CN113066035A - 一种基于双线性插值和小波变换的图像质量增强方法 - Google Patents

一种基于双线性插值和小波变换的图像质量增强方法 Download PDF

Info

Publication number
CN113066035A
CN113066035A CN202110294922.8A CN202110294922A CN113066035A CN 113066035 A CN113066035 A CN 113066035A CN 202110294922 A CN202110294922 A CN 202110294922A CN 113066035 A CN113066035 A CN 113066035A
Authority
CN
China
Prior art keywords
image
bilinear interpolation
carries out
enhancement
singular value
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.)
Pending
Application number
CN202110294922.8A
Other languages
English (en)
Inventor
叶汉民
苏可琴
刘英志
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.)
Guilin University of Technology
Original Assignee
Guilin University of 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 Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202110294922.8A priority Critical patent/CN113066035A/zh
Publication of CN113066035A publication Critical patent/CN113066035A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Abstract

本发明公开了一种基于双线性插值和小波变换的图像质量增强方法。算法首先对图像进行直方图均衡化和双线性插值增强，以保持较好的细节质量，然后对直方图均衡后的图像和原始图像进行小波变换，将每个输入图像分成4个子带，估计出低频子带图像的奇异值矩阵，然后通过小波重构对图像进行增强，最后对结果图像和双线性插值图像进行直方图匹配，得到增强图像图像。该方法能够很好的增强图像。

Description

一种基于双线性插值和小波变换的图像质量增强方法
技术领域
本发明属于信息增强的数字图像处理领域，主题内容是一种基于双线性插值和小波变换的图像质量增强，具有较好的图像增强效果的方法。
背景技术
近年来，网络信息技术在全世界范围内得到了迅猛发展，同时数据量也急剧的上升。人们获取信息最直观的方式是通过视觉观察图像，且图像中包含了大量的信息，这些图像包含的信息可以帮助人们更准确的进行判断，他们获得的信息越准确，通过信息做出的决策也就越准确。
图像增强是图像模式识别中一个非常重要的图像预处理过程，是数字图像处理中最简单、最吸引人的技术，以显示模糊图像的细节。图像增强可以有目的地强调图像的局部和整体特征，可以使原始模糊图像更加清晰，有效地扩大图像中某些不同对象的特征差异，抑制信息，从而丰富信息量，提高图像质量，增强图像识别效果。为了满足某些特殊分析的需要，通过对图像中的信息进行处理，可以显示出模糊图像中有用的细节，使有用的信息得到增强，扩大图像中不同物体特征之间的差异，更好地识别和提取图像。那个图像的关键特征是分辨率，它能有效地反映图像的细节，因此图像的分辨率增强显得尤为重要。图像的分辨率越高，显示的细节越多，图像越好，从图像中获得的有用信息也越多。因此，研究一种良好的图像增强方法具有重要意义。
发明内容
针对传统图像增强方法增强效果较差的缺点,本文以使用最为广泛的数字图像作为研究对象，结合双线性插值和小波变换的方法,提出了一种基于双线性插值和小波变换的图像质量增强方法。
主要技术方案包括：对原始图像分别进行双线性插值和直方图均衡化处理，保留图像的细节信息，然后对直方图均衡化图像和原始图像进行小波变换，将两幅图像分解为四个子带，低频子带采用奇异值分解，最后通过小波逆变换对处理后的图像和双线性插值图像进行直方图匹配，得到增强图像。
实验仿真表明,该方法能够很好的增强图像，增强后图像效果较明显。
附图说明
图1是本发明方法的流程图。
图2是增强前后的图像。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
本发明的流程图如图1所示，一种基于双线性插值和小波变换的图像增强方法，该方法具体包括以下流程：
步骤一：输入原始图像M，分别对M进行双线性插值和直方图均衡化，分别生成图像M1和图像M2。
步骤二：利用小波变换对M和M2进行分解。将图像M分解为HH1、HL1、 LH1、LL1四个子带，将图像M2分解为HH2、HL2、LH2、LL2四个子带。
步骤三：对低频子带进行奇异值分解，首先得到奇异值分解的修正系数，它的表达式如下：
n＝maxLL2/maxLL1
其中maxLL1表示原图像后输出的LL奇异值矩阵，maxLL2表示直方图均衡化后输出的LL奇异值矩阵。
新形成的LL是:
LL1＝n.LL1
这样，图像奇异值可以用一个矩阵表示:
I＝ULL1.LL1.VLL1
步骤四:利用小波重构将SVD插值得到的增强子带LL1和双线性插值后的HH1、HL1、LH1进行重构，得到新的图像M3。
步骤五：通过直方图匹配法将新图像M3与图像M1进行匹配。
步骤六：最后输出分辨率增强的图像M4。
方法测试
仿真实验选用512×512Lena灰度图像作为处理图像。
为了验证本次实验提出算法的性能，利用图像的峰值信噪比(PSNR)和结构相似度(SSIM)来进行来进行评估，它们是目前图像增强比较权威的客观评价标准。
峰值信噪比来定量的评价图像分辨率增强后的效果，PSNR的单位为dB。所以PSNR值越大，就代表失真越少。
SSIM也是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构三方面度量图像相似性。SSIM取值范围[0,1]，值越大，表示图像失真越小。
图2展示了增强前后的对比图像。
表1为不同算法获得图像的PSNR的值
表1不同方法得出的PSNR结果
图像 小波变换 双线性插值 本文提出算法
Lena 29.58 30.27 32.17
architecture 27.95 28.54 31.73
flower 29.89 30.93 33.10
不同算法实验后获得图片的SSIM的值
表2不同方法得出的SSIM结果
图像 双线性插值 本文提出的算法
Lena 0.87 0.94
architecture 0.73 0.86
flower 0.89 0.97

Claims (2)

1.一种基于双线性插值和小波变换的图像质量增强方法，其特征在于，该算法首先对图像进行直方图均衡化和双线性插值增强，以保持较好的细节质量，然后对直方图均衡后的图像和原始图像进行小波变换，将每个输入图像分成4个子带，估计出低频子带图像的奇异值矩阵，然后通过小波重构对图像进行增强，最后对结果图像和双线性插值图像进行直方图匹配，得到增强图像图像。
2.根据权利要求1所述的一种基于双线性插值和小波变换的图像质量增强方法，其特征在于，该方法具体包括以下步骤：
步骤一：输入原始图像M，分别对M进行双线性插值和直方图均衡化，分别生成图像M1和图像M2；
步骤二：利用小波变换对M和M2进行分解。将图像M分解为HH1、HL1、LH1、LL1四个子带，将图像M2分解为HH2、HL2、LH2、LL2四个子带；
步骤三：对低频子带进行奇异值分解，首先得到奇异值分解的修正系数：
n＝maxLL2/maxLL1，
其中maxLL1表示原图像后输出的LL奇异值矩阵，maxLL2表示直方图均衡化后输出的LL奇异值矩阵；
新形成的LL是:
LL1＝n.LL1，
这样，图像奇异值可以用一个矩阵表示:
I＝ULL1.LL1.VLL1
步骤四:利用小波重构将SVD插值得到的增强子带LL1和双线性插值后的HH1、HL1、LH1进行重构，得到新的图像M3；
步骤五：通过直方图匹配法将新图像M3与图像M1进行匹配；
步骤六：最后输出分辨率增强的图像M4。
CN202110294922.8A 2021-03-19 2021-03-19 一种基于双线性插值和小波变换的图像质量增强方法 Pending CN113066035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110294922.8A CN113066035A (zh) 2021-03-19 2021-03-19 一种基于双线性插值和小波变换的图像质量增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110294922.8A CN113066035A (zh) 2021-03-19 2021-03-19 一种基于双线性插值和小波变换的图像质量增强方法

Publications (1)

Publication Number Publication Date
CN113066035A true CN113066035A (zh) 2021-07-02

Family

ID=76562313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110294922.8A Pending CN113066035A (zh) 2021-03-19 2021-03-19 一种基于双线性插值和小波变换的图像质量增强方法

Country Status (1)

Country Link
CN (1) CN113066035A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837975A (zh) * 2021-09-05 2021-12-24 桂林理工大学 基于双三次插值和奇异值分解的图像增强方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007335970A (ja) * 2006-06-12 2007-12-27 Fujifilm Corp ウェーブレット変換を用いた画像処理方法及びその装置
CN102196269A (zh) * 2011-05-10 2011-09-21 山东大学 交通卡口监控系统灰度图像序列编码方法
CN106709891A (zh) * 2016-11-15 2017-05-24 哈尔滨理工大学 基于小波变换与自适应变换结合的图像处理方法
WO2017114473A1 (en) * 2015-12-31 2017-07-06 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing
CN108389163A (zh) * 2018-01-22 2018-08-10 西安工程大学 一种基于暗光彩色图像的自适应增强方法
CN108447033A (zh) * 2018-03-12 2018-08-24 浙江大学 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法
CN110322404A (zh) * 2019-07-04 2019-10-11 上海融军科技有限公司 一种图像增强方法及系统
CN111064858A (zh) * 2019-12-30 2020-04-24 桂林理工大学 一种双重加密二值图像的信息隐藏方法
CN111383177A (zh) * 2020-03-23 2020-07-07 中国科学院金属研究所 一种激光超声可视化图像分辨率提升方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007335970A (ja) * 2006-06-12 2007-12-27 Fujifilm Corp ウェーブレット変換を用いた画像処理方法及びその装置
CN102196269A (zh) * 2011-05-10 2011-09-21 山东大学 交通卡口监控系统灰度图像序列编码方法
WO2017114473A1 (en) * 2015-12-31 2017-07-06 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing
CN106709891A (zh) * 2016-11-15 2017-05-24 哈尔滨理工大学 基于小波变换与自适应变换结合的图像处理方法
CN108389163A (zh) * 2018-01-22 2018-08-10 西安工程大学 一种基于暗光彩色图像的自适应增强方法
CN108447033A (zh) * 2018-03-12 2018-08-24 浙江大学 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法
CN110322404A (zh) * 2019-07-04 2019-10-11 上海融军科技有限公司 一种图像增强方法及系统
CN111064858A (zh) * 2019-12-30 2020-04-24 桂林理工大学 一种双重加密二值图像的信息隐藏方法
CN111383177A (zh) * 2020-03-23 2020-07-07 中国科学院金属研究所 一种激光超声可视化图像分辨率提升方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
V.R.VIJAYKUMAR 等: "Super Resolution Enhancement of Medical Image", 《2017 FOURTH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATION AND NETWORKING (ICSCN)》 *
张小红，刘刚: "基于小波变换与双线性插值图像配比算法研究", 《江西理工大学学报》 *
郑良仁 等: "基于DWT和奇异值分解的图像增强算法", 《现代电子技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837975A (zh) * 2021-09-05 2021-12-24 桂林理工大学 基于双三次插值和奇异值分解的图像增强方法

Similar Documents

Publication Publication Date Title
CN108876735B (zh) 一种基于深度残差网络的真实图像盲去噪方法
CN111047541B (zh) 一种基于小波变换注意力模型的图像修复方法
CN110751612A (zh) 多通道多尺度卷积神经网络的单幅图像去雨方法
CN109003265B (zh) 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法
CN111612695B (zh) 一种低分辨率人脸图像超分辨重建方法
CN110490816B (zh) 一种水下异构信息数据降噪方法
Rasti et al. Colour image watermarking based on wavelet and QR decomposition
CN112598599B (zh) 一种高光谱图像的去噪模型训练方法及去噪方法
CN112073593A (zh) 基于小波、阈值滤波及压缩感知的信息增强与传输方法
CN110706186B (zh) 基于压缩感知及Renyi熵的水下信息抗干扰方法
CN112288652A (zh) 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法
CN113066035A (zh) 一种基于双线性插值和小波变换的图像质量增强方法
CN115984117A (zh) 基于通道注意力的变分自编码图像超分辨率方法及系统
CN116416156A (zh) 一种基于Swin Transformer的医学图像去噪方法
CN108090914B (zh) 基于统计建模与像素分类的彩色图像分割方法
CN111311508B (zh) 一种带噪路面裂缝图像的降噪方法
CN1913645A (zh) 一种基于超复数的彩色图像质量评估方法
CN106373104A (zh) 岩石钻孔图像的自适应增强方法
CN113409216A (zh) 一种基于频带自适应修复模型的图像修复方法
CN113240581A (zh) 一种针对未知模糊核的真实世界图像超分辨率方法
CN112801897A (zh) 一种基于宽卷积神经网络的图像去噪方法
CN111652810A (zh) 一种基于小波域奇异值差分模型的图像去噪方法
CN113837975A (zh) 基于双三次插值和奇异值分解的图像增强方法
Ye et al. Image enhancement method based on bilinear interpolating and wavelet transform
Kaur et al. A robust approach for medical image enhancement using DTCWT

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210702