【图像增强算法的介绍概述5200字】

-PAGE44--PAGE43-图像增强算法的介绍概述对低照度图像进行图像增强处理是图像处理领域的一个重要的分支，近十几年来，依据其应用方面的不同，许多图像增强方法被相继提出。图像增强的目的是为了突出强调图像中的某些信息，加强图像整体或者局部特征。常用的方法有：统计正方图增强、图像平滑锐化等。按照实现的方式不同可以分为：空间域增强和频率域增强。频域处理是将图像的一部分的频率去掉，从而实现图像的平滑或者锐化。空域处理则是直接对图像数据处理，比如灰度变换和直方图变换等。1.1基于直方图均衡化图像增强算法低照度图像由于光照不足等环境因素的影响，其灰度集中于低灰度范围内，图像显得整体偏暗，人眼无法分辨图像中的细节部分内容。直方图均衡化是一种简单有效的增强图像的算法，它是通过对低照度图像灰度级进行拉伸，使低灰度密集的图像灰度范围重新分布，最终使得处理后的图像的灰度直方图均衡分布。因此低照度图像中的低灰度区间被拉伸到高灰度区间，从而提高整个低照度图像的对比度，使人眼能更好的观察出图像中的物体细节部分内容。当前对于图像进行直方图均衡增强处理的方法可以分为两大类：全局直方图均衡化[8]以及局部直方图均衡化[9]。全局直方图均衡化处理图像是对图像的所有像素点进行整体处理，将其灰度级重新调整，使其变成均匀分布，算法简单有效，硬件实现起来方便快捷，但是该方法对低照度图像整体进行处理，往往没有考虑图像细节部分的信息，所以增强的低照度图像中的物体显得色彩失真，物体的轮廓细节部分严重丢失。局部直方图均衡化则考虑了低照度图像的细节部分，其中心思想是将低照度图像划分为不同的子块，每个子块对应了图像中不同位置的细节信息，并单独对各个部分的子块进行均衡化处理，最后进行合并得到增强图像。该算法具有复杂度高，运行时间较长的特点。虽然该算法对图像的局部范围亮度有明显的增强效果，但是图像是一个整体，忽略其各个子块之间的关联程度，而分别局部处理子块的操作，导致最终得到的增强图像没有层次感，图像的整体视觉效果不好。目前，直方图均衡化算法分为自适应直方图均衡算法[10]（AdaptiveHistogramEqualization，AHE）以及对低照度图像中的对比度限制作用的自适应直方图均衡算法[10]（ContrastLimitedAdaptiveHistogramEqualization，CLAHE）。另外，也有研究人员将图像分成不同的小块，然后分别对各个小块部分进行直方图均衡化处理，以此来调整整个图像的灰度范围，基于此种想法研究人员提出了两种增强算法：分段直方图均衡化（PartionHistogramEqualization，PHE）和动态分段的直方图均衡化[11,12]（DynamicHistogramEqualization，DPHE）。最近几年新提出的直方图均衡相关的改进增强算法也取得了显著的增强效果，比如色调差分直方图均衡化（HueDifferenceHistogramEqualization，HDHE）算法，该算法考虑了图像的色相与亮度分量两个方面，对这两个分量进行差分直方图均衡化处理，最后重组这两个分量，得到的增强图像效果明显[13]。如果一幅图像的灰度直方图占据整个灰度级并且呈现均匀分布，那么可以反应出该图像具有较高的对比度。直方图均衡算法根据这一特性，利用累积分布函数（CDF）将输入图像的灰度级映射为输出图像的的灰度级，使输出图像的灰度级具有近似均匀分布的概率密度函数，从而达到提高图像对比度，拉大图像动态范围的目的[5]。1.2基于全局直方图均衡化的低照度图像增强算法全局直方图均衡化算法[14]简单有效，通过对低照度图像进行灰度级范围的调整，使其达到灰度直方图均匀分布来达到图像增强的目的。这样对低照度图像进行处理后其低灰度范围内的像素被拉伸到相对较高的灰度级范围内，低照度图像的对比度得到显著的提升效果。利用该算法对低照度图像进行增强的具体步骤如下所示：（1）定义低照度图像的灰度级总数为，灰度级为，；（2）设原始低照度图像的各个灰度级为，计算其数值并同时计算出该灰度级上的像素数目；（3）计算低照度图像中的各个灰度级的概率，定义第级灰度值的概率公式为：，，其中为图像中像素点的总数；（4）求出累计分布函数，计算公式如下式，进一步求出灰度变化表；(1-1)（5）根据灰度变化表，重新定义低照度图像中灰度级的映射关系。