直方图均衡化的基本原理范文

导语：如何才能写好一篇直方图均衡化的基本原理，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词：图像增强 灰度级 直方图均衡化 Matlab

中图分类号：TP751 文献标识码：A 文章编号：1007-9416(2012)01-0174-02

枷裨銮考际跏鞘滞枷翊硌芯康幕径韵笾弧T銮康闹饕康氖鞘雇枷癜刺囟ǖ男枰怀鐾枷裰械哪承┬畔保魅趸虺鋈ツ承┎恍枰男畔1]。图像空间域增强技术是数字图像增强的一个重要应用，是以对图像像素的直接处理为基础，通过线性或非线性变换来增强构成图像像素的一种技术。本文所讨论的直方图均衡化增强方法便属于这种方法。

1、直方图处理

灰度级直方图是灰度级的函数，是描述一幅图像中灰度级与出现这种灰度的概率之间的关系的图形，是图像最基本得统计特性。直方图是多种空间域处理技术的基础，直方图操作能有效地用于图像增强。

为了便于数字图像处理，图像的直方图须引入离散形式。灰度级为[0,L-1]范围的数字图像的直方图的离散函数为：

h(rk)=nk (1)

其中rk是第k级灰度，nk是图像中灰度级rk的像素个数。在图像中，像素的灰度级要作归一化处理一遍计算机进行处理，用图像中像素的总数n来除它的每个值，得到归一化直方图:

环枷竦幕叶燃被归一化到区间[0,1]，且r=0代表黑色，r=1代表白色。对于一幅给定的图像，每一个像素取得[0,1]区间内的灰度级是随机的，那么图像灰度级r可被看作为区间[0,1]的随机变量[2]，就可以用概率密度函数pr(r)来表示原始图像的灰度分布。令s为增强后的图像灰度级像素值，相应可以用概率密度函数ps(s)来表示增强后的图像灰度分布。

可以对[0,1]区间内原始图像的任意一个灰度级r值进行如下变换，得到输出灰度级s：

s=T(r) (3)

通过上述变换，每个原始图像的灰度值r都对应产生一个增强后图像的灰度级s值。

变换函数T(r)满足两个条件：(1)T(r)在区间0≤r≤1中为单值且单调递增；(2)当0≤r≤1时，0≤T(r)≤1。条件(1)中单值是为了保证反变换的存在，单调条件保持图像从黑到白的顺序；条件(2)保证输出灰度级与输入灰度级有同样的范围。从s到r的反变换函数可以表示为：

r=T-1(s) 0≤s≤1 (4)

由基本概率理论可知：如果pr(r)和T(r)已知，且T-1(s)满足条件(1),则有：

因此，直方图技术的基础就是通过变换函数T(r)控制输入图像灰度级的概率密度函数，改变输出图像的灰度层次，从而达到增强图像的目的。

2、直方图均衡化

直方图均衡化处理是以累积分布函数变换法为基础的。对于连续图像，变换函数为：

由此可见，用r的累积分布函数作为变换函数可产生一幅灰度级分布具有均匀概率密度函数的图像，该图像的灰度级较为均匀化[3]，且覆盖了整个范围[0,1]。灰度级均衡化的最终处理结果是扩展了图像像素取值的动态范围，具有较高的对比度。

3、Matlab实现

利用Matlab实现直方图均衡化技术对图像进行处理函数格式如下：

(1)h=imhist(f,b)

(2)g=histeq(f,n)

说明：对于格式(1)，显示图像f的直方图，b为用于形成直方图的灰度级的个数，默认值为256；格式(2)对图像f进行均衡化处理，n为输出图像指定的灰度级数，默认值为64。

举例说明直方图均衡化处理：

f=imread('pout.tif'); %读入图像

figure,imshow(f); %显示图像

title('原始图像')

figure,imhist(f) %原始图像直方图

title('原始图像直方图')

g=histeq(f,256); %均衡化处理

figure,imshow(g);

title('均衡化处理结果')

figure,imhist(g); %均衡化后的直方图

title('均衡化后的直方图')

程序实现的图像为图(a)和(b),从中可以看出，原图像(a)的灰度级动态范围窄而集中于灰度级的中部，导致了图像的对比度低而使整幅图像模糊不清。经过直方图均衡化处理后，直方图的成分覆盖了灰度级很宽的范围，而且像素的分布没有太不均匀，处理后的图像(b)变的清晰了，图像中的许多细节被突出了。

4、结语

直方图是多种图像空间域处理技术的基础，能有效地用于图像增强，直方图均衡化是图像增强的基本技术。本文分析了直方图均衡化处理方法的基本理论，并用Matlab进行了实验。结果表明，直方图均衡化方法并不能生成平坦的直方图，但它具有能增强图像灰度级的动态范围的特性。

参考文献

[1](美)冈萨雷斯等著，阮秋琦等译.数字图像处理[M].2版.北京：电子工业出版社，2007:70―81.

[2]阮秋琦.数字图像处理学[M].北京：电子工业出版社,2001:181―195.

[3](美)冈萨雷斯等著,阮秋琦等译.数字图像处理(Matlab版)[M].北京:电子工业出版社，2005:54―61

[4]李耀辉,刘保军.基于直方图的图像增强[J].华北科技学院学报,2003,5(2):65-66.

