《基于人眼视觉特性的图像增强算法研究毕业设计-.doc》由会员分享，可在线阅读，更多相关《基于人眼视觉特性的图像增强算法研究毕业设计-.doc（28页珍藏版）》请在三一办公上搜索。
1、毕业设计基于人眼视觉特性的图像增强算法研究摘 要：利用图像增强技术，可以使图像获得更佳的视觉效果，提高人眼对信息的辨别能力，另一方面，图像增强作为一种预处理技术，能使处理后的图像比原图像更适合于参数估计、图像分割和目标识别等后续图像分析工作。因此，图像增强技术的研究一直是图像处理的一项重要内容。但传统的基于直方图的图像增强方法存在以下几个问题：1）传统直方图灰度级统计量与信息量存在不一致问题；2）传统直方图均衡方法在灰度级调整过程中，没有充分利用视觉敏感区段；3）没有针对图像内容多变特点，自适应地获取灰度级调整的优化配置参数。针对上述问题本文展开以下几个方面研究：首先，针对传统直方图对图像信息
2、的描述存在不足，本文提出了一种新的基于视觉注意机制的灰度级信息量直方图构造方法。这种新的直方图在灰度级统计过程中同时考虑各灰度级数量和空间分布情况，采用视觉注意机制计算模型测算出不同位置灰度级的重要性（或显著性），并依据各像素灰度级的重要性进行加权统计，使得统计结果可以客观反映各灰度级对图像信息刻画所起的作用。其次，在灰度级调整过程中考虑人眼视觉感知的非线性特性，并针对其特点提出了将不同比例的灰度级信息量分配至不同的视觉敏感度区段。其分配原则遵循敏感度大的区段分配较多的信息量，同时为避免主导灰度级在直方图拉伸处理中占用较大范围的灰度级空间，本文利用人眼感知能力曲线约束主导灰度级动态范围。最后，
3、由于图像内容存在多变的特点，为了获取更好的图像增强效果，有必要对各视觉敏感度区段的信息量分配比例做一定的调节，为此本文提出了依据图像增强质量客观评估算法的分析结果，自适应地获取最佳调节参数。图像增强质量客观评估算法是依据视觉感知模型设计的，大量测试结果表明，客观评估算法的分析结果与主观评估结果基本吻合。关键词：图像增强；视觉注意机制；人眼调制传递函数；临界可见偏差；图像质量评价1 引言1.1研究背景及意义在一个图像系统中，从图像的获取，到图像的发送、传输、接收、输出（显示）、复制等等，每一个环节都会产生干扰，都会使图像质量降低，不能很好的贴合人眼直接观察到的图像。例如，摄像时，由于光学系统失真
4、、相对运动、大气湍流等都会使图像模糊；医学上，由于受到人体的器官、组织、光照等各个方面的影响，拍到的照片总是不尽人意，很难识别病变组织与正常组织，做出早期诊断。因此，如何对这些“降质”图像或受到噪声污染的质量不太满意的图像进行处理，以符合人们的要求，例如尽可能恢复原貌，改善图像的视觉效果，突出有用的目标等，具有广泛的应用前景和工程价值。这也是图像处理的一般要求。图像增强是一种常用的图像处理方法，其目的是将图像中感兴趣的部分尽可能突现出来。例如一幅侦察图像甚至有可能是经过各种欺骗和伪装后的侦察图像，在这类图像中，目标和背景可能混淆不清，很难区别。如何从中识别出人们感兴趣的目标，如机场、跑道、飞机
5、、建筑物等，就需要进行增强处理。XX大学 XX学院 201X届 XXXX专业 毕业设计图像增强处理的应用已经渗透到医学诊断、航天航空、军事侦察、指纹识别、无损探伤等领域。例如：（1）在医学应用当中的血管造影技术，由于心脏的剧烈运动，并且是非刚体运动，造成影像图与原始血管图的匹配非常困难。如果能够先对造影图像进行增强滤波处理，可以去除非感兴趣器官（如肌肉、骨骼等）对X射线吸收形成的背影图像，则有利于提高医生临床诊断的准确性。对X射线图像、CT图像、内窥镜图像等进行增强，使医生更容易从中确定病变区域。（2）红外技术在军事及人们日常生活中有着越来越广泛的应用。由于红外探照灯以及红外探测器件的限制，红
6、外成像系统的成像效果不够理想。在民用监测应用中，主要表现在夜视距离近，图像特征信息不明确等方面。为使夜视距离达到监测要求并使图像更适合于人眼观测、适用于图像后续目标识别及跟踪处理，有必要对红外图像低照度采集来增长主动式红外夜视系统的夜视距离，对图像进行增强及目标分割处理来增强红外图像视觉效果。（3）在航天遥感和航空遥感应用中，由于遥感图像的获取平台高，很容易受到自然因素的影响，尤其是可见光波段，如天气、云雾等都能使图像质量下降，因此获得的图像有的会出现对比度低、图像模糊等现象；有的图像总体视觉效果较好，但是对所需信息，如边缘部分或线状物不够突出；还有的图像波段数据量大，例如TM图像，而且各波段
