一种图像增强方法与流程

本发明属于图像处理技术领域，具体涉及一种图像增强方法。

背景技术：

人类视觉系统(human visual system，HVS)在复杂光照的情况下依然可以通过一系列自适应调节机制正确的反应实物本身的颜色和细节。然而在环境光照不足或不均匀的情况下，相机等图像采集设备容易丢失图像细节特征，产生低对比度图像，难以满足人眼感知或后续图像处理的需要。传统的图像增强方法主要有包括对数变换、直方图均衡化、伽马变换等，这些方法在提高有用信息对比度的同时，也增强了无效信息的对比度，甚至丢失了部分细节。

SSR(Retinex)图像增强的主要目的是在保留原图像重要和有效信息的前提下降低或消除复杂光照的影响，从而产生高质量图像。但传统SSR(Retinex)理论假定图像像素点的入射分量是相同的，即光照平缓变化，但实际中，入射光分量是有差异的，因此SSR方法易在入射光变化强烈的地方产生“光晕”现象，模糊了图像的细节部分。由于小波变换具有低熵性、去相关性、多分辨率性和小波基选择多样性等其他工具难以比拟的优势，所以小波理论在图像增强中得到了广泛的使用。

尽管离散小波变换具有强大的功能，但仍存在以下缺点：(1)对数据敏感，(2)方向性差，(3)没有相空间信息。1998年Kingsbury提出了双树复小波变换(Dual-tree Complex Wavelet Transform，DTCWT)，该方法可以提供±15°，±45°，±75°六个信息描述方向。尽管如此，但仍存在方向不足的缺陷。2001年Selesnick提出了双密度小波变换(Double Density Discrete Wavelet Transform，DDDWT)，此方法具有近似平移不变性，完全重构性和有限冗余性等特点。与传统小波变换相比，双密度小波利用一个尺度函数和两个偏移0.5个单位的小波函数，每个方向有两个小波描述，增加了信息量，降低了对信号频移的敏感性。Selesnick又于2004综合了DTCWT和DDDWT的优点，提出了双密度双树复小波变换(Double Density Dual-Tree Complex Wavelet Transform，DD-DTCWT)，该算法具有抗混叠性、近似平移不变性和更多的方向选择性，成为广泛使用的多尺度分析工具。

技术实现要素：

本发明的目的在于克服上述现有技术的缺点，提供一种能够增强图像有用信息对比度，而且较好的保留图像的细节特征的图像增强方法。

本发明的目的是通过以下技术方案来实现的：

这种图像增强方法，包括如下步骤：

步骤一：获取待增强的图像I；

步骤二：对图像I进行双密度双树复小波变换，得到4幅低频图像I_a,I_b,I_c,I_d和32幅高频图像I₁,I₂,…I_i，其中i＝1,2…32；

步骤三：利用MSR算法对4幅低频图像进行处理得到I’_a,I’_b,I’_c,I’_d；

步骤四：利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I’₁,I’₂,I’₃…I’_i，其中i＝1,2…32；

步骤五：对结果图片进行逆小波变换得到增强图像R。

进一步的，上述步骤二中双密度双树复小波变换的过程具体为：

步骤1)：通过过采样技术得到两个尺度函数记为{φ_h(t),φ_g(t)}和四个小波函数{ψ_h,i(t),ψ_g,i(t)}，其中i＝1,2；t为时域内的时刻值；

同组的两个小波函数间相互偏离0.5个单位，得到函数：

ψ_h,1(t)＝ψ_h,2(t-0.5),ψ_g,1(t)＝ψ_g,2(t-0.5) (1)

不同组对应的小波函数之间形成近似希尔伯特变换对得到：

步骤2)：利用步骤1)中的两个尺度函数和四个小波函数得到一个复尺度函数和二个复小波函数，

φ(t)＝φ_h(t)+j(φ_g(t)) (3)；

ψ_i(t)＝ψ_h,i(t)+jψ_g,i(t) (4)

其中i＝1,2；

步骤3)：采用双树结构实现双密度双树复小波变换，得到4个低通子带图像和32个高通子带图像。

进一步的，上述步骤三中的MSR算法计算过程具体为：

步骤1)：将图像分为N块，其中图像第i个子块的局部图像熵为H_i，定义平均局部熵Q为：

定义图像局部对比度P为：

其中m_i为图像第i个子块的平均灰度值，为整个为图像平均灰度值；

步骤2)：定义权值w₁,w₂,w₃,为：

w₁＝(P+Q+1)/3,w₂＝(1-w₁)*2/3,w₃＝(1-w₁)/3 (7)；

将公式(5)和公式(6)代入公式(7)得到权值w₁,w₂,w₃,；

步骤3)：定义SSR的输出结果为：R_j(x,y)＝lg[I(x,y)-lg[F_j(x,y)×I(x,y)] (8)

