图像平滑与锐化处理
图像的平滑与锐化
昆明理工大学（数字图像处理）实验报告实验名称：图像的平滑与锐化专业：电子信息科学与技术姓名：学号：成绩：[实验目的]1、理解图像平滑与锐化的基本原理。
2、掌握图像滤波的基本定义及目的。
3、理解空间域滤波的基本原理及方法。
4、编程实现图像的平滑与锐化。
[实验原理]空间滤波器都是基于模板卷积，其主要工作步骤是：1)将模板在图中移动，并将模板中心与图中某个像素位置重合；2)将模板上的系数与模板下对应的像素相乘；3)将所有乘积相加；4)将和（模板的输出响应）赋给图中对应模板中心位置的像素。
1、图像的平滑目的：减少噪声方法：空域法：邻域平均法、低通滤波、多幅图像求平均、中值滤波（1）邻域平均(均值滤波器)所谓的均值滤波是指在图像上对待处理的像素给一个模板，该模板包括了其周围的邻近像素。
将模板中的全体像素的均值来替代原来的像素值的方法。
（2）中值滤波（统计排序滤波）一般地 , 设有一个一维序列 f1 , f2 , f3 ,…, fn ,取该窗口长度(点数)为 m (m为奇数 ),对一维序列进行中值滤波,就是从序列中相继抽取m 个数 fi-v , … , fi-1, fi,fi+1 , … , fi+v;其中 fi 为窗口的中心点值 ,v = ( m - 1 )/ 2 。
再将这 m 个点 值按 其数值大小排序,取中间的 那个数作为滤波输出 ,用数学公式表示为:yi = med fi-v,…,fi-1,fi,fi+1,…,fi+v其中i ∈Z,v=(m-1)/2 。
中值滤波一般采用一个含有奇数个点的滑动窗口,将窗口中各点灰度值的中值来替代指定点(一般是窗口的中心点)的灰度值。
二维中值滤波可有下式表示 :yi = med { fij }中值滤波的性质有 :(1) 非线性 , 两序列 f ( r ) , g ( r )med{ f ( r ) + g ( r ) } ≠ med{ f ( r ) } + med{ g ( r ) }(2) 对尖峰性干扰效果好,即保持边缘的陡度又去掉干扰,对高斯分 布噪声效果差;(3) 对噪声延续距离小于W/2的噪声抑制效果好,W 为窗口长度。
图像的平滑处理与锐化处理
数字图像处理作业题目：图像的平滑处理与锐化处理姓名：***学号：************专业：计算机应用技术1.1理论背景现实中的图像由于种种原因都是带噪声的，噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来了困难。
一般数字图像系统中的常见噪声主要有：高斯噪声、椒盐噪声等。
图像去噪算法根据不通的处理域，可以分为空间域和频域两种处理方法。
空间域处理是在图像本身存在的二维空间里对其进行处理。
而频域算法是用一组正交函数系来逼近原始信号函数，获得相应的系数，将对原始信号的分析转动了系数空间域。
在图像的识别中常需要突出边缘和轮廓信息，图像锐化就是增强图像的边缘和轮廓。
1.2介绍算法图像平滑算法：线性滤波（邻域平均法）对一些图像进行线性滤波可以去除图像中某些类型的噪声。
领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。
领域平均法是空间域平滑噪声技术。
对于给定的图像()j i f,中的每个像素点()nm,，取其领域S。
设S含有M个像素，取其平均值作为处理后所得图像像素点()nm,处的灰度。
用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。
领域S的形状和大小根据图像特点确定。
一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。
如S 为3×3领域，点(m,n)位于S 中心，则()()∑∑-=-=++=1111,91,i j j n i m f n m f 假设噪声n 是加性噪声，在空间各点互不相关，且期望为0，方差为2σ，图像g 是未受污染的图像，含有噪声图像f 经过加权平均后为 ()()()()∑∑∑+==j i n M j i g M j i f M n m f ,1,1,1, 由上式可知，经过平均后，噪声的均值不变，方差221σσM =，即方差变小，说明噪声强度减弱了，抑制了噪声。
数字图像处置图像平滑和锐化
数字图像处理
21
