聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)

秦 宇,柯 峰

(1.廣東省外語藝術(shù)職業(yè)學(xué)院,廣東 廣州 510640；2.華南理工大學(xué),廣東 廣州 510641)

1 引 言

圖像是人類視覺的基礎(chǔ),是對(duì)世界認(rèn)知的重要源泉。隨著計(jì)算信息技術(shù)快速的發(fā)展,交互式遙感熱紅外圖像漸漸形成獨(dú)立的科學(xué)體系,處理方法和技術(shù)越來越多,交互式遙感熱紅外圖像得到了各界廣泛的關(guān)注[1]。交互式遙感熱紅外圖像被應(yīng)用在諸多領(lǐng)域中,例如:智能交通、工業(yè)自動(dòng)化、人工智能、醫(yī)學(xué)、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(duì)交互式遙感熱紅外圖像進(jìn)行增強(qiáng)處理。相關(guān)學(xué)者也提出了一些較好的方法。

李繼泉[2]等人采用引導(dǎo)濾波分層的方法對(duì)紅外圖像細(xì)節(jié)自適應(yīng)增強(qiáng)進(jìn)行研究,首先通過背景層和細(xì)節(jié)層進(jìn)行濾波分層,通過限制對(duì)比度的自適應(yīng)直方圖均衡化算法對(duì)背景層進(jìn)行壓縮,結(jié)合脈沖噪聲的多尺度檢測(cè)方法和韋伯定理對(duì)細(xì)節(jié)層進(jìn)行壓縮,綜合背景層壓縮和細(xì)節(jié)層壓縮,不僅抑制了紅外圖像噪聲,還是增強(qiáng)了紅外圖像弱細(xì)節(jié)模糊現(xiàn)象。雖然該方法較好的完成了紅外圖像細(xì)節(jié)自適應(yīng)增強(qiáng),但是增強(qiáng)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(jìn)行交互式遙感熱紅外圖像模糊增強(qiáng)研究,利用Retinex模型對(duì)交互式遙感熱紅外圖像信息進(jìn)行采集,通過伽馬矯正和Sigmoid函數(shù)構(gòu)建光照補(bǔ)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(xì)節(jié),并計(jì)算曝光圖像加權(quán)值,根據(jù)計(jì)算結(jié)果,采用模擬多曝光融合構(gòu)建圖像增強(qiáng)模型,完成交互式遙感熱紅外圖像模糊增強(qiáng),但是該方法沒有對(duì)圖像進(jìn)行聚類處理,導(dǎo)致增強(qiáng)處理所用的時(shí)間較長(zhǎng),存在增強(qiáng)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(qiáng)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(gòu)建目標(biāo)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(dāng)目標(biāo)函數(shù)為最小值時(shí)聚類為最佳聚類,實(shí)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(jìn)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(quán)構(gòu)建模糊聚類目標(biāo)函數(shù):

(2)

對(duì)上式進(jìn)行簡(jiǎn)化,簡(jiǎn)化式為:

(3)

其中:

U=[μik](i=1,2,…,c;k=1,2,…,n)

(4)

設(shè)V代表的是由c個(gè)聚類中心構(gòu)成的向量,其表達(dá)式如下:

V={v1,v2,…,vc}

(5)

設(shè)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(jì)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(diǎn)。交互式遙感熱紅外圖像的邊緣聚類結(jié)果當(dāng)平滑系數(shù)的值為2時(shí),較為理想[7-8]。

在聚類準(zhǔn)則的基礎(chǔ)上計(jì)算目標(biāo)函數(shù)J(U,V)對(duì)應(yīng)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(guān)系,從而實(shí)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(qiáng)方法設(shè)計(jì)

交互式遙感熱紅外圖像在成像過程中會(huì)受到各種干擾,從而產(chǎn)生噪聲。噪聲會(huì)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(dǎo)致圖像特征受到噪聲影響而變得不完整,最終降低輸出結(jié)果[10]。因此降噪是交互式遙感熱紅外圖像模糊增強(qiáng)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(qiáng)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(qiáng)處理之前對(duì)交互式遙感熱紅外圖像進(jìn)行聚類分割處理,縮短圖像增強(qiáng)所用的時(shí)間,并提高對(duì)特殊及弱小目標(biāo)的識(shí)別能力。以聚類分割為基礎(chǔ),通過抑制圖像噪聲和圖像銳化處理兩個(gè)方面來加強(qiáng)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(duì)簡(jiǎn)單,運(yùn)行的速度較快,在降低噪聲的同時(shí)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(xì)節(jié)和圖像邊緣[12]。均值濾波通常存在領(lǐng)域平均和加權(quán)平均兩種形式。

領(lǐng)域平均是利用Box模塊對(duì)交互式遙感熱紅外圖像進(jìn)行卷積運(yùn)算實(shí)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(quán)平均法是對(duì)不同的像素點(diǎn)賦予不同的權(quán)值,再對(duì)選取領(lǐng)域的像素灰度值和已賦予的權(quán)值進(jìn)行乘積并求和,得到的求和結(jié)果作為領(lǐng)域的中心像素點(diǎn)響應(yīng)輸出,圖2為加權(quán)平均模板。

圖2 加權(quán)平均模板Fig.2 Weighted average template

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

設(shè)r1,r2,…,rn為一維序列,取p,p奇數(shù)為窗口的長(zhǎng)度,將一維序列進(jìn)行中值濾波,從一維序列中連續(xù)抽出p個(gè)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(gè)數(shù)根據(jù)數(shù)字大小關(guān)系排列,取以排好序列的序號(hào)中心數(shù)作為中值濾波的輸出結(jié)果。數(shù)學(xué)表達(dá)式如下:

Oi=Med{ri-V,…,ri,…,ri+V}

(11)

二維中值濾波表達(dá)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(zhuǎn)化或者傳輸后,圖像的質(zhì)量會(huì)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(qiáng),因此,通過Sobel算子和拉普拉斯算子對(duì)交互式遙感熱紅外圖像進(jìn)行銳化處理[15-16]。

Sobel算子一般用于邊緣提取,設(shè)定f(x,y)表示二維圖像,則Sobel算子的計(jì)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(dá)式如下:

(14)

單個(gè)二元圖像函數(shù)f(x,y)的拉普拉斯變換表達(dá)式如下:

(15)

拉普拉斯離散表達(dá)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(duì)監(jiān)測(cè)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(qiáng)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(qiáng)計(jì)算方法如下式:

(17)

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

4 實(shí)驗(yàn)與分析

為了驗(yàn)證基于聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)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(qiáng)方法、基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)方法,通過Matlab仿真軟件進(jìn)行一次仿真測(cè)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(qiáng)方法中有兩個(gè)重要參數(shù),即位置參數(shù)λ和比例系數(shù)θ,通過實(shí)驗(yàn)驗(yàn)證采用不同λ和θ時(shí)算法的性能。在進(jìn)行實(shí)驗(yàn)驗(yàn),分別給出λ和θ設(shè)定各自的默認(rèn)值,即λ=75和θ=0.4。

4.1 實(shí)驗(yàn)指標(biāo)設(shè)置

(1)模糊線性指數(shù),其廣泛應(yīng)用于圖像增強(qiáng)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(jí);fEn(i,j)為增強(qiáng)圖像中的像素值。PL值越大表示圖像中目標(biāo)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(píng)價(jià)圖像；|?|1表示L1范數(shù)；“*”為離散卷積運(yùn)算符；ρ越小,表示圖像更平滑,噪聲更小。

4.2 實(shí)驗(yàn)結(jié)果分析

通過峰值信噪比測(cè)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(cè)試如圖5所示。

圖5 抗噪性能測(cè)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(qiáng)方法的峰值信噪比遠(yuǎn)遠(yuǎn)高于基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)方法的峰值信噪比,因?yàn)榛诰垲惙指畹慕换ナ竭b感熱紅外圖像模糊增強(qiáng)方法利用中值濾波方法對(duì)聚類分割后的交互式遙感熱紅外圖像進(jìn)行去噪處理,有效保護(hù)交互式遙感熱紅外圖像邊緣信息的同時(shí)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(yàn)證了基于聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)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(qiáng)方法、基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)方法對(duì)交互式遙感熱紅外圖像進(jìn)行增強(qiáng)處理,對(duì)比三種方法的視覺效果,如圖6所示。

圖6 視覺效果對(duì)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(qiáng)方法對(duì)圖像進(jìn)行增強(qiáng)處理后的圖像較為清晰,采用基于引導(dǎo)濾波分層的增強(qiáng)方法和基于聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)方法對(duì)圖像進(jìn)行增強(qiáng)處理后,圖像沒有得到明顯的改善,因?yàn)榛诰垲惙指畹慕换ナ竭b感熱紅外圖像模糊增強(qiáng)方法在圖像聚類分割處理的基礎(chǔ)上,進(jìn)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(qiáng)效果,驗(yàn)證了基于聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)方法的有效性。

為了進(jìn)一步驗(yàn)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(qiáng)方法、基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)方法,對(duì)交互式遙感熱紅外圖像模糊增強(qiáng)時(shí)間進(jìn)行對(duì)比分析,對(duì)比結(jié)果如圖7所示。

圖7 增強(qiáng)效率測(cè)試結(jié)果Fig.7 Enhanced efficiency test results

根據(jù)圖7可知,隨著迭代次數(shù)的增長(zhǎng),基于聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)方法的交互式遙感熱紅外圖像模糊增強(qiáng)時(shí)間低于基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)方法的增強(qiáng)時(shí)間,因?yàn)楸疚姆椒▽?duì)交互式遙感熱紅外圖像進(jìn)行增強(qiáng)處理之前,對(duì)交互式遙感熱紅外圖像進(jìn)行了聚類分割處理,提高了對(duì)特殊及弱小目標(biāo)的識(shí)別能力,縮短了圖像增強(qiáng)所用的時(shí)間,驗(yàn)證了基于聚類分割的交互式遙感熱紅外圖像模糊增強(qiáng)方法的增強(qiáng)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(qiáng)效果越好,因此,以這三種指標(biāo)為實(shí)驗(yàn)指標(biāo),對(duì)本文提出的基于聚類分割的增強(qiáng)方法、基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)方法進(jìn)行測(cè)試,測(cè)試結(jié)果如圖8所示。

(a)模糊線性指數(shù)對(duì)比

(b)PL對(duì)比

(c)粗糙度對(duì)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(dāng)累積分布達(dá)到300以上,本文方法的模糊線性指數(shù)才與基于引導(dǎo)濾波分層的增強(qiáng)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(dá)580,分析圖8(c)可知,本文提出的基于聚類分割的增強(qiáng)方法的粗糙度在0.1以內(nèi),比基于引導(dǎo)濾波分層的增強(qiáng)方法和基于模擬多曝光融合的增強(qiáng)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(qiáng)方法進(jìn)行交互式遙感熱紅外圖像增強(qiáng)的效果最好。

5 結(jié) 語

交互式遙感熱紅外圖像被許多領(lǐng)域應(yīng)用,交互式遙感熱紅外圖像的清晰度成為人們關(guān)注的重點(diǎn)。目前交互式遙感熱紅外圖像模糊增強(qiáng)方法存在抗噪性能差、視覺效果差、增強(qiáng)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(qiáng)方法。通過驗(yàn)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(qiáng)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(yīng)用和后續(xù)處理奠定了基礎(chǔ)。