任 浩，謝 磊，陳惠芳

(浙江大學(xué)信息與電子工程系，浙江杭州310027)

0 引言

經(jīng)過(guò)插值運(yùn)算后的數(shù)碼圖像，噪聲和偽色增加，使圖像輪廓不明顯，圖像變得模糊不清。為了克服數(shù)碼相機(jī)的缺陷，如摩爾紋、偽色和紫邊效應(yīng)，在結(jié)構(gòu)設(shè)計(jì)中，一般要對(duì)圖像進(jìn)行算法處理，這些過(guò)程主要集中在數(shù)碼相機(jī)圖像處理模塊中［1］，是獲得高質(zhì)量數(shù)碼圖像的最重要途徑。其中，為了補(bǔ)償圖像輪廓，增加圖像的邊緣信息，使圖像變得清晰，通過(guò)增強(qiáng)對(duì)比度與銳度的方法增強(qiáng)圖像的高頻分量。對(duì)數(shù)碼圖像銳化算法的研究，主要是基于邊緣檢測(cè)的微分算法圖像增強(qiáng)［2］，通過(guò)增加邊緣檢測(cè)的方向，修改模板增強(qiáng)圖像的邊緣部分。而基于高斯-拉普拉斯和坎尼最優(yōu)算子，頻域高通濾波以及由休?？藸柡凸颂岢龅臄M合算子等基于邊緣檢測(cè)的圖像增強(qiáng)算法，雖然經(jīng)過(guò)處理的圖像效果較好，但算法復(fù)雜度都比較高，運(yùn)算開銷較大。而數(shù)碼相機(jī)對(duì)實(shí)時(shí)性要求較高，所以這些算法都達(dá)不到應(yīng)用要求。基于此，本文提出了一種基于動(dòng)態(tài)邊緣檢測(cè)的圖像銳化算法，充分利用圖像的時(shí)域特性與邊緣檢測(cè)，恢復(fù)圖像在細(xì)節(jié)紋理、邊緣、色彩方面的效果都較理想，對(duì)邊緣噪聲抑制較明顯，且計(jì)算復(fù)雜度不高。

1 常用的銳化算法

常用的銳化算法主要有:線性空域銳化，微分法和頻域高通濾波法。對(duì)線性空域銳化，因圖像中的邊沿或線條與圖像頻譜中的高頻分量相對(duì)應(yīng)，采用高通濾波可增強(qiáng)高頻分量，使圖像的邊沿或線條變得清晰，實(shí)現(xiàn)圖像的銳化，可采用卷積方法，即采用有限沖激響應(yīng)線性濾波器，也即采用具有高通特性或高頻提升作用的模板對(duì)圖像進(jìn)行處理;也可先用低通平滑方法，求出圖像的低頻分量，再?gòu)脑瓐D像中減去低頻分量實(shí)現(xiàn)。最常用的微分方法是求梯度，如羅伯茨、蒲瑞維特、索貝爾、拉普拉斯算子梯度銳化［3］，由于圖像的內(nèi)容各種各樣，邊沿的走向也各不相同，故應(yīng)采用各向同性、旋轉(zhuǎn)不變的線性微分算子才能適用于不同的邊沿。由于梯度銳化的缺點(diǎn)是處理后的圖像僅顯示輪廓，灰度變化的部分因梯度值較小而顯得很黑。數(shù)字圖像的邊緣與圖像的高頻分量相對(duì)應(yīng)，高頻濾波器可以讓圖像的高頻分量順利通過(guò)，讓低頻分量受到充分限制，從而達(dá)到圖像銳化的目的［5］。常用的高通濾波有理想高通、巴特沃斯高通濾波、指數(shù)型高通和梯形高通。

2 基于動(dòng)態(tài)邊緣檢測(cè)的圖像銳化算法

基于動(dòng)態(tài)邊緣檢測(cè)的圖像銳化算法，首先進(jìn)行顏色空間轉(zhuǎn)換，將RGB顏色空間轉(zhuǎn)換成YCbCr空間，其次劃分檢測(cè)窗口，每固定的5×5個(gè)象素作為一個(gè)小檢測(cè)窗口，通過(guò)比較連續(xù)兩幀圖像，檢測(cè)動(dòng)態(tài)區(qū)域，然后使用邊緣檢測(cè)算法檢出圖像的所有邊緣信息，進(jìn)而設(shè)定閾值判決哪些是真正的邊緣，哪些應(yīng)被視為噪聲，最后對(duì)認(rèn)定為邊緣的象素進(jìn)行銳化，而未認(rèn)定為邊緣的象素保持不變。