篇2

图2-6

原图像

图2-7

第4波段直方图

SHAPE \* MERGEFORMAT

图2-8

结合两种方法检测阴影流程图

图2-9

阴影检测的结果

图2-9 中： ，式中，rh 为DSM 数据分辨率；rl 为影像数据分辨率；k为像元宽度。

2.4 实际影响检测效果

我们用2.1和2.2节中所提到的两种方法分别对2-10图内的阴影检测。

图2-10 待检测的原图

检测结果如下图（图中黑色为检测出的阴影区域，白色为检测的非阴影区域）：

(a) 基于亮度的双峰法

(b) 归一化互相关函数法

图2-11

三种方法对阴影的检测结果

可以看出前两种方法对阴影的检测结果差别，主要原因由于而归一化互相关函数在检测阴影时，利用了亮度近似线性变化这一特点，因此当亮度有突然的明显变化，都会被判为阴影。而双峰法，当我们选取了比较合适的阈值，就能把阴影和光照区进行分割，对于绝大多数图片，这种方法提取出的部分，几乎都是阴影区域，只带有少量的颜色较深的斑点。如图(a)所示，图中非常小且分布不规则的斑点有些是树荫，有些则是颜色较深的车辆的车顶，植被，屋顶等。(a)和(b)图其原理其实都是基于亮度变化进行的检测，所以对亮度变化对这两种方法的影响起决定性的作用。对于亮度较低的实物却容易被判为阴影而被错误的检测出来。如图2-12，图中的树木由于自身色度等原因，即使在阳光下，亮度仍然很低。同样的情况还可能是颜色很深的房顶，这些比较深的颜色，在高分辨率遥感影像中，非常容易与影像自身的阴影相互混淆，因此在用双峰法检测时，造成很多不便。阴影的本质属性就是亮度很低，因此当出现了颜色很深造成的影像中亮度值低的部分，容易造成误检。归一化函数法要求稍多，计算两相对较大，相比之下，双峰法简单实用。但是目前还没有比较成熟的方法，能够精确的检测出阴影的全部区域而不发生误检。

图2-12

带有大量树阴的遥感影像及其阴影检测结果

第三章

阴影的补偿

3.1 灰度线性映射的阴影补偿

3.1.1　灰度级线性变换图像增强原理

图像增强处理在数字图像处理中占有很大的比例，一些灰度图像在退化后进行恢复主要采取增强手段。图像增强的方法分为空间域方法和频率域方法两大类，空间域增强是以对图像的像素直接处理为基础的增强。空间域处理可用下式表示：

g(x， y) =T [f (x， y)]

（3-1）

其中f(x， y)是输入图像，g(x， y)是处理后的图像，T是对f一种操作，(x，y)是图像像素点的位置。z操作最简单的形式是邻域为1×1的尺度(即单个像素)。在这种情况下， g仅依赖于f在 (x， y)点的值，T操作成为灰度级变换函数，形式为

s = T (r)

（3-2）

其中s和r分别为g (x， y)和f(x， y)在任意点(x， y)的灰度级。

灰度级线性变换增强是空间域图像在增强的一种，也就是通过分段线性变换函数来调整图像灰度级的动态范围。通过点(r1， s2 )和点(r2，s2)的位置控制变换函数的形状，(r1， s2 )和(r2，s2)的中间值将产生输出图像中灰度级不同程度的展开，因而影响其对比度，以达到增强图像之目的。

图3-1

灰度变换

分段线性变换公式如下：

（3-3）

其中

（3-4）

（3-5）

（3-6）

由于阴影对遥感影像造成的影响主要是使该区域的亮度值大幅降低，该方法直接针对这一问题，对遥感影像中的灰度进行线性调整。从而使得阴影得到一定程度的补偿。

3.1.2 图像阴影补偿处理

按照上述原理，现对一幅高分辨率遥感图像的灰度图像分析并在MATLAB软件上进行处理，其处理过程如下。首先打开一幅遥感图的灰度图像（如图3-2），由图3-3可以看出，该图像的阴影区域和图像非阴影区域的灰度值比较接近，通过查看其灰度直方图分布可以证实以上看法， 图3-2所示为该图像的灰度值直方图分布。

图3-2

原图像

图3-3

左图的直方图

从图像的灰度值直方图分布可以看出，该图像的灰度值分布呈双峰分布：其图像部分的灰度值集中在左峰附近，左峰的灰度值分布大约为15±10；图像的背景部分集中在右峰附近，右峰的灰度值分布大约为85±40。从二者的分布看，两峰值基本上呈正态分布，中间有一定的灰度值交叉，且右峰范围较大，使得图像的整体亮度偏亮。

1．根据灰度分布的特点进行灰度调整变换。

按照上述分析结果，要想使图像部分和背景部分较好地分离，达到增强图像的目的，可局部调整图像的灰度值。采用对图像的灰度级进行变换，使图像对比度得到调整，从而达到图像增强的目的。这里笔者采用三段线性变换方法，调节中间交叉部分的灰度值，使灰度值直方图上的双峰分开，进而调节其灰度值，最理想的结果是将政府图像的灰度值分布变成背景灰度和图像灰度两部分。具体的三段灰度根据灰度值分布分为：输人图像的灰度级三段是0～20、20～100、100～255，对应输出图像的灰度级三段为0～100、100～180、180～255，经过灰度级线性变换处理后，图像的整体亮度增强了。

2．进行对比度增强处理。

经过上述灰度级线性变换图像增强处理后，图像的灰度值分布偏向于灰度值直方图的右侧，阴影部分减弱了，图像部分也变暗了。再调节整幅图像的对比度，可将背景和图像对比度增强。将现有灰度值范围均匀分布，使其对比度增强，得到对比度增强后的处理图像。

