基于链接突触计算网络的遥感图像对比度增强算法

武 彬 江家宝

(巢湖学院信息工程学院 安徽 合肥 238000)

0 引 言

卫星遥感图像由于包含丰富的空间地理和语义信息，被广泛应用于地球科学、气象学、林业、水文学以及军事等众多领域中[1]。但是，遥感图像在成像、传输过程中容易受到各种因素(如：光照不均；环境噪声)的影响，使得在局部区域呈现光照和对比度不均衡的现象，影响后续图像信息的提取和识别工作。图像对比度作为图像质量重要的属性之一，是图像细节呈现度的重要指标，因此，为了实现图像对比度的均衡，研究人员提出了许多图像增强方法[2]。图像增强指利用变换算法或者数学方法来抑制噪声信息，提高图像对比度和清晰度，改善图像的视觉效果。从处理方法上来区分，常规的图像增强方法大致可以分为空间域和变换域两类[3]。最基本的空间域图像增强方法是直方图均衡化[4]，将输入图像的强度通过变换函数进行转换，然后利用线性函数对输入图像的直方图进行修正，但是，这类方法会导致图像对比度过度增强或细节保存较少。

经典的变换域图像增强方法是小波变换法[5]，利用傅里叶变换将输入图像变换至频域，然后通过提高高频子带的系数或放大测量的对比度来实现增强图像质量的目的，但是，增强后的图像容易出现失真现象。除此之外，基于神经网络的图像增强方法也被提出，Li等[6]提出了低光卷积神经网络(Low-light Convolutional Neural Network，LLCNN)，将神经网络应用于弱光图像的增强，LLCNN在保留原始特征和纹理的同时，可以自适应地增强图像对比度和亮度。Zhan等[7]提出了一种基于链接突触计算网络(Linking synaptic computation Network，LSCN)的图像增强方法，该方法在保留输入图像内信息的基础上，通过使用与链接突触相关的神经机制来增强图像细节，提高视觉效果。

对于卫星图像而言，由于在增强图像的同时会放大噪声强度，或者过度平滑导致部分图像信息丢失，因此，这些增强算法的参数对遥感图像是不合适的。近年来，一些研究人员开发了新的遥感图像对比度增强方法，Li等[8]提出了非下采样Contourlet变换(Non-subsampled Contourlet Transform，NSCT)遥感图像增强算法，利用NSCT技术改善图像低频对比度和压制高频噪声，有效地抑制了伪吉布斯现象，但是运算复杂度高。黄允浒等[9]提出一种结合àtrous小波和模糊算法的对比度增强技术，利用二进小波变换、模糊算法和反锐化掩膜的特点，增强图像边缘细节，提高图像局部对比度，但是图像自然性明显下降。

针对遥感图像在对比度增强过程中图像自然性和清晰度下降的问题，本文提出了一种基于链接突触计算网络的卫星遥感图像对比度增强算法。该算法在HSV颜色空间内，利用引导滤波器平滑噪声和边缘增强技术突出细节，然后以链接突触计算网络与显著特征图相结合的方式，增强图像的亮度和对比度，最后在RGB空间上，利用改进的自然色彩还原技术对增强图像进行还原。实验结果表明，本文方法可以在对比度增强、亮度适应、细节保存和自然色彩之间获得良好的平衡。

1 链接突触计算网络

链接突触计算网络是第三代神经网络，主要根据视觉皮层受到一定刺激时相邻神经元同步发放脉冲的现象来实现相邻网络单元间的激发和抑制。单个LSCN神经元由反馈输入和链接输入、链接调制、脉冲输出3个部分构成，其中反馈输入作为主要输入，用于刺激LSCN神经网络开始工作，然后与链接输入一起进行调制，调制结果输出至脉冲产生域。若调制结果大于阈值，则神经元进行点火并发射脉冲。

不同于其他脉冲神经网络，LSCN 模型的膜电位由泄漏积分器表示，并且输入信号采集机制简化至反馈输入仅仅由激励表示，使得LSCN 模型的时间复杂度低于传统模型，同时内部活动项与外部激励之间的关系更加直接。单个LSCN神经元结构的示意图如图1所示。

图1 单个LSCN神经元结构示意图

泄漏积分器是链接突触网络的主要构成部分，由链接突触S、膜电位W和阈值D三部分组成。链接突触S的数学表达式为：

(1)

式中：(i,j)和(p,q)分别表示某个神经元和其相邻神经元；n表示离散时间点；l为链接常量；X(i,j,p,q)表示链接突触的权重系数；Z(p,q)表示神经元输出。

神经反馈和前馈经过融合后产生膜电位，膜电位W被定义为：

Wn(i,j)=gWn-1(i,j)+G(i,j)(1+αSn(i,j))

(2)

式中：g代表膜电位衰减常数；α表示链接强度；G(i,j)为外部刺激输入。

神经元的阈值D由漏泄积分器描述，表达式为：

Dn(i,j)=rDn-1(i,j)-β+fZn-1(i,j)

(3)

式中：r表示阈值衰减常数；f表示放大系数；β表示一个小的正常数，为确保图像的动态范围位于[0,255]之间，将β设置为1/255。

在网络迭代中，当膜电位超过阈值后，神经元将产生尖峰：

(4)

2 遥感图像对比度增强方法

本文方法是在HSV颜色空间中，将链接突触计算网络和显著特征图相结合进行图像对比度增强。因此，首先将输入图像从RGB空间转换至HSV空间。在此基础上，所提出的方法可分为3步：平滑滤波和边缘增强；基于连接突触计算网络的对比度增强；将图像由HSV颜色空间转换回RGB空间，进行自然色彩还原。本文方法的工作流程图如图2所示。

图2 本文方法的工作流程图

2.1 平滑滤波和边缘增强

首先，对输入图像进行归一化，G(i,j)表示归一化后的标准图像。利用引导平滑滤波器对G(i,j)做平滑处理：

(5)

经过平滑滤波后的边缘细节可以被定义为：

(6)

式中：δ是控制测试图像细节大小的系数，一般取8。

将增强的边缘细节添加到图像中：

D(i,j)=1+E(i,j)-min(E(i,j))

(7)

2.2 基于链接突触计算网络的对比度增强

为了使卫星图像获得更好的增强效果，在边缘增强的基础上，将D(i,j)输入链接突触网络，使图像转换为更好的增强刺激。链接突触网络开始于形成连接突触，而后膜电位在网络经过一系列迭代后超过阈值，产生尖峰，这个尖峰继续更新链接突触以给出最终的突触输出。为了叙述方便，式(6)和式(7)中的(i,j)、G(i,j)、D(i,j)与链接突触计算网络中的神经元、外部刺激输入和神经元阈值相对应，下面不再赘述。

由于经过链接突触网络处理过的突触输出可能包含不均匀的低暗区域，需要对这部分区域做进一步改进：首先对输入RGB图像的亮度分量进行修改，其次对明亮区域和暗淡区域分别进行对比度增强。

在本文中，亮度分量可由式(1)中计算的链接突触输出获得，这样操作有助于超越白平衡：

I(i,j)=maxS(i,j)

(8)

2.2.1明亮区域增强

为了改善明亮的区域对比度，本文采取一个简单的明亮区域细节保留调谐映射函数。由于集中在低亮度区的大部分细节信息的振幅与噪声水平相当，饱和区域又很难获取所需的信息。因此，明亮区域增强的目标是在不引入光晕伪影和牺牲细节的情况下自然改善局部对比度。

首先，计算细节增益系数。定义一个以像素(i,j)为中心的邻窗，尺度为5×5，(i,j)处的细节增益系数可由邻窗的标准偏差计算得到：

(9)

式中：dev(i,j)表示邻窗的局部标准偏差。

其次，渲染细节的场景反射比按照以下公式：

SC=I/(L+c)

(10)

式中：L是与突触输出的平均亮度值相同的照明分量；c是一个小的常量。

然后，明亮区域的细节可通过细节增益系数和场景反射比给出：

Ben=SCk

(11)

