级和较大亮区特性相对不变，可用于补偿不均匀的背景亮度。与腐蚀运算相比，开运算在过滤噪声的同时，并没有对物体的形状轮廓造成明显的影响，但是如果我们只关心物体的位置或者个数时，物体形状的改变不会给我们带来困扰，此时腐蚀滤波具有处理速度上的优势。 闭运算：先膨胀后腐蚀，可以去除比结构元素更小的暗色细节。开闭运算经常组合起来平滑图像并去除噪声。可使轮廓变的平滑，它通常能弥合狭窄的间断，填补小的孔洞。腐蚀运算刚好和开运算相反，膨胀运算刚好和闭运算相反，开闭运算也是对偶的，然而与腐蚀、膨胀不同的是，对于某图像多次应用开或闭运算的效果相同。 击中击不中运算：先由结构元素腐蚀原图像，再将结构元素取反去腐蚀原图像的取反图，最后将两幅处理后的图像取交。主要用于图像中某些特定形状的精确定位。 顶帽变换：原图像减去开运算以后的图像。当图像的背景颜色不均匀时，使用阈值二值化会造成目标轮廓的边缘缺失，此时可用开运算（结构元素小于目标轮廓）对整个图像背景进行合理估计，再用原图像减去开运算以后的图像就会是整个图像的灰度均匀，二值化后的图像不会有缺失。 Sobel算子： Prewitt算子： LOG算子： Canny算子：力图在抗噪声干扰和精确定位之间尊求折中方案，主要步骤如下所示： 1、用高斯滤波器平滑图像； 2、用一阶偏导的有限差分来计算梯度的幅值和方向； 3、对梯度幅值进行非极大值抑制； 4、用双阈值算法检测和连接边缘。 Hough变换： 边缘检测：
图像分割算法研究与实现
中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日
中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日
课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。
MATLAB课程设计-图像处理完整版
MATLAB课程设计 设计题目：应用图像处理 班级： 学号： 姓名： 指导老师： 设计时间：2013年4月8号-4月14号
摘要 21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。图像处理，是用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。所谓数字图像处理[7]就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。实质上是一段能够被计算机还原显示和输出为一幅图像的数字码。 关键词：DCT变换；图像压缩；真色彩增强；平滑；锐化；直方图均衡； 灰度变换；滤波；M文件的使用 目录 摘要………………………………………………………………I 1 概述……………………………………………………………II 2 课程设计任务及要求...............................III 2.1.1设计任务 2.1.2设计要求 3 系统设计原理 (Ⅳ)
3.1 DCT图像压缩原理 3.2 真彩色增强 3.2.1平滑 3.2.2锐化 3.3 灰度变换（直方图均衡化） 3.4 图像滤波 3.4.1中值滤波器 3.4.2维纳滤波器 4 程序代码及实验结果与分析 (Ⅵ) 4.1 DCT图像压缩 4.1.1程序代码 4.1.2实验结果 4.1.3结果分析 4.2 真彩色增强 4.2.1平滑程序代码 4.2.2实验结果 4.2.3结果分析 4.2.4锐化程序代码 4.2.5实验结果 4.2.6结果分析 4.3 灰度变换（直方图均衡化） 4.3.1程序代码
(完整版)数字图像处理MATLAB程序【完整版】
第一部分数字图像处理
实验一图像的点运算 实验1.1 直方图 一．实验目的 1．熟悉matlab图像处理工具箱及直方图函数的使用； 2．理解和掌握直方图原理和方法； 二．实验设备 1.PC机一台； 2.软件matlab。 三．程序设计 在matlab环境中，程序首先读取图像，然后调用直方图函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(1,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(1,2,2),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的直方图函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察图像matlab环境下的直方图分布。 (a)原始图像 (b)原始图像直方图 六．实验报告要求 1、给出实验原理过程及实现代码； 2、输入一幅灰度图像，给出其灰度直方图结果，并进行灰度直方图分布原理分析。
实验1.2 灰度均衡 一．实验目的 1．熟悉matlab图像处理工具箱中灰度均衡函数的使用； 2．理解和掌握灰度均衡原理和实现方法； 二．实验设备 1.PC机一台； 2.软件matlab； 三．程序设计 在matlab环境中，程序首先读取图像，然后调用灰度均衡函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(2,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(2,2,3),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 a=histeq(I,256); %直方图均衡化，灰度级为256 subplot(2,2,2),imshow(a) %输出均衡化后图像 title('均衡化后图像') %在均衡化后图像中加标题 subplot(2,2,4),imhist(a) %输出均衡化后直方图 title('均衡化后图像直方图') %在均衡化后直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的灰度均衡函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察matlab环境下图像灰度均衡结果及直方图分布。 (a)原始图像 (b)均衡化后图像
基于matlab的数字图像增强算法研究与实现
基于matlab的数字图像增强算法研究与实现 摘要图像在获取和传输过程中，会受到各种噪声的干扰，使图像退化质量下降，对分析图像不利。图像的平滑或去噪一直是数字图像处理技术中的一项重要工作。为此，论述了在空间域中的各种数字图像平滑技术方法。 关键字：数字图像；图像增强；平滑处理
目录 第一章、概述 2 1.1 图像平滑意义 2 1.2图像平滑应用 2 1.3噪声模 型 (3) 第二章 、图像平滑方法 5 2.1 空域低通滤波 5 2.1.1 均值滤波器 6 2.1.2 中值滤波器 6 2.2 频域低通滤波 7 第三章、图像平滑处理与调试 9 3.1 模拟噪声图像 9 3.2均值滤波法 11 3.3 中值滤波法 14 3.4 频域低通滤波法 17 第四章、总结与体会 19 参考文献 20 第一章、概述 1.1图像平滑意义 图像平滑（S m o o t h i n g）的主要目的是减少图像噪声。图像噪声来自于多方面，有来自于系统外部的干扰（如电磁波或经
电源窜进系统内部的外部噪声），也有来自于系统内部的干扰（如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声）。实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或在频率域处理。在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。 图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。 1.2图像平滑应用 图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传 输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。 1.3噪声模型 1.3.1噪声来源 一幅图像可能会受到各种噪声的干扰，而数字图像的实质就是光电信息，因此图像噪声主要可能来源于以下几个方面：光电传感器噪声、大气层电磁暴、闪电等引起的强脉冲干扰、
