CN101419707A - 底层图像挖掘中获取最佳质量图像的方法 - Google Patents

Abstract

一种底层图像挖掘中获取最佳质量图像的方法，包括以下步骤：(1)检测源图像的灰度谱分布，确定具有凸型灰度谱分布，然后确定源图像灰度谱的左边界值GLeft、右边界值Gright及峰值PG，并计算该图像的灰度谱连续带宽BW；(2)建立图像质量评价函数NR－IQAF；(3)进行底层图像挖掘，计算评价函数NR－IQAF的值；(4)用步骤(3)B中图像质量评价函数NR－IQAF最大值所对应的挖掘参数theta、delta按照步骤(3)所述底层图像挖掘公式挖掘出的图像即为质量最佳图像。该方法能够迅速地对源图像的灰度谱呈凸型谱分布的图像在进行底层图像挖掘过程中获得客观意义上的最佳质量图像，在光照很低的拍摄条件下拍摄的图像通过该方法能够获得清晰的客观自然景物的最佳图像。

Description

底层图像挖掘中获取最佳质量图像的方法

技术领域

本发明属于计算机数字图像处理和光机电一体化领域。

背景技术

底层图像挖掘技术将人类视觉不可用信息变为视觉可用信息，可用于挖掘恶劣条件下拍摄的图像信息，如汽车肇事后逃逸，金融机构监控图像中隐藏的信息等。然而在挖掘过程中由于无法判断用什么挖掘参数才能挖掘出图像质量最佳，很费时费力，而且挖掘获得的所谓最佳质量图像依赖于人类不同个体的主观感受，并非客观意义上的最佳质量图像。所以在实践中不得不进行反复挖掘以使挖掘出的图像信息达到人类视觉质量最佳。目前，国内外对于如何在挖掘中直接获取质量最佳的图像成为人类尚未解决好的问题。

发明内容

本发明的目的是提供一种对于具有凸型灰度谱分布的源图像进行底层图像挖掘时获取质量最佳图像的方法，运用该方法可快速地获得客观意义上的最佳质量图像。

本发明的目的是通过这样的技术方案实现的，该方法包括以下步骤：

(1)检测源图像的灰度谱分布，确定原始图像具有凸型灰度谱分布，然后确定源图像灰度谱的左边界值GLeft、右边界值Gright及峰值PG，并计算该图像的灰度谱连续带宽BW；

(2)建立图像质量评价函数NR-IQAF，所用公式为：

NR-IQAF(theta，delta)＝InEn(theta，delta)*C(theta，delta)

InEn为图像信息熵，C为平均对比度，图像信息熵InEn的计算公式为：

$\mathrm{InEn}=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right){\mathrm{Log}}_{2}p\left(i\right)$

式中p(i)为图像在第i个灰度级上的像素数，当p(i)＝0时，令Log₂p(i)＝0；平均对比度C的计算公式为：

$\stackrel{\‾}{C}=\frac{1}{(M-2)*(N-2)}\underset{y=0}{\overset{N-2}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-2}{\mathrm{\Σ}}}|G(x,y)-G(x+1,y)|$

M，N为图像在x，y方向的像素数，G(x，y)为像素点(x，y)的灰度值，G(x+1，y)为像素点(x+1，y)的灰度值；

(3)进行底层图像挖掘，并用挖掘图像对应的信息熵InEn和平均对比度C计算评价函数NR-IQAF的值，底层图像挖掘公式为：

$\mathrm{TG}(x,y)=K\frac{\mathrm{OG}(x,y)-\mathrm{Theta}}{\mathrm{Delta}}$

约束条件：

$\mathrm{TG}(x,y)=\left\{\begin{array}{cc}255,& \mathrm{TG}(x,y)>255\\ 0,& \mathrm{TG}(x,y)<0\end{array}\right.$

