基于改进阈值函数和双边滤波的图像增强算法
发布时间：2021-09-30 15:04
Retinex算法是图像增强领域被广泛使用的算法,通过对光照图像的估计,得到反应图像本质的反射图像,避免了光照对图像内容的影响,但由于在光照不均匀时Retinex易产生光晕现象及泛灰现象,影响图像的增强效果。小波阈值函数去噪方法在小波去噪中发挥着主要作用,由于软阈值函数产生的恒定误差及硬阈值函数在间断点处的不连续性,去噪后图像易产生震荡现象,影响图像去噪效果。针对上述问题,本文提出基于改进阈值函数和双边滤波的图像增强算法。该方法首先对图像进行小波分解,获得图像的低频和高频系数;然后采用改进双边滤波的Retinex算法对图像低频系数进行处理,通过消除距中心点较远像素点灰度值的影响更好去除了光晕现象;采用改进阈值函数对高频系数进行处理,根据改进阈值函数的连续性、渐进性和偏差性避免了震荡现象和恒定误差;采用离散小波反变换得到增强后的重构图像;最后对重构图像进行三段的分段性线性变换,增强图像对比度,避免了泛灰现象。在实验中,从雾天图像、光照不均匀图像和低照度图像三种类别图像角度验证了本文算法的有效性。实验结果表明,本文算法避免了图像泛灰现象、光晕现象及震荡现象,并有效去除了噪声,增强后的图像细...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
均值滤波处理前后对比
辽宁工程技术大学硕士学位论文9xySyxyxgmnyxf),(),(1),(（2.8）其中，yxf),(表示滤波结果图像，mn表示滤波模板大小为nm，xyS表示滤波器窗口，中心点在yx),(处，yxg),(表示均值滤波前输入图像。采用均值滤波处理图像结果如图2.3所示。（a）均值滤波处理前（b）均值滤波处理后图2.3均值滤波处理前后对比Figure2.3Comparisonbeforeandaftermeanfiltering图2.3(a)是添加椒盐噪声方差为0.01的lena图像，图2.3(b)是均值滤波处理后结果图像。观察图2.3(b)，lena图像中依然存在椒盐噪声，均值滤波对椒盐噪声没有明显的去噪效果，平滑后造成边缘模糊。2）中值滤波。中值滤波对比均值滤波有较好的边缘保护效果，同时对椒盐噪声有更好的去除效果。中值滤波不会改变信号中的阶跃变换，因此在抑制噪声的同时能保持图像边缘清晰。中值滤波表达式为：)},({),(),(yxfmedianyxgxySyx（2.9）其中，median表示中间查找操作，对滤波器内像素值遍历，得到滤波器内像素值的中间值，即为模板中心对应像素点像素值。采用中值滤波平滑图像如图2.4所示。（a）中值滤波处理前（b）中值滤波处理后图2.4中值滤波处理前后对比Figure2.4Comparisonbeforeandaftermedianfiltering
辽宁工程技术大学硕士学位论文172.2小波阈值去噪相关算法研究常见的小波去噪方法有软阈值(ST)方法和硬阈值(HT)方法。硬、软阈值函数去噪效果较好，但同时存在缺点，通过式（2.43）可以看出ST函数连续性较好，但在高频系数大于固定阈值时会产生恒定偏差和造成边缘模糊等失真现象。HT函数有良好的边缘保持效果，解决了ST方法的恒定误差问题，但在间断点处不连续，重构图像时会产生震荡效果[52]。软、硬阈值去噪结果如图2.11所示。（1）ST函数。当小波系数绝对值高于固定阈值时，新小波系数为原小波系数减去固定阈值。ST函数表达式为：0)()sgn(,,,,.kjkjkjkjkj（2.44）其中，kj,为经阈值处理后估计的高频系数，kj,为第j尺度下的第k个小波系数，为固定阈值。（2）HT函数。