灰度变换

灰度变换（精选4篇）

灰度变换 篇1

0 引言

由于红外成像机理、红外传输特性、传感器件本身以及环境因素的影响,其成像质量远远低于可见光图像,导致了红外图像呈现出分辨率低、对比度低、灰度范围窄、边缘模糊、信噪比较低等缺点[1]。插值放大是改善红外图像空间分辨率的有效途径,传统的图像插值方法有最近邻插值、双线性插值和高次多项式插值等[2]。最近邻插值简单地将邻近像素进行复制,使得放大图像中的方块效应及边缘锯齿现象难于避免,从而破坏了边缘或轮廓的正则性;双线性插值法利用源像素点周围邻近的4个像素点的线性平均权值来计算目标像素点的值,这样虽然可以得到较好的整体效果,消除了方块效应,但图像的边缘会变得模糊,细节部分不够清晰;高次多项式插值放大虽然效果比最近邻插值、双线性插值要好,但运算复杂,也同样会出现边缘模糊等问题。本文将传统的线性插值算法与正弦灰度变换相结合,提出一种新的红外图像插值放大方法,具有插值放大图像清晰度高,运算量小的特点。

1 正弦灰度变换

灰度映射变换是一种最简单的但却非常有效的空间域对比度增强方法[3,4],已广泛应用于红外图像的增强处理。它是根据红外图像灰度分布特点,寻找一种映射函数f,把原始图像灰度x(i,j)映射到新的图像灰度y(i,j),该映射具有低灰度(背景)压缩及高灰度(目标)增强的功能。灰度映射变换法是直接对像素灰度进行映射变换,计算量小,可实现图像的实时处理。虽然该方法存在确定变换函数比较困难,且通用性差的缺限,但由于实时性好,受到许多学者的关注。目前,常用的映射函数采用S曲线,有双曲正切、幂函数和伽马函数。由于这些函数均通过渐近线取得极限值,而且大部分是关于拐点对称的[5],会导致部分灰度区域无法达到,而且不能够结合图像灰度特征进行针对性增强[6]。

本文提出一种新的非线性S形状映射曲线。该S形状映射曲线由两段正弦曲线组合构造而成,其导数是光滑的,灰度伸缩性能好;灰度伸缩的拐点及伸缩强度均可控制,应用灵活方便,通用性强。数学表达式为

式(1)的波形图见图1。整个映射曲线呈S形状,q为拐点,其参数独立可调;指数因子k改变变换曲线各部分的斜率,k值的范围为k≥0。k=0时,g(x,y)=f(x,y),无增强作用;k值增大时,对灰度的伸缩强度增大,增强效果增加。结合图像灰度特征选择q和k的参数值,可获得较好的增强效果,并且正弦函数易于实现,运算简单。

如何选择拐点q的参数,是本文的一个重点问题。通过直方图分析可以把图像灰度分为目标和背景,对红外图像来说,一般情况下,背景区域温度较低,相应的图像灰度值相对较小,而目标区域温度较高,图像灰度值相应较大。因此,可将红外图像的目标与背景分离的阈值作为拐点q的参数值,这样式(1)就可实现低灰度(背景)压缩及高灰度(目标)增强的功能。红外图像分割阈值的方法有很多[7,8],这些方法虽然准确,但计算量大。本文采用简单的平均灰度方法,即:

式中:Wi为点(x,y)的邻域,邻域中像素的数目为m。

2 基于线性插值和正弦灰度映射的图像放大

由于线性插值运算量较少,又能在一定程度上保证图像质量[9]。本文采用线性插值与正弦灰度映射相结合,实现高质量、快速的红外图像插值放大。具体方法如下:

1)对于任一插值点(x,y),先采用双线性插值法计算该点的初步插值f(x,y);

2)在插值点附近取一邻域W,计算W内像素的平均灰度值t,并搜索W内最大灰度值fmax和最小灰度值fmin;

