智能图像处理算法结合分析

1、图像增强技术研究1 图像增强概述1.1 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，

2、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。1.2 常用的图像增强方法（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

3、来图像的每一个象素的灰度，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

4、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。（4） 锐化平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用模板和统计差值的方法，使图像增强锐化。图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，通过高通滤波器去除低频分量，也可以达到图像锐化的目的。1.3 图像增强的现状与应用计算机图像处理的发展历史不长，但已经引起了人们的重视。图像处理技术始20世纪60年代，由于当时图像存储成本高，处理设备造价高，因而其应用面很窄。1964年美国加州理工学院的喷气推进

5、实验室，首次对徘徊者7号太空飞船发回的月球照片进行了处理，得到了前所未有的清晰图像，这标志着图像处理技术开始得到实际应用。70年代进入发展期，出现和卫星遥感图像，对图像处理的发展起到了很好的促进作用。80年代进入普及期，此时微机己经能够承担起图形图像处理的任务。VLSI的出现更使得处理速度大大提高，其造价也进一步降低，极大的促进了图像处理系统的普及和应用。90年代是图像处理技术实用化时期，图像处理的信息量巨大，对处理的速度要求极高。21世纪的图像处理技术要向高质量化方面发展，实现图像的实时处理，采用数字全息技术使图像包含最为完整和丰富的信息，实现图像的智能生成、处理、理解和识别7。目前，许多新

6、的增强算法都充分利用了周围邻域这一重要的信息，形成了很多局部处理的灰度调整算法，该方法主要利用了邻域的统计特性。其中自适应滤波器既能平滑又能保护边缘，其基本思想是滤波器的参数可根据像素所在的邻域情况而自适应选取，也可描述为加权平均滤波器，可以较好的平滑噪声区域，并能保护较显著的边缘，但对图像细节的保护较差，该算法对脉冲噪声敏感，而且模型的性能受参数的影响比较大。近年来，模糊集合理论在图像处理中得到了广泛的应用。例如Yang和Tohl采用模糊规则改进传统的中值滤波器中滤波窗口尺度的选择，改善了算法对高斯噪声的抗噪性能。Russoti提出的自适应模糊滤波算子可以较好的保护图像细节和滤除高斯噪声，其

7、算法中窗口的大小由邻域一致性程度决定，该一致性程度由一个模糊逻辑规则导出。图像增强中变换域增强也得到很广泛的应用，例如付傅氏变换、离散余弦变换、小波变换等，其中小波是近年来发展起来的一种新的时频分析工具，它具有时频局部化能力和多分辨率分析的能力，使得它很适合于信号处理邻域。对图像进行多尺度小波变换后，不同频率的信号出现在不同尺度的子带图像上，有了这些特性就能很好的对感兴趣的部分进行增强。图像变换的方法是多种多样的。通过采取适当的增强处理可以将原本模糊不清甚至根本无法分辨的原始图片处理成清楚、明晰的富含大量有用信息的可使用图像，因此图像增强技术在许多领域得到广泛应用。在图像处理系统中，图像增强技

8、术作为预处理部分的基本技术，是系统中十分重要的一环。迄今为止，图像增强技术己经广泛用于军事、地质、海洋、森林、医学、遥感、微生物以及刑侦等方面。2 图像增强方法与原理2.1 图像变换人与电脑对事物的理解是不同的，对于人来说，文字信息要比图像信息抽象，但是对于电脑来说，图像信息要比文字信息抽象。因此，对于计算机来说，要对图像进行处理，并不是一件容易的事情。为了快速有效的对图像进行处理和分析，我们通常都需要对图像进行一些变换，把原来的图像信息变为另一张形式，使计算机更容易理解、处理和分析。这种变换就是所谓的图像变换。图像变换是指图像的二维正交变换，它在图像增强、复原、编码等方面有着广泛的应运。如傅

