精华内容
下载资源
问答
  • 对比度拉伸实验
    2021-05-24 01:38:02

    电子科技大学通信学院

    《图像对比度增强实验指导书》

    2011年6月

    图像对比度增强实验

    实验目的

    本实验是针对拟开设的《图像处理》课程而开发的综合性实验。该实验与概率统计、高等数学、信号处理等课程都有一定程度的联系。通过本实验,促使学生利用上述课程相关知识,更好地掌握图像增强的基本方法和原理。要求学生达到:掌握经典的数字图像空域增强算法的实现方法;了解实验所用的图像处理算法的运行效果;学会分析与比较各种方法的差异。

    实验内容与要求

    2学时:掌握图像对比度增强原理;

    2学时:掌握图像变换原理;

    2学时:给定输入图片,在MATLAB上实现线性变换增强和直方图增强仿真;

    8学时:构建图像采集系统,在已有的采集软件平台上将仿真算法用C语言实现;

    2学时:测试实际输入图片增强效果。

    实验开设方式

    本实验开设方式为两人一组实验,实验授课时间2学时,上机14学时。

    实验器材

    硬件环境:

    计算机一台;

    USB摄像头一个;

    三脚架一个;

    软件环境:

    Winxp操作系统;

    VC6.0开发环境;Open CV1.0,gsl-1.8

    实验原理

    图像增强的目的是针对应用或人们主观需求,对输入图像进行某种处理,使得处理后的图像在特定结构或对比度等方面有明显的改善,其源头可以追溯到1969年。随着应用需求的不断发展,世界各国对此问题展开了广泛的研究。

    特定结构或对比度不够清晰,可能来自质量不佳的成像设备、恶劣的大气条件、不恰当图像压缩算法等,其特点是图像中像素灰度集中在一个相对较小的范围,导致后端处理设备的观察者不能有效对图像进行判读。

    造成图像对比度不够清晰的原因是多方面,包括电子系统的热噪声、光照过强、光照过弱、目标反射率过低、大雾天气、逆光拍摄、压缩等等。由于其产生原因的多样性,导致图像对比度不够清晰在图像中体现出来的现象也不同,可以分为以下3类:整体偏暗、整体偏亮、分布在亮和暗的两端,并且有可能在空间分布上存在多个区域。

    现有的对比度增强技术根据其处理方法理论依据不同可分为:直方图均衡化、基于Retinex理论的图像增强、基于梯度场重建的图像增强;根据其处理范围,又可以分为全局处理与局部处理两大类。本试验将主要论述直方图均衡化和基于梯度场重建的图像增强两种方法,其中直方图均衡化仅描述基本原理,其实现由学生独立完成,而基于梯度场重建的图像增强方法,本实验将重点阐述,并给出参考代码,要求学生在此基础上进行进一步的完善。

    直方图均衡化的基本原理就是对图像进行灰度变换。灰度变换有逆反处理、阈值变换、灰度拉伸、灰度切分、灰度级修正、动态范围调整等方法。虽然它们对图像的处理效果不同,但处理过程中都运用了点运算,通常可分为线性变换、分段线性变换、非线性变换。其缺点是需要用户根据不同的图像调整不同的变换函数。灰度变换是最简单的对比度增强技术,它可增大图像动态范围,扩展对比度,使图像清晰、特征明显,是图像增强的重要手段之一。它主要利用点运算来修正像素灰度,由输入像素点的灰度值确定相应输出点的灰度值,是一种基于图像变换的操作。灰度变换不改变图像内的空间关系,灰度级的改变是根据某种特定的灰度变换函数进行。

    实验所需基本结构如图1所示。

    图1 实验所需基本结构图

    本实验把成像设备(即摄像头)采集的一幅图像,传入计算机,由图像增强技术算法实现的编程软件处理后,对图像进行增强,然后实时显示增强后的图像。

    图像对比度增强技术,不仅要保持图像整体的一致性,还需要对图像的局部区域进行增强处理,使其具有最佳的表现力。因此,本实验采用梯度场方法。技术方案特点有:

    梯度域增强避免了亮度不同对增强算子的影响

    重建图像是基于最小二乘法,与原始的图像在亮度方面不同

    重建图像在梯度域与原始图像具有强烈的相似性

    重建图像具有亮度平均值的相对保持性

    重建图像的边界条件周期延拓(采用DST变换要求)

    所有算子都是直接计算

    较为复杂的DST变换有快速算法

    算法原理

    计算机处理的图像是离散的网格数据,必须对前面的连续函数描述形式进行离散化处理。

    令原始图像为,增强后图像为,尺寸为(行X列),,,则增强后的梯度图像为:

    (1)

    是图像的梯度,,定义图像的一阶前向差分:

    是梯度图像提升因子,

    (2)

    其中是梯度场增益因子,取值为0.3~0.45,,是梯度场归一化因子,是梯度场归一化偏移因子,保证为有界值,取值为,。

    增强后的图像应满足:,根据变分原理可得,重建的图像与增强后的梯度图像满足如下泊松方程:

    (3)

    其中

    (4)

    增强梯度场G梯度的散度用后向一阶差分逼近:

    (5)

    求解泊松方程的边界条件为:将输入的原始图像扩展为(行X列),,,且满足:

    (6)

    重建图像的取值可能超出8bit范围,需要对其进行归一化处理

    ,(7)

    归一化后的图像为:

    (8)

    下面将阐述

    更多相关内容
  • 本文研究全球市场、主要地区和主要国家拉伸试验箱的销量、销售收入等,同时也重点分析全球范围内主要厂商(品牌)竞争态势,拉伸试验箱销量、价格、收入和市场份额等。 针对过去五年(2017-2021)年的历史情况,...

     

      本文研究全球市场、主要地区和主要国家拉伸试验箱的销量、销售收入等,同时也重点分析全球范围内主要厂商(品牌)竞争态势,拉伸试验箱销量、价格、收入和市场份额等。
      针对过去五年(2017-2021)年的历史情况,分析历史几年全球拉伸试验箱总体规模,主要地区规模,主要企业规模和份额,主要产品分类规模,下游主要应用规模等。规模分析包括销量、价格、收入和市场份额等。针对未来几年拉伸试验箱的发展前景预测,本文预测到2028年,主要包括全球和主要地区销量、收入的预测,分类销量和收入的预测,以及主要应用拉伸试验箱的销量和收入预测等。
       按收入计,2021年全球拉伸试验箱收入大约 百万美元,预计2028年达到 百万美元,2022至2028期间,年复合增长率CAGR为 %。同时2020年全球拉伸试验箱销量大约 ,预计2028年将达到 。2021年中国市场规模大约为 百万美元,在全球市场占比约为 %,同期北美和欧洲市场分别占比为 %和 %。未来几年,中国CAGR为 %,同期美国和欧洲CAGR分别为 %和 %,亚太地区将扮演更重要角色,除中美欧之外,日本、韩国、印度和东南亚地区,依然是不可忽视的重要市场。
      全球市场主要拉伸试验箱生产商包括Tinius Olsen、Thwing-Albert、Shimadzu、CSZ和Espec等,按收入计,2021年全球前四大厂商占有大约 %的市场份额。
      从产品类型方面来看,单柱型占有重要地位,按收入计,2021年市场份额为 %,预计2028年份额将达到 %。同时就应用来看,金属在2028年份额大约是 %,未来几年CAGR大约为 %。
    根据不同产品类型,拉伸试验箱细分为:
        单柱型
        双柱型
    根据不同应用,本文重点关注以下领域:
        金属
        塑料
        纸张
        纤维
        其他
    本文重点关注全球范围内拉伸试验箱主要企业,包括:
        Tinius Olsen
        Thwing-Albert
        Shimadzu
        CSZ
        Espec
        AML Instruments
        Weiss Technik North America
        CellScale
        东莞市立显仪器科技有限公司
        TA Instruments
        Tomsic
        Mark-10 Corporation
        SDL Atlas
        ACMAS Technologies
    本文重点关注全球主要地区和国家,重点包括:
        北美市场(美国、加拿大和墨西哥)
        欧洲市场(德国、法国、英国、俄罗斯、意大利和欧洲其他国家)
        亚太市场(中国、日本、韩国、印度、东南亚和澳大利亚等)
        南美市场(巴西和阿根廷等)
        中东及非洲(沙特、阿联酋和土耳其等)

