CN102930512B - 基于HSV色彩空间结合Retinex的水下图像增强方法 - Google Patents

Abstract

本发明的目的在于提供基于HSV色彩空间结合Retinex的水下图像增强方法，包括如下步骤：读取RGB空间水声图像，将其转换成HSV空间图像；将HSV空间图像分解成色度H、饱和度S、数值V三个分量；对色度H分量保持不变，饱和度S分量进行表面波去噪，对数值V分量进行Retinex增强，得到处理后的三个分量H,S,V；将色度分量H、去噪后的饱和度分量S′、以及增强后的数值分量Vˊ合成新的HSV图像；将新的HSV图像逆变换至RGB空间，得到增强后的图像。本发明利用色彩空间转换以及不同增强方法的结合对水下图像进行增强，能有效保持图像的边缘和目标特性，为后续处理和分析提供准确的目标特性和边缘保持度。

Description

基于HSV色彩空间结合Retinex的水下图像增强方法

技术领域

本发明涉及的是一种图像处理方法，具体地说是水下水声图像处理方法。

背景技术

随着声纳成像技术的发展，声纳图像在海洋开发领域的应用日益广泛，声纳图像的目标识别成为数字图象处理领域的一个重要课题。虽然声纳图像与光学图像一样，在本质上都是能量的平面或空间分布图，但由于声信息传输信道(水声信道)的海水介质及其边界(海底、海面)具有复杂和多变的特性，以及声波本身的透射特性，在获取和传输的过程中都受到不同程度的噪声污染。图像的噪声对于进一步的分析、压缩等影响很大，因此有必要进行增强处理来获得高信噪比且细节清晰的图像。声纳图像的特性在很多方面与光学图像有所不同，然而，与光学图象处理技术的已趋成熟相比，目前对声纳图像特性的认识以及专门针对声纳图象处理的领域还存在很大的开发空间。

发明内容

本发明的目的在于提供能有效保持图像的边缘和目标特性，为后续处理和分析提供准确的目标特性和边缘保持度的基于HSV色彩空间结合Retinex的水下图像增强方法。

本发明的目的是这样实现的：

本发明基于HSV色彩空间结合Retinex的水下图像增强方法，其特征是：

（1）读取RGB空间水声图像，将其转换成HSV空间图像；

（2）将HSV空间图像分解成色度H、饱和度S、数值V三个分量；

（3）对色度H分量保持不变，饱和度S分量进行表面波去噪，对数值V分量进行Retinex增强，得到处理后的三个分量H,S′,V′；

（4）将色度分量H、去噪后的饱和度分量S'、以及增强后的数值分量V′合成新的HSV图像；

（5）将新的HSV图像逆变换至RGB空间，得到增强后的图像。

本发明还可以包括：

1、所述的将RGB空间水声图像转换成HSV空间图像的方法为：采用如下公式将RGB转换至HSV：

$H=\left\{\begin{array}{cc}\mathrm{\θ}& G\≥B\\ 2\mathrm{\π}-\mathrm{\θ}& G\≤B\end{array}\right.,$ $S=1-\frac{\sqrt{3}}{V}\min (R,G,B),$ $V=\frac{1}{\sqrt{3}}(R+G+B),$

$\mathrm{\θ}={\cos }^{-1}\left[\frac{\frac{1}{2}[(R-G)+(R-B)]}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right].$

2、饱和度S分量表面波去噪的方法为：对S分量进行Surfacelet分解，对于分解后的系数进行自适应阈值去噪，对去噪后系数进行Surfacelet合成。

3、所述的自适应阈值的确定方法为：

（1）对数值V分量进行三层二维小波分解；

（2）对二维小波分解提取各方向细节系数，分别得到水平方向SP，竖直方向SZ以及对角方向D的三组系数；

（3）用先验估计形式估计各层系数的噪声方差σ：

${\mathrm{\σ}}_1=\frac{\mathrm{median}\left(\right|\mathrm{SP}\left|\right)}{0.6745},$ ${\mathrm{\σ}}_2=\frac{\mathrm{median}\left(\right|\mathrm{SZ}\left|\right)}{0.6745},$ ${\mathrm{\σ}}_3=\frac{\mathrm{median}\left(\right|D\left|\right)}{0.6745};$

（4）图像的大小为m×n，依据噪声方差对每一层计算相对应的Donoho阈值th：

${\mathrm{th}}_1={\mathrm{\σ}}_1\sqrt{2{\log }_{10}(m\×n)},$ ${\mathrm{th}}_2={\mathrm{\σ}}_2\sqrt{2{\log }_{10}(m\×n)},$ ${\mathrm{th}}_3={\mathrm{\σ}}_3\sqrt{2{\log }_{10}(m\×n)};$

（5）最终的阈值为三者求和平均

本发明的优势在于：本发明利用色彩空间转换以及不同增强方法的结合对水下图像进行增强，能有效保持图像的边缘和目标特性，为后续处理和分析提供准确的目标特性和边缘保持度。

附图说明

图1为本发明的流程图；

图2a为噪声方差10条件下S无去噪增强后HSV，图2b为噪声方差10条件下S无去噪HSV逆变至RGB，图2c为噪声方差10条件下S去噪增强后HSV，图2d为噪声方差10条件下S去噪HSV逆变至RGB；

