導語：如何才能寫好一篇直方圖均衡化的基本原理，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：圖像增強 灰度級 直方圖均衡化 Matlab

中圖分類號：TP751 文獻標識碼：A 文章編號：1007-9416(2012)01-0174-02

枷裨鑾考際跏鞘滯枷翊硌芯康幕徑韻籩弧T鑾康鬧饕康氖鞘雇枷癜刺囟ǖ男枰懷鐾枷裰械哪承┬畔保魅躉虺鋈ツ承┎恍枰男畔1]。圖像空間域增強技術是數字圖像增強的一個重要應用，是以對圖像像素的直接處理為基礎，通過線性或非線性變換來增強構成圖像像素的一種技術。本文所討論的直方圖均衡化增強方法便屬于這種方法。

1、直方圖處理

灰度級直方圖是灰度級的函數，是描述一幅圖像中灰度級與出現這種灰度的概率之間的關系的圖形，是圖像最基本得統計特性。直方圖是多種空間域處理技術的基礎，直方圖操作能有效地用于圖像增強。

為了便于數字圖像處理，圖像的直方圖須引入離散形式。灰度級為[0,L-1]范圍的數字圖像的直方圖的離散函數為：

h(rk)=nk (1)

其中rk是第k級灰度，nk是圖像中灰度級rk的像素個數。在圖像中，像素的灰度級要作歸一化處理一遍計算機進行處理，用圖像中像素的總數n來除它的每個值，得到歸一化直方圖:

環枷竦幕葉燃被歸一化到區間[0,1]，且r=0代表黑色，r=1代表白色。對于一幅給定的圖像，每一個像素取得[0,1]區間內的灰度級是隨機的，那么圖像灰度級r可被看作為區間[0,1]的隨機變量[2]，就可以用概率密度函數pr(r)來表示原始圖像的灰度分布。令s為增強后的圖像灰度級像素值，相應可以用概率密度函數ps(s)來表示增強后的圖像灰度分布。

可以對[0,1]區間內原始圖像的任意一個灰度級r值進行如下變換，得到輸出灰度級s：

s=T(r) (3)

通過上述變換，每個原始圖像的灰度值r都對應產生一個增強后圖像的灰度級s值。

變換函數T(r)滿足兩個條件：(1)T(r)在區間0≤r≤1中為單值且單調遞增；(2)當0≤r≤1時，0≤T(r)≤1。條件(1)中單值是為了保證反變換的存在，單調條件保持圖像從黑到白的順序；條件(2)保證輸出灰度級與輸入灰度級有同樣的范圍。從s到r的反變換函數可以表示為：

r=T-1(s) 0≤s≤1 (4)

由基本概率理論可知：如果pr(r)和T(r)已知，且T-1(s)滿足條件(1),則有：

因此，直方圖技術的基礎就是通過變換函數T(r)控制輸入圖像灰度級的概率密度函數，改變輸出圖像的灰度層次，從而達到增強圖像的目的。

2、直方圖均衡化

直方圖均衡化處理是以累積分布函數變換法為基礎的。對于連續圖像，變換函數為：

由此可見，用r的累積分布函數作為變換函數可產生一幅灰度級分布具有均勻概率密度函數的圖像，該圖像的灰度級較為均勻化[3]，且覆蓋了整個范圍[0,1]。灰度級均衡化的最終處理結果是擴展了圖像像素取值的動態范圍，具有較高的對比度。

3、Matlab實現

利用Matlab實現直方圖均衡化技術對圖像進行處理函數格式如下：

(1)h=imhist(f,b)

(2)g=histeq(f,n)

說明：對于格式(1)，顯示圖像f的直方圖，b為用于形成直方圖的灰度級的個數，默認值為256；格式(2)對圖像f進行均衡化處理，n為輸出圖像指定的灰度級數，默認值為64。

舉例說明直方圖均衡化處理：

f=imread('pout.tif'); %讀入圖像

figure,imshow(f); %顯示圖像

title('原始圖像')

figure,imhist(f) %原始圖像直方圖

title('原始圖像直方圖')

g=histeq(f,256); %均衡化處理

figure,imshow(g);

title('均衡化處理結果')

figure,imhist(g); %均衡化后的直方圖

title('均衡化后的直方圖')

程序實現的圖像為圖(a)和(b),從中可以看出，原圖像(a)的灰度級動態范圍窄而集中于灰度級的中部，導致了圖像的對比度低而使整幅圖像模糊不清。經過直方圖均衡化處理后，直方圖的成分覆蓋了灰度級很寬的范圍，而且像素的分布沒有太不均勻，處理后的圖像(b)變的清晰了，圖像中的許多細節被突出了。

4、結語

直方圖是多種圖像空間域處理技術的基礎，能有效地用于圖像增強，直方圖均衡化是圖像增強的基本技術。本文分析了直方圖均衡化處理方法的基本理論，并用Matlab進行了實驗。結果表明，直方圖均衡化方法并不能生成平坦的直方圖，但它具有能增強圖像灰度級的動態范圍的特性。

參考文獻

[1](美)岡薩雷斯等著，阮秋琦等譯.數字圖像處理[M].2版.北京：電子工業出版社，2007:70―81.

[2]阮秋琦.數字圖像處理學[M].北京：電子工業出版社,2001:181―195.