彩色图像分割的国内外研究现状
1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正
matlab图像处理小结
1.function [center, r] = solve_circle(pt1, pt2, pt3) 2.%Effect: solve the circle which across points 'pt1', 'pt2' and 'pt3' 3.%Inputs: 4.%pt1, pt2, pt3: [x, y] 5.%center: the circle center [x0; y0] 6.%r: the radius of the circle 7.%Author: Su dongcai at 2012/1/2 8. A = zeros(2, 2); B = zeros(2, 1); 9.[A(1, :), B(1)] = circle2line(pt1, pt2); 10.[A(2, :), B(2)] = circle2line(pt2, pt3); 11.center = A\B; 12.r = norm(pt1' - center); 13. 14.function [A, B] = circle2line(pt1, pt2) 15.%Effect: cast 2 circles equation into 1 linear equation: 16.%(a-x1)^2 + (b-y1)^2 = r^2 | 17.% |==> 2(x1-x2)a + 2(y1-y2)b = (x1^2 + y1^2) - (y2^2 + y2^2) 18.%(a-x2)^2 + (b-y2)^2 = r^2 | 19.%Inputs: 20.%pt1, pt2: [x1, y1], [x2, y2] 21.%Outputs: 22.%A: 2[x1-x2, y1-y2] 23.%B: (x1^2 + y1^2) - (x2^2 + y2^2) 24.%Author: Su dongcai at 2012/1/2 25.A = 2*(pt1 - pt2); 26.B = norm(pt1)^2 - norm(pt2)^2; close all;clear;clc; >> i=imread('rice.png'); %>> imshow(i); >> background=imopen(i,strel('disk',15)); >> i2=imsubtract(i,background); %>> figure,imshow(i2); >> i3=imadjust(i2,stretchlim(i2),[0 1]); %>> figure,imshow(i3); >> level=graythresh(i3); >> bw=im2bw(i3,level); %>> figure,imshow(bw); >> [labeled,numobjects]=bwlabel(bw,4); graindata=regionprops(labeled,'all');
图像处理matlab程序实例
程序实例 1旋转: x=imread('d:\MATLAB7\work\flower.jpg'); y=imrotate(x,200,'bilinear','crop'); subplot(1,2,1); imshow(x); subplot(1,2,2); imshow(y) 2.图像的rgb clear [x,map]=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh1.jpg');y=x(90:95,90:95);imshow(y)R=x(90:95,90:95,1);G=x(90:95,90:95,2);B=x(90:95,90:95,3);R,G,B 3.加法运算clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh3.jpg');J=imnoise(I,'gaussian',0,0.02);%向图片加入高斯噪声subplot(1,2,1),imshow(I);%显示图片subplot(1,2,2),imshow(J);K=zeros(242,308);%产生全零的矩阵，大小与图片的大小一样for i=1:100%循环100加入噪声J=imnoise(I,'gaussian',0,0.02);J1=im2double(J);K=K+J1;end K=K/100; figure,imshow(K);save
4.减法 clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); J=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao1.jpg'); K=imsubtract(I,J);%实现两幅图相减 K1=255-K;%将图片求反显示 figure;imshow(I); title('有噪声的图'); figure;imshow(J); title('原图'); figure;imshow(K1); title('提取的噪声'); save 5.图像的乘法 H=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); I=immultiply(H,1.2);将此图片乘以1.2 J=immultiply(H,2); subplot(1,3,1),imshow(H); title('原图'); subplot(1,3,2),imshow(I); title('·放大1.2'); subplot(1,3,3),imshow(J); title('放大2倍'); 6除法运算 moon=imread('moon.tif'); I=double(moon); J=I*0.43+90; K=I*0.1+90; L=I*0.01+90; moon2=uint8(J); moon3=uint8(K); moon4=uint8(L); J=imdivide(moon,moon2); K=imdivide(moon,moon3); L=imdivide(moon,moon4); subplot(2,2,1),imshow(moon); subplot(2,2,2),imshow(J,[]); subplot(2,2,3),imshow(K,[]); subplot(2,2,4),imshow(L,[]);
彩色图像分割-RGB模型
成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字： 成绩 日期201年月日
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务： 本次课程设计中，主要任务是实现基于RGB模型的彩色图像分割的程序设计，对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。 并且设计MATLAB程序，使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排： 第一阶段（1-2天）：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3天）：算法设计； 第三阶段（2-3天）：编码与调试； 第四阶段（1-2天）：实验与分析； 第五阶段（1-2天）：编写文档。 指导教师： 201年月日专业负责人： 201年月日 学院教学副院长： 201年月日
Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。 关键字：Matlab；图像处理；RGB
图像运算的MATLAB实现
rice=imread(‘rice.png’); % 读入图像 I=double(rice); % 数据类型转换 J=I*0.43+60; % 像素点算术运算 rice2=uint8(J) % 数据类型转换subplot(1,2,1),imshow(rice); % 原图绘制subplot(1,2,2),imshow(rice2); % 计算后图像绘制
