绘芯展厅在线 - 专业的数字展厅设计平台!

滑轨屏|幻影成像|互动投影|全息柜|-@绘芯展厅在线

基于Retinex的图像增强算法研究

时间:2016-08-09 14:36来源:未知 作者:admin 点击:
本文提出了基于 Retinex 可变框架模型的图像增强算法。实验证明该算法不但能有效的增强图 像的质量,还能避免 Retinex 算法中带来的光晕效应,同时算法速度 与同类型的图像增强算法比较更快速。之后,将这种理论运用到对彩 色图像增强中,取得了很好的处理效

 

基于Retinex 的图像增强算法研究

 

【摘要】:本文根据均衡化的变换函数通过计算得到所需要的增强效果的图像的直方图。阐述和分析了图像增强的点处理、空间域滤波、频域滤波、代数运算。用直方图均衡化的算法增强灰度图像,并在matlab中实现,达到了图象增强的目的,取得了较好的效果。

本文提出了基于 Retinex 可变框架模型的图像增强算法。实验证明该算法不但能有效的增强图 像的质量,还能避免 Retinex 算法中带来的光晕效应,同时算法速度 与同类型的图像增强算法比较更快速。之后,将这种理论运用到对彩 色图像增强中,取得了很好的处理效果。

【关键字】:Retinex,图像处理;图像增强;均衡化

 

1         前言

1.1      国内外研究综述

数字图像处理(Digital Image Processing)又称为计算机图像处理,它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代,当时的电子计算机已经发展到一定水平,人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。

早期的图像处理的目的是改善图像的质量,它以人为对象,以改善人的视觉效果为目的。图像处理中,输入的是质量低的图像,输出的是改善质量后的图像,常用的图像处理方法有图像增强、复原、编码、压缩等。

首次获得实际成功应用的是美国喷气推进实验室(JPL)。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术,如几何校正、灰度变换、去除噪声等方法进行处理,并考虑了太阳位置和月球环境的影响,由计算机成功地绘制出月球表面地图,获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理,以致获得了月球的地形图、彩色图及全景镶嵌图,获得了非凡的成果,为人类登月创举奠定了坚实的基础,也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术,如对火星、土星等星球的探测研究中,数字图像处理技术都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。

1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置,也就是我们通常所说的CTComputer Tomograph)。CT的基本方法是根据人的头部截面的投影,经计算机处理来重建截面图像,称为图像重建。1975EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。1979年,这项无损伤诊断技术获得了诺贝尔奖,说明它对人类作出了划时代的贡献。与此同时,图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就,属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等,使图像处理成为一门引人注目、前景远大的新型学科。

70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界,这被称为图像理解或计算机视觉。很多国家,特别是发达国家投入更多的人力、物力到这项研究,取得了不少重要的研究成果。其中代表性的成果是70年代末MITMarr提出的视觉计算理论,这个理论成为计算机视觉领域其后十多年的主导思想。图像理解虽然在理论方法研究上已取得不小的进展,但它本身是一个比较难的研究领域,存在不少困难,因人类本身对自己的视觉过程还了解甚少,因此计算机视觉是一个有待人们进一步探索的新领域。

1)航天和航空技术方面的应用数字图像处理技术在航天和航空技术方面的应用,除了上面介绍的JPL对月球、火星照片的处理之外,另一方面的应用是在飞机遥感和卫星遥感技术中。许多国家每天派出很多侦察飞机对地球上有兴趣的地区进行大量的空中摄影。对由此得来的照片进行处理分析,以前需要雇用几千人,而现在改用配备有高级计算机的图像处理系统来判读分析,既节省人力,又加快了速度,还可以从照片中提取人工所不能发现的大量有用情报。从60年代末以来,美国及一些国际组织发射了资源遥感卫星(如LANDSAT系列)和天空实验室(如SKYLAB),由于成像条件受飞行器位置、姿态、环境条件等影响,图像质量总不是很高。因此,以如此昂贵的代价进行简单直观的判读来获取图像是不合算的,而必须采用数字图像处理技术。如LANDSAT系列陆地卫星,采用多波段扫描器(MSS),在900km高空对地球每一个地区以18天为一周期进行扫描成像,其图像分辨率大致相当于地面上十几米或100米左右(如1983年发射的LANDSAT-4,分辨率为30m)。这些图像在空中先处理(数字化,编码)成数字信号存入磁带中,在卫星经过地面站上空时,再高速传送下来,然后由处理中心分析判读。这些图像无论是在成像、存储、传输过程中,还是在判读分析中,都必须采用很多数字图像处理方法。现在世界各国都在利用陆地卫星所获取的图像进行资源调查(如森林调查、海洋泥沙和渔业调查、水资源调查等),灾害检测(如病虫害检测、水火检测、环境污染检测等),资源勘察(如石油勘查、矿产量探测、大型工程地理位置勘探分析等),农业规划(如土壤营养、水份和农作物生长、产量的估算等),城市规划(如地质结构、水源及环境分析等)。我国也陆续开展了以上诸方面的一些实际应用,并获得了良好的效果。在气象预报和对太空其它星球研究方面,数字图像处理技术也发挥了相当大的作用。

2)生物医学工程方面的应用数字图像处理在生物医学工程方面的应用十分广泛,而且很有成效。除了上面介绍的CT技术之外,还有一类是对医用显微图像的处理分析,如红细胞、白细胞分类,染色体分析,癌细胞识别等。此外,在X光肺部图像增晰、超声波图像处理、心电图分析、立体定向放射治疗等医学诊断方面都广泛地应用图像处理技术。

3)通信工程方面的应用当前通信的主要发展方向是声音、文字、图像和数据结合的多媒体通信。具体地讲是将电话、电视和计算机以三网合一的方式在数字通信网上传输。其中以图像通信最为复杂和困难,因图像的数据量十分巨大,如传送彩色电视信号的速率达100Mbit/s以上。要将这样高速率的数据实时传送出去,必须采用编码技术来压缩信息的比特量。在一定意义上讲,编码压缩是这些技术成败的关键。除了已应用较广泛的熵编码、DPCM编码、变换编码外,目前国内外正在大力开发研究新的编码方法,如分行编码、自适应网络编码、小波变换图像压缩编码等。

4)工业和工程方面的应用在工业和工程领域中图像处理技术有着广泛的应用,如自动装配线中检测零件的质量、并对零件进行分类,印刷电路板疵病检查,弹性力学照片的应力分析,流体力学图片的阻力和升力分析,邮政信件的自动分拣,在一些有毒、放射性环境内识别工件及物体的形状和排列状态,先进的设计和制造技术中采用工业视觉等等。其中值得一提的是研制具备视觉、听觉和触觉功能的智能机器人,将会给工农业生产带来新的激励,目前已在工业生产中的喷漆、焊接、装配中得到有效的利用。

5)军事公安方面的应用在军事方面图像处理和识别主要用于导弹的精确末制导,各种侦察照片的判读,具有图像传输、存储和显示的军事自动化指挥系统,飞机、坦克和军舰模拟训练系统等;公安业务图片的判读分析,指纹识别,人脸鉴别,不完整图片的复原,以及交通监控、事故分析等。目前已投入运行的高速公路不停车自动收费系统中的车辆和车牌的自动识别都是图像处理技术成功应用的例子。

6)文化艺术方面的应用目前这类应用有电视画面的数字编辑,动画的制作,电子图像游戏,纺织工艺品设计,服装设计与制作,发型设计,文物资料照片的复制和修复,运动员动作分析和评分等等,现在已逐渐形成一门新的艺术--计算机美术。

1.2       Matlab系统简介

Matlab系统主要由五大部分组成,分别为Matlab语言、Matlab工作环境、Matlab数学函数库、图形句柄系统和Matlab应用程序接口。

(1) Matlab语言

Matlab语言是一种以矩阵(matrix)和阵列(array)为基本编写单元的,拥有完整的控制语句、数据结构、函数编写与调用格式的具有面向对象程序设计的高级程序语言。与其它高级程序设计语言相比,Matlab语言除了执行效率要低于高级语言之外,无论是在编程的效率、可读性还是可移植性方面都远远高于其它高级语言,但是Matlab开发的程序不能脱离其解释执行环境而运行。

(2) Matlab工作环境

Matlab工作环境简而言之就是一系列实用工具的集合,它不但包括了各种工作空间中变量的工具和管理数据输入输出的方法,而且包括了开发调试.m文件和Matlab应用程序集成环境,使用起来极为方便。

(3) Matlab数学函数库

Matlab数学函数库是大量的各种形式数学函数和算法的集合,它不但包括了最基本的初等函数,如sumsincos和复数运算等,而且包含了大量复杂的高级函数和算法,如贝塞尔函数、快速傅里叶变换和矩阵求逆等。用户在编写程序时,可以轻松地调用这些函数和方法,从而方便了算法的开发[5]

(4) Matlab图形句柄系统

Handle GraphicsMatlab的图形系统。它在包含了大量高级的2D3D数据可视化、图形显示、动画生成和图像处理命令的同时,还提供了许多低级的图形命令,允许用户按照自己的要求显示图形和定制应用程序图形用户接口,既方便又灵活。

(5 ) Matlab应用程序接口

Matlab应用程序接口是Matlab为用户提供的一个功能完善的函数库,它包含了大量的MatlabC语言之间的接口函数,是Matlab的一个非常重要的组成部分。通过它,不仅可以在Matlab下以动态连接库的形式调用C语言编写的子程序,而且可以在C语言中调用Matlab的大量函数,将Matlab作为一个计算引擎,同时还能完成Matlab与外界必要的数据交换,极大的增强了Matlab的灵活性,非常实用,本课题将重点研究Matlab引擎库函数和图像处理系统接口的连接。

 

1.3          常见的几种图像增强方法

 

 

