MATLAB 空间域图像增强

ubeautqq

4 p9 s1 H  B" m( ?' u方法包括：直方图修正，灰度变换，图像平滑化，图像锐化等。

    卷积时模板是相对中心点做镜像后再对F位于模板下的子图像作加权和的。只有模板本身是关于中心点对称，相关和卷积结果才会相同。
! \' ], N$ f' U# V" |& K- W" O
9 g2 h6 l/ c9 {4 D- R* Q, ]' B

• % 均值滤波  f = imread('../lena_AdaptiveMedianFilter.bmp'); %读入图像 imshow(f); %得到图5.2（a）的图像 w = [1 1 1; 1 1 1; 1 1 1] / 9 %滤波模板  g = imfilter(f, w, 'conv', 'replicate'); %滤波   滤波过程corr--相关  conv--卷积   figure, imshow(g); %得到5.2（b）的图像   replicate 重复的边界填充方式
  " y: b/ n. Z& J( t# A

5 l+ S$ m& h+ n; I( b7 p3 B
8 T% {2 Y% y& h1 h9 ~* k8 a2 `     图像平滑可以减少和抑制图像噪声。

( L& T) C& Z4 A6 ?8 F     平均平滑
0 F* c) B3 M" X- S% f) A1 b
7 y; N5 B1 ^$ k

• I = imread('../baby_noise.bmp');  figure, imshow(I)  h = fspecial('average', 3); % 3*3平均模板 I3 = imfilter(I, h, 'corr', 'replicate'); % 相关滤波，重复填充边界 figure, imshow(I3)  h = fspecial('average', 5) % 5*5平均模板  I5 = imfilter(I, h, 'corr', 'replicate'); figure, imshow(I5)  h = fspecial('average', 7); % 7*7平均模板 I7 = imfilter(I, h, 'corr', 'replicate'); figure, imshow(I7)
  

; T0 d$ i2 |5 n) d7 c0 s1 D1 v; c  \     高斯平滑
2 t# _, l. W- m. Y* {5 T- L! h
3 Y1 g" k* A- j  O

• I = imread('../baby_noise.bmp');  figure, imshow(I);    h3_5 = fspecial('gaussian', 3, 0.5); % sigma=0.5的3*3高斯模板  I3_5 = imfilter(I, h3_5); % 高斯平滑  figure, imshow(I3_5);     h3_8 = fspecial('gaussian', 3, 0.8); % sigma=0.8的3*3高斯模板  I3_8 = imfilter(I, h3_8);  figure, imshow(I3_8);    h3_18 = fspecial('gaussian', 3, 1.8) % sigma=1.8的3*3高斯模板，接近于平均模板   I3_18 = imfilter(I, h3_18);  figure, imshow(I3_18);
  

6 J( M2 b0 ~! S9 v4 ^9 b! |    中值滤波
   
/ Y2 Z# U9 _# W& m

• I = imread('../lena_salt.bmp'); imshow(I);  J=imnoise(I,'salt & pepper');%为图像叠加椒盐噪声 figure, imshow(J);  w = [1 2 1;2 4 2;1 2 1] / 16; J1=imfilter(J, w, 'corr', 'replicate'); %高斯平滑 figure, imshow(J1);  w = [1 1 1;1 1 1;1 1 1] / 9; J2=imfilter(J, w, 'corr', 'replicate');%平均平滑 figure, imshow(J2);  J3=medfilt2(J,[3,3]);%中值滤波 figure, imshow(J3);
  

+ A1 e3 {7 q! P' e0 U. n: Q2 K4 y- O
0 y" P- {. m. n0 E' x
* y/ \# V0 O/ z  s1 ]" f; m
0 m& I! ^8 J5 @. c! b; w目测 中值滤波效果最好，其为统计排序滤波器，线性平滑滤波器在降噪时不可避免的出现模糊。低于椒盐噪声，中值滤波最好。
: h/ C, n- H. \7 |9 ]
5 |+ I: P  O) N+ h7 H1 y2 \
' I: r! `8 g$ W( g3 ?: x: m
    图像锐化
( D* B+ e8 U7 G& u$ }: V
    增强图像灰度跳变部分。锐化的对象是边缘，处理不涉及噪声。
7 k, N  Q; C/ U
+ D2 o3 s" {+ o7 c基于一阶导数的增强。

• % 基于Robert交叉梯度的图像锐化  I = imread('../bacteria.bmp'); imshow(I);  I = double(I); % 转换为double型，这样可以保存负值，否则uint8型会把负值截掉 w1 = [-1 0; 0 1] w2 = [0 -1; 1 0] G1 =  imfilter(I, w1, 'corr', 'replicate'); % 以重复方式填充边界 G2 =  imfilter(I, w2, 'corr', 'replicate'); G = abs(G1) + abs(G2); % 计算Robert梯度  figure, imshow(G, []);  figure, imshow(abs(G1), []); figure, imshow(abs(G2), []);
  

7 I$ @. [3 D) z4 d
( z' ~  r% `1 {9 ^9 {8 X基于二阶微分的增强。

: j. n% U% ]3 ^, F( Y

• % 基于3种拉普拉斯模板的滤波   I = imread('../bacteria.bmp'); figure, imshow(I); I = double(I); w1 = [0 -1 0; -1 4 -1; 0 -1 0] L1 = imfilter(I, w1, 'corr', 'replicate'); w2 = [-1 -1 -1; -1 8 -1; -1 -1 -1] L2 = imfilter(I, w2, 'corr', 'replicate'); figure, imshow(abs(L1), []); figure, imshow(abs(L2), []); w3 = [1 4 1; 4 -20 4; 1 4 1] L3 = imfilter(I, w3, 'corr', 'replicate'); figure, imshow(abs(L3), []);
  * {0 j# n6 ~9 P. o& c2 h) R

) N: k# U, W* e  _1 Z
% H' k' x2 e) D, p: E: R
8 _$ {$ `8 W/ Z4 c' n高斯-拉普拉斯变换增强。
3 S0 p1 N2 J5 i

• LoG算子的锐化 clear all I = imread('../babyNew.bmp'); figure, imshow(I, []); %得到图5.14（a） Id = double(I); % 滤波前转化为双精度型  h_log = fspecial('log', 5, 0.5); % 大小为5，sigma=0.5的LoG算子 I_log = imfilter(Id, h_log, 'corr', 'replicate');  figure, imshow(uint8(abs(I_log)), []);  h_log = fspecial('log', 5, 2); % 大小为5，sigma=2的LoG算子 I_log = imfilter(Id, h_log, 'corr', 'replicate');  figure, imshow(uint8(abs(I_log)), []);
  

" Z+ ~& y% x6 b% l  F; J+ ^
4 \; c8 r3 J) q* S3 L5 K8 J
, ^* r3 R* _+ N/ q4 x! \$ r% u

hdubsgyd

只有模板本身是关于中心点对称，相关和卷积结果才会相同。
2 l- r, [+ c3 _4 f$ T& k$ f5 d

SsaaM7

卷积时模板是相对中心点做镜像后再对F位于模板下的子图像作加权和的

smileqq

图像平滑可以减少和抑制图像噪声