图像的预处理.doc

第四章 图像的预处理
在图像的形成、传输或变换的过程中，由于受多种因素的影响，图像往往与原始景物之间或图像与原始图像之间产生某种差异。这种差异称为降质或退化。在对图像进行研究处理前，必须对这些降质的图像进行一些改善图像的预处理。通常改善方法有两类：一类是不考虑图像降质的原因，只将图像中感兴趣的特征有选择的突出，而衰减其次要信息：另一类是针对图像降质的原因，设法去补偿降质因素，从而使改善后的图像尽可能的逼近原始图像。第一类方法能提高图像的可读性，改善后的图像不一定逼近原始图像，如突出目标的轮廓，袁减各种噪声，将黑白图像转换成彩色图像等：这类方法通常称为图像增强技术。第二类方法能提高图像质量的逼真度，一般称为图像复原技术。
作为我们图像目标分离技术研究，我们只要对图像中的目标及背景的某些特征感兴趣，所以我们的预处理为图像增强。
4.1 直方图
在对图像进行处理之前，了解图像整体或局部的uidu 分布情况是非常必要的。对图像的灰度分布进行分析的重要手段就是建立灰度直方图，利用图像灰度直方图，可以直观地看出图像中的像素亮度分布情况，通过直方图的均衡化、归一化的处理等，可对图像的质量进行调整。另外，通过对直方图的分析，有助于确定图像域值化处理的域值。
灰度直方图是灰度级的函数，它表示图像中具有某种会的级的像素的个数，反映了图像中每种灰度出现的频率。图像的直方图具有以下三个重要的性质
(1) 直方图是一幅图像中各像素灰度值出现次数(或频数)的统计结果，它只反映该图像中不同灰度值出现的次数(或频数)，而未反映某一灰度值像家所在位置。也就是说，它只包含了该图像中菜一灰度值的像素出现的概率，而丢失了其所在位置的信息。
(2) 任一幅图像，都能惟一地确定出一幅与它对应的宜方图，但不同的图像，可能有相同的直方图。也就是说，图像与直方图之间是多对一的映射关系。
(3) 由于直方图是对具有相同灰度值得像素统计得到的，因此，一幅图像各自去的直方图之和就该等于该图像全图的直方图。
图4.1是一张8bit 的位图，在接以后章节的实验中，如果没有另外声明，图4.1皆作为图像处理原图。图4.2为原图的灰度直方图。

图4.1 实验原图
4.2 灰度变换
一般成像系统只有一定的亮度响应范围，亮度的最大值与最小值之比称为对比度。由于成像系统的限制，常出现对比度不足的弊病，使人眼观看图像时视觉效果很差。采用灰度变化法可以大大改善人的视觉效果。灰度变换分为3种：线性，分段线性及非线性。
为了突出感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区域，一般采用分段线性。

图4.2 原图的灰度直方图
4.3 去除图像噪声
由于时刻存在的各种干扰因素，在获取图像的过程中，噪声总会伴随着图像一起产生。而噪声会对图像处理产生不可预见的影响，所以，在处理前先要对噪声进行处理去除噪声主要有三种方法：
4.3.1模板操作和卷积运算
模板操作时数字图像处理中常用的一种运算方式，模板操作实现了一种邻域运算，即某个像素点的结果不仅和本像素灰度有关，而且和其邻域点的值有关。模板运算的数学含义是卷积(或互相关)运算。卷积是一种用途很广的算法，可用卷积来完成各种处理变换，下图说明了卷积的处理过程：

图4.3 卷积处理过程
卷积运算中的卷积核就是模板运算中的模板，卷积就是作加权求和的过程。邻域中的每个像素(假定邻域为3×3大小，卷积核大小与邻域相同)，分别与卷积核中的每一个元素相乘，乘积求和所得结果即为中心像素的新值。卷积核中的元素称作加权系数(亦称为卷积系数)，卷积核中的系数大小及排列顺序，决定了对图像进行区处理的类型。改变卷积核中的加权系数，会影响到总和的数值与符号，从而影响到所求像素的新值。
4.3.2 领域平均法
领域平均法是一种利用Box模板对图像进行模板操作的图像贫化方法，所谓box模板是指模板中所有系数都去相同值的模板，常用3X3和5X5模板。
领域平均法的思想是通过一点和领域内像素点求平均来去除突变的像素点，从而滤掉一定的噪声，其主要优点是算法简单，计算速度快，但会造成图像一定程度上的模糊。
4.3.3 中值滤波
中值滤波是一种非线性信号处理方法，与其对应的中值滤波器也就是一种非线性滤波器。它在一定的条件下，可以克服线性滤波器（如领域平滑滤波等）所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。在实际运算过程中并不需要图像的统计特性，这也带来不少方便。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波。
中值滤波就是用一个奇数点的移动窗口，将窗口中心的值用窗口内各点的中值代替。假设窗口内有五点，其值为80、90、200、110和120，那么此窗口内各点的中值即为110。
中值滤波的几个特性：
a. 对某些输入信号中值滤波的不变性
b. 去噪声性
c. 频谱特性
实验证明，算术平均平滑对含有高斯噪声的图像有效；而中值滤波对含有椒盐噪声图像的去噪声效果较好。
除了以上介绍的三种去噪技术，还有如空间域地同滤波，频率域低通滤波器等去噪技术，这里不一一叙述了。
4.4 图像锐化
图像锐化处理的目的是使模糊图像变得清晰。图像模糊的实质上就是受到平均成积分运算，因此对其进行逆运算，如微分运算、梯度运算，就可以使图像清晰。从频谱角度来分析，图像模糊的实质是其高额分量被衰减。因而，可以用高频加重滤波来使图像清晰。但要注意的是，能够进行锐化处理的图像必须要求有较高的信噪比，否则，图像锐化后，信噪比更低。因为锐化将使噪声受到比信号还强的增强，故必须小心处理。一般是先去除或减轻干扰噪声后，才能进行锐化处理。
图像锐化一般有微分发，拉普拉斯运算，高通滤波等算法。
4.4.1微分法

微分运算是求信号的变化率，有加强高频分量的作用，从而使图像轮廓清晰。为了把图像中间任何方向伸展的边缘和轮廓的模糊变清晰，希望对图像的某种导数运算是各向同性的。可以证明偏导数的平方和运算具有各向同性特性．梯度和拉普拉斯运算也符合上述条件。经微分法图像锐化处理后的原图如下图：

图4.4 原图经微分法锐化处理后的效果
4.4.2拉普拉斯算子
拉普拉斯算于是常用的边缘增强算子，拉普拉斯运算也是偏导数运算的线性组合运而且是一种各向同性(旋转不变性)的线性运算。拉普拉斯算子为：
(4-1)
如果图像的模糊是由扩散现象引起的，则锐化后的图像g为：
(4-2)
式中：f,g分别为锐化前后的图像，k为与扩善效应有关的系数。
4.4.3 高通滤波
图像中边缘或线条等细节部分与图像频谱的高频分量相对应，因此采用高通滤波让高频分量通过，使图像的边缘或线条等细节变得清楚，实现图像锐化。高通滤波可用空域法或领域法来实现。在空间域是用卷积方法．与低通滤波一样，只不过其中的模板不同。类似于低通滤波器，高通滤波亦可在频率域中实现。原图经理想高通滤波后效果如4.5。