当小波系数绝对值高于固定阈值时，新小波系数与原小波系数相等。HT函数表达式为：kjkjkjkj,,,.0（2.45）（a）含噪图像（b）ST函数去噪（c）HT函数去噪图2.11软、硬阈值去噪结果Figure2.11Resultsofsoftandhardthresholddenoising2.3本章小结本章主要介绍了图像增强和小波阈值去噪的相关算法。在图像增强算法中，分别从空间域和频率域的角度详细介绍了直方图算法、灰度变换、空间滤波、图像锐化、低通滤波、高通滤波、带阻滤波和同态滤波方法。重点介绍了基于Retinex的图像增强方法。在小波阈值去噪算法中，重点介绍了小波阈值函数去噪的步骤、软阈值函数方法和硬阈值函数方法及各自的优缺点。
【参考文献】：
期刊论文
[1]改进双边滤波和阈值函数的图像增强算法[J]. 常戬,贺春泽,董育理,任营. 计算机工程与应用. 2020(03)
[2]一种光学遥感图像船舶目标检测技术[J]. 方梦梁,黄刚. 计算机技术与发展. 2019(08)
[3]基于机器视觉的物体识别分拣装置研究[J]. 景卓,陈超波,曹凯,高申昊,赵楠. 计算机与数字工程. 2019(03)
[4]改进的SSD航拍目标检测方法[J]. 裴伟,许晏铭,朱永英,王鹏乾,鲁明羽,李飞. 软件学报. 2019(03)
[5]幂律变换和IGLC算法的显著性目标检测方法[J]. 王英博,刘健. 计算机工程与应用. 2019(14)
[6]结合直方图均衡和模糊集理论的红外图像增强研究[J]. 李杨,闫岩. 计算机与数字工程. 2019(02)
[7]结合曲面局部纹理特征的3维人脸识别[J]. 雷超,张海燕,詹曙. 中国图象图形学报. 2019(02)
[8]高效深度特征提取及其在显著性检测中的应用[J]. 方正,曹铁勇,郑云飞,杨吉斌. 计算机辅助设计与图形学学报. 2019(02)
[9]小波包变换和加权分数阶傅里叶变换的通信应用对比分析[J]. 刘菁,魏雪缘,刘钊,徐瑞阳. 无线电通信技术. 2019(01)
[10]融合深度模型和传统模型的显著性检测[J]. 方正,曹铁勇,洪施展,项圣凯. 中国图象图形学报. 2018(12)
硕士论文
[1]光照不均匀条件下图像增强算法研究[D]. 马超玉.长春理工大学 2014
[2]雾天或背光条件下图像清晰化算法研究及硬件实现[D]. 张锐.哈尔滨工业大学 2008
本文编号：3416110
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
均值滤波处理前后对比
辽宁工程技术大学硕士学位论文9xySyxyxgmnyxf),(),(1),(（2.8）其中，yxf),(表示滤波结果图像，mn表示滤波模板大小为nm，xyS表示滤波器窗口，中心点在yx),(处，yxg),(表示均值滤波前输入图像。采用均值滤波处理图像结果如图2.3所示。（a）均值滤波处理前（b）均值滤波处理后图2.3均值滤波处理前后对比Figure2.3Comparisonbeforeandaftermeanfiltering图2.3(a)是添加椒盐噪声方差为0.01的lena图像，图2.3(b)是均值滤波处理后结果图像。观察图2.3(b)，lena图像中依然存在椒盐噪声，均值滤波对椒盐噪声没有明显的去噪效果，平滑后造成边缘模糊。2）中值滤波。中值滤波对比均值滤波有较好的边缘保护效果，同时对椒盐噪声有更好的去除效果。中值滤波不会改变信号中的阶跃变换，因此在抑制噪声的同时能保持图像边缘清晰。中值滤波表达式为：)},({),(),(yxfmedianyxgxySyx（2.9）其中，median表示中间查找操作，对滤波器内像素值遍历，得到滤波器内像素值的中间值，即为模板中心对应像素点像素值。采用中值滤波平滑图像如图2.4所示。（a）中值滤波处理前（b）中值滤波处理后图2.4中值滤波处理前后对比Figure2.4Comparisonbeforeandaftermedianfiltering
