王仕女 孫文勝

摘 要：針對(duì)現(xiàn)有對(duì)比度變換圖像增強(qiáng)方法細(xì)節(jié)處理不足，經(jīng)典窮舉法和各種生物智能優(yōu)化算法求取非完全Beta函數(shù)參數(shù)存在算法效率不高、易陷入局部最優(yōu)的缺陷，提出一種利用非銳化掩膜局部細(xì)節(jié)提升能力和Beta變換全局對(duì)比度拉伸能力，簡便快速且細(xì)節(jié)豐富的圖像增強(qiáng)方法。使用不同灰度分布圖進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明該算法得到的增強(qiáng)圖像直方圖分布均勻、細(xì)節(jié)豐富且過渡自然平緩，算法效率高。

關(guān)鍵詞：圖像增強(qiáng);非銳化掩模;雙邊濾波;非完全Beta函數(shù);細(xì)節(jié)融合

DOI：10. 11907/rjdk. 182625 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）009-0207-04

Image Enhancement Based on Unsharp Mask and Beta Transform

WANG Shi-nv，SUN Wen-sheng

（Communication Engineering College， Hangzhou Dianzi University， Hangzhou 310018， China）

Abstract： Aiming at the shortcomings of the existing contrast-converted image enhancement method in detail processing， the insufficiency of the algorithm for solving the incomplete Beta function parameters for the classical exhaustive method and various bio-intelligence optimization algorithms is easy and the strong tendency to fall into the local optimum， a simple， fast and detailed image enhancement method using the unsharp mask local detail lifting ability and the Beta transform global contrast stretching ability is proposed. Simulation experiments using different grayscale maps show that the proposed algorithm has high efficiency， and the obtained enhanced histograms are evenly distributed， with rich details and smooth transition.

Key Words： image enhancement; unsharp mask; bilateral filtering; incomplete Beta function; detail fusion

0 引言

由于設(shè)備和環(huán)境等影響，圖像在獲取過程中極有可能出現(xiàn)灰度集中、整體偏暗或偏亮問題，導(dǎo)致景物信息丟失或邊界輪廓不清，對(duì)后續(xù)圖像分析和識(shí)別造成影響。圖像增強(qiáng)是圖像預(yù)處理的必要步驟，對(duì)比度變換（Contrast Transform）是其中應(yīng)用較為普遍的方法之一，包括線性拉伸、直方圖均衡化、Gamma變換等常用方法，其主要作用是拉伸全局對(duì)比度[1]，但存在圖像細(xì)節(jié)改善不足問題[2]。在灰度圖像空間域增強(qiáng)基礎(chǔ)上，Tubbs[3]提出了一種能完全涵蓋典型變換函數(shù)的非完全Beta函數(shù)，增加了灰度轉(zhuǎn)換公式的機(jī)動(dòng)性，在圖像增強(qiáng)領(lǐng)域得到了廣泛應(yīng)用[4]。其中對(duì)于非完全Beta函數(shù)參數(shù)的確定較為關(guān)鍵。當(dāng)前對(duì)Beta函數(shù)參數(shù)的確定主要是傳統(tǒng)的窮舉法和各種仿生智能優(yōu)化算法。窮舉法算法效率極低，因而出現(xiàn)了各種結(jié)合優(yōu)化算法，包括粒子群算法、遺傳算法、混合蛙跳等;由于傳統(tǒng)方法對(duì)非完全Beta函數(shù)參數(shù)選取過程耗時(shí)過長，黃小榮、李林宜等 [5-7]分別提出使用遺傳算法、粒子群優(yōu)化算法不斷迭代優(yōu)化求取參數(shù)，混沌蛙跳，人工魚群算法等[8-10]也被提出用于圖像增強(qiáng)優(yōu)化;葉志偉等[11]利用新型的仿生智能算法杜鵑搜索算法更強(qiáng)的尋優(yōu)能力，提升了搜索參數(shù)的速度和精度;李宗妮等[12]利用蟻獅優(yōu)化算法，通過螞蟻的隨機(jī)游走實(shí)現(xiàn)空間搜索，提升了尋優(yōu)精度。上述方法都對(duì)傳統(tǒng)方法有一定改善，但由于優(yōu)化算法本身不斷迭代，不可避免存在算法速度上的限制，同時(shí)由于變換函數(shù)拉伸全局對(duì)比度而忽略了細(xì)節(jié)的保留。針對(duì)對(duì)比度變換法的缺陷，楊有等[13]對(duì)限制對(duì)比度自適應(yīng)直方圖均衡采用Lee濾波器進(jìn)行局部細(xì)節(jié)增強(qiáng)，在一定程度上提升了細(xì)節(jié)。

本文針對(duì)以上算法存在的問題，對(duì)整體偏暗或偏亮圖像提出一種快速的估計(jì)非完全Beta函數(shù)參數(shù)公式，利用非銳化掩膜提取多維細(xì)節(jié)層，結(jié)合非銳化掩膜的局部細(xì)節(jié)保留能力和Beta函數(shù)全局對(duì)比度提升能力，達(dá)到簡便快速增強(qiáng)豐富的圖像細(xì)節(jié)效果。

1 非完全Beta函數(shù)

圖像全局增強(qiáng)用于提升圖像對(duì)比度，在空間對(duì)比度增強(qiáng)中對(duì)像素進(jìn)行非線性操作，使其分布在所需強(qiáng)度等級(jí)范圍內(nèi)。全局對(duì)比度拉伸方法常見的有直方圖均衡（HE）[14-16]、對(duì)比度受限自適應(yīng)直方圖均衡（CLAHE）、離散余弦變換（DCT）、自適應(yīng)逆雙曲正切函數(shù)變換等，而Tubbs[3]提出的歸一化非完全Beta函數(shù)基本能完美擬合各種類型非線性轉(zhuǎn)換曲線，在圖像增強(qiáng)上表現(xiàn)出極大的靈活性。

該函數(shù)滿足[0F（u）1] 且為單調(diào)遞增的單值函數(shù)，能擬合各類非線性變換曲線，滿足作為對(duì)比度變換函數(shù)的必要條件。[α]和[β]的取值控制變換曲線的形狀，不同的[α，β]值可得到不同類型的變換曲線，如圖1所示。

針對(duì)當(dāng)前各種生物仿生算法求解非完全Beta函數(shù)參數(shù)時(shí)存在算法效率低、容易陷入局部最優(yōu)解的問題，提出一種快速簡便、穩(wěn)定，對(duì)比度拉伸效果自然的參數(shù)估計(jì)方法。針對(duì)整體過暗或過亮的圖像，本文提出一種大致估計(jì)參數(shù)[α，β]公式：

其中，[μ]為圖像像素均值，[γ，η]為控制調(diào)整范圍參數(shù)且滿足[0<γ<1]，[1<η<10]，該參數(shù)估計(jì)既能直接作為Beta函數(shù)灰度變換的參數(shù)，也可作為群體智能優(yōu)化算法的初始化參數(shù)估計(jì)，用于加快智能優(yōu)化算法的收斂速度，避免陷入局部最優(yōu)解。

2 反銳化掩膜

反銳化掩模（UnSharp Masking，UM）算法最開始運(yùn)用于拍攝，以達(dá)到增強(qiáng)圖像邊緣細(xì)節(jié)的目的。經(jīng)典攝影學(xué)實(shí)操就是在底片上附加散焦負(fù)片與聚焦正片，從而提升高頻細(xì)節(jié)輪廓部分，其中的散焦負(fù)片等同于模糊（反銳化）模板，故取名反銳化掩模法。將該方法應(yīng)用到軟件圖像處理上，就是將原圖像進(jìn)行模糊預(yù)處理（相當(dāng)于采用低通濾波，高頻成份受到抑制）后與原圖相減得模糊模板，乘以調(diào)節(jié)因子權(quán)重疊加到原圖上，從而提升圖像高頻信息，加強(qiáng)圖像輪廓細(xì)節(jié)[17-18]。

