【正文】 據(jù)的壓縮編碼。因此，對于計算機來說，要對圖像進行處理，并不是一件容易的事情。通過采取適當(dāng)?shù)脑鰪娞幚砜梢詫⒃灸：磺迳踔粮緹o法分辨的原始圖片處理成清楚、明晰的富含大量有用信息的可使用圖像，因此圖像增強技術(shù)在許多領(lǐng)域得到廣泛應(yīng)用。Russoti提出的自適應(yīng)模糊濾波算子可以較好的保護圖像細節(jié)和濾除高斯噪聲，其算法中窗口的大小由鄰域一致性程度決定，該一致性程度由一個模糊邏輯規(guī)則導(dǎo)出。目前，許多新的增強算法都充分利用了周圍鄰域這一重要的信息，形成了很多局部處理的灰度調(diào)整算法，該方法主要利用了鄰域的統(tǒng)計特性。80年代進入普及期，此時微機己經(jīng)能夠承擔(dān)起圖形圖像處理的任務(wù)。 圖像增強的現(xiàn)狀與應(yīng)用計算機圖像處理的發(fā)展歷史不長，但已經(jīng)引起了人們的重視。這些噪聲的存在直接影響著后續(xù)的處理過程，使圖像失真。這時可以按一定的規(guī)則修改原來圖像的每一個象素的灰度，從而改變圖像灰度的動態(tài)范圍。這樣對應(yīng)于某些局部區(qū)域的細節(jié)在計算整幅圖的變換時其影響因為其值較小而常常被忽略掉，從而局部區(qū)域的增強效果常常不夠理想，噪聲濾波和邊緣增強這兩者的矛盾較難得到解決。圖像增強的目的是使圖像的某些特性方面更加鮮明、突出，使處理后的圖像更適合人眼視覺特性或機器分析，以便于實現(xiàn)對圖像的更高級的處理和分析。圖像增強的過程往往也是一個矛盾的過程：圖像增強希望既去除噪聲又增強邊緣。 常用的圖像增強方法（1） 直方圖均衡化有些圖像在低值灰度區(qū)間上頻率較大，使得圖像中較暗區(qū)域中的細節(jié)看不清楚。（3） 平滑噪聲有些圖像是通過掃描儀掃描輸入、或傳輸通道傳輸過來的。圖像平滑就是針對圖像噪聲的操作，其主要作用是為了消除噪聲，圖像平滑的常用方法是采用均值濾波或中值濾波，均值濾波是一種線性空間濾波，它用一個有奇數(shù)點的掩模在圖像上滑動，將掩模中心對應(yīng)像素點的灰度值用掩模內(nèi)所有像素點灰度的平均值代替，如果規(guī)定了在取均值過程中掩模內(nèi)各像素點所占的權(quán)重，即各像素點所乘系數(shù)，這時就稱為加權(quán)均值濾波；中值濾波是一種非線性空間濾波，其與均值濾波的區(qū)別是掩模中心對應(yīng)像素點的灰度值用掩模內(nèi)所有像素點灰度值的中間值代替。圖像處理技術(shù)始20世紀(jì)60年代，由于當(dāng)時圖像存儲成本高，處理設(shè)備造價高，因而其應(yīng)用面很窄。VLSI的出現(xiàn)更使得處理速度大大提高，其造價也進一步降低，極大的促進了圖像處理系統(tǒng)的普及和應(yīng)用。其中自適應(yīng)濾波器既能平滑又能保護邊緣，其基本思想是濾波器的參數(shù)可根據(jù)像素所在的鄰域情況而自適應(yīng)選取，也可描述為加權(quán)平均濾波器，可以較好的平滑噪聲區(qū)域，并能保護較顯著的邊緣，但對圖像細節(jié)的保護較差，該算法對脈沖噪聲敏感，而且模型的性能受參數(shù)的影響比較大。圖像增強中變換域增強也得到很廣泛的應(yīng)用，例如付傅氏變換、離散余弦變換、小波變換等，其中小波是近年來發(fā)展起來的一種新的時頻分析工具，它具有時頻局部化能力和多分辨率分析的能力，使得它很適合于信號處理鄰域。在圖像處理系統(tǒng)中，圖像增強技術(shù)作為預(yù)處理部分的基本技術(shù)，是系統(tǒng)中十分重要的一環(huán)。為了快速有效的對圖像進行處理和分析，我們通常都需要對圖像進行一些變換，把原來的圖像信息變?yōu)榱硪粡埿问?，使計算機更容易理解、處理和分析。 離散圖像變換的一般表達式對于二維離散函數(shù) x=0,1,2,…,M1；y=0,1,2,…,N1 ()有變換對 () u=0，1，2，…，M1 v＝0，1，2，…，N1 ()x=0，1，2，…，M1 y＝0，1，2，…，N1變換核可分離的離散圖像變換表示為： ()如此，二維離散變換就可以用兩次一維變換實現(xiàn)。一維離散沃爾什變換假如N=2，則離散 f(x) （ x=0,1, 2,…,N1）的沃爾什變換 u=0，1，2，…，N1 () x=0，1，2，…，N1 ()二維離散沃爾什變換 ()（u=0,1,2…,M1 v=0,1,2…,N1） ()（x=0,1,2…,M1 y=0,1,2…,N1）這里假定了M=2，N＝2從上式可知，反正變換核具有可分離性，即 ()所以，二維離散沃爾什變換可由兩次變換來實現(xiàn)?