一种快速的自适应图像增强算法

合集下载

自适应均衡算法

自适应均衡算法自适应均衡算法是一种常用的数字图像处理算法，它可以有效地提高图像的质量和清晰度。

该算法的核心思想是通过对图像的直方图进行分析和处理，使得图像的亮度和对比度得到均衡，从而达到优化图像质量的目的。

本文将从算法原理、应用场景和优缺点三个方面来介绍自适应均衡算法。

一、算法原理自适应均衡算法的核心思想是将图像的直方图进行分析和处理，使得图像的亮度和对比度得到均衡。

具体来说，该算法将图像分成若干个小区域，对每个小区域的直方图进行均衡化处理，然后将处理后的小区域重新组合成一张完整的图像。

这样做的好处是可以针对不同区域的亮度和对比度进行不同的处理，从而达到更好的均衡效果。

自适应均衡算法的具体步骤如下：1. 将图像分成若干个小区域，每个小区域的大小可以根据实际情况进行调整。

2. 对每个小区域的直方图进行均衡化处理，使得该区域的亮度和对比度得到均衡。

3. 将处理后的小区域重新组合成一张完整的图像。

二、应用场景自适应均衡算法在数字图像处理中有着广泛的应用场景，下面列举几个常见的应用场景：1. 医学图像处理：在医学图像处理中，自适应均衡算法可以用来增强图像的对比度和清晰度，从而更好地显示病变部位。

2. 景观照片处理：在景观照片处理中，自适应均衡算法可以用来增强图像的色彩和对比度，从而使得照片更加美观。

3. 安防监控：在安防监控中，自适应均衡算法可以用来增强图像的亮度和对比度，从而更好地识别出目标物体。

三、优缺点自适应均衡算法有着许多优点，但也存在一些缺点，下面分别进行介绍：1. 优点：（1）能够针对不同区域的亮度和对比度进行不同的处理，从而达到更好的均衡效果。

（2）处理速度较快，适用于实时处理。

（3）算法简单易懂，易于实现。

2. 缺点：（1）容易出现过度增强的情况，导致图像失真。

（2）对于图像中存在的噪声和干扰，自适应均衡算法的效果并不理想。

（3）算法对于图像的分割和区域划分要求较高，需要进行精细的处理。

一种基于特征分类的红外图像自适应匹配增强的新方法

第３６卷第３期２０１４年３月
红外技术
ＩｎｆｒａｒｅｄＴｅｃｈｎｏｌｏｇｙ
Ｖｂ１－３６ＮＯ．３
Ｍａｒ．２０１４一种基于特征分类的红外图像自适应匹配增强的新方法
胡窦明，赵海生，李－Ｘ－）ｌＩ，潘超，柳继勇
Ａｂｓｔｒａｃｔ：Ａｎｅｗｉｎｆｒａｒｅｄｉｍａｇｅｓａｄａｐｔｉｖｅｍａｔｃｈｉｎｇｅｎｈａｎｃｅｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｃｌａｓｓｉｉｆｃａｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄｉｎｔｈｉｓｐａｐｅ￣Ｆｉｒｓｔｌｙｗｅａｎａｌｙｚｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｍａｎｙｉｎｆｒｒｅａｄｉｍａｇｅｓ，ａｎｄｔｈｅｎｃｌａｓｓｉｆｙｔｈｅｉｍａｇｅｓａｎｄｅｘｐｒｅｓｓｔｈｅｍｗｉｈｔｐａｒａｍｅｔｅｒ．Ｉｎｆｒａｒｅｄｉｍａｇｅｓａｒｅｄｉｖｉｄｅｄｉｎｔｏｆｏｕｒｃａｔｅｇｏｉｅｒｓ．Ｔｈｅｎｗｅｄｏｓｏｍｅｒｅｓｅａｒｃｈｉｎｔｈｅｍａｔｃｈｉｎｇｂｅｔｗｅｅｎｉｎｆｒａｒｅｄｉｍａｇｅｓｗｉｔｈｄｉｆｅｒｅｎｔｃｈｒａａｃｔｅｒｉｓｔｉｃｓａｎｄｅｎｈａｎｃｅｍｅｎｔａｌｇｏｉｔｒｈｍｓｔｏａｃｈｉｅｖｅａｇｏｏｄｍａｔｃｈｂｅｗｅｔｅｎｓｏｍｅｉｍａｇｅｔｙｐｅａｎｄｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇ

人脸识别技术的图像增强方法详解

人脸识别技术的图像增强方法详解人脸识别技术作为一种先进的生物识别技术，已经广泛应用于各个领域，如安全监控、人脸解锁、人脸支付等。

然而，由于环境光线、姿态、表情等因素的影响，人脸图像的质量可能会受到一定的影响，从而降低了识别的准确性。

为了解决这一问题，人们提出了各种图像增强方法，以提高人脸识别的性能。

一、直方图均衡化直方图均衡化是一种常用的图像增强方法，它通过对图像的像素值进行重新分配，使得图像的直方图更加均匀。

在人脸识别中，直方图均衡化可以增强图像的对比度，提高图像的清晰度。

具体而言，直方图均衡化可以通过以下步骤实现：1. 计算图像的直方图，得到各个灰度级的像素数量；2. 计算累积分布函数，得到每个灰度级对应的累积概率；3. 根据累积概率将原始图像的像素值映射到新的灰度级。

