图像增强方法研究（精选11篇）
图像增强方法研究 篇1
现阶段,红外成像技术在医疗卫生、安保监控和军事领域被广泛应用[1]。同时人们对红外图像成像质量的要求也越来越高,尤其是在雾、雨、雪等恶劣天气条件下所拍摄的红外图像存在不同程度的模糊、对比度低、细节丢失等降质问题,对红外目标的识别、红外图像融合[2]和分析造成了严重的阻碍,所以提高红外图像的清晰程度成为了亟待解决的问题。现阶段,提高红外图像质量的方法主要分为两类:频域增强法和空域增强法[3]。频域增强法[4]主要是利用各种频域滤波器在频域对红外图像进行平滑或锐化处理,而后再从变换域逆变换到空域实现对红外图像的增强;空域增强法是一种以概率论和图像灰度值统计理论为基础,直接对像素灰度进行变换的方法,它包括直方图变换法、灰度变换法、针对边缘增强的锐化法和噪声消除的平滑法等。本文所讨论的是属于空域增强法的直方图变换法。
在直方图增强方法中,直方图均衡化[5,6]对动态范围较小图像的增强效果较明显,其通过把原始图像的直方图映射为近似均匀分布的形式以增加像素灰度值的动态范围,从整体上增强红外图像的对比度。直方图均衡化的优点是能够自动增强整个红外图像的对比度,但它使直方图在整个灰度值允许范围内均匀分布[7],具体的增强内容不易人为控制。然而在实际应用中有时需要按照特定的要求或主观意愿把图像直方图变为某个特定的形状,有选择地增强某个灰度值范围内的对比度或使图像灰度值的分布满足期望的特性,如在红外图像处理中希望处理后的图像有较高的亮度和对比度。为解决这个问题,灵活的直方图规定化方法[8]应运而生。直方图规定化是直方图均衡化的补充和延伸,具有自由、灵活、可操控等优点。
结合上述分析,本文在对直方图均衡化及规定化进行仿真比较的基础上,提出了均衡化级联GML-规定化的图像增强方法,通过仿真结果的分析证明了该方法的有效性和可行性。
1 红外图像直方图均衡化和规定化处理
1.1 红外图像直方图均衡化处理
红外图像直方图均衡化是直接针对红外图像的像素灰度做映射变化,使其灰度在整个灰度值允许范围内近似为均匀分布[9]以提高红外图像灰度之间的反差。直方图均衡化对于雾天红外图像质量改善效果非常明显。
对于红外图像,直方图均衡化计算步骤[10]如下:
1) 对红外图像进行灰度统计,然后进行归一化处理
pt(ti)=ni/n,0≤ti≤1,i=0,1,…,L-1 (1)
式中:pt(ti)是灰度值为ti的概率;ti为预处理红外图像第i级的灰度值;ni是预处理红外图像中第i级灰度像素的总数;n是预处理红外图像的像素总个数;L是预处理红外图像的灰度级总数目。
2) 对式(1)所得的归一化直方图进行累积处理
式中:p(rj)为累积直方图在灰度值为rj时的累积概率。
3) 对式(2)所得的结果进行取整扩展,公式为
ej=int[(L-1)p(rj)+0.5] (3)
式中:ej为均衡化后红外图像的第j级灰度值;int[x]表示取x的整数部分。
4) 确定映射关系:ti→ej。
5) 根据映射关系计算均衡化后红外图像的直方图,公式为
p(ej)=∑pt(ti),0≤j≤L-1 (4)
即把所有ti→ej的原ti概率映射为ej级的概率,在时域上就是实现了对红外图像的直方图均衡化处理。
1.2 红外图像直方图规定化处理
红外图像直方图规定化方法是根据实际应用的需要,以人们期望的直方图为目标进行映射变换,根据目标直方图的侧重点有目的地增强某个灰度值区间内的对比度,换句话说就是使图像灰度值的分布满足预定的分布特性,进而弥补直方图均衡化难以控制的不足[11],所以常用直方图规定化来改善雾天红外图像。另外,在直方图规定化中选择映射规则是关键,合适的映射规则能够获得比较好的图像预处理效果,其处理过程粗略地分为4个步骤(令L和N分别为原始红外图像和规定化处理后红外图像的灰度级数,并且只讨论N≤L的情形):
1) 同直方图均衡化一样,首先需要对原红外图像进行灰度统计并归一化处理,如式(1)所示操作。
2) 对步骤1)所得直方图进行灰度累计处理,公式为
3) 规定需要的直方图,并将其直方图累计处理,公式为
4) 将原始直方图对应映射到规定的直方图,也就是将所有的pt(ti)对应到pu(uj)去。
因为式(3)的取整操作会产生误差,所以选择映射规则是很重要的一个环节,合适的映射规则能够减小这个误差的影响而取得更好的增强效果。目前常用的两种方法是单映射规则(Single Mapping Law,SML)和组映射规则(Group Mapping Law,GML)。
单映射规则:从小到大逐一查找能使下式最小的k和l,公式为
然后将pt(ti)对应到pu(uj)去,由于这里每个pt(ti)是分别映射过去的,所以这种方法简单直观,但有时会有较大的取整误差。
组映射规则:设有一个整数函数Z(l),l=0,1,…, N-1,满足0≤Z(0)≤…≤Z(l)≤…≤Z(N-1)≤L-1,查找并确定使式(8)能达到最小的Z(l),公式为
如果l=0,则将其i从0到Z(0)的pt(ti)都对应到pu(u0)去;如果l≥1,则将其i从Z(l-1)+1到Z(l)都对应到pu(uj)去。
关于SML和GML的优劣在文献[12]和文献[13]中已有具体的研究,现只做粗略介绍。图1是对单映射和组映射的比较,图1a为原始直方图,图1b为希望变换得到的规定直方图,图1c为用SML得到的结果,图1d为用GML得到的结果。由图可见用SML得到的结果与规定直方图的差距较大,而用GML得到的直方图与规定直方图基本一致。经比较,GML的优势明显,所以本文规定化处理采用GML。
2 直方图均衡化级联GML-规定化
综合均衡化与规定化的特点,希望保留两者的优良特性来处理红外图像,至此提出一种红外图像增强的均衡化级联GML-规定化方法。该方法首先对图像进行均衡化处理,使图像灰度级均匀分布,相当于对图像灰度级进行拉伸放大,紧接着选用二次递增的目标直方图对其进行直方图规定化处理。通过放大处理后,在规定化过程中更能抓住图像的细节信息,级联处理的效果更佳。具体实现步骤如下:
1) 根据式(1)求出原始图像的归一化直方图。
2) 根据式(2)求出灰度级的累积概率分布,并作为变换函数用式(3)进行取整扩展。
3) 确定映射关系si→tk,根据映射关系利用式(4)计算均衡化直方图。
4) 将均衡化后所得的图像直方图代入式(2)再次进行累积处理。
5) 选择需要的规定化函数(本文为了得到更高亮度和更高对比度的结果,选择规定直方图为256个灰度级的二次递增分布,如图2所示),公式为
pg(gk) = g
式中:
6) 利用组映射规则式(8)确定映射关系,得到最终协同处理的红外图像直方图,在空域直观上就完成了直方图均衡化级联GML-规定对红外图像的增强处理。
3 仿真与分析
现给出一幅图像用3种增强方法处理的实例,在规定化过程中选择目标直方图为256个灰度级的二次递增分布,所得出的结果如图3所示。
由图3a和图3b可以看到原始红外图像直观上昏暗且模糊不清,其直方图所占据的灰度值范围比较窄并且集中在0～160之间,160以上基本没有灰度分布。图3c和图3d是对原红外图像进行直方图均衡化后得到的图像和对应的直方图,现在图像亮度有所改善,直方图中灰度也近似均匀地分布在整个灰度值允许范围内。从图像中可以看到图像对比度有所增加,与图3a相比许多细节可以看得更清楚。但是增强效果仍然不够理想,并且其在增加对比度的同时也增加了图像的可视粒度,如图中水面出现了波纹现象。
由图3e和图3f可以看出,由于所选的规定化函数在高灰度区值较大,所以直方图规定化处理后的红外图像比直方图均衡化的结果更亮,其直方图上灰度大部分占据在高灰度值一边。另外,对应于均衡化图像中较暗区域的一些细节更为清晰,如图3e中岸边草丛比图3c更清晰细腻;图3f的直方图中低灰度值一边各列分得较开,反映在图像上就是处理后的红外图像对比度更高。
由图3g和图3h可以看出,采用本文提出的均衡化级联GML-规定化方法处理的效果比图3c和图3e都好,处理后的红外图像更加清晰光亮;从其直方图上看,本文提出的方法使红外图像灰度值在具有规定化特征的基础上均匀分布,使图像直方图灰度具有伪均匀分布的均衡化特点,又使图像灰度分布在较高灰度值范围,具有规定化的优势;另外,图3h的直方图中灰度值低于80以下基本没有灰度分布,在80～120之间各列分得比较开,也就是在图像中有较好的对比度表现,图像灰度绝大部分分布在120～255之间且近似于均匀分布,使处理后的红外图像细节更加突出,色泽更加亮丽。
4 总结
通过前面仿真实现及分析可以清楚地看到,直方图均衡化与直方图规定化在红外图像增强中各具特色,都能够达到改善图像质量的目的,只是各自处理的角度有所侧重,处理效果也不尽相同。本文提出的直方图均衡化级联GML-规定化方法,充分吸收和保留了均衡化全局增强及规定化目的明确的特点,对雾天等有干扰条件下红外图像的增强处理,比单一使用直方图均衡化或规定化得到的效果更好。
摘要：针对雾天红外图像昏暗不清的问题,提出了红外图像增强的均衡化级联GML-规定化处理方法。该方法在对雾天红外图像进行均衡化处理的基础上,采用组映射规则(GML)进行了规定划处理,进而增强了雾天红外图像的清晰程度。仿真结果表明,与采用直方图均衡化或规定化处理相比,提出的直方图均衡化级联GML-规定化处理方法使图像的增强效果更佳。
关键词：雾天,红外图像,图像增强,直方图均衡化,直方图规定化,组映射规则
图像增强方法研究 篇2
遥感图像薄云滤波增强
针对遥感图像地学应用中的云层覆盖问题,首先介绍了遥感图像去云处理的一般方法,然后重点研究了薄云覆盖图像的滤波增强技术和实现方法.在阐述传统的`同态滤波算法的基础上,将高频增强滤波算法引入薄云区遥感图像增强处理中.试验表明,这两种方法均可取得良好的增强效果.
