CN105243651B - 基于近似方差和暗色块像素统计信息的图像边缘增强方法 - Google Patents

Abstract

本发明公开了基于近似方差和暗色块像素统计信息的自适应图像边缘增强方法，包括：对未经去噪图像，计算图像每个像素的近似方差；统计单一暗色块亮度均值和方差；根据单一暗色块亮度均值和方差确定相关阈值；计算增强系数矩阵；对经去噪图像进行边缘增强处理。本发明具有的效果是：第一，在图像细节越丰富区域边缘增强程度越大，在图像越平滑区域增强程度越小，对图像噪声不会同时增强；第二，能克服图像暗区容易出现噪声斑点的问题；第三，参数根据图像相关信息自适应调节，能够避免出现过度增强造成边缘光晕等现象。

Description

基于近似方差和暗色块像素统计信息的图像边缘增强方法

技术领域

本发明涉及数字图像处理领域，特别涉及一种基于近似方差和暗色块像素统计信息的图像边缘增强方法。

背景技术

图像是人类获取信息最重要的方式，据统计人类获取信息的80％来源于图像。图像是三维物理世界在二维平面的映射。一般的，摄像机拍摄的图像会经过ISP(Imagesignal processing)处理流程，其大致包括以下几个步骤：传感器感光→颜色插值→图像去噪→白平衡→颜色矫正→伽玛校正→边缘增强→图像输出。在这个过程中，图像去噪处理是用来去除图像中的噪声，包括插值噪声、暗噪声和截断噪声等。在去除噪声的同时，也把图像的部分细节，尤其是锐利的边缘细节一同给去除了。这样会给图像带来一定程度的细节丢失，严重时呈现的图像会显得平滑、模糊。为了提升图像的质量，尤其是提升图像边缘等细节程度，在ISP最后一般会进行边缘增强的处理。边缘增强是数字图像处理的一项基本处理操作。经过边缘增强后的图像，与原图相比，会显得更为锐利，对比度更高，更能够突出图像的细节。

边缘增强一般采用的方法是对图像以锐化算子进行卷积，得到结果再叠加(或减去)到原图之上。典型的锐化算子有拉普拉斯锐化算子。除了直接采用锐化算子外，一种应用最广泛的方法是对原图像进行平滑处理，将原图像减去平滑后的图像，其结果乘以一比例系数，再叠加到原图上。用公式可表示如下：

y＝x+k*(x-g(x；δ))

其中y代表边缘增强后的图像，x代表原图，g(x；δ)表示对原图像进行程度为δ的平滑操作，k为增强比例系数。这种方法叫做unsharp masking(USM)。USM是一种线性处理方法，其优点是计算量小、图像增强程度可控，是很多图像处理软件采用的方法。也存在许多基于USM的改进算法。

上述USM及其改进方法在很多方面得到了应用，但是普遍存在的主要缺点有：第一，在很多情况下，除了增强了图像边缘对比度外，噪声也随着被放大了，这使得图像平滑区域的噪声明显偏大，反而对图像造成更严重的污染；图像的暗块区域通常噪声会比其他区域要大，经边缘增强后，这些暗区的噪声显得更为严重；第二，经边缘增强后，容易在边缘附近形成边缘走势的光晕等污染；第三，对参数非常敏感，不同的图像可能需要采用不同的参数数值，很难调节出合适的参数。

发明内容

为克服上述USM等边缘增强方法的缺陷，本发明提供了一种基于近似方差和暗色块像素统计信息的图像边缘增强方法，其特征在于，包括以下步骤：

1)对噪声图像进行HSV分解，取出亮度分量：

设I(x,y)为含有噪声污染的、不经过去噪处理的实际图像，S(x,y)为对I(x,y)进行去噪处理后的结果图像,两者均为RGB颜色格式，且大小均为M×N,本发明不限制去噪处理方法，任何能够有效的图像去噪处理方法都可以用来对I(x,y)进行去噪处理以获得S(x,y)；将I(x,y)和S(x,y)分别转化到HSV颜色空间，分别得到在HSV颜色空间的两幅图像I_hsv(x,y)和S_hsv(x,y),取出两者的亮度分量

2)计算图像像素方差:

A)创建大小为(2w+1)×(2w+1)的矩阵模板F,w为自然数，假定矩阵第一行第一列位置坐标为(0,0)，则矩阵中心位置为(w,w),f(k,l)表示位置坐标为(k,l)的矩阵模板元素值，k＝0,1,…,2w，l＝0,1,…,2w,矩阵模板元素值均为浮点数值，矩阵模板元素值按照各元素位置到中心点位置的距离增大而减小，且中心位置对应的元素值要比周边位置元素要大；

