反锐化掩模方法用于图像增强

合集下载

一种改进的非锐化掩模深度图像增强算法

一种改进的非锐化掩模深度图像增强算法

第46卷㊀第8期2014年8月㊀哈㊀尔㊀滨㊀工㊀业㊀大㊀学㊀学㊀报JOURNALOFHARBININSTITUTEOFTECHNOLOGY㊀Vol 46No 8Aug.2014㊀㊀㊀㊀㊀㊀一种改进的非锐化掩模深度图像增强算法冯㊀策,戴树岭(北京航空航天大学自动化与电气工程学院,100191北京)摘㊀要:针对深度图像平滑过程中会模糊细节的缺点,提出了自适应的非锐化掩模深度图像增强算法.首先将深度图对应的彩色图像作为联合双边滤波的引导图,利用彩色图像相关特征修复了深度图像的缺失和毛糙,然后将双边滤波后的深度图像与高斯滤波后的深度图像作差,提取出不含噪声的高频部分,克服了经典非锐化掩模算法放大高频噪声的缺点,最后根据边缘以及细节的模糊程度,自适应地调节叠加到图像上的高频部分.实验结果表明,设计的算法有效地增强了深度图像细节,抑制了平坦区域的噪声,并填补了边缘缺失,较好地改善了深度图像的质量.关键词:深度图;图像增强;非锐化掩模;双边滤波;深度图修复中图分类号:TN911 73文献标志码:A文章编号:0367-6234(2014)08-0107-06AnimprovedunsharpmaskingmethodfordepthmapenhancementFENGCe,DAIShuling(SchoolofAutomationScienceandElectricalEngineering,BeijingUniversityofAeronauticsandAstronautics,100191Beijing,China)Abstract:Anadaptiveunsharpmaskingfilterisproposedtoenhancethedetailsblurredinthedepthmapfiltered.Firstly,thecolorimageisusedasguidedimageinjointbilateralfiltertorecoverthelostregionandreducethenoise.Thenamaskisextractedbysubtractingalow⁃passfiltereddepthmapfromthebilateralfiltereddepthmap,whicheffectivelyovercomestheshortcomingoftraditionalmethodthatamplifieshigh⁃frequencynoise.Finally,accordingtodegreeofblur,thespatialimportanceisadaptivelyaddedtothedepthmapfiltered.Experimentalresultsshowthattheproposedmethodperformsbetterinenhancingthedetails,reducingnoiseandrecoveringthelostregionofdepthmap.Keywords:depthmap;imageenhancement;unsharpmasking;bilateralfilter;depthmapinpainting收稿日期:2013-09-10.基金项目:国家自然科学基金资助项目(50975010);中央高校基本科研业务费专项资金资助项目(YWF⁃13⁃D2⁃HK⁃26).作者简介:冯㊀策(1984 ),男,博士研究生;戴树岭(1966 ),男,教授,博士生导师.通信作者:冯㊀策,fengce1984@163.com.㊀㊀深度图像的获取是机器视觉中的重要步骤,三维重建㊁碰撞检测㊁增强现实㊁模式识别等都依赖于对深度图像的分析.由于深度信息独立于光照以及物体表面的光反射特性,与传统的图像相比,深度图像不受光照改变以及阴影的影响,因此,深度图像更容易表现物体的特征,适用于提升机器视觉任务的可靠性和实时性.深度图像通常由双目相机,阵列相机以及深度相机[1]进行采集,然而由于采集设备获取的深度图质量不高,通常存在图像缺失,分辨率低,以及噪声严重等问题,制约了深度信息在工业上的应用.所以如何来改善深度图的质量是本文所要研究的内容.1㊀问题分析由传感器获取的深度信息主要存在以下两方面问题:由于摄像头精度问题所固有的误差和光噪声;由于在物体边缘处存在深度不连续性,导致在对象的边界处会出现许多空洞,即深度缺失.近些年,研究人员在深度图像质量优化方面做出了许多工作.在深度图降噪方面,文献[2]改进了自适应核回归算法,对深度图像进行了降噪的同时保持了细节,但是没有修复缺失,并且计算复杂度较高.文献[3]采用了三边滤波法进行降噪处理,并在时域上增强了图像细节,但预处理流程复杂,需要对图像进行分割以及前景提取等.在深度图修复缺失方面,文献[4]分别采用两种尺寸的窗体对深度图像进行中值滤波,大尺寸窗体用来填充缺失,小窗体用来平滑噪声,但是算法没有解决边缘毛糙的问题.文献[5]提出了时域滤波深度图修复增强算法,但是这种方法复杂度高,也不适用于修复单幅的深度图像.文献[6]在硬件方面作了创新,提出了结合深度相机与双目相机方式来修复深度图像,但是系统过于庞大,不易于实现.这里针对传统修复算法存在的问题提出了深度图增强的分析方法:1)结合空间滤波算法与空间图像增强算法来提高图像质量,目的是滤除噪声同时增强被模糊的细节部分;2)深度图像的缺失通常存在于边缘部分以及深色部分,利用深度图对应的彩色图像相关性填补图像中缺失的部分.根据以上分析,本文改进了经典的非锐化掩模算法[7],并结合了联合双边滤波法,构造出了自适应的深度图像增强的算法,既可以填补缺失,平滑噪声,又可以保持细节的清晰.2㊀自适应的非锐化掩模深度图像增强算法2 1㊀改进的非锐化掩模算法如图1所示,经典的非锐化掩模是将图像的高频部分与原图像叠加的增强过程,如下式所示,高频部分是通过原图像与图像的低频部分作差得到的.通常深度图像包含3种类型的区域:边缘区域㊁平坦区域和细节区域,对应图2㊁3中的标号1㊁2㊁3部分,其中细节区域和边缘区域包含图像的重要信息,图像增强的主要目的是对这两类区域作适当的增强,同时尽量避免放大图像噪声.Di-^G∗Di=ΔDi,(1)λ㊃ΔDi+Di=Do.(2)其中:Di为待处理的深度图,Do为增强后的深度图像,^G∗Di为原图像高斯滤波的过程,ΔDi为得到的图像高频部分,λ为增强部分的权重因子.非锐化掩模算法非常适用于深度图像的增强,原因如下:1)深度图和彩色图不同,彩色图像中存在高光和阴影等不希望增强的部分,而这些部分在深度图像中是不存在的;2)非锐化掩模的高频掩模部分,通常一侧是光晕,另一侧是阴影,如图4中的掩模ΔDi所示,主要适用于不同层次物体间的边缘以及细节区域的增强,而深度图像中高对比度的部分主要是边缘区域和细节区域.2006年Luft等[8]利用深度图的高频部分叠加到彩色纹理上,进而增强彩色图像的边缘以及细节部分.㊀㊀经典的非锐化掩模算法的缺点是会导致平坦区域高频噪声的放大,如图1所示,本文思想是结合保边的滤波算法,克服经典方法的缺点,修复图像的同时增强图像细节以及边缘部分.