基于非锐化掩模与Beta变换的图像增强研究

王仕女 孙文胜

摘 要：针对现有对比度变换图像增强方法细节处理不足，经典穷举法和各种生物智能优化算法求取非完全Beta函数参数存在算法效率不高、易陷入局部最优的缺陷，提出一种利用非锐化掩膜局部细节提升能力和Beta变换全局对比度拉伸能力，简便快速且细节丰富的图像增强方法。使用不同灰度分布图进行仿真实验，结果表明该算法得到的增强图像直方图分布均匀、细节丰富且过渡自然平缓，算法效率高。

关键词：图像增强;非锐化掩模;双边滤波;非完全Beta函数;细节融合

DOI：10. 11907/rjdk. 182625 开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2019）009-0207-04

Image Enhancement Based on Unsharp Mask and Beta Transform

WANG Shi-nv，SUN Wen-sheng

（Communication Engineering College， Hangzhou Dianzi University， Hangzhou 310018， China）

Abstract： Aiming at the shortcomings of the existing contrast-converted image enhancement method in detail processing， the insufficiency of the algorithm for solving the incomplete Beta function parameters for the classical exhaustive method and various bio-intelligence optimization algorithms is easy and the strong tendency to fall into the local optimum， a simple， fast and detailed image enhancement method using the unsharp mask local detail lifting ability and the Beta transform global contrast stretching ability is proposed. Simulation experiments using different grayscale maps show that the proposed algorithm has high efficiency， and the obtained enhanced histograms are evenly distributed， with rich details and smooth transition.

Key Words： image enhancement; unsharp mask; bilateral filtering; incomplete Beta function; detail fusion

0 引言

由于設备和环境等影响，图像在获取过程中极有可能出现灰度集中、整体偏暗或偏亮问题，导致景物信息丢失或边界轮廓不清，对后续图像分析和识别造成影响。图像增强是图像预处理的必要步骤，对比度变换（Contrast Transform）是其中应用较为普遍的方法之一，包括线性拉伸、直方图均衡化、Gamma变换等常用方法，其主要作用是拉伸全局对比度[1]，但存在图像细节改善不足问题[2]。在灰度图像空间域增强基础上，Tubbs[3]提出了一种能完全涵盖典型变换函数的非完全Beta函数，增加了灰度转换公式的机动性，在图像增强领域得到了广泛应用[4]。其中对于非完全Beta函数参数的确定较为关键。当前对Beta函数参数的确定主要是传统的穷举法和各种仿生智能优化算法。穷举法算法效率极低，因而出现了各种结合优化算法，包括粒子群算法、遗传算法、混合蛙跳等;由于传统方法对非完全Beta函数参数选取过程耗时过长，黄小荣、李林宜等 [5-7]分别提出使用遗传算法、粒子群优化算法不断迭代优化求取参数，混沌蛙跳，人工鱼群算法等[8-10]也被提出用于图像增强优化;叶志伟等[11]利用新型的仿生智能算法杜鹃搜索算法更强的寻优能力，提升了搜索参数的速度和精度;李宗妮等[12]利用蚁狮优化算法，通过蚂蚁的随机游走实现空间搜索，提升了寻优精度。上述方法都对传统方法有一定改善，但由于优化算法本身不断迭代，不可避免存在算法速度上的限制，同时由于变换函数拉伸全局对比度而忽略了细节的保留。针对对比度变换法的缺陷，杨有等[13]对限制对比度自适应直方图均衡采用Lee滤波器进行局部细节增强，在一定程度上提升了细节。

本文针对以上算法存在的问题，对整体偏暗或偏亮图像提出一种快速的估计非完全Beta函数参数公式，利用非锐化掩膜提取多维细节层，结合非锐化掩膜的局部细节保留能力和Beta函数全局对比度提升能力，达到简便快速增强丰富的图像细节效果。

1 非完全Beta函数

图像全局增强用于提升图像对比度，在空间对比度增强中对像素进行非线性操作，使其分布在所需强度等级范围内。全局对比度拉伸方法常见的有直方图均衡（HE）[14-16]、对比度受限自适应直方图均衡（CLAHE）、离散余弦变换（DCT）、自适应逆双曲正切函数变换等，而Tubbs[3]提出的归一化非完全Beta函数基本能完美拟合各种类型非线性转换曲线，在图像增强上表现出极大的灵活性。

该函数满足[0F（u）1] 且为单调递增的单值函数，能拟合各类非线性变换曲线，满足作为对比度变换函数的必要条件。[α]和[β]的取值控制变换曲线的形状，不同的[α，β]值可得到不同类型的变换曲线，如图1所示。

针对当前各种生物仿生算法求解非完全Beta函数参数时存在算法效率低、容易陷入局部最优解的问题，提出一种快速简便、稳定，对比度拉伸效果自然的参数估计方法。针对整体过暗或过亮的图像，本文提出一种大致估计参数[α，β]公式：

其中，[μ]为图像像素均值，[γ，η]为控制调整范围参数且满足[0<γ<1]，[1<η<10]，该参数估计既能直接作为Beta函数灰度变换的参数，也可作为群体智能优化算法的初始化参数估计，用于加快智能优化算法的收敛速度，避免陷入局部最优解。

2 反锐化掩膜

反锐化掩模（UnSharp Masking，UM）算法最开始运用于拍摄，以达到增强图像边缘细节的目的。经典摄影学实操就是在底片上附加散焦负片与聚焦正片，从而提升高频细节轮廓部分，其中的散焦负片等同于模糊（反锐化）模板，故取名反锐化掩模法。将该方法应用到软件图像处理上，就是将原图像进行模糊预处理（相当于采用低通滤波，高频成份受到抑制）后与原图相减得模糊模板，乘以调节因子权重叠加到原图上，从而提升图像高频信息，加强图像轮廓细节[17-18]。

針对全局方法由于整体拉伸而造成忽略细节信息的缺陷，考虑引入局部增强获取图像微小细节。细节信息通常通过梯度信息体现，能保留和增强图像有用信息。这里采用的局部增强方法是反锐化掩模[19]，在此方法中，通过从原始图像中减去模糊或平滑图像达到锐化图像的目的，计算表达式如下：

传统反锐化掩膜算法中，平滑图像通常采用高斯低通滤波获得，但原始图像与提取的细节层叠加后，在图像边缘锐利块可能会由于突兀跳变而造成过冲和欠冲，从而在图像亮暗边缘出现光晕现象，同时可能放大图像噪声。为避免该问题，本文考虑用带边缘保持的双边滤波器[20]替代普通高斯滤波获取细节层，双边滤波同时考虑周围空间距离和灰度相似性。越相似的邻域像素权重越大，由此滤除平坦区域的高频噪声，修补缺失，增强细节以及边缘区域。双边滤波公式如下：

3 图像增强

利用非锐化掩膜算法提取高频信息获取细节、Beta变换整体对比度拉伸的特性，将非完全Beta变换作为全局增强方法、非锐化掩膜算法作为局部提升方法，结合两者优势，弥补两者不足，本文提出一种快速的、对比度拉伸自然、细节提升的图像增强方法。算法流程如图2所示。

4 实验结果及分析

为证明本文提出算法的有效性，选用不同灰度分布的图像与常见对比度拉伸算法和智能优化的Beta函数图像增强方法进行比较实验。图3（a）和图4（a）为两幅具有不同灰度分布的原始图片，分别称为纪念碑和合影，纪念碑整体偏亮，合影整体偏暗。表1给出两幅图像根据参数估计公式计算的[α，β]值，图3和图4分别为直方图均衡、遗传算法优化的Beta变换和本文提出方法的增强效果。

从直观的视觉感知分析可知：直方图均衡部分灰度被拉伸后出现灰度取值跳跃，相邻像素值不连续导致图像整体不自然，如纪念碑的上部和阶梯出现明显颗粒感;遗传算法优化的Beta变换，由于以均方差作为优化目标函数不断进行迭代，导致图像对比度不自然的过分增强，图像明暗过渡较明显，如纪念碑石柱和墙壁门的对比，石柱颜色过白而里面的墙壁和门过增强甚至没入黑暗，原窗户的细节基本丢失。合照对角线右侧色彩过深，左侧则泛白且明显丢失人物轮廓特征和军装细节。本文图像增强方法在对比度拉伸基础上像素过渡自然连贯，同时良好地保留并提升了细节。

图5为纪念碑和合影两幅图像在增强前后的直方图对比，对比图5（a）和图5（b），本文增强算法自动拉伸图像暗区，增强图像对比度，明暗区域分配合理且保留原图像素分布结构。对比图5（c）和图5（d），增强算法对亮区进行拉伸，直方图均匀分布且保持原有像素比例分布。

为定量评估算法的细节保留效果、对比度增强效果以及算法效率，考虑采用信息熵、均方差和算法耗时这3个指标用以支持上述做法，结论如表2所示。本文算法在信息熵上显著优于前两者数据，图像信息丰富;由于优化算法以类似均方差作为评价函数且选取均方差最大作为最终增强结果，所以均方差量化指标需要保留。但是分析主观效果可知，此时出现了图像过增强。在CPU为英特尔i5-2300，软件环境MatlabR2014a上，针对像素[512×512]和[283×432]图像，算法效率上直方图均衡和本文算法进行增强耗时均小于0.2s，而遗传优化算法耗时过长，明显不适合实时处理，可见本文提出的算法细节丰富、对比度增强且算法效率高。

