基于視覺統計特征的圖像增強算法研究

引言：提出了一種基于視覺統計信息的圖像增強算法。所提出的算法使用視覺優化表示和小波域自動調節參數來進行圖像增強，局部對比度調節是基于全局動態范圍校正來進行的。實驗結果表明所提出的方法在視覺效果和量化指標方面都比其他幾個算法要好。

一、前言

圖像增強算法根據特定的應用需求對給定圖像進行處理以獲得比原始圖像具有更好效果。圖像增強處理技術可以分為空間均勻算子和空間非均勻算子兩種。線性對比度延伸，直方圖均衡化是目前廣泛使用的兩類空間均勻技術。自適應直方圖均衡化[1]，對比度受限的自適應直方圖均衡化[2]和多尺度增強[3，4]屬于第二類圖像對比度增強方法?？臻g均勻方法對一幅圖像中所有的像素點進行變換，空間非均勻方法根據圖像的局部特征使用輸入-輸出變換。空間非均勻算子的效果通常優于空間均勻算子。但是這些方法存在一些明顯的缺陷。線性圖像對比度增強方法很難同時增強圖像的所有部分。當直方圖中存在峰值時直方圖均衡化容易過分增強圖像的對比度。自適應直方圖均衡化在圖像的每個分塊中使用不同的灰度-尺度變換，這需要預先確定圖像分塊的大小。對其進行的改進方法[5]均不對比度提高收到局部直方圖高度的限制。這個方法不能完全地消除噪聲平滑圖像，對比度的提高依賴于圖像。直方圖均衡化方法的其他缺點還有會改變圖像的亮度，增強后的圖像看上去不自然，增強范圍不可控制[6]，而且這些問題并未得到很好的解決。

由于缺少客觀測量很難對不同算法進行性能評價。大多數對比度增強技術，特別是基于修改直方圖的，往往只增強輸入的對比度兒沒有測量自身的對比度。一個高效的對比度增強算法應該同時考慮局部圖像特征一些人類視覺特性。

本文提出一種基于視覺統計特征的圖像增強算法和對比度評價方法。算法調節亮度的動態范圍和小波域中的局部對比度。和文獻[7]所定義的對比度相似，這里所指的對比度同樣具有多尺度結構，并與人類視覺系統相一致?；谶@個對比度的定義，提出一種像增強算法，根據設定好的對比度調節小波系數來增強圖像。局部對比度和亮度動態范圍調節參數游視覺表現統計特征來自動地決定，以達到視覺圖像的優化。

二、圖像增強算法

小波變換能夠在不同層級和方向上產生各種等級的像素信息。在每個層級，小波變換能夠運用低像素子帶進一步對圖像去相關性。圖1所示為圖像重構，定義增強算法中實用的層級和子帶約定。標簽表示在第個重構層級的系數，這些系數是水平方向的高通濾波器和垂直方向的低通濾波器的輸出。子帶，，，稱作細節，表示層級，是最大層級。子帶是低像素殘留。表示方向，標記為0，1，2，3。小波變換系數的特性提供了一種可以很自然地定義小波域對比度的方法。這里對比度可以定義為在小波域中高頻帶和低頻帶之間的亮度比平均值。

圖1"使用小波變換的圖像重構

在第個頻帶的不同方向的對比度定義為：

（3）

這里是子帶亮度平均值，計算式如下

" （4）

這里是小波系數，是子帶像素。在方向上使用相同的增強算法。所提出的算法是按照式子（3）定義的對比度為標準。設原始分塊的對比度為，其中是在第個頻帶的對比度，設增強塊的對比度定義為。

增強所有頻率帶的對比度，則有

" （5）

推出

" （6）

這里是圖像增強控制算子，在后面會給出選擇標準。

從式（4）和（6）可以得到增強的小波系數，則有

" （7）

其中 "（8）

可以通過遞歸式得到。本節所提出算法步驟如下：

Step"1"設，，。

Step"2"如果，令，并用式子（8）計算，否則結束。

Step"3"使用式子（7）計算。

Step"4"使用式子（4）計算，，和。

Step"5"回到Step"2.

這里是低像素遞歸式的亮度均值。是一個控制增強圖像的動態范圍在顯示設備的范圍之內的函數。對于，以下函數的使用與文獻[8]相似的。

" "（9）

這里是低像素遞歸式的小波系數，是有函數進行動態范圍調節之后的小波系數。增強控制系數和的選擇在后面進行討論。

三、控制參數的優化

顯而易見，在圖像增強算法中，增強控制參數和具有十分重要的作用。參數能夠增強或者減少對比度來達到優化的效果，參數能夠調節圖像的全局亮度動態范圍。如果選擇合適的參數值就顯得十分重要。理想視覺圖像的均值是0.63，方差是0.25-0.35，這就給我們獲得正確數值有了一個概念。假設是視覺優化圖像的方差，是所希望得到圖像的均值，和是上述增強后圖像的均值和方差。可以通過解方程式（10）和（11）得到和。

""（10）

" """ （11）

方程式（10）和（11）是典型的非線性參數估計方程。通過以上方法，增強控制參數和可以調節理想視覺圖像的亮度和對比度數值。圖3是根據方程式（10）和（11）選擇兩個參數映射函數在停車場圖像上的實驗結果。

"""""""""""""""""""

（a）動態范圍映射函數，""""""""（b）局部對比度映射函數，

圖2"兩個參數函數

四、仿真實驗結果及分析

為了證明所提出算法的有效性，在一組256階像素為512*512的灰度圖上進行仿真實驗。原始圖像的細節區域部分在高亮度層級，其他在低亮度層級。接下來是使用所提出算法和其他一些已有算法的實驗結果。

圖4所示是動態范圍圖像使用四種不同算法的實驗結果。動態范圍圖像是一種高亮度部分和低亮度部分比率非常大的圖像。第一幅圖使用全局直方圖均衡化算法，第二幅圖使用對比度受限的自適應直方圖均衡化算法，第三幅圖采用小波算法。第四幅圖使用本節所提出的算法，其中，。實驗結果如圖4所示。很明顯，直方圖均衡化會導致高亮度區域（停車場入口）的飽和，是的這個區域過分增強而其他其余增強欠缺。對比度受限的自適應直方圖均衡化算法比直方圖均衡化算法效果要好，局部區域以分塊為單位進行增強。但是結果中顯示了一些人工分塊的痕跡，增強后的圖像看上去不自然。小波增強方法對動態范圍圖像的增強效果不明顯。本節所提出的算法同時兼顧了圖像亮度的全局動態范圍和優化圖像的局部對比度統計特診，真實地顯示了視覺印象。

"""""""""""""""""""""

（a）原始圖像 """"""""""""""""""""（b）直方圖均衡化

""""""""""""""""""""

（c）對比度受限的自適應直方圖均衡化"""""""""""""""""（d）小波方法

（e）本文算法

圖3"圖像增強的結果

表1顯示了四種算法的量化比較。本文所提出的算法在視覺優化圖像的兩個統計特征方面表現都很出色。其他算法僅能在其中一個方面表現較好，亮度或者對比度。小波方法的均值地域統計優化值，其增強效果不佳。

表1"四種算法的量化比較

方法

統計值

原始圖像

直方圖均衡化

對比度受限的自適應直方圖均衡化

小波方法

所提出算法

均值

0.2375

0.4996

0.5293

0.3356

0.6247

方差

0.1772

0.2935

0.3272

0.2822

0.3000

五、總結

本文提出了一種基于視覺統計信息的圖像增強算法。所提出的算法使用視覺優化表示和小波域自動調節參數來進行圖像增強，局部對比度調節是基于全局動態范圍校正來進行的。實驗結果表明所提出的方法在視覺效果和量化指標方面都比其他幾個算法要好。

參考文獻

[1]R.H."Sherrier，G.A.Johnson，Regionally"adaptive"histogram"equalization"of"the"chest，IEEE"Trans.Med.Image"Mi-6（1987）1–7.

[2]S.M.Pizer，E.P.Amburn，et"al.，Adaptive"histogram"equalization"and"its"variations，Comput.Vision，Graph.Image"Process.39（1987）355–368.

[3]A.Laine，J.Fan，W.Yang，Wavelets"for"contrast"enhancement"of"digital"mammorgraphy，IEEE"Egn.Med.Biol.Mag.145（1995）536–550.

[4]J.Lu，D.M.Healy"Jr.，J.B.Weaver，Contrast"enhancement"of"medical"images"using"multiscale"edge"representations，Opt.Engng"33"（7）（1994）2151–2161.

[5]T.L.Ji，M.K."Sundareshan，H.Roehrig，Adaptive"image"contrast"enhancement"based"on"human"visual"properties，IEEE"Trans.Med.Imaging"13（4）（1994）573–586.

[6]S.-Y.Kim，et"al.，Image"contrast"enhancement"based"on"the"piecewiselinear"approximation"of"CDF，Consumer"Electr.IEEE"Trans.45（3）（1999）828–834.

[7]E.Peli，Contrast"in"complex"images，J.Opt.Soc.Am.A"7（1990）2032–2040.

[8]T.Peil，J.S.Lim，Adaptive"filtering"for"image"enhancement，Proc.ICASSP81，Atlanta"1981;"1117–1120.

（作者單位：江西警察學院安全管理系）