第六章、图像增强
0.1图像增强的目的：
- 改善图像视觉效果，提高图像清晰度；
平滑、降噪——图像清晰。
- 利于后期图像处理。
锐化——突出边缘轮廓，便于后期特征分析。
0.3图像噪声
定义：在图像摄取或传输过程中所受到的随机干扰信号。
-CCD/CMOS噪声，通常受温度和IOS感度影响，这两个值越高则效果越差。
-图像噪声模糊图像，甚至淹没特征，给后续处理、分析带来困难。
-噪声通常也会因为JPEG压缩算法而被放大，通常色调错误。
特性：
*随机性；
-白噪声，色噪声；
-高斯噪声；椒盐噪声；
*孤立性；
*加性噪声；
*乘性噪声；
*量化噪声；
常见的噪声：
-椒盐噪声：含有随机出现的黑白强度值。
-脉冲噪声：只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）。
-高斯噪声：含有强度服从高斯或正态分布的噪声；高斯噪声是许多传感器噪声的很好模型，如摄像机的电子干扰噪声。
一、空域平滑
图像平滑的目的：
消除或尽量减少噪声的影响，改善图像的质量。
假设：
在假定加性噪声是随机独立分布的条件下，利用邻域的平均或加权平均可以有效地抑制噪声干扰。
图像平滑本质上是低通滤波。
问题：图像边缘也处于高频成分。
空域平滑：
实现起来非常简单。将原图中的每一点地灰度和它周围的八个点地灰度相加，然后除以9，作为新图中对应点地灰度，就能实现滤波的效果。
中值滤波——非线性滤波器
中值滤波也是一种典型的低通滤波器，目的是保护图像边缘的同时去除噪声。
中值滤波：是指把以某点(x,y)为中心的小窗口内的所有像素的灰度按从大到小的顺序排列，将中间值作为(x,y)处的灰度值。
中值滤波对高斯噪声无效，对脉冲噪声有效。
Box模板对高斯噪声有所下降，对噪声进行模糊。
高斯模板对高斯噪声非常有效，对脉冲噪声效果不大。
结论：
*中值滤波容易去除孤立点，线的噪声同时保持图像的边缘；
*它能很好的去除二值噪声，但对高斯噪声无力。
当窗口内噪声点的个数大于噪声宽度的一半时，中值滤波的效果不好。
二、图像锐化
与平滑相反，锐化是通过增强高频成分来减少图像中的模糊。
目的：
增强图像细节边缘和轮廓，灰度反差增强，便于后期对目标的识别和处理。
方法：微分，高通滤波。
——边缘和轮廓都位于灰度突变的地方。
锐化处理在增强图像边缘的同时也增加了图像的噪声。
1、 梯度法
梯度的方向是图像中最大变化率的方向，梯度的幅度比例于相邻像素的灰度级差值。
a） 直接以梯度代替
——简单。但是在图像均匀部分，梯度很小，甚至为零，结果图像较暗。
b） 输出门限判断
——不会破坏图像背景，又可以增强图像。
c） 为边缘规定一个特定的灰度级
d） 为背景规定一个特定的灰度级
e） 二值化图像
罗伯特梯度算子：对角线像素相减之后绝对值求和。
特点：算法简单，无方向性。旋转±45°两个方向的微分和。
Roberts算子为2*2模板，提取出的边缘信息较弱。
Laplacian算子
Laplacian算子是线性二次微分算子，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缘的锐化要求。
Laplacian算子等于中心点与其邻域值之差。标量，一般取正值或绝对值。
为了改善锐化效果，可以脱离微分的计算原理，在原有算子的基础上，对模板系数进行改变，获得Laplacian变形算子。
特点：
Laplacian算子获得的边界比较细，包括较多的细节信息，但边界不太清晰。
2、 高通滤波
图像边缘与高频分量相对应，高通滤波器抑制低频分量，从而达到图像锐化的目的。
3、 模板匹配法
将8个方向、大小为3x3的模板，顺序作用于同一图像窗口，并对结果进行排序，将最大的结果值作为窗口中心像素的锐化输出。
a) Sobel算子 特点：锐化的边缘信息较强。
b) Prewitt算子 特点：有一定的抗干扰性。图像效果比较干净。
特点：模板匹配法除了能够增强图像边缘外，还有平滑噪声的优点，总体上由于梯度和Laplicain算子。
总结：
1） 突变型细节，通过一阶微分的极大值点，二阶微分的过0点可以检测出来。
2） 细线型细节，通过一阶微分的过0点，二阶微分的极小值点均可以检测出来。
3） 渐变型细节，一般情况下很难检测，但二阶微分的信息比一阶微分信息略多。
边缘信息具有方向性，不同的锐化/边缘检测算子同样也可以具有方向性，统一锐化/边缘检测算子对不同的图像，所取得的效果可能不同。