(完整word版)NIVisionBuilderAI入门教程第四章图像增强
第四章-图像增强-4.1-4.2PPT课件
.
2
4.2 空域变换增强
灰度变换:基于点的操作的增强方法。 可分几类： a.将f(·)的每个象素按EH操作直接得到变换g(·)。 b.利用f(·)的直方图进行变换。 c.利用一系列图象间的操作进行变换。 一.象素按EH操作直接得到变换(直接灰度变换) 1.图象求反
.
7
5.灰度切分 与增强对比度相仿，将某个范围灰度值变得比较突出
。如图s1<s<s2灰度级突出，其余灰度值变为某个低灰度。
直接灰度变换也可借助图象位面表示进行。位面：对1 幅用多个比特看作表示其灰度值的图象来源，其中的每一 个比特看作表示一个二值的平面。
.
8
6.非线性灰度变换 （1）对数变换 低灰度区扩展，高灰度区压缩。 （2）指数变换 高灰度区扩展，低灰度区压缩。
c a
f
(x,
y)
b f (x, y)Mf a f (x,y)b 0 f (x,y)a
g(x,y) Mg
d
c
0
a
b
Mf
f(x,y)
.
6
4.动态范围压缩(非线性) 该方法的目标与增强对比度相反。由于原图动态范围太 大，超出某些显示设备的允许动态范围，若直接用原图则 一部分细节会失去，解决办法是对原图进行灰度压缩，采 用压缩方法如下：t=clog(1+|s|),c为尺度比例常数。
均衡化变换公式，令r代表灰度级，P ( r )
为概率密度函数。
r值已归一化，最大灰度值为1。
.
18
直方图均衡化
要找到一种变换 S=T ( r ) 使直方图
数字图像处理与分析-第4章-图像增强讲解
4.2.1 直方图均衡 1. 直方图均衡的基本思想
pr (r)
s T(r)
ps (s)
1
0
1r
0
s
1
4.2.1 直方图均衡
1. 直方图均衡的基本思想
显然，基于上述思想的直方图均衡变换函数：
1
③ 所画的原图像的直方
2 3
图如图4.9所示。
4
rk Pr(rk)=nk/n
=0
0.19
=1/7
0.25
=2/7
0.21
=3/7
0.16
=4/7
0.08
5 =5/7
0.06
6 =6/7
0.03
7 =1
0.02
例4.2.1 (续2)
pr (rk )
0.25
0.20
0.15
0.10
0.05
0
1 7
2 7
4.2.1 直方图均衡
4. 直方图均衡的实现
◆直方图均衡的步骤： （1）计算原图像的归一化灰度级别及其分布概
率pr(rk)=nk/n。 （2）根据直方图均衡化公式（4.13）求变换函
数的各灰度等级值sk。
4.2.1 直方图均衡
4. 直方图均衡的实现
◆直方图均衡的步骤： （3）将所得的变换函数的各灰度等级值转化成
标准的灰度级别值。也即把第（2）步求得的各sk值， 按靠近原则近似到与原图像灰度级别相同的标准灰度 级别中。此时获得的即是均衡化后的新图像中存在的 灰度级别值，其对应的像素个数不为零；对于那些在 变换过程中“被丢失了的”灰度级别值，将其像素个 数设为零。
第四章图像增强讲解
s T (r) 0 pr (r)dr
上式表明，当变换函数为r的累积直方图函数时，能达到直方图均衡化的 目的。
g(x, y) Mg d
c O
ab
(c / a) f (x, y) 0 f (x, y) a
g(x,
y)
[(d
c)
/(b
a)][
f
(x,
y)
a]
c
a f (x, y) b
[(M g d) /(M f b)][ f (x, y) b] d b f (x, y) M f
第四章 图像增强
图像增强是采用一系列技术去改善图像的视觉效果，或将图像转 换成一种更适合于人或机器进行分析和处理的形式。
例如采用一系列技术有选择地突出某些感兴趣的信息，同时 抑制一些不需要的信息，提高图像的使用价值。
增强的方法往往具有针对性，增强的结果往往靠人的主观感 觉加以评价。
图像增强方法从增强的作用域出发，可分为空间域增强和频率域 增强两种。
为了突出感兴趣目标所在的灰 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。
通过细心调整折线拐点的位置 及控制分段直线的斜率，可对任一 灰度区间进行拉伸或压缩。
设原图像 f(x, y)在[0, Mf]，感兴 趣目标的灰度范围在[a, b]，欲使其 灰度范围拉伸到[c, d]，则对应的分 段线性变换表达式为：
空间域增强是直接对图像各像素进行处理； 频率域增强是将图像经傅立叶变换后的频谱成分进行处理，
然后逆傅立叶变换获得所需的图像。
图像增强所包含的主要内容如下。
灰度变换
数字图像处理：第4章 图像增强(第一讲)
数字图像处理
第3章 图像增强
（第一讲）
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，削弱或去除某些不需要的信 息的处理方法。其主要目的是使处理后的图像 对某种特定的应用来说，比原始图像更适用。
Do you see a cube missing a corner? Or do you see a small cube in a big one?
