医学图像增强newPPT.ppt

* * 2、拉普拉斯运算法 可见数字图像在(x,y)点的拉普拉斯算子，可以由(x,y)点的灰度值减去该点邻域的平均灰度值求得。 拉普拉斯算子： * * 拉普拉斯算子 * * 微分法 罗伯茨(Roberts)算子 * * Sobel算子 * * Prewitt算子 * * 利用Sobel和Prewitt算子进行锐化处理 I=imread(rice.png); imshow(I); hs=fspecial(sobel); S=imfilter(I,hs); hp=fspecial(prewitt); P=imfilter(I,hp); figure, imshow(S,[]); figure, imshow(P,[]); * * 源图像 sobel算子锐化结果 prewitt算子锐化结果 * * 频域滤波可用下述关系式表示： 其中 F( u, v)是需要处理的图像 f( x, y)的傅立叶变换，H( u, v)是传递函数， G( u, v)经傅立叶反变换得到变换后的图像g( x, y) 。 5.4 图像的频域滤波增强 * * Radius (pixels) % image power 8 95 16 97 32 98 64 99.4 128 99.8 频域低通滤波法 * * 频域低通滤波增强 一般来说，图像的边缘和噪声都对应于傅立叶变换中的高频分量，所以通过频域对一定范围的高频分量的衰减能够达到图像平滑、去除噪声。 由于滤除了高频分量，低频信息无损地通过。 * * 常用的几种低通滤波器 （1）理想(Ideal)低通滤波器 其中D0为截止频率，是个非负的整数。 D(u,v)=(u2+v2)1/2：频率平面原点到点(u,v)的距离。 * * 理想低通滤波器转移函数剖面图 理想是指以D0为半径的圆内的所有频率分量可以完全无损地通过，而圆外的频率，即大于D0的频率分量则完全被除掉。 * * 理想低通滤波器转移函数三维图 * * * * a b c d e f * * 理想低通滤波所产生的“振铃”(ring)现象 由于H( u, v)在D0处由1突变为0，经傅立叶变换后在2-D图象上表现为一系列同心圆环，圆环半径反比于截断频率。 理想低通滤波器的模糊 理想滤波器的难处 理想低通滤波器产生的振铃现象 理想低通滤波器的处理效果 * * 工作步骤： ① 将模板在图中漫游，并将模板的中心与图中某个象素位置重合； ② 读取模板下各对应象素的灰度值； ③ 将这些灰度值从小到大排成1列； ④ 找出这些值里排在中间的1个； ⑤ 将这个中间值赋给对应模板中心位置的象素。 中值滤波器 * * 中值滤波算法实现演示： 原始图象 g(i,j) 滤波后图象 f(i,j) 以 3×3的滤波窗口为例 , 中值滤波算法为: 1 3 4 8 10 3 18 5 0 1 5 4 24 6 7 3 45 6 12 2 1 3 4 5 42 4 5 4 5 6 5 6 6 6 1, 3, 3, 4, 4 5, 5, 18, 24 4 0, 3, 4, 4, 5, 6, 8, 18, 24 5 滤波后的图象 f(i,j)的边界可直接由f(i,j) =g(i,j)。 * * 图片处理结果演示 1: Wonderful! 3×3 中值滤波后的图象 原始图象 椒盐白噪声污染后的图象 中值滤波对消除脉冲椒盐噪声非常有效，而且不会显著模糊对图象边缘信息。 * * 图片处理结果演示 2： 3×3中值滤波 7×7中值滤波 可以看出，中值滤波对椒盐噪声比对高斯白噪声效果更好。 原始图象 高斯白噪声污染后图象 * * 中值滤波优缺点总结: 优点: 对椒盐噪声的抑止效果显著 ; 在滤去噪声的同时，既可以消除孤立的噪声点，又能保留边缘信息。 缺点: 在计算窗口内中值时，需要进行排序，该操作非常耗费机器时间，特别在滤波窗口增大时。 * * MATLAB实现 在MATLAB中调用medfilter2(A,[m,n])来 实现二维中值滤波。 例：对受淑盐噪声干扰的图像采用二维中值滤波滤除噪声，窗口的大小分别选择为3、5和7。 * * 例： I=imread(‘eight.tif’); imshow(I); J=imnoise(I,’salt p