基于時(shí)空域?yàn)V波的視覺(jué)傳達(dá)圖像的微小細(xì)節(jié)增強(qiáng)方法

偰 倩

(安徽文達(dá)信息工程學(xué)院藝術(shù)設(shè)計(jì)學(xué)院，安徽合肥230000)

視覺(jué)傳達(dá)圖像在人眼的調(diào)節(jié)作用下會(huì)產(chǎn)生大量無(wú)法察覺(jué)的細(xì)節(jié)信息。在圖像的前期處理過(guò)程中，必須要對(duì)中不同區(qū)域內(nèi)的細(xì)節(jié)信息進(jìn)行增強(qiáng)，主要目的是達(dá)到去除噪聲和擴(kuò)大特征差異的效果。圖像增強(qiáng)技術(shù)可以有效改善圖像視覺(jué)效果，呈現(xiàn)出更適合人類(lèi)的視覺(jué)感官的識(shí)別體驗(yàn)[1]。常規(guī)模式下，機(jī)器在拍攝圖像和成像過(guò)程中，容易受到機(jī)器設(shè)備和場(chǎng)景條件因素影響，造成圖像質(zhì)量有所下降，細(xì)微部位的成像噪點(diǎn)過(guò)多，難以實(shí)現(xiàn)人機(jī)圖像的分析和識(shí)別[2]。因此對(duì)視覺(jué)圖像的細(xì)微部分，進(jìn)行增強(qiáng)技術(shù)研究[3-4]，變得越來(lái)越重要。

現(xiàn)階段使用較多的增強(qiáng)方法，包括直方圖均衡增強(qiáng)方法、雙濾波增強(qiáng)方法和MSRCR增強(qiáng)方法等。其中，徐小來(lái)等[5]針對(duì)模糊增強(qiáng)后圖像細(xì)節(jié)信息丟失的缺陷，提出了基于直覺(jué)模糊集和直方圖均衡的圖像增強(qiáng)算法。通過(guò)合成像素的直覺(jué)模糊隸屬度和非隸屬度的方式，增強(qiáng)圖像的細(xì)節(jié)信息。王福斌等[6]提出了燒蝕光斑圖像的雙邊濾波增強(qiáng)結(jié)合模糊C均值聚類(lèi)分割策略。在增強(qiáng)圖像并去除噪聲影響的基礎(chǔ)上，使用雙邊濾波對(duì)光斑圖像進(jìn)一步增強(qiáng)處理。吳卓釗等[7]針對(duì)低曝光處細(xì)節(jié)丟失且顏色失真飽和度不佳導(dǎo)致視覺(jué)觀感下降的問(wèn)題，提出一種多尺度權(quán)重評(píng)估的MSRCR(Multi-Scale Retinex with Color Restoration,MSRCR)混合曝光融合算法。分別從曝光量、飽和度、對(duì)比度、色域四個(gè)尺度設(shè)計(jì)圖像融合權(quán)重值，通過(guò)多尺度權(quán)重融合獲得最終圖像。上述方法均可以對(duì)視覺(jué)圖像的細(xì)節(jié)進(jìn)行平滑，但會(huì)存在圖像邊緣模糊問(wèn)題。

視覺(jué)圖像中低頻信息為主要能量，蘊(yùn)含圖像最基本的部分，且占有大部分的圖像細(xì)節(jié)。因此對(duì)視覺(jué)圖像進(jìn)行增強(qiáng)，不僅要保有原始圖像的真實(shí)性，還要保證處理好的圖像邊緣更加清晰。本文以實(shí)際應(yīng)用需求為出發(fā)點(diǎn)，通過(guò)對(duì)圖像增強(qiáng)技術(shù)的相關(guān)理論研究，找出圖像細(xì)微部位處理中存在的問(wèn)題，并與特征深度融合理論相結(jié)合，提出新的增強(qiáng)算法，對(duì)視覺(jué)圖像的邊緣進(jìn)行處理，針對(duì)不同的成像特點(diǎn)設(shè)計(jì)增強(qiáng)方法。