Is the blue on the inner left back or the outer left front?
Do you see a musician or a girl's face?
G(u, v) H (u, v) F(u, v) （4-2）
式中， H (u, v) 为传递函数。
在增强问题中，f (x, y) 是给定的原始数据，
经傅立叶变换可得到 F (u, v) 。选择合适
的 H (u, v) ，使得由式
g(x, y) F 1[H (u, v) F (u, v)]
在实用中可以采用单一方法处理，也可以采 用几种方法联合处理，以便达到预期的增 强效果。
图像增强技术基本上可分成两大类: ➢ 频域处理法 ➢ 空域处理法
频域处理法的基础是卷积定理。它采用修改图 像傅里叶变换的方法实现对图像的增强处理。 由卷积定理可知，如果原始图像是 f (x, y) ，
处理后的图像是 g(x, y) ，而 h( x, y) 是处
第四章图像增强
14
4.1 灰度级修正
灰度级修正是对图像在空间域进行增强的 一种增强方法，根据对图像不同的要求采用不 同的方法。
灰度级修正不改变像素点的位置，只改变 像素点的灰度值，属于点运算。
49
50
Prk
nk N
1.0
直方图
0.5
0.0
z1 z2 z
图像a 图像b 图像c 图像d
几个具有相同直方图的图像实例
51
求直方图
13998
例
21373
f3 6 0 6 4
68205
29260
01 2 3 4 5 6 7 8 9
32 4 4 1 13 1 2 3
3244114123 p [ , , , , , , , , , ]52
M Ndb[f(x,y)b]d
0 f (x, y)a a f (x, y)b
b f (x, y)M
22
分段线性灰度变换
g(x,y) N
d
c
0
a
b
M
通过调制折线拐 点位置和分段直 线的斜率，可对 任一灰度区间进 行扩展和压缩
f(x,y)
23
例
gx,y 1320 [f0 (x,y)5]0 205 0f(x,y)80
因为f和g的取值范围相同，所以通过 抑制 不重要的部分，来 扩展 所关心部分的对 比度。
18
线性灰度变换
c
g(x,y) b d ac[f(x,y)a]c d
f(x,y)a af(x,y)b f(x,y)b
第4章 图像增强(第4-3讲)
f ( x 1, y 1) 2 f ( x 1, y) f ( x 1, y 1) f ( x 1, y 1) 2 f ( x, y 1) f ( x 1, y 1) f ( x 1, y 1) 2 f ( x, y 1) f ( x 1, y 1)
图 4—26
图像尖锐化处理的例子
35
第二章 数字图像处理基础
4.3.3 Canny算子
坎尼（Canny ）算子是1986年John Canny在IEEE上 发表的“A Computational Approach to Edge
Detection”这篇文章中提出的。文章中还给出了边缘
检测的三条准则，即Canny准则(Canny's Criteria)。 并在此基础上提出了一个实用算法。
1 2
G[ f ( x, y)] f ( x, y) f ( x 1, y 1) f ( x 1, y) f ( x, y 1)
19
第二章 数字图像处理基础
• 可以采用边缘算子模板进行运算，模板也成为卷积核，运 算过程为：将被模板覆盖的像素与模板相应位置处的数据 先相乘再求和。 • Roberts算子模板：
24
第二章 数字图像处理基础
(2)为克服这一缺点可采用阈值法（或叫门限法）。其方法
如下式表示
G[ f ( x, y)] g ( x, y) f ( x, y)
若 G[ f ( x, y)] T 其他
通过合理地选择 T 值，就有可能既不破坏平滑区域的灰 度值又能有效地强调了图像的边缘。
第4章 图像增强(第5讲)
通常使用的多数彩色模型或者是面向硬
件设备(例如彩色监视器或打印机),或者是 面向应用的。在实际中，通常使用的与硬件 有关的模型有 RGB 模型,这种模型用在彩 色监视器和彩色摄相机等领域。
CMY 模型用在彩色打印机上。YIQ 模型用 于彩色电视广播。在第三种模型中，Y 相对
于亮度,而 I
和
Q
是被称为正交的两个
