基于改進粗糙集的低照度遙感圖像對比度增強方法

作者簡介：石琳（1985— ），女，講師，本科；研究方向：計算機科學與技術。

摘要：為解決圖像增強后存在的噪聲問題，文章提出基于改進粗糙集的低照度遙感圖像對比度增強方法。該方法先基于改進粗糙集進行低照度遙感圖像預處理，后自適應調整低照度遙感圖像，采用提高飽和度、恢復色彩等操作，完成對圖像的對比度增強處理。實驗結果表明，文章所提方法的應用使圖像的對比度指標得到了顯著提升，應用效果更優。

關鍵詞：圖像對比度增強；遙感技術；低照度遙感圖像；改進粗糙集

中圖分類號：D24.5" 文獻標志碼：A

0" 引言

隨著遙感技術的進步，低照度遙感圖像在環境監測、資源勘探、災害預警等領域的應用日益廣泛。然而，低照度遙感圖像常面臨對比度低、細節模糊等挑戰。這些挑戰限制了低照度遙感圖像在后續應用中的性能。盡管已有研究如吳佳奇等［1］通過循環生成對抗網絡改善亮度不均問題以及熊喜發等［2］利用亮度均衡化和注意力機制提升特征表達，但它們在細節特征損失和圖像清晰度方面仍有不足。因此，本文提出了一種基于改進粗糙集的低照度遙感圖像對比度增強方法。

1" 基于改進粗糙集的低照度遙感圖像對比度增強方法設計

1.1" 低照度遙感圖像預處理

本文采用改進粗糙集的分類思想，將低照度遙感圖像視為一個知識系統。通過利用粗糙集中的不可分辨關系，結合圖像特有的像素屬性，對圖像進行分類。首先，將低照度遙感圖像視為2D圖像［3-4］，并設定改進粗糙集向量的元素為圖元、像元、像素。

為使該圖像達到去噪的效果，yr（r）為該低照度遙感圖像的改進粗糙集中的概率密度函數，yq（q）為經過去噪、均衡化處理后的圖像的概率密度函數，W（r）為去噪處理中的變換函數，輸出的圖像灰度值的計算公式如下：

q=W（r）=∫r0yr（α）dα

yq（q）=yr（r）drdqr=W-1（q）（1）

公式中：α為積分變量，∫r0yr（α）dα為r的累積分布函數。

當0≤r≤1時，W（r）在粗糙集區間中單調遞增，對r進行求導后，其計算公式如下：

dqdr=dW（r）dryr（r）（2）

由上述公式可知，低照度遙感圖像經過改進粗糙集分類的去噪處理后，則輸出圖像的灰度數值在粗糙集中的概率密度為均勻分布。為使圖像的細節更加清晰［5］，采用這一方式可有效拓寬像素取值的動態范圍，進而顯著突出圖像的細節信息。

1.2" 自適應調整低照度遙感圖像

在對低照度遙感圖像進行去噪后，需要對其進行各方面的調整預處理，依據飽和度值的不同，進行相應的調整，以確保原始圖像的色彩結構不會發生突兀的變化。在遙感圖像的色彩空間中，飽和度分量s的具體計算方式如下：

s=1-3R+G+B［maxq|min（R，G，B）］，s=（0，1）（3）

公式中：R、G、B分別為圖像的R分量、G分量、B分量。

圖像經過調整后的飽和度分量為s′，其計算公式如下：

s′=1.2s+0.1，0lt;s≤0.2

s，0.2lt;s≤0.8

0.9s-0.1，0.8lt;s≤1（4）

飽和度值被分為3個范圍：低（0%～30%）、中（30%～80%）、高（80%～100%）。低飽和度使圖像呈灰色調，適中則色彩柔和，過高則可能失真。針對不同范圍，本文采取不同策略：高飽和度區采用線性函數降低，中飽和度區保留原始色調，低飽和度區用較陡的線性函數提升。為保留原始色彩特征，本文進行了色彩恢復處理，通過線性方式確保色彩信息不失真。依據原始圖像的R、G、B比例關系，對增強后圖像進行了精細調整，具體方法如公式（6）所示，確保色彩信息的準確性和一致性。

u（i，j）=Gu（i，j）G（i，j）

jc（i，j）=u（i，j）·zuc（i，j），c∈R，G，B（5）

公式中：G（i，j）為低照度遙感圖像的亮度分量，zuc（i，j）為圖像處理后的變換回RGB的結果，Gu（i，j）為G（i，j）處理后的結果，jc（i，j）為對 zuc（i，j）經過色彩恢復后的結果，進而保證R、G、B三分量的平衡比例。

基于上述分析，自適應調整低照度遙感圖像是一個需要根據具體情況進行調整的過程。不同的圖像可能需要不同的處理參數和技術組合來達到最佳效果。因此，在實際應用中，用戶可能需要進行多次嘗試和優化，以找到最適合特定圖像的調整方案。

