CN102262778A - 基于改进的分数阶微分掩模的图像增强方法 - Google Patents
基于改进的分数阶微分掩模的图像增强方法 Download PDFInfo
- Publication number
- CN102262778A CN102262778A CN2011102438159A CN201110243815A CN102262778A CN 102262778 A CN102262778 A CN 102262778A CN 2011102438159 A CN2011102438159 A CN 2011102438159A CN 201110243815 A CN201110243815 A CN 201110243815A CN 102262778 A CN102262778 A CN 102262778A
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- pixel
- layer
- fractional order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进的分数阶微分掩模的图像增强方法,属于图像处理领域。通过在一定分解层数范围内分别计算图像经小波分解所得各分量信息熵最大值所对应的分解层来确定一个最优层N,使用新提出的分数阶微分掩模对原始图像以及图像经小波分解与重构的第N层各分量信号有针对性进行处理,对处理结果进行叠加、融合,可深度地保留图像原有特征,同时对灰度变化不明显区域图像纹理细节也得到增强。
Description
技术领域
本发明涉及图像增强方法,尤其是一种基于改进的分数阶微分掩模的图像增强方法。
背景技术
图像增强是一个范围较宽而开放的研究领域,可以从不同角度对图像进行增强,比如说增强图像的细节,增强带噪图像,增强图像中感兴趣目标等。同时针对不同类的图像(风景图像、医学图像、遥感图像等)还不存在普适的图像增强方法。目前,用于图像增强的方法很多,除传统的直方图均衡化法、整数阶微分方法等,近年来出现的分数阶微分方法用于图像增强获得了很好的效果,另外各种基于小波分析的方法也是研究热点之一,这些方法都是值得进一步研究的。
分数阶微分是由整数阶微分推衍而来,它包括通常的整数阶微分,但又是整数阶微分运算的推广,一般将微分阶次为非整数的微分称为分数阶微分。目前已有的分数阶微分方法使用一些多尺度的分数阶微分掩模用于图像增强,效果较好。但在确定尺度下的分数阶微分掩模及其改进掩模增强图像时其增强能力是有限的,而且随着所选尺度的增加,计算量也将增大。
现代小波分析理论在上世纪80年代诞生,之后引起了许多科研人员的足够重视,它是一个时频分析方法并且可以在不同分辨率水平下利用信号。在图像处理领域,出现了诸如利用小波多分辨率分析特性提出一种空间自适应提升方案增强图像的方法;通过处理图像某层小波分解中的低频分量或是方向信号来达到增强图像的目的。但实际上是在损伤图像很多原有信息的情况进行增强。
发明内容
本发明的目的是提供一种基于改进的分数阶微分掩模的图像增强方法,其可以在保持图像原有信息的基础上增强图像中不明显的细节。
为了实现上述目的,本发明提供了一种基于改进的分数阶微分掩模的图像增强方法,其包括以下步骤:
S1、建立改进的分数阶微分掩模,由以下步骤组成:
(01)设定原始分数阶微分掩模由8个子掩模组成:x正方向子掩模、x负方向子掩模、y正方向子掩模、y负方向子掩模、左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模;
(02)确定各子掩模中常系数1对应的常数像素点,统计距离所述常数像素点为1个像素的像素点个数,将权值-ν除以像素点个数即为距离所述常数像素点为1个像素的像素点的权值;
(03)统计距离所述常数像素点为2个像素的像素点个数,将权值 除以像素点个数即为距离所述常数像素点为2个像素的像素点的权值,从而获得改进的分数阶微分掩模;
S2、在原始图像为灰度图像时,执行以下步骤:
(05)获取所述n个图像层中图像信息含量最大的最优层N;
(07)对最优层N的高频水平方向分量图像采用所述改进的分数阶微分掩模中的x正方向子掩模、x负方向子掩模进行卷积滤波运算,对最优层N的高频垂直方向分量图像采用所述改进的分数阶微分掩模中的y正方向子掩模、y负方向子掩模进行卷积滤波运算,对最优层N的高频对角方向分量图像采用所述改进的分数阶微分掩模中的左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模进行卷积滤波运算,从而对于高频图像,最优层N上各像素点均获得8个计算值,取所述8个计算值的最大值叠加至所述原始图像对应的像素点上;
