圖像增強(qiáng)方法簡介及算法設(shè)計TOC\o"1-3"\h\u108881引言 引言數(shù)字圖像處理（DigitalImageProcessing）又稱為計算機(jī)圖像處理，它是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計算機(jī)對其進(jìn)行處理的過程。數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時的電子計算機(jī)已經(jīng)發(fā)展到一定水平，人們開始利用計算機(jī)來處理圖形和圖像信息。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)60年代初期。早期的圖像處理的目的是改善圖像的質(zhì)量，它以人為對象，以改善人的視覺效果為目的。圖像處理中，輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像，常用的圖像處理方法有圖像增強(qiáng)、復(fù)原、編碼、壓縮等。增強(qiáng)圖像中的有用信息，它可以是一個失真的過程，其目的是要改善圖像的視覺效果，針對給定圖像的應(yīng)用場合，有目的地強(qiáng)調(diào)圖像的整體或局部特性，將原來不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識別效果，滿足某些特殊分析的需要。目前圖像增強(qiáng)處理的應(yīng)用已經(jīng)滲透到醫(yī)學(xué)診斷、航空航天、軍事偵察、指紋識別、無損探傷、衛(wèi)星圖片的處理等領(lǐng)域。如對X射線圖片、CT影像、內(nèi)窺鏡圖像進(jìn)行增強(qiáng)，使醫(yī)生更容易從中確定病變區(qū)域，從圖像細(xì)節(jié)區(qū)域中發(fā)現(xiàn)問題;對不同時間拍攝的同一地區(qū)的遙感圖片進(jìn)行增強(qiáng)處理，偵查是否有敵人軍事調(diào)動或軍事裝備及建筑出現(xiàn);在煤礦工業(yè)電視系統(tǒng)中采用增強(qiáng)處理來提高工業(yè)電視圖像的清晰度，克服因光線不足、灰塵等原因帶來的圖像模糊、偏差等現(xiàn)象，減少電視系統(tǒng)維護(hù)的量。圖像增強(qiáng)技術(shù)的快速發(fā)展同它的廣泛應(yīng)用是分不開的，發(fā)展的動力來自穩(wěn)定涌現(xiàn)的新的應(yīng)用，我們可以預(yù)料，在未來社會中圖像增強(qiáng)技術(shù)將會發(fā)揮更為重要的作用。在圖像處理過程中，圖像增強(qiáng)是十分重要的一個環(huán)節(jié)。本文的主要內(nèi)容就是圍繞圖像增強(qiáng)部分的一些基本理論和算法而展開。2幾種圖像增強(qiáng)方法簡介數(shù)字圖像處理的發(fā)展歷史不長，但己經(jīng)引起了各方面人士的注意。數(shù)字圖像預(yù)處理是數(shù)字圖像處理的基本內(nèi)容，而圖像增強(qiáng)是圖像預(yù)處理部分的主要內(nèi)容。數(shù)字圖像處理技術(shù)起源比較早，但真正發(fā)展是在八十年代后，隨著計算機(jī)技術(shù)的高速發(fā)展而迅猛發(fā)展起來。到目前為止，圖像處理在圖像通訊、辦公自動化系統(tǒng)、地理信息系統(tǒng)、醫(yī)療設(shè)備、衛(wèi)星照片傳輸及分析和工業(yè)自動化領(lǐng)域的應(yīng)用越來越多。但就國內(nèi)的情況而言，應(yīng)用還是很不普遍，人們主要忙于從事于理論研究，諸如探索圖像壓縮編碼等，而對于將成熟技術(shù)轉(zhuǎn)化為生產(chǎn)力方面認(rèn)識還遠(yuǎn)遠(yuǎn)不夠。目前國際上就圖像增強(qiáng)方法而言，目前主要分為如下幾類：2.1傳統(tǒng)的圖像增強(qiáng)方法傳統(tǒng)的圖像增強(qiáng)的處理方法基本可以分為空域圖像增強(qiáng)和頻域圖像增強(qiáng)兩大類?？沼蚴侵附M成圖像的像素的集合，空域圖像增強(qiáng)直接對圖像中像素灰度值進(jìn)行運算處理，如灰度變換、直方圖均衡化、圖像的空域平滑和銳化處理、偽彩色處理等。