图像预处理

预处理是指在处于最低抽象层次的图像上所进行的操作，这时处理的输入和输出都是亮度图像。通常使用图像函数值矩阵表示的亮度图像。预处理的目的是改善图像数据，抑制不需要的变形或者增强某些对于后续处理重要的图像特征。图像预处理方法按照在计算新像素亮度时所使用的像素邻域的大小分为四类：

1、处理像素亮度变换；分为：亮度校正（brightness corrections）（在修改像素亮度时要考虑该像素原来的亮度和其在图像中的位置）和灰度级变换（gray-scale transformations）（在修改像素亮度时无须考虑其在图像中的位置 ）

引自：http://blog.csdn.net/xiajun07061225/article/details/6910129

直方图均衡化的英文名称是Histogram Equalization. 
　　图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。
　　直方图均衡化处理的“中心思想”是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。直方图均衡化就是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。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
　　缺点： 
　　1）变换后图像的灰度级减少，某些细节消失； 
　　2）某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。 
　　直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。 
　　这种方法通常用来增加许多图像的局部对比度，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。
　　这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的对比度并且降低有用信号的对比度。
　　直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g = EQ (f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数):
　　(1)EQ(f)在0≤f≤L-1范围内是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。
　　(2)对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态范围的一致

性。 
　　累积分布函数(cumulative distribution function，CDF)即可以满足上述两个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。此时的直方图均衡化映射函数为:
　　gk = EQ(fk) = (ni/n) = pf(fi) ， 
　　(k=0，1，2，……，L-1) 
　　上述求和区间为0到k，根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系。在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。

关于编程实现，同样是不调用matlab库函数，自己编程实现。这样可以更深刻地理解直方图均衡化技术，提高编程能力。

实现代码（matlab）：

[python] view plain copy
 
 print?
  1. %直方图均衡化  
  2. I = imread('rice.png');  
  3. [height,width] = size(I);  
  4. figure  
  5. subplot(221)  
  6. imshow(I)%显示原始图像  
  7. subplot(222)  
  8. imhist(I)%显示原始图像直方图  
  9.   
  10. %进行像素灰度统计;  
  11. NumPixel = zeros(1,256);%统计各灰度数目，共256个灰度级  
  12. for i = 1:height  
  13.     for j = 1: width  
  14.         NumPixel(I(i,j) + 1) = NumPixel(I(i,j) + 1) + 1;%对应灰度值像素点数量增加一  
  15.     end  
  16. end  
  17. %计算灰度分布密度  
  18. ProbPixel = zeros(1,256);  
  19. for i = 1:256  
  20.     ProbPixel(i) = NumPixel(i) / (height * width * 1.0);  
  21. end  
  22. %计算累计直方图分布  
  23. CumuPixel = zeros(1,256);  
  24. for i = 1:256  
  25.     if i == 1  
  26.         CumuPixel(i) = ProbPixel(i);  
  27.     else  
  28.         CumuPixel(i) = CumuPixel(i - 1) + ProbPixel(i);  
  29.     end  
  30. end  
  31. %累计分布取整  
  32. CumuPixel = uint8(255 .* CumuPixel + 0.5);  
  33. %对灰度值进行映射（均衡化）  
  34. for i = 1:height  
  35.     for j = 1: width  
  36.         I(i,j) = CumuPixel(I(i,j));  
  37.     end  
  38. end  
  39.   
  40. subplot(223)  
  41. imshow(I)%显示原始图像  
  42. subplot(224)  
  43. imhist(I)%显示原始图像直方图  


运行结果：

2、描述几何变换；

1）、像素坐标变换

均方方法、双线性插值（bilinear transform）、仿射变换（affine transformation）（旋转、变尺度、歪斜）

2）、亮度插值

最近邻、线性、双三次（bi-cubic interpolation）

3、考虑使用待处理像素一个局部邻域的预处理方法；

即使用输入图像中一个像素的小邻域来产生输出图像中新的亮度数值的方法，也称作滤波（filtration/filtering）

A类分法：

1）平滑（smoothing）（目的在于抑制噪声或其他小的波动，同时也会模糊所有的含有图像重要信息的明显边缘）

注：主要考虑能够保持边缘（edge preserving）的平滑方法。

2)梯度算子（gradient operators）（梯度算子的目的在于找到图像函数中快速变化的位置）

B类分法：

线性（linear）（线性操作中输出图像像素g（i,j）的计算结果就是输入图像f（i,j）的一个局部邻域的亮度的线性组合，邻域中像素的贡献用系数h加权。）和非线性（non-linear）

4、阐述需要有关整个图像知识的图像复原技术。

posted @ 2016-06-23 19:28  emg0818  阅读(1695)  评论(0)  编辑  收藏  举报