图像处理与机器视觉

第一章 图像增强的研究和发展现状

　　图像在采集过程中不可避免的会受到传感器灵敏度、噪声干扰以及模数转换时量化问题等各种因素的影响，而导致图像无法达到令人满意的视觉效果，为了实现人眼观察或者机器自动分析、识别的目的，对原始图像所做的改善行为，就被称作图像增强。图像增强包涵了非常广泛的内容，凡是改变原始图像的结构关系以取得更好的判断和应用效果的所有处理手段，都可以归结为图像增强处理，其目的就是为了改善图像的质量和视觉效果，或将图像转换成更适合于人眼观察或机器分析、识别的形式，以便从中获取更加有用的信息。

　　常用的图像增强处理方式包括灰度变换、直方图修正、图像锐化、噪声去除、几何畸变校正、频域滤波和彩色增强等。由于图像增强与感兴趣的物体特性、观察者的习惯和处理目的密切相关，尽管处理方式多种多样，但它带有很强的针对性。因此，图像增强算法的应用也是有针对性的，并不存在一种通用的、适应各种应用场合的增强算法。于是，为了使各种不同特定目的的图像质量得到改善，产生了多种图像增强算法。这些算法根据处理空间的不同分为基于空间域的图像增强算法和基于变换域的图像增强算法。基于空间域的图像增强算法又可以分为空域的变换增强算法、空域的滤波增强算法以及空域的彩色增强算法；基于变换域的图像增强算法可以分为频域的平滑增强算法、频域的锐化增强算法以及频域的彩色增强算法。

　　尽管各种图像增强技术已取得了长足的发展，形成了许多成熟、经典的处理方法，但新的增强技术依然在日新月异地发展完善，不断推陈出新，其中尤其以不引起图像模糊的去噪声方法（如空域的局部统计法）和新的频域滤波器增强技术（如小波变换，K－L变换等）最为引人瞩目。

　　第二章 图像增强的基本方法

　　一般而言，图像增强是根据具体的应用场景和图像的模糊情况而采用特定的增强方法来突出图像中的某些信息，削弱或消除无关信息，以达到强调图像的整体或局部特征的目的。常用的图像增强方法有灰度变换、直方图修正、噪声清除、图像锐化、频域滤波、同态滤波及彩色增强等。图像增强的方法主要分为两类：空域增强法和频域增强法。空域增强法直接针对图像中的像素，对图像的灰度进行处理；频域增强法是基于图像的Fourier变换式对图像频谱进行改善，增强或抑制所希望的频谱。

　　2.1灰度变换

　　灰度变换增强的原理如下：设r和s分别代表原始图像和增强图像的灰度，T(•)为映射函数，通过映射函数T(•)，将原始图像f(x,y)中的灰度r映射成增强图像g(x,y)中的灰度s，使得图像灰度的动态范围得以扩展或压缩，用以改善对比度。灰度变换是图像对比度增强的一个有效手段，它与图像的像素位置及被处理像素的邻域灰度无关。灰度变换处理的关键在于设计一个合适的映射函数（曲线）。映射函数的设计有两类方法，一类是根据图像特点和处理工作需求，人为设计映射函数，试探其处理效果；另一类设计方法是从改变图像整体的灰度分布出发，设计一种映射函数，使变换后图像灰度直方图达到或接近预定的形状。映射变换的类型取决于所需增强特性的选择。常用的灰度变换有如下几种：线性变换，分段线性变换和非线性变换。

大林上位机机器视觉_苏州电工培训_苏州PLC培训_苏州上位机培训_苏州机器视觉培训_苏州工业机器人培训_最适合电工及plc编程人员学习的上位机机器视觉课程 大林老师：15861139266（微信同号）

　　2.2直方图修正

　　直方图修正是以概率论为基础演绎出来的对图像灰度进行变换的又一种对比度增强处理。图像f(x,y)中的某一灰度fi的像素数目ni所占总像素数目N的份额ni/N，称为该灰度像素在该图中出现的概率密度pi(fi). 常用的直方图修正有如下几种：直方图均衡化和直方图规定化。

