CN112991310B - 一种暗弱海面图片纹理清晰度提升方法 - Google Patents

一种暗弱海面图片纹理清晰度提升方法 Download PDF

Info

Publication number
CN112991310B
CN112991310B CN202110332809.4A CN202110332809A CN112991310B CN 112991310 B CN112991310 B CN 112991310B CN 202110332809 A CN202110332809 A CN 202110332809A CN 112991310 B CN112991310 B CN 112991310B
Authority
CN
China
Prior art keywords
scale
image
formula
sea surface
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110332809.4A
Other languages
English (en)
Other versions
CN112991310A (zh
Inventor
陈捷
李同宇
陈标
于振涛
余路
程普
李婷婷
迟铖
许素芹
王丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA Navy Submarine College
Original Assignee
PLA Navy Submarine College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PLA Navy Submarine College filed Critical PLA Navy Submarine College
Priority to CN202110332809.4A priority Critical patent/CN112991310B/zh
Publication of CN112991310A publication Critical patent/CN112991310A/zh
Application granted granted Critical
Publication of CN112991310B publication Critical patent/CN112991310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种暗弱海面图片纹理清晰度提升方法，即一种基于改进子带分解多尺度Retinex的暗弱海面纹理清晰度提升方法。本发明的方法在子带增益控制以及细节增强结果由对数域映射回显示域过程中，通过修改相关累积概率分布函数反函数的参数，可以调整图像海面增强效果；该方法易于实现，对于可见光遥感图像中含有云团、白浪花等复杂情况具有很强的适应性，得到的暗弱海面图像效果佳，对比度强、细节清晰，具有实用性。

