基于改進神經網絡的4K超高清圖像清晰化技術研究

黃衛+文坤梅

摘 要： 為了提高4K超高清圖像的成像質量，進行圖像清晰化處理，提出一種基于改進神經網絡的4K超高清圖像清晰化技術。對采集的圖像采用中值濾波降噪方法消除噪點，采用多尺度Retinex分解方法進行圖像像素增強，結合改進神經網絡方法進行模板特征匹配與信息融合，實現圖像清晰化處理優化。仿真結果表明，采用該技術進行4K超高清圖像清晰化處理，輸出圖像的信噪比較高，處理的時間開銷和內存開銷較小，具有優越性。

關鍵詞： 神經網絡； 4K超高清圖像； 清晰化處理； 降噪

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）14?0120?04

Abstract： In order to improve the imaging quality of 4K ultrahigh?definition images and carry out sharpening processing of the images， a 4K ultrahigh?definition image clearness technology based on the improved neural network is proposed. The median filtering denoising method is used to eliminate the noisy points of collected images. The multi?scale Retinex decomposition method is adopted to enhance image pixels. The template feature matching is performed in combination with the improved neural network method to deal with information fusion， so as to realize image sharpening processing optimization. The simulation results show that the 4K ultrahigh?definition images processed with this technology have high SNR， low expenditure of processing time， small memory overhead and a certain superiority.

Keywords： neural network； 4K ultrahigh?definition image； sharpening processing； noise reduction

4K超高清圖像是用4K分辨率即4 096×2 160的像素分辨率成像得到的圖像，4K級別的分辨率可提供880多萬像素，能提供近千萬像素的顯示品質。隨著4K超高清圖像處理技術廣泛應用，它在數字高清成像、目標識別、遙感探測等領域具有廣闊的應用前景[1?2]。4K超高清圖像清晰化處理是提高成像品質的關鍵技術，4K超高清圖像在成像過程中受到圖像采集儀器和環境等因素的影響，容易導致成像的清晰化程度不好，對此，本文提出一種基于改進神經網絡的4K超高清圖像清晰化技術，通過圖像處理算法設計和仿真實驗分析，得出有效性結論。

1 圖像降噪預處理

1.1 4K超高清圖像特征點統計

為了實現對4K超高清圖像的清晰化處理，首先需要采用圖形渲染方法實現對4K超高清圖像的特征點統計，采用模板配準和特征點統計學模型方法進行4K超高清圖像點特征提取，進行4K超高清圖像的三維重構總體設計。4K超高清圖像的圖像特征點統計主要分為三步，首先進行模板構建，假設4K超高清圖像的紋理角點表述為，包絡輪廓幅值大小為4K超高清圖像的網格模型描述。然后，再對復雜背景干擾下4K超高清圖像進行像素幅值計算，得到近似解：

式中：是輪廓形變參數；T為取4K超高清圖像的邊緣輪廓特征點。根據上述圖形重構，最后采用不規則三角網剖分方法進行4K超高清圖像特征點統計，得到三角網格的幅值為，計算公式為：

式中：表示4K超高清圖像的Retinex角點篩選值，為偶數，以圖像特征點的特征分布為判據，進行特征點統計和取證[3]，實現圖像像素信息采集。

1.2 圖像的中值濾波降噪

在4K超高清圖像采集的不規則三角網格模型中，由于采集的設備和環境等因素的影響，需要進行圖像降噪。采用中值濾波降噪方法[4]，假設圖像噪點的分布區域，得到4K超高清圖像兩幀間的灰度差異值為：

式中：表示像素均值信息；K為三維視覺信息采集的尺度。的輪廓線初始誤差，設，讀入第一張4K超高清圖像，輸入到中值濾波系統模型中，中值濾波系統傳遞函數為：

式中，為圖像邊緣輪廓曲線上的形態學分解函數，為像素點集合，采集的圖像采用中值濾波降噪方法消除噪點，得到輸出圖像為Gt：

式中，是4K超高清圖像的第t幀的關聯像素值，在像素值對應的二維坐標分布在位平面子塊內，采用多維三角網格特征點標定方法得到每一個位平面對應0或1兩個值表示像素的亮度信息，采用二值圖像映射方法[5]，得到4K超高清圖像沿梯度方向在像素點處的角點標量特征量滿足：

式中，表示超高清圖像的像素序列軌跡，對像素到點的角點進行形態學分割，得到分割軌跡描述為：

式中，是第t幀的4K超高清圖像的Retinex角點位置[6]，通過多尺度邊緣輪廓分解[7]，實現圖像的中值濾波，得到4K超高清圖像的邊緣輪廓標記線矩陣為：

式中：是成像位置在處的二值化關聯向量；和分別為灰度變換的概率分布函數。對4K超高清圖像進行聯合特征模板匹配，采用多尺度Retinex角點篩選，進行圖像的中值濾波，提高圖像的清晰度。

2 4K超高清圖像清晰化處理實現

2.1 圖像像素增強

在上述進行了4K超高清圖像特征點統計和中值濾波降噪處理的基礎上，進行4K超高清圖像清晰化處理。為了克服傳統方法在清晰化處理中輸出信噪比不高的弊端，本文提出一種基于改進神經網絡的4K超高清圖像清晰化技術。采用多尺度Retinex分解方法進行圖像像素增強，4K超高清圖像采集的兩幀間的多尺度Retinex分解關系可描述為[8]：

以式（11）～式（13）為基礎進行圖像的特征分類和角點篩選，得到圖像的信息增強輸出的尺度序列為：

式中：表示仿射變換域內的分割系數；為圖像在成像位置處的二值化模板匹配參數。計算4K超高清圖像增強的灰度像素值，得到表面網格面的Hessian矩陣為：

基于多尺度形態學分割，得到4K超高清圖像的紋理角點表述為：

式中，分別為角點篩選的差異性級數和匹配模板集，計算輪廓的控制點間的Retinex特征分量，由此實現4K超高清圖像的多尺度形態學增強處理，在4K超高清圖像的灰度直方圖中進行特征統計[9]，得到多尺度形態學統計特征為：

假設4K超高清圖像的圖像灰度級為F，通過對圖像進行色差對比，得到視覺誤差補償輸出X（t）為：

通過上述處理，為進行4K超高清圖像特征的清晰化處理提供準確的模型基礎。進一步進行圖像的穩像處理，得到輸出包絡輪廓幅值的離散形式為：

對4K超高清圖像的三維視覺清晰化處理中，采用擬蒙特卡洛特征值進行穩定性控制，當滿足，則此時清晰化處理的穩定解滿足，通過多尺度Retinex分解，進行圖像增強處理，如下：

2.2 基于改進神經網絡的圖像清晰化處理

在進行圖像增強處理的基礎上，采用圖1所示的神經網絡模型進行圖像像素融合訓練，實現清晰化處理。

圖1中神經網絡的輸入層的節點個數為及輸出層的節點個數，并將從輸入節點到輸出節點的權值初始化。令，，表示4K超高清圖像的輸入圖像像素序列，在時，進行圖像的初始化參量設定，得到圖像清晰化處理的神經網絡的輸入訓練向量模式；計算4K超高清圖像的上下邊界點及其與隱含層連接的權向量：

調整與輸出節點所連接的權值進行模板特征匹配，得到神經網絡模型的隱含層的紋理拓撲分層節點的幾何鄰域為，圖像清晰化處理的自適應加權系數為：

3 仿真實驗分析

仿真實驗以Matlab為軟件平臺，進行4K超高清圖像特征清晰化處理的仿真分析，假設4K超高清圖像大小181×181，圖像融合的控制參數為，中值濾波的尺度=0.13 mm，迭代次數，圖像的噪點覆蓋在220～3 000幀之間，干擾噪聲為高斯色噪聲，均值誤差 mm。根據上述仿真環境和參數設計，進行4K超高清圖像的清晰化處理，首先進行原始圖像采集，得到原始圖像如圖2所示。

圖2所示的原始圖像受到采集環境和光照等條件因素的影響，導致圖像的清晰度不高，采用本文方法進行圖像清晰化處理，得到處理結果如圖3所示。

從圖3的視覺效果可見，采用本文方法進行圖像清晰化處理，能有效提高4K超高清圖像的視覺成效效果，圖像的清晰度較高。表1給出了采用不同方法進行圖像清晰化處理的輸出信噪比等指標參量的對比結果，分析表中數據得知，本文方法對圖像處理后輸出的信噪比高于傳統方法，說明圖像的質量較高，且計算時間開銷和內存開銷較低，性能較優。

4 結 語

本文進行了圖像清晰化處理研究，提出一種基于改進神經網絡的4K超高清圖像清晰化技術。對采集的圖像采用中值濾波降噪方法消除噪點，采用多尺度Retinex分解方法進行圖像像素增強，結合改進神經網絡方法進行模板特征匹配與信息融合，實現圖像清晰化處理優化。仿真結果表明，采用該技術進行4K超高清圖像清晰化處理，輸出圖像的信噪比較高，處理的時間開銷和內存開銷較小，具有優越性，實際應用效果較好。

參考文獻

[1] 藺素珍，朱小紅，王棟娟，等.基于嵌入式多尺度變換的多波段圖像融合[J].計算機研究與發展，2015，52（4）：952?959.

[2] 應宏微，蔣剛毅，郁梅，等.基于場景模式的立體圖像舒適度客觀評價模型[J].電子與信息學報，2016，38（2）：294?302.

[3] 楊富圣，高鐵杠.一種基于差分DCT系數對直方圖的圖像取證方法[J].電子學報，2016，44（1）：8?13.

[4] CHIANG P， ZHENG J M， MAK K H， et al. Progressive surface reconstruction for heart mapping procedure [J]. Computer?aided design， 2012， 44（4）： 289?299.

[5] KUKLIK P， SZUMOWSKI L， ZEBROWSKI J J， et al. Integration of the data from electroanatomical mapping system and CT imaging modality [J]. International journal of cardiovascular imaging， 2009， 25（4）： 425?432.

[6] ZHOU Z Q， HU D Y. An epidemiological study on the prevalence of atrial fibrillation in the Chinese population of mainland China [J]. Journal of epidemiology， 2008， 18（5）： 209?216.

[7] 覃海寧.三維光纖圖形特征的體繪制改進方法研究與仿真[J].激光雜志，2016，37（9）：142?146.

[8] 肖淑蘋，賀毅岳.一種改進的EMD圖像信號去噪算法[J].現代電子技術，2016，39（16）：91?93.

[9] 曾文權，何擁軍，崔曉坤.基于各向異性濾波和空間FCM的MRI圖像分割方法[J].計算機應用研究，2014，31（1）：316?320.