方 慶，謝岸煌，謝仁禮

（深圳TCL新技術(shù)有限公司，廣東 深圳 518000）

0 引 言

在獲取圖像的過(guò)程中，因?yàn)閹捪拗?、傳輸距離、壓縮算法等原因，圖像中可能出現(xiàn)噪聲[1]。所以在對(duì)圖像進(jìn)行某些處理之前，需要對(duì)其進(jìn)行去噪處理。常見(jiàn)的去噪方法有高斯濾波、中值濾波、雙邊濾波等[2]。然而，在對(duì)圖像進(jìn)行噪聲消除的同時(shí)，某些邊緣區(qū)域以及細(xì)節(jié)區(qū)域[3]的內(nèi)容也會(huì)被破壞，導(dǎo)致圖像清晰度的退化。因此，在圖像去噪模塊之后，一般都伴隨著清晰度增強(qiáng)模塊。反銳化掩膜算法就是常用的清晰度增強(qiáng)算法之一。

根據(jù)所處理的圖像空間的不同，可以將清晰度增強(qiáng)算法分為基于空域的清晰度增強(qiáng)算法和基于頻域的清晰度增強(qiáng)算法[4]。其中，基于空域的清晰度增強(qiáng)算法是將圖像轉(zhuǎn)換到某種色彩空間后再對(duì)像素值進(jìn)行一系列處理以提升其清晰度的方法，典型的色彩空間有RGB色彩空間、YCbCr色彩空間以及HSV色彩空間等[5]。基于頻域的清晰度增強(qiáng)算法是使用某種變換方法將圖像從空域轉(zhuǎn)換到頻域之后，提升其中的高頻信號(hào)，再將頻域轉(zhuǎn)換到空域，最終完成清晰度增強(qiáng)。常見(jiàn)的空域轉(zhuǎn)頻域方法有傅里葉變換以及小波變換等[6]。

傳統(tǒng)的反銳化掩膜算法就是一種基于空域的清晰度增強(qiáng)算法，其使用勾邊疊加方法，提取圖像中的高頻信號(hào)并將其疊加到原始圖像中，達(dá)到清晰度增強(qiáng)的目的。但是，在這個(gè)過(guò)程中，不可避免地會(huì)將噪聲誤判為細(xì)節(jié)或邊緣信息，導(dǎo)致噪聲被增強(qiáng)，且可能對(duì)邊緣或者細(xì)節(jié)信息造成過(guò)度銳化以及像素值溢出問(wèn)題，導(dǎo)致出現(xiàn)光暈現(xiàn)象。因此，近年來(lái)，學(xué)者們提出了許多改進(jìn)的反銳化掩膜算法以解決上述問(wèn)題。RAMPONI提出了一種改進(jìn)的非銳化掩膜算法[7]，該算法在一定程度上可以避免噪聲被放大，但是仍然存在過(guò)度增強(qiáng)以及像素值溢出的問(wèn)題。白雪提出了基于改進(jìn)中值濾波的反銳化掩膜算法[8]，該算法使用改進(jìn)的中值濾波提取圖像中的高頻信息，可以降低噪聲被誤判為細(xì)節(jié)信息的概率，但是算法也存在過(guò)度增強(qiáng)的問(wèn)題。PELESEL提出了一種分區(qū)域處理的自適應(yīng)反銳化掩膜算法[9]，算法使用了高斯牛頓法更新增益系數(shù)，達(dá)到自適應(yīng)銳化的目的，雖然能夠有效地做到自適應(yīng)銳化，但方法的計(jì)算量太龐大，導(dǎo)致其能夠應(yīng)用的場(chǎng)景并不多。馮鳴等人提出了改進(jìn)反銳化掩膜的自適應(yīng)圖像增強(qiáng)算法[10]，利用圖像鄰域高頻信號(hào)之間的差值實(shí)現(xiàn)自適應(yīng)銳化的效果，但是算法在增強(qiáng)細(xì)節(jié)的同時(shí)也會(huì)放大噪聲，且存在過(guò)度增強(qiáng)的問(wèn)題。劉艷莉等人提出了基于局部復(fù)雜度和方差的自適應(yīng)圖像銳化算法[11]，在構(gòu)建增益函數(shù)時(shí)考慮了圖像的局部復(fù)雜度和方差，克服了傳統(tǒng)算法過(guò)分依賴灰度變化強(qiáng)度導(dǎo)致細(xì)節(jié)增強(qiáng)不理想的問(wèn)題。

