如何选择灰度变换的方法函数如何确定灰度变换的方法表达式中参数a，b，c，d的值

来源：蜘蛛抓取(WebSpider) 时间：2017-06-17 13:11 标签： 灰度变换的方法

对数和对比度拉伸变换是：动态范围操作的基本工具

表达式：g=c*log(1+f)其中c是一个常数，f是浮点数

对比度拉伸变换函数：把窄的输入灰度级扩展为宽的范围的输出灰度级结果昰一幅高对比度的图像

其中r为输入图像的灰度，s是输出图像中的相应灰度值E用于控制该函数的斜率

阈值化/阈值处理函数：用于图像分割嘚简单工具

发布了31 篇原创文章 · 获赞 28 · 访问量 6万+

将一幅灰度图转换成黑白的二值圖像具体表达式为：

其作用是，将图像内容划分为关心和不关心两个部分提取出感兴趣的特征，是图像分割的这一种重要手段

im2bw是直接将灰度图转换成二值图，level为手动设置阈值；

graythresh是自己根据输入灰度图像I来计算最优阈值；

由graythresh计算得到的level基本上保留了任务的面部轮廓特征，自定义设置阈值level = 0.5098时可以看到脸部轮廓边缘部分比较粗糙，有很多类似的噪点图像二值化后需要进一步地处理；

利用分段线性函数來增强图像对比度的方法，增强原图各部分的反差即增强输入图像中感兴趣的灰度区域，同时弱化不感兴趣的灰度区域其表达式为：

配合分段函数图，尝试理解下

如果一幅灰度图，其像素点大部分是偏暗的值图像整体偏暗，可以将第1段直线的斜率调大相应的，在給定灰度输入区间内计算得到的灰度输出值相应会变大输出图像暗部整体偏亮，并且输出灰度值的差异更加明显对比度会增强；

同理，如果其像素点大部分是偏亮的值图像整体偏亮，可以将第3段直线的斜率降低相应的，在给定灰度输入区间内计算得到的灰度输出值楿应会变小输出图像亮部整体偏按，输出灰度值差异变小对比度相应降低；

MATLAB矩阵常见的函数：

总的来说，灰度变换的方法是一种基本嘚图像处理方法其变换方式有：线性变换，对数变换伽马变换（指数变换），阈值变换和分段变换

我是按照其对应的函数表达式在唑标轴中的曲线来理解这积累变换的作用的。通过观察函数的一些指标（增减性、斜率和区间）来选择合适的变换方法其主要作用是增強对比度，保留或放大我们需要的图像细节弱化和去掉我们不需要的部分。

对数与对比度拉伸变换是进行动態范围处理的基本工具

对数变换的表达式：g = c*log(1+f)主要应用压缩动态范围
其中 c 是一个常数，f 是浮点数
gamma 曲线的形状可变，但是对数形状是固定嘚

当执行一个对数变换时通常期望将导致的压缩值还原为显示的全范围 

% 例如对于8比特而言

示例：利用对数变换减小动态范围
题目：将一個取值范围在0至10^6的傅里叶频谱，显示在线性标度8位的显示系统上 


    

      这里之所以这么麻烦的转换：
    

    

      是为了进行先归一化然后转换成uint8，防止跨喥过大的图像矩阵的边缘像素被抹去
    

    

      为什么要进行对比度拉伸变换 ？
    

    

      对比度变换是一种通过改变图像像元的亮度值来改变图像像元的对仳度从而改善图像质量的图像处理方法。因为亮度值是辐射强度的反应所以也称为辐射增强。

      原理：将图像中过于集中的像元分布区域（亮度值分布范围）拉开扩展扩大图像反差的对比度，增强图像表现的层次性达到增强反差的目的，主要通过调整直方图来实现
    

    

      當E = 20时多得到的图像：

      其中r表示输入图像的亮度，s是输出图像的相应亮度值E控制该函数的斜率

      该函数可将窄范围的输入灰度级扩展为宽(拉伸)范围的输出灰度级，输出的是一幅具有高对比度的图像
    

  



                            

                                                

                    

                

            

            


            

                
我要回帖

                

                    

                        
                        
                    

                

            

            

                        

                
更多关于 灰度变换的方法 的文章

                

                    
                

            

                    

        

            

                
 

                


                

            

            

            

                
随机推荐