下载文档原格式
图像增强技术的目的是对图像进行加工，已得到视觉效果更“好”，更“有用”的图像。
增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地增强图像的整体或局部特性，将原来不清晰的图像变得清晰或增强某些感兴趣的特性，扩大图像种不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判断和识别效果，满族某些特殊分析的需要。
根据其处理所进行的空间不同，目前常用的增强技术可分为频率域法和空间域法两类。
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，可去掉途中的噪声；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。
后者空间域法中具有代表性的算法有局部求平均值法和中值滤波（取局部领域中的中坚像素值）法等，他们可用于去除或减弱噪声。
根据增强的策略，图像增强又可以分为两种：全局处理和局部处理。
根据处理的对象，图像增强还可以分为灰度图像的增强与彩色图像的增强。
图像增强的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[8]。
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领域去噪算法。
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。
领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。
数字图像的预处理一，输入输出图像。
1，打开主界面。
2，open image file。
单击file，出现对话框。
单击bhtmref.img，打开。
出现波段列表。
灰度图RGB图点击load band，出现三个窗口。
灰度图RGB图（742波段）3，输出图像。
单击主窗口file，点击save image as →image file。
出现对话框，保存图像。
灰度图RGB图（742波段）注意，灰度图是8-bit，RGB图为24-bit。
二，查看头文件信息。
1，点击file，选择edit ENVI header。
2，点击任一波段，将会出现该文件信息。
3，点击OK，出现对话框，点击edit attributes编辑器，选择sensor type，选择landset TM三，建立文件组。
1，打开image file，test1文件夹下“杭州湾TM”，全选七个波段的图像，点击打开。
2，点击file，选择save file as→ENVI standard，出现对话框。
点击import file，添加各个波段文件，保存文件。
注意：从一波段开始，依次添加到七波段。
四，图像的裁剪。
一，规则裁剪。
Basic tools→resize data（spatial/spectral）规则裁剪→对话框，点击bhtmref.img→spatial subset.→对话框。
点击image，map，file做相应的裁剪。
Image 缩放大小，进行裁剪。
Map 修改坐标，进行裁剪。
Map 该坐标，进行裁剪。
File裁剪以一个文件对另一文件进行裁剪。
文件1 文件2所裁剪得到的文间二，不规则裁剪file→open image file→找到test1文件夹下的resize文件并打开第二个，用RGB显示。
file→open vector file（矢量文件）→选择“襄樊部分地区矢量边界_”打开，→选中“襄樊部分地区矢量边界_”点击load selected。
图像预处理主要是对系统获取的原图像基本特征的信息进行相应的、有针对性的处理，以滤去干扰、噪声，作几何校正、色彩校正，以便于计算机的分析计算，一般包括滤波、图像增强、图像二值化、形态学运算、边缘检测等等。
3.1图像灰度化将彩色图像转换成灰度图，一方面提高了图像的处理速度，另一方面更统一了多种颜色的车辆牌照。
本文采用加权平均值法将图像灰度化，即根据重要性或其他指标给R、G、B赋予不同的权值，并使R、G、B等于它们的值的加权和平均R=G=B=(W rR+W gG+W bB)/3其中Wr、Wg、Wb分别是R、G、B的权值，取Wr＝0.299、Wg＝0.588、Wb＝0.113，从而得到最合理的车牌灰度图像。
3.2中值滤波接着要进行图像的去噪处理，用中值滤波方法可以有效去除图像中的噪声点，同时保护图像边缘的细节。
中值滤波[2][3]是通过在图像上移动一个滑动窗口，窗口中心位置的象素值用窗口内部所有象素灰度的中值来代替。
因此关键在于滑动窗口的选取，本文采用3x3方形窗口进行滤波，可以很好的消除图像中孤立噪声点的干扰，还能有效的保护边界信息。