(08)对最优层N的低频分量图像采用所述改进的分数阶微分掩模中的8个子掩模分别进行卷积滤波运算,从而针对低频图像,最优层N上各像素点均获得8个计算值,取所述8个计算值的最大值叠加至所述原始图像对应的像素点上;
(09)对所述原始图像采用所述改进的分数阶微分掩模中的8个子掩模分别进行卷积滤波运算,从而所述原始图像的各像素点均获得8个计算值,取所述8个计算值的最大值叠加至所述原始图像对应的像素点上;
(10)三次叠加完成后,重绘图像。
所述步骤S2中在所述原始图像为彩色图像时,首先将彩色图像转换成HSI格式的彩色图像,分离出H、S、I分量,接着分别对各分量执行与灰度图像处理相同步骤,即执行所述步骤(04)~(08),然后重新合成HSI彩色图像,最后再将HSI彩色图像转换成RGB彩色图像。
所述步骤(05)中获取所述n个图像层中图像信息含量最大的最优层N由以下步骤组成:
根据信息熵的计算公式,分别计算出与各图像层中图像信息的低频分量 、高频水平方向分量、高频垂直方向分量、高频对角方向分量相对应的信息熵、、、,其中mn表示图像的像素点数,表示所述原始图像经归一化处理后的像素值,且1≤j≤mn,1≤i≤n;
所述步骤(04)和(06)中采用的小波分解方法均选用Mallat塔式小波分解方法。
上述最优层N的获取方法适用于人物肖像图像和动物肖像图像。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
相比于传统的图像增强方法和纯分数阶微分方法,本发明不仅增强了其等不能增强的图像复杂纹理细节,而且保留了图像的原有信息。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是原有分数阶微分掩模的示意图;
图2是改进的分数阶微分掩模的示意图;
图3是本发明中该图像增强方法的流程图;
图4是本发明方法与Laplacian算子、传统小波变换和改进的分数阶微分掩模增强的图像增强效果对比图;
图5是本发明方法与Laplacian算子、传统小波变换和改进的分数阶微分掩模处理后图像直方图的对比图;
图6是本发明方法在不同情况下小波分解层对图像增强处理结果的对比图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
如图1所示,本实施例中原始分数阶微分掩模选用3×3型非对称分数阶微分掩模,由8个子掩模组成:x正方向子掩模、x负方向子掩模、y正方向子掩模、y负方向子掩模、左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模。原始分数阶微分掩模依据的数学公式为图像信号在,方向上的偏分数阶微分,分别为:
其中()表示阶微分,为Gamma函数。8个子掩模可分别对图像像素点的正方向、负方向、正方向、负方向、左上对角方向、左下对角方向、右上对角方向、右下对角方向进行卷积滤波运算,同时能提高运算的抗旋转性能和各向同性效果。当然,原始分数阶微分掩模还可以采用其他的类型,诸如5×5、7×7型非对称分数阶微分掩模等。
但是,当将图1所示的分数阶微分掩模用于原始图像的每个像素点上时,权值为零的像素点将会被忽略。为充分利用图像中像素点与其周围领域内像素点灰度值的相关性,本发明对原始分数阶微分掩模作出了改进:
统计距离所述常数像素点为2个像素的像素点个数,将权值除以像素点个数即为距离所述常数像素点为2个像素的像素点的权值,从而获得改进的分数阶微分掩模。
参照图1和图2,分别对分数阶微分掩模中的x正方向子掩模、左上对角方向子掩模的换算予以说明。在图1所示的x正方向子掩模中,确定常系数1对应的常数像素点,统计距离该常数像素点为1个像素的像素点有5个,即位于其左侧、右侧、下方、左下方和右下方的像素点,权值-ν除以5(即-ν/5)即为距离常数像素点为1个像素的像素点的权值。统计距离该常数像素点为2个像素的像素点为3个,即最后一行的三个像素点,权值除以3为最后一行的三个像素点的权值,由此获得改进的分数阶微分掩模的x正方向子掩模,如图2所示。
在图1所述的左上对角方向子掩模,确定常系数1对应的常数像素点,统计距离该常数像素点为1个像素的像素点有3个,即位于其上方、左上方和左侧的像素点,权值-ν除以3(即-ν/3)即为距离常数像素点为1个像素的像素点的权值。统计距离该常数像素点为2个像素的像素点为5个,权值除以5为剩余像素点的权值,由此获得改进的分数阶微分掩模的左上对角方向子掩模,如图2所示。
