论文研究-图像增强研究综述 .pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.32M 资料格式：pdf 举报版权申诉

weixin_39841848-11565657-16359647552952249165.pdf-第1页.png

第1页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第2页.png

第2页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第3页.png

第3页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第4页.png

第4页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第5页.png

第5页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第6页.png

第6页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第7页.png

第7页 / 共8页

weixin_39841848-11565657-16359647552952249165.pdf-第8页.png

第8页 / 共8页

文本预览

中国科技论文在线 http://www.paper.edu.cn 图像增强研究综述李文节，程德强，周婷* （中国矿业大学信息与电气工程学院，江苏徐州 221008）摘要：由于图像增强与感兴的趣物体特性、观察者的习惯和处理目的密切相关，带有很强的针对性，因此，图像增强算法的应用也是有针对性的。尽管增强处理方法多种多样，但并不存在一种通用的、适应各种场合的增强算法。本文围绕图像增强算法而展开，就几种有代表性的图像增强算法进行了研究，分析了各自的优缺点并指明了其最佳适用场景。关键词：图像增强；直方图均衡化；模糊增强；小波变换；人工神经网络中图分类号：TP391 Overview of Image Enhancement Research (School of Information and Electrical Engineering, China University of Mining and Technology, LI Wenjie, CHENG Deqiang, ZHOU Ting Xuzhou, Jiangsu 221008) Abstract: Because image enhancement is closely related to the property of the interested target, the habit of observers and the specific processing goa, sothe image enhancement algorithm is only aimed at the given process goal, too. Though a variety of algorithms of image enhancement processing were proposed, however, there wasn’t a universal algorithm coming into existence so far. This paper is developed according to the algorithm of image enhancement. Then some representative algorithms are investigated.The advantage and defect of the mentioned algorithms as well as the suitable application situations of them are analyzed and pointed out. Key words: Image Enhancement; Histogram Equalization; Fuzzy Enhancement; Wavelet Transform; Artificial Neural Network 0 引言图像增强是对图像的低层次处理，处于图像处理的预处理阶段。它是图像处理的一个重要环节，在整个图像处理过程中起着承前启后的重要作用，为后续处理阶段做准备，对图像高层次处理的成败至关重要。其目的就是为了改善图像的质量和视觉效果，或将图像转换成更适合于人眼观察或机器分析识别的形式，以便从图像中获取更加有用的信息。 1 图像增强的基本理论一般而言，图像增强[1][2][3]是根据具体的应用场景和图像的模糊情况而采用特定的增强方法来突出图像中的某些信息，削弱或消除无关信息，以达到强调图像的整体或局部特征的目的。常用的图像增强方法有灰度变换、直方图修正、噪声清除、图像锐化、频域滤波、同态滤波及彩色增强等。图像增强的方法主要分为两类：空域增强法和频域增强法。空域增强法直接针对图像中的像素，对图像的灰度进行处理[4]；频域增强法是基于图像的 Fourier 变换式对图像频谱进行改善，增强或抑制所希望的频谱。由于对图像质量的要求越来越高，单一的增强处理往往难以达到令人满意的效果。因此，在图像的实际增强处理中，常常是几种方法组合运用，各取所长以达到最佳的增强效果。作者简介：李文节（1985-9-10），女，硕士，信号与信息处理. E-mail: lwjljd@163.com - 1 -

