医学图像增强ppt课件.ppt

2019/12/9,1,图像增强Imageenhancement,1,实时图像增强系统,2,2019/12/9,3,5.1图像增强的概念,图像增强是采用一系列技术去改善图像的视觉效果，或将图像转化成一种更适合于人或机器进行分析和处理的形式。例如采用一系列技术有选择地突出某些感兴趣的信息，同时抑制一些不需要的信息，提高图像的使用价值。,3,2019/12/9,4,美容处理,4,2019/12/9,5,改变对比度,5,2019/12/9,6,去除噪声,6,2019/12/9,7,增强边缘,Originalbloodimage,Edgemap,7,2019/12/9,8,图像增强技术,扩展对比度增强图像中对象的边缘消除噪声保留某些特性，抑制另一些特性彩色增强,8,2019/12/9,9,地位：图像增强是图像处理的一个重要分支，是图像边缘提取、图像分割等处理的基础。,目的：改善图像的视觉效果；突出图像特征，便于计算机处理,图像预处理(preprocessing)-为后续处理与分析做准备.,9,2019/12/9,10,图像增强方法,基于空间域的方法（空域增强）基于变换域的方法(频域增强),全局增强局部增强,根据增强处理在频率域还是空间域进行，划分为：,根据图像处理策略划分为：,10,2019/12/9,11,图像增强方法,11,2019/12/9,12,5.2直方图增强,（一）直方图Histogram用于表示图象灰度分布情况的统计图表。通过直方图可以大致判断一幅图像的质量.如图像的对比度,图像的动态范围等信息，对灰度分布形式作校正来修正图像灰度，最终达到图像增强的目的。,12,2019/12/9,13,直方图演示及MATLAB代码：,Im=imread(pout.tif);figure;imshow(Im);figure;imhist(Im,128)%作b的灰度直方图，128可改为64,256等,pout.tif,pout的直方图(n=128),pout的直方图(n=64),13,2019/12/9,14,不使用imhist函数，自行绘制直方图的代码：,I=imread(pout.tif);n=input(请输入直方图等级数：)figure;subplot(2,1,1);imshow(I);pr=zeros(1,n);delt=256/n;fori=1:npr(i)=nnz(I=delt*(i-1),14,2019/12/9,15,直方图均衡化(HistogramEqualization),基本思想：是将原始图像的直方图变换为均匀分布的形式，增加像素灰度值的动态范围，从而达到增强图像整体对比度的效果。,图像均衡化处理后，图像各灰度级具有相同的出现频数，图像包含的信息量最大。,15,2019/12/9,16,图像Lena的直方图,均衡后图像Lena的直方图,原始Lena图像,直方图均衡后的Lena图像,直方图均衡化效果演示（1）,16,2019/12/9,17,直方图均衡化效果演示（2）,17,2019/12/9,18,均衡化后图像：,18,2019/12/9,19,直方图均衡化,设图象的象素总数为n，分L个灰度级。列出原始图象归一化的灰度级sk，0sk1，统计各灰度级的象素数目nkk=0,1,2,.,L-1计算各灰度级的频数P(sk)=nk/n计算累计分布函数,具体算法：,19,2019/12/9,20,计算映射后的输出图像的灰度级gk，k=0,1,2,.,P-1,P输出图像灰度级的个数。INT是取整的符号。统计新直方图各灰度级象素n(gk)，k=0,1,2,.,P-1计算输出图像的直方图P(jk)=n(gk)/n用tk和gk映射关系调整原始图像的灰度级，获得直方图均匀分布的输出图像。,直方图均衡化,20,2019/12/9,21,例：设图象有64*64=4096个象素，有8个灰度级，灰度分布如表所示。进行直方图均衡化。,skr0=0/7r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1,nk790102385065632924512281,p(sk)0.190.250.210.160.080.060.030.02,k01234567,21,2019/12/9,22,1.由累计分布函数计算tk。