《数字图像处理－冈萨雷斯(第2版)》.doc

目 录第1章 绪论1教学目的和要求1关于数字图像处理课程11.1 数字图像处理的概念1一、数字图像的定义1二、图像处理、图像分析、计算机视觉的界定1三、三种典型的计算处理1四、本教材数字图像处理涉及的范围11.2 数字图像处理的起源21.3 数字图像处理的应用实例21.3.1 伽玛射线成像21.3.2 X射线成像31.3.3 紫外波段成像41.3.4 可见光及红外线成像51.3.5 微波波段成像91.3.6无线电波成像101.3.7其它图像模式应用的实例111.4 数字图像处理的基本步骤121.5 图像处理系统的部件12第1章 作业题12第2章 数字图像基础13教学目的和要求132.1 视觉感知和要素132.1.1 人眼的构造132.1.2 眼睛中的图像形成132.1.3 亮度适应和鉴别132.2 光和电磁波谱132.3 图像感知和获取132.4 图像取样和量化152.4.1 取样和量化的基本概念152.4.2 数字图像表示16课堂实验2.1 利用MATLAB读入和显示图像162.4.3 空间和灰度级分辨率17课堂实验2.2 空间分辨率折半17课堂实验2.3 编写M函数实现分辨率折半17课堂实验2.4 空间分辨率折半并保存图像172.4.4 混淆的水纹图样192.4.5 放大和收缩数字图像20课堂实验2.5 编写M函数实现分辨率倍增212.5 像素间的一些基本关系222.5.1 相邻像素222.5.2 邻接性、连通性、区域和边界222.5.3 距离度量222.5.4 基于像素的图像操作222.6 线性和非线性操作22第2章 作业题23第2章 实验题23第3章 空间域图像增强24教学目的和要求243.1 背景知识24“空间域增强”的含义243.2 某些基本灰度变换243.2.1 图像反转25课堂实验3.1 绘制反转图像253.2.2 对数变换25课堂实验3.2 图像的对数变换263.2.3 幂次变换26课堂实验3.3 图像的伽马校正27课堂实验3.4 用幂次变换进行对比度增强273.2.4 分段线性变换函数283.3 直方图处理30课堂实验3.5 图像的直方图31课堂实验3.6 绘制自己的直方图323.3.1 直方图均衡化32例3.1 直方图均衡化举例32课堂实验3.7 直方图均衡化343.3.2 直方图匹配(规定化)35课堂实验3.8 直方图均衡化的不足353.3.3 局部增强373.3.4 在图像增强中使用直方图统计学373.4 用算术/逻辑操作增强37例3.2 提取图像的感兴趣区383.4.1 图像减法处理38例3.3 图像相减383.4.2 图像平均处理38例3.4 用图像平均减少噪声393.5 空间滤波基础39一、线性滤波(Linear Spatial Filtering)40二、非线性滤波(Nonlinear Spatial Filtering)40三、边缘处理403.6 平滑空间滤波器413.6.1 平滑线性滤波器41课堂实验3.8 用各种尺寸掩模平滑图像42课堂实验3.9 平滑线性滤波与二值图像(域值处理)433.6.2 统计排序滤波器43课堂实验3.10 使用函数medfilt2进行中值滤波44课堂实验3.11 用函数ordfilt2进行最大、中值和最小值滤波443.7 锐化空间滤波器443.7.1 基础443.7.2 基于二阶微分的增强拉普拉斯算子45课堂实验3.12 拉普拉斯锐化46课堂实验3.13 高提升滤波483.7.3 基于一阶微分的图像增强梯度法49课堂实验3.14 用于边缘增强的梯度处理503.8 混合空间增强法50课堂实验3.15 混合空间增强法51课堂实验3.16 混合空间增强法(续)52第3章 作业题53第3章 实验题54第4章 频率域图像增强55教学目的和要求554.1 背景554.2 傅立叶变换和频率域的介绍554.2.1 一维傅立叶变换及其反变换55一、连续傅立叶变换和反变换55二、离散傅立叶变换和反变换55课堂实验4.1 一维离散傅立叶变换和反变换564.2.2 二维DFT及其反变换56课堂实验4.2 一个简单二维函数的中心谱57课堂实验4.4 人像的傅立叶变换及反变换584.2.3 频率域滤波58频率域的基本性质58课堂实验4.4 频率域的基本性质58课堂实验4.5 傅立叶谱显示某些重要特征58课堂实验4.6 两矩阵点积.