MATLAB 空间域图像增强

ubeautqq

方法包括：直方图修正，灰度变换，图像平滑化，图像锐化等。
( ?4 f( k4 w; Y1 r
    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。
0 ^4 t# E) A7 X0 b) y

• % 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
  $ d/ ?1 A$ o2 t+ u* X- w8 u7 A

# b' c+ q5 b8 p8 _; x
- y" h, Z8 d4 Q7 l# i; j     图像平滑可以减少和抑制图像噪声。
' r/ ^7 ?6 X7 {' X( a( j
' r2 r! y- O8 f7 h     平均平滑
1 o- o, W6 B. F7 O1 [

• 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)
  

     高斯平滑
- D' w& A# J* L5 W3 L4 b

• 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);
  2 a3 Q. u7 E# M" ~. x& g- q  A4 w5 D, |

    中值滤波
   
# m5 g6 x  b( |. G" {% H$ K

• 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);
  , N! ?- _" Y' H* U' z% _& A

: X/ c0 D* M3 _# e


3 I( a5 d- p& {' O  s9 q, n5 h! i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。
* ?' }! z: F3 R; U+ O8 R

$ k3 }* l' L( B4 F' x! C: B# O
1 Q! M1 q2 U8 v+ w; k9 r4 G) F9 L2 p& r    图像锐化

0 F( A$ h  D4 I1 Q$ r" j/ x) A    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。
, I. [1 V+ i6 H; H6 H
基于一阶导数的增强。

• % 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), []);
  2 _6 z# |2 ^. a2 w9 o

1 n& M' {& j1 Z. \9 A7 S% h5 |( ]- K$ ?
7 q* [3 k& o, y3 k1 O基于二阶微分的增强。
% Z, |& f: G+ h$ H

• % 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), []);
  

0 b2 \0 W1 C2 b0 U

高斯-拉普拉斯变换增强。
" v7 q2 h( A5 v" K

• 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)), []);
  

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。

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