图像增强（共11篇）
图像增强 篇1
摘要：在阐明图像增强处理基本方法基础上, 对几种有代表性的图像增强算法 (基于直方图均衡化图像增强算法, 基于模糊集理论的图像增强算法, 基于小波变换的图像增强算法, 基于人眼视觉特性的彩色图像增强算法及基于神经网络的图像增强算法) 做简单介绍, 对现有直方图的均衡化算法进行分析、对比, 综合多种算法对现有直方图均衡化算法做改进, 得出一种新的直方图均衡化方法。
关键词：图像增强,直方图均衡化,MATLAB,对比度增强
1 研究目的和意义
图像增强的目的是改善图像的视觉效果, 针对给定图像的应用场合, 有目的地强调图像的整体或局部特性, 扩大图像中不同物体特征之间的差别, 满足某些特殊分析的需要。其方法是通过一定手段对原图像附加一些信息或变换数据, 有选择地突出图像中感兴趣的特征或者抑制 (掩盖) 图像中某些不需要的特征, 使图像与视觉响应特性相匹配。在图像增强过程中, 不分析图像降质的原因, 处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同, 分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算, 基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正, 是一种间接增强算法[1]。
2 直方图与直方图均衡化
2.1 直方图
1) 直方图又称质量分布图, 是一种几何形图表, 它是根据从生产过程中收集来的质量数据分布情况, 画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。
2) 图像的直方图。 以灰度图为例, 假设图中一共只有0、1、2、3、4、5、6、7 8种灰度, 0代表黑色, 7代表白色, 其它数字代表0～7之间不同深浅的灰度, 见图1。
统计的结果如下, 横轴标示灰度级别 (0～7) , 纵轴标示每种灰度的数量, 见图2。
Photoshop (PS) 中的显示, 见图3。
2.2 直方图均衡化
2.2.1 直方图均衡化的定义
直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图, 然后按均衡直方图修正原图像。当图像的直方图为一均匀分布时, 图像包含的信息量最大, 图像看起来就显得清晰。该方法以累计分布函数为基础, 其变换函数取决于图像灰度直方图的累积分布函数。它对整幅图像进行同一个变换, 也称为全局直方图均衡化[5,6,7]。
2.2.2 对现有直方图均衡化算法进行改进
第一步 根据需要在灰度区间[M , N]上进行直方图粗均衡。 根据需要设定一个灰度区间[M , N], 对用 (1.1) 计算过后的tk进行整合变为t′k, 其中k为新的直方图的灰度数, 区间[M , N]和k需满足下式
主要是为了保证变换后灰度的次序不变, 在上述的前提下, 我们可以在区间[M , N]中根据k等分区间长度, 进行强制直方图的均衡。因此, 我们先要求的就是等分的长度h, 可用下式求得
然后就只需根据一定的映射关系改变t′i的灰度值, 进行新的直方图均衡化, 映射关系如下
经整理
具体的实现过程如下:
1) 给出原始图像的所有灰度级k=0, 1, 2, …, L-1;
2) 统计原始图像各灰度级的像素数nk;
3) 用p (tk) =nk/n计算原始图像的直方图;
4) 用 (4.11) 式计算原始图像的累积直方图;
5) 用 (4.12) 式进行取整计算;
6) 用t″k=M+k×int[ (N-M) / (k+1) ]进行均衡化;
7) 用p (tk) =nk/n计算新的直方图。
由于灰度的范围一般为0 ～255, 因此, 在本文的实验中取M=0, N=255, 所使用的数据来源于网络。在实际应用中, 可根据需要灵活的改变N和M的取值, 以求达到最佳效果。
第二步 通过一定得映射关系在尽可能保留原图像像素的基础上进行二次均衡, 以达到拓展使用的灰度空间。
减少转换过程中出现的像素个数较少的灰度被其周围的像素个数较多的灰度吞噬而造成信息丢失, 以及由此而产生的变换后图像所用灰度个数减少, 造成图像灰度层次感不强的现象, 是对传统算法的一个改进。通过分析式 (1) 可知:对于任意相邻两灰度i和i+1, 如果
采用的方法是建立一个满足下列要求的映射:假设原始图像中灰度i所具有的像素个数为ri, 映射后为r′i, 它们之间的关系为
对映射f的要求是其值域为正实数域。为了与原始图像保持一致, 该映射同时要求为单调递增。虽然每个ri都比以前小, 但Q′=
在传统算法中采用式 (1) 进行灰度转换, 其灰度转换规则不能充分利用灰度的低值部分, 如原始图像中的灰度为0, 极易被转换成非0灰度值, 且灰度为0的像素在原始图像中所占比重越大, 其转换后的值也就越大。因此将转换规则修正为
由式 (6) 所确定的灰度转换可以使转换后的灰度值分布于整个灰度空间, 这样可以将原始图像中的最大灰度值和最小灰度值分别映射成0灰度值和图像格式可以提供的最大灰度值n-1, 从而拓展了所使用的灰度空间。
第三步 首先, 用分频滤波器将图像分成低频和高频两个部分, 只对低频分量进行直方图均衡化, 然后, 将处理过的低频部分和高频部分进行合并, 再对合并后的信息进行中值滤波, 去除噪声, 得到最终增强的图像, 既保留了图像整体对比度和细节信息, 又去除了噪声放大的问题。
1) 将原始图像分频。
由于高斯低通滤波器在时域和频域上都具有比较好的平滑性能, 因此, 采用高斯低通滤波器对图像进行分频, 这样不会导致图像的细微结构发生极性反转。设原始图像为f (x, y) , 经过分频处理后, 图像f (x, y) 被分为两部分:低频部分fL (x, y) 和高频部分fH (x, y) 。低频部分fL (x, y) 含有原始图像的大部分灰度信息, 高频部分fH (x, y) 含有图像的少部分灰度信息。原始图像f (x, y) 与低频部分fL (x, y) 、高频部分fH (x, y) 间的关系可表示为
2) 将低频部分进行直方图均衡化。
对低频部分fL (x, y) 进行直方图均衡化 (HE) 处理。设均衡化之后的低频图像为f′L (x, y) , 则
此时, 低频图像f′L (x, y) 包含着的原始图像的大部分像素灰度级被均衡化分布, 动态范围得到提高, 大大改善了原始图像的对比度。高频部分fH (x, y) 含有原始图像的少部分灰度信息, 这少部分灰度信息包含着图像细节和图像噪声。
3) 将低频信息和高频信息合并。
将低频信息和高频信息进行合并, 设合并后的图像为g (x, y) , 则
由于
所以
合并后的图像g (x, y) 与原始图像相比, 既提高了整体图像的对比度, 又强化了图像细节, 但是含有高频部分的图像噪声。
4) 将合并后的图像进行中值滤波。
可对合并后的图像g (x, y) 进行中值滤波, 滤除图像中的噪声。中值滤波是一种非线性统计滤波器, 是抑制噪声的非线性处理方法。它是从一维信号中的滤波技术—中值滤波技术发展而来的。对于一维信号, 可以在图像画面中开一个一维的小窗口, 使其包含奇数个像素。按像素的灰度值从小到大排列起来, 然后用中间灰度值代替原排列的中间像素的灰度值。窗口然后从左到右移动, 直到边界。窗口下移一行, 再从左到右进行。
2.3 分析比较
2.3.1 仿真实验结果分析
图4和图5是为了验证本文所述的处理方法对低对比度图像的增强效果而专门制作的CAD图像和RGB彩色图像。通过对比图 (b) 和图 (c) 可以发现, 用本文所述的方法处理的图像, 层次感的增强效果明显好于用直方图均衡化方法处理的结果, 整体效果更是远比原始的直方图均衡化效果好的多[1,2,3,4,5,6,7,8]。
2.3.2 分析其优缺点
本文的均衡化算法在一定程度上改善了图像的整体效果, 而且图像噪声的到了很好的抑制。图像在层次感上明显好于原图像, 最大的有点就是在目视条件下图像的失真程度有所改善, 使原图像的灰度丢失率明显下降。就这个效果来说这个算法可以用来处理一些曝光不足的照片, 不过用这个处理照片的实用性还待考究, 因为他需要相当的专业素养。但同时也有很大的不足之处, 对灰度比较接近的图块之间的边界处的处理结果显示的不如原始直方图均衡化结果好。
3 结束语
传统的直方图均衡化算法是一种快速而有效的图像整体对比度增强算法, 但其缺点是容易造成图像细节信息丢失和图像噪声幅度增大。其实无论哪种图像增强手段都有他优点和缺点, 实际中我们完全可以尝试着探索一些这些方法的结合使用, 也许会得到意想不到的效果。在直方图均衡化算法的基础上, 本文所采取的处理方法可以有效防止图像细节信息丢失和图像噪声幅度增大。并经过实验证明, 本文所用的算法处理的图像, 整体视觉效果得到改善, 细节信息更为丰富, 从中可以提取出更有意义的图像特征。
参考文献
[1]朱秀昌, 刘峰, 胡栋.数字图像处理与图像通信[M].北京:北京邮电大学出版社, 2002.
