基于人眼视觉特性的图像增强算法研究毕业设计(编辑修改稿)

基于人眼视觉特性的图像增强算法研究毕业设计(编辑修改稿)内容摘要：

，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 (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XX 大学 XX 学院 201X 届 XXXX 专业 毕业设计 13 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。 图 rose 原图和采用 GHE 算法的增强图像及相应的直方图 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（ plexity）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 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XX 大学 XX 学院 201X 届 XXXX 专业 毕业设计 14 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（ Centersurround）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。 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 bottomup 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 topdown 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。 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 33 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XX 大学 XX 学院 201X 届 XXXX 专业 毕业设计 15 2 为因子递减。 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|/2b，负值则置为 0。 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+δ，δ =[1,2]。 计算结果称为对比映射图。 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XX 大学 XX 学院 201X 届 XXXX 专业 毕业设计 16 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。 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 17 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。 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。 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。 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据。 临界可见偏差 (Just Noticeable XX 大学 XX 学院 201X 届 XXXX 专业 毕业设计 18 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。 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，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 所示直观显示了视觉在不同背景条件下的感知差异，图 （ b）是将图 （ 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。