一種基于非抽樣contourlet變換的圖像增強方法

李 誠，駱 且，杜宇人

（揚州大學(xué)信息工程學(xué)院，江蘇 揚州225127）

為了保證橡膠形變檢測的精度，前期須對圖像進行增強處理．傳統(tǒng)的圖像增強算法如直方圖均衡算法［1］、高斯濾波［2］，小波變換［3－4］、基于contourlet變換［5］等缺乏平移不變性，會產(chǎn)生吉布斯失真，且其中小波變換只能對各向同性圖像有較好的增強效果，而對于邊緣較多或線性特征的圖像增強效果并不理想．非抽樣contourlet變換［6－7］由于引入了方向濾波器組而具有多方向選擇性，能夠有效地抑制噪聲．對于橡膠圖像而言，有效區(qū)分目標和背景的亮度可以達到圖像增強的目的，針對這一特殊性，如采用RGB模型進行圖像增強則難以控制其色調(diào)信息，而HSV 模型能體現(xiàn)人的主觀視覺，同時便于計算機進行圖像處理；因此，本文在傳統(tǒng)圖像增強方法的基礎(chǔ)上，提出一種非抽樣contourlet變換和HSV 模型相結(jié)合的圖像增強方法．

1 非抽樣contourlet變換

圖1 NSCT分解結(jié)構(gòu)示意圖Fig．1 The nonsubsampled contourlet transform

Contourlet變換中的拉普拉斯金字塔和方向濾波器組雖然能夠上下采樣，但不具有平移不變性，還會導(dǎo)致吉布斯現(xiàn)象［8］，然而在此基礎(chǔ)上改進得到的非抽樣contourlet 變換

（nonsubsampled contourlet transform，NSCT）則具有平移不變性，能夠有效地抑制噪聲，其分解結(jié)構(gòu)如圖1所示．由 圖1可見，圖像的能量主要集中在低頻分量中，噪聲和細節(jié)信息集中在高頻分量中，因此對圖像的V 分量采用NSCT 分解后的系數(shù)進行處理可以有效提高其對比度．

2 本文改進的算法

2．1 HSV模型

HSV 模型由色度（H）、飽和度（S）和亮度（V）3個分量組成［9］．HSV 模型的優(yōu)點在于消除了V 分量與顏色信息的聯(lián)系，同時H 分量和S 分量可由人眼視覺系統(tǒng)中的錐狀細胞分辨出．圖2為橡膠實驗圖像的HSV 分解結(jié)果．

圖2 橡膠圖像的HSV分解Fig．2 The decomposition of rubber image in the model of HSV

2．2 基于NSCT的圖像增強改進算法

人眼視覺特性一般由復(fù)合模型、高斯模型、指數(shù)模型和Barten模型［10］表征，Barten模型中人眼的調(diào)制傳遞函數(shù)（modulation transfer function，MTF）表示為

其中a＝440（1＋0．7／L）－0．2，b＝0．3（1＋100／L）0．15，c＝0．06，f 為頻率，L 為顯示屏的平均亮度，本文取L＝200cd·m－2．對V 分量作非抽樣變換并針對亮度信息加以調(diào)整，對系數(shù)采用Barten模型進行濾波處理．將S 分量進行非線性變換，因S 分量較暗，故采用對數(shù)變換拉伸低灰度區(qū)，增強人眼的視覺效果，最后將結(jié)果返回到RGB彩色空間．對數(shù)變換后圖像S 分量為

本文取k＝1．

設(shè)（r，g，b）是顏色的紅、綠、藍坐標，r，g，b取值范圍都是［0，255］；h為色調(diào)角，h∈［0，360°）；s，v為飽和度和亮度，s，v∈［0，1］．在RGB顏色空間中的一點（r，g，b）可以通過式（3）～（5）轉(zhuǎn)換成相應(yīng)的HSV 坐標（h，s，v）：

