数字图像处理之频域图像增强

数字图像处理之频域图像增强

                                                        by方阳

版权声明:本文为博主原创文章,转载请指明转载地址

http://www.cnblogs.com/fydeblog/p/7069942.html 

1. 前言

这篇博客主要讲解频域滤波增强的各类滤波器的实现,并分析不同的滤波器截止频率对频域滤波增强效果的影响。理论的知识还请看书和百度,这里不再复述!

2. 原理说明

(1)  图像的增强可以通过频域滤波来实现,频域低通滤波器滤除高频噪声,频域高通滤波器滤除低频噪声。

(2)  相同类型的滤波器的截止频率不同,对图像的滤除效果也会不同。

3. 实现内容

(1)     选择任意一副图像,对其进行傅里叶变换,在频率域中实现二阶butterworth低通滤波器的平滑作用,截止频率任意设定。显示原始图像和滤波图像。

(2)     选择任意一副图像,对其进行傅里叶变换,在频率域中实现两种不同半径(截止频率)的高斯高通滤波的锐化效果,显示原始图像和滤波图像,及与原图像叠加的高频增强图像。

4. 程序实现及实验结果

(1)butterworth滤波器

参考代码:

I=imread('fig620.jpg');
f=D3_To_D2(I);
PQ=paddedsize(size(f));
[U,V]=dftuv(PQ(1),PQ(2));
D0=0.05*PQ(2);
F=fft2(f,PQ(1),PQ(2));
H=1./(1+((U.^2+V.^2)/(D0^2)).^2);
g=dftfilt(f,H);
figure;
subplot(1,3,1);
imshow(f);
title('原图');
subplot(1,3,2);
imshow(fftshift(H),[]);
title('滤波器频谱');
subplot(1,3,3);
imshow(g,[]);
title('滤波后的图像');

 D3_To_D2函数参考代码:

function image_out=D3_To_D2(image_in)
[m,n]=size(image_in);
 n=n/3;%由于我的灰度图像是185x194x3的,所以除了3,你们如果是PxQ的,就不要加了
 A=zeros(m,n);%构造矩阵
 for i=1:m
     for j=1:n
        A(i,j)= image_in(i,j);%填充图像到A
     end
 end
image_out=uint8(A);

paddedsize函数参考代码:

function PQ = paddedsize(AB,CD,~ )  
%PADDEDSIZE Computes padded sizes useful for FFT-based filtering.  
%   Detailed explanation goes here  
if nargin == 1  
    PQ = 2*AB;  
elseif nargin ==2 && ~ischar(CD)  
    PQ = QB +CD -1;  
    PQ = 2*ceil(PQ/2);  
elseif nargin == 2  
    m = max(AB);%maximum dimension  
      
    %Find power-of-2 at least twice m.  
    P = 2^nextpow(2*m);  
    PQ = [P,P];  
elseif nargin == 3  
    m = max([AB CD]);%maximum dimension  
    P = 2^nextpow(2*m);  
    PQ = [P,P];  
else   
    error('Wrong number of inputs');  
  
end  

dftuv函数参考代码:

function [ U,V ] = dftuv( M, N )  
%DFTUV 实现频域滤波器的网格函数  
%   Detailed explanation goes here  
u = 0:(M - 1);  
v = 0:(N - 1);  
idx = find(u > M/2); %找大于M/2的数据  
u(idx) = u(idx) - M; %将大于M/2的数据减去M  
idy = find(v > N/2);  
v(idy) = v(idy) - N;  
[V, U] = meshgrid(v, u);        
  
end  

运行结果

(2)高通滤波器

参考代码:

I1=imread('lena.bmp');
f1=D3_To_D2(I1);
PQ1=paddedsize(size(f1));
D0_1=0.05*PQ(1);
D0_2=0.1*PQ(1);
H1=hpfilter('gaussian',PQ1(1),PQ1(2),D0_1);
H2=hpfilter('gaussian',PQ1(1),PQ1(2),D0_2);
g1=dftfilt(f1,H1);
g2=dftfilt(f1,H2);
H1=0.5+2*H1;
H2=0.5+2*H2;
g3=dftfilt(f1,H1);
g4=dftfilt(f1,H2);
g3=histeq(gscale(g3),256);
g4=histeq(gscale(g4),256);
figure;
subplot(2,3,1);
imshow(f1);
title('原图');
subplot(2,3,2);
imshow(g1,[]);
title('滤波后的图像-系数0.05');
subplot(2,3,3);
imshow(g2,[]);
title('滤波后的图像-系数0.1');
subplot(2,3,4);
imshow(g3,[]);
title('增强后的图像-系数0.05');
subplot(2,3,5);
imshow(g4,[]);
title('增强后的图像-系数0.1');

hpfilter函数参考代码:

function H = hpfilter(type, M, N, D0, n)
if nargin == 4
    n = 1;
end
hlp = lpfilter(type, M, N, D0, n);
H = 1 - hlp;

hpfilter中的lpfilter参考代码:

function [ H, D ] = lpfilter( type,M,N,D0,n )  
%LPFILTER creates the transfer function of a lowpass filter.  
%   Detailed explanation goes here  
  