3．用高帽、低帽方法进一步处理

经过亮度和对比度调整后，可以看出，阴影和图像进行了较为成功的分离，但在图像的下方还存在一定的灰度交叉现象，应再进行相应处理。采用高帽低帽处理可达到较为理想的效果。高帽低帽处理方法实际上是对灰度图像进行一定的加减法计算，去掉其中的某些部分，达到增强图像的目的。

4．再次调整图像的灰度，完成图像处理过程

经过高帽、低帽处理的图像其灰度值偏向灰度直方图的左侧，即图像增强了，同时背景也增强了，且灰度值分布较为集中。再经过灰度调整，使其均匀分布，得到最后的处理效果。

图3-4

映射处理后的图像

灰度级线性变换图像增强技术在处理灰度值分布呈双峰形态的退化图像增强时较为理想，且操作简便、实用性很强的处理方法。

3.2 基于直方图均衡的补偿方法

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。

基于直方图的均衡处理正是基于直方图的这一基本原理，具体方法如下。

定理：一维随机变量a~F(x)，则F(a)~U[0，1]，a从负无穷到正无穷，U[0，1]是标准均匀分布。

证明：（相反的思路）设b~U[0，1]，由定义，

（3-7）

设某值域为[0，1]的单调增函数F(x)的反函数是F-1(x)，则考察F-1(b)的分布情况，由定义P{F-1(b)

这个定理说明了均匀分布的随机变量的地位，对于任意分布的随机变量，只要给出分布函数的反函数，就可能直接构造出来（不过大部分是很难有简单形式的）。

一张图片，可以看成是对现实景物的一次抽样，就是一个样本，样本有二重性，可以看成是随机变量，就某个特征，比如灰度，它有一定的分布，而直方图就是它的密度函数，均衡化就是先求出F(x)，把密度函数逐段求和就行了，再用F(x)作用每一个像素，将原图像的a，变换成F(a)，使直方图变得相对均衡。

(a) 处理前的原图

(b) 左图的直方图

(c) 补偿处理后的图像

图3-5

基于直方图均衡的补偿方法结果

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，重新分配图像像元值，是一定灰度范围内的像元数量大致相同。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。

又由于是离散的变换，所以结果不会绝对均衡，有时甚至会严重失真。

3.3 其它方法

3.3.1 一种IKONOS影像处理方法

在数字图像处理中，一幅图像至少要用64个灰度级别来表示，一般采用256个灰度级别。IKONOS影像具有11比特的亮度信息，即2 048个灰度级别，其阴影区域的亮度信息具有较多灰度级别，IKONOS影像的这个特点为再现阴影区域地物特征提供了可能性。在阴影检测和分离之后，设R(x， y)为IKONOS影像阴影区域的影像，S(x， y)为一定灰度级别的影像。以下就是将阴影区域影像变换为一定灰度级别（本实验采用256个灰度级别）影像的算法和结果。可以看到，阴影区地物特征信息被清晰显现出来。设图像R(x， y)任一离散点的灰度值为rk，图像S(x， y)对应点的灰度值为Sk：

(3-8)

式中：Sk ∈[0，Ds]；Ds为影像S(x， y)的最大灰度值；rk ∈[rmin， rmax] 其中rmin， rmax分别为图像R(x， y)最小、最大灰度值。

同理对非阴影区域进行处理，也将非阴影区域影像变换为同样灰度级别影像。通过灰度线性映射变换的阴影区域影像和非阴影区域影像具有相同的灰度级别，不同的灰度分布。为使整幅影像合成后有较好的视觉效果，将阴影区域影像与非阴影区域影像进行直方图匹配，消除视觉差别。影像的一个像元相当于实际地面面积约为1m2，处于阴影区域边界的像元和处于非阴影区域边界的像元，由于既有阴影部分，又有非阴影部分，以及环境反射光的差异，形成阴影边界的亮边缘和非阴影边界的暗边缘。为消除这种边缘效应，分别追踪阴影区域和非阴影区域的边界线，对这两条边界线上像元进行平滑化处理：

式中：f(x， y)为原影像灰度值；g(x， y)为处理后影像灰度值；S为两条边界线邻域中点的集合；M为集合内点像元的总数；T为规定的非负阈值。用以上方法对边界线进行处理，结果显示：设定适当的T值，能有效地消除边缘效应，而且没有增加影像的模糊信息。

3.3.2 基于PCNN处理的新方法

PCNN(Pulse Coupled Neural Network)[5]有生物学的背景，它展示了猫、猴的大脑视觉皮层的同步脉冲发放现象，就目前的研究发现，PCNN可应用于图像分割、图像识别、通讯、决策优化等方面。目标识别时，我们可以用训练图像经PCNN图像阴影取出算法处理后得到的结果作为模板，将待识别图像经PCNN图像阴影去处算法处理后与模板相比，从而得到目标识别的结果。这样，就消除了阴影对目标识别的不利影响，从而达到正确识别目标的目的。

图像中阴影是由于图像中一块像素点的亮度值减小造成的。PCNN图像阴影去除算法的基本思路是先用PCNN 对原始图像进行分割处理，然后用原始图像除以分割后的图像。这样相除得到的结果中，既保存了原始图像的信息，又消除了图像中阴影的影响。

