图像增强技术要点
使用计算机视觉技术进行图像增强的技巧
使用计算机视觉技术进行图像增强的技巧图像增强是计算机视觉技术的一种常见应用。
通过使用各种算法和技术，可以改善图像的质量和细节，使图像更加清晰、鲜明和易于分析。
本文将介绍使用计算机视觉技术进行图像增强的一些技巧。
首先，直方图均衡化是一种常用的图像增强技术。
直方图是图像中每个像素值出现的频率分布图。
直方图均衡化通过重新分配像素值，增加图像的对比度和亮度，使图像的细节更加清晰，颜色更加鲜明。
该技术适用于那些对比度较低的图像，比如在光线不足或曝光过度等情况下拍摄的图像。
其次，图像滤波是另一种用于图像增强的常见技术。
滤波是通过在图像上应用一种算法或核函数来改变图像的像素值。
常用的滤波方法有均值滤波、中值滤波和高斯滤波等。
均值滤波用于去除图像中的噪点，通过计算像素的邻域均值来平滑图像。
中值滤波通过取中间值将噪点从图像中消除。
高斯滤波通过计算像素的权重平均值进行图像平滑，同时可以保留图像的边缘信息。
此外，锐化是一种常见的图像增强技术，用于增加图像的清晰度和细节。
锐化通过增加图像的边缘和细节来使图像更加清晰。
一种常用的锐化方法是拉普拉斯锐化，它通过对图像应用二阶导数算子来增强图像的边缘。
另一种常见的锐化方法是使用unsharp mask，它通过将原始图像与其模糊版本相减来凸显图像的细节。
此外，超分辨率是一种通过图像增强技术来提高图像分辨率的方法。
超分辨率技术可以将低分辨率的图像重建成高分辨率的图像，从而获得更多的图像细节。
最常见的超分辨率技术是插值方法，其中最邻近插值、双线性插值和双立方插值是常用的插值算法。
此外，还有一些基于学习的超分辨率方法，如基于深度学习的卷积神经网络（CNN）。
最后，图像增强技术还可以结合其他领域的技术来实现更好的效果。
例如，与机器学习和人工智能技术相结合，可以让计算机自动学习和识别图像中的特征，从而实现更准确的图像增强。
此外，与图像处理技术相结合，如边缘检测、图像分割和目标检测等，可以进一步改善图像增强的效果。
如何使用图像处理技术进行图像的色彩增强和颜色校正
如何使用图像处理技术进行图像的色彩增强和颜色校正图像处理技术在数字图像处理领域中扮演着重要的角色，其中包括了图像的色彩增强和颜色校正。
这些技术能够改善图像的视觉效果和色彩准确性，提高图像品质，并支持许多应用领域，如摄影、印刷、医学图像等。
本文将介绍如何使用图像处理技术进行图像的色彩增强和颜色校正。
我们将讨论图像的色彩增强技术。
色彩增强可以使图像更加鲜艳、生动，并提高视觉效果。
以下是一些常见的色彩增强技术。
1. 色彩平衡：色彩平衡是通过调整图像的色彩分布来改善图像的整体色彩平衡。
主要有三个通道，即红、绿、蓝（RGB）。
通过调整这些通道的比例，可以更好地平衡图像的色彩。
色彩平衡可以通过调整白平衡等参数来实现。
2. 对比度调整：对比度调整是通过改变图像的亮度范围，使得图像的明暗对比更加明显。
这可以通过调整图像的灰度级范围来实现。
增加对比度可以使图像细节更加清晰，增强图像的深度感。
3. 色度饱和度调整：色度饱和度调整可以改变图像中颜色的饱和度。
通过增加或减少颜色的饱和度，可以使图像更加鲜艳或柔和。
这可以通过调整HSL（色相、饱和度、亮度）或HSV（色相、饱和度、值）空间中的参数来实现。
接下来，我们将介绍图像的颜色校正技术。
颜色校正旨在调整图像中的颜色，使其更接近真实场景中的颜色。
以下是一些常见的颜色校正技术。
1. 直方图均衡化：直方图均衡化是一种常用的图像增强方法，它通过调整图像的灰度级分布来改善图像的对比度。
它可以使图像的直方图在整个灰度级范围内均匀分布，从而增强图像的细节和对比度。
2. 色彩映射：色彩映射可以将图像的颜色映射到另一个图像或颜色空间中的对应颜色。
这可以通过使用预定义的颜色映射表或根据特定的颜色映射算法来实现。
色彩映射可以用于将图像从一种颜色空间转换为另一种颜色空间，或者用于改变图像的颜色外观。
3. 基于模型的颜色校正：基于模型的颜色校正方法使用了一个颜色模型，该模型描述了颜色之间的关系。
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。
图像处理中的图像增强技术使用注意事项总结
图像处理中的图像增强技术使用注意事项总结引言：随着现代科技的发展，图像处理技术在各个领域获得了广泛的应用。
图像增强技术是其中的一个重要组成部分，通过改善图像的质量和视觉效果，使得图像更具有清晰度和可识别性。
然而，图像增强技术并非一种通用的处理方法，它需要根据不同的场景和目标进行适当的选择和应用。