    正文目录

    1 统计范围
        1.1 拉伸试验箱介绍
        1.2 拉伸试验箱分类
            1.2.1 全球市场不同产品类型拉伸试验箱规模对比:2017 VS 2021 VS 2028
            1.2.2 单柱型
            1.2.3 双柱型
        1.3 全球拉伸试验箱主要下游市场分析
            1.3.1 全球拉伸试验箱主要下游市场规模对比:2017 VS 2021 VS 2028
            1.3.2 金属
            1.3.3 塑料
            1.3.4 纸张
            1.3.5 纤维
            1.3.6 其他
        1.4 全球市场拉伸试验箱总体规模及预测
            1.4.1 全球市场拉伸试验箱市场规模及预测:2017 VS 2021 VS 2028
            1.4.2 全球市场拉伸试验箱销量(2017-2028)
            1.4.3 全球市场拉伸试验箱价格趋势
        1.5 全球市场拉伸试验箱产能分析
            1.5.1 全球市场拉伸试验箱总产能(2017-2028)
            1.5.2 全球市场主要地区拉伸试验箱产能分析
        1.6 拉伸试验箱市场发展趋势、驱动因素和阻碍因素分析
            1.6.1 拉伸试验箱市场驱动因素
            1.6.2 拉伸试验箱市场阻碍因素
            1.6.3 拉伸试验箱市场发展趋势
    2 主要厂商简介
        2.1 Tinius Olsen
            2.1.1 Tinius Olsen基本情况
            2.1.2 Tinius Olsen主要业务
            2.1.3 Tinius Olsen拉伸试验箱产品介绍
            2.1.4 Tinius Olsen拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.2 Thwing-Albert
            2.2.1 Thwing-Albert基本情况
            2.2.2 Thwing-Albert主要业务
            2.2.3 Thwing-Albert拉伸试验箱产品介绍
            2.2.4 Thwing-Albert拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.3 Shimadzu
            2.3.1 Shimadzu基本情况
            2.3.2 Shimadzu主要业务
            2.3.3 Shimadzu拉伸试验箱产品介绍
            2.3.4 Shimadzu拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.4 CSZ
            2.4.1 CSZ基本情况
            2.4.2 CSZ主要业务
            2.4.3 CSZ拉伸试验箱产品介绍
            2.4.4 CSZ拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.5 Espec
            2.5.1 Espec基本情况
            2.5.2 Espec主要业务
            2.5.3 Espec拉伸试验箱产品介绍
            2.5.4 Espec拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.6 AML Instruments
            2.6.1 AML Instruments基本情况
            2.6.2 AML Instruments主要业务
            2.6.3 AML Instruments拉伸试验箱产品介绍
            2.6.4 AML Instruments拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.7 Weiss Technik North America
            2.7.1 Weiss Technik North America基本情况
            2.7.2 Weiss Technik North America主要业务
            2.7.3 Weiss Technik North America拉伸试验箱产品介绍
            2.7.4 Weiss Technik North America拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.8 CellScale
            2.8.1 CellScale基本情况
            2.8.2 CellScale主要业务
            2.8.3 CellScale拉伸试验箱产品介绍
            2.8.4 CellScale拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.9 东莞市立显仪器科技有限公司
            2.9.1 东莞市立显仪器科技有限公司基本情况
            2.9.2 东莞市立显仪器科技有限公司主要业务
            2.9.3 东莞市立显仪器科技有限公司拉伸试验箱产品介绍
            2.9.4 东莞市立显仪器科技有限公司拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.10 TA Instruments
            2.10.1 TA Instruments基本情况
            2.10.2 TA Instruments主要业务
            2.10.3 TA Instruments拉伸试验箱产品介绍
            2.10.4 TA Instruments拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.11 Tomsic
            2.11.1 Tomsic基本情况
            2.11.2 Tomsic主要业务
            2.11.3 Tomsic拉伸试验箱产品介绍
            2.11.4 Tomsic拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.12 Mark-10 Corporation
            2.12.1 Mark-10 Corporation基本情况
            2.12.2 Mark-10 Corporation主要业务
            2.12.3 Mark-10 Corporation拉伸试验箱产品介绍
            2.12.4 Mark-10 Corporation拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.13 SDL Atlas
            2.13.1 SDL Atlas基本情况
            2.13.2 SDL Atlas主要业务
            2.13.3 SDL Atlas拉伸试验箱产品介绍
            2.13.4 SDL Atlas拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
        2.14 ACMAS Technologies
            2.14.1 ACMAS Technologies基本情况
            2.14.2 ACMAS Technologies主要业务
            2.14.3 ACMAS Technologies拉伸试验箱产品介绍
            2.14.4 ACMAS Technologies拉伸试验箱销量、价格、收入、毛利率及市场份额(2019、2020、2021和2022)
    3 全球市场拉伸试验箱主要厂商竞争态势
        3.1 全球市场主要厂商拉伸试验箱销量(2019、2020、2021和2022)
        3.2 全球市场主要厂商拉伸试验箱收入(2019、2020、2021和2022)
        3.3 全球拉伸试验箱主要厂商市场地位
        3.4 全球拉伸试验箱市场集中度分析
        3.5 全球市场拉伸试验箱主要厂商总部及产地分布
        3.6 全球主要厂商拉伸试验箱产能
        3.7 拉伸试验箱新进入者及扩产计划
        3.8 拉伸试验箱行业扩产、并购情况
    4 全球主要地区规模分析
        4.1 全球主要地区拉伸试验箱市场规模
            4.1.1 全球主要地区拉伸试验箱销量(2017-2028)
            4.1.2 全球主要地区拉伸试验箱收入(2017-2028)
        4.2 北美市场拉伸试验箱 收入(2017-2028)
        4.3 欧洲市场拉伸试验箱收入(2017-2028)
        4.4 亚太市场拉伸试验箱收入(2017-2028)
        4.5 南美市场拉伸试验箱收入(2017-2028)
        4.6 中东及非洲市场拉伸试验箱收入(2017-2028)
    5 全球市场不同产品类型拉伸试验箱市场规模
        5.1 全球不同产品类型拉伸试验箱销量(2017-2028)
        5.2 全球不同产品类型拉伸试验箱收入(2017-2028)
        5.3 全球不同产品类型拉伸试验箱价格(2017-2028)
    6 全球市场不同应用拉伸试验箱市场规模
        6.1 全球不同应用拉伸试验箱销量(2017-2028)
        6.2 全球不同应用拉伸试验箱收入(2017-2028)
        6.3 全球不同应用拉伸试验箱价格(2017-2028)
    7 北美
        7.1 北美不同产品类型拉伸试验箱销量(2017-2028)
        7.2 北美不同应用拉伸试验箱销量(2017-2028)
        7.3 北美主要国家拉伸试验箱市场规模
            7.3.1 北美主要国家拉伸试验箱销量(2017-2028)
            7.3.2 北美主要国家拉伸试验箱收入(2017-2028)
            7.3.3 美国拉伸试验箱市场规模及预测(2017-2028)
            7.3.4 加拿大拉伸试验箱市场规模及预测(2017-2028)
            7.3.5 墨西哥拉伸试验箱市场规模及预测(2017-2028)
    8 欧洲
        8.1 欧洲不同产品类型拉伸试验箱销量(2017-2028)
        8.2 欧洲不同应用拉伸试验箱销量(2017-2028)
        8.3 欧洲主要国家拉伸试验箱市场规模
            8.3.1 欧洲主要国家拉伸试验箱销量(2017-2028)
            8.3.2 欧洲主要国家拉伸试验箱收入(2017-2028)
            8.3.3 德国拉伸试验箱市场规模及预测(2017-2028)
            8.3.4 法国拉伸试验箱市场规模及预测(2017-2028)
            8.3.5 英国拉伸试验箱市场规模及预测(2017-2028)
            8.3.6 俄罗斯拉伸试验箱市场规模及预测(2017-2028)
            8.3.7 意大利拉伸试验箱市场规模及预测(2017-2028)
    9 亚太
        9.1 亚太不同产品类型拉伸试验箱销量(2017-2028)
        9.2 亚太不同应用拉伸试验箱销量(2017-2028)
        9.3 亚太主要国家拉伸试验箱市场规模
            9.3.1 亚太主要地区拉伸试验箱销量(2017-2028)
            9.3.2 亚太主要地区拉伸试验箱收入(2017-2028)
            9.3.3 中国拉伸试验箱市场规模及预测(2017-2028)
            9.3.4 日本拉伸试验箱市场规模及预测(2017-2028)
            9.3.5 韩国拉伸试验箱市场规模及预测(2017-2028)
            9.3.6 印度拉伸试验箱市场规模及预测(2017-2028)
            9.3.7 东南亚拉伸试验箱市场规模及预测(2017-2028)
            9.3.8 澳大利亚拉伸试验箱市场规模及预测(2017-2028)
    10 南美
        10.1 南美不同产品类型拉伸试验箱销量(2017-2028)
        10.2 南美不同应用拉伸试验箱销量(2017-2028)
        10.3 南美主要国家拉伸试验箱市场规模
            10.3.1 南美主要国家拉伸试验箱销量(2017-2028)
            10.3.2 南美主要国家拉伸试验箱收入(2017-2028)
            10.3.3 巴西拉伸试验箱市场规模及预测(2017-2028)
            10.3.4 阿根廷拉伸试验箱市场规模及预测(2017-2028)
    11 中东及非洲
        11.1 中东及非洲不同产品类型拉伸试验箱销量(2017-2028)
        11.2 中东及非洲不同应用拉伸试验箱销量(2017-2028)
        11.3 中东及非洲主要国家拉伸试验箱市场规模
            11.3.1 中东及非洲主要国家拉伸试验箱销量(2017-2028)
            11.3.2 中东及非洲主要国家拉伸试验箱收入(2017-2028)
            11.3.3 土耳其拉伸试验箱市场规模及预测(2017-2028)
            11.3.4 沙特拉伸试验箱市场规模及预测(2017-2028)
            11.3.5 阿联酋拉伸试验箱市场规模及预测(2017-2028)
    12 拉伸试验箱销售渠道分析
        12.1 拉伸试验箱销售渠道
            12.1.1 直销
            12.1.2 经销
        12.2 拉伸试验箱典型经销商
        12.3 拉伸试验箱典型客户
    13 研究结论
    14 附录
        14.1 研究方法
        14.2 研究过程及数据来源
        14.3 免责声明