*与积*的区别58频率域中的滤波基础59一些基本的滤波器及其性质59课堂实验4.7 陷波滤波器59课堂实验4.8 频域滤波产生的折叠现象60课堂实验4.9 折叠现象的解决方法161课堂实验4.10 折叠现象的解决方法2624.2.4 空间域滤波和频率域滤波之间的对应关系644.3 平滑的频率域滤波器644.3.1 理想低通滤波器64课堂实验4.11 计算D4距离的方法64课堂实验4.12 理想低通滤波器的M函数65课堂实验4.12 理想低通滤波654.3.2 巴特沃思低通滤波器67课堂实验4.13 巴特沃思低通滤波器的M函数67课堂实验4.14 巴特沃思低通滤波674.3.3 高斯低通滤波器68第4章 作业题69第4章 实验题71第5章 图像复原72教学目的和要求725.1 图像退化/复原处理的模型725.2 噪声模型725.2.1 噪声的空间和频率特性725.2.2 一些重要的噪声的概率密度函数72课堂实验5.1 样本噪声图像和它们的直方图745.2.3 周期噪声74课堂实验5.2 周期噪声及其频谱755.2.4 噪声参数的估计75课堂实验5.3 估计噪声参数估计755.3 噪声存在下的唯一空间滤波复原765.3.1 均值滤波器76一、算术均值滤波器76二、几何均值滤波器76三、谐波均值滤波器76四、逆谐波均值滤波器76例5.1 编程M函数实现几何均值滤波器76课堂实验5.4 算术和几何均值滤波器76课堂实验5.5谐波和逆谐波均值滤波器775.3.2 顺序统计滤波器78中值滤波器78最大值和最小值滤波器78中点滤波器78修正后的阿尔法均值滤波器785.3.3 自适应滤波器78课堂实验5.6 自适应中值滤波器795.4 频域滤波削减周期噪声795.4.1 带阻滤波器795.4.2 带通滤波器80第5章 作业题80第5章 实验题80第6章 彩色图像处理816.1 彩色基础816.2 彩色模型856.2.1 RGB彩色模型856.2.2 CMY和CMYK模型886.2.3 HSI模型89课堂实验6.1 HSI的特点演示93课堂实验6.2 无颜色失真的“祛斑”936.3 伪彩色处理94第6章 作业题94第6章 实验题94第9章 形态学图像处理959.1 序言959.1.1 集合论中的几个基本概念959.1.2 二值图像的逻辑运算95课堂实验9.1 二值图像的逻辑运算969.2 膨胀与腐蚀969.2.1 膨胀96例9.1 膨胀操作的图示197例9.2 膨胀操作的图示297课堂实验9.2 二值图像的膨胀操作989.2.2 腐蚀99例9.3 腐蚀操作的图示99结构元素用到的函数strel99课堂实验9.3 二值图像的腐蚀操作1009.3 开操作和闭操作100课堂实验9.4 二值图像的开、闭操作1019.4 击中和击不中变换102例9.3 击中和击不中变换(补充)102课堂实验9.5 击中和击不中变换1039.5 一些基本的形态学算法1049.5.1 边界提取104课堂实验9.6 边界提取1049.5.2 区域填充104课堂实验9.7 区域填充的原理图示1049.5.3 连通分量的提取106第9章 作业题106第9章 实验题1064 第1章 绪论(Introduction)教学目的和要求课时数1教学课型理论课教学目的和要求让学生了解图像处理、图像分析、计算机视觉的界定，各种成像方式的原理及其主要应用领域。教学重点数字图像处理的含义教学难点无教学方法、手段、媒介以多媒体为主，加上黑板板书补充教学过程和内容见教材作业题见第1章 作业题关于数字图像处理课程1、课时68 = 授课51 + 实验172、实验工具MATLAB或Visual Studio中的Visual C+3、关于作者4、参考资料(1) 本教材对应的英文原版Digital Image Processing, 2nd ed.的支持主页/DIP-2E/dip2e_main_page.htm可以下载教材中使用的图像、复习资料和PowerPoint教案。(2) Digital Image Processing Using MATLAB, 1st Edition/DIPUM-1E/dipum1e_main_page.htm(3) MATLAB7.0在图象处理中的应用罗家辉，冯平，哈力旦A等编著1.1 数字图像处理的概念一、数字图像的定义 = 灰度值或颜色值二、图像处理、图像分析、计算机视觉的界定1、图像处理输入是图像，输出也是图像。2、图像分析(图像理解)图像分割、表示与描述。3、计算机视觉模拟人类视觉，包括理解和推理并根据视觉输入采取行动。三、三种典型的计算处理1、低级处理输入、输出都是图像。