1 分層差分理論獲取視覺(jué)傳達(dá)圖像灰度值

在不同場(chǎng)景下，人眼會(huì)始終定位到感興趣區(qū)域，以此設(shè)計(jì)的視覺(jué)傳達(dá)技術(shù)獲取的圖像信息會(huì)存在聚眾中心，在該區(qū)域內(nèi)具有顯著性的特征，而其余弱化區(qū)域特征不明顯，需要對(duì)微小細(xì)節(jié)進(jìn)行增強(qiáng)。

設(shè)z為輸入圖像的灰度級(jí)，cz為輸出圖像，v為變化函數(shù)。在輸入圖像為8bit時(shí)，最大灰度級(jí)為255，此時(shí)v={v0,v1,…,v255}。

通過(guò)分層差分理論判斷變化函數(shù)的合理性，若圖像中相鄰的一組像素點(diǎn)，其灰度級(jí)分別為z和z+1，則其映射到輸出圖像中的灰度為cz和cz+1。

設(shè)置分層數(shù)量為b，則在b層的差分變量為公式(1)。

(1)

設(shè)z與z+1為輸入圖像的兩個(gè)相鄰像素，兩者灰度級(jí)差值可以和輸出灰度值變量對(duì)應(yīng)，可將其帶入灰度差的2維直方圖中，表示為m(z,z+1)。一般情況下采用4種域方式對(duì)2維差分直方圖進(jìn)行計(jì)算，當(dāng)m(z,z+1)值越大，說(shuō)明灰度級(jí)在視覺(jué)圖像中出現(xiàn)的頻率越高，關(guān)系為公式(2)。

(2)

公式(2)中：對(duì)應(yīng)在b層的常數(shù)為γb。

通過(guò)公式(1)和公式(2)，能夠建立圖像的像素關(guān)系，對(duì)變換函數(shù)進(jìn)行求導(dǎo)，當(dāng)滿足上述表達(dá)式時(shí)，即可實(shí)現(xiàn)增強(qiáng)對(duì)比度的目的。

對(duì)在b層的常數(shù)γb選值，則有公式(3)。

(3)

公式(3)中：m(·)為變換后的直方圖灰度差。

整合上述數(shù)值，建立線性方程，表示為公式(4)。

DbFb=nb

(4)

公式(4)中：Db為一個(gè)帶有0和1組成的二進(jìn)制矩陣，則有公式(5)[8]。

(5)

式(5)中：I表示為差分向量變化的不同時(shí)刻。

當(dāng)計(jì)算第2層的差分向量時(shí)，存在D2F2=n2的線性關(guān)系，則有公式(6)[9]。

(6)

通過(guò)以上方式獲取各層的差分向量，可以對(duì)其進(jìn)行放大處理，實(shí)現(xiàn)圖像像素點(diǎn)的分層。

2 時(shí)空域?yàn)V波判斷圖像微小細(xì)節(jié)區(qū)間

通過(guò)圖像中的強(qiáng)化目標(biāo)匹配，可以在短時(shí)間內(nèi)以直線的形式，對(duì)微小細(xì)節(jié)區(qū)間完成劃分[10]，利用該特點(diǎn)進(jìn)行強(qiáng)化區(qū)域分類(lèi)。

一條直線在圖像中的最大作用，就是能夠得到任意兩點(diǎn)間的三角函數(shù)，使其計(jì)算數(shù)值等同化。由于切函數(shù)具有無(wú)窮大的情況，直接利用弦函數(shù)進(jìn)行分類(lèi)處理，即正弦函數(shù)和余弦函數(shù)。

取視覺(jué)圖像中任意兩點(diǎn)，設(shè)置為s和d，對(duì)兩個(gè)點(diǎn)組成的四種不同形式的三角正余弦函數(shù)進(jìn)行求解，分別為公式(7)和公式(8)[11-13]。

(7)

(8)

公式(7)和公式(8)中：s點(diǎn)坐標(biāo)為(g1,h1)；d點(diǎn)坐標(biāo)為(g2,h2)。s和d兩點(diǎn)的正弦函數(shù)值分別為sinsd和sinds；余弦函數(shù)值分別為cossd和cosds。

