数字图像增强算法分析
数字图像处理实验报告 实验一 图像增强实验
实验一图像增强实验一、实验目标：掌握图像增强的算法。
二、实验目的：1. 了解灰度变换增强和空域滤波增强的Matlab实现方法2. 掌握直方图灰度变换方法3. 掌握噪声模拟和图像滤波函数的使用方法三、实验内容：（1）图像的点操作、邻域操作算法。
（2）图像的直方图处理算法。
四、实验设备：1．PIII以上微机； 2．MATLAB6.5；五、实验步骤：（1）读入图像：用matlab函数实现图像读入（可读入Matlab中的标准测试图像）(原始图像)（2）实现图像点操作运算（如gamma校正，对数校正等）（3）实现图像的邻域处理（实现均值滤波，拉普拉斯滤波）（4）实现直方图均衡处理matlab 源程序clear all;clc;f=imread('girl_noise.jpg');figure,imshow(f),title('原始图像');[m,n]=size(f);f0= im2double(f); % 整型转换为double 类f1=f0;std_i=zeros(1,m-2);%灰线处理for i=2:m-1%灰线处理std_i(i-1)=std(f0(i,:));if(std_i(i-1)<0.1)for j=1:mf0(i,j)=(f0(i-1,j)+f0(i+1,j))/2;endendendfigure,imshow(f0),title('滤除灰线后的图像');fz=f0-f1;[r,c]=find(fz~=0);%寻找灰线噪声的位置f2=f0;change=0;count=0;for i=3:m-2%白线处理for j=1:mif(abs(f0(i,j)-f0(i-1,j))>0.2&&abs(f0(i,j)-f0(i+1,j))>0.2) count=count+1;endif(count>n*0.8)count=0;change=1;break;endendif(change==1)for k=1:mf0(i,k)=(f0(i-1,k)+f0(i+1,k))/2;endchange=0;count=0;endendfigure,imshow(f0),title('滤除白线后的图像');fz1=f2-f0;[r1,c1]=find(fz1~=0); %寻找白线噪声的位置fn = medfilt2(f0); %反射对称填充figure, imshow(fn),title('中值滤波后的图像');f0 = im2double(fn); % 整型转换为double 类g =2*f0- imfilter(f0,w4, 'replicate'); % 增强后的图像figure, imshow(g),title('高提升滤波图像(A=2)');图像处理结果六、结果分析从上面结果可以看出，带状噪声处理部分，已经基本将带状噪声去除。
图像增强原理的应用实验报告
图像增强原理的应用实验报告1. 引言图像增强是数字图像处理中的一项重要技术，通过改善图像质量，使图像在视觉上更加清晰、鲜明和易于解析。
本实验旨在探究图像增强原理的应用，并对不同的图像增强算法进行评估和比较。
2. 实验方法本实验使用Python编程语言，在Jupyter Notebook环境下进行实验，主要使用了以下几个库： - OpenCV：用于图像的读取和处理。
- NumPy：用于数组和矩阵的处理。
- Matplotlib：用于图像的显示和绘图。
实验步骤如下： 1. 导入所需的库。
2. 读取待处理的图像。
3. 实现不同的图像增强算法，包括直方图均衡化、自适应直方图均衡化等。
4. 比较不同算法的效果，包括图像的对比度、亮度和细节增强等方面。
5. 对实验结果进行分析和总结。
3. 实验结果实验中使用了一张室外风景照片作为待处理图像。
下面列出了不同图像增强算法的实验结果：3.1 直方图均衡化直方图均衡化是一种常用的图像增强算法，通过重新分布图像像素的灰度级来增强图像的对比度。
