matlab⾮锐化掩蔽和⾼提升滤波_彩⾊图像的平滑与锐化：相
同与不同点
1引⾔
⼏个因素会影响彩⾊图像，它们不仅会影响图像的视觉感知。它们还阻碍了与不同应⽤(例如分段或模式识别)相关的图像特征的识别和区分。噪点是这些因素中最常见的因素之⼀，它会严重影响图像的视觉质量以及⼤多数图像处理任务的性能。这是图像采集过程中错误的结果。 在某些情况下，图像是在不合适的条件下拍摄的：弱光，清晰度太⾼或恶劣的天⽓条件。由于传输错误，⽹络电缆问题，信号⼲扰，传感器问题等，质量不⾜的设备可能会妨碍图像采集。因此，像素强度值⽆法反映我们正在拍摄的真实场景的真实⾊彩。由于这些原因，已经开发了许多⽅法来恢复丢失的图像信息并增强图像细节。彩⾊图像平滑是预处理技术的⼀部分，旨在消除可能的图像⼲扰⽽不会丢失图像信息。 类似地，锐化是⼀种预处理技术，对图像处理中的特征提取起着重要作⽤。但是即使在最后⼀种情况下，也需要进⾏平滑处理才能获得可靠的解决⽅案。这激发了研究和开发能够应付两种操作的⽅法的动机。 最初的⽅法通常是将其视为两步过程：⾸先进⾏平滑，然后进⾏锐化，或者相反。但是，这种⽅法通常会导致许多问题。⼀⽅⾯，如果我们⾸先应⽤平滑技术，那么我们可能会丢失⽆法在随后的锐化步骤中恢复的信息。另⼀⽅⾯，如果我们⾸先对噪声图像应⽤锐化⽅法，则会放⼤其中的噪声。解决此问题的理想⽅法是考虑⼀种
在消除噪声的同时能够锐化图像细节和边缘的⽅法。但是，鉴于这两个操作的相反性质，这并不是⼀件简单的任务。 ⽂献中已经提出了许多⽤于锐化和平滑的⽅法，但是如果我们将⾃⼰限制在同时考虑这两种⽅法的范围内，则现有技术并不那么⼴泛。在这项⼯作中，我们还将调查⼏种两步法，以增强图像的特征并减少图像的现有噪声。我们还将审查同时解决两个⽬标的技术。 这样，本⽂的组织如下：第2节简要介绍了图像平滑。在第3节中，我们将回顾增强和锐化领域中的⼀些众所周知的技术。在4.1节中，我们介绍了两步⽅法来进⾏平滑和稍后的锐化，或者进⾏锐化和随后的平滑。将显⽰两种⽅法的⽐较。这将激发对同时解决这两个过程的技术的需求，这将在第4.2节中介绍。最后，在第5节中，我们⽐较了上述⽅法给出的结果。
2平滑
图像平滑技术的⽬的是保持图像质量。换句话说，在不丢失图像主要特征的情况下消除噪点。但是，有⼏种类型的噪声。主要的三种类型是：脉冲型，加性和乘法型。脉冲噪声通常以图像像素的某些部分损坏为特征，⽽其他部分则保持不变。当通过添加遵循⼀定概率分布的随机值来修改原始图像的值时，会出现附加噪声。最后，乘法噪声⽐加性噪声更难以从图像中去除，因为在这种情况下，强度随信号强度(例如斑点噪声)⽽变化。 噪声的来源不同，每种噪声都有许多降噪⽅法。最常见的⼀种可能是所谓的热噪声。这种脉冲噪声是由于在图像采集过程中CCD传感器故障⽽引起的。 另⼀个有趣的情况是⾼斯噪声，其中图像的每个像素将从其原始值改变⼀些遵循⾼斯分布的量。这种噪声被建模为加
性⾼斯⽩噪声。因此，可以通过将零均值⾼斯分布的随机值独⽴添加到每个图像通道中的原始像素强度来模拟其存在，其中⾼斯分布的标准偏差σ表征了噪声强度[  44  ]。 消除这种类型的噪声称为“ 平滑”，这将是本⼯作中考虑的消除噪声的类型。有许多⽤于平滑的⾮线性⽅法。在本节的其余部分，我们将回顾其中的⼀些内容。
2.1算术均值滤波器
⾼斯噪声平滑的第⼀种⽅法是基于线性策略。这些⽅法，例如算术平均滤波器(AMF)，例如参见[  44  ]，能够抑制噪声，因为它们利⽤了零均值特性。但是，它们会明显模糊边缘和纹理。这激发了⾮线性⽅法的发展，该⽅法试图通过⾸先检测图像边缘和细节，其次通过使边缘⽐图像的其他部分少平滑来减轻这些问题。
2.2双边过滤器(BF)
在⾮线性⽅法中，它们中的⼀⼤类都使⽤求平均值来利⽤⾼斯噪声的零均值特性。此类包括众所周知的双边过滤器(BF)[  59  ]及其变体[  5 ]。BF是⼀种⾮线性⽅法，可以在尊重强边缘的同时使图像平滑。这可以通过将每个像素作为相邻像素的加权平均值进⾏处理来完成，其中权重取决于每个像素相对于其他像素的空间和强度距离。已经开发了BF的⼏种变体，例如，在[  16  ]中提出的BF与边缘检测算法的集成，或者在[  34  ]中提出的采⽤模糊度量对BF进⾏⾃适应。 尊重图像结构的另⼀种⾮线性⽅
法是最⼩均值段同化核(SUSAN)[  56  ]。这⾥，特征提取算法⽤于仅使⽤局部图像结构中已被选择为相似像素的部分来减少噪声。每个像素的原始值使⽤与其最接近的像素的加权平均值进⾏估算。
2.3模糊降噪滤波器
众所周知的⾮线性滤波器是模糊降噪⽅法(FNRM)[  53  ]。该⽅法背后的核⼼思想是使⽤其邻域内的像素但使⽤两个⼦滤波器对每个像素进⾏降噪。FNRM提供了⾮常成功的结果。但是，它的缺点是它尊重图像边缘，但以消除更少的噪声为代价。 为了克服这种滤镜的缺点，将线性和⾮线性⽅法相结合，以便利⽤它们各⾃的优点来消隐涉及细节的彩⾊图像。在[  15  ]中，图论被⽤来提出软交换图去噪⽅法(SSGD)，该⽅法结合了AMF和FNRM，其中AMF在同质区域中更相关，⽽FNRM更适合于处理细节。在[  40  ]中，该⽅法在计算上得到了改进。 在[  17  ]中介绍的过滤器基于像素的对等体组与相邻像素对等体组之间的差异给出检测规则。在[  33  ]中，使⽤每个像素的模糊对等体组的平均运算进⾏处理，这被称为模糊对等体组平均(FPGA)。其他⽅法已使⽤模糊逻辑或软切换策略，如那些在开发[  35
，45 ]。基于加权平均的不同的优化⽅法被提出[  27 ，54 ]。过滤器的另⼀个重要家族是基于分区的过滤器 [  28 ，54 ]将要处理的每个像素分为⼏个信号活动类别，这些信号活动类别⼜与适当的处理⽅法相关联。
2.4各向异性过滤(PM)
所述Annisotropic过滤物通过佩罗娜和Malik(PM)[引⼊ 39  ]。在那⾥，考虑了⼀种称为各向异性扩散的⾮线性⾃适应扩散过程。它的⽬的是使扩散系数具有双重⽬标：减少边缘附近的平滑效果以保留图像细节，同时平滑较平坦的区域。有⼏种受PM模型启发的⽅法，例如[ 62  ]中的⼀种，其中显⽰了基于定向拉普拉斯算⼦的模型。
Guo等⼈[ 8 ]提出了⼀种⾃适应PM滤波器，能够将噪声图像分割为两个不同的区域，即内部区域和边界区域。然后根据我们所考虑的区域通过调整扩散来应⽤扩散。
2.5块匹配和3D过滤(BM3D)
在[  2  ]中，Dabov等⼈介绍了协作过滤策略，这可能是在基于块匹配的去噪中提供最令⼈印象深刻的结果的策略。此处介绍的⽅法称为块匹配和3D过滤(BM3D)。它基于通过将图像的相似2D⽚段匹配为3D数据矩阵的⽅式进⾏分组，以便为每个组使⽤不同的滤镜。有关匹配算法的详细信息，请参见[  12 ]。更准确地说，过滤是通过协作的⾮局部⽅法和变换域收缩的组合来实现的。可以归纳为3个步骤。⾸先，对每个3D组进⾏3D转换；其次，变换频谱的缩⼩；最后是3D逆变换。将此技术应⽤于亮度⾊度⾊空间的每个通道，例如YCbCr或YIQ。2.6主成分分析(PCA)
根据⽅法主成分分析在空间域(PCA)已在图像去噪[被应⽤ 37 ，57 ]。通过将输⼊数据转换到PCA域中，以便仅保留最重要的组件，该技术的使⽤使我们可以减少维数。Muresan和Parks建议将每个图像划分为多个⼩块，这些⼩块⼜被划分为多个⼦窗⼝，每个⼦窗⼝都有⼀个由相应⼦窗⼝的像素构建的关联⽮量。然后，将PCA应⽤于这些向量以选择⼀些主要成分，这些主要成分随后将⽤于平滑[  36  ]。此⽅法已在[  67 ]，训练样本是通过在执⾏PCA之前使⽤局部像素分组(LPG)将具有相似局部空间结构的像素分组来选择的。另外，[  36  ]中的⽅法还启发了从单传感器数码相机获得的图像滤镜的开发，即彩⾊滤镜阵列(CFA)[  68  ]。
2.7⼩波⽅法
在图像场的平滑化中，⼩波表⽰已变得⾮常流⾏[  29  ]。它包括将图像信号分解为多个标度，分别代表其不同的频率分量。有很多⼩波家族，例如Haar，Daubechies，Coiflet，Symlet，Meyer，Morlet或墨西哥帽等。在这些⽅法中，通过使⽤去除细节系数的阈值对图像进⾏平滑处理。通过这种⽅式，在[  38  ]中提出了与硬标度有关的阈值。统计建模可以执⾏，⽽不是对阈值化的⼩波系数上⼯作，以抑制噪声[  31 ，43 ]。⼩波变换也可⽤于数据正则化，如[  9 ]。
2.8结果
在 图1 和2中，我们可以看到本节中报告的某些平滑滤波器的性能。它们已应⽤于受某些加性⾼斯⽩噪
声破坏的经典Lenna和Parrots图像。与其他⽅法相⽐，BM3D⽅法可提供令⼈印象深刻的结果， 如图1中的  Lenna图像 所⽰ 。PM平滑⽅法也具有良好的效果，因为它可以很好地平滑噪声，⽽不会丢失细节和边缘信息。但是，如果噪声⽔平很⾼，则PM会在图像中产⽣⼀些伪像，如我们在 图2中 的鹦鹉的PM滤波图像中所见。
3锐化
图像增强过程包括⼀系列技术，这些技术的⽬的是改善图像的视觉外观并突出显⽰或恢复图像的某些细节，以便由⼈或机器进⾏适当的分析。 在采集过程中，⼀些因素会影响图像质量，例如照明条件，环境压⼒或温度波动。为了增强图像，我们尝试对其进⾏转换以获取模糊的细节，或锐化某些令⼈感
兴趣的功能。这些技术的⼤量应⽤包括医学图像分析，遥感，⾼清晰度电视，显微成像等。每种存在的这种存在意味着图像增强内的⽬标也将有很⼤的不同。特定的应⽤程序。在某些情况下，其⽬的是增强对⽐度，⽽在其他情况下，则强调图像的细节和/或边界。我们将最后⼀个过程称为锐化，尽管差异并不总是很明显。为每种⽬的选择最合适的技术将取决于要执⾏的特定任务，图像内容，观察者特征和观看条件。 在本节中，我们简要概述了主要的锐化技术。根据图像域，它们可以分为两个不同的组：基于空间的技
术和基于频率的技术。在第⼀种情况下，我们直接对像素进⾏操作，⽽在第⼆种情况下，我们对图像的变换(傅⽴叶或⼩波)系数进⾏操作。在这⾥，只有在通过逆变换恢复图像后，才能注意到变换的效果。
3.1空间域技术
⽤于锐化图像的空间域技术基于像素值的操纵。改善它的⽅法之⼀是通过增加图像不同部分之间的对⽐度。 在空间域中有⼏种⽤于图像锐化的⽅法。直⽅图均衡(HE)是最著名的之⼀。它基于通过使⽤输⼊图像的直⽅图对对⽐度进⾏的调整。为了将较⾼概率的强度级别相对于其邻居级别分开，进⾏了操纵。在 图3中， 我们可以看到Lenna灰度图像的初始直⽅图，以及在图像上应⽤HE之后获得的初始直⽅图。在 图4中 ，我们可以看到与这些直⽅图相对应的输⼊和输出图像，以及HE⽅法如何在灰度图像上⼯作以增加全局对⽐度。
该技术在彩⾊图像中的应⽤并⾮简单的任务。直⽅图均衡是⼀个⾮线性过程，涉及图像的强度值⽽不是颜⾊分量。由于这些原因，分别分割和均衡每个通道不是均衡对⽐度的正确⽅法。因此，第⼀步是将图像的⾊彩空间从RGB转换为其他⾊彩空间，该⾊彩空间将强度值与颜⾊分量(例如HSV，YCbCr或
Lab)分开，并分别应⽤于H，Y或L通道的均衡。在 图5中 我们可以看到在实验室空间中分别在R，G和B通道上以及在通道L上应⽤HE的结果。还有其他⼀些⽅法可以将直⽅图均衡化为⾊彩空间。其中最著名的就是3D直⽅图[  60  ]。
有很多⼯作试图改善HE技术，例如亮度双直⽅图均衡化(BBHE)[  19  ]，其中图像直⽅图被分为两个⼦直⽅图，它们随后被独⽴均
衡。对偶⼦图像直⽅图均衡化(DSIHE)[  61  ]与BBHE类似，但是在这种情况下，中值⽤作参考的分离强度级别，以便将直⽅图分为两个⼦直⽅图。 与保持亮度的动态直⽅图均衡化(BPDHE)[  11  ]⼀样，我们通过使⽤⾼斯核并避免了与HE不同的峰的重新映射来平滑输⼊直⽅图。该技术在处理清晰的直⽅图时不会进⾏灰度值的不精确性。为了改进该技术，提出了BPDHE的模糊版本来处理灰度级的不准确性，这被称为亮度保持动态模糊直⽅图均衡化(BPDFHE)[  55  ]。在[  64  ]中对基于直⽅图的⽅法进⾏
了更严格的研究。此外，我们可以到⼀种以最⼤化预期对⽐度为⽬标的⽅法，称为最佳对⽐度⾊调映射(OCTM)⽅法。 前述⽅法不使⽤给定像素的空间信息邻居。它们仅限于使⽤图像所有像素的强度值。引⼊了基于局部直⽅图均衡化的⽅法，以通过使⽤本地信息来适应这些技术。通过这种⽅式，提出了对⽐度受限的⾃适应直⽅图均衡⽅法(CLAHE)，⽬的是通过在较⼩的数据区域上应⽤CLHE来调整图像的局部对⽐度，从⽽增强图像的对⽐度[  69 ]。局部获得的结果通过双线性插值连接在⼀起以获得输出图像。 我们可以在 图6中 看到将BPDFHE和CLAHE⽅法应⽤于Lenna图像的结果。如上所述，使⽤最后⼀种⽅法，我们通过局部⽅法提⾼了性能，该⽅法允许我们提取图像结构的更多信息。
空间域锐化中的另⼀种众所周知的技术是对⽐度拉伸(CS)，它基于修改动态范围，即动态图像的最⼩和最⼤强度值之间的范围，该范围在要处理的图像中为灰度[  65  ]。线性对⽐度拉伸(LCS)是最简单的对⽐度拉伸算法，它通过在整个图像光谱上扩展动态范围来拉伸低对⽐度或⾼对⽐度图像的像素值。该⽅法的缺点之⼀是某些细节可能由于饱和和削波⽽丢失。 在⾮锐利蒙版(UM)⽅法[  47  ]中，通过使
⽤原始图像的⾼通滤波版本的⼀部分来计算边缘图像。将此边缘图像添加到原始图像中以形成增强图像。该⽅法的主要优点是操作简便，但是，该技术会产⽣很⼤的噪声放⼤，这通常会使该⽅法在实践中⽆⽤。已经提出了⼏种⽤于降低线性UM技术的噪声灵敏度的⽅法。这些⽅法中的许多⽅法都是基于在校正路径中使⽤⾮线性算⼦的。的⼆次过滤器，可近似表征为局部均值加权⾃适应⾼通滤波器在[描述 32 ，48]。在[  20 ]中描述了⼀种基于顺序统计拉普拉斯算⼦的⽅法。在[  46  ]中提出了⼀种防⽌在平坦区域锐化的⾃适应⽅法，该⽅法使该⽅法在存在噪声的情况下更加鲁棒。
