空域图像增强技术.pptVIP

直方图均衡化 均衡化前后直方图比较 例 第30页，共84页，编辑于2022年，星期五 例： 第31页，共84页，编辑于2022年，星期五 第32页，共84页，编辑于2022年，星期五 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2022年，星期五 3.3.2 直方图匹配/规定(specification) 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，星期五 连续灰度的直方图原图 第35页，共84页，编辑于2022年，星期五 连续灰度的直方图规定 第36页，共84页，编辑于2022年，星期五 ? 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，星期五 rj zk 直方图匹配变换公式推导图示 第38页，共84页，编辑于2022年，星期五 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，星期五 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，星期五 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vk≈sj，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，星期五 第42页，共84页，编辑于2022年，星期五 第43页，共84页，编辑于2022年，星期五 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，星期五 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84页，编辑于2022年，星期五 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，星期五 3.4 代数和逻辑运算增强 逻辑操作(二进制掩膜，binary masking)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 (region of interest)，也常与形态学处理相结合。 第47页，共84页，编辑于2022年，星期五 第48页，共84页，编辑于2022年，星期五 3.4.1 图像加 第49页，共84页，编辑于2022年，星期五 第50页，共84页，编辑于2022年，星期五 第51页，共84页，编辑于2022年，星期五 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，星期五 第53页，共84页，编辑于2022年，星期五 3.4.3 图像乘 第54页，共84页，编辑于2022年，星期五 3.4.4 图像乘 第55页，共84页，编辑于2022年，星期五 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，星期五 第57页，共84页，编辑于2022年，星期五 3.5 空间滤波 第58页，共84页，编辑于2022年，星期五 基本步骤： 不过当模板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