基于Matlab的圖像增強與復原技術(shù)在SEM圖像中的應用

　0引? 言

　　根據(jù)國內(nèi)外的相關(guān)文獻，研究和發(fā)展圖像處理工具，改善圖像質(zhì)量是當今研究的熱點。圖像增強與復原是一種基本的圖像處理技術(shù)。其按照特定的需要突出一幅圖像中的某些信息或強化某些感興趣的特征，將原來不清晰的圖片變得清晰，使之改善圖像質(zhì)量和豐富信息量，提高圖像的視覺效果和圖像成分的清晰度，加強圖像判讀和識別效果的圖像處理的方法。圖像增強和復原的目的是對圖像進行加工，以得到視覺上更好、更加容易區(qū)分的圖像。

　　1圖像處理方法

　　1.1? 直方圖均衡化

　　直方圖均衡化(Histogran Equalization，HE)是利用直方圖的統(tǒng)計數(shù)據(jù)進行直方圖的修改，能有效地處理原始圖像的直方圖分布情況，使各灰度級具有均勻的概率分布，通過調(diào)整圖像的灰度值的動態(tài)范圍，自動地增加整個圖像的對比度，以使圖像具有較大的反差，大部分細節(jié)清晰。傳統(tǒng)的直方圖理論如下：

　　輸入的直方圖用H(p)表示；輸入的灰度級范圍為[p0，pk]，其目的是找到一個單調(diào)的像素亮度變換q=T(p)，使得輸出的直方圖G(q)在整個輸出亮度范圍[p0，pk]內(nèi)是均勻的。直方圖可以看作是離散的概率密度函數(shù)，變換T的單調(diào)性意味著有如下公式成立：

　　式(1)中的求和可以理解成離散概率密度函數(shù)的累積。假設(shè)圖像有M行和N列個像素，則均衡化的直方圖G(q)就對應均衡化的離散概率密度函數(shù)f，其函數(shù)的值是一個常數(shù)：

　　 式(2)的值替換式(1)的左邊，對于理想化的連續(xù)概率密度來說，就可以得到精確的均衡化直方圖，這時式(1)變化為：

　　式(4)中的積分被稱為累積的直方圖，在數(shù)字圖像中用求和來近似，因此結(jié)果直方圖并不是理想地等同的。在離散情況下，對式(4)的連續(xù)像素亮度變換的近似為：

　　1.2頻域低通濾波?

　　對于圖像這樣的二維信號，經(jīng)過傅里葉變換可以將其空間域轉(zhuǎn)換到頻率域，在頻域中可以進行圖像的增強操作。在分析圖像信號的頻率特性時，對于一幅圖像，直流分量表示了圖像的平均灰度；大面積的背景區(qū)域和緩慢變化部分代表了圖像的低頻分量，而它的邊緣，細節(jié)，跳躍部分以及顆粒噪聲都代表圖像的高頻分量。因此，在頻域中對圖像采用濾波器函數(shù)衰減高頻信息而使低頻信息暢通無阻的過程稱為低通濾波。通過濾波可以去除高頻分量，消除噪聲，起到平滑圖像去噪聲的增強作用。