,nk790102385065632924512281,p(sk)0.190.250.210.160.080.060.030.02,tk计算0.190.440.650.810.890.950.981.00,skr0=0/7r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1,k01234567,22,2019/12/9,23,nk790102385065632924512281,p(sk)0.190.250.210.160.080.060.030.02,tk计算0.190.440.650.810.890.950.981.00,tk舍入13566777,2.把计算的tk安排到8个灰度级中。,skr0=0/7r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1,k01234567,23,2019/12/9,24,nk790102385065632924512281,p(sk)0.190.250.210.160.080.060.030.02,tk计算0.190.440.650.810.890.950.981.00,tk舍入13566777,gks0s1s2s3s4,nsk7901023850985448,p(gk)0.190.250.210.240.11,3.重新命名tk，归并相同灰度级的象素数。,skr0=0/7r1=1/7r2=2/7r3=3/7r4=4/7r5=5/7r6=6/7r7=1,k01234567,24,2019/12/9,25,直方图均衡化,均衡化前后直方图比较,25,2019/12/9,26,直方图均衡化,结论：1）均衡化后直方图趋向平坦，灰级减少，灰度合并。2）变换后，含有象素数多的几个灰级间隔被拉大了，压缩的只是象素数少的几个灰度级，实际视觉能够接收的信息量大大地增强了。,26,2019/12/9,27,27,2019/12/9,28,28,2019/12/9,29,29,2019/12/9,30,原图像,变换后图像,30,2019/12/9,31,直方图均衡化,MATLAB中，可以使用histeq函数实现直方图均衡化。函数的调用方法为：J,T=histeq(I,N)该函数对图像I进行变换，返回有N个灰度级的图像J，J中的每个灰度级具有大致相等的像素点，所以图像J的直方图比较平坦，N的默认值为64。T是转换函数。,31,2019/12/9,32,例：,I=imread(pout.tif);imshow(I);figure,imhist(I);J,T=histeq(I,64)figure,imshow(J);figure,imhist(J);figure,plot(0:255)/255,T)；,32,2019/12/9,33,原始图与其直方图,33,2019/12/9,34,均衡化后的结果,34,2019/12/9,35,增强函数T,35,2019/12/9,36,根据特点分为：线性(linear)非线性(nonlinear)。根据功能分为：平滑(smoothing)锐化(sharpening)。,空间滤波是在图像空间借助模板进行邻域操作完成的。,5.3空间滤波增强,36,2019/12/9,37,一、平滑滤波,平滑滤波：减弱或消除图像中的噪声成分，即傅立叶空间的高频分量，但不影响低频分量。高频分量对应图象中的区域边缘等灰度值，具有较大较快变化的部分，滤波器将这些分量滤去，可减少局部灰度起伏，使图象变得平滑，从而提高图像的信噪比。,37,2019/12/9,38,方法：均值滤波、中值滤波、多图像平均法等。,目的：改善图像的质量；消除噪声。,平滑滤波,38,2019/12/9,39,(1)问题的引入,真遗憾！图片变“丑”了！,图象受噪声污染，图象质量下降。,哇，真漂亮！,平滑滤波,39,2019/12/9,40,什么是图象噪声？,(2)图象噪声,图象在生成、传输和数字化的过程中，常常会引入一些随机误差，导致图象质量下降。这种使图象质量下降的随机误差称为图象噪声。,=,+,=,+,40,2019/12/9,41,椒盐噪声（Salt-PepperImpulsiveNoise）,受噪声干扰的图像像素以50%的相同概率等于图像灰度的最大或最小的可能取值,随机值脉冲噪声,受噪声干扰图像点取值均匀分布于图像灰度的最大与最小可能取值之间。,常见噪声模型有：,高斯白噪声,噪声在整个平面的概率密度函数为一维正态分布（高斯分布）。,41,2019/12/9,42,噪声及受不同噪声污染的图片效果显示,椒盐噪声污染后图象,高斯白噪声污染的图象,随机噪声污染后图象,42,2019/12/9,43,怎么从图象中去掉噪声？,去噪处理,由于噪声信号的随机性，一般很难将噪声完全去掉。因此，问题变成：,如何从g(i,j)中得到对f(i,j)的最好估计？