本發(fā)明涉及數(shù)字圖像處理領(lǐng)域，特別涉及一種礦井圖像增強方法。

背景技術(shù)：
圖像增強技術(shù)是數(shù)字圖像處理的基本內(nèi)容之一。其目的是按特定的需要突出一幅圖像中的某些信息，同時，削弱或去除某些不需要的信息，使處理后的圖像對某種特定的應(yīng)用來說，比原始圖像更適合于人的視覺特性或機器的識別系統(tǒng)。在實際應(yīng)用中，我們的系統(tǒng)獲取的原始圖像往往達(dá)不到我們的需求，例如在煤礦井下這種工作環(huán)境惡劣，地質(zhì)條件復(fù)雜的特殊地方，由于噪聲、光照等原因，對于系統(tǒng)獲取的原始圖像，圖像的質(zhì)量不高，所以要進(jìn)行一些處理，有利于提取我們感興趣的信息。圖像增強方法主要有兩類：空間域增強法和變換域增強法?？臻g域增強法是直接對圖像中的像素進(jìn)行處理，基本上是以灰度映射變換為基礎(chǔ)的。所用的映射變換取決于增強的目的，如增加圖像的對比度，改善圖像的灰度層次等處理。變換域增強法是將圖像變換到頻域或小波域，對圖像的變換系數(shù)進(jìn)行某種修正，然后通過逆變換獲得增強圖像，如采用修改圖像傅里葉變換的方法實現(xiàn)對圖像的增強處理。小波變換在時頻兩域都具有表征信號局部特征的能力和多分辨率分析的特點，因此被譽為“數(shù)學(xué)顯微鏡”。小波變換的基本思想是將原信號通過伸縮和平移后，分解為一系列具有不同空間分辨率、不同頻率特性和方向特性的子帶信號，這些子帶信號具有良好的時域、頻域等局部特征。這些特征可用來表示原始信號的局部特征，進(jìn)而實現(xiàn)對信號時間、頻率的局部化分析，從而克服了傅里葉分析在處理非平穩(wěn)信號和復(fù)雜圖像時存在的局限性。圖像中物體的邊界一般對應(yīng)于灰度值的某種銳利變化，從視覺感知的觀點來看，圖像邊緣對人們理解圖像內(nèi)容起著關(guān)鍵作用。而礦井圖像大多為黑白圖像，再加上井下環(huán)境的限制，采集到的圖像往往邊緣模糊。所以，增強礦井圖像的邊緣特征就顯得十分必要。由于小波變換對奇異性尤為敏感，使得它更適合檢測圖像的邊緣和細(xì)節(jié)。小波圖像增強的核心問題就是濾噪問題，目前普遍采用的方法是小波收縮法，小波模極大值法，相關(guān)性法。這些方法的共同點是直接對小波分解數(shù)據(jù)進(jìn)行處理，即在考慮噪聲的基礎(chǔ)上，對不同特點的小波系數(shù)進(jìn)行剪裁和增強，然后通過小波重構(gòu)改善圖像效果。這些方法中，有的計算量過大，如小波模極大值交替重影法，有的濾噪效果不佳，如閾值收縮法中的硬閾值，容易造成去噪后的信號在奇異點附近出現(xiàn)明顯的Pseudo-Gibbs現(xiàn)象。反對稱雙正交小波具有類似于二進(jìn)小波的微分算子功能，采用此離散小波提取礦井圖像多尺度邊緣，并利用邊緣信息重構(gòu)圖像，不僅可以發(fā)揮正交小波的緊支撐性，線性相位特性和分解基與重構(gòu)基相互正交的優(yōu)點，而且可以發(fā)揮二進(jìn)小波的平移不變性的優(yōu)點，避免“交替重影”過程，使礦井圖像相對更加清晰。A'trous算法是把信號分解為不同頻率通道上的近似信號和每一尺度下的細(xì)節(jié)信號，A'trous算法既具有Mallat算法的快速性，又有效保留了數(shù)據(jù)信息，能夠更好的檢測圖像邊緣。