梯度銳化法是空間杜律平滑演算法嗎

❶ 求助：如何用matlab對彩色圖像進行傅里葉變換後進行濾波

岡薩雷斯版<圖像處理>裡面的解釋非常形象：一個恰當的比喻是將傅里葉變換比作一個玻璃棱鏡。棱鏡是可以將光分解為不同顏色的物理儀器，每個成分的顏色由波長（或頻率）來決定。

傅里葉變換可以看作是數學上的棱鏡，將函數基於頻率分解為不同的成分。當我們考慮光時,討論它的光譜或頻率譜。同樣, 傅立葉變換使我們能通過頻率成分來分析一個函數。

圖像傅立葉變換的物理意義

圖像的頻率是表徵圖像中灰度變化劇烈程度的指標，是灰度在平面空間上的梯度。如：大面積的沙漠在圖像中是一片灰度變化緩慢的區域，對應的頻率值很低；而對於地表屬性變換劇烈的邊緣區域在圖像中是一片灰度變化劇烈的區域，對應的頻率值較高。傅立葉變換在實際中有非常明顯的物理意義，設f是一個能量有限的模擬信號，則其傅立葉變換就表示f的譜。從純粹的數學意義上看，傅立葉變換是將一個函數轉換為一系列周期函數來處理的。從物理效果看，傅立葉變換是將圖像從空間域轉換到頻率域，其逆變換是將圖像從頻率域轉換到空間域。換句話說，傅立葉變換的物理意義是將圖像的灰度分布函數變換為圖像的頻率分布函數，傅立葉逆變換是將圖像的頻率分布函數變換為灰度分布函數

傅立葉變換以前，圖像（未壓縮的點陣圖）是由對在連續空間（現實空間）上的采樣得到一系列點的集合，我們習慣用一個二維矩陣表示空間上各點，則圖像可由z=f(x,y)來表示。由於空間是三維的，圖像是二維的，因此空間中物體在另一個維度上的關系就由梯度來表示，這樣我們可以通過觀察圖像得知物體在三維空間中的對應關系。為什麼要提梯度？因為實際上對圖像進行二維傅立葉變換得到頻譜圖，就是圖像梯度的分布圖，當然頻譜圖上的各點與圖像上各點並不存在一一對應的關系，即使在不移頻的情況下也是沒有。傅立葉頻譜圖上我們看到的明暗不一的亮點，實際上圖像上某一點與鄰域點差異的強弱，即梯度的大小，也即該點的頻率的大小（可以這么理解，圖像中的低頻部分指低梯度的點，高頻部分相反）。一般來講，梯度大則該點的亮度強，否則該點亮度弱。這樣通過觀察傅立葉變換後的頻譜圖，也叫功率圖，我們首先就可以看出，圖像的能量分布，如果頻譜圖中暗的點數更多，那麼實際圖像是比較柔和的（因為各點與鄰域差異都不大，梯度相對較小），反之，如果頻譜圖中亮的點數多，那麼實際圖像一定是尖銳的，邊界分明且邊界兩邊像素差異較大的。對頻譜移頻到原點以後，可以看出圖像的頻率分布是以原點為圓心，對稱分布的。將頻譜移頻到圓心除了可以清晰地看出圖像頻率分布以外，還有一個好處，它可以分離出有周期性規律的干擾信號，比如正弦干擾，一副帶有正弦干擾，移頻到原點的頻譜圖上可以看出除了中心以外還存在以某一點為中心，對稱分布的亮點集合，這個集合就是干擾噪音產生的，這時可以很直觀的通過在該位置放置帶阻濾波器消除干擾

另外我還想說明以下幾點：

1、圖像經過二維傅立葉變換後，其變換系數矩陣表明：

若變換矩陣Fn原點設在中心，其頻譜能量集中分布在變換系數短陣的中心附近(圖中陰影區)。若所用的二維傅立葉變換矩陣Fn的原點設在左上角，那麼圖像信號能量將集中在系數矩陣的四個角上。這是由二維傅立葉變換本身性質決定的。同時也表明一股圖像能量集中低頻區域。
2 、變換之後的圖像在原點平移之前四角是低頻，最亮，平移之後中間部分是低頻，最亮，亮度大說明低頻的能量大（幅角比較大）

❷ 處理遙感圖像時，需要進行投影轉換，則投影轉換的目的是

投影轉換的目的就是把影像轉換到你想要的投影方式下，比如你有一副影像，是蘭伯特投影，但我國使用的是高斯克里格投影方式，這時你需要把影像轉換成高斯克里格投影。有時你有多幅影像，當每幅影像的投影都不一樣，這時你就無法對影像做疊加的相關處理，也無法接拼，就要以其中一副影像的投影作為標准，把其他所有影像都轉換到這一投影下。ENVI ERDAS ARCGIS中都有投影轉換功能，自己可以試一下。

