图像增强处理技术研究
图像颜色增强处理——彩色变换实验报告
图像颜色增强处理（彩色变换）实验专题讲座课程：遥感科学与图像处理实验：图像颜色增强处理（彩色变换）姓名：学号：指导老师：一、实验名称图像颜色增强处理（彩色变换）二、实验目的对图像进行彩色变换；观察图像在不同色彩空间之间相互转换的结果异同，理解影像光谱增强中彩色变换的原理及其增强效果，将图象转换成一种更适合于人或机器进行分析处理的形式，提高图像的使用价值。
三、实验原理光谱增强是基于多光谱数据对波段进行变换达到图像增强处理，采用一系列技术去改善图象的视觉效果，或将图象转换成一种更适合于人或机器进行分析处理的形式。
有选择地突出某些对人或机器分析有意义的信息，抑制无用信息，提高图象的使用价值。
在使用单波段图像时，由于成像系统动态范围的限制，地物显示的亮度值差异较小。
又由于人眼对黑白图像亮度级的分辨能力仅有10～20级左右，而对色彩和强度的分辨力可达100多种，因此将黑白图像转换成彩色图像可使地物的差别易于分辨[1,2]。
1. 彩色合成（color composite）在通过滤光片、衍射光栅等分光系统而获得的多波段图像中选出三个波段，分别赋予三原色进行合成。
根据各波段的赋色不同，可以得到不同的彩色合成图像。
1)图像主成分变换融合主成分变换融合[2]是建立在图像统计基础上的多维线性变换,具有方差信息浓缩、数据量压缩的作用, 可以更准确地揭示多波段数据结构内部的遥感信息, 常常是以高空间分辨率数据代替多波段数据变换以后的第一主成分来达到融合的目的。
具体过程是: a. 对多波段遥感数据进行主成分变换( K- L 变换) ; b. 以高空间分辨率遥感数据替代变换以后的第一主成分; c. 进行主成分逆变换,生成具有高空间分辨率的多波段融合图像。
2) 真彩色合成在通过蓝、绿、红三原色的滤光片而拍摄的同一地物的三张图像上，若使用同样的三原色进行合成，可得到接近天然色的颜色，此方法称为真彩色合成。
3) 假彩色合成由于多波段摄影中，一副图像多不是三原色的波长范围内获得的，如采用人眼看不见的红外波段等，因此由这些图像所进行的彩色合成称假彩色合成。
EPID图像增强方法研究的开题报告
EPID图像增强方法研究的开题报告一、选题背景随着医学图像技术的发展，EPID（电子门诊图像装置）成为临床放射治疗的重要工具。
然而，EPID图像存在稳定性和对比度不足等问题，这导致医学图像的分析和处理变得困难。
因此，研究EPID图像增强方法，提高图像的质量和准确度，对于临床放射治疗的准确性和效果评估具有重要意义。
二、研究目的本研究旨在探究EPID图像增强方法，提高图像的清晰度和对比度，并探讨增强方法的优劣比较，为临床放射治疗提供数据支持。
三、研究内容1. EPID图像增强方法的研究现状和应用价值分析2. EPID图像中常见的噪声和对比度问题分析3. 常见的EPID图像增强方法，包括直方图均衡、小波变换和自适应滤波等4. 不同方法的性能分析和实验结果5. EPID图像增强方法的优化和改进四、研究方法1. 文献调研和分析，获得EPID图像增强方法的研究现状和应用价值2. 对EPID图像的噪声和对比度问题进行分析，并确定几种常见的增强方法3. 采用Matlab等数学软件，对EPID图像进行增强实验，对不同方法进行性能分析4. 针对实验结果，对方法进行优化和改进，提高图像的质量和可靠性五、研究意义1. 提高EPID图像的清晰度和对比度，为临床放射治疗提供更准确的数据支持2. 探讨不同EPID图像增强方法的优缺点，为医学图像处理提供参考3. 让临床医生更好地理解和解读EPID图像，提高放射治疗的效果和质量六、研究进度1. 文献调研和分析：已完成2. EPID图像的噪声和对比度问题分析：进行中3. 常见的EPID图像增强方法研究和实验：未开始4. 不同方法的性能分析和实验结果：未开始5. EPID图像增强方法的优化和改进：未开始七、预期成果1. 发表研究论文1-2篇2. 研究报告1份3. 为临床放射治疗提供EPID图像增强方法参考和支持。
基于深度学习的图像增强与色彩校正技术研究