1.3" 實現圖像的對比度增強處理

為了增強圖像的對比度，本文選用了拉普拉斯增強算子。拉普拉斯模板存在著各種形式，其中較為普遍的是四鄰域拉普拉斯算子和八鄰域拉普拉斯的能量和算子。這個算子如圖1所示，其中的基礎條件為中心圖像的系數必須是正值，而包圍著中心圖像的所有相鄰像素的系數則為負值。同時，這些系數之和必須為零，這是確保模板運算正確性的關鍵條件。

在整個設計流程中，通過選擇的四鄰域拉普拉斯能量和計算模板都可以達到最好的效果。因此，通過選擇的四鄰域拉普拉斯算子與原始亮度分量進行了卷積計算，從而得到對比度增強后的邊緣圖像。V為邊緣圖像。最后，得到的對比度增強低照度遙感圖像可表示為：

=s′+jc（i，j）+G（i，j）-V*G（i，j）

V=0，1，0

1，-4，1

0，1，0（6）

至此，完成對低照度遙感圖像對比度增強的設計步驟。對比度增強處理的具體方法和技術取決于圖像的類型、質量和處理需求。

2" 實驗測試與分析

2.1" 實驗準備

為驗證基于改進粗糙集的低照度遙感圖像對比度增強方法的性能，本次實驗采用MATLAB軟件作為平臺，在Windows 9 32bit操作系統、ENVI、ERDAS Imagine遙感圖像處理軟件、Python 3.5和Numpy 1.03編程環境下進行。測試設備配備12 GB運行內存、NVIDIA/AMD顯卡以及SSD和高速HDD存儲設備。

本次測試將本文方法、改進CycleGAN方法以及改進生成式對抗網絡算法進行對比，采用低照度且模糊的原始遙感圖像作為測試樣本。評價方面，本文選擇客觀評價方法來量化評估算法性能，主要通過計算圖像的信息熵和局部對比度這2個關鍵指標，以驗證算法的有效性。

（1）指標1：圖像信息熵。

圖像的信息熵可通過下列公式進行計算：

h=-∑ni=1pi×log2（pi）（7）

公式中，n為灰度級總數，pi為灰度值為i的像素數值與前一圖像總體像素的比值。

（2）指標2：局部對比度。

局部對比度c的計算公式如下：

c=Imax-IminImax+Imin（8）

公式中，Imax、Imin分別為圖像的最大、最小灰度值。

3種方法的局部對比度的增加數值Δc為本次測試衡量圖像質量的客觀評價指標，其計算公式如下：

Δc=ce-c（9）

公式中，ce為增強后的局部對比數值。

2.2" 實驗結果與分析

基于上述實驗準備，本文使用3種方法分別對原始圖像進行對比度增強操作。將3種方法得出的圖像分別進行2種指標的對比，測試結果如表1所示。

由上述測試結果可以看出，與其他2種方法進行對比，應用本文提出的基于改進粗糙集的低照度遙感圖像對比度增強方法，圖像的對比度指標得到了顯著提升，圖像中原本難以辨識的暗部細節變得更加清晰，不同地物之間的邊界也更加分明。該方法有助于提升遙感圖像的可讀性和解釋性。

3" 結語

基于改進粗糙集的方法靈活且適應性強，計算效率高，能迅速處理大量圖像數據，對大規模遙感圖像處理具有重要意義。然而，該方法盡管成果顯著，但仍需面對增強效果優化和噪聲處理等挑戰?？傊诟倪M粗糙集的低照度遙感圖像對比度增強方法是一項有效的圖像處理技術，前景廣闊。期待未來該技術能進一步完善和發展，為遙感圖像處理帶來更多創新和突破。

參考文獻

［1］吳佳奇，張文琪，陳偉，等.基于改進CycleGAN的煤礦井下低照度圖像增強方法［J］.華中科技大學學報（自然科學版），2023（5）：40-46.

［2］熊喜發，鄒學玉，周籮魚.一種基于改進生成式對抗網絡的低照度圖像增強方法［J］.信息技術與信息化，2023（11）：4-7.

［3］彭晏飛，杜婷婷，高藝，等.基于條件生成對抗網絡的低照度遙感圖像增強［J］.激光與光電子學進展，2020（14）：152-160.

［4］麻祥才，曹前，白春燕，等.基于光譜反射率的低照度圖像增強方法研究［J］.光譜學與光譜分析，2024（3）：610-616.

［5］胡乘其，王書朋，王瑜婧.基于魯棒性主成分分析的低照度圖像增強算法［J］.計算機應用與軟件，2024（2）：244-249.

（編輯" 王雪芬）

Contrast enhancement method of low-illumination remote sensing image based on improved rough set

SHI" Lin

（School of Culture and Media， Kaifeng Vocational College of Culture and Arts， Kaifeng 475004， China）

Abstract：" In order to solve the noise problem after image enhancement， this paper proposes low illumination remote sensing image contrast enhancement based on improved rough set. This method first carries out the low illumination remote sensing image preprocessing based on the improved rough set， and then adjusts the low illumination remote sensing image adaptively， so as to realize the operation of improving saturation and restoring color， and completes the contrast enhancement processing of the image. The experimental results show that the contrast index of the image is significantly improved， and the application effect is better.

Key words： image contrast enhancement; remote sensing technology; low illumination remote sensing image; improved rough set