(a)原深度图像㊀㊀㊀㊀㊀㊀㊀㊀(b)经典方法图1㊀非锐化掩模算法3002001000-10020406080灰度值原始图像双边滤波的图像掩模ΔD123像素索引图2㊀高斯滤波掩模原始图像双边滤波的图像掩模ΔD 0204060803002001000-100灰度值321像素索引图3㊀双边滤波掩模㊀㊀从图2中可见,ΔD是原图像与高斯模糊图像作差所得到的高频部分,图2中标号2位置对应的ΔD是高频噪声,而这一高频部分是图像增强中所不需要的,因此如何滤除平坦区域的高频噪声,修补缺失,增强细节以及边缘区域部分是本文所追求的目标.根据需求本文联想到了保持边缘的滤波算法:双边滤波法.经典的高斯滤波是利用局部加权平均的思想,但是平滑了图像的同时,也模糊了图像的边缘.为了保持图像边缘信息,Tomasi等提出了双边滤波算法[9],不仅考虑了距离权重,也考虑到了像素灰度相似性,其中与中心像素相似的邻域像素的权重较大,即加权平均的贡献较大;而非相似的邻域像素则权重很小,几乎不参与加权平均,因此双边滤波这种特性很好地保持了图像边缘,即高频部分,模型如下式所示.Ip=1kpðqɪΩpIqiwr(p,q)ws(Ipi,Iqi).(3)㊃801㊃哈㊀尔㊀滨㊀工㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第46卷㊀其中:I为输出图像,Ii为输入图像,wr为灰度相似度权重因子,ws为几何相似度的权重因子,权重函数为高斯分布函数.从图3中可见,本文将双边滤波法应用到了一维图像上,并与原图像作差,仅得到平坦区域的高频噪声,而边缘区域的高频部分ΔD趋近于0.对比图2与图3,平坦区域ΔD基本相同,由此可知,如果参数设置适当,双边滤波法和高斯滤波法在平坦区域的滤波效果相似,因此可以利用这个特点对传统非锐化掩模算法进行改进:将双边滤波法应用到原图像上,平滑原图像平坦区域的高频噪声,再与高斯滤波的低频图像作差,得到了降噪的高频部分ΔD,如图3所示.图4(a)是经典的非锐化掩模算法得到高频部分ΔD,图4(b)是本文改进的算法得到的高频部分ΔD,可以看出改进算法后得到ΔD中的噪声部分趋近于0,利用去噪的ΔD进行局部掩模计算,这样得到的图像只会增强细节和边缘部分,不会增强噪声部分,有效地克服了经典非锐化掩模放大噪声的缺点.改进后的算法为^B∗Di-^G∗Di=ΔDi,(4)λ㊃ΔDi+^B∗Di=Do.(5)其中:Di为待处理的深度图,Do为增强后的深度图像,^B∗Di为对图像进行双边滤波的过程,^G∗Di为原图像高斯滤波的过程,ΔDi为得到的像高频部分,λ为增强部分的权重因子.2001000-100020406080020406080掩模ΔD i掩模ΔD i2001000-100ii(b )改进非税化掩模(a )经典非税化掩模图4㊀经典和改进非锐化掩模ΔD㊀㊀图5为经典非锐化掩模的算法流程,对应式(1)㊁(2):待处理图像Di与经过高斯滤波的图像^G∗Di作差得到掩模ΔDi,再将ΔDi乘以权重λ,并叠加到图像Di上,得到增强后的图像Do.图6为改进后的算法流程,对应式(4)㊁(5):将经过双边滤波的图像^B∗Di与经过高斯滤波的图像^G∗Di作差得到掩模ΔDi,再将ΔDi乘上权重λ,并叠加到双边滤波的图像^B∗Di上,得到增强后的图像Do.oiiiG图5㊀经典的非锐化掩模算法BGiiioi图6㊀改进后的非锐化掩模算法2 2㊀滤波器的改进本文对式(4)中的双边滤波法^B的改进目标是保持边缘和细节清晰;填补缺失,平滑噪声.深度图缺失通常是由于深度不连续性造成的,这部分缺失一般处于边缘位置,传统的图像缺失修复方式是利用窗口内邻域像素加权平均进行填充,但是处于边缘部分的缺失像素,其邻域会分为前景和背景部分,如果利用全部的邻域信息进行填充,会导致待填充像素信息的不准确,即前景和背景的混淆,这样就无法保证边缘以及细节部分的清晰性.根据以上存在的问题进行分析:1)缺失区域的深度像素对中心像素的填充没有参考价值;2)只有处于同一平面物体的深度信息才有参考价值.根据以上分析,本文改进了增强算法中的滤波法,使其在抑制噪声的同时能够修复深度图像的缺失.本文利用联合双边滤波的思想来解决前后背景像素混淆的问题,联合双边滤波[10]是一种非线性的滤波方法,是在双边滤波法[9]的基础上提出来的,是结合了引导图灰度相似度和空间邻近度的滤波法.本文利用引导图像素间的灰度相关性来判断邻域像素是否有效,即对于中心像素是否具有贡献.邻域像素为有效像素,需要满足两方面的条件:1)不是缺失像素.如果不是缺失像素,㊃901㊃第8期冯策,等:一种改进的非锐化掩模深度图像增强算法其深度值可以作为加权平均的参考值,从实验获取的深度图,以及网上公开测试集中可知缺失像素的灰度值为0,因此本文将缺失阈值设定为0,即Dth=0,判定缺失像素的权重为H(Dq),当Dq>Dth时,此邻域像素不是缺失像素.2)与中心像素的灰度值相近.只有与中心像素处于同一平面的邻域像素才认为是有效的,同平面的标准是利用引导图像中的像素灰度相似性来判断,本文所使用的引导图像是深度图像对应的彩色图像,如下式所示,判定同一平面的权重为wr(Ip,Iq),其中Ip代表在彩色图像中p位置的像素,Iq代表在彩色图像中q位置的像素,wr为高斯函数.因此^B写成为Dpb=1kpðqɪΩpDqws(p,q)wᶄ(Dq,Ip,Iq).(6)wᶄ(Dq,Ip,Iq)=wr(Ip,Iq)H(Dq).(7)H(Dq)=1,Dq>Dth;0,其他.{(8)wr(Ip,Iq)=exp-|Ip-Iq|22σ2ræèçöø÷.(9)ws(p,q)=exp-|p-q|22σ2sæèçöø÷.(10)kp=ðqɪΩpws(p,q)wᶄ(Dq,Ip,Iq).(11)其中:Db为双边滤波后的深度图像,H(Dq)为判断像素是否有效的权重因子,I为联合滤波的引导图像,Dth为判断像素是否缺失的阈值,ws(p,q)为距离权重,wr(p,q)为引导图灰度权重.式(4)中的高斯滤波^G作用是获取低频信息,不需要保持边缘清晰,因此只需要填补缺失像素为Dpg=1kpðqɪΩpDqws(p,q)H(Dq).(12)kp=ðqɪΩpws(p,q)H(Dp).(13)其中:Dg为高斯滤波后的深度图像,H(Dq)为式(8)所示,ws(p,q)为距离权重式(10)所示.2 3㊀自适应图像增强在有效的处理图像的同时,尽可能最大程度的保证原图像深度信息的准确性,避免引入新的深度信息,因此在叠加高频信息时需要对权重因子作适当优化.自适应深度图像增强的目标:1)削弱叠加到高对比度(边缘)处的高频部分,避免过冲现象.2)重点增强低对比度的细节区域.通过对高频部分|ΔD|观察,处于边缘处的|ΔD|值较大,一些细小几何结构变化部分的|ΔD|值较小,处于平坦区域的|ΔD|值接近于0,如图3所示.根据以上特点进行分析,本文改进了权重值λ,用自适应的参数替代了传统权重值λ.λ=f(ΔD)=21+(m|ΔD|)E.(14)因此λ㊃ΔD转化为λ㊃ΔD=τ(ΔD)=2㊃|ΔD|1+(m|ΔD|)E.(15)㊀㊀函数中的m为阈值,由图7可见,当|ΔD|高于m被削弱,即λ小于1,这样减弱叠加到高对比度处的高频部分ΔD,避免增强过度的情况;当|ΔD|低于m时被增强,即λ大于1,这样重点增强了低对比度的部分,弥补了传统滤波器会导致细节模糊的不足.参数E控制了削弱增强的程度.对于阈值m的选取,对一组图片进行测试,当λ=1时,归一化后的|ΔD|为0 0325时的图像会出现过冲效果,因此本文选取m值为0 0325,函数曲线如图8所示.通过实验效果和曲线两方面进行比较,E=-3时效果最为理想.