研究生课程考试成绩单
（试卷封面）
任课教师签名：
日期：
注：1. 以论文或大作业为考核方式的课程必须填此表，综合考试可不填。“简要评语”栏缺填无效。
2. 任课教师填写后与试卷一起送院系研究生秘书处。
3. 学位课总评成绩以百分制计分。
数字图像处理实验报告
一、 实验目的
本次实验需完成任务2中的图像增强，其每组数据包含两幅图像，取自不同能量的X 线照射下的透视结果，实验实现两幅图像的显示、增强以及融合。
二、 原始图像特性分析
每一组图像数据包含着两幅图像信息，取自不同能量X 线照射下的透视结果，具有强相关性。原始图像的采样值超过4k 动态范围。
从给出的原始图像中我们可以发现，高能X 线照射下显示出来的原始图像在细节更加清晰，比如手枪中心部位，可以明显看出图像的细节部分更加突出，并且整体颜色偏亮。而低能X 线照射下显示出来的原始图像在边缘轮廓上更加清晰，比如手袋部分，线条更加明显，但是总体上较暗，细节部分的清晰度不如高能的图像，如图2-1-1以及图2-2-2圈出部分。下面给出五组数据读取原始图像结果：
图2-1-1 bag_1高能原始图像 图2-1-2 bag_1低能原始图像 图2-2-1 bag_2高能原始图像
图2-2-2 bag_3低能原始图像
三、 图像增强算法
在本次实验中，选取了两种增强算法以及图像融合对原始图像进行处理得出最终结果。
3.1 非锐化掩模（unsharp masking ）
Unsharp masking 算法的基本原理为将图像通过反锐化掩模进行模糊 预处理（低通滤波）产生钝化模糊图像，提取图像高频部分，再将高频部
图2-3-1 bag_3高能原始图像
图2-3-2 bag_3低能原始图像
图2-4-1 bag_4高能原始图像
图2-4-2 bag_3低能原始图像
图2-5-1 pc_board 高能原始图像
图2-5-2 pc_board 低能原始图像
分用一个参数放大后与原图像叠加，获得最终图像增强结果。
其最早应用于摄影技术中，以增强图像的边缘以及细节部分。由于安检图像中边缘部分以及图像细节部分比较重要，使用unsharp masking算法能得到较好的效果。
在本次实验中，首先读取图像数据，对图像中一些异常点进行去除，再用低通滤波对图像进行滤波达到去噪效果，后用拉普拉斯算子提取图像中的高频部分，将提取出来的高频部分乘上一个修正因子再加到原始图像中即得出增强后的图像。
3.2 同态滤波
在本次实验中实现了同态滤波。从图像成形的过程来看，可以将图像看成是照射光和反射光的乘积。入射分量在空间上具有缓慢变化的特点，是频域中的低频分量，反射分量对应空间上快速变化的地方，是频域中的高频分量。假设原始图像为f(x,y)，入射分量为s(x,y), 反射分量为r(x,y)，则原始图像可以表示为：
f(x,y)=s(x,y)r(x,y); (3-2-1)采用同态滤波方法即首先将图像取对数，这样将相乘的两个分量可变为相加，即：
log(f(x,y))=log(s(x,y)r(x,y))=log(s(x,y))+log?(r(x,y)); (3-2-2)
典型的同态滤波方法是：原图先经过对数变换和快速傅里叶变换，变为频率域中两个分离的变量，然后根据不同需要，选取不同的传递函数实现增强，最后经过快速傅里叶反变换和指数变换获得最后的增强的图像[1]。
在本次实验中，选取的同态滤波函数为：
H(u,v)=(R??R l)?1
(1+c?D0
())
2n
+R l(3-2-3)
其中，D(u,v)为：
?D(u,v)=√[(u?M
2)
2
+(v?N
2
)
2
];(3-2-3)
M*N为图像大小，R?代表高频增益，R l代表低频增益，D(u,v)表示频率滤波中心(u0,v0)的距离。当R?和R l都大于1时，表示该滤波函数能同时抑制照明分量和增强反射分量，即减小了低频分量，增强了高频分量。C为锐化系数，用来控制滤波器函数斜面的锐化，在R?和R l之间过渡。
3.3 图像融合
由于本次任务实验数据有两组，分别为高能X线照射下的图像和低能X线照射下的图像，高能图像有更好的细节部分，而低能图像有更好的边缘轮廓部分，各有所长，图像融合可以根据两幅图像的相关性将有用的信息融合在一起。
本次实验采用基于小波变换的安检图像融合方法。首先对高能和低能图像进行二维离散小波变换，得到高能和低能的多分辨率分解图
像，然后基于一定的融合模型分别对高频子带和低频子带进行融合，得到融合后的结果，最后将融合后的系数进行小波反变换得到重构图像，即为所需要的融合图像。
