第三章图像增强(邻域运算)
遥感图像增强实验报告
遥感图像增强实验报告1. 实验目的和内容实验目的：（1）遥感图像的空间域增强：通过直接改变图像中的单个像元及相邻像元的灰度值来增强图像，是图像增强技术的基本组成部分，包括点运算和邻域运算。
（2）遥感图像的频率域增强：通过对频率域的调整对遥感图像进行平滑和锐化，平滑主要是保留图像的低频部分抑制高频部分，锐化则保留图像的高频部分而削弱低频部分。
（3）遥感图像的彩色增强：将黑白图像转换成彩色图像，使地物的差别易于分辨，突出图像的有用信息，从而提高对图像的解译和分析能力。
实验内容：（1）遥感图像的空间域增强：点运算—直方图均衡化、灰度拉伸、任意拉伸，邻域运算—图像平滑、图像锐化。
（2）遥感图像的频率域增强：定义FFT，反向FFT，再进行对比。
（3）遥感图像的彩色增强：多波段影像—彩色合成、单波段影像—伪彩色增强、色彩空间变换、遥感数据融合。
2. 图像处理方法和流程A.遥感图像的空间域增强1.直方图均衡化(1)在主窗口中打开can_tmr.img文件。
(2)以gray形式显示一个波段。
(3)Display窗口>enhance>equalization2.灰度拉伸(1)Display窗口>enhance>interactive stretching(2)弹出的对话框>stretch_type>linear(3)在STRETCH对应的两个文本框中输入需要拉伸的范围，然后单击对话框上的APPLY按钮，图像显示为线性拉伸后的效果。
3.任意拉伸（1）弹出的对话框>stretch_type>Arbitary，在output histogram中单击绘制直方图，右键结束（2）点击apply，结果如图所示4.图像平滑（1）均值平滑，在主窗口中打开can_tmr.img文件。
主窗口>enhance>filter>smooth[3*3]。
结果如图所示（2）中值平滑，在主窗口中打开can_tmr.img文件。
图像增强 image enhancement
图像增强image enhancement 增强图象中的有用信息，它可以是一个失真的过程，其目的是要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，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
图像增强可分成两大类：频率域法和空间域法。
前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。
采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。
具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。
图像增强的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，可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，是一种间接增强的算法。
基于空域的算法分为点运算算法和邻域去噪算法。
点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。
邻域增强算法分为图像平滑和锐化两种。
平滑一般用于消除图像噪声，但是也容易引起边缘的模糊。
常用算法有均值滤波、中值滤波。
锐化的目的在于突出物体的边缘轮廓，便于目标识别。
常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。
影响图像质量清晰程度有很多因素，室外光照度不均匀会造成图像灰度过于集中；摄像头获得的图像经过数/模转换，线路传输时都会产生噪声污染，图像质量不可避免降低，轻者变现为图像伴有噪点，难于看清图像细节；重者图像模糊不清，连大概物体面貌轮廓都难以看清。
图像增强之空间域锐化
图像增强之空间域锐化1、图像锐化理论图像锐化的⽬的是使图像变得清晰起来，锐化主要⽤于增强图像的灰度跳变部分，这⼀点与图像平滑对灰度跳变的抑制正好相反。
锐化提⾼图像的⾼频分量，增加灰度反差增强图像的边缘和轮廓，以便后期图像识别。
