第五章 图像增强
医学影像技术中的图像重建与增强
医学影像技术中的图像重建与增强第一章介绍医学影像技术的背景和意义医学影像技术是一门应用于医学领域的重要技术，它通过利用物理学、数学、计算机科学等多学科知识，将人体内部的结构和功能转化为数字图像来协助医生进行诊断和治疗。
医学影像技术的发展已经深刻地改变了医学诊断和治疗的方式，为患者提供了更准确、更安全的医疗服务。
医学影像技术中的图像重建与增强是其中的重要环节，它涉及到对影像数据的处理和优化，能够帮助医生更好地观察、分析和理解患者体内的病变情况。
因此，图像重建与增强对于提高医学影像的质量和准确性具有重要作用。
第二章图像重建技术的原理和方法图像重建是指根据已有的数据在计算机上生成一张或多张与原始图像相似的图像的过程。
在医学影像中，由于种种原因，采集到的图像数据往往存在噪声、伪影和模糊等问题，这就需要利用图像重建技术来提高图像的质量。
图像重建技术的方法主要有滤波方法和模型方法两种。
滤波方法基于对图像频谱的滤波过程，通过选择适当的滤波器来去除噪声和伪影，提高图像的清晰度。
模型方法则是通过数学模型对图像进行描述和重建，常用的方法有最小二乘重建、最大熵重建和最小剪切重建等。
第三章图像增强技术的原理和方法图像增强是指通过对图像的亮度、对比度、色调等特征进行调整，使得图像在视觉上更易于观察和分析的过程。
在医学影像中，图像增强可以提高医生对病变的观察和诊断准确性，有助于早期发现疾病并进行精确的治疗。
常用的图像增强方法包括直方图均衡化、灰度变换、滤波增强和边缘增强等。
直方图均衡化通过调整图像的像素分布来增强其对比度，使图像细节更加清晰。
灰度变换则是对图像的灰度级进行线性或非线性映射，从而改变图像的亮度和对比度。
滤波增强利用滤波器去除噪声和模糊，并增强图像的细节。
边缘增强则是通过增强图像边缘的对比度来突出图像的轮廓和结构。
第四章医学影像技术中的实际应用医学影像技术中的图像重建与增强在实际应用中发挥了重要作用。
例如，在CT扫描中，患者的图像经过重建和增强后，可以清晰地显示出各种组织和器官的细节，医生能够准确地判断病变的位置和程度。
第五章 遥感图像处理—图像增强
特征；其余三个分量与地物特征没有明确的对应关系。
七、多元信息复合
遥感图像信息融合(Fusion)是将多源遥感数据在统一的 地理坐标系中，采用一定的算法生成一组新的信息或合
其中：
k ( g 'max g 'min ) /( gmax gmin ) 255/ 52 4.9
b g 'ij kgij 0 49 49
2、非线性拉伸
（1）指数变换
xb be
（2）对数变换
axa
c
xb b度进行分层，每一层所包含的亮度值范围可以不
同。
图像密度分割原理可以按如下步骤进行：
（1）求图像的极大值dmax和极小值dmin； （2）求图像的密度区间ΔD = dmax-dmin + 1； （3）求分割层的密度差Δd =ΔD／n ，其中 n为需分割的层数；
（4）求各层的密度区间；
（5）定出各密度层灰度值或颜色。
减法运算可以增加不同地物间光谱反射率以及在 两个波段上变化趋势相反时的反差。不同时相同 一波段图像相减时，可以提取波段间的变化信息。
T M 4 影 像
T M 3 影 像
TM4-TM3影像
87 年 影 像
92 年 影 像 变化监测结果影像
（二）加法运算
B= i /m
i=1 m
加法运算可以加宽波段，如绿色波段和红色波 段图像相加可以得到近似全色图像；而绿色波 段，红色波段和红外波段图像相加可以得到全 色红外图像。
-1 -2 -1 0 0 0 1 2 1 1 2 0 -2 1 0 -1
数字图像处理在智能识别中的应用：技术、原理与应用研究
数字图像处理在智能识别中的应用：技术、原理与应用研究第一章：引言1.1 研究背景数字图像处理是指使用计算机对图像进行处理、分析和识别的一门技术。
随着计算机技术的发展和应用的广泛，数字图像处理在各个领域都得到了广泛的应用，尤其是在智能识别领域。
智能识别是指通过计算机对图像中的对象、特征进行自动识别和分类的技术，包括人脸识别、指纹识别、车牌识别等。