X = uint8([ 255 10 75; 44 225 100]); Y = uint8([ 50 20 50; 50 50 50 ]); Z = imdivide(X,Y)
I = imread('rice.png'); % 读入图像background = imopen(I,strel('disk',15)); % 图像开运算Ip = imdivide(I,background); % 图像除法运算imshow(Ip,[]) % 显示运算后的图像
I = imread('rice.png'); % 读入图像 J = imdivide(I,2); % 图像除以一个常数subplot(1,2,1), imshow(I) % 显示原始图像subplot(1,2,2), imshow(J) % 显示运算后的图像
I = imread('cameraman.tif'); % 读入图像J = imlincomb(2,I); % 灰度值放大imshow(J) % 显示运算后的图像
I = imread('cameraman.tif'); % 读入图像 J = uint8(filter2(fspecial('gaussian'), I)); % 图像滤波 K = imlincomb(1,I,-1,J,128); % K(r,c) = I(r,c) - J(r,c) + 128 % 图像相减后加上一个常数figure, imshow(K) % 显示运算后的图像
数字图像增强算法分析
数字图像增强算法分析 马 琳,于 宁 (哈尔滨市勘察测绘研究院,黑龙江哈尔滨150000) 摘 要:在阐明图像增强处理基本方法基础上,对几种有代表性的图像增强算法(基于直方图均衡化图像增强算法,基于模糊集理论的图像增强算法,基于小波变换的图像增强算法,基于人眼视觉特性的彩色图像增强算法及基于神经网络的图像增强算法)做简单介绍,对现有直方图的均衡化算法进行分析、对比,综合多种算法对现有直方图均衡化算法做改进,得出一种新的直方图均衡化方法。关键词:图像增强;直方图均衡化;M AT LA B;对比度增强 中图分类号:P 211 文献标识码:A 文章编号:1008 5696(2011)01 0122 04 Analysis of Digital Image Enhancement Algorithm M A Lin,YU Ning (H arbin City P ro specting and M apping Resear ch I nstit ute,Har bin 150000,China) Abstract:Based on the ex po sitio n for the fundam ental methods o f im ag e enhancem ent pr ocessing ,it sim ply introduces sever al kinds of representative image enhancement alg orithm (im ag e enhancement algo rithm based on histo gram equalization,image enhancement algorithm based on fuzzy set theor y,im ag e enhance m ent alg orithm based on w avelet transform ,image enhancem ent algor ithm based on hum an visual property and image enhancement algo rithm based on artificial neural netw o rk).Carries o n the analysis and contr ast to the ex isting histog ram equalization algo rithm.Finally,w e synthesize m any kinds of algor ithms to make som e improvements to the ex isting histog ram equalization alg orithm and o btain one new histog ram equali zing method. Key words:im age enhancement;histog ram equalizatio n;M AT LAB;contr ast enhancem 收稿日期:2010 09 10 作者简介:马 琳(1982-),女,助工,研究方向:测绘工程. 1 研究目的和意义 图像增强的目的是改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,扩大图像中不同物体特征之间的差别,满足某些特殊分析的需要。其方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同,分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算,基于频域的算法是在图像的某 种变换域内对图像的变换系数值进行某种修正,是一种间接增强算法 [1] 。 2 直方图与直方图均衡化 2.1 直方图 1)直方图又称质量分布图,是一种几何形图表,它是根据从生产过程中收集来的质量数据分布情况,画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。 2)图像的直方图。以灰度图为例,假设图中一共只有0、1、2、3、4、5、6、78种灰度,0代表黑色,7代表白色,其它数字代表0~7之间不同深浅的灰度,见图1。 统计的结果如下,横轴标示灰度级别(0~7),纵轴标示每种灰度的数量,见图2。 Photoshop(PS)中的显示,见图3。
彩色图像分割算法：Color Image Segmentation Based on Mean Shift and Normalized Cuts
Color Image Segmentation Based on Mean Shift and Normalized Cuts Wenbing Tao,Hai Jin,Senior Member,IEEE,and Yimin Zhang,Senior Member,IEEE Abstract—In this correspondence,we develop a novel approach that provides effective and robust segmentation of color images.By incor-porating the advantages of the mean shift(MS)segmentation and the normalized cut(Ncut)partitioning methods,the proposed method requires low computational complexity and is therefore very feasible for real-time image segmentation processing.It preprocesses an image by using the MS algorithm to form segmented regions that preserve the desirable discontinuity characteristics of the image.The segmented regions are then represented by using the graph structures,and the Ncut method is applied to perform globally optimized clustering.Because the number of the segmented regions is much smaller than that of the image pixels, the proposed method allows a low-dimensional image clustering with signi?cant reduction of the complexity compared to conventional graph-partitioning methods that are directly applied to the image pixels.In addition,the image clustering using the segmented regions,instead of the image pixels,also reduces the sensitivity to noise and results in enhanced image segmentation performance.Furthermore,to avoid some inappro-priate partitioning when considering every region as only one graph node, we develop an improved segmentation strategy using multiple child nodes for each region.The superiority of the proposed method is examined and demonstrated through a large number of experiments using color natural scene images. Index Terms—Color image segmentation,graph partitioning,mean shift (MS),normalized cut(Ncut). I.I NTRODUCTION Image segmentation is a process of dividing an image into different regions such that each region is nearly homogeneous,whereas the union of any two regions is not.It serves as a key in image analysis and pattern recognition and is a fundamental step toward low-level vision, which is signi?cant for object recognition and tracking,image re-trieval,face detection,and other computer-vision-related applications [1].Color images carry much more information than gray-level ones [24].In many pattern recognition and computer vision applications,the color information can be used to enhance the image analysis process and improve segmentation results compared to gray-scale-based ap-proaches.As a result,great efforts have been made in recent years to investigate segmentation of color images due to demanding needs. Existing image segmentation algorithms can be generally classi?ed into three major categories,i.e.,feature-space-based clustering,spa-tial segmentation,and graph-based approaches.Feature-space-based clustering approaches[12],[13]capture the global characteristics of the image through the selection and calculation of the image features, which are usually based on the color or texture.By using a speci?c distance measure that ignores the spatial information,the feature Manuscript received August3,2006;revised December10,2006.This work was supported by the National Natural Science Foundation of China under Grant60603024.This paper was recommended by Associate Editor I.Bloch. W.Tao and H.Jin are with the Cluster and Grid Computing Laboratory, School of Computer Science and Technology,Huazhong University of Science and Technology,Wuhan430074,China,and also with the Service Computing Technology and System Laboratory,School of Computer Science and Technol-ogy,Huazhong University of Science and Technology,Wuhan430074,China (e-mail:wenbingtao@https://www.360docs.net/doc/761890601.html,;hjin@https://www.360docs.net/doc/761890601.html,). Y.Zhang is with the Center for Advanced Communications,Villanova University,Villanova,PA19085USA(e-mail:yimin.zhang@https://www.360docs.net/doc/761890601.html,). Color versions of one or more of the?gures in this paper are available online at https://www.360docs.net/doc/761890601.html,. Digital Object Identi?er10.1109/TSMCB.2007.902249samples are handled as vectors,and the objective is to group them into compact,but well-separated clusters[7]. Although the data clustering approaches are ef?cient in?nding salient image features,they have some serious drawbacks as well.The spatial structure and the detailed edge information of an image are not preserved,and pixels from disconnected regions of the image may be grouped together if their feature spaces overlap.Given the importance of edge