作 者：张鹏强 余旭初 韩丽 ZHANG Peng-qiang YU Xu-chu HAN Li 作者单位：张鹏强,余旭初,ZHANG Peng-qiang,YU Xu-chu(解放军信息工程大学,测绘学院,河南,郑州,450052)韩丽,HAN Li(解放军信息工程大学,电子技术学院,河南,郑州,450004)
刊 名：海洋测绘 ISTIC英文刊名：HYDROGRAPHIC SURVEYING AND CHARTING 年，卷(期)：2008 28(2) 分类号：P231.1 关键词：遥感图像 云层覆盖 图像增强 频域滤波图像增强基本算法的分析 篇3
【关键词】图像；图像增强；算法
The Analysis of The Basic Algorithm to The Image Enhancement
Chang Da-jun
（Changchun Architecture & Civil Engineering College Changchun Jilin 130607）
【Abstract】Techniques of image enhancement aim at improving the interpretability or perception of information in images for human viewers，eliminating or attenuating unneeded information. This paper is developed according to the algorithm of image enhancement， and systematically investigated and compared. The advantage and defect of the above-mentioned algorithms as well as the suitable application of them.
【Key words】Image；Image Enhancement；Arithmetic
1. 图像增强意义
图像增强是数字图像处理过程中的重要研究技术。但条件影响致使获得图像效果不佳，这就要使用图像增强技术来改善视觉效果，如突出特点、提取特征参数等，都有利于对目标的识别、跟踪等。因此，在各个领域中都有应用。
2. 图像增强基本方法
2.1 空域邻域基本理论。
W为掩模系数，z为对应像素灰度值， mn为包含像素点总数。主要步骤为：（1）模板在图像中移动，并将模板中心与某个像素位置重合。（2）读取模板下各对应像素的灰度值，并与模板系数相乘，所得乘积累加。（3）将和赋值给模板中对应位置的像素。常用技术：邻域平均法、中值滤波法等。
图1 均值滤波
2.2 频域图像增强方法的基本理论。
频域增强是利用图像变换技术将原图像空间中的图像以某种形式转换到其它空间中，然后利用该空间特有性质进行图像处理，最后再转换回原图像空间中，致使获得处理后的图像。主要步骤是：（1）选择变换技术，将原图像变换到频域空间。
图2 中值滤波
图3 椒盐噪声的巴特沃斯地通过滤波
图4 椒盐噪声的指数低通滤波图像
（2）在频域空间中，依据处理目的设计转移函数同时进行处理。
（3）将所得结果用反变换得到增强后图像。频域图像增强技术：低通滤波、高通滤波、带通带阻滤波。
3. 实验分析
3.1 空域邻域实验分析。
3.1.1 邻域平均法。
以图像自带的eight.tif为例，对其人为地添加少量椒盐噪声，然后利用不同大小模板的均值滤波对其进行去噪处理。结果如图1所示：
从图1中可以看出，均值滤波去噪时，模板大小的选取至关重要，一般来说，模板越大，去噪能力越强，但同时也会是图像变得模糊。就像图1所示一样，选用3×3模板时，噪声虽然被减弱，但是仍能清晰得看见噪声的痕迹，选用5×5模板时，噪声被进一步减弱，但是图像变得比使用3×3模板时更模糊，而选用7×7模板时，噪声基本消失不见，但是图像也有些模糊不清了。
3.1.2 中值滤波法。
如果既要消除噪声又要保持图像的细节，可以使用中值滤波器。原因是由于中值滤波不是简单地取平均值，因此所产生的模糊比较少。结果如图2所示：
从图2中可以看出，尽管这里人为添加的噪声较多，但中值滤波仍然较好地滤去了椒盐噪声，且克服了均值滤波所带来的图像模糊现象。同时，也可以看到，去噪后的图像边缘保留了个别的噪声点，这是因为图像的分辨率不是3×3的整数倍，其右侧补0，而这些噪声点的灰度值位于中值排序的中间。
3.2 频域图像实验分析。
3.2.1 巴特沃斯低通滤波器。
对人为添加了少量噪声的图像pout.tif进行巴特沃斯低通滤波。结果如图3所示：
从图3可以看出，处理前的图像对比度虽然较高，但是噪声点太多。经过巴特沃斯低通滤波处理以后，噪声虽然消失，但图像相比处理前更为模糊，且图像中有明显的振铃现象。这是因为噪声点主要存在于高频段，而低通滤波允许处于低频段的像素通过，这就使得处于高频段的噪声点和图像轮廓边缘无法通过，因此图像变得模糊不清。
3.2.2 指数低通滤波器。
对人为添加了少量椒盐噪声的图像pout.tif进行指数低通滤波。结果如图4所示：
从图4可以看出，与图3相比，处理后的图像效果并没有明显改善，甚至图像变得更模糊了，造成这种现象的原因与在巴特沃斯低通滤波中产生模糊的原因基本相同，唯一不同的是在处理过程中引用的处理公式不同，也正是因为这一点，与巴特沃斯低通滤波相比，指数低通滤波的振铃现象有所缓解。
4. 结束语
图像增强技术是现今在计算机方面研究的重点内容，通过对有关基本方法的介绍来了解图像技增强术在今后应用的领域。
参考文献
[1] 柏春岚.基于空域图像的研究与分析[J].河南城建学院学报，2011年1月，第20卷第1期：57～60.
[2] 贾小军.基于MATLAB的图像增强技术研究[J].渭南师范学院学报，2008年3 月，第23卷第2期：68～70.
[3] 张娜.数字图像增强的方法.大众科技报[J]，2006年，第8期：27～28.
【摘 要】图像增强是指按特定的的需要采用特定的方法突出图像中的某些信息，同时削弱和去除无关信息。本文围绕图像增强基本算法进行了比较，分析了各自的优缺点并指明了最佳适用场景。
【关键词】图像；图像增强；算法
The Analysis of The Basic Algorithm to The Image Enhancement
Chang Da-jun
（Changchun Architecture & Civil Engineering College Changchun Jilin 130607）
【Abstract】Techniques of image enhancement aim at improving the interpretability or perception of information in images for human viewers，eliminating or attenuating unneeded information. This paper is developed according to the algorithm of image enhancement， and systematically investigated and compared. The advantage and defect of the above-mentioned algorithms as well as the suitable application of them.
【Key words】Image；Image Enhancement；Arithmetic
1. 图像增强意义
图像增强是数字图像处理过程中的重要研究技术。但条件影响致使获得图像效果不佳，这就要使用图像增强技术来改善视觉效果，如突出特点、提取特征参数等，都有利于对目标的识别、跟踪等。因此，在各个领域中都有应用。
2. 图像增强基本方法
2.1 空域邻域基本理论。
W为掩模系数，z为对应像素灰度值， mn为包含像素点总数。主要步骤为：（1）模板在图像中移动，并将模板中心与某个像素位置重合。（2）读取模板下各对应像素的灰度值，并与模板系数相乘，所得乘积累加。（3）将和赋值给模板中对应位置的像素。常用技术：邻域平均法、中值滤波法等。
图1 均值滤波
2.2 频域图像增强方法的基本理论。
频域增强是利用图像变换技术将原图像空间中的图像以某种形式转换到其它空间中，然后利用该空间特有性质进行图像处理，最后再转换回原图像空间中，致使获得处理后的图像。主要步骤是：（1）选择变换技术，将原图像变换到频域空间。
图2 中值滤波
图3 椒盐噪声的巴特沃斯地通过滤波
图4 椒盐噪声的指数低通滤波图像
（2）在频域空间中，依据处理目的设计转移函数同时进行处理。
（3）将所得结果用反变换得到增强后图像。频域图像增强技术：低通滤波、高通滤波、带通带阻滤波。
3. 实验分析
3.1 空域邻域实验分析。
3.1.1 邻域平均法。
以图像自带的eight.tif为例，对其人为地添加少量椒盐噪声，然后利用不同大小模板的均值滤波对其进行去噪处理。结果如图1所示：
从图1中可以看出，均值滤波去噪时，模板大小的选取至关重要，一般来说，模板越大，去噪能力越强，但同时也会是图像变得模糊。就像图1所示一样，选用3×3模板时，噪声虽然被减弱，但是仍能清晰得看见噪声的痕迹，选用5×5模板时，噪声被进一步减弱，但是图像变得比使用3×3模板时更模糊，而选用7×7模板时，噪声基本消失不见，但是图像也有些模糊不清了。
3.1.2 中值滤波法。
如果既要消除噪声又要保持图像的细节，可以使用中值滤波器。原因是由于中值滤波不是简单地取平均值，因此所产生的模糊比较少。结果如图2所示：
从图2中可以看出，尽管这里人为添加的噪声较多，但中值滤波仍然较好地滤去了椒盐噪声，且克服了均值滤波所带来的图像模糊现象。同时，也可以看到，去噪后的图像边缘保留了个别的噪声点，这是因为图像的分辨率不是3×3的整数倍，其右侧补0，而这些噪声点的灰度值位于中值排序的中间。
3.2 频域图像实验分析。
3.2.1 巴特沃斯低通滤波器。
对人为添加了少量噪声的图像pout.tif进行巴特沃斯低通滤波。结果如图3所示：
从图3可以看出，处理前的图像对比度虽然较高，但是噪声点太多。经过巴特沃斯低通滤波处理以后，噪声虽然消失，但图像相比处理前更为模糊，且图像中有明显的振铃现象。这是因为噪声点主要存在于高频段，而低通滤波允许处于低频段的像素通过，这就使得处于高频段的噪声点和图像轮廓边缘无法通过，因此图像变得模糊不清。
3.2.2 指数低通滤波器。
对人为添加了少量椒盐噪声的图像pout.tif进行指数低通滤波。结果如图4所示：
从图4可以看出，与图3相比，处理后的图像效果并没有明显改善，甚至图像变得更模糊了，造成这种现象的原因与在巴特沃斯低通滤波中产生模糊的原因基本相同，唯一不同的是在处理过程中引用的处理公式不同，也正是因为这一点，与巴特沃斯低通滤波相比，指数低通滤波的振铃现象有所缓解。
4. 结束语
图像增强技术是现今在计算机方面研究的重点内容，通过对有关基本方法的介绍来了解图像技增强术在今后应用的领域。
参考文献
[1] 柏春岚.基于空域图像的研究与分析[J].河南城建学院学报，2011年1月，第20卷第1期：57～60.
[2] 贾小军.基于MATLAB的图像增强技术研究[J].渭南师范学院学报，2008年3 月，第23卷第2期：68～70.