CTArray< plex > CImageProcessing::Low_pass_filter( CTArray< plex > original_signal ){ long dimension = original_signal.GetDimension(); double threshold = 0; for( int index = 0; index < dimension; index ++ ) { double magnitude = sqrt( original_signal[ index ].m_re * original_signal[ index ].m_re + original_signal[ index ].m_im * original_signal[ index ].m_im ); if( magnitude > threshold ) threshold = magnitude; } threshold /= 100; for( int index = 0; index < dimension; index ++ ) { double magnitude = sqrt( original_signal[ index ].m_re * original_signal[ index ].m_re + original_signal[ index ].m_im * original_signal[ index ].m_im ); double eplon = 1.0 / sqrt( 1 + ( threshold / magnitude ) * ( threshold / magnitude ) ); original_signal[ index ].m_re *= eplon; original_signal[ index ].m_im *= eplon; } return original_signal;}
图像锐化算法实现
算法原理：通过将图像分解成多个频带，对每个频带进行滤波处理，再合并处理后的频带得到 锐化图像。
算法特点：能够更好地保留图像细节，提高图像清晰度，适用于各种类型的图像。
算法步骤：频带分解、滤波处理、频带合并、锐化图像。
算法应用：广泛应用于图像处理领域，如医学影像、遥感图像、安全监控等。
算法原理：根据图像局部特性自适 应调整滤波器系数，以提高图像边 缘清晰度
优点：对噪声具有较好的鲁棒性， 能够自适应地处理不同场景下的图 像锐化
添加标题
添加标题
常用实现方法：Laplacian、 Unsharp Masking等
添加标题
添加标题
适用场景：适用于各种类型的图像， 尤其适用于存在噪声和模糊的图像
图像锐化的实现步 骤
将彩色图像转换为灰度图像 增强图像对比度 突出图像边缘信息 减少图像数据量，加速处理速度
边缘检测是图像 锐化的重要步骤， 通过检测图像中 的边缘信息，可 以对图像进行清 晰化处理。
常见的边缘检测 算法包括Sobel、 Prewitt、Canny 等，这些算法通 过不同的方式检 测图像中的边缘 信息。
在边缘检测之后， 通常需要进行阈 值处理，将边缘 信息与阈值进行 比较，保留重要 的边缘信息，去 除不必要的噪声。
经过边缘检测和 阈值处理后，可 以对图像进行锐 化处理，使其更 加清晰。
对图像进行滤波处理，去除噪声和干扰 选择合适的滤波器，如高斯滤波器、中值滤波器等 对滤波后的图像进行锐化处理，增强边缘和细节 可根据实际需求选择不同的滤波器和参数，以达到最佳效果
对图像进行滤波处理，去除噪声 对图像进行边缘检测，突出边缘信息 对图像进行对比度增强，提高图像的清晰度 对图像进行细节增强，增强图像的纹理和细节信息
浅谈图像平滑滤波和锐化的区别及用途总结
浅谈图像平滑滤波和锐化的区别及⽤途总结空域滤波技术根据功能主要分为与滤波。
能减弱或消除图像中的⾼频率分量⽽不影响低频分量，⾼频分量对应图像中的区域边缘等值具有较⼤变化的部分，可将这些分量滤去减少局部起伏，使图像变得⽐较平滑。
也可⽤于消除噪声，或在提取较⼤⽬标前去除太⼩的细节或将⽬标的⼩间断连接起来。
滤波正好相反，滤波常⽤于增强被模糊的细节或⽬标的边缘，强化图像的细节。
⼀、基本的灰度变换函数1.1.图像反转适⽤场景：增强嵌⼊在⼀幅图像的暗区域中的⽩⾊或灰⾊细节，特别是当⿊⾊的⾯积在尺⼨上占主导地位的时候。
1.2.对数变换（反对数变换与其相反）过程：将输⼊中范围较窄的低灰度值映射为输出中较宽范围的灰度值。
⽤处：⽤来扩展图像中暗像素的值，同时压缩更⾼灰度级的值。
特征：压缩像素值变化较⼤的图像的动态范围。
举例：处理傅⾥叶频谱，频谱中的低值往往观察不到，对数变换之后细节更加丰富。
1.3.幂律变换（⼜名：伽马变换）过程：将窄范围的暗⾊输⼊值映射为较宽范围的输出值。
⽤处：伽马校正可以校正幂律响应现象，常⽤于在计算机屏幕上精确地显⽰图像，可进⾏对⽐度和可辨细节的加强。
1.4.分段线性变换函数缺点：技术说明需要⽤户输⼊。
优点：形式可以是任意复杂的。
1.4.1.对⽐度拉伸：扩展图像的动态范围。
1.4.2.灰度级分层：可以产⽣⼆值图像，研究造影剂的流动。
1.4.3.⽐特平⾯分层：原图像中任意⼀个像素的值，都可以类似的由这些⽐特平⾯对应的⼆进制像素值来重建，可⽤于压缩图⽚。
