一种高配准率的基于隔行隔列的序贯相似性检测算法

丁家琳

摘 要：运用信噪比峰值法、全局质量指标计算法、平均结构化相似度指标以及隔行隔列的序贯相似性检测算法对图像进行处理，再通过非线性过滤的方法对图片进行进一步的除杂。通过观察图像频谱中的噪声分布，根据噪声点的在频率域的分布情况，本文选用合适的滤波器来过滤图像中的噪声。通过实验结果对比，基于隔行隔列的序贯相似性检测算法能够有效的降低图像噪声，同时更好的提高了图像的准确度和清晰化效果。

关键词：视觉感觉模型;图片的差异值;图片的特征值分解;非线性处理;模板匹配

中图分类号：TP751

文献标志码：A

1 图片的特征值分解法

1.1 图像的特征值矩阵表示

对于能够表征一幅图片的信息参数有很多，如：灰度、对比度、清晰度等;但要想清晰的重建图片，仅仅依靠这些参量是远远不够的，下面我们将介绍一种图片特征值分解法，通过分解出的特殊矩阵来表示失真图片和相关图片中的主要信息，进而可以计算出两图片的差异值。图片的信息可以用矩阵的形式来表示，每个矩阵A都可以被分解成三个矩阵的乘积。

A=MPN^T，M^TM=E ，N^TN =E （1）

p =diag（rl ，r2 ，r3，……r_n） （2）

其中E为单位矩阵，p为由一组A的特征值构成的对角矩阵，其中M的列向量为A的左特征矢量，N的列向量为A的右特征矢量，这种分解就是A的特征值分解。

1.2 失真图像与相关图像的差异值计算

我们先将图片的亮度信息和色彩信息区分开来，提取出图片的主要亮度域值P和两种色度域值M、N，对于这张采集到的256×256K的图片，我们首先将其划分成16×16K的像素模块，通过视觉测量，在失真图片与相关图片所划分出来的模块上分别取相对应的n个点，每一点处都有一个唯一的特征值P，令声p_i表示在相关图片上i点处的特征值，p_i表示在失真图像上i点处的特征值，通过计算两变量之间的差异度来将失真图像逐步向相关图像逼近.

其中，n为模块尺寸，k为整个图片的尺寸，则公式（4）表示整个图片的视觉测量结果。

2 图片的非线性处理

2.1 基于人类视觉系统的神经反应的全局灰度值计算

当下已经获得了每个像素的平均亮度值，那么其局部的对比度值也可以计算出来，基于对数函数的非线性处理过程首先被提出用于模仿人类视觉系统的神经反应，所以为了提高估测模块像素灰度值的精确性，我们用人类视觉系统的神经反应理论对上述公式进行进一步完善

L*（x，y）[1]表示在全局系统中，基于人类视觉系统的神经反应理论在（x，y）点处得到的真实亮度值。

2.2 基于人类视觉系统的神经反应的局部灰度值计算

往往对于一幅获取到的图片是由若干个小模块组成，在局部测量系统中，基于人类视觉系统的神经反应理论在（x，y）点处，对某一个k×k像素的模块求真实亮度值的平均值La*（x，y）。

La*（x，y）=ln（1+La（x，y）/Lh）（6）

其中，Lh为0.4cd每平方米。

通过将全局测量法得到的L*（x，y）同局部测量法得到的La*（x，y）与收集到的相关图片材料进行比对，则可以得到在图像处理过程中采用局部测量法要优越于全局测量法。

3 图片的噪声处理法（二维傅里叶变换）

从外界获取到的图片清晰度很低的主要原因还有噪声的引入，大气中的湍流现象，空气中的灰尘、烟雾等都是致使图片模糊的严重影响因素。噪声类型和分布的不同会导致不同的除噪方法，往往外界因素中的噪声因素包含椒盐噪声、高斯噪声、指数噪声等等。下面将对普遍存在于图片中的椒盐噪声和高斯噪声的处理进行讨论。

3.2 图像的频域谱噪声分布情况分析

将获取到的图片转化到频率域之后，通过对频率域图像中的噪声点的分布情况进行分析：

口表示JPEG，△表示JPEG2000，O表示高斯模糊，◇表示高斯噪声，×表示锐化，+表示余弦转换

结果表明：有M-SVD的方法对图像进行信息提取和清晰化处理的效果要远远优于MSSIM[2]，UQI[3]以及PSNR[4]技术。

3.3 使用滤波器除噪声

通過图像的噪声污染情况，如高斯噪声、椒盐噪声等，我们可以应用中值滤波器，最大值滤波器等来进行噪声处理

对于高斯噪声，为了提高图片的清晰度，我们可以使用中点滤波器，中点滤波器能够简单地计算滤波器包围区域中最大值和最小值之间的中点。其具体的处理方法即中点滤波器的滤波：

有利于过滤掉图像中的较暗点，若运用最小值滤波器，则要求图像的盐粒噪声含量很低，若胡椒噪声和盐粒噪声含量相当时，最大值滤波器与最小值滤波器可以配合使用以使得图像中的噪声降至最低。

同样，根据噪声点在图像频谱中的高低频域段的分布情况也可选择性的采用高低通滤波器或带通滤波器对噪声进行过滤。

4 模板匹配法——隔行隔列的序贯相似性检测的算法

4.1 隔行隔列的阈值自适应序贯相似性检测算法

在传统的序贯相似性检测算法的基础上，在这里我们提出一种阈值自适应算法。首先，设置初始阈值和初始配准点。可将点（O，O）设置配准的，同时可以设置一个较大的数值作为阈值f（n）。然后，进行使色标模板图与待配准原图之间相似测度的相关运算在待配准原图的每个像素点上。根据色标模板图T和搜索子图S的相似测度，有如下公式：

D（i，j）表示被测子图与模板的不匹配程度，D（i，j）越小，则被测子图与模板的信息内容越相近。

4.2 实验验证

采用传统的模板配准算法、固定阈值的序贯相似性检测算法、自适应阈值的序贯相似性检测算法、以及隔行隔列的阈值自适应序贯相似性检测算法分别进行配准虽均能成功配准，但耗时不等。由此我们可以看出：基于隔行隔列的序贯相似性检测算法，即能够通过有限次的模板匹配完成对失真图像的复原和重建，又不会在匹配过程中引入诸如噪声等影响图片质量的因素，因此在这片论文中，我们更提倡大家使用隔行隔列的序贯相似性检测算法来完成图像的处理，重建工作。

5 结 语

论本文提出一种配准效率很高的基于隔行隔列的序贯相似性检测算法，这种算法即能够达到搜索子图和色标模板成功匹配的要求，又不会在图像匹配过程中引入其他噪声，准确度和图像的清晰化效果都有很大程度上的提高。

参考文献

[1]孙圣和，陆哲明，牛勇牧，数字水印技术及应用[M].北京：科学出版社，2004.

[2]龚岩.图像数字水印技术研究与实现[D].西安：西安电子科技大学，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，基于双混沌置乱和扩频调制的彩色图像盲水印算法[J].光学学报，2008，28（9）：1691-1696.

[5]牛夏牧，陆哲，孙圣和，彩色图像水印窍入技术[J].电子学报，2000：28（9），10 -12.