基于局部灰熵增強(qiáng)指數(shù)的纖維板剖面孔穴圖像增強(qiáng)方法

張劍飛　高輝　張冠英　岳新　陳桂蘭　田淑梅

摘? 要： 孔穴作為纖維板的微觀屬性，其形狀，分布等微觀特征信息在一定程度上會影響到纖維板的質(zhì)量、性能、密度等物理指標(biāo)。由于纖維板剖面孔穴圖像采集時可能受到光線、環(huán)境等因素的影響，會在一定程度上造成圖像的局部區(qū)域存在灰度不均、變異等變質(zhì)問題。文章充分考慮灰度特征和空間信息的相關(guān)性，利用灰熵理論的特性來構(gòu)造對比度增強(qiáng)指數(shù)，進(jìn)而通過對比度增強(qiáng)函數(shù)來調(diào)節(jié)圖像的增強(qiáng)區(qū)域。通過實驗對比，證明該方法使纖維板孔穴圖像的邊緣部分得到有效增強(qiáng)，具有一定的針對性和智能性，利于后期對孔穴的邊緣提取和進(jìn)一步處理。

關(guān)鍵詞： 孔穴; 灰熵; 圖像增強(qiáng); 纖維板

中圖分類號：TP391? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ?文章編號：1006-8228（2019）12-05-04

A cavity image enhancement method of fiberboard cross-section based on

local grey relational entropy

Zhang Jianfei， Gao Hui， Zhang Guanying， Yue Xin， Li Zhijun， Chen Guian， Tian Shumei

（School of Computer and Information Engineering， Heilongjiang University of Science and Technology， Harbin， Helongjiang 150027， China）

Abstract： Cavity is one of the microcosmic properties of the fiberboard， its shape and distribution will affect the quality， performance and density of fiberboard. Due to the influence of light， environment and other factors， the cavity image of fiberboard cross-section might bring some deterioration problems such as uneven gray level and variation in the local area of the image to a certain extent. Therefore， this paper fully considered the correlation between gray level features and spatial information， and used the characteristics of gray entropy theory to construct contrast enhancement index， and then increased the contrast. The experimental results show that this method can effectively enhance the edge of the cavity image of fiberboard， and has a certain pertinence and intelligence， which is conducive to the edge extraction and further processing of the cavity in the later stage.

Key words： cavity; gray entropy; image enhancement; fiberboard

0 引言

孔穴作為纖維板的微觀屬性，其形狀、分布等微觀特征信息在一定程度上會影響到纖維板的質(zhì)量、性能、密度等物理指標(biāo)[1]。但是，由于在纖維板剖面孔穴圖像采集過程中，照明系統(tǒng)亮度響應(yīng)范圍太小或不均勻，致使采集到的纖維板剖面孔穴圖像孔穴與背景難以區(qū)分、孔穴邊緣模糊或斷裂等，進(jìn)而導(dǎo)致無法準(zhǔn)確地提取和分析孔穴圖像，以及影響后續(xù)纖維板剖面孔穴相關(guān)特征參數(shù)檢測的準(zhǔn)確度 。因此，需要對纖維板剖面孔穴圖像做增強(qiáng)處理，抑制背景區(qū)域，加強(qiáng)目標(biāo)區(qū)域，即孔穴區(qū)域，調(diào)整圖像的灰度值分布情況，從而達(dá)到增強(qiáng)纖維板剖面孔穴圖像的對比度，改善圖像質(zhì)量，使剖面圖像變得更加清晰 。

常用的空域圖像增強(qiáng)方法在處理圖像時大都是針對整個圖像中的同一灰度值或者同一頻率的所有像素，由于圖像的視覺感受不僅僅與像素灰度值有關(guān)，更與圖像局部的鄰域像素的灰度值有關(guān)，而局部增強(qiáng)主要是對圖像中局部區(qū)域的灰度進(jìn)行調(diào)整，提高圖像效果[2]。本文針對纖維板剖面孔穴圖像自身孔穴邊緣與背景對比度不明顯的特點，充分考慮和運用圖像的局部像素分布信息，利用圖像局部鄰域窗口的像素灰度值的灰熵值作為圖像對比度的變換因子，構(gòu)造圖像的對比度變換函數(shù)，從而實現(xiàn)對比度根據(jù)鄰域灰熵值的變化來自適應(yīng)變化。

1 灰熵理論

香農(nóng)將熵的概念引入信息論，指出熵是信息系統(tǒng)不確定性的度量。在圖像處理中，Shannon香農(nóng)熵被用來作為檢測圖像同質(zhì)性的度量標(biāo)準(zhǔn)，熵值越小，說明同質(zhì)性越好;反之，熵值越大，說明同質(zhì)性越差。