3.3灰度变换如果一幅图成像时由于光线过暗或曝光不足，则整幅图偏暗（如灰度范围从0到6 3）；光线过亮或曝光过度，则图像偏亮（如灰度范围从200到255），都会造成图像对比度偏低问题，即灰度都挤在一起了，没有拉开，这时可以采用灰度变换方法来增强图像对比度。
本文采用分段线性灰度变换法进行灰度变换，根据经验值，对[30 200]之间的灰度值进行变换。
3.4直方图均衡化直方图是用来表达一幅图像灰度等级分布情况的统计表。
通过对图像中像素个数多的灰度值（及对画面起主要作用的灰度值）进行展宽，而对像素个数少的灰度值（及对画面不起主要作用的灰度值）进行归并，从而达到清晰图像的目的，其本质上是一个直方图变换，即将输入图像的直方图映射成一个最大平展的直方图。
经过直方图均衡化处理以后，图像的灰度分布变得均匀，原来偏暗的图像亮度明显增强，图像变得更为清晰。
论图像识别的预处理技术图像识别中，图像质量的好坏直接影响识别算法的设计与效果精度，那么除了能在算法上的优化外，预处理技术在整个项⽬中占有很重要的因素，然⽽⼈们往往忽略这⼀点。
图像预处理，将每⼀个⽂字图像分检出来交给识别模块识别，这⼀过程称为图像预处理。
图像预处理的主要⽬的是消除图像中⽆关的信息恢复有⽤的真实信息增强有关信息的可检测性和最⼤限度地简化数据从⽽改进特征抽取、图像分割、匹配和识别的可靠性。
预处理过程⼀般有数字化、⼏何变换、归⼀化、平滑、复原和增强等步骤。
1.滤波：滤波（Wave filtering）是将信号中特定波段频率滤除的操作，是抑制和防⽌⼲扰的⼀项重要措施。
ps：均值、中值、⾼斯滤波在⼀定程度上会影响图像的清晰度，清晰图像⽆需进⾏滤波，⼀般都是有明显的噪点时才进⾏滤波处理。
2.图像的归⼀化和直⽅图有相似性，在⼀定程度上可以将诡异哈理解为0-255的像素值变为0-1之间，缩⼩了其分配距离。
ps：在⽬标与背景灰度差别较⼤时，⽤较好，否则会出现粘连导致⽆法分割。
3.图像的平滑（滤波）是对图像灰度跳变的⼀种抑制，图像的锐化则相反，它是对图像的灰度跳变部分的⼀种增强，突出图像的细节变化信息；PS：平滑和锐化都属于滤波，都⽤同⼀个函数，都是先建⽴个滤波器，但区别在于选择的⽅式算⼦不同；例如：建⽴⼀个滤波器为：h = fspecial(type,parameter);再通过该滤波器对图像进⾏滤波决定是平滑还是锐化：filterImage = imfilter(srcImage,h);4.锐化往往也“增强”了噪声，可以将图像锐化和平滑结合使⽤，若图像本⾝就有很明显的噪声，可先平滑再锐化，若图像锐化后有了噪声，可再进⼀步去进⾏平滑处理；数字化⼀幅原始照⽚的灰度值是空间变量（位置的连续值）的连续函数。
在M×N点阵上对照⽚灰度采样并加以量化（归为2b个灰度等级之⼀），可以得到计算机能够处理的数字图像。
图像处理流程下载温馨提示：该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by the editor. I hope that after you download them, they can help yousolve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, our shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts,other materials and so on, want to know different data formats and writing methods, please pay attention!当我们需要对图像进行处理时，通常需要设计一个流程来确保整个处理过程能够有条不紊地进行。
机器视觉检测中的图像预处理方法：平滑模糊处理，锐化一、平滑模糊处理以Dalsa sherlock软件为例，一起来了解一下视觉检测中平滑模糊的图像处理方法。
1、观察灰度分布来描述一幅图像称为空间域，观察图像变化的频率被称为频域。
2、频域分析：低频对应区域的图像强度变化缓慢，高频对应的变化快。
低通滤波器去除了图像的高频部分，高通滤波器去除了图像的低频部分平滑模糊处理（低通）高斯滤波，中值滤波，均值滤波都属于低通滤波，一副图像的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频信号，用滤波的方式滤除其高频部分就能去掉噪声。
在Sherlock中，采用低通处理来平滑图像的算法包括：Lowpass，Lowpass5X5，Gaussian ，Gaussian5X5，GaussianWXH，Median，Smooth。
低通滤波：Lowpass Lowpass5X5在Sherlock中的这两个算法，直接理解为低通滤波，根据文档中的描述，这两个算法分别是对3x3和5x5大小尺寸内进行均值平滑图像，可重复多次执行，未能理解与smooth算法的区别。
（1）均值滤波：Smooth均值滤波最简单的低通滤波，根据设定的尺寸，将相邻像素取平均值，Sherlock中使用的是3x3大小的尺寸，每个点的像素值由其原像素值和其周围的8个像素值的平均值取代。
例如下图，在3x3大小的过滤尺寸内，中心点原来的像素值为1，相邻像素取平均值为2，则经过均值滤波处理过，中心点的像素为2。
（2）中值滤波：Median根据设定的尺寸，将区域内的像素进行排序，中心点的像素值由过滤尺寸内的位于中间的像素值取代，中值滤波对于去除小的噪点或者脉冲噪声效果非常好，中值滤波会改变图像的结构，图像的强度被改变。
（3）高斯滤波：Gaussian Gaussian5X5 GaussianWXH高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，模糊了图像的细节。
第四章图像的预处理在图像的形成、传输或变换的过程中，由于受多种因素的影响，图像往往与原始景物之间或图像与原始图像之间产生某种差异。
这种差异称为降质或退化。
在对图像进行研究处理前，必须对这些降质的图像进行一些改善图像的预处理。
通常改善方法有两类：一类是不考虑图像降质的原因，只将图像中感兴趣的特征有选择的突出，而衰减其次要信息：另一类是针对图像降质的原因，设法去补偿降质因素，从而使改善后的图像尽可能的逼近原始图像。
第一类方法能提高图像的可读性，改善后的图像不一定逼近原始图像，如突出目标的轮廓，袁减各种噪声，将黑白图像转换成彩色图像等：这类方法通常称为图像增强技术。
第二类方法能提高图像质量的逼真度，一般称为图像复原技术。
作为我们图像目标分离技术研究，我们只要对图像中的目标及背景的某些特征感兴趣，所以我们的预处理为图像增强。
4.1 直方图在对图像进行处理之前，了解图像整体或局部的uidu分布情况是非常必要的。
对图像的灰度分布进行分析的重要手段就是建立灰度直方图，利用图像灰度直方图，可以直观地看出图像中的像素亮度分布情况，通过直方图的均衡化、归一化的处理等，可对图像的质量进行调整。
另外，通过对直方图的分析，有助于确定图像域值化处理的域值。
灰度直方图是灰度级的函数，它表示图像中具有某种会的级的像素的个数，反映了图像中每种灰度出现的频率。
图像的直方图具有以下三个重要的性质:(1)直方图是一幅图像中各像素灰度值出现次数 ( 或频数 ) 的统计结果，它只反映该图像中不同灰度值出现的次数 ( 或频数 ) ，而未反映某一灰度值像家所在位置。
也就是说，它只包含了该图像中菜一灰度值的像素出现的概率，而丢失了其所在位置的信息。
(2)任一幅图像，都能惟一地确定出一幅与它对应的宜方图，但不同的图像，可能有相同的直方图。
也就是说，图像与直方图之间是多对一的映射关系。
(3)由于直方图是对具有相同灰度值得像素统计得到的，因此，一幅图像各自去的直方图之和就该等于该图像全图的直方图。
图像预处理（image preprocessing）对原始资料进行遥感器效应和几何及辐射效应等的应用前期处理。
图像，将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。
灰度级变换的定义灰度级变换(点运算)的定义★对于输入图象f(x，y)，灰度级变换T将产生一个输出图像g(x，y)，且g(x，y)的每一个像素值都是由f(x，y)的对应输入像素点的值决定的，g(x，y)=T(f(x，y))。
★对于原图象f(x，y)和灰度值变换函数T(f(x，y))，由于灰度值总是有限个(如：O～2 5 5)，非几何变换可定义为：R=T(r)，其LlJ R、r（O．255）。
灰度级变换的实现灰度级变换(点运算)的实现R=T(r)定义了输入像素值与输出像素之间的映射关系，通常通过查表来实现。
灰度级变换实例1、图象求反2、对比度拉伸3、动态范围压缩4、灰度级切片图像的灰度直方图总述灰度直方图(histogram)统计了图象中各个灰度级的象素的个数。
灰度直方图的计算若图象具有L级灰度(通常L=256，即8位灰度级)，则大小为m(n的灰度图象f(x，Y)的灰度直方图H[k]，k=0…L-1，可按如下步骤计算获得：1)初始化：for(k=O；k<L；k++)H[k]=O；2)统计：for(x=O；x<m；x++)for(y=O；y<n；y++)H[f(x，y)]++；3)规格化：flOr(x=O；x<m；x++)for(y=O；y<n；y++)H[f(x，y)]／=float(m(n)；直方图均衡化直方图均衡化是通过灰度变换将一幅图象转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。
直方图均衡化变换：设灰度变换s=f(r)为斜率有限的非减连续可微函数，它将输入图象Ii(x，y)转换为输出图象Io(x，y)，输入图象的直方图为Hi(r)，输出图象的直方图为Ho(s)，则根据直方图的含义，经过灰度变换后对应的小面积元相等：Ho(s)ds=Hi(r)dr 变换函数f(r)必须满足下列2个条件：★(1)f(r) (O(r(1)是单值函数、且单调增加；★(2)O(f(r) (1，(O(r(1)。
