CN109300086B - 基于清晰度的图像分块方法 - Google Patents

基于清晰度的图像分块方法 Download PDF

Info

Publication number
CN109300086B
CN109300086B CN201810935422.6A CN201810935422A CN109300086B CN 109300086 B CN109300086 B CN 109300086B CN 201810935422 A CN201810935422 A CN 201810935422A CN 109300086 B CN109300086 B CN 109300086B
Authority
CN
China
Prior art keywords
image
frequency sub
definition
images
wavelet
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.)
Active
Application number
CN201810935422.6A
Other languages
English (en)
Other versions
CN109300086A (zh
Inventor
陈文建
张璐
李武森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201810935422.6A priority Critical patent/CN109300086B/zh
Publication of CN109300086A publication Critical patent/CN109300086A/zh
Application granted granted Critical
Publication of CN109300086B publication Critical patent/CN109300086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于清晰度的图像分块方法，具体步骤为：步骤1、对两幅灰度图像分别进行去噪、增强预处理；步骤2、将预处理后的两幅图像分别分解成n个大小为M×N的图像块；步骤3、对两幅图相同位置图像块分别计算清晰度值，Fia表示图像A的第i个图像块的清晰度结果，Fib表示图像B的第i块的清晰度结果；步骤4、比较两幅图像相同位置清晰度的大小，得到二者的差值绝对值FiΔ，若差值绝对值FiΔ小于自定义阈值，则对图像块再次进行划分后回到步骤3，若FiΔ大于等于自定义阈值，则分块结束，完成图像的分块。本发明直接对图像子块进行清晰度数值比较判断子块划分情况，算法简单，耗时时间短，效率高。