B)运用矩阵模板F对进行卷积处理得到C_I(x,y)，即：

其中为卷积运算；并对图像矩阵C_I(x,y)的每一元素(即像素)进行平方计算，得到的新的值作为对应位置的元素值，得到一幅新的图像矩阵，设为G(x,y)；

C)对图像矩阵的每一元素(即像素)进行平方计算，得到的新的值作为对应位置的元素值，得到一幅新的图像矩阵，设为P(x,y)；

D)运用矩阵模板F对P(x,y)进行卷积计算，得到C_P(x,y)，即：

E)计算图像矩阵C_P(x,y)与G(x,y)的差，得到近似方差D(x,y)，即：

D(x,y)＝C_P(x,y)-G(x,y)

3)检测单一暗色图像块：

A)将划分成H×W个n×n图像块，其中表示对a取比a小的最大的整数,对每个n×n图像块，计算其对应的像素平均值和方差，由此获得图像块像素平均值集合S_ave＝{l₁,l₂,…,l_H×W}和图像块像素方差集合S_std＝{δ₁,δ₂,…,δ_H×W}；

B)从集合S_std＝{δ₁,δ₂,…,δ_H×W}中选出值最小的U个元素(U＜0.5|S_std|，|S_std|表示集合S_std的元素个数)，设选出的U个元素为{δ₁′,δ₂′,…,δ_U′}，计算其平均值

C)从所有H×W个n×n选出单一暗色图像块，满足以下条件的将被确定为单一暗色图像块：

其中l_thr，δ₀，λ为预先设定的常值参数；

4)计算噪声相关阈值：

对所有选出来的单一暗色图像块，找到它们之间像素方差最大的图像块，设对应的最大像素方差为δ_bm；对除了单一暗色图像块剩下的图像块，计算它们图像块像素方差的平均值，设为δ_na；由此获得两个阈值：

5)对每一像素计算边缘增强系数k：

确定系数矩阵K，其大小与图像矩阵I(x,y)相同,对K的每一矩阵元素k(x,y)，按照以下规则取值：

其中k_t为预设的常量参数，D_t＝max{D(x,y)＞T₂}，即D_t取集合{D(x,y)＞T₂}中最大的值；

6)对去噪图像边缘增强处理，转换到RGB格式输出：

A)对的每一个像素按照以下公式进行增强处理，得到一幅新的图像矩阵

B)用替代并把S_hsv(x,y)转换到RGB图像颜色空间，得到新的RGB图像I^*(x,y)，I^*(x,y)即为本发明边缘增强方法处理后的输出结果。

优选的，步骤2)所述的矩阵模板元素按照二元高斯分布取值：

δ为设定的常量参数,在按照上述方法获得所有元素值后，所有元素值要进行如下归一化处理：

f′(k,l)为最终矩阵模板F在(k,l)位置的元素值。

优选的，所述参数

优选的，所述参数l_thr取值范围为20至125，δ₀取值范围为10至30，λ取值范围为3至10。

与现有技术相比，本技术方案具有以下有益技术效果：第一，在图像细节越丰富区域边缘增强程度越大，在图像越平滑区域增强程度越小，对图像噪声不会同时增强；第二，能克服图像暗区容易出现噪声斑点的问题；第三，参数根据图像相关信息自适应调节，能够避免出现过度增强造成边缘光晕等现象。

附图说明

图1为本发明的边缘增强流程图。

图2为计算近似方差流程。

图3为计算阈值T₁和T₂流程。

图4为计算比例系数矩阵k(x,y)的函数示例。

图5-6为进行边缘增强结果示意图，(a)为采用USM处理结果，(b)为本发明方法处理结果。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。

如图1至图5所示，一种基于近似方差和暗色块像素统计信息的自适应图像边缘增强方法(图1为流程图)：

1)设I(x,y)为含有噪声污染的、不经过去噪处理的实际图像，S(x,y)为对I(x,y)进行去噪处理后的结果图像；两者均为RGB颜色格式，且大小均为M×N；将I(x,y)和S(x,y)分别转化到HSV颜色空间，分别得到I_hsv(x,y)和S_hsv(x,y)即在HSV颜色空间的两幅图像；分别取出两者的亮度分量备用。本发明不限制去噪处理方法，任何能够有效去噪图像噪声的图像去噪处理方法都可以用来对I(x,y)进行去噪处理以获得S(x,y)。

2)创建大小为(2w+1)×(2w+1)的矩阵模板F,w为自然数(本实施例中w取值5)，假定矩阵第一行第一列位置坐标为(0,0)，则矩阵中心位置为(w,w),f(k,l)表示位置坐标为(k,l)的矩阵模板元素值，k＝0,1,…,2w，l＝0,1,…,2w,矩阵模板元素值均为浮点数值，矩阵模板元素值按照各元素位置到中心点位置的距离增大而减小，且中心位置对应的元素值要比周边位置元素要大。例如，矩阵元素可以按照以下二元高斯分布取值：

δ为预设的常量参数，一般的可取本实施例中取值为2.5。在按照上述方法获得所有元素值后，所有元素值要进行如下归一化处理：

f′(k,l)为最终矩阵模板F在(k,l)位置的元素值。本发明上述矩阵模板创建方法不限于上述高斯分布模型创建方法，任何满足上述取值规律的创建方法都适合本发明。

3)运用矩阵模板F对进行卷积处理得到C_I(x,y)，即：

其中为卷积运算；并对图像矩阵C_I(x,y)的每一元素(即像素)进行平方计算，得到的新的值作为对应位置的元素值，得到一幅新的图像矩阵，设为G(x,y)。

4)对图像矩阵的每一元素(即像素)进行平方计算，得到的新的值作为对应位置的元素值，得到一幅新的图像矩阵，设为P(x,y)；

5)运用矩阵模板F对P(x,y)进行卷积计算，得到C_P(x,y)，即：

6)计算图像矩阵C_P(x,y)与G(x,y)的差，得到近似方差D(x,y)，即：

D(x,y)＝C_P(x,y)-G(x,y)

7)对划分成_H×W个n×n图像块，其中表示对a取比a小的最大的整数。对每个n×n图像块，计算其对应的像素平均值和方差，由此获得图像块像素平均值集合S_ave＝{l₁,l₂,…,l_H×W}和图像块像素方差集合S_std＝{δ₁,δ₂,…,δ_H×W}。

8)从集合S_std＝{δ₁,δ₂,…,δ_H×W}中选出值最小的U个元素(U＜0.5|S_std|，|S_std|表示集合S_std的元素个数)，本实施例中U为0.3|S_std|。设选出的U个元素为{δ₁′,δ₂′,…,δ_U′}，计算其平均值

9)从所有H×W个n×n选出单一暗色图像块。满足以下条件的将被确定为单一暗色图像块：

其中l_thr，δ₀，λ为预先设定的常值参数。一般的l_thr取值在20-125之间，δ₀取值范围为10-30，λ取值范围为3-10；本实施例中，l_thr取值50，δ₀取值10，λ取值5。

10)对所有选出来的单一暗色图像块，找到它们之间对应的最大的图像块像素方差，设为δ_bm；对除了单一暗色图像块剩下的图像块，计算它们图像块像素方差的平均值，设为δ_na。由此获得两个阈值：

11)确定系数矩阵K，其大小与图像矩阵I(x,y)相同。对每一矩阵元素k(x,y)，按照以下规则取值：

其中k_t为预设的常量参数，本实施例中k_t取值为0.8。D_t＝max{D(x,y)＞T₂}，即D_t取集合{D(x,y)＞T₂}中最大的值。

12)对的每一个像素按照以下公式进行增强处理，得到一幅新的图像矩阵

13)用替代并把S_hsv(x,y)转换到RGB图像颜色空间，得到新的RGB图像I^*(x,y)。I^*(x,y)即为本发明边缘增强方法处理后的输出结果。

图5-6为本实施例进行边缘增强结果示意图；(a)为采用USM处理结果；(b)为本发明方法处理结果。从本发明方法处理的结果可以看出：第一，在图像细节越丰富区域边缘增强程度越大，在图像越平滑区域增强程度越小，对图像噪声不会同时增强。图6(a)为普通USM算法增强结果，图6(b)为本发明边缘增强结果，可以看到在白条纹间隔区域(a)有明显的噪声增强，而(b)噪声增强不明显；第二，能克服图像暗区容易出现噪声斑点的问题；第三，参数根据图像相关信息自适应调节，能够避免出现过度增强造成边缘光晕等现象。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于近似方差和暗色块像素统计信息的图像边缘增强方法，其特征在于，包括以下步骤：

