图像预处理技术本科毕业论文.doc

图像预处理技术毕业论文图像预处理技术毕业论文 题目：图像预处理技术概述 院系： 信息工程学院 专业：计算机科学与技术 摘要图像预处理技术就是在对图像进行正式处理前所做的一系列操作，因为图像在传输过程和存储过程中难免会受到某种程度的破坏和各种各样的噪声的污染，导致图片丧失了本质或者偏离了人们的需求，而这就需要一系列的预处理操作来消除图像受到的影响。总的来说图像预处理技术分为两大方面，即图像增强和图像复原技术。图像增强技术在图像预处理中占有较大的比重，是图像处理所必须的步骤，它与图像复原的不同之处在于图像复原是以恢复图像原来的本质为目的，而图像增强是以突出人们需要的特征并且弱化不需要的特征为原理的。图像增强的方法很多，有灰度变换、直方图修正、图像平滑去噪、伪彩色处理等等。灰度变换是图像增强技术中的一种简单的点运算处理技术，而直方图修正则是基于灰度变换而来的能够更好的显示和处理图像，然而上述两种只能够处理一些要求不高的图像，去噪功能很弱。而图像平滑减噪则是图像增强的主要方面，是以对图像进行平滑和去噪为目的的最常用的预处理方法，在现代社会图像预处理研究中有着举足轻重的作用。本文先着手介绍图像预处理的基础知识和灰度变换、直方图修正这两种图像预处理方法的原理，而后重点介绍了几种噪声的模型和基于这些噪声的平滑去噪的方法及其原理，并分析其优缺点。最后以基于中值滤波的图像平滑去噪方法为基础，提出一种自适应中值滤波算法并进行探讨。关键词：图像预处理，图像增强，平滑去噪，中值滤波AbstractImage pre-processing technology is made before the formal processing of the image series of operations, because the image during transmission and storage process will inevitably be some degree of damage and a variety of noise pollution, resulting in pictures lost the nature of or deviation from the peoples needs, which requires a series of preprocessing operations to eliminate the impact of the image. Overall image pre-processing technology is divided into two aspects, namely, image enhancement and image restoration techniques. Image enhancement techniques to account for a large proportion of the image pre-processing is a necessary step in the image processing, image restoration is to image restoration is to restore the original image of the essence for the purpose of image enhancement is based on the prominent people need characteristics and weaken the unwanted characteristics of the principle. Image enhancement method, there are many gray level transformation, histogram equalization, image denoising, pseudo-color processing. Gray-scale transformation is the basis and foundation of the image enhancement technology