图像增强方法研究新进展*

李 阳，常 霞，纪 峰

(1.北方民族大学 计算机科学与工程学院，宁夏 银川750021;2.北方民族大学 数学与信息科学学院 图像处理与理解研究所，宁夏 银川750021)

0 引 言

图像在获取和传输的过程中会受到成像环境、成像设备和传输系统的影响，使得最终接收到的图像含有噪声，细节信息难以辨认，极大妨碍后续图像处理的准确性。图像增强的目的在于提高图像质量，根据后续图像处理要求，有目的地增强某种目标信息的可辨识能力，将图像中感兴趣的目标特征信息更细化的表达出来，同时抑制噪声［1］。近些年，图像增强领域研究的重点是增强图像的边缘或者纹理细节信息，而不是改善图像暗区域。

本文从空域、变换域增强方法和图像增强质量评价进行分析。

1 空域图像增强

1.1 灰度变换

灰度变换［1］是一个像素值映射过程，表达式为:S=T(r)，T 为映射函数，r 为原图像，S 为结果图像;基本的灰度变换函数，如分段线性变换，灰度变换算法简单，速度快，但变换后的图像会丢失细节信息。分段线性变换方法采用人工进行参数优化，缺乏自适应机制，难以获得最佳的增强效果。对于不同的图像分段线性变换的映射曲线或直线也不相同，只能凭借经验或者多次尝试获得。针对这些问题，文献［2］采用了一个混合遗传算法相结合的差分进化的遗传算法在图像增强处理，并利用该算法进行适应性突变和搜索的快速搜索能力得到最佳的变换曲线。

1.2 直方图均衡化

直方图均衡化方法对灰度范围小的图像具有非常好的增强效果，该方法简单，快速，已被广泛使用。直方图均衡化方法也具有局限性，该算法会将一些变换前属于不同灰度级像素合并到同一灰度级上面，造成增强后的图像细节丢失，缺少了层次感。当原图像部分区域明暗对比度较大时，该方法会使得增强后图像出现局部过亮或过暗这种“水洗”效应。针对此问题，文献［3］采用了动态象限直方图均衡化方法，通过中值将图像划分为4 个子图像，接着一个新的动态范围划分给了每个子图像，然后对每个子图像进行直方图均衡化操作。文献［4］采取了局部直方图均衡化的图像增强方法，先把目标区域和非目标区域进行分割，然后对分割后图像进行局部直方图均衡化操作。为了克服过度增强和防止噪声被放大，文献［5］采用基于模糊域的直方图均衡化方法，先使用模糊集理论计算出模糊直方图，然后根据原始直方图中值把模糊直方图分为两个子直方图，最后独立对子直方图使用直方图均衡化方法。局部直方图均衡化减少了场景深度的影响，但是对变化缓慢区域也会造成误增强。

直方图规定化方法可以灵活地控制直方图的形状;当然，直方图均衡化也存在局限性，变换时采用近似运算，所以，结果存在误差。

1.3 引导滤波

引导滤波［6］是一种局部图像滤波器，与双边滤波都具有保持图像边缘的特点，此算法运行速度快，有效地去除伪影。但如果处理的图像噪声较大，则此方法会放大噪声;由于采用了单一尺度参数，在处理图像时则会出现过度锐化等现象。为此，文献［7］在使用引导滤波时，将图像细节部分、平滑部分、噪声进行区分处理。

2 变换域图像增强

2.1 傅里叶变换域

传统的频域图像增强法是将具有所需特性的滤波算子与原图像进行卷积以达到增强图像的目的。平滑滤波如低通滤波，图像低通滤波后，因为过滤了高频信息使得结果图像的轮廓变模糊，还伴有“振铃”现象;锐化滤波如高通滤波，图像高通滤波结果图像的轮廓更加明显，光滑区域变暗，伴有“振铃”现象;同态滤波在图像增强时把频率过滤和灰度变换结合起来，依靠图像的照度和反射率模型作为频域处理的基础，压缩亮度范围和增强对比度来改善图像的质量;图像经过同态滤波后对比度增强，细节更加明显;同态滤波变换函数的参数一般通过经验手工指定。文献［8］采用小波变换代替傅里叶变换，把同态滤波引入小波域中，取得了良好的效果。

