李偉凱,王政霞,蔣 偉

(1.重慶交通大學(xué)信息科學(xué)與工程學(xué)院，重慶 400074;重慶交通大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，重慶 400074)

1 引言

圖像增強(qiáng)[1,2]是對(duì)原始圖像進(jìn)行處理加工，改善圖像的顯示效果，使其轉(zhuǎn)換成更適合圖像分析處理的一類有效方法。本文著重研究基于微分的圖像增強(qiáng)方法。傳統(tǒng)的基于微分的圖像增強(qiáng)方法，如Robert算子[3]、Laplacian算子[4]等在圖像增強(qiáng)方面有著廣泛的應(yīng)用。20世紀(jì)初期，有學(xué)者對(duì)整數(shù)階微分圖像增強(qiáng)方法[3 - 6]進(jìn)行改進(jìn)，通過(guò)將其進(jìn)行加權(quán)[6]或結(jié)合其他增強(qiáng)方法[3 - 5]的方式，有效提升了整數(shù)階微分的增強(qiáng)效果。但是，這些方法仍無(wú)法有效改善整數(shù)階微分對(duì)噪聲敏感及其容易抑制圖像紋理細(xì)節(jié)的缺點(diǎn)。分?jǐn)?shù)階微分第一次見(jiàn)于Leibniz與L' Hospital的往來(lái)信件[7]，由于分?jǐn)?shù)階微分具有良好的弱導(dǎo)數(shù)性質(zhì)，并且在數(shù)字信號(hào)處理中有很好的應(yīng)用，因此分?jǐn)?shù)階微分很快引入到圖像處理[8]領(lǐng)域。分?jǐn)?shù)階微分能夠在有效提升邊緣和紋理細(xì)節(jié)的同時(shí)很好地保留平滑區(qū)域的紋理細(xì)節(jié)[9 - 11]，也有效地解決了整數(shù)階微分對(duì)噪聲敏感的問(wèn)題[12,13]。已有學(xué)者對(duì)分?jǐn)?shù)階微分進(jìn)行了改進(jìn)，如陳昌龍等人[14]通過(guò)對(duì)圖像特征分塊，構(gòu)建分?jǐn)?shù)階微分掩膜算子，應(yīng)用到大地圖像的圖像增強(qiáng)；牛為華等人[15]結(jié)合方向?qū)?shù)和分?jǐn)?shù)階微分，對(duì)分?jǐn)?shù)階微分增強(qiáng)方法進(jìn)行了改進(jìn)。蔣偉等人[16]對(duì)分?jǐn)?shù)階微分和整數(shù)階微分進(jìn)行結(jié)合，提出了一種基于有理數(shù)階的偏微分方程圖像增強(qiáng)方法，這些方法均具有良好的圖像增強(qiáng)效果。

固定階數(shù)的分?jǐn)?shù)階微分圖像增強(qiáng)算子對(duì)紋理區(qū)域的圖像增強(qiáng)有很好的效果，克服了噪聲敏感和抑制紋理細(xì)節(jié)的缺點(diǎn)。雖然微分階數(shù)具有很高的靈活性，但是需要通過(guò)不斷地調(diào)整微分階數(shù)來(lái)達(dá)到滿意的圖像增強(qiáng)效果，因此不滿足實(shí)時(shí)圖像增強(qiáng)處理需求，且圖像不同區(qū)域特征是不同的，簡(jiǎn)單地對(duì)一幅圖像采用相同的微分階數(shù)是欠妥當(dāng)?shù)?。因此，很多學(xué)者開(kāi)始研究自適應(yīng)分?jǐn)?shù)階微分圖像的增強(qiáng)方法：如汪成亮等人[17]利用梯度特征建立了一個(gè)線性不連續(xù)的自適應(yīng)分?jǐn)?shù)階微分圖像增強(qiáng)模型，取得了良好的圖像增強(qiáng)效果；張玉等人[18]在此基礎(chǔ)上進(jìn)行改進(jìn)，結(jié)合圖像梯度、信息熵、對(duì)比度等因素，利用和聲搜索算法選取最優(yōu)參數(shù)，建立了自適應(yīng)選取分?jǐn)?shù)階微分階數(shù)的函數(shù)；李博等人[19]通過(guò)一種基于小概率策略的自適應(yīng)分?jǐn)?shù)階微分圖像去噪算法，能夠在對(duì)噪聲點(diǎn)進(jìn)行處理的同時(shí)，采用自適應(yīng)分?jǐn)?shù)階微分對(duì)圖像的紋理區(qū)域進(jìn)行增強(qiáng)。目前針對(duì)分?jǐn)?shù)階偏微分圖像增強(qiáng)的研究多基于梯度和信息熵等因素，并沒(méi)有考慮視覺(jué)因素的影響，因此對(duì)于暗區(qū)的圖像增強(qiáng)效果不好。

