图像预处理综述

《计算机视觉技术》作业

图像预处理综述

在图像信息输入系统获取原图像的过程中，由于所通过的传输介质的实际性能和接收设备性能的限制,不可避免地存在着外部干扰和内部干扰，因此所获得的图像通常都含有各种各样的噪声和畸变，大大影响了图像的质量。因此，在对图像进行分析之前，必须先对图像质量进行改善，通常采用图像增强的方法。

图像增强作为一种预处理技术，能使处理后的图像比原图像更适合于参数估计、图像分割和目标识别等后续图像分析工作。它不会考虑引起图像质量下降的原因，而是将图像中感兴趣的特征有选择的突出，并衰减不需要的特征。其主要目的有两个：一是改善图像的视觉效果，去除噪音，提高图像成分的清晰度；二是使图像变得更有利于计算机处理。因此,图像增强技术的研究是图像处理、计算机视觉和模式识别中的一项重要内容。

图像增强的方法一般分为空间域和变换域两大类。空间域方法通常都是先求取图像的灰度直方图，对灰度直方图处理后，求得映射函数，将原图像进行灰度映射。该类方法适用于对灰度级动态范围的控制，计算量较小，其中常用的是直方图均衡方法(HE)和平台直方图均衡方法(PE)，具有一定的自适应性；而变换域方法是在图像的某个变换域中对变换系数进行处理，然后通过逆变换获得增强图像。直方图均衡化算法和降噪滤波法是图像增强空间域法中最常用的算法。

1 直方图均衡化算法

图像直方图均衡化是图像预处理中一种十分重要的分析工具，它能够反映数字图像的概貌性描述。例如：图像的灰度范围，灰度的分布，整幅图像的平均亮度和阴暗对比度等。直方图均衡化也叫直方图均匀化，就是把给定图像的直方图分布改变成均匀分布的直方图，它是一种比较常用的灰度增强算法。直方图有以下特点：

1) 直方图是一幅图像中各像素灰度出现频次的统计结果，它只反映图像中不同灰度值出现的次数，而不反映某一灰度所在的位置。

2) 任何一幅图像，都有惟一确定的与它对应的直方图，但不同的图像可能有相同的直方图。

3) 由于直方图是对具有相同灰度值的像素统计得到的，因此，一幅图像各子区的直方图之和就等于该图像全图的直方图。

直方图均衡化是把原始图像的直方图变换成均匀分布的形式，是以累计变换函数分布为基础的，从而产生一幅灰度级分布具有均匀概率密度的图像。它以概率理论作基础，运用灰度点运算来实现直方图的变换，从而达到图像增强的目的。

直方图均衡化算法如下:

(1) 计算原始图像的所有灰度级k s ,0,1,

,1k L =-; (2) 统计原始图像各灰度级的像素数k n ;

(3) 计算原始图像的直方图:

()()0,1,,1k k p k L n n s ==-

(4) 计算原始图像的累计直方图：

()()00,1,,1k k t t p k L t s ===-∑

(5) 取整计算：

()int 1k k k N N t t =??-+???

? (6) 定义映射函数：k k s t →；

(7) 统计新直方图的各灰度级的像素数；

(8) 计算新的直方图。

由以上可知，在具体应用这种经典的直方图均衡化算法处理后的图像中，有可能存在以下的不足:

(1) 输出图像的灰度分布直方图虽然接近均匀分布，但其值与理想值1n

仍有可能存在较大的差异，并非是最佳值，故只是近似完全均衡。

(2) 减少图像的灰度级来换取对比度的扩大，而灰度等级的减少比较容易造成图像一些细节信息的丢失。

(3) 输出图像的实际灰度变化范围很难达到图像格式所允许的最大灰度变化范围。

针对上述不足，可以采用局部增强法来实现对细节的增强，但是不能改善整幅图像的动态范围。所以可以考虑将两种方法结合起来，从而弥补各自的不足。

目前还有很多种改进的直方图均衡化算法，例如：Kamel 等人提出了基于空间相关性的直方图均衡算法，此算法统计的不是灰度而是灰度的相关性。从仿真效果看，此方法在抑制噪声的同时对图像细节的增强确有改善，但为了得到灰度的相关性所做的运算量是比较大的；还有一种被称为POSHE 方法的分块直方图均衡算法，该算法的一大优点是能最大程度的增强图像细节部分，但它的计算量较大，而且有的图像分块之后效果也不是很好。

