基于局部均值和标准差的图像增强算法-

1、205基于局部均值和标准差的图像增强算法马银平,江 伟(南昌航空大学自动化学院,南昌 330063摘 要:针对传统图像局部增强算法,提出一种基于图像局部均值和标准差增强图像细节的算法。采用局部均值和标准差限定的方法,使低对比度和较暗的区域得到相应增强,对高对比度和较亮的区域保持不变。实验结果表明,该算法能够有效地增强低对比度低灰度的区域而保持其他区域不变,为图像的进一步处理提供满意的结果。 关键词:局部均值;局部对比度;图像增强;直方图均衡化Image Enhancement AlgorithmBased on Local Mean and Standard DeviationMA Yin-p

2、ing, JIANG Wei(College of Automation, Nanchang Hangkong University, Nanchang 330063【Abstract 】Aiming at traditional local image enhancement algorithm, this paper designs a new algorithm, it uses Local Mean(LM and Local Standard Deviation(LSD. By comparing the LM and LSD to the whole image mean and s

3、tandard deviation, it enhances the area where has low LM and LSD and preserves the other area. Experimental results show that the method can enhance the region where has low contrast, gray scale and preserve the other region, it provides satisfied image for the next processing.【Key words 】Local Mean

4、(LM; local contrast; image enhancement; histogram equalization计 算 机 工 程Computer Engineering 第35卷 第22期Vol.35 No.22 2009年11月November 2009·人工智能及识别技术·文章编号:10003428(200922020502文献标识码:A中图分类号:TP391.41图像增强是数字图像处理的基本内容之一,也是图像预处理过程中的一种重要处理方法,其主要目的是为了突出图像中需要的信息,削弱或消除不需要的信息,提高图像的清晰度,从而改善图像的视觉效果,并使图像有利

5、于做进一步的分析和处理。目前图像增强的方法主要有空域方法和频域方法。空域方法是对图像各像素点的灰度直接进行运算;频域方法是对图像进行变换后在变换域中对图像参数进行运算,然后通过逆变换得到增强的图像。本文通过空域方法提出基于局部均值和标准差的图像增强算法。1 经典灰度直方图均衡化的图像增强直方图均衡化算法是图象增强空域法中常用的算法之一,它以概率理论作基础,通过对已知灰度概率密度的图像进行某种变换使其变成一幅概率密度服从均匀分布的新图像,这样调节了灰度取值的动态范围,增强了图像的对比度,从而达到图像增强的目的。考虑一幅灰度级为0,1L 的归一化图像,其像素总数为n ,k n 表示灰度级为k r

6、的像素个数。灰度级为k r 的像素出现的概率估计值为1(kkr r n p n=(1其中,0,1,k =,1L , 01k r <<。直方图均衡化算法的变换函数(S T r =为(00jk k jk k r r j j n S T r p n=(2 其中,0,1,j =,1L , 01j r <<。灰度级为k r 的像素出现的概率为(kr r p ,其熵为(ln kkk r r r r I r p p = (3整幅图像的熵为(11ln kkL L k r r r r k k I I r p p = (4当(121L r r r r r r r rp p p p =&qu

7、ot;时,即直方图均匀分布时,熵I 有最大值,图像含有的信息量最大。直方图均衡化通过计算原图的累计概率分布得到均衡化后的灰度值,得到的新图像灰度级跨越了更大的范围,从而增强了图像对比度。该算法简单,计算速度快,但其灰度直方图只是近似的概率密度,用离散灰度级做变换时输出的图像灰度分布很难完全均匀;同时输出图像灰度级可能被过多地合并,造成图像信息丢失,且直方图均衡化是对图像每一点进行同样的运算,没有考虑局部特征,降低了图像分辨率。2 局部对比度增强算法直方图均衡化可以有效地调节图像动态范围,增强图像整体的对比度,但是由于其在调整动态范围的过程中合并了一些出现概率较低的灰度级,从而导致细节的丢失,对

