非锐化掩模锐化算法的改进算法研究

非锐化掩模锐化算法的改进算法研究
中文摘要
图像增强是图像处理研究领域非常实用且有价值的一门分支学科。

随着科学技术的不断创新与进步，图像处理早已深入到人们生活的各个方面之中，并成为国民经济与国防等一些国家核心重要领域不可或缺的一部分。

图像增强技术在图像处理的整个研究领域中处于重要的研究地位，其主要目的是增强图像中的有用信息，即人们对于图像中的较为感兴趣区域的信息，如边缘、对比不明显区域。

图像增强可有助于人们实现提取并获得有价值且感兴趣的图像信息，使得能够进一步分析图像中的关键信息。

本论文从传统的图像锐化方法非锐化掩模锐化入手，观察并分析传统方法的实现机理与实验结果，剖析传统图像锐化方法的不足与缺陷，转而谋求一种新的思路和思想来实现锐化增强算法。

本文创新出一种新的方法来实现图像锐化增强，并对传统方法中所存在的不足之处进行了改进，克服了传统方法容易带来的问题，即噪声敏感性与过冲现象。

本文主要从数学形态学的角度来解决图像锐化过程中所遇到的实际问题，对一幅图像实行分区域并进行不同程度的增强处理，使得本方法具有较明显的区域自适应性。

本论文所提出的方法能够实现图像的锐化处理，在与基于拉普拉斯方法和高斯方法结果的对比中，本论文方法能使图像的细节区域更加明显，层次感更加突出，纹理更加丰富，边缘更加锐利，且图像对比度有所增强。

在与传统方法结果的比较中发现，由于本方法的数学模型的迭代处理和分区域加权机制，本方法能够解决传统方法所带来的问题，并实现了较好的图像锐化效果。

总体而言，本论文提出了一种新的思路和解决方法来实现图像锐化，并有效解决传统方法所带来的问题，最终实验结果验证了本论文所提方法的有效性。

关键词：图像增强，图像锐化，非锐化掩模，区域自适应，数学形态学，迭代处理，分区域加权
Research on Unsharp Masking Sharpening
Algorithm for Image Enhancement
Abstract
Image enhancement is a useful and valuable branch of the research field of the image processing. With the innovation and development of the science and technology, image processing has deeply stepped into many sides of the human life, and it has been an important and necessary part of the national economy and national defense. Image enhancement occupies an important position in the fields of the image processing, and its aim is to enhance the useful information of the image, namely the regions that people are interested in, such as edge and low-contrast region. Image enhancement is benefit for people to extract and get the useful and interested information, and it makes people to analyze the key information in the image further.
This paper starts with the traditional image sharpening method of the unsharp masking sharpening algorithm. By observing and analyzing the mechanism and results of the traditional methods, we analyze the deficiencies and shortages of the traditional methods, afterward we seek for a new solution and mind to achieve the image enhancement. This paper innovates a new method to realize the image sharpening, and it improves the deficiencies and overcomes the problems that easily brought by the traditional methods, for example sensitivity to noise and overshoot. This paper solves the practical problems in the process of the image sharpening and takes the view of the mathematical morphological, and we divide an image into different regions and take different degrees of image enhancement, then our method would has the ability of the regional adaptation.
The method proposed by this paper could achieve the purpose of the image sharpening, and it makes the details of the image more significant, layer is more obvious, texture is richer, edge is sharper and the contrast increases more significantly. Because of the iteration of mathematical model and different weighting coefficients, this paper could solve the problem brought by the traditional method, and it could achieve a better result of the image sharpening, when compared with the result of the traditional method.
This paper proposes a new idea and solution to achieve the image sharpening, and we effectively solve the problems brought by the traditional methods. Finally, it proves the significance of the method proposed by this paper.
Keywords: image enhancement, image sharpening, unsharp masking(UM), regional adaptation, mathematical morphological, iteration processing, different weighting coefficients, different regions
目录
中文摘要 (I)
Abstract (II)
目录 (II)
第一章绪论 (1)
1.1课题的研究背景和研究意义 (1)
1.2图像增强技术的研究手段及评价标准 (2)
1.3本论文具体研究内容的及选题来源 (5)
1.4本论文的框架层次和各章节的内容安排 (6)
第二章经典的图像锐化方法 (7)
2.1图像锐化的预备知识 (7)
2.2图像锐化及其基本思想 (8)
2.3几种经典的图像锐化算法 (9)
2.4对几种经典算法的理解与总结 (13)
2.5几种经典方法的缺陷 (13)
2.6本章小结 (14)
第三章几种常用图像滤波算法 (16)
3.1双边滤波 (16)
3.2高斯滤波 (17)
3.3均值滤波 (18)
3.4中值滤波 (19)
3.5导向滤波 (20)
3.6本章小结 (22)
第四章图像锐化改进算法研究介绍 (23)
4.1锐化思想的进一步深化 (23)
4.2锐化公式的重定义与提出 (24)
4.3公式中δ的介绍与确定方法 (28)
4.4公式中图像分区域的方法 (30)
4.5本方法的分析与总结 (33)
4.6关于彩色图像 (34)
4.7本章小结 (35)
第五章实验结果的对比与分析 (36)
5.1实验结果 (36)
5.2结果对比分析 (42)
5.3本章小结 (44)
第六章关于本论文工作的总结与展望 (45)
6.1主要总结 (45)
6.2研究展望 (46)
参考文献 (48)
在学期间的研究成果 (51)
致谢 (52)
第一章绪论
本章作为本论文第一章的绪论部分，主要介绍本论文选题的方向与研究背景，并说明本论文的具体研究内容，以及在这方面已有的研究手段与方法，并最终梳理本论文的框架层次与章节安排。

