图像清晰化

图像清晰化（共9篇）

图像清晰化 篇1

由于雾会使大气能见度降低,给户外的目标识别、安保监控、交通导航等带来很大的困难,因此研究如何消除或减弱雾天对图像质量带来的影响,重建或复原图像,具有重要的现实意义。要对这种受雾天影响而降质的图像进行恢复,根据算法侧重点的不同,可以将当前常用的恢复方法分为两类:一类侧重于采用各种图像增强算法对雾天图像直接进行增强;而另一类则侧重于先对影响图像质量的大气传输系统建模,根据大气散射特性建立图像的退化模型,再据此进行图像恢复[1,2,3,4,5]。

采用图像增强算法对雾天图像进行恢复时,增强图像部分特征的同时又衰减了图像的另一部分特征,这样虽然使得复原图像更适合人的视觉特性或机器识别系统,但受景深影响严重,复原图像中的自然场景轮廓边缘会比较模糊,图像对比度也较差。

而根据大气散射模型来恢复雾天降质图像的方法,虽然能取得比较理想的色彩和对比度,但却需要预先求得图像中精确的场景深度或者大气条件等先验信息,而这些标定信息在现实中一般很难直接从雾天退化图像中获得[1,2,3,4,5]。

近年来以这两类方法为基础,很多雾天图像清晰化研究都取得了比较令人满意的成果,但他们大多都是将去除恶劣天气的影响和图像恢复结合在一起进行,具有较强的针对性,运算过程也比较复杂。本文拟将此过程分步处理,只研究对视频图像去除浓雾影响的清晰化方法。

1 基于大气传输系统的视频图像退化模型

在获取、记录及传输数字图像的过程中,受多种因素影响(如噪声干扰、目标物运动等),图像的质量会降低,出现严重失真、模糊不清、虚假轮廓等多种不良现象,这一降质过程就是通常称为图像退化的过程,此过程可以看作是由退化函数与加性噪声共同影响所致。将退化函数看作是某一线性位移不变系统H的冲激响应h(x,y),而加性噪声看作是系统H受到的加性干扰n(x,y),那么将图像f(x,y)输入系统H后,从系统的输出就得到了退化图像g(x,y),且此空间域内受系统H影响的所有退化图像g(x,y)都可由式(1)给出[9]。

g(x,y)=h(x,y)*f(x,y)+n(x,y) (1)

因为空间域上的卷积可以用其对应函数在频域上的乘积来等同,式(1)又可以在频域中作出等价的描述

G(u,v)=H(u,v)F(u,v)+N(u,v) (2)

从同一个成像系统中分别提取不同天气条件下的视频图像,两幅图像具有相同的相同的大小,内容均包含有天空或同一建筑物。将晴天图像f(x,y)看成是未受天气干扰所得的图像,即大气传输系统的输入信号,而雾天图像则是大气传输系统的输出信号g(x,y),将噪声、干扰等其他影响图像质量的因素视为大气传输系统的相关参数,g(x,y)相较f(x,y)的质量下降全由大气传输函数决定。

在两幅图像上提取尺寸均为M×N的天空场景或建筑物背景,则可通过二维离散傅里叶变换得到大气传输系统输入、输出信号的频域形式。

undefined

undefined

由于空域和频域的对应性,G(u,v)=H(u,v)·F(u,v),可得大气传输系统函数H(u,v)=G(u,v)F-1(u,v)和大气传输系统的空间函数

undefined

2 基于BP网络的大气传输逆系统模型

BP神经网络是一种多层前馈型神经网络,由数层互相连结的神经元组成,根据拓扑结构可将其分为输入层、隐含层和输出层。每一层均有若干个神经元,各层层内的神经元不互相连接,每一个神经元的输出连接到下一层的输入。它不需预知输入输出间的具体映射关系,而是将输入信息由输入层传递给隐含层,在隐含层进行信息的变换和处理,完成信号的正向传播处理后,传递给输出层计算输出与期望值的误差,未到达允许范围或预定训练次数时便进行误差的反向传播,按一定的学习规则调整网络的阀值及权值,直至网络输出的误差接近预设值,能得到逼近期望值的最终结果[6,7,8,9]。

图1所示为一个典型的四层BP网络,每层神经元个数为ni(i=0,1,…,N),对于第p(p=1,2,…,P)个模式,第k层的第j个神经元的状态为uundefined(k)(j=1,2,…,nk),wij(k)表示第k-1层第i神经元的输出加权到第k层的第j神经元的输入连接强度,则第k层的第j神经元的输入、输出分别为[7][10] :

undefined

undefined

这里f(·)为神经元的输入输出非线性函数。upj(0)(j=1,2,…,n0)代表外部输入向量,uundefined(N)(j=1,2,…,nN)代表网络输出分类模式向量。

第p个模式的信号相对于输出层第j神经元的输出与要求的输出之间的局部误差eundefined为eundefined=dundefined-uundefined(N)。

对于整个训练集,网络误差函数undefined,φ(eundefined)为选取的误差函数。

利用Lagrange乘法算子,有undefined,满足上述约束条件的解即ᐁL(wij,uundefined,bundefined)=0。

利用梯度下降法,通过undefined可求出网络权值修改因子undefined,其中yundefined(k)为偏导因子。

3 算法及实现步骤

步骤1:分离晴天图像中的背景或大型建筑物,利用傅里叶变换获取其频谱信息。

步骤2:提取雾天图像背景的频谱信息,将其视为对应场景的大气传输系统输出信号。

步骤3:将浓雾天气对图像的影响看成是某一大气传输系统对晴天图像的响应,通过BP神经网络构建此大气传输系统的逆模型,将晴天图像背景看做是模型的输出;而雾天图像背景则作为其输入。利用反向误差传输学习算法,不断修改各层神经元权值,直至输入输出间均方误差最小,将最终确定的神经网络视为对应此浓雾天气的大气传输逆系统模型。

步骤4:将雾天图像输入BP网络,完成对雾天图像的清晰化处理。

4 结论

手机摄像获取的视频分辨率为320×240,采用4层BP网络,输入层和输出层节点数为3,第2层4个节点,第3层3个节点,训练次数为1 000次,误差目标值0.01,其他参数为系统默认,雾天图像为图2,晴天图像为图3,本文算法获得的清晰化图像如图4所示,利用常规的维纳滤波和中值滤波方法得到的恢复图像见图5和图6。比较图4至图6,可见本文算法在一定程度上达到了消除天气影响的目的。

参考文献

[1]陈明举,杨平先.一种非线性复扩散与冲击滤波的图像消噪方法[J].电视技术,2011,35(19):20-22.

[2]黎云,张天序,丁明跃.红外成像大气作用效果模拟[J].华中科技大学学报,2002,30(2):78-80.

[3]王挥,刘晓阳.利用大气调制传递函数复原天气退化图像[J].沈阳航空工业学院学报,2006,23(5):94-96.

[4]钱徽,牛森良.自然景物中人气退化模型的研究[J].计算机辅助设计与图形学学报,2001,13(9):793-799.

[5]SUCCARY R.Relative effects of distortion and noise on target acquisi-tion:the advisability of image restoration[J].Optical Engineering,1998,37(7):1914-1922.

[6]BP神经网络[EB/OL].[2012-03-30].http://baike.baidu.com/view/1753676.htm.

[7]曾黄麟.智能计算[M].重庆:重庆大学出版社,2004.

[8]杨景兵,丁辉,张树东.基于神经网络的图像弱边缘检测方法研究[J].电视技术,2011,35(15):54-56

[9]Gonzalez R C,WOODS R E.数字图像处理(MATLAB版)[M].北京:电子工业出版社,2006.

