一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【图像增强】基于matlab直方图均衡化图像增强【含Matlab源码 960期】

获取代码方式2：
通过紫极神光博客主页开通CSDN会员，凭支付凭证，私信博主，可获得此代码。

获取代码方式3：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：开通CSDN会员，仅只能免费获得1份代码（有效期为开通日起，三天内有效）；
订阅紫极神光博客付费专栏，可免费获得2份代码（有效期为订阅日起，三天内有效）；

二、图像增强及直方图均衡化简介

1 图像增强
图像增强是对图像的某些特征，如边缘、轮廓、对比度等进行强调或锐化，以便于显示、观察或进一步分析与处理。通过对图像的特定加工，将被处理的图像转化为对具体应用来说视觉质量和效果更“好”或更“有用”的图像。
图像增强是最基本最常用的图像处理技术，常用于其他图像处理的预处理阶段。

（1）高通平滑、低通锐化；平滑模糊、锐化突出图像细节
（2）滤波器还有带通、带阻等形式
（3）根据噪声（椒盐噪声、高斯噪声…）的不同，选用不同的滤波
（4）邻域有4-邻域、对角邻域、8-邻域，相对应的有邻接，即空间上相邻、像素灰度相似
（5）图像边缘处理：忽略不处理、补充、循环使用
（6）目前尚未图像处理大多基于灰度图像

2 直方图均衡化
直方图均衡化主要用于增强灰度值动态范围偏小的图像的对比度。该方法的基本思想是把原始图像的灰度统计直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。数字图像是离散化的数值矩阵，其直方图可以被视为一个离散函数，它表示数字图像中每一灰度级与其出现概率间的统计关系。假设一幅数字图像f(x，y)的像素总数为N，ra表示第k个灰度级对应的灰度，nk表示灰度为r的像素个数即频数，用横坐标表示灰度级，用纵坐标表示频数，则直方图可定义为®=，其中，P(n)表示灰度ry出现的相对频数即概率。直方图在一定程度上能够反映数字图像的概貌性描述，包括图像的灰度范围、灰度分布、整幅图像的亮度均值和阴暗对比度等，并可以此为基础进行分析来得出对图像进一步处理的重要依据。直方图均衡化也叫作直方图均匀化，就是把给定图像的直方图分布变换成均匀分布的直方图，是一种较为常用的灰度增强算法(2。直方图均衡化概括起来
包括以下三个主要步骤。
（1）预处理。输入图像，计算该图像直方图。
（2）灰度变换表。根据输入图像的直方图计算灰度值变换表。
（3）查表变换。执行变换x’=H(x)，表示对步骤1中得到的直方图使用步骤2得到的灰度值变换表进行查表变换操作，通过遍历整幅图像的每一个像元，将原始图像灰度值x放入变换表H(x)中，可得到变换后的新灰度值x’。
根据信息论的相关理论，我们可以知道图像经直方图均衡化后，将会包含更多的信息
量，进而能突出某些图像特征。假设图像具有n级灰度，其第i级灰度出现的概率为pi，
则该级灰度所含的信息量为：

整张图片的信息量为

信息论已经证明，具有均匀分布直方图的图像，其信息量H最大。即当
Po=Pi=…=pn-i=1/n时，(1.2)式有最大值。

三、部分源代码

close all;clear all;clc
a=imread('lena.jpg');
subplot(2,3,1);imshow(a);title('原图');
subplot(2,3,4);imhist(a);title('原图直方图');
b=histeq(a,256);
subplot(2,3,2);imshow(b);title('histeq函数直接均衡化');
subplot(2,3,5);imhist(b);title('直接均衡化后直方图');

I=a;
[m,n]=size(I);
h = zeros(1,256);
%I=double(I);
for i = 1:m
  for j = 1:n
    h(I(i,j)+1)=h(I(i,j)+1)+1;%统计原始图像各灰度出现次数，对应存放在h中
    end
end
new=zeros(1,256);%存放新灰度值个数
for i=1:256
    temp=0;
    for j=1:i
        temp=temp+h(j);%计算各灰度值的累计分布
    end
    new(i)=floor(temp*255/(m*n));%计算新的灰度值
end
y=zeros(m,n);
for i=1:m
    for j=1:n
        y(i,j)=new(I(i,j)+1);%由新的灰度值得到新的图像
    end
end

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.