7、之间存在一定的相关性，为进一步处理造成困难。所以，可通过图像增强技术，改善图像质量，提高图像目标视觉效果，突出所需要的信息，压缩图像数据量，为进一步的图像分析判读做好预处理工作。（4）在煤矿工业电视系统中采用增强处理来提高工业电视图像的清晰度，克服光线不足、灰尘等原因带来的图像模糊、偏差等现象，减少电视系统维护量。总之，图像增强技术的快速发展同它广泛的应用是分不开的，发展的动力来自不断涌现的新的应用，可以预料，在未来社会中，图像增强技术将会发挥更大的作用。1.2 图像增强的研究现状XX大学 XX学院 201X届 XXXX专业 毕业设计图像增强的主要目的是改善图像的视觉质量。对于一幅给定的图像，
8、图像增强可以根据图像的模糊情况和应用场合，采用某种特殊的技术来突出图像中的某些信息，削弱或消除某些无用的信息，从而有目的的强调图像的整体或局部特征 。经过多年研究，图像增强技术已经取得了长足的进步，到目前为止，已经形成了多种理论算法。目前常用的增强技术根据其处理所进行的空间不同，可分为基于空间域（图像域）的方法和基于频率域（变换域）的方法两种。其中空间域增强方法包括点处理和模板处理两种，点处理增强常用的方法有：直接灰度变换、直方图处理、图像间运算等等，模板处理增强常用的方法有：线性平滑滤波、非线性平滑滤波、线性锐化滤波和非线性锐化滤波等；频域增强方法有低通滤波、高通滤波、带阻滤波、同态滤波等。
9、低通滤波能够平滑图像，将像素灰度值突变的细节滤掉；而高通滤波能够增强图像，保留像素突变的细节。经典的空间域和变换域增强方法都可以在绝大多数“数字图像处理”教材中找到，为此不再赘述。以下将介绍空间域和变换域一些较新的研究进展。1.2.1 基于直方图处理的图像增强算法由于直方图数据描述简单，操作简便，且易于编程实现，因此在图像处理、模式分析与识别等多个领域得到了广泛的应用。以直方图为基础的增强算法研究是空间域算法的主流研究方向。研究人员在直方图基础上，结合不同的应用对象和分析要求，提出了多种增强算法，这些算法主要分为两大类：全局直方图算法和局部（自适应）直方图算法。全局直方图均衡（Global H
10、istogram Equalization, GHE）是全局算法中的代表性成果，其基本思想是依据直方图的统计结果，相应地分配灰度级的动态范围。虽然这种算法的增强效果并不是最优的，但这种直方图均衡的增强思想却被其它算法广泛采用。当图像的灰度级级数较多，且分布较均匀时，GHE算法的增强效果不明显，针对以上问题，Pizer等人将GHE算法推广应用于图像的局部分析，提出了局部自适应直方图增强算法（Adaptive Histogram Equalization,AHE）。AHE算法是依据像素局部邻域的直方图统计结果，确定该像素灰度级映射值，使局部对比度明显拉伸，然而该算法计算复杂度太大、对噪声敏感、平滑
11、区过增强等问题较为突出。针对这些问题，很多学者提出了多种改进的方案。XX大学 XX学院 201X届 XXXX专业 毕业设计自适应算法主要是依据图像的局部信息进行调整，这使得某些所占空间区域较大的物体表面形态发生了较大的变化。为了克服以上问题，Caselles等人提出了保形对比度增强方法（Shape Preserving Contrast Enhancement,SPCE）。算法采用局部直方图均衡算法来增强对比度，同时保持图像的水平集（Level-sets）不变，从而使增强后图像中的物体区域形状保持不变。以上算法都是在不改变直方图统计方式上做出的，但由于传统直方图存在明显缺陷，即完全丢失了像素的
12、位置信息，使得这些算法的性能受到了一定程度的影响。后面将对传统直方图数据描述方式的局限性进行深入地分析。1.2.2基于多尺度分析的图像增强方法近年来在变换域算法研究方面也取得了一些可喜的进展，其中较为突出的是基于多尺度分析的增强算法。多尺度分析又称为多分辨率分析，它是由Mallat首先提出来的。近几年来，以小波变换为代表的多尺度分析方法备受科学技术界的重视，它不仅在数学上已经形成一个新的分支，而且在应用上，如信号处理和图像处理，被认为是近年来分析工具及方法上的重大突破。原则上讲，凡传统使用傅里叶分析的方法都可以用小波分析来代替。小波分析在时域和频域上都具有很好的局部特性，而且由于对高频信号采取