在对低频子带融合时，选用平均与选择相结合的方法，首先计算一个以p 为中心的小窗口区域Q 内的能量值，用来表示图像的显著性，高能图像H 在p 点出的显著性E(H,P)可以表示为：
E (H,p )=∑ω(q)C N 2
(H,q)q∈Q
(3-3-1)
其中ω(q)表示反距离权重，当q 点离窗口中心p 越近时，其反
距离权重越大，根据显著性，可以定义相关的匹配矩阵R ：
R (p )=
∑ω(q)C N (H,q)C N (L,q)
q∈Q E (H,p )+E(L,p)
(3-3-2)
R 的取值范围在0~1之间，当高能图像和低能图像在p 点附近相
关性越高，R 越接近于1。
根据以上，融合系数表示为：
C N (M,p )=W (H,p )?C N (H,p )+W (L,p )?C N (L,p ) (3-3-3) 其中W (H,p )和W (L,p )的计算方法为：
{W (H,p )=w max ?,W (L,p )=w min ,????E (H,p )≥E(L,p)W (H,p )=w min ?,W (L,p )=w max ,???E (H,p )≥E (L,p )? (3-3-4) 其中，w max 和w min 为：
{w min =0，w max =1，??????????????????????????????????????????????R(p)≤αw min =12?12[1?R (p )
1?α],w max =1?w min ,??????R (p )>α
(3-3-5) 对于高频子带的融合在本实验中则取两者之间的较大值。
四、 实验结果和分析
下面首先给出使用unsharp masking 算法的结果图：
图4-1-1 bag_1 高能图像增强图
图4-1-2 bag_1 低能图像增强图
图4-1-3 bag_1 融合图像增强图 图4-1-4 bag_1目标图像
图4-2-1 bag_2 高能图像增强图
图4-2-2 bag_2 低能图像增强图
图4-2-3 bag_2 融合图像增强图
图4-2-4 bag_2 目标图像
图4-3-1 bag_3 高能图像增强图
图4-3-2 bag_3 低能图像增强图
图4-3-4 bag_3 目标图像
图4-3-3 bag_3 融合增强图像
图4-4-4 bag_4 目标图像
图4-5-1 pc_board 高能图像增强图
图4-5-2 pc_board 低能图像增强图
图4-4-1 bag_4 高能图像增强图
图4-4-2 bag_4 低能图像增强图
图4-4-3 bag_4 融合增强图像
同态滤波融合图像结果如下所示：
图4-5-3 pc_board 增强融合图
图4-5-4 pc_board 目标图像 图4-6-1 bag_1同态滤波结果图
图4-6-2 bag_2同态滤波结果图
图4-6-3 bag_3同态滤波结果图
图4-6-4 bag_4同态滤波结果图
实验分析：根据上述实验结果图可以看出，使用unsharpmasking 算法得出的效果较为理想，而且融合后的图像结合了高能图像和低能图像各自的优点，比两者分别处理效果更佳显著，但是距离目标图像还存在一定差距，实验处理过后图像背景较灰，清晰度没有目标图像高。同态滤波显示的结果较为柔和，而且背景不会有灰色的情况。同态滤波和unsharp masking 算法各有优点，在处理不同图像中有不同的结果。
五、 结论
在本次实验中，对图像增强有了进一步了解，查阅了unsharp masking 算法，同态滤波的应用以及retinex 算法，图像得到了增强，在运用unsharp masking 算法时，对高频部分的提取即本次实验选用拉普拉斯算子，拉普拉斯算子模板的选择以及修正系数的选择都会对增强结果产生影响。
在使用同态滤波时，初始阈值的选择，锐化系数的选择会对结果产生直接的影响。另外，在本实验处理后图像的灰度动态范围有些比较集中，需要对其进行裁剪进行灰度范围拉伸，否则图像整体会偏暗。
同时在本次实验中存在一些问题。 在同态滤波增强的算法中，经过傅里叶变换然后对频域进行处理后反傅里叶变换的结果为复数，原因还在查找中。
在两个算法实现过程中，最后都对灰度动态范围进行了剪裁，但是无法达到自适应剪裁，需要根据处理后的直方图进行人工调整，这点后续需要改进。
本次实验结果还有一些不太满意的地方，后续会继续完善，争取达到更好的效果。
六、 参考文献
[1]马龑, 张成义, 基于matlab 的同态滤波器的优化设计，南京信息工程大学, 2010, 应用光学, vol31, No.4
[2]李飞, X 射线安检图像融合技术的研究及应用, 东南大学,南京, 江苏
,2015
图4-6-5 pc_board 同态滤波结果图