一種基于視網(wǎng)膜機制的灰度圖像增強方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機視覺技術(shù)領(lǐng)域，特別涉及灰度圖像的亮度增強和邊緣增強。
【背景技術(shù)】
[0002]灰度圖像中的信息主要是亮度方面的，這些圖像中存在的大范圍亮度區(qū)域決定了物體的內(nèi)容信息，而線和點類的信息則是區(qū)分不同物體之間的重要邊界。因此，將整體亮度較低的圖像進行有效的亮度提升，對目標識別等有重要作用。
[0003]目前比較經(jīng)典的亮度增強方法有傳統(tǒng)的伽馬變換等全局處理算子、基于局部模板的局部算子、以及Edwin.H.Land于1963年提出的基于人眼視網(wǎng)膜機制的Retinex方法原型的改進。上述方法中:全局處理算子對于整幅圖像的映射函數(shù)是同一個，但是對暗區(qū)域增強效果不佳；局部處理算子容易造成明暗邊界反轉(zhuǎn)；RetineX方法需要對目標圖像進行大尺度濾波，容易造成圖像模糊，另外明亮區(qū)域的過度漂白造成了圖像信息的丟失。
[0004]傳統(tǒng)的邊緣提取方法中使用固定尺寸的高斯差模型提取圖像中的邊緣信息，但是圖像中適用于不同亮度區(qū)域的尺寸是不同的，而固定尺寸的高斯差模型無法達到最優(yōu)效果，明亮區(qū)域的細節(jié)紋理沒有足夠強的響應(yīng)，黑暗區(qū)域的較大輪廓也不能有效識別。

【發(fā)明內(nèi)容】

[0005]針對上述存在問題或不足，本發(fā)明提供了一種基于視網(wǎng)膜機制的灰度圖像增強方法。
[0006]技術(shù)方案包括下列步驟:
[0007]步驟1、模擬水平細胞感受野的大范圍特性，確定自適應(yīng)參數(shù)，進行一次全局亮度增強處理，該處理函數(shù)與視錐細胞響應(yīng)特性相符:根據(jù)閾值確定圖像的較暗區(qū)域，由該區(qū)域的平均亮度變換得出自適應(yīng)參數(shù)，參數(shù)與平均亮度呈反比，該變換函數(shù)的定義域是[I, 128]，值域是[10，25]，之后對整體圖像進行全局映射處理，該全局映射函數(shù)整體形狀是一個S形，定義域是[1，255]，值域是[1，255];其中有三個參數(shù)來影響函數(shù)形狀的中心點的橫縱坐標以及曲線中心部分的斜率，影響斜率的參數(shù)范圍是3?7，數(shù)值越小，黑暗區(qū)域的函數(shù)斜率就越大，而對明亮部分細節(jié)的壓縮就越強；
[0008]步驟2、計算調(diào)制函數(shù)圖，對圖像進行亮度增強，該函數(shù)基于水平細胞調(diào)制作用的具體特性:將步驟I所得到的自適應(yīng)參數(shù)輸入調(diào)制函數(shù)，自適應(yīng)參數(shù)越大，調(diào)制函數(shù)的斜率絕對值越大，調(diào)制的亮度范圍越窄；調(diào)制函數(shù)是水平細胞對于視錐細胞負反饋作用特性的量化函數(shù)，反饋函數(shù)所輸出的反饋值與亮度成反比，調(diào)制函數(shù)是一個單調(diào)遞減的連續(xù)函數(shù)，最小值是1，函數(shù)的定義域是[1，255]，值域是[1，35];最終將上述計算所得的調(diào)制函數(shù)分布圖與圖像像素一一對應(yīng)相乘，得出亮度增強圖；
[0009]步驟3、計算圖像的局部高斯差中心系數(shù)分布圖:使用RMS(Root Means Quared)方法計算出模板尺寸是3X3的圖像局部對比度分布圖，根據(jù)分布圖計算出對應(yīng)的二維高斯模板中心系數(shù)分布圖，中心系數(shù)的范圍是0.2?1，中心系數(shù)與對比度呈線性反比關(guān)系，對比度越大，中心系數(shù)越小，高斯差模型的外周系數(shù)是中心系數(shù)的3倍；對比度與中心系數(shù)之間的轉(zhuǎn)換函數(shù)，對比度值是自變量，定義域是[O，1]，值域是[0.2，I];對于二維高斯模板的計算，使用0.0OOl作為閾值，小于閾值的部分作為無用成分丟棄，整個模板除以模板元素的總和，保證處理后的模板元素和是I ;