,43,2019/12/9,44,目的:,方法：,常使用的两种点处理方法:,均值滤波中值滤波,(3)图象平滑,减少或消除图象噪声，以改善视觉效果；去掉干扰信号，以便于图象识别与处理等。,44,2019/12/9,45,1、均值滤波法,最常用的线性平滑滤波器。基本思想：用一个像素邻域平均值来代替原来像素的灰度值，作为滤波结果。,45,2019/12/9,46,常见的平滑算法是将原图中一个象素的灰度值和它周围邻近八个象素的灰度值相加，然后求平均作为新图象中该象素的灰度值。对3x3的模板来说，最简单的是取所有的系数为1。,邻域平均法,应用：去噪；去除图像中的不相干细节,46,2019/12/9,47,加权平均是指不同的系数乘以像素。一般取处于模板中心位置的像素的权值为最大。,加权平均法,实际中，为保证模板系数为整数，常取模板周边最小系数为1，内部系数成比例增加，中心系数最大。,加权平均是邻域平均法的修正。,47,2019/12/9,48,常用模板有：,48,2019/12/9,49,均值滤波过程演示,原始图象g(i,j),滤波后的图象f(i,j),以33模板为例,均值滤波的算法为:,7,8,11,7,13,13,7,12,12,7,8,49,2019/12/9,50,“”表示无法进行模板操作的像素点。解决这个问题可以采用两种简单方法：一种方法是忽略图像边界数据，另一种方法是在图像四周复制原图像边界像素的值，从而使卷积核悬挂在图像四周时可以进行正常的计算。其次，是计算出来的像素值的动态范围问题，对此可简单地将其值置为0或255即可。,50,2019/12/9,51,图片处理结果演示1:,33窗口均值滤波后的图象,77窗口均值滤波后的图象,图象边缘变模糊,仍然包含很多噪声信号！,原始图象,椒盐噪声污染后图象,51,2019/12/9,52,图片处理结果演示2:,可以看出，均值滤波对高斯白噪声的滤波效果要比对椒盐噪声的效果好！,33窗口均值滤波,77窗口均值滤波,原始图象,高斯白噪声污染的图象,52,2019/12/9,53,(4)均值滤波的优缺点总结:,优点:,实现简单;,对高斯白噪声很有效。,缺点:,对椒盐噪声效果不好。,随着滤波窗口的增大，会使图象边缘模糊，而图象的边缘往往是一类有效的信息；,53,2019/12/9,54,a=imread(rice.png);subplot(1,2,1),imshow(a,0,255);c=0.10.10.10.10.20.10.10.10.1;d=conv2(c,a);subplot(1,2,2),imshow(d,0,255);,均值滤波MATLAB代码演示,54,2019/12/9,55,MATLAB实现,图像增强主要是针对图像的各种噪声而言的，为了说明滤波方法的用途，需要模拟各种噪声来分析滤波效果。MATLAB的图像处理工具箱提供imnoise函数，可以用该函数给图像添加不同类型的噪声。,55,2019/12/9,56,MATLAB实现,该函数的调用格式如下:J=imnoise(I,type,parameters);其中，I为加噪声前的图像，J为加噪声后的图像，type为噪声类型。imnoise函数能够产生5种噪声。,56,2019/12/9,57,imnoise函数支持的噪声类型及参数说明,57,2019/12/9,58,MATLAB实现,在MATLAB中可通过调用filter2函数和fspecial函数来实现。filter2：二维线性数字滤波，主要形式为Y=filter2(B,X),使用矩阵B中的二维滤波器对数据X进行滤波,结果存储在Y中。,58,2019/12/9,59,MATLAB实现,fspecial,产生指定的滤波器，主要形式为：H=fspecial(type)H=fspecial(type，parameters)type为指定滤波器的种类，parameters是与滤波器有关的参数。,59,2019/12/9,60,Matlab中预定义的滤波器种类及有关参数,60,2019/12/9,61,I1=imread(blood1.tif)I=imnoise(I1,salt,例：,61,2019/12/9,62,结果：,加有噪声,3x3,5x5,7x7,模板尺寸增大消除噪声效果增强图象模糊,62,2019/12/9,63,在一维的情况下，中值滤波器是一个含有奇数个象素的滑动窗口，窗口正中间的那个象素的值用窗口内各象素值的中值代替。,2、中值滤波器Medianfiltering,中值滤波器是一种非线性滤波器，用局部中值代替局部平均值。