隨著灰色系統(tǒng)理論的發(fā)展，張岐山教授等人也對此理論進(jìn)行了深入研究，針對鄧氏灰色關(guān)聯(lián)分析存在的缺陷，于1996年，在《系統(tǒng)工程理論與實踐》雜志上提出了灰色關(guān)聯(lián)熵的概念，把經(jīng)典熵理論與灰色系統(tǒng)理論相結(jié)合，明確指出“灰關(guān)聯(lián)熵是一種灰熵”[3-5]。

定義 設(shè)[X={xi|i=1，2，...，n}]是一個有限離散序列，[?i，xi≥0]，且[]

[i=1nxi=1] ，? ? ? ? ? ?（1）

則稱

[H（X）=-i=1nxilnxix≠00x=0]? ? （2）

為序列X的灰熵。

相應(yīng)的，通過灰色關(guān)聯(lián)分析計算灰關(guān)聯(lián)熵，

對[γ（x0（k），xi（k））=11+|x0（k）-xi（k）|255]進(jìn)行歸一化，

[roi'=roii=1mroi]，（i=1，2，...[， ]m） ? ?（3）

得到灰關(guān)聯(lián)熵

[H=-i=1mroi'ln（roi'）]? ? ? ?（4）

2 基于局部灰熵增強(qiáng)指數(shù)的纖維板剖面孔穴圖像增強(qiáng)方法

由于圖像邊緣點是灰度值與周圍像素的灰度值有波動的點，平滑點是灰度值與周圍像素的灰度值變化相對平緩，各個像素的灰度值相近，因此，滿足用灰熵理論的基本應(yīng)用原理來刻畫圖像中邊緣點和非邊緣點，當(dāng)待測點與鄰域窗口的像素灰度值有一定波動時，鄰域窗口的灰熵值較小;反之，當(dāng)待測點處于非邊緣點時，鄰域的像素灰度值相對平緩，鄰域窗口的灰熵值較大。本算法把圖像的像素灰度分布屬性與灰熵理論所刻畫的平衡性相結(jié)合，利用灰熵作為基本的衡量因子構(gòu)造圖像的對比度增強(qiáng)函數(shù)，并實現(xiàn)圖像不同局部區(qū)域的灰熵值的自適應(yīng)變化，從而動態(tài)調(diào)整圖像的模糊局部對比度增強(qiáng)強(qiáng)度，最終實現(xiàn)圖像質(zhì)量的提高。算法流程圖如圖1所示。

算法步驟：

第1步 設(shè)一個大小為[M×N]的圖像可以表示為[f（k，l）（k=1，...，M-1;l=1，...， N-1）]，由于灰度圖像的像素范圍是[0，255]，值域中零值的出現(xiàn)可能造成灰熵的計算中對數(shù)的真數(shù)部分沒有意義，因此這里先對圖像進(jìn)行一個平移變換，再把圖像映射到模糊域;

[u（k，l）=f（k，l）+1L（k=1，...， M;l=1，...， N）]? （5）

第2步 取一個[3×3]的鄰域窗口的像素為：

[u（i-1， j-1） ，u（i-1， j），u（i-1， j+1），u（i， j-1） ，]

[ u（i， j） ， u（i， j+1） ， u（i+1， j-1），u（i+1， j）u（i+1， j+1）]。對鄰域內(nèi)的像素實行歸一化處理，即

[（6）]

第3步 計算圖像鄰域的灰熵值，并進(jìn)行保存，最后建立一張保存整張圖像鄰域邊緣信息的灰熵表;

[sh（k，l）=-k=i-1i+1l=j-1j+1g（k，l）·ln（g（k，l））]? ?（7）

第4步 在圖像的鄰域窗口內(nèi)，先計算圖像鄰域的均值，再計算模糊局部對比度;

[v ][k，l=19k=i-1i+1l=j-1j+1uk，l]? ? ?（8）

[F（k，l）=u（k，l）-v（k，l）u（k，l）+v（k，l）] ? ? （9）

第5步 利用當(dāng)前中心點的灰熵值構(gòu)造對比度增強(qiáng)指數(shù)Z（k，l）和對比度增強(qiáng)函數(shù)F（k，l）];[Z（k，l）=logt（sh（k，l））=ln（sh（k，l））/in（t）]? ? ? ? ? ?（10）

其中，[t]為增強(qiáng)強(qiáng)度控制參數(shù)，一般可以取[t=5]。當(dāng)需要加大局部對比度的調(diào)節(jié)力度時，可以適當(dāng)擴(kuò)大[t]的取值。

F（k，l）=F（k，l）Z（k，l）] ? ? ? （11）

其中，F(xiàn)（k，l）]為利用對比度增強(qiáng)指數(shù)調(diào)節(jié)后的鄰域窗口中心點對比度值。

第6步 計算對比度增強(qiáng)后的新隸屬度值;

