室内图像去噪增强算法的研究与仿真

2022-03-15诸伟超

计算机仿真 2022年2期

顾艺，诸伟超

(上海工程技术大学，上海 201620)

1 引言

虚拟现实(Virtual Reality，VR)也被称作“沉浸式多媒体”，是一种将计算机技术、人机交互、多媒体等融为一体的科技产物，让体验者拥有和现实世界相同的感官体验，让用户得到听觉、视觉、触觉等感知，还能将用户投放至虚拟世界，提供人与自然之间的虚拟反馈。虚拟现实技术涉及控制学、心理学、图像处理等多个学科，拥有极强的综合性与交叉性，在医学、教育、科学研究等方面具备广泛用途[1]，并且在社交体验方面的媒体丰富性、社会存在性与自我开放性显著高于传统社交媒体。图像增强处理是改进图像特征的一种强化策略，可以从像素清晰度、对比度、亮度等方面改进图像整体质量[2]。但日常生活中因为拍摄者的摄影水准及周边环境，通常会致使获得的初始图像质量较差，因此设计一个合理完备的图像增量处理方法势在必行。

图像增强领域的研究类型众多，龙鑫[3]等将图像空间中V通道划分为增强层、亮度增强层、细节突出层，剔除光晕现象，采用归一化函数提升亮度，运用人工蜂群算法突出图像细节，实现图像细节模糊增强。但此方法在提取图像细节时，没有完全消除冗余信息干扰，导致增强效果不佳。除了上述方法，常用的图像增强处理方法还有基于粒子群优化算法的图像增强方法，将粒子群优化算法和伽马校正策略的图像增强方法，在灰度标准方差中代入评价函数、熵、边缘内容，将灰度标准方差看作粒子目标函数，完成图像细节增强。但该方法无法有效去除图像内的高频信息，极易产生区域失真现象。

为此，提出一种基于虚拟现实的静态室内图像增强处理方法。首先采用区域分割与双边滤波来剔除图像噪声，通过虚拟现实技术了解像素分布状态，运用模糊集理论完成高质量图像增量处理，提升图像整体成像质量。实验结果证实，与其它方法相比，本文方法具有极强的抑噪性能，图像增强效果较优，可广泛应用在不同拍摄环境下的图像增强处理中，鲁棒性优良。

2 静态室内图像去噪

针对需要增强的静态室内图像而言，首先要去除图像噪声点，明确图像结构信息。本文采用区域分割与双边滤波相结合的方式，实现图像去噪[4]。将双边滤波权值指数表示成

C(k，l)=

(1)

其中，(i，j)代表目前像素点，(k，l)代表相邻区域像素点，I(·)代表相对像素点灰度值，σd代表空域滤波器标准差。则双边滤波计算公式为

(2)

其中，Ωs代表局部窗口，C代表归一化指数。

完成初步滤波处理之后，使用分水岭分割后的图像区域构建区域连接图，计算相关区域中的噪声属性与区域灰度平均值。在创建区域连接图时，明确区域中的一元属性，也就是区域平均值矢量和协方差矩阵[5]，维数大小取决于图像数据特征值。双边滤波算法中，特征维数是1，协方差矩阵就是区域噪声方差，均值矢量即为区域灰度平均值。

静态室内图像不同区域间的二元属性关联表示邻近区域之间的关联水平。考虑区域边界点梯度差值与边界大小，确立一个区域相似度[6]。区域之间的相似度、梯度差和边界大小之间拥有对应关系：区域边界点梯度越高，关联水平越低，边界大小也会不同程度地影响区域相似度。将区域相似度设置成

(3)

其中，s代表区域R1、R2之间的边界点，f(·)代表和s点梯度值相关的非递增函数，具体表示成

(4)