[2] (英) Maria Petrou, (希) Panagiota Bosdogianni.赖剑煌, 冯国灿, 等.译.数字图像处理疑难解析 (Image Process-ing The Fundamentals) [M].北京:机械工业出版社, 2005.
[3]施晓红, 周佳.精通GUI图形界面编程[M].北京:北京大学出版社, 2003.
[4]李介谷, 施鹏飞, 刘重庆, 等.数字图像处理[M].上海:上海交通大学出版社, 1988
[5]阮秋琦.数字图象处理学[M].北京:电子工业出版社, 2001.
[6] (日) 谷口庆治.编.朱虹, 廖学成, 乐静, 等, 译.数字图像处理应用篇[M].北京:科学出版社, 2002.
[7]盛道清.基于多小波变换与图像融合的图像增强方法研究[J].武汉:武汉科技大学出版社, 2008.
[8]朱虹.数字图像处理基础[M].北京:科学出版社, 2005.
图像增强 篇2
浅谈遥感图像辐射校正与增强技术
大多数的遥感图像存在视觉对比度低、分辨率低的缺点,因而在对遥感图像分析之前,通常都需要对图像进行处理.遥感图像的辐射校正与增强技术研究,是做好遥感应用工作的`基础.本文较为详细地介绍了遥感图像校正的主要内容及增强技术的主要方法,并对遥感图像辐射校正与增强技术面临的问题与发展做了简要分析.
作 者：盖乐 作者单位：西南大学地理科学学院,重庆,400715刊 名：科教导刊英文刊名：THE GUIDE OF SCIENCE & EDUCATION年，卷(期)：“”(9)分类号：P23关键词：遥感图像 辐射校正 辐射增强 发展趋势
图像增强 篇3
关键词： 显微图像； 细节增强； 局部窗口； 极值
中图分类号： TN 911 文献标志码： A doi： 10.3969/j.issn.1005-5630.2016.05.006
文章编号： 1005-5630（2016）05-0407-05
引 言
数码显微成像技术是观察微观世界的有利工具之一[1]，但在成像过程中，经常存在一些退化因素，导致最终的显微图像细节模糊。在对焦最佳时，这种模糊主要是物镜的光学退化引入的，也有成像电路等因素的共同作用。这种固有缺陷的存在，以及人们对高质量图像信息获取的需求，都促使研究者致力于如何有效提升细节信息的工作，即细节增强技术。
显微图像细节增强技术，在硬件上需要提升物镜的成像能力，提高采集成像电路的信噪比，但考虑到成本等因素，都难以付诸实践，最佳的方式是利用软件算法的形式作为补偿。在算法实现细节增强方面，有研究者认为是去模糊工作，将其作为一个反卷积的过程。研究者们设计了诸多模型与方法，比如代数去模糊法（最小二乘等），统计法模型（贝叶斯模型法、马尔科夫随机场等），分析模型（基于各种变分的思路），还包括一些综合多特征优势的混合模型[2-3]。为了更好地获得显微去模糊图像的数学解，常常把反卷积问题转化为能量最小化问题，最普通的策略就是使用最优化理论与迭代方法求解，如RL等方法。但反卷积的方法首先需要点扩散函数的估计，其次是计算时间相对较长，作为软件后处理的方式可能会耽误整个成像过程。细节增强，主要是边缘区域，因此有研究者应用共焦空间微分显微镜系统，实现了在获得样品共焦显微图像的同时直接获取对应的边缘增强显微图像，且图像分辨率与对比度较高[4]。有作者将颜色转移技术应用到显微图像的颜色增强上，实现了显微图像的彩色化达到颜色增强的效果[5]。这些方法的效果好，但计算速度有待进一步提升。因此，为实现显微图像细节增强，本文主要考虑非反卷积式的快速细节增强的方法，以配合整个数码显微成像系统的工作。
对于数码显微成像系统中细节增强后处理算法，高对比的细节增强、高效率的运行能力是关键。针对这个问题，本文结合具体的数码显微镜，提出一种基于局部窗口与极值的细节增强方法，解决细节模糊的问题。
1 数码显微成像系统
数码显微成像系统按功能可分为光学部分、硬件电路部分和软件算法部分。光学部分即显微物镜，其主要作用是使被观察物体成像，使得其可用于人眼观察或者电子目镜CMOS感光；硬件部分即电子目镜，一般采用CMOS器件，其主要作用在于将光信号转变为电信号，并以数字方式将图像记录保存；软件算法部分一方面实现图像和视频的显示，另一方面对图像存在的失真与退化进行校准、补偿等以得到物体真实的图像。如图1所示的数码显微成像系统的典型构架，图中显微镜为宁波永新光学股份有限公司所产的液晶数码显微镜，是本文方法的应用与实验对象。系统要求细节增强效果明显，且运行速度在1 s以下。
由于成像系统的缺陷，所获取的显微图像难免细节有所模糊。而数码显微系统具有功能强大的处理器与软件集成系统，使得有机会用算法补偿提升细节，实现显微图像细节的增强，以便于后期的数据分析。本文旨在通过单幅图像的数据，构建图像的局部窗口范围内极值优选方法，实现细节的增强，弥补硬件上的缺憾。
3 实验结果与分析
应用于显微成像系统的本方法具有一些参数，窗口L1的尺寸初始选择为[9，13，17]，对应L2的尺寸为[5，9，13]。 利用三套双窗口系统，获得最终的增强结果。
显微图像的仿真与实拍实验的结果如图3所示。图3中，第一行（a）（b）（c）为原图，第二行（d）（e）（f）为增强的结果。其中，图（a）为仿真显微灰度图（来自百度图片），图（b）（c）为novel （sw82）拍摄实物（椴树年轮切面与木本双子叶植物茎横切），（d）（e）（f）分别为对应的增强结果。在实拍实验中，采用的物镜为永新所产的novel （sw82），电子目镜CMOS分辨率为2 048×1 536，像元尺寸为2.2 μm，图像为彩色，实验物体对象包括木本双子叶植物茎横切和椴树年轮切面。由于实拍图像尺寸太大，本文截取了图像的部分内容作为实验结果的展示。从实验结果观察，经过本文方法的处理，细节层次得到增强，对比相对提升，实现了较好地效果。另外，根据计算速度监测，对于2 048×1 536的图像，本方法计算时间约为0.5 s，完全适用于永新光学的显微成像系统。
此外，为衡量细节增强的程度，引入了三种图像客观评价方法，包括结合视觉注意机制与边缘展宽衡量的显微图像清晰度评价方法[6]，简称为视觉清晰度法；灰度平均梯度GMG（Gray Mean Gradient）法与拉普拉斯算子和LS（Laplacian Sum）法[6]。视觉清晰度法越小越好，灰度平均梯度GMG与拉普拉斯算子和LS越大越好。对于原图与细节增强图的客观评价结果如表1所示。相比于原图，增强后的结果的视觉清晰度指标更低，GMG与LS指标更高，表明增强结果非常有效。以原图作为基准，以视觉清晰度指标、GMG与LS指标作衡量，通过本文方法的增强，评价指标提升的平均百分比分别为20.9%、71.2%与81.8%，也从一定程度上说明了细节增强的有效性。
4 结 论
本文针对显微成像系统成像退化补偿的要求，提出使用双窗口局部极值的手段实现显微图像细节的增强方法。根据数码光学显微镜固有的细节模糊的缺陷，一方面考虑了细节增强方法的效果要求，另一方面是方法的高效运行速度，鉴于数码显微系统的强大处理器与软件集成能力，提出使用局部双窗口去提取不同尺寸的细节，并用极值的选择加强亮细节与暗细节区域的对比，最终快速实现细节的对比增强。通过实验，给出了仿真与实拍数据的结果，利用客观评价手段论证了细节增强的有效性，且运行速度皆满足显微成像系统要求。未来，更多的工作需要投入到参数的自适应选择上。目前认为自适应参数有两个重点：一是对不同场景数据的训练，得出经验数据，而后自动判别选择相应参数；二是可根据大量数据获取普适应的初始参数，而后根据具体的应用场景设计收敛公式实现参数的最优化。
参考文献：
[1] 李艳军，左洪福，吴振锋，等.显微观测技术的新进展及其应用[J].光学仪器，2002，24（2）：37-42.
[2] RICHARDSON W H.Bayesian-based iterative method of image restoration[J].Journal of the Optical Society of America，1972，62（1）：55-59.
