六.图像增强

空域平滑
图像锐化
彩色增强技术
频域增强

增强的目的：

改善图像视觉效果，提高清晰度：平滑、降噪——图像清晰
利于后期图像处理：锐化——突出轮廓，便于后期特征分析

1.图像增强方法分类

如图一

图片1.png

2.图像噪声

图像在摄取和传输过程中收到的随机干扰信号。

CCD/CMOS噪声，受温度和ISO感度影响，这两个值越高效果越差。这属于成像器件造成的内部噪声
图像噪声模糊图像，淹没特征，给后续处理、分析带来困难。
噪声通常也会应为JPEG压缩算法而被放大，色调错误。

噪声的随机性：

白噪声，色噪声
高斯噪声：传感器噪声的很好模型，如摄像机的电子干扰噪声，强度服从高斯或正态分布的噪声。
椒盐噪声：随机出现的黑白强度值
脉冲噪声：致函随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）

图像平滑

目的：消除或尽量减少噪声的影响，改善图像的质量。

假设：假定加性噪声随机独立分布的条件下，利用邻域的平均或加权平均可以有效抑制噪声干扰。

图像平滑本质：低通滤波。

问题：往往图像边缘也处于高频部分，所有在图像平滑过程中也会使正常的边缘变模糊。

空域平滑：某点像素采用它的4或8邻域的灰度值取平均，能实现滤波效果。问题出现在领域大小的选择。

1.平滑模板，template

Box模板，像素加其8邻域像素共9个像素进行权值都为1取平均。模板中的元素带黑点表示中心元素。这是一种简单的低通滤波运算，但是一定程度上模糊了边界。
高斯平滑模板：针对Box模板没有加权的做法，而实际中，图像像素与周围越近的点相关性越高，越远衰减，自然得想到根据距离做加权，产生了高斯模板。（中间点权值高，边界低），如图二

图片2.png
其他平滑模板：模板矩阵随意设计，只要合理能解释就可以。

通常，模板不允许移出边界，结果图像会比原图小“一圈”（不能做模板操作的那些点，或者说会使模板越界的那些点），解决办法可以简单的对边界不处理，或者增加一圈边界，再做模板操作

2.中值滤波——非线性滤波器

一种典型的低通滤波器，保护图像边缘的同时去除噪声。

中值滤波：把某点（x,y）为中心的小窗口内的所有像素的灰度值按从大到小顺序排列，将中间值作为该店的灰度值。（利用的是噪声的孤立性，噪声通常是一种突变，排列后要么在最前，要么值在最后，故取中间，可以看做是噪声影响最小的区域）

结论

中值滤波容易去除孤立点、线的噪声的同时保持图像的边缘；他能很好的去除二值噪声，但对高斯噪声无能为力。

当窗口内的噪声比较密集（大于窗口宽度一半时），中值滤波效果不好。

具体的方法选择：根据图片噪声的孤立性原理+噪声的分布特性选择不同的平滑模板。

图像锐化

与平滑相反，锐化是通过增强高频分量来减少图像中的模糊（细节）

目的：增强图像细节边缘和轮廓，灰度反差增强，便于后期对目标的识别和处理。

方法：微分，高通滤波。

边缘和轮廓都位于灰度突变的地方，在频域中表现为高频分量

问题：锐化处理在增强图像边缘的同时增加了图像的噪声，因为噪声也是一种灰度突变（类似与边缘）

灰度变换特性细节，如图3所示

图片3.png

这里灰度曲线中，灰度跃变的地方可以认为是图像中的边缘，显然，孤立点（噪声）和正常的图像轮廓都具有这种性质，而跃变的斜率体现了变换的快慢，可以设立一个斜率阈值，用来区分图像中的颜色缓慢过度（途中的左边的光斑）和轮廓（及噪声），进一步如何区分噪声和轮廓？可以观察灰度曲线，考虑从噪声的宽度和波峰高度（噪声强度）等方面入手，具体情况就比较复杂了。

常见情况的微分图，如下图4所示