1.5.直⽅图处理1.5.1直⽅图均衡：增强对⽐度，补偿图像在视觉上难以区分灰度级的差别。
作为⾃适应对⽐度增强⼯具，功能强⼤。
1.5.2直⽅图匹配（直⽅图规定化）：希望处理后的图像具有规定的直⽅图形状。
在直⽅图均衡的基础上规定化，有利于解决像素集中于灰度级暗端的图像。
1.5.3局部直⽅图处理：⽤于增强⼩区域的细节，⽅法是以图像中的每个像素邻域中的灰度分布为基础设计变换函数，可⽤于显⽰全局直⽅图均衡化不⾜以影响的细节的显⽰。
图像锐化报告
一，实验目的。
1、掌握图像锐化的主要原理和常用方法2、掌握常见的边缘提取算法3、利用C#实现图像的边缘检测二，实验原理。
图像锐化就是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰，亦分空域处理和频域处理两类。
图像平滑往往使图像中的边界、轮廓变的模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像的边缘变的清晰。
图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变的清晰。
从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。
在水下图像的增强处理中除了去噪，对比度扩展外，有时候还需要加强图像中景物的边缘和轮廓。
而边缘和轮廓常常位于图像中灰度突变的地方，因而可以直观地想到用灰度的差分对边缘和轮廓进行提取。
图像边缘锐化的基本方法：微分运算，梯度锐化，边缘检测。
微分运算微分运算应用在图像上，可使图像的轮廓清晰。
微分运算有：纵向微分运算，横向微分运算，双方向一次微分运算。
单向微分运算双向微分微分运算作用：相减的结果反映了图像亮度变化率的大小。
像素值保持不变的区域，相减的结果为零，即像素为黑；像素值变化剧烈的区域，相减后得到较大的变化率，像素灰度值差别越大，则得到的像素就越亮，图像的垂直边缘得到增强。
梯度锐化： 图像平滑往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像鋭化技术，使边缘变得清晰。
梯度锐化常用的方法有：直接以梯度值代替；辅以门限判断；给边缘规定一个特定的灰度级;给背景规定灰度级;根据梯度二值化图像。
边缘检测边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，通常也包括方向的确定。
大多数是基于方向导数模板求卷积的方法。
将所有的边缘模板逐一作用于图像中的每一个像素，产生最大输出值的边缘模板方向,表示该点边缘的方向，如果所有方向上的边缘模板接近于零，该点处没有边缘；如果所有方向上的边缘模板输出值都近似相等，没有可靠边缘方向。
数字图像处理-图像平滑和锐化变换处理
图像平滑和锐化变换处理一、实验容和要求1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。
2、空域平滑：box、gauss模板卷积。
3、频域平滑：低通滤波器平滑。
4、空域锐化：锐化模板锐化。
5、频域锐化：高通滤波器锐化。
二、实验软硬件环境PC机一台、MATLAB软件三实验编程及调试1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。
①灰度拉伸程序如下：I=imread('kids.tif');J=imadjust(I,[0.2,0.4],[]);subplot(2,2,1),imshow(I);subplot(2,2,2),imshow(J);subplot(2,2,3),imhist(I);subplot(2,2,4),imhist(J);②直方图均衡程序如下：I=imread('kids.tif');J=histeq(I);Imshow(I);Title('原图像');Subplot(2,2,2);Imshow(J);Title('直方图均衡化后的图像') ;Subplot(2,2,3) ;Imhist(I,64);Title('原图像直方图') ;Subplot(2,2,4);Imhist(J,64) ; Title('均衡变换后的直方图') ;③伽马校正程序如下：A=imread('kids.tif');x=0:255;a=80,b=1.8,c=0.009;B=b.^(c.*(double(A)-a))-1;y=b.^(c.*(x-a))-1;subplot(3,2,1);imshow(A);subplot(3,2,2);imhist(A);imshow(B);subplot(3,2,4);imhist(B);subplot(3,2,6);plot(x,y);④log变换程序如下：Image=imread('kids.tif');subplot(1,2,1);imshow(Image);Image=log(1+double(Image)); subplot(1,2,2);imshow(Image,[]);2、空域平滑：box、gauss模板卷积。
