梯度锐化法是空间杜律平滑算法吗

❶ 求助：如何用matlab对彩色图像进行傅里叶变换后进行滤波

冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。

傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样, 傅立叶变换使我们能通过频率成分来分析一个函数。

图像傅立叶变换的物理意义

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数

傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。为什么要提梯度？因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰

另外我还想说明以下几点：

1、图像经过二维傅立叶变换后，其变换系数矩阵表明：

若变换矩阵Fn原点设在中心，其频谱能量集中分布在变换系数短阵的中心附近(图中阴影区)。若所用的二维傅立叶变换矩阵Fn的原点设在左上角，那么图像信号能量将集中在系数矩阵的四个角上。这是由二维傅立叶变换本身性质决定的。同时也表明一股图像能量集中低频区域。
2 、变换之后的图像在原点平移之前四角是低频，最亮，平移之后中间部分是低频，最亮，亮度大说明低频的能量大（幅角比较大）

❷ 处理遥感图像时，需要进行投影转换，则投影转换的目的是

投影转换的目的就是把影像转换到你想要的投影方式下，比如你有一副影像，是兰伯特投影，但我国使用的是高斯克里格投影方式，这时你需要把影像转换成高斯克里格投影。有时你有多幅影像，当每幅影像的投影都不一样，这时你就无法对影像做叠加的相关处理，也无法接拼，就要以其中一副影像的投影作为标准，把其他所有影像都转换到这一投影下。ENVI ERDAS ARCGIS中都有投影转换功能，自己可以试一下。

❸ 图片的锐化是什么意思

图像锐化(image sharpening)是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，分为空间域处理和频域处理两类。

图像锐化是为了突出图像上地物的边缘、轮廓，或某些线性目标要素的特征。这种滤波方法提高了地物边缘与周围像元之间的反差，因此也被称为边缘增强。

(3)梯度锐化法是空间杜律平滑算法吗扩展阅读

原理

图像平滑趋于模糊图像中的边界和轮廓。 为了减少这种不利影响的影响，有必要使用图像锐化技术来使图像的边缘清晰。

除了在水下图像的增强处理中的去噪和对比度扩展之外，有时需要增强图像中场景的边缘和轮廓。 边缘和轮廓通常位于图像灰度突变的位置，因此可以直观地考虑提取具有灰度差异的边缘和轮廓。

❹ 高分求助~

中国知网（www.cnki.net）上，你挑挑

1. 数字图像增强技术在X线头影测量中的应用
曹国刚,胡遒生,王林,鲍旭东 文献来自: 临床口腔医学杂志 2001年 第04期 CAJ下载 PDF下载
也为医生完成这一工作提供了便利数字图像增强技术在X线头影测量中的应用@曹国刚!210096江苏南京$东南大学影像科学与技术实验室 @胡遒生$南京医科大学口腔医学院 @王林$南京医科大学口腔医学院 @鲍旭东 ...
被引用次数: 6 文献引用-相似文献-同类文献

2. 数字图像增强技术及其在VC++6.0下的实现
夏明华,张炎生 文献来自: 成都信息工程学院学报 2002年 第04期 CAJ下载 PDF下载
数字图像增强技术及其在VC++6.0下的实现@夏明华$湛江海洋大学海滨学院!广东524005 @张炎生$湛江海洋大学海滨学院 ... 空间域法论述了数字图像增强技术中涉及到的图像平滑、中值滤波、梯度锐化和拉普拉斯锐化等基本算法及其在VisualC++6 ...
被引用次数: 10 文献引用-相似文献-同类文献

3. 数字图像变换及信息隐藏与伪装技术
丁玮,齐东旭 文献来自: 计算机学报 1998年 第09期 CAJ下载 PDF下载
3按幻方的图像置乱变换以自然数1,2,…,n‘为元素的n阶矩阵满足其中则称A为标准幻方.假定数字图像相应于n阶数字矩阵s ... 对数字图像矩阵B,注意B与A元素之间的对应关系,随A转换为人而把B中对应像素信息(灰度,RGB)做相应的移置,产生数字图像矩阵民,记为EB— BI,一般地,有E”B一B。例如,我们考虑一个由4X4像素组成的图像B, ...
被引用次数: 193 文献引用-相似文献-同类文献

