资源描述:
《《数字图像增强》PPT课件》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、第三讲数字图像增强本讲内容:3.1图像增强的原因与目的3.2图像对比度增强3.3平滑与去噪(柔化)3.4锐化3.5Photoshop增强处理实例演示3.1图像增强原因与目的目标:提高图像质量图像更加清晰图像增强是为了改善视觉效果或者便于人和机器对图像的理解和分析,根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施称为图像增强。问题1:灰度分布不合理没有充分利用灰度动态范围典型场合:曝光不足、曝光过度、对比过于强烈问题2:噪声干扰原因:强噪声成像通道问题3:图像模糊影响图像细节分辨原因:成像通
2、道分辨率不足、景物移动等解决方法:3-2对比度增强灰度分布不合理3-3图像平滑噪声干扰3-4图像锐化图像模糊灰度映射直方图修正3-2对比度增强3-2对比度增强——灰度映射灰度映射(变换)可调整图像的灰度动态范围或图像对比度,是图像增强的重要手段之一。1.线性变换令图像f(i,j)的灰度范围为[a,b],线性变换后图像g(i,j)的范围为[a´,b´],如图。g(i,j)与f(i,j)之间的关系式为:在曝光不足或过度的情况下,图像灰度可能会局限在一个很小的范围内。这时在显示器上看到的将是一个模糊不清
3、、似乎没有灰度层次的图像。采用线性变换对图像每一个像素灰度作线性拉伸,可有效地改善图像视觉效果。原始图像直方图线性变换后图像直方图反色变换原始图像反色变换后图像2.分段线性变换为了突出感兴趣目标所在的灰度区间,相对抑制那些不感兴趣的灰度区间,可采用分段线性变换。通过细心调整折线拐点的位置及控制分段直线的斜率,可对任一灰度区间进行拉伸或压缩。对比度扩展原始图像对比度扩展后图像削波原始图像削波后图像阈值化原始图像阈值化后图像灰度窗口3.非线性灰度变换①对数变换这里a,b,c是为了调整曲线的位置和形状而引入的
4、参数。当希望对图像的低灰度区较大的拉伸而对高灰度区压缩时,可采用这种变换,它能使图像灰度分布与人的视觉特性相匹配。f(i,j)g(i,j)原始图像f(x,y)对数变换后图像g(x,y)变换曲线f(x,y)g(x,y)②指数变换这里参数a,b,c用来调整曲线的位置和形状。这种变换能对图像的高灰度区给予较大的拉伸。g(i,j)f(i,j)原始图像f(x,y)指数变换后图像g(x,y)变换曲线f(x,y)g(x,y)灰度直方图反映了数字图像中每一灰度级与其出现频率间的关系,它能描述该图像的概貌。修改直方图是一
5、种实用而有效的增强图像处理技术。直方图修整法包括直方图均衡化及直方图规定化两类。1.直方图均衡化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。3-2对比度增强——直方图修整直方图均衡化直方图均衡化设r和s分别表示归一化了的原图像灰度和经直方图修正后的图像灰度。即在[0,1]区间内的任一个r值,都可产生一个s值,且T(r)作为变换函数,满足下列条件:①在0≤r≤1内为单调递增函数,保证灰度级从低(黑)到高(白)的次序不变;②在0≤r≤1内,有0≤T(r)≤1,确保映射后的像素灰度在允许
6、的范围内。直方图均衡化从人眼视觉特性来考虑,一幅图像的直方图如果是均匀分布的,即Ps(s)=k(归一化时k=1)时,该图像色调给人的感觉比较协调。因此将原图像直方图通过T(r)调整为均匀分布的直方图,这样修正后的图像能满足人眼视觉要求。对于离散的数字图像,变换的最后推导结果为:上式表明,均衡后各像素的灰度值sk可直接由原图像的直方图算出。一幅图像的sk与rk之间的关系称为该图像的累积灰度直方图。1.01.01.0下面举例说明直方图均衡过程。rkr0=0r1=1/7r2=2/7r3=3/7r4=4/7r5
7、=5/7r6=6/7r7=1nk790102385065632924512281pr(rk)=nk/n0.190.250.210.160.080.060.030.02sk计0.190.440.650.810.890.950.981.00sk并1/73/75/76/76/7111sks0=1/7s1=3/7s2=5/7s3=6/7s4=1nsk7901023850985448pk(s)0.190.250.210.240.11例假定有一幅总像素为n=64×64的图像,灰度级数为8,各灰度级分布列于表中。对其
8、均衡化计算过程如下:1.00.250.200.150.100.0501/73/75/71.00.250.200.150.100.051/73/75/70原图像的直方图均衡后图像的直方图直方图均衡化示例(a)原始图像(b)原始图像的直方图(c)直方图均衡化后结果(d)结果图像的直方图(a)原始图像(b)原始图像的直方图(c)直方图均衡化后结果(d)结果图像的直方图对比度拉伸的公式:C=(Level-Min)*Scale=(Level-Min)