图像处理——空间域和频率域部分图像增强学习
图像增强Image Enhancement:采用某种技术手段,改善图像的视觉效果,获奖图像转换成更适合人眼观察和机器分析、识别的形式,以便从图像中获取更有用的信息。1
- 空间域图像增强:针对图像自身,以对图像的像素直接处理为基础的方法;
点处理,模板处理; - 频率域图像增强:以修改图像的傅里叶变换为基础的方法;
高、低通滤波,同态滤波。
另外还有彩色图像的增强。
1.空间域图像增强
1.1基于灰度变换的图像增强
属于点处理技术,这部分内容参考之前的笔记点运算部分内容 ,有线性变换、幂次变换等。
1.2基于直方图处理的图像增强
灰度级直方图统计了不同灰度级出现的概率。
I=imread('marketspace.jpg');
I=rgb2gray(I);
% I=double(uint8(I));
for i=1:256h(i)=sum(sum(I==i-1));
end
subplot(1,2,1);imshow(I);
subplot(1,2,2);plot(h);
直方图均衡化
直方图均衡化处理,使得图像的灰度分布趋向均匀,图像所占有的像素灰度间距拉开,进而加大图像反差,达到增强目的。适用于一些由于灰度分布集中在较窄区间内的图像。
I=imread('marketspace.jpg');
I=rgb2gray(I);
K=32;
H=histeq(I,K);
figure;
subplot(2,2,1);imshow(I);
subplot(2,2,2);imshow(H);hold on;
subplot(2,2,3),hist(double(I),16),
subplot(2,2,4),hist(double(H),16),
结果:
分析:
变换后直方图趋于平缓,灰级减少,灰度合并;原图像含像素多的几个灰级间隔被拉大,压缩的只是像素少的几个灰度级,实际视觉能接收的信息量增强了。可以看到增强的效果还是不错的,图中云层部分的细节有所增强。
1.3空间域滤波增强
属于模板处理技术,对图像进行滤波以去除图像噪声或增强图像细节。
空间域平滑滤波器
图像平滑(去噪):抑制噪声、改善图像质量,通过积分使图像边缘模糊。
I=rgb2gray(imread('11.png'));
figure;
subplot(1,5,1),imshow(I),title("原始图像");
N=imnoise(I, 'salt & pepper', 0.06);
subplot(1,5,2),imshow(N),title("加椒盐噪声后的图像");
% 1)均值滤波
S=imfilter(N,fspecial('average', 5));
subplot(1,5,3),imshow(S),title("5*5领域平滑");
% 2)超限像素平滑法
T=20;
[m,n]=size(I);
C=zeros(m,n);
for i=1:mfor j=1:nif abs(I(i, j)-S(i,j))>TC(i,j)=S(i,j); % if |I(x,y)-S(x,y)|>T then G(x,y)=S(x,y)elseC(i,j)=I(i,j); % if |I(x,y)-S(x,y)|<=T then G(x,y)=I(x,y)endend
end
subplot(1,5,4),imshow(uint8(C));title("超限像素平滑法");
% 3)高斯平滑线性滤波法
G=imfilter(N, fspecial('gaussian', [3 3], 0.9), 'replicate');
subplot(1,5,5),imshow(G),title("高斯平滑滤波");
结果:
分析:
(1)超限像素平滑是对局部平滑法的一种改进,对抑制椒盐噪声比较有效,对保护仅有微小灰度差的细节及纹理也有效。
随着邻域增大,去噪能力增强,但模糊程度也增大。
(2)高斯滤波器,对于高斯噪声的去噪效果较好。
空间域锐化滤波器
图像锐化:增强图像的边缘和轮廓,通过微分使图像边缘清晰。
I=rgb2gray(imread('11.png'));
figure;
subplot(1,5,1),imshow(I),title("原始图像");
N=imnoise(I, 'salt & pepper', 0.02);
subplot(1,5,2),imshow(N),title("加椒盐噪声后的图像");
S=imfilter(N, fspecial('sobel'));
subplot(1,5,3), imshow(S),title("Sobel滤波");
L=imfilter(N, fspecial('laplacian', 0.2));
subplot(1,5,4),imshow(L),title("拉普拉斯滤波");