图像增强

同学发给我一个高频电子书，我翻了两页后看到怀疑人生。（先上图）

这谁顶得住啊！看完我都要眼瞎了！于是我想到了骚操作——图像增强。

• 工具：matlab 、Mac系统的自动操作及预览

• Mac 批量操作pdf文件

图像增强的概念

增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合。
有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

图像增强的研究意义

图像增强处理是数字图像处理的一个重要分支。
很多由于场景条件的影响图像拍摄的视觉效果不佳，这就需要图像增强技术来改善人的视觉效果，比如突出图像中目标物体的某些特点、从数字图像中提取目标物的特征参数等等，这些都有利于对图像中目标的识别、跟踪和理解。图像增强处理主要内容是突出图像中感兴趣的部分，减弱或去除不需要的信息。这样使有用信息得到加强，从而得到一种更加实用的图像或者转换成一种更适合人或机器进行分析处理的图像。

图像增强的几种方法

图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征，使图像与视觉响应特性相匹配。
在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法和基于频域的算法两大类。
空域法是对图像中的像素点进行操作，用公式描述如下：
$$g(x,y)=f(x,y)\ast h(x,y)$$
其中是f(x,y)是原图像；h(x,y)为空间转换函数；g(x,y)表示进行处理后的图像。
基于空域的算法处理时直接对图像灰度级做运算，基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。
基于空域的算法分为点运算算法和邻域去噪算法 。

• 点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。

• 邻域增强算法分为图像平滑和锐化两种。
  平滑一般用于消除图像噪声，但是也容易引起边缘的模糊。常用算法有均值滤波、中值滤波。
  锐化的目的在于突出物体的边缘轮廓，便于目标识别。常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。

参考资料：百度百科-图像增强

图像增强的matlab代码

本次操作通过均值滤波消除图片模糊的表层，并且通过锐化增强图片中字体的质感。
不瞎逼逼，直接上代码

clear all;
clc;
file_path1 ='jpg/';
img_path_list1 = dir(strcat(file_path1,'*.jpeg'));
Len= length(img_path_list1);                                            % 获取图像总数量 (三个图片文件夹中图片数量一致)
% for k=1:Len
%     Img = imread([file_path1,'first',num2str(k),'.jpeg']);
%     imshow(Img)
% end
importPath='/Users/cheunghonghui/Documents/MATLAB/test/image_enhancement/jpg/';%此处为需要处理图片的文件夹地址
exportPath='/Users/cheunghonghui/Documents/MATLAB/test/re_pdf/';  %此处为处理后输出的文件夹地址
nAmount=101;        % 滤波半径
sigma=3;            % 高斯滤波方差 
threshold=0.04;     % 低对比度mask阈值，可根据下面src的直方图调整
amount=20;          % 文字增强的参数

for i = 1:Len
num = int2str(i);
% I=double(imread(importPath));
% I = double(imread('5.jpeg'));
% path = img_path_list1.folder{i};
aa = [importPath,num ,'.jpeg'];
I = double(imread(aa));
w1=fspecial('average',[nAmount,nAmount]);           % 均值滤波
avg=imfilter(I,w1);
src=I./avg;                                         % 利用均值滤波消除灰色区域
w2=fspecial('gaussian',[nAmount,nAmount],sigma);    % 高斯滤波
imgBlurred=imfilter(src,w2);
lowContrastMask = abs(src-imgBlurred)<threshold;    % 按阈值筛选低对比度区域
dst = src*(1+amount)+imgBlurred*(-amount);          % 减去高斯滤波结果是一种锐化
dst = double(src.*lowContrastMask+dst.*(~lowContrastMask)); % 原代码中copyTo函数的实现
res = im2uint8(dst);
% imshow(res);
num_1 = int2str(i);
a = [exportPath,num_1,'.png'];
imwrite(res,a);

 end

（上面的图像增强代码是在网上找的，加以修改变成本次工程的代码，年代久远，找不到出处，联权删）

图像增强实例的操作

操作思维：每次人工操作只能将一页的pdf转换成jpeg，面对577页的电子书文件，按照这种人工无脑式操作下来，我要枯了。于是我们要寻找一种解决重复无脑的转化pdf的操作过程。

操作流程：此刻需要吹爆mac的自动操作，matlab不能直接读取pdf文件，只能把pdf转化成jpeg文件来处理，这时候上网瞄了一眼其他的pdf转jpg的批量处理工具，要安装而且还要收费，好麻烦啊啊啊啊，所以用mac系统自带的自动操作来实现pdf批量转jpeg。

自动操作Apple的解释是这样的：

人工设置好各步进程(详细设置步骤请移步到这里)，坐等一分钟，jpeg就好辽。

为防止代码翻车，我先用代码处理一张图片，看图像增强的效果。

效果：大大增强了图像的清晰度，字体轮廓明显。不足之处是字体存在虚化现象，可能与代码中的滤波参数设置有关。

上面已经成功对一张图片进行图像增强，修改matlab代码，让其对所有图片进行同样的操作，最后输出图像增强后的png图片。
打开导出图片的文件夹，全选所有图像增强后的png文件，通过mac系统的预览转换成pdf。

最后，
告别朦胧美 ， 享受舒适。
爱护眼睛👁️，人人有责。

一、获取代码方式

获取代码方式1：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

获取代码方式2：
完整代码已上传我的资源：【目标跟踪】基于matlab红外图像弱小目标检测与跟踪【含Matlab源码 374期】

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、简介

0 引言
对于机载红外搜索跟踪系统等远距离目标探测系统, 目标在探测器上的成像往往只占几个像素点, 缺乏充分的目标结构信息, 并且由于图像背景的干扰及探测器扫描系统内部噪声的存在, 使得目标红外图像的信噪比较低。这样红外搜索跟踪系统探测空中运动目标时, 形成的目标红外图像, 实际上是由目标点、复杂的红外背景和噪声组成的序列图像。此类系统的目标检测过程实际上是在背景和噪声干扰的序列图像中进行弱小运动点目标的识别。

目前针对红外图像弱小运动点目标的检测问题所提出的各种算法可归纳为两大类:1) 滤除噪声的算法。图像流检测、基于“软判决”的最大合并积累检测等算法均是在滤除噪声的基础上, 解决剩余噪声与目标点的分离问题, 而当图像中存在较强的背景干扰时, 则上述以滤除噪声为主的算法往往目标检测效果不佳;2) 滤除背景的算法。例如, 基于数学形态学的目标检测算法、基本背景预测算法、最大化背景预测算法等各种滤除背景的目标检测算法, 主要以单帧红外图像运动点目标检测为主, 难以区分目标与强噪声点。

针对上述两类目标检测算法的局限性, 本文提出一种背景预测与目标轨迹搜索相结合的红外图像弱小运动点目标检测算法。该算法通过背景预测滤除目标图像中背景干扰, 再通过目标轨迹搜索使有规律运动的弱小点目标与强噪声点分离, 进而实现复杂背景及强噪声点干扰环境下, 弱小运动点目标的有效检测。

目标检测算法
本文提出的红外图像弱小点目标检测算法主要由3个部分组成:预处理、背景预测、组合帧上的目标轨迹搜索, 如图1所示。首先对输入的序列图像进行高通滤波, 滤除大量的噪声;然后利用背景预测算法计算背景图像, 再将原图像与背景预测图像相减得到序列残差图像, 来滤除背景干扰, 根据残差图像计算阈值, 确定少量的候选目标点;最后根据最大合并算法将序列残差图像形成组合帧图像, 在组合帧图像中搜索目标轨迹, 检测出点目标。

图1 目标检测算法框图
2 预处理
预处理的目的是减少图像中的噪声和杂波, 提高目标与背景的对比度, 增强图像数据的可用性。

目前已提出了多种图像预处理算法, 常用的算法有中值滤波、形态学滤波、高通滤波等。中值滤波算法具有边缘保护特性, 并可有效滤除高频噪声, 但易使图像模糊, 降低图像的对比度;形态学滤波算法也可有效滤除图像的高频噪声, 凸显图像的“奇异点”, 但是结构元素的选取相对比较复杂;高通滤波器可以使目标边缘锐化, 通过改变局部比例来扩大对比度, 有利于后续的目标轨迹搜索。

通过比较这几种常用的预处理算法之后, 本文采用易于实现且效果良好的高通滤波算法对红外图像进行预处理, 根据实际的红外图像特性, 采用5×5高通滤波模板, 如图2所示。

图2 5×5高通滤波模板
2 背景预测算法
在对红外图像高通滤波后, 采用背景预测算法来滤除红外图像中的背景干扰。目前, 已提出了多种基于背景预测的红外图像弱小点目标检测算法, 主要包括基本背景预测算法、最佳权重背景预测算法、最大化背景预测算法和最相似背景预测算法。其中, 基本背景预测算法和最佳权重背景预测算法适用于背景比较单一的红外图像目标检测;最大化背景预测算法和最相似背景预测算法适用于背景起伏较大的红外图像目标检测。本文采用基本背景预测算法来进行红外图像弱小运动点目标的检测。

2.1 背景预测的基本模型
背景预测的原理:背景像素点间相关性强, 而目标则是图像局部区域中的“奇异点”, 与周围背景像素点间差异较大。这样就可以由相邻背景图像点来预测背景中任何一点的灰度值, 通过图像实际灰度值与预测背景值相减得到预测残差, 目标的识别就变成在预测残差中根据门限来寻找灰度值突变点。
基本的背景预测模型为

m=0, …, M-1;n=0, …, N-1. (1)
式中:X0为M×N的红外图像;Y为预测图像;Wj为第j级权重, j=m×M+n对应当前的位置;Sj对应局域背景选取点的范围集合。
预测图像与输入图像之间的残差图像计算如下式:
E (m, n) =X (m, n) -Y (m, n) , (2)
式中:E (m, n) 为残差图像;X (m, n) 为原图像;Y (m, n) 为预测图像。
根据基本背景模型, 背景预测算法要解决的3个关键问题:邻域背景点的选取、权重的选取和阈值的选取。

