專利名稱：基于小波重構(gòu)中多尺度邊緣檢測的圖像增強(qiáng)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于反對稱雙正交小波重構(gòu)過程中多尺度邊緣 檢測的圖像增強(qiáng)方法，屬于圖像處理領(lǐng)域，特別涉及圖像增強(qiáng)技術(shù)中 基于小波變換的圖像增強(qiáng)方法。
背景技術(shù)：
圖像增強(qiáng)是指按實(shí)際需要采取相應(yīng)的技術(shù)手段強(qiáng)調(diào)圖像中的某 些特征而抑制其它信息，改善視覺效果，或使之更適合于圖像的后續(xù) 處理及特定應(yīng)用的過程。作為基本的圖像處理技術(shù)，圖像增強(qiáng)包含的 內(nèi)容比較廣泛，對比度增強(qiáng)、邊緣、輪廓、紋理增強(qiáng)、圖像銳化以及 噪聲去除、幾何畸變校正等，廣義上都可稱為圖像增強(qiáng)。其中圖像對 比度與灰度梯度相關(guān)，對比度的高低預(yù)示著灰度梯度的大小，邊緣、 輪廓和紋理增強(qiáng)也意味著對比度增強(qiáng)。根據(jù)具體應(yīng)用目的的不同，圖 像增強(qiáng)方法主要有三類空間域增強(qiáng)方法、變換域增強(qiáng)方法和基于參 數(shù)優(yōu)化的方法等。其中，變換域增強(qiáng)方法是將圖像變換到頻域或小波 域,對圖像的變換系數(shù)進(jìn)行某種修正，然后通過逆變換獲得增強(qiáng)圖像， 如基于傅立葉變換的同態(tài)增晰方法。
小波變換以其優(yōu)異的時(shí)頻域局部化和多分辨率分析能力在圖像 處理領(lǐng)域得到了廣泛的應(yīng)用。在現(xiàn)有文獻(xiàn)中，小波域圖像增強(qiáng)方法主 要有兩種(1)小波變換反銳化掩模法。通過原始圖像疊加原圖與小 波分解低頻分量之差，實(shí)現(xiàn)邊緣銳化；(2)小波變換高頻增強(qiáng)法。即 利用小波分解，將原始圖像中高頻分量和低頻分量進(jìn)行不同程度的分 離，然后采用不同的方法來增強(qiáng)不同尺度的圖像細(xì)節(jié)分量。有文獻(xiàn)證 明小波高頻圖像增強(qiáng)與反銳化掩模方法有內(nèi)在的聯(lián)系。對小波分解后的高頻通道乘以適當(dāng)?shù)脑鲆?，其結(jié)果類似于反銳化掩模方法處理結(jié)果。
小波域圖像增強(qiáng)往往和濾噪問題聯(lián)系在一起，即濾噪和濾噪增 強(qiáng)。濾噪的核心問題是在小波域數(shù)據(jù)區(qū)別噪聲系數(shù)和圖像邊緣系數(shù)。 對此國內(nèi)外學(xué)者做了大量的研究工作，提出了小波收縮法、小波模極 大值法、相關(guān)性法等濾噪方法。小波收縮法分為比例收縮和閾值收縮。 比例收縮法通過度量小波系數(shù)被噪聲污染的程度，來確定系數(shù)收縮的 比例。閾值收縮法通過選取適當(dāng)?shù)拈撝?，采用閾值函?shù)壓制小于閾值 的小波系數(shù)達(dá)到濾噪的目的。因此閾值收縮法的研究重點(diǎn)是如何確定 閾值和如何定義閾值函數(shù)。根據(jù)研究的側(cè)重不同，閾值分為統(tǒng)一閾值 (全局閾值)和自適應(yīng)閾值(局部閾值)兩種。閾值函數(shù)主要有軟閾 值、硬閾值等。小波模極大值法采用二進(jìn)巻積小波獲得圖像的模值圖
和相角圖，通過Lipschitz指數(shù)刻畫信號的奇異性，利用信號和噪聲在 不同尺度模值圖上的表現(xiàn)，利用模極大值原理進(jìn)行去噪，然后采用迭 代實(shí)現(xiàn)的交替投影法由模極大值點(diǎn)重構(gòu)小波系數(shù)，這種方法計(jì)算量較 大。相關(guān)性去噪方法根據(jù)信號與噪聲的小波變換系數(shù)在相鄰尺度之間 的相關(guān)性進(jìn)行濾波。
