CN103310423B - 一种矿井图像增强方法 - Google Patents
一种矿井图像增强方法 Download PDFInfo
- Publication number
- CN103310423B CN103310423B CN201310283872.9A CN201310283872A CN103310423B CN 103310423 B CN103310423 B CN 103310423B CN 201310283872 A CN201310283872 A CN 201310283872A CN 103310423 B CN103310423 B CN 103310423B
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- mine
- wavelet
- soft
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000009977 dual effect Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 238000005728 strengthening Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000003708 edge detection Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种矿井图像增强方法，对矿井原始图像采用A’trous算法多尺度反对称双正交小波分解和重构，针对小波系数，分别采用单、双阈值和软阈值函数进行图像增强。本发明利用反对称双正交小波变换的边缘检测能力和简单的阈值函数经过两次增强处理，实现矿井图像的边缘增强，使矿井图像更加清晰，满足了矿井生产、检测及其它方面的需要，解决了由于煤矿井下环境条件所限制而获得的矿井图像边缘模糊的问题。
Description
技术领域
本发明涉及数字图像处理领域，特别涉及一种矿井图像增强方法。
背景技术
图像增强技术是数字图像处理的基本内容之一。其目的是按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息，使处理后的图像对某种特定的应用来说，比原始图像更适合于人的视觉特性或机器的识别系统。在实际应用中，我们的系统获取的原始图像往往达不到我们的需求，例如在煤矿井下这种工作环境恶劣，地质条件复杂的特殊地方，由于噪声、光照等原因，对于系统获取的原始图像，图像的质量不高，所以要进行一些处理，有利于提取我们感兴趣的信息。
图像增强方法主要有两类：空间域增强法和变换域增强法。空间域增强法是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。所用的映射变换取决于增强的目的，如增加图像的对比度，改善图像的灰度层次等处理。变换域增强法是将图像变换到频域或小波域，对图像的变换系数进行某种修正，然后通过逆变换获得增强图像，如采用修改图像傅里叶变换的方法实现对图像的增强处理。
小波变换在时频两域都具有表征信号局部特征的能力和多分辨率分析的特点，因此被誉为“数学显微镜”。小波变换的基本思想是将原信号通过伸缩和平移后，分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号，这些子带信号具有良好的时域、频域等局部特征。这些特征可用来表示原始信号的局部特征，进而实现对信号时间、频率的局部化分析，从而克服了傅里叶分析在处理非平稳信号和复杂图像时存在的局限性。
图像中物体的边界一般对应于灰度值的某种锐利变化，从视觉感知的观点来看，图像边缘对人们理解图像内容起着关键作用。而矿井图像大多为黑白图像，再加上井下环境的限制，采集到的图像往往边缘模糊。所以，增强矿井图像的边缘特征就显得十分必要。由于小波变换对奇异性尤为敏感，使得它更适合检测图像的边缘和细节。
小波图像增强的核心问题就是滤噪问题，目前普遍采用的方法是小波收缩法，小波模极大值法，相关性法。这些方法的共同点是直接对小波分解数据进行处理，即在考虑噪声的基础上，对不同特点的小波系数进行剪裁和增强，然后通过小波重构改善图像效果。这些方法中，有的计算量过大，如小波模极大值交替重影法，有的滤噪效果不佳，如阈值收缩法中的硬阈值，容易造成去噪后的信号在奇异点附近出现明显的Pseudo-Gibbs现象。
反对称双正交小波具有类似于二进小波的微分算子功能，采用此离散小波提取矿井图像多尺度边缘，并利用边缘信息重构图像，不仅可以发挥正交小波的紧支撑性，线性相位特性和分解基与重构基相互正交的优点，而且可以发挥二进小波的平移不变性的优点，避免“交替重影”过程，使矿井图像相对更加清晰。A'trous算法是把信号分解为不同频率通道上的近似信号和每一尺度下的细节信号，A'trous算法既具有Mallat算法的快速性，又有效保留了数据信息，能够更好的检测图像边缘。
