下载文档原格式
图像锐化有哪些方法图像锐化是图像处理中常用的一种操作，可以通过增强图像的高频信息，使图像边缘更加清晰。
常用的图像锐化方法主要包括增强算子、滤波操作和边缘检测等。
1. 增强算子方法：增强算子方法是基于对图像进行空间变换，通过改变像素点的灰度值来增强图像的边缘和细节。
常用的增强算子方法包括拉普拉斯算子、索伯算子和普瑞维特算子等。
这些算子可以对图像进行卷积操作，得到锐化后的图像。
例如，拉普拉斯算子可以通过在每个像素点和周围邻域之间进行卷积操作来增强图像的高频信息。
2. 滤波操作方法：滤波操作方法是通过设计一定的滤波器来对图像进行卷积操作，以增强图像的边缘细节。
常用的滤波操作方法包括高通滤波器、边缘增强滤波器和维纳滤波器等。
高通滤波器可以通过减少图像低频分量来增强图像的高频信息，从而使图像边缘更加清晰。
边缘增强滤波器则可以通过增加图像的局部差异来增强图像的边缘细节。
维纳滤波器是一种自适应滤波器，可以根据图像的噪声特性来进行滤波操作，以减少噪声对锐化效果的影响。
3. 边缘检测方法：边缘检测方法是通过寻找图像的局部极值点来确定图像的边缘位置，从而实现图像锐化。
常用的边缘检测方法包括Sobel算子、Canny算子和LoG算子等。
Sobel算子可以通过计算图像梯度的幅值和方向来确定图像边缘的位置和方向。
Canny 算子是一种基于图像梯度的多阈值边缘检测算法，可以通过滤波、非极大值抑制和双阈值检测等步骤来确定图像的强边缘和弱边缘。
LoG算子是一种拉普拉斯高斯算子，可以通过在图像上进行卷积操作来检测图像的边缘信息。
除了以上的方法，图像锐化还可以通过多尺度分析、形态学操作和投影剪切等方法来实现。
多尺度分析可以通过对图像的不同尺度进行分析和合成来增强图像的局部细节和边缘信息。
形态学操作是一种基于图像形状和结构的操作，可以通过腐蚀、膨胀和开闭操作等来增强图像的边缘信息。
投影剪切是一种基于数学变换的图像锐化方法，可以通过对图像的投影进行变换来改变图像的灰度级分布，从而增强图像的边缘和细节。
无损检测技术中的成像技术与图像处理方法无损检测技术是工业领域中一种重要的质量控制手段，它能够在不损伤被检材料的情况下，对其进行全面准确的检测和评估。
成像技术和图像处理方法在无损检测技术中起到关键作用，能够提高检测精度和效率。
在本文中，我们将探讨无损检测技术中的成像技术与图像处理方法。
成像技术是无损检测技术中最基础也是最常用的技术之一。
它通过采集被检材料的图像来获取有关材料内部结构和缺陷的信息。
常用的成像技术包括X射线成像、红外成像、超声成像等。
X射线成像是利用物质对X射线的吸收特性来获得材料的图像信息，适用于金属材料的检测。
红外成像则是利用物质在红外辐射下的热辐射特性来获取图像，适用于非金属材料的检测。
超声成像则是利用超声波在材料中的传播和反射来获取图像，适用于复杂结构及较厚材料的检测。
这些成像技术可以单独使用，也可以结合使用，以提高检测的准确性和全面性。
除了成像技术，图像处理方法在无损检测技术中也占据着重要的地位。
图像处理方法能够对成像技术获得的图像进行处理和分析，提取有用的信息和特征，进而实现缺陷的提取和识别。
常用的图像处理方法包括图像增强、滤波去噪、边缘检测、特征提取等。
图像增强是指通过改进图像的亮度、对比度和细节等方面，从而使图像更加清晰可见。
滤波去噪是通过滤波算法对图像中的噪声进行抑制和削弱，提高图像质量。
边缘检测是利用算法寻找图像中的边缘特征，用于边缘检测和轮廓提取。
特征提取是从图像中提取出有助于检测和识别缺陷的特征，例如形状、纹理、颜色等。
这些图像处理方法可以根据具体的需要和材料特性进行选择和组合，以获得最佳的图像分析结果。
成像技术和图像处理方法的选择和应用需要根据被检材料的特性和检测要求来确定。
不同材料的成像特性和缺陷特征各异，因此需要根据材料的特点选择适合的成像技术，并结合相应的图像处理方法进行分析。
例如，对于检测金属材料中的缺陷，可以选择X射线成像技术，并结合图像增强和边缘检测方法进行分析；对于检测非金属材料中的缺陷，可以选择红外成像技术，并结合滤波去噪和特征提取方法进行分析。
计算机视觉技术的图像处理方法图像处理是计算机视觉技术中的一个重要环节，它涉及到对图像进行获取、分析、处理和呈现的过程。
在计算机视觉技术的发展中，图像处理方法起着至关重要的作用，它可以帮助我们实现图像质量改善、特征提取、目标检测等一系列任务。