1)对噪声图像进行HSV分解，取出亮度分量：

设I(x,y)为含有噪声污染的、不经过去噪处理的实际图像，S(x,y)为对I(x,y)进行去噪处理后的结果图像,两者均为RGB颜色格式，且大小均为M×N,对I(x,y)进行去噪处理以获得S(x,y)；将I(x,y)和S(x,y)分别转化到HSV颜色空间，分别得到在HSV颜色空间的两幅图像I_hsv(x,y)和S_hsv(x,y),取出两者的亮度分量

2)计算图像像素近似方差:

A)创建大小为(2w+1)×(2w+1)的矩阵模板F,w为自然数，假定矩阵第一行第一列位置坐标为(0,0)，则矩阵中心位置为(w,w),f(k,l)表示位置坐标为(k,l)的矩阵模板元素值，k＝0,1,…,2w，l＝0,1,…,2w,矩阵模板元素值均为浮点数值，矩阵模板元素值按照各元素位置到中心点位置的距离增大而减小，且中心位置对应的元素值要比周边位置元素要大；

B)运用矩阵模板F对进行卷积处理得到C_I(x,y)，即：

其中为卷积运算，并对图像矩阵C_I(x,y)的每一元素进行平方计算，得到的新的值作为对应位置的元素值，得到一幅新的图像矩阵，设为G(x,y)；

C)对图像矩阵的每一元素进行平方计算，得到的新的值作为对应位置的元素值，得到一幅新的图像矩阵，设为P(x,y)；

D)运用矩阵模板F对P(x,y)进行卷积计算，得到C_P(x,y)，即：

E)计算图像矩阵C_P(x,y)与G(x,y)的差，得到近似方差D(x,y)，即：

D(x,y)＝C_P(x,y)-G(x,y)

3)检测单一暗色图像块：

A)将划分成H×W个n×n图像块，其中 表示对a取比a小的最大的整数,对每个n×n图像块，计算其对应的像素平均值和方差，由此获得图像块像素平均值集合S_ave＝{l₁,l₂,…,l_H×W}和图像块像素方差集合S_std＝{δ₁,δ₂,…,δ_H×W}；

B)从集合S_std＝{δ₁,δ₂,…,δ_H×W}中选出值最小的U个元素,其中U<0.5|S_std|，|S_std|表示集合S_std的元素个数，设选出的U个元素为{δ′₁,δ′₂,…,δ′_U}，计算其平均值

C)从所有H×W个n×n选出单一暗色图像块，满足以下条件的将被确定为单一暗色图像块：

l_i<l_thr且

其中l_thr，δ₀，λ为预先设定的常值参数；

4)计算噪声相关阈值：

对所有选出来的单一暗色图像块，找到它们之间像素方差最大的图像块，设对应的最大像素方差为δ_bm；对除了单一暗色图像块剩下的图像块，计算它们图像块像素方差的平均值，设为δ_na；由此获得两个阈值：

5)对每一像素计算边缘增强系数k：

确定系数矩阵K，其大小与图像矩阵I(x,y)相同,对K的每一矩阵元素k(x,y)，按照以下规则取值：

其中k_t为预设的常量参数，D_t＝max{D(x,y)>T₂}，即D_t取集合{D(x,y)>T₂}中最大的值；

6)对去噪图像边缘增强处理，转换到RGB格式输出：

A)对的每一个像素按照以下公式进行增强处理，得到一幅新的图像矩阵

B)用替代并把S_hsv(x,y)转换到RGB图像颜色空间，得到新的RGB图像I^*(x,y)，I^*(x,y)即为边缘增强方法处理后的输出结果。

2.根据权利要求1所述的基于近似方差和暗色块像素统计信息的图像边缘增强方法，其特征在于，步骤2)所述的矩阵模板元素按照二元高斯分布取值：

δ为预设的常量参数,在按照上述方法获得所有元素值后，所有元素值要进行如下归一化处理：

f′(k,l)为最终矩阵模板F在(k,l)位置的元素值。

3.根据权利要求2所述的基于近似方差和暗色块像素统计信息的图像边缘增强方法，其特征在于，所述参数

4.根据权利要求1所述的基于近似方差和暗色块像素统计信息的图像边缘增强方法，其特征在于，所述参数l_thr取值范围为20至125，δ₀取值范围为10至30，λ取值范围为3至10。