第8章 图像平滑和锐化
因为正态分布的均值为0，所以根据统计数学，均值可以消
除噪声。
精选可编辑ppt
41
在MATLAB图像处理工具箱中，实现中值滤波的函数是
medfilt2，其常用的调用方法如下：
B=medfilt2(A,[m n])
其中A是输入图像，[m，n]是邻域窗口的大小，默认
值为[3，3]，B为滤波后图像。
噪声可以理解为“妨碍人们感觉器官对所
接收的信源信息理解的因素”。
精选可编辑ppt
2
噪声来源
数字图像的噪声主要来源于图像的获取和传输过程
图像获取的数字化过程，如图像传感器的质量和
环境条件
图像传输过程中传输信道的噪声干扰，如通过无
线网络传输的图像会受到光或其它大气因素的干扰
精选可编辑ppt
3
图像噪声特点
1. 噪声在图像中的分布和大小不规则
2. 噪声与图像之间具有相关性
3. 噪声具有叠加性
精选可编辑ppt
4
图像噪声分类
一．
按其产生的原因可分为：外部噪声和内部
噪声。
二．
从统计特性可分为：平稳噪声和非平稳噪
声。
三．
按噪声和信号之间的关系可分为：加性噪
声和乘性噪声。
精选可编辑ppt
5
按其产生的原因
外部噪声：指系统外部干扰从电磁波或经电
源传进系统内部而引起的噪声。
内部噪声：
①
由光和电的基本性质所引起的噪声。
②
电器的机械运动产生的噪声。
③
元器件材料本身引起的噪声。
④
系统内部设备电路所引起的噪声。
精选可编辑ppt
6
按统计特性
- 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)。
图像平滑与锐化处理
1 图像平滑处理
打开Image Interpreter/Utilities/Layer Stack对话框，如图1-1
图1-1 打开Layer Stack对话框
在Input File中打开tm_striped.img，在Layer中选择1，在Output File中输入输出文件名band1.img，单击Add按钮。
忽略零值，单击OK(如图1-2所示)。
图1-2 Layer Stack对话框设置
打开Interpreter>Spatial Enhancement>Convolution对话框。
如图1-3
图1-3 打开Convolution对话框
在Input File中选择band1.img。
在Output File中选择输出的处理图像，命名为lowpass.img。
在Kernel中选择7*7Low Pass，忽略零值。
单击OK完成图像的增强处理（如图1-4所示）。
图1-4 卷积增强对话框（Convolution）
平滑后的图像去掉噪音的同时造成了图像模糊，特别是对图像的边缘和细节消弱很多。
而且随着邻域范围的扩大，在去噪能力增强的同时模糊程度越严重（如图1-5）。
图1-5 处理前后的对比
为了保留图像的边缘和细节信息，可对上述算法进行改进，引入阈值T，将原有图像灰度值f（i，j）,和平均值g（i，j）之差的绝对值与选定的阈值进行比较，根据比较结果决定像元（i，j）的最后灰度值G（i，j）。
当差小于阈值的时候取原值；差大于阈值的时候取平均值。
这里通过查询得T取4，其表达式为下：
g（i，j），当| f（i，j）-g（i，j）|>4
G（i，j）=
f（i，j），当| f（i，j）-g（i，j）|<=4
具体操作步骤：在图标控制面板工具栏中点击空间建模Modeler>Model Maker选项。
先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图
1-6，1-7,1-8,1-9,1-10,1-11所示）。
图1-6 定义第一个对象
图1-7 定义第二个对象
图1-8 定义函数
图1-9 定义输出对象
图1-10 最终模型
图1-11 平滑处理后图像
2.图像的锐化处理
为了突出边缘和轮廓、线状目标信息可以采用锐化的方法。
锐化可使图像上的边缘与线性目标的反差提高，因此也称为边缘增强。
2.1 加载原图像
在Viewer#1中打开原图像atl_spotp_92.img（如图2-1所示）。
图2-1 打开原图像
2.2.卷积增强处理
卷积增强是将整个图像按像元分块处理，用于改变图像的空间频率特征。
卷积增强处理的关键是卷积核—系数矩阵的选取。
此处卷积核选择边缘检测（Edge detect），边缘检测又称邻值滤波，即核中所有系数和为零，可以将低频区域平滑或变成零，高频核将边界变成高亮度，而不一定将其他物体消去。