图像清晰化 篇2

在天文望远镜上应用自动调焦技术,可以提高调焦的自动化程度和效率,改善调焦精度和成像清晰度,避免对操作人员调焦经验的依赖.由于天文望远镜观测到的`天体图像细节较少,不适合使用照相机的自动调焦算法.本文提出了一种新的适用于天体目标观测的离焦判据.

作 者：李晓燕 朱庆生 LI Xiao-yan ZHU Qing-sheng 作者单位：李晓燕,LI Xiao-yan(中国科学院南京天文仪器研制中心,江苏,南京,210042;中国科学院研究生院,北京,100049)

朱庆生,ZHU Qing-sheng(中国科学院南京天文仪器研制中心,江苏,南京,210042)

图像清晰化 篇3

收稿日期： 20131124

基金项目： 国家自然科学基金仪器专项(2127013);云南省自然科学基金(60968001,61168003);云南省应用基础研究计划面上项目(2011FZ079,2009CD047);国家级大学生创新创业训练计划项目(2012103005)

作者简介： 徐林丽(1989),女,硕士研究生,主要从事多光谱成像及图像处理方面的研究。

通讯作者： 李宏宁(1975),男,讲师,博士,主要从事旋光检测和多光谱成像方面的研究。

摘要： 多光谱成像系统会改变输出光的波长,这就导致图像在不同波段下形成了不均匀亮度(阴暗图像和高亮度图像),严重影响了特征波段提取与测量。为了提高各波段的有效利用率,引用了一种增强多光谱灰度图像清晰度的有效方法。通过非线性的偏微分方程扩大梯度空间、保留梯度值较大的边缘,增强图像的纹理细节。由于多光谱图像阴暗波段的纹理较弱,不容易辨别其所有信息,为了更好地使增强效果完全体现出来,使用直方图均衡化来调节亮度的不均匀性。最后,通过人眼视觉的定性和客观函数的定量两方面对该组增强图像的清晰度进行了评价。结果表明:该方法能够有效地协调各波段的多光谱图像清晰度,并且图像的增强效果也非常明显。

关键词： 多光谱成像; 清晰度; 非线性偏微分方程; 直方图均衡化

中图分类号： TN 911.73文献标志码： Adoi： 10.3969/j.issn.10055630.2014.03.006

Multispectral images′ sharpness enhanced by

nonlinear partial differential equation

XU Linli, XU Haibin, FENG Jie, YANG Weiping, LI Hongning

(School of Physics and Electronic Information Technology, Yunnan Normal University, Kunming 650500, China)

Abstract： Multispectral imaging system can change the output wavelength of light well, forming the uneven brightness images in different wave bands(dark images and high brightness images), it will affect the extraction and measurement in the feature bands seriously. In order to improve the effective utilization of each band, this paper appoints an effective way to enhance multispectral grayscale images′ sharpness. First enlarge gradient space through nonlinear partial differential equation, keep the bigger edges of the gradient value, enhance the texture details of images. Because the texture is weak in dark bands, to identify all of its information is difficult, to incarnate heighten and effect preferably, this article combines with the histogram equalization to adjust nonuniformity of brightness. Finally, evaluate this sets of enhanced images in two aspects by human vision qualitatively and objective function quantitately. The result shows that this method can coordinate multispectral images′ sharpness in different bands, and images′ enhancement effect is very obvious.

Key words： multispectral imaging; sharpness; nonlinear partial differential equation; histogram equalization

引言多光谱成像系统是一组多源信道所采集的关于同一目标的图像成像系统,经过图像处理和计算机技术等可以最大限度地提取各自信道中的有利信息,最后综合成高质量的图像［1］。相比于一般的数字成像系统,具有较高的光谱分辨率,能十分方便连续地改变输出光的波长,协调成百上千幅可见光和近红外光波段的图像。因此,多光谱成像在颜色测量、地理空间分析、天文学以及拉曼化学成像等方面起着非常重要的作用［2］。然而由于多光谱成像系统其不同波段的光对同一物体的反射率不同,使得不同波段图像的亮暗程度非常不均匀,这就造成了阴暗和高光区域中的图像信息不能够很好地被人眼所观察［3］,这些区域内往往存在着很多对比度相对很小的细节信息,一旦这些信息丢失就会严重影响多光谱图像在其应用领域以及实际生产过程中的作用;因此,协调多光谱数字图像在这些波段中的清晰度具有重要的意义。一般的图像增强采用线性方法进行滤波处理,如卷积滤波、高频增强滤波、维纳滤波等［4］,这些方法都是基于实际的应用环境提出的,当应用于多光谱成像系统时,就表现出一定的局限性。目前就增强多光谱数字图像清晰度的研究方法还少见报道,本文是针对多光谱灰度图像中不同波段的差别较大的不均匀亮度图像,通过改进直方图均衡化提高图像对比度的增强方法,而引用一种基于非线性偏微分方程的图像增强方法［56］,来提高多光谱灰度图像的清晰度。为了客观地检验该方法是否真实有效,在进行人眼视觉系统(HVS)［7］主观判定的同时,又引入了适用于多光谱图像清晰度评价的客观函数［811］——灰度差分函数,分别对原图像、经直方图处理过后的图像、通过改进算法处理后的图像进行了定性定量的测量和比较。光学仪器第36卷

第3期徐林丽，等：非线性偏微分方程增强多光谱图像清晰度

1多光谱成像的特点多光谱成像系统是利用了光的色散原理(复色光分解为单色光谱,白光分解为彩色光谱)。将目标光波的波长分割成若干波段,并拍摄目标物在各个波段的图像,所采集的图像是被色散开的单色光按波长在各波段依次成的像。由于不同波段光照强度的不均匀性而形成了亮暗程度不一的多光谱灰度图像,这就导致在不同波段所采集的图像清晰度差别很大,尤其是在阴暗波段,严重影响其在应用领域的分析与测量。图1选取了多光谱各波段图像中具有代表性的亮暗程度不均匀的12幅波段图像,通过人眼的主观认知方式可以很明显地分辨出:该组图像随着波长的改变,其清晰度也会随之改变。在阴暗波段和高亮度波段的图像中很多细节都无法被人眼所察觉,而实际上,这些波段内的图像中存在着很多细节信息,并且这些信息在多光谱图像的分析以及应用中是不可缺少的。2直方图均衡化图像增强消除光的强度对图像的影响方法有很多,首先采用目前图像增强技术领域里发展较为成熟的,同时也是图像增强技术的一种基本方法——直方图均衡化。它是一种以积累分布函数CDF(cumulative distribution function)为基础的直方图修正法,其目的是将原始图像的直方图修正为均衡分布的形式,即将原始图像的梯度场进行均衡,增强梯度场中出现概率高的信息,抑制概率低的信息,从而可以增强阴暗波段和高亮度波段灰度图像的细节信息。对于一幅多光谱灰度图像,第i个灰度级ri出现的频率数用ni表示,该灰度级像素对应的概率pr(ri)为:pr(ri)=nini=0,1,…,k-1(1)其中,n为像素总数,i为灰度级数,ri满足归一化条件。图像变化的函数表达式为:S=T(ri)=∑k－1i=0pr(ri)=∑k－1i=0nin(2)

nlc202309032023

图1具有代表性的不同波段的多光谱图像

Fig.1Typical multispectral images in different bands

对该组多光谱图像进行直方图均衡化处理,效果如图2所示(选取450 nm、550 nm、600 nm、720 nm波段图像为例)。

图2原图像与直方图均衡化处理后所得的对比图像

Fig.2Contrast between original images and histogram equalization processing images

