【文章內容簡介】 有一定的缺點和不足 ， 如果對于所有彩色圖像都采用該方法來進行灰度化 ，同樣不能滿足系統(tǒng)的要求 ， 因為現(xiàn)實環(huán)境中的彩色圖像應用的領域不同 ， 其對圖像灰度化的質量也會有不同的要求。 （ 2） 取最大值法。 最大值法的原理是選取每一個像素點的所有分量中最大的分量來代替該像素點 ， 從而達到圖像灰度化的目的。這種方法同樣比較簡單 ， 沒有復雜的計算過程 ， 因此可以在較短的時間內就可以得到彩色圖像的灰度化圖像。 （ 3） 平均值法。 由于彩色圖像每一個像素點都同時有幾個不同的分量 ， 因此平均值法的原理是將每一個像素點的所有分量的平均值作為當前像素點的像素值。例如在 RGB色彩空間 ， 每一個像素點都包含 R、 G、 B三分量 ， 利用 R、 G、 B三分量的平均值來替代該像素。該方法是一種簡單的灰度化方法 ， 整個過程無需復雜的計算。 （ 4） 加權平均值法。根據(jù)三個分量的重要性及其它指標，將三個分量以不同的權值進行加權平均運算。由 于人眼對綠色的敏感度高，對藍色的敏感度低，故可以按照不同的權值對 RGB 三個分量進行加權平均運算能得到比較合理的灰度圖像。 圖像增強 很多由于場景條件的影響圖像拍攝的質量不佳或者干擾噪音較多 ， 這就需要圖像增強技術來改善圖像的視覺效果。圖像增強其目的主要是通過對圖像進行一定的變換處理去除一些無關緊要的信息同時增強有用信息 ， 比如突出 圖像 中車牌的某些特點、從數(shù)字圖像中提取目標物的特征參數(shù)或者忽略一些不關緊要圖像信息等等 ， 經(jīng)過增強后的圖像將會具有更好的視覺效果 ， 同時更有利于提取相關信息。本文前部已經(jīng)提到 ， 利用圖像獲取設備得到的 圖像 并不是完全理想的圖像 ， 實際應用中的圖像都受到了不同程度的干擾 ， 因此將會對提取圖像中的重要信息帶來不利影響。 這樣的影響如果太大 ， 將會影響人和機器對圖像的理解 ， 將會降低整個系統(tǒng)的識別率和準確率。有學者曾提出應該根據(jù) 圖像 受到的噪音和 9 干擾提出一個干擾數(shù)學模型 ， 這樣就可以將外部環(huán)境對 圖像 的影響通過數(shù)學表達式的方式參與到整個系統(tǒng)的計算當中 ， 但是在絕大多數(shù)情況下 ， 外部環(huán)境的噪音和干擾具有極大的隨機性 ， 因此到目前為止還未能提出專門的噪音干擾的數(shù)學模型。人們通常情況下是通過自身的經(jīng)驗來對圖像的噪音進行過濾。例如由于拍攝環(huán)境的原因使得拍攝的 圖像 模糊或者重要細節(jié)丟失等等不利于整個系統(tǒng)的干擾產(chǎn)生 ， 這樣的情況下可以使用一些常用的數(shù)字圖像 操作例如圖像對比度增強或者圖像平滑等等來盡量過濾影響系統(tǒng)的噪音。此外 ， 拍攝圖像的物理設備也可能會差生一定的噪音 ， 由于這樣的設備在使用一段時間后可能會出現(xiàn)部分零部件的老化等等使得拍攝圖像的質量下降等等 ， 拍攝到的圖像會受到各種各樣的噪音的影響和干擾 ， 因此盡可能多的去除圖像中的干擾是有必要的 ， 下面是 一些數(shù)字圖像中經(jīng)常使用的一些圖像增強方法。 灰度變換 灰度變換是基本的圖像點運算，是圖像增強處理中的一種非常基礎空間域圖像處理方法?