Description

一种暗弱海面图片纹理清晰度提升方法
技术领域
本发明属于图像处理技术领域，具体涉及一种暗弱海面图片纹理清晰度提升方法。
背景技术
海洋中蕴含着丰富的物质资源，如何对海洋资源进行开发、利用与保护一直是众多国家关注的热点问题。我国的海洋领土极为广阔，但我们对于海洋的认识还十分不足。与此同时，我们面临着极为复杂的地区争端，尤其是南海地区一直纠纷不断。因此，如何有效监测争议海域、航线海域等重要目标海域，保障海上交通运输安全，维护我国海洋领土安全，成为了亟需解决的问题之一。其中，对于船只等弱小动态目标的检测问题受到了重点关注。
弱小目标的监测除了监测船体本身之外，还可以通过监测船只行驶过后遗留下的暗弱船只尾迹的方法实现，这就要求海面监测图像能够清晰反映出海面的纹理信息。
可见光遥感通过采用人眼的色觉波段，可以获得直观的监测数据，是海洋目标监测的重要手段之一。该手段空间分辨率高，能够获得海面纹理信息丰富的遥感图像。但是由于可见光遥感易受云、雨、雾及光照等因素影响，因此需要对图像进行增强处理。
Retinex方法作为一种基于人眼视觉模型的图像增强算法，在边缘增强、色彩保真和动态范围压缩等方面表现出色，能够对多种类型图像实现自适应增强。目前已有的Retinex方法主要有以下几种：随机路径Retinex方法、同态滤波Retinex方法、泊松方程式Retinex方法、基于迭代计算的Retinex方法、可变框架的Retinex方法、以及中心环绕Retinex方法。其中中心环绕Retinex方法由于实现和操作更为容易，运算速度高，图像增强效果好，得到了广泛应用。典型方法包含有单尺度Retinex(Single Scale Retinex,SSR)方法，多尺度Retinex(Multi-scale Retinex,MSR)方法。在多尺度Retinex方法的基础上，还发展出了子带分解多尺度Retinex(SDMSR)方法。该方法利用混合灰度变换函数，单独处理分解出来的各光谱子带，去除了不同尺度照度估计分量之间的冗余信息，因而能够同时实现阴影区与高亮区的细节增强。但该方法在海面可见光遥感图像增强过程中，遇到图像中含有云团、白浪花等情况时，难以对低照度海面进行有效增强，为后续海面纹理信息的处理与分析带来了不小阻碍。
发明内容
为解决上述问题，充分考虑可见光海面遥感图像特点，本发明提供一种暗弱海面图片纹理清晰度提升方法，即一种基于改进子带分解多尺度Retinex的暗弱海面纹理清晰度提升方法，从而弥补现有技术的不足。
本发明所提供的暗弱海面图片纹理清晰度提升方法，包括如下的步骤：
S1：根据子带分解多尺度Retinex公式，对输入图像I采用不同尺度的参数进行混合灰度变换；
所述子带分解多尺度Retinex公式如下：
Rn＝h_log(I(x,y))-h_log(Gn(x,y)*I(x,y)) (1)
其中，n表示使用的尺度数目，n＝1,2,3；Rn为第n个尺度的Retinex输出结果，I为原始输入图像，*代表卷积，Gn为第n个尺度的高斯函数，
Figure BDA0002995779470000021
k为归一化因子，有∫∫Gn(x,y)＝1；σn为对应尺度因子，
小、中、大三个尺度分别为σ1＝30，σ2＝100，σ3＝300；h_log(x)为混合灰度变换函数，可由下式表示：
Figure BDA0002995779470000022
其中，
Figure BDA0002995779470000031
L为原始图像最大灰度级，ω为高亮和阴影部分的细节控制因子，如下式所示：
Figure BDA0002995779470000032
其中，M为图像像素总个数，Ω为图像像素所在空间，
Figure BDA0002995779470000033
和
Figure BDA0002995779470000034
分别为
Figure BDA0002995779470000035
和
Figure BDA0002995779470000036
对应的5*5窗口内局部标准差；
S2：对多尺度下的混合灰度变换结果进行子带分解；
所述步骤S2中，子带分解公式如下：
Figure BDA0002995779470000037
其中，N为尺度个数，
Figure BDA0002995779470000038
为子带分解结果。此处假设Rn-1＜Rn；
S3：通过各自空间相异的增益函数Pn，进行子带增益；
所述步骤S3中，子带增益函数Pn并进行子带增益,子带增益所用公式如下：
Figure BDA0002995779470000039
其中，Pn为改进的子带增益函数，可由下式计算得到：
Figure BDA00029957794700000310
其中，
Figure BDA00029957794700000311
为标准化高斯尺度常数，有
Figure BDA00029957794700000312
b为常数，
Figure BDA00029957794700000313
可由下式表示：
Figure BDA00029957794700000314
其中，
Figure BDA00029957794700000315
表示子带分解结果
Figure BDA00029957794700000316
的累积概率分布函数的反函数，即子带分解结果
Figure BDA00029957794700000317
的累积概率为c时对应的灰度值，常数c取值范围为[0,1]；
S4：利用细节调整函数对高频子带进行细节增强；
所述步骤S4中，采用下式所示公式对高频子带进行细节增强：
Figure BDA0002995779470000041
其中，
Figure BDA0002995779470000042
为细节增强结果，ADP(x,y)为细节调整函数，可由下式表示：
Figure BDA0002995779470000043
式中，
Figure BDA0002995779470000044
是标准化的局部偏差：
Figure BDA0002995779470000045
其中，
Figure BDA0002995779470000046
是原始图像I(x,y)对应的5*5窗口内局部标准差；
S5：将细节增强结果采用改进的方法由对数域映射回显示域；
所采用的改进方法如下：
Figure BDA0002995779470000047
式中，
Figure BDA0002995779470000048
L为原始图像最大灰度级，
Figure BDA0002995779470000049
为细节增强结果
Figure BDA00029957794700000410
的累积概率分布函数的反函数，即
Figure BDA00029957794700000411
的累积概率为c时对应的灰度值，常数c取值范围为[0,1]。
本发明提出了一种暗弱海面图片纹理清晰度提升方法，本发明的方法在子带增益控制以及细节增强结果由对数域映射回显示域过程中，通过修改相关累积概率分布函数反函数的参数，可以调整图像海面增强效果；该方法易于实现，对于可见光遥感图像中含有云团、白浪花等复杂情况具有很强的适应性，得到的暗弱海面图像效果佳，对比度强、细节清晰，具有实用性。
附图说明
图1：本发明实施例提供的暗弱海面纹理图像清晰度提升方法的流程图；