basically all image enhancement and gray-scale transformation. Image denoising, image enhancement, plays an important role in modern society. This article first started to introduce the basic theory of the basic knowledge and the gray-scale transformation of the image pre-processing, after the focus of several denoising methods and principles, at the same time they also do some basic comparisons, finally, based on the median filter image denoising method based on, to explore the median filtering of room for improvement.Key Words: image pre-processing, image enhancement, image denoising, median filter目录第一章 绪论51.1课题研究的目的意义51.2课题研究的国内外现状及应用51.3论文安排及主要研究问题7第二章 图像预处理基础72.1图像预处理基础知识72.2图像增强技术82.3图像复原技术82.4图像去噪质量评价标准92.5 matlab软件与图像预处理10第三章 图像灰度化及灰度变换113.1图像灰度化113.1.1灰度的概念113.1.2图像灰度化介绍113.1.3图像灰度化的实现123.1.4灰度化实现例子123.2灰度变换133.2.1灰度变换概念143.2.2灰度变换的分类143.2.3灰度变换实例16第四章 图像平滑去噪174.1噪声基本介绍174.2图像噪声模型184.3图像平滑去噪194.3.1局部平滑法（均值滤波）204.3.2灰度K点平均法224.3.3最大均匀性平滑254.4算法总结29第五章 总结与展望30致谢30引用文献31第一章 绪论1.1课题研究的目的意义冈萨雷斯曾在其著作中提到，视觉是人类感觉中最高级的，而图像又在人类的感知中起着重要的作用。图像作为一种重要的信息源，通过对图像的处理和预处理可以帮助我们了解信息的内涵，增强对信息的把握度，然而图像容易受到损坏或噪声污染，失去原来的信息，因此图像预处理就是在这一需求下应运而生的。图像预处理作为图像处理的重要组成部分，对于人们获得货真价实的图像信息以及复原图像本来的面目具有决定性的作用。图像预处理顾名思义就是在图像分析中，对我们输入的图像进行特征抽取、分割及匹配前所进行的处理。进行图像预处理主要目的是为了消除图像中无关紧要的信息，恢复有用的真实的信息，增强相关信息的可检测性和最大限度地简化我们需要的数据，从而增加特征抽取、图像分割、匹配和识别等后续图像处理步骤的可靠性。因此对图像进行预处理就成了人们获得图像信息的首要解决的事情，然而人们对于图像预处理的知识了解不是很多，而且图像预处理方法繁多，单单就平滑处理来说就有好多种方法，它们相比有哪些优缺点，以及中值滤波有何改进之处，这就是本文要探讨和研究的地方，当然对于图像预处理来说是一个广阔的学科，应用广，分类细，但是远远不能满足社会当今的需求，自身也在不断的完善和发展，有很多新的方面需要探索。本文只就一些图像预处理中平滑处理及中值滤波、均值滤波的主要方法和算法进行分析，然后以中值滤波为例进行探讨并总结归纳出观点，以此来给人们提供一些了解和学习图像预处理的基础性知识，方便以后更系统的学习图像预处理。1.2课题研究的国内外现状及应用目前人类已经进入一个高速发展的信息时代，有80%的信息来自图像，科学研究和技术应用中，图像处理技术已成为不可缺少的手段。国外最早的数字图像处理技术出现在20世纪50年代末，当时的电子计算机技术已经发展到一定水平，人们开始利用它处理图像信息，而数字图形处理作为一门独立的学科形成于20世纪60年代初期。