9、立叶变换后平均值正比于图像灰度的平均值，高频分量则表明了图像中目标边缘的强度和方向，利用这些性质可以从图像中抽取出特征；又如在变换域中，图像能量往往集中在少数项上，或者说能量主要集中在低频分量上，这时对低频成分分配较多的比特数，对高频成分分配较少的比特数，即可实现图像数据的压缩编码。2.1.1 离散图像变换的一般表达式对于二维离散函数 x=0,1,2,M-1；y=0,1,2,N-1 (2.1)有变换对 (2.2) u=0，1，2，M-1 v0，1，2，N-1 (2.3)x=0，1，2，M-1 y0，1，2，N-1变换核可分离的离散图像变换表示为： (2.4)如此，二维离散变换就可以用两次一维变

10、换实现。2.1.2 离散沃尔什变换由于傅立叶变换的变换核由正弦余弦函数组成，运算速度受影响。要找另一种正交变换，要运算简单且变换核矩阵产生方便。Walsh Transform矩阵简单，只有1和1，矩阵容易产生，有快速算法1。一维离散沃尔什变换假如N=2，则离散 f(x) （ x=0,1, 2,N-1）的沃尔什变换 u=0，1，2，N-1 (2.5) x=0，1，2，N-1 (2.6)二维离散沃尔什变换 (2.7)（u=0,1,2,M-1 v=0,1,2,N-1） (2.8)（x=0,1,2,M-1 y=0,1,2,N-1）这里假定了M=2，N2从上式可知，反正变换核具有可分离性，即 (2.9)

11、所以，二维离散沃尔什变换可由两次变换来实现。2.2 灰度变换灰度变换可使图像动态范围增大，对比度得到扩展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度变换函数进行之外，可以看作是“从像素到像素”的复制操作。基于点运算的灰度变换可表示为： (2.10)其中T被称为灰度变换函数，它描述了输入灰度值和输出灰度值之间的转换关系。一旦灰度变换函数确定，该灰度变换就被完全确定下来。灰度变换包含的方法很多，如逆反处理、阈值变换、灰度拉伸

12、、灰度切分、灰度级修正、动态范围调整等。虽然它们对图像的处理效果不同，但处理过程中都运用了点运算，通常可分为线性变换、分段线性变换、非线性变换。2.2.1 线性变换假定原图像f(x,y)的灰度范围为a,b，变换后的图像g(x,y)的灰度范围线性的扩展至c,d，则对于图像中的任一点的灰度值P(x,y)，变换后为g(x,y)，其数学表达式如下所示1。 (2.11)若图像中大部分像素的灰度级分布在区间a,b内，max f为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令 (2.12)在曝光不足或过度的情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是

13、一个模糊不清、似乎没有灰度层次的图像。采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果。2.2.2 分段线性变换为了突出图像中感兴趣的目标或灰度区间，相对抑制不感兴趣的灰度区间，可采用分段线性变换，它将图像灰度区间分成两段乃至多段分别作线性变换。进行变换时，把0-255整个灰度值区间分为若干线段，每一个直线段都对应一个局部的线性变换关系。如图2.1所示，为二段线性变换，(a)为高值区拉伸，(b)为低值区拉伸9。图2.1 二段线性变换2.2.3 非线性变换非线性变换就是利用非线性变换函数对图像进行灰度变换，主要有指数变换、对数变换等。指数变换，是指输出图像的像素点的灰度值与对

14、应的输入图像的像素灰度值之间满足指数关系，其一般公式为1： (2.13)其中b为底数。为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，以改变变换曲线的初始位置和曲线的变化速率。这时的变换公式为： (2.14)式中a，b，c都是可以选择的参数，当f(x,y)=a时，g(x,y)=0，此时指数曲线交于X轴，由此可见参数a决定了指数变换曲线的初始位置参数c决定了变换曲线的陡度，即决定曲线的变化速率。指数变换用于扩展高灰度区，一般适于过亮的图像。对数变换，是指输出图像的像素点的灰度值与对应的输入图像的像素灰度值之间为对数关系，其一般公式为： (2.15)其中表示以10为底，也可以选用自然

