图像增强方法研究

关键词： 重磁 图像增强 图像 应用

图像增强方法研究（精选十篇）

图像增强方法研究 篇1

一、图像的灰度直方图处理方法

在空间域对图像进行增强处理的方式有许多种, 如增强对比度和动态范围压缩等等, 但这些处理方式都是针对原始图像的每一个像素直接对其灰度进行处理的, 其处理过程主要是通过增强函数对像素的灰度级进行运算并将运算结果作为该像素的新灰度值来实现的。通过改变选用的增强函数的解析表达式就可以得到不同的处理效果, 这类处理方法比较灵活方便, 处理效果也不错, 但对于某些灰度分布很密集或对比度很弱的图像, 虽然也能起到一定的增强效果, 但并不明显。采用灰度直方图变换方法可以将原始图像密集的灰度分布变得比较疏散, 从而拉大图像的对比度并在视觉上达到明显增强的效果, 使一些原本不易观察到的细节能变得清晰可辨。图像的灰度直方图处理是通过改变原始图像各像素在各灰度级上的概率分布来实现的。

二、直方图均衡化处理方法

直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。这种方法通常用来增加许多图像的局部对比度, 尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法, 亮度可以更好地在直方图上分布, 对于背景和前景都太亮或者太暗的图像非常有用。该方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。

这种方法的一个主要优势就是它是一个相当直观的技术并且是可逆操作, 如果已知均衡化函数, 那么就可以恢复原始的直方图, 并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择, 它可能会增加背景噪声的对比度并且降低有用信号的对比度。

三、基于特征的增强方法

随着图像增强技术的发展, 基于特征的图像增强方法对于一些医学图像, 例如在钼靶X线图像中增强肿块和钙化点有更好的效果。主要包括两种方法, 一种方法是增强怀疑区域 (感兴趣区域) , 另一种方法是去除背景组织。

小波变换是一种线性时频展开方法, 在小波分解和重建钼靶X线图像过程中, 按需要改变有关的小波参数, 可以增强图像中感兴趣的部分, 抑制不需要的信号。数学形态学是一种比较成功的估算背景的方法。文献开创性地提出了一种基于数学形态学的non-flat“ball-shapped”三维结构元素, 并将其用于钼靶X线图像增强, 取得了良好的效果。文献[2]设计了一个去除背景纹理, 增强肿块的数学形态学图像增强算法, 算法首先采用两个white top-hat算子增强图像, 其形状结构元素分别是扁平结构元素 (flat) 和对称结构元素 (symmetric) , 再应用对比度拉伸运算进一步增强图像。

摘要：本文简要介绍图像增强的概念和图像增强技术分类, 从图像的灰度直方图处理方法、直方图均衡化处理方法和基于特征的增强方法三方面对图像增强方法进行讨论。

关键词：图像增强,灰度直方图,直方图均衡化,小波变换,数学形态学

参考文献

[1]Michael Wirth, Matteo Fraschini, Jennifer Lyon, Contrast enhancement of microcalcifications in mammograms using morphological enhancement and non-flat structuring elements, Proceedings of the17th IEEE Symposium on Computer-Based Medical Systems (CBMS’04) , 2004, pp.134～139

图像增强技术在重磁图像中的应用 篇2

本文综述了图像增强技术在位场数据中的应用现状,并介绍了两种改进的图像增强技术,用于增强重磁图像特征.一种方法借鉴了直方图平滑化的思想,应用于位场彩色影像的色谱的自动确定.该方法的应用能够使色彩合理地配置,从而保证了图像的.视觉效果和分辨率.另一种方法基于改进的Radon变化和梯度计算,用于重磁图像中线性特征的检测和增强.该方法能在变化域中突出显示线性特征,从而有利于线性特征的检测和增强.通过对简单图像和实际资料的应用,表明了两种方法在增强特征中的有效性.

作 者：张丽莉 郝天珧 吴健生 王家林 Zhang Lili Hao Tianyao Wu Jiansheng Wang Jialin 作者单位：张丽莉,郝天珧,Zhang Lili,Hao Tianyao(中科院地质与地球物理研究所,北京,100029)

吴健生,王家林,Wu Jiansheng,Wang Jialin(同济大学海洋与地球科学学院,上海,92)

基于云编码算法的图像增强研究 篇3

关键词： 云滴； 编码； 自适应； 权值

中图分类号： TP 393文献标志码： Adoi： 10.3969/j.issn.10055630.2014.04.009

引言图像增强是数字图像处理的基本内容之一，针对给定图像的应用场合，将原来模糊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，使处理后的图像对某些特定的应用比原来的图像更加有效[1]。目前在图像增强过程中采用的方法有：多尺度分析学算法可以增强图像中的轮廓和方向性纹理信息，但是直接在时（空）域中设计滤波器比较困难，并且计算量大；粒子群算法在图像增强过程中编程实现简单，但是算法运行后期易出现数据坍塌现象；模拟退火算法过程简单，鲁棒性强，但是却不能解决收敛速度和全局最优之间的矛盾[2]。本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数淘汰适应值小的个体。 1云理论描述云理论实现定性概念与定量值之间的不确定性转换[3]，设U是一个精确数值表示的定量论域，C是U上相联系的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现过程，x对C的确定度μ（x）∈[0，1]是有稳定倾向的随机数μ∶U→[0，1]ifx∈U

1.1云编码算法过程在云编码过程中，采用不定长的自然数编码机制，染色体的第一位置是图像含噪声源节点号，最后一个位置是消除噪声目的节点号[4]。染色体的编码由源节点到目的节点的序列组成。编码方案如下：计算开始时，随机生成一定数目N个个体（父个体1，父个体2，…，父个体N）。用2进制1、0来编码1个父个体。后面的变异和交叉操作只要改变二进制编码的结构，如1变成0，0变成1，这种信息排列方式在图像增强过程中比较容易获取和维护，在标记路径上获得染色体导向性信息。染色体的基因有2个要素：基因的位置（即数组的下标）代表节点ID，基因的值代表节点优先级，用于从多个候选邻接节点选择一个来构造路径，结合邻接矩阵将其扩展到多路径应用，由一个染色体生成一个子网。在图1表示的无向网络中，对于从节点1到节点4的数据优化方式，给定图2中的染色体，就确定了唯一一个由3条路径组成的优化方式。

1.2个体适应度计算本文的适应度函数是基于顺序的基础，其特点是个体被选择的概率与目标函数的具体值无关，仅与顺序有关。构造方法是先将种群中所有个体按目标函数值的好坏进行排序，设参数β∈（0，1），定义基于顺序的适应度函数为eval（Xi）=β·（1-β）i-1i=1，2，…，m（2）式中，Xi为种群个体按优劣排序后的第i个个体。

1.3选择将每代群体中的n个个体按适应度由大到小排列，排在第一位的个体性能最优，将其复制一个直接进入下一代，并排在第一位。下一代群体的另n-1个个体需要根据前代群体的n个体的适应度，采用赌轮选择法产生。具体地说，就是首先计算上代群体中所有个体适应度的总和（ΣXi），再计算每个个体的适应度所占的比例（Xi/ΣXi），以此作为其被选择的概率。这样选择方法既可保证最优个体生存至下一代，又能保证适应度较大的个体以较大的机会进入下一代[5]。交叉概率Pc和变异概率Pm的选择是直接影响算法收敛性的关键。为了防止产生早熟，陷入局部极值，本文的交叉概率随适应度改变，自适应的交叉概率能提供相对某个解的最佳交叉概率，在保持群体多样性的同时，保证算法的收敛。交叉概率的自适应调整算子为[5]Pc=Pc1-（Pc1-Pc2）（f′-favg）fmax-favgf′≥favg

Pc1f′

k2f

1.4图像目标函数优化在云滴数量确定的情况下，观察各云层是否满足图像增强优化，如不满足要求，通过整体目标函数F进行云模型的性能优化F=∑mj=1λj[Gj+Cj]（5）

式中，Gj为第j云层上的已优化云滴数目，Cj为第j云层上将优化云滴数目，m为云层数，λj为各项权重且∑λj=1。初始种群和产生的子代种群放在一起，形成新的种群，然后计算新的种群各个体的适应度，将适应度排在前面的个体保留[6]，将适应度排在后面的个体淘汰。每进化一次计算一下各个体的目标函数值，当相邻两次进化平均目标函数之差小于等于某一给定精度ε时，即满足如下条件：F（X（t+1））-F（Xt）≤ε（6）式中，F（X（t+1））=∑t+1j=1λj[Gj+Cj]t+1为第ε+1次进化后种群的平均目标函数值，F（Xt）=∑tj=1λj[Gj+Cj]t为第t次进化后种群的平均目标函数值，此时终止进化[78]。2实验结果实验采用MATLAB编程，其仿真结果如图3所示。在仿真实验中，图3（a）是含噪声图像，图3（b）是多尺度分析学含噪声图像，图3（c）是粒子群算法处理结果，图3（d）是模拟退火算法处理结果，图3（e）是本文算法处理结果。从处理的视觉效果看，本文算法改善了图像质量，突出了边缘分信息，同时压制噪声信息。表1给出了不同算法的处理时间，可以看出，本文算法不但处理时间少而且信噪比大。3结论本文采用云编码算法对图像进行增强，在云滴搜索最优解的过程中，采用不定长的自然数编码机制，云滴个体的适应度函数基于顺序的基础，个体被选择的概率与目标函数的具体值无关，仅与顺序有关，采用赌轮选择法产生新一代云滴，通过整体目标函数进行云模型的性能优化。实验仿真显示本文算法对图像增强效果最好，能够提高运算收敛速度和收敛效率，而且可以有效防止出现陷入局部最优、避免出现早熟现象，有着广泛的应用前景。

参考文献：

[1]李洪兵，余成波，张冬梅，等.基于脊波变换的手指静脉图像增强研究[J].重庆邮电大学学报，2011，23（2）：224230.

[2]高延峰，许瑛.混沌遗传模拟退火组合算法性能研究[J].计算机应用与软件，2008，25（11）：238240，267.

[3]李修海，于少伟.基于正态分布区间数的云滴获取算法[J].山东大学学报，2012，42（5）：130134.

[4]童明荣.城市物流系统规划研究[D].江苏：南京理工大学，2009：2035.