图3a为噪声方差10条件下HSV图像，图3b为噪声方差10条件下增强后HSV，图3c为噪声方差10条件下RGB空间直接增强，图3d为噪声方差10条件下HSV逆变换至RGB；

图4a为噪声方差10条件下HIS空间增强后，图4b为噪声方差10条件下HSV空间增强后，图4c为噪声方差10条件下HIS逆变换至RGB，图4d为噪声方差10条件下HSV逆变换至RGB；

图5为Surfacelet变换图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～5，本发明包括如下步骤：

(11)完成由RGB空间向HSV空间的转换

在本发明实施例中，读取一幅RGB空间的水声图像后，对其进行色彩空间的变换。

(1.2)将HSV图像分解成色度H，饱和度S，数值V三个分量

由传统的RGB空间转换至HSV空间后，分离出色度H、饱和度S、数值V三个分量。

HSV彩色系统基于柱坐标系，将RGB转换至HSV的转换公式为：

$H=\left\{\begin{array}{cc}\mathrm{\θ}& G\≥B\\ 2\mathrm{\π}-\mathrm{\θ}& G\≤B\end{array}\right.---\left(1\right)$

$S=1-\frac{\sqrt{3}}{V}\min (R,G,B)---\left(2\right)$

$V=\frac{1}{\sqrt{3}}(R+G+B)---\left(3\right)$

$\mathrm{\θ}={\cos }^{-1}\left[\frac{\frac{1}{2}[(R-G)+(R-B)]}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right]---\left(4\right)$

从HSV转换至RGB空间为上述公式的逆变换。

(1.3)对色度H分量保持不变，饱和度S分量进行表面波去噪，对数值V分量进行Retinex增强，分别得到处理后的三个分量H,S′,V'

多尺度分解和多维方向滤波器组结合构成Surfacelet变换。Surfacelet变换通过基函数的伸缩、平移等运算对信号进行多尺度细化分析，能有效地从信号中提取信息。针对水声图像进行去噪处理，可以获得比小波更好的边缘保持精度，进一步提高输出图像信噪比，并且能很好地保留图像的细节信息。

图中w代表频率，D_i(w)(i＝0,1)为高通滤波器，L_i(w)(i＝0,1)为低通滤波器，S(w)为反混频滤波器，可以避免上抽样带来的混频现象，↑2I表示2阶上采样，↓3I表示3阶下采样，3D-DFB表示三维方向滤波器组，a_n,a_n+1分别表示两次分解后的低通分量结果。Surfacelet逆变换具有与之相对称的结构。对于图像经过Surfacelet变换后的系数进行统计，取最精细层和最粗糙层的某一方向子块的系数分布可以发现，能量集中在有限的变换域系数上，其余大部分变换域系数的幅值接近于零。而对高斯白噪声进行Surfacelet分解后，任取两个方向子块的系数分布仍是高斯白噪声，能量均匀地分布在所有的变换域系数上。

对于饱和度S分量使用表面波去噪，具体按如下步骤进行：

1.对S分量进行Surfacelet分解

2.对于分解后的系数进行自适应阈值去噪

3.对去噪后系数进行Surfacelet合成

其中自适应阈值确定具体按如下步骤进行：

1.首先对数值V分量进行三层二维小波分解，

2.对二维小波分解提取各方向细节系数，分别得到水平方向SP，竖直方向SZ以及对角方向D的三组系数

3.用先验估计形式估计各层系数的噪声方差σ

${\mathrm{\σ}}_1=\frac{\mathrm{median}\left(\right|\mathrm{SP}\left|\right)}{0.6745}---\left(5\right)$

${\mathrm{\σ}}_2=\frac{\mathrm{median}\left(\right|\mathrm{SZ}\left|\right)}{0.6745}---\left(6\right)$

${\mathrm{\σ}}_3=\frac{\mathrm{median}\left(\right|D\left|\right)}{0.6745}---\left(7\right)$

4.图像的大小为m×n，依据噪声方差对每一层计算相对应的Donoho阈值th

${\mathrm{th}}_1={\mathrm{\σ}}_1\sqrt{2{\log }_{10}(m\×n)}---\left(8\right)$

${\mathrm{th}}_2={\mathrm{\σ}}_2\sqrt{2{\log }_{10}(m\×n)}---\left(9\right)$

${\mathrm{th}}_3={\mathrm{\σ}}_3\sqrt{2{\log }_{10}(m\×n)}---\left(10\right)$

5.最终的阈值为三者求和平均

而对于提取的数值分量V则单独对其实施Retinex增强。

Retinex理论是在人眼视觉特点的基础上模拟了视网膜(Retina)和大脑的视觉皮层(Cortex)成像的过程而提出的。

假设原始图像为I(x，v)，反射图像为R(x，y)，亮度图像为L(x，y)，

成像过程可以表示为I(x,y)＝R(x,y)×L(x,y)(12)