其中：R_j(x,y)为SSR的输出结果；利用公式(8)对原图像进行三次不同尺度的单尺度SSR变换，得到R₁,R₂,R₃；

三次变换的具体取值，其中，标准差σ即为尺度参数；

步骤4)：定义MSR算法公式：

其中j＝1,…N，w为权值，R_MSR(x,y)表示MSR算法的输出结果,K＝3,K为尺度函数σ的总个数；将公式(7)和(8)代入公式(9)得到改进的MSR变换结果。

进一步，上述尺度参数σ取值为20，120，200。

进一步的，上述步骤四中贝叶斯阈值去噪法利用广义高斯分布的去建立模型，广义高斯分布的标准差估计公式为：

其中为标准差，N_j为小波系数中所有高频系数的个数，为相应子带小波系数的值；

为噪声方差，如果不能预先知道图像的噪声，选择采用中位估计式(11)来估计噪声的方法。

其中x(i,j)为高频子带HH_j中的通带系数。

定义δ_β为源图像方差估计，其计算公式如(12)

贝叶斯阈值的计算公式为：

其中T就为计算得到的贝叶斯阈值。

相对于现有技术，本发明的优点及效果为：

本发明提出一种图像增强方法，它结合了双密度双树复小波变换的近似平移不变性、良好的多分辨率性及更好的方向选择性，将图像分为4个低频图像和32个高频图像。然后应用MSR算法对低频图像进行处理，有效的增强图像的整体对比度并优化图像的视觉效果；应用贝叶斯滤波对32个高频图像进行处理，增强图像的边缘并抑制噪声。本发明提出的图像增强方法能够有效的提高低照度图像的对比度、信息熵，改善了图像的显示效果，并且能够较好的保留图像的细节特征的图像，为后续准确的进行图像处理奠定了基础。

附图说明

图1为本发明一级二维DDDTCWT变换示意图；

图2为低照度汽车图像的5种增强方法比较图；

图3为低照度下森林图像的5种增强方法比较图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1所示，本发明公开了一种图像增强方法，包括如下步骤：

步骤一：获取待增强的图像I；

步骤二：对图像I进行双密度双树复小波变换，得到4幅低频图像I_a,I_b,I_c,I_d和32幅高频图像I₁,I₂,…I_i，其中i＝1,2…32；步骤二中双密度双树复小波变换的过程具体为：

步骤1)：通过过采样技术得到两个尺度函数{φ_h(t),φ_g(t)}和四个小波函数{ψ_h,i(t),ψ_g,i(t)}，其中i＝1,2；t为时域内的时刻值；

同组的两个小波函数间相互偏离0.5个单位，得到函数：

ψ_h,1(t)＝ψ_h,2(t-0.5),ψ_g,1(t)＝ψ_g,2(t-0.5) (1)

不同组对应的小波函数之间形成近似希尔伯特变换对得到：

步骤2)：利用步骤1)中的两个尺度函数和四个小波函数得到一个复尺度函数和二个复小波函数，

φ(t)＝φ_h(t)+j(φ_g(t)) (3)；

ψ_i(t)＝ψ_h,i(t)+jψ_g,i(t) (4)

其中i＝1,2；

步骤3)：采用双树结构实现双密度双树复小波变换，得到4个低通子带图像和32个高通子带图像。

步骤三：利用改进MSR算法对4幅低频图像进行处理得到I’_a,I’_b,I’_c,I’_d；步骤三中的改进MSR算法计算过程具体为：

步骤1)：将图像分为N块，其中图像第i个子块的局部图像熵为H_i，定义平均局部熵Q为：

定义图像局部对比度P为：

其中m_i为图像第i个子块的平均灰度值，为整个为图像平均灰度值；

步骤2)：定义权值w₁,w₂,w₃,为：

w₁＝(P+Q+1)/3,w₂＝(1-w₁)*2/3,w₃＝(1-w₁)/3 (7)；

将公式(5)和公式(6)代入公式(7)得到权值w₁,w₂,w₃,；

步骤3)：定义SSR的输出结果为：R_j(x,y)＝lg[I(x,y)-lg[F_j(x,y)×I(x,y)] (8)其中：R_j(x,y)为SSR的输出结果；利用公式(8)对原图像进行三次不同尺度的单尺度SSR变换，得到R₁,R₂,R₃；

三次变换的具体取值，其中，标准差σ即为尺度参数，σ的大小对入射分量的估计有直接影响。当σ取值较小时，高斯模版较小，能够很好的实现动态范围压缩，影像偏暗的区域的边缘细节能够得到较好的增强，但是会出现颜色失真现象；当σ取值较大时。高斯模版较大，颜色保真效果较好，但是动态压缩能力和细节增强较差。单尺度Retinex算法无法在保证细节增强的同时实现颜色保真。

步骤4)：定义MSR算法公式：

(9)；

其中j＝1,…N，w为权值，R_MSR(x,y)表示MSR算法的输出结果，K＝3,K为尺度函数σ的总个数；将公式(7)和(8)代入公式(9)得到改进的MSR变换结果。

步骤四：利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I₁',I₂',I₃'…I'_i，其中i＝1,2…32；贝叶斯阈值去噪法利用广义高斯分布的去建立模型，广义高斯分布的标准差估计公式为：

其中为标准差，N_j为小波系数中所有高频系数的个数，为相应子带小波系数的值；

为噪声方差，如果不能预先知道图像的噪声，选择采用中位估计式(11)来估计噪声的方法。

其中x(i,j)为高频子带HH_j中的通带系数。

定义δ_β为源图像方差估计，其计算公式如(12)

贝叶斯阈值的计算公式为：

其中T就为计算得到的贝叶斯阈值。

由公式(12)得到噪声的阈值，然后遍历图像，当图像某点的灰度值大于T时，认为该点为噪声，将该点的灰度值置为0；

步骤五：对结果图片进行逆小波变换得到增强图像R。

本发明针对Retinex算法的特点及不足，结合小波变换的优点，提出一种基于双密度双树复小波变换的Retinex图像增强算法。将该算法与当前典型的Retinex图像增强算法相比，实验分析结果表明，经该算法增强后的图像，其性能指标均有不同程度的改善，不仅增强了有用信息对比度，而且较好的保留了图像的细节特征。

1.本发明中双密度双树复小波变换利用两个不同的尺度函数{φ_h(t),φ_g(t)}和四个不同的小波函数{ψ_h,i(t),ψ_g,i(t)}(i＝1,2)，通过过采样技术实现。同组的两个小波函数间相互偏离0.5个单位，即

ψ_h,1(t)＝ψ_h,2(t-0.5),ψ_g,1(t)＝ψ_g,2(t-0.5) (1)

不同组的对应小波函数之间形成近似希尔伯特(Hilbert)变换对，即

双密度双树复小波变换满足双密度小波变换和双树复小波变换的条件，利用上述两个尺度函数和四个小波函数构成了一个复尺度函数和二个复小波函数，即

φ(t)＝φ_h(t)+j(φ_g(t)) (3)；

ψ_i(t)＝ψ_h,i(t)+jψ_g,i(t) (4)

采用双树结构(树A和树B)实现双密度双树复小波变换。在实际应用中，通过对图像并行使用4个二维DDDWT(双密度小波变换)来实现二维DDDTCWT(双密度双树复小波变换)，且对图像的行和列采用不同的滤波器组。不同方向子带系数进行和、差运算得到32个小波系数(分为16个实部和16个虚部)。如图1所示，为二维DDDTCWT(双密度双树复小波变换)的变换示意图。分别对应为4个低通子带图像和32个高通子带图像。

2.本发明的图像低频分量的Retinex增强法，对于得到的4个低通子带图像，提出一种改进的多尺度Retinex变换方法。该方法同基本多尺度Retinex算法类似，通过高斯滤波估计入射光分量，比起单尺度Retinex变换，具有大范围动态压缩与颜色恒常的特性，比起传统多尺度Retinex变换，具有更好的颜色保真性。该算法力图在细节增强和颜色保真之间寻找平衡点，在保留有效信息的同时，尽可能避免颜色失真。传统MSR算法就相当于将多个单尺度SSR(Retinex)算法进行线性加权组合。即

R_j(x,y)＝lg[I(x,y)-lg[F_j(x,y)×I(x,y)] (8)

在上式中，W为权值，R_MSR(x,y)表示MSR算法的输出结果；R_j(x,y)为SSR的输出结果，K为尺度函数σ的总个数，常取K＝3。W_j为第j个环绕函数相关权重因子，传统Retinex满足常取本发明提出一种新的自适应的权值计算方法，其原理如下：

设图像被分为N块，H_i为图像第i个子块的局部图像熵，则定义平均局部熵Q

设m_i为图像第i个子块的平均灰度值，整个为图像平均灰度值，则定义局部对比度为P

其中，N为图像的分块总数量，m_l是第l个子分块的平均亮度值，为图像的全局平均亮度值。

最后定义权值w₁,w₂,w₃,为

w₁＝(P+Q+1)/3,w₂＝(1-w₁)*2/3,w₃＝(1-w₁)/3 (7)

因此改进的Retinex算法计算过程如下：

1)利用公式5，计算图像平均局部熵Q

2)利用公式6，计算图像局部对比度P

3)利用公式7，计算自适应权值系数

4)利用公式8对原图像进行三次不同尺度的单尺度Retinex变换。变换结果分别记为R₁,R₂,R₃

5)利用公式9，计算出改进的Retinex变换结果

3.本发明的图像高频分量的贝叶斯阈值去噪法，贝叶斯阈值法是一种利用先验分布等信息来求最佳阈值的一种方法，这种方法假设不同尺度和不同子带的小波系数都服从广义高斯分布，设小波系数为则其系数矩阵可以通过广义高斯分布来表示，其广义分布的标准差为：

广义高斯分布的标准差估计公式为：

其中为标准差，N_j为小波系数中所有高频系数的个数，为相应子带小波系数的值；

由此，各小波系数依据其子带特性被自适应的阈值化。

定义为噪声方差，如果不能预先知道图像的噪声，选择采用中位估计式(11)来估计噪声的方法。

其中x(i,j)为高频子带HH_j中的通带系数。

定义δ_β为源图像方差估计，其计算公式如(12)

贝叶斯阈值的计算公式为：

其中T就为计算得到的贝叶斯阈值。

4.融合DDDTCWT与Retinex图像增强算法的实现

采用1级DDDTCWT对原始图像进行小波分析，对得到的低频分量采用多尺度的Retinex，高频分量采用高斯滤波综合上面的内容。

5.实验结果与对比分析

主观评价结果与对比，如图2，图3所示，其中图2和图3中图a表示原始图片、图b表示直方图均衡化、图c表示用SSR算法得到的图片、图d表示用MSR算法的到的图片、图e表示同态滤波的到的图片、图f表示通过本文方法得到的图片，采用上述提出的融合DDDTCWT与Retinex的图像增强方法对大量低照度的图像进行了增强处理实验，对得到的增强图像依据对比度、信息熵两个个方面进行定量评价。为了进行比较和分析，同时给出了直方图均衡化方法、同态滤波法、SSR方法和MSR方法的增强结果和定量评价结果。实验的结果表明，本文提出的增强方法能很好的提高图像的对比度，增强视觉效果，渐少光晕的产生并保留了图像的细节。

客观评价结果与对比，表1和表2为图像增强前后的图像信息熵、峰值信噪比的实验结果。

从表1可以看出各种增强算法的不同信息熵对比。直方图均衡化的信息熵低于原图。SSR方法和MSR方法略高于原图。同态滤波方法与原图像相比，有了一定的提升，但易受原图像影响，在不同原图像时变化较大。而本文算法所得图像信息熵均优于前述四种方法，本方法在图像偏暗时对信息熵提高了12.1％，在图像亮暗分明时提高了7％。

表1不同增强方法的图像信息熵对比

从表2可以看出各种增强方法在图像峰值信噪比方面的对比。直方图均衡化方法略优于SSR和MSR方法。同态滤波方法在图像提供了较大的峰值信噪比，但牺牲了对比度。而本发明提供的算法，在提高图像峰值信噪比的同时，提高了图像的对比度，对于后续图像的识别提供了良好的铺垫。

表2不同增强方法的图像峰值信噪比对比

本发明提出的图像增强方法融合了双密度双树复小波变换和Retinex变换。它结合了双密度双树复小波变换的近似平移不变性、良好的多分辨率性及更好的方向选择性，将图像分为4个低频图像和32个高频图像。然后应用MSR算法对低频图像进行处理，有效的增强图像的整体对比度并优化图像的视觉效果；应用高斯滤波对32个高频图像进行处理，增强图像的边缘并抑制噪声。利用大量低对比度的自然进行实验，并与直方图均衡化法、同态滤波法、SSR方法和MSR方法进行了比较。结果表明：提出的增强方法能够有效的提高低照度图像的对比度、信息熵，改善了图像的显示效果，为后续准确的进行图像处理奠定了基础。