实验结果显示，直方图均衡化可以有效地增强图像的对比度，使暗部和亮部细节更加清晰。
3.2 自适应直方图均衡化自适应直方图均衡化是对传统直方图均衡化算法的改进，它根据图像局部的统计信息进行直方图均衡化，避免了全局均衡化带来的图像过度增强的问题。
实验结果表明，自适应直方图均衡化能够更好地保留图像的细节，并且对于不均匀光照的图像效果更好。
3.3 其他图像增强算法除了直方图均衡化和自适应直方图均衡化，还有许多其他图像增强算法可以应用于不同的图像处理任务，如图像去噪、边缘增强等。
这些算法的实验结果因具体应用场景而异，需要根据实际需要进行选择和评估。
4. 分析与讨论根据实验结果，可以看出不同的图像增强算法对图像的处理效果有所不同。
直方图均衡化能够提高图像的对比度，但对于光照不均匀的图像可能产生过度增强的效果。
自适应直方图均衡化通过局部统计信息进行直方图均衡化，能够更好地保留图像的细节。
数字媒体中的图像去噪与图像增强方法比较
数字媒体中的图像去噪与图像增强方法比较在数字媒体领域中，图像处理是一项重要的技术，旨在改善图像的质量和外观。
在图像处理中，图像去噪和图像增强是两个相关但又略有不同的概念。
图像去噪旨在从图像中消除噪声，以改善图像的清晰度和细节。
而图像增强则是通过增强图像的亮度、对比度和色彩等特征，使图像更加清晰和吸引人。
本文将比较数字媒体中常用的图像去噪和图像增强方法，旨在帮助读者更好地了解各种方法的特点和适用场景。
1. 图像去噪方法比较1.1 统计滤波器法统计滤波器法是一种基于图像的统计特性，通过对图像像素值进行统计分析，判断是否为噪声并进行去除。
其中一种常见的统计滤波器是中值滤波器，它通过计算像素值的中位数来消除孤立的噪声点。
统计滤波器法简单易用，对整体像素值分布影响较小，适用于高斯噪声、椒盐噪声等。
1.2 小波变换法小波变换法是一种基于信号频域特性的滤波方法。
它能够将图像分解成不同尺度和频率的子带，通过控制不同尺度的权重，去除高频噪声和低频噪声。
小波变换法能够有效去除多种类型的噪声，并保持图像的细节信息。
1.3 自适应滤波法自适应滤波法是一种基于邻域像素值的滤波方法。
它通过定义邻域大小和权重函数来计算每个像素的新值，以降低噪声对图像的影响。
自适应滤波法能够在保持图像细节的同时去除噪声，适用于各种类型的噪声。
2. 图像增强方法比较2.1 直方图均衡化直方图均衡化是一种常见的图像增强方法，它通过对图像像素值的分布进行重新调整，使得图像的整体对比度得到增强。
直方图均衡化适用于低对比度的图像，可以使得图像更加清晰明亮，但有时可能会引入噪声。
2.2 高斯滤波高斯滤波是一种平滑图像的方法，通过对图像进行高斯模糊处理，降低噪声干扰，使图像更加平滑。
高斯滤波适用于高斯噪声和孤立噪声的去除，但可能会损失图像的细节。
2.3 锐化增强锐化增强是一种通过增强图像的边缘和细节来改善图像质量的方法。
常用的锐化增强算法包括拉普拉斯算子和梯度算子等。
数字图像细节增强 (DDE)
什么是 DDE？FLIRSystems 研发出一种强大的算法，帮助用户解决在高动态范围场景中定位低对比度目标的难题。
此算法称为数字图像细节增强 (DDE)。
DDE 是一种高级非线性图像处理算法，可以保留高动态范围图像中的细节。
图像细节得到增强，从而与原始图像背景的总动态范围相匹配。
这样即使在温度变化十分显著的场景中，操作员也能够看清细节。
为什么高动态范围会成为问题？答案在于人体视觉系统和典型视频接口的局限性。
人类只能识别图像中约 128 128 级灰阶（7 位）。
对于红外热像仪而言，挑战在于将隐藏在 14 位信号（>15000 级灰阶）中的信息映射为人类可以识别的 7 位信号。
此外，许多模拟和数字视频接口都要求采用 8 位，因此即使最终用户并非人类（例如，目标跟踪器），也需要将动态范围有效地限制为 256 级灰阶。
