空域图像增强技术PPT讲稿.ppt

《空域图像增强技术PPT讲稿.ppt》由会员分享，可在线阅读，更多相关《空域图像增强技术PPT讲稿.ppt（84页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、空域图像增强技术第1页，共84页，编辑于2022年，星期一3.1基础空域增强的一般数学表达式：算子T操作在(x,y)的某个邻域(neighborhood)上，例如33领域，或一输入图像集上第2页，共84页，编辑于2022年，星期一当领域为11，即只包含当前象素自己时，T成为灰度级变换函数，此时的处理成为点处理。当更大的邻域被考虑时，往往成为掩码处理(maskprocessing)或者滤波。两个常用的灰度级变换函数：对照度拉伸和阈值函数第3页，共84页，编辑于2022年，星期一3.2一些基本的灰度变换第4页，共84页，编辑于2022年，星期一3.2.1负变换S=L-1-r,这里图像的灰度范围为0

2、,L-1第5页，共84页，编辑于2022年，星期一3.2.2对数变换其将使比较狭窄的低灰度级范围变得更宽，而较宽的高灰度级范围变得更窄，同时能够压缩象素值变化范围很大的图像，使之象素值分布范围更小。Fourier谱(01.5*106)经过对数变换后：06.2第6页，共84页，编辑于2022年，星期一3.2.3幂律变换c1，而变化时的各种变换规律第7页，共84页，编辑于2022年，星期一幂律变换的一个最好应用是伽马校正(Gammacorrection)被广泛使用在图像捕捉、打印和显示设备上。2.50.4第8页，共84页，编辑于2022年，星期一Gamma变换用于通常的对照度操作第9页，共84页，

3、编辑于2022年，星期一第10页，共84页，编辑于2022年，星期一3.2.4分段线性变换分段线性函数的主要有点是其形式可以任意复杂，主要缺点是其说明需要更多的用户输入。对照度拉伸变换：a)分段线性函数b)低对照度放大约700倍的花粉SEM图像c)对照度拉伸结果d)灰度阈值化处理第11页，共84页，编辑于2022年，星期一灰度切割(slicing):主要用于突出某个特定的灰度范围，从而增强某个专门的特征，如卫星图像中的水团。第12页，共84页，编辑于2022年，星期一位平面切割(bit-planeslicing):该操作主要是为突出图像中的某个具体的位对整个图像外表的贡献。可以把一副数字图像分

4、解成位平面的组合，分析图像每个位的相对重要性，从而在图像量化时可以帮助决定所使用的位数是否足够，这种分解在图像压缩中也有很大的作用。第13页，共84页，编辑于2022年，星期一第14页，共84页，编辑于2022年，星期一3.3直方图处理直方图是大量的空域处理技术的基础，直方图处理可以有效地用于图像增强。除了能提供有关图像的统计特征外，其所包含的信息还能用于其他很多的图像处理技术，如图像分割、图像压缩等。其软件实现简单，可以做成固件，使其在实时图像处理中成为最受欢迎的工具。定义：性质：第15页，共84页，编辑于2022年，星期一直方图描述了每个灰度级具有的像素的个数，反映的是图像灰度的统计信息，

5、但丢失了所有这些像素点的空间信息，即像素点的相对位置。因此，任一特定的图像有唯一的直方图，但反之并不成立。第16页，共84页，编辑于2022年，星期一直方图反映的总体性质：明暗程度、细节是否清晰、动态范围大小等第17页，共84页，编辑于2022年，星期一四种典型灰度图像的直方图特征：(a)暗图像；(b)亮图像；(c)低对照度图像；(e)高对照度图像第18页，共84页，编辑于2022年，星期一直方图的计算：通过面积求直方图（做实验）：第19页，共84页，编辑于2022年，星期一直方图的用途：1）数字化参数的选择：2）边界阈值的选取：例：第20页，共84页，编辑于2022年，星期一第21页，共84

6、页，编辑于2022年，星期一3.3.1直方图均衡处理(equalization)用于直方图均衡化的函数s=T(r)必须满足两个条件:a)T(r)是一个单调递增的单值函数b)0 T(r)1，对0 r1;以上s和r；分别表示输入和输出图像的规一化灰度，即在0,1范围可以证明，概率累计分布函数就是所要的直方图均衡函数：第22页，共84页，编辑于2022年，星期一在离散情况下：以上，k表示某个灰度级，L是整个灰度级的数目，在通常的8位图像下，为256。以上的方程就是通常所说的直方图均衡化或者线性化。很显然，该方程满足前面所说的两个条件。特点：虽然不象连续情况下时输出灰度完全满足均匀分布，但从该方程明显