辽宁工程技术大学硕士学位论文172.2小波阈值去噪相关算法研究常见的小波去噪方法有软阈值(ST)方法和硬阈值(HT)方法。硬、软阈值函数去噪效果较好，但同时存在缺点，通过式（2.43）可以看出ST函数连续性较好，但在高频系数大于固定阈值时会产生恒定偏差和造成边缘模糊等失真现象。HT函数有良好的边缘保持效果，解决了ST方法的恒定误差问题，但在间断点处不连续，重构图像时会产生震荡效果[52]。软、硬阈值去噪结果如图2.11所示。（1）ST函数。当小波系数绝对值高于固定阈值时，新小波系数为原小波系数减去固定阈值。ST函数表达式为：0)()sgn(,,,,.kjkjkjkjkj（2.44）其中，kj,为经阈值处理后估计的高频系数，kj,为第j尺度下的第k个小波系数，为固定阈值。（2）HT函数。当小波系数绝对值高于固定阈值时，新小波系数与原小波系数相等。HT函数表达式为：kjkjkjkj,,,.0（2.45）（a）含噪图像（b）ST函数去噪（c）HT函数去噪图2.11软、硬阈值去噪结果Figure2.11Resultsofsoftandhardthresholddenoising2.3本章小结本章主要介绍了图像增强和小波阈值去噪的相关算法。在图像增强算法中，分别从空间域和频率域的角度详细介绍了直方图算法、灰度变换、空间滤波、图像锐化、低通滤波、高通滤波、带阻滤波和同态滤波方法。重点介绍了基于Retinex的图像增强方法。在小波阈值去噪算法中，重点介绍了小波阈值函数去噪的步骤、软阈值函数方法和硬阈值函数方法及各自的优缺点。
【参考文献】：
期刊论文
[1]改进双边滤波和阈值函数的图像增强算法[J]. 常戬,贺春泽,董育理,任营. 计算机工程与应用. 2020(03)
[2]一种光学遥感图像船舶目标检测技术[J]. 方梦梁,黄刚. 计算机技术与发展. 2019(08)
[3]基于机器视觉的物体识别分拣装置研究[J]. 景卓,陈超波,曹凯,高申昊,赵楠. 计算机与数字工程. 2019(03)
[4]改进的SSD航拍目标检测方法[J]. 裴伟,许晏铭,朱永英,王鹏乾,鲁明羽,李飞. 软件学报. 2019(03)
[5]幂律变换和IGLC算法的显著性目标检测方法[J]. 王英博,刘健. 计算机工程与应用. 2019(14)
[6]结合直方图均衡和模糊集理论的红外图像增强研究[J]. 李杨,闫岩. 计算机与数字工程. 2019(02)
[7]结合曲面局部纹理特征的3维人脸识别[J]. 雷超,张海燕,詹曙. 中国图象图形学报. 2019(02)
[8]高效深度特征提取及其在显著性检测中的应用[J]. 方正,曹铁勇,郑云飞,杨吉斌. 计算机辅助设计与图形学学报. 2019(02)
[9]小波包变换和加权分数阶傅里叶变换的通信应用对比分析[J]. 刘菁,魏雪缘,刘钊,徐瑞阳. 无线电通信技术. 2019(01)
[10]融合深度模型和传统模型的显著性检测[J]. 方正,曹铁勇,洪施展,项圣凯. 中国图象图形学报. 2018(12)
硕士论文
[1]光照不均匀条件下图像增强算法研究[D]. 马超玉.长春理工大学 2014
[2]雾天或背光条件下图像清晰化算法研究及硬件实现[D]. 张锐.哈尔滨工业大学 2008
本文编号：3416110
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3416110.html
最近更新
教材专著