彩色图像不同于灰度图像，它具有三种色彩通道的结构。因此，彩色图像均衡化处理往往需要对R、G、B三个色彩通道分别进行全局直方图均衡化。1.3限制对比度自适应直方图均衡化直方图均衡算法适用于图像灰度范围较为分散的图像，本文研究的低照度图像，其图像灰度级广泛分布于低灰度范围，而高灰度范围内几乎不存在像素点，因此全局直方图均衡化算法增强的效果极差，对此研究人员提出了局部直方图均衡化算法的概念。该算法[15,16]对图像中每个区域的像素值进行均衡化处理，以此达到对图像细节部分的增强。但是，局部直方图均衡化算法仅仅考虑了图像的边缘部分细节，忽略了人眼视觉对图像的整体感受，导致图像噪声被放大，视觉观感较差。针对此类算法所存在的缺陷，研究学者提出了对比度受限制的自适应直方图均衡化算法，这种算法是以上面两种算法为基础提出的，在其内容上增加了对比度的限制功能，可以防止图像的噪声被过度放大。算法的实现过程如下所示：将低照度图像分成个像素块，每个像素块具有大小相同、互不重叠的特点；计算各个像素块的直方图；计算裁剪幅值；(1-2)式中：和分别表示各个像素块分别在和方向的像素个数，表示为灰级，表示为剪裁系数。对直方图进行裁剪，重新分配图像中的像素点的位置。图1.1为裁剪分配的原理图。由公式(1-2)中的对各个像素块进行裁剪，然后裁剪后的像素被均匀分配到图像中的每个灰度级上。假设超出幅值的像素的总数为5,将其平均分配到各个灰度级中，设分配的像素数目为。由式子(1-3)、(1-4)所示。 (1-3) (1-4)图1.1CLAHE裁剪重分配原理图[13]定义重新分配的直方图为,有 (1-5)对重新分配的像素块直方图均衡化处理；使用插值运算的方法求解像素点的值，防止产生块效应。其运算过程如图1.2所示。图1.2插值运算[13]定义粉色为边缘区域像素，直接进行映射函数计算。绿色为边缘区域，使用线性插值的方法求出其像素值。如公式(1-6)。 (1-6)式中：表示所求的像素点的值。相邻两个像素块的中心坐标定义为和，与为其子块的映射值。蓝色区域使用双线性插值计算如式(1-7)。 (1-7)式中：为四个像素块的映射值，为像素点坐标。1.4基于Retinex图像增强算法EdwinLand通过研究人类的大脑皮层成像原理，并将这种原理应用于低照度图像增强算法中，取得了显著的效果。这种方法解释了物体的颜色是属于物体固有属性，不会因为光照发生变化而发生变化。Retinex算法的定义是图像是光照图像与反射图像乘积而得到的。Retinex是一种建立在科学实验和科学分析基础上的图像增强方法，是由Edwin.H.Land提出的，Retinex是由两个单词合成的一个词语，他们分别是retina和cortex，即：视网膜和皮层[17-22]。Jobson等人提出了一种经典的SSR算法，后来研究学者在SSR理论的研究过程中进行改进创新，提出了多尺度Retinex和带有色彩恢复因子的Retinex。各种增强算法的本质仍然在于对低照度图像中照射分量的计算以及去除的研究，通常会使用高斯滤波器来完成照射分量的估计，算法实现迅速。SSR算法仅仅简单的对低照度图像进行滤波估计，计算时尺度参数的选择较为困难，导致增强的低照度图像颜色失真，视觉效果不佳。MSR算法的中心思想与SSR算法类似，它的原理是将不同尺度的多个SSR算法进行线性加权求和操作，所以尽管使用MSR算法对低照度图像进行增强后得到的结果比SSR算法好，但是该算法仍然存在着SSR算法的增强问题，低照度图像仍然发生颜色失真的现象。MSRCR算法将图像的色彩因素考虑到算法中，使增强图像更符合人眼的视觉观感，图像更加自然，但是图像的颜色整体视觉感受偏白，图像直观感受是蒙上了一层灰。此外，近些年一些研究学者根据Retinex算法理论提出了很多增强算法。为了消除光照伪影与算法实时性，DiLi提出了一种基于递归双边滤波的Retinex算法。Yin使用了一种基于引导图像的Retinex算法，其使用双边滤波代替高斯滤波，以此来估计图像的反射分量，再根据引导图优化增强效果。