TG(x，y)、OG(x，y)分别表示挖掘图像和源图像在像素点(x，y)的灰度值，Theta[0，255]和delta[1，255]为挖掘参数，分别表示挖掘起点和挖掘图像的灰度层次，K为空间伸缩因子，对于底层图像挖掘，取k＝255；theta的初始值为(PG+GLeft)/2

A、优化挖掘参数delta：

令theta的初始值为(PG+GLeft)/2，delta从1到源图像灰度谱连续带宽BW每次增1变化，对源图像进行底层图像挖掘，用每个delta值所对应的挖掘图像的信息熵InEn和平均对比度C计算图像质量评价函数NR-IQAF的值，直到图像质量评价函数NR-IQAF获得的最大值；

B、优化挖掘参数theta

将上述A中获得的NR-IQAF最大值对应的挖掘参数delta作为固定值，theta从图像灰度谱带宽左边界Gleft到灰度谱带宽右边界值Gright每次增1变化，对上述A中初步优化的图像进行底层图像再挖掘，用每个theta值所对应挖掘图像的信息熵InEn和平均对比度C计算图像质量评价函数NR-IQAF的值，直到图像质量评价函数NR-IQAF获得的最大值；

(4)用步骤(3)B中图像质量评价函数最大值NR-IQAF所对应的挖掘参数theta、delta按照步骤(3)所述的底层图像挖掘公式挖掘出的图像即为质量最佳图像。

本发明步骤(1)中所用的用于图像灰度谱的检测方法(该方法记载在专利号为ZL200610054324.9的发明专利中)具有强有力的底层图像信息挖掘功能，具有一个像素点的可视化精度，是一般灰度直方图和对数灰度直方图不能比拟的，在很低照度下拍摄的图像，经过分级平坦化后的灰度谱显示了该图像的所有信息，其谱的宽度表明了图像信息存在的范围，我们称之为图像的灰度谱连续带宽用BW表示。所用公式为：

$T\left(g\right)=\frac{O^{1/m}\left(g\right)}{{\mathrm{\&Sigma;}}_{g=0}^{255}{O}^{1/m}\left(g\right)}{\mathrm{\&Sigma;}}_{g=0}^{255}O\left(g\right)$

式中，O(g)，T(g)分别表示原始图像和目标图像在第g个灰度级上的像素数；g＝0，1，2、…N-1，N＝255，表示灰度或色度级；M为正整数，称为平坦化级；

本发明适合源图像的灰度谱呈凸型谱分布的情况，即图像的灰度谱具有一个波峰的情况。这里需要说明的是：根据反复实验得出，theta的初始值设定为(PG+GLeft)/2可以大大减少计算量，因此本发明方法在此将theta的初始值设定为(PG+GLeft)/2。

根据反复实验发现，根据挖掘出的图像所对应的theta及delta值计算图像质量评价函数的值，图像质量评价函数NR-IQAF的值随着delta或theta的变化有最大值。这与随delta或theta变化挖掘出的图像质量从差到好，然后再到图像的质量变差的变化趋势一致，这种变化无论是在对delta进行优化过程即上述步骤(3)A中，还是在对theta优化过程即上述步骤(3)B中，均与步骤(2)中所述的图像质量评价函数NR-IQAF值的随delta和theta的变化趋势一致，且当无参图像质量评价函数取NR-IQAF最大值时，用其所对应的theta及delta值，由步骤(3)所述的挖掘公式挖掘出的图像为人类视觉最佳图像。这里要说明的是，本发明方法并不局限于挖掘参数作两次优化，若有需要反复对theta和delta进行再次优化。但是通常没有这个必要，因为无论是利用本方法对源图像进行两次优化还是更多次的优化，人类视觉来看，更多次的优化所得到的图像与本方法所获得的图像相比较几乎已无视觉差别。