為解決現(xiàn)有自適應(yīng)分?jǐn)?shù)階微分圖像增強(qiáng)方法對(duì)暗區(qū)紋理細(xì)節(jié)增強(qiáng)的不足，本文提出了一種自適應(yīng)偏微分方程圖像的增強(qiáng)算法，主要以亮度(本文中以灰度值進(jìn)行表示)和梯度作為圖像特征進(jìn)行微分階數(shù)的選取，并通過(guò)滑動(dòng)窗的方式對(duì)圖像進(jìn)行增強(qiáng)處理。實(shí)驗(yàn)表明，本文方法較傳統(tǒng)分?jǐn)?shù)階微分圖像增強(qiáng)算法的增強(qiáng)效果而言，邊緣更加明顯且紋理突出，對(duì)圖像的紋理細(xì)節(jié)顯著提升，且清晰度有很大提高，達(dá)到自適應(yīng)圖像增強(qiáng)的效果，同時(shí)能夠滿足實(shí)時(shí)性處理的要求，具有一定的應(yīng)用前景。

2 預(yù)備知識(shí)

本文采用G-L分?jǐn)?shù)階微分定義[12]，G-L分?jǐn)?shù)階微分的表達(dá)式如下：

(1)

其中，G表示G-L，h為微分步長(zhǎng),[ ]為取整符號(hào)，a,t分別表示分?jǐn)?shù)階微分的上下限，Γ(n)=(n-1)!，v表示微分階數(shù)，一維信號(hào)f(x)的持續(xù)周期x∈[a,t]，考慮到數(shù)字圖像相鄰兩個(gè)像素的距離為1，因此認(rèn)定微分步長(zhǎng)為1，從而有：

(2)

據(jù)此可近似得到一元信號(hào)的分?jǐn)?shù)階微分差分表達(dá)式：

(3)

為計(jì)算簡(jiǎn)便，選取像素點(diǎn)四個(gè)方向的分?jǐn)?shù)階微分的前兩項(xiàng)系數(shù)進(jìn)行運(yùn)算：

fx+(x,y)=f(x,y)-v×f(x+1,y)

(4)

fx-(x,y)=f(x,y)-v×f(x-1,y)

(5)

fy+(x,y)=f(x,y)-v×f(x,y+1)

(6)

fy-(x,y)=f(x,y)-v×f(x,y-1)

(7)

通過(guò)式(4)～式(7)得到分?jǐn)?shù)階微分圖像增強(qiáng)表達(dá)式為：

fE(x,y)=f(x,y)+fx+(x,y)+

fx-(x,y)+fy+(x,y)+fy-(x,y)

(8)

fE(x,y)=5×f(x,y)-v×(f(x-1,y)+

f(x+1,y)+f(x,y-1)+f(x,y+1))

(9)

將卷積運(yùn)算的相應(yīng)規(guī)則與式(9)相結(jié)合，可以得到分?jǐn)?shù)階偏微分方程微分圖像增強(qiáng)的掩模如下：

(10)

3 自適應(yīng)分?jǐn)?shù)階偏微分圖像增強(qiáng)模型

為構(gòu)建自適應(yīng)分?jǐn)?shù)階偏微分圖像增強(qiáng)模型，首先分析信號(hào)中微分幅頻特性曲線，繼而延拓到分析微分階數(shù)與圖像灰度值變化幅度之間的關(guān)系，微分幅頻特性曲線如圖1所示。

Figure 1 Amplitude frequency characteristics curve of the differential in signal processing圖1 信號(hào)處理中微分的幅頻特性曲線