%use function dftuv to set up the meshgrid arrays needed for computing   
%the required distances.  
[U, V] = dftuv(M,N);  
   
%compute the distances D(U,V)  
D = sqrt(U.^2 + V.^2);  
  
%begin filter computations  
switch type  
    case 'ideal'  
        H = double(D <= D0);  
    case 'btw'  
        if nargin == 4  
            n = 1;  
        end  
        H = 1./(1+(D./D0).^(2*n));  
    case 'gaussian'  
        H = exp(-(D.^2)./(2*(D0^2)));  
    otherwise   
        error('Unkown filter type');  
  
end  

gscale函数参考代码:

function g = gscale(f, varargin)
%GSCALE Scales the intensity of the input image.
%   G = GSCALE(F, 'full8') scales the intensities of F to the full
%   8-bit intensity range [0, 255].  This is the default if there is
%   only one input argument.
%
%   G = GSCALE(F, 'full16') scales the intensities of F to the full
%   16-bit intensity range [0, 65535].
%
%   G = GSCALE(F, 'minmax', LOW, HIGH) scales the intensities of F to
%   the range [LOW, HIGH]. These values must be provided, and they
%   must be in the range [0, 1], independently of the class of the
%   input. GSCALE performs any necessary scaling. If the input is of
%   class double, and its values are not in the range [0, 1], then
%   GSCALE scales it to this range before processing.
%
%   The class of the output is the same as the class of the input.
 
%   Copyright 2002-2004 R. C. Gonzalez, R. E. Woods, & S. L. Eddins
%   Digital Image Processing Using MATLAB, Prentice-Hall, 2004
%   $Revision: 1.5 $  $Date: 2003/11/21 14:36:09 $
 
if length(varargin) == 0 % If only one argument it must be f.
   method = 'full8';
else
   method = varargin{1};
end
 
if strcmp(class(f), 'double') & (max(f(:)) > 1 | min(f(:)) < 0)
   f = mat2gray(f);
end
 
% Perform the specified scaling.
switch method
case 'full8'
   g = im2uint8(mat2gray(double(f)));
case 'full16'
   g = im2uint16(mat2gray(double(f)));
case 'minmax'
   low = varargin{2}; high = varargin{3};
   if low > 1 | low < 0 | high > 1 | high < 0
      error('Parameters low and high must be in the range [0, 1].')
   end
   if strcmp(class(f), 'double')
      low_in = min(f(:));
      high_in = max(f(:));
   elseif strcmp(class(f), 'uint8')
      low_in = double(min(f(:)))./255;
      high_in = double(max(f(:)))./255;
   elseif strcmp(class(f), 'uint16')
      low_in = double(min(f(:)))./65535;
      high_in = double(max(f(:)))./65535;   
   end
   % imadjust automatically matches the class of the input.
   g = imadjust(f, [low_in high_in], [low high]);  
otherwise
   error('Unknown method.')
end

运行结果:

五.结果分析

(1)由第一个图可以看出,图像经过低通滤波器,图像的高频分量滤掉了,图像变得平滑。

(2)由第二个图可以看出,图像不同的截止频率,出来的图像也不同,系数小的效果强。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

史上最好记的神经网络结构速记表(上)

翻译 / 陈俊雅 校对 / 李傲 整理 / 雷锋字幕组 本文提供了神经网络结构速查表,盘点了神经网络的大量框架,并绘制了直观示意图进行说明,是人手必备的神经网络...

422120
来自专栏Coding迪斯尼

详解神经网络中的神经元和激活函数

13230
来自专栏MelonTeam专栏

机器学习入门系列05,classification: probabilistic generative model(分类:概率生成模型)

引用课程:http://speech.ee.ntu.edu.tw/~tlkagk/courses_ml16.html 先看这里,可能由于你正在查看这个平台行...

42450
来自专栏计算机视觉战队

CVPR 2018 笔记

知乎号:https://www.zhihu.com/people/chang-you-li-92/activities

9410
来自专栏贾志刚-OpenCV学堂

图像处理开发者必读

小编作为一个图像与计算机视觉的开发者,总结了一下作为图像处理开发工程师应该知道或者掌握的图像处理知识点。跟大家分享一下,以备大家学习方便。 图像像素操作 -...

31650
来自专栏编程

FPGA图像处理之rgbtogray算法的实现

FPGA图像处理之rgbtogray算法的实现 作者:lee神 1.背景知识 在正是入题之前先给大家讲解一下gray图像,YUV图像以及Ycbcr图像。 Gra...

43840
来自专栏专知

【干货】计算机视觉实战系列08——用Python做图像处理

26520
来自专栏WOLFRAM

随机三维图像中可以找到多少动物和阿尔普物形?

34560
来自专栏机器之心

教程 | 详解如何使用Keras实现Wassertein GAN

选自Deeply Random 机器之心编译 参与:晏奇、李泽南 在阅读论文 Wassertein GAN 时,作者发现理解它最好的办法就是用代码来实现其内容。...

513100
来自专栏进击的程序猿

如何生成一幅艺术作品

假设我们有一幅大师的画作了,我们怎么能够提取出“大师作品”中的纹理和颜色这些细节让我们的计算机知道,而不是只看到画的整体造型呢?

13930

扫码关注云+社区

领取腾讯云代金券