数字图像处理第二次试验：图像增强的原理与实践

引言

在数字图像处理领域，图像增强是改善图像视觉效果的核心技术之一。通过调整图像的对比度、锐度、色彩等属性，图像增强能够显著提升图像的可用性，为后续的图像分析、目标检测等任务奠定基础。本次试验聚焦于图像增强的多种方法，从直方图均衡化到频域滤波，系统探讨不同技术路径的实现原理与适用场景。

一、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，扩展图像的动态范围，从而提升整体对比度。其核心原理基于概率密度函数的变换，将原始图像的直方图调整为均匀分布。

1.1 全局直方图均衡化

全局直方图均衡化对整幅图像进行统一变换，适用于整体对比度较低的场景。其实现步骤如下：

1. 计算原始图像的灰度直方图；
2. 计算累积分布函数（CDF）；
3. 根据CDF映射新灰度值。

代码示例（Python + OpenCV）：

import cv2
import numpy as np
import matplotlib.pyplot as plt
def global_hist_equalization(img_path):
    img = cv2.imread(img_path, 0)  # 读取灰度图
    equ = cv2.equalizeHist(img)
    # 可视化对比
    plt.figure(figsize=(10, 5))
    plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('Original')
    plt.subplot(122), plt.imshow(equ, cmap='gray'), plt.title('Equalized')
    plt.show()
    return equ

局限性：全局方法可能过度增强噪声区域，或导致局部细节丢失。

1.2 自适应直方图均衡化（CLAHE）

为解决全局均衡化的不足，CLAHE通过分块处理图像，对每个局部区域独立应用均衡化，并限制对比度拉伸幅度。

代码示例：

def clahe_enhancement(img_path):
    img = cv2.imread(img_path, 0)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    cl1 = clahe.apply(img)
    plt.imshow(cl1, cmap='gray')
    plt.title('CLAHE Enhanced')
    plt.show()
    return cl1

参数优化：clipLimit控制对比度限制阈值，tileGridSize决定分块大小，需根据图像内容调整。

二、空间域滤波增强：锐化与平滑的平衡

空间域滤波通过卷积操作直接修改像素邻域的值，实现图像锐化或平滑。

2.1 线性滤波：高斯滤波与均值滤波

• 高斯滤波：适用于降噪，通过加权平均保留边缘信息。

  def gaussian_filter(img_path, kernel_size=(5,5)):
      img = cv2.imread(img_path, 0)
      blurred = cv2.GaussianBlur(img, kernel_size, 0)
      return blurred

• 均值滤波：简单平均邻域像素，但可能导致边缘模糊。

2.2 非线性滤波：中值滤波与双边滤波

• 中值滤波：对脉冲噪声有效，通过排序邻域像素取中值。

  def median_filter(img_path, kernel_size=5):
      img = cv2.imread(img_path, 0)
      median = cv2.medianBlur(img, kernel_size)
      return median

• 双边滤波：结合空间邻近度与像素相似度，在平滑同时保留边缘。

2.3 锐化滤波：拉普拉斯算子

拉普拉斯算子通过二阶微分增强边缘，常与原图叠加以突出细节。

def laplacian_sharpening(img_path):
    img = cv2.imread(img_path, 0)
    laplacian = cv2.Laplacian(img, cv2.CV_64F)
    sharpened = cv2.addWeighted(img, 1.5, laplacian, -0.5, 0)
    return sharpened

三、频域滤波增强：傅里叶变换的应用

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，实现选择性增强。

3.1 傅里叶变换基础

import numpy as np
def fft_transform(img_path):
    img = cv2.imread(img_path, 0)
    dft = np.fft.fft2(img)
    dft_shift = np.fft.fftshift(dft)  # 中心化
    magnitude_spectrum = 20*np.log(np.abs(dft_shift))
    return magnitude_spectrum

3.2 高通滤波与低通滤波

• 高通滤波：保留高频成分（边缘、细节），抑制低频（平滑区域）。

  def high_pass_filter(img_path, radius=30):
      img = cv2.imread(img_path, 0)
      rows, cols = img.shape
      crow, ccol = rows//2, cols//2
      mask = np.ones((rows, cols), np.uint8)
      cv2.circle(mask, (ccol, crow), radius, 0, -1)  # 中心低频置零
      dft = np.fft.fft2(img)
      dft_shift = np.fft.fftshift(dft)
      fshift = dft_shift * mask
      f_ishift = np.fft.ifftshift(fshift)
      img_back = np.fft.ifft2(f_ishift)
      img_back = np.abs(img_back)
      return img_back

• 低通滤波：抑制高频噪声，但可能导致图像模糊。

四、色彩空间调整：HSV与Lab空间的应用

在RGB空间直接调整可能破坏色彩关系，而HSV（色相、饱和度、明度）和Lab（亮度、a、b通道）空间提供更独立的控制维度。

4.1 HSV空间增强

def hsv_enhancement(img_path, saturation_scale=1.5, value_scale=1.2):
    img = cv2.imread(img_path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    h, s, v = cv2.split(hsv)
    s = np.clip(s * saturation_scale, 0, 255).astype(np.uint8)
    v = np.clip(v * value_scale, 0, 255).astype(np.uint8)
    hsv_enhanced = cv2.merge([h, s, v])
    enhanced = cv2.cvtColor(hsv_enhanced, cv2.COLOR_HSV2BGR)
    return enhanced

4.2 Lab空间亮度增强

Lab空间的L通道代表亮度，独立于色彩信息，适合对比度调整。

def lab_enhancement(img_path, l_scale=1.3):
    img = cv2.imread(img_path)
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    l = np.clip(l * l_scale, 0, 255).astype(np.uint8)
    lab_enhanced = cv2.merge([l, a, b])
    enhanced = cv2.cvtColor(lab_enhanced, cv2.COLOR_LAB2BGR)
    return enhanced

五、试验总结与建议

1. 方法选择：根据图像噪声水平、对比度需求及色彩特征选择合适方法。例如，低光照图像优先尝试直方图均衡化或Lab空间增强。
2. 参数调优：CLAHE的clipLimit、双边滤波的sigmaColor等参数需通过实验确定最优值。
3. 组合策略：可结合多种方法，如先降噪（高斯滤波）再锐化（拉普拉斯）。
4. 评估指标：使用PSNR、SSIM等客观指标量化增强效果，辅助主观视觉评估。

通过本次试验，开发者可深入理解图像增强的技术原理，并掌握从空间域到频域、从灰度到色彩的多维度处理方法，为实际项目中的图像质量优化提供有力支持。