小波域?yàn)V噪增強(qiáng)一般是在辨識噪聲系數(shù)和圖像邊緣系數(shù)的基礎(chǔ) 上，對不同的小波系數(shù)采取不同的拉伸策略，達(dá)到抑制噪聲、增強(qiáng)有 用信息的目的。與此類似，考慮噪聲情況的增強(qiáng)方法往往定義一個(gè)非 線性的增益函數(shù)，使處于不同區(qū)間范圍的小波系數(shù)得到不同程度的抑 制或拉伸，來進(jìn)行圖像的抑噪增強(qiáng)。
小波變換適用于表示各向同性奇異性的對象，但對于圖像中的具 有線奇異和曲線奇異等高維幾何特征的邊緣、輪廓、紋理信息不能做 到有效刻畫和稀疏表示。因此在圖像處理領(lǐng)域，很多學(xué)者致力于從構(gòu)造具有方向選擇性和各向異性、能對邊緣進(jìn)行稀疏描述的最優(yōu)基函數(shù) 的角度來解決問題。這就是多尺度幾何分析方法。其中針對圖像濾噪
和增強(qiáng)，經(jīng)常采用以Ridgelet變換、curvelet變換和contourlet變換為代
表的非自適應(yīng)幾何分析。
上述方法是小波域圖像濾噪和增強(qiáng)的主流，這些方法的共同特點(diǎn) 是直接對小波分解數(shù)據(jù)進(jìn)行處理，即在考慮噪聲的基礎(chǔ)上，對不同特 點(diǎn)的小波系數(shù)進(jìn)行剪裁和增強(qiáng)，然后通過小波重構(gòu)改善圖像效果，其 算法的一般流程如圖l所示。即首先對圖像進(jìn)行多尺度小波分解，然 后在小波域區(qū)分噪聲、邊緣及弱邊緣系數(shù)，接下來采用閾值函數(shù)或增 強(qiáng)函數(shù)對不同類型小波系數(shù)進(jìn)行處理，抑制噪聲系數(shù)和拉伸信號系 數(shù)，最后通過小波重構(gòu)實(shí)現(xiàn)圖像的濾噪增強(qiáng)。
本發(fā)明與上述小波域圖像增強(qiáng)方法的思路不同，主要有如下特 點(diǎn)(1)在小波塔式分解數(shù)據(jù)上有針對性地實(shí)現(xiàn)對圖像邊緣的增強(qiáng)， 比通常采用二進(jìn)巻積小波實(shí)現(xiàn)圖像邊緣處理與增強(qiáng)減少了計(jì)算量； (2)針對圖像邊緣的銳化增強(qiáng)在小波重構(gòu)過程中完成，不增加額外 計(jì)算量并優(yōu)于小波域數(shù)據(jù)直接增強(qiáng)方法。
發(fā)明內(nèi)容
針對傳統(tǒng)小波域圖像增強(qiáng)方法的不足，本發(fā)明所采用的技術(shù)方案 是提供了一種針對圖像多尺度邊緣提取的反對稱雙正交小波重構(gòu)方 法，可以在重構(gòu)過程中進(jìn)行圖像多尺度邊緣檢測。在此基礎(chǔ)上提供了 一種基于反對稱雙正交小波重構(gòu)的圖像銳化增強(qiáng)方法。
根據(jù)本發(fā)明的基于反對稱雙正交小波的圖像增強(qiáng)方法，包括如下 步驟首先對圖像進(jìn)行多尺度塔式小波分解，然后從最粗分辨率級分 解數(shù)據(jù)開始進(jìn)行小波逐級重構(gòu)，在每一級重構(gòu)過程中提取"半重構(gòu)" 圖像，利用"半重構(gòu)"的圖像，計(jì)算該尺度下的模值圖和相角圖，根
7據(jù)模值圖和相角圖計(jì)算模極大值得到該尺度邊緣圖像。根據(jù)該尺度的 邊緣圖像增強(qiáng)"半重構(gòu)"的對應(yīng)邊緣點(diǎn)。最后繼續(xù)重構(gòu)得到增強(qiáng)了的 上一尺度低頻圖像。每一級重構(gòu)重復(fù)上述過程，最終得到增強(qiáng)圖像。 該方法在小波塔式分解數(shù)據(jù)的重構(gòu)過程中有針對性地實(shí)現(xiàn)了對圖像 邊緣的銳化增強(qiáng)。
具體而言，根據(jù)本發(fā)明的基于反對稱雙正交小波重構(gòu)中多尺度邊 緣檢測的圖像增強(qiáng)方法，包括以下步驟
首先對原始圖像進(jìn)行多尺度反對稱雙正交小波分解，獲得各級小 波分解的一個(gè)低頻分量和三個(gè)高頻分量；
然后從最粗分辨率級開始進(jìn)行逐級小波重構(gòu)，在每一級重構(gòu)過程