在HASH原理信息理論下，對(duì)分量進(jìn)行評(píng)價(jià)，以此劃分微小細(xì)節(jié)所在區(qū)間。正常情況下，若選擇和兩點(diǎn)的正切值，會(huì)在圖像為垂直狀態(tài)時(shí)呈現(xiàn)細(xì)微特征數(shù)據(jù)消失的情況，只能利用正弦和余弦值進(jìn)行計(jì)算，保證其軌跡與X軸和Y軸對(duì)稱(chēng)。

對(duì)上述數(shù)值進(jìn)行強(qiáng)化，求導(dǎo)四組函數(shù)值的分類(lèi)量k，實(shí)現(xiàn)加強(qiáng)區(qū)域的劃分目的，如公式(9)[14]所示。

(9)

公式(9)中：ki為軌跡初始值；若圖像兩點(diǎn)之間存在多個(gè)非零特征像素點(diǎn)，可以得到k的排序順序，可以按照一定區(qū)間進(jìn)行分類(lèi)，選擇不同的幀數(shù)作為閾值。當(dāng)認(rèn)為像素點(diǎn)特征超過(guò)閾值時(shí)，可認(rèn)定其為增強(qiáng)區(qū)間軌跡，對(duì)其進(jìn)行標(biāo)記實(shí)現(xiàn)判斷，并利用累積量和累積矩完成細(xì)節(jié)增強(qiáng)即可。

3 求解變量密度增強(qiáng)圖像細(xì)節(jié)

通過(guò)求解圖像特征的累積量，能夠直接對(duì)微小細(xì)節(jié)進(jìn)行檢測(cè)，針對(duì)性地找對(duì)增強(qiáng)部位。以高斯隨機(jī)函數(shù)為基礎(chǔ)，對(duì)隨機(jī)變量做三階處理，定義圖像的微小細(xì)節(jié)特征，并按照序列順序完成去均值處理。

假定選擇隨機(jī)的q為高斯隨機(jī)變量，設(shè)置方差為w2，當(dāng)該變量均值為零時(shí)，能夠直接推導(dǎo)出高斯隨機(jī)變量的高階累積量，以及高階矩的特性[15]。

由于q是高斯隨機(jī)變量，引入概率密度函數(shù)公式(10)。

(10)

公式(10)中：概率密度為f(q)；變量密度為r[16]。以概率密度，求解隨機(jī)變量的第一特征函數(shù)，代入至公式(11)。

(11)

公式(11)中：第一特征函數(shù)為φ(e)；隨機(jī)變量的變化參數(shù)，分別為j和t。以積分公式對(duì)函數(shù)求解，具體表示為公式(12)。

(12)

即可對(duì)圖像的高斯隨機(jī)變量q[17-18]，進(jìn)行第一特征函數(shù)φ(e)求解，求解結(jié)果為公式(13)。

在上載的時(shí)候，視頻資料的音頻質(zhì)量要求是以監(jiān)聽(tīng)聲音為主，輔以上載模塊提供的軟件示波器，以UV表進(jìn)行監(jiān)控。特別需要注意：(1)資料內(nèi)容出現(xiàn)差錯(cuò)，或者應(yīng)該是整體但內(nèi)容有缺失不完整；(2)技術(shù)人員通過(guò)主觀判斷圖像或聲音質(zhì)量較差的；(3)出現(xiàn)夾幀或彩條、黑場(chǎng)、靜止等不規(guī)范畫(huà)面，持續(xù)時(shí)間較長(zhǎng)，超過(guò)5 s的；(4)出現(xiàn)滾動(dòng)、跳閃、波紋或花屏、雜波大、馬賽克嚴(yán)重等特別明顯信號(hào)的；(5)音量大小不均或者偏大偏小，失真不清晰，有雜音噪聲干擾，明顯中斷等。在資料上載過(guò)程中，針對(duì)出現(xiàn)的質(zhì)量問(wèn)題要及時(shí)反饋給相關(guān)人員進(jìn)行補(bǔ)救；如無(wú)法處理的，要注意看是否有必要上載該素材，或者在上載的資料中進(jìn)行說(shuō)明。