1.1课题的研究背景和研究意义
目前，图像处理技术已经深入到国民经济和社会生产生活的各个方面和领域之中，航空航天、国防、科研、交通、通信、天文等众多领域中很多非常重要的核心技术都依托于图像处理技术的应用，以上相关领域的快速发展与进步在一定程度上都得益于图像处理技术的发展，同时它们也促进着图像处理技术的不断更新以及新研究领域和方向的出现和发展[1]。

随着近年来航空航天科技的快速发展，飞机遥感与卫星遥感技术也得到了空前的高速式的发展。

全球近地轨道遥感卫星每天产生的数据量非常庞大，在卫星数据传回地面以后，如果单单仅依靠人力进行图像信息采集与分析，这将会是非常耗时耗力的工作，而且任务量非常繁重，因此这项工作就十分有必要借助于图像处理技术。

只有通过前期在计算机内自动化的校正、拼接、融合、增强等处理，才可以将处理后的结果图像送给专业的遥感技术人员进行信息的采集与分析[2]。

特别是由于近年来通信技术、互联网技术、数字媒体技术等相关技术领域的高速发展，互联网、电信网和电视网三网融合的趋势必将是近几年科技与生活产生新变革的又一起点，而在这个复杂的网络中无时不刻在传输海量的信息数据，并把大量数据传输到终端设备。

海量的数据中有着相当大的一部分数据就是图像信息和视频信息，这会需要占用很大的带宽和信息容量，因此，图像或视频压缩编码传输就显得十分必要，而且各种终端显示设备对图像的显示以及图像显示质量的优劣都成了消费者关注和考虑的关键性的因素和重要指标[3]。

最近两年前沿领域的科学技术也发展相当迅速，VR[4]（Virtual Reality，即虚拟现实）、AR[5]（Augmented Reality，即增强现实）在科技界引起许多科技爱好者的巨大兴趣与关注，它们属于近年来较为前沿的科技研究方向，而图像处理技术在这股狂热的浪潮中所占据的地位和扮演的角色是显而易见且无可替代，这也势必将会使图像处理技术带入一个新的且更加全面的发展阶段与时期。

因其所涉及的图像处理技术范围广，知识面宽，结构内容庞大复杂，技术较为综合，因此其处理难度与复
杂度也相对较大，但新的挑战即意味着新的机遇，如若能把握住良好的机遇，则一定能够在前沿科技中占领先机、拔得头筹。

由此可见，图像学的学习和研究十分有意义，不仅对国家的核心领域的相关技术产生创新和推动，也能够对与民众日常生活息息相关的科学技术产生变革。

图像增强在图像处理领域中占有不可替代的位置，因为其实现机理与技术特点决定了其在图像处理领域的应用范围，也正由其应用范围与价值决定了其在图像处理领域中的地位。

图像增强主要是为了增强图像中的有用信息，图像增强可以当作一个对图像失真的处理过程，主要目的是用于改善图像对于人眼来讲较为感兴趣区域的视觉效果，有目的、有方向和有选择性地增强图像中的全局或局部的区域特征，扩大不同对象之间的特征差异，增强图像特征的对比信息的对比度，有效地改善图像的质量，以满足进一步的图像处理需求，并更有利于后续的图像信息提取与分析[6]。

图像锐化又是图像增强家庭中的一名老成员，其研究过程也经历了较为漫长的时间与岁月，其主要目的为增强图像细节区域的特征，即灰度跳变区域的特征信息，提高边缘部分的视觉特征，而又尽量不破坏非边缘区域的特征。

