变换的直方图均衡算法在图像增强中的应用
图像增强实验报告
图像增强实验报告图像增强实验报告引言：图像增强是数字图像处理中的重要技术之一，它可以通过改变图像的亮度、对比度、色彩等参数，使图像更加清晰、细节更加突出。
本实验旨在探究不同图像增强方法对图像质量的影响，并比较它们的效果。
一、实验目的通过实验比较不同的图像增强方法，包括直方图均衡化、拉普拉斯算子增强、灰度变换等，对图像质量的影响，了解各种方法的优缺点，为实际应用提供参考。
二、实验步骤1. 实验准备：准备一组包含不同场景、不同光照条件下的图像样本，以及实验所需的图像处理软件。
2. 直方图均衡化：将图像的直方图进行均衡化，使得图像的像素值分布更加均匀，从而提高图像的对比度和亮度。
3. 拉普拉斯算子增强：使用拉普拉斯算子对图像进行边缘增强，突出图像的细节和纹理。
4. 灰度变换：通过调整图像的灰度级别，改变图像的亮度和对比度，使图像更加清晰明亮。
5. 实验结果分析：对比不同图像增强方法处理后的图像，分析它们在视觉效果上的差异，并根据实验结果评估各种方法的优劣。
三、实验结果与讨论在本次实验中，我们选择了一张室内拍摄的暗淡图像作为样本进行增强处理。
首先，我们对该图像进行了直方图均衡化处理。
结果显示，通过直方图均衡化，图像的亮度和对比度得到了明显的提升，细节也更加清晰可见。
然而，由于直方图均衡化是全局处理，可能会导致图像的局部细节过于突出，从而影响整体视觉效果。
接下来，我们采用了拉普拉斯算子增强方法。
通过对图像进行边缘增强，图像的纹理和细节得到了突出展示。
然而，拉普拉斯算子增强也存在一定的局限性，对于噪声较多的图像，可能会导致边缘增强过程中出现伪影和锯齿现象。
最后，我们尝试了灰度变换方法。
通过调整图像的灰度级别，我们改变了图像的亮度和对比度，使图像的细节更加突出。
与直方图均衡化相比，灰度变换方法更加灵活，可以根据实际需求对图像进行个性化的调整。
综合对比三种图像增强方法的实验结果，我们可以得出以下结论：直方图均衡化适用于对整体亮度和对比度进行提升的场景；拉普拉斯算子增强适用于突出图像的边缘和纹理；灰度变换方法可以根据实际需求对图像进行个性化调整。
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。
利用Matlab进行图像去噪和图像增强
利用Matlab进行图像去噪和图像增强随着数字图像处理技术的不断发展和成熟，图像去噪和图像增强在各个领域都有广泛的应用。
而在数字图像处理的工具中，Matlab凭借其强大的功能和易于使用的特点，成为了许多研究者和工程师首选的软件之一。
本文将介绍如何利用Matlab进行图像去噪和图像增强的方法和技巧。
一、图像去噪图像去噪是指通过一系列算法和技术，将图像中的噪声信号去除或减弱，提高图像的质量和清晰度。
Matlab提供了多种去噪方法，其中最常用的方法之一是利用小波变换进行去噪。
1. 小波变换去噪小波变换是一种多尺度分析方法，能够对信号进行时频分析，通过将信号分解到不同的尺度上，实现对图像的去噪。
在Matlab中，可以使用"dwt"函数进行小波变换，将图像分解为低频和高频子带，然后通过对高频子带进行阈值处理，将噪声信号滤除。
最后通过逆小波变换将去噪后的图像重构出来。
这种方法能够有效抑制高频噪声，保留图像的细节信息。
2. 均值滤波去噪均值滤波是一种基于平均值的线性滤波方法，通过计算像素周围邻域内像素的平均值，替代原始像素的值来去除噪声。
在Matlab中，可以使用"imfilter"函数进行均值滤波，通过设置适当的滤波模板大小和滤波器系数，实现对图像的去噪。