8、此可使用局部对比度增强的方法强化图像局部细节。 2.1 传统局部对比度增强算法传统局部对比度增强算法为2(,x x f i j m i j k x i j m i j =+× (5其中,(,x i j ,(,f i j 分别为输入图像与输出图像点(,i j 的灰度值;(,x m i j 是以点(,i j 为中心的领域内的平均灰度值;k基金项目:江西省自然科学基金资助项目(CA0511063作者简介:马银平(1963-,女,教授,主研方向:图像处理,模式识别;江 伟,硕士研究生206为放大系数。当1k >时,若(,x x i j m i j >,则有(,f i j >

9、(,x i j ,该像素点灰度被增强;若(,x x i j m i j <,则有(,f i j x i j <,该像素点灰度被削弱。通过加强比均值高的像素点,削弱比均值低的像素点增强了图像的对比度,强化了图像的细节。但该算法仍然是对整幅图像的处理,对图像改动较大,在对特定区域的处理中并不是最佳的方法。2.2 自适应局部对比度增强算法传统局部对比度增强算法有效地增强了局部细节,但是由于放大系数k 在局部增强过程中不可调,在整体增强的同时,不能针对不同的区域进行微调,对于对比度不均匀的图像效果不理想。考虑利用局部标准差来动态调整放大系数,使对比度小的区域得到较大增强,而对比度大的区域增

10、强较小。自适应局部对比度增强算法为3(,x x f i j x i j m i j m i j =×+ (6其中,为自适应增强系数,且/g s k E =×,k 是正常数,g E 是整幅图像的均值,S 是局部标准差;(,x i j ,(,f i j 分别为输入图像与输出图像点(,i j 的灰度值;(,x m i j 是以 点(,i j 为中心的领域内的平均灰度值。自适应局部对比度增强算法在放大系数中引入了局部标准差,在局部增强过程中自动根据局部标准差调整放大系数,增强时兼顾到了不同对比度区域图像。2.3 基于局部均值和标准差的图像增强算法考虑一幅灰度级为0,1L 的图像,r

11、 表示在0,1L 上的离散随机变量,(i p r 表示灰度级为i r 出现的概率,整幅图像的均值即全局均值为(10L g i i i E r p r = (7整幅图像的方差即全局对比度为(1220L g i g i i r E p r = (8图像的均值可以度量整幅图像的亮度,而方差可以度量图像的对比度。基于这样的考虑,笔者通过对比全局均值,全局对比度和局部均值,局部对比度来增强图像中较暗且对比度低的区域,而不改变图像中亮的区域。考虑图像中一个以点(,i j 为中心的M M ×的邻域(,i j S ,根据概率论的知识,局部均值为4(2111,M MS i j E x i j M =

12、(9其中,(,x i j 为输入图像的灰度。局部方差为(222111,M MS S i j x i j E M = (10 基于局部均值和标准差的图像增强方案如下:(1选定较暗区域:若0S g E k E <,则表示该区域是较暗区域,为待增强区域 ,其中,0k 为小于1的正常数。 (2选定对比度低的区域。当对比度过低时可认为该区域内不含细节,不需要进行加强。为此,假设待增强的低对比度区域为:12g S g k k <<,其中,12k k <,且12,k k 均为小于1的正常数。(3对选定的区域进行灰度放大和对比度拉伸。由上述增强方案得出基于局部均值和标准差的图像增强算法

13、为5(012,g S g S g x i j x i j E k E k k f i j x i j +<<<=,且其他(11其中,012,k k k 是小于1的正常数;,g g E 是全局均值和标准差;,S S E 是局部均值和标准差;是灰度放大系数,是对比度拉伸系数。由式(11可知,算法通过局部均值和标准差来选定需要增强的区域(低灰度、低对比度的区域,而对不需要增强的区域保持不变。对需要增强的区域进行灰度放大增强亮度的同时用幂次变换拉伸了对比度,从而改善图像的视觉效果。3 实验结果与分析有些情况下图像的大部分区域不需要增强,需要增强的仅是某个特定的区域或是存在有重要细节的