4. 透射电子显微镜数字图像增强技术
陈利永,叶锋,陈家祯,郑子华 文献来自: 福建师范大学学报(自然科学版) 2003年 第01期 CAJ下载 PDF下载
原始图像和处理后图像的直方图透射电子显微镜数字图像增强技术@陈利永$福建师范大学计算机科学系!福建福州350007 @叶锋$福建师范大学计算机科学系 ...
被引用次数: 2 文献引用-相似文献-同类文献

5. 数字图像处理技术及其应用
李红俊,韩冀皖 文献来自: 计算机测量与控制 2002年 第09期 CAJ下载 PDF下载
模拟图像处理 (AnalogImageProcessing)和数字图像处理 (Dig italImageProcessing)。数字图像处理 ,通俗地讲就是利用计算机对图像进行处理。因此也称之为计算机图像处理 (C ... 图像理解[M].北京:国防科技大学出版社,1994. [5]A .罗森费尔德,等.数字图像分析[M ] ...
被引用次数: 26 文献引用-相似文献-同类文献

6. 棉铃虫数字图像增强技术的研究
于新文,沈佐锐 文献来自: 走向21世纪的中国昆虫学——中国昆虫学会2000年学术年会论文集 2000年 CAJ下载
棉铃虫数字图像增强技术的研究@于新文$西南林学院!昆明,650224 @沈佐锐$中国农业大学植保学院昆虫学系 ...
被引用次数: 3 文献引用-相似文献-同类文献

7. DSA数字减影系统中图像增强技术研究
华如梅,沈大公 文献来自: 医学信息 1999年 第04期 CAJ下载 PDF下载
对数放大和数字滤波算法。这两种算法是根据DSA系统产生减影图像的实际过程和实时性要求,对传统的数字图像增强算法进行改进而设计的,DSA系统采用这两种算法使减影图像基本达到平滑、清晰,并有较一致的对比度?...
被引用次数: 2 文献引用-相似文献-同类文献

8. 数字图像处理技术
郑建英 文献来自: 内蒙古科技与经济 2002年 第05期 CAJ下载 PDF下载
内蒙古呼和浩特 010000图像处理;;像素;;矩阵;;滤波本文概迷数字图像处理技术的发展,并讨论其迅速发展的原因,同时介绍了数字图像处理的主要内容和应用领域。[1]KennethR ...
被引用次数: 9 文献引用-相似文献-同类文献

9. 数字图像的自适应公开水印技术
张军,王能超 文献来自: 计算机学报 2002年 第12期 CAJ下载 PDF下载
我们将进一步研究基于多小波变换的性能更好的水印技术 .数字图像的自适应公开水印技术@张军$华中科技大学计算机学院!武汉430074 @王能超$华中科技大学计算机学院 ... 一种新的数字图像隐藏方法.计算机学报,2000,23(9):949-952) 11NiuXia-Mu,L uZhe-Ming,SunSheng-He ...
被引用次数: 17 文献引用-相似文献-同类文献

10. 数字图像的增强
黄涛 文献来自: 肇庆学院学报 2004年 第02期 CAJ下载 PDF下载
图像增强的目的在于采用一系列技术改善图像的视觉效果,提高图像的清晰度.数字图像增强的方法有频域处理法与空域处理法 ...
被引用次数: 3 文献引用-相似文献-同类文献

查数字图像 的定义
搜数字图像 的学术趋势
搜技术 的学术趋势
翻译 数字图像增强技术

参考资料
http://..com/question/28950267.html?si=1
网络
里面有更完善

❺ 在数字图像处理中什么是图像平滑什么是图像锐化

（图象平滑）①目的：降低图像锐度，同时也会去除部分噪声，处理后导致图象模糊；②处理方法：邻域平均法、中值滤波法、多图象平均法，采用取平均值或中值的方法来模糊噪声；③图象边缘及噪声频率都在高频区，用低通滤波法来去噪声。
（图象锐化）①目的：增强图像轮廓和细节，使图象清晰，处理后噪声也会增强；②处理方法：梯度法、拉普拉斯算法、Robert算法，采用微分运算求信号变化率，加强高频分量，使图象轮廓清晰；③图象边缘或线条等细节部分在高频区，用高通滤波让高频分量通过。

