下载文档原格式
使用Matlab进行数字图像增强的方法引言：数字图像增强是一种改善图像质量和提升可视化效果的方法。
在实际应用中，我们常常需要对图像进行增强，以便更好地分析和理解图像内容。
使用Matlab作为工具，可以方便地对图像进行各种增强操作。
本文将介绍几种常用的数字图像增强方法，并结合具体示例演示其在Matlab中的实现。
一、直方图均衡化直方图均衡化是一种通过调整图像像素值的分布来增强对比度的方法。
它可以将像素值均匀分布在整个灰度级范围内，从而增强图像的细节和清晰度。
在Matlab中，我们可以使用函数histeq来实现直方图均衡化。
实例：假设我们有一张灰度图像lena.jpg，我们想对它进行直方图均衡化。
首先，我们可以使用imread函数读取图像，并将其转换为灰度图像。
```matlabimg = imread('lena.jpg');gray_img = rgb2gray(img);```然后，利用histeq函数对图像进行直方图均衡化。
```matlabenhanced_img = histeq(gray_img);``````matlabimshow(enhanced_img);```运行以上代码，我们可以得到一张直方图均衡化后的图像。
二、滤波增强滤波增强是一种通过应用滤波器来减少噪声和增强图像细节的方法。
在Matlab 中，我们可以使用各种滤波器函数来实现滤波增强，如均值滤波、中值滤波和高斯滤波等。
实例：假设我们有一张包含噪声的图像cameraman.jpg，我们想对其进行滤波增强。
首先，我们可以使用imnoise函数在图像中添加高斯噪声。
```matlabimg = imread('cameraman.jpg');noisy_img = imnoise(img, 'gaussian', 0, 0.01);```然后，我们可以使用imfilter函数对图像进行滤波增强。
MATLAB图像增强程序举例1.灰度变换增强程序：% GRAY TRANSFORMclc;I=imread('pout.tif');imshow(I);J=imadjust(I,[0.3 0.7],[0 1],1); %transforms the walues in the %intensity image I to values in J by linealy mapping %values between 0.3 and 0.7 to values between 0 and 1. figure;imshow(J);J=imadjust(I,[0.3 0.7],[0 1],0.5); % if GAMMA is less than 1,the mapping si weighted to ward higher (brighter)%output values.figure;imshow(J);J=imadjust(I,[0.3 0.7],[0 1],1.5); % if GAMMA is greater than 1,the mapping si weighted toward lower (darker)%output values.figure;imshow(J)J=imadjust(I,[0.3 0.7],[0 1],1); % If TOP<BOTTOM,the output image is reversed,as in a p hotographic negative.figure;imshow(J);2.直方图灰度变换%直方图灰度变换[X,map]=imread('forest.tif');I=ind2gray(X,map);%把索引图像转换为灰度图像imshow(I);title('原图像');improfile%用鼠标选择一条对角线，显示线段的灰度值figure;subplot(121)plot(0:0.01:1,sqrt(0:0.01:1))axis squaretitle('平方根灰度变换函数')subplot(122)maxnum=double(max(max(I)));%取得二维数组最大值J=sqrt(double(I)/maxnum);%把数据类型转换成double,然后进行平方根变换%sqrt函数不支持uint8类型J=uint8(J*maxnum);%把数据类型转换成uint8类型imshow(J)title('平方根变换后的图像')3.直方图均衡化程序举例% HISTGRAM EAQUALIZATIONclc;% Clear command windowI=imread('tire.tif');% reads the image in tire.tif into Iimshow(I);% displays the intensity image I with 256 gray levels figure;%creates a new figure windowimhist(I);% displays a histogram for the intensity image IJ=histeq(I,64);% transforms the intensity image I,returning J an intensity figure;%image with 64 discrete levelsimshow(J);figure;imhist(J);J=histeq(I,32);%transforms the intensity image ,returning in % J an intensity figure;%image with 32 discrete levelsimshow(J);figure;imhist(J);4.