❸ 圖片的銳化是什麼意思

圖像銳化(image sharpening)是補償圖像的輪廓，增強圖像的邊緣及灰度跳變的部分，使圖像變得清晰，分為空間域處理和頻域處理兩類。

圖像銳化是為了突出圖像上地物的邊緣、輪廓，或某些線性目標要素的特徵。這種濾波方法提高了地物邊緣與周圍像元之間的反差，因此也被稱為邊緣增強。

(3)梯度銳化法是空間杜律平滑演算法嗎擴展閱讀

原理

圖像平滑趨於模糊圖像中的邊界和輪廓。 為了減少這種不利影響的影響，有必要使用圖像銳化技術來使圖像的邊緣清晰。

除了在水下圖像的增強處理中的去噪和對比度擴展之外，有時需要增強圖像中場景的邊緣和輪廓。 邊緣和輪廓通常位於圖像灰度突變的位置，因此可以直觀地考慮提取具有灰度差異的邊緣和輪廓。

❹ 高分求助~

中國知網（www.cnki.net）上，你挑挑

1. 數字圖像增強技術在X線頭影測量中的應用
曹國剛,胡遒生,王林,鮑旭東 文獻來自: 臨床口腔醫學雜志 2001年 第04期 CAJ下載 PDF下載
也為醫生完成這一工作提供了便利數字圖像增強技術在X線頭影測量中的應用@曹國剛!210096江蘇南京$東南大學影像科學與技術實驗室 @胡遒生$南京醫科大學口腔醫學院 @王林$南京醫科大學口腔醫學院 @鮑旭東 ...
被引用次數: 6 文獻引用-相似文獻-同類文獻

2. 數字圖像增強技術及其在VC++6.0下的實現
夏明華,張炎生 文獻來自: 成都信息工程學院學報 2002年 第04期 CAJ下載 PDF下載
數字圖像增強技術及其在VC++6.0下的實現@夏明華$湛江海洋大學海濱學院!廣東524005 @張炎生$湛江海洋大學海濱學院 ... 空間域法論述了數字圖像增強技術中涉及到的圖像平滑、中值濾波、梯度銳化和拉普拉斯銳化等基本演算法及其在VisualC++6 ...
被引用次數: 10 文獻引用-相似文獻-同類文獻

3. 數字圖像變換及信息隱藏與偽裝技術
丁瑋,齊東旭 文獻來自: 計算機學報 1998年 第09期 CAJ下載 PDF下載
3按幻方的圖像置亂變換以自然數1,2,…,n『為元素的n階矩陣滿足其中則稱A為標准幻方.假定數字圖像相應於n階數字矩陣s ... 對數字圖像矩陣B,注意B與A元素之間的對應關系,隨A轉換為人而把B中對應像素信息(灰度,RGB)做相應的移置,產生數字圖像矩陣民,記為EB— BI,一般地,有E」B一B。例如,我們考慮一個由4X4像素組成的圖像B, ...
被引用次數: 193 文獻引用-相似文獻-同類文獻

4. 透射電子顯微鏡數字圖像增強技術
陳利永,葉鋒,陳家禎,鄭子華 文獻來自: 福建師范大學學報(自然科學版) 2003年 第01期 CAJ下載 PDF下載
原始圖像和處理後圖像的直方圖透射電子顯微鏡數字圖像增強技術@陳利永$福建師范大學計算機科學系!福建福州350007 @葉鋒$福建師范大學計算機科學系 ...
被引用次數: 2 文獻引用-相似文獻-同類文獻

5. 數字圖像處理技術及其應用
李紅俊,韓冀皖 文獻來自: 計算機測量與控制 2002年 第09期 CAJ下載 PDF下載
模擬圖像處理 (AnalogImageProcessing)和數字圖像處理 (Dig italImageProcessing)。數字圖像處理 ,通俗地講就是利用計算機對圖像進行處理。因此也稱之為計算機圖像處理 (C ... 圖像理解[M].北京:國防科技大學出版社,1994. [5]A .羅森費爾德,等.數字圖像分析[M ] ...
被引用次數: 26 文獻引用-相似文獻-同類文獻

6. 棉鈴蟲數字圖像增強技術的研究
於新文,沈佐銳 文獻來自: 走向21世紀的中國昆蟲學——中國昆蟲學會2000年學術年會論文集 2000年 CAJ下載
棉鈴蟲數字圖像增強技術的研究@於新文$西南林學院!昆明,650224 @沈佐銳$中國農業大學植保學院昆蟲學系 ...
被引用次數: 3 文獻引用-相似文獻-同類文獻

7. DSA數字減影系統中圖像增強技術研究
華如梅,沈大公 文獻來自: 醫學信息 1999年 第04期 CAJ下載 PDF下載
對數放大和數字濾波演算法。這兩種演算法是根據DSA系統產生減影圖像的實際過程和實時性要求,對傳統的數字圖像增強演算法進行改進而設計的,DSA系統採用這兩種演算法使減影圖像基本達到平滑、清晰,並有較一致的對比度?...
被引用次數: 2 文獻引用-相似文獻-同類文獻

8. 數字圖像處理技術
鄭建英 文獻來自: 內蒙古科技與經濟 2002年 第05期 CAJ下載 PDF下載
內蒙古呼和浩特 010000圖像處理;;像素;;矩陣;;濾波本文概迷數字圖像處理技術的發展,並討論其迅速發展的原因,同時介紹了數字圖像處理的主要內容和應用領域。[1]KennethR ...
被引用次數: 9 文獻引用-相似文獻-同類文獻

9. 數字圖像的自適應公開水印技術
張軍,王能超 文獻來自: 計算機學報 2002年 第12期 CAJ下載 PDF下載
我們將進一步研究基於多小波變換的性能更好的水印技術 .數字圖像的自適應公開水印技術@張軍$華中科技大學計算機學院!武漢430074 @王能超$華中科技大學計算機學院 ... 一種新的數字圖像隱藏方法.計算機學報,2000,23(9):949-952) 11NiuXia-Mu,L uZhe-Ming,SunSheng-He ...
被引用次數: 17 文獻引用-相似文獻-同類文獻

10. 數字圖像的增強
黃濤 文獻來自: 肇慶學院學報 2004年 第02期 CAJ下載 PDF下載
圖像增強的目的在於採用一系列技術改善圖像的視覺效果,提高圖像的清晰度.數字圖像增強的方法有頻域處理法與空域處理法 ...
被引用次數: 3 文獻引用-相似文獻-同類文獻

查數字圖像 的定義
搜數字圖像 的學術趨勢
搜技術 的學術趨勢
翻譯 數字圖像增強技術

參考資料
http://..com/question/28950267.html?si=1
網路
裡面有更完善

❺ 在數字圖像處理中什麼是圖像平滑什麼是圖像銳化

（圖象平滑）①目的：降低圖像銳度，同時也會去除部分雜訊，處理後導致圖象模糊；②處理方法：鄰域平均法、中值濾波法、多圖象平均法，採用取平均值或中值的方法來模糊雜訊；③圖象邊緣及雜訊頻率都在高頻區，用低通濾波法來去雜訊。
（圖象銳化）①目的：增強圖像輪廓和細節，使圖象清晰，處理後雜訊也會增強；②處理方法：梯度法、拉普拉斯演算法、Robert演算法，採用微分運算求信號變化率，加強高頻分量，使圖象輪廓清晰；③圖象邊緣或線條等細節部分在高頻區，用高通濾波讓高頻分量通過。

❻ 數字圖像處理(四) 數字增強

  本節主要目的是介紹圖像增強的一些基本概念。來源於東北大學 魏穎教授的數字圖像課程筆記。

  將圖像中像素亮度（灰度級別）看成是一個隨機變數， 則其分布情況反映了圖像的統計特性，這可用Probability Density Function (PDF)來刻畫和描述，表現為 灰度直方圖 （Histogram）。
  灰度直方圖是灰度級的函數，表示圖像中 具有某種灰度級的像素的個數 ，反映了圖像中每種灰度出現的頻率。
  灰度直方圖的 橫坐標是灰度級 ， 縱坐標是該灰度級出現的頻度 ，它是圖像最基本的統計特徵。

  直方圖均衡化處理是以 累積分布函數 變換法為基礎的直方圖修正法。假定變換函數為

  式中： 是積分變數，而 就是 的累積分布函數。
  累積分布函數是 的函數，並且單調地從0增加到1， 所以這個變換函數滿足關於 在 內單值單調增加。在 內有 的兩個條件。可以推導出，變換後的變數s的定義域內的概率密度是均勻分布的。
  用 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 的圖像。

  考慮到灰度變換不影響像素的位置分布，也不會增減像素數目。所以有

  應用到離散灰度級，設一幅圖像的像素總數為 ，分 個灰度級。

  第 個灰度級出現的頻數。第 個灰度級出現的概率 其中 ， 。形式為：

  直方圖均衡化，力圖使 等長區間 內出現的像素數接近相等。

  圖像由像素組成，視覺效果與像素的灰度有關。從而可以通過改變像素灰度值來改變圖像的視覺效果。 灰度變換 是一種點操作，賦予每個像素新的灰度值，關鍵在於設計變換函數（映射規則）。本節主要介紹三種灰度變換方法： 線性灰度變換 ； 分段線性變換 ； 非線性變換 。

  1. 線性灰度變換

  當圖象成象時曝光不足或過度, 或由於成象設備的非線性和圖象記錄設備動態范圍太窄等因素。都會產生對比度不足的弊病，使圖象中的細節分辨不清。這時可將灰度范圍線性擴展。
  設 灰度范圍為 ， 灰度范圍為 。

  假定原圖像 的灰度范圍為 ，希望變換後圖像 的灰度范圍擴展至 ，則線性變換可表示為：

  為了突出感興趣的目標或灰度區間，相對抑制不感興趣的灰度區域，可採用分段線性變換。常用的三段線性變換法數學表達式如下：

  雜訊可以理解為「妨礙人們感覺器官對所接收的信源信息理解的因素」。例如，一幅黑白圖像，其亮度分布假定為 ， 那麼對其起干擾作用的亮度分布 便稱為圖像雜訊。

  雜訊在理論上可以定義為「不可預測， 只能用概率統計方法來認識的隨機誤差」。將圖像雜訊看成是多維隨機過程是合適的，描述雜訊的方法完全可以借用隨機過程及其概率分布函數和概率密度函數。
  但在很多情況下，這種描述方法很復雜，甚至不可能，而且實際應用往往也不必要，通常是用其 數字特徵 ， 即均值方差 、 相關函數 等進行處理。