在图像增强过程中，常⽤平滑算法来消除噪声，平滑属于低通滤波，图像的能量主要集中在低频部分，噪声所在频段主要在⾼频部分，同时图像的边缘也集中在⾼频部分，这意味着图像平滑后，⾼频被衰减轮廓会出现模糊。
图像锐化就是为了减少这种现象，通过⾼通滤波使图像边缘和轮廓变得清晰。
2、⼀阶微分图像增强--梯度算⼦其中：梯度的⽅向就是函数f(x,y)最⼤变化率的⽅向。
梯度的幅值作为最⼤变化率⼤⼩的度量，值为：离散的⼆维函数f(i,j)，可以⽤有限差分作为梯度的⼀个近似值。
为了简化计算，可以⽤绝对值来近似。
|▽f(i,j)|= |f(i+1,j)-f(i,j)| +|f(i,j+1)-f(i,j)|2.1 Robert算⼦|▽f(i,j)|= |f(i+1,j+1)-f(i,j)| +|f(i,j+1)-f(i+1,j)|上⾯算式采⽤对⾓相差的差分法来代替微分，写为滤波模板形式为：其中w1对接近45°的边缘有较强响应，w2对接近-45°的边缘有较强响应。
imgPath = 'E:\opencv_pic\src_pic\pic6.bmp';img = imread(imgPath);img=rgb2gray(img);w1 =[-1,0; 0,1];w2 =[0,-1; 1, 0];G1=imfilter(img, w1, 'corr', 'replicate');G2=imfilter(img, w2, 'corr', 'replicate');G=abs(G1)+abs(G2);subplot(2,2,1),imshow(img), title('原始图像');subplot(2,2,2),imshow(abs(G1)), title('w1图像');subplot(2,2,3),imshow(abs(G2)),title('w2滤波');subplot(2,2,4),imshow(G),title('Robert交叉梯度图像');可见w1滤波后45°的边缘被突出，w2滤波后-45°的边缘被突出。
图像增强的基本原理
图像增强的基本原理图像增强是一种用于改善图像视觉质量或提取目标特征的技术。
它通过改变图像的亮度、对比度、颜色、清晰度等属性来增强图像的可视性和可识别性。
图像增强的基本原理可以归纳为以下几点：1. 空域增强：采用空域操作，即对图像的每个像素进行操作。
常见的空域增强方法有直方图均衡化、灰度拉伸、滤波等。
直方图均衡化通过重新分布图像中像素的亮度来增加图像的对比度，灰度拉伸则通过线性转换将图像的亮度范围拉伸到整个灰度级范围内。
滤波则通过应用低通、高通、中通等滤波器来增强图像的细节和轮廓。
2. 频域增强：采用频域操作，即将图像转换到频域进行处理。
常见的频域增强方法有傅里叶变换、小波变换等。
傅里叶变换可以将图像从空域转换到频域，通过对频谱进行滤波操作来增强图像的细节和边缘。
小波变换则可以将图像分解为不同频率的子带，可以更加灵活地选择性地增强特定频率的信息。
3. 增强算法：通过应用特定的增强算法来增强图像的视觉效果。
常用的增强算法有Retinex算法、CLAHE算法等。
Retinex算法通过模拟人眼对光源的自适应调整能力来增强图像的亮度和对比度，CLAHE算法则通过分块对比度受限的直方图均衡化来增强图像的细节和纹理。
4. 机器学习方法：利用机器学习算法对图像进行增强。
通过训练模型，学习图像的特征和上下文信息，然后根据学习到的模型对图像进行增强处理。
常见的机器学习方法包括卷积神经网络、支持向量机等。
综上所述，图像增强的基本原理包括空域增强、频域增强、增强算法和机器学习方法等。
这些原理可以单独或结合使用，根据图像的特点和需求，选择合适的方法来对图像进行增强处理，以获得更好的图像视觉质量和目标特征提取效果。
数字图像处理 -习题2增强-噪声-几何变换-频域变换
第三章图像增强一.填空题1. 我们将照相机拍摄到的某个瞬间场景中的亮度变化范围，即一幅图像中所描述的从最暗到最亮的变化范围称为____动态范围__。
2.所谓动态范围调整，就是利用动态范围对人类视觉的影响的特性，将动态范围进行__压缩____，将所关心部分的灰度级的变化范围扩大，由此达到改善画面效果的目的。
3. 动态范围调整分为线性动态范围调整和__非线性调整___两种。
