數(shù)字圖像處理試驗報告：灰度變換與空間濾波附帶程序,不看后悔

1.灰度變換與空間濾波一種成熟的醫(yī)學(xué)技術(shù)被用于檢測電子顯微鏡生成的某類圖像。為簡化檢測任務(wù)，技術(shù)決定采用數(shù)字圖像處理技術(shù)。發(fā)現(xiàn)了如下問題：（1）明亮且孤立的點是不感興趣的點；（2）清晰度不夠，特別是邊緣區(qū)域不明顯；（3）一些圖像的對比度不夠；（4）技術(shù)人員發(fā)現(xiàn)某些關(guān)鍵的信息只在灰度值為I1-I2的范圍，因此，技術(shù)人員想保留I1-I2區(qū)間范圍的圖像，將其余灰度值顯示為黑色。（5）將處理后的I1-I2范圍內(nèi)的圖像，線性擴(kuò)展到0-255灰度，以適應(yīng)于液晶顯示器的顯示。請結(jié)合本章的數(shù)字圖像處理處理，幫助技術(shù)人員解決這些問題。1.1問題分析及多種方法提出（1）明亮且孤立的點是不夠感興趣的點對于明亮且孤立的點，其應(yīng)為脈沖且灰度值為255（uint8）噪聲，即鹽噪聲，為此，首先對下載的細(xì)胞圖像增加鹽噪聲，再選擇不同濾波方式進(jìn)行濾除。均值濾波：均值濾波是典型的線性濾波算法，它是指在圖像上對目標(biāo)像素給一個模板，該模板包括了其周圍的臨近像素（以目標(biāo)像素為中心的周圍8個像素，構(gòu)成一個濾波模板，即去掉目標(biāo)像素本身），再用模板中的全體像素的平均值來代替原來像素值。優(yōu)點：速度快，實現(xiàn)簡單；缺點：均值濾波本身存在著固有的缺陷，即它不能很好地保護(hù)圖像細(xì)節(jié)，在圖像去噪的同時也破壞了圖像的細(xì)節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點?！皔）=5￡）（2）其公式如下：“y）=5￡）（2）￡C使用矩陣表示該濾波器則為：1/9中值濾波：濾除鹽噪聲首選的方法應(yīng)為中值濾波，中值濾波法是一種非線性平滑技術(shù)，它將每一像素點的灰度值設(shè)置為該點某鄰域窗口內(nèi)的所有像素點灰度值的中值。像素1母奈2靄垂4強(qiáng)拓儆奈5僮素7僚聶口其過程為：a、存儲像素1，像素2.....像素9的值；b、對像素值進(jìn)行排序操作；c、像素5的值即為數(shù)組排序后的中值。優(yōu)點：由于中值濾波本身為一種利用統(tǒng)計排序方法進(jìn)行的非線性濾波方法，故可以濾除在排列矩陣兩邊分布的脈沖噪聲，并較好的保留圖像的細(xì)節(jié)信息。缺點：當(dāng)噪聲密度較大時，使用中值濾波后，仍然會有較多的噪聲點出現(xiàn)。自適應(yīng)中值濾波：自適應(yīng)的中值濾波器也需要一個矩形的窗口,丫，和常規(guī)中值濾波器不同的是這個窗口的大小會在濾波處理的過程中進(jìn)行改變(增大)。需要注意的是，濾波器的輸出是一個像素值，該值用來替換點(x,y)處的像素值，點(x,y)是濾波窗口的中心位置。其涉及到以下幾個參數(shù)：^TTiinS燈中的晨小3度1三Zmaw5列口為最丈天度值治y1=1的灰度值的1=1值在E語示坐標(biāo)出期)處的灰度值Smar￡到允許的最木南口尺寸其計算過程如下：Al=Ntti^-Emin口2=^Tfiai^isiax如果Al；口且酉2工U『卷解到B：否則，增不沿口的尺寸如果三窗口的尺寸七&但則重不過程，否則r置td*EMB：Bl=Z工yEminB2= Zma工如果Bl:；。且B2■<3則騎fcJZwg否鼠"蛇口Ng就常規(guī)的中值濾波器，在噪聲的密度不是很大的情況下(根據(jù)經(jīng)驗，噪聲的出現(xiàn)的概率小于0.2)，效果不錯。但是當(dāng)概率出現(xiàn)的概率較高時，常規(guī)的中值濾波處理后，仍然具有噪聲點，并丟失了細(xì)節(jié)和邊緣，效果不是很好。優(yōu)點：自適應(yīng)濾波器不但能夠濾除概率較大的椒鹽噪聲，而且能夠更好的保護(hù)圖像的細(xì)節(jié)，這是常規(guī)的中值濾波器做不到的。缺點：實現(xiàn)復(fù)雜，運(yùn)行時間長。(2)圖像本身清晰度不夠，特別是邊緣區(qū)域不夠明顯對于圖像清晰度不夠，邊緣區(qū)域不夠明顯的情況，應(yīng)考慮使用圖像銳化算法對圖像邊緣區(qū)域進(jìn)行增強(qiáng)，以強(qiáng)調(diào)圖像的邊緣與細(xì)節(jié)。