安徽工程大学

论文题目： 数字图像处理图像增强算法的研究

学 院： 计算机与信息学院

班 级： 软件141

姓 名： 程健

学 号： 3140704135

指导老师： 卢桂馥

2017年6月9日

摘 要

在我们的实际生活、生产中，人们直接获得的原始图像并不能够直接运用到生活、生产中，因为原始图像在生成、 传输和转换过程中可能会受到多种因素的影响，如各种各样的噪声、通道带宽等，往往会出现清晰度下降、对比度偏低等降质现象，为了使得处理后的图像对某种特定的应用比原始图像更合适，往往需要提高图像质量。图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是使得处理后的图像对某种特定的应用比原始图像更合适。

本文研究了图像增强的一些常用方法， 包括空域图像增强、 频率域图像增强， 并用MATLAB 编程设计了相应的实验，对图像增强效果进行了验证。

关键字：图像增强；图像；算法；空域增强；频率增强

Abstract

In our daily life and production, people often can't used the raw image directly, because of the generation and transformation of the original image, it may be affected by many factors, such as a variety of kinds of noise and channel bandwidth. The sharpness and contrast is decreasing and have low qualities. in order to make the image more suitable for some particular application after processing than the original, we often need to improve image quality. Images enhance is in a particular need to highlight a picture in the information, and weaken or remove certain need of information in the process, its purpose is to make the image of a specific application is better than the original image.

This paper studies the image of some common method, including airspace images enhance and increase the frequency domain, and images matlab programming, design corresponding to picture to enhance the effect of the verification.

Key words:Image enhancement; the airspace strengthened; the frequency domain enhancement

第一章 绪论

人们对外界信息的百分之七十五都来自图像，也就是说人类的大部分信息都是从图像中获取的。利用计算机对图像进行各种形式的处理， 促进了图像处理技术的快速发展。图像增强本身就是图像处理中最具吸引力的领域之一。

1.1 研究背景及意义

随着电子计算机技术的进步，计算机图像处理近年来得到飞跃的发展，已经成功的应用于几乎所有与成像有关的领域， 并正发挥着相当重要的作用。它利用计算机对数字图像进行系列操作， 从而获得某种预期的结果。 对图像进行处理时，经常运用图像增强

技术以改善图像的质量。

在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降。在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、 相对运动、大气流动等都会使图像模糊， 传输过程中会引入各种类型的噪声。总之输入的图像在视觉效果和识别方便性等方面可能存在诸多问题，这类问题不妨统称为质量问题。尽管由于目的、观点、爱好等的不同，图像质量很难有统一的定义和标准，但是根据应用要求改善图像质量却是一个共同的目标。从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域 从而更加容易对图像中感兴趣的目标进行检测和测量。图像增强的目的是增强图像的视觉效果，将原图像转换成一种更适合于人眼观察和计算机分析处理的形式。它一般要借助人眼的视觉特性，以取得看起来较好地视觉效果， 很少涉及客观和统一的评价标准。增强的效果通常都与具体的图像有关系，靠人的主观感觉加以评价。

目前图像增强处理的应用已经渗透到医学诊断、航空航天、军事侦察、指纹识别、无损探伤、卫星图片的处理等领域 如对 x 射线图片、CT 影像、内窥镜图像进行增强，使医生更容易从中确定病变区域，从图像细节区域中发现问题；对不同时间拍摄的同一基于图像增强的数字图像处理研究地区的遥感图片进行增强处理，侦查是否有敌人军事调动或军事装备及建筑出现；在煤矿工业电视系统中采用增强处理来提高工业电视图像的清晰度，克服因光线不足、灰尘等原因带来的图像模糊、偏差等现象，减少电视系统维护的工作量。图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。