3)将平均灰度值t作为式(1)中的拐点q值,最大灰度值fmax和最小灰度值fmin分别作为式(1)中的b和a的值,选择合适的k值,按式(1)对初步插值f(x,y)进行正弦变换,将变换值g(x,y)作为最终的插值;

4)对所有插值点按以上三个步骤全部进行处理,即可获得最终插值图像。

本文以插值点邻域平均灰度值作为拐点q值,对初步插值f(x,y)进行伸缩增强处理,其策略是:对低于邻域平均灰度值的插值视为背景进行压缩,对高于邻域平均灰度值的插值视为目标进行扩展,以达到增强插值图像目的,克服线性插值带来的边缘模糊缺限。实验证明,该策略不仅简单而且增强效果好,插值图像清晰度得到有效提高。

本文方法将线性插值与正弦灰度映射增强二者有机结合,具有二个优点:一是由于利用了原始图像的插值点邻域局部信息进行增强,是一种有指导性的增强,所以插值后的图像不仅清晰度高而且失真小;二是只需对原始图像像素进行一次扫描处理,运算量减少。若将插值与增强二者分开独立进行处理,则各需一次对图像进行扫描处理,运算量增大。

3 实验结果

为验证本文算法的有效性,将本文算法与传统的双线性和三次多项式插值法进行对比实验。实验图像为两幅电力设备红外热像灰度图像,见图2(a)和图3(a),放大倍数为3倍。实验中,本文算法的有关参数选择为:邻域W大小取4×4,对于图2(a),式(1)中k取3,对于图3(a),k取4。插值放大效果的定量评价指标采用熵(Entropy)和平均梯度(Gavg):

其中:

式中:M、N分别是图像f(x,y)的长和宽。平均梯度反映了图像中微小细节反差与纹理变化特征及清晰度,平均梯度越大表示放大图像清晰度越高,放大效果越好。图像的熵(Entropy)反映图像包含的信息量,熵越大,信息量越大,插值放大效果越好。实验结果数据如表1所示,三种算法的插值放大图像如图2和图3所示。

在主观评价上,由图2~图3可见,双线性插值放大图像边缘比较模糊,三次多项式插值法优于双线性法,而本文算法的边缘清晰度最高,优于其它二种算法。在客观评价上,由表1可知,本文算法的图像平均梯度和熵值最大,插值放大效果最好,这正好与主观评价的结果保持一致。实验结果表明,本文算法对于提高插值图像清晰度和改善插值图像的质量是有效的。

4 结论

传统的线性插值法具有算法简单、计算量小、易于硬件实现的特点,但存在插值图像边缘模糊问题。本文将线性插值与正弦灰度变换增强二者有机结合提出一种新的图像插值放大方法,先采用双线性插值法计算插值点的初步插值,然后采用正弦灰度变换进行伸缩增强处理作为最终插值。正弦灰度变换函数为两段正弦曲线构造的S型变换曲线,灰度伸缩的拐点及伸缩强度参数独立可调,拐点值及灰度动态范根据插值点邻域局部信息进行设置。实验结果表明本文方法的插值图像清晰度高、边缘保护性能好,并且运算量小,有一定工程实用价值。

摘要：将线性插值与正弦灰度变换增强二者有机结合,提出一种新的红外图像插值放大方法。先采用双线性插值法计算插值点的初步插值,然后采用S形正弦灰度变换曲线进行增强处理作为最终插值。充分利用线性插值具有的算法简单、计算量小优势,同时又克服了线性插值带来的图像边缘模糊缺限。实验结果表明,本文方法的插值效果优于传统的双线性插值法。

关键词：红外图像,图像插值,双线性插值,正弦灰度变换

参考文献

[1]于天河,郝富春,康为民,等.红外图像增强技术综述[J].红外与激光工程,2007,36(S):335-338.YU Tianhe,HAO Fuchun,KANG Weimin,et al.Summarization on the infrared image enhancement technology[J].Infrared and Laser Engineering,2007,36(S):335-338.