    表格目录
        表1 全球市场不同产品类型拉伸试验箱收入(百万美元)&(2017 VS 2021 VS 2028)
        表2 全球不同应用拉伸试验箱收入(百万美元)&(2017 VS 2021 VS 2028)
        表3 Tinius Olsen基本情况、产地及竞争对手
        表4 Tinius Olsen主要业务
        表5 Tinius Olsen拉伸试验箱产品介绍
        表6 Tinius Olsen拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表7 Thwing-Albert基本情况、产地及竞争对手
        表8 Thwing-Albert主要业务
        表9 Thwing-Albert拉伸试验箱产品介绍
        表10 Thwing-Albert拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表11 Shimadzu基本情况、产地及竞争对手
        表12 Shimadzu主要业务
        表13 Shimadzu拉伸试验箱产品介绍
        表14 Shimadzu拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表15 CSZ基本情况、产地及竞争对手
        表16 CSZ主要业务
        表17 CSZ拉伸试验箱产品介绍
        表18 CSZ拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表19 Espec基本情况、产地及竞争对手
        表20 Espec主要业务
        表21 Espec拉伸试验箱产品介绍
        表22 Espec拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表23 AML Instruments基本情况、产地及竞争对手
        表24 AML Instruments主要业务
        表25 AML Instruments拉伸试验箱产品介绍
        表26 AML Instruments拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表27 Weiss Technik North America基本情况、产地及竞争对手
        表28 Weiss Technik North America主要业务
        表29 Weiss Technik North America拉伸试验箱产品介绍
        表30 Weiss Technik North America拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表31 CellScale基本情况、产地及竞争对手
        表32 CellScale主要业务
        表33 CellScale拉伸试验箱产品介绍
        表34 CellScale拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表35 东莞市立显仪器科技有限公司基本情况、产地及竞争对手
        表36 东莞市立显仪器科技有限公司主要业务
        表37 东莞市立显仪器科技有限公司拉伸试验箱产品介绍
        表38 东莞市立显仪器科技有限公司拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表39 TA Instruments基本情况、产地及竞争对手
        表40 TA Instruments主要业务
        表41 TA Instruments拉伸试验箱产品介绍
        表42 TA Instruments拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表43 Tomsic基本情况、产地及竞争对手
        表44 Tomsic主要业务
        表45 Tomsic拉伸试验箱产品介绍
        表46 Tomsic拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表47 Mark-10 Corporation基本情况、产地及竞争对手
        表48 Mark-10 Corporation主要业务
        表49 Mark-10 Corporation拉伸试验箱产品介绍
        表50 Mark-10 Corporation拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表51 SDL Atlas基本情况、产地及竞争对手
        表52 SDL Atlas主要业务
        表53 SDL Atlas拉伸试验箱产品介绍
        表54 SDL Atlas拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表55 ACMAS Technologies基本情况、产地及竞争对手
        表56 ACMAS Technologies主要业务
        表57 ACMAS Technologies拉伸试验箱产品介绍
        表58 ACMAS Technologies拉伸试验箱销量(台)、价格(美元/台)、收入(百万美元)、毛利率及市场份额(2019、2020、2021和2022)
        表59 全球市场主要厂商拉伸试验箱销量(2019、2020、2021和2022)&(台)
        表60 全球市场主要厂商拉伸试验箱收入(2019、2020、2021和2022)&(百万美元)
        表61 全球拉伸试验箱主要厂商市场地位(第一梯队、第二梯队和第三梯队)
        表62 全球市场拉伸试验箱主要厂商总部及产地分布
        表63 全球主要厂商拉伸试验箱产能(台):2021 VS 2022
        表64 拉伸试验箱新进入者及扩产计划
        表65 拉伸试验箱行业扩产和并购情况
        表66 全球主要地区拉伸试验箱销量(2017-2022)&(台)
        表67 全球主要地区拉伸试验箱销量(2023-2028)&(台)
        表68 全球主要地区拉伸试验箱收入(2017-2022)&(百万美元)
        表69 全球主要地区拉伸试验箱收入(2023-2028)&(百万美元)
        表70 全球不同产品类型拉伸试验箱销量(2017-2022)&(台)
        表71 全球不同产品类型拉伸试验箱销量(2023-2028)&(台)
        表72 全球不同产品类型拉伸试验箱收入(2017-2022)&(百万美元)
        表73 全球不同产品类型拉伸试验箱收入(2023-2028)&(百万美元)
        表74 全球不同产品类型拉伸试验箱价格(2017-2022)&(美元/台)
        表75 全球不同产品类型拉伸试验箱价格(2023-2028)&(美元/台)
        表76 全球不同应用拉伸试验箱销量(2017-2022)&(台)
        表77 全球不同应用拉伸试验箱销量(2023-2028)&(台)
        表78 全球不同应用拉伸试验箱收入(2017-2022)&(百万美元)
        表79 全球不同应用拉伸试验箱收入(2023-2028)&(百万美元)
        表80 全球不同应用拉伸试验箱价格(2017-2022)&(美元/台)
        表81 全球不同应用拉伸试验箱价格(2023-2028)&(美元/台)
        表82 北美不同产品类型拉伸试验箱销量(2017-2022)&(台)
        表83 北美不同产品类型拉伸试验箱销量(2023-2028)&(台)
        表84 北美不同应用拉伸试验箱销量(2017-2022)&(台)
        表85 北美不同应用拉伸试验箱销量(2023-2028)&(台)
        表86 北美主要国家拉伸试验箱销量(2017-2022)&(台)
        表87 北美主要国家拉伸试验箱销量(2023-2028)&(台)
        表88 北美主要国家拉伸试验箱收入(2017-2022)&(百万美元)
        表89 北美主要国家拉伸试验箱收入(2023-2028)&(百万美元)
        表90 欧洲不同产品类型拉伸试验箱销量(2017-2022)&(台)
        表91 欧洲不同产品类型拉伸试验箱销量(2023-2028)&(台)
        表92 欧洲不同应用拉伸试验箱销量(2017-2022)&(台)
        表93 欧洲不同应用拉伸试验箱销量(2023-2028)&(台)
        表94 欧洲主要国家拉伸试验箱销量(2017-2022)&(台)
        表95 欧洲主要国家拉伸试验箱销量(2023-2028)&(台)
        表96 欧洲主要国家拉伸试验箱收入(2017-2022)&(百万美元)
        表97 欧洲主要国家拉伸试验箱收入(2023-2028)&(百万美元)
        表98 亚太不同产品类型拉伸试验箱销量(2017-2022)&(台)
        表99 亚太不同产品类型拉伸试验箱销量(2023-2028)&(台)
        表100 亚太不同应用拉伸试验箱销量(2017-2022)&(台)
        表101 亚太不同应用拉伸试验箱销量(2023-2028)&(台)
        表102 亚太主要国家拉伸试验箱销量(2017-2022)&(台)
        表103 亚太主要国家拉伸试验箱销量(2023-2028)&(台)
        表104 亚太主要国家拉伸试验箱收入(2017-2022)&(百万美元)
        表105 亚太主要国家拉伸试验箱收入(2023-2028)&(百万美元)
        表106 南美不同产品类型拉伸试验箱销量(2017-2022)&(台)
        表107 南美不同产品类型拉伸试验箱销量(2023-2028)&(台)
        表108 南美不同应用拉伸试验箱销量(2017-2022)&(台)
        表109 南美不同应用拉伸试验箱销量(2023-2028)&(台)
        表110 南美主要国家拉伸试验箱销量(2017-2022)&(台)
        表111 南美主要国家拉伸试验箱销量(2023-2028)&(台)
        表112 南美主要国家拉伸试验箱收入(2017-2022)&(百万美元)
        表113 南美主要国家拉伸试验箱收入(2023-2028)&(百万美元)
        表114 中东及非洲不同产品类型拉伸试验箱销量(2017-2022)&(台)
        表115 中东及非洲不同产品类型拉伸试验箱销量(2023-2028)&(台)
        表116 中东及非洲不同应用拉伸试验箱销量(2017-2022)&(台)
        表117 中东及非洲不同应用拉伸试验箱销量(2023-2028)&(台)
        表118 中东及非洲主要国家拉伸试验箱销量(2017-2022)&(台)
        表119 中东及非洲主要国家拉伸试验箱销量(2023-2028)&(台)
        表120 中东及非洲主要国家拉伸试验箱收入(2017-2022)&(百万美元)
        表121 中东及非洲主要国家拉伸试验箱收入(2023-2028)&(百万美元)
        表122 拉伸试验箱典型经销商
        表123 拉伸试验箱典型客户
        图表目录
        图1 拉伸试验箱产品图片
        图2 全球市场不同产品类型拉伸试验箱收入市场份额(2021)
        图3 单柱型
        图4 双柱型
        图5 全球市场不同应用拉伸试验箱收入市场份额(2021)
        图6 金属
        图7 塑料
        图8 纸张
        图9 纤维
        图10 其他
        图11 全球拉伸试验箱收入(百万美元)&(台):2017 VS 2021 VS 2028
        图12 全球市场拉伸试验箱收入及预测(2017-2028)&(百万美元)
        图13 全球市场拉伸试验箱销量(2017-2028)&(台)
        图14 全球市场拉伸试验箱价格趋势(2017-2028)
        图15 全球市场拉伸试验箱总产能(2017-2028)&(台)
        图16 全球市场主要地区拉伸试验箱产能分析: 2021 VS 2028
        图17 拉伸试验箱市场驱动因素
        图18 拉伸试验箱市场阻碍因素
        图19 拉伸试验箱市场发展趋势
        图20 全球主要厂商拉伸试验箱销量份额(2021)
        图21 全球主要厂商拉伸试验箱市场份额(2021)
        图22 全球第一梯队、第二梯队和第三梯队拉伸试验箱厂商市场份额(2021)
        图23 全球前三大厂商拉伸试验箱市场份额(2021)
        图24 全球前五大厂商拉伸试验箱市场份额(2021)
        图25 全球前五大厂商拉伸试验箱市场份额(2021)
        图26 全球主要地区拉伸试验箱销量份额(2017-2028)
        图27 全球主要地区拉伸试验箱收入份额(2017-2028)
        图28 北美市场拉伸试验箱收入(2017-2028)&(百万美元)
        图29 欧洲市场拉伸试验箱收入(2017-2028)&(百万美元)
        图30 亚太市场拉伸试验箱收入(2017-2028)&(百万美元)
        图31 南美市场拉伸试验箱收入(2017-2028)&(百万美元)
        图32 中东及非洲市场拉伸试验箱收入(2017-2028)&(百万美元)
        图33 全球不同产品类型拉伸试验箱销量份额(2017-2028)
        图34 全球不同产品类型拉伸试验箱收入份额(2017-2028)
        图35 全球不同产品类型拉伸试验箱价格(2017-2028)
        图36 全球不同应用拉伸试验箱销量份额(2017-2028)
        图37 全球不同应用拉伸试验箱收入份额(2017-2028)
        图38 全球不同应用拉伸试验箱价格(2017-2028)
        图39 北美不同产品类型拉伸试验箱销量份额(2017-2028)
        图40 北美不同应用拉伸试验箱销量份额(2017-2028)
        图41 北美主要国家拉伸试验箱销量份额(2017-2028)
        图42 北美主要国家拉伸试验箱收入份额(2017-2028)
        图43 美国拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图44 加拿大拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图45 墨西哥拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图46 欧洲不同产品类型拉伸试验箱销量份额(2017-2028)
        图47 欧洲不同应用拉伸试验箱销量份额(2017-2028)
        图48 欧洲主要国家拉伸试验箱销量份额(2017-2028)
        图49 欧洲主要国家拉伸试验箱收入份额(2017-2028)
        图50 德国拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图51 法国拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图52 英国拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图53 俄罗斯拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图54 意大利拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图55 亚太不同产品类型拉伸试验箱销量份额(2017-2028)
        图56 亚太不同应用拉伸试验箱销量份额(2017-2028)
        图57 亚太主要地区拉伸试验箱销量份额(2017-2028)
        图58 亚太主要地区拉伸试验箱收入份额(2017-2028)
        图59 中国拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图60 日本拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图61 韩国拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图62 印度拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图63 东南亚拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图64 澳大利亚拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图65 南美不同产品类型拉伸试验箱销量份额(2017-2028)
        图66 南美不同应用拉伸试验箱销量份额(2017-2028)
        图67 南美主要国家拉伸试验箱销量份额(2017-2028)
        图68 南美主要国家拉伸试验箱收入份额(2017-2028)
        图69 巴西拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图70 阿根廷拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图71 中东及非洲不同产品类型拉伸试验箱销量份额(2017-2028)
        图72 中东及非洲不同应用拉伸试验箱销量份额(2017-2028)
        图73 中东及非洲主要地区拉伸试验箱销量份额(2017-2028)
        图74 中东及非洲主要地区拉伸试验箱收入份额(2017-2028)
        图75 土耳其拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图76 沙特拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图77 阿联酋拉伸试验箱收入及增速(2017-2028)&(百万美元)
        图78 拉伸试验箱销售渠道:直销和分销渠道
        图79 研究方法
        图80 研究过程及数据来源

    展开全文
  • 安全气囊是汽车乘员保护约束系统的一个重要组成模块...结合织布力学性能建立了基于粒子法的动态透气性仿真模型,通过试验压力和织布膨胀高度对比验证了材料的力学性能和透气性,为气囊的数值开发及对标工作奠定了基础。
  • ·对于部分图像,会出现整体较暗或较亮的情况,这是由于图片的灰度值范围较小,即对比度低。实际应用中,通过绘制图片的灰度直方图,可以很明显的判断图片的灰度值分布,区分其对比度高低。对于对比度较低的图片,...