[3] 张娜.数字图像增强的方法.大众科技报[J]，2006年，第8期：27～28.
【摘 要】图像增强是指按特定的的需要采用特定的方法突出图像中的某些信息，同时削弱和去除无关信息。本文围绕图像增强基本算法进行了比较，分析了各自的优缺点并指明了最佳适用场景。
【关键词】图像；图像增强；算法
The Analysis of The Basic Algorithm to The Image Enhancement
Chang Da-jun
（Changchun Architecture & Civil Engineering College Changchun Jilin 130607）
【Abstract】Techniques of image enhancement aim at improving the interpretability or perception of information in images for human viewers，eliminating or attenuating unneeded information. This paper is developed according to the algorithm of image enhancement， and systematically investigated and compared. The advantage and defect of the above-mentioned algorithms as well as the suitable application of them.
【Key words】Image；Image Enhancement；Arithmetic
1. 图像增强意义
图像增强是数字图像处理过程中的重要研究技术。但条件影响致使获得图像效果不佳，这就要使用图像增强技术来改善视觉效果，如突出特点、提取特征参数等，都有利于对目标的识别、跟踪等。因此，在各个领域中都有应用。
2. 图像增强基本方法
2.1 空域邻域基本理论。
W为掩模系数，z为对应像素灰度值， mn为包含像素点总数。主要步骤为：（1）模板在图像中移动，并将模板中心与某个像素位置重合。（2）读取模板下各对应像素的灰度值，并与模板系数相乘，所得乘积累加。（3）将和赋值给模板中对应位置的像素。常用技术：邻域平均法、中值滤波法等。
图1 均值滤波
2.2 频域图像增强方法的基本理论。
频域增强是利用图像变换技术将原图像空间中的图像以某种形式转换到其它空间中，然后利用该空间特有性质进行图像处理，最后再转换回原图像空间中，致使获得处理后的图像。主要步骤是：（1）选择变换技术，将原图像变换到频域空间。
图2 中值滤波
图3 椒盐噪声的巴特沃斯地通过滤波
图4 椒盐噪声的指数低通滤波图像
（2）在频域空间中，依据处理目的设计转移函数同时进行处理。
（3）将所得结果用反变换得到增强后图像。频域图像增强技术：低通滤波、高通滤波、带通带阻滤波。
3. 实验分析
3.1 空域邻域实验分析。
3.1.1 邻域平均法。
以图像自带的eight.tif为例，对其人为地添加少量椒盐噪声，然后利用不同大小模板的均值滤波对其进行去噪处理。结果如图1所示：
从图1中可以看出，均值滤波去噪时，模板大小的选取至关重要，一般来说，模板越大，去噪能力越强，但同时也会是图像变得模糊。就像图1所示一样，选用3×3模板时，噪声虽然被减弱，但是仍能清晰得看见噪声的痕迹，选用5×5模板时，噪声被进一步减弱，但是图像变得比使用3×3模板时更模糊，而选用7×7模板时，噪声基本消失不见，但是图像也有些模糊不清了。
3.1.2 中值滤波法。
如果既要消除噪声又要保持图像的细节，可以使用中值滤波器。原因是由于中值滤波不是简单地取平均值，因此所产生的模糊比较少。结果如图2所示：
从图2中可以看出，尽管这里人为添加的噪声较多，但中值滤波仍然较好地滤去了椒盐噪声，且克服了均值滤波所带来的图像模糊现象。同时，也可以看到，去噪后的图像边缘保留了个别的噪声点，这是因为图像的分辨率不是3×3的整数倍，其右侧补0，而这些噪声点的灰度值位于中值排序的中间。
3.2 频域图像实验分析。
3.2.1 巴特沃斯低通滤波器。
对人为添加了少量噪声的图像pout.tif进行巴特沃斯低通滤波。结果如图3所示：
从图3可以看出，处理前的图像对比度虽然较高，但是噪声点太多。经过巴特沃斯低通滤波处理以后，噪声虽然消失，但图像相比处理前更为模糊，且图像中有明显的振铃现象。这是因为噪声点主要存在于高频段，而低通滤波允许处于低频段的像素通过，这就使得处于高频段的噪声点和图像轮廓边缘无法通过，因此图像变得模糊不清。
3.2.2 指数低通滤波器。
对人为添加了少量椒盐噪声的图像pout.tif进行指数低通滤波。结果如图4所示：
从图4可以看出，与图3相比，处理后的图像效果并没有明显改善，甚至图像变得更模糊了，造成这种现象的原因与在巴特沃斯低通滤波中产生模糊的原因基本相同，唯一不同的是在处理过程中引用的处理公式不同，也正是因为这一点，与巴特沃斯低通滤波相比，指数低通滤波的振铃现象有所缓解。
4. 结束语
图像增强技术是现今在计算机方面研究的重点内容，通过对有关基本方法的介绍来了解图像技增强术在今后应用的领域。
参考文献
[1] 柏春岚.基于空域图像的研究与分析[J].河南城建学院学报，2011年1月，第20卷第1期：57～60.
[2] 贾小军.基于MATLAB的图像增强技术研究[J].渭南师范学院学报，2008年3 月，第23卷第2期：68～70.
射线图像增强技术仿真研究 篇4
射线成像系统中,射线穿透物件记录结构信息,与入射射线方向不同的散射射线则增加了图像的噪声,使得射线图像的对比度降低和边缘模糊,有时由于工件结构复杂、结构不均匀等也会使射线图像对比度降低,除了改进数字成像系统减小成像过程中对图像信息的影响,还可以对图像进行处理,通过增强算法使物件的清晰轮廓和局部细节同时显现。本文将局部动态增强与自适应均衡相结合对低对比度射线图像增强进行了仿真研究。
1射线图像降噪
在数字射线成像系统中,由于系统本身的特性及各种外界干扰使图像中含有许多噪声,这不仅降低了图像的对比度和信噪比,也增加了试件检测的难度。对于所获取的射线图像,为了提高检测精度,一般要在图像增强之前先进行降噪处理。
基于小波变换的阈值化降噪法是目前应用最为广泛的方法,通过小波降噪不仅能得到很好的图像信噪比,也能更好地保留图像细节。小波分解将信号分解为近似分量和细节分量,分别对应信号的低频分量和高频分量。对于含有噪声的图像,噪声分量一般集中在细节分量,所以通过对细节分量进行处理来滤除噪声,将信号小波分解后,根据需要由阈值化处理的系数重构出所需的信号。
2射线图像自适应增强算法
自适应对比度增强算法一般是在以像素为中心的处理窗口内,根据该窗口的平均灰度值来进行增强,运算方法如下:
g(m,n)=(f(m,n)-M)×K+M 。 (1)
其中:f(m,n)为(m,n)处处理前的图像灰度值;g(m,n)为处理后的图像灰度值;K为增强系数;M为窗口的平均灰度值。M可以有效地去除不均匀背景的干扰,对不均匀背景起到均匀的增强效果。该算法对于不均匀的低对比度图像有较好的增强效果,算法简单。但在对比度增强过程中,增强系数K是固定的,虽然整体进行了增强却不能对局部图像进行微调。
为了可以进行动态的调整,在算法中增加处理后图像理想的均值E和方差D以及均值调整系数α,通过调整E、D和α,可以按照需要调整增强图像。具体运算公式如下:
undefined。 (2)
其中:N为图像灰度局部统计的方差;A为一恒定值。
恒定值A的设立是为了控制增强倍数不要超过某个阈值,由于该算法中没有阈值控制,所以在计算后有阈值判断的环节,对于不在图像灰度阈值内的点赋值成最高或最低灰度。
2.1 动态调整增强倍数
不同的应用场合下,对于不同灰度值的增强要求是不一样的。比如在某些情况下,高灰度值区域对对比度增强要求不高,低灰度区域则要求高的增强倍数,因此要根据需要适时调整增强倍数,通过调节期望方差和最大增强倍数来调节增强倍数。需要指出的是,方差过小会引起对比度的下降,所以D不宜太小,对于低方差图的情况,图像增强主要依靠调整最大增强倍数。
图像局部灰度值和A值的关系可以通过各种函数进行调节,例如使用窗口平均值幂函数的倒数,当局部灰度值增加时,A的值很快趋向于恒定值。有时也通过建立索引表以加快运算速度。
2.2 全局自适应均衡
灰度值分布不均匀的射线图像,图像值域较宽,局部对比度较小,这种图像在进行局部动态增强的对比度增强后,图像暗区域部分得到了增强,但由于全图区域灰度值低,整个图像的视觉效果并不明显。针对这一情况,采用灰度直方图均衡处理较为有效。具体方法是:首先确定阈值t,以待处理像素点a为滑动窗口的中心,在待处理点a的4邻域中搜索差值小于阈值t的点记为b,将这些标记为b的像素点作为目标;然后将距离这些区域距离为1/2的点记为c;最后将所有标记过的点作为统计信息进行全局自适应均衡。上述过程减少了对图像噪声的统计,在一定程度上避免了统计的盲目性。将灰度值为G的像素经过直方图的均衡后灰度值记为H(G),于是具有局部动态增强倍数的对比度增强算法可表示为:
undefined。 (3)
3仿真实验
本文采用低对比度射线图像进行小波去噪和自适应增强仿真实验。原始图像见图1。
3.1 去噪仿真
首先应用二维小波对射线图像进行去噪,降噪后图像见图2。
3.2 对数增强算法仿真
若仅想增强暗区域的对比度,可以使用对数进行变换,图3是对数变换后的效果图。
通过对比我们发现,使用对数变换之后的图像增强在构件图像暗区域有较好的增强效果,但削弱了亮区域的对比度,所以图3中的右上角部分的图像显示不清楚。
3.3 本文中研究的增强算法仿真
自适应增强后图像见图4。从图4可以看出,这种自适应对比度增强算法使得图像物体整体轮廓清晰的同时也突出了局部细节,整体图像的亮区域和暗区域都有较好的增强效果。
从上面的仿真实验可以得出,将全局自适应均衡与局部增强倍数动态调整相结合,这一方法使复杂构件射线图像的整体轮廓和局部细节都得到兼顾。
4结论
在射线图像的增强中,全局自适应均衡与动态调整增强倍数相结合的增强算法在灰度值范围分布较广的情况下可以实现局部不同增强倍数的要求,达到细节对比度增强和全局清晰的效果。通过仿真实验验证了基于小波变换的图像降噪和全局自适应增强与局部动态调整相结合的图像增强算法是有效可行的,这一算法对复杂构件的无损检测有一定的实际意义。
参考文献
[1]李汉志,赵宝升,李伟.一种新的X射线图像增强算法[J].现代电子技术,2010,33(10):105-107.