13、逐渐精细的时域或空域步长，从而可以聚焦到分析对象的任意细节。在图像处理和计算机视觉中，通常要进行分析和识别的图像结构有着不同的大小，一般情况下不能事先定义一个分析图像的最优分辨率，因此采用多分辨率分析将原始图像分为不同分辨率上的几个信号，然后选择合适的分辨率或同时在各级分辨率上处理这个信号，从而达到多尺度分析的目的，利用这些不同分辨率上的信号，重构的信号就能够在一些方面表现出比原始信号更好的性能。近几年来使用多尺度分析思想来增强这些图像已经引起众多研究者的关注，并且在理论和应用上取得了一些有价值的结果。最近，一种自适应的图像去噪、保留并增强边缘信息的方法已经被Jung等人提出。这种方法使用冗余
14、的小波变换将图像进行多分辨率分解，在每一级分辨率上，把对应噪声和边缘的小波系数用Gaussian函数建模，然后采用一种软阈值的方法，即小波收缩（Wavelet Shrinkage），处理这些系数，在考虑了保留边缘的几何约束后，用这些处理过的小波系数进行重构就可以获得具有很好增强效果的图像。为了验证这种方法的有效性，Jung对具有严重噪声污染的Lena图像、监控图像和自然场景图像进行了增强处理，结果表明这种方法是有效的。XX大学 XX学院 201X届 XXXX专业 毕业设计基于多尺度分析思想的图像增强方法主要应用的场合通常是一些特殊图像，如医学图像、卫星遥感图像、纹理图像和严重噪声污染的图像等。
15、这些方法的基本思想都是将图像先进行分解，然后对分解后的图像进行处理，最后重构图像，从而达到某种处理效果。但以上算法面临的主要问题是很难确定合适的分析尺度及不同尺度下的最优调节参数。目前尚无统一的衡量图像增强质量的通用标准。在图像增强的方法使用上，可以使用一种增强方法，也可以使用多种方法混合使用，只要达到需要的效果即可。1.3 研究内容和目的直方图均衡化依据各灰度级的统计量相应地调整图像的灰度值动态范围，即拉大统计量较大的灰度级级差，达到图像增强的目的。但这类方法存在三个主要的缺陷：1）传统直方图灰度级统计量与信息量存在不一致问题；2）传统直方图均衡方法在灰度级调整过程中，没有充分利用视觉敏感区
16、段；3）没有针对图像内容多变特点，自适应地获取灰度级调整的优化配置参数。首先，在直方图均衡化处理过程中，灰度级直方图只是简单地数量上的统计，而丢失了灰度级的位置信息，使得统计结果无法客观反映各灰度级对刻画图像信息所起的作用，即出现灰度级统计量与信息量不一致问题。比如，在图像的平滑区或背景区内某些灰度级的统计值虽然很大，但这些灰度级所刻画的信息却很少（或很简单）。因此本文提出一种新的基于视觉注意机制的灰度级信息量直方图构造方法。该直方图综合考虑灰度级的个数和空间分布，并在灰度级统计过程中注重保留重要信息区的灰度级统计量，同时削弱平滑区或背景区的统计量，使得统计结果可较好地反映各灰度级对刻画信息所
17、起的作用。另外，传统的直方图均衡化方法是在假定不同的灰度级的视觉敏感度一样的基础上进行的，但研究发现，人眼视觉系统的感知特性是非线性的，即在不同的灰度级范围内，视觉敏感度是不同的，在暗区，敏感度低，在亮区，敏感度高，因此传统的直方图均衡化方法在分配信息时没有充分利用视觉敏感度。为解决这个问题，本文把灰度级按照视觉感知特性分为三个部分：最弱感知区、最强感知区及次强感知区，同时把图像中大量信息区的灰度级分配在最强感知区，把含有少量信息的区域的灰度级分配在最弱感知区及次强感知区，但次强感知区分配到的信息量要比最弱感知区多，这样可以拉伸图像的灰度层次，提高图像的对比度，使增强后的图像获得满意的视觉效果
18、。XX大学 XX学院 201X届 XXXX专业 毕业设计由上一段得知，需要把直方图划分为三个区域，即大量信息区与两个少量信息区，信息区的划分，尤其是最大信息区与最小信息区的划分，不能总是依靠人眼，这样算法移植性不高，而且由于图像信息分布的多样性，也不能固定阈值，比如，有的图像灰度级较多且分布较均匀，则阈值不能太小，因为如果分配到最强感知区的信息量太多，则会有大量的信息分享有限的灰度级空间，导致小于人眼感知能力曲线的信息量增加，反而不利于感知图像；有的图像灰度级较少，这时阈值不能太大，因为本文期望能把大量信息尽可能的分配在最强敏感区及次强敏感区，也就是在不损害且充分利用最强感知区信息的情况下，把