发明内容
本发明的目的是提供一种矿井图像增强方法，用以解决由于煤矿井下环境条件所限制而获得的矿井图像边缘模糊的问题。
为实现上述目的，本发明的方案是：一种矿井图像增强方法，步骤如下：
(1)对矿井原始图像采用A'trous算法多尺度反对称双正交小波分解，得到每一尺度下的一个低频分量和三个高频分量；
(2)对分解的低频分量采用单阈值函数进行图像增强，高频分量采用双阈值函数进行图像增强；
(3)对增强后的低频、高频分量进行反对称双正交小波重构，并采用软阈值函数进行图像增强；
(4)进行反对称双正交小波逆变换，得到增强后的矿井图像。
所述的单阈值函数为：双阈值函数为：
其中，G为增强系数，w为增强前的小波系数，wo为增强后的小波系数，Td为单阈值，Ts1，Ts2为双阈值；Td，Ts1，Ts2，G的值采用人机交互进行选择。
所述的软阈值函数为：其中w是增强前的小波系数，wo是增强后的小波系数，m，n为调节因子，且m，n∈(0，1)，Tr是软阈值，软阈值采用估计的方法获得。
所述的步骤(1)中对矿井图像采用A'trous算法进行反对称双正交小波分解的方法为：首先将信号的行取定值，每一列看成一维信号进行分解，然后将分解后的信号的列取定值，每一行看成一维信号再作一次分解，获得的低频分量是反对称双正交小波的近似系数，高频分量分别是反对称双正交小波的水平细节分量、垂直细节分量和对角线细节分量。
所述的步骤(3)中进行反对称双正交小波重构时增强矿井图像的方法为：先对近似系数、水平细节分量、垂直细节分量和对角线细节系数列重构，再对其行重构；对小波各级重构时的分量采用软阈值处理，去除噪声，增强图像。
所述的软阈值采用Donoho和Johnstone统一阈值其中，N为信号的尺寸或长度，σ为噪声标准差，采用在图像进行小波分解的第一级小波系数中的高频对角线细节分量部分，以它的标准方差的估计值σ代入统一阈值公式计算出软阈值。
本发明达到的有益效果：本发明针对煤矿井下的特殊环境，采用两次阈值函数对矿井图像进行增强处理，在小波分解过程中，采用单、双阈值函数进行第一次图像增强，单、双阈值函数在一定程度上降低了噪声，增强了图像的细节信息；在小波重构过程中采用软阈值进行第二次图像增强，进一步去除噪声，提取边缘图像，保留图像的细节信息，经过两次增强处理，矿井图像更加清晰，避免了因为煤矿井下环境较差导致矿井图像不清晰的问题。
附图说明
图1是本发明的基于反对称双正交小波矿井图像增强方法的流程图；
图2是本发明的基于反对称双正交小波分解部分的示意图；
图3是本发明的基于反对称双正交小波重构部分的示意图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
本发明的矿井图像增强方法，是一种基于反对称双正交小波的矿井图像增强方法，图像增强的实现分为两部分：一是分解部分，对矿井图像进行分解，对分解的低频部分采用单阈值函数进行第一次增强，对分解的高频部分采用双阈值函数进行第一次增强；二是重构部分，在小波重构过程中采用软阈值函数进行第二次增强。此方法既能够提取图像的边缘细节信息，又在一定程度上降低了噪声。
如图1所示，本发明方法的具体步骤如下：
(1)对矿井原始图像采用A'trous算法多尺度反对称双正交小波分解，得到每一尺度下的一个低频分量和三个高频分量；
(2)对分解的低频分量采用单阈值函数进行图像增强，高频分量采用双阈值函数进行图像增强；
(3)对增强后的低频、高频分量进行反对称双正交小波重构，并采用软阈值函数进行图像增强；
(4)进行反对称双正交小波逆变换，得到增强后的矿井图像。
在小波分析中，Mallat算法是一种重要的小波变换方法，小波变换每增加一个分解尺度，需要进行一次下采样，数据减少一半，分解尺度越大，得到的数据越稀疏，相应的小波变换每重构一次，需要进行一次上采样，数据增加一倍，因此得到的结果有一定的失真。相较于Mallat算法，A'trous小波算法的基本思想是把信号分解为不同频率通道上的近似信号和每一尺度下的细节信号。二维情况下，A'trous算法分解公式将图像进行一层分解时，得到一个近似图像和三个细节图像，这四个子带图像与原图像大小相等。该算法不需要抽取偶数样本，所以奇异检测定位更准确，相应的重构不需要插零，而且此算法需要对滤波器进行伸缩。因此，A'trous算法适合于反对称双正交小波对矿井图像信号进行分解与重构，A'trous算法既具有Mallat算法的快速性，又有效保留了数据信息，能够更好的检测图像边缘。