从图2四组图像中不难看出,直方图均衡化处理后,图像直方图灰度间隔被拉大了,从而有利于图像的分析与识别。但是该方法又存在一定的局限性,虽然在450 nm波段和720 nm波段图像的清晰度得到了很明显的提高,然而,在550 nm波段以及600 nm波段处理后的图像随着直方图均衡化将图像细节放大的同时,图像的噪声也随之放大,尤其在550 nm波段最为明显。可以看出该方法不仅对光照比较均匀的550 nm波段灰度图像的清晰度无明显增强效果,而且还带来了较大的噪声。3基于非线性偏微分方程的图像增强为了避免直方图均衡化的同时放大噪声,本文采用一种改进的基于非线性偏微分方程的图像增强方法,设增强后的梯度图像为A:A=1－cosu－uminumax－umin•π•umax2•uu(3)其中,u为原图像的梯度函数,umax为梯度模的最大值,umin为梯度模的最小值,uu表示梯度场的方向信息。经过该变换之后梯度函数使原梯度场从［umin,umax］映射到［0,umax］内,且分布按照所需要求变换,使原本不明显的纹理凸显,同时保留梯度值较大边缘,增强图像的纹理细节。图像增强后再经过最小二乘原理恢复出所要增强的图像,该过程可以增强图像中比较弱的纹理和出现概率较低的细节信息。为了使增强效果完全体现出来,本文用直方图均衡化与原图像的差乘上补偿因子λ来调节增强后图像,从而构建出重建图像，公式如下:Δu=div(A)+λ(S(u)－u)(4)其中,Δ为拉普拉斯算子,Δu=2ux2+2uy2,S(u)是对原图像的直方图均衡化,λ为补偿因子。通过该方法对多光谱图像的增强效果与直接直方图均衡化处理产生的效果如图3所示(以图2中无明显增强效果的550nm和600nm波段图像为例)。

图3改进的方法与直方图均衡化处理对比图

Fig.3Contrast between images of improved method and histogram equalization processing

从图3可以看出该方法能够明显弥补直方图均衡化处理对某些波段图像增强无明显效果的不足,同时能够很好地抑制带噪图像在图像增强过程中所引起的噪声放大,从而克服了上述方法的缺陷,可以达到更好的视觉效果。4结果分析与讨论对实验结果的检验本文从定性和定量两方面着手。定性是从人眼视觉效果进行的评价,图1、图2、图3分别展示了在某些特征波段的原图像、直方图均衡化处理后的图像、改进的方法处理后的图像,从以上三组图像中可以看出改进的方法与直方图均衡化处理相比可以明显地提高图像的细节信息,从而增强图像的视觉质量。由于定性评价具有一定的主观性,因此,本文又引入了具有客观性的定量评价。因为,图像清晰度是衡量图像增强效果的重要指标,它的客观函数评价有很多,就反映图像细节信息的函数有:熵函数、灰度差分函数、Tenengrad函数、能量梯度函数以及点锐度函数等,在这里选用最适用于多光谱数字图像清晰度客观评价函数——灰度差分函数［11］,来对实验的原始图像以及增强后的图像进行评价。灰度差分函数的算法是:先逐个算出各个像素点的平均灰度值,再将各像素点灰度值与平均灰度值之差累加,得到该图像的清晰度。公式如下:q(I)=∑x∑y［I(x,y)－μ］(5)

μ=∑x∑yI(x,y)(M×N)2(6)其中,I(x,y)为图像I在(x,y)处的灰度值,μ为图像I的平均灰度值,M×N为图像的像素总数,q(I)表示该函数的清晰度值。为了说明改进算法比直方图均衡化算法更具有优越性,本文选用比一般的多光谱成像系统有更高成像质量的LCTF成像系统,并且在D65光源下从450~720 nm波段(每隔5 nm,共55幅)采集一组多光谱数字图像进行清晰度分析。灰度差分函数对原图像、直方图均衡化处理后的图像、改进方法处理后的图像的清晰度值如图4所示。

图4各方法在不同波段的清晰度值分布

Fig.4The distribution of each method for images′ sharpness in different bands

通过图4三组波段图像清晰度的分布图可以看出，非线性偏微分方程图像增强能够很好地提高多光谱图像的清晰度,这为以后在多光谱图像的筛选和清晰度的视觉评价方面具有很大的帮助,然而又会导致多光谱数据立方体的能量分布的改变,因此,在多光谱图像的反射率重建等方面工作时将会进行后续的处理。5结论综合图1、图2、图3的定性评价和图4的定量评价可以看出多光谱图像在各波段成像质量是非常不均匀的,在550 nm左右的波段图像较为清晰,但在两端波段图像的清晰度相对较差,尤其是在470 nm以下和700 nm以上波段的图像非常不清晰,在此基础上如果采用直方图均衡化处理会使得较低波段和较高波段的图像清晰度得到明显的改善,然而随之而来会造成噪声的放大,结果导致在500～640 nm范围内被测的图像清晰度不升反降。而本文的方法不仅可以使几乎每个波段的图像清晰度获得提高,而且还可以使各个波段的清晰度基本维持在一条直线上,因此这种方法使得多光谱图像在各个波段图像质量得到了明显提高,克服了多光谱在不同波段成像不均匀这一缺点。实验结果表明:该方法不仅可以克服噪声较大时,直方图均衡化所带来的噪声同步放大的缺点,而且可使各波段图像清晰度值基本保持一致,有效地提高了不同波段多光谱灰度图像的清晰度,提高了图像的质量,为多光谱成像系统更多的应用研究提供了参考。参考文献：

［1］周红志,冯莹莹,王戴木.基于Bayesian压缩感知的融合算法［J］.计算机应用研究,2013,30(2):613615.

［2］郑芝寰,沈会良,杜昕.基于聚焦对称性的多光谱相机自动调焦方法［C］∥高光谱成像技术及其应用研讨会.苏州:中国宇航学会光电专委会,2012:9297.

［3］赵建.基于偏微分方程的非线性图像增强方法［J］.仪器仪表学报,2011,32(6):358362.

［4］CASTLEMAN K R.数字图像处理［M］.朱志刚,林学闫,石定机,等译.北京:电子工业出版社,2003:171208.

［5］朱立新,王平安,夏德深.基于梯度场均衡化的图像对比度增强［J］.计算机辅助设计与图形学学报,2007,19(12):15461552.

［6］韩希珍,赵建.结合偏微分方程增强图像纹理及对比度［J］.光学精密工程,2012,20(6):13821388.

［7］章毓晋.图像工程:图像处理［M］.3版.北京:清华大学出版社,2012:259263.

［8］蔡明荣,马军山,王福红,等.自动调焦系统中图像清晰度判别方法的研究［J］.光学仪器,2008,30(5):3539.

［9］姚铖,隋成华,魏高尧,等.自动验光仪中图像处理与调焦准确性的研究［J］.光学仪器,2012,34(6):1013.

［10］陈亮,李卫军,谌琛,等.数字图像清晰度评价函数的通用评价能力研究［J］.计算机工程与应用,2012,11(6):152155.

［11］LI H N,XU L L,FEN G J.Sharpness evaluation function of wavelength related multispectral image［C］∥IEEE 2013 2nd International Conference on Measurement,Information and Control,Harbin,2013:452456.