2 降噪滤波法

降噪滤波是图像预处理的一个基本环节，均值滤波与中值滤波是比较常用的方法。

一般来说，为了消除或削弱噪声对图像处理的影响，可以对图像进行平滑滤波。图像的平滑滤波去噪算法可分为线性与非线性方法，在数字图像处理的早期研究中线性滤波器是主要的处理手段，因为线性滤波器具有简单的数学表达形式和某些理想的特性，故很容易设计和实现。其中均值滤波器就是一种简单、方便的线性滤波器。 均值滤波器的滤波算法又叫邻域平均法，这种方法的基本思想是：对于给定的图象(),f x y 中的每个像点(),x y ，取其邻域为,x y s ，设S x,y 含有M 个像素，则取其平均值作为处理后所得图像像点(),x y 处的灰度。用一像素邻域内各像素灰度平均值来代替该像素原来的灰度，就是邻域平均技术。邻域平均法有力地抑制了噪声，同时也由于平均而引起了模糊现象，模糊程度与邻域的半径成正比。为了尽可能地减少模糊失真，要采用一定的措施减少由于邻域平均而产生的模糊效应。

《计算机视觉技术》作业

均值滤波器的数学模型如下

()()1

,,f x y f x y M =∑

上述方法也可称为算术均值滤波器，除此之外，还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器等。借助于均值滤波器的基本思想，可以将其定义如下：用一个具有奇数值的滑动窗()21,A A k k =+为正整数在变形数据列12x=,,,n x x x ????上滑动，将窗口中心点所对应的数据点的值用窗口内各个数据点的

平均值来代替，即 ()1i i k i i k i mean n x x x x x -+??==

++++?? 滤波后的数据列为12,,k k n k x x x x ++-??=??

，如此一来，对于含有高斯噪声的观测数据，经过滤波后可以有效地将噪声提出，变形数据列将会变得平滑一些。其中，变形数据列的平滑程度与滑动窗口A 的大小有关，窗口越大，其除噪能力越强，但会造成某些变形细节信息的丢失，窗口越小，其除噪能力越弱，但其能够较好地保留变形信息的细节部分。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。它是一种领域运算，类似于卷积，但是计算的不是加权求和，而是把领域中的像素按灰度级进行排序，然后选择改组的中间值作为输出像素值。它能减弱或消除傅立叶空间的高频分量，但影响低频分量。因为高频分量对应图像中的区域边缘的灰度值具有较大较快变化的部分，该滤波可将这些分量滤除，使图像平滑。对于一幅图像的象素矩阵，取以目标象素为中心的一个子矩阵窗口，这个窗口可以是3355??或等，可根据需要选取，窗口的形状常用的有方形、十字形和圆形等。对窗口内的象素灰度排序，取中间一个值作为目标象素的新灰度值。它有以下几个优点：

(1) 非线性滤波。由于叠加原理此时不再成立，因此中值滤波是一种非线性滤波。 (2) 保边缘性。设输入信号的某个区域可分为两个连续的小区域，每个小区域的灰度值各为一常数。两个小区域的分界点称为边缘，即边缘是那么一些点的集合，它的任何邻域包含这两个小区域的象素，中值滤波在边缘点上的输出不变。

(3) 消除脉冲噪声。设在一常数邻域里有脉冲噪声，脉冲噪声的面积定义为滤滤

窗口内被噪声污染的象素的个数，则当脉冲噪声的面积小于2

N 时，中值滤波将消除这种脉冲型干扰，输出值为窗口内原图像邻域的常数值。

(4) 当窗口内各象素值经过排序后成为一单调递增序列时，中值滤波的输出值不会是这个序列的最小值和最大值。

(5) 均值滤波平滑高斯白噪声的能力优于中值滤波。

(6) 根据次序统计量有关分布函数和分布密度的结论，设母体X 的密度函数为()X x f ，分布函数为()X

x F 窗口内各象素的值从小到大排序为： ()()()()()1212,,,,N N

X

X X Y Y Y = (1) 则中值Y 的密度函数为:

()()()()21122!1!21N N Y X N y y X X N y y f f F F --=?-??? ???????-????????

中值滤波的具体实现步骤是：

(1) 将模板在图像中漫游，并将模板中心与图像中某个像素的位置结合；

(2) 读取模板下各对应像素的灰度值；

(3) 将这些灰度值从小到大排成一列；

(4) 找出这些值里排在中间的一个；

(5) 将这个中间值赋给对应模板中心位置的像素：

可以看出，中值滤波的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点。虽然中值滤波技术在衰减噪声的同时能较好的保护图像的边缘，但由于其仅考虑滤波窗内输入数据的排序信息，而未考虑输入数据的时序原信息，故在图像处理中会产生边缘抖动，并会删除一些重要的图像细节，如：细线，拐角等，使图像的边缘会变得模糊。

综述，图像增强的方法虽有很多种，但它对各种不同的类别具有不同的增强效果，应具体问题具体分析，只有根据图像增强的具体目的选择相应的增强方法，才能达到期望的效果，由以上分析可以看出直方图均衡化与降噪滤波各有优缺点。因此可以尝试将两种方法结合起来，应该能够发挥它们各自的优点，能够更好的效抑制图像噪声，提高图像清晰度，以达到图像增强的目的。

参考文献？