[3] CHAN T F，WONG C K.Total variation blind deconvolution[J].IEEE Transactions on Image Processing，1998，7（3）：370-375.
[4] 吴丽如，唐志利，吴泳波，等.应用共焦空间微分显微镜获取边缘增强显微图像[J].光学学报，2014，34（3）：317001.
[5] 朱美娇.低对比度显微图像的颜色增强方法研究[D].杭州：浙江理工大学，2014.
[6] 赵巨峰，毛磊，刘承，等.视觉注意机制与边缘展宽衡量相结合的显微成像清晰度评价[J].光子学报，2015，44（7）：711002.
射线图像增强技术仿真研究 篇4
射线成像系统中,射线穿透物件记录结构信息,与入射射线方向不同的散射射线则增加了图像的噪声,使得射线图像的对比度降低和边缘模糊,有时由于工件结构复杂、结构不均匀等也会使射线图像对比度降低,除了改进数字成像系统减小成像过程中对图像信息的影响,还可以对图像进行处理,通过增强算法使物件的清晰轮廓和局部细节同时显现。本文将局部动态增强与自适应均衡相结合对低对比度射线图像增强进行了仿真研究。
1射线图像降噪
在数字射线成像系统中,由于系统本身的特性及各种外界干扰使图像中含有许多噪声,这不仅降低了图像的对比度和信噪比,也增加了试件检测的难度。对于所获取的射线图像,为了提高检测精度,一般要在图像增强之前先进行降噪处理。
基于小波变换的阈值化降噪法是目前应用最为广泛的方法,通过小波降噪不仅能得到很好的图像信噪比,也能更好地保留图像细节。小波分解将信号分解为近似分量和细节分量,分别对应信号的低频分量和高频分量。对于含有噪声的图像,噪声分量一般集中在细节分量,所以通过对细节分量进行处理来滤除噪声,将信号小波分解后,根据需要由阈值化处理的系数重构出所需的信号。
2射线图像自适应增强算法
自适应对比度增强算法一般是在以像素为中心的处理窗口内,根据该窗口的平均灰度值来进行增强,运算方法如下:
g(m,n)=(f(m,n)-M)×K+M 。 (1)
其中:f(m,n)为(m,n)处处理前的图像灰度值;g(m,n)为处理后的图像灰度值;K为增强系数;M为窗口的平均灰度值。M可以有效地去除不均匀背景的干扰,对不均匀背景起到均匀的增强效果。该算法对于不均匀的低对比度图像有较好的增强效果,算法简单。但在对比度增强过程中,增强系数K是固定的,虽然整体进行了增强却不能对局部图像进行微调。
为了可以进行动态的调整,在算法中增加处理后图像理想的均值E和方差D以及均值调整系数α,通过调整E、D和α,可以按照需要调整增强图像。具体运算公式如下:
undefined。 (2)
其中:N为图像灰度局部统计的方差;A为一恒定值。
恒定值A的设立是为了控制增强倍数不要超过某个阈值,由于该算法中没有阈值控制,所以在计算后有阈值判断的环节,对于不在图像灰度阈值内的点赋值成最高或最低灰度。
2.1 动态调整增强倍数
不同的应用场合下,对于不同灰度值的增强要求是不一样的。比如在某些情况下,高灰度值区域对对比度增强要求不高,低灰度区域则要求高的增强倍数,因此要根据需要适时调整增强倍数,通过调节期望方差和最大增强倍数来调节增强倍数。需要指出的是,方差过小会引起对比度的下降,所以D不宜太小,对于低方差图的情况,图像增强主要依靠调整最大增强倍数。
图像局部灰度值和A值的关系可以通过各种函数进行调节,例如使用窗口平均值幂函数的倒数,当局部灰度值增加时,A的值很快趋向于恒定值。有时也通过建立索引表以加快运算速度。
2.2 全局自适应均衡
灰度值分布不均匀的射线图像,图像值域较宽,局部对比度较小,这种图像在进行局部动态增强的对比度增强后,图像暗区域部分得到了增强,但由于全图区域灰度值低,整个图像的视觉效果并不明显。针对这一情况,采用灰度直方图均衡处理较为有效。具体方法是:首先确定阈值t,以待处理像素点a为滑动窗口的中心,在待处理点a的4邻域中搜索差值小于阈值t的点记为b,将这些标记为b的像素点作为目标;然后将距离这些区域距离为1/2的点记为c;最后将所有标记过的点作为统计信息进行全局自适应均衡。上述过程减少了对图像噪声的统计,在一定程度上避免了统计的盲目性。将灰度值为G的像素经过直方图的均衡后灰度值记为H(G),于是具有局部动态增强倍数的对比度增强算法可表示为:
undefined。 (3)
3仿真实验
本文采用低对比度射线图像进行小波去噪和自适应增强仿真实验。原始图像见图1。
3.1 去噪仿真
首先应用二维小波对射线图像进行去噪,降噪后图像见图2。
3.2 对数增强算法仿真
若仅想增强暗区域的对比度,可以使用对数进行变换,图3是对数变换后的效果图。
通过对比我们发现,使用对数变换之后的图像增强在构件图像暗区域有较好的增强效果,但削弱了亮区域的对比度,所以图3中的右上角部分的图像显示不清楚。
3.3 本文中研究的增强算法仿真
自适应增强后图像见图4。从图4可以看出,这种自适应对比度增强算法使得图像物体整体轮廓清晰的同时也突出了局部细节,整体图像的亮区域和暗区域都有较好的增强效果。
从上面的仿真实验可以得出,将全局自适应均衡与局部增强倍数动态调整相结合,这一方法使复杂构件射线图像的整体轮廓和局部细节都得到兼顾。
4结论
在射线图像的增强中,全局自适应均衡与动态调整增强倍数相结合的增强算法在灰度值范围分布较广的情况下可以实现局部不同增强倍数的要求,达到细节对比度增强和全局清晰的效果。通过仿真实验验证了基于小波变换的图像降噪和全局自适应增强与局部动态调整相结合的图像增强算法是有效可行的,这一算法对复杂构件的无损检测有一定的实际意义。
参考文献
[1]李汉志,赵宝升,李伟.一种新的X射线图像增强算法[J].现代电子技术,2010,33(10):105-107.
[2]蔡兰,陈祯,梅林.图像增强技术在X射线探伤中的应用[J].无损检测,2005,27(5):256-258.
[3]李久贤,孙伟,夏良正.一种新的模糊对比度增强算法[J].东南大学学报,2004,34(5):675-677.
[4]吴颖谦,施鹏飞.基于小波变换的低对比度图像增强[J].红外与激光工程,2003,32(1):4-7.
[5]陈志强,徐丹,张丽,等.用于高能射线透视成像的大型图像对比度增强算法[J].中国体视学与图像分析,2003,8(2):65-68.
[6]朱其刚,朱志强.基于自适应邻域灰度直方图均衡的超声内窥镜图像增强[J].山东科技大学学报,2004,23(3):120-123.
