室內(nèi)圖像去噪增強算法的研究與仿真

顧 藝，諸偉超

(上海工程技術(shù)大學(xué)，上海 201620)

1 引言

虛擬現(xiàn)實(Virtual Reality，VR)也被稱作“沉浸式多媒體”，是一種將計算機技術(shù)、人機交互、多媒體等融為一體的科技產(chǎn)物，讓體驗者擁有和現(xiàn)實世界相同的感官體驗，讓用戶得到聽覺、視覺、觸覺等感知，還能將用戶投放至虛擬世界，提供人與自然之間的虛擬反饋。虛擬現(xiàn)實技術(shù)涉及控制學(xué)、心理學(xué)、圖像處理等多個學(xué)科，擁有極強的綜合性與交叉性，在醫(yī)學(xué)、教育、科學(xué)研究等方面具備廣泛用途[1]，并且在社交體驗方面的媒體豐富性、社會存在性與自我開放性顯著高于傳統(tǒng)社交媒體。圖像增強處理是改進圖像特征的一種強化策略，可以從像素清晰度、對比度、亮度等方面改進圖像整體質(zhì)量[2]。但日常生活中因為拍攝者的攝影水準及周邊環(huán)境，通常會致使獲得的初始圖像質(zhì)量較差，因此設(shè)計一個合理完備的圖像增量處理方法勢在必行。

圖像增強領(lǐng)域的研究類型眾多，龍鑫[3]等將圖像空間中V通道劃分為增強層、亮度增強層、細節(jié)突出層，剔除光暈現(xiàn)象，采用歸一化函數(shù)提升亮度，運用人工蜂群算法突出圖像細節(jié)，實現(xiàn)圖像細節(jié)模糊增強。但此方法在提取圖像細節(jié)時，沒有完全消除冗余信息干擾，導(dǎo)致增強效果不佳。除了上述方法，常用的圖像增強處理方法還有基于粒子群優(yōu)化算法的圖像增強方法，將粒子群優(yōu)化算法和伽馬校正策略的圖像增強方法，在灰度標準方差中代入評價函數(shù)、熵、邊緣內(nèi)容，將灰度標準方差看作粒子目標函數(shù)，完成圖像細節(jié)增強。但該方法無法有效去除圖像內(nèi)的高頻信息，極易產(chǎn)生區(qū)域失真現(xiàn)象。

為此，提出一種基于虛擬現(xiàn)實的靜態(tài)室內(nèi)圖像增強處理方法。首先采用區(qū)域分割與雙邊濾波來剔除圖像噪聲，通過虛擬現(xiàn)實技術(shù)了解像素分布狀態(tài)，運用模糊集理論完成高質(zhì)量圖像增量處理，提升圖像整體成像質(zhì)量。實驗結(jié)果證實，與其它方法相比，本文方法具有極強的抑噪性能，圖像增強效果較優(yōu)，可廣泛應(yīng)用在不同拍攝環(huán)境下的圖像增強處理中，魯棒性優(yōu)良。

2 靜態(tài)室內(nèi)圖像去噪

針對需要增強的靜態(tài)室內(nèi)圖像而言，首先要去除圖像噪聲點，明確圖像結(jié)構(gòu)信息。本文采用區(qū)域分割與雙邊濾波相結(jié)合的方式，實現(xiàn)圖像去噪[4]。將雙邊濾波權(quán)值指數(shù)表示成

C(k，l)=

(1)

其中，(i，j)代表目前像素點，(k，l)代表相鄰區(qū)域像素點，I(·)代表相對像素點灰度值，σd代表空域濾波器標準差。則雙邊濾波計算公式為

(2)