由圖1可以看出，微分階數(shù)越小，對(duì)于中低頻部分保留得程度越高，但是對(duì)于高頻部分增強(qiáng)不明顯；微分階數(shù)越高，對(duì)于高頻部分有很好的提升效果，但是對(duì)于低頻部分會(huì)產(chǎn)生抑制作用。圖像梯度是反映圖像空間變換率[20]的主要特征。圖像邊緣處，灰度變化劇烈，梯度值相對(duì)較大，對(duì)應(yīng)高頻部分；圖像平滑區(qū)域，灰度值穩(wěn)定，梯度值相對(duì)較小，趨近于0，對(duì)應(yīng)低頻部分；圖像紋理區(qū)域，灰度值變化相對(duì)平緩，梯度值在適中水平，對(duì)應(yīng)于中高頻部分。

然后對(duì)圖像進(jìn)行分析，可以得到圖像f(x,y)梯度G(Gradient)在其像素點(diǎn)(x,y)上為二維列向量：

(11)

由此，我們可以得到梯度的模值為：

mag(G[f(x,y)])=

(12)

為了簡(jiǎn)化計(jì)算，通過(guò)式(12)近似得到梯度模值：

mag(G[f(x,y)])=

(13)

將偏微分?f/?x和?f/?y近似用差分Δxf(x,y)和Δyf(x,y)來(lái)代替，則沿x和y方向的一階差分表示為：

(14)

將式(13)和式(14)結(jié)合，可得梯度的模值為：

mag(G[f(x,y)])=

max(|f(x+1,y)-f(x,y)|,

|f(x,y+1)-f(x,y)|)

(15)

根據(jù)人眼對(duì)光敏感的關(guān)系[21]：

(16)

其中,PMAX表示圖像中最大的灰度值;p表示某一像素點(diǎn)的灰度值;k是敏感系數(shù)，亞洲人眼大概為1.8，歐洲人眼為2.2，這里取平均值為2。 因此,上式可以近似為：

P≈p2/PMAX

(17)

由式(17)可以發(fā)現(xiàn)，隨著圖像灰度階數(shù)的增大，人眼對(duì)圖像的敏感度也將加強(qiáng)。也就是說(shuō)，在灰度值小的地方需要對(duì)圖像進(jìn)行增強(qiáng)。即微分算子應(yīng)當(dāng)隨著光強(qiáng)的增加而增加。

在這里，本文提出了一個(gè)自適應(yīng)圖像增強(qiáng)算法，對(duì)于像素值p和梯度值t，t=mag(G[f(x,y)])，通過(guò)構(gòu)建自適應(yīng)分?jǐn)?shù)階微分階數(shù)選取模型v(p,t)，自適應(yīng)為每個(gè)像素點(diǎn)選出最佳微分階數(shù)v。傳統(tǒng)觀點(diǎn)[17]認(rèn)為微分階數(shù)的選取與圖像梯度的關(guān)系呈簡(jiǎn)單的線性關(guān)系，本文認(rèn)為分?jǐn)?shù)階微分階數(shù)的增長(zhǎng)會(huì)受到如避免銳化過(guò)度、圖片過(guò)亮等因素影響的阻礙，考慮到這些關(guān)系具有相關(guān)性，我們將其視為微分階數(shù)的自增長(zhǎng)阻礙。又由于人眼對(duì)于梯度和亮度的敏感性不同，我們需要將其映射到人眼的敏感度中去，也就是要除一個(gè)人眼的敏感度調(diào)節(jié)系數(shù)u。通過(guò)分析文獻(xiàn)[17 - 19]，我們發(fā)現(xiàn)利用小的微分階數(shù)去處理紋理區(qū)域具有好的增強(qiáng)效果，微分階數(shù)與梯度值呈現(xiàn)正比關(guān)系。因此，受到logistic模型啟發(fā)。本文考慮將微分階數(shù)的增長(zhǎng)作為一種自阻礙因素進(jìn)行建模，微分階數(shù)和梯度值與灰度值之間的函數(shù)關(guān)系可以表述為：

(18)

(19)

式(18)和式(19)中的v表示分?jǐn)?shù)階數(shù)，u1,u2分別表示對(duì)亮度和梯度的敏感度調(diào)節(jié)系數(shù)，r1，r2分別表示亮度和梯度微分階數(shù)選取的影響程度，c1,c2分別表示分?jǐn)?shù)階數(shù)對(duì)亮度和梯度的自阻礙能力的大小。

