李 誠，駱 且，杜宇人

（揚(yáng)州大學(xué)信息工程學(xué)院，江蘇 揚(yáng)州225127）

為了保證橡膠形變檢測(cè)的精度，前期須對(duì)圖像進(jìn)行增強(qiáng)處理．傳統(tǒng)的圖像增強(qiáng)算法如直方圖均衡算法［1］、高斯濾波［2］，小波變換［3－4］、基于contourlet變換［5］等缺乏平移不變性，會(huì)產(chǎn)生吉布斯失真，且其中小波變換只能對(duì)各向同性圖像有較好的增強(qiáng)效果，而對(duì)于邊緣較多或線性特征的圖像增強(qiáng)效果并不理想．非抽樣contourlet變換［6－7］由于引入了方向?yàn)V波器組而具有多方向選擇性，能夠有效地抑制噪聲．對(duì)于橡膠圖像而言，有效區(qū)分目標(biāo)和背景的亮度可以達(dá)到圖像增強(qiáng)的目的，針對(duì)這一特殊性，如采用RGB模型進(jìn)行圖像增強(qiáng)則難以控制其色調(diào)信息，而HSV 模型能體現(xiàn)人的主觀視覺，同時(shí)便于計(jì)算機(jī)進(jìn)行圖像處理；因此，本文在傳統(tǒng)圖像增強(qiáng)方法的基礎(chǔ)上，提出一種非抽樣contourlet變換和HSV 模型相結(jié)合的圖像增強(qiáng)方法．

1 非抽樣contourlet變換

圖1 NSCT分解結(jié)構(gòu)示意圖Fig．1 The nonsubsampled contourlet transform

Contourlet變換中的拉普拉斯金字塔和方向?yàn)V波器組雖然能夠上下采樣，但不具有平移不變性，還會(huì)導(dǎo)致吉布斯現(xiàn)象［8］，然而在此基礎(chǔ)上改進(jìn)得到的非抽樣contourlet 變換

（nonsubsampled contourlet transform，NSCT）則具有平移不變性，能夠有效地抑制噪聲，其分解結(jié)構(gòu)如圖1所示．由 圖1可見，圖像的能量主要集中在低頻分量中，噪聲和細(xì)節(jié)信息集中在高頻分量中，因此對(duì)圖像的V 分量采用NSCT 分解后的系數(shù)進(jìn)行處理可以有效提高其對(duì)比度．

2 本文改進(jìn)的算法

2．1 HSV模型

HSV 模型由色度（H）、飽和度（S）和亮度（V）3個(gè)分量組成［9］．HSV 模型的優(yōu)點(diǎn)在于消除了V 分量與顏色信息的聯(lián)系，同時(shí)H 分量和S 分量可由人眼視覺系統(tǒng)中的錐狀細(xì)胞分辨出．圖2為橡膠實(shí)驗(yàn)圖像的HSV 分解結(jié)果．

圖2 橡膠圖像的HSV分解Fig．2 The decomposition of rubber image in the model of HSV

2．2 基于NSCT的圖像增強(qiáng)改進(jìn)算法

人眼視覺特性一般由復(fù)合模型、高斯模型、指數(shù)模型和Barten模型［10］表征，Barten模型中人眼的調(diào)制傳遞函數(shù)（modulation transfer function，MTF）表示為

其中a＝440（1＋0．7／L）－0．2，b＝0．3（1＋100／L）0．15，c＝0．06，f 為頻率，L 為顯示屏的平均亮度，本文取L＝200cd·m－2．對(duì)V 分量作非抽樣變換并針對(duì)亮度信息加以調(diào)整，對(duì)系數(shù)采用Barten模型進(jìn)行濾波處理．將S 分量進(jìn)行非線性變換，因S 分量較暗，故采用對(duì)數(shù)變換拉伸低灰度區(qū)，增強(qiáng)人眼的視覺效果，最后將結(jié)果返回到RGB彩色空間．對(duì)數(shù)變換后圖像S 分量為

本文取k＝1．

設(shè)（r，g，b）是顏色的紅、綠、藍(lán)坐標(biāo)，r，g，b取值范圍都是［0，255］；h為色調(diào)角，h∈［0，360°）；s，v為飽和度和亮度，s，v∈［0，1］．在RGB顏色空間中的一點(diǎn)（r，g，b）可以通過式（3）～（5）轉(zhuǎn)換成相應(yīng)的HSV 坐標(biāo)（h，s，v）：