由此可见,在改进的分数阶微分掩模中各像素点的权值总和不为零,那么在图像灰度值恒定或变化不大区域内的响应不为零,从而可以实现利用改进的分数阶微分增强图像的纹理细节信息。
如图3所示,该基于改进的分数阶微分掩模的图像增强方法,由以下步骤组成:
S1、建立改进的分数阶微分掩模,由以下步骤组成:
(01)设定原始分数阶微分掩模由8个子掩模组成:x正方向子掩模、x负方向子掩模、y正方向子掩模、y负方向子掩模、左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模;
S2、在原始图像为灰度图像时,执行以下步骤:
(05)获取上述n个图像层中图像信息含量最大的最优层N,图像层中图像信息含量通常由信息熵来表示,具体的计算方法在本领域中为通用方法,在此不予累述;
(07)对最优层N的高频水平方向分量图像采用步骤S1中改进的分数阶微分掩模中的x正方向子掩模、x负方向子掩模进行卷积滤波运算,对最优层N的高频垂直方向分量图像采用改进的分数阶微分掩模中的y正方向子掩模、y负方向子掩模进行卷积滤波运算,对最优层N的高频对角方向分量图像采用改进的分数阶微分掩模中的左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模进行卷积滤波运算,从而对于高频图像,最优层N上各像素点均获得8个计算值,分别取各像素点中8个计算值的最大值,且叠加至原始图像对应的像素点上;
(08)对最优层N的低频分量图像采用改进的分数阶微分掩模中的8个子掩模分别进行卷积滤波运算,从而针对低频图像,最优层N上各像素点均获得8个计算值,取各像素点中8个计算值的最大值,且叠加至原始图像对应的像素点上;
(09)对所述原始图像采用改进的分数阶微分掩模中的8个子掩模分别进行卷积滤波运算,从而所述原始图像的各像素点均获得8个计算值,取各像素点中8个计算值的最大值,且叠加至原始图像对应的像素点上;
(10)针对一个像素点无论是其高频图像的叠加、低频图像的叠加,还是原始图像的叠加,均针对该像素点,即相同的像素点。待三次叠加完成后,重绘图像,从而得到增强后的图像。上述步骤(04)和(06)中的小波分解方法可以采用Mallat塔式小波分解方法,也可以采用其他方法。由于小波分解方法在图像增强技术中为通用技术,故在此不予累述。
另外,本发明还可以用于处理彩色图像,其处理过程与灰度图像类似,如果直接对RGB格式的彩色图像进行分数阶微分处理,RGB元素会非线性增强,R、G、B三分量之间的权重关系会被破坏,从而导致颜色失真,因此在处理彩色图像时首先将诸如RGB格式或其他格式的彩色图像转换成HSI格式的彩色图像,分离出H、S、I分量,接着分别对各分量执行与灰度图像处理相同步骤,即执行所述步骤(04)~(08),然后重新合成HSI彩色图像,最后再将HSI彩色图像转换成RGB彩色图像。
针对步骤(05)中获取图像信息含量最大的最优层N,可以采用以下方法:
根据信息熵的计算公式,分别计算出与各图像层中图像信息的低频分量 、高频水平方向分量、高频垂直方向分量、高频对角方向分量相对应的信息熵、、、,其中mn表示图像的像素点数,表示所述原始图像经归一化处理后的像素值,且1≤j≤mn,1≤i≤n;
在采用本图像增强方法进行图像增强前,可以采用Matlab 7.0仿真平台分别对灰度图像和彩色图像进行预处理,且在图像增强过程中分数阶微分掩模的运算阶次取0.5,且小波分解、重构后的图像层层数为20。
作为对比,将本发明方法增强分别对原图经二阶整数阶微分Laplacian算子增强、传统小波变换增强、图2掩模增强的效果进行对比。其中对于使用Laplacian算子、图2所示掩模对图像进行处理时,先用这些算子、掩模对图像各像素点进行卷积滤波运算,然后将结果叠加入原始图像。实验处理结果及对比如图4所示。
从图4可以看出Laplacian算子增强后的图像出现了严重的缺陷,当图像边缘得到增强时出现了很多亮点、亮线。传统小波变换增强使图像呈现亮暗对比明显区域,在图像边缘得到增强时,细节部分未得到增强甚至是被损伤。图2掩模增强和本发明方法增强可以使图像平滑区域得到增强,在增强图像纹理细节方面,图2掩模和本发明方法增强比Laplacian算子和传统小波变换增强要好。用图2掩模增强图像时,在不能得到增强的某些较小纹理细节,使用本发明方法增强能使这些细节得到突显。为从量的角度对比以上几种算子、方法的处理效果,我们绘出了灰度图bridge经各算子、掩模、方法处理后图像的直方图,如图5所示。
