基于NSCT和PCNN的数字图像增强方法技术

本发明专利技术公开了一种基于NSCT和PCNN的数字图像增强方法，该方法包括：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；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；S103，根据点火映射图，对所述图像高频系数进行增强；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。本发明专利技术由于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。

【技术实现步骤摘要】
基于NSCT和PCNN的数字图像增强方法
本专利技术涉及数字图像领域，具体地，涉及一种基于NSCT和PCNN的数字图像增强方法。
技术介绍
在图像获取的过程中，存在多种因素的影响，如噪声、曝光、抖动等，图像的视觉效果受这些因素的干扰而与真实的图像之间有一些差异。从审美和后期处理的角度出发，需要对图像质量进行改善。图像增强通过相关技术手段，对干扰因素进行抑制，突出图像中感兴趣的某些特征，提高图像的视觉效果，使得处理后的图像比原图像更适合观看或后期的处理。数字图像增强技术是一种重要的图像质量改善技术，目前图像增强技术在医学、遥感、军事等众多领域得到广泛的应用。目前的图像增强技术可分为空域增强技术和变换域增强技术两大类。空域法直接对像素进行处理，例如经典的直方图均衡化处理方法，通过变换函数使像素灰度直方图分布趋于均匀。变换域增强方法首先对图像进行变换，对变换后的系数进行相关增强处理，然后经过对应的逆变换，得到增强的图像。常用的变换方法有傅里叶变换，离散余弦变换，小波变换等。非抽样轮廓波变换(NSCT)是一种新的多尺度多方向图像变换方法，变换中没有上、下采样过程，因此具有平移不变性，在图像的边缘不会出现伪吉布斯现象，相比其他的变换方法，具有更好的应用前景。脉冲耦合神经网络(PCNN)是由Eckhorn为解释在猫的大脑视觉皮层中实验所观察到的与特征有关的神经元同步行为现象而提出的，有着重要的生物学背景，是一种不同于传统人工神经网络的新型神经网络。PCNN的这个生物学背景使它在图像处理中具有先天的优势，有着与传统方法进行图像处理所无法比拟的优越性。PCNN是当前智能信息处理的最新研究领域之一，目前它的理论研究仍处在发展阶段。用PCNN进行二维图像处理时，构造与图像同样大小的神经网络，也即M×N的二维图像矩阵相当于M×N维的PCNN神经元模型，将灰度图像的像素强度作为相应神经元的外部激励，每个像素的灰度值作为每个神经元的输入强度。每一个神经元输出与周围某个邻域的神经元输入相连接，这样就构成一个基于PCNN的图像处理系统，网络的输出为随时间变化的二值图像。由于连接权的影响，如果受到图像某一点像素强度的激励而使相应的神经元点火(即输出为1)，则与该点有连接的相邻神经元在其点火的带动下也可能发生点火，这里称这一特性为捕获。重复上述过程，得到一个点火映射图。
技术实现思路
本专利技术的目的是提供一种基于NSCT和PCNN的数字图像增强方法，该基于NSCT和PCNN的数字图像增强方法将NSCT与PCNN结合，并设计了一个自适应增强函数，根据具有生物学背景的PCNN点火次数对高频系数进行增强，且能依据分解层数自适应改变增强的强度，对图像进行有效地增强。为了实现上述目的，本专利技术提供了一种基于NSCT和PCNN的数字图像增强方法，其特征在于，该方法包括：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；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；S103，根据点火映射图，对所述图像高频系数进行增强；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。优选地，在步骤S101中，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；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。优选地，在步骤S102中，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；所述脉冲耦合神经网络公式为：Li,j[n]＝∑Wi,j·Yi,j[n-1]；Ui,j[n]＝Fi,j[n]·(1+β·Li,j[n])；θi,j[n]＝exp(-αE)·θi,j[n-1]+Vθ·Yi,j[n-1]；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。优选地，在步骤S103中，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；所述点火次数公式为：其中，为与相对应的输入PCNN得到的点火次数。优选地，在步骤S103中，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；所述自适应增强函数公式为：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。优选地，在步骤S103中，所述预设循环次数为300。通过上述实施方式，本专利技术为了增强数字图像，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低频和高频系数，将得到的高频分解系数输入PCNN系统中，得到高频系数的点火映射图，根据这些点火映射图，应用本专利技术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。本专利技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术，但并不构成对本专利技术的限制。在附图中：图1是说明本专利技术的一种基于NSCT和PCNN的数字图像增强方法的流程图；图2是说明本专利技术的一种增强函数(1)的效果图；图3(a)是本专利技术的Lena图像的原始效果图；图3(b)是本专利技术的Lena图像的增强后的效果图；图4(a)是本专利技术的fingerprint图像的原始效果图；以及图4(b)是本专利技术的fingerprint图像的增强后的效果图。具体实施方式以下结合附图对本专利技术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专利技术，并不用于限制本专利技术。本专利技术提供一种基于NSCT和PCNN的数字图像增强方法，该方法包括：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；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；S103，根据点火映射图，对所述图像高频系数进行增强；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。通过上述实施方式，本专利技术为了增强数字图像，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，应用本专利技术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。该专利技术对提高图像的质量、视觉效果等具有重要的实际价值。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)对本专利技术进行进一步的说明，本专利技术能有本文档来自技高网...

【技术保护点】
一种基于NSCT和PCNN的数字图像增强方法，其特征在于，该方法包括：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；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；S103，根据点火映射图，对所述图像高频系数进行增强；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。

【技术特征摘要】
1.一种基于NSCT和PCNN的数字图像增强方法，其特征在于，该方法包括：S101，将所述数字图像进行非抽样轮廓波变换，得到图像低频系数和图像高频系数；S102，将所述图像高频系数输入脉冲耦合神经网络，得到对应的点火映射图；S103，根据点火映射图，对所述图像高频系数进行增强；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；在步骤S101中，S201，将所述数字图像进行三级非抽样轮廓波变换，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；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；在步骤S103中，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；所述自适应增强函数公式为：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；为NSCT分解的第l层、第k个方向的(i，j)位置的高频系数。2.根据权利要求1所述的数字图像增强方...

【专利技术属性】
技术研发人员：何国栋，杨凌云，冯友宏，丁绪星，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：安徽;34