Научная статья на тему 'Улучшение слабоконтрастных изображений на основе адаптивной нечеткой гиперболизации гистограммы'

Улучшение слабоконтрастных изображений на основе адаптивной нечеткой гиперболизации гистограммы Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
109
19
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ОБРАБОТКА ИЗОБРАЖЕНИЙ / IMAGE PROCESSING / ПОВЫШЕНИЕ КОНТРАСТА / CONTRAST ENHANCEMENT / НЕЧЕТКИЕ ПРЕОБРАЗОВАНИЯ / FUZZY TRANSFORMATIONS / АДАПТИВНЫЙ РАСЧЕТ УПРАВЛЯЮЩЕГО ПАРАМЕТРА / THE ADAPTIVE CALCULATION OF THE CONTROL PARAMETER

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Ахметшина Л. Г., Егоров А. А.

Данная работа посвящена описанию метода адаптивной нечеткой гиперболизации гистограмм, который применяется для повышения контраста. Предложенный метод благодаря использованию статистических характеристик текущего окна преобразования и всего изображения в целом позволяет обеспечить более высокий уровень повышения как контраста, так и яркости. Представлены результаты экспериментальных исследований возможностей предложенного метода на примере обработки полутоновых медицинских изображений различной физической природы.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

THE ENHANCEMENT OF LOW-CONTRAST IMAGES BASED ON ADAPTIVE FUZZY HISTOGRAM HYPERBOLIZATION

This article is devoted to description of the adaptive fuzzy histogram hyperbolization algorithm for the contrast enhancement. This algorithm allows getting higher level of contrast and brightness enhancing owing to using the current transformation windows and whole image statistical characteristics. The experimental researches of the proposed algorithm abilities confirm its efficiency for processing of grayscale medical images of the different physical nature.

Текст научной работы на тему «Улучшение слабоконтрастных изображений на основе адаптивной нечеткой гиперболизации гистограммы»

УДК 004.93

Л.Г. АХМЕТШИНА, А.А. ЕГОРОВ

Днепровский национальный университет имени Олеся Гончара

УЛУЧШЕНИЕ СЛАБОКОНТРАСТНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АДАПТИВНОЙ НЕЧЕТКОЙ ГИПЕРБОЛИЗАЦИИ ГИСТОГРАММЫ

Данная работа посвящена описанию метода адаптивной нечеткой гиперболизации гистограмм, который применяется для повышения контраста. Предложенный метод благодаря использованию статистических характеристик текущего окна преобразования и всего изображения в целом позволяет обеспечить более высокий уровень повышения как контраста, так и яркости. Представлены результаты экспериментальных исследований возможностей предложенного метода на примере обработки полутоновых медицинских изображений различной физической природы.

Ключевые слова: обработка изображений, повышение контраста, нечеткие преобразования, адаптивный расчет управляющего параметра.

Л.Г. АХМЕТШИНА, А.О. ЕГОРОВ

Дншровський нацюнальний ушверситет iменi Олеся Гончара

ПОКРАЩЕННЯ СЛАБКОКОНТРАСТНИХ ЗОБРАЖЕНЬ НА ОСНОВ1 АДАПТИВНО1 НЕЧ1ТКО1

ГШЕРБОЛВАЦП Г1СТОГРАМ

Ця робота присвячена опису метода адаптивной нечткоИ гтерболгзацИ гктограм, що застосовуеться для пгдвищення контрасту. Запропонований метод завдяки використанню статистичних характеристик поточного в1кна перетворення та всього зображення в щлому дозволяе забезпечити бшьш високий ргвень пгдвищення як контрасту, так i яскравостг. Наведено результати експериментальних дослгджень можливостей запропонованого алгоритму, що пiдтверджують його ефективтсть на прикладi обробки напiвтонових медичних зображень р1зно'1 ф1зично1 природи.

Ключовi слова: обробка зображень, пiдвищення контрасту, нечтю перетворення, адаптивний розрахунок керуючого параметру.

L.G. AKHMETSHINA, A. A. YEGOROV

Dneprovsk National University named by Oles Honchar

THE ENHANCEMENT OF LOW-CONTRAST IMAGES BASED ON ADAPTIVE FUZZY HISTOGRAM

HYPERBOLIZATION

This article is devoted to description of the adaptive fuzzy histogram hyperbolization algorithm for the contrast enhancement. This algorithm allows getting higher level of contrast and brightness enhancing owing to using the current transformation windows and whole image statistical characteristics. The experimental researches of the proposed algorithm abilities confirm its efficiency for processing of grayscale medical images of the different physical nature.

Keywords: image processing, contrast enhancement, fuzzy transformations, the adaptive calculation of the control parameter.

Постановка проблемы

Повышение качества изображений является сложной и многоплановой задачей. Ее сложность заключается в разнообразии целей обработки (в частности, для визуального или машинного анализа) и характеристик исходных изображений, а также в отсутствии универсальных критериев оценки качества полученных результатов [1, 2], что затрудняет выбор соответствующих методов.

