图像增强实验报告.docx

基于像素的图像增强 实验报告姓名：赵传 学号：1120120260一、 实验目的图像增强作为基本的图像处理技术，其目的是对图像进行加工，以得到对具体应用来说视觉效果更“好”更“有用”的图像。由于具体应用的目的和要求不同，因而“好”和“有用”的含义也不相同，因此图像增强技术是面向具体问题的。从根本上说，图像增强的通用标准是不存在的。本实验通过应用课堂上介绍过的图像空域增强方法中的点处理，在MATLAB软件上进行编程，实现对不同图像（主要是黑白图像）的处理，从而加深对这些方法在原理层面的认识；同时通过简单的判断，较为“主观”给出不同方法处理不同问题时的优劣程度。二、 引言由于受自然环境，获取图像的手段（传感器）、方式，图像传输，图像接收等一系列因素的影响，使得获取的图像信息往往存在许多问题，如：图像偏暗、偏亮、动态范围小、有噪点、对比度小等。严重影响了有用信息的提取，因此，图像后期处理（图像增强技术）就显得十分重要。在这门课程中，我学到了图像增强技术根据其处理的空间不同，可分为两大类：空域方法和频域方法。前者直接在图像所在像素空间进行处理；而后者是通过对图像进行傅里叶变换后在频域上间接进行的。在空域方法中，根据每次处理是针对单个像素还是小的子图像块又可分为两种：一种是基于像素的图像增强，也叫点处理，这种增强过程中对每个像素的处理与其他像素无关；另一种是基于模板的图像增强，也叫空域滤波，这种增强过程中的每次处理操作都是基于图像中的某个小的区域。本实验主要针对点处理。点处理有以下几种方式：1. 图像反转。所谓图像反转，简单说来就是使黑变白，使白变黑。2. 分段线性变换。增强图像对比度实际是增强原图的各部分的反差，也就是说增强图像中感兴趣的灰度区域，相对抑制那些不感兴趣的灰度区域。3. 指数变换。也叫校正，通过设置 的值 从而根据具体需要增强图像对比度。4. 对数变换。对于因动态范围太大而引起的失真，最常用的是借助对数形式对动态范围进行调整。5. 直方图均衡化。若一幅图像其像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调，而显示出一幅灰度级丰富且动态范围大的图像。三、 问题描述及解决方法1.输入图像如下：该图像是一张医用图像，为了更清楚的观察到某些病变组织、结构，需要突出图上某些信息。针对存在问题，可以考虑应用图像反转的方法。2.输入图像如下：该图整体偏暗，从灰度直方图可以清楚发现图片整体灰度在100以下。因而，该图某些细节无法看到。处理方法可以尝试线性灰度变换，将某些灰度较低的图像映射为灰度值较高的图像，从而使某些细节可以看的更清楚。3.输入图像如下： 该图像整体偏亮，也导致了某些细节无法看清。在灰度直方图上可以看出，灰度在200左右的像素点数非常多。因此，可以利用 校正的方法。当设定 时，可以使图像变暗；当 时，可以使图像变亮（可以用来处理问题2）。4.输入图像如下：该图像存在的问题是：灰度分布不均匀。可以采用直方图均衡化的方法解决这一问题。四、 实验1. 图像反转法第一行为输入，第二行为输出。结果对比及分析：本实验实现的是“黑变白，白变黑”，即每一个像素点的灰度值变为255减去原来灰度值，这样可以突出某些原来不明显的特征，经常用于医疗领域图像处理。2. 分段线性变换第一行是输入，第二行是输出。进行线性分段变换的函数为： 结果对比及分析：通过线性变化，第一，将低灰度部分映射到高灰度部分，使图像整体变亮。第二，扩大了图像的动态范围，使图像细节更加突出。3. 校正 图1 图2图1中，第一行为输入，第二行为输出。图2为变换函数。 图3图3中，第一行 ，第二行 ，第三行 图4 图5图4中，第一行为输入，第二行 ，第三行 结果对比及分析：图1应用指数变换，将原来偏亮的图像变暗，则图像细节更加突出。图3、图4证明，随着 的增大，图像逐渐变暗；随着 的减小，图像逐渐变亮。4.直方图均衡化 图1图1，第一行为输入，第二行为输出。 图2图2，第一行为经过第一次图像均衡化后的图像，第二行为经过第二次图像均衡化的图像。结果对比及分析：由图1可知，经过灰度均衡化变换后，图片对比度增大，图像细节更加丰满。但是根据灰度直方图可知，由于图像是由离散点构成，均衡后的图像仍然不能做到让所有灰度上分布相同像素点数。由图2证明，灰度均衡化只能使用一次，多次重复，图像无变化。五、 结论优点：图像点运算可以解决图像偏暗、偏亮、动态范围小等问题。经过图像点运算，也可以增强图像中某些我们更加关注的细节，让图像更迎合人的视觉感觉。缺点：除了反转变换，其他所有变换方式不可避免的都会产生图像信息丢失的问题。使用灰度均衡变换时，甚至会牺牲图像细节、出现伪轮廓、噪声增强等问题。值得一提的是，使用这些方法时，要根据具体需要选择合适的变换方式、变换参数。并且图像处理是一个非常主观的过程，不存在绝对的对与错、好与坏。六、 主要程序1. 反转变换clearclcclose all im=imread(D:1120120260 13.tif); im1=255-im; subplot(2,2,2),imhist(im)subplot(2,2,1),imshow(im)subplot(2,2,4),imhist(im1)subplot(2,2,3),imshow(im1)2. 分段线性变换clearclcclose all im=imread(D:1120120260 12.tif);% imshow(im)subplot(2,2,1),imshow(im)subplot(2,2,2),imhist(im)im=double(im);m,n=size(im); s1=10;s2=80;t1=30;t2=200;im1 = zeros(1,256); for i=1:m for j=1:n if im(i,j)=s1 im1(i,j)=im(i,j) elseif im(i,j)=s2 im1(i,j)=(t2-t1)/(s2-s1)*(im(i,j)-s1)+t1; else im1(i,j)=(255-t2)/(255-s2)*(im(i,j)-s2)+t2; end endend subplot(2,2,3),imshow(uint8(im1)subplot(2,2,4),imhist(uint8(im1)3. 校正learclcclose all im=imread(D:1120120260 11.tif);im1=double(im);% subplot(2,2,1),imshow(im,)% subplot(2,2,2),imhist(im);im1=im1./255;y=5;im_1=im1.y;% subplot(2,2,4),imhist(im_1);% subplot(2,2,3),imshow(im_1,);y=10im_2=im1.y; y=30im_3=im1.y; subplot(3,2,1),imhist(im_1);subplot(3,2,2),imshow(im_1,);subplot(3,2,3),imhist(im_2);subplot(3,2,4),imshow(im_2,);subplot(3,2,5),imhist(im_3);subplot(3,2,6),imshow(im_3,);% r=0:0.001:1;% s=r.y;% figure,plot(r,s);% hold on% plot(r,r,r)4.直方图均衡化clearclcclose all im = imread(D:1120120260 LENA.bmp);% subplot(2,2,1),imshow(im)% subplot(2,2,2),imhist(im)J=histeq(im,256)H=histeq(J,256) % subplot(2,2,3),imshow(J)% subplot(2,2,4),imhist(J)% imhist(J);% figure,imhist(H)% % figure,im