从图5中Laplacian算子处理和图2掩模处理图像灰度直方图对比可以看出整数阶微分可使被处理图像的灰度直方图均衡化,而分数阶微分没有,所以图像没有很白和很黑的边缘。与整数阶微分相比,分数阶微分保持了原始图像灰度直方图的外形,而整数阶微分却没有。整数阶微分和分数阶微分都可以在原始图像灰度直方图上增加毛刺(较黑部分),但是只有分数阶微分是在保持直方图外形的前提下增加毛刺的。而毛刺代表了图像平滑区域中灰度相对变化不太剧烈的纹理细节信息。这表明分数阶微分可以非线性增强图像灰度变化较小区域的细节,而整数阶微分在这些区域运算值接近零。整数阶微分通过改变图像灰度投影使得像素点灰度值很高或者很低。这样图像就以高白或高黑表示,但是实际上已经丢失了很多细节。
传统小波变换方法同样改变了原图像灰度直方图的外形,而且由于图像小波变换中低频系数的缩小致使对应灰度级上的像素点数有所减少。这是因为传统小波变换增强是对图像高、低频信号分别进行处理,增强高频,削弱低频,致使图像丢失了很多细节信息,出现很黑或很白的区域,导致某些像素点的特征丢失。
从图5中图2掩模和本发明方法处理图像直方图对比可以看出,本发明方法和图2掩模增强一样,图像处理后其直方图具有保持原始图像直方图外形的特点,但本发明方法直方图中增加的毛刺分布范围更广而且比较均衡,图2掩模直方图中增加的毛刺比较集中,其分布梯度比较剧烈,有时很高,有时又很低,而本发明方法直方图增加的毛刺分布梯度变化相对缓慢。这是因为本发明方法是在对原始图像分数阶微分处理的基础上,选择一个最优分解层再进一步对原始图像进行小波分解与重构,对其高、低频信号进行深度分解,从高频中分解出不同方向的高频信号,从低频中分解出不同分辨率下的高、低频信号,再经与其对应的分数阶微分掩模处理,并叠加入先前已经分数阶微分处理过的结果中,致使原图中高低频信号特征不明显的区域得到突显,使原来单一使用分数阶微分方法处理图像细节未增强的地方在此刻得到增强。为了对图4中各图像的质量进行分析,我们比较了它们的信息熵和平均梯度,结果如下表所示。
图 | 信息熵 | 平均梯度 | 图 | 信息熵 | 平均梯度 | 图 | 信息熵 | 平均梯度 |
(a) | 5.5163 | 43.1169 | (h) | 7.3806 | 53.6502 | (o) | 7.4596 | 51.0061 |
(b) | 6.9177 | 56.1108 | (i) | 7.3033 | 35.3999 | (p) | 7.4862 | 53.2516 |
(c) | 7.0665 | 73.6176 | (j) | 7.4088 | 39.7279 | (q) | 7.7020 | 72.2435 |
(d) | 7.1400 | 45.4593 | (k) | 7.2617 | 41.3564 | (r) | 7.0314 | 73.2419 |
(e) | 7.2784 | 51.0119 | (l) | 7.4629 | 52.7538 | (s) | 7.6463 | 62.6367 |
(f) | 7.2149 | 33.2376 | (m) | 7.1928 | 70.5989 | (t) | 7.6655 | 68.5990 |
(g) | 7.4029 | 46.5868 | (n) | 7.4154 | 48.2190 |
从上表我们可以看到除了彩色图像外,Laplacian算子增强有最小的信息熵,而我们观察彩色图像的Laplacian算子增强,其增强效果并不好,信息熵却最大,这与彩色图像包含R、G、B三分量且三者之间存在一定相关性,且Laplacian算子具有强锐化特点以及图像信息熵仅对信息出现的概率进行统计而没有考虑图像分量之间的相关性有关。同时看到Laplacian算子和传统小波变换极大增强了图像的平均梯度,但是它们仅仅增强了边缘却丢失了许多纹理细节,传统小波变换的信息熵也有所下降。经分数阶微分方法(图2掩模)和本发明方法处理的图像,平均梯度没有Laplacian算子、传统小波变换大,但是它们的信息熵有所增加,而且本发明方法比分数阶微分方法的信息熵和平均梯度大,图像的边缘和细节特征都得到增强。