图像清晰化 篇4

近年来,以煤矿工业电视系统和综合业务数字网为代表的煤矿安全监测系统在煤矿得到了广泛的应用,利用该系统工作人员可以在地面实时掌握井下设备的运行情况,大大提高了安全监控水平。但由于煤矿井下环境具有照度低、粉尘多、电磁环境复杂等特点,监控设备获取的图像在传输过程中会受到噪声等污染,严重降低了图像质量[1,2]。为提高监控图像的清晰度,大多采用对图像进行去噪的处理方法。传统的监控图像去噪方法有均值滤波、中值滤波、同态滤波等,这些方法在实际应用中都取得了一定的效果,但也存在不足之处:对多种噪声共同干扰的图像去噪效果不理想;去噪的同时使图像的细节和边缘信息出现模糊的负面效应,导致图像清晰度降低,质量下降。而小波变换去噪方法可以聚焦到信号的任意细节并进行多分辨率的时频域分析,解决了传统滤波器单一尺度去噪所带来的问题,使得噪声得到抑制,且原始特征、尖峰点得到很好的保留。为此,本文采用小波阈值图像去噪算法,设计了基于嵌入式系统的井下监控图像清晰化装置。

1 小波阈值图像去噪算法

监控图像信号与噪声经过不同尺度的分解后反映出不同的激励和特点,小波去噪的原理主要基于这一基础[2]。本文使用的小波阈值图像去噪算法基本步骤如下:

第1步:选择适当的小波基和分解尺度对原始图像进行小波分解。

设fk为信号f(t)的离散采样数据,fk=c0,k,则信号f(t)的正交小波变换分解公式为

式中:cj,k为尺度系数,j为分解层数,k=0,1,…,N-1,N为离散采样点数;dj,k为小波系数;n=2j;h,g为一对正交镜像滤波器组。

第2步:小波系数阈值量化。通过调用函数来判断是哪种阈值(硬阈值还是软阈值),接着采用硬阈值方法或软阈值方法对小波系数进行处理,从而得到适用于本图像的对应小波系数。

(1)硬阈值是令所有小波系数绝对值小于阈值的信号点的值为零,大于阈值的点保持不变。

(2)软阈值是令所有小波系数绝对值小于阈值的信号点的值为零,大于阈值的点变为该点值与阈值的差。

式中:为估计小波系数;t为预设阈值或门限值;sgn(*)为符号函数,即

第3步:使用经过阈值处理后的小波系数进行小波重构,就是将小波系数进行逆变换得到重构图像,相应的小波重构公式为

2 装置硬件设计

基于嵌入式系统的井下监控图像清晰化装置总体结构如图1所示。

(1)DSP:处理器采用DSP芯片TMS320DM642。TMS320DM642的主要特点:3个可配置监控图像口(VP0,VP1,VP2)最多可以支持3路监控图像数据采集,具有网口、PCI接口、HPI接口、I2C接口、串行接口等多种接口。

(2)FLASH存储器:采用容量为4 MB的AM29LV033C-90EFLASH芯片存储DSP/BIOS嵌入式操作系统、硬件驱动程序,以及与图像清晰化相关的应用程序。

(3)SDRAM存储器:是操作系统与正在运行的应用程序的数据存储介质。SDRAM存储器采用MT48LC4M32B2-7芯片,其架构为1 024×32×4,每个bank的行地址数目为12,列地址数目为8。由于TMS320DM642的数据线为64线位宽,所以,在硬件设计时选用2个SDRAM存储器。

(4)通信接口:扩展CAN通信模块,用于图像清晰化装置与主机的数据通信,并配置RS232、RS485或RS422接口与PC机连接,用于调试。

(5)视频解码器、视频编码器:视频解码器采用TVP5150APBS,将视频信号采集装置采集的模拟视频信号转换为数字信号,并通过同步串行总线输入到TMS320DM642中;视频编码器采用SAA7121H,把图像清晰化装置输出的监控图像数据转换为PAL/NTSC制式的模拟视频信号。

3 装置软件设计

基于嵌入式系统的井下监控图像清晰化装置软件设计采用CCS(Code Composer Studio)作为集成开发环境。CCS是针对TMS320系列DSP产品设计的集成化开发环境[3]。

本装置使用DSP/BIOS嵌入式操作系统,它为用户程序提供高效的资源管理功能。在操作系统的基础上,装置的应用程序采用了Reference Framework 5(RF5)的软件框架。RF5建立在DSP/BIOS和TMS320 DSP Algorithm Standard(XDAIS)之上,可提高程序的可靠性和可扩展性。装置的程序流程如图2所示。

本装置采用模块化的理念来完成软件设计[4]。整个装置的软件由初始化、监控图像采集、监控图像处理以及监控图像显示4个模块组成。

监控图像采集模块用于捕获外部视频模拟信号,并通过视频编码器将视频模拟信号转换成数字信号传送给TMS320DM642的VP0进行处理。

监控图像处理模块是运用小波阈值去噪算法将监控图像采集模块发送来的视频信号进行去噪处理。

监控图像显示模块用于显示经TMS320DM642处理后的视频图像。通过TMS320DM642的VP1口将视频信号送给视频解码器,视频解码器将数字信号转换成模拟信号再由终端显示器显示出来。

监控图像采集、监控图像处理和监控图像显示为RF5框架中的任务,3个模块之间的通信如图3所示。

4 结语

针对煤矿井下图像的特点,基于小波阈值图像去噪方法,设计了一种基于嵌入式系统的井下监控图像清晰化装置。该装置去噪效果较好,在有效抑制噪声的同时保留了原始图像的细节特征、尖峰点,大大增强了监控图像的清晰度。

摘要：针对煤矿井下环境照度低、粉尘多、电磁环境复杂,监控设备获取的图像在传输过程中会受到噪声污染,严重降低了监控图像质量等问题,设计了一种基于嵌入式系统的井下监控图像清晰化装置。该装置利用小波阈值算法,基于DSP嵌入式系统,在有效抑制噪声的同时保留了原始图像的细节特征、尖峰点,大大增强了监控图像的清晰度。

关键词：煤矿监控图像,图像去噪,清晰化装置,小波阈值算法,DSP嵌入式系统

参考文献

[1]彭波,王一鸣.低照度图像去噪算法的研究与实现[J].计算机应用,2007,27(6):1455-1457.

[2]冉启文.小波变换与分数傅里叶变换理论及应用[M].哈尔滨:哈尔滨工业大学出版社,2001.

[3]彭启琼,管庆.DSP集成开发环境CCS及DSP/BIOS的原理与应用[M].北京:电子工业出版社,2004.

图像清晰化 篇5

1.1 课题的研究背景与意义

随着信息多媒体数字技术的高速发展,视频监视在安全防护、农业生产、军事科技等众多领域中扮演着至关重要的作用。根据雾天图像的物理成因、整体方案设计来体现雾天监控的实质清晰度,大大提升了监视系统在恶劣天气开展工作的可行性。

1.2 研究现状

1.2.1 雾霾天图像清晰度研究现状

在雾霾天清晰度不高的实物景象中,本身偏低的灰度值大大增加、而数值偏高的灰度值却被减小,致使像素点灰度值无限集合在于一点上,是一种显而易见的对比度退化,可以理解为雾霾天图像清晰度不高同样的也是对比度提高的一种弊端。

现如今,对雾霾天气图像清晰度处理的方式一般分为两大类型:模型与非模型的运算方法。模型的运算是根据景象清晰度下降的原因,使用逆向运算的方法来提升图像自身的对比度;然而在非模型的运算方式下,并不需要了解图像清晰度下降的内在原因。

本文所提出的观点与试验都是为了更直观地表达出如何提高雾霾天图像清晰度,如何使用自身的对比度来提升图像清晰度。

1.2.2 DSP特点与发展现状

DSP的强大功能在于对各种数据可以通过实时性、时效性的处理方法,除具备普通微处理器强调的快速计算和控制功能外,在结构上主要体现了数字信号处理算法的需求,采用并行处理、流水线、适量处理以及超标量等技术来提高处理性能。DSP总体来说体现在具备多个可同时操作的处理单元,如利用符合的信号的乘加来处理单元、专用寻址单元、DMA单元与终端处理单元等,对于执行单元可以同时运作,大大增加处理速率。

DSP技术经过重重考验,其饱满的硬件资源、可同时高速运转、强大的指令系统与快速运转数据上的处理实力,已广阔覆盖到平时工作、生活和学习中,同时在语音、声纳系统、图像、系统控制、地质勘查、电力系统、生物医学工程、故障检测、全自动化仪器等各大领域得到了非常广泛的应用。