本发明的有益效果是：该方法能够迅速地对源图像的灰度谱呈凸型谱分布的图像在进行底层图像挖掘过程中获得客观意义上的最佳质量图像，在光照很低的拍摄条件下拍摄的图像通过该方法能够获得清晰的客观自然景物的最佳图像；将本方法嵌入现有照相机系统可以实现普通相机夜景拍摄，并获得最佳夜景质量图像，嵌入现有监控系统可以实现全天候监控，嵌入现有微光夜视系统提高现有系统功能。

附图说明

本发明的附图说明如下：

图1为本发明方法的流程图；

图2为本实施例的源图像及其检测出的灰度谱为凸型谱分布；Gleft＝37；Gright＝59；PG＝44；BW＝23；

图3为delta或theta变化过程中挖掘出的图像；

其中图3(a)为theta＝41；delta＝5；NR-IQAF＝23.5617对应挖掘出的图像；

图3(b)为优化delta时，theta＝41；delta＝9；NR-IQAF取最大值44.8396时对应挖掘出的图像；

图3(c)为优化delta时，theta＝41；delta＝20；NR-IQAF＝23.4220时对应挖掘出的图像；

图3(d)为优化theta时，theta＝42；delta＝9；NR-IQAF取最大值47.3962时对应挖掘出的图像；

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

实现本发明方法的流程图如图1所示，具体步骤如下：

(1)检测源图像的灰度谱分布，确定具有凸型灰度谱分布，然后确定源图像灰度谱的左边界值GLeft、右边界值Gright及峰值PG，并计算该图像灰度谱的连续带宽BW；如图2所示可明显看出本实施例的灰度谱具有凸型谱分布。

本发明步骤(1)中所用的用于图像灰度谱的检测方法(该方法记载在专利号为ZL200610054324.9的发明专利中)具有强有力的底层图像信息挖掘功能，具有一个像素点的可视化精度，是一般灰度直方图和对数灰度直方图不能比拟的，在很低照度下拍摄的图像，经过分级平坦化后的灰度谱显示了该图像的所有信息，其谱的宽度表明了图像信息存在的范围，我们称之为图像的灰度谱连续带宽用BW表示。所用公式为：

$T\left(g\right)=\frac{O^{1/m}\left(g\right)}{{\mathrm{\&Sigma;}}_{g=0}^{255}{O}^{1/m}\left(g\right)}{\mathrm{\&Sigma;}}_{g=0}^{255}O\left(g\right)$

式中，O(g)，T(g)分别表示原始图像和目标图像在第g个灰度级上的像素数；g＝0，1，2、…N-1，N＝255，表示灰度或色度级；M为正整数，称为平坦化级；

(2)建立图像质量评价函数NR-IQAF，所用公式为：

NR-IQAF(theta，delta)＝InEn(theta，delta)*C(theta，delta)

InEn为图像信息熵，C为平均对比度，图像信息熵InEn的计算公式为：

$\mathrm{InEn}=-\underset{i=0}{\overset{255}{\mathrm{\&Sigma;}}}p\left(i\right){\mathrm{Log}}_{2}p\left(i\right)$

式中p(i)为图像在第i个灰度级上的像素数，当p(i)＝0时，令Log₂p(i)＝0；

平均对比度C的计算公式为：

$\stackrel{\&OverBar;}{C}=\frac{1}{(M-2)*(N-2)}\underset{y=0}{\overset{N-2}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{M-2}{\mathrm{\&Sigma;}}}|G(x,y)-G(x+1,y)|$

M，N为图像在x，y方向的像素数，G(x，y)为像素点(x，y)的灰度值，G(x+1，y)为像素点(x+1，y)的灰度值；

(3)进行底层图像挖掘，并用挖掘图像对应的信息熵InEn和平均对比度C计算评价函数IQAF的值，底层图像挖掘公式为：

$\mathrm{TG}(x,y)=K\frac{\mathrm{OG}(x,y)-\mathrm{Theta}}{\mathrm{Delta}}$

约束条件：

$\mathrm{TG}(x,y)=\left\{\begin{array}{cc}255,& \mathrm{TG}(x,y)>255\\ 0,& \mathrm{TG}(x,y)<0\end{array}\right.$