4. 直方图均衡化把原始图的直方图变换为分布均匀的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。
基本思想是：对图像中像素个数多的灰度值进行__展宽_____，而对像素个数少的灰度值进行归并，从而达到清晰图像的目的。
5. 数字图像处理包含很多方面的研究内容。
其中，__图像增强_的目的是将一幅图像中有用的信息进行增强，同时将无用的信息进行抑制，提高图像的可观察性。
6. 灰级窗，是只将灰度值落在一定范围内的目标进行__对比度增强___，就好像开窗观察只落在视野内的目标内容一样。
二.选择题1. 下面说法正确的是：（B ）A、基于像素的图像增强方法是一种线性灰度变换；B、基于像素的图像增强方法是基于空间域的图像增强方法的一种；C、基于频域的图像增强方法由于常用到傅里叶变换和傅里叶反变换，所以总比基于图像域的方法计算复杂较高；D、基于频域的图像增强方法比基于空域的图像增强方法的增强效果好。
2. 指出下面正确的说法：（D ）A、基于像素的图像增强方法是一种非线性灰度变换。
B、基于像素的图像增强方法是基于频域的图像增强方法的一种。
C、基于频域的图像增强方法由于常用到傅里叶变换和傅里叶反变换，所以总比基于图像域的方法计算复杂较高。
D、基于频域的图像增强方法可以获得和基于空域的图像增强方法同样的图像增强效果。
3.指出下面正确的说法：（D ）①基于像素的图像增强方法是一种非线性灰度变换。
②基于像素的图像增强方法是基于空域的图像增强方法的一种。
数字图像处理冈萨雷斯空间域图像增强(共104张PPT)
例如每个象素点的灰度值用8bit表示，假设某像素点的灰度值为00100010,分解处理 如下 :
00100010
00000000(0) 00000010(2)
00000000(0)
00000000(0) 00000000(0)
001000(0302) 00000000(0)
这样这个位置的像素，就分解 成了8局部，各局部的值转成
1时 ， 该 变 换 将
低 灰 度 值 （ 暗 值 ） 进 行 拉 伸
例 ： 0.4时 ， 该 变 换 将 动 态 范 围
从 [0,L5]扩 展 到 [0,L2]
1时 ， 该 变 换 将
L5
高 灰 度 值 （ 亮 值 ） 进 行 拉 伸
3.2 根本灰度变换
幂次变换应用 (伽马)校正 s cr
00000000(0)
十进制就是该点在该位平面上
的灰度值。
④分段线性变换函数
3.2 根本灰度变换
位图切割
位图切割例如
位图切割在图像压缩和重建中的应用
重建：
①第n个bit平面的每个像素 2 n1 ；
②所有bit平面相加；
MATLAB 例子:线性变换
I=imread('pout.tif');
pout=double(I);
随机变量:不一定是均匀分布的
根据该方程可以由原图像的各像素灰度值直接得到直方图 均衡化后各灰度级所占的百分比
➢直方图均衡化处理的计算步骤如下：
(1)统计原始图象的直方图
是rk 输入图象灰度级； (2)计算直方图累积分布曲线
pr
rk
nk n
3.3 直方图处理
sk T(rk)j k0pr(rj)j k0nnj
邻域变换的名词解释
邻域变换的名词解释邻域变换，又称局部变换或局部操作，是一种图像处理中常见的操作方法。
它通过对图像中的每个像素及其周围一定范围内的像素进行处理，从而改变图像的外观或特征。
邻域变换广泛应用于图像增强、去噪、分割以及特征提取等领域，具有重要的理论和实际意义。
一、邻域变换的基本原理和方法邻域变换的基本原理是基于图像的空间域，通过对像素的局部环境进行处理，以实现对整个图像的改变。
邻域变换的方法有很多种，常见的包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而有效的邻域变换方法，它通过计算邻域内像素的平均值来替代中心像素的灰度值。
均值滤波主要用于图像去噪的应用，能够减少图像中的噪声，平滑图像的细节和纹理。
2. 中值滤波中值滤波是一种非线性的邻域变换方法，它通过计算邻域内像素的中值来替代中心像素的灰度值。
相对于均值滤波，中值滤波能够更好地保留图像的边缘和细节信息，常用于去除图像中的椒盐噪声。