本文将介绍几种常用的图像处理方法，包括图像滤波、边缘检测、图像分割和图像增强。
首先，图像滤波是一种常用的图像处理方法，它可以帮助我们去除图像中的噪声，提高图像质量。
常见的图像滤波方法包括均值滤波、中值滤波和高斯滤波。
均值滤波是最简单的滤波方法之一，它通过计算像素周围邻域的平均值来实现去噪。
中值滤波则是通过计算像素周围邻域的中值来去除图像中的椒盐噪声。
而高斯滤波则是通过将像素周围邻域与高斯核进行卷积来平滑图像。
图像滤波方法有助于消除图像中的噪声，提高后续图像分析和处理的准确度。
其次，边缘检测是基于计算机视觉的图像处理方法之一，它可以帮助我们提取图像的边缘信息，从而实现目标检测、图像分割等任务。
常见的边缘检测方法包括Sobel算子、Canny算子和Laplacian算子。
Sobel算子可以通过计算像素周围邻域的梯度来提取图像的边缘信息。
Canny算子是一种更为复杂的边缘检测方法，它通过一系列步骤来实现边缘检测，包括高斯滤波、计算图像梯度、非极大值抑制和双阈值处理。
Laplacian算子则可以通过计算图像的二阶导数来提取边缘信息。
边缘检测方法可以帮助我们提取图像的重要特征，为后续的图像分析和处理提供便利。
第三，图像分割是计算机视觉中的一个重要任务，它可以帮助我们将图像分割成若干个子区域，从而实现对图像中目标的提取和分析。
常见的图像分割方法包括阈值分割、区域生长和基于边缘的方法。
阈值分割是一种简单但有效的图像分割方法，它通过设置一个阈值来将图像中的像素分为不同的类别。
区域生长则是一种基于像素邻近性的图像分割方法，它从一个或多个种子点开始，逐步生长分割出图像中的不同区域。
医学影像处理中的图像增强算法使用技巧分享图像增强是医学影像处理中的重要任务之一，它旨在改善图像的质量，使医生能够更准确地诊断和治疗疾病。
在医学影像处理领域，图像增强算法扮演着关键角色，它们能够增强图像的对比度、清晰度和边缘特征，从而提供更有用的信息。
在本文中，我们将分享一些医学影像处理中的图像增强算法使用技巧，帮助读者在实践中获得更好的结果。
1. 直方图均衡化(Histogram Equalization)直方图均衡化是一种简单却有效的图像增强方法，它通过重新分布图像像素的灰度级来增强图像的对比度。
在医学影像处理中，直方图均衡化可以帮助凸显影像中的重要结构和特征。
使用该算法时，需要考虑到不同图像具有不同的亮度分布特点，因此可能需要自适应的直方图均衡化算法来应对不同场景下的图像增强需求。
2. 噪声去除滤波器(Noise Removal Filters)噪声是医学影像处理中常见的问题之一，它会影响图像的质量和对比度。
为了去除噪声并增强图像，可以使用各种滤波器，如中值滤波器、高斯滤波器和均值滤波器。
中值滤波器可以有效地去除脉冲噪声，而高斯滤波器和均值滤波器则可以平滑图像并减少高频噪声。
根据图像的性质和需求，选择适当的滤波器非常关键。
3. 边缘增强(Edge Enhancement)边缘增强是一种用于增强图像边缘特征的方法，它可以使医生更容易地检测和分析图像中的病灶和结构。
在医学影像处理中，常用的边缘增强算法包括Laplacian增强、Sobel增强和Canny边缘检测。
这些算法能够突出显示图像中的边缘信息，并减少噪声的干扰。
然而，在使用边缘增强算法时，需要注意避免过度增强图像，以免造成误诊。
4. 对比度增强(Contrast Enhancement)对比度增强是一种改善图像对比度的方法，它可以使图像中的细节更加清晰可见。
在医学影像处理中，常见的对比度增强算法包括直方图拉伸、伽马校正和局部对比度增强。
直方图拉伸可以通过拉伸图像的灰度级范围来改善图像的对比度。
边缘检测的原理边缘检测是数字图像处理中的常见任务，它能够识别并提取出图像中物体的边缘信息。
在计算机视觉和模式识别领域，边缘特征对于物体识别、分割以及图像理解非常重要。
本文将介绍边缘检测的原理及其常用的方法。
一、边缘的定义边缘是图像中亮度变化剧烈处的集合。
在图像中，边缘通常表示物体之间的分界线或物体自身的边界轮廓。
边缘通常由亮度或颜色的不连续性引起，可以用于图像分析、特征提取和图像增强等应用中。
二、边缘检测的原理边缘检测的目标是找到图像中的所有边缘，并将其提取出来。
边缘检测的原理基于图像亮度的一阶或二阶变化来进行。
常用的边缘检测原理包括：1. 一阶导数方法一阶导数方法利用图像亮度的一阶导数来检测边缘。