图像增强根据图像的模糊情况采用各种特殊的技术突出图像中的某些信息, 削弱或消除无关信息达到强调图像的整体或局部特征的目的图像增强尚没有统 一的理论方法常用的图像增强技术有直方图修改图像平滑滤波图像锐化等。 图像增强技术主要分为两类频域增强法和空域增强法频域增强法主要是利用 各种频域滤波器进行图像平滑或锐化处理,然后进行变换域反变换来增强图像。 空域增强法是直接针对图像中的像素对图像的灰度进行处理空域法属于直接 增强的方法它包括扩展对比度的灰度变换和直方图变换消除噪声的平滑法和 增强边缘的锐化。

 

 

 

1.3.1  频域增强法

频域法是应用变换技术如傅立叶变换等用数字滤波方法修改图像频谱再反 变换得到增强图像。如果用数学表示即把变换后的频域函数乘以传递函H(u, v),即

 

G(u, v)  = H(u,  v)*F(u, v)                            (1.2.1)

再用反变换得到增强后的图像 g(x, y)

 

g(x, y)  = F-1[H(u,  v)*F(u, v)]                            (1.2.2)

显然处理后的图像 g(x, y)比原图像 f(x, y)在某些方面更突出。如强调低 频分量的低通滤波将使图像除去高频噪声得到平滑的结果相反强调高频分量 的高通滤波将使图像的边缘得到增强起到勾画轮廓的作用具体来说频域变 换可以分为以下几类。


1.3.2  空域增强法

低通滤波就是使低通信号畅通无阻,而阻止高频信号通过。常见的低通滤波 器有理想低通滤波器,巴特沃思低通滤波器,高斯低通滤波器等[8]。在频率域中, 高频信息包含边缘特征和孤立噪声点,所以低通滤波起了平滑图像去除噪声的增 强作用。

高通滤波与低通滤波相反,对图像进行锐化处理,常见的高通滤波器有理想 高通滤波器,巴特沃思高通滤波器,高斯高通滤波器和频率域的拉普拉斯算子等。

同态滤波利用亮度反射模型来对图像进行频域处理,通过对图像同时进行灰 度动态范围压缩和对比度增强来改变图像的外观。由于同态滤波使建立在亮度反 射模型基础上的,因此,它可以最大限度的模拟人眼的视觉特性来对图像进行处 理,但是由于在实际之中,建立在频率域的同态滤波往往找不导一种足够理想的 低通或高通滤波器来计算亮度和反射图像,因此,自适应效果并不能得到良好的 保证,同时,由于在频率域中由于多次变换的存在,很难对图像进行实时性的处 理。

空间域处理可以用下式定义:

 

g(x, y)  = T[f(x, y)]                                   (1.3.1)

 

 

1.3.3  小波变换及其在图像增强中的应用

 

(一)     小波变换的概念

小波变换是近十几年发展起来的目前已成为国际上极为活跃的邻域备 受科学技术界重视它不仅在应用数学上已形成一个新的分支而且在信号处理, 图像处理模式识别量子物理等众多非线性科学邻域也有广泛的应用被认为 是继傅立叶分析之后,在分析工具和方法上的重大突破。

小波分析的主要优点是它提供了局部分析何细化的能力,因此,它在时域和频域都具有良好的局部特性,而且由于对高频采取逐渐精细的时域或空域步长, 从而可以聚焦到分析对象的任意细节。与传统的信号分析技术相比,小波分析还 能在没有明显技术损失的情况下,对信号进行压缩和去噪。

 

 

(二)     小波变换理论基础

 

 

 

信号分析时为了获得时间和频率之间的关系。傅立叶变换提供了有关频率域 的信息,但有关时间的局部化信息却基本丢失,与傅立叶变换不同,小波变换可 以理解为用经过缩放和平移的一系列小波函数代替傅立叶变换的正弦和余弦函 数进行傅立叶变换的结果,它通过缩放母小波(Mother Wavelet)的宽度来获得信 号的频率特征,通过平移母小波来获得信号的时间信息。对母小波的缩放和平移 操作是为了计算小波系数,这些小波系数反映了小波和局部信号之间的相关程 度。

1、连续小波变换(CWT

 

连续小波变换可以用下式表示

 


文本框:

 

 

 

 

 

 

 

 

 

连续小波变换的结果是许多小波系数,这些系数是缩放因子 s 和平移函数 p

2、离散小波变换

 

在连续小波变换情况下,在每个可能的缩放因子和平移参数下计算小波系 数,其计算量非常大,如果缩放因子和平移参数都选择是 2 j j>0 且为整数)的 倍数,即只选择部分缩放因子和平移参数来进行计算,就会使分析的数据大大减少。使用这样的缩放因子和平移参数的小波变换成为双尺度小波变换,它是离散小波变换的一种形式,但通常离散小波变换也就是指双尺度小波变换。

3、小波重构

 

将信号的小波分解分量进行处理后,一般还要根据需要把信号恢复出来,也 就是利用小波分解的系数还原出原始信号,这一过程称为小波重构或叫小波合 成,也叫逆小波变换。小波合成是使用小波系数来进行的,小波分解包括滤波与 下采样,小波重构过程则包括上采样和滤波。


(三)     小波变换在图像增强中的应用

 

 

 

小波变换用于图像增强的原理是,对原图像进行小波变换,得到的小波变换 系数矩阵分别表示的是不同的频率特性。为此,一个简单的图像增强方法是,对 低频,次低频,次高频,高频四个子块以不同的增强系数进行处理,再进行小波 逆变换之后,就可以达到图像增强的目的。例如,对低频子块以大于 1 的增强系 数相乘,则可以提高图像的总体亮度,对其它三个子快进行增强,则可以增强图 像的细节信息,由此可以获得清晰化的图像效果。

同时,小波变换还可以用来去除图像中的噪声。由于噪声大多属于高频信息, 因此,当进行小波变换之后,噪声信息大多集中在次低频,次高频以及高频子块 之中。进行小波变换之后,将高频子块置为 0,对次低频和次高频子块进行一定 的抑制,则可以达到一定的噪声去除效果。

1.4      Retinex 图像增强算法

 

 

1.4.1       Retinex 算法简介

 

 

Retinex(视网膜Retina和大脑皮层Cortex的缩写) Edwin Land 提 出来的一个关于人类视觉系统(Human  Visual  System)如何调节感知到物体的颜 色和亮度的模型,它诠释了为什么同样的物体在不同光源或光线底下颜色是恒定 的(color constancy),如在黎明或黄昏的太阳光下,或在白炽灯下,或在烛光 下,同样物体的颜色在人类视觉系统中是一样的。不同于传统的图像增强算法, 如线性、非线性变换、图像锐化等只能增强图像的某一类特征,如压缩图像的动 态范围,或增强图像的边缘等,Retinex 可以在灰度动态范围压缩,边缘增强和 颜色恒定性三方面达到平衡,因而可以对各种不同类型的图像进行自适应性地增 强。正因为 Retinex 这种良好的属性,使 Retinex 在很多方面得到了广泛的应用, 如医疗影像处理,遥感图像处理,自然颜色显示等等。

Retinex 的基本原理是将一幅图像分为亮度图像和反射图像两部分,然后通


过降低亮度图像对反射图像的影响而达到增强图像的目的。由于 Retinex 是建立 在实验基础之上,没有统一的数学模型,因此,从 Edwin                      Land 1971 年首次 提出 Retinex 模型以来,先后出现了多种不同的 Retinex 算法,如单尺度 retinex(Single Scale Retinex)算法,多尺度  Retinex(Multiscale-  Retinex) 算法,  McCanns Retinex 算法等等。尽管这些经典的 retinex 算法看起来不一 样的,但实质上他们非常相似,都通过对原图像进行某种高斯平滑来提取亮度图 像,并且通过复杂的计算使提取的亮度图像尽量准确。尽管不同的 Retinex 算法 看起来不同,但是其基本原理与处理过程是相似的。

1.4.2       LandRetinex理论

图像的形成主要由两部分构成,如图4-3所示,分别是入射光和反射物体, 最后形成的图像可以公式表示:

文本框:


 

 

4-1 Retinex 原理示意图

 

其中,R(x, y)表示入射光,L(x, y)表示物体的反射性质,S(x,y)是反射光, 被观察者或照相机接受就形成了彩色图像。而事实上,入射光R(x,  y)直接决定 了一幅图像中像素能达到的动态范围,反射物体R(x, y)决定了图像的内在性质。 Retinex理论的目的就是为了从图像S中获得物体的反射性质L,即抛开入射光的 性质来获得物体的本来面貌。将式4.5.1放在对数域处理,有两个好处:


(1)对数形式接近人眼亮度感知能力。

 

(2)可以将复杂的乘积形式变成简单的加减。得到如下式:

 


文本框:

 

 

 


 

 

 


其中,
s( x, y) = log(S ( x, y)), r ( x, y) = log( R( x, y)), l ( x, y) = log( L( x, y))


 

直接获得物体的反射部分是不太现实的,因此  可以先估计出入射光部分l, 而s是已知的然后再通过加减关系获得反射部分rRetinex的算法流程如图4-2

所示。


文本框:

 

4-2 Retinex 算法的一般过程

 

1.4.3       Retinex 的分类

Retinex 理论进行图像增强的关键是从原图像中有效的计算出亮度图像, 但是从原图像计算亮度图像在数学上是一个奇异问题因此只能通过数学上近 似估计的方式估算亮度图像Retinex 理论发展的过程中根据估计亮度图像 方法的不同先后出现了许多种基于 Retinex 理论的图像增强方法如最开始的 随机步行算法,泊松方程算法,同态滤波算法,到后来有名的单尺 Retinex 算法,多尺 Retinex  算法,McCanns  Retinex  算法等一直到最新的可变 Retinex 模型等等在这些不同的算法之中单尺度 Retinex 算法多尺度

 

 

  

 

 

文本框:

 

 

4-3 Retinex 算法的一般过程


算法,McCanns Retinex 算法和可变 Retinex 模型最为经典,因此,下面分别 予以介绍。

 

 

(一)     单尺度 Retinex 算法

 

 

 

单尺度 Retinex 算法是杰泊森(Jobson) 和他的同事在 1997 年对爱德文·兰 德(Edwin Land)中心/环绕 Retinex(Center/Surround   Retinex)的改进和实现。 设原图像为 I(x, y)亮度图像为 L(x, y)反射图像为 R(x, y)I(x, y)=L(x, y)*R(x, y)同时假设亮度图像是平滑的则在对数域中单尺度 Retinex 可以 表示为:

文本框:


其中 G(x,  y)为低通卷积函数,用来从原图像中估算亮度图像 L(x, y)。下面从 视觉理论和光学理论两方面介绍单尺度 Retinex 可以实现颜色恒定性动态范围 压缩和边缘增强的机理。

根据视觉理论,人眼之所以能够看物体,是因为场景中存在光源亮度 (Source Illumination)和物体反射(Object  Reflectance),在图像中它们分别 对应于亮度图像和反射图像由于物体反射何种颜色的光线是由物体本身的性质 决定的,不因光源或光线亮度的变化而变化。因此(4.6.1)表明,通过在原图 像中去除亮度图像即光源亮度的影响就可以得到对物体反射光线颜色的本质描 述,即颜色恒定性。

同时,由于人眼对灰度跳变处即边缘等高频息比较敏感,由于式(4.6.1) 中的卷积函数是低通函数,因此用 G(x,  y)估算的亮度图像 L(x, y)对应于原图 像的低频部分,单尺度 Retinex 从原图像中去除低频部分 L(x, y),得到的是原 图像高频部分的描述即对应于边缘因此单尺度 Retinex 不仅可以实现颜色 恒定性,而且可以实现边缘增强。

根据光学理论,假设 S(x,  y)  表示光源亮度的空域分布,O(x,  y)表示场景

 

中物体反射光线的分布。则人眼中物体反射光线的分布可以描述为:

文本框:



 

是光源光线空域分布和反射光线分布平均值的乘积,描述人眼中物体的亮度。通常光源亮度本身是不变的,即:

 


文本框:

 

 

 

 

将式(4.6.3)代于式(4.6.2)式中可以得到:

 

这也就说明了反射图像 R(x, y)仅由反射光线分布和反射光线分布的平均值 来决定与光源亮度无关因此如果可以从原图像中计算出亮度图像便可以 得到反射图像的数学描述 R(x, y),进而实现颜色恒定性,动态范围压缩和边缘 增强。但是,从原图像中计算亮度图像在数学上是一个奇异问题。在单尺 Retinex 图像增强算法中杰泊森(Jobson)论证了高斯卷积函数可以对原图像提 供更局部地处理,因而可以更好的增强图像,其可以表示为:


文本框:

 

 

其中 是常量矩阵,它使得


文本框:

 

 

c 尺度常量。c 越小,灰度动态范围压缩的越多,c 越大,图像锐化的越厉害。 实验表明,尺度常量在 80 100 之间时,灰度动态范围压缩和对比度增强可以 达到较好的平衡。

(二)     多尺度 Retinex 算法

 

多尺度 Retinex 是单尺度 Retinex 的加权平均,如用 r(x,y)表示最后得到 的反射图像,则多尺度 Retinex 在对数域中可表示为:

 


 

N 表示尺度的个数,通常 N3 wi 表示加权系数,若 N=3,则 wi 1/3;

 


ci  表示尺度实验证明 ci  1580200 可以得到较好的结果近年来们在多尺Retinex 算法中引入了颜色恢复算子,形成了带颜色恢复的多Retinex 增强算法,这钟算法对彩色图像具有非常好的视觉增强效果。

 

 

 

1.5      传统图像增强算法比较分析

 

 

 

 

传统的图像增强算法如上文所述虽然算法简单但阐明了图像增强最基 本的原理在整个图像增强理论发展中它们也可以称之为最经典的算法但是 由于图像本身的复杂性和不确定性特别是随着现代图像应用的增多传统的图 像增强算法也显示出很多局限性如需要人机交互来经验地调节参数以获得良好 的增强效果。

具体来说对空域法中的灰度变换变换函数需要根据增强图像的不同而不 同变换函数一经确定就只能处理某一类或者某一些图像而对有些类型的图 像如何找到合适的变换函数也是一个极大的难点直方图均衡虽然不需要通过 人机交互的方式不断修正调节参数当是由于直方图变换是建立在对灰度级信息 全局的统计分析基础之上因此直方图在增强图像全局对比度的同时也往往 引起细节和局部信息的丢失传统的平滑算法和锐化算法虽然可以良好的平滑噪 声和增强边缘细节但平滑噪声的同时往往带来细节和边缘的模糊而对细节和 边缘锐化时又往往引起噪声与此同时对不同的噪声往往还需要采用不同的平 滑方法这些局限性都严重限制了传统图像增强算法在实际中的应用效果和应用


价值。 频域中的高通和低通滤波在处理效果上同锐化平滑一样分别增强图像的边

缘等细节和去除图像中的噪声信息由于傅立叶变换本身的特性即其容易引起 振铃效应也给频率域图像增强方法增加了效果的不确定性同态滤波虽在思想和 方法上比较新颖,但将图像分为解亮度图像和反射图像在数学上是一个奇异问 传统的同态滤波用傅立叶变换的低频部分和亮度图像相联系用傅立叶变换 的高频部分和反射部分相联系但实际中又很难找到一种对各种图像都适宜的低 通和高通滤波器因此建立在傅立叶变换基础上的同态滤波也往往不能够获得 良好的增强效果尽管如此同传统的灰度变换直方图均衡平滑和锐化方法 相比,同态滤波无论在处理效果上还是才算法思想原理上都有巨大的进步。

小波变换是近年来发展起来的一种较新的图像处理方法,在图像增强中, 也获得了较多的应用由于小波变换本身的特性其对图像细节和局部信息的增 强效果与传统的锐化方法相比具有更大的优越性也正因此小波变换在增强 图像细节的同时往往引起图像整体视觉效果的损失同时常常也带来大量的噪 声。


 

1.6      本课题的设计目的及设计意义

 

影响系统图像清晰程度的因素很多,例如室外光照度不够均匀就会造成图像灰度过于集中;由CCD(摄像头)获得的图像经过A/D(数/模转换,该功能在图像系统中由数字采集卡来实现)转换、线路传送都会产生噪声污染等等。因此图像质量不可避免的降低了,轻者表现为图像不干净,难于看清细节;重者表现为图像模糊不清,连概貌也看不出来。

因此,在对图像进行分析之前,必须要对图像质量进行改善,一般情况下改善的方法有两类:图像增强和图像复原。图像增强不考虑图像质量下降的原因,只将图像中感兴趣的特征有选择的突出,而衰减不需要的特征,它的目的主要是提高图像的可懂度。图像增强的方法分为空域法和频域法两类,空域法主要是对图像中的各个像素点进行操作;而频域法是在图像的某个变换域内,对图像进行操作,修改变换后的系数,例如付立叶变换、DCT变换等的系数,然后再进行反变换得到处理后的图像。图像复原技术与增强技术不同,它需要了解图像质量下降的原因,首先要建立"降质模型",再利用该模型,恢复原始图像。

图像增强是数字图像处理中的重要而基本的内容。增强的首要目标是处理图象,使其比原始图象更适合特定应用。通过直方图均衡化技术来实现图像增强,首先就是对原图像通过离散函数进行直方图处理。得到原图像的直方图后,根据均衡化的变换函数通过计算得到所需要的增强效果的图像的直方图。阐述和分析了图像增强的点处理、空间域滤波、频域滤波、代数运算。用直方图均衡化的算法增强灰度图像,并在matlab中实现,达到了图象增强的目的,取得了较好的效果。

数字图像的增强是图像处理中的一个重要研究内容之一,是图像处理的一项基本技术。图像增强是指按特定的需要突出一幅图像的某些信息,同时,削弱或除去某些不需要的信息的处理方法。通过对本课题的毕业设计,能从以上几个方面来认识数字图像的有关知识,深刻理解数字图像的增强方法,特别是直方图均衡化方法的理论知识及其相关应用。同时,能使本人掌握进行科学研究的基本方法和步骤,进一步熟悉matlab等软件开发工具的使用。熟练掌握软件开发的基本步骤和过程以及论文撰写的格式,加强了理论知识的应用,很好地锻炼了自己的理论联系实际的能力。
   
数字图像增强只是数字图像处理的一个小部分。我们要做好数字图像增强就先要了解数字图像处理的内容。

数字图像处理是一门多学科的综合学科,本设计介绍了基于人类视觉系统的图像增强理论,在众多理论中 retinex 理 论最为引人瞩目。本文通过对 retinex 理论模型的改进和优化,提出了一种新的基于 Retinex 可变框架模型的图像增强算法,实验证明该算法不但能有效的增强 图像的质量,还能避免 retinex 算法中带来的光晕效应,同时算法速度与同类型 的图像增强算法比较跟快速。之后,将这种理论运用到对彩色图像增强中,取得 了很好的处理效果。在本章的最后。还对图像增强中经常会出现的噪声现象进行 了分析,并提出了行之有效的解决方案,并通过实验数据,证实了新的去噪算法 的有效去噪和保留图像细节的良好平衡性。它会聚了光学、电子学、数学、摄影技术和计算机技术等众多学科方面。它通过对原始图像的加工,使之能具备更好的视觉效果或能满足某些应用的特定要求。数字图像处理和光电检测技术、计算机科学、多媒体技术及专家系统等技术密切相关,经过半个多世纪的发展,目前已广泛地应用于工业、医疗保健、航空航天、军事等各个领域。它是一门偏重于应用的工程学科。作为计算机应用系列课程的一门实用性较强的课程,利用计算机进行数字图像处理已成为计算机应用的重要分支之一。本课程操作性和实用性较强,能充分发挥你的兴趣及悟性。