15、对数。为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，这时的变换公式为： (2.16)式中a，b，c都是可以选择的参数，式中f(x,y)+1是为了避免对0求对数，确保。当f(x,y)=0时，则y=a，则a为Y轴上的截距，确定了变换曲线的初始位置的变换关系，b、c两个参数确定变换曲线的变化速率。对数变换用于扩展低灰度区，一般适用于过暗的图像。2.3 直方图变换2.3.1 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,L-1范围的数字图像的直方图是离散函数h()=，这里是第k级灰度，是图像中灰度级为的像素个数。通常以图像中像素

16、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： k=0,1,2,L-1 (2.17)且因此给出了灰度级为发生的概率估计值。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

17、。（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0r1范围内。可以对0,1区间内的任何一个r进行如下的变换：s=T(r) (2.18)变换函数T应满足以下条件：a.在0r1区间内，单值单调增加；b.对于0r1，

18、有01。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。2.3.2 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

19、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10。直方图均衡化变换函数如图2.2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)。图2.2 直方图均衡化变换函数实际上，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“

20、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能是近似的。直方图均衡化处理可大大改善图像灰度的动态范围。减少简并现象通常可采用两种方法：一种简单的方法是增加像素的比特数。比如，通常用8比特来代表一个像素，而现在用12比特来表示一个像素，这样就可以减少简并现象发生的机会，从而减少灰度层次的损失。另外，采用灰度间隔放大理论的直方图修正方法也可以减少简并现象。这种灰度间隔放大可以按照眼睛的对比度灵敏特性和成像系统的动态范围进行放大。一般实现方法采用如下几步：（1）统计原始图像的直方图；（2）根据给定的成像系统的最大动态范围和原始图像的灰度级来确定处理后的灰度级间隔；（3

21、）根据求得的步长来求变换后的新灰度；（4）用处理后的新灰度代替处理前的灰度。2.3.3 直方图规定化直方图均衡化是以累计分布函数变换法为基础的直方图修正技术，使得变换后的灰度概率密度函数是均匀分布的，因此，它不能控制变换后的直方图而交互性差。这样，在很多特殊的情况下，需要变换后图像的直方图具有某种特定的曲线，例如对数和指数等，直方图规定化可以解决这一问题。直方图规定化方法如下：假设是原始图像分布的概率密度函数，是希望得到的图像的概率密度函数。先对原始图像进行直方图均衡化处理，即： (2.19)假定已经得到了所希望的图像，并且它的概率密度函数是。对该图像也做均衡化处理，即： (2.20)由于对于

22、这两幅图像，同样作了均衡化处理，所以他们具有同样的均匀密度。其中（2.9）的逆过程为，则如果用从原始图像中得到的均匀灰度级S来代替逆过程中的u，其结果灰度级将是所要求的概率密度函数的灰度级： (2.21)根据以上思路，可以总结出直方图规定化增强处理的步骤如下：（1）将原始图像进行均衡化处理；（2）规定希望的灰度概率密度函数，用（2.22）式计算它的累计分布函数G(z)；（3）将逆变换函数用到步骤（1）中所得的灰度级。上述三步得到了原始图像的一种处理方法，只要求G(s)是可逆的即可进行。但是，对于离散图像，由于G(s)是一个离散的阶梯函数，不可能有逆函数存在，对此，只能进行截断处理，必将不可避免

23、的导致变换后图像的直方图一般不能与目标直方图严格的匹配。2.4 图像平滑与锐化2.4.1 平滑获得的图像可能会因为各种原因而被污染，产生噪声。常见的图像噪声主要有加性噪声、乘性噪声和量化噪声等。噪声并不仅限于人眼所见的失真，有些噪声只针对某些具体的图像处理过程产生影响。图像中的噪声往往和正常信号交织在一起，尤其是乘性噪声，如果处理不当，就会破坏图像本身的细节，如会使线条、边界等变得模糊不清。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。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。如何既

24、平滑掉噪声又尽量保持图像细节，是图像平滑的主要研究任务。这些噪声的存在直接影响着后续的处理过程，使图像失真。这时可以采用线性滤波和中值滤波的方法。（1） 线性滤波线性滤波一般采用的是领域平均法。对于给定的图像f(x，y)中的每一个点（m，n），取其领域s。设s含有M个像素，取其平均值作为处理后所得图像像素点（m，n）处的灰度。设S是3*3的正方形邻域，点（m，n）位于S中心，则： (2.22)（2） 中值滤波中值滤波就是输出图像的某点象素等于该象素邻域中各象素灰度的中间值。给定的图像f(x,y)中的每一个点（m,n），取其领域s。设s含有M个像素a1，a2，aM，将其按大小排序，若M是奇数时，