[2]蔡兰,陈祯,梅林.图像增强技术在X射线探伤中的应用[J].无损检测,2005,27(5):256-258.
[3]李久贤,孙伟,夏良正.一种新的模糊对比度增强算法[J].东南大学学报,2004,34(5):675-677.
[4]吴颖谦,施鹏飞.基于小波变换的低对比度图像增强[J].红外与激光工程,2003,32(1):4-7.
[5]陈志强,徐丹,张丽,等.用于高能射线透视成像的大型图像对比度增强算法[J].中国体视学与图像分析,2003,8(2):65-68.
[6]朱其刚,朱志强.基于自适应邻域灰度直方图均衡的超声内窥镜图像增强[J].山东科技大学学报,2004,23(3):120-123.
图像增强方法研究 篇5
关键词：豆类图像；图像增强；小波变换；小波软阈值；改进自适应中值滤波
中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0433-03
收稿日期：2013-09-08
作者简介：周仕友（1970—），男，贵州兴仁人，硕士，实验师，主要研究方向为计算机控制模型分析与设计、计算机图像处理。E-mail：zhoushiyoumaster@126.com。实时化获取高质量的农作物长势图像是实现对植物长势、病虫害自动化检测以便对农产品产量进行估算的前提。由于气候、降水、土壤等自然因素以及图像在拍摄、记录、传输解码等过程中不可避免会受到噪声的干扰，导致所获取的图像一般为降质图像。因此，对该类图像进行增强处理，以便从大量噪声中高质量地复原出来，对于后续的图像判别意义重大。石永华等采用Contourlet变换对农业图像增强方法进行了研究[1]。印红群等研究了木材缺陷图像的小波域阈值去噪问题[2]。邵乔林等将邻域直方图方法引入到玉米图像中，实现了玉米图像的自适应分割[3]。夏政伟等将多重分形理论应用于玉米病害图像的特征提取研究[4]。程玉柱等提出基于Bayes与SVM的玉米图像分割方法[5]。以上研究主要是通过对降质图像进行特征提取、分割将感兴趣的目标加以突出，但由于后续的研究目标、方法不同，导致感兴趣的目标也有所不同，先期的特征提取结果未必适合后续研究。本研究针对受到高密度干扰的豆类图像，将小波变换与改进自适应中值滤波有机结合，提出了一种针对该类图像的自适应增强算法。
1.2豆类图像小波变换基本实现流程
通过以上分析可知，小波变换通过对图像进行多级分解，对获得的多尺度分解系数进行适当处理，在此基础上实现分解系数重构。因此，通过这一框架实现对农业豆类图像的增强处理，理论上是可行的，基于小波变换的豆类图像处理流程如图1所示。具体步骤如下：步骤1：对降质的豆类图像实现多尺度小波分解。研究表明，小波分解层数并非越多越好。本研究实现2层分解，采用“Symlets”小波簇中的“sym8”小波函数作为小波分解的基函数，从而获得分解后的低频和水平、垂直、对角方向的高频系数。步骤2：低频分解系数主要是豆类图像中植物边缘轮廓等低频信息的反映，降质程度不是很严重，若不加以处理，对重构后图像质量的提高也会有所影响。鉴于小波软阈值函数的良好性能，因而将其引入，对该部分系数加以处理[7]。步骤3：小波分解对于图像信号具有较好的集中性能，从而使得图像信息大体呈现水平、垂直、对角分布，因此本研究详细讨论该部分系数的处理方法；步骤4：将步骤2、步骤3获得的处理后的低频、高频分解系数重构，获得增强后的豆类图像。
2改进自适应中值滤波算法
自适应中值滤波通过采用固定大小的模板在待处理图像上滑动，对于任一噪声点而言，取该点模板尺寸大小的邻域中所有像素点灰度值的中间值赋值作为噪声点像素值的修正值输出。该算法的不足之处在于：（1）图像中像素值出现极值的像素点未必全部是噪声点，对图像所有像素点全部进行排序取中间值计算，会将图像中有用信息滤除；（2）对图像反复进行排序取中间值，会增加计算量，事实上，图像中相当一部分像素点不需要进行滤波处理，“强行”滤波一方面使得计算量呈现几何级数增长，另一方面也降低了图像质量。
2.1噪声预判别策略
3仿真试验
3.1试验方案
随机拍摄2幅豆类长势图像作为试验数据，通过对其分别加入不同强度的噪声来模拟降质图像。事实上，现实中的豆类图像的降质程度不及本研究的降质程度，之所以采用模拟降质图像作为试验数据，一方面是可通过对其中的降质量源进行定量控制从而便于衡量算法的优劣；另一方面是因为算法若能对高降质量模拟图像进行处理，那么对于现实中的豆类降质量图像处理必定能取得理想效果。为了便于横向比较，将本研究算法处理结果与小波软阈值、自适应中值滤波算法进行比较，引入均方根误差（MSE）[8]作为算法效果定量计算指标（表1）。
4结论
为了改善豆类图像视觉对比度，将小波变换与自适应中值滤波相结合，提出了一种该类图像增强算法。结果表明，本研究算法相对于小波软阈值、自适应中值滤波而言，效果较为明显，适合该类图像的自适应处理。
参考文献：
[1]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.
[2]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.
[3]邵乔林，安秋. 基于邻域直方图的玉米田绿色植物图像分割方法[J]. 江西农业学报，2011，23（5）：126-128，135.
[4]夏政伟. 多重分形理论在玉米病害图像特征提取中的应用[J]. 南方农业学报，2013，44（5）：871-874.
[5]程玉柱，陈勇，车军，等. 基于Bayes与SVM的玉米彩色图像分割新算法[J]. 江蘇农业科学，2012，40（7）：355-358.
[6]王成刚. 基于小波变换和形态学的图像去噪方法研究[D]. 西安：长安大学，2009.
[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.
[8]刘钺. 小波模极大值在图像消噪中的应用[J]. 计算机工程，2011，37（6）：200-202.
图像增强方法研究 篇6
关键词：Matlab软件,图像增强,灰度变换,噪声
在数字图像处理中, 图像增强是采取图像处理技术将图像中的重要信息突出, 不需要的信息弱化或清除, 以使图像更为清晰。采用图像增强技术可以改善图像质量, 通常所采用的技术方法为空间域去噪方法和频率域去噪方法。空间域去噪方法是运算处于空间域内的图像像素的灰度值, 并直接处理噪声。频率域去噪方法是运算某种变换域内的图像的变换值。比如, 将图像的对比度增强, 可以起到增强图像的效果。
1 空间域去噪算法
空间域去噪, 要确定噪声点且重新幅值。运用空间域滤波法对图像的灰度值以调整, 采用相应的图像处理技术处理图像的像素。运用空间域去噪算法增强图像效果, 一般会选用平滑线性空间滤波器及统计排序非线性空间滤波器两种方式。
1.1 平滑线性空间滤波器
平滑线性空间滤波器包括多种滤波方式, 其中均值滤波器操作简单。通过求取出模板中所含有的像素平均值, 利用一定尺寸的模板操作图像邻域之间的像素。为了能够使所有的像素都可以滤波, 要确保像素点刚好呼吁模板的中心位置。要对, 要移动模板以满足实验的需要。平滑线性空间滤波器虽然操作简便, 计算数值的速度较快。但是图像的模糊程度会有所提高, 特别是图像的边沿以及细微之处, 图像扩散范围逐渐增大, 就越是模糊。
1.2 非线性排序统计滤波器
非线性排序统计滤波器多采用中值滤波器对图像滤波。中值滤波算法是对一个邻域内的滑动窗口内的所有像素灰度值按照一定的排列排列, 窗口中心像素的原灰度使用中替代, 可以抑制随机噪声, 图像的边沿稳定;中值滤波器是对于所有的像素点都要采用同一滤波处理方式, 误差值也存在其中, 使得图像边缘遭到损坏。
2 频率域去噪算法
频率域去噪法是运用低通滤波方法修正图像的频谱, 将图像从空间域转向频率域处理图像。频域滤波方法基于空间域转换而来, 图像从空间域转换到频域中, 去除变换后的噪声系数, 再以反变换方式将图像由频域转换到空间域中, 图像去噪完成。在图像转换中, 傅里叶变换起到了重要的作用, 尤其对图像边缘位置的去噪效果更好。频域滤波方法在图像增强处理时仍然存在着局限性, 当图像信号与噪声的频带相互重叠, 就会影响到图像去噪效果就会受到影响, 表现为图像边缘模糊不清, 图像的细节损坏。
3 运用Matlab软件实施图像增强技术
3.1 Matlab软件的功能
Matlab软件所形成的集成环境中, 可以支持概念设计、算法开发、建模仿真, 技术性处理程序包括数据分析、工程与科学绘图、数值和符号的计算。图像处理中, 还要进行仿真和原型开发。Matlab软件具备图形基础环境, 且对于有关信息进行数值分析。Matlab软件中, Matlab Toolbox (工具箱) 可以实现多种算法的比较, Matlab Compiler编译器可以自动生成C代码, 加快应用程序的开发速度。Simulink的功能在于建立仿真环境, 运用仿真驱动程序, 无需书写代码, 就可以将系统模型创建出来。Stateflow作为驱动系统, 可以建立嵌入式系统, 对于设计模型进行分析、处理, 建立仿真功能。
3.2 图像增强技术
基于Matlab的图像增强处理, 采用均值滤波。由于均值滤波算法的灵活度不够, 如果图像污染程度较低, 采用均值滤波极为有效。如果图像已经严重污染, 均值滤波的敏感度就难以满足增强图像效果的技术需求。
3.2.1 均值滤波对高斯噪声的滤波效果
创建预定义的滤波算子运用f special函数, 表示为:
如果运用目测方式感受图像的视觉效果, 采用高斯噪声进行均值滤波去噪效果良好, 但是图像的邻域半径需要扩大。判定去噪效果, 需要采用度量方式才能够提高图像效果。
3.2.2 高斯噪声的滤波辅之以线性加权滤波方法
采用线性加权滤波方法对图像进行去噪, 如果图像的噪声污染非常严重, 中心权值相同的模板的滤波能力就会明显下降。处于同等的噪声污染程度, 随着滤波器中心权值能力相对较小, 滤波器的滤波能力就会有所增强, 可以获得较好的图像视觉效果。如果图像的噪声污染程度较轻, 图像的滤波方式可以做出调整, 即采用线性加权滤波方法的图片去噪效果较好。针对于重度噪声存在的图像, 采用线性加权滤波方法, 就很难达到令人满意的图形啊视觉效果。但是, 线性加权滤波方法的算法极具灵活性, 而且图像去噪具有较强的适应性, 且与其他滤波方式相比, 具有较短的滤波时间。线性加权滤波方法对图像去噪的对比效果见图1、图2。
3.2.3 倒数加权滤波对高斯噪声的滤波效果
图像处于同等的噪声污染程度, 采用倒数加权滤波, 可以利用其较强滤波能力, 使得图像细节的噪声得以消除。中心权值小的滤波器, 如果模板的中心权值相同, 噪声滤波的能力就会下降。如果图像为轻度的噪声污染, 运用倒数加权滤波方法处理图片, 效果会较好, 且在图像的细节上及边缘区域具有一定保管能力。如果噪声污染为重度, 采用倒数加权滤波就很难获得良好的图像去噪效果。基于倒数加权滤波算法具有一定的灵活性, 可以对于图像增强技术的参数以调节, 因此, 针对于噪声污染程度不同的图像, 倒数加权滤波方法可以通过调节参数发挥其适应性, 以获得理想的图像去噪效果。
4 结语
综上所述, 基于Matlab的图像增强技术, 要发挥其图像噪声去除能力, 就要运用好的滤波算法, 同时还要保持图像的边缘和细节。本论文对于图像去噪处理, 采用了均值滤波去噪法、线性加权滤波去噪方法、倒数加权滤波去噪法, 对于图像增强效果以对比。由于图像的污染程度不同, 其在图像增强技术处理中, 细节之处存在着差异, 使得图像去噪效果有所不同。
参考文献
[1]徐辉.基于matlab的图像增强技术的分析与研究[J].湖北第二师范学院学报, 2008, 25 (8) .