3. 高斯滤波高斯滤波是一种基于高斯函数的邻域变换方法，它通过对邻域内的像素赋予权重来计算中心像素的灰度值。
高斯滤波能够产生平滑的效果，常用于图像增强和去噪的处理。
二、邻域变换在图像增强中的应用邻域变换在图像增强中具有重要作用，能够改善图像的质量和视觉效果。
以下介绍几种常见的邻域变换方法在图像增强中的应用。
1. 直方图均衡化直方图均衡化是一种常用的邻域变换方法，通过对图像的灰度值进行重新分配，增强图像的对比度和亮度。
直方图均衡化能够使图像整体变得更加清晰明亮，常被应用于图像显示和图像识别等领域。
2. 锐化滤波锐化滤波是一种通过对图像进行邻域变换来增强图像细节的方法。
它通过对图像进行高通滤波，使得图像中的边缘和纹理更加清晰和突出。
锐化滤波常用于图像增强和特征提取等任务中。
3. 维纳滤波维纳滤波是一种理想的、最优的邻域变换方法。
它基于统计模型，能够在去除图像噪声的同时保持图像的细节信息。
维纳滤波广泛应用于图像去噪和图像复原等领域，但对于复杂的噪声情况和模糊图像可能效果有限。
图像增强-数字图像处理
图像增强
2.图像噪声的特点 (1)噪声在图像中的分布和大小不规则,即具有随机性。 (2)噪声与图像之间一般具有相关性。 (3)噪声具有叠加性。
图像增强
3.3.2 模板卷积 模板操作是数字图像处理中常用的一种邻域运算方式,
灰度变换就是把原图像的像素灰度经过某个函数变换成 新图像的灰度。常见的灰度变换法有直接灰度变换法和直方 图修正法。直接灰度变换法可以分为线性变换、分段线性变 换以及非线性变换。直方图修正法可以分为直方图均衡化和 直方图规定化。
图像增强
3.1.1 线性变换 假定原图像f(x,y)的灰度范围为[a ,b],希望变换后图像
ቤተ መጻሕፍቲ ባይዱ
图像增强
例如,假定一幅大小为64×64、灰度级为8个的图像,其灰 度分布及均衡化结果如表3-1 所示,均衡化前后的直方图及变 换用的累积直方图如图3-10所示,则其直方图均衡化的处理 过程如下。
图像增强
图像增强 由式(3-12)可得到一组变换函数:
依此类推:s3=0.81,s4=0.89,s5=0.95,s6=0.98,s7=1.0。变换函 数如图3-10(b)所示。
图像增强
１
图像增强
图3-1 灰度线性变换
图像增强
图3-2 灰度线性变换示例
图像增强
3.1.2 分段线性变换 为了突出感兴趣的灰度区间,相对抑制那些不感兴趣的
灰度区间,可采用分段线性变换。常用的3段线性变换如图33所示,L 表示图像总的灰度级数,其数学表达式为
图像增强
图3-3-分段线性变换
图像增强
设r 为灰度变换前的归一化灰度级(0≤r≤1),T(r)为变换函 数,s=T(r)为变换后的归一化灰度级(0≤s≤1),变换函数T(r)满足 下列条件:
- 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)。
中值滤波器
中值滤波器
中值滤波器
最大值滤波器
最大值滤波可以去除图像中的暗斑，同时也 会使亮斑增大；
最小值滤波器
最小值滤波可以去除图像中的亮斑，同时也会增大暗斑。
最大值、最小值滤波器
噪声
中值滤波
最大值滤波
最小值滤波
锐化空间滤波器
锐化空间滤波器
锐化空间滤波器
锐化空间滤波器
锐化滤波器
(a) 一幅纵向 边缘的图像
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
邻域
z1 z2 z3 z4 z5 z6 z7 z8 z9
邻域
w1 w2 w3 w4 w5 w6 w7 w8 w9
mask
空间域滤波
基于空间域滤波的图像增强 过程，就是选取合适的模板， 将模板与输入图像进行卷积 的过程。
w1 w2 w3 w4 w5 w6 w7 w8 w9 模板（空间滤波器）
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
原点o
y f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
• 平滑空间滤波器 • 锐化空间滤波器
去除噪声，平滑不需要的细节 增强细节
图像噪声
