室内图像去噪增强算法的研究与仿真.docxVIP

? ? 室内图像去噪增强算法的研究与仿真 ? ? 顾 艺，诸伟超 (上海工程技术大学，上海 201620) 1 引言 虚拟现实(Virtual Reality，VR)也被称作“沉浸式多媒体”，是一种将计算机技术、人机交互、多媒体等融为一体的科技产物，让体验者拥有和现实世界相同的感官体验，让用户得到听觉、视觉、触觉等感知，还能将用户投放至虚拟世界，提供人与自然之间的虚拟反馈。虚拟现实技术涉及控制学、心理学、图像处理等多个学科，拥有极强的综合性与交叉性，在医学、教育、科学研究等方面具备广泛用途[1]，并且在社交体验方面的媒体丰富性、社会存在性与自我开放性显著高于传统社交媒体。图像增强处理是改进图像特征的一种强化策略，可以从像素清晰度、对比度、亮度等方面改进图像整体质量[2]。但日常生活中因为拍摄者的摄影水准及周边环境，通常会致使获得的初始图像质量较差，因此设计一个合理完备的图像增量处理方法势在必行。 图像增强领域的研究类型众多，龙鑫[3]等将图像空间中V通道划分为增强层、亮度增强层、细节突出层，剔除光晕现象，采用归一化函数提升亮度，运用人工蜂群算法突出图像细节，实现图像细节模糊增强。但此方法在提取图像细节时，没有完全消除冗余信息干扰，导致增强效果不佳。除了上述方法，常用的图像增强处理方法还有基于粒子群优化算法的图像增强方法，将粒子群优化算法和伽马校正策略的图像增强方法，在灰度标准方差中代入评价函数、熵、边缘内容，将灰度标准方差看作粒子目标函数，完成图像细节增强。但该方法无法有效去除图像内的高频信息，极易产生区域失真现象。 为此，提出一种基于虚拟现实的静态室内图像增强处理方法。首先采用区域分割与双边滤波来剔除图像噪声，通过虚拟现实技术了解像素分布状态，运用模糊集理论完成高质量图像增量处理，提升图像整体成像质量。实验结果证实，与其它方法相比，本文方法具有极强的抑噪性能，图像增强效果较优，可广泛应用在不同拍摄环境下的图像增强处理中，鲁棒性优良。 2 静态室内图像去噪 针对需要增强的静态室内图像而言，首先要去除图像噪声点，明确图像结构信息。本文采用区域分割与双边滤波相结合的方式，实现图像去噪[4]。将双边滤波权值指数表示成 C(k，l)= (1) 其中，(i，j)代表目前像素点，(k，l)代表相邻区域像素点，I(·)代表相对像素点灰度值，σd代表空域滤波器标准差。则双边滤波计算公式为 (2) 其中，Ωs代表局部窗口，C代表归一化指数。 完成初步滤波处理之后，使用分水岭分割后的图像区域构建区域连接图，计算相关区域中的噪声属性与区域灰度平均值。在创建区域连接图时，明确区域中的一元属性，也就是区域平均值矢量和协方差矩阵[5]，维数大小取决于图像数据特征值。双边滤波算法中，特征维数是1，协方差矩阵就是区域噪声方差，均值矢量即为区域灰度平均值。 静态室内图像不同区域间的二元属性关联表示邻近区域之间的关联水平。考虑区域边界点梯度差值与边界大小，确立一个区域相似度[6]。区域之间的相似度、梯度差和边界大小之间拥有对应关系：区域边界点梯度越高，关联水平越低，边界大小也会不同程度地影响区域相似度。将区域相似度设置成 (3) 其中，s代表区域R1、R2之间的边界点，f(·)代表和s点梯度值相关的非递增函数，具体表示成 (4) 其中，K代表平滑因素，该值和图像局部噪声方差相关，β代表惩罚系数。 区域中像素之间的滤波为一元属性，设定Lable(i，j)为目前点所处区域的标识，Lable(m，n)为相邻区域所处位置的标识，μ(i，j)、u(m，n)依次为目前区域和相邻区域的均值，K1、K2为均值差度临界值。因为分割结果内极有可能存在标识相等但特征差距较多的区域块，要通过对比区域均值差来提高图像去噪精度。另外，均值差异水平还能评估是否产生图像过分割现象，并以此判断使用区域内滤波或区域间滤波完成去噪。将图像区域内滤波公式记作 (5) 其中，σij代表(i，j)所处区域的噪声标准差，Z1代表归一化指数。 通常相同区域中的每个像素值相差不多，差别源自噪声的随机影响[7]，挑选局部噪声标准差当作灰度滤波器标准差，就能在图像不同区域组建不同的灰度滤波器，提升滤波去噪的自适应性。 图像区域间滤波公式为 (6) 其中，CR(m，n)∩R(i，j)代表目前区域和点(m，n)所处区域的相似度指数，Cij代表目前区域之间的共享边界长度，Z2代表归一化指数。 利用式(5)与式(6)可以实现不同均值差异水平下静态室内图像去噪任务，若像素(i，j)和(m，n)处于不同区域，则图像去噪过程中的加权系数为 (7) 其中，▽s代表边界像素梯度值。通过式(7)可知，区域相似度增大，对应的高斯加权重也会变大，去噪效果也越好。 3 基于虚拟现实的静态室内图像增强处理方法 3.1 虚拟现实下静态室