25、则位于中间的那个象素值就是修改后图像g(x,y)在点f(m,n)处的像素值；若M是偶数则取中间两个象素的平均值作为修改后图像g(x,y)在点（m,n）处的像素值。2.4.2 锐化图像平滑往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像边缘变得清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是图像受到了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变得清晰。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。为了要把图像中间任何方向伸展的边

26、缘和轮廓变得清晰，我们希望对图像的某种运算是各向同性的。（1） 梯度法梯度是图像处理中最常用的一种一阶微分方法。对图像函数F(j,k)，其在点（j,k）上的梯度定义为矢量： (2.23)从梯度的性质可知，梯度的方向确定了图像F(j,k)的最大变化率的方向，GF(j,k)的幅度为下式： (2.24)对于数字图像，用差分来近似微分。为了便于编程和提高运算速度，可以如下进行绝对值的运算： (2.25)一旦计算梯度的算法确立之后，就可以有很多方法来使图像轮廓突出。最简单的方法就是令（x,y）点上锐化后的图像函f(x,y)数值等于原始图像在该点上的梯度值，即： (2.26)此法的缺点是处理后的图像仅显示

27、出轮廓，灰度平缓变化的部分由于梯度值较小而显得很黑。（2） 拉普拉斯算子拉普拉斯算子是线性二阶微分算子，与梯度算子一样，具有旋转不变性，从而满足不同走向的图像边界的锐化要求。拉普拉斯算子对图像中的噪声非常敏感，为了减少噪声的影响，在做增强处理之前，先将待处理的图像进行平滑，再做拉普拉斯运算。相对于梯度算子，拉普拉斯算子具有增强的边缘精确定位的优点。因为梯度一阶微分算子会在较大范围内形成梯度值，差分的结果不适合精确定位。然后，二阶差分算子的过零特性，可以使边缘增强后精确定位。（3） 高通滤波图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，从而达到图像锐化的目的

28、。建立在离散卷积基础上的空间域高通滤波关系式如下： (2.27)式中为锐化输出；为输入图像；为冲击响应阵列（卷积阵列）。3 Matlab图像增强图像增强是按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些信息使得图像更加实用。图像增强技术主要包含直方图修改处理、图像平滑处理、图像尖锐化处理和彩色技术等。3.1 图像增强技术概述图像增强技术主要包括：直方图修改处理，图像平滑处理，图像尖锐化处理，彩色图像处理。从纯技术上讲主要有两类：频域处理法和空域处理法。频域处理法主要是卷积定理，采用修改图像傅立叶变换的方法实现对图像的增强处理技术；空域处理法：是直接对图像中的像素进行处理，基本上是以灰

29、度映射变换为基础的。3.1.1空域滤波增强使用空域模板进行的图像处理被称为空域滤波,模板本身被称为空域滤波器。空域滤波器包括：线性滤波器和非线性滤波器。空域滤波处理效果来分类，可以分为平滑滤波器，和锐化滤波器，平滑的目的在于消除混杂在图像中的干扰因素，改善图像质量，强化图像表现特征。锐化的目的在于增强图像边缘，以及对图像进行识别和处理。3.1.2 平滑滤波器用于模糊处理和减小噪声。平滑线性空间滤波器的输出（响应）是包含在滤波掩模邻域内像素的简单平均值。因此这些滤波器也被称为均值滤波器。平滑滤波器的概念很简单：它是用滤波掩模确定的领域内像素的平均值去代替图像每个像素点的值。这种处理减少了图像灰度

30、的尖锐化。每个掩模前边的乘数等于它的系数值的和，以计算平均值。我们经常用这些极端类型的模糊处理来去除图像中的一些小物体。例如：在matlab中利用线性平滑滤波器处理一副图像I=imread('eight.tif');J=imnoise(I,'salt & pepper',0.02);>> %添加椒盐噪声>> subplot(221)>> imshow(I)>> title('原图像')>> subplot(222)>> imshow(J)>> title(

