在线刊号(2278-8875)印刷版(2320-3765)
迪帕克·k·潘迪1, Rajesh Nema教授2
|
有关文章载于Pubmed,谷歌学者 |
更多相关文章请访问国际电气、电子和仪器工程高级研究杂志
图像增强的主要目的是对图像进行处理,使结果比原始图像更适合。由于图像清晰度在很大程度上受到周围环境的影响,如照明、天气或用于捕捉图像的设备,因此,许多技术已经开发出称为图像增强技术来恢复图像中的信息。数字图像增强技术为提高图像的视觉质量提供了多种选择。这些技术的选择受到许多因素的影响,如成像模块,手头的任务和观看条件或显示设备。本文将概述图像增强的概念,以及图像增强常用的算法。本文主要介绍了目前不同研究者提出的点处理方法、直方图处理方法以及一些比较复杂的算法,采用直方图均衡化、曲波变换、网络和信道划分等概念,并对这些算法的输出图像质量进行了比较。在此基础上,我们将找出以往提出的一些重要算法的不足之处,并在实验结果的基础上进行比较,为今后的研究指明有效的方向,以获得更高的结果。
关键字 |
数字图像处理,点处理,直方图均衡化,曲波变换,感知器网络与通道划分,图像增强 |
介绍 |
图像增强的主要目标是修改图像的属性,使其更适合给定的任务和特定的观察者。在这个过程中,图像的一个或多个属性被修改和处理。属性的选择和修改它们的方式特定于给定的任务。在这里,观察者特定的因素,如人体器官等视觉系统和观察者的经验,将为选择使用哪种图像增强方法引入主观性。有许多技术可以增强数字图像而不破坏其内容。增强方法大致可分为以下两类: |
1.空间域方法 |
2.频域方法 |
空间域[1]的基本概念是直接对图像像素值进行操作,从而获得预期的输出。在数学形式上,在空间域中直接对像素强度值进行处理,如下式所示: |
G(x, y) =T [f(x, y)]。 |
在频域方法[2]中,为了增强图像,首先将图像通过傅里叶变换转移到频域。现在所有的增强操作都是对图像的傅里叶变换进行的,然后再进行傅里叶反变换以得到合成图像。这些增强操作是为了修改图像的亮度、对比度或灰度分布等属性。这意味着输出图像的像素值将根据应用于输入值的变换函数进行修改。在频域,图像增强可作如下式: |
G (u, v) = H (u, v) F (u, v) |
其中G (u, v)为增强图像,F (u, v)为输入图像,H (u, v)为传递函数。 |
图像增强简单来说就是用变换函数T将输入图像f转换为输出图像g。图像“f”和“g”中的像素值分别用“r”和“s”表示。它们由表达式联系起来, |
s = T(r) |
其中T是一个称为变换函数的函数,用于将像素值r映射到像素值s。这个变换的结果映射到灰度范围,因为我们这里只处理灰度数字图像。我将只考虑灰度图像。数字灰色图像的像素值可以在0到255之间。 |
本文讨论了图像增强的基本技术,概述了图像增强的概念,以及常用的图像增强算法。本文主要研究了点处理方法、直方图处理以及一些比较复杂的算法,其中采用了直方图均衡化、曲波变换、感知器网络和信道划分概念、图像融合概念等,并在此基础上为今后的研究寻找可能的途径,设计出一种高效的提高图像质量的算法。 |
以前的方法 |
点处理操作 |
点处理操作,也称为强度变换函数,是最简单和基本的空间域操作,这些操作只在单个像素上执行。处理后图像的像素值依赖于原始图像的像素值。点处理方法可以分为四大类: |
1) -图像的负变换:在Image Negative[3]中,创建实际图像的负图像。为此目的,图像中像素的灰度值被倒置以得到其负图像。假设我们有一个大小为M x N的8位数字图像,当0≤x < M和0≤x < N时,原始图像的每个像素值从255减去g (x, y)=255- f(x, y)。在归一化灰度中,s = 1.0 - r。负图像有助于增强嵌入在图像暗区域中的白色或灰色细节。 |
