4.1.1 图像的对比度增强学习视频在线视频

同学们好

今天，我们给大家介绍现代图像分析中第4章图像增强

首先我们来看一下第四章的主要内容

第四章我们将从图像的对比度增强

图像的直方图修正、图像的平滑、锐化、同态滤波

以及彩色增强这样的六个方面来给大家进行介绍

首先，我们来看一下，什么是图像增强？

图像增强就是对图像进行加工以得到对具体应用来说

视觉效果更好、更有用的图像这样一个技术

那么为什么要增强图像呢？

我们说由于光照度不够，可能会造成图像的灰度过于集中

或者说图像在传输和处理的过程中不可避免会引入一些噪声

这些都使图像质量会降低了，给我们后面的分析带来一些困难

所以我们要进行图像的增强

比如说，大家现在看到的这幅图像整体是偏暗的

是因为它的动态范围比较小

这幅图像是在细胞的这个图像中

叠加了一些黑色和白色的噪声点，就是一个有噪声的图像

那么这样的图像，我们说从视觉上面来看质量都不是很好

所以我们希望对这个图像进行一些增强的处理

所以图像增强的目的有两个，一个是改善图像的视觉效果

另一个是使得图像变得更利于计算机进行处理

就是图像的两个目的

比如说左边这幅图像整体是偏暗的，很多细节我们看不大清楚

而右边这幅图像呢

就是对左边的图像进行了直方图均衡之后得到了图像

明显看起来图像的质量好像变好了

但实际上我们需要大家注意的是在图像增强的过程中

其实并没有新的信息增加

只是通过压制一部分信息来提升另外一部分信息

就是图像增强需要注意的一个问题

那么图像增强的方法呢

按照作用域可以分为空间域法和频率域法两大类

在空间域法里面

我们又分为图像变换和空域滤波两种

而在频率域法里面分为低通滤波、高通滤波和同态滤波

而灰度变换又包括了直方图处理和直接灰度变换两种

下面呢，我们分别来看一下

首先我们看一下灰度变换，什么是灰度变换呢？

我们现在假设r和s分别表示的是在图像增强过程中

原图像和目标图像的灰度级

也就是说r表示的是原始图像中的灰度级

s表示的是增强后图像的灰度级

并且我们假设在原图像中

灰度值是r的图像在目标图像中变成了s

那么r和s之间就有一个关系

这个关系用一个变换函数t来表示

这个时候 s等于t(r)就叫做一个灰度变换

那灰度变换常用的是两种方法

第一种就是对图像中的每个像素分别做增强处理

这种叫

直接灰度变换

第二种是借助图像的直方图来进行变换又叫做直方图处理

我们首先来看一下，直接灰度变换

直接灰度变换中第一种最简单的图像求反

那么这个是我们图像求反的变换函数

s等于N-1，减去r

那么这个是它的变换函数的曲线

这里面我们可以看出来

是在原始图像中灰度值比较低的变换之后，灰度值变高了

原始图像中灰度值比较高的经过变换之后，灰度值变低了

这个是我们给的一个原始图像和一个取反后的图像

实际上灰度取反,就类似于我们照片和底片它们之间的关系

这种方式特别适合于增强

嵌入在图像暗色区域的白色或者说灰色的细节

特别是当黑色占主导地位的时候效果是比较明显的

在有些情况下，我们可能只对某一个灰度范围感兴趣

这个时候我们就可以采用分段线性变换

来扩展我们感兴趣的区域

对于感兴趣的区域

我们可以采用斜率大于1的线性变换来进行扩展

而其它的区域就采用斜率小于1的线性变换来进行压缩

比如图中我们给出了一个分段线性的变换

这个分段线性的变换函数

我们可以看到有3个线性公式来表示

也就是说在灰度值是0到r1的这个范围之内会它的斜率是α

从r1到r2这个范围之内这个斜率是β

同样在r2到n-1这个范围之内它的斜率是γ

其中α和是γ的值是小于1的，表示我们灰度进行了一个压缩

而在r1到r2这个范围内β的取值是大于1的

所以，表示是在这个区域我们灰度进行了扩展

那么当我们的r1和s1相等，而r2和s2相等时

也就是说当时有一个特殊情况的时候

那么，他所对应的变化函数很简单 就是r和s是相等的

对于这种情况表示的

就是增强的图像和原始图像是完全相同的，没有任何变化

另外一种特殊情况，就是当r1和r2相等

s1等于0，s2等于n-1的时候

那么它所对应的这个曲线就变成了这样的一个曲线

也就是说灰度值在0到r1范围之内的

我们变换之后图像的灰度值是用零来表示

而灰度值在r1到n-1这个范围之内的呢

它的灰度值用N-1来表示

这个时候呢，我们可以看到变换后的图像只有两级灰度

实际上，这就是一个黑白2值的图像

那么这种情况下 对比度最大，但是它的细节全部丢失了

这是我们给的一个例子，这是原始图像

这个是用分段线性函数进行增强之后的一个图像

可以看到图像看起来质量变好了

而这个图像是二值化的图像

这个时候我们说对比度是最强烈的

但是很多细节就已经看不清楚了

第二种我们说还有一种叫灰度切分

灰度切分实际上也是一种二值图像处理

只是突出的灰度范围和我们刚才所说的这个是有区别的

它是把r1到r2这个灰度范围之内的灰度凸显出来了

用高亮的区域来表示

这是灰度切分的一个变化函数 分了两部分

从0到r1用s1来表示，r1到r2用s2来表示

r2到N-1也用s1来表示 这就是灰度切分

那么灰度切分的另外一种形式有这样的一个公式来表示

它表示什么？表示刚才把r1到r2用了一个灰度值来表示

那么这个时候 虽然把r1到r2的内容凸显出来了

但是里面的细节全部丢失了

如果我还需要保留细节的话

就可以采用灰度切分的这样的一个形式

它的变换函数由这个公式来表示

那么我们来看一下具体的图例

左边是原始图像 这个是灰度切分之后的图像

他是把远处的山和近处的水这部分内容凸显出来

但是细节没有了

所以如果我们采用的是第二种灰度切分的公式

我们看可以把远处的山和近处的水凸显出来

并且里面的细节仍然保留了，这个就是图像的灰度切分

那么前面我们介绍的都是灰度的线性变换

当然也可以利用非线性变换来增强图像的对比度

常用的非线性变换， 包括对数变换和指数变换

这两种变换都可以改变图像的动态范围

那动态范围是什么呢？

动态范围是指图像中从暗到亮的这样一个变化范围

那么对数变换，为什么要进行对数变换呢

是由于我们人眼所以感受到的

分辨灰度的变化范围是有限的

所以当动态范围太大的时候

很高的亮度值会把暗区的信号都遮盖了，我们就看不清楚了

所以呢，我们采用一个对数变换

可以对动态范围进行一个压缩

那么这个就是动态范围压缩的一个变换公式

我们可以看到是取了对数进行计算的

这个就是动态范围压缩的一个事例

左边是一个原始图像，这个原始图像中

我们由于在其中的某一个灰度值上

让它的灰度值变得非常非常的大

所以，它把其它的灰度值都压制的比较小

所以整体图像是非常昏暗，我们看不清楚的

而这个图像呢，就是对原始图像取了对数之后

我们明显的可以看到就很多细节都可以分辨出来了

另外一个非线性灰度变换是指数变换

与对数变换的效果相反

指数变换是使得高灰度的范围得到了扩展

而压缩了低灰度范围

它的一般表示形式用这样一个公式来表示

其中加了一个小的ε，它表示是使得我们的底数不为零

然后这个γ的取值呢，对我们变换函数的特性有很大的影响

当γ小于1的时候

整体会将原始图像的灰度值向高亮部分进行映射

当γ大于1的时候呢，向低亮部分进行映射

当γ等于1的时候呢，相当于一个正比的变换

那么下面这个图我们就给出了原始图像

这是γ等于0.7后的一个变换结果

这是γ等于1.7的时候的一个变换结果

我们可以看到γ由于等于0.7，是小于1的

所以整体向高亮区域映射

这个是向低亮区域进行映射

这个是我们给出的人的脊椎骨折做了一个核磁共振的图像

其中的a是原始图像

b c d是分别我们让γ等于0.6、0.4和0.3的一个变换结果

那么我们也得出同样的结论

好今天，主要内容就介绍到这里

谢谢大家 再见