Description

基于清晰度的图像分块方法
技术领域
本发明涉及图像处理技术领域，特别涉及基于清晰度的图像分块方法。
背景技术
图像分块处理可以将图像分成更小的子块，从而通过对子块分析区域特征，为图像处理领域提供了诸多方便。因此，为了获得更好的图像信息，图像子块的划分显得尤为重要。
目前，图像分块在图像融合处理领域有着很好的应用，有通过GA对图像子块进行编码，但是计算复杂，图像处理速度慢，另有差分进化方法对图像进行分块处理，该方法提高了图像分块技术但是耗时长。
发明内容
本发明的目的在于提出了基于清晰度的图像分块方法。
实现本发明的技术解决方案为：基于清晰度的图像分块方法，具体步骤为：
步骤1、对两幅灰度图像分别进行去噪、增强预处理；
步骤2、将预处理后的两幅图像分别分解为若干个大小相同的图像块；
步骤3、对两幅图相同位置图像块分别计算清晰度值，Fia表示图像A的第i 个图像块的清晰度结果，Fib表示图像B的第i块的清晰度结果；
步骤4、比较两幅图像相同位置清晰度的大小，得到二者的差值绝对值FiΔ，若差值绝对值FiΔ小于自定义阈值，则对图像块再次进行划分后回到步骤3，若FiΔ大于等于自定义阈值，则分块结束，完成图像的分块。
优选地，步骤2中图像块清晰度值的计算方法为：
步骤3-1、对图像块进行去除噪声以及图像增强预处理；
步骤3-2、对预处理后的图像块基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度，从而确定图像单元不同梯度方向的数目以及各高频子带的权重因子；
步骤3-3、对预处理后的图像块进行小波变换，得到变换后的低频子带和高频各子带；
步骤3-4、根据步骤3-3一级小波变换后得到的低频子带和高频各子带，计算各高频子带对应的小波系数，再继续对低频子带继续进行小波变换，即二级小波变换，并确定二级小波变换后的各高频子带对应的小波系数；
步骤3-5、根据步骤3-2得到的权重因子以及步骤3-4中一级小波变换后得高频子带对应的小波系数以及二级小波变换后得到的各高频子带对应的小波系数确定图像块清晰度评价函数，从而确定图像块清晰度。
优选地，步骤2-2中基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度的具体公式为：
Figure BDA0001767712300000021
其中，f(x,y)指单位像素的灰度值，Ghor、Gver、Gdia分别为水平、垂直和对焦方向的梯度。
优选地，步骤2-2中各高频子带的权重因子的确定公式为：
Figure BDA0001767712300000022
式中，Nhor、Nver、Ndia分别表示图像水平、垂直、对角三个方向的纹理统计数目。
优选地，小波变换后的高频子带为：
Figure BDA0001767712300000023
其中，n为小波分解级数，fLHn(x,y)、fHLn(x,y)、fHHn(x,y)分别为第n级小波变换各高频子带分量的小波系数，fLLn(x,y)为第n级小波变换低频子带分量。
优选地，步骤2-5确定的图像清晰度评价函数具体为：
Figure BDA0001767712300000031
其中，(x,y)表示当前像素的位置，P(h)、P(v)、P(d)分别为各高频子带的权重因子，fHL1(x,y)、fLH1(x,y)、fHH1(x,y)为一级小波变换后各高频子带对应的小波系数，fHL2(x,y)、fLH2(x,y)、fHH2(x,y)为二级小波变换后各高频子带对应的小波系数。
优选地，步骤4中对图像块再次划分的方法为：将图像块平均分成4个小子块。
本发明与现有技术相比，其显著优点为：本发明直接对图像子块进行清晰度数值比较判断子块划分情况，算法简单，耗时时间短，效率高。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明流程图。
图2为本发明中实施例1中小波变换示意图，其中图2中 (a)是 两幅图像的原图；图2中 (b)是 原图经过一次小波变换后的效果对比图；图2中 (c)是 原图经过两次小波变换后的效果对比图。
图3为实施例1中图像分块示意图，其中图3中 (a)是图像原图；图3 中 (b)是原图圈出区域划分出的子块。
具体实施方式
本实施例具体实现步骤如图1所示。
基于清晰度的图像分块方法，具体步骤为：
步骤1、对两幅灰度图像分别进行去噪、增强预处理；
步骤2、将预处理后的两幅图像分别分解为若干个大小相同的图像块，例如 4,9,16,25个，图像块的大小根据源图像的实际大小确定；
步骤3、对两幅图相同位置图像块分别计算清晰度值，Fia表示图像A的第i 个图像块的清晰度结果，Fib表示图像B的第i块的清晰度结果；
步骤4、比较两幅图像相同位置清晰度的大小，得到二者的差值绝对值FiΔ，若差值绝对值FiΔ小于自定义阈值，则对图像块再次进行划分后回到步骤3，若FiΔ大于等于自定义阈值，则分块结束，完成图像的分块。
进一步的实施例中，步骤2中图像块清晰度值的计算方法为：
步骤3-1、对图像块进行去除噪声以及图像增强预处理；
步骤3-2、对预处理后的图像块基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度，从而确定图像单元不同梯度方向的数目以及各高频子带的权重因子；
步骤3-3、对预处理后的图像块进行小波变换，得到变换后的低频子带和高频各子带，效果图如图2所示；
步骤3-4、根据步骤3-3一级小波变换后得到的低频子带和高频各子带，计算各高频子带对应的小波系数，再继续对低频子带继续进行小波变换，即二级小波变换，并确定二级小波变换后的各高频子带对应的小波系数；
步骤3-5、根据步骤3-2得到的权重因子以及步骤3-4中一级小波变换后得高频子带对应的小波系数以及二级小波变换后得到的各高频子带对应的小波系数确定图像块清晰度评价函数，从而确定图像块清晰度。优选地，步骤2-2中基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度的具体公式为：
Figure BDA0001767712300000041
其中，f(x,y)指单位像素的灰度值，Ghor、Gver、Gdia分别为水平、垂直和对焦方向的梯度。
优选地，步骤2-2中各高频子带的权重因子的确定公式为：
Figure BDA0001767712300000051
式中，Nhor、Nver、Ndia分别表示图像水平、垂直、对角三个方向的纹理统计数目。
优选地，小波变换后的高频子带为：
Figure BDA0001767712300000052
其中，n为小波分解级数，fLHn(x,y)、fHLn(x,y)、fHHn(x,y)分别为第n级小波变换各高频子带分量的小波系数，fLLn(x,y)为第n级小波变换低频子带分量。
优选地，步骤2-5确定的图像清晰度评价函数具体为：
Figure BDA0001767712300000053
其中，(x,y)表示当前像素的位置，P(h)、P(v)、P(d)分别为各高频子带的权重因子，fHL1(x,y)、fLH1(x,y)、fHH1(x,y)为一级小波变换后各高频子带对应的小波系数，fHL2(x,y)、fLH2(x,y)、fHH2(x,y)为二级小波变换后各高频子带对应的小波系数。
进一步的实施例中，步骤4中对图像块再次划分的方法为：将图像块平均分成4个小子块。
下面结合实施例对本发明做进一步说明。
实施例1
本发明通过显微镜系统20×(NA＝0.5)对水棉细胞采取了2幅图像，图像处理基于Visual Studio软件。
如图1和图3所示，基于清晰度的图像分块方法，具体步骤为：
步骤1、显微镜系统20×(NA＝0.5)对水棉细胞采取了2幅图像传输到计算机处理系统：图像A和图像B，像素大小为1280×960；对图像A和图像B进行去噪、增强预处理；
步骤2、将预处理后的两张图像分别分解成16个大小为320×240的图像块；
步骤3、从图像左上角图像块开始，按照从左向右，从上到下的顺序，对两幅图相同位置的图像块按照基于小波变换的清晰度评价方法分别计算清晰度值，选用Fia来表示图像A的第i块的清晰度结果，用Fib来表示图像B的第i块的清晰度结果；如图2所示，按照基于小波变换的清晰度评价方法分别计算清晰度值的具体步骤为：
步骤3-1、对图像块进行去除噪声以及图像增强预处理；
步骤3-2、对预处理后的图像块基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度，从而确定图像单元不同梯度方向的数目以及各高频子带的权重因子；
步骤3-3、对预处理后的图像块进行小波变换，得到变换后的低频子带和高频各子带；
步骤3-4、根据步骤3-3一级小波变换后得到的低频子带和高频各子带，计算各高频子带对应的小波系数，再继续对低频子带继续进行小波变换，即二级小波变换，并确定二级小波变换后的各高频子带对应的小波系数；
步骤3-5、根据步骤3-2得到的权重因子以及步骤3-4中一级小波变换后得高频子带对应的小波系数以及二级小波变换后得到的各高频子带对应的小波系数确定图像块清晰度评价函数，从而确定图像块清晰度。
步骤4、比较两幅图像相同位置清晰度的大小，得到二者的差值绝对值 FiΔ＝|Fia-Fib|，若差值绝对值FiΔ小于自定义阈值，则对图像块再次进行划分后回到步骤3，细分效果如图3，若FiΔ大于等于自定义阈值，则分块结束，完成图像的分块。