二、图像增强图像增强是指通过一系列算法和技术，改善图像的质量、增强图像的细节和对比度，使图像更容易被观察和理解。
Matlab提供了多种图像增强方法，以下将介绍其中的两种常用方法。
1. 直方图均衡化直方图均衡化是一种通过对图像像素值的分布进行调整，增强图像对比度的方法。
在Matlab中，可以使用"histeq"函数进行直方图均衡化处理。
该函数能够将图像的像素值分布拉伸到整个灰度级范围内，提高图像的动态范围和对比度。
2. 锐化增强锐化增强是一种通过增强图像边缘和细节来改善图像质量的方法。
在Matlab中，可以使用"imsharpen"函数进行图像的锐化增强处理。
邻域变换的名词解释
邻域变换的名词解释邻域变换，又称局部变换或局部操作，是一种图像处理中常见的操作方法。
它通过对图像中的每个像素及其周围一定范围内的像素进行处理，从而改变图像的外观或特征。
邻域变换广泛应用于图像增强、去噪、分割以及特征提取等领域，具有重要的理论和实际意义。
一、邻域变换的基本原理和方法邻域变换的基本原理是基于图像的空间域，通过对像素的局部环境进行处理，以实现对整个图像的改变。
邻域变换的方法有很多种，常见的包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而有效的邻域变换方法，它通过计算邻域内像素的平均值来替代中心像素的灰度值。
均值滤波主要用于图像去噪的应用，能够减少图像中的噪声，平滑图像的细节和纹理。
2. 中值滤波中值滤波是一种非线性的邻域变换方法，它通过计算邻域内像素的中值来替代中心像素的灰度值。
相对于均值滤波，中值滤波能够更好地保留图像的边缘和细节信息，常用于去除图像中的椒盐噪声。
3. 高斯滤波高斯滤波是一种基于高斯函数的邻域变换方法，它通过对邻域内的像素赋予权重来计算中心像素的灰度值。
高斯滤波能够产生平滑的效果，常用于图像增强和去噪的处理。
二、邻域变换在图像增强中的应用邻域变换在图像增强中具有重要作用，能够改善图像的质量和视觉效果。
以下介绍几种常见的邻域变换方法在图像增强中的应用。
1. 直方图均衡化直方图均衡化是一种常用的邻域变换方法，通过对图像的灰度值进行重新分配，增强图像的对比度和亮度。
直方图均衡化能够使图像整体变得更加清晰明亮，常被应用于图像显示和图像识别等领域。
2. 锐化滤波锐化滤波是一种通过对图像进行邻域变换来增强图像细节的方法。
它通过对图像进行高通滤波，使得图像中的边缘和纹理更加清晰和突出。
锐化滤波常用于图像增强和特征提取等任务中。
3. 维纳滤波维纳滤波是一种理想的、最优的邻域变换方法。
它基于统计模型，能够在去除图像噪声的同时保持图像的细节信息。
维纳滤波广泛应用于图像去噪和图像复原等领域，但对于复杂的噪声情况和模糊图像可能效果有限。
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。
图像识别中常见的预处理技术(九)
图像识别中常见的预处理技术图像识别是计算机视觉领域的一个重要研究方向，它通过对图像进行处理和分析，使计算机能够理解和识别图像中的内容。
在图像识别中，预处理技术起着至关重要的作用。
本文将介绍图像识别中常见的预处理技术，并分析其应用和效果。
一、图像去噪图像去噪是图像预处理的一项基础工作。
图像中的噪声会影响到图像的质量和后续处理的效果，因此在进行图像识别之前，首先需要对图像进行去噪处理。
常用的图像去噪方法有中值滤波、均值滤波和高斯滤波等。
中值滤波通过计算像素邻域的中值来去除噪声，适用于椒盐噪声等。
均值滤波通过计算像素邻域的平均值来去除噪声，适用于高斯噪声等。
高斯滤波通过计算像素邻域的加权平均值来去除噪声，并能保持图像的细节特征。