[5]时银水，郭栋.基于SAGA的区域防空雷达组网优化部署[J].微计算机信息，2007，23（30）：131133.

[6]张世钱，陈玉石，王珏明.遗传模拟退火算法解决纸箱生产的损耗问题[J].计算机应用与软件，2009，26（2）：194196.

[7]马捷，钟子发，黄高明.基于自适应变权免疫网络的电磁信号监测算法[J].北京邮电大学学报，2012，35（2）：5963.

[8]高晓燕，马军山，吴佳杰.手指静脉图像增强算法研究法[J].光学仪器，2010，32（4）：2932.

航拍图像效果增强软件研究 篇4

关键词：航拍图像,效果增强,软件实现

由于受到拍摄高度、飞行速度、天气、反射角不同、受光均匀度不等以及电磁干扰等因素的影响,导致航拍图像出现颜色失真、噪点较多、图像忽明忽暗等现象,严重影响了获取航拍图像的重要信息。因此,航拍图像的效果增强软件显得十分重要,目前,已有一些图像效果增强的软件如Adobe Photoshop等,但此类软件操作较复杂,对人员要求较高。文中针对航拍图像效果增强软件存在的上述问题,设计了一种小型专用软件,提高航拍图像的信息获取效率。

1 软件总体设计

软件的主要模块包括:颜色增强模块、图像恢复模块、图像变换模块、图像分析模块以及图像压缩模块。软件结构示意图如图1所示。软件各模块之间相互独立,无块间联系,同时各模块内部无块内联系。

2 软件主要图像处理算法

2.1 自适应中值滤波[1,2]

软件中自适应中值滤波主要用于降低图像噪声对图像质量的影响,其基本方法是首先将图像分为几个子块,通过对各子块中的像素进行噪声检测,将其分为噪声污染像素和未受污染两类。统计受污染像素的个数以确定子图像中噪声干扰大小,根据噪声干扰程度自适应地调整滤波窗口的尺寸;最后对子图像中的噪声点进行滤波处理。

假设Aij是对像点(i,j)进行滤波的工作窗口,fij为像点(i,j)灰度,fmin为Aij中的灰度最小值,fmax为Aij中的灰度最大值,fmed为Aij中的灰度中值,favg为Aij中的灰度均值,Amax为允许的最大窗口,A0为初始默认窗口。

自适应中值滤波算法的基本步骤如下

(1)计算z1=fmed-fmin,z2=fmed-fmax。

(2)如果z1>0,z2<0,那么转至步骤(4),否则转至步骤(3)。

(3)若fij=fmed,输出favg;否则增大窗口Aij尺寸。若Aij=Amax,则重复步骤(1)和步骤(2);否则输出fij。

(4)计算g1=fij-fmin,g2=fij-fmax。

(5)如果g1>0,g2<0,那么输出fij;否则,输出fmed。

在上述算法计算过程中,如果fmin

2.2 边缘检测算法

图像边缘是图像局部特性不连续性(灰度变换、颜色突变、纹理结构突变等)的反映,它标志着一个区域的终结和另一个区域的开始,因此,图像边缘信息的提取对于图像处理非常重要。特别是在航拍图像处理中,图像的边缘检测有利于对图像的目视以及计算机判读。

对于复杂航空图像边缘检测有效的方法是采用小波算子、广义模糊算子、基于热传递法以及结合误差图像法,但这些方法运算量较大、耗时长,不利于对航拍图像判读前的快速处理[3,4,5,6]。

为了简化边缘提取算法,文中主要采用复合型数学形态学算法,根据数学形态学基本运算腐蚀和膨胀以及组合运算闭、开运算的特点,首先采用闭运算滤除图像中目标的噪声,再将结果用开运算滤除图像的背景噪声,接着利用闭运算对滤波后的图像进行平滑处理,上述运算由于利用了腐蚀和膨胀的互补性,处理结果仅与图像的凹凸部分相关,不能得到图像的完整边缘特征。为了使图像中目标边缘不出现重叠现象,再对平滑处理后的图像做腐蚀处理,取腐蚀前的图像与腐蚀后的图像的差值提取图像的边缘,可表示为

式中,M=(F∙B)∘B,为经过滤波后的图像,F为二维灰度图像;B表示结构元素;∙表示闭运算;∘表示开运算,Θ表示腐蚀运算[7]。

2.3 SPIHT编解码算法[8,9]

图像经过小波变换后形成了多个子带,按其频带从低到高形成一个“空间方向树”结构,树根是最低频子带的节点。SPIHT(多级树集合划分)算法就是根据空间方向树结构,并且对重要的树结构进行进一步的分割,目的是使更多不重要的系数包含在同一集合里,从而提高压缩效率,在SPIHT算法中将集合的分割策略定义划分为:

O(i,j):节点(i,j)的所有直接子孙;

D(i,j):节点(i,j)的所有子孙,包括直接子孙和间接子孙;

L(i,j)=D(i,j)-O(i,j):节点(i,j)的所有间接子孙;

H:零树结构根的集合。

同时SPIHT定义了3个链表,即:LIS、LIP、LSP。LIS为不重要的像素数据集链,分为A型和B型,A型表示数据集的入口是D(i,j),B型表示数据集的入口是L(i,j);LIP为不重要的像素链;LSP为重要的像素链。SPIHT算法就是通过初始化、分类扫描、细化扫描以及阈值更新4个子过程来不断地对3个链表的数据进行更新的过程,其主要流程图如图3所示。

SPIHT解码过程采用和编码过程同样的空间方向树来组织小波系数,按同样的规则对LIP、LSP和LIS中的数据进行更新,实现了和编码过程的同步判决,从而避免了对小波系数位置信息进行编码传输,提高了编码效率。

3 软件实现及结果分析

软件的主界面由VC++6.0开发,虽然其具有独立的数值计算能力,但是VC++6.0此方面却没有Matlab的功能强大,尤其在进行图像处理时,VC++6.0每一个算法需要编写大量的代码,而Matlab有专用的函数可以调用。考虑到上述因素,软件的主体算法计算部分主要采用Matlab开发,Matlab编译算法生成M文件并产生相应的MEX文件,VC++6.0通过对MEX文件的调用最终实现对Matlab编译的图像处理算法的调用[10,11]。

软件的主界面如图4所示。主界面由工具栏和快捷键组成,快捷键主要完成对图像的简单处理,如亮度、灰度调节以及图像的裁剪和翻转等。含有噪声图像经过自适应中值滤波后恢复的图像效果如图5所示。从图5中可以看出,图像中噪声基本被滤除,噪声对图像效果的影响较小,并且滤波耗时较短。对航拍图像的边缘检测效果图如图6所示,可以看出,算法能较好地提取图像中各物体的边缘,提取的边缘的连续性较好,并且所需时间较少。图7为采用SPIHT编码解码之后的效果图,从重构图和原图的对比可以得到,压缩图像的效果较好,只是在微小物体处出现部分模糊。

4 结束语

为了设计实现航拍图像效果增强软件,首先对软件的总体设计进行了分析,选择各个模块之间相互独立的模式。同时分析了软件中最主要的算法,图像恢复采用自适应中值滤波算法,边缘检测主要采用复合数学形态学算法,图像压缩选取SPIHT编解码算法。最后,采用VC++6.0和Matlab对算法进行了实现,软件主界面由VC++6.0编写,算法部分由Matlab编译,最终通过VC++调用Matlab生产的MEX文件实现界面和算法的联系,通过实现的软件对主要算法的处理效果进行了测试,图像处理效果表明,该软件的设计与实现对航拍图像的后期处理效果具有一定的促进作用,但软件整体功能较少,可以通过后续添加其他算法来进一步增加其功能。

参考文献

[1]张旭明,徐滨士,董士运.用于图像处理的自适应中值滤波[J].计算机辅助设计与图形学学报,2005,17(2):295-299.

[2]刘伟,孙丽媛,王汝梅.自适应中值滤波在数字图像处理中应用[J].河北理工大学学报(自然科学版),2007,29(4):111-113.

[3]陶洪久,柳键,田金文.基于小波变换和数学形态学的遥感图像边缘检测[J].红外与激光工程,2002,31(2):154-157.

[4]陈凡武.彩色图像边缘检测的新方法——广义模糊算子法[J].中国科学(A辑),1995,25(2):219-220.

[5]Pietro,Malik.Scale-Space and Edge Defection Using Aniso tropic Diffusion[J].IEEE,1990,12(7):98-100.

[6]Chars Minghua,Lee David.Residual analysis for Feature DeCectipn[J].IEEE Trans on Patt and Mmach Intelligence,1991,13(1):30-35.

[7]崔屹.图像处理与分析——数学形态学方法与运用[M].北京:科学出版社,2000.

[8]秦琴,滕奇志,罗代升,等.一种改进的SPIHT图像编码算法[J].四川大学学报(自然科学版),2007,44(3):525-530.

[9]苏红旗,吕萌,谈芳,等.SPIHT图像编码算法研究及改进[J].西华大学学报(自然科学版),2009,28(6):51-54.

[10]刘志俭.Matlab应用程序接口用户指南[M].北京:科学技术出版社,2000.

