带噪声抑制反锐化掩模图像增强算法.PDFVIP

带噪声抑制的反锐化掩模图像增强算法 作者:谢明果 关键词：图像增强，反锐化掩模，噪声抑制，算法 摘 要：为了减小传统的反锐化掩模算法对噪声的敏感性，提出了一种新的反锐化掩模图像 增强算法，该算法在图像的平坦区域进行去噪处理，并依据人眼视觉特性对图像的不同细节 区域做不同程度的增强。通过几种算法的实验结果比较，表明本算法不仅增强效果较好，且 抑制了噪声的增强。 1 引言 反锐化掩模（Unsharp Masking ，UM ）［1］最早应用于摄影暗室中，处理时，将一张模 糊的负片与正片卷和在一起，然后冲洗混和胶片得到更为清晰的照片。原理是将胶片的模糊 形式从原始胶片中减去，达到增强照片细节的目的。在数字图像处理中，为了增强图像的边 缘和细节，常采用反锐化掩模技术，经典的线性反锐化掩模技术组成框图如图 1 所示，原始 图像经过线性高通滤波器后，乘以一个比例因子后与原始图像相加，得到增强的图像。尽管 这种方法简单，增强效果也相对较好，但他却有 2 个重大的缺点： (1)系统对噪声非常敏感由于采用了线性高通滤波器，图像的细节和噪声同时被增强， 尤其是在图像的平坦区域，即使很小的噪声也非常明显。 (2)过冲（overshoot ）现象由于图像的高细节区域相对于其他区域增强更大，处理后的 图像会呈现明显的人工处理痕迹。为了克服线性反锐化掩模技术的缺点，尤其是对噪声的敏 感性，人们提出了各种各样的方法。这些方法大部分是用非线性滤波器代替线性高通滤波器， 对减小噪声和增强细节进行折中考虑。SK Mitra 提出了基于 Teager 算法的非线性算子［2 ］， 这种非线性算子可近似为局部均值权重高通滤波器。根据 Weber 定律，人眼对图像黑色区 域的细节更敏感，因此这种算子能减小噪声。G.Ramponi 提出了立方反锐化掩模技术［3 ］， 这种技术的实质是用一个对边缘敏感的平方滤波器算子乘以拉普拉斯算子，仅增强局部亮度 变化区域的图像细节，相对较小噪声。Y H Lee 提出了基于序列统计拉普拉斯算法的算子［4 ］， 这个算子的输出和局部均值与局部中值之差成比例，他能有效地去除高斯白噪声。A Polesel 提出了自适应反锐化掩模技术［5 ］，这种技术采用自适应滤波器对图像的细节增强程度大一 些，而对图像的平坦区域几乎不增强，因而能减小平坦区域的噪声。 上面提到的方法虽然相对于线性反锐化掩模技术减小了噪声，但在平坦区域，噪声仍然 比较明显，而且，为了使图像的中细节区域达到较好的增强效果，图像的高细节区域往往增 强过大，导致过冲现象的出现。虽然文献［5 ］的方法效果较好，但算法较复杂，计算量较 大，且有过渡噪声的问题。另一类解决办法是对图像先进行去噪处理，再进行增强处理，但 去噪往往导致图像的模糊，使增强难以达到较优化的效果。 本文针对反锐化掩模技术的缺点，提出了一种新的解决方法。首先，把图像根据细节程 度分为低、中、高三个区域，只对低细节区域进行去噪处理。其次，在增强时，对低细节区 域不做增强或增强很小，对高细节区域做中等程度的增强，对中细节区域增强程度最大。这 样，避免了去噪带来的图像模糊问题，而且，对图像的增强符合人眼视觉特性，既改善了噪 声的敏感程度，又不会出现过冲现象。　 2 算法介绍 线性反锐化掩模算法的计算公式如下： 式中，x(m,n)是输入图像信号；z(m,n)是线性高通滤波器的输出；λ 是一个正比例因子，可 以控制图像增强的强度；y(m,n)是增强后的图像，如图 1 所示。 线性反锐化掩模最大的缺点是对噪声非常敏感。很自然的解决方法是在增强前先进行去 噪处理，去噪多采用平均或插值的方法，但去噪一般会使图像变模糊，损失图像的细节，而 使去噪和增强二者之间难以达到较优化的效果。为了避免图像细节的损失，可以把图像根据 细节程度分为低、中、高三个区域，只在图像的低细节区域（亦即平坦区域）进行去噪处理， 因为根据人眼视觉特性，人眼对图像平坦区域的噪声比细节部分的噪声更敏感，且一般情况 下图像的大部分区域是平坦的。这样图像的噪声被相对“去除” 了，而细节区域被完好的保留。 而且，在平坦区域对去噪算法的要求较低，有利于实时处理。为了对图像的细节程度进行判 断，我们采用了局部方差的方法，即在一个象素的 3×3 邻域内进行如下运算： 式中，x(m,n)是象素点（m,n ）3×3 邻域的亮度平均值。 通过式（2 ）