早期的图像处理的主要是为了改善图像的质量，首次获得实际成功应用的是美国喷气推进实验室。他们对航天探测器发回的几千张月球图片进行了图像处理，比如图像几何校正、灰度变换、图像平滑减噪、直方图修正等等并由计算机成功的绘制出了月球表面地图，为人类的登月梦想奠定了基础，也推动了数字图像处理这门学科的出现。此后世界上许多机构也加强了对图像处理技术的研究，同时图像处理的应用范围也从空间研究扩展到各个领域，特别是在医学上取得了巨大的成就。从1970以后，随着计算机和人工智能的迅速发展，数字图像处理技术向着更高、更深的层次发展。人们开始研究如何利用计算机系统的解释处理图像，这类被称为图像理解或者计算机视觉。发达国家投入了大量的人力物力来研究这项技术，取得了不少重要的成果，其中比较有代表性的成果是70年代 Marr提出的视觉计算理论，此理论成为计算机视觉领域的主导思想。当前，由于计算机技术的飞速发展，图像处理总的发展研究趋势是以数字处理为主，因为这种方法有处理精度高、灰阶多、能进行复杂的非线性运算、重复性好等许多优点。数字图像处理实质上是计算机技术、信息论和信号处理相结合的综合性应用学科，与其它学科有着密切的关系。图像去噪就是数字图像处理技术中的重要技术之一。近些年，国内外发表的数字图像预处理方面的论文提出了很多卓有成效的对图像处理的模型或方法，其中有代表性的是基于结构的方法和基于纹理合成的方法。这些方法都是通过建立数学模型来对图像进行增强和复原。其中最主要的是图像去噪，图像去噪的方法从不同处理域的角度可以划分空域和频域两种处理方法：前者是在图像本身存在的二维空间里对其进行处理；而后者则是用一组正交函数系来逼近原信号函数，获得相应的系数，将对原信号的分析转化到了系数空间域，即频域中进行。空间域的线性滤波算法理论发展较为成熟，数字分析简单，对滤除与信号不相关的随机噪声效果显著，但是它本身存在着明显的缺陷，如需要随机噪声的先验统计知识，对图像边缘细节保护能力较差等，特别是后者使得线性滤波无法很好地适应于图像的噪声滤除处理。与线性滤波相对应的非线性滤波大都考虑到了人的视觉标准和最佳滤波准则，提高了图像分辨率和边缘保护能力，特别是一些改进后的非线性滤波方法一般都具有了一定的自适应性，这就使得非线性滤波的功能更为强大，可以广泛地应用到医学、遥感等领域的图像处理中。1971年，图基提出了中值滤波的思想，并首先应用与时间序列的分析中，后来这种方法引入到图像处理中，用来滤除图像的噪声，收到了良好的效果。随之而来的是各种中值滤波的改进方案。其中有一种被称为自适应中值滤波的改进算法引起了人们的关注，这种方法最突出的特点是具有自适应的性能并且对图像的边缘保护能力较传统算法具有明显提高。另外数学形态学和统计学的引入为数字滤波技术开辟了新的途径，1982年Serra出版的专著Image Analysis and Mathematical Morphology成为数学形态学应用于数字图像领域的咀程碑，由此孕育了很多相天的滤波算法，使得图像滤波算法对图像的处理有了显著提高，边缘保护能力也得到增强。对机器视觉研究的小断深入使人们丌始重视偏微分方程的数学理论，这个领域的实质性创始工作应该归功于Koenderink和Witkin各自独立的工作，他们在图像中引入了尺度空间严格的理论，使之成为偏微分方程在数字图像处理学应用的基础。而在偏微分方程理论应用于数字信号非线性滤波领域中最有影响的人物是Perona和Malikf。两人提出了一种具有非线性滤波能力的偏微分方程，在图像去噪和边缘保护上获得良好效果，后来Weickert基于该理论将这种方程发展成为各向异性扩散方程，进一步提升了去噪能力，并且具有中值滤波、数学形态学滤波以及很多传统算法不具备的图像边缘保护功效。因此这些方法在不久的后来被广泛地应用到了医学、遥感图像的滤波去噪处理之中，获得了令人满意的结果。图像去除脉冲噪声特别是椒盐噪声的方法有很多，其中非线性中值滤波器作为排序统计滤波器的典型代表而广泛应用于数字图像的预处理领域。它与线性平滑滤波器相比，能在一定程度上去除椒盐噪声，同时减少图像模糊。但中值滤波的滤波窗口大小固定，随着图像噪声率的增加，其噪声去除能力下降很快。这是由于随着噪声率的增加，图像中有用的信号点逐渐减少，噪声点因邻域内可用于滤波的信号点太少而不能被有效滤除。