為驗證強(qiáng)調(diào)圖像邊緣與細(xì)節(jié)的最佳算法，我主要運(yùn)用了拉普拉斯算子，sobel算子，prewitt算子，roberts算子對圖像邊緣進(jìn)行了增強(qiáng)。(3)一些圖像的對比度不夠當(dāng)圖片自身對比對不夠時，應(yīng)使用對比度增強(qiáng)的方法對圖像進(jìn)行對比度增強(qiáng)。直方圖均衡化：直方圖均衡化處理的“中心思想”是把原始圖像的灰度直方圖從比較集中的某個灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布。直方圖均衡化就是對圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素數(shù)量大致相同。直方圖均衡化就是把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。優(yōu)點：對于背景和前景都太亮或者太暗的圖像非常有用，且計算量不大。缺點：變換后圖像的灰度級減少，某些細(xì)節(jié)消失；某些圖像，如直方圖有高峰，經(jīng)處理后對比度不自然的過分增強(qiáng)?；叶确侄尉€性變換：分段線性變換函數(shù)可以增強(qiáng)原圖各部分的反差，即增強(qiáng)輸入圖像中感興趣的灰度區(qū)域，相對抑制那些不感興趣的灰度區(qū)域。優(yōu)點：形式可以任意合成，增強(qiáng)輸入圖像中感興趣的灰度區(qū)域，相對抑制那些不感興趣的灰度區(qū)域。缺點：是需要更多的用戶輸入。*ir由w*ir由w/v__v（X—4）十川XL<X<工uJtfT43.、IS端口―逅）+先i二（4）技術(shù)人員發(fā)現(xiàn)某些關(guān)鍵的信息只在灰度值為I1-I2的范圍，因此,技術(shù)人員想保留I1-I2區(qū)間范圍的圖像，將其余灰度值顯示為黑色。應(yīng)提取目標(biāo)區(qū)域的灰度值特性，將圖像進(jìn)行二值化，即可保留范圍在I1-I2區(qū)間范圍的圖像，將其余灰度值顯示為黑色。（5）將處理后的I1-I2范圍內(nèi)的圖像，線性擴(kuò)展到0-255灰度，以適應(yīng)于液晶顯示器的顯示。使用灰度線性拉伸的方法，將圖像由I1-I2范圍內(nèi)線性擴(kuò)展到0-255灰度。1.2處理結(jié)果圖1增加鹽噪聲的原始細(xì)胞圖像在網(wǎng)上下載了一張細(xì)胞圖像，并對其加了鹽噪聲，模擬題目中所要求的明亮且孤立的點。為了驗證可濾除明亮且孤立的點的最佳方法，我選取了高斯濾波、均值濾波、中值濾波、自適應(yīng)中值濾波，并使用MATLAB編寫了函數(shù)代碼（非直接使用MATLAB自帶函數(shù)程序），對原始圖像進(jìn)行了處理，處理結(jié)果如上圖所示。高斯濾波幾乎對噪聲沒有作用，故高斯濾波并不適合去除明亮且孤立的點；使用均值濾波可以使原有噪聲變得不那么“明亮”（求了平均值，故白色噪聲灰度值減?。?，但也犧牲了圖片本身的清晰度，故均值濾波效果一般；使用中值濾波可以使用矩陣內(nèi)中值代替灰度值極大或極小的點，大部分孤立且明亮的點均被濾除，故中值濾波處理效果較優(yōu)，但中值濾波模板大小固定并不利于取得最佳結(jié)果（模板太小，不能有效濾除全部噪聲；模板太大，運(yùn)算時間變慢，圖像細(xì)節(jié)信息減少）；使用自適應(yīng)中值濾波可以很好的彌補(bǔ)中值濾波自身的缺點，自適應(yīng)中值濾波使用噪聲敏感度判斷所需模板大小，由處理結(jié)果可以看出，與中值濾波相比，自適應(yīng)中值濾波所得結(jié)果邊界更清晰，圖像細(xì)節(jié)信息更豐富，故自適應(yīng)中值濾波法對明亮且孤立的點處理效果最優(yōu)。使用自酒牌中正仃苴波詞」］■處理JiF的結(jié)果使用中值融泄迸行處理后的結(jié)果使用均值濾波進(jìn)行處理后的轉(zhuǎn)果使用高?斯忠波力好處以后的給果圖2采用不同濾波方法濾除明亮孤立的點圖3原圖與直方圖均衡化后的直方圖上圖為原圖像與使用直方圖均衡化（64）后的結(jié)果，可以看出，直方圖均衡化后圖像的灰度信息更豐富。上圖為采用直方圖均衡化與灰度線性拉伸進(jìn)行對比度增強(qiáng)的結(jié)果。其中，灰度線性拉伸算法是自己編寫的。采用直方圖均衡化后，細(xì)菌與背景可以很好的分離開，但是背景也因此變得雜亂，不符合人眼的觀察習(xí)慣，故直方圖均衡化對于對比度增強(qiáng)效果一般；采用灰度線性拉伸法時，由于背景灰度值約為230上下，細(xì)菌灰度值約為150上下，因此選擇以170，230為拐點對原圖進(jìn)行灰度線性拉伸，如圖整幅圖像的對比度得到了有效提升，且背景干凈均勻，與原圖像除對比度外無較大差異，故使用灰度線性拉伸法進(jìn)行對比度增強(qiáng)最優(yōu)。使用8連通域內(nèi)使用8連通域內(nèi)普拉斯算:進(jìn)行邊緣增強(qiáng)的結(jié)果邊緣得增電必圖便使出Sob目算/進(jìn)嚀邊緣曙強(qiáng)的結(jié)臬圖5使用不同算子對邊緣進(jìn)行增強(qiáng)