    ·对于部分图像,会出现整体较暗或较亮的情况,这是由于图片的灰度值范围较小,即对比度低。实际应用中,通过绘制图片的灰度直方图,可以很明显的判断图片的灰度值分布,区分其对比度高低。对于对比度较低的图片,可以通过一定的算法来增强其对比度。常用的方法有线性变换,伽马变换,直方图均衡化,局部自适应直方图均衡化等。

    1. 灰度直方图及绘制

    灰度直方图用来描述每个像素在图像矩阵中出现的次数或概率。其横坐标一般为0-255个像素值,纵坐标为该像素值对应的像素点个数。如下图所示的图像矩阵(单通道灰度图,三通道时可以分别绘制),可以统计每个像素值出现的次数,也可以统计概率,统计像素值出现次数的灰度直方图如下所示。

    1483773-20190611223530605-1836261822.png

    1483773-20190611230817775-95219485.png

    灰度直方图绘制

    a, 可以利用opencv的calcHist()统计像素值出现次数,通过matploblib的plot()绘制

    b, 可以直接利用matploblib的hist()方法

    cv2.calcHist()

    参数:

    img:输入图像,为列表,如[img]

    channels: 计算的通道,为列表,如[0]表示单通道,[0,1]统计两个通道

    mask: 掩模,和输入图像大小一样的矩阵,为1的地方会进行统计(与图像逻辑与后再统计);无掩模时为None

    histSize: 每一个channel对应的bins个数,为列表,如[256]表示256个像素值

    ranges: bins的边界,为列表,如[0,256]表示像素值范围在0-256之间

    accumulate: Accumulation flag. If itis set, the histogram is not cleared in the beginning when it is allocated. This feature enables you to compute a single histogram from several sets of arrays, or to update the histogram intime.

    如下图所示,分别绘制了灰度分布曲线图,灰度分布直方图和两者叠加图形,代码如下:

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\maze.png",0)

    hist= cv.calcHist([img],[0],None,[256],[0,256])

    plt.subplot(1,3,1),plt.plot(hist,color="r"),plt.axis([0,256,0,np.max(hist)])

    plt.xlabel("gray level")

    plt.ylabel("number of pixels")

    plt.subplot(1,3,2),plt.hist(img.ravel(),bins=256,range=[0,256]),plt.xlim([0,256])

    plt.xlabel("gray level")

    plt.ylabel("number of pixels")

    plt.subplot(1,3,3)

    plt.plot(hist,color="r"),plt.axis([0,256,0,np.max(hist)])

    plt.hist(img.ravel(),bins=256,range=[0,256]),plt.xlim([0,256])

    plt.xlabel("gray level")

    plt.ylabel("number of pixels")

    plt.show()

    View Code

    1483773-20190612223116340-827573379.png

    c.通过np.histogram()和plt.hist()也可以计算出灰度值分布

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\maze.png",0)

    histogram,bins= np.histogram(img,bins=256,range=[0,256])

    print(histogram)

    plt.plot(histogram,color="g")

    plt.axis([0,256,0,np.max(histogram)])

    plt.xlabel("gray level")

    plt.ylabel("number of pixels")

    plt.show()

    np.histogram()

    ContractedBlock.gif

    ExpandedBlockStart.gif

    import cv2 ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\maze.png",0)

    rows,cols=img.shape

    hist= img.reshape(rows*cols)

    histogram,bins,patch= plt.hist(hist,256,facecolor="green",histtype="bar") #histogram即为统计出的灰度值分布

    plt.xlabel("gray level")

    plt.ylabel("number of pixels")

    plt.axis([0,255,0,np.max(histogram)])

    plt.show()

    plt.hist()

    2. 对比度增强

    对比度增强,即将图片的灰度范围拉宽,如图片灰度分布范围在[50,150]之间,将其范围拉升到[0,256]之间。这里介绍下 线性变换,直方图正规化,伽马变换,全局直方图均衡化,限制对比度自适应直方图均衡化等算法。

    2.1 线性变换

    通过函数y=ax+b对灰度值进行处理,例如对于过暗的图片,其灰度分布在[0,100], 选择a=2,b=10能将灰度范围拉伸到[10, 210]。可以通过np或者opencv的convertScaleAbs()函数来实现,对应参数列表如下:

    cv2.convertScaleAbs(src,alpha,beta)

    src: 图像对象矩阵

    dst:输出图像矩阵

    alpha:y=ax+b中的a值

    beta:y=ax+b中的b值

    (对于计算后大于255的像素值会截断为255)

    使用示例代码和效果图如下:

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg")

    print(img)

    img_bright= cv.convertScaleAbs(img,alpha=1.5,beta=0)

    print(img_bright)

    cv.imshow("img",img)

    cv.imshow("img_bright",img_bright)

    cv.waitKey(0)

    cv.destroyAllWindows()

    convertScaleAbs()

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg")

    a=1.5b=0y= np.float(a)*img+b

    y[y>255]=255y=np.round(y)

    img_bright=y.astype(np.uint8)

    cv.imshow("img",img)

    cv.imshow("img_bright",img_bright)

    cv.waitKey(0)

    cv.destroyAllWindows()

    numpy实现

    (实用性:numpy自定义实现时,可以针对不同区间像素点,采用不同系数a,b来动态改变像素值)

    1483773-20190612232424840-1694665209.png

    2.2 直方图正规化

    对于上述线性变换,系数a,b需要自己摸索设置。直方图正规化的系数固定,一般将原图片的像素值范围映射到[0,255]范围内。假设原图片的像素值分布范围为Input:[min, max], 映射后的范围为Output:[0,255], 则对应的系数a=(255-0)/(max-min), 系数b=0。即计算公式:

    1483773-20190612234154746-1158486747.png

    opencv提供了normalize()函数来实现灰度正规化,对应参数列表如下:

    cv2.normalize(src,dst,alpha,beta,normType,dtype,mask)

    参数:

    src: 图像对象矩阵

    dst:输出图像矩阵(和src的shape一样)

    alpha:正规化的值,如果是范围值,为范围的下限 (alpha – norm value to normalize to or the lower range boundaryin caseof the range normalization.)

    beta:如果是范围值,为范围的上限;正规化中不用到 ( upper range boundaryin case of the range normalization; it is not used forthe norm normalization.)

    norm_type:normalize的类型

    cv2.NORM_L1:将像素矩阵的1-范数做为最大值(矩阵中值的绝对值的和)

    cv2.NORM_L2:将像素矩阵的2-范数做为最大值(矩阵中值的平方和的开方)

    cv2.NORM_MINMAX:将像素矩阵的∞-范数做为最大值 (矩阵中值的绝对值的最大值)

    dtype: 输出图像矩阵的数据类型,默认为-1,即和src一样

    mask:掩模矩阵,只对感兴趣的地方归一化

    (对于alpha的值,不是很清楚含义,经过试验,应该是一个锚点,用像素矩阵中的范数计算出来的比例和alpha相乘,当dtype为cv2.NORM_MINMAX时,其计算公式类似如下:

    1483773-20190613220617230-1496984838.png

    使用示例代码和效果图如下:

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg")

    img_norm=cv.normalize(img,dst=None,alpha=350,beta=10,norm_type=cv.NORM_MINMAX)

    cv.imshow("img",img)

    cv.imshow("img_norm",img_norm)

    cv.waitKey(0)

    cv.destroyAllWindows()

    cv.normalize()

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg")

    out_min=0out_max=255in_min=np.min(img)

    in_max=np.max(img)

    a=float(out_max-out_min)/(in_max-in_min)

    b=out_min-a*in_min

    img_norm= img*a+b

    img_norm=img_norm.astype(np.uint8)

    cv.imshow("img",img)

    cv.imshow("img_norm",img_norm)

    cv.waitKey(0)

    cv.destroyAllWindows()

    numpy实现类似normalize

    1483773-20190613215437501-697904306.png

    2.3 伽马变换

    将输入图像的像素值除以255,归一化到[0,1]区间,然后计算其γ次方值,用公式表示如下,其中I(r,c)为归一化后的像素值,当γ=1时原像素值不影响,当0<γ<1时,增大像素值,提高图片对比度;反之γ>1时能降低图片对比度。

    1483773-20190613222717955-1686406676.png

    1483773-20190613223242977-1529816125.png

    实现代码和示例如下:

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg")

    img_norm= img/255.0#注意255.0得采用浮点数

    img_gamma= np.power(img_norm,0.4)*255.0img_gamma=img_gamma.astype(np.uint8)

    cv.imshow("img",img)

    cv.imshow("img_gamma",img_gamma)

    cv.waitKey(0)

    cv.destroyAllWindows()

    numpy实现伽马变换

    1483773-20190613224529246-433758417.png

    2.4 全局直方图均衡化

    直方图均衡化的目的是将原图片每个像素值的像素点个数进行重新分配到[0,255]的256个像素值上,使得每个像素值对应的像素点个数近似相等,即重新分配后,0-255的每个像素值对应的像素点个数近似为(rows*cols/256),(直方图均衡化对应的数学原理参考:https://blog.csdn.net/superjunenaruto/article/details/52431941)。opencv里面equalizeHist()函数实现了相应的功能,只能处理单通道数据,参数列表如下:

    cv2.equalizeHist(src,dst)

    src: 图像对象矩阵,必须为单通道的uint8类型的矩阵数据

    dst:输出图像矩阵(和src的shape一样)

    实现代码和示例如下:

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    import math

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg",0)

    img_equalize=cv.equalizeHist(img)

    cv.imshow("img",img)

    cv.imshow("img_equalize",img_equalize)

    cv.waitKey(0)

    cv.destroyAllWindows()

    opencv equalizeHist()

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    import math

    #统计灰度分布

    def calc_hist(img):

    rows,cols= img.shape[:2]

    hist=np.zeros(256,np.uint64) #注意此处的数据格式不要用np.uint8,会溢出但不报错for r inrange(rows):for c inrange(cols):

    hist[img[r,c]]+=1

    returnhist

    def equalize_hist(img):

    rows,cols= img.shape[:2]

    hist=calc_hist(img)

    #计算灰度累积分布

    hist_sum=np.zeros([256],np.uint32) #注意数据类型为np.uint32,防止溢出for i in range(256):if i==0:

    hist_sum[i]=hist[i]else:

    hist_sum[i]= hist[i]+hist_sum[i-1]

    #输出图像的灰度分布

    output_hist= np.zeros(256,np.uint8)

    cofficient= 256.0/(rows*cols)for i in range(256):

    q= cofficient*float(hist_sum[i])-1

    if q>=0:

    output_hist[i]=math.floor(q)else:

    output_hist[i]=0#输出图像的像素值

    output_img=np.zeros([rows,cols],np.uint8)for r inrange(rows):for c inrange(cols):

    output_img[r,c]=output_hist[img[r,c]]returnoutput_imgif __name__=="__main__":

