CN110070508B - 一种基于门限值和线性映射的反锐化增强方法 - Google Patents

Abstract

一种基于门限值和线性映射的反锐化增强方法，包括：步骤一、对输入的原始图像进行反锐化掩模运算；步骤二、选取门限值，通过门限值对反锐化掩模运算得到的数据范围进行钳位处理；步骤三、求取原始图像的最大值和最小值，根据原始图像的最大值和最小值计算映射点，求得映射区间，对钳位处理后的数据进行分区间线性映射，得到增强之后的图像输出。本发明通过选取合适的门限值钳位反锐化运算后的结果，充分考虑原始图像的极值分布，选取合适的区间，利用线性映射的方法校正反锐化运算后的结果，使最终处理后的图像接近原始图像的直方图分布，相比于原始图像边缘更加清晰，不会造成值域扩大，视觉效果好。

Description

一种基于门限值和线性映射的反锐化增强方法

技术领域

本发明属于计算机视觉及数字图像处理领域，具体涉及一种基于门限值和线性映射的反锐化增强方法，能够突出图像中的边缘细节，使图像更加自然和清晰。

背景技术

在图像采集、成像、运输和复制等过程中，许多外部环境的影响会导致图像的质量不尽如人意，例如拍摄环境过于昏暗或者光线过于强烈；图像采集器中的光学元件精度或者分辨率不够；图像生成过程中各种噪声的影响等等。这些都使得图像不符合人们的使用需求，因此，为了提高图像的整体质量，对图像增强算法研究是相当有必要的。

比如，光学传感器ccd在获取和传输图像的过程中会受到各种因素的影响，使得采集的图像中包含各种各样的噪声，图像的边缘细节较为模糊，同时ccd拍摄的图像中大部分像素分布在狭窄的灰度范围内，造成图像对比度不高，需要引进适当的图像增强算法。

图像增强的主要目的是为了增强图像中需要的有用信息，加强图像的边缘和轮廓，使图像中不清晰的部分变清晰，扩大不同像素部分的区别度，加大图像某些部分的可识别度等。

现代图像增强技术在很多领域如军事侦察、影视播放、医学研究、刑侦调查、航天科技、地理勘探、气象图片的处理等中得到了广泛的应用。在医学研究上，内窥镜图像、x射线照片、CT影像等需要进行一定的图像增强才能让医生更方便的从中观测出病变区域；在军事侦察上，不同地点不同时间的遥感图片需要进行图像增强才能让侦察人员观测到是否有敌方军事活动或者军事建筑的出现；在地理勘测上，很多因光线不足，粉尘等影响的图片需要进行图像增强来提高清晰度以方便地理勘测人员的观察研究；在刑侦案件侦破过程中，警方获取到犯罪现场的视频监控画面、指纹等，可识别度不高，利用图形增强技术能够使警方获取到图像线索帮助破案。在不久的未来图像增强技术的应用还将在各方面发挥更为重要的作用。

图像增强算法可以分为空域算法和频域算法。其中，频域算法包括高通滤波，低通滤波等。空域算法包括灰度变换，直方图均衡化和规定化，图像的平滑和图像的锐化。在图像增强中，有一种方法叫做反锐化掩模技术。反锐化掩模技术最早是应用于摄影技术当中的，以增强图像的边缘和细节。光学上的操作方法是将聚焦的正片和散焦的负片在底片上进行叠加，结果是增强了正片高频成份，从而增强了轮廓，散焦的负片相当于“模糊”模板(掩模)，它与锐化的作用正好相反，因此，这种方法也被称为反锐化掩模法。

线性反锐化掩模(UnSharp Masking，UM)算法首先将原图像f(x、y)低通滤波后产生一个钝化模糊图像，将原图像与模糊图像相减得到保留高频成份的图像，再将高频图像用一个参数放大后与原图像叠加，这就产生一个增强了边缘的图像。传统的反锐化算法受噪声比较敏感，图像的细节和噪声同时被增强，在图像的平坦区域，很小的噪声也非常明显。针对反锐化算法，许多学者对其进行了改进。Ramponi等在《A Cubic Unsharp MaskingTechnique for Contrast Enhancement》中提出了立方反锐化掩模技术，这种技术的实质是用一个对边缘敏感的平方滤波器算子乘以拉普拉斯算子，仅增强局部变化区域大的图像细节，减小平坦区域的噪声。A.Polesel等人在《Image Enhancement Via AdaptiveUnsharp Masking》一文中提出了自适应反锐化掩模技术，这种技术采用自适应滤波器对图像的细节区域增强程度大一些，而对图像的平坦区域几乎不增强，因而能减小平坦区域的噪声。

但这些改进方法主要是基于反锐化算法对噪声的敏感性，没有考虑经过反锐化掩模运算的结果可能会超出原始图像的表示范围。比如反锐化掩模中有减法运算，是从原始图像中逐像素减去平滑后的图像。如果对于8位的灰度图像，初始值域为0-255，经过减法运算后，值域可能会变成-255-+255。针对该种结果，通过除以2并加128来替代原始图像。但是反锐化掩模在减法运算之后还要与原图像相加，甚至有的时候减法运算的结果还要乘以一个放大倍数，这样反锐化掩模最终的结果值域不仅会超过255，而且值还会大许多，会有负数，这些数据对于8位的灰度图像来说是没有物理意义的，有一种方法是把像素值大于255的统统取为255，像素值小于0的统统取为0，但这样处理的结果会使图像看起来不自然。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于门限值和线性映射的反锐化增强方法，选取合适的门限值钳位反锐化运算后的结果，充分考虑原始图像的极值分布，选取合适的区间，利用线性映射的方法校正反锐化运算后的结果，使最终处理后的图像接近原始图像的直方图分布，且相比于原始图像边缘更加清晰，不会造成值域扩大，视觉效果好。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

步骤一、对输入的原始图像进行反锐化掩模运算；

步骤二、选取门限值，通过门限值对反锐化掩模运算得到的数据范围进行钳位处理；

步骤三、求取原始图像的最大值和最小值，根据原始图像的最大值和最小值计算映射点，求得映射区间，对钳位处理后的数据进行分区间线性映射，得到增强之后的图像输出。

所述的步骤一对原始图像首先进行均值滤波得到低通滤波后的图像再进行反锐化掩模运算；反锐化掩模运算中的倍乘因子c经过多次图像实验，观察图像的锐化程度进行选取。

反锐化掩模运算中的倍乘因子c选择1、2或者3。

所述的步骤二结合反锐化掩模运算后图像的直方图分布选取门限值，具体方法如下：

根据运算后的直方图分布，对于超过图像表示范围的部分，统计超过某个阈值的像素占所有像素的比例，如果该比例小于实际给定的比例，则将该阈值作为门限值。

所述的步骤二根据原始图像能表示的最大范围，确定比例因子，找到原始图像区间左右端点扩展的像素大小，如果输入的是n位的图像，其像素值最大是2ⁿ-1，像素区间左右扩展的值范围为能表示的最大像素值的1/10到1/8，令上下门限的值分别为H_t和L_t，则有：

H_t＝(2ⁿ-1)×(1+d) 1/10≤d≤1/8

L_t＝-d(2ⁿ-1) 1/10≤d≤1/8

根据需要选取比例因子d，通过上式确定出上下门限值。

所述的步骤三根据原始图像的最大值和最小值计算映射点的具体步骤如下：

针对8位图像，假设两个边缘映射点为m0和mf，进行选择和判断如下：

lm是对于左右区间的限制值，min和max是原始图像的最小值和最大值，n是一个变量，根据原始图像f(x，y)的极值分布，对f(x，y)区间进行扩展，n取2、3或者4；

再将原始图像分成k段，求取两个中间映射点，原始图像在最小值和最大值范围内产生k-1个端点m1，m2，...m_k-1，

分成的区间为[m0，m1]，[m1，m2]，...[m_k-2，m_k-1]，[m_k-1，mf]，映射的过程中根据k值的大小选择中间的两个映射点为m1和m_k-1、m2和m_k-2、m3和m_k-3或者m4和m_k-4；

将两个边缘映射点与两个中间映射点结合，组成用于映射的四个映射点。

所述的步骤三当中，针对中间的两个映射点选择m1和m_k-1，如果钳位处理后的数据t(x，y)属于区间L_t和m1之间，则线性映射的方法是：

h(x，y)＝(h_max-h_min)*K+h_minL_t＜t(x，y)＜m1；

对应的，h_max＝m1，h_min＝m0；

K的计算关系式如下：

其中，p是钳位处理后的数据最小值；

如果钳位处理后的数据t(x，y)属于区间m_k-1和H_t之间，线性映射的方法是：

h(x，y)＝(h_max-h_min)*K+h_minm_k-1＜t(x，y)＜H_t；

对应的，h_max＝mf，h_min＝m_k-1；

K的计算关系式如下：

其中，o是钳位处理后的数据最大值。

与现有技术相比，本发明具有如下的有益效果：反锐化掩模运算后根据原始图像最大像素表示范围得到合适的上下门限值，根据门限值对反锐化掩模运算后的结果进行钳位处理。结合原始图像的极值分布，适当扩展原始图像的区间，计算出映射后图像的区间范围，把原始图像分成几段计算映射点，最后分区间判断并进行线性映射，得到增强之后的图像输出。针对数字图像的标准图片和ccd采集图片进行算法验证，对比增强处理前后的效果，得出本发明能够使处理后的图像边缘更清晰，不会造成值域扩大，视觉效果更好。

附图说明

图1本发明的反锐化增强方法流程图；

图2本发明的反锐化掩模原理示意图。

具体实施方式

下面结合附图1对本发明做进一步的详细说明。

以8位灰度图像为例，本发明基于门限值和线性映射的反锐化增强方法如下：

参见图2，首先进行反锐化掩模处理。

输入的8位灰度图像为f(x,y)，先进行普通的均值滤波得到低通滤波后的图像Blur_F(x,y)，使f(x,y)与w进行卷积操作，w算子是1/9[111；111；111]。下式中，a和b都是1。

f(x,y)与Blur_F(x,y)进行相减运算得到高频部分图像信息MI(x,y)，图像高频部分信息乘以一个倍乘因子c，c用来控制图像的锐化程度，c的选取可以经过大量的图像实验选择合适的值，一般不宜过大，否则会使图像过度锐化，反锐化运算后的值域也会大很多。

f(x,y)叠加上c*MI(x,y)，增强后的图像高频信息与原始图像相加使得图像的低频部分被保留。反锐化掩模的公式如下：G(x，y)＝f(x，y)+c*(f(x，y)-Blur_F(x，y))；

反锐化掩模处理后像素G(x,y)会比原始图像f(x,y)的像素范围大，下面需要对反锐化掩模处理后的像素范围进行校正处理。由于反锐化掩模处理后，像素的范围可能会超过255或者小于0。接着选取合适的门限值对反锐化掩模处理后的结果进行钳位。

门限值的选法是根据输入图像的位数，如果是n位输入图像，所能表示的最大像素范围是2ⁿ-1，像素区间是[0，2ⁿ-1]，像素区间左右扩展的值范围约为表示的最大像素值的1/10到1/8。如果上下门限的值分别为H_t和L_t的话，那么有：

H_t＝(2ⁿ-1)×(1+d) 1/10≤d≤1/8；

L_t＝-d(2ⁿ-1) 1/10≤d≤1/8；

其中，d是一个比例因子。

得到门限值了，下面对G(x，y)进行钳位得到t(x，y)。钳位的原理如下：

对钳位处理后的结果t(x，y)进行修正。

接下来需要求原始图像f(x，y)的最小和最大值。

max＝max(f(x，_y))

t(x，y)的最小值设为p，最大值设为o。

o＝max(t(x，y))p＝min(t(x，y))；

接下来进行一些逻辑判断。如果max＝255并且min＝0。

对t(x，y)进行整体的线性映射，由[p，o]区间映射到0-255范围。

先求t(x，y)在[p，o]区间中所占的比例K为：

因为线性映射保证比例不变，只是在不同区间重分配，主要原理是变换前后呈线性关系，如果h(x，y)是t(x，y)映射后的图像，被映射和映射后的区间分别为[t_min，t_max]和[h_min，h_max]则有：

tmin，tmax是t(x，y)的最小最大值，通过选择hmax和hmin的值，可以根据需要进行相应的线性映射。由于max＝255，min＝0。hmin为0，hmax为255。tmin＝p，tmax＝o。那么对t(x,y)进行整体的线性映射后的h(x,y)为：

h(x,y)＝K*(h_max-h_min)+h_min；

如果max≠255或者min≠0，那么求出min/n和max+(255-max)/n的值。

n是一个变量，主要是根据原始图像f(x,y)的极值分布，对f(x,y)区间进行适当的扩展，这样经过后面的映射操作，最终增强后的图像与原始图像相比区间扩大一些，图像整体被拉伸了一点，能提高图像的亮度，视觉效果更好。所以n的值可根据实际需要选取，比如n＝2,3,4。

设两个映射点m0和mf，这里映射后图像h(x,y)的区间范围设为[m0,mf]，目的是给图像f(x,y)的[min,max]的区间左右各扩展了一些，但也有限制。进行判断如下：

lm是对于左右区间的限制值，给f(x,y)左右区间做一些扩展，这里对min和max的限制值都是lm，lm的确定可以根据实际情况，f(x,y)左右区间想多扩展些，lm值就大一些。

接下来进行映射。其中min和max是f(x,y)图像的最小值和最大值。计算另外的映射点。将图像f(x,y)分成k段，f(x,y)[min,max]区间产生k-1个端点m1，m2，…m_k-1。

产生的端点为m1,m2,…m_k-1，分成的区间为[m0,m1],[m1,m2],…[m_k-2,m_k-1],[m_k-1,mf]。

接下来线性映射利用下面的公式：

h(x,y)＝K*(h_max-h_min)+h_min；

映射的时候，尽量映射区间左右两边，保留中间区间不变，因此映射时可以这样映射，对于钳位后的t(x,y),区间L_t和m1之间就近映射到[m0,m1]，相应h_max＝m1，h_min＝m0。区间m_k-1和H_t就近映射到[m_k-1,mf]，相应h_max＝mf，h_min＝m_k-1，这里一共四个映射点，m0，m1，m_k-1，mf，这里中间的两个映射点选取的是m1和m_k-1。区间[m1,m_k-1]的数据保持不变。这里根据实际选取合适的k值，k值不同，反锐化钳位后值映射的程度就不同，如果k值较大时，映射时中间的两个映射点可以是m2和m_k-2、m3和m_k-3或m4和m_k-4。映射的原理类似。

这里k的典型值有k＝3，4，5。

这里中间的两个映射点选取的是m1和m_k-1，因此这里保留的是t(x，y)在区间[m1，m_k-1]的值，对这一区间之外的进行线性映射。具体的判断如下：

如果t(x，y)属于区间L_t和m1之间，进行线性映射

线性映射的方法是：

h(x，y)＝(h_max-h_min)*K+h_minL_t＜t(x_，y)＜m1；

对应的h_max＝m1，h_min＝m0。

这里K的计算如下：

t(x，y)的最小值设为p。

如果t(x，y)属于区间m_k-1和H_t之间，进行线性映射。

线性映射的方法同样为：

h(x，y)＝(h_max-h_min)*K+h_minm_k-1＜t(x，y)＜H_t；

对应的h_max＝mf，h_min＝m_k-1。

这里K的计算如下：

t(x，y)的最大值设为o。

以相机采集的8位灰度图像为例详细介绍了本发明，在实际情况中钳位的门限值根据原始图像能表示的最大像素值，选择一定的比例，得到原图像区间左右的扩展像素值，从而得到钳位的上下门限值。钳位以后，对钳位后的结果进行修正，结合原始图像的极值分布，映射后图像的区间范围也可以适当变化，就是n的值根据需要进行选取。然后将原始图像分成k段，计算相应的映射点。最后分区间计算比例因子，根据映射点和线性映射的公式进行处理，得到增强后的图像。选用ccd拍摄的图像和数字图像处理标准测试图验证算法程序，测试效果是图像边缘轮廓更清晰，原来比较暗的图像更亮一些，图像处理后的主观效果也更好。

Claims (6)

1.一种基于门限值和线性映射的反锐化增强方法，其特征在于，包括以下步骤：

步骤一、对输入的原始图像进行反锐化掩模运算；

步骤二、选取门限值，通过门限值对反锐化掩模运算得到的数据范围进行钳位处理；

步骤三、求取原始图像的最大值和最小值，根据原始图像的最大值和最小值计算映射点，求得映射区间，对钳位处理后的数据进行分区间线性映射，得到增强之后的图像输出；

根据原始图像的最大值和最小值计算映射点的具体步骤如下：

针对8位图像，假设两个边缘映射点为m0和mf，进行选择和判断如下：

lm是对于左右区间的限制值，min和max是原始图像的最小值和最大值，n是一个变量，根据原始图像f(x，y)的极值分布，对f(x，y)区间进行扩展，n取2、3或者4；

再将原始图像分成k段，求取两个中间映射点，原始图像在最小值和最大值范围内产生k-1个端点m1，m2，…m_k-1，

分成的区间为[m0，m1]，[m1，m2]，…[m_k-2，m_k-1]，[m_k-1，mf]，映射的过程中根据k值的大小选择中间的两个映射点为m1和m_k-1、m2和m_k-2、m3和m_k-3或者m4和m_k-4；

将两个边缘映射点与两个中间映射点结合，组成用于映射的四个映射点。

2.根据权利要求1所述基于门限值和线性映射的反锐化增强方法，其特征在于，所述的步骤一对输入的原始图像首先进行均值滤波得到低通滤波后的图像再进行反锐化掩模运算；反锐化掩模运算中的倍乘因子c经过多次图像实验，观察图像的锐化程度进行选取。

3.根据权利要求2所述基于门限值和线性映射的反锐化增强方法，其特征在于：所述反锐化掩模运算中的倍乘因子c选择1、2或者3。

4.根据权利要求1所述基于门限值和线性映射的反锐化增强方法，其特征在于，所述的步骤二结合反锐化掩模运算后图像的直方图分布选取门限值，具体方法如下：

根据运算后的直方图分布，对于超过图像表示范围的部分，统计超过某个阈值的像素占所有像素的比例，如果该比例小于实际给定的比例，则将该阈值作为门限值。

5.根据权利要求1所述基于门限值和线性映射的反锐化增强方法，其特征在于，所述的步骤二根据原始图像能表示的最大范围，确定比例因子，找到原始图像区间左右端点扩展的像素大小，如果输入的是n位的图像，其像素值最大是2ⁿ-1，像素区间左右扩展的值范围为能表示的最大像素值的1/10到1/8，令上下门限的值分别为H_t和L_t，则有：

H_t＝(2ⁿ-1)×(1+d) 1/10≤d≤1/8

L_t＝-d(2ⁿ-1) 1/10≤d≤1/8

根据需要选取比例因子d，通过上式确定出上下门限值。

6.根据权利要求1所述基于门限值和线性映射的反锐化增强方法，其特征在于，所述的步骤三当中，针对中间的两个映射点选择m1和m_k-1，如果钳位处理后的数据t(x，y)属于区间L_t和m1之间，则线性映射的方法是：

h(x，y)＝(h_max-h_min)*K+h_min L_t＜t(x，y)＜m1；

对应的，h_max＝m1，h_min＝m0；L_t为下门限的值；

K的计算关系式如下：

其中，p是钳位处理后的数据最小值；

如果钳位处理后的数据t(x，y)属于区间m_k-1和H_t之间，线性映射的方法是：

h(x，y)＝(h_max-h_min)*K+h_min m_k-1＜t(x，y)＜H_t；

对应的，h_max＝mf，h_min＝m_k-1；H_t为上门限的值；

K的计算关系式如下：

其中，o是钳位处理后的数据最大值。

Images