为了在本发明方法中确定小波最优分解层,我们选取灰度图像Lena和Baboon进行分析。我们对所选取的两幅图像分别使用本发明方法处理,根据式计算得出的最优分解层N分别为第6层和第9层,处理后图像的质量信息(信息熵、平均梯度)如下表所示,对于其中计算出的分量熵值最大层参数n1、n2、n3、n4,Lena图为1、2、2、13,Baboon图为1、1、17、14。为作对比,我们对Lena和Baboon图依据前面熵值最大层参数,分别使用图2中相应方向子掩模对各熵值最大层中最大熵值所对应的分量进行处理,而不是对同一层上各分量信号进行处理,其它处理过程与本发明方法一致。同样我们对所选取图像分别进行1至20层小波分解,并对重构出的每层信号使用图2掩模进行处理,其处理过程与本发明方法不同之处在于,省略了计算最优分解层N的步骤,而将每层都当作最优分解层进行处理。计算上述两种方法处理后图像的质量,并与前面计算的图像质量作对比如下表所示。
计算对象 | Lena图 | 分量熵最大 | 本发明方法 | 第1层 | 第2层 | 第3层 | 第4层 | 第5层 |
信息熵 | 6.6768 | 7.1238 | 7.2864 | 7.1505 | 7.1198 | 7.1365 | 7.1912 | 7.2422 |
平均梯度 | 48.1759 | 57.2217 | 56.9339 | 57.2317 | 57.1549 | 57.0951 | 57.1275 | 56.3320 |
计算对象 | 第6层 | 第7层 | 第8层 | 第9层 | 第10层 | 第11层 | 第12层 | 第13层 |
信息熵 | 7.2864 | 7.2250 | 7.2259 | 7.1702 | 7.1292 | 7.1178 | 7.1037 | 7.1089 |
平均梯度 | 56.9339 | 56.5619 | 57.1542 | 57.1142 | 57.2762 | 57.1875 | 57.2668 | 57.2687 |
计算对象 | 第14层 | 第15层 | 第16层 | 第17层 | 第18层 | 第19层 | 第20层 | |
信息熵 | 7.1122 | 7.1115 | 7.1114 | 7.1099 | 7.1102 | 7.1120 | 7.1098 | |
平均梯度 | 57.2821 | 57.2813 | 57.2859 | 57.2874 | 57.2894 | 57.2894 | 57.2910 | |
计算对象 | Baboon图 | 分量熵最大 | 本发明方法 | 第1层 | 第2层 | 第3层 | 第4层 | 第5层 |
信息熵 | 6.9121 | 7.1940 | 7.1941 | 7.1930 | 7.1838 | 7.1834 | 7.1850 | 7.1835 |
平均梯度 | 30.8482 | 37.8486 | 37.8106 | 37.9584 | 37.7963 | 37.6609 | 37.6647 | 37.6413 |
计算对象 | 第6层 | 第7层 | 第8层 | 第9层 | 第10层 | 第11层 | 第12层 | 第13层 |
信息熵 | 7.1851 | 7.1873 | 7.1803 | 7.1941 | 7.1920 | 7.1907 | 7.1928 | 7.1934 |
平均梯度 | 37.5689 | 37.6796 | 37.6193 | 37.8106 | 37.6607 | 37.7090 | 37.7196 | 37.6945 |
计算对象 | 第14层 | 第15层 | 第16层 | 第17层 | 第18层 | 第19层 | 第20层 | |
信息熵 | 7.1929 | 7.1922 | 7.1935 | 7.1916 | 7.1910 | 7.1925 | 7.1876 | |
平均梯度 | 37.6958 | 37.6944 | 37.6841 | 37.6908 | 37.6793 | 37.6902 | 37.6845 |
从上表我们可以看出至少对于人或动物肖像类的图像来说,本发明方法中最优分解层的确定在一定范围内与实际情况是相符的。Lena图本发明方法计算出的最优分解层——重构的第6层图像信息熵大于其它各层图像的信息熵,说明其细节特征得到增加,比其它图像丰富。而它的平均梯度却比某些层图像小,即细节对比比它们模糊,说明本发明方法在增加细节特征方面获得了一个最佳的效果。而当分别对各分量熵值最大值对应层中对应的分量进行处理时,却没有获得最优的处理效果。为了对上表中处理后的各种图像有一个主观上的感受,我们分别对原图,各分量最大图,信息熵最大图(Lena为重构的第5层图,Baboon为第9层图)、平均梯度最大图(Lena为第20层图,Baboon为第1层图)进行对比,如图6所示。
同时为了研究本发明方法中小波最大分解层n的选定问题,在本发明方法中我们对Lena和Baboon图分别取n=10,n=30进行处理,记下计算得到n1、n2、n3、n4和N,并与n=20的结果作比较,如下表所示。