从曲线中可以看出,当E=-4时λ㊃ΔD超过了0 0325,而E=-2时高对比度部分增强过度.2.01.61.20.80.40.20.40.60.81.0E =-3E =-4E =-2ΔDλ图7㊀自适应权重λ曲线图E =-3E =-4E =-20.040.030.020.010.20.40.60.81.0ΔDλ?|ΔD |图8㊀λ·|ΔD|曲线图㊃011㊃哈㊀尔㊀滨㊀工㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第46卷㊀㊀㊀图9为不同λ叠加效果,由图9(c)的图片可见,|ΔD|>0的部分是非平坦区域,包括边缘和细节变化区域:ΔD<0是边缘内侧部分,用ΔD-表示,ΔD>0是边缘外侧部分,用ΔD+表示,当ΔD<0时叠加后的边缘内侧会呈现光晕状,ΔD>0边缘外侧会呈现出阴影状.由于光晕出现在边缘内侧,即相对的前景物体上,如果光晕范围过大或者过强会影响前景物体深度信息的准确性.㊀㊀如图9(a)所示,方框内脚部边缘的光晕过强.因此ΔD-部分要弱于ΔD+部分,本文改进了式(5),对于不同ΔD使用不同的权重因子来增强,即λ+㊃ΔD++λ-㊃ΔD-+^B㊃Di=Do,(16)λ+=21+(0 0325ΔD+)-3,(17)λ-=1 61-(0 0325ΔD-)-3.(18)其中:Di为待处理的深度图,Do为增强后的深度图像,^B∗Di为原图像双边滤波的过程,λ+和λ-分别为ΔD+和ΔD-高频部分的权重因子.图9的4幅图展示了是不同权重下的深度图像增强效果.其中9(a)㊁9(c)㊁9(d)是λ+与λ-相同时的增强效果,而9(b)是λ+与λ-不同时的增强效果,对比可见9(b)的效果较为理想.(a)λ是自适应权重㊀㊀㊀㊀㊀(b)λ+与λ-不同(c)过冲,λ=5㊀㊀㊀㊀(d)权重为固定值,λ=1 5图9不同λ叠加效果3㊀实验结果采用本文所提出的方法对一组kinect采集的深度图像[11]进行处理,如图10所示.针对640ˑ480分辨率的深度图像,当滤波窗口大小为15ˑ15,灰度权重的标准差σr为0 1,距离权重的标准差σs=5时的实验效果比较理想.图10中将本文的算法结果与修复缺失的双边滤波法结果进行比较,从放大的细节区域可以看到,本文算法对于细节部分给予了很好的增强.(a )彩色图像(b )原始深度图像(c )修复缺失的双边滤波(d )本文算法(e )细节放大图10㊀实验结果㊃111㊃第8期冯策,等:一种改进的非锐化掩模深度图像增强算法㊀㊀由图10中细节放大部分可见,宠物的毛绒边缘增强效果比较理想;其中第5行图片中,玩偶帽沿的边缘部分以及鼻子细节部分增强效果也较明显.4㊀结㊀论1)提出了改进的非锐化掩模深度图像增强算法,利用联合双边滤波法对图像的高频信息进行提取,克服了传统方法放大高频噪声的缺点,增强了深度图像边缘以及细节的部分.2)采用了深度信息对应的彩色图作为引导图,修复了深度图像的缺失,改善了深度图像的质量.3)在一组低质量的深度图像上测试了该算法,图像质量提升效果明显.但是算法缺点是在修复较大缺失过程中比较耗时,滤波窗口的尺寸不满足实时性的需求.由于该算法满足并行计算的要求,因此下一步计划在GPU上实现该算法,并尝试采用引导滤波法[12]来提升效率.参考文献[1]FOIXS,ALENYAG,TORRASC.Lock⁃intime⁃of⁃flight(ToF)cameras:asurvey[J].SensorsJournal,IEEE,2011,11(9):1917-1926.[2]KIMSY,CHOW,KOSCHANA,etal.Depthmapenhancementusingadaptivesteeringkernelregressionbasedondistancetransform[J].LectureNotesinComputerScience,2011,6938:291-300.[3]KIMSY,CHOJH,KOSCHANA,etal.Spatialandtemporalenhancementofdepthimagescapturedbyatime⁃of⁃lightdepthsensor[C]//20thInternationalConferenceonPatternRecognition(ICPR).Istanbul:IEEE,2010:2358-2361.[4]MAIMONEA,FUCHSH.Encumbrance⁃freetelepresencesystemwithreal⁃time3dcaptureanddisplayusingcommoditydepthcameras[C]//10thIEEEInternationalSymposiuminMixedandAugmentedReality(ISMAR).Basel,Switzerland:IEEE,2011:137-146.[5]MATYUNINS,VATOLIND,BERDNIKOVY,etal.Temporalfilteringfordepthmapsgeneratedbykinectdepthcamera[C]//3DTVConference:TheTrueVision⁃Capture,TransmissionandDisplayof3DVideo(3DTV-CON).Antalya,Turkey:IEEE,2011:1-4.[6]KIMSY,LEEEK,HOYS.Generationofroienhanceddepthmapsusingstereoscopiccamerasandadepthcamera[J].IEEETransactionsonBroadcasting,2008,54:732-740.[7]LEUJG.Edgesharpeningthroughrampwidthreduction[J].ImageandVisionComputing,2000,18(6/7):501-514.[8]LUFTT,COLDITZC,DEUSSENO.Imageenhancementbyunsharpmaskingthedepthbuffer[J].ACMTransactionsonGraphics,2006,25(3):1206-1213.[9]TOMASIC,MANDUCHIR.Bilateralfilteringforgrayandcolorimages[C]//InternationalConferenceonComputerVision(ICCV).Bombay:IEEE,1998:839.[10]PETSCHNIGGG,SZELISKIR,AGRAWALAM.Digital⁃photographywithflashandno⁃flashimagepairs[J].ACMTransactionsonGraphics,2004,23(3):664-672.[11]LAIK,BOL,RENX,etal.Alarge⁃scalehierarchicalmulti⁃viewRGB⁃Dobjectdataset[C]//2011IEEEInternationalConferenceonRoboticsandAutomation(ICRA).Shanghai:IEEE,2011:1817-1824.[12]HEK,SUNJ,TANGX.Guidedimagefiltering[M].Heidelberg,Berlin:Springer,2010:1-14.(编辑㊀魏希柱)㊃211㊃哈㊀尔㊀滨㊀工㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第46卷㊀。