增强边缘及灰度跳变区域的特征可以明显地提高图像的清晰度和质量，而清晰度的提高则可以直接改善图像对于人类的视觉效果。

图像增强依托于图像处理技术的强大生命力而逐渐发展壮大，图像增强已在相当多的技术领域中得到应用，并已逐步涉及到人类生活与社会生活的各个方面之中。

随着科学技术的不断进步与发展以及受限于人类认知的局限性，任何一门科学技术的发展都不能仅用现有的思维方式去考量其价值与意义，因此我们应该怀着一颗谦虚包容的心态，在发展中不断进取，吸收更为先进的理论和思想，转而为社会的发展和人类文明的进步提供自己的一己之力。

基于图像学非常重要的研究价值与研究意义，以及其日益普遍且广泛的应用范围，本论文选择了图像学作为研究方向，并选择当中众多方向中的图像增强作为具体的研究对象。

在研究的过程中，我切身感受到图像学作为一门与生活息息相关的基础性研究学科，其之所以研究领域庞大，生命力旺盛，不仅仅是因为其与生俱来的重要性，更关键在于在研究的过程中，每个人能够从中学到很多知识，了解到更多相关的学科体系，并能在认知中发展自我，使自己不断得到提升和进步，并能够全身心地投入其中。

1.2图像增强技术的研究手段及评价标准
图像增强技术的分类可按其处理所在作用域不同而进行划分，大体可分为空域处理和频域处理。

针对某问题具体使用何种方法是由所处理问题的本身情况所
决定，而非简单地凭借经验主义或任意选择。

对于不同的增强目的，可能使用多种不同的方法相互配合并嵌入不同的内容，它们之间并不相互矛盾，但其方法的本质与实现手段都是围绕着最初的目标而设计，并以实现最终较好的增强效果为最终目的[7]。

1.2.1空域增强
空域增强是将原始图像信息看作是一个二维矩阵信号，并只在空间域进行处理，不进行其它的变换域操作。

空域增强的主要手段有灰度级变换（直接灰度映射）、图像间运算（像素间运算）、直方图变换、直方图均衡和模板滤波等，当然也有使用如模糊算法、遗传算法和细菌觅食算法等基于优化的图像增强算法。

空域增强的方法的一般定义公式如下（1-1）：
(,)[(,)]
= (1-1)
g x y T f x y
公式（1-1）中，(,)
g x y为处理后的增强
f x y为处理前的原始图像信号，(,)
图像信号，T为空间域的变换函数，表示在空域内对(,)
f x y所进行的一系列处理过程。

空域增强处理按其作用域不同可分为全局操作、局部操作和点操作。

全局操作操作于整幅图像上，局部操作可以操作于某个图像区域内，点操作则仅仅操作于某些像素点上。

当然如若要明确并有针对性地对同一幅图像区分全局、局部和某些像素点，这必须要有一个明确的概念与标准。

空域增强按其处理策略的不同又可分为全局一致性处理和局部自适应性处理。

全局一致性处理概念简单，思路清晰明了，即对一幅图像的所有像素点进行统一的操作处理，标准一致而不考虑像素点的分布情况。

局部自适应方法主要针对图像的局部对比度、边缘等特殊区域信息进行处理，对含有不同特征的区域进行不同的处理操作，计算量和复杂度相对较大，原理思路复杂灵活多变。

对于空域增强的几种主要处理方法，灰度变换是利用函数将图像的灰度值进行变换，主要途径是利用线性函数、非线性函数或分段映射对图像灰度值进行计算处理，比较常用的非线性函数有指数函数、对数函数和Logistic函数。

图像间运算是对原始图像进行变换或提取关键信息而生成一幅新的图像，新生成的图像与原始图像存在一定的信息相关性，然后利用这幅图像对原始图像进行操作。

直方图变换（Histogram Transformation）是根据一幅图像的直方图信息，然后对直方图的分布和结构做出调整，直方图对于一幅图像来讲就相当于其概率密度函数，因此直方图变换的本质工作就是重新调节原始图像的概率密度函数，然后根据调整后的直方图修改原始图像。

直方图均衡（Histogram Equalization）是直方图变换中应用较为普遍且最典型的方法，用于调节图像的对比度，该方法采用灰度统计特性，将原始灰度图像中在某个区间内较为集中密集的像素值分布调整为
均匀分布于整个灰度区间内。