2.2 基本背景预测算法
领域背景点的选取如图3所示, 标注为P的像素为当前要处理的像素点, 每个方格代表一个像素点, 灰色部分为所选择的背景点。可以看到点P的邻域背景点选择了其3×3邻域外的40个像素点。

权重按下式规定:

式中L为所选背景点的个数, 所选背景点如图3所示, 则L=40, 这是一种等权值设置, 相当于将局域背景像素点的灰度值进行平均作为预测值。

图3 基本背景预测算法的背景选点
如果将图3的选点方法对应成一个滤波器模板, 则可用下式表示:

选定了邻域背景点和权重然后根据 (1) 式计算红外图像背景图, 利用 (2) 式计算残差图像。
根据背景预测算法的原理可知, 残差图像主要包含目标点和噪声点, 利用残差图像的统计特性, 设X¯¯¯为残差图像的均值, σ为残差图像的均方差, 根据3σ准则, 则阈值可定为

如果E (m, n) >β则保留像素灰度值, 否则将像素灰度值设为0.
由于基本背景预测算法所选用的权重模板相当于一个均值滤波器, 所以基本背景预测算法适用于背景均匀的红外图像弱小点目标检测。

2.3 组合帧上检测目标轨迹
经过上述背景预测算法得到的残差图像中包含了高频噪声、目标点和少量的背景点, 经过阈值处理可以确定一些候选目标点, 但还不能准确将目标分离出来, 须进一步利用序列图像中目标运动的连续性和一致性来定位目标点。
将含有少量候选目标点的序列图像进行最大合并累积形成组合帧图像, 并在组合帧图像上搜索目标轨迹。形成组合帧图像和搜索目标轨迹的具体步骤如下:

1. 组合帧图像的形成。将序列图像侯选目标点叠加到组合帧图像中, 如多幅图像相同位置出现侯选目标点, 则将其灰度值进行累加, 构成组合帧该点灰度值, 如 (6) 式。
   
   式中:Dc代表组合帧;Di为包含侯选目标点的序列图像。

2. 目标运动轨迹搜索。在组合帧图像Dc内, 点目标运动将留下一段轨迹, 可以假设在短时间内, 目标轨迹为一条直线。对组合帧图像中的每个后续目标像素点, 定义一个m×n的邻域, 在此邻域内的4个方向上搜索目标轨迹, 邻域搜索方向如图4所示。
   
   图4 邻域搜索方向
   将搜索方向上的候选目标点像素值进行累加, 即令
   
   式中track表示搜索方向上候选目标像素点的集合。

3. 目标运动轨迹的判定。由于目标运动的连续性和一致性, 在目标轨迹方向上对应点的Itrack (x, y) 值应该较大。而对于噪声点, 由于其出现的随机性, 使得对应的Itrack (x, y) 值相对较小。所以对Itrack做判决, 设置门限值β, 若Itrack>β, 则判为在此点处有目标, 否则判为没有目标。由于序列图像中相同位置的候选目标点灰度值进行了叠加, 这样即使目标在视场中不动, 按上述检测规则, 其像素灰度值大于噪声点灰度值。

三、部分源代码

 clear
%生成待检测的图像im1；
im1=0.6*ones(128,128);
im1(80,90)=256;
im1(100,100)=256;
imshow(im1)
% 确定邻域的大小：5×5；
r=2;                      
k=1;
% 调用编写的函数计算图像的局域灰度概率矩阵；
P=target_detect(im1,r);      
figure
mesh(P)
%检测奇异点；
[Pr Pc]=find(P>k/(2*r+1)^2+0.1);  
figure
imshow(im1)
hold on                    
% 在图像im1上标出检测到的奇异点；
for i=1:length(Pr)           
plot(Pc(i),Pr(i),'g+')
end
hold on
im2=0.6*ones(128,128);
im2(81,90)=256;
im2(200,200)=256;
r1=1;
k1=1;
% 检测下一帧图像中奇异点位置（上一帧检测到的）附近邻域是否存在奇异点；
P1=target_refine(Pr,Pc,im2,r1);  
%确定奇异点的位置；
[Prt Pct]=find(P1>k1/(2*r1+1)^2+0.1);  
function P=target_detect(im,r)
% 功能:计算图像局域灰度概率矩阵
% 输入:im-RGB图像        r-局域半径
% 输出:P-局域灰度概率矩阵

% P-图像转换
if size(size(im),2)==3
im=rgb2gray(im); 
end

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.