MATLAB 空间域图像增强

ubeautqq

3 ?) C  @, Y; I# @! G方法包括：直方图修正，灰度变换，图像平滑化，图像锐化等。

    卷积时模板是相对中心点做镜像后再对F位于模板下的子图像作加权和的。只有模板本身是关于中心点对称，相关和卷积结果才会相同。

• % 均值滤波  f = imread('../lena_AdaptiveMedianFilter.bmp'); %读入图像 imshow(f); %得到图5.2（a）的图像 w = [1 1 1; 1 1 1; 1 1 1] / 9 %滤波模板  g = imfilter(f, w, 'conv', 'replicate'); %滤波   滤波过程corr--相关  conv--卷积   figure, imshow(g); %得到5.2（b）的图像   replicate 重复的边界填充方式
  

8 r; X* f: M2 g9 Q: U: y2 _- @% _     图像平滑可以减少和抑制图像噪声。

     平均平滑

• I = imread('../baby_noise.bmp');  figure, imshow(I)  h = fspecial('average', 3); % 3*3平均模板 I3 = imfilter(I, h, 'corr', 'replicate'); % 相关滤波，重复填充边界 figure, imshow(I3)  h = fspecial('average', 5) % 5*5平均模板  I5 = imfilter(I, h, 'corr', 'replicate'); figure, imshow(I5)  h = fspecial('average', 7); % 7*7平均模板 I7 = imfilter(I, h, 'corr', 'replicate'); figure, imshow(I7)
  

7 p: l) a$ S. k: _+ k. w9 D     高斯平滑
, p3 b" C3 b8 e2 g! K8 U
# n3 ]  n/ I1 C- ~9 ?2 f

• I = imread('../baby_noise.bmp');  figure, imshow(I);    h3_5 = fspecial('gaussian', 3, 0.5); % sigma=0.5的3*3高斯模板  I3_5 = imfilter(I, h3_5); % 高斯平滑  figure, imshow(I3_5);     h3_8 = fspecial('gaussian', 3, 0.8); % sigma=0.8的3*3高斯模板  I3_8 = imfilter(I, h3_8);  figure, imshow(I3_8);    h3_18 = fspecial('gaussian', 3, 1.8) % sigma=1.8的3*3高斯模板，接近于平均模板   I3_18 = imfilter(I, h3_18);  figure, imshow(I3_18);
  

; O& ?% E2 q) Y) C
8 }5 x* s7 ^* d* ^1 \    中值滤波
! q( f3 j$ k+ Y) D   
7 B! U/ _5 d$ k& o: B

• I = imread('../lena_salt.bmp'); imshow(I);  J=imnoise(I,'salt & pepper');%为图像叠加椒盐噪声 figure, imshow(J);  w = [1 2 1;2 4 2;1 2 1] / 16; J1=imfilter(J, w, 'corr', 'replicate'); %高斯平滑 figure, imshow(J1);  w = [1 1 1;1 1 1;1 1 1] / 9; J2=imfilter(J, w, 'corr', 'replicate');%平均平滑 figure, imshow(J2);  J3=medfilt2(J,[3,3]);%中值滤波 figure, imshow(J3);
  & S5 _! M5 l0 W/ f1 r3 o

目测 中值滤波效果最好，其为统计排序滤波器，线性平滑滤波器在降噪时不可避免的出现模糊。低于椒盐噪声，中值滤波最好。

/ I) u- t0 O( N3 u

    图像锐化

    增强图像灰度跳变部分。锐化的对象是边缘，处理不涉及噪声。

基于一阶导数的增强。
. }! w4 [" T* E

• % 基于Robert交叉梯度的图像锐化  I = imread('../bacteria.bmp'); imshow(I);  I = double(I); % 转换为double型，这样可以保存负值，否则uint8型会把负值截掉 w1 = [-1 0; 0 1] w2 = [0 -1; 1 0] G1 =  imfilter(I, w1, 'corr', 'replicate'); % 以重复方式填充边界 G2 =  imfilter(I, w2, 'corr', 'replicate'); G = abs(G1) + abs(G2); % 计算Robert梯度  figure, imshow(G, []);  figure, imshow(abs(G1), []); figure, imshow(abs(G2), []);
  ( m+ M$ o# H8 e) t  t$ w

# X* o+ V; J. [  X  Q

基于二阶微分的增强。

• % 基于3种拉普拉斯模板的滤波   I = imread('../bacteria.bmp'); figure, imshow(I); I = double(I); w1 = [0 -1 0; -1 4 -1; 0 -1 0] L1 = imfilter(I, w1, 'corr', 'replicate'); w2 = [-1 -1 -1; -1 8 -1; -1 -1 -1] L2 = imfilter(I, w2, 'corr', 'replicate'); figure, imshow(abs(L1), []); figure, imshow(abs(L2), []); w3 = [1 4 1; 4 -20 4; 1 4 1] L3 = imfilter(I, w3, 'corr', 'replicate'); figure, imshow(abs(L3), []);
  

% o9 Z' m. |* i3 U* m0 [4 s

高斯-拉普拉斯变换增强。
% T/ L2 Q2 J5 v9 H
+ f4 T- m- A' p" {- M+ D

• LoG算子的锐化 clear all I = imread('../babyNew.bmp'); figure, imshow(I, []); %得到图5.14（a） Id = double(I); % 滤波前转化为双精度型  h_log = fspecial('log', 5, 0.5); % 大小为5，sigma=0.5的LoG算子 I_log = imfilter(Id, h_log, 'corr', 'replicate');  figure, imshow(uint8(abs(I_log)), []);  h_log = fspecial('log', 5, 2); % 大小为5，sigma=2的LoG算子 I_log = imfilter(Id, h_log, 'corr', 'replicate');  figure, imshow(uint8(abs(I_log)), []);
  " b, F8 ~9 X5 F: D' c. o. \

. Y2 Q! Z" y# o: n$ P4 @! g
, K  J3 G0 r! P3 b2 s! [! y

hdubsgyd

只有模板本身是关于中心点对称，相关和卷积结果才会相同。
+ k: H- _, m7 e0 T

SsaaM7

卷积时模板是相对中心点做镜像后再对F位于模板下的子图像作加权和的

smileqq

图像平滑可以减少和抑制图像噪声