直方图均衡包含有全局直方图均衡和局部直方图均衡。

关于空域图像增强中模板滤波方法主要有均值滤波和中值滤波，它们主要用于图像的平滑处理。

而另一类常见的空域图像增强模板滤波有基于微分的梯度法、基于模板匹配的方法以及Laplacian算子等，它们主要用于图像的锐化增强。

1.2.2频域增强
基于频域的图像增强方法主要思想是从变换域的角度来重新分析原始图像信号，并在频率域内借助于各种滤波函数进行处理，然后再转换回原始域中，则就变成了处理后的图像信号。

数学公式如下定义（1-2）：
G u v H u v F u v
=× (1-2)
(,)(,)(,)
公式（1-2）中，(,)
G u v为
F u v为原始信号(,)
f x y的变换域的对应信号，(,)
处理后的增强信号(,)
H u v为滤波函数的表达式。

g x y的变换域的对应信号，(,)
常用的滤波方法有低通、高通、带阻及同态滤波等，而滤波函数的选择与设计则需要考虑到实际的滤波目的与用途以及滤波函数本身所具有的特性。

由(,)
f x y 变换到(,)
F u v可通过离散域内的傅里叶变换、Z变换或小波变换等，类似地，从
f x y则只需经过相对应的逆变换操作即可。

(,)
F u v到(,)
频域增强方法在基于小波变换的理论基础之上逐渐具有更高的精度以及更好的稀疏表达特性，并衍生出能够较好表达图像边缘轮廓信息的Curvelet变换和Contourlet变换等超小波变换方法。

这些超小波变换是基于变换域的多尺度分析方法，在图像降噪、图像融合、图像分割和图像对比度增强等研究问题中得到了较为广泛地应用。

1.2.3图像增强的评价方法
关于增强后的图像如何评价其增强效果，这是由预先所要实现的目的所决定的，目前并不存在一个统一的标准来评价所有的增强效果。

但总体上，图像增强的评价标准可分为主观评价和客观评价[8]。

主观评价完全靠人眼的视觉效果观察得来，依据人眼直观地观察图像而得出图像的评价结论，因此会具有明显的个体差异性和较强的经验性，但图像增强的最终结果始终都要通过人眼进行评价，且人对图像质量的评价能够成为最终的审核结论。

因此，基于人类视觉系统（Human Visual System）的评价方案只能是定性地对增强效果做出评价而非定量。

客观评价以公式化的评价体系来衡量增强效果，并给出定量的数字指标作为参考。

常用的标准有：①图像灰度平均值；②图像方差（或标准差）；③信噪比（Signal-to-Noise Ratio），此将图像的估值与实际值之差当作图像噪声；④峰值信噪比（Peak Signal-to-Noise Ratio），PSNR也作为一种合适的衡量图像质量的
评价方法；⑤互信息（Mutual Information），该指标通常用于对融合图像进行计算评估。

对于增强后的图像，通常用综合的方法来进行评价，而非简单的只靠一种指标就完成工作。

为进一步实现较好的评价效果，一方面我们将主观评价标准与客观评价标准相结合，采取综合的评价标准进行合理的评价，另一方面我们寻求一种更好的评价标准和方法来代替已有的标准，使得新的评价指标更具有合理性。

1.3本论文具体研究内容的及选题来源
本论文主要研究对象为图像增强中的图像锐化问题，即主要对图像的边缘等细节区域进行增强处理，使得图像的细节区域更加突出，边缘更加锐化，对比度显著提高。

做这些工作的目的是使得图像的质量有所提升，清晰度有所提高，图像的视觉效果更佳。

更考虑到如今的科技发展，使得人们越来越追求高清晰度和高逼真度的图像所带来的享受，因此考虑如何对已有的图像进行清晰度和对比度的提升也是一个有意义且有价值的研究方向，于是我们就找到这样的课题，并对这样的一个方向进行研究，在研究过程中我们发现问题并主动解决问题，我们寄希望于能够做出一点实用的研究成果。

基于这样的目的和方向，我们选择并研究了图像锐化这个课题[9]。

我们从一种较为普遍应用的图像锐化算法入手，这个算法就是较为经典的非锐化掩模理论（Unsharp Masking），首先分析了经典算法的实现机理，然后剖析方法实现的基本思想及过程，观察算法的效果并分析算法所包含的某些问题或缺陷，并寻求另外一种实现思想并尝试用其他的算法来代替现有的算法，以解决现有算法的不足，如何寻找新的算法以及寻找什么样的算法是本论文的关键所在，本论文对本算法的导出进行了详细的说明，并对本算法的实现机理进行了讲解，最后我们通过大量的实验结果反复对比并论证本算法的有效性。

