基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)方法

何 山，趙 越，喬孟銳

(西南石油大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，四川成都 637001)

1 引言

圖像研究技術(shù)在生產(chǎn)生活中的多個(gè)領(lǐng)域得到廣泛應(yīng)用的同時(shí)，各行業(yè)對(duì)圖像處理的質(zhì)量水平也提出了更高要求[1-2]。因此，壓縮域圖像處理技術(shù)應(yīng)運(yùn)而生，成為近幾年圖像技術(shù)研究的熱門(mén)領(lǐng)域。為了解決拍攝圖像不清晰，整體畫(huà)面模糊，難以精準(zhǔn)聚焦圖像特征點(diǎn)等問(wèn)題，圖像增強(qiáng)技術(shù)得以開(kāi)發(fā)研究。該技術(shù)主要有兩種操作類(lèi)型：空間域和變換域?？臻g域是通過(guò)圖像尺度調(diào)節(jié)、像素比率對(duì)照等方式，直接對(duì)原始圖像進(jìn)行清晰度調(diào)整；變換域則是通過(guò)獲取圖像參數(shù)數(shù)據(jù)對(duì)圖像各元素參數(shù)進(jìn)行變換運(yùn)算，再將所得數(shù)據(jù)結(jié)果轉(zhuǎn)化為圖像。這種方法相比于空間域方法有更強(qiáng)的適用性，對(duì)于光影色彩占比較重的圖像有更好的處理效果[3-4]。相關(guān)學(xué)者對(duì)此進(jìn)行了研究，取得了一定的進(jìn)展。譚云蘭等人基于自適應(yīng)引導(dǎo)濾波的全景圖像增強(qiáng)算法[5]，利用加權(quán)最小二乘濾波器實(shí)現(xiàn)引導(dǎo)圖像重建，通過(guò)AGIF法增強(qiáng)全景圖像場(chǎng)景細(xì)節(jié)，此方法能夠提升圖像增強(qiáng)效率，但是圖像清晰度不佳。趙春麗等人提出基于暗通道及多尺度Retinex的霧霾天氣圖像增強(qiáng)算法[6]，根據(jù)多尺度Retinex算法實(shí)現(xiàn)對(duì)照度分量估算，利用伽馬變換完成照度校正，有效提升了圖像的視覺(jué)效果，但是清晰度不佳。

本文基于機(jī)器學(xué)習(xí)的原理提出了一種新的壓縮域圖像均衡增強(qiáng)方法，在圖像均衡增強(qiáng)過(guò)程中引入機(jī)器學(xué)習(xí)法能夠得到更好的圖像增強(qiáng)效果。

2 壓縮域圖像檢測(cè)

將目標(biāo)圖像素材導(dǎo)入到計(jì)算機(jī)圖像處理系統(tǒng)程序中，通過(guò)掃描程序?qū)D像中的各部分信息采集并傳輸?shù)綀D像信息轉(zhuǎn)換程序中，按照相關(guān)的處理規(guī)則，將圖像信息轉(zhuǎn)化為數(shù)據(jù)表示形式。利用數(shù)據(jù)分類(lèi)標(biāo)準(zhǔn)，將其進(jìn)行全面準(zhǔn)確的歸納整理，保存到一個(gè)特定的圖像數(shù)據(jù)文件夾內(nèi)，在后臺(tái)同時(shí)形成備份數(shù)據(jù)保存到系統(tǒng)數(shù)據(jù)庫(kù)中，防止意外事故造成系統(tǒng)數(shù)據(jù)丟失。壓縮域圖像檢測(cè)原理如圖1所示。

圖1 壓縮域圖像檢測(cè)原理

觀察圖1可知，運(yùn)用結(jié)合了機(jī)器學(xué)習(xí)方法的檢測(cè)算法對(duì)圖像數(shù)據(jù)進(jìn)行檢測(cè)處理，明確圖像切割分解后圖像之間的關(guān)系以及相應(yīng)的處理順序，按照一定的圖像參數(shù)排列規(guī)律進(jìn)行檢測(cè)[7]。當(dāng)圖像素材數(shù)量為多個(gè)時(shí)，能夠根據(jù)對(duì)圖像光影、角度的變化對(duì)其進(jìn)行順序判斷；若是單個(gè)圖像，則根據(jù)各部分局部圖像的相應(yīng)位置關(guān)系進(jìn)行排列。對(duì)圖像邊界進(jìn)行檢測(cè)，通過(guò)提取邊界部分的圖像像素與色彩等參數(shù)，與目標(biāo)處理水平的參數(shù)標(biāo)準(zhǔn)進(jìn)行對(duì)比，具體記錄其差異數(shù)據(jù)，以便綜合進(jìn)行圖片均衡與增強(qiáng)。圖像檢測(cè)過(guò)程如圖2所示。