从上表可以看出本发明方法中小波最大分解层数取适中为宜,太小计算出的最优分解层与实际不符,若太大则最终计算出的各参数及最优层相同,却花费了较多的计算时间。而且随着分解层数的增多,图像信号块效应增大,有用信息的丢失越严重,并且不同图像为计算最优层所要求的最大分解层数也不同,本文选取n=20能适合对大多数图像进行处理。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (6)
1.一种基于改进的分数阶微分掩模的图像增强方法,其特征在于包括以下步骤:
S1、建立改进的分数阶微分掩模,由以下步骤组成:
(01)设定原始分数阶微分掩模由8个子掩模组成:x正方向子掩模、x负方向子掩模、y正方向子掩模、y负方向子掩模、左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模;
(02)确定各子掩模中常系数1对应的常数像素点,统计距离所述常数像素点为1个像素的像素点个数,将权值-ν除以像素点个数即为距离所述常数像素点为1个像素的像素点的权值;
S2、在原始图像为灰度图像时,执行以下步骤:
(05)获取所述n个图像层中图像信息含量最大的最优层N;
(07)对最优层N的高频水平方向分量图像采用所述改进的分数阶微分掩模中的x正方向子掩模、x负方向子掩模进行卷积滤波运算,对最优层N的高频垂直方向分量图像采用所述改进的分数阶微分掩模中的y正方向子掩模、y负方向子掩模进行卷积滤波运算,对最优层N的高频对角方向分量图像采用所述改进的分数阶微分掩模中的左上对角方向子掩模、左下对角方向子掩模、右上对角方向子掩模、右下对角方向子掩模进行卷积滤波运算,从而对于高频图像,最优层N上各像素点均获得8个计算值,取所述8个计算值的最大值叠加至所述原始图像对应的像素点上;
(08)对最优层N的低频分量图像采用所述改进的分数阶微分掩模中的8个子掩模分别进行卷积滤波运算,从而针对低频图像,最优层N上各像素点均获得8个计算值,取所述8个计算值的最大值叠加至所述原始图像对应的像素点上;
(09)对所述原始图像采用所述改进的分数阶微分掩模中的8个子掩模分别进行卷积滤波运算,从而所述原始图像的各像素点均获得8个计算值,取所述8个计算值的最大值叠加至所述原始图像对应的像素点上;
(10)三次叠加完成后,重绘图像。
2.根据权利要求1所述的基于改进的分数阶微分掩模的图像增强方法,其特征在于:所述步骤S2中在所述原始图像为彩色图像时,首先将彩色图像转换成HSI格式的彩色图像,分离出H、S、I分量,接着分别对各分量执行与灰度图像处理相同步骤,即执行所述步骤(04)~(08),然后重新合成HSI彩色图像,最后再将HSI彩色图像转换成RGB彩色图像。
5.根据权利要求1所述的基于改进的分数阶微分掩模的图像增强方法,其特征在于:所述步骤(04)和(06)中采用的小波分解方法均选用Mallat塔式小波分解方法。
6.根据权利要求4所述的基于改进的分数阶微分掩模的图像增强方法,其特征在于:所述最优层N的获取方法适用于人物肖像图像和动物肖像图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102438159A CN102262778A (zh) | 2011-08-24 | 2011-08-24 | 基于改进的分数阶微分掩模的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102438159A CN102262778A (zh) | 2011-08-24 | 2011-08-24 | 基于改进的分数阶微分掩模的图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102262778A true CN102262778A (zh) | 2011-11-30 |
Family
ID=45009394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102438159A Pending CN102262778A (zh) | 2011-08-24 | 2011-08-24 | 基于改进的分数阶微分掩模的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102262778A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337060A (zh) * | 2013-07-17 | 2013-10-02 | 蒲亦非 | 一种基于分数阶偏微分方程的纹理图像高精度去噪滤波器 |
