CN104915934B - 一种基于视网膜机制的灰度图像增强方法 - Google Patents

Abstract

本发明属于计算机视觉技术领域，特别涉及灰度图像的亮度增强和边缘增强。具体流程包括估计全局亮度确定算法自适应参数、生成图像的亮度映射图、计算亮度增强图像和边缘加强处理。首先通过全局暗区域的亮度分布情况，对自适应参数进行估计；然后分别对图像进行全局的亮度增强处理，并由调制函数得出整幅图片的调制映射图，计算得出亮度增强的结果；最后基于自适应尺度的高斯差模型来实现边缘的增强，模型尺度由对比度所影响，最终可以在明亮区域加强更细小的纹理信息，黑暗区域则加强比较大的轮廓信息。本发明能够有效增强灰度图像的整体亮度和对比度，并且自身的自适应特性对于明暗区域的边缘加强都能起到很好的作用。

Description

一种基于视网膜机制的灰度图像增强方法

技术领域

本发明属于计算机视觉技术领域，特别涉及灰度图像的亮度增强和边缘增强。

背景技术

灰度图像中的信息主要是亮度方面的，这些图像中存在的大范围亮度区域决定了物体的内容信息，而线和点类的信息则是区分不同物体之间的重要边界。因此，将整体亮度较低的图像进行有效的亮度提升，对目标识别等有重要作用。

目前比较经典的亮度增强方法有传统的伽马变换等全局处理算子、基于局部模板的局部算子、以及Edwin.H.Land于1963年提出的基于人眼视网膜机制的Retinex方法原型的改进。上述方法中：全局处理算子对于整幅图像的映射函数是同一个，但是对暗区域增强效果不佳；局部处理算子容易造成明暗边界反转；Retinex方法需要对目标图像进行大尺度滤波，容易造成图像模糊，另外明亮区域的过度漂白造成了图像信息的丢失。

传统的边缘提取方法中使用固定尺寸的高斯差模型提取图像中的边缘信息，但是图像中适用于不同亮度区域的尺寸是不同的，而固定尺寸的高斯差模型无法达到最优效果，明亮区域的细节纹理没有足够强的响应，黑暗区域的较大轮廓也不能有效识别。

发明内容

针对上述存在问题或不足，本发明提供了一种基于视网膜机制的灰度图像增强方法。

技术方案包括下列步骤：

步骤1、模拟水平细胞感受野的大范围特性，确定自适应参数，进行一次全局亮度增强处理，该处理全局亮度增强的函数与视锥细胞响应特性相符：根据阈值确定图像的黑暗区域，由该区域的平均亮度变换得出自适应参数，参数与平均亮度呈反比，该变换得出自适应参数的函数的定义域是[1,128]，值域是[10,25]，之后对整体图像进行全局映射处理，该全局映射函数整体形状是一个S形，定义域是[1,255]，值域是[1,255]；其中有三个参数来影响函数形状的中心点的横纵坐标以及曲线中心部分的斜率，影响斜率的参数范围是3～7，数值越小，黑暗区域的函数斜率就越大，而对明亮部分细节的压缩就越强；

步骤2、计算调制函数图,对图像进行亮度增强，该函数基于水平细胞调制作用的具体特性：将步骤1所得到的自适应参数输入调制函数，自适应参数越大，调制函数的斜率绝对值越大，调制的亮度范围越窄；调制函数是水平细胞对于视锥细胞负反馈作用特性的量化函数，反馈函数所输出的反馈值与亮度成反比，调制函数是一个单调递减的连续函数，最小值是1，函数的定义域是[1,255]，值域是[1,35]；最终将上述计算所得的调制函数分布图与图像像素一一对应相乘，得出亮度增强图；

步骤3、计算图像的局部高斯差中心系数分布图：使用RMS(Root Means Quared)方法计算出模板尺寸是3×3的图像局部对比度分布图，根据图像局部对比度分布图计算出对应的二维高斯模板中心系数分布图，中心系数的范围是0.2～1,中心系数与对比度呈线性反比关系，对比度越大，中心系数越小，高斯差模型的外周系数是中心系数的3倍；对比度与中心系数之间的转换函数，对比度值是自变量，定义域是[0,1]，值域是[0.2,1]；对于二维高斯模板的计算，使用0.0001作为阈值，小于阈值的部分作为无用成分丢弃，整个模板除以模板元素的总和，保证处理后的模板元素和是1；