本文将对图像处理中的图像增强技术使用的注意事项进行总结和分析，以期帮助读者更好地理解和应用这些技术。
注意事项一：选择合适的增强算法在图像增强技术中，有很多不同的算法可以用于改善图像。
例如，直方图均衡化、灰度拉伸、滤波器、锐化等等。
在选择合适的增强算法时，需要考虑以下几个方面：1. 目标效果：不同的图像增强算法会对图像产生不同的效果，因此需要根据具体需求选择适合的算法。
2. 图像特征：不同图像的亮度、对比度、颜色分布等特征是不同的，因此选择的算法应该能够适应这些特征。
3. 处理复杂度：不同算法的复杂度也是不同的，需要根据实际需求和计算资源的情况来选择算法。
注意事项二：避免过度增强图像增强的目的是改善图像的质量和视觉效果，但是过度增强可能会导致一些问题，如虚假细节、噪点和失真等。
为了避免过度增强，有以下几个建议：1. 保留原有信息：在增强过程中，应该尽量保留原有图像的重要信息和特征，避免过度去除或修改。
2. 使用适当的参数：不同算法在增强过程中可能涉及到一些参数的调整，需要根据实际情况选择适当的参数值，并进行调整和优化。
3. 结合人眼感知：图像增强的目的是让人眼能够更好地识别和理解图像，因此应该结合人眼的视觉感知特点进行增强处理。
注意事项三：考虑图像特性的差异不同类型的图像具有不同的特性，如自然景观图像、医学图像、卫星遥感图像等。
在应用图像增强技术时，需要充分考虑这些特性的差异：1. 色彩特性：不同类型的图像可能存在不同的色彩特性，如天空图像的颜色可能主要由蓝色组成，而草地图像的颜色则主要由绿色组成。
因此，在选择增强算法时，需要考虑图像的色彩特性，以保持图像的真实性。
深度学习技术图像数据增强方法
深度学习技术图像数据增强方法深度学习技术在计算机视觉领域取得了许多重要的突破，其中图像数据增强方法是一项关键的技术，它可以提高深度学习模型的泛化能力和鲁棒性。
图像数据增强是通过在训练过程中对图像进行一系列的变换和扭曲操作，从而扩充训练数据集，使模型可以更好地学习到真实世界的各种变化。
1. 常用的图像数据增强技术1.1 旋转和翻转旋转和翻转是最常用的图像数据增强方法之一。
通过对图像进行随机的旋转和翻转操作，可以使模型学习到不同角度和方向的物体。
例如，可以随机地将图像旋转一定角度，或者对图像进行水平或垂直翻转。
1.2 缩放和裁剪缩放和裁剪操作可以改变图像的尺度和大小，从而使模型具有对不同尺寸的物体进行识别的能力。
例如，可以将图像缩放到不同的尺寸，或者对图像进行随机的裁剪操作。
1.3 亮度、对比度和色彩调整通过调整图像的亮度、对比度和色彩等参数，可以模拟真实世界中的光照变化和色彩差异，使模型具有更好的鲁棒性和泛化能力。
例如，可以随机地调整图像的亮度、对比度和色彩饱和度等参数。
1.4 噪声添加噪声添加是一种常见的图像数据增强方法，它可以使模型学习到对图像噪声的鲁棒性。
通过在图像中添加不同类型的噪声，如高斯噪声、椒盐噪声等，可以使模型对噪声图像具有更好的鲁棒性。
2. 深度学习技术图像数据增强的优势2.1 扩充数据集深度学习模型通常需要大量的标注数据进行训练，而采集和标注真实数据是一项非常耗时和昂贵的任务。
通过图像数据增强技术，可以在没有额外成本的情况下，扩充数据集，提高模型的训练效果。
2.2 提高模型的泛化能力深度学习模型在训练过程中容易出现过拟合的问题，即模型在训练集上表现优秀，但在测试集上表现较差。
图像数据增强技术可以帮助模型学习到更多不同样本的特征，从而提高模型的泛化能力，降低过拟合的风险。
2.3 增强模型的鲁棒性真实世界的图像存在各种变化和扭曲，例如光照变化、姿态变化、遮挡等。
通过图像数据增强技术，可以为模型提供更多的训练样本，使模型具有对这些变化和扭曲具有更好的鲁棒性。
图像增强技术讲解课件
概率
0.35 0.3
0.25 0.2
0.15 0.1
0.05 0 0 1
规定的直方图
0.3
0.2 0.15
0.2 0.15
0
2345678 灰度级
灰度切分
是一种提高图像中某个灰度级范围的亮度，使其变得 比较突出的增强对比度的方法。
基本的实现方法包括两种： ◆ 一种是给所关心的灰度范围指定一个较高的灰度 值，而给其它部分指定一个较低的灰度值或0值。 ◆ 另一种是给所关心的灰度范围指定一个较高的灰 度值，而其它部分的灰度值保持不变
灰度切分
g
g
➢实际应用中，有时需要具有特定直方图的图像 ，以便能够有目的地对图像中的某些灰度级分布 范围内的图像加以增强。
➢直方图规定化方法可以按照预先设定的某个形 状来调整图像的直方图。
5.2.3 直方图规定化
(1) 对原始直方图进行灰度均衡化
k
三
tk EHs (si ) ps (si )