CN103927725A (zh) * | 2014-05-07 | 2014-07-16 | 哈尔滨工业大学 | 基于分数阶微分的电影核磁共振图像序列运动场估计方法 |
CN105869133A (zh) * | 2016-05-20 | 2016-08-17 | 安徽工业大学 | 一种基于非因果分数阶次微分的图像锐化方法 |
CN106971380A (zh) * | 2017-03-13 | 2017-07-21 | 深圳市嘉和顺信息科技有限公司 | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 |
CN107025631A (zh) * | 2017-03-13 | 2017-08-08 | 深圳市嘉和顺信息科技有限公司 | 一种高尔夫球场图的图像处理方法、装置及设备 |
CN107038699A (zh) * | 2016-11-09 | 2017-08-11 | 重庆医科大学 | 增强图像失真率检测方法 |
CN107358585A (zh) * | 2017-06-30 | 2017-11-17 | 西安理工大学 | 基于分数阶微分及暗原色先验的雾天图像增强方法 |
CN108665431A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 基于k-均值聚类的分数阶图像纹理增强方法 |
CN109684941A (zh) * | 2018-12-07 | 2019-04-26 | 华南农业大学 | 一种基于matlab图像处理荔枝果实采摘区域划分方法 |
CN114898410A (zh) * | 2022-07-14 | 2022-08-12 | 安徽云森物联网科技有限公司 | 一种基于小波变换的跨分辨率行人重识别方法 |
WO2023179465A1 (zh) * | 2022-03-24 | 2023-09-28 | 张国流 | 图像纹理提取方法、设备及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201937A (zh) * | 2007-09-18 | 2008-06-18 | 上海医疗器械厂有限公司 | 基于小波重构与分解的数字图像增强方法及其装置 |
-
2011
- 2011-08-24 CN CN2011102438159A patent/CN102262778A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201937A (zh) * | 2007-09-18 | 2008-06-18 | 上海医疗器械厂有限公司 | 基于小波重构与分解的数字图像增强方法及其装置 |
Non-Patent Citations (2)
Title |
---|
王卫星等: "基于分数阶微分的岩石裂隙图像增强", 《计算机应用》 * |
韩亮: "光学小波变换及其滤波器研究", 《中国博士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337060B (zh) * | 2013-07-17 | 2015-09-23 | 蒲亦非 | 一种基于分数阶偏微分方程的纹理图像高精度去噪滤波器 |
CN103337060A (zh) * | 2013-07-17 | 2013-10-02 | 蒲亦非 | 一种基于分数阶偏微分方程的纹理图像高精度去噪滤波器 |
CN103927725A (zh) * | 2014-05-07 | 2014-07-16 | 哈尔滨工业大学 | 基于分数阶微分的电影核磁共振图像序列运动场估计方法 |
CN103927725B (zh) * | 2014-05-07 | 2017-04-26 | 哈尔滨工业大学 | 基于分数阶微分的电影核磁共振图像序列运动场估计方法 |
CN105869133A (zh) * | 2016-05-20 | 2016-08-17 | 安徽工业大学 | 一种基于非因果分数阶次微分的图像锐化方法 |
CN107038699A (zh) * | 2016-11-09 | 2017-08-11 | 重庆医科大学 | 增强图像失真率检测方法 |
