一种改进的实时抗噪增强算法及其硬件实现

张 辽，赵金宇，曹景太，吴庆林，崔博川

(1.中国科学院 长春光学精密机械与物理研究所，吉林 长春130033;2.中国科学院大学，北京100049)

在实时监控、观测中，为了得到质量良好的图像，必须对采集到的图像进行增强处理。增强处理有两个作用:第一，图像在采集过程中会受到噪声干扰而使图像质量下降［1］，增强后，会使噪声变小，图像的质量得到改善;第二，图像增强后会变得更符合计算机的识别和系统应用的要求［2］，视觉特性也会得到改善。图像增强算法主要有频率域法和空间域法［3］，前者主要变换到频率域处理，后者是对每个像素的灰度值直接处理［4］。

实时性是图像增强非常重要的指标。近年来关于图像去噪，国内外许多学者提出了很多效果较好的算法［5－9］，但是大都不满足工程应用的实时性要求。因此，目前的实时性算法大都比较简单，算法效果有待提高［10－11］。主流的增强方法是利用直方图均衡化理论，其核心思想是减少图像的灰度级，来使图像对比度变大。此方法的优点是简单、有效且易于实现。但是，过度增强像素点、放大噪声、图像细节丢失等缺点也限制了它的广泛应用［12］。

本文提出了一种改进的基于局部统计特性的增强算法。在传统的局部增强算法之前，使用超限邻域法对原始图像进行去噪处理:通过设置阈值判断像素点是否为噪声点以及是否需要增强。由算法的仿真可得出，改进算法的抗噪能力得到增强;硬件测试后，实时性能也符合工程应用要求。

1 基于局部统计的增强算法

1.1 算法简介

基于局部统计的增强算法［13］是基于图像邻域的数字特征的算法，它以局部区域统计特征(方差、均值)为依据，在一定指标下，判断某一区域像素点是否需要进行增强。主要步骤如下:

1)相关数字特征的计算

对数字图像的处理，实质上是对灰度矩阵的处理。假设1 个m×n 像素矩阵，它的所有像素的平均值(全局灰度)是MG，标准差是DG。它们分别度量了图像的强度和对比度。

假设一像素点(x，y)，Sxy是以它为中心的确定大小的邻域，(s，t)是邻域内像素点，mSxy表示领域的平均像素灰度值，δSxy表示邻域的标准差。计算公式如下

式中:邻域内(s，t)坐标处的灰度值用rs，t表示，对应灰度值的邻域归一化直方图分量由p(rs，t)表示，它代表了灰度值rs，t在邻域内出现的概率。rs，t和p(rs，t)分别度量了邻域强度和对比度。由公式(1)和(2)可得出，当邻域扩大为整幅图时，MG变为mSxy，DG变为δSxy。

2)增强条件的判断

首先要选择需要增强的是暗区还是亮区，不同的区域会导致参数不同。如增强亮区域则应有:待增强区域均值大于全局均值，即mSxy≥k0MG，k0＞1，反之同理。其次，所需增强区域一般具有较低的对比度，故还需进行对比度限制:δSxy≤k2DG，0 ＜k2＜1，表明局部对比度小于全局对比度;此外，为了不对标准差为0 的恒定区域进行增强，对δSxy还应有δSxy≥k1DG，其中k0，k1和k2是系数，都为正，且存在k1＜k2。符合以上所有条件的像素点才是增强目标。

3)增强公式

对待增强像素点进行如下处理

式中:f(x，y)是(x，y)点处原有的像素值;g(x，y)是处理后该点的像素值;E 是增强的倍数;k0，k1，k2是相关参数。

4)确定各相关参数的取值。

1.2 算法局限性

对某些特定图像比如暗背景图像，此算法具有较好的增强效果。但由于只是简单地将灰度增强了E 倍，导致某些区域对比度不够明显。另外，由于未对噪声进行处理，该算法很容易把噪声点误判为需要增强的像素点，对噪声的灰度进行放大，影响图像质量。抗噪能力差，成为了它被广泛应用的最大限制之一。

2 基于超限邻域法的改进算法

2.1 超限邻域均值法

邻域均值法是一种基于空间的局部处理算法，即将一个像元为中心的整个邻域的均值赋给输出图像相应的像元，从而达到图像平滑去噪。用公式表达为

邻域均值法算法简单，处理速度快，但是在降低噪声的同时使图像产生模糊，边缘和细节退化，退化程度和邻域半径成正比。

超限邻域法是在邻域均值法的基础上改进得到，它对邻域均值法的模糊作用进行了抑制，同时保留了其算法简单、快速的优点。

如果邻域A(N×N)内某点像素值大于相应邻域像素的均值，且达到了一定水平(阈值T)，则判断它是噪声，就用邻域均值替代该点像素值

大量实验证明，阈值T 选择太大会使噪声消除不干净，太小则会降低处理速度以及使图像模糊，一般T 的取值在10～30 范围。实际应用中，由于计算量限制，窗口大小一般选3×3。

2.2 本文改进算法

在图像采集的过程中，由于外界条件的干扰经常会出现毛刺等噪声，使得某一像素点的值与周围相差较大。在用局部增强算法增强时，有时会把该噪声点错误增强。为了将噪声去除，在判断一个像素点是否需要增强之前，先判断它是否是噪声，如式(5)。算法的流程如图1 所示。

图1 改进算法的流程

设置一个阈值，如果该点像素值与邻域均值的差的绝对值大于阈值T，就判断它是噪声点，进行去噪;不是噪声的像素点，再进行局部统计增强判断，进行增强。

相比原算法，它增加了一个去噪过程，对噪声特别是孤点噪声的抑制效果得到提高。在此基础上，邻域均值不需要额外计算，增加的计算量很小，可满足实时性要求。

3 仿真实验

本文的仿真实验是用MATLAB R2013a 完成的。仿真所得的实验图如图2 ～图4 所示。

2 原图及其经过不同算法处理后的增强图

图3 加椒盐噪声后原图及其经过不同算法处理后的增强图

图2a 是一根支架上缠绕的钨丝图像，其背景右侧中还存在一根钨丝，但是很暗，要使右侧的钨丝特征显现出来，现用传统算法和改进算法分别进行暗区增强处理。本文选择k0=0.4，k1=0.01，k2=0.4，E=4，邻域大小选择3×3(图2、图3均如此选择参数)。图2b 是使用传统的局部增强算法增强后的图像，可以看到，右侧阴暗部分的细节已经被显示出来，明亮区域也得到了保留，但产生了一些过亮点。图2c 是使用本文改进算法得到的，可以看到效果和传统算法相差不大。

为了校验改进后的去噪性能，在原图的基础上加上噪声，比较不同算法的处理结果，并用峰值信噪比(PSNR)来作为去噪客观标准。结果如表1 示。

图3a 是引入了噪声比例为0.01 的椒盐噪声的钨丝原图。图3b 是传统局部增强算法处理后的图像，可以看到虽然背景钨丝被增强，但是椒盐噪声却充斥整幅图像，说明原算法对椒盐噪声的抵抗力很低。图3c 是经过本文改进算法处理后得到的图像，阈值T=30，可以看到，椒盐噪声得到了较大地抑制。

表1 不同算法处理后的PSNR 值 dB

图4a 是在原图基础上加入了均值为0，方差为0.01 的高斯噪声得到的。图4b 可看出，经过传统算法处理后，背景钨丝几乎被噪声淹没，较难分辨出增强后的背景。选取阈值T=10 后，图4c 的视觉效果比图4b 有所提高，高斯噪声得到了较大的抑制，背景钨丝已经可以分辨出来。

图4 加高斯噪声后原图及其经过不同算法处理后的增强图

可以看出，改进算法较好地解决了原算法抗噪性差的缺点，对比表1 的峰值信噪比可以看出，改进算法在椒盐噪声和高斯噪声的影响下，相比改进前PSNR 值提高了约有3～4 dB。