图像增强方法研究 篇5

一、支持32位高动态区域(HDR)图像

虽然在过去150年中，摄影技术的革新很大程度上克服了工艺上的局限，但动态区域仍是多年未被克服的技术局限之一。然而现在不同了，Photoshop CS2中“Merge to HDR”(合并为高动态区域图像)功能的出现突破了这一局限。

关于动态区域(Dynamic Range)

动态区域指图像最暗与最亮点灰度划分的等级数范围。在可见的世界中，这个区域要远远超出人类的视觉范围，也要超出打印或屏幕输出的图像所能表现的范围。但人眼只能观察明显不同的亮度级别，大多数相机和计算机显示器只能捕获和重现特定范围的动态区域。摄影师、电影工作者，以及其它使用数字图像的人们必须选择在一幅场景中什么是最重要的，因为他们所面对的是有限的动态区域。

关于高动态区域(HDR)

高动态区域图像打开了一个新世界，因为它们可以表现可见世界的整个动态区域。一幅真实世界中的场景，所有的流明值都会存储在一个HDR图像中，并被均衡地表现出来，调整一幅HDR图像的曝光度就象在真实世界中摄影时调整曝光度一样。这种能力使我们可以创建看上去非常真实的模糊效果及其它真实世界的光照效果。目前，HDR图像被广泛应用于电影、特效、三维作品，以及一些高端摄影。

在Photoshop CS2中使用HDR

在Photoshop CS2中可以使用以下工具、调整、滤镜来处理32位HDR图像。

Adjustments(调整)：可以使用图像“Image”→“Adjustments”(图像→调整)中的Channel Mixer(通道混合器)、Photo Filter(照片滤光器)、Exposure(曝光)命令。

Blend Modes(混合模式)：混合模式中的Normal、Darken、Multiply、Lighten、Linear Dodge、Difference。

图像编辑命令：包括填充、描边、自由变换、变换、图像大小、画布大小、旋转画布、剪切和修剪。

文件格式：包括PSD、PSB、HDR、PFM、OpenEXR、TIFF。

滤镜：包括Average、Box Blur、Gaussian Blur、Motion Blur、Radial Blur、Shape Blur、Surface Blur、Add Noise、Fibers、Lens Flare、Smart Sharpen、Unsharp Mask、De-Interlace、NTSC Colors、High Pass、Offset，

颜色模式：RGB、灰度、变换为8位/通道或16位/通道。

工具：选框工具、移动工具、套索工具、剪切工具、切片工具、克隆图章工具、历史画笔工具、路径选择工具、直接选取工具、钢笔工具、注释工具、滴管工具、颜色取样工具、测量工具、手形工具、缩放工具。有些工具只在混合模式下才支持。

练习：使用“Merge to HDR”合并HDR图像

写了这么多基本的知识，都是纸上谈兵，还是来实践一下，看看到底怎么用HDR。观察以下三幅图片，您可以将它们存放到某一个文件夹中，准备做下面的“Merge to HDR”(合并为高动态区域图像)练习。

第一步：启动Photoshop CS2，选择菜单命令“File”→“Automate”→“Merge to HDR”。

第二步：在“Merge to HDR”对话框中，单击“Browse”按钮，找到你所保存的这三个文件，将其全部选中并打开，则这三个文件的名称会出现在对话框中，如图33所示。单击OK按钮。

第三步：在“Manually Set EV”对话框中为第一幅最黑的图片设置“Exposure Time”(曝光时间)为 1/125s，如图34所示。单击向右箭头为第二、三幅图片设置曝光时间分别为1/15s和1/2s。设置完成单击OK按钮。

第四步：在接下来出现的“Merge to HDR”对话框中左侧可以再次选择要使用的源图片。源图片至少需要三个。注意如果要将图像保存为HDR图像一定要在右侧的“Bit Depth”列表中选择“32 Bits/Channel”。单击OK按钮。

图像增强方法研究 篇6

摘 要：针对医学图像CT图像像素不均匀对图像局部分割算法影响较大的问题，提出一种基于Lagrangian粒子增强补种算法的混合水平集医学CT图像分割算法。首先，针对局部图像的非均匀性，通过在计算水平集公式前先计算Lagrangian标记粒子来重建内嵌交接界面，从而提高水平集算法的质量守恒特性；其次，针对传统粒子方法在处理界面奇异性和复杂几何相关问题上的不确定性，通过增加速度矢量和单位法向量来促进奇异点和拓扑变化点速度场的收敛；最后，通过在合成数据测试集和真实CT图像上的仿真测试表明，所提算法在边缘分割收敛精度及运算速度上均要优于对比算法。

关键词：补种算法；奇异性；水平集； CT图像；分割

中图分类号：TP391 文献标识码：A

1 引 言

图像处理方向学者Osher与Sethian等[1]联合研究并提出了水平集（Level Set， LS）分割算法，主要思路是将低维闭合二维曲线映射到高维的水平集上进行处理，从而实现了图像分割算法稳定性的增强。尽管如此，图像界面奇异性和复杂几何相关性对水平集算法影响仍然很大，如何处理好上述问题，对于提高水平集分割算法在CT、X-ray等医学成像中的应用效果，至关重要，有利于增强算法在处理对比度差、像素不均匀、边界模糊等问题并存的医学影像成像分割问题上的表现[2-3]。

针对锋利边缘和极端变形等情况，不同学者提出各种改进方式，如文献[4]基于欧拉-拉格朗日粒子的方法对水平集算法进行改进，该方法在保持分割界面质量上表现不错。此外，还有局部水平集方法[5-6]、间断Galerkin方法[7-8]、梯度增强水平集方法[9-10]等。上述方法在处理锋利边缘和极端变形等情况有一定效果，但是当像素不均匀或交接界面存在奇异点或拓扑变化时，上述算法效果不佳。

对此，本文在文献[4]基础上，采用Lagrangian粒子增强补种算法与水平集算法相结合，通过增加速度矢量和单位法向量来促进奇异点速度场的收敛，提出了一种基于Lagrangian粒子增强补种算法的混合水平集医学CT图像分割算法（LPRLS）。

2 基于粒子的水平集算法

2.1 水平集算法

2.2 混合粒子水平集方法

该方法融合了欧拉水平集算法[16]和拉格朗日粒子算法[17]，采用拉格朗日无质量粒子来纠正图像界面待求解区域的水平集函数。两组粒子被随机放置在窄带的界面附近，并吸引界面到正确的一边，其中阳性粒子趋向>0的一边，而阴性粒子趋向≤0的一边，格朗日粒子将在给定速度下产生对流：

式中，xp为粒子位置；uxp为粒子的速度向量。由于演化方程的耗散缺失，因此流动的特征信息被完全保存。然后，利用三阶TVD Runge Kutta方法来求解时间导数的演化方程。

每个粒子都有一个位置和范围半径，用来弥补因水平集函数的局限性所引起的的位置误差。每个粒子的半径由基于网格的最大值和最小值进行界定。根据公式（6）粒子半径的最大和最小界定值，可由下式进行计算：

在界面清晰像素均匀的较容易解决图像表面地区，水平集函数的解是足够准确的，并且粒子不漂移距离交接界面区域过远。然而在像素不均匀、界面模糊的不容易解决区域，水平集函数计算会产生质量损失，粒子会漂移距离交接界面过远。界面上逃脱的正（或负）粒子，基于网格点、粒子半径和粒子符号可定义局部水平集函数。水平集函数集的纠正可通过对比网格水平集函数值和逃脱粒子的局部水平集函数值实现。基于网格水平集函数的符号，则逃脱阴阳离子的局部水平集函数可分别定义如下：

通过将>0和≤0的区域分别与网格水平集函数值+和-进行比较，然后基于误差校正方法对水平集函数进行重建。上述水平集函数值+和-分别位于阳性和阴性区域，然后通过逃脱粒子计算定义的局部水平集函数值。x>0和x≤0区域的每个角落，可通过下式计算：

水平集函数值+和-可通过设置+和-的等价变量来合成为一个单一的水平集函数，该水平集都具有在每个网格点的最小值。变量可定义如下：

3 粒子补种方法及改进

3.1 粒子补种方法

在存在拉伸和撕裂的流动界面中，特别是不均匀区域，这样的区域在执行上述混合粒子水平集算法时会缺乏足够数量的粒子产生。为了保持界面的准确性，在极度变形的交接界面附近进行粒子补种以保持适当的粒子分布是很重要的步骤。对此提出一种粒子补种算法，阴阳粒子补种范围，如图2所示：

如果粒子在距离交接界面3个网格点以内的总数量大于最大值1.5Np，或者小于最小值0.5Np，式中Np取值可定义为：

Np=16， for 2D screen64， for 3D screen（15）

粒子被随机删除（或添加）直到颗粒的数目在规定的最大值和最小值之间，如图2所示。补种过程不仅加强了区域特征信息实现对运动区域的完全描述，而且消除了不良粒子诱导。

在处理相关性问题中，在交接界面附近补种适量的粒子数量是很重要的。当基于水平集函数的几何信息进行补种时，表面的数量（面积或体积）可由下式给出：

式中，Ω为操作区域；H为Heaviside辅助函数，可定义如下：

这种基于计算数或几何信息补种程序方法最为简单，但这种补种标准并不明确。如果特征被冲击波或可压缩流动等外界干扰破坏，则原有的粒子补种机制无法删除含有错误信息的污染颗粒，从而影响到水平集切面的准确性。频繁的粒子补种操作并不是解决问题的根本方案，补种操作并不能找出导致界面错误的非正常粒子，反而会删除含有正确特征的粒子。

3.2 改进粒子补种算法

原始粒子补种算法对于处理界面奇异问题和复杂的几何相关性问题时效果不佳，比如单独或联合区域划分问题，因此需要一种更为严格和可靠的粒子补种方法。endprint

速度场和几何流会引起界面的奇异性，比如角落或边缘。通过分析速度场和界面之间的相关性可知包含错误信息的特定区域。当速度场（或特征线）收敛于界面上的一点，由于拉格朗日粒子特性保持的完全性，那么逃逸粒子将会沿该奇异点堆积。这些逃逸的受污染粒子将会通过补种算法清除污染粒子前的校正阶段影响交接界面划分的准确性。由于粒子方法无法区分拓扑事件，例如，合并或分割，因此拓扑结构的变化是影响水平集交接界面准确性的另一个因素。

图3 拓扑变化示意图

本文求解思路是在处理奇异性和拓扑合并或破裂问题时（如图3所示），采用求解双曲型方程的柔性解决方案。采取的策略是：当检测到区域中含有奇异点或拓扑结构变化时，粒子的校正阶段停止执行，水平集函数值保持原始柔性计算值。奇异点是由速度场收敛而出现，并根据相应的交接界面和检测的速度向量和单位法向量的角度值进行评测，如下：

式中，θ表示交接界面附近节点特征聚集程度，如果所有的θ都接近于0，则说明此处存在奇异点，在奇异点处的特征被融合并且传统的粒子算法不能正确计算。在这里假定θ∈-10o，10o时，该处为奇异点。

在图3中，拓扑合并和分裂时发生在两界面彼此非常接近时，这种拓扑结构的变化可通过检查周围环境和水平集值进行检测。如果像素点的水平集值在0，0.1Δx范围内，且水平集值为负值，则该位置附近将发生合并或者分裂的拓扑结构变化。例如，在图3中，节点Ei，j为发生拓扑结构变化的可疑点。

