一种双域分解的矿井下含噪声图像的增强方法与流程

本发明属于图像处理技术领域，具体涉及一种双域分解的矿井下含噪声图像的增强方法。

背景技术：

随着智慧矿山发展步伐的加快，各种图像识别技术不断向矿井下延伸，但矿井下成像环境差、电磁干扰多、导致采集图像对比度低其富含噪声，矿井图像增强与噪声抑制成为矿井图像识别及应用需要解决的首要问题。

目前图像增强常用算法有：直方图均衡化、直方图规定化、基于物理模型图像增强算法、基于偏微分方程和变分的图像增强算法以及变化域图像增强算法。

直方图均衡化使图像灰度值占据所有可能灰度级，并使均衡化的直方图分布均匀，提高图像对比度、提升图像亮度。直方图规定化则使图像直方图分布变换为所希望的分布。直方图规定化与均衡化算法相似，都具有简单高效的特点，但是，直方图变换时，会引起噪声的放大，因此，不能胜任噪声图像的增强。

基于物理模型的增强算法是依据图像模型，利用算法剔除模型中的图像扰动成分，实现图像的增强，算法具有明确的物理意义。其中，retinex模型将图像表述为反射分量和照度分量的乘积，反射分量表征物体的固有颜色特性，照度分量表征环境的亮度分量。基于retinex理论的图像增强算法是从原始图像中剔除模型中的照度分量，求解成像物固有颜色特征的反射分量，实现图像增强，该类算法增强图像对比度与亮度的性能优异。但是，retinex增强算法因无法识别与反射分量同处于高频段的噪声，致使其也不能很好胜任噪声图像的增强。

基于偏微分方程和变分的图像增强算法是根据某一图像模型，设计不同的约束条件，对模型优化求解，实现图像增强。该类算法随着约束条件的不同，增强效果也不同，部分增强算法具有一定的抑制噪声的能力，但是，该类算法需要迭代求解，算法复杂，也无法很好胜任矿井含噪声图像的增强。

变换域图像增强算法是将图像分解为变换域不同频率和方向上的分解系数，加强不同尺度的分解系数，利用加强的分解系数重构出增强图像，实现对比度提高与细节特征突显。相比上述其他类型增强算法，变换域图像增强算法分离、抑制噪声有独特优势，但是，变换域图像增强算法在提升图像对比度与亮度方面性能较弱，而矿井下成像环境差，图像对比度低，矿井下图像增强算法必须具有强有力的提高对比度的能力。

鉴于上述情况，我们发明了一种双域分解的矿井下含噪声图像的增强方法。该方法综合了retinex图像增强方法提高图像对比度的能力和非下采样剪切波变换(non-subsampledshearlettransform,nsst)近似最优稀疏表达高维函数分离噪声的优势，解耦实现了矿井下图像对比提高与噪声抑制，达到增强矿井下含噪声图像的目的。

技术实现要素：

为提高矿井下含噪声图像的可观测性，本发明利用空域均值滤波器分层噪声图像，实现决定图像对比度的基础层和包含图像纹理细节、噪声的细节层解耦，消除提高图像对比度时噪声的干扰，排除抑制噪声对提高对比度的影响，解耦实现矿井下噪声图像对比提高与噪声抑制。

为达到上述目的，本发明采取的技术方案为：一种双域分解的矿井下含噪声图像的增强方法，所述方法包括如下步骤：

步骤一：图像的空域分解：利用空域高斯滤波器将矿井下含噪声图像的三个颜色通道f^c,c∈{r,g,b}，分层，高斯滤波器的输出为基础层原噪声图像与基础层的差值图像为细节层基础层据定了图像的整体对比度，细节层包含了原图像的纹理细节与噪声；

步骤二：基础层增强：根据retienex模型，计算基础层的最大亮通道，即计算三个颜色通道的最大值，将最大亮通道值作为retienex模型的光照分量lbase，除以光照分量，得到增强基础层图像

步骤三：细节层的非下采样剪切波变换降噪：利用非下采样剪切波变换将细节层c∈{r,g,b}分解，得到的分解系数矩阵c∈{r,g,b},j＝1,2,…,j,s＝1,2,…,sj，j为最大分解尺度数，sj为j尺度对应的最大方向数，阈值收缩得到抑制噪声的系数矩阵对实施非下采样剪切波逆变换，重构出噪声抑制的细节层除以lbase得到噪声抑制增强细节层