软阈值方法较好因此在这里我们以软...

软阈值方法较好因此在这里我们以软...

摘要小波变换是近十几年发展起来的一种新的信号和图像处理工具。

小波分析良好的时频特性决定了它在图像去噪和增强中具有广阔的应用前景,使得这一领域充满生机。

超声检查技术已成为医学临床诊断的重要手段之一。

医学超声图像成像过程中产生的噪声降低了图像质量,影响了医生对疾病的诊断,故有必要抑制超声图像噪声和增强图像。

超声图像去噪和增强是超声图像处理的一个预处理过程,它是病变识别和分析的前提,在医学图像处理中,医学超声图像的去噪和增强的研究有着重要的意义。

本文首先介绍了小波图像去噪和增强的现状,然后阐述了小波图像去噪和增强的理论基础,最后是利用小波变换的多分辨率特性,结合人眼的视觉特性,围绕小波图像去噪和增强的中心问题进行了研究,提出了相应的处理方法。

本文主要内容有:1.在医学超声图像噪声抑制方面:提出了基于贝叶斯估计的小波去噪方法和半软阈值小波图像去噪法。

这两种方法,在图像的不同分辨率上,分别对小波系数进行不同的处理。

半软阈值去噪法体现了将多分辨率分析和自适应处理有机结合的思想。

实验结果表明本文的方法,在抑制噪声的同时尽可能多的保留对医生有用的图像边缘、细节信息,该去噪方法确实是行之有效的。

2.在超声图像增强方面,提出了先采用基于小波的高频增强法来增强图像细节再用非线性对比度增强的方法来改善图像视觉效果的增强方法,以及基于小波和模糊算法的图像增强方法。

这些方法既增强了图像的细节特征又符合人眼的视觉特性,提高了图像的清晰度,有效地避免了平坦区域噪声的过增强问题。

实验结果表明此方法具有一定的应用价值。

关键词:小波分析;图像去噪;图像增强;医学超声图像;半软阈值;贝叶斯估计AbstractWavelet transform is a nee signal and image processing tool developed in recent years. The wavelet analysis has excellent time and frequency feature, which hand a progmising application in image de-noising and enhancement, it make the field full of vitality force.Ultrasonic detection technology has already been one of the important means of medical clinical diagnosis. Noise derived from the imaging degraded image quality and affected the detection rate of correctness. So noise must be removed from ultrasound image and enhance image should be enhanced.Ultrasound image de-noising and enhancement are a pre-processing step in its processing, it is also the premise of disease recognition and analysis. Research on ultrasonic image de-noising and enhancement have important meaning. At first the present state of research on de-noising and enhancement based on wavelet are introduced in this paper, then we make a brief description of theoretical knowledge about image de-noising and enhancement via wavelet. Finally, both image de-noising and enhancement based on wavelet are mainly studied according to multi-resolution of wavelet analysis together with human vision, we proposed relevant methods. The contents are as follows:⒈ In the aspect about noise removal of ultrasound image, we present wavelet de-noising methods based on Bayesian estimation and semi-soft threshold image de-noising. The two methods, we make different processing in diverse resolution of image. The method of semi-soft threshold embody the idea of multi-resolution together with adaptive process. Experiment result shows that the two methods can preserve some useful image edge and details to doctor as much as possible while removing noise, it also indicate that the two are simple and reliable.⒉ In the aspect of ultrasound image enhancement. Two methods are presented. The first method is of high components strengthened based on wavelet to enhance image detail, then, image vision quality is improved through nonlinear contrast enhancement. The second one via wavelet together with fuzzy algorithm. The two methods not only enhance image details but also fit in with human vision, distinct of image is improved and noise over-enhancing can be voided in flatness area. The experiment results indicate that they have worthiness in practical application.Key words: wavelet analysis; image de-noising; image enhancement; medical ultrasound image;semi-soft threshold; Beyesian estimation目录第一章 引言 (1)§1.1本课题的研究意义 (1)§1.2本课题的来源与研究内容 (2)§1.3基于小波变换的图像降噪发展与现状 (3)§1.4基于小波变换的图像增强的发展与现状 (4)§1.5本文的主要工作和论文结构安排 (5)第二章 基于小波的图像去噪和增强的理论基础 (6)§2.1人眼视觉特性 (6)§2.2 小波变换 (6)§2.2.1 小波变换发展概述 (6)§2.2.2 小波变换与付里叶变换的比较 (7)§2.2.3 连续小波变换 (8)§2.2.4 离散小波变换 (9)§2.2.5 二进制小波变换 (10)§2.2.6 多分辨率分析 (11)§2.2.7 二维图象小波变换分解与重构 (11)第三章基于小波的医学超声图像去噪 (15)§3.1超声图象模型表征 (15)§3.2用小波变换抑制超声图像噪声 (16)§3.2.1 小波半软阈值去噪法 (17)3.2.2 基于经验贝叶斯估计的小波去噪法 (22)§3.3 小波图像去噪算法 (25)§3.4 去噪图像的评价指标 (25)§3.5 实验结果与比较 (26)§3.6 讨论 (29)第四章 基于小波的超声图像增强 (30)§4.1基于小波变换的图像增强的原理 (30)§4.2 基于小波的高频加强法和非线性对比度增强 (31)§4.2.1基于小波的高频加强法 (31)§4.2.2 基于小波非线性对比度增强 (31)§4.2.3基于小波小波和非线性对比度增强的算法 (33)§4.3 基于小波和模糊算法的图象增强 (34)§4.3. 1应用步骤 (34)§4.3.2基于小波和广义模糊增强算法 (34)§4.4 图像增强的评价指标 (35)§4.5 试验结果与讨论 (39)第五章 总结与展望 (39)§5.1 工作总结 (39)§5.2 尚待解决的问题 (40)§5.3 展望 (40)参考文献 (42)攻读硕士学位期间发表的论文 (46)致谢 (47)第一章引言20世纪70年代初到70年代中期,以灰度表示的实时显示装置的开发,使超声波技术应用到了医学诊断[1]。

