基于全局和局部多特征的圖像增強(qiáng)算法

劉玉潔，朱韶平

(珠海城市職業(yè)技術(shù)學(xué)院， 廣東 珠海 519090)

1 引 言

圖像增強(qiáng)是計(jì)算機(jī)視覺的重要研究領(lǐng)域。在實(shí)際圖像展示或者獲取時(shí)，數(shù)字圖像常常會(huì)遇到質(zhì)量較低、重要圖像信息不夠明顯等情況[1]，因此在實(shí)踐中常用圖像對(duì)比度增強(qiáng)來調(diào)整質(zhì)量以獲得更好的人類視覺感知力[2]，圖像增強(qiáng)成為圖像處理、視頻處理、人臉識(shí)別中非常重要的預(yù)處理步驟。當(dāng)前基于空間域技術(shù)的圖像增強(qiáng)算法可以分為全局方法和局部方法。全局增強(qiáng)方法基于整個(gè)圖像的信息(亮度和飽和度)來增強(qiáng)圖像，其中一個(gè)典型的算法就是直方圖均衡化。直方圖均衡化及其優(yōu)化方案由于其簡(jiǎn)單性和有效性，成為圖像對(duì)比度增強(qiáng)的最常用算法之一。Kim[3]提出了一種雙直方圖均衡(BBHE)來保持平均亮度，該算法基于平均亮度，將原始直方圖分為兩個(gè)子直方圖，每個(gè)子直方圖都進(jìn)行增強(qiáng)處理再進(jìn)行融合。苑豪杰等[4]提出了一種多子圖像直方圖均衡算法，在使用中間亮度將原始直方圖分為兩個(gè)子直方圖的基礎(chǔ)上進(jìn)一步進(jìn)行分解，最后將原始直方圖分解為多個(gè)直方圖，通過重映射和均衡化處理更好地保持了圖像增強(qiáng)后的細(xì)節(jié)。Menotti等[5]提出了兩種新穎的多重直方圖(Multi-HE)技術(shù)，將輸入圖像分解成幾個(gè)子圖像，并對(duì)每個(gè)圖像應(yīng)用經(jīng)典的直方圖均衡處理。與傳統(tǒng)的直方圖均衡化方法相比，他們的方法可以保留更多的亮度并產(chǎn)生更自然的圖像。但是上述方法需要預(yù)先設(shè)置成本函數(shù)的加權(quán)常數(shù)，自適應(yīng)能力較弱。局部增強(qiáng)方法根據(jù)信息(亮度、飽和度和Retinex)及其鄰居的信息來增強(qiáng)每個(gè)像素的圖像。越琳等[6]提出了一種針對(duì)直方圖的均衡化增強(qiáng)技術(shù)，消除了均衡化圖像增強(qiáng)中遇到的平均亮度偏移以及高頻區(qū)可能發(fā)生的對(duì)比度過強(qiáng)帶來的質(zhì)量問題并提升了魯棒性。 Meylan等[7]使用基于Retinex的自適應(yīng)濾波器來增強(qiáng)自然彩色圖像，在暈圈區(qū)域的彩色圖像獲得了很好的增強(qiáng)效果，但是其方法需要選擇適當(dāng)?shù)臑V波器大小以減少光暈圖像并為極高的動(dòng)態(tài)范圍圖像引入全局色調(diào)映射。杜雯超[8]使用脈沖耦合神經(jīng)網(wǎng)絡(luò)算法搜索與優(yōu)化自適應(yīng)遺傳算法相結(jié)合,實(shí)現(xiàn)了PCNN圖像處理時(shí)參數(shù)的自動(dòng)設(shè)定,解決了傳統(tǒng)PCNN在圖像增強(qiáng)時(shí)參數(shù)設(shè)定困難的問題。Jobson等[9]提出了一種帶有顏色恢復(fù)(MSRCR)的多尺度Retinex來恢復(fù)顏色，通過取像素與相鄰像素的加權(quán)平均值之比來計(jì)算像素的顏色值，但是這種方法的一大缺點(diǎn)是會(huì)產(chǎn)生異常的色移和光暈效果[10]。李垚峰等[11]提出了一種基于Retinex的伽馬校正，以減少光暈效應(yīng)，但是此方法不能自動(dòng)確定伽瑪值，因此自適應(yīng)性較差。劉冬梅等[12]提出了結(jié)合Retinex校正和顯著性的主動(dòng)輪廓圖像分割算法。王浩等[13]基于人眼的遮蓋效應(yīng)提出基于高斯核平滑濾波的Retinex圖像增強(qiáng)算法，利用像素細(xì)節(jié)信息的豐富程度實(shí)現(xiàn)了照度估計(jì)，有效提高了紅外圖像的對(duì)比度。

上述算法都立足于單一使用局部信息或全局信息，而對(duì)于兩者之間的相互聯(lián)系則考慮不足，因此本文提出了一種基于全局和局部信息的圖像增強(qiáng)算法，更全面地利用圖像信息獲得更好的增強(qiáng)效果。

2 增強(qiáng)算法框架

2.1 局部信息增強(qiáng)

圖1 局部信息增強(qiáng)算法框架Fig.1 Local information enhancement algorithm framework

圖2 局部圖像修改流程Fig. 2 Local image modification process

該算法在根據(jù)局部亮度平均值修改局部對(duì)比度的基礎(chǔ)上修改局部亮度平均值。對(duì)于典型的圖像，出于視覺目的，通常期望增加重要區(qū)域的局部對(duì)比度，因此本文將k(fL)選為大于1的常數(shù)， 使用的低通濾波操作由公式(1)完成:

(1)

2.2 融合全局信息的增強(qiáng)

傳統(tǒng)的局部對(duì)比度增強(qiáng)算法無法利用目標(biāo)區(qū)域以外的的圖像像素信息,因此對(duì)目標(biāo)區(qū)域的噪聲敏感。對(duì)于圖像全局信息而言，為了增強(qiáng)局部細(xì)節(jié)往往會(huì)帶來噪聲的增加。為了避免這種情況，一些變換域的圖像增強(qiáng)算法利用多尺度分析將圖像分解到不同子帶,將子帶中的全局圖像信息進(jìn)行調(diào)整來優(yōu)化圖像增強(qiáng)的性能。這類算法的優(yōu)勢(shì)是可以同時(shí)考慮圖像的全局信息和局部信息,但是由于全局信息的數(shù)據(jù)量大會(huì)導(dǎo)致計(jì)算復(fù)雜度的提升。本文提出的算法利用鄰域伽馬校正算法實(shí)現(xiàn)局部對(duì)比度增強(qiáng),同時(shí)利用局部對(duì)比度與全局對(duì)比度的比例作為權(quán)重系數(shù)的判定依據(jù)，伽馬校正的計(jì)算公式為

(2)

式中：I(x,y)為輸入圖像的灰度值;O(x,y)為伽馬校正后的灰度值;γ為校正系數(shù)。在傳統(tǒng)伽馬校正算法中,每個(gè)圖像對(duì)應(yīng)一個(gè)固定的γ值,主要依賴專家打分法進(jìn)行設(shè)置因此缺乏自適應(yīng)能力，本文為了提升算法的自適應(yīng)能力，結(jié)合鄰域信息的伽馬校正算法對(duì)圖像全局所有像素的鄰域信息都利用伽馬校正系數(shù)γ(x,y)進(jìn)行計(jì)算，公式為

(3)

從公式(3)可以看到,像素對(duì)應(yīng)的伽馬系數(shù)γ(x,y)將圖像的局部信息和全局信息都考慮進(jìn)去， 通過其相互關(guān)系自適應(yīng)調(diào)整γ值。其中α也可以由人工設(shè)置，在α的冪系數(shù)保持不變時(shí),α越小則γ越小,因此對(duì)黑暗區(qū)域的增強(qiáng)效果更佳，α為1則不對(duì)圖像做增強(qiáng)處理。

3 實(shí) 驗(yàn)

本文將所提方法的增強(qiáng)結(jié)果與主流圖像增強(qiáng)方法(SVLM[14]、MSRCR[15]、Contourlet[16]、SWT[17])的效果進(jìn)行了比較。圖3顯示了用本文算法獲得的照明圖像的增強(qiáng)結(jié)果，左邊是原始圖像，右邊是增強(qiáng)后的圖像。

圖3 圖像增強(qiáng)效果圖Fig.3 Image enhancement effect

表1為對(duì)比算法和本文算法在圖像增強(qiáng)的指標(biāo)對(duì)比。可以看出, 在均采用自適應(yīng)閾值處理方法時(shí)，平穩(wěn)小波變換(SWT)的增強(qiáng)效果要比小波變換的增強(qiáng)效果好，但實(shí)際處理過程中兩者在圖像邊緣處都出現(xiàn)了偽 Gibbs 失真。而本文的增強(qiáng)效果要比SWT的增強(qiáng)效果好，實(shí)驗(yàn)結(jié)果中基本看不到偽Gibbs 失真。另外采用本文的自適應(yīng)閾值處理方法所得到的結(jié)果圖像的均方根誤差(RMSE)值最高, 清晰度也最大，因此所得圖像的細(xì)節(jié)最豐富。

表1 圖像增強(qiáng)數(shù)據(jù)指標(biāo)對(duì)比Tab.1 Image enhancement data index comparison

4 結(jié) 論

本文提出了一種基于局部和全局信息的圖像增強(qiáng)算法，該算法將圖像分為低通濾波和高通濾波兩部分，低通濾波分量控制高通濾波分量的幅度以增加局部對(duì)比度。然后對(duì)低通分量以非線性的方式修改圖像的局部亮度平均值，并將其與處理后的高通分量進(jìn)行融合。在與其他算法的對(duì)比實(shí)驗(yàn)中可以看出，本文提出的算法在運(yùn)算速度、穩(wěn)定性、增強(qiáng)效果等方面都具有更好的表現(xiàn)，能滿足圖像增強(qiáng)算法高效的要求，有效改善圖像質(zhì)量，豐富圖像信息。