AGC 、HE 和 DDE 进行比较，起初五个靶标均未显现。
每个靶标温度都比背景温度高约 200mK 。
标准 AGC 算法没有提高图像质量（图 1）。
图 2 所示图像使用直方图均衡化进行了增强。
但不出所料，只能观测到中心靶标，因为它恰好处于此场景的主体动态范围内。
数字图像细节增强 (DDE)使用 FLIR Systems DDE 算法（图 3），就可以同时观测到全部五个靶标。
而且，五个靶标的对比度均匀，而与特定动态范围内的像素数量无关。
正是这一点使得 DDE 无论面对怎样变化的场景，效果依然可期。
传统 AGC 算法会去掉极值，并将动态范围线性地映射到 8 位域上，这对高动态范围的视频效果几乎不起作用。
而直方图均衡化提高了主体温度/辐照度范围中的对比度。
但如果靶标不在主体范围内呢？DDE 增强了预先设定可用对比度的细节。
因此，即使是低对比度对象，也可以获得探测率 恒定的图像效果。
实际例证：我们如何在高动态范围图像中找到低对比度目标？图 4 到 7 中所示的视频系列显示了具有相当高对比度的场景。
基于深度学习技术的图像增强算法研究
基于深度学习技术的图像增强算法研究随着数字摄影技术的发展，人们拍摄出的照片越来越多，但是很多人会发现，照片的质量并不能够满足想要印出来做成相册或是安放在家中展示的需求。
这时候图像增强算法就能够发挥作用了，通过计算机技术对照片进行处理，使得画面更加鲜明、清晰。
而近年来，深度学习技术的出现，为图像处理领域带来了更加强大的工具，各种基于深度学习的图像增强算法应运而生。
那么，何为图像增强？简单来说，图像增强就是对图片进行质量提升的过程。
常见的图像增强方法有灰度变换、直方图均衡化、空间域滤波等。
这些方法通过改变像素的灰度值或是结构，以达到改善图像品质的目的。
但使用这些方法也存在一些问题，例如可能出现过度增强、失真等情况。
相比之下，基于深度学习的图像增强算法在一定程度上可以缓解这些问题，其背后的原理是通过大量数据训练神经网络来优化图像增强处理。
在基于深度学习的图像增强算法中，常用的神经网络有CNN、GAN等。
CNN 是卷积神经网络的缩写，主要针对数据类型为图像的情况。
它通过学习图片上的特征后，能够用于图像分类、目标检测、特征提取等应用。
而GAN是生成式对抗网络的缩写，它由生成器与判别器两个部分组成，经过多次迭代后，能够生成最佳的结果。
在图像增强方面，GAN能够模拟出更多的数据，使得处理后的图片更加自然。
近年来，基于深度学习的图像增强算法在各个领域中得到了广泛的应用。
例如在医学影像处理中，基于深度学习的算法能够帮助医生更好地诊断病情；在自动驾驶中，通过算法对图像进行处理，车辆能够更好地感知路况；在安防领域中，图像增强算法能够帮助人们更好地辨认画面中的人脸等。
这些应用的背后都离不开深度学习技术的支持。
总之，基于深度学习的图像增强算法是近年来发展起来的一种新技术，在各行各业中都有广泛的应用。
它通过神经网络的学习，能够对图像进行更加准确、自然的处理，使得人们能够看到更好的画面效果。
当然，也有需要改进的方面，例如对于大规模数据的处理速度等问题，需要我们继续努力去完善。
如何进行高效的图像增强和降噪
如何进行高效的图像增强和降噪图像增强和降噪是数字图像处理中的重要任务之一。
它们的目的是改善图像的视觉质量和可视化细节，并消除图像中的不必要的噪声。
在本文中，我将介绍一些常用的图像增强和降噪技术，以及一些实现这些技术的高效算法。
一、图像增强技术1.灰度变换：灰度变换是一种调整图像亮度和对比度的常用技术。
它可以通过改变灰度级来增加图像的对比度和动态范围，提高图像的视觉效果。
2.直方图均衡化：直方图均衡化是通过重新分配图像灰度级来增加图像对比度的一种方法。
它通过改变图像的直方图来增强图像的细节和对比度。