直方图均衡化能够有效地增强图像的对比度，使得人脸特征更加明显，从而提高了人脸识别的准确性。

二、自适应直方图均衡化尽管直方图均衡化能够增强图像的对比度，但是它忽略了图像局部的细节信息，可能会导致图像过度增强或细节丢失的问题。

为了解决这一问题，人们提出了自适应直方图均衡化方法。

自适应直方图均衡化将图像分成多个小区域，对每个小区域进行直方图均衡化，从而保留了图像的细节信息。

自适应直方图均衡化的具体步骤如下：1. 将原始图像分成多个小区域；2. 对每个小区域进行直方图均衡化；3. 将均衡化后的小区域合并成最终的增强图像。

自适应直方图均衡化能够更好地保留图像的细节信息，提高了人脸识别的准确性。

三、多尺度Retinex算法多尺度Retinex算法是一种基于图像亮度的增强方法，它通过模拟人眼对亮度的感知来增强图像的细节。

多尺度Retinex算法通过计算图像在不同尺度上的亮度分布，然后将亮度分布与原始图像进行融合，从而得到增强后的图像。

多尺度Retinex算法的具体步骤如下：1. 将原始图像分解成多个尺度的图像；2. 对每个尺度的图像进行Retinex增强，得到亮度分布图像；3. 将亮度分布图像与原始图像进行融合，得到增强后的图像。

一种改进的声呐图像自适应增强算法

该算法通过自适应选择方差最小的滑动窗口作为当前像素点的增强处理窗口，并自适应判别像素点所属的
区域类别，以进行相应的增强处理。仿真与现有算法的结果对比表明，本方法具有算法简单、易于实现等
特点，且增强效果可较好地满足视觉效果的需求。
关键词图像增强；自适应；声呐图像
保证检测的准确性。设选取的窗口组合为，ｋ所采集到的水下声呐图像具有对比度低、成像质量差、目标物与背景之间对比度低等特点。这些特点对后续的声呐图像目标检测与识别分析等工作带来了很大的难度。因此，在进行声呐图像的判读与目标识别等处理之前，需要对声呐图像进行增强处理。目前针对光学图像的处理算法很多，比如直方图均衡【、灰１】度变换模糊增强以及小波变换【２】等。而对于声呐图像来说，增强算法的研究相对较少，在应用中大
往也为０ｎ［，这种情形下像素灰度得不到增强，而达二臼口不到理论上的增强效果。为此，本文提出了基于灰度排序的增强算法，通过判断当前像素点的类别，
给出不同的增强策略，方法简述如下。对选出的滑动窗口Ｗ内的像素点灰度值Ｗ＝１ …．进行排序，得到灰度值序列，ｆ，，２Ｎ
马尔可夫随机场算法进行图像分割，取得了较好的分割效果。但由于声呐图像具有对比度低、成像质
量差等特点，在对声呐图像进行机器自动判读的同时，还应提高声呐图像的视觉效果，这可有助于人工辅助判读和决策等。考虑到算法的实时性等因
素，本文提出一种自适应声呐图像增强方法，简要步骤如下。１１窗口选择．在图像滤波增强算法中，滑动窗口的选择至关重要，如同形态学滤波中结构元的选择，主要涉及窗口尺寸和形状。通常尺寸较大的窗口，平滑能力较强，但对图像细节信息的破坏也较严重；而窗口的形状应尽可能同图像中目标边缘信息相一致，以