7、可以看出，均衡化后的图像比原图像所跨越的灰度级范围更宽。另外，直方图处理是完全“自主”性质的，即该过程所需的参数完全来自图像本身，不需要任何额外的参数，是一种有力的自适应增强工具。还有，该技术实现起来也很简单。第23页，共84页，编辑于2022年，星期一rjrj+rsjsj+s第24页，共84页，编辑于2022年，星期一例例例：设图象有例：设图象有64*64=409664*64=4096个象素，有个象素，有8 8个灰度级，灰度分布如个灰度级，灰度分布如表所示。进行表所示。进行直直方图均衡化方图均衡化。rkr0=0r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1

8、nk 790102385065632924512281p(rk)0.190.250.210.160.080.060.030.02第25页，共84页，编辑于2022年，星期一步骤：步骤：rkr0=0r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1 nk 790102385065632924512281p(rk)0.190.250.210.160.080.060.030.02例例第26页，共84页，编辑于2022年，星期一1.1.由（由（2-22-2）式计算）式计算s sk k。rkr0=0r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7

9、=1 nk 790102385065632924512281p(rk)0.190.250.210.160.080.060.030.02sk计算计算 0.190.440.650.810.890.950.981.00例例第27页，共84页，编辑于2022年，星期一rkr0=0r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1 nk 790102385065632924512281p(rk)0.190.250.210.160.080.060.030.02sk计算计算 0.190.440.650.810.890.950.981.00sk舍入舍入 1/73/75/76/76

10、/71112.2.把计算的把计算的s sk k就近安排到就近安排到8 8个灰个灰度级中。度级中。例例第28页，共84页，编辑于2022年，星期一rkr0=0r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1 nk 790102385065632924512281p(rk)0.190.250.210.160.080.060.030.02sk计算计算 0.190.440.650.810.890.950.981.00sk舍入舍入 1/73/75/76/76/7111sk s s1 1s3 3s s5 5s6s7nsk 7901023850985448p(sk)0.190

11、.250.210.240.113.3.重新命名重新命名s sk k，归并相同灰度级归并相同灰度级的象素数。的象素数。例例第29页，共84页，编辑于2022年，星期一直直方图均衡化方图均衡化均衡化前后直方图比较例例第30页，共84页，编辑于2022年，星期一例：第31页，共84页，编辑于2022年，星期一第32页，共84页，编辑于2022年，星期一 直方图均衡化实质上是减少图象的灰度级以换取对比度的加大。在均衡过程中，原来的直方图上频数较小的灰度级被归入很少几个或一个灰度级内，故得不到增强（？！）。若这些灰度级所构成的图象细节比较重要，则需采用局部区域直方图均衡。第33页，共84页，编辑于202

12、2年，星期一3.3.2直方图匹配/规定(specification)n另外，直方图的规定没有什么规则可循。一般，可以根据特定的增强任务，采用试错的方法来得到想要的直方图规定。第34页，共84页，编辑于2022年，星期一连续灰度的直方图原图第35页，共84页，编辑于2022年，星期一连续灰度的直方图规定第36页，共84页，编辑于2022年，星期一 令P(r)为原始图象的灰度密度函数，P(z)是期望通过匹配的图象灰度密度函数。对P(r)及P(z)作直方图均衡变换，通过直方图均衡为桥梁，实现P(r)与P(z)变换。第37页，共84页，编辑于2022年，星期一rjzk直方图匹配变换公式推导图示第38页

13、，共84页，编辑于2022年，星期一 步骤：（1）由 将各点灰度由 r映射成s。（2）由 将各点灰度由 z映射成v。第39页，共84页，编辑于2022年，星期一 步骤：（3）根据v=G(z),z=G-1(v)由于v,s有相同的分布，逐一取 v=s，求出与r对应的z=G-1(s)。第40页，共84页，编辑于2022年，星期一离散灰度级情况：由（1）、（2）计算得两张表，从中选取一对vk,sj，使vksj，并从两张表中查得对应的rj，zk。于是，原始图象中灰度级为rj 的所有象素均映射成灰度级zk。最终得到所期望的图象。第41页，共84页，编辑于2022年，星期一第42页，共84页，编辑于2022

14、年，星期一第43页，共84页，编辑于2022年，星期一3.3.3局部增强前面所说的两种处理技术都是全局处理，用于整体增强。在某些情况下，用于增强某个小区域细节的局部增强技术是需要的。局部增强其实就是基于邻域的空间域操作（更详细的讨论在3.5节），前面的方法同样可以使用，但此时处理的是一副图像中的某个子区域。简单实例：第44页，共84页，编辑于2022年，星期一3.3.4直方图统计量用于增强m是图像平均灰度级的测度；而方差，通常表示为2，则代表了图像的平均对照度。这两个量的更有力的应用是在局部增强中，不仅简单、灵活性大，而且局部均值和方差与图像的外观存在紧密的、可预测的对应关系。例：第45页，共

