智能图像处理算法结合分析

图像增强技术研究1图像增强概述1.1图像增强的定义图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，也是提高图像质量的过程。图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。1.2常用的图像增强方法（1）直方图均衡化有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。（2）对比度增强法有些图像的对比度比较低，从而使整个图像模糊不清。这时可以按一定的规则修改原来图像的每一个象素的灰度，从而改变图像灰度的动态范围。（3）平滑噪声有些图像是通过扫描仪扫描输入、或传输通道传输过来的。图像中往往包含有各种各样的噪声。这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。这些噪声的存在直接影响着后续的处理过程，使图像失真。图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。（4）锐化平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用模板和统计差值的方法，使图像增强锐化。图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，通过高通滤波器去除低频分量，也可以达到图像锐化的目的。1.3图像增强的现状与应用计算机图像处理的发展历史不长，但已经引起了人们的重视。图像处理技术始20世纪60年代，由于当时图像存储成本高，处理设备造价高，因而其应用面很窄。1964年美国加州理工学院的喷气推进实验室，首次对徘徊者7号太空飞船发回的月球照片进行了处理，得到了前所未有的清晰图像，这标志着图像处理技术开始得到实际应用。70年代进入发展期，出现cr和卫星遥感图像，对图像处理的发展起到了很好的促进作用。80年代进入普及期，此时微机己经能够承担起图形图像处理的任务。VLSI的出现更使得处理速度大大提高，其造价也进一步降低，极大的促进了图像处理系统的普及和应用。90年代是图像处理技术实用化时期，图像处理的信息量巨大，对处理的速度要求极高。21世纪的图像处理技术要向高质量化方面发展，实现图像的实时处理，采用数字全息技术使图像包含最为完整和丰富的信息，实现图像的智能生成、处理、理解和识别[7]。目前，许多新的增强算法都充分利用了周围邻域这一重要的信息，形成了很多局部处理的灰度调整算法，该方法主要利用了邻域的统计特性。其中自适应滤波器既能平滑又能保护边缘，其基本思想是滤波器的参数可根据像素所在的邻域情况而自适应选取，也可描述为加权平均滤波器，可以较好的平滑噪声区域，并能保护较显著的边缘，但对图像细节的保护较差，该算法对脉冲噪声敏感，而且模型的性能受参数的影响比较大。近年来，模糊集合理论在图像处理中得到了广泛的应用。例如Yang和Tohl采用模糊规则改进传统的中值滤波器中滤波窗口尺度的选择，改善了算法对高斯噪声的抗噪性能。Russoti提出的自适应模糊滤波算子可以较好的保护图像细节和滤除高斯噪声，其算法中窗口的大小由邻域一致性程度决定，该一致性程度由一个模糊逻辑规则导出。图像增强中变换域增强也得到很广泛的应用，例如付傅氏变换、离散余弦变换、小波变换等，其中小波是近年来发展起来的一种新的时频分析工具，它具有时频局部化能力和多分辨率分析的能力，使得它很适合于信号处理邻域。对图像进行多尺度小波变换后，不同频率的信号出现在不同尺度的子带图像上，有了这些特性就能很好的对感兴趣的部分进行增强。图像变换的方法是多种多样的。通过采取适当的增强处理可以将原本模糊不清甚至根本无法分辨的原始图片处理成清楚、明晰的富含大量有用信息的可使用图像，因此图像增强技术在许多领域得到广泛应用。在图像处理系统中，图像增强技术作为预处理部分的基本技术，是系统中十分重要的一环。迄今为止，图像增强技术己经广泛用于军事、地质、海洋、森林、医学、遥感、微生物以及刑侦等方面。2图像增强方法与原理2.1图像变换人与电脑对事物的理解是不同的，对于人来说，文字信息要比图像信息抽象，但是对于电脑来说，图像信息要比文字信息抽象。因此，对于计算机来说，要对图像进行处理，并不是一件容易的事情。为了快速有效的对图像进行处理和分析，我们通常都需要对图像进行一些变换，把原来的图像信息变为另一张形式，使计算机更容易理解、处理和分析。这种变换就是所谓的图像变换。图像变换是指图像的二维正交变换，它在图像增强、复原、编码等方面有着广泛的应运。如傅立叶变换后平均值正比于图像灰度的平均值，高频分量则表明了图像中目标边缘的强度和方向，利用这些性质可以从图像中抽取出特征；又如在变换域中，图像能量往往集中在少数项上，或者说能量主要集中在低频分量上，这时对低频成分分配较多的比特数，对高频成分分配较少的比特数，即可实现图像数据的压缩编码。2.1.1离散图像变换的一般表达式对于二维离散函数),(yxfx=0,1,2,…,M-1；y=0,1,2,…,N-1(2.1)有变换对1010),,,(),(),(NyMxvyuxgyxfvuT(2.2)u=0，1，2，…，M-1v＝0，1，2，…，N-11010),,,(),(),(NvMuvyuxhvuTvuT(2.3)x=0，1，2，…，M-1y＝0，1，2，…，N-1变换核可分离的离散图像变换表示为：1,2,1,01,2,1,0),(),(),(),(1,2,1,01,2,1,0),(),(),(),(102110102110NyMxvyhvuTuxhyxfNvMuvygyxfyxgvuTNvMuNyMx(2.4)如此，二维离散变换就可以用两次一维变换实现。2.1.2离散沃尔什变换由于傅立叶变换的变换核由正弦余弦函数组成，运算速度受影响。要找另一种正交变换，要运算简单且变换核矩阵产生方便。WalshTransform矩阵简单，只有1和－1，矩阵容易产生，有快速算法[1]。一维离散沃尔什变换假如N=2n，则离散f(x)（x=0,1,2,…,N-1）的沃尔什变换10)(110)()1)((1)(NxubbinnixixfNuWu=0，1，2，…，N-1(2.5)10)()(110)1)((1)(NuubxbinniiuWNxfx=0，1，2，…，N-1(2.6)二维离散沃尔什变换1010),,,(),(),(NyMXvyuxgyxfvuW(2.7)（u=0,1,2…,M-1v=0,1,2…,N-1）1010),,,(),(),(NvMuvyuxhvuWyxf(2.8)（x=0,1,2…,M-1y=0,1,2…,N-1）这里假定了M=2m，N＝2n从上式可知，反正变换核具有可分离性，即),(),(),(),(),,,(),,,(2121vyhuxhvyguxgvyuxhvyuxg)]()([)]()([111111)1(1)1(1vbxbubxbjnnijimmiiNM(2.9)所以，二维离散沃尔什变换可由两次变换来实现。2.2灰度变换灰度变换可使图像动态范围增大，对比度得到扩展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度变换函数进行之外，可以看作是“从像素到像素”的复制操作。基于点运算的灰度变换可表示为：)],([),(yxfTyxg(2.10)其中T被称为灰度变换函数，它描述了输入灰度值和输出灰度值之间的转换关系。一旦灰度变换函数确定，该灰度变换就被完全确定下来。灰度变换包含的方法很多，如逆反处理、阈值变换、灰度拉伸、灰度切分、灰度级修正、动态范围调整等。虽然它们对图像的处理效果不同，但处理过程中都运用了点运算，通常可分为线性变换、分段线性变换、非线性变换。2.2.1线性变换假定原图像f(x,y)的灰度范围为[a,b]，变换后的图像g(x,y)的灰度范围线性的扩展至[c,d]，则对于图像中的任一点的灰度值P(x,y)，变换后为g(x,y)，其数学表达式如下所示[1]。cayxfyxgabcd]),([),((2.11)若图像中大部分像素的灰度级分布在区间[a,b]内，maxf为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令fyxfbdbyxfacayxfayxfocyxgabcdmax),(,),(]),([),(),((2.12)在曝光不足或过度的情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是一个模糊不清、似乎没有灰度层次的图像。采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果。2.2.2分段线性变换为了突出图像中感兴趣的目标或灰度区间，相对抑制不感兴趣的灰度区间，可采用分段线性变换，它将图像灰度区间分成两段乃至多段分别作线性变换。进行变换时，把0-255整个灰度值区间分为若干线段，每一个直线段都对应一个局部的线性变换关系。如图2.1所示，为二段线性变换，(a)为高值区拉伸，(b)为低值区拉伸[9]。图2.1二段线性变换2.2.3非线性变换非线性变换就是利用非线性变换函数对图像进行灰度变换，主要有指数变换、对数变换等。指数变换，是指输出图像的像素点的灰度值与对应的输入图像的像素灰度值之间满足指数关系，其一般公式为[1]：y)f(x,),(byxg(2.13)其中b为底数。为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，以改变变换曲线的初始位置和曲线的变化速率。这时的变换公式为：1),(]),([ayxfcbyxg(2.14)式中a，b，c都是可以选择的参数，当f(x,y)=a时，g(x,y)=0，此时指数曲线交于X轴，由此可见参数a决定了指数变换曲线的初始位置参数c决定了变换曲线的陡度，即决定曲线的变化速率。指数变换用于扩展高灰度区，一般适于过亮的图像。对数变换，是指输出图像的像素点的灰度值与对应的输入图像的像素灰度值之间为对数关系，其一般公式为：)],(lg[),(yxfyxg(2.15)其中lg表示以10为底，也可以选用自然对数ln。为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，这时的变换公式为：cbyxfayxgln]1),(ln[),((2.16)式中a，b，c都是可以选择的参数，式中f(x,y)+1是为了避免对0求对数，确保0]1),(ln[yxf。当f(x,y)=0时，0]1