考虑视觉相似性的广角图像背景区分层增强

2021-11-17周先博

计算机仿真 2021年3期

周先博，王敏

(1.湖北工业大学艺术与设计学院，湖北武汉 430000；2.重庆理工大学管理学院，重庆 400054)

1 引言

广角图像是目前图像领域的研究热点之一。其为对大小为±90°左右的图像进行拍摄得到。由于图像会因为拍摄过程中自然环境以及人为因素等各种不同原因，导致获得的图像出现失真情况，且广角图像的背景区较为复杂，细节凸显较差，因此需要对图像细节增强调节。目前，图像增强技术已经被应用在医学、军事、识别等众多研究领域中，在医学方面该技术可以有效增强病变区域的显示，让医生得出更精准的结果；在军事研究领域中便可以针对某一区域的遥感侦察图像进行增强处理，从而实现侦查结果更精确的目的，相关研究结果如下。

赵春丽[1]等人提出了一种基于暗通道及多尺度Retinex的雾霾天气图像增强算法。用两次引导滤波改进暗原色先验模型的透射率计算，在HSV空间中，用改进的多尺度Retinex算法对亮度进行增强处理，将双边滤波函数代替高斯滤波函数对照度分量进行估计，令空间域卷积转换为频域乘积来减少运算量，用伽马变换校正入射分量进行照度，依据Sigmoid函数对反射分量对比度拉伸，最后将图像再转换至RGB空间。王成[2]等人提出了一种基于像素生命自适应融合的夜景图像增强方法，通过高通滤波图像中大部分暗背景信息，提高单个图像区域的整体灰度；然后设定像素自适应权值，处理后图像和原始图像的两个权值对应于每个像素点，根据滤波为图像中对应像素值、目标模糊集以及背景模糊集接近程度，若在近目标模糊集中过度连接，则滤波图像的对应像素权重增大，原始图像对应像素权重减小，背景模糊集越近。

上述两种方法都较为依赖滤波函数取值，且受外界影响极大，方法稳定性差且耗时久。基于此，本文将在考虑视觉相似度的前提下提出一种广角图像背景区分层增强的方法，通过相似性像素取值计算出符合人眼需求的相似性曲线，再运用分段函数实现灰度映射增强，通过迭代增强函数求解获取出新模糊集合，并按照用户个人视觉相似性来控制增强迭代计算次数，最终实现图像背景区增强，并加强图像增强过程中收敛性。

2 视觉相似性分析

为全面分析图像视觉相似性，提升广角图像背景区分层增强效果，从锥细胞提取适合人眼视觉的图像，建立视觉相似性分析。人眼视网膜上有感光细胞，分别包括锥细胞和柱状细胞两种[3]。而柱状细胞只在非常暗的光线下工作，没有颜色敏感性，从柱状细胞上获得的图像不能描述适合人眼视觉的图像。因此在模拟人眼视觉相似性时，首先要根据视觉习惯将图像亮度调整成为真实合适的程度，在此基础上对图像进行调整，使图像在对比度和亮度上都适用于人眼视觉[4]。

视觉相似性模型可表示为

s(x，y)=f{i(x，y)×b(x，y)}

(1)

式中，分别将s(x，y)、i(x，y)、b(x，y)分别表示图像相似性像素取值、所观看图像像素值以及根据相似性调整的图像对比度。

对比度增强计算公式可表示为

Sout=Sin-fix(Sin)

(2)

其中，将Sout和Sin描述为输入、输出图像的对比度，而函数取值则根据图像像素取值来判定，将常数设置为8。

由于肉眼无法同时辨识较宽范围的视线内容，故在拍摄环境的光强亮度平衡时，肉眼可适应的亮度范围小于实际光强变化范围。为了压缩视觉亮度动态范围，在亮度调节功能设计时中低亮度图像功能值大于中高亮度图像功能值。基于此，本文通过统计图像的特征，控制视觉曲线以及中心参数，提高低照度区域的亮度，使整体图像呈现出的视觉效果更显著。视觉相似性表达式为

(3)

3 基于模糊松弛迭代的分层增强算法

图像增强是根据特定的需要增加图像灰度对比度，通过弱化或去除不必要信息的方法，实现突出图像中重要信息的目的[5]。

3.1 图像直方图灰度映射增强步骤

扩展图像或局部图像的灰度对比度信息，具体流程如下：

1)根据最初输入的图像进行直方图计算处理；

2)根据最初图像灰度分布的计算结果构建出灰度转换函数；

3)将计算的灰度直方图结果，转变为输出图像直方图，并在此基础上将全部灰度取值转移到图像中。

由于图像的部分细节以及背景区域的对比度容易锐化，导致图像清晰度较差，故需要利用灰色分层映射的方法，增强图像细节，得到更优的对比度数据[6]。

3.2 灰度映射分层图像增强

分层图像增强过程中，将最初图像的空域集合运用灰度映射函数，使空域集合中图像转换至模糊域中，计算求解得出模糊特征平面后，再进行下一步骤的计算[7]。由于该过程计算较为复杂，会占用多数系统内存，因此无法同时处理大量数据，所以本文利用分段函数处理方法实现灰度映射。其中将映射函数μ(x，a，b，c)定义为

(4)

(5)

(6)

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

(7)

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

(8)

根据上式的实际计算结果可得

(9)

在实际计算映射函数过程中是不具有逆变换特性的[8]，只是简单地将该值相乘得出原始灰度t，因此可能会出现灰度值超出该层灰度范围，导致不同子层的灰度信息重叠，损失部分信息，影响图像质量，为此，在实际处理图像的过程中，要考虑重构图像，剔除映射函数过程无法逆变的干扰。

3.3 图像亮度重构

分层图像部分增强后，将经过增强处理的图像与最初图像再次进行重组，获取出一个新的亮度图像，其中重组表达式为

Inew=10[λ·IB(x，y)+β·ID(x，y)]

(10)

为了能够有效避免增强后图像再次出现像素失真的情况，便可得出图像颜色处理的计算公式

(11)

(12)

3.4 模糊隶属度松弛迭代优化

运用模糊隶属度松弛迭代来实现可控增强，增加整体算法稳定性。实现计算过程如下：

首先利用模糊函数的计算方式将图像X的空间像素集合映射到对应的模糊集合Xf中，并且针对该模糊集Xf运用迭代增强函数T(·)求出新的模糊集合Yf，这样当新的模糊集合在进行下一次增强处理时就可以用Xf来代替，其中用户即可依据个人视觉相似性来控制增强迭代计算的次数[9]。

用隶属度函数μ将空间像素xij∈[a，c)映射到模糊域Xf，可得出

(13)

对模糊域Xf进行迭代增强处理的函数定义为zij=T(μij)，迭代增强过程为

(14)

(15)

其中

(16)

(17)

μa，μb，μc是与a，b，c相对应的模糊域值。

使用函数μ的逆变换φ将模糊域值映射回图像的空间域

(18)

3.5 扩展实现

本文所提算法的具体处理图像分层增强流程如下所示：

步骤一：依据直方图结果确定图像分层的数量和计算灰度取值范围。假设将图像分为k层，这样通过灰度取值计算即可得知第j层图像的灰度范围为[m，n]，而经过增强处理后的范围便有[aj，cj]；

步骤二：利用上述式(10)-(15)，对图像中每个不同的分层进行可控迭代增强，并令a=aj，c=cj，m

步骤三：根据步骤二处理结果，针对不同层次的图像增强效果，分别控制其它图层的迭代计算次数，直到该图层达到最终所需效果

因为在对图像进行迭代前，模糊松弛算法已经在对应的模糊域中进行了迭代改进，因此在将模糊域中图像映射到空间域时，就可以利用模糊成员函数的逆变换方式，让相同分层图像的灰度取值在一定范围内，并且不同子层的灰度不重叠[10]。

4 仿真研究

为了进一步验证本文算法的有效性，将在实际仿真为Matlab实验平台CPUIntel(R)Core(TM)i5-23203.0GHz中，令本文算法与文献 [1]、[2] 算法针对低照度图像的增强效果进行对比，并且通过主观视觉效果和客观质量评价两个方面对增强图片的效果进行分析。

4.1 主观视觉对比

在图像处理主观视觉对比方面，给出低分辨率广角图像原图，并利用本文算法与文献两种方法处理，对比结果如图1所示。

图1 不同方法下样本处理效果对比图

根据上述图1可知，虽然文献 [1] 算法可以呈现出部分被黑影遮挡住的图像，但是图像清晰度仍较差；文献[2] 算法处理后的图像层次感不明显，存在较大锐化噪声。本文方法呈现效果较好主要是因为在对分层增强过程中使用迭代计算，具有较高可控性。

4.2 质量直方图对比

质量直方图是文献 [1] 算法、文献 [2] 算法和本文算法在经过放大处理后的图像灰度直方图对比结果，如图2表示。通过灰度直方图，可以看出样本图像的灰度分布情况，由此了解样本图像中各个像素点的颜色深度，从而评价图像增强效果。在图2中，横坐标代表不同像素点的灰度级别，纵坐标代表像素频数。

图2 不同方法下样本对比直方图

通过图2可以确定图像的亮度和对比度特征。在图2(a)中，大多数灰色直方图显示在左侧，表示图像通常是黑色的。在图2(b)中，灰色直方图中间只有一个小值等于零，这说明文献[1]算法的图像对比度很小。图2(c)大多数灰色直方图仍在左侧，中间的一些部分显示，与原始图像相比，文献[2]算法改进后的图像效果依旧不明显，在图2(d)中，灰度直方图的非零值几乎覆盖了整个灰度直方图，可见所提算法对图像中各分层可控迭代处理效果好，有效提高图像的对比度和亮度。