数字图像处理之图像增强处理
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。
如何使用数字图像处理进行图像增强和分析
如何使用数字图像处理进行图像增强和分析数字图像处理是一门涵盖计算机科学、电子工程和数学等多个学科的交叉领域，它的主要目标是改善和增强图像的质量，并从图像中提取出有用的信息。
图像增强和分析是数字图像处理的两个主要方面，本文将探讨如何使用数字图像处理技术来进行图像增强和分析。
一、图像增强图像增强是指通过改进图像的视觉效果，使其更加鲜明、清晰、易于观察和理解。
在数字图像处理中，图像增强可以通过各种算法和滤波器来实现。
1. 灰度增强灰度增强是改变图像灰度级分布以提高图像对比度的方法。
最简单的灰度增强方法是直方图均衡化，它通过将图像的像素值映射到一个均匀分布的灰度级上，从而增加图像的对比度。
另外，还有一些基于直方图的自适应灰度增强方法，它们根据图像的局部统计特性来调整像素的灰度值，以获得更好的增强效果。
2. 锐化增强锐化增强是通过增强图像的边缘和细节来提高图像的清晰度和细腻度。
常用的锐化增强方法包括拉普拉斯算子和梯度算子等。
这些方法可以检测出图像中的边缘和纹理信息，并增强它们的对比度，从而使图像更加清晰。
3. 去噪增强噪声是数字图像中常见的干扰因素，会导致图像质量下降和信息丢失。
去噪增强是通过滤波器等方法来减少图像中的噪声，并恢复原始图像的细节和信息。
常用的去噪方法包括中值滤波、均值滤波和小波去噪等。
二、图像分析图像分析是从图像中提取和分析有用信息的过程，旨在理解图像的内在结构和内容。
图像分析在许多领域具有广泛的应用，如医学图像分析、目标检测与识别、图像分类与标注等。
1. 特征提取特征提取是图像分析中的重要步骤，它是指从图像中提取出能够描述图像内容和结构的数学特征。
常用的特征包括纹理特征、颜色特征、形状特征等。
特征提取可以通过滤波器、变换和统计方法等来实现，提取到的特征可用于图像分类、目标检测和识别等任务。
2. 目标检测与识别目标检测与识别是图像分析中的重要任务，它是指从图像中自动识别和定位感兴趣的目标物体。
数字图像处理的原理与方法
数字图像处理的原理与方法数字图像处理是一种将数字信号处理技术应用到数字图像上的科学技术，它的出现极大地推动了图像处理技术的发展。
数字图像处理不仅可以用于医学图像处理、卫星图像处理、工业检测等领域，还可以应用于数字影像娱乐等方面。
数字图像处理的核心内容就是图像增强、图像恢复、图像分割、图像识别等，本文将主要探讨数字图像处理的原理与方法。
一、图像增强处理图像增强处理是对原始图像进行改善的过程，也是数字图像处理中最普遍的操作类型。
通过增强处理，可以使图像局部特征更加明显，以便进行更高级的图像分析。
常见的图像增强方法包括灰度线性变换、灰度非线性变换、空域滤波增强、频域滤波增强等。
其中，空域滤波增强是最常见的一种方法。
通过对原始图像进行高斯滤波、中值滤波等操作，可以有效去除图像中的噪声。
二、图像恢复处理图像恢复处理是指从已知的图像信息中恢复出原始图像的过程，也是数字图像处理中一种重要的方法。
在数字图像处理中，图像的失真比如模糊、噪声等是不可避免的。
而图像恢复就是通过各种手段找到原始图像中所保留的信息，以恢复图像失真前的形态。
常见的图像恢复处理方法包括逆滤波、维纳滤波、约束最小二乘滤波等。
三、图像分割处理图像分割处理是将图像分割成若干具有独立意义的子区域的过程。
图像分割处理是数字图像处理中一种热门的研究领域，其主要应用于目标提取、图像分析和模式识别等方面。
常用的图像分割方法包括基于像素的算法、基于区域的算法、边缘检测算法等。
其中，基于区域的算法应用最广。
通过对相似区域进行聚类，可以将图像分割成若干子区域，从而实现目标提取等功能。
四、图像识别处理图像识别处理是指对图像进行自动识别的过程。
图像识别处理是数字图像处理中的一大领域，它的技术含量非常高。
常见的图像识别处理方法包括特征提取、模式匹配、神经网络等。
其中，特征提取是一种重要的处理方式。
通过对图像进行特征提取，可以将图像转化为数字特征，从而实现对图像的自动识别和分类。
数字图像处理_胡学龙等_第04章_图像增强
直方图均衡化
通过对原图像进行某种变换，使得图像的直 方图变为均匀分布的直方图 。
灰度级连续的灰度图像：当变换函数是原图 像直方图累积分布函数时，能达到直方图均 衡化的目的。 对于离散的图像，用频率来代替概率 。 【例4.2】假定有一幅总像素为n＝64×64的图 像，灰度级数为8，各灰度级分布列于表4.1 中。试对其进行直方图均衡化。
