图像处理之直方图匹配.
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
数字图像处理技术PPT图像数字化和直方图
二、图像的数字化
4．量化技术
量化可分为均匀量化和非均匀量化。 均匀量化是简单地在灰度范围内等间隔 量化。非均匀量化是对像素出现频度少 的部分量化间隔取大，而对频度大的量 化间隔取小的量化间隔。
一般情况下，对灰度变化比较平缓的部分用比较多的量化级， 在灰度变化比较剧烈的地方用比较高的分辨率。
量化
一、数字图像的概念与描述
2．灰度图像
灰度图像是指每个像素的信息由 一个量化的灰度级来描述的图像，没 有彩色信息。
0 150 200 I 120 50 180 250 220 100
灰度图像描述示例
一、数字图像的概念与描述
3．彩色图像
彩色图像是指每个像素的信息由 RGB三原色构成的图像，其中RGB是 由不同的灰度级来描述的。
三基色原理
大自然中的颜色都可以通过红、绿、蓝三色按照 不同的比例合成产生，同样绝大多数单色光也可 以分解成红绿蓝三种色光。即三基色原理。 三种基色是相互独立的，红绿蓝三基色按照不同 的比例相加合成混色称为相加混色： 红色+绿色=黄色 绿色+蓝色=青色 红色+蓝色=品红 红色+绿色+蓝色=白色
彩色图像描述
采样间隔效果示意图
返回
均匀量化效果示意图
返回
非均匀量化效果示意图
返回
均匀量化与非均匀量化效果的比较
返回
量化与采样的效果图例
原图
低灰度级量化
低分辨率 返回
黑白图像
返回
灰度图像
返回
彩色图像
返回
彩色图的灰度直方图
返回
灰度图的灰度直方图
返回
灰度分布效果比较示意图
(最新)ENVI对图像进行配准、校正、拼接、裁剪
目录第一部分利用ENVI对图像进行配准-校正-拼接-裁剪 (2)一、图像配准与校正 (2)（一）基础知识 (2)（二）ENVI操作 (4)二、图像镶嵌（图像拼接） (16)（一）基础知识 (16)（二）ENVI操作 (16)三、图像裁剪 (20)（一）基础知识 (20)（二）ENVI操作 (21)第二部分：下载影像及介绍 (26)（一）基本信息 (26)（二）日期信息 (26)（三）云量信息 (26)（四）空间信息 (26)第一部分利用ENVI对图像进行配准-校正-拼接-裁剪一、图像配准与校正（一）基础知识1、图像配准就是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。
2、几何校正是指利用地面控制点和几何校正数学模型，来矫正非系统因素产生的误差，非系统因素如传感器本身的高度、地球曲率、空气折射或地形等的影响。
由于校正过程中会将坐标系统赋予图像数据，所以此过程包括了地理编码。
简单来说，图像校正是借助一组控制点，对一幅图像进行地理坐标的校正。
本文将采用地面控制点+校正模型的几何校正方式中的Image to Image，利用Image格式的基准影像对2006年兰州TM影像进行配准与校正。
3、图像选点原则[1]选取图像上易分辨且较精细的特征点，如道路交叉点、河流弯曲或分叉处、海岸线弯曲处、飞机场、城廓边缘等。
[2]特征变化大的地区需要多选。
[3]图像边缘部分一定要选取控制点。
[4]尽可能满幅均匀选取。
[5]保证一定数量的控制点，不是控制点越多越好。
4、数理知识：[1]多项式模型x=a0+a1X+a2Y+a3X²+a4XY+ a5Y²+....y=b0+ b1X+b2Y+b3X²+ b4XY +b5Y²+ ....X，Y：校正前该点的位置；x，y：校正后该点的位置[2]最少控制点个数： ( n+1 )²[3]误差计算：RMSEerror= sqrt( (x' -x)²+ (y' -y)²)5、重采样方法（插值算法）[1]最近邻法概念：取与所计算点( x，y )周围相邻的4个点，比较它们与被计算点的距离，哪个点距离最近就取哪个亮度值作为 ( x，y )点的亮度值优点：简单易用，计算显小缺点：图像的亮度具有不连续性，精度差[2]双线性内插法概念：取(x，y)点周围的4个邻点，在y方向内插2次，再在x方向内插1次，得到( x，y)点的亮度值 f ( x，y)优点：双线性内插法比最近邻法虽然计算虽有所增加，但精度明显提高，特别是对亮度不连续现象或线状特征的块状化现象有明显的改善。
直方图
j 0 j 0 k k
nj n
乘以n，再四舍五 入取整
44
说明
由于数字图像灰度取值的离散性，通过四 舍五入使得变换后的灰度值出现了归并现 象，从而致使变换后的图像并非完全均匀 分布，但是相比原始直方图要均匀得多
直方图修正
2.直方图规定化/直方图匹配 在某些情况下，并不一定需要具有均匀直 方图的图像，有时需要具有特定的直方图 的图像，以便能够增强图像中某些灰度级。 直方图规定化方法就是针对上述思想提出 来的。 直方图规定化是使原图像灰度直方图变成 规定形状的直方图而对图像作修正的增强 方法
0.89
0.95 0.98 1.00
6/7
1 1 1
s3=6/7
985
0.24
s4=1
448
0.11
41
例：
原图像的直方图
均衡后图像的直方图
42
例：直方图均衡化示例
43
例：
思考问题： 若在原图像一行上连续8个像素的灰度值分 别为：0、1、2、3、4、5、6、7，则均衡 后，对应的灰度值为多少？
46
直方图规定化
可见，它是对直方图均衡化处理的一种有 效的扩展。直方图均衡化处理是直方图规 定化的一个特例 对于直方图规定化，下面仍从灰度连续变 化的概率密度函数出发进行推导，然后推 广出灰度离散的图像直方图规定化算法
47
直方图规定化
假设pr(r)和pz(z)分别表示已归一化的原始 图像灰度分布的概率密度函数和希望得到 的图像的概率密度函数 首先对原始图像进行直方图均衡化，即求 变换函数：
H Pi log2 Pi
i 0 L 1
17
用MATLAB统计图像直方
02
imhist(I); % 计算并显示归一化直方图
03
```
04
直方图均衡化
直方图均衡化的定义
直方图均衡化是一种图像处理技术， 通过对图像的灰度直方图进行变换， 改善图像的对比度，增强图像的细节 和清晰度。
通过扩展图像的灰度级别范围，使得 图像的细节更加突出，提高图像的可 视化效果。
Matlab实现直方图均衡化
01 使用Matlab中的`histeq`函数，可以对图 像进行直方图均衡化处理。
02 首先，读取图像文件并将其转换为灰度图 像。
03
然后，使用`histeq`函数对灰度图像进行直 方图均衡化处理。
04
最后，显示处理后的图像。
直方图均衡化的效果
01
02
03
直方图均衡化可以显著 改善图像的对比度，增 强图像的细节和清晰度
彩色图像直方图
示例代码
1
```matlab
2
3
I = imread('image.jpg'); % 读取彩色图像
彩色图像直方图
imhist(I); % 计算并显示彩色直方图 ```
归一化直方图
归一化直方图
归一化直方图是一种将像素值范围限制在特定范围内的直方图，可以更好地反映图像的细节和特征。 在Matlab中，可以使用`imhist`函数计算归一化直方图。
直方图可以用于提取图像中的特征，如边缘、纹理等，也可以用于 图像分割，将图像划分为不同的区域。
直方图的计算方法
01
累积直方图
02
归一化直方图
首先计算原始直方图，然后将每个像 素强度值的频数累加起来，得到累积 直方图。累积直方图可以用于快速查 找特定像素强度值的范围。
图像处理复习题
一．名词解释（20=4*5）•1.数字图像：一副图像可以定义为一个二维函数f（x,y），其中x、y是空间坐标，而f在任意一对坐标（x、y）处的幅度称为该点处的图像的亮度和灰度，当x、y和f的幅值都是有限的离散值时，该图像为数字图像。
•2.什么是信噪比？信号强度与同时发出的噪音强度之间的比率称为信噪比。
•3.直方图：表示数字图像处理中的每一灰度级与其出现的概率间的统计关系。
横坐标表示灰度级，纵坐标表示频数。
《统计每一个像素灰度级的个数》4.灰度直方图：将数字图像中的所有像素，按照灰度值的大小，统计其所出现的频率（直方图上的一个点：图像中存在的等于某个灰度值的像素点的个数的多少）*5.连通的定义：对于具有值V的像素p和q ,如果q在集合N8(p)中,则称这两个像素是8-连通的。
6.中值滤波：中值滤波是指将当前像元的窗口（或领域）中所有像元灰度由小到大进行排序，中间值作为当前像元的输出值。
7.像素的邻域：邻域是指一个像元（x，y）的邻近（周围）形成的像元集合。
即{（x=p,y=q）}p、q为任意整数。
像素的四邻域：像素p(x,y)的4-邻域是:(x+1,y),(x-1,y) ,(x,y+1), (x,y-1)8.无失真编码: 无失真编码是指压缩图象经解压可以恢复原图象，没有任何信息损失的编码技术。
9.直方图均衡化：直方图均衡化就是通过变换函数将原图像的直方图修正为平坦的直方图，以此来修正原图像之灰度值。
10.采样：对图像f(x,y)的空间位置坐标（x,y）的离散化以获取离散点的函数值的过程称为图像的采样。
11.量化：把采样点上对应的亮度连续变化区间转换为单个特定数码的过程，称之为量化，即采样点亮度的离散化。
12.灰度图像：指每个像素的信息由一个量化的灰度级来描述的图像，它只有亮度信息，没有颜色信息。
13.色度: 通常把色调和饱和度通称为色度，它表示颜色的类别与深浅程度。
14.图像锐化：是增强图象的边缘或轮廓。
envi遥感图像处理之图像增强
ENVI遥感图像处理之图像增强一、对比度增强1、快速拉伸步骤：打开数据—>加载图像到窗口—>图像主窗口Enhance菜单进入图像增强的菜单选项。
原始显示的影像：进行线性拉伸后的影像：进行高斯拉伸后的影像：说明：本菜单栏中包含的图像快速拉伸的功能还有0-255的线性拉伸（这应该是实际的遥感影像的灰度值，而刚开始说的那个原始影像实际上已经经过了2%的线性拉伸的）、均衡化拉伸、均方根拉伸等。
2、交互式拉伸步骤：选择图像主窗口中的Enhance菜单—>Interactive Stretching进入交互式拉伸的界面在Stretch_Type菜单下可以选择交互拉伸的类型，有线性拉伸、分段线性拉伸等。
可以在Stretch旁边的文本框中直接输入拉伸的图像的灰度范围，亦可以在input histogram 窗体中用鼠标左键拖动两条竖直虚线进行拉伸范围的选择。
原始图像：交互式线性拉伸后的图像：分段线性拉伸后的影像：高斯拉伸后的影像：3、直方图匹配步骤：进行直方图匹配之前必须打开两个窗口显示两个波段或两幅影像。
在两窗口中显示两幅遥感影像—>在待匹配的遥感影像主窗口中选择Enhance菜单—>选择Histogram matching…进入直方图匹配的对话框—>选择匹配到的窗口和匹配的方式，点击OK完成直方图的匹配。
匹配前直方图：待匹配影像直方图：匹配到影像直方图：匹配后的直方图：匹配的交互式对话框：匹配前影像：匹配后影像：二、空间增强1、锐化步骤：打开窗口主菜单中的Enhance菜单—>选择Filter选项—>Sharpen即可对图像进行锐化。
锐化前影像：锐化后影像：2、平滑步骤：打开窗口主菜单中的Enhance菜单—>选择Filter选项—>Smooth（后面的3*3、5*5等代表的是模板的大小）即可对图像进行平滑。
平滑前影像：平滑后影像：3、中值步骤：打开窗口主菜单中的Enhance菜单—>选择Filter选项—>Median（后面的3*3、5*5等代表的是模板的大小）即可对图像进行中值化。
直方图规定化
直方图规定化直方图规定化是指将一幅图像的像素值分布规定到另一幅图像的像素值分布上的过程。
其基本思想是通过将目标图像的像素值分布函数变换为规定分布函数，再将原始图像的像素值进行相应的变换，从而实现两幅图像的像素值分布逼近或一致。
直方图规定化可以用于图像处理的许多应用，例如图像增强、图像融合、图像匹配等。
下面将详细介绍直方图规定化的原理和实现步骤。
直方图规定化的原理如下：1. 给定一幅原始图像和一幅目标图像，分别计算它们的像素值频率分布函数H1(i)和H2(i)。
2. 对于每一个像素值i，计算原始图像和目标图像的积累密度函数C1(i)和C2(i)。
3. 构造映射关系，将原始图像的像素值映射到目标图像的像素值上。
可以通过计算C1(i)和C2(i)的差值，得到原始图像像素值i在目标图像上的对应像素值j。
4. 使用这个映射关系，对原始图像的每个像素值i进行变换，得到规定化后的图像。
直方图规定化的实现步骤如下：1. 计算原始图像和目标图像的像素值频率分布函数H1(i)和H2(i)。
2. 对原始图像和目标图像的分布函数进行归一化处理，得到归一化分布函数P1(i)和P2(i)。
3. 计算归一化分布函数的积累密度函数C1(i)和C2(i)。
4. 对于每一个像素值i，计算C1(i)和C2(i)之间的差值。
5. 找到C2(i) - C1(i)绝对值的最小值，并记录对应的像素值j。
6. 将原始图像的像素值i映射到目标图像的像素值j。
