数字图像处理技术及应用 课件 5-图像增强技术

图像增强技术本章内容概览空间滤波增强：梯度、拉普拉斯、混合方法频域滤波增强：高通滤波、同态滤波深度学习增强：Deep

Bilateral

Learning、IlluminationEstimation图像增强旨在提升图像的视觉效果与信息可辨识度，但不增加图像本身的信息量。学习目标理解各类图像增强技术的核心原理掌握空间域与频域滤波器的设计与应用了解深度学习在图像增强中的优势与实现方式能够根据场景选择合适的增强方法5.1图像增强概述图像增强技术旨在提升图像中感兴趣部分的对比度与细节，但不增加图像本身的信息量。增强过程中常伴随信息丢失，需根据应用场景选择合适方法。主要方法分类基于空间滤波梯度增强拉普拉斯算子混合空间增强基于频域滤波理想高通滤波器巴特沃兹高通滤波器高斯高通滤波器同态滤波图像增强是一个主观性较强的处理过程，同一图像在不同应用中可能需要不同的增强策略。5.2基于空间滤波的图像增强空间滤波直接在图像像素域进行操作，利用局部邻域信息调整像素值，实现增强。特点简单有效，实时性强广泛应用于噪声去除、边缘增强、细节增强但存在信息丢失、对噪声敏感、参数选择困难等问题

5.2.1梯度增强通过增强图像的梯度幅值来提升边缘与细节的对比度。梯度幅值计算常用算子罗伯特交叉算子快速边缘检测对噪声敏感Sobel算子更精确的梯度计算抗噪性较好梯度增强适用于各类图像，但需注意参数选择以避免过度增强或噪声放大。

5.2.2拉普拉斯算子一种二阶微分算子，用于增强图像中的边缘与细节信息。∇²f

=

𝜕²f/𝜕x²

+

𝜕²f/𝜕y²算子类型类型特点适用场景无对角线项仅考虑水平与垂直方向计算资源有限时含对角线项考虑所有相邻像素细节丰富的图像拉普拉斯算子对噪声敏感，使用前需进行去噪处理。5.2.3混合空间图像增强结合多种空间增强方法，发挥各自优势，实现更全面的增强效果。典型组合直方图均衡化+梯度增强拉普拉斯增强+平滑滤波实例：人体骨骼MRI增强拉普拉斯处理突出细节Sobel梯度提取边界均值滤波平滑噪声叠加与灰度变换增强5.3基于频域滤波的图像增强通过傅里叶变换将图像转换到频域，针对特定频率成分进行处理。频域特点低频→平滑区域高频→边缘与细节高通滤波器抑制低频，保留高频用于锐化与边缘增强图像的傅里叶变换示意图5.3.1理想高通滤波器完全抑制低频、完全保留高频的滤波器，但易产生振铃效应。振铃效应边缘处出现明暗震荡干扰图像细节可通过窗函数、多尺度处理等方法缓解振铃效应示意图

5.3.2巴特沃兹高通滤波器具有平滑过渡特性的高通滤波器，振铃效应较轻。H(u,v)

=

1

/

[1

+(D₀/D(u,v))^(2n)]参数说明n：阶数，决定陡峭程度D₀：截止频率阶数越高，振铃越轻，但计算复杂度增加适用于医学影像、工业检测等对边缘保留要求高的场景。5.3.3高斯高通滤波器基于高斯函数的高通滤波器，具有良好的平滑性与抗噪性。H(u,v)

=1-exp[-D²(u,v)/

(2σ²)]应用场景边缘增强特征提取图像分割细节增强高斯高通滤波器在保留纹理与抑制噪声之间取得较好平衡5.3.4频域中的拉普拉斯算子在频域中实现拉普拉斯算子，用于边缘检测与细节增强。H(u,v)

=

-4π²(u²

+

v²)频域增强公式g(x,y)

=

F⁻¹{[1

+

4π²D²(u,v)]F(u,v)}频域拉普拉斯能有效增强灰度突变处的对比度，同时保留背景色调。5.3.5同态滤波通过对数变换将图像分解为照射成分与反射成分，在频域分别处理。对数变换：z(x,y)=ln

f(x,y)傅里叶变换：Z(u,v)=F[z(x,y)]频域滤波：S(u,v)=H(u,v)Z(u,v)反变换：s(x,y)=F⁻¹[S(u,v)]指数变换：g(x,y)=exp[s(x,y)]5.4基于深度学习的图像增强利用深度神经网络自动学习图像增强映射，实现自适应增强。优势自动学习复杂特征与上下文信息适应性强，无需人工设计滤波器在复杂光照条件下表现优异代表性模型DeepBilateralLearningDeepIlluminationEstimation5.4.1

Deep

Bilateral

Learning结合双边滤波思想与深度学习，实现实时高分辨率图像增强。核心流程低分辨率流提取特征局部与全局路径融合双边网格生成仿射系数切片层上采样至全分辨率5.仿射变换输出增强图像深度双边学习图像增强流程图5.4.2

Deep

Illumination

Estimation通过估计图像光照条件，实现曝光不足图像的增强。模型结构特征提取：局部与全局特征融合光照估计：生成全分辨率光照图图像修复：基于光照调整图像模型架构图思考题与习题图像增强与图像去噪的本质区别是什么？在哪些场景下，图像增强可能反而降低图像的质量？混合空间图像增强方法为何能够提供更全面的图像增强结果？举例说