基于非下采样Contourlet变换系数直方图匹配自适应图像增强.docx

基于非下采样Contourlet变换系数直方图匹配的自适应图像增强摘要：由于非下采样Contourlet变换（NSCT）域图像增强方法需要手动调节参数，无法实现自适应增强，本文将直方图均衡化和NSCT域增强相结合，提出了一种基于NSCT系数直方图匹配的自适应图像增强算法。该算法首先对低对比度含噪原图像进行直方图均衡化，然后对原图和直方图均衡化后的图像分别进行NSCT分解，得到低频子带系数和各高频方向子带系数。对低频子带，将原图的低频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。对各个高频子带，则先进行阀值去噪，再将原图的各个高频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。最后，经NSCT重构得到增强后的最终图像。实验结果表明，本文方法增强效果明显优于直方图均衡化，与Contourlet变换增强法相比，实验所采用的两组图像的图像评价函数（EMEE）值分别提高了24.05%、16.97%、13.29%和20.63%，且与NSCT域非自适应增强法（人工选取参数）的处理效果相当。该方法无需手工调节参数，具有自适应性和实用性强的优点。关键词：图像增强；图像去噪；非下采样Contourlet变换；系数直方图匹配；自适应图像增强1引言由于受环境、天气等诸多客观因素的限制，比如夜晚环境光源不足，大雾阴雨等恶劣天气的影响，实际采集的图像往往对比度低、细节模糊、噪声较强，人眼的视觉分辨或机器自动识别较为困难，不利于图像的后续处理。图像增强的目的是提高图像的对比度，即通过一定手段将原来不清晰的图像变得清晰或便于强调某些感兴趣的特征，以改善图像质量，提高图像判读和识别效果，进而满足某些实际应用需求。目前，根据处理空间的不同，常用的图像增强方法主要分为基于空间域增强和基于变换域增强两大类。空域增强法直接对图像中的像素灰度进行处理，其代表为直方图均衡化， 直方图均衡化完全“自动”，计算简单，但由于是对整幅图像进行全局处理，会导致细节丢失和局部增强不足或过增强现象，且会放大图像中的噪声。变换域增强法是在图像变换域对变换系数进行处理，然后通过逆变换获得增强图像。常用的方法有：傅里叶变换、离散余弦变换（Discrete Cosine Transform,DCT）、小波变换增强法等。傅里叶变换、DCT变换增强法虽能取得一定的去噪效果，但很难较好地保护目标边缘细节。相比之下，小波变换可以取得更好的增强效果，但它的点奇异性限制了其对边缘的精确表达能力。近年来，各种多尺度几何分析方法的提出和发展弥补了上述方法的不足。1999年Candes E J和Donoho D L提出了Curvelet变换；2002年M.N.Do等人又提出了Contourlet变换，该方法能在任意尺度上实现任意方向的分解，具有各向异性的特点，从而能有效捕捉图像的轮廓和方向信息，很好地克服了小波变换的缺陷。但由于Contourlet变换本身缺乏平移不变性，故2006年M.N.Do等人给出了其非下采样形式，即非下采样Contourlet变换（NonsubsampledContourlet Transform,NSCT）。NSCT是一种具有平移不变性的非下采样的多尺度几何变换，在这一点上NSCT优于Contourlet、Curvelet等多尺度几何分析方法。采用NSCT进行图像增强可以在有效抑制噪声的同时更好地突出图像的轮廓特征，在图像处理领域得到了成功应用。多尺度几何变换域图像增强方法在抑制噪声干扰、突出目标边缘细节等方面，具有明显优势。但是，变换域增强方法通常是采用含多个参数的增强函数来处理变换系数，普遍需要根据经验手工选取参数，以达到最佳的增强效果，调节过程耗时耗力给实际应用带来了极大不便。因此，如何在变换域自适应地实现图像增强是亟待解决的问题。基于NSCT的多尺度、多方向边缘表达和去噪优势，同时借鉴空域直方图均衡化方法的简单自适应性，本文提出一种基于NSCT系数直方图匹配应用到变换域中，以空域直方图均衡化的图像为基准，利用系数直方图匹配方法自动处理变换系数，从而实现变换域的自适应图像增强。2非下采样Contourlet变换Contourlet变换能用比小波变换更少的系数来表达光滑曲线，但其所包含的拉普拉斯塔式分解（Laplacian Pyramid,LP）和方向滤波器组分解（Directional Filter Bank,DFB）都存在下采样，无平移不变性，这使一些处理会产生振铃现象。因此，非下采样Contourlet变换应运而生。NSCT是一种非正交变换，它去掉了Contourlet变换中的下采样过程，滤波器由非下采样金字塔滤波器（Nonsubsampled Pyramid,NSP）和非下采样方向滤波器组（Nonsubsampled Directional Filte