 

综上所述,研究图像处理的方法及其算法,是非常必要的。

 


其中 f(x, y)是输入图像,g(x, y)是处理后的图像,T 是对 f 的一种操作,

其定义在(x, y)的邻域。根据 T 的不同或者说操作的不同,空域法又可以进一步 划分为以下方法:

 

 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


1-2 空域图像增强方法

 

 

其中灰度变换又可以分为线性变换,分段线性变换,非线性变换等等,根据 图像不同的类型,选择不同的变换函数。变换函数一经确定,就只能对图像进行 特定的变换如增加或者减少图像亮度等等,由于它提供的是一种全局的处理,因 此,往往不能获得良好的处理效果,更不用说对图像进行自适应处理。

直方图修正基于概率理论,是图像增强最常用最重要的方法之一,它可以使 原图像灰度级集中的区域在修正以后均匀分布,从而增大反差,使图像细节清晰。 由于直方图修正是建立在统计基础之上的,所以同灰度变换相比,其对图像具有 更好的增强效果。同时由于它可以使变换后图像的灰度级均匀分布,使得各种不 同类型的图像在变换以后在灰度级上具有相似的特性,因此,从某种程度上来说, 直方图修正可以对图像进行自适应性的增强,但由于直方图修正使建立在对图像 全局信息统计基础之上,全局信息的修正往往引起局部信息得丢失,很多时候其 不能保证对图像提供良好的增强效果。

邻域平均是清除图像噪声得一种空域技术,邻域的大小通常取 3×3 或者 5

×5,有时也可以取更大的邻域。对图像中特定种类的噪声,应用邻域平均法可 以进行有效得清除,但是,在清除噪声的同时,邻域平均法也往往引起图像边缘得模糊。

空域低通滤波可以有效抑制图像中具有空间不相关性的噪声,但在抑制噪声 平滑图像的同时,其也往往会引起图像边缘的模糊。

中值滤波是一种非线性的处理方法,它可以在抑制图像噪声的同时而不使边 缘模糊。中值滤波对随机点状噪声抑制效果较好,但随着窗口的扩大,有效信号 损失也明显增大,因此,中值滤波在应用中也具有很多局限性。

递归滤波是一种具有反馈作用的运算,输出图像不仅与原始图像有关,而且 同输出的过去值也有关。

离散空间差分法是一种简单的图像锐化方法,用来对图像的边缘进行增强, 它应用各种算子计算数字图像中的一阶灰度差,二阶灰度差,以突出具有明显灰 度差的图像边缘区。经典的 Laplacian 算子,Sobel 算子,Canny 算子等等都是 离散差分法的一种形式,这些算子在增强图像边缘的图像,往往也引入大量的噪 声。

空域高通滤波与空域低通滤波相对应,用来完成勾画图像边缘的任务,但是 也常常在增强图像边缘的同时,也常常会增强图像中的噪声。

 

 

 

2         数字图像的特征提取和分析

一幅数字图像所蕴涵的信息是十分庞杂的,利用这些信息中前,往往需要进行图像的特征提取和分析。由于景物的物理与几何特性差异,在图像中表现为局部区域的灰度产生明显变化,形成影像特征。图像特征提取就是提取构成目标影像的特征,主要有点特征提取和线特征提取。而图像分析是在特征提取得基础上,通过对目标特征的分析和匹配来识别目标。图像分析的主要手段有纹理分析、多维信息分析、匹配和分类、和区域分割等。

2.1      点特征提取

点特征主要指图像中的明显点,如房屋角点、圆点等,在图像匹配合遥感影像定位中很有用。用于点特征提取得算子称为有利算子或兴趣算子。自七十年代以来出现一系列各不相同、个有特色的兴趣算子,叫知名的有Moravec算子、Hannah算子与Foistner等。 

 下面以Moravec算子为例说明点特征提取:

Moravec算子的基本思想是,以像元的四个主要方向上最小灰度方差表示该像元与邻近像元的灰度变化情况,即像元的兴趣值,然后在图像的局部选择具有最大的兴趣值得点(灰度变化明显得点)作为特征点,具体算法如下:

1)计算各像元的兴趣值IV(interest value),例如计算香元(cr)的兴趣值,先在以像元(cr)为中心的n×n的影像窗口中(如图3.1所示的5×5的窗口),计算四个主要方向相邻像元灰度差的平方和:

                                3.1 5×5的窗口

    

 3-1  

其中kINT(n/2)。取其中最小者为像元(cr)的兴趣值:

               3-2

2)根据给定的阈值,选择兴趣值大于改阈值的点作为特征点的候选点。阈值得选择应以候选点中包括需要的特征点,而又不含过多的非特征点。

3)在候选点中选取局部极大值点作为需要的特征点。在一定大小的窗口内(可不同于兴趣值计算窗口),去掉所有不是最大兴趣值的候选点,只留下兴趣值最大者,该象素即为一个特征点。

2.2      线特征提取

  

                                    3.2 线特征图

  图像中线特征特别引人注目,它是视觉感知的重要线索,因此,提取线特征对于描述目标或解释目标非常重要。线特征包括影像的“边缘”与“线”。“边缘”通常定义为影像局部特征不相同的那些区域间的分界线,表现为局部影像的不连续,例如呈现出灰度级的突变,纹理结构突变等。而“线”则可以认为是具有很小宽度的,其中间区域具有相同的影像特征的边缘对,也就是距离很小的一对边缘构成一条线。(图3.2

2.2.1  边缘检测  

边缘检测试抽取边缘轮廓信息并用于区域分割,边缘检测和区域分割具有互补性。在边缘检测中提取不连续部分的特征,根据闭合的边缘求区域:在区域中把图像分割 成特征相同的连续区域,将区域间的边界定义为边缘。边缘检测同样是用算子实现的。

2.2.2  线检测

在去除噪声影响的情况下,一幅图像中所有灰度或纹理特性发生突变得位置都有可能是边缘所在位置。所以在进行边缘检测时,需要利用算子对每一个检测点进行独立计算,计算结果与以前检测点的检测结果无关。与边缘检测不同的是,线检测在处理图像点时需要利用前面的处理结果,因而也成为序贯检测或跟踪检测。在检测过程中不必对每一个点进行相同精度的计算,只需先对图像上的每一个点进行简单计算,以便测出可能符合条件的边缘或曲线上的点,然后使用更复杂的计算来延伸此边缘或曲线。即只需在已检测到的点和正在跟踪的点上作这种复杂计算。用于线检测的算法有多种,如光栅跟踪、全向跟踪和hough变换等。不同算法有其各自的适用场合。光栅跟踪用于一般曲线的检测,全向跟踪主要用于对工程图纸中的标准曲线的检测。

下面以全向跟踪为例介绍线检测算法。

1光栅扫描方式对图像进行扫描,寻找满足检测准则的点,若找到一个这样的点,则称为流动点(按被检测曲线流动)。

2应用一个合适的准则对流动点进行跟踪。在跟踪过程中可能发生的情况为:

a)碰到水系之类的结点这类网络具有多个分支,多级结点,分支部闭合的特点。跟踪从高级结点至低级结点逐级推进。以结点为中心,对邻域作全方位环形扫描,将扫描发现代阿分支按顺序编号,然后令流动电进入起始号分支,对该分支跟踪完毕后,返回当前分支的出发点,再开始跟踪第二条分支,重复上述操作,直到所有分支被跟踪完为止。

b) 碰到公路网之类的结点这类网络的特点是路径有的封闭,有的不封闭,结点难于分级。对此刻分两步进行,先跟踪全部外围的飞闭合支路,后跟踪其他支路。用“瞎子”如入平面迷宫的规则解决跟踪路径问题。

2.3      区域分割

把图像分割成特征相同的互不重叠的连续区域叫做区域分割。图像的二值化处理还是区域分割的最常用方法,此外,还有一些利用邻域信息的方法,如区域扩张法、统计法、群聚法等。其中统计法是根据小区内灰度分布的相似性进行区域合并。群聚法的基本思想是根据象素某些特征的相似性进行合并形成小区。

 

3           Retinex 理论和快速彩色图像增强算法的图像增强

图像增强是数字图像处理的最基本的方法之一,在数字图像处理中受到广泛重视,是具有重要实用价值的技术。图像增强的目的在于:

1)采用一系列技术改善图像的视觉效果,提高图像的清晰度;

2)将图像转换成一种更适合于人或机器进行解译和分析处理的形式。图像增强不是以图像保真度为原则,而是通过处理设法有选择地突出便于人或机器分析某些感兴趣的信息,抑制一些无用的信息,以提高图像的使用价值,即图像增强处理只是增强了对某些信息的辨别能力。
    图像增强是一个相对的概念,增强效果的好坏,除与算法本身的优劣有一定的关系外,还与图像的数据特征有直接关系,同时由于评价图像质量的优劣往往凭观测者的主观而定,没有通用的定量标准,因此增强技术大多属于面向问题,增强方法只能有选择地使用。

3.1      点处理

    点处理是通过像元亮度值(灰度值)的变换来实现的,即它将输入图像中某点(x,y)的像元值f(x,y),通过映射函数T(),映射成输出图像中的像元值g(x,y),即g(x,y)T(f(x,y))。根据映射方式不同,点处理可分为灰度变换直方图调整

3.1.1  灰度变换

灰度变换是一种简单而实用的方法。它可使图像动态范围增大,图像对比度扩展,图像变清晰,特征明显,它是图像增强的重要手段之一。它可分为比例线性变换、分段线性变换和非线性灰度变换。
   
比例线性变换是对单波段逐个像元进行处理的,它是将原图象亮度值动态范围按线性关系式扩展到指定范围或整个动态范围。在实际运算中给定的是两个亮度区间,即要把输入图像的某个亮度值区间【a,b】扩展为输出图像的亮度值区间【a/,b/】。比例线性变换对图像每一个象素灰度作线性拉伸,将有效地改善图像视觉效果。关于ab的取值有以下两种情况(见图4.1):

1)原图像的最小和最大亮度值,即对原图像的灰度范围不加区别地扩展;

2)人为规定的最小和最大值(即阈值),它把图像的低亮度值和高亮度值像元的灰度级进行了适当的归并。

分段线性变换

分段线性变换是为了突出人们感兴趣的目标或亮度值区间,要求局部扩展亮度 值范围。它可以有效地利用有限各灰度级,达到最大限度增强图像中有用信息的目的.