因此，人们继续研究在中值滤波基础上提高对图像的滤波能力和边缘保护能力。后来有学者提出了自适应滤波算法，能够依据图像自身的像素改变窗口大小，显著地提升了图像的滤波能力，本文在阅览有关学者的文献基础上对自适应中值滤波的算法及原理进行了探讨，并利用仿真证明其相对于中值滤波的优良之处。此外，自适应中值滤波也有一定的难度，它的算法复杂度较大，运行时间较长，因此，这类滤波器可还有待改进。除了上述方法之外，实际上还有许多学者提出了其他方面的方法，比如自适应加权滤波等，各种改进方法的优劣不一，目的都是为了图像预处理。进入21世纪以后数字图像处理技术发展迅速，到目前为止，图像处理技术在图像通讯、办公室自动化系统、地理信息检测系统、医疗信息、卫星图像传输以及工业分析和自动化方面都应用广泛，随着计算机技术的超快发展和图像处理相关理论的不断完善，图像处理技术在许多新的应用领域受到广泛重视并取得了重大的研究性成果，属于这些领域的有航空航天、生物医学工程、机器人视觉、公安司法、军事制导、文化艺术等等。图像处理技术叶成为了一门引人注目、前景远大的新型学科。图像处理及预处理技术在将来必将得到更多的应用，应用领域也会越来越多，但是总的来说有一下七个方面。（1）空技术方面 图像处理和预处理在航天航空方面的应用，除了对月球、火星图像的处理之外，另一方面在飞机遥感、卫星遥感这一方面应用也很多。现在世界各国利用各类遥感卫星获取所需的图像来进行资源调查勘察、灾害监测、农业和城市规划、军事侦察和气象预报等等。（2）生物医学工程方面 图像处理和预处理在生物医学方面的应用很多，且很有成效。除了CT技术之外，还有就是对应用显微技术的处理分析，如染色体分析、癌细胞识别等等。此外，在X光肺部图像处理、超声波图像处理、心电图分析处理、定向放射等等医学诊断方面都有广泛的应用到图像处理与预处理。（3）通信工程技术方面 在通信领域主要发展方向是声音、文字、图像和数据想合的流媒体通信，其中尤其以图像的通信最为复杂，因图像传输过程中容易遭到损坏和噪声污染，所以对于接收到的图像必须进行预处理以消除图像变质，复原图像或者增强某一特征。（4）工业方面 在工业领域方面图像处理和预处理也有得到巨大的应用，他大大的提高了工作效率，如自动装配线中的质量图像处理，流体力学中的图片处理和分析，在一些恶性环境中的工作及物体的形状和图像的分析和预处理，这些都是不可缺少的过程。（5）军事公安应用方面 在这方面的图像处理和识别主要用于导弹的精确制导、各种侦察照片的解读，以及具有图像运输、存储和显示的军事自动化模拟系统；公安方面主要运用于指纹识别、人脸识别、图像图片的复原和增强、交通监控和事故分析等。目前已经投入运行的高速公路自动收费系统和车牌的自动识别就是图像处理和预处理技术成功应用的例子。（6）文化艺术方面 目前这类方面的应用包括电视画面的图像处理、动画的编辑、电子图像游戏、文物资料照片的复制和修复、运动员动作分析和评分等等，这些应用正在形成一门新的艺术-计算机美术（7）其他方面的应用 图像处理技术已经应用到社会的方方面面，如地理信心系统的二维、三维电子地图的生成及处理修复，教育领域各种辅助教学系统研究制作，流媒体技术领域等等。1.3论文安排及主要研究问题本文主要就图像预处理技术的特点和应用进行概述。第一章为绪论，首先阐述了本论文的研究目的和意义，然后介绍图像预处理技术的国内外研究现状，最后给出了本论文的主要工作安排及结构。第二章介绍图像预处理的基础性知识，包括图像预处理的基本概念，。第三章介绍图像的灰度化及图像处理的几种基本方法的原理，包括灰度变换、直方图修正、图像平滑去噪以及图像锐化等常用的图像增强技术。第四章重点介绍图像平滑滤波技术，围绕平滑滤波的分类重点介绍了均值滤波、高斯滤波、中值滤波及频域低通滤波等几个方法的原理以及算法流程图，并且分析各个算法的优缺点。第五章结合上一章的中值滤波技术引入了自适应滤波算法，描述了它的一般步骤，并根据仿真实验进行了结果比较。最后一章是对论文的主要工作进行了总结，并找到不足之处及改进的方向。第二章 图像预处理基础图像理解特征分析图像预处理原始图像2.1图像预处理基础知识在上图中我们可以看到图像预处理在整个图像处理过程中的位置及重要性，进行图像处理首先就要进行预处理。