31、'添加椒盐噪声图像')K1=filter2(fspecial('average',3),J)/255;>> %应用3*3邻域窗口法>> subplot(223),imshow(K1)>> K2=filter2(fspecial('average',7),J)/255;>> %应用7*7邻域窗口法>> subplot(224),imshow(K2)3.1.3 中值滤波器其原理是把数字图像或数字序列中某一点的值用该点的一个邻域中各点值的中值交换。中值滤波器的窗口可以取方形，圆形，十字形等。例

32、如：滤波函数图像处理1smoothingMedianFilterMain.mclc;clear;fid = fopen('lenai.raw');temp= fread(fid, 256,256);LenaRaw=uint8(temp');subplot(1,3,1)Imshow(LenaRaw);title('原始图像')subplot(1,3,2)Imshow(smoothingMedianFilter(LenaRaw,3);title('自制函数，使用用3*3模板，中值滤波图像')subplot(1,3,3)Imshow(medfi

33、lt2(LenaRaw,3,3);title('调用库函数medfilt2，使用3*3模板，中值滤波图像')3.1.4 锐化滤波器锐化处理主要目的是突出图像中的细节或者增强被模糊了的细节，这种模糊不是由于错误操作，就是特殊图像获取方法的固有影响。常用的方法有两种即为微分法和模板匹配法。其中微分法中梯度是图像处理常用的一次微分方法，在灰度骤变区域，梯度值大，在灰度相似区域，梯度值小。在灰度级为常数的区域，梯度为零；Laplacian算子是线性二次微分算子，与梯度算子一样，具有旋转不变性，从而满足不同走向的图像边界的锐化要求。而对于模板匹配法则是出去能够增强图像边缘外，还具有平滑噪

34、声的优点。3.1.5 低通滤波器一幅图像的边缘，跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区域代表了图像信号的低频分量。低通滤波器的作用就是滤除这些高频分量，保留低频分量，使图像信号平滑。它包括：理想低通滤波器，巴特沃斯低通滤波器，指数低通滤波器等。例如：频域增强I=imread('apple.png');>> J=imnoise(I,'salt & pepper',0.02);>> subplot(121),imshow(J)>> title('含噪声的图像')J=double(J);

35、>> f=fft2(J);>> g=fftshift(f);>> M,N=size(f);>> n=3;d0=20;>> n1=floor(M/2);n2=floor(N/2);>> for i=1:Mfor j=1:N d=sqrt(i-n1)2+(i-n2)2);h=1/(1+0.414*(d/d0)(2*n);g(i,j)=h*g(i,j);endendg=ifftshift(g);>> g=uint8(real(ifft2(g);>> subplot(122),imshow(g)>&g

36、t; title('三阶Butterworth滤波图像')3.1.6 高通滤波器与低通滤波器相反，它将高频信号通过，而抑制了低频信号。3.1.7 同态滤波器把频率过滤和灰度变换结合起来的图像处理方法叫同态滤波。3.2 Matlab图像增强函数Matlab中图像增强函数的具体使用方法：（1）直方图imhist函数用于数字图像的直方图显示，如：i=imread('e:w11.tif');imhist(a);（2）直方图均化histeq函数用于数字图像的直方图均化，如：i=imread('e:w11.tif');j=histeq(a);（3）对比度调整

37、imadjust函数用于数字图像的对比度调整，如：i=imread('e:w11.tif');j=imadjust(a,0.3,0.7,);（4） 对数变换log函数用于数字图像的对数变换，如：i=imread('e:w11.tif');j=double(a);k=log(v);（5）基于卷积的图像滤波函数filter2函数用于图像滤波，如：i=imread('e:w11.tif');h=1,2,1;0,0,0;-1,-2,-1;j=filter2(h,i);（6） 线性滤波利用二维卷积conv2滤波, 如:i=imread('e:w11

