[0044] 以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
[0045] 本发明提供一种基于NSCT和PCNN的数字图像增强方法,该方法包括:
[0046] S101,将所述数字图像进行非抽样轮廓波变换(NSCT),得到图像低频系数和图像高频系数;
[0047] S102,将所述图像高频系数输入脉冲耦合神经网络(PCNN),得到对应的点火映射图;
[0048] S103,根据点火映射图,对所述图像高频系数进行增强;
[0049] S104,将所述图像低频系数和所述增强图像高频系数进行非抽样轮廓波反变换,得到增强的图像。
[0050] 通过上述实施方式,本发明为了增强数字图像,应用NSCT对图像进行多尺度多方向分解,得到多分辨率分析的图像低频系数和图像高频系数,将得到的高频分解系数输入PCNN系统中,得到图像高频系数的点火映射图,根据这些点火映射图,应用本发明设计的自适应增强函数对高频系数进行增强,得到增强的高频系数,最后将这些系数进行NSCT反变换,得到增强的数字图像,由于PCNN具有生物学背景,得到的增强系数更符合人类视觉系统(HVS)特性,提高了增强图像的质量。该发明对提高图像的质量、视觉效果等具有重要的实际价值。
[0051] 以下结合附图1、附图2、附图3(a)、附图3(b)、附图4(a)和附图4(b)对本发明进行进一步的说明,本发明能有效地提高图像的质量,属于图像处理技术领域。
[0052] 在本发明的一种具体实施方式中,在步骤S101中,
[0053] S201,将所述数字图像进行三级非抽样轮廓波变换(NSCT),得到第一层高频系数、第二层高频系数、第三层高频系数和低频系数;
[0054] S202,将所述第一层高频系数、第二层高频系数、第三层高频系数都分成八个方向,得到多分辨率分析的图像低频系数和图像高频系数。
[0055] 上述变换方法为本发明的基本变换步骤,为了让本发明实现,通过上述的变换方法进行变换,图像的显示效果更好,符合真实情况。
[0056] 在本发明的一种具体实施方式中,步骤S102中,
[0057] 将所述第一层高频系数、第二层高频系数和第三层高频系数分别通过脉冲耦合神经网络公式得到一一对应的点火映射图;
[0058] 所述脉冲耦合神经网络公式为:
[0059]
[0060] Li,j[n]=∑Wi,j·Yi,j[n-1]; (3)
[0061] Ui,j[n]=Fi,j[n]·(1+β·Li,j[n]); (4)
[0062] θi,j[n]=exp(-αE)·θi,j[n-1]+Vθ·Yi,j[n-1]; (5)
[0063]
[0064] 其中, 为NSCT分解的第l层、第k个方向的(i,j)位置的高频系数,Li,j为NSCT分解的(i,j)位置的低频系数。
[0065] β:内部活动项的连接因子;
[0066] F:反馈输入;
[0067] L:耦合连接;
[0068] θ、Vθ、αE:动态门限及其放大系数、衰减时间常数;
[0069] U:内部活动项;
[0070] Y:脉冲。
[0071] 在本发明中,为了计算每个神经总的点火次数,需要先将点火映射图得到,上述方法可以得到点火映射图,且该方法简单,实用,并且其具有时空总和特性、动态脉冲发放特性和同步脉冲发放引起的振动与波动等特性。
[0072] 在本发明的一种具体实施方式中,在步骤S103中,
[0073] 根据所述点火映射图,通过点火次数公式和预设循环次数分别得到所述第一层高频系数、第二层高频系数和第三层高频系数的点火次数;
[0074] 所述点火次数公式为:
[0075]
[0076] 其中, 为与 相对应的输入PCNN得到的点火次数。
[0077] 在本发明的一种具体实施方式中,在步骤S103中,
[0078] 通过自适应增强函数公式,对所述第一层高频系数、第二层高频系数和第三层高频系数进行增强;
[0079] 所述自适应增强函数公式为:
[0080]
[0081] 为与 对应的增强后的系数,E和m是常数; 为与 相对应的输入PCNN得到的点火次数。
[0082] 本发明设计的增强函数,根据系数对应的点火次数对其进行增强,由于PCNN具有生物学背景,所以增强的效果符合人眼视觉效果;而且增强函数能根据NSCT分解的层数l自适应调整增强的强度,更加有效地增强了图像的细节信息。
[0083] 在本发明的一种具体实施方式中,在步骤S103中,所述预设循环次数为300。
[0084] 在上述的实施方式中,一般E取值从5到50,m取值从0.1到0.9,可根据具体的应用场景进行调整。增强函数曲线图如图2所示,仿真中使用的参数设置:l=2,E=10,m=0.5。从图2中可以看到,增强函数能将图像中较强的系数进行增强,而对于微弱的干扰系数进行抑制。
[0085] 当然,需要说明的是,基于NSCT和PCNN的数字图像增强方法,主要应用具有生物学背景的PCNN,得到点火映射图,根据点火映射图对NSCT分解的高频系数进行增强,使得增强的图像更加符合人类视觉系统特性,且本发明设计的增强函数能根据分解的层数自适应调整,极大地提高了增强的效果。
[0086] 具体的增强步骤可以如下所示:
[0087] Step1,对需要增强的图像进行三级非抽样轮廓波变换(即NSCT变换),每层得到的高频均分为8个方向,得到多分辨率分析的图像变换域系数,记 表示需要增强的图像分解第l层、第k方向的高频系数,Li,j表示图像分解的低频系数,由于非抽样轮廓波变换(即NSCT变换)没有下采样,所以变换得到的系数与宿主图像大小相等,均为M×N;
[0088] Step2,将NSCT变换得到的高频系数输入脉冲耦合神经网络,高频系数 即对应为该神经元的输入,链接矩阵选择距离矩阵,其余参数可根据具体的应用场景进行相应的调整,以达到最佳的效果;
[0089]
[0090] Li,j[n]=∑Wi,j·Yi,j[n-1]; (3)
[0091] Ui,j[n]=Fi,j[n]·(1+β·Li,j[n]); (4)
[0092] θi,j[n]=exp(-αE)·θi,j[n-1]+Vθ·Yi,j[n-1]; (5)
[0093]
[0094] Step3,按照脉冲耦合神经网络公式(2)-公式(6),得到每个神经元的点火映射图,设置循环次数为300,并应用公式 计算每个神经总的点火次数,增加1即为增加一次点火次数;
[0095] Step4,以每个像素点火次数 为参数,应用本发明的自适应增强函数(即公式(1))对各层高频系数 分别进行增强,得到增强后的增强系数
[0096] Step5,将L和增强后的系数 进行NSCT反变换(如图1所示的I-NSCT),得到增强的图像。
[0097] 在本发明中,需要说明的是,为了验证本发明的有效性,分别应用256×256的Lena图像和fingerprint图像作为本发明的实施例,如图3(a)和图4(a)所示,增强后的图像如图3(b)和图4(b)所示。分别对比两组增强图像可以看出,由于增强函数使用了具有生物背景的PCNN作为增强的参考信息,且增强函数能依据分解的层数对分解系数进行自适应调整,增强后的图像纹理更加突出,图像清晰,获得了较好的效果。
[0098] 应用信息熵和清晰度两个客观度量标准对图像进行评价,其中信息熵反映了图像包含信息量的多少,清晰度反映了图像的清晰程度,两个参数均偏大较好。信息熵公式如下(7)式所示,式中p(i)为灰度值为i的分布概率,L为灰度图像的灰度级。清晰度公式如下(8)式所示,式中M、N为图像的维度,I(m,n)为(m,n)位置图像的像素值。
[0099]
[0100]
[0101] 本发明实施结果图像的信息熵如下表1所示:
[0102] 表1
[0103]
[0104]
[0105] 本发明实施结果图像的清晰度如下表2所示:
[0106] 表2
[0107] 原图像 本发明实施结果
fingerprint 850 3425.4
Lena 562.88 2839.4
[0108] 通过上述的结论可以得出,当使用本发明的方法得出的图像强后的图像纹理更加突出,图像清晰,获得了较好的效果。
[0109] 以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
[0110] 另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
[0111] 此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。