图2：原始可见光遥感图像图；
图3：SSR方法增强结果图；
图4：MSR方法增强结果图；
图5：原始SDMSR方法增强结果图；
图6：本发明方法增强结果图。
具体实施方式
本发明提供了一种基于改进子带分解多尺度Retinex的暗弱海面纹理清晰度提升方法，如图1所示，包括以下步骤：
S1：根据子带分解多尺度Retinex公式，对输入图像I采用三种不同尺度的参数进行混合灰度变换；
所述子带分解多尺度Retinex公式如下：
Rn＝h_log(I(x,y))-h_log(Gn(x,y)*I(x,y)) (1)
其中，n表示尺度编号，n＝1,2,3；Rn为第n个尺度的Retinex输出结果，I(x,y)为原始输入图像，*代表卷积，Gn(x,y)为第n个尺度的高斯函数，
Figure BDA0002995779470000051
k为归一化因子，有∫∫Gn(x,y)＝1，σn为对应尺度因子；
小、中、大三个尺度分别为σ1＝30，σ2＝100，σ3＝300，h_log(x)为混合灰度变换函数，可由下式表示：
Figure BDA0002995779470000052
其中，
Figure BDA0002995779470000053
L为原始图像最大灰度级，对于16位可见光遥感图像，该值取65536；ω为高亮和阴影部分的细节控制因子，如下式所示：
Figure BDA0002995779470000054
其中，M为图像像素总个数，Ω为图像像素所在空间，
Figure BDA0002995779470000055
和
Figure BDA0002995779470000056
分别为
Figure BDA0002995779470000061
和
Figure BDA0002995779470000062
中对应的5*5窗口内局部标准差，以
Figure BDA0002995779470000063
中的像素点A为例，该点坐标记为(xa,ya)，该点处对应的5*5窗口内局部标准差
Figure BDA0002995779470000064
计算方法如下：
Figure BDA0002995779470000065
其中，m为局部标窗口内的像素点个数，由窗口大小可知m＝25，i为窗口内的像素点编号，(xi,yi)为窗口内第i个像素点的坐标，μ为该窗口内所有像素点处
Figure BDA0002995779470000066
的平均值，有：
Figure BDA0002995779470000067
S2：对多尺度下的混合灰度变换结果进行子带分解；
所述步骤S2中，子带分解公式如下：
Figure BDA0002995779470000068
其中，N为子带分解的尺度个数，此处为3，
Figure BDA0002995779470000069
为尺度为n对应的子带分解结果。
此处假设Rn-1＜Rn；
S3：通过各自空间相异的增益函数Pn，进行子带增益；
所述步骤S3中，通过子带增益函数Pn并进行子带增益，原始SDMSR方法中子带增益所用公式如下：
Figure BDA00029957794700000610
其中，子带增益函数Pn可由下式计算得到：
Figure BDA00029957794700000611
其中，
Figure BDA00029957794700000612
为标准化高斯尺度常数，有
Figure BDA00029957794700000613
在小、中、大尺度因子σn分别取值为σ1＝30，σ2＝100，σ3＝300情况下，
Figure BDA0002995779470000071
取值分别为
Figure BDA0002995779470000072
b为常数，此处取0.2；
Figure BDA0002995779470000073
可由下式表示：
Figure BDA0002995779470000074
其中，
Figure BDA0002995779470000075
本方法对公式(9)进行了改进，以更好改善遥感图像海面中存在云团、白浪花等情况时，原始SDMSR方法对海面纹理增强效果不理想的问题，改进后的公式如下所示：
Figure BDA0002995779470000076
其中，
Figure BDA0002995779470000077
表示子带分解结果
Figure BDA0002995779470000078
的累积概率分布函数的反函数，即子带分解结果
Figure BDA0002995779470000079
的累积概率为c时对应的灰度值，常数c取值范围为[0,1]，本方法中c取值0.97；
S4：利用细节调整函数对高频子带进行细节增强；
所述步骤S4中，采用下式所示公式对高频子带进行细节增强：
Figure BDA00029957794700000710
其中，
Figure BDA00029957794700000711
为细节增强结果，ADP(x,y)为细节调整函数，可由下式表示：
Figure BDA00029957794700000712
式中，
Figure BDA00029957794700000713
是标准化的局部偏差：
Figure BDA00029957794700000714
其中，
Figure BDA00029957794700000715
是原始图像I(x,y)对应的5*5窗口内局部标准差；
S5：将细节增强结果由对数域映射回显示域；
所述步骤S5中，原始SDMSR方法所用公式如下：
Figure BDA0002995779470000081
式中，
Figure BDA0002995779470000082
L为原始图像最大灰度级，对于16位可见光遥感图像，该值取65536；
本方法对公式(14)进行改进，改进后公式如下：
Figure BDA0002995779470000083
式中，
Figure BDA0002995779470000084
L为原始图像最大灰度级，
Figure BDA0002995779470000085
为细节增强结果
Figure BDA0002995779470000086
的累积概率分布函数的反函数，即
Figure BDA0002995779470000087
的累积概率为c时对应的灰度值，常数c取值范围为[0,1]，本方法中c取值0.97。
上述x,y分别表示图像像素点的横坐标和纵坐标。
为验证本文算法的有效性，选取可见光遥感16位灰度图像，原始图像如图2所示。分别采用SSR方法、MSR方法、原始SDMSR方法与本发明方法对原始图像进行增强，得到增强结果分别如图3-图6所示。可以看出，原始图像中海面纹理的对比度和清晰度都较弱，使用SSR方法、MSR方法与原始SDMSR方法对原始图像进行增强后，海面纹理的清晰度都得到了一定程度的改善，但受云团与白浪花的影响，这三种方法的增强效果普遍存在对比度偏低与海面纹理亮度偏暗的问题，弱海面纹理增强效果不明显。而本发明方法对原始图像进行增强后，海面的对比度进一步得到了提高，并且海面中的暗弱纹理清晰度得到了有效增强。
本发明提出了一种暗弱海面图片纹理清晰度提升方法，该方法的优点在于，该方法易于实现，对于可见光遥感图像中含有云团、白浪花等复杂情况具有很强的适应性，得到的暗弱海面图像效果佳，对比度强、细节清晰。

