一种图像增强方法与流程

本发明涉及图像处理领域，更具体地，涉及一种图像增强方法。

背景技术：

图像增强是数字图像处理的一项最基本的技术，也是许多图像处理的预处理技术，其基本思想是：通过采用一系列技术去改善图像的质量和视觉效果，突出图像中感兴趣的特征，获得图像中有价值的信息，从而将图像转换成一种更适合于人或机器进行分析和处理的形式，使得处理后的图像对某些特定的应用有更好的效果。图像增强理论广泛应用于生物医学领域、工业生产领域、公共安全领域以及航空航天领域等。现有的图像增强方法很多，最基本的图像增强有空间域增强和频率域增强，但是图像增强理论的应用一般都是具有针对性的，对不同的应用运用不同的方法，其通用的图像增强方法是不存在的。

图像增强技术的关键在于如何有效地改善增强图像质量和增强视觉效果的同时更好地保留图像的边缘和细节信息，其中，与本发明相对比用到的图像增强方法，有如下两类：

(1)直方图均衡：该方法包括全局直方图均衡、直方图规定化和局部直方图均衡，这些方法通常用来增加许多图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布，从而可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。但是，这些方法会增加背景噪声的对比度并且降低有用信号的对比度，也可能导致过增强与细节丢失问题。

(2)反锐化掩模：在印刷和出版界已用了多年的图像锐化处理过程是从原图像中减去一幅非锐化(平滑过的)版本，即将图像的模糊部分从原图像减去而得到清晰的图像，此即为反锐化掩模算法的思路，其算法处理步骤如下：(1)模糊原图像；(2)从原图像中减去模糊图像(产生的差值图像称为模板)；(3)将模板线性加到原图像上。该方法能够提升图像的高频信息，增强图像轮廓，但同时也可能增强噪声和出现振铃效应。

技术实现要素：

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种能有效增强图像对比度，还能抑制噪声和保持图像细节的图像增强方法。

为解决上述技术问题，本发明的技术方案如下：

一种图像增强方法，包括如下步骤：

a)对输入图像进行去噪处理得到去噪图像；

b)对去噪图像进行边缘提取得到边缘图像；

c)对边缘图像进行图像增强处理得到去噪且边缘增强的图像；

d)利用亮度可控的直方图均衡方法对去噪图像进行处理得到全局增强图像；

e)对c和d步骤所得到的图像进行线性叠加，得到最终的输出图像。

步骤a的具体步骤包括：

a1)将输入图像转变为灰度图像；

a2)对灰度图像进行均值滤波得到平滑后的去噪图像。

步骤b的具体步骤为利用自定义的拉普拉斯模板对平滑滤波后的图像进行边缘提取得到边缘图像。

步骤c的具体步骤包括：

c1)对边缘图像进行预处理，得到边缘预处理图像，对边缘预处理图像进行图像增强得到边缘增强图像；

c2)对边缘图像进行二值化处理得到二值化图像，对二值化图像进行腐蚀处理得到腐蚀图像；

c3)将c1的边缘增强图像和c2的腐蚀图像进行综合处理得到去噪且边缘增强的图像。

步骤c1的具体步骤包括：

c11)求输入图像I(x,y)的最大和最小灰度值分别为I_max和I_min；

c12)对边缘图像进行预处理，得到边缘预处理图像E_w(x,y)，即

其中，E(x,y)为边缘图像，I(x,y)为输入图像；

c13)求出边缘预处理图像E_w(x,y)的灰度最大值max、灰度最小值min以及亮度平均值μ₀、标准差σ₀；

c14)求出边缘预处理图像的直方图，然后求出该直方图灰度值小于0的区域的阈值T₁和直方图灰度值大于0的区域的阈值T₂；

c15)根据c13和c14中求得的灰度最大值max、灰度最小值min以及图像的阈值T₁和T₂，将边缘预处理图像E_w(x,y)的直方图分成3个区域(min，T₁)、(T₁，T₂)和(T₂，max)，然后对该直方图进行基于均值和标准差剪切的分段直方图均衡，得到边缘增强图像E_e(x,y)。

