改進電潤濕電子紙圖像自適應增強算法*

熊鈴鈴，林珊玲，林志賢，3，郭太良，郭冠崢

(1.福州大學 物理與信息工程學院，福建 福州 350116；2.中國福建光電信息科學與技術創新實驗室，福建 福州 350116；3.福州大學 先進制造學院，福建 泉州 362200)

0 引言

電潤濕電子紙[1-3]具有超低功耗、高照度條件下易讀性好、易于實現柔性、價格低廉等優點，但是，受到顯示技術驅動芯片和驅動方式的制約，導致電潤濕顯示器能夠顯示的灰度等級低，這將造成圖像失真、邊緣細節丟失，故需要對圖像進行細節增強處理。線性非銳化掩模是常用的一種圖像銳化增強的方法，但是該方法對噪聲敏感，會過度放大噪聲誤差，容易出現增強過度現象，為此許多改進方案被提出[4-9]。Guan 等人[7]提出了一種新的非銳化掩模銳化圖像增強方法，該方法涉及多次迭代以及圖像劃分，算法較復雜，且文中只對彩色圖像進行驗證并獲得滿意效果而未對灰度圖像進行驗證說明；王仕女等人[8]提出利用非銳化掩模局部細節提升能力和Beta 變換全局對比度拉伸能力，但是該算法涉及參數選擇的復雜性，既要考慮效率，又要考慮參數有效性；朱莉[9]提出了一種改進的自適應非銳化掩模(UM)圖像增強算法，采用拉普拉斯算子代替局部方差檢測局部細節特征，但是拉普拉斯算子對噪聲十分敏感。

基于以上研究，本文提出了一種改進電潤濕電子紙圖像自適應增強算法，使得處理后圖像細節更加豐富，輪廓更加清晰，對噪聲起到很好的抑制效果，同時很好地避免過度增強。

1 傳統非銳化掩模

傳統的線性非銳化掩模算法是圖像銳化增強中的一種，用于增強圖像細節和邊緣，其算法流程圖如圖1所示。

圖1 UM 算法流程圖

2 改進非銳化掩模

為了改善傳統非銳化掩模算法對噪聲的敏感，提出了改進非銳化掩模算法，其流程圖如圖2 所示。

圖2 改進UM 算法流程圖

利用二次引導濾波算法得到鈍化模糊圖像，改進正比例因子ω，從而抑制相對平坦區域的噪聲，對需要銳化和增強的區域進行銳化和增強。

2.1 基于顯著圖的鈍化模糊圖像

2.1.1 引導濾波與顯著圖

顯著圖是一種模擬生物視覺注意機制的選擇性模型，它直接反映了圖像區域引起視覺注意的強弱度[10]。而引導濾波[11]作為一種邊緣保持濾波算法，它可以很好地克服雙邊濾波中出現的梯度翻轉的現象，且其算法復雜度與窗口無關，在處理較為大型的圖像時效率明顯提升，故提出了基于引導濾波的顯著特性[12]的提取。

結合引導濾波，并計算圖像的局部窗口標準差S，將其作為引導濾波的引導圖，獲得顯著圖Sf可表示為：

其中，I 為輸入圖像，N 為局部窗口大小，fstdfilt為局部標準差方程，r 為引導濾波的局部窗口半徑，δ 為正則化參數，fguidedfilter為引導濾波函數。

2.1.2 引導濾波與顯著圖

為了得到鈍化模糊圖像，且能夠自適應圖像邊緣區域和平坦區域改變正則化參數δ，提出改進謝偉等人[13]的融合梯度信息的引導濾波。梯度信息雖然帶有像素突變信息，但它不能自適應圖像中的信息，使得改進后的引導濾波按相同的濾波效果對整幅圖像進行處理，不能達到本文需要的自適應效果。而改進的基于引導濾波的顯著圖中帶有局部方差的信息，其在滿足梯度信息的同時，通過引導濾波后獲得的顯著圖中加入了圖像自身的信息，能夠自適應圖像中的信息進行圖像的平滑濾波和細節保留。

對于顯著圖中包含的局部方差信息，通過閾值Th過濾局部方差較小的非邊緣區域，對于局部方差較大的邊緣區域利用比例放大因子λ 自適應增強，具體公式如下：

其中，frange為range函數，fsign為符號函數。在引導濾波中，固定的正則化參數δ會導致a2k局部過度增大或局部過度減小，無法自適應圖像信息，故改進的引導濾波通過λ來改變參數。如式(6)所示，邊緣區域的λ變大，從而正則化參數δ′變小，平滑倍數越小，因此邊緣信息得以保存，而平坦區域正好相反，將平坦區域進行平滑處理。

圖3 為比較原始圖像分別經過本文提出的基于局部標準差的引導濾波獲得的改進引導濾波算法與謝偉等人提出的基于梯度信息獲得的改進引導濾波算法后的效果圖。通過比較可得，圖3(b)將帽子的細節平滑濾波，而將其他細節(如眼睛、頭發的細節)有所保持，利于對所需細節的提取與增強，從而避免圖像過度增強；而圖3(a)將圖像所有細節按相同的平滑效果進行平滑處理，這將造成算法對某些細節的過度增強。

圖3 Lena 不同算法產生的鈍化模糊圖像

為了防止圖像增強過度，經過本文算法的二次引導濾波處理后獲得的細節圖像能夠有效增強所需細節，從而避免過度增強，如圖4 所示，圖4(a)為Blurry_ planet原圖像，圖4(b)為經過本文算法處理后獲得的細節圖像。圖4(a)中左邊的框框為所需增強的細節部分，右邊的框框為圖像的清晰部分；在圖4(b)中可以相應看到左邊框框處的模糊圖像得到有效的增強，而右邊框框處的細節圖像得到細微增強，避免右邊細節增強過度。

圖4 Blurry_planet 細節效果圖

2.2 改進權值ω

為了使其能夠自適應圖像中的細節信息，需要對ω進行改進。在歸一化操作生成自適應權值的基礎上，通過添加參數ξ 使得權值在亮度上更接近原始圖像，細節信息更加豐富。參數ξ 控制著局部細節的亮度和信息豐富程度，經過實驗可得當ξ=1.6 時，效果最佳。權值ω 取值范圍在[0，1]之間，公式如下：

其中，u 為輸入圖像的灰度值，ξ 為控制參數。

3 結果與分析

在本節中，本文將使用幾組不同的數字圖像處理經典圖像進行實驗，通過主觀評價以及客觀評價來評價本文算法。此外，本研究中所有實現方法的編碼都是在MATLAB 2016b 中所編寫的。

3.1 主觀評價

分別采用Lena 圖和Einstein 圖進行評價。如圖5 所示，經過本文算法后，Lena 圖像的帽子、頭發等細節部分得到了有效的增強，使得圖像細節更豐富，輪廓更清晰，符合人眼視覺感受；Einstein 圖像經過本文算法處理后，額頭、手背、胸前的衣服以及臉頰等紋理細節都得到了有效的增強，圖像更加清晰可見，視覺效果更佳。

圖5 細節增強圖像

3.2 客觀評價

采用Lena圖、airplane圖、peppers圖等10張圖像進行客觀指標評價，其指標包括信息熵(H)、峰值信噪比(PSNR)、平均亮度誤差[14](AMBE)和結構相似度[15](SSIM)，圖6為這10 張圖像的原圖像，將本文算法與傳統非銳化掩模算法、灰度變化、中值濾波以及限制對比度自適應直方圖均衡算法(CLAHE)的性能進行比較，評價結果如表1～表4 所示。

表1 不同算法增強后圖像信息熵值

表2 不同算法增強后圖像PSNR 值

表3 不同算法增強后圖像AMBE 值

表4 不同算法增強后圖像SSIM 值

圖6 10 張原圖像

從以上表中可以看出，綜合對信息熵、PSNR、AMBE和SSIM的分析得出幾種增強算法的性能：經過非銳化掩模算法增強后的圖像除了細節信息有所增強外，圖像有較小的失真，平均亮度保持能力有限；經過灰度變化后，圖像信息熵反而低于原輸入圖像，部分細節丟失，圖像失真較嚴重，平均亮度保持能力低；中值濾波算法使原圖像更加平滑，丟失部分細節信息，雖然PSNR的值較高，圖像失真較小，但由于細節部分丟失造成圖像模糊；限制對比度自適應直方圖均衡算法能夠獲得圖像最大的信息熵，即增強后的圖像細節信息最豐富，但是圖像的噪聲最大，失真最嚴重，且平均亮度保持能力低，SSIM的值最小，該算法增強性能較差；經過本文算法增強后圖像信息熵較高，且圖像細節清晰，噪聲最小，失真最小，可以很好地保持輸入圖像的亮度，SSIM值平均最接近1，效果最好，且符合人眼視覺質量。

3.3 實際測量

將本文改進非銳化掩模算法應用于電潤濕電子紙中，采用Lena 圖像進行驗證。圖7(a)為原始圖像在電潤濕顯示屏上的效果圖，圖7(b)為采用本文改進算法后的效果圖。對比兩幅圖可以看到，原圖像在帽子處的紋理模糊不清晰，而經過本文改進算法后，帽子處的紋理更加清晰可見，如圖7(a)與圖7(b)中黑色框出部分。

圖7 電潤濕顯示圖像效果對比

4 結論

基于傳統非銳化掩模算法的不足，本文提出了一種改進電潤濕電子紙圖像自適應增強算法。該算法通過引導濾波獲得顯著圖，并結合顯著圖與改進引導濾波獲得鈍化模糊圖像，經過二次引導濾波算法后，鈍化模糊圖像能夠自適應圖像信息將需要增強的部分平滑濾波，并且盡可能保存不需要增強部分的細節信息，避免最終圖像增強過度，同時利用改進權值自適應融合細節部分與原始圖像最終獲得輸出圖像。仿真結果表明，相較于傳統線性非銳化掩模方法，本文方法其圖像評價指標H 值、PSNR值分別平均提高了0.2%、28.4%，AMBE值平均降低了88.4%，SSIM的值更加接近1。最終在電潤濕電子紙上通過實驗證明，本文算法的增強性能更佳，在增強紋理細節的同時，盡可能減少噪聲的放大，避免過度增強，取得了較好的顯示效果。