2.1 顏色空間轉(zhuǎn)換

在RGB色彩空間，無(wú)論采用哪種銳化算法，都會(huì)引起圖像色彩的變化，因?yàn)槿说娜庋蹖?duì)視頻的明亮度分量更加敏感。同時(shí)，為了減小運(yùn)算量，降低運(yùn)算復(fù)雜度，將色彩空間RGB轉(zhuǎn)換成YCbCr色彩空間，只對(duì)明亮度分量Y進(jìn)行處理。

YCbCr色彩空間與RGB色彩空間之間相互轉(zhuǎn)換的公式如下(R，G，B取值范圍均為0～255):

2.2 動(dòng)態(tài)檢測(cè)

Duncan濾波是基于當(dāng)前窗口的原始圖像數(shù)據(jù)及前一幀參考窗口的數(shù)據(jù)，根據(jù)特定的窗口大小選擇其中的有效數(shù)據(jù)，然后按照某種權(quán)值分配進(jìn)行加權(quán)平均，從而得到濾波后的結(jié)果［4］。

選取5×5個(gè)象素作為一個(gè)檢測(cè)窗，將連續(xù)兩幀圖像分別進(jìn)行分割，比較前后兩幀相同位置的檢測(cè)窗口，如果總和的絕對(duì)差SAD大于門限值，則判為動(dòng)態(tài)區(qū)域，用灰色表示;如果SAD小于門限值則判為靜態(tài)區(qū)域，用黑色表示。如果檢測(cè)到動(dòng)態(tài)變化，則用后一幀的數(shù)據(jù)作為當(dāng)前象素點(diǎn)的數(shù)據(jù)值，前一幀的數(shù)據(jù)被丟棄，如果檢測(cè)不到動(dòng)態(tài)變化，則前后兩幀的數(shù)據(jù)都可被使用。

動(dòng)態(tài)檢測(cè)門限值的運(yùn)算是由隨機(jī)高斯噪聲的標(biāo)準(zhǔn)偏差σ決定。一般情況下，背景噪聲可以看成加性高斯噪聲。加性高斯噪聲具有一個(gè)重要的性質(zhì):在區(qū)間［μ-σ，μ+σ］，采樣點(diǎn)約占總點(diǎn)數(shù)的68%;在區(qū)間［μ-2σ，μ+2σ］，采樣點(diǎn)約占總點(diǎn)數(shù)的95%;在區(qū)間［μ-3σ，μ+3σ］，采樣點(diǎn)約占總點(diǎn)數(shù)的99%，其中μ和σ分別表示高斯分布的均值和標(biāo)準(zhǔn)差。閾值選擇時(shí)利用了該性質(zhì)，設(shè)動(dòng)態(tài)檢測(cè)后的象素值為f(x，y)，則當(dāng)SAD≥15σ時(shí)，判為動(dòng)態(tài)圖像;當(dāng)SAD〈15σ時(shí)，判為靜態(tài)圖像，其中σ=5。

2.3 邊緣檢測(cè)

邊緣指圖像中象素值有突變的地方。常用的邊緣檢測(cè)方法有一階導(dǎo)數(shù)和二階導(dǎo)數(shù)方法。在改進(jìn)方法中，在原模板算法基礎(chǔ)上，增加了兩個(gè)方向以提高邊緣提取的精度，同時(shí)合理設(shè)置參數(shù)，避免一些偽邊緣的提取。在靜態(tài)圖像的邊緣檢測(cè)部分，使用改進(jìn)形式的索貝爾算子模板進(jìn)行檢測(cè)，同時(shí)考慮前一幀對(duì)應(yīng)象素點(diǎn)周圍的象素值。若當(dāng)前幀象素值定義為a1，前一幀相同位置象素值定義為a2。用a1，a2分別卷積相同的模板M1，分別取最大值，求平均后作為當(dāng)前象素點(diǎn)的新灰度值。使用的模板M1(水平、垂直、45°、135°)是。當(dāng)前幀取最大值時(shí)對(duì)應(yīng)的模板所表示的方向?yàn)樵撓笏攸c(diǎn)的邊緣方向。

