模糊增强

模糊增强（精选5篇）

模糊增强 篇1

0引言

指纹识别是指指尖表面纹路的脊谷分布模式识别, 这种脊谷分布模式是由皮肤表面细胞死亡、角化及其在皮肤表面积累形成的。人的指纹特征是与生俱来的, 在胎儿时期就已经决定了。人类使用指纹作为身份识别的手段已经有很长历史, 使用指纹识别身份的合法性也己得到广泛的认可。自动指纹识别系统通过比对指纹脊线和谷线结构以及有关特征, 如纹线的端点和分歧点等来实现个人身份认证。然而, 要从原始指纹图像上准确地提取特征信息, 这是十分困难的, 在很大程度上特征提取的精确性依赖于图像质量。因此, 在指纹特征提取和匹配之前有必要对指纹图像进行增强处理。指纹图像增强就是对指纹图像采用一定算法进行处理, 使其纹理结构清晰化, 尽量突出和保留固有的指纹特征信息, 并消除噪声, 避免产生虚假特征。其目的是保持特征信息提取的准确性和可靠性, 在自动指纹识别系统中具有十分重要的作用和地位。

由于曝光不足等因素的影响, 图像的亮度分布会发生非线性失真, 常常表现为对比度不强, 图像的整体感觉较暗等。目前, 已经有很多基于灰度直方图的方法来增强对比度, 从而改善图像的质量[1]。

近年来, 人们对基于模糊的图像处理技术进行了研究。模糊集合理论已能够成功地应用于图像处理领域, 并表现出优于传统方法的处理效果。根本原因在于:图像所具有的不确定性往往是因模糊性引起的。图像增强的模糊方法, 有些类似于空域处理方法, 它是在图像的模糊特征域上修改像素的[2,3,4,5]。基于模糊的图像处理技术, 是一种值得重视的研究方向, 应用模糊方法往往能取得优于传统方法的处理效果。很多时候基于模糊的增强图像对比度方法能够更好地增强图像的对比度[6,7,8,9], 尤其是对于对比度很差, 一般的增强算法无法对其增强的图像, 它的优势突显。

本文结合模糊逻辑技术, 研究了基于模糊特征平面的增强算法和基于GFO算子 (广义模糊算子) 的图像增强算法, 并将其应用于指纹图像对比度的增强。

1模糊特征平面增强算法

1.1 模糊特征平面

从模糊集的概念来看, 一幅具有L个灰度级的M×N元图像, 可以看作为一个模糊集, 集内的每一个元素具有相对于某个特定灰度级的隶属函数。该模糊集称为图像等效模糊集, 亦即图像的模糊特征平面, 对应的模糊矩阵记为F, 有:

undefined

式中:矩阵的元素μmn/Xmn表示图像像素 (m, n) 的灰度级Xmn相对于某个特定的灰度级l′的隶属度, 通常l′取最大灰度级K-1。

1.2 算法实现

首先采用图像分割中的阈值选取方法 (本文中采用Otsu方法) 来确定阈值参数XT, 显然XT将整个图像的直方图分为2个部分。低灰度部分和高灰度部分;对于具有典型双峰分布的直方图来说, 它们分别对应目标和背景这两部分。然后定义新的隶属函数形式, 再进行模糊增强运算, 在低灰度区域进行衰减运算, 从而使属于该区域像素的灰度值更低, 而在高灰度区域则进行增强运算, 从而使属于该区域像素的灰度值更高。因而, 经过模糊增强后直方图上阈值XT两侧的灰度对比增强, 图像区域之间的层次将更加清楚。

整个算法过程如下:

(1) 首先根据Otsu选取阈值的方法确定阈值参数XT。显然对于双峰分布的直方图阈值参数XT将位于双峰之间的谷底附近。然后定义新的隶属度函数为:

undefined

式中:Xmax为图像的最大灰度级;m=1, 2, …, M;n=1, 2, …, N。

(2) 再对图像进行模糊增强。模糊增强是对μmn进行非线性变换, 其结果是增大 (当μmn>0.5) 或减少 (当μmn≤0.5) μmn的值。数学描述如下:

undefined

式中:

undefined

对于迭代次数r的选择, 仿真结果表明, 当r较小时, 模糊增强不够充分;随着r的逐渐加大, 图像的增强效果会越来越明显, 当达到一定程度时, 图像中局部细节会逐渐消失而变为二值图像。但对于指纹图像r选取过大, 则会丢失一些细节信息, 本文取r=8。

最后, 对μ′mn进行逆变换, 得到经过模糊增强后的图像X′。X′中的像素 (m, n) 灰度级l′mn为:

undefined

式中:G-1 (·) 为G (·) 的逆运算。经过G-1 (·) 逆变换得到已增强的空域图像, 该逆变换方式规定为:

undefined

本算法对μmn>0.5的区域, 即高灰度区域的像素进行增强运算;对于μmn≤0.5的区域, 即低灰度区域的像素进行衰减运算。因此, 实现了对低灰度区域的像素进行衰减运算和对高灰度区域的像素进行增强运算, 从而使图像增强后区域之间的层次更清楚。

