聚类分割的交互式遥感热红外图像模糊增强

秦 宇,柯 峰

(1.广东省外语艺术职业学院,广东 广州 510640；2.华南理工大学,广东 广州 510641)

1 引 言

图像是人类视觉的基础,是对世界认知的重要源泉。随着计算信息技术快速的发展,交互式遥感热红外图像渐渐形成独立的科学体系,处理方法和技术越来越多,交互式遥感热红外图像得到了各界广泛的关注[1]。交互式遥感热红外图像被应用在诸多领域中,例如:智能交通、工业自动化、人工智能、医学、农业、林业等。但交互式遥感热红外图像在使用过程中出现了视觉效果不理想的问题,为了提高交互式遥感热红外图像的视觉效果,需要对交互式遥感热红外图像进行增强处理。相关学者也提出了一些较好的方法。

李继泉[2]等人采用引导滤波分层的方法对红外图像细节自适应增强进行研究,首先通过背景层和细节层进行滤波分层,通过限制对比度的自适应直方图均衡化算法对背景层进行压缩,结合脉冲噪声的多尺度检测方法和韦伯定理对细节层进行压缩,综合背景层压缩和细节层压缩,不仅抑制了红外图像噪声,还是增强了红外图像弱细节模糊现象。虽然该方法较好的完成了红外图像细节自适应增强,但是增强后的红外图像抗噪性能较低,视觉效果不理想。司马紫菱[3]等人采用模拟多曝光融合的方法进行交互式遥感热红外图像模糊增强研究,利用Retinex模型对交互式遥感热红外图像信息进行采集,通过伽马矫正和Sigmoid函数构建光照补偿归一化函数,基于此,采用反锐化掩模算法调整交互式遥感热红外图像细节,并计算曝光图像加权值,根据计算结果,采用模拟多曝光融合构建图像增强模型,完成交互式遥感热红外图像模糊增强,但是该方法没有对图像进行聚类处理,导致增强处理所用的时间较长,存在增强效率低的问题。

为了解决上述方法中存在的问题,提出基于聚类分割的交互式遥感热红外图像模糊增强方法。

2 交互式遥感热红外图像边缘区域的聚类分割

模糊C均值聚类算法是通过内层和外层多次迭代构建目标函数,多次迭代后,根据聚类中心的隶属程度的大小判定像素归属,当目标函数为最小值时聚类为最佳聚类,实现交互式遥感热红外图像的聚类分割处理[4-5]。因此,本文采用模糊C均值聚类算法进行交互式遥感热红外图像聚类分割。

(1)

在上述约束条件下,通过隶属度平方加权构建模糊聚类目标函数:

(2)

对上式进行简化,简化式为:

(3)

其中:

U=[μik](i=1,2,…,c;k=1,2,…,n)

(4)

设V代表的是由c个聚类中心构成的向量,其表达式如下:

V={v1,v2,…,vc}

(5)

设dik代表的是聚类中心与样本之间存在的距离,可通过下式计算得到:

(dik)2=||xk-vi||2=(xk-vi)T(xk-vi)

(6)

其中,m表示平滑系数；xk表示任意的样本点。交互式遥感热红外图像的边缘聚类结果当平滑系数的值为2时,较为理想[7-8]。

在聚类准则的基础上计算目标函数J(U,V)对应的最小值:

(7)

(8)

式中,λ为位置参数;θ为比例系数。

通过上述过程获得隶属度和聚类中心之间的关系,从而实现交互式遥感热红外图像边缘区域的聚类分割处理[9]:

(9)

(10)

式中,1≤k≤n;1≤i≤c;1≤j≤n。

3 交互式遥感热红外图像模糊增强方法设计

交互式遥感热红外图像在成像过程中会受到各种干扰,从而产生噪声。噪声会使交互式遥感热红外图像的质量恶化,图像逐渐变得模糊,导致图像特征受到噪声影响而变得不完整,最终降低输出结果[10]。因此降噪是交互式遥感热红外图像模糊增强处理中的重要组成部分[11]。在交互式遥感热红外图像模糊增强过程中,为了得到清晰的交互式遥感热红外图像,在图像模糊增强处理之前对交互式遥感热红外图像进行聚类分割处理,缩短图像增强所用的时间,并提高对特殊及弱小目标的识别能力。以聚类分割为基础,通过抑制图像噪声和图像锐化处理两个方面来加强交互式遥感热红外图像的清晰度。