• 4.3.2増晰原理 • 同态増晰采用合适的滤波特性函数，可以即使图 像灰度动态范围压缩，又能让感兴趣的物体图像 灰度扩展，从而是图像清晰。 • 图像是物体对照明光的反射，自然景物图像是由 两个分量乘积组成的，即照明函数和反射函数的 乘积。 • 图像的灰度由照明分量和反射分量合成，反射分 量反映了图像的实际内容（细节，纹理，边缘 等），随图像细节不同在空间上做快速变化，其 频谱落在空间高频区域。 • 而照明分量在空间上均具有缓慢变化的性质，其 频谱落在空间低频区域。 • 因此可通过傅里叶变换将两者分开，进行同态滤 波。
a’=0，b’=255。
实现的程序：
• • • • • A=imread('pout.tif'); %读入图像 imshow(A); %显示图像 figure,imhist(A); %显示图像的直方图 J1=imadjust(A,[0.3 0.7],[]); %函数将图像在0.3*255~0.7*255灰度之间 的值通过线性变换映射到0~255之间 • figure,imshow(J1); %输出图像效果图 • figure,imhist(J1) %输出图像的直方图
• 基本思想：按照高通滤波器设计，压缩低 频分量，提升高频分量。 • 照明函数频率变化缓慢，幅度变化大，数 字化占用位数多，所以要压缩； • 反射函数频率变化快，灰度变化很小，层 次不清，细节不明，应该扩展。
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。
精品课件-HALCON数字图像处理-第6章 图像增强
式。
分类： 频域法：直接对图像的像素灰度值进行操作。包括图像的
灰度变换、直方图修正、图像空域平滑和锐化处理、彩色增强 等。
空域法：在图像的变换域中，对图像的变换值进行操作， 然后经逆变换获得所需的增强结果。常用的方法包括低通滤 波 、高通滤波以及同态滤波等。
二、为什么要增强图象？ 图像在传输或者处理过程中会引入噪声或使图像变模 了 困难。
Digital Image
6.0 概 述
三、目的： 1.改善图像的视觉效果，提高图像的清晰度； 2.将图像转换成一种更适合于人或机器分析处理的形式。
注意：在图像增强的过程中，没有新信息的增加， 只是 通过压制一部分信息，从而突出另一部分信息。
( f (m, n)
)
其中λ 和γ 为常数。为避免时底数为0的情况，增加偏移量 ε 。γ 值的选择对于变换函数的特性有很大影响，当γ ＜ 1 时会将原图像的灰度向高亮度部分映射，当γ ＞1时向低亮度部 分映射，而当γ =1时相当于正比变换。灰度指数变换的图 像 示例如图4.1.5所示。
Digital Image
)=
nnj
0.19
0.25
0.21 0.24 0.11
6.2 图像的直方图修正
图4.2.3给出了直方图均衡化的示意图。从图和表中可以看 出，由于 数字图像灰度取值的离散性，通过四舍五入使变换后 的分灰布度，值但。出相现比了于归原直并现方象图，要而平使坦变得换多后的直方图并非完全均匀
图4.2.3 直方图均衡化的示意图
第6章
图像增强
◆ 6.0 ◆ 6.1 ◆ 6.2 ◆ 6.3 ◆ 6.4 ◆ 6.5 ◆ 6.6
数字图像处理 实验二 图像增强
福建农林大学信息工程类实验报告系： 信息与机电工程系 专业： 电子信息工程 年级： 2009级 姓名： 庄建军 学号： 092230069 实验课程： 数字图像处理 实验室号：_ 实验1楼607 实验设备号： F5 实验时间： 2012.6.1 指导教师签字： 成绩：实验二 图像增强一、 实验目的1.掌握灰度直方图的概念及其计算方法；2.熟练掌握直力图均衡化和直方图规定化的计算过程；3.掌握平滑处理的算法和用途，学习使用均值滤波、中值滤波和拉普拉斯锐化进行图像增强处理的程序设计方法；4.了解噪声模型及对图像添加噪声的基本方法；5.利用MATLAB 程序进行图像增强。
二、 实验原理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，消弱或去除某些不需要的信息的处理方法。
其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。
图像增强技术主要有直方图修改处理、图像平滑化处理、图像尖锐化处理和彩色处理技术等。
1、直方图均衡化通过点运算将输入图像转换为在每一级上都有相等像素点数的输出图像。