中，
(1) 進(jìn)行小波水平半重構(gòu)和垂直半重構(gòu)，獲得"水平半重構(gòu)"
圖像和"垂直半重構(gòu)"圖像；
(2) 根據(jù)"水平半重構(gòu)"圖像和"垂直半重構(gòu)"圖像，計(jì)算模 值圖和相角圖并進(jìn)行模極大值檢測和閾值處理，從而提取該尺度邊緣 圖像；
(3) 根據(jù)所述該尺度邊緣圖像，增強(qiáng)"半重構(gòu)"圖像的對應(yīng)邊
緣點(diǎn)；
(4) 對邊緣點(diǎn)增強(qiáng)后的"半重構(gòu)"圖像繼續(xù)重構(gòu)，獲得增強(qiáng)了 的上一尺度的低頻圖像。
在每一級的重構(gòu)中重復(fù)上述(1) - (4)過程，直至重構(gòu)結(jié)束， 獲得增強(qiáng)圖像。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，其中所述三個(gè)高頻分量為水平高頻分 量、垂直高頻分量和對角高頻分量。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，其中所述步驟(2)中在閾值處理之后，還包括通過閾值處理去除短邊緣。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，其中所述步驟(4)中繼續(xù)重構(gòu)包括:
對該尺度的水平半重構(gòu)分量的每一列進(jìn)行一維重構(gòu)，獲得上一級 的重構(gòu)分量l;
對該尺度的垂直半重構(gòu)分量的每一行進(jìn)行一維重構(gòu)，獲得上一級 的重構(gòu)分量2;
對該尺度的低頻分量的每一行小波系數(shù)上采樣并進(jìn)行一維重構(gòu)， 接下來再對每一列小波系數(shù)上采樣并進(jìn)行一維重構(gòu)，獲得上一級重構(gòu) 分量3;
對該尺度的對角細(xì)節(jié)分量的每一列小波系數(shù)上采樣后進(jìn)行一維 重構(gòu)，接下來再對每一行小波系數(shù)上采樣并進(jìn)行一維重構(gòu)，得到上一 級重構(gòu)分量4;
將所得到的上一級重構(gòu)分量l、上一級重構(gòu)分量2和上一級重構(gòu)分 量3相加，并減去上一級重構(gòu)分量4，即重構(gòu)出增強(qiáng)了的上一級低頻圖 像。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，該圖像增強(qiáng)方法可用于醫(yī)學(xué)影像、生 物特征識別、車輛輔助駕駛、軍事及人機(jī)交互等領(lǐng)域的數(shù)字圖像改進(jìn)。
與其它圖像增強(qiáng)方法比較，本發(fā)明具有如下特點(diǎn)(l)在小波塔 式分解數(shù)據(jù)上有針對性地實(shí)現(xiàn)對圖像邊緣的增強(qiáng)，比通常采用二進(jìn)巻
積小波實(shí)現(xiàn)圖像邊緣處理與增強(qiáng)減少了計(jì)算量；(2)針對圖像邊緣的
銳化增強(qiáng)在小波重構(gòu)過程中完成，不增加額外計(jì)算量并優(yōu)于小波域數(shù)
據(jù)直接增強(qiáng)方法；
雖然在下文中將結(jié)合一些示例性實(shí)施及使用方法來描述本發(fā)明， 但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，并不旨在將本發(fā)明限制于這些實(shí)施例。 反之，旨在覆蓋包含在所附的權(quán)利要求書所定義的本發(fā)明的精神與范圍內(nèi)的所有替代品、修正及等效物。
本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說明書中進(jìn)行闡述，并且在某種程度上，基于對下文的考察研究對本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可以通過下面的說明書，權(quán)利要求書，以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。
圖l示出了現(xiàn)有技術(shù)中小波圖像濾噪增強(qiáng)算法的一般流程；圖2示出了基于反對稱雙正交小波重構(gòu)的圖像增強(qiáng)方法流程；圖3示出了每一尺度重構(gòu)增強(qiáng)過程流程；
圖4 (a)和(b)分別示出了X光圖像增強(qiáng)前后的對比圖；圖5 (a)和(b)分別示出了指紋圖像增強(qiáng)前后的對比圖；圖6 (a)和(b)分別示出了車輛圖像增強(qiáng)前后的對比圖；圖7 (a)和(b)分別示出了坦克圖像增強(qiáng)前后的對比圖；圖8 (a)和(b)分別示出了人眼圖像增強(qiáng)前后的對比圖。
具體實(shí)施例方式
下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式
作進(jìn)一步的詳細(xì)描述。需要注意的是，根據(jù)本發(fā)明的反對稱雙正交小波圖像增強(qiáng)方法的實(shí)施方式僅僅作為例子，但本發(fā)明不限于該具體實(shí)施方式
。
我們將以y級小波變換系數(shù)的重構(gòu)增強(qiáng)為例，詳細(xì)描述在反對稱雙正交小波重構(gòu)過程中基于多尺度邊緣檢測的圖像增強(qiáng)方法。
首先，相鄰y + l和/尺度間的小波變換系數(shù)快速重構(gòu)算法為
『2川/—丄丄=H2U2,,,/—丄"<formula>formula see original document page 11</formula>
上述公式可簡寫如下
<formula>formula see original document page 11</formula>
進(jìn)一步，重新構(gòu)造上述重構(gòu)公式
<formula>formula see original document page 11</formula>
(1)
式(1)中(&^/—////)是對^/_^/和^/-^^的每一
行采用綜合濾波器&和&進(jìn)行一維重構(gòu)的結(jié)果，艮口
服 一 『;/=&『2, / 一胎s『2, / 一朋<formula>formula see original document page 11</formula>
(2)
式(1)中(^^/ —+ —////)是對^/ —肌和 / —ffi/的每一列
采用綜合濾波器&和&進(jìn)行一維重構(gòu)的結(jié)果，艮P-服—《/ = 一2, / —肌+ 朋<formula>formula see original document page 12</formula>
(3)
^/和i/i —冗/稱為"半重構(gòu)"，分別與y+i分辨率上低頻分
量水平方向和垂直方向的一階導(dǎo)數(shù)成比例。
重構(gòu)過程多了兩個(gè)/級分量的重構(gòu)。由于進(jìn)行了上采樣，朋—『2)/
和服—％/的大小與^+1/—zz是一致的。根據(jù)小波半重構(gòu)服—《/和^:/可以計(jì)算出y+i級分辨率上低頻分量的模值和相角值。由于服—y級分辨率上的數(shù)據(jù)分別經(jīng)過行重構(gòu)和列重構(gòu)并上采樣得到，因此在列方向和行方向要比y+i數(shù)據(jù)低一個(gè)分辨率級，計(jì)算出的模值也低一個(gè)分辨率級。在小波分解數(shù)據(jù)上重復(fù)上述過程，能夠計(jì)算出各級分辨率上的模值圖和相角圖并提取各尺度邊緣。
進(jìn)一步，根據(jù)式(2) (3)， 二維信號/(;c,力在y+l級分辨率上低頻分量^+,(/(x,力)—"的梯度矢量可以表示為
V『2川/ —丄丄=
3 < /(x，力,p(2x)p(2力>3 < /(x,力，p(2x)p(2;/) >
朋—『2,/朋—
這樣，可以直接基于反對稱雙正交小波的分解數(shù)據(jù)計(jì)算_/ + 1級分辨率上的近似圖像的方向梯度的模值M2, /(;c，力和相角4 力。
/ = argtan(^0:)， y = -l,-2,..，- 7 (5)
基于上述關(guān)系通過局部模極大值檢測便可定位7' + 1級分辨率上的邊緣像素點(diǎn)。
進(jìn)一步，對上述通過局部模極大值檢測定位了邊緣點(diǎn)的圖像，進(jìn)行邊緣鏈接并采用閾值法去掉短邊緣，得到該尺度邊緣圖像。對邊緣
12圖像二值化，得到二值化邊緣圖像模板。用此邊緣圖像模板增強(qiáng)"水平半重構(gòu)"圖像和"垂直半重構(gòu)"圖像的對應(yīng)邊緣點(diǎn)。獲得增強(qiáng)了的"水平半重構(gòu)"圖像和"垂直半重構(gòu)"圖像。
進(jìn)一步，對增強(qiáng)了的"水平半重構(gòu)"圖像朋—《/的每一列采用
綜合濾波器&進(jìn)行一維重構(gòu)，得到y(tǒng)+i級的一個(gè)重構(gòu)分量；對增強(qiáng)了
的"垂直半重構(gòu)"圖像/^一『;/的每一行采用綜合濾波器&進(jìn)行一維
重構(gòu)，得到y(tǒng) + l級的一個(gè)重構(gòu)分量；
對于低頻分量『2,/ —ZZ ，將『2,/_"的每一行小波系數(shù)采用綜合
濾波器&進(jìn)行一維重構(gòu)，接下來再對每一列上采樣并采用綜合濾波器4進(jìn)行一維重構(gòu)，得到7 + l級的一個(gè)重構(gòu)分量；對于對角細(xì)節(jié)分量ff2,/_//// ，將『2,/ —////的每一列小波系數(shù)上采樣后采用綜合濾波器
^進(jìn)行一維重構(gòu)，接下來再對每一行上采樣并采用綜合濾波器^進(jìn)行一維重構(gòu)，得到_/ + 1級的一個(gè)重構(gòu)分量。
將上述各重構(gòu)分量合成，即重構(gòu)出增強(qiáng)了的y + i級低頻分量。圖2為基于小波重構(gòu)中多尺度邊緣檢測的圖像增強(qiáng)方法流程圖，即首先對圖像采用反對稱雙正交小波進(jìn)行多尺度小波分解。然后從最粗分辨率級開始進(jìn)行小波重構(gòu)，在每一尺度小波重構(gòu)中，首先進(jìn)行該尺度小波水平和垂直半重構(gòu)，然后根據(jù)水平和垂直半重構(gòu)圖像計(jì)算模值圖和相角圖并進(jìn)行模極大值檢測，提取該尺度邊緣并采用閾值法去除短邊緣。接下來根據(jù)此邊緣圖像增強(qiáng)半重構(gòu)圖像對應(yīng)的邊緣點(diǎn)。接下來對增強(qiáng)了的半重構(gòu)圖像繼續(xù)重構(gòu)，對該尺度低頻分量直接重構(gòu)。對該尺度對角高頻分量直接重構(gòu)。將上述重構(gòu)結(jié)果合成，獲得增強(qiáng)了的上一尺度的低頻圖像。在每一尺度的重構(gòu)中重復(fù)上述重構(gòu)增強(qiáng)過程，逐級重構(gòu)直至增強(qiáng)圖像。
圖3以某一尺度O級)小波分解的高頻分量和低頻分量的重構(gòu)增強(qiáng)過程為例，描述了基于反對稱雙正交小波重構(gòu)增強(qiáng)方法每一尺度 的具體重構(gòu)增強(qiáng)過程。圖像增強(qiáng)過程特別是每一尺度重構(gòu)增強(qiáng)過程如 下
(1) 圖像的塔式小波分解
采用反對稱雙正交小波，對圖像進(jìn)行J級小波分解，其中J為選 定的分解級數(shù)。得到各級小波分解低頻分量和三個(gè)高頻分量。其中三 個(gè)高頻分量分別為水平高頻分量、垂直高頻分量和對角高頻分量。
(2) 重構(gòu)過程中的圖像增強(qiáng)
從最粗分辨率級(_/ = - /)小波分解數(shù)據(jù)開始，進(jìn)行小波逐級重 構(gòu)。在重構(gòu)過程中實(shí)現(xiàn)圖像增強(qiáng)。下面以_/尺度小波分解數(shù)據(jù)的重構(gòu) 增強(qiáng)為例說明圖像每一尺度重構(gòu)中的增強(qiáng)過程。(以下①-0)過程如圖 3所示)
①水平半重構(gòu)過程
對于水平細(xì)節(jié)分量『2,/_丄// ，將『2,/_丄//的每一行小波系數(shù)上采 樣后采用綜合濾波器&進(jìn)行一維重構(gòu)。對于對角細(xì)節(jié)分量『2,/—//// ， 將^/一////的每一行小波系數(shù)上采樣后采用綜合濾波器^進(jìn)行一維 重構(gòu)。將上述兩項(xiàng)一維重構(gòu)結(jié)果相加并上采樣得到水平半重構(gòu)結(jié)果
服—『;/;
O垂直半重構(gòu)過程
對于垂直細(xì)節(jié)分量『2,/_/^，將『2,/ —itt的每一列小波系數(shù)上采 樣后采用綜合濾波器&進(jìn)行一維重構(gòu)。對于對角細(xì)節(jié)分量『2,/_//// ， 將^/_////的每一列小波系數(shù)上采樣后采用綜合濾波器&進(jìn)行一維 重構(gòu)。將上述兩項(xiàng)一維重構(gòu)結(jié)果相加并上采樣得到垂直半重構(gòu)結(jié)果
服—『;/;
Q)計(jì)算模值圖和相角圖根據(jù)①、⑦中得到的水平、垂直半重構(gòu)結(jié)果//及—％/、 /^_冗/，
得到該尺度梯度矢量[朋-《/，服-K/]T °按照
々,/ = argtan(= —2〈) 禾口 M2,+l / = ^服—《/卩+1朋—『;/ f
— / ，
(7' = -1，…,-/ )計(jì)算各級分辨率上的模值圖M^/0,力和相角圖。
④ 模極大值檢測和閾值處理
對③得到的模值圖，沿相角方向求局部模極大值點(diǎn)，得到所有的 邊緣像素點(diǎn)集合。由于噪聲和精細(xì)紋理的存在，存在很多潛在的非邊 緣點(diǎn)，而這些點(diǎn)的模值普遍較小，因此優(yōu)選地還可以采用閾值法清除 模值小于一定閾值的點(diǎn)，減小非邊緣像素點(diǎn)對后續(xù)步驟的影響。對經(jīng) 過閾值處理的各分辨率級的模值圖，鏈接圖中模值相近、相角相似的 非零邊緣像素點(diǎn)，剔除鏈長小于^. (/為分解級數(shù))的短鏈(即短邊
緣)。經(jīng)上述處理后，得到該尺度邊緣圖像。
⑤ 半重構(gòu)圖像邊緣點(diǎn)增強(qiáng)
對 檢測到的該尺度邊緣圖像進(jìn)行二值化，得到二值化邊緣圖像 模板，增強(qiáng)與此模板邊緣點(diǎn)位置對應(yīng)的/ _『2〗/和/^ —『2;/上相應(yīng)像
素點(diǎn)
r(服—f^/(x,力)=、x朋—《/(x,力 (6)
n服—冗力)=^ x服—『J 力 (7 )
其中，(x,力為服—％/和朋—冗/上的邊緣像素點(diǎn)。、為拉伸因子 由水平半重構(gòu)繼續(xù)重構(gòu)過程
將 中增強(qiáng)了的水平半重構(gòu)/// 一^/的每一列采用綜合濾波器 ^進(jìn)行一維重構(gòu)，得到/ + 1級的一個(gè)重構(gòu)分量，暫記為
15『2丄及(丄/f，闊；
0)由垂直半重構(gòu)繼續(xù)重構(gòu)過程
將6)中增強(qiáng)了的垂直半重構(gòu)ffl —『2:/的每一行采用綜合濾波器 ^進(jìn)行一維重構(gòu)，得到7+i級的一個(gè)重構(gòu)分量，暫記為
⑧ 低頻分量直接重構(gòu)過程
對于低頻分量『2,/—",將『2,/—zz的每一行小波系數(shù)上采樣并 采用綜合濾波器&進(jìn)行一維重構(gòu)，接下來再對每一列小波系數(shù)上采樣 并采用綜合濾波器&進(jìn)行一維重構(gòu)，得到y(tǒng)+i級的一個(gè)重構(gòu)分量，暫
⑨ 對角細(xì)節(jié)分量直接重構(gòu)過程
對于對角細(xì)節(jié)分量『2,/ —//// ，將^,/ —////的每一列小波系數(shù)上 采樣后采用綜合濾波器&進(jìn)行一維重構(gòu)，接下來再對每一行小波系數(shù) 上采樣并采用綜合濾波器^進(jìn)行一維重構(gòu)，得到7' + l級的一個(gè)重構(gòu)分 量，暫記為『2,+,/_及(////)。
O各重構(gòu)分量合成
將上述重構(gòu)分量『2,+,/—/ (丄仏ffiO 、 i (ffl,/氾)和
/ _ w( w)相加并減去重構(gòu)分量 +1 / _即重構(gòu)出增強(qiáng)了的y+1
級低頻分量。
(3)逐級小波重構(gòu)
從最粗分辨率級小波分解數(shù)據(jù)開始，逐級實(shí)施(2)中的0- 重 構(gòu)增強(qiáng)步驟，直至重構(gòu)完成，獲得增強(qiáng)圖像。 III.應(yīng)用領(lǐng)域
綜上所述，本發(fā)明在反對稱雙正交小波重構(gòu)的基礎(chǔ)上，實(shí)現(xiàn)了圖像的銳化增強(qiáng)?？蓮V泛應(yīng)用于醫(yī)學(xué)影像、生物特征識別、車輛輔助駕 駛、軍事、人機(jī)交互等領(lǐng)域中數(shù)字圖像有關(guān)改進(jìn)的領(lǐng)域。
(1) 醫(yī)學(xué)影像應(yīng)用領(lǐng)域
例如對于心臟造影圖像、x光圖像、超聲圖像中，圖像邊緣特征
模糊現(xiàn)象?？梢詰?yīng)用本發(fā)明提供的反對稱雙正交小波重構(gòu)增強(qiáng)方法進(jìn)
行圖像邊緣增強(qiáng)。X光圖像增強(qiáng)示例如圖4所示。
(2) 生物特征識別應(yīng)用領(lǐng)域
例如對于指紋圖像、莩紋圖像中，圖像邊緣特征模糊現(xiàn)象。可以 應(yīng)用本發(fā)明提供的反對稱雙正交小波重構(gòu)增強(qiáng)方法進(jìn)行圖像邊緣增 強(qiáng)。指紋圖像增強(qiáng)示例如圖5所示。
(3) 車輛輔助駕駛應(yīng)用領(lǐng)域 例如基于視覺的車輛輔助駕駛系統(tǒng)中雨霧等惡劣天氣下的采集
的視頻圖像，圖像對比度較低。可以應(yīng)用本發(fā)明提供的反對稱雙正交 小波重構(gòu)增強(qiáng)方法進(jìn)行圖像對比度增強(qiáng)。車輛輔助駕駛領(lǐng)域道路前方 車輛增強(qiáng)示例如圖6所示。
(4) 軍事應(yīng)用領(lǐng)域 例如對于軍事應(yīng)用中的可見光圖像，圖像對比度較低。可以應(yīng)用
本發(fā)明提供的反對稱雙正交小波重構(gòu)增強(qiáng)方法進(jìn)行圖像邊緣增強(qiáng)。坦 克圖像增強(qiáng)結(jié)果示例如圖7所示。
(5) 人機(jī)交互應(yīng)用領(lǐng)域 例如視線追蹤系統(tǒng)圖像采集過程中頭部超出景深范圍，導(dǎo)致圖像
對比度較低?？梢詰?yīng)用本發(fā)明提供的反對稱雙正交小波重構(gòu)增強(qiáng)方法 進(jìn)行圖像對比度增強(qiáng)。人眼圖像增強(qiáng)結(jié)果示例如圖8所示。
以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明， 顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā) 明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動 和變型在內(nèi)。
權(quán)利要求
1.一種基于反對稱雙正交小波重構(gòu)中多尺度邊緣檢測的圖像增強(qiáng)方法，包括以下步驟首先對原始圖像進(jìn)行多尺度反對稱雙正交小波分解，獲得各級小波分解的一個(gè)低頻分量和三個(gè)高頻分量；然后從最粗分辨率級開始進(jìn)行逐級小波重構(gòu)，在每一級重構(gòu)過程中，(1)進(jìn)行小波水平半重構(gòu)和垂直半重構(gòu)，獲得“水平半重構(gòu)”圖像和“垂直半重構(gòu)”圖像；(2)根據(jù)“水平半重構(gòu)”圖像和“垂直半重構(gòu)”圖像，計(jì)算模值圖和相角圖并進(jìn)行模極大值檢測和閾值處理，從而提取該尺度邊緣圖像；(3)根據(jù)所述該尺度邊緣圖像，增強(qiáng)“半重構(gòu)”圖像的對應(yīng)邊緣點(diǎn)；(4)對邊緣點(diǎn)增強(qiáng)后的“半重構(gòu)”圖像繼續(xù)重構(gòu)，獲得增強(qiáng)了的上一尺度的低頻圖像；在每一級的重構(gòu)中重復(fù)上述(1)-(4)過程，直至重構(gòu)結(jié)束，獲得增強(qiáng)圖像。
2. 根據(jù)權(quán)利要求l的圖像增強(qiáng)方法，其中所述三個(gè)高頻分量為水 平高頻分量、垂直高頻分量和對角高頻分量。
3. 根據(jù)權(quán)利要求l的圖像增強(qiáng)方法，其中所述步驟(2)中在閾 值處理之后，還包括去除圖像短邊緣的步驟。
4. 根據(jù)權(quán)利要求l的圖像增強(qiáng)方法，其中所述步驟(4)中繼續(xù)重構(gòu)包括對該尺度的水平半重構(gòu)分量的每一列進(jìn)行一維重構(gòu)，獲得上一級 的重構(gòu)分量l;對該尺度的垂直半重構(gòu)分量的每一行進(jìn)行一維重構(gòu)，獲得上一級 的重構(gòu)分量2;對該尺度的低頻分量的每一行小波系數(shù)上采樣并進(jìn)行一維重構(gòu)， 接下來再對每一列小波系數(shù)上采樣并進(jìn)行一維重構(gòu)，獲得上一級重構(gòu)分量3;對該尺度的對角細(xì)節(jié)分量的每一列小波系數(shù)上采樣后進(jìn)行一維 重構(gòu)，接下來再對每一行小波系數(shù)上采樣并進(jìn)行一維重構(gòu)，得到上一級重構(gòu)分量4;將所得到的上一級重構(gòu)分量l、上一級重構(gòu)分量2和上一級重構(gòu)分 量3相加，并減去上一級重構(gòu)分量4，即重構(gòu)出增強(qiáng)了的上一級低頻圖像。
5. 根據(jù)權(quán)利要求1-4任一項(xiàng)的圖像增強(qiáng)方法，用于醫(yī)學(xué)影像領(lǐng)域 的數(shù)字圖像改進(jìn)。
6. 根據(jù)權(quán)利要求1-4任一項(xiàng)的圖像增強(qiáng)方法，用于生物特征識別 領(lǐng)域的數(shù)字圖像改進(jìn)。
7. 根據(jù)權(quán)利要求l-4任一項(xiàng)的圖像增強(qiáng)方法，用于車輛輔助駕駛 領(lǐng)域的數(shù)字圖像改進(jìn)。
8. 根據(jù)權(quán)利要求l-4任一項(xiàng)的圖像增強(qiáng)方法，用于軍事領(lǐng)域的數(shù) 字圖像改進(jìn)。
9. 根據(jù)權(quán)利要求1-4任一項(xiàng)的圖像增強(qiáng)方法，用于人機(jī)交互領(lǐng)域 的數(shù)字圖像改進(jìn)。
全文摘要
本發(fā)明涉及一種基于反對稱雙正交小波重構(gòu)中多尺度邊緣檢測的圖像增強(qiáng)方法。在小波塔式分解數(shù)據(jù)的重構(gòu)過程中有針對性地實(shí)現(xiàn)對圖像邊緣的增強(qiáng)。首先對圖像進(jìn)行多尺度小波分解；然后在每一級小波重構(gòu)中，根據(jù)半重構(gòu)結(jié)果計(jì)算模值圖和相角圖并進(jìn)行模極大值檢測和閾值處理，提取該尺度邊緣圖像；并根據(jù)邊緣圖像，增強(qiáng)半重構(gòu)圖像的對應(yīng)邊緣點(diǎn)；然后繼續(xù)重構(gòu)，獲得增強(qiáng)了的上一尺度低頻分量。從最粗分辨率級開始，按上述每一級重構(gòu)增強(qiáng)過程進(jìn)行小波逐級重構(gòu)，最終實(shí)現(xiàn)圖像增強(qiáng)。本發(fā)明的圖像增強(qiáng)方法可廣泛應(yīng)用于醫(yī)學(xué)影像、生物特征識別、車輛輔助駕駛、軍事及人機(jī)交互等中數(shù)字圖像有關(guān)改進(jìn)的領(lǐng)域。
文檔編號G06T5/10GK101661616SQ20091017730
公開日2010年3月3日 申請日期2009年9月29日 優(yōu)先權(quán)日2009年9月29日
發(fā)明者洋 劉, 史光遠(yuǎn), 闖 張, 謝秀貞, 遲健男, 顏艷桃, 黃榮輝 申請人:北京科技大學(xué)