；叶茸儞Q是指根據(jù)某種目標條件按照一定的變換關系去逐點改變原圖像中每一個像 素灰度值，目的是為了改善畫質，以便讓圖像的顯示效果更佳清晰 ， 因此灰度變換還被稱為圖像的對比增強。經(jīng)過灰度變換后的圖像動態(tài)范圍變大，對比度會增強，圖像會變得更加清晰，特征也更加明顯?；叶茸儞Q主要利用點運算來改變圖像像素點的灰度值，不改變圖像內的空間關系，除了根據(jù)某種特定的變換函數(shù)進行變換之外，灰度變換可以認為是對像素進行簡單的復制?；叶茸儞Q的表達式為： )],([),( yxfTyxg ? (1) 其中函數(shù) T是灰度變換函 數(shù)，它定義了輸入圖像灰度和輸出圖像灰度之間的變換條件。所以如果灰度函數(shù)確定了，那么灰度變換就被完全確定?；叶茸儞Q的方法有很多種，比如圖像灰度求反、灰度拉伸、灰度切分、灰度動態(tài)范圍調整及灰度級修正等等。以上幾種方法對圖像的處理效果各不相同，但是它們處理過程中都必須用到點運算。點運算通?？梢苑譃榫€性變換、分段線性變換以及非線性變換這三大類。 （ 1） 線性變換 假定輸入圖像 f(x， y)的灰度值范圍為 [a， b]，變換后的輸出圖像 g(x， y)的灰度值范圍擴展至 [c， d] ，則對于圖像的任一點的灰度值 (x， y) ，其表達式如 下所示：cayxfyxg ab cd ???? ?? ]),([),( (2) 若原圖像大部分像素的灰度級在區(qū)間 [a， b]內， max f 為原圖像灰度最大值，只有個別 10 部 分 的 灰 度 級 不 在 區(qū) 間 內 ， 則 為 了 改 善 圖 像 增 強 效 果 ， 可 以 令 ：??????????????? ??fyxfbdbyxfacayxfayxfocyxg ab cdm a x),(,),(]),([),(),( (3) 因此線性變換適合那些曝光不足或過度的圖像，它們的灰度可能會分布在一個很小的范圍內，這時得到的圖像是一個比較模糊、沒 有灰度層次的圖像。采用上述線性變換對圖像的每一個像素進行灰度作線性拉伸，將會有效的 增 強圖像的質量。 （ 2） 分段線性變換 分段線性變換與線性變換類似，區(qū)別是為了突出圖像中感興趣的灰度區(qū)間，相對抑制不需要的灰度區(qū)間，可以進行分段線性變換，它對圖像灰度區(qū)間進行兩至多段的分段。進行變換時，把 0255 灰度值區(qū)間分為幾個線段，每一線段都對應一個線性變換函數(shù)。 （ 3） 非線性變換 非線性變換顧名思義就是利用非線性變換函數(shù)對圖像進行變換，分為指數(shù)變換和對數(shù)變換。指數(shù)變換，就是指輸出圖像像素點的灰度值與輸入圖像灰度值之間是 指數(shù)關系，其一般公式為： y)f(x,),( byxg ? (4) 對數(shù)變換 也就 是指輸出圖像像素點的灰度值與輸入圖像的灰度值之間 呈現(xiàn)出 對數(shù)關系，其一般公式為： )],(lg[),( yxfyxg ? (5) 可見指數(shù)變換對于高灰度區(qū)間的擴展度要遠遠高于低灰度的區(qū)間，所以指數(shù)灰度變換一 般適用于過亮的圖像。與指數(shù)變換相反，對數(shù)變換對于低灰度區(qū)間擴展度較大，所以一般用來對過亮的圖像進行 處理。 