2.2 多尺度几何分析的图像增强

小波变换具有良好的时频局域化特性。图像在经过小波变换后，主要能量集中在低通子带，强边缘、弱边缘和噪声集中在带通子带，强边缘同尺度所有方向上为系数较大的值，弱边缘在通同尺度的有些方向上为系数较大的值，噪声则在同尺度所有方向上都为系数较小的值。小波域含噪图像增强的基本思路:先对图像进行小波变换得到变换后小波系数，对噪声系数进行去除，同时对边缘信息进行增强，最后进行小波逆变换得到增强图像。

针对高动态范围场景的不均匀照明条件导致图像光照不均模糊，文献［9］采用一种基于小波变换的动态范围压缩算法提高数字视觉质量。快速图像增强算法提供动态范围压缩保存局部的对比度和色调再现，该算法具有较强的鲁棒性。对于含噪图像，出现了小波域HMT 统计模型，对噪声进行去除，对细节系数进行增强;文献［10］对小波系数进行统计建立了二元柯西模型，该模型可以有效地去除噪声，增强边缘。由于小波变换只具有检测奇异点的特性且小波变换只存在3 个方向(水平、垂直、对角线)，这些都很大地影响它在图像处理领域的应用效果。

第二代Curvelet 变换曲波系数是通过局部傅立叶变换来实现。图像经过第二代Curvelet 变换后大的曲波系数对应着图像信息，小的曲波系数对应噪声。第二代Curvelet变换域图像增强可以采取相应的方式对噪声系数进行去除，如采取合理的阈值对噪声进行置零，对图像信号的系数进行放大。受到多种因素影响，采集到的红外因受到噪声污染存在边缘模糊、对比度低等不足，文献［11］将同态滤波引入Curvelet 变换域中，同时在曲波域的方向子带根据方向的敏感性，采用对弱边缘增强、强边缘保留、噪声去除的处理。

相对于小波变换，Contourlet 变换可以在每一尺度上分解出任意多的方向子带，方向子带数一般为2n(n∈N)，如图1 Contourlet 方向子带图，Contourlet 变换对曲线可以获得更加稀疏的表达，图2 小波与Contourlet 对曲线的表达;与临界采样的小波变换相比，LP 变换的缺点是过采样，其冗余度是4/3。Contourlet 域图像增强与小波域图像增强方法相类似。因为SAR 图像得细节没有普通图像的细节明显而且噪声比较大，所以，在增强图像时需要比普通图像增加更多的图像细节同时抑制噪声，文献［12］对图像Contourlet变换后，采用非线性增益映射函数对Contourlet 系数进行增强，为了达到最佳的效果，增益函数的参数的选择很重要，文中采用粒子群算法对参数值进行搜索优化。

高中关于洛伦兹力的问题多数是关于带电粒子在磁场中的应用，而最让人头痛的便是洛伦兹力在叠加磁场中运动综合运用问题。下面就以2015年高考福建卷11题为例进行分析，(如图5)