,63,2019/12/9,64,工作步骤：将模板在图中漫游，并将模板的中心与图中某个象素位置重合；读取模板下各对应象素的灰度值；将这些灰度值从小到大排成1列；找出这些值里排在中间的1个；将这个中间值赋给对应模板中心位置的象素。,中值滤波器,64,2019/12/9,65,中值滤波算法实现演示：,原始图象g(i,j),滤波后图象f(i,j),以33的滤波窗口为例,中值滤波算法为:,4,5,4,5,6,5,6,6,6,1,3,3,4,45,5,18,24,4,0,3,4,4,5,6,8,18,24,5,滤波后的图象f(i,j)的边界可直接由f(i,j)=g(i,j)。,65,2019/12/9,66,图片处理结果演示1:,Wonderful!,33中值滤波后的图象,原始图象,椒盐白噪声污染后的图象,中值滤波对消除脉冲椒盐噪声非常有效，而且不会显著模糊对图象边缘信息。,66,2019/12/9,67,图片处理结果演示2：,33中值滤波,77中值滤波,可以看出，中值滤波对椒盐噪声比对高斯白噪声效果更好。,原始图象,高斯白噪声污染后图象,67,2019/12/9,68,中值滤波优缺点总结:,优点:,对椒盐噪声的抑止效果显著;,在滤去噪声的同时，既可以消除孤立的噪声点，又能保留边缘信息。,缺点:,在计算窗口内中值时，需要进行排序，该操作非常耗费机器时间，特别在滤波窗口增大时。,68,2019/12/9,69,MATLAB实现,在MATLAB中调用medfilter2(A,m,n)来实现二维中值滤波。,例：对受淑盐噪声干扰的图像采用二维中值滤波滤除噪声，窗口的大小分别选择为3、5和7。,69,2019/12/9,70,例：,I=imread(eight.tif);imshow(I);J=imnoise(I,salt,70,2019/12/9,71,原始图象,加噪图象,71,2019/12/9,72,3x3,窗口越大，细节丢失越多,5x5,7x7,72,2019/12/9,73,优点：保留图像的边缘部分与其他高频部分,3、维纳滤波器（补充）,维纳滤波器是一种自适应滤波，是指滤波后图像与原图像间的均方误差最小的滤波器。,缺点：计算量大,73,2019/12/9,74,MATLAB实现,Matlab提供了wiener2函数对图像进行自适应滤波。格式：J=wiener2（I,m,n）其中，m,n指定了滤波器的窗口大小为mn,默认为33维纳滤波对固定功率噪声（如高斯白噪声）滤波效果最好。,74,2019/12/9,75,例：,I=imread(eight.tif);J=imnoise(I,gaussian,0,0.005);K=wiener2(J，5，5);subplot(2,2,1);imshow(I);Title(原图像);subplot(2,2,2);imshow(J);Title(加噪图像);subplot(2,2,3);imshow(K);Title(滤波后图像);,75,2019/12/9,76,背景：边缘模糊是图象中常出现的质量问题，由此造成的轮廓不清晰，线条不鲜明使图像特征提取、识别和理解难以进行。消减图像模糊，突出目标边界与图像细节的增强方法称为图象锐化。,二、锐化滤波,76,2019/12/9,77,图象边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象边缘部分集中了图象的大部分信息，边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征。,什么是图象的边缘？,边界图像,77,2019/12/9,78,图像细节的灰度变化特性,屋顶状,阶梯状,脉冲状,阶梯状,78,2019/12/9,79,锐化滤波,锐化滤波：主要用来增强图像的边缘信息，突显图像中感兴趣区域的轮廓。减弱或消除傅立叶空间的低频分量，但不影响高频分量。低频分量对应图象中灰度值缓慢变化的区域，与图象的整体特性，如整体对比度和平均灰度值有关，将这些分量滤去，可使图象锐化。,79,2019/12/9,80,锐化滤波方法分类空域微(差)分法：模糊图像实质是受到平均或积分运算，故对其进行逆运算（微分），使图像清晰；频域高频提升滤波法：从频域角度考虑，图像模糊的实质是高频分量被衰减，故可用高频提升滤波法加重高频，使图像清晰。,80,2019/12/9,81,考察正弦函数，它的微分。微分后频率不变，幅度上升2a倍。,微分法,空间频率愈高，幅度增加就愈大。这表明微分是可以加强高频成分的，从而使图象轮廓变清晰。最常用的微分方法是梯度法。,81,2019/12/9,82,设图像函数为f(x,y)，它在点f(x,y)的梯度是一个矢量，定义为：,1、梯度法,梯度的方向是f(x,y)在这点变化率最大的方向，幅度（简称梯度）由下式计算。