巢湖學(xué)院電子工程學(xué)院 常柏烽 陳初俠 查俊瑩 陳 陽 鐘 聲 許 銳

在人們的日常生活中，圖像已經(jīng)成為人們傳遞信息的主要媒介，統(tǒng)計結(jié)果表明，在人類接受的各種信息中，視覺信息占據(jù)了80%，可以說圖像已成為我們?nèi)粘＝煌豢苫蛉钡闹匾糠?。但現(xiàn)實中圖像的質(zhì)量往往參差不齊，為了更好地傳遞信息，我們就需要對圖像進(jìn)行改善，改善圖像質(zhì)量最常用的方法就是對圖像進(jìn)行增強(qiáng)。反銳化掩模（Unsharp masking，UM）是常見的圖像增強(qiáng)方法之一，它可以有效增強(qiáng)圖像的邊緣和細(xì)節(jié)，使圖像的輪廓更清晰，它主要分為線性反銳化掩模（Linear unsharp masking，LUM）和非線性反銳化掩模（Nonlinear unsharp masking，NUM）兩大類。

1 線性反銳化掩模算法

LUM圖像增強(qiáng)算法流程如圖1所示，主要有四個步驟。首先，對原始圖像進(jìn)行低通濾波（例如均值濾波），得到一個鈍化模糊的圖像；其次，用原始圖像減去這一鈍化模糊圖像，得到原始圖像的高頻部分，即圖像的邊緣和細(xì)節(jié)部分；然后，對原始圖像的高頻部分進(jìn)行放大，這里采用一個增益系數(shù)k（為常數(shù)）乘以圖像高頻部分獲得；最后，把原始圖像和放大后的高頻部分圖像進(jìn)行疊加，就可以得到一個邊緣和細(xì)節(jié)被增強(qiáng)了的圖像，達(dá)到圖像增強(qiáng)的目的。

圖1 線性反銳化掩模圖像增強(qiáng)算法流程

LUM圖像增強(qiáng)算法可用下列函數(shù)式來表達(dá)：

式(1)中，f(x,y)為原始圖像，fmean(x,y)為鈍化模糊圖像，k為增益系數(shù)，g(x,y)為增強(qiáng)后圖像，f(x,y)-fmean(x,y)為原始圖像的高頻部分。其中鈍化模糊圖像通常采用均值濾波器來實現(xiàn)，公式表達(dá)如下：

式(2)中，m×n為均值濾波器模板的大小，f(i,j)為模板中圖像像素灰度值，通常選擇3×3或5×5的模板。

LUM算法對原始圖像的低頻部分（圖像變化緩慢部分）基本不進(jìn)行增強(qiáng)，只增強(qiáng)圖像的高頻部分（圖像邊緣部分），達(dá)到了增強(qiáng)圖像邊緣的目的。但是在增強(qiáng)圖像高頻部分時，增益系數(shù)k為一個常數(shù)，這會帶來兩個問題：（1）k取什么值為最佳？（2）k為常數(shù)，即圖像的不同邊緣被無區(qū)別的同程度增強(qiáng)，當(dāng)k取較大值時往往會對圖像的一些微小細(xì)節(jié)（較平坦部分）進(jìn)行過度增強(qiáng)，增強(qiáng)后的圖像看上去好像含有很多噪聲點。針對于這兩個問題，本文提出一種改進(jìn)的反銳化掩模自適應(yīng)圖像增強(qiáng)算法，它是一種NUM算法。

2 改進(jìn)反銳化掩模算法

本文提出的改進(jìn)反銳化掩模自適應(yīng)圖像增強(qiáng)算法，其原理和LUM算法基本相同，不同之處是對增益系數(shù)k進(jìn)行設(shè)計，把k設(shè)計成一個隨著圖像自適應(yīng)變化的數(shù)值，而不是一個常數(shù)。增益系數(shù)k表達(dá)式如下：

式(3)中，f(x,y)為原始圖像，fmean(x,y)為鈍化模糊圖像，f(x,y)-fmean(x,y)為原始圖像的高頻部分，MAX為圖像高頻部分絕對值的最大值，即max(|f(x,y)-fmean(x,y)|)。很顯然，通過改進(jìn)后的增益系數(shù)k是一個隨著圖像自適應(yīng)變化的數(shù)值，數(shù)值取值范圍為0-4。從公式(3)可以看出，當(dāng)圖像的邊緣比較微弱時，會對圖像微弱邊緣加以較小權(quán)值進(jìn)行增強(qiáng)；當(dāng)圖像的邊緣比較顯著時，會對圖像顯著邊緣加以較大權(quán)值進(jìn)行增強(qiáng)。相比于線性反銳化掩模算法，采用本算法增強(qiáng)的圖像能得到更清晰的圖像輪廓，更小的噪聲點。

3 實驗結(jié)果與分析

為了驗證本改進(jìn)反銳化掩模算法的優(yōu)越性，將其與LUM算法進(jìn)行比較。首先將兩種不同算法應(yīng)用到灰度圖像和彩色圖像分別進(jìn)行處理，然后從主觀視覺和客觀評估指標(biāo)來對不同算法進(jìn)行評價。

3.1 主觀視覺評價

為了較全面比較LUM算法和本文提出的改進(jìn)反銳化掩模算法在圖像增強(qiáng)方面的有效性和優(yōu)越性，這里用了三幅圖像進(jìn)行驗證，兩幅灰度圖和一副彩色圖。如圖2、圖3所示，為兩幅灰度圖的處理結(jié)果。其中圖2(a)、圖3(a)分別為經(jīng)典lena原始圖像和醫(yī)學(xué)X射線原始圖像；圖2(b)、圖3(b)為原始圖像均值濾波后的效果圖，這里采用的是5×5的模板；圖2(c)、圖3(c)為原始圖像經(jīng)LUM算法增強(qiáng)后的效果圖，這里k=4；圖2(d)、圖3(d)為原始圖像經(jīng)本文算法增強(qiáng)后的效果圖。

圖2 經(jīng)典Lena圖像處理結(jié)果

圖3 醫(yī)學(xué)X射線圖像處理結(jié)果

從圖2(c)(d)、圖3(c)(d)可以看出，相較于原始圖像，處理后的圖像明顯得到了增強(qiáng)，圖像的邊緣和輪廓更加清晰。但對圖像進(jìn)行放大，還是可以看出(c)、(d)圖像的不同。首先，從邊緣處看，圖2(c)、圖3(c)在邊緣地帶有點過度增強(qiáng)，以至于在邊緣處圖像的灰度更加偏白；其次，從平坦區(qū)域看，圖2(c)、圖3(c)在平坦區(qū)域好像多了很多的斑點（噪聲點）。相反，從圖2(d)、圖3(d)可以看出，圖像的邊緣地帶沒有那么煞白，從平坦區(qū)域到邊緣部分過度的更加細(xì)膩，在平坦區(qū)域內(nèi)也很光滑，顯得更加完美。

圖4所示為彩色圖像的處理結(jié)果。圖4(a)為原始圖像；圖4(b)為原始圖像采用5×5模板均值濾波后的效果圖；圖4(c)(d)分別為原始圖像經(jīng)LUM算法(k=4)和本文算法增強(qiáng)后的效果圖。從圖4(c)(d)可以看出，處理后的圖像都得到了增強(qiáng)，但圖4(d)的效果明顯好于圖4(c)，圖4(c)瑕疵很多、增強(qiáng)過度；圖4(d)色彩鮮艷，邊緣清晰，“滋蘭池”三字字跡清晰，整體看上去更加柔和。

圖4 彩色圖像處理結(jié)果

3.2 客觀評價

除了主觀視覺評價，本文還采用客觀評估指標(biāo)對圖像增強(qiáng)的效果進(jìn)行評價。這里采用峰值信噪比（Peak signal to noise ratio，PSNR）進(jìn)行評估。PSNR可反映圖像的噪聲水平，其值越大，表示增強(qiáng)后的圖像越接近原圖像，增強(qiáng)后圖像中的噪聲越小，其定義表達(dá)式如下：

式(4)中，f(i,j)為原始圖像，g(i,j)為增強(qiáng)后圖像，M×N為圖像的大小，x為圖像的位數(shù)，一般x=8。表1為不同圖像采用LUM算法和本文算法進(jìn)行圖像增強(qiáng)的PSNR數(shù)值（單位為dB），從中可以看出，三幅圖像采用本文算法比LUM算法進(jìn)行圖像增強(qiáng)其PSNR都變大，這表明本算法增強(qiáng)后的圖像更接近原始圖像，增強(qiáng)后的圖像其噪聲也更小。

表1 不同圖像采用不同方法進(jìn)行圖像增強(qiáng)的峰值信噪比

結(jié)論：本文提出一種改進(jìn)反銳化掩模的自適應(yīng)圖像增強(qiáng)算法，與LUM算法相比，它不僅解決了增益系數(shù)k的取值問題；而且通過仿真實驗表明，本算法增強(qiáng)后的圖像更接近原始圖像，具有更小的噪聲點，也避免了過度增強(qiáng)的問題。