一般情况下，人们对获得的图像（原始图像）进行预处理无非是从两个方面：图像增强和图像复原。如果人们在图像处理过程中并不考虑图像的降质等相关原因，只是单独的将人们感兴趣的图像特征有选择的突出出来，并衰减其他不需要或者次要的特征，这类图像预处理方法所得到的图像并不需要和原来的图像接近，只是让人们更容易观察到自己感兴趣的地方，所以称这类预处理方法为图像增强技术。而图像复原技术需要知道图像的降质缘由，根据图像降质的现眼知识，恢复并重构原来的图像。所以图像增强和图像复原的目的是不一样的，图像增强的目的是为了改善图像视觉效果，便于观察和分析人们所感兴趣的东西，而把那些不重要的地方给清除出去，不仅如此，图像增强还便于人工或者机器对图像的进一步处理。而图像复原不仅仅是对图像进行预处理还要恢复至原来的面貌，它需要建立模型依此为依据进行复原。2.2图像增强技术一般来说图像增强技术主要有两种方法：空间域和频率域法。空间域法则主要是直接在空间域内对图像进行运算处理，分为两个方面：点运算和邻域运算（局部运算）。其中点运算包括图像灰度变换、直方图修正、局部统计法等几种方法，邻域运算包括图像平滑和图像锐化等几个方面。频率域法则只在图像的某种变换域里对图像的变换值进行运算，比如我们对图像进行傅立叶变换，然后在变换域里对图像的频谱进行某种计算，最后把计算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波、同态滤波等等。当然以上分类是从图像预处理的方法上来分的，如果从处理目的方面来说图像增强可以分为灰度调整、平滑减噪、图像锐化等，从处理策略分类上可以分为全局处理和局部处理两大方面，从处理对象上来分可以分为灰度图像处理和伪彩色图像处理。所以图像预处理中的图像增强技术分类极其复杂，这里只阐述下图像灰度化及灰度变换、图像平滑减噪及其中滤波方法之一的均值滤波等常用的预处理方法。2.3图像复原技术由于本文主要讲图像增强技术和图像平滑，但是它也是图像预处理中常见的处理方法，所以这里便对图像复原做一些基础性知识的说明。图像复原技术就是利用图像的先验知识来改变一副被退化的图像的过程，图像复原技术需要我们先建立图像模型，然后逆向反解这个退化过程，最后获得退化前的最优图像。图像退化模型可以当成是一个线性模糊和一个高斯噪声的合体。因此，图像复原能够通过设计复原滤波器即逆向滤波来实现。在进行图像复原时，有许多选择。首先可以用连续数学，也可以用离散数学来处理。其次，进行图像处理时既可以在空域里还可以在频率域里。此外，当复原采用数字方法是，处理时既可以通过空域的卷积运算，也可以通过频域的相乘运算来进行。2.4图像去噪质量评价标准图像质量评估也是图像处理领域的研究方向之一，当我们进行图像增强时，把一幅含有噪声的图像处理之后图像的质量是否会有所提高，这需要一个标准来衡量图像增强的好坏，因此，引入图像的去噪评价标准对图像去噪前后的质量进行评比，做出比较标准的判断。现在比较常用的图像去噪的评估标准有两类：客观准则和主观准则。客观评价标准是用去噪后的图像与原始图像的偏离程度来衡量图像去噪处理的质量。常用的一个方法是均方误差估计，它通过计算输入图像与输出图像的均方值(MSE)来评价图像处理质量。具体计算方法如下：设f为原图像，fN为加噪后图像，fd为复原后图像，则对于图像中任意某点(x，y)，其误差值为：假定原图像为M*N的大小，均方误差可以表示为：其中，均方误差值越小，去噪效果就越好。另外一种常用的客观评价标准是信噪比(SNR)比较法，同样对于原始图像f和去噪图像fd，则fd的均方信噪比可以表示为：对于式中的信噪比SNR，将其归一化并转化，可以得到峰值信噪比(PSNR)。峰值信噪比是最被广泛使用的评鉴图像质量的客观量测法，其计量方法如式示： 以上简单介绍了两种常用的客观评价标准。也可采用主观评测准则，即主观比较去噪图像与原图像两者之间的差别。所以主观评价带有主观性，因人而异，主要从以下两方面进行评价：观察图像去噪后的平滑效果。通过观察图片复原前后平坦区域和缓变区域的平滑程度。因为人眼对于平坦区、缓变区的噪声的敏感度相对其它区域会更高，而且目前常见的平滑去噪的过程也大多在这些区域进行。观测图像的结构的边缘保护情况。因为在平滑去噪的过程中，为了消除噪声，会将图像边缘的部份结构模糊掉，这会对图像边缘和细节信息造成一定的破坏。