在三维色空间中将色调、饱和度、亮度结合起 来，就产生了如图4—41（b）所示的三面的、 类似金字塔的结构。这个结构表面上的任意一 点代表一种完全饱和的颜色。这种颜色的色调 由它与红色轴的夹角决定，亮度由该点与黑色 点的垂直距离决定（与黑色点的距离越远，亮 度越强）。类似的结论也适用于结构内的点， 唯一不同的是，随着它们逐渐接近纵轴，颜色 的饱和度逐渐降低。
1/ 2
(4—95)
r0 , g 0 , b0 )
3 S 1 [m in( R ,G , B )] ( RG B)
（4—98） 对 HSI 三角形内的任意点都是普遍适用的。
为了由[ 0，1 ]范围的RGB 值得到同样在[0，1 ]
范围内的 HSI值，上述结论得出了以下几个表达式：
（4—106） （4—107）
1 S cos H r 1 3 cos( 60 0 H )
g 1 ( r b)
（4—108）
由式
r g b 1 的定义，上面得到的
颜色分量是归一化了的。我们可以恢复 RGB 分量
R 3I r
G 3I g
B 3I b
数字图像处理学
第4章 图像增强
(第五讲)
4.5.1 颜色基本原理 4.5.2 颜色模型 4.5.3 伪彩色图像处理 4.5.4 关于彩色显示
第4章 图像增强(第1讲)
增强对比度的典型变换曲线与图4-9中的曲线类 似。可以看出通过这样一个变换，原图中灰度值 在 0 到 和 b 到 Mf 间的动态范围减少了，而 原图中灰度值在 和 b 之间的动态范围增加了， 从而这个范围内的对比度增强了。变换结果如图 4-11所示。 实际应用中 、b 、 、 可取不同的值进行组 d 合，从而得到不同的效果。如果a c、 b d ， 则变换曲线为一条斜率为1 的直线，增强图将和 原图相同。
应该明确的是增强处理并不能增强原始图像的
信息，其结果只能增强对某种信息的辨别能力， 而这种处理有可能损失一些其他信息。
•
图像增强是数字图像处理的基本内容之一。
• 图像增强技术主要包括: 注： 在实用中可以采用单
• 直接灰度变换
• 直方图修改处理 • 图像平滑化处理 • 图像尖锐化处理 • 彩色处理技术
针对一幅图像在这个坐标系中作一曲线来。这条
曲线在概率论中就是分布密度曲线（见图4—
21）。
pr (r)
pr (r)
0
1
r
0
1
r
(a)
(b)
图4—21
图像灰度分布概率密度函数
从图像灰度级的分布可以看出一幅图像的灰度 分布特性。例如，从图4—21中的(a)和(b)两个灰 度密度分布函数中可以看出：(a)的大多数像素灰 度值取在较暗的区域，所以这幅图像肯定较暗， 一般在摄影过程中曝光不足就会造成这种结果；
0
f ( x, y )
a
图4-7 图像的反色变换关系
图4-8 a) 原图
图像的反色变换 b) 进行反色变换后的图
2.分段线性变换
在图像增强中，为了突出感兴趣的目标或 灰度区间，相对抑制那些不感兴趣的灰度区间， 可以采用分段线性变换。常用的方法是分三段 做线性变换，如图4-9所示，其数学表达式
- 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)。
第四章图像增强很多时候，我们采集到的图像并不理想，含有许多噪声、非目标区域、杂点、未完整等等，面对这种情况，进行图像处理时，如果不对原始图像进行增强处理，那么对测量结果会的精度会产生一些影响，例如寻找边缘，如果需要拟合成线的点很离散，那么，拟合出来的线很可能会“漂”的很厉害。
因此，许多情况下，我们需要对原始图像进行增强，以达到更加理想的效果。
如图4-1所示。
图4-1 图像增强函数在图像处理中的应用在图4-1中，我们应用了一个简单的例子，寻找一条边缘。
采集图像后，我们对原始图像创建了一个ROI（Region of Interest：兴趣区域、目标区域，图中的绿色框），并对此ROI 进行滤波处理，从图中可以看到，绿色框中经过婆婆的图像与外面的图像是不一样的。
这就是图像增强的效果。
当然，例子中的原始图像效果相对较好，增强的效果显现不明显。
下面我们来看一下，图像增强函数选板具体的函数及其使用方法。
图4-2 图像增强选板增强图像中，共有六个可用函数。
利用此六个函数，我们可以在分析图像前，对图像进行预先处理，以提高图像质量。
1. Vision Assistant：Enhances image features，filters noise，extracts colors planes，and more.第一个函数为视觉助手。
在VBAI中也有一个视觉助手，不过这个视觉助手并不像NI视觉开发模块中的视觉助手功能强大，只是包含了一些图像增强的功能。
因为VBAI其它的函数选板中含有大量的分析测量函数，所以，在这个视觉助手中并没有分析测量类的函数。
利用视觉助手可以增强图像特征、过滤噪声、提取颜色平面、图像计算、形态学处理等。
因为其中的函数过多，将会在后面章节中加以详细解释，这里就一笔带过。
2. Filter Image：Prepares an image for processing so that you can extract only the information you need for processing.第二个函数为图像滤波：准备一幅图像，提取需要用于处理的信息为后面图像处理。
点击此函数，将会出现此函数的配置选板，如图4-3所示：图4-3 过滤图像配置选板从图中可以看到，当配置函数时，状态栏为灰色禁用状态，即在配置函数时，状态、连续运行等都是禁用的。
仅有一个运行一次（Run State Once）有效，点击此按钮可以运行一次当前滤波及前面采集函数，用于验证滤波的效果。
在界面右下角，我们可以看到配置选板的主体main选项卡，如图4-4所示。
图4-4 过滤图像-主体在配置主体中，我们需要输入步骤名（Step Name）、选择目标区域Region of Interest、是否改变ROI的位置Reposition Region of Interest、选择参照坐标系（Reference Coordinate System）等。
Step Name步骤名是当前步骤的名称，值得注意的是，步骤名不能以空格开始，即名称前不允许出现空格。
ROI：目标区域，下面的下拉菜单有两个选项，一个是Constant（常量），另一个是Full Image （整幅图），我们可以选择整幅图，那样就不需要再画ROI，而如果选择常量，则需要手动画ROI。
我们可以利用菜单下面的快捷工具栏，选择合适的工具来画ROI，如图4-5所示。
图4-5 ROI工具ROI工具栏随着选择函数的不同出现的工具也会有不同。
在此处出现了矩形、旋转矩形、椭圆、环形、多边形、徒手。
另外，我们可以利用放大、缩小、原始尺寸、适合屏幕等缩放工具来查看图像，使我们能更好的把握如何设置ROI。
Reposition Region of Interest:改变ROI的位置，选择上后，在后面的图像分析处理过程中，可以根据坐标系改变ROI的位置。
Reference Coordinate System为参考坐标系。
如果没选中改变ROI位置，则ROI以当前默认坐标系为参照，即图像左上角为原点，左到右为X 轴，上到下为Y轴。
此功能必须在前面的步骤中已经建立了坐标系后才可使用，关于坐标系的建立，将在后面的定位特征章节介绍。
图4-6 过滤图像-滤波器选择如图4-6中，为滤波Filters选项卡。
可用的滤波器类型很多。
Original Image为原始图像；Smoothing为平滑型滤波器，包括Low Pass低通、Local Average局部平均、Gaussian 高斯、Median中值；Edge Detection为边缘检测型滤波器，包含了Laplacian拉普拉斯、Differentiation微分、Prewitt、Sobel、Roberts滤波器；Convolution为卷积型滤波器，包含Highlight Details高亮细节、Custom自定义滤波器。
滤波器会有滤波器尺寸（Filter Size）、内核尺寸（Kernel Size）、内核(Kernel，又可以叫掩模、算子、模板等)三个可能出现的参数，视各滤波器不同而不同。
如何设计内核这里就不详细介绍，如有兴趣，可参看一些图像处理原理类的书籍。
从图4-6中可以看到，当我们选择高亮细节滤波器、内核大小为7*7时，文字部分黑色与背景白色的对比度明显比周围没经过滤波的地方要强（为显示效果，已经将图像放大为原始图像，此图像为500万像素的AVT Guppy Pro 503B相机拍摄）。
这就是滤波的好处，可以将特征突现出来从而更容易的查找、测量、计算出特征。
在配置面板的底部有一个Step Status指示灯，表示当前步骤用设置的参数来检查图像是否通过，此处的状态只能是PASS（通过）的，在后面一些测量函数中将会出现FAIL（失败）。
另外还有一个OK、一个Cancel按钮，OK为确定当前设置，Cancel为放弃当前设置。
步骤状态、OK、Cancel三个控件，在后面的函数讲解中，基本上都是会出现的，以后就不再叙述。
3. Threshold Image：Thresholds an image.二值化图像（字面意思阈值图像），对图像进行二值化处理。