中国科技论文在线 2 几种具有代表性的图像增强算法 2.1 基于直方图均衡化的图像增强算法 http://www.paper.edu.cn 图像直方图描述了图像的灰度级内容，包含有非常丰富的信息，是图像处理中一种十分重要的分析工具。从数学上来说，图像直方图是图像各灰度值统计特性与图像灰度值的函数，给出了图像中各个灰度级出现的次数或概率；从图形上来说，它是一个二维图，横坐标表示图像中各个像素点的灰度级，纵坐标代表各个灰度级上图像各个像素点出现的次数或概率，直方图描述了图像最基本的统计特征。 1r≤ ≤ ，0 直方图均衡化[5][6]处理算法描述如下：令变量 r 和 s 分别代表图像增强前后的像素灰度 rP r 和 ( ) sP s 。为讨论方便起见，将图像灰度级r 等级，相应的灰度级分布概率密度分别为 ( ) 和 s 归一化在[0,1]之间，即0 1s≤ ≤ 。在灰度级坐标中 r =0，表示黑，r =1 表示白。直方图均衡化处理实际上就是寻找一个灰度变换函数 ( )T i ，使变换后的灰度值，即建立 r 与 s 之间的映射关系。通过这一映射关系，使得图像中对比度较弱、细 s T r ( ) = 节不清，且灰度分布集中的狭窄区域的灰度分布趋向均匀，像素灰度间距拉大，从而改善视觉效果，达到增强目的。但变换函数 ( )T i 必须满足以下两个条件： 1） ( )T r 在0 2）对0 1r≤ ≤ 范围内是个单值单调增加函数。 1r≤ ≤ ，有 0 T r ( ) 1 ≤ 。 ≤ 条件 1）保证逆变换存在，且原图像各灰度级在变换后仍保持从黑到白的排列次序，防止变换后的图像出现一些反转的灰度级。条件 2）保证变换前后像素灰度值动态范围的一致性，也就是说，图像变换前后有着同样的灰度级范围。归结起来，直方图均衡化算法的步骤如下：（1）统计原始图像各灰度级的像素数目 kn ，k=0,1,2…L—1。 p r （2）计算原始图像的直方图，即各灰度级的概率密度 ( ) = r k n k / n （3）计算累积分布函数 s k = k ∑ j = 0 p r ( r k ), k = 0,1... L − 1 （4）计算最后的输出灰度级 Int L [( = s k − 1) s k + 0.5], k = L 0,1... 1 − Int 代表取整运算符。其中， [*] （5）利用 kr 和 ks 的映射关系，修改原图像的灰度级，获得增强图像，使得图像直方图为近似均匀分布。直方图均衡化算法是图像增强空域法中的最常用、最重要的算法之一。它以概率理论为基础，运用灰变换来实现调整图像的灰度分布，从而改善图像对比度达到增强的目的。由于其计算简单，包含信息量大，被广泛用于图像增强处理之中。在对增强图像细节要求不是很 - 2 -

中国科技论文在线 http://www.paper.edu.cn 高的大多数应用场合，直方图均衡化能起到良好的增强效果。同时直方图均衡化增强也存在着两点不足：其一，处理后的图像灰度级有所减少，致使某些细节消失；其二，某些图像，如直方图有高峰等，经处理后其对比度易产生不自然的过分增强。例如，有些卫星图像或医学图像因灰度分布过度集中，在对此类图像进行直方图均衡化处理时，其结果往往会出现过亮或过暗现像[7]，达不到增强视觉效果的目的。此外，对于图像的有限灰度级，量化误差也经常引起信息丢失，导致一些敏感的边缘[8]因与相邻像素点的合并而消失，这是直方图修正增强无法避免的问题。 2.2 基于模糊集理论的图像增强算法模糊集理论[9]能够在图像处理领域找到自己的应用场合和对像，并表现出优于传统方法的处理效果，归根结底其原因主要在于：图像所具有的不确定性往往呈现出模糊性。自八十年代初人们开始对基于模糊理论的图像增强研究以来，它在图像的边缘增强及检测方面[10] [11]取得了显著的效果，如 Pal 和 King 提出的模糊边缘算法就能有效的将物体从背景中分离出来，并在模式识别[12]和医学图像处理中获得了广泛的应用。 2.2.1 模糊增强算法模糊增强方案的算法框图如图 1 所示：图 1 模糊增强算法框图 Fig. 1 Fuzzy enhancement algorithm diagram （1）模糊域内的图像增强模糊域内的图像增强就是在图像的模糊特征平面上对 ijμ（ ijμ 为隶属函数）进行非线性变换，其结果是增大（当>0.5 ijμ ）或者减小（当≤0.5 ijμ ） ijμ 的值。选用如下增强算子[13]： ' μ ij = Τ ( μ ij ) ( = Τ Τ 1 ( μ− ij 1 r )) r r = 1,2... （1）其中， Τ r ( μ ij ) 2( ⎧⎪ μ ij = ⎨ 1 2(1 − − ⎪⎩ 2 ) μ ij 2 ) 0 ≤ 0.5 μ ≤ ij μ ≤ ij 0.5 1 ≤ - 3 -