数字图像处理在智能识别中起着重要的作用，可以提高识别的准确性和效率。
1.2 研究目的本文旨在探讨数字图像处理在智能识别中的应用，介绍相关的技术、原理和应用研究，以期对智能识别的发展起到推动作用。
第二章：数字图像处理技术2.1 数字图像处理的基本概念数字图像是指由像素组成的图像，每个像素的灰度值表示了图像上的亮度或颜色信息。
数字图像处理是对图像进行数字化处理的过程，包括图像增强、滤波、分割、压缩等操作。
2.2 图像增强图像增强是指通过一系列的处理操作，改善图像的质量，提高图像的视觉效果。
常用的图像增强方法包括灰度拉伸、直方图均衡化、滤波等。
2.3 图像滤波图像滤波是指通过一系列的滤波操作，对图像进行平滑或增强的处理。
常用的图像滤波方法包括线性滤波、非线性滤波、边缘检测等。
2.4 图像分割图像分割是指将图像分成多个区域的过程，每个区域具有相似的特征。
常用的图像分割方法包括阈值分割、边缘分割、区域分割等。
2.5 图像压缩图像压缩是指将图像的数据表示方式转换为更紧凑的形式，以减少存储空间和传输带宽。
常用的图像压缩方法包括有损压缩和无损压缩。
第三章：数字图像处理在智能识别中的应用3.1 人脸识别人脸识别是指通过计算机对人脸图像进行识别和识别的技术。
数字图像处理在人脸识别中可以用于人脸检测、特征提取和特征匹配等方面。
常用的人脸识别算法包括PCA、LDA、SVM等。
3.2 指纹识别指纹识别是指通过计算机对指纹图像进行识别和验证的技术。
数字图像处理在指纹识别中可以用于指纹图像增强、特征提取和特征匹配等方面。
数字图像处理第五章
系统失真是有规律的、能预测的；非系统失真则是随 机的。
当对图像作定量分析时，就要对失真的图像先进行精 确的几何校正（即将存在几何失真的图像校正成无几何失 真的图像），以免影响定量分析的精度。
几何校正方法
图像几何校正的基本方法是先建立几何校正的数学模型； 其次利用已知条件确定模型参数；最后根据模型对图像进行 几何校正。通常分两步： ①图像空间坐标变换；首先建立图像像点坐标（行、列 号）和物方（或参考图）对应点坐标间的映射关系， 解求映射关系中的未知参数，然后根据映射关系对图 像各个像素坐标进行校正； ②确定各像素的灰度值（灰度内插）。
因此还有
f ( x , y ) f ( x, y) ( x , y )
二维线性位移不变系统 如果对二维函数施加运算T[· ] ，满足 ⑴ T f1 x, y f 2 x, y T f1 x, y T f 2 x, y ⑵ T af x, y aT f x, y
但实际获取的影像都有噪声，因而只能求F(u,v)的估 ˆ (u, v) 。 计值 F
N (u, v) ˆ F (u, v) F (u, v) H (u, v)
再作傅立叶逆变换得
1 j 2 ( ux vy) ˆ ( x, y) f ( x, y) f N ( u , v ) H ( u , v ) e dudv
采用线性位移不变系统模型的原由： 1）由于许多种退化都可以用线性位移不变模型来近似， 这样线性系统中的许多数学工具如线性代数，能用于 求解图像复原问题，从而使运算方法简捷和快速。 2）当退化不太严重时，一般用线性位移不变系统模型来 复原图像，在很多应用中有较好的复原结果，且计算 大为简化。 3）尽管实际非线性和位移可变的情况能更加准确而普遍 地反映图像复原问题的本质，但在数学上求解困难。 只有在要求很精确的情况下才用位移可变的模型去求 解，其求解也常以位移不变的解法为基础加以修改而 成。
第5章 图像的增强与变换
第五章图像的增强与变换§5.1 图像增强与变换§5.2 光谱增强§5.3 空间增强§5.4 多源信息的复合§5.1 图像增强与变换图像增强和变换为了突出相关的专题信息，提高图像的视觉效果，使分析者能更容易地识别图像内容，从图像中提取更有用的定量化信息。
按其作用的空间可分两种：光谱增强空间增强§5.2 光谱增强光谱增强对应于每个像元，与像元的空间排列和结构无关。
因此又叫点操作。
1. 彩色合成2. 对比度增强（直方图增强）3. 图像间运算为了充分利用色彩在遥感图像判读和信息提取中的优势，常常利用彩色合成的方法对多光谱图像进行处理，以得到彩色图像。