,82,2019/12/9,83,对数字图像，用差分来近似微分。（1）水平垂直差分法,1、梯度法,83,2019/12/9,84,（2）罗伯茨（Roberts）梯度法,1、梯度法,罗伯茨梯度算法,84,2019/12/9,85,为编程和提高运算速度，在计算精度允许的情况下，采用绝对差分近似：,1、梯度法,及,注：对NxN数字图像，不可能在最后一行(x=N)和最后一列(y=N)像素上计算梯度值。补救办法：用前一行(x=N-1)和前一列(y=N-1)对应像素的梯度值。不考虑边界，直接赋0.,85,2019/12/9,86,由梯度的计算可知：1、图像中灰度变化较大的边沿区域梯度值大。2、图像中灰度变化平缓区域梯度值小。3、灰度均匀的区域梯度值为零。,1、梯度法,86,2019/12/9,87,图像经过梯度运算后只留下灰度值急剧变化的边沿处的点。,二值图像梯度运算后的图像,1、梯度法,87,2019/12/9,88,例5.2：已知原始医学灰度图像，写出医学图像锐化的公式和锐化后的图像。其中锐化系数为1，要求锐化后的图像最大灰度值不超过255。,医学图像边缘锐化公式：,c是实数，表示锐化系数,1、梯度法,88,2019/12/9,89,原始图像I0中各像素点对应的坐标值如下：,从原始医学图像I0的起点(0,0)开始，依次取出水平方向和垂直方向相邻的三个像素点的值，求出grad(0,0)=20，可得Gs(0,0)=30，其他像素以此类推可得。,89,2019/12/9,90,在医学图像的锐化中，通常不考虑图像边界处的锐化，因此，grad(0,2)=grad(1,2)=grad(2,0)=grad(2,1)=grad(2,2)=0,由此可得Gs(0,2)=5，Gs(1,2)=90，Gs(2,0)=35，Gs(2,1)=60，Gs(2,2)=120.,1、梯度法,90,2019/12/9,91,锐化后图像对比度得到增强，图像边缘更加锐利清晰。这说明锐化后图像的高频信息得到增强。,91,2019/12/9,92,梯度算子锐化,（平滑区域变成了暗区）,（不破坏平滑区的灰度值的前提下，能有效地强调图象的边缘）,(给边缘处的像素值规定一个特定的灰度级),92,2019/12/9,93,(给背景像素的像素值规定一个特定的灰度级),(强调边缘的位置),特别的为0,1时，变成二值图像,实际的图片进行边缘增强后，再进行自适应阈值二值化，变成二值黑白图像。,特点:仅计算相邻像素的灰度差，对噪声比较敏感，无法抑止噪声的影响。,93,2019/12/9,94,2、拉普拉斯运算法,拉普拉斯算子是二次微分算子，定义为：,如果图像的模糊是由扩散现象（如胶片颗粒化学扩散等）引起的，可以用下面的表达式来锐化图像。,K是与扩散效应有关的系数,94,2019/12/9,95,差分：,一阶差分,二阶差分,2、拉普拉斯运算法,95,2019/12/9,96,2、拉普拉斯运算法,可见数字图像在(x,y)点的拉普拉斯算子，可以由(x,y)点的灰度值减去该点邻域的平均灰度值求得。,拉普拉斯算子：,96,2019/12/9,97,拉普拉斯算子,97,2019/12/9,98,微分法,罗伯茨(Roberts)算子,98,2019/12/9,99,Sobel算子,99,2019/12/9,100,Prewitt算子,100,2019/12/9,101,利用Sobel和Prewitt算子进行锐化处理,I=imread(rice.png);imshow(I);hs=fspecial(sobel);S=imfilter(I,hs);hp=fspecial(prewitt);P=imfilter(I,hp);figure,imshow(S,);figure,imshow(P,);,101,2019/12/9,102,源图像,sobel算子锐化结果,prewitt算子锐化结果,102,2019/12/9,103,频域滤波可用下述关系式表示：,其中F(u,v)是需要处理的图像f(x,y)的傅立叶变换，H(u,v)是传递函数，G(u,v)经傅立叶反变换得到变换后的图像g(x,y)。,5.4图像的频域滤波增强,103,2019/12/9,104,Radius(pixels)%imagepower895169732986499.412899.8,频域低通滤波法,104,2019/12/9,105,频域低通滤波增强,一般来说，图像的边缘和噪声都对应于傅立叶变换中的高频分量，所以通过频域对一定范围的高频分量的衰减能够达到图像平滑、去除噪声。