按照图像概率密度函数PDF 的定义：1,...,2,1,0 )(-==L k n n r p k k r通过转换公式获得：1,...,2,1,0 )()(00-====∑∑==L k n n r p r T s k j kj j j r k k2、均值（中值）滤波是指在图像上，对待处理的像素给定一个模板，该模板包括了其周围的临近像素。
将模板中的全体像素的均值（中值）来代替原来像素值的方法。
3、拉普拉斯算子如下：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--------111181111拉普拉斯算子首先将自身与周围的8个像素相减，表示自身与周围像素的差异，再将这个差异加上自身作为新像素的灰度。
三、 实验步骤1打开计算机，启动MATLAB 程序；程序组中“work ”文件夹中应有待处理的图像文件；2调入待处理的数字图像，并进行计算机均衡化处理；3启动MATLAB 程序，对图像文件分别进行直方图均衡化、均值滤波、中值滤波和拉普拉斯锐化操作；添加噪声，重复上述过程观察处理结果。
数字图像处理实验报告——图像增强实验
实验报告课程名称数字图像处理导论专业班级_______________姓名_______________学号_______________电气与信息学院和谐勤奋求是创新2.编写函数w = genlap lacia n(n)，自动产生任一奇数尺寸n的拉普拉斯算子，如5×5的拉普拉斯算子w = [ 1 1 1 1 11 1 1 1 11 1 -24 1 11 1 1 1 14.采用不同的梯度算子对b lurry_moon.tif进行锐化滤波，并比较其效果。
[I,m ap]=im read('trees.tif');I=double(I);subplo t(2,3,1)imshow(I,m ap);title(' Original Im age');[Gx,Gy]=gradie nt(I); % gradie n t calcul ationG=sqrt(Gx.*Gx+Gy.*Gy); % matrixJ1=G; % gradie nt1subplo t(2,3,2)imshow(J1,m ap);title(' Operator1 Im age');J2=I; % gradie nt2 K=find(G>=7);J2(K)=G(K);subplo t(2,3,3)im show(J2,m ap);title(' Operator2 Im age');J3=I; % gradie n t3 K=find(G>=7);J3(K)=255;subplo t(2,3,4)im show(J3,m ap);title(' Operator3 Im age');J4=I; % gradie n t4 K=find(G<=7);J4(K)=255;subplo t(2,3,5)im show(J4,m ap);title(' Operator4 Im age');J5=I; % gradie nt5 K=find(G<=7);J5(K)=0;Q=find(G>=7);J5(Q)=255;subplo t(2,3,6)im show(J5,m ap);title(' Operator5 Im age');5.自己设计锐化空间滤波器，并将其对噪声图像进行处理，显示处理后的图像；附录：可能用到的函数和参考结果**************报告里不能用参考结果中的图像1)采用3×3的拉普拉斯算子w = [ 1, 1, 1; 1 – 8 1; 1, 1, 1]滤波I=im read('moon.tif');T=double(I);subplo t(1,2,1),im show(T,[]);title('Origin al Im age');w =[1,1,1;1,-8,1;1,1,1];K=conv2(T,w,'sam e');subplo t(1,2,2)im show(K);title('Laplacian Transf orm ation');图2.9 初始图像与拉普拉斯算子锐化图像2)编写函数w = genlap lacia n(n)，自动产生任一奇数尺寸n的拉普拉斯算子，如5×5的拉普拉斯算子：w = [ 1 1 1 1 11 1 1 1 11 1 -24 1 11 1 1 1 11 1 1 1 1]functi on w = genlap lacia n(5)%Com put es the Laplac ian operat orw = ones(n);x = ceil(n/2);w(x, x) = -1 * (n * n - 1);3)分别采用5×5，9×9，15×15和25×25大小的拉普拉斯算子对blurry_mo on.tif进行锐化滤波，并利用式完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