2) -阈值转换:阈值转换[4]对于我们想要从背景中分离出感兴趣的对象的分割特别有用。图像阈值化是将图像的信息(对象)与背景分离的过程,因此阈值化应用于灰度或彩色文档扫描图像。阈值划分可以分为两大类:全局和局部。全局阈值方法为整个文档图像选择一个阈值,通常基于图像强度直方图对背景水平的估计,这就是为什么阈值被认为是一个点处理操作的原因。局部自适应阈值法根据局部区域信息,对每个像素点使用不同的阈值。局部阈值分割技术用于具有非均匀背景照明或复杂背景的文档图像,例如在安全文档中发现的水印,如果全局阈值分割方法无法将前景与背景分开。 |
3) -对数转换:对数转换映射[5]一个狭窄范围的低输入灰度值到一个更大范围的输出值。它是相反的,也就是说,逆对数变换执行相反的变换。对数函数在某些情况下是有用的,例如当输入灰度值可能有一个非常大的值范围时。 |
有时,经过处理的图像的动态范围远远超过了显示设备的能力,在这些类型的情况下,只有图像最亮的部分在显示屏上可见。为了解决这个问题,一种有效的压缩像素值动态范围的方法是使用Log变换,它可以表示为: |
G (x, y) = c。Log (1 + r) |
其中c为常数,且假设r≥0。 |
这种转换将一个狭窄的低水平灰度强度范围映射到更大范围的输出值。Log转换用于扩展暗像素的值和压缩亮像素的值。逆对数变换函数用于扩展图像中高像素的值,同时压缩较暗的值。逆对数变换函数将大范围的高灰度强度映射为窄范围的高电平输出值。 |
4) -幂律变换:幂律变换函数表示为: |
S = crγ |
幂律变换函数也称为伽马校正[6]。不同的γ值可以得到不同程度的增强。我们可以观察到,不同的显示器以不同的强度和清晰度显示图像,这意味着,每个显示器都有内置的伽玛校正,具有一定的伽玛范围,因此一个好的显示器会自动校正所有显示在其上的图像,以获得最佳的对比度,给用户最好的体验。对数变换函数和幂律函数之间的区别在于,使用幂律函数可以通过改变γ来获得一系列可能的变换曲线。图像负公式、对数公式和幂律公式之间的区别在于,在图像负中,结果不需要映射到灰度范围[0,L-1]。L-1-r的输出自动落在[0,L-1]的范围内,但对于对数和幂律变换,得到的值通常非常独特,这取决于γ和对数刻度等控制参数。因此,这些值的结果应该映射回灰度范围,以获得有意义的输出图像。 |
直方图处理 |
在图像增强中,采用直方图处理作为基本操作。直方图简单地描绘了每个灰色级别出现的频率,从0(黑色)到255(白色)。直方图处理应该是预处理的第一步。直方图表示图像中所有灰度出现的频率,也就是说它告诉我们图像中各个像素的值是如何分布的。直方图的任何图像可以给出为 |
h (rk) = nk/N |
其中nk和nk分别为强度等级和图像中强度为nk的像素数。 |
1)直方图均衡化:直方图均衡化[7]是一种非常基本的增强图像外观的技术。在图像增强技术中,对图像的直方图进行拉伸,使其分布均匀。假设我们有一张以黑暗为主的图像,结果它的直方图将向灰度的低端倾斜,所有的图像细节都被压缩到直方图的暗端。现在,如果我们可以“延伸”暗端的灰度,以产生一个更均匀分布的直方图,那么图像将变得更加清晰。直方图均衡化自动确定一个转换函数,寻求生成具有统一直方图的输出图像。一般来说;直方图均衡化可以分为三种类型,全局直方图均衡化(GHE)、自适应直方图均衡化(AHE)和基于块的直方图均衡化(BHE)。在全局直方图均衡化(GHE)中,每个像素都根据之前的累积分布函数(cdf)分配一个新的强度值。为了实现全局直方图均衡化(GHE),需要对灰度图像的原始直方图进行均衡化。从输入图像中获得的累积直方图需要通过创建新的强度来均衡到255。在自适应直方图均衡化(AHE)中,直方图是基于局部化数据进行均衡化的。 |
2)-局部增强:以往的直方图均衡化和直方图匹配方法都是全局的,结果不达标,因此出现了局部增强[7]。在此定义正方形或矩形邻域(蒙版),并将中心从一个像素移动到另一个像素。对于每个邻域,计算邻域中点的直方图。获得直方图均衡/规范函数。以邻域为中心的像素灰度图。它可以使用新的像素值和之前的直方图来计算下一个直方图。 |