【计算机系统应用】_图像增强_期刊发文热词逐年推荐_20140725

【计算机系统应用】_图像增强_期刊发文热词逐年推荐_20140725

推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10
2011年 科研热词 非线性扩散 遥感图像放大 边缘增强 插值 彩色自蛇模型 图像锐化 图像增强 图像分割 区域生长 中值滤波 推荐指数 1 1 1 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
科研热词 推荐指数 直方图均衡化 2 图像增强 2 静脉分割 1 边缘检测 1 脑白质疏松症 1 特征提取 1 灰度级相位 1 植物病害 1 支持向量机 1 指纹识别 1 形态学重建 1 小波变换 1 小波去噪 1 多阈值分割 1 图像融合 1 图像分解 1 图像分割 1 变换 1 医学图像增强 1 分水岭算法 1 分水岭变换 1 人脸识别 1 wavelet transformation 1 venous extraction 1 top-hat transform 1 multi-threshold segmentation 1 msrcr 1 matlab 1 leukoaraiosis 1 gamma 1 canny算子 1 bp神经网络 1
科研热词 非线性函数 高斯平滑滤波 钙化点 自适应 自动聚焦 纹理谱 流程图 感兴趣区域 彩色空间转换 局部二值模式 尺度相关 小波变换 封装技术 图形算法控件 图像清晰度 图像处理平台 图像增强 可视化编程 反锐化掩模法 去噪 区域扩张 共生矩阵 低对比度 乳腺图像 中心对称局部二值模式 smqt fdct
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

反锐化掩模法的原理

反锐化掩模法的原理

反锐化掩模法的原理
一、引言
反锐化掩模法是一种图像增强的方法,通过对图像进行滤波,使得图
像中的细节更加清晰、鲜明。

本文将详细介绍反锐化掩模法的原理。

二、什么是反锐化掩模法
反锐化掩模法(Unsharp Masking)是一种基于滤波的图像增强技术,它通过对图像进行滤波来增强其细节。

具体来说,它首先对原始图像
进行高斯滤波,然后将原始图像与高斯滤波后的图像做差,得到一个
掩模。

最后将掩模与原始图像相加,得到增强后的图像。

三、高斯滤波
高斯滤波是一种线性平滑滤波器,在空间域中使用高斯函数作为权值
函数进行卷积。

它可以消除噪声和平滑图像,并且不会破坏边缘信息。

在反锐化掩模法中,我们使用高斯滤波器来平滑原始图像,并生成一
个平滑版本。

四、生成掩模
生成掩模是反锐化掩模法中最重要的部分之一。

在这个步骤中,我们
需要从平滑版本中提取出细节信息。

具体来说,我们通过将平滑版本
从原始图像中减去来获得掩模。

这个掩模包含了原始图像中的细节信
息。

五、增强图像
在生成掩模之后,我们可以将其与原始图像相加来增强图像。

由于掩模包含了原始图像中的细节信息,所以增强后的图像会更加清晰、鲜明。

六、总结
反锐化掩模法是一种基于滤波的图像增强技术,它通过对图像进行高斯滤波和生成掩模来增强其细节,并最终将其与原始图像相加来得到增强后的图像。

这种方法可以有效地提高图像质量,并且在数字摄影和计算机视觉等领域得到广泛应用。

双能X射线安检图像显示质量关键技术研究

双能X射线安检图像显示质量关键技术研究

双能X射线安检图像显示质量关键技术研究孔维武张勇董明文公安部第一研究所摘要:为改善双能X射线安检设备图像显示质量,针对图像显示质量涉及的两个关键要素灰度图像与材料图像展开研究。

提出了一种增强双能X射线安检图像显示质量方案,首先,利用一种改进的反锐化掩模算法对灰度图像进行增强,提高灰度图像细节清晰度;其次,研究了一种自适应滤波算法,在基本保持边缘细节材料信息的基础上,降低材料图像的数据统计涨落,显著改善图像中的颜色噪点现象。

试验结果表明,方法能够大幅改善双能X射线安检图像的图像质量与显示效果,并具有较强的鲁棒性。

E:图像质量靖腳自适应磁双能X般蛭葩引言图像彩色化是双能X射线安检设备图像显示的必要手段。

设备利用两种不同能谱的X射线扫描包裹,分析处理输出信号以及两种不同能瀚出信号之间的差异,获得被检查物体的材料信息,并在图像中赋以不同颜色标识,使得图像同时具备灰度分辨能力与材料分辨能力网。

图像彩色化过程,即双能X射线安检图像显示方式,可以简单描述为:以灰度图像和材料图像作为二维索引,从预先创建的颜色方案中查询得到对应像素的颜色分量,完成颜色赋值。

可以看出,双能X射线安检设备图像显示涉及了两个关键要素即灰度图像、材料图像。

图像显示质量是安检设备性能的核心体现,色彩鲜亮、层次分明、细节清晰的图像显示质量是各安检厂商的追求目标。

然而,由于被检查包裹内物体复杂多样,以及安检设备成像过程涉及的射线源焦斑漂移、X射线散射、探测板响应不一致、电路噪声等不利因素影响,原始图像质量往往并不十分理想,主要表现为对比度不足、细节欠清晰、信号噪声明显,图像显示质量欠佳,不利于安检员检查判图。

有鉴于此,本文针对双能X射线安检图像显示的关键两个要素展开研究,提出了一种双能X射线安检图像显示质量增强方案:首先,利用一种改进的反锐化掩模算法对灰度图像进行增强,在抑制平坦区域噪声放大的前提下,提高图像细节清晰度;瞰研究了一禾咖图像自滤波算法,在基本不改变边缘细节材料信息的基础上,降低材料图像的数据统计涨落,大幅改善由于图像灰度与人眼感受亮度不一致导致的颜色噪点现象。

乳腺X射线数字影像中钙化点感兴趣区域提取方法

乳腺X射线数字影像中钙化点感兴趣区域提取方法
区域的像素值被 保存 下来 。
合并成 ~个 区域。 反复执行 上述操作 ,直至 区域合并完成。
本文对 1 幅乳腺 X线影像进行了乳腺 区域 的提取 5 试验 。 结果显示 , 绝大部分影像在选 择合适的阈值参数
后 ,能够提取 出包括孚 腺皮肤在 内的所有乳腺区域。 L 以图 2为例 ,已排除大量背景及 非乳腺 区域 ,得
c mp eet e e ta to fc c fc t n r g o fi e e t h l i g t mp o e te a c r c fd a n sso o lt xr c i n o a iiai e i n o r s, e p n o i r v c u a y o ig o i f h l o nt h
题 。在对乳腺 X射线 图像进行 基本的背景分割后 ,首先运 用改进 的 区域扩张法实现 了对乳腺 图像 中乳
腺 区域的提取 ,然后对 乳腺 区域部分采用改进 的反 锐化掩 模 法进行 图像增 强,突 出钙化 点 区域 ,再根
据含钙化点的特征选取合 适的 阈值提 取 出可能含有钙 化点 的感兴趣 区域( OI R ) 。试验表 明,该方法可完 成对乳腺影像的 R 提取 处理 ,有助于提 高乳腺 疾病诊 断的 准确率 。 OI
Absr c : To p e r c s a m o r m s f rc m p trad d d a n ss hi a e any r s a c e e e ta t n o ta t r p o e sm m g a o o u e— i e ig o i,t sp p rm i l e e r h st x r ci f h o c liia in r gin i a acfc t e o n m mm o r r s o g an .Afe e b c g o n e m e t t n t a trt a k r u d s g n ai o m mm o a ,i frty m a e h o  ̄ m ti sl k s h ik- p o mm ay r g o y u i g t e i p o e e x e so ,a d t e s st e m e o f t e p c u ft e m a h r e i n b sn m r v d a a e t n i n n n u e t d o h r h h h i p o e n h r a kig f ri a ee h n e e ti i k u ftem a m ay r g o . th g lg t e m r v d u s a p m s n o m g n a c m n n t p c — p o m r e i n I i h i h st he h h