其中，Ωs代表局部窗口，C代表歸一化指數(shù)。

完成初步濾波處理之后，使用分水嶺分割后的圖像區(qū)域構(gòu)建區(qū)域連接圖，計算相關(guān)區(qū)域中的噪聲屬性與區(qū)域灰度平均值。在創(chuàng)建區(qū)域連接圖時，明確區(qū)域中的一元屬性，也就是區(qū)域平均值矢量和協(xié)方差矩陣[5]，維數(shù)大小取決于圖像數(shù)據(jù)特征值。雙邊濾波算法中，特征維數(shù)是1，協(xié)方差矩陣就是區(qū)域噪聲方差，均值矢量即為區(qū)域灰度平均值。

靜態(tài)室內(nèi)圖像不同區(qū)域間的二元屬性關(guān)聯(lián)表示鄰近區(qū)域之間的關(guān)聯(lián)水平?？紤]區(qū)域邊界點梯度差值與邊界大小，確立一個區(qū)域相似度[6]。區(qū)域之間的相似度、梯度差和邊界大小之間擁有對應(yīng)關(guān)系：區(qū)域邊界點梯度越高，關(guān)聯(lián)水平越低，邊界大小也會不同程度地影響區(qū)域相似度。將區(qū)域相似度設(shè)置成

(3)

其中，s代表區(qū)域R1、R2之間的邊界點，f(·)代表和s點梯度值相關(guān)的非遞增函數(shù)，具體表示成

(4)

其中，K代表平滑因素，該值和圖像局部噪聲方差相關(guān)，β代表懲罰系數(shù)。

區(qū)域中像素之間的濾波為一元屬性，設(shè)定Lable(i，j)為目前點所處區(qū)域的標識，Lable(m，n)為相鄰區(qū)域所處位置的標識，μ(i，j)、u(m，n)依次為目前區(qū)域和相鄰區(qū)域的均值，K1、K2為均值差度臨界值。因為分割結(jié)果內(nèi)極有可能存在標識相等但特征差距較多的區(qū)域塊，要通過對比區(qū)域均值差來提高圖像去噪精度。另外，均值差異水平還能評估是否產(chǎn)生圖像過分割現(xiàn)象，并以此判斷使用區(qū)域內(nèi)濾波或區(qū)域間濾波完成去噪。將圖像區(qū)域內(nèi)濾波公式記作

(5)

其中，σij代表(i，j)所處區(qū)域的噪聲標準差，Z1代表歸一化指數(shù)。

通常相同區(qū)域中的每個像素值相差不多，差別源自噪聲的隨機影響[7]，挑選局部噪聲標準差當作灰度濾波器標準差，就能在圖像不同區(qū)域組建不同的灰度濾波器，提升濾波去噪的自適應(yīng)性。

圖像區(qū)域間濾波公式為

(6)

其中，CR(m，n)∩R(i，j)代表目前區(qū)域和點(m，n)所處區(qū)域的相似度指數(shù)，Cij代表目前區(qū)域之間的共享邊界長度，Z2代表歸一化指數(shù)。

利用式(5)與式(6)可以實現(xiàn)不同均值差異水平下靜態(tài)室內(nèi)圖像去噪任務(wù)，若像素(i，j)和(m，n)處于不同區(qū)域，則圖像去噪過程中的加權(quán)系數(shù)為

(7)

其中，▽s代表邊界像素梯度值。通過式(7)可知，區(qū)域相似度增大，對應(yīng)的高斯加權(quán)重也會變大，去噪效果也越好。

3 基于虛擬現(xiàn)實的靜態(tài)室內(nèi)圖像增強處理方法

3.1 虛擬現(xiàn)實下靜態(tài)室內(nèi)圖像目標重現(xiàn)

在了解圖像結(jié)構(gòu)信息的前提下，采用虛擬現(xiàn)實技術(shù)采集靜態(tài)室內(nèi)圖像目標，運用光學(xué)成像定理對靜態(tài)室內(nèi)圖像目標實施分層處理，獲得圖像目標的亮度層與細節(jié)層[8]。分層處理過程為

R=I/L

(8)