医学影像处理中的图像增强算法使用技巧分享

医学影像处理中的图像增强算法使用技巧分享图像增强是医学影像处理中的重要任务之一，它旨在改善图像的质量，使医生能够更准确地诊断和治疗疾病。

在医学影像处理领域，图像增强算法扮演着关键角色，它们能够增强图像的对比度、清晰度和边缘特征，从而提供更有用的信息。

在本文中，我们将分享一些医学影像处理中的图像增强算法使用技巧，帮助读者在实践中获得更好的结果。

1. 直方图均衡化(Histogram Equalization)直方图均衡化是一种简单却有效的图像增强方法，它通过重新分布图像像素的灰度级来增强图像的对比度。

在医学影像处理中，直方图均衡化可以帮助凸显影像中的重要结构和特征。

使用该算法时，需要考虑到不同图像具有不同的亮度分布特点，因此可能需要自适应的直方图均衡化算法来应对不同场景下的图像增强需求。

2. 噪声去除滤波器(Noise Removal Filters)噪声是医学影像处理中常见的问题之一，它会影响图像的质量和对比度。

为了去除噪声并增强图像，可以使用各种滤波器，如中值滤波器、高斯滤波器和均值滤波器。

中值滤波器可以有效地去除脉冲噪声，而高斯滤波器和均值滤波器则可以平滑图像并减少高频噪声。

根据图像的性质和需求，选择适当的滤波器非常关键。

3. 边缘增强(Edge Enhancement)边缘增强是一种用于增强图像边缘特征的方法，它可以使医生更容易地检测和分析图像中的病灶和结构。

在医学影像处理中，常用的边缘增强算法包括Laplacian增强、Sobel增强和Canny边缘检测。

这些算法能够突出显示图像中的边缘信息，并减少噪声的干扰。

然而，在使用边缘增强算法时，需要注意避免过度增强图像，以免造成误诊。

4. 对比度增强(Contrast Enhancement)对比度增强是一种改善图像对比度的方法，它可以使图像中的细节更加清晰可见。

在医学影像处理中，常见的对比度增强算法包括直方图拉伸、伽马校正和局部对比度增强。

直方图拉伸可以通过拉伸图像的灰度级范围来改善图像的对比度。

基于结构的自适应指纹图像增强算法

基于结构的自适应指纹图像增强算法
曹祥，邓宏贵，高湘蓉
（中南大学物理科学与技术学院，湖南长沙４０８）１０３
摘
要：指纹图像的周期性和局部方向性是指纹图像的重要结构特征，分利用这两个结构特征是提充
√
（１）
都没有充分利用指纹图像——这个纹理类图像本身的结构特征：即指纹像的脊线和谷线都是曲率变换平缓的曲线，在局部范围内，脊线和谷线近似平行，
整个图像上脊线的宽度和各线的宽度几乎没有变化（即脊线和谷线具有周期性）因此在设计指纹图像．增强算法时必需注意到这两个结构特点——也就是指纹图像局部的方向性和周期性．用指纹图像的利
（）ａ利有３× ３大小的Ｓｂｌ子计算各个像素ｏｅ算
２指纹图像的方向与频率的计算
计算指纹图像局部方向算法有多种ｕ，常用算Ｊ
法有两种：１利用梯度算子来求局部方向 ’ ’ （）５ ’；，８（）用方向模板来求局部方向Ｊ两种算法抗噪２利．能力都较弱，图像质量的依赖性较大，对比较而言，方法一的抗噪能力较好些，由于抗噪能力相对较差，所以必须进行一定的改进．用梯度法求局部方向在源自图ｌ处理前后的指纹图像
收稿Ｅ：０一９ｏｔ２６ｏ一４期０作者简介：曹祥（９２）男，１８一，硕士研究生，研究方向：电技术光

一种雾天图像低对比度增强的快速算法

中图分类号：Ｐ５；Ｐ０．Ｔ７ｌＴ３１６文献标识码：Ａ
Ｆａｔａｇｒｔｏｅｈａｅｃｎｒｓｆｆｇｄｇａｅｍａｅｓｌｏｉｈｍｔｎｎｃｏｔａｔｏｏ — ｅｒｄｄｉｇｓ
ＷＡＮＧＰｎ，ＺｉｇＨＡＮＣｕ，ＬＯｎ－ｉＧｈｎＵＹｉｇｘｎ
０引言
雾天获取的景物图像视觉感受不清晰。其物理成因在于：大气粒子的散射作用，使从景物反射的光通量部分被微粒吸收或反射，导致到达观察者的入射光被衰减。反映在图像上，就是原本较低的灰度值被加强，较高的灰度值被削弱，从
而使像素点灰度值的分布过于集中，比度减弱。因此，以对可从两方面来考虑雾天图像的复原：１从图像处理的角度，（）其本身是图像对比度增强的问题；２从物理成因的角度，是（）则对大气散射作用的建模分析与图像复原相结合的问题。本文主要从图像处理的角度对雾天图像对比度增强的算法进行研
究。
均在基本保持图像增强效果的基础上通过减小局部直方图的重叠程度来降低运算量。本文算法即属于此种类型。
１直方图均衡化
直方图均衡化就是把给定图像的直方图分布变成均匀的直方图分布，而实现图像的对比度增强。从１１基本方法ｕ．ｌ … 根据直方图定义，一幅图像的灰度级为区间［，］０１内的随机变量。变换函数：定义ｓ＝Ｔｒ，（）
ｉｇｓｈｓｉｗｓｅｐｃａｙａａｔｄｔｈ０ — ｅａｅｍａｅｔｃｎｅｔａｉｔｎ．Ｅｘｅｍｅｔｒｓｌｈｗａｍａｅ．Ｔｕｔａｓｅｉｌｄｐｅｏｔｅｆｇｄｇｄｄｉｇｓｗｉｓｅｅｄｐｈｖｒａｉｓｌｒｈｏｐｒｎｅｕｔｓｏｔｔｉｓｈｔｅｐｒｒａｃｆｈｒｐｓｄａｇｒｔｍｓｖｒｏｄｈｅｆｍｎｅｏｅｐｏｏｅｏｈｉｅｇｏ．ｏｔｌｉｙＫｅｒｓｏ — ｅａｅｍａｅ；ｃｎｒｓｎａｃｍｅｔｉｏｒｍｑａｉａｉｎｙｗｏｄ：ｆｇｄｇｄｄｉｇｓｏｔａｔｅｈｒｎｅｎ；ｈｓｇａｅｕｚｔｔｌｏ