[u'（k，l）=v（1-F'）1+F'u（i，j）≤vv（1+F'）1-F'u（i，j）>v]? ? ?（12）

第7步 將隸屬度值還原為圖像像素值;

[f^（k，l）=u'（k，l）·L-1]? ? ? ? （13）

3 實驗結(jié)果與分析

本文算法引入了灰熵概念，充分考慮了灰度特征和空間信息的相關(guān)性，為說明本文所提出圖像增強(qiáng)算法的可行性，分別使用直方圖均衡，傳統(tǒng)對比度增強(qiáng)算法和本文算法實現(xiàn)對孔穴圖像的增強(qiáng)，如圖2所示，該圖像大小為360*341。圖2（a）為原始圖像，圖2（b）為直方圖均衡算法處理后得到的圖像，圖2（c）為傳統(tǒng)對比度增強(qiáng)算法處理后得到的圖像，圖2（d）為用文本算法處理后得到的圖像。

從處理后的圖像可以看出，經(jīng)直方圖均衡算法，傳統(tǒng)對比度增強(qiáng)算法處理后的圖像，邊緣細(xì)節(jié)較模糊，不夠明顯突出，不便于人眼進(jìn)行觀察，當(dāng)用本文選取的孔穴圖像進(jìn)行試驗時，發(fā)現(xiàn)整個圖像的灰熵值介于1.23%與2.372之間，很顯然Z（k，l）的值域是介于0和1之間的，因此滿足F（k，l）>F（k，l），即增大了圖像局部區(qū)域的對比度，并且圖像在鄰域內(nèi)邊緣特征也比較明顯，因此，該鄰域窗口內(nèi)的灰熵值越小，對比度增強(qiáng)指數(shù)也越小，得到的對比度增強(qiáng)冪函數(shù)值就越大，從而自動實現(xiàn)對圖像的不同區(qū)域進(jìn)行動態(tài)地對比度增強(qiáng)調(diào)節(jié)。從圖2也可以看出，利用本文提出的算法，取[3×3]鄰域窗口，[t=5]時處理后的圖像，邊緣細(xì)節(jié)在得到較好保護(hù)的同時，也變得較為清晰，對比度相對增大較明顯。

通過DV/BV與信息熵來分析，分別對直方圖均衡，傳統(tǒng)對比度增強(qiáng)和本文算法對圖像作測試，得到如表1。本文算法的DV/BV值與信息熵的值都較其它算法的值大，這說明本文算法處理后的圖像邊緣細(xì)節(jié)更加豐富;圖像質(zhì)量較高，增強(qiáng)效果較好。

4 結(jié)論

本文充分考慮了灰度特征和空間信息的相關(guān)性，利用灰熵理論的特性來構(gòu)造對比度增強(qiáng)指數(shù)，進(jìn)而通過對比度增強(qiáng)函數(shù)來調(diào)節(jié)圖像的增強(qiáng)區(qū)域，使圖像的邊緣部分得到有效增強(qiáng)，保留對比度較小的非邊緣區(qū)域，實現(xiàn)了對目標(biāo)物體（孔穴）的增強(qiáng)和非目標(biāo)物體的有效克制，具有一定的針對性和智能型，有利于后期對孔穴的邊緣提取和進(jìn)一步處理。

參考文獻(xiàn)（References）：

[1] 任洪娥，阿倫，徐海濤，高潔.基于數(shù)字圖像處理技術(shù)實現(xiàn)人造板孔穴評價的研究[J].計算機(jī)應(yīng)用研究，2008.25（3）：936-937

[2] 盛道清.圖像增強(qiáng)算法的研究[D].武漢科技大學(xué)博士論文，2007：3-8

[3] 鄧聚龍.灰色理論基礎(chǔ)[M].武漢：華中科技大學(xué)出版社，2002.

[4] LI Gang. Image local contrast enhancement based on grey relational analysis[C]. 2009 second international symposium on knowledge acquisition and modeling.Wuhan，China，2009，885-888

[5] 李子強(qiáng)，李剛.基于灰關(guān)聯(lián)序閾值判決的路面圖像模糊增強(qiáng)算法[J].湖北工業(yè)大學(xué)學(xué)報，2016.26（3）：103-105

[6] WANGHao，ZHANGYe，SHEN Honghai.Over-view of image enhacement algorithm[J].China Opticals，2017.10（4）：438-448

[7] 陳湘濤，王愛云，謝偉平.灰關(guān)聯(lián)度聚類算法在圖像檢索中的應(yīng)用[J].計算機(jī)工程與應(yīng)用，2009.45（16）：146-148

[8] 馬苗，焦莉莉.結(jié)構(gòu)相似性灰關(guān)聯(lián)在強(qiáng)噪聲圖像增強(qiáng)中的應(yīng)用[J].西安電子科技大學(xué)學(xué)報（自然科學(xué)版），2010.37（2）：346-349