图像增强 篇5
关键词：豆类图像；图像增强；小波变换；小波软阈值；改进自适应中值滤波
中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0433-03
收稿日期：2013-09-08
作者简介：周仕友（1970—），男，贵州兴仁人，硕士，实验师，主要研究方向为计算机控制模型分析与设计、计算机图像处理。E-mail：zhoushiyoumaster@126.com。实时化获取高质量的农作物长势图像是实现对植物长势、病虫害自动化检测以便对农产品产量进行估算的前提。由于气候、降水、土壤等自然因素以及图像在拍摄、记录、传输解码等过程中不可避免会受到噪声的干扰，导致所获取的图像一般为降质图像。因此，对该类图像进行增强处理，以便从大量噪声中高质量地复原出来，对于后续的图像判别意义重大。石永华等采用Contourlet变换对农业图像增强方法进行了研究[1]。印红群等研究了木材缺陷图像的小波域阈值去噪问题[2]。邵乔林等将邻域直方图方法引入到玉米图像中，实现了玉米图像的自适应分割[3]。夏政伟等将多重分形理论应用于玉米病害图像的特征提取研究[4]。程玉柱等提出基于Bayes与SVM的玉米图像分割方法[5]。以上研究主要是通过对降质图像进行特征提取、分割将感兴趣的目标加以突出，但由于后续的研究目标、方法不同，导致感兴趣的目标也有所不同，先期的特征提取结果未必适合后续研究。本研究针对受到高密度干扰的豆类图像，将小波变换与改进自适应中值滤波有机结合，提出了一种针对该类图像的自适应增强算法。
1.2豆类图像小波变换基本实现流程
通过以上分析可知，小波变换通过对图像进行多级分解，对获得的多尺度分解系数进行适当处理，在此基础上实现分解系数重构。因此，通过这一框架实现对农业豆类图像的增强处理，理论上是可行的，基于小波变换的豆类图像处理流程如图1所示。具体步骤如下：步骤1：对降质的豆类图像实现多尺度小波分解。研究表明，小波分解层数并非越多越好。本研究实现2层分解，采用“Symlets”小波簇中的“sym8”小波函数作为小波分解的基函数，从而获得分解后的低频和水平、垂直、对角方向的高频系数。步骤2：低频分解系数主要是豆类图像中植物边缘轮廓等低频信息的反映，降质程度不是很严重，若不加以处理，对重构后图像质量的提高也会有所影响。鉴于小波软阈值函数的良好性能，因而将其引入，对该部分系数加以处理[7]。步骤3：小波分解对于图像信号具有较好的集中性能，从而使得图像信息大体呈现水平、垂直、对角分布，因此本研究详细讨论该部分系数的处理方法；步骤4：将步骤2、步骤3获得的处理后的低频、高频分解系数重构，获得增强后的豆类图像。
2改进自适应中值滤波算法
自适应中值滤波通过采用固定大小的模板在待处理图像上滑动，对于任一噪声点而言，取该点模板尺寸大小的邻域中所有像素点灰度值的中间值赋值作为噪声点像素值的修正值输出。该算法的不足之处在于：（1）图像中像素值出现极值的像素点未必全部是噪声点，对图像所有像素点全部进行排序取中间值计算，会将图像中有用信息滤除；（2）对图像反复进行排序取中间值，会增加计算量，事实上，图像中相当一部分像素点不需要进行滤波处理，“强行”滤波一方面使得计算量呈现几何级数增长，另一方面也降低了图像质量。
2.1噪声预判别策略
3仿真试验
3.1试验方案
随机拍摄2幅豆类长势图像作为试验数据，通过对其分别加入不同强度的噪声来模拟降质图像。事实上，现实中的豆类图像的降质程度不及本研究的降质程度，之所以采用模拟降质图像作为试验数据，一方面是可通过对其中的降质量源进行定量控制从而便于衡量算法的优劣；另一方面是因为算法若能对高降质量模拟图像进行处理，那么对于现实中的豆类降质量图像处理必定能取得理想效果。为了便于横向比较，将本研究算法处理结果与小波软阈值、自适应中值滤波算法进行比较，引入均方根误差（MSE）[8]作为算法效果定量计算指标（表1）。
4结论
为了改善豆类图像视觉对比度，将小波变换与自适应中值滤波相结合，提出了一种该类图像增强算法。结果表明，本研究算法相对于小波软阈值、自适应中值滤波而言，效果较为明显，适合该类图像的自适应处理。
参考文献：
[1]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.
[2]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.
[3]邵乔林，安秋. 基于邻域直方图的玉米田绿色植物图像分割方法[J]. 江西农业学报，2011，23（5）：126-128，135.
[4]夏政伟. 多重分形理论在玉米病害图像特征提取中的应用[J]. 南方农业学报，2013，44（5）：871-874.
[5]程玉柱，陈勇，车军，等. 基于Bayes与SVM的玉米彩色图像分割新算法[J]. 江蘇农业科学，2012，40（7）：355-358.
[6]王成刚. 基于小波变换和形态学的图像去噪方法研究[D]. 西安：长安大学，2009.
[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.
[8]刘钺. 小波模极大值在图像消噪中的应用[J]. 计算机工程，2011，37（6）：200-202.
一种改进图像增强化方法 篇6
依据传统直方图均衡化算法的基本思想我们可以很容易得出, 直方图均衡化处理增强图像时会发生图像灰度级的丢失, 目标图像中所包含的较少的像素所对应的灰度级会被缩减合并。而这一问题最终导致的结果就是, 经直方图均衡化处理后的图像中的一些细节信息被丢失继而图像局部变得模糊, 无法得到令人满意的处理效果。由此, 我们就应该考虑如何来保留目标图像中的细节信息, 使均衡化以后的图像既可以提高对比度, 同时又不损失我们所需的细节信息。本文经过大量的试验验证, 得出一种改进的方法能够在均衡化图像增强时, 保留目标图像细节信息。即在图像进行均衡化处理前, 首先提取原图像中的细节信息, 再将目标图像经直方图均衡化后的结果与事先获取的细节信息叠加, 以此实现了既提高图像对比度的同时又可以使处理后的图像包含更多细节信息。
1 直方图均衡化
直方图均衡化是将原图像通过某种变换, 得到一幅灰度直方图为均匀分布的新图像的方法。直方图均衡化算法是图像增强算法中的最常用、最重要的算法之一。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。这些方法是不以图像保真为原则的, 它们是通过增强处理算法有选择地突出某些对人或机器分析感兴趣地信息, 抑制一些无用信息, 以提高图像地使有价值。在实际应用中, 应针对不同的图像应采用不同的图像增强方法, 或同时采用几种适当的增强算法进行实验, 然后从中选出视觉效果较好的、计算不复杂的、又合乎应用要求的一种好的算法。
1.1 直方图均衡化的数学理论
对于一个连续预处理图像, 设r为增强后的图像, s为经变换后图像的灰度。且假定像素灰度已被归一化了, 即当r=s=0时, 图像为黑色;当r=s=1时, 图像为白色;T (r) 为变换函数, Pr (r) 为原图像概率密度函数, 则二者满足如下关系:
其中:r为积分变量, 式上式的右边可以看作是r的累积分布函数, 因为累积分布函数是r的函数, 并单调地从0增加到1, 所以这一变换函数满足T (r) 在0≤r≤1内单值单调增加, 且当0≤r≤1, 有0≤T (r) ≤1。
则对上式求导既有
又因
其中sP (s) 为变换后图像的灰度级概率密度函数, 将式 (2) 带入式 (3) 则有:
由此可见, 变换后的变量s其定义域内的概率密度分布是均匀的。所以当用r的累积分布函数作为变换函数时, 可产生一幅灰度级分布具有均匀概率密度的图像, 即实现了扩展像素取值的动态范围。
那么对于离散的数字图像来说, 则必须引入离散公式。而当图像的灰度级是离散值的时候, 用频数近似代替概率值, 所以有:
此时, 直方图均衡化累积分布函数的离散形式即可得出,
1.2 直方图均衡化具体步骤
(2) 统计出原图各灰度级的像素个数in;
(4) 通过灰度变换函数来计算得出变换后图像的灰度值, 并四舍五入 (即进行图像灰度级合并) , 表达式为
(5) 得出灰度变换关系i→j, 并由此灰度变换关系将原图像的灰度值f (m, n) =i修正为g (m, n) =j;
(6) 统计出变换后各灰度级像素个数nj;
(7) 计算得出变换后的图像直方图:
由上式推导我们不难得出, 当此二灰度值之差小于1时, 原输入图像中灰度范围在的所有灰度级将被合并为一个灰度级映射到新的输出图像中, 这样就导致了图像的边缘等细节部分对应的灰度级概率较小, 也即图像在进行直方图均衡化的过程中容易造成图像的细节丢失。
2 算法原理及流程
在灰度图像中, 图像的细节部分往往是灰度级变化显著的地方, 而它对应于图像频域中的高频部分。因此可以通过一系列的高通滤波抑制低频来提取图像的高频细节成分。频域中可以利用理想、巴特沃斯和高斯等高通滤波器及频域小波变换的方法来提取图像的高频成分。空间域中有梯度法、拉普拉斯运算法和反锐化掩模法等。
2.1 图像细节信息的提取
本文采用针对传统直方图均衡化中由于灰度级合并而丢失图像细节的问题, 可以考虑先把图像细节提取出来。然后再将其与原图像直方图均衡化处理后的结果相叠加来增加图像的灰度级, 从而使图像包含更多细节信息。
在灰度图像中, 原图像中的细节部分一般都表现为灰度级的变化极为显著, 也即图像的细节信息对应于原图像所包含的频域中的高频部分。由此我们能够通过高通滤波器来抑制低频继而获取到我们所想要的高频细节部分。这一步骤在频域空间中我们可以通过利用理想高通滤波器, 巴特沃斯和高斯等高通滤波器又或者是频域小波变换等方法来实现目标信息的获取。那么在空域空间中则可以通过梯度法, 拉普拉斯运算法和反锐化掩模法等来实现目标信息的获取。考虑到于空间域中的算法简单且运算速度较快, 故本文会选用空间域中的算法来提取图像的高频成分, 具体算法罗列如下:
(1) 水平垂直差分梯度法表示为:
(2) 罗伯特 (Robert) 梯度法表示为:
(3) 拉普拉斯算法表示为:
拉普拉斯算法可用掩模表示为:
(4) 反锐化掩模法基本算法为:
需要注意的是, 式中fˉ (x, y) 为原待处理图像f (x, y) 的模糊图像, 也即相当于抑制掉了高频成分后的图像。fˉ (x, y) 本文将采用简单的领域平均法计算, 那么我们取方形窗口大小为3×3对原待处理图像进行模糊处理, 则对应的掩模即可表示如下:
2.2 算法流程
(1) 利用2.1节的方法我们将提取到的原待处理图像的高频部分进行权值赋予为λ, 那么就可以得到原图经过增强后的图像的高频成分λ|f (x, y) |。
(2) 紧接着我们再利用传统直方图均衡化算法, 对原待处理图像进行增强处理并得到直方图均衡化后的图像h (x, y) 。
(3) 最后, 我们把所获取的两个结果经行叠加, 并依据图像具体情况经行λ值的调整, 以防止处理后图像的灰度溢出, 我们将结果中超出255的灰度值取为255, 继而得到最终处理后的图像g (x, y) 。最终处理后的图像与传统直方图均衡化处理后的图像相比, 由于叠加了原图像的高频细节成分, 使得本文算法处理后的图像图像既能保留较高的对比度同时还包含更多的原图像细节信息。
3 实验结果分析
接下来, 我们通过实验对本文算法经行验证。本文选取户外采集的降质图像经行实验论证, 并采用张冰提出的图像质量评估参数对实验后的结果图像经行分析。同时引入信息熵和峰值信噪比对处理结果图像经行评估分析。其中对于信息熵我们稍作解释, 在信息论中, 熵被用来衡量一个随机变量出现的期望值。它代表了在被接收之前, 信号传输过程中损失的信息量, 又被称为信息熵。信息熵也称信源熵、平均自信息量。那么在图像处理中, 我们可以这样理解, 即其为描述图像中所含信息丰富程度的物理量。对于降质图像的处理结果如下图一至图四和表一所示:
有实验结果图像我们不难看出, 相较于传统直方图均衡化处理和其他的增强算法, 本文算法处理后的图像在提高图像对比度的同时由于叠加了原待处理图像中的细节信息, 使得处理后的图像更为理想, 对于图像中的人, 车的轮廓更为清晰, 并未发生图像过冲的现象, 相反包含了更多的细节信息。而且通过本文算法处理后的图像, 其信息熵和峰值信噪比都有了显著的提高, 是处理后的图像尽可能的包含了原图的细节成分, 从而使得图像无论是从主观的观感度还是客观的数据分析证明, 都能有一个理想的处理结果。
4 结论
针对传统传统的直方图均衡化处理后后图像由于灰度级过度合并而减少减少并丢失图像细节的问题, 本文提出预先保留原图像中较意丢失的细节信息成分, 然后再将预先保留的细节成分与待处理图像经传统直方图均衡化的处理后结果做叠加, 来达到既增强图像的整体对比度又保留原图像更多细节信息的目的。经实验结果验证, 本文提出的方法能够实现提高图像对比度的同时保留灰度级对图像进行增强处理的目的, 且本文算法复杂程度低, 计算量小, 具有一定的普遍适用性。但是, 本文算法仅仅采用了一种简单快速便捷的图像高频细节成分获取方法来获取所需图像信息, 对待处理图像中的细节的提取精度还需要进一步的改善提高, 故而如何既快速又准确提取图像细节, 以及如何对图像增强算法的有效性进行更合理的定量评估是下一步工作的主要内容。
摘要：依据直方图均衡化算法实现的基本原理, 分析得出经传统直方图均衡化处理后由于传统直方图均衡化算法的自身弊端造成的图像灰度级丢失, 致使处理后的图像细节信息的大量损失进而使得处理后的图像边缘模糊。对此本文给出了一种改进的图像增强方法。即先提取原图像中的高频细节, 可以在空间域中提取, 或者在频域中提取。最后再将预先提取好的细节成分与原图像的直方图均衡化处理后的结果进行叠加。通过实验验证, 与传统的直方图均衡化算法相比, 本文算法处理后的目标图像可以增强了整体对比度, 更可以很大程度的保留了原图像的细节信息。
关键词：高通滤波,直方图均衡化,反锐化掩膜
参考文献
[1]Polese A, Ram pon iG, M athewsV J.Im age Enhancem entVia Adaptive U nsh arp M asking[J].IEEE Trans.Im ageProcessing, 2000 (9) :505-5101.
[2]田岩, 彭复员.数字图像处理与分析[M].武汉:华中科技大学出版社, 2009.
[3]Milan Sonka, Vaclav Hlavac, RogerBoyle.图像处理、分析与机器视觉[M].3版.艾海舟, 苏延超, 兴军亮, 等.北京:清华大学出版社, 2011.
[4]王群, 何永强, 周云川.基于中值滤波和生物仿生学的图像增强研究[J].光电技术应用, 2011, 26 (5) :51-55.
[5]刘刚, 王立香, 董延.MATLAB数字图像处理[M].北京:机械工业出版社, 2010.
图像增强 篇7
关键词：Matlab软件,图像增强,灰度变换,噪声
在数字图像处理中, 图像增强是采取图像处理技术将图像中的重要信息突出, 不需要的信息弱化或清除, 以使图像更为清晰。采用图像增强技术可以改善图像质量, 通常所采用的技术方法为空间域去噪方法和频率域去噪方法。空间域去噪方法是运算处于空间域内的图像像素的灰度值, 并直接处理噪声。频率域去噪方法是运算某种变换域内的图像的变换值。比如, 将图像的对比度增强, 可以起到增强图像的效果。
1 空间域去噪算法
空间域去噪, 要确定噪声点且重新幅值。运用空间域滤波法对图像的灰度值以调整, 采用相应的图像处理技术处理图像的像素。运用空间域去噪算法增强图像效果, 一般会选用平滑线性空间滤波器及统计排序非线性空间滤波器两种方式。
1.1 平滑线性空间滤波器
平滑线性空间滤波器包括多种滤波方式, 其中均值滤波器操作简单。通过求取出模板中所含有的像素平均值, 利用一定尺寸的模板操作图像邻域之间的像素。为了能够使所有的像素都可以滤波, 要确保像素点刚好呼吁模板的中心位置。要对, 要移动模板以满足实验的需要。平滑线性空间滤波器虽然操作简便, 计算数值的速度较快。但是图像的模糊程度会有所提高, 特别是图像的边沿以及细微之处, 图像扩散范围逐渐增大, 就越是模糊。
1.2 非线性排序统计滤波器
非线性排序统计滤波器多采用中值滤波器对图像滤波。中值滤波算法是对一个邻域内的滑动窗口内的所有像素灰度值按照一定的排列排列, 窗口中心像素的原灰度使用中替代, 可以抑制随机噪声, 图像的边沿稳定;中值滤波器是对于所有的像素点都要采用同一滤波处理方式, 误差值也存在其中, 使得图像边缘遭到损坏。
2 频率域去噪算法
频率域去噪法是运用低通滤波方法修正图像的频谱, 将图像从空间域转向频率域处理图像。频域滤波方法基于空间域转换而来, 图像从空间域转换到频域中, 去除变换后的噪声系数, 再以反变换方式将图像由频域转换到空间域中, 图像去噪完成。在图像转换中, 傅里叶变换起到了重要的作用, 尤其对图像边缘位置的去噪效果更好。频域滤波方法在图像增强处理时仍然存在着局限性, 当图像信号与噪声的频带相互重叠, 就会影响到图像去噪效果就会受到影响, 表现为图像边缘模糊不清, 图像的细节损坏。
3 运用Matlab软件实施图像增强技术
3.1 Matlab软件的功能
Matlab软件所形成的集成环境中, 可以支持概念设计、算法开发、建模仿真, 技术性处理程序包括数据分析、工程与科学绘图、数值和符号的计算。图像处理中, 还要进行仿真和原型开发。Matlab软件具备图形基础环境, 且对于有关信息进行数值分析。Matlab软件中, Matlab Toolbox (工具箱) 可以实现多种算法的比较, Matlab Compiler编译器可以自动生成C代码, 加快应用程序的开发速度。Simulink的功能在于建立仿真环境, 运用仿真驱动程序, 无需书写代码, 就可以将系统模型创建出来。Stateflow作为驱动系统, 可以建立嵌入式系统, 对于设计模型进行分析、处理, 建立仿真功能。
3.2 图像增强技术
基于Matlab的图像增强处理, 采用均值滤波。由于均值滤波算法的灵活度不够, 如果图像污染程度较低, 采用均值滤波极为有效。如果图像已经严重污染, 均值滤波的敏感度就难以满足增强图像效果的技术需求。
3.2.1 均值滤波对高斯噪声的滤波效果
创建预定义的滤波算子运用f special函数, 表示为:
如果运用目测方式感受图像的视觉效果, 采用高斯噪声进行均值滤波去噪效果良好, 但是图像的邻域半径需要扩大。判定去噪效果, 需要采用度量方式才能够提高图像效果。
3.2.2 高斯噪声的滤波辅之以线性加权滤波方法
采用线性加权滤波方法对图像进行去噪, 如果图像的噪声污染非常严重, 中心权值相同的模板的滤波能力就会明显下降。处于同等的噪声污染程度, 随着滤波器中心权值能力相对较小, 滤波器的滤波能力就会有所增强, 可以获得较好的图像视觉效果。如果图像的噪声污染程度较轻, 图像的滤波方式可以做出调整, 即采用线性加权滤波方法的图片去噪效果较好。针对于重度噪声存在的图像, 采用线性加权滤波方法, 就很难达到令人满意的图形啊视觉效果。但是, 线性加权滤波方法的算法极具灵活性, 而且图像去噪具有较强的适应性, 且与其他滤波方式相比, 具有较短的滤波时间。线性加权滤波方法对图像去噪的对比效果见图1、图2。
3.2.3 倒数加权滤波对高斯噪声的滤波效果
图像处于同等的噪声污染程度, 采用倒数加权滤波, 可以利用其较强滤波能力, 使得图像细节的噪声得以消除。中心权值小的滤波器, 如果模板的中心权值相同, 噪声滤波的能力就会下降。如果图像为轻度的噪声污染, 运用倒数加权滤波方法处理图片, 效果会较好, 且在图像的细节上及边缘区域具有一定保管能力。如果噪声污染为重度, 采用倒数加权滤波就很难获得良好的图像去噪效果。基于倒数加权滤波算法具有一定的灵活性, 可以对于图像增强技术的参数以调节, 因此, 针对于噪声污染程度不同的图像, 倒数加权滤波方法可以通过调节参数发挥其适应性, 以获得理想的图像去噪效果。
4 结语
综上所述, 基于Matlab的图像增强技术, 要发挥其图像噪声去除能力, 就要运用好的滤波算法, 同时还要保持图像的边缘和细节。本论文对于图像去噪处理, 采用了均值滤波去噪法、线性加权滤波去噪方法、倒数加权滤波去噪法, 对于图像增强效果以对比。由于图像的污染程度不同, 其在图像增强技术处理中, 细节之处存在着差异, 使得图像去噪效果有所不同。
参考文献
[1]徐辉.基于matlab的图像增强技术的分析与研究[J].湖北第二师范学院学报, 2008, 25 (8) .
