CN104881851A - 一种基于双高斯差模型的自适应图像目标增强方法 - Google Patents

Abstract

本发明公开了一种基于双高斯差模型的自适应图像目标增强方法，属于数字图像处理领域。所述方法基于生物视觉感受野的侧抑制现象建立图像空域滤波的双高斯差（DOG）模型。利用水面图像中目标和噪声灰度分布的先验知识以及兴奋性与抑制性作用相抵的约束关系选取模型参数，以达到局部最优的增强效果。本发明在增强目标、抑制背景和滤除噪声的综合性能方面优于传统的空域高通滤波器，增强后的图像不仅具有良好的视觉效果，同时满足了后续运动矢量估计对相关运算信噪比的需求。

Description

一种基于双高斯差模型的自适应图像目标增强方法

技术领域

本发明涉及一种图像目标增强方法，尤其涉及一种基于双高斯差模型的自适应图像目标增强方法，属于数字图像处理技术领域。

背景技术

大尺度粒子图像测速是一种新兴的瞬时全场流速测量技术，不仅可用于常规条件下明渠紊动特性和时均特性的研究，其非接触特性更具有极端条件下河道水流监测的应用潜力。然而相比受控的实验室条件，现场条件下河流水面成像的光学环境要复杂得多。首先，满足跟随性要求的示踪物通常具有较小的尺寸，对于视场区域高达数千平方米的大尺度河流，示踪物在水面图像中往往表现为弱小目标，甚至是点目标；其次，河流水面是空气和水介质的临界面，水面光学成像不仅受到大气散射噪声的影响，还受到水面反射噪声和水下出射噪声的干扰。这些噪声不随水流运动但却随时间动态变化，在图像中形成极明、极暗或纹理复杂的干扰模式并具有较大的空间尺度，降低了目标和水面背景间的对比度。不仅人眼难以辨识，而且降低了相关曲面的信噪比，甚至引起错误的运动矢量估计结果。因此开展河流水面图像目标增强方法的研究具有重要的理论意义和应用价值。

现有大尺度粒子图像测速方法要么不做目标增强处理，要么沿用传统粒子图像测速技术中的目标增强方法。直方图均衡化这类灰度变换算法虽然能改善图像的视觉效果，但对目标和背景的对比度增强作用有限；而中值滤波等平滑滤波算法不仅无法消除水面特有的光学噪声，反而会削弱目标的细节信息。对于水面光学噪声，现行做法主要通过选择合适的拍摄角度来回避，往往给后续的系统标定和流量估计带来不便。基于水体及示踪物的光谱特性差异近红外成像方法从硬件上实现了水面目标的实时增强，但依然存在强背景噪声的干扰。后续采用空域高通滤波能够在很大程度上抑制低频的背景，但固定的卷积模板没有考虑局部水面图像中目标、背景和噪声的分布和统计特性，难以达到最优的增强效果。

感知系统是生物体的信息输人通道，对生物的行为和决策具有重要作用，因而感知仿生技术的研究有助于许多工程问题的解决。特别是生物视觉系统卓越的目标检测和跟踪能力是现有计算机视觉技术无法比拟的，因而计算模型与生物系统不断融合的处理思想正成为当前计算机视觉研究的重要发展方向。

发明内容

本发明针对现有方法的不足，提供了一种基于双高斯差模型的自适应图像目标增强方法。方法受生物视觉感受野机制的启发，采用双高斯差模型对图像进行空域滤波增强处理，并利用水面图像中目标和噪声灰度分布的先验知识以及兴奋性与抑制性作用趋于相抵的约束关系求解模型参数，使之能够根据局部图像的统计特征自适应地改变滤波模板，以达到局部最优化增强的目的。

该方法通过以下技术手段实现：

基于双高斯差模型的自适应图像目标增强方法，分为以下五个步骤：

(1)建立敏感度约束关系。感受野在均匀光照下的兴奋性与抑制性作用趋于相抵，用于抑制空间频率中的直流分量，从而适应不同的环境光强。根据这一生理现象，在均值附近[-w,w]的积分区间内，曲线G₁、G₂与零点基线围成的面积应当相等，即：