15、84页，编辑于2022年，星期一绕在支撑物上钨丝的SEM图像（放大130倍）使用统计量的局部增强结果第46页，共84页，编辑于2022年，星期一3.4代数和逻辑运算增强n逻辑操作(二进制掩膜，binarymasking)基于点运算，对两副图像的单个象素进行操作（此时每个象素的值都被看成逻辑值），基本包括与、或、非三者，其他任何逻辑操作都可通过三者之间的组合来完成。逻辑操作通常用于选择ROI(regionofinterest)，也常与形态学处理相结合。第47页，共84页，编辑于2022年，星期一第48页，共84页，编辑于2022年，星期一3.4.1图像加第49页，共84页，编辑于2022年，星期

16、一第50页，共84页，编辑于2022年，星期一第51页，共84页，编辑于2022年，星期一3.4.2图像减图像减的重要作用之一是突出图像间的差异，最成功的商业应用是医学图像中的掩码模式X光成像。第52页，共84页，编辑于2022年，星期一第53页，共84页，编辑于2022年，星期一3.4.3图像乘第54页，共84页，编辑于2022年，星期一3.4.4图像乘第55页，共84页，编辑于2022年，星期一3.4.5代数运算的应用平均去噪第56页，共84页，编辑于2022年，星期一第57页，共84页，编辑于2022年，星期一3.5空间滤波第58页，共84页，编辑于2022年，星期一基本步骤：不过当模板

17、的边界超出图像的边界时，要注意边界问题的处理，最常用的方法是填充(padding)，但其会影响图像的边界，影响程度随模板尺寸的增大而增加。第59页，共84页，编辑于2022年，星期一也称做滤波器(filter)、核(kernel)、模板(template)、窗口(window)。对mn的掩码（通常要求m,n必须是奇数）：这里：a=(m-1)/2，b=(n-1)/2，这种线性空间滤波也通常指“把图像与掩码进行卷积”，掩码也叫“卷积掩码”。从滤波器响应的角度讲，上式也可以简写称：第60页，共84页，编辑于2022年，星期一3.5.1空间平滑滤波器a)线性平滑滤波器平滑滤波通常被用作模糊图像和减少噪

18、声。模糊处理通常用在预处理阶段，如在目标抽取前用于移除小的细节，或者把线和曲线间的间隙连接起来。噪声减少可以用可以用线性的或非线性的滤波器来完成。第61页，共84页，编辑于2022年，星期一邻域平均相当于模板的元素全为1的情况，当还包含其他整数时，更适合的叫法是加权平均。平均法在一定程度上抑制了噪声，但同时也会引起模糊线性，其程度与邻域半径成正比。第62页，共84页，编辑于2022年，星期一从左至右，从上到下分别为500500象素的原图像，和用大小分别为3、5、9、15和35的平方平均滤波器模板对原图像平滑的结果。第63页，共84页，编辑于2022年，星期一超限（基于阈值的）邻域平均法：第64

19、页，共84页，编辑于2022年，星期一b)排序统计滤波器是一种非线性操作，其响应是基于模板所包含图像区域内象素的排序结果来定的，用得最多的是中值滤波器，此外还有最大、最小滤波器等。中值滤波对脉冲噪声和椒盐噪声(salt-andpeppernoise)特别有效。第65页，共84页，编辑于2022年，星期一中值滤波的基本步骤：第66页，共84页，编辑于2022年，星期一一般来讲：第67页，共84页，编辑于2022年，星期一3.5.2空间锐化滤波器一阶导数和二阶导数的特征：1)一阶导数产生更厚的边缘；2）二阶导数对细的细节，如细线和孤立点的响应更强；3）一阶导数对灰度的阶跃变化响应更强烈，而二阶导数

20、则会在此产生双响应；4）二阶导数在灰度变化相似时，其对线的响应要强于阶跃变化，对点的响应又强于线。第68页，共84页，编辑于2022年，星期一第69页，共84页，编辑于2022年，星期一3.5.2.1二阶导数增强Laplacian算子具有各向同性特征的线性变换算子:Laplacian算子（相当于线性高通滤波器）离散实现：其具有90度旋转不变性，当对角方向的不变性（45度方向）也加上时，即得到如下右图的掩码：第70页，共84页，编辑于2022年，星期一通过把原图像与锐化处理结果相减，可以既保留锐化效果，同时能恢复图像的背景特征。第71页，共84页，编辑于2022年，星期一反锐化掩膜和高提升滤波（

