专利名称：基于小波重构中多尺度边缘检测的图像增强方法
技术领域：
本发明涉及一种基于反对称双正交小波重构过程中多尺度边缘 检测的图像增强方法，属于图像处理领域，特别涉及图像增强技术中 基于小波变换的图像增强方法。
背景技术：
图像增强是指按实际需要采取相应的技术手段强调图像中的某 些特征而抑制其它信息，改善视觉效果，或使之更适合于图像的后续 处理及特定应用的过程。作为基本的图像处理技术，图像增强包含的 内容比较广泛，对比度增强、边缘、轮廓、纹理增强、图像锐化以及 噪声去除、几何畸变校正等，广义上都可称为图像增强。其中图像对 比度与灰度梯度相关，对比度的高低预示着灰度梯度的大小，边缘、 轮廓和纹理增强也意味着对比度增强。根据具体应用目的的不同，图 像增强方法主要有三类空间域增强方法、变换域增强方法和基于参 数优化的方法等。其中，变换域增强方法是将图像变换到频域或小波 域,对图像的变换系数进行某种修正，然后通过逆变换获得增强图像， 如基于傅立叶变换的同态增晰方法。
小波变换以其优异的时频域局部化和多分辨率分析能力在图像 处理领域得到了广泛的应用。在现有文献中，小波域图像增强方法主 要有两种(1)小波变换反锐化掩模法。通过原始图像叠加原图与小 波分解低频分量之差，实现边缘锐化；(2)小波变换高频增强法。即 利用小波分解，将原始图像中高频分量和低频分量进行不同程度的分 离，然后采用不同的方法来增强不同尺度的图像细节分量。有文献证 明小波高频图像增强与反锐化掩模方法有内在的联系。对小波分解后的高频通道乘以适当的增益，其结果类似于反锐化掩模方法处理结果。
小波域图像增强往往和滤噪问题联系在一起，即滤噪和滤噪增 强。滤噪的核心问题是在小波域数据区别噪声系数和图像边缘系数。 对此国内外学者做了大量的研究工作，提出了小波收縮法、小波模极 大值法、相关性法等滤噪方法。小波收縮法分为比例收縮和阈值收縮。 比例收縮法通过度量小波系数被噪声污染的程度，来确定系数收縮的 比例。阈值收縮法通过选取适当的阈值，采用阈值函数压制小于阈值 的小波系数达到滤噪的目的。因此阈值收縮法的研究重点是如何确定 阈值和如何定义阈值函数。根据研究的侧重不同，阈值分为统一阈值 (全局阈值)和自适应阈值(局部阈值)两种。阈值函数主要有软阈 值、硬阈值等。小波模极大值法采用二进巻积小波获得图像的模值图
和相角图，通过Lipschitz指数刻画信号的奇异性，利用信号和噪声在 不同尺度模值图上的表现，利用模极大值原理进行去噪，然后采用迭 代实现的交替投影法由模极大值点重构小波系数，这种方法计算量较 大。相关性去噪方法根据信号与噪声的小波变换系数在相邻尺度之间 的相关性进行滤波。
小波域滤噪增强一般是在辨识噪声系数和图像边缘系数的基础 上，对不同的小波系数采取不同的拉伸策略，达到抑制噪声、增强有 用信息的目的。与此类似，考虑噪声情况的增强方法往往定义一个非 线性的增益函数，使处于不同区间范围的小波系数得到不同程度的抑 制或拉伸，来进行图像的抑噪增强。
小波变换适用于表示各向同性奇异性的对象，但对于图像中的具 有线奇异和曲线奇异等高维几何特征的边缘、轮廓、纹理信息不能做 到有效刻画和稀疏表示。因此在图像处理领域，很多学者致力于从构造具有方向选择性和各向异性、能对边缘进行稀疏描述的最优基函数 的角度来解决问题。这就是多尺度几何分析方法。其中针对图像滤噪
和增强，经常采用以Ridgelet变换、curvelet变换和contourlet变换为代
表的非自适应几何分析。