❻ 数字图像处理(四) 数字增强

  本节主要目的是介绍图像增强的一些基本概念。来源于东北大学 魏颖教授的数字图像课程笔记。

  将图像中像素亮度（灰度级别）看成是一个随机变量， 则其分布情况反映了图像的统计特性，这可用Probability Density Function (PDF)来刻画和描述，表现为 灰度直方图 （Histogram）。
  灰度直方图是灰度级的函数，表示图像中 具有某种灰度级的像素的个数 ，反映了图像中每种灰度出现的频率。
  灰度直方图的 横坐标是灰度级 ， 纵坐标是该灰度级出现的频度 ，它是图像最基本的统计特征。

  直方图均衡化处理是以 累积分布函数 变换法为基础的直方图修正法。假定变换函数为

  式中： 是积分变量，而 就是 的累积分布函数。
  累积分布函数是 的函数，并且单调地从0增加到1， 所以这个变换函数满足关于 在 内单值单调增加。在 内有 的两个条件。可以推导出，变换后的变量s的定义域内的概率密度是均匀分布的。
  用 的累积分布函数作为变换函数，可产生一幅 灰度级分布具有均匀概率密度 的图像。

  考虑到灰度变换不影响像素的位置分布，也不会增减像素数目。所以有

  应用到离散灰度级，设一幅图像的像素总数为 ，分 个灰度级。

  第 个灰度级出现的频数。第 个灰度级出现的概率 其中 ， 。形式为：

  直方图均衡化，力图使 等长区间 内出现的像素数接近相等。

  图像由像素组成，视觉效果与像素的灰度有关。从而可以通过改变像素灰度值来改变图像的视觉效果。 灰度变换 是一种点操作，赋予每个像素新的灰度值，关键在于设计变换函数（映射规则）。本节主要介绍三种灰度变换方法： 线性灰度变换 ； 分段线性变换 ； 非线性变换 。

  1. 线性灰度变换

  当图象成象时曝光不足或过度, 或由于成象设备的非线性和图象记录设备动态范围太窄等因素。都会产生对比度不足的弊病，使图象中的细节分辨不清。这时可将灰度范围线性扩展。
  设 灰度范围为 ， 灰度范围为 。

  假定原图像 的灰度范围为 ，希望变换后图像 的灰度范围扩展至 ，则线性变换可表示为：

  为了突出感兴趣的目标或灰度区间，相对抑制不感兴趣的灰度区域，可采用分段线性变换。常用的三段线性变换法数学表达式如下：

  噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。例如，一幅黑白图像，其亮度分布假定为 ， 那么对其起干扰作用的亮度分布 便称为图像噪声。

  噪声在理论上可以定义为“不可预测， 只能用概率统计方法来认识的随机误差”。将图像噪声看成是多维随机过程是合适的，描述噪声的方法完全可以借用随机过程及其概率分布函数和概率密度函数。
  但在很多情况下，这种描述方法很复杂，甚至不可能，而且实际应用往往也不必要，通常是用其 数字特征 ， 即均值方差 、 相关函数 等进行处理。

  图像噪声按其产生的原因可分为 外部噪声 和 内部噪声 。外部噪声是指系统外部干扰从电磁波或经电源传进系统内部而引起的噪声，如电气设备、天体放电现像等引起的噪声。主要外部干扰如下：
（1） 由光和电的基本性质所引起的噪声。
（2） 电器的机械运动产生的噪声。如, 各种接头因抖动引起的电流变化所产
生的噪声；磁头、磁带抖动引起的抖动噪声等。
（3） 元器件材料本身引起的噪声。如, 磁带、 磁盘表面缺陷所产生的噪声
（4） 系统内部设备电路所引起的噪声。如, 电源系统引入的交流噪声，偏转
系统和箝位电路引起的噪声等。

