本文主要是介绍图像处理与视觉感知复习--空间域图像增强,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
文章目录
- 图像增强
- 直方图
- 空间滤波器
图像增强
图像增强 { 处理方法 { 空间域方法 { 点处理 ( 变换 ) 模板处理 ( 滤波 ) 频域方法 处理策略 { 全局处理 局部处理 处理对象 { 灰度图像 彩色图像 图像增强 \begin{cases} 处理方法 \begin{cases} 空间域方法 \begin{cases} 点处理(变换)\\ \\ 模板处理(滤波) \end{cases}\\ 频域方法 \end{cases}\\ \\ 处理策略 \begin{cases} 全局处理\\ 局部处理 \end{cases}\\ \\ 处理对象 \begin{cases} 灰度图像\\ 彩色图像 \end{cases} \end{cases} 图像增强⎩ ⎨ ⎧处理方法⎩ ⎨ ⎧空间域方法⎩ ⎨ ⎧点处理(变换)模板处理(滤波)频域方法处理策略{全局处理局部处理处理对象{灰度图像彩色图像
图像增强:是一类基本的图像处理技术,其目的是对图像进行加工,以得到对视觉解释来说视觉效果“更好”、或对机器感知效果来说“更有用”的图像。
直方图
直方图定义1
:一个灰度级在范围 [ 0 , L − 1 ] [0, L - 1] [0,L−1]的数字图像的直方图是一个离散函数 h ( r k ) = n k h(r_k) = n_k h(rk)=nk, n k n_k nk是图像中灰度级为 r k r_k rk 的像素个数, r k r_k rk 是第 k k k 个灰度级, k = 0 , 1 , 2 , . . . , L − 1 k = 0, 1, 2,..., L - 1 k=0,1,2,...,L−1
由于 r k r_k rk 的增量是1, 直方图可表示为: p ( k ) = n k p(k) = n_k p(k)=nk即,图像中不同灰度级像素出现的次数。
直方图定义2
:一个灰度级在范围 [ 0 , L − 1 ] [0, L - 1] [0,L−1] 的数字图像的直方图是一个离散函数 p ( r k ) = n k n p(r_k) = \dfrac{n_k}{n} p(rk)=nnk, n n n是图像的像素总数 n k n_k nk 是图像中灰度级为 r k r_k rk 的像素个数 r k r_k rk 是第 k k k个灰度级, k = 0 , 1 , 2... , L − 1 k = 0, 1, 2...,L - 1 k=0,1,2...,L−1
而对于定义2,
- 它使得函数正则化到 [ 0 , 1 ] [0, 1] [0,1] 区间,成为实数函数
- 函数值的范围与像素的总数无关
- 给出灰度级 r k r_k rk 在图像中出现的概率密度统计
直方图均衡化
基本思想:所谓直方图均衡化,就是吧一幅图像变化成具有均匀分布的概率密度函数的新图像过程。
如果一幅图像的像素占有很多的灰度级而且分布均匀,那么这样的图像往往有高对比度和多变的灰度色调。直方图均衡化处理的“中心思想”就是将原始图像灰度直方图从比较集中的某个灰度区间
变成在全部灰度区间均匀分布
,从而实现图像增强。
直方图均衡化是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同
。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
离散情况下的直方图均衡化算法:
- 列出原始图像的灰度级 r j r_j rj, j = 0 , 1 , . . . , L − 1 j = 0, 1, ..., L - 1 j=0,1,...,L−1
- 统计各灰度级的像素数目 n j n_j nj, j = 0 , 1 , . . . , L − 1 j = 0, 1, ..., L - 1 j=0,1,...,L−1
- 计算原始图像直方图各灰度级的频率
p R ( r j ) = n j n , j = 0 , 1 , . . . , L − 1 p_R(r_j) = \frac{n_j}{n}, j = 0, 1, ..., L - 1 pR(rj)=nnj,j=0,1,...,L−1 - 计算累计分布函数(求前缀和数组)
S k = ∑ j = 0 k p R ( r j ) , j = 0 , 1 , . . . , L − 1 S_k = \sum_{j = 0}^{k} p_R(r_j), j = 0, 1, ..., L - 1 Sk=j=0∑kpR(rj),j=0,1,...,L−1 - 把新的灰度级按就近原则转化到原灰度级(将前缀和数组成像素个数并四舍五入)
g k = I N T [ ( L − 1 ) × s k + 0.5 ] , I N T : 取整 ⇒ 四舍五入 g_k = INT[(L- 1) \times s_k + 0.5], INT:取整 \Rightarrow 四舍五入 gk=INT[(L−1)×sk+0.5],INT:取整⇒四舍五入 - 用原图像 r k r_k rk 和 g k g_k gk 的映射关系,修改原图像灰度级,获得输出图像,其直方图为近似均匀分布
例:
直方图均衡化的缺点:
- 变换后图像的灰度级减少,某些细节消失
- 某些图像,如直方图有高峰,经处理后对比度不自然的过分增强
直方图匹配
生成具有指定直方图
的已处理图像
局部增强
方法:
- 定义一个邻域并将其中心从一个像素移动到另一个像素
- 在每个位置,计算邻域中点的直方图
- 获得直方图均衡或直方图规范变化函数
- 映射以邻域为中心的像素的强度移动到下一个为止并重复改过程
空间滤波器
定义:使用空间模板进行的空间处理,被称为空间滤波。模板本身被称为空间滤波器,模板叫窗口、掩模或核。
二维模板通常是一幅具有规则形状的图像,每个像素点具有一定灰度值,模板的尺寸一般远远小于图像的尺寸。
平滑空间滤波器
作用:模糊处理:去除图像中一些不重要的细节,减小噪声
分类:
-
线性滤波器:均值滤波器
包含在滤波器邻域内像素的平均值,也称为均值滤波器
作用:- 减小图像灰度的“尖锐”变化,减小噪声
- 由于图像边缘是由图像灰度尖锐变化引起的,所以也存在边缘模糊的问题
结论
:对相同类型的平滑滤波器,滤波器尺寸越大,细节模糊效应也越强
答:具有相同的直方图,滤波后的直方图不相同
- 非线性滤波器:
统计排序滤波器- 最大值滤波器:用像素邻域内的最大值代替该像素,主要用途为寻找最亮点
- 中值滤波器:用像素邻域内的中间值代替该像素,主要用途为去除噪声
- 最小值滤波器:用像素邻域内的最小是代替该像素,主要用途为寻找最暗点
锐化滤波器
主要用途:
- 突出图像中的细节,增强被模糊了的细节
- 印刷中的细微层次强调,弥补扫描对图像的钝化
- 超声探测成像,分辨率低,边缘模糊,通过锐化来改善
- 图像识别中,分割前的边缘提取
- 锐化处理恢复过渡钝化、曝光不足的图像
- 尖锐武器的目标识别、定位
锐化滤波器的分类:
二阶微分滤波器:拉布拉斯算子
一阶微分滤波器:梯度算子
拉布拉斯锐化算子模板:
梯度算子:
-
Sobel锐化算子
-
Prewitt算子
-
Isotropic Sobel算子
空间滤波器小结
- 平滑滤波器:系数都为正,一般系数之和等于1
- 锐化滤波器:系数有正有负,若没有提升,系数之和等于0;否则,系数之和大于0
Q&A:
- 图像锐化与图像平滑的区别与联系?
- 图像锐化是增强图像中的细节,使边缘和细节更加清晰,适用于图像细节的增强,图像平滑是减少图像中的噪声和细小不规则,使图像更加平滑,图像中的噪声和小细节被抑制,图像显得更柔和
- 联系:
频率域:两者都涉及频率域操作。锐化增强高频成分,平滑抑制高频成分
滤波器:都使用滤波器,锐化用高通滤波器,平滑用低通滤波器
图像质量:在实际应用中,常常先平滑后锐化,既能去除噪声又能增强细节
- 平滑滤波器和锐化滤波器反复对一幅图像进行处理的结果?
- 平滑滤波反复对一幅图像进行处理,图像会越来越模糊,最终图像将具有统一的灰度值。
- 锐化滤波器反复应用虽然能增强边缘和细节,但也会导致噪声放大、伪影出现和细节丢失
- 用系数之和为0的滤波器对图像滤波,滤波后的图像有什么特点?
- 滤波后图像的平均值为0,导致图像的值有的为正,有的为负,图像的细节部分得到增强,同时放大了噪声。在显示滤波图像时,必须把它转为0到255区间内。
这篇关于图像处理与视觉感知复习--空间域图像增强的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!