3.双边滤波：双边滤波是一种能够保留图像边缘信息，同时消除噪声的滤波技术。
它能够通过平滑图像来改善图像的质量，同时保持图像的细节。
4.锐化增强：锐化增强是一种通过增加图像的高频分量来提高图像的清晰度和细节感的方法。
它可以通过增加图像的边缘强度来突出图像的边缘。
5.多尺度增强：多尺度增强是一种通过在多个尺度上对图像进行增强来提高图像视觉质量的方法。
它可以通过提取图像的不同频率分量来增强图像的细节和对比度。
二、图像降噪技术1.均值滤波：均值滤波是一种常见的降噪方法，它通过将像素值替换为其周围像素的均值来减少噪声。
然而，它可能会导致图像的模糊，特别是在对边缘等细节进行处理时。
2.中值滤波：中值滤波是一种基于排序统计理论的降噪方法，它通过将像素值替换为其周围像素的中值来消除噪声。
相比于均值滤波，中值滤波能够在去除噪声的同时保留图像的边缘细节。
3.小波降噪：小波降噪是一种利用小波变换的降噪方法，它在时频域上对图像进行分析和处理。
它能够通过消除噪声的高频分量来降低图像的噪声水平。
4.非局部均值降噪：非局部均值降噪是一种通过将像素值替换为与其相似的像素均值来减少噪声的方法。
它能够通过比较像素的相似性来区分图像中的噪声和细节，并有选择地进行降噪。
三、高效实现图像增强和降噪的算法1.并行计算：利用并行计算技术，如GPU加速、多线程等，在处理图像增强和降噪算法时，可以提高计算效率和算法的实时性。
第四章 遥感图像处理—数字图像增强
同一景物不同波段图像之间的运算—识别地物
图像的差值运算有利于目标与背景反差较小 的信息提取。 如在红光波段，植被和水体难以区 分，在红外波段，植被和土壤难以区分，通过相 减,可以有效的区分出三种地物
2、比值运算 两幅同样行、列数的图像，对应像元的亮度值相除 (除数不为0)就是比值运算，即：
真彩色合成 假彩色合成
彩色合成的原理图
①真彩色合成
红光波段赋成红 绿光波段赋成绿 蓝光波段赋成蓝
真彩色合成 红光波段赋成红
真彩色合成 红光波段赋成红 绿光波段赋成绿
真彩色合成 红光波段赋成红 绿光波段赋成绿 蓝光波段赋成蓝
②假彩色合成 假彩色合成 近红外波段赋成红 红光波段赋成绿 绿光波段赋成蓝
1 图像卷积运算
数字图像的局部
模板
z1 z2 z3
z4 z5 z6 z7 z8 z9
w1 w2 w3 w4 w5 w6 w7 w8 w9
1/9
1/9 1/9
1/9 1/9 1/9 1/9 1/9 1/9
Replace with R
= w1z1 + w2z2 + ….. +w9z9
模板按像元依次向右移动，而后换行，直到整幅图 像全部处理完为止
对于亮点噪音，用中值滤波好
带有椒盐噪声的ikonos图像
中值滤波后的图像
均值平滑后的图像
3
图像锐化
（1）图像锐化的目的是突出图像中景物的边缘、线状目 标或某些亮度变化率大的部分。 （2）边缘或轮廓通常位于灰度突变或不连续的地方，具
有一阶微分最大值和二阶微分为0的特点;
锐化的方法很多，在此只介绍常用的几种：
数字图像增强的几种常见方法
数字图像增强的几种常见方法数字图像增强是图像处理领域中的一项重要任务，它旨在改善图像的质量和可视化效果。
在数字图像增强中，有几种常见的方法被广泛应用，包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
直方图均衡化是一种常见的图像增强方法。
它通过对图像的像素值进行重新分布，以扩展图像的动态范围，从而增强图像的对比度和细节。
直方图均衡化的基本思想是通过将图像像素的累积分布函数映射为均匀分布来调整像素的亮度值。
这种方法特别适用于对比度较低的图像，能够使图像的细节更清晰，并提升图像的质量。
滤波和增强算法也是数字图像增强的常见方法之一。
滤波可以去除图像中的噪声，平滑图像并提高图像的质量。
常见的滤波算法包括均值滤波、中值滤波和高斯滤波等。