目前大部份滤波方法都会产生边缘模糊、边缘移动、边缘失真及细节丢弃的后果。因此可以通过观察图像的边缘和平坦的区域是否受到损坏以判断滤波器对图像的保护效果。2.5 matlab软件与图像预处理Matlab是Matrix Laboratory即矩阵实验室的缩写，是美国MathWorks公司专门开发的集数值计算、符号计算、图像可视化三大功能于一体的功能强大的仿真软件，是国际上公认的优秀数学应用软件之一。由于它的基本单位是矩阵，它的指令表达式与数学和工程中的相似，故用Matlab解决计算和图像问题比用其他语言完成要简单的多。Matlab最突出的功能就是简洁，用更直观的符合人们思维的代码代替了C和VC+的冗长的代码，给用于带来了最直观最简洁的程序开发环境。而且Matlab的图形功能很强大，在Matlab里数据的可视化非常简单，Matlab还具有较强的编辑图形界面的能力。Matlab的另一大特色是功能强大的工具箱。Matlab软件里包含两部分：核心部分和各种可自由选取的工具箱。核心部分则有数百个内部函数，工具箱又分为两个方面：功能性工具箱和学科性工具箱。前者用来扩充符号计算功能，图像建模仿真功能，文字处理功能和硬件实时交互功能等。可以看出功能性工具箱用于多种类型的学科，而学科性工具箱是比较专业性的工具箱，如signl processing toolbox，communication toolbox等等，所以用户可以不编写自己学科内的基础性程序，直接进行高端的程序研究。在上述工具箱中，图像处理工具包是由一系列支持图像处理操作的函数构成的，所支持的图像操作有：图像几何操作，邻域操作、图像变换、图像增强与恢复、线性滤波和滤波器的设计与实现等等。下面简单介绍一些Matlab在图像处理方面的实际操作应用。（1）图像文件格式的读入和写出。Matlab提供了图像读入函数 imread()，用来读取各种各样的文件，如bmp、pcx、jgpeg 、hdf、xwd等格式的图像。Matlab还提供了图像写出函数imwrite()，另外还有图像显示函数 image()、imshow()。（2）图像处理相关的基本运算。Matlab提供了图像线性运算以及卷积、相关、滤波等非线性算。例如，用函数conv2(A，B)实现了A，B两幅图像的卷积运算。（3）图像变换。Matlab提供了傅立叶变换、快速傅立叶变换、离散余弦变换及其反变换和连续小波变换、离散小波变换及其反变换各种变换。（4）图像分析、增强。针对图像的统计计算Matlab 提供了灰度调整、直方图均衡、中值滤波、自适应滤波等一系列图像预处理技术。以上所提到的 MATLAB软件在图像中的各种处理应用都是通过相应的Matlab函数来实现的，因此使用时，只需正确调用相应的函数并输入参数即可。第三章 图像灰度化及灰度变换3.1图像灰度化3.1.1灰度的概念首先了解一下灰度的基本概念，灰度用黑色调来表示物体，每个灰度对象有0%（白色）至 100%（黑色）的范围值，通常用灰度来表示黑白或灰度扫描仪生成的图像。另外使用灰度还能将彩色的图像转换为高质量的黑白图像，此时制图软件将会把原图像的所有颜色信息丢弃。而我们所说的灰度色，就是指纯白、纯黑及两者的一系列从黑到白的过渡颜色。平常所说的黑白照片、电视，实际上都应称为灰度照片、灰度电视才准确。灰度共有256个级别，灰度最高的相当于最高的黑，那就是纯黑。灰度最低的相当于最低的黑，也就是没有黑，就是纯白。当把像素量化以后，用一个字节表示像素的大小。如果把黑-灰-白连续多种变化的灰度值也量化为256个灰度级，则灰度值的范围大小为0到255，表示的含义是亮度从深到浅，相对应的图像中的颜色则是从黑到白。所以黑白照片里包含了黑白之间的所有灰度值，每个像素都在黑和白之间的256种灰度中包含着。3.1.2图像灰度化介绍将彩色的图像转化灰度图像的过程叫做图像灰度化，由于彩色图像的每个像素的颜色由R、G、B三个分量组成，即红、绿、蓝三种颜色。每种颜色都有255中灰度值可以去，而灰度图像则是R、G、B三个分量灰度值相同的一种特殊的图像，所以在数字图像处理过程中将彩色图像转换成灰度图像后就会使后续的图像处理时的计算量变得相对很少，这也就是图像灰度化的原因。