3.1 图像噪声抑制

均值滤波的算法相对简单,运行的速度较快,在降低噪声的同时可以提高交互式遥感热红外图像的清晰度,可以有效的处理图像细节和图像边缘[12]。均值滤波通常存在领域平均和加权平均两种形式。

领域平均是利用Box模块对交互式遥感热红外图像进行卷积运算实现图像平滑。Box模块是指全部相同函数均取相同值,常用两种表示如图1所示。

图1 Box模块模板Fig.1 Box module template

加权平均法是对不同的像素点赋予不同的权值,再对选取领域的像素灰度值和已赋予的权值进行乘积并求和,得到的求和结果作为领域的中心像素点响应输出,图2为加权平均模板。

图2 加权平均模板Fig.2 Weighted average template

中值滤波是一种图像处理手段,可对图像中的噪声进行抑制,去除椒盐噪声,使图像变得清晰[13]。

设r1,r2,…,rn为一维序列,取p,p奇数为窗口的长度,将一维序列进行中值滤波,从一维序列中连续抽出p个数ri-V,…,ri-1,,ri,ri+1,…,ri+V,窗口的中心值为ri,v=(p-1)/2。将p个数根据数字大小关系排列,取以排好序列的序号中心数作为中值滤波的输出结果。数学表达式如下:

Oi=Med{ri-V,…,ri,…,ri+V}

(11)

二维中值滤波表达式如下:

(12)

式中,A为中值滤波的窗口[14]。

3.2 图像锐化处理

一般的交互式遥感热红外图像在经过转化或者传输后,图像的质量会发生下降,有可能产生模糊。图像锐化处理可以有效解决上述的问题,还可以使交互式遥感热红外图像边缘和图像线条轮廓得到增强,因此,通过Sobel算子和拉普拉斯算子对交互式遥感热红外图像进行锐化处理[15-16]。

Sobel算子一般用于边缘提取,设定f(x,y)表示二维图像,则Sobel算子的计算式为:

(13)

Sobel算子水平垂直模板如图3所示。

图3 Sobel算子水平垂直模板Fig.3 Horizontal and vertical template of Sobel operator

利用Sobel算子处理,获得锐化后的交互式遥感热红外图像。其表达式如下:

(14)

单个二元图像函数f(x,y)的拉普拉斯变换表达式如下:

(15)

拉普拉斯离散表达式如下:

(16)

拉普拉斯变换滤波器如图4所示。

图4 拉普拉斯变换滤波器Fig.4 Laplace transform filter

拉普拉斯算子可以非常好地描绘出互交式遥感热红外图像的边缘轮廓,对监测边缘有很好的效果。通过聚类分割方法中的拉普拉斯算子可以有效的增强交互式遥感热红外图像清晰度。交互式遥感热红外图像模糊增强计算方法如下式:

(17)

式中,g(x,y)和f(x,y)分别为增强处理后的交互式遥感热红外图像和原图像。

4 实验与分析

为了验证基于聚类分割的交互式遥感热红外图像模糊增强方法的整体有效性,分别采用本文提出的基于聚类分割的交互式遥感热红外图像模糊增强方法、基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法,通过Matlab仿真软件进行一次仿真测试。

本文提出的基于聚类分割的交互式遥感热红外图像模糊增强方法中有两个重要参数,即位置参数λ和比例系数θ,通过实验验证采用不同λ和θ时算法的性能。在进行实验验,分别给出λ和θ设定各自的默认值,即λ=75和θ=0.4。

4.1 实验指标设置

(1)模糊线性指数,其广泛应用于图像增强算法性能的定量分析,定义如下:

(18)

(2)峰值信噪比与模糊线性指数的比值,记为PL,其定义为:

(19)

式中,L为图像最大灰度级;fEn(i,j)为增强图像中的像素值。PL值越大表示图像中目标越明显,噪声越小。

(3)粗糙度定义如下:

(20)

式中,h1和h2分别为横向和纵向差分滤波器算子；f是待评价图像；|•|1表示L1范数；“*”为离散卷积运算符；ρ越小,表示图像更平滑,噪声更小。

4.2 实验结果分析

通过峰值信噪比测试不同方法的抗噪性,且峰值信噪比越高,方法的抗噪性能越好,抗噪性能测试如图5所示。

图5 抗噪性能测试Fig.5 Anti noise performance test

分析图5可知,在多次迭代中基于聚类分割的交互式遥感热红外图像模糊增强方法的峰值信噪比远远高于基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法的峰值信噪比,因为基于聚类分割的交互式遥感热红外图像模糊增强方法利用中值滤波方法对聚类分割后的交互式遥感热红外图像进行去噪处理,有效保护交互式遥感热红外图像边缘信息的同时消除了椒盐噪声,提高了交互式遥感热红外图像的信噪比,验证了基于聚类分割的交互式遥感热红外图像模糊增强方法的抗噪性能。

分别采用基于聚类分割的交互式遥感热红外图像模糊增强方法、基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法对交互式遥感热红外图像进行增强处理,对比三种方法的视觉效果,如图6所示。

图6 视觉效果对比图Fig.6 Contrast diagram of enhancement effect

分析图6可知,采用基于聚类分割的交互式遥感热红外图像模糊增强方法对图像进行增强处理后的图像较为清晰,采用基于引导滤波分层的增强方法和基于聚类分割的交互式遥感热红外图像模糊增强方法对图像进行增强处理后,图像没有得到明显的改善,因为基于聚类分割的交互式遥感热红外图像模糊增强方法在图像聚类分割处理的基础上,进行了图像处理,从而提高了图像的清晰度,提升了交互式遥感热红外图像模糊增强效果,验证了基于聚类分割的交互式遥感热红外图像模糊增强方法的有效性。

为了进一步验证本文方法的有效性,采用基于聚类分割的交互式遥感热红外图像模糊增强方法、基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法,对交互式遥感热红外图像模糊增强时间进行对比分析,对比结果如图7所示。

图7 增强效率测试结果Fig.7 Enhanced efficiency test results

根据图7可知,随着迭代次数的增长,基于聚类分割的交互式遥感热红外图像模糊增强方法的交互式遥感热红外图像模糊增强时间低于基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法的增强时间,因为本文方法对交互式遥感热红外图像进行增强处理之前,对交互式遥感热红外图像进行了聚类分割处理,提高了对特殊及弱小目标的识别能力,缩短了图像增强所用的时间,验证了基于聚类分割的交互式遥感热红外图像模糊增强方法的增强效率。

若模糊线性指数越小,PL值越大,粗糙度越小,交互式遥感热红外图像的增强效果越好,因此,以这三种指标为实验指标,对本文提出的基于聚类分割的增强方法、基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法进行测试,测试结果如图8所示。

(a)模糊线性指数对比

(b)PL对比

(c)粗糙度对比

根据图8(a)可知,本文方法的模糊线性指数是三种方法中最低的,只有当累积分布达到300以上,本文方法的模糊线性指数才与基于引导滤波分层的增强方法的模糊线性指数相同,并且模糊线性指数越低,PL值越大,因此图8(b)中,本文方法的PL值是三种方法中最大的,且最高可达580,分析图8(c)可知,本文提出的基于聚类分割的增强方法的粗糙度在0.1以内,比基于引导滤波分层的增强方法和基于模拟多曝光融合的增强方法的粗糙度低。

综合上述分析,本文提出的基于聚类分割的增强方法进行交互式遥感热红外图像增强的效果最好。

5 结 语

交互式遥感热红外图像被许多领域应用,交互式遥感热红外图像的清晰度成为人们关注的重点。目前交互式遥感热红外图像模糊增强方法存在抗噪性能差、视觉效果差、增强效率低的问题,提出基于聚类分割的交互式遥感热红外图像模糊增强方法。通过验证表明,采用本文方法可有效的降低模糊线性指数和粗糙度,提高了PL值,使得图像增强效果要优于传统方法,且有效的解决了目前方法中存在的问题,为交互式遥感热红外图像的应用和后续处理奠定了基础。