${\∫}_{-w}^w\frac{A_1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-x^2/{2\mathrm{\σ}}_1^2}\mathrm{dx}={\∫}_{-w}^w\frac{A_2}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}{e}^{-x^2/{2\mathrm{\σ}}_2^2}\mathrm{dx}$

通过查询标准正态分布表获得高斯函数G₁、G₂的累积概率P₁、P₂，将上式表示为：

A₁P₁(-w≤x≤w)＝A₂P₂(-w≤x≤w)

令模板半径w＝ασ₂，其中1.5≤α≤3，定义积分区间内两个高斯函数能量分布的比例因子：

$\mathrm{\η}=\frac{A_1}{A_2}=\frac{P_2(-2\≤x\≤w)}{P_1(-w\≤x\≤w)}$

由此建立了敏感度A₁和A₂间的约束关系。

(2)模型离散化。二维高斯函数的离散化表达式为：

$G(i,j)=\frac{2}{{2\mathrm{\π\σ}}^2}{e}^{-[{(i-w-1)}^2+{(j-w-1)}^2]/{2\mathrm{\σ}}^2}$

其中，(i,j)表示模板权值所在的位置，有1≤i≤2w+1，1≤j≤2w+1。根据河流水面图像中目标和随机噪声平均半径的先验知识对σ₁、σ₂和α进行取值。代入上式可得两个归一化高斯函数的卷积模板G₁(i,j)、G₂(i,j)。模型离散化后积分区间内的比例因子为：

$\mathrm{\η}=\frac{\underset{i=1}{\overset{2w+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{2w+1}{\mathrm{\Σ}}}{G}_2(i,j)}{\underset{i=1}{\overset{2w+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{2w+1}{\mathrm{\Σ}}}{G}_1(i,j)}$

则二维双高斯差模型的离散化表达式可以写成：

$\mathrm{DOG}(i,j)=A_1[G_1(i,j)-\frac{1}{\mathrm{\η}}{G}_2(i,j)]$

当敏感度参数A₁＝1时，代入参数σ₁、σ₂、w和η得到归一化的卷积模板。采用一种从中心权值m_w+1,w+1中减去模板所有元素之和的方法对权值取整引起的截断误差进行补偿，即：

$m_{w+1,w+1}^{\′}=m_{w+1,w+1}-\underset{i=1}{\overset{2w+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{2w+1}{\mathrm{\Σ}}}\mathrm{DOG}(i,j)$

由此确定了一个唯一的归一化DOG卷积模板。 

(3)图像空域滤波。双高斯差模型采用描述兴奋性和抑制性作用的分布函数描述GC感受野对光刺激的空间响应，并以此为权重计算细胞上的总光通量。对于二维图像信号，该滤波过程表示为如下的空域卷积形式：

g(x,y)＝I(x,y)*DOG(i,j)

(4)求解敏感度参数。考虑到滤波后图像g(x,y)中的最大灰度值代表了目标的灰度峰值，将A₁定义为目标强度相对于最大图像灰度级的灰度拉伸比，即：

A₁＝255/max(g(x,y))

(5)图像灰度拉伸。采用敏感度参数A₁对空域滤波后的图像进行灰度拉伸，得到自适应增强的图像：

g′(x,y)＝A·g(x,y)

所述的图像空域滤波器采用ON型视觉感受野的双高斯差(DOG)模型构建。模型中两个高斯函数分别代表兴奋性和抑制性分布，通过二者之差来模拟视网膜神经节细胞(GC)感受野的空间特性。其归一化的一维和二维表达式分别如下：

$\mathrm{DOG}\left(x\right)=G_1\left(x\right)-G_2\left(x\right)=\frac{A_1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-x^2/{2\mathrm{\σ}}_1^2}-\frac{A_2}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}{e}^{-x^2/{2\mathrm{\σ}}_2^2}$