[2]杨新华, 王艳, 段永军, 等.基于MATLAB的图像增强处理系统的设计与实现[J].火力与指挥控制, 2008, 33 (6) .
[3]宋杰静.基于matlab的图像增强技术的研究[J].计算机光盘软件与应用, 2011 (17) .
[4]吴斌, 吴业东, 张红英.基于变分偏微分方程的图像复原技术[M].北京:北京大学出版社, 2008.
[5]李琳, 蒋华伟, 刘啸岭.基于小波变换的数字图像压缩编码方法研究[J].微计算机信息, 2007 (19) .
[6]王洪兰, 张若钢.浅谈图像增强的直方图处理及其MATLAB实现[J].电脑知识与技术, 2007, 3 (16) .
基于图像边缘增强的改进方法 篇7
关键词：拉普拉斯 (Laplacian) 算子,边缘增强,图像增强
引言
利用计算机进行图像处理, 对于一个图像处理系统来说, 可以分为三个阶段, 在获取原始图像后, 首先是图像预处理阶段, 然后是特征抽取阶段, 最后是识别分析阶段, 图像预处理阶段尤为重要, 如果这个阶段处理不好, 后面的工作根本无法展开, 而图像增强则是图像预处理阶段的重要内容, 它已经成为图像处理中的一个重要课题。图像增强通过对图像进行去除噪声、边缘增强、改善颜色效果、改善细微层次、提高对比度、增加亮度等来改善图像的视觉效果, 提高图像成分的清晰度。图像增强技术的目的是通过对图像的处理, 使图像比处理前更适合一个特定的应用, 在显示、打印、印刷、识别、分析、艺术创造等方面都可以应用到图像增强。
图像增强分为图像的平滑和锐化两种。平滑一般用于消除图像的噪声, 但是也容易引起边缘的模糊, 常用的算法有低通滤波, 均值滤波器、中值滤波器。锐化的目的在于突出物体的边缘轮廓和细节信息, 便于目标的识别, 常用的算法有梯度算子、拉普拉斯算子、高通滤波等。对图像做平均或积分运算可以达到平滑图像的目的, 反之, 如果对图像做微分运算则可以增强图像的边缘, 突出图像中灰度的尖锐变化, 使图像中的轮廓线以及细节变得清晰, 即达到图像锐化的目的。
一、 图像边缘增强
采用二阶微分运算对图像进行滤波增强的滤波器称为二阶微分滤波器, 即拉普拉斯 (Laplacian) 算子。任何二阶微分的定义也必须保证以下几点:①在平坦段 (灰度保持不变的区域) 微分值为零;②在灰度阶梯或斜坡的起始点处微分值为非零;③沿着斜坡面微分值为零[1]。
在图像处理中, 拉普拉斯算子是二阶微分的图像增强。一个二元函数图像f (x, y) 的拉普拉斯变换的定义为:
一幅图像经过拉普拉斯模板滤波后, 能够突出图像中的边缘与细节, 使图像的边缘、轮廓线以及图像的细节变得清晰, 但滤波后的图像会显得很暗, 亮度被降低, 图像的整体对比度降低, 图像的层次和亮度丢失[1]。通常, 我们是把原图像与拉普拉斯滤波后的图像进行叠加, 如果拉普拉斯模板的中心系数为正数时, 是拿原图像与拉普拉斯滤波后的图像进行相加, 如果拉普拉斯模板的中心系数为负数时, 是拿原图像与拉普拉斯滤波后的图像做相减操作, 从而得到锐化后的图像[3]。
二、 算法思想分析及描述
基于拉普拉斯二阶微分的差分定义进行边缘增强的方法, 可以对x方向、y方向、45o方向、-45o方向分别进行增强, 为了能够灵活的控制增强的程度, 还可以设置一个加权系数, 通过设置不同的权值可以得到不同的增强效果。
在一幅数字图像中, 通常是用邻域像素点之间的差值来代替微分运算, 对于一个二元函数图像f (x, y) , 表1.1 表示了图像中各个像素点的表示形式。
微分算子能够突出图像中灰度的陡峭变化, 使图像的边缘、轮廓线以及图像的细节变得清晰, 但微分算子的处理结果会丢失图像的低频信息, 图像会显得很暗, 亮度被降低, 图像的整体对比度降低, 微分算子在增强边缘的同时, 也丢失了图像的层次和亮度。通常, 我们是把原图像微分算子处理后的图像进行叠加, 如果增强模板的中心系数为正数时, 是拿原图像与增强模板滤波后的图像进行相加, 如果增强模板的中心系数为负数时, 是拿原图像与增强模板滤波后的图像做相减操作, 从而得到最终锐化后的图像, 我们这里使用的边缘增强模板的中心系数为负 (A > 0) , 具体的实验过程为:
①输入原始图像f (x, y) ;
②通过对加权系数设置不同的权值并分别利用x方向、y方向、45o方向、-45o方向、f (x, y) 整体边缘增强模板和图像增强模板对原始图像进行空域滤波。
③最后得到的滤波后的结果图像即为增强后的图像。
三、实验结果及与传统算法的比较
下面通过设置不同的权值分别来测试本文增强算法的性能, 并与传统边缘增强算法作比较。
从以上实验的结果图像可以看出, 经过本文算法增强后, 结果图像更加清晰, 并且通过设置不同的权值, 能够实现不同程度的增强, 还可以分别对x方向、y方向、45o方向、-45o不同方向实现增强, 该算法具有较好的灵活性和普遍的适用性。
四、结束语
基于二阶微分运算对图像进行边缘增强可以使用拉普拉斯算子来实现, 由于传统的拉普拉斯模板只是对一幅图像的整体边缘进行增强, 并且也无法控制增强的程度。针对传统的拉普拉斯模板这些局限性, 本章提出了基于图像边缘增强的改进算法, 根据二阶微分的差分定义, 可以分别实现对x方向、y方向、45o方向、-45o不同方向的边缘进行增强, 为了能够灵活的控制增强的不同程度, 可以设置一个加权系数, 通过设置不同的权值从而达到不同的增强效果。
参考文献
[1]阮秋琦.数字图像处理[M].北京:电子工业出版社, 2009, 6.
[2]章毓晋.图像处理和分析基础[M].北京:高等教育出版社, 2002, 7.
[3]李恩玉, 杨平先.基于图像边缘增强组合算法的研究[J].图像处理与仿真, 2009.
[4]徐炜君, 刘国忠.空间域和频域结合的图像增强技术及实现[J].中国测试, 2009.