噪声： 妨碍人们感觉器官对所接收的信源信息理解的因素。不可 预测，只能用概率统计方法来认识的随机误差。
描述：可以借用随机过程及其概率分布函数和概率密度函数，通常： 数字特征，即均值方差、相关函数等。
图像噪声
一些重要的噪声：
锐化滤波器
0 0 0
(b) 每行像素的 灰度剖面图
(c) 一阶导数 (d) 二阶导数
梯度对应一阶导数 拉普拉斯对应于二阶导数
锐化滤波器
拉普拉斯（Laplacian ）算子
2
f
(x,
y)
2 f (x,y) x2
2 f (x,y) y 2
拉普拉斯（Laplacian ）算子
2
f
(x,
y)
2 f (x,y) x2
平滑图像去除噪声的依据：相邻像素间存在很高的空间相关性，而噪声 则是统计独立的。
均值滤波器
原点o y
f
卷积
x
输入图像
加权 平均
均值滤波器
(a) 原始图像；
(b)均值滤波后的结果
均值滤波器
优点：算法简单。
缺点：图像产生模糊， 特别在边缘和细 节处；邻域越大， 模糊程度越严重。
统计排序滤波器
统计排序滤波器
原点o y
f
卷积
模板（mask）
x
输入图像
一维信号卷积
邻域运算（模板运算）
原点o
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
y
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
空间域滤波
• 平滑空间滤波器的作用：
• 平滑空间滤波器的分类： • 均值滤波器 • 统计排序滤波器
均值滤波器
设有一幅 N ×N 的图像 f ，若平滑图像为 g ,则有
g(x, y) 1 f (x, y) M x, ys
S 为（x,y）邻域内像素坐标的集合； M 表示集合S内像素的总数。
图像噪声
w1 w2 w3 w4 w5 w6 w7 w8 w9
模板（mask）
...
x
输入图像
图像边缘补零、忽略或复制边界点值
空间域滤波
把以上图像卷积的过程用公式表达：
空间域滤波的简化形式：
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
原点o y
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
0
0 00
...
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
0
f (x,y-1) f (x,y) f (x,y+1)
y
0
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
0
0
权重：weight
2 f (x,y) y 2
二阶偏导数定义为如下差分：
2 f (x, y) [ f (x 1, y) f (x, y)] [ f (x, y) f (x 1, y)] x2 f (x 1, y) f (x 1, y) 2 f (x, y)
2 f y2
f (x, y 1)+ f (x, y 1) 2 f (x, y)
2 f (x,y) y 2
一阶偏导数的基本定义为差值：
f f (x 1, y) f (x, y) x
f f (x, y 1) f (x, y) y
f (x, y) f (x, y+1) f (x 1, y) f (x 1, y+1)
拉普拉斯（Laplacian ）算子
2
f
(x,
y)
2 f (x,y) x2
模板（mask）
x
输入图像
卷积的过程：滑动、乘积、求和
邻域运算（模板运算）
原点o
f (x-1,y-1) f (x-1,y) f (x-1,y+1)
y
f (x,y-1) f (x,y) f (x,y+1)
f (x+1,y-1) f (x+1,y) f (x+1,y+1)
权重：weight
w1 w2 w3 w4 w5 w6 w7 w8 w9
第三章 空间域图像增强 （邻域运算）
图像增强
图像增强
去除噪声、模糊不需要的细节
图像增强
增强细节
图像增强的方法
图像增强
空间域
点运算
灰度变换 直方图均衡化
邻域运算 （空域滤波）
图像平滑 图像锐化
频率域
低通滤波 高通滤波
去除噪声，平滑 不需要的细节增强细节邻域运 Nhomakorabea（模板运算）
邻域运算（模板运算）