下面具体给出PCNN图像阴影去除算法。首先介绍算法中用到的符号。F，原始图像矩阵，矩阵中各个元素为原始图像中各个元素的亮度值；L，联接矩阵，矩阵中各个元素为图像中各个像素点的Lj信号；U，调制矩阵，矩阵中各个元素为图像中各个像素点的调制信号Uj；Y神经元输出矩阵，矩阵中各个元素为图像中各个像素点对应神经元的输出，0或1；θ，阈值矩阵中各个元素为图像中各个像素点对应神经元的阈值；Fac(1)，Fac(2)，...，Fac(N)，图像因子矩阵，它们为算法中每次碟带运算得到的结果，其中，Fac(2)，...，Fac(N)，为去除阴影后得到的结果，Inter，Temp，Yout为算法中用到的中间矩阵。Δ为阈值调整常量，Δ，阈值调整矩阵，各个元素为阈值调整常量Δ，矩阵F，L，U，θ，Fac(1)，Fac(2)，…， Fac(N) ，Inter，Temp，Yout，Δ的维数均为h×ω， 其中h为图像的高度，ω为图像的宽度，β为联接强度，该算法中，每个神经元的β均相同。α为联接强度的衰减因子，‘ ’表示相同维数的矩阵中对应元素进行相乘。‘’表示卷积，K 是3×3运算核矩阵，计算L时用到，

PCNN图像阴影去除算法描述如下：

(1) 原始图像F规整到min到1 之间，min=0.04>Δ。L=U=0，θ=1；同时，令所有神经元均处于熄火状态，Y=0。给出循环次数N；令n=1，优选参数，β=0.8，α=0.2，Δ=0.02。

(2) L=Step(Y*K)；U=F (1+βL)；Y=Step(U-θ)。

(3)令θ=1。

(4) L=Step(Y*K)。

(5) Inter=Y，U=F (1+βL)，Y=Step（U-θ）。

(6) If Y=Inter，go to (7)；else L=Step(Y*K)，go back to (5)。

(7) If Y(i， j)=1，Yout(i，j)= θ(i， j)，Temp(i，j)=F(i， j)/Yout(i，j)， (i=1，...，h；j=1，...， ω)；Y(i， j)，Yout(i， j)，θ(i， j)，Temp(i， j)，F(i， j)分别为矩阵Y，Yout，θ，Temp，F中对应的元素。

(8) 调整阈值，θ=θ-Δ+100*Y。一方面，随着时间的增加减小阈值；另一方面，若神经元已经点火，则升高阈值，是该神经元不再点火。

(9) 如果所有神经元均已点火，即矩阵θ中的每一个元素均大于1，执行(10)；否则回到(4)。

(10) F=Temp；β=α*β；

图像因子 Fac(n)=Yout；n=n+1。

(11) N=N-1。If N 0，go back to (2)；else end。

原始图像经过PCNN去阴影处理后，本分解成了多个图像因子Fac(1)， Fac(2)，...， Fac(N) ，算法中每一次循环就给出一个图像因子，由算法可知，当n≥2时，图像中的阴影就给有效的去除了。

计算机仿真结果表明，当n≥2时，没有阴影的图像的图像因子Fac(n)与该图像加阴影后的图像因子Fac(n)几乎一样，因此，目标识别时，可以用训练图像的Fac(n)(n≥2)作为模板，将待识别图像的Fac(n)(n≥2)与之相比，从而得到目标识别的结果。这样，即使有阴影出现，也可消除其对目标识别的不利影响。从而达到正确识别目标的目的。随着n的增加，Fac(n)越来越浅，最后变为全白，这可从算法中看出，实验也证明了这一点，实际应用中，可用Fac(2)作为模板。

因此，基于猫眼为生物学背景的PCNN的阴影去除算法，是从仿生的角度，对阴影实施处理的新拓展。

3.4 实际影像阴影补偿效果

以下是我们分别采用灰度级线性变换和基于直方图均衡处理后的图像：

图3-12 待补偿的遥感影像

(a) 直方图均衡法的补偿结果

(b) 灰度线性变换的补偿结果

图3-13

实际影像阴影补偿效果

从上图可以看出，二者都能够把原本阴影所造成的影响很大程度上的补偿掉，让我们可以看到阴影区域内部的景物。但是基于直方图均衡的补偿方法由于是离散的变换，所以结果不会绝对均衡，有时甚至会严重失真。从图(a)中我们也可以看出有模糊失真的效果。而相比之下灰度级线性变换图像增强技术在处理灰度值分布呈双峰形态的退化图像增强时较为理想，是一种比较实用的方法。

参考文献

[1] Ralph Highnam， Michael Brady. Model-Based Image Enhancement of Far Infrared Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1997，19(4):410-415.

[2] Voicu L I， Myler H R and Weeks A R. Practical considerations on color image enhancement using homomorhpic filering [J]. Journal of Electronic Imaging， 1997，1 (3):108-113.

[3] Zamudio J A， Atkison W.W. 1990“Analysis of AVIRIS Data for Spectral discrimination of Geologic Materials in the Dally Varden Mountains” [J]. Proceed-dings of the Second AVIRIS Conference JPL Pub 1993:54-162.

[4] 许妙忠，余志惠. 高分辨率卫星影像中阴影的自动提取与处理 [J]. 绘信息与工程，2003，28(1):20-22.

[5] 唐亮，谢维信，黄建军. 城市彩色航空影像中的阴影检测. 中国体视学与影像分析 [J]，2003，8 (3): 12-134.

[6] 高龙华. 高分辨率影像阴影校正模型研究. 计算机工程与应用 [J]，2005，11:39-43.

[7] 杨益军，赵荣椿，汪文秉. 航空影像中阴影区域的检测.信号处理 [J]，2002，18(3):228-232.

[8] 王树根，王军利，郭丽艳. 基于K-L变换的彩色航空影像阴影检测 [J]. 测绘信息与工程，2004， 29(2):21-23.