2 雾天图像的物理成因

在雾霾与其他恶劣天气的影响下,室外取景的图像对比度与它的分辨率都有着非常显著的下降,从实质上说,是因为本体光线在实物上通过接收装置来传播,在大气中碰到了粒子半径较大的气溶胶悬浮粒子从而产生了交互作用,使得光以略微相同的规则在空间中重新分布。常见的交互作用大体分为三种类别:散射、吸收与辐射。致使图像质量下降的主要原因中,散射是极为重要的可见光波段,吸收与辐射所带来的影响微乎其微。

因为介质存极其不稳定、不均匀,致使光偏离了原有的传播轨道与其固定方向,从而往侧方散射,这种情况被称为介质对光的散射。现如今,科学技术飞速发展,大气光学和气象学得出了许多关于散射和粒子尺寸分布关系的可依据的学术理论。从总体上来讲,组成传播介质的粒子类型、形状、方位、半径的大小与所分布的情况,都与散射有着不可小觑的联系,同时射光的波长、方向和偏振面都与其有着紧密关联。表1列出了在不一样的天气下,大气粒子的组成与分布情况,可以看出,大气粒子的组成与分布和天气因素有着密切联系,从而产生的散射现象也大大不同。

3 系统整体方案设计

雾霾天实物景象清晰度的运算方法作为本次课题研究的前期设计,为系统设计和实现奠定了清晰的理论基础,同时也提供了相当多的设计思路。通过对分析系统的设计需求,从而对系统的整体结构、硬件方案设计和软件方案设计进行研究。

3.1 系统的整体结构

应设计方面的要求,从硬件入手,此系统主要包含三个模块:视频采集模块、视频显示模块、视频处理模块。系统在软件的方面主要包括三个线程:视频采集线程、视频显示线程和视频处理线程。而在雾霾天气下视频的实时采集则采用模拟视频信号对其进行采样并数字化;视频处理则使用的是对数字化后的图像使用清晰化的处理方式;视频的显示则将处理过后的数字图像转为模拟信号输出到可见是的设备中去。系统整体结构示意图如图1所示。

3.2 系统硬件方案设计

DSP(Digital Signal Processor)是具备数字器件独特的稳固性、可大规模集成性、可反复、重复的性质特征,包括可编程性极高和自适应能力极强等两个杰出特点,为实现数字信号处理技术带来了无限的发展和极为新鲜的活力,并使得信号处理更加灵动,功能特质更加复杂。其实信号处理最基本的就是对信号进行交换,其中最主要的目的就是通过提取信号中的有效信息,使用更便捷、可视性更强的方法进行阐述。数字信号处理就是用数字的方法对信号进行变换来获得有用的信息。而实时就是要求信息处理系统必须在有限的时间内对外部输入信号完成指定的处理,而且从信号输入到处理后输出的延迟必须足够小。

3.3 系统软件方案设计

嵌入式系统的软件结构包括应用层、操作系统层、设备驱动层这三个大层面。本文所要体现的则是应用层这方面的软件设计。

在RF5的软件框架上,将DSP端的应用程序完美的合为一体。Reference Framework 5(RF5)是IT在TMS320C5000以及C6000DSP提供的在TIe Xpress DSP所支持的供参考的基本框架,而他则建立于DSP/BIOS和TMS320 DSP Algorithm Standard(XDAIS)之上。软件结构框图如图2所示。

4 系统软件的实现

系统软件的实现简单却又极为高效,可以为管理机制连线,同时也可以协调各个线程。最为重要的一点是嵌入式系统在涉及相应简单的程序时,可不必使用操作系统,从而简化程序。但如果在设计比较复杂的应用程序时,则需要运用一个操作系统(OS)帮助人们管理和控制内存,同时包括了多任务和周边的种种资源等。综上所述,通过之前章节对DSP的阐述与实验,得出了系统软件开发的实现与重要性,也确定了处理平台是最为合适的核心算法。

摘要：现如今在交通运输、农业生产、工业生产、军事科技等许多领域范围内,视频监控扮演着举足轻重的角色。但是,如今的监控系统对天气要求非常苛刻,在可视度比较低下的雾天,对实物取景非常不利,限制和损害了室外监控系统的使用。因此,为大大提高图像的清晰度,在DSP的恶劣天气下监控视频清晰度的处理方式具有重大的研究意义和利用价值。本文从雾霾天气下图像的清晰度与DSP的特点着手,分析雾天图像的物理成因,并提出系统的设计方案,从而完成了整个系统软件的实现。

关键词：雾霾天,图像的处理,方案设计,视频监视

参考文献

[1]毛吉军.雾天CCTV图像实时清晰化算法的研究[D].大连:大连海事大学,2012.

[2]臧风妮.智能视频监控中海面舰船目标检测算法研究[D].青岛:中国海洋大学,2014.

图像清晰化 篇6

在石油化工企业, 由于生产工艺复杂, 生产原材料和产品都是易燃、易爆品, 易突发灾难事故, 安全生产尤为重要。同时石化企业大气污染严重, 雾霾天气多发, 这会降低安防系统所获得的图像的质量, 直接影响到对监控目标的检测和识别, 进而影响到企业的安全生产。因此有必要对视频监控图像进行清晰化处理。

2 Retinex去雾概述

目前国内外对图像去雾处理的研究主要有图像复原和图像增强两种方法。这里讨论基于图像增强的Retinex算法。Retinex理论中图像可以表示为:

即图像的任何一个像素点可以表示为环境亮度L和景物反射R的对应点的乘积。

3 Retinex去雾算法在雾天石化企业图像清晰化处理中的意义

石化企业产品易燃易爆, 安全生产在石油化工企业中尤为重要。由于石化企业污染严重雾霾多发, 雾霾的存在使得石油化工企业室外视频监控得到的数字图像质量退化, 降低视频监控质量。这将会对工作人员的监控造成严重的干扰。Retinex去雾算法可以有效的处理石化企业严重雾霾时的图像, 改善图像的视觉效果, 提高降质图像的对比度, 对安防监控显得意义重大。

4 Retinex去雾在雾天石化企业图像清晰化处理中的应用

Retinex理论可以分为以下几种:

4.1 随机游走Retinex

指的是下一个像素是从当前像素的邻域中随机选择, 设图像路径上有n个像素点, 起点A和终点B之间的明暗可以表示为:

4.2 同态滤波Retinex

同态滤波Retinex方法是将随机游走Retinex方法的一维路径扩展到二维路径, 将像素比较运算代之以空域卷积运算, 也称为局部Retinex方法。

4.3 泊松方程式Retinex

此法反射分量简化为分段线性常数, 其导数会沿着图像边缘为较大值, 而其它处为0。表达式为:

4.4 基于迭代计算的Retinex

然后将图片中的所有像素初始化为图片的。对选定路径上的像素进行比较, 与上一次的比较结果累积, 当累积结果超过原始图像亮度最大值的时候, 保持为原始图像的最大值。

4.5 中心环绕Retinex

中心环绕Retinex法无需迭代计算, 容易实现、运算速度大幅提高, 实际应用广泛。它包括单尺度Retinex (SSR) 、多尺度Retinex (MSR) 、具有颜色恢复的多尺度Retinex (MSRCR) 。

4.5.1 SSR数学形式如下式所示:

4.5.2 MSR

MSR方法为多个尺度SSR加权平均:实验发现, 采用一个小尺度、一个中尺度、一个大尺度可以产生较好的颜色, 无明显的光晕。MSR方法通过多个不同尺度的SSR结果加权平均, 图像的色感一致性好, 能够削弱光晕, 使图像的处理效果更理想。

SSR或MSR分别处理一幅彩色图像的R、G、B分量, 易造成颜色失真, 使图像的局部区域呈现灰色。由此提出了MSRCR。该方法先是进行颜色转换, 将图片由RGB空间转换到HIS空间, 对亮度分量I使用多尺度Retinex算法、进行滤波处理, 得到估算出的图片的反射分量, 对得到的反射分量进行加权平均, 之后进行空间反变换, 将图片由HIS空间转回RGB空间。最后进行颜色恢复, 得到清晰的图片。