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的是提供一種礦井圖像增強方法，用以解決由于煤礦井下環(huán)境條件所限制而獲得的礦井圖像邊緣模糊的問題。為實現(xiàn)上述目的，本發(fā)明的方案是：一種礦井圖像增強方法，步驟如下：(1)對礦井原始圖像采用A'trous算法多尺度反對稱雙正交小波分解，得到每一尺度下的一個低頻分量和三個高頻分量；(2)對分解的低頻分量采用單閾值函數(shù)進(jìn)行圖像增強，高頻分量采用雙閾值函數(shù)進(jìn)行圖像增強；(3)對增強后的低頻、高頻分量進(jìn)行反對稱雙正交小波重構(gòu)，并采用軟閾值函數(shù)進(jìn)行圖像增強；(4)進(jìn)行反對稱雙正交小波逆變換，得到增強后的礦井圖像。所述的單閾值函數(shù)為：雙閾值函數(shù)為：其中，G為增強系數(shù)，w為增強前的小波系數(shù)，wo為增強后的小波系數(shù)，Td為單閾值，Ts1，Ts2為雙閾值；Td，Ts1，Ts2，G的值采用人機交互進(jìn)行選擇。所述的軟閾值函數(shù)為：其中w是增強前的小波系數(shù)，wo是增強后的小波系數(shù)，m，n為調(diào)節(jié)因子，且m，n∈(0，1)，Tr是軟閾值，軟閾值采用估計的方法獲得。所述的步驟(1)中對礦井圖像采用A'trous算法進(jìn)行反對稱雙正交小波分解的方法為：首先將信號的行取定值，每一列看成一維信號進(jìn)行分解，然后將分解后的信號的列取定值，每一行看成一維信號再作一次分解，獲得的低頻分量是反對稱雙正交小波的近似系數(shù)，高頻分量分別是反對稱雙正交小波的水平細(xì)節(jié)分量、垂直細(xì)節(jié)分量和對角線細(xì)節(jié)分量。所述的步驟(3)中進(jìn)行反對稱雙正交小波重構(gòu)時增強礦井圖像的方法為：先對近似系數(shù)、水平細(xì)節(jié)分量、垂直細(xì)節(jié)分量和對角線細(xì)節(jié)系數(shù)列重構(gòu)，再對其行重構(gòu)；對小波各級重構(gòu)時的分量采用軟閾值處理，去除噪聲，增強圖像。所述的軟閾值采用Donoho和Johnstone統(tǒng)一閾值其中，N為信號的尺寸或長度，σ為噪聲標(biāo)準(zhǔn)差，采用在圖像進(jìn)行小波分解的第一級小波系數(shù)中的高頻對角線細(xì)節(jié)分量部分，以它的標(biāo)準(zhǔn)方差的估計值σ代入統(tǒng)一閾值公式計算出軟閾值。本發(fā)明達(dá)到的有益效果：本發(fā)明針對煤礦井下的特殊環(huán)境，采用兩次閾值函數(shù)對礦井圖像進(jìn)行增強處理，在小波分解過程中，采用單、雙閾值函數(shù)進(jìn)行第一次圖像增強，單、雙閾值函數(shù)在一定程度上降低了噪聲，增強了圖像的細(xì)節(jié)信息；在小波重構(gòu)過程中采用軟閾值進(jìn)行第二次圖像增強，進(jìn)一步去除噪聲，提取邊緣圖像，保留圖像的細(xì)節(jié)信息，經(jīng)過兩次增強處理，礦井圖像更加清晰，避免了因為煤礦井下環(huán)境較差導(dǎo)致礦井圖像不清晰的問題。附圖說明圖1是本發(fā)明的基于反對稱雙正交小波礦井圖像增強方法的流程圖；圖2是本發(fā)明的基于反對稱雙正交小波分解部分的示意圖；圖3是本發(fā)明的基于反對稱雙正交小波重構(gòu)部分的示意圖。具體實施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)的說明。