2基于GFO算子 (广义模糊算子) 的图像增强算法

文献[10]给出了广义模糊集和广义模糊算子的定义。在此基础上, 本文设计的基于GFO算子的图像增强算法如下:

步骤1:利用模糊熵确定阈值参数T, 表征的是要增强或减弱的灰度值边缘, 如果灰度值大于阈值T, 则使其更大, 否则使其更小。通过大量实验验证, 当阈值参数T接近指纹图像直方图谷底时, 将得到较好的增强效果。

步骤2:通过式 (7) 将待处理的图像X从空域的灰度值I={I (i, j) }映射为与之对应的广义隶属度μ={μ (i, j) };

undefined

步骤3:利用式 (8) 定义的GFO算子对广义隶属度进行非线性变换;

undefined

式中:r和f为常数, 其范围是0≤r≤1及0

广义模糊算子通过降低区域中的值和增加区域中的值, 起到了增强2个区域之间对比度的作用。

步骤4:通过式 (7) 的反函数, 将映射为二维空间域的灰度图像。其得到经过模糊增强处理后的图像, 中的像素灰度值为:

undefined

3实验结果与分析

采用Matlab软件编程且分别应用以上2种算法对FVC指纹数据库中一些指纹图进行增强处理, 增强结果如图1, 图2所示。

从实验结果可以看出, 两种模糊增强算法在一定条件下都可有效增强指纹图像的对比度。相比之下, 基于GFO算子 (广义模糊算子) 的图像增强算法去除背景能力更强, 因此对于具有单峰及双峰分布直方图的指纹图像, 该算法可能将一些灰度值较低的前景点误分为背景点;而模糊特征平面增强算法因为去除背景能力较弱, 对于具有多峰分布直方图的指纹图像增强效果较差。因此对于需要着重增强前景的指纹图像, 更适合用基于模糊特征平面的增强算法, 而对于需要重点去除背景的指纹图像则需选取基于GFO算子 (广义模糊算子) 的图像增强算法。

4结语

从模糊集的角度出发, 模糊特征平面增强算法将图像转化为等效的图像模糊特征平面, 在此基础上进行模糊增强, 最后再转换为空域图像。基于GFO算子 (广义模糊算子) 的图像增强算法与模糊特征平面增强算法, 处理过程相似, 不同之处在于所定义的隶属度函数及非线性变换形式不同。采用这两种方法均可以在一定程度上提高低灰度区域与高灰度区域之间的对比度, 从而提高图像的质量。两种算法相比而言, 基于模糊特征平面的增强算法更适合用于需要着重增强前景的指纹图像, 而基于GFO算子 (广义模糊算子) 的图像增强算法则更适合用于需要重点去除背景的指纹图像。

需要指出的是以上两种算法仅仅增强了指纹图像的对比度, 要取得更好的增强效果还需要结合指纹图像的方向信息进行滤波增强, 以达到对粘连脊线分离及断开脊线连接的效果。

摘要：指纹图像采集过程常会造成对比度不强等非线性失真, 基于模糊逻辑的处理方法常用于改善指纹图像质量。研究了模糊特征平面增强算法和基于广义模糊算子的图像增强算法, 将两种算法应用于指纹图像对比度增强, 并对增强结果进行比较分析。实验结果表明, 采用这2种方法均可以在一定程度上提高指纹图像低灰度区域和高灰度区域之间的对比度, 从而提高图像的质量, 使增强后的指纹图像结构更清晰。

关键词：指纹,对比度增强,模糊特征平面,广义模糊算子

参考文献

[1]郑南宁.计算机视觉与模式识别[M].北京:国防工业出版社, 1998.

[2]苏菲, 冯建江, 孙景鳌, 等.基于模糊逻辑的指纹图像对比度增强算法[J].计算机工程, 2003, 29 (3) :122-123, 160.

[3]王保平, 刘升虎, 范九伦.基于模糊熵的自适应图像多层次模糊增强算法[J].电子学报, 2005, 33 (4) :730-734.

[4]周德龙, 赵志国, 潘泉, 等.基于模糊集的图像增强算法研究[J].电子与信息学报, 2002, 24 (7) :905-909.

[5]万丽, 陈普春.一种基于数学形态学的图像对比度增强算法[J].现代电子技术, 2009, 32 (13) :131-133.

[6]苏菲, 孙景鳌, 蔡安妮.基于模糊逻辑的指纹图像增强滤波[J].通信学报, 2002, 23 (9) :82-87.