頻域圖像增強(qiáng)是對圖像經(jīng)傅立葉變換后的頻譜成分進(jìn)行操作，然后逆傅立葉變換獲得所需結(jié)果，如低通濾波技術(shù)、高通濾波器技術(shù)、帶通和帶阻濾波、同態(tài)濾波等。為了適應(yīng)圖像的局部特性，基于局部變換的圖像增強(qiáng)方法應(yīng)運而生，如局部直方圖均衡化[1-3]、對比度受限自適應(yīng)直方圖均衡化[4]、利用局部統(tǒng)計特性的噪聲去除方法[5]。目前還將一些學(xué)科與圖像處理相結(jié)合，在一定程度上較好的克服了傳統(tǒng)變換增強(qiáng)技術(shù)的缺點[6]。目前所做的工作主要有:自適應(yīng)直方圖均衡化方法、利用局部統(tǒng)計性的噪聲去除方法等。2.2基于多尺度分析的圖像增強(qiáng)方法多尺度分析又稱為多分辨率分析，它是由Mallat于1989年首先提出的。以小波變換[7-12]為代表的多尺度分析方法，被認(rèn)為是分析工具及方法上的重大突破。小波分析在時域或頻域上都具有良好的局部特性，而且由于對高頻信號采取逐步精細(xì)的時域或空域步長，從而可以聚焦到分析對象的任意細(xì)節(jié)。隨后取得了許多研究成果，如Satatretal提出了一種非線性的多尺度增強(qiáng)方法[13]、楊煊提出了一種基于方向信息的多尺度邊緣檢測和圖像去噪的方法[14]等。目前所做的工作主要是將一些熱門學(xué)科與圖像處理相結(jié)合，如基于神經(jīng)網(wǎng)絡(luò)的脈沖噪聲濾波技術(shù)、基于紋理分析的保細(xì)節(jié)平滑技術(shù)等。2.3模糊增強(qiáng)方法近年來不少學(xué)者致力于把模糊集理論引入圖像處理和識別技術(shù)的研究。由于圖像本身的復(fù)雜性，多灰度分布所帶來的不確定性和不精確(即模糊性)，使得用模糊集合理論進(jìn)行圖像處理成為可能。自Pal和king率先將模糊集合理論應(yīng)用到圖像增強(qiáng)處理上，模糊增強(qiáng)技術(shù)受到了人們的重視。Chenetal(1995)把模糊集引入到經(jīng)典的直方圖修正中，提出了一種自動直方圖修正方法;Action(1998)基于模糊非線性回歸給出了一種圖像增強(qiáng)方法，并且用于遙感圖像的去噪和邊緣增強(qiáng);近年來Hanetal(2002)推廣了通常意義的彩色直方圖，提出了模糊彩色直方圖的概念，并且已經(jīng)成功用于彩色圖像的檢索;Russo(2002)充分利用模糊集理論解決不確定性問題的優(yōu)勢，較好地解決了受到?jīng)_擊噪聲干擾的彩色圖像的邊緣檢測問題;另外模糊集方法和神經(jīng)網(wǎng)絡(luò)、遺傳算法結(jié)合用于圖像增強(qiáng)的方法正在研究之中。2.4基于遺傳算法的圖像增強(qiáng)技術(shù)遺傳算法(GeneticAlgorithm)是基于達(dá)爾文生物進(jìn)化論的自然選擇學(xué)說和群體遺傳學(xué)原理而建立的，是近幾年發(fā)展起來的一種隨機(jī)全局優(yōu)化算法。迄今為止，遺傳算法在數(shù)字圖像處理方面己經(jīng)有許多成功的應(yīng)用，如圖像壓縮和編碼、圖像分割、圖像重建等。另外，在圖像增強(qiáng)方面，也曾經(jīng)有一些學(xué)者將遺傳規(guī)劃(GP)用于彩色圖像的增強(qiáng)處理，采取專家目視解譯的方法評價圖像質(zhì)量，但是從結(jié)果來看并不很成功。2.5基于人類視覺的圖像增強(qiáng)技術(shù)人類的視覺系統(tǒng)有著很大的動態(tài)范圍，其行為類似于帶通空域濾波器。它的特性由人眼的對比度敏感性函數(shù)決定，而該函數(shù)則與人眼的對比度閾值成反比，該對比度閾值是空間頻率和背景亮度這兩者的函數(shù)。人眼在圖像的平滑區(qū)域中對隨機(jī)噪聲的敏感性大于圖像的“結(jié)構(gòu)化”區(qū)域，這種區(qū)域中有更多的圖像細(xì)節(jié)?；谌祟愐曈X的圖像增強(qiáng)技術(shù)也成為一種研究趨向。在借鑒國外相對成熟理論體系和技術(shù)應(yīng)用體系的條件下，國內(nèi)的增強(qiáng)技術(shù)和應(yīng)用也有了很大的發(fā)展?？