论文部分内容阅读
图像作为重要的信息载体,是人类感知世界和获取信息的主要手段和方式。近年来,随着以数码相机和智能手机为代表的图像获取设备的发展,海量的图像数据正在产生、处理和传输。但因为拍摄时光照条件不佳,或者拍摄人员及设备自身的问题,采集到的图像可能存在对比度不足等问题,影响了图像的视觉效果,对于后续的处理也会造成一定的困难。因此,通过增强图像对比度、丰富图像细节信息,从而提高图像视觉效果的图像增强算法的研究就具有了十分重要的现实意义。 本文围绕图像增强技术展开,首先回顾了数字图像处理和图像增强技术的原理和发展历程。简要介绍了几种传统的图像增强算法,包括:直方图均衡、双向直方图均衡、基于空间熵的图像增强算法和基于Retinex理论的图像增强算法。这些传统的图像增强算法对于特定的图像都能起到一定的对比度增强效果,但依然存在着一些问题,主要体现为:假如部分图像细节信息丢失,过度增强导致图像前景部分立体感不佳等。 针对上述问题,本文引入了基于有限混合模型的图像增强算法。有限混合模型是一种强大的概率统计工具,能够用多个简单的概率分布来拟合复杂的数据集合分布情况。混合模型的核心问题就在于模型参数的估计,一般采用EM算法进行参数估计,但因为分类数目难以确定,会导致奇异值收敛以及局部收敛等问题。本文通过使用无监督的EM算法:首先使用远大于实际需要的分类数目,在迭代的过程中不断减少分类数目,从而逼近理想的分类数目,解决了传统EM算法存在的问题。此外,常用的高斯混合模型因为拖尾较短,直方图拟合的效果不佳,从而导致增强后的图像质量不佳。为了解决这一问题,本文提出了一种基于学生t混合模型图像增强算法,通过使用拖尾较长的学生t分布,更好的拟合直方图,从而得到了更好的增强效果。 一般来说,图像增强算法的优劣主要由观测者决定,不免受个人主观因素影响。为了更加客观的评价不同的图像增强算法效果的优劣程度,本文将传统上主要用于评价图像压缩质量的图像质量评价算法,引入到图像增强质量的评价中。通过分析各种图像质量评价算法的优缺点,在结合图像增强算法自身特点的基础上,选取三种图像质量评价算法来评价不同的图像增强算法,降低了图像增强的效果对主观评价方法的过度依赖。评价结果表明,本文提出的基于学生t混合模型的图像增强算法相比传统的图像增强算法有着更好的增强效果。