  图像噪声从 统计特性 可分为 平稳噪声 和 非平稳噪声 两种。统计特性不随时间变化的噪声称为平稳噪声；统计特性随时间变化的噪声称为非平稳噪声。
  另外，按噪声和信号之间的关系可分为 加性噪声 和 乘性噪声 。
  假定信号为 ，噪声为 ，如果混合叠加波形是 形式，则称其为加性噪声；如果叠加波形为 形式， 则称其为乘性噪声。
  为了分析处理方便，往往将乘性噪声近似认为加性噪声，而且总是 假定信号和噪声是互相独立 的。

   （1）高斯噪声 ：

  高斯噪声是一种源于电子电路噪声和由低照明度或高温带来的传感器噪声。高斯噪声也常称为正态噪声，符合高斯分布。是自然界中最常见的噪声。高斯噪声可以通过空域滤波的平滑滤波方法来消除。

  椒盐噪声又称双极脉冲噪声，其概率密度函数为：

  椒盐噪声是指图像中出现的噪声只有两种灰度值，分别为a和b，通常情况下脉冲噪声总是数字化为允许的最大或最小值，所以负脉冲以黑点(类似胡椒)出现在图像中，正脉冲以白点(类似盐)出现在图像中。

  出现位置是随机的，但噪声的幅值是基本相同的。

  出现在位置是一定的（每一点上），但噪声的幅值是随机的。

  改善降质图像的方法有两类： 图像增强 和 图像复原

  （1） 图像增强 ：不考虑图像降质的原因， 只将图像中感兴趣的部分加以处理或突出有用的图像特征，故改善后的图像并不一定要去逼近原图像。主要目的是要提高图像的可懂度。（2） 图像复原 ：针对图像降质的具体原因，设法补偿降质因素，使改善后的图像尽可能地逼近原始图像。

  图像增强处理的方法基本上可分为 空间域法 和 频域法 两大类。

  （1） 空间域法
  在原图像上直接进行数据运算，对像素的灰度值进行处理。它又分为两类：点运算和局部运算点运算：对图像作逐点运算局部运算：在与处理像点邻域有关的空间域上进行运算。

  （2） 频域法
  在图像的变换域上进行处理， 增强感兴趣的频率分量， 然后进行反变换，得到增强了的图像。

  线性滤波器是线性系统和频域滤波概念在空域的自然延伸。其特征是结果像素值的计算由下列公式定义：

  其中： 是模板的系数 是被计算像素及其邻域像素的值。就是利用模板（滤波器）进行的卷积运算。

   主要线性空域滤波器 ：主要包括 低通滤波器 、 高通滤波器 、 带通滤波器 。 低通 滤波器主要用于：钝化图像、去除噪声； 高通 滤波器 主要用于边缘增强、边缘提取； 带通 滤波器主要用于删除特定频率。

   非线性滤波器的定义 ：使用模板进行结果像素值的计算，结果值直接取决于像素邻域的值，而 不使用乘积和 的计算。 主要非线性滤波器有 ：中值滤波、最大值滤波、最小值滤波。

  线性平滑滤波器： 均值滤波器

  分别采用 像素的方形均值滤波器得到的平滑结果。

  模板尺寸越大，图像越模糊，图像细节丢失越多

  低通空域滤波的缺点和问题如果图像处理的目的是去除噪声，那么，线性平滑低通滤波在 去除噪声的同时也钝化了边和尖锐的细节 。

   统计滤波器是非线性滤波 ：滤波器模板包围的图像区域中像素排序，统计排序结果代替中心像素的值； 中值滤波器是应用最广泛的统计滤波器 ；中值滤波对一定类型的随机噪声（如椒盐噪声）提供了优秀的去噪能力，比小尺寸的线性平滑滤波器的模糊程度明显低。