；邳c運算的灰度變換可表示為： ()其中T被稱為灰度變換函數(shù)，它描述了輸入灰度值和輸出灰度值之間的轉(zhuǎn)換關(guān)系。 線性變換假定原圖像f(x,y)的灰度范圍為[a,b]，變換后的圖像g(x,y)的灰度范圍線性的擴展至[c,d]，則對于圖像中的任一點的灰度值P(x,y)，變換后為g(x,y)，其數(shù)學(xué)表達式如下所示[1]。進行變換時，把0255整個灰度值區(qū)間分為若干線段，每一個直線段都對應(yīng)一個局部的線性變換關(guān)系。為了增加變換的動態(tài)范圍，在上述一般公式中可以加入一些調(diào)制參數(shù)，以改變變換曲線的初始位置和曲線的變化速率。為了增加變換的動態(tài)范圍，在上述一般公式中可以加入一些調(diào)制參數(shù)，這時的變換公式為： ()式中a，b，c都是可以選擇的參數(shù)，式中f(x,y)+1是為了避免對0求對數(shù)，確保。灰度級為[0,L1]范圍的數(shù)字圖像的直方圖是離散函數(shù)h()=，這里是第k級灰度，是圖像中灰度級為的像素個數(shù)。（2）直方圖反應(yīng)了圖像的整體灰度。一幅圖像的直方圖等于它各個部分直方圖的和。直方圖的動態(tài)范圍是由計算機圖像處理系統(tǒng)的模數(shù)轉(zhuǎn)換器的灰度級決定。第二個條件則保證了映射變換后的像素灰度值在允許的范圍內(nèi)。它以概率論為基礎(chǔ)，運用灰度點運算來實現(xiàn)，從而達到增強的目的。這時可以將圖像的灰度范圍分開，并且讓灰度頻率較小的灰度級變大。當(dāng)r=s=0時，表示黑色；當(dāng)r=s=1時，表示白色；當(dāng)r，s在[0,1]之間時，表示像素灰度在黑白之間變化。由于上述原因，數(shù)字圖像的直方圖均衡只能是近似的。另外，采用灰度間隔放大理論的直方圖修正方法也可以減少簡并現(xiàn)象。這樣，在很多特殊的情況下，需要變換后圖像的直方圖具有某種特定的曲線，例如對數(shù)和指數(shù)等，直方圖規(guī)定化可以解決這一問題。其中（）的逆過程為，則如果用從原始圖像中得到的均勻灰度級S來代替逆過程中的u，其結(jié)果灰度級將是所要求的概率密度函數(shù)的灰度級： ()根據(jù)以上思路，可以總結(jié)出直方圖規(guī)定化增強處理的步驟如下：（1）將原始圖像進行均衡化處理；（2）規(guī)定希望的灰度概率密度函數(shù)，用（）式計算它的累計分布函數(shù)G(z)；（3）將逆變換函數(shù)用到步驟（1）中所得的灰度級。常見的圖像噪聲主要有加性噪聲、乘性噪聲和量化噪聲等。圖像中往往包含有各種各樣的噪聲。這些噪聲的存在直接影響著后續(xù)的處理過程，使圖像失真。設(shè)s含有M個像素，取其平均值作為處理后所得圖像像素點（m，n）處的灰度。 銳化圖像平滑往往使圖像中的邊界、輪廓變得模糊，為了減少這類不利效果的影響，這就需要利用圖像銳化技術(shù)，使圖像邊緣變得清晰。（1） 梯度法梯度是圖像處理中最常用的一種一階微分方法。（2） 拉普拉斯算子拉普拉斯算子是線性二階微分算子，與梯度算子一樣，具有旋轉(zhuǎn)不變性，從而滿足不同走向的圖像邊界的銳化要求。然后，二階差分算子的過零特性，可以使邊緣增強后精確定位。圖像增強技術(shù)主要包含直方圖修改處理、圖像平滑處理、圖像尖銳化處理和彩色技術(shù)等。使用空域模板進行的圖像處理被稱為空域濾波,模板本身被稱為空域濾波器。 平滑濾波器用于模糊處理和減小噪聲。這種處理減少了圖像灰度的尖銳化。39。 pepper39。) subplot(222) imshow(J) title(39。,3),J)/255。 %應(yīng)用7*7鄰域窗口法 subplot(224),imshow(K2) 中值濾波器其原理是把數(shù)字圖像或數(shù)字序列中某一點的值用該點的一個鄰域中各點值的中值交換。fid = fopen(39。LenaRaw=uint8(temp39。原始圖像39。)subplot(1,3,3)Imshow(medfilt2(LenaRaw,[3,3]))。常用的方法有兩種即為微分法和模板匹配法。 低通濾波器一幅圖像的邊緣，跳躍部分以及顆粒噪聲代表圖像信號的高頻分量，而大面積的背景區(qū)域代表了圖像信號的低頻分量。39。 pepper39。)J=double(J)。 n=3。 for i=1:Mfor j=1:N d=sqrt(in1)^2+((in2)^2)。 g=uint8(real(ifft2(g)))。 同態(tài)濾波器把頻率過濾和灰度變換結(jié)合起來的圖像處理方法叫同態(tài)濾波。imhist(a)。j=histeq(a)。j=imadjust(a,[,],[])。j=double(a)。)。j=filt