[2]李怀琼,陈钱,隋修宝.基于边缘保护的红外图像插值放大算法[J].兵工学报,2006,27(4):655-658.LI Huaiqiong,CHEN Qian,SUI Xiubao.An Edge-preserving-based Infrared Image Interpolation Algorithm[J].Acta Armamentarii,2006,27(4):655-658.

[3]Peli E.Contrast in Complex Images[J].Optical Socrety of America(S1084-7529),1990,17(10):578-589.

[4]Ampazis Nikolaos,Perantonis Stavros.Two Highly Efficient Second-order Algorithms for Training Feed Forwards Networks[J].IEEE Transactions on Neural Networks(S1045-9227),2002,13(5):1064-1074.

[5]雷小丽,党群.一种新的非线性变换法实现图像增强的方法[J].光子学报,2007,36(B06):346-348.LEI Xiaoli,DANG Qun.A New Image Enhancement by Non-linearity Transform Method[J].Acta Photonica Sinica,2007,36(B06):346-348.

[6]寇小明,刘上乾,洪鸣,等.一种自适应红外图像增强技术[J].西安电子科技大学学报:自然科学版,2009,36(6):1070-1074.KOU Xiaoming,LIU Shangqian,HONG Ming,et al.Approach for adaptive infrared thermal image enhancement[J].Journal of Xidian University,2009,36(6):1070-1074.

[7]黎育红,周建中,丁威.基于自适应阈值的红外图像增强[J].科学技术与工程,2010,10(4):922-927.LI Yuhong,ZHOU Jianzhong,DING Wei.Self-adaptive Thresholding Based Infrared Laser Images Enhancement[J].Science Technology and Engineering,2010,10(4):922-927.

[8]李佐勇,刘传才,程勇,等.红外图像统计阈值分割方法[J].计算机科学,2010,37(1):282-286,298.LI Zuoyong,LIU Chuancai,CHENG Yong,et al.Statistical ThreshoIding Method for Infrared Images[J].Computer Science,2010,37(1):282-286,298.

[9]王杰,李洪兴,王加银,等.一种图像快速线性插值的实现方案与分析[J].电子学报,2009,37(7):1481-1486.WANG Jie,LI Hongxing,WANG Jiayin,et al.A Scheme and Its Analysis for Fast Linear Image Interpolation[J].Acta Electronica Sinica,2009,37(7):1481-1486.

灰度变换 篇2

1 Hough变换原理

Hough变换的基本思想是将图像空间变换到Hough (参数) 空间, 用图像中大多数点描述Hough空间中的某种参数形式来描述图像空间中的线, 通过设置累加器进行记忆, 求的峰值对应点的信息。Hough的最大优点是将图像空间中的较难的全局最优问题转化为Hough空间中相对较简单的峰值问题。

1962年, Paul Hough提出利用数学对偶原理提出了检测图像空间直线的新方法, 该方法经过众多学者的研究发展取得的比较好的应用效果, 目前Hough主要应用于二值图像空间中的直线检测。

直角空间中的一条直线对应Hough空间中的一个点 (m0, b0) , 见图2, 如图3所示, 平面直角坐标系当中直线L0的表达式为:

式 (1) 当中k为直线斜率, b为直线的截距, 直角坐标系中直线L0上不同的点变换到Hough空间中为不同直线的交点。即Hough空间中两条线的交点 (k0, b0) 用来表示过点 (x1, y1) 和点 (x2, y2) 的直线。可见, 如果能够找到Hough空间中的点P就能确定图像空间中的一条直线。这样图像空间中检测直线问题就转化为Hough空间中点的检测问题。

这样的话存在一个问题是Hough空间中表示不出垂直线, 因为垂直线的斜率为无穷大。不过我们可以采用将直角坐标与极坐标的变换关系找到直线方程的参数方程, 对于图像空间中的直线, 其极坐标方程为:

如图4所示, r为原点到直线的距离, θ为r与横轴的夹角。R与θ共同决定的直线在平面中的位置。这样这样经过Hough变换, 图像空间中的每个点 (x, y) 就被映射为一个 (r, θ) 空间中的正弦曲线, 而图像空间中共线的点所对应的 (r, θ) 空间中正弦曲线相交于一点。把在图像空间中检测直线的问题转化为在极坐标参数空间中找通过点 (r, θ) 的最多正弦曲线数的问题。

2 Hough变换的实现步骤

由于摄像头采集到都是二维离散数据, 因此我们可以利用Hough变换的性质, 按下列步骤实现:

1) 根据实际情况将r、θ进行离散化;

2) 根据r、θ的离散情况将参数空间分为a×b个单元, 其中a为r的离散份数, b为θ的离散份数, 并给每个r、θ设置累加器ADD (i, j) ;

3) 将累加器ADD (I, j) 初始值置零;

4) 将图像空间中的离散值 (x, y) 带入式 (2) 中, 并根据离散的值计算出r;

5) 利用累加器记录相应的θ值对应的r出现的次数;

6) 当所有的离散点都经过以上步骤时, 根据累加器找到出现最多次数r对应的θ及r;

通过以上步骤, 我们实现了图像空间到Hough空间的变换。

3 Hough变换在摄像头智能小车上的实现

我们以MC9XS128为主控器通过OV7620摄像头采集数据, 并利用边缘检测算法实现黑线的提取得到图像空间的二位离散数据, 然后通过Hough变换实现直线的检测并得到直线的 (r、θ) , 从而获得智能车的控制参量对智能车实现更加准确的控制。我们通过串口通信利用Labvie w做上位机得到经过MC9XS128处理后的图像。下图5为经过Hough变换检测得到的直线图像。可见通过霍夫变换我们可以很容易得到跑道赛道线的斜率以及截距, 这为我们对智能车的控制带来的极大的方便。

霍夫变换检测直线

4 结语

对于赛道出现的弯道情况, Hough检测出的为曲线的切线, 仍然能够很好的反应出赛道的变化情况。我们将Hough变换应用到摄像头智能车的控制当中, 比较方便的得到了赛道的变化情况以及智能车的控制参数, 通过实践我们发现这种应用极大的提高了智能小车的运行效率与控制精度。

参考文献

[1]唐佳林, 王镇波, 张鑫鑫.基于霍夫变换的直线检测技术[M].科技信息.

[2]曾接贤, 王斌斌, 陈志良.基于距离约束的随机Hough变换直线检测算法.南昌航空大学学报[M].2011.

灰度变换 篇3

1 冗余小波变换

冗余小波变换(Redundant Wavelet Transform,RWT)也称为加性小波变换(Additive Wavelet Transform)[4]，是一种在相邻尺度上的分解结果间具有冗余的小波变换。RWT基于àtrous算法，其基本思想为:把信号或图像的高低频信息分离，将其分解为不同频率通道上的近似信号和小波面。àtrous算法可看成是针对图像滤波选取合适卷积核的过程。源图在进行J级分解后会得到一个相似平面和J个小波平面组成的图像序列{aJ(l),w1(l),w2(l)，…，wJ(l)}具体的分解过程如下

式中，l表示源图;H为低通滤波器;ai(l)为l的第i级相似平面;wi(l)为l的第i级小波平面。由上述分解过程可得出，重构过程如式(2)所示。

2 冗余小波多聚焦图像融合

2.1 多聚焦图像融合

在光学成像中，图像成像在聚焦平面则清晰，成像在非聚焦平面则模糊。在图像拍摄过程中由于聚焦点的差异，会造成图像出现清晰区域和模糊区域的区别。成像系统在分辨率上的不断提升，仍无法避免光学镜头在有限聚焦范围对成像的整体影响。多聚焦图像融合的目的在于将不同图像中表征的清晰区域融合为一幅图像，同时避免引入虚假信息造成失真。清晰图像的高频系数要远大于模糊图像的高频系数[5]。基于此故可将多聚焦图像相应像素内的高频信息作为聚焦区域和离焦区域的判断依据[6]。结合多聚焦的图像成像机理，本文提出一种基于冗余小波变换的多聚焦图像融合算法。