顏色空間從HSV 到RGB的轉(zhuǎn)換可由式（6）～（11）實現(xiàn)：

本文算法步驟如下：

1）利用轉(zhuǎn)換公式（3）～（5）將原始圖像從RGB空間轉(zhuǎn)換到HSV 空間；

2）對V 分量作非抽樣contourlet變換，根據(jù)式（1）處理低頻系數(shù)和高頻系數(shù)，在頻率域達到增強細節(jié)、改善圖像亮度動態(tài)范圍的效果，然后重建V 分量；

3）利用式（2）對S 分量進行非線性變換；

4）對S 分量和V 分量作歸一化處理，取值區(qū)間確定為［0，1］，最后利用轉(zhuǎn)換公式（6）～（11）將增強的圖像從HSV 空間轉(zhuǎn)換回RGB空間．

3 結(jié)果與分析

對240×400像素的杯蓋圖像和2組2 848×2 136像素的橡膠圖像分別采用小波變換、直方圖均衡化和本文算法進行實驗對比分析，結(jié)果如圖3～4所示．

圖3 杯蓋圖像的3種增強算法效果對比Fig．3 The comparison of three kinds of enhancement algorithms with bowl cover

圖4 橡膠圖像的3種算法增強效果對比Fig．4 The comparison of three kinds of enhancement algorithms with rubber

同時引入信噪比Rsn［11］進行定量評價：

實驗結(jié)果表明：本文算法的對比度、亮度和飽和度均高于小波變換和直方圖均衡化算法，圖像的紋理和邊緣更加清晰，視覺效果好，去噪性能強．

表1 3種增強算法的信噪比Tab．1 The signal－to－noise ratio of various algorithm

［1］ CHENG H D，SHI X J．A simple and effective histogram equalization approach to image enhancement［J］．Digital Signal Process，2004，14（2）：158－170．

［2］ KN?USL B，RAUSCH I F，BERGMANN H，et al．Influence of PET reconstruction parameters on the TrueX algorithm：a combined phantom and patient study［J］．Nuklearmedizin，2013，52（1）：28－35．

［3］ PATIDAR S，PACHORI R B．Segmentation of cardiac sound signals by removing murmurs using constrained tunable－Q wavelet transform［J］．Biomed Signal Process Control，2013，8（6）：559－567．

［4］ VAFAEI M，ADNAN A B．Seismic damage detection of tall airport traffic control towers using wavelet analysis［J］．Struct Infrastruct Eng，2014，10（1）：106－127．

［5］ LIU Gang，LIU Jing，WANG Quan，et al．The translation invariant wavelet－based contourlet transform for image denoising［J］．J Multimedia，2012，7（3）：254－261．

［6］ YUE Chunyu，JIANG Wanshou．SAR image denoising in nonsubsampled contourlet transform domain based on maximum a posteriori and non－local constraint［J］．Remote Sens Lett，2013，4（3）：270－278．

［7］ RODRIGUEZ－SáNCHEZ R，GARCíA J A，F(xiàn)DEZ－VALDIVIA J．Image inpainting with nonsubsampled contourlet transform［J］．Pattern Recognit Lett，2013，34（13）：1508－1518．

［8］ 李艷，杜宇人，沈鑫．基于非抽樣contourlet變換的圖像增強方法［J］．揚州大學(xué)學(xué)報：自然科學(xué)版，2011，14（4）：47－51．

［9］ 吳震宇，杜宇人，師文，等．一種基于模糊熵的水凝膠圖像分割算法［J］．揚州大學(xué)學(xué)報：自然科學(xué)版，2010，13（2）：65－69．

［10］ 周燕，金偉其．人眼視覺的傳遞特性及模型［J］．光學(xué)技術(shù)：2002，28（1）：57－59，62．

［11］ REDLER G，EPEL B，HALPERN H J．Principal component analysis enhances SNR for dynamic electron paramagnetic resonance oxygen imaging of cycling hypoxia in vivo［J］．Magn Reson Med，2014，71（1）：440－450．