Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
УДК 004.932
Беззубик В.В., Белашенков Н.Р., Вдовин Г.В., Кармановский Н.С., Соловьев О.А.
Читать статью полностью
МЕТОД ПОВЫШЕНИЯ РЕЗКОСТИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
Читать статью полностью
Язык статьи - русский
Аннотация
Аннотация
Предложен и апробирован метод улучшения резкости цифровых изображений, основанный на выполнении многомасштабного анализа изображения, вычислении значений дифференциальных откликов его яркости по различным пространственным масштабам и последующем синтезе восстанавливающей функции, с помощью которой повышение резкости изображения производится путем простого поэлементного вычитания значений этой функции из массива значений яркости искаженного изображения. Особенностью метода является использование принципа транспозиции элементов восстанавливающей функции, ее нормировка и учет знака градиента дифференциального отклика яркости изображения в областях вблизи границ объектов. Алгоритм, реализующий предложенный метод, допускает применение целочисленной арифметики, что значительно сокращает время вычислений. В работе показано, что для изображений с небольшой величиной размытия границ, соответствующих неустранимым аберрациям изображающих систем, при синтезе восстанавливающей функции резкости достаточно ограничить рассмотрение двумя первыми масштабами. Предлагаемый метод не требует априорной информации о характере и величине ядра размытия, что соответствует представлениям о «слепой» деконволюции изображений, но практическая реализация данного метода существенно проще и не требует значительных вычислительных ресурсов. Наиболее перспективной областью применения метода являются цифровые системы машинного зрения и интеллектуальные системы наблюдения, предназначенные для работы в составе информационных комплексов, непосредственно связанных с распознаванием образов и выработкой решений на их основе в режиме реального времени.
Ключевые слова: цифровое изображение, контраст, резкость, ядро размытия, деконволюция
Благодарности. Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации.
Список литературы
Благодарности. Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации.
Список литературы
1. Беззубик В.В., Белашенков Н.Р., Никифоров В.О. Метод количественной оценки контраста цифрового изображения // Научно-технический вестник СПбГУ ИТМО. 2010. № 6 (70). С. 86–88.
2. Polesel A., Ramponi G., Mathews V.J. Image enhancement via adaptive unsharp masking // IEEE Transactions on Image Processing. 2000. V. 9. N 3. P. 505–510.
3. Cao G., Zhao Y., Ni R., Kot A.C. Unsharp masking sharpening detection via overshoot artifacts analysis // IEEE Signal Processing Letters. 2011. V. 18. N 10. P. 603–606.
4. Kim S.H., Allebach J.P. Optimal unsharp mask for image sharpening and noise removal // Journal of Electronic Imaging. 2005. V. 14. N 2. Art. 023005. P. 1–13.
5. Kotera H., Wang H. Multiscale image sharpening adaptive to edge profile // Journal of Electronic Imaging. 2005. V. 14. N 1. Art. 013002. P. 1–17.
6. Kwok N.M., Shi H.Y., Fang G., Ha Q.P. Intensity-based gain adaptive unsharp masking for image contrast enhancement // Proc. 5th Int. Congress on Image and Signal Processing (CISP 2012). Chongqing, China,
2012. P. 529–533.
7. Hong H., Li L., Park I.K., Zhang T. Universal deblurring method for real images using transition region // Optical Engineering. 2012. V. 51. N 4. Art. 047006.
8. Loza A., Bull D.R., Hill P.R., Achim A.M. Automatic contrast enhancement of low-light images based on local statistics of wavelet coefficients // Digital Signal Processing. 2013. V. 23. N 6. P. 1856–1866.
9. Morigi S., Reichel L., Sgallari F., Shyshkov A. Cascadic multiresolution methods for image deblurring // SIAM Journal on Imaging Sciences. 2008. V. 1. N 1. P. 51–74.
10. Levin A., Weiss Y., Durand F., Freeman W.T. Understanding and evaluating blind deconvolution algorithms // Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops. Miami, US, 2009. P. 1964–1971.
11. Barone F., Rossi C. Deconvolution with partially known kernel of nonnegative signals // Machine Vision and Applications. 1990. V. 3. N 2. P. 107–115.
12. Markham J., Conchello J.-A. Parametric blind deconvolution: a robust method for the simultaneous estimation of image and blur // Journal of Optical Society of America A: Optics and Image Science, and Vision.
1999. V. 16. N 10. P. 2377–2391.
13. Kundur D., Hatzinakos D. Blind image deconvolution // IEEE Signal Processing Magazine. 1996. V. 13. N 3. P. 43–64.
14. Mo X., Jiao J., Shen C. PSF-constraints based iterative blind deconvolution method for image deblurring // Lecture Notes in Computer Science. 2010. V. 5916 LNCS. P. 141–151.
15. Laligant O., Truchetet F., Dupasquier A. Edge enhancement by local deconvolution // Pattern Recognition. 2005. V. 38. N 5. P. 661–672.
16. The Oxford Dictionary of Statistical Terms. 6th ed. Ed. Y. Dodge. Oxford: Oxford University Press, 2003. 498 p.
17. Вудс Р., Гонсалес Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.