圖5為使用不同算子對邊緣進(jìn)行增強(qiáng)的結(jié)果，由圖可以看出，prewitt算子對邊緣增強(qiáng)的效果最優(yōu)。圖6圖7分別是二值化的結(jié)果與灰度線性擴(kuò)展的結(jié)果。圖6二值化的結(jié)果圖7線性擴(kuò)展clear;clc;closeall;%讀入一副白細(xì)胞圖像并將其轉(zhuǎn)為灰度圖像pathl='白細(xì)胞.jpg';img=imread(path1);img=rgb2gray(img);%為圖像加上鹽噪聲，模擬孤立且明亮的點img=imnoise(img,'salt&pepper',0.1);[M,N]=size(img);fori=1:Mforj=1:Nif(img(i,j)==0)img(i,j)=255;endendendimshow(img),title('原始細(xì)胞圖像');%對圖像進(jìn)行高斯濾波g_img=guass_filter(img,[33],0.2);figure(2),imshow(g_img,[]),title0使用高斯濾波進(jìn)行處理后的結(jié)果’)；%并未有效濾除圖像中孤立明亮的點，說明該算法對鹽噪聲去除效果差%對圖像進(jìn)行均值濾波a_img=average_filter(img,5);figure(3),imshow(a_img),titleC使用均值濾波進(jìn)行處理后的結(jié)果')；%雖然有效去除了孤立明亮的點，但圖像的清晰度明顯下降，不利于后續(xù)的圖像分割或者邊緣提取等操作%對圖像進(jìn)行中值濾波m_img=median_filter(img,5);figure(4),imshow(m_img),titleC使用中值濾波進(jìn)行處理后的結(jié)果');％對圖像進(jìn)行自適應(yīng)中值濾波ad_img=adp_median(img,19);figure(5),imshow(ad_img),title&使用自適應(yīng)中值濾波進(jìn)行處理后的結(jié)果')；=============================average_filter.mfunction[img]=average_filter(image,m)% %作者：%日期：2018.5.29%均值濾波%輸入：%image：原圖%m：模板的大小3*3的模板，m=3%輸出：%img：均值濾波處理后的圖像%Allrightsreserved-% if(rem(m,2)==0)error('parameter2mustbeanoddnumber!')endn=m;[height,width]=size(image);x1=double(image);x2=x1;fori=1:height-n+1forj=1:width-n+1mb=x1(i:(i+n-1),j:(j+n-1));mb=mb(:);mm=mean(mb);x2(i+(n-1)/2,j+(n-1)/2)=mm;endendimg=uint8(x2);end=============================gray.linner.mfunction[img_gl]=gray_linner(image,fa,fb,ga,gb)%作者：%日期：2018.5.29%fa;橫坐標(biāo)，即目標(biāo)灰度區(qū)間%fb;%%ga;縱坐標(biāo)，即拉伸后目標(biāo)灰度區(qū)間%gb;%Allrightsreserved-k1=ga/fa;k2=(gb-ga)/(fb-fa);k3=(255-gb)/(255-fb);%3,求拉伸后灰度值[row,col]=size(image);img_gl=zeros(row,col);%默認(rèn)g為doubleog=f;g為uint8fori=1:rowforj=1:colif(0<=image(i,j)&&image(i,j)<=