$\mathrm{DOG}(x,y)=G_1(x,y)-G_2(x,y)=\frac{A_1}{{2\mathrm{\π\σ}}_1^2}{e}^{-(x^2+y^2)/{2\mathrm{\σ}}_1^2}-\frac{A_2}{{2\mathrm{\π\σ}}_2^2}{e}^{-(x^2+y^2){/2\mathrm{\σ}}_2^2}$

其中，G₁、G₂分别为表示兴奋性和抑制性分布的零均值高斯函数；A₁和A₂分别表示两种分布的敏感度，满足A₁＞A₂；标准差σ₁和σ₂分别表示两种分布的空间散布程度，满足σ₁＜σ₂。

本发明具有以下有益效果：

本发明采用的双高斯差模型模拟了视网膜神经节细胞感受野“中心兴奋-外周抑制”的空间特性，在本质上是一个从原图中滤除背景和噪声分量，得到尺度介于两个高斯函数标准差之间目标分量的带通滤波器。目标和噪声尺度的先验知识决定了双高斯函数的空间散布程度，而兴奋性和抑制性作用相抵消的约束建立了有限积分区间内双高斯函数敏感度间的关系。根据水面图像中目标分量应在图像中占主导但避免出现饱和的原则，采用灰度线性拉伸机制实现了模型中敏感度参数的自适应选取，符合调制强度随外界刺激发生变化的生理特性。方法在提高图像信杂比、相关曲面信噪比和矢量正确率方面均优于采用固定模板的传统空域高通滤波方法，并具有计算简便、可操作性强、参数和滤波效果间关系明确的优点。

附图说明

图1是本发明中河流水面成像的光学环境示意图。

图2是本发明中近红外波段的河流水面测试图像。

图3是本发明中典型水面目标的灰度分布图。

图4是本发明中典型水面背景的灰度直方图。

图5是本发明中GC感受野的同心圆分布示意图。

图6是本发明中ON型感受野双高斯差模型的空间分布图。

图7是本发明中自适应图像目标增强方法的流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明中河流水面成像的光学环境如图1所示。河流水面是一种典型的气-水交界面，到达图像传感器的总辐射量L可以描述为： 

L(λ)＝L_s(λ)+L_r(λ)+L_o(λ)+L_t(λ)    (1) 

式中，L_s、L_r、L_o和L_t分别对应于大气散射光、水面反射光、水下出射光及目标反射光的辐射分量，辐射强度是波长λ的函数。其中目标反射光是有用信息，仅占总辐射量的很小一部分；而其余光辐射分量应当被视为背景噪声，对总辐射量起主要贡献。由于在近红外河流水面图像中目标f_T、背景f_B和噪声f_N互不相关，可以采用三者的灰度线性叠加建立图像的数学模型，描述如下：

I(x,y)＝f_T(x,y)+f_B(x,y)+f_N(x,y)    (2) 

理想的水面成像测速图像应当仅保留目标的灰度分量，而其它分量为零。

本发明中近红外波段的河流水面测试图像如图2所示。用于分析目标、背景和噪声的分 布特性及统计特性。目标主要为随机出现的树枝、树叶及生活垃圾等天然漂浮物。背景主要为建筑物和树木在水面形成的倒影。噪声主要源于成像系统，包括光照不足引起的暗噪声和电子器件发热引起的热噪声，这在非制冷型近红外成像系统中尤为明显。这些成像系统噪声在空域中的大小在1个像素左右，支撑域较小，但随机分布并具有帧间独立性，在频域中表现出和目标相似的高频特性。一般情况下可以将它们当作平稳随机过程来处理，简单地描述为加性高斯白噪声。因此噪声灰度分量f_N的空间统计特性可用零均值的二维高斯函数表示：

$p_{f_N}(x,y)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/{2\mathrm{\σ}}^2}---\left(3\right)$