基于深度学习的图像增强与色彩校正技术研究深度学习技术的快速发展在图像处理领域产生了广泛的应用。
其中，基于深度学习的图像增强与色彩校正技术是一项重要的研究领域。
图像增强和色彩校正技术可以提高图像的质量和细节，并改善图像的感知效果。
本文将探讨基于深度学习的图像增强与色彩校正技术的研究进展和应用。
首先，我们将介绍图像增强技术的研究背景。
在图像处理中，图像增强是改进图像质量和增强图像细节的一种方法。
传统的图像增强方法通常是基于数学模型或图像处理算法的，但这些方法往往对复杂场景下的图像处理效果有限。
然而，基于深度学习的图像增强技术旨在通过训练大量的图像数据和深度神经网络模型，实现对图像进行自动学习和增强。
其次，我们将探讨基于深度学习的图像增强技术的研究方法和模型设计。
在深度学习中，卷积神经网络（CNN）是一种常用的图像处理模型，它具有强大的图像特征提取和表达能力。
基于CNN的图像增强技术通常包括图像去噪、图像超分辨率恢复、图像增强和图像修复等任务。
通过对训练数据进行输入和输出的匹配，深度学习模型可以学习到图像的低层特征和高层语义信息，并生成与原始图像相比更清晰、更细节、更自然的增强图像。
接着，我们将介绍基于深度学习的图像色彩校正技术的研究现状。
图像色彩校正是调整和校正图像的色彩分布和颜色平衡，使图像更加真实和自然。
传统的图像色彩校正方法通常是基于直方图均衡化、颜色空间变换和颜色校正曲线等手工设计的算法，但往往对图像色彩特征的分布和变化模式有一定的限制。
而基于深度学习的图像色彩校正技术可以通过训练模型自动学习图像的色彩特征，并实现对图像色彩的自适应调整和校正。
最后，我们将探讨基于深度学习的图像增强与色彩校正技术的应用和发展前景。
基于深度学习的图像增强与色彩校正技术在多个领域具有广泛的应用前景，包括数字摄影、医学影像、无人驾驶、智能监控和图像检索等。
这些应用场景对图像质量和色彩还原的要求非常高，而深度学习技术可以通过大规模训练数据和优化的神经网络模型来实现对图像的自动增强和色彩校正。
数字图像处理技术及其应用的相关研究
数字图像处理技术及其应用的相关研究数字图像处理技术是指通过对数字图像进行操作和处理，以获得更好的图像质量和信息提取能力的技术。
数字图像处理技术的应用广泛且涵盖了许多领域，如通信，医疗，地球物理勘探和安全检测等。
本文将介绍数字图像处理技术及其在不同领域的应用。
一、数字图像处理技术数字图像处理包括图像增强，图像压缩，图像恢复和形态学等技术。
其中，图像增强技术是指通过对图像的亮度，对比度，色调和饱和度等进行调整，以获得更好的图像质量。
而图像压缩技术则是将图像的数据压缩以减少存储和传输时的数据量。
另外，图像恢复技术可以通过对损坏的图像进行修复，以提高图像质量和信息提取能力。
形态学处理技术则是利用形态学的基本操作，如腐蚀，膨胀等对图像进行操作，以获得特定目的。
二、数字图像处理在不同领域的应用1. 通信图像压缩和传输是数字图像处理在通信领域的主要应用之一。
通常情况下，数字图像压缩方法分为有损和无损方法。
无损压缩方法可以保证压缩后的图像与原图像一样，适用于医学图像处理和安全检测等领域。
而有损压缩方法则适用于传输速度要求高的场合，如视频会议等。
2. 医疗数字图像处理技术在医疗领域也有广泛的应用。
通过对医学图像进行增强和恢复，可以提高医生的诊断能力和治疗效果。
另外，医学图像分类和识别也是数字图像处理在医疗领域的应用之一。
3. 地球物理勘探数字图像处理技术在地球物理勘探中是不可或缺的。
通过对地球物理图像进行分析和处理，可以提高对地下油藏和矿藏的探测能力。
另外，地球表面矿物质成分的分析和水资源的监测也是数字图像处理在地球物理勘探中的应用之一。
4. 安全检测数字图像处理技术在安全检测领域也有重要的应用。
通过对图像进行识别和分析处理，可以实现安保设备的智能化和自动化。
例如，应用数字图像处理技术可以实现人脸识别，车辆识别等功能，在安全检测领域有广泛的应用。
总之，数字图像处理技术在各个领域有广泛的应用，对提高图像质量和信息提取能力有很大的帮助作用。
数字图象处理图像增强技术
像素的灰度。假定有一幅N×N个像素的图像
f (x, y) ，平滑处理后得到一幅图像 g(x,y) 。
g(x,y) 由下式决定
1
g(x,y)
f(m,n)
M(m,n)s
4－21
数字图象处理图像增强技术
x ,y 0 ,1 ,2 , ,N 1
式中，S是(x, y)点邻域中点的坐标的集合， 但其中不包括 (x, y)点，Ｍ是集合内坐标点 的总数。
数字图象处理图像增强技术
图 4—16 锯尺状变换函数处理效果（ n2）
数字图象处理图像增强技术
开窗式转换的目的是只对部分输入灰度区间 进行转换，通过窗口位置的选择可以观察某些灰 度区间的灰度分布，并且对这一区域的灰度进行 映射变换。当然，图4-13只是举出几种常用的转 换函数的形状。根据不同的需要还可以设计出更 多的转换函数，其基本原理都是一样的，只不过 处理效果不同罢了。
构成的点 R 的邻域，选择在圆的边界上的点和 在圆内的点为S的集合。
数字图象处理图像增强技术
图4-19 在数字图像中选取邻域的方法
数字图象处理图像增强技术
四邻域：
S ( x , y 1 ) , ( x , y 1 ) , ( x 1 , y ) , ( x 1 , y )
八邻域： S ( (x x , y 1 ,y 1 ) ( 1 x ) ,,( y x , 1 1 ) ,( y x , 1 1 ),( y x ) , (x 1 ,, y 1 ,y 1 ) )(x ,, 1 ,Y 1 )
数字图象处理图像增强技术
数字图象处理图像增强技术
图4-10 数字图像对比度增强
在这种转换中，设计转换函数应考虑到灰 度量化问题，如果原始图像的灰度级为 k 级， 映射后输出图像的灰度级仍然是 k 级，这样 由于输出图像的灰度范围加大了，因此，使每 一级灰度分层的跳变比原始图像大，由此将会 产生伪轮廓效应。如果能适当地加多输出图像 的灰度分层数就有可能减小这种效应。
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。
图像处理中的图像增强算法评估与改进
图像处理中的图像增强算法评估与改进图像增强是数字图像处理中的重要内容之一，其目的是改善或增强图像的视觉效果，提高图像的质量和可读性。
图像增强算法根据不同的应用领域和需求，有多种不同的方法和技术。
本文将针对图像增强算法进行评估与改进。
一、图像增强算法评估图像增强算法的评估是为了确定算法的性能和效果，对比不同算法的优劣，并为改进算法提供指导。
图像增强算法的评估可从以下几个方面进行：1. 主观评价：主观评价是通过人眼观察和判断来评估图像增强效果的好坏。
人眼判断的主观性较强，需要评价者具备一定的专业知识和经验。
主观评价通常通过主观评分法、可接受性评估和实验用户调查等方法进行。
2.客观评价：客观评价是通过一些定量的指标或算法对图像增强算法进行评估。
常用的客观评价指标包括图像对比度、图像亮度、锐度等。
另外，也可以使用峰值信噪比（PSNR）、结构相似性指数（SSIM）等公认的客观评价指标来评估图像增强算法的性能。
3.算法速度：算法速度是评估图像增强算法的另一个重要因素。
在实际应用中，图像增强算法需要在较短的时间内完成，因此快速的算法更受欢迎。
算法速度的评估可通过计算算法的执行时间来获得。
综合以上评价指标，可以比较不同图像增强算法的优劣，为改进算法提供依据。
二、图像增强算法的改进1. 基于传统图像增强算法的改进：传统的图像增强算法包括直方图均衡化、灰度拉伸、滤波器等。
对于这些传统算法，可以通过调整参数和改进算法步骤来提升算法的性能。
例如，可以根据图像的特点，改进直方图均衡化算法，使其适用于不同的图像类型。
另外，可以采用基于机器学习的方法来自动调整算法参数，提高算法的鲁棒性和适应性。
2. 基于深度学习的图像增强算法改进：深度学习在图像处理领域取得了巨大的成就。
通过利用神经网络的强大表达能力，可以实现对图像的高级特征学习和表示。
可以利用深度学习模型，对图像增强进行端到端的学习和优化，提高图像增强效果。
例如，可以使用卷积神经网络（CNN）对图像进行超分辨率重建，增强图像的细节和清晰度。
弱纹理区域图像增强算法研究