矿井图像的边缘细节信息、噪声和主体信息在小波域中有不同的分布，利用此特点，在进行图像增强时，结合小波去噪的方法，分解时对各层分解的小波系数进行单双阈值处理：低频部分采用单阈值函数进行图像增强，高频部分采用双阈值函数进行图像增强，采用此非线性变换函数对小波系数进行变化，增强了图像的同时又抑制了噪声；重构时对小波系数采用软阈值处理：首先利用矿井图像的高频对角线细节分量部分的标准方差的估计值计算出软阈值，代入软阈值函数，然后利用软阈值函数对小波系数进一步增强，提取边缘细节信息。
如图2所示，基于反对称双正交小波分解时增强矿井图像的具体过程如下：
(1)小波的A'trous算法分解
在二维图像分解中，分解过程可以通过两步完成，即首先将信号的行取定值，每一列看成一维信号进行分解，然后将分解后的信号的列取定值，每一行看成一维信号再作一次分解。该算法对原始图像的近似系数采用A'trous算法进行多尺度反对称双正交小波分解，获得小波分解的一个低频分量和三个高频分量Wψ(j，m，n)_LH、Wψ(j，m，n)_HL、Wψ(j，m，n)_HH。其中，h′是分解低通滤波器，g′是分解高通滤波器；是小波的近似系数，Wψ(j，m，n)_LH是水平细节分量，Wψ(j，m，n)_HL是垂直细节分量，Wψ(j，m，n)_HH是对角线细节分量。该算法不需要抽取偶数样本，所以奇异性检测定位更准确，且该算法既具有快速性，又保留了数据信息。
(2)分解时的图像增强
矿井图像的边缘细节信息和噪声在小波域中对应的为高频信号，主体信息对应的为低频信号，在进行图像增强时，结合小波去噪的方法对各层小波系数进行阈值处理：低频部分采用单阈值增强函数进行增强，高频部分Wψ(j，m，n)_LH、Wψ(j，m，n)_HL、wψ(j，m，n)_HH采用双阈值增强函数进行增强。所用的单阈值增强函数为：双阈值增强函数为：其中，G为增强系数，w为增强前的小波系数，wo为增强后的小波系数，Td为单阈值，Ts1，Ts2为双阈值；Td，Ts1，Ts2，G的值采用人机交互进行选择。采用此非线性变换函数对小波系数进行变化，既增强图像的细节高频信息，突显主体信息，又抑制了噪声。
如图3所示，基于反对称双正交小波重构时增强矿井图像的具体过程如下：
(1)重构图像
在二维图像重构中，重构也是可以通过两步完成，先对其列重构，再对其行重构。即将小波系数的一个低频分量和三个高频分量Wψ(j，m，n)_LH、Wψ(j，m，n)_HL、Wψ(j，m，n)_HH经过列重构，再经过行重构，获得图像近似系数其中，h是重构低通滤波器，g是重构高通滤波器。在A'trous算法中重构不需要插零，能更好的检测边缘图像。
(2)重构时的图像增强
对小波各级重构时的系数采用软阈值处理，去除噪声。本发明采用的软阈值增强函数为：其中w是增强前的小波系数，wo是增强后的小波系数，m，n为调节因子，且m，n∈(0，1)，Tr是软阈值，软阈值采用估计的方法获得。
上述是Donoho提出的基于小波变换的软阈值函数的改进函数。在去噪过程中，软阈值的选取非常重要，软阈值既不能太小也不能太大，太小则施加阈值后小波系数将包含过多的噪声分量，达不到去噪的效果；反之，则去除了有用成分，造成失真。所以我们采用下述方法对软阈值进行估计：
采用Donoho和Johnstone统一阈值其中，σ为噪声标准差，N为信号的尺寸或长度。然而，在矿井图像中，由于环境的特殊性，信号中的噪声标准方差是不能预先知道的。因此在选取阈值时，要用估计的方法来确定噪声标准方差。本方法采用在图像进行小波分解的第一级的小波系数中的高频对角线细节分量部分，以它的标准方差的估计值σ代入统一阈值公式计算出软阈值。
Claims (4)
1.一种矿井图像增强方法，其特征在于，步骤如下：
(1)对矿井原始图像采用A’trous算法多尺度反对称双正交小波分解，得到每一尺度下的一个低频分量和三个高频分量；
(2)对分解的低频分量采用单阈值函数进行图像增强，高频分量采用双阈值函数进行图像增强；
(3)对增强后的低频、高频分量进行反对称双正交小波重构，并采用软阈值函数进行图像增强；
(4)进行反对称双正交小波逆变换，得到增强后的矿井图像；
所述的单阈值函数为：双阈值函数为：
其中，G为增强系数，w为增强前的小波系数，wo为增强后的小波系数，Td为单阈值，Ts1，Ts2为双阈值；Td，Ts1，Ts2，G的值采用人机交互进行选择；
所述的软阈值函数为：其中w是增强前的小波系数，wo是增强后的小波系数，m，n为调节因子，且m，n∈(0，1)，Tr是软阈值，软阈值采用估计的方法获得。
2.根据权利要求1所述的一种矿井图像增强方法，其特征在于，步骤(1)中对矿井图像采用A’trous算法进行反对称双正交小波分解的方法为：首先将信号的行取定值，每一列看成一维信号进行分解，然后将分解后的信号的列取定值，每一行看成一维信号再作一次分解，获得的低频分量是反对称双正交小波的近似系数，高频分量分别是反对称双正交小波的水平细节分量、垂直细节分量和对角线细节分量。