       

                            第二种情况

                           4.1 比例线性变换图

  假定原图像f(x,y)的灰度范围为[a,b],变换后的图像g(x,y)的灰度范围为[ c,d],则有:

                         4-1

非线性灰度变换

非线性灰度变换对于要进行扩展的亮度值范围是有选择的,扩展的程度是随亮度值的变化儿连续变化的。常用的有两种方法:

1)对数变换 当希望对图像的低亮度区有较大的扩展而对高亮度区压缩时,可采用此种变换。

2)指数变换 此种可以对图像的高亮度区给予较大的扩展。

当用某些非线性函数,如对数、指数函数作为映射函数时,可实现图像灰度的非线性变换。对数变换的一般公式为:

                                  4-2

    abc为可调参数。当希望对图像的低灰度区有较大的扩展,而对高灰度区进行压缩时,可采用此变换。

    指数变换的形式为:

                           4-3

    这种变换能对图像的高灰度区以较大的扩展。

3.1.2  直方图调整

    一般情况下,遥感图像其灰度分别集中在较窄的区间,从而引起图像细节的模糊,为了使图像细节清晰,并使一些目标得到突出,达到增强图像的目的,可通过改善各部分亮度的比例关系,即可通过直方图的方法来实现。
    这种方法是以概率论为基础的,常用的方法有直方图均衡化和直方图规定化。 直方图调整是以概率论为基础的。由以下两图分别可以看出,通过改变直方图的形状来达到增强图像对比度的效果,其计算方法见表所示。常用的方法有:

1)直方图均衡化

    直方图均衡化又称直方图平坦化,是将一已知灰度概率密度分布的图像,经过某种变换,变成一幅具有均匀灰度概率密度分布的新图像,其结果是扩展了像元取值的动态范围,从而达到增强图像整体对比度的效果。

    设一幅图像总像元数为n、分L个灰度级,nk代表第k个灰度级rk出现的频数,则第k灰度级出现的概率为  

      pr(rk)=nk/n (0≤≤1,k=0,1,…,L-1)        4-4

    此时变换函数可表示为

(01,k=0,1,,L-1)  4-5

因此,根据原图象的直方图统计值就可算出均衡化后各像元的灰度值。按上式对遥感图像进行均衡化处理时,直方图上灰度分布较密的部分被拉伸;灰度分布稀疏的部分被压缩,从而使一幅图像的对比度在总体上得到很大的增强。

                               4.1直方图均衡化计算列表

4.2 均衡化前后对比图

2)直方图规定化

直方图均衡化的优点是能自动地增强整个图像的对比度,但它的具体增强效果不易控制,处理的结果总是得到全局均衡化的直方图。实际中有时需要变换直方图使之成为某个特定的形状,从而有选择地增强某个灰度值范围内的对比度。这时可采用比较灵活的直方图规定化方法。 直方图规定化增强处理的步骤如下:

   1)如同均衡化方法中,对原始图的直方图进行灰度均衡化;

(0≤rk≤1,k=0,1,…,L-1)       4-6

   2)规定希望的密度函数,并计算能使规定的直方图均衡化的变换;

(0≤ui≤1,l=0,1,…,L-1)        4-7

(3) 将第1步得到的变换反转过来,即将原始直方图对应映射到规定的直方图,也就是将所有pr(rj)对应到 pu(ui)中去。

 

 

                           4.2直方图规定化计算列表

 

 

                          

                                    4.3 直方图规定化对比图

3.2      空域处理

3.2.1  平滑

    图像在生成和传输过程中会受到各种噪声源的干扰和影响,使图像质量变差。反映在图像上,噪声使原本均匀和连续变化的灰度突然变大或变小,形成一些虚假的物体边缘或轮廓。抑制或消除这些噪声而改善图像质量的过程称为图像的平滑。

 1 邻域平均法

    在邻域平均法中,假定图像是由许多灰度恒定的小块组成,相邻像素间有很强的空间相关性,而噪声是统计独立地加到图像上的。因此,可用像素邻域内各像素灰度值的平均来代表原来的灰度值。根据求平均方式的不同,主要有以下几种形式:

① 简单平均法

    设图像中某像素的灰度值为f(x,y),它的邻域SM×N的矩形窗口,则平滑后该点的灰度值为:

                             4-8

 ② 阈值平均法

    设图像中某像素的灰度值为f(x,y),它的邻域为M×N的矩形窗口,则平滑后该点的灰度值为:

                 4-9

  T为给定的阈值。f’(x,y)的计算方法同简单平均法。  

K—近邻平均发

    在一个M×N的窗口中,属于同一个物体的像素的灰度值会高度相关。因此,窗口中心像素的灰度值可用窗口内与中心点灰度最接近的K个邻点的平均灰度来代替。一般而言,K值越小,则噪声方差降低越小,但细节保持较好;而较大的K值平滑噪声效果好,但也会使图像模糊。

2 低通滤波法

    从频谱上看,噪声特别是随机噪声是一种具有较高频率分量的信号。平滑的目的就是通过一定的手段滤去这类信号。一个很自然的想法就是使图像经过一个二维的低通数字滤波器,让高频信号得到较大的衰减。在空间域上进行的这种滤波实际上就是对图像和滤波器的冲击响应函数进行卷积。

  设图像为f(x,y),滤波器的冲击响应函数为H(x,y),则卷积表达式为:

                4-10

3 中值滤波法

    中值滤波的思想是对一个窗口内的所有像素的灰度值进行排序,取排序结果的中间值作为原窗口中心点处像素的灰度值。这种平滑方法对脉冲干扰和椒盐类干扰噪声的效果较好。

    中值滤波的关键在于选择合适的窗口大小和形状。但一般很难事先确定窗口的尺寸,通常是从小到大进行多次尝试。窗口的形状可选为正方形,也可选为十字形。

3.2.2  尖锐化

    在图像判断和识别中,需要有边缘鲜明的图像。图像尖锐化技术常用来对图像的边缘进行增强。

 1 微分法

    在图像的判断和识别中,边缘是由不同灰度级的相邻像素点构成的。因此,若想增强边缘,就应该突出相邻点间的灰度级变化。微分运算可用来求信号的变化率,具有加强高频分量的作用。如果将其应用在图像上,可使图像的轮廓清晰。由于常常无法事先确定轮廓的取向,因而在挑选用于轮廓增强的微分算子时,必须选择那些不具备空间方向性和具有旋转不变性的线性微分算子。

 2 高通滤波法

    由于边缘是由灰度级跳变点构成的,因此,具有较高的空间频率。所以可用高通滤波法让高频分量顺利通过,使低频分量得到抑制。通过增强高频分量,使图像的边缘变得清晰,实现图像的尖锐化。

    这一思想反应在空间域的处理中就是让图像和高通滤波器的冲击响应函数进行卷积。所用的表达式与低通滤波法中所用的相同,只是冲击响应函数不同。

3.3      频域处理

    频域处理是指根据一定的图像模型,对图像的傅立叶频谱的各个频段进行不同程度的修改的技术。通常总是假设:

 引起图像质量下降的噪声在图像的傅立叶频谱中占据的是高频段;  图像的边缘在傅立叶频谱中占据的也是高频段;

图像的主体或图像中灰度变化较缓的区域在频谱中占据的是低频段。

频率滤波又称频率域滤波( spatial filtering ),它通过修改数字图像频率成分来实现数字图像数据的改变,达到抑制噪声或改善数字图像质量的目的。频率域滤波的基础是傅立叶变换和卷积定理。在图像增强问题中, g(x, y) 是待增强的图像,一般是给定的,在利用傅立叶变换获取频谱函数 G(u, v) 后,关键是选取滤波器 H(u, v) ,若利用 H(u, v) 强化图像高频分量,可使图像中物体轮廓清晰,细节明显,这就是高通滤波,若强化低频分量,可减少图像中噪声影响,对图象平滑,这就是低通滤波。此外,还有其它的滤波器。本节下面讨论的所有滤波器函数都是以原点径向对称的,它是在规定的剖面上,从原点出发沿半径方向画出一个随距离变化的函数,然后利用剖面绕原点旋转 360 度 ,得到滤波器函数。下面分别介绍几种常用的滤波器。

3.3.1  频域中的平滑

    平滑的目的是滤去噪声,即保留低频段,使高频段受到大的抑制。最常用的方法是低通滤波,低通滤波又称 “ 高阻滤波器 ” ,它指抑制图像频谱的高频信号而保留低频信号的一种模型(或器件)。在遥感图像中,物体边缘和其它尖锐的跳跃(如噪声)对频率域的高频分量具有很大的贡献,通过低通滤波,可以抑制地物边界剧变的高频信息,以及孤立点噪声。低通滤波起到突出背景或平滑图象的增强作用。常用的低通滤波包括理想低通滤波器、巴特沃思低通滤波器( Butterworth )、指数低通滤波器、梯形低通滤波器等。其数学表达式为:

                              4-11

    其中,F(u,v)是图像的傅立叶频谱,H(u,v)是低通滤波的转移函数(即频谱响应)。对低通滤波而言,H(u,v)应使高频抑制,而使低频通过。常用的H(u,v)函数如:理想低通滤波器、Butterworth滤波器、指数性滤波器、梯形滤波器等,具体的数学表达式请参阅有关图像处理书籍。

    本处理与前述低通滤波有联系,但前者在空域中,后者在频域中,主要使用傅氏分析。

3.3.2  频域中的锐化

    锐化的目的是突出边缘,即保留高频段,而使低频段受到大的抑制。最常用的方法是高通滤波,又称 低阻滤波器 ,它是一种抑制图像频谱的低频信号而保留高频信号的模型(或器件)。高通滤波可以使得高频分量畅通,而频域中的高频部分对应着图像中灰度急剧变化的地方,这些地方往往是物体的边缘。因此,高通滤波可使得图像得到锐化处理。常用的高通滤波包括理想高通滤波器、巴特沃思高通滤波器、指数高通滤波器、梯形高通滤波器等。其数学表达式为:

                                4-12

    其中,F(u,v)是图像的傅立叶频谱,H(u,v)是高通滤波的转移函数(即频谱响应)。对高通滤波而言,H(u,v)应使低频抑制,而使高频通过。常用的H(u,v)函数如:理想高通滤波器、Butterworth滤波器、指数性滤波器、梯形滤波器等,具体的数学表达式请参阅有关图像处理书籍。

3.3.3  同态滤波

    同态滤波的目的是通过对图像作非线性变换,使构成图像的非可加性因素成为可加性的,从而容易进行滤波处理。带阻滤波器是一种抑制图像频谱的中间频段而允许高频与低频畅通的滤波器。该滤波器的作用是滤除遥感图像中特定频谱范围内的信息。带通滤波器是一种抑制图像频谱中的高频与低频而允许中间频段畅通的滤波器。通常该滤波器用于突出遥感图像中特定频谱范围内的目标下面举一例子加以说明。

    设图像f(x,y)由照射分量I(x,y)和反射分量r(x,y)的乘积构成,即:

                              4-13

    因而有:    

                       4-14

    I(x,y)描述的是照射源的特性,一般假设是缓变的;而r(x,y)描述的是景物的特性,随物体的细节在空间上作快速变化。

    如果对ln[f(xy)]作傅立叶变换,则其一部分是低频段的ln[I(x,y)]频谱,另一部分是高频段的ln[r(x,y)]频谱。可以用同一个滤波器进行滤波处理,而达到图像增强的目的。

    设滤波器的频谱响应为H(u,v),其低频特性可根据对ln[I(x,y)]的增强确定,其高频特性可根据对ln[r(x,y)]的增强确定。经过滤波处理后,再将ln[f(xy)]进行反变换,就可得到增强后的f(x,y)

3.4      彩色增强

人眼对灰度级是极不敏感的,通常可分辨十几到二十几个灰度级,但却可以分辨出数千种的彩色。因此,可以用彩色来增强灰度图像。彩色增强就是根据人的视觉特点,将彩色用于图像增强之中,这是提高数字图像目标识别精度的一种有效方法。

彩色合成增强是将多波段黑白图像变换为彩色图像的增强处理技术。根据合成影像的彩色与实际景物自然彩色的关系,彩色合成分为真彩色合成和假彩色合成两种。真彩色合成是指合成后的彩色图像上地物色彩与实际地物色彩接近或一致,假彩色合成是指合成后的彩色图像上地物色彩与实际地物色彩不一致,通过彩色合成增强,可以从图像背景中突出目标地物,便于数字图像判读。

    伪彩色技术不是观察物体的真正的颜色,而是根据图像的灰度级通过一种关系来指定相应的颜色,和物体本身的颜色毫无关系。

3.4.1  灰度级到彩色的处理

    根据图像像素的灰度级,建立三个独立的变换关系,将灰度级变换为红、绿、蓝色调。其数学表达式为:

(r,g,b)=(R[f(x,y)], G[f(x,y)],B[f(x,y)])           4-15

3.4.2  滤波方法

    这种彩色处理的技术的目的是根据频率的成分对一幅图像的各个区域进行彩色编码。具体步骤是:先利用三种不同的滤波器分别得到三个频率范围内的频率分量;然后对上述三种频率分量分别作傅立叶变换,得到变换后的三幅图像;再将这三幅图像分别作为显示系统的红色、绿色、蓝色的输入端。有时在送入输入端之前,还进行一些附加处理,如直方图均衡化。

通常使用低通、带通、高通滤波获得三个范围的频率分量。带通滤波使在一定范围内的频率通过,而使在范围外的频率得到抑制或衰减。


 

 

 

 

3.4.3       McCanns  Retinex 算法

 

 

McCanns Retinex 算法是 McCann Sobel 一起提出的一种 retinex 算法, 这种算法可以描述如下:

首先,将粗亮度层 L0 (x, y)初始化为原始图像 I(x, y)

 

 

文本框:

 

 

 

然后,算法按以下步骤对图像进行处理:

文本框:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

4-4 Dn 中叠代矢量序列

 

上面 Dn 是转换算子,将图像螺旋式的转换 n 次使图像转换成矢量{ dn }如下 图[14]所示第一次替换的大小是图像长和宽中最小值的一半循环中非线max) 操作使得 L(x,  y)  >  R(x, y)

Funt 近来提出了一种多分辨率的 McCanns  Retinex 算法。通过对给定的图像构建一个高斯金字塔算法从最粗亮度层上开始在每一个分辨率层的每一 个方向上用一个像素来替换 Dn 多分辨 McCanns Retinex 比通常的 McCanns Retinex 运算速度快,但增强效果没有以前的好。

 

 

 

3.5      基于Retinex理论的可变框架模型

可变框架模型的建立是基于许多Retinex算法有意或无意遵循(s,r,l是在对 数域也就是 s( x, y) = log(S ( x, y)), r ( x, y) = log( R( x, y)), l ( x, y) = log( L( x, y)) ) 这些假设包括:

(1)入射光l有空间平滑的特性。

(2)因为R被限制在[01]并且在对数域上是单调的,因此入射分量亮度图像有:l ≥ s

(3)  入射分量l应该尽量接近输出亮度图像s.

(4)  入射光应该在图像边界内有类似常数的光滑性。 基于以上的这些假设,

Kimmel等人给出了如下的方程式:

文本框:

上式中Ω是图像,l 亮度图像,s 是原始图像,是  表示图像边缘,α 和 β是非负系数。上述公式中 使得亮度图像在空间域中平滑。

文本框:

 

条件

 

 使得亮度图像趋近于原始图像,它们之间的差就是反射图像。

 


类似于贝叶斯表达式,使得到的反射图像更适合于视觉特性。


 

上述方程式是一个二次方程l 的值是亮度图像的灰度值时方程获得最 小值因此为了获得最小值即亮度图像 l首先必须对方程进行求导如下

式所示:


 

文本框:


如果可以求出这个方程的数值解就可以得到亮度图像 l进而实现 Retinex

 

图像增强算法。

对这种类型的方程数学上有许多不同的解法Retinex 可变构架算法中采 用 Projected  Normalized Steepest Descent(PNSD)算法来求解上述方程。PNSD 算法通过迭代的方式求最小化 F[l],迭代公式如下:

 



 

l j 分别是在的 j 步和 j1 步的亮度图像。G F[l]的梯度, μPNSD 是一个调节系数,G μPNSD 可以分别用以下公式计算得到:


 

文本框:

 

 

 

 

 

 

 

 

 


经过一定的迭代过后就可以获得对亮度图像 l 的最优逼近值再由原始图 像 s 是亮度图像和反射图像的乘积因此用原始图像在对数域中减去亮度图像, 就可以获得反射图像,进而对图像进行符合人眼视觉特性的增强。

 

 

3.6      基于Retinex可变框架模型的图像增强算法

 

尽管以上模型足够一般化并且包括了用来求解Retinex问题所采用的正确方法,它 有几处缺陷:

(1)光晕光晕的存在是Retinex算法经常碰到的一个人为假象它是我们前面讨论 过的平滑性假设的一个直接后果。当从穿越一个光照很强烈的区域到黑暗地带的时候

(例如阴影区域的边界),平滑性强制光照在黑暗区域的边缘附近保持较高的值,然 后平滑地降低以达到黑暗区域内部的光照值。因此当如此边缘附近的黑暗区域被移除 以后,仍旧是暗的,伴随光晕的效果。如果的约束没有被实践,这样的效果也会在光 照边缘附近的明亮区域得到。那些明亮的区域将变得更加明亮。

(2)噪声在图像的黑暗区域这些Retinex算法预期会有产生一个对比度拉升它与 标准Gamma校正的效果非常相似。这个拉升造成噪声的放大,并且在低质量的图像


或没有显著压缩的图像上表现得特别明显。约束意味着噪声从一个整体转化成两个因 素,而不是被压缩了。

(3)迭代求解:以上模型自然地导致一个对迭代解决方法的需要。

 

 

 

3.6.1       改进模型

 

 

基于以上的这些分析。我们需要对该模型进行一些修改。 首先先分析可变框架模型的方程式,我们得到:

 


 

(1)在这个方程中第一个限制条件 是为了促使入射光尽可能地空间光滑。

 (2)在可变框架模型中,第三个限制条件 是为使r尽可能的平滑。这个 限制条件的强弱由自由参数β决定。

(3)而第二个限制条件是为了使l尽可能接近s,这意味着r应该尽可能的小。

但是为了不使l太过于靠近s,应该尽可能的小。 考虑到增强后的图像的效果,我们认为:

(1) β=0。因为光晕效果的产生,其主要的原因就是r太过光滑而越过了物体的


边界,因此在这里我们把它设为0,这样能有效地去除光晕效应。

 


(2)а → 0 是一个合理的假设,因为 α 应该尽可能的小。


根据我们新的假设,我们得到新的方程组:

 

我们用最速梯度下降法去求解这个方程。迭代方程如下:

l j   l j 1  分别代表在第j次和第j-1次的入射光图像。G F [l ] 的梯度图像,


kLAP Laplace锐化因子,我们得到如下:

由以上的结果,我们可以得到

DS N

 
我们得到的结论是如果α→ 0 , β=0,我们能得到 μ= 1

因此。我们的迭代公式可以化简为

这个新的迭代公式比原来的公式不仅更简单,而且还能有效的遏制光晕现象。

 

 

3.6.2       加速卷积速度

 

 

 

 

为了加快算法的运行速度我们将卷积和多尺度的过程放在一起从而得到了一个新

 

 
的卷积方程对于大小为N*N的图像来说一般的卷积函数其算法复杂度为O(N2)而我们 新的卷积函数的算法复杂度仅为O(N2/16).相对于原来的卷积函数,新的卷积函数只需 要原来的处理时间的十分之一。

 

  4-5 图像增强流程图

 

 

S:初始的亮度图像

Si:对应于第i个解析度的多尺度的亮度图像,S0=S,  i=0,1,2,3S3对应解析度最 低的图像)

*G :新的卷积函数将2:1尺度变换和Gaussian滤波放在一起实现。

 

L:入射光图像

Li:对应于第对应于第i个解析度的多尺度的入射光图像,L3=  S3,  i=0,1,2,3L3

 

对应解析度最低的图像)

 

L*4:  新的卷积函数将1:2尺度变换和Laplacian滤波放在一起实现。

 

3.6.3       新模型输出结果

 

 

 

根据我们以上的模型,我们对以下的图像进行处理,输出结果如下:

 

 

原始图                                       光照图像 4-6 新模型输出结果

 

 

从上图中我们可以看出我们成功的从原始图像中分离出光照图像并且图像满足 了我们事先的几条假设:

(1)入射光l有空间平滑的特性。

 

(2)因为R被限制在[01]并且在对数域上是单调的,因此入射分量亮度图像有:

(3)  入射分量l应该尽量接近输出亮度图像s.

 

(4)  入射光应该在图像边界内有类似常数的光滑性。 因此,我们认为该算法能有效的实retinex理论的要求,方程形式简单,求解过程快速。 下面的几张图可以充分的说明该算法的增强效果。

 

 

 

增强前图                             增强后图像 4-7 增强前后图像对比


 

 

 

 

增强前图                                                            增强后图像

4-8 增强前后图像对比

 

 

3.7      彩色图像空间

 

颜色空间的分类可以分为:RGB空间,HSV空间,YUV空间

 

RGB空间

 

我们可知自然界中任何一种色光都可由RGB三基色按不同的比例相加混 合而成当三基色分量都为0(最弱时混合为黑色光当三基色分量都为k(最 强)时混合为白色光。任一色彩F是这个立方体坐标中的一点,调整三色系数rgb中的任一系数都会改变F的坐标值,也即改变F的色值。RGB色彩空间采用 物理三基色表示因而物理意义很清楚适合彩色显象管工作然而这一体制并 不适应人的视觉特点。因而,产生了其它不同的色彩空间表示法。

 

 

HSI空间

 

HSI 色彩空间是从人的视觉系统出发,用色调(Hue)、色饱和度(Saturation Chroma)和亮度(Intensity Brightness)来描述色彩。HSI 色彩空间可以 用一个圆锥空间模型来描述。用这种描述 HSI 色彩空间的圆锥模型相当复杂,但 确能把色调、亮度和色饱和度的变化情形表现得很清楚。通常把色调和饱和度通 称为色度,用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感程度远 强于对颜色浓淡的敏感程度,为了便于色彩处理和识别,人的视觉系统经常采用 HSI 色彩空间,它比 RGB 色彩空间更符合人的视觉特性。

 

4-9 HSI model

YUV空间

在现代彩色电视系统中,通常采用三管彩色摄像机或彩色 CCD(点耦合器件) 摄像机,它把摄得的彩色图像信号,经分色、分别放大校正得到 RGB,再经过矩 阵变换电路得到亮度信号 Y 和两个色差信号 R-YB-Y,最后发送端将亮度和色 差三个信号分别进行编码,用同一信道发送出去。这就是我们常用的 YUV 色彩空 间。

采用 YUV 色彩空间的重要性是它的亮度信号 Y 和色度信号 UV 是分离的。 如果只有 Y 信号分量而没有 UV 分量,那么这样表示的图就是黑白灰度图。彩 色电视采用 YUV 空间正是为了用亮度信号 Y 解决彩色电视机与黑白电视机的兼容 问题,使黑白电视机也能接收彩色信号。

根据美国国家电视制式委员会制定的  NTSC  制式标准 ,当白光 的亮度用  Y  来表示时 , 它和红 、 绿 、 蓝三色光的关系可用如下式 的方程描述

Y=0.3R+0.59G+0.11B  (4.8.11)

 

YUV 色彩空间类似的还有 Lab 色彩空间,它也是用亮度和色差来描述色彩分量,其中 L 为亮度、a b 分别为各色差分量

 

 

3.7.1       RGB通道增强

 

根据Retinex色彩理论物体的颜色是由物体对长波中波和短波光线的反 射能力共同决定的而物体在某个波段内的反射能力是物体本身固有的属性与 光源没有依赖关系通过计算每个波段内像素间的相对明暗关系可以获得三个 独立的相对明暗关系值(代表长波中波和短波波段内的相对明暗关系)从而确 定该像素的颜色,这与我们通过RGB值确定像素色彩的原理是相同的。

这种方法的特点是图像中各个像素的相对明暗关系受光源的影响很小对 于对比度很小的图像如整体上比较亮或比较暗的图像可以消除光源非均匀性 的影响提高图像的对比度大幅度改善图像的主观质量此外这种方法还可 以纠正由于光源的偏色而导致的图像色彩失真问题。

依据Retinex的色彩理论,我们提出了一种实现图像增强的方法,这种方法 主要包括以下几个步骤: (1)数据准备如果输入图像为彩色图像则将其划分为RGB三个波段将每 个像素的值由整数转换为浮点数。

(2)计算每个波段内相对明暗感觉。 (3)数据显示将每个波段内像素间的相对明暗关系确定的色彩值转换为RGB值以 便能在现有的设备中显示和使用。

 

 

3.7.1.1     4.9.1.1 图像数据准备

 

数据准备部分主要完成输入数据的格式变换。Retinex理论认为人眼对输入 的信息是按照长波中波和短波三个波段单独处理的如果输入图像是彩色图像, 那么我们也需要将一幅输入图像分解为长波中波和短波三个波段这刚好与图 像的RGB三个分量相对应。数据准备的任务就是将输入图像分解为RGB 三幅图像具体方法是所有像素的R分量构成第一幅图像G分量构成第二幅图 像,而B分量则构成第三幅图像。它们分别表示三个波段内的反射光的强度。接 下来我们要对每个波段内的数据分别进行处理由于后续的处理需要计算像素间 的相对明暗关系这会涉及到浮点运算为保证运算精度在数据准备阶段


们需要将整数格式的像素值转换为浮点数。

 

 

 

3.7.1.2     4.9.1.2 计算每个波段内相对明暗感觉

 

Retinex是一种建立在科学实验和科学分析基础上的理论。它认为:人眼对 物体色彩的感觉取决于物体对长波中波和短波光线反射能力的相对关系当人 眼接收到某个位置上的反射光后需要同该位置周围的反射光相互比较判断出 它们在反射能力上的差别进而根据三个波段内反射能力的不同来确定当前位置 的色彩。

本文依据Retinex的色彩理论提出了一种新的图像增强算法。该算法假定彩 色图像的RGB分量图像分别代表了现实场景对长波、中波和短波的发射能力 的差异在此基础上经过改进的基于Retinex可变框架模型的图像增强算法处理, 最后再对这种相对明暗关系进行映射,得到增强图像。

根据我们前面讲到的改进的基于Retinex可变框架模型的图像增强算法

 

们对三个不同的波段分别进行处理,算法的流程图如下

 

文本框:

 

 

 

 

 

 

 

 

R

4-10 RGB channels

 

 

3.7.1.3     4.9.1.3 数据显示

 

利用上面所述的方法对长波、中波和短波图像分别进行处理,得到三个波 段内的明暗关系。根据retinex理论,图像在三个波段内的明暗值决定了某个点 的色彩,这同传统色彩理论中某个点的色彩值由它的RGB分量统一决定的原理非 常类似。


为了在现有的设备上展示处理的结果,通常我们需要将三个波段内的各明 暗关系转换为可以显示或打印的RGB值,这种转换可以采用非线性映射或查表的 方法来实现。假定每个波段内的明暗值用8比特来表示,最亮的部分用255表示,

最暗的部分用0表示,我们采用下面的映射关系实现转换:

 


 

L是原始的亮度图像,W是灰度级,这里我们取255Õ是系数,其范围可 以从1 +∞ 这里我们取的是R通道: Õ =1.5, G通道: Õ   =1.6B通道Õ=1.6

3.7.1.4     4.9.1.4 实验结果

 

 

 

增强前图                             增强后图像 4-11 增强前后图像对比

 

3.8      HSI通道增强

除了上面我们采用的RGB通道增强算法,我们还可以采用HSV通道来增强。 采用HSI通道的好处是其更适合人眼视觉系统由于人的视觉对亮度的敏感程

度远强于对颜色浓淡的敏感程度为了便于色彩处理和识别人的视觉系统经常

 

采用HSI色彩空间,它比RGB色彩空间更符合人的视觉特性。

 