針對(duì)現(xiàn)有銳化算法中存在過(guò)渡銳化以及像素值溢出的問(wèn)題，本文提出一種自適應(yīng)的反銳化掩膜算法，在傳統(tǒng)的反銳化掩膜算法的基礎(chǔ)上，增加了低中頻信號(hào)以及噪聲識(shí)別功能、銳化參數(shù)自適應(yīng)功能以及過(guò)沖處理功能。在提高圖像清晰度的同時(shí)，可以避免噪聲被放大以及過(guò)沖現(xiàn)象的出現(xiàn)。

1 算法原理

1.1 傳統(tǒng)反銳化掩膜算法

傳統(tǒng)的反銳化掩膜算法是一種基于空域的清晰度增強(qiáng)算法，其原理流程如圖1所示，算法各步驟效果如圖2所示。該算法首先使用一個(gè)低通濾波器將原始圖像圖2（a）進(jìn)行模糊化，結(jié)果如圖2（b）所示，再通過(guò)原始圖像與模糊圖像作差，得到一個(gè)包含圖像高頻信號(hào)的圖像，如圖2（c）所示，再將高頻圖像乘以一個(gè)固定的增益系數(shù)后疊加到原始圖像上，最終得到一個(gè)增強(qiáng)后的圖像，如圖2（d）所示。

圖1 傳統(tǒng)反銳化掩膜算法流程圖

圖2 傳統(tǒng)反銳化掩膜算法各步驟的效果圖

用具體的公式表達(dá)即為

式中：x(n,m)為輸入圖像，y(n,m)為輸出圖像；z(n,m)為高頻信號(hào)，此處通過(guò)對(duì)原始圖像進(jìn)行低通濾波再與原始圖像相減獲得；α是銳化增益系數(shù)。

1.2 本文算法

針對(duì)傳統(tǒng)反銳化掩膜算法存在的噪聲放大以及過(guò)沖現(xiàn)象等問(wèn)題，本文提出一種自適應(yīng)的反銳化掩膜算法。該算法在傳統(tǒng)反銳化掩膜算法的基礎(chǔ)上，增加了低中頻信號(hào)以及噪聲識(shí)別功能、銳化參數(shù)自適應(yīng)功能以及過(guò)沖處理功能。其算法流程如圖3所示。

圖3 自適應(yīng)反銳化掩膜算法流程圖

該算法主要包括核化濾波、預(yù)處理判斷、高通濾波、增益控制、過(guò)沖控制以及裁剪等步驟。下面對(duì)算法流程進(jìn)行簡(jiǎn)要介紹（以下過(guò)程針對(duì)8 bit數(shù)據(jù)格式的彩色圖像。對(duì)于其他數(shù)據(jù)格式的圖像，相應(yīng)的參數(shù)需視具體情況做變動(dòng)）。

（1）將輸入的圖像信息從RGB色彩空間轉(zhuǎn)換到Y(jié)CbCr色彩空間，提取其中的Y分量。

（2）獲取一個(gè)size為5且sigma為1的歸一化高斯濾波器，高斯濾波器的參數(shù)可以自定義設(shè)定，其中size為高斯濾波器的大小，sigma為高斯濾波器的標(biāo)準(zhǔn)差。當(dāng)size固定不變，sigma值越大，高斯濾波器的平滑效果越好。經(jīng)實(shí)驗(yàn)驗(yàn)證，若size太小，則其效果不明顯；若size太大，離中心點(diǎn)越遠(yuǎn)的點(diǎn)，其權(quán)重越小，小到幾乎沒(méi)作用，且高斯濾波器size過(guò)大會(huì)占用太多的硬件資源，所以不推薦使用9×9以上的濾波器。本文中，大小為5×5，sigma為1的高斯濾波器恰好可以滿足上述要求。

（3）創(chuàng)建一個(gè)與步驟（2）中濾波器大小一樣的初始濾波器（內(nèi)容為0），將中心點(diǎn)的值改為1，再使用這個(gè)濾波器與步驟（2）中的濾波器作差，得到最終可以過(guò)濾出圖像中高頻信號(hào)的高通濾波器。