21、unsharpmaskingandhigh-boostfiltering)见教材p132，自学第72页，共84页，编辑于2022年，星期一3.5.2.2一阶导数增强梯度算子在不再特殊说明时，通常把梯度矢量的幅度称为梯度。其具有旋转不变性。实际实现时通常采用如下近似：尽管其计算简单，也能反映灰度变化，但丧失了各向同性特征一阶导数算子的数字近似：a)Robert交叉梯度算子b)Sobel梯度算子第73页，共84页，编辑于2022年，星期一33掩模图：第74页，共84页，编辑于2022年，星期一一阶导数检测隐形眼镜边缘缺陷第75页，共84页，编辑于2022年，星期一3.6空间增强方法的联合应用（实验

22、）Frequently,a given enhancement task will require application of several complementary enhancement techniques in order to achieve an acceptable result.The image shown left is a nuclear whole body bone scan,used to detect diseases such as bone infection and tumors.The objective is to enhance this ima

23、ge by sharpening it and by bringing out more of the skeletal detail.The narrow dynamic range of the low gray levels and high noise content make this image difficult to enhance.第76页，共84页，编辑于2022年，星期一TheStrategyUtilize the Laplacian to highlight fine detailUtilize the gradient to enhance prominent edg

24、esCombine Laplacian and gradient to get the detail-enhanced and noise-compressed imageIncrease the contrast of low gray levels by using a gray-level transformation.第77页，共84页，编辑于2022年，星期一LaplacianEnhancementA rather noisy sharpened image is expected.Medianfilterisincapableofremovingnoiseinsuchmedical

25、images第78页，共84页，编辑于2022年，星期一SmoothedGradientasaMaskTheresponseofthegradienttonoiseandfinedetailislowerthantheLaplaciansandcanbeloweredfurtherbysmoothingthegradientwithanaveragingfilter.WecansmooththegradientandmultiplyitbytheLaplacianenhancedimage.Inthiscasethesmoothedgradientmaybeviewedasamaskimage

26、.5x5boxsmoothmaskimage第79页，共84页，编辑于2022年，星期一TheSharpenEnhancedImageThe final sharpen enhanced image can be obtained from the sum of original image and the sharpened image which comes from the product of Laplacian enhanced image and the smoothed Sobel gradient.add to theoriginalsharpen enhanced image

27、 Laplacianenhancedsmoothed Sobel gradientsharpened image strongedgesandtherelativelackofvisiblenoise第80页，共84页，编辑于2022年，星期一ContrastStretchandthefinalResultThe final step in this enhancement task is to increase the contrast of the sharpened image.There are a number of gray level transformation functio

28、ns that can accomplish this objective.The dark characteristics of the images lend themselves to a power-law transformation.Significant new detail is visible in the result,including the faint definition of the outline of the body,and of body tissue.c=1 =0.5第81页，共84页，编辑于2022年，星期一OverviewoftheProcessin

29、gFlowintheLastExampleOriginal imageLaplacian enhancedSobel gradientBox filter smoothedSharpendedSharpen enhancedPower-law stretchOutputThewayinwhichtheresultsareuseddependsontheapplicationandtheuser.Enhanced images are quite useful in highlighting details that can serve as clues for further analysis

30、 in the original image or sequence of images.There are many areas in which the enhanced result may indeed be the final product,and the principal objective of enhancement is to obtain an image with a higher content of visual detail.第82页，共84页，编辑于2022年，星期一SummaryThis area of image processing is a dynam

31、ic field,and new techniques and applications are reported routinely in professional literature and in new product announcements.For this reason,the topics included in this lecture were selected for their value as fundamental material that would serve as a foundation for understanding the state of th

32、e art in enhancement techniques,as well as for further study in this field.The material in this lecture is representative of spatial domain techniques commonly used in practice for image enhancement.In addition to enhancement,this lecture served the purpose of introducing a number of concepts,such a

33、s filtering with spatial masks,that will be used in numerous occasions throughout the remainder of the lectures.第83页，共84页，编辑于2022年，星期一3.7本章总结基本的灰度变换函数直方图处理图像的算术和逻辑操作空间平滑滤波空间锐化滤波数字图像处理是一个迅速发展的动态领域，不断有新的技术和应用见于报道。本章所讲的只是图像增强技术的一些最基本理论和方法，从而为了解该领域的最新发展和后面的学习打下一个坚实的基础。空域增强技术也可借助频率域进行分析和理解，图像平滑也就是增强图像的低频成分，但也会造成模糊；锐化相当于增强高频成分，但也会加强噪声，因为噪声一般集中在高频段。下一章讲解频率域增强技术。第84页，共84页，编辑于2022年，星期一