图像自适应积分技术（精选7篇）
图像自适应积分技术 第1篇
其中，He等人提出的暗通道先验算法通过对大量户外图像进行统计分析，在无法获得图像深度信息的情况下，利用各像素点基于区域面积内三基色通道中最小亮度点的偏离先验值对图像进行增强，获得了很好的单幅图像去雾效果。在此基础上，吴笑天等人[6]提出采用双边滤波恢复场景的边缘，实现了图像复原，其算法通过对场景边缘快速处理，在不降低画质的情况下提高了图像处理的速度。嵇晓强[7]等人提出采用自适应图像分块处理和区间分段拉伸的方法在加快图像处理速度的同时，增强了图像的细节。
然而，He等人的算法具有一定的局限性:算法在遇到大范围白色高亮区域图像时，由于该区域亮度与大气光相近，图像的透射率偏小，难以获得精准的透射率值，造成RGB三颜色通道比例失调，从而引起图像边缘、灰度和色彩失真，降低了图像的质量，以致算法无法得到很好的应用和推广。
为此，蒋建国[8]等人引入了容差机制，对图像的大气光值和观测亮度进行比较，当该值小于阈值时，将该区域标识为明亮区域，降低透射率系数，实现对高亮图像的失真校正。但这种处理无法保存明亮区域图像细节，且阈值固定，很难适应全部图像，因此实施起来具有一定的局限性。
为了解决这些问题，本文提出了一种基于自适应阈值的改进暗通道先验图像增强算法。算法在已有暗通道先验算法基础上，通过自适应选择修正系数来改善原方法处理白色高亮图像过程中引起的灰度和色彩失真问题，能够有效提高图像的显示质量。
1 改进暗通道先验图像增强方法
暗通道先验图像算法主要是在对图像进行大量统计的基础上得到的经验假设，通过假设估值计算出透射图，实现图像的去雾效果。这种统计假设的方法在绝大多数户外有雾图像处理中能够取得较好效果，但对天空等和大气光在本质上相近且区域较大的白色高亮图像处理效果并不理想，需要对算法进行改进。
1.1 暗通道先验算法
根据1975年McCartney提出的大气散射模型，图像中物体呈现出来的亮度主要由入射光衰减后的透射光和大气光两部分构成，可描述为式(1)
式中:对于图像中像素点x,I(x)为有雾降质图像;J(x)为待求原始无雾图像;A为大气光强度值;t(x)为有雾图像的透射图。去雾算法的本质就是在已知原始有雾图像I(x)的情况下，通过A和t(x)的求解，获得无雾图像J(x)。
在实际求解过程中，考虑到该方程属于病态方程，必须对已有条件进行优化。He在对大量室外图像的统计规律研究基础上，提出室外图像中86%以上无雾图像中像素点有一个或多个基色通道数据值很低。通过无雾图像暗原色像素点基色分量和有雾图像相应像素点基色分量的差值，可以近似估算雾的厚度，推算出景深信息。暗原色统计值的计算可以通过式(2)获得
式中:Jdark为暗通道的数值;Jc为R、G、B三基色通道中的一个通道数值;Ω为像素x为中心的一个区域;c为该区域的一个颜色通道。根据暗通道先验统计规律，大部分图像中各个局域的像素暗通道值Jdark一般小于16。为了便于后续计算，可以将这些区域的Jdark近似看为0。这样，就可以得到在区域Ω范围内透射率的近似值，见式(3)
式中:t%为区域内部的透射率值;Ac为区域内该暗通道的大气光值，取值为暗通道图中按亮度大小排序前0.1%像素对应的最高亮度值;ω∈[0,1]为景深系数，使用ω系数主要解决了图像处理中景深信息不足的问题。由于暗通道本身的亮度主要由大气光来提供，因此图像的透射率可以近似看作是常数0。
实际计算过程中，先根据需要将整幅图像划分成N×N个像素构成的区域Ω，并在每个区域内求得初始透射值t%和Ac。在此基础上可以求得近似无雾图像J(x)，见式(4)
式中:引入t0∈[0.1,0.01]作为限制因子，以保证式(4)的分母不为0，避免了去雾计算产生噪声。
He提出的上述算法具有较好的去雾效果，但公式是基于统计规律模型，在一些特殊场景下有一定局限性。例如，场景为大面积白色高亮区域时，该算法在计算时会出现一定的偏差，导致图像失真，见图1。图1a和图1b为原始有雾的图像，图1c和图1d为去雾后的图像，图1e和图1f为原图像去雾时使用的透视图。从图中可以看到图1a没有大面积高亮显示区域，因此其图像在处理后能够基本保持原有图像的颜色信息，没有发生较大面积失真现象。图1b中存在大面积白色高亮的天空图像，完成去雾处理后，天空部分出现明显的颜色失真，原本白色的天空变成了彩色，而且原来过渡平滑的区域显示出了斑块现象。究其原因，主要是在透视图计算时，白色高亮部分和大气光像素的亮度值较为接近，因此该区域透射率过小，计算去雾图像的像素的三基色通道强度值和真实值之间存在较大偏差，见图1f中黑色的部分，这种偏差就会导致图像出现失真。而对于图1a的透射图1e，其图像的各个区域亮度和大气光值有一定差距，没有大面积黑色区域，因此不会出现失真现象。
因此，现有暗通道先验算法具有较好的去雾效果，能够将大部分有雾图像中的云雾去除比较干净，还原图像本来的色彩和灰度，然而针对天空等大面积白色高亮区域的去雾过程中，该算法的运算结果会导致图像出现失真现象。为了解决这一问题，需要对现有的暗通道先验算法进行改进。
1.2 基于自适应阈值的暗通道先验算法
暗通道先验算法假定有雾降质图像的像素具有暗通道特征，而大面积白色高亮区域像素不符合该假设，没有数值几乎为0的暗通道像素。这导致在解式(1)病态方程时，优化假设的t%和Ac与实际值之间存在较大误差。这种误差就导致场景处理后的图像出现了失真现象。
为了避免这种雾化图像中大面积白色高亮区域去雾时出现失真，本文引入了基于自适应阈值的改进暗通道先验图像增强算法。
算法首先将图像从RGB彩色图像转为灰度图像，统计出有雾图像的灰度直方图和灰度均值L。再利用灰度直方图的直观性，从灰度最大值向灰度最小值方向寻找直方图数值变化的谷点。谷点选出后，和平均灰度值L进行比较，将大于平均灰度值L的第一谷点为直方图的阈值点A。在此计算过程中，为了减少虚假阈值点对自适应阈值点选择的影响，还需要对直方图进行平滑处理，提高算法的准确性和鲁棒性。
为了进一步确定高亮图像的颜色，当阈值点确定后，还要对原有雾彩色图像阈值点右侧区域内图像高亮度区域进行R/G/B三基色通道的强度值进行判断，当三基色相互之间强度值差小于ΔL时，认为三基色反映出来的是高亮度白色信号。本文中使用的ΔL为大量图像的统计经验值。后续实验中，ΔL取值为24。
在判断出白色高亮的情况下，针对灰度值高于阈值点A的像素进行所在区域判别。判断时，将整幅图像按15×15像素进行区域分割，统计每个区域内像素灰度均值，当灰度均值均高于阈值点A时认为该区域为白色明亮区域，并进行标识。
最后，计算已经标识区域的像素数S1和整幅图像的像素数S，根据S1和S的比值计算修正系数β。在对整幅图像计算透射率过程中，对标识的图像通过β系数进行修正，并对最终结果进行对比度增强处理。经过上述处理后，用于计算透射图就可以避免出现较大的误差。
图2为图1a和图1b彩色有雾图像的灰度进行直方图统计的结果。从图2可以看到，有雾图像图1a的直方图没有一个明显大于图像平均灰度值的变化谷点，而图1b则存在一个明显大于图像平均灰度值的谷点。
通过有雾图像的灰度图3a分析可以看出，当图像中不存在大面积白色高亮图像时，算法无法自动选择到合适的阈值。此时，认为这部分区域和其他景物不能完全区分开来，β系数近似为1。从图中可以看到这种分割准确度较高，不会在没有大面积白色高亮区域时误提取提到白色高亮图像的区域。
当图像中存在大面积白色高亮图像时，该算法则可以直接根据图像的直方图自动选择阈值，并准确区分出白色高亮区域和其他景物，如图3b所示。在该图中，两旁树木中间的白色高亮天空部分被准确的识别出来。
根据图3b的标识结果，该图像的阈值点A为灰度级193，其右侧像素和总像素的比为19.67%，而经过标识为白色高亮区域的像素点和总像素的比为23.38%，在此基础上，算得该图的修正系数β值为4.28。
将修正系数β引入到暗通道先验算法中，对图1d进行修正，所得结果为图4c。对比暗通道先验算法结果见图4a，本文所述改进算法结果见图4c，可以看出:暗通道先验算法和改进算法，在整幅图像的显示效果较为一致，树木和街道的细节部分也较原始图像有了明显改善。
但两种算法得到的图像结果的天空部分具有较为明显的差别。从处理后天空局部放大图可以看到，原算法图像天空部分颜色边缘出现了黄色和紫色的斑块，这种斑块已经完全偏离了图像应该呈现的颜色，见图4b。
