数字图像增强算法分析马 琳,于 宁(哈尔滨市勘察测绘研究院,黑龙江哈尔滨150000)摘 要:在阐明图像增强处理基本方法基础上,对几种有代表性的图像增强算法(基于直方图均衡化图像增强算法,基于模糊集理论的图像增强算法,基于小波变换的图像增强算法,基于人眼视觉特性的彩色图像增强算法及基于神经网络的图像增强算法)做简单介绍,对现有直方图的均衡化算法进行分析、对比,综合多种算法对现有直方图均衡化算法做改进,得出一种新的直方图均衡化方法。
关键词:图像增强;直方图均衡化;M AT LA B;对比度增强中图分类号:P 211 文献标识码:A 文章编号:1008 5696(2011)01 0122 04Analysis of Digital Image Enhancement AlgorithmM A Lin,YU Ning(H arbin City P ro specting and M apping Resear ch I nstit ute,Har bin 150000,China)Abstract:Based on the ex po sitio n for the fundam ental methods o f im ag e enhancem ent pr ocessing ,it sim ply introduces sever al kinds of representative image enhancement alg orithm (im ag e enhancement algo rithm based on histo gram equalization,image enhancement algorithm based on fuzzy set theor y,im ag e enhance m ent alg orithm based on w avelet transform ,image enhancem ent algor ithm based on hum an visual property and image enhancement algo rithm based on artificial neural netw o rk).Carries o n the analysis and contr ast to the ex isting histog ram equalization algo rithm.Finally,w e synthesize m any kinds of algor ithms to make som e improvements to the ex isting histog ram equalization alg orithm and o btain one new histog ram equali zing method.Key words:im age enhancement;histog ram equalizatio n;M AT LAB;contr ast enhancem收稿日期:2010 09 10作者简介:马 琳(1982-),女,助工,研究方向:测绘工程.1 研究目的和意义图像增强的目的是改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,扩大图像中不同物体特征之间的差别,满足某些特殊分析的需要。
其方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。
在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。
图像增强技术根据增强处理过程所在的空间不同,分为基于空域的算法和基于频域的算法两大类。
基于空域的算法处理时直接对图像灰度级做运算,基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正,是一种间接增强算法[1]。
2 直方图与直方图均衡化2.1 直方图1)直方图又称质量分布图,是一种几何形图表,它是根据从生产过程中收集来的质量数据分布情况,画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。
2)图像的直方图。
以灰度图为例,假设图中一共只有0、1、2、3、4、5、6、78种灰度,0代表黑色,7代表白色,其它数字代表0~7之间不同深浅的灰度,见图1。
统计的结果如下,横轴标示灰度级别(0~7),纵轴标示每种灰度的数量,见图2。
Photoshop(PS)中的显示,见图3。
第1期马 琳,等:数字图像增强算法分析2.2 直方图均衡化2.2.1 直方图均衡化的定义直方图均衡化方法把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图,然后按均衡直方图修正原图像。
当图像的直方图为一均匀分布时,图像包含的信息量最大,图像看起来就显得清晰。
该方法以累计分布函数为基础,其变换函数取决于图像灰度直方图的累积分布函数。
它对整幅图像进行同一个变换,也称为全局直方图均衡化[5 7]。
2.2.2 对现有直方图均衡化算法进行改进第一步根据需要在灰度区间[M ,N ]上进行直方图粗均衡。
