图像增强使用色彩空间转换和离散小波变换

文摘

本文的目的是改善图像的质量,如医疗或卫星图像。摘要技术提出了基于离散小波变换和奇异值分解。在这种变换将图像分解成四个下标乐队,剩余四个乐队一个较低的频率和高频率。然后利用逆DWT修改后的图像重建。提高质量,没什么是自适应直方图均衡化(AHE)。自适应直方图均衡化增强方法的对比数字分为区域的像素。图像捕获在雾蒙蒙的天气条件下得到高度退化由于遭受贫穷的对比度和色彩特征。利用颜色空间转换方法的损失,提高彩色雾蒙蒙的图像。SVD-DWT方法的结果清楚地表明提高效率和灵活性的退出方法如线性对比拉伸技术,GHE技术,De-correlation拉伸技术,图像灰度校正方法的基础技术

关键字

自适应直方图均衡化(AHE),离散小波变换(DWT)奇异值分解(圣)andColor空间转换(CSC)

介绍

图像增强是一个过程,改善外观或质量给定的图像,这样的结果是比原始图像更适合特定的应用[1]。提高图像特征,如边缘、边界或对比图形显示为显示和分析更有帮助。如果我们把人体x射线断层不能清楚地发现因为扫描机器的失真,环境噪声等。,这就导致模糊效果和生产或低质量的图像。为了克服这个问题,DWT使用。DWT最近变换在图像处理。使用Haar小波变换,这内在他们的财产,他们是冗余和移不变的。它将给定的低对比度图像分解成频率成分即分解。有几种小波在图像处理中的应用即特征提取、去噪、人脸识别、良好的分辨率卫星图像和压缩。在现有的系统中,直方图均衡化、对比度拉伸和伽马校正用于图像增强。

(一)直方图均衡化:

图像的直方图代表发生的相对频率的各种图像中灰色的水平,两个图像的直方图:一个颜色,黑色和白色。黑白图像,我们将有256灰色的水平,从0到255,直方图的垂直线显示多少像素在一个假设一个特定的灰度图像。直方图流程可以适应当地的增强。每个像素周围的过程包括定义一个社区,这个社区的使用直方图特点,推导出传递函数的,像素映射到一个输出强度水平。这对图像中每个像素执行。他是一个很有用的技巧,提高图像对比度[10],但其效应太严重了,许多目的。这种方法的优点是控制对比效应和直方图估计和积累功能提供了非常广泛的影响。本地增强也可能定义转换基于像素直方图以外的属性,如强度均值方差(控制)和方差(控制之下)是常见的。

s = T r (r) 0≤≤1

T (r)是单值r和单调递增的函数间隔0≤≤1

这种方法的主要缺点是无差别的导致增加背景噪声的对比和它产生更多的模糊效果。

(b)与延伸:

在一些数字图像,感兴趣的特性只占用一个相对狭窄的范围的灰度。一个可能使用点操作扩展的对比感兴趣的特征,这样他们占领更大的显示灰度范围的一部分。这就是所谓的对比度增强或对比度拉伸。概念的对比是指灰度差异图像的振幅[6]。

灰度的范围是一个简单的分散的数据分布。

范围= gmax (x, y) -gmin (x, y)

gmax (x, y) =最大灰度值

gmin (x, y) =最小灰度值

结构的优点是改善可视化的黑暗和轻的部分图像在同一时间。上面的流程图描述了如何计算对比度拉伸。这种方法的主要缺点是产生混叠效应由于失踪的边缘。

(c)伽马校正:

伽马校正是一个非线性的名字操作用于编码和解码亮度或三色值在视频或系统。γ是术语用来描述非线性显示屏[5]。伽马校正是一个强度变换函数

hereγ是一个常数

γγ值< 1有时被称为一个编码γ和编码与压缩幂律非线性的过程被称为伽马压缩;相反γγ值> 1称为解码γ和广阔的幂律的应用非线性叫做伽马扩张。伽马校正的效果在一个图像:原始图像被送往不同的权力,表明权力大于一个阴影黑暗,而权力小于轻使黑暗的地区之一。这种方法的主要缺点是低信噪比。

