图像增强
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。
图像增强的方法有哪些
图像增强的方法有哪些
图像增强是指通过一系列的处理方法，改善图像的视觉质量，使图像更加清晰、鲜艳、易于识别和理解。
图像增强的方法有很多种，下面我们将介绍其中一些常见的方法。
首先，直方图均衡化是一种常用的图像增强方法。
直方图均衡化通过重新分配图像的像素值，使得图像的直方图变得更加均匀，从而增强图像的对比度和亮度分布，使图像更加清晰和易于识别。
其次，滤波是另一种常见的图像增强方法。
滤波通过应用不同的滤波器来去除图像中的噪声，增强图像的边缘和细节，改善图像的质量。
常见的滤波方法包括均值滤波、高斯滤波、中值滤波等。
另外，锐化也是一种常用的图像增强方法。
锐化通过增强图像的边缘和细节，使图像更加清晰和鲜艳。
常见的锐化方法包括拉普拉斯算子、Sobel算子、Prewitt算子等。
此外，对比度增强也是一种常见的图像增强方法。
对比度增强通过调整图像的对比度和亮度，使图像的细节更加突出，从而改善图像的质量。
常见的对比度增强方法包括伽马校正、对比度拉伸、
直方图匹配等。
最后，多尺度变换也是一种常用的图像增强方法。
多尺度变换通过将图像分解成不同尺度的子图像，然后对每个子图像进行增强处理，最后合成得到增强后的图像，从而改善图像的质量。
总的来说，图像增强的方法有很多种，每种方法都有其特点和适用范围。
在实际应用中，可以根据图像的特点和需求选择合适的增强方法，从而达到改善图像质量的目的。
希望以上介绍的方法对您有所帮助。
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。
图像增强的方法有哪些
图像增强的方法有哪些图像增强是指对图像进行处理，以改善其视觉质量或提取出更多的有用信息。
在数字图像处理领域，图像增强是一个重要的研究方向，它涉及到许多方法和技术。
本文将介绍几种常见的图像增强方法，包括灰度拉伸、直方图均衡化、滤波和锐化等。
这些方法可以应用于各种领域，如医学图像处理、遥感图像处理和计算机视觉等。
灰度拉伸是一种简单而有效的图像增强方法。
它通过拉伸图像的灰度范围，使得图像的对比度得到增强。
具体而言，灰度拉伸会将图像的最小灰度值映射到0，最大灰度值映射到255，中间的灰度值按比例进行映射。
这样可以使得图像的整体对比度得到提高，从而更容易观察和分析图像中的细节。
另一种常见的图像增强方法是直方图均衡化。
直方图均衡化通过重新分布图像的灰度级别，以使得图像的直方图更加均匀。
这样可以增强图像的对比度，使得图像中的细节更加清晰。
直方图均衡化在医学图像处理中得到了广泛的应用，可以帮助医生更准确地诊断疾病。
滤波是图像处理中常用的一种技术，它可以用来增强图像的特定特征或去除图像中的噪声。
常见的滤波方法包括均值滤波、中值滤波和高斯滤波等。
这些滤波方法可以根据图像的特点和需要进行选择，从而达到增强图像质量的目的。
除了滤波之外，锐化也是一种常见的图像增强方法。
锐化可以使图像中的边缘和细节更加清晰，从而提高图像的视觉质量。
常见的锐化方法包括拉普拉斯算子和Sobel算子等。
这些方法可以通过增强图像中的高频信息来使图像更加清晰。
综上所述，图像增强是图像处理中的一个重要环节，它可以帮助我们改善图像的质量，提取出更多的有用信息。
本文介绍了几种常见的图像增强方法，包括灰度拉伸、直方图均衡化、滤波和锐化等。
这些方法可以根据图像的特点和需求进行选择，从而达到增强图像质量的目的。
在实际应用中，我们可以根据具体的情况选择合适的图像增强方法，从而得到更加优质的图像结果。
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8章_图像增强
32
一、空间域图像增强（29）
对角线方向边缘增强示意图
33
一、空间域图像增强（30）
单方向一阶微分算子图像增强效果
34
一、空间域图像增强（31）
Roberts交叉微分算子
g x, y f x 1, y 1 f x, y f x 1, y f x, y 1
f
G x x
f
f
G
y
y
27
一、空间域图像增强（24）
一阶微分算子
单方向微分算子
（1）水平方向微分算子
Dlevel
1 2 1
0 0 0
1 2 1