在经过改进算法处理的天空局部放大图中，这种颜色变化就得到了明显改善，仅在近景边缘部分还有一些不明显的颜色失真，而整个天空显示的颜色较为正常，见图4d。
2 实验结果及讨论
为了进一步验证算法效果，特选择一幅常用的有雾图像进行对比实验。图5a为原始有雾降质图像。针对此图像，采用自适应阈值算法可以很好的将图像上半部的白色高亮天空图像和下半部的山景区分出来，见图5b。对比原有算法去雾结果(图5c)和改进算法的去雾结果(图5d)，可以看出，本文提出的算法可以较好地辨识出大面积白色高亮图像，并能够较好地矫正大面积白色高亮图像的颜色失真，实现画质提升。
改进暗通道先验图像增强技术能够较好改善图像质量，增加图像细节和层次性，保证了图像色彩的真实性。针对本文中使用的3幅图像进行去雾前后图像的信息熵、MSE和PSNR等图像画质客观评价参数进行计算，结果如表1所示。
实验结果表明:改进图像增强算法的信息熵高于原算法，表明改进算法的在对图像增强的同时，信息量和图像细节要高于原算法。此外，改进算法的PSNR高于原算法，MSE低于原算法，表明改进算法的失真明显小于原算法，改进算法在客观上确实可以使图像的细节增加，层次增强，明显改善显示效果。因此，本文的算法优于原算法。
在此基础上，将本文所述改进算法与暗通道先验、多尺度Retinex、自适应对比度增强、自适应直方图均衡化等算法的结果进行比较，见图6。可以看出，其他方法在实现过程中会出现植物的绿色和天空的白色等局部图像颜色失真，图像的细节有所缺失，图像噪声也得到了放大，使得处理后的图像与真实图像之间存在较大的差异。本文方法的图像在大面积白色高亮区域没有色彩和灰度失真，在细节处理上不会因为过度增强引起画质降低，图像细节完整，天空色彩更接近真实的原始图像。
3 结论
针对已有暗通道先验算法在对大面积白色高亮度图像处理过程中引起的图像失真的现象，采用了基于自适应阈值改进的暗通道先验算法对图像去雾方法进行了优化。该方法在暗通道先验算法的基础上，通过对图像直方图的统计和自适应的阈值计算，能够根据图像具体情况在原始图像中标识出大面积白色高亮区域形貌，并设置修正系数消除了大面积白色高亮区域处理过程中的图像失真问题，计算出精准的增强图像。
实验结果表明，新算法具有更高的图像细节和层次感，同时减少了图像的失真，具有较高的理论和实用价值。
摘要：基于暗通道先验的图像增强技术在图像的去雾和增强方面具有较好的图像增强效果。针对基于暗通道先验图像增强算法在处理有雾图像存在大面积白色高亮区域时出现的失真,提出了基于自适应阈值的改进暗通道先验算法。该算法在对图像进行直方图统计的基础上,先判断图像是否存在大面积白色高亮区域,并对区域的面积进行标识和统计,得到自适应系数β,再利用该系数对暗通道先验算法进行修正,最终进行对比度增强实现图像的去雾增强效果。实验结果表明,该方法能够有效消除图像去雾过程中出现的失真,提升图像质量,具有较高的实用价值。
关键词：数字图像,暗通道先验,去雾算法
参考文献
[1]李利荣,汪蒙.一种高效的图像增强去雾算法[J].湖北工业大学学报,2013,28(5):72-75.
[2]林笑君,梁凤梅.基于Retinex的一种图像去雾算法[J].电视技术,2013,37(17):155-158.
[3]康艳梅,陈名松,何志毅.基于LED辅助照明的水下图像增强算法研究[J].电视技术,2013,37(15):211-214.
[4]王小鹏,陈璐,魏冲冲,等.一种改进的Retinex彩色图像增强方法[J].兰州交通大学学报,2015,34(1):259-270.
[5]HE K,SUN J,TANG X O.Single image haze removal using dark channel prior[C]//Proc.IEEE CVPR 09.Washington:IEEE Computer Society,2009:1956-1963.
[6]吴笑天,丁兴号,吴奎.基于暗通道理论的雾天图像复原的快速算法[J].长春理工大学学报(自然科学版),2012,35(1):100-104.
[7]嵇晓强,戴明,孙丽娜,等.暗原色先验图像去雾算法研究[J].光电子·激光,2011,22(6):926-930.
图像自适应积分技术 第2篇
受材料、制造工艺等因素限制,红外图像存在信噪比低、对比度差的问题,在目标辐射强度低、距离远以及恶劣天气状况下尤为严重[1]。红外图像噪声分为时域和空域两大类:时域噪声在图像的采集、信号的传输过程中产生;空域噪声是由于红外探测器的探测单元响应度不一致而产生,在图像中表现为固定图案噪声。因此,为提高红外探测器性能,改善图像质量,必须对其噪声进行抑制。
常用的图像噪声抑制方法主要包括空间域和变换域[2,3,4,5,6,7,8]。空间域去噪方法是对原始图像直接进行噪声抑制运算,如均值滤波、中值滤波以及维纳滤波等。变换域去噪方法需要对原始图像进行变换,将其转换到特定的变换域,通过对变换域的系数进行处理再反变换回空间域,从而达到去除噪声的目的,如傅里叶变换滤波、沃尔什-哈达玛变换滤波、小波变换滤波等。基于最小均方误差(MMSE)理论的维纳滤波是经典的空间域滤波方法之一,具有较强的去噪能力。维纳滤波要求未退化图像和噪声的功率谱必须是已知的,然而在实际应用中很难获得真实图像的相关信息。
为解决维纳滤波中未退化图像和噪声的功率谱必须已知的问题,本文提出一种红外图像中的自适应维纳滤波噪声抑制技术。算法利用Canny边缘算子将图像划分为平滑区域和边缘区域,通过在平滑区域构建噪声方差的邻域估计准则,并利用像素邻域信息估计全局噪声方差,从而完成红外图像噪声的自适应抑制。
1 维纳滤波理论
维纳滤波[9]认为图像和噪声建立在随机过程的基础上,寻找一个理想图像f的估计值fˆ,使两者之间的均方误差最小,表达式如下所示:
其中E{}表示期望值运算。假设图像和噪声不相关,其中有一个有零均值,且估计的灰度图像是退化图像的线性函数,则式(1)中误差函数最小值的频域表达式如下所示:
其中:H(u,v)表示退化函数,H*(u,v)是H(u,v)的复共轭,Sη(u,v)=|N(u,v)|2表示噪声的功率谱,Sf(u,v)=|F(u,v)|2表示未退化图像的功率谱。
2 自适应维纳滤波噪声抑制
维纳滤波理论(式(2))中,要求未退化图像和噪声的功率谱是已知的。然而,实际未退化图像和噪声的功率谱往往未知或不能估计。
维纳滤波的频域表达式如下所示:
其中K=Sη(u,v)Sf(u,v)为达到最佳的噪声抑制效果,需要对K值进行调整。
维纳滤波的空间域表达式如下所示:
其中:表示坐标(x,y)处滤波估计值,表示(x,y)处的邻域均值,s2表示坐标(x,y)处的邻域方差,v2表示图像噪声方差。式(4)中f(x,y)、以及2或已知,或可计算,唯独v2需要估计或设置特定值。
基于维纳滤波空间域框架(式(4)),提出一种噪声方差v2自适应调整的图像滤波算法。在阐述噪声方差v2的估计方法之前,首先分析原始图像和噪声图像的像素邻域方差特征,如图1和图2所示。图1表示原始Woman图像及像素邻域方差的三维显示图,图2表示Woman噪声图像及像素邻域方差的三维显示图,图2(a)表示向原始Woman添加均值0,方差0.001的高斯噪声的噪声图像,图2(b)表示图2(a)像素邻域方差的三维显示图,图2(c)表示2(a)平滑区域像素邻域方差的三维显示图,图2(e)~2(g)与图2(a)~2(c)相似。
分别对比图2(b)与图1(b),图2(f)与图1(b)可知,原始图像和噪声图像的像素邻域方差数值相差小,说明图像信号(目标边缘、图像纹理)起主要作用,如果直接利用噪声图像的像素邻域估计噪声方差v2,则会导致噪声方差v2估计不准确。图2(c)和2(g)分别表示噪声图像的平滑区域像素邻域方差的三维显示图,对比图2(c)与图1(b),图2(g)与图1(b),图像信号(目标边缘、图像纹理)对噪声方差的影响明显减小,说明利用图像平滑区域估计噪声方差v2能有效提高噪声方差的准确度。
噪声方差v2计算步骤:首先,利用Canny边缘检测将噪声图像划分为平滑区域和边缘区域;其次,构建噪声方差的邻域估计准则,计算平滑区域像素的局部方差σ2PH(x,y);最后,噪声方差v2等于所有局部方差σ2PH(x,y)的平均值,表达式如下所示:
其中:η表示平滑区域,size(η)表示平滑区域像素点个数。
平滑区域坐标(x,y)处的局部方差σ2PH(x,y)的计算步骤如下所示:
1)利用Canny边缘算子检测噪声图像边缘,并设定标志位tab(x,y);
2)设定σ2PH(x,y)的邻域范围,如坐标(x,y)处的33和55邻域分别如图3和4所示;
3)构建噪声方差的邻域估计准则,计算σ2PH(x,y);
在坐标(x,y)处33邻域中,若tab(x,y)=1,表明坐标(x,y)处的像素点是边缘点,σ2PH(x,y)=0;若tab(x,y)=0,表明坐标(x,y)处的像素点在平滑区域,分别沿水平、垂直、对角线和反对角线方向查看标志位tab大小,如果tab=0,将当前坐标像素点放入集合R中,如果tab=1,舍弃当前坐标像素点。
在坐标(x,y)处55邻域中,若tab(x,y)=1,表明坐标(x,y)处的像素点是边缘点,σ2PH(x,y)=0;若tab(x,y)=0,表明坐标(x,y)处的像素点在平滑区域,分别沿水平、垂直、对角线和反对角线方向查看标志位tab大小。以水平方向坐标(x,y-2)、(x,y-1)、(x,y)、(x,y+1)和(x,y+2)像素点为例:如果tab(x,y-1)=0,将坐标(x,y-1)像素点放入集合R中,继续查看tab(x,y-2)是否为0,0则放入集合R,否则舍弃;如果tab(x,y-1)=1,由于坐标(x,y)和(x,y-2)像素点在不同的平滑区域,所以需同时舍弃坐标(x,y-1)和(x,y-2)像素点;如果tab(x,y+1)=0,将坐标(x,y+1)像素点放入集合R中,继续查看tab(x,y+2)是否为0,0则放入集合R,否则舍弃;如果tab(x,y+1)=1,则同时舍弃坐标(x,y+1)和(x,y+2)像素点。
利用集合R,坐标(x,y)处的局部方差σ2PH(x,y)表达式如下所示:
其中size(R)表示集合R的像素点个数。根据上述分析,自适应维纳滤波算法流程图如图5所示。
3 实验仿真和数值分析
实验分别用传统和自适应维纳滤波对仿真的Lena噪声图像和实际的红外噪声图像进行滤波,并利用峰值信噪比(PSNR)和边缘保护指数(EPE)定量衡量不同算法的滤波性能。算法仿真软件环境是:Windows XP系统、Intel双核处理器(3.2 GHz)和4 G内存。仿真软件选用Matlab 8.0。硬件环境是:FPGA+DSP硬件平台。FPGA选用Altera公司StratixⅤ5SGXA9芯片,DSP选用TI公司DM642芯片。Lena噪声图像通过向原始Lena图像添加均值0,方差0.005高斯噪声获得。红外噪声图像由ULIS公司UL01011型320240非制冷探测器获得,工作波段是814m,工作帧频是25帧每秒。
3.1 评价参数
3.1.1 峰值信噪比PSNR
峰值信噪比PSNR(d B)和均方误差函数RMSE表达式分别如下所示:
其中:I表示原始图像,表示处理后的图像,N和M分别表示行数和列数。
3.1.2 边缘保护指数EPE[10]
为了衡量图像边缘的保护程度,利用边缘保护指数EPE(d B)进行评价,表达式如下所示:
其中:I表示原始不含噪图像,表示去噪后图像,edge(I)是图像I边缘点的集合,card(edge(I))是图像I边缘点的个数,EPE值越大反映边缘保护能力越强。
3.2 仿真Lena图像滤波结果
图6(a)(c)分别为Lena原始图像,Lena含噪图像(均值0,方差0.005的高斯噪声,图像PSNR=84.491 4)以及利用Canny算子对含噪图像的边缘提取。图7(a)(c)分别表示邻域范围取33,噪声方差v2取固定值和自适应估计的维纳滤波结果:图7(a)中v2取值过小,图像噪声抑制不明显;图7(b)中v2取值过大,图像的边缘细节受到损失,引起图像模糊,对头发丝的分辨力下降,帽沿不清楚;图7(c)中v2根据图像平滑区域局部方差和均值自适应估计,与图7(a)和图7(b)相比,自适应维纳滤波算法在去除噪声的同时保持的边缘细节信息。图8(a)(c)分别表示邻域范围取55,噪声方差v2取固定值和自适应估计的维纳滤波结果,图8(a)(c)之间的滤波效果对比与图7(a)(c)相同。图9(a)(c)分别表示邻域范围取77,噪声方差v2取固定值和自适应估计的维纳滤波结果,图9(a)(c)之间的滤波效果对比与图7(a)(c)相同。
对比图7、图8和图9可知,随着邻域范围增加,维纳滤波算法的噪声抑制能力增强,处理后的图像更加平滑,与图7(b)相比,图9(b)更加平滑,与图7(c)相比,图9(c)更加平滑。然而,随着邻域范围增加,图像的边缘细节同时被模糊。因此,选择邻域范围时,应权衡图像的噪声抑制和边缘保持水平。
表1给出了噪声方差v2固定和自适应估计的维纳滤波处理图像的峰值信噪比PSNR对比结果。33邻域范围,自适应维纳滤波图像的PSNR最多可提高1.735 3 d B;55邻域范围,自适应维纳滤波图像的PSNR最多可提高1.948 8 d B;77邻域范围,自适应维纳滤波图像的PSNR最多可提高3.120 9 d B。PSNR数据表明自适应维纳滤波算法能有效提高图像信噪比。
表2给出了噪声方差固定和自适应估计的维纳滤波处理图像的边缘保护指数EPE对比结果。在33、55和77邻域中,分别比较噪声方差取固定值100、1 000和自适应估计时的边缘保护指数EPE可知,噪声方差自适应估计时的边缘保护指数最大。EPE数据表明自适应维纳滤波算法具有良好的边缘保护能力。
3.3 实际红外图像滤波结果
本节利用不同维纳滤波算法对真实红外噪声图像序列(200帧)进行处理。权衡图像的噪声抑制和边缘保持水平,这里选用55邻域。由于没有原始无噪声图像,所以不能利用峰值信噪比PSNR和边缘保护指数EPE定量评价图像滤波和边缘保护的效果。图10(a)是第100帧红外噪声图像,图像存在严重的“点状”噪声和垂直方向的“竖条”噪声。图10(b)是利用Canny算子对噪声图像(图10(a))进行边缘检测的边缘图。图10(c)表示噪声方差取100维纳滤波的图像处理结果,“点状”和“竖条”噪声得到一定程度抑制。图10(d)表示噪声方差取1 500维纳滤波的图像处理结果,图像中目标边缘被损失,例如楼房边缘,图像整体模糊。图10(e)表示噪声方差自适应估计的维纳滤波处理结果,“点状”和“竖条”噪声得到有效抑制的同时,保持了图像的边缘细节信息。
图11给出了200帧实际红外图像序列的噪声方差的计算结果。该图表明:本文提出的自适应维纳滤波算法能稳定有效的估计图像的噪声方差。
结束语
维纳滤波作为一种快速有效的图像复原算法在日常生活中得到广泛的应用。针对传统维纳滤波要求未退化图像和噪声的功率谱必须已知的不足,本文提出一种红外图像中的自适应维纳滤波噪声抑制技术。实验结果表明:该算法能根据噪声水平自适应调整滤波参数,有效抑制图像噪声的同时保持了边缘细节信息,使维纳滤波算法更适用于实时图像处理系统中。
参考文献
[1]钱惟贤,陈钱,顾国华,等.一种具有噪声抑制功能的红外图像锐化算法[J].光学学报,2009,29(7):1807-1811.QIAN Wei-xian,CHEN Qian,GU Guo-hua,et al.Infrared image sharpening algorithm with noise inhibition[J].ACTAOPTICASINICA,2009,29(7):1807-1811.
[2]肖泉,丁兴号,王守觉,等.有效保持细节特征的图像椒盐噪声滤除方法[J].电子学报,2010,38(10):2273-2278.XIAO Quan,DING Xing-hao,WANG Shou-jue,et al.A novel detail preserving algorithm for removing salt-and-pepper noise[J].ACTA ELECTRONICA SINICA,2010,38(10):2273-2278.
[3]Eom I K,Kim Y S.Wavelet-based denosing with nearly arbitrarily shaped windows[J].IEEE Signal Processing Letters(S1070-9908),2004,11(12):937-940.
