改进电润湿电子纸图像自适应增强算法*

熊铃铃，林珊玲，林志贤，3，郭太良，郭冠峥

(1.福州大学 物理与信息工程学院，福建 福州 350116；2.中国福建光电信息科学与技术创新实验室，福建 福州 350116；3.福州大学 先进制造学院，福建 泉州 362200)

0 引言

电润湿电子纸[1-3]具有超低功耗、高照度条件下易读性好、易于实现柔性、价格低廉等优点，但是，受到显示技术驱动芯片和驱动方式的制约，导致电润湿显示器能够显示的灰度等级低，这将造成图像失真、边缘细节丢失，故需要对图像进行细节增强处理。线性非锐化掩模是常用的一种图像锐化增强的方法，但是该方法对噪声敏感，会过度放大噪声误差，容易出现增强过度现象，为此许多改进方案被提出[4-9]。Guan 等人[7]提出了一种新的非锐化掩模锐化图像增强方法，该方法涉及多次迭代以及图像划分，算法较复杂，且文中只对彩色图像进行验证并获得满意效果而未对灰度图像进行验证说明；王仕女等人[8]提出利用非锐化掩模局部细节提升能力和Beta 变换全局对比度拉伸能力，但是该算法涉及参数选择的复杂性，既要考虑效率，又要考虑参数有效性；朱莉[9]提出了一种改进的自适应非锐化掩模(UM)图像增强算法，采用拉普拉斯算子代替局部方差检测局部细节特征，但是拉普拉斯算子对噪声十分敏感。

基于以上研究，本文提出了一种改进电润湿电子纸图像自适应增强算法，使得处理后图像细节更加丰富，轮廓更加清晰，对噪声起到很好的抑制效果，同时很好地避免过度增强。

1 传统非锐化掩模

传统的线性非锐化掩模算法是图像锐化增强中的一种，用于增强图像细节和边缘，其算法流程图如图1所示。

图1 UM 算法流程图

2 改进非锐化掩模

为了改善传统非锐化掩模算法对噪声的敏感，提出了改进非锐化掩模算法，其流程图如图2 所示。

图2 改进UM 算法流程图

利用二次引导滤波算法得到钝化模糊图像，改进正比例因子ω，从而抑制相对平坦区域的噪声，对需要锐化和增强的区域进行锐化和增强。

2.1 基于显著图的钝化模糊图像

2.1.1 引导滤波与显著图

显著图是一种模拟生物视觉注意机制的选择性模型，它直接反映了图像区域引起视觉注意的强弱度[10]。而引导滤波[11]作为一种边缘保持滤波算法，它可以很好地克服双边滤波中出现的梯度翻转的现象，且其算法复杂度与窗口无关，在处理较为大型的图像时效率明显提升，故提出了基于引导滤波的显著特性[12]的提取。

结合引导滤波，并计算图像的局部窗口标准差S，将其作为引导滤波的引导图，获得显著图Sf可表示为：

其中，I 为输入图像，N 为局部窗口大小，fstdfilt为局部标准差方程，r 为引导滤波的局部窗口半径，δ 为正则化参数，fguidedfilter为引导滤波函数。

2.1.2 引导滤波与显著图

为了得到钝化模糊图像，且能够自适应图像边缘区域和平坦区域改变正则化参数δ，提出改进谢伟等人[13]的融合梯度信息的引导滤波。梯度信息虽然带有像素突变信息，但它不能自适应图像中的信息，使得改进后的引导滤波按相同的滤波效果对整幅图像进行处理，不能达到本文需要的自适应效果。而改进的基于引导滤波的显著图中带有局部方差的信息，其在满足梯度信息的同时，通过引导滤波后获得的显著图中加入了图像自身的信息，能够自适应图像中的信息进行图像的平滑滤波和细节保留。

对于显著图中包含的局部方差信息，通过阈值Th过滤局部方差较小的非边缘区域，对于局部方差较大的边缘区域利用比例放大因子λ 自适应增强，具体公式如下：

其中，frange为range函数，fsign为符号函数。在引导滤波中，固定的正则化参数δ会导致a2k局部过度增大或局部过度减小，无法自适应图像信息，故改进的引导滤波通过λ来改变参数。如式(6)所示，边缘区域的λ变大，从而正则化参数δ′变小，平滑倍数越小，因此边缘信息得以保存，而平坦区域正好相反，将平坦区域进行平滑处理。

图3 为比较原始图像分别经过本文提出的基于局部标准差的引导滤波获得的改进引导滤波算法与谢伟等人提出的基于梯度信息获得的改进引导滤波算法后的效果图。通过比较可得，图3(b)将帽子的细节平滑滤波，而将其他细节(如眼睛、头发的细节)有所保持，利于对所需细节的提取与增强，从而避免图像过度增强；而图3(a)将图像所有细节按相同的平滑效果进行平滑处理，这将造成算法对某些细节的过度增强。