基于二维Otsu准则的自适应分数阶微分的图像增强算法

基于二维Otsu准则的自适应分数阶微分的图像增强算法李博;谢巍【摘要】针对传统的分数阶微分应用于图像增强中会在强化图像边缘的时候忽视了图像的纹理,或者在保留更多图像纹理的同时弱化了图像边缘等不足,本文提出一种可以根据像素点的动态梯度来自适应调整分数阶微分阶次的图像增强新方法.该方法引入改进的二维Otsu准则,并结合图像的区域特征构造出自适应分数阶微分函数,进而求出与每一个像素点相对应的分数阶微分阶次.最后,实验结果表明该方法比较现有的方法可以更好的提取和增强图像边缘的同时,保留图像弱纹理和平滑区域,从而达到更佳的图像增强效果.【期刊名称】《控制理论与应用》【年(卷),期】2015(032)006【总页数】7页(P794-800)【关键词】分数阶微分;自适应算法;图像增强;梯度方法;Otsu;掩模;阶次【作者】李博;谢巍【作者单位】华南理工大学自动化科学与工程学院,广东广州510640;华南理工大学自动化科学与工程学院,广东广州510640【正文语种】中文【中图分类】TP3911 引言(Introduction)分数阶微分是关于任意阶微分的理论，它可看成是整数阶微分的推广[1–2]，而与传统的整数阶微分算子相比较，分数阶微分用于图像处理可以使图像边缘明显增强、图像纹理细节更加清晰的同时，非线性保留图像平滑区域信息.因此，将分数阶微积分理论应用到图像处理领域[3–6]吸引了国内外学者进行相关的研究.传统的分数阶微分在处理图像的边缘、纹理和平滑区域时都是采用同一的微分阶次，这样容易造成高微分阶次强化图像边缘的时候忽视了图像的弱纹理和平滑区域，或者低微分阶次保留较多图像弱纹理的同时弱化了图像边缘，难以达到较好的图像增强效果.文献[7–11]中提出并论述了数字图像的分数阶掩模和运算规则以及传统分数阶微分对图像的增强能力和效果，文献[7]进一步给出了6种近似微分算子的实现方法以及相应的误差和图像增强效果.由于上述算法中的分数阶微分阶次都是事先给定的常数值，在图像增强的效果上难以达到最佳.文献[12–13]进一步提出了主要以图像梯度特征、图像熵等为依据的自适应分数阶图像处理方法，但是，由于图像的复杂多变性，求取这些参数所需选取的图像区域大小难以准确划分，进而难以获取合适的规则来确定的每个像素点的微分阶次.综上所述，分数阶微分阶次的选取是关系到实际图像增强效果的重要因素，关于图像增强的自适应分数阶微分阶次选取的方法可以做进一步的研究.本文提出一种以图像中每一个像素点为对象的自适应分数阶微分阶次的选取方法，该方法从图像的梯度特征出发，引入改进的二维Otsu准则来对梯度图像进行分割，然后结合图像区域特征构造出自适应分数阶微分阶次的函数，求出与区域中每一个像素点相对应的微分阶次，进而应用掩模模板来对每一个像素点进行处理，从而达到较好的图像增强效果.最后，本文所提的方法和现有基于自适应分数阶微分的图像增强算法进行了比较，验证了本文所提的方法的有效性.2 相关理论引导及分析(Relative theory guidance and analysis)2.1 分数阶微积分的定义(The definition of fractional differential)如现阶段主要的3种微积分定义表达式:Grünwald-Letnikov(G–L)分数阶微积分定义、Riemann-Liouville(R–L)分数阶微积分定义和Capotu定义[14–17]，由于G–L定义相较于其他两种定义公式计算复杂度较小，并且可以用位移加权求和方式来近似表达该函数，因此较适合应用于信号处理领域.利用Gamma函数将分数阶阶次从整数推广到分数，G–L定义的r阶次分数阶微积分表达式为其中:[·]表示整数部分，f(t)的变化区间为[a,b]，为二项式系数.2.2 分数阶微分对信号和图像的作用(The effect of fractional differential on signals and images)当v＞0时，Dv表示V阶微分乘性算子，对于任意的平方可积的能量信号s(t∈L2(R))，它的分数阶微分变换为由信号处理的基本理论可知其Fourier变换为根据公式(3)画出各阶次分数阶微分频率响应图.由图1可知，分数阶微分运算对信号的高频部分具有增强作用，并且随着频率和分数阶微分阶次的增加，增强的幅度呈非线性急速增长.同时分数阶微分对信号的低频部分进行了一定程度的非线性的保留.对于图像而言，信号的低频部分对应于梯度变化缓慢的图像弱纹理和平滑区域;信号的高频部分对应于梯度变化快的图像边缘.因此，对图像进行分数阶微分处理可以在增强图像边缘的同时非线性保留图像的弱纹理等细节信息，从而达到较好的图像增强效果.图1 各阶次分数阶微分频率响应图Fig.1 Amplitude-frequency curves of each fractional differential order2.3 分数阶微分掩模的实现(The realization of fractional differential masks)由分数阶微积分的G–L定义可知若一元信号f(t)的持续期为t∈[a,b]，将信号持续时间按等分间隔h=1等分，那么f(t)的v阶微分的差分表达式:求取8个方向(与x轴方向成0°,45°,90°,135°,180°,225°,270°,315°)的分数阶微分掩模算子，并叠加得到如图2所示的5×5掩模(每项元素除以8-12v+4v2).图2 将8个方向偏微分叠加后的掩模Fig.2 Mask superposed by partial integrals of 8 directions3 自适应分数阶微分函数推导过程(The derivationprocessofadaptivefractionaldifferential function)3.1 改进的二维Otsu算法求取最优梯度阈值s(The optimal threshold s is determined by improved Otsu algorithm)为了有效的对图像进行区域化增强和保留，本文首先将图像的边缘、弱纹理和平滑区域进行分割.