基于模糊熵的数字图像局部自适应增强算法
2021-11-19赵艳妮
赵艳妮,何 燕
(上海师范大学天华学院,上海 201815)
1 引言
数字图像能够实现信息的直观全面表达,在医疗、勘测、航空和军事领域都有着广阔的应用前景[1]。伴随着人工智能的推广,很多场合出现数字图像采集设备,后台依靠对图像的处理分析,能够得到很多期望和潜在的有效信息[2]。图像增强技术就是按照图像处理的目的,对图像内的目标区域进行特别操作[3],即强化有效信息,降低无效干扰。经过增强后的图像,能够更好的表达目标区域,而非目标区域的表达则可以被削弱。因此,增强图像更有利于数字图像的准确可靠分析。由于很多场合下得到的数字图像效果很差,灰度和噪声充满非确定性[4],给图像处理与边缘识别带来严峻挑战。
针对特殊场合下数字图像的特点,文献[5]依据均值与方差来描述图像灰度,并通过灰度的投影实现图像增强。该算法有效防止了目标区域与背景区域发生灰度重叠,可是算法实现难度过大。文献[6]采用Gamma校正改善对比度,并通过分量融合来增强图像细节。该算法在对比度和细节方面都有所优化,且融合策略提高了其适应性,但是该算法仅考虑了水下图像的适用性。文献[7]将图像采取Mallat分解重构,并引入同态滤波。该方法通过直方图均衡化改善了灰度的均衡性,同时能够较好的获取目标图像边缘。文献[8]针对静脉图像设计了一种Gabor增强算法,该算法具有良好的像素级配准。文献[9]针对遥感图像设计了一种LWT-IEDPO增强算法,该算法具有较好的抗噪声性能。关于特殊场景数字图像增强的研究,已经取得一定成果。但是一些增强算法经常会在处理过程中对噪声也进行放大,或者对局部信息处理欠佳。为此,本文通过局部自适应算法提取局部显著特征,再引入模糊理论[10],用来描述图像中灰度信息的模糊性,在模糊域中采取直方图增强图像,并利用模糊熵区分目标与背景,最终提高图像增强的效果和适应性。
2 局部自适应增强
假定原始图像表示为V(x),x∈Ω,其中任一像素表示为p,且p∈Ω,它对应的局部空间表示为Lp。为了描述像素p和所在空间的关联,引入变分因子,公式如下:
(1)
为了更好区分显著特征,利用变分因子对图像V(x)进行变换,得到变换后的图像为
(2)
经过变换后的图像,在对比度方面有了优化,使得局部特征更容易提取。基于变换图像Vn(p),通过能量项来确定拟合能量,公式如下
(3)
其中,α是位于分割线内的像素平均灰度;β是位于分割线外的像素平均灰度;hη(·)是heaviside函数;gη(·)是dirac函数;s(x)是水平集函数;λ1与λ2是常量因子,λ1>0,λ2>0。关于平均灰度的计算方式描述如下
(4)
hη(·)和gη(·)为正则处理函数,公式分别描述如下
(5)
(6)
根据构建的新图像采取分割时,若目标区域与背景区域过于接近,或者图像噪声过于严重,都有可能使图像分割效果受损。于是这里将图像中任一像素p的空间区域缩小,设定其邻域半径是l。将对应的局部变分因子公式修改如下
(7)
(8)
3 基于模糊熵的增强处理
对于数字图像的增强算法,目前主要的处理方式是基于空间域[11]。当对比度较弱的时候,会影响直方图的分布,使得增强后出现亮度误差。本文基于模糊理论,将图像视为模糊事件,并结合直方图完成局部图像的增强处理。按照灰度情况设定阈值,超过阈值的为高灰度,否则为低灰度。针对不同的灰度图像设计不同的隶属度,从而将不同等级的灰度图像投影至相应的模糊域中。高灰度隶属度计算公式为
(9)