综上所述，增强粒子补种算法的计算步骤如下：

Step1：（初始化）读取水平集待分割图像，并初始化算法参数；

Step2：（奇异点检测）根据3.3节检测当前区域是否属于奇异点或拓扑结构变化点，若是转Step4，否则转Step3；

Step3：（粒子补种）根据3.1节，执行粒子补种算法；

Step4：（粒子状态检测）检查环绕点Ai-1，j-1、Bi+1，j-1、Ci+1，j和Di-1，j的粒子符号状态；

Step5：（粒子删除）判断是否满足删除条件，环绕点符号是否为“-”，若是则删除节点Ei，j附近的粒子。否则转Step6；

Step6：（水平集分割）根据2.1～2.2节执行混合粒子水平集分割算法。判断是否满足终止条件，是则终止算法，并输出结果，否则转Step2，继续执行粒子的补种和删除操作。

4 仿真实验与分析

仿真设备参数：处理器为i7 2.4GHz，内存为 4G ddr1333。仿真平台选取：matlab2012a。实验对象：选取常用医学用CT图像分别为血管CT、肿瘤CT、乳腺CT、脑CT以及胸腔CT五幅图像。评价指标选取图像分割算法的识别率、运算时间及方差。

仿真参数设置：角度θ∈-10o，10o、公式（7）参数a=0.1，b=0.5，粒子补种参数Np=16。所选取的仿真对比算法为标准LS算法以及本文所提出的LPRLS算法。仿真结果如图4（a）～（e）所示，通过对matlab水平集工具箱函数进行研究，并且结合本文所提算法理论，经过编写接口程序实现LPRLS算法。除上述参数设置外，其他水平集参数设置同工具箱内水平集算法参数设置。水平集算法的分割精度、时间消耗以及方差等评测指标仿真结果如表1所示，表1中的仿真结果为上述两种算法分别独立运行20次所求取的评价指标均值。

图4（a）～（e）显示的分别为标准LS算法和LPRLS算法在血管CT、肿瘤CT、乳腺CT、脑CT以及胸腔CT五组图像上的分割效果。（a）图血管CT图像分割中，LPRLS算法比LS算法在主干血管的识别率上要明显更高，但是存在的问题是，由于灵敏度过高，导致存在一定的识别噪声点，如图中散落的小圆圈；（b）图肿瘤CT图像分割中，LPRLS算法比LS算法更全面的对肿瘤轮廓进行分割，并且肿瘤内部较精细的轮廓也能识别出来；（c）图乳腺CT图像分割中，LPRLS算法对整个乳腺的识别全面性要明显高于LS算法，并且乳腺内部也可较为精确的进行分割识别；（d）图脑CT图像分割中，脑CT图像的纹理结构更加复杂，LS算法的分割效果不是很理想，从分割的精细程度上要明显不如LPRLS算法；（e）图胸腔CT图像分割中，LS算法在左胸中部轮廓识别中存在杂乱现象，整体轮廓也较杂乱，而LPRLS算法对于胸腔轮廓识别要更圆润，识别效果更好。图4从视觉直观性上给出了标准LS算法和LPRLS算法的图像分割效果对比，直观上LPRLS算法要明显优于标准LS算法。表1分别给出标准LS算法和LPRLS算法在血管CT、肿瘤CT、乳腺CT、脑CT以及胸腔CT五组图像上的分割数值对比结果。仿真对比指标

（a）血管CT图像

（b）肿瘤CT图像

（c）乳腺CT图像

（d）脑CT图像

（e）胸腔CT图像

选取识别率、运算时间和识别率方差三种，算法各允许20次求均值。在算法分割识别率指标上，LPRLS算法要明显高于标准LS算法，并且这种优势非常明显，在该指标上LPRLS算法要平均高出20%～30%，如在血管CT、肿瘤CT、乳腺CT三组图像中，标准LS算法的识别率近50%～60%，而LPRLS算法在这三幅图像上的分割识别率均达到85%以上；在脑CT和胸腔CT两组图像分割中，标准LS算法略高达到70%以上，但是LPRLS算法在这两组分割图像的分割识别率均达到90%以上。在计算时间指标对比中，标准LS算法在这五组图像上的运算时间在20s～35s之间，而LPRLS算法在这五组图像上的分割时间则分布在16s～20s之间，可看出在计算时间方面LPRLS算法也要优于标准LS算法。在代表算法稳定性方面的算法方差指标中，两者相差不大，LPRLS算法略优于标准LS算法。

5 结束语endprint

利用Lagrangian粒子增强补种算法对水平集算法进行改进，提高算法应对医学图像CT图像像素不均匀所带来的分割精度降低问题。通过在计算水平集公式前先计算Lagrangian标记粒子来重建内嵌交接界面，从而提高水平集算法的质量守恒特性；通过增加速度矢量和单位法向量来促进奇异点和拓扑变化点速度场的收敛，来处理界面奇异性和复杂几何相关问题。算法仿真结果显示，所提算法比原始算法性能大为提升。从仿真结果可看出，存在的不足是，算法存在误识别率，下一步将主要针对此问题进行进一步分析和研究。

参考文献

[1] OSHER S，SETHIAN J A. Fronts propagating with curvaturedependent speed： algorithms based on HamiltonJacobi formulations[J]. Journal of Computational Physics，1988，79（1）：12-49.

[2] 王斌， 李洁， 高新波. 一种基于边缘与区域信息的先验水平集图像分割方法[J]. 计算机学报， 2012， 35（5）： 1067-1071.

[3] 薛维琴， 周志勇， 张涛. 灰度不均的弱边缘血管影像的水平集分割方法[J]. 软件学报， 2012， 23（9）： 2489-2499.

[4] GIBOU F，MIN C，FEDKIW R. High resolution sharp computational methods for elliptic and parabolic problems in complex geometries[J]. Journal of Science Computing， 2013， 54（2）： 369-413.

[5] BOUMEHED M，ALSHAQAQI B，OUAMRI A. Moving Objects Localization by Local Regions Based Level Set： Application on Urban Traffic[J]. Journal of Mathematical Imaging and Vision， 2013， 46（2）： 258-274.

[6] JEFFREY C L，ZACHARY M. Level sets of the Takagi function： local level sets[J]. Monatshefte für Mathematik， 2012， 166（2）： 201-238.

[7] MARCHANDISE E，REMACLE J F，CHEVAUGEON N. A quadraturefree discontinuous Galerkin method for the level set equation[J]. Journal of Computational Physics， 2006， 212（1）： 338–357.

[8] MU L，WANG J P，WANG Y P. A computational study of the weak Galerkin method for secondorder elliptic equations[J]. Numerical Algorithms， 2013， 63（4）： 753-777.

[9] NAVE J C，ROSALES R R，SEIBOLD B. A gradientaugmented level set method with an optimally local coherent advection scheme[J]. Journal of Computational Physics， 2010， 229（10）： 3802–3827.

[10]LEE C，DOLBOW J，MUCHA P J. A narrowband gradientaugmented level set method for multiphase incompressible flow[J]. Journal of Computational Physics， 2014， 273（5）： 12–37.

[11]杨谊， 喻德旷. 基于改进水平集图像分割方法的乳腺超声病灶提取[J]. 计算机应用与软件， 2014， 31（11）： 217-221.

[12]Li Changyang， Wang Xiuying， Eberl S. A Likelihood and Local Constraint Level Set Model for Liver Tumor Segmentation from CT Volumes[J]. IEEE Transactions on Biomedical Engineering， 2013， 60（10）： 2967-2977.

[13]KACHROO P，RATLIFF L，SASTRY S. Analysis of the GodunovBased Hybrid Model for Ramp Metering and Robust Feedback Control Design[J]. IEEE Transactions on Intelligent Transportation Systems， 2014， 15（5）： 2132-2142.

[14]Zhuang Chijie， Zeng Rong， Zhang Bo. A WENO Scheme for Simulating Streamer Discharge With Photoionizations[J]. IEEE Transactions on Magnetics， 2014， 50（2）： #7007904.

[15]刘世兴， 宋端， 贾林. 辛RungeKutta 方法在求解LagrangeMaxwell方程中的应用研究[J]. 物理学报， 2013， 62（3）： #034501.

[16]OSHERA S，Cheng Litien， KANG M J. Geometric Optics in a PhaseSpaceBased Level Set and Eulerian Framework[J]. Journal of Computational Physics， 2002， 179（2）： 622-648.

图像去雾增强算法研究 篇7

对公路行车而言,由于雾天环境下能见度偏低,视线不好,由此带来的各种交通事故频频发生。以何种方法来降低雾对驾驶人员造成的视觉影响,使得在雾天行车所发生交通事故的几率最大程度的减小,这是一个亟待解决的问题。

对于雾天能见度低的情况,采用雾天行车视觉增强技术进行改进。视觉增强(即:图像增强)的首要目标是对图像进行处理,通过增强技术有效地提高图像的对比度,突出图像中的细节部分,进而改善图像的视觉效果。

图像增强技术主要分为两大类:空域法和频域法。对于空间域这类方法,是以对图像的每个像素点直接进行处理为基础的,它主要有直方图处理、直接灰度变换等。频域增强技术则是以修改图像的傅氏变化作为基础,它主要有:高通滤波、低通滤波等。

对于图像增强技术,目前还不存在增强效果判定的通用标准[1],其增强好坏主要是通过人眼的主观判断,并结合人类的视觉特性模型,由观察者进行处理效果的最后判断。因此,图像增强处理技术的研究具有多样性。但应该明确的是,用于图像增强的方法一般都具有很强针对性,即增强处理是为了某种特定的应用目的而去改善图像的质量,使其处理的结果更适合于人的视觉特性或机器的识别系统。以致于对于不同的应用,需根据自己的实际应用环境进行算法的选取。

1 常用的图像去雾算法

1.1 基于直方图的增强算法

灰度直方图[1]是图像最基本的统计信息,它是用来表示数字图像中每一个灰度级与该灰度级像素点出现频率之间对应关系的图形。图像的灰度统计直方图可表示为一个一维的离散函数,如下式所示。