步骤四：层图像融合：将噪声抑制增强细节层乘以细节加强因子λ,λ≥1加上得到融合增强图像利用gamma变换微调得到最终增强图像

进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤一中，高斯滤波的高斯核函数为其中，σ为高斯核函数的方差。

r,g,b通道基础层图像由输入矿井下噪声图像与高斯核函数卷积得出，则细节层图像由输入图像与基础层相减得出：

式中，*表示卷积运算f^c、分别表示各通道对应的输入矿井噪声图像、基础层图像和细节层图像，c∈{r,g,b}代表彩色图像的三个颜色通道。

进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤二中，基础层c∈{r,g,b}的最大亮通道作为retinex模型的照度分量估计值，其中，ε是防止lbase为零的小正数，则基础层的增强图像由retinex模型得出：

进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤三中，为便于表述，定义符号tnsst()表示nsst变换，则细节层分解系数集合由细节层图像经nsst分解得出：

式中，j为最大分解尺度数，sj为j尺度对应的最大方向数。

根据细节层分解系数抑制噪声的细节层分解系数通过硬阈值收缩得出：

式中，kj表示尺度j对应的阈值系数，σ^c表示噪声标准差，由小波噪声经验估计公式估计得出，使用symlets小波系的sym4小波对细节层图像进行一次分解，使用对角细节小波系数的中位数估计噪声标准差σ^c:

式中，|·|是取绝对值操作符，median(·)表示取中位数操作。表示蒙特卡洛方法(montecarlomethod)联合小波噪声经验公式得到的不同尺度j与方向滤波器s对应的分解系数矩阵方差估计。计算过程：首先，利用伪随机算法生成大小与相同的单位标准方差噪声图像noise1；然后，利用atrous小波以nsst分解的尺度数与方向滤波器数分解noise1；最后，利用小波噪声经验公式估计noise1各分解系数的噪声方差

根据由nsst逆变换重构出抑制噪声增强细节层由除以lbase得出：

式中，表示nsst逆变换。

进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤四中，层融合增强图像由和按融合公式λ≥1获得，最终增强图像由gamma校正得出：

式中，和表示的最小值和最大值。

本发明的有益效果为：针对矿井下噪声图像增强时，对比度提高与噪声抑制的矛盾，提出使用空域高斯滤波器分层分解图像，实现图像对比度提高和噪声抑制的解耦；根据retinex模型增强基础层图像，提高基础层图像的对比度；使用nsst近似最优稀疏表达高维函数的优势，稀疏表达细节层图像，通过阈值收缩nsst的分解系数，实现细节层噪声抑制；融合处理后的基础层与细节层图像达到整体图像对比度提高与噪声抑制的目的。

附图说明

图1双域分解矿井下噪声图像的增强框架。

具体实施方式

下面结合附图和实施实例对本发明进行详细说明。

一种双域分解的矿井下含噪声图像的增强方法，包括如下步骤：

第一步：输入图像r、g、b通道分层分解

如图1所示，使用高斯滤波器将输入图像按r、g、b三通道分层分解，所述高斯滤波器为空域平滑滤波器，高斯滤波器的高斯核函数的模板大小为15×15，方差为3。“图像r、g、b通道分层分解”虚线框中，基础层r、g、b通道图像由输入图像f^c,c∈{r,g,b}与高斯核函数卷积得出，细节层r、g、b通道图像由f^c,c∈{r,g,b}减去得出，即：

第二步：基础层r、g、b通道增强

如图1所示，“基础层r、g、b通道增强”虚线框中，依据高斯滤波器分层分解得到的取的r、g、b通道最大值作为retinex的照度分量：ε是一个不等零的小正数，作用是防止lbase为零。根据retinex模型：可知，基础层的增强图像可由除以lbase获得，即：

第三步：细节层r、g、b通道降噪

如图1所示，“细节层r、g、b通道降噪”虚线框中，依据分层分解得到的细节层图像nsst采用4个尺度，相应的方向滤波器数为8、8、16、16分解细节层r、g、b通道图像，得到c∈{r,g,b}的分解系数集合采用0、3.1、3.1和4的阈值系数硬阈值收缩得到噪声抑制的分解系数集合其中，噪声标准差σ^c，由小波噪声经验估计公式估计得出c∈{r,g,b}，细节层分解系数矩阵的方差由蒙特卡洛方法估计得出，计算过程：首先，利用伪随机算法生成大小与相同的单位标准方差噪声图像noise1；然后，利用atrous小波以nsst分解的尺度数与方向滤波器数分解noise1；最后，利用小波噪声经验公式估计noise1各分解系数的噪声方差之后，对实施nsst逆变换得到噪声抑制的细节层最后，按照基础层的增强比例，增强噪声抑制的细节层即除以lbase得出抑制噪声增强细节层即：

第四步：

如图1所示，“分层r、g、b图像融合”虚线框中，使用增强的基础层和抑制噪声增强细节层根据层图像的融合规则：细节加强系数λ＝1.4，获得层融合增强图像对实施gamma变换，获得最终增强图像即：