如发现有乱码，请点击下面链接浏览原文
正文摘录:

应用科技第32卷析，计算出原始直方图分布，然后根据计算出的累计直方图分布f。，按式f。=[(Ⅳ一1)×￡。+0.5]对其取整并得出原灰度s。～￡。的灰度映射关系，其中Ⅳ为灰度的级数.重复上述步骤，得到所有的原图像各灰度级到目标图像各灰度级的映射关系，再按照新的映射关系对原图像各点像素进行灰度转换，即可完成直方图均衡化..图像经过直方图均衡化后，增加了动态范围，提高了图像的质量.但是由于灰度直方图只是近似的概率密度函数，当用离散的灰度等级做变换时，很难得到完全平坦均匀的结果.2.2.3自适应直方图均衡上面提到的方法对图像中的每一点都进行同样的运算，也就是说灰度映射函数与像素所处的位置无关，这种算法被称作全局性处理算法.它的优点是算法比较简单，计算速度较快，但是它的缺点也是显而易见的，它对所有的像素点做同样的处理，而没有考虑图像的局部特征“。.自适应的直方图均衡方法是：在实施直方图均衡前，先将原图像中的细节部分保存下来，在直方图均衡时再将这些细节加上.具体的算法如下：，『日(z；，／)+后(zu—m。J)0≤z。j≤255，％J。iH(％)其他.f2)式中：z“和z’¨分别是变换前后的图像灰度值，mu为以zi，为中心的窗邻域均值，日则为直方图均衡的变换函数.由式(2)可以看出H起到了直方图调节动态范围的作用，而矗(z“一m“)则起到了增强局部对比度的作用，相当于一个高通滤波器，它在强化细节的过程中也增强了高频噪声.为了能够达到预期的效果，使其在增强细节的同时还能滤掉背景噪声，关键就在于如何选取自适应参量矗.自适应参量矗应满足以下条件：当窗形的中心像素x“位于无图像细节处时，七一0，而位于图像细节处时，七一较大值，基于这种思路，选取窗形内邻域灰度方差作为自适应变量，表达式可以写为七=南’[(矿；／盯j)一1].(3)式中：盯；，为窗形内的灰度方差，r，：为整幅图像的噪声方差，忌’为比例系数.图2^值曲线令r。=盯；／盯：，则式(3)可以表示为后=矗’(r。一1)，由于图像邻域方差盯；，应大于或等于图像噪声方差，故r≥1，这可由图2表示.可以看到r=l，晟=0时，盯；，=盯j无图像细节存在，故在该邻域内的中心像素点上只进行直方图增强，r越大七值越大，也就是说，r＞1，盯；，＞∥：，此时邻域内有图像细节存在，南值变大，细节被增强.方形邻域形边长n的选择应考虑以下2个方面的因素：(1)边长n太小，邻域方差盯；.i对颗粒噪声过于敏感，使噪声得到强化；(2)n太大，一些不在细节上而是在细节邻域的噪声同样得到增强.经试验，一般取5×5或7×7的邻域较为合适.3超声医学图像灰度变换实验3.1超声图像灰度变换实验采用直接灰度变换法处理图像，结果如图3.(a)原图(b)反色(c)线性变换(d)窗口变换(e)阈值变换(f)灰度拉伸图3超声医学图像灰度变换图像经过上述各种增强方式处理后的图像，与原图像比较而言，更直观、清晰，容易分辨出感兴趣的区域(ROI)，利于医生做临床观察和确定患病区域.