式中:ps(sk)是第k级灰度值的概率;sk是第k级灰度值;nk是灰度值sk的像素点总数目;n是图像总像素点;L是灰度的级数。

灰度直方图是对数字图像中的每一个灰度级所出现的频率进行统计,它基本上可以描述一幅图像的整体概貌,从中可以看出该图像的明暗分布情况以及对比度的情况,图像的亮度情况可以通过灰度均值来反映,而图像的对比度则可以根据灰度值的分散程度来反映。因此,可以通过对直方图的分布情况进行修改以达到图像增强的目的。

常用的直方图增强方法包括:直方图均衡化技术、直方图规定化技术、局部增强技术等。其中直方图均衡化技术的基本思想是:通过把原始图像的直方图变换成均匀分布的形式来增加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。均衡化处理的过程其实就是对原图像进行非线性的拉伸,使得图像的像素值得以重新分配,如此,在一定灰度范围内的像素数量大致相同。当图像的直方图呈均匀分布时,图像所包含的信息熵最大,故经直方图均衡化处理以后图像包含的信息量最大,图像看起来也就显得清晰。

1.2 基于大气散射物理模型的增强算法

该方法利用雾天大气散射物理模型,推导出传递函数及天空的亮度,进而对雾天拍摄的图像进行处理,得到基本无雾的图像。雾天成像的物理模型为下式所示:

式中:I(x)是观察到的实际图像;J(x)是假设没有大气颗粒散射时候的真实图像;t(x)是大气散射传递函数;A是天空的亮度。此法去雾的目标就是从I(x)中复原J(x)、t(x)、A。进一步解释传递函数t(x):t(x)=exp(-βd(x)),其中,β为大气颗粒散射系数,d(x)为场景深度。

1.3 基于暗原色的单一图像增强算法

在对雾天图像研究中,由香港中山大学何恺明博士提出的基于暗原色的单一图像去雾技术[2],通过对大量图像进行统计,发现图像之中存在暗原色先验统计的物理规律,即把图像分成很多个小方块,每个方块中都有一些亮度很低的像素。这些“黑点”通常存在于物体阴影、黑色物体,以及具有鲜艳颜色的物体中。研究发现,即使是嫩绿的树木,其红色和蓝色亮度也会很低,所以也会有暗原色。而对于雾天的图像,这些暗像素则可用来对雾光的透射信息进行直接评估。在此基础上,结合雾天成像模型对图像进行数学运算,按雾气浓度局部插值法对相片各部分的颜色进行修复,通过此方法,可使雾天所拍摄的相片犹如在晴天下拍摄的一样清晰。

1.4 基于Retinex理论的图像增强算法

Retinex理论,也称作视网膜大脑皮层理论。Retinex理论的内容[3]包括两方面:其一,物体所显示的颜色并非由反射光强度的绝对值所决定,而是由它对短波、中波以及长波三个波段光线的反射能力所决定;其二,光照的不均匀性不会影响物体的色彩,即物体的色彩具有一致性的特性。

此方法的特点是:在图像中所有像素的相对明暗关系几乎不受光源的影响,对于整体偏暗或偏亮等对比度相对较小的图像,它能够很好的消除这种因光源不均匀对图像质量所带来的影响,使得图像的视觉效果得到很好的改善。

1.5 图像去雾增强算法的选取

上面的图像去雾算法中,除了基于直方图的增强算法外,其他算法在雾天图像增强处理方面可以取得很好的主观视觉效果,但由于其数学计算模型复杂,求解过程比较困难,计算量大,不易于在FPGA硬件平台上实现。考虑到本文的算法最终要使用verilog硬件描述语言进行算法的编写并在FPGA验证平台上予以实现,故文中选用了基于直方图的图像增强算法。该算法简单有效,在软件中易于计算,也适用于商用硬件设备上,是最常用、最重要的图像增强技术之一。

2 改进的直方图均衡化图像去雾算法

2.1 动态分配空闲灰度级的自适应直方图均衡化[4]

传统的直方图均衡化增强算法是针对整幅输入图像进行同一处理,以此来增强图像的对比度。该方法存在一定的问题,因为它的处理是以256个灰度级别中每一灰度级出现概率的大小作为增强处理的依据,而在有雾图像中所需增强的目标部分其灰度级出现概率较小,故进行全局均衡化增强处理时,目标图像因受背景图像的影响而出现灰度级简并现象,使得图像中需增强的细节信息出现丢失。

为克服传统处理方法所造成的简并现象,以及降低局域增强算法的运算复杂度使其更易于在硬件电路上实现,本文采用改进的“空闲灰度级动态分配的自适应直方图均衡化增强算法[4]”。

原算法是在灰度空间进行的,它只对灰度信号进行增强处理。通过统计整幅图的灰度值总和以求取全局灰度值的平均值,以该值作为图像的分割阈值;根据分割阈值将256个灰度级划分成两个灰度区间;统计[0,255]区间内的空闲灰度级,将空闲灰度级按比例分配到两个灰度区间内;分别在两个区间内进行直方图均衡化增强处理,达到图像清晰化目的。

2.2 改进的自适应直方图均衡化增强算法

通过对原算法的大量试验结果进行分析,发现直接将灰度增强算法应用于彩色图像,处理结果会出现色彩失真现象。为了保证增强处理不会造成图像色彩的失真,这里选择在RGB彩色空间对图像进行处理[5]。由于R、G、B三个色彩分量之间相关性很大,若直接对它们分别进行直方图增强处理,可能致使图像的颜色出现大的改变,即色彩失真。采用对RGB统一统计的方法,以得到图像的直方图,在此直方图的基础上进行直方图均衡化,对R、G、B三个分量使用同一非线性拉伸函数进行处理。整个增强处理过程如图1所示。

改进后算法的实现过程为:

2.2.1 色度空间转换

采用工业摄像头作为视觉传感器,其采集来的模拟视频信号经视频解码芯片解码后输出为4:2:2格式的YUV信号。由于本算法是在RGB彩色空间进行图像增强处理,故在算法处理之前需进行预处理,即完成YUV到RGB视频格式的转换。其转换公式为:

2.2.2 阈值[6]的选取

阈值法是一种最为常用的图像分割方法,它用于将图像灰度级别划分为多个部分的灰度门限值。对于一幅图像,如果只有目标信息和背景信息两大类,则只需选取一个阈值对其进行分割,这类分割称之为单阈值分割;若图像中存在多个目标,则需选取多个阈值将各个目标分开,这类分割法称之为多阈值分割。

这里采用二次迭代法进行阈值的求取,其求解过程为:

(1)根据下式求出初始阈值:

(2)根据初始阈值T0将256个灰度级划分为两部分,即[0,T0]和[T0+1,255]。然后对这两部分灰度区间分别求取平均灰度值,记为Tsmall和Tbig,依据这两个值计算新的分割阈值:T1=(Tsmall+Tbig)/2,将T1替代T0作为新的全局阈值。此时整个灰度区间被划分为[0,T1]和[T1+1,255]两个部分。

2.2.3 直方图均衡化处理[4]

首先进行空闲灰度级的统计。所谓空闲灰度级,理论上来讲指的就是在灰度范围内从未出现的灰度级,即出现频率为0的灰度级。但是,在实际采集到的图像中,由于各种原因,不可能出现绝对空闲灰度级,此时可将出现频率在定值m以下的所有灰度级视为空闲灰度级。

将空闲灰度级总数N按比例分配。在此,定义A、B分别表示分配到区间[0,T1]和[T1,255]上的空闲灰度级别数,定义M表示区间[0,T1]内的非空闲级别个数。则A、B的求值公式如下:

将空闲灰度级按比例分配到区间[0,T1]和[T1+1,255]上后,可以得到一个新的分割阈值T2,新阈值的求解公式为:T2=M+A

求出新阈值T2,可以确定灰度区间[0,T1]和[T1+1,255]经过增强处理后的灰度区域变换范围,即[0,T1]区间经处理后其对应区间为[0,T2],[T1+1,255]经处理后的区间为[T2+1,255]。分别对区间[0,T1]和[T1+1,255]进行直方图均衡化处理,其均衡化的灰度变化公式为:

式中:ki是原灰度级i对应的增强后的灰度级;T2是分割阈值;是[0,T1]区间内以灰度级0为起点的第i个灰度的累计分布函数;是(T1+1,255)中以T1+1为起始灰度的第i个灰度的累计分布函数;nl、ns分别是区间[0,T1]和(T1+1,255)中rl、rs灰度级出现的像素点的总数;NK1、NK2是区间[0,T1]和[T1+1,255]内灰度级出现频率大于0的像素点总数。

灰度区间[0,T1]和[T1+1,255]经局域直方图均衡化处理后,生成一张灰度级变换的查找表,当下一帧图像到来时,其有效像素点的R、G、B灰度值根据查找表进行灰度值的变化,则输出即为经过清晰化处理后的图像。

使用Matlab对算法进行仿真,其仿真效果如图2所示。图2(a)为有雾图像,(b)为改进前基于灰度增强算法处理的效果图,它是在YUV空间对图像的亮度信号进行增强,而色度信号保持不变,(c)为改进之后基于RGB彩色空间的增强算法处理效果图,对比原算法与改进后算法所得到的处理结果。从处理结果对比图中可见改进算法对有雾图像的增强效果更为理想,图像的色彩鲜艳,其对比度明显增强。

3 结束语

本文通过对常用图像去雾算法进行分析,选用了计算量小且易于用硬件语言实现的改进的直方图均衡化增强算法,对算法的思想予以描述并对其进行仿真验证,通过对比发现改进后的算法对有雾图像增强效果更为显著。

摘要：本文首先对目前几种常用图像去雾算法进行分析;然后根据实际应用需求,选取了计算简单且易于用硬件语言实现的自适应直方图均衡化增强算法,并在此基础上对算法进行改进,通过对比发现改进后的算法对有雾图像增强效果更为显著。

关键词：去雾,图像增强,直方图均衡化

参考文献

[1]阮秋琦,阮宇智等.数字图象处理(第二版)[M].北京:电子工业出版社,2003.

[2]Kaiming He,Jian Sun,Xiaoou Tang.Single Image Haze Removal Using Dark Channel Prior[J].IEEE Computer SocietyConference on Computer Vision and Pattern RecongnitionWorkshops,CVPR Workshops 2009.