19、尽可能少的信息分配给最弱感知区。为了自适应的获取使图像增强效果最佳的阈值，本文根据视觉感知模型设计了一个简单有效的图像增强质量客观评价算法，该算法除了能对增强效果进行评价，也可以对参数进行自适应调节，从而获得最佳调节参数。2 人眼视觉系统概述图像信息是通过人的视觉来接收的。在实际应用中，许多图像处理与分析的目的就是改善图像的视觉效果或处理后以便于人们对图像的分析，所以了解人的视觉系统特性及视觉信息处理特性在观察图像或判读图像时的某些现象和特性是有必要的。视觉是人类的主要感觉来源，人类认识外界信息中80%来自视觉。视觉器官“眼睛”接受外界的刺激信息，而大脑对这些信息通过复杂的机理进行处理和解释，
20、使这些刺激具有明确的物理意义。视觉系统是一个复杂的完善的信息获取和分析系统，它涉及许多学科，但目前尚有许多感知机理仍不清楚，这也是阻碍图像处理发展的重要原因。因为现有的大多图像处理算法都或多或少地引入了人眼视觉系统，为便于理解，本章首先就人眼构造及光学特性、人眼视觉感知系统作简单介绍。人眼构造及其光学感知特性人眼的结构和照相机相似，如图2.1所示。眼睛的前部为一圆球，其平均直XX大学 XX学院 201X届 XXXX专业 毕业设计图 2.1 人眼的构造径为20mm左右，它由三层薄膜包着，即角膜和巩膜外壳、脉络膜和视网膜。它的正前方六分之一是透明的角膜，角膜是一种硬而透明的组织，它盖着眼睛的前表面
21、，巩膜与角膜连在一起，巩膜是一层包围着眼球剩余部分的不透明的膜。脉络膜位于巩膜的里边，这层膜包含有血管网，它是眼睛的重要滋养源，脉络膜外壳着色很重，因此有助于减少进入眼内的外来光和眼球内的回射。在脉络膜的最前面角膜的后面被分为睫状体和虹膜。虹膜中间有一小圆孔称为瞳孔。在虹膜环状肌的作用下，瞳孔的直径可在28mm间调节，从而控制进入人眼的光通量，起到照相机光圈调节的作用。瞳孔后面是一扁球形的弹性透明体，称为晶状体，相当于照相机镜头的作用。它在睫状肌的作用下，可以调节曲率改变焦距，使不同距离的景物可以在视网膜上成像。当晶状体的折射能力由最小变到最大时，晶状体的聚集中心与视网膜之间的距离约由17mm
22、缩小到14mm。当眼睛聚集到远于3m的物体时，晶状体的折射能力最弱，当聚集到非常近的物体时，其折射能力最强。眼睛最里层的膜是视网膜，它布满在整个眼球后部的内壁上，当眼球适当聚集时，从眼睛的外部物体来的光就在视网膜上成像。整个视网膜表面上分布的分离的光接收器造成了图案。这种光接收器可分为两类：锥状体和杆状体。锥状细胞的直径为26 m，长约40 m，有500万个。它们主要位于视网膜的中间部分，叫做中央凹，即黄斑区，它们主要是在强光下检测亮度和颜色信息。每个锥状细胞连接着一个视神经末梢，因此黄斑区的分辨率极高，从而使人所感兴趣物体的像落在视网膜的中央凹上，这样人们利用这些锥体细胞就能充分地识别图像的
23、细节，形成人眼的明视。在视网膜的其他部分分布着杆状细胞，直径约27004 m，长约60 m，共有750015000万个。由于分布面积较大且多个杆状细胞与一个视觉神经末梢相连，使接收器能够识别细节的量减少了，即对细分辨率较低，只能给出视野中一般的轮廓，形成人眼的暗视。它们能在弱光下检测亮度信息，但没有色彩的感觉。例如，在白天呈现鲜明颜色的物体，在月光下却没有颜色，这是因为只有杆状细胞受到了刺激，而杆状没有色彩的感觉。XX大学 XX学院 201X届 XXXX专业 毕业设计视锥细胞和视杆细胞统称视细胞。图2.2表示视细胞在视网膜上的分布情况。以眼球水平方向上的圆周角作为水平距离的度量，黄斑中心在鼻侧
24、的地方是视神经的汇聚点，没有视细胞就形成“盲点”。对于落入盲点的图像人眼无法看到。图 2.2 视细胞在视网膜上的应用从生理学角度看视觉有以下显著特性：（1）分辨率人眼对于不同空间细节的分辨能力是变化的，视觉空间频率响应具有带通滤波器的性质，高频端的灵敏度要低于低频端的灵敏度，对高频区域的噪声或失真也不太敏感。（2）同时对比度由于人眼对亮度有很强的适应性，因此很难精确判断刺激的绝对亮度。即使有相同的亮度，由于其背景亮度不同，人眼所感受的主观亮度是不一样的。XX大学 XX学院 201X届 XXXX专业 毕业设计（3）对比灵敏度实验表明，人眼辨别亮度差的能力是同周围环境以及照度本身的大小有关，即视觉
