基于机器学习的压缩域图像均衡增强方法

何 山，赵 越，乔孟锐

(西南石油大学计算机科学学院，四川成都 637001)

1 引言

图像研究技术在生产生活中的多个领域得到广泛应用的同时，各行业对图像处理的质量水平也提出了更高要求[1-2]。因此，压缩域图像处理技术应运而生，成为近几年图像技术研究的热门领域。为了解决拍摄图像不清晰，整体画面模糊，难以精准聚焦图像特征点等问题，图像增强技术得以开发研究。该技术主要有两种操作类型：空间域和变换域。空间域是通过图像尺度调节、像素比率对照等方式，直接对原始图像进行清晰度调整；变换域则是通过获取图像参数数据对图像各元素参数进行变换运算，再将所得数据结果转化为图像。这种方法相比于空间域方法有更强的适用性，对于光影色彩占比较重的图像有更好的处理效果[3-4]。相关学者对此进行了研究，取得了一定的进展。谭云兰等人基于自适应引导滤波的全景图像增强算法[5]，利用加权最小二乘滤波器实现引导图像重建，通过AGIF法增强全景图像场景细节，此方法能够提升图像增强效率，但是图像清晰度不佳。赵春丽等人提出基于暗通道及多尺度Retinex的雾霾天气图像增强算法[6]，根据多尺度Retinex算法实现对照度分量估算，利用伽马变换完成照度校正，有效提升了图像的视觉效果，但是清晰度不佳。

本文基于机器学习的原理提出了一种新的压缩域图像均衡增强方法，在图像均衡增强过程中引入机器学习法能够得到更好的图像增强效果。

2 压缩域图像检测

将目标图像素材导入到计算机图像处理系统程序中，通过扫描程序将图像中的各部分信息采集并传输到图像信息转换程序中，按照相关的处理规则，将图像信息转化为数据表示形式。利用数据分类标准，将其进行全面准确的归纳整理，保存到一个特定的图像数据文件夹内，在后台同时形成备份数据保存到系统数据库中，防止意外事故造成系统数据丢失。压缩域图像检测原理如图1所示。

图1 压缩域图像检测原理

观察图1可知，运用结合了机器学习方法的检测算法对图像数据进行检测处理，明确图像切割分解后图像之间的关系以及相应的处理顺序，按照一定的图像参数排列规律进行检测[7]。当图像素材数量为多个时，能够根据对图像光影、角度的变化对其进行顺序判断；若是单个图像，则根据各部分局部图像的相应位置关系进行排列。对图像边界进行检测，通过提取边界部分的图像像素与色彩等参数，与目标处理水平的参数标准进行对比，具体记录其差异数据，以便综合进行图片均衡与增强。图像检测过程如图2所示。

图2 图像检测过程

根据图2，采用SVM学习方法检测图像结构，对各图像素材结构参数进行检测，对图像结构的目标状态进行矢量模拟。选取合适的结构参数描述特定的图像结构特征，在通过相关性矩阵运算得到图像参数数据的置信度矢量结果，用于对图像各相关素材或压缩域变换层次检测。本文的研究进行的是对图像压缩域变换层次的检测，利用SVM算法得到多个图像变换层次的置信度矢量数据，再通过二次分类得到图像压缩参数比例。对图像各部分参数数据检测分析并记录整理完毕后，保存到图像处理系统的图像均衡增强程序数据管理器中，为压缩域图像均衡与增强过程奠定数据基础[8-9]。

3 压缩域图像特征提取

图像特征提取是进行图像均衡增强处理不可缺少的操作过程，通过提取图像素材中对应的特征点，能够更好地实现图像分割与融合过程，有利于压缩域图像完成参数对比与相关性运算。图像参数和分辨率矢量数据通过程序编码形成相应的数据代码，根据代码之间的差异变化判断图像存在突出特征的区域。同时，图像处理程序会对图像代码数据进行预处理，所得的数据差异反映了特征区域的类型及变化程度[10-11]。特征点提取原理如图3所示。

图3 特征点提取原理图

在利用图3得到特征点后，确定压缩域图像，压缩域图像需要进行压缩域的比例对比。压缩域是将原始图像根据客户要求或图像情况按照相应比例进行分割压缩，图像各部分内容也相对产生一定程度的变化，主要是图像的细节部分被放大，能够能清晰地扫描检测图像内容特征。在压缩域图像中通过扫描判定图像可锐化的范围，在条件范围内调整图像清晰度至理想状态，然后根据扫描提取图像色彩、对比、噪点等多种参数值，形成参数图表反应图像平面各方面数据变化，从中提取变化较为明显统一的部分进行定位，确定特征点区域位置[12]。同时对多个图像素材进行特征点对应标记，有利于图像的融合修补与均衡增强。需要扫描的参数包括两种，分别是数据类参数和判断类参数，扫描的参数如表1所示。

表1 扫描参数表

4 基于机器学习的压缩域图像均衡增强

本文采用机器学习法的向量支持法，通过最小二乘法对图像参数数据进行优化求解，其求解公式如下

(1)

上述公式中，w表示图像中的平面坐标向量，ei表示特征点的对应参数数据描述误差，b表示不同参数的阈值，T表示的是图像素材之间的检测训练周期，y是实际参数与训练优化后数值之间的比例，i是参与优化训练的素材数量。根据以上公式运算得到关于压缩域图像各方面参数的优化数据结果。