i0
个
(2) 规定需要的直方图，计算能使规定直方
g0 =0.19 g1 =0.44 g2 =0.65 g3 =0.81 g4=0.89 g5=0.95 g6=0.98 g7=1
g0 = 1/7 g1 =3/7 g2 =5/7 g3 =6/7 g4 = 6/7 g5=1 g6 = 1 g7=1
例 把计算的gk就近安排到8个灰
度级中。
fk f0=0 f1=1/7 f2=2/7 f3=3/7 f4=4/7 f5=5/7 f6=6/7 f7=1
nk 790 1023 850 656 329 245 122 81
P (f k ) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02
图像处理中的图像增强技术与效果评估
图像处理中的图像增强技术与效果评估图像增强是指通过一系列算法和技术手段，改善原始图像的视觉质量和可读性。
在图像处理应用中，图像增强起着至关重要的作用，它能够提高图像细节的可见性、增加对比度、减少噪声等。
本文将探讨图像处理中的图像增强技术以及如何评估增强效果。
首先，我们将介绍几种常见的图像增强技术。
其中，直方图均衡化是一种被广泛使用的方法，通过重新分布图像的灰度级来增加图像的对比度。
该方法特别适用于那些灰度级分布不均匀的图像。
另一种常见的技术是滤波器，它可以通过去除图像中的噪声，来增强图像的质量。
常见的滤波器包括均值滤波器、中值滤波器和高斯滤波器。
此外，锐化和模糊是另外两个常用的增强技术。
锐化可以突出图像的边缘和细节，而模糊则可以减少噪声和细节。
在选择适用于特定场景的图像增强技术时，需要考虑以下因素：图像的特点、具体的应用需求以及增强方法的计算复杂度。
例如，在低光条件下拍摄的图像可能会出现较高的噪声和模糊，此时可以选择使用降噪滤波器和增强对比度的方法。
而在医学图像处理中，可能更关注细节和边缘的清晰度，因此锐化和边缘增强技术可能更为适用。
除了选择合适的增强技术，评估增强效果也是非常重要的一步。
下面将介绍几种常用的图像增强效果评估方法。
其中，主观评估是最直观的评估方法之一，它通过邀请一些经验丰富的观察者对增强后的图像进行评估，从而得到一个主观的评分。
然而，这种方法存在一定的主观性和不确定性。
为了减少主观因素的影响，客观评估方法应当与主观评估相结合。
客观评估方法主要基于从增强图像中提取的特定特征，如对比度、细节清晰度和噪声水平等。
其中，对比度评估是一种常见的客观评估方法，它通过比较原始图像和增强后的图像的像素值范围来衡量增强效果。
另一种常见的客观评估方法是使用结构相似性指数（SSIM），它是一种衡量图像相似度的指标，考虑了亮度、对比度和结构等因素。
此外，还可以使用峰值信噪比（PSNR）和均方误差（MSE）等指标来评估增强效果。
数字图像处理中的图像增强技术
数字图像处理中的图像增强技术数字图像处理在现代科技中具有重要的地位。
它广泛应用于医学图像、遥感图像、安防监控图像以及各种图像数据分析等领域。
其中，图像增强技术是数字图像处理的重要分支之一。
什么是图像增强技术？图像增强是指通过数字图像处理方法，对原始图像进行改进以满足特定的应用需求。
这种技术可以提高图像的质量、清晰度、对比度和亮度，同时减少图像的噪声和失真，使图像更具辨识度和实用价值。
图像增强技术的基本原理数字图像处理中的图像增强技术有很多种。
它们有的基于像素点的局部特征，有的基于全局的规律和模型。
下面介绍几种典型的图像增强技术：1. 直方图均衡化直方图均衡化是一种典型的全局图像增强技术，它可以通过对图像灰度值分布进行调整，提高图像的对比度和亮度。
它假设在正常的摄影条件下，灰度级的分布应该是均匀的。
因此，直方图均衡化采用了一种用高频率伸展像素值的方法，将原图像的灰度级转换为更均匀的分布，从而使图像的对比度更加明显。
2. 中值滤波中值滤波是一种局部图像增强技术，是一种基于像素点的影响的方法。
它对图像中每个像素点的灰度值进行排序处理，后选取其中值为该像素点的新灰度值，这样可以消除噪声，使得模糊度和清晰度都有非常明显的改善。
3. 边缘增强边缘增强是一种同时考虑整幅图像的局部特征和全局规律的图像增强技术。
它对图像的边缘部分加权，使边缘区域更加清晰，从而提高了图像的辨识度和可读性。
边缘增强技术既可以提高图像的对比度和亮度，也可针对不同的图像类型和应用需求进行不同的定制化处理。
图像增强技术的应用数字图像处理中的图像增强技术可以广泛应用于各个领域：1. 在医学领域，图像增强技术可以帮助医生诊断疾病、评估治疗效果和进行手术规划等。