步骤4、模拟双极细胞的感受野特性，通过高斯差模型提取边缘对原图进行增强：使用步骤3对应的不同中心系数，计算出相应外周系数，将不同参数的高斯差模型与原图卷积，得出边缘信息；最终将提取出的边缘信息乘以系数与原图相加，系数范围是0.5～1。

上述步骤3中，以较小的步长选取中心系数值，建立相应的高斯模板。

上述步骤4中，对图像进行不同尺寸的高斯差卷积计算时，由于每个局部模板所得的二维高斯中心系数不同，因此需要分别卷积。

本发明所基于的生理机制，如图1所示，a子图是视网膜纵向信息流通路，图中视锥细胞首先接收外界的光线刺激信息，之后多个视锥细胞的响应输出到水平细胞内，水平细胞得到上述的大范围亮度信息后，通过负反馈对视锥细胞进行调制，最终视锥细胞输出经过调制后的响应。在本发明中，我们对视锥细胞的响应使用步骤1中的全局亮度处理函数来拟合，水平细胞对大范围亮度信息的量化则使用自适应参数来表示，最终反馈的调制值使用本发明中的调制函数表示。

其次在对图像的边缘信息增强方法中，本发明模拟视网膜中双极细胞所具有的中心外周拮抗机制，传统的相关方法通常使用高斯差模型来表示这种感受野的响应特性，但是之前的方法中，该模型的尺寸是较为固定的，并不能很好适应场景中明暗环境的变化。本发明基于感受野尺寸随对比度改变的特点，提出了一种自适应尺寸的高斯差模型，对原模型提取高频信息的作用有所增强，符合人眼的生理特性。

本发明首先对原图像进行全局的亮度提升，之后确定调制函数的调制区域，最终计算出亮度增强的结果图。而对于图像的边缘增强计算中，通过步骤3计算的图像局部对比度，我们改变不同对比度区域所对应的二维高斯中心系数，使得该方法在较明亮的区域更多地加强细节，而在较暗区域则会对较大的轮廓有比较强的响应，这也符合人类的习惯。

综上所述，本发明的有益效果是：通过简单参数的设定，同时增强了灰度图像中亮度以及边缘信息。

附图说明

图1是本发明所基于的视网膜生理机制图。

图2是本发明一种灰度图像亮度和边缘增强方法的流程示意图。

图3是图像亮度增强结果图。

图4是由图像所得到提取出的边缘纹理图以及最终的增强结果。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

人类视觉系统会对亮度进行明暗适应的调节，而基于人眼的中心周边拮抗机制，则会随着对比度的变化而改变拮抗的尺寸大小，能够保证在明亮情况下对细节的更强响应，在黑暗环境中更适应此时更低的视锐度条件，基于此提出了本发明的方法。

示例图像如图3a所示，该灰度图像尺寸为859×1155。我们算法的具体计算过程的流程图如图2所示，具体过程如下：

步骤1、模拟水平细胞感受野的大范围特性，确定自适应参数，进行一次全局亮度增强处理：首先对图像进行归一化处理，之后通过阈值0.5选取全图中较暗区域，计算得出其亮度均值为0.1098，之后根据此亮度均值得出相应的自适应参数，计算得出为19.17，对图像进行一次全局的亮度增强算法处理，本发明中，全局处理函数中的参数为5。最终处理图像中位置为(527，49)的像素为中心的3×3模板内的灰度值依次为0.2352，0.1137，0.1137，0.2667，0.1725，0.1725，0.2588，0.2157，0.2196，全局处理后的灰度值依次为0.3729，0.1858，0.1858，0.4179，0.2785，0.2785，0.4068，0.3440，0.3498；

步骤2、计算调制函数图,对图像进行亮度增强，该函数基于水平细胞的调制作用的具体特性：将步骤S1所估计到的自适应参数作为调制函数一个输入参数，之后得出调制函数，每一个像素都对应着各自的调制系数，如上述(527，49)坐标的像素的为中心的3×3模板内的灰度值所计算得到的调制系数值分别为1.2105，1.2043，1.2107，1.2009，1.1949，1.1998，1.1908，1.1861，1.1901，计算亮度增强图：根据S2中所得的调制函数分布图，将S1结果图与函数分布图一一对应相乘，得出亮度增强图，如上述模板中的亮度增强处理后的值为0.4514，0.2238，0.2250，0.5019，0.3328，0.3341，0.4844，0.4080，0.4163，如图3所示，图中a和c子图均为原图，b和d则为增强后的图；