本发明中典型水面目标的灰度分布如图3所示。在近红外水面图像中，水面目标和水体背景的对比度得到增强，表现为灰度值大于局部背景值的白色亮斑，大小在几个到几十个像素之间。这些运动小目标没有明显的形状和结构特征，但满足灰度分布的平稳性和运动轨迹的连续性，并包含了大量图像的高频信息。受远距离拍摄和小孔径成像的影响，目标出现模糊和失真的现象。这种退化过程可用如下空域的卷积运算来描述：

f_T(x,y)＝a(x,y)*h(x,y)    (4) 

其中，(x,y)为空间变量，即像素的坐标；f_T为图像中目标的灰度分量；a(x,y)是目标的灰度分布，对小目标而言可以认为是一个常数；h(x,y)是描述光传输特性的传递函数。鉴于典型目标的灰度分布近似服从二维高斯分布，传递函数可表示为：

$h(x,y)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/{2\mathrm{\σ}}^2}---\left(5\right)$

本发明中典型水面背景的灰度直方图如图4所示。水体在近红外水面图像中表现为一个偏暗且灰度分布均衡的背景，占据着图像的低频部分；灰度强度主要由水深、水体成分及环境光强共同决定。水面光学噪声受水面低频波动的影响形成起伏背景杂波，在空间上往往呈现出变化缓慢的大面积连续分布状态，具有较大的空间相关性；但在边缘处的分布是不平稳的，表现出与目标相接近的高频特性。背景的灰度分量f_B仅占有少数灰度级i，并且大多集中在低灰度区；背景的灰度均值μ代表了图像中的直流成分；而形似双峰的毛刺部分对应于耀光及倒影产生的局部亮区和暗区。可以认为水面起伏背景的灰度统计特性近似服从一维高斯分布，概率密度函数可表示：

$p_{f_B}\left(i\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-{(i-\mathrm{\μ})}^2/{2\mathrm{\σ}}_1^2}---\left(6\right)$

本发明中GC感受野的同心圆分布示意图如图5所示。生物的视觉侧抑制现象是发生在视觉过程初始阶段的一种单纯的神经机制。以脊椎动物视觉系统中处于信息处理初级阶段的视网膜神经节细胞(gauglion cell，GC)为例，当视网膜上某个局部区域的光感受器在受到光刺激时会引起神经节细胞产生相应的神经发放变化，这一区域被称为GC感受野。大量电生理学实验表明，GC感受野一般呈同心圆状分布，其中心区和周边区之间是相互拮抗的，并且在均匀光照下这种兴奋性作用(+)和抑制性作用(-)总是趋向于抵消。对生物而言，在视觉成像过程中，这种光学信息的预处理能够对其屈光系统及生存环境中随机介质引起的光线退化起到补偿或复原的作用，从而提高生物观察物体的清晰度。因此，视觉感受野中侧抑制现象的工程化模拟对于复杂水面光学环境下的图像目标增强具有重要借鉴意义。

本发明中ON型感受野双高斯差模型的空间分布如图6所示。双高斯差(DOG)模型采用两个高斯函数分别代表兴奋性和抑制性分布，通过二者之差来模拟GC感受野的空间特性。其归一化的一维和二维表达式分别如下：

$\mathrm{DOG}\left(x\right)=G_1\left(x\right)-G_2\left(x\right)=\frac{A_1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-x^2/{2\mathrm{\σ}}_1^2}-\frac{A_2}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}{e}^{-x^2/{2\mathrm{\σ}}_2^2}---\left(7\right)$

$\mathrm{DOG}(x,y)=G_1(x,y)-G_2(x,y)=\frac{A_1}{{2\mathrm{\π\σ}}_1^2}{e}^{-(x^2+y^2)/{2\mathrm{\σ}}_1^2}-\frac{A_2}{{2\mathrm{\π\σ}}_2^2}{e}^{-(x^2+y^2){/2\mathrm{\σ}}_2^2}---\left(8\right)$