保亮Bi-HE (BBHE) |
为了克服上述HE & LHE方法的缺点,提出了一种新的算法。金“亮度保持双直方图均衡化”[8]。BBHE方法的本质是将原始图像分解为两个子图像,并使用图像平均灰度,然后对每个子图像应用CHE (Classical HE)方法。BBHE算法的最终目标是在增强对比度的同时保持给定图像的平均亮度。该算法首先根据输入图像的均值将输入图像分解为两个子图像。其中一个子图像是小于或等于均值的样本集合,而另一个子图像是大于均值的样本集合。然后使用BBHE算法对子图像进行独立的直方图均衡,约束条件是将形式集中的样本映射到最小灰度到输入均值的范围内,将形式集中的样本映射到最小灰度到输入均值的范围内;换句话说,其中一个子图像在均值范围内进行均衡,而另一个子图像则根据各自的直方图在均值范围内进行均衡。因此,得到的均衡子图像围绕输入均值相互绑定,这具有保持图像平均亮度的效果。 |
最小平均亮度误差双直方图均衡 |
南达科他州。Chen和A. Ramli,提出了最小平均亮度误差双直方图均衡(MMBEBHE)[9]算法来克服BBHE方法的局限性。因为仍然有一些案件没有被BBHE处理好。MMBEBHE提供最大的亮度保存。BBHE方法根据输入图像的均值将输入图像的直方图分割成两个,然后分别使其相等。但是,使用输入均值作为分割直方图的阈值水平,并不能保证得到最大的亮度保持。这里所描述的亮度保存是基于客观测量称为绝对平均亮度误差(AMBE)。它被定义为输入和输出平均值之间的绝对差,如下所示: |
AMBE=(X, Y) =Mx - My |
AMBE越低,保鲜性越好。 |
e .基于直方图均衡化的多峰图像 |
Yang Fan, Wu Jin[10]为了增强图像对比度,专门针对多峰图像提出了“一种基于直方图均衡化的改进多峰图像对比度增强方法”。在此过程中,首先对输入图像进行最优参数的高斯滤波器卷积。其次,通过图像直方图的谷值可以将原始直方图划分为不同的区域。最后利用该方法对图像进行处理。与其他方法相比,该方法具有较好的简单性和适应性。 |
为了减少噪声的干扰,提高输入图像的质量,Fan Yang和Jin Wu提出首先对图像进行高斯滤波卷积。高斯滤波减小了相邻元素之间的亮度差异。它还可以减少阻塞效应。 |
为了使图像增强处理更具目的性和自适应性,首先对图像直方图进行分析。通过局部最小灰度将图像直方图划分为若干子层图像直方图。 |
为了克服HE的缺点,提出了一种新的计算PDF的算法: |
![]() |
其中N是图像中像素的总数,N K是具有灰度级别rK的像素的数量,L是图像中可能的灰度级别的总数 |
![]() |
图像相关亮度保持直方图均衡化 |
由P. Rajavel[11]提出的“图像相关亮度保持直方图均衡化(IDBPHE)技术”在保持图像亮度的同时增强图像对比度。图像相关亮度保持直方图均衡(IDBPHE)技术采用了包裹离散曲波变换(WDCvT)和直方图匹配技术。下面是IDBPHE的简单图,并给出了相应的步骤。 |
•区域识别和分离:曲线变换用于识别原始图像的明亮区域。 |
•直方图计算和匹配: |
-计算原始图像的直方图和属于识别区域的像素的直方图。 |
-根据已识别区域的直方图修改原始图像的直方图。 |
![]() |
图像像素相互依赖线性感知器网络(IPILN) |
Murli D.Vishwakarma提出了“图像像素相互依赖线性感知网络”(IPILN)[12]。IPILN采用高斯滤波、曲波变换和感知器网络。基本上,这项技术涉及三个步骤,对比度增强的图像解释如下。 |
1.图像过滤:高斯滤波器用于从输入图像中获取一行图像。 |
2.图像转换:转换是一个过程,用于将信号从一个域转换到另一个域,而不丢失信息。在我们的方法中,我们使用了一个多分辨率的曲波变换。为了变换行图像,使用了曲波变换,这是一种多向变换。 |
3.感知网络:为了调整输入图像的权重,使用感知网络的概念。在感知器网络中,为了调整权重,使用了从0到1不等的学习因子 |