直方图规定化程序举例% HISTGRAM REGULIZATIONclc;%Clear command windowI=imread('tire.tif');%reads the image in tire.tif into IJ=histeq(I,32);%transforms the intensity image I,returning in%J an intensity image with 32 discrete levels[counts,x]=imhist(J);%displays a histogram for the intensity image IQ=imread('pout.tif');%reads the image in tire.tif into Ifigure;imshow(Q);figure;imhist(Q);M=histeq(Q,counts);%transforms the intensity image Q so that the%histogram of the output image M approximately matches counts figure;imshow(M);figure;imhist(M);空域滤波增强部分程序1.线性平滑滤波I=imread('eight.tif');J=imnoise(I,'salt & pepper',0.02);subplot(221),imshow(I)title('原图像')subplot(222),imshow(J)title('添加椒盐噪声图像')K1=filter2(fspecial('average',3),J)/255;%应用3*3邻域窗口法subplot(223),imshow(K1)title('3x3窗的邻域平均滤波图像')K2=filter2(fspecial('average',7),J)/255;%应用7*7邻域窗口法subplot(224),imshow(K2)title('7x7窗的邻域平均滤波图像')2.中值滤波器MATLAB中的二维中值滤波函数medfit2来进行图像中椒盐躁声的去除%IMAGE NOISE REDUCTION WITH MEDIAN FILTERclc;hood=3;%滤波窗口[I,map]=imread('eight.tif');imshow(I,map);noisy=imnoise(I,'salt & pepper',0.05);figure;imshow(noisy,map);filtered1=medfilt2(noisy,[hood hood]);figure;imshow(filtered1,map);hood=5;filtered2=medfilt2(noisy,[hood hood]);figure;imshow(filtered2,map);hood=7;filtered3=medfilt2(noisy,[hood hood]);figure;imshow(filtered3,map);3. 4邻域8邻域平均滤波算法% IMAGE NOISE REDUCTION WITH MEAN ALGORITHM clc;[I,map]=imread('eight.tif');noisy=imnoise(I,'salt & pepper',0.05);myfilt1=[0 1 0;1 1 1;0 1 0];%4邻域平均滤波模版myfilt1=myfilt1/9;%对模版归一化filtered1=filter2(myfilt1,noisy);imshow(filtered1,map);myfilt2=[1 1 1;1 1 1;1 1 1];myfilt2=myfilt2/9;filtered2=filter2(myfilt2,noisy);figure;imshow(filtered2,map);频域增强程序举例1.低通滤波器% LOWPASS FILTERclc;[I,map]=imread('eight.tif');noisy=imnoise(I,'gaussian',0.05);imshow(noisy,map);myfilt1=[1 1 1;1 1 1;1 1 1];myfilt1=myfilt1/9;filtered1=filter2(myfilt1,noisy);figure;imshow(filtered1,map);myfilt2=[1 1 1;1 2 1;1 1 1];myfilt2=myfilt2/10;filtered2=filter2(myfilt2,noisy); figure;imshow(filtered2,map);myfilt3=[1 2 1;2 4 2; 1 2 1]; myfilt3=filter2(myfilt3,noisy); figure;imshow(filtered3,map);2.