单波段彩色变换（密度分割）多波段彩色变换（真彩色，假彩色）HLS变换：色调(hue)、明度(lightness)和饱和度(saturation)的色彩模式。
即RGB模式ÆHLS模式。
1. 彩色合成单波段彩色变换(密度分割)（1）求图像的极大值dmax 和极小值d min ；（2）求图像的密度区间ΔD=dmax -d min +1；（3）求分割层的密度差Δd=ΔD／n，其中n为需分割的层数；（4）求各层的密度区间；（5）定出各密度层灰度值或颜色。
1.彩色合成1.彩色合成多波段彩色变换真彩色合成真彩色图像上影像的颜色与地物颜色基本一致。
把红色波段的影像作为合成图像中的红色分量、把绿色波段的影像作为合成图像中的绿色分量、把蓝色波段的影像作为合成图像中的蓝色分量进行合成的结果。
如TM321分别用RGB合成的图像。
假彩色合成假彩色图像是指图像上影像的色调与实际地物色调不一致的图像。
遥感中最常见的假彩色图像是彩色红外合成的标准假彩色图像。
它是在彩色合成时，把近红外波段的影像作为合成图像中的红色分量、把红色波段的影像作为合成图像中的绿色分量、把绿色波段的影像作为合成图像中的蓝色分量进行合成的结果。
如TM432用RGB合成的图像为标准假彩色图像。
图像增强ppt教学课件
东华理工大学 官云兰
②指数变换
指数变换的一般表达式:
g(i, j) bcf (i,j)a 1
参数a,b,c用来调整曲线的位置和形状。 效果：较大的扩展图像的高灰度区，压缩低灰度区
东华理工大学 官云兰
二、直方图修正法
灰度直方图反映了数字图像中每一灰度级与其 出现频率间的关系,它能描述该图像的概貌。
rk
nk
pr(rk)=nk/n
sk累积
sk并
sk
nsk
pk(sk)
r0=0 790
0.19
0.19 1/7 s0=1/7 790 0.19
r1=1/7 1023
0.25
0.4Байду номын сангаас 3/7 s1=3/7 1023 0.25
r2=2/7 850
0.21
0.65 5/7 s2=5/7 850 0.21
r3=3/7 656
直方图均衡化的效果
• 各灰度级出现的频率近似相等； • 原图像上频率小的灰度级被合并，实现压缩；频率
高的灰度级被拉伸，因此可以使亮度集中于中部的 图像得到改善，增强图像上面积地物与周围地物的 反差。
东华理工大学 官云兰
例：假定有一幅总像素为n=64×64的图像，灰度级数为 8，各灰度级分布见下表，对其均衡化。计算过程如下：
灰度变换
内
空间域点局邻运部 域算 运算算直图 图方像 像图锐 平修化 滑正法规 均定 衡化 化
容
图像增强频率域高低低通通通滤滤滤波波波
同高态通滤滤波波增强
假彩色增强
彩色增强伪彩色增强
彩色变换增强
图像的代数运算
东华理工大学 官云兰
5.1 图像增强的点运算
医学图像处理 第五章 图像复原
5.1 图像退化
• 退化：图像质量的变坏叫做退化。
改善图像质量的方法： 图像增强和图像复原
图像增强：图像增强是指按特定的需要突
出一幅图像中的某些信息，同时消弱或去 除某些不需要的信息的处理方法。经处理 后的图像更适合于人的视觉特性或机器的 识别系统。
图像复原：利用退化现象的某种先验知
用卷积形式表示：
g ( x, y )
f ( , )h( x , y )d d f ( x, y) * h( x, y )
考虑噪声的情况下，连续图像的退化模型 为：
g ( x, y)
f ( , )h( x , y )dd n( x, y)
识，建立退化现象的数学模型，再根据模 型进行反向的推演运算，以恢复原来的景 物图像。
图像增强和图像复原的区别： 图像增强：不考虑图像降质的原因，只将图 像中感兴趣的特征有选择的突出，而衰减 其不需要的特征，故改善后的图像不一定 要去逼近原图像。 图像复原：它需要了解图像降质的原因，一 般要根据图像降质过程的某些先验知识， 建立“降质模型”，再用降质模型，按照 某种处理方法，恢复或重建原来的图像。
• 所以：
g ( x, y ) H f ( x, y ) H f ( , ) ( x , y )dd