上述方法是小波域图像滤噪和增强的主流，这些方法的共同特点 是直接对小波分解数据进行处理，即在考虑噪声的基础上，对不同特 点的小波系数进行剪裁和增强，然后通过小波重构改善图像效果，其 算法的一般流程如图l所示。即首先对图像进行多尺度小波分解，然 后在小波域区分噪声、边缘及弱边缘系数，接下来采用阈值函数或增 强函数对不同类型小波系数进行处理，抑制噪声系数和拉伸信号系 数，最后通过小波重构实现图像的滤噪增强。
本发明与上述小波域图像增强方法的思路不同，主要有如下特 点(1)在小波塔式分解数据上有针对性地实现对图像边缘的增强， 比通常采用二进巻积小波实现图像边缘处理与增强减少了计算量； (2)针对图像边缘的锐化增强在小波重构过程中完成，不增加额外 计算量并优于小波域数据直接增强方法。
发明内容
针对传统小波域图像增强方法的不足，本发明所采用的技术方案 是提供了一种针对图像多尺度边缘提取的反对称双正交小波重构方 法，可以在重构过程中进行图像多尺度边缘检测。在此基础上提供了 一种基于反对称双正交小波重构的图像锐化增强方法。
根据本发明的基于反对称双正交小波的图像增强方法，包括如下 步骤首先对图像进行多尺度塔式小波分解，然后从最粗分辨率级分 解数据开始进行小波逐级重构，在每一级重构过程中提取"半重构" 图像，利用"半重构"的图像，计算该尺度下的模值图和相角图，根
7据模值图和相角图计算模极大值得到该尺度边缘图像。根据该尺度的 边缘图像增强"半重构"的对应边缘点。最后继续重构得到增强了的 上一尺度低频图像。每一级重构重复上述过程，最终得到增强图像。 该方法在小波塔式分解数据的重构过程中有针对性地实现了对图像 边缘的锐化增强。
具体而言，根据本发明的基于反对称双正交小波重构中多尺度边 缘检测的图像增强方法，包括以下步骤
首先对原始图像进行多尺度反对称双正交小波分解，获得各级小 波分解的一个低频分量和三个高频分量；
然后从最粗分辨率级开始进行逐级小波重构，在每一级重构过程
中，
(1) 进行小波水平半重构和垂直半重构，获得"水平半重构"
图像和"垂直半重构"图像；
(2) 根据"水平半重构"图像和"垂直半重构"图像，计算模 值图和相角图并进行模极大值检测和阈值处理，从而提取该尺度边缘 图像；
(3) 根据所述该尺度边缘图像，增强"半重构"图像的对应边
缘点；
(4) 对边缘点增强后的"半重构"图像继续重构，获得增强了 的上一尺度的低频图像。
在每一级的重构中重复上述(1) - (4)过程，直至重构结束， 获得增强图像。
根据本发明的优选实施例，其中所述三个高频分量为水平高频分 量、垂直高频分量和对角高频分量。
根据本发明的优选实施例，其中所述步骤(2)中在阈值处理之后，还包括通过阈值处理去除短边缘。
根据本发明的优选实施例，其中所述步骤(4)中继续重构包括:
对该尺度的水平半重构分量的每一列进行一维重构，获得上一级 的重构分量l;
对该尺度的垂直半重构分量的每一行进行一维重构，获得上一级 的重构分量2;
对该尺度的低频分量的每一行小波系数上采样并进行一维重构， 接下来再对每一列小波系数上采样并进行一维重构，获得上一级重构 分量3;
对该尺度的对角细节分量的每一列小波系数上采样后进行一维 重构，接下来再对每一行小波系数上采样并进行一维重构，得到上一 级重构分量4;
将所得到的上一级重构分量l、上一级重构分量2和上一级重构分 量3相加，并减去上一级重构分量4，即重构出增强了的上一级低频图 像。
根据本发明的优选实施例，该图像增强方法可用于医学影像、生 物特征识别、车辆辅助驾驶、军事及人机交互等领域的数字图像改进。
与其它图像增强方法比较，本发明具有如下特点(l)在小波塔 式分解数据上有针对性地实现对图像边缘的增强，比通常采用二进巻
积小波实现图像边缘处理与增强减少了计算量；(2)针对图像边缘的
锐化增强在小波重构过程中完成，不增加额外计算量并优于小波域数
据直接增强方法；
虽然在下文中将结合一些示例性实施及使用方法来描述本发明， 但本领域技术人员应当理解，并不旨在将本发明限制于这些实施例。 反之，旨在覆盖包含在所附的权利要求书所定义的本发明的精神与范围内的所有替代品、修正及等效物。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
图l示出了现有技术中小波图像滤噪增强算法的一般流程；图2示出了基于反对称双正交小波重构的图像增强方法流程；图3示出了每一尺度重构增强过程流程；
图4 (a)和(b)分别示出了X光图像增强前后的对比图；图5 (a)和(b)分别示出了指纹图像增强前后的对比图；图6 (a)和(b)分别示出了车辆图像增强前后的对比图；图7 (a)和(b)分别示出了坦克图像增强前后的对比图；图8 (a)和(b)分别示出了人眼图像增强前后的对比图。
具体实施例方式
下面结合附图对本发明的具体实施方式
作进一步的详细描述。需要注意的是，根据本发明的反对称双正交小波图像增强方法的实施方式仅仅作为例子，但本发明不限于该具体实施方式
。
我们将以y级小波变换系数的重构增强为例，详细描述在反对称双正交小波重构过程中基于多尺度边缘检测的图像增强方法。
首先，相邻y + l和/尺度间的小波变换系数快速重构算法为
『2川/—丄丄=H2U2,,,/—丄"<formula>formula see original document page 11</formula>
上述公式可简写如下
<formula>formula see original document page 11</formula>
进一步，重新构造上述重构公式
<formula>formula see original document page 11</formula>
(1)
式(1)中(&^/—////)是对^/_^/和^/-^^的每一
行采用综合滤波器&和&进行一维重构的结果，艮口
服 一 『;/=&『2, / 一胎s『2, / 一朋<formula>formula see original document page 11</formula>
(2)
式(1)中(^^/ —+ —////)是对^/ —肌和 / —ffi/的每一列
采用综合滤波器&和&进行一维重构的结果，艮P-服—《/ = 一2, / —肌+ 朋<formula>formula see original document page 12</formula>
(3)
^/和i/i —冗/称为"半重构"，分别与y+i分辨率上低频分
量水平方向和垂直方向的一阶导数成比例。
重构过程多了两个/级分量的重构。由于进行了上采样，朋—『2)/
和服—％/的大小与^+1/—zz是一致的。根据小波半重构服—《/和^:/可以计算出y+i级分辨率上低频分量的模值和相角值。由于服—y级分辨率上的数据分别经过行重构和列重构并上采样得到，因此在列方向和行方向要比y+i数据低一个分辨率级，计算出的模值也低一个分辨率级。在小波分解数据上重复上述过程，能够计算出各级分辨率上的模值图和相角图并提取各尺度边缘。
进一步，根据式(2) (3)， 二维信号/(;c,力在y+l级分辨率上低频分量^+,(/(x,力)—"的梯度矢量可以表示为
V『2川/ —丄丄=
3 < /(x，力,p(2x)p(2力>3 < /(x,力，p(2x)p(2;/) >
朋—『2,/朋—
这样，可以直接基于反对称双正交小波的分解数据计算_/ + 1级分辨率上的近似图像的方向梯度的模值M2, /(;c，力和相角4 力。
/ = argtan(^0:)， y = -l,-2,..，- 7 (5)
基于上述关系通过局部模极大值检测便可定位7' + 1级分辨率上的边缘像素点。
进一步，对上述通过局部模极大值检测定位了边缘点的图像，进行边缘链接并采用阈值法去掉短边缘，得到该尺度边缘图像。对边缘
12图像二值化，得到二值化边缘图像模板。用此边缘图像模板增强"水平半重构"图像和"垂直半重构"图像的对应边缘点。获得增强了的"水平半重构"图像和"垂直半重构"图像。
进一步，对增强了的"水平半重构"图像朋—《/的每一列采用
综合滤波器&进行一维重构，得到y+i级的一个重构分量；对增强了
的"垂直半重构"图像/^一『;/的每一行采用综合滤波器&进行一维
重构，得到y + l级的一个重构分量；
对于低频分量『2,/ —ZZ ，将『2,/_"的每一行小波系数采用综合
滤波器&进行一维重构，接下来再对每一列上采样并采用综合滤波器4进行一维重构，得到7 + l级的一个重构分量；对于对角细节分量ff2,/_//// ，将『2,/ —////的每一列小波系数上采样后采用综合滤波器
^进行一维重构，接下来再对每一行上采样并采用综合滤波器^进行一维重构，得到_/ + 1级的一个重构分量。
将上述各重构分量合成，即重构出增强了的y + i级低频分量。图2为基于小波重构中多尺度边缘检测的图像增强方法流程图，即首先对图像采用反对称双正交小波进行多尺度小波分解。然后从最粗分辨率级开始进行小波重构，在每一尺度小波重构中，首先进行该尺度小波水平和垂直半重构，然后根据水平和垂直半重构图像计算模值图和相角图并进行模极大值检测，提取该尺度边缘并采用阈值法去除短边缘。接下来根据此边缘图像增强半重构图像对应的边缘点。接下来对增强了的半重构图像继续重构，对该尺度低频分量直接重构。对该尺度对角高频分量直接重构。将上述重构结果合成，获得增强了的上一尺度的低频图像。在每一尺度的重构中重复上述重构增强过程，逐级重构直至增强图像。
图3以某一尺度O级)小波分解的高频分量和低频分量的重构增强过程为例，描述了基于反对称双正交小波重构增强方法每一尺度 的具体重构增强过程。图像增强过程特别是每一尺度重构增强过程如 下
(1) 图像的塔式小波分解
采用反对称双正交小波，对图像进行J级小波分解，其中J为选 定的分解级数。得到各级小波分解低频分量和三个高频分量。其中三 个高频分量分别为水平高频分量、垂直高频分量和对角高频分量。
(2) 重构过程中的图像增强
从最粗分辨率级(_/ = - /)小波分解数据开始，进行小波逐级重 构。在重构过程中实现图像增强。下面以_/尺度小波分解数据的重构 增强为例说明图像每一尺度重构中的增强过程。(以下①-0)过程如图 3所示)
①水平半重构过程
对于水平细节分量『2,/_丄// ，将『2,/_丄//的每一行小波系数上采 样后采用综合滤波器&进行一维重构。对于对角细节分量『2,/—//// ， 将^/一////的每一行小波系数上采样后采用综合滤波器^进行一维 重构。将上述两项一维重构结果相加并上采样得到水平半重构结果
服—『;/;
O垂直半重构过程
对于垂直细节分量『2,/_/^，将『2,/ —itt的每一列小波系数上采 样后采用综合滤波器&进行一维重构。对于对角细节分量『2,/_//// ， 将^/_////的每一列小波系数上采样后采用综合滤波器&进行一维 重构。将上述两项一维重构结果相加并上采样得到垂直半重构结果
服—『;/;
Q)计算模值图和相角图根据①、⑦中得到的水平、垂直半重构结果//及—％/、 /^_冗/，
得到该尺度梯度矢量[朋-《/，服-K/]T °按照
々,/ = argtan(= —2〈) 禾口 M2,+l / = ^服—《/卩+1朋—『;/ f