fa)img_gl(i,j)=k1*image(i,j);elseif(fa<=image(i,j)&&image(i,j)<=fb)img_gl(i,j)=k2*(image(i,j)-fa)+ga;elseimg_gl(i,j)=k3*(image(i,j)-fb)+gb;endendendimg_gl=uint8(img_gl);end% function[img]=guass_filter(image,m,sigma)% %作者：%日期：2018.5.29%高斯濾波%輸入：%image：原圖%m：高斯濾波器尺寸%輸出：%img：均值濾波處理后的圖像%sigma:濾波器的標(biāo)準(zhǔn)差％八11rightsreserved!% siz=(m-1)/2;[x,y]=meshgrid(-siz(2):siz(2),-siz(1):siz(1));arg=-(x.*x+y.*y)/(2*sigma*sigma);h=exp(arg);h(h<eps*max(h(:)))=0;sumh=sum(h(:));ifsumh?二0h=h/sumh;end;img=uint8(conv2(doub1e(image),doub1e(h),'same'));end% siz=(m-1)/2;[x,y]=meshgrid(-siz(2):siz(2),-siz(1):siz(1));arg=-(x.*x+y.*y)/(2*sigma*sigma);h=exp(arg);h(h<eps*max(h(:)))=0;sumh=sum(h(:));ifsumh?二0h=h/sumh;end;img=uint8(conv2(doub1e(image),doub1e(h),'same'));endfunctionimg_bw=im_bw(img,min,max)%IM_BW:對輸入閾值的圖像進(jìn)行二值化處理%作者:%日期：2018.5.28%而8:輸入圖像%min:灰度值最小值%max:灰度值最大值%Allrightsreserved?img二double(img);if(min>maxllmax>255llmin<0)error('Parameter3(<255)mustbebiggerthanparameter2(>0)!');endif(ndims(img)>2)error('Pleaeinputthe2-Dimage!');end[M,N]=size(img);fori=1:Mforj=1:Nif(img(i,j)<minllimg(i,j)>max)img(i,j)=0;endendendimg_bw=uint8(img);endfunction[out_img]=sharp_roberts(img)%SHARP_ROBERTS:使用roberts算子對圖像進(jìn)行銳化處理%作者：%日期：2018.5.29%Roberts斜45°方向模板1：%010%00-1%Roberts斜45°方向模板2:%000%00-1%010%delta(x,y)的計算：%delta(x,y)=(dxA2+dyA2)A1/2%Allrightsreserved-[M,N]=size(img);img=double(img);b=zeros(M,N);c=zeros(M,N);out_img=img;fori=1:M-2forj=1:N-2b(i+1,j+1)=img(i,j)-img(i+1,j+1);c(i+1,j+1)=img(i,j+1)-img(i+1,j);out_img(i+1,j+1)=sqrt(b(i+1,j+1)A2+c(i+1,j+1)A2)+img(i+1,j+1);endendout_img=uint8(out_img);endfunction[out_img]=sharp_sobel(img)%SHARP_SOBEL:使用sobel算子對圖像進(jìn)行銳化處理%作者：%日期：2018.5.29%Sobel水平方向模板：%-101%-202%-101%Sobel豎直方向模板：%-1-2-1%000%121%delta(x,y)的計算：%delta(x,y)=(dxA2+dyA2)A1/2%Allrightsreserved-img=double(img);[M,N]=size(img);delta二zeros(M,N);fori=2:M-1forj=2:N-1dx=-img(i-1,j-1)-2*img(i-1,j)-img(i-1,j+1)+img(i+1,j-1)+2*img(i+1,j)+img(i+1,j+1);dy二-img(i-1