图像边缘后处理算法

图像边缘后处理算法　

李文彬１，朱红　

（西安电子科技大学模式识别与智能控制研究所　７１００７１）　

摘要：　基于边缘模型重建的数字图像后处理算法可以改善高倍压缩图像的主观和客观质量。本文通过对压缩图像退化原因以及现有的基于边缘模型的后处理算法的分析和讨论, 提出了一种新的基于边缘模型的后处理算法。

关键词：　图像后处理；图像压缩；边缘

O n Digital Image Post-processing Algorithms of

Model-based Edge

Li Wenbin1, Zhu Hong

(Institute of Pattern Recognition and Intelligence Control, Xi’an University, Xi’an, 710071)

Abstract: Digital image post-processing algorithms of model-based edge can improve the subjective and objective quality of decompressed images. In this paper, the writer represents a new post-processing algorithm of model-based edge by analyzing the reason of image degradation and the available algorithms.

key words: Digital Image Post-processing; Image Compression; Edge

1 引言

提高数字图像压缩性能，通常有以下三种方法：第一，提高压缩算法的效率；第二，使用新的变换算法，使能量更加集中；第三，通过预处理或后处理来改善压缩图像质量。静止图像压缩发展到目前为止，基本上都是以ＪＰＥＧ２０００标准为框架。在压缩算法和变换算法都很难有大的突破的情况下，通过预处理或后处理来改善压缩图像质量是另辟蹊径。　

本文主要论述基于边缘模型的数字图像后处理的方法及其研究方向，提出一种新的基于边缘模型的图像的后处理算法，最后总结这些方法的优缺点并指出今后研究方向。　

2 基于边缘模型的边缘重建后处理算法简介

现在流行且效果比较理想的压缩算法都是基于小波变换的嵌入式编码算法，如ＳＰＩＨＴ［１］、ＳＰＥＣＫ［２］、ＥＢＣＯＴ［３］等。ＪＰＥＧ２０００就采用了ＥＢＣＯＴ（嵌入式位平面失真率可优化编码）。　

１　作者简介：李文彬（１９７９－），广东省汕头市人，西安电子科技大学２００２级研究生，主要从事静态图像压缩研究和ＦＰＧＡ设计。　

图像经过小波变换后，小波系数的分布特点是低频子带系数值比较大，包含的图像信息比较多。而高频子带系数值较小，包含的信息也少。嵌入式编码利用小波系数分布的特点先传低频的系数的重要比特，后传高频系数的重要比特，从最重要的位（最高位）到最不重要的位（最低位）逐个发送，直到达到所需压缩率后停止。从而主要保留了图像的低频信息，而高频信息丢弃的量比低频信息的多。高频信息所对应的图像细节信息如边缘，也因此变得模糊不清，主要表现在为“振铃效应”和“模糊效应”［４］。在高压缩比下，这种现象对细节丰富的图像尤为明显，如遥感图像。　

为了在现有的压缩框架上提高图像质量，不少学者提出了各种图像边缘后处理的方法，其中以Ｇ．Ｌ．ＦＡＮ　提出的基于边缘模型边缘重建的后处理算法［４］比较有代表性。这种算法是在空域中对图像中重要的边缘按一定的模型进行重建，使其更接近于原始边缘。虽然这类边缘重建算法在理论上对图像的恢复或增强都具有一定效果。但是由于这类算法的处理过程涉及到边缘检测。所以怎样简单而又准确的对符合处理条件的边缘进行确定，准确的找出对应的边缘中心和边缘点并根据相应的数学模型进行处理，是这类算法的关键所在。而事实上由于信号离散的原因，以及压缩过程中图像边缘中心位置的漂移和浮动（特别是浮动），使得本来就缺少先艳信息的后处理工作变得繁琐，　不利于实时图像的处理。而且在工程上，这类方法涉及到乘法运算，硬件可实现性不高。　

3 改进的基于边缘模型的图像后处理算法

3.1 算法概述

经过对常见边缘后处理算法的分析，同时结合实际应用，我们对不同类型的图像的边缘进行了统计分析　（说明：实验均以ｌｉｆｔ９７小波变换加ＥＢＣＯＴ编码的１６倍压缩图像为例）。我们用离散的ｃａｎｎｙ算法［６］对图像的边缘进行检测，然后用Ｍａｔｌａｂ对检测到的边缘进行统计。我们发现下面几个现象：　第一，图像压缩后，图像中边缘中心位置几乎都会发生不同程度的上下漂移。并且对整幅图像来说，增大和减小的概率是一样的。但是非边缘中心的点的变化却不是等概率的，也就是说处于边缘某一特定区域的点具有一个大概率的变化趋势。并且对不同的边缘类型，不同的边缘宽度，这种大概率事件的变化趋势还各有不同的规律。　

图．１　不同宽度边缘的处理　

Ｆｉｇ．１　ｅｄｇｅ　ｍｏｄｅｌｓ　ｗｉｔｈ　ｄｉｆｆｅｒｅｎｔ　ｗｉｄｔｈ　

说明：图１中字母旁的箭头表示相应像素（黑色圆点）的值在后处理算法中的变化趋势。　

第二，图像边缘宽度Ｗ的范围主要集中在（０．５～２）之间［５］，如图１所示。对应不同宽度的边缘，其退化的主要表现形式也不一样。研究表明，边缘宽度为Ｗ＝０．５　和Ｗ＝１的边缘，退化在ａ点表现为：该点的值比原图像的值大的概率比较大；而ｂ点的值比原图像小的概率也相应较大。也就是说这类边缘的退化主要是由“振铃效应”造成的过冲现象；而对Ｗ＝１．５和　Ｗ＝２的边缘的统计研究表明：此类边缘的则是在像素点ｂ的值增大，而ａ值减小的概率较大，并且退化的程度与边缘的落差成正比。我们认为导致这种现象的主要原因就是原始边缘经过带通滤波后变平缓了，即边缘的“模糊效应”。所以对这一类型的边缘，我们采取自适应的数值补偿，使边缘得到有效的锐化。