其中，G₁、G₂分别为表示兴奋性和抑制性分布的零均值高斯函数；A₁和A₂分别表示两种分布的敏感度；标准差σ₁和σ₂分别表示两种分布的空间散布程度。当A₁＞A₂、σ₁＜σ₂时DOG模型描述了ON型感受野。DOG模型具有以下空域性质：1)模型的权值随距离增减，使得较远像素对中心像素的影响减弱，具有空间局域性；2)模型的权值分布在空间上连续可微，具有空间光滑性；3)模型的权值分布在各个方向上相同，具有旋转不变性；4)二维模型可分解为一维形式在x、y方向的连续卷积，具有可分离性。相比其他两种模型，DOG模型不仅用非常简单的公式有效地模拟了视网膜神经节细胞同心圆结构感受野的“中心兴奋-外周抑制”这一空间特性，而且具有模型参数少、物理意义明确的优点，有利于工程化模拟。

本发明中自适应图像目标增强方法的流程如图7所示。本发明利用水面图像中目标和噪声灰度分布的先验知识以及兴奋性与抑制性作用趋于相抵的约束关系求解DOG模型参数，使之能够根据局部图像的统计特征自适应地改变滤波模板，以达到局部最优化增强的目的。实现流程包括：

(1)建立敏感度约束关系。感受野在均匀光照下的兴奋性与抑制性作用趋于相抵，用于 抑制空间频率中的直流分量，从而适应不同的环境光强。根据这一生理现象，图6a中曲线G₁、G₂与零点基线围成的面积应当相等，有：

${\∫}_{-\∞}^{\∞}\mathrm{DOG}\left(x\right)\mathrm{dx}=0---\left(9\right)$

代入式(7)，得：

${\∫}_{-\∞}^{\∞}\frac{A_1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-x^2/{2\mathrm{\σ}}_1^2}\mathrm{dx}={\∫}_{-\∞}^{\∞}\frac{A_2}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}{e}^{-x^2/{2\mathrm{\σ}}_2^2}\mathrm{dx}---\left(10\right)$

对上式两边进行积分变换，有：

$A_1{\∫}_{-\∞}^{\∞}{e}^{-x^2}\mathrm{dx}=A_2{\∫}_{-\∞}^{\∞}{e}^{-x^2}\mathrm{dx}---\left(11\right)$

因此，可得： 

A₁＝A₂    (12)

上式表明，对于积分区间为[-∞,+∞]的归一化高斯函数而言，DOG模型输出为零的条件是：中心兴奋区和外周抑制区的敏感度相等。在实际操作中，为避免卷积模板的尺寸过大，将积分区间限定在均值附近有限的区域[-w,w]内，则式(10)可写成：

${\∫}_{-w}^w\frac{A_1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-x^2/{2\mathrm{\σ}}_1^2}\mathrm{dx}={\∫}_{-w}^w\frac{A_2}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}{e}^{-x^2/{2\mathrm{\σ}}_2^2}\mathrm{dx}---\left(13\right)$

由于上式的积分不能用简单的初等函数表示，在实际计算时通过查询标准正态分布表获得高斯函数G₁、G₂的累积概率P₁、P₂，将上式表示为：

A₁P₁(-w≤x≤w)＝A₂P₂(-w≤x≤w)    (14) 

由于高斯函数的能量在以均值为中心的±σ、±1.5σ、±2σ和±3σ区间内分别达到68.26％、86.64％、95.44％和99.74％，因此积分区间取±1.5σ～±3σ即可达到85％以上的逼近程度。令模板的半径w＝ασ₂，其中1.5≤α≤3，定义积分区间内两个高斯函数能量分布的比例因子为：

$\mathrm{\η}=\frac{A_1}{A_2}=\frac{P_2(-2\≤x\≤w)}{P_1(-w\≤x\≤w)}---\left(15\right)$

由此建立了敏感度A₁和A₂间的约束关系。

(2)模型离散化。二维高斯函数的离散化表达式为：

$G(i,j)=\frac{2}{{2\mathrm{\π\σ}}^2}{e}^{-[{(i-w-1)}^2+{(j-w-1)}^2]/{2\mathrm{\σ}}^2}---\left(16\right)$

其中，(i,j)表示模板权值所在的位置，有1≤i≤2w+1，1≤j≤2w+1。以图2所示的河流水面测试图像为例，目标和随机噪声的平均半径在2个像素和1个像素左右。基于该先验知识，取σ₁＝1、σ₂＝2、α＝1.5，则离散卷积模板的半径w＝3，大小为7×7。代入上式可得两个归一化高斯函数的卷积模板G₁(i,j)、G₂(i,j)。离散化后积分区间内的比例因子为：

$\mathrm{\η}=\frac{\underset{i=1}{\overset{2w+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{2w+1}{\mathrm{\Σ}}}{G}_2(i,j)}{\underset{i=1}{\overset{2w+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{2w+1}{\mathrm{\Σ}}}{G}_1(i,j)}=\frac{0.8520}{0.9995}=0.8524---\left(17\right)$

由式(8)，DOG(x,y)的离散化表达式可以写成：

$\mathrm{DOG}(i,j)=A_1[G_1(i,j)-\frac{1}{\mathrm{\η}}{G}_2(i,j)]---\left(18\right)$

当敏感度参数A₁＝1时，代入参数σ₁、σ₂、w和η得到如下的归一化卷积模板：

$\mathrm{DOG}(i,j)=\frac{1}{1000}\left[\begin{array}{ccccccc}-4.9& -9.0& -12.3& -13.4& -12.3& -9.0& -4.9\\ -9.0& -14.3& -11.9& -6.8& -11.9& -14.3& -9.0\\ -12.3& -11.9& 22.2& 55.3& 22.2& -11.9& -12.3\\ -13.4& -6.8& 55.3& 112.5& 55.2& -6.8& -13.4\\ -12.3& -11.9& 22.2& 55.3& 22.2& -11.9& -12.3\\ -9.0& -14.3& -11.9& -6.8& -11.9& -14.3& -9.0\\ -4.9& -9.0& -12.3& -13.4& -12.3& -9.0& -4.9\end{array}\right]$

在实际应用时，为减少存储量和计算量一般会对上式取整，但可能引起四舍五入的截断误差。在这里采用一种从中心权值m_w+1,w+1中减去模板所有元素之和的方法进行补偿，即：

$m_{w+1,w+1}^{\′}=m_{w+1,w+1}-\underset{i=1}{\overset{2w+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{2w+1}{\mathrm{\Σ}}}\mathrm{DOG}(i,j)---\left(19\right)$

由此确定了一个唯一的归一化DOG卷积模板。 

(3)图像空域滤波。由于模型采用描述兴奋性和抑制性作用的分布函数描述GC感受野对光刺激的空间响应，并以此为权重计算细胞上的总光通量。对于二维图像信号，该滤波过程表示为如下的空域卷积形式：

g(x,y)＝I(x,y)*DOG(i,j)    (20)

利用线性卷积运算的可分离性，将上式分解为：

g(x,y)＝I(x,y)*[G₁(i,j)-G₂(i,j)]＝I(x,y)*G₁(i,j)-I(x,y)*G₂(i,j)    (21) 

上式表明，模型的滤波过程可首先分解为两个二维高斯函数与图像卷积运算之差。在高斯函数中，标准差σ决定了滤波器的半径；σ越大，高斯函数越平坦，能量越分散；σ越小，高斯函数越陡峭，能量越集中。由于河流水面图像中目标、背景和噪声互不相关，对于分布高而窄的G₁，如果σ₁大于随机噪声而小于目标的尺寸，就能够起到滤除噪声并保持目标和背景灰度信息的作用；对于分布低而宽的G₂，如果σ₂大于目标尺寸，则能够平滑高频小目标和噪声，而获得缓慢变化的低频背景。因此在理想条件下，式(10)可以写成：

g(x,y)＝I(x,y)-f_N(x,y)-f_B(x,y)＝f_T(x,y)    (22) 

可见，DOG模型与图像的空域卷积过程可以理解为从原图中减去背景和噪声的灰度分量，得到尺度介于两个标准差之间的目标分量。在本质上是一个增强目标、抑制背景、滤除噪声的带通滤波器。因此，DOG模型应用于水面目标增强具有明确的物理意义。

(4)求解敏感度参数。敏感度参数A₁的取值应当足够大以避免目标强度被压缩在很小的灰度区间内而产生“欠增强”现象，又应当足够小以避免目标强度出现饱和而产生“过增强”现象。考虑到滤波后图像g(x,y)中的最大灰度值代表了目标的灰度峰值，将A₁定义为目标强度相对于最大图像灰度级的灰度拉伸比，即：

A₁＝255/max(g(x,y))    (23)

(5)图像灰度拉伸。采用敏感度参数A₁对空域滤波后的图像进行灰度拉伸，得到自适应增强的图像：

g′(x,y)＝A·g(x,y)    (24) 

这种灰度自适应机制的引入使得原来的静态模型变为了动态模型，符合调制强度随外界刺激发生变化的生理特性，起到增强对比度、提高信噪比的作用。

Claims (2)

1.一种基于双高斯差模型的自适应图像目标增强方法，其特征在于包括以下五个步骤：

(1)建立敏感度约束关系，感受野在均匀光照下的兴奋性与抑制性作用趋于相抵，用于抑制空间频率中的直流分量，从而适应不同的环境光强，根据这一生理现象，在均值附近[-w,w]的积分区间内，曲线G₁、G₂与零点基线围成的面积应当相等，即：

通过查询标准正态分布表获得高斯函数G₁、G₂的累积概率P₁、P₂，将上式表示为：

A₁P₁(-w≤x≤w)＝A₂P₂(-w≤x≤w)

令模板半径w＝ασ₂，其中1.5≤α≤3，定义积分区间内两个高斯函数能量分布的比例因子：

由此建立了敏感度A₁和A₂间的约束关系；

(2)模型离散化，二维高斯函数的离散化表达式为：

其中，(i,j)表示模板权值所在的位置，有1≤i≤2w+1，1≤j≤2w+1，根据河流水面图像中目标和随机噪声平均半径的先验知识对σ₁、σ₂和α进行取值，代入上式可得两个归一化高斯函数的卷积模板G₁(i,j)、G₂(i,j)，模型离散化后积分区间内的比例因子为：

则二维双高斯差模型的离散化表达式可以写成：

当敏感度参数A₁＝1时，代入参数σ₁、σ₂、w和η得到归一化的卷积模板，采用一种从中心权值m_w+1,w+1中减去模板所有元素之和的方法对权值取整引起的截断误差进行补偿，即：

由此确定了一个唯一的归一化DOG卷积模板；

(3)图像空域滤波，双高斯差模型采用描述兴奋性和抑制性作用的分布函数描述GC感受野对光刺激的空间响应，并以此为权重计算细胞上的总光通量，对于二维图像信号，该滤波过程表示为如下的空域卷积形式：

g(x,y)＝I(x,y)*DOG(i,j)

(4)求解敏感度参数，考虑到滤波后图像g(x,y)中的最大灰度值代表了目标的灰度峰值，将A₁定义为目标强度相对于最大图像灰度级的灰度拉伸比，即：

A₁＝255/max(g(x,y))

(5)图像灰度拉伸，采用敏感度参数A₁对空域滤波后的图像进行灰度拉伸，得到自适应增强的图像：

g′(x,y)＝A·g(x,y) 。

2.根据权利要求1所述的一种基于双高斯差模型的自适应图像目标增强方法，其特征在于：所述的图像空域滤波器采用ON型视觉感受野的双高斯差(DOG)模型构建，模型中两个高斯函数分别代表兴奋性和抑制性分布，通过二者之差来模拟视网膜神经节细胞(GC)感受野的空间特性，其归一化的一维和二维表达式分别如下：

其中，G₁、G₂分别为表示兴奋性和抑制性分布的零均值高斯函数，A₁和A₂分别表示两种分布的敏感度，满足A₁＞A₂，标准差σ₁和σ₂分别表示两种分布的空间散布程度，满足σ₁＜σ₂。