CN102332155A - 一种图像增强方法 - Google Patents

Abstract

本发明涉及一种基于DWT的整数小波系数均衡的图像增强算法，其包括如下：原始图像进行单层离散二维小波分解，得到低频子带的分解系数cA，和分别对应于水平、垂直和对角三个方向的三个高频子带分解系数cH，cV，cD；对所述低频子带分解系数cA做均衡化处理，得到均衡化的新系数；利用所述均衡化的新系数和所述高频子带分解系数cH，cV，cD重构图像；本发明的图像增强方法既保留了小波分析能够将信号的细节放大、利于分析处理、能够有效的增强图像的同时减小图像噪声的优点，又克服了采用直方图均衡化算法在噪声图像增强过程中会大大增强噪声，以及在采用同态滤波算法增强图像的过程中损失大量细节的缺点。

Description

一种图像增强方法

技术领域

本发明涉及一种图像增强技术，属于图像处理领域，特别涉及一种基于DWT的整数小波系数均衡的图像增强方法。

背景技术

图像增强是数字图像处理的重要内容之一，其目的是突出图像中的“有用”信息，扩大图像中不同物体特征之间的差别，为图像的信息提取及其他图像分析技术奠定良好的基础。在图像处理领域，图像增强问题主要通过空域和频域处理两种方法来解决。空域方法通过在图像点上作用算子或掩码来解决，频域方法通过修改傅立叶变换系数来解决。这两种方法的优劣很明显，空域方法方便快速但会丢失很多之间的相关信息，频域方法可以很详细的分离出点之间的相关，但要做两次数量级为nlogn的傅立叶变换和逆变换的操作，计算量大得多。

直方图均衡化的基本思想是将原始图像的不均衡的直方图变换为均匀分布的形式。即将输入图像转换为在每一灰度级上都有相同像素点数(即输出的直方图是平坦的，分布是均匀的)。这使得图像像素值动态范围变宽，对比度得到有效拉伸，从而达到图像增强的效果。直方图均衡增强的缺点是若在对噪声图像增强的同时，一点小小的噪声也会被放大。

同态滤波是一种在频域中同时将图像亮度范围压缩和对比度增强的方法。其基本思想是将非线性问题转化成线性问题处理，同态滤波增强的缺点是在噪声图像的增强过程中会损失了大量的图像细节。

发明内容

本发明要解决的技术问题是提供一种算法简单、效果明显，特别是对噪声图像有显著增强效果的图像增强算法。

为解决上述技术问题，本发明提供基于DWT的整数小波系数均衡的图像增强算法，其包括如下步骤：

a、原始图像进行单层离散二维小波分解，得到低频子带的分解系数cA，和分别对应于水平、垂直和对角三个方向的三个高频子带分解系数cH，cV，cD；

b、对所述低频子带分解系数cA做均衡化处理，得到均衡化的新系数；

c、利用所述均衡化的新系数和所述高频子带分解系数cH，cV，cD重构图像；

所述步骤b中的所述均衡化处理的方法，包括如下步骤：

b1、对所述低频子带分解系数cA向下取整，即对作为二维数组的低频子带分解系数cA中的各元素k的值按四舍五入的原则取整，得到新的低频子带分解系数cA’；

b2、统计上述新的低频子带分解系数cA’中的各元素k的对应于不同取值所具有的个数n(k)，并且求出各元素k中的最大值K_max

b3、对所述元素k在不同取值下的统计个数n(k)进行累积求和：

b4、求出所述均衡化的新系数g (i，j)。

所述的元素k≥0。

所述步骤b4中的得到均衡化的新系数的算法是：

0≤k≤K_max，其中m，n为图像的行数与列数，i，j分别为图像矩阵的行、列变量。

本发明具有如下优点：

1、本发明涉及的图像增强方法仅对小波单层分解后的低频子带部分的系数进行运算，相比现有技术提供的方案，大大减少了图像增强过程中的运算量；本发明的图像增强方法既保留了小波分析能够将信号的细节放大、利于分析处理、能够有效的增强图像的同时减小图像噪声的优点，又克服了采用直方图均衡化算法在噪声图像增强过程中会大大增强噪声，以及在采用同态滤波算法增强图像的过程中损失大量细节的缺点。

2、本发明涉及的算法在增强效果上，特别是在噪声图像的增强效果上优于现有技术提供的方案。

附图说明

图1为本发明的原始图像增强对比结果；

图2为本发明的噪声图像增强对比结果；

图3为本发明的原始图像增强对比直方图。

具体实施方式

为了使本发明的内容更容易的被理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明：

本实施例采用的图像增强对象为标准的lena图像(如图1-a)与加入方差为0.003高斯噪声的lena图像(如图2-a)。(注：Lena图像是图像处理领域广泛使用的标准测试图像)。