3.根据权利要求1所述的一种矿井图像增强方法，其特征在于，步骤(3)中进行反对称双正交小波重构时增强矿井图像的方法为：先对近似系数、水平细节分量、垂直细节分量和对角线细节分量列重构，再对其行重构；对小波各级重构时的分量采用软阈值处理，去除噪声，增强图像。
4.根据权利要求1所述的一种矿井图像增强方法，其特征在于，软阈值采用Donoho和Johnstone统一阈值其中，N为信号的尺寸或长度，σ为噪声标准差，采用在图像进行小波分解的第一级小波系数中的高频对角线细节分量部分，以它的标准方差的估计值σ代入统一阈值公式计算出软阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310283872.9A CN103310423B (zh) | 2013-07-08 | 2013-07-08 | 一种矿井图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310283872.9A CN103310423B (zh) | 2013-07-08 | 2013-07-08 | 一种矿井图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103310423A CN103310423A (zh) | 2013-09-18 |
| CN103310423B true CN103310423B (zh) | 2017-02-15 |
Family
ID=49135601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310283872.9A Expired - Fee Related CN103310423B (zh) | 2013-07-08 | 2013-07-08 | 一种矿井图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103310423B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854264B (zh) * | 2014-03-28 | 2016-05-11 | 中国石油大学(华东) | 一种基于改进型阈值函数的小波变换图像去噪方法 |
| CN106067164B (zh) * | 2016-05-26 | 2018-11-20 | 哈尔滨工业大学 | 基于自适应小波域处理的彩色图像对比度增强算法 |
| CN108876741B (zh) * | 2018-06-22 | 2021-08-24 | 中国矿业大学(北京) | 一种复杂光照条件下的图像增强方法 |
| CN110197476B (zh) * | 2019-04-24 | 2021-04-23 | 武汉科技大学 | 一种基于特征融合的复杂烧结矿三维显微矿相的分析方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6879729B2 (en) * | 2001-06-08 | 2005-04-12 | The Regents Of The University Of California | Parallel object-oriented, denoising system using wavelet multiresolution analysis |
| CN101661616A (zh) * | 2009-09-29 | 2010-03-03 | 北京科技大学 | 基于小波重构中多尺度边缘检测的图像增强方法 |
| CN101882305B (zh) * | 2010-06-30 | 2014-02-05 | 中山大学 | 一种图像增强处理的方法 |
-
2013
- 2013-07-08 CN CN201310283872.9A patent/CN103310423B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
| Title |
|---|
| 基于trous小波分解的SAR图像噪声滤除方法;文艳 等;《测绘科学》;20090131;第34卷(第1期);第2.2节 * |
| 基于小波阈值的图像增强算法;王惠 等;《人工智能及识别技术》;20071208(第23期);第2.4-2.5节 * |
| 基于软阈值的图像增强;丁西明 等;《河北北方学院学报》;20110831;第27卷(第4期);第2-3节 * |
| 基于软阈值的小波图像增强方法;方勇 等;《计算机工程与应用》;20021201(第23期);第2.2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103310423A (zh) | 2013-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sidhu et al. | Medical image denoising in the wavelet domain using haar and DB3 filtering | |