2. 在遥感领域，图像增强技术可以帮助解决地图制作中的噪声和失真问题，清晰地显示建筑物、道路和地形地貌等信息，从而提高研究和预测的准确性。
3. 在安防监控领域，图像增强技术可以通过对图像的增强处理，提高视频监控图像的清晰度和鲁棒性，以便更有效地进行安全监管和犯罪侦查。
- 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)。
数字图像处理期中论文图像增强技术综述学院信息工程学院专业电子信息工程方向信息处理方向姓名何娜娜学号************中国传媒大学2010 年11 月27 日图像增强技术综述内容摘要数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。
图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。
本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。
关键词：图像增强直方图增强对比度增强平滑锐化彩色图像增强AbstractDigital image processing is the procedures of converting image signal into digital format, then using the computer to process it. Image enhancement is digital image processing process often use a method to improve image quality, it plays an important role. This article first introduces the principle of image enhancement and classification，and then focus on several methods to study such as and histogram enhancement, contrast enhancement, smoothing and sharpening, and other commonly used in learning the basic digital image With the approach, through Matlab experiment that the actual effect of various algorithms to compare the advantages and disadvantages to discuss the different enhancement algorithm. The application of occasions, and its image enhancement method of performance evaluation.Keywords:Image Enhancement histogram enhancement contrast enhancement smoothing sharpening1 图像增强概述1.1 图像增强背景及意义在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降，即图像失真。
在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、相对运动、大气流动等都会使图像模糊，传输过程中会引入各种类型的噪声。
总之输入的图像在视觉效果和识别方便性等方面可能存在诸多问题，这类问题不妨统称为质量问题。
图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。
从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量。
处理后的图像是否保持原状已经是无关紧要的了，不会因为考虑到图像的一些理想形式而去有意识的努力重现图像的真实度。
图像增强的目的是增强图像的视觉效果，将原图像转换成一种更适合于人眼观察和计算机分析处理的形式。
它一般要借助人眼的视觉特性，以取得看起来较好地视觉效果，很少涉及客观和统一的评价标准。
增强的效果通常都与具体的图像有关系，靠人的主观感觉加以评价。
1.2 图像增强的应用目前图像增强处理的应用已经渗透到医学诊断、航空航天、军事侦察、指纹识别、无损探伤、卫星图片的处理等领域。
如对x射线图片、CT影像、内窥镜图像进行增强，使医生更容易从中确定病变区域，从图像细节区域中发现问题；对不同时间拍摄的同一地区的遥感图片进行增强处理，侦查是否有敌人军事调动或军事装备及建筑出现；在煤矿工业电视系统中采用增强处理来提高工业电视图像的清晰度，克服因光线不足、灰尘等原因带来的图像模糊、偏差等现象，减少电视系统维护的工作量。
图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。
2 图像增强的基本理论2.1 图像增强的定义为了改善视觉效果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施称为图像增强。
一般情况下，图像增强是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，也是提高图像质量的过程。
图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。
图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。
但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。
传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。
这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。
2.2 图像增强的分类及方法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。
2. 3 常用的图像增强方法（1） 直方图均衡化有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。
这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。
（2） 对比度增强法有些图像的对比度比较低，从而使整个图像模糊不清。
这时可以按一定的规则修改原来图像的每一个象素的灰度，从而改变图像灰度的动态范围。
（3） 平滑噪声有些图像是通过扫描仪扫描输入、或传输通道传输过来的。
图像中往往包含有各种各样的噪声。
这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。
这些噪声的存在直接影响着后续的处理过程，使图像失真。
图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。
（4） 锐化平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用模板和统计差值的方法，使图像增强锐化。
图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，通过高通滤波器去除低频分量，也可以达到图像锐化的目的。
3 数字图像的基本概念3.1 数字图像的表示图像并不能直接用计算机来处理，处理前必须先转化成数字图像。
早期一般用picture 代表图像，随着数字技术的发展，现在都用image 代表离散化了的数字图像。
由于从外界得到的图像多是二维（2-D ）的，一幅图像可以用一个2-D 数组),(y x f 表示。
这里x 和y 表示二维空间XY 中一个坐标点的位置，而f 则代表图像在点),(y x 的某种性质数值。
为了能够用计算机对图像进行处理，需要坐标空间和性质空间都离散化。
这种离散化了的图像都是数字图像，即),(y x f 都在整数集合中取值。
图像中的每个基本单元称为图像那元素，简称像素。
3.2 图像的灰度常用的图像一般是灰度图，这时f 表示灰度值，反映了图像上对应点的亮度。
亮度是观察者对所看到的物体表面反射光强的量度。
作为图像灰度的量度函数),(y x f 应大于零。
人们日常看到的图像一般是从目标上反射出来的光组成的，所以),(y x f 可看成由两部分构成：入射到可见场景上光的量；场景中目标对反射光反射的比率。
确切地说它们分别称为照度成分),(y x i 和反射成分),(y x r 。
),(y x f 与),(y x i 和),(y x r 都成正比，可表示成),(y x f ＝),(y x i ×),(y x r 。
将二维坐标位置函数),(y x f 称为灰度。
入射光照射到物体表面的能量是有限的，并且它永远为正，即0<),(y x i < ；反射系数为0时，表示光全部被物体吸收，反射系数为1时，表示光全部被物体反射，反射系数在全吸收和全反射之间，即0<),(y x r <1。