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg",0)

    img_equalize=equalize_hist(img)

    cv.imshow("img",img)

    cv.imshow("img_equalize",img_equalize)

    cv.waitKey(0)

    cv.destroyAllWindows()

    使用numpy实现equalizeHist

    (通过numpy实现equalizeHist的算法思路参见直方图均衡化的数学原理,这里没写出。。。。。)

    1483773-20190613232548924-2107197332.png

    2.5 限制对比度自适应直方图均衡化

    相比全局直方图均衡化,自适应直方图均衡化将图像划分为不重叠的小块,在每一小块进行直方图均衡化,但若小块内有噪声,影响很大,需要通过限制对比度来进行抑制,即限制对比度自适应直方图均衡化。如果限制对比度的阈值设置会40,在局部直方图分布中某个像素值出现次数为45,那么多出的5次像素点会被去掉,平均成其他像素值,如图所示:

    1483773-20190615112519820-1424907531.png

    opencv通过createCLAHE()和apply()函数来实现,其对应参数如下:

    clahe=cv2.createCLAHE(clipLimit,tileGridSize)

    clipLimit:限制对比度的阈值,默认为40,直方图中像素值出现次数大于该阈值,多余的次数会被重新分配

    tileGridSize:图像会被划分的size, 如tileGridSize=(8,8),默认为(8,8)

    calhe.apply(img) #对img进行限制对比度自适应直方图均衡化

    代码示例和效果如下:(实际使用中可以先去噪声,再进行对比度增强)

    ContractedBlock.gif

    ExpandedBlockStart.gif

    #coding:utf-8import cv2ascv

    import matplotlib.pyplotasplt

    import numpyasnp

    import math

    img= cv.imread(r"C:\Users\Administrator\Desktop\dark.jpg",0)

    clahe= cv.createCLAHE(3,(8,8))

    dst=clahe.apply(img)

    cv.imshow("img",img)

    cv.imshow("dst",dst)

    cv.waitKey(0)

    cv.destroyAllWindows()

    createCLAHE()

    1483773-20190615111154090-72975261.png

    参考:

    官方文档:https://www.docs.opencv.org/4.1.0/

    展开全文
  • 牛奶蛋白纤维处理前后的试验数据对比也说明了低浓度酸碱溶液不会对牛奶蛋白纤维造成显著的损伤。研究表明,牛奶蛋白纤维及其产品应该在pH值为4~9的低浓度酸碱溶液中进行染整、后处理及维护保养。
  • 采用自制细化装置和测量单元对羊毛毛条进行拉伸细化,结合正交试验得出优化的预浸、...试验结果证明:细化拉伸处理后,羊毛细度、长度、光泽明显改善,但纤维伸长率变小,长度离散变大,这对纺织加工提出了新的要求。
  • 对不同样式的45钢和6082铝合金试件进行了拉伸、压缩、剪切、扭转等材料试验,对工程中使用的11个韧性断裂准则进行对比研究,并利用专业塑性成形分析软件对试验过程进行二维和三维情形的数值模拟。指出目前使用的韧性...
  • 研究了GLARE(glass fiber reinforced aluminium laminates)层板的基本成形性,通过拉伸试验测得了4种层板的性能参数,将这些性能参数进行对比分析,拟合出GLARE纤维不同方向的机械性能函数,据此函数获得了纤维...
  • Improving histogram-based image contrast enhancement using gray-level information histogram with application to X-ray images基于灰度信息直方图的X射线图像对比度增强改进Keywords:Image enhancement,Gray-...

    Improving histogram-based image contrast enhancement using gray-level information histogram with application to X-ray images

    基于灰度信息直方图的X射线图像对比度增强改进

    Keywords:Image enhancementGray-level information histogramHistogram equalizationX-ray image

    关键词:图像增强,灰度信息直方图,直方图均衡化,X射线图像

    A B S T R A C T

    Many applications of histogram-based techniques for the purposes of image enhancement are well known. However, these techniques often fail to produce satisfactory results for a broad variety of low-contrast images (e.g., X-ray images). In this paper, we propose a new form of histogram for image contrast enhancement. The input image is first divided into several equal-sized regions according to the intensities of gradients, their corresponding statistical values of gray levels are then modified respectively, and finally the processed histogram for the whole image is obtained by the summation of all the weighted values of regions. The fundamental characteristic of this new form of histogram is that the amplitudes of its components can objectively reflect the contribution of the gray levels to the representation of image information. Accordingly, this new histogram is called gray-level information histogram. The performance of many histogram-based enhancement techniques might be improved dramatically using the proposed histogram. Testing on the X-ray images validates the effectiveness of the new histogram.

    用于图像增强目的的基于直方图的技术的许多应用是众所周知的。然而,这些技术对于各种低对比度图像(例如,X射线图像)通常不能产生令人满意的结果。在本文中,我们提出了一种新的图像对比度增强直方图。首先根据梯度强度将输入图像分成几个相同大小的区域,然后分别修改相应的灰度统计值,最后通过所有加权值的总和得到整幅图像的处理直方图的地区。这种新的直方图形式的基本特征是其分量的幅度可以客观地反映灰度级对图像信息表示的贡献。因此,这个新的直方图被称为灰度信息直方图。使用所提出的直方图可以显着改善许多基于直方图的增强技术的性能。在X射线图像上进行测试可验证新直方图的有效性。

    1  Introduction

    X-ray images play a very important role in helping physicians make their diagnostic decision for treatment. However, the X-ray image quality is not always good because X-ray quantity radiated to the patient is limited considering patient safety. Image enhancement is a desired solution to that problem. Image enhancement techniques can be used to improve the visual appearance of an image, or to convert an image to a form better suited to the subsequent processing, such as segmentation, feature extraction,detection, and recognition. Thus, a considerable amount of research has focused on this subject and numerous enhancement techniques have been developed [1-6]. One of the most popular methods for image contrast enhancement is Global Histogram equalization ( GHE), which


    attempts to alter the gray-level histogram of an image to closely match a uniform distribution. Although the GHE method is simple and fast, its performance is not good enough in many cases due to its intrinsic limitations, such as the mean-shift problem ( i.e.,the mean brightness of the output image is significantly different from the input image) and relatively low enhancement power.

    1  简介

    X射线图像在帮助医生对治疗作出诊断决定方面起着非常重要的作用。但是,考虑到病人的安全性,辐射到病人的X射线量是有限的,故X射线图像质量并不总是好。图像增强是解决这个问题的理想方案。图像增强技术可用于改善图像的视觉外观,或将图像转换为更适合后续处理的形式,如分割,特征提取,检测和识别。因此,相当多的研究集中在这个问题上,并且已经开发了许多增强技术[1-6]。图像对比度增强最常用的方法之一是全局直方图均衡(GHE),它试图改变图像的灰度直方图使得与均匀分布紧密匹配。虽然GHE方法简单而快速,但由于其固有的局限性,如均值漂移问题(即输出图像的平均亮度与输入图像明显不同),其性能并不理想,增强功率相对较低。

      To overcome the aforementioned drawbacks, many variants of histogram equalization have been proposed [7-24]. In order to preserve the resulting image's brightness, Kim proposed Bright-ness Preserving Bi-Histogram Equalization (BPBHE) [8]. This method first separates the input image's histogram into two subhistograms based on the mean of the input image's brightness and then the two sub-histograms are equalized independently.Later, Chen and Ramli proposed an optimal extension of BPBHE,called Minimum Mean Brightness Error Bi-Histogram Equalization (MMBEBHE) [9]. This method separates the histogram using the threshold that would yield minimum brightness difference between the input image and the output image. Other solutions can be found in [10-13].

    为了克服上述缺点,已经提出了许多直方图均衡的变体[7-24]。 为了保持最终图像的亮度,Kim提出了亮度保留双直方图均衡(BPBHE[8]。该方法首先根据输入图像亮度的均值将输入图像的直方图分解为两个子图,然后对这两个子直方图进行独立均衡。之后,ChenRamli提出了BPBHE的最优扩展,称为最小平均亮度误差双直方图均衡化(MMBEBHE[9]。该方法利用阈值分离直方图,使输入图像与输出图像之间的亮度差最小。其他解决方案可以在[10-13]中找到。

    In some cases (e.g., medical image analysis), local details may bemore important than global contrast [4,5]. For these applications,the global HE method is inadequate because it cannot adapt to local brightness features of the input image due to the global nature of this technique. To overcome this drawback, some local histogram-equalization methods have been developed [4-6,14-19]. A natural extension of GHE technique is the termed adaptive histogram equalization (AHE), which maps the gray level values of pixels using the relationships obtained from the local histograms[6,14]. Since the AHE method must be conducted throughout all pixels in the entire image, the computational complexity of this technique is very high. This time-consuming procedure was improved by Pizer et al. with their contrast limited adaptive histogram equalization (CLAHE) [15]. It first divides the input image into blocks, and then calculates the mapping functions of those blocks. For each pixel, the mapping function is obtained by interpolating four mapping functions of the nearest blocks. In CLAHE,the amount of contrast is restricted by an adjustable parameter known as the "clipping level". In addition, Jin et al. Proposed Multi-scale adaptive histogram equalization (MAHE) [16]. The input image is first decomposed into sub-bands using wavelet transform. Then the high-frequency sub-band is treated with the  adaptive histogram equalization, and finally the processed subband is merged with the low-frequency sub-band to generate the resulting image.

    在某些情况下(例如医学图像分析),局部细节可能比全局对比更重要[4,5]。对于这些应用,直方图均衡方法(HE)是不够的,因为由于这种技术的全局性质,它不能适应输入图像的局部亮度特征。为了克服这个缺点,已经开发了一些局部直方图均衡方法[4-6,14-19]GHE技术的自然延伸称为自适应直方图均衡(AHE),它使用从局部直方图获得的关系映射像素的灰度值[6,14]。由于AHE方法必须在整个图像的所有像素中进行,因此该技术的计算复杂度非常高。这个耗时的过程由Pizer等人改进。与他们的对比限制自适应直方图均衡(CLAHE[15]。它首先将输入图像分成块,然后计算这些块的映射函数。对于每个像素,通过内插最近块的四个映射函数来获得映射函数。在CLAHE中,对比度受限于一个称为“限幅级”的可调参数。另外,Jin等人提出了多尺度自适应直方图均衡(MAHE[16]。首先使用小波变换将输入图像分解成子带。然后用自适应直方图均衡处理高频子带,最后将处理后的子带与低频子带合并以生成结果图像。

      The above mentioned histogram-based techniques have been widely used in a number of computer vision applications. However, they still have limitations and cannot handle certain classes of images well, such as X-ray images characterized by the fact that the amplitudes of their histogram components are very high at several gray-level bins corresponding to the large area background in these images. If using GHE technique, the resulting image will have washed-out appearance. This undesirable appearance also exists in the results of BPBHE and MMBEBHE, as they still implement the HE operation in each grayscale segment. Local adaptive techniques (e.g., CLAHE) may suffer from noise overenhancement or/and ringing artifacts. The main cause for different types of unsatisfactory results is that the frequency of gray levels in standard histogram is usually not consistent with their contributions to the representation of the image details. Note that most of histogram-based techniques rely on the basic principle that the dynamic range of gray levels is modified according to the probability distribution of gray levels in the entire image or local blocks. Fig. 1 is a simple example illustrating the aforementioned shortcoming of the standard histogram. Its histogram, as shown in Fig. 1(b), contains only two components. It is obvious that the frequency of the white gray level is quite larger than that of the black one. However, from the viewpoint of depicting the image details, the contribution of the black gray level is equivalent to that of the white one because there is no information (i.e., a sandwich) left in the image if we substitute the white gray level for the pixels of the black gray level.