[9] 虢建宏，田庆永. 一种IKONOS影像阴影检测与去除的方法 [J]. 应用技术，2004， 4:32-35.

[10]S Vassilopoulou. Orthophoto generation using IKONOS imagery and high-resolution DEM: a case study on volcanic hazard monitoring of Nisyros Island (Greece) [J]. ISPRS Journal of photogrammetry & Remote Sensing， 2002， (57):24-38.

[11] 梅安新，等.遥感导论 [M]. 北京:高等教育出版社，2001， 29-30.

[12] 阮秋琦.数字图像处理学 [M]. 北京:电子工业出版社，2001.

[13] 黄浩，张友静，马雪梅. 基于影像融合的IKONOS影像阴影信息自动提取方法 [J]. 遥感信息. 应用技术，2004，04:29-32.

[14] 王军利，王树根. 一种基于RGB彩色空间的影像阴影检测方法 [J]. 信息技术，2002，26(12):7- 8.

[15] Horn B K P， Shape form shading: A method of obtaining the shape of a smooth opaque object from one view [D] Ph D. dissertation， Massachusetts Inst of Technology， 1970.

[16] Horn B K P， Brooks M J. The variational approach to shape from shading [J]， CVGIP， 1986， 33:174-208.

[17] Zhang R， Tsai P S. Criers J E et al Shape from shading: A survey [J]. In the proceedings of IEEE Trans Pattern Analysis and Machine Intelligence， 1993， 21(8):690-750.

[18] Pentalnd A P. Local Shading Analysis [J]. IEEE Trans Pattern　Analysis and Machine Intelligence， 1984， 6(2):170-187.

[19] Szeliski R， Terzopouls D. Form splices to fractal [J]. Computer Grapghics， 1989， 23(3):51-60.

[20] Lee K M， Kuo C C J. Shape from shading with a linear triangular element surface model [J]. IEEE Trans Pattern Analysis and Machine Intelligence， 1993， 15(8):815-822.

[21] B. Klinkenberg. 阴影区和太阳照射区的分形分析（杨泽元 译） [M]. 世界地质，1995，4 (3):82-87.

[22] Guoqing Zhou，Weirong Chen，et al. A comprehensive study on urban true orthorectification [J]. IEEE Transactions on Geosciences and Remote Sensing， 2005， 43(09).

[23] Guoqing Zhou， C.Song， et al. Urban 3D GIS from LIDAR and digital image [J]. ISPRS， 2005.

[24] Guoqing Zhou， W.Schickler. True orthoimage generation in extremely tall building urban area [J]. Remote Sensing， 2004， 25(00):1-18.

[25] 李艳，宫鹏. 基于DSM阴影仿真和高度场光线跟踪的影像阴影检测 [J]. 遥感学报，2005，9(4):357-362.

[26] Shettigara V K，　Sumtrling GM. Height determination of extended objects using shadows in SPOT images [J]. PE&RS.1998， 64(1):35-44.

[27] 梅雪良，张祖勋，张剑清. 基于约束满足网络的建筑物阴影结构提取 [J]. 武汉测绘科技大学学报，1996，21(3):265-268.

[28] Ralph Highnam， Michael Brady. Model-Based image enhancement of far infrared images [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， Volume 19 Issue 4， April 1997:410-415.

篇3

关键词:识别;图象处理;去噪;增强;复原;分割

A Survey of the Basic Principles in Digital Image Processing Technology

PAN Zhen-gan1,2, GONG Sheng-rong1

(1.School of Computer Scinence & Technology, Soochow University, Suzhou 215006, China; 2.Certer of Network, Suzhou University of Scinence & Technology, Suzhou 215009, China)

Abstract: If the corresponding contents of blurry source materials are difficult for naked eye to identify, it is feasible to preserve the materials and carry out history research by inputting the digital images of source materials into a computer, disposing the images with the technology of noise removal, enhancement, restoration, segmentation and reverting them to the effect of visibility.

Key words: identify; image processing; noise removal; enhancement; restoration; segmentation

一些历史档案和资料具有很高的研究价值,对于研究该地区当时的经济和文化背景有很大的作用,但是因为年代久远,其纸质或布质的材质因为时间原因,使得写在上面的图案和文字资料都模糊不清,有些肉眼已经很难分辨出具体内容,对于历史和研究都是很大的损失,用数码相机将这些纸质或布质材质的资料拍摄下来输入计算机,将原始的资料变为数字图象,再用数字图象处理的方法将其处理还原,以达到人眼可以看清内容,进行研究的效果。

用计算机进行图像处理的前提是图像必须以数字格式存储到计算机中,以数字格式存放的图像称为数字图像(digital image)。数字图像处理(digital image processing),就是利用计算机对数字图像进行去除噪声、增强、复原、分割、特征提取等理论、方法和技术,将原始资料清晰化,改善图象的质量,使人的肉眼可以看清这些图象,从而得以保存和研究的目的。由于图像处理是利用计算机硬件和软件实现的,因此也被称为计算机图像处理(computer image processing)。

数字图象处理一般有两种基本的方法:一种方法是在图象的空间域中处理,即在图象空间中对图象本身直接进行各种处理优化,达到改善图象质量的目的;另一种方法是把空间图象进行某些转化,从空间域转到频率域中,再在频率域中进行各种处理,然后再变回到图象的空间域,形成处理后的图象,从而达到改善图象质量的目的。

