灰度变换(上)
寫在前面的話,博客(上)為數字圖像處理課程理論,博客(下)為對應的實驗部分。
教材:
中文教材:數字圖像處理_第三版_岡薩雷斯
實驗教材(matlab版):數字圖像處理(MATLAB版)岡薩雷斯
英文教材:Digital Image Processing_3ed_Gonzalez
教材習題答案:DIP_3E_Student_Solutions
文后可下載!!!
正文:
1.空間域增強方法
空間域增強是指增強構成圖像的像素;
1.1什么是圖象增強?
圖像增強是要突出圖像中的某些信息,同時削弱或去除某些不需要信息的一種處理方法,以得到對具體應用來說視覺效果更“好”,或更“有用”的圖像的技術。
1.2為什么要增強圖象?
圖像在傳輸或者處理過程中會引入噪聲或使圖像變模糊,從而降低了圖像質量,甚至淹沒了特征,給分析帶來了困難。
1.3基本方法
1.3.1空間域處理
點處理(圖像灰度變換、直方圖均衡等)
鄰域處理(線性、非線性平滑和銳化等)
1.3.2頻域處理
高、低通濾波、同態濾波等
2.基本灰度變換
2.1灰度級變換函數
s = T?
2.2三種基本類型
① 線性的(正比或反比)
② 對數的(對數和反對數的)
③ 冪次的(n次冪和n次方根變換)
圖像反轉:
對數變換:
冪次變換:
2.3不同變換應用范圍
2.3.1反轉變換
適于處理增強嵌入于圖像暗色區域的白色或灰色細節,特別是當黑色面積占主導地位時;
2.3.2對數變換
使一窄帶低灰度輸入圖像映射為一寬帶輸出值;可以用于擴展圖像中的暗像素。
2.3.3冪次變換
冪次曲線中的值決定了是把輸入窄帶暗值映射到寬帶輸出值,還是把輸入窄帶亮值映射到寬帶輸出.
2.4冪次變換的應用----(伽馬)校正
2.4.1為什么要進行γ校正?
幾乎所有的CRT顯示設備、攝像膠片、許多電子照相機的光電轉換特性都是非線性的。所以,如果不進行校正處理的話,將無法得到好的圖像效果。
2.4.2實際中γ值的確定方法
通常CCD的γ值在0.4 ~0.8之間,γ值越小,畫面的效果越差。根據畫
面對比度的觀察與分析,可以大致得到該設備的γ值。
2.5分段線性變換函數
其形式可以任意組合,有些重要的變換可以應用分段線性函數描述。
2.5.1對比拉伸
擴展圖像處理時灰度級的動態范圍。
2.5.2灰度切割
提高特定灰度范圍的亮度
特點:突出目標的輪廓,消除背景細節
(a) 加亮[A,B]范圍,其他灰度減小為一恒定值;
特點:突出目標的輪廓,保留背景細節
(b) 加亮[A,B]范圍,其他灰度級不變;
2.5.3.位圖切割
把數字圖像分解成為位平面,(每一個位平面可以處理為一幅二值圖像)對于分析每一位在圖像中的相對重要性是有用的。(高階位如前4位包含視覺上很重要的大多數數據;其它位對圖像中的更多微小細節有作用)
重建:
① 第n個bit平面的每個像素:2的(n-1)次方 ;
② 所有bit平面相加;
附錄:imadjust函數 灰度變換
stretchlim主要用于自適應找到一個分割閾值向量來改變一幅圖像的對比度。
3.直方圖處理
3.1直方圖
3.2歸一化直方圖
3.3直方圖和圖像清晰度的關系
直方圖反映了圖像的清晰程度,當直方圖均勻分布時,圖像最清晰。由此,我們可以利用直方圖來達到使圖像清晰的目的。
3.4直方圖均衡化
3.4.1直方圖均衡化處理
假設原圖的灰度值變量為r, 變換后新圖的灰度值變量為s, 我們希望尋找一個灰度變換函數T:s=T?,使得概率密度函數變換成希望的概率密度函數。
條件1:保證輸出灰度值不少于相應的輸入值,防止灰度反變換時產生的人為缺陷,且防止二義性;
條件2:保證輸出灰度的范圍與輸入的灰度范圍相同。
直方圖均衡化處理的計算步驟(略)
結論:
(1)因為直方圖是近似的概率密度函數,所以用離散灰度級進行變換時很少得到完全平坦的結果;
(2)變換后灰度級減少,即出現灰度“簡并”現象,造成一些灰度層次的損失。
直方圖均衡化的缺陷
(1)直方圖均衡化的缺陷:不能用于交互方式的圖象增強應用
因為直方圖均衡化只能產生唯一一個結果;
(2)恒定值直方圖近似
希望通過一個指定的函數(如高斯函數)或用交互圖形產生一個特定的直方 圖。根據這個直方圖確定一個灰度級變換T?,使由T產生的新圖象的直方圖符
合指定的直方圖。
3.4.2 直方圖規定化(匹配)
目的:將原始圖象的直方圖轉換為期望的直方圖的形狀;
直方圖規定化:運用均衡化原理的基礎;
3.4.3 局部直方圖處理(略)
3.4.4 在圖像增強中使用直方圖統計(略)
下一篇:空間濾波(上)https://blog.csdn.net/qq_44143405/article/details/105789918
公式在此編譯不便,所以均換成了圖片形式;碼字不易,如若您覺得質量還行,請給個贊!你的肯定就是我的動力,后更請多多關注、指教!謝謝~
由于資源上傳不了,需要的請留言!!!
作于 2020.04總結
- 上一篇: 二维矩阵与二维矩阵之间的卷积
- 下一篇: VMD_test matlab仿真