式中，R代表圖像像素反射率，I代表圖像目標像素值，L是圖像亮度值。按照人眼感知和靜態(tài)室內(nèi)圖像目標亮度數(shù)據(jù)間的關(guān)聯(lián)，對式(8)取對數(shù)

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

(9)

利用式(9)運算結(jié)果，使用小波變換分層處理圖像，過程為

F(I(i，j))=WBFxI(i，j)

(10)

(11)

(12)

(13)

式中，BF代表圖像小波變換操作，d(xi，xj)代表像素值空間幾何距離高斯函數(shù)，r(pi，pj)代表像素空間方位關(guān)聯(lián)的表征參變量，δd代表像素色差尺度表征參變量。

憑借圖像分層結(jié)果，使用分段線性色階調(diào)整函數(shù)完成圖像亮度通道優(yōu)化[9]，給圖像分配更多的高光區(qū)，提升圖像感知對比度。將臨界值對圖像亮度的分區(qū)計算過程描述成

Lt1=Lmin-(0.9+0.1k)×(Lmax-Lmin)

Lt2=Lmin-(0.6+0.4(1-k))×(Lmax-Lmin)

(14)

式中，Lt1代表靜態(tài)室內(nèi)圖像的低光區(qū)域臨界值，也就是圖像亮度低于Lt1的像素是低光區(qū)域像素；Lt2代表圖像高光區(qū)域臨界值，即圖像亮度高于Lt2的像素是高光區(qū)域像素；L代表歸一化后的圖像亮度，Lmax、Lmin依次為圖像最高亮度值與最低亮度值，k代表圖像增強目標。

將壓縮后的圖形亮度描述成

Ycompressed=f(Y/Ymax)

(15)

式中，Y代表圖像亮度，Ymax代表圖像最高亮度值。

靜態(tài)室內(nèi)圖像亮度層亮度的變化狀況與圖像細節(jié)層補償模式具備直接關(guān)聯(lián)[10]，將細節(jié)層補償水平定義為

(16)

式中，Din代表圖像細節(jié)層信息，α代表細節(jié)層信息補償指數(shù)，并符合如下收斂條件

(17)

式中，Lrange代表人眼視覺感知圖像亮度的面積，ΔL代表圖像映射前后的亮度差。在ΔL<0的情況下，為保證圖像內(nèi)部細節(jié)信息維持不變，要增強圖像細節(jié)層處；若ΔL>0，為降低靜態(tài)室內(nèi)圖像增強中虛假輪廓信息與不同噪聲影響，壓縮圖像細節(jié)層；L>Lrange或L

3.2 靜態(tài)室內(nèi)圖像增強處理

多數(shù)圖像增強方法沒有考慮圖像模糊性，僅僅改變其對比度，導(dǎo)致圖像目標細節(jié)被嚴重削弱。本文在虛擬現(xiàn)實的基礎(chǔ)上引入模糊集理論，將模糊集定義成特征函數(shù)，利用式(17)描述元素x是否類屬集合G。

(18)

根據(jù)模糊子集有關(guān)含義，一幅M×N維擁有O個灰度等級的靜態(tài)室內(nèi)圖像X，可將其擬作一個模糊點矩陣，記作

(19)

運用變換函數(shù)提取靜態(tài)室內(nèi)圖像模糊特征，將變換函數(shù)設(shè)定為

(20)

其中，F(xiàn)e、Fd依次為大于0的指數(shù)模糊化因子與分母模糊化因子。經(jīng)過對變換函數(shù)計算，利用渡越點為界限變大或降低μij，獲得通過μij′構(gòu)成的全新模糊特征平面，并采取反向轉(zhuǎn)換，過程為

(21)

其中，G-1代表G的反向轉(zhuǎn)換，以此獲得靜態(tài)室內(nèi)圖像增強處理后的圖像灰度值。依照上述分析，將圖像增強處理模型表示為圖1。

圖1 圖像增強處理模型示意圖

為深入優(yōu)化圖像增強效果，改進變換函數(shù)，由于變換函數(shù)和渡越點相關(guān)，渡越點又和臨界值PC相關(guān)，定義一個全新的變換函數(shù)