二、图像增强图像增强是指对图像的明暗、对比度等参数进行调整，以提高图像的视觉效果。
图像增强可以改善图像的可视化效果，同时也能提高图像在识别算法中的准确性。
常见的图像增强方法有直方图均衡化、对数变换和伽马变换等。
直方图均衡化通过将直方图拉伸到整个灰度范围内，来增强图像的对比度。
对数变换通过对图像的像素值进行对数变换，来增强图像的低对比度区域。
伽马变换通过对图像的灰度级进行非线性映射，来增强图像的亮度和对比度。
三、图像标准化图像标准化是指对图像的尺度、方向和光照等进行校正，以便于后续的图像识别。
图像标准化可以消除因图像采集设备和环境等因素引起的差异，提高图像识别的鲁棒性。
常见的图像标准化方法有尺度标准化、方向标准化和光照标准化等。
尺度标准化通过将图像缩放到固定的尺寸，来消除尺度的差异。
方向标准化通过计算图像的梯度方向，来将图像的方向统一到一个范围内。
光照标准化通过对图像的亮度进行校正，来消除光照的差异。
四、图像分割图像分割是将图像划分成若干个具有独立特征的区域或对象的过程。
图像分割可以将复杂的图像场景分解为易于识别的子图像，提高图像识别的准确性和效率。
常见的图像分割方法有阈值分割、边缘检测和区域生长等。
使用图像处理技术实现图像对比度增强的方法
使用图像处理技术实现图像对比度增强的方法图像对比度增强是一种常用的图像处理技术，用于提高图像的视觉质量和增强图像的细节。
通过增加图像的对比度，可以使图像的亮度范围更广，细节更加清晰，从而改善图像的观感和识别性能。
在图像处理领域，有许多方法可以实现图像对比度增强，以下是几种常见的方法。
1. 线性拉伸法线性拉伸法是最简单且最常用的图像对比度增强方法之一。
该方法基于图像灰度值的统计特性，将图像中的最小灰度值映射为0，最大灰度值映射为255，将其他灰度值按比例映射到这个范围内。
线性拉伸法适用于图像对比度较低的情况，并且易于实施。
2. 直方图均衡化直方图均衡化是一种常用的非线性图像对比度增强方法。
该方法通过对图像的直方图进行变换，将原始图像的灰度级分布映射到更均匀的分布上。
直方图均衡化可以增强图像的局部细节，增强图像的整体对比度。
然而，该方法可能会导致图像的细节过度增强和噪声放大，因此在应用时需要注意适当的参数选择和后处理。
3. 自适应直方图均衡化自适应直方图均衡化是对传统直方图均衡化的改进。
该方法通过将图像划分为局部区域，并对每个局部区域进行直方图均衡化来增强图像的对比度。
自适应直方图均衡化可以避免全局直方图均衡化的细节过度增强问题，提高图像增强效果的局部性和自适应性。
4. 非线性增强算法除了直方图均衡化外，还有许多非线性增强算法可以用于图像对比度增强。
例如，伽马校正可以通过调整图像的亮度值来增强图像的对比度，对数变换可以增强图像的低亮度区域细节。
非线性增强算法可以根据图像的特点和需求来选择，并通过调整参数来适应不同的图像。
在实际应用中，可以根据图像的特点和需求选择合适的图像对比度增强方法。
对于不同的图像，不同的方法可能会产生不同的效果。
因此，在选择和应用图像对比度增强方法时，需要综合考虑图像的特点、应用场景和对比度增强效果。
实验结果也可以通过与原始图像进行定性和定量的对比来评估图像对比度增强方法的效果，以选择最优的方法。
CLAHE算法,图像增强
•领域的大小是该方法的一个参数。
领域小，对比度得到增强，领域大，则对比度降低。
•当某个区域包含的像素值非常相似，其直方图就会尖状化，此时直方图的变换函数会将一个很窄范围内的像素映射到整个像素范围。
这将使得某些平坦区域中的少量噪音经AHE处理后过度放大。