  圖像雜訊按其產生的原因可分為 外部雜訊 和 內部雜訊 。外部雜訊是指系統外部干擾從電磁波或經電源傳進系統內部而引起的雜訊，如電氣設備、天體放電現像等引起的雜訊。主要外部干擾如下：
（1） 由光和電的基本性質所引起的雜訊。
（2） 電器的機械運動產生的雜訊。如, 各種接頭因抖動引起的電流變化所產
生的雜訊；磁頭、磁帶抖動引起的抖動雜訊等。
（3） 元器件材料本身引起的雜訊。如, 磁帶、 磁碟表面缺陷所產生的雜訊
（4） 系統內部設備電路所引起的雜訊。如, 電源系統引入的交流雜訊，偏轉
系統和箝位電路引起的雜訊等。

  圖像雜訊從 統計特性 可分為 平穩雜訊 和 非平穩雜訊 兩種。統計特性不隨時間變化的雜訊稱為平穩雜訊；統計特性隨時間變化的雜訊稱為非平穩雜訊。
  另外，按雜訊和信號之間的關系可分為 加性雜訊 和 乘性雜訊 。
  假定信號為 ，雜訊為 ，如果混合疊加波形是 形式，則稱其為加性雜訊；如果疊加波形為 形式， 則稱其為乘性雜訊。
  為了分析處理方便，往往將乘性雜訊近似認為加性雜訊，而且總是 假定信號和雜訊是互相獨立 的。

   （1）高斯雜訊 ：

  高斯雜訊是一種源於電子電路雜訊和由低照明度或高溫帶來的感測器雜訊。高斯雜訊也常稱為正態雜訊，符合高斯分布。是自然界中最常見的雜訊。高斯雜訊可以通過空域濾波的平滑濾波方法來消除。

  椒鹽雜訊又稱雙極脈沖雜訊，其概率密度函數為：

  椒鹽雜訊是指圖像中出現的雜訊只有兩種灰度值，分別為a和b，通常情況下脈沖雜訊總是數字化為允許的最大或最小值，所以負脈沖以黑點(類似胡椒)出現在圖像中，正脈沖以白點(類似鹽)出現在圖像中。

  出現位置是隨機的，但雜訊的幅值是基本相同的。

  出現在位置是一定的（每一點上），但雜訊的幅值是隨機的。

  改善降質圖像的方法有兩類： 圖像增強 和 圖像復原

  （1） 圖像增強 ：不考慮圖像降質的原因， 只將圖像中感興趣的部分加以處理或突出有用的圖像特徵，故改善後的圖像並不一定要去逼近原圖像。主要目的是要提高圖像的可懂度。（2） 圖像復原 ：針對圖像降質的具體原因，設法補償降質因素，使改善後的圖像盡可能地逼近原始圖像。

  圖像增強處理的方法基本上可分為 空間域法 和 頻域法 兩大類。

  （1） 空間域法
  在原圖像上直接進行數據運算，對像素的灰度值進行處理。它又分為兩類：點運算和局部運算點運算：對圖像作逐點運算局部運算：在與處理像點鄰域有關的空間域上進行運算。

  （2） 頻域法
  在圖像的變換域上進行處理， 增強感興趣的頻率分量， 然後進行反變換，得到增強了的圖像。

  線性濾波器是線性系統和頻域濾波概念在空域的自然延伸。其特徵是結果像素值的計算由下列公式定義：

  其中： 是模板的系數 是被計算像素及其鄰域像素的值。就是利用模板（濾波器）進行的卷積運算。

   主要線性空域濾波器 ：主要包括 低通濾波器 、 高通濾波器 、 帶通濾波器 。 低通 濾波器主要用於：鈍化圖像、去除雜訊； 高通 濾波器 主要用於邊緣增強、邊緣提取； 帶通 濾波器主要用於刪除特定頻率。

   非線性濾波器的定義 ：使用模板進行結果像素值的計算，結果值直接取決於像素鄰域的值，而 不使用乘積和 的計算。 主要非線性濾波器有 ：中值濾波、最大值濾波、最小值濾波。

  線性平滑濾波器： 均值濾波器

  分別採用 像素的方形均值濾波器得到的平滑結果。

  模板尺寸越大，圖像越模糊，圖像細節丟失越多

  低通空域濾波的缺點和問題如果圖像處理的目的是去除雜訊，那麼，線性平滑低通濾波在 去除雜訊的同時也鈍化了邊和尖銳的細節 。

   統計濾波器是非線性濾波 ：濾波器模板包圍的圖像區域中像素排序，統計排序結果代替中心像素的值； 中值濾波器是應用最廣泛的統計濾波器 ；中值濾波對一定類型的隨機雜訊（如椒鹽雜訊）提供了優秀的去噪能力，比小尺寸的線性平滑濾波器的模糊程度明顯低。

   中值濾波的原理

  用模板區域內像素的中值，作為結果值 ；強迫突出的亮點（暗點）更象它周圍的值，以消除孤立的亮點（暗點）

中值濾波演算法的實現

   在去除雜訊的同時，可以比較好地保留邊的銳度和圖像的細節。對於椒鹽雜訊，中值濾波效果比均值濾波效果好；對於高斯雜訊，均值濾波效果比中值濾波效果好。

   最大值濾波可以去除圖像中的暗斑，同時也會使亮斑增大；最小值濾波可以去除圖像中的亮斑 ，同時也會增大暗斑。

   圖像邊緣是圖像的基本特徵之一，它包含對人類視覺和機器識別有價值的物體圖像邊緣信息。

   邊緣是圖像中特性（如像素灰度、紋理等）分布的 不連續處 ，圖像周圍特性有階躍變化或屋脊狀變化的那些像素集合。圖像邊緣存在於目標與背景、目標與目標、基元與基元的邊界，它標示出目標物體或基元的實際含量，是圖像識別信息最集中的地方。