[3](美)岡薩雷斯等著,阮秋琦等譯.數字圖像處理(Matlab版)[M].北京:電子工業出版社，2005:54―61

[4]李耀輝,劉保軍.基于直方圖的圖像增強[J].華北科技學院學報,2003,5(2):65-66.

篇2

圖2-6

原圖像

圖2-7

第4波段直方圖

SHAPE \* MERGEFORMAT

圖2-8

結合兩種方法檢測陰影流程圖

圖2-9

陰影檢測的結果

圖2-9 中： ，式中，rh 為DSM 數據分辨率；rl 為影像數據分辨率；k為像元寬度。

2.4 實際影響檢測效果

我們用2.1和2.2節中所提到的兩種方法分別對2-10圖內的陰影檢測。

圖2-10 待檢測的原圖

檢測結果如下圖（圖中黑色為檢測出的陰影區域，白色為檢測的非陰影區域）：

(a) 基于亮度的雙峰法

(b) 歸一化互相關函數法

圖2-11

三種方法對陰影的檢測結果

可以看出前兩種方法對陰影的檢測結果差別，主要原因由于而歸一化互相關函數在檢測陰影時，利用了亮度近似線性變化這一特點，因此當亮度有突然的明顯變化，都會被判為陰影。而雙峰法，當我們選取了比較合適的閾值，就能把陰影和光照區進行分割，對于絕大多數圖片，這種方法提取出的部分，幾乎都是陰影區域，只帶有少量的顏色較深的斑點。如圖(a)所示，圖中非常小且分布不規則的斑點有些是樹蔭，有些則是顏色較深的車輛的車頂，植被，屋頂等。(a)和(b)圖其原理其實都是基于亮度變化進行的檢測，所以對亮度變化對這兩種方法的影響起決定性的作用。對于亮度較低的實物卻容易被判為陰影而被錯誤的檢測出來。如圖2-12，圖中的樹木由于自身色度等原因，即使在陽光下，亮度仍然很低。同樣的情況還可能是顏色很深的房頂，這些比較深的顏色，在高分辨率遙感影像中，非常容易與影像自身的陰影相互混淆，因此在用雙峰法檢測時，造成很多不便。陰影的本質屬性就是亮度很低，因此當出現了顏色很深造成的影像中亮度值低的部分，容易造成誤檢。歸一化函數法要求稍多，計算兩相對較大，相比之下，雙峰法簡單實用。但是目前還沒有比較成熟的方法，能夠精確的檢測出陰影的全部區域而不發生誤檢。

圖2-12

帶有大量樹陰的遙感影像及其陰影檢測結果

第三章

陰影的補償

3.1 灰度線性映射的陰影補償

3.1.1　灰度級線性變換圖像增強原理

圖像增強處理在數字圖像處理中占有很大的比例，一些灰度圖像在退化后進行恢復主要采取增強手段。圖像增強的方法分為空間域方法和頻率域方法兩大類，空間域增強是以對圖像的像素直接處理為基礎的增強。空間域處理可用下式表示：

g(x， y) =T [f (x， y)]

（3-1）

其中f(x， y)是輸入圖像，g(x， y)是處理后的圖像，T是對f一種操作，(x，y)是圖像像素點的位置。z操作最簡單的形式是鄰域為1×1的尺度(即單個像素)。在這種情況下， g僅依賴于f在 (x， y)點的值，T操作成為灰度級變換函數，形式為

s = T (r)

（3-2）

其中s和r分別為g (x， y)和f(x， y)在任意點(x， y)的灰度級。

灰度級線性變換增強是空間域圖像在增強的一種，也就是通過分段線性變換函數來調整圖像灰度級的動態范圍。通過點(r1， s2 )和點(r2，s2)的位置控制變換函數的形狀，(r1， s2 )和(r2，s2)的中間值將產生輸出圖像中灰度級不同程度的展開，因而影響其對比度，以達到增強圖像之目的。

圖3-1

灰度變換

分段線性變換公式如下：

（3-3）

其中

（3-4）

（3-5）

（3-6）

由于陰影對遙感影像造成的影響主要是使該區域的亮度值大幅降低，該方法直接針對這一問題，對遙感影像中的灰度進行線性調整。從而使得陰影得到一定程度的補償。

3.1.2 圖像陰影補償處理

按照上述原理，現對一幅高分辨率遙感圖像的灰度圖像分析并在MATLAB軟件上進行處理，其處理過程如下。首先打開一幅遙感圖的灰度圖像（如圖3-2），由圖3-3可以看出，該圖像的陰影區域和圖像非陰影區域的灰度值比較接近，通過查看其灰度直方圖分布可以證實以上看法， 圖3-2所示為該圖像的灰度值直方圖分布。

圖3-2

原圖像

圖3-3

左圖的直方圖

從圖像的灰度值直方圖分布可以看出，該圖像的灰度值分布呈雙峰分布：其圖像部分的灰度值集中在左峰附近，左峰的灰度值分布大約為15±10；圖像的背景部分集中在右峰附近，右峰的灰度值分布大約為85±40。從二者的分布看，兩峰值基本上呈正態分布，中間有一定的灰度值交叉，且右峰范圍較大，使得圖像的整體亮度偏亮。