[4]Ercelebi E,Koc S.Lifting-based Wavelet domain adaptive Wiener filter for image enhancement[J].IEEE Proceedings on Vision,Image and Signal Processing(S1350-245X),2006,153(1):31-36.
[5]王秋平,周原,康顺.光电跟踪的非线性卡尔曼滤波算法[J].光电工程,2009,36(12):7-10.WANG Qiu-ping,ZHOU Yuan,KANG Shun.Nonlinear kalman filter method for electro-optical tracking[J].Opto-Electronic Engineering,2009,36(12):7-10.
[6]陈燊,侯榆青,杨旭朗,等.基于偏微分方程与维纳滤波的混合去噪方法[J].计算机工程,2010,36(10):193-198.CHEN Shen,HOU Yu-qing,YANG Xu-lang,et al.Mixed Denoising Method Based on Partial Differential Equation and Wiener Filtering[J].Computer Engineering,2010,36(10):193-198.
[7]赵双萍,邢敬宏.一种图像自适应Wiener组合滤波方法[J].计算机工程与应用,2010,46(31):169-171.ZHAO Shuang-ping,XING Jing-hong.Composite method for image adaptive Wiener filtering[J].Computer Engineering and Applications,2010,46(31):169-171.
[8]刘世军,彭真明,赵书斌,等.基于混沌粒子滤波的视频目标跟踪[J].光电工程,2010,37(7):16-23.LIU Shi-jun,PENG Zhen-min,ZHAO Shu-bin,et al.Tracking Target in video sequences based on chaos particle filter[J].Opto-Electronic Engineering,2010,37(7):16-23.
[9]冈萨雷斯.数字图像处理[M].北京:电子工业出版社,2003.Rafael C Gonzalez.Digital Image Processing[M].Beijing:Publishing House of Electronics Industry,2003.
图像自适应积分技术 第3篇
从算法对原始图像的依赖程度来讲,客观质量评价算法可分为全参考型、部分参考型及无参考型[3]。本文主要讨论全参考型的算法。根据算法所依据理论的不同,全参考型算法可分为以下几类: 1) 基于像素误差统计的算法。峰值信噪比( Peak Signal-to-Noise Ratio,PSNR)[4]和均方误差( Mean Squared Error,MSE)[5]是普遍使用的两种评价方法,通过计算对应像素点灰度值之间的误差来表征图像质量; 2) 基于图像结构特征的算法,Wang Zhou等人提出的SSIM( Structural SIMilarity)[6]将结构相似度引入图像质量评价,取得了里程碑式的突破; 3) 结合信息论理论的算法,视觉信息保真度( Visual Information Fidelity,VIF)[7]是从信息论角度出发,通过计算原始图像与失真图像间的互信息评价图像质量; 4) 基于人眼视觉模型的算法,其典型代表为Sarnoff实验室提出的基于人眼视觉特性的刚辨差( Just Noticeable Difference,JND)[8]模型。
全参考图像质量评价的方法很多,但同一图像采用不同方法评价质量,得到的结果却不尽相同。本文研究的客观质量评价算法建立在全参考型评价基础上,依据图片失真类型提出了一种自适应图像质量评价算法( Distortion based Self-adaption Algorithm,DSA) 。该方案首先采用机器学习对训练样本进行统计学习,建立分类模型,智能地实现图像失真类型的判断; 然后自适应地给出每种失真类型对应的融合评价算法,得出其客观评价分值,使其与主观评价更接近。本方法在TID2008 数据库[9]上进行了实验,结果表明,在图像失真类型分类及质量评价算法选择方面均有很好的准确度,且能较快算出与主观评价打分更接近的客观评价值。
1 失真图像的特征提取
TID2008 数据库所提供的图片信息均按照失真类型进行了分类。为了依据失真图像的特性对图像进行失真类型预测,首先需要选择性能良好的图像特征表征图片失真信息。本文首先对图像做预处理以建立规范化差值图像,然后进行分块、DCT变换等步骤,从中提取特征向量用于图像失真类型的分类。
1. 1 图像预处理
对于一幅大小为M × N的失真图像与其对应的原始图像,首先将它们转化为灰度图像,然后进行归一化处理,把图像像素动态范围统一到[0,1]区间,再利用图像差值法得到两幅图像的差值图像。
1. 2 提取DCT特征
离散余弦变换( Discrete Cosine Transform,DCT)[10]是一种空域到频域的变换,能很好地去除图像空间的相关性,描述图像信号的空间特征。图像经DCT变换后的主要能量集中在其DCT系数左上角的低频系数中,因此可以用这一小部分系数来代表整个图像的特征。本文中采用二维DCT变换对图像进行特征提取。
将预处理后得到的差值图像分割成n × n大小的非重叠块,因此共有B = ( M /n) × ( N/n) 个图像块。按从左到右、从上到下的顺序对图像块进行编号,Blocki记为第i个图像块,其中1≤i≤B。对图像块Blocki进行二维DCT变换得到n × n个DCT域系数。
位于图像块左上角的DCT系数是直流系数,反映了图像块的平均亮度,而图像块中的其他系数均为交流系数,代表了图像块的纹理信息,本文所需的失真类型特征应该从交流系数中提取。从第一个交流系数开始,进行Zigzag扫描,得到重新排列的DCT交流系数Cj: j = 1,2,…,n2- 1。DCT域的低频系数代表了图像块的主要信息,所以本文抽取图像块的前 α 个系数组成特征向量,其中1≤α≤n2- 1。则图像块Blocki的特征为
那么第k幅差值图像的图像特征为
式中: Vk为 α × B维的实数向量。
图像特征提取过程如图1 所示。TID2008 数据库中的图像大小均为512 × 384,以8 × 8 尺寸对图像进行不重叠分块,共到3 072 个图像块。在保证分类器准确率的前提下,为进一步降低数据量,本文每隔4 行4 列取块,共抽取192 个块。对这192 个块做二维DCT变换并进行Zigzag扫描,本文选取 α = 10,即前10 个DCT交流系数,由式( 1) ~ ( 2) 可得到1 920 维的失真类型特征Fk,后文中将使用此特征来训练图像失真类型分类器。
2 基于支持向量机的图像失真类型分类
支持向量机( Support Vector Machine,SVM)[11]是Vapnik等人提出的一种基于统计理论的机器学习算法,非常适合于解决非线性分类、高维模式识别等问题。对于低维空间中的线性不可分问题,SVM可通过核函数将低维样本投射到高维空间中,使其在高维空间中变得线性可分或者接近于线性可分,在新的空间中构造软间隔的最优超平面,实现样本的分类。
本文的实验平台是MATLAB,使用的SVM工具包为LIBSVM-3. 14。在分类过程中,为提高分类的准确率,本文采用网格搜索算法对分类参数c,g进行了寻优。网格搜索法即在某范围内,遍历参数,寻找最优的c,g,使得分类器的性能达到最好。
本文选取高斯模糊和JPEG压缩两种失真类型的图像进行失真分类实验。两类失真共选取200 个样本图像,其中用于建立分类模型的训练样本共100 幅( JPEG压缩50 幅,高斯模糊50 幅) 图像,组成100 组图像特征( Fk,k = 1,2,…,100) 并进行训练,可得到相应的支持向量、最优分类面方程的权值以及偏置量,即SVM分类器。对剩余100 组测试样本进行失真类型预测,结果如表1 所示。
由表1 可知,高斯模糊的分类准确率为100% ,JPEG的分类准确率为98% ,整体分类准确率为99% ,性能很好。其中SVM的参数寻优结果为c = 4,g = 0. 015 625。
3 图像质量评价模型
目前来说,虽然经过多年的发展,图像质量评价算法不断涌现,但是大多数算法都很难满足需求,即与人眼的主观评价达成高度一致。本文设计了一种基于图像失真类型的自适应评价算法,该算法可依据图像的失真类型,智能地选取相应的计算公式,对图像进行质量评价。
通过最小二乘法求解式( 3) ,可以确定每一种失真类型所对应的一组 μmi和c,建立自适应评价模型,即
其中: MOS( Mean Opinion Score) 为已知主观评价打分值; m为4 种经典图像质量评价算法的序号,即IQA1代表PSNR,IQA2代表SSIM,IQA3代表JND,IQA4代表VIF; i为评价指标的幂次; μmi为每一个IQAm或其幂次项的权重系数,c为常数项。本实验研究的失真类型为两类( 高斯模糊、JPEG) ,即对应的 μmi和c有两组,通过实验可得如表2 所示的结果。
自适应评价模型建立之后,本算法可依据SVM分类器预测的图像失真类型,选用对应于该失真类型的一组 μmi和c,采用下式得出客观评价指标DSA
4 质量评价模型的性能
衡量一个图像质量评价方法的性能,即评估客观预测和主观评价的一致程度主要有3 个指标: 1) Pearson相关系数( Linear Correlation Coefficient,LCC) ,反映了客观评价指标与MOS间的线性相关性; 2) Spearman等级相关系数( Spearman’s Rank Ordered Correlation Coefficient,SROCC) ,反映了客观评价指标与MOS间的单调相关性; 3) 均方根误差( Root Mean Squared Error,RMSE) ,反映了评价误差。其中,LCC,SROCC的取值范围均为[- 1,1],其绝对值越接近1,则表示一致性程度越高; RMSE作为误差指标,其值越低,则代表评价算法性能越好。
质量评价实验中仍采用上文第3 章节中的训练集和测试集进行实验,依据式( 3) 建立评价模型。根据式( 4) 计算这些图像的DSA,得出PSNR,SSIM,JND,VIF及DSA的评价指标SROCC,LCC,RMSE并进行比较,如表3 所示。图2 中画出了测试集合中DSA和MOS的散点图和拟合曲线。
由表3 和图2 可见,相比于PSNR,SSIM,JND,VIF算法,本文提出的基于失真类型的自适应图像质量评价算法在所有评价指标中均获得了更好的效果,散点图分布在一条曲线周围,与MOS值高度一致,可以被应用于实际的图像评价系统中。
5 小结
本文建议采用机器学习对失真差值图像进行分析,建立用于失真类型分类的SVM分类器。基于所建立的失真类型分类器及传统质量评价算法的性能分析,本文提出了一种自适应图像质量评价模型DSA,该模型可以依据待测图像的失真类型,自适应地选择质量评价算法及计算参数。实验结果表明,DSA算法能很好地对图像失真类型进行分类,得出客观评价值,且与主观评价指标有很好的一致性。
参考文献
[1]DUSAUSSOY N J,ABODOU E.Survey of image quality measurement[C]//Proc.1986 ACM Fall joint Computer Conference.[S.l.]:ACM Press,1986:71-78.