- 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)。
图像增强的主要目的是提高图像的质量和可辨识度，使图像更有利于观察或者进一步分析处理
边缘信息、轮廓信息和对比度进行突出或者增强，
空间域图像增强技术主要有灰度变换和直方图方法
图像质量评价
主观评价法主观质量评分法人类视觉感受缺乏稳定性
客观评价法误差分析法
均方误差（MSE）
峰值信噪比（PSN）
图像灰度操作函数
imadjust() 可以进行灰度调整，改变图像的亮暗度，对彩色图像进行增强处理
stretchlim()获取灰度图像的最佳区间
直方图增强法
imhist();
[counts,x]=imhist();
stem(x,counts);
直方图均衡化
histeq(I,m)
直方图规定化
histeq(I,hgram);
图像的统计特性
mean2()计算灰度图像和彩色图像的灰度或颜色均值
std()计算向量的标准差
std2()计算矩阵的标准差
图像的相关系数
corr2()计算两个图像之间的相关系数或者相似度
图像的等高线
imcontour(I,n)
空间域滤波总结（邻域就是空间域）空间域滤波和邻域处理边界处理
什么是噪声？
一般来说，图像具有局部连续性质，即相邻像素的数值相近，而噪声的存在使得在噪声点处产生灰度跳跃
边界处理
执行滤波操作时，要注意当模版位于图像边缘时，模版的某些元素很可能会位于图像之外的情况，这时要对边缘附近执行滤波操作单独处理
以避免引用到本不属于图像的无意义的值，有三种策略1.收缩处理范围，处理时忽略位于图像f边界附近会引起问题的那些点
2.使用常数填充图像。
自动添加虚拟边界，保证模版在移动过程中时钟不会时钟超出边界
3.使用复制像素的方法填充图像，复制图像f本身边界的模式
什么是卷积滤波？
普通的滤波是相关滤波。
卷积和普通空间域滤波在本质有不同，卷积时模版是相对其中心点做镜像后再对f位于模版下的子图像做加权和的，或者说在做加权和之前，模板先要以其中心点为原点旋转180度。
注意，只有当模板本身是关于中心点对称时相关和卷积的结果才会相同。
模版矩阵注意点
每个模板矩阵都必须满足其矩阵元素之和为1，这样就能让新图像同原始图像保持在一个灰度范围
-------------------------------------------------------------------------------------------------------------------------
线性空域滤波------对应于频域中的低通滤波信号的低频部分通过，阻止高频部分通过
图像边缘处于高频部分，线性平均滤波后，会造成图像边缘的模糊
imfilter() 完成滤波操作
g = imfilter(原图像矩阵，滤波矩阵，option1,option2)选项有边界选项，尺寸选项，模式选项。
conv2(待处理图像，滤波矩阵) 可以对灰度图像进行滤波操作
filter2(滤波器,图像矩阵)
fspecial(滤波类型，参数)
思路：使用fspecial()生成滤波模版，使用filter2(滤波器,图像矩阵)或者imfilter()
执行滤波操作
图像平滑：就是消弱图像的灰度跳变部分，平滑的是噪声，希望不要涉及边缘
均值平滑:平均模板---对邻域的像素一视同仁，
标准高斯平滑：高斯模板---适当的加大模版中心点的权重，随着原理中心点，权重迅速减小，从而可以确保中心点看起来更接近于与它距离更近的点
》》》》》自适应的高斯平滑滤波：有算法思想，但是matlab中还没有实现。
只在噪声局部区域进行平滑，而在无噪声局部区域不进行平滑，将模糊的影响降到最小
局部存在噪声的判据：
1.局部区最大值与最小值之差大于某一阀值T，则认为该局部区域存在噪声
2.局部区域方差大于某一阀值T
||算法：
逐行扫描图像；
对每一个像素，以该像素作为中心，计算其周围区域R
的统计特征，如最大值，最小值和方差；
如果区域R的特征满足特定的噪声判据
根据选定的模版计算邻域甲醛和作为该点的响应
否则
不处理该点
非线性空域滤波-------中值滤波（统计排序滤波器），顺序统计滤波和自适应滤波
中值滤波--保护边缘的非线性图像平滑方法（对于原图像中的某一点（i,j）,中值滤波以该点为中心的邻域内的所有像素的统计排序中值作为（i,j）点的响应）