1 去除噪声

原始实体资料变为数字图象在计算机中进行处理的时候,可能会产生各种各样的噪声,这些噪声可能是在进行数字转换过程中,因为输入设备的原因产生,也可能在对数字图象的处理中产生,噪声不一定是真实的声音,可以理解为影响人的视觉器官或系统传感器对所接收图象源信息进行理解或分析的各种因素。不同原因产生的噪声,其分布特性也不完全相同,根据噪声和信号的关系可将其分为两种形式:1)加性噪声,此类噪声与输入图象信号无关,含噪图象表示为f(x,y)=g(x,y)+n(x,y);2)乘性噪声,此类噪声与图象信号有关,含噪图象表示为f(x,y)=g(x,y)+n(x,y)g(x,y)。噪声对图象处理十分重要,如果图象伴有较大噪声,它会直接影响到图象处理的输入、采集、处理的各个环节以及输出的全过程甚至输出结果,因此,在进行数字图象处理的时候,首先需要对目标图象进行去除噪声的工作。

1.1 均值滤波器

采用邻域平均法的均值滤波器适用于去除通过扫描得到的图象中的颗粒噪声。邻域平均法是空间域平滑技术。对于给定的图象f(x,y)中的每个像点(x,y),取其邻域Sxy,设Sxy含有M个像素,取其平均值作为处理后所得图像像点(x,y)处的灰度。

1.2 自适应维纳滤波器

它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)- f^(x,y))2]最小。

1.3 中值滤波器

基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换。其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,对于滤除图像的椒盐噪声非常有效。

1.4 小波去噪

小波变化具有高斯分布的特性,根据信号小波分界的特点,对信号的小波系数设置一个阈值,大于这个阈值的小波系数由信号变换得来,同时含有信号和噪声的变换结果,而小于这个阈值的小波系数则完全由噪声变换而来,应该去掉这些系数。这样就可以达到降低噪声的目的。同时由于这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。利用小波分析的理论可以构造一种既能够降低图象噪声,又能保持图象细节信息的方法。

2 图象增强

很多历史资料由于材质和时间的原因,整幅图片色泽偏暗,亮度范围不足或非线性等因素造成对比度不足,影响观看效果,结合人眼对灰度的感觉,如果相邻两个物体目标灰度相差比较小,超过人眼对灰度差的感知能力,人眼就无法区分这不同的两个物体,从而导致无法看清楚图片,这就需要对图片做出一些处理,使图片的灰度差和整体色泽有所改善,以达到人眼观看的效果。图象处理的原始目的就是改善图象,使看不清的目标能够看得清楚,因此,对数字图象识别分析的全过程,都要求图象得到改善以适应人的肉眼,为了达到这个目的,除了首先需要去除噪声之外,还需要分辨灰度细节,解决灰度的扩展和图象鲜明化问题。

图象改善最常用的方法是图象增强,图象增强要改善图象的视觉效果,把图象处理成为适用于计算机分析或控制的某种形式,图像增强按特定的需要突出一幅图像的某些信息,同时,削弱或除去某些不需要的信息的处理方法,以达到改善图象的目的。图象增强并不能完全满足原始图象的一些视觉特性,为了达到图象增强的效果,图象往往会发生变化,产生畸变,但是对人的肉眼的感觉而言,畸变后的图象反而比原始图象更加清晰,观感也更舒服,因此,图象增强不顾及原始图象是否发生了畸变,只以符合肉眼观感和找出特征为条件,图象增强内容包括:去除图象噪声,抽取图象中某些目标轮廓,图象的勾边处理,提取图象中的特征等技术,通过直方图均衡化技术来实现图像增强,首先就是对原图像通过离散函数进行直方图处理。得到原图像的直方图后,根据均衡化的变换函数通过计算得到所需要的增强效果的图像的直方图,分析图像增强的点处理、空间域滤波、频域滤波、代数运算。用直方图均衡化的算法增强灰度图像,达到了图象增强的目的。

3 图象复原

有些图象因为质量变坏,导致图象模糊不清,或图象有干扰等现象,这种情况叫做图象退化,根据图象退化的原因建立一个退化模型,以该模型为基础依据,运动各种反退化处理方法,使复原后的图象符合某些要求和条件,图象的质量得到改善,这样的方法叫做图象复原。图象复原和图象增强的目的相似,都是为了改善图象的视觉效果,令其符合人肉眼的视觉要求,但二者并不等同,图象增强不用考虑图象畸变或退化的原因,更多的依据主观判断利用各种技术进行处理,达到增强图象的视觉效果,满足人视觉系统的要求,不用考虑增强后的图象是否失真,只要满足肉眼观感就可以,而图象复原是根据图象产生畸变或退化的原因,建立相应的数学模型,从畸变或退化的图像信号中提取所需的相关信息,并找出一种相应的逆过程处理方法,从而恢复图象的本来面貌。图像复员的过程实际是设计一个滤波器,从已经退化的图像中计算得到真实图像的估计值,并国际预先规定的误差准则,使其最大程度的接近物体的原始真实图像

图象复原是根据退化原因,建立相应的数学模型,从被污染或畸变的图象信号中提取所需要的信息,沿着使图象降质的逆过程恢复图象本来面貌。实际的复原过程是设计一个滤波器,使其能从降质图象g(x,y)中计算得到真实图象的估值f(x,y),使其根据预先规定的误差准则,最大程度地接近真实图象f(x,y)。

象平面所得图像为H[f(x,y)],加性噪声n(x,y),实际所得的退化图象g(x,y)模型函数是g(x,y)=H[f(x,y)]+n(x,y),其中H[・]是综合所有退化因素的函数。