傮w來說，圖像增強(qiáng)技術(shù)的發(fā)展大致經(jīng)歷了初創(chuàng)期、發(fā)展期、普及期和應(yīng)用期4個階段。初創(chuàng)期開始于20世紀(jì)60年代，當(dāng)時的圖像采用像素型光柵進(jìn)行掃描顯示，大多采用中、大型機(jī)對其進(jìn)行處理。在這一時期由于圖像存儲成本高，處理設(shè)備造價高，因而其應(yīng)用面很窄。20世紀(jì)70年代進(jìn)入了發(fā)展期，開始大量采用中、大型機(jī)進(jìn)行處理，圖像處理也逐漸改用光柵掃描顯示方式，特別是出現(xiàn)了CT和衛(wèi)星遙感圖像，對圖像增強(qiáng)處理提出了一個更高的要求。到了20世紀(jì)80年代，圖像增強(qiáng)技術(shù)進(jìn)入普及期，此時的計算機(jī)已經(jīng)能夠承擔(dān)起圖形圖像處理的任務(wù)。20世紀(jì)90年代進(jìn)入了應(yīng)用期，人們運用數(shù)字圖像增強(qiáng)技術(shù)處理和分析遙感圖像，以有效地進(jìn)行資源和礦藏的勘探、調(diào)查、農(nóng)業(yè)和城市的土地規(guī)劃、作物估產(chǎn)、氣象預(yù)報、災(zāi)害及軍事目標(biāo)的監(jiān)視等。在生物醫(yī)學(xué)工程方面，運用圖像增強(qiáng)技術(shù)對X射線圖像、超聲圖像和生物切片顯微圖像等進(jìn)行處理，提高圖像的清晰度和分辨率。在工業(yè)和工程方面，主要應(yīng)用于無損探傷、質(zhì)量檢測和過程自動控制等方面。在公共安全方面，人像、指紋及其他痕跡的處理和識別，以及交通監(jiān)控、事故分析等都在不同程度上使用了圖像增強(qiáng)技術(shù)。圖像增強(qiáng)是圖像處理的重要組成部分，傳統(tǒng)的圖像增強(qiáng)方法對于改善圖像質(zhì)量發(fā)揮了極其重要的作用。隨著對圖像技術(shù)研究的不斷深入和發(fā)展，新的圖像增強(qiáng)方法不斷出現(xiàn)。例如一些學(xué)者將模糊映射理論引入到圖像增強(qiáng)算法中，提出了包括模糊松弛、模糊熵、模糊類等增強(qiáng)算法來解決增強(qiáng)算法中映射函數(shù)選擇問題，并且隨著交互式圖像增強(qiáng)技術(shù)的應(yīng)用，可以主觀控制圖像增強(qiáng)效果。同時利用直方圖均衡技術(shù)的圖像增強(qiáng)也有許多新的進(jìn)展：例如提出了多層直方圖結(jié)合亮度保持的均衡算法、動態(tài)分層直方圖均衡算法。這些算法通過分割圖像，然后在子層圖像內(nèi)做均衡處理，較好地解決了直方圖均衡過程中的對比度過拉伸問題，并且可以控制子層灰度映射范圍，增強(qiáng)效果較好。盡管圖像增強(qiáng)處理方法已應(yīng)用到各個領(lǐng)域，但是還沒有一種通用的衡量圖像質(zhì)量的指標(biāo)能夠用來評價圖像增強(qiáng)方法的優(yōu)劣，圖像增強(qiáng)理論有待進(jìn)一步完善。因此，圖像增強(qiáng)技術(shù)的探索具有實驗性和多樣性。增強(qiáng)的方法往往具有針對性，以至于對某類圖像增強(qiáng)效果好的增強(qiáng)方法未必一定適用于另一類圖像，例如某種圖像增強(qiáng)算法中可能對于X射線圖像具有很好的增強(qiáng)效果，但是他就不是增強(qiáng)從空間探測器傳回的火星圖像的最好方法。經(jīng)常采用的方法是使用幾種增強(qiáng)技術(shù)的組合或使用調(diào)節(jié)參量的方法。圖像增強(qiáng)的最大困難是，很難對增強(qiáng)結(jié)果加以量化描述，只能靠經(jīng)驗，人的主觀感覺加以評價。3模糊數(shù)學(xué)圖像增強(qiáng)算法3.1模糊增強(qiáng)理論3.1.1圖像的模糊特征平面在普通的集合論中，一個對象對于一個集合，要么屬于，要么不屬于，二者必居其一，絕對不可模棱兩可。這就限定了普通集合論只能表現(xiàn)“非此即彼”的現(xiàn)象，即只能表現(xiàn)確定的概念。自從1965年L.A.zadeh提出了模糊集合的概念，將普通集合論中元素對于集合隸屬關(guān)系特征函數(shù)的取值范圍從{0,1}拓展至[0,1]，從而導(dǎo)出了模糊集合(也稱模糊子集)的概念。模糊集理論是一種用于處理不確定性問題的有用工具。隨著模糊數(shù)學(xué)理論的不斷完善和發(fā)展，一些學(xué)者將模糊集理論應(yīng)用到增強(qiáng)技術(shù)中來。設(shè)是一個任意的普通集合，對于中的每個元素X定義一個函數(shù),滿足，并用描述X屬于D的“程度”，稱D是的一個“模糊子集”，由函數(shù)決定，稱為D的“隸屬度函數(shù)”。隸屬度函數(shù)將集合中的所有元素都映射到區(qū)間[0,1]中，隸屬度值越大，表示所屬程度越高，即隸屬度值表示一個元素接近于理想元素的程度。按照模糊子集理論的概念，一幅M×N維的具有L個灰度等級的圖像X，可以作為一個模糊點陣看待，記為若以像素的相對灰度等級作為感興趣的模糊特征，這時表示像素的灰階，關(guān)于某個特定灰度等級的隸屬度，通常這個特定的灰度等級為圖像的最大灰度等級xmax。由#ij的全體組成的平面，i=1,2,3,...,M;j=1,2,3,...,N,稱為模糊特征平面。3.1.2Pal-Kind經(jīng)典模糊增強(qiáng)方法Pal-King方法首先利用隸屬度函數(shù)提取圖像的模糊特征，所用的隸屬度函數(shù)如下式所示:（3-1）其中Fe和Fd分為大于零的指數(shù)模糊化因子和分母模糊化因子，F(xiàn)e,Fd和渡越點有著非常密切的關(guān)系，并且僅憑經(jīng)驗或多次嘗試獲取，具有隨機(jī)性，針對這一缺點，本文提出的隸屬度函數(shù)具有較好的自適應(yīng)性，在下一節(jié)將有詳細(xì)的介紹。,形成圖像的模糊特征平面，稱對應(yīng)的弧度等級為渡越點。通過對隸屬度函數(shù)進(jìn)行變換，并以渡越點為界增大或減小的值，從而得到一個由全體組成的新模糊特征平面，其中（3-2）而T(r)是函數(shù)T的r次迭代運算，其中變換T取為某種S型函數(shù)，如（3-3）其作用是增大那些大于0.5的，而減小那些小于0.5的，以達(dá)到增強(qiáng)對比度的目的。其中表示G的逆變換，就可以得到模糊增強(qiáng)后的圖像的灰度值。從上述分析可知，Pal-Kind提出的模糊增強(qiáng)的模型如圖3-1所示。圖3-1模糊增強(qiáng)模型3.1.3Pal-Kind經(jīng)典模糊增強(qiáng)方法實驗結(jié)果分析根據(jù)上一節(jié)介紹的Pal-King經(jīng)典模糊增強(qiáng)算法，在MATLAB上進(jìn)行仿真實驗，如圖3-2所示。其中圖3-2(a)為待處理原圖像，圖3-2(b)為使用Pal-King經(jīng)典模糊增強(qiáng)算法處理后的輸出圖像。我們發(fā)現(xiàn)圖像確實明顯增強(qiáng)，但同時許多細(xì)節(jié)信息丟失了。圖3-2原圖及經(jīng)過算法處理后的圖像由式(3-2)Pal-King隸屬度函數(shù)公式可知，當(dāng)時，，稱為渡越點，則（3-3）由此可得:（3-4）參數(shù)Fd由Xc和Fe所決定。一般情況下，Pal-King經(jīng)典模糊增強(qiáng)算法的渡越點選取也是僅憑經(jīng)驗或多次嘗試獲取，具有隨機(jī)性，針對這一缺點，本文提出的隸屬度函數(shù)具有較好的自適應(yīng)性，在下一節(jié)將有詳細(xì)的介紹。圖像模糊特征平面的取值范圍是，而不是通常隸屬度函數(shù)的取值范圍[0,1]。由圖像的最大灰度值的隸屬度為1可知，模糊增強(qiáng)后圖像的灰度上限沒有改變，圖像的灰度下限由原圖像的灰度下限決定。在模糊平面增強(qiáng)后可能出現(xiàn)通過迭代運算后的的情況，這時Pal-King方法將其強(qiáng)制為內(nèi)，進(jìn)行逆變換時，就是把的部分硬性規(guī)定，從而造成大量灰階信息丟失。由公式還可以看出Pal-King隸屬度函數(shù)公式采用復(fù)雜的冪函數(shù)作為模糊隸屬函數(shù)，在通過MATLAB仿真實驗時發(fā)現(xiàn)程序運算較慢，運算量也較大。