Claims (5)

1.一种暗弱海面图片纹理清晰度的提升方法，其特征在于，所述的方法包括如下的步骤：
S1：根据子带分解多尺度Retinex公式，对输入图像I采用不同尺度的参数进行混合灰度变换；
所述子带分解多尺度Retinex公式如下：
Rn＝h_log(I(x,y))-h_log(Gn(x,y)*I(x,y))
其中，n表示使用的尺度数目，n＝1,2,3；Rn为第n个尺度的Retinex输出结果，I为原始输入图像，*代表卷积，Gn为第n个尺度的高斯函数，
Figure FDA0003209491060000011
k为归一化因子，有∫∫Gn(x,y)＝1，σn为对应尺度因子；
其中h_log(x)为混合灰度变换函数
Figure FDA0003209491060000012
其中，
Figure FDA0003209491060000013
L为原始图像最大灰度级，ω为高亮和阴影部分的细节控制因子，如下式所示：
Figure FDA0003209491060000014
其中，M为图像像素总个数，Ω为图像像素所在空间，
Figure FDA0003209491060000015
和
Figure FDA0003209491060000016
分别为
Figure FDA0003209491060000017
和
Figure FDA0003209491060000018
对应的5*5窗口内局部标准差；
S2：对多尺度下的混合灰度变换结果进行子带分解，其子带分解公式如下：
Figure FDA0003209491060000019
其中，N为尺度个数，
Figure FDA00032094910600000110
为子带分解结果；
S3：通过各自空间相异的增益函数Pn，进行子带增益；子带增益所用公式如下：
Figure FDA00032094910600000111
其中，Pn为改进的子带增益函数，由下式计算得到：
Figure FDA0003209491060000021
公式中
Figure FDA0003209491060000022
为标准化高斯尺度常数，有
Figure FDA0003209491060000023
b为常数，
Figure FDA0003209491060000024
可由下式表示：
Figure FDA0003209491060000025
其中，
Figure FDA0003209491060000026
表示子带分解结果
Figure FDA0003209491060000027
的累积概率分布函数的反函数，即子带分解结果
Figure FDA0003209491060000028
的累积概率为c时对应的灰度值；
S4：利用细节调整函数对高频子带进行细节增强，所使用的函数如下：
Figure FDA0003209491060000029
其中，
Figure FDA00032094910600000210
为细节增强结果，ADP(x,y)为细节调整函数，可由下式表示：
Figure FDA00032094910600000211
式中，
Figure FDA00032094910600000212
是标准化的局部偏差：
Figure FDA00032094910600000213
S5：将细节增强结果由对数域映射回显示域，其中使用的函数如下：
Figure FDA00032094910600000214
其中
Figure FDA00032094910600000215
L为原始图像最大灰度级，
Figure FDA00032094910600000216
为细节增强结果
Figure FDA00032094910600000217
的累积概率分布函数的反函数，即
Figure FDA00032094910600000218
的累积概率为c时对应的灰度值。
2.如权利要求1所述的方法，其特征在于，所述的S1中σn，其小、中、大三个尺度分别为σ1＝30，σ2＝100，σ3＝300。
3.如权利要求1所述的方法，其特征在于，所述的S3中常数c取值范围为[0,1]。
4.如权利要求1所述的方法，其特征在于，所述的S4中
Figure FDA0003209491060000031
是原始图像I(x,y)对应的5*5窗口内局部标准差。
5.如权利要求1所述的方法，其特征在于，所述的S5中常数c取值范围为[0,1]。
CN202110332809.4A 2021-03-27 2021-03-27 一种暗弱海面图片纹理清晰度提升方法 Active CN112991310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110332809.4A CN112991310B (zh) 2021-03-27 2021-03-27 一种暗弱海面图片纹理清晰度提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110332809.4A CN112991310B (zh) 2021-03-27 2021-03-27 一种暗弱海面图片纹理清晰度提升方法