二、限制对比度自适应直方图均衡（Contrast Limited Adaptive histgramequalization/CLAHE)1.简述CLAHE同普通的自适应直方图均衡不同的地方主要是其对比度限幅。
这个特性也可以应用到全局直方图均衡化中，即构成所谓的限制对比度直方图均衡（CLHE），但这在实际中很少使用。
在CLAHE中，对于每个小区域都必须使用对比度限幅。
CLAHE主要是用来克服AHE的过度放大噪音的问题。
这主要是通过限制AHE算法的对比提高程度来达到的。
在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的。
这个斜度和领域的累积直方图的斜度成比例。
CLAHE 通过在计算CDF前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。
这限制了CDF的斜度因此，也限制了变换函数的斜度。
直方图被裁剪的值，也就是所谓的裁剪限幅，取决于直方图的分布因此也取决于领域大小的取值。
通常，直接忽略掉那些超出直方图裁剪限幅的部分是不好的，而应该将这些裁剪掉的部分均匀的分布到直方图的其他部分。
如下图所示。
这个重分布的过程可能会导致那些倍裁剪掉的部分由重新超过了裁剪值（如上图的绿色部分所示）。
如果这不是所希望的，可以不带使用重复不的过程指导这个超出的部分已经变得微不足道了。
2. 通过插值加快计算速度如上所述的直接的自适应直方图，不管是否带有对比度限制，都需要对图像中的每个像素计算器领域直方图以及对应的变换函数，这使得算法及其耗时。
而插值使得上述算法效率上有极大的提升，并且质量上没有下降。
首先，将图像均匀分成等份矩形大小，如下图的右侧部分所示（8行8列64个块是常用的选择）。
图像增强-数字图像处理
图像增强
2.图像噪声的特点 (1)噪声在图像中的分布和大小不规则,即具有随机性。 (2)噪声与图像之间一般具有相关性。 (3)噪声具有叠加性。
图像增强
3.3.2 模板卷积 模板操作是数字图像处理中常用的一种邻域运算方式,
灰度变换就是把原图像的像素灰度经过某个函数变换成 新图像的灰度。常见的灰度变换法有直接灰度变换法和直方 图修正法。直接灰度变换法可以分为线性变换、分段线性变 换以及非线性变换。直方图修正法可以分为直方图均衡化和 直方图规定化。
图像增强
3.1.1 线性变换 假定原图像f(x,y)的灰度范围为[a ,b],希望变换后图像
ቤተ መጻሕፍቲ ባይዱ
图像增强
例如,假定一幅大小为64×64、灰度级为8个的图像,其灰 度分布及均衡化结果如表3-1 所示,均衡化前后的直方图及变 换用的累积直方图如图3-10所示,则其直方图均衡化的处理 过程如下。
图像增强
图像增强 由式(3-12)可得到一组变换函数:
依此类推:s3=0.81,s4=0.89,s5=0.95,s6=0.98,s7=1.0。变换函 数如图3-10(b)所示。
图像增强
１
图像增强
图3-1 灰度线性变换
图像增强
图3-2 灰度线性变换示例
图像增强
3.1.2 分段线性变换 为了突出感兴趣的灰度区间,相对抑制那些不感兴趣的
灰度区间,可采用分段线性变换。常用的3段线性变换如图33所示,L 表示图像总的灰度级数,其数学表达式为
图像增强
图3-3-分段线性变换
图像增强
设r 为灰度变换前的归一化灰度级(0≤r≤1),T(r)为变换函 数,s=T(r)为变换后的归一化灰度级(0≤s≤1),变换函数T(r)满足 下列条件:
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，改善图像的质量和视觉效果，使得图像更加清晰、鲜艳、易于理解和分析。
图像增强技术在计算机视觉、医学影像、遥感图像等领域有着广泛的应用。