(20)

(21)

考慮到平坦區(qū)域和暗區(qū)應(yīng)當(dāng)選取較小的微分階數(shù)，也就是梯度值和灰度值趨于零時(shí)，所選取的微分階數(shù)應(yīng)當(dāng)趨于零。同理在邊緣區(qū)域和亮區(qū)應(yīng)當(dāng)選取較大的微分階數(shù)。由于微分階數(shù)的選取和以上兩個(gè)因素是正相關(guān)，所以在梯度最大處和亮度最大處時(shí)選取的微分階數(shù)應(yīng)該為1，代入(0,0)(1,1)對(duì)式(20)和式(21)求解微分方程得c1=c2=r1=r2=1，即:

(22)

(23)

為保證適當(dāng)增強(qiáng)，我們選取最大值作為處理的微分階數(shù)：

v=max(v1,v2)

(24)

綜上，經(jīng)過(guò)自適應(yīng)偏微分方程處理的像素點(diǎn)f(x,y)對(duì)應(yīng)的新像素值fE(x,y)為：

fE(x,y)=5×f(x,y)-v(x,y)×[f(x+1,y)+

f(x-1,y)+f(x,y+1)+f(x,y-1)]

(25)

本文的自適應(yīng)偏微分方程圖像增強(qiáng)算法流程如下：

(1)輸入原始圖像，用矩陣A存儲(chǔ)原圖像灰度值；

(2)初始化一個(gè)矩陣B存儲(chǔ)圖像各點(diǎn)的梯度值，初始化一個(gè)矩陣C作為增強(qiáng)后的圖像；

(3)根據(jù)式(25)對(duì)矩陣A進(jìn)行處理，依次求出每個(gè)像素點(diǎn)對(duì)應(yīng)處理的微分階數(shù)，將得到的梯度存儲(chǔ)在矩陣B中；

(4)對(duì)圖像像素點(diǎn)通過(guò)滑動(dòng)窗的方式，依次按照選擇的微分階數(shù)代入掩模進(jìn)行卷積處理，用矩陣C保存增強(qiáng)后圖像；

(5)輸出增強(qiáng)后的圖像。

本文算法需要計(jì)算四個(gè)方向的梯度，并且對(duì)每個(gè)點(diǎn)進(jìn)行卷積運(yùn)算，因此對(duì)于一幅有N個(gè)像素點(diǎn)的圖像，本算法所需要的時(shí)間頻度為T(5N)，時(shí)間復(fù)雜度為O(N)。本算法需要存儲(chǔ)圖像各點(diǎn)的像素值、梯度值以及增強(qiáng)后圖像的像素值，需要的空間復(fù)雜度為S(3N)。本文算法可以在有效的時(shí)間和空間復(fù)雜度內(nèi)完成，因此可以應(yīng)用于實(shí)際應(yīng)用，可以滿足一些對(duì)實(shí)時(shí)性要求較高的圖像增強(qiáng)任務(wù)，具有一定的應(yīng)用前景。

4 實(shí)驗(yàn)效果及分析

考慮到文獻(xiàn)[17 - 19]的不同僅僅在于紋理區(qū)域的差異，并沒(méi)有考慮暗區(qū)紋理細(xì)節(jié)問(wèn)題，而本文主要對(duì)暗區(qū)的紋理細(xì)節(jié)增強(qiáng)進(jìn)行改進(jìn)。在這里，我們采用以上三篇文獻(xiàn)中最經(jīng)典方法(簡(jiǎn)稱文獻(xiàn)方法)[17]、固定微分階數(shù)的圖像增強(qiáng)方法以及本文方法對(duì)三幅圖像分別進(jìn)行圖像增強(qiáng)。我們選取效果最好的v=0.8的分?jǐn)?shù)階微分的圖像增強(qiáng)方法進(jìn)行圖像增強(qiáng)，并進(jìn)行比較，來(lái)驗(yàn)證本文方法的增強(qiáng)效果。本文算法實(shí)驗(yàn)運(yùn)行環(huán)境為：CPU為AMD A0PRO-78，實(shí)驗(yàn)運(yùn)行軟件為Matlab 2013b，實(shí)驗(yàn)效果見(jiàn)圖2～圖4，圖像客觀評(píng)價(jià)結(jié)果見(jiàn)表1和表2，運(yùn)行時(shí)間見(jiàn)表3。