中国科技论文在线 http://www.paper.edu.cn 式（1）中， ( )T i 变换关系如图 2 所示。 rΤ 定义为 1Τ 的多次递归调用。不难看出，对 rΤ 做有限次递归调用后，图像可显著增强。随着迭代次数 r 的增大，致使曲线越来越陡峭，极限情况下，当 r→∞时， ( )T i 将产生二值图像。图 2 ( )T i 变换 Fig.2 ( )T i transform （2）空域内的图像增强把模糊域内的已增强的图像，进行 1G − 逆变换，便可得到空域的增强图像，其逆变换 1G − 定义为： X ij = G 1 − ( ' μ ij ) ⎧ ⎪ = ⎨ ⎪⎩ X T X T − + F d F d ' [( μ ij [( ' μ ij ) ) − 1 F e − 1 F e 1] − 1 − X X ij ij ≤ > X X T T （2）模糊增强算法可归纳成如下三部分：首先，对原始图像进行模糊特征提取，得到图像的模糊特征平面。然后，在模糊特征平面上对模糊特征 ijμ 进行增强变换，求得增强的模糊特征 ' ijμ 。最后，在新的模糊特征平面上进行逆变换，得出相应的增强图像。 2.2.2 If……then 模糊规则解释 If……then[14]规则包括以下三个过程：（1）输入模糊化确定出 If……then 规则前提中每个命题或断言为真的程度（即隶属度）。（2）应用模糊算子如果规则的前提有几个部分，则利用模糊算子确定出整个前提为真的程度（即，整个前提的隶属度）。（3）应用蕴含算子由前提的隶属度和蕴含算子，确定出结论为真的程度（即结论的隶属度）。 - 4 -