38、.tif');h=1,1,1;1,1,1;1,1,1;h=h/9;j=conv2(i,h);（7）中值滤波medfilt2函数用于图像的中值滤波，如：i=imread('e:w11.tif');j=medfilt2(i);（8）锐化·利用Sobel算子锐化图像, 如:i=imread('e:w11.tif');h=1,2,1;0,0,0;-1,-2,-1;%Sobel算子j=filter2(h,i);3.3 Matlab应用于数字图像增强和滤波3.3.1 目的1）熟悉灰度图像读入函数imread和图像显示函数imshow。2）掌握数据类型强制转

39、换函数y=double(x)。(注意进行运算前类型为uint8的数据必须转换为double类型)。3）掌握使用函数映射增强图像的方法。4）熟悉使用imhist函数显示图像直方图。5）熟悉使用histeq函数进行直方图均衡化,通过实验结果理解直方图均衡化的作用。6）掌握加噪函数imnoise函数。7）熟悉常用空域平滑滤波和锐化滤波模板。3.3.2 内容根据简单的函数映射规则编写程序experiment.m,完成图像求反、增强对比度、降低对比度。1）在MATLAB中读入名为lena.bmp的图像给矩阵D，将D强制类型转换为double。2）对原始图像求反,即转换为黑色或白色,形成底片效果,结果赋值

40、给矩阵D1。要求原图像灰度范围0255,求反后灰度变化范围2550。3）对原始图像D降低对比度,结果赋值给矩阵D2。要求原图像灰度范围0255,降低对比度后灰度变化范围0127。4）对降低对比度后的图像D2增强对比度, 结果赋值给矩阵D3,要求与原始图像外观类似。5）在figure（1）中显示求反图像、增强对比度图像和降低对比度图像的图像与直方图,并添加标注说明。6）对降低对比度后图像矩阵D2使用histeq函数进行直方图均衡化,结果赋值给矩阵D4。在figure No.2显示降低对比度后图像与直方图均衡化后图像,并添加标注说明。Dimread('lena.bmp');Ddou

41、ble(D/255;D=1-DD=(floor(D255/2)/255);D=(exp(D*255/10)/255;figure,subplot(4,2,1),imshow(Dtitle('原图像');subplot(4,2,2),imhist(D);title('原图像直方图');subplot(4,2,3),imshow(D1);title('求反图像');subplot(4,2,4),imhist(D2);title('求反图像直方图');subplot(4,2,5),imshow(D3);title('增强对比度图

42、像');subplot(4,2,6),imhist(D4);title('增强对比度图像直方图');subplot(4,2,7),imshow(D4);title('降低对比度图像');subplot(4,2,8),imhist(D3)title('降低对比度图像直方图');figure,subplot(1,2,1),imshow(D2);title('降低对比度图像');subplot(1,2,2),imshow(D4);title('直方图均衡化图像');以下将所有代码写成名为imfil.m的脚本文件，

43、存盘。在command window 中运行。1）在MATLAB中读入名为eight.tif的图像给矩阵X，将X强制类型转换为double，最大值归一化并显示X。2）使用imnoise函数对图像矩阵X加噪，加噪后图像矩阵名为J。要求噪声为零均值，方差0.005的高斯噪声。3）使用以上给出的平滑滤波模板和conv2函数对加噪图像进行平滑滤波即降噪，输出图像Y1并显示。4）使用以上给出的锐化滤波模板和conv2函数对图像X进行锐化滤波即边缘增强，输出图像Y2并显示。5）在一个图形窗口中建立2×2子窗口，分别显示原始图像X,加噪图像J,降噪后图像Y1和边缘增强图像Y2。X=imread(&

44、#39;eight.tif');Y=double(X);x=(255-Y)./255;J=imnoise(x,'gaussian',0,0.005);d1=0.1.*1,1,1;1,2,1;1,1,1;Y1=conv2(J,d1,'same');d2=0,-1,0;-1,5,-1;0,-1,0;Y2=conv2(Y,d2,'same');subplot(2,2,1),imshow(X);title('原图象');subplot(2,2,2),imshow(J);title('加噪图象');subplot(2