本文将介绍图像增强的几种常见方法，包括灰度拉伸、直方图均衡化、滤波和增强、空间域增强、频域增强等。
首先，灰度拉伸是一种简单而有效的图像增强方法。
它通过扩展图像的灰度动态范围，将原本灰暗的区域拉伸到整个灰度范围内，从而增强了图像的对比度和细节。
灰度拉伸通常适用于灰度动态范围较窄的图像，比如受到光照影响的图像或者拍摄条件不佳的图像。
其次，直方图均衡化是一种常用的图像增强方法。
它通过重新分布图像的灰度级，使得图像的直方图在整个灰度范围内均匀分布，从而增强了图像的对比度和视觉效果。
直方图均衡化适用于灰度动态范围较窄或者灰度分布不均匀的图像，能够有效地改善图像的质量。
另外，滤波和增强也是常见的图像增强方法。
滤波可以去除图像中的噪声和干扰，增强图像的清晰度和细节。
常用的滤波方法包括均值滤波、中值滤波、高斯滤波等。
在滤波的基础上，可以对图像进行锐化、边缘增强等操作，从而进一步改善图像的质量。
此外，空间域增强和频域增强也是图像增强的重要方法。
空间域增强是指直接对图像的像素进行操作，比如对比度调整、颜色增强、锐化等。
而频域增强则是通过对图像的频谱进行操作，比如傅里叶变换、滤波等。
这些方法能够有效地改善图像的质量和视觉效果。
总的来说，图像增强是一项重要的技术，能够改善图像的质量和视觉效果，提高图像的可读性和分析性。
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进行处理，以获得更加清晰、鲜艳、易于理解和分析的图像。
希望本文介绍的几种常见方法能够为图像增强技术的应用提供一些参考和帮助。
- 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)。
（ 西安工业大学 数理 系， 陕西 西安 ７ ０ ３ ） １ ０２
摘要： 常规 直方 图均衡 化增 强后 的图像在 高灰度 区有 过 亮的 感 觉． 此 ， 文对 常规 的直 方 图均 为 本
衡化 算 法进 行 了改进 ， 采用 变换 的直方 图均衡 化 算 法抑制 这 一缺 陷． 实验 结果表 明， 变换 的 直方
Ｐ（ ｓ ）一 Ｉ ， ． ｒｄ］ － Ｆ （） ／ ｓ， ｌ ． ，ｄ Ｔ （ ）
直方 图增强 技术就 是通 过变换 函数 Ｔ ， （． ）控制 图像灰 度级 的概率 密度 函数而改 变 图像 的外 貌 ．
收稿 日期：０ ６０—６ ２ ０—９０ 作者简 介： 史延新 （９ ８） 女 ， １６ 一， 山西省 汾 阳县人 ， 西安 工业大 学高级工 程师 ， 主要从 事计算 机 网络 、 式识 别研 究． — 模 Ｅ
１ 直 方 图基 础
数字 图像 的直方 图是作 为图像 每一个 灰度级 的统计 概率分 布 ， 提供 了图像灰度 分布 的概貌 ． 直方 图增
强技术是利用修改给定 图像直方图的方法来增强图像的， 最后得到的图像增强程度取决于所采用的直方
图．
令变量 ， ｓ 别代 表图像增 强前 后 的像 素灰度 级 ， ． 分 和 相应 灰度 级分布 的概率 密度分 别 为 Ｐ，， ， ｓ． （）Ｐ （） ． 为讨 论方便 ， 假设 像素 灰度值 已经 归一化 在 区间［ ，］ 在灰度级 坐标 中 ， ０表示黑 ， ＝ １表示 白． 区 Ｏ１ ， ． ＝ ， ． 对
图均衡化算法较常规算法具有更好 的效果．
关键 词 ： 字图像 ； 数 图像 增 强 ； 直方 图均衡化 ； 变换 的 直方 图均衡 化算 法
中图分类 号 ： ９ ． １ ＴＳ３ １ ４ ９ 文献 标识 码 ： Ａ
０ 引 言
图像增强 可 以提高 图像 的视 觉效果 ， 也有利 于进 一步 的 自动处 理． 强可 以指强 调或抑 制 图像 中的某 增