中国科技论文在线 http://www.paper.edu.cn 推理就是根据已知的一些命题，按照一定的法则去推断一个新命题的思维过程和思维方式。简言之，从已知条件求未知结果的思维过程就是推理。模糊逻辑推理是一种不确定性的推理方法，其基础是模糊逻辑，它是一种以模糊判断为前提，运用模糊语言规则，推出一个新的近似的模糊判断结论的方法。 2.2.3 小结总前所述，从理论上分析，利用合理的 If……then 模糊规则就可以有效的消除噪声[15] 对图像边缘提取的影响，因此，不必加滤波器和降噪预处理，仅仅通过调节模糊参数即可达到减小噪声影响的目的。所以，在抗噪声干扰方面，模糊增强具有很强的优势。在模糊增强处理过程中，合理选择模糊参数是保证增强效果的一个重要环节。 2.3 基于小波变换的图像增强算法小波变换[16]因其所具有良好的时频局部化能力和多分辨率分析能力[17]，使其在数字图像处理的应用中占有举足轻重的地位。目前，小波变换已经广泛应用于图像纹理分析、图像编码、计算机视觉、模式识别、语音识别等科技领域[19]。为了同时增强图像的全局特征，提出了基于小波变换的多尺度增强算法[20]。多尺度表示按尺度 s 和方向 k 将图像的频谱分为低通子带图像和一系列带通图像，而不同频带的空间和频率分辨率正比于1 s 和 s。通过选择合适的尺度 s，可以在空间域更好的放大和分析图像细节。基于小波变换的增强方法可描述如下：设 ( , f x y 是空间 2( L IR 的图像，其小波变换为 ) ) W f ( ψ ) j k , x y ( , ) ，其中 2 j s = 表示尺度， k 表示分解方向，基本思想如下：（1）将图像 ( , f x y 通过小波正变换成 ) W f ( ψ ) j k , x y ( , ) ；（2）根据图像模型计算小波系数 W f ( ψ ) j k , x y ( , ) 的阈值 ,j kT ,；（3）对小波系数 W f ( ψ ) j k , x y ( , ) ≤ 作置零处理； T j k , ( , （4）对非零小波系数采取拉伸，即 , j k x y 上尺度为 j，方向为 k 的增益因子； ) 位置( , ψi G x y W f ) ( ) j k , x y ( , ) ，其中 , ( , j kG x y ≥ 是在 ) 1 （5）对处理后的小波系数 W f ( ψ ) j k , x y ( , ) 实施相应的小波逆变换。 Laine[21][22]等利用上述增强方法，对小波系数采用线性或非线性映射函数来增强乳腺 X 射线图像，达到了改善对比度，增强图像细节的目的。Lu 和 Helly 等[23]则利用 Mallat[24]的多尺度边缘表征[25]来突出增强医学图像的边缘信息，同时抑制了噪声。Brown[26]更进一步研究了一般小波变换情况下如何自适应的选择映射函数用以抑制噪声。这些算法归纳起来分为以下四种：（1）小波变换高频增强法，这是一种补偿图像轮廓的处理方法。因为图像的轮廓是灰度陡然变化的部分，包含着丰富的空间高频分量。把高频分量相对突出，显然可使图像轮廓加强，看起来比较清晰。采用这种方法后，由于相对增强了高频成分或削弱了低频成分，因而所得图像往往偏亮或偏暗，对比度差。所以常常要在反变换后再进行对比度增强处理，这样才能得到更好的增强效果。 - 5 -

中国科技论文在线 http://www.paper.edu.cn （2）小波变换的反锐化掩模法。相对增强高频成分的方法，在空间域有一种称之为反锐化掩模的技术，它在摄影技术中广为采用，以增强图像的轮廓。光学上的操作方法是将聚焦的正像和散焦的负像在底板上叠加。散焦的负像就好比“模糊”掩模，它与“锐化”正好相反，因此被命名为反锐化掩模法。它和传统的方法相比有着明显的优越性。首先，小波变换使原图中不同分辨率的细节特征随尺度的不同而分离开来，避免了不断调整滤波器窗口大小来选择增强效果的繁琐工作；其次，由于是对不同尺度下的小波分量分别进行了增强，原图像中不论较粗还是较细的轮廓都能够同时得到加强。（3）小波变换的自适应滤波，这是一种图像平滑算法。它是利用小波分解后相邻尺度间小波系数的相关性来区分边缘和噪声，在滤除噪声的同时可以很好地保护图像边缘，并且几乎不产生“粘连”“振铃”等负效应。（4）方向性滤波。由于小波分解后产生的小波分量具有明显的方向性，利用传统的中值滤波思想，可获得新的去噪算法。这种方法不仅克服了普通中值滤波存在的不足，而且能够有效地抑制噪声，同时还能够保留绝大部分边缘信息，特别适宜以平滑线条为主要结构的图像。在需要着重考虑增强图像的细节，同时能有效的抑制噪声的应用场合，如医学图像、卫星图像增强等，小波变换增强有着传统增强算法无法比拟的优势。由于小波变换具有良好的时域和频域局部化特性，以及能与多尺度表示相结合，使得基于它的图像增强非常适合人眼对图像的感知特性，非常适合人们对图像各个尺度（分辨率）下细节的分析，其增强效果一般要优于传统的图像增强算法。 2.4 基于神经网络的图像增强算法目前已经提出了多种神经网络模型用于图像去噪、增强、重建[27]。这些算法的基本原理是用非线性系统模型表示预处理的图像，然后用神经网络算法求解其最优解。由于神经网络能够有效地适应图像处理的非线性本质，解决图像增强的非线性模型，而且还不需要知道先验知识，同时它的高度并行处理能力使得图像增强的处理速度明显加快[28]，因此，神经网络在图像增强上获得了广泛应用。 2.4.1 小波网络的应用前景小波网络是结合小波变换理论与人工神经网络的思想而构造出的一种新型神经网络模型。它不仅具备小波变换良好的时频局域化特性和神经网络的高度并行处理功能，而且以小波分解作为理论基础，从而能够有效的根据训练样本集确定网络结构，弥补传统神经网络的一些不足。同时由于小波变换的多分辨率分析的特点，使小波变换在图像处理领域应用上的优势得以淋漓尽致地发挥。结合了小波变换和神经网络各自优点的小波网络在图像处理领域中应用前景看好，一片光明。 2.4.2 模糊神经网络的应用前景模糊神经网络[29][30]是神经网络和模糊技术的有机结合，可以有效的发挥各自的优势并弥补其不足。神经网络在学习和自动模式识别方面有很强的优势，与模糊技术的结合可以大大拓宽神经网络处理信息的范围和能力，不仅能够处理精确信息，而且可以处理模糊信息。在高层次的图像处理，如图像分割、图像识别和图像理解[31]等方面应用前景不可限量。神经网络算法比起传统算法有很大的优点，但也存在着一些不足，如图像预处理阶段的神经网络算法大部分是非自适应的，而且这些算法是针对特定的图像模型，当原始图像模型 - 6 -