最常见的方法是使用Sobel算子、Prewitt算子或Roberts算子计算图像的梯度，然后通过设置合适的阈值将梯度较大的像素点判定为边缘。
2. 二阶导数方法二阶导数方法通过对图像亮度进行二阶导数运算来检测边缘。
其中，Laplacian算子是最常用的二阶导数算子，它可以通过计算图像的二阶梯度来获取边缘信息。
类似于一阶导数方法，二阶导数方法也需要设定适当的阈值来提取边缘。
3. Canny算子Canny算子是一种广泛使用的边缘检测算法，它综合了一阶和二阶导数方法的优点。
Canny算子首先使用高斯滤波平滑图像，然后计算图像的梯度和梯度方向，并根据梯度方向进行非极大值抑制。
最后，通过双阈值算法检测出真正的边缘。
三、边缘检测的应用边缘检测在计算机视觉和图像处理中具有广泛的应用。
以下是一些常见的应用：1. 物体检测与分割边缘检测可以帮助识别图像中的物体并进行分割。
通过提取物体的边缘，可以实现对图像内容的理解和分析。
2. 图像增强边缘检测可以用于图像增强，通过突出图像中的边缘信息，使图像更加清晰和饱满。
3. 特征提取边缘是图像中最重要的特征之一，可以用于物体识别、图像匹配和目标跟踪等应用中。
通过提取边缘特征，可以实现对图像的自动识别和分析。
数字图像处理作业----第三次1、 什么是图像增强？常见算法有哪些？典型算法的程序实现，其优缺点？结果对比。
1.1图像增强的定义为了改善视觉效果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施称为图像增强。
一般情况下，图像增强是按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，也是提高图像质量的过程。
图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。
图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。
但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。
传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。
这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。
1.2 图像增强的分类及方法图像增强可分成两大类：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。
图像处理中的边缘检测与图像增强技术边缘检测是图像处理领域中的重要技术，它主要用于提取图像中的边缘信息，帮助我们分析和理解图像。
图像增强则是通过改变图像的亮度、对比度等参数，使得图像更加明亮和清晰。
本文将介绍边缘检测和图像增强的原理、常用算法和应用领域。
一、边缘检测技术边缘是图像中灰度变化比较大的区域，通常表示物体边界或者纹理的边界。
边缘检测的目标是在图像中找到这些边缘，并将其提取出来。
常见的边缘检测算法有Sobel算子、Prewitt算子、Roberts算子和Canny算子。
1. Sobel算子Sobel算子是一种最简单和最常用的边缘检测算法之一。
它通过在图像中进行卷积运算，通过计算像素点与其邻域像素点之间的差异来作为边缘的强度。
Sobel算子有水平和垂直两个方向的算子，通过计算两个方向上的差异来得到最终的边缘值。
2. Prewitt算子Prewitt算子也是一种常用的边缘检测算法，它与Sobel算子类似，也是通过计算像素点与其邻域像素点之间的差异来作为边缘的强度。
不同之处在于Prewitt算子使用了不同的卷积核，其结果可能会略有差异。
3. Roberts算子Roberts算子是一种简单的边缘检测算法，它使用了一个2x2的卷积核。
通过计算相邻像素点之间的差异，Roberts算子可以提取图像中的边缘信息。
然而，Roberts算子相对于其他算法来说，其结果可能会较为粗糙。
4. Canny算子Canny算子是一种边缘检测的经典算法，由于其较好的性能和效果，被广泛应用于边缘检测领域。
Canny算子主要包括以下几步：首先，对图像进行高斯滤波，以平滑图像；其次，计算图像的梯度和边缘方向；然后，通过非极大值抑制去除不是边缘的像素；最后，通过双阈值算法将边缘连接为一条连续的线。
