CN101882305B - 一种图像增强处理的方法 - Google Patents

Abstract

本发明实施例公开了一种图像增强处理的方法，包括：对原始图像通过二维经验模式分解BEMD得到图像的固有模态函数IMF；对IMF中的高频IMF进行小波变换，将IMF进行5层小波分解，分别得到每个IMF分量的小波系数；对进行小波变换的高频IMF进行小波自适应去噪，第1层使用双阈值增强，第2，3层使用自适应增强，第4，5层使用单阈值增强；对进行小波自适应去噪的高频IMF进行小波逆变换；对IMF中的低频IMF和进行小波逆变换的高频IMF进行合成处理，得到增强后的图像。通过实施本发明，能够使去除图像的噪声同时将图像增强，将有用的信息突出。

Description

一种图像增强处理的方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种图像增强处理的方法。

背景技术

图像增强是图像处理的一个重要方面，它主要根据具体的应用场景和图像的模糊情况采用特定的增强方法来突出图像中的某些信息，同时削弱或消除无关信息，以达到强调图像的整体或局部特征的目的。随着图像的广泛应用，图像增强已经成为了一个关键迫切的问题之一。

目前图像增强算法较多，常用的图像增强处理方式包括灰度变换、直方图修正、图像锐化、噪声去除、几何畸变校正、频域滤波、小波变换等。这些算法根据处理空间的不同分为基于时域的图像增强算法和基于频域的图像增强算法。时域指图像本身，基于时域的图像增强以对图像的像素来直接处理为基础；基于频域的图像增强算法则以修改图像的傅氏变换为基础，对图像的变换系数(频域成分)直接进行运算，然后通过Fourier逆变换以获得图像的增强效果。这些方法的具体技术方案如下：

(1)灰度变换。灰度分布区域内的任一个r值进行变化：s＝T(r)其中，T是增强操作，T(r)改变图像的灰度层次，方法有图像求反、增强对比度和动态范围压缩等。常用的压缩方式是采用对数形式的变换T，s＝clog(1+|r|)。该方法可以增加图像的整体的对比度，但无法去除图像的去噪。

(2)直方图修正(直方图均衡化)。直方图均衡化(histogram equalization)是一种借助直方图变换实现灰度映射从而达到图像增强目的的方法。直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率；直方图是图像的最基本的统计特征，提供了原图像的灰度分布情况，也可以说给出了一幅图像灰度值的整体描述。基本思想：把原始图的直方图变换成为均匀分布的形式，这样，就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。但是该方法对噪声的去除确实是不明显。

(3)频域滤波。图像的边缘和噪声对应Fourier变换中的高频部分，所以低通滤波器能够平滑图像、去出噪声。图像灰度发生聚变的部分与频谱的高频分量对应，所以采用高频滤波器衰减或抑制低频分量，能够对图像进行锐化。但是，由于图像的边缘也是高频分量，所以采用低通滤波器将会削弱图像的边缘信息。

在对此方法的研究和实践过程中，本发明的发明人发现：图像增强方法主要在时域或频域中进行，但以这两类方法结合为基础的增强技术不常见，并且使用的方法对图像的增强效果都只是片面的，在滤除噪声的同时也损失了较多的细节信息。针对这一问题，需要一种在去噪的同时尽可能的保留图像的细节。

发明内容

本发明提供一种图像增强处理的方法，能够将传统的小波频域滤波的方法融合到了固有模态函数域中来，可以在去噪的同时尽可能的保留图像的细节。

本发明提供了一种图像增强处理的方法，包括：

对原始图像通过二维经验模式分解BEMD得到图像的固有模态函数IMF；

对IMF中的高频IMF进行小波变换，将IMF进行5层小波分解，分别得到每个IMF分量的小波系数；

对进行小波变换的高频IMF进行小波自适应去噪，第1层使用双阈值增强，第2，3层使用自适应增强，第4，5层使用单阈值增强；

对进行小波自适应去噪的高频IMF进行小波逆变换；

对IMF中的低频IMF和进行小波逆变换的高频IMF进行合成处理，得到增强后的图像。

所述对原始图像通过二维经验模式分解BEMD得到图像的固有模态函数IMF包括：

a、r_i-1(x，y)＝f(x，y)(i＝1)其中f(x，y)是原图像；

c、初始化：h_j-1(x，y)＝r_i-1(x，y)j＝1；

c、采用基于测地学算子的数学形态学重构的方法确定h_j-1(x，y)的极大值和极小值点，采用三次样条插值算法得到极值上包络up_j-1(x，y)和下包络down_j-1(x，y)，以及平均包络 $m_{j-1}(x,y)=\frac{{\mathrm{up}}_{j-1}(x,y)+{\mathrm{down}}_{j-1}(x,y)}{2};$

d、从输入图像信号中减去均值包络曲面：

h_j(x，y)＝h_j-i(x，y)-m_j-1(x，y)，令j＝j+1；

e、计算： $\mathrm{SD}=\underset{x,y}{\mathrm{\Σ}}\left[\frac{{|h_j(x,y)-h_{j-1}(x,y)|}^2}{h_{j-1}^2(x,y)}\right]$

如果SD＜sd(sd一般取0.2～0.3)，则令IMF_i(x，y)＝h_j(x，y)，否则重复步骤d～e；

f、r_i(x，y)＝r_i-1(x，y)-IMF_i(x，y)；

g、i＝i+1，重复步骤b～f，直至得到要求的IMF数量(N)结束。此时可将图像表示为： $f(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(x,y)+R_N(x,y)$

其中，IMF_i(x，y)是二维IMF，R_N(x，y)对应于分解后的残差部分。

由于本发明实施例采用二维经验模式分解和自适应的小波方法，二维经验模式分解(Bidimensional Empirical Mode Decomposition，DEMD)它是基于数据时域局部特征的、自适应的时频分析工具。它基于信号的局部特征进行分解，可以自适应地通过“筛”过程将任何复杂的数据集合分解为一系列有限的、局部窄带的固有模式函数(Intrinsic Mode Function，IMF)，它在时域中处理频率信息(极值点间的距离)。通过进行二维经验模式分解得到的高频IMF进行再分解，这样可以将高频IMF成分分解到小波域当中，可以充分的把噪声信息集中到高频成分当中去，以便尽可能的保留图像细节，并采用改进的小波阈值法对其高频成分进行去噪处理，因此该发明能够使去除图像的噪声同时将图像增强，将有用的信息突出。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的图像增强处理方法的流程图；

图2是二维经验模式分解(BEMD)的流程图；

图3是基于BEMD的Lena图像BEMD分解示意图；

图4是单阈值处理的小波映射函数图；

图5是双阈值处理的小波映射函数图；

图6是自适应算法的小波映射函数图；

图7是小波的自适应增强流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

以下结合附图对本发明作进一步说明。

本发明实施例提供一种基于二维经验模式分解和自适应小波的图像增强的方法，能够将传统的小波频域滤波的方法融合到了固有模态函数域中来，可以在去噪的同时尽可能的保留图像的细节。以下分别进行详细说明。

本发明的流程图如图1所示，包括步骤：(1)通过二维经验模式分解BEMD得到图像的固有模态函数(IMF)；(2)对高频固有模态函数进行小波变换；(3)实现自适应的去噪；(4)小波逆变换；(5)得到增强后的图像。

每个步骤具体如下：

步骤(1)：通过BEMD得到图像的固有模态函数(IMF)

现有的技术中已经提出了固有模态函数的一个完整的定义，且应满足下述两个条件：

(1)在整个数据序列中，极值点的数目和过零点的数目必须相等，或最多相差一个。即

(N_z-1)≤N_e≤(N_z+1)

其中N_e代表极值点数目，包括极大值点和极小值点；N_z代表过零点数目。

(2)在任一时间点上，由信号的局部极大值点形成的上包络和局部极小值点形成的下包络的平均值为零。即

$\frac{[f_{\max }\left(t_i\right)+f_{\min }\left(t_i\right)]}{2}=0,$ t_i∈[t_a，t_b]

其中，f_max(t)代表由极大值点确定的上包络；f_min(t)代表由极小值点确定的下包络。

对二维图像数据进行BEMD分解时，我们必须先作以下假设：二维数据平面至少包含一个极大值点和一个极小值点，或整个二维平面没有极值点但在进行一阶或多阶求导运算后能够出现一个极大值点和一个极小值点；特征尺度用极值点之间距离定义。

如图2所示，二维经验模式分解(BEMD)方法的基本思想如下：

a、r_i-1(x，y)＝f(x，y)(i＝1)其中f(x，y)是原图像；

b、初始化：

 h_j-1(x，y)＝r_i-1(x，y)，j＝1；

c、采用基于测地学算子的数学形态学量构的方法确定h_j-1(x，y)的极大值和极小值点，采用三次样条插值算法得到极值上包络up_j-1(x，y)和下包络down_j-1(x，y)，以及平均包络 $m_{j-1}(x,y)=\frac{{\mathrm{up}}_{j-1}(x,y)+{\mathrm{down}}_{j-1}(x,y)}{2};$

d、从输入图像信号中减去均值包络曲面：

h_j(x，y)＝h_j-i(x，y)-m_j-1(x，y)，令j＝j+1；

e、计算：

$\mathrm{SD}=\underset{x,y}{\mathrm{\Σ}}\left[\frac{{|h_j(x,y)-h_{j-1}(x,y)|}^2}{h_{j-1}^2(x,y)}\right]$

如果SD＜sd(sd一般取0.2～0.3)，则令IMF_i(x，y)＝h_j(x，y)，否则重复步骤d～e；

f、r_i(x，y)＝r_i-1(x，y)-IMF_i(x，y)；

g、i＝i+1，重复步骤b～f，直至得到要求的IMF数量(N)结束。此时可将图像表示为：

$f(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(x,y)+R_N(x,y)$

其中，IMF_i(x，y)是二维IMF，R_N(x，y)对应于分解后的残差部分。

图2所示的是图像经过BEMD分解后得到的4个IMF分量和一个残差余项。

步骤(2)：对高频固有模态函数进行小波变换

将步骤(1)中得到的4个IMF分量是高频分量，残差余项则是低频分量。将IMF进行5层小波分解，分别得到每个IMF分量的小波系数。

图3所示的是IMF经过小波变换后的示意图。

步骤(3)：自适应的去噪

经过步骤(2)之后对小波系数进行放大处理。问题是，如果原图像含有噪声，那么许多小波系数，特别是在较高分辨率尺度上的小波系数是由噪声引起的，则当进行小波反变换(通常是最后一步)时，任何对这些小波系数的放大，都会反映到对噪声的增强上。

单阈值增强采用的是一种简单但很有效的处理小波系数的映射函数，如图3所示。通过分析图2可知该映射函数表示成：

这单G是增益，W_in是输入的小波系数值，W_out是输出的小波系数值。使用这种映射函数会放大噪声。图像当中的噪声在小波变换域中表现为较小的小波系数，而这单的映射函数对绝对值低于T的小波系数都按最大增益进行放大，因此不可避免地导致了噪声的放大。

双阈值增强是采用的是一种使用双阈值的处理小波系数的映射函数，如图4所示。在这种函数中所有绝对值低于较小阈值T1的小波系数都被抑制掉(也就是设置为0)；绝对值大于T1但小于较高阈值T2的小波系数具有相同的增益G，而对于绝对值大于T2的小波系数，其增益随着小波系数值的增加而减小。这种形式的映射函数可以定义如下：

$W_{\mathrm{out}}=\left\{\begin{array}{c}{W}_{\mathrm{in}}+T_2^{*}(G-1)-T_1^{*}G,T_2<W_{\mathrm{in}};\\ G^{*}(W_{\mathrm{in}}-T_1),T_1<W_{\mathrm{in}}\&le;T_2;\\ 0,-T_1\&le;W_{\mathrm{in}}\&le;T_1;\\ G^{*}(W_{\mathrm{in}}+T_1),-T_2\&le;W_{\mathrm{in}}<-T_1;\\ W_{\mathrm{in}}-T_2^{*}(G-1)+T_1^{*}G,W_{\mathrm{in}}<T_2.\end{array}\right.$

分析图3可知，如果抑制很小值的小波系数不仅会消除噪声，同时也会模糊或损坏细节信号。使用这种形式的映射函数会损坏图像的微小细节，这就和进行增强处理的初衷相违背。

为了能在抑制噪声的同时又能任意提高小波系数值，我们需要一种能辨别小波系数中哪些系数是由噪声所引起的方法，自适应增强方法，其映射函数如图5所示。这种方法不必仅仅依赖小波系数值的大小来进行处理，即不必将所有闽值以下的小波系数值都自日地进行抑制。我们可以利用在同一空间位置上相邻尺度小波系数的相关性这特征。实际上，在相邻尺度间的同一位置处由噪声引起的小波系数的相关性通常都非常小。因此，我们就可以利用在不同尺度下小波系数的相关性来区分图像当中哪些小波系数是由噪声引起的，哪些又是由信号本身引起的。

针对这一问题，本发明通过计算噪声的可信度来判断小波系数是噪声引起的还是信号引起的。如果己知尺度为n以及相邻的尺度为n+1上的小波系数，那么我们只需要逐一地将每个像素的两个小波系数值相乘，就可在每个像素位置上得到相关值：

Corr_n＝W_n ^*W_n+1

计算第n层相关值的总功率和小波系数的总功率：

P_Corr＝∑Corr_n ^*Corr_n

P_W＝∑W_n ^*W_n

进而可得如下形式的相关值：

${\mathrm{Corr}2}_n={{\mathrm{Corr}}_n}^{*}\sqrt{P_W/P_{\mathrm{Corr}}}$

现在可以得到上而相关值中最小的绝对值：

Corr2_min＝min{|Corr2_n|}

这个值可以用来标记噪声：所有Corr2_n，绝对值等于Corr2_min的位置我们认为小波系数是由噪声引起的，其噪声可信度E设置为1；对Corr2_n绝对值比W_n绝对值大的位置我们认为小波系数是由信号所引起的，在这些位置设置E为0；而对于Corr2_n绝对值比W_n绝对值小但比Corr2_min大的位置，我们设置E为一个0到1之间的值，这个值是W产，的绝对值与Corr2_n的绝对值之差和W_n的绝对值与Corr2_min之差的比值，即：

$E=\frac{\mathrm{abs}\left(W_n\right)-\mathrm{abs}\left({\mathrm{Corr}2}_n\right)}{\mathrm{abs}\left(W_n\right)-{\mathrm{Corr}2}_{\min }}$

当E表明小波系数是由噪声引起的，那么应该采用图5中两条实线中较细的那条所定义的映射函数。另一方面，如果E表明小波系数并不是由噪声所引起的，那么这时应该选择图5中较粗的那条实线所对应的映射函数。在E不能判断小波系数到底是由噪声还是由信号引起的情况下，增益取0到G_max中间的一个值。具体地：若E大于上限0.9(实验值)，则增益设为0；若E小于下限0.75(实验值)，则增益设为最大值G_max，若E在0.9和0.75之间，则增益线性变化。

如图6流程图所示，本发明中将对每个IMF分量进行5层小波分解，第1层使用双阈值增强，第2，3层使用自适应增强，第4，5层使用单阈值增强。经过分别处理之后得到新的小波系数。

步骤(4)：进行小波逆变换

经过步骤(3)处理后的IMF分别使用小波逆变换得到新的IMF分量IMF。

步骤(5)：得到增强后的图像

经过步骤(4)之后的IMF′和BEMD之后的R_N(x，y)求和得到增强后的图像即：

由于本发明实施例采用二维经验模式分解和自适应的小波方法，二维经验模式分解(Bidimensional Empirical Mode Decomposition，DEMD)它是基于数据时域局部特征的、自适应的时频分析工具。它基于信号的局部特征进行分解，可以自适应地通过“筛”过程将任何复杂的数据集合分解为一系列有限的、局部窄带的固有模式函数(Intrinsic Mode Function，IMF)，它在时域中处理频率信息(极值点间的距离)。通过进行二维经验模式分解得到的高频IMF进行再分解，这样可以将高频IMF成分分解到小波域当中，可以充分的把噪声信息集中到高频成分当中去，以便尽可能的保留图像细节，并采用改进的小波阈值法对其高频成分进行去噪处理，因此该发明能够使去除图像的噪声同时将图像增强，将有用的信息突出。

需要说明的是，上述装置和***内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

以上对本发明实施例所提供的实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种图像增强处理的方法，其特征在于，包括：

对原始图像通过二维经验模式分解BEMD得到图像的固有模态函数IMF；

对IMF中的高频IMF进行小波变换，将IMF进行5层小波分解，分别得到每个IMF分量的小波系数；

对进行小波变换的高频IMF进行小波自适应去噪，第1层使用双阈值增强，第2，3层使用自适应增强，第4，5层使用单阈值增强；

对进行小波自适应去噪的高频IMF进行小波逆变换；

对IMF中的低频IMF和进行小波逆变换的高频IMF进行合成处理，得到增强后的图像。

2.如权利要求1所述的方法，其特征在于，所述对原始图像通过二维经验模式分解BEMD得到图像的固有模态函数IMF包括：

a、r_i-1(x，y)＝f(x，y)(i＝1)其中f(x，y)是原图像；

b、初始化：h_j-1(x，y)＝r_i-1(x，y)，j＝1；

c、采用基于测地学算子的数学形态学重构的方法确定h_j-1(x，y)的极大值和极小值点，采用三次样条插值算法得到极值上包络up_j-1(x，y)和下包络down_j-1(x，y)，以及平均包络 $m_{j-1}(x,y)=\frac{{\mathrm{up}}_{j-1}(x,y)+{\mathrm{down}}_{j-1}(x,y)}{2};$

d、从输入图像信号中减去均值包络曲面：

h_j(x，y)＝h_j-i(x，y)-m_j-1(x，y)，令j＝j+1；

e、计算： $\mathrm{SD}=\underset{x,y}{\mathrm{\&Sigma;}}\left[\frac{{\left|(h_j(x,y)-h_{j-1}(x,y))\right|}^2}{h_{j-1}^2(x,y)}\right]$

如果SD＜sd，则令IMF_i(x，y)＝h_j(x，y)，其中sd取0.2～0.3，否则重复步骤d～e；

f、r_i(x，y)＝r_i-1(x，y)-IMF_i(x，y)；

g、i＝i+1，重复步骤b～f，直至得到要求的IMF数量N结束，此时将图像表示为： $f(x,y)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{IMF}}_i(x,y)+R_N(x,y)$

其中，IMF_i(x，y)是二维IMF，R_N(x，y)对应于分解后的残差部分。

Images