中值滤波在降噪同时引起的模糊效应较低。
在中值滤波中噪声点则常常是直接被忽略掉的，而在均值滤波等线性平滑滤波中，噪声参与了运算，影响最终的响应。
所以中值滤波一般常用于去除椒盐噪声，效果优于均值滤波
二维中值滤波
medfilt2(图像矩阵)
》》》》》》一种改进的中值滤波策略 --- 自适应中值滤波，可以完美滤除噪声，还能更好的保留图像细节，以及边缘。
噪声点和边缘点同样是灰度变化较为剧烈的像素，普通的中值滤波在改变噪声点灰度值的时候，会一定程度地改变边缘像素灰度值。
但是噪声点几乎都是邻域像素的极致，而边缘往往不是。
因此可以利用这个特性来限制中值滤波。
||算法：
逐行扫描图像：
当处理每一个像素时，判断该像素是否是滤波窗口所覆盖下邻域像素的极大或者极小值。
如果是，则采用正常的中值滤波处理该像素；如果不是，则不去处理。
石建忠这种方法能够非常有效地去除突发噪声点，尤其是椒盐噪声，而几乎不影响边缘。
《《《作为非线性滤波，中值滤波有可能会改变图像的性质，因而一般不适用于像军事图像处理、医学图像处理。
排序滤波
ordfilt2()
ordfilt2(I,madian(1:m*n,[m,n])等价于medfilt() wiener2(); 自适应滤波，根据局部方差来调整滤波器的输出
----------------------------
图像锐化就是增强图像的灰度跳跃，锐化的对象是边缘，希望处理不要涉及噪声
对于模糊的图像，通过锐化滤波器能够补偿图像的轮廓，让图像变得清晰
Robert交叉梯度
w1 = [-1 0; 0 1] 对接近45度边缘有较强响应
w2 = [0 -1; 1 0] 对接近-45度边缘有较强响应
G = G1+G2;
Sobel梯度
w1 = [-1 -2 -1; 0 0 0 ; 1 2 1]对水平边缘有较大响应的竖直梯度
w2 = [-1 0 1 ;-2 0 2; -1 0 1] 对竖直边缘有较大响应的水平梯度
锐化滤波器常用拉普拉斯算子
f(i,j) = f(i+1,j) +f(i-1,j) +f(i,j+1) +f(i,j-1) +-4f(i,j)
滤波模版
H = [0 1 0;1 -4 1; 0 1 0] 这种模版对于90度的旋转是各向同性的
H1 = [ 1 1 1;1 -8 1;1 1 1] 这种模版对于45度的旋转是各向同性的
H2 = [1 4 1;4 -20 4 ;1 4 1] 高斯平滑模版的思想
高提升滤波
把增强边缘和细节的同时仍然保留原图像中的信息
注意：无论是基于一阶微分的Robert,Sobel模版还是基于二姐微分的拉普拉斯模版，其中各系数和均为0，
这说明算子在灰度恒定区域的响应为0，即在锐化处理后的图像中，原图像的平滑区域近乎于黑色，
而原图中所有的边缘，细节和灰度跳变点都作为黑背景中的高灰度分布突出显示
思路：
1，图像锐化
2，原图像与锐化图像的按比例混合
3，混合后的灰度调整（归一化至[0~255]）
高斯-拉普拉斯变换（LoG）
问题：锐化在增强了边缘和细节的同时也往往增强了噪声，因此区分开噪声和边缘是锐化中要解决的一个核心问题。
解决：“强强联合”，可以先用高斯平滑进行平滑滤波，再进行锐化增强边缘和细节。
频率域图像增强
首先通过傅立叶变换将图像从空间域转换为频率域，然后在频率域内对图像进行处理，最后通过傅立叶反变换转换到空间域。
频率域内的图像增强通常包括低通滤波、高通滤波和同态滤波
在空间域的卷积运算变成了在频率域的乘积运算
低通滤波----低频通，高频阻止
效果：图像去噪声平滑增强，但同时也抑制了图像边界，造成图像不同程度上的模糊
理想低通滤波器
巴特沃斯低通滤波器
高斯低通滤波器
高通滤波----高频通，低频阻
效果：使图像得到锐化处理，突出图像的边界，
缺点：经过理想高频滤波后的图像把信息丰富的低频去掉了,丢失了许多必要的信息，
高通滤波器加上一个全通滤波器组成，高频加强滤波
理想高通滤波器
巴特沃斯高通滤波器
高斯高通滤波器
带阻滤波器是用来抑制距离频域中心一定距离的一个圆环区域的频率，用来消除一定频率范围的周期噪声。
理想带阻滤波器
巴特沃斯带阻滤波器
高斯带阻滤波器
同态滤波----用于压缩图像灰度的动态范围，且增强对比度
因为人眼视觉系统对图像亮度具有类似于对数运算的非线性特性
照射分量和光源有关，通常用来表示慢的动态变化，决定一幅图像中像素能达到的动态范围。
反射分量由物体本身特性决定，表示灰度的急剧变化部分
照射分量和傅立叶变换后的低频分量相关，反射分量和高频分量相关。