    上述基于直方图的技术已被广泛用于许多计算机视觉应用。然而,它们仍然有局限性,并且不能很好地处理某些类型的图像,例如X射线图像,其特征在于其直方图分量的振幅在与这些图像中的大面积背景相对应的几个灰度分箱处非常高。如果使用GHE技术,所得到的图像将具有褪色外观。 BPBHEMMBEBHE的结果中也存在这种不希望的外观,因为它们仍然在每个灰度段中执行HE操作。局部自适应技术(例如,CLAHE)可能遭受噪声过强或/和振铃伪影。不同类型的不满意结果的主要原因是标准直方图中灰度级的频率通常与它们对图像细节表示的贡献不一致。请注意,大多数基于直方图的技术都依赖于基本原理,即根据整个图像或局部块中灰度级的概率分布修改灰度级的动态范围。图1是说明标准直方图的上述缺点的简单例子。它的直方图,如图1b)所示,只包含两个分量。很显然,白色灰度级的频率比黑色的频率高很多。然而,从描绘图像细节的角度来看,黑色灰度级的贡献等同于白色灰度级的贡献,因为如果我们用白色灰度级代替图像中的信息(即,三明治)黑色灰度级的像素。

    To overcome the drawback of the standard histogram, this paper proposes a new version of histogram named gray-level information histogram, in which the amplitudes of its components are cumulative summations of weighted statistical values of the gray levels in different regions. The motivation for this weighting process is to give different importance to each pixel in terms of its contribution to the representation of the image details. Exper imental results show that applying our new histogram to the histogram-based techniques can significantly enhance detailed regions and produce little noise overenhancement and few ringing artifacts.

    The rest of this paper is organized as follows: in Section 2, the algorithm and principle of the gray-level information histogram is described. Section 3 shows the comparison of the results using two different forms of histogram: Standard Histogram and Gray-level Information Histogram. Finally, some concluding remarks are made in Section 4.

    为了克服标准直方图的缺点,本文提出了一种新的直方图,即灰度信息直方图,其中各个分量的幅值是不同区域灰度加权统计值的累加和。这个加权过程的动机是对每个像素在其对图像细节表示的贡献方面赋予不同的重要性。实验结果表明,将我们的新直方图应用于基于直方图的技术可以显着增强细节区域,并且产生很少的噪声增强和少量振铃伪影。

    本文的其余部分组织如下:在第2节中,描述了灰度信息直方图的算法和原理。第3节显示使用两种不同形式的直方图的结果比较:标准直方图和灰度信息直方图。最后,在第4节中做出一些总结性发言。

    2. Gray-level information histogram

    It is known that the gradients in the image background are very low and the detailed regions are usually associated with high gradients. In other words, the regions with high gradients contain more

    detailed information than those with low gradients. Fig. 2 shows the comparison of the results of treating the X-ray image of two hands by GHE technique with five local histograms of equal-sized regions (i.e., Fig. 2(d), (g), (j), (m), and (p)), which are labeled with white pixels according to their intensities of gradients. Fig. 2(e) is the GHE result using the local histogram of regionl with the lowest gradients. Fig. 2(q) is the GHE result using the histogram of regions with the highest gradients. It is observed that the equalized image of Fig. 2(q) is better than the resulting image of Fig. 2(e), which indicates that the histogram distribution shape of the high-gradient regions is superior to that of the low-gradient regions for the image contrast enhancement. In other words, the histogram components of the high-gradient regions provide more accurate estimation of their contribution to the representation of detailed information than those of the low-gradient regions. This hypothesis has been proved to be correct in many cases (e.g., another test example can be found in Fig. 3). Furthermore, from the segmentation results, it can be seen that the original image, Fig. 2(a), contains a large area of background (i.e., regionl, region2, and most area of region3). The high amplitude of the histogram components corresponding to the large area background greatly limits the contrast-stretching ratio of small-scale image details. Therefore, the GHE result using the global standard histogram (Fig. 2(c)) exhibits washed-out appearante, as shown in Fig. 2(b). To overcome this problem, statistic values of background must be reduced. This can be achieved by suppressing the number of pixels in the regions with low gradients. Based on the above mentioned hypothesis, we developed a new form of histogram which is called gray-level information histogram. In contrast to the standard histogram, it has a different statistical operation. The statistical values of gray levels in different regions are modified according to their gradient magnitudes,and the final processed histogram for the whole image is obtained by summation of all the weighted values of regions.

    2.灰度信息直方图

    已知图像背景中的梯度非常低,细节区域通常与高梯度相关联。换句话说,比那些低梯度的区域,高梯度区域包含更多详细信息。图2显示了通过GHE技术处理两只手的X射线图像的结果与等大小区域的五个局部直方图(即,图2d),(g),(j),( m)和(p)),根据它们的梯度强度用白色像素标记。图2e)是使用区域1的局部直方图的梯度最低的GHE结果。图2q)是使用具有最高梯度的区域的直方图的GHE结果。据观察,图2q)的均衡图像优于图2e)的结果图像,这表明高梯度区域的直方图分布形状优于低梯度区域用于图像对比度增强的区域。换句话说,高梯度区域的直方图分量比低梯度区域的直方图分量更精确地估计它们对详细信息表示的贡献。在许多情况下,这个假设已被证明是正确的(例如,另一个测试例子可以在图3中找到)。此外,根据分割结果,可以看出,原始图像(图2a))包含大面积的背景(即区域1,区域2和区域3的大部分区域)。对应于大面积背景的直方图分量的高振幅大大地限制了小尺寸图像细节的对比度 - 拉伸比。因此,如图2b)所示,使用全局标准直方图(图2c))的GHE结果表现出明显的褪色。为了克服这个问题,必须减少背景的统计值。这可以通过抑制具有低梯度的区域中的像素数量来实现。基于上述假设,我们开发了一种新的直方图形式,称为灰度信息直方图。与标准直方图相比,它具有不同的统计操作。不同区域的灰度值的统计值根据其梯度幅度进行修改,并且通过区域的所有加权值的总和获得整个图像的最终处理直方图。

    2.1. Gray-level information histogram

    The gray-level information histogram is constructed as follows:

    (1) Smooth the image with a Gaussian filter mask to mitigate noise effects. This can be performed at different scales, by varying the size of the filter mask which corresponds to the variance of the Gaussian function.

    2.1 灰度信息直方图

    灰度信息直方图构造如下:

    1)用高斯滤波器平滑图像以减轻噪声影响。这可以通过改变与高斯函数的方差对应的滤波器掩模的大小在不同的尺度上执行。

    Fig. 2. Comparison of the GHE results using different local histograms of regions. (a)low-contract original imagr ,and (c)its corresponding standard histogram. Five regions marked with white pixels: (d) regionl 1, (g) regionl 2, (j) regionl 3,  (m) regionl 4, (p) regionl 5,their corresponding local histogram: (h) GHE (m) region4, (p) regions, their corresponding local histograms:(f), (i), (1), (o) (r), and their GHE results: (e), (h), (k), (n) and (q)

    2.使用区域的不同局部直方图比较GHE结果。 (a)低收缩的原始图像,和(c)相应的标准直方图。(d)区域11,(g)区域12,(j)区域13,(m)区域14,(p)区域15,其相应的局部直方图:(hGHEm)区域4 f),(i),(1),(o)(r)和它们的GHE结果:(e),(h),(k),(n) 和(q

    Fig.3. Test example. (a) Original Lena image, (h) result of GHE using local histogram of regionl and (c) result of GHE using local histogram of regions

    3.测试实例:(A)原始的Lena图像,(H)用区域的局部直方图表示的结果,(C)用区域的局部直方图表示的结果。

    (2) Calculate the gradient magnitude at each pixel using equations similar to the Sobel edge detector. A 3 x 3 pixel gradient operator is described by the pixel numbering convention of Fig. 4.The square root gradient is defined as:

    2)使用与Sobel边缘检测器相似的方程计算每个像素处的梯度幅度。一个3×3像素梯度算子由图4的像素编号惯例描述。平方根梯度定义为:

     

    Fig.4. Numbering convention for gradient calculation

    4.梯度计算的编号惯例

    where and  are the row gradient and the column gradient at respectively:

    其中和分别是处的行梯度和列梯度:

     

    (3) Divide the original image into a proper number of equal-sized regions (i.e., default five regions), according to ascending order of their intensities of gradients. Fig. 2 shows an example of this segmentation operation. Each pixel location in the original image has a specific statistical weighting coefficient depending on its gradient magnitude. The coefficients are determined as

    follows:

    3)根据梯度强度的升序,将原始图像分成适当数量的相同大小的区域(即默认的五个区域)。 图2显示了这种分割操作的一个例子。 原始图像中的每个像素位置具有特定的统计加权系数,取决于其梯度幅度。系数确定为如下:

     

    where denotes the limits of the gradient intervals,  is the statistical weighting coefficients (usuallydue to the different contribution to image contrast enhancement, the next half of Section 2 will discuss how to determine the optimal weighting coefficients).

    其中,表示梯度区间的界限,是统计加权系数(通常是对图像对比度增强的不同贡献,第二部分的下半部分将讨论如何确定最佳加权系数)。

    (4) Compute the cumulative summation of the weighted statistical values of each gray level in different regions:

    4)计算不同地区各灰度级加权统计值的累加和:

     

    where is the number of pixels at the gray level r in a certain region. N(r) is the summation of all weighted statistical values of the gray level r in the five regions. It should be pointed out that the standard histogram is a special case of our new histogram,that is, when  the components of the two types of histograms have the same values.

    其中是某个区域中灰度级r处的像素数量。Nr)是五个区域中灰度级r的所有加权统计值的总和。 应该指出的是,标准直方图是我们新的直方图的特例,也就是说,两种直方图的分量具有相同的值时

    2.2. Determination of the optimal parameters

    In the previous paragraph, we describe the basic procedure of this new histogram. In order to obtain desired histogram shape for image contrast enhancement, several problems should be solved.

