基于双三次插值和奇异值分解的图像增强方法

摘要

本发明公开了一种基于双三次插值和奇异值分解的图像增强方法。算法首先对原图像分别进行直方图均衡化和双三次插值，能更好的保留图像的细节信息,然后将处理后的图像分别进行离散小波变换,每个输入图像分解为各种分辨率的子带,再对低频子带进行奇异值分解,然后通过离散小波重构对图像进行重建,最后,将重构后的图像与原图像进行直方图匹配，得到增强图像。该方法能够很好的增强图像。

说明书

技术领域

本发明属于信息增强的数字图像处理领域，主题内容是一种基于双三次插值和奇异值分解的图像增强方法，具有较好的图像增强效果的方法。

背景技术

图像是人们获取信息的最直观的方式，图像增强是图像处理中的一个重要领域，在医学图像处理及纹理分析、模式识别等预处理步骤中广泛使用。图像增强是指按照一定的需求，去除或者削弱对决策无用的信息。图像增强的目的让处理后的图像更加易于被机器识别或者更加符合人眼的视觉效果。这样更有益于人们获得的更准确的信息，从而做出更科学的决策。，图像增强是图像模式识别中非常重要的图像预处理过程，是数字图像处理中最简单也是最吸引人的技术，以显示模糊图像的细节。图像增强可以有目的地强调图像的局部和整体特征,在图像增强过程中,处理后的图像不一定逼近原图像，而是根据需求抑制不重要的信息,丰富有用信息,以此来提高图像的质量,提高图像识别的效果，满足某些特殊分析的需要。

图像增强是图像模式识别中一个非常重要的图像预处理过程，是数字图像处理中最简单、最吸引人的技术，以显示模糊图像的细节。图像增强可以有目的地强调图像的局部和整体特征，可以使原始模糊图像更加清晰，有效地扩大图像中某些不同对象的特征差异，抑制信息，从而丰富信息量，提高图像质量，增强图像识别效果。为了满足某些特殊分析的需要，通过对图像中的信息进行处理，可以显示出模糊图像中有用的细节，使有用的信息得到增强，扩大图像中不同物体特征之间的差异，更好地识别和提取图像。那个图像的关键特征是分辨率，它能有效地反映图像的细节，因此图像的分辨率增强显得尤为重要。图像的分辨率越高，显示的细节越多，图像越好，从图像中获得的有用信息也越多。因此，研究一种良好的图像增强方法具有重要意义。

发明内容

图像增强不仅要提高图像的对比度，还要使图像的细节信息增强，增强后的图像可以更加符合人眼的视觉效果。为了达到这一目的，本文提出了一种基于双三次插值和奇异值分解的图像质量增强方法。

主要技术方案包括：首先将原图像分别进行双三次插值和直方图均衡化，直方图均衡算法对灰度级相对集中的图像处理效果最好，处理后的图片能较好的保留细节信息。后将处理后的图像分别进行离散小波变换,每个输入图像分解为各种分辨率的子带,再对低频子带进行奇异值分解,然后通过离散小波重构对图像进行重建,最后,将重构后的图像与原图像进行直方图匹配，得到增强图像。

实验仿真表明,该方法能够很好的增强图像，增强后图像效果较明显。

附图说明

图1是对原图进行双三次插值和直方图均衡化。

图2是对M1进行离散小波变换。

图3是对M2进行离散小波变换。

图4是低频子带的奇异值分解。

图5是小波重构过程。

图6是直方图匹配过程。

图7是Barbara进行不同操作前后对比图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步说明。

本发明的流程图如图1所示，一种基于双三次插值和奇异值分解的图像增强方法，该方法具体包括以下流程：

步骤一：输入原始图像M，分别对M进行双三次插值和直方图均衡化，分别生成图像M1和M2。

步骤二：对M1和M2进行小波变换分解。将图像M1分解为HH1、HL1、LH1、LL1四个子带，将图像M2分解为HH2、HL2、LH2、LL2四个子带。

步骤三：低频子带奇异值分解，首先得到奇异值分解的校正系数，它的表达式如下：

n＝maxLL2/maxLL1

其中maxLL1表示原图像后输出的LL奇异值矩阵，maxLL2表示直方图均衡化后输出的LL奇异值矩阵。

新形成的LL是:

LL1＝n.LL1

这样，图像奇异值可以用一个矩阵表示:

I＝ULL1.LL1.VLL1

步骤四:利用小波重构对SVD插值得到的增强子带LL1和双三次插值后的HH1、HL1、LH1进行重构，得到新的图像M3。

步骤五：通过直方图匹配，将新图像M3与原图M进行匹配。

步骤六：最后输出分辨率增强的图像M4。

方法测试

仿真实验选用512×512Barbara灰度图像作为处理图像。

为了验证本次实验提出算法的性能，利用图像的峰值信噪比(PSNR)进行评估，是目前图像增强比较权威的客观评价标准。

峰值信噪比来定量的评价图像分辨率增强后的效果，PSNR的单位为dB。所以PSNR值越大，就代表失真越少。

图7展示了进行不同操作前后对比图。

表1为不同算法获得图像的PSNR的值。

表1不同方法得出的PSNR结果