g ( x, y ) [ f x 1, y 1 f x 1, y 1] 2[ f x 1, y f x 1, y ]
遥感数字图像处理
第8章
图像增强
背景知识
图像增强是通过一定手段对原图像进行变换或附加一些信息
，有选择地突出图像中感兴趣的特征或者抑制图像中某些不
需要的特征，使图像与视觉响应特性相匹配，从而加强图像
判读和识别效果，以满足某些特殊分析的需要。
目的：改善图像的视觉效果，帮助我们更好地发现或识别图
像中的某些特征。
作用：调整两幅图像的色调差异，使图像重叠区域的色调过渡柔和，改
善图像融合和图像镶嵌效果。
14
一、空间域图像增强（12）
直方图匹配的思想：
原图像中的任意一个灰度值ai 都可
以在参考图像上找到一个与之对应
的灰度值bi ，使得原图的灰度概率
图像增强
1/5
1/5
0
1/5
1/9
1/9
1/9
1/5
1/5
1/9
1/9
1/9
1/9
1/9
1/9
0
0
邻区平均
1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/16
1/8 1/4 1/8
1/16
1/5
1/10
1/8
1/16
1/8
1/16
加权平均
3.2 中值滤波
虽然均值滤波器对噪声有抑制作用，但同时会使图像变 得模糊。为了改善这一状况，必须寻找新的滤波器。中值 滤波就是一种有效的方法。 中值滤波的原理 1. 用一个大小为 N 的窗口（N=3, 5, 7, …）在图像上滑动； 2. 把窗口中像素的灰度值按升(或降)次序排列； 3. 取排列在正中间的灰度值作为窗口中心所在像素的灰度值。 中值滤波是一种非线性滤波，它对消除脉冲噪声十分有用。 中值滤波优点 1. 抑制噪声 2. 较好地保护边缘轮廓信息
s T (r )
r
p ( r ) dr
r
0
( 2r 2) dr
2 r r
0
r |0 2r |0 r 2r
2
r
2
数字图像的直方图均衡化：
计算公式： sk
P(r)
p
i 0
k
r
( ri )
2
r
2.2 直方图修正
均衡化效果实例：
2.2 直方图修正
均衡化效果实例（续）：
3.2 中值滤波 1. 中值滤波的设计思想： 因为噪声的出现，使该点像素比周围的像 素亮（暗）许多， 给出滤波用的模板，如下 图所示是一个一维的模板，对模板中的像素 值由小到大排列，最终待处理像素的灰度取 这个模板中的灰度的中值。
图像增强的方法有哪些
图像增强的方法有哪些
图像增强的方法包括以下几种：
1. 直方图均衡化（Histogram equalization）：通过调整图像的像素分布，增强图像的对比度。
2. 自适应直方图均衡化（Adaptive histogram equalization）：与直方图均衡化类似，但是对图像的小区域进行局部均衡化，可以更好地保留细节信息。
3. 均值滤波（Mean filter）：用图像中像素的平均值替代该像素的值，平滑图像的同时增强细节。
4. 中值滤波（Median filter）：用图像中像素的中值替代该像素的值，能够有效去除椒盐噪声，保留图像边缘。
5. 高斯滤波（Gaussian filter）：使用高斯函数对图像进行平滑，可以模糊图像的同时去除噪声。
6. 锐化增强（Sharpening）：利用锐化算子对图像进行卷积，突出图像的边缘和细节。
7. 退化与恢复（Degradation and restoration）：通过建立图像模糊模型和噪
声模型，对退化图像进行恢复。
8. 增强滤波（Enhancement filter）：通过设计特定的增强滤波器，对图像进行增强，如Sobel滤波器、Prewitt滤波器等。
9. 超分辨率（Super-resolution）：通过使用多帧图像或者其他方法，提高低分辨率图像的细节和清晰度。
以上仅是图像增强的一些常见方法，随着图像处理技术的不断发展，还有很多其他方法可以用于图像增强。
计算机视觉中的图像增强技术
计算机视觉中的图像增强技术图像增强技术是计算机视觉领域中的重要研究方向之一，旨在提高图像质量和增强图像的细节。
通过使用各种算法和技术，图像增强能够改善图像的亮度、对比度、清晰度等方面，使图像更加逼真和易于分析处理。
本文将介绍几种常见的计算机视觉中的图像增强技术。
一、直方图均衡化直方图均衡化是一种常见的图像增强技术，通过调整图像的像素值分布，使得图像在亮度和对比度上得到改善。
