数字图像处理方法研究与实现——基于vc的图像增强实现毕业设计(编辑修改稿)

数字图像处理方法研究与实现——基于vc的图像增强实现毕业设计(编辑修改稿)内容摘要：

确切地说它们分别称为照度成分 ),( yxi 和反射成分 ),( yxr。 ),( yxf 与 ),( yxi 和 ),( yxr 都成正比， 可表示成 ),( yxf ＝ ),( yxi ),( yxr。 将二维坐标位置函数 ),( yxf 称为灰度。 入射光照射到物体表面的能量是有限的，并且它永远为正，即 0 ),( yxi  ；反射系数为 0时，表示光全部被物体吸收，反射系数为 1时，表示光全部被物体反射，反射系数在全吸收和全反射之间，即 0 ),( yxr 1。 因此图像 的灰度值也是非负有界的。 灰度直方图 灰度直方图是数字图像处理中一个最简单、最有用的工具，它反映了数字图像中每一灰度级与其出现频率之间的统计关系。 可以有针对性地通过改变直方图的灰度分布状况，使灰度均匀地或按预期目标分布于整个灰度范围空间，从而达到图像增强的效果。 数字图像增强概述 随着数字技术的不断发展和应用，现实生活中的许多信息都可以用数字形式 5 的数据进行处理和存储，数字图像就是这种以数字形式进行存储和处理的图像。 利用计算机可以对它进行常现图像处理技术所不能实现的加工处理，还可以将它在网上 传输，可以多次拷贝而不失真。 数字图像处理亦称为计算机图像处理，指将图像信号转换成数字格式并利用计算机对其进行处理的过程。 数字图像处理系统主要由图像采集系统、数字计算机及输出设备组成。 如图。 模拟图像 图像采集系统 计算机 图像输出设备 图 图像处理系统组成图 图 ，图中并没有显示出软件系统，在图像处理系统中软件系统同样是非常重要的。 在图像获取的过程中，由于设备的不完善及光照等条件的影响，不可避免地会 产生图像降质现象。 影响图像质量的几个主要因素是： (1)随机噪声，主要是高斯噪声和椒盐噪声，可以是由于相机或数字化设备产生，也可以是在图像传输过程中造成的； (2)系统噪声，由系统产生，具有可预测性质； (3)畸变，主要是由于相机与物体相对位置、光学透镜曲率等原因造成的，可以看作是真实图像的几何变换。 数字图像处理流程如图 ，从一幅或是一批图像的最简单的处理，如特征增强、去噪、平滑等基本的图像处理技术，到图像的特征分析和提取，进而产生对图像的正确理解或者遥感图像的解译，最后的步骤可以是通过专家的视觉解译，也可以是在图像处理系统中通过一些知识库而产生的对图像的理解。 原始图像 预处理 特征分析 图像理解 图 图像处理流程图 6 图像增强概述 图像增强的定义 图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，也是提高图像质量的过程。 图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。 图像增强的 过程往往也是一个矛盾的过程：图像增强希望既能去除噪声又增强边缘。 但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。 传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如： ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。 这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。 常用的图像增强方法 图像增强可分成两大类：频率域法和空间域法。 前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。 采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。 具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。 图像增强的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，可分为基于空间域的算法和基于频率域的算法两大类。 基于空间域的算法处理时直接对图像灰度级做运算；基于频率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，是一种间接增强的算法。 基于空间域的算法分为点运算算法和邻域去噪算法。 点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。 邻域增强算法分为图像平滑和锐化两种。 平滑一般 用于消除图像噪 7 声，但是也容易引起边缘的模糊。 常用算法有均值滤波、中值滤波。 锐化的目的在于突出物体的边缘轮廓，便于目标识别。 常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。 (1)直方图均衡化 有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。 这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。 (2)对比度增强法 有些图像的对比度比较低，从而使整个图像模糊不清。 这时可以按一定的规则修改原来图像的每一个像素的灰度，从而改变图像灰度的动态范围。 (3)平滑噪声 有些图像是通过扫描仪扫描输入或传输通道传输过来的。 图像中往往包含有各种各样的噪声。 这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。 这些噪声的存在直接影响着后续的处理过程，使图像失真。 图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平 均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。 8 图像增强流程图 开始 输入图像 预处理 增强算法处理 得到预期结果 Y 保存退出 结束 图 23 图像增 强流程图 本章小结 本章主要是介绍关于图像增强的基本理论，对图像增强的中的一些概念就行了阐述，介绍了一些常用的图像增强的方法 ，同时，对图像增强的流程做了大体上的介绍。 N 9 3 图像增强方法与原理 直方图变换 直方图修正基础 图像的灰度直方图是反映一幅图像的灰度级与出现这种灰度级的概率之间的关系的图形。 灰度级为 [0,L1]范围的数字图像的直方图是离散函数 h(kr )=kn ，这里 kr是第 k级灰度， kn 是图像中灰度级为 kr 的像素个数。 通常以图像中像素数目的总和 n去除他的每一个值，以得到归一化的直方图，公示如下： nnrP kk /)(  k=0,1,2,„,L 1 且  11 1)(LK krP 因此 )(krP 给出了灰度级为 kr 发生的概率估计值。 归纳起来，直方图主要有一下几点性质： （ 1）直方图中不包含位置信息。 直方 图只是反应了图像灰度分布的特性，和灰度所在的位置没有关系，不同的图像可能具有相近或者完全相同的直方图分布。 （ 2）直方图反应了图像的整体灰度。 直方图反应了图像的整体灰度分布情况，对于暗色图像，直方图的组成集中在灰度级低（暗）的一侧，相反，明亮图像的直方图则倾向于灰度级高的一侧。 直观上讲，可以得出这样的结论，若一幅图像其像素占有全部可能的灰度级并且分布均匀，这样的图像有高对比度和多变的灰度色调。 （ 3）直方图的可叠加性。 一幅图像的直方图等于它各个部分直方图的和。 （ 4）直方图具有统计特性。 从直方图的定义可知， 连续图像的直方图是一位连续函数，它具有统计特征，例如矩、绝对矩、中心矩、绝对中心矩、熵。 （ 5）直方图的动态范围。 直方图的动态范围是由计算机图像处理系统的模数转换器的灰度级决定。 由于图像的视觉效果不好或者特殊需要，常常要对图像的灰度进行修正，以达到理想的效果，即对原始图像的直方图进行转换（修正）： 一幅给定的图像的灰度级分布在 0≤ r≤ 1 范围内。 可以对 [0,1]区间内的任何一个 r进行如下的变换： 10 s=T(r) 变换函数 T 应满足以下条件： 0≤ r≤ 1区间内， )(rT 单值单调 增加； 0≤ r≤ 1，有 0≤ )(rT ≤ 1。 这里的第一个条件保证了图像的灰度级从白到黑的次序不变。 第二个条件则保证了映射变换后的像素灰度值在允许的范围内。 满足这两个条件，就保证了转换函数的可逆。 直方图均衡化 直方图均衡化方法是图像增强中最常用、最重要的方法之一。 直方图均衡化是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。 它以概率论为基础，运用灰度点运算来实现，从而达到增强的目的。 它的变换函数取决于图像灰度直方图的累积 分布函数。 概括的说，就是把一已知灰度概率分布的图像，经过一种变换，使之演变成一幅具有均匀概率分布的新图像。 有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。 这时可以将图像的灰度范围分开，并且让灰度频率较小的灰度级变大。 当图像的直方图为一均匀分布时，图像的信息熵最大，此时图像包含的信息量最大，图像看起来就显得清晰。 直方图均衡化变换函数如图 所示，设 r， s 分别表示原图像和增强后图像的灰度。 为了简单，假定所有像素的灰度已被归一化。 当 r=s=0 时，表示黑色；当 r=s=1 时，表示白色；当 r， s 在 [0,1]之间时，表示像素灰度在黑白之间变化。 灰度变换函数为： s=T(r)。 s 1 S=T（ r） Sr 0 rk 1 r 图 直方图均衡化变换函数 11 实际上，由于直方图是近似的概率密度函数，用离散灰度级作变换时很少能够得到完全平坦的结果，而且，变换后往往会出现灰度级减少的现象，这种现象被称为 “ 简并 ” 现象。 这是像素灰度有限的必然结果。 由于上述原因，数字图像的直方图均衡只。