一種基于視覺仿生的遙感影像增強方法

穆春迪， 李武岐， 柯洪偉

1.中國天繪衛星中心, 北京, 102102；2.第三測繪導航基地, 新疆 烏魯木齊, 830006

?

一種基于視覺仿生的遙感影像增強方法

穆春迪1,2， 李武岐2， 柯洪偉2

1.中國天繪衛星中心, 北京, 102102；2.第三測繪導航基地, 新疆 烏魯木齊, 830006

遙感影像是地理空間情報的重要來源，對其進行有效分析有助于獲取影像中的有價值信息。針對遙感影像由于受采集硬件限制和成像條件影響而存在整體亮度低、圖像邊緣模糊和噪聲較多等缺點，本文提出一種基于視覺仿生的遙感影像增強方法。為了驗證算法的有效性，采用無參考圖像質量評價方法對實驗結果進行定量分析，采用邊緣比對方法對實驗結果進行定性分析。實驗表明，在同等條件下，該算法處理過的遙感影像質量優于同等計算復雜度的其它算法，更便于準確判讀。

遙感影像；地理空間情報；視覺仿生；圖像增強；圖像質量評定

1　引　言

美國國家地理空間情報局(National Geospatial Intelligence Agency, NGA)于2004年首次提出地理空間情報(Geospatial Intelligence，GEOINT)概念，其定義為：對圖像和地理空間信息的開發與利用，包括描述、評估和視覺描繪地球上的自然要素和與地理相關的活動[1]。

地理空間情報由影像、影像情報和地理空間信息組成。對遙感影像的有效分析是獲取準確影像情報和地理空間信息的前提條件，但因受限于硬件水平、光照條件和場景動態范圍等因素，獲取的遙感影像大多存在亮度偏低、對比度不強和噪聲較大等問題，不利于圖像的準確判讀。因此，圖像增強算法便被提出。

圖像質量增強算法根據所處空間的不同，可以分為基于圖像空間的空域算法、基于圖像變化的頻域方法、基于空域和頻域融合的增強算法[2-4]。空域增強算法通常包括灰度變換[5]、直方圖均衡[6,7]、噪聲清除[8]和模糊邏輯等增強算法[9]。常用的頻率增強算法有Retinex算法、小波變換以及在此基礎上發展的Curvelet和Contourlet變換[10～12]。

以上傳統的圖像增強算法存在計算量大、通用性不強等缺點。隨著國內外專家學者對各種生物成像機制研究的深入，視覺仿生已經成為計算機視覺的研究重點[13]，基于視覺仿生的遙感影像增強算法成為可能。針對現階段直接獲取遙感影像存在不易直接判讀、人工調節對比度耗時大等問題，本文提出了一種基于側抑制原理的遙感影像增強技術。

2　側抑制理論

Hartline等研究人員在對鱟視覺進行電生理實驗時發現并證實了側抑制現象的存在[14]。鱟復眼簡化模型如圖1所示，對其進行光照測試并通過微電極記錄單根神經纖維脈沖，統計實驗數據發現，當光照鱟用一個小眼B而引起興奮時，再用光照射臨近的小眼A(C)，小眼B的脈沖發放頻率下降，且小眼A(C)的脈沖發放頻率較單獨照射時低，即小眼之間產生相互抑制作用。

圖1　鱟復眼簡化模型

鱟眼側抑制作用的大小與兩小眼之間的空間距離相關，一般情況下，距離越遠，抑制作用越弱。同時，對于小眼A，只有當臨近小眼B的興奮水平達到一定值時，才可能對其產生側抑制作用，而且這種作用會隨著小眼B受到刺激的強度增大而加強。此外，受照的鄰近小眼數越多，它們所產生的抑制作用則越強。因為在動物神經系統中，受照的鄰近小眼距中心感受器越遠，對其抑制作用越小，因此在實際應用中，常規定一個抑制范圍，稱之為抑制野。

研究實驗表明，側抑制網絡具有突出邊緣、增強反差的作用，它可以強調和突出視覺景象中的重要特征，以此達到增強空間分辨率的目的。如圖2(a)馬赫帶效應所示，當圖像中亮度發生躍變時，視覺上則感覺亮側更亮，暗側更暗，亮暗交界處有明顯的分割線。另外，側抑制網絡可以對圖像細微間斷進行擬合，實現聚類效果。如圖2(b)Hermann網格所示，在四個相鄰黑色區域的交界處，人眼會感覺有一黑點將這四個區域連接起來，當視線轉移至其它處，黑點消失，因此產生“閃爍”。

(a)　馬赫帶效應

(b)　Hermann網格圖2　側抑制現象示意圖

側抑制原理有利于視覺從背景中分出感興趣的對象。在色覺方面，不同光譜感受性的神經元之間具有相互抑制作用，會形成顏色的拮抗效應，即不同顏色之間相互制約和轄制，比如黃和藍、紅和綠等。在其它感覺系統中，側抑制也發生作用，例如，在聽覺系統中，耳蝸神經纖維的側抑制可以加強對高音的辨認；在皮膚上，側抑制有助于觸點的定位等。

3　側抑制模型

3.1時域模型

側抑制時域簡化模型如圖3所示。假設輸入灰度y1,y2之間存在如下關系，其中0<ρ<1，則可得：

y2=ρy1

(1)

圖3　側抑制模型

由圖3中的參數關系可知輸出灰度為z1,z2滿足：

(2)

一般情況下反饋系數β滿足0<β<ρ<1。

輸入反差可以用兩個單元的輸入灰度值之比y1/y2度量。輸出反差相應地用兩個單元的輸出灰度值之比z1/z2度量。由式(2)得：

(3)

由式(1)、式(2)和式(3)可得：

(4)

即輸出反差大于輸入反差，說明側抑制網絡的確提高了圖像的反差。

3.2頻域模型

假設當前感受器的抑制野內共包含n個復眼，則根據公式(2)可得其輸出灰度為：

(5)

其中，zk為抑制野內第k個復眼輸出灰度，βk為第k個復眼對當前復眼的反饋系數，0<βk<1。

為了便于分析，對式(5)做如下修正：

(6)

其中，z(x)是空間位置x處的響應，y(x)是對位置x的刺激，K(x-x′)是位于x′的單元(或感受器)對x單元所施加的抑制力量。對式(6)兩邊取傅里葉變換，可得網絡的傳遞函數：

(7)

圖3　頻率特性曲線

觀察圖3可以看出，在頻域范圍內，低頻信號總是被抑制，而高頻信號不受影響。因此，側抑制網絡等價于一種衰減低頻響應的高通濾波器。側抑制網絡的空間高頻響應增強了局部區域之間的細節，就整體而言，空間低頻響應使其輸出趨向衰減和壓縮，因此達到“突出邊框”和“加強反差”的目的。

4　基于側抑制的遙感影像增強

式(5)給出側抑制的一維線性模型，考慮側抑制網絡在遙感圖像中的二維應用，假設遙感影像大小為M×N，抑制野大小為受試像素點的l范圍鄰域，則可將式(5)作如下擴展：

(8)

(9)

其中，(i,j)表示橫縱坐標，G0表示原始像素灰度，Gy為預處理后的像素灰度，Gr為經過側抑制處理后的像素灰度，θ為可能性度量因子，TH為閾值，km1m2為側抑制系數，δ為調整系數。

考慮遙感影像噪聲較多，基于側抑制的圖像增強算法不僅會增強圖像邊緣對比度，相應的噪聲點也將被突出，會對影像的有效判讀產生阻礙，因此，引入可能性度量因子θ對側抑制處理前的圖像進行預處理。

假設當前受試點為邊緣點，根據邊緣的連續性特點可知，其鄰域范圍內必存在灰度相近的像素點；若當前受試點為噪聲點，則其具有明顯的獨立性。度量因子鄰域圖如圖4所示。

圖4　度量因子鄰域圖

觀察圖4可知，對于大小為3×3模板，共有四對子鄰域。假設第i個子鄰域內像素灰度值分別為Gi1、Gi2和Gi3，則當前子鄰域的可能性度量因子θi為：

(10)

(11)

可能性度量因子θ為：

θ=max{θi}i=1,2,3,4

(12)

若當前受試點為噪聲點，則其各子鄰域的度量因子θi較小，所得可能性度量因子θ也較小，根據公式(8)可知，當前點輸出灰度值為鄰域平均灰度；若當前點為邊緣點，則可能性度量因子θ趨近1，當前點灰度值不變。

研究者Hartline指出，與某一感受器略有一點距離的感受器相較于與其最接近的感受器對它的抑制作用要強。因此，本文采取高斯分布作為側抑制系數分布函數。

(13)

其中σ、β、μ、π分別取1、1、2和3.14。

5　影像質量評價

現階段遙感影像質量的評價常通過人工完成，評價質量和速度受人為因素影響較為嚴重，不同人對相同圖像的評價結果可能存在較大差異，因此，為了克服此影響，諸多客觀圖像質量評價算法被提出。根據是否存在參考圖像，圖像質量評價算法可以分為全參考評價方法(Full-reference， FR)、半參考圖像質量評價方法(Reduced-reference, RR)和無參考圖像質量評價方法(No-reference, NR)。

遙感影像增強算法主要考慮增強后圖像可視度，本文選取三個無參考圖像質量評價參數評價增強后的遙感影像質量。其中，假設圖像I大小為M×N，在i,j處的像素值為G(i,j)。

5.1平均灰度

遙感影像過亮或者過暗都不適于人工判讀，因此，圖像亮度是評價遙感影像質量的重要指標。圖像亮度可以用平均灰度表示，其公式為：

(14)

陳志岡等人提出，對于256色階的圖像，其平均灰度越接近128越好[15]。

5.2平均梯度

平均梯度可以反映圖像中微小的細節反差與紋理的變化特征[16]。平均梯度越大，表示圖像紋理和細節信息越明顯，清晰度越高。其計算公式如下：

(15)

ΔGx=G(i+1,j)-G(i,j)

(16)

ΔGy=G(i,j+1)-G(i,j)

(17)

5.3信息熵

信息熵值表示圖像灰度級的復雜程度。熵值越大，圖像信息越豐富，圖像質量越好。

(18)

6　實驗及分析

為了驗證本算法的有效性，本文從定量和定性兩方面來評析圖像增強算法的有效性。在處理器為Intel(R) Xeon(R) CPU E5-1620、 內存為

4.00 GB的PC機上進行實驗，實驗平臺為matlab(2011b)，實驗數據為天繪影像。

根據上文所示原理和方法，首先計算當前選定處理域內側抑制系數km1m2，然后計算各像素的可能性度量因子。當度量因子較大或適中時，判斷前點為邊緣點和其它有效像素點，像素值不變；當度量因子較小時，判斷當前點為噪聲點，將其灰度修正為當前鄰域內平均灰度。對于獲得的預處理圖像，對其進行側抑制增強。將增強后的影像與利用直方圖均衡、中值濾波、均值濾波和頻域濾波處理后的影像進行比較，如圖5所示。

(a)原圖像 (b)直方圖均衡 (c)中值濾波 (d)均值濾波 (e)頻率濾波 (f)側抑制圖5　實驗處理結果

為了更直觀表示各圖像增強算法的增強效果，分別統計圖5中6幅圖像的平均灰度、平均梯度和信息熵三個參數。實驗結果如表1所示。

通過分析表1數據可知，經過能量均衡后的側抑制影像和直方圖均衡算法處理后的影像均有較為理想的平均灰度值(接近128)，即此兩種算法處理后的圖像亮度較為適中。側抑制算法和直方圖均衡算法處理后的影像具有較大的平均梯度，即各像素與鄰近像素之間的差異較原始影像大，邊緣特性增強，而且由于本文算法對圖像噪聲進行了抑制，相較于直方圖均衡更易提取邊緣信息。側抑制算法增強后的圖像相較于其它算法具有更大的信息熵，即圖像細節信息更為豐富，更利于作業人員進行影像判讀和計算機進行目標自動提取。

表1圖像質量評價參數

處理方法原圖像直方圖均衡[6]中值濾波[2]均值濾波[3]頻域濾波[10]側抑制平均灰度125.6245127.5291125.3766125.4587125.6230127.4211平均梯度3.12337.98163.20582.81341.89244.5557信息熵6.82585.91236.83046.81276.74997.1412

為了進一步比較各算法增強算法效果，從定性角度對本文算法優勢進行說明，采用canny算子提取影像中有價值區域邊緣，提取結果如圖6所示。

觀察圖6結果可知，基于側抑制原理的遙感影像增強算法融合了頻域濾波低噪聲和直方圖均衡邊緣信息豐富的優點，相較于其它比對算法，增強后的圖像邊緣更為完整，信息更為準確，即實用性更強。

(a)原圖像 (b)直方圖均衡 (c)中值濾波 (d)均值濾波 (e)頻率濾波 (f)側抑制圖6　邊緣提取結果

7　結　論

針對遙感影像整體亮度低、圖像邊緣模糊和噪聲較多等不利于地理空間情報獲取的諸多缺點，本文根據生物仿生原理，提出了一種基于神經元網絡側抑制原理的遙感影像增強算法。實驗結果表明，本文算法增強后的影像較傳統算法處理結果在平均灰度、平均梯度和信息熵三個定量評價指標，以及canny邊緣檢測結果這一定性評價指標方面均具有優勢，本文方法影像增強效果更好，更便于內外業判讀。為擴展本文算法的實用性，進一步改善圖像增強效果、提高計算速度是后續研究的兩個主要方向。

[1] U.S. Government. Geospatial-intelligence Capstone Concept [R]. General Books LLC,2011. [2] K. Narasimhan, C. R. Sudarshan, R. Nagarajan. A Comparison of Contrast Enhancement Techniques in Poor Illuminated Gray Level and Color Images [J]. International Journal of Computer Applications, 2011, 25(2):17-25.[3] A. Tarik, D. Salih, A. Yucel. A histogram Modification Framework and Its Application for Image Contrast Enhancement [J]. IEEE Transactions on Image Processing, 2009,18(9):1921-1935.

[4] Q. Wang, R. K. Ward. Fast Image/Video Contrast Enhancement Based on Weighted Thresholded Histogram Equalization [J]. IEEE Transactions on Consumer Electronics, 2007,53(2):757-764.

[5] 饒云波. 夜間視頻增強的關鍵技術研究[D]. 成都:電子科技大學,2012.

[6] Z. -Y. Chen, B. R Abidi, D.L Page, et al. Gray-level Grouping (GLG): An Automatic Method for Optimized Image Contrast Enhancement - Part I: the Basic Method [J]. IEEE Transactions on Image Processing, 2006,15(8):2290-2302.

[7] T. Gabriel, F. T. Daniel, P. Stephen. Histogram Specification: Fast and Flexible Method to Process Digital Images [J]. IEEE Transactions on Instrumentation and Measurement, 2011,60(5):1565-1578.

[8] Y. M. Li, Y. B. Rao, L. T. Chen, et al. Color Image Enhancement Using Tone Mapping [J]. Journal of Digital Content Technology and Its Applications, 2012,6(22):631-639.[9] J. Duan, M. Bressan, C. Dance, et al. Tone-mapping High Dynamic Range Images by Novel Histogram Adjustment [J]. Pattern Recognition, 2010,43(5):1847-1862.[10] P. Ganzalop, M. Jesus. Wavelet-based Image Fusion Tutorial [J]. Pattern Recognition, 2004,8(37):1855-1872.

[11] S. Li, B. Yang. Multifocus Image Fusion by Combining Curvelet and Wavelet Transform [J]. Pattern Recognition Letters, 2008(29):295-301.

[12] A. Borsdorf, R. Raupach, T. Flohr, et al. Wavelet Based Noise Reduction in CT-images Using Correlation Analysis [J]. IEEE Transactions on Medical Imaging, 2008, 27(12):1685-1703.

[13] 謝劍斌. 視覺仿生學原理與應用[M]. 北京: 科學出版社,2014.

[14] 杜紅偉.生物側抑制機制及應用研究 [D]. 南京: 南京航空航天大學,2008.[15] 陳志岡, 尹福昌. 基于Contourlet變換的遙感圖像增強算法 [J]. 光學精密工程, 2008,16(10):2030-2037.[16] 任風華. 邊緣檢測和小波變換在多聚焦圖像中的應用 [J]. 信息技術,2013 (2):24-27.

A Remote Sensing Image Enhancement Method Based on Bionic Vision

Mu Chundi1,2, Li Wuqi2, Ke Hongwei2

1. Tianhui Satellite Center of China, Beijing 102102, China 2. The Third Surveying, Mapping & Navigation Base, Urumchi 830006, China

Remote sensing image is an important source of geospatial intelligence and effective analysis of these images will provide valuable information. Due to the hardware limitation and imaging conditions, there are some shortcomings of the remote sensing images, such as poor brightness, edge blurring, much noise etc. Therefore, a remote sensing image enhancement method based on bionic vision is proposed. To verify the validity of the algorithm, the no-reference quality assessment and edge comparing methods are used respectively to make quantitative and qualitative analysis of the experiment results. The result shows that under the same conditions, the image quality processed by this algorithm is better than that of other algorithms with the same calculation complexity, and it is easier to make accurate image interpretation.

remote sensing image; geospatial intelligence; bionic vision; image enhancement; image quality evaluation

2015-12-07。

國家自然科學基金資助項目(61303188)。

穆春迪(1990— )，男，助理工程師，主要從事數字攝影測量與遙感方面的研究。

P407.8

A