Supriya将图像应用于YCbCr色彩空间中去，对此进行增强处理，提出了一种基于SSR的色度增强算法。YangDai等人提出了一种直方图加权与Retinex结合的增强算法增强医学的CT图像，取得了显著的效果。色彩恒常是知觉恒常性的一种，是人在不同照明条件下对物体色彩的感知趋于稳定的心理倾向的现象。以一朵红色的玫瑰花为例，无论是在太阳光的照射下，还是在开着绿光灯的房间里，人们都知道玫瑰花是红色的，即便在肉眼上看上去有所差别，但是人的大脑知道，这是一朵红色的花[18]。而图像采集设备是以线性方式记录进入镜头的光照强度，计算机识别到的颜色就可能与人眼感知到的不同。如下图所示的是相机记录的相同物体在不同自然光照下的情况。图中的两个矩形色块分别是由相同物体在两种不同户外光照条件下的拍摄图像中提取出来的，由图可见，光照情况不同导致电子设备获取的图像在色彩上有明显差异，这与人眼观察到的情况有所不同，人类视觉表现出色彩恒常性[19]。晴天拍摄的图片(b)阴天拍摄的图片图1.3两种自然光源下的同一场景Retinex理论的基础是物体的颜色是由物体对光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，也就是说Retinex是以色感的一致性为基础的。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应的增强[20-21]。单尺度Retinex（SSR）算法的基本思想是将一幅给定的图像是可分解为两个不同的图像：反射图像和入射图像。入射光照射在反射物体上，通过反射物体的反射形成反射光进入人眼就是人类所看到的图像，最后形成的图像可用公式表示为： (1-8)式中：代表被观察或者照相机接收到的图像信息；代表环境光的照射分量；表示携带图像细节信息的目标物体的反射分量。将式子两边进行取对数，即可抛开入射光性质得到物体的本来面貌，即 (1-9)要求得到只需要得到，但是不能够被求得，只能近似求出。我们用和一个高斯核的卷积来近似表示，所以可表示为：(1-10)上式中*表示卷积，代表高斯核，最后我们看到的图像是对映射到[0,255]的结果，一般取线性映射。笼统的来讲就是Retinex算法是去掉光照的影响，还原图像的本来面目。MSR(Multi-ScaleRetinex)，即多尺度视网膜算法是在SSR算法的基础上提出的，采用多个不同的sigma值，然后将最后得到的不同结果进行加权取值，公式如下所示： (1-11)其中是尺度的数量，是高斯模糊系数的向量，是与第个尺度相关的权重，其中。MSRCR算法是一种改进MSR的算法，全称为Multi-ScaleRetinexwithColorRestoration，即带色彩恢复的多尺度视网膜增强算法。 (1-12)就是在MSR的基础上，加上了色彩恢复的功能。1.5小波变化图像增强算法小波波变化（WT）是一种数字变换。它的基本思想是用一族函数去表示或者去逼近某一信号，这一族信号称为小波函数系。小波函数系用小波函数和尺度函数来表示，定义为[23]：(1-13)式中，为任意一个的起始的尺度，为尺度系数，为小波系数。采用小波变化，可以实现对信号和图像进行压缩、对振动信号的分解与重构等，因而应用比较广泛。小波变换是空间域和频率域的局部变换，从而能有效的从信号中提取到信息[23]。小波变换是通过伸缩和平移等基本运算，从而实现对信号的多尺度分解与重构，它从很大程度上解决了Fourier变化带来的难题。小波分析用于信号和图像压缩，其特点是压缩比例高，压缩速度快，压缩后能保持信号与图像的特征不变，且在传递中能够抗干扰。基于小波压缩的方法很多，具体有小波压缩、小波包压缩、小波变化向量压缩等[24-25]。数字图像可以看作一个离散的二维信号,通过二维离散小波变换可以对其进行分解和重构。标准小波变换图像增强（WT）将图像分解为一个低通子图像和三个具有高通的子图像，低通子图像代表图像中的低频信息，对应图像之中较为平滑的部分，高通子图像代表图像中的高频信息，对应图像中的细节部分。通过各种增强算法对不同频率系数进行增强，还可以对某一范围的频率系数