φ(e)=r-w2e2/2

(13)

通過(guò)第一特征函數(shù)，分別計(jì)算其一階、二階和三階以及四階的導(dǎo)數(shù)，如公式(14)[19]。

(14)

以此求解隨機(jī)變量的各個(gè)階矩為公式(15)。

(15)

公式中：o1、o2和o3、o4分別代表一階、二階和三階以及四階矩[20]。根據(jù)該式能夠進(jìn)行歸納，對(duì)于任意一個(gè)函數(shù)的階矩，當(dāng)其為a時(shí)，可表示為公式(16)。

(16)

即：奇數(shù)階矩等于零，偶數(shù)階矩不等于零。零均值的高斯隨機(jī)變量，在不同階矩累積時(shí)，均可表現(xiàn)出為零的特性，以此將其認(rèn)為近似零的去均值處理，對(duì)細(xì)小目標(biāo)完成圖像增強(qiáng)。

至此，完成時(shí)空域?yàn)V波實(shí)現(xiàn)增強(qiáng)方法設(shè)計(jì)。

4 實(shí)驗(yàn)測(cè)試分析

上文以時(shí)空域?yàn)V波技術(shù)為基礎(chǔ)，對(duì)視覺(jué)傳達(dá)圖像進(jìn)行處理，重新設(shè)計(jì)了微小細(xì)節(jié)的增強(qiáng)方法，采用對(duì)比測(cè)試方法完成效果論證。將直方圖均衡增強(qiáng)方法和雙濾波增強(qiáng)方法以及MSRCR增強(qiáng)方法作為對(duì)照組[5-7]，分別與本文方法進(jìn)行比較。

4.1 選擇圖像素材

為測(cè)試內(nèi)容更加具象化，選擇彩色郁金香為增強(qiáng)對(duì)象，隨機(jī)拍攝一組圖片，如圖1所示。

圖1 原始郁金香拍攝圖像

(1)增強(qiáng)細(xì)節(jié)對(duì)比：通過(guò)選擇的增強(qiáng)方法，對(duì)郁金香圖像進(jìn)行細(xì)節(jié)化處理，使其花瓣邊緣和花蕊更加明顯，且背景圖像不發(fā)生較大變化。

(2)整體特征對(duì)比：將選取的原始圖像作為引導(dǎo)對(duì)象，分別對(duì)其參數(shù)進(jìn)行測(cè)定，即邊緣強(qiáng)度和平均梯度以及彩色熵。比較不同增強(qiáng)方法下，各組參數(shù)的變化情況，分析四組方法的增加結(jié)果。

按照設(shè)定內(nèi)容依次完成實(shí)驗(yàn)測(cè)試，并統(tǒng)計(jì)對(duì)比結(jié)果。

4.2 對(duì)比圖像增強(qiáng)效果

將測(cè)試圖像上傳至MATLAB測(cè)試平臺(tái)，分別應(yīng)用四組方法對(duì)郁金香的細(xì)節(jié)進(jìn)行增強(qiáng)，對(duì)比結(jié)果如圖2所示。

圖2 圖像增強(qiáng)效果

由圖2可知，不同增強(qiáng)方法產(chǎn)生的效果出入較大。其中，直方圖均衡增強(qiáng)方法增強(qiáng)效果不明顯，且圖像的質(zhì)量有所下降，在花瓣顏色上出現(xiàn)失真現(xiàn)象，細(xì)節(jié)平滑程度過(guò)大；雙濾波增強(qiáng)方法處理后的圖像畫(huà)面，具有一定清晰度，但在花邊邊緣處生成了新的輪廓，導(dǎo)致出現(xiàn)重疊；MSRCR增強(qiáng)方法使圖像的整體變亮，但細(xì)節(jié)不夠豐富，光線存在過(guò)度曝光問(wèn)題；本文方法郁金香的細(xì)節(jié)更加突出，花瓣紋理非常明顯，顏色十分鮮明，葉片也變得清晰，并且人眼觀察時(shí)主觀感受較為舒適，具有明顯優(yōu)勢(shì)明顯。