2、中级处理涉及分割(把图像分为不同区域和目标物)缩减对目标物的描述，以使其更适合计算机处理及对不同目标的分类。3、高级处理涉及在图像分析中被识别的物体的总体理解，以及执行与视觉相关的识别函数。四、本教材数字图像处理涉及的范围包括图像处理和图像分析。1.2 数字图像处理的起源1.3 数字图像处理的应用实例1.3.1 伽玛射线成像放射性同位素，正电子放射断层(PET) 放射出伽玛射线，见Figure1.6。1.3.2 X射线成像电子撞击原子核时放射出X射线，见Figure1.7。1.3.3 紫外波段成像电子撞击原子核时放射出X射线，见Figure1.8。紫外光成像的例子：(a) 正常谷物(b)被“真菌”感染的谷物 (c)天鹅星座环1.3.4 可见光及红外线成像1.3.5 微波波段成像雷达。1.3.6无线电波成像1.3.7其它图像模式应用的实例碳氢化合物超声波电子显微镜分形1.4 数字图像处理的基本步骤1.5 图像处理系统的部件(略)第1章 作业题1、使用关键字描述各种成像方式的原理及其主要应用领域。2、数字图像处理的基本步骤及各步骤的主要任务。第2章 数字图像基础(Digital Image Fundamentals)教学目的和要求课时数3教学课型理论课教学目的和要求让学生了解图像处理、图像分析、计算机视觉的界定，各种成像方式的原理及其主要应用领域。教学重点数字图像处理的含义，像素间的一些基本关系。教学难点m邻接教学方法、手段、媒介以多媒体为主，加上黑板板书补充教学过程和内容见本文档。作业题见第2章 作业题2.1 视觉感知和要素2.1.1 人眼的构造视网膜上存在杆状细胞、锥状细胞。2.1.2 眼睛中的图像形成晶状体相当于光学透镜，具有聚焦功能。2.1.3 亮度适应和鉴别瞳孔2.2 光和电磁波谱2.3 图像感知和获取获取的图像总存在噪声。2.4 图像取样和量化2.4.1 取样和量化的基本概念连续的电压(或电流)波形数字化，包括取样和量化。数字化坐标值称为取样，数字化幅度值称为量化。随机变化是由图像噪声引起的。2.4.2 数字图像表示一、本书的坐标约定二、灰度级别一幅图像有级灰度时，称该图像是比特图像。保存一幅分辨率为的比特图像需要的比特数为课堂实验2.1 利用MATLAB读入和显示图像 第1步 在MATLAB的Current Directory窗口中将工作目录改变到图像所在目录。第2步 在Command Windows窗口中运行dir来查看工作目录下的文件和子目录信息。第3步 接着运行f = imread(Fig2.07(a).jpg)或f = imread(Fig2.07(a).jpg);读入图像文件Fig3.15(a)1top.jpg到内存，并保存到f中。注意：上面的区别仅在于一个有分号，另一个没有分号。第4步 接着运行whos f可查看图像f的信息。第5步 再运行imshow(f)显示图像f于新窗口Figure 1。第6步 再运行打开一个新的窗口，准备用于显示下一幅图像g。否则下一幅图像g将覆盖图像f。第7步 再运行g = imread(Fig2.08(a).jpg);第8步 再运行figure,imshow(g)打开一个新的窗口Figure 2，并显示图像g。若运行imshow(g)则图像g将覆盖图像f，并显示于原窗口Figure 1。第9步 最后运行doc imshow可以获得函数imshow的使用方法。2.4.3 空间和灰度级分辨率一、空间分辨率(Spatial Resolution 7rezE5lju:FEn)由取样(Sampling)决定,是图像中可辨别的最小细节。例如：行列的图像的空间分辨率为。课堂实验2.2 空间分辨率折半a = imread(Fig2.19(a).jpg );imshow(a)whos a for i = 1 : 512for j = 1 : 512b(i,j) = a(2*i-1,2*j-1);endendimshow(b)whos b课堂实验2.3 编写M函数实现分辨率折半命令edit halfsize.m用来生成一个新文件halfsize.m，该文件内容如下：function g = halfsize(f)imax = size(f,1) / 2;jmax = size(f,2) / 2;for i = 1:imax for j = 1:jmax g(i,j) = f(2*i-1,2*j-1); endend课堂实验2.4 空间分辨率折半并保存图像b = halfsize(a);imshow(b)size(b)d = halfsize(halfsize(b);imshow(d)size(d)imwrite(d,Fig2.19(d).jpg,quality,100);clear dd = imread(Fig2.19(d).jpg);imshow(d)whos d二、灰度分辨率(Gray-level Resolution)2.4.4 混淆的水纹图样一、香农采样定理(Shannon Sampling Theorem)来源于维基百科 1、香农采样定理采样过程所应遵循的规律，又称取样定理、抽样定理。