图像增强

深度学习中的图像增强

图像增强是我们在深度学习领域中绕不开的一个话题,本文我们将讨论什么是图像增强,并在三个不同的 python 库中实现它,即 Keras、Pytorch 和 augmentation(专门用于图像增强的一个库)。所以第一个问题就是什么是图像增强以及常规的数据增强。

模糊图像处理方法:图像增强、图像复原、超分辨率重构

造成图像模糊的原因有很多,其中包括光学因素、大气因素、人工因素、技术因素等等,日常生产生活中对图像进行去模糊操作有其重要意义。要取得比较好的处理效果,不同原因导致的模糊往往需要不同的处理方法。从技术方面来向,模糊图像处理方法主要分为三大类,分别是图像增强、图像复原和超分辨率重构。

图像增强三大类别:点增强、空域增强、频域增强

图像增强是图像模式识别中非常重要的图像预处理过程。图像增强的目的是通过对图像中的信息进行处理,使得有利于模式识别的信息得到增强,不利于模式识别的信息被抑制,扩大图像中不同物体特征之间的差别,为图像的信息提取及其识别奠定良好的基础。图像增强按实现方法不同可分为点增强、空域增强和频域增强。

图像增强之图像复原

图像复原技术主要是针对成像过程中的“退化”而提出来的,而成像过程中的“退化”现象主要指成像系统受到各种因素的影响,诸如成像系统的散焦、设备与物体间存在相对运动或者是器材的固有缺陷等,导致图像的质量不能够达到理想要求。

图像增强之超分辨重建

超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在监控设备、卫星图像和医学影像等领域都有重要的应用价值。通过超分辨率重建我们可以让单张或多张不清晰的图片变得清晰,拯救拍照时使用的较低像素相机,亦或是将一张悠久而经典的低分辨率老照片轻松的在先进的高清显示器上播放。

图像增强——频域增强

在进行图像处理的过程中,获取原始图像后,首先需要对图像进行预处理,因为在获取图像的过程中,往往会发生图像失真,使所得图像与原图像有某种程度上的差别。在许多情况下,人们难以确切了解引起图像降质的具体物理过程及其数学模型,但却能估计出使图像降质的一些可能原因,针对这些原因采取简单易行的方法,改善图像质量。

图像增强——空域滤波

 空域滤波是基于邻域处理的增强方法,直接在图像所在的二维空间进行处理,即对每一个像素的灰度值进行处理。它应用某一模版对每个像素与其周围邻域的所有像素进行某种数学运算得到该像素的灰度值,新的灰度值的大小不仅域该像素的灰度值有关,而且还与其领域内的像素值值的灰度有关。

空域滤波是在图像空间通过邻域操作完成的,最常用的运算是模版运算,基本思路是将某个像素的值作为它本身的灰度值和其相邻像素灰度值的函数。模版可以看作是 n*n 的小图像,最基本的尺寸为 3 * 3 ,更大的尺寸如 5 * 5 ,7 * 7,最常用的是卷积模版,其基本步骤如下:

(1)将模板在图中漫游,并将模板中心与图中某个像素位置重合。
(2)将模板上的各个像素与模板下的各对应像素的灰度值相乘。
(3)将所有乘积相加(为保持图像的灰度范围,常常将灰度值除以模版中像素的个数)得到的结果赋给图中对应模板中心位置的像素。

如下3 * 3 的像素区域R与模版G的卷积运算:
R5(中心像素)=1/9(R1G1 + R2G2 + R3G3 + R4G4 + R5G5 + R6G6 + R7G7 + R8G8 + R9G9)

图像处理入门:图像增强之空域滤波

空域滤波分为:1. 图像平滑(去噪声);2. 图像锐化(突出轮廓)。

其中图像平滑的主要目的是:
1.模糊。在提取较大目标前,去除小的细节或将目标内的小间断连接起来的;
2.消除噪声。改善质量,降低干扰。

平滑滤波对图像的低频分量增强,同时削弱高频分量,用于消除图像中的随机噪声,起到平滑作用。

图像处理入门:图像增强之空域滤波

其中主要包括:1.均值滤波;2.中值滤波;3.高斯滤波。

均值滤波:

均值滤波采用线性的方法,平均整个窗口范围内的像素值,均值滤波本身存在着固有的缺陷,即它不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。均值滤波对高斯噪声表现较好,对椒盐噪声表现较差。

错误 | 电子创新网 Imgtec 社区

错误

网站遇到了不可预知的错误。请稍后再试。