[7]田沄, 郝宁波, 薛耿剑, 等.一种基于三维医学图像的对比度模糊增强算法[J].计算机工程与应用, 2006 (4) :215-217.

[8]王晖, 张基宏.图像边界检测的区域对比度模糊增强算法[J].电子学报, 2000, 28 (1) :45-47.

[9]马志峰, 史彩成.自适应图像对比度模糊增强算法[J].激光与红外, 2006, 36 (3) :231-233.

[10]陈武凡, 鲁贤庆, 陈建军, 等.彩色图像边缘检测的新算法:广义模糊算子法[J].中国科学 (A辑) , 1995, 25 (2) :219-224.

模糊增强 篇2

由于红外探测器本身固有的特性和受恶劣的外部成像条件影响, 红外图像普遍存在目标与背景对比度不高、图像边缘模糊、信噪比低等问题。因此对红外图像的增强处理是很必要的, 以改善红外图像的视觉效果或便于对红外图像进行其它处理[1]。传统的增强方法主要是空域法和频域法, 主要有以下几点不足:较少考虑红外图像处理过程中出现的不确定性和不精确性[2];多数方法的智能性和自适应性都较差, 大大限制了其应用范围[3, 4]。针对以上两点, 本文提出了一种基于模糊几何特征与遗传算法 (GA) 的红外车辆目标自适应增强算法。将模糊理论应用到红外车辆目标增强中;应用遗传算法的自动选择最优解或准最优解的能力, 建立一种红外车辆目标的自适应增强算法。

1一种基于区域模糊几何特征的图像质量的测量函数

模糊集理论对于图像的不确定性有很好的描述能力, 并且对于噪声具有很好的鲁棒性, 因此可以将模糊理论应用到图像增强中。本文提出了一种新的基于模糊理论的评价图像质量的测量函数:

(1) 式中, N (Ti (f) ) 为图像经第i个个体增强后灰度为l的像素个数大于一给定阈值Th的灰度级的数量;H (Ti (f) ) 表示图像经第i个个体增强后的信息熵;δ (Ti (f) ) 表示图像经第i个个体增强后的均方差;C (Ti (f) ) 为增强图像经模糊变换后的模糊紧支度, 它是反映图像空间模糊性的一个模糊几何量[5]。部分分量的计算公式如下:

(5) 式中, μm, n (Ti (f) ) =gm, n (Ti (f) ) / (L- 1) 为模糊变换函数。gm, n (Ti (f) ) 为原始图像经第i个个体增强后位于图像幅面内 (m, n) 处的像素灰度, m= 1, 2, … , M, n= 1, 2, … , N;M, N分别为图像的最大行、列数;L为图像的最大灰度级;μm, n (Ti (f) ) 是gm, n (Ti (f) ) 经模糊变换后的模糊隶属度, 本文采用简单模糊变换中表示gm, n (Ti (f) ) 相对于变换区域内的最大灰度的比值;A (Ti (f) ) 和P (Ti (f) ) 是两个模糊几何量, 分别为原图像经第i个个体增强后的图像再经模糊变换后求得的模糊集面积与模糊集周长, 此处它们为紧支度计算的过渡变量。

上述适应度计算公式中, δ (T (fi) ) 越大, 表明增强图像的对比度越大, 而使用N (T (fi) ) , H (T (fi) ) 和C (T (fi) ) 则是为了防止图像的过度增强, 以保持图像的主要细节信息, 其中N (T (fi) ) 越大, 表明增强图像的灰度层次损失越少, 保留的灰度层次越多, 且设置Th值还可以在一定程度上防止过度增强图像噪声;H (T (fi) ) 的值越大, 表明增强图像的信息损失越少, 保留的信息越多;C (T (fi) ) 的值越小, 表明图像增强后的局部细节特征保持得越好, 图像越清晰。

2基于遗传算法的自适应模糊增强

本文就是将遗传算法用于红外车辆目标的自适应模糊增强。为了构造遗传算法的适应度函数, 下面简要介绍一下红外图像增强的灰度变换函数。

2.1红外图像增强的灰度变换函数选择

从视觉效果来看, 一般的图像有偏暗、灰度集中在某一区域或偏亮三种基本情况, 本着对不同质量的图像采用不同的变换函数的原则。本文利用Tubbs提出的归一化的非完全Beta函数来实现几种典型的灰度变换曲线的自动拟合[2]。归一化的非完全Beta函数定义为:

其中Beta函数。不同的α和β能够拟合各类的灰度变换曲线。α和β的取值控制变换曲线的形状, 当<β时, 经过变换后对较暗的区域进行拉伸;当α=β时, 变换曲线是对称的, 对中间区域进行拉伸, 对两端进行压缩;当α>β时, 经过变换后对较亮的区域进行拉伸[7]。

2.2遗传算法的算子选择和编码

遗传算法模拟了自然选择和自然遗传中发生的繁殖、交配和突变现象, 将问题中每个可能的解看作是种群中的一个个体, 并将每个个体编码成字符串的形式, 根据预定的目标函数对每个个体进行评价, 给出一个适应度值。遗传算法的三种基本算子是:选择, 交叉, 变异。

1) 选择:本文采用轮盘赌法选择。

2) 交叉和变异:交叉概率Pc和变异概率Pm的选择是影响算法行为和性能的关键, 直接影响算法的收敛性。此处采用自适应的方法针对不同的染色体采用不同的Pc和Pm, 计算公式如下:

(8) 式中fmax表示群体中最大的适应度值, favg表示每代群体的平均适应度值, f′表示要交叉的两个个体中较大的适应度值, f表示要变异个体的适应度值, Pc1, Pc2, Pm 1, Pm 2为常数, 其中Pc1>Pc2, Pm1>Pm 2。另外, 在遗传算法的编码问题上, 本文采用浮点实数编码, 精度为1×e- 6, 每条染色体包含两个基因段α和β。种群数设定为M = 30, 进化代数为30代。进化代数选30代是因为实验表明一般情况下进化几代遗传算法就能找到最优解。

2.3适应度函数的选择

文献[4]曾用方差作为GA的适应度函数来驱动遗传操作, 文献[5]分析了仅用方差存在以下两方面的缺陷:1) 在没有其他约束条件的情况下, 单独使用方差作为适应度函数将使图像过度增强为一半像素灰度级为最小, 而另一半为最大的极度二值图像。2) 方差本身不能区分多种增强结果的相对质量。方差反映的是图像的整体统计特征而并不能区分图像的局部细节差异, 图像方差相同时可能存在多种不同的效果, 如质量好的高方差图像与质量劣的多噪声干扰图像, 或局部小区域内的高反差变化和大区域内的低反差波动等。上述分析表明:单独的方差并不适合用作GA的适应度函数。因此本文选择利用式 (1) 作为GA的适应度函数。它是基于模糊理论的评价图像质量的测量函数, 使增强后图片的视觉效果在整体和细节上都有明显的改善。

3 实验结果

对红外车辆目标的感兴趣区域分别采用传统的直方图均衡法、反锐化掩膜法、仅采用方差作为GA的适应度函数、和本文基于模糊理论的图像质量测量函数作为GA的适应度函数等4种方法对图像进行对比度增强。图1 (a) — (b) 为输入图像及其灰度直方图;图1 (c) 图是两种GA得到的非线性变换曲线, 点线是仅用方差作为GA的适应度函数 (OFGA) 得到的, 星线是采用本文方法 (NFGA) 得到的。 (d) 图是两种GA得到的寻优性能曲线, 横坐标表示进化代数, 纵坐标表示每代的最优个体的适应度值, 图中的点线是利用OFGA得到的, 星线是采用NFGA得到的。 (e) 图表示直方图均衡 (HE) 图像增强; (f) 图表示反锐化掩膜 (USM) 图像增强; (g) 图表示采用OFGA的图像增强; (h) 图表示采用NFGA的图像增强; (i) (j) (k) (l) 这四幅图分别是对应前四种增强方法的直方图。

可见, 直方图均衡虽然整体对比度较好, 但它在增强目标的同时, 将一些杂乱背景也增强了, 而且导致了车辆目标细节信息的下降, 如车辆边缘模糊不清晰;反锐化掩膜方法增强虽然保持了图像中的细节部分信息, 但增强后图像的整体对比度较差。下面针对两种遗传算法的实验结果进行详细分析。从图像本身和其直方图我们都不难看出该图像偏暗, 图像效果较差。 (g) 和 (h) 图分别表示采用OFGA和NFGA的图像增强, 它们都得到了较好的增强效果, 人的视觉都无法清楚的看到的左上角的炮塔也都得到了一定程度的增强。从 (c) 图的两种遗传算法得到的非线性变换曲线可以看出它们将原来比较集中的低像素值区域向高像素值区域扩散, 使输入图像的整体对比度大大提高, 灰度分布均匀。但仔细比较可发现NFGA的效果更好, 它很好的保留细节信息, 如炮塔部分较OFGA更加清晰。其中OFGA增强搜索到的非线性变换曲线中, α=5.154 7, β=9.900;NFGA增强搜索到的非线性变换曲线中, α=4.188 5, β=9.893 0。从图2的四种增强效果的局部放大效果图 (炮塔) 可以更清晰的看出NFGA是一种较好的红外车辆目标的增强方法, 它的增强结果不但提高了红外车辆目标的整体对比度, 同时使车辆目标的细节更明显。

4 结 论

本文提出了一种新的基于模糊理论的图像质量的测量函数, 把它作为遗传算法的适应度函数, 并且结合归一化的非完全Beta变换算子进行红外车辆目标的自适应模糊增强。该方法能够根据不同类型的输入图像, 对非完全Beta函数的α和β参数进行自适应动态调节来实现几种典型的灰度变换曲线的自动拟合, 不但提高了红外图像的整体对比度, 而且很好地保留了红外图像的细节信息, 使红外图像的整体和局部信息都得到了很好的改善, 真正实现红外车辆目标的自适应增强。本文方法在综合性能上优于传统的几种同类方法, 具有一定的应用价值。

参考文献

[1]Gonzalez C, Neamen D A.Digital image processing.Beijing:Pub-lishing House of Electronics Industry, Pearson Education, 2002

[2]舒金龙, 于振红, 朱振福.一种改进的红外图像模糊增强方法.系统工程与电子技术, 2005;27 (6) :957—959

[3]吴盘龙, 李言俊, 张科.一种红外目标图像的自动分割方法.计算机工程, 2006;32 (11) :32—34

[4]周激流, 吕航.一种基于新型遗传算法的图像自适应增强算法的研究.计算机学报, 2001;24 (9) :959—964

模糊增强 篇3

图像识别是人工智能的重要部分, 将识别图像的关键特征点作为比较对象, 通过使用计算机技术对图像识别信息的选取、比较、鉴别、判断, 最终识别出图像的类型及相关数据, 并获得某种我们预期得到的结论。

对图像进行智能识别时, 经常会用到图像智能识别以及增强技术, 通过抽取所需要的图像并综合运用各种方法提高图像质量, 从而增强识别的准确性。在数据记录设备长时间的数据记录后, 如何从中选取出有用的信息, 同时因图像获取端远离接收端, 需要将获得的图像传输到处理设备一侧, 并在这些传输之中进行各种符合格式要求的转换, 在多次传输类型的转换和长距离传输后, 通常会引起图像质量的降低。以上的降低是在假设输入端信号良好的情况下所获得的结论, 但是综合考虑高速运动物体拍摄时的客观条件影响 (如亮度因素、镜头因素、相对运动、高速跟踪等) , 都会使图像的质量下降, 同时在传输过程中, 尤其是模拟信号传输阶段, 必然会引入各种噪声并产生信号的衰减。因此未经处理的图像在信号可识别度及处理速度等方面都具有改进空间, 通过采取一定的技术手段提高数据的识别效能, 提高识别效率, 具有很强的现实性。为解决这一问题, 根据实际需求通过图像智能识别并进行增强处理, 将获得图像中的关键信息凸显出来, 与此同时可以将不需要信息的影响降至最低。

获得的图像通过合理和适合的增强处理后, 可以将原本不清晰甚至是不利于分辨的图像增强至清晰的, 同时包含大量可用信息的图像, 高效率地去除获得图像中的噪点、增强图像的可辨别度和辨别的准确度, 从而更方便对图像中所需要一种简便可行的图像识别处理过程可以增强、分类和匹配等。

1 图像的输入

想要对图像进行处理, 首要工作就是获得所需要的素材, 即使用计算机技术将图像采集下来。针对高速经纬仪拍摄的画面特点和类型, 选取适合的传输手段, 在满足传输速率的情况下尽可能的提高传输质量, 使用数字信号进行传输, 减少损耗, 减少模数、数模转换, 提高效率。

2 获取图像的预处理

对获取的图像进行计算, 是一项运算量很大的工作, 因为我们所需要的信息只是其中的一部分, 因此降低后续算法的复杂度并提高效率是我们不得不关心的一个内容, 因此对图像进行预处理就显得尤为重要了, 这是一项基础性的工作, 如果没有进行预处理, 那么后续的图像识别工作将很难开展下去, 预处理的结果将直接影响最终图像识别的效果和速度。

预处理所要达到的目的是将图像中的噪声尽量消除或减小, 对所需要的部分进行背景分离, 将有效信息区域从大量的信息中抽取出来, 最终提高图像关键点提取能力并增强匹配精度, 便于最终提取出正确的图像特征。一般情况下采取以下方法进行图像信息的预处理。

2.1 方向图计算

方向图广泛应用于图像增强、特征提取、自动分类、方向模版匹配等图像识别的重点处理环节。常规提取方向图的方法分为以下三步:一是进行图像分割, 将图像分割成足够小的子块;二是对获得的每一个子块进行数据分析, 对其中的每一个点进行独立的计算, 可以利用算子分别计算每一个子块中每一个点的x以及y方向梯度;三是根据梯度值, 对每个子块方向进行计算, 从而最终得到图像的方向。

2.2 图像分割

从一般角度讲, 图像分割主要有3大类方法: (1) 基于边缘; (2) 基于区域; (3) 基于纹理。根据高速运动目标的特性, 图像样本算法选择的时候就只能采用基于边缘的这一类算法。

每一幅待处理的图像, 根据所包含的信息可以分为四个区域: (1) 背景区; (2) 不可恢复区; (3) 清晰区; (4) 可恢复区。通过图像分割, 可以将背景区和不可恢复区剔除出去, 剩余的信息就是有用的清晰区和可恢复区了。这一方法可通过三步实现: (1) 首先分割出背景区域; (2) 再从前景中分割出模糊区域; (3) 最后从模糊区域分割出不可恢复部分。

总体上说, 用于图像分割的方法根据所要处理图像的特点各有利弊, 仅仅采用某种特定的图像分割方法不能达到所要获得的效果。因此可以结合多种方法的优点, 祛除不利的方面, 综合运用多种方法, 构造一种多级分割的立体体系结构。通过分割处理的图像不仅为后续工作节省了运算时间, 同时也提高了识别的准确性。

3 图像增强

通过对某型经纬仪设备拍摄高速运动目标图像分析, 可使用较为简单但有效的灰度变换进行图像增强处理。利用matlab图像工具箱提供的函数imhist () 观察Mr.bmp的直方图。

为了将图像中有用的信息抽取出来, 剔除无用信息的灰度区间, 通常使用分段线性变换的方法, 通过将整个灰度值的区间平均分成若干条线段, 并将每一个直线段同一个局部的线性变换关系一一对应。

采用这一方法的好处是可以根据实际目标特性需要, 调整目标的灰度细节, 可以将无关信息的灰度区间删除, 突出所需目标相关信息。

MATLAB软件中, imadjust函数可以实现图像的灰度变换, 通过直方图变换调整图像的对比度。由于原始图像的灰度较暗, 对比度不够强烈, 所以调用Matlab图像工具箱提供的函数imadjust () 对其进行修正。通过对使用需求的针对性分析, 可以充分利用图像中的亮度信息, 明显改善图像的清晰度和对比度。

4 图像分类匹配

特征提取能够将所需要处理目标的图像信息, 通过数值特征用唯一的形式表达出来, 尽最大可能地保留所需信息, 删除无用信息。在高速运动目标模糊图像智能识别增强方法研究中, 如何减少识别时间、降低计算复杂度, 提高最终识别能力, 这些都需要将获取的图像精确、快速的地归类进入到已存储在计算机中的不同目标属性的图像数据库中, 通过多次处理最终形成的数据信息要与数据库中存储的若干目标图像信息进行匹配和比对, 通过计算它们之间的相似程度和特征点, 识别出获取图像的属性信息。

5 结语

图像智能识别增强技术实现的方法有许多种, 只采用某一特定方法难以取得良好效果, 这里只是提供了一种可能的选择。采用更实用、简便的图像处理算法, 在减小计算量的同时提高识别率和识别速度, 最终通过图像识别和增强处理, 提高判读效率和准确性是下一步研究的重点和方向。

参考文献

[1]杨小冬, 宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报, 2004, 40 (4) :424—431.

[2]基于自相关的匀速运动模糊尺度参数识别[N].国防科技大学学报, 2006.28 (5) :123-125.

模糊增强 篇4

在计算机技术不断更新发展的今天,图像处理技术成为计算机应用研究的重要方面,处理技术水平也有了很大程度的提高。所谓图像,其实是对客观世界的一种相似性的映像,是对客观世界的一种较为真实的记录。在当前信息社会背景下,图像作为一种相对真实、客观的信息,在各方面都发挥了重要作用。图像处理技术的改进和发展,更使得图像信息的利用更加地切合人意。遥感图像是一种很重要的图像信息,依据其采集方式的不同主要分为卫星遥感图像和航空遥感图像两种。通过对记录的遥感图像的分析和处理,可以将这些图像信息应用到社会科学发展和人类日常生活的各个领域,为科学技术的发展和人类生活质量、生活水平的提高做出了重要贡献。由于遥感图像在采集、拍摄以及传输的过程中都会受到诸如传感器性能、大气扰动等外界客观因素的影响,就会出现所接收到的遥感图像失真、模糊等现象,这种情况下所获得的遥感图像是不便于人们直接利用的,因而遥感图像模糊增强等就显得尤为关键。本文正是基于此问题做出了以下一系列探讨。

2 感图像模糊增强理论概述

2.1 遥感图像模糊增强概念

遥感图像模糊增强是指利用特定的图像处理技术对采集到的原始遥感图像进行一系列的数字化处理,从而达到提高遥感图像辨识度和遥感视觉效果的目的。经过模糊增强处理后的遥感图像能够更加清晰、准确地反映实际拍摄状况,最大程度地还原真实境况,便于人们对遥感图像信息的利用。

2.2 遥感图像模糊增强基本原理

就图像处理技术而言,图像模糊增强是一项基本的图像处理技术。因遥感图像其拍摄环境及背景的特殊性,大多数拍摄出来的遥感图像不能够为人们直接利用,从而需要对遥感图像进行基本的模糊增强处理,是遥感图像中人们所需要的信息部分突出显示,对于利用率较低的图像部分可以提出或者弱化,使得图像的对比度增加,达到提高遥感图像辨识度的目的。这是遥感图像模糊增强的基本原理。

遥感图像所传递和表达的信息,无论是空间上的还是物理上的,都是一种高度的非线性的信息,它所表现出来的信息内容只是一个空间轮廓,其内部具体的机理状况并不能为人们清晰的感受到。通常情况下,人们会采用设定阈值的方法来对图像进行增强处理。但是遥感图像本身具有不确定性和复杂性,因而在这种情况下难以判定到底该对原始图像的哪一部分实行增强处理。把模糊理论应用到遥感图像增强处理当中就能够很好地解决这一状况。模糊技术能够有效地消除遥感图像的不确定性,能够较为快速而准确地确定遥感图像的表达内容,提高处理的效率和效果。

2.3 遥感图像模糊增强具体操作步骤

对遥感图像进行模糊增强处理时,首先要对遥感图像所反映出的空间域中的原始的图像信息进行模糊化映射处理,从而使其成为特征平面中的模糊图像数据。其次,需要利用非线性变换的原理对模糊化映射处理后的特征图像作进一步的处理。最后需要对进一步处理后的信息再反过来映射到空间域当中去,就能够获得增强后的遥感图像。

3 遥感图像模糊增强的内容及目的

遥感图像的增强的目的总的来说是为了提高图像的辨识度从而方便科学发展研究和人类社会生活的利用。具体来说表现在以下方面 :调节原始遥感图像的灰度,增强图像的对比度 ;突出需要特别现实的内容信息,增强图像的锐化度 ;除或弱化原始遥感图像中不需要的信息内容,使图像更为平滑 ;另外为了使得遥感图像更加容易辨识和判读,通过图像模糊处理后的遥感图像能够合成彩色图像,更加便于人们利用。

遥感图像模糊增强主要包括空间域的增强、频率域的增强以及彩色增强三部分。其中空间域的增强主要涉及线性变换、直方图的处理等 ;频率域的增强方面主要涉及的是遥感图像的锐化和平滑处理 ;随着人们对遥感图像应用范围的不断扩大和应用要求的不断提高,遥感图像的彩色处理的需求的逐渐增多,其彩色增强处理主要包括彩色增强和彩色变换等。

4 遥感图像模糊增强的方法研究

4.1 模糊集合理论的应用

模糊集合理论的应用能够有效地解决遥感图像的模糊性和不确定性带来的困扰,通过模糊的逻辑推理方式能够较为便捷地消除因灰度问题而带来的遥感图像的不确定性,增强图像的辨识度。

对于模糊集合理论在图像增强处理上的应用最早应该是Pal和King,他们在这方面的实践取得了很好的效果,在这之后又在原来的基础上又许多改进,更加证明了模糊集合理论和模糊逻辑推理方式应用的可行性。

Pal和King提出的有关遥感图像模糊增强的算法其运算速度很快,能够通过查表很容易的实现,并且这种情境下所分析处理过的信息损耗小,原始遥感图像的灰度较低的部分也能够较好地保存下来,但是下的有些数值的选取具有随机性,没有完善的理论支撑。

4.2 最大 TSALLIS 熵原则下的遥感图像模糊增强

这种方法是近期有关学者提出来的一种新型算法下的遥感图像模糊处理模式,是笔者较为支持的一种理论模式。遥感图像的获取由于受到外界各种客观因素的影响使得必须对其进行增强处理才能够为人们所直接利用。传统的模糊集合理论的应用能够较好地消除遥感图像中的不确定性,但是由于这种方法存在一些弊端,因而在后来的理论发展中就在这一理论基础上提出了一些改进的方法,即最大Tsallis熵原则遥感图像模糊增强法。

最大Tsallis熵原则的遥感图像模糊增强是在最大熵原则的基础上,根据遗传算法得出图像灰度的最佳分类阈值,利用新的隶属度函数和增强算子的方法对遥感图像进行模糊增强。这种方法能够更好地改善遥感图像的显示效果,便于人们的判读和利用。这种方法除了在单阈值的图像模糊增强上的应用,在多阈值图像模糊增强的应用上也有很好的效果,但是也存在运算耗时参数值不易确定等缺点。

5 结语

模糊增强 篇5

1、刑事模糊图像形成因素

模糊图像处理是对由于介质、客观环境等因素造成的模糊图像和退化图像进行校正处理, 使其清晰化, 以利于图像研判。刑事图像的模糊有多种因素造成:一是非正确曝光退化, 如非线性退化等;二是离 (散) 焦模糊, 对焦不实使物体不能清晰的成像于焦平面上;三是运动模糊, 运动模糊是指在曝光瞬间, 照相机与被摄物体间有相对运动;四是噪声干扰致使图像模糊不清;五是监控视频模糊, 如安装位置不合适、光线太暗或太亮、目标运动过快、摄像镜头对焦不实等, 往往使影响资料变得模糊不清。

2、Retinex算法原理及应用特性

2.1 Retinex理论概述

Retinex (视网膜“Retina”和大脑皮层“Cortex”的缩写) 理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统 (Human Visual System) 的图像增强理论。该算法的基本原理模型最早是由Edwin Land (埃德温·兰德) 于19世纪70年代提出的一种被称为具有颜色恒常性的色彩理论, 并在颜色恒常性的基础上提出的一种基于此理论的图像增强方法。Retinex理论的基本内容包括物体的颜色是由物体对长波 (红) 、中波 (绿) 和短波 (蓝) 光线的反射能力决定的, 而不是由反射光强度的绝对值决定的;物体的色彩具有一致性, 不受光照非均性的影响, 即Retinex理论是以色感一致性 (颜色恒常性) 为基础的。鉴于Retinex原理, 对于观察图像S中的每个点 (x, y) , 用公式可以表示为:

其中, S (x, y) 为所观察的图像, R (x, y) 是反射物体图像, L (x, y) 为入射光图像。

2.2 Retinex算法的应用特点

Retinex理论的基本思想就是将原始图像看成是由照射图像和物体反射属性组成, 照射光图像直接决定一幅图像中像素能够达到的动态范围, 物体反射属性决定了图像的内在性质, 因此, 在原始图像中去除或降低照射图像的影响从而保留本质的反射属性是Retinex理论的基本思想。Retinex算法具有锐化、颜色恒常性、动态范围压缩大、色彩逼真度高等特点。

传统的图像增强算法, 如线性变换、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算法可以在动态范围压缩、边缘增强和颜色恒常三方面达到平衡, 因此可以对各种不同类型的图像进行自适应性地增强。

3、Retinex算法对数字模糊图像处理的适用

3.1 Retinex算法对图像的预处理

在多种以Retinex为核心的算法中, 单尺度 (Single-Scale Retinex, SSR) 算法和多尺度 (Multi-Scale Retinex, MSR) 算法是最具有代表性和最成熟的算法。利用多尺度Retinex灰度图像增强算法对灰度图像进行增强, 在图像的预处理阶段对噪声进行滤除, 做到改善图像颜色恒常性, 压缩图像动态范围, 提高对比度, 有效显示淹没在阴影、光照等区域中的细节, 为下一步的特征提取提供必要的条件。

3.2 Retinex算法对场景模糊图像的增强

场景的干扰常常致使物体成像模糊, 如雨雾天条件下, 户外景物的对比度和颜色发生退化, 计算机视觉系统无法正确检测与跟踪场景中目标, 这就需要对雨雾天图像或视频作清晰化处理。Retinex理论及相关算法是图像增强的新思路, 其理论基础是色彩的恒常性, 它通过模拟人眼观察场景的方式, 恢复因图像采集设备限制而丢失的场景细节, 达到增强图像对比度, 还原物体真实色彩的目的。

3.3 Retinex算法对图像细节特征的增强

在图像处理和计算机视觉领域, 特征提取被广泛运用, 其效果很大程度上取决于图像的质量。图像在采集的过程中, 多变的光照条件、物体间相互遮挡、采集设备自身限制等因素都会影响图像质量, 要想对质量差的图像进行特征提取非常困难。基于Retinex理论的图像增强算法能减少计算时间, 将多种计算函数相结合, 能够有效地重建图像细节达到增强图像的目的, 使增强后的图像更适合于细节特征的提取。

Retinex算法是数字图像处理的新算法, 与其他传统图像处理算法相比, 具有很大的优势, 能大量保留提取图像的细节特征。在刑事图像处理工作中, 技术人员所感兴趣的就是对侦破案件有用的细节特征。刑事图像工作遇到的问题及其产生原因都是其他领域图像处理所共有的, 因此, Retinex理论同样适用于刑事图像处理研究, 将基于Retinex理论的各种改进的Retinex算法直接应用到刑事模糊图像处理工作中, 势必会给当前的刑事模糊图像处理工作打开新的局面。

参考文献

[1]李权合, 毕笃彦, 时平, 何宜宝.基于Retinex和视觉适应性的图像增强[J].中国图形图像学报, 2010, 15 (12) :1728-1732.

[2]乔小燕, 姬光荣, 陈雾.一种改进的全局Re tinex图像增强算法及其仿真研究[J].系统仿真学报, 2009, 21 (4) :1185-1197.

[3]刘茜, 卢心红, 李象霖.基于多尺度Retinex的自适应图像增强方法[J].计算机应用, 2009, 29 (8) :2077-2079.