[3]李学明.基于Retinex理论的图像增强算法[J].计算机应用研究,2005.

[4]高赟.图像灰度增强算法的研究[D].陕西:西安电子科技大学,2007.

[5]Guanzhang Li,Wusheng Luo,Pei Li,et al.Fusion Enhancement of Color Image Based on Global HistogramEqualization[C].IEEE Proceedings-International Conference onComputer Science and Software Engineering,CSSE 2008.

一种矿井动态图像增强方法 篇8

目前无线视频技术已被应用于井下电机车、采煤机、掘进机等移动设备的视频跟踪监控。由于井下环境恶劣,粉尘较多及图像输入、输出设备灵敏度较低,监控图像常出现较大“雪花”噪声,另外井下光线相对较弱,导致图像灰度值较低［１］,图像的细节灰度差别较小,导致在获取图像后对图像的分析和判断变得异常困难,因此有必要对图像进行增强处理, 以改善图像质量,提高后期识别准确度［２］。

传统的图像增强算法很难兼顾图像整体以及细节效果。赵京东［３］提出了构造基于双层位平面的亮度变换函数,结合快速局部值直方图均匀化算法,使得图像的对比度及亮度有所提升,但该方法减少了图像的灰度级,同时导致某些细节信息不够明显甚至消失,造成图像失真。储昭辉等［４］通过深入研究, 提出了基于Retinex理论的图像增强方法,降低了图像低光照或非均匀照度带来的影响。黄向东等［５］提出了一种基于Retinex的矿井非均匀照度图像增强算法,在一定程度上增加了图像对比度,改善了图像的整体视觉效果,但对比度的提高程度不如直方图均匀化方法明显。本文在现有研究成果基础上, 采用改进的直方图均匀化方法和改进的多尺度Retinex(Multi-Scale Retinex,MSR)算法设计了一种矿井动态图像增强方法,以达到提高图像亮度和对比度、减少图像“光晕”现象的目的。

1图像增强处理流程

图1为图像增强处理流程。首先采用改进的直方图均匀化方法,对图像全局对比度进行调整,使图像的灰度级得到拉伸,以增强图像的边缘及一些细节特征,同时滤除一部分低频分量,提高图像的整体对比度［６］;然后采用改进的MSR算法提高图像的局部对比度,即先进行照度估计,对得到的光照度图像进行归一化修正,以提高图像的局部对比度,再通过细节增益函数调整图像的平滑部分,从而达到增强图像细节和降低噪声的目的。

2改进的直方图均匀化

图像直方图均匀化是图像处理中的经典算法。 直方图均匀化是对图像的灰度统计进行处理,将比较集中的部分进行拉伸,表现在直方图上就是像素点在每个灰度级上处于一种均匀分布状态,从而达到改善图像视觉效果的目的。但传统的直方图均匀化不可避免地将出现概率低的灰度级上的像素点进行合并,从而减少图像的灰度级,损失了图像中的一些细节信息,也对图像的整体对比度产生影响［７］。

为了避免因图像灰度级合并影响图像的整体对比度,提出一种保持最小灰度间隔的直方图均匀化方法。 假设原始图像不为零的灰度级范围为[L ,H],经过灰度级保持直方图均衡算法［６］变换后的范围为[L′ ,H′]。令原始图像像素点的灰度级差g=H -L+1,变换后图像的最大灰度级差g′= H′-L′+1,g′≥g,则处理后图像的灰度级间隔为

式中:pｋ为灰度为k的像素点出现的概率。

改进的直方图均匀化公式为

式中:G′(j)为输出图像第j个灰度级的平均灰度, j∈[L,H];g取255。

改进前后的直方图均匀化处理的图像如图2所示。

从图2可看出,井下监控图像比较灰暗,其直方图表现为大部分像素点集中在中间偏左处,在暗区域及偏高亮度区域的像素点很少,图像的整体对比度不高。经过直方图均匀化处理后,图像的整体对比度得到提高,像素点在各个灰度级上都有分布,但由于采用了各个灰度级上的均匀分布,所以在每个灰度级上的像素点个数大致相同,导致无法体现图像细节,同时导致图像出现高亮度区域和黑暗区域, 整体呈现效果不自然。经改进的直方图均匀化处理后,图像中不为零的灰度级数明显增多,虽然像素点出现较多的灰度级与原始图像中出现的部位相似, 但其在黑暗部分及偏高亮度区域都有像素点出现, 提高了图像的整体对比度。与图2(b)相比,图2(c) 中的像素点分布并不均匀,中间部分的平滑区域分布了大部分像素点,更符合人眼的视觉特性。

3改进的MSR算法

动态图像增强方法的核心是利用MSR算法对图像进行局部对比度调整。传统的MSR算法利用高斯环绕函数对图像进行卷积处理［８］,容易淹没图像的一些细节特征,同时在对比强烈的边缘处易产生“光晕”现象［９］。本文采用低通滤波器代替高斯滤波器对图像进行卷积处理,同时改变传统MSR算法将入射光分量直接丢弃的做法,通过低通滤波器进行照度估计,对入射光分量进行调整并将其加到反射光分量上,通过修正反射光图像得到新的图像。

3.1照度估计

低通滤波器公式为

式中:Y (n)为输出信号,n为采样次数;X (n)为输入信号;M,N分别为输入图像的行数和列数;bｒ,aｐ为放大系数;r,p为采样间隔。

最简单的滤波形式为

式中:α为加权系数。

将输入图像(大小为M×N)的行向量作为低通滤波器的输入进行正向滤波,得

式中:Lｉ＋(n )为正向滤波的输出向量,i=1,2,…,n; α＋(n)为改进正向参数;Fｉ(n )为输入向量。

其中

式中:S为冲激响应强度,为常量;δ为校正系数。

可看出,当Fｉ(n-1)→Fｉ(n )时,当前像素点为目标区域内部点,此时 α＋(n)→1,Lｉ＋(n )→ Lｉ＋(n-1),滤波器表现为低通特性;当Fｉ(n-1)与Fｉ(n)相差较大时,说明该像素点为图像的边缘细节部分,此时α＋(n)→0,Lｉ＋(n )→Fｉ(n),滤波器表现为保持边缘细节的特性。

为了抵消相位失真,需要进行反向滤波卷积,得反向输出向量:

其中改进反向参数为

假设光照度图像大于等于原始图像,为了满足该条件,令

由于Lｉ＋(n )和Lｉ－(n )大于等于Fｉ(n),因此得到的行向量处理结果Lｉ(n)满足假设条件。

传统MSR算法在得到入射光图像,进而得到反射光图像后,将入射光图像丢弃,利用反射光图像作为输出结果。为了得到更符合人眼视觉习惯及色彩保持性更高的图像,对入射光图像进行修正处理, 并加到反射光图像上。

为了改善图像的整体亮度,首先对光照度图像进行归一化处理,然后进行修正处理,即

式中:l为照度;β为亮度调节系数。

图3为β取不同值时的修正处理函数。从曲线的非线性变化部分可看出,函数对低亮度处的图像进行了压缩,对中间部分进行了拉伸,而对于高亮度处保证信号不失真。当β取0.2~0.4时,得到较好的修正效果。

3.2反射光图像的修正

传统的MSR算法采用常数增益算法求解3个尺度结果的平均值,容易在强对比度的边缘处产生 “光晕”现象。本文对常数增益算法进行改进,对增益函数(式(15))的输出进行变化增益。

式中:Rｎｉ(x,y)为MSR算法在第i个颜色谱段的输出,即(x,y)位置的亮度;lｉ(x,y)为(x,y)位置第i个颜色谱段的输出;g(x,y)为低通卷积环绕函数;* 表示卷积运算;gｎｉ(x,y)为增益函数; ｎ(x ,y)为各个尺度Retinex算法输出的归一化值;ε为很小的常数,用于避免分母为零;为各个环绕函数环绕尺度的归一化值。

ｎ(x ,y)定义为

ｎ(x,y)值越大,相应的对比度越大,反映了图像上的高对比度边缘部分;其值越小,相应的对比度越小,反映了图像上的平滑部分。

计算公式为

式中:σｎ为各环绕函数的环绕尺度。

可看出增益函数能通过ｎ(x ,y)对结果进行变化的加权计算,从而降低图像高对比度边缘的增益情况。

改进前后的增益函数如图4所示。可看出常数增益对各个部分进行同等程度的增益,如果对图像平滑区域进行增强的系数合适,则对图像高对比度边缘区域的增强系数较大,使图像产生光晕现象,而采用改进的增益函数使得平滑区域得到增强的同时,使高对比度区域得到合理的增强系数。

经改进的MSR算法得到的反射光图像函数为

4实验结果

针对矿井机车管理系统中安装于电机车上的摄像仪拍摄的图像,分别采用单尺度Retinex(Single Scale Retinex,SSR)算法、MSR算法和本文方法对图像进行处理,结果如图5所示。

井下环境恶劣,对数据无线传输造成影响以及污染摄像头,导致监控图像上存在明显的“雪花”,图像质量不高,图像中间有强光源出现。经过SSR算法处理后,图像整体亮度得到提高,削弱了“雪花”的影响,可明显看出巷道两旁的管道,但图像整体发白。经MSR算法处理后,图像的整体亮度合理得多,能够清晰地显示出左侧管道和地面的轨道,缺点是仅能显示灰度值达到一定亮度的部分,图像下侧和右侧出现了全黑区域。经本文方法处理后,图像中显示的管道和轨道不如图5(c)清晰,但没有出现黑暗区域,整体的亮度适中,“雪花”的影响也得到很好的抑制,较适合人眼观察。

5结语

图像对比度增强研究的进展 篇9

本文在研究近年来图像对比度增强中出现的60多种算法的基础上,从图像特征、图像视觉效果、图像增强所用理论及图像增强的自动实现方面总结了相关算法的特点和局限性,并指出其未来的发展方向。

1 基于图像特征的方法

图像灰度是图像的基本特征,即使对于彩色和多波段图像也可以通过转化后的相应灰度值进行处理。因为图像灰度分布的统计分析常用直方图来表征,因此直方图修正就成为图像对比度增强的常用方法。

