 圖像增強的優劣評估主要采用主觀方法。一般包括以下幾種圖像增強方法：
1.對比度增強 該方法按照一定規則逐點改變像素灰度，從而改變像素灰度范圍，達到增強對比度的目的。若輸入圖像為f(x,y)，輸出圖像為g(x,y)，則對比度增強可以表示為： g(x,y)=T[f(x,y)] 其中T[.]表示輸出像素灰度和對應的輸入像素灰度之間的映射關系。該映射關系有以下幾種： 1) 線形映射 若原圖像的灰度范圍為[B1,E1]，而期待的輸出灰度范圍為[B2,E2]，則線形變換 g(x,y) = [(E2-B2)/(E1-B1)]*[f(x,y)-B1]+B2; 可以滿足這一要求。 2) 分段線形映射 3) 非線形映射 從原理上講，T[.]可以為任何非線形數學函數，例如平方、指數、對數、冪等變換等，但通常我們使用的是對數變換或冪變換。 g(x,y) = Clog[f(x,y)+1] 式中C用于使變換后的像素灰度在合適的范圍。常見的珈瑪校正用的就是對數變換。 4) 其它映射關系 <1> 灰度切片 即取出一小段灰度范圍對其加以拉伸后進行觀察。 <2> 鋸齒型變換 2.修正直方圖增強 直方圖增強技術使用圖像直方圖作為圖像增強的依據，使變換后的圖像的直方圖成為期望的形狀。這種技術可以增加對比度并消除噪聲。 1) 直方圖均衡 2) 直方圖規定化 有兩點要注意：其一，該方法要求函數的反函數，在離散的數字圖像上比較容易處理。其二，定制合適的直方圖比較困難。 3.平滑
平滑技術用于消除圖像中的噪聲。可以在時域通過求鄰域平均實現，也可以在頻域通過低通濾波實現。 1) 鄰域平均 該方法比較簡單。這里提幾點對該方法的改進以避免對圖像信號本身的平滑（主要是減小邊界信息的損失）： <1> 門限法 當像素灰度高出平均值某個值時才進行替代，否則保持其原始值不變。 <2> 加權法 即按照距離或其它因素對像素和其鄰域賦予不同的權重。 <3> 選擇平均法 即不必使用窗口內的所有像素點，而是有選擇性的使用。比如最接近中心像素灰度的幾個像素點，或與之灰度差小于方差的那些像素點。 <4> 子窗統計法 即將窗口內像素排序后分為兩組：A和B，計算其灰度平均值，若兩平均值之差過大，則該子窗包含邊界，中心像素與A組的5點進行6點平均，否則應進行9點平均。 另外還有一些非線形的鄰域平均方法，例如幾何均值和逆濾波均值法，但其計算量相對較大。
2) 中值濾波
中值濾波是濾除椒鹽噪聲的有效方法，但也會濾除細線和小的目標區域。實驗表明，當出現的正負脈沖噪聲概率超過20%時，使用中值濾波后可能產生比較嚴重的失真，此時應考慮改進的中值濾波算法——自適應中值濾波。 自適應中值濾波的步驟如下： 設A0為對像素點(i,j)進行中值濾波的工作窗口，f(i,j)為像素點(i,j)的灰度值，f_med為A0窗口中的中值，f_min,f_max分別為最大和最小值，A_max為允許的最大窗口。 <1> 計算z1 = f_med - f_min，z2 = f_med - f_max； <2> 若z1 > 0和z2 < 0，則轉到<3>；否則增大窗口A0尺寸，若A0<A_max，則重復<1>和<2>，否則輸出f(i,j)； <3> 計算g1 = f(i,j) - f_min, z2 = f(i,j) - f_max； <4> 若g1>0和g2<0，則輸出f(i,j)，否則輸出f_med； 在上述算法中，若f_min<f_med<f_max，則表明f_med不是噪聲，轉至<3>，然后判斷f(i,j)是否是噪聲，當f_med和f(i,j)均不為噪聲時，優先輸出f(i,j)。 (3) 頻域濾波
主要在于對圖像做FFT變換。 |
|
|