方法

在过去的十年中,一些技术提出了低对比度卫星图像的对比度增强。摘要技术提出了基于奇异值分解(计算)和离散小波变换(DWT)。拟议的技术修改SVD-DWT正常化后将图像转换为SVD-DWT域奇异值矩阵。然后利用逆DWT修改后的图像重建。增强过程中的自适应直方图均衡化(AHE)已经被使用。的知觉和定量结果提出修改SVD-DWT图像捕获在雾蒙蒙的天气条件下得到高度退化由于遭受贫穷的对比和损失特征。利用颜色空间的转换方法,提高彩色雾蒙蒙的图像。这种方法显然表明提高效率和灵活性的退出方法如线性对比拉伸技术,GHE技术,De-correlation拉伸技术,图像灰度校正方法的基础技术。

自适应直方图均衡化(AHE)是计算机图像处理技术用于提高对比度的图像。这种方法更先进的版本的直方图均衡化,自适应直方图均衡化,假设图像在空间上的差异很大。[2][5],它不同于普通在尊重自适应直方图均衡化方法计算几个直方图,每个对应一个不同的图片,并使用它们重新分配图像的亮度值。将图像划分为较小的瓷砖,直方图均衡化适用于每个瓷砖,然后插入结果。自适应直方图均衡化方法包括步骤的平滑直方图和使用,直接或间接,mappingpixel值的步骤。结构决定意味着适应删除单和稀疏分布的边缘点和/或由边缘检测方法是适应连接破碎的边缘。

步骤:

1。选择225 x225子图像

2。即找到计数。,no of times values repeated with corresponding pixel values

3所示。然后计算提供。,sum of consecutive values of each pixel value. Pixel values that have a zero count are excluded .From that we get a histogram of an image

4所示。然后由公式计算直方图均衡化

cdfmin -最小非零值的累积分布函数M×N -图像大小(225 x225)给出了图像的像素数量L号灰色的水平使用(在大多数情况下,像这样,256)。

5。将图像划分为较小的瓷砖,直方图均衡化适用于每个瓷砖,然后插入结果。

离散小波变换(b):

变换是一个过程,从给定的域将一个对象转换到另一个为了一些重要的隐式信息,它可用于识别。传统的转换,是通常的傅里叶变换将信号从时域转换到频域。未来的发展一个有效的变换是傅里叶变换被称为小波变换(WT) .Wavelet可以被视为最有效的变换处理图像,声音,或任何其他模式,因为它提供了一个强大的时空(时间频率)表示。

步骤:

1。选择输入图像

2。均值滤波适用于特定部分(高通组件)的合成图像(L1H1、L1H2 L2H1, L2H2, H1L1, H1L2, H1H1, H1H2, H2L1, H2L2, H2H1, H2H2),和离开低通组件是用于下一步。

3所示。得到的小波变换系数低通的每一部分组件(L1H1、L1L2 L2L1, L2L2)。会给每个部分四个部分波段(LL、LH、霍奇金淋巴瘤、HH)如下所示:-

4所示。每一部分将被处理之前的方式然后重复步骤(2)的合成高passcomponents只(L1H1、L1H2 L2H1, L2H2, H1L1, H1L2, H1H1, H1H2, H2L1, H2L2, H2H1, H2H2)通过应用意味着过滤组件和离开lowpasscomponent

5。逆小波变换系数给出了重建图像。

(C)奇异值分解:

奇异值分解)可以计算主要是由三个相互兼容的观点。一方面,我们可以把它作为一个方法来改变中国微创科学院,工程和技术相关变量为一组不相关的那些更好的公开原始数据之间的各种关系itemsp [11]。同时,奇异值分解方法用于识别和排序分exhibitthe大多数变异。关系数据的维度以及观看圣言的第三种方法是最变化,一旦我们已经确定了,然后可以找到最佳逼近原始数据点的使用更少的维度。因此,计算可以看作是数据简化方法,主要用于特征提取以及低对比度的增强图像。

(D)增强模糊图像

图像捕获在雾蒙蒙的天气条件下得到高度退化由于遭受贫穷的对比度和颜色特征[4]。这个项目提出了一种等退化彩色图像对比度增强算法。恢复对比和颜色我们提出以下四个步骤:1)输入图像的RGB分量转化成色彩强度饱和(他的)组件;2)应用新颖的对比度增强技术在强度(I)组件。这是我在组件由于众所周知的事实,人类视觉系统对该组件与其他组件相比更敏感(例如H, S);然后3)应用伽马校正方法的年代组件颜色恢复;最后,4)结合H, S组件回到RGB组件。除了提出方法简单,实验结果表明,该方法是非常有效的增强对比度和颜色比其他竞争的方法