3.2频域技术
局部直方图均衡化频域技术基于诸如离散傅⽴叶(或余弦)变换或⼩波变换之类的变换的使⽤。我们提醒您，这些⽅法中的每⼀个都不都是唯⼀的，实际上，它们编译的⽅法族本质上是相同的，但是每个⽅法相对于其他⽅法都略有不同。它们的⼯作⽅式如下：⾸先，在使⽤其中⼀种⽅法处理了变换
之后，我们应⽤了其中⼀种变换⽅法，最后，对处理后的图像进⾏了逆变换，从⽽得到了结果。 这种⽅法具有⼴泛的优势，可以区分图像中的不同区域。 较⾼的频率与边缘或细节有 关，⽽较低的频率与图像的平滑区域有关。 这种容易的分离允许根据⽬标适当地处理图像。 但是，这还包括我们⽆法区别地同时处理不同区域的细节。 平滑区域也会发⽣这种情况。 近年来，⼩波理论已成为⼀种强⼤的图像处理⼯具，该技术为我们提供了图像空间和频率信息。的图像的增强可以通过从图像[加⼊⾼通或是从
其减去低通滤波版本来获得 29 ，30 ]。⽂献[  26  ] 报道了⼩波域中对⽐度锐化的早期⼯作之⼀，其中将参数化双曲函数应⽤于⼩波系数的梯度。从那以后，在⼩波域中已经开发了许多作品。例如，Loza等。提出了⼀种基于⼩波系数局部分散的⾮线性增强⽅法[  25 ]。该算法基于图像⼩波系数的局部统计，⾃适应地增强图像的对⽐度。 使⽤在⼀个⿊暗的图像的内部噪声的缩放对⽐度增强技术离散余弦变换(DCT)域在[开发 13 ，14 ]。它基于⼀种称
为动态随机共振(DSR)的物理概念，该概念使⽤噪声来提⾼系统的性能[  6  ]。所提出的算法通过在图像的DCT系数上迭代应⽤DSR⽅法来增强彩⾊图像的对⽐度。在[  1  ]中也提出了基于⼩波域的DSR⽅法。基于DSR的技术主要集中于增强，⽽不是锐化图像的边缘或细节。当应⽤于弱光图像时，它们可以提供更好的效果。
3.3结果
在 图7中， 我们可以看到鹦鹉图像的UM和CLAHE⽅法的输出。我们还可以看到它们的细节区域的放⼤图像，在那⾥我们可以欣赏到边缘的锐化效果。这是锐化技术的⼀个⽰例，与 图6 中所⽰的⽰例相反，后者是与对⽐度增强紧密相关的⽅法。可以在 图7中对 它们进⾏⽐较，我们可以看到使⽤CLAHE对⽐对⽐度增强和使⽤UM锐化的⽰例。
4彩⾊图像的平滑和锐化
在本节中，我们讨论共同考虑平滑和锐化的技术。我们想到的第⼀个想法是通过两个不同的步骤处理图像：⾸先，通过执⾏⼀个操作，然后对处理后的图像进⾏第⼆个处理。在这⾥，我们执⾏操作的顺序可以极⼤地改变输出。如果在平滑之前进⾏锐化，则可以增加图像噪声的相关性，这会使平滑任务复杂化。相反，如果在锐化之前进⾏平滑处理，则可能会在平滑过程中丢失锐化⽅法⽆法恢复的信息。通常，第⼆种⽅法通常可以提供更好的结果，但是，它仍然不是最佳解决⽅案。是因为，
4.1两步法
平滑和锐化的两步⽅法取决于两种⽅法的顺序应⽤，每种⽅法之⼀。在 图8中， 我们可以⽐较基于BF的平滑两步⽅法和基于CLAHE的锐化两步⽅法。在第⼀种情况下，我们从BF开始，在第⼆种情况下，从CLAHE开始。最后⼀种⽅法适⽤于 图9中 模糊的Lenna和Parrot图像。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。