45、,2,3),imshow(Y1);title('降噪后图象');subplot(2,2,4),imshow(Y2/max(max(Y2)+Y/255);title('边缘增强图象');编写程序specfil.m，完成理想滤波器对一幅图像的低通、高通滤波，比较并分析结果。1）在MATLAB中读入名为lena.bmp的图像给矩阵X，将X强制类型转换为double。2）用cheby1分别设计低通和高通滤波器并对原始图像X进行滤波，低通滤波后图像为X1，高通滤波后图像为X2。3）在Figure NO 1中开设1*3个子窗口显示原始图像X、低通滤波后图像X1和高通滤波后图

46、像X2。编写函数f2,f3=photo(ut),图像文件名为lena256.bmp，第ut行为破损行，即令该行值全为255,文件存为lena2.bmp,编写程序进行预测修补，文件保存为lena3.bmp。其中图像文件读入函数为imread,写出函数为imwrite，无符号8位整型数转换为双精度类型函数为double，其逆运算函数为uint8。3.4 实验实验一：图像输入对于一副黑白数字图像，其每一副数字图像都是由一个矩阵组成的，矩阵中的每一个值都是对应原来的模拟图像的相应值的量化值，因此，一副黑白图像就是一个关于像素值的矩阵。使用MATLAB进行图像输入，可以利用以下简单一步：f=imread

47、(文件名.格式名)；Figure;Imshow(f);根据数字图像的特性，f即为关于输入图象各像素值的矩阵。实验二：彩色图像处理关于数字彩色图像的编码，采用RGB三个矩阵进行存储，因此对于输入的彩色图像的关于RGB的三个矩阵，我们只取其中的灰度矩阵进行处理，这样就是对彩色图像的简单灰化。f=imread(文件名.格式名)；Figure;Imshow(f);title(原图像)f1=f(:;:;3)%取彩色图像的灰度分量。Figure;Imshow(f1);Title(原图像);例如输入的彩色图像为：图3-1 彩色图像输入(a) 图3-2 灰化之后的图像(b)实验三：图像增强实验题目：图像增强实

48、验目的：（1）了解图像增强的内容和意义；（2）掌握基于空域的图像增强方法；（3）掌握基于频域的图像增强方法。实验内容：（1）综合运用直方图均衡、灰度变换、锐化空域滤波等方法编程实现对图像的空域增强处理；（2）编程实现图像的频域增强处理。预备知识：（1）熟悉MATLAB图像输入输出操作；（2）熟悉图像的模板操作；（3）熟悉图像的频域变换处理；实验原理：图像增强是对图像进行加工，以得到视觉效果更好或更有用的新图像。图像均衡化f=imread('Couple.bmp');J=histeq(f); subplot(2,2,1);imshow(f);title('原图像'

49、);subplot(2,2,2);imhist(f);title('原图直方图');subplot(2,2,3);imshow(J);title('均衡化结果');subplot(2,2,4);imhist(J);title('均衡化结果的直方图');图3-3实验四：图像的平滑与滤波实验题目：图像平滑与滤波实验目的：在熟悉图像平滑的基本原理和方法的基础上，在理论指导下，能在MATLAB环境下对图像进行平滑处理。本实验要求用线性平滑滤波、中值平滑滤波、频域低通滤波的方法进行程序设计。经过平滑处理，对结果图像加以比较，得出自己的实验结论。实验内容：（

50、1）利用MATLAB为用户提供的专门函数实现均值滤波。（2）利用MATLAB为用户提供的专门函数实现中值滤波。（3）编写频域理想低通、巴特沃斯低通及高斯低通滤波函数。预备知识：（1）熟悉平滑滤波、频域滤波原理。（2）熟悉在MATLAB环境下对图像文件的I/O操作。实验原理：平滑滤波技术用于平滑图像中的噪声。平滑噪声可以在空间域中进行，基本方法是求像素灰度的平均值或中值。也可以在频域中用基于傅立叶的分析方法进行。I=imread(' Couple.bmp'); J=imnoise(I,'gaussian',0,0.01);%给图像加高斯噪声 subplot(1,2

