图像增强:1. 空域增强:直接在图像所在的二维空间进行处理，即直接对每一像素的灰度值进行处理直方图均衡化的基本原理 。2. 频域增强:首先经过傅里叶变换将图像从空间域变换到频率域，然后在频率域对频谱进行操作和处理，再将其反变换到空间域，从而得到增强后的图像。
1. 灰度变换就是将图像的灰度值按照某种映射关系映射为不同的灰度值从而改变相邻像素点之间的灰度差，达到将图像对比度增强或减弱的目的。
线性灰度变换:g(x)=α*f(x)+c(a为变换系数，c亮度系数。a>1  对比度增大0<a<1  对比度减小 a<0    暗区域变亮，亮区域变暗 ，图像求补 
分段线性变换  非线性灰度变换
imadjust(f,[low_in  high_in],[low_out high_out],gamma) 对图像进行灰度变换
gamma指定曲线的形状 gamma=1是线性变换gamma<1低灰度区扩展，高灰度区压缩。(加权至更高更亮) gamma>1高灰度区扩展，低灰度区压缩。（加权至更低更暗）
2. 灰度直方图是灰度值的函数，描述的是具有某灰度值像素的个数。其横坐标是像素的灰度级别（0到255），纵坐标是某灰度值出现的频率（像素的个数）。
h=imhist(f,n) 功能：显示图像f的直方图。n为灰度级的个数，默认值为256。
直方图均衡化：对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。P(rk)=nk/n  Sk=P(rk)的累加
g=histeq(f,nlev)%f为输入图像，nlev是输出图像的灰度级数，默认值为64，通常我们设置为256。
g=histeq(f,hspec)%f为输入图像，hspec为指定的直方图。
3. 空域滤波器1、平滑（smoothing）滤波器。图像平滑的目的 主要是消除图像中的噪声；
2、锐化(sharpening)滤波器。而图像锐化的则是为了增强被模糊的细节如图像的边缘等。
邻域均值滤波器:将一个像素及其邻域内的所有像素的平均灰度值赋给平滑图像中对应的像素 3*3模板 H0=1/9[1 1 1,1 1 1,1 1 1]处理的是中间那个数（领域的平均值赋给中间个数）
作用：减噪，去除不相干的细节，对灰度级不足引起的伪轮廓进行平滑等等
邻域平均法虽然可以平滑图像，但在消除噪声的同时，会使图像中的一些细节变得模糊。中值滤波：在消除噪声的同时还能保持图像中的细节部分，防止边缘模糊 。中值滤波方法对脉冲干扰和椒盐噪声的抑制效果好，在抑制随机噪声的同时能够保持边缘减少模糊。
对像素模板进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定被排在两侧。中间位置灰度值代替原灰度值（中间）
对于椒盐噪声，中值滤波效果比均值滤波效果好。 
椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。中值滤波是选择适当的点来替代污染点的值，所以处理效果好。
对于高斯噪声，均值滤波效果比中值滤波效果好。 
高斯噪声是幅值近似正态分布，但分布在每点像素上。因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。
线性滤波函数
g=imfilter(f,w,filtering_mode,boundary_options,size_options) f为输入图像，w为滤波掩模。其他参数见帮助文档。w可通过fspecial函数生成fspecial(‘type’,parameters)
非线性滤波器
g=medfilt2(f,[m n],padopt)  中值滤波器g=ordfilt2(f,order,domain) 生成统计排序滤波器
图像的锐化
图像锐化的目的是加强图像中景物的边缘和轮廓。使灰度反差增强。
微分法
一阶微分锐化（交叉微分）
Roberts 锐化：Gx=[-1 0,0 1]    Gy=[0 -1,1 0]
Sobel锐化：Gx=[-1 -2 -1,0 0 0,1 2 1]  Gy=[-1 0 1,-2 0 2,-1 0 1] 
特点：锐化的边缘信息较强
Priwitt锐化:Gx=[-1 -1 -1,0 0 0,1 1 1]  Gy=[-1 0 1,-1 0 1,-1 0 1]
特点：与Sobel相比，有一定的抗干扰性。图像效果比较干净
二阶微分
Laplacian算子：H1=[0 1 0,1 -4 1,0 1 0]  H2=[1 -2 1,-2 4 -2,1 -2 1]
Kirsch边缘检测算子：从八个方向对边缘信息进行提取，能提取出较好的图像边缘。G=imfilter(f,w,)
W=f special(‘type’,parameter)%生成滤波掩模的函数
f1=edge(f,’sobel’) ``````f1=fspecial(‘sobel’)  h=imfilter(f,f1)
频域滤波：图像空间->正变换->变换空间->逆变换->图像空间