本發(fā)明的礦井圖像增強方法，是一種基于反對稱雙正交小波的礦井圖像增強方法，圖像增強的實現(xiàn)分為兩部分：一是分解部分，對礦井圖像進(jìn)行分解，對分解的低頻部分采用單閾值函數(shù)進(jìn)行第一次增強，對分解的高頻部分采用雙閾值函數(shù)進(jìn)行第一次增強；二是重構(gòu)部分，在小波重構(gòu)過程中采用軟閾值函數(shù)進(jìn)行第二次增強。此方法既能夠提取圖像的邊緣細(xì)節(jié)信息，又在一定程度上降低了噪聲。如圖1所示，本發(fā)明方法的具體步驟如下：(1)對礦井原始圖像采用A'trous算法多尺度反對稱雙正交小波分解，得到每一尺度下的一個低頻分量和三個高頻分量；(2)對分解的低頻分量采用單閾值函數(shù)進(jìn)行圖像增強，高頻分量采用雙閾值函數(shù)進(jìn)行圖像增強；(3)對增強后的低頻、高頻分量進(jìn)行反對稱雙正交小波重構(gòu)，并采用軟閾值函數(shù)進(jìn)行圖像增強；(4)進(jìn)行反對稱雙正交小波逆變換，得到增強后的礦井圖像。在小波分析中，Mallat算法是一種重要的小波變換方法，小波變換每增加一個分解尺度，需要進(jìn)行一次下采樣，數(shù)據(jù)減少一半，分解尺度越大，得到的數(shù)據(jù)越稀疏，相應(yīng)的小波變換每重構(gòu)一次，需要進(jìn)行一次上采樣，數(shù)據(jù)增加一倍，因此得到的結(jié)果有一定的失真。相較于Mallat算法，A'trous小波算法的基本思想是把信號分解為不同頻率通道上的近似信號和每一尺度下的細(xì)節(jié)信號。二維情況下，A'trous算法分解公式將圖像進(jìn)行一層分解時，得到一個近似圖像和三個細(xì)節(jié)圖像，這四個子帶圖像與原圖像大小相等。該算法不需要抽取偶數(shù)樣本，所以奇異檢測定位更準(zhǔn)確，相應(yīng)的重構(gòu)不需要插零，而且此算法需要對濾波器進(jìn)行伸縮。因此，A'trous算法適合于反對稱雙正交小波對礦井圖像信號進(jìn)行分解與重構(gòu)，A'trous算法既具有Mallat算法的快速性，又有效保留了數(shù)據(jù)信息，能夠更好的檢測圖像邊緣。礦井圖像的邊緣細(xì)節(jié)信息、噪聲和主體信息在小波域中有不同的分布，利用此特點，在進(jìn)行圖像增強時，結(jié)合小波去噪的方法，分解時對各層分解的小波系數(shù)進(jìn)行單雙閾值處理：低頻部分采用單閾值函數(shù)進(jìn)行圖像增強，高頻部分采用雙閾值函數(shù)進(jìn)行圖像增強，采用此非線性變換函數(shù)對小波系數(shù)進(jìn)行變化，增強了圖像的同時又抑制了噪聲；重構(gòu)時對小波系數(shù)采用軟閾值處理：首先利用礦井圖像的高頻對角線細(xì)節(jié)分量部分的標(biāo)準(zhǔn)方差的估計值計算出軟閾值，代入軟閾值函數(shù)，然后利用軟閾值函數(shù)對小波系數(shù)進(jìn)一步增強，提取邊緣細(xì)節(jié)信息。如圖2所示，基于反對稱雙正交小波分解時增強礦井圖像的具體過程如下：(1)小波的A'trous算法分解在二維圖像分解中，分解過程可以通過兩步完成，即首先將信號的行取定值，每一列看成一維信號進(jìn)行分解，然后將分解后的信號的列取定值，每一行看成一維信號再作一次分解。該算法對原始圖像的近似系數(shù)采用A'trous算法進(jìn)行多尺度反對稱雙正交小波分解，獲得小波分解的一個低頻分量和三個高頻分量Wψ(j，m，n)_LH、Wψ(j，m，n)_HL、Wψ(j，m，n)_HH。