2.2 基于冗余小波变换的图像融合框架

如图1所示为基于冗余小波变换的融合框架，利用冗余小波变换对源图进行J级分解，可得到每幅对图像对应的一组分解图像序列{aJ(l),w1(l),w2(l)，…，wJ(l)}与源图像相比，所得序列中每个元素图像尺寸都与源图像保持一致。包含源图像的空间低频信息以及原图像的空间特征或细节在一定尺度上的体现，由相似平面aJ和小波平面wJ经融合后得到新的融合序列，将融合序列进行重构，最终得到融合图像lL。具体可分为以下几个步骤:

(1)对源图A、B分别进行J级冗余小波分解，获得对应相似平面系数和小波面系数。

(2)分别利用对用的融合规则对低频近似平面系数及高频小波面系数进行融合，所得到的融合图像lL的新序列为{aJ(l),w1(l),w2(l)，…，wJ(l)}。

(3)将图像新序列进行冗余小波逆变换重构出融合图像lL。

3 多聚焦图像融合算法

融合规则是图像融合算法的核心，不同的融合规则会得到不同的融合规则。研究表明[7]，图像的低频系数决定了图像的大致轮廓，而图像的高频系数则决定了图像的清晰度，因此在融合过程中对于低频好高频信息应采用不同的融合规则。

3.1 低频信息融合

加权平均法是低频信息融合经常使用的融合算法[8]，因为使用过程中其权重系数可变换，对噪声可有效地进行抑制，且适用范围广，但加权平均法会造成图像对比度下降，可能会引入一些干扰信息。对于多聚焦图像而言，主要是确定聚焦与离焦所对应图像的区域。为提高清晰度量的准确性，本文采用基于局部区域的低频近似平面系数选择，提出在冗余小波变换中引入区域向量范数的概念，以其作为清晰量测算子。定义区域向量范数如下:

(1)定义在点(m,n)出的J维小波面系数向量V(m,n)

其中，w(l)(m,n)为高频小波面系数。

(2)小波面系数向量范数

(3)定义区域向量范数

局部区域M×N一般取为3×3,5×5等。

设V1与V2的比值大于阈值T，则点(m,n)就趋向图像l1的聚焦区域，清晰度更高，此时低频近似平面系数可选择图像l1处(m,n)的低频近似平面系数。同理，若V2与V1的比值大于阈值T，则选取图像l2处(m,n)的低频近似平面系数。而在其他情况下，点(m,n)趋向于两幅图像的边缘区域，此时对低频近似平面系数采取加权平均的方法，如式(6)所示

其中，T为实验阈值，其值由具体的融合实验确定。

3.2 高频信息融合

一幅图像的模糊与暗沉程度是图像细节信息与亮度信息的表征，也是高频信息丢失程度的反映。也因此在图像融合过程中，高频信息处理的要求相对较高。对于高频系数的处理，通常采取基于最大值的融合规则[9]，以尽可能地提取图像的细节信息，但同时也造成了容易将干扰噪声信息引入到融合图像中[10]。本文提出基于局部对比度的高频小波面系数融合规则，在冗余小波变换中引入局部对比，以最大程度得到图像的详细信息。在j尺度层(m,n)处，定义图像局部对比度