   中值滤波的原理

  用模板区域内像素的中值，作为结果值 ；强迫突出的亮点（暗点）更象它周围的值，以消除孤立的亮点（暗点）

中值滤波算法的实现

   在去除噪声的同时，可以比较好地保留边的锐度和图像的细节。对于椒盐噪声，中值滤波效果比均值滤波效果好；对于高斯噪声，均值滤波效果比中值滤波效果好。

   最大值滤波可以去除图像中的暗斑，同时也会使亮斑增大；最小值滤波可以去除图像中的亮斑 ，同时也会增大暗斑。

   图像边缘是图像的基本特征之一，它包含对人类视觉和机器识别有价值的物体图像边缘信息。

   边缘是图像中特性（如像素灰度、纹理等）分布的 不连续处 ，图像周围特性有阶跃变化或屋脊状变化的那些像素集合。图像边缘存在于目标与背景、目标与目标、基元与基元的边界，它标示出目标物体或基元的实际含量，是图像识别信息最集中的地方。

   图像锐化就是要 突出图像边缘 ， 抑制图像中非边缘信息 ， 使图像轮廓更加清晰 。由于边缘占据图像的高频成分，所以边缘增强通常属于 高通滤波 。

   这里介绍三个方法：(1) 基本高通滤波模板；(2) 高频补偿滤波；(3) 图像微分，包括：一阶微分—梯度法；二阶微分—拉普拉斯算子；

   (1) 基本高通滤波模板

   我们先介绍高通滤波模板： 图像锐化是要增强图像频谱中的高频部分 ，就相当于 从原图像中减去它的低频分量 ，即原始图像经平滑处理后所得的图像。选择不同的平滑方法，会有不同的图像锐化结果。

  或：

   为原象， 为平滑后图像 为输出图像。

  设计模板系数的原则：1）中心系数为正值，外围为负值；2）系数之和为0

   基本高通空域滤波的缺点和问题 ：高通滤波在增强了边的同时，丢失了图像的层次和亮度。

   (2) 高频补偿滤波（提升滤波） ：

  弥补高通滤波的缺陷，在增强边和细节的同时，不丢失原图像的低频成分。

  高频补偿比高通的优点是很明显的，即增强了边缘，又保留了层次。噪声对结果图像的视觉效果有重要的影响，高频补偿在增强了边的同时也增强了噪声。

   (3) 图像微分

   均值产生钝化 的效果，而 均值与积分 相似，由此而联想到， 微分 能不能产生相反的效果，即 锐化 的效果呢？结论是肯定的。图像微分主要有一阶微分和二阶微分。

   Roberts交叉梯度算子 ：

  采用梯度微分锐化图像，同时会使噪声、条纹等得到增强，Sobel算子则在一定程度上克服了这个问题。

（1） 对图像中的随机噪声有一定的平滑作用。
（2） 边缘两侧元素得到了增强，边缘显得 粗而亮 。

  对数字图像来讲， 的二阶偏导数可表示为：

  采用拉普拉斯算子对图像的增强的基本方法可表示为：

   频率 平面与图像 空域 特性的 关系 。

  图像 变化平缓的部分 靠近频率平面的圆心，这个区域为 低频区域 ；图像中的 边、噪声、变化陡峻的部分 ，以放射方向离开频率平面的圆心，这个区域为 高频区域 。

(1) 用 乘以给定的图像 ，计算出它的傅立叶变换 。
(2) 选择一个变换函数 （频域滤波器）乘以 。
(3) 计算(2)的反DFT:
(4) 取(3)的实部
(5)用 乘以(4)的结果

  频域增强与空域增强的关系：1. 在实践中，小的空间模板比傅立叶变换用得多得多，因为它们易于实现。2. 对于很多在空域上难以表述清楚的问题，对频域概念的理解就显得十分重要。在图像压缩中更体会到。

  这里我们介绍频域滤波器的三种滤波器：1）低通滤波；2）高通滤波；3）同态滤波。

   （1）平滑（低通）滤波 ：

  频域低通滤波的基本思想 ， 是需要钝化图像的傅立叶变换形式, 是选取的一个滤波器变换函数 是通过 减少 的高频部分,来得到的结果运用傅立叶逆变换得到钝化后的图像。