 



 

文本框:

4-12 HSI通道增强

3.9      



图像数据准备

 

由于一般的图像格式均采用的是RGB格式所以我们还必须将RGB空间转换为

 

HIS空间,转换公式如下:

 

 

 

 

 

 

 

 

(4.9.2)

 

 

其中

 

 

 

3.10计算I分量的相对明暗感觉

 

RGB空间不同由于我们采用的是HSI空间我们需要调整的分量只是亮度I 分量。而其他分量原样输出。这样做有以下几点好处。

(1)相对于RGB通道增强,有可能会产生一定的色彩偏移,而HSV通道增强过程中 不改变色调分量H,因此不改变原来图像的颜色。

 (2)RGB通道中需要对三个分量同时进行明暗度调整因此时间是处理灰度图像的 三倍,而HSI通道增强只需要增强I通道即可,处理时间缩短。

 (3)由于HSI空间更加符合人的视觉特并且人的视觉对亮度的敏感程度远强于 对颜色浓淡的敏感程度,我们只对亮度I分量处理不会影响增强的效果。

 (4)实际的图像处理过程中,可能在图像增强的过程中同时需要你进行图像饱和 度S调整或者色调H调整,这样使用HIS通道更加方便。

 

 

4.9.2.3 数据显示

 

经过了上面的处理过程之后,我们还需要将HSI空间转换为RGB空间以便于显 示。

 

 

4.9.3  YUV通道增强

 

采用YUV色彩空间的重要性是它的亮度信Y和色度信UV是分的。同 YUV格式为大多数的视频压缩格式所支持,便于我们直接对视频彩色流媒体文 件进行处理。


采用YUV通道进行增强是有条件的,那是图像或视频的原始格式即YUV

 

格式存贮,并且对图像增强的实时性要求极高(例如实时增强视频流文件

 

 

 

4.9.3.1 图像数据准备

 

图像或视频的格式为YUV空间。

 

 

 

4.9.3.2 计算Y分量的相对明暗感觉 亮度信号Y在整个YUV空间中最为重要,通常的数据量比为 Y:U:V=4:2:2                                                                                    (4.9.3)

因此采用只增强亮度Y分量的方法能较好的增强原始图像,同时不改变原图 的图像的颜色。

 

 

4.9.3.3 数据显示

 

YUV格式输入即可。

 

 

 

4.9.4  各种增强方法比较

上面我们分别采用了RGBHSIYUV三种不同的通道对彩色图形进行了增强, 其算法的时间和增强的算法都各有不同现在我们就来分析一下不同通道增强的 优缺点:

 

通道

增强效果

处理速度

颜色偏移

调控性

RGB

轻微

一般

HSI

较慢

YUV

一般

4-13 3通道对比

 

 

 

 

4.10 增强后图像去噪

 

噪声可以理解为“  妨碍人们感觉器官  对所接收的信源信息理解的因素。 例如一幅黑白图片  ,其平面亮度分布假定为                     ,那么对其接收起干扰作


用的亮度分布        即可称为图像噪声  。 增强图像在获得更好的视觉效果的同时也带来了一定程度的噪声这是图像

处理过程中无法避免的副作用如何将增强后的图像的噪声控制在可接受的范围 内将是这一节关注的问题。

 

 

4.10.1噪声的产生

 

使用上述的图像处理的方法来处理图像,在增强图像的同时也增加了图像 中的噪声。

如图所示。

文本框:

增强前图                             增强后图像 4-14 增强前后图像对比

 

 

 

 

原始图像信噪比分析


 


 

 

 

4-15 信噪比分析

 

 

 

从以上的信噪比分析图中,我们可以很清楚的发现增强后的图像的噪声的 确被放大。

从如下的反射物体图中可以更清楚地看清这一点。


 

 

从右图(反射物体R  中间人物背部)中我们可以很清楚的看到,的确存在 大量的噪声。

 

 

3.11通常的去噪方法

 

3.11.1              噪声的种类

 

在图像中最常见的噪声种类有:椒盐噪声,高斯噪声等等

 

(1)椒盐噪声: 椒盐噪声是图像中经常见到的一种噪声,它是一种随机的白点或者黑点。常用的去除这种噪声的有效手段是使用中值滤波器。

(2)高斯噪声: 高斯噪声是指它的概率密度函数服从高斯分(即正态分布的一类噪声。

其一维概率密度函数可用数学表达式表示为:

文本框:

 



 


a 为噪声的数学期望值,也就是均值;为噪声的方差。


3.11.2              传统滤波器

 

 

 

1)均值滤波器

 

原理是子图像在N*N子块中的,另检测点的灰度为块中灰度的平均,这种 方法通过把突变点的灰度分散在相邻点中来达到平滑效,操作起来也简, 但这样平滑往往造成图像的模糊,N选取得约大,模糊越严重.

 

 

2)高斯滤波器

 

高斯滤波器与均值滤波器类似,高斯滤波器是一个比较好用的滤波器,它 是一个平滑滤波器,但不同于中值滤波,它能更好的保持图像的细节。


3)中值滤波器

中值滤波平滑也在图像N*N子块中操作,和均值平滑选择临近点得平均灰 度值来作为检测点得灰度值不,中值平滑使用临近点得中间灰度来作为检测点 得灰度,中值滤波器能够平滑尖锐噪声,又能保持信号的边沿,而且计算速度非常 快,可以用于在线处理。

4)三种滤波器效果比较

 

 

 

 

原始图像                        均值去噪图

 

 

 

 

高斯去噪图                                                    中值去噪图

 


 

 

从上面的图比较得出


4-16 三种滤波器效果比较


1)在去噪效果上,三种滤波器差别不大

 

2)在保边界性能上,中值滤波〉高斯滤波 〉均值滤波

 

 

 

3.11.3              新型的去噪滤波算法

图像降噪中的一个两难的问题是如何在降低图像噪声和保留图像细节上保 持平衡。传统的低通滤波方法将图像的高频部分滤除,虽然能达到降低噪声的效 果,但会破坏图像的细节。如何构造一种既能够降低图像噪声,又能够保持图像 细节的去噪方法一直是一个研究的热点问题。

总的来说,图像去噪的通用理论是不存在的,我们只能对于一个具体应用 找到一种最适合的方法。

在这里我们提出一个适合于我们增强方法的去噪算法。

 

 

 

3.11.4              算法框架

 

基于我们的增强算法,我们的去噪算法流程如下:

 

文本框:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

4-17 加入去噪   过程的增强算法流程


3.11.5              双边滤波器

 

在这里我们采用双边滤波器,其公式如下:


双边滤波器的性质:

 

1)与普通的滤波器相比,双边滤波器在保留图像边界和细节和去噪两个 看似矛盾的工作中找到了一个很好的平衡点。

2)双边滤波器的滤波效果与高斯滤波器相当,但是能智能地判断图像的边界和非边界,从而使用不同的加权滤波器来去噪。

3 因 子 主 要 用 来 处 理 非 边 界 处 的 去 噪 ,


因子主要用来处理边界处的去噪,能有效的保留边界。

 

 

 

4         试验结果和效果分析

 

根据我们上面的去噪方法,我们重新考察去噪前后的信噪比

 

 

 

4.1      试验结果

 

 

 

 

 

 

原始图像                       增强后图像              去噪图像

 

4-18 去噪效果图比较


 

 

 

 

 

 

 

 

 

 

 

 

 

 

原始图像信噪比                                                          增强图像信噪比图

 

 

去噪图像信噪比图

 

 

 

 

4-19 去噪前后信噪比对比

 

 

 

4.2      效果分析

 

从上图中我们很容易的看出,图像的噪声的确得到了很大程度的抑止,同 时图像的边缘信息和纹理细节则保持得较好。

 

 

4.3      未来研究的方向

 

 

 

 

这样包括去噪在内的一整套图像增强算法就顺利的完成,该算法能够在以下 几个方面做出一定贡献:

1)彩色照片自动增强和恢复,对于全黑,背光和有一部分阴影遮挡的图像效 果最好。

2)视频图像实时增强,尤其对于 YUV 格式的速度最快。

3)作为特征点提取算法的预处理过程,由于特征提取过程中尝尝需要对边缘 灰度进行增强,以便于提取特征点,该算法作为特征点提取算法的预处理过程十 分合适,且处理速度非常快


5        

 

[1] 陈纯.计算机图像处理技术与算法[M].北京:清华大学出版社,2003

[2] 郭小鹏.李存斌.Visual C++ 高级编程及其项目应用开发[M].北京:中国水利水电出版社,2003

[3] 赵荣椿.数字图像导论[J].西北工业大学出版社[J].2000, 9(4):73103

[4] 韩晓军,苗长云,王亚青. 基于标准图像文件格式的数字图像处理方法[J].辽宁工程技术大学学报(自然科学版).2000,19(4):416463

[5] 袁保宗.数字信号处理与通信.人民邮电出版社,1981146):114184

[6] 高荣坤.数字图像处理学[J].科学出版社.1984,10(4):85132

[7] 李月景.图像识别技术及应用[J].机械工业出版社.1983 156:112154

[8] 刘红霞.图像分割算法的研究与实现[D].上海:华东师范大学.2004.6

[9] 黄伟,谭鹤良,彭晓燕. VC++中一种快速图像处理方法[J]. 湖南大学学报(自然科学版).2000,27(6):3137

[10] 胡明星.VC下进行图像处理的方法[J]. 计算机工程.2000,26(10):9192

[11]章毓晋.图像工程(上册)[M].北京:清华大学出版社,1999.13-22.2]霍宏涛,.数字图像处理[M].北京:北京理工大学出版社,2002.187-193

 

 

6         仿真截图

 



 

 


(责任编辑:admin)
织梦二维码生成器
顶一下
(1)
100%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
推荐内容