改进后的同态滤波图像处理技术中的应用

Matlab中的数字图像处理与同态滤波技术详解数字图像处理在现代科技领域发挥着重要的作用，它可以对图像进行增强、恢复、分析和理解。

Matlab是一种功能强大的工具，被广泛应用于数字图像处理领域。

同态滤波是数字图像处理中常用的技术之一，它能够有效地改善图像的质量和对比度，并提高图像的功能性。

一. 数字图像处理概述在数字图像处理中，我们通过对图像使用数字计算机算法来改善其质量和表达。

数字图像处理技术可以应用于各个领域，如医学图像处理、安全监控、图像识别等。

Matlab作为一种强大的工具，在数字图像处理中具有举足轻重的地位。

数字图像处理的基本步骤包括图像获取、预处理、增强、分割和表示。

其中，预处理环节是非常重要的。

预处理可以包括图像去噪、平滑、锐化和增强对比度等操作。

Matlab提供了各种强大的函数和工具箱，使得数字图像预处理变得更加简单和高效。

二. 同态滤波原理同态滤波是一种有效的图像增强技术，可以改善图像的对比度和亮度分布。

同态滤波技术能够在去除图像退化的同时，保持图像的细节信息，提高图像的可视性。

同态滤波的原理是对图像进行频率域分解，然后对低频部分和高频部分进行分别处理，最后再将两者合并得到增强后的图像。

同态滤波的核心思想是对数变换，通过对数变换可以将乘法运算转化为加法运算，从而简化计算过程。

三. Matlab中的同态滤波函数Matlab提供了许多用于数字图像处理的函数和工具箱，其中包括同态滤波函数。

下面介绍几个常用的同态滤波函数及其使用方法。

1. imadjust函数imadjust函数是Matlab中用于图像增强的函数之一。

它可以通过调整图像的亮度和对比度来改善图像的视觉效果。

imadjust函数的语法如下：J = imadjust(I,[low_in high_in],[low_out high_out]);其中，I是输入图像，J是输出图像。

[low_in high_in]表示输入图像中要拉伸的亮度范围，[low_out high_out]表示输出图像中的目标亮度范围。

计算机科学系2008级通信工程专业 数字图像处理 课程论文1同态滤波在图像增强中的应用一、摘要：摘自：在频域中利用同态滤波增强图像对比度 --- 【期刊】微计算机信息 2007年摘要内容：在介绍基于照明反射模型的同态滤波模型原理、实现过程和特点的基础上,在频域内通过对高斯高通滤波器、巴特沃斯高通滤波器、指数高通滤波器的改进后得出三种同态滤波器,并对三种同态滤波器通过实验结果给出适用的滤波模型和表达式参数。

由对同一幅照明不良会使图像亮度不足和细节模糊,而且图像信噪比很低,图像对比度明显变差的图像处理结果表明,巴特沃斯同态滤波函数优于其它两种同态滤波函数,对光照不足的图像进行灰度动态范围压缩和对比度增强效果显著。

关键词：同态滤波; 图像对比度增强; 动态范围;二、引言我们人眼能分别得出图像的灰度不仅仅是由于光照函数（照射分量）决定，而且还与反射函数（反射分量）有关，反射函数反映出图像的具体内容。

光照强度一般具有一致性，在空间上通常会有缓慢变化的性质，在傅立叶变换下变现为低频分量，然而不一样的材料的反射率差异较大，经常会引起反射光的急剧变化，从而使图像的灰度值发生变化，这种变化与高低频分量有关。

为了消除不均匀照度的影响，增强图像的高频部分的细节，可以采用建立在频域的同态滤波器对光照不足或者有光照变化的图像进行处理，可以尽量减少因光照不足引起的图像质量下降，并对感兴趣的景物进行有效增强，这样就在很大程度上做到了原图像的图像增强。

三、同态滤波的原理同态滤波是一种在频域中进行的图像对比度增强和压缩图像亮度范围的特殊方法。

同态滤波器能够减少低频并且增加高频，从而能减少光照变化并锐化边缘细节。

图像的同态滤波技术的依据是图像获取过程中的照明反射成像原理。

它属于频域处理,作用是对图像灰度范围进行调整,通过消除图像上照明不均的问题。

非线性滤波器能够在很好地保护细节的同时, 去除信号中的噪声,同态滤波器就是一种非线性滤波器,其处理是一种基于特征的对比度增强方法,主要用于减少由于光照不均匀引起的图像降质,并对感兴趣的景物进行有效地增强。