[2]WANG Z,BOVIK A.Modern image quality assessment[M].New York:Morgan and Claypool Publishing Company,2006:1-102.
[3]WANG Z,BOVIK A,SHEIKH H.Image quality assessment:from error visibility to structural similarity[J].IEEE transactions on image processing,2004,13(4):600-612.
[4]AVCIBAS I,SANKUR B,SAYOOD K.Statistical evaluation of image quality measures[J].Journal of electronic lmaging,2002,11(2):206-213.
[5]AHMET E,PAUL F.Image quality measures and their performance[J].IEEE transactions on communication,1995,43(12):2959-2965.
[6]WANG Z,BOVIK A,SHEIKH H,et al.Image quality assessment:from error visibility to structural similarity[J].IEEE transactions on image processing,2004,13(4):600-612.
[7]SHEIKH H,BOVIK A.Image information and visual quality[J].IEEE transactions on image processing,2006,15(2):430-444.
[8]LUBIN J.A visual discrimination model for image system design and evaluation[M].NJ:World Scientific Publishers,1995:245-283.
[9]PONOMARENKO N,CARLI M,LUKIN V,et al.Color image database for evaluation of image quality metrics[C]//Proc.Int.Workshop Multimedia Signal Processing.[S.l.]:IEEE Press,2008:403-408.
[10]AHMED N,NATARAJAN T,RAO K.R.Discrete consine transform[J].IEEE transactions on computers,1974,100(1):90-93.
工业彩色图像的局部自适应滤波 第4篇
工业现场采集的监视目标最普遍的弱点是物体与背景的灰度差小、图像污染及图像模糊, 使得对实测目标检测的鲁棒性和定位的准确性变得更为困难。故此滤波环节是首要的, 滤波效果直接影响后续处理和最终结果。同时工业图像的边界点往往具有重要的意义, 例如标定点和状态指示, 希望边界清楚、对比度大且连续。
文献[1]提出了自适应彩色图像滤波器 (ACIF) , 在滤除脉冲噪声、高斯噪声、混合噪声以及细节保持方面表现优异, 缺点是以固定窗分析噪声和计算量较大。李翠华等提出的以最小二乘 (LS) 为准则的自适应迭代滤波方法, 对Gauss噪声和均匀分布噪声效果很好, 但对污染严重的图像效果不佳。小波滤噪也是目前研究比较活跃的领域, 与数学形态学、传统滤波方法、模糊数学等结合, 取得了很好的成果, 但它的缺点也是计算量较大, 不适合实时图像处理。
本文提出了一种自适应彩色图像滤波的改进方法。首先利用自适应邻域法选择局部最大的灰度平稳区, 而不是大小固定的区域;然后, 利用中心像素与邻域点的差值判断中心像素的类型背景点、脉冲噪声、边界点;最后, 根据像素类型和邻域大小选择不同的滤波模板。方法的自适应性主要集中在邻域大小选择和噪声类型判断两方面。该方法计算量小, 对边界和细节保持较好, 对脉冲噪声作用明显。
1彩色补偿
受外界光照环境 (尤其是光源的颜色) 的影响, 采集来的彩色图像经常会发生彩色偏移, 需要对其作彩色补偿, 还原图像的真实颜色。彩色补偿的常用方法是矩阵法、多元回归法、查找表法、神经网络等方法。但它们具有各自的缺点:
(1) 矩阵法仅适用于线性设备, 矩阵参数难以选择, 常出现原图没有的颜色;
(2) 查找表法和神经网络法计算量很大;
(3) 多元回归法需要大量的标准图像, 这恰恰是工业图像不具备的。
文献[4]提出了一种新的补偿方法, 但计算量大且须根据经验设定参数值, 不满足实时性要求。这里引入Gray World彩色均衡方法[3,5]来消除彩色偏移。Gray World彩色均衡方法基于“灰度世界假设”, 该假设认为:对于一幅有着大量色彩变化的图像, R、G、B 三个分量各自的平均值趋于同一个灰度值。在客观世界中, 一般来说物体及其周围环境的色彩变化是随机且独立无关的, 因此这一假设是合理的。该方法的基本思想是:首先通过图像R、G、B三个分量各自的平均值 avgR、avgG、avgB确定出图像的平均灰度值avgGray;然后调整每个像素的R、G、B 值, 使得调整后图像的R、G、B三个分量各自的平均值都趋于平均灰度值avgGray。其具体计算步骤如下:
(1) 计算图像的R、G、B三分量各自的平均值aR、aG、aB, 并令图像的灰度值:
aGray= (aR+aG+aB) /3 (1)
(2) 令α1=aGray/aR, α2=aGray/aG, α3=aGray/aB, 对于图像中的每个像素V (i, j) , 调整其R、G、B分量VR (i, j) , VG (i, j) , VB (i, j) , 使得:
(3) 将图像各个像素R、G、B值调整到可显示范围之内。
以电厂汽包双色水位计监视图像为例, 图1、图2分别为补偿前和补偿后的图像, 可以直观地看出图2更接近真实色、更清晰。
2邻域选择
传统的选择区域为在以 (i, j) 为中心的一个局部平稳、大小固定的邻域。显然用固定尺寸和形状的窗口对图像信号作邻域统计是不精确的, 因为大部分的彩色图像具有非规则对相, 当有曲线像素通过窗口时, 窗内信号不能保证是局部平稳的, 故会产生较大的统计误差。我们用一种自适应邻域统计法, 使包含 (i, j) 点参与统计的邻域大小和形状能随图像的特征作自适应变化, 以保证邻域统计是在包含 (i, j) 点的最大平稳区内进行。令
(3)
其中C=R, G, B。
u (N) =uR (N) +uG (N) +uB (N) (4)
T为设定的阈值, 可以根据改进的平均方差法选择, 具体过程见文献[2]。如果u (N) 1表示在R, G, B三分量中有两个局部平稳区不再明显增加, 无需再增大窗口尺寸, 迭代运算停止。此时选定邻域大小为 (2N+1) (2N+1) 。
3彩色图像噪声分析
设V (i, j) = (VR (i, j) , VG (i, j) , VB (i, j) ) 为RGB彩色空间的像素点, VR、VG和VB分别表示R、G、B分量。以红色分量R为例, 具体步骤如下:
(1) 用中心像素和周围 (2N+1) ^2-1作差, 并取绝对值|VfC|;
(2) 判断|VfC|>M的个数H;
(3) 根据H的大小判断像素点类型:IFH>N (2N+1) , 为边界点;IFH>N (3N+2) , 为噪声点;否则为背景点。
参数M的自适应确定方法:
(1) 计算中心像素与其邻域像素差的绝对值|VfC (x, y) |;
(2) 求出:
(3) 令
上述方法较为准确地区分出背景、脉冲噪声和边界点, 但对于高斯噪声不敏感, 有可能出现漏判。故此在滤波环节作相应的处理, 以减少高斯噪声的影响。
4滤波方法设计
上述方法未区分高斯噪声, 背景点和边界点可能受到高斯噪声的干扰。为减少高斯噪声的幅值, 采用加权均值矢量替换原来的像素自适应加权滤波器 (AWF) 。AWF既具有良好的滤除脉冲噪声的能力, 又保持了抑制高斯噪声的能力。具体设计方法参见文献[1]。
(1) 背景像素
考虑到高斯噪声的影响, 较好的做法是用加权均值矢量替代原有的像素。
(2) 脉冲噪声
采用线性插值法, 丢弃原有的噪声点, 对周围点作加权线性插值得到滤波后的像素值。
(3) 边界点
窗口尺寸越小, 边界点相应的权值越大, 越有利于保持图像边缘与细节。
因此, 设计图3所示的局部自适应滤波器。
5实验结果
邻域迭代选择大小步骤中, 在用式 (3) 进行第一次迭代时, 取
对比上述几种结果, 自适应滤波方法更符合人类视觉特性。对上述四种滤波结果, 求横向差分。并将第四种与前三种一一相减, 得到横向差分图像。由差分图像可以看出, 在横向边界点有明显的灰度值, 说明自适应滤波方法的边界保持效果优于其它三种方法。
6结束语
本文介绍的自适应滤波方法, 算法简单, 适合于实时处理;滤波效果也优于中值滤波和线性插值滤波。然而, 本方法基于对RGB彩色分量单独处理, 没有考虑到三分量之间的相互联系, 对颜色特征区分不明显, 这有待于进一步深入研究。
摘要：针对工业彩色图像的特点和实时性较高的要求, 提出了简单的局部自适应滤波方法。该方法可以按照设定参数自动选择局部灰度平稳区, 根据选定领域范围内像素的统计特性来判断中心像素的类型, 可以较为准确地区分背景点、脉冲噪声点和边界点。结合邻域大小和类型, 设计了不同的滤波模板。该方法不需人为选定待滤波区域, 效果较好, 且运算时间短, 满足实时要求。
关键词：自适应滤波,工业彩色图像,局域自适应,彩色补偿
参考文献
[1]蒋刚毅, 郁梅, 郁伯康.自适应彩色图像滤波新方法[J].科学通报, 1999, 44 (18) :1937-1942.