При улучшении качества изображений нередко приходится осуществлять и повышение контраста. Решение этой задачи может существенно усложняться недостаточным уровнем яркости исходного изображения, наличием областей с высоким и низким контрастом в пределах одного снимка, шумом и другими факторами. Существующие методы повышения контраста, к сожалению, не обладают универсальностью: эффективность их применения существенно зависит от типа обрабатываемого изображения. Кроме того, нередко используемые методы имеют управляющие параметры, которые требуют ручной настройки при обработке разных изображений и оказывают существенно влияние на получаемые результаты. Таким образом, разработка новых или модификация существующих методов является актуальной задачей.

Анализ публикаций по теме исследования

В настоящее время для повышения качества (в частности, яркости и контраста) изображений используются различные методы, включая гистограммные, пространственные и нечеткие преобразования. Среди них особого внимания заслуживают алгоритмы, осуществляющие коррекцию гистограммы, а также нечеткие методы. Первые интересны высокой скоростью работы, т.к. манипулируют уровнями яркости изображения в целом, а не каждого его пикселя. Примерами таких методов могут служить эквализация гистограммы и адаптивная эквализация гистограммы [1]. Нечеткая обработка, характеризующаяся более высокой адаптивностью, предполагает переход в новое пространство признаков (фаззификацию), выполнение определенных нечетких операций и дефаззификацию (предполагает снова переход в другое пространство признаков). Представителем семейства таких алгоритмов является метод, основанный на применении усиливающего оператора, который описан в работе [3, 4]. Особый интерес представляет также объединение этих двух подходов в рамках одного алгоритма, примером чего может служить метод нечеткой гиперболизации гистограмм, описанный в работе [5].

Цель статьи

В данной статье описывается алгоритм улучшения слабоконтрастных изображений на основе адаптивной нечеткой гиперболизации гистограммы, который благодаря использованию статистических характеристик текущего окна преобразования и всего изображения в целом позволяет обеспечить более высокий уровень повышения контраста и яркости.

Основная часть

Предложенный в данной работе алгоритм состоит из следующих шагов.

1. Масштабирующее преобразование каждого цветового канала исходного изображения на [0,l].

2. Каждый цветовой канал исходного изображения разбивается на неперекрывающиеся окна заданного размера (рекомендуется использовать размеры окон от 3х3 до 6х6 пикселей, после чего становится визуально различимым «оконный эффект»).

3. Для пикселей текущего окна wx y формируется значение функции принадлежности ux y по следующей формуле:

Ux,y = (wx,y - wmin )/(wmax - wmm ,1 (1)

где, wmax и wmax вычисляются так:

wmax = wmax - Kw +1 max - (l - Kw ), (2)

wmin = wmin ' Kw +1 min - (l - Kw ), (3)

Kw = max| w -1 • w - 0.5 - w +1,0 j, (4)

w =(w +1 + 0.5)/3 , (5)

причем wmin, w, wmax и /mjn, I, Imax - минимальные, средние и максимальные значения для текущего окна и выбранного цветового канала исходного изображения, соответственно. Использование коэффициента K w позволяет, с одной стороны, адаптивно учитывать характеристики текущего окна преобразования при вычислении значений функции принадлежности, а с другой - минимизировать появление на выходном изображении «оконного эффекта» (визуальную различимость стыков соседних окон преобразования).

4. Пиксели текущего окна подвергаются следующему преобразованию:

1 =(1 -1/256)-(wx,yИwxу /2 |(-Ux,yУ

w

x, y

-w

x, y

\

e - wx,y

V /

(6)

где в - фаззификатор, значение которого оказывает существенное влияние на получаемый результат. Это преобразование также осуществляет повышение яркости, т.к. данный метод малоэффективен при работе с темными изображениями. Одной из особенностей предложенного алгоритма является автоматическое (в отличие от исходного метода) адаптивное вычисление значения в на основе среднего значения яркости как текущего окна преобразования, так и всего изображения в целом по следующей формуле:

в = 1 + м> - 7)-(1 -(¡У - /)-(/ - 0.5)). (7)

5. На последнем шаге происходит пропорциональное повышение яркости и контраста на основе степенных преобразований:

wx, y

e

№х,у = №

ку г

■х, у

1-М>

1+I

У + № I/2

. (8)

Необходимость последнего шага также обусловлена тем, что данным методом после выполнения преобразования (6) (при использовании функции принадлежности, описанной выражением (1)) не обеспечивается достаточное повышение яркости для визуального анализа исходно темных изображений.

Экспериментальные результаты. Предложенный в данной статье алгоритм был применен при обработке различных полутоновых изображений, примерами которых могут служить медицинские снимки, представленные на рис.1 и 2.

На рис. 1 а приведено полутоновое медицинское изображение, которое представляет собой томограмму головного мозга, выполненную с целью диагностики наличия гематомы, а также определения области ее влияния в случае выявления. По гистограмме исходного изображения (рис. 1 б) можно сделать вывод о том, что, в целом, изображение не является низкоконтрастным. Однако диагностирование гематомы по исходному снимку затруднено из-за ее расположения на низкоконтрастном участке изображения (фрагмент, обведенный прямоугольником), а область ее влияния визуально неразличима. Введение рентгеноконтрастного вещества (рис. 1 в) хоть и позволяет более четко выделить гематому, однако не выявляет области ее влияния.