采样定理说明采样频率与信号频谱之间的关系，是连续信号离散化的基本依据。采样定理是1928年由美国电信工程师H.奈奎斯特首先提出来的，因此称为奈奎斯特采样定理(Nyquist Sampling Theorem。1948年信息论的创始人C.E.香农对这一定理加以明确地说明并正式作为定理引用，因此在许多文献中又称为香农采样定理。采样是将一个信号（即时间或空间上的连续函数）转换成一个数值序列（即时间或空间上的离散函数）。采样定理指出，如果信号是带限的(bandlimited)，并且采样频率高于信号带宽的两倍，那么，原来的连续信号可以从采样样本中完全重建出来。更高的采样频率没有意义，属于浪费。采样定理是指，如果信号带宽不到采样频率的一半(即奈奎斯特频率)，那么此时这些离散的采样点能够完全表示原连续信号。高于或处于奈奎斯特频率的频率分量会导致混叠现象。大多数应用都要求避免混叠，混叠问题的严重程度与这些混叠频率分量的相对强度有关。2、采样简介从信号处理的角度来看，此采样定理描述了两个过程：其一是采样，这一过程将连续时间信号转换为离散时间信号；其二是信号的重建，这一过程离散信号还原成连续信号。信号的重建是对样本进行插值的过程，即从离散的样本中，用数学的方法确定连续信号。从采样定理中，我们可以得出以下结论：如果已知信号的最高频率，采样定理给出了保证完全重建信号的最低采样频率。这一最低采样频率称为临界频率或奈奎斯特采样率，通常表示为。 相反，如果已知采样频率，采样定理给出了保证完全重建信号所允许的最高信号频率。 以上两种情况都说明，被采样的信号必须是带限的，即信号中高于某一给定值的频率成分必须是零，或至少非常接近于零，这样在重建信号中这些频率成分的影响可忽略不计。 在第一种情况下，被采样信号的频率成分已知，比如声音信号，由人类发出的声音信号中，频率超过5kHz的成分通常非常小，因此以10 kHz的频率来采样这样的音频信号就足够了。在第二种情况下，我们得假设信号中频率高于采样频率一半的频率成分可忽略不计。这通常是用一个低通滤波器来实现的。3、混叠如果不能满足上述采样条件，采样后信号的频率就会重叠，即高于采样频率一半的频率成分将被重建成低于采样频率一半的信号。这种频谱的重叠导致的失真称为混叠，而重建出来的信号称为原信号的混叠替身，因为这两个信号有同样的样本值。一个频率正好是采样频率一半的弦波信号，通常会混叠成另一相同频率的波弦信号，但它的相位和幅度改变了以下两种措施可避免混叠的发生：(1) 提高采样频率，使之达到最高信号频率的两倍以上； (2) 引入低通滤波器或提高低通滤波器的参数；该低通滤波器通常称为抗混叠滤波器 抗混叠滤波器可限制信号的带宽，使之满足采样定理的条件。从理论上来说，这是可行的，但是在实际情况中是不可能做到的。因为滤波器不可能完全滤除奈奎斯特频率之上的信号，所以，采样定理要求的带宽之外总有一些“小的”能量。不过抗混叠滤波器可使这些能量足够小，以至可忽略不计。4、减采样当一个信号被减采样时，必须满足采样定理以避免混叠。为了满足采样定理的要求，信号在进行减采样操作前，必须通过一个具有适当截止频率的低通滤波器。这个用于避免混叠的低通滤波器，称为抗混叠滤波器。二、选通函数三、水纹图样和水纹效应2.4.5 放大和收缩数字图像放大可以看作过采样，收缩可以看作欠采样。一、放大灰度赋值方法有最近邻域内插法和双线性内插法。1、最近邻内插法速度快，但会出现棋盘格效应。2、双线性内插法常用4个最近邻点的双线性内插法。公式如下：还可以使用更多邻点的插值。课堂实验2.5 编写M函数实现分辨率倍增function g = doublesize(f)imax = size(f,1);jmax = size(f,2);for i = 1:imax for j = 1:jmax g(2*i-1,2*j-1) = f(i,j);% 最近邻内插法计算扩充3点的灰度 g(2*i-1,2*j) = f(i,j);g(2*i,2*j-1) = f(i,j);g(2*i,2*j) = f(i,j); endend二、收缩比较24位彩色立方体在Word中的收缩和在Windows的画笔中的收缩情况。