針對(duì)全局方法由于整體拉伸而造成忽略細(xì)節(jié)信息的缺陷，考慮引入局部增強(qiáng)獲取圖像微小細(xì)節(jié)。細(xì)節(jié)信息通常通過梯度信息體現(xiàn)，能保留和增強(qiáng)圖像有用信息。這里采用的局部增強(qiáng)方法是反銳化掩模[19]，在此方法中，通過從原始圖像中減去模糊或平滑圖像達(dá)到銳化圖像的目的，計(jì)算表達(dá)式如下：

傳統(tǒng)反銳化掩膜算法中，平滑圖像通常采用高斯低通濾波獲得，但原始圖像與提取的細(xì)節(jié)層疊加后，在圖像邊緣銳利塊可能會(huì)由于突兀跳變而造成過沖和欠沖，從而在圖像亮暗邊緣出現(xiàn)光暈現(xiàn)象，同時(shí)可能放大圖像噪聲。為避免該問題，本文考慮用帶邊緣保持的雙邊濾波器[20]替代普通高斯濾波獲取細(xì)節(jié)層，雙邊濾波同時(shí)考慮周圍空間距離和灰度相似性。越相似的鄰域像素權(quán)重越大，由此濾除平坦區(qū)域的高頻噪聲，修補(bǔ)缺失，增強(qiáng)細(xì)節(jié)以及邊緣區(qū)域。雙邊濾波公式如下：

3 圖像增強(qiáng)

利用非銳化掩膜算法提取高頻信息獲取細(xì)節(jié)、Beta變換整體對(duì)比度拉伸的特性，將非完全Beta變換作為全局增強(qiáng)方法、非銳化掩膜算法作為局部提升方法，結(jié)合兩者優(yōu)勢，彌補(bǔ)兩者不足，本文提出一種快速的、對(duì)比度拉伸自然、細(xì)節(jié)提升的圖像增強(qiáng)方法。算法流程如圖2所示。

4 實(shí)驗(yàn)結(jié)果及分析

為證明本文提出算法的有效性，選用不同灰度分布的圖像與常見對(duì)比度拉伸算法和智能優(yōu)化的Beta函數(shù)圖像增強(qiáng)方法進(jìn)行比較實(shí)驗(yàn)。圖3（a）和圖4（a）為兩幅具有不同灰度分布的原始圖片，分別稱為紀(jì)念碑和合影，紀(jì)念碑整體偏亮，合影整體偏暗。表1給出兩幅圖像根據(jù)參數(shù)估計(jì)公式計(jì)算的[α，β]值，圖3和圖4分別為直方圖均衡、遺傳算法優(yōu)化的Beta變換和本文提出方法的增強(qiáng)效果。

從直觀的視覺感知分析可知：直方圖均衡部分灰度被拉伸后出現(xiàn)灰度取值跳躍，相鄰像素值不連續(xù)導(dǎo)致圖像整體不自然，如紀(jì)念碑的上部和階梯出現(xiàn)明顯顆粒感;遺傳算法優(yōu)化的Beta變換，由于以均方差作為優(yōu)化目標(biāo)函數(shù)不斷進(jìn)行迭代，導(dǎo)致圖像對(duì)比度不自然的過分增強(qiáng)，圖像明暗過渡較明顯，如紀(jì)念碑石柱和墻壁門的對(duì)比，石柱顏色過白而里面的墻壁和門過增強(qiáng)甚至沒入黑暗，原窗戶的細(xì)節(jié)基本丟失。合照對(duì)角線右側(cè)色彩過深，左側(cè)則泛白且明顯丟失人物輪廓特征和軍裝細(xì)節(jié)。本文圖像增強(qiáng)方法在對(duì)比度拉伸基礎(chǔ)上像素過渡自然連貫，同時(shí)良好地保留并提升了細(xì)節(jié)。

圖5為紀(jì)念碑和合影兩幅圖像在增強(qiáng)前后的直方圖對(duì)比，對(duì)比圖5（a）和圖5（b），本文增強(qiáng)算法自動(dòng)拉伸圖像暗區(qū)，增強(qiáng)圖像對(duì)比度，明暗區(qū)域分配合理且保留原圖像素分布結(jié)構(gòu)。對(duì)比圖5（c）和圖5（d），增強(qiáng)算法對(duì)亮區(qū)進(jìn)行拉伸，直方圖均勻分布且保持原有像素比例分布。

為定量評(píng)估算法的細(xì)節(jié)保留效果、對(duì)比度增強(qiáng)效果以及算法效率，考慮采用信息熵、均方差和算法耗時(shí)這3個(gè)指標(biāo)用以支持上述做法，結(jié)論如表2所示。本文算法在信息熵上顯著優(yōu)于前兩者數(shù)據(jù)，圖像信息豐富;由于優(yōu)化算法以類似均方差作為評(píng)價(jià)函數(shù)且選取均方差最大作為最終增強(qiáng)結(jié)果，所以均方差量化指標(biāo)需要保留。但是分析主觀效果可知，此時(shí)出現(xiàn)了圖像過增強(qiáng)。在CPU為英特爾i5-2300，軟件環(huán)境MatlabR2014a上，針對(duì)像素[512×512]和[283×432]圖像，算法效率上直方圖均衡和本文算法進(jìn)行增強(qiáng)耗時(shí)均小于0.2s，而遺傳優(yōu)化算法耗時(shí)過長，明顯不適合實(shí)時(shí)處理，可見本文提出的算法細(xì)節(jié)豐富、對(duì)比度增強(qiáng)且算法效率高。

5 結(jié)語

非完全Beta變換是一種簡單優(yōu)秀的對(duì)比度拉伸算法。針對(duì)函數(shù)參數(shù)的求取，基于窮舉法順序計(jì)算量極大，嚴(yán)重降低處理速度;基于粒子群優(yōu)化、遺傳等生物智能優(yōu)化方法容易陷入局部最優(yōu)，增強(qiáng)結(jié)果隨機(jī)性很大，導(dǎo)致增強(qiáng)效果難以預(yù)估，算法迭代過程也較耗時(shí)，不利于實(shí)時(shí)業(yè)務(wù);除了算法效率上的缺陷，Beta變換本身存在細(xì)節(jié)丟失的缺點(diǎn)。針對(duì)上述問題，利用Beta函數(shù)變換曲線的性質(zhì)，提出一種簡單快速的Beta參數(shù)估計(jì)方法，并與非銳化掩膜的細(xì)節(jié)層充分融合。對(duì)比仿真顯示，本文提出的增強(qiáng)算法總體性能優(yōu)于HE和基于遺傳算法優(yōu)化的Beta變換，是一種效率高且細(xì)節(jié)豐富的圖像增強(qiáng)算法。

對(duì)比度拉伸算法簡單有效，但參數(shù)選擇是關(guān)鍵，既要考慮效率又要考慮參數(shù)有效性，可以根據(jù)圖片信息設(shè)計(jì)函數(shù)估計(jì)參數(shù);圖像增強(qiáng)的同時(shí)要考慮對(duì)比度拉伸效果和細(xì)節(jié)保留，從全局和局部兩方面切入處理，其中細(xì)節(jié)提取部分的頻域?yàn)V波是一種常用方法。后續(xù)研究中要進(jìn)一步優(yōu)化參數(shù)估計(jì)函數(shù)，增加像素值分布等變量，將參數(shù)估計(jì)函數(shù)所得預(yù)估值作為生物優(yōu)化算法的初始值，加快收斂速度，防止陷入局部最優(yōu)解，同時(shí)對(duì)圖像細(xì)節(jié)的提取可以考慮多角度多層次提取，以獲取足夠多的細(xì)節(jié)。

參考文獻(xiàn)：

[1] HASSAN N Y，AAKAMATSU N. Contrast enhancement technique of dark blurred image[J]. Computer Science and Network Security， 2006， 6（2）：223-226.

[2] GPNZALEZ R C，WINTZ P. Digital image processing[J]. Prentice Hall International，2001，28（4）：484-486.

[3] TUBBS J D. A note on parametric image enhancement[J]. Pattern Recognition，1987，20（6）： 617-621.

[4] 黃培. 量子遺傳算法及其在圖像增強(qiáng)中的應(yīng)用研究[D]. 無錫：江南大學(xué)，2005：43-45.

[5] 黃小榮，張金玉. 遺傳算法在圖像增強(qiáng)中的應(yīng)用[J]. 兵器裝備工程學(xué)報(bào)，2010，31（6）：67-70.

[6] 李林宜，李德仁. 粒子群優(yōu)化算法在遙感影像增強(qiáng)中的應(yīng)用[J]. 測繪科學(xué)技術(shù)學(xué)報(bào)，2010，27（2）：116-119.

[7] 郭肖靜，吳志芳. 基于遺傳算法的輻射圖像對(duì)比度增強(qiáng)[J]. 核電子學(xué)與探測技術(shù)， 2007， 27（1）：104-107.

[8] 周琳，李琳，邵明省. 基于混沌蛙跳算法的圖像增強(qiáng)處理[J]. 激光與紅外，2012，42（12）：1408-1412.

[9] 丁生榮，馬苗，郭敏. 人工魚群算法在自適應(yīng)圖像增強(qiáng)中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2012，48（2）：185-187.

[10] 岳梅，郭寶平，張平，等. 基于混合蛙跳優(yōu)化的條紋管圖像自適應(yīng)增強(qiáng)[J]. 光電工程，2011， 38（5）：108-113.

[11] 葉志偉，趙偉，王明威，等. 一種基于杜鵑搜索算法的圖像自適應(yīng)增強(qiáng)方法[J]. 測繪科學(xué)技術(shù)學(xué)報(bào)， 2016， 33（1）：38-42.

[12] 李宗妮，吳偉民，林志毅. 一種采用改進(jìn)蟻獅優(yōu)化算法的圖像增強(qiáng)方法[J]. 計(jì)算機(jī)應(yīng)用研究，2018（4）：65-69.

[13] 楊有，李波. CLAHE和細(xì)節(jié)放大相結(jié)合的檔案圖像增強(qiáng)方法[J]. 中國圖象圖形學(xué)報(bào)，2011，16（4）：522-527.

[14] CELIK T. Two-dimensional histogram equalization and contrast enhancement [J]. Pattern Recognition， 2012， 45（10）：3810-3824.

[15] CHEN Y，F(xiàn)ENG P，YANG J，et al. An adaptive enhancement algorithm of low illumine color video image [J]. International Journal of Sensing， Computing & Control， 2012， 2（2）： 79-86.

[16] ARICI T，DIKBAS S，ALTUNBASAK Y. A histogram modification framework and its application for image contrast enhancement[J]. IEEE Transactions on Image Processing， 2009， 18（9）： 1921-1935.

[17] 李成，鞠明，畢篤彥，等. 基于視覺特性的非銳化掩模圖像增強(qiáng)[J]. 光電工程，2009， 36（9）：110-117.

[18] 馮策，戴樹嶺. 一種改進(jìn)的非銳化掩模深度圖像增強(qiáng)算法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2014， 46（8）：107-112.

[19] RAFAEL GONZALEZ C，WOODS R. Digital image processing[D]. ?3rd edition. London：Pearson Publication， 2002.

[20] TOMASI C，MANDUCHI R. Bilateral filter for gray and color images [C]. International Conference on Computer Vision （ICCV），1998：839.

（責(zé)任編輯：杜能鋼）