5 Retinex图像清晰化方法仿真结果分析

基于表1的分析, 我们发现在石化企业严重雾霾天气下, 可以采用Retinex增强监控视频图像的对比度。原图像对比度低、细节信息模糊, 颜色偏向灰白色。经SSR处理后得到的图像部分偏亮, 颜色失真。经MSRCR算法处理后得到的图像对比度得到了进一步的增强, 同时图像颜色无失真。Retinex算法处理后得到的图像方差和信息熵都增加, 表明图像对比度增加, 信息量更加丰富。平均灰度更接近于128, 表明增强后的图像色彩更加适合人眼系统。

6 结语

随着科技的发展, 数字图像去雾技术在不断发展进步, 在图像去雾方面, 基于Retinex去雾算法对提高石化企业严重雾霾图像对比度效果显著, 已得到广泛的应用。在算法方面, 今后在应用上主要注重处理的实时性, 这对今后图像去雾在各个领域的应用十分必要。

摘要：本文对Retinex去雾算法进行了介绍, 分析了Retinex算法的国内外研究现状和发展趋势。Retinex算法在雾天石化企业安防监控中可以发挥很大的作用, 能有效的提高监控图像的对比度, 再现严重雾霾条件下图像场景。最后对Retinex算法在雾天图像处理中的应用做了展望。

关键词：Retinex去雾,石化企业,视频图像清晰化

参考文献

[1]赵晓霞.基于Retinex理论的视频图像增强系统研究[D].中国矿业大学 (北京) .博士学位论文, 2011.

[2]钟仡龙.单幅图像去雾处理算法研究及软件实现[D].西南交通大学研究生学位论文, 2012.

[3]Jung C, Sun T, J i ao L.Eye detection under varyi ng illumination using the retinex theory[J].Neurocomputing, 2013, 113:130-137.

保持腹腔镜手术图像清晰的新方法 篇7

1 选择分辨率高的高清内镜和成像系统

器械护士熟练掌握高清内镜的白平衡调节方法, 准确调节焦距。巡回护士按照要求调节好显示屏的各种参数, 包括色彩饱和度、对比度, 屏幕亮度等, 调节冷光源亮度至30%~50%。

2 方法

2.1 碘伏擦拭法

碘伏是一种碘与表面活性剂结合物, 因其含有油性成分, 表面张力较大, 用沾有碘伏溶液的纱布擦拭内镜镜头表面, 可减少镜面水雾形成, 增加图像清晰度。

2.2 温水浸泡法

体核温度指人体内部包括胸腔、腹腔、脏器和脑的温度, 通常比较稳定。直肠温度最接近人体深部温度, 正常情况下平均为37.5℃[1]。而手术间一般保持温度在22℃~25℃[2], 两者之间存在较大温差, 当腹腔镜镜体从室温下移入体腔后, 镜面因温差而迅速形成水雾, 导致图像模糊不清, 严重影响手术操作。为了避免这一现象, 采用约50℃的灭菌注射用水浸泡腔镜前端30s至1min, 使之温度迅速上升后再放入体腔内。此法有效避免了水雾产生, 使图像保持清晰。由于手术中需反复多次擦拭镜头, 为了保持灭菌注射用水的温度, 将不锈钢保温杯经高压蒸汽灭菌后放上器械台, 用于盛装加热后的灭菌注射用水, 可保温1h~2h, 减少了多次换热水的麻烦。

2.3 烟雾疏散法

腹腔镜手术中使用超声刀、双极电凝或单极电凝时会产生烟雾状气体, 对图像的清晰度产生很大影响。针对这一现象, 采取间断打开助手操作孔Trock的阀门开关, 放出烟雾, 改善图像质量。为了避免烟雾排放至手术间污染空气, 可在Trock阀门开关处连接可调压负压吸引器, 持续低压吸引排出烟雾, 同时增加二氧化碳进气量, 维持饱满的气腹, 以利于手术操作。

3 小结

腹腔镜手术具有微创、对病人打击小、恢复快且兼顾美容等诸多优点, 但同时也存在一些不足。如手术医生的操作空间局限, 对腔镜设备和器械过度依赖, 只有在手术过程中始终维持高度清晰的图像画面, 才能确保手术医生正确判断组织结构, 准确地分离血管及器官, 避免误伤, 保证手术质量和手术效率。

作为手术室护士, 在配合腹腔镜手术的护理实践中, 通过学习和思考, 发现用沾有碘伏的纱布擦拭腔镜镜头可保持画面清晰。但碘伏纱布的干湿度较难掌握, 既不能太干也不能过湿, 要恰到好处才能起效。所以, 一般在时间较短、组织结构相对简单的腹腔镜手术中采用此方法, 如腹腔镜胆囊切除术、胸腔镜肺大疱切除术等。

温水浸泡法是医生认可的最有效方法。前面已经介绍了此法的运用原理和具体做法, 其中把保温杯以手术器械的形式用于手术当中, 是借鉴生活经验, 活学活用的方法, 达到了很好的效果。一般在手术前日将瓶装 (每瓶500mL) 无菌注射用水放入温度为50℃的恒温箱内加温, 手术当日将其倒入无菌保温杯中, 加盖保存, 在术中可反复多次用于浸泡腔镜镜头, 使之温度接近体腔温度, 避免由于温度变化而产生的雾气模糊镜头。使用时保温杯底部垫一纱布块, 防止镜头与杯底发生碰撞、摩擦, 损坏镜面。灭菌注射用水于50℃恒温箱内放置1周后抽样检验结果均无菌生长。如果因条件限制无恒温箱设备, 可将瓶装灭菌注射用水置于微波炉加热或放入热水中浸泡加温, 注意浸泡时瓶口部分切忌没入水中。

在手术时间长、手术操作复杂、手术风险大的腹腔镜手术中, 尤其需要联合运用上述各种方法, 特别是温水浸泡法, 来有效维持手术图像的高度清晰, 以保证手术平稳、顺利进行。

参考文献

[1]姜安丽, 王玉玲, 王红红, 等.新编护理学基础[M].北京:人民卫生出版社, 2008:303-309.

图像清晰化 篇8

在数字电视视频后处理芯片中,提高清晰度算法至关重要。在视频后处理中,由于信号传输过程中损失了很多高频成分,引起了解码图像的模糊,提高图像清晰度算法的目的是合理补偿高频分量,使模糊的图像变得清晰,边缘部分得到进一步锐化。

增强清晰度算法可分为空域和频域的不同处理算法[1]。空域方法中有代表性的包括:拉普拉斯算法、反锐化掩模等;频域有代表性的有小波变换方法等[2,3]。但是频域算法相对复杂,一般不适合应用到视频后处理芯片中,而空域算法在图像细节增强的同时放大了噪声,尤其是在图像的平坦区域,背景噪声非常明显。

人们提出了很多方法,对减小噪声和对边缘不同程度地增强进行折中考虑[4,5,6,7,8,9]。如文献[2]把图像根据细节程度分为低、中、高三个区域,应用不同的增强因子,对低细节区域、中细节区域、高细节区域做不同程度的增强,但因为增强因子的复杂以及不连续性,很难保证增强后图像的高频分量能够保持增强前的单调性。即两个像素点比较,增强前后的高频分量的大小可能发生倒置。