   理想低通滤波器的定义 ：

   平滑（低通）滤波—理想低通滤波 ：

  （1）整个能量的92%被一个半径为5的小圆周包含,大部分尖锐的细节信息都存在于被去掉的8%的能量中。（2）小的边界和其它尖锐细节信息被包含在频谱的至多0.5%的能量中。（3）被钝化的图像被一种非常严重的振铃效果——理想低通滤波器的一种特性所影响。

  理想低通滤波器的平滑作用非常明显，但由于变换有一个陡峭的波形，它的反变换 有强烈的振铃特性，使滤波后图像产生模糊效果。因此这种理想低通滤波实用中不能采用。

❼ Matlab怎样把一个彩色图像进行简单的增强

增强图象中的有用信息，它可以是一个失真的过程，其目的是要增强视觉效果。将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。
图像增强按所用方法可分成频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。
图像增强的目的是改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，扩大图像中不同物体特征之间的差别，满足某些特殊分析的需要。其方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征，使图像与视觉响应特性相匹配。在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。
基于空域的算法分为点运算算法和邻域去噪算法。点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。邻域增强算法分为图像平滑和锐化两种。平滑一般用于消除图像噪声，但是也容易引起边缘的模糊。常用算法有均值滤波、中值滤波。锐化的目的在于突出物体的边缘轮廓，便于目标识别。常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。

❽ 图像空域增强和频域增强的基本原理是什么

图像增强的目的是改善图像的视觉效果或使图像更适合于人或机器的分析处理。通过图像增强可以减少图像噪声，提高目标与背景的对比度，亦可以强调或抑制图像中的某些细节。例如，消除照片中的划痕，改善光照不均匀的图像，突出目标的边缘等。

根据处理的空间可以将图像增强分为空域法和频域法，前者直接在图像的空间域（或图像空间）中对像素进行处理，后者在图像的变换域（即频域）内间接处理，然后经逆变换获得增强图像。空域增强可以分为点处理和区处理，频域增强可以分为低通滤波，高通滤波，带通滤波和同态滤波。

(8)梯度锐化法是空间杜律平滑算法吗扩展阅读

常用的图像增强处理方式包括灰度变换、直方图修正、图像锐化、噪声去除、几何畸变校正、频域滤波和彩色增强等。由于图像增强与感兴趣的物体特性、观察者的习惯和处理目的密切相关，尽管处理方式多种多样，但它带有很强的针对性。

因此，图像增强算法的应用也是有针对性的，并不存在一种通用的、适应各种应用场合的增强算法。于是，为了使各种不同特定目的的图像质量得到改善，产生了多种图像增强算法。这些算法根据处理空间的不同分为基于空间域的图像增强算法和基于变换域的图像增强算法。

基于空间域的图像增强算法又可以分为空域的变换增强算法、空域的滤波增强算法以及空域的彩色增强算法；基于变换域的图像增强算法可以分为频域的平滑增强算法、频域的锐化增强算法以及频域的彩色增强算法。

尽管各种图像增强技术已取得了长足的发展，形成了许多成熟、经典的处理方法，但新的增强技术依然在日新月异地发展完善，不断推陈出新，其中尤其以不引起图像模糊的去噪声方法（如空域的局部统计法）和新的频域滤波器增强技术（如小波变换，K－L变换等）最为引人瞩目。

❾ 图片处理-opencv-10.图像锐化与边缘检测

 

Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。

Prewitt是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。由于Prewitt算子采用3 3模板对区域内的像素值进行计算，而Robert算子的模板为2 2，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像。

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

RSobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。该算子用于计算图像明暗程度近似值，根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。Sobel算子的边缘定位更准确，常用于噪声较多、灰度渐变的图像。

Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。

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

在进行Sobel算子处理之后，还需要调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图进行显示

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

拉普拉斯（Laplacian）算子是n维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。它通过灰度差分计算邻域内的像素，基本流程是：判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作。在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系，最后通过梯度运算的结果对像素灰度进行调整。

Laplacian算子分为四邻域和八邻域，四邻域是对邻域中心像素的四方向求梯度，八邻域是对八方向求梯度。当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。

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

由于Sobel算子在计算相对较小的核的时候，其近似计算导数的精度比较低，比如一个33的Sobel算子，当梯度角度接近水平或垂直方向时，其不精确性就越发明显。Scharr算子同Sobel算子的速度一样快，但是准确率更高，尤其是计算较小核的情景，所以利用3*3滤波器实现图像边缘提取更推荐使用Scharr算子

Scharr算子又称为Scharr滤波器，也是计算x或y方向上的图像差分，在OpenCV中主要是配合Sobel算子的运算而存在的。Scharr算子的函数原型如下所示，和Sobel算子几乎一致，只是没有ksize参数.