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。推導(dǎo)獲得的變換函數(shù)值均分布在[0，1]區(qū)間內(nèi)，增強處理后不會形成原圖低灰度值被削減成0的狀況，最大限度保護圖像低灰度值邊緣細節(jié)數(shù)據(jù)。

對靜態(tài)室內(nèi)圖像重復(fù)執(zhí)行非線性變換

Pij′=Tr(Rij)=T1(Tr-1(Pij))

(23)

其中

(24)

伴隨遞歸數(shù)量r的變大，圖像的增強成效越加明顯，若r接近于無窮大時，最終會生成二值圖像。反向計算變換后的圖像隸屬度值，獲得增強處理后的圖像灰度值大小。反向計算流程為

Xij′=Xmin+(Xmax-Xmin)(2Pij′-1)

(25)

由于圖像增強變換后Pij′≥0，因此2Pij′≥1，2Pij′-1≥0，Xij′≥Xmin，這樣能防止圖像增強處理中發(fā)生像素灰度值是負數(shù)的狀況，保存了低灰度值邊緣數(shù)據(jù)，從全局完成圖像增強任務(wù)，獲得高分辨率靜態(tài)室內(nèi)圖像信息。

4 仿真分析

運用仿真表明所提方法可靠性，實驗搭載于Matlab 7.1平臺，運行在配置為Genuine Intel(R)CPUT1600 1.66 GHz和1GB RAM的微機平臺上，比較本文方法、基于多層融合和細節(jié)恢復(fù)的圖像增強方法及基于粒子群優(yōu)化算法的圖像增強方法的圖像增強效果。

使用信噪比(Signal Noise Ratio，SNR)衡量三種方法在圖像增強處理過程中的抑噪性能。通常信噪比越高，表明圖像內(nèi)包含的噪聲越小，圖像成像質(zhì)量越優(yōu)。信噪比計算過程為

(26)

在圖像內(nèi)引入不同的高斯白噪聲，分別使用三種方法進行增強處理，對比其信噪比大小，結(jié)果如表1所示。

表1 三種方法的信噪比對比

從表1可知，在相同的高斯白噪聲情況下，本文方法的信噪比要大于兩個文獻方法，可以有效抑制噪聲對圖像的不良影響。這是因為本文方法采用區(qū)域分割與雙邊濾波相融合策略，通過對圖像各區(qū)域采取不同濾波模式，提高了圖像結(jié)構(gòu)自適應(yīng)性，呈現(xiàn)出最佳的去噪效果。

圖2是三種方法靜態(tài)室內(nèi)圖像增強處理后的對比示意圖。

圖2 三種方法下圖像增強處理效果

從圖2看出，采用兩個文獻方法處理后的圖像在視覺上比原始圖像要清楚，但在圖像目標細節(jié)方面的處理比較粗糙，導(dǎo)致圖像邊緣特征提取較為模糊；本文方法可以展現(xiàn)出圖像中更多的細節(jié)信息，極大改善圖像對比度，增強處理后圖像內(nèi)容更加顯著，擁有極強的實用性與魯棒性。這主要由于方法中引入了虛擬現(xiàn)實技術(shù)，得到準確的圖像幀像素分布情況，確保圖像目標細節(jié)可見性。

5 結(jié)論

針對傳統(tǒng)圖像增強方法對比度低、

圖像細節(jié)信息丟失等問題，設(shè)計一種基于虛擬現(xiàn)實的靜態(tài)室內(nèi)圖像增強處理方法。該方法步驟分明，計算簡便，有效融合虛擬現(xiàn)實技術(shù)優(yōu)勢，得到高質(zhì)量圖像增強效果，讓圖像更為貼合人類視覺感知特征，為圖像處理領(lǐng)域的深入研究提供可靠借鑒。