基于直方图修正的增强方法包括直方图均衡化和规定化,且研究大多数集中于直方图均衡化[8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28]方面。针对传统直方图均衡化后图像过增强问题,Kim 提出了均值分割的BBHE算法[8],Chen提出递归均值分割直方图的RMSHE算法[9],Wang等提出的等面积的双子图像的DSIHE算法[10],Sim等提出了递归的RSIHE算法[11],Chen等提出了最小均值误差的MMBEBHE算法[12]。针对有些图像部分灰度级,特别是图像细节的灰度级被过度合并,而导致图像部分细节信息丢失而使局部变得模糊的不足,文献[13]中提出了一种均衡化处理后再增加图像灰度级的方法。该方法首先在空间域或频域中,提取原图像的高频细节信息,使其与原图像直方图均衡化处理后的结果进行加权叠加,此外还可以通过调整高频成分的权值因子获得细节,从而得到所需的不同增强程度的图像。相对于传统直方图均衡化算法,使用该方法处理后的图像,不仅增强了整体图像对比度,而且更多地保留了原始图像的细节信息。为了使图像细节提取精度有所提高,文中从准确、快速提取图像细节信息以及定量评估图像增强算法的有效性方面展开。为了得到图像的细节和突出的有用信息,文献[14]提出了采用同态滤波技术来减少照明,并且对比结果,采用有限的自适应直方图均衡化技术(CLAHE),成功地给出了一个彩色图像增强方法消除了乘性噪声,同时使灰度范围压缩、对比度增强。

对于能在保留亮度的同时更好地增强对比度,文献[15]提出了使用迭代直方图重排使彩色图像对比度增强的方法。结合两个阶段迭代子直方图均衡(ISHE)和直方图调整,达到了良好的增强效果。该方法简单有效,已被应用于电子产品当中。针对低对比度的彩色图像,文献[16]提出共生直方图均衡化和暗原色先验的方法处理彩色图像对比度增强,这种方法对于给定的彩色通道,通过空间领域灰度级得到增强,灰度级共生直方图被独立地均衡。同时暗原色先验的方法又弥补了图像色调改变和失真的缺陷。所以,这种方法用于增强对比度低的彩色图像是有效的。针对射线图像噪声大、对比度差的特点,文献[17]提出基于直方图均衡的射线图像增强算法,对原始图像进行全局直方图均衡,然后用保持形状的局部反差增强技术使图像按水平集分层,并在每层内实施反差增强,对每层的子直方图进行去噪处理,之后再进行合成。该方法避免了传统算法中噪声过于增强的问题。既能改善细节图像的对比度,又在增强的同时使噪声得到抑制,保持了图像的平滑性

直方图均衡化虽然简单有效,但无法保持图像的均值亮度和熵值,针对这一缺点,文献[18]提出了一种直方图规定化的方法—亮度自适应的保熵直方图均衡化,使直方图分布尽可能均匀。同时,又结合变分法求出一个在熵值不变的条件下图像均值亮度最大化的直方图,最后将原始直方图转化成直方图规定化的目标直方图。与HE/DSIHE/MMBEBHE/BPHEME方法比较,此方法能在保持熵值不变的条件下有效增强对比度,可广泛应用于消费型和专业型电子产品中。未来研究方向可以是:如何在人类视觉系统的基础上更好地利用图像的梯度或显著性等信息和选择阈值,使图像对比度增强的同时还能更好地保持其原有特征。

2 基于图像视觉效果的方法

人类视觉系统是世界上最好的图像处理系统,近年来,国内外许多专家学者对人类视觉系统进行了深入的研究,尤其是在图像对比度增强方面取得了一定的成果。Retinex是于1963年Land[29]等提出的一个关于人类视觉系统如何调节感知到物体的颜色和亮度模型。后来,Jobson[30]等人以此为基础,发展了单尺度Retinex(SSR)、多尺度Retinex(MSR)和多尺度Retinex彩色恢复(MSRCR)算法。

Retinex算法的基本内容是:图像由亮度图像和反射图像构成,分别用L(x,y)和R(x,y)表示,三者关系可由下式表示

I(x,y)=L(x,y)×R(x,y) (1)

式中,亮度分量L是被观察者或图像采集设备收到的构成图像;反射分量R决定图像的内在性质。Retinex方法对图像处理的目的就是从图像I中获得物体的反射性质分量R。

文献[30]提出了几点 Retinex方法需要考虑的地方:对图像进行对数函数的位置、中心函数、连续环绕空间的大小以及输出结果之前的处理。针对这些问题,国内外学者也提出了各种改进方法[31,32,33,34,35,36,37,38,39,40,41,42]。

Retinex图像增强算法具有提高全局对比度和局部对比度、增强边缘、颜色恒常、颜色高保真等特性。众多学者基于这个理论的基础上提出一些新的算法,例如针对于雾天降质图像,文献[31]提出一种新的增益函数,对MSR算法进行改进,计算图像亮度及邻近局部亮度的平均值的比值来消除光照影响后的反射分量自适应进行增强,此方法有效地克服图像在平滑区域和高对比度边缘出现过增强而导致噪声放大和边缘晕环的问题,从而得到更清晰的细节和更自然的场景轮廓,取得较好的去雾效果。

常规的Retinex算法由于受多尺度卷积运算的影响,运算复杂度普遍较高,针对这一缺点,文献[32]引入了非线性变换函数修正彩色图像的反射分量和照射分量,修正了Retinex的图像对比度增强方法。为了改善全局视觉效果,全局对比度增强函数拉伸了图像照射分量。非线性S型函数对中间值的改变较大,对较大和较小的反射分量值改变较小,因此改善了图像局部对比度。此方法克服了常规方法的不足,在RGB彩色空间和许多分离色度亮度的彩色空间的处理速度都很快,参数自适应较好,处理图像也没有出现明显的彩色失真现象。对反射分量和照射分量所使用的非线性变换函数还有很多,因此,进一步探索性能更优异的非线性变换函数是下一阶段的研究方向。

3 基于图像增强所用理论的方法

在图像处理发展的过程中,数学始终起着举足轻重的作用,并渗透到图像处理的所有分支中。由于数学理论及方法的引入,促进了图像处理理论与技术的丰富和发展,尤其在图像对比度增强这一分支领域中也得到了广泛的应用。

小波变换是20世纪80年代后期发展起来的应用数学分支,与傅里叶变换相比,小波变换是时域和频域的局部变换,因而能有效地从信号中提取信息,通过伸缩和平移等运算功能,对函数或信号进行多尺度分析。与数字图像处理结合,是小波分析研究领域的重要内容之一。其中,把小波分析应用于图像增强的研究比较少。但是最近几年,出现了一些基于小波变换的图像对比度增强算法[41,42,43,44,45,46,47]。

针对成像质量差、图像对比度低的问题,文献[41]中提出了一种基于小波变换的直方图均衡算法来增强图像对比度。这种方法首先对图像作直方图均衡化,然后对小波变换的一级或二级近似系数的非线性增强处理。利用在这种方法处理图像,在保留了边界信息的同时也使图像细节清晰可辨。传统空域图像对比度增强算法,存在灰度级空间分配不合理和噪声敏感问题,针对这些问题,文献[42]基于图像的局部细节信息分析,提出了一种新的基于小波变换和反锐化掩膜的图像对比度增强算法。该算法依据反锐化掩膜(UM)算法的思想,运用小波变换作为工具在各频段内计算出代表图像局部细节信息和噪声信息的统计量,运用反锐化掩膜的思想,计算出代表局部细节信息,且同时考虑了图像中的噪声信息的统计量,最终将新的统计量用于重新分配灰度级空间,从而使图像的整体对比度得到有效增强,同时也相对明显地抑制了图像的噪声。相对于传统的直方图均衡化算法和反锐化掩膜算法,这种算法结合了小波变化的理论,在处理航拍、医学等特殊领域和一些信噪比低的图像时,获得了更显著的对比度增强效果。

针对小波适用于具有各向同性奇异性的对象,对于各向异性的奇异性,例如表示图像中的边界以及线状特征等时,小波并非总是理想表示工具。因此,1999年Candes & Donoho在小波变换的基础上提出了曲波变换,这种方法适合表示各向异性的多尺度分析,其基函数具有多方向和各向异性等特性,能很好地处理高维函数,可有效地逼近图像中的奇异曲线。由于曲波变换能用极少的非零系数精确表达图像边缘,因此使图像数据更简洁精确,且保证较低的均方误差。文献[43]结合人眼的视觉特性,用曲波作为图像各向异性的多尺度表征方法,提出一种新的非线性图像对比度增强算法,自适应地调整增强函数的控制参量,对图像的不同区域进行不同的处理。经实验表明,用此方法可明显增强图像的对比度,在有效增强图像的重要视觉特征的同时抑制噪声过放大,明显改善了图像视觉效果、增强了层次感,从而有利于图像的后续处理。

近年来,偏微分方程在图像处理领域中的应用研究相对活跃,目前已积累了丰富的研究成果。文献[48]就基于偏微分方程提出了一种改进型保持形状的图像对比度增强算法。这种方法不仅修改并推广了原有的基于 PDE的灰度增强方法,使之可适用于任何设定的灰度拉伸函数,而且给出了一种通用的分段线性拉伸函数设计方法,相比采用累积直方图作为灰度变换函数可达到更好的直方图均衡化效果。还提出了一种松弛阈值化方法用以消除局部反差增强时可能出现的 “斑点效应”。这里提出的改进算法适用于多种自然图像,增强效果良好。由此可以找到待研究问题:首先,在本文所涉及灰度图像增强的过程中,算法是建立在基于直方图均衡的PDE模型上的,这表明了图像增强PDE方法的有效性。因此,继续寻求其他更优秀的灰度图像对比度增强方法对应的PDE。模型是今后研究工作的一个重要方向。其次,由偏微分方程求解保持彩色图像形状的灰度图像中,结果存在边缘模糊化的缺点,这也可以是在后续的研究中要致力解决的问题。

数学形态学是一门建立在严格数学理论基础上的学科,其基本思想和方法对图像处理的理论和技术产生了重大影响。如今,数学形态学已经构成一种新的图像处理方法和理论,成为计算机数字图像处理及分型理论的一个重要研究领域,并且已经应用在多门学科的数字图像分析和处理的过程中。形态学方法已成为图像应用领域工程技术人员的必备工具。目前,数学形态学的技术已经应用在图像对比度增强上。