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

Canny边缘检测算子(多级边缘检测算法)是一种被广泛应用于边缘检测的标准算法，其目标是找到一个最优的边缘检测解或找寻一幅图像中灰度强度变化最强的位置。最优边缘检测主要通过低错误率、高定位性和最小响应三个标准进行评价。

Canny算子的实现步骤如下：

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

LOG（Laplacian of Gaussian）边缘检测算子也称为Marr&Hildreth算子，它根据图像的信噪比来求检测边缘的最优滤波器。该算法首先对图像做高斯滤波，然后再求其拉普拉斯（Laplacian）二阶导数，根据二阶导数的过零点来检测图像的边界，即通过检测滤波结果的零交叉（Zero crossings）来获得图像或物体的边缘。

LOG算子该综合考虑了对噪声的抑制和对边缘的检测两个方面，并且把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测，所以效果会更好。 该算子与视觉生理中的数学模型相似，因此在图像处理领域中得到了广泛的应用。它具有抗干扰能力强，边界定位精度高，边缘连续性好，能有效提取对比度弱的边界等特点。

❿ 滤波增强

滤波是指对频率特征的一种筛选技术。影像滤波处理是对影像中某些空间频率特征信息增强或抑制。例如增强高频抑制低频信息即是突出边缘、线条、纹理、细节; 增强低频抑制高频信息是去掉细节，保留影像中的主干、粗结构。影像的滤波增强实质就是增强影像的某些空间频率特征，来改善目标与其邻域间像元的对比度关系。

地学工作者往往对遥感影像中的地物边界、纹理、地面形迹等信息感兴趣，因此需要增强遥感影像中的这些信息。影像中的这些信息在空间位置上具有一定的延伸方向、延伸距离、宽度以及反差等特点，这些特点可以用一定的物理模式来描述，例如具有长距离( 数十千米) 、宽线条的形迹呈低频率特征; 对于细小的边界、纹理、断裂等长度在数百米内的窄线条的形迹呈高频特征; 介于两者之间的呈中频特征。因此，根据地学判读的需要，可以分别增强高频、中频和低频特征 ( 图 4-11) 。实现低频增强的称为低通滤波 ( 图4-12，图 4-13) ; 实现高频增强的称为高通滤波 ( 图 4-14) ; 增强中间频段的称为带通滤波; 此外还可增强影像的某些方向的形迹特征，称为定向滤波 ( 图 4-15) 。例如，山脉之间的距离以数十千米计算，其形迹具有较低的空间频率，应采用低通滤波，即将具有高频率和中等频率形迹的曲线滤去，只通过低频率的形迹曲线构成图像，突出表示山脉的形迹; 一般背斜、向斜有着中等的空间频率，波长以千米计算，采用中通滤波; 而节理、裂隙以及小型地质构造具有较高的频率，波长以几十米、几百米计算，采用高通滤波。

图 4-11 ENVI 软件滤波增强处理对话框及运算菜单

图 4-12 某地 TM1 原始影像

图 4-13 ENVI 软件低通滤波处理的影像

图 4-14 ENVI 软件高通滤波处理的影像

图 4-15 315°方向滤波处理的影像

滤波增强技术有空间域滤波和频率域滤波两种。空间域滤波是在影像的空间变量内进行局部运算，使用空间二维卷积方法。频率域滤波使用傅氏分析等方法，通过修改原影像的傅氏变换式实现滤波。这里讨论的滤波增强主要解决图像的平滑和锐化处理问题。地物的边界及各种线性形迹，通常都表现为一定的空间分布频率，因此可以通过空间域或频率域的滤波对它们进行增强。

