聚類分割的交互式遙感熱紅外圖像模糊增強

秦 宇,柯 峰

(1.廣東省外語藝術職業(yè)學院,廣東 廣州 510640；2.華南理工大學,廣東 廣州 510641)

1 引 言

圖像是人類視覺的基礎,是對世界認知的重要源泉。隨著計算信息技術快速的發(fā)展,交互式遙感熱紅外圖像漸漸形成獨立的科學體系,處理方法和技術越來越多,交互式遙感熱紅外圖像得到了各界廣泛的關注[1]。交互式遙感熱紅外圖像被應用在諸多領域中,例如:智能交通、工業(yè)自動化、人工智能、醫(yī)學、農(nóng)業(yè)、林業(yè)等。但交互式遙感熱紅外圖像在使用過程中出現(xiàn)了視覺效果不理想的問題,為了提高交互式遙感熱紅外圖像的視覺效果,需要對交互式遙感熱紅外圖像進行增強處理。相關學者也提出了一些較好的方法。

李繼泉[2]等人采用引導濾波分層的方法對紅外圖像細節(jié)自適應增強進行研究,首先通過背景層和細節(jié)層進行濾波分層,通過限制對比度的自適應直方圖均衡化算法對背景層進行壓縮,結合脈沖噪聲的多尺度檢測方法和韋伯定理對細節(jié)層進行壓縮,綜合背景層壓縮和細節(jié)層壓縮,不僅抑制了紅外圖像噪聲,還是增強了紅外圖像弱細節(jié)模糊現(xiàn)象。雖然該方法較好的完成了紅外圖像細節(jié)自適應增強,但是增強后的紅外圖像抗噪性能較低,視覺效果不理想。司馬紫菱[3]等人采用模擬多曝光融合的方法進行交互式遙感熱紅外圖像模糊增強研究,利用Retinex模型對交互式遙感熱紅外圖像信息進行采集,通過伽馬矯正和Sigmoid函數(shù)構建光照補償歸一化函數(shù),基于此,采用反銳化掩模算法調(diào)整交互式遙感熱紅外圖像細節(jié),并計算曝光圖像加權值,根據(jù)計算結果,采用模擬多曝光融合構建圖像增強模型,完成交互式遙感熱紅外圖像模糊增強,但是該方法沒有對圖像進行聚類處理,導致增強處理所用的時間較長,存在增強效率低的問題。

為了解決上述方法中存在的問題,提出基于聚類分割的交互式遙感熱紅外圖像模糊增強方法。

2 交互式遙感熱紅外圖像邊緣區(qū)域的聚類分割

模糊C均值聚類算法是通過內(nèi)層和外層多次迭代構建目標函數(shù),多次迭代后,根據(jù)聚類中心的隸屬程度的大小判定像素歸屬,當目標函數(shù)為最小值時聚類為最佳聚類,實現(xiàn)交互式遙感熱紅外圖像的聚類分割處理[4-5]。因此,本文采用模糊C均值聚類算法進行交互式遙感熱紅外圖像聚類分割。

(1)

在上述約束條件下,通過隸屬度平方加權構建模糊聚類目標函數(shù):

(2)

對上式進行簡化,簡化式為:

(3)

其中:

U=[μik](i=1,2,…,c;k=1,2,…,n)

(4)

設V代表的是由c個聚類中心構成的向量,其表達式如下:

V={v1,v2,…,vc}

(5)

設dik代表的是聚類中心與樣本之間存在的距離,可通過下式計算得到:

(dik)2=||xk-vi||2=(xk-vi)T(xk-vi)

(6)

其中,m表示平滑系數(shù)；xk表示任意的樣本點。交互式遙感熱紅外圖像的邊緣聚類結果當平滑系數(shù)的值為2時,較為理想[7-8]。

在聚類準則的基礎上計算目標函數(shù)J(U,V)對應的最小值:

(7)

(8)

式中,λ為位置參數(shù);θ為比例系數(shù)。

通過上述過程獲得隸屬度和聚類中心之間的關系,從而實現(xiàn)交互式遙感熱紅外圖像邊緣區(qū)域的聚類分割處理[9]:

(9)

(10)

式中,1≤k≤n;1≤i≤c;1≤j≤n。

3 交互式遙感熱紅外圖像模糊增強方法設計

交互式遙感熱紅外圖像在成像過程中會受到各種干擾,從而產(chǎn)生噪聲。噪聲會使交互式遙感熱紅外圖像的質(zhì)量惡化,圖像逐漸變得模糊,導致圖像特征受到噪聲影響而變得不完整,最終降低輸出結果[10]。因此降噪是交互式遙感熱紅外圖像模糊增強處理中的重要組成部分[11]。在交互式遙感熱紅外圖像模糊增強過程中,為了得到清晰的交互式遙感熱紅外圖像,在圖像模糊增強處理之前對交互式遙感熱紅外圖像進行聚類分割處理,縮短圖像增強所用的時間,并提高對特殊及弱小目標的識別能力。以聚類分割為基礎,通過抑制圖像噪聲和圖像銳化處理兩個方面來加強交互式遙感熱紅外圖像的清晰度。