其中，相当于低频相似平面aj在点(m,n)处的区域均值，即

局部区域M×N一般取3×3,5×5等。

为使多聚焦图像的清晰区域图像能完整地输入到融合图像中，高频系数的选择应与低频系数的选择保持一致，故整理如下

由以上融合规则可得到融合图像的RWT系数，经冗余小波逆变换，就可以获得重构的融合图像。

4 实验与结果与分析

为验证该算法的有效性和正确性，实验选取同一场景的多聚焦图像进行融合实验，这里选取其他3种融合算法作为对比对象，分别为:基于拉普拉斯的金字塔变换(Laplacian Pyramid Transform,LPT)的图像融合算法、基于离散小波变换(Discrete Wavelet Transform,DWT)的图像融合算法以及基于冗余小波变换(RWT-Sample)的图像融合算法。选取的对比算法采用普遍的低频系数取平均，高频系数取模最大值的融合规则。4种算法的图像多尺度分解级数都选取为3级;基于DWT或RWT＿Simple和本节的融合算算法中，均采用“db4”小波滤波器对图像进行分解和重构。图2和图3为选取的左右聚焦源图，各算法融合图像如图4～图7所示。

本文采用信息熵、交叉熵、标准差及平均梯度4个指标进行客观评价，由表1可知本文算法熵值最高，交叉熵最低，标准差最小，平均梯度值最高，即图像信息保存较好，边缘信息保留较完善，且清晰度高，综合评价指标好，本文算法具有更好的融合效果。

5 结束语

本文在基于冗余小波变换的灰度多聚焦的图像融合的思想，提出低频系数引入区域向量范数和高频系数局部对比度新图像融合算法，实验结果对比LPT算法、DWT算法、RWT＿Simple算法证明本文算法融合图像效果更好。根据客观综合评价指标可以得出，本文的算法在图像融合中相比其他算法有更好的有效性和准确性。

参考文献

[1]Zhong Zhang,Rick S Blum.A categorization of multiscaledecomposition-based image fusion schemes with a performance study for a digitial camera application[J].Proceeding of the IEEE,1999,87(8):1315-1326.

[2]Sweldens W.The lifting scheme:a construction of second generation wavelets[J].SIAM Journal of Mathematical Analysis,1997,29(2):511-546.

[3]Bijiaoui A,Strack J L,Murtagh F.Restauration des images multi-e chelles par-l'algorithme a trous[J].Traitement du Signal,1994,11(3):229-243.

[4]Chibni Y.Multisource image fusion by using the redundant wavelet decomposition[J].PROC.on IEEE Internatinal Geoscience and Remote Sensing Sym Posium,2003(2):1383-1885.

[5]张强,郭宝龙.基于非下采样的多聚焦图像融合[J].信号处理,2009,89(7):1334-1346.

[6]陆欢,吴庆宪,姜长生.基于PCA与小波变换的彩色图像融合算法[J].计算机仿真,2007,24(9):202-205.

[7]Prella G.A general framework for multiresolution image fusion:from pixels to regions[J].Information fusion,2003(4):258-280.

[8]刘贵喜,刘纯虎,凌文杰.一种基于小波多分辨率分解的图像融合算法[J].光电子激光,2004,15(3):343-347.

[9]Huntsberger T,Jawerth B.Wavelet based sensor fusion[J].Hangzhou:Proceeding of SPIE,1993.

灰度变换 篇4

图像增强技术是数字图像处理的基本内容之一,是指按特定的需要增强一幅图像中的某些信息,同时削弱或去除某些不需要信息的处理方法。其主要目的是使处理后的图像对某些特定的应用来说,比原始图像更适用。因此,这类处理是为了某种应用目的而去改善图像质量的。处理的结果并不能增强原始图像的信息,而只能增强对某种信息的辨别能力,而这种处理有可能损失一些其他信息。图像增强技术主要包括直方图修改处理,图像平滑处理,图像锐化处理及彩色处理技术等。

直方图均衡化对图像的增强效果较好,算法简单,执行效率高,是一种常用的图像增强算法,但是该算法在光照不均匀、暗部信息丰富的灰度图像进行增强时存在以下问题:1)高照度区域细节丢失;2)暗部噪点较多。针对以上两个问题,本文提出了一种新算法。