| Liu et al. | A medical image enhancement method using adaptive thresholding in NSCT domain combined unsharp masking | |
| CN111798396A (zh) | 一种基于小波变换的多功能图像处理方法 | |
| CN102663695B (zh) | 基于小波变换的dr图像去噪方法及系统 | |
| CN104217448B (zh) | 基于迭代特征修正的磁共振快速成像方法及系统 | |
| CN101661616A (zh) | 基于小波重构中多尺度边缘检测的图像增强方法 | |
| CN103310423B (zh) | 一种矿井图像增强方法 | |
| CN101739671A (zh) | 一种含噪图像的降噪处理方法及系统 | |
| CN102945548A (zh) | 一种基于方向金字塔滤波的图像处理方法及装置 | |
| CN111815550B (zh) | 一种基于灰度共生矩阵的红外与可见光图像融合方法 | |
| CN105869126A (zh) | 高光谱图像的压缩感知去噪方法 | |
| Mustafa et al. | Medical image de-noising schemes using wavelet transform with fixed form thresholding | |
| CN102226917A (zh) | 一种基于非下采样Contourlet扩散的图像增强方法 | |
| CN101887580A (zh) | 非下采样轮廓波变换域的图像降噪方法 | |
| CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
| Pai et al. | Medical color image enhancement using wavelet transform and contrast stretching technique | |
| Bahendwar et al. | Efficient algorithm for denoising of medical images using discrete wavelet transforms | |
| Srisailam et al. | Color image denoising using wavelet soft thresholding | |
| Qingrong et al. | Contrast enhancement of medical images using fuzzy set theory and nonsubsampled shearlet transform | |
| CN107563982A (zh) | 一种遥感图像增强方法 | |
| CN110517196B (zh) | 一种sar图像降噪方法及系统 | |
| CN114283086A (zh) | 一种基于信号域与图像域联合滤波的磁共振影像降噪方法 | |
| Bo et al. | Image compression based on wavelet transform | |
| Wang et al. | Study on denoising and enhancement method in SAR image based on wavelet packet and fuzzy set | |
| Jiang et al. | Medical image enhancement algorithm based on contourlet transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Xiaoyang Inventor after: Cheng Menglin Inventor after: He Fangyuan Inventor before: Liu Xiaoyang Inventor before: He Fangyuan |
|
| COR | Change of bibliographic data | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 Termination date: 20200708 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |