图像增强文献阅读报告(共9页).doc

《图像增强文献阅读报告(共9页).doc》由会员分享，可在线阅读，更多相关《图像增强文献阅读报告(共9页).doc（9页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上图像增强方法中的直方图均衡算法摘要：在图像处理中，图像增强技术对于提高图像的质量起着重要的作用。它通过有选择地强调图像中某些信息而抑制掉另一些信息，以改善图像的视觉效果，将原图像转换成一种更适合于人眼观察和计算机进行分析处理的形式。本文着重对图像增强方法中的直方图均衡化进行了深入的研究，针对增强过程中遇到的一些问题，提出了一些改进的方法，如基于对数化模型的双直方图均衡法;亮度保持动态模糊直方图均横法。通过实验对比可以发现，改进后的算法可以更好地改善图像的质量。The study of the method of image enhancementAbstract：Im

2、age enhancement technology plays a very important role to improve image quality in image processingBy enhancing some information and restraining other information selectively it can improve image visual effect and transform an image to another form which adapts to human observation or computer analy

3、sis and processing betterThis paper makes an exhaustive study of the enhancement method histogram equalizationIt puts forwards correspondence methods to solve some defects during the course of image enhancementSuch as Bi- Histogram equalization based on parameterized logarithmic framework, brightnes

4、s preserving dynamic fuzzy histogram equalization.1. 引言1.1 图像增强的意义与目的在我们所身处的信息社会中,人们对于信息获取和交流的要求越来越高,从而促进了信息处理和应用技术的飞速发展。图像，作为直观的信息表达和反映形式，越来越广泛的被应用于社会生活的各个方面。然而，图像在传送和转换的过程中，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降。在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、相对运动、大气流动等都会使图像模糊；传输过程中会引入各种类型的噪声，这些都使得图像在视觉效果和识别方便性等方面存在诸多问题

5、，统称为质量问题。伴随着人们对图像要求的不断提高，图像处理技术也在快速的发展更新。图像增强是数字图像处理的基本内容之一。图像增强是指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。这类处理是为了某种应用目的去改善图像质量，处理的结果更适合于人的视觉特性或机器识别系统。图像增强处理并不能增加原始图像的信息，而只能增强对某种信息的辨识能力，使处理后的图像对某些特定的应用比原来的图像更加有效。1.2 图像增强的应用领域目前图像增强处理的应用已经渗透到医学诊断、航空航天、军事侦察、指纹识别、无损探伤、卫星图片的处理等领域。如对X射线图片、CT影像、内窥镜图像进行增强，使医生更容

6、易从中确定病变区域，从图像细节区域中发现问题；对不同时间拍摄的同一地区的遥感图片进行增强处理，侦查是否有敌人军事调动或军事装备及建筑出现；在煤矿工业电视系统中采用增强处理来提高工业电视图像的清晰度，克服因光线不足、灰尘等原因带来的图像模糊、偏差等现象，减少电视系统维护的量。图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。1.3 研究现状与发展前景计算机图像处理的发展历史不长，但已经引起了人们的重视。图像处理技术始于20世纪60年代，由于当时图像存储成本高，处理设备造价高，因而其应用面很窄。1964年

7、美国加州理工学院的喷气推进实验室，首次对徘徊者7号太空飞船发回的月球照片进行了处理，得到了前所未有的清晰图像，这标志着图像处理技术开始得到实际应用。70年代进入发展期，出现了CT和卫星遥感图像，对图像处理的发展起到了很好的促进作用。80年代进入普及期，此时微机已经能够承担起图形图像处理的任务。VLSI的出现更使得处理速度大大提高，其造价也进一步降低，极大的促进了图像处理系统的普及和应用。90年代是图像处理技术实用化时期，图像处理的信息量巨大，对处理的速度要求极高。2l世纪的图像处理技术要向高质量化方面发展，实现图像的实时处理，采用数字全息技术使图像包含最为完整和丰富的信息，实现图像的智能生成、

8、处理、理解和识别。图像增强作为图像处理的重要组成部分，传统的图像增强方法对于改善图像质量发挥了重要作用。随着对图像增强技术研究的不断深入，新的图像增强方法不断出现。目前主要分为如下几类：(1) 传统的图像增强法：基本分为空域增强法和频域增强法两大类1。空域图像增强直接对图像中像素灰度值进行运算处理，如灰度变换、直方图均衡化、图像的空域平滑和锐化处理、伪彩色处理等。频域增强法是对图像经傅立叶变换后的频谱成分进行操作，然后逆傅立叶变换获得所需结果,如低通滤波技术、高通滤波器技术、带通和带阻滤波、同态滤波等。(2) 基于多尺度分析的图像增强方法：多尺度分析又称为多分辨率分析，它是由Mallat于19

9、89年首先提出的。以小波变换2和多尺度Retinex（MSR）3算法为代表的多尺度分析方法，被认为是分析工具及方法上的重大突破。其中小波分析在时域或频域上都具有良好的局部特性，而且由于对高频信号采取逐步精细的时域或空域步长，从而可以聚焦到分析对象的任意细节4。(3) 数学形态学增强方法：数学形态学是用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的。(4 )模糊增强方法：由于图像本身的复杂性，多灰度分布所带来的不确定性和不精确(即模糊性)，使得用模糊集合理论进行图像处理成为可能。自Pal和King率先将模糊集合理论应用到图像增强处理上，模糊增强技术受到了人们的重

10、视5。由于目前还没有一种通用的衡量图像质量的指标能够用来评价图像增强方法的优劣，主要是根据人眼的主观判断和经验知识，结合人类的视觉特性模型,基于人类视觉的图像增强技术也成为一种研究趋向。也正因为如此,图像增强有待进一步完善。图像增强技术的探索具有试验性和多样性，增强的方法往往具有针对性，以至于对某类图像效果较好的增强方法未必一定适用于另一类图像在实际情况中，要找到几种有效的方法常常必须广泛的进行实验，在没有给定图像怎样被降低质量的先验知识时，要预测某种具体方法的效用是很困难的，经常采用的方法是，使用几种增强技术的组合或使用调节参量的方法。 以下，我将选取一种最常用的图像增强方法-直方图均衡法进

11、行详细介绍，并介绍几种基于传统的直方图均衡算法的改进算法。2. 传统的直方图均衡算法简介直方图均衡化法(HE Histogram Equalization)6是图像增强空域法中最常用、最重要的方法之一，主要可分为两大类：全局直方图均衡法（GHE Global Histogram Equalization）、局部直方图均衡法(LHE Local Histogram Equalization)7。灰度直方图是数字图像处理中一个最简单、最有用的工具，反映了数字图像中每一灰度级与其出现频率之间的统计关系。2.1 全局直方图均衡化GHEGHE算法是对输入图像的直方图通过灰度变换函数修正为灰度均匀分布的直

12、方图，然后按均衡直方图修正原图像。它以概率论为基础，运用灰度点运算来实现，它的变换函数取决于图像灰度直方图的累积分布函数。当图像的直方图为均匀分布时，图像的信息熵最大，此时图像包含的信息量也最大，图像看起来就显得清晰。全局直方图均衡化是依据下面的式子来实现的8：其中是累积分布函数;是所期望得到的图像像素的最大值与最小值; 是直方图均衡化后的像素值。大多数自然图像由于其灰度分布集中在较窄的区间，这样便引起图像细节不够清晰。采用直方图均衡化后可使图像的灰度间距拉开或使灰度均匀分布，从而增大反差，使图像细节清晰，达到增强的且的9。2.2 局部直方图均衡法LHE虽然GHE算法适用于整个图像的增强，但是

13、有时也需要对图像中某些较小的区域内的细节进行增强。在这些小区域内，其像素的个数对全局变换函数的影响往往可能小到可以被忽略的程度。因此，在利用全局增强方法对图像进行增强时，就不一定能保证我们所感兴趣的小区域得到所期望的增强效果。为了解决这一问题，构造一个基于像素邻域灰度分布或其他性质的变换函数，此即为图像的局部增强方法LHE。该算法先定义一个邻域，然后将这一区域的中心从一个像素移到另一个像素。在每一个位置上，先在上面定义的邻域内计算灰度直方图，然后利用这一直方图来获得关于直方图均衡化的灰度变换函数。利用这一变换函数，就可以实现该邻域内图像的局部增强。接下来将邻域的中心移到相邻的像素并重复以上过程

14、10。下图为GHE与LHE增强结果的对比图： 原始图像 GHE增强 LHE增强图中可以看出，使用LHE增强的图像对于后面的背景有了较好增强效果。但是，LHE也存在着不足之处，一是他需要很高的计算成本，二是他在增强图像特征的同时还增强了噪声。为此许多学者都基于直方图均衡算法提出了各种改进措施。3. 直方图均衡算法的改进算法3.1 基于对数化模型的双直方图均衡法11(1)双直方图算法基本原理双直方图均衡化算法12(BHE Bi- Histogram Equalization)是在传统的直方图均衡法的基础上实现的，它分为两个步骤：A. 首先设置一个阈值，将图像依阈值划分为灰度值小于阈值和大于阈值的两

15、部分，由此可分别得到两个图像的直方图；B. 然后，分别对这两个直方图进行均衡化，如下式所描述13：（1）亮度保持双直方图均衡法8（BBHE Brightness Preserving Bi-Histogram Equalization）是1997年由Yeong-Taeg Kim提出的，也由此算法开始许多学者开始将直方图分为两个或更多部分来进行处理。在此算法中Kim将阈值定为图像像素的均值，因为在此基础上可以最大程度的保持原图像的亮度。传统的直方图均衡算法，在扩展动态范围增强对比对的同时也使图像的亮度降低，还会给图像带来一些噪声，BBHE算法可以较好的解决这个问题14。由上述的式子可以看出传统的

16、双直方图均衡算法所使用的都是线性操作，如加法、减法、乘法与除法。然而，使用线性操作会产生一些副作用如：A.操作后的像素值可能会处在像素范围之外而被去除，这样会造成信息的损失；B.另外，线性操作的结果也往往不能产生符合物理现象的结果。(2) LIP与PLIP模型为了解决线性操作所带来的问题，Jourlin和Pinoli提出了一种对数图像处理模型(LIP Logarithmic Image Processing)15，之后Deng在此基础上进行了深入的研究16，现在LIP被发展为一种新的可参数化的对数图像处理模型(PLIP Parameterized Logarithmic Image Proce

17、ssing )11。PLIP与LIP模型使用一个灰度级函数将原图像的灰度值转化到灰度级域17：PLIP：LIP： 其中M为所期望获得的图像像素的最大值18；为M的函数为简化操作PLIP模型定义了一系列新的的运算，如下所列: ； ； ； ；LIP与PLIP所不同只是上述式中的均由固定值M所代替，这也是PLIP模型的改进之处。通过改变上述变量之值，可以得到一系列不同的操作：A. 均取M时，PLIP模型转变为LIP模型；B. 时，PLIP操作转变为线性操作；C. 取两极值之间的数值时，则可以得到许多种不同的情况。（3）LIP与PLIP模型与BBHE相结合将上述LIP与PLIP模型应用于保持亮度双直方

18、图均衡化算法，便得到了PLIP-BHE和LIP-BBHE两种双直方图均衡化的新算法。PLIP-BBHE法遵循下面的式子：(2)比较（1）式与（2）式，非线性操作取代了线性操作，实际操作中可根据情况选择不同的参数值已得到最佳的图像增强效果。实验证明，使用PLIP-BBHE对图像进行处理，通过调整参数值可以获得比BBHE与LIP-BBHE更好增强效果，图像对比度更高，视觉效果也更自然。下图为实验结果对比图： (a) (b) (c) (d)(a)，(b)，(c)，(d)图分别为原始图像、线性BHE增强图像、LIP-BHE增强图像与PLIP-BHE增强图像。(c)图中M=256，（d）图中.3.2亮度

19、保持动态模糊直方图均衡法20这种算法的改进之处是它将数字图像的模糊数据模糊直方图与亮度保持动态直方图均衡算法(BPDHE Brightness Preserving Dynamic Histogram Equalization)相结合19。DHE(Dynamic Histogram Equalization) 6算法是由Abdullah-Al-Wadud提出的，这种算法依据直方图的局部最小值将直方图分为许多部分，然后再各自对其进行均衡化。然而这种种算法在保持图像的平均亮度方面仍然有一定的局限性。之后Ibrahim and Kong对DHE进行了改进提出了BPDHE算法，在此算法中它在DHE操作

20、中的对低估区域进行分块前使用了高斯内核对全局直方图进行平滑操作。由于上述算法是对图像的Crisp直方图进行操作，而crisp直方图固有的局限是它不能考虑到灰度值的不确定性，而且还需要对Crisp直方图进行平滑处理以获得有效地直方图分区。当使用适当的模糊函数时，模糊直方图可以很好地处理灰度级的不确定性，并且不会产生随机波动或者灰度损失，同时它还帮助保持亮度均衡法找到最优的分区。所以以下将这种改进的算法称为Brightness Preserving Dynamic Fuzzy Histogram Equalization (BPDFHE)。BPDFHE算法包括以下四个操作步骤:A. 计算模糊直方图

21、；B. 对直方图进行分区；C. 对每一个子直方图进行动态直方图均衡化；D. 对图像亮度进行标准化。下面将对上述四步骤进行简要分析：A. 计算模糊直方图模糊直方图是一系列的实数，是处在灰度级附近的灰度值出现的频率。把灰度值作为看做一个模糊值，则模糊直方图记为：，是一个三角模糊隶属函数定义为：与经典的Crisp直方图相比模糊数据可以更好地处理灰度值的不精确性，产生出平滑的直方图。B. 对直方图进行分区依据直方图的局部区域最大值对直方图进行分区以获得许多的子直方图。每两个连续的局部最大值之间的低谷形成一个分区。具体步骤如下：1） 找局部最大值：要找到局部最大值需要第个灰度级的直方图进行一次与二次求导

22、：一次导数：二次倒数：最大值将在一次导数为零并且二次倒数取负值的区域取值：2） 产生分区：令个灰度级分别对应局部最大值，定为，假设原来的模糊直方图的范围是，那么就可以获得个子直方图。C. 对子直方图进行动态直方图均衡化DHE算法在实现均衡化是要使用基于每一个分区中的像素数目的生成函数函数，包括两个步骤：映射分区的动态范围；直方图均衡化。1） 映射分区的动态范围：在DHE中需要使用几个参数：输入字直方图的动态范围；，其中，分别是第个子直方图的最高与最低像素值。是该区域中包含的像素数目。对应第个输出子直方图的动态范围是：，2） 对每一个子直方图做均衡化处理：这个操作与全局直方图均衡化是类似的，这里

23、不再论述。D. 对图像亮度进行标准化经过上述三个步骤后所得到的图像的平均亮度与原图像还存在一点不同，为了消除阵这种改变就需要对亮度进行标准化。假定分别是输入与经过FDHE操作后的图像的平均亮度，为经过BPFDHE处理后得到的图像，则。这个亮度保持处理保证了处理后的图像可以原输入图像在亮度上保持了一致。下面通过实验结果对比来说明BPFDHE算法的优点：通过对比可以看出经过BPDFHE算法增强后的图像不仅对比度增加了，而且平均亮度也与原始图像的基本保持一致，而其它算法增前后的图像则有明显的改变。另外文献中还通过计算定量的比较了各种算法的亮度失真，并借助模糊灰度共生矩阵比较了几种算法的对比度增强效果

24、，结果也表明经过BPDFHE具有明显的优势。4. 结论与展望本文简要介绍了传统的直方图均衡算法与基于传统算法的两种改进的直方图均衡算法。直方图均衡法作为图像增强处理中最普遍使用的算法之一，一直都处在不断地改进与完善之中。本文介绍的两种改进算法PLIP-BHE与BPFDHE，前者是将线性操作改为非线性操作，后者则是运用模糊直方图代替原来的Crisp直方图，虽然操作方法不同，但都对对比度的增强起到了促进作用，更好的改善了原始图像的质量。对于直方图均衡化的改善，除了上述方法，还可以从其它的方面着手。比如可以由原来的空域操作转到频率域进行操作，还可以将局部直方图均衡与全局直方图均衡相结合。参考文献1

25、吴成茂,可调直方图均衡化的正则解释及其改进,电子学报J,2011,6（39）：0372-2012.2 J. Tang, Q. Sun, and K. Agyepong, “An image enhancement algorithm based on a contrast measure in thewavelet domain for screening mammograms,”in Proc. IEEE Int. Conf. Image Process., 2007, pp. V-29V-32.3 汪荣贵,张璇,张新龙,傅剑峰, 一种新型自适应Retinex 图像增强方法研究,电子学报J,

26、2010,12(38)：0372-20124 Hasan Demirel and Gholamreza Anbarjafari,” IMAGE Resolution Enhancement by Using Discrete andStationary Wavelet Decomposition” IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 20, NO. 5, May. 2011.5 L K Vlachos,G.D.Sergiadis,Parametric indices of fuzziness for automated image enhan

27、cement,Fuzzy Sets and Systems 157(2006)1126-1138.6 R. C. Gonzalez, and R. E. Woods, Digital image processing, 3rd ed., Upper Saddle River, N.J., Prentice Hall, 2008.7 M. Abdullah-Al-Wadud, Md. Hasanul Kabir, M. Ali Akber Dewan, and Oksam Chae, Member,” A Dynamic Histogram Equalization for Image Cont

28、rast Enhancement” IEEE Transactions on Consumer Electronics, Vol. 53, No. 2, MAY 20078 Y.-T. Kim, “Contrast enhancement using brightness preserving bihistogram equalization,” IEEE Trans. Consum. Electron., vol. 43, no. 1,pp. 18, Feb. 19979 Se-Hwan Yun, Jin Heon Kim, and Suki Kim,” Image Enhancement

29、using a Fusion Framework of HistogramEqualization and Laplacian Pyramid” IEEE Transactions on Consumer Electronics, Vol. 56, No. 4, November201010 Vicent Caselle, Jose-Luis Lisani, Jean-Michel Morel and Guillermo Sapiro “Shape Preserving Local Histogram Modification” IEEE TRANSACTIONS ON IMAGE PROCE

30、SSING, VOL. 8, NO. 2, FEBRUARY 1999.11 Karen Panetta, Sos Agaian, Yicong Zhou, and Eric J. Wharton,”Parameterized Logarithmic Frameworkfor Image Enhancement” IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICSPART B: CYBERNETICS, VOL. 41, NO. 2, APRIL 2011.12 Soong-Der Chen, and Abd. Rahman Ramli, “P

31、reserving brightness in histogram equalization based contrast enhancement techniques”, Digital Signal Processing, vol. 14, pp. 413-428, 2004.13 Soong-Der Chen, and Abd. Rahman Ramli, “Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation”, IEE

32、E Trans. Consumer Electron., vol. 49, no.4, pp. 1301-1309, Nov. 2003.14 S.-D. Chen and A. R. Ramli, “Minimum mean brightness error bihistogram equalization in contrast enhancement,” IEEE Trans. Consum. Electron., vol. 49, no. 4, pp. 13101319, Nov. 2003.15 M. Jourlin and J.-C. Pinoli, “Image dynamic

33、range enhancement and stabilization in the context of thelogarithmic image processing model,”Signal Process., vol. 41, no. 2, pp. 225237, Jan. 1995.16 G. Deng, “An entropy interpretation of the logarithmic image processing model with application to contrastenhancement,” IEEE Trans. Image Process., v

34、ol. 18, no. 5, pp. 11351140, May 2009.17 G. Deng, L. W. Cahill, and G. R. Tobin, “The study of logarithmic image processing model and its application to image enhancement,”IEEE Trans. Image Process., vol. 4, no. 4, pp. 506512, Apr. 1995.18 M. Jourlin and J. C. Pinoli, “Logarithmic image processing:

35、The mathematical and physical framework for the representation and processing of transmitted images,” Adv. Imaging Electron Phys., vol. 115, pp.130196,2001.19 Debdoot Sheet, Hrushikesh Garud, Amit Suveer, Manjunatha Mahadevappa, and Jyotirmoy Chatterjee, “Brightness Preserving Dynamic Fuzzy Histogram Equalization” IEEE Transactions on Consumer Electronics, Vol.56, No. 4, November 201020 Haidi Ibrahim, and Nicholas Sia Pik Kong, “Brightness Preserving Dynamic Histogram Equalization for Image Contrast Enhancement” IEEE Transactions on Consumer Electronics, Vol. 53, No. 4, NOVEMBER 2007.专心-专注-专业