實(shí)驗(yàn)1對(duì)圖像Snow進(jìn)行增強(qiáng)。為方便運(yùn)算，將原RGB圖像轉(zhuǎn)換為灰度圖像。從圖2可以看出，在亮區(qū)部分如上半部分的臺(tái)階以及右側(cè)的墻壁，圖2b本文方法與圖2c文獻(xiàn)方法對(duì)于紋理細(xì)節(jié)和邊緣均具有良好的圖像增強(qiáng)效果，對(duì)于暗區(qū)部分的增強(qiáng),如位于下半部分臺(tái)階陰影處,本文方法的增強(qiáng)效果明顯好于文獻(xiàn)方法。圖2d固定階分?jǐn)?shù)階微分對(duì)紋理細(xì)節(jié)有較好的保留與增強(qiáng)作用，但是使得亮區(qū)的圖像過(guò)亮，影響視覺(jué)效果。通過(guò)比較直方圖可以看出，在0～50這個(gè)灰度區(qū)間，圖2g文獻(xiàn)方法大部分灰度值均處于0～25，而圖2f本文方法更加均勻且大部分落于25～50，亮區(qū)兩種方法的效果基本一致。因此，本文對(duì)暗區(qū)的紋理細(xì)節(jié)增強(qiáng)效果更好。

實(shí)驗(yàn)2選用Matlab自帶圖像Tire進(jìn)行圖像增強(qiáng)。從圖3中可以看到，對(duì)于輪胎和輪轂的輪廓以及輪轂與輪胎處等亮區(qū)的紋理以及邊緣區(qū)域，圖3b本文方法與圖3c文獻(xiàn)方法均有良好的增強(qiáng)效果，而對(duì)于陰影處的沙礫以及左上角的輪胎細(xì)節(jié)等暗區(qū)的紋理區(qū)域，本文方法較文獻(xiàn)方法有更好的增強(qiáng)效果。圖3d固定階分?jǐn)?shù)階微分圖像增強(qiáng)方法同樣存在失真問(wèn)題。通過(guò)分析灰度直方圖可以看出，圖3f本文方法在暗區(qū)的灰度分布更加均勻，因此在暗區(qū)的對(duì)比度較文獻(xiàn)方法更高，具有更好的視覺(jué)效果。因此，本文方法是對(duì)暗區(qū)圖像紋理區(qū)域增強(qiáng)的有效方法。

實(shí)驗(yàn)3對(duì)Girl圖像進(jìn)行圖像增強(qiáng)。從圖4可以看到在女孩的頭發(fā)、臉部細(xì)節(jié)等紋理區(qū)域，圖4b

Figure 2 Image enhancement of image Snow圖2 對(duì)圖像Snow的圖像增強(qiáng)

本文方法與圖4c文獻(xiàn)方法均有良好的增強(qiáng)效果，頭發(fā)的增強(qiáng)效果均很明顯，而對(duì)于暗區(qū)衣服褶皺處的紋理細(xì)節(jié)，本文方法較文獻(xiàn)方法有更好的增強(qiáng)效果。圖4h固定階分?jǐn)?shù)階微分圖像增強(qiáng)方法依然會(huì)產(chǎn)生色彩上的一些失真。通過(guò)分析灰度直方圖可以看出，圖4f本文方法在暗區(qū)的灰度分布更加均勻，灰度在亮區(qū)上的分布情況與文獻(xiàn)方法基本一致，因此在暗區(qū)的對(duì)比度較文獻(xiàn)方法更高，具有更好的視覺(jué)效果，因此本文方法是對(duì)暗區(qū)圖像紋理區(qū)域增強(qiáng)的有效方法。