Publications (2)

Publication Number Publication Date
CN112991310A CN112991310A (zh) 2021-06-18
CN112991310B true CN112991310B (zh) 2021-10-01

Family

ID=76337821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110332809.4A Active CN112991310B (zh) 2021-03-27 2021-03-27 一种暗弱海面图片纹理清晰度提升方法

Country Status (1)

Country Link
CN (1) CN112991310B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110473152A (zh) * 2019-07-30 2019-11-19 南京理工大学 基于改进Retinex算法的图像增强方法
CN112561804A (zh) * 2020-10-09 2021-03-26 天津大学 基于多尺度细节增强的低光照水下图像增强方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009120830A1 (en) * 2008-03-27 2009-10-01 Tufts University Methods and apparatus for visual sub-band decomposition of signals
CN110246106B (zh) * 2019-06-22 2021-09-28 福州大学 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法
CN111968044B (zh) * 2020-07-16 2023-08-11 中国科学院沈阳自动化研究所 基于Retinex和深度学习的低照度图像增强方法
AU2020104021A4 (en) * 2020-12-11 2021-02-18 Sichuan University of Science and Engineering Improved Retinex Image Enhancement Algorithm for Explicit Expression of Multi-scale and Histogram Truncation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110473152A (zh) * 2019-07-30 2019-11-19 南京理工大学 基于改进Retinex算法的图像增强方法
CN112561804A (zh) * 2020-10-09 2021-03-26 天津大学 基于多尺度细节增强的低光照水下图像增强方法

Also Published As

Publication number Publication date
CN112991310A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN107798661B (zh) 一种自适应的图像增强方法
Arun et al. An alpha rooting based hybrid technique for image enhancement
Khan et al. Localization of radiance transformation for image dehazing in wavelet domain
CN106530244B (zh) 一种图像增强方法
Dharejo et al. A color enhancement scene estimation approach for single image haze removal
CN102663697A (zh) 一种水下彩色视频图像的增强方法
CN111275652B (zh) 一种去除城市遥感图像中雾霾的方法
Yao et al. The Retinex-based image dehazing using a particle swarm optimization method
Huang et al. Haze removal algorithm for optical remote sensing image based on multi-scale model and histogram characteristic
CN111768350A (zh) 一种红外图像增强方法及系统
CN117252773A (zh) 基于自适应颜色校正和导向滤波的图像增强方法及系统
Wen et al. A survey of image dehazing algorithm based on retinex theory
Wu et al. Low-Light image enhancement algorithm based on HSI color space
CN112991310B (zh) 一种暗弱海面图片纹理清晰度提升方法
CN117422631A (zh) 基于自适应滤波分层的红外图像增强方法
Kandhway et al. Modified clipping based image enhancement scheme using difference of histogram bins
Fu et al. Wavelet-based retinex algorithm for unmanned aerial vehicle image defogging
CN110796609B (zh) 基于尺度感知和细节增强模型的低光图像增强方法
CN110807748A (zh) 一种基于高动态范围的新色调映射图像增强方法
Parihar Histogram modification and DCT based contrast enhancement
Dhurairajan et al. Low contrast image enhancement using Renyi entropy
Liu et al. Low Illumination Image Enhancement Algorithm Combining Homomorphic Filtering and Retinex
LI et al. Underwater Image Enhancement Based on IMSRCR and CLAHE-WGIF
Li et al. Image Enhancement Method Based on Dark Channel Prior
Zhou et al. Underwater image enhancement method based on dynamic heterogeneous feature fusion neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant