一种基于视觉仿生的遥感影像增强方法

穆春迪， 李武岐， 柯洪伟

1.中国天绘卫星中心, 北京, 102102；2.第三测绘导航基地, 新疆 乌鲁木齐, 830006



一种基于视觉仿生的遥感影像增强方法

穆春迪1,2， 李武岐2， 柯洪伟2

1.中国天绘卫星中心, 北京, 102102；2.第三测绘导航基地, 新疆 乌鲁木齐, 830006

遥感影像是地理空间情报的重要来源，对其进行有效分析有助于获取影像中的有价值信息。针对遥感影像由于受采集硬件限制和成像条件影响而存在整体亮度低、图像边缘模糊和噪声较多等缺点，本文提出一种基于视觉仿生的遥感影像增强方法。为了验证算法的有效性，采用无参考图像质量评价方法对实验结果进行定量分析，采用边缘比对方法对实验结果进行定性分析。实验表明，在同等条件下，该算法处理过的遥感影像质量优于同等计算复杂度的其它算法，更便于准确判读。

遥感影像；地理空间情报；视觉仿生；图像增强；图像质量评定

1　引　言

美国国家地理空间情报局(National Geospatial Intelligence Agency, NGA)于2004年首次提出地理空间情报(Geospatial Intelligence，GEOINT)概念，其定义为：对图像和地理空间信息的开发与利用，包括描述、评估和视觉描绘地球上的自然要素和与地理相关的活动[1]。

地理空间情报由影像、影像情报和地理空间信息组成。对遥感影像的有效分析是获取准确影像情报和地理空间信息的前提条件，但因受限于硬件水平、光照条件和场景动态范围等因素，获取的遥感影像大多存在亮度偏低、对比度不强和噪声较大等问题，不利于图像的准确判读。因此，图像增强算法便被提出。

图像质量增强算法根据所处空间的不同，可以分为基于图像空间的空域算法、基于图像变化的频域方法、基于空域和频域融合的增强算法[2-4]。空域增强算法通常包括灰度变换[5]、直方图均衡[6,7]、噪声清除[8]和模糊逻辑等增强算法[9]。常用的频率增强算法有Retinex算法、小波变换以及在此基础上发展的Curvelet和Contourlet变换[10～12]。

以上传统的图像增强算法存在计算量大、通用性不强等缺点。随着国内外专家学者对各种生物成像机制研究的深入，视觉仿生已经成为计算机视觉的研究重点[13]，基于视觉仿生的遥感影像增强算法成为可能。针对现阶段直接获取遥感影像存在不易直接判读、人工调节对比度耗时大等问题，本文提出了一种基于侧抑制原理的遥感影像增强技术。

2　侧抑制理论

Hartline等研究人员在对鲎视觉进行电生理实验时发现并证实了侧抑制现象的存在[14]。鲎复眼简化模型如图1所示，对其进行光照测试并通过微电极记录单根神经纤维脉冲，统计实验数据发现，当光照鲎用一个小眼B而引起兴奋时，再用光照射临近的小眼A(C)，小眼B的脉冲发放频率下降，且小眼A(C)的脉冲发放频率较单独照射时低，即小眼之间产生相互抑制作用。

图1　鲎复眼简化模型

鲎眼侧抑制作用的大小与两小眼之间的空间距离相关，一般情况下，距离越远，抑制作用越弱。同时，对于小眼A，只有当临近小眼B的兴奋水平达到一定值时，才可能对其产生侧抑制作用，而且这种作用会随着小眼B受到刺激的强度增大而加强。此外，受照的邻近小眼数越多，它们所产生的抑制作用则越强。因为在动物神经系统中，受照的邻近小眼距中心感受器越远，对其抑制作用越小，因此在实际应用中，常规定一个抑制范围，称之为抑制野。

研究实验表明，侧抑制网络具有突出边缘、增强反差的作用，它可以强调和突出视觉景象中的重要特征，以此达到增强空间分辨率的目的。如图2(a)马赫带效应所示，当图像中亮度发生跃变时，视觉上则感觉亮侧更亮，暗侧更暗，亮暗交界处有明显的分割线。另外，侧抑制网络可以对图像细微间断进行拟合，实现聚类效果。如图2(b)Hermann网格所示，在四个相邻黑色区域的交界处，人眼会感觉有一黑点将这四个区域连接起来，当视线转移至其它处，黑点消失，因此产生“闪烁”。

(a)　马赫带效应

(b)　Hermann网格图2　侧抑制现象示意图

侧抑制原理有利于视觉从背景中分出感兴趣的对象。在色觉方面，不同光谱感受性的神经元之间具有相互抑制作用，会形成颜色的拮抗效应，即不同颜色之间相互制约和辖制，比如黄和蓝、红和绿等。在其它感觉系统中，侧抑制也发生作用，例如，在听觉系统中，耳蜗神经纤维的侧抑制可以加强对高音的辨认；在皮肤上，侧抑制有助于触点的定位等。

3　侧抑制模型

3.1时域模型

侧抑制时域简化模型如图3所示。假设输入灰度y1,y2之间存在如下关系，其中0<ρ<1，则可得：

y2=ρy1

(1)

图3　侧抑制模型

由图3中的参数关系可知输出灰度为z1,z2满足：

(2)

一般情况下反馈系数β满足0<β<ρ<1。

输入反差可以用两个单元的输入灰度值之比y1/y2度量。输出反差相应地用两个单元的输出灰度值之比z1/z2度量。由式(2)得：

(3)

由式(1)、式(2)和式(3)可得：

(4)

即输出反差大于输入反差，说明侧抑制网络的确提高了图像的反差。

3.2频域模型

假设当前感受器的抑制野内共包含n个复眼，则根据公式(2)可得其输出灰度为：

(5)

其中，zk为抑制野内第k个复眼输出灰度，βk为第k个复眼对当前复眼的反馈系数，0<βk<1。

为了便于分析，对式(5)做如下修正：

(6)

其中，z(x)是空间位置x处的响应，y(x)是对位置x的刺激，K(x-x′)是位于x′的单元(或感受器)对x单元所施加的抑制力量。对式(6)两边取傅里叶变换，可得网络的传递函数：

(7)

图3　频率特性曲线

观察图3可以看出，在频域范围内，低频信号总是被抑制，而高频信号不受影响。因此，侧抑制网络等价于一种衰减低频响应的高通滤波器。侧抑制网络的空间高频响应增强了局部区域之间的细节，就整体而言，空间低频响应使其输出趋向衰减和压缩，因此达到“突出边框”和“加强反差”的目的。

4　基于侧抑制的遥感影像增强

式(5)给出侧抑制的一维线性模型，考虑侧抑制网络在遥感图像中的二维应用，假设遥感影像大小为M×N，抑制野大小为受试像素点的l范围邻域，则可将式(5)作如下扩展：

(8)

(9)

其中，(i,j)表示横纵坐标，G0表示原始像素灰度，Gy为预处理后的像素灰度，Gr为经过侧抑制处理后的像素灰度，θ为可能性度量因子，TH为阈值，km1m2为侧抑制系数，δ为调整系数。

考虑遥感影像噪声较多，基于侧抑制的图像增强算法不仅会增强图像边缘对比度，相应的噪声点也将被突出，会对影像的有效判读产生阻碍，因此，引入可能性度量因子θ对侧抑制处理前的图像进行预处理。

假设当前受试点为边缘点，根据边缘的连续性特点可知，其邻域范围内必存在灰度相近的像素点；若当前受试点为噪声点，则其具有明显的独立性。度量因子邻域图如图4所示。

图4　度量因子邻域图

观察图4可知，对于大小为3×3模板，共有四对子邻域。假设第i个子邻域内像素灰度值分别为Gi1、Gi2和Gi3，则当前子邻域的可能性度量因子θi为：

(10)

(11)

可能性度量因子θ为：

θ=max{θi}i=1,2,3,4

(12)

若当前受试点为噪声点，则其各子邻域的度量因子θi较小，所得可能性度量因子θ也较小，根据公式(8)可知，当前点输出灰度值为邻域平均灰度；若当前点为边缘点，则可能性度量因子θ趋近1，当前点灰度值不变。

研究者Hartline指出，与某一感受器略有一点距离的感受器相较于与其最接近的感受器对它的抑制作用要强。因此，本文采取高斯分布作为侧抑制系数分布函数。

(13)

其中σ、β、μ、π分别取1、1、2和3.14。

5　影像质量评价

现阶段遥感影像质量的评价常通过人工完成，评价质量和速度受人为因素影响较为严重，不同人对相同图像的评价结果可能存在较大差异，因此，为了克服此影响，诸多客观图像质量评价算法被提出。根据是否存在参考图像，图像质量评价算法可以分为全参考评价方法(Full-reference， FR)、半参考图像质量评价方法(Reduced-reference, RR)和无参考图像质量评价方法(No-reference, NR)。

遥感影像增强算法主要考虑增强后图像可视度，本文选取三个无参考图像质量评价参数评价增强后的遥感影像质量。其中，假设图像I大小为M×N，在i,j处的像素值为G(i,j)。

5.1平均灰度

遥感影像过亮或者过暗都不适于人工判读，因此，图像亮度是评价遥感影像质量的重要指标。图像亮度可以用平均灰度表示，其公式为：

(14)

陈志冈等人提出，对于256色阶的图像，其平均灰度越接近128越好[15]。

5.2平均梯度

平均梯度可以反映图像中微小的细节反差与纹理的变化特征[16]。平均梯度越大，表示图像纹理和细节信息越明显，清晰度越高。其计算公式如下：

(15)

ΔGx=G(i+1,j)-G(i,j)

(16)

ΔGy=G(i,j+1)-G(i,j)

(17)

5.3信息熵

信息熵值表示图像灰度级的复杂程度。熵值越大，图像信息越丰富，图像质量越好。

(18)

6　实验及分析

为了验证本算法的有效性，本文从定量和定性两方面来评析图像增强算法的有效性。在处理器为Intel(R) Xeon(R) CPU E5-1620、 内存为

4.00 GB的PC机上进行实验，实验平台为matlab(2011b)，实验数据为天绘影像。

根据上文所示原理和方法，首先计算当前选定处理域内侧抑制系数km1m2，然后计算各像素的可能性度量因子。当度量因子较大或适中时，判断前点为边缘点和其它有效像素点，像素值不变；当度量因子较小时，判断当前点为噪声点，将其灰度修正为当前邻域内平均灰度。对于获得的预处理图像，对其进行侧抑制增强。将增强后的影像与利用直方图均衡、中值滤波、均值滤波和频域滤波处理后的影像进行比较，如图5所示。

(a)原图像 (b)直方图均衡 (c)中值滤波 (d)均值滤波 (e)频率滤波 (f)侧抑制图5　实验处理结果

为了更直观表示各图像增强算法的增强效果，分别统计图5中6幅图像的平均灰度、平均梯度和信息熵三个参数。实验结果如表1所示。

通过分析表1数据可知，经过能量均衡后的侧抑制影像和直方图均衡算法处理后的影像均有较为理想的平均灰度值(接近128)，即此两种算法处理后的图像亮度较为适中。侧抑制算法和直方图均衡算法处理后的影像具有较大的平均梯度，即各像素与邻近像素之间的差异较原始影像大，边缘特性增强，而且由于本文算法对图像噪声进行了抑制，相较于直方图均衡更易提取边缘信息。侧抑制算法增强后的图像相较于其它算法具有更大的信息熵，即图像细节信息更为丰富，更利于作业人员进行影像判读和计算机进行目标自动提取。

表1图像质量评价参数

处理方法原图像直方图均衡[6]中值滤波[2]均值滤波[3]频域滤波[10]侧抑制平均灰度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

为了进一步比较各算法增强算法效果，从定性角度对本文算法优势进行说明，采用canny算子提取影像中有价值区域边缘，提取结果如图6所示。

观察图6结果可知，基于侧抑制原理的遥感影像增强算法融合了频域滤波低噪声和直方图均衡边缘信息丰富的优点，相较于其它比对算法，增强后的图像边缘更为完整，信息更为准确，即实用性更强。

(a)原图像 (b)直方图均衡 (c)中值滤波 (d)均值滤波 (e)频率滤波 (f)侧抑制图6　边缘提取结果

7　结　论

针对遥感影像整体亮度低、图像边缘模糊和噪声较多等不利于地理空间情报获取的诸多缺点，本文根据生物仿生原理，提出了一种基于神经元网络侧抑制原理的遥感影像增强算法。实验结果表明，本文算法增强后的影像较传统算法处理结果在平均灰度、平均梯度和信息熵三个定量评价指标，以及canny边缘检测结果这一定性评价指标方面均具有优势，本文方法影像增强效果更好，更便于内外业判读。为扩展本文算法的实用性，进一步改善图像增强效果、提高计算速度是后续研究的两个主要方向。

[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] 饶云波. 夜间视频增强的关键技术研究[D]. 成都:电子科技大学,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] 谢剑斌. 视觉仿生学原理与应用[M]. 北京: 科学出版社,2014.

[14] 杜红伟.生物侧抑制机制及应用研究 [D]. 南京: 南京航空航天大学,2008.[15] 陈志冈, 尹福昌. 基于Contourlet变换的遥感图像增强算法 [J]. 光学精密工程, 2008,16(10):2030-2037.[16] 任风华. 边缘检测和小波变换在多聚焦图像中的应用 [J]. 信息技术,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。

国家自然科学基金资助项目(61303188)。

穆春迪(1990— )，男，助理工程师，主要从事数字摄影测量与遥感方面的研究。

P407.8

A