在此，引入一個(gè)非負(fù)門限值T，設(shè)|G|表示該象素的新灰度值，當(dāng)|G|≥T時(shí)，判定該點(diǎn)是圖像邊緣;否則，判定該點(diǎn)不是圖像邊緣。T采用動(dòng)態(tài)閾值。若采用固定閾值，易產(chǎn)生偽邊緣;若閾值設(shè)置過(guò)大，易使邊緣間斷。因?yàn)槿搜蹖?duì)圖像灰度的分辨率較差，且對(duì)圖像平緩部分的噪聲較敏感。

人類的視覺系統(tǒng)，按照“韋伯法則”描述，在高亮區(qū)域的噪聲敏感度較小，在黑暗區(qū)域的噪聲敏感度較大;根據(jù)“結(jié)構(gòu)噪聲掩膜”性質(zhì)，在邊緣和突變性較大區(qū)域的噪聲敏感度較小，在平滑區(qū)域的噪聲敏感度較大。因此，在閾值設(shè)置時(shí)，對(duì)于邊緣和突變性較大的區(qū)域，視覺分辨率較高，噪聲敏感度較小，相應(yīng)的設(shè)置較高的閾值;相反，對(duì)于平滑的區(qū)域，視覺分辨率較低，噪聲敏感度較大，相應(yīng)的設(shè)置較低的閾值。由實(shí)際經(jīng)驗(yàn)和實(shí)驗(yàn)結(jié)果可知，在白色區(qū)域，人眼分辨率最低;其次是黑色區(qū)域，再次是灰度級(jí)為127左右的區(qū)域，而人眼比較敏感的是灰度級(jí)為48、206左右的區(qū)域。

人眼對(duì)灰度的敏感度不是隨著灰度值線性變化的。根據(jù)經(jīng)驗(yàn)，采用拋物線計(jì)算閾值比較合理，即灰度級(jí)在［0，48］、(48，206)和(206，255)區(qū)域，閾值計(jì)算式為 T(x)=ax2+bx+c。所以，當(dāng) x=0時(shí)，T(x)=15;當(dāng) x=-48 時(shí)，T(x)=4;當(dāng) x=48 時(shí)，T(x)=4，即 a=-0.001 738，b=0.000 072，c=15。當(dāng) x=127 時(shí)，T(x)=10;當(dāng) x=48 時(shí)，T(x)=4;當(dāng) x=206，T(x)=4，即 a=-0.000 491，b=0.125 635，c=-2.030 474。當(dāng)x=255時(shí)，T(x)=50;當(dāng) x=206時(shí)，T(x)=4;當(dāng) x=304時(shí)，T(x)=4，即 a=-0.009 579，b=4.885 464，c=-595.896 710。通用閾值計(jì)算式為:

如果檢測(cè)到是動(dòng)態(tài)的，則只是考慮當(dāng)前幀的象素點(diǎn)，采用相同的索貝爾算子進(jìn)行檢測(cè)，取最大值為象素點(diǎn)的新灰度值，該最大值對(duì)應(yīng)的模板所表示的方向?yàn)樵撓笏攸c(diǎn)的邊緣方向。T相同方法獲得。

2.4 邊緣銳化

對(duì)檢測(cè)出是邊緣的靜態(tài)圖像，用空時(shí)銳化進(jìn)行處理，分別考慮前后兩幀的圖像信息，設(shè)當(dāng)前幀象素值定義為a1，前一幀同一象素值定義為a2，使用相同的模板M2，用a1，a2分別卷積模板M2，分別取最大值，求平均后作為當(dāng)前象素點(diǎn)銳化后的值。對(duì)檢測(cè)出不是邊緣的靜態(tài)圖像部分，則不做處理，保持不變。通常，經(jīng)過(guò)梯度算子處理，雖然銳化后的圖像邊緣在一定程度上被加亮，但效果不夠明顯，僅能一定程度去掉圖像的模糊;而經(jīng)過(guò)拉普拉斯算子處理的圖像，其圖像邊緣得到了一定程度的加強(qiáng)，但是圖像橫向條紋變嚴(yán)重，加劇了圖像的非均勻性，此外，如果提高銳化倍數(shù)，引入的噪聲也隨著加倍增大。因此，將傳統(tǒng)的梯度算子與拉普拉斯算子結(jié)合，采用一種將兩種算法相結(jié)合的模板。

對(duì)檢測(cè)到有動(dòng)態(tài)變化的區(qū)域，通過(guò)邊緣檢測(cè)后，也分兩種情況，如果是邊緣的部分，采用空域銳化，只考慮當(dāng)前幀圖像信息;否則，保持不變，不進(jìn)行銳化。

2.5 整體銳化

按照g(x，y)=f(x，y)+C(l(x，y))，其中f(x，y)是原圖，C是常數(shù)，用以控制圖像的銳化程度，l(x，y)是對(duì)已檢測(cè)出的圖像邊緣部分進(jìn)行銳化后的圖像。最后，將YCbCr轉(zhuǎn)換成RGB分量為:

3 仿真結(jié)果與分析

通過(guò)捕獲連續(xù)兩幀圖像進(jìn)行分析。選取Bear和Fish連續(xù)兩幀動(dòng)態(tài)圖，即前后兩幀有動(dòng)態(tài)變化，采用空域銳化的方式;選取Lighthouse和Lenna進(jìn)行靜態(tài)圖像比較，即前后兩幀沒(méi)有動(dòng)態(tài)變化，只采用時(shí)域銳化的方式，測(cè)試圖如圖1所示。采用本文提出的基于動(dòng)態(tài)邊緣檢測(cè)的圖像銳化算法后的效果圖如圖2所示，對(duì)不同測(cè)試圖像采用各種銳化算法時(shí)的運(yùn)算延時(shí)比較如表1所示，單位是s。所有銳化算法都采用MatLAB進(jìn)行仿真［6］，且在配置AMD雙核處理器，2.71GHz主頻與2GB內(nèi)存的計(jì)算機(jī)上運(yùn)行這些算法。圖2中銳化效果圖可見，提出的方法改善了原圖的清晰度，突出了邊緣輪廓，在增強(qiáng)了圖像邊緣的同時(shí)，原圖中的細(xì)微噪聲信號(hào)沒(méi)有被放大，也未引入新噪聲，這種改進(jìn)后的圖像銳化算法在很大程度上減少了邊緣輪廓增強(qiáng)時(shí)噪聲隨之增強(qiáng)對(duì)圖像的影響。同時(shí)，從表1也可看出，與常用的3種銳化算法比較，在相同仿真環(huán)境下，本文提出的方法計(jì)算開銷最小。

圖2 圖像銳化效果圖

表1 不同測(cè)試圖像采用各種銳化算法時(shí)的運(yùn)算延時(shí)(s)

4 結(jié)束語(yǔ)

本文提出的圖像銳化算法，充分利用圖像的時(shí)域特性和邊緣檢測(cè)，恢復(fù)的圖像在細(xì)節(jié)紋理、邊緣以及色彩方面的效果都比較理想，對(duì)邊緣的噪聲抑制比較明顯，在整個(gè)銳化的過(guò)程中，引入新的噪聲較少，同時(shí)相對(duì)于常用的蒲瑞維特銳化，索貝爾銳化和拉普拉斯銳化算法，在同等仿真環(huán)境下，本算法具有運(yùn)算復(fù)雜度較低的優(yōu)點(diǎn)。

［1］ 徐之海，李奇.現(xiàn)代成像系統(tǒng)［M］.北京:國(guó)防工業(yè)出版社，2001:32-43.

［2］ 唐慧明.數(shù)字圖像處理講義［M］.杭州:浙江大學(xué)，2008:25-37.

［3］ 吳海波，劉釗.基于拉普拉斯算子的彩色圖像銳化處理［J］.電腦開發(fā)與應(yīng)用，2008，21(9):27-28.

［4］ BoscoA，F(xiàn)indlater K，Battiato S，et al.A Noise Reduction Filter for Full-Frame Data Imaging Devices［J］.IEEE Trans.on Consumer Electronics，2003，49(3):676-682.

［5］ SongY，Lee C，Ho Y-S，et al.Adaptive Depth Boundary Sharpening for Effective View Synthesis［C］.Krakow:2012 Picture Coding Symposium，2012:73-76.

［6］ 徐飛，胡曉軍.MATLAB應(yīng)用圖像處理［M］.西安:西安電子科技大學(xué)出版社，2011:216-230.