其中，K代表平滑因素，该值和图像局部噪声方差相关，β代表惩罚系数。

区域中像素之间的滤波为一元属性，设定Lable(i，j)为目前点所处区域的标识，Lable(m，n)为相邻区域所处位置的标识，μ(i，j)、u(m，n)依次为目前区域和相邻区域的均值，K1、K2为均值差度临界值。因为分割结果内极有可能存在标识相等但特征差距较多的区域块，要通过对比区域均值差来提高图像去噪精度。另外，均值差异水平还能评估是否产生图像过分割现象，并以此判断使用区域内滤波或区域间滤波完成去噪。将图像区域内滤波公式记作

(5)

其中，σij代表(i，j)所处区域的噪声标准差，Z1代表归一化指数。

通常相同区域中的每个像素值相差不多，差别源自噪声的随机影响[7]，挑选局部噪声标准差当作灰度滤波器标准差，就能在图像不同区域组建不同的灰度滤波器，提升滤波去噪的自适应性。

图像区域间滤波公式为

(6)

其中，CR(m，n)∩R(i，j)代表目前区域和点(m，n)所处区域的相似度指数，Cij代表目前区域之间的共享边界长度，Z2代表归一化指数。

利用式(5)与式(6)可以实现不同均值差异水平下静态室内图像去噪任务，若像素(i，j)和(m，n)处于不同区域，则图像去噪过程中的加权系数为

(7)

其中，▽s代表边界像素梯度值。通过式(7)可知，区域相似度增大，对应的高斯加权重也会变大，去噪效果也越好。

3 基于虚拟现实的静态室内图像增强处理方法

3.1 虚拟现实下静态室内图像目标重现

在了解图像结构信息的前提下，采用虚拟现实技术采集静态室内图像目标，运用光学成像定理对静态室内图像目标实施分层处理，获得图像目标的亮度层与细节层[8]。分层处理过程为

R=I/L

(8)

式中，R代表图像像素反射率，I代表图像目标像素值，L是图像亮度值。按照人眼感知和静态室内图像目标亮度数据间的关联，对式(8)取对数

log2R=log2(I/L)=log2I-log2L

(9)

利用式(9)运算结果，使用小波变换分层处理图像，过程为

F(I(i，j))=WBFxI(i，j)

(10)

(11)

(12)

(13)

式中，BF代表图像小波变换操作，d(xi，xj)代表像素值空间几何距离高斯函数，r(pi，pj)代表像素空间方位关联的表征参变量，δd代表像素色差尺度表征参变量。

凭借图像分层结果，使用分段线性色阶调整函数完成图像亮度通道优化[9]，给图像分配更多的高光区，提升图像感知对比度。将临界值对图像亮度的分区计算过程描述成

Lt1=Lmin-(0.9+0.1k)×(Lmax-Lmin)

Lt2=Lmin-(0.6+0.4(1-k))×(Lmax-Lmin)

(14)

式中，Lt1代表静态室内图像的低光区域临界值，也就是图像亮度低于Lt1的像素是低光区域像素；Lt2代表图像高光区域临界值，即图像亮度高于Lt2的像素是高光区域像素；L代表归一化后的图像亮度，Lmax、Lmin依次为图像最高亮度值与最低亮度值，k代表图像增强目标。

将压缩后的图形亮度描述成

Ycompressed=f(Y/Ymax)

(15)

式中，Y代表图像亮度，Ymax代表图像最高亮度值。

静态室内图像亮度层亮度的变化状况与图像细节层补偿模式具备直接关联[10]，将细节层补偿水平定义为

(16)

式中，Din代表图像细节层信息，α代表细节层信息补偿指数，并符合如下收敛条件

(17)

式中，Lrange代表人眼视觉感知图像亮度的面积，ΔL代表图像映射前后的亮度差。在ΔL<0的情况下，为保证图像内部细节信息维持不变，要增强图像细节层处；若ΔL>0，为降低静态室内图像增强中虚假轮廓信息与不同噪声影响，压缩图像细节层；L>Lrange或L