布特沃斯低通滤波器图像实例I=imread('saturn.png');J=imnoise(I,'salt & pepper',0.02); subplot(121),imshow(J)title('含噪声的原图像')J=double(J);f=fft2(J);g=fftshift(f);[M,N]=size(f);n=3;d0=20;n1=floor(M/2);n2=floor(N/2);for i=1:M;for j=1:N;d=sqrt((i-n1)^2+(j-n2)^2);h=1/(1+0.414*(d/d0)^(2*n));g(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(122),imshow(g)title('三阶Butterworth滤波图像')色彩增强程序举例1.真彩色增强实例：%真彩色图像的分解clc;RGB=imread('peppers.png');subplot(221),imshow(RGB)title('原始真彩色图像')subplot(222),imshow(RGB(:,:,1))title('真彩色图像的红色分量')subplot(223),imshow(RGB(:,:,2))title('真彩色图像的绿色分量')subplot(224),imshow(RGB(:,:,3))2.伪彩色增强举例：I=imread('cameraman.tif');imshow(I);X=grayslice(I,16);%thresholds the intensity image I using%threshold values 1/16,2/16,…..,15/16,returning an indexed %image in X figure;imshow(X,hot(16));3.假彩色增强处理程序举例[RGB]=imread('ghost.bmp');imshow(RGB);RGBnew(:,:,1)=RGB(:,:,3);RGBnew(:,:,2)=RGB(:,:,1);RGBnew(:,:,3)=RGB(:,:,2);figure;subplot(121);imshow(RGB);subplot(122);imshow(RGBnew);主要转载自:/s/blog_488c87020100cice.htm l。
Matlab中的图像增强方法图像增强是数字图像处理中的一项重要技术，通过使用各种算法和方法，可以改善图像的质量、增加图像的信息量和清晰度。
在Matlab中，有许多强大而灵活的工具和函数，可以帮助我们实现图像增强的目标。
本文将介绍几种常用的Matlab图像增强方法，并探讨它们的原理和应用。
一、直方图均衡化直方图均衡化是一种常用的图像增强方法，通过调整图像的像素分布来增强图像的对比度和亮度。
在Matlab中，我们可以使用“histeq”函数来实现直方图均衡化。
该函数会根据图像的直方图信息，将像素的灰度值重新映射到一个均匀分布的直方图上。
直方图均衡化的原理是基于图像的累积分布函数（CDF）的变换。
它首先计算图像的灰度直方图，并根据直方图信息计算CDF。
然后，通过将CDF线性映射到期望的均匀分布上，将图像的像素值进行调整。
直方图均衡化的优点在于简单易实现，且效果较好。
但它也存在一些限制，比如对噪声敏感、全局亮度调整可能导致细节丢失等。
因此，在具体应用中，我们需要权衡其优缺点，并根据图像的特点选择合适的方法。
二、自适应直方图均衡化自适应直方图均衡化是对传统直方图均衡化的改进，它能够在改善对比度的同时，保持局部细节。
与全局直方图均衡化不同，自适应直方图均衡化采用局部的直方图信息来进行均衡化。
在Matlab中，我们可以使用“adapthisteq”函数来实现自适应直方图均衡化。
该函数会将图像分成小块，并在每个块上进行直方图均衡化。
通过这种方式，自适应直方图均衡化可以在增强图像对比度的同时，保留图像的细节。
自适应直方图均衡化的优点在于针对每个小块进行处理，能够更精确地调整局部对比度，避免了全局调整可能带来的细节丢失。
然而，相对于全局直方图均衡化，自适应直方图均衡化的计算量较大，因此在实时处理中可能会引起性能问题。
三、模糊与锐化图像增强不仅局限于对比度和亮度的调整，还可以改善图像的清晰度和边缘信息。
在Matlab中，我们可以使用一些滤波器来实现图像的模糊和锐化。
使用Matlab进行图像增强与图像修复的方法图像增强与图像修复是数字图像处理领域中的重要研究方向之一。
随着数字摄影和图像处理技术的快速发展，越来越多的应用需要对图像进行增强和修复，以提高图像的质量和视觉效果。
在本文中，我们将探讨使用Matlab进行图像增强和图像修复的方法。
一、图像增强方法图像增强是通过对图像进行处理，改善其质量，使其更加清晰、鲜明和易于观察。
下面将介绍几种常用的图像增强方法。
1. 灰度拉伸灰度拉伸是一种简单而有效的图像增强方法，通过拉伸图像的灰度范围，使得图像中的细节更加明确可见。
具体操作是将图像的最低灰度值映射到0，最高灰度值映射到255，中间的灰度值按比例映射到相应的范围。