由于传统的一维Otsu算法[18]中的直方图不一定存在明显的波峰和波谷，并是以图像灰度为对象，所以难以较准确识别图像的边缘和纹理信息.本文在传统的二维Otsu算法[19–21]基础上进行改进，以图3所示的梯度图像为对象，建立二维梯度直方图，以边缘和平滑区域的内间方差来求取最优阈值.图3 改进二维Oust算法中的梯度图与直方图Fig.3 Gradient graph and histogram of Improved two-dimensional Oust algorithm对于一幅A×B数字图像f(i,j)，其灰度级为L，M(i,j)表示像素点(i,j)的8个方向上的梯度的平均值N(i,j)表示像素点(i,j)的3×3邻域上的8个像素点的梯度的平均值由此可以构成一个二元组:像素点的梯度值m和它的领域平均梯度值n(m,n取整数).设二元组出现的频数Rm,n，则联合密度为设阈值为(s,t)，那么图像边缘和平滑区域的概率为对应的均值矢量二维直方图上总的均值矢量:假设二维直方图的副对角区域图像的概率忽略不计，则类间方差定义为使用Sb的迹trSb作为类间方差的测度将式(10)代入式(12)，有当trSb最大时，(s,t)为最优阈值，那么此时的s为选取的梯度图像中的最优边缘阈值.3.2 自适应分数阶微分阶次函数的构造(The construction of adaptive fractional differential function)当像素点的平均梯度幅值M(i,j)大于最优阈值s时，该像素点可被认为是边缘点处，对该像素点进行较高阶次的分数阶微分处理可以有效增强图像的边缘.为了达到更好的自适应增强效果，引入边缘点的微分阶次的阈值v1，当时，梯度幅值与最优阈值差值较大，像素点处于较强边缘点，取v=(M(i,j)-s)/M(i,j)，此时M(i,j)越大，v越大，可以达到更佳的边缘增强效果.当时，梯度幅值与最优阈值较为接近，像素点处于较弱边缘点，此时直接以v=v1来增强图像边缘.当像素点的平均梯度幅值M(i,j)小于最优阈值s时，该像素点可被认为是较弱纹理处，对该像素点进行较低阶次的分数阶微分处理可以更好的保留图像的弱纹理.同样引入弱纹理点的微分阶次阈值v2，当时，梯度幅值与最优阈值较接近，像素点处于较强纹理处，此时取v=v2来保留纹理.当时，梯度幅值小于最优阈值较多，像素点处于较弱纹理处，设v=M(i,j)/s，此时梯度幅值越小，图像纹理越弱，v越小，保留的纹理就越多.当0≤M(i,j)≤2时，该像素点被认为是图像平滑区域点.通过对大量图像的进行仿真实验发现当参数取值为时v1=0.7,v2=0.3，可以达到较好的图像自适应增强效果. 依据上述理论，自适应分数阶微分阶次的函数设计如下:3.3 本文的分数阶微分阶次确定方法与现有方法的比较(The proposed method compared with the existing methods)针对多种类型的图像进行比较验证，在统计意义上和现有的自适应分数阶微分阶次的选取方法分别做了对比和分析，验证了本方法的有效性.以4幅图像(头像、人物、蔬菜、景色)举例说明.文献[12]方法的v函数:其中maxM(i,j)表示M(i,j)的最大值.文献[13]方法的v函数:其中:e=2.71，C为图像粗糙度，S为图像熵，(以整幅图像为对象求参数C和S)，式(16)中的C,S和M(i,j)是归一化后的取值.如图4所示，文献[12]方法的微分阶次取值基本都大于0.7，那么弱纹理点对应的微分阶次也较大，在弱纹理的保留效果上会较差.文献[13]方法微分阶次出现负数，此时会弱化图像边缘，难以达到增强边缘的效果.从本文方法的阶次曲线图中可知，当梯度幅值M(i,j)小于s时，图像弱纹理以不大于0.3的微分阶次进行保留，并且纹理越弱，微分阶次越小，保留的幅度就越大;当M(i,j)大于时，图像边缘以0.7阶次以上增强，并且边缘梯度越强，微分阶次越大，增强的幅度越大.从而可以看出本文方法在微分阶次的自适应调节效果上最佳.图4 分数阶微分阶次的自适应情况图Fig.4 The graph of adaptive fractional differential order4 实验与分析(Experiment and analysis)以图5为例，本文方法与文献[7–13]方法进行图像增强效果的比较实验，同时加入直方图均衡与同态滤波方法.以文献[7]为代表传统的分数阶微分图像增强方法.如图5所示，直方图均衡方法有一定的增强效果，但是灰度区域过度不自然，图像纹理细节不完整，对比度增强效果并不理想.同态滤波图像的灰度被压缩，图像整体较暗.经由文献[7]传统的分数阶微分方法处理后的图5(d)和5(e)可以发现，高阶次分数阶微分可以增强图像边缘，但是弱纹理和平滑区域被削弱，甚至出现噪声，低阶次分数阶微分对边缘增强效果较弱，弱纹理部分较清晰.图5 各个方法处理后的图像Fig.5 Images processed by each method图6为本文增强后图像与文献[7]、文献[12]和文献[13]的方法进行差分后的结果.图6中的船身的轮廓清晰可见，由此说明本文方法较准确提取和更大程度上增强了图像的边缘信息.图6 本文方法与其他方法的差分图像Fig.6 The result of subtracting other methods from the proposed method其次通过图像数据分析来进行客观评价，通过二维Otsu准则对各个方法增强后的图像进行计算，求出相应的图像边缘点比例、纹理平均灰度、边缘点平均梯度和对比度来进行数据比较.