[2]杨新华, 王艳, 段永军, 等.基于MATLAB的图像增强处理系统的设计与实现[J].火力与指挥控制, 2008, 33 (6) .
[3]宋杰静.基于matlab的图像增强技术的研究[J].计算机光盘软件与应用, 2011 (17) .
[4]吴斌, 吴业东, 张红英.基于变分偏微分方程的图像复原技术[M].北京:北京大学出版社, 2008.
[5]李琳, 蒋华伟, 刘啸岭.基于小波变换的数字图像压缩编码方法研究[J].微计算机信息, 2007 (19) .
[6]王洪兰, 张若钢.浅谈图像增强的直方图处理及其MATLAB实现[J].电脑知识与技术, 2007, 3 (16) .
图像增强 篇8
1 MATLAB数字图像处理的特点
MATLAB全称是Matrix Laboratory (矩阵实验室) , 一开始它是一种专门用于矩阵数值计算的软件, 从这一点上也可以看出, 它在矩阵运算上有自己独特的特点[1]。实际运用中, MATLAB中的绝大多数的运算都是通过矩阵这一形式进行的。首先必须对其在空间和亮度上进行数字化, 这就是图像的采样和量化的过程。二维图像均匀采样, 可得到一幅离散化成M×N样本的数字图像, 因而用矩阵来描述该数字图像是最直观最简便的, 用MATLAB处理数字图像非常的方便。
2 MATLAB实现灰度直方图及直方图均衡化
图像的直方图是图像中各灰度值统计特性与图像灰度值的函数, 它统计了一幅图像中各个灰度级出现的次数或概率。表现在图形上, 直方图是一个二维图, 其横坐标表示了图像中所有可能出现的灰度级, 纵坐标为各个灰度级对应的图像中像素点出现的次数或概率。直方图很直观地描述了一幅图像的灰度级内容, 任何一幅图像的直方图都包含了丰富的信息, 它主要用在图像分割、图像灰度变换等处理过程中。
2.1 图像的对比度调整
MATLAB中提供了专门绘制直方图的函数imhist () , 该函数可以直接绘制出图像的灰度直方图。对比度调整函数imadjust () 可以用于原直方图对比度较低的图像, 将占有图像中绝大多数像素点的一段灰度级或感兴趣的一段灰度级扩展到整个灰度范围, 以达到突出需要的特征, 增强图像可利用度的效果。
程序如下:
a=imread ('ccdphoto.bmp') ;%读取图像
imhist (a, 256) ;%分256级显示图像a的直方图
b=imadjust (a, [50/255, 100/255], []) ;%这幅图像就是因为采光不足造成原图像对比度较小, 灰度值集中在50~100之间该操作只取了这段灰度扩展到[0, 255], 会明显增强图像对比度。
figure, imshow (b) ;%显示图像b
figure, imhist (b, 256) ;
实验产生的对比图1、2所示。
从图1、2可以看出, 原始图像动态范围较小, 整体较暗, 反映在直方图上像素主要集中在低灰度的一侧, 如图2 (a) 所示。经过对比度调整, 图像变亮, 可以看到更多的细节如图1 (b) 和图2 (b) 所示。
2.2 图像的直方图均衡化
直方图均衡化的基本思想是把原始图像的直方图变换成均匀分布的形式, 这样就增加了像素灰度值的动态范围, 从而达到了增强图像整体对比度的效果。MATLAB中提供的histeq () 命令可实现这一操作。
程序如下:
a=imread ('ccdphoto.bmp') ;%读取图像
c=histeq (a) ;%对图像a进行均衡化生成图像c
imshow (c) ;
figure, imhist (c, 256) ;
对图1 (a) 进行直方图均衡化后产生的图像及对应直方图如图1 (c) 和图2 (c) 所示。
从图1、2可以看出, 经过直方图均衡化处理后, 图像变得清晰了, 处理后的图像直方图分布更均匀了, 在每个灰度级上图像都有像素点。
3 MATLAB实现图像的平滑滤波
图像平滑主要是为了消除噪声。噪声并不限于人眼所能看得见的失真和变形, 有些噪声只有在进行图像处理时才可以发现。图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。图像中的噪声往往和信号交织在一起, 尤其是乘性噪声, 如果平滑不当, 就会使图像本身的细节如边界轮廓、线条等变得模糊不清, 如何既平滑掉噪声又尽量保持图像细节, 是图像平滑主要研究的任务。我们可以很方便的运用一些函数完成数字滤波工作, 从而改善图像质量。用滤波器祛除图象噪声 (分别用均值滤波、中值滤波、及维纳滤波器祛除加入高斯噪声的图象) 程序如下;
a=imread ('ccdphoto.bmp')
b=imnoise (a, 'salt&pepper', 0.05) ;%加入强度为0.05的椒盐噪声
c=filter2 (fspecial ('average', [3, 3]) , b) ;%用3×3的平均掩模对加入椒盐噪声的图像进行均值滤波
d=medfilt2 (b, [3, 3]) ;%用3×3的掩模对加入椒盐噪声的图像进行中值滤波
e=wiener2 (b, [5, 5]) ;%进行维纳滤波
从以上试验可以看出, 选取不同的滤波器产生的最终效果也不同, 中值滤波对含有椒盐噪声的图像滤波效果较好。因此在进行图像滤波时要针对噪声的类型选择合适的滤波器。
结束语
本文讨论了MATLAB在测量图像增强方面的应用。重点介绍了直方图均衡、平滑滤波、锐化等操作。实验结果表明, 应用MAT-LAB进行图像增强具有较好的效果和实际应用价值。MATLAB为图像处理提供了一种简单、快捷的方法, 大大提高了图像处理的效率, 提升了图像处理的效果。
参考文献
手背静脉图像增强和分割方法 篇9
由于近红外摄像机采集到的手背静脉图像的对比度不高且灰度值不均衡,所以静脉图像的增强处理方法是研究的重点。文献[3,4]中首先对静脉图像进行二值化分割,然后以端点、交叉点为基础进行特征提取和识别,文献[5]通过提取手背图像局部SURF特征进行两幅图片的匹配;文献[6]通过提取静脉图像经轮廓波(Contourlet)变换后不同尺度下的子带能量为全局特征,文献[7]用中值滤波对整个手背静脉图像进行预处理,然后用逐点象素比对法进行手背静脉匹配。以上算法都取得了一定的效果,但是也存在一些不足,该文主要对手背静脉图像进行增强和分割处理,为下一步的特征提取和识别处理奠定研究基础。
1 手背静脉图像预处理
1.1 手背静脉图像采集
近红外手背静脉图像捕获的原理是:人体静脉血液中含有的血红蛋白成分具有吸收波长为700-1100nm区间近红外光线的特性。而此区间的近红外光线能够轻易的穿透3mm深度的人体肌肉或骨骼。因此,利用特定波长的近红外发射器均匀照射手背区域,再用近红外摄像机采集手背区域的反射光线,即可采集到手背静脉图像[8]。作者所在项目组根据此原理研制了近红外手背静脉图像采集装置[9]。经过对比实验,近红外发射光源采用波长为850nm的LED组,近红外摄像机选择普通的COMS黑白摄像机。拍摄手背静脉图像样本如图1。
1.2 感兴趣区域分割
由于采集到的图像包含手背边缘及背景,会对识别结果造成一定影响,因此需要切割出感兴趣区域(只含手背皮肤和血管的区域),以便后期的处理及识别。该文提出一种动态确定感兴趣区域的方法,该方法能够有效解决小范围手背平移的影响。
图2(b)是图2(a)二值化后的图像,设为I,分割阈值是128,m,n分别为图像的宽和高,I的灰度值归一化到[0,1],做如下操作来确定感兴趣区域:
1)令y = n,转(2);