图3 Lena 不同算法产生的钝化模糊图像

为了防止图像增强过度，经过本文算法的二次引导滤波处理后获得的细节图像能够有效增强所需细节，从而避免过度增强，如图4 所示，图4(a)为Blurry_ planet原图像，图4(b)为经过本文算法处理后获得的细节图像。图4(a)中左边的框框为所需增强的细节部分，右边的框框为图像的清晰部分；在图4(b)中可以相应看到左边框框处的模糊图像得到有效的增强，而右边框框处的细节图像得到细微增强，避免右边细节增强过度。

图4 Blurry_planet 细节效果图

2.2 改进权值ω

为了使其能够自适应图像中的细节信息，需要对ω进行改进。在归一化操作生成自适应权值的基础上，通过添加参数ξ 使得权值在亮度上更接近原始图像，细节信息更加丰富。参数ξ 控制着局部细节的亮度和信息丰富程度，经过实验可得当ξ=1.6 时，效果最佳。权值ω 取值范围在[0，1]之间，公式如下：

其中，u 为输入图像的灰度值，ξ 为控制参数。

3 结果与分析

在本节中，本文将使用几组不同的数字图像处理经典图像进行实验，通过主观评价以及客观评价来评价本文算法。此外，本研究中所有实现方法的编码都是在MATLAB 2016b 中所编写的。

3.1 主观评价

分别采用Lena 图和Einstein 图进行评价。如图5 所示，经过本文算法后，Lena 图像的帽子、头发等细节部分得到了有效的增强，使得图像细节更丰富，轮廓更清晰，符合人眼视觉感受；Einstein 图像经过本文算法处理后，额头、手背、胸前的衣服以及脸颊等纹理细节都得到了有效的增强，图像更加清晰可见，视觉效果更佳。

图5 细节增强图像

3.2 客观评价

采用Lena图、airplane图、peppers图等10张图像进行客观指标评价，其指标包括信息熵(H)、峰值信噪比(PSNR)、平均亮度误差[14](AMBE)和结构相似度[15](SSIM)，图6为这10 张图像的原图像，将本文算法与传统非锐化掩模算法、灰度变化、中值滤波以及限制对比度自适应直方图均衡算法(CLAHE)的性能进行比较，评价结果如表1～表4 所示。

表1 不同算法增强后图像信息熵值

表2 不同算法增强后图像PSNR 值

表3 不同算法增强后图像AMBE 值

表4 不同算法增强后图像SSIM 值

图6 10 张原图像

从以上表中可以看出，综合对信息熵、PSNR、AMBE和SSIM的分析得出几种增强算法的性能：经过非锐化掩模算法增强后的图像除了细节信息有所增强外，图像有较小的失真，平均亮度保持能力有限；经过灰度变化后，图像信息熵反而低于原输入图像，部分细节丢失，图像失真较严重，平均亮度保持能力低；中值滤波算法使原图像更加平滑，丢失部分细节信息，虽然PSNR的值较高，图像失真较小，但由于细节部分丢失造成图像模糊；限制对比度自适应直方图均衡算法能够获得图像最大的信息熵，即增强后的图像细节信息最丰富，但是图像的噪声最大，失真最严重，且平均亮度保持能力低，SSIM的值最小，该算法增强性能较差；经过本文算法增强后图像信息熵较高，且图像细节清晰，噪声最小，失真最小，可以很好地保持输入图像的亮度，SSIM值平均最接近1，效果最好，且符合人眼视觉质量。

3.3 实际测量

将本文改进非锐化掩模算法应用于电润湿电子纸中，采用Lena 图像进行验证。图7(a)为原始图像在电润湿显示屏上的效果图，图7(b)为采用本文改进算法后的效果图。对比两幅图可以看到，原图像在帽子处的纹理模糊不清晰，而经过本文改进算法后，帽子处的纹理更加清晰可见，如图7(a)与图7(b)中黑色框出部分。

图7 电润湿显示图像效果对比

4 结论

基于传统非锐化掩模算法的不足，本文提出了一种改进电润湿电子纸图像自适应增强算法。该算法通过引导滤波获得显著图，并结合显著图与改进引导滤波获得钝化模糊图像，经过二次引导滤波算法后，钝化模糊图像能够自适应图像信息将需要增强的部分平滑滤波，并且尽可能保存不需要增强部分的细节信息，避免最终图像增强过度，同时利用改进权值自适应融合细节部分与原始图像最终获得输出图像。仿真结果表明，相较于传统线性非锐化掩模方法，本文方法其图像评价指标H 值、PSNR值分别平均提高了0.2%、28.4%，AMBE值平均降低了88.4%，SSIM的值更加接近1。最终在电润湿电子纸上通过实验证明，本文算法的增强性能更佳，在增强纹理细节的同时，尽可能减少噪声的放大，避免过度增强，取得了较好的显示效果。