1．根據灰度分布的特點進行灰度調整變換。

按照上述分析結果，要想使圖像部分和背景部分較好地分離，達到增強圖像的目的，可局部調整圖像的灰度值。采用對圖像的灰度級進行變換，使圖像對比度得到調整，從而達到圖像增強的目的。這里筆者采用三段線性變換方法，調節中間交叉部分的灰度值，使灰度值直方圖上的雙峰分開，進而調節其灰度值，最理想的結果是將政府圖像的灰度值分布變成背景灰度和圖像灰度兩部分。具體的三段灰度根據灰度值分布分為：輸人圖像的灰度級三段是0～20、20～100、100～255，對應輸出圖像的灰度級三段為0～100、100～180、180～255，經過灰度級線性變換處理后，圖像的整體亮度增強了。

2．進行對比度增強處理。

經過上述灰度級線性變換圖像增強處理后，圖像的灰度值分布偏向于灰度值直方圖的右側，陰影部分減弱了，圖像部分也變暗了。再調節整幅圖像的對比度，可將背景和圖像對比度增強。將現有灰度值范圍均勻分布，使其對比度增強，得到對比度增強后的處理圖像。

3．用高帽、低帽方法進一步處理

經過亮度和對比度調整后，可以看出，陰影和圖像進行了較為成功的分離，但在圖像的下方還存在一定的灰度交叉現象，應再進行相應處理。采用高帽低帽處理可達到較為理想的效果。高帽低帽處理方法實際上是對灰度圖像進行一定的加減法計算，去掉其中的某些部分，達到增強圖像的目的。

4．再次調整圖像的灰度，完成圖像處理過程

經過高帽、低帽處理的圖像其灰度值偏向灰度直方圖的左側，即圖像增強了，同時背景也增強了，且灰度值分布較為集中。再經過灰度調整，使其均勻分布，得到最后的處理效果。

圖3-4

映射處理后的圖像

灰度級線性變換圖像增強技術在處理灰度值分布呈雙峰形態的退化圖像增強時較為理想，且操作簡便、實用性很強的處理方法。

3.2 基于直方圖均衡的補償方法

圖像對比度增強的方法可以分成兩類：一類是直接對比度增強方法；另一類是間接對比度增強方法。直方圖拉伸和直方圖均衡化是兩種最常見的間接對比度增強方法。直方圖拉伸是通過對比度拉伸對直方圖進行調整，從而“擴大”前景和背景灰度的差別，以達到增強對比度的目的，這種方法可以利用線性或非線性的方法來實現；直方圖均衡化則通過使用累積函數對灰度值進行“調整”以實現對比度的增強。

基于直方圖的均衡處理正是基于直方圖的這一基本原理，具體方法如下。

定理：一維隨機變量a~F(x)，則F(a)~U[0，1]，a從負無窮到正無窮，U[0，1]是標準均勻分布。

證明：（相反的思路）設b~U[0，1]，由定義，

（3-7）

設某值域為[0，1]的單調增函數F(x)的反函數是F-1(x)，則考察F-1(b)的分布情況，由定義P{F-1(b)

這個定理說明了均勻分布的隨機變量的地位，對于任意分布的隨機變量，只要給出分布函數的反函數，就可能直接構造出來（不過大部分是很難有簡單形式的）。

一張圖片，可以看成是對現實景物的一次抽樣，就是一個樣本，樣本有二重性，可以看成是隨機變量，就某個特征，比如灰度，它有一定的分布，而直方圖就是它的密度函數，均衡化就是先求出F(x)，把密度函數逐段求和就行了，再用F(x)作用每一個像素，將原圖像的a，變換成F(a)，使直方圖變得相對均衡。

(a) 處理前的原圖

(b) 左圖的直方圖

(c) 補償處理后的圖像

圖3-5

基于直方圖均衡的補償方法結果

直方圖均衡化處理的“中心思想”是把原始圖像的灰度直方圖從比較集中的某個灰度區間變成在全部灰度范圍內的均勻分布。直方圖均衡化就是對圖像進行非線性拉伸，重新分配圖像像元值，是一定灰度范圍內的像元數量大致相同。直方圖均衡化就是把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。

缺點：

1）變換后圖像的灰度級減少，某些細節消失；

2）某些圖像，如直方圖有高峰，經處理后對比度不自然的過分增強。

又由于是離散的變換，所以結果不會絕對均衡，有時甚至會嚴重失真。

3.3 其它方法

3.3.1 一種IKONOS影像處理方法

在數字圖像處理中，一幅圖像至少要用64個灰度級別來表示，一般采用256個灰度級別。IKONOS影像具有11比特的亮度信息，即2 048個灰度級別，其陰影區域的亮度信息具有較多灰度級別，IKONOS影像的這個特點為再現陰影區域地物特征提供了可能性。在陰影檢測和分離之后，設R(x， y)為IKONOS影像陰影區域的影像，S(x， y)為一定灰度級別的影像。以下就是將陰影區域影像變換為一定灰度級別（本實驗采用256個灰度級別）影像的算法和結果。可以看到，陰影區地物特征信息被清晰顯現出來。設圖像R(x， y)任一離散點的灰度值為rk，圖像S(x， y)對應點的灰度值為Sk：

(3-8)

式中：Sk ∈[0，Ds]；Ds為影像S(x， y)的最大灰度值；rk ∈[rmin， rmax] 其中rmin， rmax分別為圖像R(x， y)最小、最大灰度值。

同理對非陰影區域進行處理，也將非陰影區域影像變換為同樣灰度級別影像。通過灰度線性映射變換的陰影區域影像和非陰影區域影像具有相同的灰度級別，不同的灰度分布。為使整幅影像合成后有較好的視覺效果，將陰影區域影像與非陰影區域影像進行直方圖匹配，消除視覺差別。影像的一個像元相當于實際地面面積約為1m2，處于陰影區域邊界的像元和處于非陰影區域邊界的像元，由于既有陰影部分，又有非陰影部分，以及環境反射光的差異，形成陰影邊界的亮邊緣和非陰影邊界的暗邊緣。為消除這種邊緣效應，分別追蹤陰影區域和非陰影區域的邊界線，對這兩條邊界線上像元進行平滑化處理：

式中：f(x， y)為原影像灰度值；g(x， y)為處理后影像灰度值；S為兩條邊界線鄰域中點的集合；M為集合內點像元的總數；T為規定的非負閾值。用以上方法對邊界線進行處理，結果顯示：設定適當的T值，能有效地消除邊緣效應，而且沒有增加影像的模糊信息。

3.3.2 基于PCNN處理的新方法

PCNN(Pulse Coupled Neural Network)[5]有生物學的背景，它展示了貓、猴的大腦視覺皮層的同步脈沖發放現象，就目前的研究發現，PCNN可應用于圖像分割、圖像識別、通訊、決策優化等方面。目標識別時，我們可以用訓練圖像經PCNN圖像陰影取出算法處理后得到的結果作為模板，將待識別圖像經PCNN圖像陰影去處算法處理后與模板相比，從而得到目標識別的結果。這樣，就消除了陰影對目標識別的不利影響，從而達到正確識別目標的目的。

圖像中陰影是由于圖像中一塊像素點的亮度值減小造成的。PCNN圖像陰影去除算法的基本思路是先用PCNN 對原始圖像進行分割處理，然后用原始圖像除以分割后的圖像。這樣相除得到的結果中，既保存了原始圖像的信息，又消除了圖像中陰影的影響。

下面具體給出PCNN圖像陰影去除算法。首先介紹算法中用到的符號。F，原始圖像矩陣，矩陣中各個元素為原始圖像中各個元素的亮度值；L，聯接矩陣，矩陣中各個元素為圖像中各個像素點的Lj信號；U，調制矩陣，矩陣中各個元素為圖像中各個像素點的調制信號Uj；Y神經元輸出矩陣，矩陣中各個元素為圖像中各個像素點對應神經元的輸出，0或1；θ，閾值矩陣中各個元素為圖像中各個像素點對應神經元的閾值；Fac(1)，Fac(2)，...，Fac(N)，圖像因子矩陣，它們為算法中每次碟帶運算得到的結果，其中，Fac(2)，...，Fac(N)，為去除陰影后得到的結果，Inter，Temp，Yout為算法中用到的中間矩陣。Δ為閾值調整常量，Δ，閾值調整矩陣，各個元素為閾值調整常量Δ，矩陣F，L，U，θ，Fac(1)，Fac(2)，…， Fac(N) ，Inter，Temp，Yout，Δ的維數均為h×ω， 其中h為圖像的高度，ω為圖像的寬度，β為聯接強度，該算法中，每個神經元的β均相同。α為聯接強度的衰減因子，‘ ’表示相同維數的矩陣中對應元素進行相乘。‘’表示卷積，K 是3×3運算核矩陣，計算L時用到，

PCNN圖像陰影去除算法描述如下：

(1) 原始圖像F規整到min到1 之間，min=0.04>Δ。L=U=0，θ=1；同時，令所有神經元均處于熄火狀態，Y=0。給出循環次數N；令n=1，優選參數，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)分別為矩陣Y，Yout，θ，Temp，F中對應的元素。

(8) 調整閾值，θ=θ-Δ+100*Y。一方面，隨著時間的增加減小閾值；另一方面，若神經元已經點火，則升高閾值，是該神經元不再點火。

(9) 如果所有神經元均已點火，即矩陣θ中的每一個元素均大于1，執行(10)；否則回到(4)。

(10) F=Temp；β=α*β；

圖像因子 Fac(n)=Yout；n=n+1。

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

原始圖像經過PCNN去陰影處理后，本分解成了多個圖像因子Fac(1)， Fac(2)，...， Fac(N) ，算法中每一次循環就給出一個圖像因子，由算法可知，當n≥2時，圖像中的陰影就給有效的去除了。

計算機仿真結果表明，當n≥2時，沒有陰影的圖像的圖像因子Fac(n)與該圖像加陰影后的圖像因子Fac(n)幾乎一樣，因此，目標識別時，可以用訓練圖像的Fac(n)(n≥2)作為模板，將待識別圖像的Fac(n)(n≥2)與之相比，從而得到目標識別的結果。這樣，即使有陰影出現，也可消除其對目標識別的不利影響。從而達到正確識別目標的目的。隨著n的增加，Fac(n)越來越淺，最后變為全白，這可從算法中看出，實驗也證明了這一點，實際應用中，可用Fac(2)作為模板。