图像增强方法研究 篇8
“区域公路网交通安全信息采集关键技术”是国家交通安全科技行动计划之课题六“区域公路网交通安全态势监测评估及应急指挥”的专题,主要研究交通流、交通违法、车辆特征信息、交通视频等各类交通安全实时信息的采集及关键技术,其中涉及视频图像的公路车辆智能监测记录系统、机动车测速仪、交通视频摄像机、一体化高清监测摄像机等设备采集的违法证据、图像、数据是课题研究的基础数据来源,关系到课题研究和示范工程的成败。在这些视频图像的检测和应用中,图像的质量对交通安全信息的提取、检测、取证等方面起着重大的作用。当夜间光照度不够时,图像的视觉质量会大大降低,对车牌识别、行人特征识别等后续图像处理带来了极大的困难[1]。
针对上述问题,国内外研究机构提出了许多解决方法,其中直方图变换是最常用的算法。直方图变换是图像增强技术的1个重要方面,使原始图像的灰度直方图映射为灰度均匀的图像直方图,达到增强图像对比度的目的,从而获得灰度值丰富并且动态范围大的图像,对夜间光照度不够的交通视频图像增强有显著的效果。但是直方图变换常存在伪边缘和过曝光问题,图像的视觉效果不令人满意,伪边缘和过曝光对机动车的号牌、行人的细节识别的不利影响更大。主要原因是由于直方图均衡化是对图像中的所有像素点进行的变换,包括图像中的边缘像素点、平滑非噪声像素点、噪声像素点[2,3]。
本专题对夜间光照度不够的交通视频图像增强作了分析。研究提出首先使用开关滤波器对图像进行预处理,将图像中的像素点分为边缘像素点、平滑非噪声相似点、噪声像素点。检测出来的图像细节保留原值,检测出来的平滑非噪声象素点也保留原则,检测出来的噪声用噪声滤波指代替。然后,对检测出来的平滑非噪声像素点做改进的直方图变换处理,增加图像的对比度。实验表明,研究所提方法,不但能够增加图像对比度,对于夜间图像由于光照不够造成的视觉效果下降有明显的增强作用,同时机动车牌照、行人特征等边缘像素点也被完整地保护,对后续的机动车牌照、行人特征识别起到了明显的效果。
1 直方图简介
直方图反映了图像像素灰度的分布,横坐标是图像的像素灰度级,纵坐标是该灰度级像素的个数或出现此灰度级的概率,反映了图像中各灰度级别的像素个数的分类,图1(a)为车轮例图,图1(b)为其直方图。从直方图中,可以看出图像的绝大多数像素的灰度值分布在[0,50],在直方图中占有较大的面积,而灰度值高的像素较少,在直方图中占有较小的面积。
2 直方图均衡化
直方图均衡化是指将图像中的灰度比较集中的区间变换全部灰度范围内均匀分布,从而使图像在整个灰度级上均匀分布,整体增加图像的对比度,直方图均衡化公式如下[4]。
undefined
式中:Sk为直方图均衡化后的灰度图像值;nj为灰度值为j的像素点个数;N为总像素点个数。图2(a)为图1(a)的直方图均衡化的效果图,可以看出车轮的对比度得到了明显的增强,原图像位置上灰度值较低的像素点的灰度值有所提高,亮度增加,视觉效果比图1(a)清晰。图2(b)为图1(a)的直方图均衡化后的直方图,可以看出整个图像的像素在[0,255]近似均匀分布,灰度值较高的像素点个数有较大的提高。
虽然图2(a)的视觉效果比图1(a)要好,但是车轮的边缘被扩大,出现伪边缘和过曝光。根据式(1),Sk-Sk-1=undefined/N×255=(nk/N)×255,当lim(nk/N)=0时,Sk=Sk-1,即概率小不同灰度值像素经过直方图均衡化变换后会被合并成同一灰度值。由于图像的灰度等级差是以1为单位的,所以当Sk-Sk-1<0.5时,Sk=Sk-1,不同灰度等级值的小概率像素合并为同一等级灰度级,而这些概率小的像素往往是图像中的边缘像素或噪声像素,对于噪声,在图像处理过程中需要抑制,对于边缘像素,在图像处理过程中需要保护。
3 改进的直方图均衡化算法
为了既达到调节图像对比度的目的,增强夜间图片的视觉效果,同时能够保护好图像中的边缘像素和抑制图像中脉冲噪声的目的,研究提出,先使用开关滤波对夜间图片进行预处理的方法,先保护好图像中的边缘像素,同时抑制图像中的噪声。再使用改进的直方图变换算法,对平滑的非噪声像素经行对比度增强的处理,达到提高夜间视觉效果的目的。从2个方面提高了夜间交通视频图像增强的效果。
3.1 图像预处理
研究表明开关滤波器能够较好区分图像中的平滑的非噪声像素点、边缘像素点、噪声像素点,边缘像素点和平滑的非噪声像素点能够被较好地保护,而噪声像素点能够被较好地抑制。近年来,开关滤波器的研究方法也较多,各个开关滤波器在保护图像中的平滑的非噪声像素点和边缘像素点的能力也不同,在抑制图像中的噪声像素点的能力也不同[5,6,7,8]。本节提出利用传统的方向算子来检测图像中的边缘像素点、平滑的非噪声像素点及噪声像素点,具体算法和步骤如下。
1) 根据图3的方向算子,分别从0°、45°、90°、135°方向计算图像中的每个像素点的测量值如下:
undefined
式中:rm,n、xm,n、Kp分别为,在图像坐标(m,n)处,方向算子的测量值、图像灰度值和方向算子,*表示卷积运算。
2) 假设αm,n表示方向算子的检测结果,当rm,n∈[0,T1)时,判断xm,n为平滑的非噪声像素点,记αm,n=1;当rm,n∈[T1,T2)时,判断xm,n为边缘像素点,记αm,n=2;当rm,n∈[T2,+∞)时,判断xm,n为噪声像素点,记αm,n=3,xm,n被其滤波值undefinedm,n代替。其中,undefined{xs-m,t-n:-1≤s-m,t-n≤1},T1,T2,T3为阈值,median为中值滤波算法。
当被检测像素是平滑的非噪声像素点时,由于其和方向算子上的像素灰度值之差较小,所以测量值也会较小。当被检测像素是边缘像素点时,尽管部分方向的测量值较大,但至少有1个方向算子的像素灰度值较接近,测量值也会相应较小,但一般都大于平滑处的非噪声像素点的测量值,主要是由于边缘像素点相比于平滑的非噪声像素点有一定的非平滑性,而这个平衡性远远小于噪声像素点的灰度突变性。当被检测像素是噪声像素点时,由于其和方向算子上的像素灰度值相差较大,测量值也会相应较大。综合起见,本节所提出的方向算子开关滤波器能够较好地检测出图像中的平滑的非噪声像素点、边缘像素点及噪声像素点。
3.2 改进的直方图变换
为了增强夜间交通视频图像中平滑非噪声像素点的视觉效果,即αm,n=1的像素点,使用直方图均衡化方法对其进行增强处理,但是根据第3节的分析,直接的直方图均衡化处理会带来伪边缘和过曝光的问题,反而会影响夜间图片的视觉效果,为此,本节提出对数直方图变换算法,具体步骤和算法如下:
undefined
式中:undefinedj为nj取对数后值,undefined为undefinedj的总个数;undefinedk为对数直方图均衡化后对应的灰度像素值。
图4(a)为图像预处理后,进行对数直方图变换处理的效果图,其图像的对比度比图1(a)好,同时边缘像素得到了极大的保护,其伪边缘和过曝光损害程度比图2(a)低,达到了既增强图像对比度,又保护图像细节和抑制噪声的目的。图4(b)为改进方法处理后的图像直方图,可以看出,图像的灰度分布较图1(b)均匀,比图2(b)更能反映图1(a)的灰度分布态势。
4 实验结果和分析
本专题对夜间光照不够条件下交通视频图像增强技术作了详细研究和应用。开发图像处理平台,包括图像滤波、图像增强、模糊图像处理、低分辨率图像处理功能模块,用户根据图像的具体情况,采用人机交互的方式,选择各种方法对图像进行处理,以获得较高的图像质量,软件采用VC++6.0开发,运行环境Microsoft Windows XP操作系统。本节选取宜广G104路口闯红灯自动记录系统南往北直行方向(2008-08-16 T19:58:37)为对象。
图5为图像处理软件实验效果图,由于夜间闪光灯的照明空间不够等因素的影响,原图不能完全清晰地反映路况,比如斑马线上的行人,不够清晰。直方图均衡化后图像的对比度得到了明显的增强,行人能够比较清晰看清楚,但是机动车牌照也同时被增强,已经不能看清楚,而改进的方法不但增加了图像的对比度,而且同时也有效地保护了图像中的细节,图像的视觉质量得到了较大的提高。
5 结束语
受夜间条件光照不够等因素的影响,交通视频图像的视觉质量往往令人不满意,对车牌识别、行人特征识别等后续图像处理带来了极大的困难。在国家交通安全科技行动计划的支持下,课题六(区域公路网交通安全态势监测、评估及应急指挥)专题一(区域公路网交通安全信息采集关键技术及设备)子专题(交通安全时空信息的视频图像增强技术及应用)作了详细研究,专题采用开关滤波器检测出图像中平滑非噪声像素、边缘像素点及噪声像素点,边缘像素点保留原灰度值,噪声像素点用中值滤波降噪估计,平滑的非噪声像素点采用对数直方图均衡化处理。实验表明,所提出的方法明显优于传统的直方图变换方法,视觉效果得到了明显的改善和提高,边缘像素得到了较好的保护,更有利于机动车牌照识别和行人特征识别。
摘要：随着智能交通技术的发展,道路交通视频监控成为智能交通研究的热点,但是由于夜间光照不够,监控图像的视觉质量往往令人不满意,不利于交通安全分析。针对夜间照度不够条件下的交通视频图像存在的问题,在国家交通安全科技行动计划的支持下,课题六(区域公路网交通安全态势监测、评估及应急指挥)专题一(区域公路网交通安全信息采集关键技术及设备)对其作了研究。尽管常用的直方图变换方法能提高夜间照度不够条件下图像的视觉质量,但是常常存在伪边缘和过曝光等问题,不利于车牌识别、行人特征识别等后续图像处理。文中提出了改进的直方图变换方法,提高夜间照度不够条件下交通视频图像的视觉质量,加强道路交通安全的管理。
关键词：光照,直方图变换,交通视频,交通安全
参考文献
[1]齐晓杰,白竹,赵雨旸.基于视频检测的车辆闯红灯违章研究[J].交通科技与经济,2007,12(4):41-43.
[2]张铿,吴昌成,邱红桐.基于视频技术的直接交通事件检测研究初探[J].中国公共安全,2011,193:73-76.
[3]Kim J Y,Kim L S.An advanced contrast enhance-ment using partially overlapped sub block histogramequalization[J].IEEE Transactions on Circuits andSystems for Video Technology,2001,11(4):475-477.
[4]刘焕雨,万秋华,熊文卓.模拟频域滤波重构直方图均衡的图像增强方法[J].光电工程,2007,34(3):68-71.
[5]Zhang Shuqun.A new impulse detector for switc-hing median filters[J].IEEE signal processing let-ters,2002,9(11):360-363.
[6]Dong Y,Xu S.A new directional weighted medianfilter for removal of random-valued impulse noise[J].IEEE Signal Process Letter,2007,14(3):193-196.
[7]Crnojevic V,Senk V,Trpovski Z.Advanced impulsedetection based on pixel wise MAD[J].IEEE SignalProcessing Letters.2004,11(7):589-592.