步骤c14中阈值是通过Rosin方法求取的。

步骤c2和c3的具体步骤包括:

c21)根据Rosin方法求得边缘图像的阈值T_t，然后运用二值化求得二值图像B(x,y)；

c22)对二值图像进行形态学腐蚀得到腐蚀图像R(x,y)；

c31)结合步骤c和c2，得到去噪且边缘增强的图像E_we(x,y)：

步骤d的具体步骤包括：

d1)求出去噪图像F(x,y)的直方图，并求得其亮度最大值f_max和最小值f_min，其中，0≤[f_min，f_max]≤255以及平均亮度值μ和标准差σ；

d2)根据平均亮度值μ和标准差σ，求出去噪图像F(x,y)直方图的分割点th₁和th₂为

其中，w为权值，可调节分割点的大小，一般取w＝1，0≤[th₁，th₂]≤255；

d3)根据f_max、f_min、th₁、th₂将去噪图像F(x,y)的直方图分成低、中、高三段，如下

其中，h(i)为图像F(x,y)的直方图统计函数，i表示0到255的灰度值。

d4)对直方图进行分段剪切与补偿，得到经过裁剪和补偿后的直方图；

d5)对图像F(x,y)的直方图进行分段剪切与补偿后，各段直方图的像素总数所占图像F(x,y)的总像素的比例均未变化，即

其中，toal代表图像F(x,y)的总像素；r₁、r₂、r₃分别表示去噪图像F(x,y)直方图的低、中、高区域的像素总数占图像F(x,y)的像素总数的比例；

d6)计算直方图分段后的低、中、高区域的累积密度函数分别为

其中，S_l、S_m、S_u分别为低中高直方图区域内的像素总数，h_l″、h_m″、h_u″为分段剪切与补偿后各个区域的直方图统计函数。

d7)假设全局增强的输出图像G(x，y)的直方图的分割点分别为th₁′和th₂′，亮度平均值为μ_m，标准差为σ_m，根据输出图像直方图平均亮度估算模型和输出图像直方图标准差估算模型可分别估算出亮度平均值μ_m标准差σ_m，即

μ_m＝0.5[r₁(th₁′-1)+r₂(th₁′+th₂′-1)+r₃(th₂′+255)]

其中，th₂′＝th₁′+2σ_m；

d8)令模型求出的亮度平均值和设定的亮度平均值mυ相等，即σ_m＝mυ，其中，mυ是用户可自行设定的平均亮度值；d7步骤中中的三个方程组是关于th₁¹、th₂′和σ_m三个未知数的方程组，可通过迭代的方式，计算出输出图像的直方图灰度分割点th₁′和th₂′；

d9)定义输出图像的动态范围[0，255]的图像映射曲线函数T为：

其中，th₁和th₂为自定义的去噪图像F(x,y)的直方图的两个分割点，th₁′和th₂′为输出图像直方图平均亮度估算模型和标准差估算模型计算出来的输出图像的直方图灰度级分割点；

d9)根据以上可得，从而求出全局增强的输出图像G(x,y)为

G(x，y)＝T(F(x，y))。

所述步骤e包括:

e1)将c和d得到的图像进行线性叠加，得到最终的输出图像O(x,y)，

O(x,y)＝G(x,y)+λ×E_we(x,y)

其中，λ为比例因子。

与现有技术相比，本发明技术方案的有益效果是：

(1)本发明通过亮度可控的直方图均衡方法结合UM(Unsharp Masking，反锐化掩膜)算法思想，可以实现输出亮度可以跟进用户需求自动调节，而且通过设定合适的亮度值可以得到一幅对比度明显提升全局增强的输出图像，从而达到图像增强的目的。

(2)本发明通过对边缘图像进行一系列的处理，如预处理，分段直方图均衡、二值化和腐蚀操作，从而得到细节保持的边缘增强图像。

(3)本发明最后还通过结合UM算法思想将图像进行线性叠加，获得一幅信息流丰富、对比度提升、动态范围较高，且适合用户主观视觉效果的输出图像。

附图说明

图1为本发明图像增强方法的流程图.

图2为本发明图像增强方法中边缘增强的流程图。

图3为本发明图像增强方法中BCHE方法流程图。

图4为本发明输出图像直方图平均亮度估算模型。

图5为本发明输出图像直方图平均标准差估算模型。

图6为本发明采样的原始输入图像butterfly。

图7为通过本发明方法对图6图像处理后得到的输出图像，其初始亮度m＝80。

图8为通过本发明方法对图6图像处理后得到的输出图像，其初始亮度m＝110。

图9为本发明采样的原始输入图像fish。

图10为通过本发明方法对图9图像处理后得到的输出图像，其初始亮度m＝80。

图11为通过本发明方法对图9图像处理后得到的输出图像，其初始亮度m＝110。

图12为本发明的原始图像和输出图像对比度的对比。

图13为本发明的原始图像和输出图像熵的对。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

实施例1

如图1所示，本发明一种图像增强方法具体实施例的具体步骤报包括：

a)对输入图像I(x,y)进行去噪处理得到去噪图像F(x,y)；在此实施例中，去噪处理采用平滑滤波实现，首先将输入图像I(x,y)转变为灰度图像，然后对灰度图像进行均值滤波得到平滑后的去噪图像F(x,y)。