为了克服上述缺点,本文提出一种新的基于高频增强曲线的对视频图像提升清晰度的处理方法。

1 基本原理

本文算法的提高清晰度的基本原理就是首先对图像进行分析,由空域信号计算出高低频分量,然后根据频率大小和性质不同,通过设置阈值,区分出哪些是需要抑制的噪声,哪些是需要增强的细节和小边缘,以及哪些是需要保持的大边缘。接着对噪声区域进行去噪处理,并应用高频增强曲线对高频分量进行不同程度的增强:低细节区域做很小增强,小边缘区域做较大增强,大边缘区域不做增强。使画面增强了轮廓和细节的同时,大边缘没有增强,因此没有白边的产生,这样增强后的高频分量可以保持原图像的单调性。

2 算法实现

2.1 计算高频分量

本文以反锐化掩模法为例进行说明,以N×N模板为单位计算图像的高、低频分量fH(i,j)和fL(i,j),N可取3或5,即

$f{}_{\text{Η}}(i,j)=f(i,j)-f{}_{\text{L}}(i,j)(1)$

式中:fL(i,j)表示原图像f(i,j)进行低通滤波后的低频分量;fH(i,j)表示原图与fL(i,j)差值运算后得到的高频分量。

传统的反锐化掩模法将fH(i,j)与一个修正因子相乘,再与原图叠加,提升了高频成分,而低频成分几乎不受影响,这就达到提高图像中高频成分、增强图像轮廓的目的。本文在此基础上应用高频增强曲线对高频分量进一步识别处理。

2.2 对高频分量分类进行识别和处理

对亮度信号的高频分量进行识别,分出噪声、细节、小边缘、大边缘,并进行如下增强处理。

1) 计算核化降噪动态阈值T1。

计算动态阈值,根据该点高频分量判断该点是否属于噪声。用公式表示为

T1=ave×T0/128 (2)

式中:T1为核化降噪的动态阈值,因为黑场景的噪声比较明显,所以设置成动态阈值。根据N×N模板内各像素的亮度平均值大小ave来调整,T0为固定阈值,可选0.5～5,通常选1.8。

2) 应用非线性高频增强曲线,得到新的高频分量。

f′H(i,j)值随fH(i,j)调整,如图1所示,f′H(i,j)=F(fH(i,j)),F是一非线性单调递增的曲线,它的增强程度可控制。f′H(i,j)值随fH(i,j)调整的公式表示为

$f^{\prime }{}_{\text{Η}}(i,j)=\{\begin{array}{l}0‚-{\rm T}{}_1\le f{}_{\text{Η}}(i,j)\le {\rm T}{}_1\\ \frac{f{}_{\text{Η}}(i,j)}{a\cdot f{}_{\text{Η}}(i,j)+b}‚{\rm T}{}_1<f{}_{\text{Η}}(i,j)\le \frac{1-b}{a}\\ \frac{f{}_{\text{Η}}(i,j)}{-a\cdot f{}_{\text{Η}}(i,j)+b}‚\frac{b-1}{a}<f{}_{\text{Η}}(i,j)<-{\rm T}{}_1\\ f{}_{\text{Η}}(i,j),\text{其}\text{他}\end{array}(3)$

式中:$a=\frac{y{}_{2}x{}_1-y{}_{1}x{}_2}{y{}_{2}y{}_{1}x{}_1-y{}_{2}y{}_{1}x{}_2}‚b=\frac{x{}_{1}x{}_{2}y{}_1-x{}_{1}x{}_{2}y{}_2}{y{}_{2}y{}_{1}x{}_1-y{}_{2}y{}_{1}x{}_2}$。

式(3)含义为,如该点的高频分量的绝对值小于核化降噪阈值T1,则该点为噪声,将高频分量值f′H(i,j)置为0,以抑制掉小幅高频噪声,达到核化降噪的目的。

点(x1,y1)与(x2,y2)对应曲线上的两个点,加上点(T1,0)共3点可以决定高频增强曲线H的形状,通常参数控制点x1,y1,x2,y2的默认值选取10,28,30,50。fH(i,j)较小时,f′H(i,j)增强,可使细节突出;当fH(i,j)较大时,f′H(i,j)的增长幅度变小;曲线与直线y=x相交的位置为T2,T2为大边缘点,大于T2将不再增强。

式(3)可解读为,在增强时,对噪声区域进行去噪处理。细节区域、小边缘区域做增强,等到高频分量再增大时,变为大边缘区域,新的高频分量不应该增强太过,无须再做增强,以防止画面变化太大。该方法的优点是没有硬性判断哪个区域属于细节,哪个区域属于小边缘,而是根据一条曲线的变化趋势,对不同区域段进行不同程度的处理。这样得到的增强图像,过渡平滑自然,且保持了高频分量的单调性。

2.3 获得增强信号

将对有用信号进行增强后的高频分量与低频分量叠加,即

fout(i,j)=fL(i,j)+f′H(i,j) (4)

式中:fout(i,j)为增强后的新图像。

3 算法的仿真结果

采用Verilog语言设计本文算法,视频处理平台采用Virtex-5的FPGA芯片进行了仿真验证,图2是系统仿真的结果。图2a为一幅细节丰富的视频图像,分辨率为720×480,分别应用反锐化掩模算法(见图2b)和本文算法(见图2c)对算法进行仿真。对图像效果进行比较,可以看出,反锐化掩模算法在播放视频的时候背景噪声很大,胡须等处出现白边过增强现象。图2c背景噪声较之图2b要干净很多,其图像的细节、小边缘地方如猫毛等得到了一定程度的增强,而大边缘地方,如胡须没有因为过增强而出现白边。实验结果说明应用本文提出的提高图像清晰度算法,有很好的实验效果。

4 结束语

本文提出一种基于高频增强曲线的提升视频图像清晰度的处理方法,首先识别出噪声信号并平滑掉;然后对细节和小边缘,应用高频增强曲线进行不同程度的增强,同时保持了高频分量的单调性;如果属于大边缘,则不再增强。仿真结果表明,应用本文提出的方法增强后的视频图像,加强了细节的表现能力,控制了大边缘的过增强,消除了噪声,增强后的图像符合人眼视觉特性,更清晰柔和。

参考文献

[1]RAFAEL C.GONZALEZ R E.Digital image processing[M].2nd ed.[S.l.]:Pearson Education,2002.

[2]甘斌,张雄伟,甘仲民.基于小波变换的多尺度图像边缘处理[J].电视技术,2001,25(8):20-22.

[3]任炎辉,李仅伟,毕卫红.一种优化参数的图像增强算法[J].电视技术,2012,36(3):7-10.

[4]RAMPONI G.A cubic unsharp masking technique for contrast enhance-ment[J].Signal Process,1998,67(2):211-222.

[5]LEE Y H,PARK S Y.A study of convex/concave edges and edge enhan-cing operators based on the laplacian[J].IEEE Trans.Circuits Syst.,1990,37(7):940-946.

[6]POLESEL A,RAMPONI G,MATHEWS V J.Image enhancement via a-daptive unsharp masking[J].IEEE Trans.Image Processing,2000(9):505-510.

[7]刘明坤,龙奕,基于图像局部方差分布的自适应反锐化掩模算法[J].贵州大学学报,2009,26(1):51-54.

[8]谢明果,何剑光.带噪声抑制的反锐化掩模图像增强算法[J].现代电子技术,2005(2):76-80.