弱纹理区域图像增强算法研究随着数字图像技术的快速发展，图像处理技术早已成为许多领域中不可或缺的一个环节。
然而，在许多实际场景中，由于照片条件、器材等原因，一些拍摄出来的图像中往往存在一些低对比度、含噪声、信息模糊等问题，这些问题会使图像分析和识别变得困难。
因此，在处理此类问题时，图像增强算法显得尤为重要。
本文将针对弱纹理区域图像增强算法进行研究并进行探讨。
一、弱纹理区域图像特点弱纹理区域指的是图像中纹理信息量较少的区域，这种区域通常在室外、灰色天气以及昏暗的照明条件下拍摄。
在这种区域，由于光照不足、阴影、反射等因素的影响，纹理疏松、对比度低，且很难进行自适应增强，这使得纹理区域的信息识别、表达等难度加大。
二、弱纹理区域增强方法1. 基于小波变换的增强方法小波变换是一种常用的多尺度分解技术，可将信号分解为不同频率分量的多个子带，从而处理具有不同特征的信号。
在弱纹理区域中，小波变换能够很好地处理纹理细节信息，因此经常被用于弱纹理图像的增强处理。
其中，小波软阈值法是一种常用的基于小波变换的图像增强方法，通过选择不同的阈值来追踪各个子带，达到增强的目的。
2. 基于拉普拉斯算子的增强方法拉普拉斯算子通常用于锐化图像边缘信息，由于弱纹理区域的边缘信息通常是模糊、模糊和不明显的，因此采用类似的算法对弱纹理区域进行增强也是行之有效的一种选择。
通过对输入图像进行拉普拉斯变换并选取合适的亮度值进行调节，使模糊的信息被增强，从而达到弱纹理区域图像的增强效果。
3. 基于Retinex理论的增强方法Retinex理论是一种可以模仿人类视觉对颜色的感知能力的色彩修正算法。
在缺乏信息的图像中，Retinex理论通过产生图像的光线感知，并用这些信息对可见区域内的颜色进行校正，从而增强图像。
因此，基于Retinex理论的增强方法适用于弱纹理图像处理。
但是，这种方法可能会过度增强某些区域，因此需要合理的参数选择。
三、弱纹理区域增强算法的综合应用根据实际情况，在弱纹理区域图像的处理中采用单一算法的效果并不如人意。
数字图像处理之频率域图像增强
图像增强技术广泛应用于医学影 像、遥感、安全监控、机器视觉
等领域。
频率域图像增强的概念
01
频率域图像增强是指在频率域 对图像进行操作，通过改变图 像的频率成分来改善图像的质 量。
02
频率域增强方法通常涉及将图 像从空间域转换到频率域，对 频率域中的成分进行操作，然 后再将结果转换回空间域。
直方图规定化
直方图规定化是另一种频率域图像增强 方法，其基本思想是根据特定的需求或 目标，重新定义图像的灰度级分布，以
达到增强图像的目的。
与直方图均衡化不同，直方图规定化可 以根据具体的应用场景和需求，定制不 同的灰度级分布，从而更好地满足特定
的增强需求。
直方图规定化的实现通常需要先对原始 图像进行直方图统计，然后根据规定的 灰度级分布进行像素灰度值的映射和调
灵活性
频率域增强允许用户针对特定频率成 分进行调整，从而实现对图像的精细 控制。例如，可以增强高频细节或降 低噪声。
总结与展望 数字图像处理之频率域图像增强的优缺点
频谱混叠
在频率域增强过程中，如果不采取适 当的措施，可能会导致频谱混叠现象， 影响图像质量。
计算复杂度
虽然频率域增强可以利用FFT加速， 但对于某些复杂的图像处理任务，其 计算复杂度仍然较高。
傅立叶变换具有线性、平移不变性和周期性等性质，这些性质在图像增强中具有重 要应用。
傅立叶变换的性质
线性性质
傅立叶变换具有线性性质，即两 个函数的和或差经过傅立叶变换 后，等于它们各自经过傅立叶变
换后的结果的和或差。
平移不变性
傅立叶变换具有平移不变性，即 一个函数沿x轴平移a个单位后， 其傅立叶变换的结果也相应地沿
THANKS
红外弱小目标图像增强方法的研究的开题报告
红外弱小目标图像增强方法的研究的开题报告一、选题背景和意义近年来，红外成像技术在军事、安防、医疗等领域得到了广泛应用。
红外成像具有无所不透的优势，能够在低光、黑暗、雾霾等环境下进行成像，对于目标的检测、识别具有重要意义。
然而，红外目标一般特征不明显，且信噪比较低，难以直观地观察和分析。
因此，如何对红外图像进行有效的增强，成为研究热点之一。