3.1 圖像噪聲抑制

均值濾波的算法相對簡單,運行的速度較快,在降低噪聲的同時可以提高交互式遙感熱紅外圖像的清晰度,可以有效的處理圖像細節(jié)和圖像邊緣[12]。均值濾波通常存在領域平均和加權平均兩種形式。

領域平均是利用Box模塊對交互式遙感熱紅外圖像進行卷積運算實現(xiàn)圖像平滑。Box模塊是指全部相同函數(shù)均取相同值,常用兩種表示如圖1所示。

圖1 Box模塊模板Fig.1 Box module template

加權平均法是對不同的像素點賦予不同的權值,再對選取領域的像素灰度值和已賦予的權值進行乘積并求和,得到的求和結果作為領域的中心像素點響應輸出,圖2為加權平均模板。

圖2 加權平均模板Fig.2 Weighted average template

中值濾波是一種圖像處理手段,可對圖像中的噪聲進行抑制,去除椒鹽噪聲,使圖像變得清晰[13]。

設r1,r2,…,rn為一維序列,取p,p奇數(shù)為窗口的長度,將一維序列進行中值濾波,從一維序列中連續(xù)抽出p個數(shù)ri-V,…,ri-1,,ri,ri+1,…,ri+V,窗口的中心值為ri,v=(p-1)/2。將p個數(shù)根據(jù)數(shù)字大小關系排列,取以排好序列的序號中心數(shù)作為中值濾波的輸出結果。數(shù)學表達式如下:

Oi=Med{ri-V,…,ri,…,ri+V}

(11)

二維中值濾波表達式如下:

(12)

式中,A為中值濾波的窗口[14]。

3.2 圖像銳化處理

一般的交互式遙感熱紅外圖像在經(jīng)過轉化或者傳輸后,圖像的質(zhì)量會發(fā)生下降,有可能產(chǎn)生模糊。圖像銳化處理可以有效解決上述的問題,還可以使交互式遙感熱紅外圖像邊緣和圖像線條輪廓得到增強,因此,通過Sobel算子和拉普拉斯算子對交互式遙感熱紅外圖像進行銳化處理[15-16]。

Sobel算子一般用于邊緣提取,設定f(x,y)表示二維圖像,則Sobel算子的計算式為:

(13)

Sobel算子水平垂直模板如圖3所示。

圖3 Sobel算子水平垂直模板Fig.3 Horizontal and vertical template of Sobel operator

利用Sobel算子處理,獲得銳化后的交互式遙感熱紅外圖像。其表達式如下:

(14)

單個二元圖像函數(shù)f(x,y)的拉普拉斯變換表達式如下:

(15)

拉普拉斯離散表達式如下:

(16)

拉普拉斯變換濾波器如圖4所示。

圖4 拉普拉斯變換濾波器Fig.4 Laplace transform filter

拉普拉斯算子可以非常好地描繪出互交式遙感熱紅外圖像的邊緣輪廓,對監(jiān)測邊緣有很好的效果。通過聚類分割方法中的拉普拉斯算子可以有效的增強交互式遙感熱紅外圖像清晰度。交互式遙感熱紅外圖像模糊增強計算方法如下式:

(17)

式中,g(x,y)和f(x,y)分別為增強處理后的交互式遙感熱紅外圖像和原圖像。

4 實驗與分析

為了驗證基于聚類分割的交互式遙感熱紅外圖像模糊增強方法的整體有效性,分別采用本文提出的基于聚類分割的交互式遙感熱紅外圖像模糊增強方法、基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法,通過Matlab仿真軟件進行一次仿真測試。

本文提出的基于聚類分割的交互式遙感熱紅外圖像模糊增強方法中有兩個重要參數(shù),即位置參數(shù)λ和比例系數(shù)θ,通過實驗驗證采用不同λ和θ時算法的性能。在進行實驗驗,分別給出λ和θ設定各自的默認值,即λ=75和θ=0.4。

4.1 實驗指標設置

(1)模糊線性指數(shù),其廣泛應用于圖像增強算法性能的定量分析,定義如下:

(18)

(2)峰值信噪比與模糊線性指數(shù)的比值,記為PL,其定義為:

(19)

式中,L為圖像最大灰度級;fEn(i,j)為增強圖像中的像素值。PL值越大表示圖像中目標越明顯,噪聲越小。

(3)粗糙度定義如下:

(20)

式中,h1和h2分別為橫向和縱向差分濾波器算子；f是待評價圖像；|?|1表示L1范數(shù)；“*”為離散卷積運算符；ρ越小,表示圖像更平滑,噪聲更小。

4.2 實驗結果分析

通過峰值信噪比測試不同方法的抗噪性,且峰值信噪比越高,方法的抗噪性能越好,抗噪性能測試如圖5所示。

圖5 抗噪性能測試Fig.5 Anti noise performance test

分析圖5可知,在多次迭代中基于聚類分割的交互式遙感熱紅外圖像模糊增強方法的峰值信噪比遠遠高于基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法的峰值信噪比,因為基于聚類分割的交互式遙感熱紅外圖像模糊增強方法利用中值濾波方法對聚類分割后的交互式遙感熱紅外圖像進行去噪處理,有效保護交互式遙感熱紅外圖像邊緣信息的同時消除了椒鹽噪聲,提高了交互式遙感熱紅外圖像的信噪比,驗證了基于聚類分割的交互式遙感熱紅外圖像模糊增強方法的抗噪性能。

分別采用基于聚類分割的交互式遙感熱紅外圖像模糊增強方法、基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法對交互式遙感熱紅外圖像進行增強處理,對比三種方法的視覺效果,如圖6所示。

圖6 視覺效果對比圖Fig.6 Contrast diagram of enhancement effect

分析圖6可知,采用基于聚類分割的交互式遙感熱紅外圖像模糊增強方法對圖像進行增強處理后的圖像較為清晰,采用基于引導濾波分層的增強方法和基于聚類分割的交互式遙感熱紅外圖像模糊增強方法對圖像進行增強處理后,圖像沒有得到明顯的改善,因為基于聚類分割的交互式遙感熱紅外圖像模糊增強方法在圖像聚類分割處理的基礎上,進行了圖像處理,從而提高了圖像的清晰度,提升了交互式遙感熱紅外圖像模糊增強效果,驗證了基于聚類分割的交互式遙感熱紅外圖像模糊增強方法的有效性。

為了進一步驗證本文方法的有效性,采用基于聚類分割的交互式遙感熱紅外圖像模糊增強方法、基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法,對交互式遙感熱紅外圖像模糊增強時間進行對比分析,對比結果如圖7所示。

圖7 增強效率測試結果Fig.7 Enhanced efficiency test results

根據(jù)圖7可知,隨著迭代次數(shù)的增長,基于聚類分割的交互式遙感熱紅外圖像模糊增強方法的交互式遙感熱紅外圖像模糊增強時間低于基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法的增強時間,因為本文方法對交互式遙感熱紅外圖像進行增強處理之前,對交互式遙感熱紅外圖像進行了聚類分割處理,提高了對特殊及弱小目標的識別能力,縮短了圖像增強所用的時間,驗證了基于聚類分割的交互式遙感熱紅外圖像模糊增強方法的增強效率。

若模糊線性指數(shù)越小,PL值越大,粗糙度越小,交互式遙感熱紅外圖像的增強效果越好,因此,以這三種指標為實驗指標,對本文提出的基于聚類分割的增強方法、基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法進行測試,測試結果如圖8所示。

(a)模糊線性指數(shù)對比

(b)PL對比

(c)粗糙度對比

根據(jù)圖8(a)可知,本文方法的模糊線性指數(shù)是三種方法中最低的,只有當累積分布達到300以上,本文方法的模糊線性指數(shù)才與基于引導濾波分層的增強方法的模糊線性指數(shù)相同,并且模糊線性指數(shù)越低,PL值越大,因此圖8(b)中,本文方法的PL值是三種方法中最大的,且最高可達580,分析圖8(c)可知,本文提出的基于聚類分割的增強方法的粗糙度在0.1以內(nèi),比基于引導濾波分層的增強方法和基于模擬多曝光融合的增強方法的粗糙度低。

綜合上述分析,本文提出的基于聚類分割的增強方法進行交互式遙感熱紅外圖像增強的效果最好。

5 結 語

交互式遙感熱紅外圖像被許多領域應用,交互式遙感熱紅外圖像的清晰度成為人們關注的重點。目前交互式遙感熱紅外圖像模糊增強方法存在抗噪性能差、視覺效果差、增強效率低的問題,提出基于聚類分割的交互式遙感熱紅外圖像模糊增強方法。通過驗證表明,采用本文方法可有效的降低模糊線性指數(shù)和粗糙度,提高了PL值,使得圖像增強效果要優(yōu)于傳統(tǒng)方法,且有效的解決了目前方法中存在的問題,為交互式遙感熱紅外圖像的應用和后續(xù)處理奠定了基礎。