   圖像銳化就是要 突出圖像邊緣 ， 抑制圖像中非邊緣信息 ， 使圖像輪廓更加清晰 。由於邊緣占據圖像的高頻成分，所以邊緣增強通常屬於 高通濾波 。

   這里介紹三個方法：(1) 基本高通濾波模板；(2) 高頻補償濾波；(3) 圖像微分，包括：一階微分—梯度法；二階微分—拉普拉斯運算元；

   (1) 基本高通濾波模板

   我們先介紹高通濾波模板： 圖像銳化是要增強圖像頻譜中的高頻部分 ，就相當於 從原圖像中減去它的低頻分量 ，即原始圖像經平滑處理後所得的圖像。選擇不同的平滑方法，會有不同的圖像銳化結果。

  或：

   為原象， 為平滑後圖像 為輸出圖像。

  設計模板系數的原則：1）中心系數為正值，外圍為負值；2）系數之和為0

   基本高通空域濾波的缺點和問題 ：高通濾波在增強了邊的同時，丟失了圖像的層次和亮度。

   (2) 高頻補償濾波（提升濾波） ：

  彌補高通濾波的缺陷，在增強邊和細節的同時，不丟失原圖像的低頻成分。

  高頻補償比高通的優點是很明顯的，即增強了邊緣，又保留了層次。雜訊對結果圖像的視覺效果有重要的影響，高頻補償在增強了邊的同時也增強了雜訊。

   (3) 圖像微分

   均值產生鈍化 的效果，而 均值與積分 相似，由此而聯想到， 微分 能不能產生相反的效果，即 銳化 的效果呢？結論是肯定的。圖像微分主要有一階微分和二階微分。

   Roberts交叉梯度運算元 ：

  採用梯度微分銳化圖像，同時會使雜訊、條紋等得到增強，Sobel運算元則在一定程度上克服了這個問題。

（1） 對圖像中的隨機雜訊有一定的平滑作用。
（2） 邊緣兩側元素得到了增強，邊緣顯得 粗而亮 。

  對數字圖像來講， 的二階偏導數可表示為：

  採用拉普拉斯運算元對圖像的增強的基本方法可表示為：

   頻率 平面與圖像 空域 特性的 關系 。

  圖像 變化平緩的部分 靠近頻率平面的圓心，這個區域為 低頻區域 ；圖像中的 邊、雜訊、變化陡峻的部分 ，以放射方向離開頻率平面的圓心，這個區域為 高頻區域 。

(1) 用 乘以給定的圖像 ，計算出它的傅立葉變換 。
(2) 選擇一個變換函數 （頻域濾波器）乘以 。
(3) 計算(2)的反DFT:
(4) 取(3)的實部
(5)用 乘以(4)的結果

  頻域增強與空域增強的關系：1. 在實踐中，小的空間模板比傅立葉變換用得多得多，因為它們易於實現。2. 對於很多在空域上難以表述清楚的問題，對頻域概念的理解就顯得十分重要。在圖像壓縮中更體會到。

  這里我們介紹頻域濾波器的三種濾波器：1）低通濾波；2）高通濾波；3）同態濾波。

   （1）平滑（低通）濾波 ：

  頻域低通濾波的基本思想 ， 是需要鈍化圖像的傅立葉變換形式, 是選取的一個濾波器變換函數 是通過 減少 的高頻部分,來得到的結果運用傅立葉逆變換得到鈍化後的圖像。

   理想低通濾波器的定義 ：

   平滑（低通）濾波—理想低通濾波 ：

  （1）整個能量的92%被一個半徑為5的小圓周包含,大部分尖銳的細節信息都存在於被去掉的8%的能量中。（2）小的邊界和其它尖銳細節信息被包含在頻譜的至多0.5%的能量中。（3）被鈍化的圖像被一種非常嚴重的振鈴效果——理想低通濾波器的一種特性所影響。