直方圖變換 （ 1） 直方圖 介紹 圖像的灰度直方圖是反映圖像的像素灰度級與這種灰度級出現(xiàn)的概率之間的相對關系的圖形。通?；叶燃墳?[0， L1]范圍的圖像直方圖則是離散函數(shù) h( kr )= kn ， kr 是第 k 級灰度， kn 是圖像灰度級 =kr 的像素個數(shù) [13]。求灰度直方圖的方法就是拿圖像中像素數(shù)目的總和 n 去除圖像的每一個像素灰度值，表達式如下： nnrP kk /)( ? k=0， 1， 2， ... (6) 11 從以上表述可以總結出直方圖主要有以下幾個特點： 直方圖中沒有圖像的位置信息。直方圖僅僅反應了圖像的灰度分布，和灰度所在的位置沒有絲毫關系，因此不同的圖像也可能具有相同的直方圖。 直方圖反應了圖像整體 的灰度范圍。直方圖反應了圖像整體灰度分布，對于較暗的圖像，直方圖集中在灰度級低一側，相反，較亮圖像的直方圖則集中于灰度級較高的一側。 直方圖具有可疊加性。圖像的直方圖等于它各個分部直方圖的和。 直方圖具有統(tǒng)計特性。從定義可知，連續(xù)圖像的直方圖是連續(xù)函數(shù)，它具有統(tǒng)計特征。 （ 2） 直方圖均衡化 如果圖像的視覺效果差或者人們特殊需要，常常需要對圖像的灰度級進行修正，即對圖像的直方圖進行轉換。直方圖均衡化是圖像處理中較常用的方法之一。直方圖均衡化首選要先進行直方圖修正，即把原圖像的直方圖利用灰度變換函數(shù)修正為均勻分布，然后再進行直方圖均衡化。它以概率論為理論基礎，運用灰度點運算實現(xiàn)直方圖的變化，從而達到圖像處理的目的。直方圖的變換函數(shù)取決于直方圖的累積分布函數(shù)。簡單的說即把已知灰度值概率分布的圖像經(jīng)過一種變換，讓它成為一個灰度值概率均勻分布的新圖像。比如有些圖像在低灰度區(qū)間的分布頻率較大，使較暗地方的 細節(jié)邊緣比較模糊，此時我們可以進行直方圖均衡化將圖像的灰度范圍均勻分布。而當圖像的直方圖分布為均勻分布時，此時圖像包含的信息量最多，看起來就越清晰。另外由于直方圖是只是近似的概率函數(shù)，直接變換求直方圖很少能得到完全平坦的分布，而且變換后會出現(xiàn)灰度級減少的現(xiàn)象即“簡并”。 由于以上原因， 我們也要進行直方圖均衡化，以改善圖像灰度的動態(tài)范圍。 圖像 平滑去噪 灰度變換和直方圖修正都可以對圖像進行簡單的預處理，然而這些預處理僅限于圖像沒有受到污染，即沒有因為各種原因產(chǎn)生噪聲或收到不規(guī)則破壞，此時灰度變換和直方 圖就不能達到我們預期的效果了，對于圖像的復雜處理就必須采用平滑 去 噪方法。 圖像噪 聲 （ 1） 噪聲基本介紹 噪聲就是妨礙人們感覺器官對所收到的圖像信息進行準確理解的因素，噪聲的種類很多，比如電子噪聲、機械噪聲、信道噪聲以及其他噪聲，噪聲對圖像信號和相位的影響很大，有些噪聲和圖像信號不相關，有些卻相關。圖像在生成和傳輸過程當中常常會受到各 12 種噪聲的干擾和破壞而使圖像失去原來的本色，這將對后續(xù)圖像的處理比如圖像分割、壓縮、圖像理解等產(chǎn)生不好的影響。上面這幅圖片就是受到噪聲污染后的圖像，可以看出圖像的質量 與我們所預想的差別很大。