[2]付忠良.图像阈值选方法[J].计算机应用, 2000, 20 (5) :37-39.
[3]雷鸣, 张军英, 董济扬.一种可变光照条件下的肤色检验算法[J].计算机工程与应用, 2002, 24:123-125.
[4]Cheng-Chin Chiang, Chi-Jang Huang.Arobust method for detecting ar-bitrarily tilted human faces in color images[J].Pattern RecognitionLetters, 2005, 26:2518-2536.
基于自适应平滑滤波的图像增强 第5篇
1 平滑滤波
1.1 平滑滤波的原理
已知原图像为f (x, y) , 大小为MN, 用大小为mn的平滑模板w (x, y) 滤波处理后的图像是g (x, y) , 则:
式中:a= (m-1) 2;b= (n-1) 2, 且m和n通常都取奇数[3]。为了得到一幅完整的滤波后的图像, 必须对原图像中的所有像素点依次应用此公式。
1.2 经典的平滑滤波方法
根据模板系数的不同, 平滑滤波又可分为均值滤波和加权滤波。均值滤波的模板特点是模板上各点的系数为相等的正数, 且系数之和为1。若用大小为mn的均值模板w (x, y) (模板系数均为) 对大小为MN的图像f (x, y) 进行均值滤波, 那么进行滤波处理后的图像g (x, y) 为:
均值滤波是在小范围内对像素点的灰度值取均值, 为了突出某些像素点的重要性, 模板系数就不再平均分配, 而是要有所差别的。处于模板中心位置的像素在处理后对该点的灰度值影响最大, 距离中心位置越远的像素在处理后对该点的灰度值影响越小。模板中心位置的系数最大, 离模板中心位置越远, 其系数越小, 且系数均为正数, 系数之和为1。如等。用这样的模板对图像进行的滤波处理叫加权滤波。
1.3 平滑滤波的不足
平滑滤波的模板越大, 虽去除噪声的效果越好, 但计算量越大、图像的细节也会越模糊。
2 锐化的原理
锐化滤波的主要目的是突出图像中的细节, 微分作为数学中求变化率的一种方法, 可用来提取图像中目标物轮廓和细节等突变部分, 即图像的边缘[4]。把提取来的边缘加到原图像上就得到锐化后的图像, 即细节信息增强后的图像。在数字图像处理的过程中, 通常用差分代替微分提取图像中突变的地方, 但通常噪声对差分更敏感, 如果直接对图像求差分, 在提取图像边缘的同时, 噪声也被提取出来了, 所以噪声也会被增强, 而且增强的程度比图像细节增强的程度更大。在实际的操作中通常用原图像减去平滑后的图像, 来得到图像的细节信息, 即使如此, 噪声在一定程度上也会被增强。
3 自适应平滑滤波
首先, 对图像f (x, y) 进行自适应平滑滤波得到fL (x, y) 。不再对整幅图像利用一个模板来平滑, 而是利用多个模板来平滑。选定一阈值t, 某像素点的灰度值与八邻域内像素点的灰度值之差的绝对值记为|Δfi|, 其中i=0, 1, 2, ⋯, 7代表了8邻域的8个方向。若|Δfi|≥t, i=0, 1, 2, ⋯, 7, 则对此像素点进行均值滤波;若某个|Δf|小于t, 则沿着此方向对该像素点进行加权滤波。对图像共进行三次自适应平滑滤波, 三次滤波的均值记为fL (x, y) 。其次, 将原图像减去自适应平滑滤波后的图像, 得到细节图像fH (x, y) , 即:
最后, 将fH (x, y) 乘以一定的系数k后和fL (x, y) 相加得到增强后的图像g (x, y) , 即g (x, y) =fL (x, y) +kfH (x, y) 。为了在增强细节的同时能抑制噪声, 系数k的选取比较关键:当模板中心位于无图像细节时, k趋于0, 当位于图像细节处时, k取值较大[5]。
式中:σ2i, j为像素点八邻域内局部灰度方差;σn2为整幅图像的噪声方差。
4 实验结果比较
将本文算法分别与单纯的平滑滤波、单纯的锐化滤波进行比较, 比较结果如图1所示。图1 (b) 噪声虽然被弱化, 但图像细节也被模糊, 比如帽子的纹理几乎看不到了;图1 (c) 图像的细节被强化, 但噪声也被强化; (d) 不仅有效地去除了图像的噪声, 还增强了图像的细节, 在图1 (d) 中阈值t=40。
5 结语
本文在分析平滑滤波、锐化滤波基础上, 提出自适应平滑滤波算法。实验表明, 该算法能够较好地增强含有噪声点的图像, 去除噪声, 增强细节, 改善整体视觉效果。
摘要：为了有效增强含有噪声点的图像, 采用基于自适应平滑的图像增强方法。首先根据当前像素点与周围相邻像素点灰度之差决定是将此点进行均值滤波还是沿着某方向进行加权滤波, 即利用多个平滑模板对图像进行自适应平滑滤波得到平滑后的图像;然后将原图像减去平滑后的图像得到细节图像;最后将细节图像乘以系数后加在平滑后的图像上得到增强的图像。与单纯的平滑、单纯的锐化相比, 此方法不仅有效去除了噪声, 又增强了图像的细节, 增强效果明显。
关键词：自适应平滑滤波,噪声去除,细节图像,图像增强
参考文献
[1]马苗, 焦莉莉.结构相似性灰关联在强噪声图像增强中的应用[J].西安电子科技大学学报:自然科学版, 2010, 37 (2) :346-352.
[2]陈传峰, 朱长仁, 宋洪芹.基于巴特沃斯低通滤波器的图像增强[J].现代电子技术, 2007, 30 (24) :163-165.
[3]冈萨雷斯.数字图像处理[M].北京:电子工业出版, 2004.
[4]王值, 贺赛先.一种基于Canny理论的自适应边缘检测方法[J].中国图象图形学报, 2004, 9 (9) :957-962.
[5]王绍波, 郭业才, 王帅.基于自适应低通滤波的超声医学图像增强算法[J].中国医学影像技术, 2009, 25 (3) :492-495.
[6]孔岩, 管庶安, 江峰.基于二阶梯度的图像增强算法研究[J].计算机与数字工程, 2011, 39 (4) :137-141.
[7]朱其刚, 朱志强.基于自适应邻域灰度直方图均衡的超声内窥镜图像增强[J].山东科技大学学报:自然科学版, 2004, 23 (3) :120-123.
[8]刘成云, 陈振学, 马于涛.自适应阈值的小波图像去噪[J].光电工程, 2007, 34 (6) :78-81.
[9]郁梅, 易文娟, 蒋刚毅.基于Contourlet变换尺度间相关的图像去噪[J].光电工程, 2006, 33 (6) :73-77, 83.
[10]付晓薇, 丁明跃.基于量子概率统计的医学图像增强算法研究[J].电子学报, 2010, 38 (7) :1590-1596.
