[人工智能]空域图像增强以及频域图像增强 | matlab图像处理2

空域图像增强以及频域图像增强 | matlab图像处理2

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Python 机器学习入门之pandas的使用

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

图像处理基础知识也很重要，不然在matlab里键入代码就是一头雾水，今天是空域图像增强和频域图像增强</font>

空域图像增强

空域：指图像平面本身
【频域：对图像进行傅里叶变换等频域变换】
空域图像增强：
直接作用于像素改变其特性的增强方法

• 点操作
• 模板操作/领域操作

图像的数据结构：uint8 ，uint16 , double

一.灰度映射：点处理

灰度级范围不变

1.图像求反（将灰度值翻转）

反转变换表达式：

						t = (L-1)-s 
		(L为总的灰度级数，s为当前灰度级）

matlab实例如下：

A = imread('circuit.tif');
B = 255 - A;
subplot(121);imshow(A);title('原图');
subplot(122);imshow(B);title('图像求反');

2.对数变换（动态范围压缩）

		t = C log(1+s)

A = imread('circuit.tif');
c = 9
B = c*log(double(A)+1);
subplot(121);imshow(A);title('原图');
subplot(122);imshow(uint8(B));title('对数变换');

用途：扩展暗区

3.幂次变换

			s = c*r^γ

具有对数变换相似的作用，但是更加灵活
γ>1压缩灰度
γ<1扩展灰度

f1 = imread('lena.bmp');
f = rgb2gray(f1);
minvalue = double(min(min(f)));
maxvalue = double(max(max(f)));
range = maxvalue - minvalue;
Min = 0;
Max = 255;
Range = Max - Min;
f = Range * (double(f) - minvalue)/range + Min;
%对图像进行灰度归一化实现f = mat2gray(I,[0,255]);功能
Gamma = 0.9;%设定gamma的值
s1 =double(f).^Gamma;%进行gamma变换
Gamma = 1.2;
s2 =double(f).^Gamma;
figure;
subplot(1,3,1);
imshow(uint8(f));
title('原图');
subplot(1,3,2);
imshow(uint8(s1));
title('伽玛变换（gamma=0.9）');
subplot(1,3,3);
imshow(uint8(s2));
title('伽玛变换（gamma=1.2）');

结果：
γ>1压缩灰度，细节丢失
γ<1扩展灰度

4.阶梯量化

将图像灰度分阶段量化成较少的级数，达到数据量压缩的效果

5.阈值切分（二值化）

大于阈值255
小于阈值 0
对比度最大但是细节全丢失了

f = imread('circuit.tif');
thresh = graythresh(f);     %自动确定二值化阈值
f1 = im2bw(f,thresh);
subplot(121);
imshow(f);
title('原图');
subplot(122);
imshow(f1);
title('二值化');

（有点艺术那味了，喜欢hhh)

6.分段线性变换函数

二.图像运算：集合处理

1.算术运算（对灰度图像）:加减乘除

加法：

用图像平均消除随机噪声
（噪声互不相关，且具有零均值）
高斯噪声？

减法：

显示两幅图像间的差异
——可用于运动检测（照明恒定，差值不为0处表示像素有移动）

2.逻辑运算（二值图，逻辑图）：与/或/非

三.直方图修正：直方图处理

1.图像的直方图：反映了图像的基本灰度级特征（暗，亮，低对比度，高对比度）

直方图均衡化

Aim: 增强动态范围偏小的图像的反差
对累计直方图重新量化，形成基本均匀的分布

f = imread('baboon1.bmp');
f = rgb2gray(f);%灰度化
[m,n] = size(f);
GP = zeros(1,256);
for k = 0:255
    GP(k+1) = length(find(f == k))/(m*n);
end
S1=zeros(1,256);
for i = 1:256
    for j = 1:i
        S1(i)=GP(j)+S1(i);
    end
end
S2 =round((S1*256)+0.5);
for i = 1:256
    GPeq(i) = sum(GP(find(S2 == i)));
    end
figure;
subplot(221);
bar(0:255,GP,'b');
title('原图像直方图') 
subplot(222);
bar(0:255,GPeq,'b')
title('均衡化后的直方图')
X = f;
for i = 0:255
    X(find(f==i)) = S2(i+1);
end
subplot(223);
imshow(f);
title('原图像');
subplot(224);
imshow(X);
title('直方图均衡化后的图像');

四.空域滤波：模板处理

线性滤波——卷积

空域滤波器分类：

按照效果分：

平滑滤波器：消除噪声，减弱或消除图像中高频率分量
锐化滤波器:使图像反差增强，边缘明显，减弱或消除图像中的低频率分量

按运算性质分：

线性：卷积
非线性：逻辑运算，“卷积，算术，逻辑”的混合运算

高斯平滑滤波器

中值滤波器

（相比于均值滤波，中值滤波边缘轮廓比较清晰）

图像的梯度算子

1.sobel微分算子：

一阶导数最大值寻找边界
需要x方向图像就对y求微分，需要y方向图像就对x求微
分

在学习的时候看到这个写的不错，贴这儿
仔细看看，最好算算

2.拉普拉斯Laplacian算子:

利用二阶导数为0寻找边界

频域图像增强

频域增强：通过改变图像中不同频率分量实现增强，而非逐个像素处理

1.傅里叶变换

傅里叶变换

f = imread('circuit.tif');
f = im2gray(f);
F1 = fft2(f);%傅里叶变换
F2 = fftshift(F1);%中心化
F1m = abs(F2);
F11 = log(F2);
figure;
imshow(uint8(F1m));

2.频域增强基本概念

3.低通滤波器——频域平滑

低频通过，高频衰减，用于减少尖锐的细节变化

理想低通滤波器 (ILPF)

		H(u,v) =  1, D(u,v)<Do || D(u,v)==Do
		H(u,v) =  0, D(u,v)>Do

大于截止频率Do为0，小于等于为1

会出现振铃效应

巴特沃斯低通滤波器（BLPF)

		H（u，v) = 1 / （1 + [D(u,v) / Do]^2n）

一阶无振铃，阶数越高振铃越明显

高斯低通滤波器（GLPF）

高斯低通滤波器没有振铃

4.高通滤波器——频域锐化

傅里叶变换中，低频主要决定图像在平滑区域中总体灰度级的显示，而高频决定图像细节部分，如边缘和噪声

高频通过，低频衰减
使图像更为锐化

滤波器函数：低通滤波器的反操作

	**H**hp(u,v) = 1 - **H**lp(u,v)

理想高通滤波器 (IHPF)

		H(u,v) =  0, D(u,v)<Do || D(u,v)==Do
		H(u,v) =  1, D(u,v)>Do

大于截止频率Do为1，小于等于为0

会出现振铃效应

巴特沃斯高通滤波器（BHPF)

		H（u，v) =1 / （1 + [ Do / D(u,v) ]^2n）

高斯高通滤波器（GHPF）

特殊高通滤波器

高通增强滤波器
高频提升滤波器

5.带通带阻与同态滤波器

带阻滤波器

组织一定频率范围内的信号通过，而允许其他频率范围内的信号通过
（像把一个带子阻拦在外面）

带通滤波器

（让这一个带子通过）

同态滤波器

一方面减弱图像中的低频分量（压缩了整体的动态范围），另一方面加强高频分量（增加了图像相邻各部分之间的对比度）

总结

空域技术与频域技术