7. 使用这个映射关系，对原始图像的每个像素值i进行变换，得到规定化后的图像。
直方图规定化要求原始图像和目标图像的像素值范围相同，并且分布函数的积累密度函数单调递增。
如果原始图像和目标图像的像素值范围不同，可以通过直方图均衡化等方法进行一定的预处理。
在实际应用中，直方图规定化是一个重要的图像处理技术，可以根据目标图像的特点调整原始图像的像素值分布，从而实现图像的增强和融合效果。
此外，直方图规定化还可以用于图像匹配，将不同图像的像素值分布规定为一致，方便后续的图像匹配和目标检测等任务。
如何解决图像识别中的光照不均匀问题(四)
图像识别中的光照不均匀是一个常见的问题，它会影响到图像识别的准确性和可靠性。
为了解决这一问题，我们可以采取以下几种方法：1. 光照均衡化光照均衡化是一种常用的图像处理技术，它可以通过调整图像的亮度和对比度来达到光照均衡的效果。
这种方法可以使得图像的整体光照更加均匀，从而提高图像识别的准确性。
在实际应用中，可以采用直方图均衡化算法或者自适应均衡化算法来实现光照均衡化的效果。
2. 图像增强除了光照均衡化之外，还可以使用图像增强的方法来解决光照不均匀的问题。
图像增强可以通过调整图像的对比度、亮度和色彩等参数来改善图像的质量。
在图像识别中，可以使用直方图匹配、图像滤波等技术来进行图像增强，从而提高图像的可识别性。
3. 多模型集成为了进一步提高图像识别的准确性和鲁棒性，可以考虑采用多模型集成的方法。
多模型集成可以利用不同模型的优势，通过投票或者加权的方式来融合不同模型的结果。
对于光照不均匀的图像，可以使用不同的图像识别模型来进行识别，并将它们的结果进行集成，从而提高整体的识别准确性。
4. 数据增强在训练图像识别模型时，可以考虑使用数据增强的方法来解决光照不均匀的问题。
数据增强可以通过旋转、平移、缩放等操作来生成大量的训练数据，从而提高模型的鲁棒性和泛化能力。
在实际应用中，可以采用随机亮度变化、光照扰动等技术来进行数据增强，从而提高模型对光照不均匀图像的识别能力。
5. 引入先验知识除了上述方法之外，还可以考虑引入先验知识的方法来解决图像识别中的光照不均匀问题。
光照不均匀通常伴随着一些特定的场景或环境，这些先验知识可以帮助我们更好地理解和处理这些图像。
例如，针对室内照明不均匀的问题，可以利用室内平面布局信息来进行图像识别，从而提高识别的准确性。
综上所述，解决图像识别中的光照不均匀问题可以采取光照均衡化、图像增强、多模型集成、数据增强以及引入先验知识等多种方法。
这些方法可以单独使用或者组合使用，通过改进图像的质量、增加模型的鲁棒性和获取先验知识，从而提高图像识别的准确性和可靠性。
图像匹配ppt课件
张立华等将待匹配的两个二维点集分别转化成为一个n维空 间中的向量, 对这两个向量中的各元素进行简单的排序来解 决点集匹配问题。
田原等通过建立一种图像点集间距离的描述方法，提出基 于点集不变性匹配的目标检测与识别方法。
舒丽霞等用Hausdorff 距离对两特征点集进行匹配, 得到点 集间的仿射变换关系。
一般来说特征匹配算法可分为四步: ➢ 1.特征提取; ➢ 2.特征描述; ➢ 3.特征匹配； ➢ 4.非特征像素之间的匹配。
9
基于特征的配准步骤
在特征匹配前，首先要从两幅图像中提取灰度变化明显的 点、线等特征形成特征集。
在两幅图像对应的特征集中利用特征匹配算法尽可能的将 存在匹配关系的特征对选择出来。
MM
S i, j (m, n) T (m, n)
P
m1 n1
MM
MM
[S i, j (m, n)]2
[T (m, n)]2
m1 n1
m1 n1
根据施瓦兹不等式，0 P 1 ，并且在 S i, j (m, n) T (m, n)
比值为常数时取极大值为1。但实际上两幅不同图像的P值
介于0和1之间，很难达到理想值。根据经验取某个阈值P0， 如果P> P0，则匹配成功； P< P0，则匹配失败。
原始影像作为金字塔影像的底层。
7
金字塔影像匹配的步骤
第一步：顶层的匹配，得到一个平移初始值 。 第二步：根据平移初始值乘以n得到第二层平移量初始值，
在它m×m个像元的邻域内进行模板匹配。 第三步：根据第二层匹配值乘以n得到第三层平移量初始值，
再进行一次模板匹配。 如果影像尺寸不是特别大，可以只用两层金字塔。
3
配准方法分类