基于機器學習的壓縮域圖像均衡增強方法

何 山，趙 越，喬孟銳

(西南石油大學計算機科學學院，四川成都 637001)

1 引言

圖像研究技術在生產生活中的多個領域得到廣泛應用的同時，各行業對圖像處理的質量水平也提出了更高要求[1-2]。因此，壓縮域圖像處理技術應運而生，成為近幾年圖像技術研究的熱門領域。為了解決拍攝圖像不清晰，整體畫面模糊，難以精準聚焦圖像特征點等問題，圖像增強技術得以開發研究。該技術主要有兩種操作類型：空間域和變換域。空間域是通過圖像尺度調節、像素比率對照等方式，直接對原始圖像進行清晰度調整；變換域則是通過獲取圖像參數數據對圖像各元素參數進行變換運算，再將所得數據結果轉化為圖像。這種方法相比于空間域方法有更強的適用性，對于光影色彩占比較重的圖像有更好的處理效果[3-4]。相關學者對此進行了研究，取得了一定的進展。譚云蘭等人基于自適應引導濾波的全景圖像增強算法[5]，利用加權最小二乘濾波器實現引導圖像重建，通過AGIF法增強全景圖像場景細節，此方法能夠提升圖像增強效率，但是圖像清晰度不佳。趙春麗等人提出基于暗通道及多尺度Retinex的霧霾天氣圖像增強算法[6]，根據多尺度Retinex算法實現對照度分量估算，利用伽馬變換完成照度校正，有效提升了圖像的視覺效果，但是清晰度不佳。

本文基于機器學習的原理提出了一種新的壓縮域圖像均衡增強方法，在圖像均衡增強過程中引入機器學習法能夠得到更好的圖像增強效果。

2 壓縮域圖像檢測

將目標圖像素材導入到計算機圖像處理系統程序中，通過掃描程序將圖像中的各部分信息采集并傳輸到圖像信息轉換程序中，按照相關的處理規則，將圖像信息轉化為數據表示形式。利用數據分類標準，將其進行全面準確的歸納整理，保存到一個特定的圖像數據文件夾內，在后臺同時形成備份數據保存到系統數據庫中，防止意外事故造成系統數據丟失。壓縮域圖像檢測原理如圖1所示。

圖1 壓縮域圖像檢測原理

觀察圖1可知，運用結合了機器學習方法的檢測算法對圖像數據進行檢測處理，明確圖像切割分解后圖像之間的關系以及相應的處理順序，按照一定的圖像參數排列規律進行檢測[7]。當圖像素材數量為多個時，能夠根據對圖像光影、角度的變化對其進行順序判斷；若是單個圖像，則根據各部分局部圖像的相應位置關系進行排列。對圖像邊界進行檢測，通過提取邊界部分的圖像像素與色彩等參數，與目標處理水平的參數標準進行對比，具體記錄其差異數據，以便綜合進行圖片均衡與增強。圖像檢測過程如圖2所示。

圖2 圖像檢測過程

根據圖2，采用SVM學習方法檢測圖像結構，對各圖像素材結構參數進行檢測，對圖像結構的目標狀態進行矢量模擬。選取合適的結構參數描述特定的圖像結構特征，在通過相關性矩陣運算得到圖像參數數據的置信度矢量結果，用于對圖像各相關素材或壓縮域變換層次檢測。本文的研究進行的是對圖像壓縮域變換層次的檢測，利用SVM算法得到多個圖像變換層次的置信度矢量數據，再通過二次分類得到圖像壓縮參數比例。對圖像各部分參數數據檢測分析并記錄整理完畢后，保存到圖像處理系統的圖像均衡增強程序數據管理器中，為壓縮域圖像均衡與增強過程奠定數據基礎[8-9]。

3 壓縮域圖像特征提取

圖像特征提取是進行圖像均衡增強處理不可缺少的操作過程，通過提取圖像素材中對應的特征點，能夠更好地實現圖像分割與融合過程，有利于壓縮域圖像完成參數對比與相關性運算。圖像參數和分辨率矢量數據通過程序編碼形成相應的數據代碼，根據代碼之間的差異變化判斷圖像存在突出特征的區域。同時，圖像處理程序會對圖像代碼數據進行預處理，所得的數據差異反映了特征區域的類型及變化程度[10-11]。特征點提取原理如圖3所示。

圖3 特征點提取原理圖

在利用圖3得到特征點后，確定壓縮域圖像，壓縮域圖像需要進行壓縮域的比例對比。壓縮域是將原始圖像根據客戶要求或圖像情況按照相應比例進行分割壓縮，圖像各部分內容也相對產生一定程度的變化，主要是圖像的細節部分被放大，能夠能清晰地掃描檢測圖像內容特征。在壓縮域圖像中通過掃描判定圖像可銳化的范圍，在條件范圍內調整圖像清晰度至理想狀態，然后根據掃描提取圖像色彩、對比、噪點等多種參數值，形成參數圖表反應圖像平面各方面數據變化，從中提取變化較為明顯統一的部分進行定位，確定特征點區域位置[12]。同時對多個圖像素材進行特征點對應標記，有利于圖像的融合修補與均衡增強。需要掃描的參數包括兩種，分別是數據類參數和判斷類參數，掃描的參數如表1所示。

表1 掃描參數表

4 基于機器學習的壓縮域圖像均衡增強

本文采用機器學習法的向量支持法，通過最小二乘法對圖像參數數據進行優化求解，其求解公式如下

(1)

上述公式中，w表示圖像中的平面坐標向量，ei表示特征點的對應參數數據描述誤差，b表示不同參數的閾值，T表示的是圖像素材之間的檢測訓練周期，y是實際參數與訓練優化后數值之間的比例，i是參與優化訓練的素材數量。根據以上公式運算得到關于壓縮域圖像各方面參數的優化數據結果。

將數據代入拉格朗日算法得到相關矩陣，矩陣方程如式(2)所示

(2)

上述矩陣公式無需考慮參數的拆解運算，可直接轉化成線性相關方程，如式(3)

(3)

根據式(3)可以得到i個圖像訓練素材進行相關參數轉化的相關性系數。利用圖像的特征點與相關性與相關矩陣結合，得到基于機器學習方法的壓縮域圖像素材特征相關性的參數。根據圖像特征與相關性對壓縮域圖像細節進行分辨率調整和圖像匹配。基于機器學習的壓縮域圖像均衡增強流程如圖4所示。

圖4 基于機器學習的壓縮域圖像均衡增強流程圖

觀察圖4可知，基于機器學習的壓縮域圖像均衡增強過程可以分為如下幾步：

1)基于上述研究中獲取的特征描述情況，本文選用小波變換技術對壓縮域圖像特征進行匹配；

2)將圖像尺度按照一定分解規則，分成多個規則的圖像區域，將不同區域的圖像局部對應放大；

3)通過建立坐標系與特征點對應，將相同區域的整合到同一圖像處理程序中，通過計算機圖像數據提取程序，獲取平面方向圖像素材的參數數據，并轉化為元素能量；

4)同時計算出各特征點元素能量的能量均值、方差等數據，將所得數據導入到小波變換程序進行處理，得到關于各圖像素材圖像分辨率描述的數據矩陣，再通過特征點匹配情況將數據矩陣進行匹配；

5)通過將圖像素材的各參數數據投射的原始圖像數據進行對比和相應的比例運算，再通過機器學習的最小二乘法與向量支持法得到關于原圖像分辨率調節范圍的判定，結合壓縮域圖像訓練之后的參數結果得到分辨率優化最適配參數設定；

6)按照數據描述情況對圖像進行具體的均衡與增強操作，之后將匹配后的圖像去除多余的圖像部分，形成較為完整的圖像。

在對圖像進行了基本的均衡與增強之后，需要對操作結果進行一定的能量化測試。為了整體地檢測增強后圖像的質量水平，本文首先對圖像的信噪比進行了檢測，檢測運算公式如下

(4)

式中，M，N分別表示平面圖像尺度的長、寬描述情況，f與f′分別表示增強前后的圖像像素情況。根據該公式是對圖像的信噪比進行運算，得到數據能夠反映增強后的圖像分辨率整體質量水平，進而得到圖像增強效果是否符合要求標準。

此外，還需要對圖像邊緣信息檢測，根據圖像邊緣數據的完整程度反映圖像處理的效果，圖像邊緣保持程度越完整，圖像處理越精細全面，并根據灰度檢測的圖像特征點像素數據得到關于圖像增強過后的圖像像素數值和去噪能力描述，利用向量支持法對壓縮域圖像匹配均衡效果進行檢測，將增強后的圖像細節像素參數與增強尺度代入運算過程，得出關于細節匹配的相關描述；再對描述數據進行方差、標準差計算，所得的結果越小則表示細節匹配強度越高，匹配效果越好，誤差值越小。壓縮域圖像均衡增強示意圖如圖5所示。

圖5 壓縮域圖像均衡增強示意圖

經過了以上三個方面的圖像增強效果檢測后，圖像的均衡與增強操作基本完成，在原始圖像基礎上實現了像素分辨率優化和特征點細節清晰化等圖像增強。

5 實驗研究

為了檢測本文提出的基于機器學習的壓縮域圖像均衡增強方法的有效性，與傳統檢測方法進行實驗對比，設定實驗環境如圖6所示。

圖6 檢測實驗環境

在上述檢測實驗環境下選取本文提出的基于機器學習的壓縮域圖像均衡增強方法與傳統的基于MSR算法的壓縮域圖像均衡增強方法以及基于人工智能的壓縮域圖像均衡增強方法進行實驗，選擇的圖像數量共有1200幅，每幅圖像的尺寸都為50cm×50cm，灰度等級為256級。

得到的圖像增強結果如圖7所示．

圖7 圖像增強結果實驗圖

觀察圖7可知，本文方法與傳統方法都能對圖像進行增強，但是本文方法在增強效果上優于傳統方法，傳統方法處理后得到的圖像灰度值較小，因此得到的圖像相對較暗，在細節上，傳統方法的處理能級較弱，處理結果更加模糊。本文提出的增強方法對于色彩的把握能力更好，在細節處理方面對比度和均衡度更好。尤其是在處理較為灰暗的像素點，本文提出的算法能夠更好地分析相鄰子塊的量度信息，在分析過程不會產生光暈，處理后的細節更強。

圖像邊緣信息清晰度實驗結果如圖8所示。

圖8 圖像邊緣信息清晰度實驗結果

觀察上圖可知，本文提出的圖像均衡增強方法得到的圖像邊緣清晰度高于傳統圖像均衡增強方法，隨著處理時間的增加，三種方法圖像邊緣信息清晰度都在增強，到了后期本文方法的優勢更加明顯。

綜上所述，本文研究的基于機器學習的圖像均衡增強方法在信息處理能力、數據采集能力方面都優于目前提出的方法，因此對待細節問題解決效果更好，得到的邊緣信息更加清晰。

6 結束語

本文針對傳統圖像增強方法的不足進行了研究分析，結合了當下熱門的壓縮域圖像增強技術和機器學習方法，提出了一種基于機器學習的壓縮域圖像均衡增強方法。本文提出的方法在對圖像細節檢測和色彩處理方面有較好的處理效果，同時利用機器學習法優化了圖像特征細節檢測程序，有利于提高壓縮域圖像匹配的精準性；并設置了具體的圖像增強效果檢測環節，進一步保證了圖像均衡與增強的操作效果。本文的研究為壓縮域圖像的均衡與增強方面的研究提供了一定的價值參考，有利于我國圖像處理技術領域的進一步發展。