因此，基于貓眼為生物學背景的PCNN的陰影去除算法，是從仿生的角度，對陰影實施處理的新拓展。

3.4 實際影像陰影補償效果

以下是我們分別采用灰度級線性變換和基于直方圖均衡處理后的圖像：

圖3-12 待補償的遙感影像

(a) 直方圖均衡法的補償結果

(b) 灰度線性變換的補償結果

圖3-13

實際影像陰影補償效果

從上圖可以看出，二者都能夠把原本陰影所造成的影響很大程度上的補償掉，讓我們可以看到陰影區域內部的景物。但是基于直方圖均衡的補償方法由于是離散的變換，所以結果不會絕對均衡，有時甚至會嚴重失真。從圖(a)中我們也可以看出有模糊失真的效果。而相比之下灰度級線性變換圖像增強技術在處理灰度值分布呈雙峰形態的退化圖像增強時較為理想，是一種比較實用的方法。

參考文獻

[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] 許妙忠，余志惠. 高分辨率衛星影像中陰影的自動提取與處理 [J]. 繪信息與工程，2003，28(1):20-22.

[5] 唐亮，謝維信，黃建軍. 城市彩色航空影像中的陰影檢測. 中國體視學與影像分析 [J]，2003，8 (3): 12-134.

[6] 高龍華. 高分辨率影像陰影校正模型研究. 計算機工程與應用 [J]，2005，11:39-43.

[7] 楊益軍，趙榮椿，汪文秉. 航空影像中陰影區域的檢測.信號處理 [J]，2002，18(3):228-232.

[8] 王樹根，王軍利，郭麗艷. 基于K-L變換的彩色航空影像陰影檢測 [J]. 測繪信息與工程，2004， 29(2):21-23.

[9] 虢建宏，田慶永. 一種IKONOS影像陰影檢測與去除的方法 [J]. 應用技術，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.遙感導論 [M]. 北京:高等教育出版社，2001， 29-30.

[12] 阮秋琦.數字圖像處理學 [M]. 北京:電子工業出版社，2001.

[13] 黃浩，張友靜，馬雪梅. 基于影像融合的IKONOS影像陰影信息自動提取方法 [J]. 遙感信息. 應用技術，2004，04:29-32.

[14] 王軍利，王樹根. 一種基于RGB彩色空間的影像陰影檢測方法 [J]. 信息技術，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. 陰影區和太陽照射區的分形分析（楊澤元 譯） [M]. 世界地質，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] 李艷，宮鵬. 基于DSM陰影仿真和高度場光線跟蹤的影像陰影檢測 [J]. 遙感學報，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，張祖勛，張劍清. 基于約束滿足網絡的建筑物陰影結構提取 [J]. 武漢測繪科技大學學報，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

關鍵詞:識別;圖象處理;去噪;增強;復原;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

一些歷史檔案和資料具有很高的研究價值,對于研究該地區當時的經濟和文化背景有很大的作用,但是因為年代久遠,其紙質或布質的材質因為時間原因,使得寫在上面的圖案和文字資料都模糊不清,有些肉眼已經很難分辨出具體內容,對于歷史和研究都是很大的損失,用數碼相機將這些紙質或布質材質的資料拍攝下來輸入計算機,將原始的資料變為數字圖象,再用數字圖象處理的方法將其處理還原,以達到人眼可以看清內容,進行研究的效果。

用計算機進行圖像處理的前提是圖像必須以數字格式存儲到計算機中,以數字格式存放的圖像稱為數字圖像(digital image)。數字圖像處理(digital image processing),就是利用計算機對數字圖像進行去除噪聲、增強、復原、分割、特征提取等理論、方法和技術,將原始資料清晰化,改善圖象的質量,使人的肉眼可以看清這些圖象,從而得以保存和研究的目的。由于圖像處理是利用計算機硬件和軟件實現的,因此也被稱為計算機圖像處理(computer image processing)。

數字圖象處理一般有兩種基本的方法:一種方法是在圖象的空間域中處理,即在圖象空間中對圖象本身直接進行各種處理優化,達到改善圖象質量的目的;另一種方法是把空間圖象進行某些轉化,從空間域轉到頻率域中,再在頻率域中進行各種處理,然后再變回到圖象的空間域,形成處理后的圖象,從而達到改善圖象質量的目的。

1 去除噪聲

原始實體資料變為數字圖象在計算機中進行處理的時候,可能會產生各種各樣的噪聲,這些噪聲可能是在進行數字轉換過程中,因為輸入設備的原因產生,也可能在對數字圖象的處理中產生,噪聲不一定是真實的聲音,可以理解為影響人的視覺器官或系統傳感器對所接收圖象源信息進行理解或分析的各種因素。不同原因產生的噪聲,其分布特性也不完全相同,根據噪聲和信號的關系可將其分為兩種形式:1)加性噪聲,此類噪聲與輸入圖象信號無關,含噪圖象表示為f(x,y)=g(x,y)+n(x,y);2)乘性噪聲,此類噪聲與圖象信號有關,含噪圖象表示為f(x,y)=g(x,y)+n(x,y)g(x,y)。噪聲對圖象處理十分重要,如果圖象伴有較大噪聲,它會直接影響到圖象處理的輸入、采集、處理的各個環節以及輸出的全過程甚至輸出結果,因此,在進行數字圖象處理的時候,首先需要對目標圖象進行去除噪聲的工作。

1.1 均值濾波器

采用鄰域平均法的均值濾波器適用于去除通過掃描得到的圖象中的顆粒噪聲。鄰域平均法是空間域平滑技術。對于給定的圖象f(x,y)中的每個像點(x,y),取其鄰域Sxy,設Sxy含有M個像素,取其平均值作為處理后所得圖像像點(x,y)處的灰度。

1.2 自適應維納濾波器

它能根據圖象的局部方差來調整濾波器的輸出,局部方差越大,濾波器的平滑作用越強。它的最終目標是使恢復圖像f^(x,y)與原始圖像f(x,y)的均方誤差e2=E[(f(x,y)- f^(x,y))2]最小。

1.3 中值濾波器

基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代換。其主要功能是讓周圍象素灰度值的差比較大的像素改取與周圍的像素值接近的值,從而可以消除孤立的噪聲點,對于濾除圖像的椒鹽噪聲非常有效。

1.4 小波去噪

小波變化具有高斯分布的特性,根據信號小波分界的特點,對信號的小波系數設置一個閾值,大于這個閾值的小波系數由信號變換得來,同時含有信號和噪聲的變換結果,而小于這個閾值的小波系數則完全由噪聲變換而來,應該去掉這些系數。這樣就可以達到降低噪聲的目的。同時由于這種方法保留了大部分包含信號的小波系數,因此可以較好地保持圖象細節。利用小波分析的理論可以構造一種既能夠降低圖象噪聲,又能保持圖象細節信息的方法。

2 圖象增強

很多歷史資料由于材質和時間的原因,整幅圖片色澤偏暗,亮度范圍不足或非線性等因素造成對比度不足,影響觀看效果,結合人眼對灰度的感覺,如果相鄰兩個物體目標灰度相差比較小,超過人眼對灰度差的感知能力,人眼就無法區分這不同的兩個物體,從而導致無法看清楚圖片,這就需要對圖片做出一些處理,使圖片的灰度差和整體色澤有所改善,以達到人眼觀看的效果。圖象處理的原始目的就是改善圖象,使看不清的目標能夠看得清楚,因此,對數字圖象識別分析的全過程,都要求圖象得到改善以適應人的肉眼,為了達到這個目的,除了首先需要去除噪聲之外,還需要分辨灰度細節,解決灰度的擴展和圖象鮮明化問題。

圖象改善最常用的方法是圖象增強,圖象增強要改善圖象的視覺效果,把圖象處理成為適用于計算機分析或控制的某種形式,圖像增強按特定的需要突出一幅圖像的某些信息,同時,削弱或除去某些不需要的信息的處理方法,以達到改善圖象的目的。圖象增強并不能完全滿足原始圖象的一些視覺特性,為了達到圖象增強的效果,圖象往往會發生變化,產生畸變,但是對人的肉眼的感覺而言,畸變后的圖象反而比原始圖象更加清晰,觀感也更舒服,因此,圖象增強不顧及原始圖象是否發生了畸變,只以符合肉眼觀感和找出特征為條件,圖象增強內容包括:去除圖象噪聲,抽取圖象中某些目標輪廓,圖象的勾邊處理,提取圖象中的特征等技術,通過直方圖均衡化技術來實現圖像增強,首先就是對原圖像通過離散函數進行直方圖處理。得到原圖像的直方圖后,根據均衡化的變換函數通過計算得到所需要的增強效果的圖像的直方圖,分析圖像增強的點處理、空間域濾波、頻域濾波、代數運算。用直方圖均衡化的算法增強灰度圖像,達到了圖象增強的目的。

3 圖象復原

有些圖象因為質量變壞,導致圖象模糊不清,或圖象有干擾等現象,這種情況叫做圖象退化,根據圖象退化的原因建立一個退化模型,以該模型為基礎依據,運動各種反退化處理方法,使復原后的圖象符合某些要求和條件,圖象的質量得到改善,這樣的方法叫做圖象復原。圖象復原和圖象增強的目的相似,都是為了改善圖象的視覺效果,令其符合人肉眼的視覺要求,但二者并不等同,圖象增強不用考慮圖象畸變或退化的原因,更多的依據主觀判斷利用各種技術進行處理,達到增強圖象的視覺效果,滿足人視覺系統的要求,不用考慮增強后的圖象是否失真,只要滿足肉眼觀感就可以,而圖象復原是根據圖象產生畸變或退化的原因,建立相應的數學模型,從畸變或退化的圖像信號中提取所需的相關信息,并找出一種相應的逆過程處理方法,從而恢復圖象的本來面貌。圖像復員的過程實際是設計一個濾波器,從已經退化的圖像中計算得到真實圖像的估計值,并國際預先規定的誤差準則,使其最大程度的接近物體的原始真實圖像

圖象復原是根據退化原因,建立相應的數學模型,從被污染或畸變的圖象信號中提取所需要的信息,沿著使圖象降質的逆過程恢復圖象本來面貌。實際的復原過程是設計一個濾波器,使其能從降質圖象g(x,y)中計算得到真實圖象的估值f(x,y),使其根據預先規定的誤差準則,最大程度地接近真實圖象f(x,y)。

象平面所得圖像為H[f(x,y)],加性噪聲n(x,y),實際所得的退化圖象g(x,y)模型函數是g(x,y)=H[f(x,y)]+n(x,y),其中H[?]是綜合所有退化因素的函數。

4 圖象分割

圖像作為一個整體,有豐富的內容和色彩,我們所需要的目標和背景與整幅圖像融為一體,不利于進行圖像處理,因此,先將圖象劃分成若干個與物體目標相對應的區域,根據目標和背景的先驗知識,對圖象中的目標與背景進行標識、定位,將目標從背景或其他偽目標中分離出來,這種方法稱為圖象分割。

圖象分割而成的區域所包含的信息包括了分區分割和對各分區的描述,利用這些區域中所包含的部分特征,例如灰度差別、局部紋理差別、彩色差別、局部統計特征或局部區域的頻譜特征的差別等,可以用來區分整幅圖象中不同的目標物體,這些區域稱為感興趣區。因為我們是利用現有圖象信息中的部分特征去進行區域分割,所以這樣的分割方法并不具有通用性。

理論上來說,圖象分割有兩個原理,一是在圖象中,找出有代表性的物體的邊緣,利用邊緣信息把整幅圖象分割為各個感興趣區;二是從圖象中找出具有相似特征的物體區,將這些物體區的外輪廓作為邊緣,根據特征相似度的準則進行劃分。

三種分割方法:

基于閾值的分割,這是一種最常用的區域分割技術,閾值是用于區分不同目標的灰度值。在圖象只有目標和背景的情況下,只需選取單閾值分割,將圖象中每個象素的灰度值和閾值比較,灰度值大于閾值的象素和灰度值小于閾值的象素分別歸類。如果圖象中有多個目標,就需要選取多個閾值將各個目標分開,這種方法稱為多閾值分割。閾值分割的結果依賴于閾值的選取,確定閾值是閾值分割的關鍵。

基于區域的分割,有兩種基本形式:區域生長和分裂合并。前者是從單象素出發,逐漸合并以形成所需的分割結果。后者是從整個圖象出發,逐漸分裂或合并以形成所需要的分割結果。與閾值方法不同,這類方法不但考慮了象素的相似性,還考慮了空間上的鄰接性,因此可以有效地消除孤立噪聲的干擾,具有很強的魯棒性。而且,無論是分裂還是合并,都能將分割深入達到象素級,因此可以保證較高的分割精度

基于邊緣的分割,是利用不同區域間象素灰度不連續的特點檢測出區域間的邊緣,從而實現圖象分割。邊界的象素灰度值變化往往比較劇烈。首先檢測圖象中的邊緣點,在按一定策略連接成輪廓,從而構成分割區域。

5 結束語

很多文獻和資料因為年代久遠導致字跡模糊,內容無法識別而失去其歷史和研究價值,用數字圖象處理的方法將其處理還原,以達到人眼可以看清內容,進行研究的效果。因此可以看出,數字圖像處理技術更加普適、可靠和準確。比起其它簡單的模擬操作的方法,也更容易實現。

參考文獻:

[1] 容觀澳.計算機圖像處理[M].北京:清華大學出版社,2000.

[2] 邊肇祺.模式識別[M].2版.北京:清華大學出版社,2000.

篇4

關鍵詞： 數字圖像處理； Matlab； GUI； 實驗平臺

中圖分類號： TN919?34 文獻標識碼： A 文章編號： 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

《數字圖像處理》是電子信息類專業非常重要的專業課[1]。目前對該門課程的安排，各院校一般都是理論教學與實驗教學相結合[2]，學生通過上機實驗，提高動手編程能力，增進對數字圖像處理流程的認識，加深對數字圖像處理理論知識的理解。在實驗教學中，各高校通常采用Matlab，VC++軟件等進行編程，由于缺少緊扣教材的實驗系統，學生很難深入理解數字圖像處理的技術原理[3]。

基于上述分析，為便于學生系統、全面的掌握該門課程的基本原理和經典算法，本文利用Matlab軟件創建數字圖像處理實驗教學平臺的用戶圖形界面（GUI），開發了一個針對教學的可視化、系統化“數字圖像處理實驗教學”軟件，為學生提供一個數字圖像處理技術的算法演示及模擬開發的GUI平臺，幫助學生掌握數字圖像處理的基本原理和內容，熟悉并消化圖像處理的技術方法，了解圖像處理的較新研究領域。利用軟件Matlab平臺建設了一個集良好的可視化、開放性、交互性于一體的數字圖像處理實驗教學平臺。

1 實驗平臺的總體設計

本文利用Matlab的GUI來設計人機交互的圖形用戶界面[4]，設有圖像顯示坐標軸、下拉菜單、按鈕等功能來完成不同功能模塊的實現和函數的調用。

1.1 實驗平臺總體結構

該實驗平臺以北京郵電大學世紀學院《數字圖像處理》這門課程的內容為基本點，結合實驗教學的課時安排，按照圖像處理技術實驗教學的特點來設計該實驗平臺系統的整體框架[5]。