G=imfilter(N, fspecial('log', [5 5], 0.5));
subplot(1,5,5),imshow(G),title("高斯-拉普拉斯滤波");
结果:
2.频率域图像增强
频率域处理工作主要是:
g(x,y)=f(x,y)∗h(x,y)\ g(x,y)=f(x,y)*h(x,y)\, g(x,y)=f(x,y)∗h(x,y)
2.1频率域平滑滤波器
I=rgb2gray(imread('11.png'));
figure;
subplot(2,2,1),imshow(I),title("原始图像");
N=imnoise(I, 'salt & pepper', 0.02);
subplot(2,2,2),imshow(N),title("加椒盐噪声后的图像");
NF=fftshift(fft2(N));
[m,n]=size(N);
H=zeros(m,n);
% 1)理想低通滤波
T=105;
for i=1:mfor j=1:nif sqrt((i-m/2)^2+(j-n/2)^2)<TH(i,j)=1;endend
end
L=NF.*H;
L=ifft2(ifftshift(L));
subplot(2,2,3),imshow(uint8(real(L))),title("理想低通滤波");
% 2)巴特沃斯低通滤波器
T=105;
N=2;
for i=1:mfor j=1:nd=sqrt((i-m/2)^2+(j-n/2)^2);h=1/(1+(d/T)^(2*N));H(i,j)=h*NF(i,j);end
end
B=ifft2(ifftshift(H));
subplot(2,2,4),imshow(uint8(real(B))),title("巴特沃斯滤波");
结果(为了显示两种滤波器的效果区别,对图像进行了局部放大):
分析:
(1)理想低通滤波器会产生振铃现象使图像变得模糊,相对而言,巴特沃斯滤波器没有陡峭的变化,图像边缘的模糊程度减小。
(2)阈值T越大,图像的模糊程度越低。
2.2频率域锐化滤波器
程序和上一个程序类似,只是公式稍有调整。
% 1)理想高通滤波
T=35;
for i=1:mfor j=1:nif sqrt((i-m/2)^2+(j-n/2)^2)>TH(i,j)=1;endend
end
L=NF.*H;
L=ifft2(ifftshift(L));
subplot(2,2,3),imshow(uint8(real(L))),title("理想低通滤波");
% 2)巴特沃斯高通滤波器
T=35;
N=2;
for i=1:mfor j=1:nd=sqrt((i-m/2)^2+(j-n/2)^2);h=1/(1+(T/d)^(2*N));H(i,j)=h*NF(i,j);end
end
B=ifft2(ifftshift(H));
subplot(2,2,4),imshow(uint8(real(B))),title("巴特沃斯滤波");
结果:
分析:
(1)巴特沃斯高通滤波器的效果较于理想高通滤波器好一点;
(2)阈值T的值越小,锐化程度越高。
2.3同态滤波器
同态滤波把频率滤波和灰度变换结合:
- 首先对非线性混杂信号做对数运算,把两个相乘的分量变为两个相加的分量,它们分别代表图像的高频和低频分量;
- 然后用线性滤波方法处理;
- 最后做逆运算,恢复处理后图像。
可以应用于消除光照不足带来的影响,同时又不损失图像细节。
I0=rgb2gray(imread('astronaut.jpg'));
I1=log(double(I0)+1);
I2=fft2(I1);
[m,n]=size(I2);
N=2;c=2;
T=7;
rh=2;rl=0.5;
for i=1:mfor j=1:nd=sqrt(i^2+j^2);h=rl+(rh-rl)*(1/(1+(T/(c*d))^(2*N)));I2(i,j)=I2(i,j)*h;end
end
I3=ifft2(I2);
I4=(exp(I3)-1);
figure,
subplot(1,2,1),imshow(I0);
subplot(1,2,2),imshow(uint8(real(I4)));
结果:
分析:
(其实觉得这个结果没有很好,而且实验了很多照片,也没有找到效果好的)结果就是增强了图片的对比度,而且,阈值T越大,曝光度越小。
出自杨杰主编的《数字图像处理及MATLAB实现(第2版)》 ↩︎
图像处理——空间域和频率域部分图像增强学习相关推荐
- 数字图像处理——第四章 频率域图像增强
文章目录 频率域图像增强 1. 傅里叶变换 1.1 一维傅里叶变换 1.2 二维傅里叶变换 2. 频率域滤波 2.1 陷波滤波器及其性质 2.2 空间域滤波与频率域滤波之间的对应关系 2.2.1 空间 ...
