【计算机视觉】03数字图像处理基础：图像增强（灰度/点运算、直方图修正、平滑/滤波、锐化）

目录

1. 图像增强算法概述

1.1 图像增强方法分类

2. 图像灰度变换（点运算）

2.1 灰度变换的作用

2.2 灰度线性变换

2.3 灰度分段线性变换

2.4 对数变换（非线性）

2.5 幂律/伽马变换（非线性）

3. 直方图修正

3.1 直方图均衡化

3.2 直方图规定化

3.3 自适应直方图均衡化

4. 空域滤波增强

5. 频域图像增强算法

5.1 低通/高通滤波

5.2 同态滤波

6. 图像增强效果客观评价

6.1 主观评价

6.2 客观评价

7. 不同算法对比总结

---

1. 图像增强算法概述

背景：由于受到环境，光线等的影响，拍摄的照片清晰度和对比度比较低，不能够突出图像中的重点。另外，对于小样本图像数据集往往采用图像增强的方法扩充数据量增加实验的合理性，图像增强算法能够提高图像整体和局部的对比度，突出图像的细节信息，使图像更符合人眼的视觉特性且易于机器识别。具体的图像增强算法包括：图像锐化，平滑（去噪），灰度调整（对比度增强），直方图均衡

1.1 图像增强方法分类

• 图像增强方法分为空间域和频率域方法，其中频率域方法和空间域中的图像锐化和图像平滑（去噪）方法在上一篇博文中详细介绍
• 本文主要针对空间域中的灰度调整以及直方图均衡展开

• 空域是指组成图像的像素的集合，空域的图像增强直接作用于图像中像素灰度值，基本上是以灰度映射函数为基础进行运算处理的
• 基于空域的图像增强方法主要有灰度变换、直方图修正和空域滤波等方法

2. 图像灰度变换（点运算）

图像灰度变换一般可以分为线性、分段线性和非线性变换三类。相比于直方图，灰度变换的方法算法较为简单，映射函数选择较为灵活，得到了广泛应用

2.1 灰度变换的作用

• 改善图像质量，使图像能够显示更多的细节，提高图像的对比度（对比度拉伸）
• 有选择的突出图像感兴趣的特征或者抑制图像中不需要的特征

• 可以有效地改变图像的直方图分布，使像素的分布更为均匀 

2.2 灰度线性变换

• 通过建立灰度映射来调整图像的灰度，对图像的灰度做线性扩张或压缩，从而达到图像增强的目的。主要包括：反色变换、上移变换和对比度变换
• 令r为变换前的灰度，s为变换后的灰度，则线性变换的函数为：s=a*r+b
  • a>1，增加图像对比度；a<1，减小图像对比度
  • a=1且b≠0，图像整体变亮或者变暗，不改变对比度
  • a<0且b=0，图像的亮区域变暗，暗区域变亮
  • a=-1且b=255，图像反转【用的最多，得到负片，s=255-r，能够增强在图像暗区域的白色或者灰度细节】

2.3 灰度分段线性变换

• 分段线性变换是指在一些明亮段拉伸，在另一些明亮段压缩，以调解图像的对比度，突出某些有用的信息，主要包括：灰度拉伸、灰度窗口变换等

2.4 对数变换（非线性）

• 对数变换的公式为
• 将原图中范围较窄的低灰度值映射到范围较宽的灰度区间，同时将范围较宽的高灰度值区间映射为较窄的低灰度区间
• 扩展暗像素的值，压缩高灰度的值，【能够对图像中低灰度细节进行增强】
• 对数变换另一个作用：【压缩图像灰度值的动态范围，在傅里叶变换中能够显示更多的变换后的频谱细节】

2.5 幂律/伽马变换（非线性）

• 伽马变换的公式为
  • 当γ>1时，较窄范围的低灰度值映射为较宽范围的灰度值，同时将较宽范围的高灰度值映射为较窄范围的灰度值，对数变换类似
  • 当γ<1时，情况相反，与反对数变换类似

• 伽马变换主要用于图像的校正，对灰度值过高（图像过亮）或者过低（图像过暗）的图像进行校正，增加图像的对比度，从而改善图像的显示效果

3. 直方图修正

图像直方图是图像非常重要的一种统计特征，可以反应一张图像的像素分布，被用来做图像相似性检测等。

3.1 直方图均衡化（HE）

• 直方图均衡化基本思想：尽量使得每个灰度级的像素数量相等。即不存在大片的相似像素，提高图像的对比度。均衡化后使得图像灰度级跨越更宽的灰度级范围，从而提高图像对比度
• 优势：不需要额外参数，整个过程是自动化的
• 缺点：颗粒感比较明显

