基于二代小波整数变换的图像增强方法及图像增强系统

摘要

本发明涉及一种基于二代小波整数变换的图像增强方法及图像增强系统，本图像增强方法包括如下步骤：步骤S1，对原始图形进行单层分解，以获得原始整数低频子图ca；步骤S2,对原始整数低频子图ca进行计算，以获得第一整数低频子图ca′；步骤S3，对第一整数低频子图ca′进行计算，以获得第二整数低频子图ca″；以及步骤S4，将第二整数低频子图ca″进行重构，以得到增强的新图像；本发明通过二代小波整数变换，对图像进行单层分解，对低频子图系数进行均衡化处理,在有效增强图像的同时减小了图像噪声，取得了理想的图像处理效果。

说明书

技术领域

本发明涉及一种图像增强技术，属于图像处理领域，特别涉及一种基于二代小波 整数变换的图像增强方法及系统。

背景技术

图像增强的目的是为改善图像的视觉效果,提供直观、清晰、适合于分析的图像。 图像增强方法较多，其中直方图均衡化是一种经典、有效的图像增强方法之一。虽直方图均 衡化算法具有运算速度快、增强效果明显等诸多优点，但仍存在以下明显缺陷：(1)在原始 图像灰度动态范围小、质量比较差、直方图分布极不均匀时，经传统直方图均衡化后的图像 层次感会变的很差；(2)原始图像中叠加的噪声在经传统直方图增强后，噪声放大明显；(3) 若一幅图像中灰度范围接近0时，在进行均衡化算法时，把非常窄的暗像素区间映射到输出 图像，结果就会得到一个亮的冲淡了的图像，导致图像的基本特征如平均亮度改变、细节丢 失，影响了增强图像的视觉效果,从而使得直方图算法应用范围有限。

而同态滤波是一种在频域中同时将图像亮度范围压缩和对比度增强的方法。其基 本思想是将非线性问题转化成线性问题处理，同态滤波增强的缺点是在噪声图像的增强过 程中会损失了大量的图像细节。

在小波变换过程中，传统小波变换的滤波器输出是浮点数，而图像的像素值均为 整数，小波提升格式对小波的构造提出了一种新的观点，即小波提升方案(lifting scheme)，也称之为第二代小波变换。小波提升格式具有真正意义上的可逆性，可以不用考 虑边界效应。与传统小波变换相比，提升方案主要有如下优点：a)继承了第一代小波的多分 辨率特性，图像的恢复质量对输入序列的长度没有任何限制，具有对任意尺寸图像进行变 换的能力；b)小波的构造完全在空域内进行，无需傅里叶分析理论；c)所用到的工具相当简 单，主要为Laurent级数的Euclidean除法，所有的传统小波可以由提升方案中基本的提升 和对偶分解而成；d)运算速度快，节省存储空间；e)可以实现整数到整数的变换。

发明内容

本发明的目的是提供一种算法简单、增强效果明显且对噪声抑制好、亮度与原图 保持较好，以及便于硬件实现的图像增强方法及图像增强系统。

为了解决上述技术问题，本发明提供了一种图像增强方法，包括如下步骤：

步骤S1，对原始图形进行单层分解，以获得原始整数低频子图ca；

步骤S2,对原始整数低频子图ca进行计算，以获得第一整数低频子图ca′；

步骤S3，对第一整数低频子图ca′进行计算，以获得第二整数低频子图ca″；以及

步骤S4，将第二整数低频子图ca″进行重构，以得到增强的新图像。

进一步，所述步骤S1中对原始图形进行单层分解，以获得原始整数低频子图ca的 方法包括：

利用二代小波整数变换对原始图像进行单层分解，以获得原始整数低频子图ca。

进一步，所述步骤S2中对原始整数低频子图ca进行计算，以获得第一整数低频子 图ca′的方法包括如下步骤：

步骤S21，统计原始整数低频子图ca中各系数k的总和n(k)；

步骤S22，计算原始整数低频子图ca中系数k的最大值K_max与最小值K_min；

步骤S23，对统计的总和n(k)进行累积求和，即K_min≤k≤K_max；

步骤S24，计算原始整数低频子图ca均衡化的新系数用表达式g(k)表示，即

$g\left(k\right)=K_{\min }+\frac{cdf\left(k\right)\times (K_{max}-K_{\min })}{m\times n},$K_min≤k≤K_max，m、n分别为原 始整数低频子图ca的行数、列数，且利用四舍五入法取整构成第一整数低频子图ca′。