25、对亮度偏差的敏感程度随背景亮度变化呈非线性变化，总的来说在高亮度背景区人眼对亮度偏差的辨别力相比在低亮度区要强。把主观上可识别的最小亮度差称为亮度的可辨别阈值。（4）视觉掩蔽效应当存在多个刺激量时，它们之间会相互干扰，导致视觉阈值的变化，它有多种表现形式，人眼对损伤的敏感度在非常亮或者非常暗的区域会下降，在图像空间域变化大的区域会比变化小的区域低。2.2 人眼视觉感知系统2.2.1 视觉信息传递过程视觉是一个根据图像发现周围景物中有什么物体和物体在什么地方的过程，也就是从图像获得对观察者有用的符号描述的过程。因此视觉是一个有明确输入和输出的信息处理问题。人类视觉信息处理系统是由视觉器官、视觉通
26、路和多级视觉中枢组成，实现着视觉信息的产生、传递和处理。考虑到其中的视觉信息处理过程的复杂性，研究学者又将其划分为视感觉处理和视知觉处理两个阶段。这样，人眼视觉信息的处理则如图2.3所示。图 2.3 人眼视觉的信息传递过程2.2.2 感受野研究发现，视觉通路上各个层次的神经元感受野尺寸是不同的，神经元的层次越深入，其感受野的尺寸就越大，比如，视网膜中心（Fovea）具有较小的感受野，外周（Periphery）的则较大，这种层次体系被称为感受野等级结构。视网膜神经节细胞和外侧膝状体神经元的感受野呈同心圆中心-外周颉颃形式，即在感受野的中心与外围，刺激对细胞响应的影响正好相反。视皮层神经元的感受野
27、对光点刺激没有反应，而是对具有一定形状的刺激敏感，它们通常被形象的称为特征检测器。当具有一定朝向和宽度的条形刺激出现在其感受野内某个特定位置上时，细胞的响应最强，而当刺激偏离该朝向时则反应急剧降低，甚至消失，这些细胞被称为朝向选择性细胞（又称做简单细胞）。XX大学 XX学院 201X届 XXXX专业 毕业设计感受野机制所反映出来的多尺度表示方法和中央外周（Center-Surround）计算策略是一种十分重要的视觉计算模型。2.2.3 人类视觉系统的注意机制视觉注意(Visual Attention)是人类视觉的一项重要的心理调节机制。根据上文所述，视感受的信息处理方式是并行(Parallel
28、 Process)的，视知觉的信息处理方式是串行(Serial Process)的。这样，视感觉过程所提供的信息量就会远远大于视知觉过程所能处理的信息量。将这严重失调的两个过程联系起来的桥梁正是视觉注意机制，它是视觉感知过程的引导者，是其高效性和可靠性的保障。1. 认识视觉注意图2.4是几个视觉注意示例图，从中可以非常明显地感受到视觉注意的存在。这三幅图像中，(a)中的圆环，(b)中的圆盘和(c)中的135度线段会迅速引起人们的注意。之所以会出现这样的反应，正是由于视觉注意机制在发生作用。图 2.4 视觉注意的示例图2.选择性视觉注意从视觉注意与视觉感知的关系中可以看到，选择性是视觉注意众多功
29、能中最根本的一条，它表现为舍弃一部分信息，以便有效地处理重要信息的控制和调节能力。具体地说，人们在观察一个场景时，总是有选择地将注意力集中在场景中的某些最具吸引力的内容上。从人的角度来看，这是一个从场景中选择内容进行观察的过程，可以称之为视觉选择性（Visual Selection）；从场景的角度来看，场景中的某些内容比其他内容更能引起观察者的注意，可以称之为视觉显著性（Visual Saliency）。两者其实都是从不同的角度对选择性视觉注意（Selective Attention）过程的描述。而在该过程中，引起注意的场景内容则被称为注意焦点（Focus ofAttention，简称FOA）
30、。XX大学 XX学院 201X届 XXXX专业 毕业设计选择性视觉注意也是各个领域的研究者共同关心的一个焦点，目前大家对于视觉注意机制的研究几乎全部集中在这一方面。人类视觉之所以能够通过极为有限的信息处理资源完成极为复杂的信息处理任务，选择性视觉注意的控制和调节能力在其中发挥着决定性的作用。2.3 小结本章首先介绍了人眼的生理结构，初步了解了视觉的生理特性，然后从心理学角度介绍了视觉信息的传递过程及其主要特性，并简要介绍了感受野，同时论知的关系、选择性视觉注意。本章的这些研究为将人眼视觉特性引入到图像增强算法中打下了坚实的理论基础。人类视觉是非常复杂的，它是心理学领域长期以来一直致力解决的主要
31、问题之一，目前形成的许多理论仍然存在不少局限，这主要表现在：大多数观点还停留在假说层次；许多理论还不够完善；不同理论之间还有一些矛盾；有些方面仍然存在研究空白。目前正在进行的探索正在朝着统一的完整的理论方向前进。3 基于视觉注意机制的灰度级信息量直方图构造3.1传统直方图的缺陷传统直方图由于数据描述简单、便于计算机编程实现等优点，被广泛应用于各类图像分析算法，是图像的一种重要的表达方式。但这种表达也存在严重缺陷：在灰度级统计时，完全丢失了灰度级的位置信息，使得直方图的统计结果并不能反映各灰度级对刻画信息所起的作用，即出现灰度级统计量与信息量不一致问题。为了使以上分析更直观，本文特别找了一幅图像
32、，如图3.1(a)所示，图中背景和刻画信息灰度级区分较为明显。从该图像的直方图统计结果可以看出，最大统计值仅是由背景提供，但图中的主要细节信息却是由直方图中统计值较小的灰度级刻画的，在直方图增强处理中，刻画背景的灰度级由于统计值较大，被分配了较大的灰度级空间，而真正刻画主要信息的灰度级因统计值较少，很难得到有效的拉伸，使得处理后的图像质量还不如原图像的效果，见图3.1(b)。因此，仅仅依据数量上的统计结果，调整灰度级的动态范围，难以保证对主要刻画信息的灰度级进行有限拉伸，极大地影响基于直方图的图像增强算法的性能和鲁棒性。XX大学 XX学院 201X届 XXXX专业 毕业设计图 3.1 rose
33、原图和采用GHE算法的增强图像及相应的直方图3.2常用的区域显著性度量方法根据显著性度量方法的不同，可将目前的显著区域检测算法分为两大类。第1类是基于局部特征的算法，即从候选区域内部提取显著性特征。这类方法认为视觉显著性的产生是由于视觉对象本身具有某种能够引起观察者注意的特殊属性。比如：Bourque比较候选区域与整幅图像的边缘密度差异；Kadir将像素邻域的复杂性（complexity）作为其显著性特征，并通过该邻域的灰度直方图的熵描述其复杂性；Gesu通过离散对称性变换（DST）和离散矩变换（DMT）的结合描述像素邻域的显著性。该方法往往是针对某些特定的目标或图像提出来的，通用性较差。第2
34、类是基于视觉反差的算法，即利用候选区域与外界比较产生的差异值或差异矢量来描述显著性。这类方法认为视觉显著性的产生是由于视觉对象与外界通过某种对比形成的能够引起观察者注意的新异刺激。在这些研究者中，有人利用候选区域与周边区域比较产生的差异值或差异矢量来描述显著性。比如：Wai通过DOG算子比较候选区域与周边区域的灰度差异Itti通过中央-周边（Center-surround）算子比较候选区域与周边区域在亮度、颜色和朝向这些早期视觉特征上的差异等。有人用候选区域与整幅图像比较产生的差异值来描述显著性，例如：Stentiford通过进化规划（evolutionary programming）比较候选
35、区域与图像中其他区域的形态差异等。这些方法大都是根据视觉感知过程提出来的，通用性较强。XX大学 XX学院 201X届 XXXX专业 毕业设计3.3基于数据驱动的视觉注意机制的显著性度量方法视觉注意包括两种类型：自底向上注意和自顶向下注意。从而导致视觉注意模型包括两种：（1）采用bottom-up控制策略的数据驱动注意机制，由作为底层数据的视觉刺激驱动，与作为高层知识的观察任务无关。（2）采用top-down控制策略的任务驱动注意机制，它引入外部命令，以适应外界命令的要求，从而达到将注意力集中于特定目标的目的。按照大脑中存在两个视觉通路（what通路和where通路）的理论，数据驱动的注意模型可
36、以用来提供what信息，而任务驱动的注意模型可以用来解决where通路的问题。目前对数据驱动的注意模型研究较多，提出了许多计算模型，而对任务驱动的注意模型研究较少，其原因主要在于研究外界命令如何参与注意的计算方面存在较大的困难，目前大多数的工作限于生物实验取证和理论研究。本文的研究也主要应用的是数据驱动的注意机制。3.3.1 多尺度采样多尺度采样模拟人类在扫视采集时对集采尺度的选择过程。这一机制最早由Zeevi等在研究人类视网膜中心锥状细胞的分布时发现，随后在模拟生物视觉的模型中被频繁采用。图3-3所示为视网膜细胞对视觉信息的采样模式。Itti提出了高斯金字塔模型，非均匀采样体现在不同的采样层