顏色空間從HSV 到RGB的轉(zhuǎn)換可由式（6）～（11）實(shí)現(xiàn)：

本文算法步驟如下：

1）利用轉(zhuǎn)換公式（3）～（5）將原始圖像從RGB空間轉(zhuǎn)換到HSV 空間；

2）對(duì)V 分量作非抽樣contourlet變換，根據(jù)式（1）處理低頻系數(shù)和高頻系數(shù)，在頻率域達(dá)到增強(qiáng)細(xì)節(jié)、改善圖像亮度動(dòng)態(tài)范圍的效果，然后重建V 分量；

3）利用式（2）對(duì)S 分量進(jìn)行非線性變換；

4）對(duì)S 分量和V 分量作歸一化處理，取值區(qū)間確定為［0，1］，最后利用轉(zhuǎn)換公式（6）～（11）將增強(qiáng)的圖像從HSV 空間轉(zhuǎn)換回RGB空間．

3 結(jié)果與分析

對(duì)240×400像素的杯蓋圖像和2組2 848×2 136像素的橡膠圖像分別采用小波變換、直方圖均衡化和本文算法進(jìn)行實(shí)驗(yàn)對(duì)比分析，結(jié)果如圖3～4所示．

圖3 杯蓋圖像的3種增強(qiáng)算法效果對(duì)比Fig．3 The comparison of three kinds of enhancement algorithms with bowl cover

圖4 橡膠圖像的3種算法增強(qiáng)效果對(duì)比Fig．4 The comparison of three kinds of enhancement algorithms with rubber

同時(shí)引入信噪比Rsn［11］進(jìn)行定量評(píng)價(jià)：

實(shí)驗(yàn)結(jié)果表明：本文算法的對(duì)比度、亮度和飽和度均高于小波變換和直方圖均衡化算法，圖像的紋理和邊緣更加清晰，視覺效果好，去噪性能強(qiáng)．

表1 3種增強(qiáng)算法的信噪比Tab．1 The signal－to－noise ratio of various algorithm

［1］ CHENG H D，SHI X J．A simple and effective histogram equalization approach to image enhancement［J］．Digital Signal Process，2004，14（2）：158－170．

［2］ KN?USL B，RAUSCH I F，BERGMANN H，et al．Influence of PET reconstruction parameters on the TrueX algorithm：a combined phantom and patient study［J］．Nuklearmedizin，2013，52（1）：28－35．

［3］ PATIDAR S，PACHORI R B．Segmentation of cardiac sound signals by removing murmurs using constrained tunable－Q wavelet transform［J］．Biomed Signal Process Control，2013，8（6）：559－567．

［4］ VAFAEI M，ADNAN A B．Seismic damage detection of tall airport traffic control towers using wavelet analysis［J］．Struct Infrastruct Eng，2014，10（1）：106－127．

［5］ LIU Gang，LIU Jing，WANG Quan，et al．The translation invariant wavelet－based contourlet transform for image denoising［J］．J Multimedia，2012，7（3）：254－261．

［6］ YUE Chunyu，JIANG Wanshou．SAR image denoising in nonsubsampled contourlet transform domain based on maximum a posteriori and non－local constraint［J］．Remote Sens Lett，2013，4（3）：270－278．

［7］ RODRIGUEZ－SáNCHEZ R，GARCíA J A，F(xiàn)DEZ－VALDIVIA J．Image inpainting with nonsubsampled contourlet transform［J］．Pattern Recognit Lett，2013，34（13）：1508－1518．

［8］ 李艷，杜宇人，沈鑫．基于非抽樣contourlet變換的圖像增強(qiáng)方法［J］．揚(yáng)州大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，14（4）：47－51．

［9］ 吳震宇，杜宇人，師文，等．一種基于模糊熵的水凝膠圖像分割算法［J］．揚(yáng)州大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，13（2）：65－69．

［10］ 周燕，金偉其．人眼視覺的傳遞特性及模型［J］．光學(xué)技術(shù)：2002，28（1）：57－59，62．

［11］ REDLER G，EPEL B，HALPERN H J．Principal component analysis enhances SNR for dynamic electron paramagnetic resonance oxygen imaging of cycling hypoxia in vivo［J］．Magn Reson Med，2014，71（1）：440－450．