通過MATLAB對Pal-King經(jīng)典模糊增強(qiáng)方法進(jìn)行仿真實驗，總結(jié)算法中不足如下:Pal-King經(jīng)典模糊增強(qiáng)算法中，沒有給出一套成熟的對渡越點合理取值的有效方案。這將影響算法的最終實現(xiàn)效果。經(jīng)過變換后，將造成原圖中相當(dāng)多的低灰度值被硬性切削為0這樣將損失灰度值低的邊緣信息，也使檢測質(zhì)量受到影響，而且T(r)變換形式較為復(fù)雜。算法中G-1和G包含復(fù)雜的浮點運算，故計算量大。多次迭代運算是為了對圖像反復(fù)作增強(qiáng)處理，但當(dāng)?shù)螖?shù)大于4時，反而邊緣細(xì)節(jié)消失。Fd和Fe的計算公式復(fù)雜，需要經(jīng)過反復(fù)測試和試驗，故存在參數(shù)尋優(yōu)問題。3.2經(jīng)典模糊增強(qiáng)改進(jìn)算法圖像的增強(qiáng)運算就是對圖像的高灰度區(qū)灰度值增強(qiáng)，低灰度區(qū)的灰度值的降低。從而使高灰度區(qū)對應(yīng)的圖像邊緣得到增強(qiáng)，低灰度區(qū)對應(yīng)的背景信息減弱，使圖像輪廓更加清晰。依據(jù)模糊邊緣檢測的直接原則，模糊增強(qiáng)就在圖像的模糊特征平面上對圖像的隸屬函數(shù)進(jìn)行非線性變換，從而使圖像中邊緣信息得到增強(qiáng)，非邊緣信息得到減弱，突出圖像的主干信息，從而有利于提取邊緣?；谝陨戏治?，本文采用了一種改進(jìn)的模糊增強(qiáng)方法，在模糊增強(qiáng)處理時對Pal-King經(jīng)典模糊增強(qiáng)算法進(jìn)行了改進(jìn)。3.2.1一種改進(jìn)的模糊增強(qiáng)方法1、模糊隸屬函數(shù)的確定利用對數(shù)隸屬度函數(shù)將圖像由空間域映射到模糊域中，得到模糊特征平面。定義對數(shù)隸屬度函數(shù)如下：（3-5）表示像素(i,j)的灰階xij，相對于最大灰度級的隸屬度，min默認(rèn)情況下為0，可根據(jù)需要在0和圖像的最小灰度值之間取值。由公式(3-4)可知，變換后的#il的取值范圍為[0,1]，不會出現(xiàn)灰階硬性剪切的情況，這樣就避免了增強(qiáng)后大量灰階信息的丟失。對圖像進(jìn)行模糊增強(qiáng)對于隸屬度函數(shù)利用公式(3-2)和(3-3)進(jìn)行變換得到一個新的模糊特征平面。由圖3-3可知，隨著迭代次數(shù)的增加，函數(shù)曲線的形狀變化較快，也就是說對圖像的灰度值影響較大。在進(jìn)行圖像增強(qiáng)時，應(yīng)根據(jù)需要控制迭代次數(shù)。圖3-3迭代函數(shù)3.2.2模糊增強(qiáng)系統(tǒng)實現(xiàn)過程總結(jié)以上內(nèi)容，下面給出本文提出的改進(jìn)算法模糊增強(qiáng)系統(tǒng)的實現(xiàn)過程。輸入待處理的圖像，從圖像文件中讀取圖像數(shù)據(jù)，同時統(tǒng)計出圖像的最大灰度值和最小灰度值xmin；設(shè)置min,r的取值，默認(rèn)情況下，min=0,r=1，根據(jù)需要min的值在0和最小灰度值之間調(diào)節(jié);根據(jù)公式(3-5)計算出輸入圖像的模糊特征平面根據(jù)公式(3-5)進(jìn)行逆變換，得到模糊增強(qiáng)后的圖像;觀察生成的圖像，依據(jù)增強(qiáng)效果設(shè)置而min,r，重復(fù)步驟(3)~(5);依次類推，直至滿足需要。上述模糊增強(qiáng)系統(tǒng)實現(xiàn)流程圖如下:圖3-4改進(jìn)的模糊增強(qiáng)算法流程圖4基于遺傳算法的灰度圖像的自適應(yīng)模糊增強(qiáng)4.1遺傳算法的算子選擇遺傳算法有選擇、交叉和變異3種基本算子。在遺傳算法的編碼問題上,采用浮點實數(shù)編碼,種群數(shù)設(shè)定為M=30,進(jìn)化代數(shù)為30代。其設(shè)定值主要是考慮到圖像本身已經(jīng)包含大量數(shù)據(jù),而每一代群體的M個個體又關(guān)系到M幅圖像,大大增加的數(shù)據(jù)量會造成運算速度緩慢,因此選取較小的M取值,此時的遺傳算法種群是小種群,進(jìn)化代數(shù)選30代還因為試驗發(fā)現(xiàn)一般情況下進(jìn)化幾代遺傳算法能找到最優(yōu)解。