本文旨在研究红外弱小目标图像增强方法，提高目标检测和识别的准确度，为红外成像技术的应用提供重要支撑。
二、研究内容和目标本文中，我们将研究和探讨现有的红外图像增强方法，并针对其不足之处进行改进，提出一种新的红外弱小目标图像增强方法。
主要研究内容包括：1.分析红外图像的特点，建立红外弱小目标图像的模型。
2.对比现有的红外图像增强方法，分析其优缺点。
3.提出一种新的基于分形多尺度分解的红外弱小目标图像增强方法，并进行实验测试。
4.评估新方法的表现，验证其优越性。
三、研究方法和技术路线本文中将采用实证研究方法，利用MATLAB进行算法实现和实验测试。
具体技术路线如下：1. 收集和预处理红外弱小目标图像数据集，建立红外目标图像的数学模型。
2. 回顾、分析现有的红外图像增强方法，总结其优缺点。
3. 提出一种新的基于分形多尺度分解的红外弱小目标图像增强方法，包括以下步骤:(1)原图像分形多尺度分解；(2)对分解后的子带进行加权平均；(3)对增强结果进行反变换，得到最终增强图像。
4. 对基于分形多尺度分解的红外弱小目标图像增强方法进行实验测试，利用主观和客观评测方法，评估新方法的性能表现。
四、拟解决的问题红外弱小目标图像增强的方法虽然有很多，但大多数方法存在一定的局限和问题，如噪声抑制不足、边缘保留不够、细节信息丢失等。
本文中提出的基于分形多尺度分解的红外弱小目标图像增强方法，将在已有方法的基础上加以改进，重点解决以下问题：1. 提高信噪比，抑制噪声。
2. 保留图像细节信息，同时不破坏目标轮廓。
- 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)。
图像增强处理技术研究一．课题背景及意义随着电子计算机技术的进步，计算机图像处理近年来得到飞跃的发展，已经成功的应用于几乎所有与成像有关的领域，并正发挥着相当重要的作用。
它利用计算机对数字图像进行系列操作，从而获得某种预期的结果。
对图像进行处理时，经常运用图像增强技术以改善图像的质量。
在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降。
在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、相对运动、大气流动等都会使图像模糊，传输过程中会引入各种类型的噪声。
总之输入的图像在视觉效果和识别方便性等方面可能存在诸多问题，这类问题不妨统称为质量问题。
图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。
从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量。
图像增强的目的是增强图像的视觉效果，将原图像转换成一种更适合于人眼观察和计算机分析处理的形式。
它一般要借助人眼的视觉特性，以取得看起来较好地视觉效果，很少涉及客观和统一的评价标准。
增强的效果通常都与具体的图像有关系，靠人的主观感觉加以评价。
目前图像增强处理的应用已经渗透到医学诊断、航空航天、军事侦察、指纹识别、无损探伤、卫星图片的处理等领域。
如对x 射线图片、CT 影像、内窥镜图像进行增强，使医生更容易从中确定病变区域，从图像细节区域中发现问题；对不同时间拍摄的同一地区的遥感图片进行增强处理，侦查是否有敌人军事调动或军事装备及建筑出现；在煤矿工业电视系统中采用增强处理来提高工业电视图像的清晰度，克服因光线不足、灰尘等原因带来的图像模糊、偏差等现象，减少电视系统维护的工作量。
图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。
二．基于点运算的图像增强技术灰度变换（1）利用matlab图像工具箱提供的函数imhist( ) 观察Mr.bmp 的直方图。
为了突出图像中感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换，把0-255整个灰度值区间分为若干线段，每一个直线段都对应一个局部的线性变换关系，常用的是三段线性变换方法，如图4.1所示。
