一種改進反銳化掩模的自適應圖像增強算法

巢湖學院電子工程學院 常柏烽 陳初俠 查俊瑩 陳 陽 鐘 聲 許 銳

在人們的日常生活中，圖像已經成為人們傳遞信息的主要媒介，統計結果表明，在人類接受的各種信息中，視覺信息占據了80%，可以說圖像已成為我們日常交往不可或缺的重要部分。但現實中圖像的質量往往參差不齊，為了更好地傳遞信息，我們就需要對圖像進行改善，改善圖像質量最常用的方法就是對圖像進行增強。反銳化掩模（Unsharp masking，UM）是常見的圖像增強方法之一，它可以有效增強圖像的邊緣和細節，使圖像的輪廓更清晰，它主要分為線性反銳化掩模（Linear unsharp masking，LUM）和非線性反銳化掩模（Nonlinear unsharp masking，NUM）兩大類。

1 線性反銳化掩模算法

LUM圖像增強算法流程如圖1所示，主要有四個步驟。首先，對原始圖像進行低通濾波（例如均值濾波），得到一個鈍化模糊的圖像；其次，用原始圖像減去這一鈍化模糊圖像，得到原始圖像的高頻部分，即圖像的邊緣和細節部分；然后，對原始圖像的高頻部分進行放大，這里采用一個增益系數k（為常數）乘以圖像高頻部分獲得；最后，把原始圖像和放大后的高頻部分圖像進行疊加，就可以得到一個邊緣和細節被增強了的圖像，達到圖像增強的目的。

圖1 線性反銳化掩模圖像增強算法流程

LUM圖像增強算法可用下列函數式來表達：

式(1)中，f(x,y)為原始圖像，fmean(x,y)為鈍化模糊圖像，k為增益系數，g(x,y)為增強后圖像，f(x,y)-fmean(x,y)為原始圖像的高頻部分。其中鈍化模糊圖像通常采用均值濾波器來實現，公式表達如下：

式(2)中，m×n為均值濾波器模板的大小，f(i,j)為模板中圖像像素灰度值，通常選擇3×3或5×5的模板。

LUM算法對原始圖像的低頻部分（圖像變化緩慢部分）基本不進行增強，只增強圖像的高頻部分（圖像邊緣部分），達到了增強圖像邊緣的目的。但是在增強圖像高頻部分時，增益系數k為一個常數，這會帶來兩個問題：（1）k取什么值為最佳？（2）k為常數，即圖像的不同邊緣被無區別的同程度增強，當k取較大值時往往會對圖像的一些微小細節（較平坦部分）進行過度增強，增強后的圖像看上去好像含有很多噪聲點。針對于這兩個問題，本文提出一種改進的反銳化掩模自適應圖像增強算法，它是一種NUM算法。

2 改進反銳化掩模算法

本文提出的改進反銳化掩模自適應圖像增強算法，其原理和LUM算法基本相同，不同之處是對增益系數k進行設計，把k設計成一個隨著圖像自適應變化的數值，而不是一個常數。增益系數k表達式如下：

式(3)中，f(x,y)為原始圖像，fmean(x,y)為鈍化模糊圖像，f(x,y)-fmean(x,y)為原始圖像的高頻部分，MAX為圖像高頻部分絕對值的最大值，即max(|f(x,y)-fmean(x,y)|)。很顯然，通過改進后的增益系數k是一個隨著圖像自適應變化的數值，數值取值范圍為0-4。從公式(3)可以看出，當圖像的邊緣比較微弱時，會對圖像微弱邊緣加以較小權值進行增強；當圖像的邊緣比較顯著時，會對圖像顯著邊緣加以較大權值進行增強。相比于線性反銳化掩模算法，采用本算法增強的圖像能得到更清晰的圖像輪廓，更小的噪聲點。

3 實驗結果與分析

為了驗證本改進反銳化掩模算法的優越性，將其與LUM算法進行比較。首先將兩種不同算法應用到灰度圖像和彩色圖像分別進行處理，然后從主觀視覺和客觀評估指標來對不同算法進行評價。

3.1 主觀視覺評價

為了較全面比較LUM算法和本文提出的改進反銳化掩模算法在圖像增強方面的有效性和優越性，這里用了三幅圖像進行驗證，兩幅灰度圖和一副彩色圖。如圖2、圖3所示，為兩幅灰度圖的處理結果。其中圖2(a)、圖3(a)分別為經典lena原始圖像和醫學X射線原始圖像；圖2(b)、圖3(b)為原始圖像均值濾波后的效果圖，這里采用的是5×5的模板；圖2(c)、圖3(c)為原始圖像經LUM算法增強后的效果圖，這里k=4；圖2(d)、圖3(d)為原始圖像經本文算法增強后的效果圖。

圖2 經典Lena圖像處理結果

圖3 醫學X射線圖像處理結果

從圖2(c)(d)、圖3(c)(d)可以看出，相較于原始圖像，處理后的圖像明顯得到了增強，圖像的邊緣和輪廓更加清晰。但對圖像進行放大，還是可以看出(c)、(d)圖像的不同。首先，從邊緣處看，圖2(c)、圖3(c)在邊緣地帶有點過度增強，以至于在邊緣處圖像的灰度更加偏白；其次，從平坦區域看，圖2(c)、圖3(c)在平坦區域好像多了很多的斑點（噪聲點）。相反，從圖2(d)、圖3(d)可以看出，圖像的邊緣地帶沒有那么煞白，從平坦區域到邊緣部分過度的更加細膩，在平坦區域內也很光滑，顯得更加完美。

圖4所示為彩色圖像的處理結果。圖4(a)為原始圖像；圖4(b)為原始圖像采用5×5模板均值濾波后的效果圖；圖4(c)(d)分別為原始圖像經LUM算法(k=4)和本文算法增強后的效果圖。從圖4(c)(d)可以看出，處理后的圖像都得到了增強，但圖4(d)的效果明顯好于圖4(c)，圖4(c)瑕疵很多、增強過度；圖4(d)色彩鮮艷，邊緣清晰，“滋蘭池”三字字跡清晰，整體看上去更加柔和。

圖4 彩色圖像處理結果

3.2 客觀評價

除了主觀視覺評價，本文還采用客觀評估指標對圖像增強的效果進行評價。這里采用峰值信噪比（Peak signal to noise ratio，PSNR）進行評估。PSNR可反映圖像的噪聲水平，其值越大，表示增強后的圖像越接近原圖像，增強后圖像中的噪聲越小，其定義表達式如下：

式(4)中，f(i,j)為原始圖像，g(i,j)為增強后圖像，M×N為圖像的大小，x為圖像的位數，一般x=8。表1為不同圖像采用LUM算法和本文算法進行圖像增強的PSNR數值（單位為dB），從中可以看出，三幅圖像采用本文算法比LUM算法進行圖像增強其PSNR都變大，這表明本算法增強后的圖像更接近原始圖像，增強后的圖像其噪聲也更小。

表1 不同圖像采用不同方法進行圖像增強的峰值信噪比

結論：本文提出一種改進反銳化掩模的自適應圖像增強算法，與LUM算法相比，它不僅解決了增益系數k的取值問題；而且通過仿真實驗表明，本算法增強后的圖像更接近原始圖像，具有更小的噪聲點，也避免了過度增強的問題。