在Matlab中，我们可以使用imadjust函数实现灰度拉伸。
2. 直方图均衡化直方图均衡化是一种常用的图像增强方法，通过对图像的灰度分布进行调整，使得图像的对比度得到增强。
具体操作是对图像的灰度直方图进行均衡化处理，将图像的灰度级分布均匀化。
在Matlab中，我们可以使用histeq函数实现直方图均衡化。
3. 锐化锐化是一种常用的图像增强方法，通过增强图像的边缘和细节，使得图像更加清晰和立体。
具体操作是对图像进行高通滤波，突出图像中的边缘信息。
在Matlab中，我们可以使用imsharpen函数实现图像锐化。
4. 去噪去噪是一种常用的图像增强方法，通过抑制图像中的噪声，提高图像的质量。
常见的去噪方法包括中值滤波、均值滤波和小波去噪等。
在Matlab中，我们可以使用medfilt2函数实现中值滤波。
二、图像修复方法图像修复是对图像中存在的缺陷或损坏进行补全或恢复的过程，以提高图像的可视化效果。
下面将介绍几种常用的图像修复方法。
1. 图像插值图像插值是一种常用的图像修复方法，通过根据已知的像素值推测缺失的像素值，从而补全图像中的缺失部分。
常见的插值方法包括最近邻插值、双线性插值和双立方插值等。
在Matlab中，我们可以使用interp2函数实现图像插值。
Matlab技术图像增强方法图像增强是数字图像处理的一个重要任务，通过改善图像的质量和视觉效果来提高图像的可读性和理解性。
在现实生活中，我们常常会遇到一些图像质量较差、光照不均匀或者图像噪声较多的情况，这时候就需要借助一些图像增强方法来改善图像。
Matlab作为一款强大的数学软件，提供了丰富的图像处理工具箱，其中包含了多种图像增强方法。
本文将介绍几种常用的Matlab图像增强方法，并对其原理和应用进行探讨。
一、直方图均衡化直方图均衡化是一种常用的图像增强方法，通过重新分配图像的灰度级来拉伸图像的灰度范围，以增强图像的对比度和细节。
在Matlab中，我们可以使用以下代码实现图像的直方图均衡化：```matlabimg = imread('image.jpg');img_eq = histeq(img);imshowpair(img, img_eq, 'montage');```直方图均衡化的原理是将图像的累积分布函数进行线性映射，使得图像的灰度级均匀分布，从而增强对比度。
然而，直方图均衡化有时候会导致图像过亮或者过暗，因为它只考虑了灰度分布，并未考虑图像的空间信息。
二、自适应直方图均衡化为了克服直方图均衡化的不足，自适应直方图均衡化应运而生。
自适应直方图均衡化是一种局部增强方法，它将图像划分为若干小区域，并对每个区域进行直方图均衡化，以保留图像的局部对比度。
Matlab中的自适应直方图均衡化函数为`adapthisteq`，使用方法如下：```matlabimg = imread('image.jpg');img_adapteq = adapthisteq(img);imshowpair(img, img_adapteq, 'montage');```自适应直方图均衡化在增强图像对比度的同时，能够保留图像的细节，并且不会引入过多的噪声。
数字图像处理中图像增强的四种matlab编程方法图像增强处理log图像增强程序：clear allclose alliptsetpref('ImshowBorder', 'tight')im1 = imread('f:\照片\57.jpg')%im5 =rgb2gray(im1)figureimshow(im1)im2=log(1+double(im1))*0.2%im3=imadjust(im2,[0.5 1],[0.1 0.5],0.6) figure imshow(im2)原图像Log 系数0.2时系数0.3系数为0.1时由图片看出当C在0.2附近时，图像效果有了明显的改善，当大于0.3时，图像白色加重，而当其小于0.1时，图像黑色加重.指数图像增强：程序clear allclose alliptsetpref('ImshowBorder', 'tight')im1 = imread('f:\照片\57.jpg')%im5 =rgb2gray(im1)figureimshow(im1)im3=log(double(im1))im2=exp(double(im3))*0.01figureimshow(im2)原图像系数为0.001时系数为0.02系数为0.01系数为0.06由图片看出当C在0.02附近时，图像效果有了明显的改善，当大于0.06时，图像白色加重，而当其小于0.01时，图像黑色加重.绝对值图像增强程序：clear allclose alliptsetpref('ImshowBorder', 'tight')im1 = imread('f:\照片\57.jpg')%im5 =rgb2gray(im1)figureimshow(im1)im2=abs(double(im1))*0.01 其中调整系数为cfigureimshow(im2)原图像系数为0.015时系数为0.03时系数为0.005时由图片看出当C在0.015附近时，图像效果有了明显的改善，当大于0.003时，图像白色加重，而当其小于0.005时，图像黑色加重开方图像增强程序：clear allclose alliptsetpref('ImshowBorder', 'tight')im1 = imread('f:\照片\57.jpg')%im5 =rgb2gray(im1)figureimshow(im1)im2=sqrt(double(im1))*0.08%im3=imadjust(im2,[0.5 1],[0.1 0.5],0.6) figure imshow(im2)原图像系数为0.03时系数为0.05时系数为0.005时由图片看出当C在0.03附近时，图像效果有了明显的改善，当大于0.05时，图像白色加重，而当其小于0.005时，图像黑色加重。