由于滤除了高频分量，低频信息无损地通过。,105,2019/12/9,106,常用的几种低通滤波器,（1）理想(Ideal)低通滤波器,其中D0为截止频率，是个非负的整数。D(u,v)=(u2+v2)1/2：频率平面原点到点(u,v)的距离。,106,2019/12/9,107,理想低通滤波器转移函数剖面图,理想是指以D0为半径的圆内的所有频率分量可以完全无损地通过，而圆外的频率，即大于D0的频率分量则完全被除掉。,107,2019/12/9,108,理想低通滤波器转移函数三维图,108,2019/12/9,109,109,2019/12/9,110,110,2019/12/9,111,理想低通滤波所产生的“振铃”(ring)现象由于H(u,v)在D0处由1突变为0，经傅立叶变换后在2-D图象上表现为一系列同心圆环，圆环半径反比于截断频率。,理想低通滤波器的模糊,理想滤波器的难处,111,理想低通滤波器产生的振铃现象,112,113,理想低通滤波器的处理效果,114,理想低通滤波器的处理效果,115,2019/12/9,116,理想低通滤波器,说明：虽然在计算机模拟中可以实现，但实际中无法用电子器件设计出来；有振铃现象，造成图象不同成分的模糊.截止频率越低，滤除噪声越彻底，高频分量损失越严重，图像就越模糊。,116,2019/12/9,117,（2）巴特沃斯低通滤波器,物理上可以实现的一种低通滤波器是巴特沃斯低通滤波器。阶数为n,截断频率为D0的巴特沃斯滤波器的转移函数为：,117,2019/12/9,118,1阶巴特沃思低通滤波器转移函数剖面图,低通巴特沃斯滤波器在高低频率间的过渡比较光滑，振铃效应不明显。,118,2019/12/9,119,巴特沃斯低通滤波器,一般情况下，常取使H(u,v)最大值降到原来的1/2时的频率为截断频率。当D(u,v)=D0时，H(u,v)=0.5。另一个常用的截断频率值是使H降到最大值的的频率。,119,2019/12/9,120,频域低通滤波消除虚假轮廓,当图像由于量化不足产生虚假轮廓时可用低通滤波器进行平滑以改进图像质量。,源图像,理想低通滤波,巴特沃斯低通滤波,120,2019/12/9,121,（3）指数低通滤波器,D(u,v)=D0，H(u,v)降为最大值的。n为阶数。,121,2019/12/9,122,3阶指数低通滤波器转移函数剖面图,比较平滑的过渡带，振铃现象不明显，和巴特沃斯相比，具有更快的衰减，图像稍微模糊一些。,122,2019/12/9,123,1阶指数形低通滤波器转移函数剖面图,123,2019/12/9,124,（4）梯形低通滤波器,D0:截止频率，D1:任选，D0D1,124,2019/12/9,125,梯形低通滤波器转移函数剖面图,125,2019/12/9,126,梯形低通滤波器转移函数三维图,126,2019/12/9,127,(a)为一幅256256的图像，(b)表示它的傅里叶频谱。(c)D0=5保存能量的90(d)D011保存能量的95(e)D0=22保存总能量的98%(f)D0=45保存总能量的99%,合理的选取D0是应用低通滤波器平滑图像的关键。,127,2019/12/9,128,频域高通滤波,衰减或抑制低频分量，保留高频分量的滤波。（1）理想高通滤波器,128,2019/12/9,129,理想高通滤波器转移函数剖面图,129,2019/12/9,130,理想高通滤波器的振铃效果,130,2019/12/9,131,131,2019/12/9,132,（2）巴特沃思高通滤波器,132,2019/12/9,133,3阶巴特沃思高通滤波器转移函数剖面图,133,2019/12/9,134,结论：BHPF的结果比IHPF的结果平滑得多,134,2019/12/9,135,（3）指数形高通滤波器,135,2019/12/9,136,3阶指数形高通滤波器转移函数剖面图,136,2019/12/9,137,（4）梯形高通滤波器,137,2019/12/9,138,梯形高通滤波器转移函数剖面图,D1,D0,138,2019/12/9,139,低通滤波和高通滤波举例,原图,低通滤波函数,高通滤波函数,低通滤波结果：模糊,高通滤波结果：锐化,139,2019/12/9,140,高通滤波器的改进,原图高通滤波结果高通滤波改进结果因为F(0,0)已被设置为0，所以几乎没有平滑的灰度级细节，且图像较暗在滤波器中加入常量，以使F(0,0)不被完全消除，如图所示，对滤波器加上一个滤波器高度一半的常数加以改进（高频加强）,140,2019/12/9,141,MATLAB实现,在MATLAB中，不提