中国科技论文在线 http://www.paper.edu.cn 改变时，即使是最简单的缩放和角度变换、网络的权值也需要重新训练。尽管神经网络在图像处理领域中已经得到了广泛应用，但是还有很多问题需要解决。例如，如何选择最优的网络结构，到现在为止仍没有一个确定的标准来评定网络结构的优劣。 3 结论由于图像增强与感兴趣的物体特性、观察者的习惯和处理目的密切相关，带有很强的针对性。因此，图像增强算法的应用也是有针对性的，尽管增强处理方法多种多样，但并不存在一种通用的、适应各种应用场合的增强算法。本文围绕图像增强算法而展开，就几种有代表性的图像增强算法进行了研究，分析了各自的优缺点并指明了其最佳适用场景。由于对图像质量的要求越来越高，单一的图像增强算法往往难以满足实际需求，因此几种算法相结合、取长补短、优势互补是图像增强算法发展必然趋势。 [参考文献] (References) [1] 陈书海，傅录祥. 实用数字图像处理[M]. 北京：科学出版社，2005. [2] 陈廷标等. 数字图像处理技术[M]. 北京：人民邮电出版社，1990. [3] Pratt W K. Digital Image Processing. New York: John Wiley& Sons, Inc., 1978. [4] Canny John. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(6): 679～698. [5] 刘常春，胡顺波，杨吉宏等. 一种直方图不完全均衡化的方法[J]. 山东大学学报：工学版，2003, 33(6): [6] 孙忠贵，王玲. 数字图像直方图均衡化的自应校正研究[J]. 计算机时代，2004,149(11): 19～20. [7] Gonzalez R C, Woods R E. 数字图像处理[M]. 阮秋琦，阮宇智译. 北京：电子工业出版社，2004. [8] 王博，潘泉，张洪才等. 图像平滑与边缘检测的模糊向量描述. 小型微型计算机系统. 1999. 20(3): [9] 周泰文，王晓星. 模糊数学基础简明教程[M]. 武汉：华中理工大学出版社，1993. [10] F. Russo. Noise Cancellation using Nonlinear Fuzzy Filters. in Proc. IEEE Instrum. Meas. Tech. Conf. (IMTD/97).Ottawa, Ont., Canada. May 19-21, 1997: 772～777. [11] Jonathan R. King. New Applications of Fuzzy Logic: [PhD Thesis].Norwich England: University of East 661～664. 218~221. Anglia.2000. [12] 徐立中. 数字图像的智能信息处理[M]. 北京：国防工业出版社，2001. [13] S. K. Setarehdan and J.J. Soraghan. Automatic Cardiac LV Boundary Detection and Tracking Using Hybrid Fuzzy Temporal and Fuzzy Multiscale Edge Detection. IEEE Trans. on Biomedical Eng. 1999. 46(11): 1364～1378. [14] Chin-Wang Tao, Wiley E. Thompson. A Fuzzy If-Then Approach to Edge Detection.[M]. Petrou and J. Kittler. Optimal Edge Detectors for Ramp Edges. IEEE Trans. Pattern Anal Machine Intell.. 1991. 13: 483～491. [15] F. Russo and G. Ramponi. Fuzzy Operator for Sharpening of Noisy Images. IEE Electronics Letters. 1992. [16] 陈武凡. 小波分析及其在图像处理中的应用[M]. 北京：科学出版社，2002. [17] 孙延奎. 小波分析及其应用[M]. 北京：机械工业出版社，2005. [18] Daubechies I. Orthonormal bases of Compactly Supported Wavelet, Comm. On Pure and Appl.Math. 1988, 41: 28(18): 1715～1717. 909～996. Prentice Hall, 1998. [19] Rao R M, Bopardikar A S. Wavelet transforms: Introduction to theory and applications 1st. New Jersey: [20] Daubechies I.A. Cohen, P. Vial. Wavelet bases on the interval and fast algorithms[J]. J of Appl. and Compute Harmonic Analysis. 1993, 1: 54～81. [21] J. Fan W. HudaL. Laine, S. Schuler. Mammorgraphic feature enhancement by multi-scale analysis[J].IEEE Trans. On Medical Imaging, 1994, 13(4): 725～738. [22] W. Yang L. Laine, J. Fan. Wavelets for contrast enhancement of digital mammography[J]. IEEE Trans. On Eng Med Biol. 1995, 14(4): 536～550. [23] John B. Weaver Jian Lu, Dennis M. Healy Jr. Contrast Enhancement of Medical Images Using Multiscale Edge Representations[J]. Optical Engineering. 1994, 33(7): 2151～2161. [24] Mallat S G.A theory for multiresolution signal decomposition: The wavelet representation IEEE Trans. and [25] S. Zhong S. Mallat. Characterisation of signals from multiscale edges[J]. IEEE Trans on Pattern Anal Mach Machine Intell.1989, PAMI-11: 674～693. Intell.1992, 14: 710～732. - 7 -