該實驗平臺具體框圖如圖1 所示。

圖1 基于Matlab GUI的數字圖像處理實驗平臺系統結構圖

此實驗平臺的主界面采用Matlab GUI菜單項設計，在主界面中點擊任一子模塊，就可打開相應子模塊界面，具體界面實現如圖2所示。

圖2 實驗平臺主界面設計圖

該實驗平臺主要包括圖像處理中的幾何變換、圖像增強、圖像平滑、邊緣與分割、假彩色編碼等模塊內容，其中，幾何變換模塊主要包含了圖像平移、圖像鏡像、圖像旋轉、圖像錯切、比例縮放、復合變換等功能；圖像增強由線性變換、行對數變換、直方圖均衡化、直方圖規定化、索引/二值圖像等5個功能塊組成；圖像平滑主要包括模擬噪聲生成、鄰域平均、中值濾波、巴特沃斯低通濾波、指數型低通濾波、梯形低通濾波、Sobel 算子濾波、空域高通濾波等功能模塊；邊緣與分割分為圖像分割、Hough變換、邊緣檢測等3個模塊；假彩色編碼包括RGB空間偽彩色編碼、灰度彩色變換法編碼和頻率偽彩色編碼等三個功能模塊。

1.2 功能設計

圖像的幾何變換是指圖像處理中對圖像平移、旋轉、放大和縮小[6]這些簡單變換以及變換中灰度內插處理等。圖3所示為在圖像幾何變換模塊中，對選定圖像進行復合變換的效果圖。該復合變換式將原有圖像向下平移50像素，向右平移50像素，并用白色填充空白部分，再對其做垂直鏡像，然后旋轉30°。該變換的主要代碼如下：

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′）；

圖3 幾何變換中的復合變換效果圖

圖4所示為圖像增強功能模塊中的灰度圖像線性變換子模塊處理界面，該模塊不僅可以處理灰度圖像，還可處理彩色圖像。在選擇該算法時，實驗平臺會先判斷輸圖像是否為灰度圖像，若是，則直接處理圖像，若不是，則會先彩色圖像轉換為灰度圖像，再做后續處理。其m文件部分代碼如下：

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（′線性變換后的灰度圖′）；

axes（handles.axes_srcl） ；

imhist（image）；title（′原灰度直方圖′）；

axes（handles.axes_dstl） ；

imhist（J）；title（′線性變換后的灰度直方圖′）；

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

set（handles.srcl_save，′Enable′，′on′）；

set（handles.dstl_save，′Enable′，′on′）；

圖5所示為圖像邊緣檢測模塊界面，該界面可同時顯示三種不同算子實現圖像邊緣檢測的效果圖及原圖，以便學生在實驗的過程中進行直觀對比。其主要代碼如下：

BW1=edge（image，′sobel′，0.1）；

BW2=edge（image，′roberts′，0.1）；

BW4=edge（image，′log′，0.01）；

圖4 灰度圖像線性變換子模塊處理界面

圖5 圖像邊緣檢測模塊界面

2 實驗平臺的特點

基于Matlab GUI數字圖像處理實驗平臺具有以下特點：

（1） 內容豐富，涵蓋圖像處理領域的大部分內容，具有很強的可移植性和可擴展性，可在教學的過程中有目的性的進行更改，增刪不同的功能模塊，以便達到更好的教學效果。

（2） 界面友好，方便操作[7]，可在同一界面同時顯示處理前和處理后的圖像。對于某些需要確定參數的算法，該實驗平臺上設置了不同的初始參數值，學生也可以自己動手調節參數值。針對同一數字圖像處理算法，該實驗平臺課可同時展示三種不同參數的處理效果，通過比較不同參數條件下的圖像處理效果，使學生理解有關參數變化對處理結果的影響。

（3） 教師在教學過程中，可以方便地演示圖像處理的某一內容的處理結果，在進行理論教學的同時使學生知道該處理對圖像的影響，從而加深學生對該理論和內容的理解。

（4） 通過該實驗平臺仿真試驗可選出最佳的處理方法、步驟和參數設置，然后再編寫程序，從而有針對性的對算法加以改進，減少了學生對同一圖像處理過程的不同處理方法的重復編程時間，便于學生對有關算法進行改進或創新。

3 結 語

針對北京郵電大學世紀學院《數字圖像處理》實踐教學的現狀，設計實現了基于Matlab GUI的數字圖像處理實驗平臺。該實驗平臺用戶界面友好，交互性強，可拓展性好。根據我院信息類不同專業的教學特點，在教學的過程中，可自行修改模塊設置，增刪特色模塊，使學生對數字圖像處理的相關理論有比較深刻的理解，從而提升《數字圖像處理》課程的實踐教學效果。

參考文獻

[1] 張穎穎，黃義定，王紅娟.關于“數字圖像處理”實驗的任務模塊化教學模式的探索[J].實驗室科學，2012（6）：52?54.

[2] 安平，王朔中.建立在Matlab平臺上的數字圖像處理教學實驗系統[J].實驗室研究與探索，2001（1）：61?62.

[3] 王帆，劉慧.基于Matlab GUI的數字圖像處理實驗平臺設計[J].中國科技信息，2011（7）：124?125.

[4] 陳光.精通Matlab GUI設計[M].北京：電子工業出版社，2008.

[5] 楊順遼，李澤軍.基于Visual C++的數字圖像處理實驗軟件開發[J].國土資源高等職業教育研究，2011（7）：25?28.