圖2 圖像檢測(cè)過(guò)程

根據(jù)圖2，采用SVM學(xué)習(xí)方法檢測(cè)圖像結(jié)構(gòu)，對(duì)各圖像素材結(jié)構(gòu)參數(shù)進(jìn)行檢測(cè)，對(duì)圖像結(jié)構(gòu)的目標(biāo)狀態(tài)進(jìn)行矢量模擬。選取合適的結(jié)構(gòu)參數(shù)描述特定的圖像結(jié)構(gòu)特征，在通過(guò)相關(guān)性矩陣運(yùn)算得到圖像參數(shù)數(shù)據(jù)的置信度矢量結(jié)果，用于對(duì)圖像各相關(guān)素材或壓縮域變換層次檢測(cè)。本文的研究進(jìn)行的是對(duì)圖像壓縮域變換層次的檢測(cè)，利用SVM算法得到多個(gè)圖像變換層次的置信度矢量數(shù)據(jù)，再通過(guò)二次分類(lèi)得到圖像壓縮參數(shù)比例。對(duì)圖像各部分參數(shù)數(shù)據(jù)檢測(cè)分析并記錄整理完畢后，保存到圖像處理系統(tǒng)的圖像均衡增強(qiáng)程序數(shù)據(jù)管理器中，為壓縮域圖像均衡與增強(qiáng)過(guò)程奠定數(shù)據(jù)基礎(chǔ)[8-9]。

3 壓縮域圖像特征提取

圖像特征提取是進(jìn)行圖像均衡增強(qiáng)處理不可缺少的操作過(guò)程，通過(guò)提取圖像素材中對(duì)應(yīng)的特征點(diǎn)，能夠更好地實(shí)現(xiàn)圖像分割與融合過(guò)程，有利于壓縮域圖像完成參數(shù)對(duì)比與相關(guān)性運(yùn)算。圖像參數(shù)和分辨率矢量數(shù)據(jù)通過(guò)程序編碼形成相應(yīng)的數(shù)據(jù)代碼，根據(jù)代碼之間的差異變化判斷圖像存在突出特征的區(qū)域。同時(shí)，圖像處理程序會(huì)對(duì)圖像代碼數(shù)據(jù)進(jìn)行預(yù)處理，所得的數(shù)據(jù)差異反映了特征區(qū)域的類(lèi)型及變化程度[10-11]。特征點(diǎn)提取原理如圖3所示。

圖3 特征點(diǎn)提取原理圖

在利用圖3得到特征點(diǎn)后，確定壓縮域圖像，壓縮域圖像需要進(jìn)行壓縮域的比例對(duì)比。壓縮域是將原始圖像根據(jù)客戶(hù)要求或圖像情況按照相應(yīng)比例進(jìn)行分割壓縮，圖像各部分內(nèi)容也相對(duì)產(chǎn)生一定程度的變化，主要是圖像的細(xì)節(jié)部分被放大，能夠能清晰地掃描檢測(cè)圖像內(nèi)容特征。在壓縮域圖像中通過(guò)掃描判定圖像可銳化的范圍，在條件范圍內(nèi)調(diào)整圖像清晰度至理想狀態(tài)，然后根據(jù)掃描提取圖像色彩、對(duì)比、噪點(diǎn)等多種參數(shù)值，形成參數(shù)圖表反應(yīng)圖像平面各方面數(shù)據(jù)變化，從中提取變化較為明顯統(tǒng)一的部分進(jìn)行定位，確定特征點(diǎn)區(qū)域位置[12]。同時(shí)對(duì)多個(gè)圖像素材進(jìn)行特征點(diǎn)對(duì)應(yīng)標(biāo)記，有利于圖像的融合修補(bǔ)與均衡增強(qiáng)。需要掃描的參數(shù)包括兩種，分別是數(shù)據(jù)類(lèi)參數(shù)和判斷類(lèi)參數(shù)，掃描的參數(shù)如表1所示。

表1 掃描參數(shù)表

4 基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)

本文采用機(jī)器學(xué)習(xí)法的向量支持法，通過(guò)最小二乘法對(duì)圖像參數(shù)數(shù)據(jù)進(jìn)行優(yōu)化求解，其求解公式如下

(1)

上述公式中，w表示圖像中的平面坐標(biāo)向量，ei表示特征點(diǎn)的對(duì)應(yīng)參數(shù)數(shù)據(jù)描述誤差，b表示不同參數(shù)的閾值，T表示的是圖像素材之間的檢測(cè)訓(xùn)練周期，y是實(shí)際參數(shù)與訓(xùn)練優(yōu)化后數(shù)值之間的比例，i是參與優(yōu)化訓(xùn)練的素材數(shù)量。根據(jù)以上公式運(yùn)算得到關(guān)于壓縮域圖像各方面參數(shù)的優(yōu)化數(shù)據(jù)結(jié)果。