- 数字图像处理——第四章 频率域滤波
数字图像处理--第4章 频率域滤波 文章目录 数字图像处理--第4章 频率域滤波 频率域 1.傅里叶级数原理 1.1.一维傅里叶变换 1.2.二维傅里叶变换 2.python×傅里叶级数 2.1.傅里 ...
- 空间域与频率域与图像变换
上了这么久的<数字图像处理>,都没有真正搞清楚什么是空间域.什么是频率域.晚上做题时,突发兴趣想弄清楚,所以用下面这段文字来表示二者的一些相关的知识. 从大体上说,有两种图像的处理方法:可 ...
- 傅里叶变换:空间域与频率域,dft输出的实部与虚部
傅里叶变换:空间域与频率域,dft输出的实部与虚部 一.空间域与频率域 二.实部与虚部 一.空间域与频率域 图像的空间域又称图像空间,由图像像元组成的空间,在图像空间中以长度(距离)为自变量直接对像元 ...
- 图像处理 | 空间域与频率域滤波
频率域滤波(低通) 作用:平滑处理图像,通过低频拒绝高频,同时高频往往是图像噪声所集中的地方. 1) 算法思路流程 频率域滤波的一般处理方法是:先修改一幅图像的傅里叶变换,然后计算其反变换,得到处理后 ...
- 数字图像处理第四章频率域滤波(低通滤波器、高通滤波器、拉普拉斯滤波、同态滤波器)
本章节的主要内容具体包括:傅里叶变换的概念及处理的相关知识.频率域卷积概念.三种低通滤波器的原理及代码实现.三种高通滤波器的原理及代码实现.频率域拉普拉斯算法原理及实现.同态滤波器原理及代码实现. 4 ...
- 图像的空间域与频率域
图像的空间域:是指图像平面所在的二维平面,对于空间域的图像处理主要是对像元灰度值的改变,其位置不变. 图像的频率域:是图像像元的灰度值随位置变化的空间频率,以频谱表示信息分布特征,傅立叶变换能把图像从 ...
- 【数字图像处理2.1 】频率域中的 高通滤波 和 低通滤波 Python+Opencv+Numpy
文章目录 前言 1.实验目的 2.频率域中高通.低通的效果图 3.代码 4.空间域滤波 与 频率域滤波比较 (1).回顾空间滤波 (2).相同点: (3).不同点: (4).二者关系: 前言 1.图像 ...
- 从空间滤波器获得频率域滤波器
结论:效果相差不大,空域滤波器和频域滤波器对图像的处理结果 文章目录 一.概念 二.空间滤波和频率域滤波的比较 一.概念 本节讨论的主题: (1) 如何将空间滤波器转换为等同的频率域滤波器 (2) 如 ...
- matlab频率域滤波器,频率域滤波的MATLAB设计与实现_课程设计
频率域滤波的MATLAB设计与实现_课程设计 综合课程设计设计题目 频率域滤波的 MATLAB 设计与实现专业名称班级学号学生姓名指导教师设计时间目 录摘 要 .- 3 -1. 数字图像处理 - 1 ...
最新文章
- 一步一步解决 kernel 2.6 usb host driver
- 改变QTableWidget 行高
- 【笔记】jstree插件的基本使用
- 今晚直播 | NeurIPS 2021论文解读:基于置信度校正的可信图神经网络
- 第一个WebService案例
- Spring学习使用标签来标记资源(@Component、@Repository、 @Service和@Controller)和用法(包括如何jsp正在使用)...
- 【pyqt5】——信号与槽
- Java中的基本数据类型转换(自动、强制、提升)
- Vue基础之Vue列表渲染
- 【转】无服务计算(Serverless Computing)核心知识
- 在Linux内核使用Kasan
- DBCC--SHRINKDATABASE
- echarts雷达图
- Android运行原理及运行机制知识汇总
- 读史可以明智_明智的话
- 如何获取淘宝/天猫商品历史价格信息的API接口
- 练T25- focus必看!所有成功截图汇总
- Leco题目:整数反转
- 解决IE浏览器低版本兼容性问题的最快方法
- 电阻、电容及电感的高频等效电路及特性曲线