— / ，
(7' = -1，…,-/ )计算各级分辨率上的模值图M^/0,力和相角图。
④ 模极大值检测和阈值处理
对③得到的模值图，沿相角方向求局部模极大值点，得到所有的 边缘像素点集合。由于噪声和精细纹理的存在，存在很多潜在的非边 缘点，而这些点的模值普遍较小，因此优选地还可以采用阈值法清除 模值小于一定阈值的点，减小非边缘像素点对后续步骤的影响。对经 过阈值处理的各分辨率级的模值图，链接图中模值相近、相角相似的 非零边缘像素点，剔除链长小于^. (/为分解级数)的短链(即短边
缘)。经上述处理后，得到该尺度边缘图像。
⑤ 半重构图像边缘点增强
对 检测到的该尺度边缘图像进行二值化，得到二值化边缘图像 模板，增强与此模板边缘点位置对应的/ _『2〗/和/^ —『2;/上相应像
素点
r(服—f^/(x,力)=、x朋—《/(x,力 (6)
n服—冗力)=^ x服—『J 力 (7 )
其中，(x,力为服—％/和朋—冗/上的边缘像素点。、为拉伸因子 由水平半重构继续重构过程
将 中增强了的水平半重构/// 一^/的每一列采用综合滤波器 ^进行一维重构，得到/ + 1级的一个重构分量，暂记为
15『2丄及(丄/f，阔；
0)由垂直半重构继续重构过程
将6)中增强了的垂直半重构ffl —『2:/的每一行采用综合滤波器 ^进行一维重构，得到7+i级的一个重构分量，暂记为
⑧ 低频分量直接重构过程
对于低频分量『2,/—",将『2,/—zz的每一行小波系数上采样并 采用综合滤波器&进行一维重构，接下来再对每一列小波系数上采样 并采用综合滤波器&进行一维重构，得到y+i级的一个重构分量，暂
⑨ 对角细节分量直接重构过程
对于对角细节分量『2,/ —//// ，将^,/ —////的每一列小波系数上 采样后采用综合滤波器&进行一维重构，接下来再对每一行小波系数 上采样并采用综合滤波器^进行一维重构，得到7' + l级的一个重构分 量，暂记为『2,+,/_及(////)。
O各重构分量合成
将上述重构分量『2,+,/—/ (丄仏ffiO 、 i (ffl,/氾)和
/ _ w( w)相加并减去重构分量 +1 / _即重构出增强了的y+1
级低频分量。
(3)逐级小波重构
从最粗分辨率级小波分解数据开始，逐级实施(2)中的0- 重 构增强步骤，直至重构完成，获得增强图像。 III.应用领域
综上所述，本发明在反对称双正交小波重构的基础上，实现了图像的锐化增强。可广泛应用于医学影像、生物特征识别、车辆辅助驾 驶、军事、人机交互等领域中数字图像有关改进的领域。
(1) 医学影像应用领域
例如对于心脏造影图像、x光图像、超声图像中，图像边缘特征
模糊现象。可以应用本发明提供的反对称双正交小波重构增强方法进
行图像边缘增强。X光图像增强示例如图4所示。
(2) 生物特征识别应用领域
例如对于指纹图像、莩纹图像中，图像边缘特征模糊现象。可以 应用本发明提供的反对称双正交小波重构增强方法进行图像边缘增 强。指纹图像增强示例如图5所示。
(3) 车辆辅助驾驶应用领域 例如基于视觉的车辆辅助驾驶系统中雨雾等恶劣天气下的采集
的视频图像，图像对比度较低。可以应用本发明提供的反对称双正交 小波重构增强方法进行图像对比度增强。车辆辅助驾驶领域道路前方 车辆增强示例如图6所示。
(4) 军事应用领域 例如对于军事应用中的可见光图像，图像对比度较低。可以应用
本发明提供的反对称双正交小波重构增强方法进行图像边缘增强。坦 克图像增强结果示例如图7所示。
(5) 人机交互应用领域 例如视线追踪系统图像采集过程中头部超出景深范围，导致图像
对比度较低。可以应用本发明提供的反对称双正交小波重构增强方法 进行图像对比度增强。人眼图像增强结果示例如图8所示。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明， 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发 明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动 和变型在内。
权利要求
1.一种基于反对称双正交小波重构中多尺度边缘检测的图像增强方法，包括以下步骤首先对原始图像进行多尺度反对称双正交小波分解，获得各级小波分解的一个低频分量和三个高频分量；然后从最粗分辨率级开始进行逐级小波重构，在每一级重构过程中，(1)进行小波水平半重构和垂直半重构，获得“水平半重构”图像和“垂直半重构”图像；(2)根据“水平半重构”图像和“垂直半重构”图像，计算模值图和相角图并进行模极大值检测和阈值处理，从而提取该尺度边缘图像；(3)根据所述该尺度边缘图像，增强“半重构”图像的对应边缘点；(4)对边缘点增强后的“半重构”图像继续重构，获得增强了的上一尺度的低频图像；在每一级的重构中重复上述(1)-(4)过程，直至重构结束，获得增强图像。
2. 根据权利要求l的图像增强方法，其中所述三个高频分量为水 平高频分量、垂直高频分量和对角高频分量。
3. 根据权利要求l的图像增强方法，其中所述步骤(2)中在阈 值处理之后，还包括去除图像短边缘的步骤。
4. 根据权利要求l的图像增强方法，其中所述步骤(4)中继续重构包括对该尺度的水平半重构分量的每一列进行一维重构，获得上一级 的重构分量l;对该尺度的垂直半重构分量的每一行进行一维重构，获得上一级 的重构分量2;对该尺度的低频分量的每一行小波系数上采样并进行一维重构， 接下来再对每一列小波系数上采样并进行一维重构，获得上一级重构分量3;对该尺度的对角细节分量的每一列小波系数上采样后进行一维 重构，接下来再对每一行小波系数上采样并进行一维重构，得到上一级重构分量4;将所得到的上一级重构分量l、上一级重构分量2和上一级重构分 量3相加，并减去上一级重构分量4，即重构出增强了的上一级低频图像。
5. 根据权利要求1-4任一项的图像增强方法，用于医学影像领域 的数字图像改进。
6. 根据权利要求1-4任一项的图像增强方法，用于生物特征识别 领域的数字图像改进。
7. 根据权利要求l-4任一项的图像增强方法，用于车辆辅助驾驶 领域的数字图像改进。
8. 根据权利要求l-4任一项的图像增强方法，用于军事领域的数 字图像改进。
9. 根据权利要求1-4任一项的图像增强方法，用于人机交互领域 的数字图像改进。
全文摘要
本发明涉及一种基于反对称双正交小波重构中多尺度边缘检测的图像增强方法。在小波塔式分解数据的重构过程中有针对性地实现对图像边缘的增强。首先对图像进行多尺度小波分解；然后在每一级小波重构中，根据半重构结果计算模值图和相角图并进行模极大值检测和阈值处理，提取该尺度边缘图像；并根据边缘图像，增强半重构图像的对应边缘点；然后继续重构，获得增强了的上一尺度低频分量。从最粗分辨率级开始，按上述每一级重构增强过程进行小波逐级重构，最终实现图像增强。本发明的图像增强方法可广泛应用于医学影像、生物特征识别、车辆辅助驾驶、军事及人机交互等中数字图像有关改进的领域。
文档编号G06T5/10GK101661616SQ20091017730
公开日2010年3月3日 申请日期2009年9月29日 优先权日2009年9月29日
发明者洋 刘, 史光远, 闯 张, 谢秀贞, 迟健男, 颜艳桃, 黄荣辉 申请人:北京科技大学