3.2 静态室内图像增强处理

多数图像增强方法没有考虑图像模糊性，仅仅改变其对比度，导致图像目标细节被严重削弱。本文在虚拟现实的基础上引入模糊集理论，将模糊集定义成特征函数，利用式(17)描述元素x是否类属集合G。

(18)

根据模糊子集有关含义，一幅M×N维拥有O个灰度等级的静态室内图像X，可将其拟作一个模糊点矩阵，记作

(19)

运用变换函数提取静态室内图像模糊特征，将变换函数设定为

(20)

其中，Fe、Fd依次为大于0的指数模糊化因子与分母模糊化因子。经过对变换函数计算，利用渡越点为界限变大或降低μij，获得通过μij′构成的全新模糊特征平面，并采取反向转换，过程为

(21)

其中，G-1代表G的反向转换，以此获得静态室内图像增强处理后的图像灰度值。依照上述分析，将图像增强处理模型表示为图1。

图1 图像增强处理模型示意图

为深入优化图像增强效果，改进变换函数，由于变换函数和渡越点相关，渡越点又和临界值PC相关，定义一个全新的变换函数

Pij=F(Xij)=

lg[1+(Xij-Xmax)/(Xmax-Xmin)]

(22)

其中，Xmin表示最小灰度值，Xmax是最大灰度值。推导获得的变换函数值均分布在[0，1]区间内，增强处理后不会形成原图低灰度值被削减成0的状况，最大限度保护图像低灰度值边缘细节数据。

对静态室内图像重复执行非线性变换

Pij′=Tr(Rij)=T1(Tr-1(Pij))

(23)

其中

(24)

伴随递归数量r的变大，图像的增强成效越加明显，若r接近于无穷大时，最终会生成二值图像。反向计算变换后的图像隶属度值，获得增强处理后的图像灰度值大小。反向计算流程为

Xij′=Xmin+(Xmax-Xmin)(2Pij′-1)

(25)

由于图像增强变换后Pij′≥0，因此2Pij′≥1，2Pij′-1≥0，Xij′≥Xmin，这样能防止图像增强处理中发生像素灰度值是负数的状况，保存了低灰度值边缘数据，从全局完成图像增强任务，获得高分辨率静态室内图像信息。

4 仿真分析

运用仿真表明所提方法可靠性，实验搭载于Matlab 7.1平台，运行在配置为Genuine Intel(R)CPUT1600 1.66 GHz和1GB RAM的微机平台上，比较本文方法、基于多层融合和细节恢复的图像增强方法及基于粒子群优化算法的图像增强方法的图像增强效果。

使用信噪比(Signal Noise Ratio，SNR)衡量三种方法在图像增强处理过程中的抑噪性能。通常信噪比越高，表明图像内包含的噪声越小，图像成像质量越优。信噪比计算过程为

(26)

在图像内引入不同的高斯白噪声，分别使用三种方法进行增强处理，对比其信噪比大小，结果如表1所示。

表1 三种方法的信噪比对比

从表1可知，在相同的高斯白噪声情况下，本文方法的信噪比要大于两个文献方法，可以有效抑制噪声对图像的不良影响。这是因为本文方法采用区域分割与双边滤波相融合策略，通过对图像各区域采取不同滤波模式，提高了图像结构自适应性，呈现出最佳的去噪效果。

图2是三种方法静态室内图像增强处理后的对比示意图。

图2 三种方法下图像增强处理效果

从图2看出，采用两个文献方法处理后的图像在视觉上比原始图像要清楚，但在图像目标细节方面的处理比较粗糙，导致图像边缘特征提取较为模糊；本文方法可以展现出图像中更多的细节信息，极大改善图像对比度，增强处理后图像内容更加显著，拥有极强的实用性与鲁棒性。这主要由于方法中引入了虚拟现实技术，得到准确的图像帧像素分布情况，确保图像目标细节可见性。