二、图像增强技术图像增强是指通过改变图像的亮度、对比度等参数，使得图像更加明亮和清晰。
图像增强可以提高图像的质量，使得图像更适合用于后续的分析和处理。
图像的边缘检测图像边缘检测是计算机视觉中一项重要的技术，它可以识别图像中物体的轮廓和边缘特征。
具体来说，边缘是图像中亮度或颜色发生突变的地方，通常表示物体间的边界或纹理变化。
边缘检测的背景和意义在于提供一种快速和准确分析图像的方法，进而对图像进行理解、识别和处理。
在计算机视觉和图像处理中，边缘检测常被用于很多应用领域，如目标检测、图像分割、形状识别等。
通过提取图像的边缘信息，我们可以定位和识别图像中的物体，实现自动化识别和分析。
边缘检测还可以用于图像增强和图像压缩等方面，以改善图像的质量和减少存储空间的需求。
因此，了解和掌握图像边缘检测的方法和技术对于计算机视觉和图像处理领域的研究和应用具有重要意义。
本文将深入介绍图像边缘检测的原理、常用算法和应用场景，帮助读者全面理解并应用图像边缘检测技术。
常用的图像边缘检测算法有许多种，下面主要介绍两种常见的算法：Sobel算子Sobel算子是一种基于梯度的边缘检测算法。
它通过计算图像中每个像素点的灰度值梯度，来检测图像中的边缘。
Sobel算子主要使用两个3x3的卷积核，分别对图像进行水平和垂直方向的梯度计算。
通过将两个方向上的梯度进行合并，可以得到图像的整体边缘信息。
___算子Canny算子是一种经典的边缘检测算法。
它在边缘检测中有着较好的性能，在计算机视觉和图像处理领域广泛应用。
Canny算子首先对图像进行高斯滤波，以平滑图像并减少噪声。
然后计算图像中每个像素点的梯度强度和方向，选取局部极大值作为边缘点。
最后，通过滞后阈值处理，将边缘连接成连续的曲线。
以上是常见的图像边缘检测算法，它们在计算机视觉、图像处理和模式识别等领域中起着重要的作用。
应用领域本文旨在探讨图像边缘检测在计算机视觉、图像处理等领域的应用。
图像边缘检测是计算机视觉和图像处理中一项重要的任务，它主要用于捕捉图像中物体或场景的边缘信息。
边缘是图像中色彩变化剧烈的区域，可以表示物体的边界或对象之间的分界线。
图像处理中的图像边缘检测与边缘增强算法研究图像边缘检测与边缘增强算法研究随着人工智能和计算机视觉的发展，图像处理在各个领域的应用日益广泛。
而图像边缘检测与边缘增强算法就是其中重要的一部分。
本文将就这一主题展开探讨。
一、边缘检测的意义与难点边缘是图像中物体与背景交界处的强度变化，对于了解物体的形状和轮廓非常重要。
因此，图像边缘检测的主要目的就是提取出图像中的边缘信息。
但是，由于图像中存在噪声和复杂的纹理等因素，边缘检测变得困难。
在图像边缘检测中，常用的方法有基于梯度的方法和基于模板的方法。
基于梯度的方法通过计算像素点的梯度来检测边缘，而基于模板的方法则是通过将图像与一些特殊模板进行卷积计算来寻找边缘。
这两种方法各有优缺点，根据实际需要选择相应的方法进行边缘检测。
二、经典的边缘检测算法1. Sobel算子Sobel算子是一种基于梯度的边缘检测算法，它利用一组3x3的模板分别计算水平和垂直方向上的梯度值，然后将两个方向上的梯度值进行加权平均得到最终的边缘强度。
Sobel算子简单有效，能够检测到明显的边缘，但对于边缘较细的物体可能存在一定误差。
2. Canny边缘检测算法Canny边缘检测算法是一种基于概率的边缘检测算法，它通过将图像进行多次平滑处理、计算梯度、非极大值抑制和双阈值处理等步骤，最终得到图像的边缘信息。
Canny算法可以有效地抑制噪声，并能检测出较细的边缘，是目前应用最广泛的边缘检测算法之一。
三、边缘增强的方法与技术边缘增强是通过一系列处理方法，使得图像中的边缘更加鲜明和清晰。
常用的边缘增强方法有直观增强、直方图均衡化、锐化等。
直观增强是最简单的一种边缘增强方法，通过调整图像的对比度和亮度来使边缘更加突出。
直方图均衡化则是通过将像素灰度分布均匀化来增强图像的边缘信息，进而提高图像的质量和视觉效果。
而锐化则是通过增强图像的高频成分来提升图像的边缘信息。
四、图像边缘检测与边缘增强的应用领域图像边缘检测与边缘增强广泛应用于图像处理、模式识别、计算机视觉等领域。
数字图像处理作业----第三次1、什么是图像增强？常见算法有哪些？典型算法的程序实现，其优缺点？结果对比。
1.1图像增强的定义为了改善视觉效果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施称为图像增强。
一般情况下，图像增强是按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，也是提高图像质量的过程。
图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。
图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。
但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。
传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。
这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。
1.2 图像增强的分类及方法图像增强可分成两大类：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。
1.3 常用的图像增强方法（1）直方图均衡化有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。
这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。
（2）对比度增强法有些图像的对比度比较低，从而使整个图像模糊不清。
这时可以按一定的规则修改原来图像的每一个象素的灰度，从而改变图像灰度的动态范围。
（3）平滑噪声有些图像是通过扫描仪扫描输入、或传输通道传输过来的。
图像中往往包含有各种各样的噪声。
这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。
这些噪声的存在直接影响着后续的处理过程，使图像失真。
图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。
（4） 锐化平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用模板和统计差值的方法，使图像增强锐化。
图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，通过高通滤波器去除低频分量，也可以达到图像锐化的目的。
1.4 实验（一）直方图均衡化，过程如下：（1）计算原图像的灰度直方图)(K r r P ；（2）计算原图像的灰度累积分布函数k s ，进一步求出灰度变换表；（3）根据灰度变换表，将原图像各灰度级映射为新的灰度级。
在MATLAB 中，histeq 函数可以实现直方图均衡化。
该命令对灰度图像I 进行变换，返回有N 级灰度的图像J ，J 中的每个灰度级具有大致相同的像素点，所以图像J 的直方图较为平坦，当N 小于I 中灰度级数时，J 的直方图更为平坦，缺省的N 值为64。
代码：%灰度直方图均衡化I=imread('source.jpg');%读取图像subplot(2,2,1);imshow(I);%显示图像title('原图');subplot(2,2,2);imhist(I)%绘制图像的灰度直方图title('原图的灰度直方图');imhist(I)%显示原始图像直方图subplot(2,2,3);J=histeq(I,64);%对图像进行均衡化处理，返回有64级灰度的图像Jimshow(J);%显示图像title('原图直方图均衡化');subplot(2,2,4);imhist(J);%绘制图像的灰度直方图title('均衡后的灰度直方图');效果图：结果分析：从上图【原图】可以看出原始图像动态范围较小，整体较暗，反映在直方图上像素主要集中在低灰度的一侧，如【原图的灰度直方图】所示。
经过对比度调整，图像变亮，可以看到更多的细节如图【原图直方图均衡化】和【均衡后的灰度直方图】所示。
优势：可以充分利用图像中的亮度信息，明显改善图像质量，是一种常用的图像增强算法。
不足：对于受噪声影响明显的图像，该算法增强效果不明显。
即不能有效地抑制噪声。
而且，仅仅利用了图像中的局部信息。
（二）锐化图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。
图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算以突出图像细节使图像变得更为清晰。
由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的慢变化区域。
因此，锐化处理可选择拉普拉斯算子对原图像进行处理产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像。
拉普拉斯锐化的基本方法可以由下式表示：xfyyg∇=-fx,(,)),(2y)(x这种简单的锐化方法既可以产生拉普拉斯锐化处理的效果，同时又能保留背景信息：将原始图像叠加到拉普拉斯变换的处理结果中去，可以使图像中的各灰度值得到保留、灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节。
代码：a=imread('source.jpg');subplot(221);imshow(a);title('原图');b=double(a);%将图像矩阵转化为double类型s=size(b);c=zeros(s(1,1),s(1,2));for x=2:s(1,1)-1for y=2:s(1,2)-1c(x,y)=(-b(x+1,y)-b(x-1,y)-b(x,y+1)-b(x,y-1)+4*b(x,y));endend%用拉氏算子对图像进行滤波，这个过程相当于运用了一个3×3的掩膜[0，－1，0；－1，4，－1；0，－1，0]subplot(222);imshow(c);title('Laplace锐化滤波图像');d=b+c;%当拉普拉斯掩膜中心系数为正时，增强图像为原图像于拉氏算子滤波图像之和d=uint8(d);%将图像矩阵变回uint8格式subplot(223);imshow(d);title('Laplace锐化滤波结果');效果图;结果分析：比较原始模糊图像和经过拉氏算子运算的图像，可以发现，图像模糊的部分得到了锐化，特别是模糊的边缘部分得到了增强，边界更加明显。
但是，图像显示清楚的地方，经过滤波发生了失真，这也是拉氏算子增强的一大缺点。
2 边缘检测边缘是图像上灰度变化最剧烈的地方，传统的边缘检测就是利用了这个特点，对图像各个像素点进行微分或求二阶微分来确定边缘像素点。
一阶微分图像的峰值处对应着图像的边缘点；二阶微分图像的过零点处对应着图像的边缘点。
根据数字图像的特点，处理图像过程中常采用差分来代替导数运算，对于图像的简单一阶导数运算，由于具有固定的方向性，只能检测特定方向的边缘，所以不具有普遍性。
为了克服一阶导数的缺点，我们定义图像的梯度为梯度算子，它是图像处理中最常用的一阶微分算法。
图像梯度的最重要性质是梯度的方向是在图像灰度最大变化率上，它恰好可以反映出图像边缘上的灰度变化。
2.1 边缘检测的基本步骤1.滤波：边缘和噪声同属图像中强度变化剧烈的部位因此边缘检测算子对边缘和噪声都很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测算子的性能。
2.增强：增强边缘的基础是确定图像各点邻域强度的变化值。
增强算法可以将邻域(或局部)强度之有显著变化的点突显出来。
3.检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。
最简单的边缘检测判据是利用梯度幅值的阈值作为判据。
4.定位：边缘定位即确定边缘点的具体位置，除此之外还应包括边缘细化、连接。
图２.１边缘检测的流程 常用边缘检测算法经典的边缘检测算法主要有微分法和最优算子法，微分法是通过利用经典的微分算子检测图像的边缘，主要包括Roberts 算子、Sobel 算子、Prewitt 算子、Kirsch 算子和Laplacian 算子等，最优算子法则是微分算子发展和优化，主要有LOG 算子和Canny 算子等。
1 .Roberts 算子边缘，是指周围像素灰度有阶跃变化或屋顶等变化的那些像素的集合。
图像的边缘对应着图像灰度的不连续性。
显然图像的边缘很少是从一个灰度跳到另一个灰度这样的理想状况。
真实图像的边缘通常都具有有限的宽度呈现出陡峭的斜坡状。
边缘的锐利程度由图像灰度的梯度决定。
梯度是一个向量，∇f 指出灰度变化最快的方向和变化量。
),(f y f x f ∂∂∂∂=∇ 梯度大小由 22⎪⎪⎭⎫ ⎝⎛∂∂+⎪⎭⎫ ⎝⎛∂∂=∇y f x f f确定。