中国科技论文在线 http://www.paper.edu.cn [26] T. J. Brown. An adaptive strategy for wavelet based image enhancement[C]. Proceedings of Conference on Machine Vision and Image Processing Conference, Irish, 2000, 67～81. [27] 李映，白本督，焦李成. 一种基于模糊神经网络的非线性系统模型辨识方法. 电子与信息学报，2002， 24(3):355～360. 17(3): 11～14. [28] 关碧华，周雅莉，尹建民，张奇志. 噪声有源控制的模糊神经网络方法. 北京机械工业学院学报，2002, [29] Clarke LP, Qian W. Fuzzy-logic adaptive neural networks for nuclear medicine image restoration[A].The 20th Annual lnternational Conference on Engineering in Medicine and Biology Society[C]. 1998, vol.3,1363~1366. [30] Qian W. Clarke L P. Wavelet-based neural network with fuzzy-logic adaptivity for nuclear image restoration[J]. Proceedings of the IEEE.1996, 84(10): 1458～1473. [31] Sun Y. Hopfield neural network based algorithms for image restoration and reconstruction. Ⅱ algorithms and simulations[J]. IEEE Transactions on Signal and Processing, 2000, 48(7): 2105～2118. - 8 -

分享到：

赞收藏

资料库

论文研究-图像增强研究综述 .pdf

相关推荐

开发技术

热门标签

最新资料