实验二 图像增强：MATLAB实现技术与应用详解

摘要

图像增强是数字图像处理的核心环节，旨在通过算法优化提升图像的视觉质量或提取关键信息。MATLAB凭借其强大的矩阵运算能力和丰富的图像处理工具箱，成为实现图像增强的理想平台。本文围绕“实验二 图像增强（MATLAB实现）”主题，系统介绍直方图均衡化、空间域滤波、频域滤波及色彩增强等关键技术，结合代码示例与实验结果分析，为读者提供从理论到实践的完整指南。

一、图像增强技术概述

图像增强技术通过调整图像的对比度、亮度、锐度或色彩分布，改善图像的视觉效果或满足特定应用需求（如医学影像分析、遥感图像处理）。其核心目标包括：

1. 对比度增强：扩大灰度级范围，提升细节可见性；
2. 噪声抑制：消除或减少图像中的随机干扰；
3. 边缘锐化：增强物体边界的清晰度；
4. 色彩校正：调整色彩平衡或增强特定颜色通道。

MATLAB通过Image Processing Toolbox提供了一系列内置函数（如histeq、imadjust、imfilter等），支持快速实现上述功能。

二、直方图均衡化：对比度增强的经典方法

直方图均衡化通过重新分配像素灰度值，使输出图像的直方图接近均匀分布，从而增强全局对比度。

1. 算法原理

设输入图像的灰度级为$rk$，概率密度函数为$p_r(r_k)$，均衡化后的灰度级$s_k$为：
$<br>s_k = T(r_k) = (L-1)\sum${i=0}^k p_r(r_i)

其中$L$为最大灰度级（如8位图像的$L=256$）。

2. MATLAB实现

% 读取图像
I = imread('cameraman.tif');
% 直方图均衡化
J = histeq(I);
% 显示结果
subplot(1,2,1), imshow(I), title('原始图像');
subplot(1,2,2), imshow(J), title('均衡化后');
% 绘制直方图
figure;
subplot(1,2,1), imhist(I), title('原始直方图');
subplot(1,2,2), imhist(J), title('均衡化直方图');

实验分析：均衡化后图像的对比度显著提升，但可能过度增强噪声区域。可通过自适应直方图均衡化（adapthisteq）优化局部对比度。

三、空间域滤波：噪声抑制与边缘保持

空间域滤波通过卷积操作直接修改像素邻域的值，分为线性滤波（如均值滤波）和非线性滤波（如中值滤波）。

1. 均值滤波

均值滤波用邻域像素的平均值替代中心像素，适用于高斯噪声抑制。

I = imread('pout.tif');
% 创建3x3均值滤波器
h = fspecial('average', [3 3]);
% 应用滤波
J = imfilter(I, h);
% 显示结果
imshowpair(I, J, 'montage');
title('原始图像（左） vs 均值滤波后（右）');

局限性：均值滤波会模糊边缘，导致细节丢失。

2. 中值滤波

中值滤波用邻域像素的中值替代中心像素，对脉冲噪声（如椒盐噪声）效果显著。

I = imread('eight.tif');
% 添加椒盐噪声
J = imnoise(I, 'salt & pepper', 0.05);
% 应用中值滤波
K = medfilt2(J, [3 3]);
% 显示结果
imshowpair(J, K, 'montage');
title('噪声图像（左） vs 中值滤波后（右）');

优势：中值滤波可有效保留边缘，但计算复杂度较高。

四、频域滤波：基于傅里叶变换的增强

频域滤波通过将图像转换至频域，修改频率分量后反变换回空间域，适用于周期性噪声抑制或纹理增强。

1. 理想低通滤波

理想低通滤波器保留低频分量（图像主体），抑制高频分量（噪声和细节）。

I = imread('rice.png');
% 傅里叶变换
F = fft2(double(I));
F_shifted = fftshift(F);
% 创建理想低通滤波器
[M, N] = size(I);
D0 = 30; % 截止频率
[X, Y] = meshgrid(1:N, 1:M);
D = sqrt((X-N/2).^2 + (Y-M/2).^2);
H = double(D <= D0);
% 应用滤波器
G_shifted = F_shifted .* H;
G = ifftshift(G_shifted);
J = real(ifft2(G));
% 显示结果
imshowpair(I, uint8(J), 'montage');
title('原始图像（左） vs 低通滤波后（右）');

问题：理想低通滤波会产生“振铃效应”，可通过高斯低通滤波器优化。

五、色彩增强：HSV空间的应用

色彩增强通过调整图像的色相（Hue）、饱和度（Saturation）和亮度（Value）改善视觉效果。MATLAB支持在HSV色彩空间进行独立操作。

1. 饱和度增强

I = imread('peppers.png');
% 转换至HSV空间
HSV = rgb2hsv(I);
% 增强饱和度通道
HSV(:,:,2) = HSV(:,:,2) * 1.5; % 饱和度放大1.5倍
HSV(:,:,2) = min(HSV(:,:,2), 1); % 限制最大值
% 转换回RGB空间
J = hsv2rgb(HSV);
% 显示结果
imshowpair(I, J, 'montage');
title('原始图像（左） vs 饱和度增强后（右）');

应用场景：风景照片或产品展示图的色彩优化。

六、实验总结与建议

1. 算法选择：根据噪声类型（高斯噪声用均值滤波，脉冲噪声用中值滤波）和增强目标（全局对比度用直方图均衡化，局部细节用频域滤波）选择合适方法。
2. 参数调优：滤波器尺寸、截止频率等参数需通过实验确定，避免过度处理。
3. 工具箱扩展：MATLAB的Wavelet Toolbox支持小波变换，可实现更精细的多尺度增强。

未来方向：结合深度学习模型（如U-Net）实现自适应图像增强，进一步提升复杂场景下的处理效果。

通过本文的代码示例与理论分析，读者可快速掌握MATLAB在图像增强中的核心应用，为实际项目开发提供有力支持。