相机畸变校正与图像优化考核试卷

相机畸变校正与图像优化考核试卷
A. 镜头制造工艺
B. 镜头焦距
C. 拍摄距离
D. 环境温度
2. 图像优化的目的包括以下哪些?( )
A. 提高图像的可视性
B. 增强图像的细节信息
C. 改善图像的对比度
D. 提高图像的分辨率
3. 常见的图像锐化方法有( )
A. 空间域锐化
B. 频域锐化
C. 拉普拉斯锐化
D. 高通滤波器锐化
4. 以下哪些属于图像质量的评价方法?( )
B. 结构相似性指数(SSIM)
C. 信息熵
D. 对比度
15. 在图像锐化过程中,哪种滤波器会增强高频信息?( )
A. 低通滤波器
B. 高通滤波器
C. 带阻滤波器
D. 带通滤波器
16. 关于图像直方图均衡化的描述,错误的是( )
A. 可以提高图像的对比度
B. 会改变图像的亮度分布
C. 对噪声图像效果较差
A. 双线性插值可以用于图像放大
B. 双三次插值可以产生更平滑的边缘
C. 最近邻插值速度最快
D. Lanczos插值可以提供更高的图像质量
三、填空题(本题共10小题,每小题2分,共20分,请将正确答案填到题目空白处)
1. 在图像处理中,用来描述图像像素亮度的分布情况的工具是______。( )
2. 相机镜头的______畸变通常会导致图像边缘的拉伸。( )
一、单项选择题
1. C
2. D
3. C
4. D
5. C
6. A
7. C
8. A
9. B
10. B
11. A
12. C
13. A
14. D
19. C
20. A
二、多选题

图像处理单元考核试卷

图像处理单元考核试卷
C.图像采样
D.图像量化
2.以下哪种图像格式不支持无损压缩?()
A. PNG
B. JPEG
C. GIF
D. BMP
3.在RGB颜色空间中,红色对应的通道是:()
A. R
B. G
C. B
D. Y
4.以下哪个算法不属于边缘检测算法?()
A. Sobel算法
B. Canny算法
C. Laplacian算法
2.以下哪种图像格式不支持无损压缩?()
A. PNG
B. JPEG
C. GIF
D. BMP
3.在RGB颜色空间中,红色对应的通道是:()
A. R
B. G
C. B
D. Y
4.以下哪个算法不属于边缘检测算法?()
A. Sobel算法
B. Canny算法
C. Laplacian算法
D. Huffman编码
图像处理单元考核试卷
考生姓名:__________答题日期:__________得分:__________判卷人:__________
一、单项选择题(本题共20小题,每小题1分,共20分,在每小题给出的四个选项中,只有一项是符合题目要求的)
1.图像处理单元最基础的操作是:()
A.颜色空间转换
B.图像滤波
D.方向性
11.以下哪种插值方法不常用于图像缩放?()
A.最邻近插值
B.双线性插值
C.双三次插值
D.傅里叶插值
12.在数字图像处理中,以下哪个概念与图像分辨率相关?()
A.空间分辨率
B.频率分辨率
C.时间分辨率
D.能量分辨率
13.以下哪个算法不属于图像分割中的区域生长算法?()

Laplace多尺度图像增强去噪算法

Laplace多尺度图像增强去噪算法

Laplace多尺度图像增强去噪算法刘鹏飞,梅树立(中国农业大学信息与电气工程学院,北京100083)摘要:针对传统的单尺度图像增强算法的不足,提出了一种基于Laplace多尺度分解的图像增强算法。

该算法将图像分为由高频到低频若干个子图像,对每个频道的细节图像进行不同的非线性变换,使得图像中最细微的、对诊断有用的信息得到有效的增强,同时图像又不被过增强,再通过分解的逆过程重建图像。

试验表明,该方法能有效提高图像中细节的清晰度并抑制噪声。

关键词:Laplace多尺度分解;图像增强;反锐化掩模中图分类号:TP317.4文献标识码:B文章编码:1672-6251(2010)11-0142-03 Image Enhancement and Denoising Method Based on Multi-scale Laplacian DecompositionLIU Pengfei,MEI Shuli(College of Information and Electrical Engineering China Agricultural University,Beijing100083)Abstract:In view of the defects of traditional single scale image enhancement methods,a medical image enhancement method based on multi-scale laplacian decomposition was proposed.The original image was firstly decomposed into certain number of frequency channels from high frequency to low frequency.These detail images were enhanced by different nonlinear transformation to enhance the subtle and diagnosis-important information,and then the multi-scale representation was converted back into the reconstructed image.The experimental results showed that the proposed method could effectively improve image clarity.Key words:Laplacian decomposition;image enhancement;unsharp masking1引言图像处理中,常常有一些比较细微的细节信息是需要关注的,如在直接成像的医学X射线图像分析中,由于整幅图像的动态范围较大,这些信息在显示的时候看得不是很明显,所以对此类图像进行细节增强是十分必要的。

复杂背景下红外静脉图像的分割与增强

复杂背景下红外静脉图像的分割与增强

复杂背景下红外静脉图像的分割与增强岳林;万新军;张晨皓;解树平;杨波【摘要】针对医护人员在对患者进行静脉穿刺过程中频繁发生静脉误识别问题,提出了一种红外手掌静脉识别系统.该系统根据近红外光的特性搭建图像采集平台获取原始图像,利用二维最大熵分割法结合区域标记法得到复杂背景中的目标区域,采用反锐化掩模法对目标区域进行增强处理.试验结果表明,目标区域可以从复杂背景中较好地分割出来,提高了图像的对比度,可达到实现红外图像分割和增强的目的.【期刊名称】《电子科技》【年(卷),期】2017(030)003【总页数】3页(P118-120)【关键词】红外静脉图像;复杂背景;最大熵分割;区域标记;图像增强【作者】岳林;万新军;张晨皓;解树平;杨波【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP391.41人体静脉血管红外成像技术应用广泛,如文献[1~2]利用近红外光成像原理设计了一种手掌静脉识别系统。