對于小種群,一般采用較大的交叉率和變異率,典型值為:交叉率為0.95,變異率為0.08。本文采用此變異率和交叉率進(jìn)行運算。4.2圖像增強(qiáng)變換函數(shù)的選擇從視覺效果來看,一般的圖像有偏暗、灰度集中在某一區(qū)域或偏亮3種基本情況,本著對不同質(zhì)量的圖像采用不同的變換函數(shù)的原則,與此相對的變換函數(shù)有3類。文獻(xiàn)曾用3段線性映射曲線作為變換函數(shù),但是6個特控參數(shù)且每個參數(shù)都有256種可能的取值,使總的配置達(dá)到2566=248種,即使使用遺傳算法,但遺傳編碼太復(fù)雜太長就會影響運算速度和精度,而且分3段不能特別準(zhǔn)確的模似各種曲線。本文利用Tubbs[10]提出的歸一化的非完全Beta函數(shù)來實現(xiàn)幾種典型的灰度變換曲線自動擬合,雖然此函數(shù)中含有積分運算,但利用數(shù)值算法可以快速計算非完全Beta函數(shù),而且此函數(shù)的擬合準(zhǔn)確度很高。歸一化的非完全Beta函數(shù)F(u)定義為（4-1）其中:0<α,β<10;為Beta函數(shù)。不同的α和β能夠擬合各類的灰度變換曲線。α和β的取值控制變換曲線的形狀,當(dāng)α<β時,經(jīng)過變換后對較暗的區(qū)域進(jìn)行拉伸;當(dāng)α=β時,變換曲線是對稱的,對中間區(qū)域進(jìn)行拉伸,對兩端進(jìn)行壓縮;當(dāng)α>β時,經(jīng)過變換后對較亮的區(qū)域進(jìn)行拉伸。4.3適應(yīng)度函數(shù)的選擇文獻(xiàn)[2]曾用方差作為遺傳算法的適應(yīng)度函數(shù)來驅(qū)動遺傳操作,文獻(xiàn)[8]分析了僅用方差存在以下2方面的缺陷:在沒有其他約束條件的情況下,單獨使用方差作為適應(yīng)度函數(shù)將使圖像過渡增強(qiáng)為1/2像素灰度級為最小而另1/2為最大的極度二值圖像。因為只有當(dāng)圖像幅面內(nèi)的像素灰度分布具有這一極限分布特征時,圖像的方差才為最大。而遺傳算法恰恰尋找的就是那些使適應(yīng)度值能達(dá)到最大的參數(shù)組合。方差本身不能區(qū)分多種增強(qiáng)結(jié)果的相對質(zhì)量。方差反映的是圖像的整體統(tǒng)計特征而并不能區(qū)分圖像的局部細(xì)節(jié)差異,圖像方差相同時可能存在多種不同的效果,如質(zhì)量好的高方差圖像與質(zhì)量劣的多噪聲干擾圖像,或局部小區(qū)域內(nèi)的高反差變化和大區(qū)域內(nèi)的低反差波動等。上述分析表明:單獨的方差并不適合用作遺傳算法的適應(yīng)度函數(shù)。因此,本文選擇式(1)作為遺傳算法的適應(yīng)度函數(shù)。它是基于模糊理論的評價圖像質(zhì)量的測量函數(shù),使增強(qiáng)后圖片的視覺效果在整體和細(xì)節(jié)上都有明顯的改善。4.4灰度圖像增強(qiáng)算法拓展到彩色圖像增強(qiáng)目前圖像對比度增強(qiáng)技術(shù)的對象主要是灰度圖像,修整給定圖像的灰度是一種簡單而有效的算法。直接將灰度圖像增強(qiáng)算法推廣到彩色圖像增強(qiáng)中去,如對彩色圖像的R、G和B3個分量分別采用直方圖類算法是不恰當(dāng)?shù)?因為彩色圖像的3個分量信息間彼此有很強(qiáng)的相關(guān)性,改變像素的任一分量都會導(dǎo)致顏色的偏移,使得到的增強(qiáng)圖像中的色調(diào)有可能完全沒有意義。這是因為在增強(qiáng)圖像中對應(yīng)同一個像素的R、G、B3個分量都發(fā)生了變化,它們的相對值與原來不同了,從而導(dǎo)致原圖像顏色的較大改變,并且這種改變很難控制。因此需要進(jìn)行色度空間轉(zhuǎn)換,將密切相關(guān)的3個分量的空間轉(zhuǎn)變到基本不相關(guān)的色度空間。HSI顏色模式正好符合這一需要。這是基于人對顏色的心理感受的一種顏色模式。