图显示了模糊图像的流程图。

(我)前处理

它抑制噪声(图像预处理)和提高一些对象的特性——理解图像边缘提取等相关平滑、阈值等。

(2)颜色空间转换[18]

颜色空间转换的表示颜色的翻译从一个到另一个基础。这通常发生在上下文中用一种颜色表示的转换图像空间到另一个颜色空间,目标是使翻译看起来尽可能接近原始图像。

完成预处理后,输入图像的颜色空间转换方法,1)输入图像的RGB分量转化成色彩强度饱和(他的)组件;2)应用对比增强技术在强度(I)组件。这是我在组件由于众所周知的事实,人类视觉系统对该组件与其他组件相比更敏感(例如H, S);然后3)应用伽马校正方法的年代组件颜色恢复;最后,4)结合H, S组件回到RGB组件[3]。除了提出方法简单,实验结果表明,该方法是非常有效的增强对比度和颜色比其他竞争的方法。

(3)后期处理

它能增强的质量完成准备出版和distributon形象。它包括技术清理图像使其视觉清晰。

模拟结果讨论

上面的图显示了原始图像

自适应直方图均衡化(AHE)

Figure2显示了自适应直方图均衡化[5][7]。通过计算累积分布函数(CDF),我们得到了一个图像的直方图,。将图像划分为较小的瓷砖,直方图均衡化适用于每个瓷砖,然后插入结果;这里的灰度像素分布evenlythis导致改善图像的质量。

离散小波变换(DWT)

图4显示了离散小波变换的图像。在这里输入图像分为四个副环带,从我们获得的每个部分的小波系数低通组件(L1H1、L1L2 L2L1, L2L2)。更高的频率,产生更多的噪音,因此,图像被认为是低频率。

奇异值分解)

图5显示了DWT与奇异值分解后以离散小波变换,应用奇异值分解过程imageit可以找到最好的近似原始数据点的使用更少的维度。因此,计算可以看作是数据简化方法,主要用于特征提取以及低对比度的增强图像。

图6显示了增强图像。从上面的过程中,我们得到一个增强的因素,采取逆离散小波变换(得到)它给增强图像。

从计算均方误差(MSE)和峰值信号噪声比阿(PSNR)

MSE =((原始image-reconstructed图像)^ 2)/ (M * N)

PSNR = 10日志(M * N) / MSE

比较

从上面的表中,增加PSNR和减少MSE现有方法如伽马校正,这导致改善图像的质量。

增强的彩色雾蒙蒙的形象

输入图像

图7显示了原始输入雾蒙蒙的形象

图8显示了块过程即:1)输入图像的RGB分量转化成色彩强度饱和(他的)组件;2)应用对比增强技术在强度(I)组件。这是我在组件由于众所周知的事实,人类视觉系统对该组件与其他组件相比更敏感(例如H, S);然后3)应用伽马校正色彩恢复年代组件上的方法;最后,4)结合H, S组件回到RGB组件[18]。除了提出方法简单,实验结果表明,该方法是非常有效的增强对比度和颜色比其他竞争的方法。

输出

图9显示了增强模糊图像的计算均方误差(MSE)和峰值信号噪声比阿(PSNR)

从计算均方误差(MSE)和峰值信号噪声比阿(PSNR)

MSE =((原始image-reconstructed图像)^ 2)/ (M * N)

PSNR = 10日志(M * N) / MSE

比较

从上面的表中,增加PSNR和减少MSE现有方法如伽马校正,这导致改善图像的质量。

结论

因此,改善图像质量,提出了几种技术医疗或卫星图像的对比度增强。技术提出了基于奇异值分解(计算)和离散小波变换(DWT)。拟议的技术修改SVD-DWT正常化后将图像转换为SVD-DWT域奇异值矩阵。然后利用逆DWT修改后的图像重建。增强过程中的自适应直方图均衡化(AHE)已经被使用。图像捕获在雾蒙蒙的天气条件下得到高度退化由于遭受贫穷的对比度和色彩特征。利用颜色空间转换方法的损失,提高彩色雾蒙蒙的图像。的知觉和定量结果提出修改SVD-DWT方法显然表明提高效率和灵活性的退出方法如线性对比拉伸技术,GHE技术,DWT-SVD技术,De-correlation拉伸技术,图像灰度校正方法的基础技术。通过使用提出了离散小波变换和奇异值分解的方法,自适应直方图均衡化减少了模糊效应和混叠效应。