在图像处理过程中图像增强是十分重要的一个环节。本文的主要内容就是围绕图像增强部分的一些基本理论和算法而展开。

1.2 图像增强技术国内发展状况

在借鉴国外相对成熟理论体系和技术应用体系的条件下，国内的增强技术和应用也有了很大的发展。总体来说，图像增强技术的发展大致经历了初创期、发展期、普及期和应用期 4 个阶段。初创期开始于 20 世纪 60 年代，当时的图像采用像素型光栅进行扫描显示，大多采用中、大型机对其进行处理。在这一时期由于图像存储成本高，处理设备造价高，因而其应用面很窄。20 世纪 70 年代进入了发展期，开始大量采用中、大型机进行处理，图像处理也逐渐改用光栅扫描显示方式，特别是出现了 CT 和卫星遥感图像，对图像增强处理提出了一个更高的要求。到了 20 世纪 80年代，图像增强技术进入普及期，此时的计算机已经能够承担起图形图像处理的任务。20 世纪 90 年代进入了应用期，人们运用数字图像增强技术处理和分析遥感图像，以有效地进行资源和矿藏的勘探、调查、农业和城市的土地规划、作物估产、气象预报、灾害及军事目标的监视等。在生物医学工程方面，运用图像增强技术对 X 射线图像、超声图像和生物切片显微图像等进行处理，提高图像的清晰度和分辨率。在工业和工程方面， 主要应用于无损探伤、质量检测和过程自动控制等方面； 在公共安全方面，人像、指纹及其他痕迹的处理和识别，以及交通监控、事故分析等都在不同程度上使用了图像增强技术。图像增强是图像处理的重要组成部分，传统的图像增强方法对于改善图像质量发挥了极其重要的作用。随着对图像技术研究的不断深入和发展， 新的图像增强方法不断出现。例如一些学者将模糊映射理论引入到图像增强算法中，提出了包括模糊松弛、模糊熵、模糊类等增强算法来解决增强算法中映射函数选择问题， 并且随着交互式图像增强技术的应用，可以主观控制图像增强效果。同时利用直方图均衡技术的图像增强也有许多新的进展：例如提出了多层直方图结合亮度保持的均衡算法、动态分层直方图均衡算法。这些算法通过分基于图像增强的数字图像处理研究。

第二章 图像增强的基本理论

2.1 数字图像的表示

图像并不能直接用计算机来处理，处理前必须先转化成数字图像[2]。早期一般picture 代表图像，随着数字技术的发展，现在都用 image代表离散化了的数字图像。由于从外界得到的图像多是二维（ 2-D）的，一幅图像可以用一个 2-D 数组放f(x，y) 表示，这里 x 和 y 表示二维空间 XY 中一个坐标点的位置，而f 则代表图像在点（x，y）的某种性质数值。为了能够用计算机对图像进行处理，需要坐标空间和性质空间都离散化。这种离散化了的图像都是数字图像，即f(x，y)都在整数集合中取值。图像中的每个基本单元称为图像的元素，简称像素。

2.2 数字图像处理概述

所谓数字图像处理[4]，就是利用计算机对数字图像进行系列操作，从而获得某种预期效果的技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展，数字图像处理离不开计算机，因此又称计算机图像处理；二是数字的发展；三是广泛的农牧业，林业，环境，军事和医学等方面的应用需求的增长。

2.3 图像增强概述

2.3.1 图像增强的定义

图像增强[6]是指按特定的需要突出一幅图像中的某些信息， 同时削弱或去除某些不需 要的信息的处理方法，也是提高图像质量的过程。 图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对 图像的更高级的处理和分析。图像增强的过程往往也是一个矛盾的过程：图像增强希望 既去除噪声又增强边缘。但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一 个好的代价函数达需要的增强目的。传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。基于图像增强的数字图像处理研究这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被 忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。

2.3.2 图像增强的现状与应用

计算机图像处理的发展历史不长，但已经引起了人们的重视。图像处理技术始 20世纪60年代，由于当时图像存储成本高，处理设备造价高，因而其应用面很窄。1964 年美国加州理工学院的喷气推进实验室，首次对徘徊者 7号太空飞船发回的月球照片进行了处理得到了前所未有的清晰图像，这标志着图像处理技术开始得到实际应用。70年代进入发展期出现 cr 和卫星遥感图像，对图像处理的发展起到了很好的促进作用。80年代进入普及期此时微机己经能够承担起图形图像处理的任务。90年代是图像处理技术实用化时期，图像处理的信息量巨大，对处理的速度要求极高。21世纪的图像处理技术要向高质量化方面发展，实现图像的实时处理，采用数字全息技 术使图像包含最为完整和丰富的信息，实现图像的智能生成、处理、理解和识别。

目前，许多新的增强算法[7]都充分利用了周围邻域这一重要的信息，形成了很多局部处理的灰度调整算法，该方法主要利用了邻域的统计特性。近年来，模糊集合理论在图像处理中得到了广泛的应用。Russoti提出的自适应模糊滤波算子可以较好的保护图像细节和滤除高斯噪声，其算法中窗口的大小由邻域一致性程度决定，该一致性程度由一个模糊逻辑规则导出。对图像进行多尺度小波变换后，不同频率的信号出现在不同尺度的子带图像上，有了这些特性就能很好的对感兴趣的部分进行增强。图像变换的方法是多种多样的。