其中:H是色調(diào)(Hue),又稱色相;S是飽和度(saturation);I是亮度值(intensi-ty)。該模型將亮度分量與彩色圖像中攜帶的彩色信息分開?；谶@一原理,灰度圖像的增強(qiáng)方法就可以應(yīng)用到彩色圖像的亮度分量上,而色度和飽和度不變,從而在保證沒有顏色的偏移的情況下得到細(xì)節(jié)更清晰的彩色圖像。本文的彩色增強(qiáng)方法的基本步驟為:1)將原始彩色圖像的R、G和B分量圖像轉(zhuǎn)化為H、S和I分量圖;2)利用對灰度圖像增強(qiáng)的方法增強(qiáng)其中的I分量;3)再將結(jié)果轉(zhuǎn)換為用R、G和B分量顯示。4.5模糊增強(qiáng)的實驗結(jié)果和分析經(jīng)過算法處理后的圖像如圖4-1所示。圖4-1原圖及經(jīng)過算法處理后的圖像應(yīng)用模糊增強(qiáng)方法對圖像進(jìn)行增強(qiáng)處理，并和傳統(tǒng)的增強(qiáng)方法相比較。圖4-1（a）為輸入待處理的原圖像，灰度范圍[0，252]，整幅圖像偏暗并沒有層次。圖4-1（b）為直方圖均衡化后處理的圖像，主要目標(biāo)仍不清晰。圖4-1（c）為Pal-King模糊增強(qiáng)算法處理后的圖像，整體背景得到增強(qiáng)的同時，主要目標(biāo)也更清晰且有層次感。但由于Pal-King模糊增強(qiáng)算法復(fù)雜的浮點運算，故計算量相當(dāng)大，通過MATLAB仿真實驗運行程序時也比較耗時。圖4-1（d）為改進(jìn)的模糊增強(qiáng)算法處理后的圖像，增強(qiáng)效果顯著，且計算量減少，達(dá)到預(yù)期效果。一般情況下，一次迭代后，可以突出圖像包含的信息;二次迭代后圖像對比度增大;進(jìn)一步迭代，雖然圖像的對比度增大了，但圖像丟失了很多細(xì)節(jié)。本文的模糊增強(qiáng)算法均采用二次迭代。該算法通過對Pal-King模糊增強(qiáng)方法隸屬度函數(shù)的改進(jìn)，以實現(xiàn)對圖像的增強(qiáng)，從而達(dá)到改善圖像視覺效果的作用,圖4-1（d）與圖4-1（c）相比，增強(qiáng)效果得到改善。而與本文第二章中提出的基于局部均值和標(biāo)準(zhǔn)差的自適應(yīng)增強(qiáng)算法相比，改進(jìn)的模糊增強(qiáng)算法對處理模糊、抖動的圖像有著更為顯著的效果。如圖4-2所示，圖4-2(a)為輸入原圖，圖4-2(b)為基于局部均值和標(biāo)準(zhǔn)差的自適應(yīng)增強(qiáng)算法處理后的圖像，圖4-2(c)為改進(jìn)的模糊增強(qiáng)算法處理后的圖像。圖4-2原圖及經(jīng)過算法處理后的圖像經(jīng)過算法處理后的圖像如圖4-3所示。圖4-3(a)為一幅輸入圖像，在該圖像中的人物的細(xì)節(jié)需要增強(qiáng)。圖4-3(b)為采用傳統(tǒng)局部對比度增強(qiáng)算法得到的圖像，可以看出，圖像中的人物得到了增強(qiáng)，但是放大系數(shù)k在局部增強(qiáng)過程中不可調(diào)，圖像的改動很大，在增強(qiáng)暗區(qū)的同時其他地方也被相應(yīng)地增強(qiáng)，沒有兼顧到圖像中不需要改動的地方，并且需要增強(qiáng)的細(xì)節(jié)并沒有明顯變化。圖4-3(c)是進(jìn)行灰度放大處理后得到的圖像。自適應(yīng)局部對比度增強(qiáng)算法能夠根據(jù)局部對比度在增強(qiáng)過程中動態(tài)調(diào)整放大倍數(shù)，圖4-3(d)是自適應(yīng)局部對比度增強(qiáng)算法處理后得到的圖像。圖4-3(e)為采用基于局部均值和標(biāo)準(zhǔn)差的圖像增強(qiáng)算法得到的圖像。圖4-3(f)為采用基于傳統(tǒng)模糊增強(qiáng)的改進(jìn)算法得到的圖像。圖4-3原圖及經(jīng)過算法處理后的圖像經(jīng)過算法處理后的圖像如圖4-4所示。圖4-4(a)為一幅輸入圖像，在該圖像中的人物的細(xì)節(jié)需要增強(qiáng)。