![]() |
通过信道划分的内容感知暗图像增强 |
Adin Ramirez Rivera, Byungyong Ryu,和Oksam Chae,“通过通道划分的内容感知暗图像增强”,[13]提出了一种内容感知算法,增强暗图像,锐化纹理区域中的边缘和细节,并对平坦区域的平滑度给予高度的保存。该算法通过将映射函数适应于每个图像特征,从而对每个图像产生最大的增强。他们专门分析了图像在边界和纹理区域的对比度,然后对具有共同特征的信息进行分组。然后用这些组来建模图像内的关系,从中提取变换函数。考虑人眼视觉系统的特点,对上述整个过程的结果进行自适应混合,增强了图像的细节。 |
该算法增强了以下方面的外观:人脸,蓝天,有或没有云,而不引入人工制品,但它无法从具有接近黑色强度的阴影或黑暗区域的图像中恢复信息。 |
一、一种基于图像融合提高图像增强效果的方法 |
方晓英,刘金高,顾文泉,唐一文,“一种基于图像融合的图像增强结果改进方法”,[14]提出了一种基于锐度评价的图像融合方法改进增强结果的方法。我们知道,图像增强可以提高对信息的感知。该算法首先从真实场景中提取图像,然后根据增强的需要将图像划分为几个区域。由于一种特定的增强方法改善了某些区域,而实际上恶化了其他不需要这种增强或根本不需要任何增强的区域。因此,在该算法中提出了一种利用图像融合方法提高增强效果的方法,并对图像的锐度进行评价。 |
所选算法的性能比较 |
在本节中,我们将首先研究上述所有算法的主要优点和局限性。在研究了上述算法的优缺点后,我们将在上述算法的实验结果基础上,对上述算法的参数如峰值信噪比(PSNR)和绝对平均亮度误差(AMBE)进行比较,并尝试找出最佳的算法。 |
根据表1所示的优点和局限性以及表2所示的实验结果,我们将尝试找出未来可能的研究方向,从而设计出一种高效的提高图像质量的算法。 |
![]() |
在本节中,我们将比较上面解释的一些算法的结果,并尝试找出哪种算法最适合增强目的。为了进行比较,我们将采用AMBE和PSNR两个参数。 |
采用绝对平均亮度误差(AMBE)来评价亮度保持程度。AMBE越小越好。AMBE的计算公式为: |
AMBE=(X, Y) =Mx - My |
Mx是输入图像的均值My是输出图像的均值。 |
峰值信噪比(PSNR)用于评价对比度增强的程度,PSNR越大越好。PSNR计算公式为: |
![]() |
具有较小的AMBE和较大的PSNR的方法被认为是较好的算法。为了比较,这里我将考虑直方图均衡化、多直方图均衡化、IDBPHE和IPILN。 |
![]() |
结论及未来工作 |
以上讨论的结论是,经典的对比度拉伸方法在增强过程中丢失了图像的一些细节信息,直方图均衡化的增强效果更好,但不能保持原始图像的亮度。提出了MHE、BBHE、MMBEBHE、基于直方图均衡化的多峰图像、IPILN、内容感知算法和图像融合方法等算法,在保持原始图像亮度的同时增强对比度,得到了较大的PSNR和较低的AMBE值。在某种程度上,这些算法实现了他们的目标。但我们知道,现有参数中没有任何特定的参数或参考点可以作为判断图像质量好坏的参考。如果任何算法的输出图像看起来对我们的眼睛来说是好的,那么算法就是好的,否则它就不符合标准。尽管如此,我们设计了一些比较算法有效性的参数,如AMBE、PSNR、算法的计算成本和计算时间。这些参数可用于实时应用中算法的选择。尽管这些算法单独应用时都是有效的,但在实践中,我们应该设计出这些方法的组合来实现更有效的图像增强。综上所述,由于小波变换是一种很好的图像去噪技术,且输入图像在处理过程中总是面临噪声,因此在该领域有更大的发展空间,特别是利用离散小波变换(DWT)来开发新的高效算法。内容感知技术无法增强图像的暗区,而图像融合技术克服了这一限制,增强了图像的所有区域。因此,将小波变换与图像融合技术相结合,可以获得更有效的图像增强技术。 |
参考文献 |
|