该技术基于直方图的分析，将图像的像素值映射到较广的范围内，使得亮度水平更加均衡。
直方图均衡化可以应用于灰度图像和彩色图像，并且对于各种类型的图像效果良好。
二、模糊和锐化模糊和锐化是图像增强中常用的技术。
模糊技术可以减少图像的噪声和细节，使得图像更加平滑。
常见的模糊技术包括高斯模糊、均值模糊等。
锐化技术则相反，可以增强图像的边缘和细节，使得图像更加清晰。
锐化技术常用的方法有拉普拉斯锐化、边缘增强等。
三、增强滤波增强滤波是一种基于图像频域分析的增强技术。
该技术通过对图像进行频域变换，提取频域信息，然后根据图像的特点进行相应的增强处理。
常见的增强滤波技术包括快速傅里叶变换（FFT）、小波变换等。
增强滤波可以有效地去除图像的噪声和模糊，提高图像的品质。
四、对比度增强对比度增强是一种提高图像亮度差异的技术。
该技术通过调整图像的像素值，使得图像中的亮部和暗部之间的差异更加明显，提高图像的视觉效果。
对比度增强常用的方法有直方图拉伸、对比度增强函数等。
对比度增强可以使图像中的细节更加鲜明，提高图像的可视化效果。
五、超分辨率重建超分辨率重建是一种特殊的图像增强技术，旨在提高图像的分辨率和细节。
该技术可以通过多帧图像的融合、插值和恢复等方法，使得图像的细节更加清晰，增强图像的可见细节。
超分辨率重建常用的算法包括基于插值的方法、最小二乘法等。
总结：计算机视觉中的图像增强技术是提高图像质量和增强图像细节的重要手段。
本文介绍了几种常见的图像增强技术，包括直方图均衡化、模糊和锐化、增强滤波、对比度增强和超分辨率重建。
图像增强的方法有哪些
图像增强的方法有哪些图像增强是指通过各种手段和技术，改善图像的质量和视觉效果，使图像更清晰、更鲜艳、更易于分析和理解。
图像增强方法是数字图像处理领域的重要内容，其应用涵盖了医学影像、遥感图像、安防监控、图像识别等诸多领域。
本文将就图像增强的方法进行介绍，希望能够为相关领域的从业者提供一些参考和帮助。
首先，常见的图像增强方法包括灰度拉伸、直方图均衡化、滤波和锐化等。
灰度拉伸是通过拉伸图像的灰度范围，使得图像的对比度增强，细节更加清晰。
直方图均衡化则是通过重新分布图像的灰度级，使得图像的对比度更加均匀，细节更加突出。
而滤波和锐化则是通过对图像进行平滑或者增强边缘的处理，使得图像更加清晰和锐利。
其次，除了传统的图像增强方法外，近年来深度学习技术的发展也为图像增强提供了新的思路和方法。
深度学习技术可以通过大量的数据和复杂的神经网络模型，学习图像的特征和规律，从而实现图像的增强和优化。
例如，基于深度学习的超分辨率重建技术可以通过学习图像的高频信息，将低分辨率的图像重建成高分辨率的图像，从而实现图像的增强和提升。
此外，除了上述方法外，还有一些其他的图像增强方法，如图像融合、多尺度分解、小波变换等。
图像融合是指将多幅图像融合成一幅图像，以获取更多的信息和细节。
多尺度分解是指将图像分解成不同尺度的子图像，从而更好地分析和处理图像。
小波变换则是一种多尺度分析方法，可以将图像分解成不同尺度和频率的小波系数，从而实现图像的增强和优化。
综上所述，图像增强的方法有很多种，包括传统的灰度拉伸、直方图均衡化、滤波和锐化，以及基于深度学习的图像增强方法，以及其他一些图像增强技术。
不同的方法适用于不同的场景和需求，需要根据具体的应用来选择合适的图像增强方法。
希望本文所介绍的内容能够帮助读者更好地理解图像增强的方法，为相关领域的研究和实践提供一些参考和启发。
- 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)。
图像增强
空域滤波增强 领域平均法 中值滤波 边界保持类滤波 多图像平均法 梯度运算
拉普拉斯运算 频域滤波增强 低通滤波法 高通滤波法 带通和带阻滤波 同态滤波
空域滤波增强
（一）邻域平均法
大部分的噪声都可以看作是随机信号，对图
像的影响可以看作是孤立的。
图像增强
信息工程系图形图像研究室
一、图像增强的定义与实质
1、定义 为了改善视觉效果或便于人或计算机对图像的分 析理解，根据图像的特点或存在的问题所采取的
简单改善方法或加强特征的措施称为图像增强。
2、实质
有选择地加强图像中的某些信息，并且抑制掉另
外一些信息。
二、频域技术与空域技术
