基于Laplacian算子的图像增强.docx

基于Laplacian算子的图像增强.docx基于Laplacian算子的图像增强摘要:使用Laplacian算子检测图像的边缘纹理等细节信息,然后以适当比例线性叠加原始图像和细节信息,从而完成图像增强。不同增强方法的比较试验表明,基于Laplacian算子的图像增强方法既能增强图像的高频分量,又能保持图像的低频分量,是图像增强的有效方法。关键词:Laplacian算子;图像增强;噪声抑制;细节保持中图法分类号:TP391文献标识码:A文章编号:1001-3695(2007)01-0222-02一幅图像在成像和传输过程中,由于各种因素的影响,往往会损失一些图像细节,使视觉效果降低,或使机器的自动识别发生错误,所以需要突出图像中的细节部分,使人和机器易于理解,这就是图像增强。简而言之,图像增强一要增强高频部分,二要保持低频部分。常用的图像增强方法很多,如灰度级变换和直方图的均衡化等。灰度级变换包括线性变换、对数变换和幂次变换,它对图像各部分进行相同的灰度拉伸或收缩,使灰度分布符合人的视觉****惯;直方图均衡化通过灰度级变换,使图像像素占有全部可能的灰度级并且分布均匀,从而使图像具有较高的对比度和多变的灰度色调。本文使用Laplacian算子检测图像的高频分量,然后把高频分量和图像背景相叠加,从而获得图像的增强效果。通过与对数变换以及直方图均衡化等增强方法的比较,本文提出的基于Laplacian算子的增强方法有较好的增强效果,特别是对于背景和目标的灰度级相差较大时,本文方法明显优于前两种方法。??1基于差分算子的高频分量检测??图像的高频分量对应于边缘纹理等细节信息,图像的低频分量对应于背景,图像的信息量主要体现在边缘纹理中。图像增强的关键是图像细节的增强,而要实现边缘细节的增强,首先就要实现边缘细节与背景的分离。各类高通滤波器可以实现这一目标,但它们的设计较为复杂,如果参数选择不当,就会造成高频分量与低频分量的分离不当。因此,基于频率域的边缘纹理信息提取方法不适合图像的在线处理。边缘纹理是图像像素灰度不连续的体现,而灰度的间断性可以用其微分来表示。边缘灰度变化越剧烈,其微分值就越大;边缘灰度变化越平缓,其微分值就越小;当灰度均匀(不发生变化)时,其微分为零。因此,微分可作为边缘纹理信息的表征,对于数字图像,微分可用不同的差分模板来实现。??差分模板或者直接计算相邻像素的灰度差值,如Roberts交叉算子;或者计算不同像素邻域之间的差分,如Prewitt算子、Sobel算子、罗盘算子和Krisch算子;或者先用低通滤波器平滑图像,然后再用上述差分算子提取边缘,如Canny算子。这些算子均属于一阶差分模板,它们一般对阶跃状边缘有较强的响应,但同时会产生较粗的边缘,影响边缘细节的定位精度。与一阶差分模板相比,二阶差分模板对细线和孤立点等细节信息有更强的响应,它对阶跃状边缘产生双响应,并且利用零交叉点来定位边缘,因而定位精度较高。常用的二阶差分模板是Laplacian模板,它有两种形式。图1(a)为模板满足90°旋转的各向同性,图1(b)为模板满足45°旋转的各向同性;图2给出了它们的频谱。可见Laplacian算子等效于高通滤波器,因此可以有效地提取图像的边缘纹理等高频分量。图1(a)模板对高频分量的响应强于图1(b)模板,这意味着图1(a)模板对噪声过于敏感,因此本文选用图1(b)模板来实现边缘纹理与背景