其中，h′是分解低通濾波器，g′是分解高通濾波器；是小波的近似系數(shù)，Wψ(j，m，n)_LH是水平細(xì)節(jié)分量，Wψ(j，m，n)_HL是垂直細(xì)節(jié)分量，Wψ(j，m，n)_HH是對角線細(xì)節(jié)分量。該算法不需要抽取偶數(shù)樣本，所以奇異性檢測定位更準(zhǔn)確，且該算法既具有快速性，又保留了數(shù)據(jù)信息。(2)分解時的圖像增強礦井圖像的邊緣細(xì)節(jié)信息和噪聲在小波域中對應(yīng)的為高頻信號，主體信息對應(yīng)的為低頻信號，在進(jìn)行圖像增強時，結(jié)合小波去噪的方法對各層小波系數(shù)進(jìn)行閾值處理：低頻部分采用單閾值增強函數(shù)進(jìn)行增強，高頻部分Wψ(j，m，n)_LH、Wψ(j，m，n)_HL、wψ(j，m，n)_HH采用雙閾值增強函數(shù)進(jìn)行增強。所用的單閾值增強函數(shù)為：雙閾值增強函數(shù)為：其中，G為增強系數(shù)，w為增強前的小波系數(shù)，wo為增強后的小波系數(shù)，Td為單閾值，Ts1，Ts2為雙閾值；Td，Ts1，Ts2，G的值采用人機交互進(jìn)行選擇。采用此非線性變換函數(shù)對小波系數(shù)進(jìn)行變化，既增強圖像的細(xì)節(jié)高頻信息，突顯主體信息，又抑制了噪聲。如圖3所示，基于反對稱雙正交小波重構(gòu)時增強礦井圖像的具體過程如下：(1)重構(gòu)圖像在二維圖像重構(gòu)中，重構(gòu)也是可以通過兩步完成，先對其列重構(gòu)，再對其行重構(gòu)。即將小波系數(shù)的一個低頻分量和三個高頻分量Wψ(j，m，n)_LH、Wψ(j，m，n)_HL、Wψ(j，m，n)_HH經(jīng)過列重構(gòu)，再經(jīng)過行重構(gòu)，獲得圖像近似系數(shù)其中，h是重構(gòu)低通濾波器，g是重構(gòu)高通濾波器。在A'trous算法中重構(gòu)不需要插零，能更好的檢測邊緣圖像。(2)重構(gòu)時的圖像增強對小波各級重構(gòu)時的系數(shù)采用軟閾值處理，去除噪聲。本發(fā)明采用的軟閾值增強函數(shù)為：其中w是增強前的小波系數(shù)，wo是增強后的小波系數(shù)，m，n為調(diào)節(jié)因子，且m，n∈(0，1)，Tr是軟閾值，軟閾值采用估計的方法獲得。上述是Donoho提出的基于小波變換的軟閾值函數(shù)的改進(jìn)函數(shù)。在去噪過程中，軟閾值的選取非常重要，軟閾值既不能太小也不能太大，太小則施加閾值后小波系數(shù)將包含過多的噪聲分量，達(dá)不到去噪的效果；反之，則去除了有用成分，造成失真。所以我們采用下述方法對軟閾值進(jìn)行估計：采用Donoho和Johnstone統(tǒng)一閾值其中，σ為噪聲標(biāo)準(zhǔn)差，N為信號的尺寸或長度。然而，在礦井圖像中，由于環(huán)境的特殊性，信號中的噪聲標(biāo)準(zhǔn)方差是不能預(yù)先知道的。因此在選取閾值時，要用估計的方法來確定噪聲標(biāo)準(zhǔn)方差。本方法采用在圖像進(jìn)行小波分解的第一級的小波系數(shù)中的高頻對角線細(xì)節(jié)分量部分，以它的標(biāo)準(zhǔn)方差的估計值σ代入統(tǒng)一閾值公式計算出軟閾值。