CN105118043A - 一种烟田遥感图像增强算法 - Google Patents

Abstract

本发明提供一种烟田遥感图像增强算法，该算法用多尺度Retinex来调整shearlet的低频系数，并对各尺度、各方向上的高频系数采用阈值抑噪，对重构图像进行模糊对比度增强，来提升图像的层次感并提高图像的整体对比度。

Description

一种烟田遥感图像增强算法

技术领域

本发明涉及遥感图像处理算法领域，更具体地，涉及一种烟田遥感图像增强算法。

背景技术

烟田遥感图像是一种记录地貌特征及地物信息的特殊图像，但遥感图像易受光照条件、传感器性能、大气辐射以及外界噪声的影响，存在诸多问题，如视觉效果差、清晰度低、纹理细节不明显等，为后续的应用和处理带来不便。因此，遥感图像的增强，是一个关键环节。理想的图像增强技术，应该做到既能够调节图像的动态范围，又能加强图像的细节信息心。现有技术中常用的小波变换因其良好的时频特性和多分辨率特点，成为研究的热点，但也因其不具备方向性而限制了其发展，而轮廓波变换等算法虽具有各向异性和方向性等特点，能够较好地表示图像的高维奇异性，能够对图像的边缘、纹理和细节等给出接近最优的表示，但其对图像稀疏表示的能力非常有限。

发明内容

本发明提供一种提升图像的层次感并提高图像的整体对比度烟田遥感图像增强算法。

为了达到上述及效果，本发明的技术方案如下：

一种烟田遥感图像增强算法，包括以下步骤：

S1：对待增强的烟田遥感图像进行Shearlet分解，得到低频分量和高频分量；

S2：对低频分量进行线性映射并作多尺度Retinex增强；

S3：对高频分量进行阈值去噪处理；

S4：将S2和S3得到的结果进行Shearlet逆变换，得到初步增强的重构图像；

S5：对S4得到的初步增强的重构图像进行模糊对比增强得到最后的增强图像。

进一步地，所述步骤S2的过程如下：

$R(x,y)=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_k\{\ln I(x,y)-ln\[G(x,y)*I(x,y)\]\}$

G(x,y)＝cexp(-(x²+y²)/ε²)

式中ε是尺度常量，I(x,y)是经Shearlet分解的待增强的烟田遥感图像的低频分量，G(x,y)是环绕函数，k为尺度数，ω_k是对应地k个尺度的权值，

进一步地，所述步骤S3的过程如下：

令T＝λσ，其中λ是可变常数且λ∈[0,1]，σ是最小尺度各个方向的Shearlet噪声方差的最小值；

用经典鲁棒中值估计来估计高频分量的噪声方差：

${\mathrm{\σ}}_{i,j}=\frac{median\left|d_{i,j}\right|}{0.6745}$

式中d_i,j是各高频分量的系数；

用硬阈值收缩法对高频分量系数进行去噪处理：

$d_{i,j}^{\&prime;}=\left\{\begin{array}{cc}{d}_{i,j},& d_{i,j}\&GreaterEqual;T\\ 0,& d_{i,j}<T\end{array}\right..$

进一步地，所述步骤S4的过程如下：

令模糊对比度的为：

$F=\frac{\left|{\mathrm{\&mu;}}_{i,j}-\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\right|}{\left|{\mathrm{\&mu;}}_{i,j}+\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\right|}$

当前像素的灰度值x_i,j：

${\mathrm{\&mu;}}_{i,j}=\frac{x_{i,j}}{L-1}$

计算重构图像的模糊对比度，并对F作非线性变换：

F′＝ψ(F)

$\mathrm{\&psi;}\left(x\right)=\frac{1-e^{-kx}}{1-e^{-k}}$

用F’调整后的隶属度函数为：

${\mathrm{\&mu;}}_{i,j}^{\&prime;}=\left\{\begin{array}{cc}\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}(1-F^{\&prime;})& {\mathrm{\&mu;}}_{i,j}\&le;\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\\ 1-(1-\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}})(1-F^{\&prime;})& {\mathrm{\&mu;}}_{i,j}>\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\end{array}\right.$

从模糊域反变换到空间域，得到对比度增强后的图像：

x′_i,j＝μ′_i,j×(L-1)

式中μ_i,j为当前像素点的灰度，表示3×3窗口的去心邻域的平均值。

与现有技术相比，本发明技术方案的有益效果是：

本发明算法用多尺度Retinex来调整shearlet的低频系数，并对各尺度、各方向上的高频系数采用阈值抑噪，对重构图像进行模糊对比度增强，来提升图像的层次感并提高图像的整体对比度。

附图说明

图1为本发明算法流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种烟田遥感图像增强算法，包括以下步骤：

S1：对待增强的烟田遥感图像进行Shearlet分解，得到低频分量和高频分量；

S2：对低频分量进行线性映射并作多尺度Retinex增强；

S3：对高频分量进行阈值去噪处理；

S4：将S2和S3得到的结果进行Shearlet逆变换，得到初步增强的重构图像；

S5：对S4得到的初步增强的重构图像进行模糊对比增强得到最后的增强图像。

步骤S2的过程如下：

$R(x,y)=\underset{k=1}{\overset{K}{\&Sigma;}}{\mathrm{\&omega;}}_k\{\ln I(x,y)-ln\&lsqb;G(x,y)*I(x,y)\&rsqb;\}$

G(x,y)＝cexp(-(x²+y²)/ε²)