2) 将第y行的象素相加得sum,若sum大于250,转(3)。否则y=y—1,继续步骤(2);
3) 令x=1,转(4);
4)若I(x,y)= 1,转(5),否则x=x+1,继续步骤(4);
5) 令x=x+15,则从x到x+219,y到y-139,即为分割的感兴趣区域。
通过以上步骤,把采集的320×240大小的原始图像,截取为包含重要静脉信息的220×140大小的图像。如图2(d)。切割后得到的图像不仅去除了背景及边缘的信息,而且保留了重要的静脉信息。为了便于后续处理,进一步利用仿射变换把220*140的图像缩放为60*120大小。
1.3 手背静脉灰度归一化
由于不同人的肤色差异,以及环境中的近红外光线干扰,所采集的手背静脉图像的灰度值不统一,需要进行灰度归一化处理。该文把所有静脉图像都转换成具有同一均值和方差的标准图像[10],如下式:
其中,I(x,y) 是原始图像,M和V是其均值和方差,V =MaxI(x,y))MinI(x,y)) ,I1(x,y) 是灰度归一化后得到的图像,M1和V1分别是I1(x,y) 的均值和方差,该文选择M1 =150,V1=255。
灰度归一化结果如图3所示,左面两幅是原始的手背静脉图像,右面两幅是灰度归一化后的图像。可见,归一化后的图像不仅具有相似的灰度值,而且静脉纹路更清晰。
1.4 手背静脉增强和分割
此时的手背静脉图像的对比度较低,所以在进行特征提取之前需要进行增强处理。该文作者所在项目组在论文[11]中,提出了一种基于自适应滤波的Retinex静脉增强算法,在增强静脉结构的同时,对图像灰度值进行了均衡处理。增强后图像如图4(b),可知,经过以上处理后手背静脉部分得到了明显的增强。特征提取的关键是提取出有效地静脉结构信息,而图4(b)中存在大面积的手背皮肤区域,且皮肤区域噪声较大,因此需要对增强后的图像进行分割,提取出有效的静脉结构。
图像分割的关键是如何设置分割的阈值T,由于增强后的手背静脉图像中灰度值比较均匀,因此可以采用动态全局阈值法进行二值化处理,算法如下:
1)计算静脉图像的平均灰度值m,并令t1=m;
2)令t=t1,遍历整个图像,计算灰度值小于t的象素的平均值m1,及大于t的象素的平均值m2;
3)令t1=(m1+m2)/2,若t1=t ,转(4),否则转(2);
4) t=kt1.
其中,k是分割阈值的修正系数,这里k=1.1。分割效果如图4(c)。此时,分割后的图像包含很多虚假的静脉,这些虚假的静脉和真实静脉在象素面积和几何比例等方面存在着一定的差异,这为去除虚假静脉信息提供了条件。该文采用以下方法去除二值化后的图像中的虚假静脉信息:
首先对图像进行形态学运算:遍历图像,如果某象素的3×3邻域内灰度值为0的像素个数小于5,则将这个像素设置为0,否则设置为255。此步骤能够有效的去除图像中小的黑点,处理效果如图4(d)。接下来标记图像中的所有黑块,计算黑块的像素个数,以及黑块的外接矩形的长和宽:
1)如果黑块象素个数小于150,则删除此黑块;
2)如果黑块象素个数在150到600之间,且该黑块的外接矩形的长宽比小于5,则删除此黑块(一般是横向纹路的虚假黑块);
3)将象素个数大于600的黑块保留。
经过处理后,静脉图像的虚假静脉结构基本被去除,且保留了的真实的静脉结构,如图4(e)。
此时,虽然很好的提取了静脉的主干结构信息,去除了手背皮肤部分的干扰,但只保留了静脉的几何结构,而对静脉的其它细节信息(比如静脉的粗细及灰度值)没有得到很好的保留。基于以上的原因,该文提出了一种保留灰度信息的手背静脉分割方法:,
扫描静脉图像I(图4(e))和自适应平滑滤波后的图像I1(图4(b)),若I(x,y)=255,则I1(x,y)=255,否则I1不变,经此过程后得到的预处理图像如图4(f)所示。
2 结束语
图像增强 篇10
关键词：形态学融合滤波；农业图像；MSR算法；局部像素最大化原则
中图分类号：TP391.41 文献标志码：A 文章编号：1002—1302（2016）01—0394—02
农业图像增强的根本目的是突出图像中的感兴趣信息，弱化其余信息，尽可能提高图像判读、分析的针对性。农业图像受野外成像环境多样性的影响以及在传输、解码过程中会存在不同程度的噪声并且在此过程中图像对比度也有所降低。对于农业图像的预处理，近年来学者们着重在滤波、增强2个方面进行针对性的研究，但是该类成果要么是针对图像中的噪声进行滤波，要么着重于进行图像增强，因而倾向性较为明显。当处理对比度较低且含有噪声的农业图像时，该类算法的处理效果则不尽如人意。因此，要实现对农业图像的有效处理，将图像滤波和增强算法进行有机融合是比较理想的选择。根据这一思路，本研究將形态学滤波与多尺度Retinex（muti-scale retinex，MSR）增强算法有机结合，提出了1种改进型MSR增强算法，即首先提出了1种形态学融合滤波算法对图像进行噪声滤除，然后对滤波后的图像进行MSR增强。
1算法原理
1.1形态学融合滤波
形态学图像处理的基本思路是采用预先设计的不同形状（圆形、矩形、菱形等）、不同尺寸（结构元素半径）的结构元素通过不同的运算方法来对图像进行处理和分析。形态学运算方法最基本的是腐蚀和膨胀运算，令函数F（i，j）表示任意一幅图像，B（i，j）为结构元素，腐蚀和膨胀运算定义为：
膨胀运算能够将图像中处于结构元素范围内的信息进行合并，对于图像中的空洞或凹陷部分（如裂缝）能够进行适当填补，能够滤除图像中负噪声点（噪声点灰度值明显低于图像中其余像素点灰度值），但是对于图像中的正噪声（噪声点灰度值明显高于图像中其余像素点灰度值）则无能为力。腐蚀运算则能够有效去除图像中的正噪声点，对于图像中小于结构元素尺寸且亮度较大的区域能够进行削弱甚至消除。因此，腐蚀和膨胀运算互补性较强，将二者进行有机组合，形成了开启运算、闭合运算：
开启运算能够有效去除图像中呈孤立分布的正噪声点（如图像中孤立存在的斑点、毛刺），从整体上平滑图像，但如果图像中的负噪声点过于密集且彼此间的距离明显小于结构元素尺寸，开运算处理的结果只能是进一步放大图像中负噪声点的分布区域；如果图像中的正噪声点较多，对图像首先进行膨胀运算然后进行腐蚀运算（即闭运算）也难以有效去除该类噪声点。开动、闭合运算的性能是基于采用同一形状、同一尺寸的结构元素得出的，进一步提高噪声滤波性能，最为有效的思路是采用不同尺寸的结构元素。这是因为采用尺寸较大的结构元素能更为有效地去除噪声点，但是会模糊图像；而采用尺寸较小的结构元素，尽管噪声去除能力下降，但能很好地刻画图像中的边缘轮廓信息。基于上述分析，本研究采用不同尺寸的结构元素（图1）将开启、闭合运算有机结合，并采用图像融合的策略，提出了农业图像形态学融合滤波的思路，具体步骤如下。
（1）采用如图1-a所示的尺寸为1的菱形结构元素对含有噪声的农业图像（尺寸大小为M×N）首先进行开启运算，然后进行闭合运算，得到滤波图像1。
（2）采用如圖1-b所示的尺寸为2的菱形结构元素对含有噪声的农业图像首先进行闭合运算，然后进行开启运算，得到滤波图像2。
基于分数阶微分的图像增强算法 篇11