圖4-4(b)為采用傳統(tǒng)局部對比度增強(qiáng)算法得到的圖像，可以看出，圖像中的人物得到了增強(qiáng)，但是放大系數(shù)k在局部增強(qiáng)過程中不可調(diào)，圖像的改動很大，在增強(qiáng)暗區(qū)的同時其他地方也被相應(yīng)地增強(qiáng)，沒有兼顧到圖像中不需要改動的地方，并且需要增強(qiáng)的細(xì)節(jié)并沒有明顯變化。圖4-4(c)是進(jìn)行灰度放大處理后得到的圖像。自適應(yīng)局部對比度增強(qiáng)算法能夠根據(jù)局部對比度在增強(qiáng)過程中動態(tài)調(diào)整放大倍數(shù)，圖4-4(d)是自適應(yīng)局部對比度增強(qiáng)算法處理后得到的圖像。圖4-4(e)為采用基于局部均值和標(biāo)準(zhǔn)差的圖像增強(qiáng)算法得到的圖像。圖4-4(f)為采用基于傳統(tǒng)模糊增強(qiáng)的改進(jìn)算法得到的圖像。圖4-4原圖及經(jīng)過算法處理后的圖像5結(jié)論提出一種新的基于模糊理論的圖像質(zhì)量的測量函數(shù),把它作為遺傳算法的適應(yīng)度函數(shù),并結(jié)合歸一化的非完全Beta變換算子進(jìn)行灰度和彩色圖像自適應(yīng)增強(qiáng)。該方法能夠根據(jù)不同類型的輸入圖像,對非完全Beta函數(shù)的α和β參數(shù)進(jìn)行自適應(yīng)動態(tài)調(diào)節(jié)來實現(xiàn)幾種典型的灰度變換曲線的自動擬合,不但提高了圖像的整體對比度,而且很好地保留了圖像細(xì)節(jié)信息,使圖像的整體和局部信息都得到了很好的改善,真正實現(xiàn)圖像的自適應(yīng)增強(qiáng)。HE使圖像整體對比度較好,但細(xì)節(jié)部分信息卻很模糊;USM法增強(qiáng)保持了圖像中的細(xì)節(jié)部分,但整體對比度較差;OFGA在沒有人為控制下,它很容易使較暗圖像過度增強(qiáng)為極度二值圖像,而它對有些圖像的增強(qiáng)效果還很好。對于彩色圖像,把該方法用在圖像的I分量上以提高圖像的整體對比度,并且從上面的實例也可看出增強(qiáng)后的彩色圖像清晰自然,同時更加生動,更符合人眼的視覺特性。綜合考慮,不管是灰度還是彩色圖像,與傳統(tǒng)的HE、USM、OFGA增強(qiáng)和利用Photoshiop增強(qiáng)的效果相比,本文提出的NFGA效果是最好的,具有更高的智能化水平,它不僅能使圖像的整體信息得到的改善,而且能很好的保存局部信息,實現(xiàn)圖像的自適應(yīng)增強(qiáng)。參考文獻(xiàn)Khodambashi,S.andMoghaddam,M.E.Animpulsenoisefadingtechniquebasedonlocalhistogramprocessing.in9thIEEEInternationalSymposiumonSignalProcessingandInformationTechnology,ISSPIT2009,December14,2009-December16,2009.2009.Ajman,Unitedarabemirates:[C].IEEEComputerSociety.2009.24(7):190-195.Linde,O.andBretzner,L.Localhistogrambaseddescriptorsforrecognition.in4thInternationalConferenceonComputerVisionTheoryandApplications,VISAPP2009,February5,2009-February8,2009.2009.Lisboa,Portugal:[J].ISA-InstrumentationSystemsandAutomationSociety.2009.34(7):19-22.汪志云,黃夢為,胡釙,饒強(qiáng).基于直方圖的圖像增強(qiáng)及其MATLAB實現(xiàn)[J].計算機(jī)工程與科學(xué),2016,(02):54-56.胡正平,劉博.基于自適應(yīng)直方圖規(guī)定化函數(shù)引導(dǎo)的動態(tài)分層圖像增強(qiáng)算法[J].燕山大學(xué)學(xué)報,2017,(06):471-477.Pop