式中ε是尺度常量，I(x,y)是经Shearlet分解的待增强的烟田遥感图像的低频分量，G(x,y)是环绕函数，k为尺度数，ω_k是对应地k个尺度的权值，

步骤S3的过程如下：

令T＝λσ，其中λ是可变常数且λ∈[0,1]，σ是最小尺度各个方向的Shearlet噪声方差的最小值；

用经典鲁棒中值估计来估计高频分量的噪声方差：

${\mathrm{\&sigma;}}_{i,j}=\frac{median\left|d_{i,j}\right|}{0.6745}$

式中d_i,j是各高频分量的系数；

用硬阈值收缩法对高频分量系数进行去噪处理：

$d_{i,j}^{\&prime;}=\left\{\begin{array}{cc}{d}_{i,j},& d_{i,j}\&GreaterEqual;T\\ 0,& d_{i,j}<T\end{array}\right..$

进一步地，所述步骤S4的过程如下：

令模糊对比度的为：

$F=\frac{\left|{\mathrm{\&mu;}}_{i,j}-\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\right|}{\left|{\mathrm{\&mu;}}_{i,j}+\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\right|}$

当前像素的灰度值x_i,j：

${\mathrm{\&mu;}}_{i,j}=\frac{x_{i,j}}{L-1}$

计算重构图像的模糊对比度，并对F作非线性变换：

F′＝ψ(F)

$\mathrm{\&psi;}\left(x\right)=\frac{1-e^{-kx}}{1-e^{-k}}$

用F’调整后的隶属度函数为：

${\mathrm{\&mu;}}_{i,j}^{\&prime;}=\left\{\begin{array}{cc}\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}(1-F^{\&prime;})& {\mathrm{\&mu;}}_{i,j}\&le;\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\\ 1-(1-\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}})(1-F^{\&prime;})& {\mathrm{\&mu;}}_{i,j}>\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\end{array}\right.$

从模糊域反变换到空间域，得到对比度增强后的图像：

x′_i,j＝μ′_i,j×(L-1)

式中μ_i,j为当前像素点的灰度，表示3×3窗口的去心邻域的平均值。

本发明将多尺度Retinex与剪切波Shearlet变换二者结合起来，用Retinex调整Shearlet分解后的低频子带系数，以去除光照条件对于图像的影响，使用阈值抑噪处理sheadet的高频子带系数，抑制分解过程中可能产生的噪声以及图像本身的噪声，并使用模糊对比度增强来提高图像的全局对比度，进一步克服图像对比度较低和细节不明显等缺陷。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种烟田遥感图像增强算法，其特征在于，包括以下步骤：

S1：对待增强的烟田遥感图像进行Shearlet分解，得到低频分量和高频分量；

S2：对低频分量进行线性映射并作多尺度Retinex增强；

S3：对高频分量进行阈值去噪处理；

S4：将S2和S3得到的结果进行Shearlet逆变换，得到初步增强的重构图像；

S5：对S4得到的初步增强的重构图像进行模糊对比增强得到最后的增强图像。

2.根据权利要求1所述的烟田遥感图像增强算法，其特征在于，所述步骤S2的过程如下：

$R(x,y)=\underset{k=1}{\overset{K}{\&Sigma;}}{\mathrm{\&omega;}}_k\{\ln I(x,y)-ln\&lsqb;G(x,y)*I(x,y)\&rsqb;\}$

G(x,y)＝cexp(-(x²+y²)/ε²)

式中ε是尺度常量，I(x,y)是经Shearlet分解的待增强的烟田遥感图像的低频分量，G(x,y)是环绕函数，k为尺度数，ω_k是对应地k个尺度的权值，

3.根据权利要求1所述的烟田遥感图像增强算法，其特征在于，所述步骤S3的过程如下：

令T＝λσ，其中λ是可变常数且λ∈[0,1]，σ是最小尺度各个方向的Shearlet噪声方差的最小值；

用经典鲁棒中值估计来估计高频分量的噪声方差：

${\mathrm{\&sigma;}}_{i,j}=\frac{median\left|d_{i,j}\right|}{0.6745}$

式中d_i,j是各高频分量的系数；

用硬阈值收缩法对高频分量系数进行去噪处理：

$d_{i,j}^{\&prime;}=\left\{\begin{array}{cc}{d}_{i,j},& d_{i,j}\&GreaterEqual;T\\ 0,& d_{i,j}<T\end{array}\right..$

4.根据权利要求1所述的烟田遥感图像增强算法，其特征在于，所述步骤S4的过程如下：

令模糊对比度的为：

$F=\frac{\left|{\mathrm{\&mu;}}_{i,j}-\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\right|}{\left|{\mathrm{\&mu;}}_{i,j}+\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\right|}$

当前像素的灰度值x_i,j：

${\mathrm{\&mu;}}_{i,j}=\frac{x_{i,j}}{L-1}$

计算重构图像的模糊对比度，并对F作非线性变换：

F'＝ψ(F)

$\mathrm{\&psi;}\left(x\right)=\frac{1-e^{-kx}}{1-e^{-k}}$

用F’调整后的隶属度函数为：

${\mathrm{\&mu;}}_{i,j}^{\&prime;}=\left\{\begin{array}{cc}\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}(1-F^{\&prime;})& {\mathrm{\&mu;}}_{i,j}\&le;\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\\ 1-(1-\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}})(1-F^{\&prime;})& {\mathrm{\&mu;}}_{i,j}>\stackrel{\&OverBar;}{{\mathrm{\&mu;}}_{i,j}}\end{array}\right.$

从模糊域反变换到空间域，得到对比度增强后的图像：

x′_i,j＝μ′_i,j×(L-1)

式中μ_i,j为当前像素点的灰度，表示3×3窗口的去心邻域的平均值。