《数字图像处理及MATLAB实现》图像增强与平滑实验一．实验目的及要求1、熟悉并掌握MA TLAB 图像处理工具箱的使用；2、理解并掌握常用的图像的增强技术。
二、实验设备MATLAB 6.5 以上版本、WIN XP 或WIN2000 计算机三、实验内容（一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结果。
熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。
（可将每段程序保存为一个.m文件）1．直方图均衡化clear all; close all % Clear the MATLAB workspace of any variables% and close open figure windows.I = imread('pout.tif'); % Reads the sample images ‘pout.tif’, and stores it inimshow(I) % an array named I.display the imagetext(60,20,'李荣桉1909290239','horiz','center','color','r')figure, imhist(I) % Create a histogram of the image and display it in% a new figure window.[I2,T] = histeq(I); % Histogram equalization.figure, imshow(I2) % Display the new equalized image, I2, in a new figure window.text(60,20,'李荣桉1909290239','horiz','center','color','r')figure, imhist(I2) % Create a histogram of the equalized image I2.figure,plot((0:255)/255,T); % plot the transformation curve.imwrite (I2, 'pout2.png'); % Write the newly adjusted image I2 to a disk file named% ‘pout2.png’.imfinfo('pout2.png') % Check the contents of the newly written file2．直接灰度变换clear all; close allI = imread('cameraman.tif'); 注意：imadjust()功能：调整图像灰度值或颜色映像表，也可实现伽马校正。
MATLAB图像处理工具箱的高级图像增强算法详解图像处理是数字图像处理领域中的重要分支，其中MATLAB图像处理工具箱是应用最广泛的工具之一。
该工具箱提供了许多高级图像增强算法，能够有效地优化图像质量，提高图像细节和对比度，从而使图像更加清晰和易于分析。
本文将详细解释几种主要的高级图像增强算法，并介绍它们的工作原理和应用场景。
1. 直方图均衡化算法直方图均衡化是一种常用的图像增强算法，用于提高图像的对比度。
该算法基于直方图分布的均匀性假设，通过拉伸直方图来实现像素值的均匀分布。
具体而言，它通过计算图像的累积分布函数来调整像素值。
直方图均衡化可广泛应用于医学影像分析、电视图像处理等领域，以改善图像细节和图像信息的可视化效果。
2. 自适应直方图均衡化算法自适应直方图均衡化算法是对传统直方图均衡化算法的改进。
传统算法基于图像全局直方图进行像素值的调整，这可能导致一些局部细节丢失。
为了克服这个问题，自适应直方图均衡化算法引入了局部直方图均衡化的概念。
它将图像划分为许多局部区域，并在每个区域内应用直方图均衡化算法。
这样能够更好地保留图像的局部细节和对比度信息。
3. 双边滤波算法双边滤波算法是一种常用的图像增强算法，用于减少图像的噪声。
与其他线性滤波算法不同，双边滤波器在计算滤波器系数时考虑了像素的空间距离和灰度差异。
这使得它能够保持图像的边缘信息，同时去除噪声。
双边滤波算法常用于图像去噪、图像增强等领域，以提高图像质量和视觉效果。
4. 维纳滤波算法维纳滤波算法是一种用于图像去噪的经典算法。
它基于图像信号和噪声的统计特性，采用滤波器来减少噪声的影响。
维纳滤波算法通过最小化均方误差来实现最佳平衡，既能抑制噪声，又能保留图像的细节。