引用

1. [1]Tak - shing黄,查尔斯·a·Bouman Ilyapollak”图像增强使用假设选择过滤器:JPEG解码理论和应用。“IEEE反式。图像的过程。,vol. 22, no. 3, march 2013
2. [2]A.C.BovikandS.T。阿克顿,”Basiclinearfiltering withapplicationto imageenhancement”inHandbook ofImageandVideo处理。2000年旧金山,CA:学术,pp.71 - 80
3. [3]A.C.Bovik、T.S.Huang andD.C。芒森,”Ageneralizationof中间使用oforder统计,线性组合”IEEE Trans.Acoust, SpeechSignalProcess。财团,第6页。1342– 1350, Dec.1983
4. 萨皮罗[4]b, g。彩色图像enhancementvia色度扩散。IEEE onImage处理,2001,(5):701 - 707
5. 张[5]b和j . p . Allebach“适应性双边滤波器增强清晰度和noiseremoval”IEEE反式。图像的过程。,17卷不。5、2008年5月,页664 - 678
6. [6]BeileiXu YiqiZhuang,华联,李和张,“基于对象的多级拉伸图像增强方法相比,“IEEE反式。图像的过程。,Consumer Electronics, Vol. 56, No. 3, August 2010
7. [7]Comasiand r . Manduchi“双边滤波灰色颜色法师,”inProc.6thInt.Conf.Comput.VisJan.1998,页。839 - 846
8. [8]h·西迪基和c a . Bouman“分层colorcorrection相机手机图片,IEEE反式。图像的过程。,vol. 17, no. 11, pp.2138–2155,Nov. 2008
9. [9]H.HuandG.deHaan, inVisualCommun.ImageProcess“Classification-asedhybridfiltersforimage处理”。相依,简。2006, pp.1–10
10. [10]j·a·斯塔克,”自适应图像对比度增强使用概括的直方图均衡化,“IEEE反式。图像的过程。,vol. 9, no pp. 889–896,May 2000.
11. [11]KokKeong Tan·奥克利在低能见度条件下的彩色图像增强,图像处理,2000程序,2000年国际会议上,2:788791
12. [12]L.Shao, H.Zhang, andG.deHaan Anoverview和性能评价classification-basedleast广场训练过滤器、“IEEE反式。图像的过程。,卷。17日,10号,Oct.2008 pp.1772 - 1782。
13. [13]L.Shao, J。Wang I.Kirenko andG.deHaan,“质量adaptiveleast squarestrainedfiltersforVideo Compressionartifactsremovalusinga Referenceblockvisibilitymetric,“J.VisualCommun.ImageRep。工程系,第一,pp.23-32 Jan.2011
14. [14]约旦,z Ghahramani, T。s . Jaakkola非。马赫k扫罗,”一位introductiontovariationalmethodsforgraphicalmodels。”学习。,vol.37,pp.183–233,Nov.1999.
15. [15]m . Gabbouj e . J.Coyle啊。C。加拉格尔,”一位overviewofmedian anstackfiltering”电路,Syst.SignalProcess vol.11,第一,页。7-45,Jan.1992
16. [16]P.Wendt、E.Coyle andN.C。加拉格尔,“Stackfilters IEEETrans.Acoust, SpeechSignalProcess vol.34,第四,pp。898年-911年,Aug.1986。
17. [17]R.J.拉森andM.L。马克思,AnIntroductionto MathematicalStatistics andItsApplications 5的哦。EnglewoodCliffs新泽西:普伦蒂斯·霍尔出版社,2011年。
18. [18]y s翟和x m . Liu“改进的雾degradedimage增强算法,小波分析和模式识别,2007. icwapr ' 07。国际会议上,2卷,2007。