Retinex理论指出入射光决定了图像中像素能达到的动态范围，反射光则决定了一幅图像的内在性质。去除入射光的性质来获得物体的本来面貌，即增强的图像。

实际操作中可以通过改变亮度图像与反射图像之间的比例从而达到图像增强目的。

单尺度Retinex算法公式为：

$r_i(x,y)=\log R_i(x,y)=\log \frac{I_i(x,y)}{L_i(x,y)}=\log I_i(x,y)-\log [F(x,y)*I_i(x,y)]---\left(12\right)$

其中r_i(x,y)为Retinex第i个通道的输出，I_i(x,y)表示图像中第i个通道中各像素的值。

为环绕函数，c为环绕尺度，K为常数且满足∫∫F(x，y)dxdy＝1。

(1.4)将色度分量H，去噪后的饱和度分量S'，以及增强后的数值分量V′合成新的HSV图像。

对数值分量V以图像的形式进行单尺度Retinex增强，得到增强后的数值分量V'。

(1.5)将新的HSV图像逆变换至RGB空间，得到增强后的图像

将新的分量V'与滤波后的H',S'分量合成新的HSV图像，对得到的新HSV图像进行中值滤波，最后通过逆变换转回RGB空间，完成对水声图像的整体增强操作，提升图像的视觉效果。

图2为根据本发明实施例的S分量不进行去噪图像增强后和S分量进行去噪图像增强对比效果示意图。图中所示噪声环境为方差10的零均值高斯噪声，通过两图的对比可以看出，S分量去噪后的增强水声图像去除了原始图像中的噪声点，提升了对比度，边缘更加清晰。

图3为根据本发明实施例的原始水声图像在RGB色彩空间和HSV色彩空间增强对比效果示意图。图中所示噪声环境为方差10的零均值高斯噪声，通过两图的对比可以看出，HSV色彩空间中增强后的水声图像色彩更真实，图像细节更清晰。

图4为根据本发明实施例的原始水声图像在HSI色彩空间和HSV色彩空间增强对比效果示意图。图中所示噪声环境为方差10的零均值高斯噪声，通过两图的对比可以看出，HSV色彩空间中增强后的水声图像去除了原始图像中的噪声点，提升了对比度。

综上所述，本发明在HSV色彩空间下结合Retinex和表面波去噪的水声图像增强方法，通过实验可知，该方法对于原始水声图像的信息量和清晰度有明显的提高。在增强后能比较清晰地获得边缘和细节信息，该优点对于以后进一步分析处理等有很大的帮助。虽然本发明是针对水声图像的特点而设计的，但根据不同的应用领域，本发明经过适当的修改同样可以适用于其他相关的图像处理领域。

Claims (1)

1.基于HSV色彩空间结合Retinex的水下图像增强方法，其特征是：

(1)读取RGB空间水声图像，将其转换成HSV空间图像；

(2)将HSV空间图像分解成色度H、饱和度S、数值V三个分量；

(3)对色度H分量保持不变，饱和度S分量进行表面波去噪，对数值V分量进行Retinex增强，得到处理后的三个分量H,S',V'；

(4)将色度分量H、去噪后的饱和度分量S'、以及增强后的数值分量V'合成新的HSV图像；

(5)将新的HSV图像逆变换至RGB空间，得到增强后的图像；

所述的将RGB空间水声图像转换成HSV空间图像的方法为：采用如下公式将RGB转换至HSV：

$H=\left\{\begin{array}{cc}\mathrm{\θ}& G\≥B\\ 2\mathrm{\π}-\mathrm{\θ}& G\≤B\end{array}\right.,$ $S=1-\frac{\sqrt{3}}{V}min(R,G,B),$ $V=\frac{1}{\sqrt{3}}(R+G+B),$

$\mathrm{\θ}={\cos }^{-1}\[\frac{\frac{1}{2}\[(R-G)+(R-B)\]}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\];$

饱和度S分量表面波去噪的方法为：对S分量进行Surfacelet分解，对于分解后的系数进行自适应阈值去噪，对去噪后系数进行Surfacelet合成；

所述的自适应阈值的确定方法为：

(1)对饱和度S分量进行三层二维小波分解；

(2)对二维小波分解提取各方向细节系数，分别得到水平方向SP，竖直方向SZ以及对角方向D的三组系数；

(3)用先验估计形式估计各层系数的噪声方差σ：

${\mathrm{\σ}}_1=\frac{median\left(\right|SP\left|\right)}{0.6745},$ ${\mathrm{\σ}}_2=\frac{median\left(\right|SZ\left|\right)}{0.6745},$ ${\mathrm{\σ}}_3=\frac{median\left(\right|D\left|\right)}{0.6745};$

(4)图像的大小为m×n，依据噪声方差对每一层计算相对应的Donoho阈值th₁、th₂、th₃为：

${\mathrm{th}}_1={\mathrm{\σ}}_1\sqrt{2{\log }_{10}(m\×n)},$ ${\mathrm{th}}_2={\mathrm{\σ}}_2\sqrt{2{\log }_{10}(m\×n)},$ ${\mathrm{th}}_3={\mathrm{\σ}}_3\sqrt{2{\log }_{10}(m\×n)};$

(5)最终的阈值为三者求和平均