这些算法通过对图像进行空间域或频域的滤波处理来改善图像的质量。
增强算法也可以用于提高图像的可视化效果。
例如，锐化算法可以增强图像的边缘和细节，使图像更加清晰。
对比度拉伸算法可以扩展图像的动态范围，增强图像的对比度。
这些算法可以根据不同的图像特征和需求进行选择和组合，以实现更好的图像增强效果。
多尺度变换是另一种常见的图像增强方法。
多尺度变换将图像转换为不同尺度的表示形式，利用图像在不同尺度上的信息来增强图像的质量和对比度。
常见的多尺度变换方法包括小波变换和金字塔变换。
这些方法在图像增强中广泛应用，并在图像去噪、边缘检测等领域取得了良好的效果。
除了传统的增强方法，基于机器学习的方法也在数字图像增强中得到了广泛的应用。
这些方法利用机器学习算法从大量的图像数据中学习图像的增强模型，然后使用该模型对新的图像进行增强。
通过学习大量数据得到的模型可以更准确地理解图像中的内容和结构，并提供更好的增强效果。
综上所述，数字图像增强的几种常见方法包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
这些方法可以根据图像的特点和需求进行选择和组合，以实现图像的质量和可视化效果的改善。
- 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)。
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 04Analysis of Digital Image Enhancement AlgorithmM 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。
第1期马 琳,等:数字图像增强算法分析2.2 直方图均衡化2.2.1 直方图均衡化的定义直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图,然后按均衡直方图修正原图像。
当图像的直方图为一均匀分布时,图像包含的信息量最大,图像看起来就显得清晰。
该方法以累计分布函数为基础,其变换函数取决于图像灰度直方图的累积分布函数。
它对整幅图像进行同一个变换,也称为全局直方图均衡化[5 7]。
2.2.2 对现有直方图均衡化算法进行改进第一步根据需要在灰度区间[M ,N ]上进行直方图粗均衡。
根据需要设定一个灰度区间[M ,N ],对用(1.1)计算过后的t k 进行整合变为t k ,其中k 为新的直方图的灰度数,区间[M ,N ]和k 需满足下式0 k [M,N] L -1.(1)主要是为了保证变换后灰度的次序不变,在上述的前提下,我们可以在区间[M ,N ]中根据k 等分区间长度,进行强制直方图的均衡。
因此,我们先要求的就是等分的长度h,可用下式求得h =int [(N -M)/(k +1)].(2)然后就只需根据一定的映射关系改变t i 的灰度值,进行新的直方图均衡化,映射关系如下t k =M +k n.(3)经整理t k =M +k int [(N -M )/(k +1)].(4)具体的实现过程如下:1)给出原始图像的所有灰度级k =0,1,2, ,L -1;2)统计原始图像各灰度级的像素数n k ;3)用p (t k )=n k /n 计算原始图像的直方图;4)用(4.11)式计算原始图像的累积直方图;5)用(4.12)式进行取整计算;6)用t k =M +k int [(N -M )/(k +1)]进行均衡化;7)用p (t k )=n k /n 计算新的直方图。
由于灰度的范围一般为0~255,因此,在本文的实验中取M =0,N =255,所使用的数据来源于网络。
在实际应用中,可根据需要灵活的改变N 和M 的取值,以求达到最佳效果。
第二步通过一定得映射关系在尽可能保留原图像像素的基础上进行二次均衡,以达到拓展使用的灰度空间。
减少转换过程中出现的像素个数较少的灰度被其周围的像素个数较多的灰度吞噬而造成信息丢失,以及由此而产生的变换后图像所用灰度个数减少,造成图像灰度层次感不强的现象,是对传统算法的一个改进。
通过分析式(1)可知:对于任意相邻两灰度i 和i +1,如果ik=0r k Q 与 i+1k=0r k Q之间的差距大于一阈值,就不会出现灰度被吞噬的情况,该阈值与图像的大小以及所使用的灰度级数有关。
对于一幅256 256的拥有256个灰度级的图像来说,只要两者之间的差距大于1/256,就不会出现灰度被吞噬的情况,也就可以更多地保留原始图像中的信息和维持图像的层次感。
采用的方法是建立一个满足下列要求的映射:假设原始图像中灰度i 所具有的像素个数为r i ,映射后为r i ,它们之间的关系为r i =f (r i )<r i .(5)对映射f 的要求是其值域为正实数域。
为了与原始图像保持一致,该映射同时要求为单调递增。
虽然每个r i 都比以前小,但Q =m -1k=0rk比以前的Q123交通科技与经济 第13卷小得多,如果映射合适,总可以使得 i k=0r k Q 与 i+1k=0 r kQ之间的差距相对变大。
满足上述条件的映射关系很多,本文采用对数映射关系,其作用是使得灰度变换函数中的 i k=0r k Q 项尽可能分散开,从而使得变换后的灰度也分散开,尽可能减少被周围灰度淹没的现象发生。
在传统算法中采用式(1)进行灰度转换,其灰度转换规则不能充分利用灰度的低值部分,如原始图像中的灰度为0,极易被转换成非0灰度值,且灰度为0的像素在原始图像中所占比重越大,其转换后的值也就越大。
因此将转换规则修正为f i=(n-1) i-1k=0r k/Q-r i,(6)Q= m-1k=0r k.由式(6)所确定的灰度转换可以使转换后的灰度值分布于整个灰度空间,这样可以将原始图像中的最大灰度值和最小灰度值分别映射成0灰度值和图像格式可以提供的最大灰度值n-1,从而拓展了所使用的灰度空间。
第三步首先,用分频滤波器将图像分成低频和高频两个部分,只对低频分量进行直方图均衡化,然后,将处理过的低频部分和高频部分进行合并,再对合并后的信息进行中值滤波,去除噪声,得到最终增强的图像,既保留了图像整体对比度和细节信息,又去除了噪声放大的问题。
1)将原始图像分频。
由于高斯低通滤波器在时域和频域上都具有比较好的平滑性能,因此,采用高斯低通滤波器对图像进行分频,这样不会导致图像的细微结构发生极性反转。
设原始图像为f(x, y),经过分频处理后,图像f(x,y)被分为两部分:低频部分f L(x,y)和高频部分f H(x,y)。
低频部分f L(x,y)含有原始图像的大部分灰度信息,高频部分f H(x,y)含有图像的少部分灰度信息。
原始图像f(x,y)与低频部分f L(x,y)、高频部分f H (x,y)间的关系可表示为f(x,y)=f H(x,y)+f L(x,y).(7)2)将低频部分进行直方图均衡化。
对低频部分f L(x,y)进行直方图均衡化(H E)处理。
设均衡化之后的低频图像为f L(x,y),则f L(x,y)=H E[f l(x,y)].(8)此时,低频图像f L(x,y)包含着的原始图像的大部分像素灰度级被均衡化分布,动态范围得到提高,大大改善了原始图像的对比度。
高频部分f H(x, y)含有原始图像的少部分灰度信息,这少部分灰度信息包含着图像细节和图像噪声。
3)将低频信息和高频信息合并。
将低频信息和高频信息进行合并,设合并后的图像为g(x,y),则g(x,y)=f L(x,y)+f H(x,y),(9)由于f L(x,y)=H E[f l(x,y)],所以g(x,y)=H E[f L(x,y)]+f H(x,y).(10)合并后的图像g(x,y)与原始图像相比,既提高了整体图像的对比度,又强化了图像细节,但是含有高频部分的图像噪声。
4)将合并后的图像进行中值滤波。