而且灰度图像对图像特征的描述与彩色图像没有什么区别，仍能反应整个图像的整体和局部的亮度和色度特征。现在大部分的彩色图像都是采用RGB颜色模式，处理图像的时候，要分别对RGB三种分量进行处理，实际上RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配。所以人们在进行图像处理和预处理时都会先进行图像的灰度化处理，方便对图像的后续化处理，减少图像的复杂度和信息处理量。3.1.3图像灰度化的实现彩色图像RGB模型中，如果R=G=B，则彩色表示一种灰度颜色，其中这个值叫灰度值，所以灰度图像每个像素用一个字节存放灰度值（亮度值），一般有四种方法对彩色图进行灰度化：(1) 取分量法。将彩色图像中的三个分量之一的亮度值作为灰度图像的灰度值，根据需要选取一种作为灰度图像。(2) 取最大值法。是将彩色图像中的三个分量的亮度的最大值作为灰度图像的灰度值。(3) 平均值法。将彩色图像中的三个分量的亮度值求平均值得到一个灰度值，作为灰度图像的灰度。(4) 加权平均值法。根据三个分量的重要性及其它指标，将三个分量以不同的权值进行加权平均运算。由于人眼对绿色的敏感度高，对蓝色的敏感度低，故可以按照不同的权值对RGB三个分量进行加权平均运算能得到比较合理的灰度图像。 图像灰度化前后3.2灰度变换概念灰度变换是基本的图像点运算，是图像增强处理中的一种非常基础空间域图像处理方法。灰度变换是指根据某种目标条件按照一定的变换关系去逐点改变原图像中每一个像素灰度值，目的是为了改善画质，以便让图像的显示效果更佳清晰,因此灰度变换还被称为图像的对比增强。经过灰度变换后的图像动态范围变大，对比度会增强，图像会变得更加清晰，特征也更加明显。灰度变换主要利用点运算来改变图像像素点的灰度值，不改变图像内的空间关系，除了根据某种特定的变换函数进行变换之外，灰度变换可以认为是对像素进行简单的复制。灰度变换的表达式为：其中函数T是灰度变换函数，它定义了输入图像灰度和输出图像灰度之间的变换条件。所以如果灰度函数确定了，那么灰度变换就被完全确定。灰度变换的方法有很多种，比如图像灰度求反、灰度拉伸、灰度切分、灰度动态范围调整及灰度级修正等等。以上几种方法对图像的处理效果各不相同，但是它们处理过程中都必须用到点运算。点运算通常可以分为线性变换、分段线性变换以及非线性变换这三大类。3.2.1线性变换假定输入图像f(x, y)的灰度值范围为a, b，变换后的输出图像g(x, y)的灰度值范围扩展至c, d，则对于图像的任一点的灰度值(x ,y)，其表达式如下所示： 若原图像大部分像素的灰度级在区间a, b内，max f为原图像灰度最大值，只有个别部分的灰度级不在区间内，则为了改善图像增强效果，可以令： 因此线性变换适合那些曝光不足或过度的图像，它们的灰度可能会分布在一个很小的范围内，这时得到的图像是一个比较模糊、没有灰度层次的图像。采用上述线性变换对图像的每一个像素进行灰度作线性拉伸，将会有效的增强图像的质量。3.2.2 分段线性变换分段线性变换与线性变换类似，区别是为了突出图像中感兴趣的灰度区间，相对抑制不需要的灰度区间，可以进行分段线性变换，它对图像灰度区间进行两至多段的分段。进行变换时，把0-255灰度值区间分为几个线段，每一线段都对应一个线性变换函数。3.2.3 非线性变换非线性变换顾名思义就是利用非线性变换函数对图像进行变换，分为指数变换和对数变换。指数变换，就是指输出图像像素点的灰度值与输入图像灰度值之间是指数关系，其一般公式为： 对数变换也就是指输出图像像素点的灰度值与输入图像的灰度值之间呈现出对数关系，其一般公式为： 可见指数变换对于高灰度区间的扩展度要远远高于低灰度的区间，所以指数灰度变换一般适用于过亮的图像。与指数变换相反，对数变换对于低灰度区间扩展度较大，所以一般用来对过亮的图像进行处理。3.3 直方图变换3.3.1 直方图基础图像的灰度直方图是反映图像的像素灰度级与这种灰度级出现的概率之间的相对关系的图形。通常灰度级为0,L-1范围的图像直方图则是离散函数h()=， 是第k级灰度，是图像灰度级=的像素个数。求灰度直方图的方法就是拿图像中像素数目的总和n去除图像的每一个像素灰度值，表达式如下： k=0, 1, 2 , . 