基于全局和局部多特征的圖像增強算法

劉玉潔，朱韶平

(珠海城市職業技術學院， 廣東 珠海 519090)

1 引 言

圖像增強是計算機視覺的重要研究領域。在實際圖像展示或者獲取時，數字圖像常常會遇到質量較低、重要圖像信息不夠明顯等情況[1]，因此在實踐中常用圖像對比度增強來調整質量以獲得更好的人類視覺感知力[2]，圖像增強成為圖像處理、視頻處理、人臉識別中非常重要的預處理步驟。當前基于空間域技術的圖像增強算法可以分為全局方法和局部方法。全局增強方法基于整個圖像的信息(亮度和飽和度)來增強圖像，其中一個典型的算法就是直方圖均衡化。直方圖均衡化及其優化方案由于其簡單性和有效性，成為圖像對比度增強的最常用算法之一。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子直方圖，每個子直方圖都進行增強處理再進行融合。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子直方圖的基礎上進一步進行分解，最后將原始直方圖分解為多個直方圖，通過重映射和均衡化處理更好地保持了圖像增強后的細節。Menotti等[5]提出了兩種新穎的多重直方圖(Multi-HE)技術，將輸入圖像分解成幾個子圖像，并對每個圖像應用經典的直方圖均衡處理。與傳統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生更自然的圖像。但是上述方法需要預先設置成本函數的加權常數，自適應能力較弱。局部增強方法根據信息(亮度、飽和度和Retinex)及其鄰居的信息來增強每個像素的圖像。越琳等[6]提出了一種針對直方圖的均衡化增強技術，消除了均衡化圖像增強中遇到的平均亮度偏移以及高頻區可能發生的對比度過強帶來的質量問題并提升了魯棒性。 Meylan等[7]使用基于Retinex的自適應濾波器來增強自然彩色圖像，在暈圈區域的彩色圖像獲得了很好的增強效果，但是其方法需要選擇適當的濾波器大小以減少光暈圖像并為極高的動態范圍圖像引入全局色調映射。杜雯超[8]使用脈沖耦合神經網絡算法搜索與優化自適應遺傳算法相結合,實現了PCNN圖像處理時參數的自動設定,解決了傳統PCNN在圖像增強時參數設定困難的問題。Jobson等[9]提出了一種帶有顏色恢復(MSRCR)的多尺度Retinex來恢復顏色，通過取像素與相鄰像素的加權平均值之比來計算像素的顏色值，但是這種方法的一大缺點是會產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，但是此方法不能自動確定伽瑪值，因此自適應性較差。劉冬梅等[12]提出了結合Retinex校正和顯著性的主動輪廓圖像分割算法。王浩等[13]基于人眼的遮蓋效應提出基于高斯核平滑濾波的Retinex圖像增強算法，利用像素細節信息的豐富程度實現了照度估計，有效提高了紅外圖像的對比度。

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

2 增強算法框架

2.1 局部信息增強

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

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

該算法在根據局部亮度平均值修改局部對比度的基礎上修改局部亮度平均值。對于典型的圖像，出于視覺目的，通常期望增加重要區域的局部對比度，因此本文將k(fL)選為大于1的常數， 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

傳統的局部對比度增強算法無法利用目標區域以外的的圖像像素信息,因此對目標區域的噪聲敏感。對于圖像全局信息而言，為了增強局部細節往往會帶來噪聲的增加。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行調整來優化圖像增強的性能。這類算法的優勢是可以同時考慮圖像的全局信息和局部信息,但是由于全局信息的數據量大會導致計算復雜度的提升。本文提出的算法利用鄰域伽馬校正算法實現局部對比度增強,同時利用局部對比度與全局對比度的比例作為權重系數的判定依據，伽馬校正的計算公式為

(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。在傳統伽馬校正算法中,每個圖像對應一個固定的γ值,主要依賴專家打分法進行設置因此缺乏自適應能力，本文為了提升算法的自適應能力，結合鄰域信息的伽馬校正算法對圖像全局所有像素的鄰域信息都利用伽馬校正系數γ(x,y)進行計算，公式為

(3)

從公式(3)可以看到,像素對應的伽馬系數γ(x,y)將圖像的局部信息和全局信息都考慮進去， 通過其相互關系自適應調整γ值。其中α也可以由人工設置，在α的冪系數保持不變時,α越小則γ越小,因此對黑暗區域的增強效果更佳，α為1則不對圖像做增強處理。

3 實 驗

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

圖3 圖像增強效果圖Fig.3 Image enhancement effect

表1為對比算法和本文算法在圖像增強的指標對比。可以看出, 在均采用自適應閾值處理方法時，平穩小波變換(SWT)的增強效果要比小波變換的增強效果好，但實際處理過程中兩者在圖像邊緣處都出現了偽 Gibbs 失真。而本文的增強效果要比SWT的增強效果好，實驗結果中基本看不到偽Gibbs 失真。另外采用本文的自適應閾值處理方法所得到的結果圖像的均方根誤差(RMSE)值最高, 清晰度也最大，因此所得圖像的細節最豐富。

表1 圖像增強數據指標對比Tab.1 Image enhancement data index comparison

4 結 論

本文提出了一種基于局部和全局信息的圖像增強算法，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比度。然后對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行融合。在與其他算法的對比實驗中可以看出，本文提出的算法在運算速度、穩定性、增強效果等方面都具有更好的表現，能滿足圖像增強算法高效的要求，有效改善圖像質量，豐富圖像信息。