基于非銳化掩模與Beta變換的圖像增強研究

王仕女 孫文勝

摘 要：針對現(xiàn)有對比度變換圖像增強方法細節(jié)處理不足，經(jīng)典窮舉法和各種生物智能優(yōu)化算法求取非完全Beta函數(shù)參數(shù)存在算法效率不高、易陷入局部最優(yōu)的缺陷，提出一種利用非銳化掩膜局部細節(jié)提升能力和Beta變換全局對比度拉伸能力，簡便快速且細節(jié)豐富的圖像增強方法。使用不同灰度分布圖進行仿真實驗，結(jié)果表明該算法得到的增強圖像直方圖分布均勻、細節(jié)豐富且過渡自然平緩，算法效率高。

關(guān)鍵詞：圖像增強;非銳化掩模;雙邊濾波;非完全Beta函數(shù);細節(jié)融合

DOI：10. 11907/rjdk. 182625 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP317.4 文獻標(biāo)識碼：A 文章編號：1672-7800（2019）009-0207-04

Image Enhancement Based on Unsharp Mask and Beta Transform

WANG Shi-nv，SUN Wen-sheng

（Communication Engineering College， Hangzhou Dianzi University， Hangzhou 310018， China）

Abstract： Aiming at the shortcomings of the existing contrast-converted image enhancement method in detail processing， the insufficiency of the algorithm for solving the incomplete Beta function parameters for the classical exhaustive method and various bio-intelligence optimization algorithms is easy and the strong tendency to fall into the local optimum， a simple， fast and detailed image enhancement method using the unsharp mask local detail lifting ability and the Beta transform global contrast stretching ability is proposed. Simulation experiments using different grayscale maps show that the proposed algorithm has high efficiency， and the obtained enhanced histograms are evenly distributed， with rich details and smooth transition.

Key Words： image enhancement; unsharp mask; bilateral filtering; incomplete Beta function; detail fusion

0 引言

由于設(shè)備和環(huán)境等影響，圖像在獲取過程中極有可能出現(xiàn)灰度集中、整體偏暗或偏亮問題，導(dǎo)致景物信息丟失或邊界輪廓不清，對后續(xù)圖像分析和識別造成影響。圖像增強是圖像預(yù)處理的必要步驟，對比度變換（Contrast Transform）是其中應(yīng)用較為普遍的方法之一，包括線性拉伸、直方圖均衡化、Gamma變換等常用方法，其主要作用是拉伸全局對比度[1]，但存在圖像細節(jié)改善不足問題[2]。在灰度圖像空間域增強基礎(chǔ)上，Tubbs[3]提出了一種能完全涵蓋典型變換函數(shù)的非完全Beta函數(shù)，增加了灰度轉(zhuǎn)換公式的機動性，在圖像增強領(lǐng)域得到了廣泛應(yīng)用[4]。其中對于非完全Beta函數(shù)參數(shù)的確定較為關(guān)鍵。當(dāng)前對Beta函數(shù)參數(shù)的確定主要是傳統(tǒng)的窮舉法和各種仿生智能優(yōu)化算法。窮舉法算法效率極低，因而出現(xiàn)了各種結(jié)合優(yōu)化算法，包括粒子群算法、遺傳算法、混合蛙跳等;由于傳統(tǒng)方法對非完全Beta函數(shù)參數(shù)選取過程耗時過長，黃小榮、李林宜等 [5-7]分別提出使用遺傳算法、粒子群優(yōu)化算法不斷迭代優(yōu)化求取參數(shù)，混沌蛙跳，人工魚群算法等[8-10]也被提出用于圖像增強優(yōu)化;葉志偉等[11]利用新型的仿生智能算法杜鵑搜索算法更強的尋優(yōu)能力，提升了搜索參數(shù)的速度和精度;李宗妮等[12]利用蟻獅優(yōu)化算法，通過螞蟻的隨機游走實現(xiàn)空間搜索，提升了尋優(yōu)精度。上述方法都對傳統(tǒng)方法有一定改善，但由于優(yōu)化算法本身不斷迭代，不可避免存在算法速度上的限制，同時由于變換函數(shù)拉伸全局對比度而忽略了細節(jié)的保留。針對對比度變換法的缺陷，楊有等[13]對限制對比度自適應(yīng)直方圖均衡采用Lee濾波器進行局部細節(jié)增強，在一定程度上提升了細節(jié)。