在医疗过程中,医务人员需对病人进行静脉穿刺以完成输液。

通常,医护人员仅凭借肉眼判断手背上的静脉分布。

对于经验不足的医务人员而言,由于光线、肤色等因素的影响,静脉的误识别时常发生,给病人带来额外的痛苦。

如何辅助医护人员准确识别人体静脉血管这一问题亟待解决。

图像分割和增强是预处理过程中至关重要的环节。

对于一幅红外图像,在复杂背景下正确分割出目标区域,实现图像增强是关键。

文献[3]利用条带波变换得到静脉信息最多的目标区域,文献[4]利用基于Otsu的改进算法完成图像分割,但上述算法并未完全消除复杂背景对目标区域分割的干扰。

文献[5~6]利用小波变换,将手掌静脉图像从空间域转换到频域中完成增强,文献[7]提出一种自适应红外图像对比度增强算法,但上述算法均存在耗时较长的问题。

三种不同灰度图像增强算法对比

三种不同灰度图像增强算法对比

三种不同灰度图像增强算法对比一、摘要本文主要是运用直方图均衡化、平滑、锐化三种常见的图像增强算法对图像进行处理,并在此基础上分别用这 3 种算法处理的灰度图像进行比较,比对它们对图像的处理效果, 分析 3 种方法在图像增强处理能力的优劣之处。

结果发现,直方图均衡化可以均衡图像的灰度等级, 经过直方图的均衡化,图像的细节更加清楚了,但是由于直方图均衡化没有考虑图像的内容,只是简单的将图像进行直方图均衡,提高图像的对比度,使图像看起来亮度过高,使图像细节受到损失;图像平滑的目的是减少或消除图像的噪声, 图像平滑可以使图像突兀的地方变得不明显, 但是会使图像模糊,这也是图像平滑后不可避免的后果,只能尽量减轻,尽量的平滑掉图像的噪声又尽量保持图像细节,这也是图像平滑研究的主要问题;图像锐化使图像的边缘、轮廓变得清晰,并使其细节清晰,常对图像进行微分处理,但是图像的信噪比有所下降。

关键词: 图像增强 灰度图 直方图 平滑 锐化二、三种图像增强算法图像预处理是相对图像识别、图像理解而言的一种前期处理,主要是指按需要进行适当的变换突出某些有用的信息,去除或削弱无用的信息,在对图像进行分析之前, 通常要对图像质量进行改善,改善的目的就是要使处理后的图像比原始图像更适合特定的应用。

影响图像清晰度的因素很多,主要有光照不足、线路传输收到干扰等。

现存的图像增强技术主要分为空间域法和频率域法两类,其中的增强方法主要有直方图的修正、灰度变换、图像平滑、图像锐化、伪彩色和假彩色处理等。

下面主要采用直方图均衡化、图像平滑、图像线性锐化对图像进行增强处理, 对比他们的处理效果,分析 3 种方法的在图像增强处理方面的优劣。

1、直方图均衡化直方图均衡化也称为直方图均匀化,是一种常见的灰度增强算法,是将原图像的直方图经过变换函数修整为均匀直方图,然后按均衡后的直方图修整原图像。

为方便研究,先将直方图归一化,然后图像增强变换函数需要满足2个条件。

医学图像处理考试复习重点

医学图像处理考试复习重点

C h a p t e r11.A n i m a g e m a y b e d e f i n e d a s a t w o-d i m e n s i o n a l f u n c t i o n,f(x,y),w h e r e x a n d y a r e s p a t i a l c o o r d i n a t e s,a n d t h e a m p l i t u d e o f f a t a n y p a i r o f c o o r d i n a t e s (x,y)i s c a l l e d t h e i n t e n s i t y o r g r a y l e v e l o f t h e i m a g e a t t h a t p o i n t.2.I m a g e p r o c e s s i n g i n c l u d e s i m a g e a c q u i s i t i o n,i m a g e s t o r a g e,i m a g e t r a n s m i s s i o n a n dd i g i t a l i m a ge p r o c e s s i n g.3.L o w l e v e l p r o c e s s i n v o l v e s p r i m i t i v e o p e r a t i o n s s u c h a s i m a g e p r e p r o c e s s i n g t o r e d u c e n o i s e,c o n t r a s t e n h a n c e m e n t,a n d i m a g e s h a r p e n i n g.4.M i d-l e v e l p r o c e s s i n v o l v e s t a s k s s u c h a s s e g m e n t a t i o n,d e s c r i p t i o n,a n d c l a s s i f i c a t i o n (r e c o g n i t i o n)o f i n d i v i d u a l o b j e c t s.5.A s f o r m i d-l e v e l p r o c e s s,i t s i n p u t s a r e i m a g e s,b u t i t s o u t p u t s a r e a t t r i b u t e s e x t r a c t e d f r o m t h o s ei m a g e s.6.D i g i t a l i m a g e p r o c e s s i n g e n c o m p a s s e s p r o c e s s e s w h o s e i n p u t s a n d o u t p u t s a r ei m a g e s a n d,i n a d d i t i o n,e n c o m p a s s e s p r o c e s s e s t h a t e x t r a c t a t t r i b u t e s f r o m i m a g e s,u p t o a n d i n c l u d i n g t h e r e c o g n i t i o n o f i n d i v i d u a l o b j e c t s.7.I m a g e r e s t o r a t i o n i s b a s e d o n m a t h e m a t i c a l o r p r o b a b i l i s t i c m o d e l s o f i m a g ed e g r a d a t i o n.8.I m a g e c o m p r e s s i o n i s t o r e d u c e t h e s t o r a g e r e q u i r e d t o s a v e a n i m a g e,o r t h eb a n d w i d t h r e q u i r e d t o t r a n s m i t i t.9.M o r p h o l o g i c a l p r o c e s s i n g i s t o e x t r a c t i m a g e c o m p o n e n t s t h a t a r e u s e f u l i n t h er e p r e s e n t a t i o n a n d d e s c r i p t i o n o f s h a p e.10.W h i c h o f t h e f o l l o w i n g c a n h i g h l i g h t c e r t a i n f e a t u r e s o f i n t e r e s t o f a n i m a g e?(A)I m a g e e n h a n c e m e n t(B)I m a g e r e s t o r a t i o n(C)I m a g e c o m p r e s s i o n(D)I m a g e S e g m e n t a t i o nC h a p t e r21.在晚上光线低的情况下锥状细胞起主要作用。

图像反锐化掩膜算法研究汇总

图像反锐化掩膜算法研究汇总

中北大学课程设计说明书学生姓名:xxx 学号:11xxxxxxxx学院:信息与通信工程学院专业:电子信息工程题目:图像反锐化掩膜算法研究指导教师:田秀荣职称: 讲师2015 年 01月 16日中北大学课程设计任务书14/15 学年第 1 学期学院:信息与通信工程学院专业:电子信息工程课程设计题目:专业综合实践之多维信息处理部分:图像反锐化掩膜增强起迄日期:2015年1月5日~2015年1月16日课程设计地点:201,503,510实验室指导教师:xxx系主任:xxx下达任务书日期: 2015 年 1 月5日目录第一章绪论 (2)1.1反锐化掩模概述 (2)1.2反锐化掩模算法 (2)1.3常见的图像反锐化掩模增强方法 (2)第二章设计目的及方案简介 (3)2.1设计目的 (3)2.2设计内容和要求 (3)第三章线性反锐化掩模方法 (3)3.1方法简要介绍 (3)3.2 主要设计程序 (4)3.3 实验结果 (4)第四章基于均值滤波的非线性反锐化掩模 (5)4.1方法简要介绍 (5)4.2主要程序 (6)4.3实验结果 (7)第五章基于小波变换的非线性反锐化掩膜 (7)5.1方法简要介绍 (7)5.2主要程序 (8)5.3实验结果 (9)第六章实验结果评测 (10)第七章本次课设的收获体会 (11)第八章参考文献 (11)第一章绪论1.1反锐化掩模概述英文:unsharp masking / 中文:反锐化掩模法;将原图像通过反锐化掩模进行模糊预处理(相当于采用低通滤波)后与原图逐点做差值运算,然后乘上一个修正因子再与原图求和,以达到提高图像中高频成分、增强图像轮廓的目的。