通過(guò)三組實(shí)驗(yàn)可以發(fā)現(xiàn)，文獻(xiàn)方法有效地增強(qiáng)了亮區(qū)的紋理細(xì)節(jié)，并且對(duì)于邊緣區(qū)有很好的增強(qiáng)效果。 微分階數(shù)隨像素點(diǎn)梯度值的變化而靈活變化，較現(xiàn)有固定階數(shù)的圖像增強(qiáng)方法有了很大的進(jìn)步，但是暗區(qū)的紋理細(xì)節(jié)仍沒(méi)有被很好地增強(qiáng)?；叶戎狈綀D在暗區(qū)的分布與原圖接近，因此暗區(qū)圖像增強(qiáng)效果較差，這是因?yàn)槲墨I(xiàn)方法并沒(méi)有考慮像素亮度的因素，從而導(dǎo)致暗區(qū)增強(qiáng)不足。經(jīng)過(guò)文獻(xiàn)方法增強(qiáng)的亮區(qū)紋理效果顯得并不平滑，這是因?yàn)槲墨I(xiàn)方法中，紋理區(qū)域邊緣區(qū)域的劃分有明顯的界限，導(dǎo)致紋理區(qū)域與邊緣區(qū)域分界點(diǎn)的梯度相差很小，但處理的微分階數(shù)可能差距較大。相較之下，本文模型對(duì)于微分階數(shù)的選取是連續(xù)的，對(duì)于紋理和邊界的定義是模糊的，見(jiàn)式(22)，同時(shí)本文模型對(duì)亮區(qū)邊緣的紋理細(xì)節(jié)增強(qiáng)的同時(shí)，也對(duì)暗區(qū)的紋理細(xì)節(jié)進(jìn)行了更好的增強(qiáng)，因此細(xì)節(jié)處理更好，較文獻(xiàn)方法有了一定的改進(jìn)。

上文通過(guò)主觀視覺(jué)效果來(lái)對(duì)本文方法的圖像增強(qiáng)效果進(jìn)行主觀評(píng)價(jià)。為了更好地驗(yàn)證新模型的有效性，本文從客觀指標(biāo)上來(lái)評(píng)價(jià)其圖像增強(qiáng)效果?？紤]到本文主要工作為圖像銳化，也就是增強(qiáng)圖像的對(duì)比度，在數(shù)字圖像上反應(yīng)為圖像的梯度增加和灰度分布的改變。因此，在本文中，我們使用平均梯度和信息熵作為圖像增強(qiáng)的客觀評(píng)價(jià)指標(biāo)。平均梯度越大，圖像的對(duì)比度越高，相對(duì)應(yīng)的圖像增強(qiáng)的效果也就越好，同時(shí)，信息熵越高，圖像的對(duì)比度也就越高。我們分別以圖像Tire、圖像Snow、圖像Girl為例，對(duì)本文方法進(jìn)行客觀評(píng)價(jià)，并與文獻(xiàn)方法進(jìn)行比較，從而對(duì)本方法進(jìn)行客觀的分析和評(píng)判。

平均梯度AG(Average Gradient)計(jì)算公式如下：

(26)

其中，G為圖像梯度矩陣，m,n為圖像尺寸。

信息熵IE(Information Entropy)的計(jì)算公式如下：

(27)

其中，pi表示灰度值i在圖像中出現(xiàn)的概率。

通過(guò)式(26)計(jì)算所得的不同方法對(duì)三幅圖像增強(qiáng)所得到的圖像的平均梯度結(jié)果見(jiàn)表1。

Table 1 Average gradient of differentimages after image enhancement表1 對(duì)不同圖像增強(qiáng)處理的平均梯度

通過(guò)式(27)計(jì)算所得的不同方法對(duì)三幅圖像增強(qiáng)所得到的圖像的信息熵結(jié)果見(jiàn)表2。

Table 2 Information entropy of differentimages after image enhancement表2 對(duì)不同圖像增強(qiáng)處理的信息熵

不同實(shí)驗(yàn)方法對(duì)于圖像處理時(shí)間如表3所示。

Table 3 Processing time of imageenhancement for different images表3 對(duì)不同圖像增強(qiáng)處理的運(yùn)行處理時(shí)間 s

從表1和表2可知，對(duì)于圖像的增強(qiáng)效果，本文方法增強(qiáng)后較文獻(xiàn)方法具有一定的進(jìn)步，原因是，在暗區(qū)紋理細(xì)節(jié)處，本文方法能夠比文獻(xiàn)方法選取更小的微分階數(shù)，因此能夠得到更好的增強(qiáng)效果。對(duì)比實(shí)驗(yàn)說(shuō)明本文方法是一個(gè)行之有效的方法，并且通過(guò)表3可以看出，本文方法能夠有效地滿足實(shí)時(shí)性的圖像處理需求。