information,as well as the need to preserve the spatial relation-ship between the pixels on the image plane,there is a recent tendency to handle images in the spatial domain[11],[28].The spatial segmen-tation method is also referred to as region-based when it is based on region entities.The watershed algorithm[19]is an extensively used technique for this purpose.However,it may undesirably produce a very large number of small but quasi-homogenous regions.Therefore,some merging algorithm should be applied to these regions[20],[28]. Graph-based approaches can be regarded as image perceptual grouping and organization methods based on the fusion of the feature and spatial information.In such approaches,visual group is based on several key factors such as similarity,proximity,and continuation[3], [5],[21],[25].The common theme underlying these approaches is the formation of a weighted graph,where each vertex corresponds to n image pixel or a region,and the weight of each edge connecting two pixels or two regions represents the likelihood that they belong to the same segment.The weights are usually related to the color and texture features,as well as the spatial characteristic of the corresponding pixels or regions.A graph is partitioned into multiple components that minimize some cost function of the vertices in the components and/or the boundaries between those components.So far,several graph cut-based methods have been developed for image segmentations[8], [14],[22],[23],[27],[30],[31].For example,Shi and Malik[23] proposed a general image segmentation approach based on normalized cut(Ncut)by solving an eigensystem,and Wang and Siskind[8] developed an image-partitioning approach by using a complicated graph reduction.Besides graph-based approaches,there are also some other types of image segmentation approaches that mix the feature and spatial information[4],[29]. This correspondence concerns a Ncut method in a large scale. It has been empirically shown that the Ncut method can robustly generate balanced clusters and is superior to other spectral graph-partitioning methods,such as average cut and average association[23]. The Ncut method has been applied in video summarization,scene detection[17],and cluster-based image retrieval[18].However,image segmentation approaches based on Ncut,in general,require high computation complexity and,therefore,are not suitable for real-time processing[23].An ef?cient solution to this problem is to apply the graph representation strategy on the regions that are derived by some region segmentation method.For example,Makrogiannis et al.[20] developed an image segmentation method that incorporates region-based segmentation and graph-partitioning approaches.This method ?rst produces a set of oversegmented regions from an image by using the watershed algorithm,and a graph structure is then applied to represent the relationship between these regions. Not surprisingly,the overall segmentation performance of the region-based graph-partitioning approaches is sensitive to the region segmentation results and the graph grouping strategy.The inherent oversegmentation effect of the watershed algorithm used in[20]and [28]produces a large number of small but quasi-homogenous regions, which may lead to a loss in the salient features of the overall image and,therefore,yield performance degradation in the consequent region grouping. To overcome these problems,we propose in this correspondence a novel approach that provides effective and robust image segmentation 1083-4419/$25.00?2007IEEE