基于Laplacian算子的图像增强摘要：使用Laplacian算子检测图像的边缘纹理等细节信息，然后以适当比例线性叠加原始图像和细节信息，从而完成图像增强。不同增强方法的比较试验表明，基于Laplacian算子的图像增强方法既能增强图像的高频分量，又能保持图像的低频分量，是图像增强的有效方法。关键词：Laplacian算子；图像增强；噪声抑制；细节保持中图法分类号：TP391文献标识码：A：1001－3695(2007)01－0222－02一幅图像在成像和传输过程中，由于各种因素的影响，往往会损失一些图像细节，使视觉效果降低，或使机器的自动识别发生错误，所以需要突出图像中的细节部分，使人和机器易于理解，这就是图像增强。简而言之，图像增强一要增强高频部分，二要保持低频部分。常用的图像增强方法很多，如灰度级变换和直方图的均衡化等。灰度级变换包括线性变换、对数变换和幂次变换，它对图像各部分进行相同的灰度拉伸或收缩，使灰度分布符合人的视觉习惯；直方图均衡化通过灰度级变换，使图像像素占有全部可能的灰度级并且分布均匀，从而使图像具有较高的对比度和多变的灰度色调。本文使用Laplacian算子检测图像的高频分量，然后把高频分量和图像背景相叠加，从而获得图像的增强效果。通过与对数变换以及直方图均衡化等增强方法的比较，本文提出的基于Laplacian算子的增强方法有较好的增强效果，特别是对于背景和目标的灰度级相差较大时，本文方法明显优于前两种方法。??1基于差分算子的高频分量检测??图像的高频分量对应于边缘纹理等细节信息，图像的低频分量对应于背景，图像的信息量主要体现在边缘纹理中。图像增强的关键是图像细节的增强，而要实现边缘细节的增强，首先就要实现边缘细节与背景的分离。各类高通滤波器可以实现这一目标，但它们的设计较为复杂，如果参数选择不当，就会造成高频分量与低频分量的分离不当。因此，基于频率域的边缘纹理信息提取方法不适合图像的在线处理。边缘纹理是图像像素灰度不连续的体现，而灰度的间断性可以用其微分来表示。边缘灰度变化越剧烈，其微分值就越大；边缘灰度变化越平缓，其微分值就越小；当灰度均匀(不发生变化)时，其微分为零。因此，微分可作为边缘纹理信息的表征，对于数字图像，微分可用不同的差分模板来实现。??差分模板或者直接计算相邻像素的灰度差值，如Roberts交叉算子；或者计算不同像素邻域之间的差分，如Prewitt算子、Sobel算子、罗盘算子和Krisch算子；或者先用低通滤波器平滑图像，然后再用上述差分算子提取边缘，如Canny算子。这些算子均属于一阶差分模板，它们一般对阶跃状边缘有较强的响应，但同时会产生较粗的边缘，影响边缘细节的定位精度。与一阶差分模板相比，二阶差分模板对细线和孤立点等细节信息有更强的响应，它对阶跃状边缘产生双响应，并且利用零交叉点来定位边缘，因而定位精度较高。常用的二阶差分模板是Laplacian模板，它有两种形式。图1(a)为模板满足90°旋转的各向同性，图1(b)为模板满足45°旋转的各向同性；图2给出了它们的频谱。可见Laplacian算子等效于高通滤波器，因此可以有效地提取图像的边缘纹理等高频分量。图1(a)模板对高频分量的响应强于图1(b)模板，这意味着图1(a)模板对噪声过于敏感，因此本文选用图1(b)模板来实现边缘纹理与背景的分离，同时获得一定的噪声抑制能力。??图3给出了利用Laplacian模板进行边缘提取的试验。可见Laplacian算子可以有效地分离出边缘纹理等细节信息，如月球上的环状坑等，同时滤除了灰度缓慢变化的背景信息。??2基于Laplacian算子的图像增强??利用Laplacian模板可以有效提取图像的边缘纹理等细节信息，实现图像高频分量与低频分量的分离。图像增强不但要求保留并增强高频分量，还要求保留低频分量，即图像的背景。因此，叠加Laplacian模板检测出的边缘信息和原始图像，就可以达到图像增强的目的。图1(b)的Laplacian模板可写为由式(2)可以看出，如果对原始图像和边缘细节信息按一定比例进行线性叠加，就有可能获得更好的图像增强效果。此时，基于Laplacian算子的增强图像可写为??为了证明基于Laplacian算子的增强方法的实用性，图9给出了不同增强方法的比较。对于...