5 结语

非完全Beta变换是一种简单优秀的对比度拉伸算法。针对函数参数的求取，基于穷举法顺序计算量极大，严重降低处理速度;基于粒子群优化、遗传等生物智能优化方法容易陷入局部最优，增强结果随机性很大，导致增强效果难以预估，算法迭代过程也较耗时，不利于实时业务;除了算法效率上的缺陷，Beta变换本身存在细节丢失的缺点。针对上述问题，利用Beta函数变换曲线的性质，提出一种简单快速的Beta参数估计方法，并与非锐化掩膜的细节层充分融合。对比仿真显示，本文提出的增强算法总体性能优于HE和基于遗传算法优化的Beta变换，是一种效率高且细节丰富的图像增强算法。

对比度拉伸算法简单有效，但参数选择是关键，既要考虑效率又要考虑参数有效性，可以根据图片信息设计函数估计参数;图像增强的同时要考虑对比度拉伸效果和细节保留，从全局和局部两方面切入处理，其中细节提取部分的频域滤波是一种常用方法。后续研究中要进一步优化参数估计函数，增加像素值分布等变量，将参数估计函数所得预估值作为生物优化算法的初始值，加快收敛速度，防止陷入局部最优解，同时对图像细节的提取可以考虑多角度多层次提取，以获取足够多的细节。

参考文献：

[1] HASSAN N Y，AAKAMATSU N. Contrast enhancement technique of dark blurred image[J]. Computer Science and Network Security， 2006， 6（2）：223-226.

[2] GPNZALEZ R C，WINTZ P. Digital image processing[J]. Prentice Hall International，2001，28（4）：484-486.

[3] TUBBS J D. A note on parametric image enhancement[J]. Pattern Recognition，1987，20（6）： 617-621.

[4] 黄培. 量子遗传算法及其在图像增强中的应用研究[D]. 无锡：江南大学，2005：43-45.

[5] 黄小荣，张金玉. 遗传算法在图像增强中的应用[J]. 兵器装备工程学报，2010，31（6）：67-70.

[6] 李林宜，李德仁. 粒子群优化算法在遥感影像增强中的应用[J]. 测绘科学技术学报，2010，27（2）：116-119.

[7] 郭肖静，吴志芳. 基于遗传算法的辐射图像对比度增强[J]. 核电子学与探测技术， 2007， 27（1）：104-107.

[8] 周琳，李琳，邵明省. 基于混沌蛙跳算法的图像增强处理[J]. 激光与红外，2012，42（12）：1408-1412.

[9] 丁生荣，马苗，郭敏. 人工鱼群算法在自适应图像增强中的应用[J]. 计算机工程与应用，2012，48（2）：185-187.

[10] 岳梅，郭宝平，张平，等. 基于混合蛙跳优化的條纹管图像自适应增强[J]. 光电工程，2011， 38（5）：108-113.

[11] 叶志伟，赵伟，王明威，等. 一种基于杜鹃搜索算法的图像自适应增强方法[J]. 测绘科学技术学报， 2016， 33（1）：38-42.

[12] 李宗妮，吴伟民，林志毅. 一种采用改进蚁狮优化算法的图像增强方法[J]. 计算机应用研究，2018（4）：65-69.

[13] 杨有，李波. CLAHE和细节放大相结合的档案图像增强方法[J]. 中国图象图形学报，2011，16（4）：522-527.

[14] CELIK T. Two-dimensional histogram equalization and contrast enhancement [J]. Pattern Recognition， 2012， 45（10）：3810-3824.

[15] CHEN Y，FENG P，YANG J，et al. An adaptive enhancement algorithm of low illumine color video image [J]. International Journal of Sensing， Computing & Control， 2012， 2（2）： 79-86.

[16] ARICI T，DIKBAS S，ALTUNBASAK Y. A histogram modification framework and its application for image contrast enhancement[J]. IEEE Transactions on Image Processing， 2009， 18（9）： 1921-1935.

[17] 李成，鞠明，毕笃彦，等. 基于视觉特性的非锐化掩模图像增强[J]. 光电工程，2009， 36（9）：110-117.

[18] 冯策，戴树岭. 一种改进的非锐化掩模深度图像增强算法[J]. 哈尔滨工业大学学报，2014， 46（8）：107-112.

[19] RAFAEL GONZALEZ C，WOODS R. Digital image processing[D].  3rd edition. London：Pearson Publication， 2002.

[20] TOMASI C，MANDUCHI R. Bilateral filter for gray and color images [C]. International Conference on Computer Vision （ICCV），1998：839.

（责任编辑：杜能钢）