5 結(jié)束語(yǔ)

本文以現(xiàn)有偏微分方程圖像增強(qiáng)理論和已有的自適應(yīng)性分?jǐn)?shù)階微分圖像增強(qiáng)模型為基礎(chǔ),結(jié)合人眼對(duì)于亮度的敏感性，提出了一種基于模糊域的梯度和像素點(diǎn)亮度的自適應(yīng)偏微分方程圖像增強(qiáng)新模型。通過(guò)本文建立的模型自適應(yīng)地選取微分階數(shù)來(lái)進(jìn)行圖像處理，進(jìn)而對(duì)圖像各個(gè)像素點(diǎn)進(jìn)行動(dòng)態(tài)的增強(qiáng)處理，從而得到較好的圖像增強(qiáng)效果。在與固定階分?jǐn)?shù)階微分和傳統(tǒng)圖像增強(qiáng)方法還有現(xiàn)有文獻(xiàn)的方法進(jìn)行的比較中，可以發(fā)現(xiàn)本文方法較之前方法有了一定的提高，暗區(qū)的紋理細(xì)節(jié)顯著增強(qiáng)。本文方法可用于瀝青路面或夜間監(jiān)控圖像的圖像增強(qiáng)工作中，通過(guò)實(shí)驗(yàn)對(duì)比客觀評(píng)價(jià)，本文方法在平均梯度、信息熵方面有很好的提升，同時(shí)運(yùn)算速度有一定的進(jìn)步。實(shí)驗(yàn)結(jié)果表明，本文提出的新模型是行之有效的；通過(guò)時(shí)間復(fù)雜度和空間復(fù)雜度分析，本方法具有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn):

[1] Gonzalez R C,Woods R E.Digital image processing[M].Boston:Addison-Wesley Longman Publishing Co,2001.

[2] Sonka M,Hlavac V,Ceng R B D M.Image processing,analysis,and machine vision[M].Belmont:Thomson Learning,2008:685-686.

[3] Zhang Hui,Chen Hong-ming.Hybrid SUSAN algorithm and Robert algorithm for image edge detection filtering technique [J].Computer Science,2013,40(3):302-304.(in Chinese)

[4] Gupta S,Porwal R.Combining Laplacian and Sobel gradient for greater sharpening[J].ICTACT Journal on Image & Video Processing,2016,6(4):1239-1243.

[5] Wu Jie, Chen De-zhi, Guo Cheng-zhi.An enhancing image method based on sobel edge detect arithmetic innovating [J].Laser and Infrared,2008,38(6):612-614.(in Chinese)

[6] Sun Zeng-guo,Han Chong-zhao.Image enhancement based on Laplacian operator [J].Computer Application Research,2007,22(1):222-223.(in Chinese)

[7] Leibniz G W.Correspondatice De Lebniz Avec Hugens,Van Zulichem Et Le Marquis De L' Hospital[M]. Paris:Libr de A,1853:297-302.

[8] Mandelbrot B B.Thr fractal geometry of nature[M].New York:W H Freeman and Company,1983.

[9] Pu Yi-fei,Patrick S,Zhou J L,et al.Fractional partial differential equation denoising models for texture image[J].Science China Information Sciences,2014,57(7):1-19.

[10] Zhang Y, Pu Y, Zhou J.Construction of fractional differential masks based on Riemann-Liouville definition[J].Journal of Computational Information Systems,2010,6(10):3191-3199.

[11] Zhang Yong, Pu Yi-fei,Zhou Ji-liu. Image enhancement based on fractional differentials[J].Computer Application Research,2012,29(8):3195-3197.(in Chinese)

[12] Yang Zhu-zhong,Zhou Ji-liu,Huang Mei,et al.Edge detection based on fractional differentials [J].Journal of Sichuan University(Engineering Science Edition),2008,40(1):152-157.(in Chinese)

[13] Yang Zhu-zhong,Zhou Ji-liu,Yan Xiang-yu,et al.Image enhancement based on fractional differentials [J].Journal of Computer-Aided Design & Computer Graphics,2008,20(3):343-348.(in Chinese)

[14] Chen Chang-long, Sun Ke-hui. Fractional-order differential image enhancement algorithm based on image characteristics division[J].Computer Engineering and Applications,2016,52(14):186-191.(in Chinese)