根据需要设定一个灰度区间[M ,N ],对用(1.1)计算过后的t k 进行整合变为t k ,其中k 为新的直方图的灰度数,区间[M ,N ]和k 需满足下式0 k [M,N] L -1.(1)主要是为了保证变换后灰度的次序不变,在上述的前提下,我们可以在区间[M ,N ]中根据k 等分区间长度,进行强制直方图的均衡。
因此,我们先要求的就是等分的长度h,可用下式求得h =int [(N -M)/(k +1)].(2)然后就只需根据一定的映射关系改变t i 的灰度值,进行新的直方图均衡化,映射关系如下t k =M +k n.(3)经整理t k =M +k int [(N -M )/(k +1)].(4)具体的实现过程如下:1)给出原始图像的所有灰度级k =0,1,2, ,L -1;2)统计原始图像各灰度级的像素数n k ;3)用p (t k )=n k /n 计算原始图像的直方图;4)用(4.11)式计算原始图像的累积直方图;5)用(4.12)式进行取整计算;6)用t k =M +k int [(N -M )/(k +1)]进行均衡化;7)用p (t k )=n k /n 计算新的直方图。
由于灰度的范围一般为0~255,因此,在本文的实验中取M =0,N =255,所使用的数据来源于网络。
在实际应用中,可根据需要灵活的改变N 和M 的取值,以求达到最佳效果。
第二步通过一定得映射关系在尽可能保留原图像像素的基础上进行二次均衡,以达到拓展使用的灰度空间。
减少转换过程中出现的像素个数较少的灰度被其周围的像素个数较多的灰度吞噬而造成信息丢失,以及由此而产生的变换后图像所用灰度个数减少,造成图像灰度层次感不强的现象,是对传统算法的一个改进。
通过分析式(1)可知:对于任意相邻两灰度i 和i +1,如果ik=0r k Q 与 i+1k=0r k Q之间的差距大于一阈值,就不会出现灰度被吞噬的情况,该阈值与图像的大小以及所使用的灰度级数有关。
对于一幅256 256的拥有256个灰度级的图像来说,只要两者之间的差距大于1/256,就不会出现灰度被吞噬的情况,也就可以更多地保留原始图像中的信息和维持图像的层次感。
采用的方法是建立一个满足下列要求的映射:假设原始图像中灰度i 所具有的像素个数为r i ,映射后为r i ,它们之间的关系为r i =f (r i )<r i .(5)对映射f 的要求是其值域为正实数域。
为了与原始图像保持一致,该映射同时要求为单调递增。
虽然每个r i 都比以前小,但Q =m -1k=0rk比以前的Q123交通科技与经济 第13卷小得多,如果映射合适,总可以使得 i k=0r k Q 与 i+1k=0 r kQ之间的差距相对变大。
满足上述条件的映射关系很多,本文采用对数映射关系,其作用是使得灰度变换函数中的 i k=0r k Q 项尽可能分散开,从而使得变换后的灰度也分散开,尽可能减少被周围灰度淹没的现象发生。
在传统算法中采用式(1)进行灰度转换,其灰度转换规则不能充分利用灰度的低值部分,如原始图像中的灰度为0,极易被转换成非0灰度值,且灰度为0的像素在原始图像中所占比重越大,其转换后的值也就越大。
因此将转换规则修正为f i=(n-1) i-1k=0r k/Q-r i,(6)Q= m-1k=0r k.由式(6)所确定的灰度转换可以使转换后的灰度值分布于整个灰度空间,这样可以将原始图像中的最大灰度值和最小灰度值分别映射成0灰度值和图像格式可以提供的最大灰度值n-1,从而拓展了所使用的灰度空间。
第三步首先,用分频滤波器将图像分成低频和高频两个部分,只对低频分量进行直方图均衡化,然后,将处理过的低频部分和高频部分进行合并,再对合并后的信息进行中值滤波,去除噪声,得到最终增强的图像,既保留了图像整体对比度和细节信息,又去除了噪声放大的问题。
1)将原始图像分频。
由于高斯低通滤波器在时域和频域上都具有比较好的平滑性能,因此,采用高斯低通滤波器对图像进行分频,这样不会导致图像的细微结构发生极性反转。
设原始图像为f(x, y),经过分频处理后,图像f(x,y)被分为两部分:低频部分f L(x,y)和高频部分f H(x,y)。
低频部分f L(x,y)含有原始图像的大部分灰度信息,高频部分f H(x,y)含有图像的少部分灰度信息。
原始图像f(x,y)与低频部分f L(x,y)、高频部分f H (x,y)间的关系可表示为f(x,y)=f H(x,y)+f L(x,y).(7)2)将低频部分进行直方图均衡化。
对低频部分f L(x,y)进行直方图均衡化(H E)处理。
设均衡化之后的低频图像为f L(x,y),则f L(x,y)=H E[f l(x,y)].(8)此时,低频图像f L(x,y)包含着的原始图像的大部分像素灰度级被均衡化分布,动态范围得到提高,大大改善了原始图像的对比度。
高频部分f H(x, y)含有原始图像的少部分灰度信息,这少部分灰度信息包含着图像细节和图像噪声。
3)将低频信息和高频信息合并。
将低频信息和高频信息进行合并,设合并后的图像为g(x,y),则g(x,y)=f L(x,y)+f H(x,y),(9)由于f L(x,y)=H E[f l(x,y)],所以g(x,y)=H E[f L(x,y)]+f H(x,y).(10)合并后的图像g(x,y)与原始图像相比,既提高了整体图像的对比度,又强化了图像细节,但是含有高频部分的图像噪声。
4)将合并后的图像进行中值滤波。