　　在頻域中實現(xiàn)對圖像的濾波過程如下：

　　(1)對原始輸入圖像進行傅里葉變換，得到頻譜函數(shù)F(u，v)；

　　(2)利用傳遞函數(shù)H(u，v)對圖像的頻譜函數(shù)F(u，v)進行處理，得到輸出G(u，v)；

　　(3)G(u，v)再經(jīng)過傅里葉反變換，得到所希望的圖像。

　　1.3? 自適應維納濾波

　　自適應維納濾波圖像復原試圖利用退化現(xiàn)象的某種先驗知識(即退化模型)，對已退化了的圖像加以重建和復原，使復原的圖像盡量接近源圖像。圖像復原的目的就是盡可能復原被退化圖像的本來面目。實現(xiàn)圖像復原需要弄清退化原因，建立相應的數(shù)學模型，并沿著圖像質(zhì)量降低的逆過程對圖像進行復原。圖像復位技術(shù)對圖像退化的復原技術(shù)分為非約束復原方法、約束復原方法、非線性復原方法以及其他方法。在此，采用有約束圖像復原技術(shù)中的自適應維納濾波。該算法是用 Wiener2函數(shù)進行二維自適應去噪濾波；該函數(shù)可對一幅被加性噪聲污染的灰度圖進行低通濾波處理。它的運算法則是Winner2函數(shù)估計圖像A中每個像素周圍的局部均值和方差：

　　式中：N和M表示每個像素周圍的N×M局部鄰域。Winener2函數(shù)使用這些估計值，構(gòu)建像素式維納濾波為：

　　式中：v2為噪聲方差，如果不指定噪聲方差，Winner2函數(shù)將使用所有局部估計方差的平均值作為其參數(shù)。

2基于Matlab中的圖像增強與圖像復原技術(shù)在SEM圖像中的應用

　　采用該算法對醫(yī)學生物圖像進行增強和復原的實現(xiàn)。如圖1所示，原始圖像的圖像模糊不清，動態(tài)范圍小，整個圖像呈現(xiàn)低對比度。利用直方圖均衡化處理的圖像2，使整個圖像的對比度明顯增強，上皮細胞與周圍環(huán)境的區(qū)別明顯，但是圖像不平滑，有噪聲。經(jīng)過低通濾波處理后的圖3，通過濾波去除了高頻分量，消除了噪聲，起到了平滑圖像去除噪聲的增強作用，但因它去除了某些邊界對應的頻率分量，使得上皮細胞的邊界變得有一點模糊緣效應。經(jīng)過自適應維納濾波得到的圖4，很好地改善了上皮細胞的圖像質(zhì)量，突出了上皮細胞的整體與局部特征，達到了很好的視覺效果和區(qū)別特征。

　　3? 結(jié)? 語

　　所用的原始圖片，是作者從事掃描電鏡工作過程中所拍到并且保存的照片，細胞與背景區(qū)分不明顯，無論怎么操作電鏡都無法達到客戶所希望的、清楚的細胞輪廓，與周圍環(huán)境區(qū)別明顯。圖像增強可以理解為按需要進行適當?shù)淖儞Q，對圖像的某些特征，如邊緣、輪廓的對比度等進行強調(diào)或銳化，突出某些有用的信息，去除或消弱無用的信息，以便于顯示、觀察或進一步分析和處理。圖像質(zhì)量的視覺評價是一個高度主觀的過程。

　　由圖1～圖4可見，原始圖片中的圖像模糊不清，對比度低，上皮細胞輪廓不明顯，與背景區(qū)分不大，在經(jīng)過直方圖均衡化，頻域低通濾波，自適應維納濾波處理后，圖像逐步得以改善。最后得到的結(jié)果圖像 (見圖4自適應維納濾波處理后的圖像)，其上皮細胞的輪廓非常明顯，對比度和亮度很適中，能很好地用于生物醫(yī)學工作來鑒別上皮細胞。通過數(shù)字圖像處理能夠很好地增強與改善生物醫(yī)學上這類圖像質(zhì)量，在掃描電鏡工作過程中，因細胞(上皮細胞，鈣細胞，神經(jīng)細胞等)與周圍環(huán)境太相似，無論怎么操作電鏡，都無法得到細胞輪廓清楚，與背景區(qū)分明顯的理想圖像。數(shù)字圖像處理為醫(yī)學生物圖像的處理提供了一個技術(shù)平臺，不僅對生物醫(yī)學圖像的分析和診斷有著重要意義，而且對其他圖像處理也有著重要的參考意義。

??200多個MATLAB經(jīng)典教程和MATLAB論文請查看：matlab教程