通过采取适当的增强处理可以将原本模糊不清甚至根本无法分辨的原始图片处理成清楚、明晰的富含大量有用信息的可使用图像，因此图像增强技术在许多领域得到广基于图像增强的数字图像处理研究泛应用。迄今为止，图像增强技术己经广泛用于军事、地质、海洋、森林、医学、遥感、微生物以及刑侦等方面。

第三章 空域增强

3.1 基本原理

图像增强技术可分为两大类： 一类是频域处理法、一类是空域处理法。 空域图像增 强是指按特定的需要突出一幅图像中的某些信息，同时,削弱或去除某些不需要的信息 的处理方法。其主要目的是处理后图像对某些特定的应用比原来的图像更加有效，从而达到改善图像质量的目的。空域处理法是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。所用的映射变换取决于增强的目的，例如增加图像的对比度，改善图像的灰度层次等处理均属于空域处理法。直方图是图像处理中比较重要的一个概念，它用于显示图像的灰度值分布情况。

MATLAB [5]图像处理工具箱提供了 imhist 函数来计算和显示图像的直方图。imhist 函数

的语法格式为：imhist(I,n)；计算和显示灰度图像 I 的直方图,n为指定的灰度级数目，默认值为 256。imhist(X,map)；计算和显示索引色图像 X 的直方图,map 为调色板。[counts，x]=imhist（,）；得到灰度图像直方图的数据， counts为灰度频次向量，x 为相应的灰度坐标向量。

3.2 空域增强实现

3.2.1 灰度调整实现

设变量 r 代表图像中像素灰度级。 把像素灰度级归一化处理， 那么 0，其中 r=0 表示黑， r=1 表示白。对于一幅给定的图像来说，每个像素取值在 [0，1]的灰度级是随 机的。用概率密度函数 Pr(r)来表示图像灰度级的分布。当大部分像素集中在低灰度级 区域，图像呈现暗的特性，而当大部分像素集中在高灰度级区域，图像呈现亮的特性。调用 MATLA工具箱中的 imadjust 函数来实现对比度增强。

3.2.2 直方图均衡化

有些图像在低值灰度区间上频率较大， 使得图像中较暗区域中的细节看不清楚。 这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。它以概率论为基础，运用灰度点运算来实现，从而达到增强的目的。它的变换函数取决于图像灰度直方图的累积分布函数。有些图像在低值灰度区间上频率较大使得图像中较暗区域中的细节看不清楚。这时可以将图像的灰度范围分开，并且让灰度频率较小的灰度级变大。当图像的直方图为一均匀分布时，基于图像增强的数字图像处理研究图像的信息熵最大，此时图像包含的信息量最大，图像看起来就显得清晰。

3.2.3 直方图规定化

正文直方图均衡化是以累计分布函数变换法为基础的直方图修正技术，使得变换后的灰度概率密度函数是均匀分布的，因此，它不能控制变换后的直方图而交互性差。采用直方图均衡化能够满足对图像整体灰度值和参数值的调整，并能自动增强整个图像的对比度，但是有时我们并不需要整体的图像信息而只关注其中某一部分的特征，实际中我们需要特定形状的直方图，从而有效增强某个灰度值范围的对比度。 例如在医学上我们只需要关注某一部位的病变情况，采用直方图规定化可以实现。

3.3 空域滤波增强

3.3.1 基本原理

空域滤波分为线性滤波和非线性滤波两类。线形滤波器的设计常基于对傅立叶变换的分析。非线形空域滤波器则一般直接对邻域进行操作。另外各种滤波器根据功能又主要分成平滑滤波和锐化滤波。平滑滤波器：它能减弱或消除傅立叶空间的高频分量，但不影响在低频分量。因为高频分量对应图像中的区域边缘等灰度值具有较大较快变化的部分，滤波器将这些分量 滤去可使图像平滑。锐化滤波器：它能减弱或消除傅立叶空间的高频分量 空域滤波器都是利用模板卷积下面分别介绍在 MATLAB 中如何应用平滑滤波器和锐化滤波器。