进一步，所述步骤S3中对第一整数低频子图ca′进行计算，以获得第二整数低频子 图ca″的方法包括如下步骤：

步骤S31，计算第一整数低频子图ca′系数的最大值N与最小值M，统计第一整数低 频子图ca′各系数k’的总和n(k’)，以及统计各系数级数不为零的系数总数S；

步骤S32，利用公式在[M，N]区间对第一整数低频子图 ca′进行等间隔均衡计算，构成第二整数低频子图ca″，其中p为第二整数低频子图ca″的新 系数，q为递增变量，且1≤q≤S。

又一方面，本发明还提供了一种图像增强系统，其特征在于，包括：

图像分解模块，对原始图形进行单层分解，以获得原始整数低频子图；

与所述图像分解模块相连的第一计算模块，其适于对原始整数低频子图ca进行计 算，以获得第一整数低频子图ca′；

与所述第一计算模块相连的第二计算模块，其适于对第一整数低频子图ca′进行 计算，以获得第二整数低频子图ca″；

与第二计算模块相连的第三重构模块，其适于将第二整数低频子图ca″进行计算， 以得到增强的新图像。

进一步，所述图像分解模块中对原始图形进行单层分解，以获得原始整数低频子 图；即

利用二代小波整数变换对原始图像进行单层分解，以获得原始整数低频子图ca。

进一步，所述第一计算模块适于对原始整数低频子图ca进行计算，以获得第一整 数低频子图ca′；即

统计原始整数低频子图ca中各系数k的总和n(k)；

计算原始整数低频子图ca中系数k的最大值K_max与最小值K_min；

对统计的总和n(k)进行累积求和，即K_min≤k≤K_max；

计算原始整数低频子图ca均衡化的新系数用表达式g(k)表示，即

$g\left(k\right)=K_{\min }+\frac{cdf\left(k\right)\times (K_{max}-K_{\min })}{m\times n},$K_min≤k≤K_max，m、n分别为原 始整数低频子图ca的行数、列数，且利用四舍五入法取整构成第一整数低频子图ca′。

进一步，所述第二计算模块中适于对第一整数低频子图ca′进行计算，以获得第二 整数低频子图ca″，即

计算第一整数低频子图ca′系数的最大值N与最小值M，统计第一整数低频子图ca′ 各系数k’的总和n(k’)，以及统计各系数级数不为零的系数总数S；

利用公式在[M，N]区间对第一整数低频子图ca′进行等 间隔均衡计算，构成第二整数低频子图ca″，其中p为第二整数低频子图ca″的新系数，q为递 增变量，且1≤q≤S。

本发明的有益效果是，本发明通过二代小波整数变换，对图像进行单层分解，对低 频子图系数进行均衡化处理,在有效增强图像的同时减小了图像噪声，取得了理想的图像 处理效果。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的图像增强方法流程图；

图2(a)是本发明所涉及的原始图像；

图2(b)是本发明所涉及的同态滤波增强图一；

图2(c)是本发明所涉及的直方图均衡增强图一；

图2(d)是本发明处理后的效果图一；

图3(a)是本发明所涉及的加噪图像；

图3(b)是本发明所涉及的同态滤波增强图二；

图3(c)是本发明所涉及的直方图均衡增强图二；

图3(d)是本发明处理后的效果图二；

图4(a)是本发明所涉及的lena原始图像的直方图；

图4(b)是本发明所涉及的同态滤波增强图像的直方图；

图4(c)是本发明所涉及的直方图均衡增强图像的直方图；

图4(d)是本发明处理后的图像的直方图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以 示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

由于传统的基于卷积离散小波变换计算量大，计算复杂度高，对存储空间要求高， 不利于硬件实现，而第二代小波整数提升算法具有结构简单、运算量低、节省存储空间，以 及可逆的整数到整数变换的优点，便于硬件实现。故采用第二代小波整数提升算法(即二代 小波整数变换)用于图像增强。

本实施例采用的图像增强对象为标准的lena图像，如图2(a)与加入方差为0.05高 斯噪声的lena图像，如图3(a)。(注：Lena图像是图像处理领域广泛使用的标准测试图像)。

实施例1

如图1所示，本实施例1提供了一种图像增强方法，包括如下步骤：

步骤S1，对原始图形进行单层分解，以获得原始整数低频子图ca；

步骤S2,对原始整数低频子图ca进行计算，以获得第一整数低频子图ca′；

步骤S3，对第一整数低频子图ca′进行计算，以获得第二整数低频子图ca″；以及

步骤S4，将第二整数低频子图ca″进行重构，以得到增强的新图像。

本实施例需要的小波是光滑的、正交的、对称的，这样的小波处理图像具有处理速 度快、图像重构精确性高、避免图像处理中发生相移等优点。

所述步骤S1中对原始图形进行单层分解，以获得原始整数低频子图ca的方法具体 包括：

利用二代小波整数变换对原始图像进行单层分解，以获得原始整数低频子图ca以 及三高频子图分解系数cH,cV,cD。

具体的，满足上述光滑的、正交的、对称条件的db小波系，本实施例通过二代小波 整数变换提升方案对db1小波进行提升，matlab中具体提升代码如下：

LSdbint＝liftwave('db1','int2int')；

els＝{'p',[-12-1]/4,0}；

LSdbint1＝addlift(LSdbint,els)；

即利用代表db1提升小波LSdbint1单层离散二维小波分解函数[ca,ch,cv,cd]＝ lwt2(I,LSdbint1)；

注：本函数为matlab中提供的提升小波变换函数，如图2(a)进行LSdbint1小波单 层分解，得到一个原始整数低频子图ca和分别对应于水平、垂直、对角方向的三个高频子带 的分解系数cH,cV,cD。

所述步骤S2中对原始整数低频子图ca进行计算，以获得第一整数低频子图ca′的 方法包括如下步骤：

步骤S21，统计原始整数低频子图ca中各系数k的总和n(k)；

步骤S22，计算原始整数低频子图ca中系数k的最大值K_max与最小值K_min；

步骤S23，对统计的总和n(k)进行累积求和，即K_min≤k≤K_max；

步骤S24，计算原始整数低频子图ca均衡化的新系数用表达式g(k)表示，即

$g\left(k\right)=K_{\min }+\frac{cdf\left(k\right)\times (K_{max}-K_{\min })}{m\times n},$K_min≤k≤K_max，m、n分别为原 始整数低频子图ca的行数、列数，且利用四舍五入法取整构成第一整数低频子图ca′。利用 二维小波分解系数的直接重构函数Y＝upcoef2('a',ca″,'db1',1)(注：本函数为matlab中 提供的标准二维单尺度小波变换函数，计算低频子带均衡化的第一整数低频子图ca′。

具体的，所述步骤S3中对第一整数低频子图ca′进行计算，以获得第二整数低频子 图ca″的方法包括如下步骤：

步骤S31，计算第一整数低频子图ca′系数的最大值N与最小值M，统计第一整数低 频子图ca′各系数k’的总和n(k’)，以及统计各系数级数不为零的系数总数S；

步骤S32，利用公式在[M，N]区间对第一整数低频子图 ca′进行等间隔均衡计算，构成第二整数低频子图ca″，其中p为第二整数低频子图ca″的新 系数，q为递增变量，且1≤q≤S。

以及将第二整数低频子图ca″进行重构，以得到增强的新图像。

实施例2

在实施例1基础上，本实施例2还提供了一种二代小波整数变换的图像增强系统， 包括：

图像分解模块，对原始图形进行单层分解，以获得原始整数低频子图；

与所述图像分解模块相连的第一计算模块，其适于对原始整数低频子图ca进行计 算，以获得第一整数低频子图ca′；

与所述第一计算模块相连的第二计算模块，其适于对第一整数低频子图ca′进行 计算，以获得第二整数低频子图ca″；

与第二计算模块相连的第三重构模块，其适于将第二整数低频子图ca″进行重构， 以得到增强的新图像。

具体的，所述图像分解模块中对原始图形进行单层分解，以获得原始整数低频子 图；即

利用二代小波整数变换对原始图像进行单层分解，以获得原始整数低频子图ca。

具体的，所述第一计算模块适于对原始整数低频子图ca进行计算，以获得第一整 数低频子图ca′；即

统计原始整数低频子图ca中各系数k的总和n(k)；

计算原始整数低频子图ca中系数k的最大值K_max与最小值K_min；

对统计的总和n(k)进行累积求和，即K_min≤k≤K_max；

计算原始整数低频子图ca均衡化的新系数用表达式g(k)表示，即

$g\left(k\right)=K_{\min }+\frac{cdf\left(k\right)\times (K_{max}-K_{\min })}{m\times n},$K_min≤k≤K_max，m、n分别为原 始整数低频子图ca的行数、列数，且利用四舍五入法取整构成第一整数低频子图ca′。

具体的，所述第二计算模块中适于对第一整数低频子图ca′进行计算，以获得第二 整数低频子图ca″，即

计算第一整数低频子图ca′系数的最大值N与最小值M，统计第一整数低频子图ca′ 各系数k’的总和n(k’)，以及统计各系数级数不为零的系数总数S；

利用公式在[M，N]区间对第一整数低频子图ca′进行 等间隔均衡计算，构成第二整数低频子图ca″，其中p为第二整数低频子图ca″的新系数，q为 递增变量，且1≤q≤S。

在实施例1和实施例2基础上，通过下列公式进行验证。

为检验算法在图像增强与去噪方面能力，选用均方误差(MSE)、平均亮度差(ΔY) 和对比度增量对本发明的图像增强方法及图像增强系统进行验证评价。

均方误差：$MSE=\frac{1}{m\times n}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{[f(i,j)-\bar{f}(i,j)]}^2---\left(1\right);$

平均亮度差：$\Delta Y=Y_F-Y_f=\underset{k_F=0}{\overset{k_F=255}{\Sigma }}{k}_{F}p\left(k_F\right)-\underset{k_f=0}{\overset{k_f=255}{\Sigma }}{k}_{f}p\left(k_f\right)---\left(2\right);$

对比度增量：$\Delta =\frac{{C^{\prime }}_{\bar{f}}}{C_f}---\left(3\right);$

式(1)中f(i,j)是原始噪声图像,是去噪后图像；m,n分别代表图像的行与列 数；若均方误差越小表明去噪效果越好。

式(2)中Y_F是原始图像平均亮度,Y_f是增强后图像,ΔY为两者差值，若差值越小则 增强的图像亮度越接近原始图像，表明算法增强的图像亮度保持越好，反之则差。

对比度增量为原始图像与增强后图像局部对比度之比，局部对比度以3×3的滑动 窗口,按照(x_max-x_min)/(x_max+x_min)计算每个窗口的局部对比度,然后取其平均值。式(3)中 为增强后图像局部对比度均值，C_f为原始图像局部对比度均值，对比度增量越大说明增 强效果越好。

注：图2(a)为原始图像，图3(a)为原始图像加入方差为0.05的高斯噪声，实验中三 种增强算法都对加噪后的图像处理，图2(b)、图3(b)为同态滤波增强系数取H_H＝2.0、H_L＝ 0.5，锐化系数c＝1.1的增强结果。

图2(b)、图2(c)、图2(d)中三种算法都对lena图像进行了增强，增强效果可看出直 方图均衡(图2(c)、图3(c))与本发明两者增强的图像(图2(d)、图3(d))从视觉上难以分辨 优劣，两者增强效果明显优于同态滤波，且图像层次也比较清晰，并且两者对应的直方图图 4(c)图4(d)对比度动态范围也较宽，而同态滤波增强的图像整体偏亮，图像细节丢失、不清 晰，其直方图图4(b)也显示图像灰度集中在高亮区，对比度范围较窄，低灰度值基本没有。 因此，在处理不含有高斯噪声的图像时，很明显本发明比同态滤波的图像处理效果更好。

图3(a)中加入0.05高斯噪声的lena图像增强，相对于三种算法，本发明效果最好， 图像清晰、对比度好、噪声抑制的也相当好；在处理含有高斯噪声的图像时，直方图均衡算 法在增强图像的同时噪声也被放大、对比度差；同态滤波算法在噪声抑制上与本发明差不 多。因此，在处理含有高斯噪声的图像时，很明显本发明比直方图均衡算法的图像处理效果 更好。

上面对三算法的增强效果进行了分析，下面运用评价图像降噪与增强效果的三个 性能指标来定量分析三种增强方法对噪声图像的降噪与增强情况。经图像增强后像素灰度 值会发生改变，故用原始图像经过加噪的增强后图像与未加噪的原始图像增强后图像两者 进行比较，分别计算这三个性能指标。计算结果如表1所示。

表1计算结果

性能指标 同态滤波 直方图均衡 本发明 均方误差 391.41 458.86 255.71 平均亮度差 111.31 34.17 53.93 对比度增量 0.91 2.09 2.29

从表1中可以看出对比度增量：本发明>直方图均衡>同态滤波，说明三算法的增强 效果本发明效果最好，其次是直方图均衡，最后是同态滤波；对于噪声图像增强的噪声抑 制，从表1的均方误差可以看出：本发明<同态滤波<直方图均衡,即本发明噪声抑制最优；平 均亮度差：直方图均衡<本发明<同态滤波。综上所述，本发明在图像增强、噪声抑制上最优， 虽然与原图亮度保持上稍逊于直方图均衡，但是在图像领域中是一种十分理想的图像处理 方法。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完 全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术 性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。