图像预处理的一般方法（一）空域图像增强技术1．灰度线性变换addpath('C:\');I = imread('C:\lzs.jpeg');imshow(I);I = double(I);[M,N] = size(I);for i = 1:Mfor j = 1:Nif I(i,j)<=30I(i,j)=I(i,j);else if I(i,j)<=150I(i,j)=(210-30)/(160-30)*(I(i,j)-30)+30;elseI(i,j)=(256-210)/(256-160)*(I(i,j)-160)+210; endendendendfigure(2);imshow(uint8(I));2.直方图均衡化addpath('C:\');I=imread('C:\lzs.jpeg');figuresubplot(221);imshow(I);subplot(222);imhist(I);I1=histeq(I);figure;subplot(221);imshow(I1);subplot(222);imhist(I1)3.均值滤波function test1I = imread('C:\lzs.jpeg');[M,N]=size(I);II1=zeros(M,N);for i=1:16;II(:,:,i)=imnoise(I,'gaussian',0,0.01); II1=II1+double(II(:,:,i));if or(or(i==1,i==4),or(i==8,i==16));figure;imshow(uint8(II1/i));endend4.梯度锐化操作addpath('C:\');I = imread('C:\lzs.jpeg');subplot(131);imshow(I);H=fspecial('Sobel');H=H';TH=filter2(H,I);subplot(132)；imshow(TH,[]);H=H';TH=filter2(H,I);subplot(133),imshow(TH,[]);（二）图像分割1.迭代式阈值选择法addpath('C:\');f = imread('C:\lzs.jpeg');subplot(1,2,1);imshow(f);title('原始图像');f=double(f);T=(min(f(:))+max(f(:)))/2;done=false;i=0while~doner1=find(f<=T);r2=find(f>T);Tnew=(mean(f(r1))+mean(f(r2)))/2;done=abs(Tnew-T)<1T=Tnew;i=i+1;endf(r1)=0;f(r2)=1;subplot(1,2,2)imshow(f);title('迭代阀值二值化图像');2.用Otsu法进行阈值选择addpath('C:\'); f = imread('C:\lzs.jpeg'); subplot(2,2,1)imshow(f);title('原始图像');T=graythresh(f);g=im2bw(f,T);subplot(2,2,2);imshow(g);title('Otsu方法二值化图像');3.用watershed算法分割图像addpath('C:\');f = imread('C:\lzs.jpeg');subplot(2,2,1)imshow(f);title('(a)原始图像');subplot(2,2,2);f=double(f);hv=fspecial('prewitt');hh=hv.';gv=abs(imfilter(f,hv,'replicate')); gh=abs(imfilter(f,hv,'replicate')); g=sqrt(gv.^2+gh.^2);subplot(2,2,2);L=watershed(g);wr=L==0;imshow(wr);title('(b)分水岭');f(wr)=255;subplot(2,2,3);imshow(uint8(f));title('(c)分割结果'); rm=imregionalmin(g);subplot(2,2,4);imshow(rm);title('(d)局部极小值'); （三）膨胀和腐蚀1.膨胀操作addpath('C:\');I = imread('C:\yb.jpg');subplot(121);imshow(I);title('原始图像')se=strel('ball',8,8);I2=imdilate(I,se);subplot(122);imshow(I2);title('膨胀后的图像')2.腐蚀操作addpath('C:\');I = imread('C:\yb.jpg'); subplot(121);imshow(I);title('原始图像')se=strel('ball',8,8);I2=imerode(I,se);subplot(122);imshow(I2);title('腐蚀操作后的图像')。