[15] Niu Wei-hua,Meng Jian-liang,Cui Ke-bin,et al.Image enhancement method using Grümwald-Letnikov fractional directional differential[J].Journal of Computer-Aided Design & Computer Graphics 2016,28(1):129-137.(in Chinese)

[16] Jiang Wei, Li Xiao-long,Liu Ya-wei,Image enhancement new model based on rational-order partial differential [J].Journal of Sichuan University(Natural Science Edition),2016,53(1):47-53.(in Chinese)

[17] Wang Cheng-liang, Lan Li-bin, Zhou Shang-bo.Adaptive fractional differential and its application to image texture enhancement [J].Journal of Chongqing University,2011,34(2):32-37.(in Chinese)

[18] Zhang Yu,Wang Zheng-yong,Teng Qi-zhi,et al.A image enhancement and application based on adaptive fractional-order differential [J].Journal of Sichuan University(Natural Science Edition),2015,52(1):93-100.(in Chinese)

[19] Li Bo, Xie Wei.Image enhancement and denoising algorithms based on adaptive fractional differential and integral [J].Systems Engineering and Electronics,2016,38(1):185-192.(in Chinese)

[20] Zhang S Q,Zhou J Y.Centerline extraction for image segmentation using gradient and direction vector flow active contours[J].Journal of Signal and Information Processing,2013,4(4):407-413.

[21] Kang Mu, Li Yong-liang. An adaptive image enhancement algorithm based on human visual properties [J].Optical Engineering,2009,36(7):71-77.(in Chinese)

附中文參考文獻(xiàn)：

[3] 章慧,陳宏明.融合SUSAN算法和Robert算法的圖像邊緣檢測(cè)與濾波處理技術(shù)[J].計(jì)算機(jī)科學(xué),2013,40(3)： 302-304.

[5] 吳捷,陳德智,國(guó)成志.Sobel邊緣檢測(cè)算法的變異實(shí)現(xiàn)圖像增強(qiáng)[J].激光與紅外,2008,38(6)： 612-614.

[6] 孫增國(guó),韓崇昭.基于Laplacian算子的圖像增強(qiáng)[J].計(jì)算機(jī)應(yīng)用研究,2007,22(1)： 222-223.

[11] 張涌,蒲亦非,周激流.基于分?jǐn)?shù)階微分的圖像增強(qiáng)模板[J].計(jì)算機(jī)應(yīng)用研究,2012,29(8)： 3195-3197.

[12] 楊柱中,周激流,黃梅,等.基于分?jǐn)?shù)階微分的邊緣檢測(cè)[J].四川大學(xué)學(xué)報(bào)(工程科學(xué)版),2008,40(1)：152-157.

[13] 楊柱中,周激流,晏祥玉,等.基于分?jǐn)?shù)階微分的圖像增強(qiáng)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2008,20(3)： 343-348.

[14] 陳昌龍,孫克輝.基于圖像特征分塊的分?jǐn)?shù)階微分圖像增強(qiáng)算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(14)：186-191.

[15] 牛為華,孟建良,崔克彬,等.利用Grümwald-Letnikov分?jǐn)?shù)階方向?qū)?shù)的圖像增強(qiáng)方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2016,28(1)：129-137.

[16] 蔣偉,李小龍,劉亞威.基于有理數(shù)階偏微分的圖像增強(qiáng)新模型[J].四川大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,53(1)：47-53.

[17] 汪成亮,蘭利彬,周尚波.自適應(yīng)分?jǐn)?shù)階微分在圖像紋理增強(qiáng)中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào),2011,34(2)： 32-37.

[18] 張玉,王正勇,滕奇志,等.自適應(yīng)分?jǐn)?shù)階微分的圖像增強(qiáng)及應(yīng)用[J].四川大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,52(1)： 93-100.

[19] 李博,謝巍.基于自適應(yīng)分?jǐn)?shù)階微積分的圖像去噪與增強(qiáng)算法[J].系統(tǒng)工程與電子技術(shù).2016,38(1)：185-192.

[21] 康牧,李永亮.基于人眼視覺(jué)特性的自適應(yīng)圖像增強(qiáng)方法[J].光電工程,2009,36(7)： 71-77.