  理想低通濾波器的平滑作用非常明顯，但由於變換有一個陡峭的波形，它的反變換 有強烈的振鈴特性，使濾波後圖像產生模糊效果。因此這種理想低通濾波實用中不能採用。

❼ Matlab怎樣把一個彩色圖像進行簡單的增強

增強圖象中的有用信息，它可以是一個失真的過程，其目的是要增強視覺效果。將原來不清晰的圖像變得清晰或強調某些感興趣的特徵，抑制不感興趣的特徵，使之改善圖像質量、豐富信息量，加強圖像判讀和識別效果的圖像處理方法。
圖像增強按所用方法可分成頻率域法和空間域法。前者把圖像看成一種二維信號，對其進行基於二維傅里葉變換的信號增強。採用低通濾波（即只讓低頻信號通過）法，可去掉圖中的雜訊；採用高通濾波法，則可增強邊緣等高頻信號，使模糊的圖片變得清晰。具有代表性的空間域演算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用於去除或減弱雜訊。
圖像增強的目的是改善圖像的視覺效果，針對給定圖像的應用場合，有目的地強調圖像的整體或局部特性，擴大圖像中不同物體特徵之間的差別，滿足某些特殊分析的需要。其方法是通過一定手段對原圖像附加一些信息或變換數據，有選擇地突出圖像中感興趣的特徵或者抑制(掩蓋)圖像中某些不需要的特徵，使圖像與視覺響應特性相匹配。在圖像增強過程中，不分析圖像降質的原因，處理後的圖像不一定逼近原始圖像。圖像增強技術根據增強處理過程所在的空間不同，可分為基於空域的演算法和基於頻域的演算法兩大類。基於空域的演算法處理時直接對圖像灰度級做運算基於頻域的演算法是在圖像的某種變換域內對圖像的變換系數值進行某種修正，是一種間接增強的演算法。
基於空域的演算法分為點運算演算法和鄰域去噪演算法。點運算演算法即灰度級校正、灰度變換和直方圖修正等，目的或使圖像成像均勻，或擴大圖像動態范圍，擴展對比度。鄰域增強演算法分為圖像平滑和銳化兩種。平滑一般用於消除圖像雜訊，但是也容易引起邊緣的模糊。常用演算法有均值濾波、中值濾波。銳化的目的在於突出物體的邊緣輪廓，便於目標識別。常用演算法有梯度法、運算元、高通濾波、掩模匹配法、統計差值法等。

❽ 圖像空域增強和頻域增強的基本原理是什麼

圖像增強的目的是改善圖像的視覺效果或使圖像更適合於人或機器的分析處理。通過圖像增強可以減少圖像雜訊，提高目標與背景的對比度，亦可以強調或抑制圖像中的某些細節。例如，消除照片中的劃痕，改善光照不均勻的圖像，突出目標的邊緣等。

根據處理的空間可以將圖像增強分為空域法和頻域法，前者直接在圖像的空間域（或圖像空間）中對像素進行處理，後者在圖像的變換域（即頻域）內間接處理，然後經逆變換獲得增強圖像。空域增強可以分為點處理和區處理，頻域增強可以分為低通濾波，高通濾波，帶通濾波和同態濾波。

(8)梯度銳化法是空間杜律平滑演算法嗎擴展閱讀

常用的圖像增強處理方式包括灰度變換、直方圖修正、圖像銳化、雜訊去除、幾何畸變校正、頻域濾波和彩色增強等。由於圖像增強與感興趣的物體特性、觀察者的習慣和處理目的密切相關，盡管處理方式多種多樣，但它帶有很強的針對性。

因此，圖像增強演算法的應用也是有針對性的，並不存在一種通用的、適應各種應用場合的增強演算法。於是，為了使各種不同特定目的的圖像質量得到改善，產生了多種圖像增強演算法。這些演算法根據處理空間的不同分為基於空間域的圖像增強演算法和基於變換域的圖像增強演算法。

基於空間域的圖像增強演算法又可以分為空域的變換增強演算法、空域的濾波增強演算法以及空域的彩色增強演算法；基於變換域的圖像增強演算法可以分為頻域的平滑增強演算法、頻域的銳化增強演算法以及頻域的彩色增強演算法。

盡管各種圖像增強技術已取得了長足的發展，形成了許多成熟、經典的處理方法，但新的增強技術依然在日新月異地發展完善，不斷推陳出新，其中尤其以不引起圖像模糊的去雜訊方法（如空域的局部統計法）和新的頻域濾波器增強技術（如小波變換，K－L變換等）最為引人矚目。

❾ 圖片處理-opencv-10.圖像銳化與邊緣檢測

 

Roberts運算元又稱為交叉微分演算法，它是基於交叉差分的梯度演算法，通過局部差分計算檢測邊緣線條。常用來處理具有陡峭的低雜訊圖像，當圖像邊緣接近於正45度或負45度時，該演算法處理效果更理想。其缺點是對邊緣的定位不太准確，提取的邊緣線條較粗。

Prewitt是一種圖像邊緣檢測的微分運算元，其原理是利用特定區域內像素灰度值產生的差分實現邊緣檢測。由於Prewitt運算元採用3 3模板對區域內的像素值進行計算，而Robert運算元的模板為2 2，故Prewitt運算元的邊緣檢測結果在水平方向和垂直方向均比Robert運算元更加明顯。Prewitt運算元適合用來識別雜訊較多、灰度漸變的圖像。

dst = filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

RSobel運算元是一種用於邊緣檢測的離散微分運算元，它結合了高斯平滑和微分求導。該運算元用於計算圖像明暗程度近似值，根據圖像邊緣旁邊明暗程度把該區域內超過某個數的特定點記為邊緣。Sobel運算元在Prewitt運算元的基礎上增加了權重的概念，認為相鄰點的距離遠近對當前像素點的影響是不同的，距離越近的像素點對應當前像素的影響越大，從而實現圖像銳化並突出邊緣輪廓。Sobel運算元的邊緣定位更准確，常用於雜訊較多、灰度漸變的圖像。

