MUSICA 多尺度图像对比度增强 算法的简要原
理及
MUSICA(多尺度图像对比度增强)算法的简要原理及 VC 实现
算法原理:图像增强的一般方法是对比度拉伸和直方图均衡,这两种方法对于灰
度级过于集中,还有大量的灰度级没有充分利用的情况下比较适用,并且这两种
方法都是基于直方图的变换,和像素的位置信息无关。假设有原始信号如(a),可
看出细节信号(高频,例如指纹、衣服褶绉这样的细节)集中在较窄的灰度范围内,
人眼很难分辨。并且细节信号集中的灰度范围在整个灰度级空间内,使用对比度
增强和直方图均衡无法对不同的区域内像素进行不同程度的放大或者缩小。因此
就有了 MUSICA(Multi-Scale Image Contrast Amplication),可以翻译成多
尺度图像对比度增强。基本的原理是先提取细节信息,然后对细节信号进行增强
放大,然后再重构到原图中。局部细节信息的提取现在研究的热点一直都是小波
分解。暂且不管理论,先从实际运用的角度来看。如图(b),假设对信号进行平滑
滤波,可以得到新的蓝色信号。可以认为蓝色信号是对原信号的低分辨率近似,
保留了整体的特征而丢弃了高频的细节信号,例如要分析图像的整体特征就要使
用近似信号以排除高频(可能是噪声)的干扰。那么如图(c),原信号减去近似信号,
得到的就是高频信号,也就是细节信号(当然也可能是噪声)。然后对(c)进行增强,
最简单例如放大 2 倍,或者进行 log 变换得到(d)。然后把(d)加回到近似信号上,
重构出增强后的原信号,如(e)所示。可以看到,图像的整体特性没有改变,两个
细节集团的细节信号被放大了,适合人眼辨认。图 1
这个算是从最直观的角度来考虑算法原理,只是一种近似的抽象,实际过程需要
更多更具体的考虑,同时这也是个人的理解,会有偏颇的地方,留待完善。
然后,总得给出点具体的原理和算法的实际步骤。详细的说明可以从 MUSICA 的
专利文档里获得,这里给出个人角度的理解和说明。首先要从小波说起,直观地
看,小波分解将(w*h)的图像分解成 4 个(w/2*h/2)的子图,其中 1 个为近似图像,
3 个为小波系数矩阵。然后对近似图像进行下一级的分解。如下图,A 为原图的低
分辨率近似图像,D 为小波系数,D1、D2、D3 的物理意义可以看作是水平、垂
直、以及对角方向的细节矩阵。小波的重构是这个分解过程的逆过程,使用 4 个
低分辨率的子图重组成一个高分辨率的图。这部分知识最好看看小波的教科书,
可以比较全面了解小波的特点。图 2
直观地看小波分解,近似图像就是对原图的一个低分辨率的近似,保留图像的整
体特征,而小波系数矩阵,就是低分辨率图像和原图的之间的差异,就是高频的
信号,也就是细节。通过这样的分解,可以得到各个分辨率上的细节,目的是使
某种分辨率下难以区分的特征在另一种分辨率下将很容易被区分和检测。人的眼