51、,1);imshow(I);title('原始图像);subplot(1,2,2);imshow(J);title('加入高斯噪声的图像');图3-5h=fspecial('average',3);gd=imfilter(J,h);subplot(1,2,1);imshow(J);title('加入高斯噪声的图像');subplot(1,2,2);imshow(gd);title(' 3X3模板均值滤波');图3-6实验五：图像变换及频域滤波1验证二维傅里叶变换的平移性和旋转不变性；a要验证证其平移特性,就先建立一个二维图

52、象,然后再对其平移,通过观察两者的频谱图来观察平移特性,为了方便起见,我们选择特殊情况来分析,令u0=v0=N/2,使ßàF(u-N/2,v-N/2),达到将原始F(U,V)四周频谱移到中心的效果,及达到频谱中心化。b验证旋转不变性可以通过将原始数组的通过移动45度,然后再比较旋转后与旋转前的频谱,得出频谱旋转不变性的结论。具体步骤：1）产生如图1所示图像（128×128大小，暗处=0，亮处=255）2）同屏显示原图和的幅度谱图。3）若令，重复以上过程，比较二者幅度谱的异同。4）将顺时针旋转45度得到，显示的幅度谱，并与的幅度谱进行比较。图3-7 实验图象(a)

53、图3-8 实验图象(b)2.实现图像频域滤波，加深对频域图像增强的理解。频率域中进行增强是相当直观的,主要步骤有:1）计算需要增强的图象的傅立叶变换;2）将其与一个(根据需要设计的)转移的函数相乘;3）再将结果反傅立叶变换以得到增强的图象.为了直观的展示频域增强,可以通过下面任务来展现:对如图2所示的数字图像lena.img（256×256大小、256级灰度）进行频域的理想低通、高通滤波，同屏显示原图、幅度谱图和低通、高通滤波的结果图。1验证二维傅里叶变换的平移性和旋转不变性1）建立一个二维数组并要求该数组能够显示成图1.a=zeros(128,128)for y=54:74for

54、x=34:94a(x,y)=1;end end然后再用显示图象的函数显示即可, 在此我们用imshow(a)语句。为了得到幅度谱图,可以地数组a进行快速傅立叶变换,然后再用Mesh语句便可得到其幅度谱.2）观察其平移特性。根据实验方法中的分析,构造一个新的数组存入平移后的原数组,通过在嵌套中加入语句b(x,y)=(-1).(x+y).*a(x,y);即可,然后再用类似上面的方法画出图象和幅度谱.3）验证其旋转不变性。首先将所得图画旋转45度,这需要通过将数组先相应的旋转,这个旋转有两种方式:（1）根据旋转后的图象算出旋转后的数组形式,通过点与点之间的变换来实现,需要分区间来画图和构建新的数组.

55、然后用imshow来显示.（2）直接用IMROTATE(A,ANGLE,METHOD)语句,其中A表示数组,ANGLE表示旋转角度,METHOD表示旋转方向.我们令t=imrotate(a,315,'nearest','crop')令可将数组a逆时针旋转135度,即相当于顺时针旋转45度。然后比较旋转前后两幅图的差别以及其频率谱和幅度谱的异同。最后可以得结论。2.实现图像频域滤波1）读出图片,并生成图片的数组.首先要将lena.img与MATLAB程序文档放在一个目录下面,然后再用语句a=fopen('lena.img','r')

56、;b=fread(a,256,256,'uchar');打开图片并获得组成该图片的数组.然后用imshow(b),便可得到lena的人头图片.其次与上面任务一样,对图片数组进行快速傅立叶变换,然后用mesh()语句画出他的幅度谱图,2）进行频域增强的低通滤波部分。 频域法的过程是：f(x,y)à正变换-F(u,v)-à修正H(u,v)-G(u,v)-à反变换àg(x,y).3）进行频域增强的高通滤波部分。一个2-D理想高通滤波器的转移函数满足下列条件H(u,v) H(u,v)=0; 当D(u,v)<=X时;H(u,v)=1; 当D(u,v)>X时;所得到的结果恰好与低通滤波相反, 当大于X的频率可以完全不受影响的通过滤波器,而小于X的则完全不能通过滤波器。在高通滤波时,分别令X等于2,8,24时,分