前面图像处理主要使用单一增强法;为达到令人满意的效果,对于给定任务需要采用多种互补的图像增强技术。
使用教材上的人体骨骼图片实验;目的是通过图像锐化突出骨骼的更多细节来增强图像。
由于灰度图像的动态范围很窄并且有很高的噪声内容,所以很难对其进行增强。
对此采取的策略是:
首先用拉普拉斯法(Laplace)突出图像中的小细节img1,-->梯度法(Sobel)突出其边缘img2,
平滑(blur)过的梯度图img2将用于掩蔽拉普拉斯图像img1--->使用灰度(gama)变换来增大图像的动态范围
原始图像a: 图像b,原图像使用拉普拉斯算子(1,1,1,1,-8,1,1,1,1)标定后的图像
图像c, 由图像a和图像b相加得到的结果,图b噪声就很大,导致图c噪声也很大;降低噪声可选中值滤波;但中值滤波是非线性滤波,可能改变图像性质。所以医学上不可接受。
另一种方法是使用原图像梯度操作的平滑形式所形成的模板。
因为拉普拉斯算子是二阶微分,在增强细节方面他是最好的。但它会产生比梯度操作更多的噪音。尤其在平滑区域,非常明显。
梯度变换在灰度变化的区域(斜坡或台阶)的平均响应要比拉普拉斯操作的平均响应更强烈。梯度操作对噪声和小细节的响应比拉普拉斯弱。而且可以通过均值滤波对其平滑处理。
思路是对梯度图像进行平滑处理并用拉普拉斯图像与他相乘。
平滑后的梯度图像可以看成模板图像。
相乘会保留灰度变化强烈区域的细节,同时降低灰度变化平坦区域的噪音。将拉普拉斯和梯度操作的优点相结合。
将结果加到原图像得到最终的锐化图像。
图像d:图a经sobel算子处理后的结果,该图像的边缘比拉普拉斯清晰很多
图像e:使用5x5均值滤波过的Sobel图像 图像f:由c和e相乘得到的掩蔽图像
然后相加原图a与掩蔽f相加得到锐化图像g, 伽马变换得到图像h
图像g: 图像h:
说明:
图d,图e比图b亮,再次说明了具有重要边缘内容的梯度图像的值一般比拉普拉斯高。
代码实现如下:
#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
//标定单通道的图像
void calibration_one_channel(Mat &input, Mat &output)
{
Mat dst;
double max = 0, min = 0;
dst = Mat::zeros(input.rows, input.cols, CV_8UC1);
minMaxLoc( input, &min, &max); //取出图像中的上下限
for (int i = 0; i<input.rows; i++){
float *ptr = input.ptr<float>(i);
uchar *optr = dst.ptr<uchar>(i);
for (int j = 0; j<input.cols; j++){
optr[j] = (uchar)((ptr[j] - min) / (max - min) * 255);
}
}
if( !output.empty() ) output.release();
output = dst.clone();
}
void toBeOne(Mat &input, Mat &output, int index = 0)
{
if( input.empty() ){
std::cerr << "input image empty" << std::endl;
return;
}
if( input.channels() == 3 ){
//split image to 3 channels
std::vector<cv::Mat> channels;
cv::split( input, channels );
for( int k = 0; k < input.channels(); k++){
if( index){
normalize(channels[k], channels[k], 0, 255, NORM_MINMAX);//归一化处理
convertScaleAbs(channels[k], channels[k]);
}else {
calibration_one_channel(channels[k], channels[k]);
}
}
cv::merge( channels, output );
}else if( input.channels() == 1) {
if(index){
normalize(input, input, 0, 255, NORM_MINMAX);//归一化处理
convertScaleAbs(input, output);
}else {
calibration_one_channel(input, output);
}
}
}
void toBeOne2(Mat &input, Mat &output, int index = 0)
{
double max = 0, min = 0;
output = Mat::zeros(input.rows, input.cols, CV_8UC3);
minMaxIdx(input, &min, &max); //取出图像中的上下限
for (int i = 0; i<input.rows; i++){
float *ptr = input.ptr<float>(i);
uchar *optr = output.ptr<uchar>(i);
for (int j = 0; j<input.cols * 3; j++){
if (index){
if (ptr[j]>1){
optr[j] = 255;
continue;
}
else if (ptr[j]<0){
optr[j] = 0;
continue;
}
else
optr[j] = (uchar)(ptr[j] * 255);
}
else
optr[j] = (uchar)((ptr[j] - min) / (max - min) * 255); //标定image
}
}
}
//γ变换
cv::Mat gammaTran(const cv::Mat src, double gamma, double comp)
{
cv::Mat dst(src);
int M = 0;
int N = 0;
if (src.empty()){
std::cout << "Src pic is empty" << std::endl;
return src;
}
M = src.rows;
N = src.cols*src.channels();
for (int i = 0; i < M; i++){
const float *p1 = src.ptr<const float>(i);
float *p2 = dst.ptr<float>(i);
for (int j = 0; j < N; j++){
p2[j] = pow(p1[j], gamma) * comp;
}
}
return dst;
}
int main( int argc, char *argv[])
{
if( argc != 2 ){
std::cerr << "Usage: " << argv[0] << " <image_name>" << std::endl;
return 0;
}
std::string image_name = argv[1];
Mat iinput = imread(image_name, IMREAD_COLOR), input, Tlaplas;
imshow("original", iinput);
iinput.convertTo(input, CV_32F, 1.0 / 255, 0);//把图片转化为float类型,这样子可以直接进行加减而不会溢出
//Laplacian变换
Mat kern = (Mat_<float>(3, 3) << 1, 1, 1, //滤波器
1, -8, 1,
1, 1, 1);
Mat laplas;
Mat output;
filter2D(input, laplas, input.depth(), kern);//使用滤波器kern对input进行相关操作,结果存储在laplas中
toBeOne(laplas, Tlaplas);
imshow("filter2D_one", Tlaplas);
output = input - laplas;//如果中间的值是正的则是加号,负值则是减号
toBeOne(output, iinput, 1);
Mat R0 = iinput;
imshow("direct_laplace", R0);
//Sobel梯度
Mat kern2 = (Mat_<float>(3, 3) << -1, -2, -1,
0, 0, 0,
1, 2, 1);
Mat kern3 = (Mat_<float>(3, 3) << -1, 0, 1,
-2, 0, 2,
-1, 0, 1);
Mat gx, gy;
filter2D(input, gx, input.depth(), kern2);
filter2D(input, gy, input.depth(), kern3);
Mat Soutput = abs(gx) + abs(gy);
toBeOne(Soutput, iinput, 1);
Mat R1 = iinput;
imshow("Sobel1", R1);
Mat smooth;
blur(iinput, smooth, Size(5, 5));
Mat R2 = smooth;
imshow("Smooth", R2);
//相乘
Mat R3, r3;
R0.convertTo(R0, CV_32F, 1.0 / 255, 0);
R2.convertTo(R2, CV_32F, 1.0 / 255, 0);
multiply(R0, R2, r3);
toBeOne(r3, R3, 1);
imshow("Result0",R3);
//锐化增强
cv::Mat r4, R4;
r4 = input + r3;
toBeOne(r4, R4, 1);
imshow("Result1", R4);
//γ变换
cv::Mat r5, R5;
r5 = gammaTran(r4, 0.5, 1);
toBeOne(r5, R5, 1);
imshow("Result", R5);
imwrite( "8.jpg", R5);
waitKey();
return 0;
}
下图是当做灰度图像处理的,结果不同