图像邻域像素间的灰度值具有一定的相关性, 高度自相似的图像分形信息常以复杂的纹理细节信息表现。传统的Sobel算子、Prewitt算子是一阶边缘锐化算子, 可沿水平方向和垂直方向锐化图像的边缘。Laplacian算子是二阶边缘锐化算子, 对噪声比较敏感。Sobel算子、Prewitt算子、Laplacian算子都是基于空域的整数阶微分运算。整数阶微分运算可以增强图像的高频边缘轮廓信息, 但对图像纹理细零, 导致这部分图像变得模糊不清。节和平滑区域的中低频信息的运算结果约等于分数阶微积分是整数阶微积分的数学推广, 将微积分的阶次从整数阶推广至分数阶。分数阶微积分已经在生物工程、动力学系统、信号处理等领域得到了广泛应用[3,4,5]。在图像处理领域, 分析图像信号的分数阶微积分的拮抗特性与纹理细节提取时, 比较分数阶微分与整数阶微分的仿生Rodieck模型, 并比较两者对应的仿生Rodieck感受野模型的马赫带现象, 可以得出分数阶微分算子比整数阶微分算子更有利于分析和强化图像纹理细节信息的结论[3,4]。
1 Riemann-Liouville分数阶微分理论
目前, 分数阶微积分还没有统一的时域定义的表达式。因为从不同的应用角度分析, 可以得到不同的分数阶微积分定义[3]。比较经典的分数阶微积分定义有:Grünwald-Letnikov定义、Riemann-Liouville定义和Caputo定义等。
其中, Riemann-Liouville定义是对GrünwaldLetnikov定义进行了改进, 使之计算简化, 是目前最常用的分数阶微积分定义。
1.1 Riemann-Liouville分数阶微分定义
信号f (t) ∈[a, t]的v阶分数阶积分的R-L定义为[3,6]
对于任意的正整数n和实数v, 有
当n=1, a=0, 0≤v<1时, 由式 (1) 和式 (2) , 可得信号f (t) 的R-L分数阶微分为
令a=0, 将信号f (t) 在[0, t]区间内N等分, 推导可得
对于二维图像信号f (x, y) , 像素间的最小间隔为1。根据式 (4) , 可得f (x, y) 在x和y方向的分数阶偏微分近似表达式
1.2 分数阶微分增强算子模板构造
设在一定的条件下, 二维图像f (x, y) 在x轴和y轴的分数阶微分可分离, 利用以上Riemann-Liouville分数阶微分表达式的推导结果, 可构造分数阶微分增强算子模板。
构造分数阶微分增强算子模板时, 要考虑中心像素点邻域的x0方向、x45方向、x90方向、x135方向、x180方向、x225方向、x270方向和x315方向等八个方向, 如图1所示。其次, 考虑算子模板的各向旋转不变性, 并将8个方向的分数阶微分模板组合在一起, 可构造如图2所示5×5大小的R-L分数阶微分增强算子模板[4,5,6,7]。采用分数阶微分增强算子模板对图像进行增强处理时, 先要对模板系数进行归一化处理, 再利用模板对图像完成卷积运算。
2 图像增强仿真实验
2.1 灰度图像
对灰度图像pout.tif分别采用Sobel算子 (算子模板系数为[-1-2-1;0 0 0;1 2 1]) 、Prewitt算子 (算子模板系数为[-1-1-1;0 0 0;1 1 1]) 、Laplacian算子 (算子模板系数为[0-1 0;-1 4-1;0-1 0]) 、5×5大小的R-L分数阶微分增强算子进行图像增强的仿真实验, 增强效果如图3所示。
由图3可见, Sobel算子、Prewitt算子锐化了原始图像的边缘, 但对图像的纹理细节信息并没有明显增强。Laplacian算子的图像增强视觉效果比较自然。
相比整数阶微分增强算子, 分数阶微分增强算子能有效保留图像的纹理细节信息, 并且可以根据图像的实际增强效果, 灵活地调节微分阶次。实验中, 微分阶次分别选择为0.35阶、0.48阶、0.59阶、0.79阶。随着分数阶微分阶次的增加, 图像的纹理信息逐渐得到了加强。
2.2 彩色图像
对彩色图像proxy.jpg分别采用Sobel算子 (模板系数[-1-2-1;0 0 0;1 2 1]) 、Prewitt算子 (模板系数[-1-1-1;0 0 0;1 1 1]) 、Laplacian算子 (模板系数[0-1 0;-1 4-1;0-1 0]) 、5×5大小的R-L分数阶微分增强算子进行图像增强的仿真实验, 增强效果如图4所示。
由于彩色图像的R、G、B分量具有相关性, 因此在进行图像增强处理时, 要先将RGB彩色图像转换到HSI色彩空间。
由图4可见, Sobel算子、Prewitt算子显著加强了图像的上下垂直边缘。Laplacian算子锐化了中心像素点上下左右4个方向的边缘, 增强效果从视觉效果上看优于Sobel算子与Prewitt算子。
实验中, 分数阶微分的微分阶次从小到大, 依次选择为0.48阶, 0.55阶, 0.62阶, 0.79阶。随着微分阶次的增加, 图像的纹理信息得到了加强。
3 图像增强效果熵的计算
图像增强效果除了主观评价, 还可以引入熵的概念进行定量分析。熵是信息论中, 对于不确定信息的度量。熵值越大, 表示信息量越大, 反之则越小。对于图像信号而言, 代表图像信息的就是图像的纹理和边缘。如果图像的熵越大, 则表示图像的纹理和边缘信息越丰富。
若一幅图像的灰度等级是{r1, r2, …, rm}, 其概率分别是{p (r1) , p (r2) , …, p (rm) }, 则图像熵的计算公式为
3.1 整数阶图像增强熵的计算
采用Sobel算子、Prewitt算子及Laplacian算子等整数阶图像增强算子, 对灰度图像pout.tif和彩色图像proxy.jpg进行图像增强处理的实验结果, 如图3和图4所示。表1是各种整数阶图像增强算子处理后, 图像熵的计算结果。
由表1可见, 对于灰度图像pout.tif和彩色图像proxy.jpg而言, Sobel算子的熵值最大。从图3和图4的图像增强效果可见, Sobel增强算子对原始图像的边缘轮廓锐化效果最明显。
3.2 分数阶图像增强熵的计算
分数阶微分阶次不同时, 用分数阶微分增强算子对灰度图像pout.tif和彩色图像proxy.jpg进行的图像增强处理的实验结果, 如图3和图4所示。表2和表3是分数阶微分增强算子对图像进行增强处理后, 图像熵的计算结果。
由表2和表3可见, 随着分数阶微分阶次的增加, 分数阶微分增强算子处理后的图像熵值呈上升趋势, 说明图像的纹理细节信息得到了加强。
4 结束语
本文构造了基于Riemann-Liouville定义的5×5大小的分数阶微分增强算子模板, 并采用传统的Sobel、Prewitt、Laplacian等整数阶微分增强算子, 分别对灰度图像和彩色图像进行了图像增强的仿真实验。最后, 引入图像增强效果熵的计算, 给出各种增强算子处理后图像的熵值。
仿真实验结果表明, 分数阶微分增强算子的微分阶次灵活可调, 图像增强的视觉效果明显优于整数阶微分增强算子。但是微分阶次的选择及熵值的大小与图像的纹理信息等密切相关, 还需要进行进一步的研究。
参考文献
[1]阮秋琦.数字图像处理基础[M].北京:清华大学出版社, 2009.
[2]WILLIAM K PRATt.数字图像处理[M].北京:机械工业出版社, 2010.
[3]周激流, 蒲亦非, 廖科.分数阶微积分原理及其在现代信号分析与处理中的应用[M].北京:科学出版社, 2010.
[4]蒲亦非.将分数阶微分演算引入数字图像处理[J].四川大学学报:工程科学版, 2007 (5) :124-132.
[5]黄果, 许黎, 蒲亦非.分数阶微积分在图像处理中的研究综述[J].计算机应用研究, 2012 (2) :414-420.
[6]陈庆利, 蒲亦非, 黄果, 等.数字图像的0~1阶RiemannLiouville分数阶微分增强模板[J].电子科技大学学报, 2011 (9) :772-776.