步骤3、计算图像局部高斯差模型中心系数分布图：使用RMS(Root Means Quared)算法计算出模板尺寸为3×3的图像局部对比度分布图，上述模板中的局部对比度依次为0.2654，0.2683，0.1578，0.2032，0.2353，0.1751，0.1238，0.1417，0.1093，根据上述的这个局部对比度分布图计算出对应的二维高斯模板中心系数分布图，本发明方法中中心系数的变化范围为0.2至1,对比度与中心系数呈线性反比关系，由对比度计算得出相应的高斯差中心系数，外周系数我们设为中心系数的3倍，这里中心系数直接决定了二维高斯模型的尺寸，算法中我们使用阈值来确定对二维高斯模型的采样，凡是阈值小于0.0001的都是影响极小的部分，因此舍弃，另外最终对高斯模型进行处理，使得模型内所有值的和为1。；

步骤4、模拟双极细胞的感受野特性，通过高斯差模型提取边缘对原图进行增强：由上述的中心系数分布图得出每个坐标像素的外周系数，最终对图像进行卷积差，但是由于局部模板尺寸较小，而高斯模板通常较大，直接卷积容易失真，而且重复卷积会造成计算资源的大量浪费，我们将高斯模型的系数按照一定步长改变，得到的一系列不同参数对应的高斯模型对原图进行卷积，得到的不同参数卷积结果作为查询表存储，最终每个局部算子内计算出参数后，直接查表得出结果，将经过高斯差卷积所得到的最终的高频信息乘以相应的加成系数后，此处加成系数选择为1，最终得到边缘增强图,如图4所示，a为原图，b则是提取的边界图，c为最终的边界加强图。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种基于视网膜机制的灰度图像增强方法，其特征在于包括下列步骤：

步骤1、模拟水平细胞感受野的大范围特性，确定自适应参数，进行一次全局亮度增强处理，该处理全局亮度增强的函数与视锥细胞响应特性相符：根据阈值确定图像的黑暗区域，由该区域的平均亮度变换得出自适应参数，参数与平均亮度呈反比，该变换得出自适应参数的函数的定义域是[1,128]，值域是[10,25]，之后对整体图像进行全局映射处理，该全局映射函数整体形状是一个S形，定义域是[1,255]，值域是[1,255]；其中有三个参数来影响函数形状的中心点的横纵坐标以及曲线中心部分的斜率，影响斜率的参数范围是3～7，数值越小，黑暗区域的函数斜率就越大，而对明亮部分细节的压缩就越强；

步骤2、计算调制函数图,对图像进行亮度增强，该函数基于水平细胞调制作用的具体特性：将步骤1所得到的自适应参数输入调制函数，自适应参数越大，调制函数的斜率绝对值越大，调制的亮度范围越窄；调制函数是水平细胞对于视锥细胞负反馈作用特性的量化函数，反馈函数所输出的反馈值与亮度成反比，调制函数是一个单调递减的连续函数，最小值是1，函数的定义域是[1,255]，值域是[1,35]；最终将上述计算所得的调制函数分布图与图像像素一一对应相乘，得出亮度增强图；

步骤3、计算图像的局部高斯差中心系数分布图：使用RMS(Root Means Quared)方法计算出模板尺寸是3×3的图像局部对比度分布图，根据图像局部对比度分布图计算出对应的二维高斯模板中心系数分布图，中心系数的范围是0.2～1,中心系数与对比度呈线性反比关系，对比度越大，中心系数越小，高斯差模型的外周系数是中心系数的3倍；对比度与中心系数之间的转换函数，对比度值是自变量，定义域是[0,1]，值域是[0.2,1]；对于二维高斯模板的计算，使用0.0001作为阈值，小于阈值的部分作为无用成分丢弃，整个模板除以模板元素的总和，保证处理后的模板元素和是1；

步骤4、模拟双极细胞的感受野特性，通过高斯差模型提取边缘对原图进行增强：使用步骤3对应的不同中心系数，计算出相应外周系数，将不同参数的高斯差模型与原图卷积，得出边缘信息；最终将提取出的边缘信息乘以系数与原图相加，系数范围是0.5～1。

2.如权利要求1所述基于视网膜机制的灰度图像增强方法，其特征在于：所述步骤3中，中心系数值以较小的步长选取，建立相应的高斯模板。