1 直方图均衡化

概括的说,直方图均衡化就是把一已知灰度概率分布的图像,经过一种变换,使之变成一幅具有均匀灰度概率分布的新图像。算法的数学表达式如下:

$s{}_k={\displaystyle \sum _{j=0}^k\frac{n{}_j}{n}}k=0,1,\cdots ,L-1(1)$

其中,L为原始图像的灰度级数,nj为灰度级为j的像素个数,n为总像素个数。

经过直方图均衡化增强的图像,占有较少像素的灰阶被合并,占有较多像素的灰阶被拉伸,该方法有效地增强了图像的对比度。但是同时在合并的灰阶上,会丢失图像的细节,在被拉伸的灰阶上,噪声也会相应地被放大,产生如前文所述的问题。文献[4]对于照度不均匀的灰度图像进行直方图均衡时,会出现暗部噪声过多,亮部细节丢失的现象。

2 幂次变换

幂次变换的基本形式为:

s=crγ (2)

其中c和γ为正常数。当c取1,γ取不同值时,可以得到一簇变换曲线,如图1所示。

由图1可以看出,当γ<1时,幂次变换将窄带输入暗值映射到宽带输出,将宽带输入亮值映射到窄带输出值;当γ>1时,幂次变换将宽带输入暗值映射到窄带输出值,将窄带输入亮值映射到宽带输出值;当γ=1时,即为正比变换。因为本文要讨论的是照度不均匀的灰度图像,同时暗部有需要的大量细节,所以采用的γ值小于1,对图像的处理效果是降低了图像的亮度差异,均衡了整体亮度,然而同时也使得暗部对比度降低,图像细节表现能力差。

3 改进模型及算法求解

3.1 算法模型

本文提出的算法,综合了直方图均衡化和幂次变换的优点,对原始图像分别进行直方图均衡化和幂次变换处理,然后再进行非线性叠加,得到最终结果,流程图如图2所示。

基本步骤如下:

1) 对原始图像进行传统直方图处理,得到图像Z,数学表达式如下:

$s{}_{{\rm Z}}={\displaystyle \sum _{j=0}^k\frac{n{}_j}{n}}$k=0,1,…,L (3)

2) 对原始图像进行幂次变换,得到图像M1和M2,数学表达式如下,其中γ分别取值0.5、0.4;

sM1=cγ (γ=0.5, c=15.97) (4)

sM2=cγ (γ=0.4, c=27.79) (5)

3) 对图像Z、M1、M2进行非线性变换,得到图像X1,数学表达式如下:

$s{}_{X1}=\sqrt[3]{r{}_{{\rm Z}}\times r{}_{{\rm M}1}\times r{}_{{\rm M}2}}(6)$

4) 对图像X1、M2进行非线性变换,得到图像X2,数学表达式如下:

$s{}_{X2}=\sqrt[]{r{}_{X1}\times r{}_{{\rm M}2}}(7)$

5) 对图像X2进行非线性变换和分段线性变换,得到最终效果图,数学表达式如下:

s=cγ (γ=0.8, c=3.03) (8)

s=255 r>230

s=s×255÷230 其他 (9)

3.2 算法实现

本文算法采用C#编程语言实现,软件环境为Visual C# 2010。

首先对原始灰度图像采用经典的直方图均衡化算法,得到的结果数据存储于一维数组zhiFangt[]中,然后对原始图像分别进行幂次不同的两次变换,得到的结果数据分别存储于一维数组miCi1[]和miCi2[]中,然后再利用本文算法模型,对三组数据进行计算,得到最终结果数据,存储于一维数组rgbValues[]中,算法核心代码如下:

代码中rgbValues.Length为原始图像数据的长度,为图像总像素个数的4倍。

3.3 算法分析

本文的改进算法采用两种方式处理后得出的图像作为非线性运算的算子。在步骤1)中对原图像进行了传统的直方图均衡处理,得到了图像Z,该图像噪声被放大、亮部细节丢失较多,但在一定程度上提升了暗部的亮度,暗部对比度较高。在步骤2)中对原图像分别进行了两次幂次变换,取不同的γ值(0.4、0.5),得到了图像M1、M2。经过幂次变换的图像亮部细节基本得到保留,暗部亮度有一定的提升,无噪声放大现象,但是暗部对比度较低,细节不明显。在步骤3)中对图像Z、M1、M2进行非线性运算,得到图像X1。采用了两个幂次变换的结果作为算子,可以增加幂次变换的权重,降低图像Z对X1的噪声影响,保留更多的图像细节,同时均衡图像的整体亮度,而图像Z作为算子,则有效地提高了X1的暗部对比度。在步骤4)中将图像X1与M2进行非线性运算,得到图像X2进一步去除图像噪声,在保留图像细节的基础上再次提高暗部亮度。在经过了以上步骤的处理后,图像X2亮部细节基本保留,暗部对比度较X1有提高,但是亮度仍然较低,因此在最后对图像X2再次进行非线性运算,通过幂次变换和提高暗部亮度,通过两次分段线性变换提高亮度和对比度,得到了最终的结果图像。

4 实验结果比较

本实验所运行的主机配置为AMD 6核CPU,主频为3.0GHz,16G内存;软件环境为Visual C# 2010。 原始图像来源于四川大学计算机学院实验室图像采集,原始分辨率为1984×1468,大小1.15M,格式为JPEG,灰度图像。

为了保证实验效果和便于观察,先对原始分辨率图像进行处理后,对原始图像和各方法处理结果分别进行截图,图3(a)为原始图像截图,从图中可以看出,原始图像光照不均匀,亮部人眼可以识别,细节较好;暗部亮度很低,细节人眼无法识别;图3(b)为传统直方图均衡化处理后的图像,对比原图有一定的增强效果,暗部的亮度提升,对比度较高,但是带来的问题是噪声被严重放大,影响图像的视觉效果。亮部细节丢失较多,暗部细节粗糙;图3(c)为幂次变换处理后的图像,可以看出该图像整体亮度趋于均衡,噪声没有被放大,亮部细节基本保留,但是图像对比度低,暗部细节不明显,视觉效果较差;图3(d)为本文方法处理后的结果图像,图像整体亮度提升,尤其是暗部的亮度和对比度达到了人眼容易识别的程度,噪声较低,亮部细节基本保留,细节清晰,视觉效果较好。

图4为实验结果的直方图对比。(a)为原始图像直方图,从原始图像的直方图上看,像素大部分处于暗部,图像整体偏暗。(b)为直方图均衡处理后的直方图,可以看到像素得到了最大的扩展,但是整体像素趋于亮部。(c)为幂次变换后图像的直方图,可以看到较原始图像,像素整体右移,亮度趋于适中,但是像素扩展较差,相对集中。(d)为本文方法处理后图像直方图,像素整体均衡,扩展性较直方图均衡略差,好于其他两种,均衡性较其他两种方法好。

5 结 语

传统直方图均衡算法是一个经典的图像增强算法,但是增强之后的图像存在着细节丢失和噪声较大的不足。幂次变换可以有效地均衡图像的亮度,不足之处是对比度低,细节不明显。本文结合直方图均衡和幂次变换的优势,提出了基于直方图均衡和幂次变换的光照不均匀图像增强算法。实验结果和数据表明,本算法调整了图像的整体亮度,增强了图像对比度,增强了图像的暗部细节,基本保留了图像的亮部细节,同时有效地抑制了噪声,具有较好的增强效果。同时本文算法是基于直方图均衡的一种算法,具有算法简单、执行效率较高的特点。

参考文献

[1]阮秋琦.数字图像处理学[M].北京:电子工业出版社,2007.

[2]普特拉.数字图像处理[M].北京:机械工业出版社,2010.