智能图像处理算法结合分析难点.docxVIP

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，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