图4.1 三段线性变换其中f(x,y)，g(x,y)分别为原图像和变换后的图像的灰度级，max f 、max g 分别为原图像和变换后的图像的最大灰度级。
灰度区间[a,b]为要增强的目标所对应的灰度范围，变换后灰度范围扩展至[c,d]。
变换时对[a,b]进行了线性拉伸，而[0,a]和[b,max]则被压缩，这两部分对应的细节信息损失了。
若这两部分对应的像素数较少，则损失的信息也相应较少。
其数学表达式如式。
⎪⎪⎪⎩⎪⎪⎪⎨⎧≤<+-⨯--≤≤+-⨯--≤≤⨯=f y x f b d b y x f b f d g b y x f a c a y x f a b c d b y x f y x f a c y x g max ),(]),([max max ),(]),([),(0),(),(分段线性变换可以根据用户的需要，拉伸特征物体的灰度细节，虽然其他灰度区间对应的细节信息有所损失，这对于识别目标来说没有什么影响。
下面对一些特殊的情况进行了分析。
令k1＝c/a ,k2=(d-c)/(b-a)，k3=(max g-d)/(max f-b)，即它们分别为对应直线段的斜率。
当k1=k3=0时，如图4.2（a ）所示，表示对于[a,b]以外的原图灰度不感兴趣，均令为0，而处于[a,b]之间的原图灰度，则均匀的变换成新图灰度。
当k1=k2=k3=0，但c=d 时，如图4.2（b ）所示，表示只对[a,b]间的灰度感兴趣，且均为同样的白色，其余变黑，此时图像对应变成二值图。
这种操作又称为灰度级（或窗口）切片。
当kl=k3＝1，c=d=max g 时，如图4.2（c ）所示，表示在保留背景的前提下，提升[a,b]间像素的灰度级。
它也是一种窗口或灰度级切片操作。
图4.2 三段线性变换MATLAB 软件中，imadjust 函数可以实现图像的灰度变换，通过直方图变换调整图像的对比度。
()gamma top bottom high low I imadjustJ ],[],[,= 其中，gamma 为校正量r ，][high low 为原图像中要变换的灰度范围，][top bottom 指定了变换后的灰度范围。
由于原始图像的灰度较暗，对比度不够强烈，所以调用Matlab 图像工具箱提供的函数imadjust ( )对其进行修正。
结果如上图所示J = imadjust(I,[0.0 0.5],[]);imshow(I), figure, imshow(J)结论:优势：可以充分利用图像中的亮度信息，明显改善图像质量，是一种常用的图像增强算法。
不足：对于受噪声影响明显的图像，该算法增强效果不明显。
即不能有效地抑制噪声。
而且，仅仅利用了图像中的局部信息。
直方图均衡化（2）利用matlab 图像工具箱提供的函数histeq( ) 对Mr.bmp 进行直方图均衡化处理，观察处理前后两幅图像的直方图。
直方图均衡化过程如下：（1）计算原图像的灰度直方图)(K r r P ；（2）计算原图像的灰度累积分布函数k s ，进一步求出灰度变换表；（3）根据灰度变换表，将原图像各灰度级映射为新的灰度级。
在MA TLAB 中，histeq 函数可以实现直方图均衡化。
函数调用方法为：),(N I histeq J =该命令对灰度图像I 进行变换，返回有N 级灰度的图像J ，J 中的每个灰度级具有大致相同的像素点，所以图像J 的直方图较为平坦，当N 小于I 中灰度级数时，J 的直方图更为平坦，缺省的N 值为64。
histeq功能：直方图均衡化。
用法：J = histeq(I,hgram) 将原始图像I 的直方图变成用户指定的向量hgram 。
hgram 中的各元素的值域为[0,1]。
J = histeq(I,n) 指定直方图均衡后的灰度级数n ，默认值为64。
[J,T] = histeq(I,...) 返回从能将图像I 的灰度直方图变换成图像J 的直方图变换T 。
直方图均衡化增加了图像灰度动态范围，也增加了对象的对比度。
结论:优势：能够使得处理后图像的概率密度函数近似服从均匀分布，其结果扩张了像素值的动态范围，是一种常用的图像增强算法。
不足：不能抑制噪声。
三．图像平滑技术（1） 线性滤波输出图像的值等于输入图像滤波后值的局部平均，各个项具有相同的权。
下面是平滑窗口分别为矩形和圆形的情况。
⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=1111111111111111111111111251],[k j h rect ⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=0111011111111111111101110211],[k j h circ 优势：实现简单，去噪效果明显。
不足：去噪的同时会导致结果图像边缘位置的改变和细节模糊甚至丢失。
（2） 非线性滤波中值滤波是一种最常用的图像增强技术，是非线性滤波。
对椒盐噪声有很好的去噪效果。
中值滤波是基于一个移动窗口并计算输入图像在窗口内的像素亮度值的中值作为输出图像窗口中心的像素值而产生的。
给定的图像f(x,y)中的每一个点（m,n ），取其领域s 。
设s 含有M 个像素{a1，a2，⋯，aM}，将其按大小排序，若M是奇数时，则位于中间的那个象素值就是修改后图像g(x,y)在点（m,n）处的像素值；若M是偶数则取中间两个象素的平均值作为修改后图像g(x,y)在点（m,n）处的象素值。
(1)利用matlab图像工具箱提供的函数imnoise ( ) 产生3幅不同的含噪图像并保存为bmp文件（噪声模型分别为gaussian，salt & pepper，speckle）。
J = imnoise(I,'salt & pepper',0.02);J = imnoise(I,'gaussian',0.02); J = imnoise(I,'speckle',0.02);figure, imshow(J);figure, imshow(J);figure, imshow(J);在MATLAB中提供了给图像加入噪声的函数imnoiseimnoise的语法格式为J = imnoise(I,type)J = imnoise(I,type,parameters)其中J = imnoise(I,type)返回对原始图像I添加典型噪声的有噪图像J。
参数type和parameters用于确定噪声的类型和相应的参数。
(2)利用函数MyMeanFilter( )对加噪图像做“均值滤波”处理新建一个M-File函数function MyMeanFilter( J,wb)I2= colfilt (double(J),[wb wb],'sliding','median'); %% 中值滤波I2 = uint8(I2);figure, imshow(I2)title('the processed image by MyMeanFilter1')注：J为含噪图像矩阵（默认），wb为滤波窗口尺寸。
J = imnoise(I,'gaussian',0.02);figure, imshow(J);分别输入如下的滤波窗口尺寸MyMeanFilter(J,3)MyMeanFilter(J,5)MyMeanFilter(J,7)实验结果：5像元×5像元滤波窗口能够取得较好的效果。
随着领域的加大，图像的模糊程度也更加严重。
(3)利用matlab图像工具箱提供的函数medfilt2 () 对(1)生成的含噪图像进行中值滤波。
medfilt2()，中值滤波J = medfilt2(I)用3×3的滤波窗口对图像A进行中值滤波。
J = medfilt2(I ,[m n])用指定大小为m×n的窗口对图像A进行中值滤波。
实验结果：对椒盐噪声的处理效果最好，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特别有效，但对于消除高斯噪声影响效果不佳。
其突出的优点是在消除噪声的同时，还能保护边界的信息。
四.图像的锐化技术图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。