图像清晰化 篇9

苏茂君等[4]提出了基于脉冲耦合神经网络 (PCNN) 自动波特征的血细胞图像分割和计数方法, 实现了对血细胞图像的准确计数和特定细胞的单独分割, 但对于2个相邻重叠的血细胞计数不太准确, 而且不适用于相邻联系紧密、形状特殊的植物细胞图像。武宗茜等[5]提出基于活动轮廓模型的重叠藻细胞自动计数方法, 不直接分割重叠细胞, 消除了重叠细胞直接分割带来的误差, 计数准确率高于90%。任亚恒等[6]提出一种基于改进的Ostu法对大鼠精子图像进行分割, 可以实现精子图像的快速准确分割, 并自动统计精子个数, 但受精子粘连的影响较大。

由于细胞结构形态的复杂性[7], 不同的方法适用于特定细胞图像的分割。采集细胞显微图像时, 通常将焦点对准细胞, 而背景处于离焦状态。本研究通过对显微图像的清晰度进行研究, 提出一种基于清晰度的细胞显微图像分割和计数方法, 其中清晰度指影像上各细部影纹及其边界的清晰程度。该方法利用图像经过离散余弦变换 (discrete cosine transform, DCT) [8,9,10]后低频信号部分表示图像轮廓, 高频部分表示细节的特性, 截断DCT高频信号, 即去除图像的细节信息, 然后与原图做差分, 得到图像的细节信息, 结合细胞图像局部聚合度较高的特征, 利用区域生长方法提取完整的目标, 最后进行分析和计数, 从而达到对细胞显微图像的准确分割和计数, 实验结果表明该算法非常有效。

1方法

DCT是Ahmed等[11]于1974年提出的正交变换方法, DCT变换后信号有明确的频率特性, 能量更加集中。经过DCT变换的图像高频部分表示细节, 低频部分表示轮廓。通过截断DCT的高频信号部分分析图像的清晰度[12], 细胞显微图像分割[13]和计数方法实现的思路是:1将图像灰度化并用中值滤波方法去噪[14] (图1A) 。2将去噪图像进行DCT变换 (图1B) 。3将低频信号值的一半作为阈值, 截断高频信号, 然后进行反DCT变换到灰度空间 (图1C) 。4将反DCT变换后的图像与原灰度图像求差并灰度化 (图1D) 。5用自适应阈值法[15]将步骤4中灰度化后的差值图像二值化, 并用3×3的模板进行开闭运算去噪, 消除离散噪声点, 从而得到图像的清晰区域 (图1E) 。6利用目标在局部聚合度比较好的特性, 将图像清晰区域作为初始生长区域, 进行区域生长, 在原始灰度图像上标记邻域灰度相似的点, 如果其邻域满足公式 (1) , 则被标记为前景点, 并从该点继续生长;否则, 找到下一个没有标记的生长点进行生长, 直到全部标记完成, 得到完整目标 (图1F) 。

|y1 (i, j) – y1 (i', j') | < threshold (1)

其中, 点 (i, j) 为当前生长点, (i', j') 为 (i, j) 的八连通邻域, threshold为阈值。通常, 细胞内部灰度变化较小, 与背景之间存在较明显的边缘, 并且当阈值取值过大时, 容易造成过生长现象, 因此, threshold一般设置为较小的值, 通过试验, 本文threshold设置为6。⑦提取的细胞内部可能存在很多空洞, 同时还有一些小的孤立的噪声点, 因此利用空洞填充算法[16]去除空洞及噪声点 (图1G) 。⑧进行连通区域标记, 同时记录连通区域外接矩形坐标和连通区域面积, 通过聚类的方法将细胞按面积聚成3类, 其中面积远小于另外两类者被当成噪声去除 (图1H) 。

⑨取步骤⑧剩余的两类中面积较小的一类进行排序, 将面积中值作为单个细胞面积, 估计其他连通区域包含的细胞个数, 最终得到总体的细胞个数。

分别运用分水岭[17,18]分割方法和本文方法进行实验, 其中对分水岭方法分割后的细胞进行连通区域提取, 通过分割线把粘连的细胞分开, 从而对细胞计数。本文算法在计算机上采用Visual Studio 2010和OpenCV 2.4.8编程实现。

A为去噪后的灰度图, B为离散余弦变换, C为DCT反变换后的灰度图, D为灰度化后的差值图, E为清晰区域, F为分割结果, G为去噪并进行空洞填充, H为去除大噪声

2结果

2.1分割结果分析公式 (1) 中, 阈值的选取对分割结果的影响较大, 阈值选取过小, 容易出现漏标记前景的情况;反之阈值选取过大, 则会出现过生长, 即错标记背景为细胞, 见图2。

用Photoshop软件对实验图像进行手工分割, 得到符合人视觉习惯的分割作为对照, 使用p=tp/ (tp+fn) 表示分割的准确率, 其中tp表示正确分割的细胞像素, fn表示错误标记为背景的细胞像素, 从而得到阈值和准确率的关系 (图3) 。由图3可见, 区域生长的阈值>6之后, 准确率几乎没有变化, 但是阈值加大会造成过生长, 提高错误率, 因此选取6作为生长阈值。

过生长 (A) 和欠生长 (B) 的分割结果

2.2计数结果分析分水岭分割方法存在过分割和欠分割, 导致计数结果与实际计数存在一定的误差, 图4A中红线表示分割线。本文方法不直接分割粘连细胞, 而是通过分析细胞连通区域面积进行计数, 图4B中不同颜色表明本文方法对细胞的不同计数。

分水岭分割方法 (A) 与本文方法 (B) 计数结果比较

另外对4种不同浓度下的细胞显微图像进行计数实验, 分别采用分水岭分割计数方法和本文方法进行实验, 计数结果与实际计数结果比较, 误差见图5。由图5可以看出, 随着细胞浓度的增大, 计数结果的误差增大, 主要原因在于随着细胞浓度增大, 细胞之间的重叠越发明显, 给分割造成更多的困难, 导致算法误差加大。而本文方法误差低于分水岭分割方法。由于本文方法未直接对重叠细胞进行分割, 因此消除了由于分割方法引入的误差, 受细胞浓度提高造成的重叠情况影响较小, 从而提高了计数准确率, 使计数准确率>90%, 见表1。

试验平台 为DELL Precision M6600, 处理器为IntelCore™ i7-2960XM@2.70 GHz (8CPUs) , Windows XP操作系统, 试验图像分辨率为500×316像素, 因为使用快速离散余弦变换方法, 并且不直接分割粘连细胞图像, 故在一定程度上提高了算法速度, 对一帧图像进行分割、计数的平均速度为87.47 ms。对粘连图像进行分水岭分割之前, 需要进行距离变换, 将二值图像转换为距离灰度图像, 并且当图像中细胞越多, 分割算法的效率越慢, 对一帧图像进行分割的平均速度为114.38 ms, 见表1。

3讨论

由于细胞结构形态的复杂性, 目前细胞图像的分割方法受细胞粘连影响较大, 无法快速、准确地分割细胞并计数。通过分水岭的方法可以分割粘连细胞, 但受噪声影响较大, 容易产生过分割和欠分割现象, 尚无法完善解决。本文在全局范围内用清晰度区分细胞和背景, 在局部用灰度信息进行区域生长提取完整细胞区域, 既利用了图像局部颜色一致性的特征, 又基于拍照时将焦点聚焦在细胞区域的前提, 在全局通过清晰度区分细胞和背景, 在一定程度上减少了误分割, 结合细胞在局部聚合度较好的特性, 利用局部灰度特征进行区域生长, 从而达到细胞显微图像分割的目的, 提高了分割准确率。在计数过程中, 通过分析各个连通区域的面积, 避免了粘连细胞直接分割带来的误差, 并提高了算法的速度。

快速、准确地对细胞图像进行分割并得到细胞计数的方法在临床细胞计数、密度分析等方面发挥越来越重要的作用, 对实际的诊断工作具有重要的辅助意义。

传统的分水岭分割方法对重叠细胞进行分割时, 存在过分割和欠分割现象, 计数误差较大, 且随着细胞浓度增加, 误差明显增大。本文应用细胞面积聚类方法对细胞重叠情况进行分类判断, 实现细胞自动计数, 准确率 >90%。该计数方法不直接分割重叠细胞, 而是基于细胞面积的统计信息对细胞个数进行分析和判定, 消除了对重叠细胞进行分割产生的误差, 提高技术准确度, 同时受细胞浓度的影响较小。实验结果表明, 在不同浓度细胞情况下, 该算法技术准确率都高于分水岭分割方法。