其中设比度定义为Co=Cprocessed/Coriginal，C为所有3×3单位对比度的均值，Coriginal和Cprocessed分别代表原始和增强后图像的对比度.边缘点比例表示图像边缘点的数量比例，平均梯度表示图像边缘被增强的程度，对比度表征图像清晰度.由表1可以看出，随着文献[7]方法的微分阶次的提升，图像边缘点的平均梯度明显提高，图像边缘被加强，但是同时边缘点比例较原图增加较多，表明阶次较高的传统分数阶微分算法容易使图像中出现与边缘点梯度相近的噪声点，同时对比度过大，会导致视觉效果较差.直方图均衡与同态滤波方法在对比度提高较多，但是对边缘的加强方面较弱.本文方法与原图的边缘点比例最为接近，且平均梯度较高，所以本文方法在图像增强过程中产生的噪声点少，同时能较准确的提取图像中的边缘点，并对其进行有效的增强.除同态滤波以外，其他方法的纹理点平均灰度与原文的相差都很小，从而说明文献[7–13]都能在一定程度上对弱纹理和对平滑区域进行一定的保留.所有方法的对比度都有提高，本文方法效果较佳.表1 图5中各图像的评价参数Table 1 The evaluation parameters of image inFig.5参数图5中各图像边缘比例边缘梯度纹理灰度对比度(a) 0.1865 67.3775 133.0463 1(b) 0.1604 70.3271 77.8553 1.7653(c) 0.2418 121.6099 127.0402 1.9906(d) 0.2052 136.2827 132.9229 2.084(e) 0.3933 194.3769 132.8951 3.6942(f) 0.2359 162.5147 133.4406 2.4142(g) 0.1856 65.9123 132.9357 1.047(h) 0.1931 184.7997 134.0494 2.25465 结论(Conclusions)基于自适应分数阶微分的图像增强是一个新的发展方向，利用分数阶能够在提取边缘信息的同时保留图像纹理的特点能够在图像处理领域发挥积极的作用.本文引入改进的二维Otsu准则将图像进行区域划分后，再利用由图像区域特征构造的自适应分数阶微分函数，提出一种以图像中每一个像素点为对象的自适应分数阶微分阶次的选取方法，对图像的每个像素点进行不同阶次的微分处理.最后，本文所提的方法和现有自适应分数阶微分算法进行了比较，验证了本文所提的方法的有效性. 参考文献(References):【相关文献】[1]OLDHAM K B，SPAIER J.The Fractional Calculus[M].New York and London:Academic Press，1974.[2]KEMPFLE S.Fractional calculus via functional calculus:theory andapplications[J].Nonlinear Dynamics，2002，29(1/2/3/4):99–127.[3]陈庆利，黄果，张秀琼，等.数字图像的Caputo分数阶微分增强[J].计算机辅助设计与图形学学报，2013，25(4):519–525.(CHEN Qingli，HUANG Guo，ZHANG Xiuqiong，et al.A Caputo fractional differential approach to image enhancemen[J].Journal of Computer-–Aiaed Design&Computer Graphics，2013，25(4):519–525.)[4]DI MARTINO J M，FLORES J L，AYUBI G A，et al.Edge enhancement of color images using a digital micromirror device[J].Applied Optics，2012 ，51(16):3439–3444.[5]郭李，覃剑.分数阶微分和小波分解最优用于图像增强[J].小型微型计算机系统，2012，33(12):2680–2686.(GUO Li，QIN Jian.Fractional differential and optimal wavelet decomposition used in image enhancement[J].Journal of Chinese Computer Systems，2012，33(12):2680–2686.)[6]杜晓昕，王波，刘同双.医学DR图像增强处理方法仿真研究[J].计算机仿真，2013，30(6):423–427.(DU Xiaoxin，WANG Bo，LIU Tongshuang.Simulation research on medical dr image enhancement processing algorithm[J].Journal of Computer Simulation，2013，30(6):423–427.)[7]PU Y F，ZHOU J L，YUAN X.Fractional differencial mask:a fractionaldifferential-basedapproachformiltiscaletextureenhencent[J].IEEE Transactions on Image processing，2010，19(2):491–511.[8]杨柱中，周激流，晏祥玉，等.基于分数阶微分的图像增强[J].计算机辅助设计与图形学学报，2008，20(3):333–348.