14、区域,这种情况下就需要有选择地增强。经过算法处理后的图像如图1所示。 (a原图像 (b直方图均衡化处理后的图像 (c传统对比度增强处理后的图像 (d自适应局部对比度处理后的图像 (e局部灰度放大处理后的图像 (f灰度放大和对比度拉伸处理后的图像图1 经过算法处理后的图像由此可知,图1(a为一幅输入图像,在该图像的右侧较暗区域内有部分细节需要增强。图1(b为用经典直方图均衡化处理后的图像,可以看出,图像右侧的暗区得到一定的增强,但是效果不是很明显。图1(c为采用传统局部对比度增强算法得到的图像。可以看出,图像右侧的暗区得到了增强,效果比采用经典直方图均衡化处理得到的图像效果要好,但是放大系数k

15、在局部增强过程中不可调,图像的改动很大,(下转第209页209物体出现了部分遮挡和短暂消失,使用IMMKPF 搜索算法在目标完全遮挡后又重新正确地锁定了目标。 (a第45帧 (b第82帧 (c第96帧 (d第99帧 (e第129帧 (f第188帧图2 在遮挡情况下的IMMKPF 跟踪效果从图1和图2可以看出,IMMKPF 算法对刚体和非刚体运动目标均适用。表1列出了分别用本文算法、交互式粒子滤波算法(IMMPF、交互式卡尔曼滤波算法(IMMKF进行上述的同一仿真过程所消耗的时间和数据更新周期。表1 3种算法的计算效率比较 s算法 仿真时间 更新周期IMMKF 12.472 0.153 4 IM

16、MPF 10.963 0.131 4 IMMKPF 7.534 0.090 1可以看出,IMMKPF 算法所消耗的时间比其他2个算法少得多,比IMMKF 大约减少了40%,比IMMPF 减少了31%,而且IMMKPF 更新周期也更小。可见,IMMKPF 算法在不降低跟踪性能的前提下,大大提高了计算效率,实时性好,更能满足高机动目标的实时跟踪要求。6 结束语本文的算法融合卡尔曼滤波和粒子滤波器,采用各自匹配模型集的方式解决不同滤波器之间的交互问题,提高了算法的稳健性;采用迭代的多级粒子滤波的方法解决了目标严重遮挡的问题,提高了算法的计算效率,增强了算法的鲁棒性。理论分析和仿真实验表明,IMMKP

17、F 算法是自适应的滤波算法,跟踪效果比较平稳,且不受高斯噪声的限制,跟踪精度高,解决了跟踪过程中的遮挡问题,较采用单一滤波交互式多模型跟踪算法效果更好。下一步的工作是如何结合具体模型,将本文的研究结果应用到变结构交互多模型算法中,并结合多传感器确定遮挡目标的动态估计。参考文献1 梁 华, 刘云辉. 视频中遮挡情况下目标的跟踪J. 计算机应用研究, 2008, 25(3: 950-956.2 Seah C E, Hwang I. Stability Analysis of the Interacting MultipleModel AlgorithmC/Proc. of American Con

18、trol Conference. Washington, USA: s. n., 2008.3 Pek H F, Gee W N. Combining IMM Method with Particle Filters for3D Maneuvering Target TrackingC/Proc. of the 10th International Conference on Information Fusion. Singapore: s. n., 2007. 4 Kim B D, Lee J S. IMM Algorithm Based on the Analytic Solutionof

19、 Steady State Kalman Filter for Radar Target TrackingC/Proc. of the IEEE International on Radar Conference. Seoul, Korea: s. n., 2005.5 叶剑波, 夏利民. 基于卡尔曼粒子滤波器的人眼跟踪J. 计算机工程, 2006, 32(3: 196-198.6 Nait-charif H, Mckenna S J. Head Tracking and Action Recognitionin a Smart Meeting RoomC/Proc. of the PETS-ICVS03. Graz, Austria: s. n., 2003.编辑 顾姣健(上接第206页在增强暗区的同时其他地方也被相应地增强,没有兼顾到图像中不需要改动的地方。自适应局部对比度增强算法能够根据局部对比度在增强过程中动态调整放大倍数,图1(d是自适应局部对比度增强算法处理后得到的图像。根据局部均值和对比度与全局均值和对比度的比较,采用灰度放大也可较好的地改善图像。由式(11可知,(,x i j 是灰度放大部分,取3=对输入图像进行灰度放大,图1(e是进行灰度放大