平滑滤波器：消除或减弱图象中灰度值具有较大较快变化部分的影响，这些部分对应频域中的高频分量，所以可用频域低通滤波来实现。滤除高频成分，保留低频成分，在频域中实现平滑处理。特点：物理上不可实现，有抖动现象，滤除高频成分使图象变模糊
锐化滤波器：消除或减弱图象中灰度值缓慢变化的部分，这些部分对应频域中的低频分量，所以可用频域高通滤波来实现 。
图像傅里叶变换并可视化频谱图：F=fft2(f)  计算图片的傅立叶变换； Fc=fftshift(F)  将变换的原点移动到频率矩形的中心；作用等同于先把原图像f(x,y)乘以(-1)x+y，然后再进行傅立叶变换; 频谱的动态范围太大,不利于显示,为了得到好的显示效果，需要进行对数变换。S2=log(1+abs(Fc));%缩小动态范围  使用paddedsize获得填充参数，以避免折叠误差。
PQ=paddedsize(size(f));
图像复原：对退化的图像进行处理，力求还原图像的本来面目,复原的过程是沿着质量降质（退化）的逆过程来重现原始图像。
图像退化：图像在形成、记录、处理和传输过程中，由于成像系统、记录设备、传输介质和处理方法的不完善，从而导致的图像质量下降。退化表现：图像模糊、失真、有噪声
图像复原方法：图像去噪：可以使用空间域（均值滤波、中值滤波）或频域滤波器实现  逆滤波  维纳滤波
腐蚀：A用B腐蚀的结果是所有满足将B平移后，B仍旧全部包含在A中的x的集合 。腐蚀 是一种消除连通域的边界点，使边界向内收缩的处理。腐蚀处理可以将粘连在一起的不同目标物分离，并可以将小的颗粒噪声去除。  SE= strel(‘square’,3)% 创建3*3的正方形      IM2 = imerode(IM,SE)%用SE对图像IM进行腐蚀
se=strel(shape,参数） B= imerode(A,se); 像A被结构元素se腐蚀。Se=[1 2,2 1]自己设计
腐蚀 —— 算法步骤
1）扫描原图，到第一个像素值为1的目标点；
2）将预先设定好形状以及原点位置的结构元素的原点移到该点；
3）判断该结构元素所覆盖的像素值是否全部为1：
      如果是，则腐蚀后图像中的相同位置上的像素值为1；
      如果不是，则腐蚀后图像中的相同位置上的像素值为0；
4）重复2）和3），直到所有原图中像素处理完成
膨胀：结构元素B 对图像集合 A的膨胀可记为所谓膨胀就是把连接成分的边界扩大一层的处理。首先做 B关于原点的映像，再将其映像平移x，当 A与  的交集不为空时，    的原点就是膨胀集合的象素。膨胀是将与目标区域的背景点合并到该目标物中，使目标物边界向外部扩张的处理。膨胀处理可以将断裂开的目标物进行合并，便于对其整体的提取。
se=strel(shape,参数）C=imdilate（A，se）用结构元素se来膨胀A se可以自己设计[1 0,0 1]
膨胀 —— 算法步骤
1）将结构元素基于原点做映像；
2）扫描原图，到第一个像素值为0的背景点；
3）将预先设定好形状以及原点位置的结构元素的原点移到该点；
4）判断该结构元素所覆盖的像素值是否存在为1的目标点：
  如果是，则膨胀后图像中的相同位置上的像素值为1；
  如果不是，则膨胀后图像中的相同位置上的像素值为0；
5）重复2）和3），直到所有原图中像素处理完成
SE= strel('square',3)% 创建3*3的正方形  IM2 = imdilate(IM,SE) 膨胀灰度，二值，压缩二值图像IM，返回IM2。参数SE为由strel函数返回的结构元素或者结构元素对象组。
开运算（imopen ）是对原图先进行腐蚀处理，后再进行膨胀的处理。开运算可以在分离粘连目标物的同时，基本保持原目标物的大小。
se=strel(shape,参数）B=imopen(A,se);图像A被结构元素se先腐蚀后膨胀。
闭运算（imclose）是对原图先进行膨胀处理，后再进行腐蚀的处理。闭运算可以在合并断裂目标物的同时，基本保持原目标物的大小。
B=imclose(A,se);图像A被结构元素se先膨胀后腐蚀。se=strel(shape,参数）
开启和闭合运算的应用：开启运算使目标轮廓光滑，并去掉了毛刺和孤立点，锐化角，闭合运算则填平小沟，弥合孔洞和裂缝。膨胀和腐蚀的反复使用就可检测或清除图像中的小成分或孔
图像上点、线和物体的边缘是以图像的局部灰度不连续的形式出现的，也就是指图像局部亮度变化最显著的部分。
用空间滤波器
计算方法:模板滑过整个图像,依次计算模板系数与被该模板覆盖区域的灰度值乘积的和。
四连接（邻接）：当前像素为黑，其四个近邻像素中至少有一个为黑；
八连接（邻接）：当前像素为黑，其八个近邻像素中至少有一个为黑。
区域生长----分割区域 : 算法实现
1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点
2）选择一个描述符（条件,如灰度差小于某个阈值）
3）从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。