    Here, we list these problems as follows:

    l Choose a proper number of equal-sized regions.

    l .Choose a robust method to evaluate the distribution of detailed information.

    l Choose the optimal weighting coefficients.

    2.2。 确定最佳参数

    在前一段中,我们描述了这个新直方图的基本过程。 为了获得期望的图像对比度增强的直方图形状,应该解决几个问题。

    在这里,我们列出这些问题如下:

    l 选择适当数量的相同大小的区域。

    l 选择一个稳健的方法来评估详细信息的分布。

    l 选择最佳的加权系数。

    As mentioned previously, we use a default value(i.e.5) as the number of regions. The choice of this number is also based on the fact that the percentage area of the detailed regions in the entire image is usually in the range of 20-80% (e.g., the detailed region covers nearly 20%area in the simple line drawing (Fig. 5(a)), but,over 70% in the complex image of a town, as shown in Fig. 5(d)). We choose the lowest limit ( i.e., 20%) as the size of the region, and therefore the corresponding total number of regions is five. Moreover,from multiple trials, we found that the resulting histogram shape is not very sensitive to the number of the regions if the number is over 4, and a large number of regions would cost more computationally.

    如前所述,我们使用默认值(即5)作为区域的数量。 这个数字的选择也是基于以下事实:整个图像中的详细区域的百分比面积通常在20-80%的范围内(例如,详细区域覆盖简单线条图中的近20%区域 图5a)),但在城镇的复杂图像中超过70%,如图5d)所示)。 我们选择最低限度(即20%)作为区域的大小,因此相应的区域总数为5。 此外,从多次试验中,我们发现,如果数量超过4,所得的直方图形状对区域数量不是很敏感,并且大量区域的计算成本会更高。

    The next problem is to develop a robust method to evaluate the distribution of details in a given image. This is important because it can provide useful information for estimating the regions' contribution for the image enhancement. Here, we propose a simple solution. We use the Canny edge detection technique to evaluatethe distribution of details. The Canny edge detection algorithm is a robust and accurate edge detection methods. The motivation for this solution is that if a region contains many details, it generally has large number of edge points. In other words, the amount of details is equivalent to the number of edge points. Therefore, the distribution of details in different regions is executed as follows: (1) detect the edge in the input image using the Canny edge detection operator; (2) count the number of edge points in different regions. Test examples are given in Fig. 5. The results of edge detection are shown in Fig. 5(e)-(h). The number of edge points in different regions is listed in Table 1.

    下一个问题是发展一种稳健的方法来评估细节在给定图像中的分布。这一点很重要,因为它可以为估计区域对图像增强的贡献提供有用的信息。在这里,我们提出了一个简单的解决方案。我们使用Canny边缘检测技术来评估细节的分布Canny边缘检测算法是一种稳健、准确的边缘检测方法。这个解决方案的依据是,如果一个区域包含许多细节,它通常有大量的边缘点。换句话说,换句话说,细节的数量相当于边缘点的数量。因此,在不同区域中的细节分布被执行如下:(1)利用Canny边缘检测算子来检测输入图像中的边缘;(2)计算不同区域的边缘点数。试验实例如图5所示。边缘检测结果如图5(E)-(H)所示。表1列出了不同区域的边缘点数。   

    The final problem is how to choose appropriate weighing coefficients in order to perform the weighting process to yield a desired histogram shape for image contrast enhancement. One can specify these coefficients in an empirical way to yield satisfactory results,but this precludes the new histogram from being applied in many cases in which full automatic processing are needed. Furthermore,since there are five parameters, direct trial-and-error requires a lot of work. Here, we developed a simple method to overcome this problem. Our idea is to normalize the number of edge points in different regions to generate their corresponding weighting coeffidents. The equation can be represented as follows:

    最后一个问题是如何选择合适的加权系数,以进行加权处理,从而得到所需的直方图形状以增强图像对比度。我们可以指定这些用经验方法得到满意结果的系数,但这就排除了新的直方图在许多需要全自动处理的情况下应用的可能性。此外,由于这里有五个参数,直接试验和错误测试需要做大量的工作.在这里,我们开发了一个简单的方法来克服这个问题。我们的想法是规范不同区域的边缘点的数目以产生相应的加权系数。方程可表示如下:

     

    where Ni is the number of edge points in region i,N5 denotes thenumber of edge points in regions 5 which contains the biggest number of edge points.

    其中Ni是区域I中的边点数,N5表示包含最大边点数的区域5中的边点数。

    Using Eq. (6), normalized weighting coefficients for Fig. 5(a)-(d ),are calculated and listed in Table 2. Here, we highlight some examples to show the effectiveness of this normalized operation. For the simple images, e.g., line drawing in Fig. 5(a), regions with the highest gradients covers all the details, as shown in Fig. 5(i), so that the weighting coefficients of other regions are zero which indicates these regions have no details. For more complex images,the regions does not capture all details (see zoomed images of Figs. 6 and 7), e.g., in Fig. 7, the minor textures on the cap are not included in the regions. Some details are located in region 4 and region 3, and the corresponding coefficients show their contribution to the representation of image details. It is worth noting that these results agree well with those of visual perception.

    使用Eq6)计算了图5a-d)的归一化加权系数,并列在表2中。这里,我们重点介绍一些示例,以说明这种规范化操作的有效性。对于简单的图像,例如图5a)中的线条图,具有最高梯度的区域覆盖了所有细节,如图5i)所示,使得其他区域的加权系数为零,表示这些 地区没有细节。 对于更复杂的图像,区域不捕获所有细节(参见图67的缩放图像),例如在图7中,帽子上的次要纹理不包括在区域中。 一些细节位于区域4和区域3中,并且相应的系数显示它们对图像细节表示的贡献。值得注意的是,这些结果与视觉感知的结果非常吻合。

    3. Experimental results and comparisons

    3.实验结果与比较

    Fig. 8. Comparison of the results for the line drawing using different enhancement techniques. (a) Low-contrast original image, and (b) its standard histogram, (c) Gray-level information histogram. Note that the amplitude of the rightmost component has been reduced. (d) Result of GHE, (e) result of CLAHE, and (f) result of optimized GHE; (g) histogram for (d), (h) Histogram for (e), and (i) histogram for (f)

    8.使用不同增强技术绘制线条的结果比较。(a)低对比度原始图像,(b)是其标准直方图,(c)灰度信息直方图。 请注意最右边的分量的振幅已经降低。(dGHE的结果,(eCLAHE的结果,以及(f)优化的GHE的结果; g)是(d)的直方图,(h)是(e)的直方图和(i)是(f)的直方图,

    Fig. 9. Comparison of the results for X-ray image of two hands using different enhancement techniques. (a) Original image, (h) result of GHE, (c) result of CLAHE, (d) result of optimized GHE, and (e) result of optimized CLAHE

    9.用不同的增强技术对两只手的X射线图像的结果进行比较。(A)原始图像,(H)HE的结果,(C)CLAHE的结果,(D)优化的HE(E)的结果。Clahe优化结果

    l To verify the effectiveness of our new form of histogram,we apply this new histogram to two conventional histogram-based image enhancement techniques: GHE method (a well-known global technique) and CLAHE method (a popular local adaptive technique). Incorporation of gray-level information histogram into the existing contrast enhancement techniques is straightforward. One only needs to insert the new histogram into these algorithms.In order to distinguish the enhancement methods using gray-level information histogram from the conventional methods using standard histogram, we define the method using the new histogram as"optimized method", e.g., optimized GHE method. Fig. 8 shows the optimized GHE result of the line drawing with comparison to the GHE result and CLAHE result. Fig. 8(a) illustrates a line drawing, and Fig. 8(b) its standard histogram which contams six nonzero components. Due to the highest amplitude of the rightmost component, the resulting histogram of GHE is shifted toward the left side of the grayscale and most of the grayscale is empty, which causes significant contrast loss of detailed regions,as shown in Fig. 8(d). Note that the contrast of GHE result is even worse than that the original image. Fig. 8(e) is the CLAHE result. It can be seen that although CLAHE method can produce strong contrast enhancement, the character or content of the image (e.g., pixel value order or the number of nonzero components) is changed due to the local mapping nature of this technique, which is undesirable for many applications. Fig. 5(i) shows that regions covers all the details in the line drawing, and the corresponding weighting coefficients are w1=w2=w3=w4=0,w5=1, which means that the components of the resulting histogram in Fig. 8(c) is only the frequency of gray levels in regions. Note that the amplitude of the rightmost component has been reduced. Fig. 8(f) shows the enhanced image using optimized GHE method, and Fig. 8(i) its histogram in which the six components are uniformly spread over the entire grayscale. It is obvious that the contrast of the optimized GHE result is better than those of the CLAHE result and the original image

    .

    为了验证新的直方图形式的有效性,我们将新的直方图应用于两种传统的基于直方图的图像增强技术:GHE(一种著名的全局技术)CLAHE方法(一种流行的局部自适应技术)。将灰度信息直方图纳入现有的对比度增强技术是很简单的.只需将新的直方图插入到这些算法中即可。为了区分采用灰度信息直方图的增强方法与传统的标准直方图增强方法,为了区分采用灰度信息直方图的增强方法与常规的标准直方图增强方法,本文将新直方图的增强方法定义为“优化法”。例如,优化的GHE方法。我们定义了以下方法:将新的直方图作为“优化方法”,如优化和方法。图8给出了绘制线图的优化结果,并与HE结果和CLAHE结果进行了比较。图8(A)是一条直线图,图8(B)是它的标准直方图,它包含六个非零分量。由于最右边分量的振幅最高,因此产生的GHE直方图向灰度左侧偏移,大部分灰度为空,导致详细区域的对比度明显下降,如图8d)所示。请注意,GHE结果的对比度甚至比原始图像还要差。图8(E)CLAHE结果。可以看出,虽然CLAHE方法可以产生很强的对比度增强,但图像的特征或内容(例如,像素值次序或非零分量的数量),由于这种技术的局部映射性质而改变,这在许多应用中是不可取的。图5i)显示了区域覆盖了线图中的所有细节,并且相应的加权系数是w1 = w2 = w3 = w4 = 0w5 = 1,这意味着图5中的结果直方图的分量 8c)只是地区灰度级别的频率。请注意,最右边的组件的振幅已经降低。 图8f)显示了使用优化的GHE方法的增强图像,以及图8i)其直方图,其中六个分量均匀分布在整个灰度上。结果表明,优化后的和图像的对比度明显优于CLAHE结果和原始图像的对比度。

    Fig.9 shows the comparison of the results of treating the X-ray image of two hands with different enhancement techniques including GHE, Optimized GHE, CLAHE and Optimized CLAHE. Fig. 9(a) shows a low-contrast X-ray image of two hands. Its GHE result,Fig.9(b), also looks faded and background noise has been amplifled. As mentioned in Section 2, the cause for this unsatisfactory appearance is that the background occupies nearly 60 percent of area in the original image and gray levels in this area are concentrated into a narrower range of grayscale (i.e., from 75 to 100 grayscale interval, as shown in Fig. 2(c)), which causes significant contrast loss of small detailed regions. Moreover, it can be seen that noise in the background is almost invisible before enhancement. However, it becomes apparent after enhancement. Fig. 9(d)shows the enhanced X-ray image after applying our new histogram into the GHE technique. It can be seen that the result of the optimized GHE technique is superior to that of the conventional GHE algorithm. The enhanced image, Fig. 9(d), not only exposes more image details, but also has little noise overenhancement.Fig. 9(c) shows CLAHE result, which is better than the GHE result (Fig. 9(b), but still has an undesirable appearance (i.e., noise overenhancement). Fig. 9(e) is the optimized CLAHE result. It is obvious that the optimized CLAHE algorithm outperforms the CLAHE and GHE techniques. Note that there is not much difference between the optimized CLAHE result and GHE result, and both images are satisfactory.