將數(shù)據(jù)代入拉格朗日算法得到相關(guān)矩陣，矩陣方程如式(2)所示

(2)

上述矩陣公式無(wú)需考慮參數(shù)的拆解運(yùn)算，可直接轉(zhuǎn)化成線(xiàn)性相關(guān)方程，如式(3)

(3)

根據(jù)式(3)可以得到i個(gè)圖像訓(xùn)練素材進(jìn)行相關(guān)參數(shù)轉(zhuǎn)化的相關(guān)性系數(shù)。利用圖像的特征點(diǎn)與相關(guān)性與相關(guān)矩陣結(jié)合，得到基于機(jī)器學(xué)習(xí)方法的壓縮域圖像素材特征相關(guān)性的參數(shù)。根據(jù)圖像特征與相關(guān)性對(duì)壓縮域圖像細(xì)節(jié)進(jìn)行分辨率調(diào)整和圖像匹配?；跈C(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)流程如圖4所示。

圖4 基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)流程圖

觀察圖4可知，基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)過(guò)程可以分為如下幾步：

1)基于上述研究中獲取的特征描述情況，本文選用小波變換技術(shù)對(duì)壓縮域圖像特征進(jìn)行匹配；

2)將圖像尺度按照一定分解規(guī)則，分成多個(gè)規(guī)則的圖像區(qū)域，將不同區(qū)域的圖像局部對(duì)應(yīng)放大；

3)通過(guò)建立坐標(biāo)系與特征點(diǎn)對(duì)應(yīng)，將相同區(qū)域的整合到同一圖像處理程序中，通過(guò)計(jì)算機(jī)圖像數(shù)據(jù)提取程序，獲取平面方向圖像素材的參數(shù)數(shù)據(jù)，并轉(zhuǎn)化為元素能量；

4)同時(shí)計(jì)算出各特征點(diǎn)元素能量的能量均值、方差等數(shù)據(jù)，將所得數(shù)據(jù)導(dǎo)入到小波變換程序進(jìn)行處理，得到關(guān)于各圖像素材圖像分辨率描述的數(shù)據(jù)矩陣，再通過(guò)特征點(diǎn)匹配情況將數(shù)據(jù)矩陣進(jìn)行匹配；

5)通過(guò)將圖像素材的各參數(shù)數(shù)據(jù)投射的原始圖像數(shù)據(jù)進(jìn)行對(duì)比和相應(yīng)的比例運(yùn)算，再通過(guò)機(jī)器學(xué)習(xí)的最小二乘法與向量支持法得到關(guān)于原圖像分辨率調(diào)節(jié)范圍的判定，結(jié)合壓縮域圖像訓(xùn)練之后的參數(shù)結(jié)果得到分辨率優(yōu)化最適配參數(shù)設(shè)定；

6)按照數(shù)據(jù)描述情況對(duì)圖像進(jìn)行具體的均衡與增強(qiáng)操作，之后將匹配后的圖像去除多余的圖像部分，形成較為完整的圖像。

在對(duì)圖像進(jìn)行了基本的均衡與增強(qiáng)之后，需要對(duì)操作結(jié)果進(jìn)行一定的能量化測(cè)試。為了整體地檢測(cè)增強(qiáng)后圖像的質(zhì)量水平，本文首先對(duì)圖像的信噪比進(jìn)行了檢測(cè)，檢測(cè)運(yùn)算公式如下

(4)

式中，M，N分別表示平面圖像尺度的長(zhǎng)、寬描述情況，f與f′分別表示增強(qiáng)前后的圖像像素情況。根據(jù)該公式是對(duì)圖像的信噪比進(jìn)行運(yùn)算，得到數(shù)據(jù)能夠反映增強(qiáng)后的圖像分辨率整體質(zhì)量水平，進(jìn)而得到圖像增強(qiáng)效果是否符合要求標(biāo)準(zhǔn)。

此外，還需要對(duì)圖像邊緣信息檢測(cè)，根據(jù)圖像邊緣數(shù)據(jù)的完整程度反映圖像處理的效果，圖像邊緣保持程度越完整，圖像處理越精細(xì)全面，并根據(jù)灰度檢測(cè)的圖像特征點(diǎn)像素?cái)?shù)據(jù)得到關(guān)于圖像增強(qiáng)過(guò)后的圖像像素?cái)?shù)值和去噪能力描述，利用向量支持法對(duì)壓縮域圖像匹配均衡效果進(jìn)行檢測(cè)，將增強(qiáng)后的圖像細(xì)節(jié)像素參數(shù)與增強(qiáng)尺度代入運(yùn)算過(guò)程，得出關(guān)于細(xì)節(jié)匹配的相關(guān)描述；再對(duì)描述數(shù)據(jù)進(jìn)行方差、標(biāo)準(zhǔn)差計(jì)算，所得的結(jié)果越小則表示細(xì)節(jié)匹配強(qiáng)度越高，匹配效果越好，誤差值越小。壓縮域圖像均衡增強(qiáng)示意圖如圖5所示。