TG(x，y)、OG(x，y)分别表示挖掘图像和源图像在像素点(x，y)的灰度值，Theta[0，255]和delta[1，255]为挖掘参数，分别表示挖掘起点和挖掘图像的灰度层次，K为空间伸缩因子，对于底层图像挖掘，取k＝255；设theta的初始值为(PG+GLeft)/2。本发明适合源图像的灰度谱呈凸型谱分布的情况，即图像的灰度谱具有一个波峰的情况。这里需要说明的是：根据反复实验得出，theta的初始值设定为(PG+GLeft)/2可以大大减少计算量，因此本发明方法在此将theta的初始值设定为(PG+GLeft)/2。

A、优化挖掘参数delta：

设theta的初始值为(PG+GLeft)/2，delta从1到灰度谱连续带宽BW每次增1变化，对源图像进行底层图像挖掘，用每个delta值所对应的挖掘图像的信息熵InEn和平均对比度C计算图像质量评价函数NR-IQAF的值，直到图像质量评价函数NR-IQAF获得的最大值；

B、优化挖掘参数theta

将上述A中获得的NR-IQAF最大值对应的挖掘参数delta作为固定值，theta从图像灰度谱带宽左边界Gleft到灰度谱带宽右边界值Gright每次增1变化，对经过上述A优化的图像进行底层图像再挖掘，用每个theta值所对应挖掘图像的信息熵InEn和平均对比度C计算图像质量评价函数NR-IQAF的值，直到图像质量评价函数NR-IQAF获得的最大值；

(4)用步骤(3)B中图像质量评价函数NR-IQAF最大值所对应的挖掘参数theta、delta按照步骤(3)所述底层图像挖掘公式挖掘出的图像即为质量最佳图像。

根据反复实验发现，根据挖掘出的图像所对应的theta及delta值计算图像质量评价函数的值，图像质量评价函数NR-IQAF的值随着delta或theta的变化有最大值。这与delta或theta变化挖掘出的图像质量从差到好，然后再到图像的质量变差的变化趋势一致，这种变化无论是在对delta进行优化过程即上述步骤(3)A中，还是在对theta优化过程即上述步骤(3)B中，均与步骤(2)中所述的图像质量评价函数NR-IQAF值的随delta和theta的变化趋势一致，且当无参图像质量评价函数取NR-IQAF最大值时，用其所对应的theta及delta值，由步骤(3)所述的挖掘公式挖掘出的图像为人类视觉最佳图像。这里要说明的是，本发明方法并不局限于挖掘参数作两次优化，若有需要反复对theta和delta进行再次优化。但是通常没有这个必要，因为无论是利用本方法对源图像进行两次优化还是更多次的优化，从人类视觉来看，更多次的优化所得到的图像与本方法所获得的图像相比较几乎已无视觉差别。

利用本发明方法对本实施例如图2所示的图像进行底层图像挖掘，得出最佳质量图像如图3(d)所示。表1为本实施例优化挖掘参数delta过程中，图像信息熵、平均对比度及图像质量评价函数随delta变化数据，根据表1的数据可以看出，在按照步骤3中A对挖掘参数delta进行优化过程中，当delta＝9时，NR-IQAF获得最大值44.8369，根据最大值对应的挖掘参数delta＝9，theta＝41按照步骤3所述的挖掘公式挖掘出的图像如图3(b)所示，比较用步骤(3)A初次优化过程中当delta＝5，NR-IQAF＝23.561挖掘出的图3(a)和delta＝20，NR-IQAF＝23.4220挖掘出的图3(c)，图3(b)的图像质量视觉效果更好。