(YANG Zhongzhu，ZHOU Jiliu，YAN Xiangyu，et al.Image enhancement based on fractional differentials[J].Journal of Computer AidedDesign&Computer Graphics，2008，20(3):333–348.)[9]蒲亦非.将分数阶微分演算引入数字图像处理[J].四川大学学报:工程科学版，2007，39(3):124–132.(PU Yifei.Application of fractional differential approach to digital imageprocessing[J].Journal of Sichuan University:Engineering Science Editior，2007，39(3):124–132.)[10]蒲亦非，王卫星.数字图像的分数阶微分掩模及其数值运算规则[J].自动化学报，2007，33(11)：1128–1135.(PU Yifei，WANG Weixing.Image enhancement masks based on fractional differential[J].Jacta Automatic Sinica，2007，33(11):1128–1135.)[11]WANG W X，LI W S，YU X.Fractional akgorithms for rock fracture images[J].The Imaging Science Journal，2012，60(3):103–111.[12]汪成亮，兰利彬，周尚波.自适应分数阶微分在图像纹理增强中的应用[J].重庆大学学报，2011，34(2):32–37(WANG Chengliang，LAN Libin，ZHOU Shangbo.Adaptive fractional differential and its application to image texture enhancement[J].Journal of Chongqing University，2011，34(2):32–37.)[13]黄果，陈庆利，蒲亦非，等.可变阶次分数阶微分实现图像自适应增强[J].沈阳工业大学学报，2012，34(4):446–454.(HUANG Guo，CHEN Qingli，PU Yifei，et al.Realization of adaptive image enhancement with variable fractional order diffeerential[J].Journal of Shenyang University of Technology，2012，34(4):446–454.)[14]CAFAGNA D.Fractional calculus:a mathematical tool from the Past for present engineers[J].IEEE Industrial Electronics Magazine，2007，1(2):35–40.[15]MILLER K S，ROSS B.An Introduction to the Fractional Calculus and Fractional Differential Equations[M].New York，USA:John Wiley&Sons，1993.[16]LOVE E R.Fractional derivatives of imaginary order[J].Journal of the London Mathematical Society，1971，2(2):241–259.[17]MCBRIDE A C.Fractional Calculus[M].New York:Halsted Press，1986.[18]OTSU N.A threshold selection method from gray level histogram[J].IEEE Transactions on System,Man and Cybernetics，1979，9(1):62–66.[19]刘建庄，粟文青.灰度图像的二维Otsu自动阈值分割法[J].自动化学报，1993，19(1):101–105.(LIU Jianzhuang，LI Wenqing.Automatic thresholding of gray-level pictures usingtwo-dimension Otsu method[J].Acta Automatica Sinica，1993，19(1):101–105.)[20]徐长新，彭国华.二维Otsu阈值法的快速算法[J].计算机应用，2012，32(5):1258–1260.(XU Changxin，PENG Guohua.Fast algorithm for 2D Otsu thresholding algorithm[J].Journal of Computer Applications，2012，32(5):1258–1260.)[21]范朝冬，欧阳红林，张英杰.基于小概率策略的Otsu图像分割方法[J].电子与信息学报，2013，35(9):2081–2087.(FAN Chaodong，OUYANG Honglin，ZHANG Yingjie.Small probability strategy based otsu thresholding method for image segmentation[J].Journal of Electronics&Information Technology，2013，35(9):2081–2087.)。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