37、次上。为了抽取图像中的多尺度信息，对输入图像逐级进行子采样和Gauss滤波，得到同一幅图像的不同分辨率表示。在多尺度采样中，原始图像在最底层，由下而上，各层图像分别是通过对其相邻下层图像滤波再采样获得的，图像分辨率在水平和垂直方向分别以2为因子递减。XX大学 XX学院 201X届 XXXX专业 毕业设计3.3.2 初级特征提取输入图像的三个颜色信道:红色、绿色、蓝色,分别用r、g 、b符号来表示则图像的灰度特征可以通过下面公式得到： I =(r +g +b)/3。为了从强度中分离出色度信号，使用I来归一化信道。因为亮度非常低的色度变化是察觉不到的，因此也是不显著的，故归一化仅在灰度大于全图最大
38、的1/10位置上进行，而其他位置的值则被赋为0。根据归一化后的r，建立4个宽调谐的颜色通道：红色R =r -(g +b)/2，绿色G =g -(r +b )/2，蓝色B =b -(r +g)/2和黄色Y =(r+g )/2-|r g|/2-b，负值则置为0。3.3.3 中央周边差中央周边操作是指典型的视觉神经元对位于其中央的小区域最敏感，而其中央区周围的更广、更弱区域内的刺激将抑制该神经元的响应。显然，这样的对局部空间不连续性的敏感结构特别适用于检测相对于其局部周围突出的区域。模型中的中央周边差是通过计算不同尺度下图像特征图的差值来实现的。具体做法是将粗尺度下的特征图插值变细尺度下的特征图，然
39、后再进行点对点减法。细尺度能发现高频部分，检测的是小的图像区域，粗尺度能发现低频部分，检测的是大的图像区域。所以细尺度特征图代表中央区域，粗尺度特征图代表周边区域。计算公式如下：其中，S(.)为二进插值算子, Is to c为将s尺度的亮度特征图像插值为c尺度的特征图像，c、s分别为中心层及外周层，在本文中特征金字塔的0层为中心层c，外周层为s=c+，=1,2。计算结果称为对比映射图。3.3.4 多特征图合并策略初级视觉特征提取阶段提取的各种不同维的特征对比度，形成了不同维上的特征显著性描述。这些特征显著性描述需要按照一定的策略合并为一张全局显著图，因为最终供注意机制选择的是全局显著图中的多个
40、目标。该过程通过两步合并操作完成：1）合并不同尺度下同一类特征对比映射图，获取特征显著性描述；2）融合不同种类特征显著性描述，得到全局显著图。组合特征图的困难在于它们表达的特征是不可比的,各自具有不同的动态范围和提取机制,而且由于所有特征图都被组合在一起,仅仅在某些图中出现的显著目标,可能被图中大量的噪声或不太显著的目标所淹没。XX大学 XX学院 201X届 XXXX专业 毕业设计3.4 灰度级信息量直方图构造算法本文采用上节提到的基于视觉注意机制的显著性计算方法来构造新型直方图。大量实验表明，该算法的测算结果与视觉主观分析结果基本吻合。具体过程如下：1将原始图像进行多尺度采样，分解为高斯金字
41、塔形式。2对金字塔的每一层分别提取多个初级视觉特征。由于本文的图像增强算法专门针对灰度图像进行设计，因此初级特征中只选用亮度和朝向特征。3按公式分别进行亮度与朝向特征的中央周边差计算。4最后利用全局加强法将多特征对比映射图进行合并处理，得到全局显著图。5全局显著图进行归一化得到各像素的复杂度加权系数saliency (i ,j)。6依据各像素的复杂度系数加权统计待增强图像的灰度级像素数，即找到原图像中灰度级为r的像素位置(m ,n)，然后统计这些位置的复杂度加权系数，得到待处理图像的灰度级信息量直方图，及所有灰度级信息量统计值之和。4 基于人眼视觉特性的图像增强方法针对上文提到的传统直方图均衡
42、方法描述的缺陷：在灰度级调整过程中没有充分利用视觉敏感区段，本文研究了人眼视觉系统，视觉特性参数表明，人眼对不同亮度背景下灰度偏差的感知能力存在差异，在暗背景下辨别能力较弱。因此，本章根据人眼视觉感知特性将灰度级信息量分为三部分，分别对每部分进行灰度级动态范围的调整。另外在图像灰度级统计时，往往会出现一些比重过大的灰度级，称为主导灰度级，这些灰度级在直方图拉伸处理中将占用较大范围的灰度级空间，而灰度级整个动态空间资源只有256级，这无疑会影响其它灰度级的表现。为解决这个问题，本文采用人眼感知能力曲线对主导灰度级进行限幅处理。最后在灰度级信息量直方图基础上，结合人眼视觉特性，提出了一种新的图像增