（基于小波变换的）同态滤波算法在雨雾图像处理中的应用海博摘要：在薄雾天气的影响下，由于大气对成像光线的作用，而使所获取的图片模糊不清，对比度降低。

本文基于雨雾天气图像的特点，从时频分析的角度出发，提出了一种基于小波变换的同态滤波方法，采用快速小波变换代替传统傅里叶变换，在变换域内用改进的指数滤波器对小波系数进行处理，从而达到增强雾天降质图像的目的。

实验结果表明，本文的方法，能够有效突出雾天图像的细节，增强景物对比度，较好的改善视觉效果。

关键词：同态滤波，小波变换，去雾，图像对比度1.引言对于雨雾天气条件下，通过交通和公共场合摄像头摄取的图像，由于雨雾的影响，图像的对比度降低，而且影响了对远处景物和人物信息的观察和辨别，从而给相关人员的工作带来的一定的阻碍。

而对于图像去雾的方法，国内外学者都做过大量的研究。

常用的方法有直方图均衡，时域频域滤波和基于物理模型的方法。

直方图均衡虽然算法简单，但是由于雨雾而使图像对比度降低与景物的远近并非线性关系，所以该方法的效果并不理想，有时由于将景物的灰度值增强或减弱后反而会影响图像的信息量。

而基于物理模型的方法[1]，此方法由于缺少参数，对视频采集的要求过于苛刻，算法复杂等原因在使用中有诸多的困难。

为了避免这些不足，本文提出基于小波的同态滤波算法，小波变换在时域和频域同时具有良好的局部特性[2]，比傅里叶变换有明显的优势，从而达到去除雨雾对图像的影响。

2.经典同态滤波算法2.1同态滤波原理同态滤波是一种把频率过滤和灰度变换结合起来的图像处理方法，它把图像的照度反射模型作为频域处理的基础，通过对图像的灰度范围的调整，可以有效解决图像上照度不均匀及动态范围过大对图像产生影响的问题，在不损失亮区细节信息的同时，有效增强暗区的细节信息[3]。

一般雨雾天气的图像ƒ(x,y)由两个分量表示：(,)(,)(,)i r f x y f x y f x y = (1) 其中：0(,)i f x y <<∞；0(,)1r f x y <<i ƒ(x,y)：可称为照明函数，频谱处于低频区域，在空间上变化缓慢，描述场景的照明，与景物无关，雨雾信息包含其中。

分类号：TN911.73 U D C：D10621-408-(2012)1728-0 密级：公开编号：2008031050成都信息工程学院学位论文光强不均匀图像的同态滤波改善方法研究论文作者姓名：田晓振申请学位专业：电子科学与技术申请学位类别：工学学士指导教师姓名（职称）：苏礼坤（副教授）论文提交日期：2012年06月01日光强不均匀图像的同态滤波改善方法研究摘要在图像采集过程中,由于实际环境中成像条件的限制,造成图像的背景光照不均匀，当照度不均匀时,图像上对应照度暗的部分,其细节就较难分辨。

为了消除数字图像中的照度不均匀性,本文对现有数字图像的照度不均匀校正技术进行了归类和讨论,分析了这些方法在计算误差上的内在原因,并在此基础上研究了基于同态滤波的数字图像照度不均匀校正技术。

该技术兼顾了数字图像的频域和空域,使得采用本方法校正后的图像既消除了不足照度的影响而又不损失图像的细节。

结果表明:经处理后的图像,局部对比度增强效果明显,较好地保持了图像的原始面貌,取得了预期的理想滤波效果。

该方法能有效恢复不均匀光照背景,为实际图像处理应用提供了有效的前期处理。

关键词：光照不均匀；图像增强；同态滤波The research of homomorphic filteringto improve light intensity and uneven imageAbstractThe limitation of imaging condition in actual environment causes sometimes the non-uniform back ground light on the images. Aimed at the elimination of uneven illumination in digital images, existing techniques for the correction of unevenness of illumination are classified and discussed, and the basis of its algorithmic error analyzed. A new for the correction of unevenness elimination technique based on homomorphic filtering is proposed. By giving attention both to the frequency domain and space domain of the image, this technique results in better quality, less error in the resulting image,and the time spent is also relatively small. It is shown that the method performs well in enhancing the local contrast of an image while maintaining its global appearance, and the expected filter effect is achieved. Experimental results show that the proposed method can recover the non-uniform lighting background robustly, and is a useful preprocessing step in practical image processing applications.Key words:Non-uniform lighting; Image enhancement; homomorphic filtering目录论文总页数：20页1 引言 (1)1.1课题背景 (1)1.2研究现状及发展趋势 (2)1.3研究方法 (2)2光照不均匀图像目前改善方法 (3)2.1以直方图均衡化法为代表的灰度变换法 (3)2.2基于感知理论（Retinex理论）的增强方法 (4)2.3梯度域图像增强方法 (6)2.4背景拟合法恢复光照不均匀图像 (7)2.5基于小波变换的照度不均匀改善技术 (7)3同态滤波的原理 (8)3.1基本概念 (8)3.2同态信号处理 (8)3.2.1相乘信号的同态滤波处理 (9)3.2.2卷积信号的同态滤波处理 (10)4 用同态滤波技术改善光照不均匀图像 (11)4.1简单的图像形成模型和特性 (11)4.2同态滤波改善图像的数学模型 (12)4.3同态滤波函数的确定 (13)4.4计算机仿真 (14)结论 (18)参考文献 (18)致谢 (20)声明 (21)1引言1.1 课题背景图像是人类获取和交换信息的主要来源，是视觉的基础，而视觉又是人类重要的感知手段，所以，图像成为心理学、生理学、计算机科学等诸多方面学者研究示图感知的有效工具。