  

3.2 直方图规定化

• 直方图均衡化后，图像的直方图分布接近于均匀分布。而直方图规定化使得，增强后的图像直方图分布为特定要求的分布
• 相比于，均衡化操作，规定化多了一个输入，但是其变换后的结果也更灵活
• 直方图规范化后图像整体目标性更强（以川百合植物图像为例）

3.3 自适应直方图均衡化（AHE）

• 直方图均衡的经典算法对整幅图像的像素使用相同的变换，如果图像中包括明显亮的或者暗的区域，则经典算法作用有限
• AHE算法通过局部区域进行直方图均衡（先加权平均，再滤波去噪，从而提升图像增强效果）
  • step1：移动模板在原始图片上按特定步长滑动
  • step2：每次移动后，模板区域内做直方图均衡，映射后的结果赋值给模板区域内所有点
  • step3：每个点会有多次赋值，最终的取值为这些赋值的均值
• 该方法更适于改进图像的局部对比度，以获得更多的图像细节信息
• 存在缺陷：（1）计算复杂度增加，造成了大量的空间浪费现象。（2）算法运行在很大程度上存在着人工的干扰。（3）过度放大图像中相对均匀区域的噪音

3.4 限制对比度自适应直方图均衡（CLAHE）

• 简单来说CLAHE算法在增强图像对比度的同时，能够抑制噪声
• 与普通的自适应直方图均衡相比，CLAHE的不同地方在于直方图修剪过程，用修剪后的直方图均衡图象时，图像对比度会更自然

• 操作trick：双线性插值

---

下面简要概括以下图像增强中平滑和锐化算法（空域和频域）

4. 空域滤波增强

• 空域滤波可分为平滑滤波和锐化滤波，其中平滑滤波有均值滤波、中值滤波、高斯滤波等；锐化滤波有Soble算子、Roberts算子和Prewitt算子滤波
• 平滑滤波是低频增强的空间域滤波技术，其本质上是一种低通滤波手段，为了模糊图像或降噪
• 锐化滤波的主要目的是为了突出灰度的过渡部分并补偿缺失的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰

         

5. 频域图像增强算法

5.1 低通/高通滤波

• 常用的低通滤波有理想低通滤波、巴特沃斯低通滤波和高斯低通滤波，高通对应
• 低通/高通滤波常用于指纹识别、人脸 识别、医学影像、图像模糊、信号处理等领域

   

5.2 同态滤波

• 简称为HF算法，是一种在频域中进行的图像对比度增强和压缩图像亮度范围的特殊方法。 其能够减少低频并且增加高频，从而能减少光照变化并 锐化边缘细节
• 同态滤波的特点是压缩灰度范围，同时增强对比度

6. 图像增强效果客观评价

6.1 主观评价

• HE 算法通过拉大图像动态范围达到了图像增强的目的，因此对于动态范围较大的原始图像增强效果不明显。
• 灰度变换类算法能够使得图像整体的亮度值分布较均匀。
• 平滑滤波算法能够使得图像增强后更符合人眼视 觉效果。
• 锐化滤波算法能够使得图像增强后对比度更加明显。
• 频域滤波类算法图像增强的效果不佳，说明该原始图像不适宜用该类方法进行图像增强。
• HF算法效果最好，增强细节的同时也提高了人眼视觉的效果。

6.2 客观评价

• 采用图像的对比度、信噪比和信息熵对增强后的图像质量进行评价
• 直方图均衡化算法能有效提升原始图像的对比度，但由于合并了一些区域，导致了某些图像信息的丢失，使得图像的信噪比和信息熵的提升不够明显
• 灰度变换类算法同样能提高原始图像的对比度和信噪比，但对于图像的信息熵效果不明显
• 空域滤波类算法图像的信噪比和信息熵有一定的提升效果，但对于图像的对比度效果不明显
• 频域滤波类算 法图像的对比度、信噪比和信息熵效果度不明显
• HF算法效果最好，在图像的对比度和信息熵都有明显的提升，但由于增加了高频部分的灰度范围，放大了某些噪声使得增强后的图像信噪比效果不明显

7. 不同算法对比总结

参考来源：

郭永坤,等 空频域图像增强方法研究综述[J].计算机工程与应用,2022