从以上表述可以总结出直方图主要有以下几个特点：（1）直方图中没有图像的位置信息。直方图仅仅反应了图像的灰度分布，和灰度所在的位置没有丝毫关系，因此不同的图像也可能具有相同的直方图。（2）直方图反应了图像整体的灰度范围。直方图反应了图像整体灰度分布，对于较暗的图像，直方图集中在灰度级低一侧，相反，较亮图像的直方图则集中于灰度级较高的一侧。（3）直方图具有可叠加性。图像的直方图等于它各个分部直方图的和。（4）直方图具有统计特性。从定义可知，连续图像的直方图是连续函数，它具有统计特征。3.3.2 直方图均衡化如果图像的视觉效果差或者人们特殊需要，常常需要对图像的灰度级进行修正，即对图像的直方图进行转换。直方图均衡化是图像处理中较常用的方法之一。直方图均衡化首选要先进行直方图修正，即把原图像的直方图利用灰度变换函数修正为均匀分布，然后再进行直方图均衡化。它以概率论为理论基础，运用灰度点运算实现直方图的变化，从而达到图像处理的目的。直方图的变换函数取决于直方图的累积分布函数。简单的说即把已知灰度值概率分布的图像经过一种变换，让它成为一个灰度值概率均匀分布的新图像。比如有些图像在低灰度区间的分布频率较大，使较暗地方的细节边缘比较模糊，此时我们可以进行直方图均衡化将图像的灰度范围均匀分布。而当图像的直方图分布为均匀分布时，此时图像包含的信息量最多，看起来就越清晰。另外由于直方图是只是近似的概率函数，直接变换求直方图很少能得到完全平坦的分布，而且变换后会出现灰度级减少的现象即“简并”。由于以上原因，我们也要进行直方图均衡化，以改善图像灰度的动态范围。3.3.3 直方图规定化直方图均衡化虽然有很多优点，但是它是以累计分布函数为基础的直方图修正，变换后所得的灰度概率密度函数都是均匀分布的，如果在很多特殊情况下，需要让变换后的图像直方图以某种特定的曲线显示，例如对数和指数等，就需要进行直方图规定化。直方图规定化的方法如下：假设是原图像分布的概率密度函数，是希望得到的图像的概率密度函数。我们先对原图像做直方图均衡化，即： 对于得到的图像设它的概率密度函数是,对该图像做直方图规定化处理，即： 这样就能够得到我们所需要的 函数的直方图了。3.4图像平滑减噪灰度变换和直方图修正都可以对图像进行简单的预处理，然而这些预处理仅限于图像没有受到污染，即没有因为各种原因产生噪声或收到不规则破坏，此时灰度变换和直方图就不能达到我们预期的效果了，对于图像的复杂处理就必须采用平滑减噪方法。3.4.1噪声基本介绍噪声就是妨碍人们感觉器官对所收到的图像信息进行准确理解的因素，噪声的种类很多，比如电子噪声、机械噪声、信道噪声以及其他噪声，噪声对图像信号和相位的影响很大，有些噪声和图像信号不相关，有些却相关。图像在生成和传输过程当中常常会受到各种噪声的干扰和破坏而使图像失去原来的本色，这将对后续图像的处理比如图像分割、压缩、图像理解等产生不好的影响。上面这幅图片就是受到噪声污染后的图像，可以看出图像的质量与我们所预想的差别很大。因此，对于图像处理来说，图像去噪是必不可少的预处理操作，为了抑制和消减噪声，改善图像的质量，以便于做进一步的处理，对图像进行去噪预处理是首要的步骤。人们根据图像的实际特点、噪声的统计特点、频谱的分布规律等等，发展了各式各样的减噪方法。图像的去噪方法种类很多，依据的原理也各不相同，其中比较常用的就是图像平滑去噪方法。3.4.2图像噪声模型数字图像的噪声一般源自于将图像数字化和传输的过程。在这过程中因受到环境条件的影响及设备的性能质量原因，使得图像必不可免的产生噪声。下面介绍几种常见的比较重要的噪声：（1） 均匀分布噪声。均匀分布噪声是指原图像中每个像素点等概率产生的噪声。均匀噪声的概率密度及其期望值和方差如下式所示：（2）高斯噪声。高斯噪声被称为正态噪声，其噪声的概率密度如下式所示：式中，z代表图像的灰度值，代表z的期望值，代表z的标准差。由于高斯噪声在实际图像中很常见，且在数学上处理相对比较容易，使高斯噪声模型应用比较广泛。（3）椒盐噪声。椒盐噪声也叫脉冲噪声，它的特点是持续时间小于0.5秒，间隔时间大于1秒。椒盐噪声作为一种非常典型的图像噪声，对图像质量的处理起着极大的影响。其噪声的概率密度如式所示：式中，假设ba，则图像中灰度值b将以的概率在图中显示为一个亮点即盐粉微粒；灰度值a则将以的概率显示为一