基于模糊集的图像增强方法研究 篇9
图像在人类的感知中扮演着非常重要的角色,人类随时随处都要接触图像。据统计,在人类接受的信息中,视觉信息占70%以上。正所谓“百闻不如一见”,在许多场合,图像所传递的信息比其他任何形式更加丰富和真切。由此可见,图像信息是非常重要的[1]。
图像(Image)就是采用各种观测系统获得的,能够为人类视觉系统所感觉的实体。人的视觉系统本身也是一个观测系统,它得到的图像就是客观景物在人们心目中的有形想象。图像的范围非常广泛,包括:各类图片(Picture),如普通照片、X光片、遥感图片;各类光学图像,如电影、电视画面;客观世界在人们心目中的有形想象以及外部描述,如绘画、绘图;等等[2]。
目前,数字图像处理已成为人们认识世界、改造世界的重要手段。数字图像处理的最高目的是实现对数字图像中物体的分类或识别,即模式识别,从而构造自动处理某些信息的机器系统,以代替人完成分类和辨识的任务。它一般分为四个部分:信息获取部分、预处理部分、特征提取、决策分类。而预处理部分则使用图像变换、增强和复原等技术对图像进行处理,提高图像的视觉效果,优化各种统计指标,为特征提取提供高质量的图像[3,4]。
图像增强是一种基本的图像底层处理的手段,它的目的在于改善原始图像的视觉效果。传统的图像增强方法,技术上可以分成两大类:频域法和空域法。前者立足于修改图像的傅立叶变换,后者基于灰度级映射变换,直接处理图像中的象素,其变换型取决于增强准则的选择。这些传统的图像增强技术大都没有考虑图像的模糊性,而只简单地对整个图像改变对比度或抑制噪声,往往在抑制噪声的同时也削弱了图像的细节部分。本文将基于模糊集的图像增强方法应用到图像处理中,以克服传统图像增强方法的不足。
1 模糊集的图像增强经典算法
模糊集的概念:在普通集合论中,一个对象对于一个集合,要么属于,要么不属于,二者必居其一,绝不模棱两可。当一个集合用特征函数来表示时,可用式(1)表示元素x是否属于集合A。
这就限定了普通集合论只能表现“非此即彼”的现象,只能表现确定概念[5]。
为了能够表示具有“亦此亦彼”性的模糊现象与模糊概念,1965年L.A.Zadeh提出了模糊集合概念,将普通集合论中元素x对于集合A隶属关系体征函数的取值范围从{0,1}拓展到了[0,1],从而导出了模糊集合(也称模糊子集)的概念。
模糊特征平面:按照模糊子集理论的概念,一幅M×N维的具有L个灰度等级的图像X,可以作为一个模糊点阵看待,记为
或
式(3)中表示图像中第(i,j)点像素具有某种特征的程度为μij(0≤μij≤1),称μij为模糊特征。
若以像素的相对灰度级作为感兴趣的模糊特征,这时μij表示像素(x,y)的灰阶xij关于某个特定灰度等级的隶属度,通常这个特定的灰度等级为图像的最大灰度等级xmax。由μij的全体组成的平面{μij},i=1,2…,M;j=1,2…,N,称为模糊特征平面。
Pal-King算法:以Pal和King提出的方法为基础来介绍模糊增强方法的基本原理。Pal方法首先利用变换函数(即隶属度函数)提取图像的模糊特征,所用的隶属度函数如式(4)所示。
式(4)中Fe和Fd分别为大于零的指数模糊化因子和分母模糊化因子,μij∈[α,1],α>0;形成图像的模糊特征平面{μij},称μ=0.5对应的灰度等级为渡越点。通过对隶属度函数μij进行变换,并以渡越点为界增大或减小μij的值,从而得到一个由全体μij′组成的新模糊特征平面{μij′},其中
而T(r)是函数T的r次迭代运算,其中变换T取为某种S型函数,如式(6)
式(6)中uc为阈值,一般取0.5(也可自定义),其作用是增大那些大于0.5的而减小那些小于0.5的,以达到增强对比度的目的[6]。
对新的模糊特征平面{μij′}进行式(7)所示的逆变换,
式(7)中G-1表示G的逆变换,这样就可以得到模糊增强后的图像的灰度值。
从上述分析可知,Pal提出的模糊增强的模型如图1所示[7]。
2 改进的基于模糊集的图像增强算法
构造新的隶属函数:为了克服Pal-King算法的不足,首先对隶属函数进行改造,Pal-King算法隶属函数与渡越点有关,而渡越点又与阈值PC有关,为了消除其影响,定义新的隶属函数如式(8)所示。
式(8)中Tmin为灰度值的最小值,Tmax为灰度值的最大值,计算出的隶属函数值都分布于[0,1]上,处理后不会造成在原图中相当多的低灰度值被硬性切削为0,保存了图像中的低灰度值边缘信息[8]。
对图像进行模糊增强变换:对图像进行模糊增强处理,反复采用非线性变换,即:
该变换将Pal.King模糊增强算子与中史卉萍提出的模糊增强算子相结合,增大了大于0.5的lij=0的值,又减小了小于0.5的Tij=Tmax的值。随着递归次数r的增大,图像的增强效果越来越明显,当r趋于无穷大时,最终将产生二值图像,这时模糊增强事实上就变成了分割。
图像由模糊域映射到变换域:对变换后的模糊隶属度值进行逆运算,得到增强后的图像的灰度值。逆变换式如式(11)。
因为进行增强变换后的Pij′≥0,所以2Pij′≥1,2Pij′-1≥0,Xij′≥Xmin,这就避免了Pal-King模糊增强算法中出现的逆变换后像素灰度值为负数的情况,保留了低灰度值边缘信息,从而从整体上对图像进行了增强[9]。
3 改进算法的增强效果及分析
为了检验和评价模糊增强算法的增强效果,我们对Pal-King增强算法中图像增强前后对应的两个模糊集合的信息熵进行比较。设n个元素的模糊集合为X,定义模糊熵如式(12)。
式(12)中Sn(·)为Shannon函数:Sn(xi)=-xilnxi-(1-xi)ln(1-xi)(i=1,2,3,...,n);
将式(12)推广到二维图像的模糊集合I中有:
式(13)中Sn(xij)=-xijlnxij-(1-xij)ln(1-xij)。在具体运算时,考虑到xij=1的情况,所以Sn(xij)应为:
用模糊增强算子Tr(·)作用在模糊集合X={(xij)}上,可产生新的模糊集X′={(xij′)},该集合的熵H(X′)的定义与式(13)相同。由于熵H(X)是非负的,而算子Tr(·)可递归调用,当调用次数r→∞时,X′={(xij′)}变成一个普通集合,即:
此时增强后的图像为二值的,故H(X′)=0,说明图像的模糊增强效果是朝着熵减小的方向进行的,即H(X′)<H(X)。换句话说,图像越清晰模糊熵越小,反之越大。
最大熵原理是一种分析信息从而确定事件的特定概率分布的方法。在Shannon的信息熵中,熵值是给定的事件概率分布的函数,可以用拉格朗日乘数法证明:当信源的每一事件等概率出现时信源有最大熵,即P(xi)=1/N,i=1,2,…,N时有最大熵lg2N(bit/符号),此时信源的熵最大[10]。
而本文的改进算法中图像每一点的隶属度值都是从1/2减小到0或者扩大到1,即从中心1/2向两端0、1变化,最终得到二值图像,其对应的图像的模糊熵从最大减小到0,图像逐渐变得清晰。所以,改进算法的模糊熵是逐渐减小的,是一种有效的增强算法。选用lena图像进行仿真实验,增强效果如图2所示。
图2(a)为Lena原图,图2(b)为采用PalKing算法增强两次后的图像,可以看出,增强后的图像部分低灰度值信息丢失。图2(c)(d)(e)为采用本文算法分别增强1、2、3次获得的图像,可以看出,采用本文算法获得的增强图像都比采用PalKing算法对比度效果好,边缘更加清晰丰富。当r=1时,增强不够充分,边缘不够清晰,r=2时,细节边缘比较清晰,r=3时,细节边缘更加清晰。因此,使用本文改进后的基于模糊集的图像增强算法时,选取r=2或r=3比较合适,增强次数不多。
4 总结
本文首先对传统常用的图像增强方法进行了研究,然后介绍了传统的基于模糊集的图像增强方法——Pal-King增强方法,并分析了Pal-King算法的优缺点。针对Pal-King算法的缺点和不足,本文提出了改进算法。最后,利用模糊熵对本文提出的改进算法的正确性进行了简单的说明,并选用lena图像进行了仿真实验,实验结果表明,改进算法确实比Pal-King算法取得了更好的增强效果。
摘要：图像增强处理中常用的均值滤波和中值滤波等方法有较强的抑制噪声的能力,在一定程度上会导致图像模糊,影响图像处理的效果。直方图均衡化是目前地震图像增强的主要方法,但它存在着图像细节信息丢失和噪声放大的缺点。基于模糊集的图像增强方法逐渐被应用到实际的图像处理中,并且显示出它优于传统图像增强算法的特点。因此,将基于模糊集的图像增强方法应用到图像处理中,以克服传统图像增强方法的不足。首先对传统的Pal-King基于模糊集的图像增强算法进行了研究。针对Pal-King算法的缺点和不足,提出了两种改进算法,并且运用模糊熵理论对改进算法的正确性进行了证明。
关键词：图像增强,模糊集,模糊熵
参考文献
[1]Li Hua,Yang H S.Fast and reliable image enhancement using fuzzy relaxation technique.IEEE Transactions on Systems,Man and Cyber-netics,1989;19(5):1276—1281
[2]鱼海涛.基于模糊集理论的图像增强算法研究.西安:西安科技大学,2005
[3]李弼程,彭天强,彭波,等.智能图像处理技术.北京:电子工业出版社,2004
[4]高彦平.图像增强方法的研究与实现.济南:山东科技大学,2005
[5]李刚.数字图像的模糊增强方法.武汉:武汉理工大学,2005
[6]Lee J S.Digital enhancement and noising filtering by using of local statistics.IEEE Transactions on Pattern Analysis and Machine Intelli-gence,1980;PAMI-2:165—168
[7]李宏刚.基于模糊集的车辆图像增强方法研究.哈尔滨:哈尔滨工业大学,2006
[8]Lev A.Zucker S W,Rosentfeld A.Iterative enhancement of noisy im-ages.IEEE Trans Syst Man Cybern,1977;SMC-7:435—441
[9]Davis L S,Rosenfeld A.Noise cleaning by iterated local averaging.IEEE Trans Syst Man Cybern,1978;SMC-8:705—710
图像增强方法研究 篇10
关键词：形态学融合滤波；农业图像；MSR算法；局部像素最大化原则
中图分类号：TP391.41 文献标志码：A 文章编号：1002—1302（2016）01—0394—02