续表

表1

表2为本实施例按照步骤(3)B优化挖掘参数theta过程中，图像信息熵、平均对比度、图像质量评价函数随theta变化的数据，根据表2的数据可以看出，优化theta时，挖掘参数delta固定不变，theta从左边界Gleft到右边界值Gright增1变化，当delta＝9，theta＝42时，NR-IQAF获得最大值47.3962，根据最大值对应的挖掘参数delta＝9，theta＝42挖掘出的图像如图3(d)所示，比较优化delta时质量评价函数NR-IQAF最大值对应挖掘出的图像如图3(b)所示视觉效果更加。

表2

嵌入本发明方法的照相机和摄像机可以实现在夜间拍摄出清晰图像。

嵌入本发明方法的数字望远镜可以实现夜间观测。

Claims (1)

1.一种底层图像挖掘中获取最佳图像质量的方法，其特征在于包括以下步骤：

(1)检测源图像的灰度谱分布，确定具有凸型灰度谱分布，然后确定源图像灰度谱的左边界值GLeft、右边界值Gright及峰值PG，并计算该图像灰度谱的连续带宽BW；

(2)建立图像质量评价函数NR-IQAF，所用公式为：

NR-IQAF(theta，delta)＝InEn(theta，delta)*C(theta，delta)

InEn为图像信息熵，C为平均对比度，图像信息熵InEn的计算公式为：

$\mathrm{InEn}=-\underset{i=0}{\overset{255}{\mathrm{\&Sigma;}}}p\left(i\right)L{\mathrm{og}}_{2}p\left(i\right)$

式中p(i)为图像在第i个灰度级上的像素数，当p(i)＝0时，令Log₂p(i)＝0；平均对比度C的计算公式为：

$\stackrel{\&OverBar;}{C}=\frac{1}{(M-2)*(N-2)}\underset{y=0}{\overset{N-2}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{M-2}{\mathrm{\&Sigma;}}}|G(x,y)-G(x+1,y)|$

M，N为图像在x，y方向的像素数，G(x，y)为像素点(x，y)的灰度值，G(x+1，y)为像素点(x+1，y)的灰度值；

(3)进行底层图像挖掘，并用挖掘图像对应的信息熵InEn和平均对比度C计算评价函数NR-IQAF的值，底层图像挖掘公式为：

$\mathrm{TG}(x,y)=K\frac{\mathrm{OG}(x,y)-\mathrm{Theta}}{\mathrm{Delta}}$

约束条件：

$\mathrm{TG}(x,y)=\left\{\begin{array}{cc}255,& \mathrm{TG}(x,y)>255\\ 0,& \mathrm{TG}(x,y)<0\end{array}\right.$

TG(x，y)、OG(x，y)分别表示挖掘图像和源图像在像素点(x，y)的灰度值，Theta[0，255]和delta[1，255]为挖掘参数，分别表示挖掘起点和挖掘图像的灰度层次，K为空间伸缩因子，对于底层图像挖掘，取k＝255；设theta的初始值为(PG+GLeft)/2；

A、优化delta参数：

令theta的初始值为(PG+GLeft)/2，delta从1到灰度谱连续带宽BW每次增1变化，对源图像进行底层图像挖掘，用每个delta值所对应的挖掘图像的信息熵InEn和平均对比度C计算图像质量评价函数NR-IQAF的值，直到图像质量评价函数NR-IQAF获得的最大值；

B、优化theta参数

将上述A中获得的NR-IQAF最大值对应的挖掘参数delta作为固定值，theta从图像灰度谱带宽左边界Gleft到灰度谱带宽右边界值Gright每次增1变化，对上述A中初步优化的图像进行底层图像再挖掘，用每个theta值所对应挖掘图像的信息熵InEn和平均对比度C计算图像质量评价函数NR-IQAF的值，直到图像质量评价函数NR-IQAF获得的最大值；

(4)用步骤(3)B中图像质量评价函数NR-IQAF最大值所对应的优化了的挖掘参数theta、delta按照步骤(3)所述底层图像挖掘公式挖掘出的图像即为质量最佳图像。

Images