空间滤波器的工作原理可借助频域进行分析 。 •空间平滑滤波器 消除或减弱图像中灰度值具有较大较快变化 部分的影响，这些部分对应频域中的高频分量， 所以可用频域低通滤波来实现。 •空间锐化滤波器 消除或减弱图像中灰度值缓慢变化的部分， 这些部分对应频域中的低频分量，所以可用频域 高通滤波来实现。
g(i,j)很小，显示的是一片黑色，即显示灰度 变化比较剧烈的边缘轮廓。
（五）梯度锐化法
（2）第二种方法: 对梯度值超过某阈值T的像
素选用梯度值，而小于T时选用原像素点值。
f (i, j ) ， f (i, j ) T g (i, j ) 其他 f (i, j ) ，
适当的选取T，可以有效地增强边界而不影响
滤波后，200被去除。
（二）中值滤波
常用的窗口还有方形、十字形、圆形和环
形等。
中值滤波的常用窗口
（二）中值滤波
中值滤波对于消除孤立点和线段的干扰十分有用。 特别是对于二进噪声尤为有效，对于消除高斯噪声
的影响效果不佳。
对于一些细节较多的复杂图像，还可以多次使用不
同的中值滤波，然后通过适当的方式综合所得的结 果作为输出，这样可以获得更好的平滑和保护边缘 的效果。
中值滤波在抑制图像随机脉冲噪声方面甚为有效。
且运算速度快，可硬化，便于实时处理。
（二）中值滤波
例5、选用3×3及5×5的窗口进行中值滤波。
A = imread('E:\lena.bmp'); B=imnoise(A,'salt & pepper',0.02); imshow(B); K1 = medfilt2(B,[3,3]); %中值滤波 figure, imshow(K1); K2 = medfilt2(B,[5,5]); %中值滤波 figure, imshow(K2);
愈大，则图像的模糊程度越大 。 缺点：在降低噪声的同时使图像产生模糊，特 别在边沿和细节处，邻域越大，模糊越厉害。 改进：可以采用阈值法，即根据下列准则形成 平滑图像。
1 f ( m, n ) g ( x, y ) M ( m ,n )s f ( x, y )
1 若 | f ( x, y ) f (m, n) | T M ( m ,n )S 其他
（五）梯度锐化法
二元函数f (x,y)在坐标点(x,y)处的梯度定义为
f G x x f f G y y
梯度向量的幅度：
f 2 f 2 2 2 f mag(f ) [Gx G ] [( ) ( ) ] x y
（a）有噪声的图像
（b）模板1处理的结果图 （c）模板2处理的结果图
（d）模板3处理的结果图
（e）模板4处理的结果图
（二）中值滤波
邻域平均法：在去噪的同时也使边界变得
模糊了。
中值滤波：非线性的处理方法，在去噪的
同时可以兼顾到边界信息的保留。
选一个含有奇数点的窗口 W ，将这个窗口 在图像上扫描，把该窗口中所含的像素点 按灰度级的升（或降）序排列，取位于中 间的灰度值，来代替该点的灰度值。
Gy f (i, j 1) f (i, j)
（五）梯度锐化法
所有梯度值都和相邻像素之间的灰度差分 成比例。利用它来增强图像中景物的边界。 采用梯度进行图像增强的方法有： （1）第一种方法:使其输出图像的各点等于该点 处的梯度。即
g (i, j ) f (i, j )
缺点:输出的图像在灰度变化比较小的区域，
值和方差，按方差排序，最小方差所对应的模板的 灰度均值就是像素（m，n）的输出值。
3. 最小均方差滤波器
计算步骤如下： （1）按图做出9个模板，计算出各自的方差。 （2）选出方差为最小的模板。 （3）用该模板的灰度均值代替原像素的灰度值。
分析：若邻域含有尖锐的边缘，灰度方差必定很大， 而不含边缘或灰度均匀的邻域，方差就很小，那么最 小方差所对应的邻域就是灰度最均匀邻域。 通过这样的平滑既可以消除噪声，又能够不破 坏邻域边界的细节。
1. K近邻均值滤波器
模板为3×3，k＝3的K近邻均值滤波器。
K近邻均值滤波器
2. K近邻中值滤波器(KNNMF)
（1）作一个m×m的作用模板。 （2）在其中选择K个与待处理像素的灰度差为最小
的像素。 （3）用这中值滤波器
3. 最小均方差滤波器
对图像上待处理的像素（m，n）选它的5×5邻域。 在此邻域中采用图示9种模板，计算各个模板的均
比较平滑的背景。
（五）梯度锐化法
（3）第三种方法：对梯度值超过T的像素选用固定
灰度LG 代替，而小于T时仍选用原像素点值
, f (i, j ) T LG g (i, j ) 其他 f (i, j ) ,
这种方法可以使边界清晰，同时又不损害灰度变