反锐化掩模技术最早是应用于摄影技术中,以增强图像的边缘和细节。

光学上的操作方法是将聚焦的正片和散焦的负片在底片上进行叠加,结果是增强了正片高频成份,从而增强了轮廓,散焦的负片相当于“模糊”模板(掩模),它与锐化的作用正好相反,因此,该方法被称为反锐化掩模法。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
f 其中: ( x, y) 为输入的图像, ( x, y )为原图像的模糊图像或近似图像, f
g g mask ( x, y )为原图的细节图像或高频图像, ( x, y ) 为变换后的图像
k可以是常数,也可以是一个矩阵。当k为一个矩阵时,上式也可以写作:
g ( x, y ) = f ( x, y ) + k ( x, y ) * g mask ( x, y )
2 2 1 2 H (m, n) = 其中: 40 2 2
2 2 2 2 1 1 1 2 1 0 1 2 1 1 1 2 2 2 2 2
由以上的求解,可以得到基于区域分割的反锐化掩模的增强图像:
g(x, y) = f (x, y) + k(x, y) * gmask(x, y)
E (m, n) = A1 I (m, n) + A2 F (m, n) I (m, n) F max
F ( m, n) = w0 I 0 − w1 I1 − w2 I 2
I 0 = I 2α 0 (m, n)
( w0 , w1 , w2 > 0)
I1 = I 2α1 (m − 1, n) + I 2α1 (m + 1, n) + I 2α1 (m, n − 1) + I 2α1 (m, n + 1) I 2 = I 2α 2 (m − 1, n − 1) + I 2α 2 (m + 1, n − 1) + I 2α 2 (m + 1, n − 1) + I 2α 2 (m + 1, n + 1)
反锐化掩模方法用于图像增强
目录
传统的反锐化掩模方法
基于区域分割的反锐化掩模方法
非线性反锐化掩模
基于区域分割的反锐化掩模方法
传统的反锐化掩模方法
1、传统的反锐化掩模方法
g mask ( x, y ) = f ( x, y ) − f ( x, y )
g ( x, y ) = f ( x, y ) + k * g mask ( x, y )
其中I (m, n)为输入的原始图像,E (m, n)为增强以后的图像,F (m, n)为原图像通过 非线性滤波器以后的输出图像, F
max
为F (m, n)的最大值,A1、A2、w0、w1、w2、
α 0、α 1、α 2 为常数。
非线性反锐化掩模(NLUM)
如果用PLIP算子(右表)中 ~ ~ ⊕ 和 ⊗ 代替#1和#2,则:
分段线性函数的曲线
分段线性变换的结果
分段线性函数可以将感兴趣的区域扩展,也可以将不感兴趣的区域压缩。 (3)S-shape函数
S-shape函数的曲线
S-shape变换的结果
S-shape函数同分段线性函数类似,也可以将感兴趣的区域扩展,或将不感 兴趣的区域压缩。
试验及结果 2、直方图修正 (1)Байду номын сангаас方图均衡化
1 n +1 m +1 2 vi (n, m) = ∑ ∑ [x(i, j ) − x (n, m)] 9 i = n −1 j = m −1
根据vi (n, m)的大小,可以将图像分成三个区域,即:vi (n, m) < τ 1,τ 1 ≤ vi (n, m) < τ 2 和vi (n, m) ≥ τ 2。其中τ 1、τ 2 (τ 1 < τ 2 )为自己设定的门限值。vi (n, m) < τ 1的区域为低频 区域,一般为图像的背景等,不希望将其增强。τ 1 ≤ vi (n, m) < τ 2的区域为中频区域, 一般为边缘区域,希望能得到很大的增强。vi (n, m) ≥ τ 2的区域为高频部分,希望得 到较大的增强。因此根据不同的区域设定增强系数K ' ( x, y ):
即k(x,y)可以是一个常数矩阵,也可以是一个与坐标点位置有关的权值矩阵。当 k(x,y)为常数时,得到的图像即为传统的反锐化掩模增强图像。 传统的反锐化掩模方法可以增强图像的细节和边缘部分,但同时对于噪 声和某些不希望增强的区域同样增强很明显。因此人们提出了很多改进 的反锐化掩模方法。
基于区域分割的反锐化掩模方法 2、基于区域分割的反锐化掩模方法 基于区域分割的反锐化掩模方法(unsharp masking based on region segmentation)。 首先将图像分出若干的区域(这里分出三个区域:低频的区域、中频的边界区域、 高频的噪声区域),然后对不同的区域选取不同的增强系数k(x,y)。 这里根据局部方差将图像进行划分: 局部方差定义为一个给定的窗口内的所有像素的方差,比如一个3×3窗口的局 部方差为:
(2)对比度受限自适应直方图均衡化 直方图均衡化对于图像的整体 增强效果比较好,但对于细节 增强效果不好。对比度受限自 适应直方图均衡化对于细节增 强很好,但同时也增强了噪 声。
谢谢!
以下是基于区域分割的反锐化掩模的算法框图
输入图像 局部方差 1+λ 增强系数
+ ×
输出图像
×
低通滤波器
-
非线性反锐化掩模(NLUM) 3、非线性反锐化掩模(NLUM)
输入图像
#2
A1 F(m,n)
#1 #2
A2
输入图像
非线性滤波器
归一化
非线性反锐化掩模的框图
NLUM的框图如上图:#1和#2是两个操作算子,包括+、-、×、÷以及其它定 义的算子,如PLIP算子。根据应用的不同,可以选择不同的操作算子及非线性滤 波器。如选择+和×代替图中的#1和#2,并选择一种非线性滤波器,则:
vi (n, m) < τ 1 1 τ 1 ≤ vi (n, m) < τ 2 K ' ( x, y ) = α dh α (α < α ) v (n, m) ≥ τ dh i 2 dl dl
基于区域分割的反锐化掩模方法
对于高频细节信号,使用下式求解:
g mask ( x , y ) = (1 + λ ) f ( x , y ) − B ( x , y ) B ( x, y ) = f ( x, y ) H ( x, y )
试验及结果
4、试验及结果 1、灰度变换 本周主要对空间域图像增强的几种方法进行了实验: (1)gamma函数
gamma变换曲线
gamma实验结果
gamma值大于1可以扩展亮值区,压缩暗值区。gamma值越大, 对于亮值区的扩展越大,同时对于暗值区压缩也越大。gamma小 于1则恰好相反。
试验及结果 (2)分段线性函数
相关文档
最新文档