失眠网 > [数字图像处理]灰度变换——反转对数变换伽马变换灰度拉伸灰度切割位图切割

[数字图像处理]灰度变换——反转对数变换伽马变换灰度拉伸灰度切割位图切割

时间：2021-03-04 13:45:57

灰度变换，属于一个非常重要的概念。这里主要参考《Digital Image Processing》 Rafael C. Gonzalez / Richard E. Woods 的第三章。书中所有的实验与数学式都采用了8-bit 图像的灰度范围，也就是0到255这样一个范围，这是本书不合理的一个地方。首先，这样做并不泛用，图片不一定是8-bit的。其次，在做某些变换的时候，可能会导致溢出。比如，伽马变化，假设伽马值为2，那么灰度为255的像素点，其变换之后值为65025，这里就溢出了。当然，要是使用Matlab计算，肯定会处理的非常好，直接使用mat2gray函数就能将其压缩回0到255。但是要是其他嵌入式平台处理的时候，直接套用不方便不说，直接按照8-bit的图来理解很不直观。因此，我将数学式做了改变，让其输入为0到1的浮点数，其输出也是0到1的浮点数，这样方便理解。

本文所使用的图片，均来源于《Digital Image Processing》的主页/

图像反转

图像反转，这个翻译还是很不恰当的。这里应该理解为负片变换，负片变换如下所示。

负片变换，主要用于观察过黑的图片，负片变换之后，方便观察。很简单的变换。

对数变换

对数变换主要用于将图像的低灰度值部分扩展，将其高灰度值部分压缩，以达到强调图像低灰度部分的目的。变换方法由下式给出。

这里的对数变换，底数为，实际计算的时候，需要用换底公式。其输入为，其输出也为。对于不同的底数，其对应的变换曲线如下图所示。

底数越大，对低灰度部分的强调就越强，对高灰度部分的压缩也就越强。相反的，如果想强调高灰度部分，则用反对数函数就可以了。看下面的实验就可以很直观的理解，下图是某图像的二维傅里叶变换图像，其为了使其灰度部分较为明显，一般都会使用灰度变换处理一下。

实现对数变换的Matlab代码如下：

[plain]view plaincopy

closeall;clearall;%%-------------LogTransformations-----------------f=imread('DFT_no_log.tif');f=mat2gray(f,[0255]);v=10;g_1=log2(1+v*f)/log2(v+1);v=30;g_2=log2(1+v*f)/log2(v+1);v=200;g_3=log2(1+v*f)/log2(v+1);figure();subplot(1,2,1);imshow(f,[01]);xlabel('a).OriginalImage');subplot(1,2,2);imshow(g_1,[01]);xlabel('b).LogTransformationsv=10');figure();subplot(1,2,1);imshow(g_2,[01]);xlabel('c).LogTransformationsv=100');subplot(1,2,2);imshow(g_3,[01]);xlabel('d).LogTransformationsv=200');

伽马变换

伽马变换主要用于图像的校正，将漂白的图片或者是过黑的图片，进行修正。伽马变换也常常用于显示屏的校正，这是一个非常常用的变换。其变化所用数学式如下所示，

其输入为，其输出也为。对于不同的伽马值，其对应的变换曲线如下图所示。

和对数变换一样，伽马变换可以强调图像的某个部分。根据下面两个实验，可以看出伽马变换的作用。

实验1：

其实现Matlab代码为：

[plain]view plaincopy

closeall;clearall;%%-------------GammaTransformations-----------------f=imread('fractured_spine.tif');f=mat2gray(f,[0255]);C=1;Gamma=0.4;g2=C*(f.^Gamma);figure();subplot(1,2,1);imshow(f,[01]);xlabel('a).OriginalImage');subplot(1,2,2);imshow(g2,[01]);xlabel('b).GammaTransformations\gamma=0.4');

实验2：

灰度拉伸

灰度拉伸也用于强调图像的某个部分，与伽马变换与对数变换不同的是，灰度拉升可以改善图像的动态范围。可以将原来低对比度的图像拉伸为高对比度图像。实现灰度拉升的方法很多，其中最简单的一种就是线性拉伸。而这里介绍的方法稍微复杂一些。灰度拉伸所用数学式如下所示。

同样的，其输入为，其输出也为。这个式子再熟悉不过了，跟巴特沃斯高通滤波器像极了，其输入输出关系也大致能猜到是个什么形状的。但是，这里就出现一个问题了，输入为0时候，式子无意义了。所以，在用Matlab计算的时候，将其变为如下形式。

这里的eps，就是Matlab里面，一个很小数。如此做的话，式子变得有意义了。但是，其输入范围为的时候，其输出范围变为了。输出范围大致为，为了精确起见，使用mat2gray函数将其扩展到精确的。调用格式如下。

[plain]view plaincopy

g=mat2gray(g,[1/(1+(m/eps)^E)1/(1+(m/1+eps)^E)]);

输入输出问题解决了，还有一个问题，参数的决定。这里有两个参数，一个是m（相对于巴特沃斯高通滤波器而言，这个是截止频率），一个是E（相对于巴特沃斯高通滤波器而言，这个是滤波器次数）。m可以控制变换曲线的重心，E则可以控制曲线的斜率，如下图所示。

m值的可取图像灰度分布的中央值，如下式所示，

决定m之后，接下来就只剩E了。灰度拉升的目的就是扩展图片的动态范围，我们想将原本灰度范围是的图像变换到内。那么，就直接取最大值与最小值，带入式子，解出E就可以了。但是，如之前所说的，我们所用的式子的的输出范围达不到，而且，直接取的范围，会造成E非常大，从而变换曲线的斜率非常大，灰度扩展的结果并不是很好。所以，这里退一步，取的输出范围是。E的取值，如下所示。

实验：

从直方图看，原图的灰度范围确实被拉伸了。用上面所说的方法，确定的灰度拉伸的输入输出曲线如下图所示。

其Matlab代码如下：

[plain]view plaincopy

closeall;clearall;%%-------------ContrastStretching-----------------f=imread('washed_out_pollen_image.tif');%f=imread('einstein_orig.tif');f=mat2gray(f,[0255]);[M,N]=size(f);g=zeros(M,N);Min_f=min(min(f));Max_f=max(max(f));m=(Min_f+Max_f)/2;Out_put_min=0.05;Out_put_max=0.95;E_1=log(1/Out_put_min-1)/log(m/(Min_f+eps));E_2=log(1/Out_put_max-1)/log(m/(Max_f+eps));E=ceil(min(E_1,E_2)-1);g=1./(1+(m./(f+eps)).^E);g=mat2gray(g,[1/(1+(m/eps)^E)1/(1+(m/1+eps)^E)]);figure();subplot(2,2,1);imshow(f,[01]);xlabel('a).OriginalImage');subplot(2,2,2);r=imhist(f)/(M*N);bar(0:1/255:1,r);axis([010max(r)]);xlabel('b).TheHistogramofa');ylabel('Numberofpixels');subplot(2,2,3);imshow(g,[01]);xlabel('c).ResultsofContraststretching');subplot(2,2,4);s=imhist(g)/(M*N);bar(0:1/255:1,s);axis([010max(s)]);xlabel('b).TheHistogramofa');ylabel('Numberofpixels');in_put=0:1/255:1;Out_put1=1./(1+(m./(double(in_put)+eps)).^E);Out_put1=mat2gray(Out_put1,[1/(1+(m/eps)^E)1/(1+(m/1+eps)^E)]);figure();plot(in_put,Out_put1);axis([0,1,0,1]),grid;axissquare;xlabel('Inputintensitylevel');ylabel('Onputintensitylevel');