到了彩色图像的处理。实验结果表明，该算法运行速度快，能有效改善图像质量。同时能够根据环境的亮暗，自动调整增强效果，具有自适应的功能。
关键词：图像增强：自适应：平滑滤波：高斯非线性函数：色空间转换彩
ＡｓｄｐｔｖｇｒｔｍｏｍａｅＥｎｈａｅｎｔＦａｔＡａｉｅＡｌｏｉｈｆｒＩｇｎｃｍｅ
Ｋｅｗｏｄｓｉａｅｅａｃｍｅ；ｅｆａａｔｖ；ｕｓａｍｏｏｉｇｆｌｒｎｎｌｅｒｆｎｔｎｃｌｒｓａｅｃｎｅｔｒｙｒ：ｍｇｎｎｅｎｔｓｌ－ｄｐｉｅＧａｓｉｎｓｈｈｔｎｔ；ｏ —ｉａｃｉ；ｏｏｐｃｏｖｒｅｉｅｎｕｏ
１引言
图像在采集过程中由于受到传感器灵敏度、噪声
有用的信息。图像增强算法的通用理论是不存在的【，１】
当图像为视觉解释而进行处理时，由观察者最后判断
特定方法的效果。当图像应用于特征识别时，最好的图像增强算法是一种能得到最好的机器可识别结果的
干扰以及模数转化时量化问题等因素的影响，导致图像无法达到人眼的视觉效果或者不能满足图像的后期处理，如特征识别等。为了实现人眼观察或者机器对图像的特征提取，需要利用图像增强技术对图像进行预处理，从而改善图像质量，以便从图像中获取更加
３上海建桥学院上海２１１）．０３９
摘要：提出了一种快速的自适应图像增强算法。算法首先对原始图像进行高斯平滑滤波，然后根据原始图像
的整体信息和局部信息对图像的像素值进行偏移。最后，利用偏移后的图像信息和非线性函数对图像进行变换，从而实现了对图像细节的增强。通过将ＲＧＢ图像变换到ＨＶ彩色空ｎｓｏｉｇｆｔｒｎｅｆｅｓｔｅｉｇｉｅａｕｓｏｅｂｉｏｌｂｌａｄｌｃｌｕｓａｍｏｔｎｌ，ａｄｔｎｏｓｔｈｍａｅｐｘｌｖｌｅｎｔａｓｆｇｏａｏａｈｉｅｈｈｓｎ
Ｊｈａ２０４Ｃｉ；．ｈｇａＪｑａｏｌｅＳａｇａ２１，ｈａｉｕ１０，ｈａ３ＳａｈｉｉｉＣｌｇ，ｈｈｉ０３９Ｃｉ）ｎ３ｎｎａｏｎｅｎ１ｎ
Ａｂｓｒｃ：Ａｆｓｄａａｔｅａｇｒｔｔａｔａｔａｄｐｉｌｏｉｎｖｈｍｏｇｎａｃｍｅｔｉｒｐｅ．ｅａｇｒｔｍｒｔｆｌｒｈｍａｅｗｉｈｆｒｉｍａｅｅｈｎｅｎｓｐｏｏｓｄＴｈｌｏｉｈｆｓｔｓｔｅｉｇｔｉｉｅ
ＷＡＮＧａ－ｉｇ，ＸｉｏＭｎＨＵＡＮＧＣｈａｇＺＵｈｎＣｅＬＵＪ－ａｎ ’ ＨＯＣｅ－ｈｎ，ＩｎＧｏ，ｉ。
，
（．ｅａｔｎｆｎｏｍａｏ，ａｔ１ＤｐｒｍｅｔＩｆｏｒｔｎＥｓｉ
ＣｉａｒａＵｉｅｓｙＳａｇａ２０４，ｈｎ；．ｅａｍｅｔｆｅｃｅＥｕａｉ，ｈｊｎｒｌｎｖｒｉ，ｈｍｌｎｖｒｉ，ｈｎｈｉ０２１Ｃｉ２ＤｐｒｎＴａｈｒｄｃｔｎＺｅａｇｍａＵｉｅｓｙｎＮｏｔａｔｏｏｉＮｏｔ
ｎｏｍａｉ．Ｆｉｌｙｈｆｅｉｌｖｌｅｉｆｒｔｎｎａｌ，ｔｅｏｓｔｐｘｅａｕｓａｄｎｎｌｅｒｆｎｔｏｓｕｅｏｔａｆｒｔｅｉｇ，ｔｕｓｏｎｏ —ｉａｕｃｉｎｉｓｄｔｒｎｓｏｍｈｍａｅｈｎｅａｃｇｔｅｄｔｉｆｔｅｉａｅＢｙｔａｓｒｉｇｔｅＲＧＢａｅｔＶｐｃ，ｅｍｅｏｓｅｔｎｅｈｎｎｉｈｅａｌｏｈｇ．ｒｎｆｍｎｎｓｍｏｈｍｉｇＨＳｓａｅｔｔｄｉｘｅｄｄｏｈｈｏｈｏｏｍｇｎｎｅｎ．ｐｒｍｅｔｌｒｓｌｓｄｍｏｓｒｔｈｔｔｔｅｃｌｒｉａｅｅａｃｍｅｔＥｘｅｉｎａｅｕｔｅｎｔａｅｔａｔｅｐｏｏｅｈｈｒｐｓｄｍｅｏ４ｎｅｉｉｎｌｈｔｄｃｆｃｅｔｙ１
计算机系统应用
２１００年第１卷第８期９
一
种快速的自适应图像增强算法①
王小明１黄昶ｌ周晨辰１刘锦高１，２，３
（．师范大学信息学院上海２０４；２１华东０２１．浙江师范大学教师教育学院浙江金华３１０；２４０
ｍｒｖｇａｎｎａｏｅ－ｐｉｌａｕｔｈｎｅｅｔｃｏｄｔｖｒｍｅｔｉｐｏｅａｅｕＩａｄａｓｌａａｔｅｊｓｔｅｎａｃｍｎａｃｒｉｇｅｎｉｎｎ．ｍｉｑｉｃｌｓｆｄｖｙｄｅｈｎｔｈｅｏｏ