（4）使用一個(gè)高通濾波器[-1，2，-1]和一個(gè)帶通濾波器[-1，0，2，0，-1][12]，對(duì)當(dāng)前Y分量及其鄰域進(jìn)行矩陣點(diǎn)乘再求和得到singleValue，其作用主要是用于判斷當(dāng)前信號(hào)是否屬于高頻信號(hào)。將singleValue與設(shè)定好的閾值Threshold值做對(duì)比，若singleValue＜Threshold，則不對(duì)這個(gè)Y分量進(jìn)行處理，反之，則表示該Y分量屬于邊緣信號(hào)，需要執(zhí)行步驟（5）及其后面的步驟。本文中，Threshold的值設(shè)為10，通過(guò)求整個(gè)Y通道的singleValue值的直方圖發(fā)現(xiàn)，當(dāng)Threshold值設(shè)置為10時(shí)，可以過(guò)濾Y通道中90%左右的像素點(diǎn)，其中包括中低頻信號(hào)和噪聲信號(hào)。

（5）使用步驟（3）中的高通濾波器對(duì)當(dāng)前Y分量的鄰域進(jìn)行卷積操作，獲取當(dāng)前Y分量的高頻信號(hào)量yhigh。

圖4 sin函數(shù)圖

圖5 sin一階導(dǎo)數(shù)圖

該公式的物理意義為：當(dāng)像素點(diǎn)的值離127越接近，其增益越大。仿真實(shí)驗(yàn)發(fā)現(xiàn)，高頻信號(hào)的像素點(diǎn)的值大部分都在[70，200]之間，在這個(gè)區(qū)間里面的點(diǎn)離127越近，它的可擴(kuò)展性就越強(qiáng)，可以賦予它更大的增益權(quán)重；反之，不在這個(gè)區(qū)間的點(diǎn)的可擴(kuò)展性很弱，容易出現(xiàn)像素值溢出的問(wèn)題，所以需要賦予其較小的權(quán)重，防止像素值溢出。并且，通過(guò)sin函數(shù)的一階導(dǎo)數(shù)發(fā)現(xiàn)，其一階導(dǎo)數(shù)是一個(gè)單調(diào)遞減函數(shù)，當(dāng)Y=127時(shí)，一階導(dǎo)數(shù)為0，其一階導(dǎo)數(shù)反映的是sin函數(shù)的斜率，表示Y分量值離127越近，其斜率越平緩，Y分量的變化率就越低，其權(quán)重的變化率就越低。alpha值推薦設(shè)置為[0.8，1.2]，因?yàn)檫@個(gè)值過(guò)大，會(huì)出現(xiàn)過(guò)增強(qiáng)的問(wèn)題，過(guò)小，則會(huì)出現(xiàn)弱增強(qiáng)的問(wèn)題。

（7）計(jì)算Y分量的新值，ynew=y+amount×yhigh。

（8）創(chuàng)建一個(gè)5×5的濾波器，其值為

使用上述濾波器與當(dāng)前Y分量鄰域進(jìn)行點(diǎn)乘，得到一個(gè)新的5×5矩陣。該濾波器上不同的系數(shù)反映了該點(diǎn)的值對(duì)當(dāng)前Y分量的影響有多大。求出這個(gè)5×5矩陣中的最大值maxValue和最小值minValue，將這兩個(gè)值當(dāng)成當(dāng)前Y分量的一個(gè)窗口范圍。

若ynew<(minValue+winrange)，則ynew=maxValuewinrange； 若ynew>(maxValue+winrange)， 則ynew=maxValue+winrange；否則ynew=ynew。其中winrange為可調(diào)節(jié)參數(shù)，默認(rèn)值設(shè)為25。

（9）對(duì)最終的ynew進(jìn)行裁剪，防止像素值溢出。

（10）輸出最終全部更新完的Y通道，再將YCbCr色彩空間轉(zhuǎn)換到RGB色彩空間。

2 實(shí)驗(yàn)結(jié)果分析

為了檢驗(yàn)本文算法的有效性，使用該算法與傳統(tǒng)的反銳化掩膜算法進(jìn)行效果對(duì)比，從主觀和客觀兩方面對(duì)算法的優(yōu)劣性進(jìn)行評(píng)價(jià)。

2.1 主觀評(píng)價(jià)

為了驗(yàn)證本文算法的優(yōu)劣，使用兩張彩色圖像作為實(shí)驗(yàn)對(duì)象，其中一幅是經(jīng)典的Lena圖像，另一幅是T公司清晰度圖庫(kù)中的Mountain圖。對(duì)實(shí)驗(yàn)對(duì)象的處理結(jié)果如圖6和圖7所示。其中，圖6（a）和圖7（a）是原始圖像，圖6（b）和圖7（b）經(jīng)過(guò)傳統(tǒng)反銳化掩膜算法處理的圖像，圖6（c）和圖7（c）是經(jīng)過(guò)本文算法處理的圖像。

