小结：图像预处理

0 图像预处理

0.1 预处理目的

消除图像中无关的信息，恢复有用的真实信息，
增强有关信息的可检测性、最大限度地简化数据，
从而改进特征提取、图像分割、匹配和识别的可靠性。

0.2 预处理操作

图像预处理操作包括：去噪，增强等

1 图像去噪

1.1 去噪定义

图像去噪是指减少数字图像中噪声的过程称为图像去噪。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。

1.2 噪声分类

f(x,y)：给定原始图象
g(x,y)：图像信号
n(x,y)：噪声

- 按噪声组成分为：
（1）加性噪声：与输入图象信号无关, f(x,y)=g(x,y)+n(x,y),信道噪声及光导摄像管的摄像机扫描图象时产生的噪声；典型的有高斯噪声。
（2）乘性噪声：此类噪声与图象信号有关, f(x,y)=g(x,y)+n(x,y)g(x,y),飞点扫描器扫描图象时的噪声,电视图象中的相关噪声,胶片中的颗粒噪声。
（3）量化噪声：此类噪声与输入图象信号无关,是量化过程存在量化误差,再反映到接收端而产生。

- 按噪声分布分为：
（1）高斯噪声：指噪声服从高斯分布，一种加性噪声，可以用线性滤波器滤除。
（2）椒盐噪声（脉冲噪声）：类似把椒盐撒在图像上，图像上出现很多白点或黑点的噪声，如电视里的雪花噪声等。是一种逻辑噪声，用线性滤波器滤除的结果不好，一般采用中值滤波器滤波。
（3）均匀噪声：是指功率谱密度（信号功率在频域的分布状况）在整个频域内是常数的噪声。 所有频率具有相同能量密度的随机噪声称为白噪声。
（4）瑞利噪声：噪声分布为瑞利分布。
（5）指数噪声：噪声分布为指数分布。
（6）伽马噪声：噪声分布为瑞利分布

1.3 去噪方法

（1）中值滤波
一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。

（2）高斯滤波
一种线性平滑滤波，适用于消除高斯噪声，对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

（3）均值滤波
也称为线性滤波，采用的主要方法为邻域平均法。基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度g（x，y），即g（x，y）=1/m ∑f（x，y） m为该模板中包含当前像素在内的像素总个数。

（4）维纳滤波
（wiener filtering) 一种基于最小均方误差准则、对平稳过程的最优估计器。这种滤波器的输出与期望输出之间的均方误差为最小，因此，它是一个最佳滤波系统。它可用于提取被平稳噪声所污染的信号。

（5）傅里叶滤波
简称fft，是通过对图片信号在频域里进行滤波，从而达到去噪效果

空间域方法——高斯、均值、形态学、局部、非局部
频域——维纳、小波阈值收缩

非局部均值（NLM）去噪
特点：充分利用图像中的冗余信息，在去噪的同时能最大程度的保持图像细节特征，算法简洁，性能优越，易于改进和扩展
思想：当前像素的估计值由图像中与它具有相似领域结构的像素加权平均得到
问题：相似性度量缺乏鲁棒性；高斯加权核各向同性性质影响；费相似像素块影响；运算量大；加权核系数选择

2 图像增强

2.1 增强定义

强调图像特性，不同特征之间的差别，抑制不感兴趣的特征，
改善图像质量、丰富信息量，加强图像判读和识别效果，以便分析。

2.2 增强方法

点运算
（1）图像反转（2）对比度拉伸（3）动态范围压缩
（4）灰度切片（5）图像相减（6）图像平均
（7）直方图（直方图均衡化HE、自适应直方图均衡化AHE、限制直方图均衡化CLAHE）

掩膜运算
（1）图像平滑（2）中值滤波（3）图像锐化（4）偏导算子

变换操作
（1）低通滤波（2）高通滤波（3）带通滤波（5）同态滤波

着色操作
（1）伪彩处理（2）全彩处理

视网膜大脑皮层理论
（1）单尺度视网膜演算法
（2）多尺度视网膜演算法
（3）多尺度视网膜与色彩恢复

暗通道先验

直方图均衡化（HE）
定义：对整个图像在灰度范围内的像素值统计出现频率次数，生成直方图，反映了图像灰度的分布情况，是图像的统计学特征。
思想：把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。即对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。

局部直方图均衡化(LHE):定义一个邻域，并把该区域的中心从一个像素移至另一个像素。在每个位置，计算领域中点的直方图，并且得到的不是直方图的均衡化就是规定化的变换函数，这个函数最终用于映射邻域中心像素的灰度。然后，领域的中心被移至一个相邻像素位置，重复该过程。当邻域进行逐像素平移时，由于只有邻域中的一行或一列改变，所以可以在移动一步中，以新数据更新前一个位置得到的直方图。

参考

https://www.jianshu.com/p/62b9bfa5c545