本论文的研究工作与内容是建立在本课题的研究背景与现状的基础之上，是在基于原始经典方法的缺陷之上的进一步改进，具体的现状与缺陷将会在下文对经典方法的介绍之后进行详细讲解，大体描述为噪声敏感性和过冲问题。

现阶段已经有提出的算法[44,45]对经典方法的缺陷进行改进，文献[12]从控制因子的角度出发对其进行了改进，但其结果仍表现出不满意之处。

文献[46]从噪声抑制的角度进行改进，在低频区对噪声进行了抑制，但在高频区仍旧会表现出缺陷，并且这个方法当中裁剪的过程会影响锐化的过程与结果。

关于噪声图像进行锐化处理，文献[47]当中的算法使用图像的局部信息进行去噪和锐化处理，并提出几何局部自适应锐化处理。

在此基础上，本论文提出一个新的算法用以实现图像锐化。

1.4本论文的框架层次和各章节的内容安排
本论文首先介绍了本课题的研究背景，并讨论了研究本课题的必要性所在，说明了本课题的来源以及研究内容。

接着分析了几种经典的图像锐化增强算法的实现机理与思想，然后根据已有算法的不足与缺陷寻求新的图像锐化算法，而后提出自己的算法并与经典算法进行实验结果对比，最后对结果进行分析并对自己所做工作进行总结和展望。

本论文的具体的章节内容安排如下：
第一章为本论文的绪论部分。

我们首先介绍了本课题的研究背景与研究意义，然后介绍了图像增强技术的研究手段和评价标准，最后介绍了本课题的来源与研究内容。

本章从大体上介绍了本课题的相关内容，概述了本课题的研究意义与价值，较为具体地论述了与本课题相关的技术研究手段和评价标准，并简要介绍了本论文所做的大概工作。

第二章介绍了经典的图像增强与图像锐化算法。

我们首先介绍了图像增强与图像锐化的实现机理与基本思想，然后详细地介绍了几种经典的图像锐化算法，并对几种经典的算法进行了概括性的总结，在对经典算法的分析中，我们研究了传统方法所固有的缺陷和不足，并对存在缺陷和不足的方法提出了改进思路。

第三章介绍了与本课题有关的几种图像滤波算法与算法的应用。

简要介绍了几种与本课题相关的滤波算法，并简单地对其滤波特性和适用性进行分析和总结。

第四章提出了自己的改进算法。

我们首先对本算法进行了介绍，然后说明了提出这种算法的最初的思想来源，最后对这个新的算法进行了详细的介绍，并对其进行了适当的总结。

第五章是实验结果的对比与分析。

对本论文算法的结果与较为常用算法的结果进行了对比，分析了实验结果的差异性以及原因，并对本论文方法的特点进行总结和分析。

第六章是关于本论文工作的总结与展望。

第二章经典的图像锐化方法
本章作为本论文的正式切入点，主要介绍几种经典的图像锐化方法，并分析已有方法的实现机理和固有缺陷，进而加深对已有算法机理的理解，从而为改进算法的研究工作提供一套清晰可行的思路与方向。

2.1图像锐化的预备知识
图像锐化最直接的目的就是要使得一幅图像中的细节区域变得更明显，比如图像边缘区域，并同时使得图像的非细节区域不能在锐化处理的过程中发生较大的改变。

图像锐化大多是从空域的角度对图像进行处理，而非频域内操作。

虽然在频域很容易区分一个信号的低频成分和高频成分，图像信号频域的不同成分对应于图像的不同区域，相应地一幅图像信号的高频成分对应于图像的细节区域，而低频成分则对应于图像相对较为平坦的区域[10]。

直观的感觉是区分一幅图像的细节部分与相对平坦区域只需一个合适的滤波器函数即可以实现，但实际情况并非如此，因为自然图像（非特定图像）信号是一个复杂的二维信号，无论空域还是频域要能够准确地描述其信号特征并精准用数字特征区分其不同的区域的差异是一件相当复杂且难度较大的工作，有时还容易受到非图像信号的干扰，比如噪声信号。

因此，图像锐化较为广泛的研究方法大多都是从空域直接分析图像信号的特征并从空域寻求解决方法来实现图像增强[11]。

既然图像锐化是要增强图像的细节区域的特征，使得细节区域更加明显。

那么我们首先就要从图像信号的特征来分析图像的细节区域与图像的相对平坦区域，从函数形态上观察两者形态的特点以及差异。

下图2-1为从原始灰度图像所提取的第200行数据的信号波形。

(a)原始图像(b)第200行赋值为255 (c)第200行的数据形态
图2-1原始图像及其第200行数据波形。