ｍａ ｓ ｉ ｘ ｖ ．ｉａｃｒ ｉ ｈｙ ￣ ｉ ｓ ．ｏ ｌ ｌ ｘ ｐ ｎ ｎ
维普资讯
第 ６ 期
变换 的直方 图均衡算 法在 图像增 强 中的应 用
８７ Ｏ
２ 直 方 图均 衡 化
对于 连续 图像 ， 变换 函数 为
广
５ Ｔ ｒ Ｊ Ｐ （）ｒ， ≤ ｒ １ 一 （）一 Ｉ ，ｒｄ ０ ≥ ． Ｏ
间［ ，］内任一个 ， 按变换函数 ｓ Ｔ ， 进行变换 ， （） ｏ１ ． 值， — （） ． Ｔ ， 满足 ２ ． 个条件 ： １ 单值单调增加函数 ；２ （） （）
０≤ Ｔ（）≥ １ ｒ ．
条件（） １ 使灰度级保持从黑到白的次序 ， 条件（） ２ 保证映射变换后像素灰度值在允许 的范围内． ｓ 从 到
些 细节ｎ ． ］图像增 强处 理 的好 坏直 接影 响后 续 的图像分 析 与模式 识 别＋ 直方 图增强 方 法 由 于其算 法 简 单 ， 增 强效果 较好 ， 得到 了广 泛的应用 嘲． 方 图均衡 化能够 增强 整个 图像 的对 比度 ， 直 提高 图像 的辨析程 度 ， 算 法 简单 ， 增强 效果较 好 ． 但利用 常规直 方 图均衡 化增 强后 的 图像在 高灰 度 区有 过亮 的感 觉 ， 文 采用 变 换 本 的直 方图均衡 化算 法抑 制这一 缺陷． 变换 的直方 图均衡化 算法是 对常规 直方 图均衡化 算法 的改 进．
围增 加． 于离散 图 像 ， 度级 的概率值 为 对 灰
Ｐ （＾ ｒ）一 ＾ ｎ ０≤ ≥ １ ， 一 ０ １ ２ … ， 一． ／ ， ｒ ｋ ， ，， Ｌ （） ３
其 中
表示 图像 中像 素 的总数 ， 是 在 图像 中出现这种 灰度 级 的次 数 ， 示灰 度 级 的数 目， ， ）为 ｍ Ｌ表 Ｐ（
（ ）式右边 为 累积 分布 函数 ， １ 式对 ｒ求导 ， ｄ ／ ｒ— Ｐ （） 得 到 １ 由（ ） 有 ｓｄ ｒ ，
（） １
尸（ ｓ ）＝ ［ ，ｒ１ （ ， ）］ Ｔ ＝Ｉ ０ ｒ Ｉ Ｐ （）／ｐ （ ） ｒ Ｉ ｒ － ， ≤ ≥ ． （） ２ （） 说 明 ， 变换 后 变量 ｓ ２式 在 在定 义 域 内， ｓ 是均 匀概率 密度 ． 图像 增强 意义 上 ， 当 于像 素 的动态 范 Ｐ （） 在 相
第 ２ 卷 第 ６期 （ ８ 期 ） Ｏ 总 ２
＊ 研 究 简报 ＊
２０ ０ ６年 １ ２月
Ｖｏ． ０ Ｎｏ ６ Ｓ ｍ ． ２ １２ ， ． （ ｕ Ｎｏ ８ ）
文章编 号 ：６ １８ Ｏ ２ Ｏ ） ６０ ０ — ３ １ ７ — ５ Ｘ（ Ｏ ６ Ｏ —８ ６０
变换的直方 图均衡算法在 图像增强 中的应用
，的反变 换 为 ，一 ７ ｓ ，０ ｓ １ 同样 ，＂ （） ｓ ． ． ＂ （） ≤ ≥ ． － ７ ｓ 对 也满 足条件 （ ）和 （ ） － １ ２．
由概率理 论 知 ， Ｐ，， 若 （）和变换 函数 ｓ Ｔ（）已知 ，＂ （） ． — ， ． ７ ｓ 是单 值单 调增加 函数 ， － 则有
维普资讯
西 安 工 程 科 技 学 院 学 报
Ｊ ｕ ｎ ｌ ｆＸｉａ ｉｅ ｓｔ ｆＥ ｇｎ ｅ ｉｇ Ｓ ｉｎ ｅａ ｄ Ｔｅ ｈ ｏｏ ｙ ｏ ｒ ａ ’ｎ Ｕｎｖ ｒ ｉ ｏ ｎ ｉ ｅ ｒｎ ｃｅ ｃ ｎ ｃ ｎ ｌｇ ｏ ｙ
第 ｋ级灰 度级 的概 率． 变换 函数 ｓ 离散形 式为 的
一
Ｔｒ 一∑ 一∑Ｐ（） （） ，
』 ＝０ 』 ＝０
反 变换 为 ｒ ： Ｔ ） ０≤ Ｓ ≥ １ ｋ －（ ， Ｉ ．
均衡 化 处理产 生最后 的结果 Ｐ （）： １与积 分 内的概率 密度无 关． ｓ ，