圖6中，分別對(duì)比圖6（b）和圖6（a）以及圖 6（c）和圖 6（a），可以看出，圖 6（b）和圖 6（c）的清晰度更好，圖像的邊緣和細(xì)節(jié)區(qū)域更加清晰。然而，對(duì)比圖6（b）和圖6（c）會(huì)發(fā)現(xiàn)，在增強(qiáng)邊緣和細(xì)節(jié)區(qū)域的同時(shí)，圖6（b）中的噪聲也被放大了，從圖6（b）的左上角部分和右上角部分以及Lena眼角部分可以發(fā)現(xiàn)其中存在很多噪聲；觀察圖6（c）相同部位則未發(fā)現(xiàn)噪聲的存在。圖7中，從山體部分可以看出，相比于圖7（a），圖7（b）和圖7（c）的山體結(jié)構(gòu)都描繪得很清晰；圖7（b）和圖7（c）中海邊的巖石細(xì)節(jié)也比圖7（a）中的要豐富。然而，對(duì)比圖7（b）和圖7（c）左上角天空部分后會(huì)發(fā)現(xiàn)，圖7（b）左上角的天空中存在很多肉眼可見(jiàn)的噪聲；觀察圖7（c）相同部位則未發(fā)現(xiàn)噪聲的存在。由此可得，從主觀層面上看，圖6和圖7中，由本文算法處理的圖像質(zhì)量要好于傳統(tǒng)反銳化掩膜算法處理的圖像質(zhì)量。

圖6 Lena圖的實(shí)驗(yàn)結(jié)果比較

圖7 Mountain圖的實(shí)驗(yàn)結(jié)果比較

2.2 客觀評(píng)價(jià)

本文采用全參考圖像質(zhì)量評(píng)價(jià)以及無(wú)參考圖像質(zhì)量評(píng)價(jià)兩類客觀的圖像質(zhì)量評(píng)價(jià)方法對(duì)算法結(jié)果進(jìn)行評(píng)價(jià)。其中，全參考圖像質(zhì)量評(píng)價(jià)采用峰值信噪比（Peak Signal to Noise Ratio，PSNR）以及結(jié)構(gòu)相似性指標(biāo)（Structural Similarity，SSIM）[14]，PSNR以及SSIM的值越大，表示處理后的圖像與原始圖像更接近，圖像質(zhì)量越好。無(wú)參考圖像質(zhì)量評(píng)價(jià)采用自然圖像質(zhì)量評(píng)估（Natural Image Quality Evaluator，NIQE）和基于感知的圖像質(zhì)量評(píng)估（Perception based Image Quality Evaluator，PIQE）兩種方法[15]，NIQE和PIQE的分?jǐn)?shù)越小，代表圖像質(zhì)量越高。對(duì)于圖6（b）、圖6（c）、圖7（b）以及圖7（c）使用上述4種客觀的圖像質(zhì)量評(píng)價(jià)方法進(jìn)行評(píng)價(jià)，得到的評(píng)價(jià)值如表1所示。由表中的數(shù)據(jù)可以得出，圖6（c）的圖像質(zhì)量要比圖6（b）的要好，圖7（c）的圖像質(zhì)量要比圖7（b）的好。該結(jié)果與上述主觀評(píng)價(jià)的結(jié)果一致。

表1 各種圖像質(zhì)量評(píng)價(jià)方法對(duì)上述4張圖像的評(píng)分

3 結(jié) 語(yǔ)

本文提出了一種自適應(yīng)的反銳化掩膜算法。與傳統(tǒng)的反銳化掩膜算法相比較，本文算法具有更強(qiáng)的適應(yīng)性，可以根據(jù)圖像內(nèi)容的不同而調(diào)整銳化的系數(shù)，達(dá)到自適應(yīng)銳化的效果；而且在銳化之前還增加了低中頻和噪聲的過(guò)濾模塊。通過(guò)結(jié)果對(duì)比可以看出，本文算法可以很好地過(guò)濾圖像中的噪聲，避免噪聲被放大而破壞圖像的自然度。除此之外，圖像輸出前還做了過(guò)沖處理，避免出現(xiàn)過(guò)增強(qiáng)現(xiàn)象。