文献[49]提出一种数学形态学图像对比度增强方法,基于数学形态学边缘提取算法优于微分边缘提取算法的前提,结合数学形态学的相关原理,使用多结构元素、双梯度多尺度进行边缘检测,进而使用这些检测出来的连续边缘进行图像对比度增强,成功地实现了对边缘模糊化的模糊处理。这种方法不仅去模糊效果好,而且提取出的图像边缘较好地保持了原始的细节特征,从而图像的对比度也得到明显的增强。目前,把数学形态学应用在图像对比度增强上的研究还不多,所以,数学形态学将是未来图像对比度增强的发展方向。

尽管上述方法从不同方面解决了处理图像增强的问题,但多数没有考虑图像采集过程,这直接影响图像的视觉质量。而且大多数对比度增强方法没有考虑自然图像的统计特性,文献[50]中提出了贝叶斯框架把上述问题考虑进去。基于一些可能影响采集的图像质量的因素,如快门速度和相机的反映作用,设计了一种可能的贝叶斯模型。另一方面,设计了基于所观察图像和一些自然图像的统计特性的先验模型。用这种方法提出的可能模型和先验模型,其框架能有效地增强在自然方式下图像的对比度,同时抑制了噪声。而且,由于所提出的贝叶斯框架是一个高维优化处理,耗时较长,进一步提出了简化的贝叶斯框架,其低运算复杂度能达到相对较好的效果。

模糊集是1965年由L.A.Zadeh首次提出。模糊集理论作为解决和分析不确定性问题的一种有力工具,已经被成功地应用在模式识别和图像处理领域。近年来,该理论也应用到了图像对比度增强中,以下对基于模糊集的图像对比度增强方法[51,52,53]进行简要介绍。

针对在雾天条件下,户外采集图像对比度下降严重的问题,文献[51]综合考虑降质图像的模糊特性和大气散射所造成的对比度衰减规律,提出了一种基于模糊逻辑的雾天降质图像的对比度增强算法。该算法通过预处理降质图像,降低不同雾况对灰度级分布范围的影响,并根据大气散射对对比度衰减的影响规律,在模糊域内对规范化后的图像实现对比度增强处理。这种算法可以有效改善远景和近景的对比度。文献[52]针对于遥感图像的特点,也提出一种基于广义模糊集在非下采样轮廓波域局部对比度模糊增强方法,这种方法相对来说更具有效性和自适应性。

除这些理论之外,还有很多基于数学理论的对比度增强方法[54,55]。针对不同的问题和应用环境,取得了良好的处理效果,达到了预期的目的。因此,结合数学理论及方法研究图像对比度增强问题,针对图像处理问题进行数学建模、理论分析以及算法研究具有重要的理论意义和应用前景。

4 基于图像增强的自动实现算法

传统的对比度增强技术对于各种低对比度的图像不能产生理想的效果,而且也不能自动应用到不同的图像,因为他们的参数必须根据所给的图像人为地设定才能产生理想的效果。文献[56]提出一种自动的对比度增强的方法。基本的过程就是,首先按照一个选好的标准将一幅低对比度的图像的直方图组成群分为适当数量的组分,然后重新均匀分配这些按照灰度阶,并且最后取消之前分好的灰度级组。这种基本的GLG方法也为技术的扩展提供了平台,例如选择性的灰度级组合法(SGLG)等。但是,Chen的这种灰度级组合法[56,57]同样存在算法复杂度高和对比度增强过大的缺点。

受到GLG方法的启发,文献[57]提出了一种复杂度低,又能保持图像自然度的CE算法,通过对直方图各灰度级的合并和扩展,加上对比度增强程度的控制算法,提高了图像的视觉质量,同时又防止了对比度过增强的现象,使图像看起来更加真实。这种算法有可调的参数,后续工作可以深入研究如何通过设备和图像的清晰度来算出该参数从而达到最佳效果。

近几年来,大量新兴的对比度增强算法[59,60,61]也不断涌现。针对不同的应用环境还有很多新方法,在这里就不一一列举了。

5 存在的问题和进一步的研究方向

近年来,上述几类方法在不断改进。直方图均衡化法趋向于与人体视觉相结合,在增强图像的同时保持图像的原始形态。频域方法、Retinex方法则倾向于与其他方法的结合,其降低噪声的功能可以弥补其他方法的不足。一些基于数学理论的方法重在计算效率上的改进。笔者认为如下几个方面仍需进一步研究:首先,是计算效率的问题。例如局部直方图均衡化法、Retinex方法虽然处理效果好,但缺乏快速算法,这些算法仅适用于图像分析,不能实时使用,局限了其应用范围。其次,是处理问题的范围,多数算法还具有一定的局限性,因此,针对不同的应用环境,进一步找出适应性和鲁棒性更强的方法。将来对于图像对比度增强的研究方向可以从两方面展开:一是将对比度增强的方法应用于一个新的领域。二是在对传统算法不断改进的基础上,引入一些新的方法,将原有理论与新概念有效地融合在一起而形成的新方法,可以是应用新的数学模型,或者是把前人的几种优化算法结合到一起形成一种新的对比度增强的方法。这类方法可以同时发挥不同方法的优点,取得更好的增强效果。

基于小波变换的图像增强方法研究 篇10

关键词：X射线,小波变换,增强方法

1 概述

图像增强技术[1,2]是一种基本的图像处理技术, 是一种能有效改善图像质量的预处理手段, 是根据具体的应用场景和图像的模糊情况而采取特定的增强方法来突出图像中所需的某些重要信息, 削弱或消除一些无关的信息, 使处理过的图像比未处理过的图像更加能突出图像的某些特征。以达到强调图像某些特征的目的。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。图像增强技术主要包括:直方图修改处理、图像平滑处理、图像尖锐化处理和彩色处理技术等。

2 传统的图像增强技术

2.1 基于灰度变换的图像增强技术

基于灰度变换的图像增强技术, 就是对图像上各个像素点的灰度值x按某个函数T () 变换到y, 例如为了提高图像的清晰度, 需要将图像的整个灰度级范围或其中某一段 (A, B) 扩展或压缩到 (A*, B*) ;此外, 若需要显示出图像的细节部分, 也要采用灰度变换方法。灰度变换有时又称为图像的对比度增强或对比度拉伸。假定输入图像中的一个像素的灰度级为z, 经过T (z) 函数变换后输出图像对应的灰度级为z*, 其中要求z和z*都要在图像的范围之内。

2.2 基于局部对比度的图像增强技术

局部对比度增强方法是在以像素为中心的处理窗口内, 根据该窗口平均灰度值MÁÁÂ来进行增强, 其公式为:

式中, k为放大倍数, f (x, y) 为原始输入图像 (x, y) 处灰度值, g (x, y) 为增强输出图像 (x, y) 处灰度值。当k 1时, 如果f (x, y) M, 则g (x, y) f (x, y) ;如果f (x, y) M, 则g (x, y) f (x, y) 。使用局部对比度图像增强方法能强化局部图像细节, 对不均匀图像具有良好的增强效果[3]。

2.3 基于小波变换的图像增强技术

小波处理方法在增强图像细节的同时抑制了图像的噪声, 该方法通过小波变换使原图像中不同分辨率的细节特征随尺度的不同而分离。然后, 利用非线性变换函数对不同尺度小波分量分别进行变换, 使原始图像中不同分辨率的细节特征都得到增强。具体算法为:

2.3.1 利用图像小波变换的基础，对图像进行小波分解，得出边缘轮廓低频部分的小波系数 和图像细节高频部分的小波系数，其中，根据分解级数 j 的大小可以得出增强效果的好坏(即对图像进行小波分解，分解级数越多，越能充分利用各层细节具有相同位置和方向的系数之间的相关性) 但并非分解级数越多越好，过大的分解层数在增强算法的运算时间的同时，还会增大计算量，但此时的处理效果并没有明显变好，所以不是分解级数越多越好。经过反复实验根据实验数据比较得出当分解级数为 2 时，选用不同小波基的处理效果最佳;

2.3.2.对边缘轮廓部分和细节搞频部分利用本文增强算法针对不同的小波基来修改小波系数;加权系数 h1和 h2利用 haar、db2、db4、sym4、dmey、coif4 这几种小波基经过多次反复实验最后得出取h1和 h2的最佳值，以达到最好的增强效果;

2.3.3 最后进行小波重建，得到增强处理后的图像。

3 实验结果

对利用便携式X光机照射的图像进行增强处理, 并对其图像进行直方图均衡化方法、局部对比度方法以及利用小波变换的加强高频、弱化低频的方法等三种增强处理方法的比较。对表1进行分析, 不难发现, 本文方法由于对图像小波系数的低频部分进行了亮度的调节, 增加了图像亮度的动态范围, 而高频系数部分经过处理后对图像细节的损失不大, 故经过本文处理后的图像在信息熵这一指标上更符合要求。所以本文中采用其中任一种小波基的增强处理效果都比这两种传统的图像增强方法处理效果要好;而对于不同小波基得到的增强效果又有差别, 从表中可以看出使用sym4小波基时, 得到的信息熵最小位7.6228, 峰值信噪比69.4775却比较小;采用dmey小波基时的峰值信噪比达到最大值71.7531, 说明增强后, 图像会损失一部分细节信息, 图像噪声被大大的抑制。但此时的信息熵却是7.6335;另外从视觉效果来看, 采用直方图均衡化方法增强处理后的图像导致边缘信息丢失;采用局部对比度增强方法处理后的图像在对整体增强的同时不能强化突出霉心病的部分;选用dmey小波基的增强处理后图像的特征信息最突出;由以上两方面综合可得出:选用dmey小波基对其进行增强处理的效果最好。

参考文献

[1]石福斌, 鲁颖欣, 苗世迪.X射线炮弹图像增强技术的应用研究[J].哈尔滨理工大学学报, 2006, 11 (5) :31-36.

[2]Javad Musevi Niya, Ali Aghagolzadeh.Edge detection using di-rectional wavelettransform[J].IEEE Melecon, 2004, 47:630-640.