3.3.2 线性平滑滤波器

线性低通滤波器是最常用的线性平滑滤波器。

3.3.3 非线性平滑滤波器

中值滤波器是一种非线性平滑滤波器。它是一种邻域运算，类似于卷积，但计算的不是加权求和，而是把邻域中的像素按灰度级进行排序，然后选择改组的中间值作为输出的像素值。

中值滤波器的主要优点是运算简单、 速度快、易于实现，它既能够在消除噪声的同 时，又能够较好地保持图像的细节， 防止图像边缘部分变得模糊这是简单的邻域平均滤 波器难以实现的。

3.3.4 线性锐化滤波器

正文线性高通滤波器是最常用的线性锐化滤波器。这种滤波器的中心系数都是正的，而周围的系数都是负的。拉普拉斯算子是线性二阶微分算子，与梯度算子一样，具有旋转不变性，从而满足不同走向的图像边界的锐化要求。拉普拉斯算子对图像中的噪声非常敏感，为了减少噪声的影响，在做增强处理之前，先将待处理的图像进行平滑，再做拉普拉斯运算。 相对于梯度算子，拉普拉斯算子具有增强的边缘精确定位的优点。因为梯度一阶微分算子会在较大范围内形成梯度值，差分的结果不适合精确定位。然后，二阶差分算子的过零特性，可以使边缘增强后精确定位。

第四章 频域增强

4.1 基本原理

频域增强是利用图像变换方法将原来的图像空间中的图像空间中的图像以某种形 式转换到其它空间中，然后利用该空间的特有性质方便地进行图像处理，最后再转换回原来的图像空间中，从而得到处理后的图像。频域增强的主要步骤是：

（1）技术所需增强图的傅立叶变换；

（2）将其与一个（根据需要设计的）转移函数相乘；

（3）再将结果进行傅立叶反变换得到增强的图。频域增强的两个关键步骤：

（1）将图像从空域转换到频域所需的变换及将图像从频域空间转换回空域所需的 变换；

（2）在频域空间对图像进行增强加工操作。常用的频域增强方法有低通滤波和高通滤波。以下分别介绍在 MATLAB 中如何实现。

4.2 低通滤波

图像的能量大部分集中在幅度谱的低频和中频度， 而图像的边缘和噪声对应于高频 部分。因此能降低高频成分幅度的滤波器就能减弱噪声的影响。 Butterworth 低通滤波器是一种物理上可以实现的低通滤波器，n 阶，截断频率为 d0 的 Butterworth 低通滤波器的转移函数为：

用 MATLAB 实现 Butterworth 低通滤波器

4.3 高通滤波

高通滤波也称高频滤波器，它的频值在 0 频率处单位为 1，随着频率的增长，传递 函数的值逐渐增加；当频率增加到一定值之后传递函数的值通常又回到0值或者降低到某个大于 1 的值。在前一种情况下，高频增强滤波器实际上是依照能够带通滤波器，只不过规定 0 频率处的增益为单位 1。图像边缘与高频分量相对应， 高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，从而达到图像锐化的目的。建立在离散卷积基础上的空间域高通滤波关系式如下：

第五章 结论

图像增强的方法有很多种，针对不对图像的情况运用不同的增强技术，使图像更容易让人识别、 更清晰，是本课题主要的研究目的。对比度增强法适合于对比度较低的图像，通过线性和非线性的变化，修改每一个像素的灰度，从而改变图像的动态范围达到图像增强的目的。

直方图均衡化针对在低值灰度区间上频率较大、图像中较暗区域中细节看不清楚的图像，有较好的增强效果。但是上述两种方法的缺点都是不能抑制噪声，对于图像中呈孤立分散分布的噪声点，可以用平滑的方式去除，其中线性滤波实现简单，去噪效果明显，但是去噪的同时会导致结果图像边缘位置的改变和细节模糊甚至丢失；非线性滤波能够较好的保持图像边缘位置和细节，但是算法的实现线性滤波比较困难。

平滑处理的时候经常会使图像的边缘变的模糊，图像锐化处理的作用就是使灰度反差增强，从而使模糊图像变得更加清晰。

第六章 参考文献

[1] 王耀南.计算机图像处理与识别技术[M].北京:高等教育出版社.2001: 21-23.

[2] 吕风军.数字图像处理编程入门[M].北京:清华大学出版社.1999: 14-16.

[3] 刘刚,王立香,董延MATLAB 数字图像处理[M].北京:机械工业出版社2010:15-17.

