基于模糊聚類算法的邊緣圖像增強(qiáng)技術(shù)

王惠平+鐘若武

摘 要： 通過(guò)邊緣圖像增強(qiáng)處理，提高模糊圖像的辨識(shí)能力和成像質(zhì)量。針對(duì)邊緣圖像像素差異性較大，導(dǎo)致成像質(zhì)量差的問(wèn)題，提出一種基于模糊聚類算法的邊緣圖像增強(qiáng)技術(shù)。對(duì)圖像進(jìn)行小波降噪處理，提取降噪輸出圖像的灰度直方圖特征信息參量，在仿射不變區(qū)域?qū)μ卣髁窟M(jìn)行模糊聚類，采用C均值聚類算法實(shí)現(xiàn)灰度像素點(diǎn)的邊緣聚斂和信息增強(qiáng)，進(jìn)行圖像的邊緣輪廓特征提取。仿真結(jié)果表明，采用該方法進(jìn)行圖像增強(qiáng)處理，提高了輸出圖像的峰值信噪比，圖像的辨識(shí)性能得到改善。

關(guān)鍵詞： 模糊聚類； 圖像增強(qiáng)； 邊緣輪廓； 特征提取

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0103?03

Abstract： The enhancement for edge image can improve the identification ability and imaging quality of fuzzy image. Since edge image has large pixel difference， which may cause the poor imaging quality， an edge image enhancement technology based on fuzzy clustering algorithm is put forward. The wavelet denoising is carried out for the image to extract the gray histogram feature information parameters of the denoised output image. The fuzzy clustering is conducted for the characteristic quantity in affine?invariant region. The C?means clustering algorithm is adopted to realize the edge convergence and information enhancement of the gray pixel points， and extract the edge contour feature of the image. The simulation results show that the method used for image enhancement can improve the peak signal?to?noise ratio of the output image and identification performance of the fuzzy image.

Keywords： fuzzy clustering； image enhancement； edge contour； feature extraction

圖像增強(qiáng)技術(shù)是圖像處理的重要研究分支，在航空航天、雷達(dá)識(shí)別、故障診斷和紅外探測(cè)等領(lǐng)域具有較高的應(yīng)用價(jià)值[1]。傳統(tǒng)方法不能有效地對(duì)成像質(zhì)量較差的模糊圖像進(jìn)行增強(qiáng)處理，對(duì)此，本文提出一種基于模糊聚類算法的邊緣圖像增強(qiáng)技術(shù)。首先進(jìn)行圖像降噪，然后進(jìn)行圖像的邊緣輪廓和像素特征提取，結(jié)合模糊聚類方法實(shí)現(xiàn)圖像分類和信息增強(qiáng)，最后進(jìn)行仿真分析，得出有效性結(jié)論。

1 圖像采集降噪預(yù)處理

1.1 邊緣圖像特征信息采集

為了實(shí)現(xiàn)對(duì)邊緣圖像增強(qiáng)，改善圖像質(zhì)量、豐富信息量，需要先對(duì)采集的模糊邊緣圖像進(jìn)行信息增強(qiáng)處理，根據(jù)空間主成分分析（KPCA）方法進(jìn)行像素特征匹配[2]，在仿射不變區(qū)域內(nèi)，得到模糊邊緣圖像的像素特征分布函數(shù)為：

式中，為以為模糊邊緣圖像在像素空間內(nèi)分布的模板值。在像素特點(diǎn)的匹配中心進(jìn)行模糊圖像的區(qū)域分割，采用尺度信息融合方法重構(gòu)像素點(diǎn)的空間分布區(qū)域，記為：

對(duì)表征模糊邊緣圖像結(jié)構(gòu)信息的幾何特征連續(xù)區(qū)域進(jìn)行幀掃描和角點(diǎn)匹配，采用Harris角點(diǎn)檢測(cè)方法，輸出圖像的角點(diǎn)F，公式表示如下：

基于線性仿射子空間變換，對(duì)模糊邊緣圖像的外觀輪廓進(jìn)行位置標(biāo)定[3]，得到邊緣圖像特征信息采集輸出表達(dá)式描述如下：

式中：是邊緣圖像在3×3區(qū)域模板中的像素配準(zhǔn)系數(shù)；為尺度偏移為的尺度融合參量，通過(guò)選擇來(lái)對(duì)模糊邊緣圖像的模板配準(zhǔn)尺度進(jìn)行自適應(yīng)調(diào)整，實(shí)現(xiàn)圖像信息采集。

1.2 圖像降噪處理

對(duì)圖像進(jìn)行小波降噪處理，提取降噪輸出圖像的灰度直方圖特征信息參量[4]，模糊邊緣圖像的小波降噪函數(shù)描述為：

2 圖像增強(qiáng)實(shí)現(xiàn)

