方 慶，謝岸煌，謝仁禮

（深圳TCL新技術(shù)有限公司，廣東 深圳 518000）

0 引 言

在獲取圖像的過程中，因為帶寬限制、傳輸距離、壓縮算法等原因，圖像中可能出現(xiàn)噪聲[1]。所以在對圖像進行某些處理之前，需要對其進行去噪處理。常見的去噪方法有高斯濾波、中值濾波、雙邊濾波等[2]。然而，在對圖像進行噪聲消除的同時，某些邊緣區(qū)域以及細節(jié)區(qū)域[3]的內(nèi)容也會被破壞，導(dǎo)致圖像清晰度的退化。因此，在圖像去噪模塊之后，一般都伴隨著清晰度增強模塊。反銳化掩膜算法就是常用的清晰度增強算法之一。

根據(jù)所處理的圖像空間的不同，可以將清晰度增強算法分為基于空域的清晰度增強算法和基于頻域的清晰度增強算法[4]。其中，基于空域的清晰度增強算法是將圖像轉(zhuǎn)換到某種色彩空間后再對像素值進行一系列處理以提升其清晰度的方法，典型的色彩空間有RGB色彩空間、YCbCr色彩空間以及HSV色彩空間等[5]。基于頻域的清晰度增強算法是使用某種變換方法將圖像從空域轉(zhuǎn)換到頻域之后，提升其中的高頻信號，再將頻域轉(zhuǎn)換到空域，最終完成清晰度增強。常見的空域轉(zhuǎn)頻域方法有傅里葉變換以及小波變換等[6]。

傳統(tǒng)的反銳化掩膜算法就是一種基于空域的清晰度增強算法，其使用勾邊疊加方法，提取圖像中的高頻信號并將其疊加到原始圖像中，達到清晰度增強的目的。但是，在這個過程中，不可避免地會將噪聲誤判為細節(jié)或邊緣信息，導(dǎo)致噪聲被增強，且可能對邊緣或者細節(jié)信息造成過度銳化以及像素值溢出問題，導(dǎo)致出現(xiàn)光暈現(xiàn)象。因此，近年來，學(xué)者們提出了許多改進的反銳化掩膜算法以解決上述問題。RAMPONI提出了一種改進的非銳化掩膜算法[7]，該算法在一定程度上可以避免噪聲被放大，但是仍然存在過度增強以及像素值溢出的問題。白雪提出了基于改進中值濾波的反銳化掩膜算法[8]，該算法使用改進的中值濾波提取圖像中的高頻信息，可以降低噪聲被誤判為細節(jié)信息的概率，但是算法也存在過度增強的問題。PELESEL提出了一種分區(qū)域處理的自適應(yīng)反銳化掩膜算法[9]，算法使用了高斯牛頓法更新增益系數(shù)，達到自適應(yīng)銳化的目的，雖然能夠有效地做到自適應(yīng)銳化，但方法的計算量太龐大，導(dǎo)致其能夠應(yīng)用的場景并不多。馮鳴等人提出了改進反銳化掩膜的自適應(yīng)圖像增強算法[10]，利用圖像鄰域高頻信號之間的差值實現(xiàn)自適應(yīng)銳化的效果，但是算法在增強細節(jié)的同時也會放大噪聲，且存在過度增強的問題。劉艷莉等人提出了基于局部復(fù)雜度和方差的自適應(yīng)圖像銳化算法[11]，在構(gòu)建增益函數(shù)時考慮了圖像的局部復(fù)雜度和方差，克服了傳統(tǒng)算法過分依賴灰度變化強度導(dǎo)致細節(jié)增強不理想的問題。

針對現(xiàn)有銳化算法中存在過渡銳化以及像素值溢出的問題，本文提出一種自適應(yīng)的反銳化掩膜算法，在傳統(tǒng)的反銳化掩膜算法的基礎(chǔ)上，增加了低中頻信號以及噪聲識別功能、銳化參數(shù)自適應(yīng)功能以及過沖處理功能。在提高圖像清晰度的同時，可以避免噪聲被放大以及過沖現(xiàn)象的出現(xiàn)。

1 算法原理

1.1 傳統(tǒng)反銳化掩膜算法

傳統(tǒng)的反銳化掩膜算法是一種基于空域的清晰度增強算法，其原理流程如圖1所示，算法各步驟效果如圖2所示。該算法首先使用一個低通濾波器將原始圖像圖2（a）進行模糊化，結(jié)果如圖2（b）所示，再通過原始圖像與模糊圖像作差，得到一個包含圖像高頻信號的圖像，如圖2（c）所示，再將高頻圖像乘以一個固定的增益系數(shù)后疊加到原始圖像上，最終得到一個增強后的圖像，如圖2（d）所示。

圖1 傳統(tǒng)反銳化掩膜算法流程圖

圖2 傳統(tǒng)反銳化掩膜算法各步驟的效果圖

用具體的公式表達即為

式中：x(n,m)為輸入圖像，y(n,m)為輸出圖像；z(n,m)為高頻信號，此處通過對原始圖像進行低通濾波再與原始圖像相減獲得；α是銳化增益系數(shù)。

1.2 本文算法

針對傳統(tǒng)反銳化掩膜算法存在的噪聲放大以及過沖現(xiàn)象等問題，本文提出一種自適應(yīng)的反銳化掩膜算法。該算法在傳統(tǒng)反銳化掩膜算法的基礎(chǔ)上，增加了低中頻信號以及噪聲識別功能、銳化參數(shù)自適應(yīng)功能以及過沖處理功能。其算法流程如圖3所示。

圖3 自適應(yīng)反銳化掩膜算法流程圖

該算法主要包括核化濾波、預(yù)處理判斷、高通濾波、增益控制、過沖控制以及裁剪等步驟。下面對算法流程進行簡要介紹（以下過程針對8 bit數(shù)據(jù)格式的彩色圖像。對于其他數(shù)據(jù)格式的圖像，相應(yīng)的參數(shù)需視具體情況做變動）。

（1）將輸入的圖像信息從RGB色彩空間轉(zhuǎn)換到Y(jié)CbCr色彩空間，提取其中的Y分量。

（2）獲取一個size為5且sigma為1的歸一化高斯濾波器，高斯濾波器的參數(shù)可以自定義設(shè)定，其中size為高斯濾波器的大小，sigma為高斯濾波器的標(biāo)準差。當(dāng)size固定不變，sigma值越大，高斯濾波器的平滑效果越好。經(jīng)實驗驗證，若size太小，則其效果不明顯；若size太大，離中心點越遠的點，其權(quán)重越小，小到幾乎沒作用，且高斯濾波器size過大會占用太多的硬件資源，所以不推薦使用9×9以上的濾波器。本文中，大小為5×5，sigma為1的高斯濾波器恰好可以滿足上述要求。

（3）創(chuàng)建一個與步驟（2）中濾波器大小一樣的初始濾波器（內(nèi)容為0），將中心點的值改為1，再使用這個濾波器與步驟（2）中的濾波器作差，得到最終可以過濾出圖像中高頻信號的高通濾波器。

（4）使用一個高通濾波器[-1，2，-1]和一個帶通濾波器[-1，0，2，0，-1][12]，對當(dāng)前Y分量及其鄰域進行矩陣點乘再求和得到singleValue，其作用主要是用于判斷當(dāng)前信號是否屬于高頻信號。將singleValue與設(shè)定好的閾值Threshold值做對比，若singleValue＜Threshold，則不對這個Y分量進行處理，反之，則表示該Y分量屬于邊緣信號，需要執(zhí)行步驟（5）及其后面的步驟。本文中，Threshold的值設(shè)為10，通過求整個Y通道的singleValue值的直方圖發(fā)現(xiàn)，當(dāng)Threshold值設(shè)置為10時，可以過濾Y通道中90%左右的像素點，其中包括中低頻信號和噪聲信號。

（5）使用步驟（3）中的高通濾波器對當(dāng)前Y分量的鄰域進行卷積操作，獲取當(dāng)前Y分量的高頻信號量yhigh。

圖4 sin函數(shù)圖

圖5 sin一階導(dǎo)數(shù)圖

該公式的物理意義為：當(dāng)像素點的值離127越接近，其增益越大。仿真實驗發(fā)現(xiàn)，高頻信號的像素點的值大部分都在[70，200]之間，在這個區(qū)間里面的點離127越近，它的可擴展性就越強，可以賦予它更大的增益權(quán)重；反之，不在這個區(qū)間的點的可擴展性很弱，容易出現(xiàn)像素值溢出的問題，所以需要賦予其較小的權(quán)重，防止像素值溢出。并且，通過sin函數(shù)的一階導(dǎo)數(shù)發(fā)現(xiàn)，其一階導(dǎo)數(shù)是一個單調(diào)遞減函數(shù)，當(dāng)Y=127時，一階導(dǎo)數(shù)為0，其一階導(dǎo)數(shù)反映的是sin函數(shù)的斜率，表示Y分量值離127越近，其斜率越平緩，Y分量的變化率就越低，其權(quán)重的變化率就越低。alpha值推薦設(shè)置為[0.8，1.2]，因為這個值過大，會出現(xiàn)過增強的問題，過小，則會出現(xiàn)弱增強的問題。

（7）計算Y分量的新值，ynew=y+amount×yhigh。

（8）創(chuàng)建一個5×5的濾波器，其值為

使用上述濾波器與當(dāng)前Y分量鄰域進行點乘，得到一個新的5×5矩陣。該濾波器上不同的系數(shù)反映了該點的值對當(dāng)前Y分量的影響有多大。求出這個5×5矩陣中的最大值maxValue和最小值minValue，將這兩個值當(dāng)成當(dāng)前Y分量的一個窗口范圍。

若ynew<(minValue+winrange)，則ynew=maxValuewinrange； 若ynew>(maxValue+winrange)， 則ynew=maxValue+winrange；否則ynew=ynew。其中winrange為可調(diào)節(jié)參數(shù)，默認值設(shè)為25。

（9）對最終的ynew進行裁剪，防止像素值溢出。

（10）輸出最終全部更新完的Y通道，再將YCbCr色彩空間轉(zhuǎn)換到RGB色彩空間。

2 實驗結(jié)果分析

為了檢驗本文算法的有效性，使用該算法與傳統(tǒng)的反銳化掩膜算法進行效果對比，從主觀和客觀兩方面對算法的優(yōu)劣性進行評價。

2.1 主觀評價

為了驗證本文算法的優(yōu)劣，使用兩張彩色圖像作為實驗對象，其中一幅是經(jīng)典的Lena圖像，另一幅是T公司清晰度圖庫中的Mountain圖。對實驗對象的處理結(jié)果如圖6和圖7所示。其中，圖6（a）和圖7（a）是原始圖像，圖6（b）和圖7（b）經(jīng)過傳統(tǒng)反銳化掩膜算法處理的圖像，圖6（c）和圖7（c）是經(jīng)過本文算法處理的圖像。

圖6中，分別對比圖6（b）和圖6（a）以及圖 6（c）和圖 6（a），可以看出，圖 6（b）和圖 6（c）的清晰度更好，圖像的邊緣和細節(jié)區(qū)域更加清晰。然而，對比圖6（b）和圖6（c）會發(fā)現(xiàn)，在增強邊緣和細節(jié)區(qū)域的同時，圖6（b）中的噪聲也被放大了，從圖6（b）的左上角部分和右上角部分以及Lena眼角部分可以發(fā)現(xiàn)其中存在很多噪聲；觀察圖6（c）相同部位則未發(fā)現(xiàn)噪聲的存在。圖7中，從山體部分可以看出，相比于圖7（a），圖7（b）和圖7（c）的山體結(jié)構(gòu)都描繪得很清晰；圖7（b）和圖7（c）中海邊的巖石細節(jié)也比圖7（a）中的要豐富。然而，對比圖7（b）和圖7（c）左上角天空部分后會發(fā)現(xiàn)，圖7（b）左上角的天空中存在很多肉眼可見的噪聲；觀察圖7（c）相同部位則未發(fā)現(xiàn)噪聲的存在。由此可得，從主觀層面上看，圖6和圖7中，由本文算法處理的圖像質(zhì)量要好于傳統(tǒng)反銳化掩膜算法處理的圖像質(zhì)量。

圖6 Lena圖的實驗結(jié)果比較

圖7 Mountain圖的實驗結(jié)果比較

2.2 客觀評價

本文采用全參考圖像質(zhì)量評價以及無參考圖像質(zhì)量評價兩類客觀的圖像質(zhì)量評價方法對算法結(jié)果進行評價。其中，全參考圖像質(zhì)量評價采用峰值信噪比（Peak Signal to Noise Ratio，PSNR）以及結(jié)構(gòu)相似性指標(biāo)（Structural Similarity，SSIM）[14]，PSNR以及SSIM的值越大，表示處理后的圖像與原始圖像更接近，圖像質(zhì)量越好。無參考圖像質(zhì)量評價采用自然圖像質(zhì)量評估（Natural Image Quality Evaluator，NIQE）和基于感知的圖像質(zhì)量評估（Perception based Image Quality Evaluator，PIQE）兩種方法[15]，NIQE和PIQE的分數(shù)越小，代表圖像質(zhì)量越高。對于圖6（b）、圖6（c）、圖7（b）以及圖7（c）使用上述4種客觀的圖像質(zhì)量評價方法進行評價，得到的評價值如表1所示。由表中的數(shù)據(jù)可以得出，圖6（c）的圖像質(zhì)量要比圖6（b）的要好，圖7（c）的圖像質(zhì)量要比圖7（b）的好。該結(jié)果與上述主觀評價的結(jié)果一致。

表1 各種圖像質(zhì)量評價方法對上述4張圖像的評分

3 結(jié) 語

本文提出了一種自適應(yīng)的反銳化掩膜算法。與傳統(tǒng)的反銳化掩膜算法相比較，本文算法具有更強的適應(yīng)性，可以根據(jù)圖像內(nèi)容的不同而調(diào)整銳化的系數(shù)，達到自適應(yīng)銳化的效果；而且在銳化之前還增加了低中頻和噪聲的過濾模塊。通過結(jié)果對比可以看出，本文算法可以很好地過濾圖像中的噪聲，避免噪聲被放大而破壞圖像的自然度。除此之外，圖像輸出前還做了過沖處理，避免出現(xiàn)過增強現(xiàn)象。