[发明专利]一种基于视网膜机制的灰度图像增强方法

说明书

技术领域

本发明属于计算机视觉技术领域，特别涉及灰度图像的亮度增强和边缘增强。

背景技术

灰度图像中的信息主要是亮度方面的，这些图像中存在的大范围亮度区域决定了物体的内容信息，而线和点类的信息则是区分不同物体之间的重要边界。因此，将整体亮度较低的图像进行有效的亮度提升，对目标识别等有重要作用。

目前比较经典的亮度增强方法有传统的伽马变换等全局处理算子、基于局部模板的局部算子、以及Edwin.H.Land于1963年提出的基于人眼视网膜机制的Retinex方法原型的改进。上述方法中：全局处理算子对于整幅图像的映射函数是同一个，但是对暗区域增强效果不佳；局部处理算子容易造成明暗边界反转；Retinex方法需要对目标图像进行大尺度滤波，容易造成图像模糊，另外明亮区域的过度漂白造成了图像信息的丢失。

传统的边缘提取方法中使用固定尺寸的高斯差模型提取图像中的边缘信息，但是图像中适用于不同亮度区域的尺寸是不同的，而固定尺寸的高斯差模型无法达到最优效果，明亮区域的细节纹理没有足够强的响应，黑暗区域的较大轮廓也不能有效识别。

发明内容

针对上述存在问题或不足，本发明提供了一种基于视网膜机制的灰度图像增强方法。

技术方案包括下列步骤：

步骤1、模拟水平细胞感受野的大范围特性，确定自适应参数，进行一次全局亮度增强处理，该处理全局亮度增强的函数与视锥细胞响应特性相符：根据阈值确定图像的黑暗区域，由该区域的平均亮度变换得出自适应参数，参数与平均亮度呈反比，该变换得出自适应参数的函数的定义域是[1,128]，值域是[10,25]，之后对整体图像进行全局映射处理，该全局映射函数整体形状是一个S形，定义域是[1,255]，值域是[1,255]；其中有三个参数来影响函数形状的中心点的横纵坐标以及曲线中心部分的斜率，影响斜率的参数范围是3～7，数值越小，黑暗区域的函数斜率就越大，而对明亮部分细节的压缩就越强；

步骤2、计算调制函数图,对图像进行亮度增强，该函数基于水平细胞调制作用的具体特性：将步骤1所得到的自适应参数输入调制函数，自适应参数越大，调制函数的斜率绝对值越大，调制的亮度范围越窄；调制函数是水平细胞对于视锥细胞负反馈作用特性的量化函数，反馈函数所输出的反馈值与亮度成反比，调制函数是一个单调递减的连续函数，最小值是1，函数的定义域是[1,255]，值域是[1,35]；最终将上述计算所得的调制函数分布图与图像像素一一对应相乘，得出亮度增强图；

步骤3、计算图像的局部高斯差中心系数分布图：使用RMS(Root Means Quared)方法计算出模板尺寸是3×3的图像局部对比度分布图，根据图像局部对比度分布图计算出对应的二维高斯模板中心系数分布图，中心系数的范围是0.2～1,中心系数与对比度呈线性反比关系，对比度越大，中心系数越小，高斯差模型的外周系数是中心系数的3倍；对比度与中心系数之间的转换函数，对比度值是自变量，定义域是[0,1]，值域是[0.2,1]；对于二维高斯模板的计算，使用0.0001作为阈值，小于阈值的部分作为无用成分丢弃，整个模板除以模板元素的总和，保证处理后的模板元素和是1；

步骤4、模拟双极细胞的感受野特性，通过高斯差模型提取边缘对原图进行增强：使用步骤3对应的不同中心系数，计算出相应外周系数，将不同参数的高斯差模型与原图卷积，得出边缘信息；最终将提取出的边缘信息乘以系数与原图相加，系数范围是0.5～1。

上述步骤3中，以较小的步长选取中心系数值，建立相应的高斯模板。

上述步骤4中，对图像进行不同尺寸的高斯差卷积计算时，由于每个局部模板所得的二维高斯中心系数不同，因此需要分别卷积。

本发明所基于的生理机制，如图1所示，a子图是视网膜纵向信息流通路，图中视锥细胞首先接收外界的光线刺激信息，之后多个视锥细胞的响应输出到水平细胞内，水平细胞得到上述的大范围亮度信息后，通过负反馈对视锥细胞进行调制，最终视锥细胞输出经过调制后的响应。在本发明中，我们对视锥细胞的响应使用步骤1中的全局亮度处理函数来拟合，水平细胞对大范围亮度信息的量化则使用自适应参数来表示，最终反馈的调制值使用本发明中的调制函数表示。