数字图像处理 - 灰度变换与空间滤波

目录

  • 背景知识
    • 灰度变换和空间滤波基础
  • 一些基本的灰度变换函数
    • 图像反转
    • 对数变换
    • 幂律(伽马)变换
    • 分段线性变换函数
      • 对比度拉伸
      • 灰度级分层
      • 比特平面分层
  • 直方图处理
    • 直方图均衡
  • 空间滤波基础
    • 空间滤波机理
    • 空间相关与卷积
      • 相关
      • 卷积

背景知识

灰度变换和空间滤波基础

本节讨论的所有图像处理技术都是在空间域进行的,空间域处理可由下式表达:
g(x,y) = T[f(x,y)]
其中f(x,y)是输入图像,g(x,y)是处理后的图像,T是在点(x,y)的邻域上定义的关于f的一种算子
Tips
领域与预定义的操作一起被称为空间滤波器

一些基本的灰度变换函数

图像反转

将灰度范围为[0,L-1]的一幅图像进行反转,由下式给出:
s = L-1-r
通过这种方法增加强一幅图像中的暗区域的白色或灰色细节。特别是当黑色面积在尺寸上占主导地位的时候

对数变换

通用形式为:
s = clog(1+r)
该变换将输出中范围较窄的低灰度值映射为输出中较宽范围的灰度值,相反地,对搞得输入灰度值也是如此。使用这种变换来扩展图像中按像素的值,同时压缩更高灰度级的值,反对数变换的作用与此相反

一些基本的灰度变换函数如下图所示
数字图像处理 - 灰度变换与空间滤波_第1张图片

幂律(伽马)变换

基本形式:
s = c rγ 其中c和γ为正常数
数字图像处理 - 灰度变换与空间滤波_第2张图片
习惯上,幂律方程中的指数称为伽马,用于校正这些幂律相应现象的处理为伽马校正
如果关注的是计算机屏幕上精准显示图片,则伽马校正很重要的,不恰当的校正的图片看岂不是太亮就是太暗

分段线性变换函数

对比度拉伸

成因:
低对比度图像可由照明不足、成像传感器动态范围太小、甚至再图像获取过程中镜头光圈设置错误引起
数字图像处理 - 灰度变换与空间滤波_第3张图片
图片显示了一个用于对比度拉伸的典型变换,点(r1,s1)和点(r2,s2)的位置控制变换函数的形状,如果r1=s1 且r2=s2变换为一线性函数,若r1=r2,s1=0且s2=L-1,则变换为阙值处理函数,并产生一幅二值图像

灰度级分层

突出图像中特定灰度范围的亮度通常是重要的,其应用包括增强特征,通常称之为灰度级分层的处理
方法:

  1. 将感兴趣范围内的所有灰度值显示为一个值,而将其他灰度值显示为另一个值
  2. 使感兴趣范围的灰度变亮或者变暗,而保持图像中的其他灰度级不变

比特平面分层

像素是由比特组成的数字
例如,在256级灰度图像中,每个像素的灰度是由8比特(也就是1字节)组成的一幅8比特图像可考虑由8个1比特平面组成,其中平面1包含图像中所有像素的最低阶比特,而平面8包含图像中所有像素的最高阶比特

4个高阶比特平面,特别是最后两个比特平面,包含了在视觉上很重要的大多数数据。而低阶比特平面则在图像上贡献了更精细的灰度细节。

直方图处理

直方图均衡

直方图均衡通常用来增加许多图像的全局对比度,尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度,直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

空间滤波基础

空间滤波是一种采用滤波处理的影像增强方法
理论基础是空间卷积和空间相关
目的是改善影像质量,包括去除高频噪声与干扰,及影像边缘增强、线性增强以及去模糊等
分为低通滤波(平滑化)、高通滤波(锐化)和带通滤波
处理方法有计算机处理(数字滤波)和光学信息处理两种

空间滤波机理

滤波一词借用于频域处理

空间相关与卷积

相关

相关是滤波器模板移过图像并计算每个位置乘积之和的处理

卷积

卷积的激励相似,但滤波器首先要旋转180

你可能感兴趣的:(数字图像处理)