一種高配準率的基于隔行隔列的序貫相似性檢測算法

丁家琳

摘 要：運用信噪比峰值法、全局質量指標計算法、平均結構化相似度指標以及隔行隔列的序貫相似性檢測算法對圖像進行處理，再通過非線性過濾的方法對圖片進行進一步的除雜。通過觀察圖像頻譜中的噪聲分布，根據噪聲點的在頻率域的分布情況，本文選用合適的濾波器來過濾圖像中的噪聲。通過實驗結果對比，基于隔行隔列的序貫相似性檢測算法能夠有效的降低圖像噪聲，同時更好的提高了圖像的準確度和清晰化效果。

關鍵詞：視覺感覺模型;圖片的差異值;圖片的特征值分解;非線性處理;模板匹配

中圖分類號：TP751

文獻標志碼：A

1 圖片的特征值分解法

1.1 圖像的特征值矩陣表示

對于能夠表征一幅圖片的信息參數有很多，如：灰度、對比度、清晰度等;但要想清晰的重建圖片，僅僅依靠這些參量是遠遠不夠的，下面我們將介紹一種圖片特征值分解法，通過分解出的特殊矩陣來表示失真圖片和相關圖片中的主要信息，進而可以計算出兩圖片的差異值。圖片的信息可以用矩陣的形式來表示，每個矩陣A都可以被分解成三個矩陣的乘積。

A=MPN^T，M^TM=E ，N^TN =E （1）

p =diag（rl ，r2 ，r3，……r_n） （2）

其中E為單位矩陣，p為由一組A的特征值構成的對角矩陣，其中M的列向量為A的左特征矢量，N的列向量為A的右特征矢量，這種分解就是A的特征值分解。

1.2 失真圖像與相關圖像的差異值計算

我們先將圖片的亮度信息和色彩信息區分開來，提取出圖片的主要亮度域值P和兩種色度域值M、N，對于這張采集到的256×256K的圖片，我們首先將其劃分成16×16K的像素模塊，通過視覺測量，在失真圖片與相關圖片所劃分出來的模塊上分別取相對應的n個點，每一點處都有一個唯一的特征值P，令聲p_i表示在相關圖片上i點處的特征值，p_i表示在失真圖像上i點處的特征值，通過計算兩變量之間的差異度來將失真圖像逐步向相關圖像逼近.

其中，n為模塊尺寸，k為整個圖片的尺寸，則公式（4）表示整個圖片的視覺測量結果。

2 圖片的非線性處理

2.1 基于人類視覺系統的神經反應的全局灰度值計算

當下已經獲得了每個像素的平均亮度值，那么其局部的對比度值也可以計算出來，基于對數函數的非線性處理過程首先被提出用于模仿人類視覺系統的神經反應，所以為了提高估測模塊像素灰度值的精確性，我們用人類視覺系統的神經反應理論對上述公式進行進一步完善

L*（x，y）[1]表示在全局系統中，基于人類視覺系統的神經反應理論在（x，y）點處得到的真實亮度值。

2.2 基于人類視覺系統的神經反應的局部灰度值計算

往往對于一幅獲取到的圖片是由若干個小模塊組成，在局部測量系統中，基于人類視覺系統的神經反應理論在（x，y）點處，對某一個k×k像素的模塊求真實亮度值的平均值La*（x，y）。

La*（x，y）=ln（1+La（x，y）/Lh）（6）

其中，Lh為0.4cd每平方米。

通過將全局測量法得到的L*（x，y）同局部測量法得到的La*（x，y）與收集到的相關圖片材料進行比對，則可以得到在圖像處理過程中采用局部測量法要優越于全局測量法。

3 圖片的噪聲處理法（二維傅里葉變換）

從外界獲取到的圖片清晰度很低的主要原因還有噪聲的引入，大氣中的湍流現象，空氣中的灰塵、煙霧等都是致使圖片模糊的嚴重影響因素。噪聲類型和分布的不同會導致不同的除噪方法，往往外界因素中的噪聲因素包含椒鹽噪聲、高斯噪聲、指數噪聲等等。下面將對普遍存在于圖片中的椒鹽噪聲和高斯噪聲的處理進行討論。

3.2 圖像的頻域譜噪聲分布情況分析

將獲取到的圖片轉化到頻率域之后，通過對頻率域圖像中的噪聲點的分布情況進行分析：

口表示JPEG，△表示JPEG2000，O表示高斯模糊，◇表示高斯噪聲，×表示銳化，+表示余弦轉換

結果表明：有M-SVD的方法對圖像進行信息提取和清晰化處理的效果要遠遠優于MSSIM[2]，UQI[3]以及PSNR[4]技術。

3.3 使用濾波器除噪聲

通過圖像的噪聲污染情況，如高斯噪聲、椒鹽噪聲等，我們可以應用中值濾波器，最大值濾波器等來進行噪聲處理

對于高斯噪聲，為了提高圖片的清晰度，我們可以使用中點濾波器，中點濾波器能夠簡單地計算濾波器包圍區域中最大值和最小值之間的中點。其具體的處理方法即中點濾波器的濾波：

有利于過濾掉圖像中的較暗點，若運用最小值濾波器，則要求圖像的鹽粒噪聲含量很低，若胡椒噪聲和鹽粒噪聲含量相當時，最大值濾波器與最小值濾波器可以配合使用以使得圖像中的噪聲降至最低。

同樣，根據噪聲點在圖像頻譜中的高低頻域段的分布情況也可選擇性的采用高低通濾波器或帶通濾波器對噪聲進行過濾。

4 模板匹配法——隔行隔列的序貫相似性檢測的算法

4.1 隔行隔列的閾值自適應序貫相似性檢測算法

在傳統的序貫相似性檢測算法的基礎上，在這里我們提出一種閾值自適應算法。首先，設置初始閾值和初始配準點。可將點（O，O）設置配準的，同時可以設置一個較大的數值作為閾值f（n）。然后，進行使色標模板圖與待配準原圖之間相似測度的相關運算在待配準原圖的每個像素點上。根據色標模板圖T和搜索子圖S的相似測度，有如下公式：

D（i，j）表示被測子圖與模板的不匹配程度，D（i，j）越小，則被測子圖與模板的信息內容越相近。

4.2 實驗驗證

采用傳統的模板配準算法、固定閾值的序貫相似性檢測算法、自適應閾值的序貫相似性檢測算法、以及隔行隔列的閾值自適應序貫相似性檢測算法分別進行配準雖均能成功配準，但耗時不等。由此我們可以看出：基于隔行隔列的序貫相似性檢測算法，即能夠通過有限次的模板匹配完成對失真圖像的復原和重建，又不會在匹配過程中引入諸如噪聲等影響圖片質量的因素，因此在這片論文中，我們更提倡大家使用隔行隔列的序貫相似性檢測算法來完成圖像的處理，重建工作。

5 結 語

論本文提出一種配準效率很高的基于隔行隔列的序貫相似性檢測算法，這種算法即能夠達到搜索子圖和色標模板成功匹配的要求，又不會在圖像匹配過程中引入其他噪聲，準確度和圖像的清晰化效果都有很大程度上的提高。

參考文獻

[1]孫圣和，陸哲明，牛勇牧，數字水印技術及應用[M].北京：科學出版社，2004.

[2]龔巖.圖像數字水印技術研究與實現[D].西安：西安電子科技大學，2007.

[3]JAFARI R，ZIOU D，RASHIDI M M Increasing image Com-pression rate using steganography[J]. Expert System withApplicafions，2013：6918-6927.

[4]胡裕峰，朱善安，基于雙混沌置亂和擴頻調制的彩色圖像盲水印算法[J].光學學報，2008，28（9）：1691-1696.

[5]牛夏牧，陸哲，孫圣和，彩色圖像水印竅入技術[J].電子學報，2000：28（9），10 -12.