熊鈴鈴，林珊玲，林志賢，3，郭太良，郭冠崢

(1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350116；2.中國(guó)福建光電信息科學(xué)與技術(shù)創(chuàng)新實(shí)驗(yàn)室，福建 福州 350116；3.福州大學(xué) 先進(jìn)制造學(xué)院，福建 泉州 362200)

0 引言

電潤(rùn)濕電子紙[1-3]具有超低功耗、高照度條件下易讀性好、易于實(shí)現(xiàn)柔性、價(jià)格低廉等優(yōu)點(diǎn)，但是，受到顯示技術(shù)驅(qū)動(dòng)芯片和驅(qū)動(dòng)方式的制約，導(dǎo)致電潤(rùn)濕顯示器能夠顯示的灰度等級(jí)低，這將造成圖像失真、邊緣細(xì)節(jié)丟失，故需要對(duì)圖像進(jìn)行細(xì)節(jié)增強(qiáng)處理。線性非銳化掩模是常用的一種圖像銳化增強(qiáng)的方法，但是該方法對(duì)噪聲敏感，會(huì)過(guò)度放大噪聲誤差，容易出現(xiàn)增強(qiáng)過(guò)度現(xiàn)象，為此許多改進(jìn)方案被提出[4-9]。Guan 等人[7]提出了一種新的非銳化掩模銳化圖像增強(qiáng)方法，該方法涉及多次迭代以及圖像劃分，算法較復(fù)雜，且文中只對(duì)彩色圖像進(jìn)行驗(yàn)證并獲得滿意效果而未對(duì)灰度圖像進(jìn)行驗(yàn)證說(shuō)明；王仕女等人[8]提出利用非銳化掩模局部細(xì)節(jié)提升能力和Beta 變換全局對(duì)比度拉伸能力，但是該算法涉及參數(shù)選擇的復(fù)雜性，既要考慮效率，又要考慮參數(shù)有效性；朱莉[9]提出了一種改進(jìn)的自適應(yīng)非銳化掩模(UM)圖像增強(qiáng)算法，采用拉普拉斯算子代替局部方差檢測(cè)局部細(xì)節(jié)特征，但是拉普拉斯算子對(duì)噪聲十分敏感。

基于以上研究，本文提出了一種改進(jìn)電潤(rùn)濕電子紙圖像自適應(yīng)增強(qiáng)算法，使得處理后圖像細(xì)節(jié)更加豐富，輪廓更加清晰，對(duì)噪聲起到很好的抑制效果，同時(shí)很好地避免過(guò)度增強(qiáng)。

1 傳統(tǒng)非銳化掩模

傳統(tǒng)的線性非銳化掩模算法是圖像銳化增強(qiáng)中的一種，用于增強(qiáng)圖像細(xì)節(jié)和邊緣，其算法流程圖如圖1所示。

圖1 UM 算法流程圖

2 改進(jìn)非銳化掩模

為了改善傳統(tǒng)非銳化掩模算法對(duì)噪聲的敏感，提出了改進(jìn)非銳化掩模算法，其流程圖如圖2 所示。

圖2 改進(jìn)UM 算法流程圖

利用二次引導(dǎo)濾波算法得到鈍化模糊圖像，改進(jìn)正比例因子ω，從而抑制相對(duì)平坦區(qū)域的噪聲，對(duì)需要銳化和增強(qiáng)的區(qū)域進(jìn)行銳化和增強(qiáng)。

2.1 基于顯著圖的鈍化模糊圖像

2.1.1 引導(dǎo)濾波與顯著圖

顯著圖是一種模擬生物視覺(jué)注意機(jī)制的選擇性模型，它直接反映了圖像區(qū)域引起視覺(jué)注意的強(qiáng)弱度[10]。而引導(dǎo)濾波[11]作為一種邊緣保持濾波算法，它可以很好地克服雙邊濾波中出現(xiàn)的梯度翻轉(zhuǎn)的現(xiàn)象，且其算法復(fù)雜度與窗口無(wú)關(guān)，在處理較為大型的圖像時(shí)效率明顯提升，故提出了基于引導(dǎo)濾波的顯著特性[12]的提取。

結(jié)合引導(dǎo)濾波，并計(jì)算圖像的局部窗口標(biāo)準(zhǔn)差S，將其作為引導(dǎo)濾波的引導(dǎo)圖，獲得顯著圖Sf可表示為：

其中，I 為輸入圖像，N 為局部窗口大小，fstdfilt為局部標(biāo)準(zhǔn)差方程，r 為引導(dǎo)濾波的局部窗口半徑，δ 為正則化參數(shù)，fguidedfilter為引導(dǎo)濾波函數(shù)。

2.1.2 引導(dǎo)濾波與顯著圖

為了得到鈍化模糊圖像，且能夠自適應(yīng)圖像邊緣區(qū)域和平坦區(qū)域改變正則化參數(shù)δ，提出改進(jìn)謝偉等人[13]的融合梯度信息的引導(dǎo)濾波。梯度信息雖然帶有像素突變信息，但它不能自適應(yīng)圖像中的信息，使得改進(jìn)后的引導(dǎo)濾波按相同的濾波效果對(duì)整幅圖像進(jìn)行處理，不能達(dá)到本文需要的自適應(yīng)效果。而改進(jìn)的基于引導(dǎo)濾波的顯著圖中帶有局部方差的信息，其在滿足梯度信息的同時(shí)，通過(guò)引導(dǎo)濾波后獲得的顯著圖中加入了圖像自身的信息，能夠自適應(yīng)圖像中的信息進(jìn)行圖像的平滑濾波和細(xì)節(jié)保留。

對(duì)于顯著圖中包含的局部方差信息，通過(guò)閾值Th過(guò)濾局部方差較小的非邊緣區(qū)域，對(duì)于局部方差較大的邊緣區(qū)域利用比例放大因子λ 自適應(yīng)增強(qiáng)，具體公式如下：

其中，frange為range函數(shù)，fsign為符號(hào)函數(shù)。在引導(dǎo)濾波中，固定的正則化參數(shù)δ會(huì)導(dǎo)致a2k局部過(guò)度增大或局部過(guò)度減小，無(wú)法自適應(yīng)圖像信息，故改進(jìn)的引導(dǎo)濾波通過(guò)λ來(lái)改變參數(shù)。如式(6)所示，邊緣區(qū)域的λ變大，從而正則化參數(shù)δ′變小，平滑倍數(shù)越小，因此邊緣信息得以保存，而平坦區(qū)域正好相反，將平坦區(qū)域進(jìn)行平滑處理。

圖3 為比較原始圖像分別經(jīng)過(guò)本文提出的基于局部標(biāo)準(zhǔn)差的引導(dǎo)濾波獲得的改進(jìn)引導(dǎo)濾波算法與謝偉等人提出的基于梯度信息獲得的改進(jìn)引導(dǎo)濾波算法后的效果圖。通過(guò)比較可得，圖3(b)將帽子的細(xì)節(jié)平滑濾波，而將其他細(xì)節(jié)(如眼睛、頭發(fā)的細(xì)節(jié))有所保持，利于對(duì)所需細(xì)節(jié)的提取與增強(qiáng)，從而避免圖像過(guò)度增強(qiáng)；而圖3(a)將圖像所有細(xì)節(jié)按相同的平滑效果進(jìn)行平滑處理，這將造成算法對(duì)某些細(xì)節(jié)的過(guò)度增強(qiáng)。

圖3 Lena 不同算法產(chǎn)生的鈍化模糊圖像

為了防止圖像增強(qiáng)過(guò)度，經(jīng)過(guò)本文算法的二次引導(dǎo)濾波處理后獲得的細(xì)節(jié)圖像能夠有效增強(qiáng)所需細(xì)節(jié)，從而避免過(guò)度增強(qiáng)，如圖4 所示，圖4(a)為Blurry_ planet原圖像，圖4(b)為經(jīng)過(guò)本文算法處理后獲得的細(xì)節(jié)圖像。圖4(a)中左邊的框框?yàn)樗柙鰪?qiáng)的細(xì)節(jié)部分，右邊的框框?yàn)閳D像的清晰部分；在圖4(b)中可以相應(yīng)看到左邊框框處的模糊圖像得到有效的增強(qiáng)，而右邊框框處的細(xì)節(jié)圖像得到細(xì)微增強(qiáng)，避免右邊細(xì)節(jié)增強(qiáng)過(guò)度。

圖4 Blurry_planet 細(xì)節(jié)效果圖

2.2 改進(jìn)權(quán)值ω

為了使其能夠自適應(yīng)圖像中的細(xì)節(jié)信息，需要對(duì)ω進(jìn)行改進(jìn)。在歸一化操作生成自適應(yīng)權(quán)值的基礎(chǔ)上，通過(guò)添加參數(shù)ξ 使得權(quán)值在亮度上更接近原始圖像，細(xì)節(jié)信息更加豐富。參數(shù)ξ 控制著局部細(xì)節(jié)的亮度和信息豐富程度，經(jīng)過(guò)實(shí)驗(yàn)可得當(dāng)ξ=1.6 時(shí)，效果最佳。權(quán)值ω 取值范圍在[0，1]之間，公式如下：

其中，u 為輸入圖像的灰度值，ξ 為控制參數(shù)。

3 結(jié)果與分析

在本節(jié)中，本文將使用幾組不同的數(shù)字圖像處理經(jīng)典圖像進(jìn)行實(shí)驗(yàn)，通過(guò)主觀評(píng)價(jià)以及客觀評(píng)價(jià)來(lái)評(píng)價(jià)本文算法。此外，本研究中所有實(shí)現(xiàn)方法的編碼都是在MATLAB 2016b 中所編寫(xiě)的。

3.1 主觀評(píng)價(jià)

分別采用Lena 圖和Einstein 圖進(jìn)行評(píng)價(jià)。如圖5 所示，經(jīng)過(guò)本文算法后，Lena 圖像的帽子、頭發(fā)等細(xì)節(jié)部分得到了有效的增強(qiáng)，使得圖像細(xì)節(jié)更豐富，輪廓更清晰，符合人眼視覺(jué)感受；Einstein 圖像經(jīng)過(guò)本文算法處理后，額頭、手背、胸前的衣服以及臉頰等紋理細(xì)節(jié)都得到了有效的增強(qiáng)，圖像更加清晰可見(jiàn)，視覺(jué)效果更佳。

圖5 細(xì)節(jié)增強(qiáng)圖像

3.2 客觀評(píng)價(jià)

采用Lena圖、airplane圖、peppers圖等10張圖像進(jìn)行客觀指標(biāo)評(píng)價(jià)，其指標(biāo)包括信息熵(H)、峰值信噪比(PSNR)、平均亮度誤差[14](AMBE)和結(jié)構(gòu)相似度[15](SSIM)，圖6為這10 張圖像的原圖像，將本文算法與傳統(tǒng)非銳化掩模算法、灰度變化、中值濾波以及限制對(duì)比度自適應(yīng)直方圖均衡算法(CLAHE)的性能進(jìn)行比較，評(píng)價(jià)結(jié)果如表1～表4 所示。

表1 不同算法增強(qiáng)后圖像信息熵值

表2 不同算法增強(qiáng)后圖像PSNR 值

表3 不同算法增強(qiáng)后圖像AMBE 值

表4 不同算法增強(qiáng)后圖像SSIM 值

圖6 10 張?jiān)瓐D像

從以上表中可以看出，綜合對(duì)信息熵、PSNR、AMBE和SSIM的分析得出幾種增強(qiáng)算法的性能：經(jīng)過(guò)非銳化掩模算法增強(qiáng)后的圖像除了細(xì)節(jié)信息有所增強(qiáng)外，圖像有較小的失真，平均亮度保持能力有限；經(jīng)過(guò)灰度變化后，圖像信息熵反而低于原輸入圖像，部分細(xì)節(jié)丟失，圖像失真較嚴(yán)重，平均亮度保持能力低；中值濾波算法使原圖像更加平滑，丟失部分細(xì)節(jié)信息，雖然PSNR的值較高，圖像失真較小，但由于細(xì)節(jié)部分丟失造成圖像模糊；限制對(duì)比度自適應(yīng)直方圖均衡算法能夠獲得圖像最大的信息熵，即增強(qiáng)后的圖像細(xì)節(jié)信息最豐富，但是圖像的噪聲最大，失真最嚴(yán)重，且平均亮度保持能力低，SSIM的值最小，該算法增強(qiáng)性能較差；經(jīng)過(guò)本文算法增強(qiáng)后圖像信息熵較高，且圖像細(xì)節(jié)清晰，噪聲最小，失真最小，可以很好地保持輸入圖像的亮度，SSIM值平均最接近1，效果最好，且符合人眼視覺(jué)質(zhì)量。

3.3 實(shí)際測(cè)量

將本文改進(jìn)非銳化掩模算法應(yīng)用于電潤(rùn)濕電子紙中，采用Lena 圖像進(jìn)行驗(yàn)證。圖7(a)為原始圖像在電潤(rùn)濕顯示屏上的效果圖，圖7(b)為采用本文改進(jìn)算法后的效果圖。對(duì)比兩幅圖可以看到，原圖像在帽子處的紋理模糊不清晰，而經(jīng)過(guò)本文改進(jìn)算法后，帽子處的紋理更加清晰可見(jiàn)，如圖7(a)與圖7(b)中黑色框出部分。

圖7 電潤(rùn)濕顯示圖像效果對(duì)比

4 結(jié)論

基于傳統(tǒng)非銳化掩模算法的不足，本文提出了一種改進(jìn)電潤(rùn)濕電子紙圖像自適應(yīng)增強(qiáng)算法。該算法通過(guò)引導(dǎo)濾波獲得顯著圖，并結(jié)合顯著圖與改進(jìn)引導(dǎo)濾波獲得鈍化模糊圖像，經(jīng)過(guò)二次引導(dǎo)濾波算法后，鈍化模糊圖像能夠自適應(yīng)圖像信息將需要增強(qiáng)的部分平滑濾波，并且盡可能保存不需要增強(qiáng)部分的細(xì)節(jié)信息，避免最終圖像增強(qiáng)過(guò)度，同時(shí)利用改進(jìn)權(quán)值自適應(yīng)融合細(xì)節(jié)部分與原始圖像最終獲得輸出圖像。仿真結(jié)果表明，相較于傳統(tǒng)線性非銳化掩模方法，本文方法其圖像評(píng)價(jià)指標(biāo)H 值、PSNR值分別平均提高了0.2%、28.4%，AMBE值平均降低了88.4%，SSIM的值更加接近1。最終在電潤(rùn)濕電子紙上通過(guò)實(shí)驗(yàn)證明，本文算法的增強(qiáng)性能更佳，在增強(qiáng)紋理細(xì)節(jié)的同時(shí)，盡可能減少噪聲的放大，避免過(guò)度增強(qiáng)，取得了較好的顯示效果。