将数据代入拉格朗日算法得到相关矩阵，矩阵方程如式(2)所示

(2)

上述矩阵公式无需考虑参数的拆解运算，可直接转化成线性相关方程，如式(3)

(3)

根据式(3)可以得到i个图像训练素材进行相关参数转化的相关性系数。利用图像的特征点与相关性与相关矩阵结合，得到基于机器学习方法的压缩域图像素材特征相关性的参数。根据图像特征与相关性对压缩域图像细节进行分辨率调整和图像匹配。基于机器学习的压缩域图像均衡增强流程如图4所示。

图4 基于机器学习的压缩域图像均衡增强流程图

观察图4可知，基于机器学习的压缩域图像均衡增强过程可以分为如下几步：

1)基于上述研究中获取的特征描述情况，本文选用小波变换技术对压缩域图像特征进行匹配；

2)将图像尺度按照一定分解规则，分成多个规则的图像区域，将不同区域的图像局部对应放大；

3)通过建立坐标系与特征点对应，将相同区域的整合到同一图像处理程序中，通过计算机图像数据提取程序，获取平面方向图像素材的参数数据，并转化为元素能量；

4)同时计算出各特征点元素能量的能量均值、方差等数据，将所得数据导入到小波变换程序进行处理，得到关于各图像素材图像分辨率描述的数据矩阵，再通过特征点匹配情况将数据矩阵进行匹配；

5)通过将图像素材的各参数数据投射的原始图像数据进行对比和相应的比例运算，再通过机器学习的最小二乘法与向量支持法得到关于原图像分辨率调节范围的判定，结合压缩域图像训练之后的参数结果得到分辨率优化最适配参数设定；

6)按照数据描述情况对图像进行具体的均衡与增强操作，之后将匹配后的图像去除多余的图像部分，形成较为完整的图像。

在对图像进行了基本的均衡与增强之后，需要对操作结果进行一定的能量化测试。为了整体地检测增强后图像的质量水平，本文首先对图像的信噪比进行了检测，检测运算公式如下

(4)

式中，M，N分别表示平面图像尺度的长、宽描述情况，f与f′分别表示增强前后的图像像素情况。根据该公式是对图像的信噪比进行运算，得到数据能够反映增强后的图像分辨率整体质量水平，进而得到图像增强效果是否符合要求标准。

此外，还需要对图像边缘信息检测，根据图像边缘数据的完整程度反映图像处理的效果，图像边缘保持程度越完整，图像处理越精细全面，并根据灰度检测的图像特征点像素数据得到关于图像增强过后的图像像素数值和去噪能力描述，利用向量支持法对压缩域图像匹配均衡效果进行检测，将增强后的图像细节像素参数与增强尺度代入运算过程，得出关于细节匹配的相关描述；再对描述数据进行方差、标准差计算，所得的结果越小则表示细节匹配强度越高，匹配效果越好，误差值越小。压缩域图像均衡增强示意图如图5所示。

图5 压缩域图像均衡增强示意图

经过了以上三个方面的图像增强效果检测后，图像的均衡与增强操作基本完成，在原始图像基础上实现了像素分辨率优化和特征点细节清晰化等图像增强。

5 实验研究

为了检测本文提出的基于机器学习的压缩域图像均衡增强方法的有效性，与传统检测方法进行实验对比，设定实验环境如图6所示。

图6 检测实验环境

在上述检测实验环境下选取本文提出的基于机器学习的压缩域图像均衡增强方法与传统的基于MSR算法的压缩域图像均衡增强方法以及基于人工智能的压缩域图像均衡增强方法进行实验，选择的图像数量共有1200幅，每幅图像的尺寸都为50cm×50cm，灰度等级为256级。

得到的图像增强结果如图7所示．

图7 图像增强结果实验图

观察图7可知，本文方法与传统方法都能对图像进行增强，但是本文方法在增强效果上优于传统方法，传统方法处理后得到的图像灰度值较小，因此得到的图像相对较暗，在细节上，传统方法的处理能级较弱，处理结果更加模糊。本文提出的增强方法对于色彩的把握能力更好，在细节处理方面对比度和均衡度更好。尤其是在处理较为灰暗的像素点，本文提出的算法能够更好地分析相邻子块的量度信息，在分析过程不会产生光晕，处理后的细节更强。

图像边缘信息清晰度实验结果如图8所示。

图8 图像边缘信息清晰度实验结果

观察上图可知，本文提出的图像均衡增强方法得到的图像边缘清晰度高于传统图像均衡增强方法，随着处理时间的增加，三种方法图像边缘信息清晰度都在增强，到了后期本文方法的优势更加明显。

综上所述，本文研究的基于机器学习的图像均衡增强方法在信息处理能力、数据采集能力方面都优于目前提出的方法，因此对待细节问题解决效果更好，得到的边缘信息更加清晰。

6 结束语

本文针对传统图像增强方法的不足进行了研究分析，结合了当下热门的压缩域图像增强技术和机器学习方法，提出了一种基于机器学习的压缩域图像均衡增强方法。本文提出的方法在对图像细节检测和色彩处理方面有较好的处理效果，同时利用机器学习法优化了图像特征细节检测程序，有利于提高压缩域图像匹配的精准性；并设置了具体的图像增强效果检测环节，进一步保证了图像均衡与增强的操作效果。本文的研究为压缩域图像的均衡与增强方面的研究提供了一定的价值参考，有利于我国图像处理技术领域的进一步发展。