4 硬件实现与实验结果

4.1 硬件平台结构及实现

硬件平台是采用DSP+FPGA 架构实现的，具有较好的灵活性和通用性［14－15］。用相机采集图像后，经过DSP 板卡编程处理，在显示器上显示出图像。板卡是以FPGA Xilinx VIRTEX－4 和DSP C6000 芯片为核心，包含了各种接口、存储器。图5 是板卡的内部逻辑原理图，图6 则是板卡的实物图。

4.2 实验结果

图7a 所示是一个印有白色小树图案的灰色水杯，在白色小树周围还有一些小的白色图案。现要实现把中央区域的白色小树灰度增强，而暗区不动。图像大小为720×576，对中心250×250 大小区域采用本文算法，阈值选取T=20，参数选取k0=1.5，k1=0.01，k2=0.4，E=2，邻域大小选择3×3。局部增强后得到图7b，可以看到，白色小树以及周围白色图案的亮度得到增强，而暗区基本不变化，边界未出现明显轮廓，对噪声的抑制效果也有体现。在实验过程中，图像一秒帧数大于25 帧，满足实时性要求。

图5 板卡的内部原理图

图6 板卡的实物图

图7 实时性硬件验证实验图

5 结论

为了满足工程应用的要求，针对传统局部增强算法抗噪性差的缺点，提出了一种局部区域增强的改进算法，且复杂度的增加有限。该算法对椒盐噪声、高斯噪声具有较好的抑制效果，同时具有较好的增强效果;局部区域增强后，边界较为平滑，无明显的假轮廓，保证了视觉效果。仿真实验证明，在高斯、椒盐噪声干扰下改进算法的PSNR 值提高约3～4 dB;硬件实验表明，算法在实时应用中具有较好的增强效果，实时处理每帧延时约20 ms，可满足实时图像处理领域中噪声抑制和处理速度的要求。它是一种具有实用意义的图像增强算法。

［1］张达奇，胡剑凌.基于人眼失真敏感度的图像质量评价算法研究［J］.电视技术，2014，38(19):28－31.

［2］鲁业频，陈兆龙，李素平.图像质量评价的研究现状与发展［J］.电视技术，2014，38(19):23－27.

［3］刘春香，李洪祚.实时图像增强算法研究［J］. 中国光学与应用光学，2009(5):395－401.

［4］张颖颖，张帅，张萍，等. 融合对比度和分布性的图像显著性区域检测［J］.光学精密工程，2014(4):1012－1019.

［5］NERCESSIAN S C，PANETTA K A，AGAIAN S S.Non－linear direct multi－scale image enhancement based on the luminance and contrast masking characteristics of the human visual system［J］.IEEE Trans.Image Process，2013，22(9):3549－3561.

［6］XIE X，WANG C，ZHANG A，et al. A robust level set method based on local statistical information for noisy image segmentation［J］. Optik－International Journal for Light and Electron Optics，2014，125(9):2199–2204.

［7］YS C.A robust approach to image enhancement based on fuzzy logic［J］.IEEE Trans.Image Process，1997(5):14－19.

［8］吴俊，汪源源，陈悦，等. 基于同质区域自动选取的各向异性扩散超声图像去噪［J］.光学精密工程，2014(5):1312－1321.

［9］LEE K S，DOH W，PARK K J，et al.Image enhancement based on signal subspace approach［J］. International Conference on Image Processing，1996(8):777－780.

［10］黄梅，吴志勇，梁敏华，等. 暗背景下低灰度图像的实时增强［J］.液晶与显示，2011(3):374－378.

［11］魏朝龙，滕少华.基于改进ILAE 算法的图像局部自适应增强研究［J］.计算机应用与软件，2011(2):111－113.

［12］陈莹，朱明.多子直方图均衡微光图像增强及FPGA 实现［J］.中国光学，2014(2):225－233.

［13］RAFAEL C G，RICHARD E W.数字图像处理［M］.北京:电子工业出版社，2001.

［14］赵建，赵凡，曲锋. 彩色图像的FPGA 实时增强系统实现［J］.液晶与显示，2014(4):629－636.

［15］王德胜，康令州.基于FPGA 的实时图像采集与预处理［J］.电视技术，2011，35(3):32－35.