【文章內容簡介】 到最合理的灰度圖像。 用MATLAB實現(xiàn)程序如下：I=imread(39。F:\39。)。figure(1),imshow(I)。I=rgb2gray(I)。figure(2),imshow(I) (a) 原始圖像 (b) 灰度化圖像 彩色圖像的灰度化 圖像灰度求反對圖像求反是將原圖灰度值翻轉，簡單說來就是使黑變白，使白變黑。當被顯示圖像在低灰度區(qū)間呈現(xiàn)高度非線性時，此變換能使原圖像低灰度區(qū)間的細節(jié)轉換到高灰度區(qū)間。即假設對灰度范圍是的圖像求反，就是通過變換將 變換到，變換公式如下： （） (a)原始圖像 (b)求反處理的結果圖 圖像灰度求反結果圖 用MATLAB實現(xiàn)程序如下： I=imread(39。F:\39。)。figure(1),imshow(I)。I=rgb2gray(I)。figure(2),imshow(I)I=double(I)。I=2561I。figure,imshow(uint(I))。 圖像灰度拉伸一般，圖像看不清楚，多數(shù)是由于圖像相鄰像元的灰度級太接近，稱為灰度壓縮，即相互之間灰度差遠小于人的視覺對灰度分辨能力的限制。這種圖像視覺效果差，人會感覺模糊。我們可以用映射的方法，把原來壓縮的直方圖分開一些，也就是灰度拉伸，得到的圖像自然會清晰的多。 (a)原始圖像 (b) 灰度拉伸結果 圖像灰度拉伸結果圖 用MATLAB實現(xiàn)程序如下：I=imread(39。F:\39。)。figure,imshow(I)。I=rgb2gray(I)。figure,imshow(I)。I=double(I)。[m,n]=size(I)。for i=1:m for j=1:nif I(i,j)=30 I(i,j)=I(i,j)。elseif I(i,j)=150I(i,j)=(20030)/(15030)*(I(i,j)30)+30。else I(i,j)=(255200)/(255150)*(I(i,j)150)+200。endendendfigure,imshow(uint8(I))。 圖像平滑去噪圖像在生成和傳輸過程中常受到各種噪聲的干擾和影響，使圖像質量下降。為了達到系統(tǒng)的要求，就要抑制噪聲，改善圖像質量，也就是對圖像進行平滑去噪處理。對于濾除圖像中的噪聲，人們已經提出了很多的方法。通常，將數(shù)字圖像的平滑技術劃分為兩類。一類是全局處理，即對噪聲圖像的整體或大的塊進行校正以得到平滑的圖像。例如在變換域中使用wiener 濾波、最小二乘法濾波等。使用這些技術需要知道信號和噪聲的統(tǒng)計模型。但對大多數(shù)圖像而言，人們不知道或不可能用簡單的隨機過程精確地描述統(tǒng)計模型，而且，這些技術的計算量也相當大。另一類平滑技術是對噪聲圖像使用局部算子。當對某一像素進行平滑處理時，僅對它的局部小鄰域的一些像素加以運算，其優(yōu)點是計算效率高，而且可以多個像素并行處理。因此可實現(xiàn)實時或者準實時處理。 概述 一般，噪聲是不可預測的隨機信號，通常是通過概率統(tǒng)計的方法對其進行分析，噪聲對圖像處理十分重要，它影響圖像處理的輸入，采集，處理的各個環(huán)節(jié)以及輸出結果的全過程，特別是圖像的輸入，采集噪聲的抑制是十分關鍵的問題，若輸入伴有較大的噪聲，必然影響處理全過程及輸出的結果，因此，一個良好的圖像處理系統(tǒng)，不論是模擬處理還是用計算機進行的數(shù)字處理，并不把減少最前一級的噪聲作為主攻目標。 圖像噪聲分類 根據(jù)噪聲產生的來源，大致可以分為外部噪聲和內部噪聲兩大類。 外部噪聲指從處理系統(tǒng)外來的影響，如天線干擾或電磁波從電源線竄入系統(tǒng)的噪聲。內部噪聲則有以下四種最常見的形式。（1）由光和電的基本性質引起的噪聲，例如電流可看作電子或空穴運動，這些粒子運動產生隨機散粒噪聲，導體中電子流動的熱噪聲，光量子運動的光量子。（2）有機械運動引起的噪聲，例如，接頭振動使電流不穩(wěn)，磁頭或磁帶，磁盤抖動等。（3）元器件的噪聲，如光學底片的顆粒噪聲，磁帶，磁盤缺陷噪聲，光盤點噪聲等。（4）系統(tǒng)內部電路噪聲。