即图像中只有黑白两色，而不是灰度图或彩色图。
点击此函数进入二值化配置界面，如图4-7所示。
图4-7 二值化配置二值化配置只有一个主体选项卡，包含了Step Name步骤名、Look For寻找（目标类型）、Method方法、Histogram直方图、及Lower Value(Limit)阈值设定等部分。
其中寻找目标类型有白色目标、黑色目标、灰色目标可供选择；方法有手动阈值、自动阈值、局部阈值等；直方图用于显示图像各级灰度所占的比重；阈值设定Lower Value与Lower Limit、Upper Limit视方法不同而不同，有些方法需要设置阈值值，有些需要设置阈值界限。
图4-7只是针对灰度图产生的二值化配置界面，如果图片源为彩色图时，其配置界面如图4-8所示。
图4-8 彩色图像二值化彩色图像二值化中有一个颜色模式Color Mode、预览颜色Preview Color、阈值设置。
颜色模式可选的有RGB、HSL、HSV、HSI。
根据选择颜色模式不同，下面可用于阈值设置的参数也不同。
如RGB时，是调整红R、绿G、蓝B三色的阈值，HIS是调整色调H、饱和度S、强度I等。
4. Segment Color Image: Segments a color image using a color classifier and produces a greyscale image.分段彩色图像：使用颜色分类器对一幅彩色图像进行分段，然后生成灰度图像图4-9 分段颜色主体选项卡在main主体选项卡中，Step Name步骤名、Region of Interest(ROI)兴趣区域、Reposition Region of Interest转换ROI、Reference Coordinate System参考坐标系都与前面讲的函数的主体选项卡一样，这里就不多介绍。
Color Classifier File Path颜色分类器文件路径，是需要选择一个颜色分类器文件。
可以使用这个框边上的文件夹选择按钮选择。
如果一开始没有选择颜色分类器文件时，则在下面有一个New Classifier File…按钮，点击此按钮则新建一个颜色分类器文件。
如果是选择已经有的颜色分类器文件，则此按钮提示信息为Edit Classifier File…。
即无文件时为新建，有文件时则为编辑。
图4-10 分段颜色主体选项卡无颜色分类器文件点击New Classifier File…按钮，然后进入颜色分类器界面，如图4-11所示：图4-11 颜色分类器训练界面在这个界面中，大部分的工具按钮与VBAI的主界面类似。
先来看一下左下角的两个选项卡页面。
Options选项：其中左边的Color Options颜色选项，下面有两个参数，一个为Sensitivity 灵敏度，其中值有Low低、Medium中、High高，另一个参数为Use intensity使用强度，如果不使用强度，则仅使用色调、饱和度。
右边为Engine Options引擎选项，有三个选项,Method方法：Nearest Neighbor最近邻，K-Nearest Neighbor K最近邻，Minimum Mean Distance最小均值距离；K，K最近邻的K值大小（具体算法请查看最神秘的相关书籍，其实我也搞不懂这些算法）；Metric度量：有Maximum极大值、Sum求和、Euclidean欧几里德三种方式。
默认会用Sum方式，大部分的分类器应用都使用此方法，极大值用在最灵敏的差异分类中。
而欧几里德则应用在较少的差异灵敏性中。
具体使用可参考NI Vision For LabVIEW Help帮助文档。
其中有较详细的说明（英文）。
图12 颜色分类器训练界面-Color VectorColor Vector颜色向量：其中有六个参数。
分为两排，上面一排为选择的类的参数：Selected Class: Hue选择的类为色调（这里提示需要训练。
转到右上角的Classify选项卡，然后点击训练分类器可以训练，前提是先添加类Add Class，并且添加样品Add Sample，如果已经训练，提显示选择的类的颜色）；Saturation饱和度，这里是指选择的类的饱和度。
Intensity 为选择的类的强度。
如果在Options中未勾选Use Intensity则此框为禁用。
下面一排的三个参数与上面的是一样的概念，只不过其指示的是ROI中的色调、饱和度、强度。