图1 Contourlet 方向子带图Fig 1 Subband figure of contourlet direction

图2 小波与Contourlet 对曲线的表达Fig 2 Wavelet and Contourlet expression of curve

Contourlet 存在下采样操作会导致伪吉布斯现象，因此，2005 年Arthur Lda Cunha 等人采用了非下采样Contourlet 变换(NSCT)，NSCT 采用非下采样金字塔滤波器和非下采样方向滤波器组，具有平移不变性;相对于Contourlet 变换，NSCT 增加了冗余信息。图像经过NSCT 后，有和小波变换后类似的系数特征，即强边缘同尺度所有方向上为系数较大的值，弱边缘在通同尺度的有些方向上为系数较大的值，噪声则在同尺度所有方向上都为系数较小的值。噪声在经过多层分解之后，其系数值会大幅衰减。由于NSCT 图像增强的增强函数参数值需要根据经验手动设定，文献［13］采用了一种基于NSCT 自适应图像增强方法，该方法通过设定合理的图像评价函数，采用优化算法对参数值进行更新筛选，此方法图像评价函数至关重要，如果图像评价函数不能很好地评价描述图像，则会得到差的结果。

2.3 模糊增强

图像本身具有模糊性，所以，模糊集理论可以更好地处理图像。传统的基于模糊理论的Pal.King 算法运算量大，没有考虑到图像中多层次的轮廓信息。模糊增强的参数通常是依靠经验手动设定，这样通常达不到最优值，文献［14］通过简单的规则建模决策，对模糊的参数进行决策推论。文献［15，16］采用了多层次的红外模糊增强算法，并利用最大熵原理实现参数的优化设置，该算法能够凸显出图像多不同层次灰度信息和轮廓信息。由于一型模糊集隶属度函数是确定的，不具有柔性，很难将不确定性的影响降到最小，医学图像包含了大量的不确定性，因此，二型模糊集［17］被引入进来;相对于一型模糊集，二型模糊集运算量更大，文献［17］采用了区间二型模糊集，减少了运算量。

2.4 视网膜大脑皮层理论的图像增强

视网膜大脑皮层(Retinex)理论［18］的假设现实图像等于光照图像与反射图像的乘积，基于视网膜大脑皮层理论的图像增强的目的就是从现实图像中估计出光照图像，从而分解出反射图像，消除光照不均带来的影响。视网膜大脑皮层理论模拟人眼成像过程，在处理图像时综合兼顾到动态压缩图像灰度、边缘增强等可以较好地恢复图像细节信息。单尺度、多尺度Retinex 理论取得了良好的效果。

针对视网膜大脑皮层理论的Kimmel 变分模型在增强中会产生人工伪影问题，文献［19］采用在模型求解过程中采用基于金字塔的提升算法，再用正态截取拉伸处理图像。传统的线性加权方法来综合每个单尺度Retinex 增强效果不能很好地体现每个单尺度在色彩保真度和细节增强上的优势，出现了基于照度分割的局部多尺度Retinex 增强，先使用LIP 模型将图像氛围4 个照度区域，然后根据每个照度差异采用合理尺度的Retinex 算法进行增强。目前，视网膜大脑皮层理论去雾算法对不同雾化程度的图像采用恒定的滤波器，缺少针对性，文献［20］根据视网膜大脑皮层理论采用局部区域暗原色值可变滤波器，针对不同的雾化程度图像采用不同尺度的滤波器增强图像。由于MSR 处理结果像素值会出现负值，传统多尺度视网膜大脑皮层理论算法采用了Gain－Offset 方法对像素值进行修正会导致数据丢失，文献［21］采用了设计了专门的sigmod 函数进行数据映射来代替Gain－Offset 方法，减少数据的丢失;由于夜间照片噪声大，文献［22］在Retinex 增强操作之后根据噪声系数的特点，对噪声进行去除，减少噪声对图像的影响。高斯环绕空间常数、尺度的数目、增益和偏移等都影响MSR 增强的结果，文献［22］通过粒子群优化的方法调整MSR 图像增强的参数。

2.5 暗原色的单一图像去雾

户外图像受到大气中雾气、蒸汽和霾而降质，文献［23］采用基于暗原色的单一图像去雾技术，该技术通过统计观察到图像局部区域至少存在一个颜色通道的强度值很低的像素，通过这些像素值来估计雾光的透射信息。但是现实场景中每个图片的不同区域其场景雾化程度并不相同，因而出现了对图像进行分割得到不同雾化程度的区域进行处理［24］，因为算法是基于全局优化，所以，计算量大。文献［25］采用了基于高斯双边滤波保持边缘的暗通道算法代替原时间复杂度高的软抠图算法，该算法计算量相对较小，并能很好地保持边缘。

3 增强评估

图像增强的评价包括人为评价和客观评价。客观评价，已成为当前的研究热点，人为评价是通过人眼的直观感受对增强结果进行判断分析。该方法具有一定的可信度，但易受个人主观因素的影响。

相对于人为评价，客观评价操作简单、成本低。客观评价分为全参考评价、无参考评价和降至参考。

式中 fmax，fmin分别为图像中最大灰度值、最小灰度值。

均方差(MSE)表示图像增强前后的差异，定义为

式中 I(X，Y)表示原图像;V(X，T)表示增强后的图像;N=m×n表示图像大小。CII，MSE 计算简单，但是不能反映出视觉感受［26］。

常见的空域图像清晰度评价函数有拉普拉斯函数，定义为

式中 S 为清晰度，f(i，j)为图像中点(i，j)的灰度值，m，n分别为图像的像素值行数和列数，图片的轮廓越明显，S 的值越大。随着学科的发展，结构相似度(SSIM)融入了客观图像质量评价指标，结构相似度相在一定程度上体现出人类视觉感受，其结构信息独立于亮度、对比度，能反映场景中物体结构，定义为

式中 L(x，y)，C(x，y)，S(x，y)分别为原图像(x)与待测图像(y)的亮度相关系数、对比度相关系数和结构相关系数，a，b，c 分别为三个要素的权值，通常a=b=c=1;u(x)，u(y)分别为图像x，y 的均值;d(x)，d(y)分别为图像的x，y的方差，d(x，y)为图像x，y 的协方差;C1，C2，C3为较小的正常数。

无参考评价和降质参考。基于统计特征的评价方法［27］，用广义高斯分布对小波变换后系数进行描述，然后通过二阶结构模型实现无参质量评价。在实际应用中，对于图像的评价往往采用主观与客观方法相结合。

4 结束语

各个学科的发展和学科交叉领域的深入研究促进了图像增强方法的创新，有效提升了增强结果的性能。随着图像传感器技术的进步和图像应用领域的扩大，面对新的图像类型，新的应用领域，如何对图像进行增强处理值得进一步研究。汲取计算智能、统计学、多尺度几何领域优秀的思想，期望获得鲁棒的、自适应的、最优化的图像增强方法是研究人员孜孜以求的目标。

［1］ Gonzalez R C，Woods R E，Masters B R.Digital image processing，third edition［J］.Journal of Biomedical Optics，2009，14(2):029901.

［2］ Mu D，Xu C，Ge H.Hybrid genetic agorithm based image enhancement technology［C］∥2011 International Conference on Internet Technology and Applications(iTAP)，2011:1－4.

［3］ Singh K，Kapoor R.Image enhancement via median－mean based sub－image－clipped histogram equalization［J］.Optik，2014，125(17):4646－4651.

［4］ Ooi C H，Kong N S P，Ibrahim H.Bi－histogram equalization with a plateau limit for digital image enhancement［J］.IEEE Transactions on Consumer Electronics，2009，55(4):2072－2080.

［5］ Corporation H P.Fuzzy logic－based histogram equalization for image contrast enhancement［J］.Mathematical Problems in Engineering，2013，23(2):589－606.

［6］ He K M，Sun J，Tang X O.Guided image filtering［C］∥Proceedings of the 11th European Conference on Computer Vision，Lecture Notes in Computer Science，Heraklion，Crete，Greece，2010:1－14.

［7］ Liu N，Zhao D.Detail enhancement for high－dynamic－range infrared images based on guided image filter［J］.Infrared Physics＆Technology，2014，67:138－147.