    9显示了不同增强技术治疗双手X线图像的结果比较,包括HE、优化的HECLAHE和优化的CLAHE。图9a)显示了双手的低对比度X射线图像。其结果,从图9(B)可以看出,图像褪色,背景噪声已放大。正如第2节所述,造成这种不令人满意的外观的原因是背景在原始图像中占据了接近60%的面积,并且该区域中的灰度级被集中到较窄的灰度范围(即,从75100灰度间隔,如图2c)所示),这会导致小的细节区域的明显的对比度损失。此外,可以看出,背景中的噪声在增强之前几乎看不见。但是,增强后会变得明显。图9d)显示了将新的直方图应用到GHE技术后的增强X射线图像。可以看出,优化的GHE技术的结果优于传统的GHE算法。增强图像(图9d))不仅可以显示更多的图像细节,而且噪声也不会过度增强。图9c)显示了CLAHE结果,它比GHE结果好(图9b)),但仍然具有不希望的外观(即,噪声过强),图9e)是优化的CLAHE结果。 CLAHE优化算法优于CLAHEGHE技术,注意CLAHE优化结果与GHE结果差异不大,且两幅图像均满意。

    From empirical results, we found that using our new histogram,even the simple method (e.g., GHE) can be conveniently applied to a broad variety of low-contrast images (e.g., simple line drawing,images with strong noise, etc.) and yields satisfactory results. More examples are given in Figs. 10 and 11.

    根据实验结果,我们发现使用我们的新直方图,即使是简单的方法(例如,GHE)也可以方便地应用于各种低对比度图像(例如,简单线条画,具有强噪声的图像等)和 产生满意的结果。更多的例子在图1011中给出。

    4. Conclusion

    It has been found that the regions with more details make great contribution to the image enhancement. However, the components of the standard histogram only show the frequency of gray levels,while ignoring the distribution of the details. This makes it difficult for many histogram-based techniques to generate satisfactory results. Therefore, this paper introduces a new form of histogram called gray-level information histogram. Compared with the conventional histogram, the amplitudes of its components can provide accurate assessment of the contribution of different gray levels to the image details depicting. Testing on various kinds of X-ray images shows that after using our new histogram, the optimized histogram-based techniques usually outperform the original methods with the same processing parameters. In addition, it should be pointed out that this proposed histogram is a new representation of the image. Like the standard histogram, it can be applied to other image processing applications, e.g., content-based image retrieval,which is currently under study in our research.

    4 结论

    已经发现具有更多细节的区域对图像增强作出了巨大贡献。但是,标准直方图的分量仅显示灰度级的频率,而忽略细节的分布。这使许多基于直方图的技术难以产生令人满意的结果。因此,本文介绍了一种称为灰度信息直方图的新形式直方图。与传统直方图相比,其分量的幅度可以准确评估不同灰度级对图像细节描绘的贡献。对各种X射线图像进行测试表明,在使用我们的新直方图之后,基于直方图的优化技术通常优于相同处理参数的原始方法。另外,应该指出的是,这个提出的直方图是图像的新表示。像标准直方图一样,它可以应用于其他图像处理应用,例如基于内容的图像检索,目前我们的研究正在进行研究。

    Acknowledgements

    This work was supported in part by the National Natural Science Foundation of China under Grant Nos. 60802051, 60875053,in part by Tianjin Natural Science Foundation under Grant No.09JCYBJC02100, in part by Youth Foundation of Tianjin University,and in part by China '863' High-Tech Program under Grant No.2007AA04Z219. M. Zeng would like to thank the support of CityUniversity of Hong Kong (Project No. 7002511).

    致谢

    国家自然科学基金资助项目(60802051,60875053)部分资助,天津自然科学基金资助项目09JCYBJC02100部分资助,天津大学青年基金资助项目部分资助, 863'高科技计划项目编号:2007AA04Z219M. Zeng感谢香港城市大学的支持(项目编号:7002511)。

     

    原文下载链接:https://download.csdn.net/download/thecentry/10528544

     

     

     

     

     

    展开全文
  • 为了利用单向拉伸试验机开展平板材料的剪切试验,设计了两种形状特殊的剪切试件,即对称剪切试件和偏置剪切试件,并对双相钢材料的两种试件分别进行了试验和数值计算,对比了两种试件的断口倾角、剪切工作区的剪应力分布...
  • 本实验应用有限元分析软件ANSYS构建出PD3型高铁钢轨试样和其周围空气层的有限元模型,对其在地磁场中拉伸试验的力磁效应进行模拟,得到不同载荷下应力的分布图以及其漏磁场的分布情况。通对分析,并将模拟结果与磁...
  • 济南金力试验仪器有限公司(济南金力试验机厂)生产的MaxTest型微机控制电液伺服系统为通用伺服油源系统,适用于油缸密封形式为间隙密封的万能机主机(包括油缸上置的A型机);油缸为双向缸的卧式拉力机及单拉;带中压的...
  • 在分析拉普拉斯算子、直方图均衡化、对比度拉伸时域算法以及高通滤波、同态滤波频域算法的基础上,结合一个实际海上船舶监控系统,对这些算法进行一一试验,综合破雾效果以及算法实用性得出高通滤波器具有最佳的实用...
  • 利用金相显微镜、扫描电镜、万能拉伸试验机、冲击试验机等检测手段,采用对比分析的方法研究了不同Ni质量分数对铁路货车摇枕、侧架用铸钢组织性能的影响,试验结果表明:随着 Ni质量分数增加,铸钢晶粒等级逐渐...
  • 原标题:材料电子万能拉力试验机一、产品介绍:该FL材料电子万能拉力试验机拥有FL先进的测控系统和测试软件,用于金属材料非金属材料复合材料高分子材料树脂材料等在常温或者高低温环境下的拉伸、压缩、弯曲、剪切、...
  • 利用电子显微镜等对试件拉伸断口进行了分析,通过对比2种开始加压时间下试件的显微组织和性能,研究了这2种方法对接头强韧性的影响。结果表明:采用设计的铝热焊接试验装置和优化出的随焊加压致密化工艺参数,可使...
  • 所提方法采用线性对比度拉伸来消除光照影响,并将模板图像各圆环内像素点的高斯混合模型聚类参数作为模板特征。匹配时通过一次迭代计算即可得到匹配误差,且该匹配过程可通过查找表来提高匹配速度。在目标搜索时使用...
  • 如未失效,则进一步进行试验分析,包括进行爆破试验、粘接强度试验等,对比胶管和卡箍性能衰减情况。经过多轮试验,不但掌握了PVT试验试验方法和关键影响因素,而且总结出胶管渗漏的主要原因如下。 a.低温渗漏,...
  • 采用搅拌铸造法制备粉煤灰增强铝基复合材料。...将制备的复合材 料与6061合金就磨损、拉伸强度性能进行对比试验试验结果表明 :该复合材料在常温下抗拉强 变差,而耐磨性与6061合金相比提高20倍以上。
  • 采用熔融共混法制备了成核剂390与成核剂NX8000改性聚丙烯(PP),并利用电子万能试验机、DSC、POM、雾计、SEM等表征手段对改性PP的力学性能、结晶行为、透明性及断面形态进行了对比研究.结果表明:与纯PP相比,成核...
  • 不等待即关注简介 硫化天然橡胶是一种非线性材料,具有低剪切模量、低弹性模量、几乎不可压缩和断裂伸长率高的特点。典型的橡胶单轴拉伸应力应变曲线如下图所示,我们可以通过宏观单元对于橡胶支...
  • 为了让实验结果更为置信可比,作者收集了45个用于对比试验的表格型数据集,这些数据集的采集和收集过程请参考原文,这里就不介绍了。由于原生的树模型无法对类别型特征进行处理(LightGBM除外,其采用了Fisher[2]的...
  • 【计算机视觉】数字图像处理(四)—— 图像增强

    千次阅读 多人点赞 2022-01-03 11:31:45
    注:傅立叶变换常用于将图像由空间域变换为频率域,详见:数字图像处理(三)—— 图像变换原理分析 一、图像增强的点运算 (一)灰度变换 灰度变换可调整图像的灰度动态范围或图像对比度,是图 像增强的重要手段之...
  • 计算机系统通过全数字控制器,经调速系统控制伺服电机转动,经减速系统减速后通过精密滚珠丝杠副带动移动横梁上升、下降,完成试样的拉伸、压缩、弯曲、剪切等多种力学性能试验,另外配置种类繁...
  • 另外,它们通常对比度差,并且肿瘤的强度值可能与健康的脑组织的强度值重叠。 因此,将健康组织与肿瘤区分开来并不容易。解决此问题的常用方法是整合从多种MR模态中获取的信息,模态包括: T1加权MRI(T1), 加造影...
  • 一般的算法流程可为:图像去燥、增加清晰度(对比度)、灰度化或者获取图像边缘特征或者对图像进行卷积、二值化等,上述四个步骤往往可以通过不同的步骤进行实现,后续将针对此方面内容进行专题实验
  • 比如删除或添加某人、更改背景、更改分辨率以适应特定的纵横比,无需对原视频进行压缩或拉伸它。本文中的这项新研究。可以帮助你在单个视频中以高清格式完成所有这些工作。 31、Skillful Precipitation Nowcasting ...
  • 比如删除或添加某人、更改背景、更改分辨率以适应特定的纵横比,无需对原视频进行压缩或拉伸它。本文中的这项新研究。可以帮助你在单个视频中以高清格式完成所有这些工作。 31、Skillful Precipitation Nowcasting ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 603
精华内容 241
热门标签
关键字:

对比度拉伸实验