( 一) 图像平滑处理

图像中出现某些亮度变化过大的区域，或出现不该有的亮点 ( “噪声”) 时，采用平滑方法可以减小变化，使亮度平缓或去掉不必要 “噪声”点。它实际上是使图像中高频成分消退，即平滑图像的细节，降低其反差，保存低频成分，在频域中称为低通滤波。图像平滑处理可通过邻域平均法实现，即利用图像点 ( x，y) 及其邻域若干个像素的灰度平均值来代替点 ( x，y) 的灰度值，结果是对亮度突变的点产生了 “平滑”效果。空间域中的图像平滑处理多采用模板窗口对原始图像进行卷积运算，根据卷积运算的方式可分为滑动平均法、中值滤波等方法。

1. 滑动平均法

平滑滤波的输出图像中像元 ( x，y) 的 DN 值等于原始图像中以目标像元 ( x，y) 为中心的模板窗口内像元的平均 DN 值。图像平滑的效果取决于模板窗口的大小。平滑可抑制噪声，但也会造成边缘信息损失而使图像模糊。

2. 中值滤波

平滑滤波的输出图像中像元 ( x，y) 的 DN 值等于原始图像中以目标像元 ( x，y) 为中心的模板窗口内所有像元的中间 DN 值。中值滤波是一种非线性变换。其优势在于可在平滑的基础上较大程度地防止边缘模糊。

图像平滑的主要目的是消除图像中的随机噪声、孤立噪声等影响数据处理与分析的无用数据，以取得便于后续处理与专题信息提取的可靠数据。当然，噪声的判断与消除亦依赖于数据处理人员的地学知识与解译经验，同时亦取决于数据与认知模式，不能简单地一概而论。

( 二) 图像锐化处理

图像锐化指增强图像中的高频信息，以削弱背景、突出光密度突变的高频成分 ( 线条或边缘) ，起到增强边缘和细微构造的作用，有助于隐伏构造的显示。空间域中的图像锐化处理多利用原始图像中目标像元与邻近区域像元 DN 值之间的变化率来衡量，根据运算的方式可分为微分法、空间域定向滤波等方法。

1. 微分法

对于离散的数字图像而言，其 DN 值在相邻像元间的变化率包括 8 个方向 ( 水平、垂直、对角线方向) ，微分法即采用各方向上相邻像元之间的 DN 值差值来作为方向导数的近似，可分为一次微分法和二次微分法。

一次微分法反映了相邻像元的亮度变化率，即图像中如果存在边缘，如湖泊、河流的边界，山脉和道路等，则边缘处有较大的梯度值。对于亮度值较平滑的部分，亮度梯度值较小。因此，找到梯度较大的位置，也就找到边缘，然后再用不同的梯度计算值代替边缘处像元的值，也就突出了边缘，实现了图像的锐化。通常有罗伯特梯度和索伯尔梯度方法。

拉普拉斯算法为二次微分法，与一次微分法的区别在于它不检测均匀的图像亮度变化，而是检测变化率的变化率，相当于二阶微分，计算出的图像更加突出亮度值突变的位置。实际中，亦可由原图像减去拉普拉斯模板运算结果 ( 或其某个倍数) 而得到新的图像，从而使原图像作为背景保留下来，同时可加大边缘特征的对比度。

2. 空间域定向滤波

空间域定向滤波又称为图像的卷积运算，亦即通过一定尺寸的方向模板对图像进行卷积运算，并以卷积值代替各像元点的灰度值 ( DN 值) 。

方向模板 ( 卷积核) 是一个各元素大小按照一定的规律取值，并因而对于某一方向灰度变化最敏感的数字矩阵。方向模板增强的是元素代数和取值最大的方向 ( 最大响应方向) 上的空间特征信息。方向模板与图像的卷积运算是指模板的中心沿图像像元依次移动，在每一位置上将模板中各个元素值与图像上对应像元 DN 值相乘后的累加和作为模板中心点对应像元的卷积输出值。

方向模板分为零模板与非零模板，零模板其所有元素的代数和为零，非零模板中所有元素的代数和不为零 ( 图 4-16) 。

图 4-16 方向模板