CN107038699B (zh) * | 2016-11-09 | 2019-07-23 | 重庆医科大学 | 增强图像失真率检测方法 |
CN107025631A (zh) * | 2017-03-13 | 2017-08-08 | 深圳市嘉和顺信息科技有限公司 | 一种高尔夫球场图的图像处理方法、装置及设备 |
CN106971380A (zh) * | 2017-03-13 | 2017-07-21 | 深圳市嘉和顺信息科技有限公司 | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 |
CN107358585A (zh) * | 2017-06-30 | 2017-11-17 | 西安理工大学 | 基于分数阶微分及暗原色先验的雾天图像增强方法 |
CN107358585B (zh) * | 2017-06-30 | 2020-08-18 | 西安理工大学 | 基于分数阶微分及暗原色先验的雾天图像增强方法 |
CN108665431A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 基于k-均值聚类的分数阶图像纹理增强方法 |
CN109684941A (zh) * | 2018-12-07 | 2019-04-26 | 华南农业大学 | 一种基于matlab图像处理荔枝果实采摘区域划分方法 |
WO2023179465A1 (zh) * | 2022-03-24 | 2023-09-28 | 张国流 | 图像纹理提取方法、设备及计算机可读存储介质 |
CN114898410A (zh) * | 2022-07-14 | 2022-08-12 | 安徽云森物联网科技有限公司 | 一种基于小波变换的跨分辨率行人重识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102262778A (zh) | 基于改进的分数阶微分掩模的图像增强方法 | |
CN105225210B (zh) | 一种基于暗通道的自适应直方图增强去雾方法 | |
CN106296600B (zh) | 一种基于小波变换图像分解的对比度增强方法 | |
CN102314673B (zh) | 一种自适应图像增强方法 | |
CN100550978C (zh) | 一种保持边缘的自适应图像滤波方法 | |
CN106651818A (zh) | 基于改进的直方图均衡化低照度图像增强算法 | |
CN106960436A (zh) | 一种光学遥感图像处理性能评估方法 | |
CN103295191B (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN103020918B (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
CN101930597B (zh) | 一种基于数学形态学的图像边缘检测方法 | |
CN103996168A (zh) | 一种基于区域自适应处理的x射线安全检查图像增强方法 | |
CN103839234B (zh) | 一种基于可控核的双几何非局部均值图像去噪方法 | |
CN104574293A (zh) | 基于有界运算的多尺度Retinex图像清晰化算法 | |
CN107767349A (zh) | 一种图像局部对比度增强的方法 | |
CN104021532A (zh) | 一种红外图像的图像细节增强方法 | |
CN104574328A (zh) | 一种基于直方图分割的彩色图像增强方法 | |
CN104167005A (zh) | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 | |
CN104574381B (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN101211459A (zh) | 一种针对边界点进行处理的直方图均衡方法 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN104881847A (zh) | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 | |
CN104657947A (zh) | 针对碱基图像的一种降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111130 |