43、强方法，该方法使增强图像保留了更多的细节信息，获得满意的视觉效果。XX大学 XX学院 201X届 XXXX专业 毕业设计另外，由于图像内容存在多变的特点，为了获取更好的图像增强效果，有必要对各视觉敏感度区段的信息量分配比例做一定的调节，而传统的基于直方图的图像增强方法并不能自适应地获取灰度级调整的优化配置参数，由于评价算法除了能对增强效果进行评价，也可以对参数进行自适应调节，为此本文依据视觉感知模型设计了一个图像增强质量客观评价算法，并依据该评价算法的分析结果，自适应地获取最佳调节参数。4.1 灰度级动态范围的优化配置所谓动态范围是指待处理图像的灰度级经过调整后所占据的空间范围。在章中，灰度级
44、动态范围的调整优化包括两方面：灰度级动态范围的调整及主灰度级限幅处理。下面将从这两方面展开研究。4.1.1传统的灰度级动态范围优化配置方法传统的灰度级动态范围调整方法主要包括线性动态范围调整及非线性动态范围调整。线性动态范围调整是最简单的灰度级动态范围调整方法，观察者可以改变任何灰度级范围内的对比度。然而，这种简单的方法很难同时提高所有区域的对比度。直方图均衡化是非线性动态范围调整中最常用的一种方法，其实质是有选择地增强图像中的某些信息（占有较多像素的灰度）而抑制另一些信息（占有较少像素的灰度）。虽然直方图均衡化在一定程度上使得处理后的图像灰度得以较均匀的分布，改善了图像的视觉效果，但如第一章
45、所述，直方图均衡化方法并没有考虑到人眼感知的非线性特性，即它是在假定不同的灰度级的视觉敏感度一样的基础上进行动态范围调整的，并不能充分利用视觉敏感区段。由于在图像灰度级统计时，往往会出现部分主导灰度级统计值过大的情况，使得图像处理后出现振铃现象、噪声过增强等问题，并且这些灰度级因为占据了较大灰度级空间，进而影响其它灰度级的表现。因此有必要对这些灰度级分配的动态范围进行限幅处理。4.1.2 基于视觉特性的灰度级动态范围调整优化图像增强的目的之一是为了改善图像的视觉效果，以增强人眼对图中信息的辨别能力。对人眼视觉系统的研究，一方面为算法的改进提供新的线索，另一方面为设计图像增强的量化评估算法提供依
46、据。临界可见偏差(Just Noticeable Difference,JND)是现已提出的能反映人眼视觉辨别力的重要参数，它揭示了人眼在不同亮度背景下对亮度偏差的感知规律。下面简要介绍JND相关背景。XX大学 XX学院 201X届 XXXX专业 毕业设计临界可见偏差这一概念最早是由Jayant提出，在图像压缩编码设计和评估中被普遍采用，但JND与图像增强也有着密切的关系，它反映了人眼在不同亮度背景条件下能分辨的最小亮度偏差，这也是细节信息被有效增强的最低门限要求。已有的视觉研究成果表明，人眼所能感觉到的最小亮度差与观察对象的背景有关52，即视觉对亮度偏差的敏感程度随背景亮度变化呈非线性变化，
47、总的来说在高亮度背景区人眼对亮度偏差的辨别力比在低亮度区要强。图4.1所示直观显示了视觉在不同背景条件下的感知差异，图4.1（b）是将图4.1（a）中的所有灰度级值加上50得到的，这等效于将原图像整体亮度提升了50个灰度级。从这两图对比可以看出，原图像中暗区不可见信息或难以分辨的信息（如人物衣服区域和墙上的部分文字）在亮背景下变得可见或更易辨别。但图像整体亮度的提升并没有改变原图像暗区灰度之间的偏差。图 4.1 视觉在不同亮度背景下的视觉差异本文利用临界可见偏差对主导灰度级进行限幅，其基本思路如下:首先判断分配给每个灰度级的动态范围是否超出了JND相应灰度级的值，如果超过了，则被认定为是主导灰
48、度级，将其灰度值限幅为相应的JND值，否则则为非主导灰度级，保留原有的值。此即为对主导灰度级动态范围进行限幅处理。但应当注意的是，这种限幅处理主要是用于图像灰度级较多的情况，当图像的灰度级级数较少时，可采用简单的固定值限幅处理。对主导灰度级进行限幅处理后，会节省一些灰度空间，可以把这些灰度空间按照统计值大小分配给除主导灰度级以外的其它灰度级。XX大学 XX学院 201X届 XXXX专业 毕业设计4.2 图像增强质量客观评估算法近年来，关于图像增强算法的研究报道很多，各种算法也都有其各自的特点和优势，在实际应用过程中就需要对各种图像增强算法进行评价和分析。此外，由于图像内容的多样性，很多算法为了获得更佳的性能，设置了一些可供调节的参数，如果没有通用的图像增强效果评价指标，这些参数的调节大多只能依靠操作人员凭借经验累试完成，使得增强算法普遍存在鲁棒性和推广性较差的问题。因此，设计性能可靠的图像增强质量客观评价算法显得尤为重要，它不