其中,0≤x1 (10) 根据两种灰度的概率分布情况,将它们的模糊熵表示为 Sγ=-PγlogePγ-(1-Pγ)logePγ-(1-Pγ) (11) 其中,γ=(h,l),高低灰度的模糊熵公式一致;Pγ代表高低灰度的概率,其计算公式为 (12) (13) 其中,将原始图像按照灰度等级表示为[xij]a×b,xTu表示灰度划分的界限,一般落在谷底;u表示界限的数量,u个界限一共能够将图像划分为u+1次。在R(xij)=0.5时,可以得到两个解xu1和xu2,它们落在界限xTu的两侧。于是式(13)中的R1和R2表示如下 (14) xu1和xu2距离xTu越近,说明灰度等级越显著。通过迭代计算对模糊域采取增强,增强过程描述为 (15) 迭代过程中,灰度直方图会根据情况不断调节,直至达到收敛。再通过反向变换将模糊域投影回去,变换函数表达式如下 (16) 模糊熵增强有利于弱灰度的处理识别。在局部增强时,为准确提取目标区域的边缘,同样引入模糊熵计算。ni代表灰度i对应的像素数量,该灰度的概率为pi=ni/(a×b)。设定灰度界限为w,利用灰度概率计算得到边缘熵为 (17) 背景熵计算公式如下 (18) 利用边缘熵与背景熵,能够更好的确定弱灰度区域目标图像的边缘。 基于MATLAB R2014b实现图像增强算法,并对算法性能进行测试。仿真过程中,为验证本文方法对数字图像的增强效果,考虑到医学图像和遥感图像在噪声和灰度方面的复杂性,选择医学图像和遥感图像作为原始图像,图1所示列出了实验用原始图像。 图1 原始图像 向原始图像中添加高斯白噪声,分别利用文献[6]、文献[7]和本文算法对两类图像进行增强处理,得到结果如图2和图3所示。通过对比可以发现,经过文献[6]处理后的图像仍然存在大量的噪声,经过文献[7]处理后的图像噪声较少,但是图像变得模糊,存在一定的失真。经过本文算法处理后的图像不仅较好的去除了噪声干扰,还保持了良好的清晰度,目标区域得到了有效增强。 图2 医学图像增强结果 图3 遥感图像增强结果 通过仿真得到各算法增强后的图像灰度直方图,结果如图4和图5所示。通过对比可以发现,三种增强算法的直方图差异较为明显。其中文献[6]算法在两种图像上均产生过增强效果,文献[7]算法在医学图像上产生欠增强效果,在遥感图像上同时产生过增强与欠增强效果,适应性较差。而本文算法则在两种图像上表现出良好的均衡性和适应性,并且细节与原始图像更为接近,增强效果显著强于文献方法。 图4 医学图像灰度直方图 图5 遥感图像灰度直方图 对图像增强效果进行客观评价,这里选择PSNR、E和Fit三项指标作为衡量依据。其中PSNR为峰值信噪比,该值越大,意味着增强后图像的保真效果越好,PSNR的计算公式描述如下 PSNR=101g((2n-1)2/MSE) (19) 其中,n代表像素比特数;MSE代表均方误差,计算方式为 (20) 其中,h是图像高度;w是图像宽度;X(i,j)是原始图像;X′(i,j)是增强图像。 E为边缘保持系数,E越大意味着图像增强性能越好,它的计算公式描述如下 (21) Fit为适应性评价指标,Fit越大意味着图像增强的适应性越高,它的计算公式描述如下 (22) 对各算法的PSNR、E和Fit指标进行仿真,统计得出不同实验图像的指标平均值。下表1描述了不同算法的各项指标。根据数据对比,本文算法的PSNR、E和Fit指标均表现出明显的优势。其中,峰值信噪比较文献[6]、文献[7]依次提高了8.665、4.984。边缘保持系数较文献[6]、文献[7]依次提高了1.311、1.204。适应性较文献[6]、文献[7]依次提高了0.785×103dB、0.501×103dB。 表1 不同算法的各项指标对比 为了提高数字图像处理效果,本文提出了基于模糊熵局部自适应增强算法。采用局部变分因子公式增加像素差分效果,引入模糊理论划分弱灰度图像,并结合直方图迭代实现图像增强。通过医学图像与遥感图像的增强实验和灰度直方图,加上PSNR、E和Fit三项客观指标的仿真结果,表明在对数字图像增强方面,本文算法具有更高的峰值信噪比,能够有效降低噪声干扰,增强图像目标区域细节;对于不同类型的数字图像,表现出更好的适应性和灰度均衡性。4 仿真与结果分析
5 结束语