考慮視覺相似性的廣角圖像背景區分層增強

周先博，王 敏

(1.湖北工業大學藝術與設計學院，湖北 武漢 430000；2.重慶理工大學管理學院，重慶 400054)

1 引言

廣角圖像是目前圖像領域的研究熱點之一。其為對大小為±90°左右的圖像進行拍攝得到。由于圖像會因為拍攝過程中自然環境以及人為因素等各種不同原因，導致獲得的圖像出現失真情況，且廣角圖像的背景區較為復雜，細節凸顯較差，因此需要對圖像細節增強調節。目前，圖像增強技術已經被應用在醫學、軍事、識別等眾多研究領域中，在醫學方面該技術可以有效增強病變區域的顯示，讓醫生得出更精準的結果；在軍事研究領域中便可以針對某一區域的遙感偵察圖像進行增強處理，從而實現偵查結果更精確的目的，相關研究結果如下。

趙春麗[1]等人提出了一種基于暗通道及多尺度Retinex的霧霾天氣圖像增強算法。用兩次引導濾波改進暗原色先驗模型的透射率計算，在HSV空間中，用改進的多尺度Retinex算法對亮度進行增強處理，將雙邊濾波函數代替高斯濾波函數對照度分量進行估計，令空間域卷積轉換為頻域乘積來減少運算量，用伽馬變換校正入射分量進行照度，依據Sigmoid函數對反射分量對比度拉伸，最后將圖像再轉換至RGB空間。王成[2]等人提出了一種基于像素生命自適應融合的夜景圖像增強方法，通過高通濾波圖像中大部分暗背景信息，提高單個圖像區域的整體灰度；然后設定像素自適應權值，處理后圖像和原始圖像的兩個權值對應于每個像素點，根據濾波為圖像中對應像素值、目標模糊集以及背景模糊集接近程度，若在近目標模糊集中過度連接，則濾波圖像的對應像素權重增大，原始圖像對應像素權重減小，背景模糊集越近。

上述兩種方法都較為依賴濾波函數取值，且受外界影響極大，方法穩定性差且耗時久。基于此，本文將在考慮視覺相似度的前提下提出一種廣角圖像背景區分層增強的方法，通過相似性像素取值計算出符合人眼需求的相似性曲線，再運用分段函數實現灰度映射增強，通過迭代增強函數求解獲取出新模糊集合，并按照用戶個人視覺相似性來控制增強迭代計算次數，最終實現圖像背景區增強，并加強圖像增強過程中收斂性。

2 視覺相似性分析

為全面分析圖像視覺相似性，提升廣角圖像背景區分層增強效果，從錐細胞提取適合人眼視覺的圖像，建立視覺相似性分析。人眼視網膜上有感光細胞，分別包括錐細胞和柱狀細胞兩種[3]。而柱狀細胞只在非常暗的光線下工作，沒有顏色敏感性，從柱狀細胞上獲得的圖像不能描述適合人眼視覺的圖像。因此在模擬人眼視覺相似性時，首先要根據視覺習慣將圖像亮度調整成為真實合適的程度，在此基礎上對圖像進行調整，使圖像在對比度和亮度上都適用于人眼視覺[4]。

視覺相似性模型可表示為

s(x，y)=f{i(x，y)×b(x，y)}

(1)

式中，分別將s(x，y)、i(x，y)、b(x，y)分別表示圖像相似性像素取值、所觀看圖像像素值以及根據相似性調整的圖像對比度。

對比度增強計算公式可表示為

Sout=Sin-fix(Sin)

(2)

其中，將Sout和Sin描述為輸入、輸出圖像的對比度，而函數取值則根據圖像像素取值來判定，將常數設置為8。

由于肉眼無法同時辨識較寬范圍的視線內容，故在拍攝環境的光強亮度平衡時，肉眼可適應的亮度范圍小于實際光強變化范圍。為了壓縮視覺亮度動態范圍，在亮度調節功能設計時中低亮度圖像功能值大于中高亮度圖像功能值。基于此，本文通過統計圖像的特征，控制視覺曲線以及中心參數，提高低照度區域的亮度，使整體圖像呈現出的視覺效果更顯著。視覺相似性表達式為

(3)

3 基于模糊松弛迭代的分層增強算法

圖像增強是根據特定的需要增加圖像灰度對比度，通過弱化或去除不必要信息的方法，實現突出圖像中重要信息的目的[5]。

3.1 圖像直方圖灰度映射增強步驟

擴展圖像或局部圖像的灰度對比度信息，具體流程如下：

1)根據最初輸入的圖像進行直方圖計算處理；

2)根據最初圖像灰度分布的計算結果構建出灰度轉換函數；

3)將計算的灰度直方圖結果，轉變為輸出圖像直方圖，并在此基礎上將全部灰度取值轉移到圖像中。

由于圖像的部分細節以及背景區域的對比度容易銳化，導致圖像清晰度較差，故需要利用灰色分層映射的方法，增強圖像細節，得到更優的對比度數據[6]。

3.2 灰度映射分層圖像增強

分層圖像增強過程中，將最初圖像的空域集合運用灰度映射函數，使空域集合中圖像轉換至模糊域中，計算求解得出模糊特征平面后，再進行下一步驟的計算[7]。由于該過程計算較為復雜，會占用多數系統內存，因此無法同時處理大量數據，所以本文利用分段函數處理方法實現灰度映射。其中將映射函數μ(x，a，b，c)定義為

(4)

(5)

(6)

K1=(b-a)(c-a)

(7)

K2=(c-b)(c-a)

(8)

根據上式的實際計算結果可得

(9)

在實際計算映射函數過程中是不具有逆變換特性的[8]，只是簡單地將該值相乘得出原始灰度t，因此可能會出現灰度值超出該層灰度范圍，導致不同子層的灰度信息重疊，損失部分信息，影響圖像質量，為此，在實際處理圖像的過程中，要考慮重構圖像，剔除映射函數過程無法逆變的干擾。

3.3 圖像亮度重構

分層圖像部分增強后，將經過增強處理的圖像與最初圖像再次進行重組，獲取出一個新的亮度圖像，其中重組表達式為

Inew=10[λ·IB(x，y)+β·ID(x，y)]

(10)

為了能夠有效避免增強后圖像再次出現像素失真的情況，便可得出圖像顏色處理的計算公式

(11)

(12)

3.4 模糊隸屬度松弛迭代優化

運用模糊隸屬度松弛迭代來實現可控增強，增加整體算法穩定性。實現計算過程如下：

首先利用模糊函數的計算方式將圖像X的空間像素集合映射到對應的模糊集合Xf中，并且針對該模糊集Xf運用迭代增強函數T(·)求出新的模糊集合Yf，這樣當新的模糊集合在進行下一次增強處理時就可以用Xf來代替，其中用戶即可依據個人視覺相似性來控制增強迭代計算的次數[9]。

用隸屬度函數μ將空間像素xij∈[a，c)映射到模糊域Xf，可得出

(13)

對模糊域Xf進行迭代增強處理的函數定義為zij=T(μij)，迭代增強過程為

(14)

(15)

其中

(16)

(17)

μa，μb，μc是與a，b，c相對應的模糊域值。

使用函數μ的逆變換φ將模糊域值映射回圖像的空間域

(18)

3.5 擴展實現

本文所提算法的具體處理圖像分層增強流程如下所示：

步驟一：依據直方圖結果確定圖像分層的數量和計算灰度取值范圍。假設將圖像分為k層，這樣通過灰度取值計算即可得知第j層圖像的灰度范圍為[m，n]，而經過增強處理后的范圍便有[aj，cj]；

步驟二：利用上述式(10)-(15)，對圖像中每個不同的分層進行可控迭代增強，并令a=aj，c=cj，m

步驟三：根據步驟二處理結果，針對不同層次的圖像增強效果，分別控制其它圖層的迭代計算次數，直到該圖層達到最終所需效果

因為在對圖像進行迭代前，模糊松弛算法已經在對應的模糊域中進行了迭代改進，因此在將模糊域中圖像映射到空間域時，就可以利用模糊成員函數的逆變換方式，讓相同分層圖像的灰度取值在一定范圍內，并且不同子層的灰度不重疊[10]。

4 仿真研究

為了進一步驗證本文算法的有效性，將在實際仿真為Matlab實驗平臺CPUIntel(R)Core(TM)i5-23203.0GHz中，令本文算法與文獻 [1]、[2] 算法針對低照度圖像的增強效果進行對比，并且通過主觀視覺效果和客觀質量評價兩個方面對增強圖片的效果進行分析。

4.1 主觀視覺對比

在圖像處理主觀視覺對比方面，給出低分辨率廣角圖像原圖，并利用本文算法與文獻兩種方法處理，對比結果如圖1所示。

圖1 不同方法下樣本處理效果對比圖

根據上述圖1可知，雖然文獻 [1] 算法可以呈現出部分被黑影遮擋住的圖像，但是圖像清晰度仍較差；文獻[2] 算法處理后的圖像層次感不明顯，存在較大銳化噪聲。本文方法呈現效果較好主要是因為在對分層增強過程中使用迭代計算，具有較高可控性。

4.2 質量直方圖對比

質量直方圖是文獻 [1] 算法、文獻 [2] 算法和本文算法在經過放大處理后的圖像灰度直方圖對比結果，如圖2表示。通過灰度直方圖，可以看出樣本圖像的灰度分布情況，由此了解樣本圖像中各個像素點的顏色深度，從而評價圖像增強效果。在圖2中，橫坐標代表不同像素點的灰度級別，縱坐標代表像素頻數。

圖2 不同方法下樣本對比直方圖

通過圖2可以確定圖像的亮度和對比度特征。在圖2(a)中，大多數灰色直方圖顯示在左側，表示圖像通常是黑色的。在圖2(b)中，灰色直方圖中間只有一個小值等于零，這說明文獻[1]算法的圖像對比度很小。圖2(c)大多數灰色直方圖仍在左側，中間的一些部分顯示，與原始圖像相比，文獻[2]算法改進后的圖像效果依舊不明顯，在圖2(d)中，灰度直方圖的非零值幾乎覆蓋了整個灰度直方圖，可見所提算法對圖像中各分層可控迭代處理效果好，有效提高圖像的對比度和亮度。

5 結論

為了能夠有效解決廣角圖像模糊情況，本文在模糊松弛迭代算法的基礎上提出圖像分層增強算法，構建映射函數選取出合適的迭代計算次數，根據可控次數讓不同層次的圖像達到一定的增強效果。但由于在計算迭代次數的過程中具有較高的復雜性以及失誤率，計算參數仍有優化空間。