本实施例需要的小波是光滑的、正交的、对称的，这样的小波处理图像的好处是速度快、图像重构精确性高、避免图像处理中发生相移。满足上述条件的有db小波系与sym小波系，同db小波系相比，其它性质同db小波一致的sym小波系有更好的对称性，更适合于图像处理，因此本实施例选取syml小波，对图像作单层小波分解。

本实施例具有以下具体步骤：

(1)利用单层离散二维小波分解函数[cA，cH，cV，cD]＝dwt2(I，’syml’)(注：本函数为matlab中提供的标准二维单尺度小波变换函数，具体可参看国防工业出版社2006-6-1出版的《MATLAB 7.0图形图像处理》(ISBN：9787118045437)对标准的lena图像(图1-a)进行syml小波单层分解，得到一个低频子带分解系数cA和分别对应于水平、垂直、对角方向的三个高频子带的分解系数cA、cV、cD；

(2)由于图像的轮廓信息主要集中在低频部分，而细节和噪声则在高频部分，因此仅统计低频子带系数cA向下取整，得到新的低频子带系数cA’，统计上述新的低频子带分解系数cA’中的各元素k的对应于不同取值所具有的个数n(k)，并且求出各元素k的最大值K_max；

(3)对所述元素k在不同取值下的统计个数n(k)进行累积求和：

$\mathrm{cdf}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}n\left(k\right),$ 0≤k≤K_max；

(4)求出小波低频子带均衡化的新系数：

其中m，n分别为图像的行数与列数；

(5)利用二维小波分解系数的直接重构函数Y＝upcoef2(’a’，g(k)，’syml’，1)(注：本函数为matlab中提供的标准二维单尺度小波变换函数，具体可参看国防工业出版社2006-6-1出版的《MATLAB 7.0图形图像处理》(ISBN：9787118045437)中的13.3.1图像的二维小波分解与重构)重构基于所述均衡化的新系数和所述高频子带分解系数cH，cV，cD的图像(图1-d)；

(6)重复上述步骤对加入方差为0.003高斯噪声的lena图像(图2-a)做图像增强，得到新的图像(图2-d)。

为检验本发明涉及的算法在图像增强与去噪方面的能力，本实施例中引入了常用的同态滤波增强算法、直方图均衡增强算法与本发明中所述的算法作对比仿真并且选用均方误差(MSE)、峰值信噪比(PSNR)和对比度增量(Δ)对本发明算法进行客观评价。

(1)均方误差： $\mathrm{MSE}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[f(i,j)-\stackrel{\‾}{f}(i,j)]}^2;$

(2)峰值信噪比：PSNR＝101g[f² _max(i，j)/MSE]；

(3)对比度增量： $\mathrm{\Δ}=\frac{{C^{\′}}_{\stackrel{\‾}{f}}}{C_f};$

上述算法(1)中f(i，j)是原始噪声图像，

是去噪后图像；m，n分别代表图像的行数与列数；若均方误差越小、峰值信噪比越大，表明去噪效果越好。

上述算法(3)中

为增强后图像局部对比度均值，C_f为原始图像局部对比度均值，对比度增量Δ为原始图像与增强后图像局部对比度之比，局部对比度以3×3的滑动窗口，按照(x_max-x_min)/(x_max+x_min)计算每个窗口的局部对比度，然后取其平均值，对比度增量越大说明增强效果越好。

实验中三种增强算法都对原始图像(图1-a)、加噪后的图像(图2-a)处理；(图1-b)、(图2-b)为同态滤波增强系数分别取H_H＝2.0，H_L＝0.5的增强结果。

图1中三种算法都对lena图像(图1-a)进行了增强，增强效果可看出直方图均衡(图1-c)与本发明算法(图1-d)两者增强的图像从视觉上难以分辨优劣，但两者效果明显比同态滤波增强好，图像层次也比较清晰，其对应的直方图(图4-c)、(图4-d)对比度动态范围也较宽，而同态滤波增强的图像整体偏亮，图像细节丢失，不清晰，其直方图(图4-b)也显示图像灰度集中在高亮区，对比度范围较窄，低灰度值基本没有。

对于图2中加入0.003高斯噪声的lena图像(图2-a)增强，三种算法中本发明(图2-d)算法效果最好，图像清晰、对比度好、噪声抑制的也相当好；直方图均衡算法(图2-c)在增强图像的同时噪声也被放大，能明显感觉到噪声存在；同态滤波增强(图2-b)在噪声抑制上与本文算法差不多，但是在增强过程中损失了大量细节。