從噪聲的分類方法來看是多種多樣的，但綜合來說，噪聲是隨機產生的量，所以又可以從統(tǒng)計數(shù)學的觀點來定義噪聲。凡是統(tǒng)計特性不隨時間變化的噪聲稱為平穩(wěn)噪聲，而統(tǒng)計特性隨時間變化的噪聲稱為非平穩(wěn)噪聲。 圖像系統(tǒng)噪聲的特點對灰度圖像來說，可看作是二維亮度分析，則噪聲可看作是對亮度的干擾，用 來表示。噪聲是 隨機性的，因而需用隨機過程來描述，即要求知道其分布函數(shù)或密度函數(shù)。但在許多情況下著些函數(shù)很難測出或描述，甚至不可能看到，所以常用統(tǒng)計特征來描述噪聲，如均值，方差，總功率等。 設為理想圖像，為噪聲，實際輸出圖像為。 對于加性噪聲而言，其特點是和圖像光強大小無關。即有 =+ () 對于乘性噪聲而言，其特點是和圖像光強度相關，隨亮度的大小變化而變化。即有 =[1+]=+ () 乘性噪聲模型和它的分析計算都比較復雜。通常總是假定信號和噪聲互相獨立的，通常對數(shù)變換后當作加性噪聲的模型來處理。按噪聲對圖像的影 均值濾波均值濾波的方法是對待處理的當前像素選擇一個模板，該模板為其近鄰的若干像素組成，用模板中的像素的均值代替原像素值的方法。 考慮到數(shù)據(jù)分析的平衡性，模板一般選擇為33，55，待處理像素放在模板的中心，為了使輸出像素值保持在原來的灰度值范圍之內，模板的餓權值總和應維持為1，因此模板與模板像素的乘積要處以一個系數(shù)，通常是模板系數(shù)之和，這個過程被稱為歸一化。均值濾波處理之后，噪聲部分被弱化到周圍像素點上，所以得到的結果是噪聲值減少，但是總的顆粒面積變大。另外，均值濾波有一個非常致命的缺點，就是在求均值的計算中，會同時將景物的邊緣點同時進行均值處理，這樣就使景物的清晰度降低，畫面變得模糊。設為給定的含有噪聲的圖像，經過簡單領域平均處理為，在數(shù)學上可表現(xiàn)為： 其中 ()式中 是所取鄰域中的各鄰近像素的坐標， 是領域中包含的鄰近像素的個數(shù)。可以這樣說明， 在上按行（或列）對每個像素選取一定尺寸的鄰域，并用鄰域中鄰近像素的平均灰度來置換這一像素值，對全部像素處理后可獲得。對于鄰域可以有不同的選取方式。為了保持平滑處理后的圖像的平均值不變，模板內各元素之和為1。有時，為了突出原點本身的重要性，以便盡量抑制圖像中的模糊效應，在模板中心和較近的元素，可以賦以大的加權值。 用MATLAB實現(xiàn)程序如下：I=imread(39。F:\39。)。figure(1),imshow(I)。I=rgb2gray(I)。figure(2),imshow(I)K=filter2(fspecial(39。average39。,3),I)。 figure,imshow(uint8(K))。 (a) 原始圖像 (b) 均值濾波圖像 均值濾波處理結果可見，均值濾波處理時是以圖像模糊為代價來換取噪聲的減小的，且面積（即模板大?。┰酱螅肼暅p少越明顯。如果 處理點是噪聲點，其鄰近像素灰度與之相差很大，一旦用簡單鄰域平均法，即鄰近像素的平均值來置換它，能明顯地將噪聲點壓制下去，使鄰域中灰度接近均勻，起到平滑灰度的作用。因此，領域平均法具有顯著地平滑噪聲的效果，鄰域平均法是一種有效的平滑技術。 中值濾波中值濾波法也是一種局部平均平滑技術。它對脈沖干擾和椒鹽噪聲的抑制效果較好，在抑制隨機噪聲的同時能使邊緣減少模糊。中值濾波法是一種非線性的圖像平滑方法，它對一個滑動窗口內的諸像素灰度排序，用其中值代替窗口中心像素原來的灰度（若窗口中有偶數(shù)個像素，則取兩個中間值的平均）。 （a） 原始圖像 （b）中值濾波 中值濾波處理結果 用MATLAB實現(xiàn)程序如下：I=imread(39。F:/39。)。figure(1)。imshow(I)。J=rgb2gray(I)。figure(2)，imshow(J)。K=medfilt2(J,[3 3])。應用中值濾波，就能很好地保持原來邊界。所以說，中值濾波的特點是保護圖像邊緣的同時去除噪聲。另外，中值濾波對脈沖噪聲也非常有效。雖然，中值濾波容易去除孤立點、線性的噪聲，同時保持圖像的邊緣，并能很好地去除二值噪聲，但對高斯噪聲無能為力。要注意的是，當窗口內噪聲點的個數(shù)大于窗口寬度一半時，中值濾波的效果不好。因此，正確選擇窗