该算法常用于医学图像处理、远程遥感图像处理等领域，在提高图像质量和减少噪声方面发挥重要作用。
5. 彩色图像增强算法彩色图像增强是图像处理的重要方向之一。
彩色图像增强算法包括色彩均衡、色度调整和对比度增强等技术。
Matlab中图像函数大全图像增强1. 直方图均衡化的 Matlab实现1.1 imhist函数功能：计算和显示图像的色彩直方图格式：imhist(I,n)imhist(X,map)%说明：imhist(I,n) 其中，n 为指定的灰度级数目，缺省值为256；imhist(X,map) 就算和显示索引色图像X 的直方图，map 为调色板。
用 stem(x,counts) 同样可以显示直方图。
1.2 imcont our 函数功能：显示图像的等灰度值图格式：imcont our(I,n),imcont our(I,v)说明：n 为灰度级的个数，v 是有用户指定所选的等灰度级向量。
1.3 imadju st 函数功能：通过直方图变换调整对比度格式：J=imadju st(I,[low high],[bottom top],gamma)newmap=imadju st(map,[low high],[bottom top],gamma)说明：J=imadju st(I,[low high],[bottom top],gamma)其中，gamma为校正量r，[low high] 为原图像中要变换的灰度范围，[bottom top]指定了变换后的灰度范围；newmap=imadju st(map,[low high],[bottom top],gamma)调整索引色图像的调色板map 。
此时若 [low high] 和[bottom top] 都为2×3的矩阵，则分别调整R、G、B 3个分量。
1.4 histeq函数功能：直方图均衡化格式：J=histeq(I,hgram)J=histeq(I,n)[J,T]=histeq(I,...)newmap=histeq(X,map,hgram)newmap=histeq(X,map)[new,T]=histeq(X,...)说明：J=histeq(I,hgram)实现了所谓“直方图规定化”，即将原是图象 I 的直方图变换成用户指定的向量 hgram。
Matlab中的图像增强技术与算法引言图像增强是数字图像处理的重要领域之一，其目标是改善图像的视觉质量或提取图像中的相关信息。
在Matlab中，有许多强大的图像增强技术和算法可供使用，本文将深入探讨其中的一些方法和应用。
一、直方图均衡化直方图均衡化是一种经典的图像增强技术，其原理是通过改变图像的灰度级分布来增强图像的对比度。
在Matlab中，可以使用histeq函数来实现直方图均衡化。
该函数可以将图像的直方图拉伸到整个灰度级范围内，使图像的细节更加明显。
二、滤波器滤波器在图像增强中起着重要的作用，可以去除图像中的噪声或强化图像中的某些特征。
在Matlab中，有多种滤波器可供选择，如线性滤波器、非线性滤波器等。
其中，常用的线性滤波器有均值滤波器、中值滤波器和高斯滤波器。
这些滤波器可以通过调整参数来平滑图像或增强图像的边缘。
三、小波变换小波变换是一种多尺度分析方法，可以将信号或图像分解为低频部分和高频部分。
在图像增强中，小波变换可以用于去噪、边缘检测和图像压缩等方面。
在Matlab中，可以使用wavedec和waverec函数来进行小波变换和逆变换。
通过选择不同的小波基函数，可以得到不同的图像增强效果。
四、图像分割图像分割是将图像划分为若干个子区域的过程，旨在将同一区域内的像素归为一类。
在Matlab中，有多种图像分割算法可供选择，如基于阈值的分割、基于区域的分割和基于边缘的分割等。
这些算法可以通过提取图像的纹理特征或边缘信息来实现图像的分割和增强。
五、图像去噪图像去噪是图像增强的关键步骤之一，其目标是消除图像中的噪声以提高图像的质量和清晰度。
在Matlab中，有多种去噪算法可供选择，如均值滤波、中值滤波、小波去噪和总变分去噪等。
这些算法通过平滑图像的灰度值或提取图像的结构信息来实现去噪效果。
六、图像增强应用图像增强在许多应用领域都具有重要的意义。
例如，在医学图像处理中，图像增强可以用于增强CT扫描图像或MRI图像中的病灶区域；在遥感图像处理中，图像增强可以用于增强卫星图像中的地物边缘和纹理特征。
图像增强图像增强的定义图像增强是指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[9]。
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[10]。
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。
常用的图像增强方法图像增强可分成两大类：空间域法和频率域法。
基于空间域的算法处理时直接对图像灰度级做运算；基于频率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。
基于空间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。