圖5 壓縮域圖像均衡增強(qiáng)示意圖

經(jīng)過(guò)了以上三個(gè)方面的圖像增強(qiáng)效果檢測(cè)后，圖像的均衡與增強(qiáng)操作基本完成，在原始圖像基礎(chǔ)上實(shí)現(xiàn)了像素分辨率優(yōu)化和特征點(diǎn)細(xì)節(jié)清晰化等圖像增強(qiáng)。

5 實(shí)驗(yàn)研究

為了檢測(cè)本文提出的基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)方法的有效性，與傳統(tǒng)檢測(cè)方法進(jìn)行實(shí)驗(yàn)對(duì)比，設(shè)定實(shí)驗(yàn)環(huán)境如圖6所示。

圖6 檢測(cè)實(shí)驗(yàn)環(huán)境

在上述檢測(cè)實(shí)驗(yàn)環(huán)境下選取本文提出的基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)方法與傳統(tǒng)的基于MSR算法的壓縮域圖像均衡增強(qiáng)方法以及基于人工智能的壓縮域圖像均衡增強(qiáng)方法進(jìn)行實(shí)驗(yàn)，選擇的圖像數(shù)量共有1200幅，每幅圖像的尺寸都為50cm×50cm，灰度等級(jí)為256級(jí)。

得到的圖像增強(qiáng)結(jié)果如圖7所示．

圖7 圖像增強(qiáng)結(jié)果實(shí)驗(yàn)圖

觀察圖7可知，本文方法與傳統(tǒng)方法都能對(duì)圖像進(jìn)行增強(qiáng)，但是本文方法在增強(qiáng)效果上優(yōu)于傳統(tǒng)方法，傳統(tǒng)方法處理后得到的圖像灰度值較小，因此得到的圖像相對(duì)較暗，在細(xì)節(jié)上，傳統(tǒng)方法的處理能級(jí)較弱，處理結(jié)果更加模糊。本文提出的增強(qiáng)方法對(duì)于色彩的把握能力更好，在細(xì)節(jié)處理方面對(duì)比度和均衡度更好。尤其是在處理較為灰暗的像素點(diǎn)，本文提出的算法能夠更好地分析相鄰子塊的量度信息，在分析過(guò)程不會(huì)產(chǎn)生光暈，處理后的細(xì)節(jié)更強(qiáng)。

圖像邊緣信息清晰度實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 圖像邊緣信息清晰度實(shí)驗(yàn)結(jié)果

觀察上圖可知，本文提出的圖像均衡增強(qiáng)方法得到的圖像邊緣清晰度高于傳統(tǒng)圖像均衡增強(qiáng)方法，隨著處理時(shí)間的增加，三種方法圖像邊緣信息清晰度都在增強(qiáng)，到了后期本文方法的優(yōu)勢(shì)更加明顯。

綜上所述，本文研究的基于機(jī)器學(xué)習(xí)的圖像均衡增強(qiáng)方法在信息處理能力、數(shù)據(jù)采集能力方面都優(yōu)于目前提出的方法，因此對(duì)待細(xì)節(jié)問(wèn)題解決效果更好，得到的邊緣信息更加清晰。

6 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)圖像增強(qiáng)方法的不足進(jìn)行了研究分析，結(jié)合了當(dāng)下熱門(mén)的壓縮域圖像增強(qiáng)技術(shù)和機(jī)器學(xué)習(xí)方法，提出了一種基于機(jī)器學(xué)習(xí)的壓縮域圖像均衡增強(qiáng)方法。本文提出的方法在對(duì)圖像細(xì)節(jié)檢測(cè)和色彩處理方面有較好的處理效果，同時(shí)利用機(jī)器學(xué)習(xí)法優(yōu)化了圖像特征細(xì)節(jié)檢測(cè)程序，有利于提高壓縮域圖像匹配的精準(zhǔn)性；并設(shè)置了具體的圖像增強(qiáng)效果檢測(cè)環(huán)節(jié)，進(jìn)一步保證了圖像均衡與增強(qiáng)的操作效果。本文的研究為壓縮域圖像的均衡與增強(qiáng)方面的研究提供了一定的價(jià)值參考，有利于我國(guó)圖像處理技術(shù)領(lǐng)域的進(jìn)一步發(fā)展。