在线性和空间不变系统的情况下， 退化算子H 具有如下性质: （1）线性：设f1(x,y)和f2(x,y)为两幅输入图像， k1和k2为常数， 则 ：
输出为：
M 1 m 0
ge ( x) f e ( x) he ( x) f e (m)he ( x m)
第5章傅立叶变换与频域图像增强
1 F (u , v) N
x பைடு நூலகம் y 0
N 1
N 1
2(ux vy ) 2(ux vy ) f ( x, y )[cos( ) j sin( )] N N
F(u,v)通常是复数。
7
1 F (u , v) N
x 0 y 0
N 1 N 1
f ( x, y ) cos(
频谱图像|F(u,v)|特点：
低频部分集中了大部分能量；
F (0,0) N f
高频部分对应边缘和噪声等细节内容。
频域增强是通过改变图像中不同频率分量来实现的。 频域滤波器：不同的滤波器滤除的频率和保留的频率 不同，因而可获得不同的增强效果。
30
频域增强方法的三个步骤：
1.将图像从图像空间转换到频域空间（如傅里叶变换）；
x 0 y 0
N 1
N 1
ux vy f ( x, y ) exp[ j2( )] N
2(ux vy ) 2(ux vy ) f ( x, y )[cos( ) j sin( )] N N
x 0 y 0
N 1
N 1
F (u, v) R(u, v) jI (u, v) F (u, v) exp j (u, v)
f (x,y)、h (x,y)均补零扩充为P×Q，
P=2N-1;
Q=2N-1.
G(u, v) H (u, v) F (u, v) g ( x, y) : N N
图像进行傅立叶变换，需将其看作周期函数的一个 周期；
周期函数进行卷积，为避免周期折叠误差，需对函 数进行补零扩展。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第五章 图像增强在图像的产生、传输和变换过程中，由于多种因素的影响，往往使图像与原始景物之间或者与原始图像之间产生某些差异，这种差异称为变劣或退化。
图像的变劣使从图像中获取各种信息变得困难和不便。
因此，有必要对变劣的图像进行恰当的处理，使之更适合于人眼观察或有利于从图像提取信息，这种处理称为图像增强处理。
实际应用中，造成图像变劣的因素非常多，常见的有：图像获得过程中对比度的降低(如摄影时曝光过度和曝光不足)、信号的减弱(如电视信号的远距离传输)、图像模糊、图像上的噪声和图像几何畸变等。
对每一种变劣特征的图像，有大致相似的增强处理方法。
但每一个增强处理方法均具有特定的应用范围，对某一幅图像增强效果好的处理方法，对另一幅图像可能完全不适用。
因此，图像增强处理的过程是一个选择、对比的过程，通过运用多种增强处理，观察效果，从中选出最适合的处理方法。
从处理手段来讲，图像增强处理可分为空间域法和频域法两种。
空间域法指在图像所在的空间域中直接进行处理，而频域法指先对图像作Fourier 变换，在频域中处理后，再作Fourier 反变换。
第一节 直方图增强 一、 对比度扩展对比度扩展与调整又称为灰度修改技术，它是一种简便而有效地提高图像对比度的方法。
灰度修改也叫点运算，它不改变像素的位置，只改变像素的灰度。
设输入图像为f(x ,y)，输出图像为g(x ,y)，则灰度修改技术的数学表达式可表示为：(5-1)这里T 为灰度修改的具体映射关系。
1.线性变换 一幅原始图像的灰度范围为［a ,b ］，若没有充分利用显示装置所允许的最大灰度范围［a 1,b 1］，将导致图像的对比度太低，一些细节不易被观察到。
比如，摄影过程中如果曝光不足或曝光过度，均会出现这种缺陷。
也就是说，灰度变换前后的灰度范围必须在显示装置所允许的最大灰度范围之内。
下面简单说明这类变换的实际过程。
解决上述问题的最简单的方法是进行灰度的线性变换，其数学表达式如下：(5-2) 对灰度作这样线性变换以后，把原始图像f(x ,y)的灰度范围［a ,b ］，强行扩展为显示装置所允许的最大灰度范围［a 1,b 1］，从而提高了整幅图像的对比度，原来观察不到的一些图像细节可能更加突出了。
图5-1表示了这种线性灰度变换关系。
)]y ,x (f [T )y ,x (g =111a ]a )y ,x (f [ab a b )]y ,x (f [T )y ,x (g +---==2.分段线性变换 如果在图像处理过程中，需要突出图像中某灰度范围内的图像细节，同时又允许适当损失另外灰度范围内的图像细节，可以采用线性灰度变换的另一种形式，即分段线性变换。
经过这种变换以后，可使所感兴趣的图像细节的灰度范围得以扩展，增强其对比度；同时又使所不感兴趣图像细节的灰度范围得以压缩，降低其对比度。
值得注意的是，这种分段线性变换，变换前后整幅图像总的灰度范围是不变的。
由图5-2可以看出断点(或端点)0、A 、B 、C 、D 的断点对分别为0、a 1、Z 1、a 2、Z 2、a 3、Z 3、a 4、Z 4……。
多段分段线性变换的数学表达式可写成：(5-3) 其中i=1,2,3，…，n+1，即对于n 个分段性拉伸的线段，则有n+1个断点和n+1个断点对的数据，这n+1个断点对数据可以建立n 个分段性拉伸变换方程，这n 个方程分别描述n 条线性拉伸变换关系的直线。
在实际处理过程中，如果图像上灰度范围的两端区域上有噪声，比如感光胶片上有划伤和黑色感光Ag 颗粒，则可用这种变换把灰度范围的两端区域压缩，使人眼视觉对噪声的感受不明显，而对有用细节所占据的灰度区域给予线性扩展，提高这部分的对比度。
如果图像上绝大部分像素的灰度级集中在［a ,b ］范围内，只有少数像素的灰度级超出此范围，则可用以下变换增强原图像上［a ,b ］范围的对比度。
（5-4） 图5-3表示了这种变换关系。
值得注意的是，扩展原图像的灰度范围［a ,b ］是以完全损失灰度小于a 和灰度大于b 的图像细节为代价的。
分段线性变换实际上是一种非线性变换。
非线性变换还有很多，如：平方、对数、指数等，但这种变换必须满足以下条件，即：如果 a ≤f(x ,y)≤b 则需有 a 1≤g(x ,y)≤b 13.线性变换处理程序 程序5-1 线性变换1i 1i 1i i 1i i z ]a )y ,x (f [a a z z )y ,x (g ----+---=b)y ,x (f a)y ,x (f b )y ,x (f a ,a ]a )y ,x (f [b a a b 1a 1b )y ,x (g 1,1,1<<≤≤+-⎪⎪⎪⎩⎪⎪⎪⎨⎧--=Dim Vpic(2) As IntegerDim a0, a1, a2, b0, b1, b2 As Integer picture2.ClsScreen.MousePointer = 11a0 = pic(0, 0, 0)a1 = pic(0, 0, 1)a2 = pic(0, 0, 2)b0 = pic(0, 0, 0)b1 = pic(0, 0, 1)b2 = pic(0, 0, 2)For i = 0 To width - 1For j = 0 To height - 1If a0 > pic(i, j, 0) Thena0 = pic(i, j, 0)End IfIf b0 < pic(i, j, 0) Thenb0 = pic(i,j, 0)End IfIf a1 > pic(i,j, 1) Thena1 = pic(i, j, 1)End IfIf b1 < pic(i, j, 1) Thenb1 = pic(i, j, 1)End IfIf a2 > pic(i, j, 2) Thena2 = pic(i, j, 2)End IfIf b2 < pic(i, j, 2) Thenb2 = pic(i,j, 2)End IfNext jNext iFor i = 0 To width - 1 For j = 0 To height - 1Vpic(0) = CInt((pic(i, j, 0) - a0) / (b0 - a0) * 255) Vpic(1) = CInt((pic(i, j, 1) - a1) / (b1 - a1) * 255) Vpic(2) = CInt((pic(i, j, 2) - a2) / (b2 - a2) * 255) Picture1.PSet (i, j), RGB(Vpic(2), Vpic(1), Vpic(0)) Next j Next iScreen.MousePointer = 0二、非线性变换1．对数变换 图像的指数变换是指输入图像像素灰度值与对应的输出图像像素灰度值之间为指数变换关系。
对数变换可表示为：g(x,y)=lnf(x,y), f(x,y)>0若f(x,y)=a 1,则有g(x,y)=lna 1=g 1；若f(x,y)=b 1,则有g(x,y)=lnb 1=g 2。
显然，变换前的灰度范围［a 1,b 1］在变换后成为［g 1,g 2］。
为保证变换后的灰度范围仍然为［a 1,b 1］，则须用线性变换的方法把灰度范围［g 1,g 2］扩展为［a 1,b 1］，由此得出对数变换的表达式为：(5-5) 对数变换的功能是扩展低值灰度区域和压缩高值灰度区域，使人眼更容易看清低灰度区域内的图像细节(如图5-4所示)。
2．指数变换 指数变换是对数变换的逆运算，指输入图像像素灰度值与对应的输出图像像素灰度值之间为指数关系，如图5-5所示，其一般表达式为：（5-6）式中y 为变换后像素灰度值，也即输出图像灰度值，x 为原图像灰度值，也即输入图像灰度值，b 常数，常用b=e 。
用于指数扩展时，作为输入图像亮度值的x 可能达到127或255，系数c 必须远小于1，否则，y 值可能非常大。
为了增加变换的动态范围，对于上面的一般公式(5-6)可以加入一些调制参数，以便可以111111a ]a ln )y ,x (f [ln a ln b ln a b )y ,x (g +---=cx b y =修改变换曲线的起始位置和曲线的变化速率等。
加入调制参数后公式为：-1 （5-7）式中a,b,c 都是可选择的参数，当x=a 时，y=0，这时指数曲线交于x 轴，可见参数a 可以决定指数变换曲线的起始位置，而参数c 可以决定变换曲线的陡度，即决定曲线的变化速率。
如果不规定参数，该程序将按隐含规则执行公式y=exp(x)-1.0，式（5-7）中的(-1)项可使该变换准确地转换到使用(+1)附加偏差的对数变换。
指数扩展的效果与对数相反，即着重扩展了亮度值高的部分，同时相对压缩了亮度值低的部分。
三、直方图调整直方图代表一个离散变量的概率密度函数(Probability Density Function ，PDF)，是图像概貌总的描述。
一幅数字图像的直方图反映了每一个像素的概率密度或相对频数。
医学图像的像素值具有一定的随机性质，一般情况下，在直方图中靠近均值的像素占全部像素数的绝大部分，而直方图的两端像素数目很少。
就是说，代表图像信息主体部分的数据集中在直方图的中部，要想使图像中这种概率密度数的部分得到充分而合理的扩展，就需要应用与概率密度函数有关的扩展方法，也就是相当于对直方图进行调整。
可以通过将给定图像的直方图修改为指定形式的直方图来改善图像的外貌，达到增强的目的。
这时，增强的效果取决于所指定的直方图的形式，这种形式可以是均衡的或任意所需要的形式。
（一）直方图的均衡直方图均衡化是将原直方图通过变换函数调整为均衡直方图，然后按均衡直方图调整原图像。
就是说，使概率密度大的部分相邻像素值的间隔加大，而使概率密度小的部分(通常是直方图两端)像素值差别缩小，往往两个或几个相邻的亮度值归并为同样的值。
一幅图像的明暗分配状态或者像素灰度级的空间分布，一般说是不均匀的，其灰度级范围都很狭窄，其直方图多密集靠近在一起且两侧较小而中间突出一个高峰。
这说明图像绝大多数的像素灰度级过于集中，图像信息不丰富，图像结构不清。
如果将直方图的高峰在水平方向压缩，向左右展开成为一个有同样高度的宽而低的新直方图，其清晰程度会有明显提高，所需目标信息会被突出出来。
a)-c(x b y（a ）均衡化前的4×4图像数据 (b) 均衡化图像像素统计表 (c)均衡化后的4×4图像数据图5-6 图像均衡化例题现以4×4的图像矩阵为例，说明图像直方图均衡化过程。
图5-6 (a)为4×4图像的像素灰度值数据，是均衡化前的原始图像数据。