2.1 模糊聚類算法

在圖像采集和降噪處理的基礎(chǔ)上，進(jìn)行圖像降噪設(shè)計(jì)，針對(duì)邊緣圖像像素差異性較大，導(dǎo)致成像質(zhì)量差的問(wèn)題，本文提出一種基于模糊聚類算法的邊緣圖像增強(qiáng)技術(shù)[5]，提取降噪輸出圖像的灰度直方圖特征信息參量為：

2.2 灰度像素點(diǎn)的邊緣聚斂和信息增強(qiáng)

采用C均值聚類算法實(shí)現(xiàn)灰度像素點(diǎn)的邊緣聚斂和信息增強(qiáng)，令分別為模糊邊緣圖像分布在軸和軸的像素屬性分布特征量，那么根據(jù)灰度直方圖分布的像素點(diǎn)，進(jìn)行尺度偏移修正，利用Radon尺度變換的幾何不變性[6]，得到模糊邊緣圖像的像素聚類中心矩陣為：

3 仿真實(shí)驗(yàn)分析

對(duì)圖像增強(qiáng)處理的仿真實(shí)驗(yàn)建立在Matlab 7仿真軟件平臺(tái)上，原始圖像采集的像素大小為269×409，RGB信息參量為（114，292，108），像移值，小波尺度為3，鎖光強(qiáng)度為12 dB。根據(jù)上述仿真參量設(shè)定進(jìn)行邊緣圖像增強(qiáng)分析，得到原始圖像如圖1所示。endprint

圖1給出的圖像受到光圈太小和曝光強(qiáng)度太低等因素的影響，導(dǎo)致成像視覺效果不好，需要進(jìn)行圖像增強(qiáng)處理，采用本文方法和傳統(tǒng)方法，得到圖像增強(qiáng)輸出如圖2所示。

分析圖2結(jié)果得知，本文方法進(jìn)行圖像增強(qiáng)，成像質(zhì)量最好，而SIFT方法存在大量的暗原色和模糊點(diǎn)，角點(diǎn)匹配方法輸出圖像的亮度太大，容易導(dǎo)致信息丟失。各種方法輸出圖像的峰值信噪比改善結(jié)果見表1。由表1得知，本文方法輸出圖像的峰值信噪比最高。

4 結(jié) 語(yǔ)

針對(duì)邊緣圖像像素差異性較大、成像質(zhì)量差的問(wèn)題，本文提出一種基于模糊聚類算法的邊緣圖像增強(qiáng)技術(shù)。對(duì)圖像進(jìn)行小波降噪處理，提取降噪輸出圖像的灰度直方圖特征信息參量，在仿射不變區(qū)域?qū)μ卣髁窟M(jìn)行模糊聚類，采用C均值聚類算法實(shí)現(xiàn)灰度像素點(diǎn)的邊緣聚斂和信息增強(qiáng)，進(jìn)行圖像的邊緣輪廓特征提取。研究得知，采用該方法進(jìn)行圖像增強(qiáng)處理，提高了輸出圖像的峰值信噪比，圖像成像質(zhì)量較好，視覺效果最佳。

參考文獻(xiàn)

[1] 陸興華.一種結(jié)合輻射特征的高效紅外目標(biāo)提取算法[J].激光與紅外，2016，46（5）：634?638.

[2] 張海艷，高尚兵.圖像分割中改進(jìn)空間約束貝葉斯網(wǎng)絡(luò)模型的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2017，37（3）：823?826.

[3] 張潔玉.基于圖像分塊的局部閾值二值化方法[J].計(jì)算機(jī)應(yīng)用，2017，37（3）：827?831.

[4] 張曉琳，張沖，楊濤.基于改進(jìn)布谷鳥算法的火焰圖像閾值分割算法[J].微電子學(xué)與計(jì)算機(jī)，2017，34（1）：66?70.

[5] WEN Y， LU Y， YAN J， et al. An algorithm for license plate recognition applied to intelligent transportation system [J]. IEEE transactions on intelligent transportation systems， 2011， 12（3）： 830?845.

[6] 張龍，喬鐵柱.一種紅外圖像的二值化分割算法研究[J].紅外技術(shù)，2014，36（8）：649?651.

[7] 王駿飛，黃樟燦，TALAB A M A.一種針對(duì)圖像細(xì)節(jié)優(yōu)化的BM二值化方法[J].武漢理工大學(xué)學(xué)報(bào)，2014，36（8）：127?132.

[8] 孟立娜，韓其睿.一種全局和局部相結(jié)合的二值化方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012，22（11）：116?119.endprint