Sobel運算元根據像素點上下、左右鄰點灰度加權差，在邊緣處達到極值這一現象檢測邊緣。對雜訊具有平滑作用，提供較為精確的邊緣方向信息。因為Sobel運算元結合了高斯平滑和微分求導（分化），因此結果會具有更多的抗噪性，當對精度要求不是很高時，Sobel運算元是一種較為常用的邊緣檢測方法。

dst = Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

在進行Sobel運算元處理之後，還需要調用convertScaleAbs()函數計算絕對值，並將圖像轉換為8點陣圖進行顯示

dst = convertScaleAbs(src[, dst[, alpha[, beta]]])

拉普拉斯（Laplacian）運算元是n維歐幾里德空間中的一個二階微分運算元，常用於圖像增強領域和邊緣提取。它通過灰度差分計算鄰域內的像素，基本流程是：判斷圖像中心像素灰度值與它周圍其他像素的灰度值，如果中心像素的灰度更高，則提升中心像素的灰度；反之降低中心像素的灰度，從而實現圖像銳化操作。在演算法實現過程中，Laplacian運算元通過對鄰域中心像素的四方向或八方向求梯度，再將梯度相加起來判斷中心像素灰度與鄰域內其他像素灰度的關系，最後通過梯度運算的結果對像素灰度進行調整。

Laplacian運算元分為四鄰域和八鄰域，四鄰域是對鄰域中心像素的四方向求梯度，八鄰域是對八方向求梯度。當鄰域內像素灰度相同時，模板的卷積運算結果為0；當中心像素灰度高於鄰域內其他像素的平均灰度時，模板的卷積運算結果為正數；當中心像素的灰度低於鄰域內其他像素的平均灰度時，模板的卷積為負數。對卷積運算的結果用適當的衰弱因子處理並加在原中心像素上，就可以實現圖像的銳化處理。

dst = Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

由於Sobel運算元在計算相對較小的核的時候，其近似計算導數的精度比較低，比如一個33的Sobel運算元，當梯度角度接近水平或垂直方向時，其不精確性就越發明顯。Scharr運算元同Sobel運算元的速度一樣快，但是准確率更高，尤其是計算較小核的情景，所以利用3*3濾波器實現圖像邊緣提取更推薦使用Scharr運算元

Scharr運算元又稱為Scharr濾波器，也是計算x或y方向上的圖像差分，在OpenCV中主要是配合Sobel運算元的運算而存在的。Scharr運算元的函數原型如下所示，和Sobel運算元幾乎一致，只是沒有ksize參數.

dst = Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]])

Canny邊緣檢測運算元(多級邊緣檢測演算法)是一種被廣泛應用於邊緣檢測的標准演算法，其目標是找到一個最優的邊緣檢測解或找尋一幅圖像中灰度強度變化最強的位置。最優邊緣檢測主要通過低錯誤率、高定位性和最小響應三個標准進行評價。

Canny運算元的實現步驟如下：

edges = Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

LOG（Laplacian of Gaussian）邊緣檢測運算元也稱為Marr&Hildreth運算元，它根據圖像的信噪比來求檢測邊緣的最優濾波器。該演算法首先對圖像做高斯濾波，然後再求其拉普拉斯（Laplacian）二階導數，根據二階導數的過零點來檢測圖像的邊界，即通過檢測濾波結果的零交叉（Zero crossings）來獲得圖像或物體的邊緣。

LOG運算元該綜合考慮了對雜訊的抑制和對邊緣的檢測兩個方面，並且把Gauss平滑濾波器和Laplacian銳化濾波器結合了起來，先平滑掉雜訊，再進行邊緣檢測，所以效果會更好。 該運算元與視覺生理中的數學模型相似，因此在圖像處理領域中得到了廣泛的應用。它具有抗干擾能力強，邊界定位精度高，邊緣連續性好，能有效提取對比度弱的邊界等特點。

❿ 濾波增強

濾波是指對頻率特徵的一種篩選技術。影像濾波處理是對影像中某些空間頻率特徵信息增強或抑制。例如增強高頻抑制低頻信息即是突出邊緣、線條、紋理、細節; 增強低頻抑制高頻信息是去掉細節，保留影像中的主幹、粗結構。影像的濾波增強實質就是增強影像的某些空間頻率特徵，來改善目標與其鄰域間像元的對比度關系。

地學工作者往往對遙感影像中的地物邊界、紋理、地面形跡等信息感興趣，因此需要增強遙感影像中的這些信息。影像中的這些信息在空間位置上具有一定的延伸方向、延伸距離、寬度以及反差等特點，這些特點可以用一定的物理模式來描述，例如具有長距離( 數十千米) 、寬線條的形跡呈低頻率特徵; 對於細小的邊界、紋理、斷裂等長度在數百米內的窄線條的形跡呈高頻特徵; 介於兩者之間的呈中頻特徵。因此，根據地學判讀的需要，可以分別增強高頻、中頻和低頻特徵 ( 圖 4-11) 。實現低頻增強的稱為低通濾波 ( 圖4-12，圖 4-13) ; 實現高頻增強的稱為高通濾波 ( 圖 4-14) ; 增強中間頻段的稱為帶通濾波; 此外還可增強影像的某些方向的形跡特徵，稱為定向濾波 ( 圖 4-15) 。例如，山脈之間的距離以數十千米計算，其形跡具有較低的空間頻率，應採用低通濾波，即將具有高頻率和中等頻率形跡的曲線濾去，只通過低頻率的形跡曲線構成圖像，突出表示山脈的形跡; 一般背斜、向斜有著中等的空間頻率，波長以千米計算，採用中通濾波; 而節理、裂隙以及小型地質構造具有較高的頻率，波長以幾十米、幾百米計算，採用高通濾波。