Claims (6)

1.基于清晰度的图像分块方法，其特征在于，具体步骤为：
步骤1、对两幅灰度图像分别进行去噪、增强预处理；
步骤2、将预处理后的两幅图像分别分解为若干个大小相同的图像块；
步骤3、对两幅图相同位置图像块分别计算清晰度值，Fia表示图像A的第i个图像块的清晰度结果，Fib表示图像B的第i块的清晰度结果，计算方法为：
步骤3-1、对图像块进行去除噪声以及图像增强预处理；
步骤3-2、对预处理后的图像块基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度，从而确定图像单元不同梯度方向的数目以及各高频子带的权重因子；
步骤3-3、对预处理后的图像块进行小波变换，得到变换后的低频子带和高频各子带；
步骤3-4、根据步骤3-3一级小波变换后得到的低频子带和高频各子带，计算各高频子带对应的小波系数，再继续对低频子带继续进行小波变换，即二级小波变换，并确定二级小波变换后的各高频子带对应的小波系数；
步骤3-5、根据步骤3-2得到的权重因子以及步骤3-4中一级小波变换后得高频子带对应的小波系数以及二级小波变换后得到的各高频子带对应的小波系数确定图像块清晰度评价函数，从而确定图像块清晰度；
步骤4、比较两幅图像相同位置清晰度的大小，得到二者的差值绝对值FiΔ，若差值绝对值FiΔ小于自定义阈值，则对图像块再次进行划分后回到步骤3，若FiΔ大于等于自定义阈值，则分块结束，完成图像的分块。
2.根据权利要求1所述的基于清晰度的图像分块方法，其特征在于，步骤3-2中基于灰度梯度方向提取纹理特征信息，确定水平、垂直和对焦方向的梯度的具体公式为：
Figure FDA0003724056160000011
其中，f(x,y)指单位像素的灰度值，Ghor、Gver、Gdia分别为水平、垂直和对焦方向的梯度。
3.根据权利要求1所述的基于清晰度的图像分块方法，其特征在于，步骤3-2中各高频子带的权重因子的确定公式为：
Figure FDA0003724056160000021
式中，Nhor、Nver、Ndia分别表示图像水平、垂直、对角三个方向的纹理统计数目。
4.根据权利要求1所述的基于清晰度的图像分块方法，其特征在于，小波变换后的高频子带为：
Figure FDA0003724056160000022
其中，n为小波分解级数，fLHn(x,y)、fHLn(x,y)、fHHn(x,y)分别为第n级小波变换各高频子带分量的小波系数，fLLn(x,y)为第n级小波变换低频子带分量。
5.根据权利要求1所述的基于清晰度的图像分块方法，其特征在于，步骤3-5确定的图像清晰度评价函数具体为：
Figure FDA0003724056160000023
其中，(x,y)表示当前像素的位置，P(h)、P(v)、P(d)分别为各高频子带的权重因子，fHL1(x,y)、fLH1(x,y)、fHH1(x,y)为一级小波变换后各高频子带对应的小波系数，fHL2(x,y)、fLH2(x,y)、fHH2(x,y)为二级小波变换后各高频子带对应的小波系数。
6.根据权利要求1所述的基于清晰度的图像分块方法，其特征在于，步骤4中对图像块再次划分的方法为：将图像块平均分成4个小子块。
CN201810935422.6A 2018-08-16 2018-08-16 基于清晰度的图像分块方法 Active CN109300086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810935422.6A CN109300086B (zh) 2018-08-16 2018-08-16 基于清晰度的图像分块方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810935422.6A CN109300086B (zh) 2018-08-16 2018-08-16 基于清晰度的图像分块方法

Publications (2)

Publication Number Publication Date
CN109300086A CN109300086A (zh) 2019-02-01
CN109300086B true CN109300086B (zh) 2022-09-27

Family

ID=65165158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810935422.6A Active CN109300086B (zh) 2018-08-16 2018-08-16 基于清晰度的图像分块方法

Country Status (1)

Country Link
CN (1) CN109300086B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935774B (zh) * 2023-09-14 2023-11-24 深圳市邦华电子有限公司 高清晰度显示的平板电脑

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1402191A (zh) * 2002-09-19 2003-03-12 上海交通大学 基于块分割的多聚焦图像融合方法
CN101035273A (zh) * 2007-04-24 2007-09-12 北京中星微电子有限公司 视频监控中的自动跟踪控制方法和控制装置
CN105262954A (zh) * 2015-11-17 2016-01-20 腾讯科技（深圳）有限公司 触发摄像头自动聚焦的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1402191A (zh) * 2002-09-19 2003-03-12 上海交通大学 基于块分割的多聚焦图像融合方法
CN101035273A (zh) * 2007-04-24 2007-09-12 北京中星微电子有限公司 视频监控中的自动跟踪控制方法和控制装置
CN105262954A (zh) * 2015-11-17 2016-01-20 腾讯科技（深圳）有限公司 触发摄像头自动聚焦的方法和装置

Also Published As

Publication number Publication date
CN109300086A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
Wang et al. Optimized feature extraction for learning-based image steganalysis
Xiao et al. A comparative study on thresholding methods in wavelet-based image denoising
CN101303764B (zh) 基于非下采样轮廓波的多传感器图像自适应融合方法
CN105335947A (zh) 图像去噪方法和图像去噪装置
CN101847257A (zh) 基于非局部均值与多级定向图像的图像降噪方法
CN104680485A (zh) 一种基于多分辨率的图像去噪方法及装置
CN101944230A (zh) 基于多尺度的自然图像非局部均值去噪方法
Biswas et al. A new adaptive image denoising method based on neighboring coefficients
Shukla et al. Adaptive fractional masks and super resolution based approach for image enhancement
CN109300086B (zh) 基于清晰度的图像分块方法
Thangaswamy et al. Developing an efficient technique for satellite image denoising and resolution enhancement for improving classification accuracy
CN109300097B (zh) 基于自适应分块的多序列图像融合方法
Niu et al. Edge-based perceptual image coding
Laksmi et al. Novel image enhancement technique using CLAHE and wavelet transforms
Sun et al. Color image denoising based on guided filter and adaptive wavelet threshold
Pai et al. Medical color image enhancement using wavelet transform and contrast stretching technique
CN112801883A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
TWI460667B (zh) 模糊指紋影像重建方法
Li et al. A novel remote sensing image enhancement method using unsharp masking in NSST domain
Wang et al. Retracted: Complex image denoising framework with CNN‐wavelet under concurrency scenarios for informatics systems
CN111325765B (zh) 一种基于冗余小波变换的图像边缘检测方法
Chinnarao et al. Improved image de noising algorithm using dual tree complex wavelet transform
CN106558084A (zh) 地理信息图像的压缩方法
Liang et al. A segmentation method for mammogram x-ray image based on image enhancement with wavelet fusion
Gupta et al. A study and evaluation of transform domain based image fusion techniques for visual sensor networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Chen Wenjian

Inventor after: Zhang Lu

Inventor after: Li Wusen

Inventor before: Zhang Lu

Inventor before: Chen Wenjian

Inventor before: Li Wusen

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant