一种改进反锐化掩模的自适应图像增强算法

2021-11-03巢湖学院电子工程学院常柏烽陈初侠查俊莹

电子世界 2021年19期

巢湖学院电子工程学院常柏烽陈初侠查俊莹陈阳钟声许锐

在人们的日常生活中，图像已经成为人们传递信息的主要媒介，统计结果表明，在人类接受的各种信息中，视觉信息占据了80%，可以说图像已成为我们日常交往不可或缺的重要部分。但现实中图像的质量往往参差不齐，为了更好地传递信息，我们就需要对图像进行改善，改善图像质量最常用的方法就是对图像进行增强。反锐化掩模（Unsharp masking，UM）是常见的图像增强方法之一，它可以有效增强图像的边缘和细节，使图像的轮廓更清晰，它主要分为线性反锐化掩模（Linear unsharp masking，LUM）和非线性反锐化掩模（Nonlinear unsharp masking，NUM）两大类。

1 线性反锐化掩模算法

LUM图像增强算法流程如图1所示，主要有四个步骤。首先，对原始图像进行低通滤波（例如均值滤波），得到一个钝化模糊的图像；其次，用原始图像减去这一钝化模糊图像，得到原始图像的高频部分，即图像的边缘和细节部分；然后，对原始图像的高频部分进行放大，这里采用一个增益系数k（为常数）乘以图像高频部分获得；最后，把原始图像和放大后的高频部分图像进行叠加，就可以得到一个边缘和细节被增强了的图像，达到图像增强的目的。

图1 线性反锐化掩模图像增强算法流程

LUM图像增强算法可用下列函数式来表达：

式(1)中，f(x,y)为原始图像，fmean(x,y)为钝化模糊图像，k为增益系数，g(x,y)为增强后图像，f(x,y)-fmean(x,y)为原始图像的高频部分。其中钝化模糊图像通常采用均值滤波器来实现，公式表达如下：

式(2)中，m×n为均值滤波器模板的大小，f(i,j)为模板中图像像素灰度值，通常选择3×3或5×5的模板。

LUM算法对原始图像的低频部分（图像变化缓慢部分）基本不进行增强，只增强图像的高频部分（图像边缘部分），达到了增强图像边缘的目的。但是在增强图像高频部分时，增益系数k为一个常数，这会带来两个问题：（1）k取什么值为最佳？（2）k为常数，即图像的不同边缘被无区别的同程度增强，当k取较大值时往往会对图像的一些微小细节（较平坦部分）进行过度增强，增强后的图像看上去好像含有很多噪声点。针对于这两个问题，本文提出一种改进的反锐化掩模自适应图像增强算法，它是一种NUM算法。

2 改进反锐化掩模算法

本文提出的改进反锐化掩模自适应图像增强算法，其原理和LUM算法基本相同，不同之处是对增益系数k进行设计，把k设计成一个随着图像自适应变化的数值，而不是一个常数。增益系数k表达式如下：

式(3)中，f(x,y)为原始图像，fmean(x,y)为钝化模糊图像，f(x,y)-fmean(x,y)为原始图像的高频部分，MAX为图像高频部分绝对值的最大值，即max(|f(x,y)-fmean(x,y)|)。很显然，通过改进后的增益系数k是一个随着图像自适应变化的数值，数值取值范围为0-4。从公式(3)可以看出，当图像的边缘比较微弱时，会对图像微弱边缘加以较小权值进行增强；当图像的边缘比较显著时，会对图像显著边缘加以较大权值进行增强。相比于线性反锐化掩模算法，采用本算法增强的图像能得到更清晰的图像轮廓，更小的噪声点。

3 实验结果与分析

为了验证本改进反锐化掩模算法的优越性，将其与LUM算法进行比较。首先将两种不同算法应用到灰度图像和彩色图像分别进行处理，然后从主观视觉和客观评估指标来对不同算法进行评价。

3.1 主观视觉评价

为了较全面比较LUM算法和本文提出的改进反锐化掩模算法在图像增强方面的有效性和优越性，这里用了三幅图像进行验证，两幅灰度图和一副彩色图。如图2、图3所示，为两幅灰度图的处理结果。其中图2(a)、图3(a)分别为经典lena原始图像和医学X射线原始图像；图2(b)、图3(b)为原始图像均值滤波后的效果图，这里采用的是5×5的模板；图2(c)、图3(c)为原始图像经LUM算法增强后的效果图，这里k=4；图2(d)、图3(d)为原始图像经本文算法增强后的效果图。

图2 经典Lena图像处理结果

图3 医学X射线图像处理结果

从图2(c)(d)、图3(c)(d)可以看出，相较于原始图像，处理后的图像明显得到了增强，图像的边缘和轮廓更加清晰。但对图像进行放大，还是可以看出(c)、(d)图像的不同。首先，从边缘处看，图2(c)、图3(c)在边缘地带有点过度增强，以至于在边缘处图像的灰度更加偏白；其次，从平坦区域看，图2(c)、图3(c)在平坦区域好像多了很多的斑点（噪声点）。相反，从图2(d)、图3(d)可以看出，图像的边缘地带没有那么煞白，从平坦区域到边缘部分过度的更加细腻，在平坦区域内也很光滑，显得更加完美。

图4所示为彩色图像的处理结果。图4(a)为原始图像；图4(b)为原始图像采用5×5模板均值滤波后的效果图；图4(c)(d)分别为原始图像经LUM算法(k=4)和本文算法增强后的效果图。从图4(c)(d)可以看出，处理后的图像都得到了增强，但图4(d)的效果明显好于图4(c)，图4(c)瑕疵很多、增强过度；图4(d)色彩鲜艳，边缘清晰，“滋蘭池”三字字迹清晰，整体看上去更加柔和。

图4 彩色图像处理结果

3.2 客观评价

除了主观视觉评价，本文还采用客观评估指标对图像增强的效果进行评价。这里采用峰值信噪比（Peak signal to noise ratio，PSNR）进行评估。PSNR可反映图像的噪声水平，其值越大，表示增强后的图像越接近原图像，增强后图像中的噪声越小，其定义表达式如下：

式(4)中，f(i,j)为原始图像，g(i,j)为增强后图像，M×N为图像的大小，x为图像的位数，一般x=8。表1为不同图像采用LUM算法和本文算法进行图像增强的PSNR数值（单位为dB），从中可以看出，三幅图像采用本文算法比LUM算法进行图像增强其PSNR都变大，这表明本算法增强后的图像更接近原始图像，增强后的图像其噪声也更小。