4 图象分割

图像作为一个整体,有丰富的内容和色彩,我们所需要的目标和背景与整幅图像融为一体,不利于进行图像处理,因此,先将图象划分成若干个与物体目标相对应的区域,根据目标和背景的先验知识,对图象中的目标与背景进行标识、定位,将目标从背景或其他伪目标中分离出来,这种方法称为图象分割。

图象分割而成的区域所包含的信息包括了分区分割和对各分区的描述,利用这些区域中所包含的部分特征,例如灰度差别、局部纹理差别、彩色差别、局部统计特征或局部区域的频谱特征的差别等,可以用来区分整幅图象中不同的目标物体,这些区域称为感兴趣区。因为我们是利用现有图象信息中的部分特征去进行区域分割,所以这样的分割方法并不具有通用性。

理论上来说,图象分割有两个原理,一是在图象中,找出有代表性的物体的边缘,利用边缘信息把整幅图象分割为各个感兴趣区;二是从图象中找出具有相似特征的物体区,将这些物体区的外轮廓作为边缘,根据特征相似度的准则进行划分。

三种分割方法:

基于阈值的分割,这是一种最常用的区域分割技术,阈值是用于区分不同目标的灰度值。在图象只有目标和背景的情况下,只需选取单阈值分割,将图象中每个象素的灰度值和阈值比较,灰度值大于阈值的象素和灰度值小于阈值的象素分别归类。如果图象中有多个目标,就需要选取多个阈值将各个目标分开,这种方法称为多阈值分割。阈值分割的结果依赖于阈值的选取,确定阈值是阈值分割的关键。

基于区域的分割,有两种基本形式:区域生长和分裂合并。前者是从单象素出发,逐渐合并以形成所需的分割结果。后者是从整个图象出发,逐渐分裂或合并以形成所需要的分割结果。与阈值方法不同,这类方法不但考虑了象素的相似性,还考虑了空间上的邻接性,因此可以有效地消除孤立噪声的干扰,具有很强的鲁棒性。而且,无论是分裂还是合并,都能将分割深入达到象素级,因此可以保证较高的分割精度

基于边缘的分割,是利用不同区域间象素灰度不连续的特点检测出区域间的边缘,从而实现图象分割。边界的象素灰度值变化往往比较剧烈。首先检测图象中的边缘点,在按一定策略连接成轮廓,从而构成分割区域。

5 结束语

很多文献和资料因为年代久远导致字迹模糊,内容无法识别而失去其历史和研究价值,用数字图象处理的方法将其处理还原,以达到人眼可以看清内容,进行研究的效果。因此可以看出,数字图像处理技术更加普适、可靠和准确。比起其它简单的模拟操作的方法,也更容易实现。

参考文献:

[1] 容观澳.计算机图像处理[M].北京:清华大学出版社,2000.

[2] 边肇祺.模式识别[M].2版.北京:清华大学出版社,2000.

篇4

关键词： 数字图像处理； Matlab； GUI； 实验平台

中图分类号： TN919?34 文献标识码： A 文章编号： 1004?373X（2014）18?0006?03

Design digital image processing experimental platform based on Matlab GUI

ZHANG Xin， WU Yu， PING Zi?liang， DING Qi?lan， JIN Xiao?xi

（Century College， Beijing University of Posts and Telecommunications， Beijing 102101， China）

Abstract： According to the characteristics of digital image processing， the architecture of existing digital image processing experimental platform is too complex to be appropriate for abecedarian to learn. For lack of the experimental platform which is close to teaching material， students understand the theory of digital image processing hardly. A corresponding experimental platform was designed and developed by graphic user interface （GUI） of Matlab. It includes image geometric transformation， enhancement， smoothing， edge， segmentation and false color encoding in the process of digital image processing. This experimental platform has friendly interface， high portability and scalability， and can help students understand the content of the digital image processing profoundly.

Keywords： digital image processing； Matlab； GUI； experimental platform

0 引 言

《数字图像处理》是电子信息类专业非常重要的专业课[1]。目前对该门课程的安排，各院校一般都是理论教学与实验教学相结合[2]，学生通过上机实验，提高动手编程能力，增进对数字图像处理流程的认识，加深对数字图像处理理论知识的理解。在实验教学中，各高校通常采用Matlab，VC++软件等进行编程，由于缺少紧扣教材的实验系统，学生很难深入理解数字图像处理的技术原理[3]。

基于上述分析，为便于学生系统、全面的掌握该门课程的基本原理和经典算法，本文利用Matlab软件创建数字图像处理实验教学平台的用户图形界面（GUI），开发了一个针对教学的可视化、系统化“数字图像处理实验教学”软件，为学生提供一个数字图像处理技术的算法演示及模拟开发的GUI平台，帮助学生掌握数字图像处理的基本原理和内容，熟悉并消化图像处理的技术方法，了解图像处理的较新研究领域。利用软件Matlab平台建设了一个集良好的可视化、开放性、交互性于一体的数字图像处理实验教学平台。

1 实验平台的总体设计

本文利用Matlab的GUI来设计人机交互的图形用户界面[4]，设有图像显示坐标轴、下拉菜单、按钮等功能来完成不同功能模块的实现和函数的调用。

1.1 实验平台总体结构

该实验平台以北京邮电大学世纪学院《数字图像处理》这门课程的内容为基本点，结合实验教学的课时安排，按照图像处理技术实验教学的特点来设计该实验平台系统的整体框架[5]。