具体操作为打开Spatial Enhancement中的Convolution，在Input File中选择atl_spotp_92.img。
在Output File中选择输出的处理图像，命名为ruihua.img。
在Kernel
中选择5*5 Edge Detect，忽略零值。
单击OK完成图像的增强处理（如图2-2,2-3所示）。
图2-2 打开Convolution
图2-3 卷积增强对话框
图2-4 利用5*5 Edge Detect模板处理后的图像
2.3.设置非负阈值T
上述处理得到图像的原图像失去了原图像的面目而成为了边缘图像，为了在突出边缘信息的同时保留图像原背景，设置一个非负阈值T进行处理。
在edgedetect.img查找阈值，将
阈值设为130（如图2-5所示）。
图2-5 查找边缘灰度值，确定阈值
2.4空间建模
2.4.1 公式5.26
在图标控制面板工具栏中点击空间建模Modeler>Model Maker选项。
先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图2-6,2-7,2-8,2-9,2-10,2-11所示）。
图2-6 定义第一个对象
图2-7定义第二个对象
适当选取T（阈值），使梯度值>=T的个点的灰度值等于该点的梯度值，其他的则保留原始灰度值，形成背景。
即由公式5.26知，当阈值大于等于T时选取锐化后的图像，其他情况选择原图像。
由2.3可知T为130。
即
| gradf（x，y）|，| gradf（x，y）|>=130
g（x，y）=
f（x，y），其它
图2-8 函数的定义
图2-9 定义输出对象
图2-10 Model结果
图2-11 所得处理图像
2.4.2 公式5.27
根据需要指定一个灰度级L G，例如，令L G=255。
以Lg表示边缘，其他保留原背景值。
由公式5.27知，当阈值大于等于T时选取灰度值为255，其他情况选择原图像。
T依旧取130。
即
L G，| gradf（x，y）|>=130
g（x，y）=
f（x，y），其它
具体操作步骤：在图标控制面板工具栏中点击空间建模Modele>Model Maker选项。
先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图2-12，2-13所示）。
图2-12 定义函数
2-13 所得处理图像
2.4.2 公式5.28
指定一个灰度级Lb表示背景，例如，令L B=0，形成黑背景，保留边缘梯度变化。
由公式5.28知，当阈值小于T时选取灰度值为0，其他情况选择5*5 Edge Detect模板处理后的图像。
T依旧为130。
即
| gradf（x，y）|，| gradf（x，y）|>=130
g（x，y）=
L B，其他
具体操作步骤：在图标控制面板工具栏中点击空间建模Modele>Model Maker选项。
先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图2-14，2-15所示）。
图2-14 定义函数
图2-15 所得处理图像
利用空间模型得到的处理后的图像的背景都变成黑色即灰度值为0。
无需做进一步图像辐射增强处理。
2.4.2 公式5.29
将边缘与灰度图像分别以灰度级L G和L B表示，例如，255表示边缘，0表示背景，形成二值图像。
由公式5.28知，当阈值小于T时选取灰度值为0，其他情况选择5*5 Edge Detect 模板处理后的图像。
T依旧为130。
即
L G，| gradf（x，y）|>=130
g（x，y）=
L B，其它
具体操作步骤：在图标控制面板工具栏中点击空间建模Modele>Model Maker选项。
先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图
2-16，2-17所示）。
图2-16 定义函数
2-17 所得处理图像
利用空间模型得到的处理后的图像的背景都变成黑色即灰度值为0。
无需做进一步图像辐射增强处理。
2.5辐射增强
2.5.1 公式5.26
利用空间模型得到的处理后的图像的背景部分显示不理想，因此需要做进一步图像辐射增强处理。
打开灰度值统计表，发现背景灰度值集中在20到60之间（如图2-12所示），所以可以使用分段线性变换进行辐射增强。
具体步骤：打开Raster>Contrast>BreakPoints选项，点击按钮，打开Gray Look UpTable修改灰度值。
（如图2-18,2-19，2-20所示）
图2-18 BreakPoints Editor对话框
图2-19 修改断点灰度值
图2-20 属性表
图2-21 最终成图
2.5.2 公式5.27
利用分段线性变换进行辐射增强的步骤和公式5.26一样（如图：2-22所示）。
图2-22 辐射增强成图。