上面是从主观的角度对三算法的增强效果进行了定性分析，下面运用评价图像降噪与增强效果的三个性能指标来定量研究三种增强算法对噪声图像的降噪与增强情况。经过图像增强后像素灰度值会发生改变，故用原始图像经过加噪的增强后图像与未加噪的原始图像增强后图像两者进行比较，分别计算这三个性能指标。计算结果如表1所示。

表1计算结果

从表1中可以看出对比度增量：直方图均衡＞本发明算法＞同态滤波，说明三算法的增强效果直方图均衡效果最好，其次是本发明算法，最后是同态滤波；对于噪声图像增强的噪声抑制，从表1的峰值信噪比可以看出：本发明算法＞同态滤波＞直方图均衡，即本文算法最优。

所述利用二维小波分解系数的直接重构函数Y＝upcoef2(’a’，g(k)，’syml’，1)重构基于所述均衡化的新系数和所述高频子带分解系数cH，cV，cD的图像时，也可参考《Matlab 6.X图形图像处理》，清华大学出版社，2002年5月，ISBN 7-302-05410-X。具体参看该文献第6.4.3章节——小波分析工具箱函数介绍

dwt2二维离散小波变换函数(第205页)

[cA，cH，cV，cD]＝dwt2(X，’wname’)

[cA，cH，cV，cD]＝dwt2(X，Lo_D，Hi_D)

[cA，cH，cV，cD]＝dwt2(X，’wname’)使用指定的小波基函数’wname’对图像X进行二维离散小波变换，cA，cH，cV，cD分别为图像分解的近似分量、水平分量、垂直分量和细节分量。

[cA，cH，cV，cD]＝dwt2(X，Lo_D，Hi_D)使用指定的低通和高通滤波器组Lo_D，Hi_D来对图像进行二维离散小波变换。

upcoef2函数用于利用多层小波分解重构近似分量或者细节分量(第207页)

Y＝upcoef2(O，X，’wname’，N)

Y＝upcoef2(O，X，Lo_R，Hi_R，N)

Y＝upcoef2(O，X，’wname’，N，S)

Y＝upcoef2(O，X，Lo_R，Hi_R，N，S)

Y＝upcoef2(O，X，’wname’)

Y＝upcoef2(O，X，Lo_R，Hi_R)

Y＝upcoef2(O，X，’wname’，N)由二维离散小波变换得到的系数重构近似分量或者细节分量，’wname’为指定的小波基函数的名称，N指定重构次数，他必须是一正整数。若不指定，则N＝i.

O指定细节信号的类型：

0＝’a’重构近似信号，即X是第N层的近似系数。

0＝’h’重构水平细节信号，即X是第N层的水平细节系数。

0＝’v’重构垂直细节信号，即X是第N层的垂直细节系数。

0＝’d’重构对焦细节信号，即X是第N层的对焦细节系数。

Y＝upcoef2(O，X，Lo_R，Hi_R，N)利用指定的重构滤波器组Lo_R，Hi_R，N重构第N层的近似分量或者细节分量。

显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (4)

1.一种图像增强方法，其特征在于，包括如下步骤：

a、对原始图像进行单层离散二维小波分解，得到低频子带分解系数cA，以及分别对应于水平、垂直和对角三个方向的三个高频子带分解系数cH，cV，cD；

b、对所述低频子带系数cA做均衡化处理，得到均衡化的新系数；

c、利用所述均衡化的新系数和所述高频子带分解系数cH，cV，cD重构图像。

2.根据权利要求1所述图像增强方法，其特征在于：所述步骤b中的所述均衡化处理的方法，包括：

b1、对所述低频子带分解系数cA向下取整，即对作为二维数组的低频子带分解系数cA中的各元素k的值按四舍五入的原则取整，得到新的低频子带分解系数cA’；

b2、统计上述新的低频子带分解系数cA’中的各元素k的对应于不同取值所具有的个数n(k)，并且求出各元素k中的最大值K_max：

b3、对所述元素k在不同取值下的统计个数n(k)进行累积求和：

b4、求出所述均衡化的新系数g(i，j)。

3.根据权利要求2所述图像增强方法，其特征在于：所述的元素k≥0。

4.根据权利要求2所述图像增强方法，其特征在于：所述步骤b4中的得到均衡化的新系数的算法是：0≤k≤K_max，其中m，n为图像的行数与列数，i，j分别为图像矩阵的行、列变量。

Images