［8］ Gorgel P，Sertbas A，Ucan O N.A wavelet－based mammographic image denoising and enhancement with homomorphic filtering［J］.Journal of Medical Systems，2010，34(6):993－1002.

［9］ Unaldi N，Temel S，Asari V K，et al.An automatic wavelet－based nonlinear image enhancement technique for aerial imagery［C］∥4th International Conference on Recent Advances in Space Technologies，RAST’09，IEEE，2009:307－312.

［10］Loza A，Bull D R，Hill P R，et al.Automatic contrast enhancement of low－light images based on local statistics of wavelet coefficients［J］.Digital Signal Processing，2013，23(6):1856－1866.

［11］Ein－Shoka A A，Kelash H M，Faragallah O S，et al.Enhancement of IR images using homomorphic filtering in fast discrete curvelet transform(FDCT)［J］.International Journal of Computer Applications，2014，96(8):22－25.

［12］Shanthi I，Valarmathi M L，Shanthi I，et al.Contourlet transform with modified particle swarm optimisation for despeckling and feature enhancement of SAR images［J］.International Journal of Computer Applications in Technology，2013，51:53－61.

［13］Li Y，Hu J，Jia Y.Automatic SAR image enhancement based on nonsubsampled contourlet transform and memetic algorithm［J］.Neurocomputing，2014，134(9):70－78.

［14］Rajal J S.An approach for image enhancement using fuzzy inference system for noisy image［J］.Journal of Engineering Computers＆Applied Sciences，2013，2(5):4－11.

［15］Chaira T.A rank ordered filter for medical image edge enhancement and detection using intuitionistic fuzzy set［J］.Applied Soft Computing，2012，12(4):1259－1266.

［16］Cepeda－Negrete J，Sanchez－Yanez R E.Automatic selection of color constancy algorithms for dark image enhancement by fuzzy rule－based reasoning［J］.Applied Soft Computing，2015，28(8):1－10.

［17］Chaira T.An improved medical image enhancement scheme using type II fuzzy set［J］.Applied Soft Computing，2014，25:293－308.

［18］Land E H，Mccann J J.Lightness and retinex theory［J］.Journal of the Acoustical Society of America，1971，105(3):2051－2052.

［19］Rahman Z U，Jobson D J，Woodell G A.Retinex processing for automatic image enhancement［J］.Journal of Electronic Imaging，2004，13(1):100－110.

［20］Li Yaofeng，He Xiaohai，Wu Xiaoqiang.Improved enhancement algorithm of fog image based on multi－scale Retinex with color restoration［J］.Journal of Computer Applications，2014，34(10):2996－2999.

［21］Lin H，Shi Z.Multi－scale retinex improvement for nighttime image enhancement［J］.Optik－International Journal for Light and Electron Optics，2014，125(24):7143－7148.

［22］Hanumantharaju M C，Aradhya V N M，Ravishankar M，et al.A particle swarm optimization method for tuning the parameters of multiscale retinex based color image enhancement［C］∥Proceedings of the International Conference on Advances in Computing，Communications and Informatics，ACM，2012:787－794.

［23］Park H.An improved single image haze removal algorithm using image segmentation［J］.IEICE Transactions on Information＆Systems，2014，92(9):2554－2558.

［24］He K，Sun J，Tang X.Single image haze removal usingdark channel prior［C］∥IEEE Conference on Computer Vision and Pattern Recognition，Miami，USA:IEEE，2009:1956－1963.

［25］Gao R，Wang Y，Liu M，et al.Fast algorithm for dark channel prior［J］.Electronics Letters，2014，50(24):1826－1828.

［26］Russo F，De Angelis A，Carbone P.A vector approach to quality assessment of color images［C］∥IEEE International Instrumentation and Measurement Technology Conference，Victoria，BC，Canada，2008:814－818.

［27］Moorthy A K，Bovik A C.A two－step framework for constructing blind image quality indices［J］.IEEE Signal Processing Letters，2010，17(5):513－516.