图像插值的改进自适应核回归方法 第6篇
图像插值是在基于模型框架下在给定的空间范围内从低分辨率图像生成高分辨率图像的过程, 它是可以填补小图像放大中没有的信息, 也可以是恢复原图像中的丢失信息。图像插值在图像处理中有着重要的应用, 比如图像放大、图像去噪、超分辨率重建等问题都可以通过插值来实现。
目前插值算法按照不同的分类, 可以分为线性插值和非线性插值、均匀插值与非均匀插值。图像线性插值是用图像的离散采样值和插值函数之间的二维卷积来计算未知像素点的值, 选取不同的插值方法和插值函数可以得到不同效果的重建图像, 可以看作是原始图像经过一个线性滤波器或者线性插值函数的输出。插值常用的方法有最邻近插值法, 双线性内插法, 三次卷积插值, B样条插值等。其不足在于容易引起两种失真, 即图像边缘阶梯形失真效应 (最邻近法和双线性内插尤其明显) 和边缘模糊效应 (双线性内插法和三次卷积插值比较明显) 。注意到这两种失真都是产生于图像的边缘, 这是由于线性方法对所有的像素应用同样的插值函数, 而没有考虑到图像边缘的特殊性质而引起的, 而且以上方法的实质是低通滤波器, 这样会对图像产生不同程度的细节退化, 在增强图像平滑效果的同时丢失了高频信息, 而有时这些细节信息恰恰是非常重要的信息, 所以在如何保证平滑效果的同时尽可能保留细节信息无疑是非常有价值的。为此产生了一种基于估计和修改要插值像素之间的偏差距离的方法非线性插值算法, 比较典型的就是在降低图像边缘失真方面效果好些的自适应插值算法, 该方法通过对图像像素采用不同的自适应的权值进行加权和向自己相似度更高的像素方向移动插值像素来完成偏差调整过程实现的。非线性插值方法运算量相对较大, 但是随着硬件性能的提高, 它的应用将会越来越广。本文算法就是一种非线性插值算法。
均匀插值是指插值节点是规则的插值, 一般是针对规则采样而言的, 而非均匀插值则是针对不规则采样数据而言的。在实际操作中, 由于各方面的误差, 如运动, 模糊, 设备的精确度低等原因, 我们所得到的数据都是不规则的, 因此非均匀插值算法的应用更广泛。
目前插值算法的主要思想是对采样点的灰度值以及结构信息进行加权平均。插值算法的优劣性主要取决于核函数的选择。核函数回归[1,2]是一种建立在多项式回归的基础上的一种插值方法。A.Gilman[3]将最近邻插值、双线性内插和三次卷积插值等线性插值应用于超分辨率重建中的非均匀插值算法中;Lertrattanapanich[4]等提出一种基于Delanay Triangulation技术的非均匀插值算法;Vandewalle[5]等提出一种基于规范化卷积 (NC) 的非均匀插值算法;针对NC重建非均匀采样数据的不足, Pham[6]等提出鲁棒性NC与自适应NC增强插值过程中的结果保持性从而提高图像的信噪比。与NC原理类似, 经典核回归[7]等价于一个自适应的局部线性滤波器, 但其核函数的选择只考虑到了图像的灰度信息, 故对边缘的区域存在很大的缺陷。为此, Takeda等提出的steering kernel regression考虑了图像的灰度信息和结构, 用局部的协方差矩阵来估计图像的结果[8], 但是没有考虑到像素之间的邻近性影响, 插值图像整灰度值偏离较大和容易出现空洞的现象。因此本文利用图像的空间自相关性原理, 通过引入文献[9]中求出的利用最小二乘向量机对原始图像的局部区域进行灰度曲面的最佳拟合, 求出模拟图像的像素空间相关性关系的图像邻域中像素间几何距离函数融入steering自适应核函数中, 构成一种新的自适应核函数, 同时将这种新的核函数应用到非均匀采样和均匀采样的图像插值中, 实验结果表明了这种算法的有效性。
1 自适应核回归图像插值的理论和方法
对于一幅非均匀采样的图像, 设采样点的坐标为X1, X2, , XP, 为21的向量, 对应的灰度值为y1, y2, , yP, 插值图像的函数为z (X) , 它要满足
其中:εi=yi-z (Xi) 为估计值与真实值之间的误差, yi为采样点的灰度值, z (X) 为插值函数在Xi处的值。因此要使得估计的图像最接近原图, 就要使得误差的平方和最小化, 即
因此问题就在于如何精确估计函数z (Xi) 。利用数学分析的知识, 可以用灰度值函数z在X处的泰勒展式来估计z (Xi) 得:
这样, 优化模型式 (2) 就变为
其中Kernel是核函数, 其性质和选取原则可参见文献[10]。由于高斯核函数具有可分性和局部性, 所以应用最广泛, 本文中用的核函数就是高斯核函数。经典核回归中核函数Kernel=KH (Xi-X) , 如式 (6) 所示。
其中:K是一个二维的核函数, H是一个22的光滑矩阵。光滑参数h只与图像的灰度值有关, 对图像的结构无法刻画。经典核回归插值算法等价于一个自适应的局部线性滤波, 选取的光滑矩阵Hi使得计算非常方便[11], 但是对于边缘区域存在很大的缺陷, 因此选取权重时要把样本的灰度信息与图像结构考虑进去, 于是出现了自适应核回归插值算法。根据图像的结构信息与灰度信息构造的自适应核函数为
目前自适应核函数回归主要是steering核回归方法。Takeda等针对经典核缺点提出的steering kernel方法考虑了图像的灰度信息和结构, 用局部的协方差矩阵来估计图像结果[12], 其核函数定义为
其中:为光滑控制矩阵, 为steering矩阵, Ci为灰度的局部协方差矩阵。选取高斯核作为核函数。在具体实验中[7]发现, 图像的整体灰度值偏离原图像较大, 有些地方还会出现空洞现象, 效果不理想。为此, 本文把文献[9]中求出的图像邻域中像素间几何距离函数融入steering自适应核函数中, 得到自适应核函数为
其中:为修正系数, 根据文献[9], 取γ=1;2σ=0.6。Xi对应采样点的坐标, 如果把图像看做曲面, 整个K (Xi) 项可看做对原始图像像素的某个邻域曲面的最佳拟合, 即插值曲面的最佳拟合函数, 再与steering核函数相乘时, 得到的插值点像素值不仅受到图像的灰度信息和结构的影响, 还受到空域中像素之间的邻近性影响, 这样就可以抑制steering自适应核函数插值中出现的整体灰度值偏离较大和空洞的缺点。其中γ项的作用就是为了突出中心像素点的数值, 抑制纹理图像插值的空洞现象。
2 模型的求解
把改进的优化模型写成矩阵的形式, 优化问题等价为
对优化等价问题式 (10) 中的b求导数, 并令其为0, 可解得:
因此
对于本文提出的改进的自适应核回归插值模型, 由于K (Xi) 只与像素之间的几何距离有关, 与图像的灰度值和结构无关, 根据高斯核函数的可分离性质, 可知其可预先计算出来, 表示为如式 (13) 。所以改进的自适应核回归并不十分的影响插值算法的计算时间。
3 实验结果
本文对256256的Lena图像分别进行四倍均匀采样得到的图1 (a) 、图2 (a) 通过大小为33, 方差为0.6的高斯模糊函数, 然后加入均值为0, 方差为10的高斯白噪声, 得到的用来模拟一幅低分辨率的图像图2 (a) 和非均匀采样 (丢失了原来的85%的像素值) 图3 (a) , 然后分别用经典核回归、steering核回归和本文方法进行放大, 实验结果分别如图1、图2和图3所示。其中参数选择为:图1中光滑参数h=0.5, 窗口大小都为5, 结构敏感参数为0.05;图2中光滑参数h=0.68, 窗口大小都为5, 结构敏感参数为0.02;图3中光滑参数h=2.3, 经典核回归窗口大小为15, steering核回归和本文方法的窗口大小为9, 光滑参数h=2.3, 结构敏感参数为0.1。实验结果用均方根误差 (RMSE) 和时间作为评价实验结果的指标, 如表1所示, 表明新算法在效果上具有优越性。
由于经典核回归插值算法只利用图像的灰度值进行插值重建, 计算复杂度相对比较简单, 所以耗时较小, 但图像边缘模糊, 重建图像的细节不是很好图1中柱子中的黑线即空洞效应 (椭圆框出处) , 同时人脸也比较光滑。而steering核回归利用图像的灰度和结构信息, 以增加计算的复杂度, 相应的运算时间也增加 (大约3 s) 为代价提高图像质量, 但由于本身结构的限制, 不可避免的出现了一些灰度值偏离比较大的状况;本文采用图像自相关性原理对steering核进行加权, 由于这种权值只与像素距离有关, 故可事先求出作为已知数据来使用, 这样增加的时间复杂度不是很大 (0.1~0.3 s) , 但是插值图像中的像素偏离明显得到改善, 得到了引入该函数的目的, 同时对于有噪声的模糊图像和非均匀采样的图像插值, 也能取得良好的主观效果和较小的RMSE, 这充分说明了改进算法是有效的。实验结果表明本文提出的自适应核回归函数对非均匀采样图像的插值放大也是有效的。
4 结论
本文通过提出一种新的自适应核函数, 实现了一种基于调整核回归函数的图像插值算法, 该算法在已有的steering核回归插值算法基础上, 根据图像的自相关性原理, 充分利用图像中各点像素的近邻性影响, 通过加权的方式把这种近邻性影响引入到steering核函数中, 以实现对插值中出现灰度值偏离较大和空洞的现象的抑制。实验结果表明该方法是有效的。而如何选择更好的参数和对算法进行优化改进以提高其处理速度将是下一步深入研究的重点。
摘要：针对steering自适应核回归的插值算法中图像整体灰度值偏离较大和空洞的现象, 本文提出了一种基于改进的自适应核回归函数的图像插值算法。该方法根据图像的自相似性原理, 通过把图像邻域中像素间几何距离函数融入steering自适应核函数中, 实现一种改进的自适应核函数, 并采用这种核函数对图像进行回归插值。实验结果表明, 改进的自适应核函数对非均匀采样和均匀采样的图像实现插值放大的效果比经典核回归方法、自适应steering核回归的方法要好。
关键词：图像插值,核函数,核回归,几何距离函数
参考文献
[1]Farsiu S, Robinson M D, Elad M, et al.Robust Shift and Add Approach to Super-Resolution[C]//Proceeding of the SPIE Annual Meeting Nature, San Diego, C A, August05-08, 2003, 5203:121-130.
[2]Gonzalez R C, Woods R E.Digital Image Processing[M].Upper Saddle River, N J:Prentice Hall, 2002:467-478.
[3]Gilman A, Bailey D G.Near Optimal Non-uniform Interpolation for Image Super-resolution from multiple images[C]//Image and Version Computing Nature New Zealand (IVCNZ'06) , Great Barrier Island N Z, November27-29, 2006:31-36.
[4]Lertrattanapanich S.Super-resolution from Degraded Image Sequence Using Spatial Tessellations and Wavelets[D].University Park:Pennsylvania State University, 2003:23-25.
[5]Vandewalle P.Super-resolution from Unregistered Aliased Images[D].Switzerland:Katholieke Universiteit Lenven, 2006:15-17.
[6]Pham Q T.Spatiotonal Adaptivity in Super-resolution of Under-sampled Imag Sequences[D].Australia Geboren te Hanoi:Monash University, 2006:46-51.
[7]Arigovindan M, Suhling M, Hunziker P, et al.Variational Image Reconstruction from Arbitrarily Spaced Samples:A fast Multi-Resolution Spline Solution[J].IEEE Transactions on Image Processing Nature (S1057-7149) , 2005, 14 (4) :450-460.
[8]Takeda H, Farsiu S, Milanfar P.Kernel Regression for Image Processing and Reconstruction[J].IEEE Transactions on Image Processing Nature (S1057-7149) , 2007, 16 (2) :349-366.
[9]郑胜, 田金文, 柳健.基于向量机的图像插值算法研究[J].中国图象图形学报, 2005, 10 (3) :338-343.ZHENG Sheng, TIAN Jin-wen, LIU Jian.Research of SVM-based Image Interpolation Algorithm Optimization[J].Journal of Image and Graphics, 2005, 10 (3) :338-343.
[10]黄啸.支持向量机核函数研究[D].苏州:苏州大学, 2008:19-21.HUANG Xiao.Research on SVM Kernel Function[D].Shuzhou:Soochow University, 2008:19-21.
[11]Charles F Manski.Analog Estimation Methods in Econometrics[M].New York:Chapman and Hall, 1988:342-345.
图像自适应积分技术 第7篇
在雷达图像滤波方面有大量雷达滤波算法, 本文研究成像后SAR图像的滤波处理, 采用局域统计自适应滤波算法, 以局域的灰度统计特性为基础决定参与滤波的邻域像素点及其权值, 在平滑噪声的同时较有效保持边缘特征。
1 滤波算法目视效果评价
对雷达图像的滤波, 应使在滤波消除斑点噪声同时较好保持边缘和纹理细节特征。目视效果评价具有其重要实用性, 就目前而言, 大部分雷达图像解译还是需人工进行, 目视效果很大程度上影响解译人员判读准确性, 下面通过对滤波处理图像对比分析各滤波算法不同, 窗口均设为55:
2 利用评价因子对滤波效果进行评价
实验选用两幅雷达图像, 1图为HH极化, 大小500500, 分辨率10m, 成像于武汉地区。2幅为HH极化, 大小217213, 分辨率1.2m, 地点加拿大多伦多市市区。对两图进行各种滤波处理后, 计算相应评价因子, 排序可得:
从均值看, 其为整个图像平均强度, 反映图像包含目标平均后向散射系数。两图滤波结果Sigma滤波均值最小, 整体色调表现较暗, 均值滤波均值最大, 色调较亮。
方差代表图像中所有点偏离均值程度, 反映图像不均匀性。两影像处理结果均为Lee滤波方差最大, 即图像不均匀性最大, 与Lee滤波结果中大量白色斑点的出现相符。
从等效视数看, 图1均值滤波与Sigma滤波分别对应为最大最小值, Sigma滤波纹理保持较好, 平滑效果不行, 均值滤波平滑效果最好, 但纹理损失最严重。图2Lee滤波等效视数最大, 纹理保持最好, 但图像上产生白色斑点。这种差异主要是由于两幅图像所在地区的地表粗糙程度及地表物体反射系数分布均匀程度所决定的。
从辐射分辨率分析, 武汉图像滤波结果中, 均值滤波信息损失最为严重, 辐射分辨率也最差, Sigma滤波分辨率最好, 纹理保持最佳。多伦多图像滤波结果Lee滤波分辨率最好, 纹理最佳。另外, 辐射分辨率大小的排列正好与等效视数正好相反。这是由于滤波的程度越大, 在滤波平滑的过程中原图像的信息丢失也会随之增大, 必然导致图像整体分辨率的下降。
从均方误差来看, 武汉地区Sigma滤波均方误差最小, EPOS滤波最大, 多伦多地区Lee滤波均方误差最小, EPOS滤波最大, 且除Sigma滤波与Lee滤波外, 两图的其他滤波算法排列相同。通常均方误差值越小, 则反映滤波后的图像越接近于理想图像, 滤波效果越好。通过观察, 还可发现上述滤波方法均方误差排列与等效视数近似相同 (EPOS除外) 。这是由于随效视数增大, 滤波程度增大, 其与理想图像的差异也就越来越大了。
从峰值信噪比来分析, 武汉地区EPOS滤波的峰值信噪比最大, 噪声在图像中所占比重最小, Sigma滤波峰值信噪比最小, 噪声所占逼真那个最大。于此同时, 多伦多地区Lee滤波的峰值信噪比最小, 同样是EPOS滤波最大。这些数据的大小排列与滤波处理后图像上噪声的分布情况是相一致的。上述滤波方法的峰值信噪比大小排列与辐射分辨率近似 (EPOS除外) , 即图像的辐射分辨率越高, 其峰值信噪比越大。
3 结论
在对雷达图像的滤波处理中, 需要充分考虑图像的不均匀性, 以局域的灰度统计特性为基础来决定参与滤波的邻域像素点及其权值, 传统的滤波方法在雷达影像中已经不太适用了。对于雷达图像的滤波处理, 我们的最终目标是希望得到一幅既保证高辐射分辨率又保证良好的滤波效果的图像。但是通常情况下, 辐射分辨率与滤波效果是背道而驰的, 鱼与熊掌不可兼得。例如在本文提到的几种滤波算子中, Lee滤波, Sigma滤波与EPOS滤波均可得到较好的纹理效果, 但是在去噪方面表现较差, 均值滤波和MAP滤波的去噪效果好, 但是纹理丢失相当严重。对此, 我们需要统合地看待这一问题, 合理地处理高辐射分辨率与滤波平滑之间的平衡, 通过对滤波后各评价因子的综合分析, 找出较好地几个待选滤波算法, 再通过目视效果的评价对其作出选择。
摘要：综合运用目视评价与各种评价因子依次对Sigma滤波, 增强Lee滤波算法, 增强Kuan滤波算法, 增强Frost滤波算法, 最大后验概率 (MAP) 滤波算法, 边缘保持最优化 (EPOS) 滤波算法进行性能校验与评价, 对比分析各滤波算法优缺点。
关键词：自适应滤波算法,目视效果,评价因子
参考文献
[1]杨凯, 等.遥感图像处理原理和方法[M].北京:测绘出版 社, 1988.
[2]Lopes R Touxi. E Nezry. Adaptive Speckle Filters and Scene Heterogeneity[J].IEEE Trans On Geoscience and Remote Sensing, 1990.
