基于Matlab的圖像增強(qiáng)與復(fù)原技術(shù)在SEM圖像中的應(yīng)用

　0引? 言

　　根據(jù)國(guó)內(nèi)外的相關(guān)文獻(xiàn)，研究和發(fā)展圖像處理工具，改善圖像質(zhì)量是當(dāng)今研究的熱點(diǎn)。圖像增強(qiáng)與復(fù)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(qiáng)化某些感興趣的特征，將原來(lái)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(jué)效果和圖像成分的清晰度，加強(qiáng)圖像判讀和識(shí)別效果的圖像處理的方法。圖像增強(qiáng)和復(fù)原的目的是對(duì)圖像進(jìn)行加工，以得到視覺(jué)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(jì)數(shù)據(jù)進(jìn)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(jí)具有均勻的概率分布，通過(guò)調(diào)整圖像的灰度值的動(dòng)態(tài)范圍，自動(dòng)地增加整個(gè)圖像的對(duì)比度，以使圖像具有較大的反差，大部分細(xì)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(jí)范圍為[p0，pk]，其目的是找到一個(gè)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(gè)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(gè)像素，則均衡化的直方圖G(q)就對(duì)應(yīng)均衡化的離散概率密度函數(shù)f，其函數(shù)的值是一個(gè)常數(shù)：

　　 式(2)的值替換式(1)的左邊，對(duì)于理想化的連續(xù)概率密度來(lái)說(shuō)，就可以得到精確的均衡化直方圖，這時(shí)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(lái)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(duì)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(duì)于圖像這樣的二維信號(hào)，經(jīng)過(guò)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(jìn)行圖像的增強(qiáng)操作。在分析圖像信號(hào)的頻率特性時(shí)，對(duì)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(xì)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(duì)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(wú)阻的過(guò)程稱為低通濾波。通過(guò)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(qiáng)作用。

　　在頻域中實(shí)現(xiàn)對(duì)圖像的濾波過(guò)程如下：

　　(1)對(duì)原始輸入圖像進(jìn)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(duì)圖像的頻譜函數(shù)F(u，v)進(jìn)行處理，得到輸出G(u，v)；

　　(3)G(u，v)再經(jīng)過(guò)傅里葉反變換，得到所希望的圖像。

　　1.3? 自適應(yīng)維納濾波

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

　　式中：N和M表示每個(gè)像素周圍的N×M局部鄰域。Winener2函數(shù)使用這些估計(jì)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(jì)方差的平均值作為其參數(shù)。

2基于Matlab中的圖像增強(qiáng)與圖像復(fù)原技術(shù)在SEM圖像中的應(yīng)用

　　采用該算法對(duì)醫(yī)學(xué)生物圖像進(jìn)行增強(qiáng)和復(fù)原的實(shí)現(xiàn)。如圖1所示，原始圖像的圖像模糊不清，動(dòng)態(tài)范圍小，整個(gè)圖像呈現(xiàn)低對(duì)比度。利用直方圖均衡化處理的圖像2，使整個(gè)圖像的對(duì)比度明顯增強(qiáng)，上皮細(xì)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(guò)低通濾波處理后的圖3，通過(guò)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(qiáng)作用，但因它去除了某些邊界對(duì)應(yīng)的頻率分量，使得上皮細(xì)胞的邊界變得有一點(diǎn)模糊緣效應(yīng)。經(jīng)過(guò)自適應(yīng)維納濾波得到的圖4，很好地改善了上皮細(xì)胞的圖像質(zhì)量，突出了上皮細(xì)胞的整體與局部特征，達(dá)到了很好的視覺(jué)效果和區(qū)別特征。

　　3? 結(jié)? 語(yǔ)

　　所用的原始圖片，是作者從事掃描電鏡工作過(guò)程中所拍到并且保存的照片，細(xì)胞與背景區(qū)分不明顯，無(wú)論怎么操作電鏡都無(wú)法達(dá)到客戶所希望的、清楚的細(xì)胞輪廓，與周圍環(huán)境區(qū)別明顯。圖像增強(qiáng)可以理解為按需要進(jìn)行適當(dāng)?shù)淖儞Q，對(duì)圖像的某些特征，如邊緣、輪廓的對(duì)比度等進(jìn)行強(qiáng)調(diào)或銳化，突出某些有用的信息，去除或消弱無(wú)用的信息，以便于顯示、觀察或進(jìn)一步分析和處理。圖像質(zhì)量的視覺(jué)評(píng)價(jià)是一個(gè)高度主觀的過(guò)程。

　　由圖1～圖4可見(jiàn)，原始圖片中的圖像模糊不清，對(duì)比度低，上皮細(xì)胞輪廓不明顯，與背景區(qū)分不大，在經(jīng)過(guò)直方圖均衡化，頻域低通濾波，自適應(yīng)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(jiàn)圖4自適應(yīng)維納濾波處理后的圖像)，其上皮細(xì)胞的輪廓非常明顯，對(duì)比度和亮度很適中，能很好地用于生物醫(yī)學(xué)工作來(lái)鑒別上皮細(xì)胞。通過(guò)數(shù)字圖像處理能夠很好地增強(qiáng)與改善生物醫(yī)學(xué)上這類圖像質(zhì)量，在掃描電鏡工作過(guò)程中，因細(xì)胞(上皮細(xì)胞，鈣細(xì)胞，神經(jīng)細(xì)胞等)與周圍環(huán)境太相似，無(wú)論怎么操作電鏡，都無(wú)法得到細(xì)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(xué)生物圖像的處理提供了一個(gè)技術(shù)平臺(tái)，不僅對(duì)生物醫(yī)學(xué)圖像的分析和診斷有著重要意義，而且對(duì)其他圖像處理也有著重要的參考意義。

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