因此，對于圖像處理來說，圖像去噪是必不可少的預處理操作，為了抑制和消減噪聲，改善圖像的質量，以便于做進一步的處理，對圖像進行去噪預處理是首要的步驟。人們根據(jù)圖像的實際特點、噪聲的統(tǒng)計特點、頻譜的分布規(guī)律等等，發(fā)展了各式各樣的減噪方法。圖像的去噪方法種類很多，依據(jù)的原理也各不相同，其中比較常用的就是圖像平滑去噪方法。 （ 2） 圖像噪聲模型 數(shù)字圖像的噪聲一般源自于將圖像數(shù)字化和傳輸?shù)倪^程。在這過程中因受到環(huán)境條件的影響及設備的性能質量原因，使得圖像必不可免的產(chǎn)生噪聲。下面介紹幾種常見的比 較重要的噪聲： 均勻分布噪聲。均勻分布噪聲是指原圖像中每個像素點等概率產(chǎn)生的噪聲。均勻噪聲的概率密度及其期望值和方差如下式所示： (7) 高斯噪聲。高斯噪聲被稱為正態(tài)噪聲，其噪聲的概率密度如下式所示： (8) 式中， z 代表圖像的灰度值， 代表 z 的期望值， 代表 z 的標準差。由于高斯噪聲在實 際圖像中很常見，且在數(shù)學上處理相對比較容易，使高斯噪聲模型應用比較廣泛。 椒鹽噪聲。椒鹽噪聲也叫脈沖噪聲，它的特點是持續(xù)時間小于 秒，間隔時間大于 1 秒。椒鹽噪聲作為一種非常典型的圖像噪聲，對圖像質量的處理起著極大的影響。其噪聲的概率密度如式所示： (9) 式中，假設 ba，則圖像中灰度值 b 將以 的概率在圖中顯示為一個亮點即鹽粉 13 微粒；灰度值 a 則將以 的概率顯示為 一個暗點（胡椒微粒）。 瑞利噪聲。瑞利噪聲是服從瑞利分布的噪聲。其概率密度函數(shù)如式所示： (10) 伽馬噪聲。伽馬噪聲又稱為愛爾蘭噪聲，其概率密度函數(shù)如式所示： (11) (3) 圖像平滑去噪 圖像平滑去噪（ Smoothing）是一種比較實用的數(shù)字圖像預處理技術，主要目的是減少圖像傳輸過程中參雜的噪聲 [14]。一種優(yōu)良的圖像平滑方法應該是 既可以消除圖像噪聲的影響但是又不會讓圖像的邊緣輪廓和線條變得模糊不清。圖像平滑去噪的方法分為兩大類，即空域法和頻域法。 在空域法里還可以分為兩個方面，一類是噪聲消除，即先判定這個點是否為噪聲點，若是則重新賦值給它，不是就按原值輸出；另一類則是平均法，即不一一對噪聲點進行清除，而是對整個圖像依據(jù)某種方法進行平均運算，一般來說這類濾波方法有均值濾波、高斯濾波、維納濾波等等。另外空域濾波還可以根據(jù)輸出圖像采用什么線性組合分為線性濾波和非線性濾波，線性濾波就是輸出像素是輸入像素的鄰域像素的線性組合，而非線性濾波則指 的是輸出像素是輸入像素的鄰域像素的非線性組合。例如我們最常見的空間域濾波方法均值濾波和高斯濾波都屬于線性濾波，而空域濾波中的中值濾波屬于非線性濾波。線性平滑濾波在大多數(shù)情況下對各種類型的噪聲有很好的去除效果。線性濾波器用連續(xù)窗函數(shù)內像素加權和來實現(xiàn)平滑濾波。特別典型的是線性濾波器是空間不變的，這樣就可以使用卷積模板來實現(xiàn)濾波。 頻域法則是先進行傅里葉變換到頻域進行處理然后在反變回空間域還原圖像，一般人們采用低通濾波等方法，這和空間域里直接對圖像的像素值進行鄰域內運算不同 平滑去噪常用方法 圖像 的平滑去噪一般分為空域和頻域兩種方法，本文只介紹空域和頻域里