2.5 像素间的一些基本关系2.5.1 相邻像素（Neighbors of a Pixel）4邻域、8邻域的含义。2.5.2 邻接性、连通性、区域和边界一、邻接性(AdjacencyE5dVeisEnsi)4邻接、8邻接和邻接。m邻接就是有4邻接点则选择之，没有时才选择8邻接点。二、连通性(ConnectivitykEnek5tiviti)1、通路和通路的长度2、闭合通路三、区域(Regions5ri:dVEn)和边界(Boundaries)1、连通分量和连通集2、区域和边界3、边界和边缘的区别2.5.3 距离度量(Distance Measures)1、欧氏距离(Euclideanju:5klidiEn Distance)2、距离(城市街区距离City-block Distance)3、距离(棋盘距离Chessboard Distance)2.5.4 基于像素的图像操作2.6 线性和非线性操作(Linear and Nonlinear Operations)若则为线性函数。第2章 作业题1、编写doublesize.m函数，实现将输入图像的尺寸倍增(参考课堂实验2.5)，并且对课堂实验2.5的棋盘格现象有所改进。2、P56 2.113、P57 2.15第2章 实验题实验题目：图像的放大实验要求：编写doublesize.m函数，实现将输入图像的尺寸倍增(参考课堂实验2.5)，并且对课堂实验2.5的棋盘格现象有所改进。第3章 空间域图像增强(Image Enhancement in the Spatial Domain)教学目的和要求课时数8教学课型理论课教学目的和要求让学生了解空间域的图像的基本方法。教学重点直方图均衡化，空间域掩模滤波。教学难点混合空间增强法教学方法、手段、媒介以多媒体为主，加上黑板板书补充教学过程和内容见教材作业题见第3章 作业题3.1 背景知识“空间域增强”的含义1、邻域操作注意MATLAB的坐标是原点在左上角，轴由上向下，轴由左向右。2、二值图像阈值函数3、模板3.2 某些基本灰度变换3.2.1 图像反转(Image Negatives)课堂实验3.1 绘制反转图像 a = imread(Fig3.04(a).jpg);imshow(a)% 反转图像b = imcomplement(a);% 或用b = imadjust(a,0,1,1,0);figure,imshow(b)3.2.2 对数变换(Log Transformations)课堂实验3.2 图像的对数变换a = imread(Fig3.05(a).jpg)imshow(a)mean(a(:) % 或者用mean2(a)，若用mean(a)，则计算a的每个列向量的均值% 取以e为底的对数，min(a1(:)=0, max(a1(:)=5.5452a1 = log(1+double(a); % 最低灰度0变成0，最大灰度5.5452变成1.0，变成intensity imagea2 = mat2gray(a1); % 0变成0，1.0变成255b = im2uint8(mat2gray(log(1+double(a);figure,imshow(b)mean2(b) % mean2(b) = mean(mean(b)3.2.3 幂次变换(Power-law Transformations)伽马校正(Gamma Correction)课堂实验3.3 图像的伽马校正% 原图像a = imread(Fig3.07(a).jpg);imshow(a)% 监视器存在偏差，显示图像偏暗b = imadjust(a,2.5);figure,imshow(b)% 先进行伽马校正c = imadjust(a,0.4);figure,imshow(c)% 正确显示原图像d = imadjust(c,2.5);figure,imshow(d)课堂实验3.4 用幂次变换进行对比度增强(见教材P65的例3.2)% “冲淡”的原图像f = imread(Fig3.09(a).jpg);% 归一化图像a = im2double(f);imshow(a)% 伽马校正，基本适合，亮区细节比c好b = imadjust(a,3);figure,imshow(b)% 伽马校正，基本适合，暗区细节比b好c = imadjust(a, 4);figure,imshow(c)% 伽马校正，过暗，丢失了主道路左边的暗区的一些细节d = imadjust(a,5);figure,imshow(d)3.2.4 分段线性变换函数(Piecewise-Linear Transformation Functions)一、对比拉伸(Contrast5kCntrAst stretching)提高图像处理时灰度级的动态范围。二、灰度切割(Gray-level Slicing)提高特定范围内的亮度。三、位图切割(Bit-plane Slicing)对特定位提高亮度。3.3 直方图处理(Histogram5histEurAm Processing)一、直方图的含义灰度级为范围的数字图像的直方图是离散函数，这里是第级灰度归一化对应的值，是图像中灰度为的像素个数。二、非归一化的直方图横坐标为绝对灰度级别，而纵坐标为。课堂实验3.5 图像的直方图% 暗图像a1 = imread(Fig3.15(a)1top.jpg);subplot(4,2,1)imshow(a1);subplot(4,2,2)imhist(a1)% 亮图像a2 = imread(Fig3.15(a)2.jpg);subplot(4,2,3)imshow(a2);subplot(4,2,4)imhist(a2)% 低对比度图像a3 = imread(Fig3.15(a)3.jpg);subplot(4,2,5)imshow(a3);subplot(4,2,6)imhist(a3)% 高对比度图像a4 = imread(Fig3.15(a)4.jpg);subplot(4,2,7)imshow(a4);subplot(4,2,8)imhist(a4)三、归一化的直方图经常以图像中像素的总数目来除它的每一个值得到归一化的直方图，归一化的直方图实际上就是图像的灰度级的概率密度函数图。概率密度函数(PDF, Probability Distribution Function)为，是灰度级发生的概率估计值，也就是各灰度级出现的频度。四、绘制自己的直方图有时我们并不希望绘制每个灰度级的像素个数或频度，而是灰度区间的像素个数或频度，此时自己编写代码绘制直方图。例如：我们需要绘制0-9,10-19,240-249,250-255等灰度区间的像素个数或频度。课堂实验3.6 绘制自己的直方图% 利用imhist绘制的直方图a = imread(Fig3.15(a)4.jpg);figure,subplot(1,2,1)imhist(a)h = imhist(a);% 利用bar绘制的自己的直方图h1 = h(1:10:256)subplot(1,2,2)bar(1:10:256,h1)% 手工设置坐标轴的取值范围和刻度线axis(0 255 0 max(h)% 自动设置坐标轴的取值范围和刻度线xlim(auto)ylim(auto)3.3.1 直方图均衡化(Histogram Equalization7i:kwElai5zeiFEn, -li5zeiFEn)直方图均衡化是一种使图像直方图近似服从均匀分布的变换算法，主要工作是在输入图像的归一化的直方图的基础上建立输入图像的灰度级与输出图像的灰度级之间的转换关系。假设是输入图像的归一化的灰度级，输入图像的PDF为，令经过均衡化得到的输出图像的灰度级为，则例3.1 直方图均衡化举例若某8位的图像灰度为0的像素有4500个，图像灰度为10的像素有100个，灰度为20的像素有200个，灰度为100的像素为1000个，没有其它灰度值的像素点。即，其它不难计算输入图像的总像素为则PDF为则均衡化得到的输出图像的灰度级为为表示向下取整，当然也可以采用其它取整方法。课堂实验3.7 直方图均衡化 (见教材P75的图3.17)% 暗图像a1 = imread(Fig3.15(a)1top.jpg);subplot(4,3,1)imshow(a1);b1 = histeq(a1);subplot(4,3,2)imshow(b1);subplot(4,3,3)imhist(b1)% 亮图像a2 = imread(Fig3.15(a)2.jpg);subplot(4,3,4)imshow(a2);b2 = histeq(a2);subplot(4,3,5)imshow(b2);subplot(4,3,6)imhist(b2)% 低对比度图像a3 = imread(Fig3.15(a)3.jpg);subplot(4,3,7)imshow(a3);b3 = histeq(a3);subplot(4,3,8)imshow(b3);subplot(4,3,9)imhist(b3)% 高对比度图像a4 = imread(Fig3.15(a)4.jpg);subplot(4,3,10)imshow(a4);b4 = histeq(a4);subplot(4,3,11)imshow(b4);subplot(4,3,12)imhist(b4)3.3.2 直方图匹配(规定化)(Histogram Matching, Histogram Specification)一、均匀直方图的不足直方图均衡化是通过输入图像的灰度级到较宽亮度尺度的变化范围来实现图像增强。这种方法并不总能得到成功的结果。课堂实验3.8 直方图均衡化的不足见教材例3.4% 原图像及其直方图a = imread(Fig3.20(a).jpg);subplot(2,2,1)imshow(a)subplot(2,2,2)imhist(a)% 均衡化后的图像及其直方图b = histeq(a,256);subplot(2,2,3)imshow(b)subplot(2,2,4)imhist(b)% 原因：大量像素的灰度值接近0ha = imhist(a);ha(1) size(a(:),1)n = ha(1) / size(a(:),1)n = round(n * 256)hb = imhist(b);hb(1:n-1) hb(n:256)原因：大量的像素灰度很接近0。二、直方图规定化可以指定希望处理的图像所具有的直方图形状，叫做直方图匹配或直方图规定化处理。可以用函数histeq(I,hgram)，用一维向量hgram指定输出图像的直方图。hgram应该与输入图像的直方图形状相似，只是均衡一些，因此直方图规定化的难点是生成hgram。3.3.3 局部增强(Local Enhancement)选定整幅图像的某个矩形区域(当然其它形状的区域也可以)或者是每一个像素的邻域进行图像的增强处理（比如直方图均衡化处理)。3.3.4 在图像增强中使用直方图统计学(Histogram Statistics)统计图像灰度的全局的平均值和方差，以及局部(子图像)的平均值和方差。主要应用于局部增强。3.4 用算术/逻辑操作增强(Enhancement Using Arithmetic/Logic Operations)算术操作包括图像减法、加法和乘法以及取平均处理，逻辑操作包括“与”、“或”、“非”。例3.2 提取图像的感兴趣区上面是使用“与”提取图像的感兴趣区(ROI,Region of Interest)，即子图像。下面是使用“或”提取子图像。区别是得到的不感兴趣区一个为黑色，一个为白色。3.4.1 图像减法处理两幅8位灰度级图像的差的灰度范围为-255,255，需要重新标定到0,255。例3.3 图像相减(a)是从病人头顶上拍摄的注射碘元素之前的X光照片，而(b)是注射碘元素之后的照片与之前的照片的差图像。3.4.2 图像平均处理对同一场景拍摄多幅图像，然后取平均值。但存在需要解决“配准”的问题，否则会造成模糊。例3.4 用图像平均减少噪声 (a)为原始图像，(b)是被均值为0、方差64的高斯噪声污染的图像，(c)-(f)是8、16、24、128幅(b)图取平均的结果。图(f)与(a)几乎没有区别。3.5 空间滤波基础(Basics of Spatial Filtering)子图像可以称为滤波器filter、掩模mask、核kernel、模板template或窗口window。一、线性滤波(Linear Spatial Filtering)图像大小为，滤波器掩模大小为，通常为奇数，所以，不妨令，并且通常还相等则滤波处理后的图像为空间线性滤波处理与频率域的卷积(Convolution)类似。当时，可以写成响应，是灰度值，见图FIGURE 3.33。二、非线性滤波(Nonlinear Spatial Filtering)见后面的3.6.2，如取(排序后的)中值Median(不是平均值Mean)、最大值或最小值，即与不存在线性关系。三、边缘处理1、处理后的图像比原图像小2、处理后的图像与原图像一样大(1) 部分滤波掩模(2) 原图像补上若干行和若干列见本章作业题。3.6 平滑空间滤波器模糊处理常用于预处理，提取大的目标之前去除图像中一些琐碎的细节或减少噪声。简言之，平滑处理的目的通常是减噪，但会造成边缘模糊的负面效应。3.6.1 平滑线性滤波器(Smooth Linear Filters)也称均值滤波器(Averaging Filters)。第1种是盒滤波器，第2种是加权平均。课堂实验3.8 用各种尺寸掩模平滑图像f = imread(Fig3.35(a).jpg);imview(f)doc fspecialw = fspecial(average,3)g = imfilter(f, w);imview(g)w=fspecial(average,35)g=imfilter(f,w); imview(g)课堂实验3.9 平滑线性滤波与二值图像(域值处理)a = imread(Fig3.36(a).jpg);imview(a)f = im2bw(a,0.3);imview(f)w = fspecial(average,15)b = imfilter(a, w); imview(b)c = im2bw(b,0.3);imview(c)doc imview3.6.2 统计排序滤波器(Order-Statistics Filters)是一种非线性的空间滤波器，最常见的例子是中值滤波器(Median filter)，有优秀的去除随机噪声(Random noise)的能力，特别是脉冲噪声(Impulse5impQls noise)，俗称椒盐噪声(Salt-and-pepper noise)。一、中值滤波器二、最大值滤波器三、最小值滤波器课堂实验3.10 使用函数medfilt2进行中值滤波f = imread(Fig3.37(a).jpg);w = fspecial(average,3)g = imfilter(f,w); imview(g)imview(f)g = medfilt2(f);imview(g)此外，常用的非线性滤波器的函数还有ordfilt2(统计排序滤波器)。课堂实验3.11 用函数ordfilt2进行最大、中值和最小值滤波% 原图像clear ff = imread(Fig3.37(a).jpg);subplot(2,2,1)imshow(f)% 最大值滤波图像，效果很差，一片白max = ordfilt2(f,9,ones(3,3); subplot(2,2,2)imshow(max)% 中值滤波图像med = ordfilt2(f,5,ones(3,3); subplot(2,2,3)imshow(med)% 最小值滤波图像，效果很差，一片黑min = ordfilt2(f,1,ones(3,3); subplot(2,2,4)imshow(min)3.7 锐化空间滤波器(Sharpening Spatial Filters)增强被模糊了的细节。均值处理与积分类似，锐化处理通过空间微分来处理。3.7.1 基础一阶微分处理和二阶微分处理的区别。(1) 一阶微分处理通常产生较宽的边缘；(2) 二阶微分处理对细节有较强的响应，如细线和孤立点；(3) 一阶微分处理一般对灰度阶梯有较强的响应；(4) 二阶微分处理对灰度阶梯变化产生双响应。3.7.2 基于二阶微分的增强拉普拉斯算子各向同性滤波器的含义一、处理方法拉普拉斯变换而一阶差分所以二阶差分同理因此第1种和第3种90旋转各向同性，第2种和第4种45旋转各向同性。课堂实验3.12 拉普拉斯锐化a = imread(Fig3.40(a).jpg);imshow(a)w8 = 1 1 1; 1 -8 1; 1 1 1b = imfilter(a,w8,replicate);figure,imshow(b)figure,imshow(b,) % Figure 3.40 (c)d = a - b;figure,imshow(d)注意：在MATLAB中%符号表示注释。imshow(b)与imshow(fb,)的区别是本章的作业题之一。二、简化掩模邻域运算与减法合并。三、反锐化掩蔽与高提升滤波处理反锐化掩蔽进一步的普遍形式称为高提升滤波。课堂实验3.13 高提升滤波a = imread(Fig3.43(a).jpg);imshow(a)mean(a(:)w = -1 -1 -1;-1 8 -1;-1 -1 -1b = imfilter(a,w,replicate);figure,imshow(b)w(2,2) = 9c = imfilter(a,w,replicate);figure,imshow(c)mean(c(:)w(2,2) = 9.7d = imfilter(a,w,repli