新·ch5-图象增强3.pptVIP

图像细节的灰度变化特性 梯度算子 单方向的一阶锐化算法 单方向的一阶梯度算法是指给出某个特定方向上的边缘信息。 因为图像为水平、垂直两个方向组成，所以，所谓的单方向梯度算法实际上是包括水平方向与垂直方向上的锐化。 例 题 例 题 方法1：整体加一个正整数，以保证所有的像 素值均大于零。 这样做的结果是：可以获得类似浮雕的效果。 水平浮雕效果 垂直浮雕效果 方法2：将所有的像素值取绝对值。 这样做的结果是，可以获得对边缘的有方向提取。 水平边缘的提取效果 垂直边缘的提取效果 Sobel算子 Prewitt算子 拉普拉斯算子 为了改善锐化效果，可以脱离微分的计算原理，在原有的算子基础上，对模板系数进行改变，获得Laplacian变形算子如下所示。 Wallis算法 考虑到人的视觉特性中包含一个对数环节，因此在锐化时，加入对数处理的方法来改进。 在前面的算法公式中注意以下几点： 1）为了防止对0取对数，计算时实际上是用 log(f(i,j)+1); 2）因为对数值很小log(256)=5.45,所以计算 时用46*log(f(i,j)+1)。 （46=255/log(256)） Wallis算法中考虑了人眼视觉特性，因此，与Laplacian等其他算法相比，可以对暗区的细节进行比较好的锐化。 Examples Canny operator on noisy images 与Sobel Operator比较图 Sobel operator on noisy images, threshold: 150 LoG 实例2 Edge Detection, Gauss filter width: 5x5 pix Binarized image LoG 实例 3 Edge Detection, Gauss filter width: 9x9 pix Binarized image LoG 实例 4 Edge Detection, Gauss filter width: 12x12 pix Binarized image 混合空间增强法(实例) 除了一些例外，例如前面的提到的阈值法对模糊图像进行处理，我们主要关注的还是单一的图像增强方法。 下图显示的图像是一幅人体骨骼核扫描图，它产被用来检查人体疾病，如骨骼感染和肿瘤。 图(a)是原始图像-全身骨骼扫描图像。图(b)是用下面所示的模板处理后得到的原始图像的拉普拉斯变换结果。图(c) 是(a)与(b)相加得到的图像，根据图(b)中的噪声水平，就可以预料到，如果将(a)和(b)相加会导致相当多的噪声，这一点可以在图(c) 中得到证实。于是想到，减少噪声的方法是使用中值滤波器。然而，中值滤波器是一种非线性滤波器，它有可能改变图像的性质。这在医学图像处理中是不能接受的。 另一种方法就是使用原始图像梯度变换的平滑版本形成一个掩模。这种方法的动机很直接，并且是基于一阶和二阶微分性质。拉普拉斯变换作为一种二阶微分算子在图像细节的增强处理方面有明显的优点。但拉普拉斯变换与梯度变换相比会产生更多的噪声。其中那些位于平滑区内的噪声非常显眼而令人讨厌。梯度变换在灰度变化的区域（灰度斜坡或阶梯）的响应要比拉普拉斯变换更强烈，而梯度变换对噪声和小细节的响应要比拉普拉斯变换弱，而且可以通过均值滤波器对其进行平滑处理进一步降低。 一个想法就是对梯度图像进行平滑处理并与拉普拉斯图像相乘。在这种情况下，可以将平滑梯度图像作为一个模板图像。处理后的结果在灰度变化强的区域仍然保留细节，在灰度变化相对平坦的区域减少噪声。这种处理可以粗略地看作将拉普拉斯变换与梯度变换的优点相结合。结果被加到原始图像上就可以达到最终的锐化图像，甚至可用于提升滤波。图(d)显示了原始图像经过Sobel梯度变换的结果。使用了公式5.8.14。Sobel图像的边缘要比拉普拉斯图像的边缘突出很多。 图(e)所示的平滑后的梯度图像是用一个5?5的均值滤波器获得的。两幅梯度图像以与拉普拉斯图像相同的方式进行了标定。由于梯度图像的最小值为0，所以标定的梯度图像的背景呈黑色，而不像标定的拉普拉斯图像那样呈灰色。拉普拉斯与平滑后的梯度图像乘积的结果显示于图(f)。将乘积图像与原始图像相加就得到了图(g)所示的锐化图像。与原始图像相比，在图像的大部分中，锐化处理过的图像细节的增加都很明显。单独使用拉普拉斯变换或者梯度变换是不可能达到这种改进效果的。 最后一步是锐化图像的动态范围。我们采用幂次变换。因为是扩展灰度范围，所以r值必须小于1。通过一些实验，最后得到图(h)，此时r=0.