该实验平台具体框图如图1 所示。

图1 基于Matlab GUI的数字图像处理实验平台系统结构图

此实验平台的主界面采用Matlab GUI菜单项设计，在主界面中点击任一子模块，就可打开相应子模块界面，具体界面实现如图2所示。

图2 实验平台主界面设计图

该实验平台主要包括图像处理中的几何变换、图像增强、图像平滑、边缘与分割、假彩色编码等模块内容，其中，几何变换模块主要包含了图像平移、图像镜像、图像旋转、图像错切、比例缩放、复合变换等功能；图像增强由线性变换、行对数变换、直方图均衡化、直方图规定化、索引/二值图像等5个功能块组成；图像平滑主要包括模拟噪声生成、邻域平均、中值滤波、巴特沃斯低通滤波、指数型低通滤波、梯形低通滤波、Sobel 算子滤波、空域高通滤波等功能模块；边缘与分割分为图像分割、Hough变换、边缘检测等3个模块；假彩色编码包括RGB空间伪彩色编码、灰度彩色变换法编码和频率伪彩色编码等三个功能模块。

1.2 功能设计

图像的几何变换是指图像处理中对图像平移、旋转、放大和缩小[6]这些简单变换以及变换中灰度内插处理等。图3所示为在图像几何变换模块中，对选定图像进行复合变换的效果图。该复合变换式将原有图像向下平移50像素，向右平移50像素，并用白色填充空白部分，再对其做垂直镜像，然后旋转30°。该变换的主要代码如下：

B（50+1：H（1），50+1：H（2），1：H（3））=I（1：H（1）?50，

1：H（2）?50，1：H（3））；

C（1：H（1），1：H（2），1：H（3））=B（H（1）：?1：1，

1：H（2），1：H（3））；

D=imrotate（C，30，′nearest′）；

图3 几何变换中的复合变换效果图

图4所示为图像增强功能模块中的灰度图像线性变换子模块处理界面，该模块不仅可以处理灰度图像，还可处理彩色图像。在选择该算法时，实验平台会先判断输图像是否为灰度图像，若是，则直接处理图像，若不是，则会先彩色图像转换为灰度图像，再做后续处理。其m文件部分代码如下：

axes（handles.axes_dst） ；

d = length（size（img_src））；

if d==3

image=rgb2gray（img_src）；

elseif d==2

image=img_src；

end

J=imadjust（image，[0.15 0.5]，[0 1]）；

imshow（J）；title（′线性变换后的灰度图′）；

axes（handles.axes_srcl） ；

imhist（image）；title（′原灰度直方图′）；

axes（handles.axes_dstl） ；

imhist（J）；title（′线性变换后的灰度直方图′）；

setappdata（handles.figure_zengqiang，′bChanged′，true）；

set（handles.srcl_save，′Enable′，′on′）；

set（handles.dstl_save，′Enable′，′on′）；

图5所示为图像边缘检测模块界面，该界面可同时显示三种不同算子实现图像边缘检测的效果图及原图，以便学生在实验的过程中进行直观对比。其主要代码如下：

BW1=edge（image，′sobel′，0.1）；

BW2=edge（image，′roberts′，0.1）；

BW4=edge（image，′log′，0.01）；

图4 灰度图像线性变换子模块处理界面

图5 图像边缘检测模块界面

2 实验平台的特点

基于Matlab GUI数字图像处理实验平台具有以下特点：

（1） 内容丰富，涵盖图像处理领域的大部分内容，具有很强的可移植性和可扩展性，可在教学的过程中有目的性的进行更改，增删不同的功能模块，以便达到更好的教学效果。

（2） 界面友好，方便操作[7]，可在同一界面同时显示处理前和处理后的图像。对于某些需要确定参数的算法，该实验平台上设置了不同的初始参数值，学生也可以自己动手调节参数值。针对同一数字图像处理算法，该实验平台课可同时展示三种不同参数的处理效果，通过比较不同参数条件下的图像处理效果，使学生理解有关参数变化对处理结果的影响。

（3） 教师在教学过程中，可以方便地演示图像处理的某一内容的处理结果，在进行理论教学的同时使学生知道该处理对图像的影响，从而加深学生对该理论和内容的理解。

（4） 通过该实验平台仿真试验可选出最佳的处理方法、步骤和参数设置，然后再编写程序，从而有针对性的对算法加以改进，减少了学生对同一图像处理过程的不同处理方法的重复编程时间，便于学生对有关算法进行改进或创新。

3 结 语

针对北京邮电大学世纪学院《数字图像处理》实践教学的现状，设计实现了基于Matlab GUI的数字图像处理实验平台。该实验平台用户界面友好，交互性强，可拓展性好。根据我院信息类不同专业的教学特点，在教学的过程中，可自行修改模块设置，增删特色模块，使学生对数字图像处理的相关理论有比较深刻的理解，从而提升《数字图像处理》课程的实践教学效果。

参考文献

[1] 张颖颖，黄义定，王红娟.关于“数字图像处理”实验的任务模块化教学模式的探索[J].实验室科学，2012（6）：52?54.

[2] 安平，王朔中.建立在Matlab平台上的数字图像处理教学实验系统[J].实验室研究与探索，2001（1）：61?62.

[3] 王帆，刘慧.基于Matlab GUI的数字图像处理实验平台设计[J].中国科技信息，2011（7）：124?125.

[4] 陈光.精通Matlab GUI设计[M].北京：电子工业出版社，2008.

[5] 杨顺辽，李泽军.基于Visual C++的数字图像处理实验软件开发[J].国土资源高等职业教育研究，2011（7）：25?28.