[0010]步驟4、模擬雙極細胞的感受野特性，通過高斯差模型提取邊緣對原圖進行增強:使用步驟3對應(yīng)的不同中心系數(shù)，計算出相應(yīng)外周系數(shù)，將不同參數(shù)的高斯差模型與原圖卷積，得出邊緣信息；最終將提取出的邊緣信息乘以系數(shù)與原圖相加，系數(shù)范圍是0.5?I。
[0011]上述步驟3中，以較小的步長選取中心系數(shù)值，建立相應(yīng)的高斯模板。
[0012]上述步驟4中，對圖像進行不同尺寸的高斯差卷積計算時，由于每個局部模板所得的二維高斯中心系數(shù)不同，因此需要分別卷積。
[0013]本發(fā)明所基于的生理機制，如圖1所示，a子圖是視網(wǎng)膜縱向信息流通路，圖中視錐細胞首先接收外界的光線刺激信息，之后多個視錐細胞的響應(yīng)輸出到水平細胞內(nèi)，水平細胞得到上述的大范圍亮度信息后，通過負反饋對視錐細胞進行調(diào)制，最終視錐細胞輸出經(jīng)過調(diào)制后的響應(yīng)。在本發(fā)明中，我們對視錐細胞的響應(yīng)使用步驟I中的全局亮度處理函數(shù)來擬合，水平細胞對大范圍亮度信息的量化則使用自適應(yīng)參數(shù)來表示，最終反饋的調(diào)制值使用本發(fā)明中的調(diào)制函數(shù)表示。
[0014]其次在對圖像的邊緣信息增強方法中，本發(fā)明模擬視網(wǎng)膜中雙極細胞所具有的中心外周拮抗機制，傳統(tǒng)的相關(guān)方法通常使用高斯差模型來表示這種感受野的響應(yīng)特性，但是之前的方法中，該模型的尺寸是較為固定的，并不能很好適應(yīng)場景中明暗環(huán)境的變化。本發(fā)明基于感受野尺寸隨對比度改變的特點，提出了一種自適應(yīng)尺寸的高斯差模型，對原模型提取高頻信息的作用有所增強，符合人眼的生理特性。
[0015]本發(fā)明首先對原圖像進行全局的亮度提升，之后確定調(diào)制函數(shù)的調(diào)制區(qū)域，最終計算出亮度增強的結(jié)果圖。而對于圖像的邊緣增強計算中，通過步驟3計算的圖像局部對比度，我們改變不同對比度區(qū)域所對應(yīng)的二維高斯中心系數(shù)，使得該方法在較明亮的區(qū)域更多地加強細節(jié)，而在較暗區(qū)域則會對較大的輪廓有比較強的響應(yīng)，這也符合人類的習慣。
[0016]綜上所述，本發(fā)明的有益效果是:通過簡單參數(shù)的設(shè)定，同時增強了灰度圖像中亮度以及邊緣信息。
【附圖說明】
[0017]圖1是本發(fā)明所基于的視網(wǎng)膜生理機制圖。
[0018]圖2是本發(fā)明一種灰度圖像亮度和邊緣增強方法的流程示意圖。
[0019]圖3是圖像亮度增強結(jié)果圖。
[0020]圖4是由圖像所得到提取出的邊緣紋理圖以及最終的增強結(jié)果。
【具體實施方式】
[0021]下面結(jié)合附圖和具體的實施例對本發(fā)明做進一步的闡述。
[0022]人類視覺系統(tǒng)會對亮度進行明暗適應(yīng)的調(diào)節(jié)，而基于人眼的中心周邊拮抗機制，則會隨著對比度的變化而改變拮抗的尺寸大小，能夠保證在明亮情況下對細節(jié)的更強響應(yīng)，在黑暗環(huán)境中更適應(yīng)此時更低的視銳度條件，基于此提出了本發(fā)明的方法。
[0023]示例圖像如圖3a所示，該灰度圖像尺寸為859X 1155。我們算法的具體計算過程的流程圖如圖2所示，具體過程如下:
[0024]步驟1、模擬水平細胞感受野的大范圍特性，確定自適應(yīng)參數(shù)，進行一次全局亮度增強處理:首先對圖像進行歸一化處理，之后通過閾值0.5選取全圖中較暗區(qū)域，計算得出其亮度均值為0.1098，之后根據(jù)此亮度均值得出相應(yīng)的自適應(yīng)參數(shù)，計算得出為19.17，對圖像進行一次全局的亮度增強算法處理，本發(fā)明中，全局處理函數(shù)中的參數(shù)為5。最終處理圖