圖 4-11 ENVI 軟體濾波增強處理對話框及運算菜單

圖 4-12 某地 TM1 原始影像

圖 4-13 ENVI 軟體低通濾波處理的影像

圖 4-14 ENVI 軟體高通濾波處理的影像

圖 4-15 315°方向濾波處理的影像

濾波增強技術有空間域濾波和頻率域濾波兩種。空間域濾波是在影像的空間變數內進行局部運算，使用空間二維卷積方法。頻率域濾波使用傅氏分析等方法，通過修改原影像的傅氏變換式實現濾波。這里討論的濾波增強主要解決圖像的平滑和銳化處理問題。地物的邊界及各種線性形跡，通常都表現為一定的空間分布頻率，因此可以通過空間域或頻率域的濾波對它們進行增強。

( 一) 圖像平滑處理

圖像中出現某些亮度變化過大的區域，或出現不該有的亮點 ( 「雜訊」) 時，採用平滑方法可以減小變化，使亮度平緩或去掉不必要 「雜訊」點。它實際上是使圖像中高頻成分消退，即平滑圖像的細節，降低其反差，保存低頻成分，在頻域中稱為低通濾波。圖像平滑處理可通過鄰域平均法實現，即利用圖像點 ( x，y) 及其鄰域若干個像素的灰度平均值來代替點 ( x，y) 的灰度值，結果是對亮度突變的點產生了 「平滑」效果。空間域中的圖像平滑處理多採用模板窗口對原始圖像進行卷積運算，根據卷積運算的方式可分為滑動平均法、中值濾波等方法。

1. 滑動平均法

平滑濾波的輸出圖像中像元 ( x，y) 的 DN 值等於原始圖像中以目標像元 ( x，y) 為中心的模板窗口內像元的平均 DN 值。圖像平滑的效果取決於模板窗口的大小。平滑可抑制雜訊，但也會造成邊緣信息損失而使圖像模糊。

2. 中值濾波

平滑濾波的輸出圖像中像元 ( x，y) 的 DN 值等於原始圖像中以目標像元 ( x，y) 為中心的模板窗口內所有像元的中間 DN 值。中值濾波是一種非線性變換。其優勢在於可在平滑的基礎上較大程度地防止邊緣模糊。

圖像平滑的主要目的是消除圖像中的隨機雜訊、孤立雜訊等影響數據處理與分析的無用數據，以取得便於後續處理與專題信息提取的可靠數據。當然，雜訊的判斷與消除亦依賴於數據處理人員的地學知識與解譯經驗，同時亦取決於數據與認知模式，不能簡單地一概而論。

( 二) 圖像銳化處理

圖像銳化指增強圖像中的高頻信息，以削弱背景、突出光密度突變的高頻成分 ( 線條或邊緣) ，起到增強邊緣和細微構造的作用，有助於隱伏構造的顯示。空間域中的圖像銳化處理多利用原始圖像中目標像元與鄰近區域像元 DN 值之間的變化率來衡量，根據運算的方式可分為微分法、空間域定向濾波等方法。

1. 微分法

對於離散的數字圖像而言，其 DN 值在相鄰像元間的變化率包括 8 個方向 ( 水平、垂直、對角線方向) ，微分法即採用各方向上相鄰像元之間的 DN 值差值來作為方向導數的近似，可分為一次微分法和二次微分法。

一次微分法反映了相鄰像元的亮度變化率，即圖像中如果存在邊緣，如湖泊、河流的邊界，山脈和道路等，則邊緣處有較大的梯度值。對於亮度值較平滑的部分，亮度梯度值較小。因此，找到梯度較大的位置，也就找到邊緣，然後再用不同的梯度計算值代替邊緣處像元的值，也就突出了邊緣，實現了圖像的銳化。通常有羅伯特梯度和索伯爾梯度方法。

拉普拉斯演算法為二次微分法，與一次微分法的區別在於它不檢測均勻的圖像亮度變化，而是檢測變化率的變化率，相當於二階微分，計算出的圖像更加突出亮度值突變的位置。實際中，亦可由原圖像減去拉普拉斯模板運算結果 ( 或其某個倍數) 而得到新的圖像，從而使原圖像作為背景保留下來，同時可加大邊緣特徵的對比度。

2. 空間域定向濾波

空間域定向濾波又稱為圖像的卷積運算，亦即通過一定尺寸的方向模板對圖像進行卷積運算，並以卷積值代替各像元點的灰度值 ( DN 值) 。

方向模板 ( 卷積核) 是一個各元素大小按照一定的規律取值，並因而對於某一方向灰度變化最敏感的數字矩陣。方向模板增強的是元素代數和取值最大的方向 ( 最大響應方向) 上的空間特徵信息。方向模板與圖像的卷積運算是指模板的中心沿圖像像元依次移動，在每一位置上將模板中各個元素值與圖像上對應像元 DN 值相乘後的累加和作為模板中心點對應像元的卷積輸出值。

方向模板分為零模板與非零模板，零模板其所有元素的代數和為零，非零模板中所有元素的代數和不為零 ( 圖 4-16) 。

圖 4-16 方向模板