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。
+ S% S  e' ~2 t! N( I0 C
    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。
  r6 [9 g) c% k

• % 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
  

0 `$ t2 q. j5 m" g
( n( T8 O% n0 |% t7 [+ l     图像平滑可以减少和抑制图像噪声。

     平均平滑

8 {; J7 g" q3 d8 A1 W, e

• 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)
  

* W8 U" `/ |& m3 j0 N8 w
3 e% ^; `% ~- c4 A! q  Y  F- j: D     高斯平滑
/ A9 P+ {  @; `# c- ?% X& d" n
( \; R& n. i2 T7 U( d

• 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);
  4 |& [4 L# g( Z" v$ q$ E

; W3 o+ d8 L" }    中值滤波
$ c: I0 S  _/ ^# u   
5 f/ w' S9 M% d- ?3 \- l

• 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);
    u2 W) R2 h; `& e$ u0 D

, R/ k5 [- u0 ^+ {+ Z/ C! O& D
& p3 u/ v5 L1 `0 ?! L

& I! ]$ y4 g! z/ R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。
* _1 N& G: C# P+ W3 b: u
1 [% U5 ]; a5 S4 b, I6 d  [

    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。
' q2 C* O$ r' D3 c+ [
基于一阶导数的增强。
& W9 T- p9 B6 x6 }5 c

• % 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), []);
  

基于二阶微分的增强。
* u) Q" E6 M- s

• % 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), []);
  

& Y! x& \2 M' m+ E' D6 R

6 u+ p- s$ r2 z% Q' z" T高斯-拉普拉斯变换增强。

9 f8 x' o( e" O6 d3 _5 Q) @

• 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)), []);
  

4 H" k2 r0 P6 n- @

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。
1 N3 Q) f' s; k; I/ [) P# W

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