[4] 胡学龙,许开宇.数字图像处理[M].北京:电子工业出版社.2008:33-34.

[5] 张志涌,精通MATLAB6.5[J].北航电子版 .2002,12(3): 01-14.

[6] 张娜.图像增强技术的研究 [J]. 计算机仿真 .2007,24(1): 02-04.

[7] 孙蕾,李丙春.图像增强算法与评价方法研究[J].计算机工程.2007,33(08): 21-23.

附录：源程序代码

3.2.1灰度调整图像

I=imread(‘pout. tif’);%导入图像

J=imadjust(I,[70/255 165/255],[0 1]);%在指定区域内调整灰度

subplot(2,2,1);imshow(I);title( ‘原图像’ );%绘制原图像

subplot(2,2,2);imshow(J);title(‘变换后图像’);%绘制灰度调整后图像subplot(2,2,3);imhist(I);title(‘原图像直方图’);%绘制原图像的直方图 subplot(2,2,4);imhist(J);title(‘变换后图像直方图’ );% 绘制灰度变换后的直方图

3.2.2直方图均衡化

I=imread('G:\matlab实验\数字图像处理\image\47.gif');%导入原图像

J=histeq(I);%进行直方图均衡化 subplot(2,2,1);

subplot(1,21);title( ‘原始图像’ );%绘制原始图像

subplot(1,2,2);imshow(J);title(‘直方图均衡图像’ );%绘制直方图均衡化后图像 \

3.2.3直方图规定化

I=imread(‘pout.tif’)；%导入原始图像

hgram=0:255;%设定参数值

J=histeq(I,hgram);%对原图像按照指定参数进行规定化

subplot(2,2,1);imshow(I);title(‘原图像’)；%绘制原始图象

subplot(2,2,2);imshow(J);title(‘直方图规定化后图像’ )；%绘制直方图规定化后图像

subplot(2,2,3);imhist(I);title(‘原始图像直方图’)；%绘制原始图像的直方图 subplot(2,2,4);imhist(J);title(‘规定化后直方图’ )；%绘制规定化后图像的直方图

3.3.2线性平滑滤波

K1=imread('C:\Documents and Settings\Administrator\桌面\数字图像处理\image\11.gif');

K2=imnoise(K1,'gaussian',0.02);

K3=medfilt2(K2,[3,3]);

subplot(1,3,1),imshow(K1),title('原图像');

subplot(1,3,2),imshow(K2),title('加高斯噪声图像');

subplot(1,3,3),imshow(K3),title('均值滤波');

3.3.3 非线性平滑滤波

I=imread(‘rice.tif’);

J=imnoise(I,'gaussian',0.02);

I2=medfilt2(J, [3, 3]);

subplot(1,3,1), imshow(I), title(‘原图像’);

subplot(1,3,2), imshow(J), title(‘加噪声图像’);

subplot(1,3,3), imshow(I2), title(‘中值滤波后图像’);

3.3.4 线性锐化滤波器

I=imread(‘saturn.tif’);

m=fspecial(‘laplacian’)

I1=filter2(m,I);

h=fspecial(‘unsharp',0.5);

I2=filter2(h,I)/255;

subplot(1,2,1);

imshow(I1); title(‘高通滤波 laplacian 算子’ )

subplot(1,2,2);

imshow(I2); title(‘高通滤波 unsharp')

4.2低通滤波:

I1=imread(‘Saturn.tif');

figure,imshow(I1) I2=imnoise(I1,’salt');

figure,imshow(I2)

f=double(I2);

g=fft2(f);

g=fftshift(g);

[N1,N2]=size(g);

n=2;

d0=50;

n1=fix(N1/2);

n2=fix(N2/2);

for i=1:N1

for j=1:N2

d=sqrt((i-n1)^2+(j-n2)^2);

h=1/(1+0.414*(d/d0)^(2*n));

result(i,j)=h*g(i,j);

end

end

result=ifftshift(result);

X2=ifft2(result);

X3=uint8(real(X2));

figure,imshow(X3)

4.3高通滤波

I=imread('G:\matlab实验\数字图像处理\数字图像处理\image\8.gif');

B=ifftn(fftshift(fft2(I)));

subplot(1,2,1),imshow(I);title('源图像');

subplot(1,2,2),imshow(log(abs(B)),[ ],'notruesize'),title('高通滤波');

数字图像处理论文