基于频率域的算法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。
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。
⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎨⎧⎩⎨⎧⎩⎨⎧⎪⎩⎪⎨⎧⎩⎨⎧彩色图像灰度图像处理对象局部处理全局处理处理策略频率域模板处理（滤波）点处理（变换）空间域处理方法图像增强题目要求对图像增强不包括去噪，因此在本文中只考虑图像变换、灰度变换、直方图变换和锐化这四种方法。
图像增强原理1、图像变换是指图像的二维正交变换，它在图像增强、复原、编码等方面有着广泛的应运。
如傅立叶变换后平均值正比于图像灰度的平均值，高频分量则表明了图像中目标边缘的强度和方向，利用这些性质可以从图像中抽取出特征；又如在变换域中，图像能量往往集中在少数项上，或者说能量主要集中在低频分量上，这时对低频成分分配较多的比特数，对高频成分分配较少的比特数，即可实现图像数据的压缩编码。
2、灰度变换可使图像动态范围增大，对比度得到扩展，使图像清晰、特征明显，是图像增强的重要手段之一。
它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。
灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度变换函数进行之外，可以看作是“从像素到像素”的复制操作。
3、图像的灰度直方图是反映一幅图像的灰度级与出现这种灰度级的概率之间的关系的图形。
直方图反应了图像的整体灰度分布情况，对于暗色图像，直方图的组成集中在灰度级低（暗）的一侧，相反，明亮图像的直方图则倾向于灰度级高的一侧。
由于图像的视觉效果不好或者特殊需要，常常要对图像的灰度进行修正，以达到理想的效果，即对原始图像的直方图进行转换。
4、图像平滑往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像边缘变得清晰。
图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是图像受到了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变得清晰。
从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。
为了要把图像中间任何方向伸展的边缘和轮廓变得清晰，我们希望对图像的某种运算是各向同性的。
图像增强流程图实例分析根据项目要求，以下进行灰度变换、直方图变换和锐化这三种图像增强方法的分析。
1、灰度线性变换为了突出图像中感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换，把0-255整个灰度值区间分为若干线段，每一个直线段都对应一个局部的线性变换关系，常用的是三段线性变换方法。
以下是在MATLAB中进行灰度线性变换的处理结果：上图左边是用到的原是彩色图片，右边是该彩色图片的灰度图像。
从上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。
线性变换图像[0.01 0.3]的动态范围较大，整体明暗对比较强，图像变亮，可以看到更多的细节反映在直方图上像素分布较平均。
线性变换图像[0.3 0.7]的动态范围更大，明暗对比更强，图像与上一张变换图像相比，只突出整幅图片最亮的区域，即图片中的云彩部分的细节。
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。
2、直方图均衡化直方图均衡化过程如下：（1）计算原图像的灰度直方图P r(r k)；（2）计算原图像的灰度累积分布函数ks，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。
以下是在MATLAB中进行图像直方图均衡的处理结果：从直方图统计可以看出，原始图的灰度范围大约是0到100之间，灰度分布的范围比较狭窄，所以整体上看对比度比较差，而直方图均衡化后，灰度几乎是均匀的分布在0到255的范围内，图像明暗分明，对比度很大，图像比较清晰明亮，很好的改善了原始图的视觉效果。
优势：能够使得处理后图像的概率密度函数近似服从均匀分布，其结果扩张了像素值的动态范围，是一种常用的图像增强算法。
不足：不能抑制噪声。
3、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。
由于上面用到的图片锐化后效果不明显，很勉强只分辨出雨伞的轮廓因此在下面分析中换了一张图片。
以下是在MATLAB中进行图像锐化的处理结果：原始灰度图像拉普拉斯锐化滤波图像拉普拉斯锐化滤波结果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。
特别明显的是原图的最下面左右各有一行很模糊的水印，锐化后非常明显。
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。
总结图像增强，拟人说法是给图像“化妆”，是按照特定的需要有选择的突出图像中的某些信息，削弱或去除某些不需要的信息的处理方法。
数字图像增强技术是数字图像处理的基本技术，图像增强的目的是突出图像中人或者机器感兴趣的特征部分，为后续的图像识别、理解、输出显示等服务。
图像增强的方法有很多种，针对不对图像的情况运用不同的增强技术，使图像更容易让人识别、更清晰，是本课题主要的研究目的。
对比度增强法适合于对比度较低的图像，通过线性和非线性的变化，修改每一个像素的灰度，从而改变图像的动态范围达到图像增强的目的。
直方图均衡化针对在低值灰度区间上频率较大、图像中较暗区域中细节看不清楚的图像，有较好的增强效果。
但是上述两种方法的缺点都是不能抑制噪声，对于图像中呈孤立分散分布的噪声点，可以用平滑的方式去除，其中线性滤波实现简单，去噪效果明显，但是去噪的同时会导致结果图像边缘位置的改变和细节模糊甚至丢失；非线性滤波能够较好的保持图像边缘位置和细节，但是算法的实现相对线性滤波比较困难。
平滑处理的时候经常会使图像的边缘变的模糊，图像锐化处理的作用就是使灰度反差增强，从而使模糊图像变得更加清晰。
最后，图像处理是面向对象和问题的一门学科。
图像处理的研究，也就是针对某一问题最多也就是某一类型问题的算法的研究。
图像处理广阔的领域中，还有很多需要研究和探索的领域，例如：找到一种客观的评价标准，该标准能对图像能够客观的正确的评价一幅图像的好与坏；如何对图像进行分类，以便能在成千上万的图像库中实现检索等等。
参考文献1、《Digital Image Processing·Third Edition》·Rafael C.Gonzalez·Richard E.Woods·培生教育出版集团（Pearson Education）2、王耀南·《计算机图像处理与识别技术》·北京: 高等教育出版社, 20013、夏德深, 傅德胜.《计算机图像处理及应用》南京:东南大学出版社, 2004.4、张娜. 《图像增强技术的研究》. 计算机仿真, 2007, 24(1): 02-04.5、孙蕾, 李丙春. 《图像增强算法与评价方法研究》. 计算机工程, 2007,33(08): 21-236、余成波. 《数字图像处理及MA TLAB实现.》重庆:重庆大学出版社, 2003附录代码一：% 灰度线性变换，利用imadjust函数对图像局部灰度范围进行扩展% MA TLAB 程序实现如下：I=imread('9.jpg');%显示原始图像imshow(I);title('原始图像');I1=rgb2gray(I);%显示原始图像的灰度图像subplot(2,3,1),imshow(I1);title('灰度图像');axis on;subplot(2,3,4),imhist(I1);%画出灰度直方图title('灰度图像直方图');axis on;J=imadjust(I1,[0.01 0.3],[]);%局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1] subplot(2,3,2),imshow(J);title('线性变换图像[0.01 0.3]');axis on;subplot(2,3,5),imhist(J);%画出灰度直方图title('线性变换图像[0.01 0.3]直方图');axis on;K=imadjust(I1,[0.3 0.7],[]); %局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1] subplot(2,3,3),imshow(K);title('线性变换图像[0.3 0.7]');axis on;subplot(2,3,6),imhist(K);%画出灰度直方图title('线性变换图像[0.3 0.7]直方图');axis on;代码二：%直方图均衡化I=imread('9.jpg');I1=rgb2gray(I);%显示原始图像的灰度图像subplot(2,2,1),imshow(I1);title('灰度图像');axis on;subplot(2,2,3),imhist(I1);%画出灰度直方图title('灰度图像直方图');J=histeq(I1,64);%对图像进行均衡化处理，返回有64级灰度的图像Jsubplot(2,2,2),imshow(J);title('均衡化处理后图像');axis on;subplot(2,2,4),imhist(J);%画出灰度直方图title('均衡化处理后图像直方图');axis on;代码三：%锐化I=imread('1.jpg');I1=rgb2gray(I);%显示原始图像的灰度图像imshow(I1);J=double(I1);%将图像矩阵转化为double类型K=size(J);L=zeros(K(1,1),K(1,2));for x=2:K(1,1)-1for y=2:K(1,2)-1L(x,y)=(-J(x+1,y)-J(x-1,y)-J(x,y+1)-J(x,y-1)+4*J(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]imshow(L) %显示拉普拉斯锐化滤波图像。