化比较平缓区域的图像特性。
结果
100 100 100 100 111 100 100 100 100
常用的模板：
1 1 1 1 H1 1 2 1 10 1 1 1 1 2 1 1 H 2 2 4 2 16 1 2 1
1 1 1 1 H3 1 0 1 8 1 1 1
三、图像平滑
图像平滑是在图像噪声模型未知时消除噪声的一种常规 办法，其作用有两个： ①消除或减少噪声，改善图像 质量；②模糊图像，使图像看起来柔和自然。
领域平均法 空域平滑 中值滤波 边界保持类滤波 多图像平均法
方法分类 频域平滑
理想低通
巴特沃斯低通 指数低通
梯度低通
图像的空间域平滑
1 1 1 1 1 1 1 9 1 1 1
（二）中值滤波
原图
加噪声图
3×3中值滤波
5×5中值滤波
模板尺寸越大，图像越模糊，图像细节丢失越多
（三） 边界保持类滤波
1. K近邻均值滤波器（KNNF）
在m×m的窗口中，属于同一集合类的像素，它们
的灰度值将高度相关。 被处理的像素（对应于窗口中心的像素）可以用窗 口内与中心像素灰度最接近的k个邻近像素的平均 灰度来代替。 （1）作一个m×m的作用模板。 （2）在其中选择K个与待处理像素的灰度差为最小 的像素。 （3）用这K个像素的灰度均值替换掉原来的值。
（一）邻域平均法
邻域平均法实例
（一）邻域平均法
设当前待处理像素为f (m,n) ，给出一
个大小为3×3的处理模板。
模板示意图
（一）邻域平均法
例如：设图像中某一个区域为：
100 100 100 100 200 100 100 100 100
选取3×3模板
1 1 1 1 1 1 1 9 1 1 1
1 2 2 y
1
（五）梯度锐化法
为了降低运算量，常用绝对值或最大值运算 代替平方与平方根运算近似求梯度的幅度：
f | Gx | | G y |
f max(|Gx |, | Gy |)
数字图像，微分将用差分代替，而且由
水平和垂直两个方向模板组成。
Gx f (i 1, j ) f (i, j )
1 g ( x, y ) M 1 M
( i , j )S
g (i , j )
f (i , j ) 1 M
( i , j )S
( i , j )S
n(i , j )
f(x,y)为原始图，n(x,y)为噪声，
S：点(x,y)邻域内的点集，
M：S内总点数。
（一）邻域平均法
效果：邻域平均法效果与邻域半径有关。半径
（四）多幅图像平均
多幅图像平均法是利用对同一景物的多幅
图像取平均来消除噪声产生的高频成分 。
1 g ( x, y) M
f ( x, y) n ( x, y)
i 1 i i
M
1 f ( x, y) M
n ( x, y)
i 1 i
M
（四）多幅图像平均
图(a)为叠加了高斯 随机噪声的8bit灰 度级图像，图(b)、 图(c)、图(d)分别为 用4，8，16幅同类 图像进行平均的结 果。
(k , l ) W
f (m k , n l ), g (m, n) Median
（二）中值滤波
取3×3窗口
212 200 198 206 202 201 208 205 207
212 200 198 206 205 201 208 205 207
从小到大排列，取中间值
198 200 201 202 205 206 207 208 212
0 1 1 H4 2 4 0
1 4 1 1 4
0 1 4 0
例4、分别采用4种模板对图像进行处理。
I1 = imread('blood1.tif'); I=imnoise(I1,'salt & pepper'); %对图像加椒盐噪声 imshow(I); h1= [0.1 0.1 0.1; 0.1 0.2 0.1; 0.1 0.1 0.1]; %定义4种模板 h2=1/16.*[1 2 1;2 4 2;1 2 1]; h3=1/8.*[1 1 1;1 0 1;1 1 1]; h4=1/2.*[0 1/4 0;1/4 1 1/4;0 1/4 0]; I2=filter2(h1,I); %用4种模板进行滤波处理 I3=filter2(h2,I); I4=filter2(h3,I); I5=filter2(h4,I); figure,imshow(I2,[]) %显示处理结果 figure,imshow(I3,[]) figure,imshow(I4,[]) figure,imshow(I5,[])