本文針對以上算法存在的問題，對整體偏暗或偏亮圖像提出一種快速的估計非完全Beta函數(shù)參數(shù)公式，利用非銳化掩膜提取多維細節(jié)層，結(jié)合非銳化掩膜的局部細節(jié)保留能力和Beta函數(shù)全局對比度提升能力，達到簡便快速增強豐富的圖像細節(jié)效果。

1 非完全Beta函數(shù)

圖像全局增強用于提升圖像對比度，在空間對比度增強中對像素進行非線性操作，使其分布在所需強度等級范圍內(nèi)。全局對比度拉伸方法常見的有直方圖均衡（HE）[14-16]、對比度受限自適應(yīng)直方圖均衡（CLAHE）、離散余弦變換（DCT）、自適應(yīng)逆雙曲正切函數(shù)變換等，而Tubbs[3]提出的歸一化非完全Beta函數(shù)基本能完美擬合各種類型非線性轉(zhuǎn)換曲線，在圖像增強上表現(xiàn)出極大的靈活性。

該函數(shù)滿足[0F（u）1] 且為單調(diào)遞增的單值函數(shù)，能擬合各類非線性變換曲線，滿足作為對比度變換函數(shù)的必要條件。[α]和[β]的取值控制變換曲線的形狀，不同的[α，β]值可得到不同類型的變換曲線，如圖1所示。

針對當(dāng)前各種生物仿生算法求解非完全Beta函數(shù)參數(shù)時存在算法效率低、容易陷入局部最優(yōu)解的問題，提出一種快速簡便、穩(wěn)定，對比度拉伸效果自然的參數(shù)估計方法。針對整體過暗或過亮的圖像，本文提出一種大致估計參數(shù)[α，β]公式：

其中，[μ]為圖像像素均值，[γ，η]為控制調(diào)整范圍參數(shù)且滿足[0<γ<1]，[1<η<10]，該參數(shù)估計既能直接作為Beta函數(shù)灰度變換的參數(shù)，也可作為群體智能優(yōu)化算法的初始化參數(shù)估計，用于加快智能優(yōu)化算法的收斂速度，避免陷入局部最優(yōu)解。

2 反銳化掩膜

反銳化掩模（UnSharp Masking，UM）算法最開始運用于拍攝，以達到增強圖像邊緣細節(jié)的目的。經(jīng)典攝影學(xué)實操就是在底片上附加散焦負(fù)片與聚焦正片，從而提升高頻細節(jié)輪廓部分，其中的散焦負(fù)片等同于模糊（反銳化）模板，故取名反銳化掩模法。將該方法應(yīng)用到軟件圖像處理上，就是將原圖像進行模糊預(yù)處理（相當(dāng)于采用低通濾波，高頻成份受到抑制）后與原圖相減得模糊模板，乘以調(diào)節(jié)因子權(quán)重疊加到原圖上，從而提升圖像高頻信息，加強圖像輪廓細節(jié)[17-18]。

針對全局方法由于整體拉伸而造成忽略細節(jié)信息的缺陷，考慮引入局部增強獲取圖像微小細節(jié)。細節(jié)信息通常通過梯度信息體現(xiàn)，能保留和增強圖像有用信息。這里采用的局部增強方法是反銳化掩模[19]，在此方法中，通過從原始圖像中減去模糊或平滑圖像達到銳化圖像的目的，計算表達式如下：

傳統(tǒng)反銳化掩膜算法中，平滑圖像通常采用高斯低通濾波獲得，但原始圖像與提取的細節(jié)層疊加后，在圖像邊緣銳利塊可能會由于突兀跳變而造成過沖和欠沖，從而在圖像亮暗邊緣出現(xiàn)光暈現(xiàn)象，同時可能放大圖像噪聲。為避免該問題，本文考慮用帶邊緣保持的雙邊濾波器[20]替代普通高斯濾波獲取細節(jié)層，雙邊濾波同時考慮周圍空間距離和灰度相似性。越相似的鄰域像素權(quán)重越大，由此濾除平坦區(qū)域的高頻噪聲，修補缺失，增強細節(jié)以及邊緣區(qū)域。雙邊濾波公式如下：

3 圖像增強

利用非銳化掩膜算法提取高頻信息獲取細節(jié)、Beta變換整體對比度拉伸的特性，將非完全Beta變換作為全局增強方法、非銳化掩膜算法作為局部提升方法，結(jié)合兩者優(yōu)勢，彌補兩者不足，本文提出一種快速的、對比度拉伸自然、細節(jié)提升的圖像增強方法。算法流程如圖2所示。

4 實驗結(jié)果及分析

為證明本文提出算法的有效性，選用不同灰度分布的圖像與常見對比度拉伸算法和智能優(yōu)化的Beta函數(shù)圖像增強方法進行比較實驗。圖3（a）和圖4（a）為兩幅具有不同灰度分布的原始圖片，分別稱為紀(jì)念碑和合影，紀(jì)念碑整體偏亮，合影整體偏暗。表1給出兩幅圖像根據(jù)參數(shù)估計公式計算的[α，β]值，圖3和圖4分別為直方圖均衡、遺傳算法優(yōu)化的Beta變換和本文提出方法的增強效果。

從直觀的視覺感知分析可知：直方圖均衡部分灰度被拉伸后出現(xiàn)灰度取值跳躍，相鄰像素值不連續(xù)導(dǎo)致圖像整體不自然，如紀(jì)念碑的上部和階梯出現(xiàn)明顯顆粒感;遺傳算法優(yōu)化的Beta變換，由于以均方差作為優(yōu)化目標(biāo)函數(shù)不斷進行迭代，導(dǎo)致圖像對比度不自然的過分增強，圖像明暗過渡較明顯，如紀(jì)念碑石柱和墻壁門的對比，石柱顏色過白而里面的墻壁和門過增強甚至沒入黑暗，原窗戶的細節(jié)基本丟失。合照對角線右側(cè)色彩過深，左側(cè)則泛白且明顯丟失人物輪廓特征和軍裝細節(jié)。本文圖像增強方法在對比度拉伸基礎(chǔ)上像素過渡自然連貫，同時良好地保留并提升了細節(jié)。

圖5為紀(jì)念碑和合影兩幅圖像在增強前后的直方圖對比，對比圖5（a）和圖5（b），本文增強算法自動拉伸圖像暗區(qū)，增強圖像對比度，明暗區(qū)域分配合理且保留原圖像素分布結(jié)構(gòu)。對比圖5（c）和圖5（d），增強算法對亮區(qū)進行拉伸，直方圖均勻分布且保持原有像素比例分布。

為定量評估算法的細節(jié)保留效果、對比度增強效果以及算法效率，考慮采用信息熵、均方差和算法耗時這3個指標(biāo)用以支持上述做法，結(jié)論如表2所示。本文算法在信息熵上顯著優(yōu)于前兩者數(shù)據(jù)，圖像信息豐富;由于優(yōu)化算法以類似均方差作為評價函數(shù)且選取均方差最大作為最終增強結(jié)果，所以均方差量化指標(biāo)需要保留。但是分析主觀效果可知，此時出現(xiàn)了圖像過增強。在CPU為英特爾i5-2300，軟件環(huán)境MatlabR2014a上，針對像素[512×512]和[283×432]圖像，算法效率上直方圖均衡和本文算法進行增強耗時均小于0.2s，而遺傳優(yōu)化算法耗時過長，明顯不適合實時處理，可見本文提出的算法細節(jié)豐富、對比度增強且算法效率高。

5 結(jié)語

非完全Beta變換是一種簡單優(yōu)秀的對比度拉伸算法。針對函數(shù)參數(shù)的求取，基于窮舉法順序計算量極大，嚴(yán)重降低處理速度;基于粒子群優(yōu)化、遺傳等生物智能優(yōu)化方法容易陷入局部最優(yōu)，增強結(jié)果隨機性很大，導(dǎo)致增強效果難以預(yù)估，算法迭代過程也較耗時，不利于實時業(yè)務(wù);除了算法效率上的缺陷，Beta變換本身存在細節(jié)丟失的缺點。針對上述問題，利用Beta函數(shù)變換曲線的性質(zhì)，提出一種簡單快速的Beta參數(shù)估計方法，并與非銳化掩膜的細節(jié)層充分融合。對比仿真顯示，本文提出的增強算法總體性能優(yōu)于HE和基于遺傳算法優(yōu)化的Beta變換，是一種效率高且細節(jié)豐富的圖像增強算法。