На рис. 2 а представлена спин-решетчатая Т1 релаксация ЯМР (ядерного магнитного резонанса) участка головного мозга, из гистограммы которой (рис. 2 б) следует, что данное изображение является темным.

I, norm.units

а б в

Рис. 1. Рентгеновская томограмма головного мозга: а - исходный полутоновой снимок (204x201); б - гистограмма; в - результаты введения рентгеноконтрастного вещества

П! п ? 03 0Л 05 00 07 ов б

" I, погт.ип Не

Рис. 2. Спин-решетчатая Т1 релаксация ЯМР участка головного мозга: а - исходный полутоновой снимок (256x256);

б - его гистограмма

На рис. 3 приведены результаты обработки исходного изображения (рис. 1 а) исходным и предложенным в данной работе методами. Повышение контраста на основе исходного метода нечеткой гиперболизации гистограммы (рис. 3 а, б) не позволяет выделить гематому, а только область ее влияния. При этом недостаточно четко выделяется структура изображения. Особо стоит отметить, что при использовании исходного алгоритма возникает необходимость ручного подбора параметра в . Как видно из

полученных результатов (рис. 3 а, б) изменение этого параметра оказывает существенное влияние на результат: значения, меньшие 1, приводят к «осветлению» изображения, а большие - к «затемнению». Применение предложенного в данной работе алгоритма (рис. 3 в, г) позволяет выделить все объекты интереса, а также структуру изображения. При этом не возникает необходимости в ручном подборе значения параметра в . Следует также отметить, что с увеличением размерности окна становится несколько более визуально различимым «оконный» эффект.

а

На рис. 4 приведены результаты обработки изображения, представленного на рис. 2 а. Т.к. это темное изображение, то применение как исходного, так и предложенного методов (рис. 4 а, б) не позволяют получить достаточный для визуального анализа уровень яркости, по сравнению с использованием эквализации гистограммы (рис. 4 в). Однако предложенный метод лучше выделяет структуру объекта и обеспечивает более высокий уровень яркости по сравнению как с исходным алгоритмом, так и с эквализацией гистограммы. Также предлагаемый метод позволяет получить более высокий уровень яркости по сравнению с исходным алгоритмом.

а б в г

Рис. 3. Обработка изображения на рис. 1. а: исходным методом: а - в = 0.9 , б - в = 1.1; предложенным методом с

размером окна: в - 3х3, г - 6х6 пикселей, соответственно

Ш

I I ЕЁ

: W

ШЯ

U>l

. г • * у

'is

kS.^

«

б

Рис. 4. Обработка изображения на рис. 2. а: а - исходным методом ( в = 0.9 ); б - предложенным методом с размером окна 3х3

пикселей, в - методом эквализации гистограммы

а

в

Выводы и перспективы дальнейших исследований

На основании полученных экспериментальных результатов можно сделать следующие выводы:

1. Предложенный алгоритм адаптивной нечеткой гиперболизации гистограммы:

- позволяет достичь более высокой степени повышения контраста и яркости по сравнению с исходным алгоритмом;

- обеспечивает более высокую детализацию результатов обработки по сравнению с применением традиционных гистограммных преобразований;

- автоматически адаптивно рассчитывает управляющий параметр в ;

- размер окна, является единственным управляющим параметром алгоритма. При этом увеличение размера окна ведет к появлению визуально различимого «оконного эффекта»;

- при обработке темных изображений предложенный алгоритм не обеспечивает достаточного для визуального анализа уровня повышения яркости.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

2. Перспективным направлением исследований является поиск более эффективного способа повышения яркости для темных изображений, что может быть достигнуто путем изменения преобразования (8), а также использованием других функции принадлежности (отношение (1)).

Список использованной литературы

1. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс; [пер. c англ. под ред. П.А.Чочиа].

- М.: Техносфера, 2006. - 1070 с.

2. Pratt W.K. Digital Image Processing / W.K. Pratt - New York; - Chichester; Weinheim; Brisbane: John Wiley and Sons Inc., 2001. - 723 р.

3. Pal Sankar K., Image Enhancement using Smoothing with Fuzzy Sets / Sankar K. Pal, Robert A. King // IEEE Transactions on Systems, Man and Cybernetics. - 1981. - vol. SMC-11, No. 1. - P. 494 - 501.

4. Егоров А. Оптимизация яркости изображений на основе нейро-фаззи технологий / А. Егоров, Л. Ахметшина // Монография. Изд. Lambert. - 2015. - 139 c.

5. Tizhoosh Hamid R., Fochem Manfred Fuzzy Histogram Hyperbolizationfor Image Enhancement / Hamid R. Tizhoosh, Manfred Fochem // Proc. Of EUFIT'95. - 1995 - vol. 3. - P. 1695 - 1698.

i Надоели баннеры? Вы всегда можете отключить рекламу.