b)对去噪图像F(x,y)进行边缘提取得到边缘图像E(x,y)；在此实施例中，采用自定义拉普拉斯模板对平滑滤波后的图像进行边缘提取，例如定义拉普拉斯模板为w,

根据该自定义的拉普拉斯模板，求出边缘图像E(x,y)。

c)对边缘图像E(x,y)进行图像增强处理得到去噪且边缘增强的图像；

d)利用亮度可控的直方图均衡方法(Brightness Controllable Histogram Equalization，BCHE)对去噪图像进行处理得到全局增强图像；

e)对c和d步骤所得到的图像进行线性叠加，得到最终的输出图像。

在具体实施过程中，首先，对输入图像I(x,y)通过平滑滤波进行平滑去噪得到去噪图像F(x,y)；其次，采用自定义的拉普拉斯模板对图像进行边缘提取得到边缘图像E(x,y)；然后，分两步对边缘图像E(x,y)进行处理：

第一步：边缘增强，先对边缘图像E(x,y)进行预处理得到边缘预处理图像E_w(x,y)，再采用分段直方图均衡对边缘预处理图像进行增强，从而得到边缘增强的图像E_e(x,y)；

第二步：先利用Rosin算法寻找边缘图像的阈值，再对其进行二值化处理，得到去噪的边缘图像B(x,y)，之后再进行形态学腐蚀处理，消除双边缘效应，得到腐蚀图像R(x,y)；最后，对前面两步进行综合处理，得到提升后的具有细节保持和去噪的边缘增强图像E_we(x,y)。

具体地，如图2所示，上述所述的第一步的具体步骤为：

c1)对边缘图像进行预处理，得到边缘预处理图像，对边缘预处理图像进行图像增强得到边缘增强图像；具体地：

c11)求输入图像I(x,y)的最大和最小灰度值分别为I_max和I_min；

c12)对边缘图像进行预处理，得到边缘预处理图像E_w(x,y)，即

其中，E(x,y)为边缘图像，I(x,y)为输入图像；

c13)求出边缘预处理图像E_w(x,y)的灰度最大值max、灰度最小值min以及亮度平均值μ₀、标准差σ₀；

c14)求出边缘预处理图像的直方图，其直方图形状类似高斯分布函数，其灰度值主要集中分布于原点及两侧附近，由此，可根据Rosin方法求出其直方图的分段阈值T₁(直方图灰度值小于0区域的阈值)和T₂(直方图灰度值大于0区域的阈值)，其中Rosin方法主要步骤如下:

c141)找到直方图的峰值点和谷值点；

c142)求出连接峰值点和谷值点的直线y＝Ax+B；

c143)在峰值点和谷值点区间的直方图曲线上找到一点到直线y＝Ax+B的垂直距离最大的点(x',y')，即可求得对应的阈值T＝x'。

c15)根据c13和c14中求得的灰度最大值max、灰度最小值min以及图像的阈值T₁和T₂，将边缘预处理图像E_w(x,y)的直方图分成3个区域(min，T₁)、(T₁，T₂)和(T₂，max)，然后对该直方图进行基于均值和标准差剪切的分段直方图均衡，得到边缘增强图像E_e(x,y)。

具体地，如图2所示，上述所述的第二步的具体步骤为：

c2)对边缘图像进行二值化处理得到二值化图像，对二值化图像进行腐蚀处理得到腐蚀图像；具体为：

c21)根据Rosin方法求得边缘图像的阈值T_t，然后运用二值化求得二值图像B(x,y)；

c22)对二值图像B(x,y)进行形态学腐蚀得到腐蚀图像R(x,y)；

c3)最后，将c1的边缘增强图像E_e(x,y)和c2的腐蚀图像R(x,y)进行综合处理得到去噪且边缘增强的图像E_we(x,y)，

在具体实施过程中，步骤d中，先求平滑滤波后的去噪图像F(x,y)的亮度最大值、亮度最小值、亮度平均值和标准差，根据这4个值将去噪图像F(x,y)的直方图分成3段，并进行直方图剪切和补偿；接着，根据直方图亮度估算模型和标准差估算模型预测图像亮度与标准差，再通过计算求出灰度级分割点，从而估算图像的平均亮度值和标准差；然后，求出相对误差，再设定一个预设误差值，如果相对误差大于预设误差，则令初始设定的标准差等于估算的标准差，并重新求解灰度分割点，获得估算标准差，直到相对误差小于预设误差，从而求得最终的灰度分割点；最后，根据以上所求，运用直方图剪切和分段直方图均衡方法求得全局增强的图像。

如图3、图4和图5所示，步骤d的具体步骤为：

d1)求出去噪图像F(x,y)的直方图，并求得其亮度最大值f_max和最小值f_min，，其中，0≤[f_min，f_max]≤255以及平均亮度值μ和标准差σ，

其中，去噪图像F(x,y)h(i)为直方图统计函数，i表示0到255的灰度值，M、N为图像的行和列，M×N为图像总像素；

d2)根据平均亮度值μ和标准差σ，求出去噪图像F(x,y)直方图的分割点th₁和th₂为，

其中，w为权值，可调节分割点的大小，一般取w＝1，0≤[th₁，th₂]≤255；从而可将去噪图像F(x,y)的直方图分成低、中、高三段，分别为h_l、h_m和h_u，

d3)对直方图进行分段剪切与补偿，得到经过裁剪和补偿后的直方图，步骤如下：

d31)定义r₁、r₂和r₃分别为各段直方图在整体直方图中的比例，

d32)对第一段直方图h_l进行裁剪，定义裁剪阈值T_l，

定义裁剪后的直方图为h_l＇，

为了不改变h_l在整体的比例，需要将裁剪多出的部分线性补偿到直方图中，定义补偿后的直方图为h_l″，

其中，res_l为第一段直方图经过裁剪出来的数量之和，i＝0，1，...，th₁-1；

d33)对第二段直方图h_m进行裁剪，定义裁剪阈值T_m，

定义裁剪后的直方图为h_m′，

为了不改变h_m在整体的比例，需要将裁剪多出的部分均匀补偿到直方图中，定义补偿后的直方图为h_m″，

其中，res_m为第二段直方图经过裁剪出来的数量之和，i＝0，1，...，th₂-th₁；

d34)对第三段直方图h_u进行裁剪，定义裁剪阈值T_u，

定义裁剪后的直方图为h_u′，

为了不改变h_u在整体的比例，需要将裁剪多出的部分线性补偿到直方图中，定义补偿后的直方图为h_u″，

其中，res_u为第三段直方图经过裁剪出来的数量之和，i＝0，1，...，f_max-th₂；

d35)定义经过裁剪和补偿的直方图h″，

d4)假设直方图亮度估算模型和标准差估算模型的输出图像G(x，y)的灰度级分割点为th₁′和th₂′，定义估计输出图像模型的亮度平均值为μ_m和标准差σ_m，则通过迭代求解方程得到分割点th₁′；根据估计模型可得，

μ_m＝0.5[r₁(th₁′-1)+r₂(th₁′+th₂′-1)+r₃(th₂′+255)]

th₂′＝th₁′+2σ_m

d5)通过以上方程，可求得th_1，k′为

计算标准差σ_m，k的方程，

d6)定义迭代计数器k＝1，定义最大迭代次数K，定义预设误差δ，定义初始标准差σ_m，0，用户定义输入图像平均亮度为μ_m，0，计算th′_1，0＝f₁(μ_m，0，σ_m，0)，迭代开始；

d7)计算输出图像的标准差σ_m,k＝f₂(th’_1,k-1,σ_m,k-1)；

d8)则更新th’_1,k＝f₁(μ_m,0,σ_m,k)；

d9)若满足或k>K，迭代结束，输出最终的分割点th₁′＝t’_1,k，th₂′＝th₁＇+2σ_m,k；否则令k＝k+1，转到步骤d7)。

d10)计算直方图分段后的低、中、高区域的累积密度函数分别为，

其中，S_l、S_m、S_u分别为低中高直方图区域内的像素总数

d11)定义输出图像的动态范围[0,255]的图像映射曲线函数T为，

d12)根据以上可得，从而求出全局增强的输出图像G(x,y)，

G(x,y)＝T(F(x,y))

d9)根据以上可得，从而求出全局增强的输出图像G(x,y),

G(x,y)＝T(F(x,y))。

步骤e包括:

e1)将c和d得到的图像进行线性叠加，得到最终的输出图像O(x,y)，

O(x,y)＝G(x,y)+λ×E_we(x,y)

其中，λ为比例因子，一般选0到1之间，本具体实施例选其为0.5。

采用上述具体实施方式对原始图像进行增强后，可获得一幅信息量丰富、动态范围较高且视觉效果良好的图像。

基于上述具体实施方式，下面结合具体的实验对本发明的效果加以验证。

如图6和9所示，采集到的两幅质量较差的尺寸为256×256的butterfly图像和尺寸为248×333的fish图像，通过本发明提供的方法对其进行图像增强处理，分别得到信息量丰富、动态范围较高、对比度得到明显提升的输出图像，其视觉效果良好，其中，图7和图10的初始亮度值设定为80，图8和图11的初始亮度值设定为110，用户可根据自己需求来设定初始亮度值。图12和图13给出了本发明方法的输出图像与原图像的对比度和熵的对比，由图可知，通过本发明的方法其对比度和熵均得到提高。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。