　　2.3噪声清除

　　图像在处理过程中可能会受到多种噪声的干扰，如传感器噪声、相片颗粒噪声和信道传输误差噪声等。通常情况下，这些噪声在图像上表现为孤立像素的离散变化，在空间上是不相关的。去除噪声的方法很多，从大的方面来说有统计滤波、频域滤波和空域处理等，但它们各有千秋。前二者运算量大，比较复杂，精度较高；后者运算简便，但精度较低。目前比较经典的去噪声方法有邻域平均法、空域低通滤波和中值滤波等，但他们都或多或少给图像带来模糊。

　　2.3.1邻域平均法

　　邻域平均法的原理是，对于一幅给定图像f(x,y)，其像素大小为的N×N，取围绕点(x,y)的预设邻域内的几个像素点（不含点(x,y)）的灰度平均值作为增强图像中该点的灰度，然后依次对N×N个像素点做上述相似处理，由此构成新的图像g(x,y)。邻域平均法虽然简单易行，抑制噪声的效果也较为明显，但存在着边缘模糊的效应。随着邻域的增大，抑制噪声效果和边缘模糊效应同时增加。为了减轻边缘模糊效，可利用设定阈值的邻域平均。

　　2.3.2空域低通滤波

　　在一幅图像的灰度级中，边缘和其他尖锐的跳跃（例如噪声）对Fourier变换的高频分量有很大的贡献。因此，通过一个适当的低通滤波器将一定范围的高频分量加以衰减，可以起到较好的去噪声效果。设f(x,y)为带有噪声的原始图像（大小N×N），g(x,y)为经滤波后的输出图像（大小M×M），h(x,y)为滤波系统的脉冲响应函数（大小L×L），则存在，

g(x,y)=f(x,y)*h(x,y)

式中，符号*代表卷积运算符。

　　显然，简单形式的滤波器矩阵的卷积滤波也会给图像带来一定的模糊。

　　2.3.3中值滤波

　　中值滤波是一种优于邻域平均的去噪声方法，它不仅能像邻域平均一样可以抑制噪声，而且还可以使边缘模糊效应大大降低。二维窗口的形状可以有方形、矩形和十字形等，但不管哪种形状，随窗口的增大有效信号的损失也将明显增加。另外，随着窗口的移动，一个像素要参与重复计算多次，处理时间变长，且窗口越大，处理时间愈长。因此窗口大小的选择以能兼顾两者为佳。

　　2.4图像锐化

　　图像锐化就是为了使图像的边缘更为鲜明，心理物理学实验表明，边缘加重的图像比精确光度复制的图像更令人满意，更能让人容易接受。图像锐化即边缘增强处理，可以有多种方法，如统计差值法、离散空间差分法及空域高通滤波等。在图像增强的实际应用中，往往是各种方法相结合，充分发挥自各优势组合运用，这样会产生更好的增强效果。

　　2.5频域滤波增强

　　在实际应用当中，频域滤波增强往往比空域滤波方法简单。空域滤波都是基于卷积运算

　　g(x,y)=f(x,y)*h(x,y)

　　其中，f(x,y)为原始图像函数，h(x,y)为滤波器脉冲响应函数，视低通或高通滤波的需要而定，g(x,y)为空域滤波的输出图像。由卷积定理可知，上式的Fourier变换式为：

　　G(u,v)=F(u,v)?H(u,v)

　　式中，G(u,v)、F(u,v)和H(u,v)分别为g(x,y)，f(x,y)和h(x,y)的Fourier变换，即相应的频谱。该式为频域滤波的基本运算式，H(u,v)称为滤波系统的传递函数。根据具体的增强要求设计适当的H(u,v)，再与F(u,v)作乘法运算，可获得频谱改善的G(u,v)，从而实现低通、高通和带通等不同形式的滤波，然后再求G(u,v)的逆Fourier变换，便可获得频域滤波增强的图像g(x,y)。因此，频域滤波的关键H(u,v)的设计。

　　众所周知，图像的频谱由幅值和相位两部分构成。根据图像的频谱分析可知，图像频谱的相位也是非常重要的。对相位参数的修改将会导致结果图像很大的变化，与原始图像相比，有时候甚至可能会面目全非。但是如果设计一个不带相位的实常数H(u,v)（零相位滤波器），则可在增强运算中发挥重要作用。凡是要保留的频率分量，令H(u,v)=k（k为常数且k≥1）；凡是要抑制或衰减的频率分量，令H(u,v)=ω（ω为常数且0≤ω≤1）。