4.3 分析細(xì)節(jié)指標(biāo)對(duì)比結(jié)果

在圖像增強(qiáng)后，需要保證其背景細(xì)節(jié)和場(chǎng)景邊緣不會(huì)產(chǎn)生反轉(zhuǎn)效應(yīng)，為此對(duì)增強(qiáng)圖像的整體特征進(jìn)行分析。通過(guò)濾波表達(dá)式，比較增強(qiáng)后的圖像參數(shù)，對(duì)引導(dǎo)濾波進(jìn)行定義，如公式(17)。

K=guidefilter(L,Z,J,C)

(17)

公式(17)中：原始圖像為Z；正則化參數(shù)為C；濾波窗口大小為J；增強(qiáng)后的圖像濾波為K；原始輸入圖像濾波L。

其中Z和L為預(yù)先給定值，設(shè)置為公式(18)。

(18)

依據(jù)已知數(shù)據(jù)，將原始圖像各組參數(shù)指標(biāo)設(shè)置如下：邊緣強(qiáng)度16.27，平均梯度1.45，彩色熵16.64。其中：邊緣強(qiáng)度指標(biāo)反映圖像清晰程度，隨數(shù)值增加，圖像清晰度更高；平均梯度為細(xì)節(jié)的對(duì)比度，數(shù)值越高，圖像越清晰；彩色熵為紅色和藍(lán)色以及綠色，三通道的熵和，為圖像顏色的增強(qiáng)度。

以此對(duì)照原始圖像數(shù)據(jù)，比較不同增強(qiáng)方法下的特征參數(shù)，分別完成數(shù)據(jù)統(tǒng)計(jì)，如圖3所示。

圖3 細(xì)節(jié)指標(biāo)參數(shù)對(duì)比結(jié)果

根據(jù)圖3所示的各組參數(shù)變化情況可知，采用直方圖均衡增強(qiáng)方法，邊緣強(qiáng)度和平均梯度達(dá)到最高值，但增強(qiáng)的圖像顏色失真，不存在參數(shù)的比較意義；MSRCR增強(qiáng)方法僅能提高圖像的對(duì)比度，即在平均梯度數(shù)值上有所增加。而雙濾波增強(qiáng)方法，在彩色熵指標(biāo)中的優(yōu)勢(shì)較明顯，主要是可以通過(guò)線性分層完成細(xì)節(jié)增強(qiáng)，存在部分增強(qiáng)優(yōu)勢(shì)；本文方法融合了時(shí)空濾波理論，采用自適應(yīng)增強(qiáng)方式進(jìn)行整體處理，更加符合人眼視覺(jué)觀感，即保持了圖像顏色的整體信息，也能抑制增強(qiáng)過(guò)量的問(wèn)題出現(xiàn)，具有應(yīng)用價(jià)值。

5 結(jié)論

視覺(jué)系統(tǒng)獲取的圖像灰度級(jí)，與周邊像素的灰度級(jí)之間存在差異，會(huì)比目標(biāo)本身的絕對(duì)灰度更加敏感，因此基于時(shí)空域?yàn)V波理論，對(duì)圖像細(xì)節(jié)進(jìn)行增強(qiáng)方法設(shè)計(jì)。在實(shí)驗(yàn)測(cè)試環(huán)節(jié)中，新方法不僅保持了圖像的重要特征，還能夠?qū)?xì)節(jié)進(jìn)行強(qiáng)化，增強(qiáng)效果十分明顯。但文中仍然存在一些問(wèn)題，需要后續(xù)進(jìn)行完善和總結(jié)，如此次只是利用簡(jiǎn)單的參數(shù)指標(biāo)，對(duì)增強(qiáng)方法進(jìn)行效果評(píng)價(jià)，沒(méi)有根據(jù)特定的應(yīng)用場(chǎng)合，完成系統(tǒng)化分析。后續(xù)會(huì)從該方面入手，對(duì)建立更加完善的圖像評(píng)價(jià)體系進(jìn)行研究，為圖像增強(qiáng)技術(shù)發(fā)展貢獻(xiàn)理論支持。