农业图像增强的根本目的是突出图像中的感兴趣信息，弱化其余信息，尽可能提高图像判读、分析的针对性。农业图像受野外成像环境多样性的影响以及在传输、解码过程中会存在不同程度的噪声并且在此过程中图像对比度也有所降低。对于农业图像的预处理，近年来学者们着重在滤波、增强2个方面进行针对性的研究，但是该类成果要么是针对图像中的噪声进行滤波，要么着重于进行图像增强，因而倾向性较为明显。当处理对比度较低且含有噪声的农业图像时，该类算法的处理效果则不尽如人意。因此，要实现对农业图像的有效处理，将图像滤波和增强算法进行有机融合是比较理想的选择。根据这一思路，本研究將形态学滤波与多尺度Retinex（muti-scale retinex，MSR）增强算法有机结合，提出了1种改进型MSR增强算法，即首先提出了1种形态学融合滤波算法对图像进行噪声滤除，然后对滤波后的图像进行MSR增强。
1算法原理
1.1形态学融合滤波
形态学图像处理的基本思路是采用预先设计的不同形状（圆形、矩形、菱形等）、不同尺寸（结构元素半径）的结构元素通过不同的运算方法来对图像进行处理和分析。形态学运算方法最基本的是腐蚀和膨胀运算，令函数F（i，j）表示任意一幅图像，B（i，j）为结构元素，腐蚀和膨胀运算定义为：
膨胀运算能够将图像中处于结构元素范围内的信息进行合并，对于图像中的空洞或凹陷部分（如裂缝）能够进行适当填补，能够滤除图像中负噪声点（噪声点灰度值明显低于图像中其余像素点灰度值），但是对于图像中的正噪声（噪声点灰度值明显高于图像中其余像素点灰度值）则无能为力。腐蚀运算则能够有效去除图像中的正噪声点，对于图像中小于结构元素尺寸且亮度较大的区域能够进行削弱甚至消除。因此，腐蚀和膨胀运算互补性较强，将二者进行有机组合，形成了开启运算、闭合运算：
开启运算能够有效去除图像中呈孤立分布的正噪声点（如图像中孤立存在的斑点、毛刺），从整体上平滑图像，但如果图像中的负噪声点过于密集且彼此间的距离明显小于结构元素尺寸，开运算处理的结果只能是进一步放大图像中负噪声点的分布区域；如果图像中的正噪声点较多，对图像首先进行膨胀运算然后进行腐蚀运算（即闭运算）也难以有效去除该类噪声点。开动、闭合运算的性能是基于采用同一形状、同一尺寸的结构元素得出的，进一步提高噪声滤波性能，最为有效的思路是采用不同尺寸的结构元素。这是因为采用尺寸较大的结构元素能更为有效地去除噪声点，但是会模糊图像；而采用尺寸较小的结构元素，尽管噪声去除能力下降，但能很好地刻画图像中的边缘轮廓信息。基于上述分析，本研究采用不同尺寸的结构元素（图1）将开启、闭合运算有机结合，并采用图像融合的策略，提出了农业图像形态学融合滤波的思路，具体步骤如下。
（1）采用如图1-a所示的尺寸为1的菱形结构元素对含有噪声的农业图像（尺寸大小为M×N）首先进行开启运算，然后进行闭合运算，得到滤波图像1。
（2）采用如圖1-b所示的尺寸为2的菱形结构元素对含有噪声的农业图像首先进行闭合运算，然后进行开启运算，得到滤波图像2。
医学数字图像边缘增强方法的探讨 篇11
边缘是图像的一个重要特征。两个具有不同灰度值的相邻区域之间总存在边缘[1]。边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合,是进行图像分割所依赖的重要特征,也是形状分析的重要基础,广泛应用于图像分类、图像配准和模式识别中[2,3]。特别是在医学图像中,由于各种噪声以及人体各器官组织的密度接近等因素影响,图像的边缘往往不清晰,而医学图像的边缘清晰对医学诊断尤为重要,边缘信息有效地提取可以确定病灶的大小位置。因此,对医学图像的边缘提取,具有很重要的实际意义。
边缘在图像中都表现为强度的非连续性,故而找出所有这些非连续的过程就可视为是边缘提取,因此,边缘提取技术必须既能检测到图像强度的非连续性,又能确定它们的精确位置。
图像的边缘具有方向和幅度两个特征[3]。通常,沿边缘走向的像素变化平缓,而垂直于边缘走向的像素变化剧烈,由此可把边缘粗略分为两种(图1)[4,5,6]:(1)阶跃性边缘,即相邻的两个像素不在同一亮度区域内的边缘;(2)屋顶状边缘,它是指从左到右灰度值单调递增,然后经过某点后单调递减,边缘就存在于灰度值从递增到递减的转折点处。它还可以分为屋顶型和凸缘型两种类型[7]。
2 医学图像边缘提取的几种算法
2.1 梯度算子
对于图像函数f(x,y),其x方向和y方向的一阶方向导数和二阶方向导数分别为:
在数字图像中,上述的微分运算都用差分运算来代替,成为沿各方向的差分:
由此可得到数字图像f(x,y)的每个像素的梯度模值和幅角:
由于梯度值都和相邻像素之间的灰度差分成比例,我们可以利用它来增强图像中的边界信息。因为这些边界点的灰度变化比较大,因而其梯度值也较大,而那些灰度变化平缓的区域,梯度值相应较小,对于灰度值相同的区域,梯度值将为零。如果选取适当的门限(TH)对图像进行阈值化,那么满足Mf(i,j)≤TH的点为物体和背景内部的点,而满足Mf(i,j)>TH的点,大多为阶跃状边缘点。
2.2 拉普拉斯算子
二阶微分算子称为拉普拉斯算子,它是一个与边缘点方向无关的边缘点提取算子,即对二维函数进行运算的二阶导数标量算子。在数字图像中的形式为:
很明显,一个像素的拉普拉斯算子是它与上下左右4个像素之差的总合。对于孤立点或那些局部灰度值“最大”或“最小”的地方,拉普拉斯值可得到最大的幅值,而对于灰度为线性变化的像素处为▽2X为0,在边缘地带由于像素突变可得到较大的值。它通常可以以数字化方式用下面两个卷积核之一来实现:
拉普拉斯算子不仅对于边缘,而且对于边角线条的端点处也有较大的提取能力,但是对于孤立点得到的幅值最大,这样在有噪声的图像中,噪声点也被作为边缘点提取出来。因此,拉普拉斯算子对噪声比较敏感,在处理结果中会出现零散的边缘像素点,但对边缘定位还比较准确。
2.3 Sobel算子
Sobel算子是一阶微分算子,它利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的阈值来取舍,其表达式为:
对于数字图像f(x,y),该式可简化为:
Sobel算子是加权平均算子,对于某个像素点,考察其上、下、左、右邻点灰度的加权差,与之接近的邻点的权大。Sobel边缘算子是3×3算子模板,由下面两个卷积核形成,一个核对通常的垂直边缘响应最大,而另一个对水平边缘响应最大,两个卷积的最大,值作为该点的输出值。其运算结果就是一幅边缘幅度图像。
由于Sobel算子中,邻域的像素对当前像素产生的影响不是等价的,所以距离不同的像素具有不同的权值,对算子结果产生的影响也不同,一般来说,距离越大,产生的影响越小。因此,Sobel算子对灰度渐变和噪声较多的图像处理效果较好,但不适用于边缘定位要求很高的应用。
2.4 Prewitt算子
Prewitt算子类似于Sobel算子,是平均滤波,其表达式为:
其两个卷积核如下:
2.5 Roberts算子
Roberts算子是一种利用局部差分算子寻找边缘的算子,其表达式如下:
其中,f(x,y)是输入图像,g(x,y)是输出值。Roberts算子是2×2算子模板,其卷积核为:
从卷积核的形式可以看出,Roberts计算时利用的像素数共有4个,Roberts算子边缘定位准确,但是对噪声敏感。对边缘明显且噪声较少的图像效果较好。
2.6 Canny算子
Canny算子是一阶算子,其方法是寻找图像梯度的局部极大值,梯度是用高斯滤波器的导数计算而得,实质上就是用一个准高斯函数作平滑运算,然后以带方向的一阶微分算子定位导数最大值[8,9]。平滑后的fs(x,y)的梯度可以使用2×2一阶有限差分近似式:
在这个2×2正方形内求有限差分的均值,便于在图像中的同一点计算x和y的偏导数梯度。幅值和方向角可用直角坐标到极坐标的坐标转化来计算:
其中,M(x,y)反映了图像的边缘强度,Q(x,y)反映了边缘的方向。就算法本身来讲,包括边缘的初始点选取、阈值设置和可能的边缘点选取及边缘连接3个部分。Canny方法使用两个阈值来分别检测强边缘和弱边缘,而且仅当弱边缘与强边缘相连时,弱边缘才会包含在输出中。
图2~5为经过边缘提取的图像。通过边缘检测使手的医学图像轮廓非常明了地显示,这对于医疗机构进行手术的边界界定有重要的意义。通过边缘提取后再界定医疗手术的切入点,能增加诊断治疗的精确性。上述这些边缘算子都有其优缺点,在实际应用中,需要根据图像的特点来选取算子。个别算子之间的性能比较,见表1。
3 结束语
本文研究认为Laplacian和Roberts算子增强效果好,但是降噪效果差;Prewitt、Sobel算子降噪效果好,增强能力差。因此对于结构复杂,噪声影响大的部位多采用Prewitt、Sobel算子,对于结构简单噪声影响小的部位多采用Laplace、Roberts算子。
在医学的诊断和治疗过程中,医学图像有着举足轻重的作用,医生对图像信息的理解及接受程度直接关系到诊断的准确性。为了提高诊断的精确性,就要求医学图像必须轮廓清晰、界限分明,组织纹理信息尽可能少的丢失。所以,采用更为有效地降噪方法是必要的,噪声越低,就越有利于高精度增强算子的使用。
参考文献
[1]Mallat SG.A theory from ultiresolution signal decom position.The wavelet representation[J].IEEE,Transactions on PatternAnalysis and Machine Intelligence,2011(7):674-693.
[2]陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出版社,2005.
[3]Donoho DL.Denoising by Soft-thresholding[J].IEEE Trans onIT,1995,41(3):613-627.
[4]沈庭芝,方子文.数字图像处理及模式识别[M].北京:北京理工大学出版社,1998.
[5]张德干.小波变换在数字图像处理中的应用研究[D].沈阳:东北大学,2000.
[6]田捷,包尚联,周明全.医学影像处理与分析[M].北京:电子工业出版社,2003.
[7]孙化林.MATLAB6与X线图像处理[M].北京:清华大学出版社,2002.
[8]Shi Qian.Introduction to Time-Frequency and WaveletTransforms[M].北京:机械工业出版社,2005.
[9]靳济芳.Visual C++小波变换技术与工程实践[M].北京:人民邮电出版社,2004.
【图像增强方法研究】推荐阅读：
图像去雾增强算法研究09-14
图像增强09-27
红外图像增强06-07
彩色图像增强06-27
指纹图像增强11-15
小波域图像增强01-13
图像研究07-21
玻璃纤维增强水泥研究07-02
图像加密方法12-02
数字图像相关方法06-13