對比度拉伸算法簡單有效，但參數(shù)選擇是關(guān)鍵，既要考慮效率又要考慮參數(shù)有效性，可以根據(jù)圖片信息設(shè)計函數(shù)估計參數(shù);圖像增強的同時要考慮對比度拉伸效果和細節(jié)保留，從全局和局部兩方面切入處理，其中細節(jié)提取部分的頻域濾波是一種常用方法。后續(xù)研究中要進一步優(yōu)化參數(shù)估計函數(shù)，增加像素值分布等變量，將參數(shù)估計函數(shù)所得預(yù)估值作為生物優(yōu)化算法的初始值，加快收斂速度，防止陷入局部最優(yōu)解，同時對圖像細節(jié)的提取可以考慮多角度多層次提取，以獲取足夠多的細節(jié)。

參考文獻：

[1] HASSAN N Y，AAKAMATSU N. Contrast enhancement technique of dark blurred image[J]. Computer Science and Network Security， 2006， 6（2）：223-226.

[2] GPNZALEZ R C，WINTZ P. Digital image processing[J]. Prentice Hall International，2001，28（4）：484-486.

[3] TUBBS J D. A note on parametric image enhancement[J]. Pattern Recognition，1987，20（6）： 617-621.

[4] 黃培. 量子遺傳算法及其在圖像增強中的應(yīng)用研究[D]. 無錫：江南大學(xué)，2005：43-45.

[5] 黃小榮，張金玉. 遺傳算法在圖像增強中的應(yīng)用[J]. 兵器裝備工程學(xué)報，2010，31（6）：67-70.

[6] 李林宜，李德仁. 粒子群優(yōu)化算法在遙感影像增強中的應(yīng)用[J]. 測繪科學(xué)技術(shù)學(xué)報，2010，27（2）：116-119.

[7] 郭肖靜，吳志芳. 基于遺傳算法的輻射圖像對比度增強[J]. 核電子學(xué)與探測技術(shù)， 2007， 27（1）：104-107.

[8] 周琳，李琳，邵明省. 基于混沌蛙跳算法的圖像增強處理[J]. 激光與紅外，2012，42（12）：1408-1412.

[9] 丁生榮，馬苗，郭敏. 人工魚群算法在自適應(yīng)圖像增強中的應(yīng)用[J]. 計算機工程與應(yīng)用，2012，48（2）：185-187.

[10] 岳梅，郭寶平，張平，等. 基于混合蛙跳優(yōu)化的條紋管圖像自適應(yīng)增強[J]. 光電工程，2011， 38（5）：108-113.

[11] 葉志偉，趙偉，王明威，等. 一種基于杜鵑搜索算法的圖像自適應(yīng)增強方法[J]. 測繪科學(xué)技術(shù)學(xué)報， 2016， 33（1）：38-42.

[12] 李宗妮，吳偉民，林志毅. 一種采用改進蟻獅優(yōu)化算法的圖像增強方法[J]. 計算機應(yīng)用研究，2018（4）：65-69.

[13] 楊有，李波. CLAHE和細節(jié)放大相結(jié)合的檔案圖像增強方法[J]. 中國圖象圖形學(xué)報，2011，16（4）：522-527.

[14] CELIK T. Two-dimensional histogram equalization and contrast enhancement [J]. Pattern Recognition， 2012， 45（10）：3810-3824.

[15] CHEN Y，F(xiàn)ENG P，YANG J，et al. An adaptive enhancement algorithm of low illumine color video image [J]. International Journal of Sensing， Computing & Control， 2012， 2（2）： 79-86.

[16] ARICI T，DIKBAS S，ALTUNBASAK Y. A histogram modification framework and its application for image contrast enhancement[J]. IEEE Transactions on Image Processing， 2009， 18（9）： 1921-1935.

[17] 李成，鞠明，畢篤彥，等. 基于視覺特性的非銳化掩模圖像增強[J]. 光電工程，2009， 36（9）：110-117.

[18] 馮策，戴樹嶺. 一種改進的非銳化掩模深度圖像增強算法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報，2014， 46（8）：107-112.

[19] RAFAEL GONZALEZ C，WOODS R. Digital image processing[D]. ?3rd edition. London：Pearson Publication， 2002.

[20] TOMASI C，MANDUCHI R. Bilateral filter for gray and color images [C]. International Conference on Computer Vision （ICCV），1998：839.

（責(zé)任編輯：杜能鋼）