改进同态滤波的矿井监控视频图像增强算法改进同态滤波的矿井监控视频图像增强算法1. 引言矿井监控旨在确保矿井内工作人员的安全以及监测矿井运行状态的合理性。

而视频图像质量的增强对于提高监控系统的效果具有重要意义。

同态滤波算法作为一种有效的图像增强方法，在矿井监控领域也得到了广泛应用。

本文针对同态滤波算法在矿井监控视频图像增强中存在的问题进行研究，提出改进的同态滤波算法以进一步提升图像质量。

2. 同态滤波算法原理同态滤波算法是一种基于频域的滤波方法，通过将图像的灰度值分解为光照分量和反射分量，然后对两个分量进行滤波处理后再重组得到增强的图像。

同态滤波能够有效增强图像的对比度和清晰度，但在矿井监控视频图像增强中依然存在局限性。

3. 矿井监控视频图像增强问题分析在矿井监控场景中，由于灰尘、烟雾等原因，图像往往出现低对比度、模糊、噪声等问题。

这些问题给矿井监控视频图像增强带来了挑战。

同态滤波算法虽然能够增强图像的对比度，但对于图像的细节以及噪声的抑制效果并不理想。

因此，需要对同态滤波算法进行改进以解决这些问题。

4. 改进的同态滤波算法4.1 基于小波域的同态滤波算法传统的同态滤波算法只考虑图像的灰度值，而对于图像的细节并未进行充分利用。

因此，本文提出了一种基于小波域的同态滤波算法。

该算法首先对矿井监控视频图像进行小波变换，利用小波变换的频域特性对图像进行分析。

然后，在小波域中根据图像的能量分布特点对图像进行增强处理，以提高图像的细节信息。

4.2 基于自适应权重的同态滤波算法同态滤波算法的一个问题是对图像噪声抑制的效果不佳。

因此，本文采用了基于自适应权重的同态滤波算法。

该算法通过对图像的统计分析，获取图像中的噪声分布情况。

然后，根据噪声的统计特征，自适应调整滤波算法中的权重，以达到更好的噪声抑制效果。

5. 实验结果分析本文通过对矿井监控视频图像进行实验，对比了传统的同态滤波算法和改进的同态滤波算法的增强效果。

图像处理之同态滤波借别⼈的代码，出处，忘记了，好像是⼀个毕业设计：这个滤波器设计的好像过了！double D0=180;void ILPF(CvMat* src, const double D0){int i, j;int state = -1;double tempD;long width, height;width = src->width;height = src->height;long x, y;x = width / 2;y = height / 2;CvMat* H_mat;H_mat = cvCreateMat(src->height,src->width, CV_64FC2);for(i = 0; i < height; i++){for(j = 0; j < width; j++){if(i > y && j > x){state = 3;}else if(i > y){state = 1;}else if(j > x){state = 2;}else{state = 0;}switch(state){case 0:tempD = (double) (i * i + j * j);tempD = sqrt(tempD);break;case 1:tempD = (double) ((height - i) * (height - i) + j * j);tempD = sqrt(tempD);break;case 2:tempD = (double) (i * i + (width - j) * (width - j));tempD = sqrt(tempD);break;case 3:tempD = (double) ((height - i) * (height - i) + (width - j) * (width - j));tempD = sqrt(tempD);break; default:break;}//⼆维⾼斯⾼通滤波器tempD = 1 - exp(-0.5 * pow(tempD / D0, 2));((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = tempD;((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;//////⼆维理想⾼通滤波器//if(tempD <= D0)//{// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = 0.0;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;//}//else//{// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = 1.0;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;//}// //2阶巴特沃思⾼通滤波器// tempD = 1 / (1 + pow(D0 / tempD, 2 * 2));// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = tempD;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;// //增长率为2⼆维指数⾼通滤波器// tempD = exp(-pow(D0 / tempD, 2));// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2] = tempD;// ((double*)(H_mat->data.ptr + H_mat->step * i))[j * 2 + 1] = 0.0;}}cvMulSpectrums(src, H_mat, src, CV_DXT_ROWS); cvReleaseMat(&H_mat);}void CMipImagePro::TongTai_Filter(IplImage* pCelGrayImg){unsigned int i;CString str;IplImage* im = pCelGrayImg;IplImage * realInput;IplImage * imaginaryInput;IplImage * complexInput;int dft_M, dft_N;CvMat* dft_A, tmp, *dft_B;IplImage * image_Re;IplImage * image_Im;double m, M;realInput = cvCreateImage( cvGetSize(im), IPL_DEPTH_64F, 1); imaginaryInput = cvCreateImage( cvGetSize(im), IPL_DEPTH_64F, 1); complexInput = cvCreateImage( cvGetSize(im), IPL_DEPTH_64F, 2); cvScale(im, realInput, 1.0, 0.0);cvZero(imaginaryInput);cvMerge(realInput, imaginaryInput, NULL, NULL, complexInput);dft_M = cvGetOptimalDFTSize( im->height - 1 );dft_N = cvGetOptimalDFTSize( im->width - 1 );dft_B = cvCreateMat( dft_M, dft_N, CV_64FC2 );dft_A = cvCreateMat( dft_M, dft_N, CV_64FC2 );cvZero(dft_A);cvZero(dft_B);image_Re = cvCreateImage( cvSize(dft_N, dft_M), IPL_DEPTH_64F, 1); image_Im = cvCreateImage( cvSize(dft_N, dft_M), IPL_DEPTH_64F, 1);cvGetSubRect( dft_A,&tmp, cvRect(0,0, im->width, im->height)); cvCopy( complexInput, &tmp, NULL );cvDFT( dft_A, dft_A, CV_DXT_FORWARD, complexInput->height ); ILPF(dft_A, D0);cvDFT( dft_A, dft_A, CV_DXT_INVERSE , complexInput->height );cvNamedWindow("win", 0);cvNamedWindow("magnitude", 0);cvShowImage("win", im);cvSplit( dft_A, image_Re, image_Im, 0, 0 );cvMinMaxLoc(image_Re, &m, &M, NULL, NULL, NULL);cvScale(image_Re, image_Re, 1.0/(M-m), 1.0*(-m)/(M-m));//cvGetSubRect( dft_A,&tmp, cvRect(0,0, im->width, im->height));//cvCopy( image_Re, &pCelGrayImg, NULL );cvShowImage("magnitude", image_Re);}。

同态滤波及其实现一、同态滤波对于一幅由物理过程产生的图像f(x,y)，可以表示为照射分量i(x,y)和反射分量r(x,y)的乘积。

0<i(x,y)<∞，0<r(x,y)<1。

i(x,y)描述景物的照明，变化缓慢，处于低频成分。

r(x,y)描述景物的细节，变化较快，处于高频成分。

因为该性质是乘性的，所以不能直接使用傅里叶变换对i(x,y)和r(x,y)进行控制，因此可以先对f(x,y)取对数，分离i(x,y)和r(x,y)。

令z(x,y) = ln f(x,y) = ln i(x,y) + ln r(x,y)。

在这个过程中，由于f(x,y)的取值范围为[0, L-1]，为了避免出现ln(0)的情况，故采用ln ( f(x,y) + 1 ) 来计算。

然后取傅里叶变换，得到 Z(u,v) = Fi(u,v) + Fr(u,v)。

然后使用一个滤波器，对Z(u,v)进行滤波，有S(u,v) = H(u,v) Z(u,v) = H(u,v)Fi(u,v) + H(u,v)Fr(u,v)。

滤波后，进行反傅里叶变换，有 s(x, y) = IDFT( S(u,v) )。

最后，反对数（取指数），得到最后处理后的图像。

g(x,y) = exp^(s(x,y)) = i0(x,y)+r0(x,y)。

由于我们之前使用ln ( f(x,y)+1)，因此此处使用exp^(s(x,y)) - 1。

i0(x,y)和r0(x,y)分别是处理后图像的照射分量和入射分量。

二、滤波器H(u,v)由于我们会得到动态范围很大，但我们感兴趣的部分很暗，无法辨认细节的图像。

这可以认为或者实际上就是由于光照不均所造成的。

为了减少光照的影响，增强图像的高频部分的细节，我们可以使用同态滤波来增强对比度，增强细节。

在此情况下，我们可以通过衰减低频成分，增强高频成分来达到我们的目的。

通常可以采用如下高斯高通滤波器的变形滤波来对图像进行处理。