这些细节由于光晕伪影和细节裁剪效应的存在，不可以作为最终结果由式(11)直接给出。为了消除它们，采用一种调谐映射函数，改善明亮区域的对比度：

Ibright_en=IBen

(12)

2.2.2暗淡区域增强

由于暗淡区域的亮度较低，在亮区对比增强过程中，暗区对比度保持不变。本文利用一种基于改进高斯差分(Difference of Gaussian，DoG)的感知对比度映射(Perceptual Contrast Map，PCM)用于提取输入图像中的边缘内容。由于DoG是一种带通滤波技术，PCM的振幅输出表示有效信息强度，因此，通过优化参数和构造合适的PCM，达到突出感知重要的局部边缘和平滑区域中高频噪声的目的。

设计一个中心分量为Kc(i,j)和周围分量为Ks(i,j)的掩码，Kc(i,j)和Ks(i,j)大小分别为(2kc+1)×(2kc+1)和(2ks+1)×(2ks+1)，在像素(i,j)处的中心分量和周围分量可以表示为：

(13)

(14)

式中：S(i,j)表示链接突触输出；CGE(i,j)和SGE(i,j)为两个Gaussian函数。表示如下：

(15)

(16)

式中：kc=1，ks=0.01×min(h,w)，(h,w)表示图像的高度和宽度。

对输入图像施加约束条件，得到:

F(i,j)=I(i,j)|PCM(i,j)|

(17)

式中：PCM可以由中心分量Kc(i,j)和周围分量Ks(i,j)给出。

(18)

利用F的最大值和最小值将约束图像归一化为Fnor。在此基础上，通过引入改进的裁剪直方图均衡化，得到一个感知对比度改善的图像Iperceptual_en。Ibright_en和Iperceptual_en在显著性指导下混合，获得更自然和对比度增强的图像：

Ien(i,j)=Fnor(i,j)Ibright_en+(1-Fnor(i,j))Iperceptual_en

(19)

2.3 图像色彩还原

将对比度增强后的图像从HSV模型转换回RGB空间，然后应用于一种改进的自然颜色恢复算法。为了使最终的增强图像满足人类的色彩视觉感知，色彩保持在一个合理的色彩恒定度内，所采用的颜色恢复方法如下：

Ires(i,j)=exp[C(i,j)]×Ien(i,j)

(20)

式中：Ires表示还原图像；C(i,j)表示色彩还原函数。

(21)

(22)

3 实验结果与分析

为了验证提出方法对遥感图像的增强效果，选取来自不同卫星传感器捕获的遥感图像进行测试，测试结果从主观和客观两个方面进行评价。主观评价主要靠人眼的观察来判断，客观评价根据模型来制定量化指标。本文的评价部分主要对比了亮度保持动态模糊直方图均衡(Brightness Preserving Dynamic Fuzzy Histogram Equalization，BPDHE)、基于离散小波变换和奇异值分解的方法(Discrete Wavelet Transform and Singular Value Decomposition，DWT-SVD)、具有ACE Kernel的多尺度Retinex法(MSRKACE)、改进的微分进化法(Modified Differential Evolution，MDE)、基于色调映射和同态滤波的JEI法、神经计算方法FLM以及本文方法的实验结果。

在上述方法中使用的参数值是从各自的文献中选择的，并且在所提出的技术中使用的参数值是通过它们的工作形式得出的。本文的参数设置为：神经元连接范围为3×3，l=1，f=0.001，r=0.981，g=0.01，α=0.01，突触权重矩阵的中心元素设置为1，中心以外的突触权重设置为0.04。由下式给出：

3.1 卫星图像数据集

在模拟实验中，采用4幅不同测试卫星传感器(SPOT、IKONOS、MODIS和QuickBird)[10]获取的图像，测试图像的规格和来源分别为：来自SPOT卫星数据的法国图卢兹太空城多光谱图像，尺寸为1 200×1 200；来自IKONOS卫星数据的巴黎塞纳河多光谱图像，尺寸为512×512；来自MODIS卫星数据的爱达荷州中部的雷击火灾多光谱图像，尺寸为1 800×2 400；来自Quickbird卫星数据的埃及金字塔多光谱图像，尺寸为900×607。所有测试图像的分辨率均为50 cm。

3.2 定性结果分析

图3-图6给出了不同算法在4幅测试卫星遥感图像中的定性增强结果。以图3为例，BPDFH方法的视觉增强结果引入了一些不自然的饱和效应，使得图像中出现可见性的像素梯度，说明该方法在局部细节方面没能做到足够的增强。DWT-SVD方法获得的图像对比度较好，但是，由于DWT-SVD方法只关注低频子带图像，忽略了高频部分，增强后的图像缺乏自然色彩，其图像细节也不清晰。MSRKACE方法注重细节增强，但牺牲了自然色，导致处理后的图像出现褪色现象。MDE算法可以得到一个较好的增强结果，但是，输出的图像中存在细微边缘和特征过于平滑的现象。FLM方法同样存在边缘过度平滑，导致细节丢失严重的问题，并伴随有饱和不良效应。JEI方法可以提供较好的细节显示和颜色自然度，但在低亮度区域表现不佳。与其他6种先进算法相比，本文算法强调了局部细节，相应的梯度和纹理相对比较清晰。因此，本文方法保证了对比度增强、亮度适应、细节保存和自然色彩之间的良好权衡。

图3 不同算法对图卢兹太空城图像的视觉增强结果

图4 不同算法对巴黎塞纳河图像的视觉增强结果

图5 不同算法对雷击火灾图像的视觉增强结果

图6 不同算法对埃及金字塔图像的视觉增强结果

3.3 定量结果分析

客观评价通过对各算法结果的指标计算进行的，利用图像的离散信息熵(Discrete Entropy，DE)、增强图像的盲图像质量测量(Blind Image Quality Measure of Enhanced images，BIQME)、无参考图像质量度量对比度失真(No Reference Image Quality Metric for Contrast distortion，NIQMC)和增强测度(EME)4个无参考量作为评价指标来验证算法的有效性。

离散信息熵DE代表图像的信息含量，其值越高，说明图像质量越好：

(23)

式中：P(Xi)表示事件Xi发生的概率。

NIQMC代表图像对比度扭曲的程度，指标的高值表示更丰富的图像色彩：

(24)

式中：γ是权重系数，表示局部和全局之间的相对比重；QL=max{El1,El2,…,El5}和QG=DJS(h,u)分别表示局部变量和全局变量；Eli表示像素li的熵值；DJS(h,u)表示直方图h和像素u的JS散度。

增强测度EME可由下式给出，其值越大，对比度越高：

(25)

式中：I(i,j)表示原图中互不重叠的某一子块；k1k2表示子块个数。

BIQME方法从对比度、清晰度、亮度、色彩艳丽度和自然度等方面反映图像的质量，是一种全局的无参考评价方法，其值越大表示图像整体质量越好：

(26)

式中：M表示像素个数；Qmi、Qcc、Qsd、Qcs分别表示原始图像和还原图像在平均强度、对比度变化、结构畸变和色彩饱和度方面的相似性。

表1给出了不同方法在4幅遥感图像中的定量测试结果，每个评价指标的值都是4幅图像实验结果的平均值。对比表中性能指标可以发现，与现有的其他遥感增强方法相比，本文方法的质量参数具有明显的优势。

表1 不同算法在测试图像中的性能评价结果

续表1

4 结 语

本文提出了一种基于链接突触计算网络的卫星遥感图像对比度增强算法。该算法在HSV颜色空间中，利用引导平滑滤波器和边缘增强技术突出图像细节，然后将链接突触计算网络与显著特征图相结合，改进图像对比度，最后将图像由HSV颜色空间转换回RGB空间，进行色彩还原。实验结果表明，相对于其他对比度增强算法，本文方法在NIQMC、BIQME、DE和EME等多个评价指标上都有很好的性能体现，而且在增强对比度和保留图像的自然度方面，具有明显的优势。